[發(fā)明專利]一種基于用戶群微細(xì)分的信息推送方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010845957.1
• 申請日: 2020-08-21
• 公開（公告）號: CN111738812B
• 公開（公告）日: 2020-12-08
• 發(fā)明（設(shè)計）人: 張磊;藺靜茹;曹新建;邵俊
• 申請（專利權(quán)）人: 深圳索信達(dá)數(shù)據(jù)技術(shù)有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02;H04L29/08
• 代理公司: 北京市隆安律師事務(wù)所 11323
• 代理人: 楊云

本發(fā)明涉及一種基于用戶群微細(xì)分的信息推送方法及系統(tǒng)。所述方法包括以下步驟：從服務(wù)器獲取用戶信息及其對應(yīng)的產(chǎn)品信息；對所述用戶信息及其對應(yīng)的產(chǎn)品信息進(jìn)行標(biāo)準(zhǔn)化處理，得到第一數(shù)據(jù)集；對所述第一數(shù)據(jù)集進(jìn)行結(jié)構(gòu)引力成像處理，將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為二維彩色等高線輪廓圖；從所述二維彩色等高線輪廓圖中提取低維特征向量；根據(jù)所述低維特征向量采用密度聚類的方法對用戶群進(jìn)行微細(xì)分以形成用戶微細(xì)分簇群；將所述低維特征向量及用戶微細(xì)分簇群的提升度用于優(yōu)先推薦模型的優(yōu)化提升；基于所述優(yōu)先推薦模型的預(yù)測結(jié)果向用戶群進(jìn)行相應(yīng)產(chǎn)品的信息推送。本發(fā)明可以通過識別用戶深層特征并進(jìn)行用戶群微細(xì)分以進(jìn)行精準(zhǔn)信息推送。

技術(shù)領(lǐng)域

本發(fā)明屬于大數(shù)據(jù)分析與數(shù)據(jù)挖掘領(lǐng)域，尤其涉及一種基于用戶群微細(xì)分的信息推送方法及系統(tǒng)。

背景技術(shù)

大數(shù)據(jù)時代，數(shù)據(jù)正在迅速膨脹變大，它決定著企業(yè)的未來發(fā)展，隨著時間的推移，人們將越來越多的意識到數(shù)據(jù)對企業(yè)的重要性。互聯(lián)網(wǎng)+時代的到來，新零售的到來，打破原來很多企業(yè)原有的業(yè)務(wù)模式，企業(yè)以互聯(lián)網(wǎng)為依托，通過運用大數(shù)據(jù)、人工智能等先進(jìn)技術(shù)手段，對商品的生產(chǎn)、流通與銷售過程進(jìn)行升級改造，進(jìn)而重塑業(yè)態(tài)結(jié)構(gòu)與生態(tài)圈，并對線上服務(wù)、線下體驗以及現(xiàn)代物流進(jìn)行深度融合的零售新模式。

企業(yè)為了跟上時代的快速發(fā)展，業(yè)務(wù)不斷的更新迭代，普遍采用產(chǎn)品響應(yīng)預(yù)測等模型來提高營銷成功率，達(dá)到精準(zhǔn)營銷和信息推送的目的。目前業(yè)界常用的產(chǎn)品響應(yīng)預(yù)測建模大多采用XGBoost、LightGBM等樹類模型算法或者是邏輯回歸等統(tǒng)計算法，輸入數(shù)據(jù)采用常見的結(jié)構(gòu)化數(shù)據(jù)，常常需要進(jìn)行復(fù)雜的特征工程才能發(fā)現(xiàn)有效特征，缺乏發(fā)現(xiàn)深層特征的能力，模型的準(zhǔn)確性也難以有效提升，最終導(dǎo)致通過產(chǎn)品響應(yīng)預(yù)測建模進(jìn)行的信息推送準(zhǔn)確性較低。

發(fā)明內(nèi)容

針對上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的在于提供一種基于用戶群微細(xì)分的信息推送方法及系統(tǒng)，其可以通過識別用戶深層特征并進(jìn)行用戶群微細(xì)分以進(jìn)行精準(zhǔn)信息推送。

為了達(dá)到上述目的，本發(fā)明提出如下兩個方面的技術(shù)方案：

第一方面，本發(fā)明實施例提供一種基于用戶群微細(xì)分的信息推送方法，包括以下步驟：

從服務(wù)器獲取用戶信息及其對應(yīng)的產(chǎn)品信息；

對所述用戶信息及其對應(yīng)的產(chǎn)品信息進(jìn)行標(biāo)準(zhǔn)化處理，得到第一數(shù)據(jù)集；

對所述第一數(shù)據(jù)集進(jìn)行結(jié)構(gòu)引力成像處理，將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為二維彩色等高線輪廓圖；

從所述二維彩色等高線輪廓圖中提取低維特征向量；

根據(jù)所述低維特征向量采用密度聚類的方法對用戶群進(jìn)行微細(xì)分以形成用戶微細(xì)分簇群；

將所述低維特征向量及用戶微細(xì)分簇群的提升度用于優(yōu)先推薦模型的優(yōu)化提升；

基于所述優(yōu)先推薦模型的預(yù)測結(jié)果向用戶群進(jìn)行相應(yīng)產(chǎn)品的信息推送。

在一個實施例中，所述產(chǎn)品信息包括針對所述產(chǎn)品的用戶的歷史行為數(shù)據(jù)。

在一個實施例中，對所述用戶信息及其對應(yīng)的產(chǎn)品信息進(jìn)行標(biāo)準(zhǔn)化處理，得到第一數(shù)據(jù)集，包括：

將所述用戶信息及其對應(yīng)的產(chǎn)品信息標(biāo)準(zhǔn)化處理為用戶與產(chǎn)品的月日均數(shù)據(jù)寬表；

根據(jù)全體用戶與各產(chǎn)品的數(shù)據(jù)分布，進(jìn)行零值歸并二次分箱離散化，通過百分位數(shù)分箱、非正數(shù)點合并、十分位數(shù)分箱，將各項數(shù)據(jù)離散化為十個分箱標(biāo)簽，并以箱體中位數(shù)作為分箱量化值；

所述零值歸并二次分箱離散化標(biāo)簽的計算公式為：

，其中n為全體用戶數(shù)量

根據(jù)用戶在各產(chǎn)品資產(chǎn)占比的分箱標(biāo)簽，串聯(lián)形成用戶的分箱離散化編碼，形成第一數(shù)據(jù)集。