CN113886697A - 基于聚类算法的活动推荐方法、装置、设备及存储介质 - Google Patents
基于聚类算法的活动推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113886697A CN113886697A CN202111167951.4A CN202111167951A CN113886697A CN 113886697 A CN113886697 A CN 113886697A CN 202111167951 A CN202111167951 A CN 202111167951A CN 113886697 A CN113886697 A CN 113886697A
- Authority
- CN
- China
- Prior art keywords
- activity
- information
- historical
- marketing
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及人工智能领域,公开了一种基于聚类算法的活动推荐方法、装置、设备及存储介质,该方法包括:根据多个历史营销活动信息确定各历史营销活动的历史数据信息;根据预设的聚类算法和历史数据信息对各历史营销活动信息进行聚类,确定各历史营销活动的类别;根据目标营销活动与各历史营销活动的相似度确定最大相似度的历史营销活动的类别为目标营销活动的类别;根据确定的与目标营销活动的类别对应的候选客户信息确定一个或多个候选客户的活动偏好值,根据活动偏好值确定目标客户,并向目标客户推送目标营销活动的活动信息,提高了活动推荐的效率和准确性。本发明涉及区块链技术,如可将活动信息写入区块链中,以用于数据取证等场景。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于聚类算法的活动推荐方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展,许多应用平台在网络上推出了各种线上活动,如何有效的将不同的活动推荐给不同的用户成为了关注的焦点。
目前,活动推荐方式主要是通过营销业务人员等人工选取与活动先关联的客户,并将活动推送给该客户,然而,由于线上活动种类繁多,通过这种人工选取的方式进行推送效率低,推送效果也难以预计。因此,如何更有效地推送活动成为研究的重点。
发明内容
本发明实施例提供了一种基于聚类算法的活动推荐方法、装置、设备及存储介质,可以满足用户对活动推荐的智能化和自动化需求,提高了活动推荐的效率和准确性。
第一方面,本发明实施例提供了一种活动推荐方法,包括:
获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;
根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;
根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;
获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;
确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
进一步地,所述根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,包括:
对所述多个历史营销活动的活动特征信息和客户特征信息进行标注;
根据标注的各个历史营销活动的活动特征信息和客户特征信息确定所述各个历史营销活动的历史数据信息。
进一步地,所述对所述多个历史营销活动的活动特征信息和客户特征信息进行标注,包括:
采集已标注活动特征信息和客户特征信息的样本活动信息,并利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型;
将所述多个历史营销活动信息输入所述目标标注模型,得到所述各个历史营销活动的活动特征信息和客户特征信息的标注信息。
进一步地,所述利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型,包括:
利用所述已标注活动特征信息和客户特征信息的样本活动信息对所述预设的深度学习模型进行训练,得到训练结果;
将所述训练结果中得到的标注信息与已标注的活动特征信息和客户特征信息进行对比,并根据对比结果调整所述预设的深度学习模型的模型参数;
将所述已标注活动特征信息和客户特征信息的样本活动信息输入调整模型参数后的深度学习模型中进行重新训练;
当重新训练得到的标注信息与已标注的活动特征信息和客户特征信息的对比结果满足预设条件时,确定得到所述目标标注模型。
进一步地,所述根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别,包括:
采集样本数据集,所述样本数据集中包括多个样本数据,所述样本数据为已标注类别的活动数据;
随机从所述样本数据集中选取K个样本数据,并计算每个历史营销活动信息的活动特征信息与所述K个样本数据中的各个样本数据之间的距离,K为大于或等于1的正整数;
确定最小距离对应的样本数据所标注的类别为对应的历史营销活动的类别。
进一步地,所述根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,包括:
对所述目标营销活动信息进行分词处理,得到所述目标营销活动信息的第一词向量;
对所述各个历史营销活动信息进行分词处理,得到所述各个历史营销活动信息的第二词向量;
根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离,并根据所述距离确定所述目标营销活动与各个历史营销活动之间的相似度。
进一步地,所述根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,包括:
根据所述候选客户信息确定一个或多个候选客户的历史行为数据,并根据每个候选客户的历史行为数据确定所述每个候选客户的活动偏好值;
确定所述活动偏好值大于预设阈值的一个或多个候选客户为所述目标营销活动的类别对应的目标客户。
第二方面,本发明实施例提供了一种活动推荐装置,包括:
获取单元,用于获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;
第一确定单元,用于根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;
聚类单元,用于根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;
