CN115936802A - 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 - Google Patents

基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115936802A
CN115936802A CN202211488367.3A CN202211488367A CN115936802A CN 115936802 A CN115936802 A CN 115936802A CN 202211488367 A CN202211488367 A CN 202211488367A CN 115936802 A CN115936802 A CN 115936802A
Authority
CN
China
Prior art keywords
user
sequence
behavior
marketing
modeling
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
Application number
CN202211488367.3A
Other languages
English (en)
Inventor
杨波
赵硕
李昕
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.)
Shanghai Xinzhaoyang Information Technology Co ltd
Original Assignee
Shanghai Xinzhaoyang Information 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 Shanghai Xinzhaoyang Information Technology Co ltd filed Critical Shanghai Xinzhaoyang Information Technology Co ltd
Priority to CN202211488367.3A priority Critical patent/CN115936802A/zh
Publication of CN115936802A publication Critical patent/CN115936802A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质。个性化营销方法包括：步骤S1：基于用户行为序列提取用户特征，进而基于用户特征对用户进行群体划分；步骤S2：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；步骤S3：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限；步骤S4：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。本发明提高了用户行为序列建模的准确率，进而实现了精准的、个性化的营销。

Description

基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质
技术领域
本发明涉及数字化营销技术领域，尤其是一种基于用户画像和序列建模的个性化营销系统及其实现方法。
背景技术
随着电商平台的蓬勃发展，用户线上购物习惯逐渐养成，各个商家也积累了海量线上消费行为数据。如何对用户行为模式进行建模，进而精准预测用户的偏好，从而指导商家设计最优营销策略，对改善用户线上购物体验、提高商品购买转化率，有着重要意义。传统方法通常使用马尔科夫模型构建用户行为序列模型。然而，马尔科夫模型仅能考虑指定阶数的用户行为的相关性，无法建模复杂的用户行为规律。且随模型阶数的增高，模型性能因“维度灾难”而下降。
发明内容
为了克服上述技术缺陷，本发明考虑电商平台的用户集合为
Figure BDA0003963703350000011
其中un为任一用户，N为用户总数。记所有可能的用户行为的集合为
Figure BDA0003963703350000012
其中M为可能行为的总数。记商家所期望的用户的转化行为构成的集合为E。注意，转化行为集合E为用户行为集合s的子集。记用户un的行为序列为
Figure BDA0003963703350000013
其中ln[j]＝snj为用户un的第j个行为，Jn为用户un的行为历程的长度。注意，用户行为历程数据中包括用户每个行为的时间戳。记平台可采取的营销策略的集合为
Figure BDA0003963703350000014
其中K为营销策略的总数。通过用户行为历程数据，可统计出当用户处于当前行为scurr时，不同营销方式ak将导致用户实施不同行为sm的概率p(sm|ak，scurr)。
基于上述数据格式，本发明的第一个方面提供了一种基于用户画像和序列建模的个性化营销方法，其包括：
步骤S1：划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；
步骤S2：预测用户行为序列：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；
步骤S3：挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合；
步骤S4：求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。
进一步地，步骤S1包括：
步骤S1.1：基于用户行为序列，构建用户特征集合
Figure BDA0003963703350000021
fi为特征维度，F为用户特征的总数量；
步骤S1.2：在每个特征维度fi上，以Ni等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为
Figure BDA0003963703350000022
示例地，用户特征集合
Figure BDA0003963703350000023
包含三个特征，即F＝3。三个用户特征所涉及的特征具体描述如下：
(1)用户活跃度：用户行为的频次，即用户行为序列的长度。
(2)用户最近活跃时间：用户最后一次行为的发生时间距离建模时的时间跨度。
(3)用户转化价值：用户发生期望行为的频率，即用户发生期望行为的次数与用户行为序列的长度的比值。
进一步地，步骤S2包括：
步骤S2.1：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；
步骤S2.2：采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；
步骤S2.3：以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；
步骤S2.4：训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。
进一步地，步骤S3包括：
步骤S3.1：初始化有效转化序列集合
Figure BDA0003963703350000031
为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合
Figure BDA0003963703350000032
为空，用于记录有效转化序列对应的似然值；
步骤S3.2：初始化延拓序列l′n＝ln，序列似然值
Figure BDA0003963703350000033
步骤S3.3：以l′n为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；
步骤S3.4：以该概率分布对下一个行为进行随机采样，记采样所得行为为snext，设其所对应的概率值为ps，更新序列似然值
Figure BDA0003963703350000034
并将snext追加至用户行为序列l′n中；
步骤S3.5：若snext∈E或l′n的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复步骤S3.3-步骤S3.5；
步骤S3.6：若snext∈E，将l′n添加至集合
Figure BDA0003963703350000035
中，将
Figure BDA0003963703350000036
添加至集合
Figure BDA0003963703350000037
中；
步骤S3.7：重复步骤S3.2-步骤S3.6T次。
进一步地，步骤S4包括：针对用户un，通过求解如下优化问题来求解出最优营销策略：
Figure BDA0003963703350000038
Figure BDA0003963703350000039
其中，不同营销方式
Figure BDA00039637033500000310
所产生的开销为
Figure BDA00039637033500000311
而营销预算上限为C，某营销策略在不同方式间分配的权重为
Figure BDA00039637033500000312
整个营销策略所产生的开销为
Figure BDA00039637033500000313
该营销策略可导致有效转化行为发生的概率为
Figure BDA00039637033500000314
其中l′n[j]表示行为序列l′n的第j个行为。
本申请的第二个方面提供一种基于用户画像和序列建模的个性化营销装置，其包括：
用户画像模块，所述用户画像模块用于划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；
用户行为序列建模模块，所述用户行为序列建模模块用于预测用户行为历程：针对每个用户群体的行为序列，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；
有效转化序列挖掘模块，所述有效转化序列挖掘模块用于挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合；
营销策略决策模块，所述营销策略决策模块用于求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。
进一步地，用户画像模块用于：基于用户行为序列，构建用户特征集合
Figure BDA0003963703350000041
fi为特征维度，F为用户特征的总数量；在每个特征维度fi上，以Ni等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为
Figure BDA0003963703350000042
进一步地，所述用户行为序列建模模块用于：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。
进一步地，所述有效转化序列挖掘模块用于：
(1)初始化有效转化序列集合
Figure BDA0003963703350000043
为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合
Figure BDA0003963703350000044
为空，用于记录有效转化序列对应的似然值；
(2)初始化延拓序列l′n＝ln，序列似然值
Figure BDA0003963703350000045
(3)以l′n为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；
(4)以该概率分布对下一个行为进行随机采样，记采样所得行为为snext，设其所对应的概率值为ps，更新序列似然值
Figure BDA0003963703350000051
并将snext追加至用户行为序列l′n中；
(5)若snext∈E或l′n的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复(3)-(5)；
(6)若snext∈E，将l′n添加至集合
Figure BDA0003963703350000052
中，将
Figure BDA0003963703350000053
添加至集合
Figure BDA0003963703350000054
中；
(7)重复(2)-(6)T次。
进一步地，所述营销策略决策模块用于：针对用户un，通过求解如下优化问题来求解出最优营销策略：
Figure BDA0003963703350000055
Figure BDA0003963703350000056
其中，不同营销方式
Figure BDA0003963703350000057
所产生的开销为
Figure BDA0003963703350000058
而营销预算上限为C，某营销策略在不同方式间分配的权重为
Figure BDA0003963703350000059
整个营销策略所产生的开销为
Figure BDA00039637033500000510
该营销策略可导致有效转化行为发生的概率为
Figure BDA00039637033500000511
其中l′n[j]表示行为序列l′n的第j个行为。
本申请的第三个方面提供一种电子设备，其包括：存储器、处理器以及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于用户画像和序列建模的个性化营销方法中的步骤。
本申请的第四个方面提供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有计算机程序，所述计算机程序被处理器执行时实现上述基于用户画像和序列建模的个性化营销方法中的步骤。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
本发明公开了一种线上营销系统及其实现方法，其基于用户行为历程数据，首先使用用户画像技术对用户进行分群。其次针对每个用户群体，使用循环卷积网络进行行为序列建模；并基于该序列模型，探索每个用户的有效转化序列，进而设计最优的营销策略。相较于传统方法，本发明提高了用户行为序列建模的准确率，进而实现了精准的、个性化的营销。
附图说明
图1为本申请一实施例的基于用户画像和序列建模的个性化营销系统的模块图；
