CN113822693A - 用户购买力评价值的生成方法、装置、设备及存储介质 - Google Patents

用户购买力评价值的生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113822693A
CN113822693A CN202011596641.XA CN202011596641A CN113822693A CN 113822693 A CN113822693 A CN 113822693A CN 202011596641 A CN202011596641 A CN 202011596641A CN 113822693 A CN113822693 A CN 113822693A
Authority
CN
China
Prior art keywords
user
purchasing
behavior
generating
power evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011596641.XA
Other languages
English (en)
Inventor
何彦婷
王帝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Technology Holding Co Ltd
Original Assignee
Jingdong Technology Holding Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jingdong Technology Holding Co Ltd filed Critical Jingdong Technology Holding Co Ltd
Priority to CN202011596641.XA priority Critical patent/CN113822693A/zh
Publication of CN113822693A publication Critical patent/CN113822693A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种用户购买力评价值的生成方法、装置、设备及存储介质。其中，该用户购买力评价值的生成方法包括：获取用户的购买行为数据集合，其中，购买行为数据集合包括用户的多个购买行为以及每个购买行为对应的时间和交易额；根据购买行为数据集合之中每个购买行为的时间和交易额生成用户的联合熵；根据用户的联合熵生成用户的购买力评价值。由此，该方法通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而可以根据联合熵在不同的评价场景下生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性。

Description

用户购买力评价值的生成方法、装置、设备及存储介质
技术领域
本申请涉及计算机应用技术领域，尤其涉及一种用户购买力评价值的生成方法、装置、设备及存储介质。
背景技术
目前，在营销场景中，为了制定更加合理的营销策略，对用户的购买力进行准确的评估变得愈发重要，比如，通过确定用户的生命周期价值(Customer Lifetime Value，简称CLV)评估一个时段内用户的购买力，以确定可能会响应营销方案的目标用户。
相关技术中，通常是通过近期购买行为、购买频率和购买金额模型(RecencyFrequency Monetary，简称RFM模型)根据该模型对应的三个指标生成用户购买力的评价值，以评估用户的购买力。然而，在实际业务中，该方法仅适用于对评估样本内的全部用户进行总体评价的场景，而对个体用户的购买力进行评价时，生成的评价值的误差较大，准确性较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请提出一种用户购买力评价值的生成方法、装置、设备及存储介质，以实现通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而可以根据联合熵在不同的评价场景下生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性，用于解决相关技术中通过RFM模型对个体用户的购买力进行评价时，评价结果的误差较大，准确性较低的技术问题。
本申请第一方面实施例提出了一种用户购买力评价值的生成方法，包括：
获取用户的购买行为数据集合，其中，购买行为数据集合包括用户的多个购买行为以及每个购买行为对应的时间和交易额；
根据购买行为数据集合之中每个购买行为的时间和交易额生成用户的联合熵；
根据用户的联合熵生成用户的购买力评价值。
本申请第二方面实施例提出了一种营销用户的确定方法，其特征在于，包括：
获取营销方案，其中，营销方案包括对应的营销目标用户，且营销目标用户具有购买力评价目标值；
获取多个候选用户，其中，每个候选用户具有用户购买力评价标签，其中，用户购买力评价标签通过本申请第一方面实施例提出的用户购买力评价值的生成方法计算得到；以及
根据购买力评价目标值和多个候选用户的用户购买力评价标签，从多个候选用户之中选择匹配的营销用户。
本申请第三方面实施例提出了一种用户购买力评价值的生成装置，包括：
获取模块，用于获取用户的购买行为数据集合，其中，购买行为数据集合包括用户的多个购买行为以及每个购买行为对应的时间和交易额；
第一生成模块，用于根据购买行为数据集合之中每个购买行为的时间和交易额生成用户的联合熵；