第二确定单元,用于获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;
推送单元,用于确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
第三方面,本发明实施例提供了一种计算机设备,包括处理器、存储器,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述计算机程序,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第一方面的方法。
本发明实施例可以获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。通过这种方式,可以满足用户对活动推荐的智能化和自动化需求,提高了活动推荐的效率和准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于聚类算法的活动推荐方法的示意流程图;
图2是本发明实施例提供的一种活动推荐装置的示意框图;
图3是本发明实施例提供的一种计算机设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明实施例提供的活动推荐方法可以应用于一种活动推荐装置,在某些实施例中,所述活动推荐装置设置于计算机设备中。在某些实施例中,所述计算机设备包括但不限于智能手机、平板电脑、膝上型电脑等中的一种或者多种。
本发明实施例可以获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。本发明实施例通过这种方式可以满足用户对活动推荐的智能化和自动化需求,提高了活动推荐的效率和准确性。
本申请实施例可以基于人工智能技术对相关的数据(如营销活动信息)进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下面结合附图1对本发明实施例提供的活动推荐方法进行示意性说明。
请参见图1,图1是本发明实施例提供的一种基于聚类算法的活动推荐方法的示意流程图,如图1所示,该方法可以由活动推荐装置执行,所述活动推荐装置设置于计算机设备中。具体地,本发明实施例的所述方法包括如下步骤。
S101:获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息。
本发明实施例中,活动推荐装置可以获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息。
在某些实施例中,所述活动特征信息包括但不限于活动属性,比如,活动属性包括但不限于活动类型、促销产品类型、活动形式、奖励方式、奖励阶梯、活动费比等。在某些实施例中,所述客户特征信息包括但不限于客户属性,比如,所述客户属性包括:年龄、性别、历史成交额、已购产品偏好、访问历史、参与活动明细等等。
S102:根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息。
本发明实施例中,活动推荐装置可以根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息。在某些实施例中,所述历史数据信息包括历史活动信息与历史客户信息的对应关系。
在一个实施例中,活动推荐装置在根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息时,可以对所述多个历史营销活动的活动特征信息和客户特征信息进行标注;根据标注的各个历史营销活动的活动特征信息和客户特征信息确定所述各个历史营销活动的历史数据信息。
在一个实施例中,活动推荐装置在对所述多个历史营销活动的活动特征信息和客户特征信息进行标注时,可以采集已标注活动特征信息和客户特征信息的样本活动信息,并利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型;将所述多个历史营销活动信息输入所述目标标注模型,得到所述各个历史营销活动的活动特征信息和客户特征信息的标注信息。
在一个实施例中,活动推荐装置在利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型时,可以利用所述已标注活动特征信息和客户特征信息的样本活动信息对所述预设的深度学习模型进行训练,得到训练结果;将所述训练结果中得到的标注信息与已标注的活动特征信息和客户特征信息进行对比,并根据对比结果调整所述预设的深度学习模型的模型参数;将所述已标注活动特征信息和客户特征信息的样本活动信息输入调整模型参数后的深度学习模型中进行重新训练;当重新训练得到的标注信息与已标注的活动特征信息和客户特征信息的对比结果满足预设条件时,确定得到所述目标标注模型。
通过这种方式可以实现利用目标标注模型对历史营销活动的活动特征信息和客户特征信息进行智能化标注。
在一个实施例中,活动推荐装置在对所述各个历史营销活动的活动特征信息和客户特征信息进行标注时,可以根据所述多个历史营销活动信息对多个历史营销活动的活动特征信息和客户特征信息进行人工标注。
S103:根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别。
本发明实施例中,活动推荐装置可以根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别。
在某些实施例中,所述预设的聚类算法包括但不限于如:K-means聚类算法、Hierarchical methods层次聚类算法、Partition-based methods划分聚类算法等。
在一个实施例中,活动推荐装置在据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别时,可以采集样本数据集,所述样本数据集中包括多个样本数据,所述样本数据为已标注类别的活动数据;随机从所述样本数据集中选取K个样本数据,并计算每个历史营销活动的活动特征信息与所述K个样本数据中的各个样本数据之间的距离,K为大于或等于1的正整数;确定最小距离对应的样本数据所标注的类别为对应的历史营销活动的类别。在某些实施例中,所述活动特征信息可以为向量数据,所述样本数据可以为已标注类别的向量数据。
在一种实施方式中,所述预设的聚类算法可以为层次聚类算法,活动推荐装置在据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别时,可以计算每个历史营销活动的活动特征信息与每个样本数据之间的距离,并将最小距离的样本数据与活动特征信息进行合并,并确定为同一个类别,重新计算合并后的数据与每个样本数据之间的距离,将最小距离的样本数据与合并后的数据进行合并,并确定为同一个类别,如此循环计算,确定出最后合并得到的所有的样本数据所属的该同一个类别为对应的历史营销活动的类别。
S104:获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别。
本发明实施例中,活动推荐装置可以获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别。
在一个实施例中,活动推荐装置在根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度时,可以对所述目标营销活动信息进行分词处理,得到所述目标营销活动信息的第一词向量;对所述各个历史营销活动信息进行分词处理,得到所述各个历史营销活动信息的第二词向量;根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离,并根据所述距离确定所述目标营销活动与各个历史营销活动之间的相似度。
在某些实施例中,所述预设的推荐算法包括但不限于如:余弦定理算法、欧几里德距离评价算法、曼哈顿距离评价算法、皮尔逊相关度评价算法、Tanimoto分值等。
在一种实施方式中,所述预设的推荐算法为皮尔逊相关度评价算法;活动推荐装置在根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离时,可以利用皮尔逊相关度评价算法的公式,计算所述第一词向量与各个历史营销活动信息的第二词向量之间的皮尔逊相关系数,通过皮尔逊相关系数的值确定第一词向量与第二词向量之间的距离,其中,所述皮尔逊相关系数越大,第一词向量与第二词向量之间的距离越近。在某些实施例中,所述皮尔逊相关度评价算法的公式如下公式(1)所示:
其中,ρX,Y为皮尔逊相关系数,E为数学期望,cov表示协方差,N表示变量取值的个数,X表示第一词向量,Y表示第二词向量。
在一种实施方式中,所述预设的推荐算法为余弦定理算法;活动推荐装置在根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离时,可以利用余弦定理算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的夹角余弦值,并根据夹角余弦值确定目标营销活动与各历史营销活动之间的相似度。其中,所述夹角余弦值的取值范围为[-1,1],当夹角余弦值为-1时,说明目标营销活动与各历史营销活动不相似,当夹角余弦值为1时,说明目标营销活动与各历史营销活动非常相似,也就是说,随着夹角余弦值的增大,目标营销活动与各历史营销活动的相似度越大。
在一个实施例中,活动推荐装置在确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别时,可以确定最大距离对应的历史营销活动的类别为所述目标营销活动的类别。
S105:确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
本发明实施例中,活动推荐装置可以确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
在一个实施例中,活动推荐装置在根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户时,可以根据所述候选客户信息确定一个或多个候选客户的历史行为数据,并根据每个候选客户的历史行为数据确定所述每个候选客户的活动偏好值;确定所述活动偏好值大于预设阈值的一个或多个候选客户为所述目标营销活动的类别对应的目标客户。在某些实施例中,所述历史行为数据包括但不限于点击次数、访问时长、登录次数、评论次数等。
在一个实施例中,活动推荐装置在根据所述每个候选客户的历史行为数据确定所述每个候选客户的活动偏好值时,可以根据预设规则对每个候选客户的历史行为数据中每种活动的各个行为数据进行加权运算,并根据每种活动中各个行为数据的加权值确定各个候选客户在每种活动中的活动偏好值。
在一种实施方式中,活动推荐装置在根据预设规则对每个候选客户的历史行为数据中每种活动的各个行为数据进行加权运算时,可以根据每个候选客户的历史行为数据确定每个候选客户对每种活动的行为数据和权重,并根据每个候选客户对每种活动的行为数据和权重计算得到每种活动中各行为数据的加权值。在某些实施例中,所述每个候选客户对每种活动的权重可以是预先设置,各种活动的权重可以相同,也可以不相同。
在一个示例中,假设候选客户包括候选客户A、候选客户B、候选客户C,历史营销活动的种类包括活动a、活动b、活动c,如果客户A对活动a的点击次数为2、权重为m,客户A对活动b的点击次数为3、权重为n,客户A对活动c的点击次数为1、权重为k,客户B对活动a的点击次数为3、权重为m,客户B对活动b的点击次数为2、权重为n,客户B对活动c的点击次数为2、权重为k,,客户C对活动a的点击次数为2、权重为m,客户C对活动b的点击次数为2、权重为n,客户C对活动c的点击次数为1、权重为k。因此,可以确定活动A的各行为数据的加权值为:2m+3m+2m=7m,活动B的各行为数据的加权值为:3n+2n+2n=7n,活动C的各行为数据的加权值为:k+2k+k=4k。
在一个实施例中,活动推荐装置在向所述目标历史客户对应的客户终端推送所述目标营销活动的活动信息时,可以根据预设的时间周期向标历史客户对应的客户终端推送所述目标营销活动的活动信息。
本发明实施例中,活动推荐装置可以获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。本发明实施例通过这种方式可以满足用户对活动推荐的智能化和自动化需求,提高了活动推荐的效率和准确性。
本发明实施例还提供了一种活动推荐装置,该活动推荐装置用于执行前述任一项所述的方法的单元。具体地,参见图2,图2是本发明实施例提供的一种活动推荐装置的示意框图。本实施例的活动推荐装置包括:获取单元201、第一确定单元202、聚类单元203、第二确定单元204以及推送单元205。
获取单元201,用于获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;
第一确定单元202,用于根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;
聚类单元203,用于根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;
第二确定单元204,用于获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;
推送单元205,用于确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
进一步地,所述第一确定单元202根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息时,具体用于:
对所述多个历史营销活动的活动特征信息和客户特征信息进行标注;
根据标注的各个历史营销活动的活动特征信息和客户特征信息确定所述各个历史营销活动的历史数据信息。
进一步地,所述第一确定单元202对所述多个历史营销活动的活动特征信息和客户特征信息进行标注时,具体用于:
采集已标注活动特征信息和客户特征信息的样本活动信息,并利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型;
将所述多个历史营销活动信息输入所述目标标注模型,得到所述各个历史营销活动的活动特征信息和客户特征信息的标注信息。
进一步地,所述第一确定单元202利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型时,具体用于:
利用所述已标注活动特征信息和客户特征信息的样本活动信息对所述预设的深度学习模型进行训练,得到训练结果;
将所述训练结果中得到的标注信息与已标注的活动特征信息和客户特征信息进行对比,并根据对比结果调整所述预设的深度学习模型的模型参数;
将所述已标注活动特征信息和客户特征信息的样本活动信息输入调整模型参数后的深度学习模型中进行重新训练;
当重新训练得到的标注信息与已标注的活动特征信息和客户特征信息的对比结果满足预设条件时,确定得到所述目标标注模型。
进一步地,所述聚类单元203根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别时,具体用于:
采集样本数据集,所述样本数据集中包括多个样本数据,所述样本数据为已标注类别的活动数据;
随机从所述样本数据集中选取K个样本数据,并计算每个历史营销活动信息的活动特征信息与所述K个样本数据中的各个样本数据之间的距离,K为大于或等于1的正整数;
确定最小距离对应的样本数据所标注的类别为对应的历史营销活动的类别。
进一步地,所述第二确定单元204根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度时,具体用于:
对所述目标营销活动信息进行分词处理,得到所述目标营销活动信息的第一词向量;
对所述各个历史营销活动信息进行分词处理,得到所述各个历史营销活动信息的第二词向量;
根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离,并根据所述距离确定所述目标营销活动与各个历史营销活动之间的相似度。
进一步地,所述推送单元205根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户时,具体用于:
根据所述候选客户信息确定一个或多个候选客户的历史行为数据,并根据每个候选客户的历史行为数据确定所述每个候选客户的活动偏好值;
确定所述活动偏好值大于预设阈值的一个或多个候选客户为所述目标营销活动的类别对应的目标客户。
本发明实施例中,活动推荐装置可以获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。本发明实施例通过这种方式可以满足用户对活动推荐的智能化和自动化需求,提高了活动推荐的效率和准确性。
参见图3,图3是本发明实施例提供的一种计算机设备的示意框图,在某些实施例中,如图3所示的本实施例中的计算机设备可以包括:一个或多个处理器301;一个或多个输入设备302,一个或多个输出设备303和存储器304。上述处理器301、输入设备302、输出设备303和存储器304通过总线305连接。存储器304用于存储计算机程序,所述计算机程序包括程序,处理器301用于执行存储器304存储的程序。其中,处理器301被配置用于调用所述程序执行:
获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;
根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;
根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;
获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;
确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
进一步地,所述处理器301根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息时,具体用于:
对所述多个历史营销活动的活动特征信息和客户特征信息进行标注;
根据标注的各个历史营销活动的活动特征信息和客户特征信息确定所述各个历史营销活动的历史数据信息。
进一步地,所述处理器301对所述多个历史营销活动的活动特征信息和客户特征信息进行标注时,具体用于:
采集已标注活动特征信息和客户特征信息的样本活动信息,并利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型;
将所述多个历史营销活动信息输入所述目标标注模型,得到所述各个历史营销活动的活动特征信息和客户特征信息的标注信息。
进一步地,所述处理器301利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型时,具体用于:
利用所述已标注活动特征信息和客户特征信息的样本活动信息对所述预设的深度学习模型进行训练,得到训练结果;
将所述训练结果中得到的标注信息与已标注的活动特征信息和客户特征信息进行对比,并根据对比结果调整所述预设的深度学习模型的模型参数;
将所述已标注活动特征信息和客户特征信息的样本活动信息输入调整模型参数后的深度学习模型中进行重新训练;
当重新训练得到的标注信息与已标注的活动特征信息和客户特征信息的对比结果满足预设条件时,确定得到所述目标标注模型。
进一步地,所述处理器301根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别时,具体用于:
采集样本数据集,所述样本数据集中包括多个样本数据,所述样本数据为已标注类别的活动数据;
随机从所述样本数据集中选取K个样本数据,并计算每个历史营销活动信息的活动特征信息与所述K个样本数据中的各个样本数据之间的距离,K为大于或等于1的正整数;
确定最小距离对应的样本数据所标注的类别为对应的历史营销活动的类别。
进一步地,所述处理器301根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度时,具体用于:
对所述目标营销活动信息进行分词处理,得到所述目标营销活动信息的第一词向量;
对所述各个历史营销活动信息进行分词处理,得到所述各个历史营销活动信息的第二词向量;
根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离,并根据所述距离确定所述目标营销活动与各个历史营销活动之间的相似度。
进一步地,所述处理器301根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户时,具体用于:
根据所述候选客户信息确定一个或多个候选客户的历史行为数据,并根据每个候选客户的历史行为数据确定所述每个候选客户的活动偏好值;
确定所述活动偏好值大于预设阈值的一个或多个候选客户为所述目标营销活动的类别对应的目标客户。
本发明实施例中,计算机设备可以获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。本发明实施例通过这种方式可以满足用户对活动推荐的智能化和自动化需求,提高了活动推荐的效率和准确性。
应当理解,在本发明实施例中,所称处理器301可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、麦克风等,输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器,并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如,存储器304还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的图1所述的方法实施例中所描述的实现方式,也可执行本发明实施例图2所描述的活动推荐装置的实现方式,在此不再赘述。
本发明实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现图1所对应实施例中描述的活动推荐方法,也可实现本发明图2所对应实施例的活动推荐装置,在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的活动推荐装置的内部存储单元,例如活动推荐装置的硬盘或内存。所述计算机可读存储介质也可以是所述活动推荐装置的外部存储装置,例如所述活动推荐装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述活动推荐装置的内部存储单元也包括外部存储装置。所述计算机可读存储介质用于存储所述计算机程序以及所述活动推荐装置所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。所述的计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
需要强调的是,为进一步保证上述数据的私密和安全性,上述数据还可以存储于一区块链的节点中。其中,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。
以上所述,仅为本发明的部分实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于聚类算法的活动推荐方法,其特征在于,包括:
获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;
根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;
根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;
获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;
确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,包括:
对所述多个历史营销活动的活动特征信息和客户特征信息进行标注;
根据标注的各个历史营销活动的活动特征信息和客户特征信息确定所述各个历史营销活动的历史数据信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个历史营销活动的活动特征信息和客户特征信息进行标注,包括:
采集已标注活动特征信息和客户特征信息的样本活动信息,并利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型;
将所述多个历史营销活动信息输入所述目标标注模型,得到所述各个历史营销活动的活动特征信息和客户特征信息的标注信息。
4.根据权利要求3所述的方法,其特征在于,所述利用所述已标注活动特征信息和客户特征信息的样本活动信息对预设的深度学习模型进行训练得到目标标注模型,包括:
利用所述已标注活动特征信息和客户特征信息的样本活动信息对所述预设的深度学习模型进行训练,得到训练结果;
将所述训练结果中得到的标注信息与已标注的活动特征信息和客户特征信息进行对比,并根据对比结果调整所述预设的深度学习模型的模型参数;
将所述已标注活动特征信息和客户特征信息的样本活动信息输入调整模型参数后的深度学习模型中进行重新训练;
当重新训练得到的标注信息与已标注的活动特征信息和客户特征信息的对比结果满足预设条件时,确定得到所述目标标注模型。
5.根据权利要求1所述的方法,其特征在于,所述根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别,包括:
采集样本数据集,所述样本数据集中包括多个样本数据,所述样本数据为已标注类别的活动数据;
随机从所述样本数据集中选取K个样本数据,并计算每个历史营销活动信息的活动特征信息与所述K个样本数据中的各个样本数据之间的距离,K为大于或等于1的正整数;
确定最小距离对应的样本数据所标注的类别为对应的历史营销活动的类别。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,包括:
对所述目标营销活动信息进行分词处理,得到所述目标营销活动信息的第一词向量;
对所述各个历史营销活动信息进行分词处理,得到所述各个历史营销活动信息的第二词向量;
根据预设的推荐算法计算所述第一词向量与各个历史营销活动信息的第二词向量之间的距离,并根据所述距离确定所述目标营销活动与各个历史营销活动之间的相似度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,包括:
根据所述候选客户信息确定一个或多个候选客户的历史行为数据,并根据每个候选客户的历史行为数据确定所述每个候选客户的活动偏好值;
确定所述活动偏好值大于预设阈值的一个或多个候选客户为所述目标营销活动的类别对应的目标客户。
8.一种活动推荐装置,其特征在于,包括:
获取单元,用于获取多个历史营销活动信息,所述多个历史营销活动信息包括多个历史营销活动的活动特征信息和客户特征信息;
第一确定单元,用于根据所述多个历史营销活动的活动特征信息和客户特征信息确定各个历史营销活动的历史数据信息,所述历史数据信息包括历史活动信息与历史客户信息的对应关系;
聚类单元,用于根据预设的聚类算法和所述历史数据信息对所述各个历史营销活动信息进行聚类,确定出各个历史营销活动的类别;
第二确定单元,用于获取目标营销活动信息,并根据所述目标营销活动信息确定目标营销活动与各个历史营销活动的相似度,以及确定最大相似度对应的历史营销活动的类别为所述目标营销活动的类别;
推送单元,用于确定与所述目标营销活动的类别对应的候选客户信息,根据所述候选客户信息确定一个或多个候选客户的活动偏好值,根据所述活动偏好值确定目标客户,并向所述目标客户推送所述目标营销活动的活动信息。
9.一种计算机设备,其特征在于,包括处理器、存储器,其中,所述存储器用于存储计算机程序,所述处理器被配置用于调用所述计算机程序,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111167951.4A CN113886697A (zh) | 2021-09-30 | 2021-09-30 | 基于聚类算法的活动推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111167951.4A CN113886697A (zh) | 2021-09-30 | 2021-09-30 | 基于聚类算法的活动推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113886697A true CN113886697A (zh) | 2022-01-04 |
Family
ID=79005322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111167951.4A Pending CN113886697A (zh) | 2021-09-30 | 2021-09-30 | 基于聚类算法的活动推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113886697A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196787A (zh) * | 2023-10-08 | 2023-12-08 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN117593044A (zh) * | 2024-01-18 | 2024-02-23 | 青岛网信信息科技有限公司 | 一种双角度的营销活动效果预测方法、介质及系统 |
-
2021
- 2021-09-30 CN CN202111167951.4A patent/CN113886697A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196787A (zh) * | 2023-10-08 | 2023-12-08 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN117196787B (zh) * | 2023-10-08 | 2024-05-07 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN117593044A (zh) * | 2024-01-18 | 2024-02-23 | 青岛网信信息科技有限公司 | 一种双角度的营销活动效果预测方法、介质及系统 |
CN117593044B (zh) * | 2024-01-18 | 2024-05-31 | 青岛网信信息科技有限公司 | 一种双角度的营销活动效果预测方法、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN111371767B (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
CN108269122B (zh) | 广告的相似度处理方法和装置 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN113886697A (zh) | 基于聚类算法的活动推荐方法、装置、设备及存储介质 | |
CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
CN113570391A (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 | |
CN115687790B (zh) | 基于大数据的广告推送方法、系统及云平台 | |
CN113656586B (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
CN112632275B (zh) | 基于个人文本信息的人群聚类数据处理方法、装置及设备 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN115204971A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114463590A (zh) | 信息处理方法、装置、设备、存储介质及程序产品 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
Babar et al. | Real-time fake news detection using big data analytics and deep neural network | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113435741A (zh) | 培训计划生成方法、装置、设备及存储介质 | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 |
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 |