CN116188049A - 基于链式分析的潜在用户挖掘方法及装置 - Google Patents

Abstract

本发明涉及数据挖掘技术，揭露了基于链式分析的潜在用户挖掘方法，包括：对用户数据进行净化处理，得到净化用户数据，对净化用户数据进行标签提取，得到用户标签；对净化用户数据进行特征提取，得到用户特征数据，构建净化用户数据对应的用户分类器；调度分类用户数据中每个用户的行为数据，识别行为数据中每个行为对应的行为事件，对行为事件进行链式分析，得到行为事件链，计算行为事件链中每个事件链的相似度，得到事件相似度；对净化用户数据进行数据分类，得到用户分类数据；识别用户分类数据中每个用户对应的用户信息，构建用户信息的信息矩阵，对用户分类数据进行潜在客户挖掘，得到潜在客户数据。本发明在于提高潜在用户的挖掘效率。

Description

基于链式分析的潜在用户挖掘方法及装置

技术领域

本发明涉及数据挖掘技术领域，尤其涉及基于链式分析的潜在用户挖掘方法及装置。

背景技术

潜在客户是指具有一定概率能够进行合作的客户，例如销售行业中销售人员为了将自己的产品顺利地推销到消费者的手中，会挖掘客户群体中的潜在客户，以提高推销的成功率，因而需要对客户群体进行挖掘，避免造成客户的流失。

但是现有的潜在用户挖掘方法主要是通过在网络上寻找意向客户或者查询客户的相关资料，得到客户的行为需求，将行为需求与对应的企业或者产品进行匹配，以便于挖掘出潜在客户，但是该挖掘方法太过片面，并没有对客户进行发散式挖掘，容易忽略部分潜在客户，进而导致潜在用户的挖掘效率不高，因此需要一种能够提高潜在用户的挖掘效率的方法。

发明内容

本发明提供基于链式分析的潜在用户挖掘方法及装置，其主要目的在于提高潜在用户的挖掘效率。

为实现上述目的，本发明提供的基于链式分析的潜在用户挖掘方法，包括：

获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

可选地，所述对所述用户数据进行净化处理，得到净化用户数据，包括：

识别所述用户数据中的重复数据，并对所述重复数据进行删除，得到目标用户数据；

计算所述目标用户数据中每个数据的缺失值，得到数据缺失值，并计算所述每个数据的无效值，得到数据无效值；

根据所述数据缺失值和所述数据无效值，对所述目标用户数据进行净化处理，得到净化用户数据。

可选地，所述对所述净化用户数据进行特征提取，得到用户特征数据，包括：

对所述净化用户数据进行降维处理，得到降维用户数据，对所述降维用户数据进行向量转化，得到降维用户向量；

计算所述降维用户向量中每个向量的向量值，得到用户向量值，计算所述降维用户向量的向量中位值；

计算所述用户向量值与所述向量中位值的标准差；

根据所述标准差，对所述降维用户向量中进行特征提取，得到用户特征向量，根据所述用户特征向量，得到用户特征数据。

可选地，所述结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器，包括：

通过下述公式计算所述用户标签中每个标签的权重，得到标签权重；

其中，E_i表示用户标签中每个标签的权重，A_i表示用户标签中第i个标签的数据，

表示用户标签中第i个标签的数据对应的向量协方差，trace()表示空间滤波函数；

根据所述标签权重，对所述用户标签进行筛选，得到目标标签；

对所述目标标签进行语义分析，得到标签语义，根据所述标签语义，配置所述净化用户数据的分类项目；

计算所述用户特征数据中的每个特征数据的数据密度，根据所述数据密度，绘制所述用户特征数据的特征正态分布图；

计算所述特征正态分布图中每个图像的重叠度，得到图像重叠度；

根据所述图像重叠度，设置所述净化用户数据的分类准则，构建所述净化用户数据的初始用户分类器；

结合所述分类项目和所述分类准则，利用预设的训练数据对所述初始用户分类器进行分类训练，得到所述净化用户数据的用户分类器。

可选地，所述计算所述用户特征数据中的每个特征数据的数据密度，包括：

通过下述公式计算所述用户特征数据中的每个特征数据的数据密度：

其中，D表达用户特征数据中的每个特征数据的数据密度，δ表示每个特征数据的尺度参数，exp表示指数函数，C_j表示第j个特征数据的随机变量，F_j表示第j个特征数据对应的位置参数。

