[發(fā)明專利]標(biāo)簽聯(lián)合概率分析方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110454629.3
• 申請(qǐng)日: 2021-04-26
• 公開（公告）號(hào): CN112990985B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 吳新宇;孫靜
• 申請(qǐng)（專利權(quán)）人: 北京楚梵基業(yè)科技有限公司
• 主分類號(hào): G06Q30/0201
• 分類號(hào): G06Q30/0201;G06F16/2457;G06N3/0464
• 代理公司: 北京細(xì)軟智谷知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11471
• 代理人: 牛晴

本發(fā)明涉及一種標(biāo)簽聯(lián)合概率分析方法及系統(tǒng)，包括通過多種渠道獲取標(biāo)簽數(shù)據(jù)，根據(jù)每個(gè)渠道對(duì)應(yīng)的渠道權(quán)重計(jì)算標(biāo)簽數(shù)據(jù)的概率分布，生成標(biāo)簽概率統(tǒng)計(jì)表；對(duì)所有標(biāo)簽數(shù)據(jù)進(jìn)行分組組合，根據(jù)標(biāo)簽組合對(duì)標(biāo)簽概率統(tǒng)計(jì)表進(jìn)行拆分得到多個(gè)標(biāo)簽概率子表，計(jì)算所有標(biāo)簽概率子表的聯(lián)合概率；綜合所有標(biāo)簽概率子表的聯(lián)合概率計(jì)算獲取標(biāo)簽概率矩陣。本發(fā)明通過通過對(duì)標(biāo)簽的概率表達(dá)，能夠處理解決現(xiàn)有0?1標(biāo)簽區(qū)分度不足的問題，估算完整聯(lián)合概率，充分利用所有已知條件，提高算法標(biāo)簽的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)分析技術(shù)領(lǐng)域，具體涉及一種標(biāo)簽聯(lián)合概率分析方法及系統(tǒng)。

背景技術(shù)

大數(shù)據(jù)時(shí)代，通過多渠道收集用戶/產(chǎn)品信息建立標(biāo)簽系統(tǒng)有越來越廣泛的應(yīng)用，比如精準(zhǔn)投放，精細(xì)化運(yùn)營(yíng)等。標(biāo)簽主要分為以下三類：

事實(shí)標(biāo)簽(統(tǒng)計(jì)標(biāo)簽)：最為基礎(chǔ)也最為常見的標(biāo)簽類型，例如，對(duì)于某個(gè)用戶來說，其性別、年齡、城市、星座、近7日活躍時(shí)長(zhǎng)、近7日活躍天數(shù)、近7日活躍次數(shù)等字段可以從用戶注冊(cè)數(shù)據(jù)、用戶訪問、消費(fèi)數(shù)據(jù)中統(tǒng)計(jì)得出。

聚合標(biāo)簽(規(guī)則標(biāo)簽)：該類標(biāo)簽基于用戶行為及確定的規(guī)則產(chǎn)生。例如，對(duì)平臺(tái)上“消費(fèi)活躍”用戶這一口徑的定義為“近30天交易次數(shù)≥2”。在實(shí)際開發(fā)畫像的過程中，由于運(yùn)營(yíng)人員對(duì)業(yè)務(wù)更為熟悉，而數(shù)據(jù)人員對(duì)數(shù)據(jù)的結(jié)構(gòu)、分布、特征更為熟悉，因此規(guī)則類標(biāo)簽的規(guī)則由運(yùn)營(yíng)人員和數(shù)據(jù)人員共同協(xié)商確定。

算法標(biāo)簽：該類標(biāo)簽通過機(jī)器學(xué)習(xí)挖掘產(chǎn)生，用于對(duì)用戶的某些屬性或某些行為進(jìn)行預(yù)測(cè)判斷。例如，根據(jù)一個(gè)用戶的行為習(xí)慣判斷該用戶是男性還是女性、根據(jù)一個(gè)用戶的消費(fèi)習(xí)慣判斷其對(duì)某商品的偏好程度。該類標(biāo)簽需要通過算法挖掘產(chǎn)生。

標(biāo)簽采集后，會(huì)存儲(chǔ)在適合業(yè)務(wù)場(chǎng)景的數(shù)據(jù)庫(kù)中。數(shù)據(jù)庫(kù)進(jìn)一步支持編輯，迭代，用戶畫像產(chǎn)品化的視圖查詢，多維分析，聚類功能，從而指導(dǎo)經(jīng)營(yíng)分析，精準(zhǔn)營(yíng)銷，和個(gè)性化推薦與服務(wù)。

相關(guān)技術(shù)中，目前主流標(biāo)簽系統(tǒng)主要存在以下問題：

對(duì)用戶標(biāo)簽屬性區(qū)分度不足：多數(shù)標(biāo)簽采用確定狀態(tài)判別，比如用0-1表示是或非。比如用戶A是某產(chǎn)品的忠實(shí)用戶，用戶B只是偶然咨詢過該產(chǎn)品，如果給他們打同樣的產(chǎn)品標(biāo)簽顯然沒有足夠的區(qū)分度。即使是同樣是B用戶，他的購(gòu)買意愿也會(huì)呈現(xiàn)周期性的變化，簡(jiǎn)單的0-1劃分顯然不夠精確。

人工編寫標(biāo)簽規(guī)則的天然缺陷：除了聚合標(biāo)簽采集完全依賴人工制規(guī)則外，我們時(shí)常需要對(duì)各種未知標(biāo)簽進(jìn)行推理和預(yù)測(cè)。傳統(tǒng)上這也是通過人工編寫規(guī)則實(shí)現(xiàn)的。比如高收入人群更可能買奢侈品，買化妝品的人可能對(duì)珠寶感興趣。這些條件關(guān)系通常是合理有效的，但是在數(shù)據(jù)爆炸的時(shí)代，這種人工方法存在一些難以克服的缺陷。

人工編寫的規(guī)則缺乏量化手段。比如高收入人群有更大可能性購(gòu)買豪華轎車，追求性價(jià)比的人又可能對(duì)豪華轎車沒有那么強(qiáng)的傾向性。那么一個(gè)收入很高，又講究性價(jià)比的人有多大可能性會(huì)買奔馳呢？人工編寫的假設(shè)關(guān)系很難去量化人的購(gòu)買意愿。

人工規(guī)則過于簡(jiǎn)單。人工定制的標(biāo)簽相關(guān)性規(guī)則通常沒有太高的復(fù)雜度。很難想象可以人工構(gòu)建一條含有超過10種以上標(biāo)簽的有效規(guī)則。然而現(xiàn)實(shí)是我們往往能通過各種途徑積累大量關(guān)于客戶方方面面的標(biāo)簽，卻不能充分利用這些數(shù)據(jù)的潛力。整體行業(yè)急需有效手段去統(tǒng)籌考慮各種標(biāo)簽來更精準(zhǔn)地把握用戶。

人工規(guī)則不易處理殘缺不齊的標(biāo)簽數(shù)據(jù)。我們的數(shù)據(jù)是海量的，但往往是不規(guī)則的，用戶A我們可能知道一些性別年齡職業(yè)之類的個(gè)人屬性信息，用戶B可能是一些停車場(chǎng)記錄，用戶C可能是最近購(gòu)買的書籍。人工手段幾乎無法把這些信息有效統(tǒng)一起來得出對(duì)數(shù)據(jù)的綜合理解。

人工規(guī)則缺乏有效的反饋機(jī)制。通常我們會(huì)根據(jù)這些規(guī)則對(duì)標(biāo)簽數(shù)據(jù)做出一些預(yù)測(cè)來指導(dǎo)實(shí)踐。等我們觀察到實(shí)踐效果后當(dāng)然希望可以反過來調(diào)整我們的規(guī)則。但是人工規(guī)則相對(duì)難以制定有效反饋機(jī)制來做出相應(yīng)調(diào)整，尤其當(dāng)標(biāo)簽組合比較復(fù)雜以后。

除此之外，現(xiàn)有技術(shù)中的標(biāo)簽算法實(shí)施不夠充分：