CN115408589B - 一种客户类型匹配方法及系统 - Google Patents

一种客户类型匹配方法及系统 Download PDF

Info

Publication number
CN115408589B
CN115408589B CN202211065430.2A CN202211065430A CN115408589B CN 115408589 B CN115408589 B CN 115408589B CN 202211065430 A CN202211065430 A CN 202211065430A CN 115408589 B CN115408589 B CN 115408589B
Authority
CN
China
Prior art keywords
record
consumption
browsing
user
commodity type
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.)
Active
Application number
CN202211065430.2A
Other languages
English (en)
Other versions
CN115408589A (zh
Inventor
陈琰
卫路云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Smart Insurance Technology Co ltd
Original Assignee
Smart City Power Shenzhen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Smart City Power Shenzhen Technology Co ltd filed Critical Smart City Power Shenzhen Technology Co ltd
Priority to CN202211065430.2A priority Critical patent/CN115408589B/zh
Publication of CN115408589A publication Critical patent/CN115408589A/zh
Application granted granted Critical
Publication of CN115408589B publication Critical patent/CN115408589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明提出一种客户类型匹配方法及系统，通过从数据库读取用户的浏览记录和消费记录，所述浏览记录包括用户浏览商品的时间和所浏览商品的信息，所述消费记录包括用户购买商品的时间和所购买商品的信息，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量，以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数以及浏览记录关联性指数，根据所述消费记录关联性指数以及所述浏览记录关联性指数匹配所述用户所属的客户类型，能够简单高效地确定电子商务平台的用户所属的客户类型。

Description

一种客户类型匹配方法及系统
技术领域
本发明涉及电子商务技术领域，特别涉及一种客户类型匹配方法及系统。
背景技术
访问流量是电子商务平台维系运营的重要基础和获客的重要来源，电子商务平台的访问流量包含有效流量和无效流量，有的电子商务平台日访问量很大，但成交量很小，其根源在于这些电子商务平台没有对用户进行有效管理和引导，白白浪费流量资源。不同类型的客户的消费习惯也会有很大的差异，利用每种类型的客户的消费习惯对其进行有效引导能够促进电子商务平台的成单量，但如何区分不同的客户类型其中最大的难题。传统的电子商务平台通过采用建立用户画像的方式来区分不同的用户，然而用户行为特征和数据特征并非全部都与用户的消费习惯相关，为每个用户建立用户画像对服务器的存储空间和计算资源都会带来极大的压力。
发明内容
本发明正是基于上述问题，提出了一种客户类型匹配方法及系统，能够简单高效地确定电子商务平台的用户所属的客户类型。
有鉴于此，本发明的第一方面提出了一种客户类型匹配方法，包括：
从数据库读取用户的浏览记录和消费记录，所述浏览记录包括用户浏览商品的时间和所浏览商品的信息，所述消费记录包括用户购买商品的时间和所购买商品的信息；
在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量；
以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数以及浏览记录关联性指数；
根据所述消费记录关联性指数以及所述浏览记录关联性指数匹配所述用户所属的客户类型。
进一步的，在上述的客户类型匹配方法中，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量的步骤之前，还包括：
从数据库读取商品分类表；
基于所述商品分类表按预设顺序构建商品类型词典，所述商品类型词典包括商品类型名称及其编号，每个商品类型名称的编号为其在所述商品类型词典中的位置序号。
进一步的，在上述的客户类型匹配方法中，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量的步骤具体包括：
获取所述浏览记录/消费记录对应的浏览日期/消费日期D；
计算所述浏览日期/消费日期D与预设的基准日期D0之间的天数d＝D-D0；
将所述天数d确定为所述获取浏览记录/消费记录对应的时间向量
Figure BDA0003827397630000021
获取所述浏览记录/消费记录对应的商品类型名称；
从所述商品类型词典查询所述商品类型名称的编号s；
将所述编号确定为所述获取浏览记录/消费记录对应的商品类型向量
Figure BDA0003827397630000022
根据所述时间向量和所述商品类型向量得到所述浏览记录/消费记录在所述时间商品类型正交平面上的浏览记录向量/消费记录向量
Figure BDA0003827397630000023
进一步的，在上述的客户类型匹配方法中，以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数的步骤具体包括：
获取用户的消费记录向量
Figure BDA0003827397630000024
其中i＝(1,2,…,mA)，mA为用户的消费记录的数量；
获取预先配置的消费记录统计半径rA；
获取与所述消费记录向量
Figure BDA0003827397630000025
的距离小于所述消费记录统计半径rA的消费记录数量/>
Figure BDA0003827397630000026
其中j＝(1,2,…,mA)，且j≠i，nA[i]<mA；
计算所述用户的消费记录关联性指数
Figure BDA0003827397630000027
进一步的，在上述的客户类型匹配方法中，以所述时间商品类型正交平面上预设半径范围为基数计算用户的浏览记录关联性指数的步骤具体包括：
获取用户的消费记录向量
Figure BDA0003827397630000028
其中i＝(1,2,…,mA)，mA为用户的消费记录的数量；
获取用户的浏览记录向量
Figure BDA0003827397630000029
其中j＝(1,2,…,mB)，mB为用户的浏览记录的数量；
获取预先配置的浏览记录统计半径rB；
获取与所述消费记录向量
Figure BDA0003827397630000031
的距离小于所述浏览记录统计半径rB的浏览记录数量/>
Figure BDA0003827397630000032
其中nB[i]<mB；
计算所述用户的浏览记录关联性指数
Figure BDA0003827397630000033
进一步的，在上述的客户类型匹配方法中，
Figure BDA0003827397630000034
或者
Figure BDA0003827397630000035
进一步的，在上述的客户类型匹配方法中，在获取预先配置的消费记录统计半径rA或获取预先配置的浏览记录统计半径rB的步骤之后，还包括：
获取每个消费记录的商品类型名称以及每个浏览记录的商品类型名称；
将所述商品类型名称输入预先训练好的语义相关度模型计算每两个消费记录向量
Figure BDA0003827397630000036
与/>
Figure BDA0003827397630000037
之间或每个消费记录/>
Figure BDA0003827397630000038
与每个浏览记录/>
Figure BDA0003827397630000039
之间的相关度系数σ[i][j]，使得/>
Figure BDA00038273976300000310
或者
Figure BDA00038273976300000311
进一步的，在上述的客户类型匹配方法中，在获取预先配置的消费记录统计半径rA或获取预先配置的浏览记录统计半径rB的步骤之后，还包括：
获取每个消费记录的商品类型名称以及每个浏览记录的商品类型名称；
将所述商品类型名称输入预先训练好的语义相关度模型计算每两个消费记录向量
Figure BDA00038273976300000312
与/>
Figure BDA00038273976300000313
之间或每个消费记录/>
Figure BDA00038273976300000314
与每个浏览记录/>
Figure BDA00038273976300000315
之间的相关度系数σ[i][j]，使得/>
Figure BDA00038273976300000316
或者
Figure BDA00038273976300000317
Figure BDA00038273976300000318
进一步的，在上述的客户类型匹配方法中，还包括：
以预先配置的消费记录关联性阈值和浏览记录关联性阈值为基础构建四象限空间；
根据每个用户的消费记录关联性指数与浏览记录关联性指数组合落入所述四象限空间中象限区域来匹配所述用户所属的客户类型。
本发明的第二方面提出了一种客户类型匹配系统，包括数据库服务器和应用服务器，所述数据库服务器用于存储浏览记录数据和消费记录数据，所述应用服务器用于根据所述浏览记录数据和消费记录数据匹配客户类型，所述应用服务器包括存储器和处理器，所述处理器用于执行所述存储器存储的计算机程序实现本发明第一方面任一项所述的客户类型匹配方法。
本发明提出一种客户类型匹配方法及系统，通过从数据库读取用户的浏览记录和消费记录，所述浏览记录包括用户浏览商品的时间和所浏览商品的信息，所述消费记录包括用户购买商品的时间和所购买商品的信息，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量，以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数以及浏览记录关联性指数，根据所述消费记录关联性指数以及所述浏览记录关联性指数匹配所述用户所属的客户类型，能够简单高效地确定电子商务平台的用户所属的客户类型。
附图说明
图1是本发明一个实施例提供的一种客户类型匹配方法的流程图；
图2是本发明一个实施例提供的一种客户类型匹配方法的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
下面参照附图来描述根据本发明一些实施方式提供的一种客户类型匹配方法及系统。
如图1所示，本发明的第一方面提出了一种客户类型匹配方法，包括：
从数据库读取用户的浏览记录和消费记录，所述浏览记录包括用户浏览商品的时间和所浏览商品的信息，所述消费记录包括用户购买商品的时间和所购买商品的信息；
在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量；
以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数以及浏览记录关联性指数；
根据所述消费记录关联性指数以及所述浏览记录关联性指数匹配所述用户所属的客户类型。
用户在电子商务平台上的商品浏览行为和商品购买行为往往能够体现用户的消费习惯，因此不同类型的客户的浏览记录和消费记录在在时间商品类型正交平面上表现为不同的分布模式，通过在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量，并计算其消费记录关联性指数以及浏览记录关联性指数，通过该两项指数即可分析得到用户的浏览、消费规律，从而能够快速匹配其所属的客户类型。
在上述的客户类型匹配方法中，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量的步骤之前，还包括：
从数据库读取商品分类表；
基于所述商品分类表按预设顺序构建商品类型词典，所述商品类型词典包括商品类型名称及其编号，每个商品类型名称的编号为其在所述商品类型词典中的位置序号。
具体的，所述按预设顺序构建商品类型词典指的是按照所述商品类型名称在商品分类表中的顺序构建所述商品类型词典。数据库中的商品分类表往往采用多级分类的方式对商品进行分类，所述商品类型名称包括多个分类层级中每一层级的分类名称，例如“鞋子”类别下包含“运动鞋”、“雨鞋”等，其中“鞋子”、“运动鞋”、“雨鞋”均作为所述商品类型名称顺序列入所述商品类型词典中。在一些分类方式中，所述数据库中的商品分类表可能会包含有重复的商品类型名称，例如“鞋子”类别下包含“男鞋”、“女鞋”，而其中在“男鞋”和“女鞋”的下级分类中，均包含有“运动鞋”、“雨鞋”，在本发明一些实施方式的技术方案中，在构建所述商品类型词典时，顺序从所述数据库的商品分类表中读取商品类型名称并赋予其相应的编号后写入所述商品类型词典，当所述商品分类表中出现的重复的商品类型名称，将第一次读取的商品类型名称写入所述商品类型词典，丢弃后续读取到的重复的商品类型名称。采用该实施方式的技术方案，可以以较快的速度构建所述商品类型词典，减少所述商品类型词典中的冗余信息，避免重复商品类型名称对客户类型匹配过程带来的干扰，同时由于相同的商品类型名称一般归属于同一商品分类，丢弃重复的商品类型名称并不会导致出现客户类型匹配错误的问题。
进一步的，在上述的客户类型匹配方法中，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量的步骤具体包括：
获取所述浏览记录/消费记录对应的浏览日期/消费日期D；
计算所述浏览日期/消费日期D与预设的基准日期D0之间的天数d＝D-D0；
将所述天数d确定为所述获取浏览记录/消费记录对应的时间向量
Figure BDA0003827397630000061
获取所述浏览记录/消费记录对应的商品类型名称；
从所述商品类型词典查询所述商品类型名称的编号s；
将所述编号确定为所述获取浏览记录/消费记录对应的商品类型向量
Figure BDA0003827397630000062
根据所述时间向量和所述商品类型向量得到所述浏览记录/消费记录在所述时间商品类型正交平面上的浏览记录向量/消费记录向量
Figure BDA0003827397630000063
采用上述实施方式的技术方案，能够对时间和商品类型这两个评价维度进行快速量化，实现方案简单且能够有效反映用户的消费频率和消费习惯。所述基准日期可以选择一个固定的参考日期，例如2000年1月1日等。优选的，将所述电子商务平台的上线日期确定为所述基准日期，采用该基准日期一方面可以避免对每一个电子商务平台进行基础日期配置，同时可以使用完整的用户浏览记录以及消费记录信息以对用户的客户类型进行匹配，另一方面，采用该基准日期可以使得时间维度和商品类型维度的向量值不会在数量级上存在较大的差异，从而无需对其中任一个维度进行额外的数据处理，即可在所述时间商品类型正交平面上较为直观地体现用户的消费习惯。
在上述的客户类型匹配方法中，以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数的步骤具体包括：
获取用户的消费记录向量
Figure BDA0003827397630000071
其中i＝(1,2,…,mA)，mA为用户的消费记录的数量；
获取预先配置的消费记录统计半径rA；
获取与所述消费记录向量
Figure BDA0003827397630000072
的距离小于所述消费记录统计半径rA的消费记录数量/>
Figure BDA0003827397630000073
其中j＝(1,2,…,mA)，且j≠i，nA[i]<mA；
计算所述用户的消费记录关联性指数
Figure BDA0003827397630000074
在上述的客户类型匹配方法中，以所述时间商品类型正交平面上预设半径范围为基数计算用户的浏览记录关联性指数的步骤具体包括：
获取用户的消费记录向量
Figure BDA0003827397630000075
其中i＝(1,2,…,mA)，mA为用户的消费记录的数量；
获取用户的浏览记录向量
Figure BDA0003827397630000076
其中j＝(1,2,…,mB)，mB为用户的浏览记录的数量；
获取预先配置的浏览记录统计半径rB；
获取与所述消费记录向量
Figure BDA0003827397630000077
的距离小于所述浏览记录统计半径rB的浏览记录数量/>
Figure BDA0003827397630000078
其中nB[i]<mB；
计算所述用户的浏览记录关联性指数
Figure BDA0003827397630000079
在上述的客户类型匹配方法中，
Figure BDA00038273976300000710
或者
Figure BDA00038273976300000711
在上述实施方式的技术方案中，所述消费记录关联性指数以及所述浏览记录关联性指数通过消费记录向量之间、消费记录向量与浏览记录向量之间在所述时间商品类型正交平面上的距离计算得到，因此消费记录关联性指数体现的是用户在电子商务平台上相近型商品的消费频率，浏览记录关联性指数体现的是用户在电子商务平台上浏览的商品类型与购买的商品类型之间的关联性。
进一步的，在上述的客户类型匹配方法中，在获取预先配置的消费记录统计半径rA或获取预先配置的浏览记录统计半径rB的步骤之后，还包括：
获取每个消费记录的商品类型名称以及每个浏览记录的商品类型名称；
将所述商品类型名称输入预先训练好的语义相关度模型计算每两个消费记录向量
Figure BDA0003827397630000081
与/>
Figure BDA0003827397630000082
之间或每个消费记录/>
Figure BDA0003827397630000083
与每个浏览记录/>
Figure BDA0003827397630000084
之间的相关度系数σ[i][j]，使得/>
Figure BDA0003827397630000085
或者
Figure BDA0003827397630000086
商品类型名称在所述商品类型词典上的位置序号并不能完全体现商品类型之间的相关度，例如一个大类的最后一个小类与相邻的另一个大类的第一个小类在所述商品类型词典上的位置序号相近，但其并不一定具备相关性。在上述实施方式的技术方案中，使用预先训练好的语义相关度模型计算商品类型名称之间的相关度系数，利用所述相关度系数修正两个向量在商品类型维度上的距离，以避免引入不准确的分类结果。
进一步的，在上述的客户类型匹配方法中，在获取预先配置的消费记录统计半径rA或获取预先配置的浏览记录统计半径rB的步骤之后，还包括：
获取每个消费记录的商品类型名称以及每个浏览记录的商品类型名称；
将所述商品类型名称输入预先训练好的语义相关度模型计算每两个消费记录向量
Figure BDA0003827397630000087
与/>
Figure BDA0003827397630000088
之间或每个消费记录/>
Figure BDA0003827397630000089
与每个浏览记录/>
Figure BDA00038273976300000810
之间的相关度系数σ[i][j]，使得/>
Figure BDA00038273976300000811
或者
Figure BDA00038273976300000812
Figure BDA00038273976300000813
进一步的，在上述的客户类型匹配方法中，还包括：
以预先配置的消费记录关联性阈值和浏览记录关联性阈值为基础构建四象限空间；
根据每个用户的消费记录关联性指数与浏览记录关联性指数组合落入所述四象限空间中象限区域来匹配所述用户所属的客户类型。
如图2所示，以所述消费记录关联性阈值为IA0，所述浏览记录关联性阈值为IB0为基础，将所述时间商品类型正交平面划分为四个象限Q1、Q2、Q3以及Q4，每个象限分别对应用户的消费记录关联性指数与浏览记录关联性指数落入不同的数值范围，从而能够快速对其所属的客户类型进行划分。
本发明的第二方面提出了一种客户类型匹配系统，包括数据库服务器和应用服务器，所述数据库服务器用于存储浏览记录数据和消费记录数据，所述应用服务器用于根据所述浏览记录数据和消费记录数据匹配客户类型，所述应用服务器包括存储器和处理器，所述处理器用于执行所述存储器存储的计算机程序实现本发明第一方面任一项所述的客户类型匹配方法。
本发明提出一种客户类型匹配方法及系统，通过从数据库读取用户的浏览记录和消费记录，所述浏览记录包括用户浏览商品的时间和所浏览商品的信息，所述消费记录包括用户购买商品的时间和所购买商品的信息，在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量，以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数以及浏览记录关联性指数，根据所述消费记录关联性指数以及所述浏览记录关联性指数匹配所述用户所属的客户类型，能够简单高效地确定电子商务平台的用户所属的客户类型。
应当说明的是，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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种客户类型匹配方法，其特征在于，包括：
从数据库读取用户的浏览记录和消费记录，所述浏览记录包括用户浏览商品的时间和所浏览商品的信息，所述消费记录包括用户购买商品的时间和所购买商品的信息；
在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量；
以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数以及浏览记录关联性指数；
根据所述消费记录关联性指数以及所述浏览记录关联性指数匹配所述用户所属的客户类型；
在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量的步骤之前，还包括：
从数据库读取商品分类表；
基于所述商品分类表按预设顺序构建商品类型词典，所述商品类型词典包括商品类型名称及其编号，每个商品类型名称的编号为其在所述商品类型词典中的位置序号；
在时间商品类型正交平面上构建用户的浏览记录向量和消费记录向量的步骤具体包括：
获取所述浏览记录/消费记录对应的浏览日期/消费日期
Figure QLYQS_1
；
计算所述浏览日期/消费日期
Figure QLYQS_2
与预设的基准日期/>
Figure QLYQS_3
之间的天数/>
Figure QLYQS_4
；
将所述天数
Figure QLYQS_5
确定为所述浏览记录/消费记录对应的时间向量/>
Figure QLYQS_6
；
获取所述浏览记录/消费记录对应的商品类型名称；
从所述商品类型词典查询所述商品类型名称的编号
Figure QLYQS_7
；
将所述编号确定为所述浏览记录/消费记录对应的商品类型向量
Figure QLYQS_8
；
根据所述时间向量和所述商品类型向量得到所述浏览记录/消费记录在所述时间商品类型正交平面上的浏览记录向量/消费记录向量
Figure QLYQS_9
；
以所述时间商品类型正交平面上预设半径范围为基数计算用户的消费记录关联性指数的步骤具体包括：
获取用户的消费记录向量
Figure QLYQS_10
，其中/>
Figure QLYQS_11
，/>
Figure QLYQS_12
为用户的消费记录的数量；
获取预先配置的消费记录统计半径
Figure QLYQS_13
；
获取与消费记录向量
Figure QLYQS_14
的距离小于所述消费记录统计半径/>
Figure QLYQS_15
的消费记录数量
Figure QLYQS_16
，其中/>
Figure QLYQS_17
，且/>
Figure QLYQS_18
，/>
Figure QLYQS_19
；
计算所述用户的消费记录关联性指数
Figure QLYQS_20
；
以所述时间商品类型正交平面上预设半径范围为基数计算用户的浏览记录关联性指数的步骤具体包括：
获取用户的消费记录向量
Figure QLYQS_21
，其中/>
Figure QLYQS_22
，/>
Figure QLYQS_23
为用户的消费记录的数量；
获取用户的浏览记录向量
Figure QLYQS_24
，其中/>
Figure QLYQS_25
，/>
Figure QLYQS_26
为用户的浏览记录的数量；
获取预先配置的浏览记录统计半径
Figure QLYQS_27
；
获取与消费记录向量
Figure QLYQS_28
的距离小于所述浏览记录统计半径/>
Figure QLYQS_29
的浏览记录数量
Figure QLYQS_30
，其中/>
Figure QLYQS_31
；
计算所述用户的浏览记录关联性指数
Figure QLYQS_32
。
2.根据权利要求1所述的客户类型匹配方法，其特征在于，
Figure QLYQS_33
或者
Figure QLYQS_34
。
3.根据权利要求1所述的客户类型匹配方法，其特征在于，在获取预先配置的消费记录统计半径
Figure QLYQS_35
或获取预先配置的浏览记录统计半径/>
Figure QLYQS_36
的步骤之后，还包括：
获取每个消费记录的商品类型名称以及每个浏览记录的商品类型名称；
将所述商品类型名称输入预先训练好的语义相关度模型计算每两个消费记录向量
Figure QLYQS_37
与/>
Figure QLYQS_38
之间或每个消费记录向量/>
Figure QLYQS_39
与每个浏览记录向量/>
Figure QLYQS_40
之间的相关度系数/>
Figure QLYQS_41
，使得/>
Figure QLYQS_42
或者
Figure QLYQS_43
。
4.根据权利要求1所述的客户类型匹配方法，其特征在于，在获取预先配置的消费记录统计半径
Figure QLYQS_44
或获取预先配置的浏览记录统计半径/>
Figure QLYQS_45
的步骤之后，还包括：
获取每个消费记录的商品类型名称以及每个浏览记录的商品类型名称；
将所述商品类型名称输入预先训练好的语义相关度模型计算每两个消费记录向量
Figure QLYQS_46
与/>
Figure QLYQS_47
之间或每个消费记录向量/>
Figure QLYQS_48
与每个浏览记录向量/>
Figure QLYQS_49
之间的相关度系数/>
Figure QLYQS_50
，使得/>
Figure QLYQS_51
或者
Figure QLYQS_52
。
5.根据权利要求1所述的客户类型匹配方法，其特征在于，还包括：
以预先配置的消费记录关联性阈值和浏览记录关联性阈值为基础构建四象限空间；
根据每个用户的消费记录关联性指数与浏览记录关联性指数组合落入所述四象限空间中象限区域来匹配所述用户所属的客户类型。
6.一种客户类型匹配系统，其特征在于，包括数据库服务器和应用服务器，所述数据库服务器用于存储浏览记录数据和消费记录数据，所述应用服务器用于根据所述浏览记录数据和消费记录数据匹配客户类型，所述应用服务器包括存储器和处理器，所述处理器用于执行所述存储器存储的计算机程序实现如权利要求1-5任一项所述的客户类型匹配方法。
CN202211065430.2A 2022-08-31 2022-08-31 一种客户类型匹配方法及系统 Active CN115408589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211065430.2A CN115408589B (zh) 2022-08-31 2022-08-31 一种客户类型匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211065430.2A CN115408589B (zh) 2022-08-31 2022-08-31 一种客户类型匹配方法及系统

Publications (2)

Publication Number Publication Date
CN115408589A CN115408589A (zh) 2022-11-29
CN115408589B true CN115408589B (zh) 2023-06-20

Family

ID=84163602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211065430.2A Active CN115408589B (zh) 2022-08-31 2022-08-31 一种客户类型匹配方法及系统

Country Status (1)

Country Link
CN (1) CN115408589B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU1562402A (en) * 1995-10-31 2002-04-11 Frederick S.M. Herz System for customized electronic identification of desirable objects
CN109447728A (zh) * 2018-09-07 2019-03-08 平安科技（深圳）有限公司 金融产品推荐方法、装置、计算机设备及存储介质
CN112184341A (zh) * 2020-11-10 2021-01-05 电子科技大学 一种基于档案网络的美食推荐方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7827183B2 (en) * 2003-03-19 2010-11-02 Customiser Limited Recognition of patterns in data
CN103325052A (zh) * 2013-07-03 2013-09-25 姚明东 一种基于多维度用户消费倾向建模的商品推荐方法
CN109685537B (zh) * 2017-10-18 2021-02-26 北京京东尚科信息技术有限公司 用户行为的分析方法、装置、介质和电子设备
CN113516539A (zh) * 2021-07-29 2021-10-19 中移（杭州）信息技术有限公司 商品推荐方法、装置及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU1562402A (en) * 1995-10-31 2002-04-11 Frederick S.M. Herz System for customized electronic identification of desirable objects
CN109447728A (zh) * 2018-09-07 2019-03-08 平安科技（深圳）有限公司 金融产品推荐方法、装置、计算机设备及存储介质
CN112184341A (zh) * 2020-11-10 2021-01-05 电子科技大学 一种基于档案网络的美食推荐方法

Also Published As

Publication number Publication date
CN115408589A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN109947909B (zh) 智能客服应答方法、设备、存储介质及装置
CN106021362B (zh) 查询式的图片特征表示的生成、图片搜索方法和装置
JP6177871B2 (ja) 製品情報の公開
CN104699725B (zh) 数据搜索处理方法及系统
WO2018053966A1 (zh) 点击率预估
JP4920023B2 (ja) オブジェクト間競合指標計算方法およびシステム
JP3597370B2 (ja) 文書処理装置および記録媒体
US20100262454A1 (en) System and method for sentiment-based text classification and relevancy ranking
CN110795613B (zh) 商品搜索方法、装置、系统及电子设备
CN116521865A (zh) 一种基于自动识别技术的元数据分类方法、存储介质及系统
CN112632396A (zh) 一种文章推荐方法、装置、电子设备及可读存储介质
CN113313538A (zh) 用户消费能力预测方法、装置、电子设备和存储介质
JPH06119309A (ja) 購入見込み度合予測方法及び顧客管理システム
CN109902129B (zh) 基于大数据分析的保险代理人归类方法及相关设备
CN109740156B (zh) 反馈信息处理方法、装置、电子设备及存储介质
CN115168700A (zh) 一种基于预训练算法的信息流推荐方法、系统及介质
CN111930967B (zh) 一种基于知识图谱的数据查询方法、装置及存储介质
CN115408589B (zh) 一种客户类型匹配方法及系统
US20150142782A1 (en) Method for associating metadata with images
KR102244713B1 (ko) Hs 코드 추천 방법 및 이를 수행하는 서버
CN116933130A (zh) 一种基于大数据的企业行业分类方法、系统、设备及介质
CN104794135A (zh) 一种对搜索结果进行排序的方法和装置
WO2020006834A1 (zh) 金融机构推荐方法、设备、存储介质及装置
CN115730019A (zh) 云产品数据处理方法、装置、电子设备和可读存储介质
CN108985811A (zh) 用于精准营销的方法、装置及电子设备

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
TR01 Transfer of patent right

Effective date of registration: 20231215

Address after: 518000 Nanshan Software Park B2704, Liancheng Community, Nantou Street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Smart Insurance Technology Co.,Ltd.

Address before: Room 1404, West Tower, Digital Cultural Industry Base, Nantou Street, Nanshan District, Shenzhen, Guangdong, 518000

Patentee before: Smart City Power (Shenzhen) Technology Co.,Ltd.

TR01 Transfer of patent right