CN112783956B - 一种信息处理方法和装置 - Google Patents
一种信息处理方法和装置 Download PDFInfo
- Publication number
- CN112783956B CN112783956B CN201911088889.2A CN201911088889A CN112783956B CN 112783956 B CN112783956 B CN 112783956B CN 201911088889 A CN201911088889 A CN 201911088889A CN 112783956 B CN112783956 B CN 112783956B
- Authority
- CN
- China
- Prior art keywords
- behavior
- target
- time interval
- data
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims description 221
- 238000012545 processing Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000002844 melting Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims 2
- 230000009897 systematic effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
Abstract
本发明公开了信息处理方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对数据的标记。从而，本发明的实施方式能够解决信息处理无法自动化、系统化的问题。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种信息处理方法和装置。
背景技术
在电商运营中，有很多基于用户成长阶段级来分析品牌价值发展、制定选品规则等业务场景，在这些业务场景中，均需要系统化地实现针对不同类目、不同品牌的用户阶段的判定，即针对不同阶段对用户进行打标签。基于此用户标签后可以进行用户画像分析、用户价值评估、营销策略指导等。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
目前，现有用户阶段的判定都只能针对单一品牌单独手动提数，无法自动化、系统化实现。同时，现有的用户阶段的判定法则是基于业务经验主观判断，无法灵活地适用多种品牌，且主观判断缺乏科学性、严谨性和普适性。
发明内容
有鉴于此，本发明实施例提供一种信息处理方法和装置，能够解决信息处理无法自动化、系统化的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种信息处理方法，包括获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；
判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对数据的标记。
可选地，还包括：
获取预设时间段内基于目标属性所在品类的用户行为数据；
计算所在品类下各属性值对应的目标行为数量与该品类目标行为总数量的比值，进而拟合成正太分布函数，再取向右一个标准差值，得到所述品类的偏好值；
判断目标属性对应的目标行为数量与该品类目标行为总数量的比值是否小于所述偏好值，若是则为第一角色级别并生成相应标签，若否则为第二角色级别并生成相应标签。
可选地，还包括：
获取预设时间段内基于目标属性所在品类的用户行为数据；
计算所在品类下各属性值对应的目标行为数量与该品类目标行为总数量的比值，进而拟合成正太分布函数，再取向右一个标准差值，得到所述品类的偏好值；
判断目标属性对应的目标行为数量与该品类目标行为总数量的比值是否小于所述偏好值，若是则为第一角色级别并生成相应标签，若否则为第二角色级别并生成相应标签。
可选地，通过预设的行为树模型之前，包括：
将用户行为数据进行聚类，以生成各行为类型表，进而关联各行为类型表，得到用户行为特征宽表。
可选地，通过预设的行为树模型之前，还包括：
采用皮尔森系数检验用户行为特征宽表中的数据相关性，以删除大于预设相关系数的数据。
可选地，通过预设的行为树模型之前，还包括：
采用主成分分析方法对用户行为特征宽表中的数据进行降维处理。
可选地，还包括：
对所述用户行为特征宽表中的数据进行清洗；其中，对所述宽表中的缺失值进行化零、平均或者删除清洗。
可选地，基于分布式文件系统，采用ETL调度系统执行信息处理方法。
另外，根据本发明实施例的一个方面，提供了一种信息处理装置，包括获取模块，用于获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；
生成模型，用于判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对数据的标记。
可选地，还包括：
获取模块，用于获取预设时间段内基于目标属性所在品类的用户行为数据；计算所在品类下各属性值对应的目标行为数量与该品类目标行为总数量的比值，进而拟合成正太分布函数，再取向右一个标准差值，得到所述品类的偏好值；
生成模块，用于判断目标属性对应的目标行为数量与该品类目标行为总数量的比值是否小于所述偏好值，若是则为第一角色级别并生成相应标签，若否则为第二角色级别并生成相应标签。
可选地，所述获取模块通过预设的行为树模型之前，包括：
将用户行为数据进行聚类，以生成各行为类型表，进而关联各行为类型表，得到用户行为特征宽表。
可选地，所述获取模块通过预设的行为树模型之前，还包括：
采用皮尔森系数检验用户行为特征宽表中的数据相关性，以删除大于预设相关系数的数据。
可选地，所述获取模块通过预设的行为树模型之前，还包括：
采用主成分分析方法对用户行为特征宽表中的数据进行降维处理。
可选地，所述获取模块，还用于：
对所述用户行为特征宽表中的数据进行清洗；其中，对所述宽表中的缺失值进行化零、平均或者删除清洗。
可选地，所述信息处理装置基于分布式文件系统，采用ETL调度系统执行。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一信息处理实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一基于信息处理实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：本发明通过获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，进而生成对应标签。从而，本发明能够实现系统化用户行为阶段和级别的自动化判定，进而生成用户标签的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明第一实施例的信息处理方法的主要流程的示意图
图2是根据本发明第二实施例的信息处理方法的主要流程的示意图；
图3是根据本发明第三实施例的信息处理方法的框架示意图；
图4是根据本发明实施例的信息处理装置的主要模块的示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例的信息处理方法的主要流程的示意图，所述信息处理方法可以包括：
步骤S101，获取预设时间段内基于目标属性的用户行为数据。
较佳地，将用户行为数据进行聚类，以生成各行为类型表，进而关联各行为类型表，得到用户行为特征宽表。例如：用户行为数据通过聚类获得浏览、加购、关注、搜索、购买、评论等等行为类型表，关联各行为类型表，得到用户行为特征宽表数据，主键为用户Id和目标属性(例如：目标属性为品牌)。
优选地，对所述用户行为特征宽表中的数据进行清洗。例如：对所述宽表中的缺失值进行化零、平均或者删除清洗。
进一步地，采用皮尔森系数检验用户行为特征宽表中的数据相关性，以删除大于预设相关系数的数据。
皮尔森相关系数是检验两个变量间线性相关程度的方法，计算公式如下：
其中，X和Y是两个变量，cov(X，Y)是X和Y的协方差，σx是X的方差，σy是Y的方差，μx是X的期望，μy是Y的期望。
皮尔森相关系数r值的判断：
|r|>0.95存在显著性相关；
|r|≥0.8高度相关；
0.5≤|r|<0.8中度相关；
0.3≤|r|<0.5低度相关；
|r|<0.3关系极弱，认为不相关。
需要说明的是，特征之间的相关性越弱越好，尽量的减少相似性特征对行为树模型结果的影响。
另外，进一步地，采用主成分分析方法(PCA)对用户行为特征宽表中的数据进行降维处理。其中，主成分分析方法主要通过求数据集的协方差矩阵最大的特征值对应的特征向量，由此找到数据方差最大的几个方向，对数据达到降维的效果，把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的特征互不相关。
步骤S102，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔。
较佳地，通过预设的行为树模型，得到首次第一行为至首次目标行为的预估时间间隔以及首次第二行为至首次目标行为的预估时间间隔。
步骤S103，判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对数据的标记。
较佳地，判断距离当前时间点之前的首次第一行为至首次目标行为的预估时间间隔内或者首次第二行为至首次目标行为的预估时间间隔内。
例如：第一阶段为认知阶段，第一行为数据可以为浏览数据，目标行为则可以为购买行为。第二阶段为兴趣阶段，第二行为数据可以为关注、加购、搜索行为，目标行为则可以为购买行为。目标属性可以为品牌。
那么认知阶段的判定为：近M1天内用户对某品牌有过浏览行为。其中，M1为某品牌首次浏览至首次购买的预估时间间隔。
兴趣阶段的判定为：近M2天内用户对某品牌有过关注、加购、搜索行为。其中，M2为某品牌首次关注、加购或搜索至首次购买的预估时间间隔。
还值得说明的是，所述信息处理方法可以基于分布式文件系统的架构之下，采用ETL调度系统执行。其中，ETL调度系统是英文Extract-Transform-Load的缩写，将数据从来源端抽取(extract)、转换(transform)、加载(load)至目的端的过程。
较佳地，基于Hadoop分布式文件系统(简称)的框架下实现本发明所述的信息处理方法。其中，Hadoop分HDFS布式文件系统为被设计成适合运行在通用硬件(commodityhardware)上的分布式文件系统。
因此，本发明提出了一种信息处理方法，可以实现基于不同品牌科学地判定用户所处的行为阶段和级别，自动化生成用户标签。也就是说，本发明通过系统化基于动态的用户及商品数据，更加科学、有效地对用户状态做出判定。
图2是根据本发明第二实施例的信息处理方法的主要流程的示意图，所述信息处理方法可以包括：
步骤S201，获取预设时间段内基于目标属性的用户行为数据。
步骤S202，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔。
在实施例中，本发明使用树模型(如XGBOOST)可进行并行计算，多个任务同时进行，有效地提升运算效率。并且可以生成多种树模型，进行加权融合、相互调节，从而降低整体模型的方差，提升整体模型的稳定性。
步骤S203，判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，进而生成对应标签。
步骤S204，获取预设时间段内基于目标属性所在品类的用户行为数据。
例如：目标属性为品牌，那么目标属性所在品类就是该品牌所属类型。
步骤S205，计算所在品类下各属性值对应的目标行为数量与该品类目标行为总数量的比值，进而拟合成正太分布函数，再取向右一个标准差值，得到所述品类的偏好值。
在实施例中，统计品类下各属性值对应的t值的分布，对t值拟合成正太分布函数，得到均值μ，取向右一个标准差的值为该品类偏好值T，即T＝μ+σ。其中，t＝对应品类中某属性值的目标行为数量/该品类目标行为总数量。
例如：目标行为数量为购买金额，该品类目标行为总数量为该品类下的所有品牌的购买总金额。
步骤S206，判断目标属性对应的目标行为数量与该品类目标行为总数量的比值是否小于所述偏好值，若是则进行步骤S207，若否则进行步骤S208。
步骤S207，为第一角色级别并生成相应标签。
例如：第一角色级别为普通用户。
步骤S208，为第二角色级别并生成相应标签。
例如：第二角色级别为超级用户。
如图3所示，为本发明第三实施例的信息处理方法的框架示意图。基于HDFS框架下，并且采用ETL调度系统执行信息处理方法。用户行为数据存储在HBASE数据库中，其中HBASE是一个分布式的、面向列的开源数据库。用户行为数据可以包括：用户浏览数据、用户关注商品数据、用户加购商品数据、用户搜索商品数据、用户下单数据以及商品属性(例如包括品牌、类型等等)。举例说明，用户行为特征包括：近1天、7天、30天、90天、360天浏览商品和品牌，浏览时长，浏览次数，近1天、7天、30天、90天、360天加购商品和品牌，近1天、7天、30天、90天、360天关注商品和品牌，近1天、7天、30天、90天、360天搜索商品和品牌，搜索次数，近1天、7天、30天、90天、360天购买商品和品牌，购买件数，近1天、7天、30天、90天、360天商品和品牌好评数，差评数。
用户行为数据通过树模型可以获得所处行为阶段的标签，通过用户全链路模型(即步骤204至步骤208)可以获得角色级别的相应标签。
图4是根据本发明第一实施例的信息处理装置的主要模块的示意图，如图4所示，所述信息处理装置400包括获取模块401和生成模块402。其中，获取模块401获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔。生成模型402判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对数据的标记。
作为本发明的另一个实施例，获取模块401还可以获取预设时间段内基于目标属性所在品类的用户行为数据；计算所在品类下各属性值对应的目标行为数量与该品类目标行为总数量的比值，进而拟合成正太分布函数，再取向右一个标准差值，得到所述品类的偏好值。
生成模块402还可以判断目标属性对应的目标行为数量与该品类目标行为总数量的比值是否小于所述偏好值，若是则为第一角色级别并生成相应标签，若否则为第二角色级别并生成相应标签。
较佳地，所述获取模块401通过预设的行为树模型之前，包括：
将用户行为数据进行聚类，以生成各行为类型表，进而关联各行为类型表，得到用户行为特征宽表。
进一步地，获取模块401采用皮尔森系数检验用户行为特征宽表中的数据相关性，以删除大于预设相关系数的数据。
另外，进一步地，获取模块401采用主成分分析方法对用户行为特征宽表中的数据进行降维处理。
还有，获取模块401可以对所述用户行为特征宽表中的数据进行清洗。其中，对所述宽表中的缺失值进行化零、平均或者删除清洗。
还值得说明的是，所述信息处理装置基于分布式文件系统，采用ETL调度系统执行上述过程。
需要说明的是，在本发明所述信息处理方法和所述信息处理装置在具体实施内容上具有相应关系，故重复内容不再说明。
图5示出了可以应用本发明实施例的信息处理方法或信息处理装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的信息处理方法一般由服务器505执行，相应地，信息处理装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统800包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块和生成模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对数据的标记。
根据本发明实施例的技术方案，能够解决信息处理无法自动化、系统化的问题。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (9)
1.一种信息处理方法，其特征在于，包括：
获取预设时间段内基于目标属性的用户行为数据，根据预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；
判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对用户行为数据的标记。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取预设时间段内基于目标属性所在品类的用户行为数据；
计算所在品类下各属性值对应的目标行为数量与该品类目标行为总数量的比值，进而拟合成正太分布函数，再取向右一个标准差值，得到所述品类的偏好值；
判断目标属性对应的目标行为数量与该品类目标行为总数量的比值是否小于所述偏好值，若是则为第一角色级别并生成相应标签，若否则为第二角色级别并生成相应标签。
3.根据权利要求1所述的方法，其特征在于，通过预设的行为树模型之前，包括：
将用户行为数据进行聚类，以生成各行为类型表，进而关联各行为类型表，得到用户行为特征宽表。
4.根据权利要求2所述的方法，其特征在于，通过预设的行为树模型之前，还包括：
采用皮尔森系数检验用户行为特征宽表中的数据相关性，以删除大于预设相关系数的数据。
5.根据权利要求2所述的方法，其特征在于，通过预设的行为树模型之前，还包括：
采用主成分分析方法对用户行为特征宽表中的数据进行降维处理。
6.根据权利要求2所述的方法，其特征在于，还包括：
对所述用户行为特征宽表中的数据进行清洗；其中，对所述宽表中的缺失值进行化零、平均或者删除清洗。
7.根据权利要求1-6任一所述的方法，其特征在于，包括：
基于分布式文件系统，采用ETL调度系统执行信息处理方法。
8.一种信息处理装置，其特征在于，包括：
获取模块，用于获取预设时间段内基于目标属性的用户行为数据，通过预设的行为树模型，得到第一行为至目标行为的预估时间间隔以及第二行为至目标行为的预估时间间隔；
生成模型，用于判断以当前时间点为终点，在第一行为至目标行为的预估时间间隔内或者在第二行为至目标行为的预估时间间隔内，是否存在基于目标属性的第一行为数据或者第二行为数据，以确定所处行为阶段为第一阶段或者第二阶段，生成对应标签进而执行对用户行为数据的标记。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911088889.2A CN112783956B (zh) | 2019-11-08 | 2019-11-08 | 一种信息处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911088889.2A CN112783956B (zh) | 2019-11-08 | 2019-11-08 | 一种信息处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112783956A CN112783956A (zh) | 2021-05-11 |
| CN112783956B true CN112783956B (zh) | 2024-03-05 |
Family
ID=75748396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911088889.2A Active CN112783956B (zh) | 2019-11-08 | 2019-11-08 | 一种信息处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112783956B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103207880A (zh) * | 2012-01-17 | 2013-07-17 | 阿里巴巴集团控股有限公司 | 行为标签取值的获取方法及装置 |
| CN104602042A (zh) * | 2014-12-31 | 2015-05-06 | 合一网络技术(北京)有限公司 | 基于用户行为的标签设置方法 |
| CN105320702A (zh) * | 2014-08-04 | 2016-02-10 | Tcl集团股份有限公司 | 一种用户行为数据的分析方法、装置及智能电视 |
| CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技（上海）有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
| CN110111139A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 行为预估模型生成方法、装置、电子设备及可读介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2403300A1 (en) * | 2002-09-12 | 2004-03-12 | Pranil Ram | A method of buying or selling items and a user interface to facilitate the same |
-
2019
- 2019-11-08 CN CN201911088889.2A patent/CN112783956B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103207880A (zh) * | 2012-01-17 | 2013-07-17 | 阿里巴巴集团控股有限公司 | 行为标签取值的获取方法及装置 |
| CN105320702A (zh) * | 2014-08-04 | 2016-02-10 | Tcl集团股份有限公司 | 一种用户行为数据的分析方法、装置及智能电视 |
| CN104602042A (zh) * | 2014-12-31 | 2015-05-06 | 合一网络技术(北京)有限公司 | 基于用户行为的标签设置方法 |
| CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技（上海）有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
| CN110111139A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 行为预估模型生成方法、装置、电子设备及可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112783956A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020162B (zh) | 用户识别方法和装置 | |
| CN109901987B (zh) | 一种生成测试数据的方法和装置 | |
| CN108595448B (zh) | 信息推送方法和装置 | |
| CN110929136A (zh) | 一种个性化推荐方法和装置 | |
| CN112884405A (zh) | 一种询价系统及其调度方法 | |
| CN110648089A (zh) | 一种确定物品送达时效的方法和装置 | |
| CN110689268A (zh) | 一种提取指标的方法和装置 | |
| CN108932640B (zh) | 用于处理订单的方法和装置 | |
| CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
| CN111401684A (zh) | 一种任务处理的方法和装置 | |
| CN107908662B (zh) | 搜索系统的实现方法和实现装置 | |
| CN108985805B (zh) | 一种选择性执行推送任务的方法和装置 | |
| CN110895761A (zh) | 一种售后服务申请信息的处理方法和装置 | |
| CN113190558A (zh) | 一种数据加工方法和系统 | |
| CN112925973A (zh) | 数据处理方法和装置 | |
| CN107679096B (zh) | 数据集市间指标共享的方法和装置 | |
| CN112783956B (zh) | 一种信息处理方法和装置 | |
| CN113076254A (zh) | 一种测试用例集的生成方法和装置 | |
| CN113780915A (zh) | 业务对接方法和装置 | |
| CN112783615A (zh) | 一种数据处理任务的清理方法和装置 | |
| CN113434754A (zh) | 确定推荐api服务的方法、装置、电子设备和存储介质 | |
| CN112862554A (zh) | 一种订单数据的处理方法和装置 | |
| CN111723274A (zh) | 用于处理信息的方法和装置 | |
| CN112529646A (zh) | 一种商品分类方法和装置 | |
| CN112651536A (zh) | 确定配送地址的方法和装置 |
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 |