CN111695047A - 用户聚类方法及装置,电子设备及存储介质 - Google Patents
用户聚类方法及装置,电子设备及存储介质 Download PDFInfo
- Publication number
- CN111695047A CN111695047A CN202010345256.1A CN202010345256A CN111695047A CN 111695047 A CN111695047 A CN 111695047A CN 202010345256 A CN202010345256 A CN 202010345256A CN 111695047 A CN111695047 A CN 111695047A
- Authority
- CN
- China
- Prior art keywords
- user
- poi
- determining
- clustering
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 235000013410 fast food Nutrition 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种用户聚类方法及装置,电子设备及存储介质,其中,所述用户聚类方法包括:基于用户历史定位上报的Wi‑Fi列表,确定兴趣点POI对应的用户集;依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;将相同访问类型的所述第一用户进行聚类。本发明提供的用户聚类方法,能够提升用户关系确定结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种用户聚类方法及装置,电子设备及存储介质。
背景技术
互联网时代信息分享已成为互联网社会化媒体营销的主要途径和方式。用户特征的挖掘是信息分享的基础,挖掘的用户特征可应用于精准营销等场景。在对用户特征进行挖掘时,处于同一场所的用户具有相同的特征偏好是一种很重要的用户属性,如用户处于相同餐饮店,则具有相同的饮食喜好;处于同一公司的用户则被确定为同事关系,具有相同的工作社交偏好等。目前确定处于相同场所的用户时,主要通过如下方式:
通过各用户的移动数据划定用户活动区域,依据各用户的活动区域判断用户是否处于同一场所。该种方式,对于办公区域分散的大公司或者写字楼内密度很高的小公司而言,判断结果的精准度较低。例如:用户属于A公司,但由于A公司位于密度很高的写字楼内,可能被误判定为用户属于A公司旁边的B公司,而误将该用户与B公司中的员工判定为同事关系。由于无法准确地确定用户之间的关系,因此无法精准地依据用户之间的关系进行用户特征挖掘,进一步进行精准营销。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种用户聚类方法及装置,电子设备及存储介质。
第一方面,本发明实施例公开了一种用户特征挖掘方法,包括:基于用户历史定位上报的Wi-Fi(Wireless Fidelity,无线保真)列表,分别确定各POI(Point of Interest,兴趣点)对应的用户集;依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;将相同访问类型的所述第一用户进行聚类。
可选地,针对任意用户,所述基于用户历史定位上报的Wi-Fi列表,确定POI对应的所述用户的步骤,包括:确定所述用户历史定位上报的Wi-Fi列表;基于预设的Wi-Fi与POI对应关系,确定所述Wi-Fi列表中与所述POI对应的第一Wi-Fi集合;基于所述第一Wi-Fi集合中的第一Wi-Fi数量,各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户。
可选地,所述基于所述第一Wi-Fi集合中的第一Wi-Fi数量,和各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户的步骤,包括:确定所述第一Wi-Fi集合中包含的第一Wi-Fi的数量是否大于预设数量;在所述数量大于所述预设数量的情况下,按照信号强度由强至弱对各所述第一Wi-Fi进行排序;筛选出排序在前的所述预设数量的第一Wi-Fi;基于所述预设数量的第一Wi-Fi的信号强度和特征信息,对所述用户进行打分;在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
可选地,所述基于所述预设数量的第一Wi-Fi的信号强度和特征信息,对所述用户进行打分的步骤,包括:将所述预设数量的第一Wi-Fi的信号强度和特征信息转换成一维输入向量;将所述一维输入向量,输入预设模型中;将所述预设模型的输出分值,确定为所述用户对应的打分分值。
可选地,在所述确定所述第一Wi-Fi集合中包含第一Wi-Fi的数量是否大于预设数量的步骤之后,所述方法还包括:在所述数量小于所述预设数量的情况下,确定所述预设数量与所述数量的第一差值;补充所述第一差值个第二Wi-Fi,其中,所述第二Wi-Fi的信号强度为默认值;基于所述第一Wi-Fi的信号强度和特征信息,所述第二Wi-Fi的信号强度和特征信息对所述用户进行打分;在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
可选地,所述访问参数包括如下至少之一:访问时长、访问次数以及访问天数;所述地址信息包括如下至少之一:工作地点信息和居住地点信息。
可选地,在所述将相同访问类型的所述第一用户进行聚类的步骤之后,所述方法还包括:确定各所述第一用户对所述POI的访问特征;针对任意访问类型,输出所述访问类型对应的各第一用户对所述POI的访问特征。
第二方面,本发明实施例公开了一种用户聚类装置,所述装置包括:用户集确定模块,用于基于用户历史定位上报的Wi-Fi列表,确定兴趣点POI对应的用户集;类别确定模块,用于依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;聚类模块,用于将相同访问类型的所述第一用户进行聚类。
可选地,所述用户集确定模块包括:第一子模块,用于针对任意用户,确定所述用户历史定位上报的Wi-Fi列表;第二子模块,用于基于预设的Wi-Fi与POI对应关系,确定所述Wi-Fi列表中与所述POI对应的第一Wi-Fi集合;第三子模块,用于基于所述第一Wi-Fi集合中的第一Wi-Fi数量,各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户。
可选地,所述第三子模块包括:第一单元,用于确定所述第一Wi-Fi集合中包含的第一Wi-Fi的数量是否大于预设数量;第二单元,用于在所述数量大于所述预设数量的情况下,按照信号强度由强至弱对各所述第一Wi-Fi进行排序;第三单元,用于筛选出排序在前的所述预设数量的第一Wi-Fi;第四单元,用于基于所述预设数量的第一Wi-Fi的信号强度和特征信息,对所述用户进行打分;第五单元,用于在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
可选地,所述第四单元具体用于:将所述预设数量的第一Wi-Fi的信号强度和特征信息转换成一维输入向量;将所述一维输入向量,输入预设模型中;将所述预设模型的输出分值,确定为所述用户对应的打分分值。
可选地,所述第三子模块还包括:第六单元,用于在所述第一单元确定所述第一Wi-Fi集合中包含第一Wi-Fi的数量是否大于预设数量之后,在所述数量小于所述预设数量的情况下,确定所述预设数量与所述数量的第一差值;第七单元,用于补充所述第一差值个第二Wi-Fi,其中,所述第二Wi-Fi的信号强度为默认值;第八单元,用于基于所述第一Wi-Fi的信号强度和特征信息,所述第二Wi-Fi的信号强度和特征信息对所述用户进行打分;第九单元,用于在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
可选地,所述访问参数包括如下至少之一:访问时长、访问次数以及访问天数;所述地址信息包括如下至少之一:工作地点信息和居住地点信息。
可选地,所述装置还包括:特征确定模块,用于在所述聚类模块将相同访问类型的所述第一用户进行聚类之后,确定各所述第一用户对所述POI的访问特征;特征输出模块,用于针对任意访问类型,输出所述访问类型对应的各第一用户对所述POI的访问特征。
第三方面,本发明实施例公开了一种电子设备,包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质;当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如上任一项所述的用户聚类方法。
第四方面,本发明实施例公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上任一项所述的用户聚类方法。
本发明实施例中,基于用户历史定位上报的Wi-Fi列表,确定POI对应的用户集,由于Wi-Fi与POI具有对应关系,因此可准确地确定POI对应的用户集,能够提升用户关系确定结果的准确性。此外,本发明实施例中,还基于访问类型对POI对应的用户集中的第一用户进行聚类,能够将第一用户之间的关系更加细化,从而提升用户关系确定结果的可靠性。
附图说明
图1是本发明实施例的一种用户聚类方法的步骤流程图;
图2是本发明实施例的另一种用户聚类方法的步骤流程图;
图3是本发明实施例的一种用户聚类装置的结构框图;
图4是本发明实施例的又一种用户聚类装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1,示出了本发明实施例的一种用户聚类方法的步骤流程图。
本发明实施例的用户聚类方法可以包括以下步骤:
