CN114329213A - 基于用户行为的电商平台优化方法、装置、设备及介质 - Google Patents
基于用户行为的电商平台优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114329213A CN114329213A CN202111654189.2A CN202111654189A CN114329213A CN 114329213 A CN114329213 A CN 114329213A CN 202111654189 A CN202111654189 A CN 202111654189A CN 114329213 A CN114329213 A CN 114329213A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- behavior
- portrait
- data
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于用户行为的电商平台优化方法、装置、设备及介质,方法包括:可采集每一用户终端对应的用户行为数据,并从中提取每一用户终端对应的行为特征信息,根据用户画像模型对每一行为特征信息分别进行用户画像得到对应的用户画像信息,对用户画像信息及用户行为数据进行关联统计得到关联统计结果,根据优化策略配置表获取关联统计结果对应的平台优化策略。本发明属于人工智能技术领域,对用户行为数据进行分析以获取用户画像信息,对用户画像信息及用户行为数据进行管理统计并获取与关联统计结果对应的平台优化策略,基于用户行为数据进行用户画像以区分用户,根据不同用户群针对性地获取平台优化策略,提高了对电商平台进行优化的效率。
Description
技术领域
本发明涉及人工智能的技术领域,尤其涉及一种基于用户行为的电商平台优化方法、装置、设备及介质。
背景技术
随着互联网技术的快速发展,电商平台在消费领域占有越来越重要的地位,电子商务系统可将企业、经销商、消费者、银行、政府等不同角色的使用者进行高效对接,电商平台在使用过程中需要不断进行优化调整,从而使功能更加全面、各模块之间协调更加流畅,以提高电商平台的服务效率。传统技术方法均是设计者根据用户的反馈对电商平台进行对应优化调整,然而不同用户群的使用行为存在区别,且不同用户群对于电商平台的评价也存在明显差异,现有技术方法在对电商平台进行功能优化过程中并未根据不同用户群进行针对性优化,导致对电商平台进行优化的针对性不强,优化效率较低。因此,现有技术方法中存在对电商平台优化的效率较低的问题。
发明内容
本发明实施例提供了一种基于用户行为的电商平台优化方法、装置、设备及介质,旨在解决现有技术方法中所存在的对电商平台优化的效率较低的问题。
第一方面,本发明实施例提供了一种基于用户行为的电商平台优化方法,其包括:
若到达预置的数据采集时间点,从每一所述用户终端采集得到对应的用户行为数据;
根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息;
根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息;
对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果;
根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略。
第二方面,本发明实施例提供了一种基于用户行为的电商平台优化装置,其包括:
用户行为数据采集单元,用于若到达预置的数据采集时间点,从每一所述用户终端采集得到对应的用户行为数据;
行为特征信息提取单元,用于根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息;
用户画像信息获取单元,用于根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息;
关联统计结果获取单元,用于对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果;
平台优化策略获取单元,用于根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于用户行为的电商平台优化方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于用户行为的电商平台优化方法。
本发明实施例提供了一种基于用户行为的电商平台优化方法、装置、计算机设备及可读存储介质。可采集每一用户终端对应的用户行为数据,并从中提取每一用户终端对应的行为特征信息,根据用户画像模型对每一行为特征信息分别进行用户画像从而得到对应的用户画像信息,对用户画像信息及用户行为数据进行关联统计得到关联统计结果,根据优化策略配置表获取与关联统计结果相匹配的平台优化策略。通过上述方法,可对用户行为数据进行分析以获取用户画像信息,对用户画像信息及用户行为数据进行管理统计并获取与关联统计结果对应的平台优化策略,基于用户行为数据进行用户画像以区分用户,从而根据不同用户群针对性地获取平台优化策略,提高了对电商平台进行优化的效率。
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为本发明实施例提供的基于用户行为的电商平台优化方法的流程示意图;
图2为本发明实施例提供的基于用户行为的电商平台优化方法的应用场景示意图;
图3为本发明实施例提供的基于用户行为的电商平台优化方法的子流程示意图;
图4为本发明实施例提供的基于用户行为的电商平台优化方法的另一子流程示意图;
图5为本发明实施例提供的基于用户行为的电商平台优化方法的又一子流程示意图;
图6为本发明实施例提供的基于用户行为的电商平台优化方法的再一子流程示意图;
图7为本发明实施例提供的基于用户行为的电商平台优化方法的后一子流程示意图;
图8为本发明实施例提供的基于用户行为的电商平台优化方法的另一流程示意图;
图9为本发明实施例提供的基于用户行为的电商平台优化装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1及图2,图1是本发明实施例提供的基于用户行为的电商平台优化方法的流程示意图,图2为本发明实施例提供的基于用户行为的电商平台优化方法的应用场景示意图,该基于用户行为的电商平台优化方法应用于管理服务器10中,管理服务器10与多台用户终端20通过网络连接以进行数据信息的传输,该基于用户行为的电商平台优化方法通过安装于管理服务器10中的应用软件进行执行,管理服务器10即是可执行基于用户行为的电商平台优化方法以对基于用户行为获取电商平台对应优化策略的服务器端,管理服务器10可用于为每一用户终端20提供交易服务,用户终端20即是用于管理服务器10建立网络连接以实现数据信息传输的终端设备,如台式电脑、笔记本电脑、平板电脑或手机等。如图1所示,该方法包括步骤S110~S150。
S110、若到达预置的数据采集时间点,从每一所述用户终端采集得到对应的用户行为数据。
管理服务器内可预先配置数据采集时间点,若到达数据采集时间点,则分别从每一用户终端采集得到用户行为数据,用户行为数据即为用户使用电商平台中各功能模块的数据,用户在用户终端中登录电商平台并进行使用,则用户终端一侧可记录用户的使用痕迹,用户在电商平台中涉及商品买卖交易,则用户终端一侧还可记录用户的交易数据信息,使用痕迹及交易数据信息共同构成用户行为数据。则用户终端一侧可对相应用户行为数据进行记录,到达数据采集时间点,则管理服务器发送数据采集指令至每一用户终端,用户终端根据数据采集指令反馈所存储的用户行为数据至管理服务器,管理服务器即可接收到每一用户终端对应的用户行为数据。
例如,数据采集时间点可配置为每天2:00,则到达每天2:00从每一用户终端中采集一次用户行为数据。
S120、根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息。
可根据行为特征提取规则从采集得到的每一用户终端的用户行为数据中提取对应的行为特征信息,则一份用户行为数据即对应一组行为特征信息,行为特征信息即可用于对相应的用户行为数据中所包含的特征进行具体体现。行为特征提取规则即为从每一用户行为数据中提取行为特征信息的具体规则,行为特征提取规则中包含多个功能模块、多个使用时段及转换公式。
在一实施例中,如图3所示,步骤S120包括子步骤S121、S122和S123。
S121、根据所述特征提取规则中包含的功能模块分别对每一所述用户行为数据的模块使用时长进行统计,得到对应的时长统计信息。
特征提取规则中包含多个功能模块,每一功能模块即为电商平台中用于实现某一项独立功能的模块,每一功能模块可对应多个功能页面,用户行为数据中包含用户进入功能页面的时间点,以及在功能页面之间进行切换的时间点,则可根据特征提取规则中每一功能模块所对应的功能页面,对用户行为数据中当前用户在每一功能模块中的停留时间分别进行统计,也即是统计用户在每一功能模块中的模块使用时长进行统计,从而得到与每一用户行为数据对应的时长统计信息。
S122、根据所述特征提取规则中的使用时段分别对每一所述用户行为数据进行分时段统计,得到对应的时段统计信息。
特征提取规则中还包含多个使用时段,可根据使用时段分别对每一用户行为数据中在相应使用时段内的页面使用时长进行统计,得到对应的时段统计信息。如特征提取规则中包含的使用时段包括:时段A—00:00:01-06:00:00,B—06:00:01-09:00:00,时段C—09:00:01-12:00:00…,则可根据用户在每一功能页面中使用的时间点信息,对用户在各使用时段使用电商平台的时长进行统计,得到对应的时段统计信息。
S123、根据所述特征提取规则中的转换公式对所述时长统计信息及所述时段统计信息进行转换,以得到与每一所述用户行为数据对应的行为特征信息。
特征提取规则中还包括转换公式,转换公式可用于对时长统计信息及时段统计信息进行转换,具体的,时长统计信息及时段统计信息中各项统计值均为数值,则可通过转换公式对数值进行转换处理,从而将统计值转换为对应的特征值,获取与每一统计值对应的特征值即可得到行为特征信息,特征值对应的取值范围可以是[0,1]。
具体的,转换公式可表示为:其中,x为时长统计信息或时段统计信息中的一个统计值,r为与该统计值对应的中间值。例如,与时段C对应的统计值为x=120分钟,与该统计值对应的中间值为r=60分钟,则根据上述转换公式对统计值进行转换后所得到的特征值为0.4174。
在一实施例中,如图4所示,步骤S120还包括子步骤S124和S125。
S124、根据所述特征提取规则中的交易转换公式分别对每一所述用户行为数据中的交易数据信息进行转换,得到对应的交易特征。
用户行为数据中还包括每一用户终端所记录的交易数据信息,则可根据交易转换公式对用户行为数据中的交易数据信息进行转换,其中,交易数据信息包括收入额、支出额、交易总额、平均单笔交易额等数据值,交易转换公式类似上述的转换公式。则可根据交易转换公式分别对每一用户行为数据的交易数据信息中多个数据值进行转换,从而得到对应的交易特征,则交易特征中所包含的特征值数量与交易数据信息所包含的数据值的数量相等。
S125、将所述交易特征添加至与每一所述用户行为数据对应的行为特征信息中。
将所得到的与每一用户行为数据对应的交易特征添加至相应行为特征信息中,从而得到新的行为特征信息,则新生成的行为特征信息中包括交易特征,以及与时长统计信息及时段统计信息对应的特征值,特征值的取值范围可以是[0,1]。
S130、根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息。
可根据用户画像模型对每一行为特征信息分别进行用户画像,经过用户画像即可获取与每一行为特征信息对应的用户画像信息,用户画像信息即可用于对用户的特性进行直观表征,用户画像信息可由多个画像标签组成,同一用户对应的多个画像标签进行组合以共同形成对应用户特征。
在一实施例中,如图5所示,步骤S130包括子步骤S131和S132。
S131、将每一所述行为特征信息分别输入所述用户画像模型,以获取对应的模型输出信息。
具体的,可将每一行为特征信息分别输入用户画像模型,从而通过用户画像模型中节点之间的关联关系对行为特征信息进行关联分析,并得到对应的模型输出信息。其中,用户画像模型可以是基于神经网络所构建的智能画像模型,用户画像模型可由一个输入层、一个或多个中间层及一个输出层组成,输入层与首个中间层之间、中间层与其它相邻中间层之间、末尾中间层与输出层之间均通过关联公式建立关联关系,输入层中包含多个输入节点,每一中间层中包含多个中间节点,输出层中包含多个输出节点,每一关联公式可用于在两个节点之间检录对应的关联关系,关联公式可以是一次函数,一次函数中包含相应的参数值。可将行为特征信息由输出层中所包含的输入节点进行输入,通过模型中关联公式的关联分析后,由输出节点输出对应的模型输出信息。
在使用用户画像模型之前,还可根据预置的训练数据集对用户画像模型进行训练,训练模型的过程也即是对一次函数中的参数值进行调整,如可基于梯度下降规则对用户画像模型进行迭代训练,从而得到训练后的用户画像模型并进行使用。
S132、根据预置的标签筛选规则从每一所述行为特征信息对应的模型输出信息中分别筛选得到对应的画像标签,并确定为与每一所述行为特征信息对应的用户画像信息。
可根据标签筛选规则从每一行为特征信息对应的模型输出信息中筛选得到用户画像信息,具体的,每一输出节点对应一个画像标签,则模型输出信息中包含与每一画像标签对应的输出节点值,输出节点值即为行为特征信息与相应输出节点对应的画像标签之间的匹配度值,匹配度值的范围为[0,1]。具体的,标签筛选规则中可配置筛选比例值,可先计算模型输出信息中所有输出节点值的平均值,将平均值与筛选比例值相乘作为筛选阈值,依次判断每一输出节点值是否大于计算得到的筛选阈值,以从模型输出信息中筛选出大于筛选阈值的输出节点对应的画像标签,并将筛选得到的画像标签作为与行为特征信息对应的用户画像信息,通过上述方法即可依次获取到每一行为特征信息对应的用户画像信息。
S140、对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果。
由于用户画像信息及用户行为数据中数据维度相互独立,为实现对用户画像信息与用户行为数据进行关联分析,可对用户画像信息及用户行为数据进行关联统计,从而得到关联统计结果,关联统计结果可用于体现用户画像信息与用户行为数据之间相关联的特征。
在一实施例中,如图6所示,步骤S140包括子步骤S141和S142。
S141、根据所述用户画像信息及所述用户行为数据之间的关联关系,从所述用户行为数据中分别获取与每一画像标签对应的行为特征数据。
一份用户行为数据与一个用户终端相对于,一个用户终端对应一个用户画像信息,则一份用户行为数据即对应一个用户画像信息,可依据此对应关系建立用户画像信息与用户行为数据之间的关联关系,并根据该关联关系从用户行为数据中分别获取与每一画像标签对应的行为特征数据。具体的,不同用户之间可包含相同画像标签,则可获取每一画像标签所对应用户的用户行为数据,作为与画像标签对应的行为特征数据,行为特征数据中可包含用户的时长统计信息及评价信息,行为特征数据还包括评价信息,时长统计信息即为上述步骤S121中所获取到的信息,评价信息即为用户对相应功能页面进行评价所得到的信息,如对某一功能页面的评价可以是好评或差评。
S142、对每一所述画像标签的行为特征数据中每一功能模块的评价信息分别进行统计,得到每一所述功能模块与每一所述画像标签分别对应的评价统计信息作为对应的关联统计结果。
根据每一画像标签的行为特征数据,对每一功能模块的评价信息分别进行统计,得到每一功能模块与多个画像标签分别对应的评价统计信息,一个画像标签即可体现为一个用户群的集合,也即是获取每一功能模块中每一画像标签对应的评价统计信息,将所得到评价统计信息作为对应的关联统计结果。
S150、根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略。
管理服务器中预先配置有优化策略表,可根据优化策略表获取与关联统计结果相匹配的平台优化策略,从而使平台开发人员能够清楚获取针对不同用户群进行优化的具体策略,以根据相应优化策略对平台进行进一步优化。
在一实施例中,如图7所示,步骤S150包括子步骤S151、S152和S153。
S151、根据所述优化策略配置表中的分级规则分别对所述关联统计结果中每一所述功能模块与每一所述画像标签对应的评价统计信息进行评价分级,以得到每一所述功能模块与每一所述画像标签对应评价等级。
策略配置表中包含分级规则,分级规则可用于对每一所述功能模块与每一所述画像标签对应的评价统计信息进行评价分级,如分级规则中可包含不同等级对应的好评率区间,如分级规则中可包含高、较高、中、较低、低五个等级,每一等级对应一个好评率区间,获取每一所述功能模块与每一所述画像标签对应的好评率,根据好评率所落入的好评率区间确定每一所述功能模块与每一所述画像标签对应的评价等级。
S152、根据每一所述功能模块与每一所述画像标签对应评价等级确定与每一所述功能模块对应的优化方向。
根据每一功能模块与每一画像标签对应的评价等级确定每一功能模块对应的优化方向,如可对评价等级处于中级以上的画像标签从每一功能模块中筛除,得到仅包含中、较低、低三个等级的画像标签,每一功能模块剩余的画像标签即为需要针对特定用户群进行优化的方向,也即可确定每一功能模块对应的优化方向。
S153、从所述优化策略配置表中获取与每一所述功能模块的优化方向对应的优化策略,作为与所述关联统计结果相匹配的平台优化策略。
优化策略配置表中包含与每一功能模块对应的多条优化策略,优化策略可对应不同的画像标签,如优化策略可以是调整界面色调、调整节点处理时限等。可根据每一功能模块的优化方向中包含的画像标签,从优化策略配置表中分别获取与每一功能模块相匹配的优化策略,将每一功能模块的优化策略进行组合后得到平台优化策略。
在一实施例中,如图8所示,步骤S150之后还包括步骤S160。
S160、将所述平台优化策略上传至区块链网络。
获取到平台优化策略后,可基于平台优化策略得到对应的摘要信息,具体来说,摘要信息由平台优化策略进行散列处理得到,比如利用sha256算法处理得到。将摘要信息上传至区块链网络可保证其安全性和对用户的公正透明性。用户设备可以从区块链网络中下载得该摘要信息,以便查证平台优化策略是否被篡改。本示例所指区块链网络是分布式数据存储、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。
在本发明实施例所提供的基于用户行为的电商平台优化方法中,可采集每一用户终端对应的用户行为数据,并从中提取每一用户终端对应的行为特征信息,根据用户画像模型对每一行为特征信息分别进行用户画像从而得到对应的用户画像信息,对用户画像信息及用户行为数据进行关联统计得到关联统计结果,根据优化策略配置表获取与关联统计结果相匹配的平台优化策略。通过上述方法,可对用户行为数据进行分析以获取用户画像信息,对用户画像信息及用户行为数据进行管理统计并获取与关联统计结果对应的平台优化策略,基于用户行为数据进行用户画像以区分用户,从而根据不同用户群针对性地获取平台优化策略,提高了对电商平台进行优化的效率。
本发明实施例还提供一种基于用户行为的电商平台优化装置,该基于用户行为的电商平台优化装置可配置于管理服务器中,该基于用户行为的电商平台优化装置用于执行前述的基于用户行为的电商平台优化方法的任一实施例。具体地,请参阅图9,图9为本发明实施例提供的基于用户行为的电商平台优化装置的示意性框图。
如图9所示,基于用户行为的电商平台优化装置100包括用户行为数据采集单元110、行为特征信息提取单元120、用户画像信息获取单元130、关联统计结果获取单元140和平台优化策略获取单元150。
用户行为数据采集单元110,用于若到达预置的数据采集时间点,从每一所述用户终端采集得到对应的用户行为数据。
行为特征信息提取单元120,用于根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息。
在一具体实施例中,所述行为特征信息提取单元120包括子单元:时长统计信息获取单元,用于根据所述特征提取规则中包含的功能模块分别对每一所述用户行为数据的模块使用时长进行统计,得到对应的时长统计信息;时段统计信息获取单元,用于根据所述特征提取规则中的使用时段分别对每一所述用户行为数据进行分时段统计,得到对应的时段统计信息;转换单元,用于根据所述特征提取规则中的转换公式对所述时长统计信息及所述时段统计信息进行转换,以得到与每一所述用户行为数据对应的行为特征信息。
在一具体实施例中,所述行为特征信息提取单元120还包括子单元:交易特征获取单元,用于根据所述特征提取规则中的交易转换公式分别对每一所述用户行为数据中的交易数据信息进行转换,得到对应的交易特征;交易特征添加单元,用于将所述交易特征添加至与每一所述用户行为数据对应的行为特征信息中。
用户画像信息获取单元130,用于根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息。
在一具体实施例中,所述用户画像信息获取单元130包括子单元:模型输出信息获取单元,用于将每一所述行为特征信息分别输入所述用户画像模型,以获取对应的模型输出信息;模型输出信息筛选单元,用于根据预置的标签筛选规则从每一所述行为特征信息对应的模型输出信息中分别筛选得到对应的画像标签,并确定为与每一所述行为特征信息对应的用户画像信息。
关联统计结果获取单元140,用于对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果。
在一具体实施例中,所述关联统计结果获取单元140包括子单元:特征数据获取单元,用于根据所述用户画像信息及所述用户行为数据之间的关联关系,从所述用户行为数据中分别获取与每一画像标签对应的行为特征数据;统计单元,用于对每一所述画像标签的行为特征数据中每一功能模块的评价信息分别进行统计,得到每一所述功能模块与每一所述画像标签分别对应的评价统计信息作为对应的关联统计结果。
平台优化策略获取单元150,用于根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略。
在一具体实施例中,所述平台优化策略获取单元150包括子单元:评价等级获取单元,用于根据所述优化策略配置表中的分级规则分别对所述关联统计结果中每一所述功能模块与每一所述画像标签对应的评价统计信息进行评价分级,以得到每一所述功能模块与每一所述画像标签对应评价等级;优化方向确定单元,用于根据每一所述功能模块与每一所述画像标签对应评价等级确定与每一所述功能模块对应的优化方向;优化策略匹配单元,用于从所述优化策略配置表中获取与每一所述功能模块的优化方向对应的优化策略,作为与所述关联统计结果相匹配的平台优化策略。
在本发明实施例所提供的基于用户行为的电商平台优化装置应用上述基于用户行为的电商平台优化方法,可采集每一用户终端对应的用户行为数据,并从中提取每一用户终端对应的行为特征信息,根据用户画像模型对每一行为特征信息分别进行用户画像从而得到对应的用户画像信息,对用户画像信息及用户行为数据进行关联统计得到关联统计结果,根据优化策略配置表获取与关联统计结果相匹配的平台优化策略。通过上述方法,可对用户行为数据进行分析以获取用户画像信息,对用户画像信息及用户行为数据进行管理统计并获取与关联统计结果对应的平台优化策略,基于用户行为数据进行用户画像以区分用户,从而根据不同用户群针对性地获取平台优化策略,提高了对电商平台进行优化的效率。
上述基于用户行为的电商平台优化装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于用户行为的电商平台优化方法以对进行基于用户行为的电商平台优化的管理服务器。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于用户行为的电商平台优化方法,其中,存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于用户行为的电商平台优化方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500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。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的基于用户行为的电商平台优化方法中对应的功能。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502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。其中,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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的基于用户行为的电商平台优化方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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,服务器,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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于用户行为的电商平台优化方法,其特征在于,所述方法应用于管理服务器中,所述管理服务器与多台用户终端通过网络连接以进行数据信息的传输,所述方法包括:
若到达预置的数据采集时间点,从每一所述用户终端采集得到对应的用户行为数据;
根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息;
根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息;
对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果;
根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略。
2.根据权利要求1所述的基于用户行为的电商平台优化方法,其特征在于,所述根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息,包括:
根据所述特征提取规则中包含的功能模块分别对每一所述用户行为数据的模块使用时长进行统计,得到对应的时长统计信息;
根据所述特征提取规则中的使用时段分别对每一所述用户行为数据进行分时段统计,得到对应的时段统计信息;
根据所述特征提取规则中的转换公式对所述时长统计信息及所述时段统计信息进行转换,以得到与每一所述用户行为数据对应的行为特征信息。
3.根据权利要求2所述的基于用户行为的电商平台优化方法,其特征在于,所述根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息,还包括:
根据所述特征提取规则中的交易转换公式分别对每一所述用户行为数据中的交易数据信息进行转换,得到对应的交易特征;
将所述交易特征添加至与每一所述用户行为数据对应的行为特征信息中。
4.根据权利要求1所述的基于用户行为的电商平台优化方法,其特征在于,所述根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息,包括:
将每一所述行为特征信息分别输入所述用户画像模型,以获取对应的模型输出信息;
根据预置的标签筛选规则从每一所述行为特征信息对应的模型输出信息中分别筛选得到对应的画像标签,并确定为与每一所述行为特征信息对应的用户画像信息。
5.根据权利要求1所述的基于用户行为的电商平台优化方法,其特征在于,所述对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果,包括:
根据所述用户画像信息及所述用户行为数据之间的关联关系,从所述用户行为数据中分别获取与每一画像标签对应的行为特征数据;
对每一所述画像标签的行为特征数据中每一功能模块的评价信息分别进行统计,得到每一所述功能模块与每一所述画像标签分别对应的评价统计信息作为对应的关联统计结果。
6.根据权利要求1所述的基于用户行为的电商平台优化方法,其特征在于,所述根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略,包括:
根据所述优化策略配置表中的分级规则分别对所述关联统计结果中每一所述功能模块与每一所述画像标签对应的评价统计信息进行评价分级,以得到每一所述功能模块与每一所述画像标签对应评价等级;
根据每一所述功能模块与每一所述画像标签对应评价等级确定与每一所述功能模块对应的优化方向;
从所述优化策略配置表中获取与每一所述功能模块的优化方向对应的优化策略,作为与所述关联统计结果相匹配的平台优化策略。
7.根据权利要求1所述的基于用户行为的电商平台优化方法,其特征在于,所述根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略之后,还包括:
将所述平台优化策略上传至区块链网络。
8.一种基于用户行为的电商平台优化装置,其特征在于,所述装置配置于管理服务器中,所述管理服务器与多台用户终端通过网络连接以进行数据信息的传输,所述装置包括:
用户行为数据采集单元,用于若到达预置的数据采集时间点,从每一所述用户终端采集得到对应的用户行为数据;
行为特征信息提取单元,用于根据预置的行为特征提取规则从每一所述用户终端的用户行为数据中提取得到对应的行为特征信息;
用户画像信息获取单元,用于根据预置的用户画像模型对每一所述行为特征信息分别进行用户画像,以获取与每一所述行为特征信息对应的用户画像信息;
关联统计结果获取单元,用于对所述用户画像信息及所述用户行为数据进行关联统计以得到关联统计结果;
平台优化策略获取单元,用于根据预置的优化策略配置表获取与所述关联统计结果相匹配的平台优化策略。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7中任一项所述的基于用户行为的电商平台优化方法。
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,当所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于用户行为的电商平台优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654189.2A CN114329213B (zh) | 2021-12-30 | 2021-12-30 | 基于用户行为的电商平台优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654189.2A CN114329213B (zh) | 2021-12-30 | 2021-12-30 | 基于用户行为的电商平台优化方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114329213A true CN114329213A (zh) | 2022-04-12 |
CN114329213B CN114329213B (zh) | 2022-08-30 |
Family
ID=81018631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111654189.2A Active CN114329213B (zh) | 2021-12-30 | 2021-12-30 | 基于用户行为的电商平台优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329213B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968291A (zh) * | 2018-09-29 | 2020-04-07 | 中国移动通信集团浙江有限公司 | 一种基于最优树调整应用程序功能菜单的方法及装置 |
CN110991392A (zh) * | 2019-12-17 | 2020-04-10 | Oppo广东移动通信有限公司 | 人群识别方法、装置、终端及存储介质 |
CN111190939A (zh) * | 2019-12-27 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
US20200174775A1 (en) * | 2017-08-21 | 2020-06-04 | JRD Communication (Shenzhen) Ltd. | Application upgrade method of mobile terminal, storage device, and mobile terminal |
CN111459783A (zh) * | 2020-04-03 | 2020-07-28 | 北京字节跳动网络技术有限公司 | 应用程序优化方法、装置、电子设备及存储介质 |
CN112465590A (zh) * | 2020-05-10 | 2021-03-09 | 石伟 | 基于电子商务大数据的用户画像解析方法及系统 |
CN113190267A (zh) * | 2021-05-27 | 2021-07-30 | 上海幻电信息科技有限公司 | 界面布局的动态配置方法与系统 |
-
2021
- 2021-12-30 CN CN202111654189.2A patent/CN114329213B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200174775A1 (en) * | 2017-08-21 | 2020-06-04 | JRD Communication (Shenzhen) Ltd. | Application upgrade method of mobile terminal, storage device, and mobile terminal |
CN110968291A (zh) * | 2018-09-29 | 2020-04-07 | 中国移动通信集团浙江有限公司 | 一种基于最优树调整应用程序功能菜单的方法及装置 |
CN110991392A (zh) * | 2019-12-17 | 2020-04-10 | Oppo广东移动通信有限公司 | 人群识别方法、装置、终端及存储介质 |
CN111190939A (zh) * | 2019-12-27 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
CN111459783A (zh) * | 2020-04-03 | 2020-07-28 | 北京字节跳动网络技术有限公司 | 应用程序优化方法、装置、电子设备及存储介质 |
CN112465590A (zh) * | 2020-05-10 | 2021-03-09 | 石伟 | 基于电子商务大数据的用户画像解析方法及系统 |
CN113190267A (zh) * | 2021-05-27 | 2021-07-30 | 上海幻电信息科技有限公司 | 界面布局的动态配置方法与系统 |
Non-Patent Citations (1)
Title |
---|
胥晓莎, 潘理, 杨勃: "法律咨询网站用户行为分析与服务优化", 《现代计算机》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114329213B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demey et al. | Maximum likelihood estimate of default correlations | |
CN110543565A (zh) | 基于卷积神经网络模型的审计方法、系统和可读存储介质 | |
CN113590603A (zh) | 基于数据源智能选择的数据处理方法、装置、设备及介质 | |
CN110633304B (zh) | 组合特征筛选方法、装置、计算机设备及存储介质 | |
CN111339163B (zh) | 获取用户流失状态的方法、装置、计算机设备和存储介质 | |
CN114329213B (zh) | 基于用户行为的电商平台优化方法、装置、设备及介质 | |
CN113505369B (zh) | 一种时空感知的用户风险识别模型训练的方法及装置 | |
CN112614005B (zh) | 企业复工状态的处理方法和装置 | |
CN115186759A (zh) | 模型训练方法及用户分类方法 | |
CN113688206A (zh) | 基于文本识别的趋势分析方法、装置、设备及介质 | |
Carruthers | A multispecies catch-ratio estimator of relative stock depletion | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN113744042A (zh) | 基于优化Boruta和XGBoost的信贷违约预测方法及系统 | |
Barcelos et al. | City ranking based on financial flux indicator clustering | |
CN113343577A (zh) | 一种参数优化方法、装置、计算机设备及可读存储介质 | |
CN114155038B (zh) | 受疫情影响用户识别方法 | |
CN112734560B (zh) | 变量构造方法、装置、设备及计算机可读存储介质 | |
CN113052456B (zh) | 一种激励因子的确定方法、装置、终端设备和存储介质 | |
Srivastava et al. | PUTWorkbench: Analysing Privacy in AI-intensive Systems | |
CN116542801B (zh) | 一种财务数据分析方法及系统 | |
CN113157872B (zh) | 基于云计算的在线互动话题意图分析方法、服务器及介质 | |
EP4372593A1 (en) | Method and system for anonymizsing data | |
CN110992183B (zh) | 企业交易信息分析方法、装置、计算机设备及存储介质 | |
CN117132117A (zh) | 基于客流分析的经营风险识别方法、装置、设备及介质 | |
CN113205188A (zh) | 一种目标帐号的确定方法、装置、存储介质和电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |