WO2020082596A1 - 基于数据处理的用户画像自动生成方法和系统 - Google Patents

基于数据处理的用户画像自动生成方法和系统 Download PDF

Info

Publication number
WO2020082596A1
WO2020082596A1 PCT/CN2018/124669 CN2018124669W WO2020082596A1 WO 2020082596 A1 WO2020082596 A1 WO 2020082596A1 CN 2018124669 W CN2018124669 W CN 2018124669W WO 2020082596 A1 WO2020082596 A1 WO 2020082596A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
value
tags
label
information
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.)
Ceased
Application number
PCT/CN2018/124669
Other languages
English (en)
French (fr)
Inventor
张仁娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Publication of WO2020082596A1 publication Critical patent/WO2020082596A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • This application relates to the technical field of Internet-based application services, and in particular to a method and system for automatically generating user portraits based on data processing.
  • the typical user portrait is to label user information, that is, after the service provider collects and analyzes the data of the consumer's social attributes, lifestyle, consumption behavior and other main information, it perfectly abstracts a user's business picture, which can be regarded as a service
  • the method for classifying and predicting user behavior is relatively simple, and the reference effect is not ideal. Since user behavior includes online and offline behaviors, and the data sources are complex, there is a need to develop solutions that can comprehensively determine and predict user attributes and generate user portraits for different data sources, combining multiple classification and prediction technologies.
  • This application does not require users to upload pictures.
  • the system can analyze the characters based on the acquired big data, roughly sketch the portraits of the characters and give the lucky points of the characters.
  • the portrait shows the character ’s wisdom value, financial value, ability value, physical strength value, etc.
  • the user can also analyze and share the character portrait to WeChat friends. Friends can open and view the analysis results of the characters shared by the other party. After authorization, they can also query Analysis of the results of his own portraits, which is conducive to APP promotion and increase the daily life of APP.
  • a method for automatically generating a user portrait based on data processing is provided, which is characterized by including the following steps:
  • Step 1 Collect user information, including user static information and behavior information
  • Step 2 Generate a specific label of the user based on the collected user information
  • Step 3 Quantify the generated tags according to predetermined rules, and calculate the attribute value of the user
  • Step 4 Generate a user portrait based on the calculated attribute value of the user.
  • a system for automatically generating a user portrait for performing the method which includes:
  • User information collection module used to collect user information, the user information includes the user's static information and behavior information;
  • the user information analysis module is used to analyze user information and generate a specific label of the user
  • User attribute calculation module used to quantify each label according to specific rules, and then add weighted to obtain the user attribute value
  • the user portrait generation module is used to generate a user portrait based on the user's tags and attribute values.
  • a computer-readable storage medium stores computer-readable instructions for the above method.
  • the computer-readable instructions are executed by a processor, they are executed. The following steps:
  • Step 1 Collect user information, including user static information and behavior information
  • Step 2 Generate a specific label of the user based on the collected user information
  • Step 3 Quantify the generated tags according to predetermined rules, and calculate the attribute value of the user
  • Step 4 Generate a user portrait based on the calculated attribute value of the user.
  • differentiated processing is performed to improve the fineness and accuracy of processing
  • FIG. 1 is a conceptual schematic diagram illustrating a method for automatically generating a user portrait based on data processing according to an embodiment of the present application
  • FIG. 2 is a schematic flowchart illustrating a method for automatically generating a user portrait based on data processing according to an embodiment of the present application
  • FIG. 3 is a schematic diagram of the composition of functional modules of a system for automatically generating a user portrait based on data processing according to an embodiment of the present application;
  • FIG. 4 is a schematic diagram of an operating environment of a system in which an application program is installed according to an embodiment of the present application.
  • the concept of the present application mainly includes the following aspects.
  • the labels divided through the analysis of user behavior attributes, extracted according to the labels we can draw a three-dimensional portrait of the user after aggregation analysis. After the portrait is generated, it can display its calculated wisdom value, financial value, ability value, physical value and Charm value.
  • the user can also share it with friends through WeChat. After authorization, the friend can view the user's portrait value and score the portrait value. You can also create your own portrait. Increase the interaction between users and friends.
  • FIG. 2 is a schematic flowchart of a method for automatically generating a user portrait based on data processing according to an embodiment of the present application.
  • the embodiment of the present application provides a method for automatically generating a user portrait based on data processing, which mainly includes the following steps:
  • Step S100 Collect user information, where the user information includes static information and behavior information of the user;
  • Step S200 Analyze user information to generate a specific label of the user
  • the tags may include gender tags, education tags, consumption tags, sports tags, job tags, shopping tags, online search tags, hobby tags, and activity place tags, etc .;
  • Step S300 quantify each label according to specific rules, and then perform weighted addition to obtain the attribute value of the user;
  • the academic label can be quantified into six grades, the highest grade is 100 points, the minimum grade is 16.67, other labels are similar;
  • tags are used to obtain the user's intelligence value, financial value, ability value, physical strength value and other information through the algorithm,
  • Financial value 60% of consumer tags + 30% of shopping tags + 10% of other tags
  • Step S400 Generate a user portrait based on the user's tags and attribute values
  • the user profile includes tags with high quantization scores and attribute values.
  • the static information refers to information that the user is relatively stable (not easy to change with time), which may include public data (big data) or customer information within the organization (user registered data), for example, including demographic attributes, Data on business attributes, etc .;
  • demographic attributes include: region, age, gender, culture, occupation, income, living habits, consumption habits, etc .;
  • the static information may directly correspond to a specific tag, for example, the user's gender may directly correspond to the tag “male” or “female”, the user's birth record may correspond to the tag "mother”, and so on.
  • the behavior information refers to behavior information on the network or APP, including the user's website browsing behavior information, user transaction behavior information, etc.,
  • the user browsing behavior includes the active frequency of user browsing, product preferences, usage habits, etc .;
  • step S100 includes:
  • S101 Perform preprocessing on static and behavior information data (data cleaning and filtering), and obtain user behavior data in each preset behavior category according to the preprocessed network access information, so that the acquired behavior data of the same category has The same format.
  • the user behavior data is classified.
  • the network access information in order to extract behavior data of each category, the network access information may be preprocessed.
  • the pre-processing of network access information includes variable collection, variable interval processing, maximum and minimum rule processing, missing value processing and format processing of network access information;
  • Variable collection is to collect the user's access time, login time, browsing information, search information and purchase information for each network access from the network access information, such as access time, login time, browsing when accessing a specific e-commerce website Information, search information, and purchase information.
  • the server collects information such as the access time, login time, browsing information, search information, and purchase information of each user visit, it can call the relevant accumulator or calculator to correspondingly count the number of user logins within a preset time period , Purchases, views and searches, purchase amount, etc.
  • Variable interval processing is to define an interval for each variable according to business rules, and map the defined interval to have a business index, which is used as a subsequent numerical input to calculate user behavior entropy and other characteristics.
  • a business index which is used as a subsequent numerical input to calculate user behavior entropy and other characteristics.
  • the user's above-mentioned login times and purchase amount can be divided into one of multiple intervals, each interval corresponds to a specific value, for example, the user behavior related to the number of times or the amount can correspond to the standardized index 100).
  • the extremely small rule processing includes processing the size of the value included in the collected network access information, so as to reduce the interference of abnormal data on the judgment of the user's behavior classification.
  • the age of the user in the collected network access information can be ruled by a very small rule. For example, for data with an age of -1, 0, or 999, etc., which obviously does not meet the normal user's age, it is subject to extremely small rules.
  • Missing value processing means that when the behavior data in the preset behavior category included in the collected network access information does not exist, the missing value processing can be performed on it. For example, mark it as "0", or use other information instead.
  • the server can process the missing value of this type of information, for example, it can obtain the unique identifier of the user's access terminal, and associate the unique identifier with the user's login name.
  • the format processing includes processing the format of the time information included in the network access information to keep the format the same. For example, for the recorded user's login time and other time information, such as the recorded time information includes 20091011 and 2009-10-11 and October 11, 2009, etc., all of them can be converted into a unified format, such as 20091011 .
  • set some user behavior as a basic fixed label. Examples of set label rules are as follows:
  • Gender tags are simply divided into male tags and female tags, according to the user's behavior information to determine whether he is a male tag or a female tag;
  • the education label is divided into different grades of junior high school and below, high school, junior college, undergraduate, master, doctor, and above;
  • Consumption label consumption is divided into different grades of high-end consumption, mid-range consumption and low-end consumption;
  • Sports label sports are divided into different grades such as walking, running, and fitness
  • step S200 includes:
  • the user's visit to a specific website / URL indicates that the user is interested in, preference, demand, etc. for the specific content / service corresponding to the website.
  • user tags eg, "sports lovers" of the user in the scene (eg, shopping scene) corresponding to the website (eg, shopping site) can be generated, so that for the same user, it can be generated in the shopping scene
  • display a series of corresponding tags, and generate and display another series of corresponding tags in other scenes for example, social scenes
  • P (A) m / n.
  • (A) indicates an event.
  • M represents the total number of occurrences of event (A).
  • N is the total number of total events.
  • the event A is set as a high probability event, that is, such events are divided into the statistical event range of the label, that is, the quantized value of the label depends on the specific event associated What happened.
  • the generated user portraits can be published or sent to other users, where each user can view a specific user portrait according to the browsing authority between each other;
  • step S400 may include:
  • Step S500 According to the evaluation authority between each user, the user can score the attribute values of other users. Then, the background system can modify the attribute values of the user according to the scoring situation; for example, by scoring other users Take a certain weight (for example, take a weight of 10-30% according to the number of scoring users), perform weighted summation with the current attribute value, and generate an updated attribute value, so as to further update the user's portrait.
  • System that is, a system that generates a portrait of a user.
  • FIG. 3 is a schematic diagram of functional modules of a user portrait automatic generation system based on data processing according to an embodiment of the present application.
  • a system for automatically generating a user portrait based on data processing which mainly includes a user information collection module, a user information analysis module, a user attribute calculation module, and a user portrait generation module.
  • the user information collection module is used to collect user information, and the user information includes static information and behavior information of the user;
  • the user information analysis module is used to analyze user information and generate a specific label of the user
  • the tags may include gender tags, education tags, consumption tags, sports tags, job tags, shopping tags, online search tags, hobby tags, and activity place tags, etc .;
  • the user attribute calculation module is used to quantify each label according to a specific rule, and then perform weighted addition to obtain the attribute value of the user;
  • the academic label can be quantified into six grades, the highest grade is 100 points, the minimum grade is 16.67, other labels are similar;
  • tags are used to obtain the user's intelligence value, financial value, ability value, physical strength value and other information through the algorithm,
  • Financial value 60% of consumer tags + 30% of shopping tags + 5% of other tags
  • the user portrait generation module is used to generate a user portrait based on the user's tags and attribute values.
  • different embodiments of the present application may also be implemented by way of software modules or computer-readable instructions stored on one or more computer-readable media, where the computer-readable instructions are when the processor or device component When executed, the different embodiments described in this application are executed.
  • any combination of software modules, computer readable media, and hardware components are contemplated by this application.
  • the software module may be stored on any type of computer-readable storage medium, such as RAM, EPROM, EEPROM, flash memory, registers, hard disk, CD-ROM, DVD, and so on.
  • FIG. 4 shows an operating environment of a system in which an application program is installed according to an embodiment of the present application.
  • the system for installing application programs is installed and runs in an electronic device.
  • the electronic device may be a computing device such as a desktop computer, a notebook, a palmtop computer, and a server.
  • the electronic device may include, but is not limited to, a memory, a processor, and a display.
  • the figure only shows an electronic device with the above components, but it should be understood that not all of the illustrated components are required to be implemented, and more or fewer components may be implemented instead.
  • the memory may be an internal storage unit of the electronic device, such as a hard disk or a memory of the electronic device.
  • the memory may also be an external storage device of the electronic device, such as a plug-in hard disk equipped on the electronic device, a smart memory card (Smart, Media, Card, SMC), and secure digital (Secure Digital) , SD) card, flash card (Flash Card), etc.
  • the memory may include both an internal storage unit of the electronic device and an external storage device.
  • the memory is used to store application software and various types of data installed in the electronic device, such as computer-readable instructions of the system in which the application program is installed.
  • the memory can also be used to temporarily store data that has been or will be output.
  • the processor may be a central processing unit (Central Processing Unit, CPU), microprocessor, or other data processing chip, which is used to run program codes or process data stored in the memory, for example, to execute the The system where the application is installed, etc.
  • CPU Central Processing Unit
  • microprocessor or other data processing chip, which is used to run program codes or process data stored in the memory, for example, to execute the The system where the application is installed, etc.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light emitting diode) touch device, or the like.
  • the display is used to display information processed in the electronic device and to display a visualized customer interface, such as an application menu interface, an application icon interface, and the like.
  • the components of the electronic device communicate with each other through a system bus.
  • a computer-readable storage medium stores computer-readable instructions for performing the method according to the embodiment of the present application, When the computer-readable instructions are executed by the processor, each step of the method is executed.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种基于数据处理的用户画像自动生成方法和系统，所述方法包括如下步骤：步骤1、收集用户信息，所述用户信息包括用户的静态信息和行为信息；步骤2、根据所收集的用户信息，生成所述用户的特定标签；步骤3、根据预定规则，对所生成的标签进行量化，计算得到所述用户的属性值；步骤4、根据计算出的所述用户的属性值，生成用户画像。本申请的有益效果主要在于：1、减少用户操作及提高用户体验；2、增加趣味性，用户之间的互动可有助于进行产品的推广和增加产品的日活。

Description

基于数据处理的用户画像自动生成方法和系统
本申请申明享有2018年10月23日递交的申请号为201811237829.8、名称为“基于数据处理的用户画像自动生成方法和系统”的中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请涉及基于互联网应用服务技术领域，尤其涉及一种基于数据处理的用户画像自动生成方法和系统。
背景技术
随着互联网爆炸式的发展，每天都在产生着大量数据，如何快速抓取信息并生成用户画像，也成了重要的课题。
在传统的方法中，需要对用户行为进行人工分类、判定，并在后期提供有针对性的服务或其它处理应对。在海量数据的场景下，数据往往维度多、数据量大，人工很难将用户行为相关的指标统计全面。此外，由于人会出现疲劳等情况，这种传统的人工识别的方法准确率并不高。
在互联网逐渐步入大数据时代后，用户的行为在服务商面前都将是可视化的。服务商的关注点日也开始益聚焦于怎样利用大数据来精准营销，进而深入挖掘潜在的商业价值。于是，“用户画像”的概念也就应运而生。大数据使得服务商能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。伴随着对人的了解逐步深入，用户画像(UserProfile)的概念应运而生，其用于通过用户标签抽象出用户的信息全貌，可以看作服务商应用大数据的根基。典型的用户画像是将用户信息标签化，就是服务商通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌，可以看作是服务商应用大数据技术的基本方式。
然而，目前，对用户标签的识别、用户画像的建立，主要还是通过人工干预和计算机简单处理转换的方式完成，存在有以下不足：1、耗时很长；2、人工成本高；3、生成的结果不够直观；4、信息录入有因人工导致的错误风险。
另外，过于依赖后台工作人员个人因素会导致得到的用户画像结果的差异性很大，而且也没有考虑到标签的时效性，会导致最终得到的用户画像不够精确。
在现有技术中，对用户行为进行分类和预测的方法较为单一，参考效果不理想。由于用户行为包括线上和线下行为，数据来源复杂，存在这样的需求：开发能够针对不同的数据来源、结合多种分类预测技术而综合判定和预测用户属性、并生成用户画像的方案。
发明内容
考虑到现有技术的上述问题，发明人做出了本申请，本申请不需要用户上传图片，系统可以根据获取的大数据分析人物，大致勾画出人物画像并给出人物的幸运分，在人物画像的周围显示人物的智慧值，财力值，能力值，体力值等，用户也可以将人物画像分析分享给微信好友，好友可以打开并查看对方分享的人物剖析结果，经过授权后，同时可以查询自己的人物画像分析结果，从而有利于APP推广和增加APP的日活。
根据本申请的实施例，提供了一种基于数据处理的用户画像自动生成方法，其特征在于包括如下步骤：
步骤1、收集用户信息，所述用户信息包括用户的静态信息和行为信息；
步骤2、根据所收集的用户信息，生成所述用户的特定标签；
步骤3、根据预定规则，对所生成的标签进行量化，计算得到所述用户的属性值；
步骤4、根据计算出的所述用户的属性值，生成用户画像。
根据本申请的实施例，还提供了一种用于执行所述方法的用户画像自动生成系统，其包括：
用户信息收集模块，用于收集用户信息，所述用户信息包括用户的静态信息和行为信息；
用户信息分析模块，用于对用户信息进行分析，生成所述用户的特定标签；
用户属性计算模块，用于按照特定规则，对每种标签进行量化，再进行加权相加，获得用户的属性值；
用户画像生成模块，用于根据用户的标签和属性值，生成用户画像。
根据本申请的实施例，还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上存储有用于上述方法的计算机可读指令，所述计算机可读指令被处理器执行时，执行如下步骤：
步骤1、收集用户信息，所述用户信息包括用户的静态信息和行为信息；
步骤2、根据所收集的用户信息，生成所述用户的特定标签；
步骤3、根据预定规则，对所生成的标签进行量化，计算得到所述用户的属性值；
步骤4、根据计算出的所述用户的属性值，生成用户画像。
本申请的有益效果主要在于：
1、减少用户操作及提高用户体验；
2、增加趣味性，用户之间的互动可有助于进行产品的推广和增加产品的日活；
3、考虑到数据的不同来源，进行差异化的处理，提高了处理的精细度和准确度；
4、以用户画像作为参照信息，大大提高相关业务的办理速度；
5、能够根据样本数据来源的不同，选择不同的分类模型级联和/或并联，使得客户关系管理更加精准。
附图说明
图1为示出根据本申请的实施例的基于数据处理的用户画像自动生成方法的概念示意图；
图2为示出根据本申请的实施例的基于数据处理的用户画像自动生成方法的流程示意图；
图3为根据本申请的实施例的基于数据处理的用户画像自动生成系统的功能模块组成示意图；
图4为根据本申请实施例的安装了应用程序的系统的运行环境的示意图。
具体实施方式
下面，结合附图对技术方案的实施作进一步的详细描述。
本领域的技术人员能够理解，尽管以下的说明涉及到有关本申请的实施例的很多技术细节，但这仅为用来说明本申请的原理的示例、而不意味着任何限制。本申请能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本申请的原理和精神即可。
另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。
下文中，将描述用于进行本申请的实施例。注意，将以下面的次序给出描述：1、发明构思的概要(图1)；2、基于数据处理的用户画像自动生成方法(图2)；3、基于数据处理的用户画像自动生成系统(图3)；4、根据本申请的实施例的安装了应用程序的系统(图4)。
1、发明构思的概要
如图1所示，本申请的构思主要包括以下方面。
一、大量数据收集
通过用户在网络或APP上的行为记录，收集用户在网络上行为数据、用户信息、用户偏好记录、用户的交易数据等信息。
二、用户行为属性的分析
通过收集到的大量用户信息进行处理，通过机器学习对用户的行为、偏好进行猜测，同时也通过大概率事件将用户行为属性的信息划分为标签，再将标签通过算法得出用户的智慧值、财力值、能力值、体力值及魅力值等信息
三、用户立体画像的勾画
根据通过对用户行为属性分析划分的标签，按照标签提取，聚合分析后我们可以勾画出用户的立体画像，画像生成后可在周围展示其计算出的智慧值、财力值、能力值、体力值及魅力值。
四、画像的分享
生成画像后用户也可通过微信分享给好友，好友通过授权后可查看用户的画像值，并可给画像值打分。也可自己进行生成画像。增加用户与好友之间的互动。
下面，结合实施例来说明上述发明构思的实现。
2、基于数据处理的用户画像自动生成方法
图2为根据本申请的实施例的基于数据处理的用户画像自动生成方法的流程示意图。
如图2所示，本申请的实施例提供了一种基于数据处理的用户画像自动生成方法，主要包括以下步骤：
步骤S100、收集用户信息，所述用户信息包括用户的静态信息和行为信息；
步骤S200、对用户信息进行分析，生成所述用户的特定标签；
其中，所述标签可包括性别标签、学历标签、消费标签、运动标签、职位标签、购物标签、上网查阅标签、兴趣爱好标签以及活动地方标签，等等；
步骤S300、按照特定规则，对每种标签进行量化，再进行加权相加，获得用户的属性值；
例如，学历标签被可量化为六个档次，最高档次为100分，最少档次为16.67，其他标签类似；
再将标签通过算法得出用户的智慧值、财力值、能力值、体力值等信息，
每个属性值的算法如下：
智慧值＝学历标签占80％+购物标签15％+其他类的标签占5％；
财力值＝消费标签占60％+购物标签30％+其他类标签占10％；
能力值＝职位标签占40％+学历标签占30％+消费标签占20％+其他类标签占10％；
体力值＝运动标签占50％+购物标签占20％+其他标签占30％；
步骤S400、根据用户的标签和属性值，生成用户画像；
其中，用户画像包含量化分值较高的标签、以及属性值。
作为示例，所述静态信息是指用户相对稳定(不易随时间变化)的信息，其可包括公共数据(大数据)、或者机构内部的客户信息(用户注册的数据)，例如，包括人口属性、商业属性等方面数据；
其中，人口属性包括：地域、年龄、性别、文化、职业、收入、生活习惯、消费习惯等；
其中，所述静态信息可直接对应于特定标签，例如，用户的性别可直接对应于标签“男性”或“女性”，用户的生育记录可对应于标签“妈妈”，等等。
其中，所述行为信息是指在网络或APP上的行为信息，包括用户的网站浏览行为信息、用户交易行为信息，等等，
其中，用户浏览行为包括用户浏览的活跃频率、产品喜好、使用习惯等；
可选地，步骤S100包括：
S101、对静态和行为信息数据进行预处理(数据清洗、筛选)，根据预处理后的网络访问信息中获取用户在每个预设行为类别中的行为数据，使获取的同一类别的行为数据具有相同的格式。
S102、根据行为信息确定用户的行为类别，如下：
计算用户行为数据在预设的各个维度上的属性；
根据用户行为数据的来源、以及与所述来源相对应的所述属性，选择相应的分类模型；
根据所选的分类模型，对用户行为数据进行分类。
在步骤S101中，为提取出每个类别的行为数据，可对该网络访问信息进行预处理。对网络访问信息的预处理包括对网络访问信息进行变量采集、变量区间处理、极大极小规则处理、缺失值处理和格式处理等；
变量采集为从网络访问信息中采集出用户每次网络访问的访问时间、登录时间、浏览信息、搜索信息以及购买信息等等，比如访问一个具体的电商网站时的访问时间、登录时间、浏览信息、搜索信息以及购买信息。服务器在采集出用户每次访问的访问时间、登录时间、浏览信息、搜索信息以及购买信息等信息时，可调用相关的累加器或计算器等对应统计出用户在预设时间段内的登录次数、购买次数、浏览次数和搜索次数、购买金额，等等。
变量区间处理为根据业务的规则为每个变量划定区间，并将划定的区间映射为具有业务指标，从而作为后续的数值输入，以计算用户行为熵等特征。例如，用户的上述次数登录次数、购买金额可分别被划分到多个区间中的一个，每个区间对应于具体数值，例如，与次数或金额相关的用户行为可对应于规范化的指标(0至100)。
极大极小的规则处理包括对所采集的网络访问信息所包含的数值大小的处理，以降低异常数据对用户的行为分类判断的干扰。具体的，可所对所采集的网络访问信息中的用户的年龄进行极大极小的规则处理。比如，对于年龄为-1、0、或999岁等等，明显不符合正常用户年龄的数据，对其进行极大极小规则处理。
缺失值处理是指所采集网络访问信息中包含的预设行为类别中的行为数据不存在时，可对其进行缺失值处理。如将其标记为“0”，或采用其它信息代替等等。比如，用户采用匿名访问或不登录用户名而直接访问相关的购物网站时，服务器所记录的用户的登录信息则缺失。服务器可对该类信息进行缺失值处理，如可获取用户的访问终端的唯一标识，将该唯一标识作为和用户的登录名进行关联。
格式处理包括对网络访问信息中包含的时间信息的格式的处理，使其格式保持相同。比如，对于所记录的用户的登录时间等时间信息，比如所记录到的时间信息包括20091011和2009-10-11以及2009年10月11日等形式，可将其全部转换成统一格式，如20091011。
作为示例，根据市场上已有的信息，设定一些用户行为作为基本固定标签。已设定的标签规则举例如下：
性别标签：性别标签很简单分为男性标签与女性标签，按照获取用户的行为信息去决定他是男性标签还是女性标签；
学历标签：学历标签分为初中及以下、高中、专科、本科、硕士、博士及以上不同档次；
消费标签：消费分为高档消费、中档消费、低档消费不同档次；
运动标签：运动分为散步、跑步、健身等不同档次；
购物标签：购物标签按照购买物进行区分，分为书籍类、衣服包包类、生活用品类、健身及运动器材类等等；
其他标签也类似做此区分。
针对于上述标签，作为示例，步骤S200包括：
S201、根据用户行为的类别，生成对应场景下的用户标签。
例如，用户对特定网站/网址的访问，表明用户对该网站所对应的特定内容/业务有兴趣、偏好、需求等等。由此可以生成用户在该网站(例如，购物网站)所对应的场景(例如，购物场景)下的用户标签(例如，“运动爱好者”)，从而，对于同一用户，可在购物场景下生成并显示一系列对应标签，而在其他场景(例如，社交场景)下生成并显示另外一系列对应标签，从而使后续产生的用户画像具有多维特性，对于同一用户，可根据场景而呈现不同的用户画像。
此外，对用户有些比较复杂的行为，不能按照已设定的区分，可以将对这些行为进行 大概率事件分析的模式进行归类。比如，如果获取的用户行为为用户即在高档购物广场中很贵的餐厅吃饭及购买名牌包包、同一天也在低档的大排档消费，则不好判定此用户属于消费标签中的哪一类，这时，可要按照大概率事件去处理，大概率计算公式如下：
P(A)＝m/n。其中，“(A)”表示事件。“m”表示事件(A)发生的总数。“n”是总事件发生的总数。
若P大于50％以上，即设定为A事件为大概率事件，即将此类事件划分为到该标签的统计事件的范围中，即，所述标签的量化值取决于所关联的特定事件的发生情况。
可选地，在步骤S400之后，在社交平台上，所生成的用户画像可被公开或被发送给其它用户，其中，各个用户可根据相互之间的浏览权限而查看特定的用户画像；
作为示例，在步骤S400之后可包括：
步骤S500、根据各个用户之间的评价权限，用户可给其它用户的属性值进行打分，然后，后台系统可根据打分情况，来对用户的属性值进行修正；例如，通过对其他用户的打分值取一定权重(例如根据打分用户的数量取10～30％的权重)，与当前的属性值进行加权求和，生成更新的属性值，从而进一步更新用户画像，其中，后台系统指运行本方法的系统，即，生成用户画像的系统。
3、基于数据处理的用户画像自动生成系统
图3为根据本申请的实施例的基于数据处理的用户画像自动生成系统的功能模块示意图。如该图所示，根据本申请的实施例，提供了一种基于数据处理的用户画像自动生成系统，其主要包括用户信息收集模块、用户信息分析模块、用户属性计算模块、用户画像生成模块。
其中，所述用户信息收集模块用于收集用户信息，所述用户信息包括用户的静态信息和行为信息；
所述用户信息分析模块用于对用户信息进行分析，生成所述用户的特定标签；
其中，所述标签可包括性别标签、学历标签、消费标签、运动标签、职位标签、购物标签、上网查阅标签、兴趣爱好标签以及活动地方标签，等等；
所述用户属性计算模块用于按照特定规则，对每种标签进行量化，再进行加权相加，获得用户的属性值；
例如，学历标签被可量化为六个档次，最高档次为100分，最少档次为16.67，其他标签类似；
再将标签通过算法得出用户的智慧值、财力值、能力值、体力值等信息，
每个属性值的算法如下：
智慧值＝学历标签占80％+购物标签15％+其他类的标签占5％；
财力值＝消费标签占60％+购物标签30％+其他类标签占5％；
能力值＝职位标签占40％+学历标签占30％+消费标签占20％+其他类标签占10％；
体力值＝运动标签占50％+购物标签占20％+其他标签占30％；
所述用户画像生成模块用于根据用户的标签和属性值，生成用户画像。
此外，本申请的不同实施例也可以通过软件模块或存储在一个或多个计算机可读介质上的计算机可读指令的方式实现，其中，所述计算机可读指令是当被处理器或设备组件执行时，执行本申请所述的不同的实施例。类似地，软件模块、计算机可读介质和硬件部件的任意组合都是本申请预期的。所述软件模块可以被存储在任意类型的计算机可读存储介质上，例如RAM、EPROM、EEPROM、闪存、寄存器、硬盘、CD-ROM、DVD等等。
4、根据本申请的实施例的安装了应用程序的系统
参照图4，其示出了根据本申请实施例的安装了应用程序的系统的运行环境。
在本实施例中，所述的安装应用程序的系统安装并运行于电子装置中。所述电子装置可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置可包括但不限于存储器、处理器及显示器。该图仅示出了具有上述组件的电子装置，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器在一些实施例中可以是所述电子装置的内部存储单元，例如该电子装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述电子装置的外部存储设备，例如所述电子装置上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述电子装置的内部存储单元也包括外部存储设备。所述存储器用于存储安装于所述电子装置的应用软件及各类数据，例如所述安装应用程序的系统的计算机可读指令等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器在一些实施例中可以是中央处理单元(Central Processing Unit，CPU)、微处理器或其他数据处理芯片，用于运行所述存储器中存储的程序代码或处理数据，例如执行所述安装应用程序的系统等。
所述显示器在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器用于显示在所述电子装置中处理的信息以及用于显示可视化的客户界面，例如应用菜单界面、应用图标界面等。所述电子装置的部件通过系统总线相互通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解，上述实施方式中的 方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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可以以软件商品的形式体现出来，该计算机软件商品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请本申请各个实施例所述的方法。
也就是说，根据本申请的实施例，还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上存储有用于执行根据本申请的实施例的所述方法的计算机可读指令，所述计算机可读指令被处理器执行时，执行所述方法的各个步骤。
由上，将理解，为了说明的目的，这里已描述了本申请的具体实施例，但是，可作出各个修改，而不会背离本申请的范围。本领域的技术人员将理解，流程图步骤中所绘出或这里描述的操作和例程可以多种方式变化。更具体地，可重新安排步骤的次序，可并行执行步骤，可省略步骤，可包括其它步骤，可作出例程的各种组合或省略。因而，本申请仅由所附权利要求限制。

Claims (20)

  1. 一种基于数据处理的用户画像自动生成方法，其特征在于包括如下步骤：
    步骤1、收集用户信息，所述用户信息包括用户的静态信息和行为信息；
    步骤2、根据所收集的用户信息，生成所述用户的特定标签；
    步骤3、对所生成的标签进行量化，计算得到所述用户的属性值；
    步骤4、根据计算出的所述用户的属性值，生成用户画像。
  2. 根据权利要求1所述的用户画像自动生成方法，其特征在于，所述步骤3包括：
    步骤3-1、将所述用户的各个标签量化为多个标准值；
    步骤3-2、针对于所述用户的某个属性，对所述用户的部分标签的量化后的标准值对进行加权求和，生成所述用户的所述属性的属性值。
  3. 根据权利要求2所述的用户画像自动生成方法，其特征在于，所述标签包括性别标签、学历标签、消费标签、运动标签、职位标签、购物标签、上网查阅标签、兴趣爱好标签、以及活动地方标签；
    其中，所述用户画像显示量化值较高的标签以及属性值。
  4. 根据权利要求3所述的用户画像自动生成方法，其特征在于，所述属性值包括智慧值、财力值、能力值，所述智慧值、所述财力值、所述能力值计算公式为：
    智慧值＝学历标签×80％+购物标签×15％+其他类的标签×5％；
    财力值＝消费标签×60％+购物标签×30％+其他类标签×10％；
    能力值＝职位标签×40％+学历标签×30％+消费标签×20％+其他标签×10％；
    体力值＝运动标签×50％+购物标签×20％+其他标签×30％；
    其中，上述公式中的各个标签代表其量化后的标准值。
  5. 根据权利要求3所述的用户画像自动生成方法，其特征在于，所述静态信息包括公共数据、以及机构内部的客户信息，所述客户信息包括人口属性、商业属性数据；
    其中，人口属性包括：地域、年龄、性别、文化、职业、收入、生活习惯、消费习惯。
  6. 根据权利要求5所述的用户画像自动生成方法，其特征在于，所述行为信息包括所述用户在网络或应用程序上的行为信息、用户的网站浏览行为信息、用户交易行为信息，其中，所述标签的量化值取决于所述行为信息；
    通过以下公式计算用户的行为信息所对应的行为的发生概率：
    P(A)＝m/n，
    其中，“A”表示行为A，“m”表示行为A发生的总数，“n”是全部行为发生的总数；
    之后，若P大于特定阈值，则确定行为A为大概率事件，之后，并将行为A关联到所 述标签。
  7. 根据权利要求1所述的用户画像自动生成方法，其特征在于，所述步骤1包括：
    步骤1-1、对静态信息和行为信息进行预处理，根据预处理后的行为信息获取用户在每个预设行为类别中的行为数据，使获取的同一类别的行为数据具有相同的格式。
  8. 根据权利要求1所述的用户画像自动生成方法，其特征在于，在所述步骤4之后还包括：
    步骤5、在社交平台上，根据各个用户之间的评价权限，各个用户可给其它用户的属性进行打分，然后，后台系统根据打分情况，来对用户的属性值进行修正。
  9. 一种用于执行根据权利要求1至8中的任一个所述的方法的基于数据处理的用户画像自动生成系统，其特征在于包括：
    用户信息收集模块，用于收集用户信息，所述用户信息包括用户的静态信息和行为信息；
    用户信息分析模块，用于对用户信息进行分析，生成所述用户的特定标签；
    用户属性计算模块，用于对所生成的标签进行量化，计算得到所述用户的属性值；
    用户画像生成模块，用于根据用户的标签和属性值，生成用户画像。
  10. 根据权利要求9所述的基于数据处理的用户画像自动生成系统，其特征在于，所述标签可包括性别标签、学历标签、消费标签、运动标签、职位标签、购物标签、上网查阅标签、兴趣爱好标签以及活动地方标签。
  11. 根据权利要求9所述的基于数据处理的用户画像自动生成系统，其特征在于，所述属性值包括智慧值、财力值、能力值，所述智慧值、所述财力值、所述能力值计算公式为：
    智慧值＝学历标签×80％+购物标签×15％+其他类的标签×5％；
    财力值＝消费标签×60％+购物标签×30％+其他类标签×10％；
    能力值＝职位标签×40％+学历标签×30％+消费标签×20％+其他标签×10％；
    体力值＝运动标签×50％+购物标签×20％+其他标签×30％；
    其中，上述公式中的各个标签代表其量化后的标准值。
  12. 根据权利要求9所述的基于数据处理的用户画像自动生成系统，其特征在于，所述静态信息包括公共数据、以及机构内部的客户信息，所述客户信息包括人口属性、商业属性数据；
    其中，人口属性包括：地域、年龄、性别、文化、职业、收入、生活习惯、消费习惯。
  13. 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上存储有用于执行根据权利要求1至8中的任一个所述的方法的计算机可读指令，所述计算机可读指令 被处理器执行时，执行以下步骤：
    步骤1、收集用户信息，所述用户信息包括用户的静态信息和行为信息；
    步骤2、根据所收集的用户信息，生成所述用户的特定标签；
    步骤3、对所生成的标签进行量化，计算得到所述用户的属性值；
    步骤4、根据计算出的所述用户的属性值，生成用户画像。
  14. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述步骤3包括：
    步骤3-1、将所述用户的各个标签量化为多个标准值；
    步骤3-2、针对于所述用户的某个属性，对所述用户的部分标签的量化后的标准值对进行加权求和，生成所述用户的所述属性的属性值。
  15. 根据权利要求14所述的计算机可读存储介质，其特征在于，所述标签包括性别标签、学历标签、消费标签、运动标签、职位标签、购物标签、上网查阅标签、兴趣爱好标签、以及活动地方标签；
    其中，所述用户画像显示量化值较高的标签以及属性值。
  16. 根据权利要求15所述的计算机可读存储介质，其特征在于，所述属性值包括智慧值、财力值、能力值，所述智慧值、所述财力值、所述能力值计算公式为：
    智慧值＝学历标签×80％+购物标签×15％+其他类的标签×5％；
    财力值＝消费标签×60％+购物标签×30％+其他类标签×10％；
    能力值＝职位标签×40％+学历标签×30％+消费标签×20％+其他标签×10％；
    体力值＝运动标签×50％+购物标签×20％+其他标签×30％；
    其中，上述公式中的各个标签代表其量化后的标准值。
  17. 根据权利要求15所述的计算机可读存储介质，其特征在于，所述静态信息包括公共数据、以及机构内部的客户信息，所述客户信息包括人口属性、商业属性数据；
    其中，人口属性包括：地域、年龄、性别、文化、职业、收入、生活习惯、消费习惯。
  18. 根据权利要求17所述的计算机可读存储介质，其特征在于，所述行为信息包括所述用户在网络或应用程序上的行为信息、用户的网站浏览行为信息、用户交易行为信息，其中，所述标签的量化值取决于所述行为信息；
    通过以下公式计算用户的行为信息所对应的行为的发生概率：
    P(A)＝m/n，
    其中，“A”表示行为A，“m”表示行为A发生的总数，“n”是全部行为发生的总数；
    之后，若P大于特定阈值，则确定行为A为大概率事件，之后，并将行为A关联到所述标签。
  19. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述步骤1包括：
    步骤1-1、对静态信息和行为信息进行预处理，根据预处理后的行为信息获取用户在每个预设行为类别中的行为数据，使获取的同一类别的行为数据具有相同的格式。
  20. 根据权利要求13所述的计算机可读存储介质，其特征在于，在所述步骤4之后还包括：
    步骤5、在社交平台上，根据各个用户之间的评价权限，各个用户可给其它用户的属性进行打分，然后，后台系统根据打分情况，来对用户的属性值进行修正。
PCT/CN2018/124669 2018-10-23 2018-12-28 基于数据处理的用户画像自动生成方法和系统 Ceased WO2020082596A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811237829.8 2018-10-23
CN201811237829.8A CN109558530A (zh) 2018-10-23 2018-10-23 基于数据处理的用户画像自动生成方法和系统

Publications (1)

Publication Number Publication Date
WO2020082596A1 true WO2020082596A1 (zh) 2020-04-30

Family

ID=65865130

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/124669 Ceased WO2020082596A1 (zh) 2018-10-23 2018-12-28 基于数据处理的用户画像自动生成方法和系统

Country Status (2)

Country Link
CN (1) CN109558530A (zh)
WO (1) WO2020082596A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390183A (zh) * 2023-09-11 2024-01-12 国网河南省电力公司开封供电公司 一种基于rpa和人工智能技术的电力用户画像生成方法、存储介质及电子设备

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163683B (zh) * 2019-05-24 2020-04-14 北京乐信圣文科技有限责任公司 价值用户关键指标确定方法、广告投放方法及装置
CN110322274A (zh) * 2019-05-30 2019-10-11 深圳壹账通智能科技有限公司 基于数据分析的人群画像生成方法、装置和计算机设备
CN110287250B (zh) * 2019-06-25 2021-09-21 世纪龙信息网络有限责任公司 用户等级量化方法和装置
CN110415024A (zh) * 2019-07-11 2019-11-05 广东奥园奥买家电子商务有限公司 一种基于用户行为的用户画像方法及装置
CN110390563A (zh) * 2019-07-17 2019-10-29 世纪龙信息网络有限责任公司 用户价值的量化方法、装置、计算机设备和存储介质
CN112396536A (zh) * 2019-08-12 2021-02-23 北京国双科技有限公司 智能服务的实现方法及装置
CN110674144A (zh) * 2019-08-14 2020-01-10 深圳壹账通智能科技有限公司 用户画像生成方法、装置、计算机设备和存储介质
CN110569254A (zh) * 2019-09-18 2019-12-13 衢州酷客酒业有限公司 一种对个人品质进行标签的方法、系统、设备和存储介质
CN111143555B (zh) * 2019-12-11 2024-02-09 中国平安财产保险股份有限公司 基于大数据的客户画像生成方法、装置、设备及存储介质
CN111061951A (zh) * 2019-12-11 2020-04-24 华东师范大学 一种基于双层自注意力评论建模的推荐模型
CN111091351A (zh) * 2019-12-16 2020-05-01 北京政信1890智能科技有限公司 用户画像构建方法、装置、电子设备和可读存储介质
CN111161104A (zh) * 2019-12-20 2020-05-15 青岛聚好联科技有限公司 一种社区用户画像的生成方法及装置
CN111738778B (zh) * 2020-07-20 2020-12-01 平安国际智慧城市科技股份有限公司 用户画像生成方法、装置、计算机设备及存储介质
CN112001754A (zh) * 2020-08-21 2020-11-27 上海风秩科技有限公司 用户画像生成方法、装置、设备及计算机可读介质
CN112269805B (zh) * 2020-11-18 2023-06-02 杭州米雅信息科技有限公司 数据处理方法、装置、设备及介质
CN112396497A (zh) * 2020-11-30 2021-02-23 绍兴达道生涯教育信息咨询有限公司 一种融合多种测评结果构建用户画像的方法、装置、介质
CN112465598B (zh) * 2020-12-04 2024-07-19 中国移动通信集团黑龙江有限公司 一种用户画像生成方法、装置、设备及计算机存储介质
CN112560054B (zh) * 2020-12-14 2024-11-08 珠海格力电器股份有限公司 一种用户数据处理方法、装置、电子设备及存储介质
CN114880535B (zh) * 2022-06-09 2023-04-21 武汉十月科技有限责任公司 一种基于通讯大数据的用户画像生成方法
CN117522450B (zh) * 2023-11-23 2025-01-17 赵瑞涛 用户画像方法、装置、设备和存储介质
CN117726359B (zh) * 2024-02-08 2024-04-26 成都纳宝科技有限公司 一种互动营销方法、系统和设备
CN118132857B (zh) * 2024-05-08 2024-07-16 成都千嘉科技股份有限公司 燃气用户的画像勾画系统和勾画方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105893407A (zh) * 2015-11-12 2016-08-24 乐视云计算有限公司 个体用户画像方法和系统
CN106503015A (zh) * 2015-09-07 2017-03-15 国家计算机网络与信息安全管理中心 一种构建用户画像的方法
CN106909686A (zh) * 2017-03-06 2017-06-30 吉林省盛创科技有限公司 一种人机交互构建用户画像聚类计算方法
CN107818344A (zh) * 2017-10-31 2018-03-20 上海壹账通金融科技有限公司 用户行为进行分类和预测的方法和系统
CN107908606A (zh) * 2017-10-31 2018-04-13 上海壹账通金融科技有限公司 基于不同信息源自动生成报表的方法和系统
CN108038237A (zh) * 2017-12-27 2018-05-15 广州市云润大数据服务有限公司 一种信息推荐方法与系统
CN108363821A (zh) * 2018-05-09 2018-08-03 深圳壹账通智能科技有限公司 一种信息推送方法、装置、终端设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296281B (zh) * 2016-08-05 2018-08-17 中卓信（北京）科技有限公司 一种用户个性化行程信息推送方法、装置以及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503015A (zh) * 2015-09-07 2017-03-15 国家计算机网络与信息安全管理中心 一种构建用户画像的方法
CN105893407A (zh) * 2015-11-12 2016-08-24 乐视云计算有限公司 个体用户画像方法和系统
CN106909686A (zh) * 2017-03-06 2017-06-30 吉林省盛创科技有限公司 一种人机交互构建用户画像聚类计算方法
CN107818344A (zh) * 2017-10-31 2018-03-20 上海壹账通金融科技有限公司 用户行为进行分类和预测的方法和系统
CN107908606A (zh) * 2017-10-31 2018-04-13 上海壹账通金融科技有限公司 基于不同信息源自动生成报表的方法和系统
CN108038237A (zh) * 2017-12-27 2018-05-15 广州市云润大数据服务有限公司 一种信息推荐方法与系统
CN108363821A (zh) * 2018-05-09 2018-08-03 深圳壹账通智能科技有限公司 一种信息推送方法、装置、终端设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390183A (zh) * 2023-09-11 2024-01-12 国网河南省电力公司开封供电公司 一种基于rpa和人工智能技术的电力用户画像生成方法、存储介质及电子设备

Also Published As

Publication number Publication date
CN109558530A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
WO2020082596A1 (zh) 基于数据处理的用户画像自动生成方法和系统
Tene et al. Big data for all: Privacy and user control in the age of analytics
US8583471B1 (en) Inferring household income for users of a social networking system
US10162891B2 (en) Determining demographics based on user interaction
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN108665355A (zh) 金融产品推荐方法、装置、设备和计算机存储介质
CN115002200A (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
US12175496B1 (en) Systems and methods of a tracking analytics platform
WO2017190610A1 (zh) 目标用户定向方法、装置和计算机存储介质
CN113706249B (zh) 数据推荐方法、装置、电子设备及存储介质
WO2013119280A1 (en) Tools and methods for determining relationship values
CN114066533A (zh) 产品推荐方法、装置、电子设备及存储介质
CN115391669A (zh) 一种智能推荐方法、装置、电子设备
US20130246463A1 (en) Prediction and isolation of patterns across datasets
CN112035748A (zh) 信息推荐方法、装置、电子设备及存储介质
US20170132728A1 (en) Method and system of automatically generating an online-real estate magazine
CN118233851B (zh) 一种5g消息推送任务管理系统、方法、设备及介质
Ju et al. A novel application recommendation method combining social relationship and trust relationship for future internet of things
US8478702B1 (en) Tools and methods for determining semantic relationship indexes
Oliseenko et al. Automating the temperament assessment of online social network users
CN114756669A (zh) 问题意图的智能分析方法、装置、电子设备及存储介质
WO2018205458A1 (zh) 获取目标用户的方法、装置、电子设备及介质
CN110807667A (zh) 一种激活沉睡客户的方法和装置
KR102758242B1 (ko) 팬덤인덱스 측정 및 보상 방법
US20240144079A1 (en) Systems and methods for digital image analysis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18937756

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 31/08/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18937756

Country of ref document: EP

Kind code of ref document: A1