CN107919990A - 一种累积访问时长的统计方法及装置 - Google Patents
一种累积访问时长的统计方法及装置 Download PDFInfo
- Publication number
- CN107919990A CN107919990A CN201711142367.7A CN201711142367A CN107919990A CN 107919990 A CN107919990 A CN 107919990A CN 201711142367 A CN201711142367 A CN 201711142367A CN 107919990 A CN107919990 A CN 107919990A
- Authority
- CN
- China
- Prior art keywords
- access
- duration
- user
- accumulation
- access time
- 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.)
- Withdrawn
Links
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明提供了一种累积访问时长的统计方法及装置,其方法包括:S100获取一用户访问目标网址的访问时刻信息;S200将所述访问时刻信息按照预设排列顺序进行排序;S300将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;S400统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。本发明更加简单快速的统计累积访问时长,提升统计效率。
Description
技术领域
本发明涉及数据处理领域,尤指一种累积访问时长的统计方法及装置。
背景技术
随着互联网的发展,电商网站不断冲击实体经济,在市场占比逐年攀升。
然而实体经济的一系列成熟的营销模式和消费者行为分析模型都已经不在实用于新兴的电商网站的经营。因此需要根据消费者在电商网站上的具体行为分析,从而找到有利于电商网站发展的营销模式。如何统计电商网站中的用户的累计访问时刻信息,从而为研究用户动态预测作数据依据,提高用户购买转化率,是急需解决的问题。
发明内容
本发明的目的是提供一种累积访问时长的统计方法及装置,实现更加简单快速的统计累积访问时长的目的。
本发明提供的技术方案如下:
本发明提供一种累积访问时长的统计方法,包括步骤:S100获取一用户访问目标网址的访问时刻信息;S200将所述访问时刻信息按照预设排列顺序进行排序;S300将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;S400统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
进一步的,所述步骤S100包括步骤:S110获取所有网络访问信息;S120从所有网络访问信息中筛选出所述目标网址对应的所述一用户的网络访问信息得到访问数据;S130解析所述访问数据,得到所述用户的访问时刻信息。
进一步的,所述步骤S300包括步骤:S310选取目标时刻;S320判断所述目标时刻与相邻时刻的时间差是否在所述预设时长内;所述相邻时刻为排序后与所述目标时刻相邻的访问时刻;若是,执行步骤S330;;S330将所述目标时刻与所述相邻时刻归类于同一访问时间集。
进一步的,所述步骤S400之后包括步骤:S500判断所有访问所述目标网址的用户是否统计得到各自的累积访问时长;若是,执行步骤S600;否则,返回步骤S100;S600统计所有用户的累积访问时长,得到所述目标网址的用户访问总时长。
进一步的,所述步骤S400根据下列公式(1)运算得到一访问时间集的访问时长:
T(i)=Tlater(i)-Tolderest(i) (1)
其中,i为访问时间集的序号,T(i)为第i个访问时间集的访问时长,Tlater(i)为第i个访问时间集的最晚访问时刻信息,Tolderest(i)为第i个访问时间集的最早访问时刻信息。
进一步的,所述步骤S400根据下列公式(2)运算得到所述累积访问时长:
其中,N为访问时间集的总数量,Tsum为累积访问时长。
本发明还提供一种累积访问时长的统计装置,包括:获取模块,获取一用户访问目标网址的访问时刻信息;排序模块,将所述访问时刻信息按照预设排列顺序进行排序;分类模块,将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;处理模块,统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
进一步的,所述获取模块包括:获取单元,获取所有网络访问信息;筛选单元,从所有网络访问信息中筛选出所述目标网址对应的所述一用户的网络访问信息得到访问数据;解析单元,解析所述访问数据,得到所述用户的访问时刻信息。
进一步的,所述分类模块包括:选取单元,选取目标时刻;判断单元,判断所述目标时刻与相邻时刻的时间差是否在所述预设时长内;所述相邻时刻为排序后与所述目标时刻相邻的访问时刻;归类单元,当所述判断单元判断所述目标时刻与所述相邻时刻的时间差在所述预设时长内时,将所述目标时刻与所述相邻时刻归类于同一访问时间集。
进一步的,还包括:判断模块,判断所有访问所述目标网址的用户是否统计得到各自的累积访问时长;所述获取模块,重新获取另一用户访问目标网址的访问时刻信息,所述排序模块、分类模块和处理模块重新将所述访问时刻信息进行排序、分类以及统计得到另一用户的累积访问时长;统计模块,统计所有用户的累积访问时长,得到所述目标网址的用户访问总时长。
进一步的,所述处理模块根据下列公式(1)运算得到一访问时间集的访问时长:
T(i)=Tlater(i)-Tolderest(i) (1)
其中,i为访问时间集的序号,T(i)为第i个访问时间集的访问时长,Tlater(i)为第i个访问时间集的最晚访问时刻信息,Tolderest(i)为第i个访问时间集的最早访问时刻信息。
进一步的,所述处理模块根据下列公式(2)运算得到所述累积访问时长:
其中,N为访问时间集的总数量,Tsum为累积访问时长。
通过本发明提供的一种累积访问时长的统计方法及装置,能够带来以下至少一种有益效果:
1)本发明计算电商网站中用户累计访问时刻信息,算法简单快速,提升累积访问时长的统计效率。
2)本发明协助电商收集用户行为信息,提高企业电商网站对市场需求的把控力度。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种累积访问时长的统计方法及装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种累积访问时长的统计方法的一个实施例的流程图;
图2是本发明一种累积访问时长的统计方法的另一个实施例的流程图;
图3是本发明一种累积访问时长的统计方法的另一个实施例的效果图;
图4是本发明一种累积访问时长的统计装置的一个实施例的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
本发明一种累积访问时长的统计方法的一个实施例,如图1所示,包括:
S100获取一用户访问目标网址的访问时刻信息;
S200将所述访问时刻信息按照预设排列顺序进行排序;
S300将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;
S400统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
具体的,本实施例中,对用户访问目标网址的访问数据按照访问时刻信息进行分类得到若干个访问时间集,将各个访问时间集对应的时间进行处理得到用户访问目标网址的累积访问时长。示例性的,对于天猫上某一电商A1,其网址为A2,从浏览器以及客户端等等地方采集获取用户访问网址A2的访问数据A3,所有的访问数据A3均包括用户的访问时刻信息,根据访问时刻信息,将所有的访问数据按照预设排列顺序进行排列,预设排列顺序包括从前往后的时间顺序,或者从后往前的时间顺序,将用户的所有的访问数据排序后得到排序后的访问数据,排序后的相邻时刻的时间差在预设时长内的访问数据分别归类到不同的访问时间集,如果某一访问时刻信息与相邻的访问时刻的时间差不在预设时长内,这个访问时刻信息对应的访问数据不归类到任何一个访问时间集内,从而得到若干个访问时间集A41,A42,……,A4n,根据一个访问时间集A41中每一个访问数据A3的访问时刻信息,计算得到访问时间集A41的访问时长A51,反复重复上述步骤,得到访问时间集A42的访问时长A52,……,直至得到访问时间集A4n的访问时长A5n,然后将A51,A52,……,A5n的时间累加得到累积访问时长。本发明计算电商网站中用户累计访问时刻信息,算法简单快速,提升累积访问时长的统计效率。
本发明一种累积访问时长的统计方法的另一个实施例,本实施例是上述实施例的优选实施例,如图2所示,包括:
S110获取所有网络访问信息;
S120从所有网络访问信息中筛选出所述目标网址对应的所述一用户的网络访问信息得到访问数据;
S130解析所述访问数据,得到所述用户的访问时刻信息。
具体的,本实施例中需要在繁杂的大量的网络访问数据中进行筛选,具体筛选根据用户设置的筛选条件进行筛选得到目标网址中所有用户的网络访问信息。例如,通过数据整理工具从繁杂的大量的网络访问数据中整理分析,将符合用户预先设置的筛选条件的网络访问信息筛选出来,这样能够便于后期进行数据处理分析,提升条件累积访问时长的统计效率。由于预先进行筛选,能够避免盲目的用户行为分析,减少时间的浪费。
S200将所述访问时刻信息按照预设排列顺序进行排序;
S310选取目标时刻;
S320判断所述目标时刻与相邻时刻的时间差是否在所述预设时长内;所述相邻时刻为排序后与所述目标时刻相邻的访问时刻;若是,执行步骤S330;
S330将所述目标时刻与所述相邻时刻归类于同一访问时间集;
S400统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
具体的,本实施例中的预设排列顺序可以包括时间从前往后的顺序,或者时间从后往前的顺序。示例性的,以时间从前往后的顺序将用户的所有的访问数据进行排序为例,假设预设时长为30分钟,采集的访问数据为:B1,B2,B3,B4,B5,B6,B7,B8。将各个访问数据按照其对应的访问时刻信息进行从前往后的排序,得到:
B4-2017年10月1日12:00,用户打开目标网址,特征值为0;
B7-2017年10月1日12:05,用户登录目标网址,收藏目标网址中一商品,特征值为2;
B1-2017年10月1日12:30,用户登录目标网址,特征值为1;
B5-2017年10月1日12:35,用户登录目标网址,收藏并购买目标网址中一商品,特征值为3;
B6-2017年10月1日12:40,用户付款,特征值为4;
B3-2017年10月1日12:42,用户付款成功,特征值为5;
B8-2017年10月1日15:37,用户打开目标网址,特征值为0;
B2-2017年10月1日15:50,用户登录目标网址,特征值为1。
由于,预设时长为30分钟,而明显可以看出B4,B7,B1,B5、B6、B3相互之间的时间差均在预设时长30分钟内,因此可以得到B4,B7,B1,B5、B6、B3分类为一个访问时间集C1,由于B8与B3之间的时间差超过预设时长30分钟,但是B8与B2之间的时间差在预设时长30分钟内,因此将B8和B2分类为一个访问时间集C2。
所述步骤S400根据下列公式(1)得到一访问时间集的访问时长:
T(i)=Tlater(i)-Tolderest(i) (1)
其中,i为访问时间集的序号,T(i)为第i个访问时间集的访问时长,Tlater(i)为第i个访问时间集的最晚访问时刻信息,Tolderest(i)为第i个访问时间集的最早访问时刻信息。
所述步骤S400根据下列公式(2)得到所述累积访问时长:
其中,N为访问时间集的总数量,Tsum为累积访问时长。
将所有的用户行为进行分类得到上述两个访问时间集后,访问时间集C1的访问时间TC1=TB3-TB4=12:42-12:00=42min,访问时间集C2的访问时间TC2=TB2-TB8=15:50-15:37=13min,那么就能够得到Tsum=TC1+TC2==55min。
本发明将所有的访问数据按照访问时刻信息以及预设排列顺序进行排列,然后将各个访问数据进行分类得到访问时间集,可以将这些访问行为进行特征值标号,这样能够根据特征值能够分析出用户是只打开目标网址,如果访问数据的特征值为3,说明这个访问数据对应的用户是***,如果特征值为4或5,说明这个访问数据对应的用户是活跃用户。观察活跃用户的变化趋势来验证活动是否带动了有价值用户的积累和增长。所以用户流失分析对于分析网站的用户策略至关重要,让我们充分了解用户的持续发展,做出有效的判断。根据用户的基本信息和行为特征可以将用户分为许多类别,衍生出各种各样的用户指标,对于用户总体的统计可以让我们明确用户的整体变化情况,进而掌握网站用户的全面情况。根据电商网站中用户的累计访问时刻信息与用户购买率的关系分析中,提出了利用聚类算法,来计算电商网站中用户累计访问时刻信息,从而为研究在电商网站上用户动态决策预测研究提供数据依据,对于提高电商网站的用户购买转化率具有重要的评测作用和意义。
本发明计算电商网站中用户累计访问时刻信息,算法简单快速,提升累积访问时长的统计效率。本发明能够在大数据流环境下分析实时用户行为并且调节出用户在目标网址的访问时长,协助电商收集用户行为信息,有力于电商实时掌握用户喜好,及时转变企业电商战略,大幅度提高企业电商网站对市场需求的把控力度,最大程度的吸引客户消费。基于用户访问目标网址的访问数据,分析累积访问时长,从数据分析中得到用户偏好,及时的进行销售策略的更换,提升消费者以及电商的使用体验。
步骤一、分析和整理电商网站中用户访问行为的URL中的标签。
步骤二、获取一个用户在的全部网络行为日志记录。
步骤三、根据整理的用户访问电商网站的URL标签,对用户全部行为日志记录进行筛选,将非用户访问电商网站的行为日志记录全部剔除。
步骤四、分别对每个用户的电商网站上的访问行为日志记录,按照日志中的时间戳(即本发明访问时刻信息)在时间轴排开,如图3所示。
步骤五、设置预设时长T=26分钟,并根据该阈值采用聚类的方法,即相邻的两个时间点相差不足26分钟的归类到一个用户行为集,从而将用户的访问行为日志时间戳分了一个个访问时间集。
步骤六、分别对每个访问时间集计算最早访问时刻信息Tolderest和最晚访问时刻信息Tlater之间的用户行为集的访问累积时间,第i个用户行为集的累积访问时刻信息根据上述公式(1)进行计算。
步骤七、若通过聚类的方法,即上述公式(2)计算有N个用户访问时间集,则得到步骤二中的用户在电商网站上的累积访问时长。
具体的,本实施例中,首先将用户在电商网站中的不同性质打点行为记录(即本发明中访问数据)进行筛选,然后根据时间先后顺序进行统计,如图1所示,接着根据预设时长进行分类,若相互之间时间差小于这个预设时长,则为同一个访问时间集,否则分属于两个访问时间集,从而实现用户行为聚类,然后对每一个用户行为聚类群计算其最大行为时间差,并进行所有最大行为时间差的累加,即为用户电商网站累积访问时刻信息。本发明根据电商网站中用户的累计访问时刻信息与用户购买率的关系分析中,提出了利用聚类算法,来计算电商网站中用户累计访问时刻信息,从而为研究在电商网站上用户动态决策预测研究提供数据依据,对于提高电商网站的用户购买转化率具有重要的评测作用和意义。
优选的,所述步骤S400之后包括步骤:
S500判断所有访问所述目标网址的用户是否统计得到各自的累积访问时长;若是,执行步骤S600;否则,返回步骤S100;
S600统计所有用户的累积访问时长,得到所述目标网址的用户访问总时长。
具体的,上述所有实施例中,统计的是任意一个访问目标网址的访问用户的累积访问时长,而为了得到目标网址的所有访问用户的用户访问总时长,需要进行步骤S500,即判断访问目标网址的所有用户是否完成各自的累积访问时长,如果完成,那么就统计所有访问目标网址的每个用户的累积访问时长,得到目标网址的用户访问总时长。如果没有完成,将一个访问用户完成S100-S400的步骤后,再重复步骤S100-S400,直至访问目标网址的所有用户完成统计各自的累积访问时长为止。本发明对于提高电商网站的用户购买转化率具有重要的评测作用和意义。
本发明一种累积访问时长的统计装置的一个实施例,如图4所示,包括:
获取模块110,获取一用户访问目标网址的访问时刻信息;
排序模块120,将所述访问时刻信息按照预设排列顺序进行排序;
分类模块130,将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;
处理模块140,统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
具体的,本实施例中,对用户访问目标网址的访问数据按照访问时刻信息进行分类得到若干个访问时间集,将各个访问时间集对应的时间进行处理得到用户访问目标网址的累积访问时长。本发明计算电商网站中用户累计访问时刻信息,算法简单快速,提升累积访问时长的统计效率。
优选的,所述获取模块110包括:
获取单元,获取所有网络访问信息;
筛选单元,从所有网络访问信息中筛选出所述目标网址对应的所述一用户的网络访问信息得到访问数据;
解析单元,解析所述访问数据,得到所述用户的访问时刻信息。
所述分类模块130包括:
选取单元,选取目标时刻;
判断单元,判断所述目标时刻与相邻时刻的时间差是否在所述预设时长内;所述相邻时刻为排序后与所述目标时刻相邻的访问时刻;
归类单元,当所述判断单元判断所述目标时刻与所述相邻时刻的时间差在所述预设时长内时,将所述目标时刻与所述相邻时刻归类于同一访问时间集。
优选的,还包括:
判断模块,判断所有访问所述目标网址的用户是否统计得到各自的累积访问时长;
所述获取模块,重新获取另一用户访问目标网址的访问时刻信息,所述排序模块、分类模块和处理模块重新将所述访问时刻信息进行排序、分类以及统计得到另一用户的累积访问时长;
统计模块,统计所有用户的累积访问时长,得到所述目标网址的用户访问总时长。
所述处理模块140根据下列公式(1)运算得到一访问时间集的访问时长:
T(i)=Tlater(i)-Tolderest(i) (1)
其中,i为访问时间集的序号,T(i)为第i个访问时间集的访问时长,Tlater(i)为第i个访问时间集的最晚访问时刻信息,Tolderest(i)为第i个访问时间集的最早访问时刻信息。
所述处理模块140根据下列公式(2)运算得到所述累积访问时长:
其中,N为访问时间集的总数量,Tsum为累积访问时长。
具体的,上述所有实施例中,统计的是任意一个访问目标网址的访问用户的累积访问时长,而为了得到目标网址的所有用户的用户访问总时长,需要判断访问目标网址的所有用户是否完成各自的累积访问时长,如果完成,那么就统计所有访问目标网址的每个用户的累积访问时长,得到目标网址的用户访问总时长。如果没有完成,那么将一个访问用户完成统计得到用户的累积访问时长的步骤后,由获取模块、排序模块、分类模块和处理模块分别重新获取另外一个访问目标网址的用户的访问时刻信息,重新进行排序、分类以及统计得到另外一个访问目标网址的用户的累积访问时长,直至访问目标网址的所有用户完成统计各自的累积访问时长为止。本发明对于提高电商网站的用户购买转化率具有重要的评测作用和意义。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种累积访问时长的统计方法,其特征在于,包括步骤:
S100获取一用户访问目标网址的访问时刻信息;
S200将所述访问时刻信息按照预设排列顺序进行排序;
S300将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;
S400统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
2.根据权利要求1所述的累积访问时长的统计方法,其特征在于,所述步骤S100包括步骤:
S110获取所有网络访问信息;
S120从所有网络访问信息中筛选出所述目标网址对应的所述一用户的网络访问信息得到访问数据;
S130解析所述访问数据,得到所述用户的访问时刻信息。
3.根据权利要求1所述的累积访问时长的统计方法,其特征在于,所述步骤S300包括步骤:
S310选取目标时刻;
S320判断所述目标时刻与相邻时刻的时间差是否在所述预设时长内;所述相邻时刻为排序后与所述目标时刻相邻的访问时刻;若是,执行步骤S330;
S330将所述目标时刻与所述相邻时刻归类于同一访问时间集。
4.根据权利要求1-3一项所述的累积访问时长的统计方法,其特征在于,所述步骤S400之后包括步骤:
S500判断所有访问所述目标网址的用户是否统计得到各自的累积访问时长;若是,执行步骤S600;否则,返回步骤S100;
S600统计所有用户的累积访问时长,得到所述目标网址的用户访问总时长。
5.根据权利要求1所述的累积访问时长的统计方法,其特征在于,所述步骤S400根据下列公式(1)得到一访问时间集的访问时长:
T(i)=Tlater(i)-Tolderest(i) (1)
其中,i为访问时间集的序号,T(i)为第i个访问时间集的访问时长,Tlater(i)为第i个访问时间集的最晚访问时刻信息,Tolderest(i)为第i个访问时间集的最早访问时刻信息。
6.根据权利要求1所述的累积访问时长的统计方法,其特征在于,所述步骤S400根据下列公式(2)得到所述累积访问时长:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,N为访问时间集的总数量,Tsum为累积访问时长。
7.一种累积访问时长的统计装置,其特征在于,包括:
获取模块,获取一用户访问目标网址的访问时刻信息;
排序模块,将所述访问时刻信息按照预设排列顺序进行排序;
分类模块,将排序后的相邻时刻的时间差在预设时长内的访问时刻信息分别进行归类,得到若干个访问时间集;
处理模块,统计各个访问时间集的访问时长,并统计所有访问时长得到所述用户的累积访问时长。
8.根据权利要求6所述的累积访问时长的统计装置,其特征在于,所述获取模块包括:
获取单元,获取所有网络访问信息;
筛选单元,从所有网络访问信息中筛选出所述目标网址对应的所述一用户的网络访问信息得到访问数据;
解析单元,解析所述访问数据,得到所述用户的访问时刻信息。
9.根据权利要求6所述的累积访问时长的统计装置,其特征在于,所述分类模块包括:
选取单元,选取目标时刻;
判断单元,判断所述目标时刻与相邻时刻的时间差是否在所述预设时长内;所述相邻时刻为排序后与所述目标时刻相邻的访问时刻;
归类单元,当所述判断单元判断所述目标时刻与所述相邻时刻的时间差在所述预设时长内时,将所述目标时刻与所述相邻时刻归类于同一访问时间集。
10.根据权利要求7-9任一项一项所述的累积访问时长的统计装置,其特征在于,还包括:
判断模块,判断所有访问所述目标网址的用户是否统计得到各自的累积访问时长;
所述获取模块,重新获取另一用户访问目标网址的访问时刻信息,所述排序模块、分类模块和处理模块重新将所述访问时刻信息进行排序、分类以及统计得到另一用户的累积访问时长;
统计模块,统计所有用户的累积访问时长,得到所述目标网址的用户访问总时长。
11.根据权利要求7所述的累积访问时长的统计装置,其特征在于,所述处理模块根据下列公式(1)运算得到一访问时间集的访问时长:
T(i)=Tlater(i)-Tolderest(i) (1)
其中,i为访问时间集的序号,T(i)为第i个访问时间集的访问时长,Tlater(i)为第i个访问时间集的最晚访问时刻信息,Tolderest(i)为第i个访问时间集的最早访问时刻信息。
12.根据权利要求7所述的累积访问时长的统计装置,其特征在于,还包括:
所述处理模块根据下列公式(2)运算得到所述累积访问时长:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,N为访问时间集的总数量,Tsum为累积访问时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711142367.7A CN107919990A (zh) | 2017-11-17 | 2017-11-17 | 一种累积访问时长的统计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711142367.7A CN107919990A (zh) | 2017-11-17 | 2017-11-17 | 一种累积访问时长的统计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107919990A true CN107919990A (zh) | 2018-04-17 |
Family
ID=61896581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711142367.7A Withdrawn CN107919990A (zh) | 2017-11-17 | 2017-11-17 | 一种累积访问时长的统计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107919990A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124846A (zh) * | 2018-10-31 | 2020-05-08 | 千寻位置网络有限公司 | 在线定位时长的统计方法及装置、定位服务*** |
CN111723063A (zh) * | 2019-03-18 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 一种离线日志数据处理的方法和装置 |
CN112561605A (zh) * | 2021-02-19 | 2021-03-26 | 北京华彬立成科技有限公司 | 药品销售数据处理方法、装置、电子设备和存储介质 |
-
2017
- 2017-11-17 CN CN201711142367.7A patent/CN107919990A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124846A (zh) * | 2018-10-31 | 2020-05-08 | 千寻位置网络有限公司 | 在线定位时长的统计方法及装置、定位服务*** |
CN111124846B (zh) * | 2018-10-31 | 2023-05-30 | 千寻位置网络有限公司 | 在线定位时长的统计方法及装置、定位服务*** |
CN111723063A (zh) * | 2019-03-18 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 一种离线日志数据处理的方法和装置 |
CN112561605A (zh) * | 2021-02-19 | 2021-03-26 | 北京华彬立成科技有限公司 | 药品销售数据处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101990003B (zh) | 一种基于ip地址属性的用户行为监控***与方法 | |
CN107919990A (zh) | 一种累积访问时长的统计方法及装置 | |
CN107480839A (zh) | 基于主成分分析和随机森林的高危污染源的分类预测方法 | |
CN106022508A (zh) | 预测线上理财平台的用户邀请好友行为的方法和装置 | |
CN106204106A (zh) | 一种特定用户识别方法及*** | |
CN109962795A (zh) | 一种基于多维组合变量的4g用户流失预警方法和*** | |
CN103853839A (zh) | 一种评测广告页面恶意点击疑似度的方法及装置 | |
CN103902566A (zh) | 一种基于微博用户行为的人格预测方法 | |
CN105608592A (zh) | 电信用户智能分析推送方法及*** | |
CN107832333A (zh) | 基于分布式处理和dpi数据构建用户网络数据指纹的方法和*** | |
CN106095939A (zh) | 账户权限的获取方法和装置 | |
CN106447108A (zh) | 一种考虑业扩报装数据的用电需求分析预测方法 | |
Karimi Adl et al. | Privacy consensus in anonymization systems via game theory | |
CN102801548B (zh) | 一种智能预警的方法、装置及信息*** | |
CN111127099A (zh) | 一种基于大数据的电商用户分析***及其分析方法 | |
CN107748940A (zh) | 一种节电潜力量化预测方法 | |
CN104182803A (zh) | 风电数据预处理方法及风电功率预测方法和*** | |
CN103440328B (zh) | 一种基于鼠标行为的用户分类方法 | |
CN102609786B (zh) | 一种预测用户离网的方法和装置 | |
CN109656903A (zh) | 一种智能推送管控中心模块的方法 | |
CN113450004A (zh) | 电力信用报告生成方法、装置、电子设备及可读存储介质 | |
CN112150179B (zh) | 一种信息推送方法和装置 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN115905319A (zh) | 一种海量用户电费异常的自动识别方法及*** | |
CN114077977B (zh) | 基于大数据的楼宇智慧管理方法、***及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200818 Address after: 318015 no.2-3167, zone a, Nonggang City, no.2388, Donghuan Avenue, Hongjia street, Jiaojiang District, Taizhou City, Zhejiang Province Applicant after: Taizhou Jiji Intellectual Property Operation Co.,Ltd. Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666 Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180417 |