CN116561667A - 一种用户分类方法、装置、电子设备及存储介质 - Google Patents
一种用户分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116561667A CN116561667A CN202310609770.5A CN202310609770A CN116561667A CN 116561667 A CN116561667 A CN 116561667A CN 202310609770 A CN202310609770 A CN 202310609770A CN 116561667 A CN116561667 A CN 116561667A
- Authority
- CN
- China
- Prior art keywords
- user
- classification result
- determining
- classified
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 13
- 239000013598 vector Substances 0.000 description 26
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用户分类方法、装置、电子设备及存储介质。该方法包括:获取待分类用户的用户评估指标数据;根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。本技术方案解决了用户分类结果针对性差的问题,可以提高用户分类精细度,满足用户多样化的消费需求。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种用户分类方法、装置、电子设备及存储介质。
背景技术
用户是企业最核心的资本,要提升用户的服务体验,企业需要准确了解用户消费需求,以提供针对性的消费服务。
目前,企业在进行用户分析时,通常根据用户评估指标与预设评估阈值的比较结果对用户进行分类,分类结果比较粗糙,难以实现精细化分类,不能满足用户消费的多样化需求。
发明内容
本发明提供了一种用户分类方法、装置、电子设备及存储介质,以解决用户分类结果针对性差的问题,可以提高用户分类精细度,满足用户多样化的消费需求。
根据本发明的一方面,提供了一种用户分类方法,所述方法包括:
获取待分类用户的用户评估指标数据;
根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;
根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;
根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;
根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
根据本发明的另一方面,提供了一种用户分类装置,该装置包括:
指标数据获取模块,用于获取待分类用户的用户评估指标数据;
第一分类结果确定模块,用于根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;
目标用户集合确定模块,用于根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;
第二分类结果确定模块,用于根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;
分类结果确定模块,用于根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的用户分类方法。
根据本发明的另一方面,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计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的用户分类方法。
本发明实施例的技术方案,通过获取待分类用户的用户评估指标数据;根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。该技术方案解决了用户分类结果针对性差的问题,可以提高用户分类精细度,满足用户多样化的消费需求。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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发明的一些实施例,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他的附图。
图1是根据本发明实施例一提供的一种用户分类方法的流程图;
图2A是根据本发明实施例二提供的一种用户分类方法的流程图;
图2B是根据本发明实施例二提供的清晰半径示意图;
图3是根据本发明实施例三提供的一种用户分类装置的结构示意图;
图4是实现本发明实施例的用户分类方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供了一种用户分类方法的流程图,本实施例可适用于金融、电子商务等领域的用户群体划分场景,该方法可以由用户分类装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取待分类用户的用户评估指标数据。
本方案可以由计算机、服务器等电子设备执行,电子设备可以通过业务系统获取待分类用户的用户评估指标数据。其中,所述用户评估指标数据是根据待分类用户的用户消费数据确定的。具体的,所述用户评估指标数据可以包括通过RFM(Recency,Frequency,Monetary)模型根据用户消费数据确定的消费间隔、消费频率以及消费金额等评估指标。每个待分类用户可以对应一组用户评估指标数据,每组用户评估指标数据可以包括一个或多个评估指标。
S120、根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果。
电子设备可以对用户评估指标数据进行归一化、标准化等处理,以消除不同评估指标之间的属性差异。例如可以将消费间隔指标进行取逆处理,以保证是各评估指标均为正向指标。
电子设备可以以特征向量的形式对用户评估指标数据进行表征,根据初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,对各待分类用户匹配的特征向量进行聚类,得到第一用户分类结果。其中,初始聚类中心可以是随机生成的,也可以是基于各待分类用户的特征向量确定的。初始聚类中心的数量可以是在簇中心数目集合中确定的。所述簇中心数目集合可以包括一个或多个簇中心数目,所述误差阈值可以用于评估每次迭代输出的聚类结果是否符合误差要求。
S130、根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径。
在得到第一用户分类结果之后,电子设备可以对第一用户分类结果中待分类用户与所属用户类别的关联程度进行判断,确定划分用户类别不清晰的待分类用户,构成目标用户集合。用户类别不清晰可以是待分类用户匹配的特征向量与至少两个聚类中心的距离相近,例如待分类用户A匹配的特征向量为特征向量A,特征向量A与聚类中心1的距离为a,与聚类中心2的距离为b,a和b之差小于预设距离差阈值,则可以确定待分类用户A为用户类别不清晰的待分类用户。根据用户类别清晰的待分类用户匹配的特征向量以及所属用户类别的聚类中心,电子设备可以计算各用户类别的清晰半径。具体的,电子设备可以将与聚类中心距离最近的预设数量个特征向量确定为目标向量,根据各目标向量与聚类中心的距离,确定各用户类别的清晰半径。需要说明的是,清晰半径可以表征同一用户类别中各待分类用户匹配的特征向量的相似性。若用户类别中各待分类用户匹配的特征向量相似性较高,则清晰半径较小,若用户类别中各待分类用户匹配的特征向量相似性较低,则清晰半径较大。各用户类别的清晰半径与该用户类别中待分类用户的特征向量有关,因此,各用户类别的清晰半径可以相同也可以不同。
S140、根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果。
根据各用户类别的清晰半径,电子设备可以对目标用户集合中的待分类用户进行重新分类,以使类别模糊的待分类用户分类清晰化,得到第二用户分类结果。
S150、根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
电子设备可以将第一用户分类结果和第二用户分类结果进行结合,得到待分类用户的分类结果。
本技术方案通过获取待分类用户的用户评估指标数据;根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。该技术方案解决了用户分类结果针对性差的问题,可以提高用户分类精细度,满足用户多样化的消费需求。
实施例二
图2A为本发明实施例二提供的一种用户分类方法的流程图,本实施例以上述实施例为基础进行细化。如图2A所示,该方法包括:
S210、获取待分类用户的用户评估指标数据。
S220、根据预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,基于模糊聚类模型对各条用户评估指标数据进行聚类,确定第一用户分类结果。
在本方案中,模糊聚类模型可以是FCM(Fuzzy C-Means)聚类算法,FCM算法是一种基于划分的聚类算法,思想是使被划分到同一簇的对象之间相似度最大,而不同簇的对象之间的相似度最小。
本方案中,可选的,每个待分类用户匹配一条用户评估指标数据;所述初始聚类中心为通过粒子群模型根据各条用户评估指标数据确定的目标粒子位置。
在进行模糊聚类之前,电子设备可以基于粒子群算法将各条用户评估指标数据作为粒子进行编码,计算各粒子的适应度函数,并根据适应度函数更新各粒子的速度和位置,直到满足迭代终止条件,输出符合适应度阈值需求的目标粒子位置。电子设备可以将目标粒子位置作为模糊聚类的初始聚类中心。
本方案基于粒子群算法确定模糊聚类的初始聚类中心,有利于避免模糊聚类模型陷入局部最优解,从而提高用户分类结果的准确性和稳定性。
其中,所述第一用户分类结果包括目标隶属度矩阵、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系。
本实施例中,所述目标隶属度矩阵为模糊聚类模型在满足误差阈值时输出的隶属度矩阵;所述目标隶属度矩阵包括各条用户评估指标数据匹配的第一隶属度值。
可以理解的,模糊聚类模型可以根据初始聚类中心、簇中心数目集合以及预先设置的误差阈值,对用户评估指标数据进行模糊聚类,输出目标隶属度矩阵、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系。所述目标隶属度矩阵可以是模糊聚类模型最后一次迭代输出的隶属度矩阵,也可以是在满足误差阈值时输出的隶属度矩阵。目标隶属度矩阵包括各特征向量匹配的第一隶属度值,即各条用户评估指标数据匹配的第一隶属度值。
S230、根据各条用户评估指标数据匹配的第一隶属度值、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系,计算各用户类别的清晰半径。
电子设备可以预先设置隶属度筛选条件,例如设置隶属度阈值。根据各条用户评估指标数据匹配的第一隶属度值以及各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系,在各用户类别中选取满足隶属度筛选条件的待分类用户。例如在用户类别S的待分类用户集合中选取隶属度大于0.9的待分类用户。根据用户类别中筛选出的待分类用户匹配的特征向量以及该用户类别的聚类中心,计算该用户类别的清晰半径。例如,用户类别S中筛选出3个待分类用户,3个待分类用户的特征向量分别为a1、a2和a3,a1、a2和a3与用户类别S的聚类中心的距离分别为l1、l2和l3,电子设备可以将l1、l2和l3的平均值作为用户类别S的清晰半径。
S240、根据各用户类别的清晰半径,在各待分类用户中确定目标用户集合。
电子设备可以根据用户类别的清晰半径,在聚类分布图中确定用户类别的清晰范围。将不在用户类别的清晰范围内的待分类用户确定为目标用户。图2B是根据本发明实施例二提供的清晰半径示意图,如图2B所示,V1、V2和V3分别为用户类别1、2和3的聚类中心,L1、L2和L3分别为用户类别1、2和3的清晰半径,以用户类别的聚类中心为圆心,以用户类别的清晰半径为半径形成的圆形区域为该用户类别的清晰范围。
S250、根据各用户类别的清晰半径以及目标用户集合中各待分类用户匹配的用户评估指标数据,确定目标用户集合中各待分类用户的第二隶属度值。
可以理解的,根据用户评估指标数据,电子设备可以得到各待分类用户的特征向量。电子设备可以计算目标用户集合中各待分类用户匹配的特征向量与各用户类别的聚类中心的距离,将待分类用户匹配的特征向量与用户类别的聚类中心的距离减去该用户类别的清晰半径,得到待分类用户的特征向量与该用户类别的修正距离,即待分类用户的特征向量与该用户类别的清晰范围边界的最短距离。如图2B所示,特征向量a与用户类别1、2和3的清晰范围边界的最短距离分别为和/>根据各待分类用户的特征向量与各用户类别的修正距离,电子设备可以重新计算各待分类用户与各用户类别的隶属度,得到目标用户集合中各待分类用户的第二隶属度值。
S260、根据第二隶属度值,确定第二用户分类结果。
根据第二隶属度值,电子设备可以对第一用户分类结果中目标用户集合中的各待分类用户进行重新归类,得到第二用户分类结果。其中,所述第二用户分类结果包括目标用户集合中各待分类用户与各用户类别的关联关系。
S270、根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
电子设备可以利用第二用户分类结果修正第一用户分类结果,将修正后的第一用户分类结果,作为待分类用户的分类结果。
在一个可行的方案中,所述根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果,包括:
根据第一用户分类结果中各用户类别与各待分类用户的关联关系,确定除目标用户集合以外的待分类用户的用户类别;
根据第二用户分类结果,确定目标用户集合中各待分类用户的用户类别。
上述方案可以在对待分类用户进行模糊聚类的基础上,依据各用户类别内部数据的分布情况,对归类不清晰的待分类用户进行适应性修正,有利于提高待分类用户的分类准确性和可靠性。
本技术方案通过获取待分类用户的用户评估指标数据;根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。该技术方案解决了用户分类结果针对性差的问题,可以提高用户分类精细度,满足用户多样化的消费需求。
实施例三
图3为本发明实施例三提供的一种用户分类装置的结构示意图。如图3所示,该装置包括:
指标数据获取模块310,用于获取待分类用户的用户评估指标数据;
第一分类结果确定模块320,用于根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;
目标用户集合确定模块330,用于根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;
第二分类结果确定模块340,用于根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;
分类结果确定模块350,用于根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
本方案中,可选的,每个待分类用户匹配一条用户评估指标数据;所述初始聚类中心为通过粒子群模型根据各条用户评估指标数据确定的目标粒子位置。
在上述方案的基础上,所述第一分类结果确定模块320,具体用于:
根据预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,基于模糊聚类模型对各条用户评估指标数据进行聚类,确定第一用户分类结果;其中,所述第一用户分类结果包括目标隶属度矩阵、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系。
在一个可行的方案中,所述目标隶属度矩阵为模糊聚类模型在满足误差阈值时输出的隶属度矩阵;所述目标隶属度矩阵包括各条用户评估指标数据匹配的第一隶属度值。
在上述方案的基础上,所述目标用户集合确定模块330,具体用于:
根据各条用户评估指标数据匹配的第一隶属度值、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系,计算各用户类别的清晰半径;
根据各用户类别的清晰半径,在各待分类用户中确定目标用户集合。
在一个优选的方案中,所述第二分类结果确定模块340,具体用于:
根据各用户类别的清晰半径以及目标用户集合中各待分类用户匹配的用户评估指标数据,确定目标用户集合中各待分类用户的第二隶属度值;
根据第二隶属度值,确定第二用户分类结果;其中,所述第二用户分类结果包括目标用户集合中各待分类用户与各用户类别的关联关系。
本实施例中,可选的,所述分类结果确定模块350,具体用于:
根据第一用户分类结果中各用户类别与各待分类用户的关联关系,确定除目标用户集合以外的待分类用户的用户类别;
根据第二用户分类结果,确定目标用户集合中各待分类用户的用户类别。
本发明实施例所提供的用户分类装置可执行本发明任意实施例所提供的用户分类方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备410包括至少一个处理器411,以及与至少一个处理器411通信连接的存储器,如只读存储器(ROM)412、随机访问存储器(RAM)413等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序,来执行各种适当的动作和处理。在RAM 413中,还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415,包括:输入单元416,例如键盘、鼠标等;输出单元417,例如各种类型的显示器、扬声器等;存储单元418,例如磁盘、光盘等;以及通信单元419,例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理,例如用户分类方法。
在一些实施例中,用户分类方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元418。在一些实施例中,计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时,可以执行上文描述的用户分类方法的一个或多个步骤。备选地,在其他实施例中,处理器411可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用户分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种用户分类方法,其特征在于,所述方法包括:
获取待分类用户的用户评估指标数据;
根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;
根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;
根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;
根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
2.根据权利要求1所述的方法,其特征在于,每个待分类用户匹配一条用户评估指标数据;所述初始聚类中心为通过粒子群模型根据各条用户评估指标数据确定的目标粒子位置。
3.根据权利要求2所述的方法,其特征在于,所述根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果,包括:
根据预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,基于模糊聚类模型对各条用户评估指标数据进行聚类,确定第一用户分类结果;其中,所述第一用户分类结果包括目标隶属度矩阵、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系。
4.根据权利要求3所述的方法,其特征在于,所述目标隶属度矩阵为模糊聚类模型在满足误差阈值时输出的隶属度矩阵;所述目标隶属度矩阵包括各条用户评估指标数据匹配的第一隶属度值。
5.根据权利要求4所述的方法,其特征在于,所述根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径,包括:
根据各条用户评估指标数据匹配的第一隶属度值、各用户类别的聚类中心以及各用户类别与各待分类用户的关联关系,计算各用户类别的清晰半径;
根据各用户类别的清晰半径,在各待分类用户中确定目标用户集合。
6.根据权利要求5所述的方法,其特征在于,所述根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果,包括:
根据各用户类别的清晰半径以及目标用户集合中各待分类用户匹配的用户评估指标数据,确定目标用户集合中各待分类用户的第二隶属度值;
根据第二隶属度值,确定第二用户分类结果;其中,所述第二用户分类结果包括目标用户集合中各待分类用户与各用户类别的关联关系。
7.根据权利要求6所述的方法,其特征在于,所述根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果,包括:
根据第一用户分类结果中各用户类别与各待分类用户的关联关系,确定除目标用户集合以外的待分类用户的用户类别;
根据第二用户分类结果,确定目标用户集合中各待分类用户的用户类别。
8.一种用户分类装置,其特征在于,包括:
指标数据获取模块,用于获取待分类用户的用户评估指标数据;
第一分类结果确定模块,用于根据用户评估指标数据、预先确定的初始聚类中心、预先设置的簇中心数目集合以及预先设置的误差阈值,确定第一用户分类结果;
目标用户集合确定模块,用于根据第一用户分类结果,确定目标用户集合以及各用户类别的清晰半径;
第二分类结果确定模块,用于根据目标用户集合和各用户类别的清晰半径,确定第二用户分类结果;
分类结果确定模块,用于根据第一用户分类结果和第二用户分类结果,确定待分类用户的分类结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的用户分类方法。
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计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的用户分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609770.5A CN116561667A (zh) | 2023-05-26 | 2023-05-26 | 一种用户分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609770.5A CN116561667A (zh) | 2023-05-26 | 2023-05-26 | 一种用户分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561667A true CN116561667A (zh) | 2023-08-08 |
Family
ID=87492904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609770.5A Pending CN116561667A (zh) | 2023-05-26 | 2023-05-26 | 一种用户分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561667A (zh) |
-
2023
- 2023-05-26 CN CN202310609770.5A patent/CN116561667A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN116167352B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN116012859A (zh) | 基于清晰度指标的文本图像拒识判断方法、装置及设备 | |
CN116561667A (zh) | 一种用户分类方法、装置、电子设备及存储介质 | |
CN116226628A (zh) | 一种特征优化方法、装置、设备及介质 | |
CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
CN116017401A (zh) | 一种驻留点确定方法、装置、电子设备及存储介质 | |
CN115049551A (zh) | 一种点云地面点的滤除方法、装置、设备及存储介质 | |
CN117951548A (zh) | 车辆类别的判别方法、装置、设备及存储介质 | |
CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 | |
CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN117455577A (zh) | 目标产品的推荐方法、装置、设备和介质 | |
CN118152821A (zh) | 一种工单数据处理方法、装置、设备及介质 | |
CN115511014B (zh) | 信息匹配方法、装置、设备及存储介质 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN116580218A (zh) | 一种控制方法、装置、设备及存储介质 | |
CN116934779A (zh) | 一种激光点云的分割方法、装置、电子设备及存储介质 | |
CN116304075A (zh) | 基于知识图谱的目标人员匹配方法、装置、设备及介质 | |
CN117235500A (zh) | 物资类别的识别方法、装置、电子设备及存储介质 | |
CN114612784A (zh) | 目标检测网络训练方法、装置、设备及存储介质 | |
CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
CN116383498A (zh) | 数据匹配方法、装置、电子设备及存储介质 | |
CN116596941A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN116304771A (zh) | 基于KMeans的联邦聚类模型的确定方法、装置、设备及介质 |
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 |