CN107230133B - 一种数据处理方法、设备和计算机存储介质 - Google Patents
一种数据处理方法、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN107230133B CN107230133B CN201710386011.1A CN201710386011A CN107230133B CN 107230133 B CN107230133 B CN 107230133B CN 201710386011 A CN201710386011 A CN 201710386011A CN 107230133 B CN107230133 B CN 107230133B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- success rate
- decision tree
- dimensions
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法、设备和计算机存储介质,其中,该数据处理方法包括:获取用户多个维度的数据;将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;根据确定的抢购成功率对所述用户的抢购过程进行控制。本发明解决了现有的抢购过程中购买成功率得不到控制,而导致有真实购买意愿的用户无法完成购买的问题,达到了为不同的用户匹配到不同的购买成功率,从而使得购买意愿更好的忠实用户可以有更高的抢购到商品的概率,以提高抢购商品的交易成功率。
Description
技术领域
本发明涉及电子商务领域,尤其涉及一种数据处理方法、设备和计算机存储介质。
背景技术
大型电商网站在新品发布初期或者是优质商品上架的时候,由于供需关系的不平衡,会导致某些商品被很多人抢购。目前,在电商网站中为了解决抢购的问题,一般是采用机会均等的方式,即,在用户下单时,抢购的成功率是均等的。例如:预计有十万用户在同一时间抢购一万台手机,那么可以设置抢购成功率为10%。在销售开始之时,每个人进入到用户下单购买的机会是均等。
然而上述这种方式并没有黄牛现象的发生,所谓黄牛就是利用在技术上的优势通过多台机器、多种IP地址结合抢购软件高并发对该产品下单进行请求。针对这种方式,商家一般采用的方式是在代理服务器上做各种判断以对黄牛进行屏蔽,例如:在某一个时间区间访问次数超过上限自动加入黑名单、判断地址多次出现不予下单等方式来进行屏蔽。然而,如果限制太严格又会导致对正常的用户误操作。因而还是不可避免地会有相当一部分黄牛进入到业务服务器。因为黄牛在刷单之后的付款率并没有实际有购买意向的用户的付款率要高。针对如何提高忠实用户的购买成功率,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提出一种数据处理方法、设备和计算机存储介质,旨在解决现有的抢购过程中购买成功率得不到控制,而导致有真实购买意愿的用户无法完成购买的问题。
为实现上述目的,本发明提供的一种数据处理方法,包括:
获取用户多个维度的数据;
将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;
根据确定的抢购成功率对所述用户的抢购过程进行控制。
可选的,在获取用户多个维度的数据之后,所述方法还包括:
根据所述用户的多个维度的数据确定所述用户属于预设的人群;
在确定属于所述预设的人群的情况下,为所述用户设置预定的抢购成功率。
可选的,所述多个维度包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛。
可选的,建立所述决策树包括:
获取历史抢购数据,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;
以所述历史抢购数据作为训练数据,训练得到所述决策树。
可选的,所述历史抢购数据是通过归一化处理后的数据。
可选的,以所述历史抢购数据作为训练数据,训练得到所述决策树,包括:
确定所述多个维度中各个维度之间的依赖关系;
根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述决策树。
可选的,以所述历史抢购数据作为训练数据,训练得到所述决策树的过程包括:
根据所述决策树中各个叶子节点的路径长度,设置各个子节点对应的抢购成功率。
本发明实施例还提供了一种数据处理设备,包括处理器、通信总线和存储器,其中:
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的数据处理程序,以实现以下步骤:
获取用户多个维度的数据;
将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;
根据确定的抢购成功率对所述用户的抢购过程进行控制。
可选的,在获取用户多个维度的数据之后,所述方法还包括:
根据所述用户的多个维度的数据确定所述用户属于预设的人群;
在确定属于所述预设的人群的情况下,为所述用户设置预定的抢购成功率。
可选的,所述多个维度包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛。
可选的,建立所述决策树包括:
获取历史抢购数据,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;
以所述历史抢购数据作为训练数据,训练得到所述决策树。
可选的,所述历史抢购数据是通过归一化处理后的数据。
可选的,以所述历史抢购数据作为训练数据,训练得到所述决策树,包括:
确定所述多个维度中各个维度之间的依赖关系;
