CN111814903B - 一种基于dpi聚类分析用户对营销活动敏感度的方法 - Google Patents

一种基于dpi聚类分析用户对营销活动敏感度的方法 Download PDF

Info

Publication number
CN111814903B
CN111814903B CN202010706681.9A CN202010706681A CN111814903B CN 111814903 B CN111814903 B CN 111814903B CN 202010706681 A CN202010706681 A CN 202010706681A CN 111814903 B CN111814903 B CN 111814903B
Authority
CN
China
Prior art keywords
dpi
clustering
user
marketing
sorting
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
CN202010706681.9A
Other languages
English (en)
Other versions
CN111814903A (zh
Inventor
项亮
潘信法
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.)
Shanghai Shuming Artificial Intelligence Technology Co ltd
Original Assignee
Shanghai Shuming Artificial Intelligence 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 Shanghai Shuming Artificial Intelligence Technology Co ltd filed Critical Shanghai Shuming Artificial Intelligence Technology Co ltd
Priority to CN202010706681.9A priority Critical patent/CN111814903B/zh
Publication of CN111814903A publication Critical patent/CN111814903A/zh
Application granted granted Critical
Publication of CN111814903B publication Critical patent/CN111814903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于DPI聚类分析用户对营销活动敏感度的方法，包括根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到N个业务类型的特征值；通过DPI聚类建模，关联具有N个业务类型特征值的用户；设计多个维度的营销活动模式；对具有N个业务类型特征值的用户投放多个维度的营销活动模式；对多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个维度分类包括多个投放结果小类；通过DPI聚类算法，结合反馈的投放结果数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。