第二生成模块，用于根据用户的联合熵生成用户的购买力评价值。
本申请第四方面实施例提出了一种营销用户的确定装置，包括：
第一获取模块，用于获取营销方案，其中，营销方案包括对应的营销目标用户，且营销目标用户具有购买力评价目标值；
第二获取模块，用于获取多个候选用户，其中，每个候选用户具有用户购买力评价标签，其中，用户购买力评价标签通过本申请第一方面实施例提出的用户购买力评价值的生成方法计算得到；
选择模块，用于根据购买力评价目标值和多个候选用户的用户购买力评价标签，从多个候选用户之中选择匹配的营销用户。
本申请第五方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如本申请第一方面实施例提出的用户购买力评价值的生成方法或本申请第二方面实施例提出的营销用户的确定方法。
本申请第六方面实施例提出了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，所述程序被处理器执行时实现如本申请第一方面实施例提出的用户购买力评价值的生成方法或本申请第二方面实施例提出的营销用户的确定方法。
本申请第七方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令被处理器执行时，执行本申请第一方面实施例提出的用户购买力评价值的生成方法或本申请第二方面实施例提出的营销用户的确定方法。
本申请实施例提供的用户购买力评价值的生成方法、装置、设备及存储介质，先获取用户的购买行为数据集合，包括获取用户的多个购买行为以及每个购买行为对应的时间和交易额，然后根据获取的每个购买行为的时间和交易额生成用户的联合熵，进而根据用户的联合熵生成用户的购买力评价值。由此，该方法根据每个购买行为的时间确定用户购买行为的时间分布，并根据每个购买行为的交易额确定该行为具有的价值，进而通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而可以根据联合熵在不同的评价场景下生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种用户购买力评价值的生成方法的流程示意图；
图2为本申请实施例所提供的一种具体的用户购买力评价值的生成方法的流程示意图；
图3为本申请实施例所提供的另一种具体的用户购买力评价值的生成方法的流程示意图；
图4为本申请实施例所提供的一种营销用户的确定方法的流程示意图；
图5为本申请实施例提供的一种用户购买力评价值的生成装置的结构示意图；
图6为本申请实施例提供的一种营销用户的确定装置的结构示意图；
图7为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
传统的评价用户购买力的方法，通常是通过RFM模型根据近期购买行为、购买频率和购买金额这三个指标生成用户购买力的评价值，以评估用户的购买力。但在实际应用中，该模型仅对评估样本内的全部用户进行总体评价时可以取得准确的评价效果，而对个体用户的购买力进行评价时，生成的评价值的误差较大，为此，相关技术中，为RFM框架扩充一个用户行为的聚集程度(Clumpiness)的指标，并提出了RFMC模型，以通过RFMC模型提高评估用户的购买力的准确性
然而，上述通过RFMC模型评价用户购买力的方法，其评价结果的准确性仍然未能满足实际业务场景的需求，原因为，该方法中的用户行为的聚集程度指标仅考虑了用户行为的聚集性，而没有考虑用户行为所具有的实际价值，因此，该模型生成的评价值的准确性仍然较低。
因此，本申请主要针对现有技术中对用户的购买力进行评价时，评价结果的误差较大，准确性较低的技术问题，提出一种用户购买力评价值的生成方法。
本申请实施例的用户购买力评价值的生成方法，先获取用户的购买行为数据集合，包括获取用户的多个购买行为以及每个购买行为对应的时间和交易额，然后根据获取的每个购买行为的时间和交易额生成用户的联合熵，进而根据用户的联合熵生成用户的购买力评价值。由此，该方法根据每个购买行为的时间确定用户购买行为的时间分布，并根据每个购买行为的交易额确定该行为具有的价值，进而通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而可以根据联合熵在不同的评价场景下生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性。
下面参考附图描述本申请实施例的用户购买力评价值的生成方法、装置、设备及存储介质。
图1为本申请实施例所提供的一种用户购买力评价值的生成方法的流程示意图。
本申请实施例以该用户购买力评价值的生成方法被配置于本申请提出的用户购买力评价值的生成装置中来举例说明，该用户购买力评价值的生成装置可以应用于任一计算机设备中，以使该计算机设备可以执行用户购买力评价值的生成功能。
其中，计算机设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该用户购买力评价值的生成方法可以包括以下步骤：
步骤101，获取用户的购买行为数据集合，其中，购买行为数据集合包括用户的多个购买行为以及每个购买行为对应的时间和交易额。
其中，购买行为数据集合是与用户的购买行为相关的各种类型的数据的集合，比如，它可以包括用户最近一次的购买行为、购买行为发生的频率和总的购买金额等。在本申请的一个实施例中，购买行为数据集合中还包括用户的多个购买行为以及每个购买行为对应的时间和交易额，也就是用户的每次购买行为发生的时间点和每次购物时产生的交易金额。
在本申请实施例中，可以预先记录用户的每次购买行为发生的时间和产生交易额，以及其他与用户的购买行为相关的各种类型的数据，并存储记录的数据，然后获取存储的与用户的购买行为相关的历史数据，以获取该用户的购买行为数据集合。
步骤102，根据购买行为数据集合之中每个购买行为的时间和交易额生成用户的联合熵。
其中，本申请中的联合熵是用户购买行为的时间分布和用户购买行为具有的价值这两个变量的联合信息熵。其中，信息熵是指变量产生的信息量的期望，通过计算变量的信息熵可以度量该变量的聚集程度，而本申请中通过生成联合熵可以对用户购买行为的分布和用户购买行为具有的价值这两个变量的聚集程度进行综合度量。
需要理解的是，在确定每个购买行为的时间后，可以根据各个时间点确定每个购买行为的时间分布，而根据每个购买行为的交易额可以确定每个购买行为的实际收益，从而可以以每个购买行为的交易额表示每个购买行为具有的价值。
进而，在本申请实施例中，将每个购买行为的时间和交易额代入相应的联合熵计算公式，以生成用户的购买行为的时间分布和用户购买行为具有的价值这两个变量的联合信息熵，根据该联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量。
步骤103，根据用户的联合熵生成用户的购买力评价值。
在本申请实施例中，可以将获得的用户的联合熵，以及与用户的购买行为相关的其他类型的数据，输入各种用户的购买力评价值的统计模型或计算公式中，以计算用户的购买力评价值。
作为其中一种可能的实现方式，可以先根据联合熵生成用户行为聚集性度量值，即将联合熵转化为用户的购买行为和购买行为具有的价值的聚集性的非参数度量指标(clumpinessvalue，简称Cv)，其中，由于本申请的联合熵是对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，因此，本申请实施例中生成的用户行为聚集性度量值是对带有实际价值的购买行为进行综合度量的度量指标。然后，将用户行为聚集性度量值输入近期购买行为、购买频率、购买金额和行为聚集程度模型(RecencyFrequency Monetary Clumpiness，简称RFMC模型)中，以生成用户的购买力评价值，其中，本申请实施例中的RFMC模型可以是相关技术中提出的RFMC模型，本申请中的用户行为聚集性度量值对应于该模型中的行为聚集程度的指标，而由于本申请的用户行为聚集性度量值还对带有实际价值的购买行为进行了综合度量，结合了用户的购买行为具有的实际价值，因此，将用户行为聚集性度量值和所需的与用户的购买行为相关的其他类型的数据输入RFMC模型后，生成的用户的购买力评价值的准确性更高。
由此，该方法通过对用户每个购买行为的聚集程度进行了度量，可以适用于对个体用户的购买力进行评价等多种评价场景，并且，还对用户的购买行为的价值的聚集性进行了度量，将用户的购买行为产生的实际收益加入用户的购买力的评价过程，进一步提高了生成的用户购买力评价值的准确性。
本申请实施例的用户购买力评价值的生成方法，先获取用户的购买行为数据集合，包括获取用户的多个购买行为以及每个购买行为对应的时间和交易额，然后根据获取的每个购买行为的时间和交易额生成用户的联合熵，进而根据用户的联合熵生成用户的购买力评价值。由此，该方法根据每个购买行为的时间确定用户购买行为的时间分布，并根据每个购买行为的交易额确定该行为具有的价值，进而通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而在不同的评价场景下均可以根据联合熵生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性。
基于上述实施例，为了更加清楚的描述根据购买行为数据集合之中每个购买行为的时间和交易额生成用户的联合熵的具体实现过程，本申请实施例还提出了一种具体的用户购买力评价值的生成方法。
图2为本申请实施例所提供的一种具体的用户购买力评价值的生成方法的流程示意图，如图2所示，该方法包括以下步骤：
步骤201，根据每个购买行为的时间生成多个购买行为之间的时间间隔。
在本申请实施例中，通过将相邻的两个购买行为的时间相减的方式确定多个购买行为之间的时间间隔。具体的，将当前的购买行为的时间减去最临近的上一次购买行为的时间，可以得到当前的购买行为与上一个购买行为之间的时间间隔，进而，将购买行为数据集合之中每个购买行为的时间均按照上述方式依次进行计算，以生成多个购买行为之间的时间间隔。
步骤202，根据多个购买行为之间的时间间隔和交易额生成用户的联合熵。
可以理解的是，多个购买行为之间的时间间隔可以体现用户的购买行为在时间间距上差异，从而可以以多个购买行为之间的时间间隔表示用户购买行为的时间分布。进而将多个购买行为之间的时间间隔和交易额代入用户的联合熵计算公式，以生成用户的购买行为的时间分布和用户购买行为具有的价值这两个变量的联合信息熵。
作为一种可能的实现方式，可以通过以下公式生成用户的联合熵：
Figure BDA0002870409880000061
其中，
Figure BDA0002870409880000062
其中，xi＝ti-ti-1为时间间隔，vi为交易额，N为多个购买行为占用的总时长。
通过公式(1)可以看出，通过本申请实施例的公式计算联合熵之前，需要先确定P(xi,vi)。其中，P(xi,vi)是一种带有实际价值的行为序列，可以由{(ti,vi):i＝1,...n}表示，其本质是一种的点过程(Marked Point Processes)，即分布在时间和交易额构成的坐标轴上的数学点的集合，其中ti...tn即上述每个购买行为对应的时间，vi...vn即上述每个购买行为对应的交易额。
