CN117235586A - 酒店客户画像构建方法、系统、电子设备及存储介质 - Google Patents
酒店客户画像构建方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117235586A CN117235586A CN202311524236.0A CN202311524236A CN117235586A CN 117235586 A CN117235586 A CN 117235586A CN 202311524236 A CN202311524236 A CN 202311524236A CN 117235586 A CN117235586 A CN 117235586A
- Authority
- CN
- China
- Prior art keywords
- descriptive
- user behavior
- user
- information
- hotel
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000006399 behavior Effects 0.000 claims abstract description 285
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000007405 data analysis Methods 0.000 claims description 16
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本申请提供了酒店客户画像构建方法、系统、电子设备及存储介质,涉及用户画像技术领域。方法包括:针对每个酒店终端设备,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息;基于终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度,将终端用户行为信息与各描述性标签的匹配度大于预设阈值的描述性标签作为用户画像描述性标签,并生成用户画像。实施本申请提供的技术方案,通过根据酒店终端设备的用户行为构建用户画像,更为全面的展现了用户对酒店各种服务的偏好,酒店从而能更好的提供服务。
Description
技术领域
本申请提出了酒店客户画像构建方法、电子设备及存储介质,属于用户画像技术领域。
背景技术
酒店业是服务行业的重要组成部分,其运营策略和服务质量直接影响到客户的满意度和忠诚度。随着市场竞争的加剧,酒店业需要更加关注客户需求,提供定制化和个性化服务,以提升客户体验和增加客户黏性。
酒店客户信息的收集、分析和利用是实现定制化和个性化服务的关键。通过分析客户信息,酒店可以了解客户的需求、偏好和行为习惯,从而为客户提供更符合他们需求的服务和产品。这种定制化和个性化服务可以包括客房布置、餐饮服务、娱乐设施等方面,旨在满足客户的个性化需求和期望。
目前,酒店客户信息的分析大多通过对酒店客户的个人信息进行分析,信息比较片面,不能够完全展现对酒店各种服务的偏好。
发明内容
本申请提供酒店客户画像构建方法、系统、电子设备及存储介质,根据酒店用户在酒店中各个终端的行为数据来确定用户的用户画像,进而根据用户画像给客户带来更好的服务。
第一方面,本申请提供了一种酒店客户画像构建方法,包括:
针对每个酒店终端设备,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息;
基于终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度;
将终端用户行为信息与各描述性标签的匹配度大于预设阈值的描述性标签作为用户画像描述性标签,并生成用户画像。
通过采用上述技术方案,通过获取和分析每个酒店终端设备用户的行为信息,并基于这些信息生成用户画像,酒店可以提供更好的个性化服务,提高运营效率和营销效果,从而增强竞争力。
可选的,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息,包括:
通过每个酒店终端设备的日志记录获取每个酒店终端设备的用户行为信息;
对每个酒店终端设备的用户行为信息进行缺失值处理,对用户行为信息进行识别并处理用户行为信息中的缺失值得到第一用户行为信息;
对每个酒店终端设备的用户行为信息进行异常值处理,对用户行为信息检测并处理用户行为信息中的异常值,得到第二用户行为信息;
对每个酒店终端设备的用户行为信息进行数据格式转换,将用户行为信息转换为统一的格式,得到终端用户行为信息。
通过采用上述技术方案,通过获取每个酒店终端设备的用户行为信息,并进行数据清洗转换,可以提高数据的完整性、准确性和一致性,为用户画像生成和数据分析提供可靠的基础。
可选的,将终端用户行为信息与预设的描述性标签进行匹配度计算,包括:
针对预设的描述性标签集中的每一条描述性标签,确定每一条描述性标签对应的标签行为特征信息;
基于每一条描述性标签对应的标签行为特征信息确定每一条描述性标签对应的融合系数;
对终端用户行为信息进行数据分析得到用户行为特征信息;
分别计算用户行为信息包括的每一条用户行为特征信息与预设的描述性标签集中每一条描述性标签对应的标签行为特征信息之间的匹配度,得到该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度;
基于每一条描述性标签对应的融合系数,对该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度进行融合处理,得到该用户对应的用户画像匹配度。
通过采用上述技术方案,通过将终端用户行为信息与预设的描述性标签进行匹配度计算,并融合处理特征匹配度,可以实现更精准的用户描述性标签的匹配,提高了用户画像的构建的准确度。
可选的,基于每一条描述性标签对应的行为特征信息确定每一条描述性标签对应的融合系数,包括:
获取在历史上构建形成的每一个历史用户画像,得到历史用户画像集;
对历史用户画像集中的每一个历史用户画像对应的历史用户画像信息包括的历史描述性标签进行去重筛选,得到对应的历史描述性标签集;
针对历史描述性标签集中的每一条历史描述性标签集,基于历史描述性标签确定该历史描述性标签对应的标签行为特征信息;
针对历史用户描述性标签对应的标签行为特征信息,确定该标签行为特征信息对应融合系数;
针对预设的描述性标签集中包括的每一条描述性标签,确定该描述性标签所属的历史标签行为特征信息,并将该历史标签行为特征信息对应的融合系数确定为该描述性标签对应的融合系数。
通过采用上述技术方案,基于每一条描述性标签对应的行为特征信息确定融合系数,包括利用历史用户画像和历史描述性标签集、去重筛选历史描述性标签、确定历史描述性标签的标签行为特征信息和融合系数,以及将历史融合系数应用于预设描述性标签集等步骤,可以提高匹配度计算的准确性。
可选的,对终端用户行为信息进行数据分析得到用户行为特征信息,包括:
基于终端用户行为信息进行特征提取,对终端用户行为信息中的行为频率、行为持续时间、行为序列、行为间隔、行为地理位置和行为关联性进行特征提取得到用户行为特征信息。
通过采用上述技术方案,对终端用户行为信息进行数据分析并提取用户行为特征信息,包括行为频率、持续时间、序列、间隔、地理位置和关联性等方面的特征。这可以深入了解用户行为,发现行为规律,优化用户体验,提高运营效率,为用户提供更加个性化和精准的服务。
可选的,酒店客户画像构建方法,还包括:定期获取既往用户行为信息进行数据分析提取,得到既往用户行为特征信息;
基于既往用户行为特征信息进行特征分析提取得到新的描述性标签。
通过采用上述技术方案,定期获取既往用户行为信息进行数据分析和特征提取,得到既往用户行为特征信息,并基于此进行特征分析和提取新的描述性标签,提高用户画像的准确性。
可选的,基于既往用户行为特征信息进行特征分析提取得到新的描述性标签,包括:
基于既往用户行为特征信息进行特征趋势预测,得到用户行为特征趋势;
基于用户行为特征趋势确定新的描述性标签。
通过采用上述技术方案,基于既往用户行为特征信息进行特征分析和趋势预测,可以生成更准确的用户描述性标签,提高用户画像的准确性。
在本申请的第二方面提供了一种酒店客户画像构建系统,包括:
数据获取模块1,用于针对每个酒店终端设备,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息;
匹配度计算模块2,用于基于终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度;
用户画像生成模块3,用于将终端用户行为信息与各描述性标签的匹配度大于预设阈值的描述性标签作为用户画像描述性标签,并生成用户画像。
在本申请的第三方面提供了一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
在本申请的第四方面提供了一种电子设备,包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
综上,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本申请通过获取和分析每个酒店终端设备用户的行为信息,并基于这些信息生成用户画像,酒店可以提供更好的个性化服务,提高运营效率和营销效果,从而增强竞争力。
2、本申请通过将终端用户行为信息与预设的描述性标签进行匹配度计算,并融合处理特征匹配度,可以实现更精准的用户描述性标签的匹配,提高了用户画像的构建的准确度。
3、本申请通过定期获取既往用户行为信息进行数据分析和特征提取,得到既往用户行为特征信息,并基于此进行特征分析和提取新的描述性标签,提高用户画像的准确性。
附图说明
图1为本申请实施例中酒店客户画像构建方法流程示意图;
图2为本申请实施例提供的一种酒店客户画像构建系统架构图;
图3是本申请实施例的公开的一种电子设备的结构示意图。
附图标记说明:1、数据获取模块;2、匹配度计算模块;3、用户画像生成模块;300、电子设备;301、处理器;302、通信总线;303、用户接口;304、网络接口;305、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了便于理解本申请实施例提供的方法及系统,在介绍本申请实施例之前,先对本申请实施例的背景进行介绍。
酒店业是服务行业的重要组成部分,其运营策略和服务质量直接影响到客户的满意度和忠诚度。随着市场竞争的加剧,酒店业需要更加关注客户需求,提供定制化和个性化服务,以提升客户体验和增加客户黏性。
酒店客户信息的收集、分析和利用是实现定制化和个性化服务的关键。通过分析客户信息,酒店可以了解客户的需求、偏好和行为习惯,从而为客户提供更符合他们需求的服务和产品。这种定制化和个性化服务可以包括客房布置、餐饮服务、娱乐设施等方面,旨在满足客户的个性化需求和期望。
目前,酒店客户信息的分析大多通过对酒店客户的个人信息进行分析,信息比较片面,不能够完全展现对酒店各种服务的偏好。
经过上述内容的背景介绍,本领域技术人员可以了解现有技术中存在的问题,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,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。
在上述背景技术的基础上,进一步的,请参阅图1,图1为本申请实施例中酒店客户画像构建方法流程示意图,该方法可依赖于计算机程序实现,也可作为独立的工具类应用运行,应用于酒店服务器终端,具体的,该方法包括步骤101至步骤103,上述步骤如下:
步骤101,针对每个酒店终端设备,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息;
具体的,针对收集酒店终端设备上的用户行为信息。用户行为信息可以包括日志记录、事件跟踪、用户交互记录等,确保收集到的数据能够涵盖用户在终端设备上的各种行为,具体的这些行为信息可以为点击、浏览、搜索、预订等,同时行为信息还包括点击的次数、游览的时间等。
进一步的,需要说明的是,酒店终端设备包括酒店智能电视、智能平板以及酒店点餐终端等。
在上述实施例的基础上,作为一种可选的实施例,步骤101,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息,包括步骤201-204:
步骤201,通过每个酒店终端设备的日志记录获取每个酒店终端设备的用户行为信息;
具体的,获取每个酒店终端设备的日志记录,如果酒店终端设备上有酒店的应用程序,可以在应用程序内部集成数据收集功能。通过在应用程序代码中插入适当的跟踪和记录代码,可以捕获用户的行为信息,如点击、浏览、搜索等。这可以使用应用程序分析工具、SDK(软件开发工具包)或自定义的数据收集模块来实现。
进一步的,可以在终端设备上设置日志记录系统,以记录用户行为信息。日志记录可以包括用户的操作、事件和状态变化等。通过分析和解读这些日志,可以获得有关用户行为的信息。
步骤202,对每个酒店终端设备的用户行为信息进行缺失值处理,对用户行为信息进行识别并处理用户行为信息中的缺失值得到第一用户行为信息;
具体的,识别并处理数据中的缺失值。这可以包括删除包含缺失值的行或列,或使用合适的方法进行填充,如均值、中位数、众数等。
步骤203,对每个酒店终端设备的用户行为信息进行异常值处理,对用户行为信息检测并处理用户行为信息中的异常值,得到第二用户行为信息;
具体的,检测和处理数据中的异常值。异常值可能是由于数据采集错误、测量误差或其他原因引起的极端或不符合常规模式的值。可以采用删除、替换或插值等方法来处理异常值。
步骤204,对每个酒店终端设备的用户行为信息进行数据格式转换,将用户行为信息转换为统一的格式,得到终端用户行为信息
具体的,将数据转换为统一的格式。例如,将日期时间字段转换为标准的日期时间格式,将文本数据转换为统一的大小写,统一单位等。
通过对数据进行清洗,可以提高数据的质量和准确性,为后续的数据分析和应用提供更可靠的基础。
步骤102,基于终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度;
具体的,基于终端用户行为信息,从中提取适当的特征,以表示用户行为的关键属性。这可能包括用户在终端设备上的点击次数、浏览时长、关注的页面主题等。确保所选的特征能够反映用户行为的重要方面。
对提取的特征进行标准化处理,以确保它们具有相似的尺度和范围,这可以使用标准化技术,如均值归一化或标准差归一化。
使用适当的匹配度计算方法,将特征向量表示的终端用户行为信息与每个描述性标签进行比较。常用的计算方法包括余弦相似度、欧氏距离、曼哈顿距离等。较高的匹配度值表示用户行为与描述性标签更相似。
对于每个描述性标签,计算得到与终端用户行为信息的匹配度值。可以按照匹配度值进行排序,以确定与用户行为最匹配的描述性标签。
在上述实施例的基础上,作为一种可选的实施例,步骤102将终端用户行为信息与预设的描述性标签进行匹配度计算,包括步骤301-305:
步骤301,针对预设的描述性标签集中的每一条描述性标签,确定每一条描述性标签对应的标签行为特征信息;
具体的,确保预设的描述性标签集已定义,并包含了需要的描述性标签。针对每个描述性标签:逐个考虑每个描述性标签,并进行以下操作:
a.确定标签的含义:理解描述性标签的含义和概念,明确标签所代表的用户行为特征。
b.分析用户行为特征:基于领域知识和经验,分析和确定与标签相关的用户行为特征。
c.定义标签行为特征信息:根据分析结果,为每个描述性标签定义对应的标签行为特征信息。这些信息应该能够捕捉到用户行为特征的关键属性,并且与描述性标签的含义相匹配。
示例性的,对于描述性标签"喜爱豪华住宿",可能对应的标签行为特征信息包括用户在终端设备上预订高级套房的频率、点击豪华酒店信息的次数、偏好高星级酒店等。
步骤302,基于每一条描述性标签对应的标签行为特征信息确定每一条描述性标签对应的融合系数;
具体的,通过考虑标签行为特征信息,可以更准确地评估每个描述性标签的相关性和重要性。这有助于提高标签的准确性,使其更好地反映用户需求和内容特点。
在上述实施例的基础上,作为一种可选实施例,步骤302,基于每一条描述性标签对应的行为特征信息确定每一条描述性标签对应的融合系数,还可以包括步骤401-步骤405:
步骤401,获取在历史上构建形成的每一个历史用户画像,得到历史用户画像集;
步骤402,对历史用户画像集中的每一个历史用户画像对应的历史用户画像信息包括的历史描述性标签进行去重筛选,得到对应的历史描述性标签集;
具体的,创建一个空的历史描述性标签集。遍历历史用户画像集中的每一个历史用户画像,对于每个历史用户画像,提取其中的历史描述性标签信息,将提取到的历史描述性标签与历史描述性标签集进行对比,如果历史描述性标签已经存在于历史描述性标签集中,则跳过该标签,进行下一个标签的处理,如果历史描述性标签不在历史描述性标签集中,则将该标签添加到历史描述性标签集中,继续遍历下一个历史用户画像,重复步骤3到步骤6,直到遍历完所有历史用户画像,完成遍历后,历史描述性标签集中将包含所有历史用户画像中出现的不重复的描述性标签。
作为另一种可选实施例,确定描述性标签对应的融合系数是为了综合考虑标签行为特征信息的重要性和权重。以下是基于每一条描述性标签对应的标签行为特征信息确定每一条描述性标签对应的融合系数的另一种实施例:
定义权重因子:为每个标签行为特征信息定义一个权重因子,用于表示该特征对于描述性标签的重要性。权重因子可以基于专家知识、数据分析或经验来确定,可以是一个介于0和1之间的值,或者是一个相对权重的排序。
标准化权重因子:对权重因子进行标准化处理,确保它们的总和等于1。这可以通过将每个权重因子除以所有因子之和来实现。
计算融合系数:将每个标签行为特征信息的权重因子与对应的标签行为特征信息值相乘,并将所有乘积项相加,得到描述性标签的融合系数。这个融合系数表示了标签行为特征信息在描述性标签中的相对重要性。
示例:假设有一个描述性标签"喜爱豪华住宿",对应的标签行为特征信息包括预订高级套房的频率(权重因子为0.6)、点击豪华酒店信息的次数(权重因子为0.4)。如果某个用户的预订高级套房频率为0.8,点击豪华酒店信息的次数为0.6,那么可以计算融合系数为:0.6*0.8+0.4*0.6=0.72。通过计算融合系数,可以更好地综合考虑描述性标签对应的不同标签行为特征信息的重要性,为后续的个性化推荐、用户分类等任务提供更准确的依据。请注意,确定权重因子和计算融合系数的具体方法可以根据实际应用场景和需求进行调整和定制。
步骤403,针对历史描述性标签集中的每一条历史描述性标签集,基于历史描述性标签确定该历史描述性标签对应的标签行为特征信息;
具体的,通过基于每一条描述性标签对应的标签行为特征信息确定每一条描述性标签对应的融合系数的方法,可以改进用户画像的精确性、可视化用户的行为模式、提高营销策略的精准性、优化用户体验等。
步骤404,针对历史用户描述性标签对应的标签行为特征信息,确定该标签行为特征信息对应融合系数;
步骤405,针对预设的描述性标签集中包括的每一条描述性标签,确定该描述性标签所属的历史标签行为特征信息,并将该历史标签行为特征信息对应的融合系数确定为该描述性标签对应的融合系数。
步骤303,对终端用户行为信息进行数据分析得到用户行为特征信息;
具体的,针对用户行为信息进行特征提取,即从原始行为数据中提取出具有代表性和区分性的特征。这些特征可以包括用户的活跃度、购买频率、浏览偏好、点击行为、时段偏好等等,根据具体业务场景进行选择和定义。
在上述实施例的基础上,作为一种可选实施例,对终端用户行为信息进行数据分析得到用户行为特征信息,包括:
基于终端用户行为信息进行特征提取,对终端用户行为信息中的行为频率、行为持续时间、行为序列、行为间隔、行为地理位置和行为关联性进行特征提取得到用户行为特征信息。
具体的,行为频率:分析用户在一定时间段内的行为次数,可以包括点击次数、浏览次数、购买次数等。这可以帮助了解用户的活跃度和参与程度。
行为持续时间:计算用户在特定行为上花费的时间,例如观看视频的时长、停留在某个页面的时间等。这可以揭示用户对特定行为的兴趣和投入程度。
行为序列:分析用户行为的顺序和模式,例如用户在购物过程中的点击顺序、浏览页面的路径等。这可以揭示用户的行为习惯和偏好。
行为间隔:计算用户在不同行为之间的时间间隔,例如用户两次购买之间的时间间隔、连续点击之间的时间间隔等。这可以揭示用户的行为规律和购买周期。
行为地理位置:分析用户在不同地理位置上的行为,例如用户在不同城市或地区的购买行为、使用APP的地理分布等。这可以揭示地域特征和用户行为的地理相关性。
行为关联性:分析用户不同行为之间的关联性,例如用户购买某个商品后的评价行为、浏览某个页面后的分享行为等。这可以揭示用户行为的关联模式和用户的兴趣偏好。
步骤304,分别计算用户行为信息包括的每一条用户行为特征信息与预设的描述性标签集中每一条描述性标签对应的标签行为特征信息之间的匹配度,得到该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度;
具体的,遍历用户行为信息中的每一条用户行为特征信息。对于每条用户行为特征信息,遍历预设的描述性标签集中的每个描述性标签,对于每个描述性标签,获取其对应的标签行为特征信息,使用适当的匹配度计算方法(如余弦相似度、欧氏距离、相对差异等)计算用户行为特征信息与描述性标签对应的标签行为特征信息之间的匹配度。具体的匹配度计算方法可以根据实际需求和数据类型进行选择。将计算得到的匹配度记录下来,得到该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度。
步骤305,基于每一条描述性标签对应的融合系数,对该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度进行融合处理,得到该用户对应的用户画像匹配度。
具体的,遍历用户行为信息包括的每一条用户行为特征信息。对于每条用户行为特征信息,遍历预设的描述性标签集中的每个描述性标签。
对于每个描述性标签,获取其对应的融合系数。将特征匹配度与对应的融合系数相乘,得到加权匹配度。将加权匹配度累加到用户对应的用户画像匹配度中。
通过以上步骤,可以将用户行为信息中每一条用户行为特征信息对应的特征匹配度按照描述性标签的融合系数进行加权融合处理,得到用户的用户画像匹配度。该匹配度综合了用户行为特征信息与描述性标签之间的关联程度,并考虑了各个特征的重要性权重。这样的用户画像匹配度可以用于更全面地衡量用户与描述性标签之间的匹配程度,帮助进行个性化推荐、用户分类和精准营销等任务。具体的融合系数计算方法可以根据实际需求和业务场景进行定义和调整。
作为一种可选实施例,酒店客户画像构建方法,还包括以下步骤:
步骤501,定期获取既往用户行为信息进行数据分析提取,得到既往用户行为特征信息;
具体的,对于每个用户,整理其既往的行为信息,形成用户行为数据集。应用数据分析技术和方法,对用户行为数据集进行处理和分析,提取既往用户行为的特征信息。这可以包括行为频率、行为持续时间、行为序列、行为间隔、行为地理位置等特征。将提取得到的既往用户行为特征信息进行记录和存储,以备后续使用。
步骤502,基于既往用户行为特征信息进行特征分析提取得到新的描述性标签。
具体的,利用既往用户行为特征信息的数据集,进行进一步的特征分析和挖掘,应用数据挖掘和机器学习技术,对既往用户行为特征信息进行分析和建模,以发现潜在的模式、关联和规律,根据分析结果,提取出新的描述性标签,这些标签可以描述用户的行为特征、兴趣偏好、购买习惯等方面。对提取得到的新描述性标签进行整理和归类,确保其可解释性和实用性。将新的描述性标签记录和存储,以便后续的用户画像构建、个性化推荐和行为分析等任务使用。
通过基于既往用户行为特征信息的特征分析和提取,可以发现新的描述性标签。
作为一种可选实施例,基于既往用户行为特征信息进行特征分析提取得到新的描述性标签,以下步骤包括:
步骤601,基于既往用户行为特征信息进行特征趋势预测,得到用户行为特征趋势;
具体的,使用历史的既往用户行为特征信息数据集,进行时间序列分析或机器学习模型训练,以预测用户行为特征的未来趋势。根据已有的用户行为特征信息,建立合适的预测模型,可以是基于统计方法如ARIMA、GARCH,或者是基于机器学习方法如回归、时间序列模型等。
使用预测模型对未来一段时间内的用户行为特征进行预测,并得到相应的特征趋势。根据预测结果,得到用户行为特征在未来的变化趋势,例如行为频率的增加或减少、行为持续时间的变化、行为序列的演化等
步骤602,基于用户行为特征趋势确定新的描述性标签。
具体的,分析用户行为特征趋势的预测结果,识别出具有显著变化趋势的特征。根据这些变化趋势,确定新的描述性标签,可以通过对特征的增加、减少、变化方向等进行定义。确保新的描述性标签具有实际意义和可解释性,能够更好地描述用户的行为特征和变化趋势,将新的描述性标签记录和存储,以便后续的用户画像构建、个性化推荐和行为分析等任务使用。
通过基于既往用户行为特征信息的特征趋势预测,可以预测出用户行为特征在未来的变化趋势,这有助于更好地理解用户行为模式的演变和趋势,为个性化推荐、用户分类和行为分析等任务提供更精准的依据。
请参阅图2,图2为本申请实施例提供的一种酒店客户画像构建系统架构图,该酒店客户画像构建系统可以包括:数据获取模块1、匹配度计算模块2和用户画像生成模块3,其中:
数据获取模块1,用于针对每个酒店终端设备,获取每个终端的用户行为信息,并进行数据清洗转换得到终端用户行为信息;
匹配度计算模块2,用于基于终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度;
用户画像生成模块3,用于将终端用户行为信息与各描述性标签的匹配度大于预设阈值的描述性标签作为用户画像描述性标签,并生成用户画像。
需要说明的是:上述实施例提供的系统在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的系统和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机存储介质,计算机存储介质可以存储有多条指令,指令适于由处理器加载并执行如上述图1所示实施例的酒店客户画像构建方法,具体执行过程可以参见图1所示实施例的具体说明,在此不进行赘述。
请参照图3本申请还公开一种电子设备。图3是本申请实施例的公开的一种电子设备的结构示意图。该电子设备300可以包括:至少一个处理器301,至少一个网络接口304,用户接口303,存储器305,至少一个通信总线302。
其中,通信总线302用于实现这些组件之间的连接通信。
其中,用户接口303可以包括显示屏(Display)、摄像头(Camera),可选用户接口303还可以包括标准的有线接口、无线接口。
其中,网络接口304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行服务器的各种功能和处理数据。可选的,处理器301可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器301可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器301中,单独通过一块芯片进行实现。
其中,存储器305可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储系统。参照图3,作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及一种酒店客户画像构建的应用程序。
在图3所示的电子设备300中,用户接口303主要用于为用户提供输入的接口,获取用户输入的数据;而处理器301可以用于调用存储器305中存储酒店客户画像构建的应用程序,当由一个或多个处理器301执行时,使得电子设备300执行如上述实施例中一个或多个的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的系统,可通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,系统或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.酒店客户画像构建方法,其特征在于,应用于酒店服务器终端,所述方法包括:
针对每个酒店终端设备,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息;
基于所述终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度;
将所述终端用户行为信息与各描述性标签的匹配度大于预设阈值的描述性标签作为用户画像描述性标签,并生成用户画像。
2.根据权利要求1所述的酒店客户画像构建方法,其特征在于,所述获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息,包括:
通过每个酒店终端设备的日志记录获取每个酒店终端设备的用户行为信息;
对所述每个酒店终端设备的用户行为信息进行缺失值处理,对用户行为信息进行识别并处理用户行为信息中的缺失值得到第一用户行为信息;
对所述每个酒店终端设备的用户行为信息进行异常值处理,对用户行为信息检测并处理用户行为信息中的异常值,得到第二用户行为信息;
对所述每个酒店终端设备的用户行为信息进行数据格式转换,将用户行为信息转换为统一的格式,得到终端用户行为信息。
3.根据权利要求1所述的酒店客户画像构建方法,其特征在于,所述将所述终端用户行为信息与预设的描述性标签进行匹配度计算,包括:
针对所述预设的描述性标签集中的每一条描述性标签,确定每一条描述性标签对应的标签行为特征信息;
基于每一条描述性标签对应的标签行为特征信息确定每一条描述性标签对应的融合系数;
对终端用户行为信息进行数据分析得到用户行为特征信息;
分别计算用户行为信息包括的每一条用户行为特征信息与所述预设的描述性标签集中每一条描述性标签对应的标签行为特征信息之间的匹配度,得到该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度;
基于每一条所述描述性标签对应的融合系数,对该用户行为信息包括的每一条用户行为特征信息对应的特征匹配度进行融合处理,得到该用户对应的用户画像匹配度。
4.根据权利要求3所述的酒店客户画像构建方法,其特征在于,所述基于每一条描述性标签对应的行为特征信息确定每一条描述性标签对应的融合系数,包括:
获取在历史上构建形成的每一个历史用户画像,得到历史用户画像集;
对历史用户画像集中的每一个历史用户画像对应的历史用户画像信息包括的历史描述性标签进行去重筛选,得到对应的历史描述性标签集;
针对所述历史描述性标签集中的每一条历史描述性标签集,基于历史描述性标签确定该历史描述性标签对应的标签行为特征信息;
针对历史用户描述性标签对应的标签行为特征信息,确定该标签行为特征信息对应融合系数;
针对所述预设的描述性标签集中包括的每一条描述性标签,确定该描述性标签所属的历史标签行为特征信息,并将该历史标签行为特征信息对应的融合系数确定为该描述性标签对应的融合系数。
5.根据权利要求3所述的酒店客户画像构建方法,其特征在于,所述对终端用户行为信息进行数据分析得到用户行为特征信息,包括:
基于终端用户行为信息进行特征提取,对终端用户行为信息中的行为频率、行为持续时间、行为序列、行为间隔、行为地理位置和行为关联性进行特征提取得到用户行为特征信息。
6.根据权利要求1所述的酒店客户画像构建方法,其特征在于,还包括:
定期获取既往用户行为信息进行数据分析提取,得到既往用户行为特征信息;
基于所述既往用户行为特征信息进行特征分析提取得到新的描述性标签。
7.根据权利要求6所述的酒店客户画像构建方法,其特征在于,基于所述既往用户行为特征信息进行特征分析提取得到新的描述性标签,包括:
基于所述既往用户行为特征信息进行特征趋势预测,得到用户行为特征趋势;
基于所述用户行为特征趋势确定新的描述性标签。
8.一种酒店客户画像构建系统,其特征在于,包括:
数据获取模块(1),用于针对每个酒店终端设备,获取每个酒店终端设备的用户行为信息,并进行数据清洗转换得到终端用户行为信息;
匹配度计算模块(2),用于基于所述终端用户行为信息与预设的描述性标签集中描述性标签的进行匹配度计算,得到终端用户行为信息与各描述性标签的匹配度;
用户画像生成模块(3),用于将所述终端用户行为信息与各描述性标签的匹配度大于预设阈值的描述性标签作为用户画像描述性标签,并生成用户画像。
9.一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多条指令,所述指令适用于由处理器加载并执行如权利要求1~7任意一项所述的方法。
10.一种电子设备,其特征在于,包括处理器、存储器和收发器,所述存储器用于存储指令,所述收发器用于和其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如权利要求1~7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311524236.0A CN117235586B (zh) | 2023-11-16 | 2023-11-16 | 酒店客户画像构建方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311524236.0A CN117235586B (zh) | 2023-11-16 | 2023-11-16 | 酒店客户画像构建方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235586A true CN117235586A (zh) | 2023-12-15 |
CN117235586B CN117235586B (zh) | 2024-02-09 |
Family
ID=89089789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311524236.0A Active CN117235586B (zh) | 2023-11-16 | 2023-11-16 | 酒店客户画像构建方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235586B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437091A (zh) * | 2023-12-21 | 2024-01-23 | 南京市文化投资控股集团有限责任公司 | 一种面向元宇宙场景的操作交互管理系统及方法 |
CN117472015A (zh) * | 2023-12-28 | 2024-01-30 | 承德石油高等专科学校 | 一种基于机器视觉的工业加工控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750789A (zh) * | 2015-03-12 | 2015-07-01 | 百度在线网络技术(北京)有限公司 | 标签的推荐方法及装置 |
CN105574159A (zh) * | 2015-12-16 | 2016-05-11 | 浙江汉鼎宇佑金融服务有限公司 | 一种基于大数据的用户画像建立方法和用户画像管理系统 |
CN106777122A (zh) * | 2016-12-16 | 2017-05-31 | 贵州中小乾信金融信息服务有限公司 | 用户行为画像的大数据服务系统 |
CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
CN108492224A (zh) * | 2018-03-09 | 2018-09-04 | 上海开放大学 | 基于深度学习在线教育学生综合画像标签管理系统 |
CN109040297A (zh) * | 2018-08-30 | 2018-12-18 | 广州酷狗计算机科技有限公司 | 用户画像生成方法及装置 |
US20200125992A1 (en) * | 2018-10-19 | 2020-04-23 | Tata Consultancy Services Limited | Systems and methods for conversational based ticket logging |
CN111190939A (zh) * | 2019-12-27 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
CN113570440A (zh) * | 2021-07-31 | 2021-10-29 | 王亮 | 基于电子商务大数据的信息推送方法及电子商务系统 |
CN114969497A (zh) * | 2021-02-25 | 2022-08-30 | 广州启生信息技术有限公司 | 医疗健康数据处理系统 |
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 |
CN115098572A (zh) * | 2022-06-02 | 2022-09-23 | 招银云创信息技术有限公司 | 用户画像构建方法、装置和计算机设备 |
-
2023
- 2023-11-16 CN CN202311524236.0A patent/CN117235586B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750789A (zh) * | 2015-03-12 | 2015-07-01 | 百度在线网络技术(北京)有限公司 | 标签的推荐方法及装置 |
CN105574159A (zh) * | 2015-12-16 | 2016-05-11 | 浙江汉鼎宇佑金融服务有限公司 | 一种基于大数据的用户画像建立方法和用户画像管理系统 |
CN106777122A (zh) * | 2016-12-16 | 2017-05-31 | 贵州中小乾信金融信息服务有限公司 | 用户行为画像的大数据服务系统 |
CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
CN108492224A (zh) * | 2018-03-09 | 2018-09-04 | 上海开放大学 | 基于深度学习在线教育学生综合画像标签管理系统 |
CN109040297A (zh) * | 2018-08-30 | 2018-12-18 | 广州酷狗计算机科技有限公司 | 用户画像生成方法及装置 |
US20200125992A1 (en) * | 2018-10-19 | 2020-04-23 | Tata Consultancy Services Limited | Systems and methods for conversational based ticket logging |
CN111190939A (zh) * | 2019-12-27 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
CN114969497A (zh) * | 2021-02-25 | 2022-08-30 | 广州启生信息技术有限公司 | 医疗健康数据处理系统 |
CN113570440A (zh) * | 2021-07-31 | 2021-10-29 | 王亮 | 基于电子商务大数据的信息推送方法及电子商务系统 |
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 |
CN115098572A (zh) * | 2022-06-02 | 2022-09-23 | 招银云创信息技术有限公司 | 用户画像构建方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
SALMAN MAHMOOD;KLAUS MUELLER: "Taxonomizer: Interactive Construction of Fully Labeled Hierarchical Groupings from Attributes of Multivariate Data", IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, vol. 26, no. 9, pages 2875 - 2890, XP011800991, DOI: 10.1109/TVCG.2019.2895642 * |
李恒超;林鸿飞;杨亮;徐博;魏晓聪;张绍武;古丽孜热・艾尼外: "一种用于构建用户画像的二级融合算法框架", 计算机科学, no. 1, pages 166 - 170 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437091A (zh) * | 2023-12-21 | 2024-01-23 | 南京市文化投资控股集团有限责任公司 | 一种面向元宇宙场景的操作交互管理系统及方法 |
CN117437091B (zh) * | 2023-12-21 | 2024-02-23 | 南京市文化投资控股集团有限责任公司 | 一种面向元宇宙场景的操作交互管理系统及方法 |
CN117472015A (zh) * | 2023-12-28 | 2024-01-30 | 承德石油高等专科学校 | 一种基于机器视觉的工业加工控制方法 |
CN117472015B (zh) * | 2023-12-28 | 2024-03-22 | 承德石油高等专科学校 | 一种基于机器视觉的工业加工控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117235586B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
CN111815415B (zh) | 一种商品推荐方法、系统及设备 | |
CN109511015B (zh) | 多媒体资源推荐方法、装置、存储介质及设备 | |
Baker | Big data: A survey research perspective | |
US9344507B2 (en) | Method of processing web access information and server implementing same | |
JP6911603B2 (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
US20130054498A1 (en) | System and Method For Providing Personalized Recommendations | |
EP4083857A1 (en) | Information prediction model training method and apparatus, information prediction method and apparatus, storage medium, and device | |
CN110264277B (zh) | 由计算设备执行的数据处理方法及装置、介质和计算设备 | |
CN111738785A (zh) | 选品方法、系统及存储介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN113157752A (zh) | 一种基于用户画像和情境的科技资源推荐方法及系统 | |
CN111861605A (zh) | 业务对象推荐方法 | |
KR20110023750A (ko) | 오브젝트 커스터마이제이션 및 관리 시스템 | |
KR101026544B1 (ko) | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 | |
Byrne | The digital economy and productivity | |
JP2006053616A (ja) | サーバ装置、webサイト推奨方法およびプログラム | |
Rai et al. | Using open source intelligence as a tool for reliable web searching | |
CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN114595323B (zh) | 画像构建、推荐、模型训练方法、装置、设备及存储介质 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN110827044A (zh) | 提取用户兴趣模式的方法和装置 | |
KR102405503B1 (ko) | 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램 |
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 |