CN113837780A - 信息投放方法、系统、设备和介质 - Google Patents

Abstract

本发明特别涉及信息投放方法、系统、设备和介质。本发明的方法包括：基于行为强相关特征，创建用户的行为数据集合；使用聚类模型对用户的所述行为数据集合进行分类；使用用户标签对各类用户进行标记；向各类用户投放信息。本发明可以多维度地描述每个用户的消费能力，以及可以针对不同的用户设计并且投放对应的信息，从而为每个用户提供优质的服务，避免用户流失。

Description

信息投放方法、系统、设备和介质

技术领域

本发明特别涉及信息投放方法、系统、设备和介质。

背景技术

为了满足用户的生活需求，各大厂商都开发了模式多样的应用程序，包括游戏类的应用程序、生活类的应用程序以及学习类的应用程序等。用户通常在应用程序中进行充值(付费)行为，其中，如何多维度地描述每个用户的消费能力，以及如何针对不同的用户设计并且投放对应的信息，从而为每个用户提供优质的服务，避免用户流失是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的在于提供信息投放方法、系统、设备和介质，可以多维度地描述每个用户的消费能力，以及可以针对不同的用户设计并且投放对应的信息，从而为每个用户提供优质的服务，避免用户流失。

本发明的实施方式公开了一种信息投放方法，所述方法包括：

基于行为强相关特征，创建用户的行为数据集合；

使用聚类模型对用户的所述行为数据集合进行分类；

使用用户标签对各类用户进行标记；

向各类用户投放信息。

可选地，所述行为强相关特征包括充值总额度、充值总次数、平均单笔充值额度、充值天数和日平均充值次数。

可选地，使用聚类模型对用户的所述行为数据集合进行分类包括：

确定聚类簇数和初始的均值向量；

计算用户的所述行为数据集合中的每个行为数据与每个初始的所述均值向量之间的距离；

基于距离最近的初始的所述均值向量，将每个所述行为数据分类到对应的簇；

对于每个所述簇，确定新的所述均值向量，并且对每个所述行为数据进行迭代分类，直到每个所述簇内部的所述行为数据不再变化。

可选地，所述方法还包括：

使用肘部法则和/或轮廓系数来评估所述聚类模型。

可选地，所述用户标签指示各类用户的消费能力。

可选地，向各类用户投放信息包括：

基于营销目的，设计要被投放的信息，所述营销目的与所述用户标签对应；

向具有对应的所述用户标签的该类用户投放所述信息。

可选地，向各类用户投放信息包括：

向所有用户投放信息；

监控各类用户的物品拥有率；

向物品拥有率低于阈值的该类用户再次投放关于该物品的信息。

本发明的实施方式公开了一种信息投放系统，所述系统包括：

集合创建单元，基于行为强相关特征，创建用户的行为数据集合；

分类单元，使用聚类模型对用户的所述行为数据集合进行分类；

标记单元，使用用户标签对各类用户进行标记；

投放单元，向各类用户投放信息。

可选地，向各类用户投放信息包括：

基于营销目的，设计要被投放的信息，所述营销目的与所述用户标签对应；

向具有对应的所述用户标签的该类用户投放所述信息。

可选地，向各类用户投放信息包括：

向所有用户投放信息；

监控各类用户的物品拥有率；

向物品拥有率低于阈值的该类用户再次投放关于该物品的信息。

本发明的实施方式公开了一种信息投放设备，所述设备包括存储有计算机可执行指令的存储器和处理器，所述处理器被配置为执行所述指令以实施信息投放方法，所述方法包括：

基于行为强相关特征，创建用户的行为数据集合；

使用聚类模型对用户的所述行为数据集合进行分类；

使用用户标签对各类用户进行标记；

向各类用户投放信息。

本发明的实施方式公开了一种使用计算机程序编码的计算机存储介质，所述计算机程序包括指令，所述指令被一个以上的计算机执行以实施信息投放方法，所述方法包括：

基于行为强相关特征，创建用户的行为数据集合；

使用聚类模型对用户的所述行为数据集合进行分类；

使用用户标签对各类用户进行标记；

向各类用户投放信息。

本发明实施方式与现有技术相比，主要区别及其效果在于：

在本发明中，通过基于行为强相关特征，创建一个或多个用户的行为数据集合，例如充值总额度集合、充值总次数集合、平均单笔充值额度集合、充值天数集合和/或日平均充值次数集合，可以多维度地描述每个用户的消费能力，使得每个用户的消费能力可量化、可分析。

在本发明中，通过使用聚类模型，对用户的行为数据集合进行分类，可以将充值行为相似的用户聚集成一簇，即，一类人群。并且，通过使用肘部法则和/或轮廓系数，对聚类模型进行评估，可以确定对用户的分类是否合理。

在本发明中，通过使用用户标签，对各类用户进行标记，可以将每个用户的消费能力进行标签化，使得每个用户的消费能力可结论化，能够更好地理解用户的行为模式，同时用户标签系统可以作为其他系统的基础。

在本发明中，通过向各类用户投放信息，可以将信息精准地投放并且触达到对应的用户，对于不同人群进行针对性的手段来提升对应的KPI指标(付费金额、付费率等)，实现高价值用户的召回以及向其他游戏导入用户等游戏运营动作。

附图说明

图1示出根据本发明的计算设备的结构示意图；

图2示出根据本发明实施例的信息投放系统的结构图；

图3示出根据本发明实施例的信息投放方法的流程图；

图4示出根据本发明实施例的使用肘部法则来评估聚类模型的示意图。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明实施方式，提供了一种信息投放方法的实施方式，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请方式所提供的方法实施方式可以在计算设备中执行。图1是根据本发明的计算设备的结构示意图。如图1所示，计算设备100可以包括一个或多个(图中仅示出一个)处理器101(处理器101可以包括但不限于中央处理器CPU、图像处理器GPU、数字信号处理器DSP、微处理器MCU或可编程逻辑器件FPGA等的处理装置)、总线102、用于存储数据的存储器103、以及用于通信功能的通信接口104。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器103可以用于存储数据库、队列、应用软件的软件程序以及模块，如本发明实施方式中的信息投放方法对应的程序指令/模块，处理器101通过运行存储在存储器103内的软件程序以及模块，从而执行各种功能应用以及数据处理，即，实现上述的信息投放方法。存储器103可以包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器103可以进一步包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至计算设备100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信接口104用于经由网络接收或者发送数据，网络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。上述的网络具体实例可以包括计算设备400的通信供应商提供的互联网。

在上述运行环境下，本发明提供了如图3所示的信息投放方法。该方法可以应用于上述计算设备100中，由计算设备100中的处理器101执行。计算设备100中安装有至少一个应用程序，本发明实施方式并不限定应用程序的种类，可以为系统类应用程序，也可以为软件类应用程序。

图2示出了根据本发明实施例的信息投放系统20的结构图。如图2所示，信息投放系统20包括集合创建单元201、分类单元202、标记单元203、投放单元204。图3示出了根据本发明实施例的信息投放方法的流程图。下面结合图2、图3进行详细说明。

在步骤S31，集合创建单元201基于行为强相关特征，创建用户的行为数据集合。用户可能在诸如游戏应用程序的应用程序中进行充值(付费)行为，并且产生充值行为数据，因此可以获取或接收每个用户在该游戏应用程序内的所有充值行为数据。

用户为登陆过该游戏应用程序的所有玩家。优选地，用户为一定周期内登陆过该游戏应用程序的活跃玩家，从而充值行为数据为一定周期内的充值行为数据，该一定周期例如为最近7日、14日、21日或30日等。更优选地，该一定周期例如为最近7日，最近7日数据可以作为一个最小规模数据的量，可以凸显数据的时效性，因为用户在游戏应用程序进行的过程中会流失，所以最近7日是一个比较合理的时间长度。

行为强相关特征包括充值总额度、充值总次数、平均单笔充值额度、充值天数和日平均充值次数等。该行为强相关特征是基于客观认知与游戏数据相结合的，并且可以表征用户的充值行为。具体地，充值总额度可以指示某一玩家整体的充值情况，充值总次数可以指示某一玩家充值的频率，充值天数可以细化频率粒度，并且可以指示某一玩家在游戏生命周期里的充值频率，并且日平均充值次数也可以细化频率粒度，以日为单位进行考察。

在本发明中，通过基于行为强相关特征，创建一个或多个用户的行为数据集合，例如充值总额度集合、充值总次数集合、平均单笔充值额度集合、充值天数集合和/或日平均充值次数集合，可以多维度地描述每个用户的消费能力，使得每个用户的消费能力可量化、可分析。

在步骤S32，分类单元202使用聚类模型对用户的行为数据集合进行分类。

优选地，聚类模型采用K-means算法。给定用户的行为数据集合D＝{x₁,x₁,…,x_m}，K-means算法针对聚类所得簇划分C＝{C₁,C₂,…,C_k}最小化平方误差

其中，

是簇C_i的均值向量。直观来看，上述公式在一定程度上刻画了簇内的行为数据围绕均值向量的紧密程度，E值越小，则簇内的行为数据相似度越高。

首先，确定聚类簇数和初始的均值向量。聚类簇数k为聚类所得簇划分C的数量，可以指示分类后的人群的数量以及用户标签的数量。可以根据游戏应用程序、要被投放的信息的营销目的等因素，来确定聚类簇数k，聚类簇数k例如为3或5。初始的均值向量{μ₁,μ₂,…,μ_k}中的每个μ_i可以是从用户的行为数据集合D＝{x₁,x₁,…,x_m}中随机选择的。

其次，计算用户的行为数据集合中的每个行为数据与每个初始的均值向量之间的距离。对于用户的行为数据集合D＝{x₁,x₁,…,x_m}中的每个行为数据x_j以及每个初始的均值向量μ_i，计算两者之间的距离d_ji＝||x_j-μ_i||²。

再次，基于距离最近的初始的均值向量，将每个行为数据分类到对应的簇。可以根据距离最近的初始的均值向量，确定每个行为数据x_j的簇标记λ_j＝arg min_{i∈{1,2,…,k}}d_ji，并且将每个行为数据x_j分类到对应的簇

之后，对于每个簇，确定新的均值向量，并且对每个行为数据进行迭代分类，直到每个簇内部的行为数据不再变化。对于每个簇

新的均值向量

如果新的均值向量μ′_i与初始的均值向量μ_i不同，则当前均值向量μ_i更新为μ′_i，否则保持当前均值向量μ_i不变。重新计算每个行为数据与当前均值向量之间的距离，并且基于距离最近的当前均值向量，将每个行为数据分类到对应的簇。在多次迭代分类之后，如果每个簇内部的行为数据不再变化，或者当前均值向量均未更新或更新的差值小于等于某个阈值，或者迭代分类的次数大于等于某个阈值，则迭代分类结束，输出聚类所得簇划分C＝{C₁,C₂,…,C_k}。

下面通过伪代码来描述使用聚类模型对用户的行为数据集合进行分类的示例过程，其中，采用双层循环，子循环有两个，分别对行为数据进行簇划分以及对均值向量进行迭代优化。

输入：用户的行为数据集合D＝{x₁,x₂,…,x_m}

聚类簇数k

输出：簇划分C＝{C₁,C₂,…,C_k}

使用肘部法则和/或轮廓系数来评估聚类模型。

如上面描述的，K-means算法以最小化样本(行为数据)与质点(均值向量)之间的平方误差作为目标函数，将每个簇的质点与簇内样本点的平方距离误差和称为畸变程度(distortions)，那么，对于一个簇，它的畸变程度越低，代表簇内成员越紧密，畸变程度越高，代表簇内结构越松散。畸变程度会随着聚类簇数的增加而降低，但对于有一定区分度的数据，在达到某个临界点时畸变程度会得到极大改善，之后缓慢下降，这个临界点就可以考虑为聚类性能较好的点，即，优选的聚类簇数。

图4示出了根据本发明实施例的使用肘部法则来评估聚类模型的示意图。如图4中示出的，纵轴为簇内误方差，横轴为聚类簇数，随着聚类簇数的增加，簇内误方差降低。当聚类簇数小于3时，簇内误方差的下降幅度很快，而当聚类簇数大于3时，簇内误方差的下降幅度变慢，因此聚类簇数等于3是曲线的肘点，优选的聚类簇数为3。可以理解的是，也可以采用除簇内误方差之外的其他指标来确定聚类簇数。另外，可能会出现没有肘点的情况，在此情况下，可以结合行为数据和要被投放的信息的实际情况，以及比较容易区分用户的数量来确定聚类簇数。

对于一个聚类任务，希望得到的簇中，簇内尽量紧密，簇间尽量远离，轮廓系数便是类的密集与分散程度的评价指标，公式表达如下s＝(b(i)-a(i))/max{a(i),b(i)}，其中，a代表同簇样本到彼此间距离的均值，b代表样本到除自身所在簇外的最近簇的样本的距离的均值，s取值在[-1,1]之间。该值越大，越合理。如果s接近1，代表样本所在簇合理，如果s接近-1，代表样本更应该分到其他簇中。

在本发明中，通过使用聚类模型，对用户的行为数据集合进行分类，可以将充值行为相似的用户聚集成一簇，即，一类人群。并且，通过使用肘部法则和/或轮廓系数，对聚类模型进行评估，可以确定对用户的分类是否合理。

在步骤S33，标记单元203使用用户标签对各类用户进行标记。

用户标签指示各类用户的消费能力。当聚类簇数为3时，用户标签可以包括高消费人群、中消费人群和低消费人群。高消费人群(H)可以指示该类用户的消费能力较高，中消费人群(M)可以指示该类用户的消费能力适中，低消费人群(L)可以指示该类用户的消费能力较低。优选地，可以结合要被投放的信息的实际情况，进一步细分用户标签，例如用户标签还包括超高消费人群(HH)。另外，无行为数据的用户可以被称为无标签的人群。可以理解的是，当聚类簇数不同时，用户标签也可以采用不同的命名方式。

在本发明中，通过使用用户标签，对各类用户进行标记，可以将每个用户的消费能力进行标签化，使得每个用户的消费能力可结论化，能够更好地理解用户的行为模式，同时用户标签系统可以作为其他系统的基础。

在步骤S34，投放单元204向各类用户投放信息。信息可以包括诸如游戏活动、游戏礼包的游戏应用程序中的广告信息。

作为一个示例，首先，基于营销目的，设计要被投放的信息，营销目的与用户标签对应。例如，活动A的主要目的是提高付费金额，其对应高消费人群(H)，因为他们的消费能力足以让他们对活动进行消费。活动B的主要目的是提高付费率，类似超高性价比的道具，其对应低消费人群(L)或者无标签的人群，因为可以促进低消费人群的付费率，或者让从未付费的玩家进行首次付费，以达到提高付费率的目的。

最后，向具有对应的用户标签的该类用户投放信息。例如，将活动A投放给高消费人群(H)，并且将活动B投放给低消费人群(L)或者无标签的人群。

作为另一个示例，首先，向所有用户投放信息。例如，普遍覆盖式地向所有用户投放信息，每个用户都能够看到该信息，引导所有用户进行消费，以购买游戏礼包、游戏道具、游戏角色等一个或多个物品。

其次，监控各类用户的物品拥有率。由于在一段时间的消息投放之后，诸如周期为半个月或一个月不等，每个人群拥有每个物品的拥有率是不同的，因为每个人群的消费能力不同。例如，根据不同的人群，设计游戏内的物品拥有率的监控表，也就是说，设计一张表格，每行是不同的人群，每列是不同的物品。并且，根据数据库的数据，计算不同人群的不同物品拥有率。

最后，向物品拥有率低于阈值的该类用户再次投放关于该物品的信息。例如，对于一个或多个物品，向该物品拥有率低于阈值的该类用户再次投放关于该物品的信息。在游戏运行了一段时间之后，在监控每个人群的不同物品拥有率的情况下，实现了向特定人群投放关于特定物品的特定信息，而该物品正是该类人群所缺少的，形成了一个正向的闭环：设计新物品、投放、监控不同人群的物品拥有率、进行精准化投放，这对于付费转化，或者对于提高付费总额度、付费率都带来了良好的效果。

可以理解的是，也可以将上述两个示例进行组合，以进一步提高信息投放的精准度和有效性。

在本发明中，通过向各类用户投放信息，可以将信息精准地投放并且触达到对应的用户，对于不同人群进行针对性的手段来提升对应的KPI指标(付费金额、付费率等)，实现高价值用户的召回以及向其他游戏导入用户等游戏运营动作。

本发明还提供一种信息投放设备，设备包括存储有计算机可执行指令的存储器和处理器，处理器被配置为执行指令以实施信息投放方法。

本发明还提供一种使用计算机程序编码的计算机存储介质，计算机程序包括指令，指令被一个以上的计算机执行以实施信息投放方法。

需要说明的是，本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable Array Logic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically ErasableProgrammable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

需要说明的是，本发明各设备实施方式中提到的各单元/模块都是逻辑单元/模块，在物理上，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现，这些逻辑单元本身的物理实现方式并不是最重要的，这些逻辑单元所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，这并不表明上述设备实施方式并不存在其它的单元。

在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。

需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (12)

1.一种信息投放方法，其特征在于，所述方法包括：

基于行为强相关特征，创建用户的行为数据集合；

使用聚类模型对用户的所述行为数据集合进行分类；

使用用户标签对各类用户进行标记；

向各类用户投放信息。

2.根据权利要求1所述的方法，其特征在于，所述行为强相关特征包括充值总额度、充值总次数、平均单笔充值额度、充值天数和日平均充值次数。

3.根据权利要求1所述的方法，其特征在于，使用聚类模型对用户的所述行为数据集合进行分类包括：

确定聚类簇数和初始的均值向量；

计算用户的所述行为数据集合中的每个行为数据与每个初始的所述均值向量之间的距离；基于距离最近的初始的所述均值向量，将每个所述行为数据分类到对应的簇；

对于每个所述簇，确定新的所述均值向量，并且对每个所述行为数据进行迭代分类，直到每个所述簇内部的所述行为数据不再变化。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

使用肘部法则和/或轮廓系数来评估所述聚类模型。

5.根据权利要求1所述的方法，其特征在于，所述用户标签指示各类用户的消费能力。

6.根据权利要求1所述的方法，其特征在于，向各类用户投放信息包括：

基于营销目的，设计要被投放的信息，所述营销目的与所述用户标签对应；

向具有对应的所述用户标签的该类用户投放所述信息。

7.根据权利要求1所述的方法，其特征在于，向各类用户投放信息包括：

向所有用户投放信息；

监控各类用户的物品拥有率；

向物品拥有率低于阈值的该类用户再次投放关于该物品的信息。

8.一种信息投放系统，其特征在于，所述系统包括：

集合创建单元，基于行为强相关特征，创建用户的行为数据集合；

分类单元，使用聚类模型对用户的所述行为数据集合进行分类；

标记单元，使用用户标签对各类用户进行标记；

投放单元，向各类用户投放信息。

9.根据权利要求8所述的系统，其特征在于，向各类用户投放信息包括：

基于营销目的，设计要被投放的信息，所述营销目的与所述用户标签对应；

向具有对应的所述用户标签的该类用户投放所述信息。

10.根据权利要求8所述的系统，其特征在于，向各类用户投放信息包括：

向所有用户投放信息；

监控各类用户的物品拥有率；

向物品拥有率低于阈值的该类用户再次投放关于该物品的信息。

11.一种信息投放设备，其特征在于，所述设备包括存储有计算机可执行指令的存储器和处理器，所述处理器被配置为执行所述指令以实施信息投放方法，所述方法包括：

基于行为强相关特征，创建用户的行为数据集合；

使用聚类模型对用户的所述行为数据集合进行分类；

使用用户标签对各类用户进行标记；

向各类用户投放信息。

12.一种使用计算机程序编码的计算机存储介质，其特征在于，所述计算机程序包括指令，所述指令被一个以上的计算机执行以实施信息投放方法，所述方法包括：

基于行为强相关特征，创建用户的行为数据集合；

使用聚类模型对用户的所述行为数据集合进行分类；

使用用户标签对各类用户进行标记；

向各类用户投放信息。

Images