步骤101:基于用户历史定位上报的Wi-Fi列表,确定POI对应的用户集。
Wi-Fi列表中包含至少一个Wi-Fi的标识信息,Wi-Fi的标识信息可以包括但不限于:Wi-Fi名称、Wi-Fi对应的SSID(Service Set Identifier,服务集标识)。本发明实施例中,用户聚类系统对各用户历史定位上报的Wi-Fi列表进行分析,基于预设的Wi-Fi与POI的对应关系,确定POI包含的用户集。
POI为兴趣点,在实现过程中一个公司、一个店铺或者一个商场均可被视为一个POI。Wi-Fi与POI的对应关系可基于学习算法,在用户聚类系统使用过程中不断扩充、修改。
步骤102:依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型。
用户聚类系统对维护的各POI均可执行步骤101至步骤103中的流程,对各POI执行的操作可同步进行也可依次进行。
本步骤中将POI对应的用户集中的各第一用户按照访问类型进行进一步划分,具体访问类型的设置以及划分规则可由本领域技术人员根据实际需求进行设置,本发明实施例中对此不做具体限制。例如:可将POI对应的用户集划分为常驻用户与访客两种访问类型;再例如:可将POI包含的用户集划分为店员、高粘性用户与低粘性用户三种访问类型等。
步骤103:将相同访问类型的所述第一用户进行聚类。
由于POI包含的第一用户中,相同访问类型的第一用户具有相似的访问特征,因此将相同访问类型的第一用户进行聚类,便于本领域技术人员依据聚类结果进行大数据分析。
本发明实施例中提供的用户聚类方法,基于用户历史定位上报的Wi-Fi列表,确定POI对应的用户集,由于Wi-Fi与POI具有对应关系,因此可准确地确定POI对应的用户集,能够提升用户关系确定结果的准确性。此外,本发明实施例中,还基于访问类型对POI对应的用户集中的第一用户进行聚类,能够将第一用户之间的关系更加细化,从而提升提用户关系确定结果的可靠性。
参照图2,示出了本发明实施例的一种用户聚类方法的步骤流程图。
本发明实施例的用户聚类方法可以包括以下步骤:
步骤201:针对任意用户,确定所述用户历史定位上报的Wi-Fi列表。
用户聚类系统对用户历史定位上报的Wi-Fi列表进行管理维护,构建POI-Wi-Fi数据库,POI-Wi-Fi数据库中存储有Wi-Fi与POI对应关系。Wi-Fi与POI对应关系可根据Wi-Fi位置分布特征、Wi-Fi与周边的POI的位置关系,Wi-Fi的SSID名称与周边的POI名称的语义相似度等确定。
用于进行用户聚类的历史定位上报的Wi-Fi列表,可以为用户预设时长内历史定位上报的Wi-Fi组成的列表,也可以为用户历史定位上报的全部Wi-Fi组成的列表。预设时长可以设置为半月、一个月或者半年等。
通过用户历史定位上报的Wi-Fi列表可确定用户对应的POI,一个用户可对应多个POI,每个POI对应多个用户。
本发明实施例中以确定一个POI对应的用户集,以及对该POI对应的用户集中的各第一用户进行聚类为例进行说明。在具体实现过程中,可依据本发明实施例中所示的用户聚类方式,对待分析的各POI对应的用户进行聚类。
步骤201至步骤203中以确定单个用户是否所属某一个POI为例进行说明,在具体实现过程中,重复执行步骤201至步骤203可确定POI该POI对应的用户集中的各第一用户。
步骤202:基于预设的Wi-Fi与POI对应关系,分别确定所述Wi-Fi列表中与POI对应的第一Wi-Fi集合。
Wi-Fi列表对应至少一个POI,Wi-Fi列表中的多个Wi-Fi可能对应同一个POI,因此,本步骤中需确定POI对应的各第一Wi-Fi,POI对应的各第一Wi-Fi组成第一Wi-Fi集合。
步骤203:基于所述第一Wi-Fi集合中的第一Wi-Fi数量,各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户。
一种可选地基于第一Wi-Fi集合中的第一Wi-Fi数量,和各第一Wi-Fi的信号强度,确定POI是否包含该用户的方式为:
确定第一Wi-Fi集合中包含的第一Wi-Fi的数量是否大于预设数量;
在第一Wi-Fi的数量大于预设数量的情况下,按照信号强度由强至弱对各第一Wi-Fi进行排序;筛选出排序在前的预设数量的第一Wi-Fi;基于预设数量的第一Wi-Fi的信号强度和特征信息,对该用户进行打分;在打分分值大于预设分值的情况下,确定该POI包含该用户。
在第一Wi-Fi数量小于预设数量的情况下,确定预设数量与第一Wi-Fi数量的第一差值;补充第一差值个第二Wi-Fi,其中,第二Wi-Fi的信号强度为默认值;基于第一Wi-Fi的信号强度和特征信息,第二Wi-Fi的信号强度和特征信息对该用户进行打分;在打分分值大于预设分值的情况下,确定该POI包含该用户及该用户为第一用户。
在打分分值小于或等于预设分值的情况下,确定该POI不包含该用户。在实现过程中,预设数量、预设分值的具体值均可由本领域技术人员根据实际需求进行设置,本发明实施例中对此不做具体限制。该种可选地基于第一Wi-Fi集合中的第一Wi-Fi数量和信号强度,确定该POI是否包含该用户的方式,基于第一Wi-Fi数量和信号强度可确定用户设备是否真实访问了该POI,可确保确定结果的准确性。
基于预设数量的第一Wi-Fi的信号强度和特征信息,对用户进行打分时,可将预设数量的第一Wi-Fi的信号强度和特征信息转化为一维输入向量,将一维输入向量,输入预设模型中;将预设模型的输出分值,确定为用户对应的打分分值。采用预设模型为用户进行打分的方式,能够缩短打分所耗时长,提升打分结果的准确性。
步骤204:依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型。
其中,访问参数包括如下至少之一:访问时长、访问次数以及访问天数;地址信息包括如下至少之一:工作地点信息和居住地点信息。
通过访问参数可确定第一用户与POI的用户粘度,通过用户粘度可对第一用户进行访问类型划分。此外,本发明实施例中不仅结合访问参数还结合第一用户的地址信息对第一用户进行访问类型划分,在第一用户的地址信息发生变化时,依然可精准地确定其在POI中所属的访问类型。
例如:某POI为某连锁快餐店的A分店,第一用户X为A分店的高黏性用户,A分店位于用户A公司W地附近,第一用户经常光顾A分店就餐。第一用户A的公司由W地变更为Z地后,若不结合第一用户的地址信息则第一用户A对于Z地该连锁快餐店的B分店而言则为低黏性用户;若结合第一用户对应的地址信息,则可确定由于第一用户A公司位置发生了变化,但第一用户A的习惯依然是到公司附近的该连锁快餐店的分店就餐,因此第一用户A对于B分店而言则为高黏性用户。
步骤205:将相同访问类型的所述第一用户进行聚类。
聚类后相同访问类型的第一用户组成一个子用户集,多个子用户集合合并后为POI对应的用户集。
步骤206:确定各所述第一用户对所述POI的访问特征。
步骤207:针对任意访问类型,输出所述访问类型对应的各第一用户对所述POI的访问特征。
由于POI对应的用户集中相同访问类型的第一用户对该POI具有相似的访问特征,因此将相同访问类型的第一用户聚类,依据聚类结果对同一访问类型的第一用户的访问特征进行分析,可体现出该访问类型的用户的偏好。营销人员在为某用户进行信息推送时,确定该用户所属的目标POI以及目标访问类型,依据目标POI下目标访问类型的第一用户的访问特征确定用户偏好进行信息推送即可。
例如:POI为一个渔具店,渔具店对应的用户集中包含高粘性用户与低粘性用户俩种访问类型,则渔具店中包含的高粘性用户具有钓鱼、渔具收藏等相同偏好特征。
本发明实施例提供的用户聚类方法,基于用户历史定位上报的Wi-Fi列表,确定POI对应的用户集,由于Wi-Fi与POI具有对应关系,因此可准确地确定POI对应的用户集,能够提升用户关系确定结果的准确性。此外,本发明实施例中,还基于第一用户对POI的访问参数以及地址信息,对POI包含的用户集中的第一用户进行访问类型划分,能够将用户之间的关系更加细化,从而提升用户聚类结果的可靠性。不仅如此,本发明实施例中还集中输出访问类型相同的第一用户对该POI的访问特征,提供精准地用户特征挖掘结果。
参照图3,示出了本发明实施例的一种用户聚类装置的结构框图。
本发明实施例的用户聚类装置可以包括以下模块:
用户集确定模块301,用于基于用户历史定位上报的Wi-Fi列表,确定兴趣点POI对应的用户集;
类型确定模块302,用于依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;
聚类模块303,用于将相同访问类型的所述第一用户进行聚类。本发明实施例提供的用户聚类装置,基于用户历史定位上报的Wi-Fi列表,确定POI对应的用户集,由于Wi-Fi与POI具有对应关系,因此可准确地确定POI对应的用户集,能够提升用户关系确定结果的准确性。此外,本发明实施例中,还基于访问类型对各POI包含的用户集中的第一用户进行聚类,能够将用户之间的关系更加细化,从而提升用户关系确定结果的可靠性。
参照图4,示出了本发明实施例的另一种用户聚类装置的结构框图。
本发明实施例的用户聚类装置是对图3中所示的用户聚类装置的进一步优化,优化后的用户聚类装置可以包括以下模块:
用户集确定模块401,用于基于用户历史定位上报的Wi-Fi列表,确定兴趣点POI对应的用户集;
类型确定模块402,用于依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;
聚类模块403,用于将相同访问类型的所述第一用户进行聚类。
可选地,所述用户集确定模块401包括:第一子模块4011,用于针对任意用户,确定所述用户历史定位上报的Wi-Fi列表;第二子模块4012,用于基于预设的Wi-Fi与POI对应关系,确定所述Wi-Fi列表中与所述POI对应的第一Wi-Fi集合;第三子模块4013,用于基于所述第一Wi-Fi集合中的第一Wi-Fi数量,各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户。
可选地,所述第三子模块4013包括:第一单元,用于确定所述第一Wi-Fi集合中包含的第一Wi-Fi的数量是否大于预设数量;第二单元,用于在所述数量大于所述预设数量的情况下,按照信号强度由强至弱对各所述第一Wi-Fi进行排序;第三单元,用于筛选出排序在前的所述预设数量的第一Wi-Fi;第四单元,用于基于所述预设数量的第一Wi-Fi的信号强度和特征信息,对所述用户进行打分;第五单元,用于在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
可选地,所述第四单元具体用于:将所述预设数量的第一Wi-Fi的信号强度和特征信息转换成一维输入向量;将所述一维输入向量,输入预设模型中;将所述预设模型的输出分值,确定为所述用户对应的打分分值。
可选地,所述第三子模块4023还包括:第六单元,用于在所述第一单元确定所述第一Wi-Fi集合中包含第一Wi-Fi的数量是否大于预设数量之后,在所述数量小于所述预设数量的情况下,确定所述预设数量与所述数量的第一差值;第七单元,用于补充所述第一差值个第二Wi-Fi,其中,所述第二Wi-Fi的信号强度为默认值;第八单元,用于基于所述第一Wi-Fi的信号强度和特征信息,所述第二Wi-Fi的信号强度和特征信息对所述用户进行打分;第九单元,用于在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
可选地,所述访问参数包括如下至少之一:访问时长、访问次数以及访问天数;所述地址信息包括如下至少之一:工作地点信息和居住地点信息。
可选地,所述装置还包括:特征确定模块404,用于在所述聚类模块403将相同访问类型的所述第一用户进行聚类之后,确定各所述第一用户对所述POI的访问特征;特征输出模块405,用于针对任意访问类型,输出所述访问类型对应的各第一用户对所述POI的访问特征。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本发明的实施例中,还提供了一种电子设备。该电子设备可以包括一个或多个处理器,以及其上存储有指令的一个或多个机器可读介质,指令例如应用程序。当所述指令由所述一个或多个处理器执行时,使得所述处理器执行上述的用户聚类方法。
在本发明的实施例中,还提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序可由电子设备的处理器执行,以完成上述的用户聚类方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种用户聚类方法及装置,电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种用户聚类方法,其特征在于,包括:
基于用户历史定位上报的Wi-Fi列表,确定兴趣点POI对应的用户集;
依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;
将相同访问类型的所述第一用户进行聚类。
2.根据权利要求1所述的方法,其特征在于,针对任意用户,所述基于用户历史定位上报的Wi-Fi列表,确定POI对应的所述用户的步骤,包括:
确定所述用户历史定位上报的Wi-Fi列表;
基于预设的Wi-Fi与POI对应关系,确定所述Wi-Fi列表中与所述POI对应的第一Wi-Fi集合;
基于所述第一Wi-Fi集合中的第一Wi-Fi数量,各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一Wi-Fi集合中的第一Wi-Fi数量,和各所述第一Wi-Fi的信号强度,确定所述POI是否包含所述用户的步骤,包括:
确定所述第一Wi-Fi集合中包含的第一Wi-Fi的数量是否大于预设数量;
在所述数量大于所述预设数量的情况下,按照信号强度由强至弱对各所述第一Wi-Fi进行排序;
筛选出排序在前的所述预设数量的第一Wi-Fi;
基于所述预设数量的第一Wi-Fi的信号强度和特征信息,对所述用户进行打分;
在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
4.根据权利要求3所述的方法,其特征在于,所述基于所述预设数量的第一Wi-Fi的信号强度和特征信息,对所述用户进行打分的步骤,包括:
将所述预设数量的第一Wi-Fi的信号强度和特征信息转换成一维输入向量;
将所述一维输入向量,输入预设模型中;
将所述预设模型的输出分值,确定为所述用户对应的打分分值。
5.根据权利要求3所述的方法,其特征在于,在所述确定所述第一Wi-Fi集合中包含第一Wi-Fi的数量是否大于预设数量的步骤之后,所述方法还包括:
在所述数量小于所述预设数量的情况下,确定所述预设数量与所述数量的第一差值;
补充所述第一差值个第二Wi-Fi,其中,所述第二Wi-Fi的信号强度为默认值;
基于所述第一Wi-Fi的信号强度和特征信息,所述第二Wi-Fi的信号强度和特征信息对所述用户进行打分;
在所述打分分值大于预设分值的情况下,确定所述POI包含所述用户。
6.根据权利要求1所述的方法,其特征在于:
所述访问参数包括如下至少之一:访问时长、访问次数以及访问天数;
所述地址信息包括如下至少之一:工作地点信息和居住地点信息。
7.根据权利要求1所述的方法,其特征在于,在所述将相同访问类型的所述第一用户进行聚类的步骤之后,所述方法还包括:
确定各所述第一用户对所述POI的访问特征;
针对任意访问类型,输出所述访问类型对应的各第一用户对所述POI的访问特征。
8.一种用户聚类装置,其特征在于,包括:
用户集确定模块,用于基于用户历史定位上报的Wi-Fi列表,确定兴趣点POI对应的用户集;
类型确定模块,用于依据所述用户集中的各第一用户对所述POI的访问参数以及地址信息,确定各所述第一用户在所述POI中所属的访问类型;
聚类模块,用于将相同访问类型的所述第一用户进行聚类。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质;
当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如权利要求1至7任一项所述的用户聚类方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1至7任一项所述的用户聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345256.1A CN111695047B (zh) | 2020-04-27 | 2020-04-27 | 用户聚类方法及装置,电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345256.1A CN111695047B (zh) | 2020-04-27 | 2020-04-27 | 用户聚类方法及装置,电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695047A true CN111695047A (zh) | 2020-09-22 |
CN111695047B CN111695047B (zh) | 2024-03-19 |
Family
ID=72476684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010345256.1A Active CN111695047B (zh) | 2020-04-27 | 2020-04-27 | 用户聚类方法及装置,电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695047B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113286262A (zh) * | 2021-05-13 | 2021-08-20 | Oppo广东移动通信有限公司 | 服务提供方法及装置、计算机可读存储介质和电子设备 |
CN117573951A (zh) * | 2024-01-16 | 2024-02-20 | 每日互动股份有限公司 | 一种目标用户筛选方法、装置、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211308A1 (en) * | 2009-02-19 | 2010-08-19 | Microsoft Corporation | Identifying interesting locations |
US20160037298A1 (en) * | 2014-07-31 | 2016-02-04 | Samsung Electronics Co., Ltd. | Method and electronic device for recognizing area |
CN110726418A (zh) * | 2019-10-10 | 2020-01-24 | 北京百度网讯科技有限公司 | 兴趣点区域确定方法、装置、设备及存储介质 |
-
2020
- 2020-04-27 CN CN202010345256.1A patent/CN111695047B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211308A1 (en) * | 2009-02-19 | 2010-08-19 | Microsoft Corporation | Identifying interesting locations |
US20160037298A1 (en) * | 2014-07-31 | 2016-02-04 | Samsung Electronics Co., Ltd. | Method and electronic device for recognizing area |
CN110726418A (zh) * | 2019-10-10 | 2020-01-24 | 北京百度网讯科技有限公司 | 兴趣点区域确定方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
方英兰;杨勇;韩兵;: "基于多关联度的移动用户POI个性化推荐" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113286262A (zh) * | 2021-05-13 | 2021-08-20 | Oppo广东移动通信有限公司 | 服务提供方法及装置、计算机可读存储介质和电子设备 |
CN117573951A (zh) * | 2024-01-16 | 2024-02-20 | 每日互动股份有限公司 | 一种目标用户筛选方法、装置、介质及设备 |
CN117573951B (zh) * | 2024-01-16 | 2024-04-12 | 每日互动股份有限公司 | 一种目标用户筛选方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111695047B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6141393B2 (ja) | 目標位置を確定するための方法及び装置 | |
CN106991576B (zh) | 一种地理区域的热力展现方法和装置 | |
CN107315824B (zh) | 用于生成热力图的方法和装置 | |
CN107862022B (zh) | 文化资源推荐系统 | |
CN108182253B (zh) | 用于生成信息的方法和装置 | |
CN105187237B (zh) | 查找相关联的用户标识的方法和装置 | |
US20130297694A1 (en) | Systems and methods for interactive presentation and analysis of social media content collection over social networks | |
CN110110244B (zh) | 一种融合多源信息的兴趣点推荐方法 | |
US9787557B2 (en) | Determining semantic place names from location reports | |
CN112861972B (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN103823900A (zh) | 信息点重要性确定方法和装置 | |
CA3062119A1 (en) | Method and device for setting sample weight, and electronic apparatus | |
CN109408710A (zh) | 搜索结果优化方法、装置、系统及存储介质 | |
CN111695047B (zh) | 用户聚类方法及装置,电子设备及存储介质 | |
CN111158828A (zh) | 应用程序app的用户界面确定方法及装置、存储介质 | |
CN106446157A (zh) | 行程目的地推荐方法和装置 | |
JPWO2019065610A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN112052848A (zh) | 街区标注中样本数据的获取方法及装置 | |
CN109062947A (zh) | 用户画像标签查询方法、设备及计算机可读存储介质 | |
Mahmud et al. | State of mobile crowdsourcing applications: A review | |
CN114511085A (zh) | 实体属性值的识别方法、装置、设备、介质及程序产品 | |
Kim et al. | Comparative analysis of traveler destination choice models by method of sampling alternatives | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
KR102079901B1 (ko) | 위치 추적 기반의 사용자 맞춤형 컨텐츠를 제공하는 방법, 기록매체 및 시스템 | |
CN111782973A (zh) | 兴趣点状态预测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |