CN112036932A - 基于用户行为的运营推荐方法、装置、设备及存储介质 - Google Patents

基于用户行为的运营推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112036932A
CN112036932A CN202010766535.5A CN202010766535A CN112036932A CN 112036932 A CN112036932 A CN 112036932A CN 202010766535 A CN202010766535 A CN 202010766535A CN 112036932 A CN112036932 A CN 112036932A
Authority
CN
China
Prior art keywords
matching rate
user
user behavior
optimal path
similarity matching
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
Application number
CN202010766535.5A
Other languages
English (en)
Other versions
CN112036932B (zh
Inventor
丁磊
张运超
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.)
Human Horizons Shanghai Internet Technology Co Ltd
Original Assignee
Human Horizons Shanghai Internet 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 Human Horizons Shanghai Internet Technology Co Ltd filed Critical Human Horizons Shanghai Internet Technology Co Ltd
Priority to CN202010766535.5A priority Critical patent/CN112036932B/zh
Publication of CN112036932A publication Critical patent/CN112036932A/zh
Application granted granted Critical
Publication of CN112036932B publication Critical patent/CN112036932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户行为的运营推荐方法，包括：根据当前用户行为获取当前用户对应的当前用户标签；其中，当前用户标签基于用户标签模型得到；计算当前用户标签和群体用户标签的第一相似匹配率；计算当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，AOE图由历史用户行为构成；根据第一相似匹配率和第二相似匹配率计算最优路径相似匹配率；根据最优路径相似匹配率确定可运营路径；根据可运营路径中的用户行为推荐运营内容。本发明还公开了一种基于用户行为的运营推荐装置、一种基于用户行为的运营推荐设备和一种计算机可读存储介质。采用本发明实施例，能对用户行为进行分析，以针对不同用户使用不同的运营推荐方式。

Description

基于用户行为的运营推荐方法、装置、设备及存储介质
技术领域
本发明涉及大数据分析应用领域，尤其涉及一种基于用户行为的运营推荐方法、装置、设备及存储介质。
背景技术
汽车工业经历了一百多年的发展，对国家经济的发展和腾飞以及对人类社会的文明带来了巨大的影响。随着人们生活水平以及汽车性能的不断提高，人们对汽车的消费需求也越来越旺盛，且越来越多的用户热衷于在互联网上获取与汽车相关的信息。对于互联网络中分发的诸多汽车相关内容，用户在浏览汽车相关内容之时，也会产生关于创造和分享与此汽车内容相关的话题的用户行为，而现有技术对于互联网上产生与汽车内容相关的用户行为并未做详细的研究，在互联网上推送内容给用户时，都是对所有用户推送相同的内容，导致无法针对一些潜在用户推送与普通用户不同的内容。
发明内容
本发明实施例的目的是提供一种基于用户行为的运营推荐方法、装置、设备及存储介质，能对用户行为进行分析，以针对不同用户使用不同的运营推荐方式。
为实现上述目的，本发明实施例提供了一种基于用户行为的运营推荐方法，包括：
根据当前用户行为获取当前用户对应的当前用户标签；其中，所述当前用户行为为前端系统记录的，所述当前用户标签基于预设的用户标签模型得到；
计算所述当前用户标签和群体用户标签的第一相似匹配率；
计算所述当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，所述AOE图由历史用户行为构成；
根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率；
根据所述最优路径相似匹配率确定可运营路径；
根据所述可运营路径中的用户行为推荐运营内容。
作为上述方案的改进，所述AOE图中的顶点表示所述历史用户行为，所述最优路径行为为所述AOE图中的最优路径所对应的历史用户行为，连接两个所述顶点的边上设有活动成本，所述最优路径根据所述活动成本计算得到。
作为上述方案的改进，所述群体用户标签为所述最优路径上的历史用户行为对应的历史用户的标签。
作为上述方案的改进，所述根据所述最优路径相似匹配率确定可运营路径，包括：
当所述最优路径相似匹配率大于预设匹配率阈值时，获取所述最优路径相似匹配率对应的最优路径作为可运营路径。
作为上述方案的改进，所述根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率，包括：
计算所述第一相似匹配率和预设的第一权重的第一乘积；
计算所述第二相似匹配率和预设的第二权重的第二乘积；
将所述第一乘积和所述第二乘积相加的和作为所述最优路径相似匹配率。
为实现上述目的，本发明实施例还提供了一种基于用户行为的运营推荐装置，包括：
用户标签获取模块，用于根据当前用户行为获取当前用户对应的当前用户标签；其中，所述当前用户行为为前端系统记录的，所述当前用户标签基于预设的用户标签模型得到；
第一相似匹配率计算模块，用于计算所述当前用户标签和群体用户标签的第一相似匹配率；
第二相似匹配率计算模块，用于计算所述当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，所述AOE图由历史用户行为构成；
最优路径相似匹配率计算模块，用于根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率；
可运营路径确定模块，用于根据所述最优路径相似匹配率确定可运营路径；
运营内容推荐模块，用于根据所述可运营路径中的用户行为推荐运营内容。
作为上述方案的改进，所述AOE图中的顶点表示所述历史用户行为，所述最优路径行为为所述AOE图中的最优路径所对应的历史用户行为，连接两个所述顶点的边上设有活动成本，所述最优路径根据所述活动成本计算得到。
作为上述方案的改进，所述群体用户标签为所述最优路径上的历史用户行为对应的历史用户的标签。
为实现上述目的，本发明实施例还提供一种基于用户行为的运营推荐设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的基于用户行为的运营推荐方法。
为实现上述目的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的基于用户行为的运营推荐方法。
与现有技术相比，本发明实施例公开的基于用户行为的运营推荐方法、装置、设备及存储介质，首先计算当前用户标签和群体用户标签的第一相似匹配率，以及计算当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；然后根据第一相似匹配率和第二相似匹配率计算最优路径相似匹配率；最后根据最优路径相似匹配率确定可运营路径，以根据可运营路径中的用户行为推荐运营内容。由于在推荐运营内容过程中，使用AOE网分析用户行为，进而得到最优路径，同时结合标签模型，分析用户标签特征相似匹配率，能对用户行为进行详细分析，以针对不同用户使用不同的运营推荐方式。
附图说明
图1是本发明实施例提供的一种基于用户行为的运营推荐方法的流程图；
图2是本发明实施例提供的用户行为示意图；
图3是本发明实施例提供的一种AOE图；
图4是本发明实施例提供的当前用户标签和群体用户标签的匹配示意图；
图5是本发明实施例提供的最优路径示意图；
图6是本发明实施例提供的三条最优路径及其相似匹配率的示意图；
图7是本发明实施例提供的一种基于用户行为的运营推荐装置的结构框图；
图8是本发明实施例提供的一种基于用户行为的运营推荐设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的一种基于用户行为的运营推荐方法的流程图，所述基于用户行为的运营推荐方法包括：
S1、根据当前用户行为获取当前用户对应的当前用户标签；其中，所述当前用户行为为前端系统记录的，所述当前用户标签基于预设的用户标签模型得到；
S2、计算所述当前用户标签和群体用户标签的第一相似匹配率；
S3、计算所述当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，所述AOE图由历史用户行为构成；
S4、根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率；
S5、根据所述最优路径相似匹配率确定可运营路径；
S6、根据所述可运营路径中的用户行为推荐运营内容。
值得说明的是，本发明实施例所述的基于用户行为的运营推荐方法可由前端系统执行实现，所述前端系统可为网页或APP等，所述前端系统在获取到的用户行后执行上述步骤S1～S6。参见图2，图2是本发明实施例提供的用户行为示意图，所述前端系统会进行埋点，通过埋点工具记录用户行为。示例性的，在埋点时需要包含以下信息：①用户行为发生的主体，比如匿名用户，或者已经注册的用户，对于同一来源的匿名用户需要分配唯一ID，已注册用户在不同用户行为上需要记录唯一ID值；②用户行为发生的时间，或者活动成本等任意可计算的变量数值；③用户行为详情。
在一种实施方式中，所述用户行为为用户在前端系统产生的所有事件对应的用户行为，如图2中的“用户注册”、“发帖”、“转发”、“收藏”、“评论”、“试乘试驾”等，此时所述前端系统未对用户产生的行为做任何合并。
在另一种实施方式中，所述用户行为为用户在前端系统产生的所有事件进行合并后的用户行为，如图2中的“注册”、“认知”、“体验”、“服务”、“购买”、“售后”，此时所述前端系统对用户产生的行为进行合并后得到用户行为，如“认知”这一用户行为包括了发帖、转发、收藏和评论等事件。
参见图3，图3是本发明实施例提供的一种AOE图，所述AOE图由历史用户行为(如图中的V1～V9)构成，所述AOE图中的顶点表示所述历史用户行为，连接两个所述顶点的边上设有活动成本，所述活动成本为执行完上一用户行为后，直到执行当前用户行为为止所花费的成本，该成本对历史活动成本取均值得到，如执行完V1后，再执行V2所需的活动成本为6。所述前端系统将所有用户的埋点数据映射到所述AOE图的边界上，取历史活动成本的平均值标注在图中。示例性的，所述活动成本可为时间。
示例性的，现有技术中的AOE(Activity On Edge Network)图具有以下属性：只有在某顶点所代表的事件发生后，从该顶点出发的各有向边所代表的活动才能开始；只有在进入某顶点的各有向边所代表的活动都已结束，该顶点所代表的事件才能发生。但在实际的用户行为分析中，用户行为的前后行为并没有这么严格的制约条件，比如在实际生活中“试乘试驾”并不是“整车购买”的必须前置条件，因此在本发明实施例中构建所述AOE图时不受上述属性的限制，但规定：只有一个活动的起点，称作潜在客户，只有一个活动的终点，称作资深车主；所有边都有方向性，从起点出发至少存在一条到达终点的路径，且不存在能够回到已访问节点的回环路径；多个同类事件在可以结合实际分析需求合并为一个。
值得说明的是，在本发明实施例中，所述AOE图的最优路径不止一条，首先利用Dijkstra算法或Floyd算法计算所述AOE图中各个路径的活动成本总和，然后取活动成本总和小于预设的成本阈值的路径作为最优路径。具体的所述成本阈值的设定可由工作人员自行设定，在此不做具体限定。以图3为例进行说明，该AOE图一共有5条路径，分别为“V1-V2-N5-V7-V9”、“V1-V2-N5-V8-V9”、“V1-V3-N5-V7-V9”、“V1-V3-N5-V8-V9”、“V1-V4-N6-V8-V9”，该5条路径对应的活动成本总和为：18、18、16、16、15，若所述成本阈值为17，则此时该AOE图的最优路径一共有三条，分别为：“V1-V3-N5-V7-V9”、“V1-V3-N5-V8-V9”、“V1-V4-N6-V8-V9”。
具体地，在步骤S1中，当用户在所述前端系统触发事件(比如注册、发帖)时，所述前端系统获取到与当前事件对应的当前用户行为，对所述当前用户行为进行分析(如分析注册时用户填写的信息以及分别发帖的具体内容)，从而根据当前用户行为在用户标签模型中获取对应的当前用户标签。所述用户标签模型包括所有历史用户的标签，所述用户标签模型中的标签与用户行为具有对应关系。可以理解的是，当有新用户出现有新标签时，所述用户标签模型会自动添加所述新标签。
具体地，在步骤S2中，所述群体用户标签为所述最优路径上的历史用户行为对应的历史用户的标签。示例性的，所述AOE图中各个顶点都有其对应的历史用户(历史用户曾经触发过这个事件)，则该历史用户所对应的标签均在所述群体用户标签中。所述第一相似匹配率满足以下公式：
Figure BDA0002614855030000071
其中，Pα为所述第一相似匹配率，n为所述当前用户标签与所述群体用户标签匹配的个数，m为所述群体用户标签的个数。
示例性的，参见图4，图4是本发明实施例提供的当前用户标签和群体用户标签的匹配示意图，假设所述群体用户标签有6个，所述当前用户标签与所述群体用户标签匹配的个数为4，则此时Pα≈66.7％。
具体地，在步骤S3中，所述最优路径行为为所述最优路径上包括的历史用户行为，因所述AOE图有多条最优路径，因此计算出来的所述第二相似匹配率也有多个。所述第二相似匹配率满足以下公式：
Figure BDA0002614855030000072
其中，Pβ为所述第一相似匹配率，l为当前用户行为与最优路径行为匹配的个数，h为所述最优路径行为的个数。
示例性的，以图3中的“V1-V4-N6-V8-V9”这一最优路径为例，参见图5，该最优路径对应的最优路径行为有5个，分别为“注册-发帖-活动参与-金融服务-整车购买”，若当前用户行为为“注册-发帖-活动参与”，则此时有3个用户行为与最优路径行为匹配，则此时Pβ＝60％。
具体地，在步骤S4中，所述根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率，包括步骤S41～S43：
S41、计算所述第一相似匹配率和预设的第一权重的第一乘积；
S42、计算所述第二相似匹配率和预设的第二权重的第二乘积；
S43、将所述第一乘积和所述第二乘积相加的和作为所述最优路径相似匹配率。
示例性的，所述第一权重和所述第二权重可根据实际情况由工作人员自行设定，在此不做具体限定。给第一相似匹配率和第二相似匹配率设定对应的权重，能够自主调节两个匹配率的重要程度。因所述第二相似匹配率有多个(最优路径有多条)，则对应的所述最优路径相似匹配率也有多个。所述最优路径相似匹配率满足以下公式：
P＝Pα*Wα+Pβ*Wβ 公式(3)；
其中，P为所述最优路径相似匹配率，Wα为所述第一权重，Wβ为所述第二权重。
具体地，在步骤S5中，当所述最优路径相似匹配率大于预设匹配率阈值时，获取所述最优路径相似匹配率对应的最优路径作为可运营路径。示例性的，参见图6，假设此时有三条最优路径，其对应的最优路径相似匹配率分别为：60％、20％、68％，当所述预设匹配率阈值为50％时，第一条和第三条最优路径符合，此时选取这两条最优路径为可运营路径。
具体地，在步骤S6中，根据所述可运营路径中的用户行为推荐运营内容，在此过程中，需要判断当前可运营路径中的用户行为是否与当前用户已产生的用户行为重复，若是，则过滤与已产生的用户行为重复的用户行为，只运营推荐与不重复的用户行为相关的内容。以图6中第一条可运营路径为例，若用户此时已经产生“注册-发帖-活动参与”这几个用户行为，则对应的此时应该推荐的运营内容为与“金融服务”对应的运营内容。可以理解的是，所述前端系统预先存储有与用户行为对应的运营内容，在确定完所述可运营路径中的用户行为后，能够直接推荐与该用户行为对应的推荐内容，将用户转化为车主。
与现有技术相比，本发明实施例公开的基于用户行为的运营推荐方法，首先计算当前用户标签和群体用户标签的第一相似匹配率，以及计算当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；然后根据第一相似匹配率和第二相似匹配率计算最优路径相似匹配率；最后根据最优路径相似匹配率确定可运营路径，以根据可运营路径中的用户行为推荐运营内容。由于在推荐运营内容过程中，使用AOE网分析用户行为，进而得到最优路径，同时结合标签模型，分析用户标签特征相似匹配率，能对用户行为进行详细分析，以针对不同用户使用不同的运营推荐方式。
参见图7，图7是本发明实施例提供的一种基于用户行为的运营推荐装置10的结构框图，所述基于用户行为的运营推荐装置10包括：
用户标签获取模块11，用于根据当前用户行为获取当前用户对应的当前用户标签；其中，所述当前用户行为为前端系统记录的，所述当前用户标签基于预设的用户标签模型得到；
第一相似匹配率计算模块12，用于计算所述当前用户标签和群体用户标签的第一相似匹配率；
第二相似匹配率计算模块13，用于计算所述当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，所述AOE图由历史用户行为构成；
最优路径相似匹配率计算模块14，用于根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率；
可运营路径确定模块15，用于根据所述最优路径相似匹配率确定可运营路径；
运营内容推荐模块16，用于根据所述可运营路径中的用户行为推荐运营内容。
值得说明的是，本发明实施例所述的基于用户行为的运营推荐装置10为前端系统，所述前端系统可为网页或APP等。所述前端系统会进行埋点，通过埋点工具记录用户行为。示例性的，在埋点时需要包含以下信息：①用户行为发生的主体，比如匿名用户，或者已经注册的用户，对于同一来源的匿名用户需要分配唯一ID，已注册用户在不同用户行为上需要记录唯一ID值；②用户行为发生的时间，或者活动成本等任意可计算的变量数值；③用户行为详情。
在一种实施方式中，所述用户行为为用户在前端系统产生的所有事件对应的用户行为，如图2中的“用户注册”、“发帖”、“转发”、“收藏”、“评论”、“试乘试驾”等，此时所述前端系统未对用户产生的行为做任何合并。
在另一种实施方式中，所述用户行为为用户在前端系统产生的所有事件进行合并后的用户行为，如图2中的“注册”、“认知”、“体验”、“服务”、“购买”、“售后”，此时所述前端系统对用户产生的行为进行合并后得到用户行为，如“认知”这一用户行为包括了发帖、转发、收藏和评论等事件。
可选地，所述AOE图中的顶点表示所述历史用户行为，所述最优路径行为为所述AOE图中的最优路径所对应的历史用户行为，连接两个所述顶点的边上设有活动成本，所述最优路径根据所述活动成本计算得到。
可选地，所述群体用户标签为所述最优路径上的历史用户行为对应的历史用户的标签。
可选地，所述可运营路径确定模块15具体用于：当所述最优路径相似匹配率大于预设匹配率阈值时，获取所述最优路径相似匹配率对应的最优路径作为可运营路径。
可选地，所述最优路径相似匹配率计算模块14具体用于：
计算所述第一相似匹配率和预设的第一权重的第一乘积；
计算所述第二相似匹配率和预设的第二权重的第二乘积；
将所述第一乘积和所述第二乘积相加的和作为所述最优路径相似匹配率。
值得说明的是，本发明实施例所述的基于用户行为的运营推荐装置10中各个模块的具体工作过程请参考上述实施例所述的基于用户行为的运营推荐方法的工作过程，在此不再赘述。
与现有技术相比，本发明实施例公开的基于用户行为的运营推荐装置10，首先计算当前用户标签和群体用户标签的第一相似匹配率，以及计算当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；然后根据第一相似匹配率和第二相似匹配率计算最优路径相似匹配率；最后根据最优路径相似匹配率确定可运营路径，以根据可运营路径中的用户行为推荐运营内容。由于在推荐运营内容过程中，使用AOE网分析用户行为，进而得到最优路径，同时结合标签模型，分析用户标签特征相似匹配率，能对用户行为进行详细分析，以针对不同用户使用不同的运营推荐方式。
参见图8，图8是本发明实施例提供的一种基于用户行为的运营推荐设备20的结构框图，所述基于用户行为的运营推荐设备20包括：处理器21、存储器22以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如行驶控制程序。所述处理器21执行所述计算机程序时实现上述基于用户行为的运营推荐方法实施例中的步骤，例如图1所示的步骤S1～S6。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如用户标签获取模块11。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于用户行为的运营推荐设备20中的执行过程。例如，所述计算机程序可以被分割成用户标签获取模块11、第一相似匹配率计算模块12、第二相似匹配率计算模块13、最优路径相似匹配率计算模块14、可运营路径确定模块15和运营内容推荐模块16。具体的各个模块的工作过程可参考上述实施例所述的基于用户行为的运营推荐装置10的工作过程，在此不再赘述。
所述基于用户行为的运营推荐设备20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。所述基于用户行为的运营推荐设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是图像增强设备的示例，并不构成对基于用户行为的运营推荐设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于用户行为的运营推荐设备20还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。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，所述处理器21是所述基于用户行为的运营推荐设备20的控制中心，利用各种接口和线路连接整个基于用户行为的运营推荐设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述基于用户行为的运营推荐设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于用户行为的运营推荐设备20集成的模块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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于用户行为的运营推荐方法，其特征在于，包括：
根据当前用户行为获取当前用户对应的当前用户标签；其中，所述当前用户行为为前端系统记录的，所述当前用户标签基于预设的用户标签模型得到；
计算所述当前用户标签和群体用户标签的第一相似匹配率；
计算所述当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，所述AOE图由历史用户行为构成；
根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率；
根据所述最优路径相似匹配率确定可运营路径；
根据所述可运营路径中的用户行为推荐运营内容。
2.如权利要求1所述的基于用户行为的运营推荐方法，其特征在于，所述AOE图中的顶点表示所述历史用户行为，所述最优路径行为为所述AOE图中的最优路径所对应的历史用户行为，连接两个所述顶点的边上设有活动成本，所述最优路径根据所述活动成本计算得到。
3.如权利要求2所述的基于用户行为的运营推荐方法，其特征在于，所述群体用户标签为所述最优路径上的历史用户行为对应的历史用户的标签。
4.如权利要求2所述的基于用户行为的运营推荐方法，其特征在于，所述根据所述最优路径相似匹配率确定可运营路径，包括：
当所述最优路径相似匹配率大于预设匹配率阈值时，获取所述最优路径相似匹配率对应的最优路径作为可运营路径。
5.如权利要求1所述的基于用户行为的运营推荐方法，其特征在于，所述根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率，包括：
计算所述第一相似匹配率和预设的第一权重的第一乘积；
计算所述第二相似匹配率和预设的第二权重的第二乘积；
将所述第一乘积和所述第二乘积相加的和作为所述最优路径相似匹配率。
6.一种基于用户行为的运营推荐装置，其特征在于，包括：
用户标签获取模块，用于根据当前用户行为获取当前用户对应的当前用户标签；其中，所述当前用户行为为前端系统记录的，所述当前用户标签基于预设的用户标签模型得到；
第一相似匹配率计算模块，用于计算所述当前用户标签和群体用户标签的第一相似匹配率；
第二相似匹配率计算模块，用于计算所述当前用户行为与预设的AOE图中的若干个最优路径行为的第二相似匹配率；其中，所述AOE图由历史用户行为构成；
最优路径相似匹配率计算模块，用于根据所述第一相似匹配率和所述第二相似匹配率计算最优路径相似匹配率；
可运营路径确定模块，用于根据所述最优路径相似匹配率确定可运营路径；
运营内容推荐模块，用于根据所述可运营路径中的用户行为推荐运营内容。
7.如权利要求6所述的基于用户行为的运营推荐装置，其特征在于，所述AOE图中的顶点表示所述历史用户行为，所述最优路径行为为所述AOE图中的最优路径所对应的历史用户行为，连接两个所述顶点的边上设有活动成本，所述最优路径根据所述活动成本计算得到。
8.如权利要求7所述的基于用户行为的运营推荐装置，其特征在于，所述群体用户标签为所述最优路径上的历史用户行为对应的历史用户的标签。
9.一种基于用户行为的运营推荐设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于用户行为的运营推荐方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于用户行为的运营推荐方法。
CN202010766535.5A 2020-08-03 2020-08-03 基于用户行为的运营推荐方法、装置、设备及存储介质 Active CN112036932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010766535.5A CN112036932B (zh) 2020-08-03 2020-08-03 基于用户行为的运营推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010766535.5A CN112036932B (zh) 2020-08-03 2020-08-03 基于用户行为的运营推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112036932A true CN112036932A (zh) 2020-12-04
CN112036932B CN112036932B (zh) 2023-02-03

Family

ID=73582135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010766535.5A Active CN112036932B (zh) 2020-08-03 2020-08-03 基于用户行为的运营推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112036932B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806662A (zh) * 2021-09-23 2021-12-17 深圳市易平方网络科技有限公司 一种运营数据推送控制方法、装置、终端设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104901997A (zh) * 2014-03-04 2015-09-09 帕洛阿尔托研究中心公司 用于内容中心网络中的直接存储装置存取的系统和方法
CN106919998A (zh) * 2015-12-28 2017-07-04 航天信息股份有限公司 一种基于aoe网络的物流模型及方法
CN106919790A (zh) * 2017-02-16 2017-07-04 网易（杭州）网络有限公司 游戏的角色推荐、阵容组建方法和装置、游戏方法和装置
CN109035820A (zh) * 2018-08-02 2018-12-18 佛山世寰智能科技有限公司 一种山区危险道路预警方法及系统
CN109064283A (zh) * 2018-07-27 2018-12-21 广州视源电子科技股份有限公司 商品推荐方法及装置、计算机可读存储介质
CN109377433A (zh) * 2018-08-02 2019-02-22 佛山世寰智能科技有限公司 一种候鸟社区智慧警务信息管理方法及系统
US20200125264A1 (en) * 2018-10-17 2020-04-23 International Busines Machines Corporation Providing a global unique identifier for a storage volume
US20200204522A1 (en) * 2010-12-22 2020-06-25 May Patents Ltd. System and method for routing-based internet security
CN111476633A (zh) * 2020-03-31 2020-07-31 招商局金融科技有限公司 产品服务推荐平台、产品服务的路径推荐方法及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200204522A1 (en) * 2010-12-22 2020-06-25 May Patents Ltd. System and method for routing-based internet security
CN104901997A (zh) * 2014-03-04 2015-09-09 帕洛阿尔托研究中心公司 用于内容中心网络中的直接存储装置存取的系统和方法
CN106919998A (zh) * 2015-12-28 2017-07-04 航天信息股份有限公司 一种基于aoe网络的物流模型及方法
CN106919790A (zh) * 2017-02-16 2017-07-04 网易（杭州）网络有限公司 游戏的角色推荐、阵容组建方法和装置、游戏方法和装置
CN109064283A (zh) * 2018-07-27 2018-12-21 广州视源电子科技股份有限公司 商品推荐方法及装置、计算机可读存储介质
CN109035820A (zh) * 2018-08-02 2018-12-18 佛山世寰智能科技有限公司 一种山区危险道路预警方法及系统
CN109377433A (zh) * 2018-08-02 2019-02-22 佛山世寰智能科技有限公司 一种候鸟社区智慧警务信息管理方法及系统
US20200125264A1 (en) * 2018-10-17 2020-04-23 International Busines Machines Corporation Providing a global unique identifier for a storage volume
CN111476633A (zh) * 2020-03-31 2020-07-31 招商局金融科技有限公司 产品服务推荐平台、产品服务的路径推荐方法及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王艳歌等: ""基于CELTS和知识点的自主学习导航系统的设计"", 《计算机时代》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806662A (zh) * 2021-09-23 2021-12-17 深圳市易平方网络科技有限公司 一种运营数据推送控制方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN112036932B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN108537567B (zh) 一种目标用户群体的确定方法和装置
CN108121795B (zh) 用户行为预测方法及装置
WO2017202006A1 (zh) 数据处理方法和装置、计算机存储介质
CN110472154B (zh) 一种资源推送方法、装置、电子设备及可读存储介质
EP3001332A1 (en) Target user determination method, device and network server
WO2019080662A1 (zh) 信息推荐方法及装置、设备
WO2019062081A1 (zh) 业务员画像形成方法、电子装置及计算机可读存储介质
CN110046303B (zh) 一种基于需求匹配平台实现的信息推荐方法及装置
JP2017509960A (ja) コンテンツ推奨のための方法、装置およびシステム
CN110727860A (zh) 基于互联网美容平台的用户画像方法、装置、设备及介质
CN112685676B (zh) 一种信息推荐方法、装置和电子设备
Keusch et al. Do you have your smartphone with you? Behavioral barriers for measuring everyday activities with smartphone sensors
CN106897282B (zh) 一种用户群的分类方法和设备
CN112036932B (zh) 基于用户行为的运营推荐方法、装置、设备及存储介质
Sevtuk et al. Does metropolitan form affect transportation sustainability? Evidence from US metropolitan areas
CN112511632A (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
JP6909183B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN110796379A (zh) 业务渠道的风险评估方法、装置、设备及存储介质
CN110705733A (zh) 取号方法、装置、电子设备及计算机可读存储介质
CN114513686B (zh) 视频信息的确定方法、装置以及存储介质
WO2019187107A1 (ja) 情報処理装置、制御方法、及びプログラム
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN114676272A (zh) 多媒体资源的信息处理方法、装置、设备及存储介质
CN110784552B (zh) 一种信息推送方法、装置、设备和介质
CN111382343B (zh) 一种标签体系生成方法及装置

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