CN112381598A - 产品服务信息推送方法及装置 - Google Patents
产品服务信息推送方法及装置 Download PDFInfo
- Publication number
- CN112381598A CN112381598A CN202011154205.7A CN202011154205A CN112381598A CN 112381598 A CN112381598 A CN 112381598A CN 202011154205 A CN202011154205 A CN 202011154205A CN 112381598 A CN112381598 A CN 112381598A
- Authority
- CN
- China
- Prior art keywords
- client
- customer
- label
- product service
- information
- 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 49
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 14
- 230000000474 nursing effect Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000002184 metal Substances 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
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010340 shenyuan Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种产品服务信息推送方法及装置，其中，该方法包括：从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息；基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息；根据每个客户加密后的特征信息，生成每个客户对应的客户标签；基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群；根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。本发明能够全面考虑客户需求，向不同客户群的客户推送不同的产品服务信息，实现有效、精准的产品服务营销。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种产品服务信息推送方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着越来越多的居民入住养老社区，养老社区的市场营销越来越需要采取更精准的营销技术来更快、更准、更多地获取客户资源。通常，养老社区的各个信息化系统、各种护理设备以及手机端应用，往往积累了现住居民大量的用户数据，如何对这些用户数据进行分析，以实现对客户线索的精准识别分类，是实现养老社区精准营销的重要技术手段。
目前，各大养老社区，在获取客户线索方面，采用的手段是通过一些优惠促销的方式，向某一类型的客户线索群体进行定向营销，这种方式所依据的数据比较单一，且没有兼顾老年社群的多元化与多样性，并没有覆盖尽可能多的客户群体和潜在客户线索。并且，以某一类型的客户线索群体的养老需求作为养老社区产品和服务的营销目标，难以兼顾其他客户线索群体的养老需求，从而使得养老社区流失很多客户资源。
发明内容
本发明实施例中提供了一种产品服务信息推送方法，用以解决现有养老社区的产品服务系统，不足以实现向目标客户精准推送产品或服务信息的技术问题，该方法包括：从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息；基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息；根据每个客户加密后的特征信息，生成每个客户对应的客户标签；基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群；根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
本发明实施例中还提供了一种产品服务信息推送装置，用以解决现有养老社区的产品服务系统，不足以实现向目标客户精准推送产品或服务信息的技术问题，该装置包括：客户特征信息提取模块，用于从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息；隐私保护处理模块，用于基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息；客户标签生成模块，用于根据每个客户加密后的特征信息，生成每个客户对应的客户标签；客户聚类分群模块，用于基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群；产品服务信息推送模块，用于根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
本发明实施例中还提供了一种计算机设备，用以解决现有养老社区的产品服务系统，不足以实现向目标客户精准推送产品或服务信息的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述产品服务信息推送方法。
本发明实施例中还提供了一种计算机可读存储介质，用以解决现有养老社区的产品服务系统，不足以实现向目标客户精准推送产品或服务信息的技术问题，该计算机可读存储介质存储有执行上述产品服务信息推送方法的计算机程序。
本发明实施例中，采集多个数据源的客户数据，从采集的客户数据中提取每个客户在多个维度上的特征信息，进而根据每个客户在多个维度上的特征信息，生成每个客户对应的客户标签，以便根据每个客户对应的客户标签，基于二项分布概率模型最大期望算法对待推送产品服务信息的多个客户进行聚类分群，最后根据每个客户所属的客户群，确定向每个客户推送的产品服务信息，与现有技术中仅根据某一类型客户的客户需求向各个客户推送产品服务信息的技术方案相比，本发明实施例中，能够全面考虑客户需求，向不同客户群的客户推送不同的产品服务信息，实现有效、精准的产品服务营销；基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，能够避免客户的个人敏感信息被暴露的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
图1为本发明实施例中提供的一种产品服务信息推送方法流程图；
图2为本发明实施例中提供的一种可选的产品服务信息推送方法流程图；
图3为本发明实施例中提供的一种产品服务信息推送的实施架构示意图；
图4为本发明实施例中提供的一种产品服务信息推送的功能架构示意图；
图5为本发明实施例中提供的一种产品服务信息推送的业务流程图；
图6为本发明实施例中提供的一种客户特征信息提取的数据流程图；
图7为本发明实施例中提供的一种基于多字节文本哈希映射函数实现客户特征信息隐私保护的流程图；
图8为本发明实施例中提供的一种定义标签的实现流程图；
图9为本发明实施例中提供的一种生成客户标签的实现流程图；
图10为本发明实施例中提供的一种客户聚类分群的实现流程图；
图11为本发明实施例中提供的一种生成客户标签画像的实现流程图；
图12为本发明实施例中提供的一种客户标签画像示意图；
图13为本发明实施例中提供的一种客户聚类分群结果示意图；
图14为本发明实施例中提供的又一种客户聚类分群结果示意图；
图15为本发明实施例中提供的一种产品服务信息推送装置示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明实施例中提供了一种产品服务信息推送方法，图1为本发明实施例中提供的一种产品服务信息推送方法流程图，如图1所示，该方法包括如下步骤：
S101，从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息。
需要说明的是，本发明实施例中采集客户数据的数据源包括但不限于：客户关系管理系统CRM、养老云平台、医院信息系统HIS、养老社区部署的各种护理设备等；采集的客户数据包括但不限于：销售数据(CRM)、居住数据(养老云)、餐饮数据、医院就诊数据(HIS)、体检数据(体检报告、调查问卷)、外出数据、保险数据、财务数据、护理设备数据等。上述S101中，从各个数据源提取客户在各个维度的统计意义上的特征信息，采集的特征信息可包括静态特征信息、动态特征信息、衍生特征信息等。
在一个实施例中，上述S101可以通过如下步骤来实现：确定每个数据源对应的一个或多个客户特征，每个客户特征对应客户在一个维度上的特征信息；从每个数据源采集的客户数据中，获取记录各个客户特征的文本内容；从记录各个客户特征的文本内容中，提取出一个或多个关键词；根据每个客户从各个数据源提取出的关键词，确定每个客户的特征信息。
S102，基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息。
为了在不暴露客户个人敏感信息的情况下生成客户在各个维度上的标签，本发明实施例中，基于多字节文本哈希映射函数的隐私保护技术对每个客户特征信息中包含的敏感信息进行隐私保护处理。
在一个实施例中，上述S102可以通过如下步骤来实现：从每个客户的特征信息中提取出敏感信息的文本字符；对敏感信息的文本字符进行统一多字节编码，得到统一多字节编码后的字符串；基于字符循环的多字节文本哈希映射函数，对统一多字节编码后的字符串进行加密变换，得到加密变换后的字符串；将每个客户的特征信息中敏感信息的文本字符替换为加密变换后的字符串，得到每个客户加密后的特征信息。
S103，根据每个客户加密后的特征信息，生成每个客户对应的客户标签。
在一个实施例中，上述S103可以通过如下步骤来实现：根据每个客户加密后的特征信息，生成每个客户的特征向量；将每个客户的特征向量与预设标签库中各个客户标签的特征向量进行匹配；根据匹配结果，生成每个客户对应的客户标签。
S104，基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群。
本发明实施例中，应用客户标签向量，基于非监督机器学习算法对客户进行聚类分群。在一个实施例中，上述S104可以通过如下步骤来实现：利用二项分布概率模型拟合出多个聚类簇，每个聚类簇对应一个客户群；基于最大期望算法，对各个聚类簇的二项分布概率模型进行参数优化，确定各个客户归属于不同聚类簇的概率；根据各个客户归属于不同聚类簇的概率，确定各个客户所属的客户群。
在上述实施例中，采用二项分布概率模型拟合客户分群聚类簇，并应用最大期望算法对二项分布模型进行参数优化，以便确定每个客户归属于不同聚类簇的概率。
可选地，在将每个客户的特征向量与预设标签库中各个客户标签的特征向量进行匹配之前，本发明实施例中提供的产品服务信息推送方法还可以通过如下步骤来生成各个客户标签的特征向量集：定义多个客户标签；确定各个客户标签对应的一个或多个客户特征；获取每个客户标签对应各个客户特征的特征值；根据每个客户标签对应各个客户特征的特征值，生成每个客户标签的特征向量集，其中，特征向量集中包含：多个特征向量，每个特征向量对应各个客户特征的一组特征值。
本发明实施例中，定义的客户标签包括：属性名称和属性取值；其中，标签属性名称表示客户的某个特征，例如，职业、就诊科室、就诊原因等；标签属性取值表示相应特征的取值集合，例如，职业特征有七种取值：资深专业人士、外资企业高管、党政机关单位干部、普通员工、国有/集体企事业高管、私营企业主/个体工商户、其他职业等。
需要说明的是，某个标签的标签特征向量集是指依据该标签的定义规则，该标签可能由多个特征构成，每个特征可能包含多个取值，多个特征的一组取值构成该标签的一条特征向量，因此，某个标签的所有特征向量就构成了该标签的标签特征向量集。例如，一维标签：居住业态；二维标签：年龄性别；三维标签：餐饮最近消费与消费频率及消费金额(RFM)；多维标签(三维以上)：健康状况等。总之，标签就是对特征空间进行不同粒度的切分。
S105，根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
需要说明的是，由于不同客户群的客户特征信息不同，对产品服务信息的需求不同，因而，可针对不同的客户群，关联不同的产品服务信息，以便在将对待推送产品服务信息的多个客户进行聚类分群后，向不同客户群的客户，推送不同的产品服务信息。
由上可知，本发明实施例中提供的产品服务信息推送方法，通过采集多个数据源的客户数据，从采集的客户数据中提取每个客户在多个维度上的特征信息，进而根据每个客户在多个维度上的特征信息，生成每个客户对应的客户标签，以便根据每个客户对应的客户标签，基于二项分布概率模型最大期望算法对待推送产品服务信息的多个客户进行聚类分群，最后根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
通过本发明实施例中提供的产品服务信息推送方法，能够全面考虑客户需求，向不同客户群的客户推送不同的产品服务信息，实现有效、精准的产品服务营销；基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，能够避免客户的个人敏感信息被暴露的风险。
在一个实施例中，如图2所示，本发明实施例中提供的产品服务信息推送方法还可以包括如下步骤：
S106，根据每个客户对应的客户标签，生成每个客户的标签画像；
S107，根据每个客户的标签画像，确定向每个客户推送的产品服务信息。
通过上述实施例，在根据每个客户的客户标签向量，生成每个客户的标签画像后，可根据每个客户的标签画像，向每个客户推送产品服务信息。
图3为本发明实施例中提供的一种产品服务信息推送的实施架构示意图，如图3所示，该实施架构包括四层，从下往上依次为数据层、模型层、服务层和应用层，其中，数据层用于存储各种数据；模型层用于特征信息提取和客户聚类分群等；服务层用于提供客户画像服务、客户聚类服务、标签管理服务等；应用层用于实现标签定义、标签更新、标签移除、标签检索、客户画像、产品或服务的精准营销等功能。与图3对应的功能架构如图4所示。
在上述实施架构和功能架构下，图5为本发明实施例中提供的一种产品服务信息推送的业务流程图，如图5所示，“标签移除”模块基于预先确定的在一定时间周期内的标签使用率阈值，将低于使用率阈值的标签移除到移除池，以便减少客户标签生成的计算时长；“标签更新”模块用于依据不同养老社区对相同名称的标签更新其所包含的标签属性集合；“标签检索”模块用于通过输入标签名称返回该标签包含的标签属性集合以及包含该标签的客户分群集合等。例如，对老年群体的兴趣爱好与性格特征以及社交需求的分群、本地养老需求的分群、异地旅居养老需求的分群、由子女支付的养老客户分群、由自己支付的养老客户分群等。这些不同的养老需求分群属于不同的细分市场，每个细分市场的客户群体的数量不尽相同。因此，针对不同的细分市场，可以提供相应的产品和服务满足不同细分客户群体的养老需求，并且，针对关键客户分群进行更精准地营销和社区产品服务的个性化推荐等。
由于特征信息提取与隐私保护、客户标签生成与聚类分群，是实现本发明的重要部分，下面对这两部分进行详细介绍。
(一)特征信息提取与隐私保护的数据流程：
从各个数据源提取客户特征信息的数据流程如图6所示，其中，外出数据中记录了居民从社区外出的信息，包括居民什么时候外出，预计什么时候回到社区、实际回到社区的时间、外出原因等，而外出原因为文本内容。为了从外出数据中提取出居民外出类别特征，需要从外出原因文本中提取相应的关键词，从外出数据中提取外出类别特征的关键词如表1所示。为了从医院就诊数据和体检数据中提取出居民疾病特征，需要从就诊记录中提取相应关键词，从医院就诊数据提取医院就诊特征的关键词如表2所示。
表1提取外出类别特征的关键词
| 外出类别特征 | 外出原因特征的关键词 |
| 外出回家 | 回、家、...... |
| 外出就医 | 医、诊、病、住院、检、疗、...... |
| 外出旅游 | 游、城、访、聚、船、机、车、去、出、其他、...... |
表2提取医院就诊特征的关键词
通过表1和表2的关键词提取，既可以获取到客户的关键统计特征，又可以不暴露客户的完整的个人隐私信息。例如，在提取外出类别特征后，可不再暴露外出原因的完整文本内容；在提取就诊原因特征后，可不再暴露完整的就诊文本记录；在提取出医保类型是外地医保或本地医保的特征后，可不再暴露完整的原住址等。
进一步地，为了保护客户的一些个人敏感信息不被暴露，例如，客户姓名、出生日期、住址、健康状况、兴趣爱好、财务状况、行为模式等信息，需要设计合适有效的隐私保护技术对提取出的客户特征信息进行隐私保护处理。
现有的隐私保护技术包括基于数据失真的技术(例如差分隐私保护技术等)、基于数据加密的技术(例如同态加密隐私保护技术、区块链隐私保护技术等)、基于限制发布的技术(例如屏蔽敏感信息的匿名技术、基于协同过滤的隐私保护技术等)。这些隐私保护技术在保护个人隐私数据方面存在不足之处。例如，通过匿名技术屏蔽个人姓名和证件身份信息等，但是依然可以通过性别、出生日期、住址等个人信息要素了解到数据主体的身份信息或者通过其它的数据库要素关联到数据主体的身份信息。再例如，通过差分隐私保护技术可以对个人隐私数据添加微小的随机化差分干扰达到隐私保护的目的，但是这个微小的随机化差分干扰可能导致原数据失真甚至不可用。
鉴于此，本发明实施例中提出一种基于多字节文本哈希映射函数的隐私保护技术。该隐私保护技术是一种可逆加密的隐私保护技术，在技术上没有同态加密隐私保护技术和区块链隐私保护技术那么复杂，但是在应用场景上比同态加密隐私保护技术和区块链隐私保护技术更适合中文文本的隐私保护。采用该隐私保护技术实现客户特征信息隐私保护的实现流程如图7所示。
在具体实施时，记变量X为多字节文本字符，例如中文的“中”字，对应的统一多字节编码(unicode)为“\u4e2d”(“\u”表示unicode编码)，将“4e2d”记为
因此，
通过设计哈希映射函数，对统一多字节编码后的字符串进行加密变换，使得加密变换后的字符串对原多字节文本字符起到保护不被识别的效果。并且，设计的哈希映射函数应该是可逆的变换过程，即通过哈希反映射函数可以将变换后的文本通过哈希反映射变换恢复到变换前的文本。记这个哈希映射函数为
需要说明的是，常用的映射函数包括随机映射表、多项式函数、位运算函数、MD5、SHA-1、因子函数等。本发明实施例中提供了一种用于多字节文本字符可逆变换的哈希映射函数。这种可逆变换的哈希映射函数可以有很多种变换形式，并且可以通过哈希反映射函数将变换进行还原。本发明实施例中，以循环变换为例进行说明。
由于双字节编码以“\u”开头，后跟四个字符表示，后跟的四个字符为'0'-'9'的数字或者'a'-'z'的字母构成。如果字符是字母，那么对字母循环变换后依然是字母，例如(x+j)-26×Ix+j＞'z',
如果字符是数字，那么对数字做循环变换后依然为数字，例如(x+i)％10,x∈['0','9']∧i∈[1,9]。如果定义基于字符循环变换的哈希映射函数如公式(1)所示：
那么，基于公式(1)的哈希映射函数的哈希反映射函数如公式(2)所示：
记这个哈希反映射函数为
(二)客户标签生成与聚类分群的数据流程：
假设特征集合记为{Featurei},i＝1,...,I，I表示特征总个数。假设每个特征的取值已经进行了离散化处理，即特征Featurei的取值集合为
J表示取值总个数。例如，如果Featurei＝职业，那么职业特征的取值集合为
其中，
假设标签集合记为{Labelk},k＝1,...,K，K表示标签总个数。每个标签的定义来自于某个特征子集的取值组合，记为向量集合Ψ＝{Ψn},n＝1,...,N，N表示向量总个数，Ψn为I维的向量。例如，如果某个标签Labelk定义为“三高一主的客户”，取值于职业特征的组合
其中，每个取值可以表示为一个I维的向量Ψn,n＝1,...,4，那么，Ψ＝{Ψ1,Ψ2,Ψ3,Ψ4}，
假设客户集合记为{Customerm},m＝1,...,M，M表示客户总个数。每个客户由I个特征构成，可以表示为一个I维的特征向量，例如，客户Customerm可以用一个I维的特征向量
来表示，其中
表示第i个特征的第ji个取值。如果客户Customerm的第i个特征取值为
标签Labelk的第i个特征取值为
那么客户Customerm的第k个标签Labelk的取值为1，即可以为客户Customerm打上“三高一主的客户”的标签。因此，如果某标签Labelk的取值集合为
并且满足
(
表示存在一个)，那么表示客户Customerm的标签Labelk的取值为1，记为Vm(Labelk)＝1，即可以为客户Customerm打上该标签。相应地，如果该标签Labelk满足
(
表示任何一个)，那么表示客户Customerm的标签Labelk的取值为0，记为Vm(Labelk)＝0，即不可以为客户Customerm打上该标签。如果从标签集合{Labelk},k＝1,...,K中遍历所有的标签，那么可以得到客户Customerm的所有标签的取值，因此，客户Customerm的所有标签的取值可以用K维的标签向量Γm来表示，用函数关系记为Γm＝L(Ωm)。
假设Vm(Label1)＝0、...、Vm(Labelk)＝1、...、Vm(LabelK)＝0，则
Γm＝(Vm(Label1),...,Vm(Labelk),...,Vm(LabelK))＝(0,...,1,...0)。
图8示出了标签定义的实现流程，本发明实施例中，标签属性名称是指某个特征，例如职业、就诊科室、就诊原因等。标签属性取值表示这个特征的取值集合，例如职业特征有七种取值：资深专业人士、外资企业高管、党政机关单位干部、普通员工、国有/集体企事业高管、私营企业主/个体工商户、其他职业等。
图9示出了生成客户标签的实现流程。其中，某条标签的标签特征向量集是指依据该条标签的定义规则，该条标签可能由多个特征构成，每个特征可能包含多个取值，多个特征的一组取值构成该标签的一条特征向量，因此，该标签的所有特征向量就构成了该标签的标签特征向量集。例如，一维标签：居住业态；二维标签：年龄性别；三维标签：餐饮最近消费与消费频率及消费金额(RFM)；多维标签(三维以上)：健康状况等。总之，标签就是对特征空间进行不同粒度的切分。
应用客户标签向量，可以基于非监督机器学习算法对客户进行聚类分群。通过图9，已经为客户Customerm生成了K维标签向量Γm，然而基于标签向量Γm的客户Customerm究竟属于哪个分群依然是未知的。因为所有客户的K维标签向量的每个标签的取值均为0或1，每个标签取值均服从二项分布B(M,p)，其中，M表示客户总数，p表示标签取值为1的概率，所以可以采用二项分布概率模型拟合客户分群聚类簇，并应用最大期望算法(ExpectationMaximization)对二项分布模型进行参数优化，以便确定每个客户归属于不同聚类簇的概率。基于二项分布概率模型最大期望算法的客户分群的数据流程如图10所示。
引入隐变量γmg表示客户Customerm是否属于第g个分群，取值只能是1或0，γmg＝1表示客户Customerm属于第g个分群，γmg＝0表示客户Customerm不属于第g个分群。因此，对于客户Customerm会对应一个向量变量
并且其概率满足
其中，G为所有客户的分群总数，αg表示客户Customerm属于第g个客户分群的概率，各个客户分群相互独立。客户集合记为XCustomer＝{Customerm}。
首先，确定图10中最大期望算法的E步。依据当前二项分布参数来估计隐变量γmg的期望，如公式(3)所示。其中，Mg表示第g∈[1,G]个分群的客户数，pgk表示第g个分群的第k∈[1,K]个标签取值为1的概率，Θk＝{Mg,pgk}表示所有客户分群的分布参数集合。
然后，确定图10中最大期望算法的M步。对于客户Customerm，当已知其属于第g个分群之后，第k个标签服从的二项分布如公式(4)所示，其似然函数如公式(5)所示。
因此，所有客户的似然函数和对数似然函数分别如公式(6)和公式(7)所示，Θ＝{Θk}。
应用客户标签向量，也可以度量客户之间的相似度。客户之间的相似度可以由客户特征向量之间的距离来度量，也可以由客户标签向量之间的距离来度量。如果由客户特征向量之间的距离来度量客户之间的相似度，那么称为客户之间的特征相似度。如果由客户标签向量之间的距离来度量客户之间的相似度，那么称为客户之间的标签相似度。
如果客户Customerm的标签向量记为Γm＝(Vm(Label1),...,Vm(Labelk),...,Vm(LabelK))并且客户Customern的标签向量记为Γn＝(Vn(Label1),...,Vn(Labelk),...,Vn(LabelK))，那么客户Customerm与客户Customern之间的标签相似度可以用两个客户标签向量之间的欧式距离或者余弦相似度表示，分别记为dist(Γm,Γn)以及
如公式(8)和公式(9)表示。
利用客户标签向量对客户进行标签画像的实现流程如图11所示。
以已开园的泰康养老社区为例，从泰康养老社区的燕园、申园、粤园、蜀园、吴园、楚园六个园区的居民的数据中提取出泰康社区居民的特征并智能生成客户的标签，并应用已生成的客户标签对泰康社区居民进行标签画像和客户分群等，从而实现对不同的客户分群进行精准营销并且对社区的产品服务进行优化和个性化推荐等。
下面举三个例子描述本发明实施例的实际落地结果。
①客户标签生成：
首先，创建如表3所示的客户标签表。
表3客户标签表
其次，从社区居民的数据中提取出居民的特征，并且对居民的敏感数据进行必要的隐私保护。通过对居民的特征向量与标签的特征向量集进行匹配，生成居民对应的标签，包括标签类别、标签名称、标签性质等。标签取值的关键词包括：基本信息关键词、居住属性关键词、支付情况关键词、兴趣爱好关键词、健康状况关键词、饮食习惯关键词、社区融入关键词、外出情况关键词、综合情况关键词等，标签取值关键词一览表的示例如表4所示。
表4标签取值关键词一览表
最后，查看客户标签表。在客户标签表中，生成的客户标签的示例如表5所示。
表5生成的客户标签示例
②标签应用一：客户画像，利用生成的客户标签，可对社区现住居民进行个体画像。居民个体画像的一个示例如图12所示。
③标签应用二：客户聚类分群，利用生成的客户标签，可对社区现住居民进行客户聚类分群。
例如，取五个标签组，其中，标签组1表示基本信息标签组，标签组2表示居住属性标签组，标签组3表示支付情况标签组，标签组4表示兴趣爱好标签组，标签组5表示健康状况标签组等。基于最大期望算法将泰康社区现住居民分别按照前三个标签组(标签组1、标签组2和标签组3)聚类成图13所示的三个客户分群；按照另两个标签组(标签组4和标签组5)聚类成图14所示的三个客户分群。图13和图14中三角形点、横线点、竖线点分别表示不同的客户群集合。通过对客户进行聚类分群和获取分群中的客户密度(客户群体数量)，可以依据营销目标对客户分群进行精准营销，并可以通过优化社区产品服务(例如，优化社区医院的医保报销服务等)对客户分群进行个性化推荐，能够促成更多的目标客户线索入住养老社区。
本发明实施例中提供的产品服务信息推送方法可以解决泰康养老社区“泰康之家”目前存在的业务痛点：
第一，“泰康之家”养老社区与普通居住社区的最大的不同在于，“泰康之家”养老社区内有康复医院、独立生活区、协助护理区、专业护理区、记忆照护区等不同的社区功能，并且在社区内部有各种适老设计与适老互联设备、智慧护理设备、适老活动会所与运动场所、适老餐厅、公共会客区域等。泰康之家社区居民在社区中每时每刻都在产生数据，比如，在社区的活动数据、行为数据、餐饮数据、就诊数据、消费数据、各种智慧互联设备的数据等。然而，这些数据都分散在各个不同的信息化系统与智能设备中，因此，当前的业务痛点就是需要及时对居民的各方面的数据进行完整的分析。通过本发明提案的基于智慧长寿社区居民的标签生成技术，可以对现住居民的各个方面的数据进行完整全面的分析并生成具体的业务标签，从而对每个居民形成标签画像和聚类分群等。这将有助于优化社区的服务与产品以便更有针对地满足不同居民的养老需求和追求更美好长寿健康生活的愿望等。例如，这些居民标签包括无子女的群体，身体健康的群体，公务员与离退休老干部群体，喜欢安全、居家、自然的群体，喜欢休闲、放松、随意的群体，需要护理与长期就诊需求的群体，喜欢社交与聚集活动的群体等。依据社区居民标签智能生成与聚类，社区能够提供便利自主的社区产品与服务，以便满足不同养老群体的物质生活与精神生活等领域的需求。
第二，通过本发明提案提出的客户聚类分群技术，可以精准把握客户线索的多维度全面特征，以便采取更有针对性的精准营销战略与策略等。通过分析不同的社会性差异的老年群体的行为模式以及生理与心理需求，包括居住、健康、饮食、休闲娱乐等方面的需求，可以拓宽购买幸福有约的客户线索群体的细分市场和细分市场的客群数量等。
将本发明实施例中提供的产品服务信息推送方法应用于“泰康之家”养老社区，通过对泰康之家现住居民在居住、健康、饮食、休闲娱乐等方面的行为数据的分析，对泰康之家现住居民进行标签画像与聚类分群等。通过对客户线索在高端养老社区的生理与心理等方面的需求匹配，将客户线索需求进行聚类分群标注等。通过匹配客户线索的需求与现住居民分群的标签的相似度，实现客户线索的精准营销，有助于“泰康之家”的市场销售人员与运营管理人员以及领导层采取更有效地精准营销战略与策略，并通过优化泰康之家的产品服务，实现降本增效的目的。例如，通过对“泰康之家”的客户进行标签画像和聚类分群，可以依据营销目标对客户分群进行精准营销，并可以通过优化社区产品和服务对客户分群进行个性化推荐等。
基于同一发明构思，本发明实施例中还提供了一种产品服务信息推送装置，如下面的实施例所述。由于该装置解决问题的原理与上述产品服务信息推送方法相似，因此该装置的实施可以参见上述产品服务信息推送方法的实施，重复之处不再赘述。
图15为本发明实施例中提供的一种产品服务信息推送装置示意图，如图15所示，该装置包括：客户特征信息提取模块151、隐私保护处理模块152、客户标签生成模块153、客户聚类分群模块154和产品服务信息推送模块155。
其中，客户特征信息提取模块151，用于从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息；隐私保护处理模块152，用于基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息；客户标签生成模块153，用于根据每个客户加密后的特征信息，生成每个客户对应的客户标签；客户聚类分群模块154，用于基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群；产品服务信息推送模块155，用于根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
由上可知，本发明实施例中提供的产品服务信息推送装置，通过客户特征信息提取模块151采集多个数据源的客户数据，从采集的客户数据中提取每个客户在多个维度上的特征信息；通过隐私保护处理模块152基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理；通过客户标签生成模块153根据每个客户在多个维度上的特征信息，生成每个客户对应的客户标签；通过客户聚类分群模块154根据每个客户对应的客户标签，基于二项分布概率模型最大期望算法对待推送产品服务信息的多个客户进行聚类分群；通过产品服务信息推送模块155根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
通过本发明实施例中提供的产品服务信息推送装置，能够全面考虑客户需求，向不同客户群的客户推送不同的产品服务信息，实现有效、精准的产品服务营销；基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，能够避免客户的个人敏感信息被暴露的风险。
在一个实施例中，上述客户特征信息提取模块151还用于：确定每个数据源对应的一个或多个客户特征，每个客户特征对应客户在一个维度上的特征信息；从每个数据源采集的客户数据中，获取记录各个客户特征的文本内容；从记录各个客户特征的文本内容中，提取出一个或多个关键词；根据每个客户从各个数据源提取出的关键词，确定每个客户的特征信息。
在一个实施例中，上述隐私保护处理模块152还用于：从每个客户的特征信息中提取出敏感信息的文本字符；对敏感信息的文本字符进行统一多字节编码，得到统一多字节编码后的字符串；基于字符循环的多字节文本哈希映射函数，对统一多字节编码后的字符串进行加密变换，得到加密变换后的字符串；将每个客户的特征信息中敏感信息的文本字符替换为加密变换后的字符串，得到每个客户加密后的特征信息。
在一个实施例中，上述客户标签生成模块153还用于：根据每个客户加密后的特征信息，生成每个客户的特征向量；将每个客户的特征向量与预设标签库中各个客户标签的特征向量进行匹配；根据匹配结果，生成每个客户对应的客户标签。
在一个实施例中，上述客户聚类分群模块154还用于：利用二项分布概率模型拟合出多个聚类簇，每个聚类簇对应一个客户群；基于最大期望算法，对各个聚类簇的二项分布概率模型进行参数优化，确定各个客户归属于不同聚类簇的概率；根据各个客户归属于不同聚类簇的概率，确定各个客户所属的客户群。
在一个实施例中，本发明实施例中提供的产品服务信息推送装置还可以包括：客户画像绘制模块156，用于根据每个客户对应的客户标签，生成每个客户的标签画像。其中，产品服务信息推送模块155还用于根据每个客户的标签画像，确定向每个客户推送的产品服务信息。
在一个实施例中，本发明实施例中提供的产品服务信息推送装置还可以包括：标签库定义模块157，用于：定义多个客户标签；确定各个客户标签对应的一个或多个客户特征；获取每个客户标签对应各个客户特征的特征值；根据每个客户标签对应各个客户特征的特征值，生成每个客户标签的特征向量集，其中，特征向量集中包含多个特征向量，每个特征向量对应各个客户特征的一组特征值。
基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有养老社区的产品服务系统，不足以实现向目标客户精准推送产品或服务信息的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述产品服务信息推送方法。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有养老社区的产品服务系统，不足以实现向目标客户精准推送产品或服务信息的技术问题，该计算机可读存储介质存储有执行上述产品服务信息推送方法的计算机程序。
综上所述，本发明实施例中还提供了一种产品服务信息推送方法、装置、计算机设备及计算机可读存储介质，从多个数据源采集的客户数据中提取客户在多个维度的特征信息，基于多字节文本哈希映射函数的隐私保护技术对客户特征信息中包含的敏感信息进行处理，根据对隐私保护处理后的特征信息，生成各个客户的标签向量，进而采用二项分布概率模型拟合客户分群聚类簇，并应用最大期望算法对二项分布模型进行参数优化，以便基于客户标签向量与标签特征向量进行匹配的方式，根据每个客户的客户标签向量，确定每个客户归属于不同客户分群聚类簇的概率，将待推送产品服务信息的多个客户划分为不同的客户分群聚类簇中，最后根据每个客户所属的客户群，向客户推送相应的产品服务信息，与现有技术中仅根据某一类型客户的客户需求向各个客户推送产品服务信息的技术方案相比，本发明实施例中，能够全面考虑客户需求，向不同客户群的客户推送不同的产品服务信息，实现有效、精准的产品服务营销；基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，能够避免客户的个人敏感信息被暴露的风险。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。
本发明是参照根据本发明实施例的方法、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设备上，使得在计算机或其他可编程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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种产品服务信息推送方法，其特征在于，包括：
从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息；
基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息；
根据每个客户加密后的特征信息，生成每个客户对应的客户标签；
基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群；
根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
2.如权利要求1所述的方法，其特征在于，从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息，包括：
确定每个数据源对应的一个或多个客户特征，每个客户特征对应客户在一个维度上的特征信息；
从每个数据源采集的客户数据中，获取记录各个客户特征的文本内容；
从记录各个客户特征的文本内容中，提取出一个或多个关键词；
根据每个客户从各个数据源提取出的关键词，确定每个客户在各个维度上的特征信息。
3.如权利要求1所述的方法，其特征在于，基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息，包括：
从每个客户的特征信息中提取出敏感信息的文本字符；
对敏感信息的文本字符进行统一多字节编码，得到统一多字节编码后的字符串；
基于字符循环的多字节文本哈希映射函数，对统一多字节编码后的字符串进行加密变换，得到加密变换后的字符串；
将每个客户的特征信息中敏感信息的文本字符替换为加密变换后的字符串，得到每个客户加密后的特征信息。
4.如权利要求1所述的方法，其特征在于，根据每个客户加密后的特征信息，生成每个客户对应的客户标签，包括：
根据每个客户加密后的特征信息，生成每个客户的特征向量；
将每个客户的特征向量与预设标签库中各个客户标签的特征向量进行匹配；
根据匹配结果，生成每个客户对应的客户标签。
5.如权利要求4所述的方法，其特征在于，在将每个客户的特征向量与预设标签库中各个客户标签的特征向量进行匹配之前，所述方法还包括：
定义多个客户标签；
确定各个客户标签对应的一个或多个客户特征；
获取每个客户标签对应各个客户特征的特征值；
根据每个客户标签对应各个客户特征的特征值，生成每个客户标签的特征向量集，其中，特征向量集中包含：多个特征向量，每个特征向量对应各个客户特征的一组特征值。
6.如权利要求1所述的方法，其特征在于，基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群，包括：
利用二项分布概率模型拟合出多个聚类簇，每个聚类簇对应一个客户群；
基于最大期望算法，对各个聚类簇的二项分布概率模型进行参数优化，确定各个客户归属于不同聚类簇的概率；
根据各个客户归属于不同聚类簇的概率，确定各个客户所属的客户群。
7.如权利要求1至6任一项所述的方法，其特征在于，在根据每个客户加密后的特征信息，生成每个客户对应的客户标签之后，所述方法还包括：
根据每个客户对应的客户标签，生成每个客户的标签画像；
根据每个客户的标签画像，确定向每个客户推送的产品服务信息。
8.一种产品服务信息推送装置，其特征在于，包括：
客户特征信息提取模块，用于从多个数据源采集的客户数据中，提取每个客户在多个维度上的特征信息；
隐私保护处理模块，用于基于多字节文本哈希映射函数，对每个客户的特征信息进行隐私保护处理，得到每个客户加密后的特征信息；
客户标签生成模块，用于根据每个客户加密后的特征信息，生成每个客户对应的客户标签；
客户聚类分群模块，用于基于二项分布概率模型最大期望算法，根据每个客户对应的客户标签，对待推送产品服务信息的多个客户进行聚类分群，得到多个客户群；
产品服务信息推送模块，用于根据每个客户所属的客户群，确定向每个客户推送的产品服务信息。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述产品服务信息推送方法。
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存储有执行权利要求1至7任一项所述产品服务信息推送方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011154205.7A CN112381598B (zh) | 2020-10-26 | 2020-10-26 | 产品服务信息推送方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011154205.7A CN112381598B (zh) | 2020-10-26 | 2020-10-26 | 产品服务信息推送方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381598A true CN112381598A (zh) | 2021-02-19 |
| CN112381598B CN112381598B (zh) | 2023-12-05 |
Family
ID=74576220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011154205.7A Active CN112381598B (zh) | 2020-10-26 | 2020-10-26 | 产品服务信息推送方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381598B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967052A (zh) * | 2021-02-26 | 2021-06-15 | 贵州鑫众搏骏科技有限公司 | 一种基于区块链的支付数据资产化交易平台及方法 |
| CN113781277A (zh) * | 2021-08-05 | 2021-12-10 | 北京远盟普惠健康科技有限公司 | 一种开展康养服务的终端、系统和数据处理方法 |
| CN116010693A (zh) * | 2022-12-28 | 2023-04-25 | 广州市玄武无线科技股份有限公司 | 基于客群的信息推送方法、装置、设备和计算机存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243815A1 (en) * | 2007-03-30 | 2008-10-02 | Chan James D | Cluster-based assessment of user interests |
| WO2008121872A1 (en) * | 2007-03-30 | 2008-10-09 | Amazon Technologies, Inc. | Cluster-based assessment of user interests |
| US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
| KR20190103688A (ko) * | 2018-02-28 | 2019-09-05 | 세종대학교산학협력단 | RFM 기법과 K-Means 알고리즘을 이용한 고객 분류 방법 및 시스템 |
| CN110517114A (zh) * | 2019-08-21 | 2019-11-29 | 广州云徙科技有限公司 | 一种基于社区发现算法的信息推送方法及系统 |
| CN110533453A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技（深圳）有限公司 | 基于用户匹配的产品推荐方法、装置、计算机设备 |
| WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技（深圳）有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
-
2020
- 2020-10-26 CN CN202011154205.7A patent/CN112381598B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243815A1 (en) * | 2007-03-30 | 2008-10-02 | Chan James D | Cluster-based assessment of user interests |
| WO2008121872A1 (en) * | 2007-03-30 | 2008-10-09 | Amazon Technologies, Inc. | Cluster-based assessment of user interests |
| US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
| KR20190103688A (ko) * | 2018-02-28 | 2019-09-05 | 세종대학교산학협력단 | RFM 기법과 K-Means 알고리즘을 이용한 고객 분류 방법 및 시스템 |
| WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技（深圳）有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
| CN110533453A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技（深圳）有限公司 | 基于用户匹配的产品推荐方法、装置、计算机设备 |
| CN110517114A (zh) * | 2019-08-21 | 2019-11-29 | 广州云徙科技有限公司 | 一种基于社区发现算法的信息推送方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 公晓璐: "考虑隐私保护的智能推荐研究论述", 《智库时代》, no. 12, pages 242 - 243 * |
| 田丰 等: "一种无线传感器网络预配置对密钥的改进方案", 《计算机应用研究》, vol. 25, no. 05, pages 1856 - 1859 * |
| 陈召新: "基于谱聚类个性化推荐算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 05, pages 1 - 57 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967052A (zh) * | 2021-02-26 | 2021-06-15 | 贵州鑫众搏骏科技有限公司 | 一种基于区块链的支付数据资产化交易平台及方法 |
| CN113781277A (zh) * | 2021-08-05 | 2021-12-10 | 北京远盟普惠健康科技有限公司 | 一种开展康养服务的终端、系统和数据处理方法 |
| CN116010693A (zh) * | 2022-12-28 | 2023-04-25 | 广州市玄武无线科技股份有限公司 | 基于客群的信息推送方法、装置、设备和计算机存储介质 |
| CN116010693B (zh) * | 2022-12-28 | 2023-11-07 | 广州市玄武无线科技股份有限公司 | 基于客群的信息推送方法、装置、设备和计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381598B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
| US11615288B2 (en) | Secure broker-mediated data analysis and prediction | |
| Jaques et al. | Multimodal autoencoder: A deep learning approach to filling in missing sensor data and enabling better mood prediction | |
| Lin et al. | User-level psychological stress detection from social media using deep neural network | |
| CN112381598B (zh) | 产品服务信息推送方法及装置 | |
| Tran et al. | Learning vector representation of medical objects via EMR-driven nonnegative restricted Boltzmann machines (eNRBM) | |
| Wu et al. | Topic evolution based on LDA and HMM and its application in stem cell research | |
| Vidhya et al. | Modified adaptive neuro-fuzzy inference system (M-ANFIS) based multi-disease analysis of healthcare Big Data | |
| Wu et al. | Open data mining for Taiwan’s dengue epidemic | |
| Sun et al. | Cluster analysis in data‐driven management and decisions | |
| Signorelli et al. | Model-based clustering for populations of networks | |
| Lin et al. | Healthwalks: Sensing fine-grained individual health condition via mobility data | |
| Chang et al. | Classification and visualization of the social science network by the minimum span clustering method | |
| Skorikov et al. | Prediction of absenteeism at work using data mining techniques | |
| Wang et al. | Multiple valued logic approach for matching patient records in multiple databases | |
| Bar-Hen et al. | Block models for generalized multipartite networks: Applications in ecology and ethnobiology | |
| Noureddine et al. | A new predictive medical approach based on data mining and Symbiotic Organisms Search algorithm | |
| CN113889209A (zh) | 一种健康管理服务产品的推荐系统、存储介质 | |
| Syam et al. | Efficient similarity measure via Genetic algorithm for content based medical image retrieval with extensive features | |
| Zeng et al. | Exploring the topic evolution of Dunhuang murals through image classification | |
| Malin et al. | Trail re-identification: learning who you are from where you have been | |
| Mei et al. | Human disease clinical treatment network for the elderly: analysis of the medicare inpatient length of stay and readmission data | |
| Zhang | Big health data for elderly employees job performance of SOEs: visionary and enticing challenges | |
| Colbaugh et al. | Learning about individuals' health from aggregate data | |
| Lin et al. | An analysis of the abstracts presented at the annual meetings of the Society for Neuroscience from 2001 to 2006 |
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 |