CN115222443A - 客户群体划分方法、装置、设备及存储介质 - Google Patents
客户群体划分方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115222443A CN115222443A CN202210703473.2A CN202210703473A CN115222443A CN 115222443 A CN115222443 A CN 115222443A CN 202210703473 A CN202210703473 A CN 202210703473A CN 115222443 A CN115222443 A CN 115222443A
- Authority
- CN
- China
- Prior art keywords
- group
- user
- users
- classified
- category
- 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
- 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
Abstract
本发明涉及人工智能,提供一种客户群体划分方法、装置、设备及存储介质。该方法获取待分类用户的属性信息,根据属性信息对待分类用户进行聚类处理,得到初始群体,基于初始群体识别每个待分类用户所对应的群体特征,根据标注用户的用户行为及标注类别生成每个群体特征的群体分类模型,采集每个待分类用户的行为信息,基于群体分类模型对行为信息进行识别,得到每个待分类用户所对应的群体类别并合并待分类用户,得到准确的客户群体。此外,本发明还涉及区块链技术,所述群体类别可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种客户群体划分方法、装置、设备及存储介质。
背景技术
为了提升活动体验和转化率,通常需要对用户群体进行潜在客户分析。目前,在对用户群体进行划分时,通常依赖于提前配置好的指标对用户进行分组,而忽略了用户在群体上的特征,导致无法准确的实现群体划分。
发明内容
鉴于以上内容,有必要提供一种客户群体划分方法、装置、设备及存储介质,能够解决无法准确的实现群体划分的技术问题。
一方面,本发明提出一种客户群体划分方法,所述客户群体划分方法包括:
接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息;
根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体;
基于所述多个初始群体识别每个待分类用户所对应的群体特征;
根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型;
采集每个待分类用户在所述预设平台的行为信息;
基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别;
基于所述群体类别合并所述多个待分类用户,得到客户群体。
根据本发明优选实施例,所述根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体包括:
对所述属性信息进行编码处理,得到每个待分类用户的表征向量;
根据所述多个待分类用户的用户数量从所述多个待分类用户中提取多个第一用户,并将所述多个待分类用户中除所述多个第一用户外的其余用户确定为多个第二用户;
对于任意第二用户,根据所述任意第二用户的表征向量及每个第一用户的表征向量计算所述任意第二用户与每个第一用户的用户相似度;
将所述任意第二用户归类至所述用户相似度最高的第一用户所在的类别,得到多个基础群体;
基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体。
根据本发明优选实施例,所述基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体包括:
计算每个基础群体中群体用户的表征向量的平均值作为每个基础群体的群体特征;
基于所述群体特征计算所述多个基础群体中任意两个群体的群体相似度;
基于所述群体相似度合并所述多个基础群体,得到所述多个初始群体。
根据本发明优选实施例,所述基于所述多个初始群体识别每个待分类用户所对应的群体特征包括:
计算每个初始群体中群体用户的表征向量的平均值作为每个初始群体的编码信息;
基于预先训练完成的卷积模型从所述编码信息中提取目标特征;
将与所述目标特征对应的属性因素确定为所述群体特征。
根据本发明优选实施例,所述根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型包括:
对于每个群体特征,从所述预设平台上采集与该群体特征对应的标注用户的埋点信息作为所述用户行为;
对所述用户行为进行事件分类,得到每个标注用户所对应的事件类别;
对于每个事件类别,将该事件类别的标注用户确定为事件用户;
基于所述标注类别统计所述事件用户属于正样本的第一数量,并基于所述标注类别统计所述事件用户属于负样本的第二数量;
基于所述标注类别统计所述多个标注用户属于正样本的第三数量,并统计所述多个标注用户属于负样本的第四数量;
基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度;
根据每个事件类别所对应的用户行为及该用户行为的标注用户所对应的标注类别构建每个事件类别的决策层;
根据所述类别重要度从大至小的顺序拼接所述多个决策层,得到所述群体分类模型。
根据本发明优选实施例,所述基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度包括:
基于所述第三数量及所述第四数量计算目标重要度,若所述第三数量小于所述第四数量,则所述目标重要度的计算公式为:
计算所述目标重要度与每个干扰度的差值,得到每个事件类别的类别重要度。
根据本发明优选实施例,所述基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别包括:
对于每个待分类用户,选取与该待分类用户的群体特征所对应的群体分类模型作为目标分类模型,并将除所述特征分类模型外的群体分类模型确定为多个特征分类模型;
基于所述目标分类模型中的第一决策层识别所述行为信息,得到识别结果;
若所述识别结果不为预设结果,则依据所述类别重要度从所述目标分类模型中选取出第二决策层识别所述行为信息,直至所述目标分类模型中与所述类别重要度最小的终止决策层完成对所述行为信息的识别,或者识别到的结果为所述预设结果,得到所述目标分类模型对该待分类用户的目标预测结果;
基于所述多个特征分类模型对所述行为信息进行识别,得到每个特征分类模型对该待分类用户的特征预测结果;
基于第一预设权值及多个第二预设权值对所述目标预测结果及多个所述特征预测结果进行加权和运算,得到所述群体类别,所述第一预设权值大于所述多个第二预设权值。
另一方面,本发明还提出一种客户群体划分装置,所述客户群体划分装置包括:
获取单元,用于接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息;
聚类单元,用于根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体;
识别单元,用于基于所述多个初始群体识别每个待分类用户所对应的群体特征;
生成单元,用于根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型;
采集单元,用于采集每个待分类用户在所述预设平台的行为信息;
所述识别单元,还用于基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别;
合并单元,用于基于所述群体类别合并所述多个待分类用户,得到客户群体。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述客户群体划分方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述客户群体划分方法。
由以上技术方案可以看出,本发明基于所述属性信息对所述待分类用户进行聚类处理,能够快速的生成所述多个初始群体,进而结合每个待分类用户所对应的群体特征及该待分类用户在所述预设平台上的行为信息,能够准确的检测出所述群体类别,从而提高所述客户群体的划分准确性。
附图说明
图1是本发明客户群体划分方法的较佳实施例的流程图。
图2是本发明客户群体划分装置的较佳实施例的功能模块图。
图3是本发明实现客户群体划分方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明客户群体划分方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述客户群体划分方法可以基于人工智能技术对相关的数据进行获取和处理。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。
所述客户群体划分方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
101,接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息。
在本发明的至少一个实施例中,所述客户群体划分请求可以由预设平台的业务人员触发生成。所述客户群体划分请求中携带有所述多个待分类用户的用户识别码。
在本发明的至少一个实施例中,所述属性信息是指所述多个待分类用户在预设属性因素上所对应的信息,其中,所述预设属性因素可以包括,但不限于:年龄、星座、出生日期、身高、性别及设备型号等。
在本发明的至少一个实施例中,所述电子设备可以从用户信息库中获取所述多个待分类用户的属性信息。
102,根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体。
在本发明的至少一个实施例中,所述多个初始群体是指利用所述属性信息的相似程度对所述多个待分类用户进行初始划分后所得到的群体。
在本发明的至少一个实施例中,所述电子设备根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体包括:
对所述属性信息进行编码处理,得到每个待分类用户的表征向量;
根据所述多个待分类用户的用户数量从所述多个待分类用户中提取多个第一用户,并将所述多个待分类用户中除所述多个第一用户外的其余用户确定为多个第二用户;
对于任意第二用户,根据所述任意第二用户的表征向量及每个第一用户的表征向量计算所述任意第二用户与每个第一用户的用户相似度;
将所述任意第二用户归类至所述用户相似度最高的第一用户所在的类别,得到多个基础群体;
基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体。
其中,所述用户数量可以是所述多个待分类用户的用户总量在预设比例上的数量,例如,所述用户总量为100,所述预设比例为0.1,则所述用户数量为10。所述用户数量通常为大于1的整数。
所述多个第一用户的数量为所述用户数量。
所述用户相似度可以根据所述任意第二用户的表征向量与每个第一用户的表征向量的余弦值计算得到。
通过所述属性信息对所述待分类用户进行编码,能够提高所述表征向量对所述待分类用户的表征全面性,通过所述表征向量能够准确的量化出所述任意第二用户与每个第一用户的用户相似度,从而基于所述用户相似度能够合理的将所述任意第二用户归类至对应的第一用户中,提高所述多个基础群体的准确性,从而提高所述多个初始群体的聚类准确性。
具体地,所述电子设备基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体包括:
计算每个基础群体中群体用户的表征向量的平均值作为每个基础群体的群体特征;
基于所述群体特征计算所述多个基础群体中任意两个群体的群体相似度;
基于所述群体相似度合并所述多个基础群体,得到所述多个初始群体。
其中,所述多个初始群体中任意两个群体的相似度小于预设相似度阈值,所述预设相似度阈值可以根据实际需求设定。
通过所述群体相似度对所述多个基础群体进行合并,能够避免所述多个初始群体中存在相似度过高的群体而造成后续无法准确的提取到群体特征。
103,基于所述多个初始群体识别每个待分类用户所对应的群体特征。
在本发明的至少一个实施例中,所述群体特征是指每个待分类用户所在的初始群体所对应的关键属性因素。
在本发明的至少一个实施例中,所述电子设备基于所述多个初始群体识别每个待分类用户所对应的群体特征包括:
计算每个初始群体中群体用户的表征向量的平均值作为每个初始群体的编码信息;
基于预先训练完成的卷积模型从所述编码信息中提取目标特征;
将与所述目标特征对应的属性因素确定为所述群体特征。
通过上述实施方式,能够剔除无关特征对客户群体划分的影响。
具体地,所述电子设备基于预先训练完成的卷积模型从所述编码信息中提取目标特征包括:
获取所述卷积模型中的模型阈值;
从所述编码信息中获取取值大于所述模型阈值的编码值作为所述目标特征。
104,根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型。
在本发明的至少一个实施例中,所述预设平台可以是任意操作平台,所述预设平台中可以包括多个应用程序。
所述用户行为可以包括所述多个标注用户在所述预设平台中的游戏应用程序上的登录操作等。
所述标注类别可以包括有对某产品的购买潜力等。
所述群体分类模型包括第一决策层及多个第二决策层,其中,所述第一决策层的类别重要度大于所述多个第二决策层的类别重要度。
在本发明的至少一个实施例中,所述电子设备根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型包括:
对于每个群体特征,从所述预设平台上采集与该群体特征对应的标注用户的埋点信息作为所述用户行为;
对所述用户行为进行事件分类,得到每个标注用户所对应的事件类别;
对于每个事件类别,将该事件类别的标注用户确定为事件用户;
基于所述标注类别统计所述事件用户属于正样本的第一数量,并基于所述标注类别统计所述事件用户属于负样本的第二数量;
基于所述标注类别统计所述多个标注用户属于正样本的第三数量,并统计所述多个标注用户属于负样本的第四数量;
基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度;
根据每个事件类别所对应的用户行为及该用户行为的标注用户所对应的标注类别构建每个事件类别的决策层;
根据所述类别重要度从大至小的顺序拼接所述多个决策层,得到所述群体分类模型。
其中,所述事件类别包括登录事件、购买事件、浏览事件等。
所述正样本是指所述标注类别为具有对某产品的购买潜力的用户,所述负样本是指所述标注类别为不具有对某产品的购买潜力的用户。
通过结合所述第一数量、所述第二数量、所述第三数量及所述第四数量能够准确的量化出每个事件类别的类别重要度,进一步依据所述类别重要度对多个决策层进行拼接,能够提高所述群体分类模型的准确性。
具体地,所述电子设备基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度包括:
基于所述第三数量及所述第四数量计算目标重要度,若所述第三数量小于所述第四数量,则所述目标重要度的计算公式为:
计算所述目标重要度与每个干扰度的差值,得到每个事件类别的类别重要度。
通过所述目标重要度与每个干扰度的关系,能够准确的量化出每个事件类别的类别重要度。
具体地,所述电子设备根据每个事件类别所对应的用户行为及该用户行为的标注用户所对应的标注类别构建行为类别映射关系,进而依据所述类别映射关系生成每个事件类别的决策层。
105,采集每个待分类用户在所述预设平台的行为信息。
在本发明的至少一个实施例中,所述行为信息可以基于在所述预设平台上对每个待分类用户进行信息埋点时获取。
106,基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别。
需要强调的是,为进一步保证上述群体类别的私密和安全性,上述群体类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述群体类别是指所述待分类用户所对应的类别,所述群体类别包括对某产品是否有购买潜力。
在本发明的至少一个实施例中,所述电子设备基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别包括:
对于每个待分类用户,选取与该待分类用户的群体特征所对应的群体分类模型作为目标分类模型,并将除所述特征分类模型外的群体分类模型确定为多个特征分类模型;
基于所述目标分类模型中的第一决策层识别所述行为信息,得到识别结果;
若所述识别结果不为预设结果,则依据所述类别重要度从所述目标分类模型中选取出第二决策层识别所述行为信息,直至所述目标分类模型中与所述类别重要度最小的终止决策层完成对所述行为信息的识别,或者识别到的结果为所述预设结果,得到所述目标分类模型对该待分类用户的目标预测结果;
基于所述多个特征分类模型对所述行为信息进行识别,得到每个特征分类模型对该待分类用户的特征预测结果;
基于第一预设权值及多个第二预设权值对所述目标预测结果及多个所述特征预测结果进行加权和运算,得到所述群体类别,所述第一预设权值大于所述多个第二预设权值。
通过设定与所述群体特征对应的目标分类模型的权值大于特征分类模型的权值,能够使得所述目标分类模型对所述群体类别的贡献较大,提高所述群体分类的准确性,同时,由于基于多个所述群体分类模型对待分类模型进行预测,能够结合多个群体分类模型的投票结果,从而进一步地提高所述群体类别的准确性。
107,基于所述群体类别合并所述多个待分类用户,得到客户群体。
在本发明的至少一个实施例中,同一客户群体是指类别相同的待分类用户。
所述客户群体可以包括对某产品具有购买潜力的用户群体,所述客户群体还可以包括对某产品不具有购买潜力的另一个用户群体。
由以上技术方案可以看出,本发明基于所述属性信息对所述待分类用户进行聚类处理,能够快速的生成所述多个初始群体,进而结合每个待分类用户所对应的群体特征及该待分类用户在所述预设平台上的行为信息,能够准确的检测出所述群体类别,从而提高所述客户群体的划分准确性。
如图2所示,是本发明客户群体划分装置的较佳实施例的功能模块图。所述客户群体划分装置11包括获取单元110、聚类单元111、识别单元112、生成单元113、采集单元114及合并单元115。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息。
在本发明的至少一个实施例中,所述客户群体划分请求可以由预设平台的业务人员触发生成。所述客户群体划分请求中携带有所述多个待分类用户的用户识别码。
在本发明的至少一个实施例中,所述属性信息是指所述多个待分类用户在预设属性因素上所对应的信息,其中,所述预设属性因素可以包括,但不限于:年龄、星座、出生日期、身高、性别及设备型号等。
在本发明的至少一个实施例中,所述获取单元110可以从用户信息库中获取所述多个待分类用户的属性信息。
聚类单元111根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体。
在本发明的至少一个实施例中,所述多个初始群体是指利用所述属性信息的相似程度对所述多个待分类用户进行初始划分后所得到的群体。
在本发明的至少一个实施例中,所述聚类单元111根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体包括:
对所述属性信息进行编码处理,得到每个待分类用户的表征向量;
根据所述多个待分类用户的用户数量从所述多个待分类用户中提取多个第一用户,并将所述多个待分类用户中除所述多个第一用户外的其余用户确定为多个第二用户;
对于任意第二用户,根据所述任意第二用户的表征向量及每个第一用户的表征向量计算所述任意第二用户与每个第一用户的用户相似度;
将所述任意第二用户归类至所述用户相似度最高的第一用户所在的类别,得到多个基础群体;
基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体。
其中,所述用户数量可以是所述多个待分类用户的用户总量在预设比例上的数量,例如,所述用户总量为100,所述预设比例为0.1,则所述用户数量为10。所述用户数量通常为大于1的整数。
所述多个第一用户的数量为所述用户数量。
所述用户相似度可以根据所述任意第二用户的表征向量与每个第一用户的表征向量的余弦值计算得到。
通过所述属性信息对所述待分类用户进行编码,能够提高所述表征向量对所述待分类用户的表征全面性,通过所述表征向量能够准确的量化出所述任意第二用户与每个第一用户的用户相似度,从而基于所述用户相似度能够合理的将所述任意第二用户归类至对应的第一用户中,提高所述多个基础群体的准确性,从而提高所述多个初始群体的聚类准确性。
具体地,所述聚类单元111基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体包括:
计算每个基础群体中群体用户的表征向量的平均值作为每个基础群体的群体特征;
基于所述群体特征计算所述多个基础群体中任意两个群体的群体相似度;
基于所述群体相似度合并所述多个基础群体,得到所述多个初始群体。
其中,所述多个初始群体中任意两个群体的相似度小于预设相似度阈值,所述预设相似度阈值可以根据实际需求设定。
通过所述群体相似度对所述多个基础群体进行合并,能够避免所述多个初始群体中存在相似度过高的群体而造成后续无法准确的提取到群体特征。
识别单元112基于所述多个初始群体识别每个待分类用户所对应的群体特征。
在本发明的至少一个实施例中,所述群体特征是指每个待分类用户所在的初始群体所对应的关键属性因素。
在本发明的至少一个实施例中,所述识别单元112基于所述多个初始群体识别每个待分类用户所对应的群体特征包括:
计算每个初始群体中群体用户的表征向量的平均值作为每个初始群体的编码信息;
基于预先训练完成的卷积模型从所述编码信息中提取目标特征;
将与所述目标特征对应的属性因素确定为所述群体特征。
通过上述实施方式,能够剔除无关特征对客户群体划分的影响。
具体地,所述识别单元112基于预先训练完成的卷积模型从所述编码信息中提取目标特征包括:
获取所述卷积模型中的模型阈值;
从所述编码信息中获取取值大于所述模型阈值的编码值作为所述目标特征。
生成单元113根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型。
在本发明的至少一个实施例中,所述预设平台可以是任意操作平台,所述预设平台中可以包括多个应用程序。
所述用户行为可以包括所述多个标注用户在所述预设平台中的游戏应用程序上的登录操作等。
所述标注类别可以包括有对某产品的购买潜力等。
所述群体分类模型包括第一决策层及多个第二决策层,其中,所述第一决策层的类别重要度大于所述多个第二决策层的类别重要度。
在本发明的至少一个实施例中,所述生成单元113根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型包括:
对于每个群体特征,从所述预设平台上采集与该群体特征对应的标注用户的埋点信息作为所述用户行为;
对所述用户行为进行事件分类,得到每个标注用户所对应的事件类别;
对于每个事件类别,将该事件类别的标注用户确定为事件用户;
基于所述标注类别统计所述事件用户属于正样本的第一数量,并基于所述标注类别统计所述事件用户属于负样本的第二数量;
基于所述标注类别统计所述多个标注用户属于正样本的第三数量,并统计所述多个标注用户属于负样本的第四数量;
基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度;
根据每个事件类别所对应的用户行为及该用户行为的标注用户所对应的标注类别构建每个事件类别的决策层;
根据所述类别重要度从大至小的顺序拼接所述多个决策层,得到所述群体分类模型。
其中,所述事件类别包括登录事件、购买事件、浏览事件等。
所述正样本是指所述标注类别为具有对某产品的购买潜力的用户,所述负样本是指所述标注类别为不具有对某产品的购买潜力的用户。
通过结合所述第一数量、所述第二数量、所述第三数量及所述第四数量能够准确的量化出每个事件类别的类别重要度,进一步依据所述类别重要度对多个决策层进行拼接,能够提高所述群体分类模型的准确性。
具体地,所述生成单元113基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度包括:
基于所述第三数量及所述第四数量计算目标重要度,若所述第三数量小于所述第四数量,则所述目标重要度的计算公式为:
计算所述目标重要度与每个干扰度的差值,得到每个事件类别的类别重要度。
通过所述目标重要度与每个干扰度的关系,能够准确的量化出每个事件类别的类别重要度。
具体地,所述生成单元113根据每个事件类别所对应的用户行为及该用户行为的标注用户所对应的标注类别构建行为类别映射关系,进而依据所述类别映射关系生成每个事件类别的决策层。
采集单元114采集每个待分类用户在所述预设平台的行为信息。
在本发明的至少一个实施例中,所述行为信息可以基于在所述预设平台上对每个待分类用户进行信息埋点时获取。
所述识别单元112基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别。
需要强调的是,为进一步保证上述群体类别的私密和安全性,上述群体类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述群体类别是指所述待分类用户所对应的类别,所述群体类别包括对某产品是否有购买潜力。
在本发明的至少一个实施例中,所述识别单元112基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别包括:
对于每个待分类用户,选取与该待分类用户的群体特征所对应的群体分类模型作为目标分类模型,并将除所述特征分类模型外的群体分类模型确定为多个特征分类模型;
基于所述目标分类模型中的第一决策层识别所述行为信息,得到识别结果;
若所述识别结果不为预设结果,则依据所述类别重要度从所述目标分类模型中选取出第二决策层识别所述行为信息,直至所述目标分类模型中与所述类别重要度最小的终止决策层完成对所述行为信息的识别,或者识别到的结果为所述预设结果,得到所述目标分类模型对该待分类用户的目标预测结果;
基于所述多个特征分类模型对所述行为信息进行识别,得到每个特征分类模型对该待分类用户的特征预测结果;
基于第一预设权值及多个第二预设权值对所述目标预测结果及多个所述特征预测结果进行加权和运算,得到所述群体类别,所述第一预设权值大于所述多个第二预设权值。
通过设定与所述群体特征对应的目标分类模型的权值大于特征分类模型的权值,能够使得所述目标分类模型对所述群体类别的贡献较大,提高所述群体分类的准确性,同时,由于基于多个所述群体分类模型对待分类模型进行预测,能够结合多个群体分类模型的投票结果,从而进一步地提高所述群体类别的准确性。
合并单元115基于所述群体类别合并所述多个待分类用户,得到客户群体。
在本发明的至少一个实施例中,同一客户群体是指类别相同的待分类用户。
所述客户群体可以包括对某产品具有购买潜力的用户群体,所述客户群体还可以包括对某产品不具有购买潜力的另一个用户群体。
由以上技术方案可以看出,本发明基于所述属性信息对所述待分类用户进行聚类处理,能够快速的生成所述多个初始群体,进而结合每个待分类用户所对应的群体特征及该待分类用户在所述预设平台上的行为信息,能够准确的检测出所述群体类别,从而提高所述客户群体的划分准确性。
如图3所示,是本发明实现客户群体划分方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如客户群体划分程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,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,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、聚类单元111、识别单元112、生成单元113、采集单元114及合并单元115。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
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。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种客户群体划分方法,所述处理器13可执行所述计算机可读指令从而实现:
接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息;
根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体;
基于所述多个初始群体识别每个待分类用户所对应的群体特征;
根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型;
采集每个待分类用户在所述预设平台的行为信息;
基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别;
基于所述群体类别合并所述多个待分类用户,得到客户群体。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,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,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息;
根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体;
基于所述多个初始群体识别每个待分类用户所对应的群体特征;
根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型;
采集每个待分类用户在所述预设平台的行为信息;
基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别;
基于所述群体类别合并所述多个待分类用户,得到客户群体。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种客户群体划分方法,其特征在于,所述客户群体划分方法包括:
接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息;
根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体;
基于所述多个初始群体识别每个待分类用户所对应的群体特征;
根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型;
采集每个待分类用户在所述预设平台的行为信息;
基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别;
基于所述群体类别合并所述多个待分类用户,得到客户群体。
2.如权利要求1所述的客户群体划分方法,其特征在于,所述根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体包括:
对所述属性信息进行编码处理,得到每个待分类用户的表征向量;
根据所述多个待分类用户的用户数量从所述多个待分类用户中提取多个第一用户,并将所述多个待分类用户中除所述多个第一用户外的其余用户确定为多个第二用户;
对于任意第二用户,根据所述任意第二用户的表征向量及每个第一用户的表征向量计算所述任意第二用户与每个第一用户的用户相似度;
将所述任意第二用户归类至所述用户相似度最高的第一用户所在的类别,得到多个基础群体;
基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体。
3.如权利要求2所述的客户群体划分方法,其特征在于,所述基于每个基础群体中群体用户的表征向量合并所述多个基础群体,得到所述多个初始群体包括:
计算每个基础群体中群体用户的表征向量的平均值作为每个基础群体的群体特征;
基于所述群体特征计算所述多个基础群体中任意两个群体的群体相似度;
基于所述群体相似度合并所述多个基础群体,得到所述多个初始群体。
4.如权利要求2所述的客户群体划分方法,其特征在于,所述基于所述多个初始群体识别每个待分类用户所对应的群体特征包括:
计算每个初始群体中群体用户的表征向量的平均值作为每个初始群体的编码信息;
基于预先训练完成的卷积模型从所述编码信息中提取目标特征;
将与所述目标特征对应的属性因素确定为所述群体特征。
5.如权利要求4所述的客户群体划分方法,其特征在于,所述根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型包括:
对于每个群体特征,从所述预设平台上采集与该群体特征对应的标注用户的埋点信息作为所述用户行为;
对所述用户行为进行事件分类,得到每个标注用户所对应的事件类别;
对于每个事件类别,将该事件类别的标注用户确定为事件用户;
基于所述标注类别统计所述事件用户属于正样本的第一数量,并基于所述标注类别统计所述事件用户属于负样本的第二数量;
基于所述标注类别统计所述多个标注用户属于正样本的第三数量,并统计所述多个标注用户属于负样本的第四数量;
基于所述第一数量、所述第二数量、所述第三数量及所述第四数量计算每个事件类别的类别重要度;
根据每个事件类别所对应的用户行为及该用户行为的标注用户所对应的标注类别构建每个事件类别的决策层;
根据所述类别重要度从大至小的顺序拼接所述多个决策层,得到所述群体分类模型。
7.如权利要求5所述的客户群体划分方法,其特征在于,所述基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别包括:
对于每个待分类用户,选取与该待分类用户的群体特征所对应的群体分类模型作为目标分类模型,并将除所述特征分类模型外的群体分类模型确定为多个特征分类模型;
基于所述目标分类模型中的第一决策层识别所述行为信息,得到识别结果;
若所述识别结果不为预设结果,则依据所述类别重要度从所述目标分类模型中选取出第二决策层识别所述行为信息,直至所述目标分类模型中与所述类别重要度最小的终止决策层完成对所述行为信息的识别,或者识别到的结果为所述预设结果,得到所述目标分类模型对该待分类用户的目标预测结果;
基于所述多个特征分类模型对所述行为信息进行识别,得到每个特征分类模型对该待分类用户的特征预测结果;
基于第一预设权值及多个第二预设权值对所述目标预测结果及多个所述特征预测结果进行加权和运算,得到所述群体类别,所述第一预设权值大于所述多个第二预设权值。
8.一种客户群体划分装置,其特征在于,所述客户群体划分装置包括:
获取单元,用于接收客户群体划分请求,并根据所述客户群体划分请求获取多个待分类用户的属性信息;
聚类单元,用于根据所述属性信息对所述多个待分类用户进行聚类处理,得到多个初始群体;
识别单元,用于基于所述多个初始群体识别每个待分类用户所对应的群体特征;
生成单元,用于根据多个标注用户在预设平台上的用户行为及每个标注用户的标注类别生成每个群体特征的群体分类模型;
采集单元,用于采集每个待分类用户在所述预设平台的行为信息;
所述识别单元,还用于基于所述群体分类模型对所述行为信息进行识别,得到每个待分类用户所对应的群体类别;
合并单元,用于基于所述群体类别合并所述多个待分类用户,得到客户群体。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的客户群体划分方法。
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中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的客户群体划分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703473.2A CN115222443A (zh) | 2022-06-21 | 2022-06-21 | 客户群体划分方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210703473.2A CN115222443A (zh) | 2022-06-21 | 2022-06-21 | 客户群体划分方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222443A true CN115222443A (zh) | 2022-10-21 |
Family
ID=83607051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210703473.2A Pending CN115222443A (zh) | 2022-06-21 | 2022-06-21 | 客户群体划分方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222443A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953166A (zh) * | 2022-12-27 | 2023-04-11 | 鑫恒绅企业服务(无锡)有限公司 | 基于大数据智能匹配的客户信息管理方法及系统 |
CN117172792A (zh) * | 2023-11-02 | 2023-12-05 | 赞塔(杭州)科技有限公司 | 客户信息管理方法及装置 |
-
2022
- 2022-06-21 CN CN202210703473.2A patent/CN115222443A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953166A (zh) * | 2022-12-27 | 2023-04-11 | 鑫恒绅企业服务(无锡)有限公司 | 基于大数据智能匹配的客户信息管理方法及系统 |
CN115953166B (zh) * | 2022-12-27 | 2024-04-02 | 鑫恒绅企业服务(无锡)有限公司 | 基于大数据智能匹配的客户信息管理方法及系统 |
CN117172792A (zh) * | 2023-11-02 | 2023-12-05 | 赞塔(杭州)科技有限公司 | 客户信息管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105115A1 (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN114090794A (zh) | 基于人工智能的事理图谱构建方法及相关设备 | |
CN113722474A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN113139628A (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN113570391A (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN113886697A (zh) | 基于聚类算法的活动推荐方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
CN116628161A (zh) | 答案生成方法、装置、设备及存储介质 | |
CN116503608A (zh) | 基于人工智能的数据蒸馏方法及相关设备 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN115168585A (zh) | 文本主题识别方法、装置、设备及存储介质 | |
CN115169360A (zh) | 基于人工智能的用户意图识别方法及相关设备 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN114238296A (zh) | 产品指标数据展示方法、装置、设备及存储介质 | |
CN113902302A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 |
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 |