CN112016975A - 产品筛选方法、装置、计算机设备及可读存储介质 - Google Patents
产品筛选方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN112016975A CN112016975A CN202010912292.1A CN202010912292A CN112016975A CN 112016975 A CN112016975 A CN 112016975A CN 202010912292 A CN202010912292 A CN 202010912292A CN 112016975 A CN112016975 A CN 112016975A
- Authority
- CN
- China
- Prior art keywords
- preset
- product
- target
- target group
- information 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.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 114
- 230000008520 organization Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种产品筛选方法、装置、计算机设备及计算机可读存储介质。本申请实施例属于数据处理技术领域,通过获取团体用户各自所对应的预设信息数据,根据预设信息数据,构建预设信息数据所对应的文本特征;根据预设算法对文本特征进行分析,以得到文本特征所包含的隐藏因子,对不同的隐藏因子进行相似性计算,以得到不同的隐藏因子之间所对应的相似性计算结果,根据相似性计算结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户,获取目标团体用户所对应的已购买产品,根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品,能提高对于目标产品筛选的准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种产品筛选方法、装置、计算机设备及计算机可读存储介质。
背景技术
通过计算机设备进行网销推荐产品时,若能对潜在客户针对性的推荐合适的准确产品,不仅能够提高网销资源的利用率,同时也有利于提高用户的转化率、用户黏度以及市场占有率,能够给企业带来更多的收入。比如,在保险行业里,通过对潜在客户推荐合适的险种,不仅能够提高网销资源的利用率,同时也能够提高用户的转化率、用户黏度以及市场占有率,能给企业带来更多的收入。
但是,在保险产品领域中,由于保险行业的特殊性,在进行网销时,传统的保险产品都是由销售人员根据客户的需求对客户进行产品的推荐,在网销的保险产品中,由于没有销售人员的帮助,客户很容易迷失在各种各样五花八门的保险产品里。因此,在网销产品里,通过计算机设备进行保险产品筛选时,存在保险产品筛选准确性较低的问题。
发明内容
本申请实施例提供了一种产品筛选方法、装置、计算机设备及计算机可读存储介质,能够解决传统技术中产品在网销时筛选的准确性较低的问题。
第一方面,本申请实施例提供了一种产品筛选方法,所述方法包括:获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;对所述相似性计算结果进行排序,以得到相似性排序结果;根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;获取所述目标团体用户所对应的已购买产品根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
第二方面,本申请实施例还提供了一种产品筛选装置,包括:第一获取单元,用于获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;构建单元,用于根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;分析单元,用于根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;计算单元,用于根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;排序单元,用于对所述相似性计算结果进行排序,以得到相似性排序结果;第二获取单元,用于根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;第三获取单元,用于获取所述目标团体用户所对应的已购买产品筛选单元,用于根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
第三方面,本申请实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述产品筛选方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行所述产品筛选方法的步骤。
本申请实施例提供了一种产品筛选方法、装置、计算机设备及计算机可读存储介质。本申请实施例实现产品筛选时,通过获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;对所述相似性计算结果进行排序,以得到相似性排序结果;根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;获取所述目标团体用户所对应的已购买产品根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。由于团体客户针对的是单位等集体性质的团体,通过团体本身所具有的共有属性,在本申请实施例中,通过对团体客户所涉及现有的预设信息数据,通过对预设信息数据构建文本特征以对客户属性进行有监督的降维,并对文本特征进行分析,以得到团体客户所涉及的预设信息数据中包含的新的隐藏特征,并通过新的隐藏特征计算团体客户相似度,能够对计算团体客户相似度起到了良好的作用,有效地避免了人为定义特征权重问题,大大提高了针对团体客户的产品筛选的准确性,进而提高了团体客户进行推荐产品时的产品准确度及产品覆盖度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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为本申请实施例提供的产品筛选方法的一个流程示意图;
图2为本申请实施例提供的产品筛选方法中一个子流程的示意图;
图3为本申请实施例提供的产品筛选方法的另一个子流程示意图;
图4为本申请实施例提供的产品筛选装置的一个示意性框图;以及
图5为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1,图1为本申请实施例提供的产品筛选方法的一个流程示意图。如图1所示,该方法包括以下步骤S101-S108:
S101、获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息。
具体地,在团体用户所对应的团体产品中,相对于个人产品,个人产品由于每个人的具体情况不同,产品差异较大,而团体产品,由于每个单位等组织的共性是可以确定的,从而使产品的适用性也具有共性。例如,在保险产品中,相对于个人险产品,个人险产品由于每个人的具体情况不同,保险产品差异较大,而产品,由于每个单位等组织的共性是可以确定的,从而使产品的适用性也具有共性。比如,在企业及事业单位等团体组织中,由于行业性质及从业人数等团体属性,使每个团体组织对团体险的需求具有共性,因此,可以根据这种团体组织的共性,筛选出具备针对性的产品向目标团体组织进行推送,从而提高产品推送的准确性。
在本申请实施例中,针对产品进行筛选以进行产品推送时,预先获取具有共性的团体组织,比如,属于同一个地区的团体组织,属于同一个行业的团体组织,或者具有相同或者相似规模的团体组织。具体地,可以从预设数据源获取多个团体用户的预设信息数据,这些预设信息数据能够体现这些团体用户的共性,比如体现团体用户的行业性质及组织规模等,对于行业性质,例如,教育培训行业团体险需求与安防等行业的团体险需求是不同的,对于组织规模等,注册资本及从业人数等属于大中型的团体组织的团体险需求与小型组织的团体险需求会存在不同。既可以从自有数据库中获取预设信息数据,也可以从网络等公共渠道获取公开的信息数据。比如,针对单位用户,如果自有的数据库足够大,可以从自有数据库进行获取,也可以从网络,比如获取天眼查网站(目前覆盖度较高的全国企业数据库)上的数据,包含各企业的自然属性信息,所述自然属性信息包括注册时间、注册资本、行业信息、主营业务关系等,涵盖了一部分企业的信息。还可以将不同的数据源结合起来,从而获取尽可能大的数据量。
进一步地,既可以从自有数据库中获取预设分类的预设信息数据,也可以从网络等公共渠道获取预设分类的公开数据。由于不同分类中的群体需求会存在不一致,通过分类可以使数据针对性更强,从而使产品推荐更准确。其中,预设分类既可以是按照地区等区域属性进行获取,也可以是按照预设行业等行业属性进行获取,还可以是行业规模、群体年龄、群体性别、群体学历等属性进行分类。比如,要按照市场区域进行保险团体险的推荐,可以获取某一地区多个单位用户的预设信息数据,按照地区等区域属性,北上广深等一线城市,与二线城市的需求可能存在不一致,与三四五线城市更存在不一致。再比如,按照预设行业等行业属性,要针对风险不同的行业进行团体险的推荐,比如消防和安防行业风险较大,与普通的消费品行业风险是不一样的,需要的团体险也是不一样的。
S102、根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征。
具体地,在构建所述预设信息数据所对应的文本特征之前,还可以预先按照预设数据清洗方法对所述预设信息数据进行数据清洗。获取多个团体用户的预设信息数据后,由于所述预设信息数据中包括原始数值特征和原始文本特征,对所述预设信息数据进行数据清洗,是对数据进行重新审查和校验的过程,发现并纠正数据文件中可识别的错误,包括检查数据一致性、处理无效值和缺失值等,目的在于删除重复信息、纠正存在的错误,提供数据一致性。其中,数据清洗,英文为Data cleaning。
对数据进行清洗后,采用预设关键词算法构建预设信息数据所对应的文本特征。比如,可以采用One-hot编码和TF-IDF算法对清洗过的预设信息数据构建文本特征,从而在原有数值特征的基础上,引用NLP中的关键词算法TF-IDF,构建文本特征,以通过One-hot编码和TF-IDF算法两种特征构建模型的初始特征集。
其中,One-Hot编码,又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都有独立的寄存器位,并且在任意时候只有一位有效,主要针对原始特征中的固定词进行编码,请参见表格1,例如表格1中的示例“广东”等词。One-Hot编码是分类变量作为二进制向量的表示,首先将分类值映射到整数值,然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被标记为1。
