CN111666492A - 基于用户行为的信息推送方法、装置、设备及存储介质 - Google Patents
基于用户行为的信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111666492A CN111666492A CN202010363751.5A CN202010363751A CN111666492A CN 111666492 A CN111666492 A CN 111666492A CN 202010363751 A CN202010363751 A CN 202010363751A CN 111666492 A CN111666492 A CN 111666492A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- service information
- behavior
- event
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种大数据分析技术,揭露了一种基于用户行为的信息推送方法,包括:通过预设的匹配原则,建立用户与采集设备的数据关联;构建埋点数据,收集用户的行为数据,并对行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中;对行为数据进行分析处理,得到目标数据;基于K均值聚类算法,对目标数据进行聚类分析,得到M个聚类数据,并获取每个聚类数据对应的用户群体,得到M个用户群体;根据预设的触发机制,匹配每个用户群体的业务信息,将业务信息推送给用户群体。本发明还涉及区块链技术,用户群体的业务信息存储于区块链中。本申请根据用户偏好,对相同偏好的用户群体推送业务信息,以提高业务推送的效率。
Description
技术领域
本申请涉及大数据分析技术领域,尤其涉及基于用户行为的信息推送方法、装置、设备及存储介质。
背景技术
通过用户行为的数据对用户进行信息推送时,通常涉及到多部门之间的配合联动,主要涉及以下几个环节:活动设计,客群定位,用户触达,效果追踪等等;上述流程存在着闭环周期长、沟通成本高、效果分析浅等等问题。
现有技术针对上述问题,通过收集用户数据,通过分析用户对某一页面或元素的交互等用户行为,来判断用户的偏好信息,对全量或局部的用户进行信息推送,但是,这一技术不能够针对同一偏好信息的用户群体,导致推送信息效率低。现亟需一种能够提高推送信息效率的方法。
发明内容
本申请实施例的目的在于提出一种基于用户行为的信息推送方法,以提高推送信息效率。
为了解决上述技术问题,本申请实施例提供一种基于用户行为的信息推送方法,包括:
通过预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联;
构建埋点数据,收集每个所述用户的行为数据,并对所述行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中;
对存储于非关系型数据库NoSQL中的所述行为数据进行分析处理,得到目标数据;
基于K均值聚类算法,对所述目标数据进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个用户群体,其中,M为正整数;
根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体。
进一步的,所述基于K均值聚类算法,对所述目标数据进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个用户群体,其中,M为正整数包括:
选取M个所述目标数据,并获取所述M个所述目标数据相对于所述事件模型表中对应的行为事件属性,得到M个行为事件属性;
基于K均值聚类算法,将所述M个行为事件属性作为聚类中心,得到M个聚类中心;
根据M个所述聚类中心进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个所述用户群体。
进一步的,所述根据预设的触发机制,匹配每个所述用户群体的业务信息,所述业务信息存储于区块链中,将所述业务信息推送给所述用户群体之后还包括:
获取接收到所述业务信息的用户所反馈的信息,将所述接收到所述业务信息的用户作为目标用户,并获取所述目标用户触发行为事件,以及所述目标用户触发行为事件对应的行为事件属性;
将所述目标用户触发行为事件,以及所述目标用户触发行为事件对应的行为事件属性,与预设的每个基础业务信息进行匹配,将匹配成功的基础业务信息作为目标业务信息,并将所述目标业务信息推送给所述目标用户。
进一步的,所述获取接收到所述业务信息的用户所反馈的信息,将所述接收到所述业务信息的用户作为目标用户,并获取所述目标用户触发行为事件,以及所述目标用户触发行为事件对应的行为事件属性之后还包括:
匹配所述目标用户触发所述行为事件的后续事件;
判断所述目标用户是否触发所述后续事件;
若判定所述目标用户未触发后续事件,匹配所述后续事件的业务信息,并将所述后续事件的业务信息推送给所述目标用户。
进一步的,所述根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体还包括:
基于所述业务信息,构建验证机制;
通过所述验证机制,统计所述用户群体接收所述业务信息后,对业务信息做出的响应。
进一步的,所述通过所述验证机制,统计所述用户群体接收所述业务信息后,对业务信息做出的响应包括:
获取每个所述用户预设时间内的所述行为数据;
采用回归算法,确定每个所述用户预设时间内的所述行为数据,与预设时间内所述响应的拟合程度;
根据所述拟合程度,判断每个所述用户所属用户类型。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于用户行为的信息推送装置,包括:
数据匹配关联模块,用于通过预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联;
行为数据收集模块,用于构建埋点数据,收集每个所述用户的行为数据,并对所述行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中;
目标数据获取模块,用于对存储于非关系型数据库NoSQL中的所述行为数据进行分析处理,得到目标数据;
用户群体确定模块,用于基于K均值聚类算法数据,并获取每个所述聚类数据对应的用户群体,对所述目标数据进行聚类分析,得到M个聚类,得到M个用户群体,其中,M为正整数;
业务信息推送模块,用于根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体。
进一步的,所述用户群体确定模块包括:
事件属性获取单元,用于选取M个所述目标数据,并获取所述M个所述目标数据相对于所述事件模型表中对应的行为事件属性,得到M个行为事件属性;
聚类中心确定单元,用于基于K均值聚类算法,将所述M个行为事件属性作为聚类中心,得到M个聚类中心;
用户群体获取单元,用于根据M个所述聚类中心进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个所述用户群体。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种计算机设备,包括,一个或多个处理器;存储器,用于存储一个或多个程序,使得一个或多个处理器实现上述任意一项所述的基于用户行为的信息推送方案。
为解决上述技术问题,本发明采用的一个技术方案是:一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的基于用户行为的信息推送方案。
以上方案中的一种基于用户行为的信息推送方法,通过预设的匹配原则,将每个用户ID与设备ID进行匹配,建立用户与采集设备的数据关联,有利于匹配用户行为,并进行针对性的信息推送;根据构建埋点数据,收集行为数据,并以事件模型表的形式进行储存,实现收集到的行为数据按照不同属性进行储存,便于后续对行为数据的整理和业务信息的推送;基于K均值聚类算法,对目标数据进行聚类分析,得到不同类型的用户群体,有利于对同一类型的用户群体进行大量的业务信息推送,提高业务推送的效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于用户行为的信息推送方法的应用环境示意图;
图2根据本申请实施例提供的基于用户行为的信息推送方法的一实现流程图;
图3是本申请实施例提供的基于用户行为的信息推送方法中步骤S4的一实现流程图;
图4是本申请实施例提供的基于用户行为的信息推送方法中步骤S5的另一实现流程图;
图5是本申请实施例提供的基于用户行为的信息推送方法中步骤S51的一实现流程图;
图6是本申请实施例提供的基于用户行为的信息推送方法中步骤S5之后的一实现流程图;
图7是本申请实施例提供的基于用户行为的信息推送方法中步骤S54的一实现流程图;
图8是本申请实施例提供的基于用户行为的信息推送装置示意图;
图9是本申请实施例提供的计算机设备的示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本文所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
下面结合附图和实施方式对本发明进行详细说明。
请参阅图1,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、搜索类应用、即时通信工具等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的一种基于用户行为的信息推送方法一般由服务器执行,相应地,一种基于用户行为的信息推送装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参阅图2,图2示出了基于用户行为的信息推送方法的一种具体实施方式。
需注意的是,若有实质上相同的结果,本发明的方法并不以图2所示的流程顺序为限,该方法包括如下步骤:
S1:通过预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联。
具体的,为了使得服务器能够获取用户的行为数据,并且识别哪些行为数据相应是哪些用户的动作行为,而采取了预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联,这样使得每个用户都具备标识,并且使得用户端与采集设备能够形成数据连接。当用户通过了ID的匹配,在用户进行了浏览了某一事件或者点击了某一选项等等,采集设备就能够获取这些用户的行为数据。
进一步的,预设的匹配原则包括:a,只匹配设备ID(无注册体系的应用场景,如工具类产品);b,一对一匹配;c,多对一匹配(一个用户经常在多个用户端上切换登录的场景)。进一步的,本方案优选一对一匹配原则,提供一种一对一匹配机制,首先每条数据通过distinct_id字段,作为用户的唯一识别id;当用户启动用户端后采集设备会把设备ID(每个用户端都有独立唯一的设备ID)作为distinct_id写入;当用户触发注册登录后,会实时调用trac接口,将用户的设备ID与登录ID做匹配,也就是distinct_id的新旧转换,此时将登录ID作为distinct_id写入用户表中。
其中,采集设备为与用户ID匹配连接,当用户进行某一行为的操作时,采集设备记录收集该行为数据。
S2:构建埋点数据,收集每个用户的行为数据,并对行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中。
具体的,通过构建埋点数据,收集用户的行为数据,通过对行为数据进行解析处理,并通过事件模型表的形式进行存储,且其行为数据经过解析处理后是以JSON格式存储在非关系型数据库NoSQL中。其事件模型表是以用户的行为分为不同的行为事件,每种行为事件又有不同的属性以及属性值等等特性。通过匹配对应的关系,将收集来的行为数据,以事件模型表的形式进行储存,有利于对行为数据进行分类、整理以及后期分析等等,并且以JSON格式储存于非关系型数据库NoSQL中。
其中,通过对行为数据进行解析处理,使得行为数据能够以事件模型表的形式存储于非关系型数据库NoSQL中,便于对行为数据的处理和存储。
提供一事件模型表的设计思路的具体实施例,事件模型表是针对用户的行为数据的进一步抽象整合。用户与app发生的交互只有几种,app启动,app页面浏览,app元素点击,app退出等。例如部分与业务分析体系强相关的行为,通过单独剥离出,作为一个事件,比如提交订单,点击付款等等。通过对业务需求的分析,经过采集设备采集用户相应的行为事件,以及该事件所对应的属性。举例来说,点击付款是事件,那选择付款方式则是此事件的属性,支付宝,微信,银行卡等则是对应的属性值。另外还需要区分哪些是用户端采集(页面浏览,元素点击)事件,哪些是服务端(付款成功,登录)采集事件。基于上述的逻辑,建立相应的事件模型表。
其中,非关系型数据库NoSQL解释是“non-relational”,NoSQL仅仅是一个概念,泛指非关系型的数据库,区别于关系数据库,它们不保证关系数据的ACID特性。其NoSQL有如下优点:易扩展,NoSQL数据库种类繁多,但是一个共同的特点都是去掉关系数据库的关系型特性。数据之间无关系,这样就非常容易扩展。NoSQL数据库都具有非常高的读写性能,尤其在大数据量下,同样表现优秀。这得益于它的无关系性,数据库的结构简单。在本发明中,将收集用户的行为数据,并通过对行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中。
S3:对存储于非关系型数据库NoSQL中的行为数据进行分析处理,得到目标数据。
具体的,由于收集来的行为数据可能存在冗余或是对本方案不相关等数据的可能性,所以需要对存储于非关系型数据库NoSQL中的行为数据进行分析处理,得到目标。
进一步的,对行为数据的分析处理包括但不限于:对行为数据分布式计算、切片分析、特定条件筛选等。
其中,分析处理具体包括:本方案底层表结构采用一张通过列式存储的多冗余宽表,通过部署分布式计算和文件系统,搭载presto或impala等查询引擎,列式存储有利于对数据的查询。进一步的,本方案的顶层封装的基础功能包括:多维筛选条件下用户列表的实时导出、任意维度值下指标的切片分析、特定筛选条件下用户群体的行为路径展示,以及单一用户的行为序列展示。
S4:基于K均值聚类算法,对目标数据进行聚类分析,得到M个聚类数据,并获取每个聚类数据对应的用户群体,得到M个用户群体,其中,M为正整数。
具体的,由于不同的用户有不同的类型,每一种类型的用户,需要推送的业务信息也有所不同。通过将相同类型的用户,圈定为同一类型的用户,能够获得不同的类型用户,针对每一种类型用户,用特定的业务信息进行针对性推送,这有利于提高针对不同类型用户,推送不同业务信息的精准度。进一步的,通过K均值聚类算法,对目标数据进行聚类分析,得到M个聚类数据,其中,M为正整数;即每一个聚类数据,通过匹配相应的用户,得到代表同一类型用户,通过选取哪一种类型的用户,定为用户群体,根据该用户群体,匹配相应的业务信息,进行精准推送。
其中,k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法。在发明中,通过k均值聚类算法,对用户进行聚类,从而对用户进行分类,得到不同类型的用户群体。
S5:根据预设的触发机制,匹配每个用户群体的业务信息,将业务信息推送给用户群体。
具体的,根据上述步骤S4,将用户群体分为了不同的群体,根据预设的触发机制,由于用户群体的每个用户ID已经与服务器关联匹配,服务器能够传输数据到用户群体的每个用户,所以服务器根据用户群体的分类情况,匹配相应的业务信息,并将业务信息推送给用户群体的每个用户。
进一步的,预设的触发机制可以是定时型和触发型两种触发机制。定时性:单次推送或在周期内例行推送。触发型A:触发某事件后push(例如给浏览过保险产品详情页的用户推送新品优惠信息);触发型B:触发A事件后还未触发B事件的push(例如商品加入购物车后在5分钟内未完成付款的用户)。
进一步的,由于数据采集时所用到的软件开发工具包SDK和服务器的推送设备所用的软件开发工具包SDK不同,所以需要再次进行ID的关联匹配。ID的关联匹配是通过调用推送设备接口,通过该接口与用户ID进行关联匹配,匹配成功后,推送设备与用户建立数据连接。
提供一ID进行关联的具体实施例,通过app推送或短信推送push系统的对接,调用相关查询API接口将推送功能(如通道选择,时间段设置,是否全局触达等)集成到服务器中,用户ID与推送设备的Registration_Id的调用接口进行关联匹配,实现推送规则的实时触发,且推送逻辑统一管理。进一步的,采集设备与推送设备的SDK是两套不同的SDK,分别对应不同的ID,当推送设备监测到推送ID时会调用接口将Rsgistration_ID写入到用户表中,用户在系统的distinct_id和Rsgistration_ID会关联在一起。如果不匹配的话,则需要将需要的用户端的distinct_id导出,并和Rsgistration_ID通过设备号做关联,再进行推送。
本实施例中,通过预设的匹配原则,将每个用户ID与设备ID进行匹配,建立用户与采集设备的数据关联,有利于匹配用户行为,并进行针对性的信息推送;根据构建埋点数据,收集行为数据,并以事件模型表的形式进行储存,实现收集到的行为数据按照不同属性进行储存,便于后续对行为数据的整理和业务信息的推送;基于K均值聚类算法,对目标数据进行聚类分析,得到不同类型的用户群体,有利于对同一类型的用户群体进行大量的业务信息推送,提高业务推送的效率。
请参阅图3,图3示出了步骤S4的一种具体实施方式,步骤S4中,基于K均值聚类算法,对目标数据进行聚类分析,得到M个聚类数据,并获取每个聚类数据对应的用户群体,得到M个用户群体,其中,M为正整数的具体实现过程,详叙如下:
S41:选取M个目标数据,并获取M个目标数据相对于事件模型表中对应的行为事件属性,得到M个行为事件属性。
具体的,在步骤S2中,将收集来的行为数据以事件模型表的形式储存于非关系型数据库NoSQL中,每个行为数据都有其对应的属性。通过选取其中的任意M个目标数据,并获取M个目标数据相对于事件模型表中对应的行为事件属性,得到M个行为事件属性。
S42:基于K均值聚类算法,将M个行为事件属性作为聚类中心,得到M个聚类中心。
具体的,根据K均值聚类算法,通过步骤S41中获取的M个行为事件属性作为事件,得到M个聚类中心。
S43:根据M个聚类中心进行聚类分析,得到M个聚类,并匹配M个聚类的用户数据,并获取每个聚类数据对应的用户群体,得到M个用户群体。
具体的,通过聚类分析后,相同属性的目标数据将作为同一聚类;由于步骤S1中用户与采集设备进行了匹配,所以每个目标数据都能匹配到相应的用户,通过将相应的用户与相应的聚类数据,得到相应的用户群体。由于这些不同分类的用户群体由于是按照行为事件属性的分类进行分类的,在后续步骤中,要是想针对某一事件进行大量用户推送时,只要匹配相应类别的用户群体,即可进行业务推送。
本实施中,通过选取目标数据,并获取目标数据的行为事件属性,通过基于K均值聚类算法的聚类分析,得到用户群体,实现将不同偏好的用户群体作为不同的用户群体,有利于业务信息按照不同的群体进行推送,提高业务信息推送的效率。
请参阅图4,图4示出了步骤S5的另一种具体实施方式,具体实现过程,详叙如下:
S51:获取接收到业务信息的用户所反馈的信息,将接收到业务信息的用户作为目标用户,并获取目标用户触发行为事件,以及目标用户触发行为事件对应的行为事件属性。
具体的,用户在收到业务信息后,每个用户对业务信息的内容反应不同,不同用户可能收到不同的业务信息。服务器获取用户触发行为事件,便可以获取该用户是否浏览了该业务信息,进而判断该用户对该业务信息的偏好程度。
S52:将目标用户触发行为事件,以及目标用户触发行为事件对应的行为事件属性,与预设的每个基础业务信息进行匹配,将匹配成功的基础业务信息作为目标业务信息,将目标业务信息推送给目标用户。
具体的,步骤S5针对的是用户群体的推送,而步骤S51和步骤S52针对的是单一用户。当检测到目标用户触发行为事件时,获取目标用户触发行为事件以及行为事件属性,将目标用户触发行为事件及行为事件属性与每个基础业务信息进行匹配进行匹配,得到目标业务信息,将目标业务信息推送给目标用户。
其中,得到的目标业务信息存储于区块链中,基础业务信息为与目标用户触发行为事件,以及目标用户触发行为事件对应的行为事件属性相关的业务信息。
例如,在用户浏览过保险产品详情页时,服务器获取该行为事件以及行为事件的属性,即获取保险产品事件以及属性,通过与保险业务进行匹配,即可得到保险业务的业务信息,例如是保险的新品优惠信息,将其推送给该用户。
本实施例中,通过获取用户触发行为事件,以及用户触发行为事件对应的行为事件属性,并将用户触发行为事件,以及用户触发行为事件对应的行为事件属性,与目标业务进行匹配,得到目标业务信息,将目标业务信息推送给用户,实现对不同用户的偏好,精准推送不同的业务信息,提高信息推送的效率。
请参阅图5,图5示出了步骤S51的另一种具体实施方式,具体实现过程,详叙如下:
S511:匹配目标用户触发行为事件的后续事件。
具体的,不同的用户对接收到业务信息后,做出的后续事件不同,故而通过匹配目标用户触发用户行为事件的后续事件,以获取目标用户对业务信息的处理操作。
其中,后续事件是根据业务信息所传达的内容,用户对业务信息的后续操作的事件。
S512:判断目标用户是否触发后续事件。
具体的,通过判断用户是否触发后续事件,便于以后对用户推送相关的业务信息。
S513:若判定用户未触发后续事件,匹配后续事件的业务信息,并将后续事件的业务信息推送给目标用户。
具体的,通过匹配目标用户触发的行为事件的后续事件,进而判断目标用户是否触及该后续事件,当判断目标用户没有触及后续事件,服务器将匹配后续事件的业务信息推送给目标用户。
例如,在用户在购物软件下单了某一物品后,其后续事件则是该物品的支付事件,若检测在规时间内,用户未完成支付,则服务器匹配相关的支付的业务信息推送给该用户。
本实施例中,匹配目标用户触发行为事件的后续事件,并判断目标用户是否触发后续事件,若判定目标用户未触发后续事件,匹配后续事件的业务信息,并将后续事件的业务信息推送给目标用户,实现对用户偏好的追踪,便于针对用户的偏好进行推行业务信息,提高业务推送效率。
请参阅图6,图6示出了步骤S5的另一种具体实施方式,具体实现过程,详叙如下:
S53:基于业务信息,构建验证机制。
具体的,为了获取用户对于业务信息响应的程度,构建验证机制。该验证机制便于统计用户对推送信息的满意程度,以便后期对业务信息的调整。
其中,验证机制为业务信息推送给用户后,收集验证用户对于业务信息的操作。
S54:通过验证机制,统计用户群体接收业务信息后,对业务信息做出的响应。
具体的,业务信息推送给用户群体后,可以通过统计用户群体对业务做出的响应,以便统计用户对推送信息的满意程度,以便后期对业务信息的调整。根据不同的业务信息,构建验证机制,该验证机制是通过收集用户群体对于业务信息的响应。
例如业务信息推送给用户群体的是关于某件物品的购买推荐,当用户通过浏览了该业务推荐后,并对该物品进行了下单购买,则统计该用户为接受业务推荐。验证机制是通过设置埋点,该埋点用户收集用户群体对业务信息的反馈。
本实施例中,通过基于业务信息,构建验证机制,并根据验证机制,统计用户群体接收业务信息后,对业务信息做出的响应,有利于收集用户对业务信息的响应,提高业务推送效率。
请参阅图7,图7示出了步骤S54的一种具体实施方式,步骤S5中,通过验证机制,统计用户群体接收业务信息后,对业务信息做出的响应的具体实现过程,详叙如下:
S541:获取每个用户预设时间内的行为数据。
具体的,收集预设时间内的用户的行为数据,用以判断用户的偏好。
需要说明的是,预设时间根据实际情况而定,此处不做限定。
S542:采用回归算法,确定每个用户预设时间内的行为数据,与预设时间内响应的拟合程度。
其中,回归算法指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在本发明中,通过回归算法,确定用户预设时间内的行为数据,与预设时间内响应的拟合程度,进而判断该用户的类型。
其中,拟合程度是指预设时间内的行为数据与预设时间的重合交互程度,进而判断用户是否对业务信息做出的态度。
S543:根据拟合程度,判断每个用户所属用户类型。
具体的,不同的用户对业务推送信息所采用的态度不同,有些用户能够对业务信息积极响应,有些用户对其置之不理,有些用户对某些业务信息响应积极,一些业务不感兴趣,可以将这些用户分为潜在用户、流失用户、积极用户等。通过收集用户在某一段时间的行为数据和对业务推送的响应,根据回归算法去计算两者的拟合关系,从而得到用户对业务的响应和用户行为的关系,进而对用户进行分类。
本实施例中,通过获取每个用户预设时间内的行为数据,并采用回归算法,确定每个用户预设时间内的行为数据,与预设时间内响应的拟合程度,根据拟合程度,判断每个用户所属用户类型,实现对不同用户分为不同的用户类型,有利于将业务信息根据不同用户类型进行业务推送,提高业务推送效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
请参考图8,作为对上述图2所示方法的实现,本申请提供了一种基于用户行为的信息推送装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的基于用户行为的信息推送装置包括:数据匹配关联模块61、行为数据收集模块62、目标数据获取模块63、用户群体确定模块64及业务信息推送模块65,其中:
数据匹配关联模块61,用于通过预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联;
行为数据收集模块62,用于构建埋点数据,收集每个用户的行为数据,并对行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中;
目标数据获取模块63,用于对存储于非关系型数据库NoSQL中的行为数据进行分析处理,得到目标数据;
用户群体确定模块64,用于基于K均值聚类算法,对目标数据进行聚类分析数据,并获取每个聚类数据对应的用户群体,得到M个聚类,得到M个用户群体,其中,M为正整数;
业务信息推送模块65,用于根据预设的触发机制,匹配每个用户群体的业务信息,业务信息存储于区块链中,将业务信息推送给用户群体。
进一步的,用户群体确定模块64包括:
事件属性获取单元,用于选取M个目标数据,并获取M个目标数据相对于事件模型表中对应的行为事件属性,得到M个行为事件属性;
聚类中心确定单元,用于基于K均值聚类算法,将M个行为事件属性作为聚类中心,得到M个聚类中心;
用户群体获取单元,用于根据M个聚类中心进行聚类分析,得到M个聚类数据,并获取每个聚类数据对应的用户群体,并匹配M个聚类的用户,得到M个用户群体。
进一步的,业务信息推送模块65之后,该基于用户行为的信息推送装置还包括:
用户触发事件模块,用于获取接收到业务信息的用户所反馈的信息,将接收到业务信息的用户作为目标用户,并获取目标用户触发行为事件,以及目标用户触发行为事件对应的行为事件属性;
目标业务信息推送模块,用于将目标用户触发行为事件,以及目标用户触发行为事件对应的行为事件属性,与预设的每个基础业务信息进行匹配,将匹配成功的基础业务信息作为目标业务信息,并将目标业务信息推送给目标用户。
进一步的,用户触发事件模块包括:
后续事件匹配单元,用于匹配目标用户触发行为事件的后续事件;
后续事件判断单元,用于判断目标用户是否触发后续事件;
后续事件推送单元,用于若判定用户未触发后续事件,匹配后续事件的业务信息,并将后续事件的业务信息推送给目标用户。
进一步的,业务信息推送模块65还包括:
验证机制构建单元,用于基于业务信息,构建验证机制;
业务信息响应单元,用于通过验证机制,统计用户群体接收业务信息后,对业务信息做出的响应。
进一步的,业务信息响应单元包括:
行为数据获取子单元,用于获取每个用户预设时间内的行为数据;
拟合程度确定子单元,采用回归算法,确定每个用户预设时间内的行为数据,与预设时间内响应的拟合程度;
用户类型确定子单元,用于根据拟合程度,判断每个用户所属用户类型。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
计算机设备7包括通过系统总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是,图中仅示出了具有三种组件存储器71、处理器72、网络接口73的计算机设备7,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器71至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器71可以是计算机设备7的内部存储单元,例如该计算机设备7的硬盘或内存。在另一些实施例中,存储器71也可以是计算机设备7的外部存储设备,例如该计算机设备7上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器71还可以既包括计算机设备7的内部存储单元也包括其外部存储设备。本实施例中,存储器71通常用于存储安装于计算机设备7的操作系统和各类应用软件,例如基于用户行为的信息推送方法的程序代码等。此外,存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器72在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制计算机设备7的总体操作。本实施例中,处理器72用于运行存储器71中存储的程序代码或者处理数据,例如运行一种基于用户行为的信息推送方法的程序代码。
网络接口73可包括无线网络接口或有线网络接口,该网络接口73通常用于在计算机设备7与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,计算机可读存储介质存储有服务器维护程序,服务器维护程序可被至少一个处理器执行,以使至少一个处理器执行如上述的一种基于用户行为的信息推送方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于用户行为的信息推送方法,其特征在于,包括:
通过预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联;
构建埋点数据,收集每个所述用户的行为数据,并对所述行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中;
对存储于非关系型数据库NoSQL中的所述行为数据进行分析处理,得到目标数据;
基于K均值聚类算法,对所述目标数据进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个用户群体,其中,M为正整数;
根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体。
2.根据权利要求1所述的基于用户行为的信息推送方法,其特征在于,所述基于K均值聚类算法,对所述目标数据进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个用户群体,其中,M为正整数包括:
选取M个所述目标数据,并获取所述M个所述目标数据相对于所述事件模型表中对应的行为事件属性,得到M个行为事件属性;
基于K均值聚类算法,将所述M个行为事件属性作为聚类中心,得到M个聚类中心;
根据M个所述聚类中心进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个所述用户群体。
3.根据权利要求1所述的基于用户行为的信息推送方法,其特征在于,所述根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体之后还包括:
获取接收到所述业务信息的用户所反馈的信息,将所述接收到所述业务信息的用户作为目标用户,并获取所述目标用户触发行为事件,以及所述目标用户触发行为事件对应的行为事件属性;
将所述目标用户触发行为事件,以及所述目标用户触发行为事件对应的行为事件属性,与预设的每个基础业务信息进行匹配,将匹配成功的基础业务信息作为目标业务信息,并将所述目标业务信息推送给所述目标用户。
4.根据权利要求3所述的基于用户行为的信息推送方法,其特征在于,所述目标业务信息存储于区块链中,所述获取接收到所述业务信息的用户所反馈的信息,将所述接收到所述业务信息的用户作为目标用户,并获取所述目标用户触发行为事件,以及所述目标用户触发行为事件对应的行为事件属性之后还包括:
匹配所述目标用户触发所述行为事件的后续事件;
判断所述目标用户是否触发所述后续事件;
若判定所述目标用户未触发后续事件,匹配所述后续事件的业务信息,并将所述后续事件的业务信息推送给所述目标用户。
5.根据权利要求1所述的基于用户行为的信息推送方法,其特征在于,所述根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体还包括:
基于所述业务信息,构建验证机制;
通过所述验证机制,统计所述用户群体接收所述业务信息后,对业务信息做出的响应。
6.根据权利要求1至5任一项所述的基于用户行为的信息推送方法,其特征在于,所述通过所述验证机制,统计所述用户群体接收所述业务信息后,对业务信息做出的响应包括:
获取每个所述用户预设时间内的所述行为数据;
采用回归算法,确定每个所述用户预设时间内的所述行为数据,与预设时间内所述响应的拟合程度;
根据所述拟合程度,判断每个所述用户所属用户类型。
7.一种基于用户行为的信息推送装置,其特征在于,包括:
数据匹配关联模块,用于通过预设的匹配原则,将每个用户ID与采集设备ID进行匹配,建立用户与采集设备的数据关联;
行为数据收集模块,用于构建埋点数据,收集每个所述用户的行为数据,并对所述行为数据进行解析处理,并以事件模型表的形式存储于非关系型数据库NoSQL中;
目标数据获取模块,用于对存储于非关系型数据库NoSQL中的所述行为数据进行分析处理,得到目标数据;
用户群体确定模块,用于基于K均值聚类算法数据,并获取每个所述聚类数据对应的用户群体,对所述目标数据进行聚类分析,得到M个聚类,得到M个用户群体,其中,M为正整数;
业务信息推送模块,用于根据预设的触发机制,匹配每个所述用户群体的业务信息,将所述业务信息推送给所述用户群体。
8.根据权利要求7所述的基于用户行为的信息推送装置,其特征在于,所述业务信息存储于区块链中,所述用户群体确定模块包括:
事件属性获取单元,用于选取M个所述目标数据,并获取所述M个所述目标数据相对于所述事件模型表中对应的行为事件属性,得到M个行为事件属性;
聚类中心确定单元,用于基于K均值聚类算法,将所述M个行为事件属性作为聚类中心,得到M个聚类中心;
用户群体获取单元,用于根据M个所述聚类中心进行聚类分析,得到M个聚类数据,并获取每个所述聚类数据对应的用户群体,得到M个所述用户群体。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于用户行为的信息推送方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于用户行为的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010363751.5A CN111666492A (zh) | 2020-04-30 | 2020-04-30 | 基于用户行为的信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010363751.5A CN111666492A (zh) | 2020-04-30 | 2020-04-30 | 基于用户行为的信息推送方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111666492A true CN111666492A (zh) | 2020-09-15 |
Family
ID=72382982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010363751.5A Pending CN111666492A (zh) | 2020-04-30 | 2020-04-30 | 基于用户行为的信息推送方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666492A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508643A (zh) * | 2020-12-03 | 2021-03-16 | 海腾保险代理有限公司 | 用于报价的信息处理方法和装置 |
CN112541551A (zh) * | 2020-12-16 | 2021-03-23 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN112650925A (zh) * | 2020-12-25 | 2021-04-13 | 通号智慧城市研究设计院有限公司 | 一种用于一卡通的app信息推送系统、方法及介质 |
CN112669148A (zh) * | 2020-12-22 | 2021-04-16 | 深圳市富途网络科技有限公司 | 一种处理订单的方法及装置 |
CN112685478A (zh) * | 2021-02-23 | 2021-04-20 | 张雪君 | 针对云业务和用户画像挖掘的信息处理方法及云服务器 |
CN112767124A (zh) * | 2021-01-15 | 2021-05-07 | 上海琢学科技有限公司 | 一种个人代发业务留存率提升的方法及装置 |
CN113282651A (zh) * | 2021-04-25 | 2021-08-20 | 青岛海尔科技有限公司 | 数据处理方法及装置、存储介质及电子装置 |
CN113590935A (zh) * | 2021-06-30 | 2021-11-02 | 深圳市东信时代信息技术有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN116342193A (zh) * | 2023-03-29 | 2023-06-27 | 上海数禾信息科技有限公司 | 基于用户旅程的用户分类方法、装置、计算机设备和介质 |
-
2020
- 2020-04-30 CN CN202010363751.5A patent/CN111666492A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508643A (zh) * | 2020-12-03 | 2021-03-16 | 海腾保险代理有限公司 | 用于报价的信息处理方法和装置 |
CN112541551A (zh) * | 2020-12-16 | 2021-03-23 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN112541551B (zh) * | 2020-12-16 | 2023-11-24 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN112669148A (zh) * | 2020-12-22 | 2021-04-16 | 深圳市富途网络科技有限公司 | 一种处理订单的方法及装置 |
CN112650925A (zh) * | 2020-12-25 | 2021-04-13 | 通号智慧城市研究设计院有限公司 | 一种用于一卡通的app信息推送系统、方法及介质 |
CN112767124A (zh) * | 2021-01-15 | 2021-05-07 | 上海琢学科技有限公司 | 一种个人代发业务留存率提升的方法及装置 |
CN112685478A (zh) * | 2021-02-23 | 2021-04-20 | 张雪君 | 针对云业务和用户画像挖掘的信息处理方法及云服务器 |
CN113282651A (zh) * | 2021-04-25 | 2021-08-20 | 青岛海尔科技有限公司 | 数据处理方法及装置、存储介质及电子装置 |
CN113590935A (zh) * | 2021-06-30 | 2021-11-02 | 深圳市东信时代信息技术有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN116342193A (zh) * | 2023-03-29 | 2023-06-27 | 上海数禾信息科技有限公司 | 基于用户旅程的用户分类方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666492A (zh) | 基于用户行为的信息推送方法、装置、设备及存储介质 | |
US11100435B2 (en) | Machine learning artificial intelligence system for predicting hours of operation | |
US10948526B2 (en) | Non-parametric statistical behavioral identification ecosystem for electricity fraud detection | |
CN109697629B (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
CN111782943A (zh) | 基于历史数据记录的信息推荐方法、装置、设备及介质 | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
EP3121738A1 (en) | Data storage extract, transform and load operations for entity and time-based record generation | |
WO2019061664A1 (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
US9275125B1 (en) | System for organizing data from a plurality of users to create individual user profiles | |
US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN111383049A (zh) | 产品推荐方法、装置及存储介质 | |
US11062371B1 (en) | Determine product relevance | |
CN111047336A (zh) | 用户标签推送、用户标签展示方法、装置和计算机设备 | |
KR100888329B1 (ko) | 룰을 이용한 실시간 자동 정보 추출 시스템 및 방법 | |
CN114398562A (zh) | 一种店铺数据管理方法、装置、设备及存储介质 | |
CN113626387A (zh) | 一种任务数据的导出方法、装置、电子设备及存储介质 | |
US20190392498A1 (en) | Recommendation engine and system | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN110688582A (zh) | 一种应用推荐方法、应用推荐装置及终端设备 | |
CN109828983A (zh) | Pg数据库处理方法、装置、电子设备及存储介质 |
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 |