CN104835057A - 一种获取网络用户的消费特征信息的方法及装置 - Google Patents
一种获取网络用户的消费特征信息的方法及装置 Download PDFInfo
- Publication number
- CN104835057A CN104835057A CN201510155991.5A CN201510155991A CN104835057A CN 104835057 A CN104835057 A CN 104835057A CN 201510155991 A CN201510155991 A CN 201510155991A CN 104835057 A CN104835057 A CN 104835057A
- Authority
- CN
- China
- Prior art keywords
- consumption
- network user
- commodity
- service
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种获取网络用户的消费特征信息的方法及装置,其中的方法包括:获取网络用户的消费反馈信息;提取所述消费反馈信息中的商品或服务的原信息;根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息。通过该方法可以实现精确有效的描述该网络用户的消费能力和消费意愿,从而能够为该网络用户提供个性化的消费服务,进而提升了网络用户在网购过程中的使用体验。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种获取网络用户的消费特征信息的方法及装置。
背景技术
网络用户在网购的过程中,通常需要从众多的电商平台或入口筛选出自己需要的商品或服务。而对于使用移动终端的用户,由于移动终端普遍存在屏幕较小以及计算能力较差的问题,导致网购的操作更繁琐且显示的信息更少,最终使网络用户因繁琐的操作、无法获得商品或服务的详细信息等原因放弃网购。另外一方面,现有的电商也希望通过其平台或入口为网络用户提供个性化的服务,从而提高订单成交率。
因此,现有的电商较注重的是如何获得网络用户的全方位消费画像,尤其是消费能力和消费意愿。但是,出于隐私的考虑,电商通过其平台直接询问网络用户的消费信息的方法不仅较难获得网络用户的配合,而且还会降低网络用户的使用体验。更重要的是,网络用户的消费能力和消费意愿也会随着时间而产生变化,形成一种离散的消费信息,现有技术无法对其进行精准有效的描述。
发明内容
本发明解决的技术问题之一是无法精确有效的描述网络用户的消费能力和消费意愿。
根据本发明一方面的一个实施例,提供了一种获取网络用户的消费特征信息的方法,包括:
获取网络用户的消费反馈信息;
提取所述消费反馈信息中的商品或服务的原信息;
根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息。
根据本发明另一方面的一个实施例,提供了一种获取网络用户的消费特征信息的装置,包括:
用于获取网络用户的消费反馈信息的装置;
用于提取所述消费反馈信息中的商品或服务的原信息的装置;
用于根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息的装置。
由于本实施例可以通过网络用户的消费反馈信息及对应的商品或服务的原信息建立消费模型,并根据该消费模型获取该网络用户的消费特征信息,以实现精确有效的描述该网络用户的消费能力和消费意愿,从而能够为该网络用户提供个性化的消费服务,进而提升了网络用户在网购过程中的使用体验。
本领域普通技术人员将了解,虽然下面的详细说明将参考图示实施例、附图进行,但本发明并不仅限于这些实施例。而是,本发明的范围是广泛的,且意在仅通过后附的权利要求限定本发明的范围。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出了根据本发明一个实施例的获取网络用户的消费特征信息的方法的流程图。
图2示出了根据本发明一可选实施例的获取网络用户的消费特征信息的方法的流程图。
图3示出了根据本发明实施例一的基于用户行为来提供待发送信息的方法整体流程框图。
图4示出了根据本发明实施例一的基于用户行为来提供待发送信息的方法的流程图。
图5示出了根据本发明一个实施例的获取网络用户的消费特征信息的装置的框图。
图6示出了根据本发明一可选实施例的获取网络用户的消费特征信息的装置的框图。
图7示出了根据本发明实施例一的提取原信息的详细内容的示意图。
图8示出了一决策树模型的框图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在上下文中所称“计算机设备”,也称为“电脑”,是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备,其可以包括处理器与存储器,由处理器执行在存储器中预存的存续指令来执行预定处理过程,或是由ASIC、FPGA、DSP等硬件执行预定处理过程,或是由上述二者组合来实现。计算机设备包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。
所述计算机设备包括用户设备与网络设备。其中,所述用户设备包括但不限于电脑、智能手机、PDA等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述计算机设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中,所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是,所述用户设备、网络设备和网络等仅为举例,其他现有的或今后可能出现的计算机设备或网络如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时,用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
应当理解的是,当一个单元被称为“连接”或“耦合”到另一单元时,其可以直接连接或耦合到所述另一单元,或者可以存在中间单元。与此相对,当一个单元被称为“直接连接”或“直接耦合”到另一单元时,则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如“处于...之间”相比于“直接处于...之间”,“与...邻近”相比于“与...直接邻近”等等)。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图1是根据本发明一个实施例的获取网络用户的消费特征信息的方法的流程图。
结合图1中所示,本实施例所述的获取网络用户的消费特征信息的方法包括如下步骤:
S100、获取网络用户的消费反馈信息;
S110、提取该消费反馈信息中的商品或服务的原信息;
S120、根据该消费反馈信息和原信息建立消费模型,并根据该消费模型获取该网络用户的消费特征信息。
下面对各步骤做进一步详细介绍。
步骤S100中,网络用户使用的用户设备可以为移动终端,该网络用户通过该移动终端进行网购时,访问的是由一电商通过用户设备维护的平台,在该平台中存储有多种类型的商品或服务以供该网络用户选择,该电商使用的用户设备可以为网络设备。
例如,该电商的网络设备维护的是销售食品的平台,该平台在网页中展示了促销商品、新品、商品分类等内容,该网络用户可通过移动终端在该平台浏览、搜索、收藏和/或购买商品。
当该网络用户使用一移动终端在该平台浏览、搜索、收藏和/或购买商品后,该网络设备获取该网络用户的消费反馈信息。其中,获取消费反馈信息的方法包括但不限于根据该网络用户在该平台注册并登录后生成的用户日志获得。该用户日志中包括该网络用户的用户名、该网络用户在该平台点击浏览、搜索以及收藏的商品或服务等内容。
由于现有技术通常采用根据网络用户在一电商平台的成交记录来分析该网络用户的消费情况,但是网络用户在完成购买一商品或服务的过程中,通常需要点击浏览该商品或服务的详细信息和/或点击浏览与该商品或服务同类型的其它商品或服务,在确定该商品或服务较符合该网络用户的预期后,才最终完成交易。而在完交易的过程中,该网络用户在点击浏览其它商品或服务产生的数据流量通常是点击浏览该商品或服务的十倍以上。因此在获取该网络用户的消费反馈信息的过程中,将点击浏览该商品或服务的详细信息和/或点击浏览与该商品或服务同类型的其它商品或服务的内容也作为该网络用户的消费反馈信息进行收集,能够更准确的描述该网络用户的消费偏好。
采用上述方法获取的消费反馈信息中包括了点击浏览该商品或服务的详细信息以及点击浏览与该商品或服务同类型的其它商品或服务等内容,导致需要获取的数据量较大。对于大规模数据的批量处理,可通过hadoop(分布式***基础架构)在云环境并行计算完成,该方法能够在并行平台上借助集群优势较快速地完成对消费反馈信息的获取。
在本实施例中,以点击浏览、搜索、收藏一商品或服务的内容作为该网络用户的消费反馈信息进行收集,而仅为例举,本领域技术人员应理解对其它如购买、参与团购等内容作为消费反馈信息的方式也应落入本发明的保护范围,为简明起见,仅以引用方式包含于此,而不做赘述。
在本发明一可选实施例中,在获取网络用户的消费反馈信息之前,所述方法还可以包括以下的步骤:
-根据该网络用户使用的移动终端的IMEI和/或该移动终端的***配置信息生成用户标识。
使用移动终端的网络用户普遍具有两个特性:随时性和可标示性。随时性是指网络用户在任何有需要的时刻均可通过移动终端登录电商平台,因此为时间***台登录,也可通过该网络用户使用的移动终端的IMEI识别出该网络用户,并将该网络用户在本次在该电商平台产生的消费特征信息与之前或之后产生的消费特征信息合并处理。另外,即使对于在特殊情况下具有IMEI相同的移动终端,还可根据该移动终端的***配置信息生成用于标识该网络用户身份的唯一用户标识。例如,将IMEI与该移动终端的无线网卡的MAC地址和/或CPU的ID号进行HASH计算后获得的字符串作为该网络用户身份的唯一用户标识。通过上述方法可获取未登录的匿名网络用户的消费特征信息,进一步提高了对网络用户的消费能力和消费意愿的描述准确性。
步骤S110中,在获取网络用户的消费反馈信息后,网络设备提取该消费反馈信息中的商品或服务的原信息。
现有的消费分析方法通常不考虑分级类目,而只考虑消费总额或者均值。但是每一个网络用户通常具有很强烈的偏好,如旅游偏好、电影偏好等,并且网络用户在其偏好的商品或服务中的消费金额要远大于其它的商品或服务。因此,本实施例在提取原信息时,将商品或服务分成若干个类别,再根据每个类别提取每种商品或服务的价格。
例如,将该网络用户在该电商网站购买的食品分为饮料、主食、零食、健康食品等类别。网络设备在确定该网络用户在每个类别购买了哪些商品后,再根据这些商品在相应类别中的价格区间,从而确定该网络用户在该电商平台的消费层次。
在本实施例中,以商品或服务的类别以及价格作为提取商品或服务的原信息的策略,而仅为例举,本领域技术人员应理解通过其它方式对商品或服务的原信息进行提取的策略,也应落入本发明的保护范围,为简明起见,仅以引用方式包含于此,而不做赘述。
在本发明一可选实施例中,提取消费反馈信息中的商品或服务的原信息包括:
-根据类别每隔预定时间提取一次预定商品或服务的原信息。
由于电商平台每天都会有新的商品上线或下线,并且已有商品的价格也可能会发生变化,因此提取元信息的任务可以是每天例行或根据该电商网站维护商品的周期进行设置。对于大规模的商品元信息提取,也可以通过Hive(数据仓储工具)在云计算环境下完成。
步骤S120中,网络设备根据消费反馈信息和原信息建立消费模型,并根据该消费模型获取该网络用户的消费特征信息。
在本发明一可选实施例中,建立消费模型的过程可采用如下的方法:
-根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重;
-根据该网络用户购买和/或搜索各类商品或服务的价格区间及分布获得该网络用户的价格簇,并根据各类商品或服务的权重确定该网络用户的消费层次;
-根据该网络用户购买和/或搜索各类商品或服务的时间习惯和消费层次生成决策树模型,并通过遍历该决策树模型获取该网络用户的消费特征信息。
首先,该网络设备可通过该消费反馈信息获取该网络用户的消费偏好。例如,该消费特征信息中健康食品的浏览及购买的次数占所有消费次数的80%以上,而饮料和主食的购买次数占所有消费次数的其余部分,零食未发生消费。则可以确定该网络用户的消费偏好是对健康食品的兴趣远大于其它食品,对于饮料和主食的兴趣只是满足日常生活,而对零食等非日常必需且可能对健康造成损害的食品无兴趣。因此该网络设备可将该网络用户购买及浏览健康食品的历史频次进行加权获得的权值作为该网络用户在健康食品类别的初始权重,以及将该网络用户购买及浏览饮料和主食的历史频次加权获得的权值作为该网络用户在饮料和主食的类别的初始权重。
可选的,当该网络用户购买和/或搜索预定商品或服务时,则增加该商品或服务的权重;和/或,当该网络用户经过预定时间未购买和/或未搜索预定商品或服务时,则基于时间衰减原则减少该商品或服务的权重。
在该网络设备获得该网络用户在健康食品类别的初始权重后,当该网络用户再次搜索和/或购买该健康食品时,可增加该健康食品的权值。当该网络用户在预定时间内(例如一周)未购买或搜索该健康食品,则基于时间衰减原则减少该健康食品的权重。例如,时间衰减原则主要根据距今天数逐级衰减,对应的权值计算公式为:
其中,x表示距今天数,f(x)为当天的频次,n通常可取值为30,也就是最近一个月的信息。该基于时间衰减原则保证了用户最近的消费物品有较高的权重,衰减趋势为前面下降较快,后续缓慢收敛,该变化较符合用户的消费行为习惯。
其次,在获得该网络用户在健康食品、饮料及主食的初始权重后,该网络设备可通过该消费反馈信息及原信息生成该网络用户的消费层次。例如,该消费反馈信息中的健康食品在该原信息中的单价位于500-1000元的区间,饮料及主食的单价为50-100元的区间。若该网络用户的健康食品权重、饮料权重以及主食权重在这两个价格区间都大于预定值,则该网络设备可以确定该网络用户的消费层次为跨层次消费,即包括50-100和500-1000两个价格区间。
最后,该网络设备可通过该消费反馈信息获得该网络用户的消费时间习惯,并根据该网络用户购买和/或搜索健康食品、饮料及主食所在的类别的历史记录按时间维度和用户维度训练出决策树模型,并通过遍历该决策树模型获得该网络用户的消费特征信息。例如,该消费反馈信息中在节假日发生的消费次数占所有消费次数的70%以上,由于工作日的数量与节假日相比占的比重较大但发生消费的次数却较少,则可以确定该网络用户的消费时间习惯为更愿意在节假日的休闲时间网购。
例如,结合图8所示,该决策树模型可主要通过该网络用户的个人特征(性别、年龄、地域)以及消费时间(周末、时段)来进行建模,训练数据为该网络用户的消费详细数据、用户的画像数据。建模后输出的是网络用户的消费规则,例如上海的女性消费客户主要在平时晚上19:00以及周末14:00-17:00进行购买。
在本发明一可选实施例中,结合图2所示,所述方法还包括:
步骤S130,网络设备根据预定测试集对该消费模型进行优化,并根据优化后的消费模型获取该网络用户的优化消费特征信息。
其中,当该网络设备根据该网络用户的消费模型获得该网络用户的消费特征信息后,还可以根据预定测试集对该消费模型进行优化。即该网络用户的网购行为在该消费模型建立以后还会继续发生且购买商品或服务的偏好、价格层次及时间偏好均会发生变化,导致该消费模型对该网络用户的消费特征信息的描述准确性会随时间的增加而下降。
例如,该预定测试集主要是根据用户的消费记录,例如网络用户A在今天19:31消费了商品I,花费18元。同时,该网络设备根据该网络用户A预测其消费类别偏好,判断商品I的类别是否在该网络用户A的消费类别偏好中。如果是,则进一步分析,该网络用户A是否在该类别偏好的消费档次,如果预测是低档,而18元的商品I也属于低档,则预测正确。最后,判断用户的消费时间是否符合预期。整个消费者模型是建立在用户的消费记录的基础上,所以当消费者的数据积累的不够时,预测结果会比较差。随着积累了更多的用户消费数据,模型能够不断完善,准确值也会逐步提高。
因此,在本实施例中,该网络设备将预定测试集通过决策树模型对该消费模型进行优化,从而根据优化后的消费模型获取优化消费特征信息。通过不断优化的消费模型,可以使该网络设备能够随时间及消费次数的变化更准确的描述该网络用户的消费特征信息。
下面通过具体的实施例对本发明提出的获取网络用户的消费特征信息的方法进行详细说明。
实施例一
在本实施例中,结合图3所示,网络设备将网络用户交易和网络用户搜索的记录作为消费反馈信息进行获取。其中,针对该网络用户搜索的记录,该网络设备根据该记录从其平台上的团购商品和电子商品的商品信息中提取出当前时刻的详细信息并更新到商品词库中,并将该商品词库与该网络用户搜索的记录进行切词预处理后,确定该网络用户的消费反馈信息。然后该网络设备根据其平台上的商品类别和价格库确定该消费反馈信息中的商品或服务所属的类别和层次。最后,该网络设备根据该消费反馈信息获取该网络用户的消费特征信息,该消费特征信息中包括该网络用户的消费偏好、消费层次及消费时间习惯。
具体的,本实施例中的一网络用户可通过移动终端中的第三方应用“手机百度”中的“发现”模块作为入口,搜索并购买一酒店住宿服务及两张电影票,而该网络设备则根据该网络用户的操作完成对该网络用户的消费特征信息的获取,结合图4所示,该方法获取网络用户的消费特征信息的方法可以包括:
步骤S400,获取网络用户的身份标识。
具体的,由于该网络用户虽然在其使用的移动终端上安装了手机百度的应用程序,但并未通过用户名和密码登陆手机百度,因此该网络设备在该网络用户首次运行手机百度的应用程序时为该网络用户生成一包括该网络用户使用的移动终端的IMEI的唯一身份标识,从而在以后该网络用户使用手机百度搜索并购买一商品或服务时能够获取该网络用户的消费反馈信息。
步骤S410,获取网络用户的消费反馈信息。
由于手机百度的发现模块中已经将商品或服务分为找美食、订酒店、看电影、查团购等若干个类别,因此该网络设备获取该网络用户在各个类别的购买及浏览次数作为该网络用户的消费反馈信息。
具体的,该网络用户登录手机百度后,在发现模块中点击“订酒店”的选项并填写入住时间、价格范围或特定酒店品牌后,获得满足条件的酒店列表。该网络用户选择春江花都酒店的118元标准间住宿服务后,通过网上银行支付了费用。然后该网络用户又在发现模块中点击“看电影”的选项,并选择了一部电影后直接购买了距离其最近的电影院的两张电影票。
由于传统的方法只是获取该网络用户购买的商品或服务的内容及价格,但该网络用户在购买一商品或服务的过程中,对不同品牌的筛选的细致程度会揭示该网络用户对该商品或服务所述类别的偏好程度。例如,如上所述的购买过程则表示该网络用户对住宿条件的要求较高,而对欣赏电影的环境则并没有叫高的要求。因此该网络设备将购买和浏览的次数都作为该网络用户的消费反馈信息进行获取。
步骤S420,提取该消费反馈信息中的商品或服务的原信息。
在获取该网络用户的消费反馈信息后,该网络设备提取该消费反馈信息中的商品或服务的原信息。对该原信息的提取可参考图7所示的内容,即:该服务所述的类别为“旅游”,该服务的标题为“春江花都118元住宿”,该服务的描述信息为“仅售118元,价值178元全日房入住,大床房/双人标准间2选1!24小时接待”,该服务的购买页面抓取自“百度糯米”且包括显示该服务的详细信息的URL地址。
该网络设备提取的原信息包括:类别和价格,其中的类别为旅游,价格为118元。
步骤S430,根据该消费反馈信息和原信息建立消费模型。
该网络用户在购买该住宿服务之前,点击查看了包括“春江花都118元住宿”在内的六家酒店的详细信息,因此该网络设备可首先将购买“春江花都118元住宿”的行为设定为权重值+1,而每点击查看一家酒店的详细信息则权重值+0.1,确定该用户在“旅游”类别的初始权重。
然后该网络设备根据“春江花都118元住宿”在“旅游”类别的价格区间及分布获取该网络用户的消费层次,获取该网络用户在购买“春江花都118元住宿”服务的时间,并结合该网络用户在手机百度的发现模块购买商品或服务的历时时间确定该网络用户的消费时间习惯。
最后,该网络设备按时间维度和用户维度训练出决策树模型,并将该决策树模型作为该网络用户的消费模型。
步骤S440,根据预定测试集对该消费模型进行优化。
在建立该消费模型后,通过测试集对给定的指标进行评估,根据评测结果对该消费模型参数进行不断优化,直到查出符合预期的结果。
在当前的网络用户随时随地可以在线购物的时代,如何节省用户的流量、时间,用最短最快的方法给网络用户推荐合适的商品或者服务的核心就是理解用户,而传统的用户消费分析模型RFM(最近一次消费、消费频率及消费金额)方法无法描述用户对某一类商品或服务的喜好程度,从而影响对用户消费能力的判断。采用本具体实施方式提出的获取网络用户的消费特征信息的方法,通过由于通过该网络用户的消费偏好、消费层次及消费时间***、消费时间***台提升了转化率和提高了盈利能力,最终形成一个良性的循环。本具体实施方式提出的技术方案对于分析用户的消费模型有巨大的价值,尤其是使用移动终端的网络用户。
图5示出根据本案发明一个实施例的获取网络用户的消费特征信息的装置(以下简称“特征信息获取装置”),该特征信息获取装置可以是计算机设备或是计算机设备中的一个装置。结合图5中所示,该特征信息获取装置包括:
用于获取网络用户的消费反馈信息的装置(以下简称“反馈信息获取单元”)500;
用于提取所述消费反馈信息中的商品或服务的原信息的装置(以下简称“原信息提取单元”)510;
用于根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息的装置(以下简称“特征信息获取单元”)520。
首先,网络用户使用的用户设备可以为移动终端,该网络用户通过该移动终端进行网购时,访问的是由一电商通过用户设备维护的平台,在该平台中存储有多种类型的商品或服务以供该网络用户选择,该电商使用的用户设备可以为网络设备,在该网络设备中设置有该特征信息获取装置。
例如,该特征信息获取装置维护的是销售食品的平台,该平台在网页中展示了促销商品、新品、商品分类等内容,该网络用户可通过移动终端在该平台浏览、搜索、收藏和/或购买商品。
当该网络用户使用一移动终端在该平台浏览、搜索、收藏和/或购买商品后,该特征信息获取装置的反馈信息获取单元500获取该网络用户的消费反馈信息。其中,获取消费反馈信息的过程包括但不限于根据该网络用户在该平台注册并登录后生成的用户日志获得。该用户日志中包括该网络用户的用户名、该网络用户在该平台点击浏览、搜索以及收藏的商品或服务等内容。
由于现有技术通常采用根据网络用户在一电商平台的成交记录来分析该网络用户的消费情况,但是网络用户在完成购买一商品或服务的过程中,通常需要点击浏览该商品或服务的详细信息和/或点击浏览与该商品或服务同类型的其它商品或服务,在确定该商品或服务较符合该网络用户的预期后,才最终完成交易。而在完交易的过程中,该网络用户在点击浏览其它商品或服务产生的数据流量通常是点击浏览该商品或服务的十倍以上。因此在反馈信息获取单元500获取该网络用户的消费反馈信息的过程中,将点击浏览该商品或服务的详细信息和/或点击浏览与该商品或服务同类型的其它商品或服务的内容也作为该网络用户的消费反馈信息进行收集,能够更准确的描述该网络用户的消费偏好。
采用反馈信息获取单元500获取的消费反馈信息中包括了点击浏览该商品或服务的详细信息以及点击浏览与该商品或服务同类型的其它商品或服务等内容,导致需要获取的数据量较大。对于大规模数据的批量处理,可通过hadoop(分布式***基础架构)在云环境并行计算完成,该特征信息获取装置能够在并行平台上借助集群优势较快速地完成对消费反馈信息的获取。
在本实施例中,以点击浏览、搜索、收藏一商品或服务的内容作为该网络用户的消费反馈信息进行收集,而仅为例举,本领域技术人员应理解对其它如购买、参与团购等内容作为消费反馈信息的方式也应落入本发明的保护范围,为简明起见,仅以引用方式包含于此,而不做赘述。
在本发明一可选实施例中,所述装置还包括:
-用于根据该网络用户使用的IMEI和/或该移动终端的***配置信息生成用户标识的装置(以下简称“标识生成单元”)。
使用移动终端的网络用户普遍具有两个特性:随时性和可标示性。随时性是指网络用户在任何有需要的时刻均可通过移动终端登录电商平台,因此为时间***台登录,也可通过该网络用户使用的移动终端的IMEI识别出该网络用户,并将该网络用户在本次在该电商平台产生的消费特征信息与之前或之后产生的消费特征信息合并处理。另外,即使对于在特殊情况下具有IMEI相同的移动终端,还可根据该移动终端的***配置信息生成用于标识该网络用户身份的唯一用户标识。例如,将IMEI与该移动终端的无线网卡的MAC地址和/或CPU的ID号进行HASH计算后获得的字符串作为该网络用户身份的唯一用户标识。通过该标识生成单元可获取未登录的匿名网络用户的消费特征信息,进一步提高了对网络用户的消费能力和消费意愿的描述准确性。
然后,在获取网络用户的消费反馈信息后,原信息提取单元510提取该消费反馈信息中的商品或服务的原信息。
现有的消费分析通常不考虑分级类目,而只考虑消费总额或者均值。但是每一个网络用户通常具有很强烈的偏好,如旅游偏好、电影偏好等,并且网络用户在其偏好的商品或服务中的消费金额要远大于其它的商品或服务。因此,本实施例在提取原信息时,将商品或服务分成若干个类别,再根据每个类别提取每种商品或服务的价格。
例如,将该网络用户在该电商网站购买的食品分为饮料、主食、零食、健康食品等类别。原信息提取单元510在确定该网络用户在每个类别购买了哪些商品后,再根据这些商品在相应类别中的价格区间,从而确定该网络用户在该电商平台的消费层次。
在本实施例中,以商品或服务的类别以及价格作为提取商品或服务的原信息的策略,而仅为例举,本领域技术人员应理解通过其它方式对商品或服务的原信息进行提取的策略,也应落入本发明的保护范围,为简明起见,仅以引用方式包含于此,而不做赘述。
在本发明一可选实施例中,用于提取所述消费反馈信息中的商品或服务的原信息的装置包括:
-用于根据类别每隔预定时间提取一次预定商品或服务的原信息的子装置。
由于电商平台每天都会有新的商品上线或下线,并且已有商品的价格也可能会发生变化,因此提取元信息的任务可以是每天例行或根据该电商网站维护商品的周期进行设置。对于大规模的商品元信息提取,也可以通过Hive(数据仓储工具)在云计算环境下完成。
最后,特征信息获取单元520根据消费反馈信息和原信息建立消费模型,并根据该消费模型获取该网络用户的消费特征信息。
在本发明一可选实施例中,特征信息获取单元520通过以下的子装置建立消费模型:
-用于根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重的子装置(以下简称“权重获取子单元”);
-用于根据该网络用户购买和/或搜索各类商品或服务的价格区间及分布获得该网络用户的价格簇,并根据各类商品或服务的权重确定该网络用户的消费层次的子装置(以下简称“层次获取子单元”);
-用于根据该网络用户购买和/或搜索各类商品或服务的时间习惯和所述消费层次生成决策树模型,并通过遍历所述决策树模型获取该网络用户的消费特征信息的子装置(以下简称“特征获取子单元”)。
权重获取子单元可通过该消费反馈信息获取该网络用户的消费偏好。例如,该消费特征信息中健康食品的浏览及购买的次数占所有消费次数的80%以上,而饮料和主食的购买次数占所有消费次数的其余部分,零食未发生消费。则可以确定该网络用户的消费偏好是对健康食品的兴趣远大于其它食品,对于饮料和主食的兴趣只是满足日常生活,而对零食等非日常必需且可能对健康造成损害的食品无兴趣。因此权重获取子单元可将该网络用户购买及浏览健康食品的历史频次进行加权获得的权值作为该网络用户在健康食品类别的初始权重,以及将该网络用户购买及浏览饮料和主食的历史频次加权获得的权值作为该网络用户在饮料和主食的类别的初始权重。
可选的,用于根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重的子装置包括:
用于当该网络用户购买和/或搜索预定商品或服务时,则增加该商品或服务的权重的子单元;和/或
用于当该网络用户经过预定时间未购买和/或未搜索预定商品或服务时,则基于时间衰减原则减少该商品或服务的权重的子单元。
在用于根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重的子装置获得该网络用户在健康食品类别的初始权重后,当该网络用户再次搜索和/或购买该健康食品时,可增加该健康食品的权值。当该网络用户在预定时间内(例如一周)未购买或搜索该健康食品,则基于时间衰减原则减少该健康食品的权重。例如,时间衰减原则主要根据距今天数逐级衰减,对应的权值计算公式为:
其中,x表示距今天数,f(x)为当天的频次,n通常可取值为30,也就是最近一个月的信息。该基于时间衰减原则保证了用户最近的消费物品有较高的权重,衰减趋势为前面下降较快,后续缓慢收敛,该变化较符合用户的消费行为习惯。
在获得该网络用户在健康食品、饮料及主食的初始权重后,层次获取子单元可通过该消费反馈信息及原信息生成该网络用户的消费层次。例如,该消费反馈信息中的健康食品在该原信息中的单价位于500-1000元的区间,饮料及主食的单价为50-100元的区间。若该网络用户的健康食品权重、饮料权重以及主食权重在这两个价格区间都大于预定值,则层次获取子单元可以确定该网络用户的消费层次为跨层次消费,即包括50-100和500-1000两个价格区间。
特征获取子单元可通过该消费反馈信息获得该网络用户的消费时间习惯,并根据该网络用户购买和/或搜索健康食品、饮料及主食所在的类别的历史记录按时间维度和用户维度训练出决策树模型,并通过遍历该决策树模型获得该网络用户的消费特征信息。例如,该消费反馈信息中在节假日发生的消费次数占所有消费次数的70%以上,由于工作日的数量与节假日相比占的比重较大但发生消费的次数却较少,则可以确定该网络用户的消费时间习惯为更愿意在节假日的休闲时间网购。
例如,结合图8所示,该决策树模型可主要通过该网络用户的个人特征(性别、年龄、地域)以及消费时间(周末、时段)来进行建模,训练数据为该网络用户的消费详细数据、用户的画像数据。建模后输出的是网络用户的消费规则,例如上海的女性消费客户主要在平时晚上19:00以及周末14:00-17:00进行购买。
在本发明一可选实施例中,结合图6所示,所述装置还包括:
-用于根据所述消费特征信息对所述消费模型进行优化,并根据优化后的消费模型获取该网络用户的优化消费特征信息的装置(以下简称“优化单元”)530。
其中,当特征信息获取单元520根据该网络用户的消费模型获得该网络用户的消费特征信息后,还可以通过优化单元530根据预定测试集对该消费模型进行优化。即该网络用户的网购行为在该消费模型建立以后还会继续发生且购买商品或服务的偏好、价格层次及时间偏好均会发生变化,导致该消费模型对该网络用户的消费特征信息的描述准确性会随时间的增加而下降。
例如,该预定测试集主要是根据用户的消费记录,例如网络用户A在今天19:31消费了商品I,花费18元。同时,该网络设备根据该网络用户A预测其消费类别偏好,判断商品I的类别是否在该网络用户A的消费类别偏好中。如果是,则进一步分析,该网络用户A是否在该类别偏好的消费档次,如果预测是低档,而18元的商品I也属于低档,则预测正确。最后,判断用户的消费时间是否符合预期。整个消费者模型是建立在用户的消费记录的基础上,所以当消费者的数据积累的不够时,预测结果会比较差。随着积累了更多的用户消费数据,模型能够不断完善,准确值也会逐步提高。
因此,在本实施例中,优化单元530将预定测试集通过决策树模型对该消费模型进行优化,从而根据优化后的消费模型获取优化消费特征信息。通过不断优化的消费模型,可以使该优化单元530能够随时间及消费次数的变化更准确的描述该网络用户的消费特征信息。
下面通过具体的实施例对本发明提出的获取网络用户的消费特征信息的装置进行详细说明。
实施例二
在本实施例中,该特征信息获取装置将网络用户交易和网络用户搜索的记录作为消费反馈信息进行获取。其中,针对该网络用户搜索的记录,该特征信息获取装置根据该记录从其平台上的团购商品和电子商品的商品信息中提取出当前时刻的详细信息并更新到商品词库中,并将该商品词库与该网络用户搜索的记录进行切词预处理后,确定该网络用户的消费反馈信息。然后该特征信息获取装置根据其平台上的商品类别和价格库确定该消费反馈信息中的商品或服务所属的类别和层次。最后,该特征信息获取装置根据该消费反馈信息获取该网络用户的消费特征信息,该消费特征信息中包括该网络用户的消费偏好、消费层次及消费时间习惯。
具体的,本实施例中的一网络用户可通过移动终端中的第三方应用“手机百度”中的“发现”模块作为入口,搜索并购买一酒店住宿服务及两张电影票,而该特征信息获取装置”则根据该网络用户的操作完成对该网络用户的消费特征信息的获取,该特征信息获取装置的工作过程可以包括:
首先,标识生成单元获取网络用户的身份标识。
具体的,由于该网络用户虽然在其使用的移动终端上安装了手机百度的应用程序,但并未通过用户名和密码登陆手机百度,因此该标识生成单元在该网络用户首次运行手机百度的应用程序时为该网络用户生成一包括该网络用户使用的移动终端的IMEI的唯一身份标识,从而在以后该网络用户使用手机百度搜索并购买一商品或服务时能够获取该网络用户的消费反馈信息。
其次,反馈信息获取单元500获取网络用户的消费反馈信息。
由于手机百度的发现模块中已经将商品或服务分为找美食、订酒店、看电影、查团购等若干个类别,因此反馈信息获取单元500获取该网络用户在各个类别的购买及浏览次数作为该网络用户的消费反馈信息。
具体的,该网络用户登录手机百度后,在发现模块中点击“订酒店”的选项并填写入住时间、价格范围或特定酒店品牌后,获得满足条件的酒店列表。该网络用户选择春江花都酒店的118元标准间住宿服务后,通过网上银行支付了费用。然后该网络用户又在发现模块中点击“看电影”的选项,并选择了一部电影后直接购买了距离其最近的电影院的两张电影票。
由于传统的技术方案只是获取该网络用户购买的商品或服务的内容及价格,但该网络用户在购买一商品或服务的过程中,对不同品牌的筛选的细致程度会揭示该网络用户对该商品或服务所述类别的偏好程度。例如,如上所述的购买过程则表示该网络用户对住宿条件的要求较高,而对欣赏电影的环境则并没有叫高的要求。因此反馈信息获取单元500将购买和浏览的次数都作为该网络用户的消费反馈信息进行获取。
然后,原信息提取单元510提取该消费反馈信息中的商品或服务的原信息。
在获取该网络用户的消费反馈信息后,原信息提取单元510提取该消费反馈信息中的商品或服务的原信息。对该原信息的提取的内容,即:该服务所述的类别为“旅游”,该服务的标题为“春江花都118元住宿”,该服务的描述信息为“仅售118元,价值178元全日房入住,大床房/双人标准间2选1!24小时接待”,该服务的购买页面抓取自“百度糯米”且包括显示该服务的详细信息的URL地址。
原信息提取单元510提取的原信息包括:类别和价格,其中的类别为旅游,价格为118元。
