CN112184300A - 一种达人匹配方法、介质、系统和设备 - Google Patents
一种达人匹配方法、介质、系统和设备 Download PDFInfo
- Publication number
- CN112184300A CN112184300A CN202011018225.1A CN202011018225A CN112184300A CN 112184300 A CN112184300 A CN 112184300A CN 202011018225 A CN202011018225 A CN 202011018225A CN 112184300 A CN112184300 A CN 112184300A
- Authority
- CN
- China
- Prior art keywords
- person
- data
- commodity
- user information
- updating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012216 screening Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 16
- 239000000047 product Substances 0.000 description 10
- 206010044565 Tremor Diseases 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009193 crawling Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000008918 voyeurism Diseases 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/9532—Query formulation
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种达人匹配方法、介质、系统和设备,其实现方式包括收集用户信息、用户分类、计算带货数据、提供搜索,本发明通过收集海量的、公开的达人视频、粉丝、电商商品等数据,进行不同维度的计算分析与存储,从而商家可以在不同维度下,对目标网红达人进行筛选,并为其提供达人电商能力的数据报告分析,能够帮助商家节省寻找合适达人的时间。
Description
技术领域
本发明涉及一种达人匹配方法、介质、系统和设备。
背景技术
网络红人(Infl uencer)即网络达人,是指在现实或者网络生活中因为某个事件或者某个行为而被网民关注从而走红的人或长期持续输出专业知识而走红的人。他们的走红皆因为自身的某种特质在网络作用下被放大,与网民的审美、审丑、娱乐、刺激、偷窥、臆想、品味以及看客等心理相契合,有意或无意间受到网络世界的追捧,成为“网络红人”。“网络红人”的产生是在网络媒介环境下,网络红人、网络推手、传统媒体以及受众心理需求等利益共同体综合作用下的结果。
网红经济是以网红为形象代表,以红人的品味和眼光为主导,进行选款和视觉推广,在社交媒体上聚集人气,依托庞大的粉丝群体进行定向营销,从而将粉丝转化为购买力的一个过程,网红及其作品,成为一种产品推广的渠道,愈发受到关注,众多产品制造商,寻求网红合作,希望能够将自己的产品向潜在消费者推广,如何选择适合的网红合作,成为投资者面临的主要问题之一。
以抖音为例,抖音电商起初是以短视频为主要载体的,短视频达人的电商带货能力与粉丝数、内容类型、粉丝群体、人设等挂钩,而商家为了寻找与目标产品所匹配的网红达人通常需要花费大量的精力进行筛选、分析,市场上亟需一种能够解决上述问题的技术方案。
发明内容
本发明实施例提供一种达人匹配方法、介质、系统和设备,能够帮助商家节省寻找合适网红的时间:本案通过收集海量的、公开的达人视频、粉丝、电商商品等数据,进行不同维度的计算分析与存储,从而商家可以在不同维度下,对目标网红达人进行筛选,并为其提供达人电商能力的数据报告分析。
第一方面,发明实施例提供了一种达人匹配方法,包括:
收集视频发布平台上发布视频的用户及其用户信息,尤其是热度达到预设值的视频的用户及其用户信息。
预先设定达人筛选规则,根据达人筛选规则和用户信息将用户划分成达人及普通用户,分别建立达人库及普通用户库,并根据预设频率更新,不断完善用户信息及数据库。
计算带货数据:在视频发布平台或链接的电商平台获取达人所带过的商品数据,所述商品数据包括商品名称、商品介绍及商品销量,根据所述商品数据进行商品分类;所述商品数据和商品分类形成带货数据;将所述达人及其对应的带货数据储存到所述达人库。
提供搜索,所述搜索包括带货数据搜索。
进一步的,所述用户信息包括用户基础信息、粉丝数据、视频数据、评论数据、点赞数据、转发数据。
进一步的,所述根据预设频率更新包括:
1.达人库总点赞数前3000的达人每3小时进行达人的用户信息更新;
2.达人库总点赞数前30000的达人每6小时进行达人的用户信息更新;
3.仅有橱窗的达人每天定时进行一次达人的用户信息更新;
4.有橱窗且粉丝数大于10W的达人每6小时进行一次达人的用户信息更新;
5.有橱窗且粉丝数大于1W的达人每12小时进行一次达人的用户信息更新;
6.商家或个人用户关注收藏的达人每2小时进行一次达人的用户信息更新;
7.商家或个人用户近7天内浏览过的达人每10分钟进行一次达人的用户信息更新;
8.粉丝数大于1000每15天进行一次达人的用户信息更新;
9.新发现的达人在24小时内每10分钟进行一次达人的用户信息更新;
10.粉丝数大于1W且没有商品橱窗的达人每12小时进行一次达人的用户信息更新;
11.活跃度达到预设值的达人每12小时进行一次达人的用户信息更新。
进一步的,所述达人筛选规则包括:粉丝数量达到预设数量,或者预设数量的用户主动关注。
进一步的,所述商品分类采用机器模型进行分类,所述机器模型的学习样本获取于电商平台。
进一步的,还包括确定达人的分类标识:建立分类标识;获取达人现有的分类,匹配到对应的分类标识;若达人暂无分类,对达人的认证信息、昵称或个人签名的关键词进行匹配映射,确定分类标识;所述搜索包括分类标识搜索。
进一步的,所述确定分类标识过程中,采用机器模型进行分类,所述机器模型的学习样本获取于达人现有的分类。
进一步的,还包括计算粉丝画像:所述粉丝画像包括男女粉丝数量及比例、粉丝地域分布、粉丝年龄段分布;所述搜索包括粉丝画像搜索。
第二方面,发明实施例提供了一种达人匹配系统,能够实现第一方面提出的方法,包括:
数据采集模块,应用于采集视频发布平台上发布视频的用户及其用户信息。
数据存储模块,为数据库,存储所述数据采集模块采集的数据。
数据处理模块,根据预先设定达人筛选规则,将用户划分成达人及普通用户,并根据预设频率更新;计算带货数据:获取达人所带过的商品数据,所述商品数据包括商品名称及商品销量,根据所述商品数据进行商品分类;所述商品数据和商品分类形成带货数据;将所述达人及其对应的带货数据储存到所述达人库;提供搜索,所述搜索包括带货数据搜索。
第三方面,发明实施例提供了一种达人匹配设备,其中,包括:存储器、处理器;所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至8中任一项所述达人匹配方法。
第四方面,发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现第一方面中的达人匹配方法。
在本发明实施例中,给出了一种达人匹配方法、介质、系统和设备,具备以下优点:
1、为商家或个人提供一种匹配要求的达人的渠道;
2、能够根据商家或个人要求,快速匹配到对应的网红达人;
3、提供多种搜索方式,满足商家各种需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明一实施例提供的一种达人匹配方法的流程图;
图2为本发明一实施例提供的一种系统的模块图;
图3本本发明一实施例提供的一种介质的结构示意图;
图4为本发明一实施例提供的一种设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
网红经济依托于网红,是以网红为形象代表,以红人的品味和眼光为主导,进行选款和视觉推广,在社交媒体上聚集人气,依托庞大的粉丝群体进行定向营销,从而将粉丝转化为购买力的一个过程,网红及其作品,成为一种产品推广的渠道,愈发受到关注,众多产品制造商,寻求网红合作,希望能够将自己的产品向潜在消费者推广,如何选择适合的网红合作,成为投资者面临的主要问题之一。以抖音为例,抖音电商起初是以短视频为主要载体的,短视频达人的电商带货能力与粉丝数、内容类型、粉丝群体、人设等挂钩,而商家为了寻找与目标产品所匹配的网红达人通常需要花费大量的精力进行筛选、分析,市场上亟需一种能够解决上述问题的技术方案。
针对上述问题,本发明提供的方法能够为商家或个人提供一种达人匹配方法、介质、系统和设备,包括以下具体实施例:
实施例一:
一种达人匹配方法,请参阅图1,包括:
S10、收集用户信息:在视频发布平台上,收集热度值达到预设值的视频的发布用户及其用户信息,所述用户信息包括用户基础信息、粉丝数据、视频数据、评论数据、点赞数据、转发数据。
本实施例中,对数据进行初步的清洗筛选后写入Kafka集群,再由SparkStreaming写入到HBase与Elasticsearch中存储。
S20、用户分类:预先设定达人筛选规则,本实施例中,筛选规则为:粉丝数量达到预设数量,或者预设数量的用户主动关注。
根据达人筛选规则和用户信息将用户划分成达人及普通用户,分别建立达人库及普通用户库,并根据预设频率更新,不断完善用户信息及数据库,所述根据预设频率更新包括:
1.达人库总点赞数前3000的达人每3小时进行达人的用户信息更新;
2.达人库总点赞数前30000的达人每6小时进行达人的用户信息更新;
3.仅有橱窗的达人每天定时进行一次达人的用户信息更新;
4.有橱窗且粉丝数大于10W的达人每6小时进行一次达人的用户信息更新;
5.有橱窗且粉丝数大于1W的达人每12小时进行一次达人的用户信息更新;
6.商家或个人用户关注收藏的达人每2小时进行一次达人的用户信息更新;
7.商家或个人用户近7天内浏览过的达人每10分钟进行一次达人的用户信息更新;
8.粉丝数大于1000每15天进行一次达人的用户信息更新;
9.新发现的达人在24小时内每10分钟进行一次达人的用户信息更新;
10.粉丝数大于1W且没有商品橱窗的达人每12小时进行一次达人的用户信息更新;
11.活跃度达到预设值的达人每12小时进行一次达人的用户信息更新。
本实施例中,通过定时调度任务与Spark RDD,每日0点后对达人数据进行一次计算:遍历达人作品列表数据,计算出达人总点赞、总转发、总评论数补充写入达人对应的用户信息。
还包括按天创建达人快照数据,由日期与达人ID组成的rowkey存放于hbase(用于获取不同时间的达人快照数据,并计算周期内的粉丝数增量、点赞数增量等数增量数据)。每日定时计算达人的增量数据,从快照表取出昨日与前日的达人快照数据,将粉丝数、点赞数、作品数进行对减后得到昨日增量数据,写入elasticsearch用于搜索与排序。
S30、计算带货数据:在视频发布平台或链接的电商平台获取达人所带过的商品数据,所述商品数据包括商品名称、商品介绍及商品销量,根据所述商品数据进行商品分类。所述商品数据和商品分类形成带货数据,将所述达人及其对应的带货数据储存到所述达人库。
通过Spark MLib机器学习对达人所带的商品数据进行归类。本实施例中,商品分类可以直接在电商平台上爬取现有的商品分类或者商品标签,达人带货的商品在其链接的电商平台上没有商品标签或商品分类时,可以根据商品的名字、简介、关键字等在其它电商平台上输入、搜索、匹配对应的商品。当搜索出的商品销量较多时,可以采用文字匹配机器学习模型和图形匹配机器学习模型进行机器筛选,文字匹配机器学习模型和图形匹配机器学习模型的学习样本来自于电商平台上同一商品不同店家的商品数据。当匹配到相同的商品后,爬取其商品标签或商品分类。当在其它电商平台也无法获取商品分类或商品标签时,采用文字匹配机器学习模型、图形匹配机器学习模型和分类机器学习模型进行分类:首先,利用文字匹配机器学习模型和图形匹配机器学习模型匹配出近似度达到预设值的类似商品,选取出前十名的类似商品,爬取这些类似商品的商品分类或商品标签,选取出占比最高的一类商品分类或商品标签为达人带货的商品的商品分类或商品标签。本实施例中,文字匹配机器学习模型和图形匹配机器学习模型的学习样本来自电商平台现有的商品数据。
S40、提供搜索:基于Web的方式向用户层面提供搜索界面,结合Elasticsearch,所述搜索包括带货数据搜索,商家或者个人,在搜索界面输入一具体商品,即可通过商品-商品类别/具体商品本身-达人一一对应,推荐出至少一个具体的达人,商家或者个人,可以进一步了解该具体的达人的用户信息,包括用户基础信息、粉丝数据、视频数据、评论数据、点赞数据、转发数据。
当所需类型或者带货类型的达人推荐结果不符合商家或者个人要求时,可以选择输入一个已知的满足要求的达人用户,系统根据该达人用户的用户信息,通过文字匹配机器学习模型匹配关键字,匹配出一批相似度达到预设值的相似达人用户,供商家或者个人选择。系统记录选择结果,进一步完善数据库及文字匹配机器学习模型。
在其它实施例中,由于部分网红达人不仅存在短视频数据,也存在直播数据,此时只需要在采集数据时加入直播数据的采集,并且将直播的观众数据、商品数据加入到步骤S20和步骤S30的计算当中来丰富达人的内容特征、粉丝特征,使达人特征更加精准。
实施例二:
在实施例一的基础上,步骤S30还包括确定达人的分类标识:
建立分类标识,比如明星、歌手、演员、宠物达人等。
获取达人现有的分类,匹配到对应的分类标识;
若达人暂无分类,对达人的认证信息、昵称或个人签名的关键词进行匹配映射,确定分类标识,这里可以采用文字匹配机器学习模型匹配关键词,该文字匹配机器学习模型的学习样本来自于达人现有的分类数据。
步骤S40还包括分类标识搜索,即使用者可以同时搜索带货数据和分类标识,或者单独搜索其一。
实施例三:
在实施例一或实施例二的基础上,步骤S30还包括计算粉丝画像:爬虫将达人的粉丝列表进行爬取存放至hbase,建立达人与粉丝关联表。所述粉丝画像包括男女粉丝数量及比例、粉丝地域分布、粉丝年龄段分布。
具体为:
1.男女粉丝数量及比例:计算出男、女粉丝数量
2.粉丝地域分布:根据粉丝信息中的省份与城市进行归并计算出不同省份城市的粉丝数量,并以此计算出各个省份城市粉丝数的占比。
3.粉丝年龄段分布:将粉丝年龄依次划分到6岁以下,6-17岁,18-24岁,25-30岁,31-35岁,36-40岁,40岁以上的区间内,计算出每个年龄段内的粉丝数及占比。
将上述数据补充写入达人的用户数据,并将占比最高的省份、城市、年龄段、性别作为一个检索字段写入elasticsearch用于后续的搜索。
步骤S40还包括粉丝画像搜索,即使用者可以同时搜索带货数据、分类标识和粉丝画像,或者单独搜索其一,或任意组合。
本实施例的搜索类别最为完善,用户可通过达人性别、达人分类、达人年龄、达人省市、粉丝数区间、粉丝性别、粉丝年龄段、粉丝分布以及带货品类信息等方式进行检索,并可以通过增量数据进行排序以此来推断达人的电商能力。
实施例四:
请参阅图2,一种达人匹配系统,能够实现第一方面提出的方法,包括:
数据采集模块,应用于采集视频发布平台上发布视频的用户及其用户信息。
数据存储模块,为数据库,存储所述数据采集模块采集的数据。
数据处理模块,根据预先设定达人筛选规则,将用户划分成达人及普通用户,并根据预设频率更新;计算带货数据:获取达人所带过的商品数据,所述商品数据包括商品名称及商品销量,根据所述商品数据进行商品分类;所述商品数据和商品分类形成带货数据;将所述达人及其对应的带货数据储存到所述达人库;提供搜索,所述搜索包括带货数据搜索。
本实施例的系统,其实现原理与方法的技术方案相似,此处不再赘述。
实施例五:
请参阅图3,一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现实施例一到三的方法。
实施例六:
在介绍了本发明示例性实施方式的方法、系统和介质之后,接下来,参考图4,介绍本发明提供的一种示例性设备40,该设备40包括处理单元401、存储器402、总线403、外部设备404、I/O接口405以及网络适配器406,该存储器402包括随机存取存储器(random accessmemory,RAM)4021、高速缓存存储器4022、只读存储器(Read-Only Memory,ROM)4023以及至少一片存储单元4024构成的存储单元阵列4025。其中该存储器402,用于存储处理单元401执行的程序或指令;该处理单元401,用于根据该存储器402存储的程序或指令,执行图1对应的本发明示例所述的方法;该I/O接口405,用于在该处理单元401的控制下接收或发送数据。
在此,所述示例性设备40其包括但不限于用户设备、网络设备或网络设备与用户设备通过网络相集成所构成的设备;所述用户设备包括但不限于任何一种可与用户通过键盘、遥控器、触摸板或声控设备进行人机交互的电子产品,例如计算机、智能手机、普通手机、平板电脑等;所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的各个模块可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式可借助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和软件结合的方式来实现。基于这样的理解,上述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计算机产品的形式体现出来,本发明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。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种达人匹配方法,其特征在于,包括:
收集视频发布平台上发布视频的用户及其用户信息;
预先设定达人筛选规则,将用户信息将用户划分成达人及普通用户,分别建立达人库及普通用户库,并根据预设频率更新;
计算带货数据:获取达人所带过的商品数据,所述商品数据包括商品名称、商品介绍及商品销量,根据所述商品数据进行商品分类;所述商品数据和商品分类形成带货数据;将所述达人及其对应的带货数据储存到所述达人库;
提供搜索,所述搜索包括带货数据搜索。
2.根据权利要求1所述的一种达人匹配方法,其特征在于,所述用户信息包括用户基础信息、粉丝数据、视频数据、评论数据、点赞数据、转发数据。
3.根据权利要求1所述的一种达人匹配方法,其特征在于,所述根据预设频率更新包括:
1.达人库总点赞数前3000的达人每3小时进行达人的用户信息更新;
2.达人库总点赞数前30000的达人每6小时进行达人的用户信息更新;
3.仅有橱窗的达人每天定时进行一次达人的用户信息更新;
4.有橱窗且粉丝数大于10W的达人每6小时进行一次达人的用户信息更新;
5.有橱窗且粉丝数大于1W的达人每12小时进行一次达人的用户信息更新;
6.商家或个人用户关注收藏的达人每2小时进行一次达人的用户信息更新;
7.商家或个人用户近7天内浏览过的达人每10分钟进行一次达人的用户信息更新;
8.粉丝数大于1000每15天进行一次达人的用户信息更新;
9.新发现的达人在24小时内每10分钟进行一次达人的用户信息更新;
10.粉丝数大于1W且没有商品橱窗的达人每12小时进行一次达人的用户信息更新;
11.活跃度达到预设值的达人每12小时进行一次达人的用户信息更新。
4.根据权利要求1所述的一种达人匹配方法,其特征在于,所述达人筛选规则包括:粉丝数量达到预设数量,或者预设数量的用户主动关注。
5.根据权利要求3所述的一种达人匹配方法,其特征在于,所述商品分类采用机器模型进行分类,所述机器模型的学习样本获取于电商平台。
6.根据权利要求1所述的一种达人匹配方法,其特征在于,还包括确定达人的分类标识:建立分类标识;获取达人现有的分类,匹配到对应的分类标识;若达人暂无分类,对达人的认证信息、昵称或个人签名的关键词进行匹配映射,确定分类标识;所述搜索包括分类标识搜索。
7.根据权利要求5所述的一种达人匹配方法,其特征在于,所述确定分类标识过程中,采用机器模型进行分类,所述机器模型的学习样本获取于达人现有的分类。
8.根据权利要求1所述的一种达人匹配方法,其特征在于,还包括计算粉丝画像:所述粉丝画像包括男女粉丝数量及比例、粉丝地域分布、粉丝年龄段分布;所述搜索包括粉丝画像搜索。
9.一种达人匹配系统,其中,包括:
数据采集模块,应用于采集视频发布平台上发布视频的用户及其用户信息;
数据存储模块,为数据库,存储所述数据采集模块采集的数据;
数据处理模块,根据预先设定达人筛选规则,将用户划分成达人及普通用户,并根据预设频率更新;计算带货数据:获取达人所带过的商品数据,所述商品数据包括商品名称及商品销量,根据所述商品数据进行商品分类;所述商品数据和商品分类形成带货数据;将所述达人及其对应的带货数据储存到所述达人库;提供搜索,所述搜索包括带货数据搜索。
10.一种达人匹配设备,其中,包括:存储器、处理器;所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至8中任一项所述达人匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018225.1A CN112184300A (zh) | 2020-09-24 | 2020-09-24 | 一种达人匹配方法、介质、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018225.1A CN112184300A (zh) | 2020-09-24 | 2020-09-24 | 一种达人匹配方法、介质、系统和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184300A true CN112184300A (zh) | 2021-01-05 |
Family
ID=73957005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011018225.1A Pending CN112184300A (zh) | 2020-09-24 | 2020-09-24 | 一种达人匹配方法、介质、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184300A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114443902A (zh) * | 2022-02-22 | 2022-05-06 | 广州云智达创科技有限公司 | 一种达人分析方法、装置、存储介质及程序产品 |
CN117412077A (zh) * | 2023-10-18 | 2024-01-16 | 北京头条易科技有限公司 | 一种短视频达人合作项目协同合作系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206590A1 (en) * | 2016-01-16 | 2017-07-20 | International Business Machines Corporation | System and method to incorporate node fulfillment capacity and network average capacity utilization in balancing fulfillment load across retail supply networks |
CN111047412A (zh) * | 2019-12-16 | 2020-04-21 | 武汉智领云科技有限公司 | 一种大数据电商运营平台 |
CN111444421A (zh) * | 2020-03-24 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 一种信息推送的方法、装置、计算机设备及存储介质 |
-
2020
- 2020-09-24 CN CN202011018225.1A patent/CN112184300A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206590A1 (en) * | 2016-01-16 | 2017-07-20 | International Business Machines Corporation | System and method to incorporate node fulfillment capacity and network average capacity utilization in balancing fulfillment load across retail supply networks |
CN111047412A (zh) * | 2019-12-16 | 2020-04-21 | 武汉智领云科技有限公司 | 一种大数据电商运营平台 |
CN111444421A (zh) * | 2020-03-24 | 2020-07-24 | 北京字节跳动网络技术有限公司 | 一种信息推送的方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
知乎: "如何在短视频平台快速匹配达人完成一次营销闭环?", 《如何在短视频平台快速匹配达人完成一次营销闭环?》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114443902A (zh) * | 2022-02-22 | 2022-05-06 | 广州云智达创科技有限公司 | 一种达人分析方法、装置、存储介质及程序产品 |
CN117412077A (zh) * | 2023-10-18 | 2024-01-16 | 北京头条易科技有限公司 | 一种短视频达人合作项目协同合作系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697629B (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
CN108108821A (zh) | 模型训练方法及装置 | |
Li et al. | Using text mining and sentiment analysis for online forums hotspot detection and forecast | |
CN109299994B (zh) | 推荐方法、装置、设备及可读存储介质 | |
WO2017202006A1 (zh) | 数据处理方法和装置、计算机存储介质 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN108648058B (zh) | 产品排序方法及装置,电子设备、存储介质 | |
US9411860B2 (en) | Capturing intentions within online text | |
CN108959323B (zh) | 视频分类方法和装置 | |
JP2017054214A (ja) | 判定装置、学習装置、情報配信装置、判定方法及び判定プログラム | |
CN109992676B (zh) | 一种跨媒体资源检索方法及检索系统 | |
CN110191183A (zh) | 精准智能推送方法、系统、装置及计算机可读存储介质 | |
CN116595398A (zh) | 基于元宇宙的资源智能匹配方法及相关装置 | |
CN112184300A (zh) | 一种达人匹配方法、介质、系统和设备 | |
Song et al. | Eye-tracking and social behavior preference-based recommendation system | |
CN111639253A (zh) | 一种数据判重方法、装置、设备及存储介质 | |
Maneewongvatana et al. | A recommendation model for personalized book lists | |
JP6137583B2 (ja) | 要請者のニーズを反映した文化芸術創作物の統合管理サービス提供システムの動作方法 | |
JP6308339B1 (ja) | クラスタリングシステム、方法およびプログラム、並びに、レコメンドシステム | |
CN112988848B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
JP2017201535A (ja) | 判定装置、学習装置、判定方法及び判定プログラム | |
Vardarlier et al. | Gossip management at universities using big data warehouse model integrated with a decision support system | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
US20190005519A1 (en) | Peak sale and one year sale prediction for hardcover first releases | |
CN113298145A (zh) | 标签填充方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |