CN113743838A - 目标用户识别方法、装置、计算机设备和存储介质 - Google Patents
目标用户识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113743838A CN113743838A CN202010461272.7A CN202010461272A CN113743838A CN 113743838 A CN113743838 A CN 113743838A CN 202010461272 A CN202010461272 A CN 202010461272A CN 113743838 A CN113743838 A CN 113743838A
- Authority
- CN
- China
- Prior art keywords
- logistics
- data
- party
- relation
- target
- 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 51
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 14
- 239000000047 product Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0836—Recipient pick-ups
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1044—Group management mechanisms
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种目标用户识别方法、装置、计算机设备和存储介质。方法包括:获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网;识别物流关系网中不属于已识别对象集合的目标物流关系方,获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据;根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据;将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户,实现目标用户的有效识别。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种目标用户识别方法、装置、计算机设备和存储介质。
背景技术
随着物流行业的发展,物流服务面向的客户越来越多,尤其是现在处于消费互联网时代,物流行业的服务对象为例,服务对象包括以背靠制造商、零售商等为主体的企业型用户,但也存在部分以个人用户为主体的服务对象。在应用过程中,针对不通过类型的用户,可以提供不同的针对性服务。
由于现有技术中,在物流数据中只记录有物流的收寄方的信息,基于现有的物流数据中提供的信息,无法实现对于服务对象中类似企业型用户等目标用户的有效针对性识别。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效识别目标用户的目标用户识别方法、装置、计算机设备和存储介质。
一种目标用户识别方法,方法包括:
获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网;
识别物流关系网中的目标物流关系方,目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方;
获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据;
根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据;
将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
在其中一个实施例中,已识别对象集合的构建过程包括:
获取对象关联数据,确定所述对象关联数据中的关联对象,并获取所述关联对象的对象信息;
获取物流数据,对物流数据进行数据清洗和识别处理,得到物流数据中各对象的对象信息;
构建包含对象信息的已识别对象集合。
在其中一个实施例中,以对象为核心的物流关系网包括收寄双方物流关系网;
根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网包括:
获取已识别对象集合中的对象的物流数据;
筛选物流数据中物流特征符合预设物流特征规则的目标物流数据;
根据目标物流数据对应的物流收寄方,构建收寄双方物流关系网。
在其中一个实施例中,以对象为核心的物流关系网包括关联对象物流关系网;
根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网包括:
获取已识别对象集合中的对象的物流数据、以及所述对象的属性数据;
提取物流数据中的物流产品类型,根据物流产品类型,对对象的属性数据进行验证;
确定与属性数据验证通过的对象具有关联的物流关系方;
根据物流关系方,构建关联对象物流关系网。
在其中一个实施例中,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网包括:
根据物流数据,分别构建收寄双方物流关系网和关联对象物流关系网;
归集收寄双方物流关系网和关联对象物流关系网中的物流关系方,得到以对象为核心的物流关系网。
在其中一个实施例中,获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据包括:
获取物流关系网中已识别对象的比例数据、以及目标物流关系方与物流关系网中各物流关系方间的业务往来数据;
根据业务往来数据,确定目标物流关系方与物流关系网中各物流关系方间的业务关系矩阵;
根据业务关系矩阵,确定目标物流关系方在物流关系网中对应的业务关联权重数据;
计算比例数据和业务关联权重数据的乘积,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
在其中一个实施例中,根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据包括:
获取物流关系网中核心对象的运营数据;
根据运营数据,确定核心对象对应的权重数据;
根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据以及对应的权重数据,得到目标物流关系方为目标用户的更新概率数据。
一种目标用户识别装置,装置包括:
物流关系网确定模块,用于获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网;
目标物流关系方识别模块,用于识别物流关系网中的目标物流关系方,目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方;
初始概率分析模块,用于获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据;
概率更新模块,用于根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据;
目标用户标记模块,用于将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网;
识别物流关系网中的目标物流关系方,目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方;
获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据;
根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据;
将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网;
识别物流关系网中的目标物流关系方,目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方;
获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据;
根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据;
将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
上述目标用户识别方法、装置、计算机设备和存储介质,基于物流数据和已有的已识别对象集合,通过构建物流关系网,确定物流关系网中未识别为对象的目标物流关系方,并根据每个已知对象为物流关系网的物流关系方的数量以及已知对象的数量,分析该目标物流关系方为目标用户的概率,然后从全局考虑,基于该目标物流关系方在不同物流关系网中为目标用户的概率,得到目标物流关系方为目标用户的更新概率数据,最后通过阈值比较,进行目标物流关系方是否为目标用户的标记,实现目标用户的有效识别。
附图说明
图1为一个实施例中目标用户识别方法的应用环境图;
图2为一个实施例中目标用户识别方法的流程示意图;
图3为一个实施例中目标用户识别方法中已识别对象集合的构建过程的流程示意图;
图4为一个实施例中目标用户识别方法中构建收寄双方物流关系网的流程示意图;
图5为一个实施例中目标用户识别方法构建关联关系物流关系网的流程示意图;
图6为还一个实施例中目标用户识别方法的流程示意图;
图7为另一个实施例中目标用户识别方法的流程示意图;
图8为还一个实施例中目标用户识别方法的流程示意图;
图9为一个实施例中目标用户识别装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的目标用户识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104接收终端102上传的物流数据并获取预先构建已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网,识别物流关系网中的目标物流关系方,目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方,获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据,根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据,将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户,对于标记的目标用户,在经过对象转化,实际确认为目标用户的基础上,将其信息更新至已识别对象集合。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式物流数据采集设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种目标用户识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤202至步骤210。
步骤202,获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网。
物流是物品从供应地向接收地的实体流动过程中,根据实际需要,将运输、储存、装卸搬运、包装、流通加工、配送、信息处理等功能结合起来实现用户要求的过程。物流服务由专业的物流服务方提供,物流数据是指按照用户要求将物品从供应地向接收地运送时记录的数据,包括寄件方名称(一般为寄件人姓名)和联系方式、收件方名称和联系方式、还可以包括物流物品即寄托物的类型、重量、选择的物流类型等。
已识别对象集合中的各个对象包括能够代表除个人行为以外的其他单位的整体行为的个人所在的单位,比如说企业、社会团体等。为便于描述,以下实施例中将以企业为对象进行描述,与对象相关联的用户即为企业客户,需要说明的是,企业客户并非企业,而是指单个的人,但企业客户区别于个人客户,企业客户能够代表企业进行物品收寄且能够代表企业行为的企业工作人员,而个人客户仅仅代表客户的个人行为。
物流关系网是通过已识别对象集合,基于物流数据的物流收寄方的数据扩张,其中,物流收寄方可以根据物流数据中的收件方与寄件方的信息得到。
在其中一个实施例中,一个对象可以包括多个关联的用户,即同一个对象可以包括两个或两个以上的对象客户,在构建物流关系网时,可以将多个对象客户同时归集至一个节点,即一个对象对应一个节点,基于对象进行物流关系网的构建,实现物流数据的集中归纳。在其他实施例中,也可以基于对象客户构建物流关系网。
步骤204,识别物流关系网中的目标物流关系方。
目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方。物流关系方具体可以是一个包括关联用户信息的对象,通过将物流关系网中的各个物流关系方与已识别对象集合中与对象关联的用户进行匹配,若匹配成功,则该物流关系方属于已识别对象集合,若匹配失败,则该物流关系方不属于已识别对象集合,即为需要进行进一步分析的目标物流关系方。
以每一个以对象为核心的物流关系网,则可以根据已识别对象集合中的对象数量,构建相同数量的物流关系网,同一个物流关系方,可以与多个对象存在物流关系,例如,某物流关系方既可以与对象A存在物流关系,也可以与对象B存在物流关系,也就是说,该物流关系方既存在于以对象A为核心的物流关系网中,也存在于以对象B为核心的物流关系网中。对于每一个物流关系网,均需要识别出该物流关系网中的目标物流关系方。
在实施例中,物流关系网可以是与所有物流关系方关联的一个全局物流关系网,每一个物流关系方均为全局物流关系网中的一个节点,以每一个对象对应节点为中心,由该节点以及与该节点直接关联的其他节点构成的局部物流关系网即为以对象为核心的物流关系网。基于全局物流关系网中可以得到多个局部物流关系网。通过构建全局物流关系网,可以简化目标物流关系方的识别过程,相同的目标物流关系方只需识别一次即可,提高处理效率。
步骤206,获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
物流关系网中已识别对象的比例数据是指:物流关系网中物流关系方的数量与属于已识别对象集合的物流关系方的数量的比值,物流关系网中物流关系方的数量是指该物流关系网中所有物流关系方的总和。在实施例中,数量的统计可以在识别物流关系网中的目标物流关系方的步骤中同步进行。例如,同步记录属于已识别对象集合的物流关系方的数量和目标物流关系方的数量,通过求和得到物流关系网中物流关系方的数量。再或者记录物流关系网中物流关系方的数量,以及目标物流关系方的数量,通过作差处理,即可得到属于已识别对象集合的物流关系方的数量。通过统计述物流关系网中物流关系方的数量以及物流关系方中属于已识别对象集合的数量,可以得到两个数量的比值,即物流关系网中已识别对象的比例数据。
目标物流关系方在物流关系网中对应的业务关联权重数据,可通过目标物流关系方与物流关系网中各对象关联方之间的物流数据分析得到,物流数据具体可以包括在该物流关系网中,目标物流关系方与其他物流关系方有物流往来的比例、最近两次与其他物流关系方的物流往来的间隔天数、周期内(如周、月、季、年等)与其他物流关系方的物流往来频次以及总物流收寄重量等。通过物流数据,分析目标物流关系方在该物流关系网中对应的业务关联权重数据。通过计算比例数据和业务关联权重数据的乘积,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
步骤208,根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据。
目标物流关系方在每一个物流关系网中都有一个对应的初始概率数据,不同物流关系网中对应的初始概率数据可能不同。通过归集同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,通过加权处理,得到目标物流关系方的更新概率数据。
加权处理中的加权参数可以基于该物流关系网对应的核心对象的经营数据得到,
步骤210,将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
随着标记目标用户和对象的推广转化,标记的目标用户会反向扩充到已识别对象集合。在实施例中,对于标记的目标用户,在经过客户转化并实际确认为目标用户的基础上,将其信息更新至已识别对象集合。目标用户对应的信息包括对象名称和联系方式,该目标用户对应的对象名称和用户真实姓名可以在后续的服务提供以及合作过程中进行信息补充得到,进而实现已识别对象集合的扩展。
上述目标用户识别方法,基于物流数据和已有的已识别对象集合,通过构建物流关系网,确定物流关系网中未识别为对象的目标物流关系方,并根据每个已知对象为物流关系网的物流关系方的数量以及已知对象的数量,分析该目标物流关系方为目标用户的概率,然后从全局考虑,基于该目标物流关系方在不同物流关系网中为目标用户的概率,得到目标物流关系方为目标用户的更新概率数据,最后通过阈值比较,进行目标物流关系方是否为目标用户的标记,实现目标用户的有效识别。
在一个实施例中,如图3所示,已识别对象集合的构建过程包括步骤302至步骤306。
步骤302,获取对象关联数据,确定所述对象关联数据中的关联对象,并获取所述关联对象的对象信息。
步骤304,获取物流数据,对物流数据进行数据清洗和识别处理,得到物流数据中各对象的对象信息。
步骤306,构建包含对象信息的已识别对象集合。
在实施例中,对象关联数据通过已有关联关系的对象得到,对象信息包括对象名称和与对象关联的用户信息,用户信息包括用户姓名、联系方式等。
基于大网物流数据,通过对物流数据清洗、处理、识别,抽出寄件/收件的对象名称和与对象关联的用户信息,进一步扩充从关联关系无法直接获知的对象。这里通过关联关系和物流数据获取到的均为能准确获取到对象名称和与对象关联的用户信息,基于对象名称和与对象关联的用户信息,构建已识别对象集合。
可以理解,对象信息可以通过对象关联数据和物流数据中的其中一个方式得到。例如,在其中一个实施例中,通过获取对象关联数据,识别对象关联数据中各对象对应的关联对象对应的对象信息,提取对象信息中的对象名称以及与对象关联的用户信息,构建已识别对象集合。
再例如,在其中另一个实施例中,通过获取物流数据,对物流数据进行数据清洗和识别处理,得到物流数据中各对象的对象信息,提取对象信息中的对象名称以及与对象关联的用户信息,构建已识别对象集合。
在一个实施例中,以对象为核心的物流关系网包括收寄双方物流关系网。如图4所示,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网包括步骤402至步骤406。
步骤402,获取已识别对象集合中的对象的物流数据。
步骤404,筛选物流数据中物流特征符合预设物流特征规则的目标物流数据。
步骤406,根据目标物流数据对应的物流收寄方,构建收寄双方物流关系网。
物流数据中的物流特征包括服务类型、重量、频次、托寄物集中程度等。物流特征符合预设物流特征规则包括对象常用物流产品集中性特征,如重货快运类产品/时效类产品分别满足特定重量/频次/托寄物集中程度等特征规则。由于预设物流特征规则设定将影响此方法识别对象的量级及可信度,因此在实施例中,可将预设物流特征规则设置为输入性特征变量,在实际应用场景中根据需要灵活调整。通过筛选物流数据中物流特征符合预设物流特征规则的目标物流数据,可以实现准确可靠的数据初步筛选,过滤掉的符合预设物流特征规则的物流数据,大部分对应的是个人客户。目标物流数据对应的物流收寄方一般为两方数据,通过物流收寄方,可以构建包括收寄双方的收寄双方物流关系网。
在一个实施例中,以对象为核心的物流关系网包括关联对象物流关系网。如图5所示,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网包括步骤502至步骤508。
步骤502,获取已识别对象集合中的对象的物流数据、以及对象的属性数据。
步骤504,提取物流数据中的物流产品类型,根据物流产品类型,对对象的属性数据进行验证。
步骤506,确定与属性数据验证通过的对象具有关联的物流关系方。
步骤508,根据物流关系方,构建关联对象物流关系网。
具体来说,已识别对象的属性数据是用于表征对象的特征信息,基于不同对象的各项特征信息之间的关联,可以构建得到关联对象物流关系网。结合物流数据,可以实现对该属性信息的交叉验证,进而建立更准确的关联对象物流关系网。
在一个实施例中,如图6所示,获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网包括步骤602至步骤606。
步骤602,获取物流数据和已识别对象集合。
步骤604,根据物流数据,分别构建收寄双方物流关系网和关联对象物流关系网。
步骤606,归集收寄双方物流关系网和关联对象物流关系网中的物流关系方,得到以对象为核心的物流关系网。
其中,收寄双方物流关系网和关联关系物流关系网的建立过程参见上述实施例,在此不再赘述。
在实施例中,由于收寄双方物流关系网为全局物流关系网中的局部物流关系网,在收寄双方物流关系网和关联对象物流关系网的物流关系的估计过程中,可以基于收寄双方物流关系网对应的全局物流关系网以及关联对象物流关系网进行融合汇总,得到多个以对象为核心的物流关系网。
在一个实施例中,如图7所示,获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据包括步骤702至步骤708。
步骤702,获取物流关系网中已识别对象的比例数据、以及目标物流关系方与物流关系网中各物流关系方间的业务往来数据。
步骤704,根据业务往来数据,确定目标物流关系方与物流关系网中各物流关系方间的业务关系矩阵。
步骤706,根据业务关系矩阵,确定目标物流关系方在物流关系网中对应的业务关联权重数据。
步骤708,计算比例数据和业务关联权重数据的乘积,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
目标物流关系方与物流关系网中各物流关系方间的业务往来数据具体包括在该物流关系网中,与目标物流关系方有物流往来的其他物流关系方的数量与总的物流关系方的数量的比例、最近两次与其他物流关系方的物流往来的间隔天数、周期内(如周、月、季、年等)与其他物流关系方的物流往来频次以及总物流收寄重量等。基于上述各类业务往来数据,构建对应的业务关系矩阵,并基于矩阵中每个因子的预设权重,进行加权计算,得到目标物流关系方在物流关系网中对应的业务关联权重数据。其中,每个因子的预设权重可以基于历史数据分析得到,也可以设定为定期更新的指定数值。通过计算比例数据和业务关联权重数据的乘积,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
在一个实施例中,如图8所示,根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据包括步骤802至步骤806。
步骤802,获取物流关系网中核心对象的运营数据。
步骤804,根据运营数据,确定核心对象对应的权重数据。
步骤806,根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据以及对应的权重数据,得到目标物流关系方为目标用户的更新概率数据。
每一个目标物流关系方,可能与多个已知对象存在物流关系,即存在于以不同对象为核心的物流关系网中,在每一个物流关系网中,该目标物流关系方都会得到对应的初始概率数据,因此需要基于多个初始概率数据,得到一个最终的概率,即目标物流关系方的更新概率数据。
各个对象关联数据可以与预设指标的评分卡相对应,由核心对象的以上指标的评分卡得到核心对象对应的权重数据。根据权重数据,对各个初始概率数据进行加权计算,得到目标物流关系方为目标用户的概率数据。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种目标用户识别装置,包括:物流关系网确定模块902、目标物流关系方识别模块904、初始概率分析模块906概率更新模块908和目标用户标记模块910,其中:
物流关系网确定模块902,用于获取物流数据和已识别对象集合,根据物流数据,得到以已识别对象集合中的各对象为核心的物流关系网。
目标物流关系方识别模块904,用于识别物流关系网中的目标物流关系方,目标物流关系方是指物流关系网中不属于已识别对象集合的物流关系方。
初始概率分析模块906,用于获取物流关系网中已识别对象的比例数据、以及目标物流关系方在物流关系网中对应的业务关联权重数据,根据比例数据和业务关联权重数据,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
概率更新模块908,用于根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到目标物流关系方的更新概率数据。
目标用户标记模块910,用于将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
在其中一个实施例中,目标用户识别装置还包括已识别对象集合构建模块,用于获取对象关联数据,确定所述对象关联数据中的关联对象,并获取所述关联对象的对象信息;获取物流数据,对物流数据进行数据清洗和识别处理,得到物流数据中各对象的对象信息;构建包括对象信息已识别对象集合。
在其中一个实施例中,以对象为核心的物流关系网包括收寄双方物流关系网;物流关系网确定模块还用于获取已识别对象集合中的对象的物流数据;筛选物流数据中物流特征符合预设物流特征规则的目标物流数据;根据目标物流数据对应的物流收寄方,构建收寄双方物流关系网。
在其中一个实施例中,以对象为核心的物流关系网包括关联对象物流关系网;物流关系网确定模块还用于获取已识别对象集合中的对象的物流数据、以及所述对象的属性数据;提取物流数据中的物流产品类型,根据物流产品类型,对对象的属性数据进行验证;确定与属性数据验证通过的对象具有关联的物流关系方;根据物流关系方,构建关联对象物流关系网。
在其中一个实施例中,物流关系网确定模块还用于根据物流数据,分别构建收寄双方物流关系网和关联对象物流关系网;归集收寄双方物流关系网和关联对象物流关系网中的物流关系方,得到以对象为核心的物流关系网。
在其中一个实施例中,初始概率分析模块还用于获取物流关系网中已识别对象的比例数据、以及目标物流关系方与物流关系网中各物流关系方间的业务往来数据;根据业务往来数据,确定目标物流关系方与物流关系网中各物流关系方间的业务关系矩阵;根据业务关系矩阵,确定目标物流关系方在物流关系网中对应的业务关联权重数据;计算比例数据和业务关联权重数据的乘积,得到目标物流关系方在物流关系网中为与对象关联的目标用户的初始概率数据。
在其中一个实施例中,概率更新模块还用于获取物流关系网中核心对象的运营数据;根据运营数据,确定核心对象对应的权重数据;根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据以及对应的权重数据,得到目标物流关系方为目标用户的更新概率数据。
上述目标用户识别装置,基于物流数据和已有的已识别对象集合,通过构建物流关系网,确定物流关系网中未识别为对象的目标物流关系方,并根据每个已知对象为物流关系网的物流关系方的数量以及已知对象的数量,分析该目标物流关系方为目标用户的概率,然后从全局考虑,基于该目标物流关系方在不同物流关系网中为目标用户的概率,得到目标物流关系方为目标用户的更新概率数据,最后通过阈值比较,进行目标物流关系方是否为目标用户的标记,实现目标用户的有效识别。
关于目标用户识别装置的具体限定可以参见上文中对于目标用户识别方法的限定,在此不再赘述。上述目标用户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机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,该计算机设备的处理器用于提供计算和控制能力。该计算机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、计算机程序和数据库。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。该计算机设备的数据库用于已识别对象集合中的数据。该计算机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识别方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机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。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标用户识别方法,其特征在于,所述方法包括:
获取物流数据和已识别对象集合,根据所述物流数据,得到以所述已识别对象集合中的各对象为核心的物流关系网;
识别所述物流关系网中的目标物流关系方,所述目标物流关系方是指物流关系网中不属于所述已识别对象集合的物流关系方;
获取所述物流关系网中已识别对象的比例数据、以及所述目标物流关系方在所述物流关系网中对应的业务关联权重数据,根据所述比例数据和所述业务关联权重数据,得到目标物流关系方在所述物流关系网中为与对象关联的目标用户的初始概率数据;
根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到所述目标物流关系方的更新概率数据;
将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
2.根据权利要求1所述的方法,其特征在于,所述已识别对象集合的构建过程包括:
获取对象关联数据,确定所述对象关联数据中的关联对象,并获取所述关联对象的对象信息;
获取物流数据,对所述物流数据进行数据清洗和识别处理,得到物流数据中各对象的对象信息;
构建包含对象信息的已识别对象集合。
3.根据权利要求1所述的方法,其特征在于,以所述对象为核心的物流关系网包括收寄双方物流关系网;
所述根据所述物流数据,得到以所述已识别对象集合中的各对象为核心的物流关系网包括:
获取所述已识别对象集合中的对象的物流数据;
筛选所述物流数据中物流特征符合预设物流特征规则的目标物流数据;
根据所述目标物流数据对应的物流收寄方,构建收寄双方物流关系网。
4.根据权利要求1所述的方法,其特征在于,所述以所述对象为核心的物流关系网包括关联对象物流关系网;
所述根据所述物流数据,得到以所述已识别对象集合中的各对象为核心的物流关系网包括:
获取所述已识别对象集合中的对象的物流数据、以及所述对象的属性数据;
提取所述物流数据中的物流产品类型,根据所述物流产品类型,对所述对象的属性数据进行验证;
确定与属性数据验证通过的对象具有关联关系的物流关系方;
根据所述物流关系方,构建关联对象物流关系网。
5.根据权利要求1所述的方法,其特征在于,所述根据所述物流数据,得到以所述已识别对象集合中的各对象为核心的物流关系网包括:
根据所述物流数据,分别构建收寄双方物流关系网和关联对象物流关系网;
归集所述收寄双方物流关系网和关联对象物流关系网中的物流关系方,得到以对象为核心的物流关系网。
6.根据权利要求1所述的方法,其特征在于,所述获取所述物流关系网中已识别对象的比例数据、以及所述目标物流关系方在所述物流关系网中对应的业务关联权重数据,根据所述比例数据和所述业务关联权重数据,得到目标物流关系方在所述物流关系网中为与对象关联的目标用户的初始概率数据包括:
获取所述物流关系网中已识别对象的比例数据、以及所述目标物流关系方与所述物流关系网中各物流关系方间的业务往来数据;
根据所述业务往来数据,确定所述目标物流关系方与所述物流关系网中各物流关系方间的业务关系矩阵;
根据所述业务关系矩阵,确定所述目标物流关系方在所述物流关系网中对应的业务关联权重数据;
计算所述比例数据和所述业务关联权重数据的乘积,得到目标物流关系方在所述物流关系网中为与对象关联的目标用户的初始概率数据。
7.根据权利要求1所述的方法,其特征在于,所述根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到所述目标物流关系方的更新概率数据包括:
获取物流关系网中核心对象的运营数据;
根据所述运营数据,确定所述核心对象对应的权重数据;
根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据以及对应的权重数据,得到所述目标物流关系方为目标用户的更新概率数据。
8.一种目标用户识别装置,其特征在于,所述装置包括:
物流关系网确定模块,用于获取物流数据和已识别对象集合,根据所述物流数据,得到以所述已识别对象集合中的各对象为核心的物流关系网;
目标物流关系方识别模块,用于识别所述物流关系网中的目标物流关系方,所述目标物流关系方是指物流关系网中不属于所述已识别对象集合的物流关系方;
初始概率分析模块,用于获取所述物流关系网中已识别对象的比例数据、以及所述目标物流关系方在所述物流关系网中对应的业务关联权重数据,根据所述比例数据和所述业务关联权重数据,得到目标物流关系方在所述物流关系网中为与对象关联的目标用户的初始概率数据;
概率更新模块,用于根据同一目标物流关系方在不同物流关系网中为目标用户的初始概率数据,得到所述目标物流关系方的更新概率数据;
目标用户标记模块,用于将更新概率数据不小于预设概率阈值的目标物流关系方标记为目标用户。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461272.7A CN113743838A (zh) | 2020-05-27 | 2020-05-27 | 目标用户识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461272.7A CN113743838A (zh) | 2020-05-27 | 2020-05-27 | 目标用户识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743838A true CN113743838A (zh) | 2021-12-03 |
Family
ID=78723831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461272.7A Pending CN113743838A (zh) | 2020-05-27 | 2020-05-27 | 目标用户识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023237135A1 (zh) * | 2022-06-10 | 2023-12-14 | 顺丰科技有限公司 | 关联对象识别方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120129A1 (en) * | 2006-05-13 | 2008-05-22 | Michael Seubert | Consistent set of interfaces derived from a business object model |
WO2016015444A1 (zh) * | 2014-07-31 | 2016-02-04 | 华为技术有限公司 | 一种目标用户的确定方法、设备和网络服务器 |
CN109636378A (zh) * | 2018-10-31 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 账户识别方法和装置、电子设备 |
-
2020
- 2020-05-27 CN CN202010461272.7A patent/CN113743838A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120129A1 (en) * | 2006-05-13 | 2008-05-22 | Michael Seubert | Consistent set of interfaces derived from a business object model |
WO2016015444A1 (zh) * | 2014-07-31 | 2016-02-04 | 华为技术有限公司 | 一种目标用户的确定方法、设备和网络服务器 |
CN109636378A (zh) * | 2018-10-31 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 账户识别方法和装置、电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023237135A1 (zh) * | 2022-06-10 | 2023-12-14 | 顺丰科技有限公司 | 关联对象识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659395B (zh) | 关系网络图谱构建方法、装置、计算机设备和存储介质 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN111915366B (zh) | 一种用户画像构建方法、装置、计算机设备及存储介质 | |
CN108399564B (zh) | 信用评分方法及装置 | |
US11681744B2 (en) | Methods and systems for updating a database based on object recognition | |
CN113127633B (zh) | 智能会议管理方法、装置、计算机设备及存储介质 | |
CN109600344B (zh) | 识别风险群体的方法、装置及电子设备 | |
CN109584094B (zh) | 一种人际路径快速定位系统、方法及介质 | |
CN110046889B (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
US9275125B1 (en) | System for organizing data from a plurality of users to create individual user profiles | |
CN109063984B (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN112182007A (zh) | 基于人工智能的云计算的数据处理方法及人工智能平台 | |
CN113239249A (zh) | 一种对象关联识别方法、装置和存储介质 | |
CN111460315A (zh) | 社群画像构建方法、装置、设备及存储介质 | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN113743838A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN111415168A (zh) | 一种交易告警的方法和装置 | |
CN107767278B (zh) | 社群层次结构构建方法和装置 | |
CN109902129A (zh) | 基于大数据分析的保险代理人归类方法及相关设备 | |
CN112200644B (zh) | 欺诈用户识别方法、装置、计算机设备以及存储介质 | |
CN113065892A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN111339373B (zh) | 一种图谱特征的提取方法、系统、计算机设备和存储介质 | |
CN114781517A (zh) | 风险识别的方法、装置及终端设备 | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 |
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 |