图2为本申请一实施例的基于用户画像和序列建模的个性化营销方法的流程图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明考虑电商平台的用户集合为
Figure BDA0003963703350000061
其中un为任一用户，N为用户总数。记所有可能的用户行为的集合为
Figure BDA0003963703350000062
其中M为可能行为的总数。记商家所期望的用户的转化行为构成的集合为E。注意，转化行为集合E为用户行为集合S的子集。记用户un的行为序列为
Figure BDA0003963703350000063
其中In[j]＝snj为用户un的第j个行为，In为用户un的行为历程的长度。注意，用户行为历程数据中包括用户每个行为的时间戳。记平台可采取的营销策略的集合为
Figure BDA0003963703350000064
其中K为营销策略的总数。通过用户行为历程数据，可统计出当用户处于当前行为scurr时，不同营销方式ak将导致用户实施不同行为sm的概率p(sm|ak，scurr)。
基于上述数据格式，如图1所示，本实施例提供了一种基于用户画像和序列建模的个性化营销系统，其包括用户画像模块、用户行为序列建模模块、有效转化序列挖掘模块和营销策略决策模块。
如图2所示，采用上述基于用户画像和序列建模的个性化营销系统进行个性化营销的方法包括步骤S1-S4：
步骤S1：用户画像模块划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分。
具体地，步骤S1包括以下步骤：
步骤S1.1：基于用户行为序列，构建用户特征集合
Figure BDA0003963703350000065
fi为特征维度，F为用户特征的总数量；示例地，用户特征集合
Figure BDA0003963703350000071
包含三个特征，即F＝3。三个用户特征所涉及的特征具体描述如下：
(1)用户活跃度：用户行为的频次，即用户行为序列的长度。
(2)用户最近活跃时间：用户最后一次行为的发生时间距离建模时的时间跨度。
(3)用户转化价值：用户发生期望行为的频率，即用户发生期望行为的次数与用户行为序列的长度的比值。
步骤S1.2：在每个特征维度fi上，以Ni等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为
Figure BDA0003963703350000072
步骤S2：用户行为序列建模模块预测用户行为序列：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务。
具体地，步骤S2包括以下步骤：
步骤S2.1：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；
步骤S2.2：采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；
步骤S2.3：以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；
步骤S2.4：训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。
步骤S3：有效转化序列挖掘模块挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合。
具体地，步骤S3包括以下步骤：
步骤S3.1：初始化有效转化序列集合
Figure BDA0003963703350000073
为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合
Figure BDA0003963703350000074
为空，用于记录有效转化序列对应的似然值；
步骤S3.2：初始化延拓序列l′n＝ln，序列似然值
Figure BDA0003963703350000075
步骤S3.3：以l′n为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；
步骤S3.4：以该概率分布对下一个行为进行随机采样，记采样所得行为为snext，设其所对应的概率值为ps，更新序列似然值
Figure BDA0003963703350000081
并将snext追加至用户行为序列l′n中；
步骤S3.5：若snext∈E或l′n的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复步骤S3.3-步骤S3.5；
步骤S3.6：若snext∈E，将l′n添加至集合
Figure BDA0003963703350000082
中，将
Figure BDA0003963703350000083
添加至集合
Figure BDA0003963703350000084
中；
步骤S3.7：重复步骤S3.2-步骤S3.6T次。
步骤S4：营销策略决策模块求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。
具体地，针对用户un，通过求解如下优化问题来求解出最优营销策略：
Figure BDA0003963703350000085
Figure BDA0003963703350000086
其中，不同营销方式
Figure BDA0003963703350000087
所产生的开销为
Figure BDA0003963703350000088
而营销预算上限为C，某营销策略在不同方式间分配的权重为
Figure BDA0003963703350000089
整个营销策略所产生的开销为
Figure BDA00039637033500000810
该营销策略可导致有效转化行为发生的概率为
Figure BDA00039637033500000811
其中l′n[j]表示行为序列l′n的第j个行为。
本申请的另一实施例还提供一种电子设备，其包括：存储器、处理器以及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于用户画像和序列建模的个性化营销方法中的步骤。电子设备包括但不限于用户设备、网络设备或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备其包括但不限于任何一种可与用户通过触摸板进行人机交互的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作系统，如android操作系统、IOS操作系统等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器、嵌入式设备等。所述网络设备其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。
本申请的另一实施例还提供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有计算机程序，所述计算机程序被处理器执行时实现上述基于用户画像和序列建模的个性化营销方法中的步骤。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (12)

1.一种基于用户画像和序列建模的个性化营销方法，其特征在于，包括：
步骤S1：划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；
步骤S2：预测用户行为序列：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；
步骤S3：挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合；
步骤S4：求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。
2.如权利要求1所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S1包括：
步骤S1.1：基于用户行为序列，构建用户特征集合
Figure FDA0003963703340000011
fi为特征维度，F为用户特征的总数量；
步骤S1.2：在每个特征维度fi上，以Ni等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为
Figure FDA0003963703340000012
3.如权利要求1所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S2包括：
步骤S2.1：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；
步骤S2.2：采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；
步骤S2.3：以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；
步骤S2.4：训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。
4.如权利要求1所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S3包括：
步骤S3.1：初始化有效转化序列集合
Figure FDA0003963703340000021
为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合
Figure FDA0003963703340000022
为空，用于记录有效转化序列对应的似然值；
步骤S3.2：初始化延拓序列l′n＝ln，序列似然值
Figure FDA0003963703340000023
步骤S3.3：以l′n为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；
步骤S3.4：以该概率分布对下一个行为进行随机采样，记采样所得行为为snext，设其所对应的概率值为ps，更新序列似然值
Figure FDA0003963703340000024
并将snext追加至用户行为序列l′n中；
步骤S3.5：若snext∈E或l′n的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复步骤S3.3-步骤S3.5；
步骤S3.6：若snext∈E，将l′n添加至集合Ln中，将
Figure FDA00039637033400000213
添加至集合
Figure FDA00039637033400000212
中；
步骤S3.7：重复步骤S3.2-步骤S3.6T次。
5.如权利要求1-4中任一项所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S4包括：针对用户un，通过求解如下优化问题来求解出最优营销策略：
Figure FDA0003963703340000025
Figure FDA0003963703340000026
其中，不同营销方式
Figure FDA0003963703340000027
所产生的开销为
Figure FDA0003963703340000028
而营销预算上限为C，某营销策略在不同方式间分配的权重为
Figure FDA0003963703340000029
整个营销策略所产生的开销为
Figure FDA00039637033400000210
该营销策略可导致有效转化行为发生的概率为
Figure FDA00039637033400000211
其中l′n[j]表示行为序列l′n的第j个行为。
6.一种基于用户画像和序列建模的个性化营销装置，其特征在于，包括：
用户画像模块，所述用户画像模块用于划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；
用户行为序列建模模块，所述用户行为序列建模模块用于预测用户行为序列：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；
有效转化序列挖掘模块，所述有效转化序列挖掘模块用于挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合；
营销策略决策模块，所述营销策略决策模块用于求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。
7.如权利要求6所述的基于用户画像和序列建模的个性化营销装置，其特征在于，用户画像模块用于：基于用户行为序列，构建用户特征集合
Figure FDA0003963703340000031
fi为特征维度，F为用户特征的总数量；在每个特征维度fi上，以Ni等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为
Figure FDA0003963703340000032
8.如权利要求6所述的基于用户画像和序列建模的个性化营销装置，其特征在于，所述用户行为序列建模模块用于：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。
9.如权利要求6所述的基于用户画像和序列建模的个性化营销装置，其特征在于，所述有效转化序列挖掘模块用于：
(1)初始化有效转化序列集合
Figure FDA0003963703340000033
为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合
Figure FDA0003963703340000034
为空，用于记录有效转化序列对应的似然值；
(2)初始化延拓序列l′n＝ln，序列似然值
Figure FDA0003963703340000035
(3)以l′n为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；
(4)以该概率分布对下一个行为进行随机采样，记采样所得行为为snext，设其所对应的概率值为ps，更新序列似然值
Figure FDA0003963703340000041
并将snext追加至用户行为序列l′n中；
(5)若snext∈E或l′n的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复(3)-(5)；
(6)若snext∈E，将l′n添加至集合
Figure FDA0003963703340000042
中，将
Figure FDA0003963703340000043
添加至集合
Figure FDA0003963703340000044
中；
(7)重复(2)-(6)T次。
10.如权利要求6-9中任一项所述的基于用户画像和序列建模的个性化营销装置，其特征在于，所述营销策略决策模块用于：针对用户un，通过求解如下优化问题来求解出最优营销策略：
Figure FDA0003963703340000045
Figure FDA0003963703340000046
其中，不同营销方式
Figure FDA0003963703340000047
所产生的开销为
Figure FDA0003963703340000048
而营销预算上限为C，某营销策略在不同方式间分配的权重为
Figure FDA0003963703340000049
整个营销策略所产生的开销为
Figure FDA00039637033400000410
该营销策略可导致有效转化行为发生的概率为
Figure FDA00039637033400000411
其中l′n[j]表示行为序列l′n的第j个行为。
11.一种电子设备，其特征在于，包括：存储器、处理器以及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述的基于用户画像和序列建模的个性化营销方法中的步骤。
12.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的基于用户画像和序列建模的个性化营销方法中的步骤。
CN202211488367.3A 2022-11-25 2022-11-25 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 Pending CN115936802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211488367.3A CN115936802A (zh) 2022-11-25 2022-11-25 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211488367.3A CN115936802A (zh) 2022-11-25 2022-11-25 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN115936802A true CN115936802A (zh) 2023-04-07