可选地，所述计算所述特征正态分布图中每个图像的重叠度，得到图像重叠度，包括：

通过下述公式计算所述特征正态分布图中每个图像的重叠度：

其中，G表示特征正态分布图中每个图像的重叠度，k表示特征正态分布图的起始图像，x表示特征正态分布图的总数，H_k表示计算重叠度时第k个特征正态分布图的图形参数，H_k+1表示计算重叠度时第k+1个特征正态分布图的图形参数。

可选地，所述对所述行为事件进行链式分析，得到行为事件链，包括：

提取所述行为事件中每个事件的事件节点，计算所述事件节点之间的关联系数；

根据所述关联系数，设置所述每个事件的事件链结，并查询所述每个事件的触发事件；

根据预设的排序规则对所述触发事件进行排序，得到事件序列；

结合所述事件链结和所述事件序列，对所述行为事件进行链式分析，得到行为事件链。

可选地，所述计算所述行为事件链中每个事件链的相似度，得到事件相似度，包括：

对所述行为事件链中每个事件链进行可视化处理，得到可视化事件链；

构建所述可视化事件链对应的可视化图像，得到事件链图像；

计算所述事件链图像中每个图像的相似度，得到事件相似度。

可选地，所述构建所述用户信息的信息矩阵，包括：

识别所述用户信息中每个信息的信息文本，对所述信息文本进行关键字提取，得到信息关键字；

计算所述信息关键字在所述信息文本中的隶属度；

根据所述隶属度，对所述信息关键字进行聚合处理，得到聚合信息；

构建所述聚合信息对应的矩阵，得到所述用户信息的信息矩阵。

为了解决上述问题，本发明还提供基于链式分析的潜在用户挖掘装置，所述装置包括：

标签提取模块，用于获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

分类器构建模块，用于对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

事件分析模块，用于调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

数据分类模块，用于根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

潜在客户挖掘模块，用于识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

本发明通过获取待分析的用户数据，对所述用户数据进行净化处理，可以将所述用户数据中的无用数据去除掉，以便于提高所述用户数据的质量，为后续对所述用户数据的处理提供了便利性，本发明通过对所述净化用户数据进行特征提取，可以得到所述净化用户数据中具有代表性的数据，为后续对构建所述净化用户数据对应的用户分类器提供了前提，其中，本发明通过调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，可以了解所述分类用户数据中每个用户的行为信息，为后续对所述行为事件进行链式分析提供了保障；此外，本发明通过根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，可以将所述净化用户数据根据所述事件相似度的数值进行分类处理，以便于后续进行潜在客户的挖掘。因此，本发明实施例提供的基于链式分析的潜在用户挖掘方法及装置，能够提高潜在用户的挖掘效率。

附图说明

图1为本发明一实施例提供的基于链式分析的潜在用户挖掘方法的流程示意图；

图2为本发明一实施例提供的基于链式分析的潜在用户挖掘装置的功能模块图；

图3为本发明一实施例提供的实现所述基于链式分析的潜在用户挖掘方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供基于链式分析的潜在用户挖掘方法。本申请实施例中，所述基于链式分析的潜在用户挖掘方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于链式分析的潜在用户挖掘方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于链式分析的潜在用户挖掘方法的流程示意图。在本实施例中，所述基于链式分析的潜在用户挖掘方法包括步骤S1—S5：

S1、获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签。

本发明通过获取待分析的用户数据，对所述用户数据进行净化处理，可以将所述用户数据中的无用数据去除掉，以便于提高所述用户数据的质量，为后续对所述用户数据的处理提供了便利性。

其中，所述用户数据是关于用户的相关数据，例如在web网页中，所述用户数据可以是用户的ID、浏览记录以及用户IP地址等，所述净化用户数据是所述用户数据中无效数据经过净化后得到的数据，进一步的，获取待分析的用户数据可以通过人机交互的方式实现。

作为本发明的一个实施例，所述对所述用户数据进行净化处理，得到净化用户数据，包括：识别所述用户数据中的重复数据，并对所述重复数据进行删除，得到目标用户数据，计算所述目标用户数据中每个数据的缺失值，得到数据缺失值，并计算所述每个数据的无效值，得到数据无效值，根据所述数据缺失值和所述数据无效值，对所述目标用户数据进行净化处理，得到净化用户数据。

其中，所述重复数据是所述用户数据中出现两次及以上次数的数据，所述目标用户数据是所述用户数据中的所述重复数据经过删除后得到的数据，所述数据缺失值是所述目标用户数据中每个数据的缺失程度，所述数据无效值表示所述目标用户数据中每个数据对应的价值。

进一步的，识别所述用户数据中的重复数据可以通过CHOOSE函数实现，对所述重复数据进行删除可以通过二叉树删除算法实现，所述数据缺失值可以通过计算所述目标用户数据中每个数据的平均值得到，所述数据无效值可以通过ISERR函数计算，对所述目标用户数据进行净化处理可以通过回归法实现。

本发明通过对所述净化用户数据进行标签提取，可以了解所述净化用户数据对应的标识信息，为后续对所述净化用户数据进行特征提取提供了保障，其中，所述用户标签是所述净化用户数据中每个数据对应的标识信息，进一步的，对所述净化用户数据进行标签提取可以通过标签提取器实现。

S2、对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器。

本发明通过对所述净化用户数据进行特征提取，可以得到所述净化用户数据中具有代表性的数据，为后续对构建所述净化用户数据对应的用户分类器提供了前提，其中，所述用户特征数据是所述净化用户数据中具有特征或者特性的数据。

作为本发明的一个实施例，所述对所述净化用户数据进行特征提取，得到用户特征数据，包括：对所述净化用户数据进行降维处理，得到降维用户数据，对所述降维用户数据进行向量转化，得到降维用户向量，计算所述降维用户向量中每个向量的向量值，得到用户向量值，计算所述降维用户向量的向量中位值，计算所述用户向量值与所述向量中位值的标准差，根据所述标准差，对所述降维用户向量中进行特征提取，得到用户特征向量，根据所述用户特征向量，得到用户特征数据。

其中，所述降维用户数据是所述净化用户数据从高维度降到低维度，所述降维用户向量是所述降维用户数据对应的向量表达形式，所述用户向量值是所述降维用户向量对应的数值，所述向量中位值是所述降维用户向量中间向量对应的数值，所述标准差表示所述用户向量值和所述向量中位值的偏差程度，所述用户特征向量是所述降维用户向量中具有特性的向量。

进一步的，作为本发明的一个可选实施例，对所述净化用户数据进行降维处理可以通过主成分分析方法，对所述降维用户数据进行向量转化可以通过Word2vec算法实现，所述降维用户向量中每个向量的向量值可以通过勾股定理计算，所述向量中位值可以通过对所述降维用户向量进行排序，然后计算中间向量的数值得到，所述用户向量值与所述向量中位值的标准差可以通过标准差计算器实现，对所述降维用户向量中进行特征提取可以通过LBP算法实现。

本发明通过结合所述用户标签和所述用户特征数据，可以准确的构建所述净化用户数据对应的用户分类器，其中，所述用户分类器是对所述净化用户数据进行分类的算法。

作为本发明的一个实施例，所述结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器，包括：计算所述用户标签中每个标签的权重，得到标签权重，根据所述标签权重，对所述用户标签进行筛选，得到目标标签，对所述目标标签进行语义分析，得到标签语义，根据所述标签语义，配置所述净化用户数据的分类项目，计算所述用户特征数据中的每个特征数据的数据密度，根据所述数据密度，绘制所述用户特征数据的特征正态分布图，计算所述特征正态分布图中每个图像的重叠度，得到图像重叠度，根据所述图像重叠度，设置所述净化用户数据的分类准则，构建所述净化用户数据的初始用户分类器，结合所述分类项目和所述分类准则，利用预设的训练数据对所述初始用户分类器进行分类训练，得到所述净化用户数据的用户分类器。

其中，所述标签权重表示所述用户标签中每个标签的重要程度，所述目标标签是所述标签权重大于阈值时对应的标签，所述标签语义是所述目标标签中每个标签的含义，所述分类项目是所述净化用户数据分类的类别，所述特征正态分布图是所述用户特征数据对应的概率分布图，所述图像重叠度是所述特征正态分布图中每个图像的相似程度，可以了解所述用户特征数据中每个数据的相关性，所述分类准则是所述净化用户数据的分类规则，所述初始用户分类器是所述净化用户数据的分类算法模板，所述预设的训练数据是对所述初始用户分类器进行训练的数据。

进一步的，对所述用户标签进行筛选可以通过FILTER函数实现，对所述目标标签进行语义分析可以通过语义分析算法实现，如单步算法，配置所述净化用户数据的分类项目可以通过编程代码实现，绘制所述用户特征数据的特征正态分布图可以通过绘图工具实现，如Visio工具，所述净化用户数据的分类准则可以通过根据所述图像重叠度，对所述用户特征数据进行数据分析，得到分析结果，根据所述分析结果进行设置所述分类准则，构建所述净化用户数据的初始用户分类器可以通过分类器算法实现，所述分类器算法是由Java语言编译。

进一步的，作为本发明的一个可选实施例，所述计算所述用户标签中每个标签的权重，得到标签权重，包括：

通过下述公式计算所述用户标签中每个标签的权重：

其中，E_i表示用户标签中每个标签的权重，A_i表示用户标签中第i个标签的数据，

表示用户标签中第i个标签的数据对应的向量协方差，trace()表示空间滤波函数。

进一步的，作为本发明的一个可选实施例，所述计算所述用户特征数据中的每个特征数据的数据密度，包括：

通过下述公式计算所述用户特征数据中的每个特征数据的数据密度：

其中，D表达用户特征数据中的每个特征数据的数据密度，δ表示每个特征数据的尺度参数，exp表示指数函数，C_j表示第j个特征数据的随机变量，F_j表示第j个特征数据对应的位置参数。

进一步的，作为本发明的一个可选实施例，所述计算所述特征正态分布图中每个图像的重叠度，得到图像重叠度，包括：

通过下述公式计算所述特征正态分布图中每个图像的重叠度：

其中，G表示特征正态分布图中每个图像的重叠度，k表示特征正态分布图的起始图像，x表示特征正态分布图的总数，H_k表示计算重叠度时第k个特征正态分布图的图形参数，H_k+1表示计算重叠度时第k+1个特征正态分布图的图形参数。

S3、调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度。

本发明通过调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，可以了解所述分类用户数据中每个用户的行为信息，为后续对所述行为事件进行链式分析提供了保障。

其中，所述行为数据所述分类用户数据中每个用户的行为信息汇总，如消费时产生的数据，所述行为事件是所述行为数据中的事件，如消费动作和消费方式等，进一步的，调度所述分类用户数据中每个用户的行为数据可以通过数据调度工具实现，所述数据调度工具是由脚本语言编译，识别所述行为数据中每个行为对应的行为事件可以通过事件识别技术实现，如人工神经网络识别技术。

本发明通过对所述行为事件进行链式分析，以便于能够发现与所述行为事件的关联事件，仪便于后续对所述净化用户数据进行数据分类，其中，所述行为事件链是所述行为事件与所述行为事件有关联的事件构成的事件链。

作为本发明的一个实施例，所述对所述行为事件进行链式分析，得到行为事件链，包括：提取所述行为事件中每个事件的事件节点，计算所述事件节点之间的关联系数，根据所述关联系数，设置所述每个事件的事件链结，并查询所述每个事件的触发事件，根据预设的排序规则对所述触发事件进行排序，得到事件序列，结合所述事件链结和所述事件序列，对所述行为事件进行链式分析，得到行为事件链。

其中，所述事件节点是所述行为事件中在场景运行时触发了某个操作或者事件的节点，所述关联系数表示所述事件节点之间的关联性，所述事件链结是用于对所述每个事件进行互相连接，所述触发事件是引起所述每个事件进行执行的事件，所述预设的排序规则是根据所述触发事件的难易程度，所述事件序列是所述触发事件的顺序。

进一步的，作为本发明的一个可选实施例，提取所述行为事件中每个事件的事件节点可以通过DOM方法实现，所述每个事件的事件链结可以通过链结设置工具实现，所述链结设置工具是由Java语言编译，所述事件节点之间的关联系数可以通过Apriori算法计算，查询所述每个事件的触发事件可以通过事件查看器实现，对所述触发事件进行排序可以通过排序算法实现，如冒泡排序。

本发明通过计算所述行为事件链中每个事件链的相似度，可以通过所述事件相似度了解所述每个事件链的相似程度，进而便于后续进行分类操作，其中，所述事件相似度表示所述行为事件链的相似程度。

作为本发明的一个实施例，所述计算所述行为事件链中每个事件链的相似度，得到事件相似度，包括：对所述行为事件链中每个事件链进行可视化处理，得到可视化事件链，构建所述可视化事件链对应的可视化图像，得到事件链图像，计算所述事件链图像中每个图像的相似度，得到事件相似度。

其中，所述可视化事件链是所述行为事件链中每个事件链的视觉表达形式，所述可视化图像是所述可视化事件链的图像表达形式，进一步的，对所述行为事件链中每个事件链进行可视化处理可以通过可视化工具实现，如Zoho分析工具，构建所述可视化事件链对应的可视化图像可以通过三分构图法实现，计算所述事件链图像中每个图像的相似度可以通过余弦相似度算法实现。

S4、根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据。

本发明通过根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，可以将所述净化用户数据根据所述事件相似度的数值进行分类处理，以便于后续进行潜在客户的挖掘，其中，所述用户分类数据是所述净化用户数据经过所述用户分类器分类后得到的数据，进一步的，可以通过所述用户分类器中的分类算法对所述净化用户数据进行数据分类，如决策树分类法。

S5、识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

本发明通过识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，可以通过所述信息矩阵了解用户的信息特征，为后续潜在客户的的挖掘提供了保障，其中，所述用户信息是所述用户分类数据中每个用户的相关信息，如浏览记录、产品浏览次数以及购买记录等。

作为本发明的一个实施例，所述构建所述用户信息的信息矩阵，包括：识别所述用户信息中每个信息的信息文本，对所述信息文本进行关键字提取，得到信息关键字，计算所述信息关键字在所述信息文本中的隶属度，根据所述隶属度，对所述信息关键字进行聚合处理，得到聚合信息，构建所述聚合信息对应的矩阵，得到所述用户信息的信息矩阵。

其中，所述信息文本是所述用户信息中的文字内容，所述信息关键字是所述信息文本中具有代表性的字词，所述隶属度表示所述信息关键字在所述信息文本中的支持程度，所述聚合信息是所述信息关键字合并到一起后得到的信息。

进一步的，识别所述用户信息中每个信息的信息文本可以通过OCR文字识别技术实现，对所述信息文本进行关键字提取可以通过TF-IDF算法实现，所述信息关键字在所述信息文本中的隶属度可以通过高斯隶属函数计算，所述信息关键字的聚合处理可以通过K-means算法，构建所述聚合信息对应的矩阵可以通过matrix()函数实现。

本发明通过根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，可以提高潜在客户的挖掘效率，其中，所述潜在客户数据是所述用户分类数据中意向度较高的客户，进一步的，对所述用户分类数据进行潜在客户挖掘可以通过聚众分析法实现。

本发明通过获取待分析的用户数据，对所述用户数据进行净化处理，可以将所述用户数据中的无用数据去除掉，以便于提高所述用户数据的质量，为后续对所述用户数据的处理提供了便利性，本发明通过对所述净化用户数据进行特征提取，可以得到所述净化用户数据中具有代表性的数据，为后续对构建所述净化用户数据对应的用户分类器提供了前提，其中，本发明通过调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，可以了解所述分类用户数据中每个用户的行为信息，为后续对所述行为事件进行链式分析提供了保障；此外，本发明通过根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，可以将所述净化用户数据根据所述事件相似度的数值进行分类处理，以便于后续进行潜在客户的挖掘。因此，本发明实施例提供的基于链式分析的潜在用户挖掘方法，能够提高潜在用户的挖掘效率。

如图2所示，是本发明一实施例提供的基于链式分析的潜在用户挖掘装置的功能模块图。

本发明所述基于链式分析的潜在用户挖掘装置100可以安装于电子设备中。根据实现的功能，所述基于链式分析的潜在用户挖掘装置100可以包括标签提取模块101、分类器构建模块102、事件分析模块103、数据分类模块104以及潜在客户挖掘模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述标签提取模块101，用于获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

所述分类器构建模块102，用于对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

所述事件分析模块103，用于调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

所述数据分类模块104，用于根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

所述潜在客户挖掘模块105，用于识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

详细地，本申请实施例中所述基于链式分析的潜在用户挖掘装置100中所述的各模块在使用时采用与上述图1中所述的基于链式分析的潜在用户挖掘方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图3所示，是本发明一实施例提供的实现基于链式分析的潜在用户挖掘方法的电子设备1的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于链式分析的潜在用户挖掘方法程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于链式分析的潜在用户挖掘方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于链式分析的潜在用户挖掘方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于链式分析的潜在用户挖掘方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序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)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

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。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

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。

本申请实施例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。

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。系统权利要求中陈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.基于链式分析的潜在用户挖掘方法，其特征在于，所述方法包括：

获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

2.如权利要求1所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述对所述用户数据进行净化处理，得到净化用户数据，包括：

识别所述用户数据中的重复数据，并对所述重复数据进行删除，得到目标用户数据；

计算所述目标用户数据中每个数据的缺失值，得到数据缺失值，并计算所述每个数据的无效值，得到数据无效值；

根据所述数据缺失值和所述数据无效值，对所述目标用户数据进行净化处理，得到净化用户数据。

3.如权利要求1所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述对所述净化用户数据进行特征提取，得到用户特征数据，包括：

对所述净化用户数据进行降维处理，得到降维用户数据，对所述降维用户数据进行向量转化，得到降维用户向量；

计算所述降维用户向量中每个向量的向量值，得到用户向量值，计算所述降维用户向量的向量中位值；

计算所述用户向量值与所述向量中位值的标准差；

根据所述标准差，对所述降维用户向量中进行特征提取，得到用户特征向量，根据所述用户特征向量，得到用户特征数据。

4.如权利要求1所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器，包括：

通过下述公式计算所述用户标签中每个标签的权重，得到标签权重；

其中，E_i表示用户标签中每个标签的权重，A_i表示用户标签中第i个标签的数据，

表示用户标签中第i个标签的数据对应的向量协方差，trace()表示空间滤波函数；

根据所述标签权重，对所述用户标签进行筛选，得到目标标签；

对所述目标标签进行语义分析，得到标签语义，根据所述标签语义，配置所述净化用户数据的分类项目；

计算所述用户特征数据中的每个特征数据的数据密度，根据所述数据密度，绘制所述用户特征数据的特征正态分布图；

计算所述特征正态分布图中每个图像的重叠度，得到图像重叠度；

根据所述图像重叠度，设置所述净化用户数据的分类准则，构建所述净化用户数据的初始用户分类器；

结合所述分类项目和所述分类准则，利用预设的训练数据对所述初始用户分类器进行分类训练，得到所述净化用户数据的用户分类器。

5.如权利要求4所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述计算所述用户特征数据中的每个特征数据的数据密度，包括：

通过下述公式计算所述用户特征数据中的每个特征数据的数据密度：

其中，D表达用户特征数据中的每个特征数据的数据密度，δ表示每个特征数据的尺度参数，exp表示指数函数，C_j表示第j个特征数据的随机变量，F_j表示第j个特征数据对应的位置参数。

6.如权利要求4所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述计算所述特征正态分布图中每个图像的重叠度，得到图像重叠度，包括：

通过下述公式计算所述特征正态分布图中每个图像的重叠度：

其中，G表示特征正态分布图中每个图像的重叠度，k表示特征正态分布图的起始图像，x表示特征正态分布图的总数，H_k表示计算重叠度时第k个特征正态分布图的图形参数，H_k+1表示计算重叠度时第k+1个特征正态分布图的图形参数。

7.如权利要求1所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述对所述行为事件进行链式分析，得到行为事件链，包括：

提取所述行为事件中每个事件的事件节点，计算所述事件节点之间的关联系数；

根据所述关联系数，设置所述每个事件的事件链结，并查询所述每个事件的触发事件；

根据预设的排序规则对所述触发事件进行排序，得到事件序列；

结合所述事件链结和所述事件序列，对所述行为事件进行链式分析，得到行为事件链。

8.如权利要求1所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述计算所述行为事件链中每个事件链的相似度，得到事件相似度，包括：

对所述行为事件链中每个事件链进行可视化处理，得到可视化事件链；

构建所述可视化事件链对应的可视化图像，得到事件链图像；

计算所述事件链图像中每个图像的相似度，得到事件相似度。

9.如权利要求1所述的基于链式分析的潜在用户挖掘方法，其特征在于，所述构建所述用户信息的信息矩阵，包括：

识别所述用户信息中每个信息的信息文本，对所述信息文本进行关键字提取，得到信息关键字；

计算所述信息关键字在所述信息文本中的隶属度；

根据所述隶属度，对所述信息关键字进行聚合处理，得到聚合信息；

构建所述聚合信息对应的矩阵，得到所述用户信息的信息矩阵。

10.基于链式分析的潜在用户挖掘装置，其特征在于，所述装置包括：

标签提取模块，用于获取待分析的用户数据，对所述用户数据进行净化处理，得到净化用户数据，对所述净化用户数据进行标签提取，得到用户标签；

分类器构建模块，用于对所述净化用户数据进行特征提取，得到用户特征数据，结合所述用户标签和所述用户特征数据，构建所述净化用户数据对应的用户分类器；

事件分析模块，用于调度所述分类用户数据中每个用户的行为数据，识别所述行为数据中每个行为对应的行为事件，并对所述行为事件进行链式分析，得到行为事件链，计算所述行为事件链中每个事件链的相似度，得到事件相似度；

数据分类模块，用于根据所述事件相似度，利用所述用户分类器对所述净化用户数据进行数据分类，得到用户分类数据；

潜在客户挖掘模块，用于识别所述用户分类数据中每个用户对应的用户信息，构建所述用户信息的信息矩阵，根据所述信息矩阵，对所述用户分类数据进行潜在客户挖掘，得到潜在客户数据。

Images