再后,特征信息获取单元520根据该消费反馈信息和原信息建立消费模型。
该网络用户在购买该住宿服务之前,点击查看了包括“春江花都118元住宿”在内的六家酒店的详细信息,因此特征信息获取单元520可首先将购买“春江花都118元住宿”的行为设定为权重值+1,而每点击查看一家酒店的详细信息则权重值+0.1,确定该用户在“旅游”类别的初始权重。
然后特征信息获取单元520根据“春江花都118元住宿”在“旅游”类别的价格区间及分布获取该网络用户的消费层次,获取该网络用户在购买“春江花都118元住宿”服务的时间,并结合该网络用户在手机百度的发现模块购买商品或服务的历时时间确定该网络用户的消费时间习惯。
特征信息获取单元520按时间维度和用户维度训练出决策树模型,并将该决策树模型作为该网络用户的消费模型。
最后,优化单元530根据预定测试集对该消费模型进行优化。
在建立该消费模型后,优化单元530可通过测试集对给定的指标进行评估,根据评测结果对该消费模型参数进行不断优化,直到查出符合预期的结果。
在当前的网络用户随时随地可以在线购物的时代,如何节省用户的流量、时间,用最短最快的技术方案给网络用户推荐合适的商品或者服务的核心就是理解用户,而传统的用户消费分析模型RFM方法无法描述用户对某一类商品或服务的喜好程度,从而影响对用户消费能力的判断。采用本具体实施方式提出的特征信息获取装置,通过由于通过该网络用户的消费偏好、消费层次及消费时间***、消费时间***台提升了转化率和提高了盈利能力,最终形成一个良性的循环。本具体实施方式提出的技术方案对于分析用户的消费模型有巨大的价值,尤其是使用移动终端的网络用户。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,本发明的各个装置可采用专用集成电路(ASIC)或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
虽然前面特别示出并且描述了示例性实施例,但是本领域技术人员将会理解的是,在不背离权利要求书的精神和范围的情况下,在其形式和细节方面可以有所变化。
Claims (12)
1.一种获取网络用户的消费特征信息的方法,其中,包括:
获取网络用户的消费反馈信息;
提取所述消费反馈信息中的商品或服务的原信息;
根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述消费特征信息对所述消费模型进行优化,并根据优化后的消费模型获取该网络用户的优化消费特征信息。
3.根据权利要求1或2所述的方法,其中,根据所述消费反馈信息和所述原信息建立消费模型包括:
根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重;
根据该网络用户购买和/或搜索各类商品或服务的价格区间及分布获得该网络用户的价格簇,并根据各类商品或服务的权重确定该网络用户的消费层次;
根据该网络用户购买和/或搜索各类商品或服务的时间习惯和所述消费层次生成决策树模型,并通过遍历所述决策树模型获取该网络用户的消费特征信息。
4.根据权利要求3所述的方法,其中,根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重包括:
当该网络用户购买和/或搜索预定商品或服务时,则增加该商品或服务的权重;和/或
当该网络用户经过预定时间未购买和/或未搜索预定商品或服务时,则基于时间衰减原则减少该商品或服务的权重。
5.根据权利要求1或2所述的方法,其中,在获取网络用户的消费反馈信息之前,所述方法还包括:
根据所述网络用户使用的移动终端的国际移动设备识别码IMEI和/或所述移动终端的***配置信息生成用户标识。
6.根据权利要求1或2所述的方法,其中,提取所述消费反馈信息中的商品或服务的原信息包括:
根据类别每隔预定时间提取一次预定商品或服务的原信息。
7.一种获取网络用户的消费特征信息的装置,其中,包括:
用于获取网络用户的消费反馈信息的装置;
用于提取所述消费反馈信息中的商品或服务的原信息的装置;
用于根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息的装置。
8.根据权利要求7所述的装置,其中,所述装置还包括:
用于根据所述消费特征信息对所述消费模型进行优化,并根据优化后的消费模型获取该网络用户的优化消费特征信息的装置。
9.根据权利要求7或8所述的装置,其中,用于根据所述消费反馈信息和所述原信息建立消费模型,并根据所述消费模型获取该网络用户的消费特征信息的装置包括:
用于根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重的子装置;
用于根据该网络用户购买和/或搜索各类商品或服务的价格区间及分布获得该网络用户的价格簇,并根据各类商品或服务的权重确定该网络用户的消费层次的子装置;
用于根据该网络用户购买和/或搜索各类商品或服务的时间习惯和所述消费层次生成决策树模型,并通过遍历所述决策树模型获取该网络用户的消费特征信息的子装置。
10.根据权利要求9所述的装置,其中,用于根据该网络用户购买和/或搜索各类商品或服务的历史频次加权获得每类商品或服务的权重的子装置包括:
用于当该网络用户购买和/或搜索预定商品或服务时,则增加该商品或服务的权重的子单元;和/或
用于当该网络用户经过预定时间未购买和/或未搜索预定商品或服务时,则基于时间衰减原则减少该商品或服务的权重的子单元。
11.根据权利要求7或8所述的装置,其中,所述装置还包括:
用于根据所述网络用户使用的移动终端的国际移动设备识别码IMEI和/或所述移动终端的***配置信息生成用户标识的装置。
12.根据权利要求7或8所述的装置,其中,用于提取所述消费反馈信息中的商品或服务的原信息的装置包括:
用于根据类别每隔预定时间提取一次预定商品或服务的原信息的子装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510155991.5A CN104835057A (zh) | 2015-04-02 | 2015-04-02 | 一种获取网络用户的消费特征信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510155991.5A CN104835057A (zh) | 2015-04-02 | 2015-04-02 | 一种获取网络用户的消费特征信息的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104835057A true CN104835057A (zh) | 2015-08-12 |
Family