在本申请实施例中，可以设定多个购买行为之间的时间间隔xi和每个购买行为对应的交易额vi这两个变量之间具有独立性，从而P(xi,vi)可以通过公式(2)进行计算。
通过公式(2)可以看出，本申请在计算P(xi,vi)时，对每个时间间隔进行了标准化，即将xi除以N，可以理解，
Figure BDA0002870409880000071
等于当前购买行为的时间间隔占多个购买行的总时长的比例，通过
Figure BDA0002870409880000072
可以表示当前的时间间隔发生的概率。而
Figure BDA0002870409880000073
等于当前购买行为对应的交易额占多个购买行的总交易额的比例，通过
Figure BDA0002870409880000074
可以表示当前购买行为对应的的交易额发生的概率。
进一步的，将计算出的P(xi,vi)代入公式(1)即可计算出联合熵H(X,V)。
由此，本申请实施例的用户购买力评价值的生成方法，通过构建并计算带有实际价值的行为序列P(xi,vi)，将每个购买行为具有的价值加入到计算用户购买力评价值的度量指标中，便于后续对购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量。
需要说明的是，通过公式(1)的组成函数可以看出，根据公式(1)生成的用户的联合熵，将其转换为用户行为聚集性度量值Cv后，该用户行为聚集性度量值Cv具有最大值、最小值、连续性和收敛性，即如果用户的购买行为等间距发生且每个购买行为对应的价值都为0，则Cv取最小值；如果用户的购买行为集中在一起发生且每个购买行为对应的价值都达到最大，则Cv取最大值；如果用户的购买行为发生的时间或某个购买行为对应的价值发生较小改变，只会对Cv产生较小的影响；当多个购买行为之间的时间间隔越大/越小，或购买行为对应的价值越大/越小时，生成的Cv值会相应的增加/减少。
本申请实施例的用户购买力评价值的生成方法，先根据每个购买行为的时间生成多个购买行为之间的时间间隔，再根据多个购买行为之间的时间间隔和交易额生成用户的联合熵。通过构建并计算带有实际价值的行为序列P(xi,vi)，将每个购买行为具有的价值加入到计算用户购买力评价值的度量指标中，便于后续对购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，有利于提高生成的用户购买力评价值的准确性，并且便于后续生成更加合理有效的用户行为聚集性度量值，提高用户购买力评价值的生成方法的可靠性。
基于上述实施例，在本申请一种可能的实现形式中，还可以根据生成的用户行为聚集性度量值确定用户行为的聚集程度，以便于调整营销方案。下面结合图3对上述过程进行详细说明。
图3为本申请实施例所提供的另一种具体的用户购买力评价值的生成方法的流程示意图。如图3所示，该方法包括以下步骤：
步骤301，通过随机模拟模型生成用户行为聚集性阈值。
其中，随机模拟模型是预设的执行相应的随机模拟方法，以模拟出用户行为聚集性度量值的概率分布的模型。比如，随机模拟模型可以是采用蒙特卡罗(Monte Carlo)方法进行随机模拟的模型。
其中，用户行为聚集性阈值是模拟出的用户行为聚集性度量值的概率分布的临界值。比如，当随机模拟生成的用户行为聚集性度量值的服从标准正态分布时，用户行为聚集性阈值是正态分布的统计量Z值。
在本申请实施例中，通过上述实施例中的用户购买力评价值的生成方法生成用户行为聚集性度量值时，还可以通过随机模拟得到用户行为聚集性度量值的概率分布，进而，将生成的实际的用户行为聚集性度量值与模拟出的用户行为聚集性度量值的概率分布进行比较，以确定用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度的高低。
在本申请的一个实施例中，在进行随机模拟时，首先确定迭代数M和显著性水平α，其中，迭代数M是进行随机模拟的次数，显著性水平α是估计用户行为聚集性度量值落在某一区间内可能犯错误的概率，再确定每次进行随机模拟时的样本数量n和样本总量N，其中，n是任意选取的购买行为的次数，N即为本申请的为多个购买行为的数量。进而，设置随机模拟模型的上述参数后，再将用户的购买行为数据集合输入至进行随机模拟模型以进行随机模拟，在模拟时，对于M次模拟中的每一次从N中无放回抽样选取n个样本，计算随机样本的Cv值，从而模拟出Cv的概率分布。最后，查询随机模拟得到的概率分布表，根据显著性水平α确定对应的临界值为用户行为聚集性阈值。
举例而言，当随机模拟出的Cv服从标准正态分布时，通过查询正态分布z值表，找到与α对应的z值作为用户行为聚集性阈值，比如，当α＝0.05时，通过查z表得到α＝0.05时的z值为1.96，进而确定用户行为聚集性阈值为1.96。
步骤302，将用户行为聚集性度量值与用户行为聚集性阈值进行比较，以确定用户行为聚集程度。
在本申请实施例中，将用户行为聚集性度量值与用户行为聚集性阈值进行做差，以比较出用户行为聚集性度量值与用户行为聚集性阈值的关系。当实际计算出的用户行为聚集性度量值大于随机模拟确定的用户行为聚集性阈值时，确定用户行为的聚集程度较高，即用户的购买行为，以及每个购买行为具有的价值的间距差异较大，不一致程度较高；当实际计算出的用户行为聚集性度量值小于随机模拟确定的用户行为聚集性阈值时，确定用户行为的聚集程度较低，即用户的购买行为，以及每个购买行为具有的价值的分布较为均匀。
本申请实施例的用户购买力评价值的生成方法，先通过随机模拟模型生成用户行为聚集性阈值，再将用户行为聚集性度量值与用户行为聚集性阈值进行比较，以确定用户行为聚集程度。该方法将计算出的用户行为聚集性度量值与随机模拟出的用户行为聚集性度量值的概率分布进行比较，在对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量时，可以明确用户行为的聚集程度，便于根据用户行为的聚集程度调整营销方案。
下面参考附图对本申请提供的营销用户的确定方法进行详细描述。
图4为本申请实施例所提供的一种营销用户的确定方法的流程示意图。
如图4所示，该营销用户的确定方法，包括以下步骤：
步骤401，获取营销方案，其中，营销方案包括对应的营销目标用户，且营销目标用户具有购买力评价目标值。
其中，营销方案包括促进销售活动的各种策划方案，比如，营销方案可以包括产品策略、价格策略和渠道策略等。本申请实施例的营销方案还包括对应的营销目标用户，该营销目标用户是指可能响应营销方案的用户，其中，营销目标用户具有购买力评价目标值，购买力评价目标值是指可能响应营销方案的用户具有的最低购买力评价阈值。
可以理解，当用户的购买力达到一定值时才可能会响应营销方案，因此，在本申请实施例中，预先根据当前的营销方案中的其他策划，设置可能响应该营销方案的用户具有的最低购买力评价阈值，以该最低购买力评价阈值为购买力评价目标值，进而确定具有该购买力评价目标值的用户为营销目标用户，其中，具有该购买力评价目标值是指用户的购买力评价值大于或等于该购买力评价目标值。
步骤402，获取多个候选用户，其中，每个候选用户具有用户购买力评价标签，其中，用户购买力评价标签通过上述实施例所述的用户购买力评价值的生成方法计算得到。
其中，候选用户是指被确定为从中选取目标用户的营销用户，举例而言，在电子商务平台确定营销方案的场景下，候选用户可以是在该电子商务平台上注册的全部用户。
在本申请实施例中，在获取多个候选用户时，还获取每个候选用户具有的用户购买力评价标签，其中，用户购买力评价标签是通过上述实施例所述的用户购买力评价值的生成方法计算得到。也就是说，预先通过本申请实施例的用户购买力评价值的生成方法，计算每个候选用户的购买力评价值，根据每个候选用户的购买力评价值生成用户购买力评价标签，根据用户购买力评价标签可以确定该用户的购买力评价值。
步骤403，根据购买力评价目标值和多个候选用户的用户购买力评价标签，从多个候选用户之中选择匹配的营销用户。
在本申请实施例中，读取每个候选用户的用户购买力评价标签，以确定每个候选用户的购买力评价值，然后将每个候选用户的购买力评价值与购买力评价目标值进行比较，选择出购买力评价值大于或等于购买力评价目标值的用户为与该营销方案匹配的营销用户，即营销目标用户。
本申请实施例的营销用户的确定方法，先获取营销方案中营销目标用户具有购买力评价目标值，然后获取多个候选用户及其对应的用户购买力评价标签，并从用户购买力评价标签中读取每个候选用户的购买力评价值，根据购买力评价目标值和每个候选用户的购买力评价值，从多个候选用户中选择匹配的营销用户。该方法根据预先生成的候选用户的购买力评价值，确定与该营销方案匹配的营销用户，筛选出的营销用户更有可能响应本营销方案，从而，提高了确定营销用户的准确性和针对性，有利于后续营销方案的执行。
为了实现上述实施例，本申请还提出一种用户购买力评价值的生成装置。
图5为本申请实施例提供的一种用户购买力评价值的生成装置的结构示意图。
如图5所示，该用户购买力评价值的生成装置100可以包括：获取模块110、第一生成模块120、以及第二生成模块130。
其中，获取模块110，用于获取用户的购买行为数据集合，其中，购买行为数据集合包括用户的多个购买行为以及每个购买行为对应的时间和交易额。
第一生成模块120，用于根据购买行为数据集合之中每个购买行为的时间和交易额生成用户的联合熵。
第二生成模块130，用于根据用户的联合熵生成用户的购买力评价值。
进一步地，在本申请实施例的一种可能的实现方式中，第一生成模块120，可以包括：
第一生成单元，用于根据每个购买行为的时间生成多个购买行为之间的时间间隔。
第二生成单元，用于根据多个购买行为之间的时间间隔和交易额生成用户的联合熵。
进一步地，在本申请实施例的一种可能的实现方式中，第二生成单元，具体用于通过以下公式生成用户的联合熵：
Figure BDA0002870409880000111
其中，
Figure BDA0002870409880000112
其中，xi＝ti-ti-1为时间间隔，vi为交易额，N为多个购买行为的时长。
进一步地，在本申请实施例的一种可能的实现方式中，第二生成模块130，可以包括：
第三生成单元，用于根据联合熵生成用户行为聚集性度量值。
第四生成单元，用于将用户行为聚集性度量值输入近期购买行为、购买频率、购买金额和行为聚集程度RFMC模型以生成用户的购买力评价值。
进一步地，在本申请实施例的一种可能的实现方式中，第二生成模块130还可以包括：
第五生成单元，用于通过随机模拟模型生成用户行为聚集性阈值。
比较单元，用于将用户行为聚集性度量值与用户行为聚集性阈值进行比较，以确定用户行为聚集性程度。
需要说明的是，前述对用户购买力评价值的生成方法实施例的解释说明也适用于该实施例的用户购买力评价值的生成装置，此处不再赘述。
本申请实施例的用户购买力评价值的生成装置，先获取用户的购买行为数据集合，包括获取用户的多个购买行为以及每个购买行为对应的时间和交易额，然后根据获取的每个购买行为的时间和交易额生成用户的联合熵，进而根据用户的联合熵生成用户的购买力评价值。由此，该装置根据每个购买行为的时间确定用户购买行为的时间分布，并根据每个购买行为的交易额确定该行为具有的价值，进而通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而在不同的评价场景下均可以根据联合熵生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性。
为了实现上述实施例，本申请还提出一种营销用户的确定装置。
图6为本申请实施例提供的一种营销用户的确定装置的结构示意图。
如图6所示，该营销用户的确定装置200可以包括：第一获取模块210、第二获取模块220和选择模块230。
其中，第一获取模块210，用于获取营销方案，其中，营销方案包括对应的营销目标用户，且营销目标用户具有购买力评价目标值。
第二获取模块220，用于获取多个候选用户，其中，每个候选用户具有用户购买力评价标签，其中，用户购买力评价标签通过本申请第一方面实施例提出的用户购买力评价值的生成方法计算得到。
选择模块230，用于根据购买力评价目标值和多个候选用户的用户购买力评价标签，从多个候选用户之中选择匹配的营销用户。
本申请实施例的营销用户的确定装置，先获取营销方案中营销目标用户具有购买力评价目标值，然后获取多个候选用户及其对应的用户购买力评价标签，并从用户购买力评价标签中读取每个候选用户的购买力评价值，根据购买力评价目标值和每个候选用户的购买力评价值，从多个候选用户中选择匹配的营销用户。该装置根据预先生成的候选用户的购买力评价值，确定与该营销方案匹配的营销用户，筛选出的营销用户更有可能响应本营销方案，从而，提高了确定营销用户的准确性和针对性，有利于后续营销方案的执行。
为了实现上述实施例，本申请还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本申请前述实施例提出的用户购买力评价值的生成方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如本申请前述实施例提出的用户购买力评价值的生成方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本申请前述实施例提出的用户购买力评价值的生成方法。
为了实现上述实施例，本申请还提出一种电子设备。
图7为本申请实施例提供的电子设备的结构示意图。
如图7所示，上述电子设备200包括：
存储器210及处理器220，连接不同组件(包括存储器210和处理器220)的总线230，存储器210存储有计算机程序，当处理器220执行所述程序时实现本申请实施例所述的用户购买力评价值的生成方法或营销用户的确定方法。
总线230表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备200典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备200访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器210还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)240和/或高速缓存存储器250。电子设备200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统260可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块270的程序/实用工具280，可以存储在例如存储器210中，这样的程序模块270包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本申请所描述的实施例中的功能和/或方法。
电子设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且，电子设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器293通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器220通过运行存储在存储器210中的程序，从而执行各种功能应用以及数据处理。
需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的用户购买力评价值的生成方法或营销用户的确定方法的解释说明，此处不再赘述。
本申请实施例提供的电子设备，可以执行如前所述的用户购买力评价值的生成方法或营销用户的确定方法，先获取用户的购买行为数据集合，包括获取用户的多个购买行为以及每个购买行为对应的时间和交易额，然后根据获取的每个购买行为的时间和交易额生成用户的联合熵，进而根据用户的联合熵生成用户的购买力评价值。由此，根据每个购买行为的时间确定用户购买行为的分布，并根据每个购买行为的交易额确定该行为具有的价值，进而通过联合熵对用户的购买行为的聚集程度，以及每个购买行为具有的价值的聚集程度进行综合度量，从而在不同的评价场景下均可以根据联合熵生成更加准确的用户的购买力评价值，提高了评价用户的购买力的准确性和适用性。
为了实现上述实施例，本申请还提出一种计算机可读存储介质。
其中，该计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，以实现本申请实施例所述的用户购买力评价值的生成方法或营销用户的确定方法。
为了实现上述实施例，本申请再一方面实施例提供一种计算机程序，该程序被处理器执行时，以实现本申请实施例所述的用户购买力评价值的生成方法或营销用户的确定方法。
一种可选实现形式中，本实施例可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未发明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，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请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。本申请的范围仅由所附的权利要求来限制。

Claims (14)

1.一种用户购买力评价值的生成方法，其特征在于，包括：
获取用户的购买行为数据集合，其中，所述购买行为数据集合包括所述用户的多个购买行为以及每个所述购买行为对应的时间和交易额；
根据所述购买行为数据集合之中每个所述购买行为的时间和交易额生成所述用户的联合熵；以及
根据所述用户的联合熵生成所述用户的购买力评价值。
2.如权利要求1所述的用户购买力评价值的生成方法，其特征在于，所述根据所述购买行为数据集合之中每个所述购买行为的时间和交易额生成所述用户的联合熵，包括：
根据每个所述购买行为的时间生成所述多个购买行为之间的时间间隔；以及
根据所述多个购买行为之间的时间间隔和所述交易额生成所述用户的联合熵。
3.如权利要求2所述的用户购买力评价值的生成方法，其特征在于，通过以下公式生成所述用户的联合熵：
Figure FDA0002870409870000011
其中，
Figure FDA0002870409870000012
其中，xi＝ti-ti-1为所述时间间隔，vi为所述交易额，N为所述多个购买行为的时长。
4.如权利要求1所述的用户购买力评价值的生成方法，其特征在于，所述根据所述用户的联合熵生成所述用户的购买力评价值，包括：
根据所述用户的联合熵生成用户行为聚集性度量值；
将所述用户行为聚集性度量值输入近期购买行为、购买频率、购买金额和行为聚集程度RFMC模型以生成所述用户的购买力评价值。
5.如权利要求1所述的用户购买力评价值的生成方法，其特征在于，在所述根据所述用户的联合熵生成所述用户的购买力评价值之后，还包括：
通过随机模拟模型生成用户行为聚集性阈值；
将所述用户行为聚集性度量值与所述用户行为聚集性阈值进行比较，以确定用户行为聚集程度。
6.一种营销用户的确定方法，其特征在于，包括：
获取营销方案，其中，所述营销方案包括对应的营销目标用户，且所述营销目标用户具有购买力评价目标值；
获取多个候选用户，其中，每个所述候选用户具有用户购买力评价标签，其中，所述用户购买力评价标签通过如权利要求1-5任一项所述的用户购买力评价值的生成方法计算得到；以及
根据所述购买力评价目标值和所述多个候选用户的用户购买力评价标签，从所述多个候选用户之中选择匹配的营销用户。
7.一种用户购买力评价值的生成装置，其特征在于，包括：
获取模块，用于获取用户的购买行为数据集合，其中，所述购买行为数据集合包括所述用户的多个购买行为以及每个所述购买行为对应的时间和交易额；
第一生成模块，用于根据所述购买行为数据集合之中每个所述购买行为的时间和交易额生成所述用户的联合熵；
第二生成模块，用于根据所述用户的联合熵生成所述用户的购买力评价值。
8.根据权利要求7所述的用户购买力评价值的生成装置，其特征在于，所述第一生成模块，包括：
第一生成单元，用于根据每个所述购买行为的时间生成所述多个购买行为之间的时间间隔；
第二生成单元，用于根据所述多个购买行为之间的时间间隔和所述交易额生成所述用户的联合熵。
9.根据权利要求8所述的用户购买力评价值的生成装置，其特征在于，所述第二生成单元，具体用于通过以下公式生成所述用户的联合熵：
Figure FDA0002870409870000021
其中，
Figure FDA0002870409870000022
其中，xi＝ti-ti-1为所述时间间隔，vi为所述交易额，N为所述多个购买行为的时长。
10.根据权利要求7所述的用户购买力评价值的生成装置，其特征在于，所述第二生成模块，包括：
第三生成单元，用于根据所述用户的联合熵生成用户行为聚集性度量值；
第四生成单元，用于将所述用户行为聚集性度量值输入近期购买行为、购买频率、购买金额和行为聚集程度RFMC模型以生成所述用户的购买力评价值。
11.根据权利要求7所述的用户购买力评价值的生成装置，其特征在于，所述第二生成模块，还包括：
第五生成单元，用于通过随机模拟模型生成用户行为聚集性阈值；
比较单元，用于将所述用户行为聚集性度量值与所述用户行为聚集性阈值进行比较，以确定用户行为聚集程度。
12.一种营销用户的确定装置，其特征在于，包括：
第一获取模块，用于获取营销方案，其中，所述营销方案包括对应的营销目标用户，且所述营销目标用户具有购买力评价目标值；
第二获取模块，用于获取多个候选用户，其中，每个所述候选用户具有用户购买力评价标签，其中，所述用户购买力评价标签通过如权利要求1-5任一项所述的用户购买力评价值的生成方法计算得到；
选择模块，用于根据所述购买力评价目标值和所述多个候选用户的用户购买力评价标签，从所述多个候选用户之中选择匹配的营销用户。
13.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的用户购买力评价值的生成方法或权利要求6所述的营销用户的确定方法。
14.一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，所述程序被处理器执行时实现如权利要求1-5中任一所述的用户购买力评价值的生成方法或权利要求6所述的营销用户的确定方法。
CN202011596641.XA 2020-12-29 2020-12-29 用户购买力评价值的生成方法、装置、设备及存储介质 Pending CN113822693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011596641.XA CN113822693A (zh) 2020-12-29 2020-12-29 用户购买力评价值的生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011596641.XA CN113822693A (zh) 2020-12-29 2020-12-29 用户购买力评价值的生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113822693A true CN113822693A (zh) 2021-12-21

Family

ID=78924887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011596641.XA Pending CN113822693A (zh) 2020-12-29 2020-12-29 用户购买力评价值的生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113822693A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331525A (zh) * 2021-12-27 2022-04-12 商派软件有限公司 多维度的客户类型分析方法和系统
US20230259510A1 (en) * 2022-02-15 2023-08-17 Fujitsu Limited Equilibrium solution searching method and information processing apparatus

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331525A (zh) * 2021-12-27 2022-04-12 商派软件有限公司 多维度的客户类型分析方法和系统
US20230259510A1 (en) * 2022-02-15 2023-08-17 Fujitsu Limited Equilibrium solution searching method and information processing apparatus

Similar Documents

Publication Publication Date Title
CN109360012B (zh) 广告投放渠道的选择方法及装置、存储介质、电子设备
CN109461023B (zh) 流失用户挽回方法及装置、电子设备、存储介质
US11314616B2 (en) Machine learning models applied to interaction data for facilitating modifications to online environments
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN102004982A (zh) 使用变量计分的模型优化系统
CN116541610B (zh) 一种推荐模型的训练方法及装置
CN113822693A (zh) 用户购买力评价值的生成方法、装置、设备及存储介质
WO2021021271A9 (en) Indiagnostics framework for large scale hierarchical time-series forecasting models
CN111291936B (zh) 产品生命周期预估模型生成方法、装置及电子设备
CN109711849B (zh) 以太坊地址画像生成方法、装置、电子设备及存储介质
CN109857816B (zh) 测试样本的选取方法及装置、存储介质、电子设备
CN117132315A (zh) 活跃用户预测方法、装置、设备及存储介质
US20140039983A1 (en) Location evaluation
CN110070383B (zh) 基于大数据分析的异常用户识别方法及装置
CN113688202B (zh) 情感极性分析方法、装置、电子设备以及计算机存储介质
CN113076339A (zh) 一种数据缓存方法、装置、设备及存储介质
CN109348236B (zh) 一种存储容量评估方法、装置、服务器及存储介质
CN113837843A (zh) 产品推荐方法、装置、介质及电子设备
KR20130086083A (ko) 리스크-프로파일 생성 장치
CN111415066A (zh) 风险评估方法及装置
von Kistowski et al. Measuring and rating the energy-efficiency of servers
CN113762675A (zh) 信息生成方法、装置、服务器、系统和存储介质
CN110782287A (zh) 实体相似度计算方法及装置、物品推荐系统、介质、设备
CN110737693A (zh) 数据挖掘处理方法、装置、设备及计算机可读存储介质
CN111210110A (zh) 基于压力测试生成预防策略的方法、装置和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination