CN113420204B - 目标用户确定方法、装置、电子设备及存储介质 - Google Patents
目标用户确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113420204B CN113420204B CN202110556942.8A CN202110556942A CN113420204B CN 113420204 B CN113420204 B CN 113420204B CN 202110556942 A CN202110556942 A CN 202110556942A CN 113420204 B CN113420204 B CN 113420204B
- Authority
- CN
- China
- Prior art keywords
- feature
- user
- group
- target
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 7
- 244000046052 Phaseolus vulgaris Species 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/90—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于目标用户确定方法、装置、电子设备及存储介质,该方法包括:获取业务信息,根据业务信息确定候选用户人群、对应的目标维度和目标维度的特征组;针对特征组中各特征,获取候选用户人群在特征下的特征信息,得到候选用户人群的特征信息;根据候选用户人群的特征信息,确定特征组中各特征的特征权重;根据候选用户人群的特征信息和特征组中各特征的特征权重,计算得到候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征用户在目标维度的能力表现;根据候选用户人群中各用户的目标维度能力值和预设筛选条件,从候选用户人群中确定目标用户。本公开实施例提供的技术方案可以快速准确地发现潜力用户,满足精细化的用户运营需求。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种目标用户确定方法、装置、电子设备及存储介质。
背景技术
在基于互联网的应用或平台中,尤其是UGC(User-generated Content,用户生产内容)应用或平台,面向内容消费者(也即用户)的运营是运营支持中关键的一环。其中,潜力用户的发现是用户运营中至关重要的一项工作。
相关技术中将潜力用户的发现这一工作转化为分类任务,使用机器学习模型学习分类标准并预测用户的潜力。模型性能依赖于训练过程中的样本数量和质量,采用人工标注构建训练样本的方式不仅耗时,而且样本质量不稳定;对于基于业务指标划分正负样本的方式,指标值容易受应用或平台内的其他运营活动等因素的影响而发生明显变化,因此业务指标及其变化并不能较为全面、准确地评估用户潜力。可见相关技术难以满足业务前期快速准确地发现潜力用户的需求。
发明内容
本公开提供一种目标用户确定方法、装置、电子设备及存储介质,以至少解决相关技术中难以快速准确地发现潜力用户的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种目标用户确定方法,包括:
获取业务信息,根据所述业务信息确定候选用户人群、对应的目标维度和所述目标维度的特征组;
针对所述特征组中各特征,获取所述候选用户人群在所述特征下的特征信息,得到所述候选用户人群的特征信息;
根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征权重;
根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征所述用户在所述目标维度的能力表现;
根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户。
可选的,所述根据所述业务信息确定候选用户人群,包括:
根据所述业务信息,确定业务目标;
基于所述业务目标,确定与所述业务目标相匹配的候选垂类;
根据所述候选垂类,从用户人群集合中筛选得到相匹配的候选用户人群。
可选的,所述根据所述业务信息确定候选用户人群,还包括:
根据所述业务信息,得到一个或多个用户标签值;
获取用户人群集合的用户画像实例;
根据所述用户标签值和所述用户人群集合的用户画像实例,从所述用户人群集合中筛选得到相匹配的候选用户人群。
可选的,所述根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征权重,包括:
根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值;
基于所述特征组中各特征的特征平均值和所述候选用户人群的特征信息,计算得到所述特征组中各特征的标准差;
根据所述特征组中各特征的特征平均值和标准差,计算得到所述特征组中各特征的变异系数;
对所述特征组中各特征的变异系数进行归一化,确定所述特征组中各特征的特征权重。
可选的,所述根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,包括:
对所述候选用户人群的特征信息进行标准化处理,得到标准化特征信息,所述标准化特征信息包括所述特征组中各特征的标准化特征数据;
将所述特征组中各特征的标准化特征数据按对应的特征权重进行加权求和,得到所述候选用户人群中各用户的目标维度能力值。
可选的,所述根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户,包括:
确定所述候选用户人群中各用户的目标维度能力值的数据分布特性;
根据所述数据分布特性和预设筛选条件,确定目标维度能力阈值;
根据所述目标维度能力阈值和所述候选用户人群中各用户的目标维度能力值,从所述候选用户人群中确定目标用户。
可选的,所述根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户,还包括:
获取所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值;
根据所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值,计算得到所述候选用户人群中各用户的能力变化指标值;
根据所述候选用户人群中各用户的能力变化指标值和预设筛选条件,从所述候选用户人群中确定目标用户。
根据本公开实施例的第二方面,提供一种目标用户确定装置,包括:
确定模块,被配置为执行获取业务信息,根据所述业务信息确定候选用户人群、对应的目标维度和所述目标维度的特征组;
特征信息获取模块,被配置为执行针对所述特征组中各特征,获取所述候选用户人群在所述特征下的特征信息,得到所述候选用户人群的特征信息;
特征赋权模块,被配置为执行根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征权重;
计算模块,被配置为执行根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征所述用户在所述目标维度的能力表现;
筛选模块,被配置为执行根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户。
可选的,所述确定模块包括:
业务目标确定单元,被配置为执行根据所述业务信息,确定业务目标;
候选垂类确定单元,被配置为执行基于所述业务目标,确定与所述业务目标相匹配的候选垂类;
候选用户人群第一确定单元,被配置为执行根据所述候选垂类,从用户人群集合中筛选得到相匹配的候选用户人群。
可选的,所述确定模块还包括:
用户标签值确定单元,被配置为执行根据所述业务信息,得到一个或多个用户标签值;
用户画像实例获取单元,被配置为执行获取用户人群集合的用户画像实例;
候选用户人群第二确定单元,被配置为执行根据所述用户标签值和所述用户人群集合的用户画像实例,从所述用户人群集合中筛选得到相匹配的候选用户人群。
可选的,所述特征赋权模块包括:
均值计算单元,被配置为执行根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值;
标准差计算单元,被配置为执行基于所述特征组中各特征的特征平均值和所述候选用户人群的特征信息,计算得到所述特征组中各特征的标准差;
系数计算单元,被配置为执行根据所述特征组中各特征的特征平均值和标准差,计算得到所述特征组中各特征的变异系数;
权重确定单元,被配置为执行对所述特征组中各特征的变异系数进行归一化,确定所述特征组中各特征的特征权重。
可选的,所述计算模块包括:
标准化单元,被配置为执行对所述候选用户人群的特征信息进行标准化处理,得到标准化特征信息,所述标准化特征信息包括所述特征组中各特征的标准化特征数据;
加权计算单元,被配置为执行将所述特征组中各特征的标准化特征数据按对应的特征权重进行加权求和,得到所述候选用户人群中各用户的目标维度能力值。
可选的,所述筛选模块包括:
统计分布单元,被配置为执行确定所述候选用户人群中各用户的目标维度能力值的数据分布特性;
阈值确定单元,被配置为执行根据所述数据分布特性和预设筛选条件,确定目标维度能力阈值;
第一筛选单元,被配置为执行根据所述目标维度能力阈值和所述候选用户人群中各用户的目标维度能力值,从所述候选用户人群中确定目标用户。
可选的,所述筛选模块还包括:
周期能力值获取单元,被配置为执行获取所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值;
变化指标计算单元,被配置为执行根据所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值,计算得到所述候选用户人群中各用户的能力变化指标值;
第二筛选单元,被配置为执行根据所述候选用户人群中各用户的能力变化指标值和预设筛选条件,从所述候选用户人群中确定目标用户。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现本公开实施例第一方面中任一项所述的目标用户确定方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如本公开实施例第一方面中任一项所述的目标用户确定方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现如本公开实施例第一方面中任一项所述的目标用户确定方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
基于潜力用户发现的业务信息进行用户人群的初筛和用户人群特征维度及特征的对应选择,进而根据与业务信息相匹配的特征维度及特征,从初筛后的候选用户人群中挖掘出的潜力用户对业务的解释性更强,更能满足精细化用户运营的需求,且支持业务侧切换不同潜力类型用户发现的业务目标;通过数学分析方式评估用户在特定维度下的潜力,无需人工标注样本或者确定潜力指标以划分正负样本,可以提升潜力用户挖掘的速率和效率,规模化、精准地发现高潜力用户,满足用户运营业务前期的需求。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种应用环境的示意图;
图2是根据一示例性实施例示出的一种目标用户确定方法的流程图;
图3是根据一示例性实施例示出的根据所述业务信息确定候选用户人群的一种流程图;
图4是根据一示例性实施例示出的根据所述业务信息确定候选用户人群的另一种流程图;
图5是根据一示例性实施例示出的根据所述候选用户人群的特征信息确定所述特征组中各特征的特征权重的一种流程图;
图6是根据一示例性实施例示出的计算得到所述候选用户人群中各用户的目标维度能力值的一种流程图;
图7是根据一示例性实施例示出的根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件从所述候选用户人群中确定目标用户的一种流程图;
图8是根据一示例性实施例示出的根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件从所述候选用户人群中确定目标用户的一种流程图;
图9是根据一示例性实施例示出的一种目标用户的确定装置的框图;
图10是根据一示例性实施例示出的一种用于确定目标用户的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
请参阅图1,其所示为根据一示例性实施例示出的一种目标用户的确定方法的应用环境示意图,该应用环境可以包括终端110和服务器120,该终端110和服务器120之间可以通过有线网络或者无线网络连接。
终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此。终端110中可以安装有应用程序(Application,简称为App),该应用程序可以是独立的应用程序,也可以是独立应用程序中的子程序,终端110的用户可以通过预先注册的用户信息登录应用程序,该用户信息可以包括账号和密码。服务器120可以是为终端110中的应用程序提供后台服务的服务器,也可以是与应用程序的后台服务器连接通信的其它服务器,可以是一台服务器,也可以是由多台服务器组成的服务器集群。
本公开的实施例中,终端110可以用于采集应用程序中的用户数据,并上报至服务器120,服务器120根据接收到的用户数据生成用户的特征信息,进而根据业务信息,从用户中确定高潜力的用户人群作为目标用户。具体的,服务器120根据业务信息确定进行人群的初筛,得到候选用户人群,同时服务器120根据业务信息匹配到对应的用于刻画用户人群特征的维度及维度的特征组,使得筛选出的潜力用户更符合业务的需求。服务器120接收候选用户人群的终端上报的用户数据,从中确定候选用户人群对应于各维度、各特征的特征信息。服务器120执行特征的赋权计算工作,由候选人群的特征信息确定特征组中各特征的权重,用于描述各特征表征的潜力强弱;服务器120执行用户潜力值的计算和潜力用户的筛选工作;基于数学分析方式进行人群的筛选,简单有效,可以满足业务的前期需求。
此外,需要说明的是,图1所示的仅仅是本公开提供的一种应用环境,在实际应用中,还可以包括其他应用环境,例如本说明书实施例中,终端110将用户数据上报至应用服务器或由应用服务器存入数据库,服务器120从应用服务器或数据库获取用户数据生成特征信息,本公开在此不做限制。
图2是根据一示例性实施例示出的一种目标用户确定方法的流程图,如图2所示,所述方法用于用户运营的潜力用户挖掘中,可以包括以下步骤:
在步骤S201中,获取业务信息,根据所述业务信息确定候选用户人群、对应的目标维度和所述目标维度的特征组。
在本公开实施例中,业务信息是指运营业务中针对挖掘潜力用户提出的需求信息,可以包含具体的潜力类型,如粉丝增长潜力、优质内容创作潜力、直播带货潜力等,以直播带货潜力为例,则表示业务侧想要发现、挖掘到具有直播带货高潜力的用户群体,提升该用户群体的直播带货能力;以优质内容创作潜力为例,则表示业务侧想要发现、挖掘都具有优质内容创作高潜力的用户群体,对该用户群体的优质内容进行推广,提升应用或平台的内容表现力;此外,高潜力用户还可以吸引应用或平台内部用户的注意力,提升用户活跃度,也可以吸引到外部用户提升用户规模。
在本公开实施例中,根据业务信息对用户人群进行初步的筛选,快速且有针对性地圈定出候选用户人群,进而从候选用户人群中确定所需的目标用户,也即高潜力用户。
在一个具体的实施例中,如图3所示,所述根据所述业务信息确定候选用户人群,可以包括以下步骤:
在步骤S2011中,根据所述业务信息,确定业务目标。
其中,业务目标是指具体的潜力类型,如粉丝增长潜力、优质内容创作潜力、直播带货潜力、娱乐潜力等。
在步骤S2013中,基于所述业务目标,确定与所述业务目标相匹配的候选垂类。
其中,垂类又称垂直类目,在用户运营领域中,视应用的类型,根据用户的属性或用户创作内容所涉及的领域等因素对用户群体进行分类。具体的,基于潜力目标确定与潜力目标相关度高的垂类作为候选垂类。如对于直播带货潜力,匹配度高的垂类可以为专业电商、美妆、时尚等,如对于优质内容创作潜力,匹配度高的垂类可以为影视、动画等。
在步骤S2015中,根据所述候选垂类,从用户人群集合中筛选得到相匹配的候选用户人群。
可以理解的是,在用户类目中,垂类可以作为一级类目,垂类之下还可以对用户类别进行细分,因此也可以根据细分类目进一步筛选人群。
上述实施例中,根据业务目标对人群进行初筛得到与业务目标匹配的垂类用户,能有针对性地满足业务需求,同时,从不同垂类挖掘高潜力用户,提升不同垂类的用户活跃度。促进应用或平台整体均衡发展。
在一个具体的实施例中,如图4所示,所述根据所述业务信息确定候选用户人群,还可以包括以下步骤:
在步骤S2012中,根据所述业务信息,得到一个或多个用户标签值。
其中,业务信息还可以包括表征用户特征、行为或需求的标签值,或者根据对业务信息的理解,补充一个或多个用户标签值,如线下商贩、居住地A市、使用的手机系统为安卓等。可以理解的是,利用上述标签值对用户的分类是对用户的一种细分方式。
在步骤S2014中,获取用户人群集合的用户画像实例。
其中,用户画像实例描述了用户多个特征,可以由多个标签值构成。
在步骤S2016中,根据所述用户标签值和所述用户人群集合的用户画像实例,从所述用户人群集合中筛选得到相匹配的候选用户人群。
上述实施例中,根据用户标签值对人群进行初筛得到候选人群用户,以针对性地挖掘各细分类别的高潜力用户,满足精细化用户运营的需求。也可以将垂类和用户标签值结合,进一步提高高潜力用户挖掘的准确率,本公开实施例对此不作限定。
在本公开实施例中,根据业务信息确定对应的目标维度和目标维度的特征组,所述目标维度及其特征组用于从一个或多个维度描述候选用户人群的多种特征。
在一个示例性的实施方式中,对于短视频应用,可以从内容、粉丝和商业三个维度进行刻画用户的特征。在内容维度,以短视频、直播观看表现作为内容能力,体现用户生产的内容对其他用户的吸引能力,内容维度的特征组可以包括视频播放次数、视频完播率、视频总播放时长、视频评论数、视频点赞数、直播次数、总直播时长、直播观看时长、被举报次数等特征;在粉丝维度,根据用户粉丝的分布特征刻画用户的粉丝增长潜力,粉丝维度的特征组可以包括女性粉丝占比、粉丝增长速度、18岁以上粉丝占比等特征;在商业维度,根据用户自身带来的商业收入如直播带货收入等,刻画用户的带货潜力,商业维度的特征组可以包括订单量、订单总金额、粉丝购买占比、打赏金额等特征。可以理解的是,针对一具体类型潜力用户的挖掘,采用的特征维度可以不为单一维度,也可以结合多个维度全面刻画候选用户人群的特征,进而综合评估,筛选得到符合业务需求的目标用户,本公开实施例对此不作限定。
在步骤S203中,针对所述特征组中各特征,获取所述候选用户人群在所述特征下的特征信息,得到所述候选用户人群的特征信息。
在本公开实施例中,接收终端上报的用户数据、从高速缓存中获取实时性数据或者从数据库中读取离线数据,并根据上述数据确定候选用户人群中各候选用户的特征信息,特征信息包括各特征的特征值或称特征数据。
在步骤S205中,根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征权重。
可以理解的是,本公开实施例中采用数学模型对各特征进行赋权,进而基于加权计算确定候选用户的潜力值,相比于使用机器学习模型学习分类标准并预测用户的潜力的方式,省去了构建高质量样本的环节,可以快速有效地满足用户运营业务的前期需求。
在本公开实施例中,由于没有标注好的用户样本,因此采纳客观评价法,根据候选用户人群的特征信息确定各特征的特征权重,特征权重体现了各特征刻画候选用户人群潜力的强弱。
在一个示例性实施例中,如图5所示,基于变异系数法,所述根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征权重,可以包括以下步骤:
在步骤S2051中,根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值。
在步骤S2053中,基于所述特征组中各特征的特征平均值和所述候选用户人群的特征信息,计算得到所述特征组中各特征的标准差。
在步骤S2055中,根据所述特征组中各特征的特征平均值和标准差,计算得到所述特征组中各特征的变异系数。
在步骤S2057中,对所述特征组中各特征的变异系数进行归一化,确定所述特征组中各特征的特征权重。
根据上述实施例,以候选用户人群中有n个候选用户X1、X2、、、Xn,目标维度的特征组中有m个特征为例,假设特征之间相互独立,首先根据特征信息中各特征的特征值计算出各特征的特征均值其中1≤j≤m;接着计算出各特征的标准差,如公式(1)所示,其中Xij表示第i个候选用户的第j个特征的特征值,/>表示在候选用户人群的特征信息中第j个特征的特征均值,sj表示在候选用户人群的特征信息中第j个特征的标准差;接着根据各特征的标准差和特征均值计算各特征的变异系数vj,如公式(2)所示;最后对各特征的变异系数进行归一化处理,作为各特征的特征权重Wj,如公式(3)所示,各特征权重体现了特征之间的相对重要性,也体现了各特征刻画候选用户人群潜力的强弱。
以“颜值”垂类下的10w-50w个候选用户为例,在内容、商业、粉丝维度下各特征权重分布可以如表1所示:
表1各维度特征权重分布
在另一个示例性实施例中,还可以采用熵权法、主成分分析法等方法对特征赋权,本公开实施例对比不作限定。
上述实施例中,基于特征和特征权重方式评估候选用户的潜力相比于基于机器学习模型的分类方式,更为简单有效;不同的候选用户人群,同一特征的特征权重可能会不同,因此从候选用户人群中挑选出的高潜力用户更具代表性,满足精细化用户运营的需求。
在步骤S207中,根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征所述用户在所述目标维度的能力表现。
在本公开实施例中,以挖掘高潜力用户为目标的运营业务而言,需要评估候选用户在所选特征维度下的潜力值,也即目标维度能力值,进而可以根据潜力值进行筛选。
在一个具体的实施例中,如图6所示,所述根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,可以包括以下步骤:
在步骤S2071中,对所述候选用户人群的特征信息进行标准化处理,得到标准化特征信息,所述标准化特征信息包括所述特征组中各特征的标准化特征数据。
可以理解的是,不同特征的计量单位不同,如次数、金额、比例、时长等,不能直接进行加权求和,因此需要对各特征的特征值进行标准化处理。
以候选用户人群中有n个候选用户X1、X2、、、Xn,目标维度的特征组中有m个特征为例,对于第j个特征(1≤j≤m),特征值为xj={X1j,X2j,、、、Xnj},则可以根据公式(4)得到标准化特征数据或称标准化特征值Y1j、Y2j、、、Ynj。
其中Xij表示第i个候选用户的第j个特征的特征值,其中Yij表示第i个候选用户的第j个特征的标准化特征值。
在步骤S2073中,将所述特征组中各特征的标准化特征数据按对应的特征权重进行加权求和,得到所述候选用户人群中各用户的目标维度能力值。
可以理解的是,根据标准化特征数据所属的特征组,进行加权计算,得到一个特征维度下的能力值,该能力值表征候选用户在该维度下的潜力表现。若目标维度包含多个特征维度,得到的目标维度能力值也为多个能力值,进一步地,还可以对多个能力值和特征维度权重进行加权计算,得到一个综合能力值,表征业务需求下候选用户的潜力表现。
上述实施例中,数据化地衡量候选用户的潜力值,使得对候选用户的潜力评估清晰直观。
在步骤S209中,根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户。
其中,预设筛选条件是基于目标维度能力值对候选用户人群进行筛选的条件,可以是数值阈值或者是数值的变化趋势,得到符合业务需求的高潜力用户,也即目标用户。
在一个具体的实施例中,如图7所示,所述根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户,可以包括以下步骤:
在步骤S2091中,确定所述候选用户人群中各用户的目标维度能力值的数据分布特性。
在步骤S2093中,根据所述数据分布特性和预设筛选条件,确定目标维度能力阈值。
在一示例性的实施方式中,所述预设筛选条件可以为人数比例,则根据数据分布特性和比例数值,确定用于圈定目标用户的目标维度能力阈值。所述预设预筛条件也可以直接为目标维度能力阈值,本公开对比不作限定。
在步骤S2095中,根据所述目标维度能力阈值和所述候选用户人群中各用户的目标维度能力值,从所述候选用户人群中确定目标用户。
