CN113297479A - 一种用户画像生成方法、装置及电子设备 - Google Patents

一种用户画像生成方法、装置及电子设备 Download PDF

Info

Publication number
CN113297479A
CN113297479A CN202110473715.9A CN202110473715A CN113297479A CN 113297479 A CN113297479 A CN 113297479A CN 202110473715 A CN202110473715 A CN 202110473715A CN 113297479 A CN113297479 A CN 113297479A
Authority
CN
China
Prior art keywords
user
data
sub
model
loyalty
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
Application number
CN202110473715.9A
Other languages
English (en)
Inventor
王天圣
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.)
Shanghai Qiyue Information Technology Co Ltd
Original Assignee
Shanghai Qiyue Information 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 Shanghai Qiyue Information Technology Co Ltd filed Critical Shanghai Qiyue Information Technology Co Ltd
Priority to CN202110473715.9A priority Critical patent/CN113297479A/zh
Publication of CN113297479A publication Critical patent/CN113297479A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Abstract

本发明公开了一种用户画像生成方法、装置及电子设备，所述方法包括：获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；对所述用户数据进行聚类，得到多个用户类别的用户数据；调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。本发明综合业务需求、用户行为偏好数据及多维度的用户子画像数据生成用户画像数据，从而实现为业务系统提供准确、全面的用户画像数据，提高业务系统的效率。