Description

一种基于DPI聚类分析用户对营销活动敏感度的方法
技术领域
本发明涉及人工智能的技术领域，更具体地，涉及一种基于DPI聚类分析用户对营销活动敏感度的方法。
背景技术
互联网行业发展的趋势使其运营商竞争日益激烈，对运营商在对客户服务方面要求越来越高，客户服务的细分和差异化决定了互联网运营商的优劣。然而，客户服务差异化越明显，给运营商带来的运营成本越高，因此，精确化营销服务已经成为互联网运营提高竞争力的一个重要营销手段。
目前，互联网运营商主要采用根据不同个体消费者或不同消费习惯给予客户关怀。虽然互联网运营商掌握了客户在网上消费的大量信息，但如何把这些信息深度挖掘，利用这些信息做好用户的聚类分析，提高目标用户定位的精准度，指导运营商精细化营销是一个新兴的发展方向，且对营销活动的成本和结果产生巨大影响，业界急需解决的问题。
发明内容
本发明的目的在于提供一种基于DPI聚类分析用户对营销活动敏感度的方法。该方法用来解决的对目标用户按照营销活动关联度进行对同类型的DPI更精准的细分聚类，从而找出DPI聚类在用户营销活动敏感度的影响。
为实现上述目的，本发明的技术方案如下：
一种基于DPI聚类分析用户对营销活动敏感度的方法，其包括：
步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值；
步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户；
步骤S3：设计多个维度的营销活动模式；
步骤S4：对具有所述N个业务类型特征值的用户投放所述多个维度的营销活动模式；
步骤S5：对所述多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个所述维度分类包括多个投放结果小类；
步骤S6：通过DPI聚类算法，结合反馈的投放结果小类数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。
进一步地，所述步骤S6中的聚类算法为K-Means算法，初始类别中心使用K-means++来进行初始化，距离度量为欧氏距离，初始类别中心的数量根据聚类后计算得到的轮廓系数的值来确定。
进一步地，所述步骤S6中的聚类算法为K-Means算法，通过业务上的先验知识，从用户参与的活动列表中选择若干较为重要的且参与用户数量较多的活动作为初始类别中心，距离度量为jaccard系数，使用jaccard系数对非类别中心的用户活动，分别计算其到初始选定的类别中心的距离，距离最近的那个中心就作为该活动所属于的类别。
进一步地，所述步骤S6中的聚类算法为K-Means算法，在计算样本间距离时仍然使用jaccard系数，在计算重心时，按照各类别样本均值的方式先求得连续值组成的重心向量，再设定一个阈值，使重心向量的元素如果大于该阈值就为1，否则为0，即将原本的由连续值组成的重心向量又转换为0和1组成的重心向量。
进一步地，所述上网营销活动的业务大类包括视频营销活动和短信营销活动，所述短信营销活动将短信信息流定向用户进行用户触达，所述视频营销活动将视频信息流定向用户进行用户触达。
进一步地，所述视频信息流投放用于收集用户观看这个视频的时长、次数、是否点击活动链接、是否下载观看以及是否注册会员的信息。
进一步地，所述短信信息流投放用于收集用户的点击情况、下载和注册情况信息。
从上述技术可以看出，本发明将用户对营销活动零散的数据按照预期的任务整理成规范的关系表的形式，再根据不同的网络行为所对应的用户群体，通过改进的K-Means无监督聚类方法，对不同的网络行为进行聚类，为后续针对不同类别的网络行为的精准营销活动提供基础，并对不同用户的群体划分提供基于人工智能的理论指导。
附图说明
图1为本发明基于DPI聚类分析用户对营销活动敏感度的方法流程图
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。
在以下本发明的具体实施方式中，本发明方法通过分析用户的上网行为DPI来找出和营销活动相关联的目标用户，是每个数据挖掘、数据营销公司首要解决的目标。目标用户定位的精准度，对营销活动的成本和结果影响巨大，本发明方法通过结合两种不同的聚类算法，提高对DPI在具体营销活动中聚类的效果和精准度。也就是说，本发明方法用来解决更精准的对目标用户按照营销活动关联度进行对同类型的DPI细分聚类，从而找出DPI聚类在用户营销活动敏感度的影响。
请参阅图1，图1为本发明基于DPI聚类分析用户对营销活动敏感度的方法流程图。该基于DPI聚类分析用户对营销活动敏感度的方法，其包括：
步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值。
在本发明的实施例中，上网营销活动的业务大类可以包括视频营销活动和短信营销活动等。短信营销活动将短信信息流定向用户进行用户触达，所述视频营销活动将视频信息流定向用户进行用户触达。
所述视频信息流投放可以用于收集用户观看这个视频的时长、次数、是否点击活动链接、是否下载观看以及是否注册会员的等信息。所述短信信息流投放可以用于收集用户的点击情况、下载和注册情况等信息。
通常操作实践中，上网行为DPI聚类都是一批聚类或者一类聚类，其中，每一个DPI聚类都会关联到许多用户。使用深度包检测技术获取用户上网数据，进行抽取分群从而获取用户行为特征，归纳出用户关注和希望得到哪些营销业务类型服务。
具体地，在本发明的实施例中，可以根据待营销业务类型和特征参数选出位于相同业务大类中的N个业务类型，例如，如果待营销业务类型为推广一个视频网站的营销活动(下文称为：视频营销活动)，那么就可以通过人工预先筛选出一批同类型的DPI聚类。即可以预先收集优酷、爱奇艺、哔哩哔哩等网址作为该批DPI聚类的具体特征值。
该批DPI聚类的具体特征值是针对优酷、爱奇艺、哔哩哔哩等网址，比较分散，对相同业务大类中的其它待营销业务类型的投放，指导意义有限。本次发明的解决方法用在DPI数据挖掘过程中，从一类/一批DPI中关联到大量的用户，这些用户对不同的营销活动敏感度区别很大，通过营销活动对用户进行互动，收集用户的互动结果数据。
因此，如果对这批DPI聚类进行更细致的分类，可以提高最终关联到的目标用户对营销活动更精准，即执行下述的第二次DPI聚类步骤。
步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户。例如，在视频营销活动中，会关联到访问过优酷、爱奇艺、哔哩哔哩网站的用户。
步骤S3：设计多个维度的营销活动模式。
例如，在视频营销活动的具体操作中，可以设计以下两个活动：
①、设计一个热门电影免费下载APP观看，通过H5页面进行活动介绍和说明；
②、设计一个包月会员活动，限时免费。
上述步骤完成后，就可以对关联到具有所述N个业务类型特征值的用户投放多个维度的营销活动模式。
步骤S4：对具有所述N个业务类型特征值的用户投放所述多个维度的营销活动模式。
步骤S5：对所述多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个营销活动模式对应一个维度分类，每一个所述维度分类包括多个投放结果小类。
步骤S6：通过DPI聚类算法，结合反馈的所述投放结果小类数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。
下面通过三个具体的实施例详述一下第二次DPI聚类分类整理方法。
实施例1：
在该第二次DPI聚类分类整理方法中，首先，将用户ID及用户所参与的活动展开为新的关系表，其中，用户ID为主键，设有m个，所有用户所参与的不重复的每个活动作为单独的列，设有n个不重复活动。
对于每个用户，如果其参与过某活动，则在该用户的记录中，将该参与过的活动的值记为1，其余未参与的活动记为0。于是，每个用户都拥有n个由活动组成的特征，这些特征都是由0和1组成的，数据的维度为m行n列。之后将数据矩阵进行转置，其中，n个活动作为行，表示样本，m个用户作为列，表示特征，此时矩阵的维度变为n行*m列。
也就是说，上述矩阵数据的每一行都表示所有用户中有哪些用户参与过该行所表示的活动。此时，将数据使用K-Means算法对用户活动做无监督聚类，初始类别中心使用K-means++来进行初始化，距离度量为欧氏距离，初始类别中心的数量根据聚类后计算得到的轮廓系数的值来确定。
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，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
上述第二次DPI聚类分类整理的设计理念在于，如果两个活动所参与的用户重叠度很高，则这两个活动具有很高的相似性。
上述第二次DPI聚类分类整理属于无监督聚类，不需要任何先验知识，所得到的结果完全由数据驱动，但由于聚类中心的随机初始化和欧氏距离的问题导致结果不一定非常理想。
实施例2
在该第二次DPI聚类分类整理方法中，首先，通过业务上的先验知识，从用户参与的活动列表中选择若干较为重要的且参与用户数量较多的活动作为初始类别中心，避免了随机选择聚类中心所造成的结果的不稳定。
第二，避免了使用欧氏距离来度量活动之间的距离，因为欧氏距离对于由0和1组成的向量不是很好的度量方式，取而代之的是jaccard系数，其公式为：
Figure BDA0002595033130000061
其中，A和B分别表示活动A和活动B所拥有的用户群体，A和B的交集为两个活动的重叠用户，并集为所有参与过A或B的不重复用户。使用jaccard系数对非类别中心的用户活动，分别计算其到初始选定的类别中心的距离，距离最近的那个中心就作为该活动所属于的类别。
上述第二次DPI聚类分类整理的设计理念在本质是属于有监督的多分类问题，多分类的类别中心由人为选定且作用十分关键，距离度量使用了jaccard系数，效果较实施例1中的第二次DPI聚类分类整理方法具有一定提升。
实施例3
在该第二次DPI聚类分类整理方法中，是将实施例1中的方法和实施例2中的方法综合起来进行考虑的。
具体地，在本发明的实施例中，是将K-means算法中的距离度量替换为jaccard系数，但这种做法会存在一个问题，即原始数据均为0和1组成，而K-means算法中有一个计算类别重心的过程，每个类别的重心向量都是该类别所有样本向量的平均，即组成元素为连续值。
为解决该问题，可使用阈值来进行近似，即在计算样本间距离时仍然使用jaccard系数，但是在计算重心时，按照各类别样本均值的方式先求得连续值组成的重心向量，再设定一个阈值，使重心向量的元素如果大于该阈值就为1，否则为0。这样就将原本的由连续值组成的重心向量又转换为0和1组成的重心向量。
因此，实施例3中的第二次DPI聚类分类整理方法使用jaccard系数来对K-means算法进行改进，改进后的算法具有比实施例1中采用的方法和实施例3中的采用方法具有了更好的效果。
以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (7)

1.一种基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，包括：
步骤S1：根据待营销业务类型选出位于相同业务大类中的N个业务类型，对N个业务类型和特征参数进行预先筛选和第一次DPI聚类分类整理贴标签，得到所述N个业务类型的特征值；
步骤S2：通过DPI聚类建模，关联到具有所述N个业务类型特征值的用户；
步骤S3：对所述N个业务类型设计多个维度的营销活动模式；
步骤S4：对具有所述N个业务类型特征值的用户投放所述多个维度的营销活动模式；
步骤S5：对所述多个维度的营销活动模式投放结果数据进行按维度分类整理；其中，每一个，每一个所述维度分类包括多个投放结果小类；
步骤S6：通过DPI聚类算法，结合反馈的投放结果小类数据，进行第二次DPI聚类分类整理，形成待营销业务类型的DPI聚类分类整理贴标签，以分析用户对营销活动的敏感度。
2.根据权利要求1所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述步骤S6中的聚类算法为K-Means算法，初始类别中心使用K-means++来进行初始化，距离度量为欧氏距离，初始类别中心的数量根据聚类后计算得到的轮廓系数的值来确定。
3.根据权利要求1所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述步骤S6中的聚类算法为K-Means算法，通过业务上的先验知识，从用户参与的活动列表中选择若干较为重要的且参与用户数量较多的活动作为初始类别中心，距离度量为jaccard系数，使用jaccard系数对非类别中心的用户活动，分别计算其到初始选定的类别中心的距离，距离最近的那个中心就作为该活动所属于的类别。
4.根据权利要求1所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述步骤S6中的聚类算法为K-Means算法，在计算样本间距离时仍然使用jaccard系数，在计算重心时，按照各类别样本均值的方式先求得连续值组成的重心向量，再设定一个阈值，使重心向量的元素如果大于该阈值就为1，否则为0，即将原本的由连续值组成的重心向量又转换为0和1组成的重心向量。
5.根据权利要求1所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述业务大类包括视频营销活动和短信营销活动，所述短信营销活动将短信信息流定向用户进行用户触达，所述视频营销活动将视频信息流定向用户进行用户触达。
6.根据权利要求5所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述视频信息流投放用于收集用户观看这个视频的时长、次数、是否点击活动链接、是否下载观看以及是否注册会员的信息。
7.根据权利要求5所述的基于DPI聚类分析用户对营销活动敏感度的方法，其特征在于，所述短信信息流投放用于收集用户的点击情况、下载和注册情况信息。
CN202010706681.9A 2020-07-21 2020-07-21 一种基于dpi聚类分析用户对营销活动敏感度的方法 Active CN111814903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010706681.9A CN111814903B (zh) 2020-07-21 2020-07-21 一种基于dpi聚类分析用户对营销活动敏感度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010706681.9A CN111814903B (zh) 2020-07-21 2020-07-21 一种基于dpi聚类分析用户对营销活动敏感度的方法

Publications (2)

Publication Number Publication Date
CN111814903A CN111814903A (zh) 2020-10-23
CN111814903B true CN111814903B (zh) 2022-04-01

Family

ID=72861736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010706681.9A Active CN111814903B (zh) 2020-07-21 2020-07-21 一种基于dpi聚类分析用户对营销活动敏感度的方法

Country Status (1)

Country Link
CN (1) CN111814903B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377242A (zh) * 2012-04-25 2013-10-30 Tcl集团股份有限公司 用户行为分析方法、分析预测方法及电视节目推送系统
CN105069654A (zh) * 2015-08-07 2015-11-18 新一站保险代理有限公司 一种基于用户识别的网站实时/非实时营销投放方法及系统
CN106355442A (zh) * 2016-08-30 2017-01-25 杭州启冠网络技术有限公司 基于大数据驱动的在线广告精准投放方法和系统
CN106548381A (zh) * 2016-12-19 2017-03-29 武汉理工数字传播工程有限公司 智能用户标签系统及实现方法
CN108363717A (zh) * 2017-12-29 2018-08-03 天津南大通用数据技术股份有限公司 一种数据安全级别的识别检测方法及装置
CN110309379A (zh) * 2019-05-22 2019-10-08 中国平安人寿保险股份有限公司 产品推荐方法、装置、设备及计算机可读存储介质
CN110543603A (zh) * 2019-09-06 2019-12-06 上海喜马拉雅科技有限公司 基于用户行为的协同过滤推荐方法、装置、设备和介质
CN111159534A (zh) * 2019-12-03 2020-05-15 泰康保险集团股份有限公司 基于用户画像的辅助决策方法及装置、设备和介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826114B (zh) * 2010-05-26 2012-05-09 南京大学 一种基于多马尔可夫链的内容推荐方法
CN101980199A (zh) * 2010-10-28 2011-02-23 北京交通大学 基于态势评估的网络热点话题发现方法及系统
US20180211270A1 (en) * 2017-01-25 2018-07-26 Business Objects Software Ltd. Machine-trained adaptive content targeting

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377242A (zh) * 2012-04-25 2013-10-30 Tcl集团股份有限公司 用户行为分析方法、分析预测方法及电视节目推送系统
CN105069654A (zh) * 2015-08-07 2015-11-18 新一站保险代理有限公司 一种基于用户识别的网站实时/非实时营销投放方法及系统
CN106355442A (zh) * 2016-08-30 2017-01-25 杭州启冠网络技术有限公司 基于大数据驱动的在线广告精准投放方法和系统
CN106548381A (zh) * 2016-12-19 2017-03-29 武汉理工数字传播工程有限公司 智能用户标签系统及实现方法
CN108363717A (zh) * 2017-12-29 2018-08-03 天津南大通用数据技术股份有限公司 一种数据安全级别的识别检测方法及装置
CN110309379A (zh) * 2019-05-22 2019-10-08 中国平安人寿保险股份有限公司 产品推荐方法、装置、设备及计算机可读存储介质
CN110543603A (zh) * 2019-09-06 2019-12-06 上海喜马拉雅科技有限公司 基于用户行为的协同过滤推荐方法、装置、设备和介质
CN111159534A (zh) * 2019-12-03 2020-05-15 泰康保险集团股份有限公司 基于用户画像的辅助决策方法及装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于信息熵的二次聚类推荐算法;李辉 等;《计算机工程》;20160531;第42卷(第5期);第2.1节、第2.3节 *

Also Published As

Publication number Publication date
CN111814903A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
US20190102652A1 (en) Information pushing method, storage medium and server
CN105302911B (zh) 一种数据筛选引擎建立方法及数据筛选引擎
CN111062757A (zh) 基于多路径寻优匹配的信息推荐方法及系统
CN105868243A (zh) 信息处理方法及装置
CN116452261B (zh) 一种基于跨境电商服务平台的广告投放数据处理方法
US10540607B1 (en) Apparatus, method and article to effect electronic message reply rate matching in a network environment
CN111144957B (zh) 信息投放方法、装置、服务器及存储介质
CN107016569A (zh) 一种网络产品的目标用户账号获取方法及装置
CN112950276A (zh) 一种基于多阶特征组合的种子人群拓展方法
Koul et al. Customer segmentation techniques on e-commerce
CN112508726A (zh) 一种基于信息传播特点的虚假舆论识别系统及其处理方法
US20160189183A1 (en) System and method for automatic discovery, annotation and visualization of customer segments and migration characteristics
Liu et al. Question popularity analysis and prediction in community question answering services
CN111814903B (zh) 一种基于dpi聚类分析用户对营销活动敏感度的方法
Flores-Méndez et al. A model for the mobile market based on customers profile to analyze the churning process
Hudli et al. Identifying online opinion leaders using K-means clustering
Srinivasan et al. Will your facebook post be engaging?
CN111784403A (zh) 基于网上商城的用户类别分析方法、装置和计算机设备
CN114444568A (zh) 一种基于改进聚类算法的不满意原因溯源方法
CN112308419A (zh) 数据处理方法、装置、设备及计算机存储介质
CN114971110A (zh) 一种根因组合确定的方法、相关装置、设备以及存储介质
CN113220986A (zh) 一种信息推荐方法、装置、电子设备及存储介质
Koirala Understanding the Use of Cluster Analysis in Business
CN111178934A (zh) 获取目标对象的方法及装置
CN109936498B (zh) 即时通讯消息提示的全排序方法

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
CB02 Change of applicant information

Address after: 200436 room 406, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai

Applicant after: Shanghai Shuming Artificial Intelligence Technology Co.,Ltd.

Address before: Room 1601-026, 238 JIANGCHANG Third Road, Jing'an District, Shanghai, 200436

Applicant before: Shanghai Shuming Artificial Intelligence Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant