[發(fā)明專利]用戶智能化分層方法、裝置、電子設(shè)備及可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010221985.6
• 申請(qǐng)日: 2020-03-25
• 公開（公告）號(hào): CN111522812A
• 公開（公告）日: 2020-08-11
• 發(fā)明（設(shè)計(jì)）人: 韋雨露
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F16/22
• 分類號(hào): G06F16/22;G06F16/25;G06Q30/02
• 代理公司: 深圳市沃德知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44347
• 代理人: 高杰;于志光

本發(fā)明涉及人工智能技術(shù)，揭露了一種用戶智能化分層方法，包括：從存儲(chǔ)原始用戶屬性集的數(shù)據(jù)庫中提取所述原始用戶屬性集，根據(jù)預(yù)設(shè)的初始分箱數(shù)和理想分箱數(shù)，劃分所述原始用戶屬性集得到標(biāo)準(zhǔn)用戶屬性集，基于用戶卡方算法對(duì)所述標(biāo)準(zhǔn)用戶屬性集執(zhí)行計(jì)算，得到原始卡方值集，根據(jù)預(yù)設(shè)的卡方閾值，合并所述原始卡方值集內(nèi)的數(shù)據(jù)得到標(biāo)準(zhǔn)卡方值集，若所述標(biāo)準(zhǔn)卡方值集的數(shù)量不大于所述理想分箱數(shù)，得到不大于所述理想分箱數(shù)的標(biāo)準(zhǔn)卡方值集完成用戶分層。本發(fā)明還提出一種用戶智能化分層裝置、電子設(shè)備以及一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。本發(fā)明可以解決用戶分層時(shí)對(duì)計(jì)算能力和存儲(chǔ)能力要求高的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種用戶智能化分層的方法、裝置、電子設(shè)備及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

用戶分層是按照用戶在產(chǎn)品上所處的狀態(tài)對(duì)用戶進(jìn)行劃分，如視頻網(wǎng)站將用戶劃分為免費(fèi)用戶、活躍用戶、付費(fèi)用戶、高額付費(fèi)用戶等。

當(dāng)前用戶分層主要基于RFM模型和機(jī)器學(xué)習(xí)模型，所述RFM模型首先確定RFM三個(gè)指標(biāo)的分段和每個(gè)分段的分值、計(jì)算每個(gè)客戶RFM三個(gè)指標(biāo)的得分、計(jì)算每個(gè)客戶的總得分，并且根據(jù)總得分篩選出優(yōu)質(zhì)的客戶。所述機(jī)器學(xué)習(xí)模型是根據(jù)設(shè)定的機(jī)器學(xué)習(xí)算法對(duì)用戶進(jìn)行分層，如決策樹算法、K近鄰、支持向量機(jī)算法等。

上述基于RFM模型和機(jī)器學(xué)習(xí)模型的算法雖然可有效解決用戶分層的目的，但由于RFM模型需要反復(fù)遍歷用戶所在的HTML頁面進(jìn)行實(shí)時(shí)分析，因此對(duì)于計(jì)算機(jī)的性能和網(wǎng)絡(luò)帶寬具有嚴(yán)格的要求，機(jī)器學(xué)習(xí)模型雖然不需要實(shí)時(shí)分析，但因?yàn)闄C(jī)器學(xué)習(xí)模型必須要根據(jù)大量的歷史數(shù)據(jù)進(jìn)行分析，不然分層準(zhǔn)確率不高，因此當(dāng)處理大量歷史數(shù)據(jù)時(shí)，對(duì)于計(jì)算機(jī)計(jì)算能力和存儲(chǔ)能力具有較高要求。

發(fā)明內(nèi)容

本發(fā)明提供一種用戶智能化分層方法、裝置、電子設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其主要目的在于解決用戶分層時(shí)對(duì)計(jì)算能力和存儲(chǔ)能力要求高的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供的一種用戶智能化分層方法，包括：

步驟A：從存儲(chǔ)原始用戶屬性集的數(shù)據(jù)庫中提取所述原始用戶屬性集，根據(jù)預(yù)設(shè)的初始分箱數(shù)和理想分箱數(shù)，劃分所述原始用戶屬性集得到標(biāo)準(zhǔn)用戶屬性集；

步驟B：基于用戶卡方算法對(duì)所述標(biāo)準(zhǔn)用戶屬性集執(zhí)行計(jì)算，得到原始卡方值集；

步驟C：根據(jù)預(yù)設(shè)的卡方閾值，合并所述原始卡方值集內(nèi)的數(shù)據(jù)得到標(biāo)準(zhǔn)卡方值集；

步驟D：若所述標(biāo)準(zhǔn)卡方值集的數(shù)量大于所述理想分箱數(shù)，則返回步驟C，若所述標(biāo)準(zhǔn)卡方值集的數(shù)量不大于所述理想分箱數(shù)，得到不大于所述理想分箱數(shù)的標(biāo)準(zhǔn)卡方值集完成用戶分層。

可選地，所述基于用戶卡方算法對(duì)所述標(biāo)準(zhǔn)用戶屬性集執(zhí)行計(jì)算，得到原始卡方值集，包括：

統(tǒng)計(jì)所述標(biāo)準(zhǔn)用戶屬性集內(nèi)每組區(qū)間的用戶數(shù)量；

根據(jù)每組區(qū)間的所述用戶數(shù)量計(jì)算每組區(qū)間的期望頻；

根據(jù)所述用戶數(shù)量和所述期望頻計(jì)算卡方值，得到原始卡方值集。

可選地，所述根據(jù)每組區(qū)間的所述用戶數(shù)量計(jì)算每組區(qū)間的期望頻，包括：

采用如下期望頻計(jì)算方法計(jì)算所述每組區(qū)間的期望頻：

其中，E_j為所述期望頻，j為每組區(qū)間的區(qū)間編號(hào)，N_i為每組區(qū)間的數(shù)據(jù)總數(shù)，N為所述標(biāo)準(zhǔn)用戶屬性集的總樣本數(shù)，C_j為區(qū)間j在所述標(biāo)準(zhǔn)用戶屬性集內(nèi)所占的樣本比例。

可選地，所述根據(jù)所述用戶數(shù)量和所述期望頻計(jì)算卡方值，得到原始卡方值集，包括：

采用如下方法計(jì)算卡方值：