Family

ID=86651733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211488367.3A Pending CN115936802A (zh) 2022-11-25 2022-11-25 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115936802A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013399A (zh) * 2024-04-08 2024-05-10 北京博瑞彤芸科技股份有限公司 一种基于ai模型进行用户画像的处理方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013399A (zh) * 2024-04-08 2024-05-10 北京博瑞彤芸科技股份有限公司 一种基于ai模型进行用户画像的处理方法和装置

Similar Documents

Publication Publication Date Title
CN111709533B (zh) 机器学习模型的分布式训练方法、装置以及计算机设备
CN111247532B (zh) 利用多任务学习进行特征提取
CN111258767B (zh) 复杂系统仿真应用的云计算资源智能分配方法与装置
CN109313720A (zh) 具有稀疏访问的外部存储器的增强神经网络
CN112214775A (zh) 对图数据的注入式攻击方法、装置、介质及电子设备
CN112214499A (zh) 图数据处理方法、装置、计算机设备和存储介质
US20220292315A1 (en) Accelerated k-fold cross-validation
CN113554178A (zh) 优化梯度提升特征选择
CN115757556A (zh) 基于大数据的网络数据关联分析方法和平台
CN111126629B (zh) 模型的生成方法、刷单行为识别方法、系统、设备和介质
CN110674397B (zh) 年龄点预测模型的训练方法及装置、设备与可读介质
CN115936802A (zh) 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质
CN116304341A (zh) 基于用户网络大数据的欺诈判别方法及系统
CN109272165B (zh) 注册概率预估方法、装置、存储介质及电子设备
CN116542673B (zh) 应用于机器学习的欺诈行为识别方法及系统
CN110348581B (zh) 用户特征群中用户特征寻优方法、装置、介质及电子设备
CN117076993A (zh) 基于云原生的多智能体博弈决策系统及方法
CN116578400A (zh) 多任务数据处理方法和装置
WO2019208564A1 (ja) ニューラルネットワーク学習装置、ニューラルネットワーク学習方法、プログラム
CN113283589B (zh) 事件预测系统的更新方法及装置
US12014142B2 (en) Machine learning for training NLP agent
CN113782092B (zh) 一种生存期预测模型的生成方法及装置、存储介质
CN117010480A (zh) 模型训练方法、装置、设备、存储介质及程序产品
US20210343424A1 (en) Digital modeling and prediction for spreading digital data
CN111860556A (zh) 一种模型的处理方法、装置及存储介质

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