CN111738774A - 识别潜在目标用户的方法、装置、计算机设备和存储介质 - Google Patents
识别潜在目标用户的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111738774A CN111738774A CN202010623475.1A CN202010623475A CN111738774A CN 111738774 A CN111738774 A CN 111738774A CN 202010623475 A CN202010623475 A CN 202010623475A CN 111738774 A CN111738774 A CN 111738774A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- users
- channel type
- potential target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004458 analytical method Methods 0.000 claims abstract description 85
- 230000008569 process Effects 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 168
- 230000003993 interaction Effects 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 9
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请揭示了一种识别潜在目标用户的方法、装置、计算机设备和存储介质,方法包括:获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型;获取与所述指定信息来源渠道类型对应的多个用户的用户信息;根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果;根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。通过本申请智能够准确地从所有用户中确定出潜在目标用户,有效地实现了在所有用户中对于潜在目标用户的精确定位,使得后续可以利用该潜在目标用户进行新业务的推广,进而提高业务的拓展效率。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种识别潜在目标用户的方法、装置、计算机设备和存储介质。
背景技术
现有技术中,当公司或企业需要进行业务扩展时,通常需要从海量用户中筛选出与标准用户群具有相同或相似的特征信息(例如用户的喜好、年龄、职业、需求等)的用户群作为扩散用户群,并将这些扩散用户群作为业务扩展的潜在目标用户。但是,这种业务扩展的方式并没有落实具体的对于标准用户的筛选标准,仅仅是通过简单的个人工作经验来筛选出用于进行业务扩展的潜在目标用户。如果潜在目标用户的选取范围过大,那就意味着很多被扩散到的用户购买业务产品的概率很低,这样会造成营销成本的浪费,甚至会导致部分用户逐渐对该业务产品产生反感情绪;相反地,如果潜在目标用户的选取范围过小,那就意味着很多原本应该被扩散到的用户不能收到该业务产品的营销信息,这样会损失大量有意向购买业务产品的***,白白浪费商机。因此,如何从海量用户中精准地选取出用于进行业务扩展的潜在目标用户成了当前一个亟需解决的问题。
发明内容
本申请的主要目的为提供一种识别潜在目标用户的方法、装置、计算机设备和存储介质,旨在解决现有方案无法从海量用户中精准地选取出用于进行业务扩展的潜在目标用户的技术问题。
本申请提出一种识别潜在目标用户的方法,所述方法包括步骤:
获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
可选地,所述指定信息来源渠道类型为所述电话渠道类型,所述用户信息为所述通话互动信息,所述根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果的步骤,包括:
将第一通话互动信息转换为对应的第一文本信息,其中,所述第一通话互动信息为与所述多个用户对应的所有通话互动信息中的任意一条通话互动信息;
提取所述第一文本信息中的第一特征信息,并构建与所述第一特征信息对应的第一特征标签向量;
将所述第一特征标签向量输入至预设的意愿模型,以通过所述意愿模型对所述第一特征标签向量进行预测处理,得到与所述第一文本信息对应的第一预测结果;
获取所述意愿模型输出的所述第一预测结果,并将所述第一预测结果确定为与所述第一通话互动信息对应的第一分析结果;
所述根据所有所述分析结果,从所有所述用户中筛选出潜在目标用户的步骤,包括:
获取所述意愿模型输出的与所有所述通话互动信息的数量相同的多个预测结果,其中,所述通话互动信息与所述预测结果之间具有一一对应的关系;
从所有所述预测结果中筛选出预测结果大于预设的预测阈值的指定预测结果;
获取与所述指定预测结果对应的指定通话互动信息;
将与所述指定通话互动信息对应的第一指定用户确定为所述潜在目标用户。
可选地,所述将所述第一特征标签向量输入至预设的意愿模型,以通过所述意愿模型对所述第一特征标签向量进行预测处理,得到与所述第一文本信息对应的第一预测结果的步骤之前,包括:
选取样本用户,并获取所述样本用户的特征信息,其中,所述样本用户的类型包括已确认的***,以及已确认的非***;
将所述样本用户中的已确认的***作为正样本,并使用所述已确认的***的特征信息构建对应的正样本特征标签向量;以及,
将所述样本用户中的已确认的非***作为负样本,并使用所述已确认的非***的特征信息构建对应的负样本特征标签向量;
将所述正样本特征标签向量与所述负样本特征标签向量输入至预设的二分类模型中进行训练,生成所述意愿模型。
可选地,所述指定信息来源渠道类型为所述网站渠道类型,所述用户信息为所述行为数据信息,所述根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果的步骤,包括:
将与第一用户对应的第一行为数据信息按照时间维度沿着时间轴分段,以将所述第一行为数据信息映射到对应的时间段上,得到映射处理后的第一行为数据信息,其中,所述第一行为数据信息为与所述多个用户对应的所有行为数据信息中的任意一条行为数据信息;
获取预设的标准用户的行为模式集合;
将所述映射处理后的第一行为数据信息与所述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算所述第一用户与所述标准用户之间的第一相似度数值,其中,所述行为模式集合包括多种行为模式;
获取所述第一相似度数值,并将所述第一相似度数值确定为与所述第一行为数据信息对应的第二分析结果;
所述根据所有所述分析结果,从所有所述用户中确定出潜在目标用户的步骤,包括:
获取计算得到的与所有所述行为数据信息的数量相同的多个相似度数值,其中,所述行为数据信息与所述相似度数值之间具有一一对应的关系;
根据所有所述相似度数值,从所有所述用户中确定出所述潜在目标用户。
可选地,所述获取预设的标准用户的行为模式集合的步骤之前,包括:
获取所述标准用户的第二行为数据信息,其中,所述标准用户的数量为第一数量;
通过预设的关联规则算法对所有所述第二行为数据信息进行模式挖掘,得到基于用户数量排序的行为模式集合。
可选地,所述将所述映射处理后的第一行为数据信息与所述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算所述第一用户与所述标准用户之间的第一相似度数值的步骤,包括:
从所述行为模式集合中获取与所述映射处理后的第一行为数据信息匹配的指定行为模式,其中,所述指定行为模式的数量至少包括一个;
获取各所述指定行为模式分别对应的用户数量,以及各所述指定行为模式分别对应的权重系数;
对所述用户数量与所述权重系数进行加权求和计算,得到对应的分数值;
计算所述分数值与所述第一数量的商值,得到所述第一用户与所述标准用户之间的第一相似度数值。
可选地,所述根据所有所述相似度数值,从所有所述用户中确定出所述潜在目标用户的步骤,包括:
将所有所述相似度数值按照数值从大到小的顺序进行排序,得到对应的排序结果;
从所述排序结果中排在首位的相似度数值开始,依次获取第二数量的指定相似度数值;
将与获取到的所述指定相似度数值对应的第二指定用户确定为所述潜在目标用户。
本申请还提供一种识别潜在目标用户的装置,包括:
第一获取模块,用于获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
第二获取模块,用于获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
分析模块,用于根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
确定模块,用于根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的识别潜在目标用户的方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的识别潜在目标用户的方法、装置、计算机设备和存储介质,获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。本申请实施例通过获取与指定信息来源渠道类型对应的多个用户的用户信息,并根据该指定信息来源渠道类型来针对性地采用不同的分析规则来对该用户信息进行分析处理得到对应的分析结果,最后根据得到的分析结果来智能准确地从所有用户中确定出潜在目标用户,以有效地实现在所有用户中对于潜在目标用户的精确定位,使得后续可以利用该潜在目标用户进行新业务的推广,进而提高业务的拓展效率。
附图说明
图1是本申请一实施例的识别潜在目标用户的方法的流程示意图;
图2是本申请一实施例的识别潜在目标用户的装置的结构示意图;
图3是本申请一实施例的计算机设备的结构示意图。
本申请目的的实现、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于解释本申请,并不用于限定本申请。
需要说明,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
参照图1,本申请一实施例的识别潜在目标用户的方法,包括:
S1:获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
S2:获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
S3:根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
S4:根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
如上述步骤S1至S4所述,本方法实施例的执行主体为一种识别潜在目标用户的装置。在实际应用中,该识别潜在目标用户的装置可以通过虚拟装置,例如软件代码实现,也可以通过写入或集成有相关执行代码的实体装置实现,且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例提供的识别潜在目标用户的装置通过使用与指定信息来源渠道类型对应的分析规则来对获取到的所有用户的用户信息进行分析处理,能够准确地从所有用户中确定出潜在目标用户,例如从一定数量的用户群体中筛选具有购车意向的目标***。具体地,首先获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,上述信息来源渠道类型包括电话渠道类型或者网站渠道类型。另外,对于上述指定信息来源渠道类型的选定操作可以由工作人员根据实际需求执行的,通过获取工作人员的业务需求,如果具有从电话渠道中识别潜在目标用户的业务需求,则可对应选定电话渠道类型来作为上述指定信息来源渠道类型;而如果具有从网络渠道中识别潜在目标用户的业务需求,则可对应选定网络渠道类型来作为上述指定信息来源渠道类型。然后获取与上述指定信息来源渠道类型对应的多个用户的用户信息。其中,上述用户信息包括与上述电话渠道类型对应的通话互动信息,或者与上述网站渠道类型对应的行为数据信息。即上述通话互动信息与上述行为数据信息对应的不同的信息来源渠道,上述通话互动信息是通过与上述电话渠道类型对应的电话渠道进行采集得到的,上述行为数据信息是通过与上述网站渠道类型对应的网站渠道进行采集得到的。另外,可先将数据库内包含有电话渠道类型以及网站渠道类型所对应的所有用户信息根据信息来源渠道类型的不同进行分类,得到与电话渠道类型对应的第一类用户信息,以及与网站渠道类型对应的第二类用户信息,以便后续根据选定的指定信息来源渠道类型来直接快速地从数据库中提取出所需的对应的用户信息。根据上述指定信息来源渠道类型,按照第一预设规则分别对各上述用户信息进行分析处理,得到与所有上述用户信息的数量相同的多个分析结果,其中,上述用户信息与上述分析结果之间具有一一对应的关系。另外,对于具有不同的信息来源渠道类型的用户信息,会智能地采用与选定的指定信息来源渠道类型相对应的分析规则对该多个用户的用户信息进行分析并得到分析结果,举例地,可通过采用模型预测的方式对属于电话渠道类型的用户信息,即通话互动信息进行分析处理;采用计算相似度数值的方式对属于网络渠道类型的用户信息,即行为数据信息进行分析处理。最后根据所有上述分析结果,从所有上述用户中确定出潜在目标用户。其中,可将满足预设条件的分析结果所对应的指定用户确定为上述潜在目标用户。当上述分析结果指代的是模型预测输出的预设结果,则上述满足预设条件的分析结果可指预测结果大于预设的预测阈值的指定预测结果;当上述分析结果指代的是相似度数值,则上述满足预设条件的分析结果可指代数值最大的若干个相似度数值,或者大于预设的相似度阈值的若干个相似度数值。本实施例通过获取与指定信息来源渠道类型对应的多个用户的用户信息,并根据该指定信息来源渠道类型来针对性地采用对应的分析规则来对该用户信息进行分析处理以得到对应的分析结果,最后根据得到的分析结果来智能准确地从所有用户中确定出潜在目标用户,以有效地实现在所有用户中对于潜在目标用户的精确定位,使得后续可以利用该潜在目标用户进行新业务的推广,进而提高业务的拓展效率。
进一步地,本申请一实施例中,所述指定信息来源渠道类型为所述电话渠道类型,所述用户信息为所述通话互动信息,上述步骤S3,包括:
S300:将第一通话互动信息转换为对应的第一文本信息,其中,所述第一通话互动信息为与所述多个用户对应的所有通话互动信息中的任意一条通话互动信息;
S301:提取所述第一文本信息中的第一特征信息,并构建与所述第一特征信息对应的第一特征标签向量;
S302:将所述第一特征标签向量输入至预设的意愿模型,以通过所述意愿模型对所述第一特征标签向量进行预测处理,得到与所述第一文本信息对应的第一预测结果;
S303:获取所述意愿模型输出的所述第一预测结果,并将所述第一预测结果确定为与所述第一通话互动信息对应的第一分析结果;
上述根据所有所述分析结果,从所有所述用户中筛选出潜在目标用户的步骤S4,包括:
S400:获取所述意愿模型输出的与所有所述通话互动信息的数量相同的多个预测结果,其中,所述通话互动信息与所述预测结果之间具有一一对应的关系;
S401:从所有所述预测结果中筛选出预测结果大于预设的预测阈值的指定预测结果;
S402:获取与所述指定预测结果对应的指定通话互动信息;
S403:将与所述指定通话互动信息对应的第一指定用户确定为所述潜在目标用户。
如上述步骤S300至S303,以及S400至S403所述,当上述指定信息来源渠道类型为上述电话渠道类型,且上述用户信息为上述通话互动信息,例如为坐席与用户之间的通话互动信息,或者为语音机器人与用户之间的通话互动信息时,上述根据上述指定信息来源渠道类型,按照第一预设规则分别对各上述用户信息进行分析处理,得到与所有上述用户信息的数量相同的多个分析结果的步骤,具体可包括:首先将第一通话互动信息转换为对应的第一文本信息。其中,上述第一通话互动信息为与上述多个用户对应的所有通话互动信息中的任意一条通话互动信息。另外,可以通过语音识别技术,例如调用预设的语音识别模型来识别上述第一通话互动信息并转化为对应的第一文本信息。然后提取上述第一文本信息中的第一特征信息,并构建与上述第一特征信息对应的第一特征标签向量。在得到了上述第一特征标签向量后,再将上述第一特征标签向量输入至预设的意愿模型,以通过上述意愿模型对上述第一特征标签向量进行预测处理,得到与上述第一文本信息对应的第一预测结果。其中,上述意愿模型为通过将与选取的样本用户(样本用户会划分为正样本与负样本)对应的正样本特征标签向量与上述负样本特征标签向量输入至预设的二分类模型中进行训练后生成的,上述第一预测结果可指通过上述意愿模型将上述第一特征标签向量进行预测处理后,将该第一特征标签向量预测为与上述正样本对应的正类的概率结果或概率数值。最后获取上述意愿模型输出的上述第一预测结果,并将上述第一预测结果确定为与上述第一通话互动信息对应的第一分析结果,以便后续根据得到的由意愿模型输出的所有预测结果来从所有上述用户中确定出潜在目标用户,有效地实现在所有用户中对于潜在目标用户的精确定位。进一步地,根据所有上述分析结果,从所有上述用户中筛选出潜在目标用户的步骤,包括:首先获取上述意愿模型输出的与所有上述通话互动信息的数量相同的多个预测结果,其中,上述通话互动信息与上述预测结果之间具有一一对应的关系。然后从所有上述预测结果中筛选出预测结果大于预设的预测阈值的指定预测结果。其中,对上述预设阈值不作具体限定,可根据实际需求进行设置,例如可设为0.8。之后获取与上述指定预测结果对应的指定通话互动信息。最后将与上述指定通话互动信息对应的第一指定用户确定为上述潜在目标用户。本实施例通过使用意愿模型对与上述电话渠道类型对应的通话互动信息进行分析处理并生成预测结果,进而根据将所有预测结果中大于预设的预测阈值的指定预测结果所对应的用户确定为潜在目标用户,有效地实现了在所有用户中对于潜在目标用户的精确定位。
进一步地,本申请一实施例中,上述步骤S302之前,包括:
S3020:选取样本用户,并获取所述样本用户的特征信息,其中,所述样本用户的类型包括已确认的***,以及已确认的非***;
S3021:将所述样本用户中的已确认的***作为正样本,并使用所述已确认的***的特征信息构建对应的正样本特征标签向量;以及,
S3022:将所述样本用户中的已确认的非***作为负样本,并使用所述已确认的非***的特征信息构建对应的负样本特征标签向量;
S3023:将所述正样本特征标签向量与所述负样本特征标签向量输入至预设的二分类模型中进行训练,生成所述意愿模型。
如上述步骤S3020至S3023所述,上述将上述第一特征标签向量输入至预设的意愿模型,以通过上述意愿模型对上述第一特征标签向量进行预测处理,得到与上述第一文本信息对应的第一预测结果的步骤之前,还包括创建上述意愿模型的创建过程。具体地,首先选取样本用户,并获取样本用户的特征信息,其中,上述样本用户的类型包括已确认的***,以及已确认的非***。另外,上述特征信息具体可包括用户的年龄、性别、年龄、职业、收入、学历、所在城市以及购物习惯等其中的一种或多种。然后将上述样本用户中的已确认的***作为正样本,并使用上述已确认的***的特征信息构建对应的正样本特征标签向量;以及,将上述样本用户中的已确认的非***作为负样本,并使用上述已确认的非***的特征信息构建对应的负样本特征标签向量。其中,样本特征标签向量具有一定长度的维度,其每个维度上的参数均对应表征样本用户的一种特征信息,即该样本特征标签向量由样本用户的多个特征信息构成。对于第i个样本用户的特征标签向量,其表示方式可为 其中,参数用于表征第i个样本用户的第n个特征信息。最后将上述正样本特征标签向量与上述负样本特征标签向量输入至预设的二分类模型中进行训练,生成上述意愿模型,以便后续使用该意愿模型来对与获取的用户信息对应的特征标签向量进行分析处理输出预测结果,进而根据该预测结果来有效地实现精确的潜在目标用户的定位。其中,对于上述二分类模型不作具体限定,例如可为逻辑回归模型、决策树、支持向量机等,对于上述二分类模型的训练生成意愿模型的训练过程可参考现有的二分类模型的训练流程,训练完成后生成的意愿模型能够用于对输入的与用户信息对应的特征标签向量进行预测处理,并得到该将特征标签向量的预测结果,该预测结果即为将该特征标签向量预测为与正样本对应的正类的概率结果或概率数值。
进一步地,本申请一实施例中,所述指定信息来源渠道类型为所述网站渠道类型,所述用户信息为所述行为数据信息,上述步骤S3,包括:
S310:将与第一用户对应的第一行为数据信息按照时间维度沿着时间轴分段,以将所述第一行为数据信息映射到对应的时间段上,得到映射处理后的第一行为数据信息,其中,所述第一行为数据信息为与所述多个用户对应的所有行为数据信息中的任意一条行为数据信息;
S311:获取预设的标准用户的行为模式集合;
S312:将所述映射处理后的第一行为数据信息与所述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算所述第一用户与所述标准用户之间的第一相似度数值,其中,所述行为模式集合包括多种行为模式;
S313:获取所述第一相似度数值,并将所述第一相似度数值确定为与所述第一行为数据信息对应的第二分析结果;
上述根据所有所述分析结果,从所有所述用户中确定出潜在目标用户的步骤S4,包括:
S410:获取计算得到的与所有所述行为数据信息的数量相同的多个相似度数值,其中,所述行为数据信息与所述相似度数值之间具有一一对应的关系;
S411:根据所有所述相似度数值,从所有所述用户中确定出所述潜在目标用户。
如上述步骤S310至S313,以及S410至S411所述,上述指定信息来源渠道类型除了为电话渠道类型,还可以为网站渠道类型。当上述指定信息来源渠道类型为上述网站渠道类型,上述用户信息为上述行为数据信息,且上述行为数据信息包括与用户的行为发生的时间相关的信息时,上述根据上述指定信息来源渠道类型,按照第一预设规则分别对各上述用户信息进行分析处理,得到与所有上述用户信息的数量相同的多个分析结果的步骤,具体可包括;首先将将与第一用户对应的第一行为数据信息按照时间维度沿着时间轴分段,以将上述第一行为数据信息映射到对应的时间段上,得到映射处理后的第一行为数据信息。其中,上述按照时间维度沿着时间轴分段具体指:可以将某个时间点,如每星期的第一天(星期一),或者每个月的月初(一号)作为时间轴原点,1个小时作为一个时间段,将每天划分为24个时间段,并对具体的时间点进行离散化处理,例如12:00-13:00之间的任何一个时间都离散化为数字12。另外,时间段的划分也可以根据实际需求采用其它方式,如5分钟作为一个时间段或者30分钟作为一个时间段等。举例地,对一定数量的用户的行为数据信息进行上述映射处理后,得到的映射处理后的行为数据信息可如下表1所示。然后获取预设的标准用户的行为模式集合。其中,上述标准用户是指符合目标***的标准的用户,上述符合目标***的标准可通过大量的先验知识来确定。另外,可以通过预设的关联规则算法来对上述标准用户的行为数据信息进行模式挖掘以得到上述行为模式集合。之后再将上述映射处理后的第一行为数据信息与上述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算上述第一用户与上述标准用户之间的第一相似度数值,其中,上述行为模式集合包括多种行为模式,每一个行为模式代表标准用户的一种行为特征,行为特征是指标准用户的一种行为习惯,即标准用户的某种行为发生在什么时间。最后获取上述第一相似度数值,并将上述第一相似度数值确定为与上述第一行为数据信息对应的第二分析结果,有利于后续根据计算得到的与所有上述行为数据信息对应的所有相似度数值来从所有上述用户中确定出潜在目标用户,以有效地实现在所有用户中对于潜在目标用户的精确定位。进一步地,上述根据所有上述分析结果,从所有上述用户中确定出潜在目标用户的步骤,包括:获取计算得到的与所有上述行为数据信息的数量相同的多个相似度数值,其中,上述行为数据信息与上述相似度数值之间具有一一对应的关系;根据所有上述相似度数值确定出上述潜在目标用户。其中,可以选取出满足预设条件的指定相似度数值所对应的指定用户作为上述目标用户,举例地,上述满足预设条件的指定相似度数值可指代数值最大的若干个相似度数值,或者大于预设的相似度阈值的若干个相似度数值。本实施例通过计算出每一个上述用户与上述标准用户的相似度数值,并根据得到的所有相似度数值来智能地从所有用户中确定出上述潜在目标用户,以有效地实现在所有用户中对于潜在目标用户的精确定位,使得后续可以利用该潜在目标用户进行新业务的推广,进而提高业务的拓展效率。
用户ID号码 | 时间 | 网站使用情况 | APP使用情况 |
ID1 | 9 | A | B |
ID2 | 10 | A,C | D |
ID3 | 8 | C | B,D |
ID4 | 11 | A | D |
… | … | … | … |
IDn | 12 | C | B |
表1
进一步地,本申请一实施例中,上述步骤S311之前,包括:
S3110:获取所述标准用户的第二行为数据信息,其中,所述标准用户的数量为第一数量;
S3111:通过预设的关联规则算法对所有所述第二行为数据信息进行模式挖掘,得到基于用户数量排序的行为模式集合。
如上述步骤S3110至S3111所述,在执行上述将上述映射处理后的第一行为数据信息与上述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算上述第一用户与上述标准用户之间的第一相似度数值的步骤之前,还可包括创建上述行为模式集合的过程。具体地,首先获取上述标准用户的第二行为数据信息。其中,上述标准用户的数量为第一数量,且对上述第一数量不作具体限定,可由用户根据实际需求进行设置或者由装置根据以往的数据统计自行生成,例如可设为1000。在得到了上述标准用户包含的所有第二行为数据信息后,再通过预设的关联规则算法对所有上述行为数据信息进行模式挖掘,得到基于用户数量排序的行为模式集合。其中,对于上述关联规则算法不作具体限定,可以通过利用Prefixspan、Apriori、FP-growth等关联规则算法来对标准用户的行为数据信息进行模式挖掘来得到上述行为模式集合。本实施例通过使用关联规则算法对标准用户对应的行为数据信息进行模式挖掘,来得到对应的行为模式集合,有利于后续根据上述行为模式集合,来将映射处理后的第一行为数据信息与标准用户对应的上述行为模式集合进行模式匹配处理,进而按照预设规则来计算出每一个用户与标准用户之间的相似度数值,并最终根据计算得到的所有相似度数值来从所有用户中确定出潜在目标用户。
本申请一实施例中,上述步骤S312,包括:
S3120:从所述行为模式集合中获取与所述映射处理后的第一行为数据信息匹配的指定行为模式,其中,所述指定行为模式的数量至少包括一个;
S3121:获取各所述指定行为模式分别对应的用户数量,以及各所述指定行为模式分别对应的权重系数;
S3122:对所述用户数量与所述权重系数进行加权求和计算,得到对应的分数值;
S3123:计算所述分数值与所述第一数量的商值,得到所述第一用户与所述标准用户之间的第一相似度数值。
如上述步骤S3120至S3123所述,上述将上述映射处理后的第一行为数据信息与上述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算上述第一用户与上述标准用户之间的第一相似度数值的步骤,具体可包括:首先从上述行为模式集合中获取与上述映射处理后的第一行为数据信息匹配的指定行为模式。举例地,上述行为模式集合具体可如下表2所示。其中,上述指定行为模式的数量至少包括一个。另外,上述获取与上述映射处理后的第一行为数据信息匹配的指定行为模式的过程包括:先从上述映射处理后的第一行为数据信息提取出所有的第一行为模式,再从上述行为模式集合中筛选出与该第一行为模式相同的指定行为模式。然后获取各上述指定行为模式分别对应的用户数量,以及各上述指定行为模式分别对应的权重系数。其中,参照表2可知,与在时间段9浏览网站A,在时间段11使用APP(B)的模式1所对应的用户数量为200,与在时间段12浏览网站C,在时间段8使用APP(B)的模式4所对应的用户数量为50,等等。另外,对上述权重系数的具体数值不作具体限定,可由根据实际需求进行设置或者由装置根据以往的数据统计自行生成,例如模式1对应的权重系数为0.5,模式2对应的权重系数为0.8,模式3对应的权重系数为0.6,模式4对应的权重系数为0.7,等等。之后对上述用户数量与上述权重系数进行加权求和计算,得到对应的分数值。最后在得到了上述分数值时,再计算上述分数值与上述第一数量的商值,得到上述第一用户与上述标准用户之间的第一相似度数值,依此类推,直至完成对于所有上述用户的相似度数值的计算,以便后续根据计算得到的所有相似度数值来精确地从上述所有用户中确定出上述潜在目标用户。举例地,当与标准用户对应的第一数量为1000,参照表2,如果在表2所对应的行为模式集合中与第一用户匹配的指定行为模式为1,2,4,则该第一用户与标准用户之间的第一相似度数值可计算如下:第一相似度数值=(200*0.5+100*0.8+50*0.7)/1000=0.215。
模式号码 | 行为模式 | 人数 |
模式1 | 9网站A,11APP(B) | 200 |
模式2 | 10网站C,10APP(D) | 100 |
模式3 | 11网站A,9APP(D),12网站C | 100 |
模式4 | 12网站C,8APP(B) | 50 |
… | … | … |
模式n | 11网站A,11APP(B),14APP(D) | 150 |
表2
进一步地,本申请一实施例中,上述步骤S411,包括:
S4110:将所有所述相似度数值按照数值从大到小的顺序进行排序,得到对应的排序结果;
S4111:从所述排序结果中排在首位的相似度数值开始,依次获取第二数量的指定相似度数值;
S4112:将与获取到的所述指定相似度数值对应的第二指定用户确定为所述潜在目标用户。
如上述步骤S4110至S4112所述,上述根据所有上述相似度数值,从所有上述用户中确定出上述潜在目标用户的步骤,具体可包括:首先将所有上述相似度数值按照数值从大到小的顺序进行排序,得到对应的排序结果。然后从上述排序结果中排在首位的相似度数值开始,依次获取第二数量的指定相似度数值。其中,对上述第二数量不作具体限定,可根据实际需求进行设置,例如可设为5。最后在得到了上述指定相似度数值时,将与获取到的上述指定相似度数值对应的第二指定用户确定为上述潜在目标用户,使得后续可以利用该潜在目标用户进行新业务的推广,进而有效提高业务的拓展效率。举例地,当上述第二数量设置为5时,假设将所有相似度数值按照数值从大到小的顺序进行排序后得到的排序结果为:相似度数值1、相似度数值2、相似度数值3、相似度数值4、相似度数值5、……,则可将获取到的与上述相似度数值1、相似度数值2、相似度数值3、相似度数值4、相似度数值5分别对应的5个第二指定用户确定为上述潜在目标用户。
参照图2,本申请一实施例中还提供了一种识别潜在目标用户的装置,包括:
第一获取模块1,用于获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
第二获取模块2,用于获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
分析模块3,用于根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
确定模块4,用于根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
本实施例中,上述识别潜在目标用户的装置中的第一获取模块、第二获取模块、分析模块与确定模块的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S1至S4的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述分析模块,包括:
转换单元,用于将第一通话互动信息转换为对应的第一文本信息,其中,所述第一通话互动信息为与所述多个用户对应的所有通话互动信息中的任意一条通话互动信息;
提取单元,用于提取所述第一文本信息中的第一特征信息,并构建与所述第一特征信息对应的第一特征标签向量;
输入单元,用于将所述第一特征标签向量输入至预设的意愿模型,以通过所述意愿模型对所述第一特征标签向量进行预测处理,得到与所述第一文本信息对应的第一预测结果;
第一确定单元,用于获取所述意愿模型输出的所述第一预测结果,并将所述第一预测结果确定为与所述第一通话互动信息对应的第一分析结果;
上述确定模块,包括:
第一获取单元,用于获取所述意愿模型输出的与所有所述通话互动信息的数量相同的多个预测结果,其中,所述通话互动信息与所述预测结果之间具有一一对应的关系;
筛选单元,用于从所有所述预测结果中筛选出预测结果大于预设的预测阈值的指定预测结果;
第二获取单元,用于获取与所述指定预测结果对应的指定通话互动信息;
第二确定单元,用于将与所述指定通话互动信息对应的第一指定用户确定为所述潜在目标用户。
本实施例中,上述识别潜在目标用户的装置中的转换单元、提取单元、输入单元与第一确定单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S300至S303的实现过程,在此不再赘述;上述识别潜在目标用户的装置中的第一获取单元、筛选单元、第二获取单元与第二确定单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S400至S403的实现过程,在此不再赘述;
进一步地,本申请一实施例中,上述分析模块,包括:
选取单元,用于选取样本用户,并获取所述样本用户的特征信息,其中,所述样本用户的类型包括已确认的***,以及已确认的非***;
第一构建单元,用于将所述样本用户中的已确认的***作为正样本,并使用所述已确认的***的特征信息构建对应的正样本特征标签向量;以及,
第二构建单元,用于将所述样本用户中的已确认的非***作为负样本,并使用所述已确认的非***的特征信息构建对应的负样本特征标签向量;
训练单元,用于将所述正样本特征标签向量与所述负样本特征标签向量输入至预设的二分类模型中进行训练,生成所述意愿模型。
本实施例中,上述识别潜在目标用户的装置中的选取单元、第一构建单元、第二构建单元与训练单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S3020至S3023的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述分析模块,包括:
映射单元,用于将与第一用户对应的第一行为数据信息按照时间维度沿着时间轴分段,以将所述第一行为数据信息映射到对应的时间段上,得到映射处理后的第一行为数据信息,其中,所述第一行为数据信息为与所述多个用户对应的所有行为数据信息中的任意一条行为数据信息;
第三获取单元,用于获取预设的标准用户的行为模式集合;
计算单元,用于将所述映射处理后的第一行为数据信息与所述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算所述第一用户与所述标准用户之间的第一相似度数值,其中,所述行为模式集合包括多种行为模式;
第三确定单元,用于获取所述第一相似度数值,并将所述第一相似度数值确定为与所述第一行为数据信息对应的第二分析结果;
上述确定模块,包括:
第四获取单元,用于获取计算得到的与所有所述行为数据信息的数量相同的多个相似度数值,其中,所述行为数据信息与所述相似度数值之间具有一一对应的关系;
第四确定单元,用于根据所有所述相似度数值,从所有所述用户中确定出所述潜在目标用户。
本实施例中,上述识别潜在目标用户的装置中的映射单元、第三获取单元、计算单元与第三确定单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S310至S313的实现过程,在此不再赘述;上述识别潜在目标用户的装置中的第四获取单元与第四确定单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S410至S411的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述分析模块,包括:
第五获取单元,用于获取所述标准用户的第二行为数据信息,其中,所述标准用户的数量为第一数量;
挖掘单元,用于通过预设的关联规则算法对所有所述第二行为数据信息进行模式挖掘,得到基于用户数量排序的行为模式集合。
本实施例中,上述识别潜在目标用户的装置中的第五获取单元与挖掘单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S3110至S3111的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述计算单元,包括:
第一获取子单元,用于从所述行为模式集合中获取与所述映射处理后的第一行为数据信息匹配的指定行为模式,其中,所述指定行为模式的数量至少包括一个;
第二获取子单元,用于获取各所述指定行为模式分别对应的用户数量,以及各所述指定行为模式分别对应的权重系数;
第一计算子单元,用于对所述用户数量与所述权重系数进行加权求和计算,得到对应的分数值;
第二计算子单元,用于计算所述分数值与所述第一数量的商值,得到所述第一用户与所述标准用户之间的第一相似度数值。
本实施例中,上述识别潜在目标用户的装置中的第一获取子单元、第二获取子单元、第一计算子单元与第二计算子单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S3120至S3123的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述第四确定单元,包括:
排序子单元,用于将所有所述相似度数值按照数值从大到小的顺序进行排序,得到对应的排序结果;
第三获取子单元,用于从所述排序结果中排在首位的相似度数值开始,依次获取第二数量的指定相似度数值;
确定子单元,用于将与获取到的所述指定相似度数值对应的第二指定用户确定为所述潜在目标用户。
本实施例中,上述识别潜在目标用户的装置中的排序子单元、第三获取子单元与确定子单元的功能和作用的实现过程具体详见上述识别潜在目标用户的方法中对应步骤S4110至S4112的实现过程,在此不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储信息来源渠道类型、用户信息以及分析结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种识别潜在目标用户的方法。
上述处理器执行上述识别潜在目标用户的方法的步骤:
获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的装置、计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种识别潜在目标用户的方法,具体为:
获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
综上所述,本申请实施例中提供的识别潜在目标用户的方法、装置、计算机设备和存储介质,获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。本申请实施例通过获取与指定信息来源渠道类型对应的多个用户的用户信息,并根据该指定信息来源渠道类型来针对性地采用对应的分析规则来对该用户信息进行分析处理以得到对应的分析结果,最后根据得到的分析结果来智能准确地从所有用户中确定出潜在目标用户,以有效地实现在所有用户中对于潜在目标用户的精确定位,使得后续可以利用该潜在目标用户进行新业务的推广,进而提高业务的拓展效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种识别潜在目标用户的方法,其特征在于,包括:
获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
2.根据权利要求1所述的识别潜在目标用户的方法,其特征在于,所述指定信息来源渠道类型为所述电话渠道类型,所述用户信息为所述通话互动信息,所述根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果的步骤,包括:
将第一通话互动信息转换为对应的第一文本信息,其中,所述第一通话互动信息为与所述多个用户对应的所有通话互动信息中的任意一条通话互动信息;
提取所述第一文本信息中的第一特征信息,并构建与所述第一特征信息对应的第一特征标签向量;
将所述第一特征标签向量输入至预设的意愿模型,以通过所述意愿模型对所述第一特征标签向量进行预测处理,得到与所述第一文本信息对应的第一预测结果;
获取所述意愿模型输出的所述第一预测结果,并将所述第一预测结果确定为与所述第一通话互动信息对应的第一分析结果;
所述根据所有所述分析结果,从所有所述用户中筛选出潜在目标用户的步骤,包括:
获取所述意愿模型输出的与所有所述通话互动信息的数量相同的多个预测结果,其中,所述通话互动信息与所述预测结果之间具有一一对应的关系;
从所有所述预测结果中筛选出预测结果大于预设的预测阈值的指定预测结果;
获取与所述指定预测结果对应的指定通话互动信息;
将与所述指定通话互动信息对应的第一指定用户确定为所述潜在目标用户。
3.根据权利要求2所述的识别潜在目标用户的方法,其特征在于,所述将所述第一特征标签向量输入至预设的意愿模型,以通过所述意愿模型对所述第一特征标签向量进行预测处理,得到与所述第一文本信息对应的第一预测结果的步骤之前,包括:
选取样本用户,并获取所述样本用户的特征信息,其中,所述样本用户的类型包括已确认的***,以及已确认的非***;
将所述样本用户中的已确认的***作为正样本,并使用所述已确认的***的特征信息构建对应的正样本特征标签向量;以及,
将所述样本用户中的已确认的非***作为负样本,并使用所述已确认的非***的特征信息构建对应的负样本特征标签向量;
将所述正样本特征标签向量与所述负样本特征标签向量输入至预设的二分类模型中进行训练,生成所述意愿模型。
4.根据权利要求1所述的识别潜在目标用户的方法,其特征在于,所述指定信息来源渠道类型为所述网站渠道类型,所述用户信息为所述行为数据信息,所述根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果的步骤,包括:
将与第一用户对应的第一行为数据信息按照时间维度沿着时间轴分段,以将所述第一行为数据信息映射到对应的时间段上,得到映射处理后的第一行为数据信息,其中,所述第一行为数据信息为与所述多个用户对应的所有行为数据信息中的任意一条行为数据信息;
获取预设的标准用户的行为模式集合;
将所述映射处理后的第一行为数据信息与所述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算所述第一用户与所述标准用户之间的第一相似度数值,其中,所述行为模式集合包括多种行为模式;
获取所述第一相似度数值,并将所述第一相似度数值确定为与所述第一行为数据信息对应的第二分析结果;
所述根据所有所述分析结果,从所有所述用户中确定出潜在目标用户的步骤,包括:
获取计算得到的与所有所述行为数据信息的数量相同的多个相似度数值,其中,所述行为数据信息与所述相似度数值之间具有一一对应的关系;
根据所有所述相似度数值,从所有所述用户中确定出所述潜在目标用户。
5.根据权利要求4所述的识别潜在目标用户的方法,其特征在于,所述获取预设的标准用户的行为模式集合的步骤之前,包括:
获取所述标准用户的第二行为数据信息,其中,所述标准用户的数量为第一数量;
通过预设的关联规则算法对所有所述第二行为数据信息进行模式挖掘,得到基于用户数量排序的行为模式集合。
6.根据权利要求5所述的识别潜在目标用户的方法,其特征在于,所述将所述映射处理后的第一行为数据信息与所述标准用户的行为模式集合进行模式匹配处理,按照第二预设规则计算所述第一用户与所述标准用户之间的第一相似度数值的步骤,包括:
从所述行为模式集合中获取与所述映射处理后的第一行为数据信息匹配的指定行为模式,其中,所述指定行为模式的数量至少包括一个;
获取各所述指定行为模式分别对应的用户数量,以及各所述指定行为模式分别对应的权重系数;
对所述用户数量与所述权重系数进行加权求和计算,得到对应的分数值;
计算所述分数值与所述第一数量的商值,得到所述第一用户与所述标准用户之间的第一相似度数值。
7.根据权利要求4所述的识别潜在目标用户的方法,其特征在于,所述根据所有所述相似度数值,从所有所述用户中确定出所述潜在目标用户的步骤,包括:
将所有所述相似度数值按照数值从大到小的顺序进行排序,得到对应的排序结果;
从所述排序结果中排在首位的相似度数值开始,依次获取第二数量的指定相似度数值;
将与获取到的所述指定相似度数值对应的第二指定用户确定为所述潜在目标用户。
8.一种识别潜在目标用户的装置,其特征在于,包括:
第一获取模块,用于获取从预设的信息来源渠道类型中选定的指定信息来源渠道类型,其中,所述信息来源渠道类型包括电话渠道类型或者网站渠道类型;
第二获取模块,用于获取与所述指定信息来源渠道类型对应的多个用户的用户信息,其中,所述用户信息包括与所述电话渠道类型对应的通话互动信息,或者与所述网站渠道类型对应的行为数据信息;
分析模块,用于根据所述指定信息来源渠道类型,按照第一预设规则分别对各所述用户信息进行分析处理,得到与所有所述用户信息的数量相同的多个分析结果,其中,所述用户信息与所述分析结果之间具有一一对应的关系;
确定模块,用于根据所有所述分析结果,从所有所述用户中确定出潜在目标用户。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623475.1A CN111738774A (zh) | 2020-06-30 | 2020-06-30 | 识别潜在目标用户的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623475.1A CN111738774A (zh) | 2020-06-30 | 2020-06-30 | 识别潜在目标用户的方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738774A true CN111738774A (zh) | 2020-10-02 |
Family
ID=72652313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623475.1A Pending CN111738774A (zh) | 2020-06-30 | 2020-06-30 | 识别潜在目标用户的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738774A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101046A (zh) * | 2020-11-02 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种基于通话行为的会话分析方法、装置和*** |
CN113449184A (zh) * | 2021-06-23 | 2021-09-28 | 平安科技(深圳)有限公司 | 触达渠道的推荐方法、装置、计算机设备和存储介质 |
CN114461870A (zh) * | 2021-12-21 | 2022-05-10 | 北京达佳互联信息技术有限公司 | 对象识别方法、装置、设备及存储介质 |
CN115209397A (zh) * | 2021-04-12 | 2022-10-18 | ***通信集团河北有限公司 | ***终端的确定方法、装置、设备及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355449A (zh) * | 2016-08-31 | 2017-01-25 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN108230001A (zh) * | 2016-12-21 | 2018-06-29 | 华为技术有限公司 | 扩展用户的方法、装置及*** |
CN108875761A (zh) * | 2017-05-11 | 2018-11-23 | 华为技术有限公司 | 一种拓展***的方法及装置 |
CN110378727A (zh) * | 2019-07-05 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 产品***确定方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-30 CN CN202010623475.1A patent/CN111738774A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355449A (zh) * | 2016-08-31 | 2017-01-25 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN108230001A (zh) * | 2016-12-21 | 2018-06-29 | 华为技术有限公司 | 扩展用户的方法、装置及*** |
CN108875761A (zh) * | 2017-05-11 | 2018-11-23 | 华为技术有限公司 | 一种拓展***的方法及装置 |
CN110378727A (zh) * | 2019-07-05 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 产品***确定方法、装置、计算机设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101046A (zh) * | 2020-11-02 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种基于通话行为的会话分析方法、装置和*** |
CN112101046B (zh) * | 2020-11-02 | 2022-04-29 | 北京淇瑀信息科技有限公司 | 一种基于通话行为的会话分析方法、装置和*** |
CN115209397A (zh) * | 2021-04-12 | 2022-10-18 | ***通信集团河北有限公司 | ***终端的确定方法、装置、设备及计算机存储介质 |
CN115209397B (zh) * | 2021-04-12 | 2023-08-15 | ***通信集团河北有限公司 | ***终端的确定方法、装置、设备及计算机存储介质 |
CN113449184A (zh) * | 2021-06-23 | 2021-09-28 | 平安科技(深圳)有限公司 | 触达渠道的推荐方法、装置、计算机设备和存储介质 |
CN114461870A (zh) * | 2021-12-21 | 2022-05-10 | 北京达佳互联信息技术有限公司 | 对象识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874992B (zh) | 舆情分析方法、***、计算机设备和存储介质 | |
CN111738774A (zh) | 识别潜在目标用户的方法、装置、计算机设备和存储介质 | |
CN109800307B (zh) | 产品评价的分析方法、装置、计算机设备及存储介质 | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
CN110598845A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN108804133B (zh) | 虚拟资源的获取方法、***、计算机设备和存储介质 | |
CN110019736B (zh) | 基于语言模型的问答匹配方法、***、设备及存储介质 | |
CN108520041B (zh) | 文本的行业分类方法、***、计算机设备和存储介质 | |
CN108345419B (zh) | 一种信息推荐列表的生成方法及装置 | |
WO2020244152A1 (zh) | 数据推送方法、装置、计算机设备和存储介质 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
CN113360622A (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN113157898B (zh) | 候选问题的推荐方法、装置、计算机设备及存储介质 | |
CN111737548A (zh) | 点选验证码识别方法、装置、计算机设备和存储介质 | |
CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
CN113536139A (zh) | 基于兴趣的内容推荐方法、装置、计算机设备及存储介质 | |
CN114399396A (zh) | 保险产品推荐方法、装置、计算机设备及存储介质 | |
CN114461869B (zh) | 业务特征数据处理方法、装置、电子设备及存储介质 | |
CN113343024B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN114253990A (zh) | 数据库查询方法、装置、计算机设备和存储介质 | |
CN113033990A (zh) | 一种设计师智能匹配方法 | |
CN112734307A (zh) | 一种在线实时企业画像生成方法、装置、设备及存储介质 | |
CN112749238A (zh) | 搜索排序方法、装置、电子设备以及计算机可读存储介质 |
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 |