CN113469721A - 一种处理用户信息的方法及装置 - Google Patents
一种处理用户信息的方法及装置 Download PDFInfo
- Publication number
- CN113469721A CN113469721A CN202010237631.0A CN202010237631A CN113469721A CN 113469721 A CN113469721 A CN 113469721A CN 202010237631 A CN202010237631 A CN 202010237631A CN 113469721 A CN113469721 A CN 113469721A
- Authority
- CN
- China
- Prior art keywords
- value
- information
- user
- users
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 41
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 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
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010926 purge Methods 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本发明公开了一种处理用户信息的方法及装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取第一类用户的第一特征信息;根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。该实施方式有利于对用户的信息进行精准处理,提高用户粘度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种处理用户信息的方法及装置。
背景技术
随着电子商务的发展,在电商平台上活动的用户越来越多,如何对用户进行准确高效的管理,对提高用户粘度、提高用户体验来说至关重要。
目前,电商平台一般根据用户的注册信息或历史行为,对用户的信息进行处理,例如根据用户的注册信息对用户的访问权限信息进行处理,或者根据用户的历史行为对用户接收的推荐物品信息进行处理。现有的用户信息处理方式所考虑的维度较为单一,使得用户信息的处理不够精准,不利于提高用户粘度。
发明内容
有鉴于此,本发明实施例提供一种处理用户信息的方法及装置,能够根据与第一类用户类型不同的第二类用户的特征信息和历史价值,预测第一类用户的预测价值,并结合第一类用户的历史价值以及预测价值,对第一类用户的信息进行处理,从而实现了结合不同类型的用户价值,对第一类用户的信息进行更精准的处理,有利于提升用户体验,提高用户粘度,并且有利于实现根据不同类型的用户分别对应的价值指导用户进行类型转换,从而有利于进一步提高用户粘度。
为实现上述目的,根据本发明实施例的一个方面,提供了一种处理用户信息的方法。
本发明实施例的一种处理用户信息的方法包括:
获取第一类用户的第一特征信息;
根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;
根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
可选地,
在预设的第一时间段内,所述第二类用户的历史价值与所述第一类用户的历史价值之间的差值小于预设第一阈值;
所述价值预测模型是基于所述第一时间段内所述第二类用户的第二特征信息以及所述历史价值所得到的。
可选地,
所述第一特征信息包括以下任意一个或多个:属性信息、历史行为信息、被推荐物品信息以及所处环境信息。
可选地,
当所述第一特征信息包括历史行为信息时,在预设的第二时间段内,所述第二类用户的历史行为信息与所述第一类用户的历史行为信息的相似度大于预设第二阈值;
所述价值预测模型是基于所述第二类用户在所述第二时间段内的第二特征信息以及所述历史价值所得到的。
可选地,
所述相似度是基于第二类用户的历史行为信息和所述第一类用户的历史行为信息分别对应的物品信息所得到的。
可选地,
所述价值预测模型为lightgbm模型或卷积神经网络模型。
可选地,
所述对所述第一类用户的信息进行处理,包括:
当所述第一类用户的历史价值与所述预测价值之间的差值大于第三阈值时,根据所述差值,对所述第一类用户的虚拟资源信息进行处理。
可选地,
所述对所述第一类用户的信息进行处理,包括:
当所述第一类用户的历史价值与所述预测价值之间的差值大于第四阈值时,根据所述第一类用户的第一特征信息以及所述差值,生成并展示与所述第一类用户对应的推荐信息。
为实现上述目的,根据本发明实施例的又一方面,提供了一种处理用户信息的装置。
本发明实施例的一种处理用户信息的装置包括:特征获取模块、预测模块和处理模块;其中,
所述特征获取模块,用于获取第一类用户的第一特征信息;
所述预测模块,用于根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;
所述处理模块,用于根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
为实现上述目的,根据本发明实施例的又一方面,提供了一种处理用户信息的电子设备。
本发明实施例的一种处理用户信息的电子设备包括: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本发明实施例的一种处理用户信息的方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种处理用户信息的方法。
上述发明中的一个实施例具有如下优点或有益效果:根据第一类用户的第一特征信息以及价值预测模型,确定第一类用户的预测价值,该价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的,然后根据第一类用户的真是价值以及预测价值,对第一类用户进行管理。能够根据与第一类用户类型不同的第二类用户的特征信息和历史价值,预测第一类用户的预测价值,并结合第一类用户的历史价值以及预测价值,对第一类用户的信息进行处理,从而实现了结合不同类型的用户价值,对第一类用户的信息进行更精准的处理,有利于提升用户体验,提高用户粘度,并且有利于实现根据不同类型的用户分别对应的价值指导用户进行类型转换,从而有利于进一步提高用户粘度。
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是根据本发明实施例的一种处理用户信息的方法的主要步骤的示意图;
图2是根据本发明实施例的另一种处理用户信息的方法的主要步骤的示意图;
图3是根据本发明实施例的又一种处理用户信息的方法的主要步骤的示意图;
图4是根据本发明实施例的再一种处理用户信息的方法的主要步骤的示意图;
图5是根据本发明实施例的一种处理用户信息的装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7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。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的处理用户信息方法的主要步骤的示意图。
如图1所示,本发明实施例的处理用户信息方法主要包括以下步骤:
步骤S101:获取第一类用户的第一特征信息。
在本发明实施例中,第一类用户和第二类用户为类型不同的用户,例如,第一类用户为会员用户,第二类用户为非会员用户,或者,第一类用户为非会员用户,第二类用户为会员用户。
第一特征信息包括以下任意一个或多个:属性信息、历史行为信息、被推荐物品信息以及所处环境信息。
用户的属性信息包括用户的性别、用户的年龄、用户的注册时长、用户所属的城市以及用户的虚拟资源数量等。其中,用户的虚拟资源为可用于兑换实体物品、优惠券等各种福利的资源,例如,虚拟资源可以为账户积分或账户虚拟币。用户的属性信息还可以包括用户在电商平台的活跃度,用户的活跃度可根据用户产生历史行为信息的频率来确定。例如,用户的活跃度可以通过以下几个方面来体现:用户在预设时间段内下单的天数、用户在距当前时间不早于第二时间段内(如最近60天内)下单的天数、用户最早下单时间与当前时间的间隔天数、用户注册时间与当前时间的间隔天数、用户的累计浏览天数、用户浏览不同品类的物品的详情页面的频率、用户将物品加购物车的次数以及用户对物品的评论次数等。
用户的历史行为信息包括用户历史的点击、浏览、关注、加购物车和下单等历史行为。被推荐物品信息为用户已接收过的推荐物品信息,该推荐物品信息一般由电商平台根据用户的兴趣点或根据流行趋势所推荐,如被推荐物品信息为明星所用同款物品。用户所处环境信息为用户所在地区的天气、用户所在的经纬度、用户所处的网络环境等,可以理解的是,用户所处环境信息一般是在用户产生历史行为信息时所采集,也就是说,用户所处环境信息一般为用户进行点击、浏览、关注、加购物车和下单等行为时所采集的用户所在地区的天气、用户所在经纬度以及用户所处网络环境等信息。
用户的下单行为可以包括多个方面,例如用户在预设第一时间段内(如一年内)的订单量以及这些订单所对应的总价值、用户在距当前时间不早于第二时间段内(如最近90天内)的总订单量以及这些订单所对应的总价值、用户在第一时间段内的订单所对应的物品品类以及用户画像所对应的用户品类偏好、用户在第一时间段内下单的物品总个数、订单中价值大于阈值的订单数量、多个订单中具有最大价值的订单、用户在第一时间段内使用了优惠方式的订单总量等。
可以理解的是,第二类用户的第二特征信息也包括:属性信息、历史行为信息、被推荐物品信息以及所处环境信息中的一个或多个。
步骤S102:根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的。
