CN118279059A - 数据推送方法、装置和设备 - Google Patents
数据推送方法、装置和设备Info
- Publication number
- CN118279059A CN118279059A CN202410539925.7A CN202410539925A CN118279059A CN 118279059 A CN118279059 A CN 118279059A CN 202410539925 A CN202410539925 A CN 202410539925A CN 118279059 A CN118279059 A CN 118279059A
- Authority
- CN
- China
- Prior art keywords
- user
- consumption
- data
- users
- weight
- 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 62
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 230000000694 effects Effects 0.000 claims abstract description 39
- 238000003066 decision tree Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 239000010931 gold Substances 0.000 description 6
- 229910052737 gold Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Abstract
本公开的实施例提供了一种数据推送方法,可以应用于计算机技术领域和大数据技术领域。该方法包括:获取多个第一用户的多个消费特征信息并计算每个第一用户的活跃值。获取所述活跃值小于活跃值阈值的多个第一用户,作为第二用户。获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值。获取预测结果评估值大于评估值阈值的多个第二用户,作为目标用户。基于每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。本公开还提供了一种数据推送装置、计算设备、介质和程序产品。
Description
技术领域
本公开涉及计算机技术领域,具体涉及大数据技术领域,特别是涉及一种数据推送方法、装置、设备、介质和程序产品。
背景技术
积存金交易容易受市场的影响,具有很高的投资价值,但是整体市场中积存金的存量非活跃用户由于长期不动资产的持仓占用,导致用户资产无法盘活,这类用户一般不关注市场信息或者对市场投资机制不敏感。包括银行在内的金融企业一般会对这类非活跃用户推送持仓优化决策方案。
市面上一般是预设一套持仓优化决策方案,通过网络通信对非活跃用户推送持仓优化决策方案,但这种方式无法对需求持仓优化决策方案的目标客户进行精准定位,并且由于每个用户的实际情况有所不同,预设持仓优化决策方案无法满足所有客户的需求。而且由于目标客户定位不够准确,预设持仓优化决策方案又无法满足所有客户的需求,使推送的持仓优化决策方案无法发挥应有的作用,使推送工作效率低下,并且造成了计算机内存资源和网络资源的浪费。
发明内容
鉴于上述问题,本公开提供了一种数据推送方法、装置、设备、介质和程序产品。
根据本公开的第一个方面提供了一种数据推送方法,其特征在于,该方法包括:实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据;获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2;获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a;获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应;从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b;以及获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开实施例,其特征在于,所述基础数据,包括知识图谱数据,所述对所述市场信息和历史数据进行预处理,生成基础数据,包括:对所述市场信息和历史数据进行数据清洗、去重和格式转换,生成预处理后的数据;对所述预处理后的数据进行关键数据识别,识别出所述预处理后的数据中的目标关键数据,其中,所述关键数据为预设关键数据;以及对所述目标关键数据进行数据关联,生成知识图谱数据。
根据本公开实施例,其特征在于,所述多个消费特征信息,包括:最近一次的消费记录、消费频率和消费总金额,所述基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,包括:获取所述每个第一用户的最近一次的消费记录、消费频率和消费总金额;对所述每个第一用户的最近一次的消费记录、消费频率和消费总金额进行分数评估,生成每个第一用户的最近一次的消费记录评分、消费频率评分和消费总金额评分;以及根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值,其中,所述最近一次的消费记录的权重为预设权重、消费频率的权重为预设权重、消费总金额的权重为预设权重。
根据本公开实施例,其特征在于,根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值,包括:计算所述每个第一用户的最近一次的消费记录评分和所述最近一次的消费记录的权重的乘积,生成每个第一用户的第一关联值;计算所述每个第一用户的所述消费频率评分和所述消费频率的权重的乘积,生成每个第一用户的第二关联值;计算所述每个第一用户的所述消费总金额评分和所述消费总金额的权重的乘积,生成每个第一用户的第三关联值;以及计算所述每个第一用户的第一关联值、所述每个第一用户的第二关联值和所述每个第一用户的第三关联值的和,生成所述每个第一用户的活跃值。
根据本公开实施例,其特征在于,其特征在于,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户,包括:基于所述每个目标用户的用户标识,通过分布式流处理平台将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开实施例,其特征在于,其特征在于,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户,包括:基于所述每个目标用户的用户标识,通过离线消息推送机制将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开的第二个方面提供了一种数据推送装置,其特征在于,该装置包括:该装置包括:
第一获取模块,用于实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据;第二获取模块,用于获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2;第三获取模块,用于获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a;第四获取模块,用于获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应;第五获取模块,用于从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b;以及第六获取模块,用于获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开实施例,其特征在于,所述基础数据,包括知识图谱数据,所述对所述市场信息和历史数据进行预处理,生成基础数据,所述第一获取模块包括:第一生成模块,用于对所述市场信息和历史数据进行数据清洗、去重和格式转换,生成预处理后的数据;识别模块,用于从所述预处理后的数据进行关键数据识别,识别出所述预处理后的数据中的目标关键数据,其中,所述关键数据为预设关键数据;以及第二生成模块,用于对所述目标关键数据进行数据关联,生成知识图谱数据。
根据本公开实施例,其特征在于,所述多个消费特征信息,包括:最近一次的消费记录、消费频率和消费总金额,所述基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,所述第二获取模块包括:第七获取模块,用于获取所述每个第一用户的最近一次的消费记录、消费频率和消费总金额;第三生成模块,用于对所述每个第一用户的最近一次的消费记录、消费频率和消费总金额进行分数评估,生成每个第一用户的最近一次的消费记录评分、消费频率评分和消费总金额评分;以及第一计算模块,用于根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值,其中,所述最近一次的消费记录的权重为预设权重、消费频率的权重为预设权重、消费总金额的权重为预设权重。
根据本公开实施例,其特征在于,所述第一计算模块包括:第二计算模块,用于计算所述每个第一用户的最近一次的消费记录评分和所述最近一次的消费记录的权重的乘积,生成每个第一用户的第一关联值;第三计算模块,用于计算所述每个第一用户的所述消费频率评分和所述消费频率的权重的乘积,生成每个第一用户的第二关联值;第四计算模块,用于计算所述每个第一用户的所述消费总金额评分和所述消费总金额的权重的乘积,生成每个第一用户的第三关联值;以及第五计算模块,用于计算所述每个第一用户的第一关联值、所述每个第一用户的第二关联值和所述每个第一用户的第三关联值的和,生成所述每个第一用户的活跃值。
根据本公开实施例,其特征在于,所述第六获取模块包括:第一推送模块,用于基于所述每个目标用户的用户标识,通过分布式流处理平台将针对每个目标用户的决策方案推送至相应的目标用户;以及第二推送模块,用于基于所述每个目标用户的用户标识,通过离线消息推送机制将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行上述数据推送方法。
根据本公开的第四方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述数据推送方法。
根据本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述数据推送方法。
本公开实施例通过活跃值阈值对用户进行第一次筛选,选出需要激活和重启的客户,将用户信息和技术数据通过决策树模型生成决策方案和预测结果评估值,再通过结果评估值对用户进行第二次筛选,选出目标客户并将决策方案对目标客户进行推送的技术手段,解决了客户定位不准确,需处理数据量大,浪费内存和网络资源,并且使工作效率低下的技术问题,可以实现提高目标客户定位的精确性,同时由于客户的精准定位使数据分析和推送的数据量减少,节约了内存资源和网络资源并且提高工作效率的技术效果。此外,通过数据分析和预设训练模型制定出对应每一位用户的私人定制决策方案,提高了决策方案被采纳的可能性,提升了用户体验,进一步节约了内存资源和网络资源。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的数据推送方法和装置的应用场景图;
图2示意性示出了根据本公开实施例的数据推送方法的流程图;
图3示意性示出了根据本公开实施例的数据推送方法中生成知识图谱数据的流程图;
图4示意性示出了根据本公开实施例的数据推送方法中计算每个第一用户的活跃值的流程图;
图5示意性示出了根据本公开实施例的数据推送方法中计算每个第一用户的活跃值的具体方式的流程图;
图6示意性示出了根据本公开实施例的数据推送装置的结构框图;
图7示意性示出了根据本公开实施例的数据推送装置中第一获取模块的结构框图;
图8示意性示出了根据本公开实施例的数据推送装置中第二获取模块的结构框图;
图9示意性示出了根据本公开实施例的数据推送装置中第一计算模块的结构框图;
图10示意性示出了根据本公开实施例的数据推送装置中第六获取模块的结构框图;
图11示意性示出了根据本公开实施例的适于实现数据推送方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程控制装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
首先,对本文中出现的技术术语作如下解释:
用户画像数据:基于用户画像,对用户群体的详细描述,通过数据收集,收集用户群体的相关数据,包括用户的基本信息、浏览行为、搜索行为、购买行为等。并通过数据分析,对收集到的数据进行处理和分析,提取出用户金融资产和消费特征等关键信息。
RFM算法,是一种用于衡量客户价值和客户创造能力的分析工具,其中RFM代表三个指标:R(Recency,最近一次消费)、F(Frequency,消费频率)和M(Monetary,消费金额),这三个指标是它的核心组成部分,这三个指标可以帮助系统了解客户的购买行为和价值,从而制定更精确的营销策略。
决策树模型,是一种利用机器学习算法构建的决策分析模型,主要用于分类和回归任务。它通过递归地将数据集划分为更小的子集来构建决策树,每个节点都代表一个属性或特征,每个分支代表该属性的不同取值,叶节点则代表最终的分类或回归结果。
Kafka平台,是一种高性能的分布式消息队列系统,主要被设计为一个构建实时数据管道和流应用程序的平台。Kafka主要由三个部分组成:Producer(生产者)、Broker(代理)和Consumer(消费者)。生产者负责将数据发送到Kafka集群,代理负责存储和管理这些数据,消费者负责从Kafka集群中读取数据。
本公开的实施例提供了一种数据推送方法,该方法包括:实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据;获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2;获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a;获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应;从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b;以及获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。
本公开实施例通过活跃值阈值对用户进行第一次筛选,选出需要激活和重启的客户,将用户信息和技术数据通过决策树模型生成决策方案和预测结果评估值,再通过结果评估值对用户进行第二次筛选,选出目标客户并将决策方案对目标客户进行推送的技术手段,解决了客户定位不准确,需处理数据量大,浪费内存和网络资源,并且使工作效率低下的技术问题,可以实现提高目标客户定位的精确性,同时由于客户的精准定位使数据分析和推送的数据量减少,节约了内存资源和网络资源并且提高工作效率的技术效果。此外,通过数据分析和预设训练模型制定出对应每一位用户的私人定制决策方案,提高了决策方案被采纳的可能性,提升了用户体验,进一步节约了内存资源和网络资源。
图1示意性示出了根据本公开实施例的数据推送方法和装置的应用场景图。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的应用场景100可以包括多个应用终端和应用服务器。例如,多个应用终端包括应用终端101、应用终端102、应用终端103等等。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用应用终端设备101、102、103通过网络104与应用服务器105交互,以接收或发送消息等。应用终端设备101、102、103上可以安装有各种应用程序,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的数据推送方法一般可以由服务器105执行。相应地,本公开实施例所提供的数据推送装置一般可以设置于服务器105中。本公开实施例所提供的数据推送方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据推送装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的数据推送方法进行详细描述。需要注意的是,上述应用场景仅是为了便于理解本公开的精神和原理而示出,本公开的实施方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的任何场景。
图2示意性示出了根据本公开实施例的数据推送方法的流程图。
如图2所示,该方法200包括步骤S201~S206。
步骤S201,实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据。
例如,可以实时获取积存金价格市场信息和历史数据。具体可以实时从不同web数据源中获取结构化信息中可能影响金价的信息数据。基础数据可以包括知识图谱数据。可以对所述市场信息和历史数据进行预处理,生成知识图谱数据。
图3示意性示出了根据本公开实施例的数据推送方法中生成知识图谱数据的流程图。
如图3所示,该方法300包括步骤S301~S303。
步骤S301,对所述市场信息和历史数据进行数据清洗、去重和格式转换,生成预处理后的数据。
例如,在这些市场信息和历史数据中,可能会出现重复的数据条目,这些重复的数据可能会影响数据处理结果,因此需要对这些重复数据进行删除。在这些历史数据中,还可能出现一些缺失值,可以选择对这些缺失值进行删除或采用取平均值或者取中位数的方法对这些缺失值进行补充。在这些市场信息和历史数据中,还可能出现不同的格式数据,可以对这些数据进行格式转换,以便格式统一便于数据处理。在这些市场信息和历史数据中,还可能出现明显超出规范范围比例的数据,可以对这些数据进行规范化处理,将数据规范到同一范围或比例中。
此外,还可以检测数据异常值或对数据进行一致性检查,检测数据异常值包括:检测所述市场信息和历史数据由于数据录入错误或其他原因产生的非正常数据,并对其进行删除或纠正处理。数据进行一致性检查,包括:检查所有数据写入日期都为有效日期或检查所有数据是否符合预设规则等。
通过生成预处理后的数据,可以对这些市场信息和历史数据进行敏捷化处理,避免浪费计算机资源。并且对这些市场信息和历史数据进行格式规范化,便于统一进行数据处理,可以提高数据处理效率和提高数据处理的准确性。
步骤S302,对所述预处理后的数据进行关键数据识别,识别出所述预处理后的数据中的目标关键数据,其中,所述关键数据为预设关键数据。
例如,可以预设可能影响金价的数据作为关键数据。其中,关键数据可以是汇率的变动、商品市场整体走势、通货膨胀数据、工业生产指数等。识别出预处理后的市场信息和历史数据中的汇率的变动、商品市场整体走势、通货膨胀数据、工业生产指数等数据,将这些预处理后的市场信息和历史数据中的汇率的变动、商品市场整体走势、通货膨胀数据、工业生产指数等数据作为目标关键数据。
步骤S303,对所述目标关键数据进行数据关联,生成知识图谱数据。
例如,可以获取这些预处理后的市场信息和历史数据中的汇率的变动、商品市场整体走势、通货膨胀数据、工业生产指数等目标关键数据,识别出这些目标关键数据中的多个实体。实体可以作为知识图谱中的基本单位,可以作为构建知识图谱的基础。分析多个实体潜在的联系,建立多个实体之间的连接,生成多个候选关系。候选关系的生成可以建立实体之间的连接,是构建知识图谱的关键步骤。对多个候选关系进行关系分类,定义关系,通过关系分类可以进一步明确具体的联系类型。通过定义关系可以将独立独立的信息串联成知识网络。对实体和关系定义属性。属性可以是描述的,也可以是数值型的,通过定义属性可以丰富知识图谱的内容。对这些目标关键数据进行知识融合生成知识图谱数据,通过知识融合可以解决数据异构性和冗余性的问题,确保了知识图谱的准确性和一致性。
此外,可以通过步骤S201中实时获取市场信息和历史数据对知识图谱进行更新,使知识图谱形成一个动态数据,通过不断地更新和维护,不断对知识图谱进行更新,以保证知识图谱的时效性和完整性。
通过生成知识图谱数据,可以提高模型输入数据的准确性,通过提高模型输入数据提高模型生成输出数据的精确性。
返回参照图2,在步骤S202中,获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2。
例如,在获取a个第一用户的授权同意后,可以获取第一用户画像数据,从用户画像数据中获取多个第一用户的多个消费特征信息。多个消费特征信息可以包括:最近一次的消费记录、消费频率和消费总金额。
图4示意性示出了根据本公开实施例的数据推送方法中计算每个第一用户的活跃值的流程图;
如图4所示,该方法400包括步骤S401~S403。
步骤S401,获取所述每个第一用户的最近一次的消费记录、消费频率和消费总金额。
步骤S402,对所述每个第一用户的最近一次的消费记录、消费频率和消费总金额进行分数评估,生成每个第一用户的最近一次的消费记录评分、消费频率评分和消费总金额评分。
例如,对于每个第一用户的最近一次的消费记录进行评分,可以以当前日期为基准,距离当前日期越近,得分越高,最高设置7分,最低设置1分。根据实际数据分布情况,从高到低依次切割并取分数。对于每个第一用户的消费频率,交易频率越高,得分越高,最高7分,最低1分。同样根据实际数据分布情况,从高到低依次切割并取分数。对于每个第一用户的消费金额,交易金额越高,得分越高,最高7分,最低1分。根据实际数据分布情况,从高到低依次切割并取分数。
步骤S403,根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值。其中,所述最近一次的消费记录的权重为预设权重、消费频率的权重为预设权重、消费总金额的权重为预设权重。
例如,可以获取历史数据,根据对历史数据进行案例分析,来确定并预设最近一次的消费记录的权重、消费频率的权重和消费总金额的权重。可以通过专家调查的方法收集专家对指标重要程度的意见来确定并预设最近一次的消费记录的权重、消费频率的权重和消费总金额的权重。可以分析最近一次的消费记录、消费频率和消费总金额的数据相关性,通过数据相关性来确定并预设最近一次的消费记录的权重、消费频率的权重和消费总金额的权重。
此外,每个因素的权重通常在0-1之间,即最近一次的消费记录的权重、消费频率的权重和消费总金额的权重通常在0-1之间。且所有因素的权重之和一般为1,即最近一次的消费记录的权重、消费频率的权重和消费总金额的权重之和一般为1。通过这种设置可以保证权重的合理性和整体的一致性。并且,权重的设定不应该是一成不变的,应该根据应用场景的变化,新数据的出现或策略调整进行适时的更新和调整。
总之,预设权重是一个综合考虑多种因素的过程,需要根据实际情况和具体应用场景来灵活调整。
图5示意性示出了根据本公开实施例的数据推送方法中计算每个第一用户的活跃值的具体方式的流程图。
如图5所示,该方法500包括步骤S501~S504。
步骤S501,计算所述每个第一用户的最近一次的消费记录评分和所述最近一次的消费记录的权重的乘积,生成每个第一用户的第一关联值。
步骤S502,计算所述每个第一用户的所述消费频率评分和所述消费频率的权重的乘积,生成每个第一用户的第二关联值。
步骤S503,计算所述每个第一用户的所述消费总金额评分和所述消费总金额的权重的乘积,生成每个第一用户的第三关联值。
步骤S504,计算所述每个第一用户的第一关联值、所述每个第一用户的第二关联值和所述每个第一用户的第三关联值的和,生成所述每个第一用户的活跃值。
通过对最近一次的消费记录、消费频率和消费总金额进行加权计算,使的到的每个第一用户的活跃值更符合实际应用场景的需求。通过计算每个第一用户的活跃值,可以进一步提高对用户筛选的准确性。
此外,也可以通过RFM算法模型计算每个第一用户的活跃值。通过获取RFM代表三个指标:R(Recency,最近一次消费)、F(Frequency,消费频率)和M(Monetary,消费金额)。通过这三个指标可以帮助系统了解客户的购买行为和价值,从而制定更精确的营销策略。具体包括:获取最近一次消费,距离当前日期越近,得分越高,最高设置7分,最低设置1分。根据实际数据分布情况,从高到低依次切割并取分数。获取消费频率,交易频率越高,得分越高,最高设置7分,最低设置1分。同样根据实际数据分布情况,从高到低依次切割并取分数。获取消费金额,交易金额越高,得分越高,最高设置7分,最低设置1分。根据实际数据分布情况,从高到低依次切割并取分数。RFM赋予权重(目前常见的权重是R:F:M=1:1:1),然后用权重乘以相应的分数,得出总的RFM分值。这个总RFM分值可以作为第一用户的活跃值。通过RFM算法模型能够帮助企业识别出最有价值的客户,并为他们提供个性化的服务和优惠,从而提高客户满意度和忠诚度,增加企业的收益。借助RFM模型根据用户画像数据从众多的客户群中识别出活跃客户。
返回参照图2,在步骤S203中,获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a。
步骤S204,获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应
在本实施例中决策树模型可以用于积存金存量用户持仓优化的风险评估和投资决策中,通过构建决策树模型,可以对不同投资项目的潜在风险进行分类、排序和量化评估,从而支持投资决策的制定和风险控制。
步骤S205,从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b。
步骤S206,获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开实施例,可以基于所述每个目标用户的用户标识,通过分布式流处理平台将针对每个目标用户的决策方案推送至相应的目标用户。
例如,分布式流处理平台可以使用Kafka平台,将针对每个目标用户的决策方案推送至相应的目标用户。Kafka平台可以处理在网站、移动应用、物联网、日志收集、消息系统等中产生的流数据,可以有效地确保消息的可靠传输和分发。目标用户可以分别订阅两个主题进行消息的获取和处理,分别获取用户信息和积存金市场走势分析信息。其中,用户信息可以通过其中一个主题进行下发,积存金市场走势分析信息可以通过另一个主题进行下发。
通过分布式流处理平台进行数据推送,可以使数据推送效率得到保证,并且可以降低系统间的耦合度。
根据本公开实施例,可以基于所述每个目标用户的用户标识,通过离线消息推送机制将针对每个目标用户的决策方案推送至相应的目标用户。
例如,可以通过手机离线消息推送机制推送到目标用户,向目标用户的账号绑定的移动设备进行的主动消息推送。目标用户可以在移动设备锁定屏幕和通知栏看到消息通知,通知栏点击可唤起应用后查看定制后的决策方案,并前往相关的功能页面进行主动的功能操作包括积存金赎回或者持续购买等操作。
通过消息推送对于提高用户活跃度、提高功能模块使用率、提升用户粘性、提升用户留存率起到了重要作用。
本公开实施例通过对目标客户的筛选和通过决策树模型对每一位目标客户制定专属方案并进行推送的方法,可以提升决策方案被采纳的概率,避免推送不符合用户需求的决策方案引起用户反感,提升了用户体验。
图6示意性示出了根据本公开实施例的数据推送装置的结构框图。
如图6所示,该装置600包括:第一获取模块601、第二获取模块602、第三获取模块603、第四获取模块604、第五获取模块605和第六获取模块606。
第一获取模块601,用于实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据。在一实施例中,第一获取模块601可以用于执行前文描述的步骤S201。
图7示意性示出了根据本公开实施例的数据推送装置中第一获取模块的结构框图。
如图7所示,第一获取模块601包括:第一生成模块701、识别模块702和第二生成模块703。
第一生成模块701,用于对所述市场信息和历史数据进行数据清洗、去重和格式转换,生成预处理后的数据。在一实施例中,第一生成模块701可以用于执行前文描述的步骤S301,在此不再赘述。
识别模块702,用于对所述预处理后的数据进行关键数据识别,识别出所述预处理后的数据中的目标关键数据,其中,所述关键数据为预设关键数据。在一实施例中,识别模块703可以用于执行前文描述的步骤S302,在此不再赘述。
第二生成模块703,用于对所述目标关键数据进行数据关联,生成知识图谱数据。在一实施例中,第二生成模块704可以用于执行前文描述的步骤S303,在此不再赘述。
返回参照图6,第二获取模块602,用于获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2。在一实施例中,第二获取模块602可以用于执行前文描述的步骤S202。
图8示意性示出了根据本公开实施例的数据推送装置中第二获取模块的结构框图。
如图8所示,第二获取模块602包括:第七获取模块801、第三生成模块802和第一计算模块803。
第七获取模块801,用于获取所述每个第一用户的最近一次的消费记录、消费频率和消费总金额。在一实施例中,第七获取模块801可以用于执行前文描述的步骤S401,在此不再赘述。
第三生成模块802,用于对所述每个第一用户的最近一次的消费记录、消费频率和消费总金额进行分数评估,生成每个第一用户的最近一次的消费记录评分、消费频率评分和消费总金额评分。在一实施例中,第三生成模块802可以用于执行前文描述的步骤S402,在此不再赘述。
第一计算模块803,用于根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值,其中,所述最近一次的消费记录的权重为预设权重、消费频率的权重为预设权重、消费总金额的权重为预设权重。在一实施例中,第一计算模块803可以用于执行前文描述的步骤S404。
图9示意性示出了根据本公开实施例的数据推送装置中第四计算模块的结构框图。
如图9所示,第一计算模块803包括:第二计算模块901、第三计算模块902、第四计算模块903和第五计算模块904。
第二计算模块901,用于计算所述每个第一用户的最近一次的消费记录评分和所述最近一次的消费记录的权重的乘积,生成每个第一用户的第一关联值。在一实施例中,第二计算模块901可以用于执行前文描述的步骤S501,在此不再赘述。
第三计算模块902,用于计算所述每个第一用户的所述消费频率评分和所述消费频率的权重的乘积,生成每个第一用户的第二关联值。在一实施例中,第三计算模块902可以用于执行前文描述的步骤S502,在此不再赘述。
第四计算模块903,用于计算所述每个第一用户的所述消费总金额评分和所述消费总金额的权重的乘积,生成每个第一用户的第三关联值。在一实施例中,第四计算模块903可以用于执行前文描述的步骤S503,在此不再赘述。
第五计算模块904,用于计算所述每个第一用户的第一关联值、所述每个第一用户的第二关联值和所述每个第一用户的第三关联值的和,生成所述每个第一用户的活跃值。在一实施例中,第五计算模块904可以用于执行前文描述的步骤S504,在此不再赘述。
返回参照图6,第三获取模块603,用于获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a。在一实施例中,第三获取模块603可以用于执行前文描述的步骤S203,在此不再赘述。
第四获取模块604,用于获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应。在一实施例中,第四获取模块604可以用于执行前文描述的步骤S204,在此不再赘述。
第五获取模块605,用于从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b。在一实施例中,第五获取模块605可以用于执行前文描述的步骤S205,在此不再赘述。
第六获取模块606,用于获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。在一实施例中,第六获取模块606可以用于执行前文描述的步骤S206。
图10示意性示出了根据本公开实施例的数据推送装置中第六获取模块的结构框图。
如图10所示,第六获取模块606包括:第一推送模块1001和第二推送模块1002。
第一推送模块1001,用于基于所述每个目标用户的用户标识,通过分布式流处理平台将针对每个目标用户的决策方案推送至相应的目标用户。
第二推送模块1002,用于基于所述每个目标用户的用户标识,通过离线消息推送机制将针对每个目标用户的决策方案推送至相应的目标用户。
根据本公开的实施例,第一获取模块601、第二获取模块602、第三获取模块603、第四获取模块604、第五获取模块605和第六获取模块606中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块601、第二获取模块602、第三获取模块603、第四获取模块604、第五获取模块605和第六获取模块606中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块601、第二获取模块602、第三获取模块603、第四获取模块604、第五获取模块605和第六获取模块606中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本公开实施例的适于实现数据推送方法的电子设备的方框图。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质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,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的数据推送方法。
在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种数据推送方法,其特征在于,该方法包括:
实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据;
获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2;获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a;
获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应;
从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b;以及
获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。
2.根据权利要求1所述的方法,其特征在于,所述基础数据,包括知识图谱数据,所述对所述市场信息和历史数据进行预处理,生成基础数据,包括:
对所述市场信息和历史数据进行数据清洗、去重和格式转换,生成预处理后的数据;
对所述预处理后的数据进行关键数据识别,识别出所述预处理后的数据中的目标关键数据,其中,所述关键数据为预设关键数据;以及
对所述目标关键数据进行数据关联,生成知识图谱数据。
3.根据权利要求1所述的方法,其特征在于,所述多个消费特征信息,包括:最近一次的消费记录、消费频率和消费总金额,所述基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,包括:
获取所述每个第一用户的最近一次的消费记录、消费频率和消费总金额;
对所述每个第一用户的最近一次的消费记录、消费频率和消费总金额进行分数评估,生成每个第一用户的最近一次的消费记录评分、消费频率评分和消费总金额评分;以及
根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值,其中,所述最近一次的消费记录的权重为预设权重、消费频率的权重为预设权重、消费总金额的权重为预设权重。
4.根据权利要求3所述的方法,其特征在于,根据每个第一用户的最近一次的消费记录评分、消费频率评分、消费总金额评分、最近一次的消费记录的权重、消费频率的权重和消费总金额的权重,计算每个第一用户的活跃值,包括:
计算所述每个第一用户的最近一次的消费记录评分和所述最近一次的消费记录的权重的乘积,生成每个第一用户的第一关联值;
计算所述每个第一用户的所述消费频率评分和所述消费频率的权重的乘积,生成每个第一用户的第二关联值;
计算所述每个第一用户的所述消费总金额评分和所述消费总金额的权重的乘积,生成每个第一用户的第三关联值;以及
计算所述每个第一用户的第一关联值、所述每个第一用户的第二关联值和所述每个第一用户的第三关联值的和,生成所述每个第一用户的活跃值。
5.根据权利要求1至4任意一项所述的方法,其特征在于,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户,包括:
基于所述每个目标用户的用户标识,通过分布式流处理平台将针对每个目标用户的决策方案推送至相应的目标用户。
6.根据权利要求1至4任意一项所述的方法,其特征在于,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户,包括:
基于所述每个目标用户的用户标识,通过离线消息推送机制将针对每个目标用户的决策方案推送至相应的目标用户。
7.一种数据推送装置,其特征在于,该装置包括:
第一获取模块,用于实时获取市场信息和历史数据,对所述市场信息和历史数据进行预处理,生成基础数据;
第二获取模块,用于获取a个第一用户的多个消费特征信息,基于所述a个第一用户的多个消费特征信息,计算每个第一用户的活跃值,其中,a为整数且a大于或等于2;
第三获取模块,用于获取所述活跃值小于预设活跃值阈值的b个第一用户,作为第二用户,其中,b为整数且b小于或等于a;
第四获取模块,用于获取每个第二用户的多个消费特征信息,分别将所述每个第二目标用户的多个消费特征信息和所述基础数据输入预先训练的决策树模型,输出针对每个第二用户的决策方案和预测结果评估值,其中,所述每个第二用户的决策方案和预测结果评估值一一对应;
第五获取模块,用于从b个第二用户的预测结果评估值中获取所述预测结果评估值大于预设评估值阈值的c个第二用户,作为目标用户,其中,c为整数且c小于或等于b;以及
第六获取模块,用于获取每个目标用户的用户标识,基于所述每个目标用户的用户标识,将针对每个目标用户的决策方案推送至相应的目标用户。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个计算机程序,
其特征在于,所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1~6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1~6中任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1~6中任一项所述方法的步骤。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118279059A true CN118279059A (zh) | 2024-07-02 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11210144B2 (en) | Systems and methods for hyperparameter tuning | |
US20220414688A1 (en) | Predictive analytics for leads generation and engagement recommendations | |
US10614077B2 (en) | Computer system for automated assessment at scale of topic-specific social media impact | |
CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN110782129B (zh) | 一种业务进度监控方法、装置、系统及计算机可读存储介质 | |
US11275748B2 (en) | Influence score of a social media domain | |
Ranco et al. | Coupling news sentiment with web browsing data improves prediction of intra-day price dynamics | |
US20170357987A1 (en) | Online platform for predicting consumer interest level | |
CN110399268B (zh) | 一种异常数据检测的方法、装置及设备 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN112948397A (zh) | 一种数据处理系统、方法、装置及存储介质 | |
CN114581210A (zh) | 一种基于rpa的企业财务的数字化管理方法及系统 | |
Wang et al. | Concept drift-aware temporal cloud service APIs recommendation for building composite cloud systems | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
Toivonen | Big data quality challenges in the context of business analytics | |
CN116225848A (zh) | 日志监测方法、装置、设备和介质 | |
CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
CN118279059A (zh) | 数据推送方法、装置和设备 | |
CN114757546A (zh) | 风险预警方法、装置、设备及介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN112434083A (zh) | 一种基于大数据的事件处理方法和装置 | |
US20200334595A1 (en) | Company size estimation system | |
KR102666173B1 (ko) | 금융 소비자 맞춤형 공시 분석 정보 제공 장치 및 방법 | |
US20230245235A1 (en) | Cross-functional portfolio database management systems and methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |