CN108898429A - 电子装置、偏好倾向预测方法和计算机可读存储介质 - Google Patents

Abstract

本发明公开一种电子装置、偏好倾向预测方法和计算机可读存储介质，该方法包括：接收目标用户的用户信息和目标产品的产品信息；根据用户信息爬取目标用户在最近预设时间范围内的微博发言数据，提取关键字进行向量化处理，形成第一用户画像；获取目标用户的个人属性数据，提取关键字进行向量化处理，形成第二用户画像；将第一用户画像与第二用户画像进行拼接得到第三用户画像；对目标产品的营销特点进行向量化处理，形成产品画像；将第三用户画像、产品画像和预设的各个渠道接触向量输入预先训练好的模型中预测，得出目标用户对目标产品的偏好倾向最高得分及对应的渠道接触向量组合。本发明技术方案提升了业务人员的营销成功率。

Description

电子装置、偏好倾向预测方法和计算机可读存储介质

技术领域

本发明涉及产品营销预测领域，特别涉及一种电子装置、偏好倾向预测方法和计算机可读存储介质。

背景技术

传统的营销模型，通常只是输出用户的偏好产品或用户对产品的偏好倾向分数等结果值，而并不能输出一些对业务人员的策略设计的有帮助的指向性建议，业务人员对目标用户的营销策略并没有针对性，很多时候会由于业务人员的营销策略不佳而导致营销失败，因此，设计一种可提升营销成功率的方案非常有意义。

发明内容

本发明提供一种电子装置、偏好倾向预测方法和计算机可读存储介质，旨在提升业务人员的营销成功率。

为实现上述目的，本发明提出的电子装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的偏好倾向预测***，所述偏好倾向预测***被所述处理器执行时实现如下步骤：

接收目标用户的用户信息和目标产品的产品信息；

根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

优选地，所述预设结构预测模型的训练过程包括：

获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

优选地，所述将提取的关键字进行向量化处理的步骤包括：

采用word2vec算法将提取的关键字转化拼接成相对应的word2vec向量。

优选地，所述预设结构的预测模型为改造的*** wide deep模型；所述改造的*** wide deep模型使用gbdt+lr作为wide模型的因子选择，采用cnn模型作为deep因子的选择，及在此基础上包装一个softmax模型。

本发明还提出一种偏好倾向预测方法，所述偏好倾向预测方法包括步骤：

接收目标用户的用户信息和目标产品的产品信息；

根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

优选地，所述预设结构预测模型的训练过程包括：

获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

优选地，所述将提取的关键字进行向量化处理的步骤包括：

采用word2vec算法将提取的关键字转化拼接成相对应的word2vec向量。

优选地，所述预设结构的预测模型为改造的*** wide deep模型；所述改造的*** wide deep模型使用gbdt+lr作为wide模型的因子选择，采用cnn模型作为deep因子的选择，及在此基础上包装一个softmax模型。

本发明还提出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偏好倾向预测***，所述偏好倾向预测***可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

接收目标用户的用户信息和目标产品的产品信息；

根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

优选地，所述预设结构预测模型的训练过程包括：

获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

本发明技术方案，根据爬取的目标用户的微博发言数据及***数据库中的目标用户的个人属性数据得到目标用户的用户画像，以及根据目标产品的营销特点得到目标产品的产品画像，将目标用户的用户画像、目标产品的产品画像以及各个预设的渠道接触向量作为已训练好的预设结构预测模型的输入，模型预测得出目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合，从而业务人员可根据预测模型得出的渠道接触向量组合，确定对该目标用户营销该目标产品的最佳渠道和触达方式，如此，让营销更加有针对性，营销成功率大幅提升。

附图说明

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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示出的结构获得其他的附图。

图1为本发明偏好倾向预测方法一实施例的流程示意图；

图2为本发明偏好倾向预测方法中预设结构预测模型的训练流程示意图；

图3为本发明偏好倾向预测***一实施例的运行环境示意图；

图4为本发明偏好倾向预测***一实施例的程序模块图。

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

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提出一种偏好倾向预测方法。

如图1所示，图1为本发明偏好倾向预测方法一实施例的流程示意图。

本实施例中，该偏好倾向预测方法包括：

步骤S10，接收目标用户的用户信息和目标产品的产品信息；

在需要进行目标用户对某个产品的偏好倾向预测时，接收输入的目标用户的用户信息和目标产品的产品信息；其中，用户信息中包括目标用户的微博ID，产品信息包括目标产品的营销特点(例如，目标产品为广告，营销特点包括投放平台、投放区域、广告形式、广告位置、主要商业兴趣定向、次要商业兴趣定向、是否用户迁徙插件等)。

步骤S20，根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从用户信息中确认目标用户的微博ID，再通过该微博ID找到目标用户的微博，从目标用户的微博中爬取最近预设时间范围内(例如最近三个月内)的微博发言数据；再从爬取到的微博发言数据提取关键字，将提取的关键字进行向量化后拼接形成第一用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量。例如，从目标用户的微博发言数据提取出的关键字为：足球，体育，世界杯……，采用word2vec算法将关键字转化拼接成相对应的word2vec向量(例如{0.23，0.14，0.15，……})。

步骤S30，从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

***数据库中具有各个用户的个人属性数据，个人属性数据包括性别、年龄等基本信息数据，以及购买过的产品、用户客服反馈留言等相关历史行为数据。在获取到目标用户的个人数据后，提取出个人属性数据中的关键字，对提取的关键字向量化处理，形成第二用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量。

步骤S40，将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

在得到第一用户画像和第二用户画像后，将两者进行拼接得到目标用户的完整的用户画像(即第三用户画像)。

步骤S50，根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

从接收到的产品信息中确定目标产品的营销特点(例如，营销特点包括投放平台、投放区域、广告形式、广告位置、主要商业兴趣定向、次要商业兴趣定向、是否用户迁徙插件等)，将营销特点向量化后拼接形成目标产品的产品画像。

步骤S60，将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

其中，预设的渠道接触向量是由预设的渠道和触达方式向量化处理得到的，预设的渠道和触达方式例如包括：线上渠道、通过电话接触、上班时间接触、需要花费时间，等等。在确定了目标用户的画像和目标产品的画像后，将目标用户的画像(即第三用户画像)和目标产品的画像(即产品画像)作为模型的输入，与各个渠道接触向量一起输入预先训练好的预设结构预测模型中进行预测；所述预设结构预测模型会预测由预设的各个渠道接触向量中的一个或任意多个形成的渠道接触画像(例如，任意5个、6个或更多个渠道接触向量组合形成的画像)的情况下的偏好倾向结果，预测得出目标用户对目标产品的最高偏好倾向得分，以及最高偏好倾向得分情况对应的渠道接触向量组合。这样，业务人员可根据该预测结构预测模型输出的渠道接触向量组合所对应的渠道和触达方式去设计营销策略，根据该营销策略向目标用户营销该目标产品，营销成功率大幅提高。

本实施例技术方案，根据爬取的目标用户的微博发言数据及***数据库中的目标用户的个人属性数据得到目标用户的用户画像，以及根据目标产品的营销特点得到目标产品的产品画像，将目标用户的用户画像、目标产品的产品画像以及各个预设的渠道接触向量作为已训练好的预设结构预测模型的输入，模型预测得出目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合，从而业务人员可根据预测模型得出的渠道接触向量组合，确定对该目标用户营销该目标产品的最佳渠道和触达方式，如此，让营销更加有针对性，营销成功率大幅提升。

如图2所示，本实施例中，所述预设结构预测模型的训练过程包括：

步骤S1，获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

数据准备，直接采用从***数据库中存储的营销记录中获取预设数量(例如，10万个)历史营销数据，一个历史营销数据包括的信息有：营销产品、渠道、触达方式(例如，通过电话接触、在上班时间接触等)、该营销产品的营销特点(例如，投放平台、投放区域、广告形式、商业兴趣定向等)及营销对象。

步骤S2，针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据均进行以下处理，查询到该历史营销数据的营销对象的微博ID，然后从该营销对象的微博发言中爬取在该营销产品的营销之前的最近预设时间范围内(例如最近三个月内)的微博发言数据，对爬取到的微博发言数据提取关键字，将提取出的关键字进行向量化后拼接成第一用户画像；如此，得到每一个历史营销数据的第一用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量；例如，从爬取的微博发言数据提取出的关键字为：足球，体育，世界杯……，采用word2vec算法将关键字转化拼接成相对应的word2vec向量(例如{0.23，0.14，0.15，……})。

步骤S3，针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

***数据库中存储有各个历史营销对象的个人属性数据，针对获取的每个历史营销数据，从***数据库中可以直接查询获取到该历史营销数据的营销对象的个人属性数据。其中，个人属性数据包括性别、年龄等基本信息数据，以及购买过的产品、用户客服反馈留言等相关历史行为数据。在获取到营销对象的个人数据后，提取出个人属性数据中的关键字，对提取的关键字向量化处理，形成第二用户画像；如此，得到每一个历史营销数据的第二用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量。

步骤S4，将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

对于每一个历史营销数据，将其第一用户画像与第二用户画像拼接成第三用户画像，即该历史营销数据的营销对象的完整的用户画像；如此，得到所有获取的历史营销数据的第三用户画像。

步骤S5，针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

对于每一个历史营销数据，根据其渠道和触达方式信息，将其渠道(例如线上渠道、线下渠道)和各个触达方式(例如，通过电话接触、在上班时间接触等)全部向量化处理转化为对应的渠道接触向量，转化得到的所有渠道接触向量拼接形成该历史营销数据对应的渠道接触画像。对于每一个历史营销数据，根据其营销产品的营销特点信息(例如，投放平台、投放区域、广告形式、商业兴趣定向等)，将该营销产品的各个营销特点进行向量化处理以拼接形成该营销产品的产品画像。

步骤S6，以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

将获取的所有历史营销数据对应的第三用户画像、渠道接触画像及产品画像，根据历史营销数据的营销结果(营销成功和营销失败)分成正样本(即营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像)和负样本(即营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像)，所有的正样本和所有负样本构成训练集，以对预设结构预测模型进行迭代训练，每一次迭代都更新模型参数，在预设结构预测模型迭代训练完成后得到最新的模型参数。

优选地，本实施例中，所述预设结构的预测模型采用改造的*** wide deep模型；所述改造的*** wide deep模型使用gbdt+lr作为wide模型的因子选择，采用cnn模型作为deep因子的选择，及在此基础上包装一个softmax模型。

此外，本发明还提出一种偏好倾向预测***。

请参阅图3，是本发明偏好倾向预测***10较佳实施例的运行环境示意图。

在本实施例中，偏好倾向预测***10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图3仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如偏好倾向预测***10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行偏好倾向预测***10等。

显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。电子装置1的部件11-13通过***总线相互通信。

请参阅图4，是本发明偏好倾向预测***10较佳实施例的程序模块图。在本实施例中，偏好倾向预测***10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。例如，在图4中，偏好倾向预测***10可以被分割成接收模块101、第一提取模块102、第二提取模块103、拼接模块104、向量化模块105及预测模块104。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述偏好倾向预测***10在电子装置1中的执行过程，其中：

接收模块101，用于接收目标用户的用户信息和目标产品的产品信息；

在需要进行目标用户对某个产品的偏好倾向预测时，接收输入的目标用户的用户信息和目标产品的产品信息；其中，用户信息中包括目标用户的微博ID，产品信息包括目标产品的营销特点(例如，目标产品为广告，营销特点包括投放平台、投放区域、广告形式、广告位置、主要商业兴趣定向、次要商业兴趣定向、是否用户迁徙插件等)。

第一提取模块102，用于根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从用户信息中确认目标用户的微博ID，再通过该微博ID找到目标用户的微博，从目标用户的微博中爬取最近预设时间范围内(例如最近三个月内)的微博发言数据；再从爬取到的微博发言数据提取关键字，将提取的关键字进行向量化后拼接形成第一用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量。例如，从目标用户的微博发言数据提取出的关键字为：足球，体育，世界杯……，采用word2vec算法将关键字转化拼接成相对应的word2vec向量(例如{0.23，0.14，0.15，……})。

第二提取模块103，用于从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

***数据库中具有各个用户的个人属性数据，个人属性数据包括性别、年龄等基本信息数据，以及购买过的产品、用户客服反馈留言等相关历史行为数据。在获取到目标用户的个人数据后，提取出个人属性数据中的关键字，对提取的关键字向量化处理，形成第二用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量。

拼接模块104，用于将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

在得到第一用户画像和第二用户画像后，将两者进行拼接得到目标用户的完整的用户画像(即第三用户画像)。

向量转模块105，用于根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

从接收到的产品信息中确定目标产品的营销特点(例如，营销特点包括投放平台、投放区域、广告形式、广告位置、主要商业兴趣定向、次要商业兴趣定向、是否用户迁徙插件等)，将营销特点向量化后拼接形成目标产品的产品画像。

预测模块106，用于将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

其中，预设的渠道接触向量是由预设的渠道和触达方式向量化处理得到的，预设的渠道和触达方式例如包括：线上渠道、通过电话接触、上班时间接触、需要花费时间，等等。在确定了目标用户的画像和目标产品的画像后，将目标用户的画像(即第三用户画像)和目标产品的画像(即产品画像)作为模型的输入，与各个渠道接触向量一起输入预先训练好的预设结构预测模型中进行预测；所述预设结构预测模型会预测由预设的各个渠道接触向量中的一个或任意多个形成的渠道接触画像(例如，任意5个、6个或更多个渠道接触向量组合形成的画像)的情况下的偏好倾向结果，预测得出目标用户对目标产品的最高偏好倾向得分，以及最高偏好倾向得分情况对应的渠道接触向量组合。这样，业务人员可根据该预测结构预测模型输出的渠道接触向量组合所对应的渠道和触达方式去设计营销策略，根据该营销策略向目标用户营销该目标产品，营销成功率大幅提高。

本实施例技术方案，根据爬取的目标用户的微博发言数据及***数据库中的目标用户的个人属性数据得到目标用户的用户画像，以及根据目标产品的营销特点得到目标产品的产品画像，将目标用户的用户画像、目标产品的产品画像以及各个预设的渠道接触向量作为已训练好的预设结构预测模型的输入，模型预测得出目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合，从而业务人员可根据预测模型得出的渠道接触向量组合，确定对该目标用户营销该目标产品的最佳渠道和触达方式，如此，让营销更加有针对性，营销成功率大幅提升。

本实施例中，所述预设结构预测模型的训练过程为：

1、获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

数据准备，直接采用从***数据库中存储的营销记录中获取预设数量(例如，10万个)历史营销数据，一个历史营销数据包括的信息有：营销产品、渠道、触达方式(例如，通过电话接触、在上班时间接触等)、该营销产品的营销特点(例如，投放平台、投放区域、广告形式、商业兴趣定向等)及营销对象。

2、针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据均进行以下处理，查询到该历史营销数据的营销对象的微博ID，然后从该营销对象的微博发言中爬取在该营销产品的营销之前的最近预设时间范围内(例如最近三个月内)的微博发言数据，对爬取到的微博发言数据提取关键字，将提取出的关键字进行向量化后拼接成第一用户画像；如此，得到每一个历史营销数据的第一用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量；例如，从爬取的微博发言数据提取出的关键字为：足球，体育，世界杯……，采用word2vec算法将关键字转化拼接成相对应的word2vec向量(例如{0.23，0.14，0.15，……})。

3、针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

***数据库中存储有各个历史营销对象的个人属性数据，针对获取的每个历史营销数据，从***数据库中可以直接查询获取到该历史营销数据的营销对象的个人属性数据。其中，个人属性数据包括性别、年龄等基本信息数据，以及购买过的产品、用户客服反馈留言等相关历史行为数据。在获取到营销对象的个人数据后，提取出个人属性数据中的关键字，对提取的关键字向量化处理，形成第二用户画像；如此，得到每一个历史营销数据的第二用户画像。本实施例优选采用word2vec算法对提取的关键字进行向量化处理，将提取的关键字转化拼接成相对应的word2vec向量。

4、将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

对于每一个历史营销数据，将其第一用户画像与第二用户画像拼接成第三用户画像，即该历史营销数据的营销对象的完整的用户画像；如此，得到所有获取的历史营销数据的第三用户画像。

5、针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

对于每一个历史营销数据，根据其渠道和触达方式信息，将其渠道(例如线上渠道、线下渠道)和各个触达方式(例如，通过电话接触、在上班时间接触等)全部向量化处理转化为对应的渠道接触向量，转化得到的所有渠道接触向量拼接形成该历史营销数据对应的渠道接触画像。对于每一个历史营销数据，根据其营销产品的营销特点信息(例如，投放平台、投放区域、广告形式、商业兴趣定向等)，将该营销产品的各个营销特点进行向量化处理以拼接形成该营销产品的产品画像。

6、以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

将获取的所有历史营销数据对应的第三用户画像、渠道接触画像及产品画像，根据历史营销数据的营销结果(营销成功和营销失败)分成正样本(即营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像)和负样本(即营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像)，所有的正样本和所有负样本构成训练集，以对预设结构预测模型进行迭代训练，每一次迭代都更新模型参数，在预设结构预测模型迭代训练完成后得到最新的模型参数。

优选地，本实施例中，所述预设结构的预测模型采用改造的*** wide deep模型；所述改造的*** wide deep模型使用gbdt+lr作为wide模型的因子选择，采用cnn模型作为deep因子的选择，及在此基础上包装一个softmax模型。

进一步地，本发明还提出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偏好倾向预测***，所述偏好倾向预测***可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的偏好倾向预测方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的偏好倾向预测***，所述偏好倾向预测***被所述处理器执行时实现如下步骤：

接收目标用户的用户信息和目标产品的产品信息；

根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

2.如权利要求1所述的电子装置，其特征在于，所述预设结构预测模型的训练过程包括：

获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

3.如权利要求1或2所述的电子装置，其特征在于，所述将提取的关键字进行向量化处理的步骤包括：

采用word2vec算法将提取的关键字转化拼接成相对应的word2vec向量。

4.如权利要求1所述的电子装置，其特征在于，所述预设结构预测模型为改造的***wide deep模型；所述改造的*** wide deep模型使用gbdt+lr作为wide模型的因子选择，采用cnn模型作为deep因子的选择，及在此基础上包装一个softmax模型。

5.一种偏好倾向预测方法，其特征在于，所述偏好倾向预测方法包括步骤：

接收目标用户的用户信息和目标产品的产品信息；

根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

6.如权利要求5所述的偏好倾向预测方法，其特征在于，所述预设结构预测模型的训练过程包括：

获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理以形成第二用户画像；

将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理，形成产品画像；

以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。

7.如权利要求5或6所述的偏好倾向预测方法，其特征在于，所述将提取的关键字进行向量化处理的步骤包括：

采用word2vec算法将提取的关键字转化拼接成相对应的word2vec向量。

8.如权利要求6所述的偏好倾向预测方法，其特征在于，所述预设结构的预测模型为改造的*** wide deep模型；所述改造的*** wide deep模型使用gbdt+lr作为wide模型的因子选择，采用cnn模型作为deep因子的选择，及在此基础上包装一个softmax模型。

9.一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偏好倾向预测***，所述偏好倾向预测***可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

接收目标用户的用户信息和目标产品的产品信息；

根据所述用户信息爬取目标用户在最近预设时间范围内的微博发言数据，从爬取到的微博发言数据提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

从***数据库中获取目标用户的个人属性数据，从获取的个人属性数据提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将得到的第一用户画像与第二用户画像进行拼接，得到目标用户的第三用户画像；

根据所述目标产品的产品信息确定目标产品的营销特点，对确定的营销特点进行向量化处理，形成所述目标产品的产品画像；

将所述第三用户画像、目标产品的产品画像和预设的各个渠道接触向量输入预先训练好的预设结构预测模型中进行预测，得出所述目标用户对所述目标产品的偏好倾向最高得分及对应的渠道接触向量组合。

10.如权利要求9所述的计算机可读存储介质，其特征在于，所述预设结构预测模型的训练过程包括：

获取预设数量的历史营销数据，每个历史营销数据包括营销产品、渠道、触达方式、该营销产品的营销特点及营销对象；

针对每个历史营销数据，爬取营销对象在该营销产品的营销时间之前的最近预设时间范围内的微博发言数据，从爬取到的微博发言数据中提取关键字，并将提取的关键字进行向量化处理，形成第一用户画像；

针对每个历史营销数据，从***数据库中获取其营销对象的个人属性数据，从获取的个人属性数据中提取关键字，并将提取的关键字进行向量化处理，形成第二用户画像；

将同一个历史营销数据的第一用户画像和第二用户画像进行拼接，得到该历史营销数据的第三用户画像；

针对每个历史营销数据，将该历史营销数据的渠道和触达方式进行向量化处理以形成渠道接触画像，以及将该历史营销数据的营销产品的营销特点进行向量化处理以形成产品画像；

以营销成功的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为正样本，以营销失败的历史营销数据对应的第三用户画像、渠道接触画像及产品画像作为负样本，建立训练集，采用所述训练集对所述预设结构预测模型进行迭代训练，得到最新模型参数。