在构建价值预测模型时,可选择在预设第一时间段内的所产生的历史价值与第一类用户的历史价值之间的差值小于预设第一阈值的第二类用户,根据选择出的第二类用户的第二特征信息及其历史价值来构建价值预测模型。
其中,第一类用户或第二类用户的历史价值可以为用户所对应gmv(GrossMerchandise Volume,成交总额)。例如,第一时间段为一年时,第一类用户在第一时间段内的历史价值即为第一类用户在一年内的gmv,该gmv为用户在这一年内所下的各个订单对应的总金额。
在构建价值预测模型时,可先过滤异常用户的数据,异常用户为购买行为异常的用户(如一年内gmv超过100万、一年内下单总数量超过10万等)、订单异常的用户,如下单行为与其属性信息不相符的用户(如等级较高的会员用户一年内下单总数量少于2单)、高风险用户(如风控过滤的代购用户等)。另外,还可对用户数据进行清洗,如清洗掉购买同一物品的数量超过阈值的订单数据。
然后,可根据清洗后的数据构建价值预测模型,以提高价值预测模型的准确度。以第一时间段为2017年1月1日到2017年12月31日为例,在选取构建价值预测模型的样本数据时,首先根据第二类用户在2017年1月1日到2017年12月31日内的历史价值,将表征第二类用户的第二特征信息和历史价值的数据进行分档,例如,根据第二类用户的最大历史价值n1与第二类用户的最小历史价值n2之间的差值,将第二用户的数据分为20档,则得到的第一档数据为历史价值为n1~(n2-n1)/20的数据,第二档数据为历史价值为(n2-n1)/20~(n2-n1)/10的数据,以此类推,第20档数据为历史价值为19(n2-n1)/20~n2的数据。
然后,根据第一类用户的历史价值,选择用于构建价值预测模型的第二类用户的数据,例如,当第一类用户在2017年1月1日到2017年12月31日的历史价值m,其中,n1<m<(n2-n1)/20,则m对应于第二类用户的第一档数据的历史价值,也就是说,可以选择第二类用户的第一档数据作为构建价值预测模型的样本数据。
以第一类用户为会员用户、第二类用户为非会员用户为例,用于构建价值预测模型的样本数据为非会员用户在第一时间段内历史价值与会员用户的在第一时间段内历史价值小于第一阈值的数据,这表示非会员用户在第一时间段内,其购买能力与会员用户在同等水平,换句话说,非会员用户产生价值的能力与会员用户在第一时间段内处于同等水平。这使得在根据价值预测模型预测会员用户的预测价值时,是基于与会员用户的同等购买能力进行的,从而可提高会员用户的预测价值的预测准确性。
另外,当第一类用户的第一特征信息包括历史行为信息时,用于构建价值预测模型的样本数据可以为在第二时间段内,其历史行为信息与第一类用户的历史行为信息的相似度大于预设第二阈值的数据,该数据表征第二类用户的第二特征信息和历史价值,也就是说,价值预测模型是基于第二用户在第二时间段内的第二特征信息以及历史价值所得到的。
其中,第二时间段可以与第一时间段相同,也可以与第一时间段不同。第一类用户的历史行为信息与第二类用户的历史行为信息的相似度可基于第二类用户的历史行为信息和所述第一类用户的历史行为信息分别对应的物品信息所得到,例如,第一类用户的历史行为信息所对应的物品信息为物品A和物品B,第二类用户的历史行为信息所对应的物品信息为物品B和物品C,则可根据物品A、物品B和物品C分别对应的物品名称,计算第一类用户的历史行为信息和第二类用户的历史行为信息之间的相似度。
然后,选择与第一类用户的历史行为信息的相似度大于预设第二阈值的第二类用户的数据来构建价值预测模型,则选择出的第二类用户的数据(构建价值预测模型的样本数据)与第一类用户在第二时间段具有相同或相似的物品喜好,这使得在根据价值预测模型预测第一类用户的预测价值时,是基于与第二类用户相似的物品喜好进行的,从而可提高会员用户的预测价值的预测准确性。
当然,在确定用于构建价值预测模型的样本数据时,可同时结合第二类用户的历史价值以及第二类用户的历史行为信息与第一类用户的历史行为信息的相似度,也就是说,可选择第二类用户的数据中,在第一时间段内的历史价值与第一类用户的历史价值之间的差值小于第一阈值、且在该第一时间段内的历史行为信息与第一类用户的历史行为信息的相似度大于第二阈值的第二类用户的数据作为样本数据,该数据表征第二类用户的第二特征信息和历史价值。由此,如图2所示,本发明实施例提供的处理用户信息的方法可以包括以下步骤S201至步骤S205:
步骤S201:确定第二类用户的样本数据,所述样本数据表征第二类用户的第二特征信息和第二类用户在第一时间段内的历史价值,所述样本数据表征的历史价值与第一类用户的历史价值之间的差值小于第一阈值,且所述样本数据表征的第二特征信息中的历史行为信息与第一类用户的历史行为信息的相似度大于第二阈值。
步骤S202:根据所述样本数据表征的第二类用户的第二特征信息和历史价值,构建价值预测模型。
步骤S203:获取第一类用户的第一特征信息。
步骤S204:根据所述第一特征信息以及所述价值预测模型,确定所述第一类用户对应的预测价值。
步骤S205:根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
在构建价值预测模型时,可基于lightgbm模型或卷积神经网络模型来构建,在模型训练过程中不断调整参数,以提高模型训练效率并提高模型准确率,如调整合适的maxBin,避免由于为了追求准确率而采用过大的maxBin,从而导致模型训练速度减慢,或者由于防止过拟合而采用过小的maxBin,从而导致模型的准确率降低;再比如,调整合适的numLeaves,避免由于使用过大的numLeaves而导致过拟合,或者由于使用过小的numLeaves而导致准确率过低。总之,在调整模型训练参数时,是基于更高的模型训练效率和准确率以及二者之间的平衡来进行的,如为了更好的准确率,可使用较大的maxBin,采用更小的learningRate及更大的numIterations,使用较大的numLeaves,还可增大训练数据集。为了避免过拟合,可使用较小的maxBin,使用较小的numLeaves,使用minSumHessianInLeaf,还可增大训练数据集。
在构建出价值预测模型后,可根据第二类用户的历史价值以及利用价值预测模型预测的第二类用户的预测价值之间的均方误差来确定价值预测模型的准确度,或者根据第二类用户的数据所对应的真实档位以及利用价值预测模型预测的第二类用户的数据的预测档位来确定价值预测模型的准确度,在价值预测模型的准确度符合要求时,才停止价值预测模型的训练,并利用价值预测模型来预测第一类用户的预测价值。
步骤S103:根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
以第一类用户为会员用户,第二类用户为非会员用户为例,则第一类用户的预测价值表征非会员具有与第一特征信息相同的第二特征信息时,其对应的历史价值。换句话说,第一类用户的预测价值表征若会员用户未开通会员时,其第一特征信息所对应的价值。以用户的价值为gmv为例,则第一类用户的历史价值与预测价值之间的差值为会员用户与非会员用户具有相同的特征信息时,其对应的gmv之间的差值,此处的差值为第一类用户的历史价值与预测价值之差的绝对值。一般来说,具有相同的特征信息时,会员用户对应的gmv小于非会员对应的gmv,也就是说,对于用户来说,开通会员将使得其在同等购买条件下(购买同样的物品),其消费的金额更少。
在本发明一个实施例中,当所述第一类用户的历史价值与所述预测价值之间的差值大于第三阈值时,根据所述差值,对所述第一类用户的虚拟资源信息进行处理。
仍以第一类用户为会员用户、第二类用户为非会员为例,当第一类用户的历史价值与其预测价值之间的差值大于第三阈值,说明第一类用户的会员价值度较高,也就是说,开通会员为用户节约了较高的成交额,使得用户花费更少。为了促使用户保持第一类用户的类型,即为了促使用户保持会员类型,提高用户粘度,可以增加虚拟资源的形式对第一类用户的虚拟资源信息进行处理,也就是为第一类用户新增虚拟资源,并且,该虚拟资源的数量可根据第一类用户的历史价值与其预测价值之间的差值来确定,例如,该差值越大时,虚拟资源的数量越多。
由此,如图3所示,本发明实施例提供的处理用户信息的方法可以包括以下步骤:
步骤S301:获取第一类用户的第一特征信息。
步骤S302:根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的。
步骤S303:当所述第一类用户的历史价值与所述预测价值之间的差值大于第三阈值时,根据所述差值,对所述第一类用户的虚拟资源信息进行处理。
可以理解的是,当第一类用户为非会员用户、第二类用户为会员用户时,第一类用户的预测价值表征若非会员用户开通会员时,其第一特征信息所对应的价值。以用户的价值为gmv为例,则第一类用户的历史价值与预测价值之间的差值为非会员用户与会员用户具有相同的特征信息时,其对应的gmv之间的差值,此处的差值为第一类用户的历史价值与预测价值之差的绝对值。
为了促使非会员用户开通会员,提高用户粘度,当第一类用户的历史价值与预测价值之间的差值大于第四阈值时,可根据所述第一类用户的第一特征信息以及所述差值,生成并展示与所述第一类用户对应的推荐信息。
根据以上实施例,如图4所示,本发明实施例提供的用户信息处理方法可以包括以下步骤:
步骤S401:获取第一类用户的第一特征信息。
步骤S402:根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的。
步骤S403:当所述第一类用户的历史价值与所述预测价值之间的差值大于第四阈值时,根据所述第一类用户的第一特征信息以及所述差值,生成并展示与所述第一类用户对应的推荐信息。
生成的推荐信息可如下所示:“若开通会员,则购买K物品可节约Y1元”或者“若开通会员,在一年内至少可节约Y2元”,其中,K物品可以为用户购买过的物品,Y1和Y2是根据第一类用户的历史价值与预测价值之间的差值确定出的。当用户使用处理用户信息的装置时,可将推荐信息在处理用户信息的装置(如用户使用的终端)的首页或者用户个人主页进行展示,或者在用户查看物品信息时,将推荐信息以飘窗形式进行展示。由此促使用户根据推荐信息进行类型转换,如由非会员类型转换为会员类型,从而提高用户粘度。
根据本发明实施例的处理用户信息的方法可以看出,根据第一类用户的第一特征信息以及价值预测模型,确定第一类用户的预测价值,该价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的,然后根据第一类用户的真是价值以及预测价值,对第一类用户进行管理。由此,能够根据与第一类用户类型不同的第二类用户的特征信息和历史价值,预测第一类用户的预测价值,并结合第一类用户的历史价值以及预测价值,对第一类用户的信息进行处理,从而实现了结合不同类型的用户价值,对第一类用户的信息进行更精准的处理,有利于提升用户体验,提高用户粘度,并且有利于实现根据不同类型的用户分别对应的价值指导用户进行类型转换,从而有利于进一步提高用户粘度。
图5是根据本发明实施例的处理用户信息的装置的主要模块的示意图。
如图5所示,本发明实施例的处理用户信息的装置500包括:特征获取模块501、预测模块502和处理模块503;其中,
所述特征获取模块501,用于获取第一类用户的第一特征信息;
所述预测模块502,用于根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;
所述处理模块503,用于根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
在本发明一个实施例中,在预设的第一时间段内,所述第二类用户的历史价值与所述第一类用户的历史价值之间的差值小于预设第一阈值;所述价值预测模型是基于所述第一时间段内所述第二类用户的第二特征信息以及所述历史价值所得到的。
在本发明一个实施例中,所述第一特征信息包括以下任意一个或多个:属性信息、历史行为信息、被推荐物品信息以及所处环境信息。
在本发明一个实施例中,当所述第一特征信息包括历史行为信息时,在预设的第二时间段内,所述第二类用户的历史行为信息与所述第一类用户的历史行为信息的相似度大于预设第二阈值;所述价值预测模型是基于所述第二类用户在所述第二时间段内的第二特征信息以及所述历史价值所得到的。
在本发明一个实施例中,所述相似度是基于第二类用户的历史行为信息和所述第一类用户的历史行为信息分别对应的物品信息所得到的。
在本发明一个实施例中,所述价值预测模型为lightgbm模型或卷积神经网络模型。
在本发明一个实施例中,所述处理模块503,用于当所述第一类用户的历史价值与所述预测价值之间的差值大于第三阈值时,根据所述差值,对所述第一类用户的虚拟资源信息进行处理。
在本发明一个实施例中,所述处理模块503,用于当所述第一类用户的历史价值与所述预测价值之间的差值大于第四阈值时,根据所述第一类用户的第一特征信息以及所述差值,生成并展示与所述第一类用户对应的推荐信息。
根据本发明实施例的处理用户信息的装置可以看出,根据第一类用户的第一特征信息以及价值预测模型,确定第一类用户的预测价值,该价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的,然后根据第一类用户的真是价值以及预测价值,对第一类用户进行管理。由此,能够根据与第一类用户类型不同的第二类用户的特征信息和历史价值,预测第一类用户的预测价值,并结合第一类用户的历史价值以及预测价值,对第一类用户的信息进行处理,从而实现了结合不同类型的用户价值,对第一类用户的信息进行更精准的处理,有利于提升用户体验,提高用户粘度,并且有利于实现根据不同类型的用户分别对应的价值指导用户进行类型转换,从而有利于进一步提高用户粘度。
图6示出了可以应用本发明实施例的处理用户信息的方法或处理用户信息的装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603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。
终端设备601、602、603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605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。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)反馈给终端设备。
需要说明的是,本发明实施例所提供的处理用户信息的方法一般由服务器605执行,相应地,处理用户信息的装置一般设置于服务器605中。
应该理解,图6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7,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700的结构示意图。图7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7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701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:一种处理器包括特征获取模块、预测模块和处理模块。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,例如,特征获取模块还可以被描述为“获取第一类用户的第一特征信息的模块”。
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:获取第一类用户的第一特征信息;根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
根据本发明实施例的技术方案,根据第一类用户的第一特征信息以及价值预测模型,确定第一类用户的预测价值,该价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的,然后根据第一类用户的真是价值以及预测价值,对第一类用户进行管理。由此,能够根据与第一类用户类型不同的第二类用户的特征信息和历史价值,预测第一类用户的预测价值,并结合第一类用户的历史价值以及预测价值,对第一类用户的信息进行处理,从而实现了结合不同类型的用户价值,对第一类用户的信息进行更精准的处理,有利于提升用户体验,提高用户粘度,并且有利于实现根据不同类型的用户分别对应的价值指导用户进行类型转换,从而有利于进一步提高用户粘度。
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 (11)
1.一种处理用户信息的方法,其特征在于,包括:
获取第一类用户的第一特征信息;
根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;
根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
2.根据权利要求1所述的方法,其特征在于,在预设的第一时间段内,所述第二类用户的历史价值与所述第一类用户的历史价值之间的差值小于预设第一阈值;
所述价值预测模型是基于所述第一时间段内所述第二类用户的第二特征信息以及所述历史价值所得到的。
3.根据权利要求1所述的方法,其特征在于,所述第一特征信息包括以下任意一个或多个:属性信息、历史行为信息、被推荐物品信息以及所处环境信息。
4.根据权利要求3所述的方法,其特征在于,当所述第一特征信息包括历史行为信息时,
在预设的第二时间段内,所述第二类用户的历史行为信息与所述第一类用户的历史行为信息的相似度大于预设第二阈值;
所述价值预测模型是基于所述第二类用户在所述第二时间段内的第二特征信息以及所述历史价值所得到的。
5.根据权利要求4所述的方法,其特征在于,
所述相似度是基于第二类用户的历史行为信息和所述第一类用户的历史行为信息分别对应的物品信息所得到的。
6.根据权利要求1所述的方法,其特征在于,
所述价值预测模型为lightgbm模型或卷积神经网络模型。
7.根据权利要求1所述的方法,其特征在于,所述对所述第一类用户的信息进行处理,包括:
当所述第一类用户的历史价值与所述预测价值之间的差值大于第三阈值时,根据所述差值,对所述第一类用户的虚拟资源信息进行处理。
8.根据权利要求1所述的方法,其特征在于,所述对所述第一类用户的信息进行处理,包括:
当所述第一类用户的历史价值与所述预测价值之间的差值大于第四阈值时,根据所述第一类用户的第一特征信息以及所述差值,生成并展示与所述第一类用户对应的推荐信息。
9.一种处理用户信息的装置,其特征在于,包括:特征获取模块、预测模块和处理模块;其中,
所述特征获取模块,用于获取第一类用户的第一特征信息;
所述预测模块,用于根据所述第一特征信息以及价值预测模型,确定所述第一类用户对应的预测价值;所述价值预测模型是基于第二类用户的第二特征信息和历史价值所得到的;
所述处理模块,用于根据所述第一类用户的历史价值以及所述预测价值,对所述第一类用户的信息进行处理。
10.一种处理用户信息的电子设备,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1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237631.0A CN113469721A (zh) | 2020-03-30 | 2020-03-30 | 一种处理用户信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237631.0A CN113469721A (zh) | 2020-03-30 | 2020-03-30 | 一种处理用户信息的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469721A true CN113469721A (zh) | 2021-10-01 |
Family
ID=77866118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237631.0A Pending CN113469721A (zh) | 2020-03-30 | 2020-03-30 | 一种处理用户信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469721A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1513151A (zh) * | 2001-05-31 | 2004-07-14 | ��ʽ�����ͨTec | 以3指标轴表示的客户价值为基准的销售预测方法 |
JP2014164693A (ja) * | 2013-02-27 | 2014-09-08 | Toshiba Tec Corp | 情報処理装置、商品注文システム及び制御プログラム |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109325640A (zh) * | 2018-12-07 | 2019-02-12 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
-
2020
- 2020-03-30 CN CN202010237631.0A patent/CN113469721A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1513151A (zh) * | 2001-05-31 | 2004-07-14 | ��ʽ�����ͨTec | 以3指标轴表示的客户价值为基准的销售预测方法 |
JP2014164693A (ja) * | 2013-02-27 | 2014-09-08 | Toshiba Tec Corp | 情報処理装置、商品注文システム及び制御プログラム |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109325640A (zh) * | 2018-12-07 | 2019-02-12 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908740B (zh) | 信息输出方法和装置 | |
US20200250732A1 (en) | Method and apparatus for use in determining tags of interest to user | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CA2944652A1 (en) | Inference model for traveler classification | |
CN111459992B (zh) | 信息推送方法、电子设备和计算机可读介质 | |
CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
US10943288B2 (en) | Cognitive article reception | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN113760521A (zh) | 一种虚拟资源的分配方法和装置 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN116955817A (zh) | 内容推荐方法、装置、电子设备以及存储介质 | |
CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN113360816A (zh) | 点击率预测的方法和装置 | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN113469721A (zh) | 一种处理用户信息的方法及装置 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN113743973A (zh) | 分析市场热点趋势的方法和装置 | |
CN113722593A (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN113379511A (zh) | 用于输出信息的方法和装置 | |
US20160104173A1 (en) | Real-time economic indicator | |
CN113327147A (zh) | 一种物品信息展示的方法及装置 | |
CN113449175A (zh) | 热点数据的推荐方法和装置 |
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 |