CN116823382B - 一种基于大数据的产品推广方法 - Google Patents
一种基于大数据的产品推广方法 Download PDFInfo
- Publication number
- CN116823382B CN116823382B CN202310560922.7A CN202310560922A CN116823382B CN 116823382 B CN116823382 B CN 116823382B CN 202310560922 A CN202310560922 A CN 202310560922A CN 116823382 B CN116823382 B CN 116823382B
- Authority
- CN
- China
- Prior art keywords
- information
- consumer
- product
- target
- consumption
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006399 behavior Effects 0.000 claims description 118
- 239000011159 matrix material Substances 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 48
- 239000002344 surface layer Substances 0.000 claims description 21
- 230000008451 emotion Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008909 emotion recognition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000005406 washing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000008267 milk Substances 0.000 description 3
- 210000004080 milk Anatomy 0.000 description 3
- 235000013336 milk Nutrition 0.000 description 3
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 239000003599 detergent Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000190070 Sarracenia purpurea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 229910052900 illite Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- VGIBGUSAECPPNB-UHFFFAOYSA-L nonaaluminum;magnesium;tripotassium;1,3-dioxido-2,4,5-trioxa-1,3-disilabicyclo[1.1.1]pentane;iron(2+);oxygen(2-);fluoride;hydroxide Chemical compound [OH-].[O-2].[O-2].[O-2].[O-2].[O-2].[F-].[Mg+2].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[K+].[K+].[K+].[Fe+2].O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2 VGIBGUSAECPPNB-UHFFFAOYSA-L 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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]
- G06Q30/0631—Item recommendations
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的产品推广方法,包括:确定待推广产品的产品标识;根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户;目标产品集合包括若干个与待推广产品的产品标识相关的目标产品;获取所述每个目标客户的消费行为信息,并根据所述消费行为信息确定所述目标客户的消费标签;根据所述消费标签与所述待推广产品的产品参数生成推广信息;将所述推广信息发送至对应的目标客户。通过本发明给出的产品推广方法,可以实现通过目标客户的消费行为确定目标客户的消费标签并结合待推广产品的产品参数生成推广信息,同时,由于该推广信息于目标客户的消费行为契合高,提升了产品推广效果。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种基于大数据的产品推广方法。
背景技术
随着大数据技术的逐渐成熟,越来越多的商品制造商逐渐放弃了传统的“广撒网多捞鱼”式的产品营销,转而采用通过大数据技术对消费者进行精准画像,并根据消费者画像向目标客户进行精准推送的产品推广技术。目前,市面上主流的基于大数据的产品推广方式为通过消费历史确定消费者的消费轨迹,并根据消费轨迹向消费者发送推广信息。这种方法存在着显著的缺点,那就是只能根据消费者购买过的消费品进行相似性推广,这种推广方式存在显著的缺点,那就是难以对消费者进行精准的画像,无法确定消费者的消费习惯,产品推广效果较差,,同时,该方法还存在着无法预测消费者的未来消费需求的缺点。综合以上所述,传统的基于大数据的产品推广方式亟待改进。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种通过确定待推广产品同类产品的消费者,并通过消费行为匹配确定与其消费行为相似的客户,将其作为待推广产品的目标客户,并根据目标客户的消费行为生成推广信息,向目标客户精准推广待推广产品的方法。
为达到上述目的,本发明实施例提出了一种基于大数据的产品推广方法,包括:
确定待推广产品的产品标识;
根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户;目标产品集合包括若干个与待推广产品的产品标识相关的目标产品;
获取所述每个目标客户的消费行为信息,并根据所述消费行为信息确定所述目标客户的消费标签;
根据所述消费标签与所述待推广产品的产品参数生成推广信息;
将所述推广信息发送至对应的目标客户。
优选的,根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户,包括:
将所述产品标识分解为若干个产品标签;
基于大数据技术确定包含至少一个所述产品标签的若干个目标产品,建立目标产品集合;
将购买过至少一个目标产品的若干个消费者作为固定消费者,建立固定消费者集合;
在所述固定消费者集合中任意选择一个固定消费者作为第一固定消费者;
基于大数据技术确定未购买过目标产品的消费者,作为第一潜在消费者;
获取所述第一固定消费者的第一消费行为;
获取所述第一潜在消费者的第二消费行为;
根据所述第一消费行为及第二消费行为,计算得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度;
将所述消费行为相似度与消费行为相似度阈值作比较,在确定所述消费行为相似度大于所述消费行为相似度阈值时,将所述第一潜在消费者作为所述第一固定消费者的关联消费者;
重复以上方法,确定每个固定消费者对应的若干个关联消费者,并将所述固定消费者集合及固定消费者集合中每个固定消费者对应的若干个关联消费者确定为目标客户。
优选的,根据所述第一消费行为及第二消费行为计算得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度,包括:
根据所述第一消费行为确定所述第一固定消费者购买过的历史消费品的标识符,建立第一标识符集合;
根据所述第二消费行为确定所述第一潜在消费者购买过的历史消费品的标识符,建立第二标识符集合;
计算所述第一标识符集合与所述第二标识符集合的杰卡德指数,并与预设的杰卡德指数阈值作比较;
在确定所述杰卡德指数小于所述杰卡德指数阈值时,所述第一固定消费者与所述第一潜在消费者的消费行为相似度为0;
在确定所述杰卡德指数大于等于所述杰卡德指数阈值时,确定所述第一消费行为与所述第二消费行为共有的若干个变量;所述若干个变量包括消费品浏览时间、下单速度、消费金额、消费频次、消费时间中的至少一个;
确定第一消费行为中每个变量的数值;
确定第二消费行为中每个变量的数值;
基于同一变量的第一消费行为的第一数值集与第二消费行为的第二数值集,代入相关系数计算公式,计算得到相关系数;
对每个变量的相关系数进行加权求和,得到基础相似度;
将所述基础相似度与所述杰卡德指数代入相似度公式,得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度。
优选的,根据所述消费行为信息确定所述目标客户的消费标签,包括:
对所述消费行为信息进行筛选,得到所述目标客户购买过的若干个历史消费品,并获取所述若干个历史消费品的特征信息;所述特征信息包括表层特征信息与深层特征信息;所述表层特征信息为所述若干个历史消费品的与所述目标客户的消费习惯无关的客观特征;所述深层特征信息为与所述目标客户消费习惯有关的所述若干个历史消费品关联关系;
根据所述表层特征信息对所述若干个历史消费品进行聚类分析,将所述历史消费品划分至若干个消费品集合;
分别计算所述深层特征信息与每个消费品集合的匹配度,并将与所述深层特征信息匹配度最高的消费品集合的表层特征信息作为所述目标客户的消费标签。
优选的,所述获取所述若干个历史消费品的特征信息,包括:
获取所述历史消费品的第一描述信息;所述第一描述信息为可以准确描述所述历史消费品的特征的信息;
获取与所述历史消费品同类的消费品的第二描述信息;
获取所述第一描述信息与所述第二描述信息的交集,并将所述第一描述信息与所述交集的差集作为所述历史消费品的表层特征信息;重复以上方法,获得每个历史消费品的表层特征信息;
在所述若干个历史消费品中选择两个历史消费品,分别作为第一消费品与第二消费品;
获取所述第一消费品的表层特征信息作为第一信息;
获取所述第二消费品的表层特征信息作为第二信息;
将所述第一信息与所述第二信息进行比较,在确定所述第一信息与所述第二信息存在重叠信息时,将所述第一信息与所述重叠信息的差集作为第一差异信息,将所述第二信息与所述重叠信息的差集作为第二差异信息;重复以上方法,计算每两个历史消费品的差异信息,得到差异信息集,并将所述差异信息集中每个差异信息分解为若干个差异子信息,将所述若干个差异子信息组合为差异子信息集;
提取所述目标客户全部的历史消费品的表层特征信息并分解为若干个表层特征子信息,建立表层特征子信息集;
将所述表层特征子信息集作为语料库,计算所述差异子信息集中每两个差异子信息在所述语料库的共现次数,并将所述每两个差异子信息的共现次数作为矩阵元素,构建共现矩阵;
对所述共现矩阵进行SVD分解,得到所述共现矩阵的正交矩阵;
对所述正交矩阵进行归一化,得到归一化正交矩阵;
将所述归一化正交矩阵的矩阵元素作为所述矩阵元素对应的差异子信息的坐标信息,将所述归一化正交矩阵转化至向量空间;任意两个矩阵元素在所述向量空间中对应的两点之间的向量为所述两个矩阵元素对应的两个差异子信息的关联向量;
将所述关联向量作为所述两个差异子信息的深层特征信息;
将所述每个历史消费品的表层特征信息与每两个差异子信息的深层特征信息组合为所述若干个历史消费品的特征信息。
优选的,在计算所述差异子信息集中每两个差异子信息的共现次数前,还包括:统计每个差异子信息在所述语料库中的出现的频率,并将在所述语料库中出现的频率低于预设值的差异子信息进行屏蔽处理。
优选的,所述计算所述深层特征信息与所述消费品集合的匹配度,包括:
获取所述消费品集合中若干个历史消费品对应的若干个表层特征信息,并将所述若干个目标表层特征信息分解为若干个目标子信息;
选择所述目标子信息序列中每两个目标子信息输入所述向量空间,得到每两个目标子信息关联向量;
对所述每两个目标子信息对应的关联向量进行累加求和,将求和得到的向量的模作为所述深层特征信息与所述消费品集合的匹配度。
优选的,在所述根据所述消费行为信息确定所述目标客户的消费标签后,还包括:
将所述消费标签分解为若干个消费子标签;
选择所述消费品集合中任意一个包含至少一个所述消费子标签的历史消费品作为目标消费品;
获取所述目标客户对所述目标消费品的评论信息;
对所述评论信息进行语义识别,获取所述评论信息中与所述消费子标签相关的信息输入语言情感识别模型,确定所述目标客户对所述目标特征信息的情感倾向;
在确定所述情感倾向为积极情感倾向时,将所述目标客户对所述目标特征信息的消费标签记作正向消费标签。
优选的,所述根据所述消费标签与所述待推广产品的产品参数生成推广信息,包括:
获取所述待推广产品的若干个产品参数;
将所述若干个产品参数与所述消费标签进行匹配,得到与所述消费标签对应的产品参数作为目标参数;
将所述消费标签与所述目标参数套入预设的语言模板,得到所述推广信息。
优选的,在将所述推广信息发送至对应的目标客户后,还包括:
获取所述目标客户对所述推广信息的反馈信息;
根据所述反馈信息确定所述目标客户对所述推广信息的满意度;
在确定所述满意度小于满意度阈值时,对所述推广信息对应的语言模板进行修正。
与现有技术相比,本发明的有益效果为:
1.通过将待推广产品相同类型的产品的固定消费者及其关联消费者作为目标客户,使得目标客户在很大程度上为待推广产品的受众群体,保证了产品推广力度和推广的精准性。
2.固定消费者与关联消费者之间关联关系的确定是由二者消费行为的匹配度确定的,这种匹配方法有效保证了二者的消费习惯相似,使得我们可以通过其中一方的消费历史预测另一方的消费趋势。
3.根据目标客户的消费标签及待推广产品的产品标识生成推广信息发送至目标客户的操作不但保证了推广信息与产品标识的相关性,而且还使得推广信息与目标客户的消费习惯较为契合,提升了产品推广效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明一个实施例的一种基于大数据的产品推广方法示意图;
图2是根据本发明一个实施例的一种差异子信息向量空间示意图;
图3是根据本发明一个实施例的一种根据所述消费标签与所述待推广产品的产品参数生成推广信息的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明给出了一种基于大数据的产品推广方法,包括S1-S5:
S1、确定待推广产品的产品标识;
S2、根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户;
S3、获取所述每个目标客户的消费行为信息,并根据所述消费行为信息确定所述目标客户的消费标签;
S4、根据所述消费标签与所述待推广产品的产品参数生成推广信息;
S5、将所述推广信息发送至对应的目标客户。
以上技术方案的工作原理:确定待推广产品的产品标识,产品标识为能准确描述和确定待推广产品的信息,例如,当待推广产品为洗衣液时,其全部描述信息“某品牌/500毫升装/洗衣液/洗涤用品”便是其产品标识。根据待推广产品的产品标识确定与待推广产品相关目标产品,还是以产品标识为“某品牌/500毫升装/洗衣液/洗涤用品”举例,显而易见的,与该洗衣液同品牌的产品为与其相关的目标产品,描述信息中含有“500毫升装/洗衣液”或“洗涤用品”的产品也为与其相关的目标产品,在得到目标产品后,在大数据中获取购买过目标产品或有购买目标产品意愿的消费者作为目标客户,然后获取目标客户的消费行为信息,需要说明的是,本方案中的消费行为信息指的是与消费有关的行为信息,例如在网购平台中搜索或购买消费品的行为属于消费行为信息,同样的,将消费品加入购物清单或者对某消费品进行评价的行为也属于消费行为信息。在得到目标客户的消费行为信息后,根据目标客户的消费行为信息确定目标客户的消费标签,本方案中的消费标签为对目标客户的消费偏好的描述信息,例如,“经常浏览折扣商品”“经常买电子产品”、“从不买奢侈品”、“月均消费500元”等都可以作为目标客户的消费标签。在得到目标客户的消费标签后,根据消费标签及待推广产品的参数生成推广信息发送至对应的目标客户,举例而言,当目标客户的消费标签中包含“对食物的保质期敏感”,待推广产品为食品时,确定该食品的“保质期”对应的参数生成推广信息,发送至该目标客户。
以上技术方案的有益效果:根据待推广产品的产品标识确定与待推广产品相关联的目标产品,能够有效保证待推广产品与目标产品的关联性,同时,由于目标产品与待推广产品相似度较高,目标产品的消费者与待推广产品预期消费者之间重合度较高,将目标产品的消费者作为待推广产品的目标客户能有效缩小目标客户的排查范围;根据目标客户的消费行为确定目标客户的消费标签,能够保证对客户画像的精准性,同时,根据目标客户的消费标签及待推广产品的产品标识生成推广信息发送至目标客户的操作不但保证了推广信息与产品标识的相关性,而且还使得推广信息与目标客户的消费习惯较为契合,提升了产品推广效果。
根据本发明的一些实施例,根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户,包括:
将所述产品标识分解为若干个产品标签;
基于大数据技术确定包含至少一个所述产品标签的若干个目标产品,建立目标产品集合;
将购买过至少一个目标产品的若干个消费者作为固定消费者,建立固定消费者集合;
在所述固定消费者集合中任意选择一个固定消费者作为第一固定消费者;
基于大数据技术确定未购买过目标产品的消费者,作为第一潜在消费者;
获取所述第一固定消费者的第一消费行为;
获取所述第一潜在消费者的第二消费行为;
根据所述第一消费行为及第二消费行为,计算得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度;
将所述消费行为相似度与消费行为相似度阈值作比较,在确定所述消费行为相似度大于所述消费行为相似度阈值时,将所述第一潜在消费者作为所述第一固定消费者的关联消费者;
重复以上方法,确定每个固定消费者对应的若干个关联消费者,并将所述固定消费者集合及固定消费者集合中每个固定消费者对应的若干个关联消费者确定为目标客户。
以上技术方案的工作原理:产品标签为可以描述产品的字段,是产品标识的一部分,产品标识可以分解为若干个产品标签,举例而言,“某品牌/500毫升装/洗衣液/洗涤用品”可以分解为“某品牌”、“500毫升装”、“洗衣液”、“洗涤用品”,得到产品标签后,基于大数据确定购买过包含至少一个产品标签的消费者作为固定消费者,举例而言,当某个消费者购买了包含“洗涤用品”的产品时,该消费者可被认定为“洗涤用品”的固定消费者。根据大数据技术确定为购买过包含上述产品标签的消费者作为潜在消费者,根据固定消费者与潜在消费者的消费行为确定该固定消费者与该潜在消费者在消费行为上的相似度,并与相似度阈值作比较,将相互之间的相似度大于相似度阈值的消费者相互关联。基于同样的原理,在数据库中搜寻全部的固定消费者和与其相关联的关联消费者,将关联消费者与潜在消费者作为目标客户。
以上技术方案的有益效果:通过字段匹配,确定购买过与目标产品相关产品的固定消费者,减少搜索范围;通过对固定消费者与潜在消费者消费行为的相似度进行量化计算,能够准确地分析潜在消费者与固定消费者的消费行为是否相同,由于该方法为量化分析,易于实现自动化,有效减少了人力资源的消耗。
根据本发明的一些实施例,根据所述第一消费行为及第二消费行为计算得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度,包括:
根据所述第一消费行为确定所述第一固定消费者购买过的历史消费品的标识符,建立第一标识符集合;
根据所述第二消费行为确定所述第一潜在消费者购买过的历史消费品的标识符,建立第二标识符集合;
计算所述第一标识符集合与所述第二标识符集合的杰卡德指数,并与预设的杰卡德指数阈值作比较;
在确定所述杰卡德指数小于所述杰卡德指数阈值时,所述第一固定消费者与所述第一潜在消费者的消费行为相似度为0;
在确定所述杰卡德指数大于等于所述杰卡德指数阈值时,确定所述第一消费行为与所述第二消费行为共有的若干个变量;所述若干个变量包括消费品浏览时间、下单速度、消费金额、消费频次、消费时间中的至少一个;
确定第一消费行为中每个变量的数值;
确定第二消费行为中每个变量的数值;
基于同一变量的第一消费行为的第一数值集与第二消费行为的第二数值集,代入相关系数计算公式,计算得到相关系数;
对每个变量的相关系数进行加权求和,得到基础相似度;
将所述基础相似度与所述杰卡德指数代入相似度公式,得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度。
所述相似度公式为:
其中,J为所述杰卡德指数;r为所述基础相似度;
其中,rj为所述第一消费行为的第一数值与第二消费行为的第二数值基于所述若干个变量中第j个变量的第j相关系数,sj为所述第j相关系数的权重,0<sj<1;n为计数序号;
所述相关系数计算公式为:
其中,rj为所述第j相关系数;表示/>中的最大值,其中,Xi为所述第一数值集中的第i个数据,/>为所述第一数值集中的数据的均值;/>表示中的最小值,其中,Yi为所述第二数值集中的第i个数据,/>为所述第二数值集中的数据的均值。
以上技术方案的工作原理:对固定消费者的第一消费行为进行分析,得到该固定消费者购买过的历史消费品,获取历史消费品的标识符,建立第一标识符集合,本方案中所述的标识符为历史消费品描述信息;根据同样的方法,获取潜在消费者的历史消费品及对应的第二标识符集合;计算第一标识符集合与第二标识符集合的杰卡德指数,杰卡德指数为第一标识符集合与第二标识符集合的交集中的元素数量与并集中的元素数量的比值。将第一标识符集合与第二标识符集合的杰卡德指数与阈值作比较,在比较结果为第一标识符集合与第二标识符集合的杰卡德指数大于阈值时,确定第一消费行为和第二消费行为共有的变量,该变量可以从大数据中获取。在确定共有变量后,选取其中一个共有变量,获取该共有变量对应的数值,并基于该共有变量的数值集确定第一消费行为与第二消费行为的相关系数,举例而言,当共有变量为消费频次时,在大数据中确定固定消费者固定周期内的消费频次数据集及潜在消费者固定周期内的消费频次数据集,将上述两个数据集代入相关系数计算公式,得到第一消费行为和第二消费行为关于消费频次的相关系数,根据相同的原理,计算第一消费行为和第二消费行为关于每个共有变量的相关系数并加权求和,得到基础相似度。将基础相似度与杰卡德系数代入相似度公式,得到第一消费行为和第二消费行为的相似度。
以上技术方案的有益效果:在判断第一消费行为与第二消费行为的相似度时,首先对比第一消费行为对应的第一标识符集合与第二消费行为对应的第二标识符集合的杰卡德系数,杰卡德系数的计算较为简单,在确定杰卡德系数小于阈值时,将第一消费行为与第二消费行为的相似度直接视为0,无需后续的计算,能节省算力。在第一消费行为与第二消费行为的杰卡德系数大于阈值,基于共有变量计算第一消费行为与第二消费行为的相关系数,并对相关系数进行加权求和,得到第一消费行为与第二消费行为的相似度,在这一过程中,相关系数权重的不同会直接影响相似度的高低,而相关系数的权重可以自由设置,使得本领域的技术人员可根据获得的大数据的特质决定该如何调整权重,提高了本方案的应用范围。
根据本发明的一些实施例,根据所述消费行为信息确定所述目标客户的消费标签,包括:
对所述消费行为信息进行筛选,得到所述目标客户购买过的若干个历史消费品,并获取所述若干个历史消费品的特征信息;所述特征信息包括表层特征信息与深层特征信息;所述表层特征信息为所述若干个历史消费品的与所述目标客户的消费习惯无关的客观特征;所述深层特征信息为与所述目标客户消费习惯有关的所述若干个历史消费品关联关系;
根据所述表层特征信息对所述若干个历史消费品进行聚类分析,将所述历史消费品划分至若干个消费品集合;
分别计算所述深层特征信息与每个消费品集合的匹配度,并将与所述深层特征信息匹配度最高的消费品集合的表层特征信息作为所述目标客户的消费标签。
以上技术方案的工作原理:在确定目标客户的消费标签时,首先确定目标客户购买过的若干个历史消费品的特征信息,上述若干个历史消费品的特征信息分为表层特征信息与深层特征信息,表层特征信息为每个历史消费品的客观特征,例如品牌、型号以及产品参数等,与目标客户的消费习惯无关,而深层特征信息为上述若干个历史消费品之间的关联关系,与目标客户的消费习惯高度相关,从客观特征来说,上述若干个历史消费品之间不一定存在确定的关联关系,上述若干个历史消费品的关联关系是由目标客户的消费习惯决定的,举例而言,当目标客户购买了“A品牌的纸巾”、“B品牌的电子产品”和“C品牌的食品”,这三种东西虽然都可以用生活用品来定义,但很显然,生活用品这个概念太宽泛,是不足以准确描述这三种东西的关联关系的,三者之间的联系关系和目标客户的消费习惯有关,同样的,目标客户购买过的所有消费品的关联关系都与其个人消费习惯有关。反之,从目标客户购买过的消费品的深层关联关系可以推测目标客户的消费习惯,这一过程具体为对目标客户购买过的消费品的表层特征信息和深层特征信息进行计算(详情参见下文),在得到客户购买过的若干个消费品之间的特征信息后,对上述若干个消费品进行聚类分析,将其划分至若干个不同的集合,并获取每个集合中包含的全部消费品的表层特征信息组成。需要说明的是,上述的若干个不同的类别之间可以存在重叠部分。之后根据每个集合中消费品的表层特征信息输入与目标客户的全部消费品的深层特征信息进行匹配,将与目标客户的全部消费品的深层特征信息匹配度较高的消费品集合的表层特征信息作为目标客户的消费标签。
根据本发明的一些实施例,所述获取所述若干个历史消费品的特征信息,包括:
获取所述历史消费品的第一描述信息;所述第一描述信息为可以准确描述所述历史消费品的特征的信息;
获取与所述历史消费品同类的消费品的第二描述信息;
获取所述第一描述信息与所述第二描述信息的交集,并将所述第一描述信息与所述交集的差集作为所述历史消费品的表层特征信息;重复以上方法,获得每个历史消费品的表层特征信息;
在所述若干个历史消费品中选择两个历史消费品,分别作为第一消费品与第二消费品;
获取所述第一消费品的表层特征信息作为第一信息;
获取所述第二消费品的表层特征信息作为第二信息;
将所述第一信息与所述第二信息进行比较,在确定所述第一信息与所述第二信息存在重叠信息时,将所述第一信息与所述重叠信息的差集作为第一差异信息,将所述第二信息与所述重叠信息的差集作为第二差异信息;重复以上方法,计算每两个历史消费品的差异信息,得到差异信息集,并将所述差异信息集中每个差异信息分解为若干个差异子信息,将所述若干个差异子信息组合为差异子信息集;
提取所述目标客户全部的历史消费品的表层特征信息并分解为若干个表层特征子信息,建立表层特征子信息集;
将所述表层特征子信息集作为语料库,计算所述差异子信息集中每两个差异子信息在所述语料库的共现次数,并将所述每两个差异子信息的共现次数作为矩阵元素,构建共现矩阵;
对所述共现矩阵进行SVD分解,得到所述共现矩阵的正交矩阵;
对所述正交矩阵进行归一化,得到归一化正交矩阵;
将所述归一化正交矩阵的矩阵元素作为所述矩阵元素对应的差异子信息的坐标信息,将所述归一化正交矩阵转化至向量空间;任意两个矩阵元素在所述向量空间中对应的两点之间的向量为所述两个矩阵元素对应的两个差异子信息的关联向量;
将所述关联向量作为所述两个差异子信息的深层特征信息;
将所述每个历史消费品的表层特征信息与每两个差异子信息的深层特征信息组合为所述若干个历史消费品的特征信息。
以上技术方案的工作原理:在计算历史消费品的表层特征信息时,获取历史消费品的第一描述信息,该描述信息为能描述该历史消费品产品特征的信息,同时获取与该历史消费品同类的消费品的第二描述信息,举例而言,当历史消费品为X品牌的菜刀时,其同类的历史消费品为Y品牌的菜单或Z品牌的菜单。将第一描述信息与第二描述信息进行比较,获取第一描述信息与第二描述信息的差集,例如“X品牌菜刀”与“Y品牌菜刀”有着交集,即其共同的部分“菜刀”,第一描述信息与该交集的差集为“X品牌”,“X品牌”便是上述历史消费物的表层特征信息。根据同样的方法,获取目标客户购买过的若干个历史消费物中每个历史消费品相较于其同类消费品的表层特征信息,之后,在目标客户购买过的若干个历史消费品中选择两个历史消费品,将其表层特征信息分别作为第一信息与第二信息,然后对第一信息与第二信息作比较,在确定二者存在重叠信息时,将第一信息与重叠信息的差集作为第一差异信息,同理,得到第二信息对应的第二差异信息。根据相同的方法,计算目标客户购买过的若干个历史消费品之中每两个历史消费品的差异信息,建立差异信息集,然后对差异信息集中每个差异信息进行分解,得到多个差异子信息,建立差异子信息集合。举例而言,当某个差异信息为“Z品牌台式电脑”时,该差异信息显然是比较长的,需要进行分解,分解后得到“Z品牌”、“台式”及“电脑”三个差异子信息。需要说明的是,差异子信息分解算法可以根据需求确定,上述“Z品牌台式电脑”也可以分解为“Z品牌”和“台式电脑”两个差异子信息。在得到差异子信息集后,将目标客户购买过的若干个历史消费品的表层特征信息分解为多个表层特征子信息(该分解过程与差异信息的分解过程原理相同),建立表层特征子信息集,然后将表层特征子信息集作为语料库,计算每两个差异子信息在该语料库中的共现次数。举例而言,当两个差异子信息分别为“X品牌”和“菜刀”,语料库中存在“X品牌菜刀”、“X品牌中式菜刀”时,“X品牌”和“菜刀”在“X品牌菜刀”、“X品牌中式菜刀”出现了两次,因此“X品牌”和“菜刀”的共现次数为2。同理,计算每两个差异子信息在语料库中的共现次数,并将每两个差异子信息的共现次数作为矩阵元素建立共现矩阵,共现矩阵的格式如下:
可以看出,共现矩阵的中的元素为行列对应的差异子信息的共现次数,对该矩阵进行SVD分解和归一化之后,得到的归一化正交矩阵,在本发明的一些实施例中,归一化正交矩阵为:
在该矩阵中,UVWXYZ分别代表差异子信息“牛奶”、差异子信息“冰淇淋”、差异子信息“金领冠奶粉”、差异子信息“水杯”、差异子信息“伊利”、差异子信息“蒙牛”,将第一列作为对应差异子信息的横坐标,将第二列作为对应差异子信息的纵坐标,建立向量空间,得到该归一化正交矩阵的向量空间,如图2所示。在该向量空间中,任意两个差异子信息的关联关系可以用其对应的两个坐标点之间的向量进行表示,例如,差异子信息“U”与“Z”的关联关系可以用“U”和“Z”之间的向量表示。并且,两个差异子信息关联程度越高,对应的两个坐标点越近,两个差异子信息对应坐标点的向量的模越小,如图2中的/>和/>显然,的模小于/>的模,“Z”比“X”更接近“U”,这一理论是与实际中的“Z”代表的“蒙牛”确实比“X”代表的“水杯”更接近“U”代表的“牛奶”更吻合的。因此,关联向量可以视作差异子信息之间的深层特征信息。而向量空间建立在若干个历史消费物的关联关系上,而若干个历史消费物的关联关系与目标客户的消费习惯有关,前文所述的结论成立。在得到深层特征信息之后,将其与表层特征信息组合,就得到了目标客户购买的若干个历史消费物的特征信息。
以上技术方案的有益效果:将历史消费品的描述信息与同类产品的描述信息进行对比,筛选出历史消费品独有的描述信息作为表层特征信息能有效保证其表层特征信息能够准确表示其特征点。得到表层特征信息后,对任意两个历史消费物的特征信息进行比较,移去二者差异信息中的重叠部分,保证了两个历史消费物的差异子信息不会重叠,进一步保证了在统计共现次数时不会因差异子信息重叠部分的存在导致的统计结果偏差,同时,由于舍弃了差异信息的重叠部分,一定程度上减少了运算量,提高了向量空间建立速度。最终得到的深层特征信息为差异子信息在向量空间中的关联向量,该关联向量还可以被调用于对目标客户进行消费行为画像的过程,换言之,本技术方案得到的向量空间利用率较高,应用范围较广。
根据本发明的一些实施例,在计算所述差异子信息集中每两个差异子信息的共现次数前,还包括:统计每个差异子信息在所述语料库中的出现的频率,并将在所述语料库中出现的频率低于预设值的差异子信息进行屏蔽处理。
以上技术方案的工作原理:在计算每两个差异子信息的共现次数时,分别统计每个差异子信息在语料库中出现的频次,在差异子信息在语料库中出现的频次低于阈值时,说明该差异子信息较为生僻,将其进行屏蔽处理。
以上技术方案的有益效果:对明显生僻的差异子信息进行屏蔽处理,减少计算机算力消耗的同时,降低该差异子信息对共现矩阵及正交矩阵整体结果的影响。
根据本发明的一些实施例,所述计算所述深层特征信息与所述消费品集合的匹配度,包括:
获取所述消费品集合中若干个历史消费品对应的若干个表层特征信息,并将所述若干个目标表层特征信息分解为若干个目标子信息;
选择所述目标子信息序列中每两个目标子信息输入所述向量空间,得到每两个目标子信息关联向量;
对所述每两个目标子信息对应的关联向量进行累加求和,将求和得到的向量的模作为所述深层特征信息与所述消费品集合的匹配度。
以上技术方案的工作原理:获取消费品集合中若干个历史消费品对应的若干个表层特征信息,并对所述若干个表层特征信息进行分解,得到若干个目标子信息,将得到的若干个目标自信息中的每两个目标子信息输入之前技术方案中得到的向量空间,可以得到每两个目标子信息的关联向量,将得到的若干个关联向量进行求和,并将求和得到的向量的模作为深层特征信息与消费品集合的匹配度。
以上技术方案的有益效果:以上技术方案中给出的向量空间中隐含了目标客户的消费习惯,将每个消费品集合中表层特征信息分解后输入该向量空间,能够得到消费品集合与向量的空间的匹配度,该匹配度在一定程度上可疑表示上述消费品集合与目标客户消费习惯的匹配度,通过本方案,能够得到目标客户的消费标签,将其抽象的消费习惯进行具体化,有利于对目标客户进行精准画像。
根据本发明的一些实施例,在所述根据所述消费行为信息确定所述目标客户的消费标签后,还包括:
将所述消费标签分解为若干个消费子标签;
选择所述消费品集合中任意一个包含至少一个所述消费子标签的历史消费品作为目标消费品;
获取所述目标客户对所述目标消费品的评论信息;
对所述评论信息进行语义识别,获取所述评论信息中与所述消费子标签相关的信息输入语言情感识别模型,确定所述目标客户对所述目标特征信息的情感倾向;
在确定所述情感倾向为积极情感倾向时,将所述目标客户对所述目标特征信息的消费标签记作正向消费标签。
以上技术方案的工作原理:在得到目标客户的消费标签后,根据目标客户对消费标签整体或部分的评论信息,确定目标客户对消费标签的情感倾向。举例而言,当目标客户对应的消费标签为“X品牌”时,在大数据中确定目标客户对“X品牌”的评论信息,从而确定目标客户对“X品牌”的情感倾向,例如“喜好”之类的正面情感倾向或“厌恶”之类的负面情感倾向,并根据目标客户的情感倾向为对应的标签添加备注,例如,用“+X品牌”表示目标客户对“X品牌”有着正面的情感倾向,用“-X品牌”表示目标客户对“X品牌”有着负面的情感倾向。
以上技术方案的有益效果:根据本方案可以确定目标客户对消费标签的情感倾向,有助于对目标客户进行精细化画像,提高对目标客户消费需求的预测能力,提高了产品推广力度。
如图3所示,本发明给出了一种根据所述消费标签与所述待推广产品的产品参数生成推广信息的示意图,包括S21-S23:
S21、获取所述待推广产品的若干个产品参数;
S22、将所述若干个产品参数与所述消费标签进行匹配,得到与所述消费标签对应的产品参数作为目标参数;
S23、将所述消费标签与所述目标参数套入预设的语言模板,得到所述推广信息。
以上技术方案的工作原理:将目标客户的消费标签与待推广产品的产品参数进行匹配,确定消费标签对应的目标参数,并将目标参数与消费标签套入语言模板,生产推广信息。举例而言,当目标客户的消费标签为“+材质”(表示目标客户的产品材质比较看重)、待推广产品的“材质”参数为“80CR18碳钢”时,将上述的参数输入“‘你可能感兴趣的’+‘参数名’+‘为’+‘参数值’+‘待推广产品的名称’+‘正在热销,快来看看吧!’”之类的语言模板,生成“你可能感兴趣的材质为80CR18碳钢的菜刀正在热销,快来看看吧!”之类的推广信息。
以上技术方案的有益效果:通过对目标客户的产品标签与待推广产品的参数进行匹配,并根据匹配结果生成推广信息,保证推广信息与目标客户消费标签的匹配,使得推广信息符合用户的消费习惯,提升了产品推广效果。
根据本发明的一些实施例,在将所述推广信息发送至对应的目标客户后,还包括:
获取所述目标客户对所述推广信息的反馈信息;
根据所述反馈信息确定所述目标客户对所述推广信息的满意度;
在确定所述满意度小于满意度阈值时,对所述推广信息对应的语言模板进行修正。
以上技术方案的工作原理:在向目标客户发送推广信息后,根据目标客户对推广信息的反馈意见,对生成推广信息的模板进行调整。
以上技术方案的有益效果:保证了推广信息模板的时效性和可用性,进而增加目标客户对推广信息的接受程度,提升了产品推广效果。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于大数据的产品推广方法,其特征在于,包括:
确定待推广产品的产品标识;
根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户;目标产品集合包括若干个与待推广产品的产品标识相关的目标产品;
获取每个目标客户的消费行为信息,并根据所述消费行为信息确定所述目标客户的消费标签;
根据所述消费标签与所述待推广产品的产品参数生成推广信息;
将所述推广信息发送至对应的目标客户;
根据所述产品标识确定目标产品集合,获取所述目标产品集合对应的若干个目标客户,包括:
将所述产品标识分解为若干个产品标签;
基于大数据技术确定包含至少一个所述产品标签的若干个目标产品,建立目标产品集合;
将购买过至少一个目标产品的若干个消费者作为固定消费者,建立固定消费者集合;
在所述固定消费者集合中任意选择一个固定消费者作为第一固定消费者;
基于大数据技术确定未购买过目标产品的消费者,作为第一潜在消费者;
获取所述第一固定消费者的第一消费行为;
获取所述第一潜在消费者的第二消费行为;
根据所述第一消费行为及第二消费行为,计算得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度;
将所述消费行为相似度与消费行为相似度阈值作比较,在确定所述消费行为相似度大于所述消费行为相似度阈值时,将所述第一潜在消费者作为所述第一固定消费者的关联消费者;
重复以上方法,确定每个固定消费者对应的若干个关联消费者,并将所述固定消费者集合及固定消费者集合中每个固定消费者对应的若干个关联消费者确定为目标客户。
2.如权利要求1所述的基于大数据的产品推广方法,其特征在于,根据所述第一消费行为及第二消费行为计算得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度,包括:
根据所述第一消费行为确定所述第一固定消费者购买过的历史消费品的标识符,建立第一标识符集合;
根据所述第二消费行为确定所述第一潜在消费者购买过的历史消费品的标识符,建立第二标识符集合;
计算所述第一标识符集合与所述第二标识符集合的杰卡德指数,并与预设的杰卡德指数阈值作比较;
在确定所述杰卡德指数小于所述杰卡德指数阈值时,所述第一固定消费者与所述第一潜在消费者的消费行为相似度为0;
在确定所述杰卡德指数大于等于所述杰卡德指数阈值时,确定所述第一消费行为与所述第二消费行为共有的若干个变量;所述若干个变量包括消费品浏览时间、下单速度、消费金额、消费频次、消费时间中的至少一个;
确定第一消费行为中每个变量的数值;
确定第二消费行为中每个变量的数值;
基于同一变量的第一消费行为的第一数值集与第二消费行为的第二数值集,代入相关系数计算公式,计算得到相关系数;
对每个变量的相关系数进行加权求和,得到基础相似度;
将所述基础相似度与所述杰卡德指数代入相似度公式,得到所述第一固定消费者与所述第一潜在消费者的消费行为相似度。
3.如权利要求1所述的基于大数据的产品推广方法,其特征在于,根据所述消费行为信息确定所述目标客户的消费标签,包括:
对所述消费行为信息进行筛选,得到所述目标客户购买过的若干个历史消费品,并获取所述若干个历史消费品的特征信息;所述特征信息包括表层特征信息与深层特征信息;所述表层特征信息为所述若干个历史消费品的与所述目标客户的消费习惯无关的客观特征;所述深层特征信息为与所述目标客户消费习惯有关的所述若干个历史消费品关联关系;
根据所述表层特征信息对所述若干个历史消费品进行聚类分析,将所述历史消费品划分至若干个消费品集合;
分别计算所述深层特征信息与每个消费品集合的匹配度,并将与所述深层特征信息匹配度最高的消费品集合的表层特征信息作为所述目标客户的消费标签。
4.如权利要求3所述的基于大数据的产品推广方法,其特征在于,所述获取所述若干个历史消费品的特征信息,包括:
获取所述历史消费品的第一描述信息;所述第一描述信息为可以准确描述所述历史消费品的特征的信息;
获取与所述历史消费品同类的消费品的第二描述信息;
获取所述第一描述信息与所述第二描述信息的交集,并将所述第一描述信息与所述交集的差集作为所述历史消费品的表层特征信息;重复以上方法,获得每个历史消费品的表层特征信息;
在所述若干个历史消费品中选择两个历史消费品,分别作为第一消费品与第二消费品;
获取所述第一消费品的表层特征信息作为第一信息;
获取所述第二消费品的表层特征信息作为第二信息;
将所述第一信息与所述第二信息进行比较,在确定所述第一信息与所述第二信息存在重叠信息时,将所述第一信息与所述重叠信息的差集作为第一差异信息,将所述第二信息与所述重叠信息的差集作为第二差异信息;重复以上方法,计算每两个历史消费品的差异信息,得到差异信息集,并将所述差异信息集中每个差异信息分解为若干个差异子信息,将所述若干个差异子信息组合为差异子信息集;
提取所述目标客户全部的历史消费品的表层特征信息并分解为若干个表层特征子信息,建立表层特征子信息集;
将所述表层特征子信息集作为语料库,计算所述差异子信息集中每两个差异子信息在所述语料库的共现次数,并将所述每两个差异子信息的共现次数作为矩阵元素,构建共现矩阵;
对所述共现矩阵进行SVD分解,得到所述共现矩阵的正交矩阵;
对所述正交矩阵进行归一化,得到归一化正交矩阵;
将所述归一化正交矩阵的矩阵元素作为所述矩阵元素对应的差异子信息的坐标信息,将所述归一化正交矩阵转化至向量空间;任意两个矩阵元素在所述向量空间中对应的两点之间的向量为所述两个矩阵元素对应的两个差异子信息的关联向量;
将所述关联向量作为所述两个差异子信息的深层特征信息;
将所述每个历史消费品的表层特征信息与每两个差异子信息的深层特征信息组合为所述若干个历史消费品的特征信息。
5.如权利要求4所述的基于大数据的产品推广方法,其特征在于,在计算所述差异子信息集中每两个差异子信息的共现次数前,还包括:统计每个差异子信息在所述语料库中的出现的频率,并将在所述语料库中出现的频率低于预设值的差异子信息进行屏蔽处理。
6.如权利要求4所述的基于大数据的产品推广方法,其特征在于,所述计算所述深层特征信息与所述消费品集合的匹配度,包括:
获取所述消费品集合中若干个历史消费品对应的若干个表层特征信息,并将所述若干个目标表层特征信息分解为若干个目标子信息;
选择所述目标子信息序列中每两个目标子信息输入所述向量空间,得到每两个目标子信息关联向量;
对所述每两个目标子信息对应的关联向量进行累加求和,将求和得到的向量的模作为所述深层特征信息与所述消费品集合的匹配度。
7.如权利要求3所述的基于大数据的产品推广方法,其特征在于,在所述根据所述消费行为信息确定所述目标客户的消费标签后,还包括:
将所述消费标签分解为若干个消费子标签;
选择所述消费品集合中任意一个包含至少一个所述消费子标签的历史消费品作为目标消费品;
获取所述目标客户对所述目标消费品的评论信息;
对所述评论信息进行语义识别,获取所述评论信息中与所述消费子标签相关的信息输入语言情感识别模型,确定所述目标客户对所述目标特征信息的情感倾向;
在确定所述情感倾向为积极情感倾向时,将所述目标客户对所述目标特征信息的消费标签记作正向消费标签。
8.如权利要求1所述的基于大数据的产品推广方法,其特征在于,所述根据所述消费标签与所述待推广产品的产品参数生成推广信息,包括:
获取所述待推广产品的若干个产品参数;
将所述若干个产品参数与所述消费标签进行匹配,得到与所述消费标签对应的产品参数作为目标参数;
将所述消费标签与所述目标参数套入预设的语言模板,得到所述推广信息。
9.如权利要求8所述的基于大数据的产品推广方法,其特征在于,在将所述推广信息发送至对应的目标客户后,还包括:
获取所述目标客户对所述推广信息的反馈信息;
根据所述反馈信息确定所述目标客户对所述推广信息的满意度;
在确定所述满意度小于满意度阈值时,对所述推广信息对应的语言模板进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560922.7A CN116823382B (zh) | 2023-05-17 | 2023-05-17 | 一种基于大数据的产品推广方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560922.7A CN116823382B (zh) | 2023-05-17 | 2023-05-17 | 一种基于大数据的产品推广方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823382A CN116823382A (zh) | 2023-09-29 |
CN116823382B true CN116823382B (zh) | 2024-01-05 |
Family
ID=88111747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310560922.7A Active CN116823382B (zh) | 2023-05-17 | 2023-05-17 | 一种基于大数据的产品推广方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823382B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134544A1 (zh) * | 2018-01-02 | 2019-07-11 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
KR20190100788A (ko) * | 2018-02-21 | 2019-08-29 | 현대카드 주식회사 | 개인화 알고리즘을 이용하여 고객 질문답 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버 |
CN110503453A (zh) * | 2019-07-05 | 2019-11-26 | 平安银行股份有限公司 | 消费行为分析方法、装置、计算机设备及存储介质 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN111640001A (zh) * | 2020-04-26 | 2020-09-08 | 四川新网银行股份有限公司 | 基于标签关联的客户群行为预测的方法 |
US11138631B1 (en) * | 2015-10-30 | 2021-10-05 | Amazon Technologies, Inc. | Predictive user segmentation modeling and browsing interaction analysis for digital advertising |
CN113486254A (zh) * | 2021-08-02 | 2021-10-08 | 南京邮电大学 | 一种基于大数据的活动推荐方法及系统 |
CN115002200A (zh) * | 2022-05-31 | 2022-09-02 | 平安银行股份有限公司 | 基于用户画像的消息推送方法、装置、设备及存储介质 |
CN115936764A (zh) * | 2022-12-16 | 2023-04-07 | 北京京东振世信息技术有限公司 | 一种产品推广方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428157B (zh) * | 2009-12-30 | 2022-07-05 | 艾利丹尼森零售信息服务公司 | 用于向消费者销售和递送与目标特定产品有关的定制信息的系统和方法 |
-
2023
- 2023-05-17 CN CN202310560922.7A patent/CN116823382B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11138631B1 (en) * | 2015-10-30 | 2021-10-05 | Amazon Technologies, Inc. | Predictive user segmentation modeling and browsing interaction analysis for digital advertising |
WO2019134544A1 (zh) * | 2018-01-02 | 2019-07-11 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
KR20190100788A (ko) * | 2018-02-21 | 2019-08-29 | 현대카드 주식회사 | 개인화 알고리즘을 이용하여 고객 질문답 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN110503453A (zh) * | 2019-07-05 | 2019-11-26 | 平安银行股份有限公司 | 消费行为分析方法、装置、计算机设备及存储介质 |
CN111640001A (zh) * | 2020-04-26 | 2020-09-08 | 四川新网银行股份有限公司 | 基于标签关联的客户群行为预测的方法 |
CN113486254A (zh) * | 2021-08-02 | 2021-10-08 | 南京邮电大学 | 一种基于大数据的活动推荐方法及系统 |
CN115002200A (zh) * | 2022-05-31 | 2022-09-02 | 平安银行股份有限公司 | 基于用户画像的消息推送方法、装置、设备及存储介质 |
CN115936764A (zh) * | 2022-12-16 | 2023-04-07 | 北京京东振世信息技术有限公司 | 一种产品推广方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于大数据分析的金融产品创新推广模式探究;李艳;《营销与政策》;第27-29页 * |
基于对比分析法的电子产品快手推广策略;于红岩;《电子商务》;第23-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116823382A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Rating-boosted latent topics: Understanding users and items with ratings and reviews. | |
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
KR102451099B1 (ko) | 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 | |
CN105824911A (zh) | 基于lda用户主题模型的视频推荐方法 | |
CN115203311B (zh) | 一种基于数据大脑的行业数据分析挖掘方法及系统 | |
CN116894709A (zh) | 一种广告商品推荐方法和系统 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
CN116823382B (zh) | 一种基于大数据的产品推广方法 | |
CN110555719B (zh) | 一种基于深度学习的商品点击率预测方法 | |
CN112541806A (zh) | 一种基于异质信息网络的推荐方法及装置 | |
Wu et al. | Using the mathematical model on precision marketing with online transaction data computing | |
CN111209925A (zh) | 性别预测方法、装置和计算机可读存储介质 | |
Trihatmaja et al. | Improving the performance of collaborative filtering using outlier labeling, clustering, and association rule mining | |
CN114330519A (zh) | 数据确定方法、装置、电子设备及存储介质 | |
Agagu et al. | Context-aware recommendation methods | |
CN112667923A (zh) | 基于大数据的智能推荐方法及装置 | |
Osmond et al. | Electronic Commerce Product Recommendation using Enhanced Conjoint Analysis | |
Cen et al. | A map-based gender prediction model for big e-commerce data | |
Chauhan et al. | Customer-Aware Recommender System for Push Notifications in an e-commerce Environment | |
Mehta et al. | Evolution of singular value decomposition in recommendation systems: a review | |
Chaparala et al. | Exploring Collaborative Filtering Methods for Product Recommendations in E-Commerce: A Study Using Amazon and BigBasket Datasets | |
Chen et al. | Online Product Recommendations based on Diversity and Latent Association Analysis on News and Products. | |
CN117892011B (zh) | 基于大数据的智能信息推送方法及系统 | |
Peker et al. | An adjusted recommendation list size approach for users’ multiple item preferences |
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 |