ID=53812928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510155991.5A Pending CN104835057A (zh) | 2015-04-02 | 2015-04-02 | 一种获取网络用户的消费特征信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104835057A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488711A (zh) * | 2015-11-30 | 2016-04-13 | 北京北纬通信科技股份有限公司 | 基于多Agent的网络直销*** |
CN105554024A (zh) * | 2016-01-18 | 2016-05-04 | 成都陌云科技有限公司 | 一种互联网返利销售平台的数据收集与传输*** |
CN105654341A (zh) * | 2015-12-28 | 2016-06-08 | 中国民航信息网络股份有限公司 | 一种基于云服务的航空产品推荐***及方法 |
CN105678580A (zh) * | 2016-01-06 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 电子商务平台及发放优惠券的方法 |
CN105721435A (zh) * | 2016-01-18 | 2016-06-29 | 成都陌云科技有限公司 | 一种返利销售平台的数据传输方法 |
CN105931066A (zh) * | 2015-09-24 | 2016-09-07 | ***股份有限公司 | 一种交易数据处理方法及装置 |
CN106204122A (zh) * | 2016-07-05 | 2016-12-07 | 北京京东尚科信息技术有限公司 | 触点价值度量方法和装置 |
CN106447389A (zh) * | 2016-08-31 | 2017-02-22 | 广东华邦云计算股份有限公司 | 一种消费行为数据收集方法及*** |
CN107358269A (zh) * | 2017-07-12 | 2017-11-17 | 广州天源信息科技有限公司 | 一种面向精准营销的电信用户消费画像的构建方法 |
CN109102342A (zh) * | 2018-09-17 | 2018-12-28 | 广东成高成数据集成有限公司 | 基于区块链及人工智能的数据集成即应用***、服务方法 |
WO2019134544A1 (zh) * | 2018-01-02 | 2019-07-11 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
CN110363571A (zh) * | 2019-06-24 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 交易用户的提前感知方法和装置 |
CN110717710A (zh) * | 2019-09-24 | 2020-01-21 | 广东聚宝屋传媒有限公司 | 基于快递包裹的需求信息分析方法及装置 |
CN113849730A (zh) * | 2021-09-06 | 2021-12-28 | 北京妙医佳健康科技集团有限公司 | 一种健康管理服务中用户价值分层的方法和相应的画像装置 |
US11216832B2 (en) | 2019-06-24 | 2022-01-04 | Advanced New Technologies Co., Ltd. | Predicting future user transactions |
CN114240518A (zh) * | 2022-02-17 | 2022-03-25 | 檀沐信息科技(深圳)有限公司 | 一种基于大数据的用户管理分析方法及*** |
CN117196662A (zh) * | 2023-03-22 | 2023-12-08 | 山东浪潮爱购云链信息科技有限公司 | 一种基于电商平台的用户行为采集方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114830A1 (en) * | 2006-11-15 | 2008-05-15 | Palm, Inc. | Intelligent Migration Between Devices Having Different Hardware or Software Configuration |
US7730340B2 (en) * | 2007-02-16 | 2010-06-01 | Intel Corporation | Method and apparatus for dynamic voltage and frequency scaling |
CN103207914A (zh) * | 2013-04-16 | 2013-07-17 | 武汉理工大学 | 基于用户反馈评价的偏好向量生成方法和*** |
CN103412882A (zh) * | 2013-07-18 | 2013-11-27 | 百度在线网络技术(北京)有限公司 | 一种识别消费意图的方法及装置 |
CN104318344A (zh) * | 2014-09-29 | 2015-01-28 | 深圳市百科在线科技发展有限公司 | 基于消费特征的产品生产辅助决策方法及*** |
-
2015
- 2015-04-02 CN CN201510155991.5A patent/CN104835057A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114830A1 (en) * | 2006-11-15 | 2008-05-15 | Palm, Inc. | Intelligent Migration Between Devices Having Different Hardware or Software Configuration |
US7730340B2 (en) * | 2007-02-16 | 2010-06-01 | Intel Corporation | Method and apparatus for dynamic voltage and frequency scaling |
CN103207914A (zh) * | 2013-04-16 | 2013-07-17 | 武汉理工大学 | 基于用户反馈评价的偏好向量生成方法和*** |
CN103412882A (zh) * | 2013-07-18 | 2013-11-27 | 百度在线网络技术(北京)有限公司 | 一种识别消费意图的方法及装置 |
CN104318344A (zh) * | 2014-09-29 | 2015-01-28 | 深圳市百科在线科技发展有限公司 | 基于消费特征的产品生产辅助决策方法及*** |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931066A (zh) * | 2015-09-24 | 2016-09-07 | ***股份有限公司 | 一种交易数据处理方法及装置 |
CN105488711A (zh) * | 2015-11-30 | 2016-04-13 | 北京北纬通信科技股份有限公司 | 基于多Agent的网络直销*** |
CN105654341A (zh) * | 2015-12-28 | 2016-06-08 | 中国民航信息网络股份有限公司 | 一种基于云服务的航空产品推荐***及方法 |
CN105678580A (zh) * | 2016-01-06 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 电子商务平台及发放优惠券的方法 |
CN105554024B (zh) * | 2016-01-18 | 2019-04-16 | 成都陌云科技有限公司 | 一种互联网返利销售平台的数据收集与传输*** |
CN105554024A (zh) * | 2016-01-18 | 2016-05-04 | 成都陌云科技有限公司 | 一种互联网返利销售平台的数据收集与传输*** |
CN105721435A (zh) * | 2016-01-18 | 2016-06-29 | 成都陌云科技有限公司 | 一种返利销售平台的数据传输方法 |
CN106204122A (zh) * | 2016-07-05 | 2016-12-07 | 北京京东尚科信息技术有限公司 | 触点价值度量方法和装置 |
CN106204122B (zh) * | 2016-07-05 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 触点价值度量方法和装置 |
CN106447389A (zh) * | 2016-08-31 | 2017-02-22 | 广东华邦云计算股份有限公司 | 一种消费行为数据收集方法及*** |
CN107358269A (zh) * | 2017-07-12 | 2017-11-17 | 广州天源信息科技有限公司 | 一种面向精准营销的电信用户消费画像的构建方法 |
CN107358269B (zh) * | 2017-07-12 | 2020-10-02 | 广州天源信息科技股份有限公司 | 一种面向精准营销的电信用户消费画像的构建方法 |
WO2019134544A1 (zh) * | 2018-01-02 | 2019-07-11 | 阿里巴巴集团控股有限公司 | 营销信息的推送方法及装置 |
CN109102342A (zh) * | 2018-09-17 | 2018-12-28 | 广东成高成数据集成有限公司 | 基于区块链及人工智能的数据集成即应用***、服务方法 |
CN110363571A (zh) * | 2019-06-24 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 交易用户的提前感知方法和装置 |
US11216832B2 (en) | 2019-06-24 | 2022-01-04 | Advanced New Technologies Co., Ltd. | Predicting future user transactions |
CN110717710A (zh) * | 2019-09-24 | 2020-01-21 | 广东聚宝屋传媒有限公司 | 基于快递包裹的需求信息分析方法及装置 |
CN113849730A (zh) * | 2021-09-06 | 2021-12-28 | 北京妙医佳健康科技集团有限公司 | 一种健康管理服务中用户价值分层的方法和相应的画像装置 |
CN114240518A (zh) * | 2022-02-17 | 2022-03-25 | 檀沐信息科技(深圳)有限公司 | 一种基于大数据的用户管理分析方法及*** |
CN117196662A (zh) * | 2023-03-22 | 2023-12-08 | 山东浪潮爱购云链信息科技有限公司 | 一种基于电商平台的用户行为采集方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104835057A (zh) | 一种获取网络用户的消费特征信息的方法及装置 | |
CN102789462B (zh) | 一种项目推荐方法及*** | |
US20190018900A1 (en) | Method and Apparatus for Displaying Search Results | |
CN110569432B (zh) | 商品序列计算方法、装置、计算机设备及存储介质 | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN106997358A (zh) | 信息推荐方法及装置 | |
CN103793388A (zh) | 搜索结果的排序方法和装置 | |
US20130110915A1 (en) | Correlated information recommendation | |
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN105718184A (zh) | 一种数据处理方法和装置 | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、***、计算机可读介质以及装置 | |
CN104462336A (zh) | 信息推送方法和装置 | |
US20220122100A1 (en) | Product evaluation system and method of use | |
CN105976229A (zh) | 一种基于用户和项目混合的协同过滤算法 | |
CN103810184A (zh) | 确定网站页面地址流转率的方法、优化方法及其装置 | |
CN104820879A (zh) | 一种用户行为信息的分析方法和装置 | |
CN107193831A (zh) | 信息推荐方法及装置 | |
CN112528153B (zh) | 内容推荐方法、装置、设备、存储介质以及程序产品 | |
CN106557480A (zh) | 查询改写的实现方法及装置 | |
CN106844402B (zh) | 数据处理方法及装置 | |
CN103886486A (zh) | 一种基于支持向量机svm的电子商务推荐方法 | |
CN103064852A (zh) | 网站统计信息处理方法及*** | |
CN103843026B (zh) | 信息处理装置、信息处理方法 | |
CN108122153A (zh) | 电子商务环境下基于云计算处理模式的个性化推荐方法 | |
CN106919582A (zh) | 网络项目的关联及关联信息统计方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150812 |
|
RJ01 | Rejection of invention patent application after publication |