Description

一种用户画像生成方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种用户画像生成方法、装置、电子设备及计算机可读介质。
背景技术
在大数据时代背景下，用户信息充斥在网络中。用户画像技术通过将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化。
目前，用户画像技术已经广泛应用于业务精细化运营、数据分析与挖掘、精准圈选人群、个性化推送等业务系统。因此，如何准确全面的为业务系统提供用户画像数据成为一个亟待解决的问题。
发明内容
本发明旨在解决如何准确、全面的为业务系统提供用户画像数据的技术问题。
为了解决上述技术问题，本发明第一方面提出一种用户画像生成方法，所述方法包括：
获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；
调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；
对所述用户数据进行聚类，得到多个用户类别的用户数据；
调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；
根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
根据本发明一种优选的实施方式，所述获取符合当前业务关联规则的用户数据之前，所述方法还包括：
配置多个子规则生成关联规则集；
基于测试样本获取各个子规则的过滤参数值；
基于各个子规则的过滤参数值从所述关联规则集中过滤出符合当前业务过滤条件的子规则生成当前业务的关联规则。
根据本发明一种优选的实施方式，所述过滤参数包括：规则的支持度、规则的置信度中的至少一种。
根据本发明一种优选的实施方式，所述模型包括：用户忠诚度模型、用户违约模型、用户流失模型、用户消费模型中的至少一个。
根据本发明一种优选的实施方式，所述用户忠诚度模型包括：判断模块和聚类模型，
所述判断模块从用户数据中提取用户判断特征，根据用户判断特征判断用户是否为忠诚用户，并输出忠诚用户数据；
所述聚类模块对忠诚用户数据进行聚类，并输出每个类的忠诚概率。
根据本发明一种优选的实施方式，所述方法还包括：
将用户画像数据发送给应用系统；
所述应用系统包括：商业智能报表系统、数据分析系统、信息推送系统中的至少一个。
为了解决上述技术问题，本发明第二方面提供一种用户画像生成装置，所述装置包括：
获取模块，用于获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；
第一输出模块，用于调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；
聚类模块，用于对所述用户数据进行聚类，得到多个用户类别的用户数据；
第二输出模块，用于调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；
生成模块，用于根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
根据本发明一种优选的实施方式，所述装置还包括：
配置模块，用于配置多个子规则生成关联规则集；
子获取模块，用于基于测试样本获取各个子规则的过滤参数值；
过滤模块，用于基于各个子规则的过滤参数值从所述关联规则集中过滤出符合当前业务过滤条件的子规则生成当前业务的关联规则。
根据本发明一种优选的实施方式，所述过滤参数包括：规则的支持度、规则的置信度中的至少一种。
根据本发明一种优选的实施方式，所述模型包括：用户忠诚度模型、用户违约模型、用户流失模型、用户消费模型中的至少一个。
根据本发明一种优选的实施方式，所述用户忠诚度模型包括：判断模块和聚类模型，
所述判断模块从用户数据中提取用户判断特征，根据用户判断特征判断用户是否为忠诚用户，并输出忠诚用户数据；
所述聚类模块对忠诚用户数据进行聚类，并输出每个类的忠诚概率。
根据本发明一种优选的实施方式，所述装置还包括：
发送模块，用于将用户画像数据发送给应用系统；
所述应用系统包括：商业智能报表系统、数据分析系统、信息推送系统中的至少一个。
为解决上述技术问题，本发明第三方面提供一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为解决上述技术问题，本发明第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述方法。
本发明首先通过符合当前业务过滤条件的多个子规则获取用户数据，以更全面的挖掘与当前业务相关的用户数据，提高用户画像对当前业务的准确性。再通过调用行为模型分析用户的行为偏好数据，通过聚类对用户数据进行分类，并调用与用户类别对应的模型分析用户的子画像数据；其中，不同用户类别的用户数据对应模型不同，得到的用户子画像数据也不同，相当于从多个维度分析用户子画像数据，提高用户画像的全面性。最后，根据用户行为偏好数据和用户子画像数据生成用户画像数据。本发明综合业务需求、用户行为偏好数据及多维度的用户子画像数据生成用户画像数据，从而实现为业务系统提供准确、全面的用户画像数据，提高业务系统的效率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明实施例一种用户画像生成方法的流程示意图；
图2是本发明实施例一种用户画像生成装置的结构框架示意图；
图3是根据本发明的一种电子设备的示例性实施例的结构框图；
图4是本发明一种计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
请参阅图1，图1是本发明提供的一种用户画像生成方法的流程图。
如图1所示，所述方法包括：
S1、获取符合当前业务关联规则的用户数据；
本发明实施例中，所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成。所述业务可以是：业务精细化运营、数据分析与挖掘、精准圈选人群、个性化推送等需要用到用户画像数据的业务。
示例性的，在本步骤之前，可以先获取当前业务关联规则。在一种方式中，可以预先配置并存储各个业务关联规则，根据当前业务直接获取当前业务关联规则。符合当前业务关联规则
在另一中方式中，可以通过以下步骤获取当前业务关联规则：
S11、配置多个子规则生成关联规则集；
其中，子规则通过至少一个条件筛选出与业务相关的用户数据。比如，在业务精细化运营业务中，可以配置规则f_>i：表示具备特征f的用户购买商品i的事件。
S12、基于测试样本获取各个子规则的过滤参数值；
本发明实施例中，过滤参数可以包括：规则的支持度、规则的置信度中的至少一种。
其中，规则的支持度指同时满足规则中所有条件的样本数量占总样本数量的比例。以规则f_>i：表示具备特征f的用户购买商品i的事件为例，该规则的支持度sf，i是所有样本中满足特征＝f，商品＝i的样本数量与总样本数据的比值。则该规则的支持度sf，i可以通过如下公式获得：
Figure BDA0003046555770000061
其中，Sf,i值具备特征f和商品i的样本数量，S为总样本数量。具备特征f和商品i包括具备特征f并且触达到商品i。
规则的置信度指同时满足规则中所有条件且行为结果为正的样本数量占同时满足规则中所有条件的样本数量的比例。其中，行为结果是与条件相关联的行为的执行情况，与条件相关联的行为可以在规则中配置。以规则f_>i：表示具备特征f的用户购买商品i的事件为例，该规则中，特征f及商品i为条件，购买行为是与条件相关联的行为。如果购买，则行为结果为正，如果不购买，则行为结果为负。该规则的置信度cf，i可以通过如下公式获得：
Figure BDA0003046555770000062
其中，buyersf,i指具备特征f且购买商品i的样本数量，notbuyersf,i指具备特征f且未购买商品i的样本数量。
S13、基于各个子规则的过滤参数值从所述关联规则集中过滤出符合当前业务过滤条件的子规则生成当前业务的关联规则。
示例性的，过滤条件可以对各个过滤参数预先配置对应的过滤阈值。比如：可以配置子规则支持度的过滤阈值为固定数值，或者固定的数值区间。若子规则的支持度大于该固定数值，或者在该固定的数值区间，则确定该子规则支持度符合当前业务过滤条件。同理，可以配置子规则置信度的过滤值。
在另一示例中，过滤条件可以是对各个过滤参数预先配置的过滤排序编号。可以根据过滤参数值对所有子规则进行排序，得到各个子规则的排序编号，选取排序编号在所述过滤排序编号之前的子规则作为符合当前业务过滤条件的子规则。比如，配置子规则置信度的过滤排序编号为70，则将子规则置信度的排序编号在70之前的子规则作为符合当前业务过滤条件的子规则。
其中，过滤参数可以只包括规则的置信度，或者只包括规则的支持度，也可以同时包括规则的置信度和规则的支持度。当过滤参数同时包括规则的置信度和规则的支持度时，过滤条件也同时包括对规则置信度和规则支持度预先配置的过滤阈值，或者，过滤条件也同时包括对规则置信度和规则支持度预先配置的过滤排序编号。
S2、调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；
其中，行为模型是通过训练样本预先训练的可以分析用户数据的行为特点，并输出用户行为偏好数据的模型。
行为模型可以根据业务需要创建，也可以直接用现有机器学习模型来对训练样本进行训练得到。
S3、对所述用户数据进行聚类，得到多个用户类别的用户数据；
其中，聚类又称群分析，它是研究分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。
本发明实施例可以采用：K-Means(K均值)聚类、K-MEDOIDS算法、Clarans算法等对用户数据进行聚类，将用户数据分为不同用户类别的用户数据。比如，可以将用户数据分为信用好的用户数据和信用差的用户数据。
S4、调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；
本发明实施例中，考虑到不同用户类别的用户画像数据存在较大差异，在通过行为模型分析了用户行为偏好数据后，再通过与用户类别对应的模型来分析用户的子画像数据，以满足对不同用户类别的个性化分析需求，提高用户画像数据的准确性和全面性。
示例性的，本步骤之前，可以预先配置各个用户类别对应的模型。可选的，所述模型可以包括：用户忠诚度模型、用户违约模型、用户流失模型、用户消费模型中的至少一个。其中，用户忠诚度模型用于分析用户对商品或服务的持续购买率。用户违约模型用于分析用户预期归还或者不归还商品或服务的比率。用户流失模型用于分析用户不再购买商品或服务的比率。用户消费模型用于分析用户的消费能力。上述模型可以根据业务需要创建，也可以直接用现有机器学习模型来对训练样本进行训练得到。
在一种示例中，所述用户忠诚度模型包括：依次连接的判断模块和聚类模型，所述判断模块从用户数据中提取用户判断特征，根据用户判断特征判断用户是否为忠诚用户，并输出忠诚用户数据；所述聚类模块对忠诚用户数据进行聚类，并输出每个类的忠诚概率。
S5、根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
示例性的，可以将用户行为偏好数据与用户子画像数据进行拼接，生成用户画像数据。
进一步的，在得到用户画像数据后，可以将用户画像数据发送给应用系统，为应用系统提供数据分析支撑。
其中，所述应用系统包括：商业智能报表系统、数据分析系统、信息推送系统中的至少一个。
图2是本发明一种用户画像生成装置的架构示意图，如图2所示，所述装置包括：
获取模块21，用于获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；
第一输出模块22，用于调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；
聚类模块23，用于对所述用户数据进行聚类，得到多个用户类别的用户数据；
第二输出模块24，用于调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；
生成模块25，用于根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
进一步的，所述装置还包括：
配置模块，用于配置多个子规则生成关联规则集；
子获取模块，用于基于测试样本获取各个子规则的过滤参数值；
过滤模块，用于基于各个子规则的过滤参数值从所述关联规则集中过滤出符合当前业务过滤条件的子规则生成当前业务的关联规则。
可选的，所述过滤参数包括：规则的支持度、规则的置信度中的至少一种。
可选的，所述模型包括：用户忠诚度模型、用户违约模型、用户流失模型、用户消费模型中的至少一个。
示例性的，所述用户忠诚度模型包括：判断模块和聚类模型，
所述判断模块从用户数据中提取用户判断特征，根据用户判断特征判断用户是否为忠诚用户，并输出忠诚用户数据；
所述聚类模块对忠诚用户数据进行聚类，并输出每个类的忠诚概率。
进一步的，所述装置还包括：
发送模块，用于将用户画像数据发送给应用系统；
所述应用系统包括：商业智能报表系统、数据分析系统、信息推送系统中的至少一个。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子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3所示，该示例性实施例的电子设备300以通用数据处理设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同电子设备组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中，所述存储单元320存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元310执行，使得所述处理单元310执行本发明各种实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块5205包括但不限于：操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备100(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备300与该电子设备300交互，和/或使得该电子设备300能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口350进行，还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，电子设备300中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；对所述用户数据进行聚类，得到多个用户类别的用户数据；调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等，还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
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，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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 (14)

1.一种用户画像生成方法，其特征在于，所述方法包括：
获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；
调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；
对所述用户数据进行聚类，得到多个用户类别的用户数据；
调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；
根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
2.根据权利要求1所述的方法，其特征在于，所述获取符合当前业务关联规则的用户数据之前，所述方法还包括：
配置多个子规则生成关联规则集；
基于测试样本获取各个子规则的过滤参数值；
基于各个子规则的过滤参数值从所述关联规则集中过滤出符合当前业务过滤条件的子规则生成当前业务的关联规则。
3.根据权利要求2所述的方法，其特征在于，所述过滤参数包括：规则的支持度、规则的置信度中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述模型包括：用户忠诚度模型、用户违约模型、用户流失模型、用户消费模型中的至少一个。
5.根据权利要求4所述的方法，其特征在于，所述用户忠诚度模型包括：判断模块和聚类模型，
所述判断模块从用户数据中提取用户判断特征，根据用户判断特征判断用户是否为忠诚用户，并输出忠诚用户数据；
所述聚类模块对忠诚用户数据进行聚类，并输出每个类的忠诚概率。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将用户画像数据发送给应用系统；
所述应用系统包括：商业智能报表系统、数据分析系统、信息推送系统中的至少一个。
7.一种用户画像生成装置，其特征在于，所述装置包括：
获取模块，用于获取符合当前业务关联规则的用户数据；所述当前业务关联规则由符合当前业务过滤条件的多个子规则组成；
第一输出模块，用于调用行为模型对所述用户数据进行处理，输出用户的行为偏好数据；
聚类模块，用于对所述用户数据进行聚类，得到多个用户类别的用户数据；
第二输出模块，用于调用与用户类别对应的模型对该用户类别的用户数据进行处理，输出用户的子画像数据；
生成模块，用于根据所述用户行为偏好数据和用户子画像数据生成用户画像数据。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
配置模块，用于配置多个子规则生成关联规则集；
子获取模块，用于基于测试样本获取各个子规则的过滤参数值；
过滤模块，用于基于各个子规则的过滤参数值从所述关联规则集中过滤出符合当前业务过滤条件的子规则生成当前业务的关联规则。
9.根据权利要求8所述的装置，其特征在于，所述过滤参数包括：规则的支持度、规则的置信度中的至少一种。
10.根据权利要求7所述的装置，其特征在于，所述模型包括：用户忠诚度模型、用户违约模型、用户流失模型、用户消费模型中的至少一个。
11.根据权利要求10所述的装置，其特征在于，所述用户忠诚度模型包括：判断模块和聚类模型，
所述判断模块从用户数据中提取用户判断特征，根据用户判断特征判断用户是否为忠诚用户，并输出忠诚用户数据；
所述聚类模块对忠诚用户数据进行聚类，并输出每个类的忠诚概率。
12.根据权利要求7所述的装置，其特征在于，所述装置还包括：
发送模块，用于将用户画像数据发送给应用系统；
所述应用系统包括：商业智能报表系统、数据分析系统、信息推送系统中的至少一个。
13.一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-6中任一项所述的方法。
CN202110473715.9A 2021-04-29 2021-04-29 一种用户画像生成方法、装置及电子设备 Pending CN113297479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110473715.9A CN113297479A (zh) 2021-04-29 2021-04-29 一种用户画像生成方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110473715.9A CN113297479A (zh) 2021-04-29 2021-04-29 一种用户画像生成方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113297479A true CN113297479A (zh) 2021-08-24

Family

ID=77320592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110473715.9A Pending CN113297479A (zh) 2021-04-29 2021-04-29 一种用户画像生成方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113297479A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154401A (zh) * 2018-01-15 2018-06-12 网易无尾熊（杭州）科技有限公司 用户画像刻画方法、装置、介质和计算设备
CN108460100A (zh) * 2018-02-02 2018-08-28 方欣科技有限公司 一种用户画像构建方法及装置
CN108694606A (zh) * 2018-05-11 2018-10-23 南京邮电大学 一种基于关联规则的客户画像及服务推送方法
CN110096498A (zh) * 2019-03-28 2019-08-06 阿里巴巴集团控股有限公司 一种数据清洗方法及装置
CN110135976A (zh) * 2019-04-23 2019-08-16 上海淇玥信息技术有限公司 用户画像生成方法、装置、电子设备和计算机可读介质
CN110363387A (zh) * 2019-06-14 2019-10-22 平安科技（深圳）有限公司 基于大数据的画像分析方法、装置、计算机设备及存储介质
US20200250732A1 (en) * 2017-10-12 2020-08-06 Beijing Jingdong Shangke Information Technology Co., Ltd. Method and apparatus for use in determining tags of interest to user
CN112559899A (zh) * 2021-02-25 2021-03-26 北京睿企信息科技有限公司 一种用户画像生成方法
CN112700271A (zh) * 2020-12-29 2021-04-23 长威信息科技发展股份有限公司 一种基于标签模型的大数据画像方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200250732A1 (en) * 2017-10-12 2020-08-06 Beijing Jingdong Shangke Information Technology Co., Ltd. Method and apparatus for use in determining tags of interest to user
CN108154401A (zh) * 2018-01-15 2018-06-12 网易无尾熊（杭州）科技有限公司 用户画像刻画方法、装置、介质和计算设备
CN108460100A (zh) * 2018-02-02 2018-08-28 方欣科技有限公司 一种用户画像构建方法及装置
CN108694606A (zh) * 2018-05-11 2018-10-23 南京邮电大学 一种基于关联规则的客户画像及服务推送方法
CN110096498A (zh) * 2019-03-28 2019-08-06 阿里巴巴集团控股有限公司 一种数据清洗方法及装置
CN110135976A (zh) * 2019-04-23 2019-08-16 上海淇玥信息技术有限公司 用户画像生成方法、装置、电子设备和计算机可读介质
CN110363387A (zh) * 2019-06-14 2019-10-22 平安科技（深圳）有限公司 基于大数据的画像分析方法、装置、计算机设备及存储介质
CN112700271A (zh) * 2020-12-29 2021-04-23 长威信息科技发展股份有限公司 一种基于标签模型的大数据画像方法及系统
CN112559899A (zh) * 2021-02-25 2021-03-26 北京睿企信息科技有限公司 一种用户画像生成方法

Similar Documents

Publication Publication Date Title
CN108108743B (zh) 异常用户识别方法和用于识别异常用户的装置
US11176464B1 (en) Machine learning-based recommendation system for root cause analysis of service issues
CN110909222B (zh) 基于聚类的用户画像建立方法、装置、介质及电子设备
CN110795568A (zh) 基于用户信息知识图谱的风险评估方法、装置和电子设备
CN110909165A (zh) 数据处理方法、装置、介质及电子设备
CN110708285B (zh) 流量监控方法、装置、介质及电子设备
US20180012237A1 (en) Inferring user demographics through categorization of social media data
CN110392155B (zh) 通知消息的显示、处理方法、装置及设备
EP3961426A2 (en) Method and apparatus for recommending document, electronic device and medium
CN110796171A (zh) 机器学习模型的未分类样本处理方法、装置及电子设备
CN111800289A (zh) 通信网络故障分析方法和装置
CN114239504A (zh) 表单配置方法、装置、设备、可读存储介质及程序产品
CA3135466A1 (en) User loan willingness prediction method and device and computer system
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN111506775B (zh) 标签处理方法、装置、电子设备及可读存储介质
CN112116159B (zh) 信息交互方法、装置、计算机可读存储介质及电子设备
CN108345620B (zh) 品牌信息处理方法、装置、存储介质及电子设备
CN112527851B (zh) 用户特征数据筛选方法、装置及电子设备
CN114265777B (zh) 应用程序的测试方法、装置、电子设备及存储介质
CN113591881B (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN113297479A (zh) 一种用户画像生成方法、装置及电子设备
CN114282121A (zh) 业务节点推荐方法、系统、设备及存储介质
CN113807436A (zh) 用户挖掘方法、装置、计算机设备及可读存储介质
CN113705184A (zh) 自定义报表的生成方法及装置、存储介质、电子设备
CN114091570A (zh) 业务处理系统方法、装置和电子设备

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
CB02 Change of applicant information

Country or region after: China

Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062

Applicant after: Shanghai Qiyue Information Technology Co.,Ltd.

Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500

Applicant before: Shanghai Qiyue Information Technology Co.,Ltd.

Country or region before: China

CB02 Change of applicant information