根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述决策树。
可选的,以所述历史抢购数据作为训练数据,训练得到所述决策树的过程包括:
根据所述决策树中各个叶子节点的路径长度,设置各个子节点对应的抢购成功率。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现以下步骤:
获取用户多个维度的数据;
将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;
根据确定的抢购成功率对所述用户的抢购过程进行控制。
可选的,在获取用户多个维度的数据之后,所述方法还包括:
根据所述用户的多个维度的数据确定所述用户属于预设的人群;
在确定属于所述预设的人群的情况下,为所述用户设置预定的抢购成功率。
可选的,所述多个维度包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛。
可选的,建立所述决策树包括:
获取历史抢购数据,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;
以所述历史抢购数据作为训练数据,训练得到所述决策树。
可选的,所述历史抢购数据是通过归一化处理后的数据。
可选的,以所述历史抢购数据作为训练数据,训练得到所述决策树,包括:
确定所述多个维度中各个维度之间的依赖关系;
根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述决策树。
可选的,以所述历史抢购数据作为训练数据,训练得到所述决策树的过程包括:
根据所述决策树中各个叶子节点的路径长度,设置各个子节点对应的抢购成功率。
本发明提出的数据处理方法,通过设置决策树的方式,将用户多维度的数据输入该决策树,以生成针对各个用户的购买成功率,因为从用户多维度的数据来确定用户的真实购买意愿,以确定用户的购买成功率,从而解决了现有的抢购过程中购买成功率得不到控制,而导致有真实购买意愿的用户无法完成购买的问题,达到了为不同的用户匹配到不同的购买成功率,从而使得购买意愿更好的忠实用户可以有更高的抢购到商品的概率,以提高抢购商品的交易成功率。
附图说明
图1为实现本发明各个实施例一可选的移动终端的硬件结构示意图;
图2为如图1所示的移动终端的无线通信***示意图;
图3为本发明第一实施例的数据处理方法的方法流程图;
图4为本发明第一实施例的决策树的示意图;
图5为本发明第一实施例的分类示意图;
图6为本发明第一实施例的决策树的另一示意图;
图7为本发明第二实施例的数据处理方法的方法流程图;
图8为本发明第三实施例的引入测试数据和决策树算法得到预测模型的方法流程图;
图9为本发明第三实施例的数据处理方法的方法流程图;
图10为本发明第四实施例的数据处理设备的结构框图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant, PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1,其为实现本发明各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi 模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯***)、 GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或 WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042 可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风 1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101 发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除 (或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元 106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板 1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。
进一步的,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元 108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端 100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器 109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理***与处理器110逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络***进行描述。
请参阅图2,图2为本发明实施例提供的一种通信网络***架构图,该通信网络***为通用移动通信技术的LTE***,该LTE***包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
具体地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中,eNodeB2021 可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021 连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体) 2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033, SGW(Serving GateWay,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。其中,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035 可以提供UE 201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP 承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP 多媒体子***)或其它IP业务等。
虽然上述以LTE***为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于LTE***,也可以适用于其他无线通信***,例如GSM、 CDMA2000、WCDMA、TD-SCDMA以及未来新的网络***等,此处不做限定。
基于上述移动终端硬件结构以及通信网络***,提出本发明方法各个实施例。
本发明第一实施例提供了一种数据处理方法,如图3所示,可以包括:
步骤301:获取用户多个维度的数据;
考虑到在新品发货或优质商品购买的时候,通过设置所有用户抢购成功率是均等的方式,看似均等,但因为黄牛的存在这种均等是不均等的。为了避免这种问题,在本例中通过针对不同的用户群体设置不一样的抢购概率来提高忠实用户购买成功率。例如:用户群体可以有:金牌用户、银牌用户、铜牌用户和普通用户等等,可以认为这些用户的忠实度是从高到低的,为了提高金牌用户的购买成功率,可以设置购买到金牌用户购买到该商品的成功率为80%,银牌用户购买到该商品的成功率为70%,铜牌用户购买到该商品的成功率为60%,普通用户购买到该商品的成功率为10%,从而提高忠实用户的购买成功率及付款率,也可以使得商品可以有效被购买,从而降低商品库存。
按照用户等级仅是表明用户购买意愿的一个因素,但不是唯一的因素,还有一些其它维度的数据可以作为用户购买意愿的依据。即,判断用户是否有意愿购买该商品的时候,用户所属的级别可以作为一个依据,例如,金牌用户的购买意愿有可能比银牌用户高,但不意味着金牌用户就一定会购买新商品,仅证明该用户在本网站是一个优质用户。一个用户是否愿意购买一个新商品的影响因子有多种,例如:此次抢购中是否属于新用户(可以通过经验值来判断的用户是否为新用户,注册1个月可以当成新用户,注册1周也可以当成新用户),期间登陆次数超过几次,是否有访问产品页,访问次数,访问总时长,是否有访问相关联的网站如论坛,是否是黄牛账号,是否有关注公众号,是否有预约过,预约短信链接是否有点击过,个人信息的完善程度,论坛用户组级别,用户级别(金牌会员、银牌会员、铜牌会员等等),最近有没购买记录等等都可以作为购买意愿的依据,即,以这些因素作为用户多个维度的数据。
具体的,例如,有预约过并进行预约短信链接点击可能比近期登陆次数超过5次的用户的购买意愿要强,同样的当前访问本商品详情页的总时长有1小时就比访问该详情页10次的购买意愿要强,即,以这些维度的数据判断用户是否有意愿要购买。
步骤302:将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;
其中,决策树是一个预测模型,通过该决策树算法可以对影响因子建立一个树形结构,树中每个节点表示一个影响因子,而每个分叉路径则代表的该影响因子可能的属性值,而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的因子的值。
如图4所示,为决策树的一种示意图,图4是一棵结构简单的决策树,用于预测贷款用户是否具有偿还贷款的能力。贷款用户可以具有三个维度的数据:是否拥有房产,是否结婚,平均月收入。每一个内部节点都表示一个属性条件判断,叶子节点表示贷款用户是否具有偿还能力。例如:用户甲没有房产,没有结婚,月收入5K。通过决策树的根节点判断,用户甲符合右边分支(拥有房产为“否”);再判断是否结婚,用户甲符合左边分支(是否结婚为否);然后判断月收入是否大于4k,用户甲符合左边分支(月收入大于4K),该用户落在“可以偿还”的叶子节点上,因此,通过该决策树可以预测出用户甲具备偿还贷款能力,上述三个维度的数据的重要程度从高到低分别是:是否拥有房产、是否结婚、是否月收入超过4K。
决策树算法的目标就是把数据集按对应的类标签进行分类。最理想的情况是,通过特征的选择能把不同类别的数据集贴上对应类标签。特征选择的目标使得分类后的数据集比较纯。如何衡量一个数据集纯度,可以引入数据纯度函数。以信息增益作为一种数据纯度函数,信息熵表示的是不确定度。均匀分布时,不确定度最大,此时熵就最大。当选择某个特征对数据集进行分类时,分类后的数据集信息熵会比分类前的小,其差值表示为信息增益。信息增益可以衡量某个特征对分类结果的影响大小。
假设在样本数据集D中,混有c种类别的数据。构建决策树时,根据给定的样本数据集选择某个特征值作为树的节点。在数据集中,可以计算出该数据中的信息熵:
其中,k表示样本D被分为k个部分。
信息增益表示数据集D在特征A的作用后,其信息熵减少的值。
其中,信息熵差值可以表示为:Gain(A)=Info(D)-InfoA(D),对于决策树节点最合适的特征选择,就是Gain(A)值最大的特征。
以天气预报为例说明如下,如下表1所示为天气数据表,学习目标是决定是否出门。
表1天气预报数据集例子
由表1可以看出,一共14个样例,包括9个正例和5个负例,那么当前信息的熵为:
在决策树分类问题中,信息增益是决策树在进行属性选择划分前和划分后信息的差值。假设利用属性Outlook来分类,那么可以得到如图5所示的分类示意图,由图5可以看出,在划分后,数据被分为三部分,那么各个分支的信息熵计算如下:
那么划分后的信息熵为:
其中,Entropy(S/T)表示在特征属性T的条件下样本的条件熵,那么最终得到特征属性T带来的信息增益表示为: IG(T)=Entropy(S)/T)-Entropy(S/T)=0.24675。
通过对几个特征属性筛选最大信息增益作为当前最合适的特征选择。
通过上述例子可以导入在此之前的抢购商品的各个因子的数据以及相关是否购买的记录作为测试数据集。通过该测试数据集建立预测模型,输出为一颗树形结构,权重的高低是从树根延续到叶子节点,依据这种类型的树形结构导入本次抢购期间的统计数据,通过导入的数据判断用户是否有购买意向,如果判断有购买意向,且只需要一次判断,则可以假设该用户的权重为最高,而如果需要两次判断才能判断该用户有购买意向,则设定该用户的权重为高,依次类推,而如果通过用户的各维度的数据判断该用户并没有购买意向,则可以设置该用户的权重为低。基于此,可以建立得到如图6所示的决策树。
通过导入本次的用户数据,依据图6所示的决策树,假设当前用户A是金牌会员且预约短信有点击过,该用户从根节点到叶节点的路径为2,是当前该树最短的,则确定该用户购买商品的优先级是最高的,购买成功率是最大的;假设当前用户B没有点击过预约短信,且登陆次数超过5次,访问时长超过半小时,且有访问过论坛,路径长度为4,则该用户的优先级是一般的,购买成功率算是中等的,假设当前用户C没有点击过预约短信,且登陆次数少于5次,是新账号,且没有关注微信公众号,此用户的叶节点是没有购买,则确定该用户的购买意向极低,设置该用户的购买成功率是一般。
通过对当前用户进行数据路由,直至到叶节点,计算路径长度及叶节点值,设置相应的权重,以确定出各个用户的购买成功率,从而提升忠实用户的购买成功率。
步骤303:根据确定的抢购成功率对所述用户的抢购过程进行控制。
即,基于确定出的抢购成功率对抢购过程进行控制,例如,对于确定出的抢购成功率高的用户设置高的优先级,确定出的抢购成功率低的用户设置低的优先级,以便使得购买意愿高的用户可以具有更高的购买成功率。
本发明第二实施例提出了一种数据处理方法,如图7所示,可以包括:
步骤701:获取用户多个维度的数据;
其中,多个维度包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛,。
步骤702:根据所述用户的多个维度的数据确定所述用户属于预设的人群;
考虑到在实际进行购买成功率设定的时候,有时会有黄牛,为了避免黄牛的恶意刷单,综合考虑到黄牛的用户群体通常是以新用户、不常登陆商家网站、不经常浏览产品详情页等情况考虑,与一般的忠实用户常访问论坛、常登陆、常活跃状态的情况相比,这些表现形态是不同的。
因此,可以引入各个用户群体的不同活跃状态,不同的访问方式等各个维度的用户表现形态,结合机器学习的监督学习算法-决策树算法,对用户购买新品或优质商品的各个影响因子进行数学建模,构建预测模型,构建出以影响因子为中间节点,结果集为子节点的决策树,算出各个影响因子的权重。再结合导入当前购买用户群体的各个影响因子的相关数据值,从而计算出到相应结果集的路径值,从而得出各个用户群体的购买成功率数值,最终达到实现提高忠实用户购买优质商品或新品的成功率。
对于其中的黄牛用户,可以作为一个特定的人群,对于这种人群在识别出来之后,可以为这些人群设置一个预设的购买成功率,例如,为确定出的黄牛用户设置一个购买成功率,这个购买成功率可以设置的较低,例如,设置为0.1。
步骤703:在确定属于所述预设的人群的情况下,为所述用户设置预定的抢购成功率;
步骤704:将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率。
对于除了特定人群之外的用户,可以是将这些用户的多个维度的数据输入至决策树中,确定出这些用户的抢购成功率。其中,决策树可以是通过如下步骤建立的:
S1:获取历史抢购数据,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;
即,获取当前的电商平台的历史购买记录数据,可以对这些数据进行训练,从而得到一个决策树,这个决策树在输入一个数据后,会得到一个结果。
在本例中,向决策树中输入用户的多个维度的数据,即可得到该用户的购买成功率,以作为后续抢购的成功率设置标准。
S2:以所述历史抢购数据作为训练数据,训练得到所述决策树。
其中,可以对历史抢购数据进行归一化处理,例如,用户浏览商品页五次及以上,就设定为1,如果低于五次就设定为0,用户访问了产品页设置为1,用户未访问产品页设置为0等等,即,为每个维度的属性设置0和1的数据值,以作为决策树的输入数据。
因为不同维度的数据之间有时是存在依赖关系的,例如,是否访问产品页,访问产品页的次数/时间之间是具备依赖关系的。在进行判断和建立决策树的时候,是先判断是否访问产品页,再判断访问产品页的次数/时间。因此,可以确定多个维度中各个维度之间的依赖关系;根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述决策树。
在进行抢购成功率的决策树的建立的时候,可以根据达到叶子节点的路径的长短,设置抢购成功率,例如,路径越长,则成功率越低,路径越短,则成功率越高。
在上例中,为了解决现有的购买用户人群和优质商品供需不平衡的情况下,为了保证用户有均等机会获取到购买优质商品或者新品的时候,在购买页以及后台业务服务器采用均等几率的方式设置保证用户的均等购买机会,但在黄牛利用技术优势通过抢购软件多主机、多IP等方式进行高并发访问,会损害忠实用户的购买成功率而达成看似公平,实际是不公平的,且忠实用户的订单付款率是比黄牛的付款率要高的多的问题,本例通过设置决策树的方式,为不同的用户匹配到不同的购买成功率,从而使得购买意愿更好地忠实用户可以有更高的抢购到商品的概率。
本发明第三实施例提供了一种数据处理方法,以提高忠实用户购买成功率,该方法用于在电商领域抢购环节提高商品订单的付款率,同时降低黄牛使用技术优势的刷单成功率。
具体的,通过设置不同用户群体的购买成功率来提高相应忠实用户的购买成功率。通过引入历史用户购买记录数据及相应的各个影响用户购买意愿的因子的相关测试数据,通过决策树算法构建相应的决策树,建立预测模型,同时结合当前用户各个影响因子的相关数据,计算出到相应子节点的路径和子节点的结果集,通过读取路径值和结果,设置相应的成功率,最终实现提高忠实用户的购买成功率。
其中,通过引入测试数据和决策树算法得到预测模型可以如图8所示,包括如下步骤:
步骤1:引入用户数据各个影响因子,例如:登陆次数超过几次、是否有访问产品页,访问次数,访问总时长,是否有访问论坛,是否有关注公众号等影响用户购买意愿的因子;
步骤2:加载当前影响因子的相关数据,例如:各个用户的登陆次数或者访问时长;
步骤3:遍历当前影响因子的各个用户的数据值,并进行数据归一化处理,因为各个维度的取值是没有限定的,为了统一各个维度的数值范围,可以对各个维度的数值进行归一化处理;例如:用户登陆次数超过5次为1,少于5次为0,超过10次为2,访问时长超过半小时为1,少于半小时为0,超过1小时为2;
步骤4:录入数据,并检测当前影响因子相关数据是否读取完毕,如果读取完毕,则进入到下一个影响因子相关参数读取;
步骤5:如果当前影响因子是最后一个,且数据已读取完毕,则加载相关用户的购买数据,用1和0进行表示;
步骤6:使用决策树算法,可以采用ID3\C4.5\CART,且不仅限于当前所属算法类型,C4.5可以对树进行剪枝,合并相邻的无法产生大量信息增益的叶节点,以消除过度匹配的问题;
步骤7:通过决策树算法构建由各个影响因子组成的决策树预测模型,其中,根节点和中间节点由相应的影响因子组成,叶子节点表示相应影响因子最终的结果集,例如:用户已购买或用户没有购买的数据。
当通过历史测试数据导入相关影响因子的数值后,建立相应的决策树预测模型,可以结合本次准备进行新品或抢购商品销售的相关用户各个维度数据,从而得出各个用户到叶子节点的相应路径长度和相应结果值,从而计算相应的购买成功率。
具体的,可以如图9所示,包括:
步骤1:导入所有用户的各个维度的相关数据;
步骤2:循环遍历每个用户各个维度的数据,判断当前用户是否在黄牛名单中,如果在黄牛名单中,则设置为黄牛权限,并计算出相应的概率值;
步骤3:依据决策树预测模型,从根节点开始,读取根节点因子对应到用户相关的因子数据,进行判断走向相应的不同分支,走到下一个中间节点,在依据当前中间节点的因子值读取用户相关的因子数据,继续进行不同分支的走向,依次类推,直至走到叶子节点,并得到相应的结果集,其中,1表示已购买,0表示没有购买;
步骤4:判断当前的结果集(购买意愿),如果是没有购买意愿,则直接设置相应的概率值,为普通权限,如果有购买意愿,则计算从根节点到叶节点的路径长度;
步骤5:计算相应的概率值,概率值的取值可参考结果集(购买意愿)、是否黄牛和路径长度结合使用,购买意愿是已购买且路径长度最短的优先级最高,没有购买意愿的优先级一般,如果是黄牛的话则优先级最低,当然还可以结合决策树的信息增益计算相应因子的比重得出概率值,概率值的取值范围可依据上述多个因素,计算公式可以根据实际需要确定;
步骤6:设置相应用户对应的概率值并进行存储,存储方式可采用key-value 存储***或其他持久化缓存数据类型,以便后续在抢购期间读取当前用户对应的概率值使用,增加对高并发的容忍;
步骤7:判断是否所有用户都已计算完毕,如果计算完毕,则结束整个流程。
本发明第四实施例提供了一种数据处理设备,如图10所示,可以包括:处理器1001、通信总线1002和存储器1003,其中:
所述通信总线1002用于实现处理器1001和存储器1003之间的连接通信;
所述处理器1001用于执行存储器1003中存储的数据处理程序,以实现以下步骤:
S1:获取用户多个维度的数据;
S2:将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;
S3:根据确定的抢购成功率对所述用户的抢购过程进行控制。
其中,多个维度可以包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛。
考虑到在实际进行购买成功率设定的时候,有时会有黄牛,为了避免黄牛的恶意刷单,综合考虑到黄牛的用户群体通常是以新用户、不常登陆商家网站、不经常浏览产品详情页等情况考虑,与一般的忠实用户常访问论坛、常登陆、常活跃状态的情况相比,这些表现形态是不同的。
因此,可以引入各个用户群体的不同活跃状态,不同的访问方式等各个维度的用户表现形态,结合机器学习的监督学习算法-决策树算法,对用户购买新品或优质商品的各个影响因子进行数学建模,构建预测模型,构建出以影响因子为中间节点,结果集为子节点的决策树,算出各个影响因子的权重。再结合导入当前购买用户群体的各个影响因子的相关数据值,从而计算出到相应结果集的路径值,从而得出各个用户群体的购买成功率数值,最终达到实现提高忠实用户购买优质商品或新品的成功率。
对于其中的黄牛用户,可以作为一个特定的人群,对于这种人群在识别出来之后,可以为这些人群设置一个预设的购买成功率,例如,为确定出的黄牛用户设置一个购买成功率,这个购买成功率可以设置的较低,例如,设置为0.1。
对于除了特定人群之外的用户,可以是将这些用户的多个维度的数据输入至决策树中,确定出这些用户的抢购成功率。其中,决策树可以是通过如下步骤建立的:
S1:获取历史抢购数据,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;
即,获取当前的电商平台的历史购买记录数据,可以对这些数据进行训练,从而得到一个决策树,这个决策树在输入一个数据后,会得到一个结果。
在本例中,向决策树中输入用户的多个维度的数据,即可得到该用户的购买成功率,以作为后续抢购的成功率设置标准。
S2:以所述历史抢购数据作为训练数据,训练得到所述决策树。
其中,可以对历史抢购数据进行归一化处理,例如,用户浏览商品页五次及以上,就设定为1,如果低于五次就设定为0,用户访问了产品页设置为1,用户未访问产品页设置为0等等,即,为每个维度的属性设置0和1的数据值,以作为决策树的输入数据。
因为不同维度的数据之间有时是存在依赖关系的,例如,是否访问产品页,访问产品页的次数/时间之间是具备依赖关系的。在进行判断和建立决策树的时候,是先判断是否访问产品页,再判断访问产品页的次数/时间。因此,可以确定多个维度中各个维度之间的依赖关系;根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述决策树。
在进行抢购成功率的决策树的建立的时候,可以根据达到叶子节点的路径的长短,设置抢购成功率,例如,路径越长,则成功率越低,路径越短,则成功率越高。
本发明第五实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现以下步骤:
S1:获取用户多个维度的数据;
S2:将所述用户多个维度的数据输入预先建立的决策树中,得到所述用户的抢购成功率;
S3:根据确定的抢购成功率对所述用户的抢购过程进行控制。
其中,多个维度可以包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛,。
考虑到在实际进行购买成功率设定的时候,有时会有黄牛,为了避免黄牛的恶意刷单,综合考虑到黄牛的用户群体通常是以新用户、不常登陆商家网站、不经常浏览产品详情页等情况考虑,与一般的忠实用户常访问论坛、常登陆、常活跃状态的情况相比,这些表现形态是不同的。
因此,可以引入各个用户群体的不同活跃状态,不同的访问方式等各个维度的用户表现形态,结合机器学习的监督学习算法-决策树算法,对用户购买新品或优质商品的各个影响因子进行数学建模,构建预测模型,构建出以影响因子为中间节点,结果集为子节点的决策树,算出各个影响因子的权重。再结合导入当前购买用户群体的各个影响因子的相关数据值,从而计算出到相应结果集的路径值,从而得出各个用户群体的购买成功率数值,最终达到实现提高忠实用户购买优质商品或新品的成功率。
对于其中的黄牛用户,可以作为一个特定的人群,对于这种人群在识别出来之后,可以为这些人群设置一个预设的购买成功率,例如,为确定出的黄牛用户设置一个购买成功率,这个购买成功率可以设置的较低,例如,设置为0.1。
对于除了特定人群之外的用户,可以是将这些用户的多个维度的数据输入至决策树中,确定出这些用户的抢购成功率。其中,决策树可以是通过如下步骤建立的:
S1:获取历史抢购数据,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;
即,获取当前的电商平台的历史购买记录数据,可以对这些数据进行训练,从而得到一个决策树,这个决策树在输入一个数据后,会得到一个结果。
在本例中,向决策树中输入用户的多个维度的数据,即可得到该用户的购买成功率,以作为后续抢购的成功率设置标准。
S2:以所述历史抢购数据作为训练数据,训练得到所述决策树。
其中,可以对历史抢购数据进行归一化处理,例如,用户浏览商品页五次及以上,就设定为1,如果低于五次就设定为0,用户访问了产品页设置为1,用户未访问产品页设置为0等等,即,为每个维度的属性设置0和1的数据值,以作为决策树的输入数据。
因为不同维度的数据之间有时是存在依赖关系的,例如,是否访问产品页,访问产品页的次数/时间之间是具备依赖关系的。在进行判断和建立决策树的时候,是先判断是否访问产品页,再判断访问产品页的次数/时间。因此,可以确定多个维度中各个维度之间的依赖关系;根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述决策树。
在进行抢购成功率的决策树的建立的时候,可以根据达到叶子节点的路径的长短,设置抢购成功率,例如,路径越长,则成功率越低,路径越短,则成功率越高。
在上例中,为了解决现有的购买用户人群和优质商品供需不平衡的情况下,为了保证用户有均等机会获取到购买优质商品或者新品的时候,在购买页以及后台业务服务器采用均等几率的方式设置保证用户的均等购买机会,但在黄牛利用技术优势通过抢购软件多主机、多IP等方式进行高并发访问,会损害忠实用户的购买成功率而达成看似公平,实际是不公平的,且忠实用户的订单付款率是比黄牛的付款率要高的多的问题,本例通过设置决策树的方式,为不同的用户匹配到不同的购买成功率,从而使得购买意愿更好地忠实用户可以有更高的抢购到商品的概率。
本发明提出的数据处理方法,通过设置决策树的方式,将用户多维度的数据输入该决策树,以生成针对各个用户的购买成功率,因为从用户多维度的数据来确定用户的真实购买意愿,以确定用户的购买成功率,从而解决了现有的抢购过程中购买成功率得不到控制,而导致有真实购买意愿的用户无法完成购买的问题,达到了为不同的用户匹配到不同的购买成功率,从而使得购买意愿更好的忠实用户可以有更高的抢购到商品的概率,以提高抢购商品的交易成功率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种数据处理方法,其特征在于,包括:
获取用户多个维度的数据;
将所述用户多个维度的数据输入预先建立的分类决策树中,得到所述用户的抢购成功率;建立所述分类决策树包括:获取历史抢购数据,并以所述历史抢购数据作为训练数据,训练得到所述分类决策树,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;所述以所述历史抢购数据作为训练数据,训练得到所述分类决策树包括:根据所述分类决策树中各个叶子节点的路径长度,设置各个子节点对应的抢购成功率,路径越长,则成功率越低,路径越短,则成功率越高;
根据确定的抢购成功率对所述用户的抢购过程进行控制。
2.如权利要求1所述的数据处理方法,其特征在于,在获取用户多个维度的数据之后,所述方法还包括:
根据所述用户的多个维度的数据确定所述用户属于预设的人群;
在确定属于所述预设的人群的情况下,为所述用户设置预定的抢购成功率。
3.如权利要求1所述的数据处理方法,其特征在于,所述多个维度包括以下至少之一:登陆次数、是否访问了产品页、对产品页的访问次数、对产品页的访问总时长、是否访问了产品论坛。
4.如权利要求1所述的数据处理方法,其特征在于,所述历史抢购数据是通过归一化处理后的数据。
5.如权利要求1所述的数据处理方法,其特征在于,以所述历史抢购数据作为训练数据,训练得到所述分类决策树,包括:
确定所述多个维度中各个维度之间的依赖关系;
根据所述依赖关系,以所述历史抢购数据作为训练数据,训练得到所述分类决策树。
6.一种数据处理设备,其特征在于,包括处理器、通信总线和存储器,其中:
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的数据处理程序,以实现以下步骤:
获取用户多个维度的数据;
将所述用户多个维度的数据输入预先建立的分类决策树中,得到所述用户的抢购成功率;建立所述分类决策树包括:获取历史抢购数据,并以所述历史抢购数据作为训练数据,训练得到所述分类决策树,其中,所述历史抢购数据包括多个用户中各个用户多个维度的数据,以及各个用户是否购买的记录;所述以所述历史抢购数据作为训练数据,训练得到所述分类决策树包括:根据所述分类决策树中各个叶子节点的路径长度,设置各个子节点对应的抢购成功率,路径越长,则成功率越低,路径越短,则成功率越高;
根据确定的抢购成功率对所述用户的抢购过程进行控制。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至5中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710386011.1A CN107230133B (zh) | 2017-05-26 | 2017-05-26 | 一种数据处理方法、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710386011.1A CN107230133B (zh) | 2017-05-26 | 2017-05-26 | 一种数据处理方法、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107230133A CN107230133A (zh) | 2017-10-03 |
CN107230133B true CN107230133B (zh) | 2020-12-22 |
Family
ID=59933998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710386011.1A Active CN107230133B (zh) | 2017-05-26 | 2017-05-26 | 一种数据处理方法、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230133B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI645350B (zh) | 2017-11-24 | 2018-12-21 | 財團法人工業技術研究院 | 決策因素分析裝置與決策因素分析方法 |
CN108156025A (zh) * | 2017-12-13 | 2018-06-12 | 中国联合网络通信集团有限公司 | 一种用户离网预测的方法及装置 |
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
CN109978650B (zh) * | 2017-12-28 | 2024-05-24 | 北京京东尚科信息技术有限公司 | 构建决策树的方法及*** |
CN108960960A (zh) * | 2018-06-01 | 2018-12-07 | 中国平安人寿保险股份有限公司 | 一种处理高并发数据的方法及服务器 |
CN109767269B (zh) * | 2019-01-15 | 2022-02-22 | 网易(杭州)网络有限公司 | 一种游戏数据的处理方法和装置 |
CN110175880B (zh) * | 2019-04-02 | 2022-04-19 | 创新先进技术有限公司 | 商品购买方法、装置、设备及存储介质 |
CN112148756A (zh) * | 2020-09-24 | 2020-12-29 | 四川长虹电器股份有限公司 | 商品预约抢购优化方法 |
CN112580902B (zh) * | 2021-02-26 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 对象数据处理方法、装置、计算机设备和存储介质 |
CN113010747B (zh) * | 2021-03-25 | 2024-04-26 | 深圳赛安特技术服务有限公司 | 信息匹配方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066125A1 (en) * | 2010-09-13 | 2012-03-15 | Jianjie Ma | Computer-based collective intelligence recommendations for transaction review |
CN104462977A (zh) * | 2014-12-23 | 2015-03-25 | 北京京东尚科信息技术有限公司 | 数据处理方法和*** |
CN106447384A (zh) * | 2016-08-31 | 2017-02-22 | 五八同城信息技术有限公司 | 确定目标用户的方法及装置 |
CN106611283A (zh) * | 2016-06-16 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于决策树算法的制造业材料采购分析方法 |
-
2017
- 2017-05-26 CN CN201710386011.1A patent/CN107230133B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066125A1 (en) * | 2010-09-13 | 2012-03-15 | Jianjie Ma | Computer-based collective intelligence recommendations for transaction review |
CN104462977A (zh) * | 2014-12-23 | 2015-03-25 | 北京京东尚科信息技术有限公司 | 数据处理方法和*** |
CN106611283A (zh) * | 2016-06-16 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于决策树算法的制造业材料采购分析方法 |
CN106447384A (zh) * | 2016-08-31 | 2017-02-22 | 五八同城信息技术有限公司 | 确定目标用户的方法及装置 |
Non-Patent Citations (1)
Title |
---|
"电商交易风险管理研究--以J公司为例";肖勃飞;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20170315(第3期);正文第29-57页,图3.1,表4-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN107230133A (zh) | 2017-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230133B (zh) | 一种数据处理方法、设备和计算机存储介质 | |
CN109302338B (zh) | 智能风险提示方法、移动终端及计算机可读存储介质 | |
CN108121803B (zh) | 一种确定页面布局的方法和服务器 | |
WO2021120875A1 (zh) | 搜索方法、装置、终端设备及存储介质 | |
CN107730303B (zh) | 一种广告推送方法、设备及计算机可读存储介质 | |
CN107730260B (zh) | 一种实现二维码支付的方法、设备和终端 | |
CN110033294A (zh) | 一种业务分值的确定方法、业务分值确定装置及介质 | |
CN108848273B (zh) | 一种新消息处理方法、移动终端及存储介质 | |
CN108984590B (zh) | 一种页面数据展示方法、终端及计算机可读存储介质 | |
CN107577726B (zh) | 一种搜索方法、服务器及计算机可读存储介质 | |
CN115271931A (zh) | 一种***产品的推荐方法、装置、电子设备和介质 | |
CN107908675B (zh) | 一种数据展示方法、终端及计算机可读存储介质 | |
CN111090877B (zh) | 数据生成、获取方法及对应的装置、存储介质 | |
CN108763478A (zh) | 用户隐性特征计算方法、服务器及计算机可读存储介质 | |
WO2020142926A1 (zh) | 一种广告推送方法及相关设备 | |
CN114398113A (zh) | 界面显示方法、智能终端及存储介质 | |
CN108536869A (zh) | 一种搜索分词的方法、装置及计算机可读存储介质 | |
CN113485899A (zh) | 信息处理方法、终端设备及存储介质 | |
US10360600B1 (en) | Big tree method and system for verifying user reviews | |
WO2023173666A1 (zh) | 人脸支付方法、装置、电子设备、存储介质、程序和产品 | |
CN107133296B (zh) | 一种应用程序推荐方法、装置及计算机可读存储介质 | |
CN115330522A (zh) | 基于聚类的***审批方法、装置、电子设备和介质 | |
CN114119160A (zh) | 应用处理方法、移动终端及存储介质 | |
CN114840570A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112561590A (zh) | 积分管理方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |