CN105022729A - 一种用户偏好确定方法及装置 - Google Patents

Abstract

本发明公开了一种用户偏好确定方法，包括：确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法确定用户访问分类体系中各业务的流量偏好度；确定用户每天第一次访问的分类体系中的业务类型，并在预设时间段内统计用户每天第一次访问业务类型的第一总天数，采用H指数算法确定用户访问分类体系中各业务的浏览偏好度；确定预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法确定用户访问分类体系中各业务的业务类型偏好度。本发明还公开了一种用户偏好确定装置。

Description

一种用户偏好确定方法及装置

技术领域

本发明涉及业务支撑技术，尤其涉及一种用户偏好确定方法及装置。

背景技术

随着移动互联网的迅速发展，以及智能手机的迅速普及，当前客户的主体正从通信客户向互联网客户转变，客户需求已由单一的通信需求转变为个性化的互联网需求，为顺应市场的变化和客户需求的变化，需要在传统经分数据基础上，对业务类型及流量等进行深度分析，深入洞察用户需求，最终有效推动智能管道的建设，提升流量规模和收入。

发明内容

为解决现有存在的技术问题，本发明实施例提供了一种用户偏好确定方法及装置，能使运营商更精准的向用户推荐用户偏好的业务。

本发明实施例的技术方案是这样实现的：本发明实施例提供一种用户偏好确定方法，所述方法包括：

确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法将访问流量进行排序，确定用户访问分类体系中各业务的流量偏好度；

确定用户每天第一次访问的分类体系中的业务类型，并在所述预设时间段内统计所述用户每天第一次访问所述业务类型的第一总天数，采用H指数算法将第一总天数进行排序，确定用户访问分类体系中各业务的浏览偏好度；

确定所述预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法将第二总天数进行排序，确定用户访问分类体系中各业务的业务类型偏好度。

进一步地，所述方法还包括：

分别为所述次数偏好度、浏览偏好度以及业务类型偏好度设置权重，根据权重确定所述次数偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为次数偏好系数。

进一步地，所述方法还包括：

分别为所述流量偏好度、浏览偏好度以及业务类型偏好度设置权重，根据权重确定所述流量偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为流量偏好系数。

进一步地，所述方法还包括：

分别确定所述用户在N个连续的所述预设时间段内中各预设时间段内使用的流量；

确定流量分档标识，并分别确定所述用户在每个预设时间段内使用的流量所处的流量分档标识；

根据所述用户在每个预设时间段内使用的流量所处的流量分档标识确定所述用户的等级标识。

进一步地，所述方法还包括：

根据所述次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度及用户的等级标识为所述用户推荐所述用户偏好的业务。

本发明实施例还提供一种用户偏好确定装置，包括：

第一确定单元，用于确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法将访问流量进行排序，确定用户访问分类体系中各业务的流量偏好度；

第二确定单元，用于确定用户每天第一次访问的分类体系中的业务类型，并在所述预设时间段内统计所述用户每天第一次访问所述业务类型的第一总天数，采用H指数算法将第一总天数进行排序，确定用户访问分类体系中各业务的浏览偏好度；

第三确定单元，用于确定所述预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法将第二总天数进行排序，确定用户访问分类体系中各业务的业务类型偏好度。

进一步地，所述装置还包括：

设置单元，用于分别为所述次数偏好度、浏览偏好度以及业务类型偏好度设置权重；

计算单元，用于根据设置的所述次数偏好度、浏览偏好度以及业务类型偏好度的权重确定所述次数偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为次数偏好系数。

进一步地，所述设置单元，还用于为所述流量偏好度设置权重，以及重新为所述浏览偏好度及业务类型偏好度设置权重；对应地，

所述计算单元，还用于根据设置的所述流量偏好度、浏览偏好度以及业务类型偏好度的权重确定所述流量偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将确定的加权平均值作为流量偏好系数。

进一步地，所述装置还包括：

第四确定单元，用于分别确定所述用户在N个连续的所述预设时间段内中各预设时间段内使用的流量；

第五确定单元，用于确定流量分档标识，并分别确定所述用户在每个预设时间段内使用的流量所处的流量分档标识；

第六确定单元，用于根据所述用户在每个预设时间段内使用的流量所处的流量分档标识确定所述用户的等级标识。

进一步地，所述装置还包括：推荐单元，用于根据所述次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度及用户的等级标识为所述用户推荐所述用户偏好的业务。

本发明实施例所提供的用户偏好确定方法及装置，能通过细化的分类体系及H指数算法，确定出用户偏好的业务类型，为精准的向用户推荐业务奠定了基础，提升了营销推广的准确度；

另外，本发明实施例方法能够结合用户标签库，及时识别使用竞争产品的用户及所述用户使用的业务类型，并根据所述用户及所述用户使用的业务类型、以及运营商的营销活动等，触发运营商向所述用户推荐用户偏好的业务。

附图说明

图1为本发明实施例用户偏好确定方法的实现流程示意图；

图2为本发明实施例用户偏好确定装置的结构示意图一；

图3为本发明实施例用户偏好确定装置的结构示意图二；

图4为本发明实施例用户偏好确定装置的结构示意图三。

具体实施方式

为了能够更加详尽地了解本发明的特点与技术内容，下面结合附图对本发明的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。

图1为本发明实施例用户偏好确定方法的实现流程示意图，如图1所示，所述方法包括：

步骤101：确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法将访问流量进行排序，确定用户访问分类体系中各业务的流量偏好度；

这里，所述H指数算法为根据业务类型的使用次数的高低来确定的用户对所述业务类型的偏好度的方法；对应地，所述采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度，具体包括：

对应于分类体系中的每个业务类型而言，分别将用户访问分类体系中的业务类型的次数从大到小进行排序，并对所述次数从大到小进行标号，当且仅当前h个标号对应的用户访问分类体系中的业务类型的次数至少为h，同时，第h+1标号对应的用户访问分类体系中的业务类型的次数小于h+1时，所述用户访问分类体系中的业务类型的次数偏好度为h；

对应分类体系中的不同业务，均能够根据上述方法确定出用户访问每个业务的次数偏好度；其中，所述H指数越高，用户偏好度越高。

同理，所述流量偏好度、所述浏览偏好度及业务类型偏好度的确定方法与所述次数偏好度的确定方法相似，因此不再赘述。

步骤102：确定用户每天第一次访问的分类体系中的业务类型，并在所述预设时间段内统计所述用户每天第一次访问所述业务类型的第一总天数，采用H指数算法将第一总天数进行排序，确定用户访问分类体系中各业务的浏览偏好度；

步骤103：确定所述预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法将第二总天数进行排序，确定用户访问分类体系中各业务的业务类型偏好度。

这里，步骤102至步骤103的执行顺序可以调换。

进一步地，所述方法还包括：

分别为所述次数偏好度、浏览偏好度以及业务类型偏好度设置权重，根据权重确定所述次数偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为次数偏好系数。

进一步地，所述方法还包括：

分别为所述流量偏好度、浏览偏好度以及业务类型偏好度设置权重，根据权重确定所述流量偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为流量偏好系数。

这里，若用户的某类业务的次数偏好度、流量偏好度、浏览偏好度及业务类型偏好度中的任一值为空，则将空值替换为一固定值，随后计算次数偏好系数和流量偏好系数；

例如，若确定用户A的B业务类型的浏览偏好度为空，则将对应于所述用户A的B业务的浏览偏好度替换为1000，随后确定所述用户A的次数偏好系数：

即所述次数偏好系数 $\frac{C\×X_1+1000\×Y_1+D\×Z_1}{X_1+Y_1+z_1}$

其中，所述C为用户A的B业务类型的次数偏好度，所述D为用户A的B业务类型的业务类型偏好度；所述X1、Y1及Z1为对应于所述次数偏好度、浏览偏好度及业务类型偏好度的权重，且所述X1、Y1及Z1为经验值。

这里，若所述用户A的B业务类型对应的次数偏好系数越大，说明所述用户A越偏好所述B业务类型；若所述用户A的B业务类型对应的流量偏好系数越大，说明所述用户A在所述B业务类型上花费的流量越多，即越偏好所述B业务类型。

进一步地，所述方法还包括：

分别确定所述用户在N个连续的所述预设时间段内中各预设时间段内使用的流量；

确定流量分档标识，并分别确定所述用户在每个预设时间段内使用的流量所处的流量分档标识；

根据所述用户在每个预设时间段内使用的流量所处的流量分档标识确定所述用户的等级标识。

这里，所述N可以根据实际情况具体设置，通常为大于等于2的正整数；所述预设时间段可以根据实际需求任意设置，如设置为一个月，确定一个月内的用户的次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度、次数偏好系数及流量偏好系数，同时，根据连续N个月内的用户的使用的流量分档标识，确定用户的等级标识，如高消费群或低消费群，进而，根据用户的偏好及用户的等级标识为用户推荐用户偏好的业务类型，如此，能使运营商更精准的向用户推荐用户偏好的业务。

进一步地，所述方法还包括：

根据所述次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度及用户的等级标识为所述用户推荐所述用户偏好的业务。

这里，所述用于偏好确定方法中所涉及到的数据为分类体系中的全量数据，即用户访问业务类型的次数、访问流量、第一次访问业务类型的总天数以及连续访问业务类型的总天数均为分类体系中的全量数据。

这里，所述分类体系中类目的划分可以通过建立分类树，结合自有业务类型分类方法，以及参考互联网业务类型分类方法等，从不同角度对业务进行归类；同时，针对特定业务，可根据需要把业务中涉及到的内容进一步划分为各个详细的子类，比如将阅读进一步分为都市、科幻、经管及历史等子类；另外，分类体系中类目的划分也需兼顾不同协议，即同时考虑HTTP与非HTTP协议，便于灵活把各协议使用的业务尽可能细分，为精准的向各类用户推荐用户偏好的业务奠定基础。

这里，本发明实施例能够通过次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度、次数偏好系数、流量偏好系数及用户的等级标识确定出用户对某类业务的偏好，以及确定出用户使用频率较高的业务，如此，能够使运营商根据用户偏好较精准的向用户推荐用户偏好的业务。

另外，采用本发明实施例能够确定一时间段内、用户向竞争对手的产品迁移的情况，将用户向竞争对手的产品迁移的情况作为衡量运营商规划自身业务的一个因素，有利于运营商分析使用竞争产品的用户情况，以根据使用竞争产品的用户情况规划运营商的营销策略；同时，由于每个业务的竞争产品的挖掘需要定期更新，因此，将人工关注最新产品动态和本发明实施例动态确定的用户偏好进行结合，能丰富分析识别用户偏好业务模型库。

本发明实施例还提供了一种用户偏好确定装置，如图2所示，所示装置包括：

第一确定单元21，用于确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法将访问流量进行排序，确定用户访问分类体系中各业务的流量偏好度；

第二确定单元22，用于确定用户每天第一次访问的分类体系中的业务类型，并在所述预设时间段内统计所述用户每天第一次访问所述业务类型的第一总天数，采用H指数算法将第一总天数进行排序，确定用户访问分类体系中各业务的浏览偏好度；

第三确定单元23，用于确定所述预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法将第二总天数进行排序，确定用户访问分类体系中各业务的业务类型偏好度。

基于图2所示的装置，如图3所示，所述装置还包括：

设置单元24，用于分别为所述次数偏好度、浏览偏好度以及业务类型偏好度设置权重；

计算单元25，用于根据设置的所述次数偏好度、浏览偏好度以及业务类型偏好度的权重确定所述次数偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为次数偏好系数。

进一步地，所述设置单元24还用于为所述流量偏好度设置权重，以及重新为所述浏览偏好度及业务类型偏好度设置权重；对应地，

所述计算单元25，还用于根据设置的所述流量偏好度、浏览偏好度以及业务类型偏好度的权重确定所述流量偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将确定的加权平均值作为流量偏好系数。

基于图3所示的装置，如图4所示，所述装置还包括：第四确定单元26，用于分别确定所述用户在N个连续的所述预设时间段内中各预设时间段内使用的流量；

第五确定单元27，用于确定流量分档标识，并分别确定所述用户在每个预设时间段内使用的流量所处的流量分档标识；

第六确定单元28，用于根据所述用户在每个预设时间段内使用的流量所处的流量分档标识确定所述用户的等级标识。

推荐单元29，用于根据所述次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度及用户的等级标识为所述用户推荐所述用户偏好的业务。

所述第一确定单元、第二确定单元、第三确定单元、设置单元、计算单元、第四确定单元、第五确定单元、第六确定单元及推荐单元均可以运行于计算机上，可由位于计算机上的中央处理器（CPU）、或微处理器（MPU）、或数字信号处理器（DSP）、或可编程门阵列（FPGA）实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种用户偏好确定方法，其特征在于，所述方法包括：

确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法将访问流量进行排序，确定用户访问分类体系中各业务的流量偏好度；

确定用户每天第一次访问的分类体系中的业务类型，并在所述预设时间段内统计所述用户每天第一次访问所述业务类型的第一总天数，采用H指数算法将第一总天数进行排序，确定用户访问分类体系中各业务的浏览偏好度；

确定所述预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法将第二总天数进行排序，确定用户访问分类体系中各业务的业务类型偏好度。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

分别为所述次数偏好度、浏览偏好度以及业务类型偏好度设置权重，根据权重确定所述次数偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为次数偏好系数。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

分别为所述流量偏好度、浏览偏好度以及业务类型偏好度设置权重，根据权重确定所述流量偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为流量偏好系数。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

分别确定所述用户在N个连续的所述预设时间段内中各预设时间段内使用的流量；

确定流量分档标识，并分别确定所述用户在每个预设时间段内使用的流量所处的流量分档标识；

根据所述用户在每个预设时间段内使用的流量所处的流量分档标识确定所述用户的等级标识。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度及用户的等级标识为所述用户推荐所述用户偏好的业务。

6.一种用户偏好确定装置，其特征在于，所述装置包括：

第一确定单元，用于确定用户访问分类体系中各业务类型在预设时间段内的次数，采用H指数算法将所述次数进行排序，确定用户访问分类体系中各业务的次数偏好度；或者，确定用户访问分类体系中各业务在所述预设时间段内的访问流量，采用H指数算法将访问流量进行排序，确定用户访问分类体系中各业务的流量偏好度；

第二确定单元，用于确定用户每天第一次访问的分类体系中的业务类型，并在所述预设时间段内统计所述用户每天第一次访问所述业务类型的第一总天数，采用H指数算法将第一总天数进行排序，确定用户访问分类体系中各业务的浏览偏好度；

第三确定单元，用于确定所述预设时间内用户连续访问分类体系中的各业务类型的第二总天数，采用H指数算法将第二总天数进行排序，确定用户访问分类体系中各业务的业务类型偏好度。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

设置单元，用于分别为所述次数偏好度、浏览偏好度以及业务类型偏好度设置权重；

计算单元，用于根据设置的所述次数偏好度、浏览偏好度以及业务类型偏好度的权重确定所述次数偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将所确定的加权平均值作为次数偏好系数。

8.根据权利要求6所述的装置，其特征在于，所述设置单元，还用于为所述流量偏好度设置权重，以及重新为所述浏览偏好度及业务类型偏好度设置权重；对应地，

所述计算单元，还用于根据设置的所述流量偏好度、浏览偏好度以及业务类型偏好度的权重确定所述流量偏好度、浏览偏好度以及业务类型偏好度的加权平均值，将确定的加权平均值作为流量偏好系数。

9.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括：

第四确定单元，用于分别确定所述用户在N个连续的所述预设时间段内中各预设时间段内使用的流量；

第五确定单元，用于确定流量分档标识，并分别确定所述用户在每个预设时间段内使用的流量所处的流量分档标识；

第六确定单元，用于根据所述用户在每个预设时间段内使用的流量所处的流量分档标识确定所述用户的等级标识。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：推荐单元，用于根据所述次数偏好度、流量偏好度、浏览偏好度、业务类型偏好度及用户的等级标识为所述用户推荐所述用户偏好的业务。