CN111553729A - 一种电商用户画像数据生成方法、装置和计算设备 - Google Patents

Abstract

本发明是关于一种电商用户画像数据生成方法、装置和计算设备。该方法包括：采集用户基础数据；对所述用户基础数据进行处理，生成用户定义标签数据；利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；根据用户定义标签和用户模型标签生成用户画像数据。本实施例的用户标签包括基础的定义标签之外扩展了用户模型标签，扩展了用户标签类型，从而可以生成更完整准确的用户画像数据，进而为电商平台作出更准确的用户商品推荐，广告推荐和渠道选择。

Description

一种电商用户画像数据生成方法、装置和计算设备

技术领域

本发明涉及电商数据处理技术领域，尤其涉及一种电商用户画像数据生成方法、装置和计算机设备。

背景技术

电商领域的用户画像是一个抽象出来的用户信息的集合，可以反映一个用户的行为以及消费习惯，用户画像即把一个用户信息化、标签化。早期的用户画像的构建更多是通过对部分用户进行多方面信息的调研和各种访谈收集用户信息，然后将多种信息分类聚合，筛选出几个有典型特征来代表用户。随着用户规模的急剧增加和产品的业务范围越来越广泛，用户信息、行为信息越来越丰富。早期的用户画像的体系表达用户的信息并不全面，不能表达用户真实的信息。

发明内容

为克服相关技术中存在的问题，本发明提供一种电商用户画像数据生成方法、装置和计算机设备，能生成更完整准确的用户画像数据，进而为电商平台作出更准确的用户商品推荐，广告推荐和渠道选择。

根据本发明实施例的第一方面，提供一种电商用户画像数据生成方法，包括：

采集用户基础数据；

对所述用户基础数据进行处理，得到用户定义标签数据；

利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；

根据用户定义标签和用户模型标签得到用户画像数据。

根据本发明实施例的第二方面，提供一种数据采集模块、数据处理模块、模型标签计算模块和用户画像数据生成模块；

数据采集模块，用于采集用户基础数据；

数据处理模块，用于对所述用户基础数据进行处理，得到用户定义标签数据；

模型标签计算模块，用于利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；

用户画像数据生成模块，用于根据用户定义标签和用户模型标签得到用户画像数据。

根据本发明实施例的第三方面，提供一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本发明的实施例提供的技术方案可以包括以下有益效果：能生成完整准确的用户画像数据，进而为电商平台作出更准确的用户商品推荐，广告推荐和渠道选择。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本发明根据一示例性实施例示出的一种电商用户画像数据生成方法的流程图；

图2是本发明根据一示例性实施例示出的一种电商用户画像数据生成装置的示意图框图；

图3是本发明根据一示例性实施例示出的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本发明提供了一种电商用户画像数据生成方法、装置和计算设备，可以生成更完整准确的用户画像数据，进而为电商平台作出更准确的用户商品推荐，广告推荐和渠道选择。

图1是本发明根据一示例性实施例示出的一种电商用户画像数据生成方法的流程图。

如图1所示，该方法可以包括以下步骤：

在步骤101中，采集用户基础数据。在一个优选实施例中，用户基础数据包括：用户基本信息数据和用户基础交易数据和用户基础行为数据。这里的数据主要来源自不同系统的数据，是大量的用户基础数据。

在一个优选实施例中，在客户端进行埋点来定义和获取用户基础行为数据。用户行为数据可以包括：每个用户的按钮点击数据、页面浏览数据、商品曝光数据、页面浏览时长。

在步骤102中，对所述用户基础数据进行处理，得到用户定义标签数据。

在一个优选实施方式中，还包括对用户基础数据的存储，即利用大数据数据同步工具kafka、flume、sqoop等将用户基础数据全部整合到大数据hive平台中去存储。

在另外一个优选实施方式中，还包括用大数据同步工具同步数据的同时对数据进行预处理和清洗。这里清洗是指去除明显错误的用户基础数据。例如：用户年龄为1000。

在步骤103中，利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签。

在一个优选实施方式中，用户定义标签和用户模型标签是按照应用场景进行分主题分类。例如：用户标签包括用户属性标签、用户行为标签和用户使用习惯标签。而用户属性标签又分为：用户属性定义标签和用户属性模型标签；用户行为标签又分为：用户行为定义标签和用户行为模型标签；用户使用习惯标签分为：用户使用习惯定义标签和用户使用习惯模型标签。其中所有用户定义标签是指事实标签，通过直接或者统计获得的。例如：用户使用习惯定义标签包括：经常使用的时间段(上午、下午或者晚上)、渠道内容偏好(折扣、热销或者品牌等)、常用设备类型(手机、电脑或者平板电脑)。而用户使用习惯模型标签包括：促销敏感度、用户品牌喜好排序和用户搜索关键词和商品喜好类型。而其中用户敏感度是通过促销敏感模型根据用户购买的活动类订单数与购买金额来计算。用户品牌喜好排序是通过对各类品牌的行为进行预测得出用户品牌喜好的排序。用户搜索关键词和商品喜好类型的标签是通过对历史搜索数据进行分析处理得出搜索关键词和对应的商品喜好类型。

用户标签算法模型是有多个的，每种用户模型标签都是通过对对应的用户基础数据和用户定义标签数据按照对应的用户标签算法模型进行计算获得的。

用户标签算法模型是基于基础数据中的定义标签而构建。

在步骤104中，根据用户定义标签和用户模型标签得到用户画像数据。

在一个优选实施方式中，采用hive sql计算用户定义标签和用户模型标签得到用户画像数据。

由该实施例可见，本发明首先采集用户基础数据；对所述用户基础数据进行处理，得到用户定义标签数据；利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；根据用户定义标签和用户模型标签得到用户画像数据。本实施例的用户标签包括基础的定义标签之外扩展了用户模型标签，扩展了用户标签类型，从而可以生成更完整准确的用户画像数据，进而为电商平台作出更准确的用户商品推荐，广告推荐和渠道选择。

与前述应用功能实现方法实施例相对应，本发明还提供了一种电商用户画像数据生成装置及相应的实施例。

图2是本发明根据一示例性实施例示出的一种电商用户画像数据生成装置的示意图框图。

如图2所示，在一种电商用户画像数据生成装置中可以包括：数据采集模块21、数据处理模块22、模型标签计算模块23和用户画像数据生成模块24。

数据采集模块21，用于采集用户基础数据。在一个优选实施例中，数据采集模块21采集的用户基础数据包括：用户基本信息数据和用户基础交易数据和用户基础行为数据。这里的数据主要来源自不同系统的数据，是大量的用户基础数据。

在一个优选实施例中，一种电商用户画像数据生成装置还包括：埋点模块(图中未示出)，用于在客户端进行埋点来定义和获取用户基础行为数据。用户行为数据可以包括：每个用户的按钮点击数据、页面浏览数据、商品曝光数据、页面浏览时长。

数据处理模块22，用于对所述用户基础数据进行处理，得到用户定义标签数据。

在一个优选实施方式中，还包括用户存储模块(图中未示出)，用于存储用户基础数据，即利用大数据数据同步工具kafka、flume、sqoop等将用户基础数据全部整合到大数据hive平台中去存储。

在另外一个优选实施方式中，还包括数据预处理模块(图中未示出)，用于在用大数据同步工具同步数据的同时，对数据进行预处理和清洗。这里清洗是指去除明显错误的用户基础数据。例如：用户年龄为1000。

模型标签计算模块23，用于利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签。

在一个优选实施方式中，用户定义标签和用户模型标签是按照应用场景进行分主题分类的。例如：用户标签包括用户属性标签、用户行为标签和用户使用习惯标签。而用户属性标签又分为：用户属性定义标签和用户属性模型标签；用户行为标签又分为：用户行为定义标签和用户行为模型标签；用户使用习惯标签分为：用户使用习惯定义标签和用户使用习惯模型标签。其中所有用户定义标签是指事实标签，通过直接或者统计获得的。例如：用户使用习惯定义标签包括：经常使用的时间段(上午、下午或者晚上)、渠道内容偏好(折扣、热销或者品牌等)、常用设备类型(手机、电脑或者平板电脑)。而用户使用习惯模型标签包括：促销敏感度、用户品牌喜好排序和用户搜索关键词和商品喜好类型。而其中用户敏感度是通过促销敏感模型根据用户购买的活动类订单数与购买金额来计算。用户品牌喜好排序是通过对各类品牌的行为进行预测得出用户品牌喜好的排序。用户搜索关键词和商品喜好类型的标签是通过对历史搜索数据进行分析处理得出搜索关键词和对应的商品喜好类型。

从上述介绍可以看出，用户标签算法模型是有多个的，每种用户模型标签都是通过对对应的用户基础数据和用户定义标签数据，按照对应的用户标签算法模型进行计算获得的。

用户画像数据生成模块24，用于根据用户定义标签和用户模型标签得到用户画像数据。

在一个优选实施方式中，用户画像数据生成模块24采用hive sql计算用户定义标签和用户模型标签得到用户画像数据。

在一个优选实施方式中，一种电商用户画像数据生成装置还包括：算法模型构建模块25，用于构建用户标签算法模型。这里用户标签算法模型是基于用户基础数据中的定义标签和用户基础数据而构建的。

由该实施例可见，本发明数据采集模块采集用户基础数据；数据处理模块对所述用户基础数据进行处理，得到用户定义标签数据；模型标签计算模块利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；用户画像数据生成模块根据用户定义标签和用户模型标签得到用户画像数据。本实施例的用户标签包括基础的定义标签之外扩展了用户模型标签，扩展了用户标签类型，从而可以生成更完整准确的用户画像数据，进而为电商平台作出更准确的用户商品推荐，广告推荐和渠道选择。

图3是根据一示例性实施例示出的一种计算设备的结构示意图，该计算设备可用于实现上述一种电商用户画像数据生成方法。该计算设备例如可以是移动终端设备或服务器设备等。

如图3所示，计算设备300包括存储器310和处理器320。

处理器320可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器320可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器320可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。

存储器310可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器320或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器310可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器310可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器310上存储有可执行代码，当可执行代码被处理器320处理时，可以使处理器320执行上文述及的上述一种电商用户画像数据生成方法。

上文中已经参考附图详细描述了根据本发明的上述方法。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种电商用户画像数据生成方法，包括：

采集用户基础数据；

对所述用户基础数据进行处理，得到用户定义标签数据；

利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；

根据用户定义标签和用户模型标签得到用户画像数据。

2.根据权利要求1所述的方法，还包括：构建用户标签算法模型。

3.根据权利要求1所述的方法，其中，用户定义标签和用户模型标签是按照应用场景进行分主题分类。

4.根据权利要求1所述的方法，其中，用户基础数据包括用户基本信息数据、用户基础交易数据和用户基础行为数据。

5.根据权利要求4所述的方法，还包括：在客户端进行埋点来定义和获取用户基础行为数据。

6.根据权利要求1-5任意一项所述的方法，其中，根据用户定义标签和用户模型标签得到用户画像数据，包括：

采用hive sql计算用户定义标签和用户模型标签得到用户画像数据。

7.一种电商用户画像数据生成装置，包括：数据采集模块、数据处理模块、模型标签计算模块和用户画像数据生成模块；

数据采集模块，用于采集用户基础数据；

数据处理模块，用于对所述用户基础数据进行处理，得到用户定义标签数据；

模型标签计算模块，用于利用用户标签算法模型对用户基础数据和所述用户定义标签数据进行计算得出用户模型标签；

用户画像数据生成模块，用于根据用户定义标签和用户模型标签得到用户画像数据。

8.根据权利要求7所述的装置，还包括：算法模型构建模块，用于构建用户标签算法模型。

9.根据权利要求7或者8所述的装置，还包括：埋点模块，用于在客户端进行埋点来定义和获取用户基础行为数据。

10.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-6中任何一项所述的方法。

Images