上述实施例中,基于阈值可以从候选用户人群中规模化地筛选得到具有高潜力特质的目标用户。
在一个具体的实施例中,如图8所示,所述根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户,还可以包括以下步骤:
在步骤S2092中,获取所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值。
可以理解的是,周期性地更新用户的特征信息并存储。对于当前周期内的运营业务,首先圈定候选用户人群和目标维度及特征组,然后获取候选用户人群不同周期的特征信息,分别计算得到各候选用户在不同周期的目标维度能力值。
在步骤S2094中,根据所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值,计算得到所述候选用户人群中各用户的能力变化指标值。
在一个示例性实施例中,在同一特征维度下,以月为周期,对比同一个候选用户最近3个月的能力值变化情况,将能力值环比作为能力变化指标,若能力环比值均为正值也即表示该候选用户的能力值连续三个月保持上升趋势。
在步骤S2096中,根据所述候选用户人群中各用户的能力变化指标值和预设筛选条件,从所述候选用户人群中确定目标用户。
在一示例性的实施方式中,所述预设筛选条件可以为能力变化指标的取值范围,则将能力值变化情况满足预设筛选条件的候选用户作为高潜力特质的目标用户。
上述实施例中,基于能力值的变化情况,可以从候选用户人群中精准地筛选得到具有高潜力特质的目标用户。基于阈值和基于变化趋势的筛选方式,可以结合使用,进一步提高筛选的准确率,本公开对比不作限定。
由以上本说明书实施例提供的技术方案可见,本说明书实施例基于潜力用户发现的业务信息进行用户人群的初筛和用户人群特征维度及特征的对应选择,进而根据与业务信息相匹配的特征维度及特征,从初筛后的候选用户人群中挖掘出的潜力用户对业务的解释性更强,更能满足精细化用户运营的需求,且支持业务侧切换不同潜力类型用户发现的业务目标;通过数学分析方式评估用户在特定维度下的潜力,无需人工标注样本或者确定潜力指标以划分正负样本,可以提升潜力用户挖掘的速率和效率,规模化地发现高潜力用户,满足用户运营业务前期的需求。
图9是根据一示例性实施例示出的一种目标用户确定装置900的框图。参照图9,该装置900可以包括:
确定模块910,被配置为执行获取业务信息,根据所述业务信息确定候选用户人群、对应的目标维度和所述目标维度的特征组;
特征信息获取模块920,被配置为执行针对所述特征组中各特征,获取所述候选用户人群在所述特征下的特征信息,得到所述候选用户人群的特征信息;
特征赋权模块930,被配置为执行根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征权重;
计算模块940,被配置为执行根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征所述用户在所述目标维度的能力表现;
筛选模块950,被配置为执行根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户。
可选的,所述确定模块910可以包括:
业务目标确定单元,被配置为执行根据所述业务信息,确定业务目标;
候选垂类确定单元,被配置为执行基于所述业务目标,确定与所述业务目标相匹配的候选垂类;
候选用户人群第一确定单元,被配置为执行根据所述候选垂类,从用户人群集合中筛选得到相匹配的候选用户人群。
可选的,所述确定模块910还可以包括:
用户标签值确定单元,被配置为执行根据所述业务信息,得到一个或多个用户标签值;
用户画像实例获取单元,被配置为执行获取用户人群集合的用户画像实例;
候选用户人群第二确定单元,被配置为执行根据所述用户标签值和所述用户人群集合的用户画像实例,从所述用户人群集合中筛选得到相匹配的候选用户人群。
可选的,所述特征赋权模块930可以包括:
均值计算单元,被配置为执行根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值;
标准差计算单元,被配置为执行基于所述特征组中各特征的特征平均值和所述候选用户人群的特征信息,计算得到所述特征组中各特征的标准差;
系数计算单元,被配置为执行根据所述特征组中各特征的特征平均值和标准差,计算得到所述特征组中各特征的变异系数;
权重确定单元,被配置为执行对所述特征组中各特征的变异系数进行归一化,确定所述特征组中各特征的特征权重。
可选的,所述计算模块940可以包括:
标准化单元,被配置为执行对所述候选用户人群的特征信息进行标准化处理,得到标准化特征信息,所述标准化特征信息包括所述特征组中各特征的标准化特征数据;
加权计算单元,被配置为执行将所述特征组中各特征的标准化特征数据按对应的特征权重进行加权求和,得到所述候选用户人群中各用户的目标维度能力值。
可选的,所述筛选模块950可以包括:
统计分布单元,被配置为执行确定所述候选用户人群中各用户的目标维度能力值的数据分布特性;
阈值确定单元,被配置为执行根据所述数据分布特性和预设筛选条件,确定目标维度能力阈值;
第一筛选单元,被配置为执行根据所述目标维度能力阈值和所述候选用户人群中各用户的目标维度能力值,从所述候选用户人群中确定目标用户。
可选的,所述筛选模块950还可以包括:
周期能力值获取单元,被配置为执行获取所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值;
变化指标计算单元,被配置为执行根据所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值,计算得到所述候选用户人群中各用户的能力变化指标值;
第二筛选单元,被配置为执行根据所述候选用户人群中各用户的能力变化指标值和预设筛选条件,从所述候选用户人群中确定目标用户。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种用于确定目标用户的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标用户确定方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的一种目标用户确定方法。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本公开实施例中的一种目标用户确定方法。
在示例性实施例中,还提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现本公开实施例中的一种目标用户确定方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (16)
1.一种目标用户确定方法,其特征在于,所述方法包括:
获取业务信息,根据所述业务信息确定候选用户人群、对应的目标维度和所述目标维度的特征组;
针对所述特征组中各特征,获取所述候选用户人群在所述特征下的特征信息,得到所述候选用户人群的特征信息;
根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值和标准差;
根据所述特征组中各特征的特征平均值和标准差,确定所述特征组中各特征的特征权重;
根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征所述用户在所述目标维度的能力表现;
根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户。
2.根据权利要求1所述的目标用户确定方法,其特征在于,所述根据所述业务信息确定候选用户人群,包括:
根据所述业务信息,确定业务目标;
基于所述业务目标,确定与所述业务目标相匹配的候选垂类;
根据所述候选垂类,从用户人群集合中筛选得到相匹配的候选用户人群。
3.根据权利要求1所述的目标用户确定方法,其特征在于,所述根据所述业务信息确定候选用户人群,还包括:
根据所述业务信息,得到一个或多个用户标签值;
获取用户人群集合的用户画像实例;
根据所述用户标签值和所述用户人群集合的用户画像实例,从所述用户人群集合中筛选得到相匹配的候选用户人群。
4.根据权利要求1所述的目标用户确定方法,其特征在于,所述根据所述特征组中各特征的特征平均值和标准差,确定所述特征组中各特征的特征权重,包括:
根据所述特征组中各特征的特征平均值和标准差,计算得到所述特征组中各特征的变异系数;
对所述特征组中各特征的变异系数进行归一化,确定所述特征组中各特征的特征权重。
5.根据权利要求1所述的目标用户确定方法,其特征在于,所述根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,包括:
对所述候选用户人群的特征信息进行标准化处理,得到标准化特征信息,所述标准化特征信息包括所述特征组中各特征的标准化特征数据;
将所述特征组中各特征的标准化特征数据按对应的特征权重进行加权求和,得到所述候选用户人群中各用户的目标维度能力值。
6.根据权利要求1所述的目标用户确定方法,其特征在于,所述根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户,包括:
确定所述候选用户人群中各用户的目标维度能力值的数据分布特性;
根据所述数据分布特性和预设筛选条件,确定目标维度能力阈值;
根据所述目标维度能力阈值和所述候选用户人群中各用户的目标维度能力值,从所述候选用户人群中确定目标用户。
7.根据权利要求1所述的目标用户确定方法,其特征在于,所述根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户,还包括:
获取所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值;
根据所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值,计算得到所述候选用户人群中各用户的能力变化指标值;
根据所述候选用户人群中各用户的能力变化指标值和预设筛选条件,从所述候选用户人群中确定目标用户。
8.一种目标用户确定装置,其特征在于,所述装置包括:
确定模块,被配置为执行获取业务信息,根据所述业务信息确定候选用户人群、对应的目标维度和所述目标维度的特征组;
特征信息获取模块,被配置为执行针对所述特征组中各特征,获取所述候选用户人群在所述特征下的特征信息,得到所述候选用户人群的特征信息;
特征赋权模块,被配置为执行根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值和标准差;根据所述特征组中各特征的特征平均值和标准差,确定所述特征组中各特征的特征权重;
计算模块,被配置为执行根据所述候选用户人群的特征信息和所述特征组中各特征的特征权重,计算得到所述候选用户人群中各用户的目标维度能力值,所述目标维度能力值表征所述用户在所述目标维度的能力表现;
筛选模块,被配置为执行根据所述候选用户人群中各用户的目标维度能力值和预设筛选条件,从所述候选用户人群中确定目标用户。
9.根据权利要求8所述的目标用户确定装置,其特征在于,所述确定模块包括:
业务目标确定单元,被配置为执行根据所述业务信息,确定业务目标;
候选垂类确定单元,被配置为执行基于所述业务目标,确定与所述业务目标相匹配的候选垂类;
候选用户人群第一确定单元,被配置为执行根据所述候选垂类,从用户人群集合中筛选得到相匹配的候选用户人群。
10.根据权利要求8所述的目标用户确定装置,其特征在于,所述确定模块还包括:
用户标签值确定单元,被配置为执行根据所述业务信息,得到一个或多个用户标签值;
用户画像实例获取单元,被配置为执行获取用户人群集合的用户画像实例;
候选用户人群第二确定单元,被配置为执行根据所述用户标签值和所述用户人群集合的用户画像实例,从所述用户人群集合中筛选得到相匹配的候选用户人群。
11.根据权利要求8所述的目标用户确定装置,其特征在于,所述特征赋权模块包括:
均值计算单元,被配置为执行根据所述候选用户人群的特征信息,确定所述特征组中各特征的特征平均值;
标准差计算单元,被配置为执行基于所述特征组中各特征的特征平均值和所述候选用户人群的特征信息,计算得到所述特征组中各特征的标准差;
系数计算单元,被配置为执行根据所述特征组中各特征的特征平均值和标准差,计算得到所述特征组中各特征的变异系数;
权重确定单元,被配置为执行对所述特征组中各特征的变异系数进行归一化,确定所述特征组中各特征的特征权重。
12.根据权利要求8所述的目标用户确定装置,其特征在于,所述计算模块包括:
标准化单元,被配置为执行对所述候选用户人群的特征信息进行标准化处理,得到标准化特征信息,所述标准化特征信息包括所述特征组中各特征的标准化特征数据;
加权计算单元,被配置为执行将所述特征组中各特征的标准化特征数据按对应的特征权重进行加权求和,得到所述候选用户人群中各用户的目标维度能力值。
13.根据权利要求8所述的目标用户确定装置,其特征在于,所述筛选模块包括:
统计分布单元,被配置为执行确定所述候选用户人群中各用户的目标维度能力值的数据分布特性;
阈值确定单元,被配置为执行根据所述数据分布特性和预设筛选条件,确定目标维度能力阈值;
第一筛选单元,被配置为执行根据所述目标维度能力阈值和所述候选用户人群中各用户的目标维度能力值,从所述候选用户人群中确定目标用户。
14.根据权利要求8所述的目标用户确定装置,其特征在于,所述筛选模块还包括:
周期能力值获取单元,被配置为执行获取所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值;
变化指标计算单元,被配置为执行根据所述候选用户人群中各用户在当前周期和历史周期内的目标维度能力值,计算得到所述候选用户人群中各用户的能力变化指标值;
第二筛选单元,被配置为执行根据所述候选用户人群中各用户的能力变化指标值和预设筛选条件,从所述候选用户人群中确定目标用户。
15.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的目标用户确定方法。
16.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的目标用户确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556942.8A CN113420204B (zh) | 2021-05-21 | 2021-05-21 | 目标用户确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556942.8A CN113420204B (zh) | 2021-05-21 | 2021-05-21 | 目标用户确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420204A CN113420204A (zh) | 2021-09-21 |
CN113420204B true CN113420204B (zh) | 2023-12-26 |
Family
ID=77712707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556942.8A Active CN113420204B (zh) | 2021-05-21 | 2021-05-21 | 目标用户确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420204B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114461870A (zh) * | 2021-12-21 | 2022-05-10 | 北京达佳互联信息技术有限公司 | 对象识别方法、装置、设备及存储介质 |
CN114331572A (zh) * | 2022-03-14 | 2022-04-12 | 北京明略软件系统有限公司 | 一种潜在客户的确定方法、装置、电子设备及存储介质 |
CN115936719A (zh) * | 2023-03-01 | 2023-04-07 | 北京淘友天下技术有限公司 | 识别方法、装置、电子设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106610968A (zh) * | 2015-10-21 | 2017-05-03 | 广州酷狗计算机科技有限公司 | 一种歌单列表确定方法、装置及电子设备 |
CN110609951A (zh) * | 2019-08-14 | 2019-12-24 | 深圳壹账通智能科技有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN111698575A (zh) * | 2020-06-19 | 2020-09-22 | 广州华多网络科技有限公司 | 直播亮点视频剪辑方法、装置、设备及存储介质 |
CN112016773A (zh) * | 2019-05-13 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种确定潜力主播的方法及装置 |
WO2020248843A1 (zh) * | 2019-06-14 | 2020-12-17 | 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 |
CN112163614A (zh) * | 2020-09-24 | 2021-01-01 | 广州虎牙信息科技有限公司 | 一种主播分类方法、装置、电子设备及存储介质 |
CN112580887A (zh) * | 2020-12-25 | 2021-03-30 | 百果园技术(新加坡)有限公司 | 多目标融合评价的权重确定方法、装置、设备及存储介质 |
-
2021
- 2021-05-21 CN CN202110556942.8A patent/CN113420204B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106610968A (zh) * | 2015-10-21 | 2017-05-03 | 广州酷狗计算机科技有限公司 | 一种歌单列表确定方法、装置及电子设备 |
CN112016773A (zh) * | 2019-05-13 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种确定潜力主播的方法及装置 |
WO2020248843A1 (zh) * | 2019-06-14 | 2020-12-17 | 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 |
CN110609951A (zh) * | 2019-08-14 | 2019-12-24 | 深圳壹账通智能科技有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN111698575A (zh) * | 2020-06-19 | 2020-09-22 | 广州华多网络科技有限公司 | 直播亮点视频剪辑方法、装置、设备及存储介质 |
CN112163614A (zh) * | 2020-09-24 | 2021-01-01 | 广州虎牙信息科技有限公司 | 一种主播分类方法、装置、电子设备及存储介质 |
CN112580887A (zh) * | 2020-12-25 | 2021-03-30 | 百果园技术(新加坡)有限公司 | 多目标融合评价的权重确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113420204A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420204B (zh) | 目标用户确定方法、装置、电子设备及存储介质 | |
CN106127363B (zh) | 一种用户信用评估方法和装置 | |
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
Rödder et al. | Quantitative metrics of overlaps in Grinnellian niches: advances and possible drawbacks | |
Efstratiadis et al. | One decade of multi-objective calibration approaches in hydrological modelling: a review | |
Bradley et al. | Regionalization of multiscale spatial processes by using a criterion for spatial aggregation error | |
CN108764584B (zh) | 一种企业电能替代潜力评估方法 | |
CN106776925B (zh) | 一种移动终端用户性别的预测方法、服务器和系统 | |
Lin et al. | A hybrid statistical downscaling method based on the classification of rainfall patterns | |
CN113379457A (zh) | 面向金融领域的智能营销方法 | |
Tayman et al. | Precision, bias, and uncertainty for state population forecasts: An exploratory analysis of time series models | |
Zhan et al. | Housing prices prediction with deep learning: an application for the real estate market in Taiwan | |
CN114037184A (zh) | 收益评价指标的预测方法、装置、介质、设备及程序产品 | |
Gopal et al. | Customer churn time prediction in mobile telecommunication industry using ordinal regression | |
Temür et al. | Comparison of forecasting performance of ARIMA LSTM and HYBRID models for the sales volume budget of a manufacturing enterprise | |
Abdul-Rahman et al. | Advanced machine learning algorithms for house price prediction: case study in Kuala Lumpur | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN111782782B (zh) | 智能客服的咨询回复方法、装置、计算机设备和存储介质 | |
Kampichler et al. | On the usefulness of prediction intervals for local species distribution model forecasts | |
CN111291795A (zh) | 人群特征分析方法、装置、存储介质和计算机设备 | |
Veveris | Investment support and its impact on the economic results of rural farms of different groups | |
CN104636489B (zh) | 描述属性数据的处理方法和装置 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN112581250B (zh) | 模型生成方法、装置、计算机设备和存储介质 | |
Bundala | Homo-Hetero Pairing Regression Model: An Econometric Predictive Model of Homo Paired Data |
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 |