CN114090737A - 一种购车阶段的确定方法和装置 - Google Patents
一种购车阶段的确定方法和装置 Download PDFInfo
- Publication number
- CN114090737A CN114090737A CN202111375894.9A CN202111375894A CN114090737A CN 114090737 A CN114090737 A CN 114090737A CN 202111375894 A CN202111375894 A CN 202111375894A CN 114090737 A CN114090737 A CN 114090737A
- Authority
- CN
- China
- Prior art keywords
- user
- stage
- purchasing
- determining
- text
- 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 60
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 105
- 239000013598 vector Substances 0.000 claims description 100
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007477 logistic regression Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000019771 cognition Effects 0.000 claims description 11
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种购车阶段的确定方法和装置,所述方法包括:获取注册用户的线上与线下的行为特征;所述线上与线下的行为特征包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果;根据所述注册用户的线上与线下的行为特征,确定所述注册用户当前所处的购车阶段。通过综合注册用户的大数据获取用户线上与线下的行为特征,以识别用户处于购车决策过程中的哪个阶段,有利于实现按照用户需求向其推送相关信息,从而大幅度提升用户体验。
Description
技术领域
本发明涉及车辆技术领域,特别是涉及一种购车阶段的确定方法和一种购车阶段的确定装置。
背景技术
在汽车数字营销领域中,目前可通过例如企业公众号或者APP(Application,应用程序)等线上方式,或体验店等线下方式向消费用户介绍车辆相关的具体信息,然而并不能基于用户的购车阶段确定用户的实际需求。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种购车阶段的确定方法和相应的一种购车阶段的确定装置。
本发明实施例公开了一种购车阶段的确定方法,所述方法包括:
获取注册用户的线上与线下的行为特征;所述线上与线下的行为特征包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果;
根据所述注册用户的线上与线下的行为特征,确定所述注册用户当前所处的购车阶段。
可选地,所述根据所述用户的线上与线下的行为特征,确定所述用户当前所处的购车阶段,包括:
根据所述用户关注时长确定所述用户当前所处的购车阶段;
其中,所述根据所述用户关注时长确定所述用户当前所处的购车阶段,包括:
获取注册用户注册预设线上程序的注册时间、和/或首次进入线下门店的进店时间、和/或首次创建线索的检索时间,从所述注册时间、所述进店时间以及所述检索时间中确定最小值为所述用户关注的初始时间;
计算从所述用户关注的初始时间至今的用户关注时长,若所述用户关注时长小于预设时长阈值,则确定所述注册用户当前处于初步认知阶段。
可选地,所述根据所述用户的线上与线下的行为特征,确定所述用户当前所处的购车阶段,包括:
根据所述用户关键事件确定所述用户当前所处的购车阶段;
其中,所述用户关键事件包括与试驾相关的用户事件,以及与订单相关的用户事件;所述根据所述用户关键事件确定所述用户当前所处的购车阶段,包括:
获取注册用户的线下行为记录信息,所述线下记录信息包括基于包含针对所述用户关键事件的相关信息进行提取与输出的向量;其中,每个向量与每个用户关键事件一一对应,所述向量的维度用于表示其相应用户关键事件的发生情况;
从所述线下行为记录信息中获取与试驾相关的用户事件相应的试驾向量的维度,以及与订单相关的用户事件相应的订单向量的维度;
若所述试驾向量的维度为预设第一阈值,所述订单向量的维度为预设第二阈值,则确定所述注册用户当前处于评估对比阶段;
若所述试驾向量的维度为预设第一阈值,且所述订单向量的维度为预设第一阈值,则确定所述注册用户当前处于购买决策阶段。
可选地,所述根据所述用户的线上与线下的行为特征,确定所述用户当前所处的购车阶段,包括:
基于所述针对预测所处阶段的概率融合结果,确定所述用户当前所处的购车阶段;所述购车阶段包括初步认知阶段、评估对比阶段以及购买决策阶段;
其中,所述基于所述针对预测所处阶段的概率融合结果,确定所述用户当前所处的购车阶段,包括:
获取注册用户涉及的文本信息以及所述注册用户的行为轨迹;
根据所述注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,以及根据所述注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率;
将所述注册用户在各个购车阶段的文本预测概率与行为预测概率融合,确定融合后预测概率的最高值所对应的阶段为用户当前所处的购车阶段。
可选地,所述根据所述注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,包括:
获取所述注册用户涉及的文本信息的文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合;
采用所述文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,计算得到针对所述注册用户处于各个阶段的预测得分;
分别采用所述注册用户处于某个阶段的预测得分与处于各个阶段的预测得分的比值,得到注册用户在各个购车阶段的文本预测概率。
可选地,所述获取针对不同文本类型的文本标签向量,包括:
采用预先训练得到的bert模型生成针对不同文本类型的文本标签向;其中,所述bert模型为基于与预设线上程序的文章语料、咨询内容与检索内容进行迭代训练得到的语言表征模型;
所述获取针对各个购车阶段的短语向量集合,包括:
获取针对各个购车阶段的人工选择短语集合,并采用所述bert模型基于所述人工选择短语集合输出得到预设数量针对各个购车阶段的模型选择短语集合;
采用所述各个购车阶段的人工选择短语集合与所述各个购车阶段的模型选择短语集合作为针对各个购车阶段的目标短语集合,并采用预先训练得到的bert模型生成针对各个购车阶段的目标短语集合的短语向量集合。
可选地,所述根据所述注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率,包括:
将所述注册用户的行为轨迹作为预先训练的用于预测所在购车阶段的逻辑回归模型的输入项,采用所述预先训练得到的逻辑回归模型输出得到所述注册用户在各个购车阶段的行为预测概率;其中,所述预先训练得到的逻辑回归模型为基于针对注册用户的行为轨迹,与相应的注册用户所处阶段的样本集,以及针对所述样本集中注册用户在各个购车阶段的用户占比进行训练的模型。
本发明实施例还公开了一种购车阶段的确定装置,所述装置包括:
行为特征获取模块,用于获取注册用户的线上与线下的行为特征;所述线上与线下的行为特征包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果;
购车阶段确定模块,用于根据所述注册用户的线上与线下的行为特征,确定所述注册用户当前所处的购车阶段。
可选地,所述购车阶段确定模块包括:
第一购车阶段确定子模块,用于根据所述用户关注时长确定所述用户当前所处的购车阶段;
所述第一购车阶段确定子模块包括:
关注初始时间获取单元,用于获取注册用户注册预设线上程序的注册时间、和/或首次进入线下门店的进店时间、和/或首次创建线索的检索时间,从所述注册时间、所述进店时间以及所述检索时间中确定最小值为所述用户关注的初始时间;
第一购车阶段确定单元,用于计算从所述用户关注的初始时间至今的用户关注时长,若所述用户关注时长小于预设时长阈值,则确定所述注册用户当前处于初步认知阶段。
可选地,所述购车阶段确定模块包括:
第二购车阶段确定子模块,用于根据所述用户关键事件确定所述用户当前所处的购车阶段;
所述第二购车阶段确定子模块包括:
线下行为记录信息获取单元,用于获取注册用户的线下行为记录信息,所述线下记录信息包括基于包含针对所述用户关键事件的相关信息进行提取与输出的向量;其中,每个向量与每个用户关键事件一一对应,所述向量的维度用于表示其相应用户关键事件的发生情况;
向量确定单元,用于从所述线下行为记录信息中获取与试驾相关的用户事件相应的试驾向量的维度,以及与订单相关的用户事件相应的订单向量的维度;
第二购车阶段确定单元,用于在所述试驾向量的维度为预设第一阈值,所述订单向量的维度为预设第二阈值时,确定所述注册用户当前处于评估对比阶段;
第三购车阶段确定单元,用于在所述试驾向量的维度为预设第一阈值,且所述订单向量的维度为预设第一阈值时,确定所述注册用户当前处于购买决策阶段。
可选地,所述购车阶段确定模块包括:
第三购车阶段确定子模块,用于基于所述针对预测所处阶段的概率融合结果,确定所述用户当前所处的购车阶段;所述购车阶段包括初步认知阶段、评估对比阶段以及购买决策阶段。
可选地,所述第三购车阶段确定子模块包括:
行为轨迹获取单元,用于获取注册用户涉及的文本信息以及所述注册用户的行为轨迹;
预测概率确定单元,用于根据所述注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,以及根据所述注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率;
第四购车阶段确定单元,用于将所述注册用户在各个购车阶段的文本预测概率与行为预测概率融合,确定融合后预测概率的最高值所对应的阶段为用户当前所处的购车阶段。
可选地,所述预测概率确定单元包括:
注册用户信息获取子单元,用于获取所述注册用户涉及的文本信息的文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合;
预测得分计算子单元,用于采用所述文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,计算得到针对所述注册用户处于各个阶段的预测得分;
文本预测概率确定子单元,用于分别采用所述注册用户处于某个阶段的预测得分与处于各个阶段的预测得分的比值,得到注册用户在各个购车阶段的文本预测概率。
可选地,所述预测概率确定单元包括:
行为预测概率确定子单元,用于将所述注册用户的行为轨迹作为预先训练的用于预测所在购车阶段的逻辑回归模型的输入项,采用所述预先训练得到的逻辑回归模型输出得到所述注册用户在各个购车阶段的行为预测概率;其中,所述预先训练得到的逻辑回归模型为基于针对注册用户的行为轨迹,与相应的注册用户所处阶段的样本集,以及针对所述样本集中注册用户在各个购车阶段的用户占比进行训练的模型。
本发明实施例还公开了一种车辆,包括:所述购车阶段的确定装置、处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现任一项所述购车阶段的确定方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现任一项所述购车阶段的确定方法的步骤。
本发明实施例包括以下优点:
本发明实施例中,获取注册用户的线上与线下的行为特征,对用户在购车旅程所处的阶段进行判定,其主要可基于用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果进行判定。通过综合注册用户的大数据获取用户线上与线下的行为特征,以识别用户处于购车决策过程中的哪个阶段,有利于确定用户的实际需求,并实现按照用户需求向其推送相关信息,从而大幅度提升用户体验。
附图说明
图1是本发明的一种购车阶段的确定方法实施例的步骤流程图;
图2是本发明实施例提供的用户线上与线下特征的示例图;
图3是本发明的另一种购车阶段的确定方法实施例的步骤流程图;
图4是本发明的一种购车阶段的确定装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
目前可通过例如企业公众号或者APP等线上方式,或体验店等线下方式向消费用户介绍车辆相关的具体信息,注册用户从初步接触厂商车辆到最终决定购买将会经历各种不同的阶段,并在每个阶段可以呈现出不同的线上、下线行为特点,本发明实施例通过综合注册用户的大数据获取用户线上与线下的行为特征,以识别用户处于购车决策过程中的哪个阶段。
参照图1,示出了本发明的一种购车阶段的确定方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取注册用户的线上与线下的行为特征;
注册用户从初步接触厂商车辆到最终决定购买将会经历各种不同的阶段,并在每个阶段可以呈现出不同的线上、下线行为特点,此时可获取注册用户在线上与线下的行为特征,以基于行为特征确定用户当前所处的购车阶段。
注册用户在线上与线下的行为特征可以包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果。
其中,用户关注时长可以指的是用户从初次接触此厂商车辆开始至今的时长,其了解厂商车辆的方式可以包括线上与线下方式;用户关键事件可以指的是用户在线下了解厂商车辆时所触发的一些线下事件,此线下事件可以是用于划分用户所处购车旅程阶段的关键事件,例如用户是否曾经到店、是否预约过试驾等事件;针对预测所处阶段的概率融合结果,可基于至少一种预测概率进行融合得到,其所实现的概率融合主要可将文本预测概率与点击行为预测概率进行融合,即可利用用户涉及的文本预测用户在每个购车旅程阶段的概率,以及融合利用用户的点击行为预测用户处于每个购车旅程阶段的概率对所处购车阶段进行判定。
步骤102,根据注册用户的线上与线下的行为特征,确定注册用户当前所处的购车阶段;
在获取注册用户的线上与线下的行为特征后,可利用所获取的行为特征识别用户处于购车决策过程中的哪个阶段,以对注册用户当前所处的购车阶段进行判定。
用户的购车旅程,即用户所处的购车阶段可包括初步认知、评估对比以及购买决策等阶段,此时可计算用户接触厂商车辆的时长,捕捉用户关键事件,利用该用户涉及的文本计算概率以及利用用户点击行为计算概率,然后利用运营规则及融合机制对用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果进行判定,确定用户所处的购车阶段。
示例性地,参照图2,示出了本发明实施例提供的用户线上与线下特征的示例图,主要通过对用户在线上与线下的行为分析与归纳,将用户的购车旅程划分为初步认知、评估对比、购买决策等阶段。初步认知阶段可以定义为用户处于对品牌、产品特点、车型配置、行业动态、新兴技术及价格的初步了解的阶段,而处于评估对比阶段的用户,主要在进行竞品对比、阅读车辆评测、了解车辆质量等,或伴有试驾等行为;购买决策阶段可以定义为用户处于初步确认购买意向,尝试进行选配,了解售后、金融、保养、贷款、保险、上牌等政策的阶段。
本发明实施例中,获取注册用户的线上与线下的行为特征,对用户在购车旅程所处的阶段进行判定,其主要可基于用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果进行判定。通过综合注册用户的大数据获取用户线上与线下的行为特征,以识别用户处于购车决策过程中的哪个阶段,有利于确定用户的实际需求,并实现按照用户需求向其推送相关信息,从而大幅度提升用户体验。
参照图3,示出了本发明的另一种购车阶段的确定方法实施例的步骤流程图,具体可以包括如下步骤:
步骤301,根据用户关注时长确定用户当前所处的购车阶段;
在本发明实施例中,通过利用运营规则及融合机制对用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果进行判定,确定用户所处的购车阶段。
在本发明的一种实施例中,其运营规则首先可以利用用户关注时长对用户当前所处的购车阶段进行判定,用户关注时长可以指的是用户从初次接触此厂商车辆开始至今的时长,具体可以表现为若用户关注时长小于预设时长阈值,则可以确定注册用户当前处于初步认知阶段,并终止用于判定用户所处购车阶段的运营规则的流程。
用户了解厂商车辆的方式可以包括线上与线下方式,在确定用户关注时长时,可以获取用户在线上和/或线下初次接触厂商车辆的初始时间,计算从用户关注的初始时间至今的用户关注时长。
用户在线上和/或线下初次接触厂商车辆的初始时间,包括注册用户注册预设线上程序的注册时间、和/或首次进入线下门店的进店时间、和/或首次创建线索的检索时间,此时可从注册时间、进店时间以及检索时间中确定最小值为用户关注的初始时间,然后计算用户关注时长。
步骤302,根据用户关键事件确定用户当前所处的购车阶段;
在基于运营规则利用用户关注时长无法确定用户当前所处的购车阶段,即用户关注时长超过预设时长阈值的情况下,可以对用户关键事件进行捕捉,基于运营规则并利用所捕获的用户关键事件,对用户当前所处的购车阶段进行判定。
用户关键事件可以指的是用户在线下了解厂商车辆时所触发的一些线下事件,此线下事件可以是用于划分用户所处购车旅程阶段的关键事件,如图2所示,关键事件可以包括与咨询相关的用户事件,例如用户是否曾经到店、是否与门店销售进行过沟通等,还可以包括与与试驾相关的用户事件,例如是否预约过试驾、是否完成试驾等,还包括包括与订单相关的用户事件,例如是否曾经尝试提交订单等事件。
用户关键事件可通过对注册用户线下行为记录表进行提取得到,具体可以从包含有用户关键事件相关信息的线下行为记录表中进行提取,然后可基于所提取的用户关键事件为每个用户输出一个向量,其中向量的每一维可代表一个关键事件,即每个向量与每个用户关键事件一一对应。在一种优选的实施例中,可以将所输出的向量集合得到针对某个注册用户的线下行为记录信息。
在根据用户关键事件对用户所处购车阶段进行判定的过程中,可获取注册用户的线下行为记录信息,所获取的线下行为记录信息可以包括基于包含针对所述用户关键事件的相关信息进行提取与输出的向量,此时可基于线下行为记录信息中事件相应向量的维度对所处购车阶段进行判定。
向量的维度可以用于表示其相应用户关键事件的发生情况,若用户曾经进行过某一关键事件,则此事件相应向量的维度可以为预设第一阈值,例如1,若用户曾经未进行过某一关键事件,则此事件相应向量的维度可以设为预设第二阈值,例如0。
具体的,在基于事件相应向量的维度判定用户所处购车阶段的过程中,可从线下行为记录信息中获取与试驾相关的用户事件(包括预约试驾事件以及试驾完成事件)相应的试驾向量的维度,以及与订单相关的用户事件(包括订单的提交事件、选配事件等)相应的订单向量的维度,并基于试驾向量的维度和订单向量的维度进行判定。
在一种情况下,若试驾向量的维度为预设第一阈值(例如1),订单向量的维度为预设第二阈值(例如0),即在用户已经预约试驾或者完成试驾,且尚未提交订单时,可以确定注册用户当前处于评估对比阶段,并终止用于判定用户所处购车阶段的运营规则的流程;在另一种情况下,若试驾向量的维度为预设第一阈值,且订单向量的维度为预设第一阈值,即在用户已经完成试驾,且曾经尝试选配或提交订单时,可以确定注册用户当前处于购买决策阶段,并终止用于判定用户所处购车阶段的运营规则的流程;在又一种情况下,若试驾向量的维度和订单向量的维度不满足上述两种情况,则可继续利用运营规则对用户所处的购车阶段进行判定。
步骤303,基于针对预测所处阶段的概率融合结果,确定用户当前所处的购车阶段。
在基于运营规则利用用户关注时长和用户关键事件无法确定用户当前所处的购车阶段的情况下,可以基于运营规则对利用针对预测所处阶段的概率融合结果进行判定,以确定用户当前所处的购车阶段。
针对预测所处阶段的概率融合结果,可通过利用融合机制对基于至少一种预测概率进行融合得到。具体可获取注册用户涉及的文本信息以及注册用户的行为轨迹,并可以根据注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,以及根据注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率,然后可以将注册用户在各个购车阶段的文本预测概率与行为预测概率进行融合,确定融合后预测概率的最高值所对应的阶段为用户当前所处的购车阶段。
在确定文本预测概率时,可利用用户涉及的文本预测用户在每个购车旅程阶段的概率实现,即步骤303可以包括如下子步骤:
S11,获取注册用户涉及的文本信息的相关参数。
具体的,可获取注册用户涉及的文本信息的相关参数,参数可以包括文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,以通过上述所获取的与文本信息的相关参数对注册用户处于各个阶段的预测得分进行计算。
注册用户涉及的文本信息的文本类型,可以是基于用户近15天可能涉及到的文本信息的文本类型,其分别可以是阅读过的文章(为文本类型a),与在线客服咨询的内容(为文本类型b),用户搜索框输入的内容(为文本类型c),门店销售记录中与用户沟通的内容(为文本类型d),并可以对这四类文本分别赋予不同的权重Wa、Wb、Wc、Wd。
其中,针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,均可通过预先训练得到的bert模型实现。
在实际应用中,bert模型可以为基于与预设线上程序的文章语料、咨询内容与检索内容进行迭代训练得到的语言表征模型,示例性地,具体可预先使用开源的语言表征模型bert和网络文章的语料,预训练出一个模型,然后再加入预设线上程序中的所有文章、客服咨询内容、用户搜搜内容等进行迭代训练,以得到最终的预训练模型。
针对不同文本类型的文本标签向量,可采用预先训练得到的bert模型生成。具体的,对于每个用户所涉及到的a、b、d三类文本,首先可通过基于内容标签语义匹配的算法、标题标签匹配算法及规则匹配模型,实现对内容标签进行提取,以生成文本的标签,而c类文本的搜索内容是短文本,此时可以直接对其进行中文切词,并将切词结果作为c类文本的标签,而不需要通过语义匹配等算法对内容标签进行提取;然后可再利用上述预先训练得到的bert模型生成针对前述文本标签的向量表示,并将针对不同文本类型的文本标签向量分别标记为La、Lb、Lc、Ld。
需要说明的是,语言表征模型bert具有深层语义挖掘能力,且在对基于内容标签语义匹配的算法、标题标签匹配算法及规则匹配模型的算法融合的文本标签的提取方式中,可利用bert模型增加全流程的泛化能力。
针对各个购车阶段的短语向量集合,同样可采用预先训练得到的bert模型生成。此时可获取针对各个购车阶段的人工选择短语集合,并采用bert模型基于人工选择短语集合输出得到预设数量针对各个购车阶段的模型选择短语集合,然后采用各个购车阶段的人工选择短语集合与各个购车阶段的模型选择短语集合作为针对各个购车阶段的目标短语集合,并采用预先训练得到的bert模型生成针对各个购车阶段的目标短语集合的短语向量集合。
示例性地,可分别采用“r”、“e”、“i”对各个购车阶段,即初步认知阶段、评估对比阶段以及购买决策阶段进行表示,此时可人工为每个阶段选择20个短语来表征每个阶段的特点,例如对于初步认知阶段,人工选择的短语可以包括“品牌、智能、车型、价格、行业动态”等,然后可以利用预先训练得到的bert模型从四类文本中选择与这20个短语相似度最高的200个短语,并最终每个购车阶段可以由这220个短语来表征,这些短语同样可以利用上述训练好的bert模型生成向量表示,并将针对各个购车阶段的短语向量集合分别标记为Cr、Ce、Ci。
S12,采用文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,得到注册用户在各个购车阶段的文本预测概率。
在本发明的一种实施例中,可通过所获取的与文本信息的相关参数对注册用户处于各个阶段的预测得分进行计算,然后分别采用注册用户处于某个阶段的预测得分与处于各个阶段的预测得分的比值,得到注册用户在各个购车阶段的文本预测概率。
具体的,采用文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,所计算得到的注册用户处于各个阶段的预测得分,可以为:
式中,y可以表示的是所用来预测的用户涉及文本信息的文本类型,y∈{a,b,c,d}表示所预测文本的文本类型在a、b、c、d这四类文本的所属类型,Wy可以表示各个不同类型文本所设置的权重,例如Wa、Wb、Wc、Wd,Ly可以表示的是所预测文本在某个阶段的文本标签向量;x可以表示的是用户涉及文本信息所要预测的购车阶段,x∈{r,e,i}表示的是文本所要预测的购车阶段为初步认知、评估对比以及决策购买阶段的其中阶段,Cx表示的是针对各个购车阶段的短语向量集合,例如Cr、Ce、Ci;α和β可分别是用于预测的文本信息相应的文本标签向量和短语向量,sim为对α和β进行余弦相似度计算,以基于用于预测的文本信息对注册用户在各个阶段的预测得分进行计算,即分别基于文本信息对用户处于初步认识阶段的分数SCOREr,处于评估对比阶段的分数SCOREe,以及处于决策购买阶段的分数SCOREi进行计算。
然后,可以分别采用注册用户处于某个阶段的预测得分与处于各个阶段的预测得分的比值,得到注册用户在各个购车阶段的文本预测概率,具体的基于用户所涉及的文本信息所预测的用户处于各个购车阶段的概率可以为:
式中,P(x)表示注册用户在各个购车阶段的文本预测概率,SCOREx可以为SCOREr、SCOREe或SCOREi。
在确定行为预测概率时,可利用用户的点击行为预测用户处于每个购车旅程阶段的概率实现,即步骤303还可以包括如下子步骤:
S13,将注册用户的行为轨迹作为预先训练的用于预测所在购车阶段的逻辑回归模型的输入项,采用预先训练得到的逻辑回归模型输出得到注册用户在各个购车阶段的行为预测概率。
其中,预先训练得到的逻辑回归模型可以为基于针对注册用户的行为轨迹,与相应的注册用户所处阶段的样本集,以及针对样本集中注册用户在各个购车阶段的用户占比进行训练的模型。
示例性地,可以统计用户近15天点击品牌理念、产品特点、车辆参数、车辆价格、客服、售后服务、金融方案、预约试驾、充电地图、商城、车主权益、预约试驾、车单配置等模块的次数,活跃天数,注册天数等数据,生成用户的点击行为向量;然后可以随机采样5000个用户通过分析这些用户的行为轨迹及特点,并人工标注这些用户目前处于哪个阶段,所得到的最终标注结果显示这三个阶段的用户占比分别约为60%、30%、10%。此时可将前述数据作为基于针对注册用户的行为轨迹,与相应的注册用户所处阶段的样本集,并采用预设回归模型对样本集进行训练,以便后续在确定注册用户的行为概率时能够通过训练完成的逻辑回归模型,预测用户处于每个阶段的概率。其中,用户在各个购车阶段的行为预测概率的概率值可以记为P1(x),x∈{r,e,i}。
在本发明的一种实施例中,在将注册用户在各个购车阶段的文本预测概率与行为预测概率进行融合后,步骤303还可以包括如下子步骤:
S14,将注册用户在各个购车阶段的文本预测概率与行为预测概率进行融合,确定融合后预测概率的最高值所对应的阶段为用户当前所处的购车阶段。
在基于S12计算得到用户在各个购车阶段的文本预测概率P(x),以及基于S13得到用户在各个购车阶段的行为预测概率P1(x)后,可基于运营规则中的融合机制对前述两个预测概率进行融合,其融合计算可以为:
P融合(x)=w·P(x)+w1·P1(x)
式中,w和w1可以为两种预测概率的权重值,x∈{r,e,i}。此时可分别将处于同一购车阶段的文本预测概率和行为预测概率进行融合,然后对分别处于不同购车阶段的融合后的预测概率的值进行比较,将融合后预测概率的最高值所对应的阶段,确定为用户当前所处的购车阶段,并终止用于判定用户所处购车阶段的运营规则的流程,以完成基于概率融合结果对所处购车阶段的判定。
本发明实施例中,通过综合注册用户的大数据获取用户线上与线下的行为特征,以识别用户处于购车决策过程中的哪个阶段,有利于实现按照用户需求向其推送个性化的服务信息,从而大幅度提升用户体验。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图4,示出了本发明的一种购车阶段的确定装置实施例的结构框图,具体可以包括如下模块:
行为特征获取模块401,用于获取注册用户的线上与线下的行为特征;所述线上与线下的行为特征包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果;
购车阶段确定模块402,用于根据所述注册用户的线上与线下的行为特征,确定所述注册用户当前所处的购车阶段。
在本发明的一种实施例中,购车阶段确定模块402可以包括如下子模块:
第一购车阶段确定子模块,用于根据所述用户关注时长确定所述用户当前所处的购车阶段。
在本发明的一种实施例中,第一购车阶段确定子模块可以包括如下单元:
关注初始时间获取单元,用于获取注册用户注册预设线上程序的注册时间、和/或首次进入线下门店的进店时间、和/或首次创建线索的检索时间,从所述注册时间、所述进店时间以及所述检索时间中确定最小值为所述用户关注的初始时间;
第一购车阶段确定单元,用于计算从所述用户关注的初始时间至今的用户关注时长,若所述用户关注时长小于预设时长阈值,则确定所述注册用户当前处于初步认知阶段。
在本发明的一种实施例中,购车阶段确定模块402可以包括如下子模块:
第二购车阶段确定子模块,用于根据所述用户关键事件确定所述用户当前所处的购车阶段。
在本发明的一种实施例中,第二购车阶段确定子模块可以包括如下单元:
线下行为记录信息获取单元,用于获取注册用户的线下行为记录信息,所述线下记录信息包括基于包含针对所述用户关键事件的相关信息进行提取与输出的向量;其中,每个向量与每个用户关键事件一一对应,所述向量的维度用于表示其相应用户关键事件的发生情况;
向量确定单元,用于从所述线下行为记录信息中获取与试驾相关的用户事件相应的试驾向量的维度,以及与订单相关的用户事件相应的订单向量的维度;
第二购车阶段确定单元,用于在所述试驾向量的维度为预设第一阈值,所述订单向量的维度为预设第二阈值时,确定所述注册用户当前处于评估对比阶段;
第三购车阶段确定单元,用于在所述试驾向量的维度为预设第一阈值,且所述订单向量的维度为预设第一阈值时,确定所述注册用户当前处于购买决策阶段。
在本发明的一种实施例中,购车阶段确定模块402可以包括如下子模块:
第三购车阶段确定子模块,用于基于所述针对预测所处阶段的概率融合结果,确定所述用户当前所处的购车阶段;所述购车阶段包括初步认知阶段、评估对比阶段以及购买决策阶段。
在本发明的一种实施例中,第三购车阶段确定子模块可以包括如下单元:
行为轨迹获取单元,用于获取注册用户涉及的文本信息以及所述注册用户的行为轨迹;
预测概率确定单元,用于根据所述注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,以及根据所述注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率;
第四购车阶段确定单元,用于将所述注册用户在各个购车阶段的文本预测概率与行为预测概率融合,确定融合后预测概率的最高值所对应的阶段为用户当前所处的购车阶段。
在本发明的一种实施例中,预测概率确定单元可以包括如下子单元:
注册用户信息获取子单元,用于获取所述注册用户涉及的文本信息的文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合;
预测得分计算子单元,用于采用所述文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,计算得到针对所述注册用户处于各个阶段的预测得分;
文本预测概率确定子单元,用于分别采用所述注册用户处于某个阶段的预测得分与处于各个阶段的预测得分的比值,得到注册用户在各个购车阶段的文本预测概率。
在本发明的一种实施例中,预测概率确定单元可以包括如下子单元:
行为预测概率确定子单元,用于将所述注册用户的行为轨迹作为预先训练的用于预测所在购车阶段的逻辑回归模型的输入项,采用所述预先训练得到的逻辑回归模型输出得到所述注册用户在各个购车阶段的行为预测概率;其中,所述预先训练得到的逻辑回归模型为基于针对注册用户的行为轨迹,与相应的注册用户所处阶段的样本集,以及针对所述样本集中注册用户在各个购车阶段的用户占比进行训练的模型。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种车辆,包括:
包括上述购车阶段的确定装置、处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述购车阶段的确定方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述购车阶段的确定方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种购车阶段的确定方法和一种购车阶段的确定装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种购车阶段的确定方法,其特征在于,所述方法包括:
获取注册用户的线上与线下的行为特征;所述线上与线下的行为特征包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果;
根据所述注册用户的线上与线下的行为特征,确定所述注册用户当前所处的购车阶段。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户的线上与线下的行为特征,确定所述用户当前所处的购车阶段,包括:
根据所述用户关注时长确定所述用户当前所处的购车阶段;
其中,所述根据所述用户关注时长确定所述用户当前所处的购车阶段,包括:
获取注册用户注册预设线上程序的注册时间、和/或首次进入线下门店的进店时间、和/或首次创建线索的检索时间,从所述注册时间、所述进店时间以及所述检索时间中确定最小值为所述用户关注的初始时间;
计算从所述用户关注的初始时间至今的用户关注时长,若所述用户关注时长小于预设时长阈值,则确定所述注册用户当前处于初步认知阶段。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户的线上与线下的行为特征,确定所述用户当前所处的购车阶段,包括:
根据所述用户关键事件确定所述用户当前所处的购车阶段;
其中,所述用户关键事件包括与试驾相关的用户事件,以及与订单相关的用户事件;所述根据所述用户关键事件确定所述用户当前所处的购车阶段,包括:
获取注册用户的线下行为记录信息,所述线下记录信息包括基于包含针对所述用户关键事件的相关信息进行提取与输出的向量;其中,每个向量与每个用户关键事件一一对应,所述向量的维度用于表示其相应用户关键事件的发生情况;
从所述线下行为记录信息中获取与试驾相关的用户事件相应的试驾向量的维度,以及与订单相关的用户事件相应的订单向量的维度;
若所述试驾向量的维度为预设第一阈值,所述订单向量的维度为预设第二阈值,则确定所述注册用户当前处于评估对比阶段;
若所述试驾向量的维度为预设第一阈值,且所述订单向量的维度为预设第一阈值,则确定所述注册用户当前处于购买决策阶段。
4.根据权利要求1所述的方法,其特征在于,所述根据所述用户的线上与线下的行为特征,确定所述用户当前所处的购车阶段,包括:
基于所述针对预测所处阶段的概率融合结果,确定所述用户当前所处的购车阶段;所述购车阶段包括初步认知阶段、评估对比阶段以及购买决策阶段;
其中,所述基于所述针对预测所处阶段的概率融合结果,确定所述用户当前所处的购车阶段,包括:
获取注册用户涉及的文本信息以及所述注册用户的行为轨迹;
根据所述注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,以及根据所述注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率;
将所述注册用户在各个购车阶段的文本预测概率与行为预测概率融合,确定融合后预测概率的最高值所对应的阶段为用户当前所处的购车阶段。
5.根据权利要求4所述的方法,其特征在于,所述根据所述注册用户涉及的文本信息预测注册用户在各个购车阶段的文本预测概率,包括:
获取所述注册用户涉及的文本信息的文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合;
采用所述文本类型、文本类型权重、针对不同文本类型的文本标签向量,以及针对各个购车阶段的短语向量集合,计算得到针对所述注册用户处于各个阶段的预测得分;
分别采用所述注册用户处于某个阶段的预测得分与处于各个阶段的预测得分的比值,得到注册用户在各个购车阶段的文本预测概率。
6.根据权利要求5所述的方法,其特征在于,所述获取针对不同文本类型的文本标签向量,包括:
采用预先训练得到的bert模型生成针对不同文本类型的文本标签向;其中,所述bert模型为基于与预设线上程序的文章语料、咨询内容与检索内容进行迭代训练得到的语言表征模型;
所述获取针对各个购车阶段的短语向量集合,包括:
获取针对各个购车阶段的人工选择短语集合,并采用所述bert模型基于所述人工选择短语集合输出得到预设数量针对各个购车阶段的模型选择短语集合;
采用所述各个购车阶段的人工选择短语集合与所述各个购车阶段的模型选择短语集合作为针对各个购车阶段的目标短语集合,并采用预先训练得到的bert模型生成针对各个购车阶段的目标短语集合的短语向量集合。
7.根据权利要求4或5所述的方法,其特征在于,所述根据所述注册用户的行为轨迹预测注册用户在各个购车阶段的行为预测概率,包括:
将所述注册用户的行为轨迹作为预先训练的用于预测所在购车阶段的逻辑回归模型的输入项,采用所述预先训练得到的逻辑回归模型输出得到所述注册用户在各个购车阶段的行为预测概率;其中,所述预先训练得到的逻辑回归模型为基于针对注册用户的行为轨迹,与相应的注册用户所处阶段的样本集,以及针对所述样本集中注册用户在各个购车阶段的用户占比进行训练的模型。
8.一种购车阶段的确定装置,其特征在于,所述装置包括:
行为特征获取模块,用于获取注册用户的线上与线下的行为特征;所述线上与线下的行为特征包括用户关注时长、用户关键事件以及针对预测所处阶段的概率融合结果;
购车阶段确定模块,用于根据所述注册用户的线上与线下的行为特征,确定所述注册用户当前所处的购车阶段。
9.一种车辆,其特征在于,包括:如权利要求8所述购车阶段的确定装置、处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述购车阶段的确定方法的步骤。
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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述购车阶段的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111375894.9A CN114090737A (zh) | 2021-11-19 | 2021-11-19 | 一种购车阶段的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111375894.9A CN114090737A (zh) | 2021-11-19 | 2021-11-19 | 一种购车阶段的确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114090737A true CN114090737A (zh) | 2022-02-25 |
Family
ID=80302269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111375894.9A Pending CN114090737A (zh) | 2021-11-19 | 2021-11-19 | 一种购车阶段的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114090737A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779788A (zh) * | 2015-11-24 | 2017-05-31 | 北京易车互联信息技术有限公司 | 汽车服务信息推送方法和装置 |
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN110348930A (zh) * | 2018-04-08 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 业务对象数据处理方法、业务对象信息的推荐方法和装置 |
CN113592551A (zh) * | 2021-07-31 | 2021-11-02 | 广州小鹏汽车科技有限公司 | 购车用户行为数据分析处理方法、装置及设备 |
-
2021
- 2021-11-19 CN CN202111375894.9A patent/CN114090737A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779788A (zh) * | 2015-11-24 | 2017-05-31 | 北京易车互联信息技术有限公司 | 汽车服务信息推送方法和装置 |
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN110348930A (zh) * | 2018-04-08 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 业务对象数据处理方法、业务对象信息的推荐方法和装置 |
CN113592551A (zh) * | 2021-07-31 | 2021-11-02 | 广州小鹏汽车科技有限公司 | 购车用户行为数据分析处理方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104781837B (zh) | 用于通过使用基于事件的情绪分析来形成预测的系统和方法 | |
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
CN108268619B (zh) | 内容推荐方法及装置 | |
CN111080123A (zh) | 用户风险评估方法及装置、电子设备、存储介质 | |
CN110263157B (zh) | 一种数据风险预测方法、装置及设备 | |
JP2013517563A (ja) | ユーザ通信の解析システムおよび方法 | |
Olmedilla et al. | Prediction and modelling online reviews helpfulness using 1D Convolutional Neural Networks | |
CN110162609B (zh) | 用于向用户推荐咨询问题的方法及装置 | |
CN114547475B (zh) | 一种资源推荐方法、装置及系统 | |
CN111563156A (zh) | 一种知识点智能诊断的方法、装置、电子设备及存储介质 | |
WO2018042550A1 (ja) | 年収提案システム、年収提案方法及びプログラム | |
CN114911929A (zh) | 分类模型训练方法、文本挖掘方法、设备及存储介质 | |
US20230034820A1 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
CN111612284B (zh) | 数据的处理方法、装置及设备 | |
CN111310065A (zh) | 一种社交推荐方法、装置、服务器及存储介质 | |
CN111428506A (zh) | 实体分类方法、实体分类装置和电子设备 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN113988195A (zh) | 一种私域流量线索挖掘方法、装置、车辆、可读介质 | |
CN113590945A (zh) | 一种基于用户借阅行为-兴趣预测的图书推荐方法和装置 | |
CN116049411B (zh) | 一种信息匹配方法、装置、设备和可读存储介质 | |
EP3267376A1 (en) | Computer-implemented system and method for providing contextually relevant servicing | |
CN116503092A (zh) | 用户留资意向识别方法、装置、电子设备及存储介质 | |
CN114090737A (zh) | 一种购车阶段的确定方法和装置 | |
CN112035740B (zh) | 项目使用时长预测方法、装置、设备及存储介质 | |
Wang et al. | A Machine Learning-based Course Enrollment Recommender System. |
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 |