CN113486238A - 基于用户画像的信息推送方法、装置、设备及存储介质 - Google Patents
基于用户画像的信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113486238A CN113486238A CN202110729872.1A CN202110729872A CN113486238A CN 113486238 A CN113486238 A CN 113486238A CN 202110729872 A CN202110729872 A CN 202110729872A CN 113486238 A CN113486238 A CN 113486238A
- Authority
- CN
- China
- Prior art keywords
- user
- preset
- portrait
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 115
- 230000006870 function Effects 0.000 claims description 59
- 238000012216 screening Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析技术,揭露了一种基于画像的信息推送方法,包括:根据用户数据生成第一用户的画像;监测第一用户在预设应用中的离线时长;当小于或等于预设时长时,计算第一用户的画像与多个信息的匹配值,向第一用户推送匹配值大于预设第一阈值的信息;当大于预设时长时,生成离线时长小于或等于预设时长的第二用户的画像;根据第一用户的画像与第二用户的画像的差异特征对第一用户的画像进行更新;计算更新后的画像与多个信息的匹配值,并向第一用户推送匹配值大于预设第二阈值的信息。此外,本发明还涉及区块链技术,用户数据可存储于区块链的节点。本发明还提出一种基于画像的信息推送装置、设备及介质。本发明可以提高信息推送的精确度。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于用户画像的信息推送方法、装置、电子设备及计算机可读存储介质。
背景技术
信息是人们时长生活中越来越关注的事务,人们会通过获取的信息作出相应的决策,例如,当人们接收到优惠券信息时,会根据优惠力度、个人需求等作出是否使用该优惠券的决策。
目前信息的推送方式多为随机推送,即随机向部分用户发送信息;或者,按照触发条件推送,例如,用户在购买了某产品后,会得到再次购买该产品或类似产品时具有折扣的优惠券信息;现有的方法中,按照随机推送或触发条件推送的信息推荐,不会对用户数据的分析,造成推送给用户的信息与用户相匹配的精确度不高。
发明内容
本发明提供一种基于用户画像的信息推送方法、装置及计算机可读存储介质,其主要目的在于解决对用户进行信息推送的精确度较低的问题。
为实现上述目的,本发明提供的一种基于用户画像的信息推送方法,包括:
获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
可选地,所述从所述第一用户的用户数据中提取所述第一用户的用户特征,包括:
利用预先训练的深度神经网络对所述第一用户数据进行卷积、池化处理,得到所述第一用户数据的低维特征表达;
利用预设的映射函数将所述低维特征表达映射至预先构建的高维空间,得到所述低维特征表达的高维特征表达;
利用预设的第一激活函数对所述高维特征表达进行筛选,得到筛选特征;
利用预设的第二激活函数对所述筛选特征进行筛选,得到第一用户特征。
可选地,所述将所述第一用户的用户特征拼接为所述第一用户的用户画像,包括:
对所述第一用户特征中的每个特征进行向量转换,得到每个特征对应的特征向量;
利用预设的连接字符将所述第一用户特征中的每个特征对应的特征向量进行连接,得到第一用户的用户画像。
可选地,所述将所述第一用户的用户特征拼接为所述第一用户的用户画像,包括:
对所述第一用户特征中的每个特征进行向量转换,将每个特征转换得到的特征向量汇集为特征向量集;
按照所述特征向量在所述特征向量集中位置从前向后的顺序,生成所述特征向量集中的特征向量的编号;
根据所述编号依次从所述特征向量集中选取特征向量作为行向量填充至预设的空白矩阵中,直至所述特征向量集中所有特征向量均被填充至所述空白矩阵中,得到第一用户的用户画像。
可选地,所述判断所述离线时长是否大于预设时长,包括:
将所述离线时长与预设时长输入至预设的差值函数中进行运算,得到所述差值函数的输出值;
当所述输出值为预设的第一取值时,确定所述离线时长大于所述预设时长;
当所述输出值为预设的第二取值时,确定所述离线时长小于或等于所述预设时长。
可选地,所述分别计算所述第一用户的用户画像与多个预设的信息的匹配值,包括:
对所述多个信息的数据进行向量转换,得到每张信息对应的信息向量;
利用预设匹配值算法分别计算所述第一用户的用户画像与每一张信息对应的所述信息向量之间的匹配值。
可选地,所述提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,包括:
构建所述第二用户的用户画像中每个特征向量的索引;
从所述第一用户的用户画像中选取目标向量,利用所述目标向量在所述索引中进行检索,得到返回字段;
若所述返回字段的长度小于或等于预设长度,确定所述目标向量对应的第一用户特征是待汇集特征;
若所述返回字段的长度大于所述预设长度,确定所述目标向量对应的第一用户特征不是待汇集特征,返回选取目标向量的步骤,直至所述第一画像中所有特征向量完成所述检索,将所有待汇集特征汇集为差异特征。
为了解决上述问题,本发明还提供一种基于用户画像的信息推送装置,所述装置包括:
第一画像生成模块,用于获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
离线时长检测模块,用于监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
第一推荐模块,用于当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
第二画像生成模块,用于当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
画像更新模块,用于提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
第二推荐模块,用于分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于用户画像的信息推送方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于用户画像的信息推送方法。
本发明实施例能够生成用户的用户画像,并根据用户的离线时间将用户分类为不同用户群体,对于离线时间小于预设时长的用户群体,根据用户画像与信息的匹配值对用户进行信息推送,对于离线时间过长的用户群体,比对其与离线时间小于预设时长的用户群体的差异,以查找出该用户群体长时间离线的原因,进而对用户进行信息推送,有利于召回该群体中的用户,实现了对用户的精确信息推送。因此本发明提出的基于用户画像的信息推送方法、装置、电子设备及计算机可读存储介质,可以解决对用户进行信息推送的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于用户画像的信息推送方法的流程示意图;
图2为本发明一实施例提供的提取第一用户特征的流程示意图;
图3为本发明一实施例提供的拼接第一用户特征的流程示意图;
图4为本发明一实施例提供的基于用户画像的信息推送装置的功能模块图;
图5为本发明一实施例提供的实现所述基于用户画像的信息推送方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于用户画像的信息推送方法。所述基于用户画像的信息推送方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于用户画像的信息推送方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于用户画像的信息推送方法的流程示意图。在本实施例中,所述基于用户画像的信息推送方法包括:
S1、获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像。
本发明实施例中,所述预设应用包括任何可被用户使用的APP软件、平台、系统等,例如,购物APP、保险购买平台、食品购买系统等。
详细地,所述第一用户数据包括所述第一用户的用户姓名、性别、职业、对该预设应用中页面的浏览行为等数据。
本发明实施例中,可利用具有数据抓取功能的计算机语句从预先构建的用于存储用户数据的存储区域中抓取所述第一用户数据,所述存储区域包括数据库、区块链节点、网络缓存等。
本发明实施例可通过预先训练的深度神经网络对所述第一用户数据进行特征提取,得到该第一用户数据的第一用户特征,所述第一用户特征包括但不限于:用户年龄、职业、用户对预设应用中页面或产品的浏览次数、用户对预设应用中页面或产品的浏览时长。
本发明实施例中,所述从所述第一用户的用户数据中提取所述第一用户的用户特征,包括:
利用预先训练的深度神经网络对所述第一用户数据进行卷积、池化处理,得到所述第一用户数据的低维特征表达;
利用预设的映射函数将所述低维特征表达映射至预先构建的高维空间,得到所述低维特征表达的高维特征表达;
利用预设的第一激活函数对所述高维特征表达进行筛选,得到筛选特征;
利用预设的第二激活函数对所述筛选特征进行筛选,得到第一用户特征。
本发明实施例中,所述预先训练的深度神经网络包括但不限于Alexnet、Resnet、Vgg-net。
详细地,利用预先训练的深度神经网络对所述第一用户数据进行卷积、池化处理,得到所述第一用户数据的低维特征表达,可减少所述第一用户数据的数据维度,并凸显出第一用户数据中的数据特征,有利于减少特征提取过程中计算资源的占用,提高特征提取的效率。
具体地,可利用预设的映射函数将所述低维特征表达映射至预先构建的高维空间,得到所述低维特征表达的高维特征表达,所述映射函数包括但不限于Gaussian RadialBasis Function函数、高斯函数。
例如,在二维平面中存在以点进行表达的低维特征表达,通过所述映射函数对该点的二维坐标值进行运算,得到该点对于的三维坐标值,根据所述三维坐标值将该点映射至预先构建的三维空间,即得到该点的高维特征表达。
本发明实施例中,将所述低维特征表达映射至预先构建的高维空间,可提高所述低维特征表达的数据维度,进而有利于提高对特征进行筛选的精确度。
详细地,当获取所述高维特征表达后,可利用预设的第一激活函数与第二激活函数对所述高维特征表达进行筛选,所述第一激活函数与所述第二激活函数包括但不限于sigmoid激活函数、softmax激活函数,所述第一激活函数与所述第二激活函数不同。
本发明实施例中,所述利用预设的第一激活函数对所述高维特征表达进行筛选,得到筛选特征,包括:
利用预设的第一激活函数分别计算所述高维特征表达中每个特征的输出值;
汇集所述高维特征表达中所述输出值大于预设输出阈值的特征为筛选特征。
例如,所述高维特征表达中包含特征A、特征B、特征C和特征D,分别利用所述第一激活函数计算特征A、特征B、特征C和特征D的输出值,得到特征A的输出值为90,特征B的输出值为80,特征C的输出值为55,特征D的输出值为30,当预设输出阈值为60时,将所述高维特征表达中的特征A和特征B汇集为筛选特征。
进一步地,获取所述筛选特征后,可利用预设的第二激活函数对所述筛选特征进行筛选,以提高筛选的精确度,所述利用预设的第二激活函数对所述筛选特征进行筛选的步骤,与利用预设的第一激活函数对所述高维特征表达进行筛选的步骤一致,在此不做赘述。
本发明其中一个实际应用场景中,由于所述第一用户特征是从第一用户的第一用户数据中提取的,因此,可将所述第一用户特征进行拼接,得到所述第一用户的第一用户的用户画像。
本发明实施例中,所述将所述第一用户的用户特征拼接为所述第一用户的用户画像,包括:
对所述第一用户特征中的每个特征进行向量转换,得到每个特征对应的特征向量;
利用预设的连接字符将所述第一用户特征中的每个特征对应的特征向量进行连接,得到第一用户的用户画像。
详细地,本发明实施例可采用具有向量转换功能的智能模型对所述第一用户特征中的每个特征进行向量转换,所述智能模型包括但不限于NLP(Natural LanguageProcessing,自然语言处理)模型、HMM(Hidden Markov Model,隐马尔可夫模型)。
具体地,所述连接字符可由用户预先给定,所述连接字符包括“-”、“;”、“,”等,通过所述连接字符可将所述第一用户特征中的每一个特征的特征向量连接在一起,得到所述第一用户的用户画像。
例如,第一用户特征中包含特征A、特征B和特征C,当所述连接字符为“-”时,可利用连接字符可将特征A、特征B和特征C连接为第一用户的用户画像:特征A-特征B-特征C。
本发明另一实施例中,还可将所述第一用户特征中的每个特征进行向量转换,将转换得到的特征向量拼接为矩阵的形式,将拼接得到的矩阵作为第一用户的用户画像。
详细地,所述将所述第一用户的用户特征拼接为所述第一用户的用户画像,包括:
对所述第一用户特征中的每个特征进行向量转换,将每个特征转换得到的特征向量汇集为特征向量集;
按照所述特征向量在所述特征向量集中位置从前向后的顺序,生成所述特征向量集中的特征向量的编号;
根据所述编号依次从所述特征向量集中选取特征向量作为行向量填充至预设的空白矩阵中,直至所述特征向量集中所有特征向量均被填充至所述空白矩阵中,得到第一用户的用户画像。
详细地,可将每个特征转换得到的特征向量进行汇集,得到特征向量集,生成该特征向量集中每个特征向量的编号。
例如,特征向量集中存在从前向后排列的特征向量A、特征向量B和特征向量C,则可将特征向量A编号为1,特征向量B编号为2,特征向量C编号为3。
进一步地,可根据所述编号依次从所述特征向量集中选取特征向量作为行向量填充至预设的空白矩阵,以生成所述第一用户的用户画像,所述空白矩阵可为0矩阵,即矩阵中全部元素均为0。
例如,特征向量集中存在编号为1的特征向量A:[1,2,3],编号为2的特征向量B:[4,5,6],编号为3的特征向量C:[7,8,9],则可按照所述编号,依次选取特征向量A、特征向量B和特征向量C作为行向量填充至预设的空白矩阵中,得到第一用户的用户画像:
S2、监测所述第一用户在所述预设应用中的离线时长。
本发明实施例可通过预先安装于所述预设应用中的计时器获取用户的离线时长,例如,对该预设应用的用户的登出行为进行监听,当监听到所述用户的登出行为时,利用预设的计时器开始计时,得到所述用户的离线时长。
例如,可在用户端使用onunload函数或onbeforeunload函数监听用户是否执行了会话页面关闭操作,当所述会话页面关闭操作发生时,确定用户已经下线,利用所述计时器开始对用户的离线时长进行计时,以获取用户的离线时长。
本发明实施例中,所述onunload事件或onbeforeunload事件是java库中预设的用于监听页面关闭事件的函数,通过onunload函数或onbeforeunload函数监听会话页面关闭事件,有利于提高对所述离线时长的统计的精确度。
S3、判断所述离线时长是否大于预设时长。
本发明实施例中,可通过预设的差值函数将所述离线时长与预设时长进行大小关系的比对。
本发明实施例中,所述判断所述离线时长是否大于预设时长,包括:
将所述离线时长与预设时长输入至预设的差值函数中进行运算,得到所述差值函数的输出值;
当所述输出值为预设的第一取值时,确定所述离线时长大于所述预设时长;
当所述输出值为预设的第二取值时,确定所述离线时长小于或等于所述预设时长。
详细地,所述差值函数为:
其中,f(x-y)为所述差值函数,z为所述差值函数的输出值,x为所述离线时长,y为所述预设时长,α为所述输出值的第一取值,β为所述输出值的第二取值。
具体地,当所述离线时长大于所述预设时长(x-y>0)时,所述差值函数输出第一取值α,当所述离线时长小于或等于所述预设时长(x-y≤0)时,所述差值函数输出第二取值β。
例如,离线时长为5天,预设时长为20天,将离线时长5天和预设时长20天输入至所述差值函数,可得出5-20≤0,所述差值函数输出第二取值,则确定所述离线时长小于或等于所述预设时长。
或者,离线时长为25天,预设时长为20天,将离线时长25天和预设时长20天输入至所述差值函数,可得出25-20>0,所述差值函数输出第一取值,则确定所述离线时长大于所述预设时长。
当所述离线时长小于或等于预设时长时,执行S4、分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息。
本发明实施例中,预设的信息包括但不限于:优惠券信息、产品信息等。
本发明其中一个实际应用场景中,可根据所述离线时长与预设阈值之间的大小关系对用户进行针对性的信息推荐,以提高信息推荐的精确度。
例如,当所述第一用户的所述离线时长小于或等于预设阈值时,可认为该第一用户仅是暂时下线,该第一用户属于所述预设应用的常在用户,可以促进所述第一用户进行消费为目的,根据该用户的用户画像与信息之间的匹配值选取信息向用户进行推送。
本发明实施例中,所述分别计算所述第一用户的用户画像与多个预设的信息的匹配值,包括:
对所述多个信息的数据进行向量转换,得到每张信息对应的信息向量;
利用预设匹配值算法分别计算所述第一用户的用户画像与每一张信息对应的所述信息向量之间的匹配值。
详细地,所述对所述多个信息的数据进行向量转换的步骤,与S1中对所述第一用户特征中的每个特征进行向量转换的步骤一致,在此不做赘述。
具体地,所述利用预设匹配值算法分别计算所述第一用户的用户画像与每一张信息对应的所述信息向量之间的匹配值,包括:
利用如下匹配值算法分别计算所述第一用户的用户画像与每一个信息对应的所述信息向量之间的匹配值:
其中,K为所述匹配值,x为所述用户画像,yi为第i个信息对应的信息向量,θ为预设系数。
进一步地,可根据所述第一用户的用户画像与多个预设的信息的匹配值,选取所述匹配值大于预设第一阈值的信息向所述第一用户进行推送。
例如,存在信息A、信息B和信息C,其中,信息A与所述第一用户的用户画像的匹配值为80,信息B与所述第一用户的用户画像的匹配值为70,信息C与所述第二用户的用户画像的匹配值为60,当预设第一阈值为66时,选取信息A和信息B,并将信息A和信息B推送给所述第一用户。
本发明实施例中,可通过在预设应用中进行信息下发,并利用短信、电话等方式对用户进行提示,以实现将选取的信息推送给用户。
当所述离线时长大于所述预设时长时,执行S5、获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像。
本发明其中一个实际应用场景中,当所述离线时长大于所述预设阈值时,可确定第一用户已经离线过长时间,所述第一用户可能存在卸载或不使用该预设应用的情况,因此,可以召回所述第一用户为目的,对所述第一用户进行信息推送。
本发明实施例中,所述获取离线时长小于或等于预设时长的第二用户的第二用户数据,提取所述第二用户数据的第二用户特征,并将所述第二用户特征拼接为所述第二用户的第二用户的用户画像的步骤,与S1中获取已注册预设应用的第一用户的第一用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,并将所述第一用户的用户特征拼接为所述第一用户的用户画像的步骤一致,在此不做赘述。
S6、提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像。
本发明实施例中,可通过将所述第一用户的用户画像中的特征向量在所述第二用户的用户画像中进行检索,以提取所述第一用户的用户画像中与所述第二用户的用户画像不同的差异特征。
详细地,所述差异特征是指包含在所述第一用户的用户画像,且不包含在所述第二用户的用户画像中的特征向量对应的第一用户特征。
本发明实施例中,所述提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,包括:
构建所述第二用户的用户画像中每个特征向量的索引;
从所述第一用户的用户画像中选取目标向量,利用所述目标向量在所述索引中进行检索,得到返回字段;
若所述返回字段的长度小于或等于预设长度,确定所述目标向量对应的第一用户特征是待汇集特征;
若所述返回字段的长度大于所述预设长度,确定所述目标向量对应的第一用户特征不是待汇集特征,返回选取目标向量的步骤,直至所述第一画像中所有特征向量完成所述检索,将所有待汇集特征汇集为差异特征。
详细地,可利用SQL库中的CREATE INDEX函数构建所述第二用户的用户画像中每个特征向量的索引。
具体地,所述返回字段是指利用被选取的目标向量在所述索引中进行检索时,检索到的数据,获取所述返回字段后,可通过所述返回字段长度来判断所述目标向量是否在所述第二用户的用户画像中,避免对所述返回字段内容进行分析,进而提高了提取所述差异特征的效率。
例如,预设长度为0,当所述返回字段的长度大于0时,则说明所述目标向量在所述第二用户的用户画像中,确定所述目标向量对应的第一用户特征不是待汇集特征,当所述返回字段的长度等于0时,则说明所述目标向量不在所述第二用户的用户画像中,确定所述目标向量对应的第一用户特征是待汇集特征。
本发明实施例中,可将所述待汇集特征拼接至所述第一用户的用户画像中,以实现对所述第一用户的用户画像进行更新,详细地,所述根据所述差异特征更新所述第一用户的用户画像的步骤,与S1中将所述第一用户的用户特征拼接为所述第一用户的用户画像的步骤一致,在此不做赘述。
S7、分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
本发明实施例中,所述分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息的步骤,与S3中分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息的步骤一致,在此不做赘述,其中,所述第二阈值可与所述第一阈值相同。
本发明实施例能够生成用户的用户画像,并根据用户的离线时间将用户分类为不同用户群体,对于离线时间小于预设时长的用户群体,根据用户画像与信息的匹配值对用户进行信息推送,对于离线时间过长的用户群体,比对其与离线时间小于预设时长的用户群体的差异,以查找出该用户群体长时间离线的原因,进而对用户进行信息推送,有利于召回该群体中的用户,实现了对用户的精确信息推送。因此本发明提出的基于用户画像的信息推送方法,可以解决对用户进行信息推送的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于用户画像的信息推送装置的功能模块图。
本发明所述基于用户画像的信息推送装置100可以安装于电子设备中。根据实现的功能,所述基于用户画像的信息推送装置100可以包括第一画像生成模块101、离线时长检测模块102、第一推荐模块103、第二画像生成模块104、画像更新模块105及第二推荐模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述第一画像生成模块101,用于获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
所述离线时长检测模块102,用于监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
所述第一推荐模块103,用于当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
所述第二画像生成模块104,用于当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
所述画像更新模块105,用于提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
所述第二推荐模块106,用于分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
详细地,本发明实施例中所述基于用户画像的信息推送装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于用户画像的信息推送方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于用户画像的信息推送方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于用户画像的信息推送程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于用户画像的信息推送程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于用户画像的信息推送程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于用户画像的信息推送程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于用户画像的信息推送方法,其特征在于,所述方法包括:
获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
2.如权利要求1所述的基于用户画像的信息推送方法,其特征在于,所述从所述第一用户的用户数据中提取所述第一用户的用户特征,包括:
利用预先训练的深度神经网络对所述第一用户数据进行卷积、池化处理,得到所述第一用户数据的低维特征表达;
利用预设的映射函数将所述低维特征表达映射至预先构建的高维空间,得到所述低维特征表达的高维特征表达;
利用预设的第一激活函数对所述高维特征表达进行筛选,得到筛选特征;
利用预设的第二激活函数对所述筛选特征进行筛选,得到第一用户特征。
3.如权利要求1所述的基于用户画像的信息推送方法,其特征在于,所述将所述第一用户的用户特征拼接为所述第一用户的用户画像,包括:
对所述第一用户特征中的每个特征进行向量转换,得到每个特征对应的特征向量;
利用预设的连接字符将所述第一用户特征中的每个特征对应的特征向量进行连接,得到第一用户的用户画像。
4.如权利要求1所述的基于用户画像的信息推送方法,其特征在于,所述将所述第一用户的用户特征拼接为所述第一用户的用户画像,包括:
对所述第一用户特征中的每个特征进行向量转换,将每个特征转换得到的特征向量汇集为特征向量集;
按照所述特征向量在所述特征向量集中位置从前向后的顺序,生成所述特征向量集中的特征向量的编号;
根据所述编号依次从所述特征向量集中选取特征向量作为行向量填充至预设的空白矩阵中,直至所述特征向量集中所有特征向量均被填充至所述空白矩阵中,得到第一用户的用户画像。
5.如权利要求1所述的基于用户画像的信息推送方法,其特征在于,所述判断所述离线时长是否大于预设时长,包括:
将所述离线时长与预设时长输入至预设的差值函数中进行运算,得到所述差值函数的输出值;
当所述输出值为预设的第一取值时,确定所述离线时长大于所述预设时长;
当所述输出值为预设的第二取值时,确定所述离线时长小于或等于所述预设时长。
6.如权利要求1所述的基于用户画像的信息推送方法,其特征在于,所述分别计算所述第一用户的用户画像与多个预设的信息的匹配值,包括:
对所述多个信息的数据进行向量转换,得到每张信息对应的信息向量;
利用预设匹配值算法分别计算所述第一用户的用户画像与每一张信息对应的所述信息向量之间的匹配值。
7.如权利要求1至6中任一项所述的基于用户画像的信息推送方法,其特征在于,所述提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,包括:
构建所述第二用户的用户画像中每个特征向量的索引;
从所述第一用户的用户画像中选取目标向量,利用所述目标向量在所述索引中进行检索,得到返回字段;
若所述返回字段的长度小于或等于预设长度,确定所述目标向量对应的第一用户特征是待汇集特征;
若所述返回字段的长度大于所述预设长度,确定所述目标向量对应的第一用户特征不是待汇集特征,返回选取目标向量的步骤,直至所述第一画像中所有特征向量完成所述检索,将所有待汇集特征汇集为差异特征。
8.一种基于用户画像的信息推送装置,其特征在于,所述装置包括:
第一画像生成模块,用于获取预设应用的第一用户的用户数据,从所述第一用户的用户数据中提取所述第一用户的用户特征,将所述第一用户的用户特征拼接为所述第一用户的用户画像;
离线时长检测模块,用于监测所述第一用户在所述预设应用中的离线时长,判断所述离线时长是否大于预设时长;
第一推荐模块,用于当所述离线时长小于或等于预设时长时,分别计算所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第一阈值的信息;
第二画像生成模块,用于当所述离线时长大于所述预设时长时,获取离线时长小于或等于预设时长的第二用户的用户数据,提取所述第二用户的用户数据的用户特征,并将所述第二用户的用户特征拼接为所述第二用户的用户画像;
画像更新模块,用于提取所述所述第一用户的用户画像中与所述第二用户的用户画像的差异特征,根据所述差异特征更新所述第一用户的用户画像;
第二推荐模块,用于分别计算更新后的所述第一用户的用户画像与多个预设的信息的匹配值,并向所述第一用户推送所述匹配值大于预设第二阈值的信息。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于用户画像的信息推送方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于用户画像的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729872.1A CN113486238A (zh) | 2021-06-29 | 2021-06-29 | 基于用户画像的信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729872.1A CN113486238A (zh) | 2021-06-29 | 2021-06-29 | 基于用户画像的信息推送方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486238A true CN113486238A (zh) | 2021-10-08 |
Family
ID=77936619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110729872.1A Pending CN113486238A (zh) | 2021-06-29 | 2021-06-29 | 基于用户画像的信息推送方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486238A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828449A (zh) * | 2024-03-06 | 2024-04-05 | 江苏中创供应链服务有限公司 | 一种基于云计算的跨境电商用户画像数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
CN112035611A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 目标用户推荐方法、装置、计算机设备和存储介质 |
CN112035742A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 用户画像生成方法、装置、设备及存储介质 |
CN112417221A (zh) * | 2020-06-06 | 2021-02-26 | 谢国柱 | 基于人工智能的互联网大数据处理方法、系统及服务平台 |
CN112581227A (zh) * | 2020-12-22 | 2021-03-30 | 平安银行股份有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-29 CN CN202110729872.1A patent/CN113486238A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
CN112417221A (zh) * | 2020-06-06 | 2021-02-26 | 谢国柱 | 基于人工智能的互联网大数据处理方法、系统及服务平台 |
CN112035611A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 目标用户推荐方法、装置、计算机设备和存储介质 |
CN112035742A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 用户画像生成方法、装置、设备及存储介质 |
CN112581227A (zh) * | 2020-12-22 | 2021-03-30 | 平安银行股份有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828449A (zh) * | 2024-03-06 | 2024-04-05 | 江苏中创供应链服务有限公司 | 一种基于云计算的跨境电商用户画像数据处理方法及系统 |
CN117828449B (zh) * | 2024-03-06 | 2024-05-14 | 江苏中创供应链服务有限公司 | 一种基于云计算的跨境电商用户画像数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541338A (zh) | 相似文本匹配方法、装置、电子设备及计算机存储介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112559923A (zh) | 网址资源推荐方法、装置、电子设备及计算机存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113360803A (zh) | 基于用户行为的数据缓存方法、装置、设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
CN114202337A (zh) | 风险识别方法、装置、设备及存储介质 | |
CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN114219544A (zh) | 消费倾向分析方法、装置、设备及存储介质 | |
CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211008 |