CN116192943A - 一种基于用户网格划分的消息推送方法和系统 - Google Patents
一种基于用户网格划分的消息推送方法和系统 Download PDFInfo
- Publication number
- CN116192943A CN116192943A CN202310466077.7A CN202310466077A CN116192943A CN 116192943 A CN116192943 A CN 116192943A CN 202310466077 A CN202310466077 A CN 202310466077A CN 116192943 A CN116192943 A CN 116192943A
- Authority
- CN
- China
- Prior art keywords
- access
- user
- data
- access user
- service
- 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
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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Telephonic Communication Services (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种基于用户网格划分的消息推送方法和系统,涉及数据处理领域,所述方法包括:通过用户授权拉取访问用户的位置信息,并记录一段时间内用户的位置变化数据,通过将位置变化数据输入神经网络模型的方式,对用户的常用访问位置进行训练学习,从而确定出用户的常用访问位置,基于访问用户的常用访问位置、关注的地理位置以及录入位置,确定访问用户的实际地理位置,基于此实际地理位置对用户按照区域进行网格划分和消息推送,实现了对用户位置确定的准确性,提高了用户网格划分的准确性,解决了现有技术中对用户的网格划分不准确,导致根据地理位置向客户推送消息时消息推送精准度差的技术问题,提高了消息推送精准度。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种基于用户网格划分的消息推送方法和系统。
背景技术
目前,很多企业都在做基于私有化运营的数字化运营体系。但是在私有化的前期阶段,主要以用户数量为依据,根据运营商的特点,基于用户访问时授权获取的位置信息为依据来对用户进行划分网格。但是实际操作时,由于客户是流动的,客户的地理地址经常存在不唯一、不准确等情况,经常导致网格划分结果出错,从而导致仅根据地理位置向客户推送消息时,出现重复打扰客户、消息推送精准度差等技术问题。
发明内容
有鉴于此,本发明实施例提供了一种基于用户网格划分的消息推送方法,以解决现有技术中对用户的网格划分不准确,导致根据地理位置向客户推送消息时消息推送精准度差的技术问题,该方法包括:
针对访问业务页面的访问用户,在所述访问用户授权的情况下,获取所述访问用户在预设时间段内的网络访问活动数据,所述网络访问活动数据包括所述访问用户的访问位置,所述访问位置为所述访问用户访问网络时所在的地理位置;
根据所述网络访问活动数据,获取所述访问用户的访问位置变化数据,所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳;
将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置;
获取所述访问用户的与地理位置相关的网络访问内容数据,根据所述网络访问内容数据获取所述访问用户关注的地理位置;
根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,其中,所述录入位置为所述访问用户在所述业务页面预存的地理位置;
将所述访问用户的所述实际地理位置与业务网格数据进行匹配,确定所述访问用户对应的网格数据,其中,所述业务网格数据包括多个网格数据,不同网格数据包括不同的地理区域和不同的业务范围;
通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。
进一步的,将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置,包括:
对所述访问位置变化数据中的异常数据进行剔除,其中,所述异常数据为相邻两个所述访问位置对应的时间戳差值小于预设阈值的数据;
对异常数据剔除后的所述访问位置变化数据进行特征提取,提取所述访问用户的位置变化相关数据,所述位置变化相关数据包括访问位置、在每个访问位置的停留时长和访问位置的聚集范围;
对所述位置变化相关数据进行数据预处理;
建立所述机器学习模型,其中,在建立所述机器学习模型的过程中,利用测量精度和召回率作为指标对所述机器学习模型进行评估和改进;
将数据预处理之后的所述位置变化相关数据输入所述机器学习模型,所述机器学习模型输出所述访问用户的常用访问位置。
进一步的,根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,包括:
将所述访问用户的所述常用访问位置、所述关注的地理位置以及所述录入位置输入多元回归模型,通过所述多元回归模型分别获得所述常用访问位置的第一权重值、所述录入位置的第二权重值和所述关注的地理位置的第三权重值;
在所述第一权重值、所述第二权重值以及所述第三权重值中,将最大的权重值对应的位置确定为所述访问用户的实际地理位置。
进一步的,根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,包括:
如果所述常用访问位置、所述关注的地理位置以及录入位置中,存在任意两项或两项以上对应的位置信息相同,则将该相同的位置信息确定为所述访问用户的实际地理位置。
进一步的,通过所述访问用户对应的网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息,包括:
判断所述访问用户的账号信息是否存在关联的服务人员信息,如果是,则获取所述访问用户的账号信息所关联的第一服务人员信息;
获得所述访问用户对应的网格数据的业务范围中的第二服务人员信息;
将所述第一服务人员信息与所述第二服务人员信息进行匹配,如果匹配失败,则将所述访问用户的账号信息所关联的服务人员信息调整为所述第二服务人员信息;
通过所述第二服务人员信息中的账号向所述访问用户的账号推送消息。
进一步的,对所述访问用户的账号信息所关联的服务人员信息进行调整之后,将所述第二服务人员信息对应的任务信息和所述访问用户的账号信息发送至所述第二服务人员信息中的账号上,所述任务信息包括第二服务人员的标识码;
根据标识码获取每个第二服务人员对任务信息的推送执行结果。
进一步的,将所述访问用户与所述访问用户对应的网格数据的对应关系,通过区块链进行存储。
本发明还提供了一种基于用户网格划分的消息推送系统,以解决现有技术中对用户的网格划分不准确,导致根据地理位置向客户推送消息时消息推送精准度差的技术问题。该系统包括:
访问数据获取模块,用于针对访问业务页面的访问用户,在所述访问用户授权的情况下,获取所述访问用户在预设时间段内的网络访问活动数据,所述网络访问活动数据包括所述访问用户的访问位置,所述访问位置为所述访问用户访问网络时所在的地理位置;
位置数据获取模块,用于根据所述网络访问活动数据,获取所述访问用户的访问位置变化数据,所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳;
常用访问位置获取模块,用于将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置;
关注位置获取模块,用于获取所述访问用户的与地理位置相关的网络访问内容数据,根据所述网络访问内容数据获取所述访问用户关注的地理位置;
实际位置获取模块,用于根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,其中,所述录入位置为所述访问用户在所述业务页面预存的地理位置;
网格划分模块,用于将所述访问用户的所述实际地理位置与业务网格数据进行匹配,确定所述访问用户对应的网格数据,其中,所述业务网格数据包括多个网格数据,不同网格数据包括不同的地理区域和不同的业务范围;
消息推送模块,用于通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在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任意的基于用户网格划分的消息推送方法,以解决现有技术中对用户的网格划分不准确,导致根据地理位置向客户推送消息时消息推送精准度差的技术问题。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的基于用户网格划分的消息推送方法的计算机程序,以解决现有技术中对用户的网格划分不准确,导致根据地理位置向客户推送消息时消息推送精准度差的技术问题。
与现有技术相比,本发明采用的上述至少一个技术方案能够达到的有益效果至少包括:通过用户授权后拉取访问用户的位置信息,并记录一段时间内用户的位置变化数据,通过将位置变化数据输入神经网络模型的方式,对用户的常用访问位置进行训练学习,从而确定出用户的常用访问位置,并根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,基于此实际地理位置对用户按照区域进行网格划分,确定所述访问用户对应的网格数据,最后,通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息,从而实现了对用户实际地理位置确定的准确性,进而提高了用户网格划分的准确性,确保了用户的实际地理位置与对应网格数据的匹配度、适配度,进一步提高了消息推送的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1是本发明实施例提供的一种基于用户网格划分的消息推送方法的流程示意图;
图2为本发明实施例提供的一种基于用户网格划分的消息推送系统的结构框图;
图3为本发明实施例提供的一种计算机设备的结构框图。
图中附图标记:200、系统;201、访问数据获取模块;202、位置数据获取模块;203、常用访问位置获取模块;204、关注位置获取模块;205、实际位置获取模块;206、网格划分模块;207、消息推送模块;301、存储器;302、处理器。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明实施例提供了一种基于用户网格划分的消息推送方法,通过用户授权后拉取访问用户的位置信息,并记录一段时间内用户的位置变化数据,通过将位置变化数据输入神经网络模型的方式,对用户的常用访问位置进行训练学习,从而确定出用户的常用访问位置,并根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,基于此实际地理位置对用户按照区域进行网格划分,确定所述访问用户对应的网格数据,最后,通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息,从而实现了对用户实际地理位置确定的准确性,进而提高了用户网格划分的准确性,确保了用户的实际地理位置与对应网格数据的匹配度、适配度,进一步提高了消息推送的精准度。
如图1所示,本发明实施例提供了一种基于用户网格划分的消息推送方法,所述方法包括如下步骤:
步骤S100:针对访问业务页面的访问用户,在所述访问用户授权的情况下,获取所述访问用户在预设时间段内的网络访问活动数据,所述网络访问活动数据包括所述访问用户的访问位置,所述访问位置为所述访问用户访问网络时所在的地理位置;
具体而言,用户访问业务页面时,首先获取用户的授权信息;基于用户的授权信息获取访问用户的账号关联的网络访问活动数据,包括客户浏览记录、客户访问位置、客户办理业务记录等数据。举例而言,所述访问用户所访问的业务页面包括用户在微信公众平台、小程序、企业微信应用等平台访问的业务页面,用户访问后,获取该访问用户在该平台的唯一标识码识别用户身份,并拉取用户的授权信息。
步骤S200:根据所述网络访问活动数据,获取所述访问用户的访问位置变化数据,所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳;
具体而言,基于用户授权获取的所述网络访问活动数据包括用户的访问位置变化数据。获取所述预设时间段内所述访问用户的访问位置变化数据,并对用户位置信息进行去识别化技术,将用户位置信息用于特定目的,防止泄露用户隐私。举例而言,对于需要使用用户位置信息的应用程序,可以将用户位置数据进行匿名处理;加密是另一种保护用户位置数据隐私的方法,它是将用户位置数据转换为一串乱码或密文。获取的所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳。
具体实施时,获取用户访问位置的方法包括:IP地址:通过用户的IP地址可以确定用户的大致位置,但是由于IP地址可以被伪造或者使用代理服务器,所以这种方法并不是非常准确;GPS定位:如果用户使用的是移动设备,可以通过GPS定位来确定用户的真实位置,这种方法比较准确;WiFi定位:通过用户所连接的WiFi热点可以确定用户的位置,这种方法比较准确,但是需要有足够的WiFi热点信息;地理位置API:使用地理位置API可以根据用户的IP地址、GPS定位或WiFi定位来确定用户的位置,这种方法比较准确,但需要使用第三方API服务。在访问用户访问页面时,根据平台的权限从上述方法中选取获取用户访问位置的方法,来获取访问用户的访问位置。
步骤S300:将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置;该常用访问位置是指所述访问用户所用的所有访问位置中使用频率最高的访问位置;
进一步的,步骤S300中,将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置,还包括:
步骤S310:对所述访问位置变化数据中的异常数据进行剔除,其中,所述异常数据为相邻两个所述访问位置对应的时间戳差值小于预设阈值的数据;
步骤S320:对异常数据剔除后的所述访问位置变化数据进行特征提取,提取所述访问用户的位置变化相关数据,所述位置变化相关数据包括访问位置、在每个访问位置的停留时长、访问位置的聚集范围等数据;
步骤S330:对所述位置变化相关数据进行数据预处理;
步骤S340:建立所述机器学习模型,其中,在建立所述机器学习模型的过程中,利用测量精度和召回率作为指标对所述机器学习模型进行评估和改进;
步骤S350:将数据预处理之后的位置变化相关数据输入所述机器学习模型,所述机器学习模型输出所述访问用户的常用访问位置。
具体而言,获取所述访问用户在预设时间段内的访问位置变化数据,包括多个访问位置及对应时间戳,先对访问位置变化数据内的异常位置数据进行剔除,异常数据为相邻两个所述访问位置对应的时间戳差值小于预设阈值的数据。如果用户在相邻时间的访问位置变化超出合理时间阈值,则认定为异常数据,进行剔除。通过异常数据剔除,提高了后续数据处理的效率。
对访问位置变化数据进行异常数据剔除后,对数据按照一定的时间跨度来分类整理,然后对整理后的访问位置变化数据进行数据处理和特征提取,得到位置变化相关数据,并训练和优化机器学习模型,将数据预处理后的位置变化相关数据作为输入数据输入至机器学习模型,由机器学习模型输出访问用户的常用访问位置。数据处理和构建机器学习模型的具体步骤包括:
特征提取:从访问位置变化数据中提取各种与用户活动和移动轨迹有关的特征,包括访问位置、访问位置停留时间、访问位置聚集范围等特征;
数据预处理:对访问位置变化数据进行清理和预处理,包括去除重复记录、空值、异常值等,并进行缩放或标准化等操作;
数据标记:通过人工确认或其他有效的方式,将常用访问位置标记为正类,非常用访问位置标记为负类;
建立模型:根据已标记数据建立机器学习模型,可以使用分类或聚类算法对模型进行训练和测试,举例而言,机器学习模型包括SVM、KNN、DBSCAN等;
模型评估:利用测量精度和召回率等指标,对模型的分类效果和性能进行评估和调优;
应用模型:使用机器学习模型对新数据进行分类预测,以确定用户所处位置是否为常用访问位置。
步骤S400:获取所述访问用户的与地理位置相关的网络访问内容数据,根据所述网络访问内容数据获取所述访问用户关注的地理位置;
举例而言,从访问用户的账户所关联的网络数据获取网络访问内容数据,从网络访问内容数据中获取访问用户关注的地理位置,举例而言,网络访问内容数据包括用户经常浏览某位置的新闻、用户搜索某地信息、关注某地天气等。从用户的网络访问内容数据中提取用户的关注地理位置,作为判断用户实际位置的另一参考因素,从而能够更为准确地判断用户实际位置。
步骤S500:根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,其中,所述录入位置为所述访问用户在所述业务页面预存的地理位置;
进一步的,步骤S500中,根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,包括:
步骤S510:将所述访问用户的所述常用访问位置、所述关注的地理位置以及所述录入位置输入多元回归模型,通过所述多元回归模型分别获得所述常用访问位置的第一权重值、所述录入位置的第二权重值和所述关注的地理位置的第三权重值;
步骤S520:在所述第一权重值、所述第二权重值以及所述第三权重值中,将最大的权重值对应的位置确定为所述访问用户的实际地理位置。
具体而言,分别获取所述访问客户的常用访问位置、关注的地理位置和用户的录入位置之后,根据用户的常用访问位置、录入位置、关注位置建立多元回归模型,所述多远回归模型用于分析用户的常用访问位置、录入位置、关注位置分别与用户实际位置之间的关系。获取模型参数,模型参数包括自变量的系数和截距项,根据模型参数完成多元回归模型的构建,从而根据构建的多元回归模型分别获取用户的常用访问位置、录入位置和活动位置相对于用户实际位置的权重值,即所述第一权重值、第二权重值和第三权重值,继而将最高的权重值对应的位置作为访问用户的实际地理位置。多元回归模型用于建立一个自变量和因变量之间的线性关系模型,从而获得最接近用户实际地理位置的位置,通过多元回归模型,提高了用户位置判断的准确性,从而提高了用户网格划分的准确性,提高了消息推送的精准度。
进一步的,作为优选方案,如果所述常用访问位置、所述关注的地理位置以及录入位置中,存在任意两项或两项以上对应的位置信息相同,则将该相同的位置信息确定为所述访问用户的实际地理位置。
步骤S600:将所述访问用户的所述实际地理位置与业务网格数据进行匹配,确定所述访问用户对应的网格数据,其中,所述业务网格数据包括多个网格数据,不同网格数据包括不同的地理区域和不同的业务范围;
步骤S700:通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。该账号可以是任意能够发送消息的账号,例如,微信账号、公众号账号、企业微信账号等。
进一步的,步骤S700还包括:
步骤S710:判断所述访问用户的账号信息是否存在关联的服务人员信息,如果是,则获取所述访问用户的账号信息所关联的第一服务人员信息;
步骤S720:获得所述访问用户对应的网格数据的业务范围中的第二服务人员信息;
步骤S730:将所述第一服务人员信息与所述第二服务人员信息进行匹配,如果匹配失败,则将所述访问用户的账号信息所关联的服务人员信息调整为所述第二服务人员信息;
步骤S740:通过所述第二服务人员信息中的账号向所述访问用户的账号推送消息。
具体而言,不同网格数据包括不同的地理区域和不同的业务范围,并且对应有不同的业务经理账号信息(即上述第二服务人员信息)。在确定访问用户的实际地理位置之后,将用户实际地理位置和客户经理的区域划分数据相对应,对用户进行区域划分,获取客户对应的网格数据,客户对应的网格数据包括客户与客户经理的对应关系。区域划分之后,通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。服务人员进行任务推送,推送的任务包括文字、图像等形式的内容,并且推送任务内容中包括对应服务人员的标识信息,根据对标识信息进行识别,对推送任务的执行情况进行评估,包括:客户访问量、客户业务办理情况,并将评估结果跟客户经理进行对应。
完成对访问客户的网格划分和服务人员分配之后,获取用户授权的访问信息,包括用户账号信息、根据用户账号信息获取用户关联的客户经理信息,将用户关联的客户经理信息(即上述第一服务人员信息)与用户对应的网格数据中匹配的客户经理信息(即上述第二服务人员信息)进行比对,并根据比对结果调整用户关联的客户经理信息;如果不一致,自动进行好友关系转移。
优选的,对生成的用户与网格数据的对应关系通过区块链技术进行安全存储,举例而言,可选取的方法包括:构建用户身份标识系统:对于业务运营商的用户数据,可以为每个用户建立唯一的身份标识,并将该标识存储在区块链上。这有助于确保用户数据的唯一性和不可篡改性;哈希化用户数据:对于存储在区块链上的用户数据,可以进行哈希化处理,将敏感数据进行加密处理,并只留下哈希值。这可以确保用户数据的隐私性和安全性,同时避免被未授权的人访问。
基于同一发明构思,本发明实施例中还提供了一种基于用户网格划分的消息推送系统,如下面的实施例所述。由于一种基于用户网格划分的消息推送系统解决问题的原理与一种基于用户网格划分的消息推送方法相似,因此一种基于用户网格划分的消息推送系统的实施可以参见一种基于用户网格划分的消息推送方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是本发明实施例的一种基于用户网格划分的消息推送系统200的一种结构框图,如图2所示,包括:访问数据获取模块201,用于针对访问业务页面的访问用户,在所述访问用户授权的情况下,获取所述访问用户在预设时间段内的网络访问活动数据,所述网络访问活动数据包括所述访问用户的访问位置,所述访问位置为所述访问用户访问网络时所在的地理位置;位置数据获取模块202,用于根据所述网络访问活动数据,获取所述访问用户的访问位置变化数据,所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳;常用访问位置获取模块203,用于将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置;关注位置获取模块204,用于获取所述访问用户的与地理位置相关的网络访问内容数据,根据所述网络访问内容数据获取所述访问用户关注的地理位置;实际位置获取模块205,用于根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,其中,所述录入位置为所述访问用户在所述业务页面预存的地理位置;网格划分模块206,用于将所述访问用户的所述实际地理位置与业务网格数据进行匹配,确定所述访问用户对应的网格数据,其中,所述业务网格数据包括多个网格数据,不同网格数据包括不同的地理区域和不同的业务范围;消息推送模块207,用于通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。
进一步的,常用访问位置获取模块203,还用于:
对所述访问位置变化数据中的异常数据进行剔除,其中,所述异常数据为相邻两个所述访问位置对应的时间戳差值小于预设阈值的数据;
对异常数据剔除后的所述访问位置变化数据进行特征提取,提取所述访问用户的位置变化相关数据,所述位置变化相关数据包括访问位置、在每个访问位置的停留时长和访问位置的聚集范围;
对所述位置变化相关数据进行数据预处理;
建立所述机器学习模型,其中,在建立所述机器学习模型的过程中,利用测量精度和召回率作为指标对所述机器学习模型进行评估和改进;
将数据预处理之后的所述位置变化相关数据输入所述机器学习模型,所述机器学习模型输出所述访问用户的常用访问位置。
进一步的,实际位置获取模块205,还用于:
将所述访问用户的所述常用访问位置、所述关注的地理位置以及所述录入位置输入多元回归模型,通过所述多元回归模型分别获得所述常用访问位置的第一权重值、所述录入位置的第二权重值和所述关注的地理位置的第三权重值;
在所述第一权重值、所述第二权重值以及所述第三权重值中,将最大的权重值对应的位置确定为所述访问用户的实际地理位置。
进一步的,实际位置获取模块205,还用于:如果所述常用访问位置、所述关注的地理位置以及录入位置中,存在任意两项或两项以上对应的位置信息相同,则将该相同的位置信息确定为所述访问用户的实际地理位置。
进一步的,消息推送模块207,还用于:
判断所述访问用户的账号信息是否存在关联的服务人员信息,如果是,则获取所述访问用户的账号信息所关联的第一服务人员信息;
获得所述访问用户对应的网格数据的业务范围中的第二服务人员信息;
将所述第一服务人员信息与所述第二服务人员信息进行匹配,如果匹配失败,则将所述访问用户的账号信息所关联的服务人员信息调整为所述第二服务人员信息;
通过所述第二服务人员信息中的账号向所述访问用户的账号推送消息。
进一步的,消息推送模块207,还用于:
对所述访问用户的账号信息所关联的服务人员信息进行调整之后,将所述第二服务人员信息对应的任务信息和所述访问用户的账号信息发送至所述第二服务人员信息中的账号上,所述任务信息包括第二服务人员的标识码;
根据标识码获取每个第二服务人员对任务信息的推送执行结果。
进一步的,一种基于用户网格划分的消息推送系统200中,将所述访问用户与所述访问用户对应的网格数据的对应关系,通过区块链进行存储。
在本实施例中,提供了一种计算机设备,如图3所示,包括存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序,所述处理器302执行所述计算机程序时实现上述任意的一种基于用户网格划分的消息推送方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的一种基于用户网格划分的消息推送方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明实施例实现了如下技术效果:
通过用户授权后拉取访问用户的位置信息,并记录一段时间内用户的位置变化数据,通过将位置变化数据输入神经网络模型的方式,对用户的常用访问位置进行训练学习,从而确定出用户的常用访问位置,并根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,基于此实际地理位置对用户按照区域进行网格划分,确定所述访问用户对应的网格数据,最后,通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息,从而实现了对用户实际地理位置确定的准确性,进而提高了用户网格划分的准确性,确保了用户的实际地理位置与对应网格数据的匹配度、适配度,进一步提高了消息推送的精准度。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户网格划分的消息推送方法,其特征在于,包括:
针对访问业务页面的访问用户,在所述访问用户授权的情况下,获取所述访问用户在预设时间段内的网络访问活动数据,所述网络访问活动数据包括所述访问用户的访问位置,所述访问位置为所述访问用户访问网络时所在的地理位置;
根据所述网络访问活动数据,获取所述访问用户的访问位置变化数据,所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳;
将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置;
获取所述访问用户与地理位置相关的网络访问内容数据,根据所述网络访问内容数据获取所述访问用户关注的地理位置;
根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,其中,所述录入位置为所述访问用户在所述业务页面预存的地理位置;
将所述访问用户的所述实际地理位置与业务网格数据进行匹配,确定所述访问用户对应的网格数据,其中,所述业务网格数据包括多个不同的网格数据,不同网格数据包括不同的地理区域和不同的业务范围;
通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。
2.根据权利要求1所述的基于用户网格划分的消息推送方法,其特征在于,将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置,包括:
对所述访问位置变化数据中的异常数据进行剔除,其中,所述异常数据为相邻两个所述访问位置对应的时间戳差值小于预设阈值的数据;
对异常数据剔除后的所述访问位置变化数据进行特征提取,提取所述访问用户的位置变化相关数据,所述位置变化相关数据包括访问位置、在每个访问位置的停留时长和访问位置的聚集范围;
对所述位置变化相关数据进行数据预处理;
建立所述机器学习模型,其中,在建立所述机器学习模型的过程中,利用测量精度和召回率作为指标对所述机器学习模型进行评估和改进;
将数据预处理之后的所述位置变化相关数据输入所述机器学习模型,所述机器学习模型输出所述访问用户的常用访问位置。
3.根据权利要求1所述的基于用户网格划分的消息推送方法,其特征在于,根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,包括:
将所述访问用户的所述常用访问位置、所述关注的地理位置以及所述录入位置输入多元回归模型,通过所述多元回归模型分别获得所述常用访问位置的第一权重值、所述录入位置的第二权重值和所述关注的地理位置的第三权重值;
在所述第一权重值、所述第二权重值以及所述第三权重值中,将最大的权重值对应的位置确定为所述访问用户的实际地理位置。
4.根据权利要求1所述的基于用户网格划分的消息推送方法,其特征在于,根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,包括:
如果所述常用访问位置、所述关注的地理位置以及录入位置中,存在任意两项或两项以上对应的位置信息相同,则将该相同的位置信息确定为所述访问用户的实际地理位置。
5.根据权利要求1至4中任一项所述的基于用户网格划分的消息推送方法,其特征在于,通过所述访问用户对应的网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息,包括:
判断所述访问用户的账号信息是否存在关联的服务人员信息,如果是,则获取所述访问用户的账号信息所关联的第一服务人员信息;
获得所述访问用户对应的网格数据的业务范围中的第二服务人员信息;
将所述第一服务人员信息与所述第二服务人员信息进行匹配,如果匹配失败,则将所述访问用户的账号信息所关联的服务人员信息调整为所述第二服务人员信息;
通过所述第二服务人员信息中的账号向所述访问用户的账号推送消息。
6.根据权利要求5所述的基于用户网格划分的消息推送方法,其特征在于,还包括:
对所述访问用户的账号信息所关联的服务人员信息进行调整之后,将所述第二服务人员信息对应的任务信息和所述访问用户的账号信息发送至所述第二服务人员信息中的账号上,所述任务信息包括第二服务人员的标识码;
根据标识码获取每个第二服务人员对任务信息的推送执行结果。
7.根据权利要求1至4中任一项所述的基于用户网格划分的消息推送方法,其特征在于,还包括:
将所述访问用户与所述访问用户对应的网格数据的对应关系,通过区块链进行存储。
8.一种基于用户网格划分的消息推送系统,其特征在于,包括:
访问数据获取模块,用于针对访问业务页面的访问用户,在所述访问用户授权的情况下,获取所述访问用户在预设时间段内的网络访问活动数据,所述网络访问活动数据包括所述访问用户的访问位置,所述访问位置为所述访问用户访问网络时所在的地理位置;
位置数据获取模块,用于根据所述网络访问活动数据,获取所述访问用户的访问位置变化数据,所述访问位置变化数据包括一个或多个所述访问位置和各所述访问位置对应的时间戳;
常用访问位置获取模块,用于将所述访问位置变化数据输入到训练后的机器学习模型中,获得所述访问用户的常用访问位置;
关注位置获取模块,用于获取所述访问用户与地理位置相关的网络访问内容数据,根据所述网络访问内容数据获取所述访问用户关注的地理位置;
实际位置获取模块,用于根据所述访问用户的所述常用访问位置、所述关注的地理位置以及录入位置,确定所述访问用户的实际地理位置,其中,所述录入位置为所述访问用户在所述业务页面预存的地理位置;
网格划分模块,用于将所述访问用户的所述实际地理位置与业务网格数据进行匹配,确定所述访问用户对应的网格数据,其中,所述业务网格数据包括多个网格数据,不同网格数据包括不同的地理区域和不同的业务范围;
消息推送模块,用于通过所述访问用户对应网格数据的业务范围中的服务人员的账号,向所述访问用户的账号推送消息。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述的一种基于用户网格划分的消息推送方法。
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执行权利要求1至7中任一项所述的一种基于用户网格划分的消息推送方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310466077.7A CN116192943B (zh) | 2023-04-27 | 2023-04-27 | 一种基于用户网格划分的消息推送方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310466077.7A CN116192943B (zh) | 2023-04-27 | 2023-04-27 | 一种基于用户网格划分的消息推送方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116192943A true CN116192943A (zh) | 2023-05-30 |
CN116192943B CN116192943B (zh) | 2023-06-30 |
Family
ID=86434866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310466077.7A Active CN116192943B (zh) | 2023-04-27 | 2023-04-27 | 一种基于用户网格划分的消息推送方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116192943B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102474527A (zh) * | 2009-07-31 | 2012-05-23 | 微软公司 | 基于预测性来适应推送的内容递送 |
CN105471720A (zh) * | 2015-12-28 | 2016-04-06 | 广众通电子(深圳)有限公司 | 消息推送方法、消息推送装置及消息推送系统 |
US20170352103A1 (en) * | 2016-06-06 | 2017-12-07 | Fred Y. Choi | Automatic assignment of locations to mobile units via a back-end application computer server |
CN109246230A (zh) * | 2018-09-29 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
US20190228435A1 (en) * | 2018-01-22 | 2019-07-25 | International Business Machines Corporation | Location type confidence optimization |
CN114930882A (zh) * | 2020-03-09 | 2022-08-19 | 游戏橘子数位科技股份有限公司 | 以时间与位置为基础的讯息管理方法 |
-
2023
- 2023-04-27 CN CN202310466077.7A patent/CN116192943B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102474527A (zh) * | 2009-07-31 | 2012-05-23 | 微软公司 | 基于预测性来适应推送的内容递送 |
CN105471720A (zh) * | 2015-12-28 | 2016-04-06 | 广众通电子(深圳)有限公司 | 消息推送方法、消息推送装置及消息推送系统 |
US20170352103A1 (en) * | 2016-06-06 | 2017-12-07 | Fred Y. Choi | Automatic assignment of locations to mobile units via a back-end application computer server |
US20190228435A1 (en) * | 2018-01-22 | 2019-07-25 | International Business Machines Corporation | Location type confidence optimization |
CN109246230A (zh) * | 2018-09-29 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN114930882A (zh) * | 2020-03-09 | 2022-08-19 | 游戏橘子数位科技股份有限公司 | 以时间与位置为基础的讯息管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116192943B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9392463B2 (en) | System and method for detecting anomaly in a handheld device | |
TW201629824A (zh) | 使用適應性行爲輪廓之異常檢測技術 | |
CN116797267B (zh) | 用于股权投资的分布式市场数据采集管理系统 | |
US9294560B2 (en) | System and method of analysing transfer of data over at least one network | |
CN113132297B (zh) | 数据泄露的检测方法及装置 | |
CN115643107B (zh) | 网络安全风险评估方法、装置、计算机设备及存储介质 | |
US10122711B2 (en) | Secure communications methods for use with entrepreneurial prediction systems and methods | |
CN110677384A (zh) | 钓鱼网站的检测方法及装置、存储介质、电子装置 | |
CN116934285A (zh) | 一种实现数字化与实体档案管理的视觉智能系统及设备 | |
CN112819611A (zh) | 欺诈识别方法、装置、电子设备和计算机可读存储介质 | |
KR101663288B1 (ko) | 개인정보 모니터링 시스템 및 방법 | |
US20220164874A1 (en) | Privacy Separated Credit Scoring System | |
CN116192943B (zh) | 一种基于用户网格划分的消息推送方法和系统 | |
CN117609992A (zh) | 一种数据泄密检测方法、装置及存储介质 | |
CN112667706A (zh) | 识别被盗账号的方法及装置 | |
CN111949696A (zh) | 一种全要素关联分析方法及装置 | |
Khan et al. | The presence of Twitter bots and cyborgs in the# FeesMustFall campaign | |
CN114666149B (zh) | 基于区块链的物联网环境安全监控系统 | |
Panda et al. | Securing database integrity in intelligent government systems that employ fog computing technology | |
CN112100670A (zh) | 一种基于大数据的隐私数据分级保护方法 | |
CN115292272B (zh) | 企业级权限管理的方法、系统、电子设备以及存储介质 | |
CN118101341B (zh) | 一种基于大数据的商户中心多平台监管系统 | |
US11886229B1 (en) | System and method for generating a global dictionary and performing similarity search queries in a network | |
CN117763519B (zh) | 可信用户体系构建方法、系统及可读存储介质 | |
CN109951461B (zh) | 基于无线网络的信息溯源方法及装置 |
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 |