TF-IDF(英文为Term frequency–inverse document frequency)是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降,除TF-IDF,也可以用关键词提取算法中的TextRank算法或者PageRank算法等,主要针对原始特征中的非固定词,比如一句话进行编码。例如,一个原始特征输入示例,如表格1所示:
表格1
对表格1中的数值特征只需进行一般的数据清洗,经One-hot编码和TF-IDF算法构建文本特征后,文本特征构建分别如下表格2和表格3所示:
表格2
表格3
S103、根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子。
其中,预设算法,包括预设LDA算法,其中,LDA,英文为linear discriminantanalysis,线性判别分析,是一种线性学习方法,亦称Fisher线性判别,给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近,异样样例的投影点尽可能远离,在对新样本进行分类时,将其投影到同样的直线上,再根据投影点的位置来确定新样本的类别。
具体地,对所述文本特征采用预设线性判别分析(即LDA)算法进行线性判别分析,得到所述文本特征所包含的隐藏因子。其中,隐藏因子是根据预设线性分析模型计算得到的一系列数值,这类数值与目标高度相关,避免直接用原来的文本特征,由于原来的文本特征有很多冗余且不相关信息,从而能够提高分析的准确性。
S105、对所述相似性计算结果进行排序,以得到相似性排序结果。
S106、根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户。
S107、获取所述目标团体用户所对应的已购买产品。
S108、根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
具体地,通过预设相似性算法对所述隐藏因子进行相似性计算以得到相似性计算结果,并将所述相似性结果进行排序,以得到相似性排序结果,然后从相似性结果中筛选出相似性最接近的预设用户,比如,将相似性结果按照由高到低的顺序进行排序,然后按照由前到后的顺序获取预设数量的最相似的隐藏因子,由于隐藏因子对应文本特征,文本特征对应团体用户,因此,可以通过最相似的隐藏因子获取所述最相似的隐藏因子所对应的团体用户,将所述最相似的隐藏因子所对应的团体用户作为目标团体用户,然后获取所述目标团体用户已购买的产品,统计所述目标团体用户购买数量最多的n个产品,将所述n个产品作为推荐产品进行推荐。例如,可以利用分类算法,根据各企业的隐藏因子作为新特征进行相似性计算,得到新特征最相近的隐藏因子所对应的top K个存量企业,例如,可以利用预设相似性算法KNN算法根据各企业的隐藏因子作为新的特征进行相似性计算,得到新特征最相近的top K个存量企业。统计这些企业购买最多的N个险种,推荐给新客户。K值可遍历后根据效果进行筛选。通过相似客户数筛选,比如每个潜在客户都选100个与其最相似的存客,再看这些存客购买最多的5个险种是什么,然后推给这个潜客(潜客即为潜在客户)。请参阅表格4,如下表格4所示:
表格4
新客特征 | 存客特征 | 两者相似度 |
新客1 | 存客1 | p1 |
新客1 | 存客2 | p2 |
新客1 | 存客3 | p3 |
新客1 | … | … |
新客1 | 存客n | pn |
本申请实施例实现产品筛选时,通过获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子,根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;对所述相似性计算结果进行排序,以得到相似性排序结果,根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户,获取所述目标团体用户所对应的已购买产品根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。由于团体客户针对的是单位等集体性质的团体,通过团体本身所具有的共有属性,在本申请实施例中,通过对团体客户所涉及现有的预设信息数据,通过对预设信息数据构建文本特征以对客户属性进行有监督的降维,并对文本特征进行分析,以得到团体客户所涉及的预设信息数据中包含的新的隐藏特征,并通过新的隐藏特征计算团体客户相似度,能够对计算团体客户相似度起到了良好的作用,有效地避免了人为定义特征权重问题,大大提高了针对团体客户的产品筛选的准确性,进而提高对于团体客户产品推送的准确度及产品覆盖度。
请参阅图2,图2为本申请实施例提供的产品筛选方法中一个子流程的示意图。在该实施例中,所述根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子的步骤包括:
S201、根据预设文本特征分类算法对所述文本特征进行分类,以得到文本特征分类结果;
S202、根据所述文本特征分类结果,获取与购买产品所对应的购买行为相关的预设目标文本特征;
S203、根据所述预设算法对所述预设目标文本特征进行分析,以得到所述预设目标文本特征所包含的隐藏因子。
具体地,对文本特征进行线性判别分析(即LDA分析),得到与购买产品险种相关的隐藏因子。包括以下过程:1)获取团体用户各自所对应的预设信息数据,并根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征,在大数据处理中,由于获取的用户数据量较大,将原始特征处理后将得到成百上千个特征,可以利用分类算法,例如采用KNN算法计算,也可以采用分类算法中的SVM或者Softmax等,从而预测与上述用户属于相似用户关系的潜在客户的需要,筛选与购买行为产品相关联的合适特征,与用户购买产品不相关的特征,将是在其它方面存在相似而非购买行为相似,比如,影响购买产品行为的特征包括团体组织性质、团体组织规模,团体组织所属的行业性质等。根据预设文本特征分类算法对所述文本特征进行分类,以得到文本特征分类结果,然后从所述文本特征分类结果中,获取与购买产品所对应的购买行为相关的预设目标文本特征。2)获取与购买行为相关的预设目标文本特征后,根据预设算法对所述预设目标文本特征进行分析,以得到所述预设目标文本特征所包含的隐藏因子。预设算法可以为预设LDA算法,LDA算法即为线性判别分析,线性判别分析是一种有监督的降维方法,投影后类内方差最小,类间方差最大。请参阅表格5至表格7,表格5至表格7为一个筛选出与购买行为相关的特征后进行线性判别分析的具体示例,进行线性判别分析前后如下表格5至表格7所示:
表格5
表格6
表格7
在一个实施例中,所述已购买产品包括若干个产品,所述根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品的步骤包括:
统计每个所述产品所对应的购买数量;
将所有所述产品按照各自所对应的购买数量进行排序;
获取购买数量由高到低所对应的预设个数的产品作为目标产品。
具体地,所述已购买产品包括若干个产品,例如包括ABCDE五个产品,每个企业单位购买的产品会存在不同,从获得的大量企业单位中,统计每个所述产品所对应的被购买数量,将所有所述产品按照各自所对应的购买数量进行排序,获取购买数量由高到低所对应的预设个数的产品作为目标产品,然后将目标产品进行推送。
在一个实施例中,所述根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品的步骤之后,还包括:
获取新目标团体客户及所述新目标团体客户所属的预设目标团体用户类型;
将所述预设目标团体用户类型所对应的目标产品推送至所述新目标团体客户。
进一步地,所述获取所述新目标团体客户所属的预设目标团体用户类型的步骤之前,还包括:
按照所述团体用户所属的属性字段对所述团体用户进行分类,以得到不同类型的团体用户所对应的预设目标团体用户类型;
获取每个所述预设目标团体用户类型所对应的目标产品,以得到所述预设目标团体用户类型及所述预设目标团体用户类型所对应的目标产品。
具体地,为了实现对团体用户进行更准确的产品推送,由于行业及规模等团体用户所属的属性不同,会影响到用户对产品的选择倾向,可以根据团体用户所属的行业性质或者团体用户所属规模对团体用户进行分类,从而将大量的团体用户分为不同类型团体用户,以得到预设目标团体用户类型,然后针对每个预设目标团体用户类型获取所对应的目标产品,在获取新目标团体客户后,识别出所述新目标团体客户所属的预设目标团体用户类型,根据所述预设目标团体用户类型,将所述预设目标团体用户类型所对应的目标产品推送至所述新目标团体客户,从而进一步实现更准确的有针对性的产品推送,以提高产品推送的准确性,提高团体性产品的推送质量。
进一步地,在一个实施例中,所述获取所述新目标团体客户所属的预设目标团体用户类型的步骤包括:
获取所述新目标团体客户所对应的新目标团体客户信息数据;
从所述新目标团体客户信息数据中筛选出预设属性字段及所述预设属性字段所对应的字段赋值,其中,所述预设属性字段与对团体用户进行分类所采用的属性字段一致;
判断所述字段赋值是否包含于预设目标团体用户类型所对应的预设目标字段赋值;
若所述字段赋值包含于所述预设目标团体用户类型所对应的预设目标字段赋值,将所述新目标团体客户归属于所述预设目标团体用户类型。
具体地,团体用户的属性可以通过属性字段及所述属性字段所对应的字段赋值进行描述。例如,针对团体用户A,包含A所属的行业,在计算程序中描述时可以描述为“行业=培训”,其中,“行业”为属性字段,“培训”为属性字段的字段赋值,团体用户的属性即通过此种方式进行描述。获取团体用户所对应的信息数据时,所述信息数据中包含团体用户的属性,然后预先根据团体用户的属性对团体用户进行分类,以得到不同类型的团体用户所对应的预设目标团体用户类型,再获取每个所述预设目标团体用户类型所对应的目标产品,从而得到所述预设目标团体用户类型及所述预设目标团体用户类型所对应的目标产品。
获取到新目标团体用户后,获取所述新目标团体客户所对应的新目标团体客户信息数据,所述新目标团体客户信息数据中包含所述新目标团体用户的属性,从所述新目标团体客户信息数据中筛选出预设属性字段及所述预设属性字段所对应的字段赋值,所述预设属性字段与对团体用户进行分类所采用的属性字段一致,进而可以判断所述字段赋值是否包含于预设目标团体用户类型所对应的预设目标字段赋值,若所述字段赋值包含于所述预设目标团体用户类型所对应的预设目标字段赋值,将所述新目标团体客户归属于所述预设目标团体用户类型,从而得到所述新目标团体客户所属的预设目标团体用户类型。
进一步地,请参阅图3,图3为本申请实施例提供的产品筛选方法的另一个子流程示意图。在该实施例中,所述将所述预设目标团体用户类型所对应的所述目标产品推送至所述新目标团体客户的步骤还包括:
S301、获取预设新产品;
S302、统计所述预设新产品与所述预设目标团体用户类型所对应的目标产品的产品相似度;
S303、判断所述产品相似度是否大于或者等于预设产品相似度阈值;
S304、若所述产品相似度大于或者等于所述预设产品相似度阈值,将所述预设目标团体用户类型所对应的目标产品及所述预设新产品推送至所述新目标团体客户;
S305、若所述产品相似度小于所述预设产品相似度阈值,不将所述预设新产品推送至所述新目标团体客户。
具体地,针对新开发的产品推向市场时,为了实现将新产品有针对性的推送至目标客户,以充分利用推送资源,提高新产品的推送效率,将所述新产品与目标产品进行统计分析,例如可以通过人工进行打分的方式统计分析以获得产品所对应的相似度数值,接收人工统计的相似度数值,将所述预设新产品与所述预设目标团体用户类型所对应的目标产品的产品相似度进行比对,判断所述产品相似度是否大于或者等于预设产品相似度阈值,若所述产品相似度大于或者等于所述预设产品相似度阈值,将所述预设目标团体用户类型所对应的目标产品及所述预设新产品推送至所述新目标团体客户,若所述产品相似度小于所述预设产品相似度阈值,对所述预设新产品不推送至所述新目标团体客户,从而实现对新产品的推送,可以增加产品推送的准确性,从而提高产品推送资源的利用效率。
进一步地,针对没有存量团体组织购买的产品,还可以通过冷启动方式进行推送。存量团体组织,比如存量企业就是购买过相同产品的企业,比如,在保险领域,存量企业就是购买过平安险种的企业,他们购买的险种可根据保单记录获得。对于一个新的险种,即没有任何存量客户购买过该险种,可以通过冷启动方式进行处理。对于新险种的冷启动,可通过以下方式进行:
1)随机抽取一部分企业进行推荐,一段时间后该团体险新险种进入模型。
2)利用专家进行标记,计算新险种与当前险种的相似度,当模型推荐其相似险种时推荐该新险种。
3)针对具有与新险种特相关的企业进行试点推荐。
本申请实施例提供的产品推送方法,相比传统中的产品推荐算法,例如传统技术中基于用户的协同过滤算法、基于物品的协同过滤算法、基于关联规则的推荐算法或者基于内容的推荐算法等,传统技术中的产品推荐算法,由于均需要有客户对产品偏好程度的数据刻画,但是对于一个全新的市场,可能并没有客户偏好数据,因此,传统技术中的产品推荐算法不能实现对产品的准确推送,而同时,基于流行度算法则更多是推荐热门的几款产品,不利于市场的拓展以及挖掘客户的个性化需求,从而实现针对性的产品推送。而在本申请实施例中,利用线性判别分析模型,进行有监督的降维,让模型自动创建新的特征,较准确的衡量各特征权重,避免了人为主观因素影响。线性判别分析模型依赖于现有数据标签,进行有监督的降维,得到新的隐藏特征,对计算客户相似度起到了良好的作用,有效地避免了人为定义特征权重问题,大大提高了模型准确度,产品的覆盖度,例如险种覆盖度,能够减少销售人员为客户人工筛选保险的工作量,同时摒弃主观经验影响,更为客观地帮助客户找到适合自己的保险产品,实现产品的准确推送,从而提高客户满意度和黏着性,能够提高产品的推送效率和资源利用率。
需要说明的是,上述各个实施例所述的产品筛选方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
请参阅图4,图4为本申请实施例提供的产品筛选装置的一个示意性框图。对应于上述所述产品筛选方法,本申请实施例还提供一种产品筛选装置。如图4所示,该产品筛选装置包括用于执行上述所述产品筛选方法的单元,该产品筛选装置可以被配置于服务器等计算机设备中。具体地,请参阅图4,该产品筛选装置400包括第一获取单元401、构建单元402、分析单元403、计算单元404、排序单元405、第二获取单元406、第三获取单元407及筛选单元408。
其中,第一获取单元401,用于获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;
构建单元402,用于根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;
分析单元403,用于根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;
计算单元404,用于根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;
排序单元405,用于对所述相似性计算结果进行排序,以得到相似性排序结果;
第二获取单元406,用于根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;
第三获取单元407,用于获取所述目标团体用户所对应的已购买产品;
筛选单元408,用于根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
在一个实施例中,所述分析单元403包括:
分类子单元,用于根据预设文本特征分类算法对所述文本特征进行分类,以得到文本特征分类结果;
第一获取子单元,用于根据所述文本特征分类结果,获取与购买产品所对应的购买行为相关的预设目标文本特征;
分析子单元,用于根据所述预设算法对所述预设目标文本特征进行分析,以得到所述预设目标文本特征所包含的隐藏因子。
在一个实施例中,所述已购买产品包括若干个产品,所述筛选单元408包括:
第一统计子单元,用于统计每个所述产品所对应的购买数量;
排序子单元,用于将所有所述产品按照各自所对应的购买数量进行排序;
第二获取子单元,用于获取购买数量由高到低所对应的预设个数的产品作为目标产品。
在一个实施例中,所述装置400还包括:
第四获取单元,用于获取新目标团体客户及所述新目标团体客户所属的预设目标团体用户类型;
推送单元,用于将所述预设目标团体用户类型所对应的目标产品推送至所述新目标团体客户。
在一个实施例中,所述推送单元还包括:
第三获取子单元,用于获取预设新产品;
第二统计子单元,用于统计所述预设新产品与所述预设目标团体用户类型所对应的目标产品的产品相似度;
第一判断子单元,用于判断所述产品相似度是否大于或者等于预设产品相似度阈值;
推送子单元,用于若所述产品相似度大于或者等于所述预设产品相似度阈值,将所述预设目标团体用户类型所对应的目标产品及所述预设新产品推送至所述新目标团体客户。
在一个实施例中,所述第四获取单元包括:
第四获取子单元,用于获取所述新目标团体客户所对应的新目标团体客户信息数据;
筛选子单元,用于从所述新目标团体客户信息数据中筛选出预设属性字段及所述预设属性字段所对应的字段赋值,其中,所述预设属性字段与对团体用户进行分类所采用的属性字段一致;
第二判断子单元,用于判断所述字段赋值是否包含于预设目标团体用户类型所对应的预设目标字段赋值;
归属子单元,用于若所述字段赋值包含于所述预设目标团体用户类型所对应的预设目标字段赋值,将所述新目标团体客户归属于所述预设目标团体用户类型。
在一个实施例中,所述装置400还包括:
分类单元,用于按照所述团体用户所属的属性字段对所述团体用户进行分类,以得到不同类型的团体用户所对应的预设目标团体用户类型;
第五获取单元,用于获取每个所述预设目标团体用户类型所对应的目标产品,以得到所述预设目标团体用户类型及所述预设目标团体用户类型所对应的目标产品。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述产品筛选装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
同时,上述产品筛选装置中各个单元的划分和连接方式仅用于举例说明,在其他实施例中,可将产品筛选装置按照需要划分为不同的单元,也可将产品筛选装置中各单元采取不同的连接顺序和方式,以完成上述产品筛选装置的全部或部分功能。
上述产品筛选装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备,也可以是其他设备中的组件或者部件。
参阅图5,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种上述产品筛选方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种上述产品筛选方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图5所示实施例一致,在此不再赘述。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;对所述相似性计算结果进行排序,以得到相似性排序结果;根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;获取所述目标团体用户所对应的已购买产品根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
在一实施例中,所述处理器502在实现所述根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子的步骤时,具体实现以下步骤:
根据预设文本特征分类算法对所述文本特征进行分类,以得到文本特征分类结果;
根据所述文本特征分类结果,获取与购买产品所对应的购买行为相关的预设目标文本特征;
根据所述预设算法对所述预设目标文本特征进行分析,以得到所述预设目标文本特征所包含的隐藏因子。
在一实施例中,所述已购买产品包括若干个产品,所述处理器502在实现所述根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品的步骤时,具体实现以下步骤:
统计每个所述产品所对应的购买数量;
将所有所述产品按照各自所对应的购买数量进行排序;
获取购买数量由高到低所对应的预设个数的产品作为目标产品。
在一实施例中,所述处理器502在实现所述根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品的步骤之后,还实现以下步骤:
获取新目标团体客户及所述新目标团体客户所属的预设目标团体用户类型;
将所述预设目标团体用户类型所对应的目标产品推送至所述新目标团体客户。
在一实施例中,所述处理器502在实现所述将所述预设目标团体用户类型所对应的所述目标产品推送至所述新目标团体客户的步骤时,具体还实现以下步骤:
获取预设新产品;
统计所述预设新产品与所述预设目标团体用户类型所对应的目标产品的产品相似度;
判断所述产品相似度是否大于或者等于预设产品相似度阈值;
若所述产品相似度大于或者等于所述预设产品相似度阈值,将所述预设目标团体用户类型所对应的目标产品及所述预设新产品推送至所述新目标团体客户。
在一实施例中,所述处理器502在实现所述获取所述新目标团体客户所属的预设目标团体用户类型的步骤时,具体实现以下步骤:
获取所述新目标团体客户所对应的新目标团体客户信息数据;
从所述新目标团体客户信息数据中筛选出预设属性字段及所述预设属性字段所对应的字段赋值,其中,所述预设属性字段与对团体用户进行分类所采用的属性字段一致;
判断所述字段赋值是否包含于预设目标团体用户类型所对应的预设目标字段赋值;
若所述字段赋值包含于所述预设目标团体用户类型所对应的预设目标字段赋值,将所述新目标团体客户归属于所述预设目标团体用户类型。
在一实施例中,所述处理器502在实现所述获取所述新目标团体客户所属的预设目标团体用户类型的步骤之前,还实现以下步骤:
按照所述团体用户所属的属性字段对所述团体用户进行分类,以得到不同类型的团体用户所对应的预设目标团体用户类型;
获取每个所述预设目标团体用户类型所对应的目标产品,以得到所述预设目标团体用户类型及所述预设目标团体用户类型所对应的目标产品。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessingUnit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行以上各实施例中所描述的所述产品筛选方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅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。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请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,也可以是两个或两个以上单元集成在一个单元中。
该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,可以存储在一个存储介质中。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,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电子设备(可以是个人计算机,终端,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种产品筛选方法,其特征在于,所述方法包括:
获取若干个团体用户各自所对应的预设信息数据;
根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;
根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;
根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;
对所述相似性计算结果进行排序,以得到相似性排序结果;
根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;
获取所述目标团体用户所对应的已购买产品;
根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
2.根据权利要求1所述产品筛选方法,其特征在于,所述根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子的步骤包括:
根据预设文本特征分类算法对所述文本特征进行分类,以得到文本特征分类结果;
根据所述文本特征分类结果,获取与购买产品所对应的购买行为相关的预设目标文本特征;
根据所述预设算法对所述预设目标文本特征进行分析,以得到所述预设目标文本特征所包含的隐藏因子。
3.根据权利要求1所述产品筛选方法,其特征在于,所述已购买产品包括若干个产品,所述根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品的步骤包括:
统计每个所述产品所对应的购买数量;
将所有所述产品按照各自所对应的购买数量进行排序;
获取购买数量由高到低所对应的预设个数的产品作为目标产品。
4.根据权利要求1-3任一项所述产品筛选方法,其特征在于,所述根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品的步骤之后,还包括:
获取新目标团体客户及所述新目标团体客户所属的预设目标团体用户类型;
将所述预设目标团体用户类型所对应的目标产品推送至所述新目标团体客户。
5.根据权利要求4所述产品筛选方法,其特征在于,所述将所述预设目标团体用户类型所对应的所述目标产品推送至所述新目标团体客户的步骤还包括:
获取预设新产品;
统计所述预设新产品与所述预设目标团体用户类型所对应的目标产品的产品相似度;
判断所述产品相似度是否大于或者等于预设产品相似度阈值;
若所述产品相似度大于或者等于所述预设产品相似度阈值,将所述预设目标团体用户类型所对应的目标产品及所述预设新产品推送至所述新目标团体客户。
6.根据权利要求4所述产品筛选方法,其特征在于,所述获取所述新目标团体客户所属的预设目标团体用户类型的步骤包括:
获取所述新目标团体客户所对应的新目标团体客户信息数据;
从所述新目标团体客户信息数据中筛选出预设属性字段及所述预设属性字段所对应的字段赋值,其中,所述预设属性字段与对团体用户进行分类所采用的属性字段一致;
判断所述字段赋值是否包含于预设目标团体用户类型所对应的预设目标字段赋值;
若所述字段赋值包含于所述预设目标团体用户类型所对应的预设目标字段赋值,将所述新目标团体客户归属于所述预设目标团体用户类型。
7.根据权利要求4所述产品筛选方法,其特征在于,所述获取所述新目标团体客户所属的预设目标团体用户类型的步骤之前,还包括:
按照所述团体用户所属的属性字段对所述团体用户进行分类,以得到不同类型的团体用户所对应的预设目标团体用户类型;
获取每个所述预设目标团体用户类型所对应的目标产品,以得到所述预设目标团体用户类型及所述预设目标团体用户类型所对应的目标产品。
8.一种产品筛选装置,其特征在于,包括:
第一获取单元,用于获取若干个团体用户各自所对应的预设信息数据,所述预设信息数据包括所述团体用户所对应的基本信息数据,所述基本信息数据包括注册资本数据及行业信息;
构建单元,用于根据所述预设信息数据,采用预设关键词算法构建所述预设信息数据所对应的文本特征;
分析单元,用于根据预设算法对所述文本特征进行分析,以得到所述文本特征所包含的隐藏因子;
计算单元,用于根据预设相似性算法对不同的所述隐藏因子进行相似性计算,以得到不同的所述隐藏因子之间所对应的相似性计算结果;
排序单元,用于对所述相似性计算结果进行排序,以得到相似性排序结果;
第二获取单元,用于根据所述相似性排序结果,获取预设数量的最相似的隐藏因子所对应的团体用户作为目标团体用户;
第三获取单元,用于获取所述目标团体用户所对应的已购买产品
筛选单元,用于根据预设筛选方法对所述已购买产品进行筛选,以得到目标产品。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,以执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010912292.1A CN112016975A (zh) | 2020-09-02 | 2020-09-02 | 产品筛选方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010912292.1A CN112016975A (zh) | 2020-09-02 | 2020-09-02 | 产品筛选方法、装置、计算机设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016975A true CN112016975A (zh) | 2020-12-01 |
Family
ID=73516218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010912292.1A Pending CN112016975A (zh) | 2020-09-02 | 2020-09-02 | 产品筛选方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016975A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756590A (zh) * | 2020-12-28 | 2022-07-15 | 北京达佳互联信息技术有限公司 | 货品筛选方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
KR20170119653A (ko) * | 2017-07-21 | 2017-10-27 | 경희대학교 산학협력단 | 상품 구매 추천 방법 |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
-
2020
- 2020-09-02 CN CN202010912292.1A patent/CN112016975A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
KR20170119653A (ko) * | 2017-07-21 | 2017-10-27 | 경희대학교 산학협력단 | 상품 구매 추천 방법 |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756590A (zh) * | 2020-12-28 | 2022-07-15 | 北京达佳互联信息技术有限公司 | 货品筛选方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299362B (zh) | 相似企业推荐方法、装置、计算机设备及存储介质 | |
CN108427891B (zh) | 基于差分隐私保护的邻域推荐方法 | |
Janssen et al. | Model selection for social networks using graphlets | |
CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
US8572019B2 (en) | Reducing the dissimilarity between a first multivariate data set and a second multivariate data set | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
CN110851729A (zh) | 资源信息推荐方法、装置、设备及计算机存储介质 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
CN112541635A (zh) | 业务数据统计预测方法、装置、计算机设备及存储介质 | |
US9928516B2 (en) | System and method for automated analysis of data to populate natural language description of data relationships | |
CN108595580B (zh) | 新闻推荐方法、装置、服务器及存储介质 | |
CN112016975A (zh) | 产品筛选方法、装置、计算机设备及可读存储介质 | |
CN112487021A (zh) | 业务数据的关联分析方法、装置及设备 | |
CN110633304B (zh) | 组合特征筛选方法、装置、计算机设备及存储介质 | |
US11977565B2 (en) | Automated data set enrichment, analysis, and visualization | |
CN114723516A (zh) | 基于成单数据的用户相似度计算方法及系统 | |
CN113688206A (zh) | 基于文本识别的趋势分析方法、装置、设备及介质 | |
CN112732891A (zh) | 办公课程推荐方法、装置、电子设备及介质 | |
CN114282976A (zh) | 供应商推荐方法、装置、电子设备及介质 | |
CN112785095A (zh) | 贷款预测方法、装置、电子设备和计算机可读存储介质 |
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 |