CN111598256B - 目标客户的默搭购买行为的处理方法和装置 - Google Patents

目标客户的默搭购买行为的处理方法和装置 Download PDF

Info

Publication number
CN111598256B
CN111598256B CN202010420792.3A CN202010420792A CN111598256B CN 111598256 B CN111598256 B CN 111598256B CN 202010420792 A CN202010420792 A CN 202010420792A CN 111598256 B CN111598256 B CN 111598256B
Authority
CN
China
Prior art keywords
target client
behavior
information vector
target
training data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn - After Issue
Application number
CN202010420792.3A
Other languages
English (en)
Other versions
CN111598256A (zh
Inventor
赵占永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hujin Xinrong Technology Co ltd
Original Assignee
Beijing Hujin Xinrong Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Hujin Xinrong Technology Co ltd filed Critical Beijing Hujin Xinrong Technology Co ltd
Priority to CN202010420792.3A priority Critical patent/CN111598256B/zh
Publication of CN111598256A publication Critical patent/CN111598256A/zh
Application granted granted Critical
Publication of CN111598256B publication Critical patent/CN111598256B/zh
Withdrawn - After Issue legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明公开了一种目标客户的默搭购买行为的处理方法和装置。其中，该方法包括：确定目标客户所属的客群；针对目标客户所属的客群，确定目标客户的信息向量，其中，信息向量用于表征目标客户的商品购买行为；基于使用训练数据通过机器学习训练得到的分类模型，识别出目标客户的信息向量对应的默搭购买行为，其中，训练数据包括多组训练数据，多组训练数据中的每一组训练数据均包括目标客户的信息向量以及目标客户的信息向量对应的默搭购买行为。本发明解决了相关技术中不能准确预测客户的默搭购买行为的技术问题。

Description

目标客户的默搭购买行为的处理方法和装置
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种目标客户的默搭购买行为的处理方法和装置。
背景技术
当前，在商品销售的过程中搭配一些额外相关商品或服务是一种常见的销售方式，例如，在购买车票时直接为客户默认选择购买保险、购买电子产品时直接默认购买增值服务等，这种方式在一定程度上可以给客户更为全面的提供服务，同时也可以有效的增加每单的单价。但是，这种方式会有两面性，它在给商户带来更多的利润的同时，也会产生更大的打扰客户、甚至客户流失的潜在风险，因此，合理的搭配销售选择方案至关重要。目前常见的商品默认搭配(简称默搭)多是统一搭配(全部默认选择搭配销售，或者全部不选择默认搭配销售)，或者基于一定的经验对不同客户给予不同的搭配策略，但这种基于硬分割或简单观察经验的选择方法都有较大的局限性，在客户体验和实际销售表现方面都有不足。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标客户的默搭购买行为的处理方法和装置，以至少解决相关技术中不能准确预测客户的默搭购买行为的技术问题。
根据本发明实施例的一个方面，提供了一种目标客户的默搭购买行为的处理方法，包括：确定所述目标客户所属的客群；针对所述目标客户所属的客群，确定所述目标客户的信息向量，其中，所述信息向量用于表征所述目标客户的商品购买行为；基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为，其中，所述训练数据包括多组训练数据，所述多组训练数据中的每一组训练数据均包括目标客户的信息向量以及所述目标客户的信息向量对应的默搭购买行为。
可选地，确定所述目标客户所属的客群包括：获取所述目标客户的历史购买行为和商品使用行为；根据所述历史购买行为和所述商品使用行为，得到所述目标客户所属的客群，其中，所述客群包括以下至少之一：表现用户、小白用户、纯白用户。
可选地，所述目标客户所属的客群为表现用户，针对所述目标客户所属的客群，确定所述目标客户的信息向量包括：获取所述目标客户的历史购买行为，其中，所述历史购买行为包含默搭处理行为；根据所述目标客户的历史购买行为，确定所述目标客户的信息向量。
可选地，所述目标客户所属的客群为小白用户，针对所述目标客户所属的客群，确定所述目标客户的信息向量包括：基于社区网络获取客户之间的关联关系；根据所述关联关系以及关联限制，筛选出与所述目标客户关联的表现用户；将所述目标客户关联的表现用户的信息向量进行加权聚合，得到所述目标客户的信息向量。
可选地，所述目标客户所属的客群为纯白用户，针对所述目标客户所属的客群，确定所述目标客户的信息向量包括：依据模糊信息建立表现用户的聚类群；从所述聚类群中筛选出与所述目标客户最为临近的多个表现用户；将所述目标客户最为临近的多个表现用户的信息向量进行聚合，得到所述目标客户的信息向量。
可选地，在基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为之前，所述方法还包括：获取目标客户的多组训练数据，其中，所述目标客户所属的客群均为表现用户；使用所述多组训练数据通过机器学习进行训练得到所述分类模型。
可选地，使用所述多组训练数据通过机器学习进行训练得到所述分类模型包括：依据所述表现用户的默搭处理行为对多组训练数据进行分类，得到分类结果，其中，所述分类结果包括第一表现用户的训练数据和第二表现用户的训练数据；通过机器学习对所述分类结果进行训练，得到所述分类模型。
根据本发明实施例的另一方面，还提供了一种目标客户的默搭购买行为的处理装置，包括：第一确定模块，用于确定所述目标客户所属的客群；第二确定模块，用于针对所述目标客户所属的客群，确定所述目标客户的信息向量，其中，所述信息向量用于表征所述目标客户的商品购买行为；识别模块，用于基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为，其中，所述训练数据包括多组训练数据，所述多组训练数据中的每一组训练数据均包括目标客户的信息向量以及所述目标客户的信息向量对应的默搭购买行为。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的目标客户的默搭购买行为的处理方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的目标客户的默搭购买行为的处理方法。
在本发明实施例中，采用确定所述目标客户所属的客群；针对所述目标客户所属的客群，确定所述目标客户的信息向量，其中，所述信息向量用于表征所述目标客户的商品购买行为；基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为，其中，所述训练数据包括多组训练数据，所述多组训练数据中的每一组训练数据均包括目标客户的信息向量以及所述目标客户的信息向量对应的默搭购买行为的方式，通过依据目标客户所属的客群，结合对应的分类模型识别出该目标客户的默搭购买行为，达到了有针对性的识别目标客户的默搭购买行为的目的，从而实现了更加高效、准确地预测客户的默搭购买行为的技术效果，进而解决了相关技术中不能准确预测客户的默搭购买行为的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的目标客户的默搭购买行为的处理方法的流程图；
图2是根据本发明可选实施例的目标客户的默搭购买行为的处理方法的示意图；
图3是根据本发明可选实施例的利用用户间的关联信息构建知识图谱形成社区网络的示意图；
图4是根据本发明可选实施例的利用表现用户估计小白用户的默搭购买行为的示意图；
图5是根据本发明可选实施例的利用模糊信息预测纯白用户的默搭购买倾向行为的示意图；
图6是根据本发明可选实施例的表现用户的多组训练数据训练分类模型的示意图；
图7是根据本发明实施例的一种目标客户的默搭购买行为的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种目标客户的默搭购买行为的处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的目标客户的默搭购买行为的处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，确定目标客户所属的客群；
作为一种可选的实施例，可以根据目标客户的购买行为对目标客户进行客群划分，其中，上述客群包括但不限于纯白用户、小白用户及表现用户。
步骤S104，针对目标客户所属的客群，确定目标客户的信息向量，其中，信息向量用于表征目标客户的商品购买行为；
步骤S106，基于使用训练数据通过机器学习训练得到的分类模型，识别出目标客户的信息向量对应的默搭购买行为，其中，训练数据包括多组训练数据，多组训练数据中的每一组训练数据均包括目标客户的信息向量以及目标客户的信息向量对应的默搭购买行为。
通过上述步骤，可以实现通过依据目标客户所属的客群，结合对应的分类模型识别出该目标客户的默搭购买行为，达到了有针对性的识别目标客户的默搭购买行为的目的，从而实现了更加高效、准确地预测客户的默搭购买行为的技术效果，进而解决了相关技术中不能准确预测客户的默搭购买行为的技术问题。
需要说明的是，商品默认搭配简称为默搭，默搭购买行为客户在购买商品时是否会选择默搭的行为。其中，默搭购买行为能够反映客户的默搭购买倾向和容忍度。商品购买行为是客户购买目标商品的具体行为，在具体实施过程中，商品购买行为包括但不限于默搭购买行为、购买支付行为。
图2是根据本发明可选实施例的目标客户的默搭购买行为的处理方法的示意图，如图2所示，通过对目标客户所属的客群进行了明确划分，同时针对不同客群采用不同的估计方法预测该客群的默搭购买倾向。
基于大数据的分析基础对客户的行为和倾向进行充分描述和表征，同时依据客户的历史购买行为表现将目标客户进行分类，借助于机器学习方法的识别能力，可以更好地准确识别用户对默搭的倾向性和容忍度，从而制定更好的默搭选择策略，能够为商家制定销售方案的提供依据，还可以在一定程度上提升客户购物体验。
可选地，确定目标客户所属的客群包括：获取目标客户的历史购买行为和商品使用行为；根据历史购买行为和商品使用行为，得到目标客户所属的客群，其中，上述客群包括以下至少之一：表现用户、小白用户、纯白用户。
作为一种可选的实施例，在确定目标客户所属的客群过程中，可以基于用户的历史购买记录，该历史购买记录可以包括但不限于历史购买行为、默搭处理行为、商品使用行为等。可选地，历史购买行为可以包含默搭处理行为；需要说明的是，可以根据目标客户的历史购买行为以及商品使用行为的关联关系，判定目标用户所属的客群。
可选地，上述表现用户为有历史购买记录且包含默搭处理行为的客户；上述小白用户为没有历史购买记录，但是有商品使用行为的客户；上述纯白用户为没有任何直接或间接交易记录的纯新客户。
由于不同的客群对应信息的完整度和可用性也是不同的，通过上述步骤，可以将得到目标客户所属的客群，从而依据目标客户所属的客群进行单独分析会更有针对性，同时也可以构成多等级的客户描述，达到客户生命周期的全覆盖。
可选地，目标客户所属的客群为表现用户，针对目标客户所属的客群，确定目标客户的信息向量包括：获取目标客户的历史购买行为，其中，历史购买行为包含默搭处理行为；根据目标客户的历史购买行为，确定目标客户的信息向量。
在具体实施过程中，可以根据客户直接或间接信息，抽离出若干可以表征用户行为倾向的信息，构成该客户的信息向量，例如，根据目标客户的历史购买行为，可以确定目标客户的信息向量。需要说明的是，历史购买行为至少包括商品购买历史记录中的商品购买行为。
通过上述方式可以得到表现用户对应的信息向量，对于表现用户，可以利用机器学习方法替代使用若干经验规则，更好地识别客户对商品默搭的接受程度。
可选地，目标客户所属的客群为小白用户，针对目标客户所属的客群，确定目标客户的信息向量包括：基于社区网络获取客户之间的关联关系；根据关联关系以及关联限制，筛选出与目标客户关联的表现用户；将目标客户关联的表现用户的信息向量进行加权聚合，得到目标客户的信息向量。
在基于社区网络获取客户之间的关联关系之前，还包括：预先构建所有客户的社区网络。图3是根据本发明可选实施例的利用用户间的关联信息构建知识图谱形成社区网络的示意图，如图3所示，可以利用知识图谱方法构建社区网络。可选地，采用Louvain算法，通过最大化整个数据的模块度，从而挖掘出目标客户的社区，其中，模块度计算采用以下公式：
其中，Q为模块度，m为社区边的总数量，ki表示所有指向节点i的连边权重之和，kj同理，Aij表示节点i，j之间的连边权重，Ci为节点i，Cj同理，，如果Ci，Cj相同则δ(Ci,Cj)为1，否则为0。
需要说明的是，对于小白用户，由于其没有购买行为记录，且缺少直接相关数据信息，但是由于其和表现用户有关联存在，通过上述方式可以使用与其相关的表现用户的行为倾向评估小白用户对默搭购买的倾向性。
作为一种可选的实施例，依据购买全流程数据，建立全量客户基于知识图谱的社区网络，从而获取客户之间的直接、间接关系。根据对客户关联的设置(优选地，这里使用社区网络的二度关系作为关联限制)，挑选出该小白用户关联的表现用户，根据关联类型对表现用户的信息向量进行加权聚合，构成小白用户自身的信息向量，利用表现用户的分类模型预测其购买倾向。
图4是根据本发明可选实施例的利用表现用户估计小白用户的默搭购买行为的示意图，如图4所示，针对缺少历史购买行为表现的客户，可以利用社交网络的关联方法，查找小白用户在社区网络中含有关联关系的表现用户，使用其关联客户的表现综合预测该类客户的行为，实现更加准确的估计此类客户的默搭购买行为。
需要说明的是，上述购买全流程包括但不限于注册、登录、浏览、下单、评价、售后等。
上述关联关系为小白用户与表现用户的之间的关联，其中，关联关系包括直接关系和间接关系，上述关联限制为社区网络的二度关系。具体地，将社区网络含有二度关系的客户节点定义为相关。
作为一种可选的实施例，可以根据小白用户在社区网络中的关联关系，挑选出相关的表现用户，并利用相关客户的信息向量组合成小白用户的信息向量，进行分类模型构建。可选地，小白用户的信息向量如下公式：
其中，vn为小白用户的信息向量，k为二度关系内的客户个数，αi为权重系数，vi为客户i的信息向量。
可选地，目标客户所属的客群为纯白用户，针对目标客户所属的客群，确定目标客户的信息向量包括：依据模糊信息建立表现用户的聚类群；从聚类群中筛选出与目标客户最为临近的多个表现用户；将目标客户最为临近的多个表现用户的信息向量进行聚合，得到目标客户的信息向量。
对于纯白用户，该客户群体为新客户或无历史记录客户，可以考虑使用基于聚类的方法进行客户信息提取，从而实现评估预测。对于群体用户的行为倾向，大致符合某种分布，因此在不能准确识别某个客户的行为时，可以根据群体中与其相似的大多数个体行为作为该客户的行为估计。这里的相似更为模糊，例如，地理位置、客群年龄段等都可以定义为相似。图5是根据本发明可选实施例的利用模糊信息预测纯白用户的默搭购买倾向行为的示意图，如图5所示，根据模糊信息，可以对所有的表现用户进行聚类，得到表现用户的聚类群，其中，可以使用包括但不限于最K近邻聚类，使得每个客户都属于一类群体中。
上述模糊信息包括但不限于地理位置、浏览时段、客户年龄段等。例如，可以利用地理位置、浏览时段、客户年龄段等模糊信息建立表现用户的聚类群。可选地，采用k-medoids算法依据上述模糊信息建立表现用户的聚类群。当然，在具体实施过程中，还可以采用其他的算法，在此不再赘述。
作为一种可选的实施例，对纯白用户根据模糊信息与类别中心的距离进行群体划分，进而从聚类群中筛选出与目标客户最为临近的多个表现用户。可选地，可以采用余弦距离，筛选出与目标客户(纯白用户)最为临近的若干表现用户，利用这些表现用户的信息向量合成纯白用户的信息向量，并进行分类模型构建。其中，纯白用户的信息向量组合方式为：
其中，vb为纯白用户的信息向量，k为筛选出的邻近表现用户客户个数，vi为表现用户i的信息向量。
需要说明的是，在实际预估时，筛选出与上述纯白用户最相近的N个表现用户，使用该N个表现用户的信息向量的加权平均值作为该纯白用户的信息向量，进而经过机器学习模型预测的结果作为该纯白用户的倾向性估计。
可选地，在基于使用训练数据通过机器学习训练得到的分类模型，识别出目标客户的信息向量对应的默搭购买行为之前，上述方法还包括：获取目标客户的多组训练数据，其中，目标客户所属的客群均为表现用户；使用多组训练数据通过机器学习进行训练得到分类模型。
图6是根据本发明可选实施例的表现用户的多组训练数据训练分类模型的示意图，如图6所示，针对表现用户，根据其在购买发生时对商品默搭的具体表现进行分类，并训练机器学习模型。
作为一种可选的实施例，对于表现用户，抽取信息向量使用基于决策树模型的集成模型，其中，采用Xgboost方法，并利用集成方法去除样本不均衡问题的影响，最终的预测结果采用加权平均方式输出，具体如下公式所示：
其中，N为集成的Xgboost分类模型个数，αi为第i个分类模型的权重，probi为第i个分类模型的预测输出。
上述分类模型包括但不限于梯度提升决策树模型，利用机器学习同时，引入集成学习方法消除样本不均衡问题，对用户类别进行学习训练，从而实现对所有表现用户的倾向预测。
可选地，使用多组训练数据通过机器学习进行训练得到分类模型包括：依据表现用户的默搭处理行为对多组训练数据进行分类，得到分类结果，其中，分类结果包括第一表现用户的训练数据和第二表现用户的训练数据；通过机器学习对分类结果进行训练，得到分类模型。
作为一种可选的实施例，在依据表现用户的默搭处理行为对多组训练数据进行分类，得到分类结果之前，上述方法包括：判断表现用户在购买时是否取消选择默搭，在取消选择默搭的情况下，该表现用户为第一表现用户；在未取消选择默搭的情况下，该表现用户为第二表现用户。另外，还可以根据表现用户在购买时是否取消选择默搭的次数来对表现用户进行分类，例如，表现用户在购买时是否取消选择默搭的次数大于等于预定次数阈值，该表现用户为第一表现用户；表现用户在购买时是否取消选择默搭的次数小于预定次数阈值，该表现用户为第二表现用户。需要说明的是，第一表现用户对应分类结果中第一表现用户的训练数据，第二表现用户对应分类结果中第二表现用户的训练数据。
通过上述方式，使得得到的分类模型能够更加准确地预测目标客户的默搭购买行为。
实施例2
根据本发明实施例的另外一个方面，还提供了一种目标客户的默搭购买行为的处理装置，图7是根据本发明实施例的一种目标客户的默搭购买行为的处理装置的示意图，如图7所示，该目标客户的默搭购买行为的处理装置包括：第一确定模块72，第二确定模块74以及识别模块76。下面对该目标客户的默搭购买行为的处理装置进行详细说明。
第一确定模块72，用于确定目标客户所属的客群；第二确定模块74，连接至上述第一确定模块72，用于针对目标客户所属的客群，确定目标客户的信息向量，其中，信息向量用于表征目标客户的商品购买行为；识别模块76，连接至上述第二确定模块74，用于基于使用训练数据通过机器学习训练得到的分类模型，识别出目标客户的信息向量对应的默搭购买行为，其中，训练数据包括多组训练数据，多组训练数据中的每一组训练数据均包括目标客户的信息向量以及目标客户的信息向量对应的默搭购买行为。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述第一确定模块72，第二确定模块74以及识别模块76对应于实施例1中的步骤S102至S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本申请上述实施例中，通过依据目标客户所属的客群，结合对应的分类模型识别出该目标客户的默搭购买行为，达到了有针对性的识别目标客户的默搭购买行为的目的，从而实现了更加高效、准确地预测客户的默搭购买行为的技术效果，进而解决了相关技术中不能准确预测客户的默搭购买行为的技术问题。
可选地，上述第一确定模块包括：第一获取单元，用于获取目标客户的历史购买行为和商品使用行为；第一得到单元，用于根据历史购买行为和商品使用行为，得到目标客户所属的客群，其中，客群包括以下至少之一：表现用户、小白用户、纯白用户。
可选地，目标客户所属的客群为表现用户，上述第二确定模块包括：第二获取单元，用于获取目标客户的历史购买行为，其中，历史购买行为包含默搭处理行为；根确定单元，用于据目标客户的历史购买行为，确定目标客户的信息向量。
可选地，目标客户所属的客群为小白用户，上述第二确定模块包括：第三获取单元，用于基于社区网络获取客户之间的关联关系；第一筛选单元，用于根据关联关系以及关联限制，筛选出与目标客户关联的表现用户；第二得到单元，用于将目标客户关联的表现用户的信息向量进行加权聚合，得到目标客户的信息向量。
可选地，目标客户所属的客群为纯白用户，上述第二确定模块包括：建立单元，用于依据模糊信息建立表现用户的聚类群；第二筛选单元，用于从聚类群中筛选出与目标客户最为临近的多个表现用户；第三得到单元，用于将目标客户最为临近的多个表现用户的信息向量进行聚合，得到目标客户的信息向量。
可选地，在基于使用训练数据通过机器学习训练得到的分类模型，识别出目标客户的信息向量对应的默搭购买行为之前，上述装置还包括：获取模块，用于获取目标客户的多组训练数据，其中，目标客户所属的客群均为表现用户；训练模块，用于使用多组训练数据通过机器学习进行训练得到分类模型。
可选地，上述训练模块包括：分类单元，用于依据表现用户的默搭处理行为对多组训练数据进行分类，得到分类结果，其中，分类结果包括第一表现用户的训练数据和第二表现用户的训练数据；训练单元，用于通过机器学习对分类结果进行训练，得到分类模型。
实施例3
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述中任意一项的目标客户的默搭购买行为的处理方法。
实施例4
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的目标客户的默搭购买行为的处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种目标客户的默搭购买行为的处理方法，其特征在于，包括：
确定所述目标客户所属的客群；
针对所述目标客户所属的客群，确定所述目标客户的信息向量，其中，所述信息向量用于表征所述目标客户的商品购买行为；
基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为，其中，所述训练数据包括多组训练数据，所述多组训练数据中的每一组训练数据均包括目标客户的信息向量以及所述目标客户的信息向量对应的默搭购买行为；确定所述目标客户所属的客群包括：获取所述目标客户的历史购买行为和商品使用行为；根据所述历史购买行为和所述商品使用行为，得到所述目标客户所属的客群，其中，所述客群包括以下至少之一：表现用户、小白用户、纯白用户；所述目标客户所属的客群为小白用户，针对所述目标客户所属的客群，确定所述目标客户的信息向量包括：基于社区网络获取客户之间的关联关系；根据所述关联关系以及关联限制，筛选出与所述目标客户关联的表现用户；将所述目标客户关联的表现用户的信息向量进行加权聚合，得到所述目标客户的信息向量，或者所述目标客户所属的客群为表现用户，针对所述目标客户所属的客群，确定所述目标客户的信息向量包括：获取所述目标客户的历史购买行为，其中，所述历史购买行为包含默搭处理行为；根据所述目标客户的历史购买行为，确定所述目标客户的信息向量，或者所述目标客户所属的客群为纯白用户，针对所述目标客户所属的客群，确定所述目标客户的信息向量包括：依据模糊信息建立表现用户的聚类群；从所述聚类群中筛选出与所述目标客户最为临近的多个表现用户；将所述目标客户最为临近的多个表现用户的信息向量进行聚合，得到所述目标客户的信息向量。
2.根据权利要求1所述的方法，其特征在于，在基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为之前，所述方法还包括：
获取目标客户的多组训练数据，其中，所述目标客户所属的客群均为表现用户；
使用所述多组训练数据通过机器学习进行训练得到所述分类模型。
3.根据权利要求2所述的方法，其特征在于，使用所述多组训练数据通过机器学习进行训练得到所述分类模型包括：
依据所述表现用户的默搭处理行为对多组训练数据进行分类，得到分类结果，其中，所述分类结果包括第一表现用户的训练数据和第二表现用户的训练数据；
通过机器学习对所述分类结果进行训练，得到所述分类模型。
4.一种目标客户的默搭购买行为的处理装置，其特征在于，包括：
第一确定模块，用于确定所述目标客户所属的客群；
第二确定模块，用于针对所述目标客户所属的客群，确定所述目标客户的信息向量，其中，所述信息向量用于表征所述目标客户的商品购买行为；
识别模块，用于基于使用训练数据通过机器学习训练得到的分类模型，识别出所述目标客户的信息向量对应的默搭购买行为，其中，所述训练数据包括多组训练数据，所述多组训练数据中的每一组训练数据均包括目标客户的信息向量以及所述目标客户的信息向量对应的默搭购买行为；所述第一确定模块包括：第一获取单元，用于获取所述目标客户的历史购买行为和商品使用行为；第一得到单元，用于根据历史购买行为和商品使用行为，得到所述目标客户所属的客群，其中，所述客群包括以下至少之一：表现用户、小白用户、纯白用户；所述目标客户所属的客群为小白用户，所述第二确定模块包括：第三获取单元，用于基于社区网络获取客户之间的关联关系；第一筛选单元，用于根据所述关联关系以及关联限制，筛选出与目标客户关联的所述表现用户；第二得到单元，用于将所述目标客户关联的所述表现用户的信息向量进行加权聚合，得到所述目标客户的所述信息向量，或者所述目标客户所属的客群为表现用户，所述第二确定模块包括：第二获取单元，用于获取所述目标客户的历史购买行为，其中，所述历史购买行为包含默搭处理行为；确定单元，用于根据所述目标客户的所述历史购买行为，确定所述目标客户的信息向量；或者所述目标客户所属的客群为纯白用户，所述第二确定模块包括：建立单元，用于依据模糊信息建立所述表现用户的聚类群；第二筛选单元，用于从所述聚类群中筛选出与所述目标客户最为临近的多个所述表现用户；第三得到单元，用于将所述目标客户最为临近的多个所述表现用户的所述信息向量进行聚合，得到所述目标客户的信息向量。
5.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至3中任意一项所述的目标客户的默搭购买行为的处理方法。
6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至3中任意一项所述的目标客户的默搭购买行为的处理方法。
CN202010420792.3A 2020-05-18 2020-05-18 目标客户的默搭购买行为的处理方法和装置 Withdrawn - After Issue CN111598256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010420792.3A CN111598256B (zh) 2020-05-18 2020-05-18 目标客户的默搭购买行为的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010420792.3A CN111598256B (zh) 2020-05-18 2020-05-18 目标客户的默搭购买行为的处理方法和装置

Publications (2)

Publication Number Publication Date
CN111598256A CN111598256A (zh) 2020-08-28
CN111598256B true CN111598256B (zh) 2023-08-08

Family

ID=72192441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010420792.3A Withdrawn - After Issue CN111598256B (zh) 2020-05-18 2020-05-18 目标客户的默搭购买行为的处理方法和装置

Country Status (1)

Country Link
CN (1) CN111598256B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127525A (zh) * 2016-06-27 2016-11-16 浙江大学 一种基于分类算法的电视购物商品推荐方法
CN108171553A (zh) * 2018-01-17 2018-06-15 焦点科技股份有限公司 一种周期性服务或产品的潜在客户挖掘系统与方法
CN108256907A (zh) * 2018-01-09 2018-07-06 北京腾云天下科技有限公司 一种客户分群模型的构建方法和计算设备
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN110415002A (zh) * 2019-07-31 2019-11-05 中国工商银行股份有限公司 客户行为预测方法及系统
CN110489642A (zh) * 2019-07-25 2019-11-22 山东大学 基于行为特征分析的商品推荐方法、系统、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108571A1 (en) * 2017-10-05 2019-04-11 Cognizant Technology Solutions India Pvt. Ltd. System and method for efficiently determining relevant products for display in an online marketplace

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127525A (zh) * 2016-06-27 2016-11-16 浙江大学 一种基于分类算法的电视购物商品推荐方法
CN108256907A (zh) * 2018-01-09 2018-07-06 北京腾云天下科技有限公司 一种客户分群模型的构建方法和计算设备
CN108171553A (zh) * 2018-01-17 2018-06-15 焦点科技股份有限公司 一种周期性服务或产品的潜在客户挖掘系统与方法
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN110489642A (zh) * 2019-07-25 2019-11-22 山东大学 基于行为特征分析的商品推荐方法、系统、设备及介质
CN110415002A (zh) * 2019-07-31 2019-11-05 中国工商银行股份有限公司 客户行为预测方法及系统

Also Published As

Publication number Publication date
CN111598256A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
Dogan et al. Customer segmentation by using RFM model and clustering methods: a case study in retail industry
US20210073283A1 (en) Machine learning and prediction using graph communities
CN109189904A (zh) 个性化搜索方法及系统
EP2916267A1 (en) Space planning and optimization
US9251527B2 (en) System and method for providing personalized recommendations
US20230081051A1 (en) Systems and methods using inventory data to measure and predict availability of products and optimize assortment
JP2022086981A (ja) 推定システム及び推定方法
JPH06119309A (ja) 購入見込み度合予測方法及び顧客管理システム
CN111275480B (zh) 面向多维稀疏销售数据仓库的欺诈行为挖掘方法
CN112991026A (zh) 一种商品推荐方法、系统、设备及计算机可读存储介质
Olson et al. Comparison of customer response models
CN112308623A (zh) 基于监督学习的优质客户流失预测方法、装置及存储介质
CN111598256B (zh) 目标客户的默搭购买行为的处理方法和装置
Sobreiro et al. A slr on customer dropout prediction
Lipianina-Honcharenko et al. Intelligent method for forming the consumer basket
CN113064944A (zh) 数据的处理方法和装置
Kraft et al. Signaling Quality via Demand Lockout
Mendikowski et al. Creating customers that never existed: Synthesis of e-commerce data using CTGAN
CN117934125B (zh) 目标信息推荐方法及装置、终端设备和计算机存储介质
CN111639268B (zh) 一种用户相似度计算方法
Sweidan et al. Predicting customer churn in retailing
ABIDAR et al. Predicting Customer Segment Changes to Enhance Customer Retention: A Case Study for Online Retail using Machine Learning
Prabhas et al. Segmentation of E-Commerce Data Using K-Means Clustering Algorithm
Sachenko et al. Intelligent Method for Forming the Consumer Basket
Marvania et al. CUSTOMER SEGMENTATION

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
AV01 Patent right actively abandoned

Granted publication date: 20230808

Effective date of abandoning: 20240429

AV01 Patent right actively abandoned

Granted publication date: 20230808

Effective date of abandoning: 20240429

AV01 Patent right actively abandoned
AV01 Patent right actively abandoned