CN111625439B - 基于用户行为的日志数据分析app用户粘性的方法 - Google Patents

基于用户行为的日志数据分析app用户粘性的方法 Download PDF

Info

Publication number
CN111625439B
CN111625439B CN202010485923.6A CN202010485923A CN111625439B CN 111625439 B CN111625439 B CN 111625439B CN 202010485923 A CN202010485923 A CN 202010485923A CN 111625439 B CN111625439 B CN 111625439B
Authority
CN
China
Prior art keywords
user
page
app
probability
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.)
Active
Application number
CN202010485923.6A
Other languages
English (en)
Other versions
CN111625439A (zh
Inventor
丁祥祥
吴滨
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.)
Hangzhou Hutu Technology Co ltd
Original Assignee
Hangzhou Hutu 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 Hangzhou Hutu Technology Co ltd filed Critical Hangzhou Hutu Technology Co ltd
Priority to CN202010485923.6A priority Critical patent/CN111625439B/zh
Publication of CN111625439A publication Critical patent/CN111625439A/zh
Application granted granted Critical
Publication of CN111625439B publication Critical patent/CN111625439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • 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)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于用户行为的日志数据分析app用户粘性的方法，通过app采集用户行为日志并进行归一化处理，利用采集到的用户行为日志结合用户的基础数据建立LDA模型，再通过LDA模型输出用户页面操作浏览结果，将结果输入至贝叶斯公式计算当前app是否满足用户需求，进而调整app满足用户的使用，本发明可以快速分析app用户的接受程度，便于后续能够针对性的对app进行符合用户需求的更新以及迭代。

Description

基于用户行为的日志数据分析app用户粘性的方法
技术领域
本发明涉及移动互联网技术应用领域领域，具体涉及一种基于用户行为的日志数据分析app用户粘性的方法。
背景技术
随着时代的发展迅速，智能手机的普及，人们在沟通、社交、娱乐等活动中越来越依赖于手机App软件。手机App软件作为一个用户平台，需要时刻的注重用户体验以及用户粘性，用于app的健康发展。目前一般采用电话回访、订单量增减、pv和uv的趋势图来判断app平台是否在健康发展，但是由于app平台用户急速增长，通过古老的电话回访方式确认用户对平台的满意度和喜欢的模块已经不能满足目前app平台发展的速度和规模，而且订单量的增减以及pv、uv只能知道大概的用户增减,不能准确定位到各个模块用户接受度。
发明内容
本发明的目的在于，提供一种基于用户行为的日志数据分析app用户粘性的方法。本发明可以快速分析app用户的接受程度，便于后续能够针对性的对app进行符合用户需求的更新以及迭代。
为解决上述技术问题，本发明提供的技术方案如下：基于用户行为的日志数据分析app用户粘性的方法，其特征在于：通过app采集用户行为日志并进行归一化处理，利用采集到的用户行为日志结合用户的基础数据建立LDA模型，再通过LDA模型输出用户页面操作浏览结果，将结果输入至贝叶斯公式计算当前app是否满足用户需求，进而调整app满足用户的使用。
上述的基于用户行为的日志数据分析app用户粘性的方法，所述的用户行为日志包括操作类型、行为路径和页面的逗留的时间。
前述的基于用户行为的日志数据分析app用户粘性的方法，所述的用户行为日志归一化处理，具体是，将操作类型数据、行为路径数据和页面的逗留时间数据的维度映射到0～1范围之内。
前述的基于用户行为的日志数据分析app用户粘性的方法，所述的用户基础数据包括用户的性别、年龄、学历和地理位置。
前述的基于用户行为的日志数据分析app用户粘性的方法，所述的LDA模型输出用户页面操作浏览结果，具体是，在用户浏览各个页面时，对用户在某一页面逗留的时间、操作类型和行为路径进行系数化，系数方法为：
k＝(b-a)/(max-min)
，其中a和b的取值区间在[0,1]；
在页面逗留的时间中，max为页面逗留的时间的最大值，min为页面逗留的时间的最小值；
在操作类型中，max为操作次数最大值，min为操作次数最小值；
在行为路径中，max为到达指定模块跳转页面数量最大值，min为到达指定模块跳转页面数量最小值。
前述的基于用户行为的日志数据分析app用户粘性的方法，在用户浏览各个页面时，还进行页面的用户粘性计算：
Figure BDA0002519061570000031
式中:c为用户的粘性，T1为逗留时间；kT为时间系数；e为操作次数；ke操作系数)；T2为浏览时间；kT为时间系数。
前述的基于用户行为的日志数据分析app用户粘性的方法，所述的贝叶斯公式表示为：
Figure BDA0002519061570000032
式中,P(Ai)是在当前用户基础数据下的操作概率，P(Aj)是在当前用户基础数据下的退出概率；P(B)是在当前用户基础数据下的浏览某一页面的概率；P(B|Ai)是在当前用户基础数据下的浏览某一页面后发生操作的概率；P(B|Aj)是在当前用户基础数据下的浏览某一页面后退出的概率；∑j是累加函数，表示各个事件发生的比例；
通过贝叶斯公式反推用户的基础数据变化时，发生操作在浏览某一页面时候的概率，然后对各个页面之间概率重复对比，预选出用户下一个页面会发生操作的最大概率的页面，然后依据概率关系对app的页面显示进行调整。
与现有技术相比，本发明通过app采集用户行为日志并进行归一化处理，利用采集到的用户行为日志结合用户的基础数据建立LDA模型，再通过LDA模型输出用户页面操作浏览结果，将结果输入至贝叶斯公式计算当前app是否满足用户需求，进而调整app满足用户的使用，本发明可以快速分析app用户的接受程度，便于后续能够针对性的对app进行符合用户需求的更新以及迭代。此外，本发明通过多种用户行为日志和多种用户基础数据相结合进行LDA模型建立，使得LDA模型可以依据多种数据进行计算，以减少不平衡情况出现，让计算结果更加的准确。再进一步的，本发明还可以将计算结果同步给运营查询，并根据贝叶斯公式计算当前平台用户趋势下，哪种模式更被用户接受，便于进行后续的调整，进一步的提高app粘性。
具体实施方式
下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例：基于用户行为的日志数据分析app用户粘性的方法，通过app采集用户行为日志并进行归一化处理，所述的用户行为日志包括操作类型、行为路径和页面的逗留的时间，所述的归一化处理是将操作类型数据、行为路径数据和页面的逗留时间数据的维度映射到0～1范围之内，具体的，根据用户在app上面的行为进入app后行为路径和在页面的逗留的时间，再通过接口https传输协议加密传输到服务端并进行保存，然后利用采集到的用户行为日志结合用户的基础数据建立LDA模型(LDA(Latent Dirichlet Allocation)是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构，该模型是本领域技术人员所掌握的常规技术手段，因此具体结构本发明不在赘述)，所述的用户基础数据包括用户的性别、年龄、学历和地理位置，其中地理位置由gps获取；再通过LDA模型输出用户页面操作浏览结果，所述的LDA模型输出用户页面操作浏览结果，具体是在用户浏览各个页面时，对用户在某一页面逗留的时间、操作类型和行为路径进行系数化，系数方法为：
k＝(b-a)/(max-min)
，其中a和b的取值区间在[0,1]；本实施例中，a为0，b为1；
在页面逗留的时间中，max为页面逗留的时间的最大值，min为页面逗留的时间的最小值；
在操作类型中，max为操作次数最大值，min为操作次数最小值；
在行为路径中，max为到达指定模块跳转页面数量最大值，min为到达指定模块跳转页面数量最小值；
在用户浏览各个页面时，还进行页面的用户粘性计算：
Figure BDA0002519061570000051
式中:c为用户的粘性，T1为逗留时间；kT为时间系数；e为操作次数；ke操作系数；T2为浏览时间；kT为时间系数；
将结果输入至贝叶斯公式计算当前app是否满足用户需求，所述的贝叶斯公式表示为：
Figure BDA0002519061570000052
式中,P(Ai)是在当前用户基础数据下的操作概率，P(Aj)是在当前用户基础数据下的退出概率；P(B)是在当前用户基础数据下的浏览某一页面的概率；P(B|Ai)是在当前用户基础数据下的浏览某一页面后发生操作的概率；P(B|Aj)是在当前用户基础数据下的浏览某一页面后退出的概率；∑j是累加函数，表示各个事件发生的比例；
通过贝叶斯公式反推用户的基础数据变化时，发生操作在浏览某一页面时候的概率，然后对各个页面之间概率重复对比，预选出用户下一个页面会发生操作的最大概率的页面，然后依据概率关系对app的页面显示进行调整。
结合实际无属性(系统未记录任何属性和经历的用户)用户举例：
P(A1)是某一app的当前用户基础数据下的模特模块的操作率16％，退出率为84％，
P(A2)是某一app的当前用户基础数据下的餐饮模块操作率为44％，退出率为56％，
P(A3)是某一app的当前用户基础数据下的快递模块操作率为40％，退出率为60％；
P(B)表示在当前用户基础数据下的浏览某一页面的概率；
P(B|A1)是在当前用户基础数据下的浏览模特模块后发生操作的概率22％；
P(B|A2)是在当前用户基础数据下的浏览餐饮模块后发生操作的概率12％；
P(B|A3)是在当前用户基础数据下的浏览餐饮模块后发生操作的11％；
普通用户进来后首次进入app
操作模特模块的概率为：
Figure BDA0002519061570000071
操作餐饮模块的概率为：
Figure BDA0002519061570000072
操作餐饮模块的概率为：
Figure BDA0002519061570000073
可见当用户没有发生任何行为的情况下，餐饮行业对用户的吸引力概率最大，这是推荐餐饮模块的职位对用户的转化率最大，因此通过贝叶斯公式反推用户的基础数据变化时，发生操作在浏览某一页面时候的概率，然后对各个页面之间概率重复对比，预选出用户下一个页面会发生操作的最大概率的页面，然后依据概率关系对app的页面显示进行调整。
综上所述，由于用户对平台的感知和兴趣会逐步加深，不会拘泥于一个模块使用，新用户倾向于浏览热门模块，老用户逐渐开始探索浏览冷门模块，因此通过本发明可以快速分析app用户的接受程度，并分析计算平台用户未来使用趋势，便于运营优化，使得后续能够针对性的对app进行符合用户需求的更新以及迭代。

Claims (4)

1.基于用户行为的日志数据分析app用户粘性的方法，其特征在于：通过app采集用户行为日志并进行归一化处理，利用采集到的用户行为日志结合用户的基础数据建立LDA模型，再通过LDA模型输出用户页面操作浏览结果，将结果输入至贝叶斯公式计算当前app是否满足用户需求，进而调整app满足用户的使用；
所述的LDA模型输出用户页面操作浏览结果，具体是，在用户浏览各个页面时，对用户在某一页面逗留的时间、操作类型和行为路径进行系数化，系数方法为：
k＝(b-a)/(max-min)，
其中a和b的取值区间在[0,1]；
在页面逗留的时间中，max为页面逗留的时间的最大值，min为页面逗留的时间的最小值；
在操作类型中，max为操作次数最大值，min为操作次数最小值；
在行为路径中，max为到达指定模块跳转页面数量最大值，min为到达指定模块跳转页面数量最小值；
在用户浏览各个页面时，还进行页面的用户粘性计算：
Figure QLYQS_1
式中:c为用户的粘性，T1为逗留时间；kT为时间系数；e为操作次数；ke操作系数；T2为浏览时间；kT为时间系数；
所述的贝叶斯公式表示为：
Figure QLYQS_2
式中,P(Ai)是在当前用户的基础数据下的操作概率，P(Aj)是在当前用户的基础数据下的退出概率；P(B)是在当前用户的基础数据下的浏览某一页面的概率；P(B|Ai)是在当前用户的基础数据下的浏览某一页面后发生操作的概率；P(B|Aj)是在当前用户的基础数据下的浏览某一页面后退出的概率；∑j是累加函数，表示各个事件发生的比例；
通过贝叶斯公式反推用户的基础数据变化时，发生操作在浏览某一页面时候的概率，然后对各个页面之间概率重复对比，预选出用户下一个页面会发生操作的最大概率的页面，然后依据概率关系对app的页面显示进行调整。
2.根据权利要求1所述的基于用户行为的日志数据分析app用户粘性的方法，其特征在于：所述的用户行为日志包括操作类型、行为路径和页面的逗留的时间。
3.根据权利要求2所述的基于用户行为的日志数据分析app用户粘性的方法，其特征在于：所述的用户行为日志归一化处理，具体是，将操作类型数据、行为路径数据和页面的逗留时间数据的维度映射到0～1范围之内。
4.根据权利要求1所述的基于用户行为的日志数据分析app用户粘性的方法，其特征在于：所述的用户的基础数据包括用户的性别、年龄、学历和地理位置。
CN202010485923.6A 2020-06-01 2020-06-01 基于用户行为的日志数据分析app用户粘性的方法 Active CN111625439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010485923.6A CN111625439B (zh) 2020-06-01 2020-06-01 基于用户行为的日志数据分析app用户粘性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010485923.6A CN111625439B (zh) 2020-06-01 2020-06-01 基于用户行为的日志数据分析app用户粘性的方法

Publications (2)

Publication Number Publication Date
CN111625439A CN111625439A (zh) 2020-09-04
CN111625439B true CN111625439B (zh) 2023-07-04

Family

ID=72272679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010485923.6A Active CN111625439B (zh) 2020-06-01 2020-06-01 基于用户行为的日志数据分析app用户粘性的方法

Country Status (1)

Country Link
CN (1) CN111625439B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149236B (zh) * 2023-04-04 2023-10-27 深圳市特区建发科技园区发展有限公司 一种基于区块链的应用运维管理智能监控系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649659A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 一种面向社交网络的链接预测系统及方法
CN106815297A (zh) * 2016-12-09 2017-06-09 宁波大学 一种学术资源推荐服务系统与方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815297A (zh) * 2016-12-09 2017-06-09 宁波大学 一种学术资源推荐服务系统与方法
CN106649659A (zh) * 2016-12-13 2017-05-10 重庆邮电大学 一种面向社交网络的链接预测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
尚燕敏 ; 曹亚男 ; 韩毅 ; 李阳 ; 张闯 ; .基于主题和大众影响的用户动态行为倾向预测.计算机学报.2017,(07),全文. *
李越 ; 曹菡 ; .基于美食互动社区的用户饮食行为模型研究.计算机技术与发展.2016,(12),全文. *
王明明 ; .推荐系统框架研究概述.山海经.2015,(17),全文. *

Also Published As

Publication number Publication date
CN111625439A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
US10832008B2 (en) Computerized system and method for automatically transforming and providing domain specific chatbot responses
US11270333B1 (en) Click-through prediction for targeted content
US20050086211A1 (en) System and method for searching, finding and contacting dates on the Internet in instant messaging networks and/or in other methods that enable immediate finding and creating immediate contact
CN104899315A (zh) 推送用户信息的方法和装置
EP2484113A1 (en) A method, apparatus and system for increasing website data transfer speed
CN103778260A (zh) 一种个性化微博信息推荐系统和方法
JP6415619B2 (ja) 解析装置、解析方法、およびプログラム
CN102332006A (zh) 一种信息推送控制方法及装置
CN107526718B (zh) 用于生成文本的方法和装置
CN102622375A (zh) 第三方律师推荐智能匹配系统和方法
CN103955464A (zh) 一种基于情境融合感知的推荐方法
CN112104642A (zh) 一种异常账号确定方法和相关装置
US20230306263A1 (en) Pattern-based classification
WO2016137690A1 (en) Efficient retrieval of fresh internet content
CN111625439B (zh) 基于用户行为的日志数据分析app用户粘性的方法
CN112052297A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN103020141A (zh) 一种用于提供搜索结果的方法和设备
US11269964B2 (en) Field-of-interest based preference search guidance system
CN107562881A (zh) 推荐系统的干预方法、介质、系统及计算设备
Chen et al. CHINESE CONSUMERS'PERCEPTIONS TOWARD SMARTPHONE AND MARKETING COMMUNICATION ON SMARTPHONE.
CN111723201A (zh) 一种用于文本数据聚类的方法和装置
CN114782077A (zh) 信息筛选方法、模型训练方法、装置、电子设备和介质
CN112825273A (zh) 医疗服务推荐方法及相关产品
CN110659419A (zh) 确定目标用户的方法及相关装置
CN105554088B (zh) 信息推送方法和装置

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