CN117350770B - 一种基于用户画像的精准营销方法及系统 - Google Patents

Abstract

本发明涉及大数据处理领域，本发明涉及一种基于用户画像的精准营销方法及系统，方法包括：采集用户数据和营销商品数据；初步整理所述用户数据和所述营销商品数据，获取用户特征向量和营销商品特征向量，响应于营销商品不在所述用户特征向量中，计算用户对营销商品的兴趣偏好，从而对所述用户特征向量修正以得到用户画像特征向量，计算每个用户画像特征向量与营销商品特征向量两者之间的相似度，并使用相似度进行降序排列；对其排序靠前的用户进行投放所述营销商品广告。

Description

一种基于用户画像的精准营销方法及系统

技术领域

本发明一般地涉及大数据处理领域。更具体地，本发明涉及一种基于用户画像的精准营销方法及系统。

背景技术

用户画像是通过对用户行为、兴趣、偏好等数据进行分析和挖掘，将用户的特征和属性进行抽象和描述，形成用户的模拟形象或个人档案的过程。用户画像在推荐系统、广告系统、商业分析、数据分析、用户增长、数据化运营、精准营销等领域均得到了广泛应用，用户画像可以帮助企业更好地了解客户、洞察用户需求，并为用户提供个性化的产品推荐和定制化的服务。

目前智能营销方法中在对用户精准营销时，对于用户特征只考虑了点击营销商品或相似商品中的部分用户偏好程度，忽略了未点击营销商品这部分用户的偏好程度，从而导致营销商品部分用户缺失，从而影响对营销商品所需要用户的精准判断，降低精准营销效果。

发明内容

本发明提出一种基于用户画像的精准营销方法及系统，旨在解决相关技术中，只考虑了点击营销商品或相似商品中的部分用户偏好程度，忽略了未点击营销商品这部分用户的偏好程度，使得部分用户缺失，从而降低精准营销效果的问题。

为实现上述目的，本发明提供如下技术方案：一种基于用户画像的精准营销方法，包括：

采集用户数据和营销商品数据；

初步整理所述用户数据和所述营销商品数据，获取用户特征向量和营销商品特征向量，其中：

用户特征向量为：U={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)};

营销商品特征向量为：G={(g_1，w₁)，(g_2，w₂)......(g_n，w_n)};

其中，u_n表示用户对其产生过行为的第n个商品，W_n表示用户对第n个商品的兴趣偏好，其中g_n表示商品的第n个属性特征，w_n表示第n个属性所占权重的数值大小；

响应于商品u_n+1不在所述用户特征向量中，计算用户对商品u_n+1的兴趣偏好，从而对所述用户特征向量修正以得到用户画像特征向量U′={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)，(u_n+1，W_n+1)}，其中，商品u_n+1为营销商品；

W_n+1=∑_j∈N(U)S_(n+1)jW_j/K；

W_n+1表示用户对第n+1个商品的兴趣偏好，N(U)表示用户喜欢的所有商品，j等于1、2、3......K，K表示用户喜欢的所有商品数量，S_(n+1)j表示商品u_n+1与N(U)中商品的相似度，W_j表示用户对第j个商品的兴趣偏好；

计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度，并使用相似度进行降序排列；

对其排序靠前的用户进行投放所述营销商品的广告。

在一个实施例中，所述营销商品数据包括对商品的点击、浏览、购买行为。

用户特征向量：U={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)}中，W_n的值使用TF-IDF算法进行计算获得，计算公式如下：

W_n=TF1×logIDF1；

TF1=该用户产生过操作行为的商品中第n个商品出现的次数/该用户产生过操作行为的全部商品出现的次数，IDF1=用户总量/（第n个商品产生过操作行为的全部用户数量+1）。

在一个实施例中，营销商品特征向量为：G={(g_1，w₁)，(g_2，w₂)......(g_n，w_n)}，w_n的值使用TF-IDF算法进行计算获得，计算公式如下：

w_n=TF2×logIDF2；

TF2=所有用户对商品产生操作行为时检索分类n进行的次数/所有用户检索过的全部商品分类属性的次数，IDF2=所有用户对该商品产生的操作行为总次数/（检索过分类n得到该商品的总次数+1）。

在一个实施例中，对所述用户特征向量修正以得到用户画像特征向量U′包括：

计算任意物品之间的相似度，计算物品之间的相似度公式如下：

S′_ij=；

式中，S′_ij表示物品i和物品j的相似度，|N(i)|、|N(j)|分别表示对物品i和物品j产生过操作行为的用户数量，|N(i)|∩|N(j)|表示同时对物品i和物品j产生过操作行为的用户数量。

在一个实施例中，计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度，包括：

使用皮尔逊相关系数（Pearson Correlation Coefficient）计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度。

本发明还提供了一种基于用户画像的精准营销系统，包括：处理器、存储器，所述存储器存储有计算机程序，当所述计算机程序由所述处理器执行时，实现根据本发明所述的一种基于用户画像的精准营销方法。

本发明的有益效果为：

1.通过计算用户对营销商品偏好程度，并通过物品之间相似度，以实现用户没有对营销商品操作的偏好程度进行计算，从而完善用户画像特征向量，再使用皮尔逊相关系数（Pearson Correlation Coefficient）计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度，并根据相似度对每一个用户进行排序，将排序靠前的用户进行营销商品的广告投放，从而提高了对营销商品精准营销的精确度，提高营销商品营销效果。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性地示出了该基于用户画像的精准营销方法流程图；

图2是示意性地示出了计算机内部结构图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

本发明的一种基于用户画像的精准营销方法及系统，采集用户数据和营销商品数据。

用户数据包括：采集用户购物习惯、购买偏好，通过用户的购物习惯能够了解用户喜欢购买哪类商品，包括喜欢在哪种平台上购买；采集用户对产品的评价，包括评价内容、评价时间，通过用户对购买之后的产品的评价，能够反映用户对购买后商品情况。

营销商品数据：采集营销商品的属性、价格、库存量、图片等信息；日志信息：采集网站的访问日志，包括用户的访问时间、访问页面等信息；商品信息是消费者对商品的特征和规格进行了解，从而是用户做出购买决策的前提。

初步整理用户数据和营销商品数据：

数据清洗：数据清洗是指对原始数据进行预处理和筛选，以去除重复数据、缺失数据、错误数据等。常见的数据清洗方法包括去除重复项、填充缺失值、纠正错误数据等。

数据转换：数据转换是指将原始数据转换为更适合分析和建模的形式，这包括对数据进行归一化、标准化、编码、离散化等处理，常见的数据转换方法有特征缩放、独立编码、标签编码、分箱等。

数据集成：数据集成是指将多个不同来源的数据合并为一个统一的数据集，这涉及到数据表合并、字段匹配、数据连接等操作，常见的数据集成方法有合并、连接、追加等。

通过上述数据整理的方法，对采集的用户数据和营销商品数据进行计算。

将初步整理的数据使用TF-IDF算法对W_n与w_n的值计算，获取用户特征向量和营销商品特征向量，其中：

用户特征向量为：U={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)}；

营销商品特征向量为：G={(g_1，w₁)，(g_2，w₂)......(g_n，w_n)}。

其中，u_n表示用户对其产生过行为的第n个商品，W_n表示用户对第n个商品的兴趣偏好，其中g_n表示商品的第n个属性特征，属性特征具体指的是商品的分类属性特征，如家居、运动、电子、母婴等，w_n表示第n个属性所占权重的数值大小。

TF-IDF（Term Frequency-Inverse Document Frequency)是一种用于信息检索与文本挖掘的常用算法。它衡量了一个词语对于一个文档集或语料库中的一个文档的重要性或区分度，TF(Term Frequency)指的是词语在文档中出现的频率，它表示了一个词语在给定文档中的重要性，一个词语在文档中出现的次数越多，则TF值越高，IDF(InverseDocument Frequency)指的是逆文档频率，它通过对整个文档集或语料库进行统计，衡量一个词语对于整个文档集的普遍重要性，一个词语在更多的文档中出现，IDF值越低，即越常见，TF-IDF就是将两者结合起来，计算一个词语在文档中的重要性，TF-IDF的计算公式为TF×IDF。

由此这里通过TF-IDF用来衡量某类产品对一个用户的重要程度、商品所属分类属性特征对该商品的重要程度。

用户特征向量为：U={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)}，其中W_n的值使用TF-IDF算法进行计算获得，计算公式如下：

W_n=TF1×logIDF1，TF1=该用户产生过操作行为的商品中第n个商品出现的次数/该用户产生过操作行为的全部商品出现的次数，IDF1=用户总量/（第n个商品产生过操作行为的全部用户数量+1）。

营销商品特征向量为：G={(g_1，w₁)，(g_2，w₂)......(g_n，w_n)}，w_n的值使用TF-IDF算法进行计算获得，计算公式如下：

w_n=TF2×logIDF2，TF2=所有用户对该商品产生操作行为时检索分类n进行的次数/所有用户检索过的全部商品分类属性的次数，IDF2=所有用户对该商品产生的操作行为总次数/（检索过分类n得到该商品的总次数+1）。

从而分别得到获取用户特征向量和营销商品特征向量。

响应于商品u_n+1不在用户特征向量中，计算用户对商品u_n+1的兴趣偏好，从而对用户特征向量进行修正以得到用户画像特征向量U′={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)，(u_n+1，W_n+1)}，其中，商品u_n+1为营销商品。

W_n+1=∑_j∈N(U)S_(n+1)jW_j/K；

W_n+1表示用户对第n+1个商品的兴趣偏好，N(U)表示用户喜欢的所有商品，j等于1、2、3......K，K表示用户喜欢的所有商品数量，S_(n+1)j表示商品u_n+1与N(U)中商品的相似度，W_j表示用户对第j个商品的兴趣偏好。

在一个实施例中，如果每个用户画像特征向量U'中没有我们想要推送的商品u_n+1时，并不能表示该部分用户不喜欢商品u_n+1，从而本发明通过物品之间的相似度间接计算出这部分用户对营销商品的偏好程度，避免造成部分用户缺失的情况发生，提高商品的精准营销效果。

而在上述公式中，需要用到任意物品之间的相似度计算方法，分析所有用户的历史行为数据从而计算任意物品之间的相似度，从而可以进一步得出用户对其它可能感兴趣商品的兴趣偏好值。计算物品之间的相似度公式如下：

S′_ij=；

式中，S′_ij表示物品i和物品j的相似度，|N(i)|、|N(j)|分别表示对物品i和物品j产生过操作行为的用户数量，|N(i)|∩|N(j)|表示同时对物品i和物品j产生过操作行为的用户数量。

因此上式可理解为喜欢物品i的用户中有多少比例的用户也喜欢物品j。同时，为避免物品j过于热门导致的流行性偏差影响，在分子中加入了惩罚项|N(j)|惩罚了物品j的权重，由此可以减轻热门物品会和很多种商品相似的可能性。

通过物品之间的相似性，我们可以计算商品u_n+1与N(U)中商品的相似度，通过相似度计算出每一个用户对营销商品的偏好程度，从而修正了每个用户画像特征向量U′={(u_1，W₁)，(u_2，W₂)......(u_n，W_n)，(u_n+1，W_n+1)}。

基于修正后的每个用户画像特征向量U′并与营销商品特征向量G进行相似度计算，使用皮尔逊相关系数（Pearson Correlation Coefficient）计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度。

皮尔逊相关系数（Pearson Correlation Coefficient）是一种衡量两个连续变量之间线性相关程度的统计量。它用于度量两个变量之间的线性关系的强度和方向，皮尔逊相关系数的取值范围在-1到+1之间，当系数为+1时，表示两个变量完全正相关，当系数为-1时，表示两个变量完全负相关；而当系数接近于0时，表示两个变量之间没有线性关系。

皮尔逊相关系数的作用主要体现在以下几个方面：衡量变量之间的线性关系：皮尔逊相关系数可以帮助我们判断两个变量之间是否存在线性关系以及线性关系的强度，当系数接近于+1或-1时，可以认为两个变量之间存在较强的线性关系，验证研究假设：皮尔逊相关系数可以用于验证研究问题或假设，例如判断某个因素是否与另一个因素相关，特征选择和变量筛选：在特征选择和变量筛选中，皮尔逊相关系数常被用来评估变量与目标变量之间的相关性，从而确定哪些变量对目标变量具有重要影响，数据探索和可视化：皮尔逊相关系数可以作为数据探索的工具，帮助我们理解数据集中各个变量之间的关系，以便更直观地观察变量之间的相关性。

通过皮尔逊相关系数可算出每个用户画像特征向量U'与商品特征向量G相似度r，例如：

r₁=(U′₁，G)、r₂=(U′₂，G)、r₃=(U′₃，G)、r₄=(U′₄，G)，其中，r_1、r_2、r₃分别代表第一个用户的相似度、第二个用户的相似度、第三个用户的相似度，并依次类推，计算出每一个用户的相似度。

计算出每个用户的相似度之后，将用户相似度进行降序排列，从而可以得到用户与营销商品的相似度的由高至低排序，从而对其排序靠前的用户进行投放营销商品广告。

本发明还提供了一种基于用户画像的精准营销方法及系统，系统包括处理器和存储器，存储器存储有计算机程序，当计算机程序由处理器执行时，实现根据本发明的一种基于用户画像的精准营销方法。

在一个实施例中，本发明提供了一种计算机设备，其内部结构可以如图2所示，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口，其中，该计算机设备的处理器用于提供计算和控制能力，该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。

系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于用户画像的精准营销方法，其特征在于，包括：

采集用户数据和营销商品数据；

初步整理所述用户数据和所述营销商品数据，并使用TF-IDF算法对W_n与w_n的值进行计算，获取用户特征向量和营销商品特征向量，其中：

用户特征向量为：U={(u₁，W₁)，(u₂，W₂)......(u_n，Wn)}；

营销商品特征向量为：G={(g₁，w₁)，(g₂，w₂)......(g_n，w_n)}；

其中，u_n表示用户对其产生过行为的第n个商品，Wn表示用户对第n个商品的兴趣偏好，其中g_n表示商品的第n个属性特征，w_n表示第n个属性所占权重的数值大小；

响应于商品u_n+1不在所述用户特征向量中，计算用户对商品u_n+1的兴趣偏好，从而对所述用户特征向量修正以得到用户画像特征向量U′={(u₁，W₁)，(u₂，W₂)......(u_n，Wn)，(u_n+1，W_n+1)}，其中，商品u_n+1为营销商品；

W_n+1=Σ_j∈N(U)S_(n+1)jW_j/K；

W_n+1表示用户对第n+1个商品的兴趣偏好，N(U)表示用户喜欢的所有商品，j等于1、2、3......K，K表示用户喜欢的所有商品数量，S_(n+1)j表示商品u_n+1与N(U)中商品的相似度，W_j表示用户对第j个商品的兴趣偏好；

对所述用户特征向量修正以得到用户画像特征向量U′包括：

计算任意物品之间的相似度，计算物品之间的相似度公式如下：

S′_ij=；

式中，S′_ij表示物品i和物品j的相似度，|N(i)|、|N(j)|分别表示对物品i和物品j产生过操作行为的用户数量，|N(i)|∩|N(j)|表示同时对物品i和物品j产生过操作行为的用户数量；

计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度，并使用相似度进行降序排列；

所述计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度，包括：

使用皮尔逊相关系数（PearsonCorrelationCoefficient）计算每个用户画像特征向量U′与营销商品特征向量G两者之间的相似度；

对其排序靠前的用户进行投放所述营销商品的广告。

2.根据权利要求1所述的一种基于用户画像的精准营销方法，其特征在于：所述营销商品数据包括对商品的点击、浏览、购买行为。

3.根据权利要求1所述的一种基于用户画像的精准营销方法，其特征在于：用户特征向量：

U={(u₁，W₁)，(u₂，W₂)......(u_n，Wn)}中，W_n的值使用TF-IDF算法进行计算获得，计算公式如下：

W_n=TF1×logIDF1；

TF1=该用户产生过操作行为的商品中第n个商品出现的次数/该用户产生过操作行为的全部商品出现的次数，IDF1=用户总量/（第n个商品产生过操作行为的全部用户数量+1）。

4.根据权利要求3所述的一种基于用户画像的精准营销方法，其特征在于：营销商品特征向量为：G={(g₁，w₁)，(g₂，w₂)......(g_n，w_n)}，w_n的值使用TF-IDF算法进行计算获得，计算公式如下：

w_n=TF2×logIDF2；

TF2=所有用户对该商品产生操作行为时检索分类n进行的次数/所有用户检索过的全部商品分类属性的次数，IDF2=所有用户对该商品产生的操作行为总次数/（检索过分类n得到该商品的总次数+1）。

5.一种基于用户画像的精准营销系统，其特征在于，包括：处理器、存储器，所述存储器存储有计算机程序，当所述计算机程序由所述处理器执行时，完成权利要求1-4的任意一项所述的一种基于用户画像的精准营销方法。