CN111767201B - 用户行为分析方法、终端设备、服务器及存储介质 - Google Patents
用户行为分析方法、终端设备、服务器及存储介质 Download PDFInfo
- Publication number
- CN111767201B CN111767201B CN202010602520.5A CN202010602520A CN111767201B CN 111767201 B CN111767201 B CN 111767201B CN 202010602520 A CN202010602520 A CN 202010602520A CN 111767201 B CN111767201 B CN 111767201B
- Authority
- CN
- China
- Prior art keywords
- page
- user
- data
- behavior
- query
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例提出了一种用户行为分析方法、终端设备、服务器及存储介质,涉及大数据分析、云计算领域。该用户行为分析方法包括:对用户在终端设备上的操作行为所产生的操作行为数据进行采集;将采集到的操作行为数据转换为具有预定格式的用户数据并存储在终端设备中;从服务器接收查询脚本,并根据接收到的查询脚本来对用户数据进行查询;以及将查询结果上报给服务器,以便于服务器根据查询结果对用户的操作行为进行统计分析。
Description
技术领域
本发明涉及大数据分析、云计算领域,具体而言,涉及一种在终端设备中执行的用户行为分析方法、一种终端设备、服务器以及存储介质。
背景技术
目前,针对移动终端上的用户操作行为的分析还处于初级阶段。数据采集整体应用分析上还是以小规模的、基于固定的预设模型分析为主。而运营和产品分析更高层次的需求需要思考的是用户启动应用之后做了什么、最频繁的用户行为轨迹是什么以及如何将用户的行为模式向我们期望的用户行为模式进行引导等。但目前的大数据分析平台主要集中在推荐、广告、营销策略上,难以对这些需求进行有利的支持。
发明内容
本发明实施例提出了一种在终端设备中执行的用户行为分析方法、一种终端设备、服务器以及存储介质。
根据本发明实施例的第一方面,提供了一种在终端设备中执行的用户行为分析方法,包括:
对用户在终端设备上的操作行为所产生的操作行为数据进行采集;
将采集到的操作行为数据转换为具有预定格式的用户数据并存储在所述终端设备中;
从服务器接收查询脚本,并根据接收到的查询脚本来对所述用户数据进行查询;以及
将查询结果上报给所述服务器,以便于服务器根据所述查询结果对用户的操作行为进行统计分析。
根据本发明实施例的第二方面,提供了一种终端设备,包括:
存储器,被配置为存储一个或多个程序;以及
处理器,被配置为执行所述一个或多个程序,以执行如下操作:
对用户在终端设备上的操作行为所产生的操作行为数据进行采集;
将采集到的操作行为数据转换为具有预定格式的用户数据并存储在所述存储器中;
从服务器接收查询脚本,并根据接收到的查询脚本来对所述用户数据进行查询;以及
将查询结果上报给所述服务器,以便于服务器根据所述查询结果对用户的操作行为进行统计分析。
根据本发明实施例的第三方面,提供了一种服务器,包括:
存储器;以及
处理器,被配置为从多个根据本发明实施例的第二方面所述的终端设备接收查询结果,并根据来自多个所述终端设备的查询结果对所述多个终端设备的用户的操作行为进行统计分析。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,其上存储有可执行指令,所述指令在被处理器执行时使所述处理器执行任一根据本发明实施例的第一方面所述的方法。
根据本发明实施例的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述方法。
根据本发明的实施例的技术方案,通过将在终端设备上采集到的用户的操作行为数据转换为具有预定格式的用户数据并存储在终端设备中,并在终端设备处实现对用户数据的查询,实现了轻量级的大数据分析平台,降低了***的硬件消耗,并且实现了对数据的实时查询;通过利用行为会话模型对用户数据进行存储,实现了更加灵活和精细的数据处理,有利于实现对复杂的用户行为的分析。
附图说明
通过下文结合附图的详细描述,本发明的上述和其它特征将会变得更加明显,其中:
图1示出了根据本发明的实施例的分布式用户行为分析***的结构框图;
图2示出了根据本发明的实施例的在终端设备中执行的用户行为分析方法的流程图;
图3示出了根据本发明的实施例的行为会话模型的示例;
图4示出了根据本发明的实施例的创建页面会话模型的流程图;以及
图5示出了根据本发明的实施例的分布式用户行为分析***的终端设备的示例。
在附图中,相同或相似的结构均以相同或相似的附图标记进行标识。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚明白,以下结合附图对本申请做进一步详细说明。应注意,以下描述只用于举例说明,并不用于限制本公开。在以下描述中,为了提供对本公开的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本公开。在其他实例中,为了避免混淆本公开,未具体描述公知的电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本公开至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
图1示出了根据本发明的实施例的分布式用户行为分析***的结构框图。如图1所示,该分布式用户行为分析***包括多个终端设备TD1、TD2、TD3……和至少一个服务器SD,多个终端设备TD1、TD2、TD3……与至少一个服务器SD可通信地连接。
图1所示的分布式用户行为分析***的工作过程包括查询脚本下发、终端设备的查询和计算以及查询结果上报,多个终端设备TD1、TD2、TD3……中的每个终端设备是分布式用户行为分析***的一个存储计算的节点。每个终端设备在其本地的数据库中存储由用户在该终端设备上的操作行为所产生的操作行为数据转换而得到的用户数据,接收从服务器下发的查询脚本,,在查询脚本中可以包括用户行为分析模型。终端设备可以根据查询脚本对本地存储器中所存储的用户数据进行查询,在终端设备处完成模型的匹配。然后,每个终端设备可以将查询结果返回给服务器。用户行为分析模型的每个步骤可以是由一系列事件集合而成。当采集数据入库的时候,发现命中集合中的事件之后,进行模型步骤命中的上报,完成实时计算。
服务器负责制定下发给每个终端设备的查询脚本,并将其下发给每个终端设备,以及根据从每个终端设备接收的查询结果进行统计分析,以实现对用户行为的分析。
根据本发明实施例的分布式用户行为分析***,是一套对线上用户行为进行分析的前后端整体解决方案。由于用户数据存储在多个终端设备中的每个终端设备本地的存储器中,因此,无需执行数据采集和上报的操作,从而降低了对数据进行采集上报并集中存储而导致的***硬件上的消耗。本发明实施例的分布式用户行为分析***通过分布式的存储和查询计算,可以对各种需求的数据进行快速处理。
基于搭建大数据平台来进行数据分析,海量的数据存储,复杂的实时,离线计算对存储,计算机的消耗非常大。整个流程的搭建过于复杂,尤其是实时的数据计算,对于中小型应用实现成本太高。根据本发明实施例的分布式用户行为分析***,是一套轻量级的用户行为分析***,适用于任何大中小型项目中。由于多个终端设备中的每个终端设备可以根据从服务器下发的查询脚本在终端设备上对本地存储器中所存储的用户数据执行查询和计算,而仅向服务器上报查询结果,无需大数据的支持即可实现对用户行为的统计分析,从而降低了对服务器性能的要求,可以极大的降低成本,并且可以达到实时的样本收集分析。
需要说明的是,虽然在图1中多个终端设备被示出为移动终端的形式,但本发明的实施例不限于此。多个终端设备可以为任何形式的设备,包括但不限于个人计算机、平板计算机、个人数字助理PDA、可穿戴式设备等。此外,虽然在图1中服务器被示出为单个服务器的形式,但本发明的实施例不限于此。在其他的实施例中,服务器可以是由多个服务器组成的集群的形式。
用户在终端设备上的操作行为是具有任意长路径的时序行为,为了从这些操作行为中精准的捕获到用户在使用过程的全局行为模式,局部行为模式,本发明实施例提供了一种在终端设备中执行的用户行为分析方法,该用户行为分析方法可以在上述实施例中多个终端设备TD1、TD2、TD3……中的任何一个终端设备中执行。该用户行为分析方法可以对用户在终端设备上的操作行为进行量化,从而有助于对用户行为进行捕获和预测。通过对用户在终端设备上的操作行为进行量化,可以在任意的长路径时序行为中,分析得到与用户的操作行为有关的转化率、流失率,找到销售线索等。
图2示出了根据本发明的实施例的在终端设备中执行的用户行为分析方法的流程图。如图2所示,该用户行为分析方法包括如下步骤:
在步骤S210中,对用户在终端设备上的操作行为所产生的操作行为数据进行采集。
在步骤S220中,将采集到的操作行为数据转换为具有预定格式的用户数据并存储在终端设备中。
在步骤S230中,从服务器接收查询脚本,并根据接收到的查询脚本来对用户数据进行查询。
在步骤S240中,将查询结果上报给服务器,以便于服务器根据查询结果对用户的操作行为进行统计分析。
下面结合实施例详细说明各步骤。
在步骤S210中,可以采用无埋点和手动埋点相结合的方式在终端设备侧对用户的操作行为数据进行采集。
无埋点也称自动埋点或全埋点,可以通过编译时插桩或者运行时Hook,来对所有页面、页面元素等进行全量事件自动采集。Hook技术是在进程运行时动态的将额外代码依附于现进程中,从而实现替换现有处理逻辑或***额外功能的目的。在本发明的实施例中,每当用户启动终端设备的应用时,都将设定的Hook代码动态注入到应用的目标进程中,以在事件传送到终点前截获并监控事件的传输。
根据实施例,利用手动埋点方式来辅助无埋点方式对数据进行采集,来提高精准度。手动埋点,每个点号都有自定义的意义。针对一些复杂场景,或者准确度要求高的场景进行打点。这些打点数据也按时间顺序***。
在本发明的实施例中,将无埋点方式用作用户事件数据采集的主要来源,辅以手动埋点进行参数补充,对用户行为详细的记录,使得可以实现对复杂的用户行为进行分析。
接下来,在步骤S220中,将采集到的操作行为数据转换为具有预定格式的用户数据。根据实施例,具有预定格式的用户数据可以包括事件数据、基础属性数据和用户行为路径上传递的附加数据。
事件数据可以是与用户在终端设备上执行的任何操作行为有关的数据。例如在应用的页面上所施加的点击或滑动等操作行为,所有UI控件事件,以及手势操作事件,弹窗事件等。可以Hook事件,以便在应用或页面的生命周期中,对用户行为进行写库记录,记录可以以时间戳为顺序进行记录。其中滑动类事件通过判断用户滑动方向,一次操作进行一次记录。所有UI控件事件,以及手势操作事件,弹窗事件,在记录时,都要同时记录当前所浏览的页面的页面ID。所有事件数据可以按照时间戳的顺序存储在终端设备的存储器中的事件数据表中。
基础属性数据可以是与用户有关的数据,例如用户的分群属性、用户所处城市、位置(基于GPS)等;基础属性数据也可以是与移动终端有关的数据,例如移动终端的类型、***的类型等;基础属性数据也可以是与终端设备上的应用有关的数据,例如应用的名称、版本、应用上按钮的位置等。这些仅是基础属性数据的示例,并且本发明实施例不限于此。
根据实施例,可以在利用时间戳记录事件数据的同时,将当前的与用户有关的、与移动终端有关的以及与应用或页面有关的基础属性数据一起记录在终端设备的存储器中的事件数据表中。
用户行为路径上传递的附加数据包括针对用户在终端设备上的操作行为而创建的行为会话模型。行为会话模型包括用户启动终端设备上的应用至关闭该应用之间所浏览的所有页面的页面数据。
应用软件的一个可见的规律是所有的用户操作行为都是闭环操作。例如,每当用户启动一个应用,都会伴随着关闭该应用。每当用户打开一个页面以及各种二级页面甚至弹窗之后,用户都需要依次关闭各个页面,并返回到起始页面。将应用或页面的开启和关闭作为会话的开始和结束,把用户的时序性行为轨迹以会话为单元进行建模,可以量化一次用户行为。
在本发明的实施例中,基于用户操作行为的闭环特性来建立针对用户在终端设备上的操作行为的行为会话模型,从而将行为路径复杂且随机的用户操作行为量化,以便于针对下发的查询脚本中的用户行为分析模型对用户数据进行查询。可以针对用户在应用使用期间的各种行为建立不同的行为会话模型。行为会话模型以应用退出作为应用启动后所有未闭合会话的闭合点。
举例而言,对于搜索行为,虽然用户进入搜索页面之后,后续跳转了一系列二级页面,但按照行为闭环的原则,用户都要回到搜索页面,或者退出应用。我们把这样的一个会话定义为用户的一次搜索行为,并针对该搜索行为建立行为会话模型。可以利用行为闭环的多个会话表示一组连续性时序行为,比如输入关键字进行搜索,点击搜索结果,跳到一系列的二级页面。由于会话中还会有子会话,所以会话模型在页面间传递的过程中,还可以进行数据补充。
根据实施例,在将采集到的操作行为数据转换为具有预定格式的用户数据的过程中,分别针对用户启动终端设备上的应用至关闭应用之间所浏览的多个页面中的每个页面创建页面会话模型,页面会话模型包括页面的页面数据和从用户启动应用至浏览到页面所需的最短行为路径所经历的页面的页面数据。通过针对每个页面创建页面会话模型,可以将页面数据补充至行为会话模型中。
图3示出了根据本发明的实施例的行为会话模型的示例。如图3所示,该行为会话模型可以描述用户在行为路径A→B→C→B→D上的操作。具体地,A、B、C和D可以表示应用的不同的页面,其中A可以是应用的起始页面。用户的操作行为是沿行为路径A→B→C→B→D在不同的页面间浏览。
如图3所示,在行为路径A→B→C→B→D的行为会话模型中,每个页面还包括针对该页面所创建的页面会话模型。例如页面A的页面会话模型为SM1,SM1包括页面A自身的页面数据dataA;页面B的页面会话模型为SM2,SM2同时包括页面A的页面数据dataA和页面B自身的页面数据dataB;页面C的页面会话模型为SM3,SM3同时包括页面A的页面数据dataA、页面B的页面数据dataB和页面C自身的页面数据dataC;页面D的页面会话模型为SM4,SM4同时包括页面A的页面数据dataA、页面B的页面数据dataB、页面C的页面数据dataC和页面D自身的页面数据dataD。
需要注意的是,页面会话模型包括页面的页面数据和从用户启动应用至浏览到该页面所需的最短行为路径所经历的页面的页面数据,因此,对于行为路径C→B,尽管用户是从页面C浏览(返回)至页面B,但从起始页面A浏览至页面B的最短行为路径不经过页面C,因此经由行为路径C→B返回到页面B后,页面B的页面行为模型仍为SM2,SM2仍只包括页面A的页面数据dataA和页面B自身的页面数据dataB。另外,对于行为路径B→D,实际上是从页面C返回到页面B之后从页面B跳转的,因此页面D的页面会话模型SM4中不包括页面C的页面数据dataC。
根据实施例,页面数据可以包括与页面内容有关的关键字,例如搜索的关键字。这个数据模型在行为会话模型内的页面间传递,这样就可以基于搜索行为再进行计算。例如,可以在页面模型中添加“大主宰”这个关键字,并基于该关键字最终成功找到“大主宰”这本书,如何开始阅读这本书中的某一页的一个搜索行为。
不同页面可以定义自己的页面会话模型的页面数据的关键字。关键字的定义可以根据客户所要进行的用户行为分析的需求来确定。例如,如果客户想要获取某个页面中检索按钮或检索栏的设置是否合理,则可以将检索按钮或检索栏的位置作为关键字字段。然后在用户在页面中操作时,获取检索按钮或检索栏的位置,并将所获取的检索按钮或检索栏的位置作为关键字字段的值填充,设置的关键字字段和填充的关键字字段的值一起构成了当前页面的页面数据。
用户在多次操作应用软件的过程中,可以在用户的操作中,或在用户的操作路径上寻找规律。这些规律如果符合预期的行为路径或行为模式,则称之为符合预置行为模型。例如AARRR模型、消费模型、电商模型等,这些模型都是有一定目的性的预置行为模型。
此外,还有一些用户的行为规律是散乱的,并不是事先能够预期的,但可以从散乱的行为中寻找行为规律,称之为发现行为模型。例如用户对应用的一次访问操作的行为路径如下:启动(应用)→Home页→Feed页→内容页→Home页→热榜页→Home页→个人中心私信→退出(应用)。
这样的一个行为路径(或称为行为模型)对于单个用户或少量用户来说都是随机的,但对于大量用户的海量行为数据,这样一个行为模型在用户行为中的占比,以及类似的排序最高的几个用户行为模型具有什么样的结构,对于产品的宏观判断很有必要。
发现行为模型根据范围的不同,可以分为局部行为模型(发生在页面之间的操作行为)和全局行为模型(发生在应用之间的操作行为)。发现行为模型根据操作时序的不同,可以分为时序性行为模型和非时序性行为模型。时序性行为模型又可以分为连续性时序行为模型和非连续性时序行为模型。
传统的大数据的行为分析***基于采集上报的模式,由于硬件性能的限制,无法记录更细节的用户操作。例如在页面上的横滑或上下滑(可以用于对UE的交互设计进行分析),这类数据量太大,上报对于用户流量和数据存储都有很大消耗。在本发明的实施例中,将数据存储在终端设备处,无需上报,由此有助于进行更灵活和精细的查询和计算,进而对复杂的用户行为进行分析。
图4示出了根据本发明的实施例的创建页面会话模型的流程图。如图4所示,根据如下步骤来为每个页面创建页面会话模型。
在步骤S410中,在用户启动应用时,针对应用的起始页面创建页面会话模型,并在所创建的页面会话模型中填充应用的起始页面的页面数据。例如,参考图3,在页面A处创建页面会话模型SM1,并在SM1中填充页面A的页面数据。然后,在步骤S420中,用户从当前页面浏览到下一个页面,并在步骤S430中,判断浏览到的下一个页面是否是会话模型。
如果判断结果为是,即下一个页面已具有页面会话模型,则进行到步骤S440,保持该下一个页面的页面会话模型。如果判断结果为否,即下一个页面不具有页面会话模型,则进行到步骤S450,将当前页面的页面会话模型传递至所述下一个页面,并在传递至所述下一个页面的页面会话模型中填充所述下一个页面的页面数据。页面会话模型在页面之间的传递可以通过Hook自动传递,或者可以手动通过规范化路由等传递,也可以通过维护页外堆栈的方式传递。
例如,参考图3,当用户从页面C浏览到页面B时,判断页面B是否已具有页面会话模型。通过判断可知,在用户从页面A浏览到页面B时,已经创建了页面B的页面会话模型SM2,因此当用户从页面C浏览到页面B时,保持页面B的页面会话模型SM2。进一步地,当用户从页面B浏览到页面D时,判断页面D是否已具有页面会话模型。通过判断可知,页面D不具有页面会话模型,因此页面D在接收的页面B的页面会话模型的基础上创建自身的页面会话模型SM4,并在创建的页面会话模型SM4中填充自身的页面数据dataD,所形成的页面D的页面会话模型为“SM4([dataA,dataB,dataD])”。
根据实施例,可以将各页面的页面会话模型存储在终端设备的存储器中的模型数据表中,为了便于查询,还可以在事件数据表中同时存储。可以在将页面会话模型创建事件记录在事件数据表中时,可以将页面会话模型的ID关联存储在事件数据表中。
接下来,在步骤S230中,从服务器接收查询脚本,并根据接收到的查询脚本来对用户数据进行查询。根据实施例,终端设备可以采用定时轮询方式或实时通信方式来从服务器获取查询脚本。其中,实时通信可以以长连接方式来实现。根据实施例,终端设备可以从查询脚本中提取实时查询策略,并根据所提取的实时查询策略来监控终端设备中的新增数据以及对新增数据进行查询以获得查询结果。根据实施例,终端设备可以从查询脚本中提取离线查询策略,并根据所提取的离线查询策略来对终端设备中所存储的用户数据进行查询以获得查询结果。
接下来,在步骤S240中,将查询结果上报给服务器,以便于服务器根据查询结果对用户的操作行为进行统计分析。根据实施例,终端设备可以根据查询脚本中指定的数据格式将查询结果上报给服务器。根据实施例,查询结果可以包括关于用户是否符合查询脚本中的用户行为模型的肯定答复或否定答复,以便服务器根据对肯定答复或否定答复进行计数来获得符合所述查询脚本中的用户行为模型的用户的数量。根据实施例,查询结果可以包括符合查询脚本中的用户行为模型的具有预定格式的用户数据,将该具有预定格式的用户数据上报给服务器,以便服务器根据具有预定格式的用户数据进行二次分析。
下面通过一个示例来说明如何通过行为会话模型来实现对用户行为的分析。
可以利用行为会话模型来获取任意路径上的时序转化率。例如,当用户在搜索页面输入关键词“倾世皇妃”时,如何去统计用户从输入这个关键词,经过一系列的二级页面,最后到阅读页,最后看了2页这个行为路径上的时序转化率。由此可以获取针对关键词“倾世皇妃”的用户的关键词搜索满意度,该关键词搜索满意度可以定义为:关键词搜索满意度=关键词搜索量/符合时序条件的量。
则终端设备中存储的行为会话模型例如:
1搜索页→2搜索结果页→3图书详情页→4搜索结果页→5图书详情页→6阅读页→7翻页一次→8翻页一次→9图书详情页→10搜索结果页→11搜索页。
可以通过如下方法获取该行为会话模型:
通过先找到1搜索页面(起始页面)的创建事件,向后找到11搜索页面的关闭事件。1-11之间是一个闭环会话。将这个闭环会话中数据从数据库取出,在内存中进行计算。因为页面会话模型是从1向后传递的,假如搜索页面的页面会话模型的页面数据是设置的关键字“倾世皇妃”,因此只需查找阅读页的创建事件,并且取到阅读页关联的页面会话模型。如果阅读页关联的页面会话模型包含关键字“倾世皇妃”,就说明这个阅读页是从搜索页面的关键词搜索过来的。然后向后找两次事件7和8,因为7和8事件是在阅读页面内的,因此事件会携带阅读页面的页码,该页码是阅读页面的页面会话模型的页面数据,这样就匹配一次转换命中。因此,根据本发明实施例的行为会话模型,可以方便地获取对应的页面,而无需将具体的行为路径中的每个时序都提取出来。
根据实施例,可以将分布式用户行为分析***中的终端设备构造为包括存储器和处理器。存储器可以是非易失性或易失性存储器,例如,电可擦除可编程只读存储器(EEPROM)、闪存等。在存储器中存储一个或多个程序。利用处理器执行所存储的一个或多个程序,从而执行根据本发明实施例的用户行为分析方法。但本发明不限于此,本领域技术人员容易理解的是,也可以将终端设备构造为包括多个功能模块。
例如,分布式用户行为分析***中的终端设备可以包括数据存储模块、实时数据计算模块、离线数据计算模块、脚本处理模块、策略控制模块和上报模块。其中,数据存储模块通过SQLite存储事件数据、基础属性数据以及用户路径上传递的附加数据(例如行为会话模型)。通过过期策略控制数据存储模块,以对其中存储的数据进行回收和整理。实时数据计算模块根据实时查询策略,监控数据存储模块中新增的数据,判断该新增的数据是否命中相应的行为会话模型中的页面数。如果命中,则进行一次查询和计算,并将结果上报。离线数据计算模块将用户数据先入库,并通过定制任务或者离线查询脚本对数据存储模块中所存储的数据进行查询和计算。脚本处理模块先获取查询脚本。脚本的获取可以采用定时轮询方式,也可以采用长连接方式。查询脚本可以由多个部分组成,例如限定条件(例如与用户属性有关的参数)、计算方式(例如实时计算,或离线定时计算)、上报数据形式(例如上报数据格式)、页面数据的关键字字段(用于实时计算监控数据存储模块中的新增数据命中查询)、SQL查询脚本和查询时效等。策略控制模块控制数据查询策略、数据计算策略以及上报策略。其中数据查询策略和计算策略可以是实时的查询和计算、离线的查询和计算或定时的查询和计算。上报模块根据查询策略下发的数据格式将查询结果进行上报。上报数据可以是0/1的数据,例如采集限定条件下的符合某种行为路径的用户数,只需返回是否符合即可。由服务器对查询结果进行累加,即可得到样本数和比例。
图5示出了根据本发明的实施例的分布式用户行为分析***的终端设备的示例。如图5所示,可以分别经由设备端自动采集模块和前端应用自动采集模块进行数据的软件开发工具包SDK采集。设备端自动采集模块可以针对元素事件、应用/页面生命周期、弹窗展示/关闭、列表展示和其他事件等进行自动埋点,并在发生用户操作行为时,对相应的事件进行辅助标记、唯一ID计算、事件属性采集以及行为会话模型创建。前端应用自动采集模块可以在发生用户操作行为时进行自动埋点、唯一ID计算、事件属性采集、行为会话模型创建以及JS交互。此外,分布式用户行为分析***还包括手动采集模块,手动采集模块通过手动埋点,执行事件创建、通用属性采集、构建事件队列并对将事件队列进行分发。手动采集模块的操作可以在设备端自动采集模块和前端应用自动采集模块的基础上执行,以设备端自动采集模块和前端应用自动采集模块进行补充。设备端自动采集模块、前端应用自动采集模块和手动采集模块所采集到的数据均被存储在数据存储模块中,通过读写缓存分别记录到事件数据集合和页面会话模型SM集合。数据存储模块中所存储的数据还通过读写缓存被发送给数据处理模块,以经由数据处理模块对数据进行查询和计算。数据处理模块可以先从分布式查询模块接收查询策略,分布式查询模块可以对查询脚本进行处理,获取安全控制策略和查询策略。数据处理模块基于接收到的查询策略,执行行为模型分析和量化以获取查询结果,并将查询结果发送给数据上报模块,数据上报模块可以根据消息格式协议来控制上报的格式,根据策略控制和压缩上报来控制上报的策略。此外,数据处理模块还可以进行过期/策略控制和模型数据的处理,并根据控制和处理结果来更新数据存储模块中存储的数据。
在服务器接收到查询结果之后,可以根据来自多个终端设备的查询结果对多个终端设备的用户的操作行为进行统计分析。
可以通过将一次应用生命周期会话闭环下,用户页面级的时序行为进行整体统计。得到用户应用周期内的行为模型。然后进行归并,可以得到当前应用下,所有用户的所有行为模型。并可以通过模型量级的比对,来进行模型排行,由此获取应用中排行前十的用户行为轨迹模型是什么样的、量级是多少,这些用户行为模型的路径是什么样的,以及位置是否符合预期。例如人可以观察多少用户是启动了之后点了签到就关闭的。例如可以去分析发生了购买行为的用户的所有行为模型,来寻找其中的共性。
此外,可以对用户的操作行为进行量化。对于非时序性模型,关心的是量的维度。通过为各种行为打上标签,来进行量化。比如Feed浏览标签、Feed评论标签、热榜浏览标签等。主要作用是发现行为的关联关系,比如A行为与B行为的关系。发生了支付行为之前,一般前置线索是哪些行为标签。
根据实施例,可以分析用户的行为流,即用户从一个页面或事件到下一个页面或事件所经过的全部路径节点。例如从书架到阅读器之间的全部路径节点。页面间的路径可以通过发现模型,统计全部用户行为会话模型,找到其中包含起止页面的模型,得出中间的路径。对于事件的中间路径,可以按照一次应用生命周期会话为统计维度,在会话内部寻找事件A,向后寻找事件B。得出中间的页面和事件节点。
根据实施例,可以进行关联分析。例如探索“新用户的七日留存与哪个事件的相关性最高?”、“用户的购买转化与哪些行为相关性最高”等。关联分析有两种方式,其一是基于发现模型,统计全部用户行为模型,寻找存在购买,七日留存的用户,来比对分析这些用户的行为模型中是否存在共性。其二是基于行为量化,通过行为标签的定义,来进行关联性的分析。存在购买标签的用户还有哪些标签。例如签到标签,点击广告标签等。
根据实施例,可以进行需求分析。例如在阅读页文中增加了一段章尾推荐,我们可以根据用户的滑动、展示、点击、退出等操作,判断用户的需求,来考量需求合理性。然后通过合理设计模型,通过计分制来计算用户对于新需求的满意度。例如,如果用户点击了推荐位,则+2;如果用户停下来观看,则+1;如果用户正常滑过,则+0。推荐位显示的时候如果用户快速滑过,则-1,退出阅读器,则-2。最后通过评分来计算推荐位是否是对用户体验造成伤害。
根据实施例,可以进行群体分析。例如通过预置一些模型,统计最近购买事件小于1个月,消费频率大于等于1,消费金额大于5元的用户。让符合模型的用户进行统计上报,从而得到这部分用户群。主要作用是通过建立模型,寻找有价值的用户。
根据实施例,可以进行归因分析。对于转化路径上的诱因,进行权重分配。根据分配规则的不同,又分为线性归因、时间衰减归因和U型归因。例如用户最终购买了商品,则在购买商品前,可能存在一系列的诱因,例如推荐策略的引导、活动引导、详情页的引导、广告引导等。这些引导策略需要分配一个权重比例,来进行效果回归。这个比例的分配可以根据不同的分配策略来进行计算,主要是计算规则问题。
分布式用户行为分析***中的服务器可以构造为包括存储器和处理器,利用处理器执行根据来自多个终端设备的查询结果对多个终端设备的用户的操作行为进行统计分析,从而执行上述对用户行为的各种分析。但本发明不限于此,本领域技术人员容易理解的是,也可以将服务器构造为包括多个功能模块。
例如,轻量级的服务器可以包括终端设备数据库表描述模块、查询脚本制定模块、策略模块、模型数据存储模块和报表模块。其中,终端设备数据库表描述模块用于描述终端设备上的表和字段结构。查询脚本制定模块是可视化的SQL查询脚本定制模块,用于定制查询脚本,通过编写下发的SQL语句,查询ID,以及可选的查询参数,进行查询脚本下发。策略模块提供不同的查询策略。模型数据存储模块接收终端设备侧的查询结果,基于查询ID对查询结果进行存储,用于提供报表展示的数据源。报表模块提供可视化的数据结果展示。
传统的平台型的数据服务,提供的模型和功能都是固定的。很难对业务进行定制化分析。大数据分析目前在用户行为分析上也处于探索阶段,缺少更贴近产品和运营决策需求的行为分析方案。本发明实施例的技术方案提供了基于分布式终端设备进行存储和计算的多种复杂的用户行为分析方法。
根据本发明实施例的用户行为分析方法可以提供一个/全部用户的闭环行为轨迹全息图、任意路径的时序/非时序行为的转化漏斗、流量转移桑基图、模型预期分析、行为标签量化的关联分析等,更贴近产品运营决策需求的分析手段。可以帮助产品和运营、UE进行活动效果回归、业务增长点发现、产品需求的改进、销售线索、用户喜好探索等分析。
根据本发明实施例的用户行为分析方法可以实现实时的、轻量级的,不依赖大数据存储的用户行为分析***,适用于中小型项目中快速搭建用户行为分析***,无需大数据的支持即可实现实时的用户行为分析。
本领域技术人员可以理解,上面示出的方法仅是示例性的。本发明的方法并不局限于上面示出的步骤和顺序。上面示出的设备可以为其他设备,可以包括更多的模块。上文中示出的各种标识仅是示例性的而不是限制性的。本领域技术人员根据所示实施例的教导可以进行许多变化和修改。
应该理解,本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如,上述实施例中的设备内部的各种组件可以通过多种器件来实现,这些器件包括但不限于:模拟电路器件、数字电路器件、数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD),等等。
根据本申请的实施例,本申请还提供了一种计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时可以实现上述任意实施例的方法。
此外,这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地,该计算机程序产品是如下的一种产品:具有计算机可读介质,计算机可读介质上编码有计算机程序逻辑,当在计算设备上执行时,该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算***的至少一个处理器上执行时,计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上,以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。
尽管以上已经结合本发明的优选实施例示出了本发明,但是本领域的技术人员将会理解,在不脱离本发明的精神和范围的情况下,可以对本发明进行各种修改、替换和改变。因此,本发明不应由上述实施例来限定,而应由所附权利要求及其等价物来限定。
Claims (17)
1.一种在终端设备中执行的用户行为分析方法,包括:
对用户在终端设备上的操作行为所产生的操作行为数据进行采集;
将采集到的操作行为数据转换为具有预定格式的用户数据并存储在所述终端设备中;
从服务器接收查询脚本,并根据接收到的查询脚本来对所述用户数据进行查询;以及
将查询结果上报给所述服务器,以便于服务器根据所述查询结果对用户的操作行为进行统计分析;
其中,所述具有预定格式的用户数据包括用户行为路径上传递的附加数据,所述用户行为路径上传递的附加数据包括针对用户在终端设备上的操作行为创建的行为会话模型,所述行为会话模型包括所述用户启动所述终端设备上的应用至关闭所述应用之间所浏览的所有页面的页面数据,所述页面数据包括与页面内容有关的关键字。
2. 根据权利要求1所述的用户行为分析方法,其中,所述根据接收到的查询脚本来对所述用户数据进行查询包括:
从所述查询脚本中提取实时查询策略,并根据所提取的实时查询策略来监控所述终端设备的新增数据以及对所述新增数据进行查询以获得查询结果;或者
从所述查询脚本中提取离线查询策略,并根据所提取的离线查询策略来对所述终端设备中所存储的用户数据进行查询以获得查询结果。
3.根据权利要求1所述的用户行为分析方法,其中,所述从服务器接收查询脚本包括:
采用定时轮询方式或实时通信方式来从服务器获取所述查询脚本。
4.根据权利要求1所述的用户行为分析方法,其中,所述将查询结果上报给所述服务器包括:
根据所述查询脚本中指定的数据格式将查询结果上报给所述服务器。
5.根据权利要求1至4中任一项所述的用户行为分析方法,其中,所述具有预定格式的用户数据还包括事件数据和基础属性数据。
6.根据权利要求1所述的用户行为分析方法,其中,所述将采集到的操作行为数据转换为具有预定格式的用户数据包括:分别针对所述用户启动所述终端设备上的应用至关闭所述应用之间所浏览的多个页面中的每个页面创建页面会话模型,所述页面会话模型包括所述页面的页面数据和从所述用户启动所述应用至浏览到所述页面所需的最短行为路径所经历的页面的页面数据。
7.根据权利要求6所述的用户行为分析方法,其中,所述分别针对所述用户启动所述终端设备上的应用至关闭所述应用之间所浏览的多个页面中的每个页面创建页面会话模型包括:
在所述用户启动所述应用时,针对所述应用的起始页面创建页面会话模型,并在所创建的页面会话模型中填充所述应用的起始页面的页面数据;
在所述用户从当前页面浏览到下一个页面时,判断所述下一个页面是否具有页面会话模型:
若所述下一个页面已具有页面会话模型,则保持所述页面会话模型;
若所述下一个页面不具有页面会话模型,则将当前页面的页面会话模型传递至所述下一个页面,并在传递至所述下一个页面的页面会话模型中填充所述下一个页面的页面数据。
8.根据权利要求7所述的用户行为分析方法,其中,所述将当前页面的页面会话模型传递至所述下一个页面包括:
通过Hook的方式或堆栈的方式来将当前页面的页面会话模型传递至所述下一个页面。
9.根据权利要求1所述的用户行为分析方法,其中,所述查询结果包括关于所述用户是否符合所述查询脚本中的用户行为模型的肯定答复或否定答复,以便所述服务器根据对所述肯定答复或否定答复进行计数来获得符合所述查询脚本中的用户行为模型的用户的数量。
10.根据权利要求1所述的用户行为分析方法,其中,所述查询结果包括符合所述查询脚本中的用户行为模型的所述具有预定格式的用户数据。
11. 一种终端设备,包括:
存储器,被配置为存储一个或多个程序;以及
处理器,被配置为执行所述一个或多个程序,以执行如下操作:
对用户在终端设备上的操作行为所产生的操作行为数据进行采集;
将采集到的操作行为数据转换为具有预定格式的用户数据并存储在所述存储器中;
从服务器接收查询脚本,并根据接收到的查询脚本来对所述用户数据进行查询;以及
将查询结果上报给所述服务器,以便于服务器根据所述查询结果对用户的操作行为进行统计分析;
其中,所述具有预定格式的用户数据包括用户行为路径上传递的附加数据,所述用户行为路径上传递的附加数据包括针对用户在终端设备上的操作行为创建的行为会话模型,所述行为会话模型包括所述用户启动所述终端设备上的应用至关闭所述应用之间所浏览的所有页面的页面数据,所述页面数据包括与页面内容有关的关键字。
12.根据权利要求11所述的终端设备,其中,所述具有预定格式的用户数据还包括事件数据和基础属性数据。
13.根据权利要求12所述的终端设备,其中,在所述存储器中存储有事件数据表和模型数据表,
其中,在所述事件数据表中存储事件数据、基础属性数据和页面会话模型的标识;在所述模型数据表中存储页面会话模型。
14.根据权利要求11所述的终端设备,其中,所述处理器还被配置为:分别针对所述用户启动所述终端设备上的应用至关闭所述应用之间所浏览的多个页面中的每个页面创建页面会话模型,所述页面会话模型包括所述页面的页面数据和从所述用户启动所述应用至浏览到所述页面所需的最短行为路径所经历的页面的页面数据。
15.根据权利要求14所述的终端设备,其中,所述处理器还被配置为:
在所述用户启动所述应用时,针对所述应用的起始页面创建页面会话模型,并在所创建的页面会话模型中填充所述应用的起始页面的页面数据;
在所述用户从当前页面浏览到下一个页面时,判断所述下一个页面是否具有页面会话模型:
若所述下一个页面已具有页面会话模型,则保持所述页面会话模型;
若所述下一个页面不具有页面会话模型,则将当前页面的页面会话模型传递至所述下一个页面,并在传递至所述下一个页面的页面会话模型中填充所述下一个页面的页面数据。
16. 一种服务器,包括:
存储器;以及
处理器,被配置为从多个如权利要求11所述的终端设备接收查询结果,并根据来自多个所述终端设备的查询结果对所述多个终端设备的用户的操作行为进行统计分析。
17.一种计算机可读存储介质,其上存储有可执行指令,所述指令在被处理器执行时使所述处理器执行如权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602520.5A CN111767201B (zh) | 2020-06-29 | 2020-06-29 | 用户行为分析方法、终端设备、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602520.5A CN111767201B (zh) | 2020-06-29 | 2020-06-29 | 用户行为分析方法、终端设备、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767201A CN111767201A (zh) | 2020-10-13 |
CN111767201B true CN111767201B (zh) | 2023-08-29 |
Family
ID=72722389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602520.5A Active CN111767201B (zh) | 2020-06-29 | 2020-06-29 | 用户行为分析方法、终端设备、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767201B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199265A (zh) * | 2020-10-15 | 2021-01-08 | 苏州龙盈软件开发有限公司 | 一种快应用统计方法及*** |
CN112150220A (zh) * | 2020-10-22 | 2020-12-29 | 天元大数据信用管理有限公司 | 一种基于互联网用户行为的分析方法 |
CN113986954B (zh) * | 2021-12-30 | 2022-04-08 | 深圳市明源云科技有限公司 | 用户事件获取方法、装置、智能终端及可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000075814A1 (en) * | 1999-06-03 | 2000-12-14 | Keylime Software, Inc. | System and method for monitoring user interaction with web pages |
CN102542003A (zh) * | 2010-12-01 | 2012-07-04 | 微软公司 | 用于顾及当用户在搜索引擎中提出查询时的用户意图的点击模型 |
CN103077021A (zh) * | 2012-12-28 | 2013-05-01 | 深圳市彩讯科技有限公司 | 一种通用的手机软件综合发展数据分析***及分析方法 |
CN104285212A (zh) * | 2012-05-01 | 2015-01-14 | 国际商业机器公司 | 用于建模在线商务行为和检测异常值的自动化分析*** |
CN104391847A (zh) * | 2014-05-22 | 2015-03-04 | 艺龙网信息技术(北京)有限公司 | 一种基于用户行为的酒店排序方法、云端服务器及*** |
CN106605218A (zh) * | 2014-07-03 | 2017-04-26 | 真实眼私人有限公司 | 收集和处理与基于网络的内容的交互过程中的计算机用户数据的方法 |
CN107169796A (zh) * | 2017-05-12 | 2017-09-15 | 深圳市浩天投资有限公司 | 一种用户行为数据的分析方法、***及计算机可读存储介质 |
CN107343091A (zh) * | 2017-06-27 | 2017-11-10 | 努比亚技术有限公司 | 数据上报方法及*** |
CN107944059A (zh) * | 2017-12-29 | 2018-04-20 | 深圳市中润四方信息技术有限公司西安分公司 | 一种基于流计算的用户行为分析方法及*** |
CN110309469A (zh) * | 2019-05-09 | 2019-10-08 | 重庆天蓬网络有限公司 | 一种用户点击行为可视化分析方法、***、介质和电子设备 |
CN110347562A (zh) * | 2018-04-08 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据采集方法、装置、计算机可读介质及智能终端设备 |
CN111240847A (zh) * | 2020-01-19 | 2020-06-05 | 网易传媒科技(北京)有限公司 | 数据处理方法、装置、介质和计算设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7949765B2 (en) * | 2002-12-02 | 2011-05-24 | Sap Aktiengesellschaft | Data structure for analyzing user sessions |
US10664479B2 (en) * | 2014-06-27 | 2020-05-26 | Sap Se | Accommodating concurrent changes in underlying data during reporting |
CN105589905B (zh) * | 2014-12-26 | 2019-06-18 | ***股份有限公司 | 用户兴趣数据分析和收集***及其方法 |
-
2020
- 2020-06-29 CN CN202010602520.5A patent/CN111767201B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000075814A1 (en) * | 1999-06-03 | 2000-12-14 | Keylime Software, Inc. | System and method for monitoring user interaction with web pages |
CN102542003A (zh) * | 2010-12-01 | 2012-07-04 | 微软公司 | 用于顾及当用户在搜索引擎中提出查询时的用户意图的点击模型 |
CN104285212A (zh) * | 2012-05-01 | 2015-01-14 | 国际商业机器公司 | 用于建模在线商务行为和检测异常值的自动化分析*** |
CN103077021A (zh) * | 2012-12-28 | 2013-05-01 | 深圳市彩讯科技有限公司 | 一种通用的手机软件综合发展数据分析***及分析方法 |
CN104391847A (zh) * | 2014-05-22 | 2015-03-04 | 艺龙网信息技术(北京)有限公司 | 一种基于用户行为的酒店排序方法、云端服务器及*** |
CN106605218A (zh) * | 2014-07-03 | 2017-04-26 | 真实眼私人有限公司 | 收集和处理与基于网络的内容的交互过程中的计算机用户数据的方法 |
CN107169796A (zh) * | 2017-05-12 | 2017-09-15 | 深圳市浩天投资有限公司 | 一种用户行为数据的分析方法、***及计算机可读存储介质 |
CN107343091A (zh) * | 2017-06-27 | 2017-11-10 | 努比亚技术有限公司 | 数据上报方法及*** |
CN107944059A (zh) * | 2017-12-29 | 2018-04-20 | 深圳市中润四方信息技术有限公司西安分公司 | 一种基于流计算的用户行为分析方法及*** |
CN110347562A (zh) * | 2018-04-08 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据采集方法、装置、计算机可读介质及智能终端设备 |
CN110309469A (zh) * | 2019-05-09 | 2019-10-08 | 重庆天蓬网络有限公司 | 一种用户点击行为可视化分析方法、***、介质和电子设备 |
CN111240847A (zh) * | 2020-01-19 | 2020-06-05 | 网易传媒科技(北京)有限公司 | 数据处理方法、装置、介质和计算设备 |
Non-Patent Citations (1)
Title |
---|
法律咨询网站用户行为分析与服务优化;胥晓莎;潘理;杨勃;;现代计算机(专业版)(第33期);第18-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767201A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767201B (zh) | 用户行为分析方法、终端设备、服务器及存储介质 | |
CN109840782B (zh) | 点击率预测方法、装置、服务器以及存储介质 | |
CN110543598B (zh) | 信息推荐方法、装置及终端 | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN105160545B (zh) | 投放信息样式确定方法及装置 | |
CN105898209A (zh) | 视频平台监控分析*** | |
CN110458220A (zh) | 人群定向方法、装置、服务器及存储介质 | |
CN109511015B (zh) | 多媒体资源推荐方法、装置、存储介质及设备 | |
CN109299265A (zh) | 潜在回流用户筛选方法、装置以及电子设备 | |
CN114707074B (zh) | 一种内容推荐方法、设备和*** | |
KR20210099690A (ko) | 오픈마켓 빅데이터 기반 ai 셀러 관리 시스템 및 방법 | |
CN109408729A (zh) | 推荐物料确定方法、装置、存储介质和计算机设备 | |
CN108830689A (zh) | 物品推荐方法、装置、服务器和存储介质 | |
CN110046298A (zh) | 一种查询词推荐方法、装置、终端设备及计算机可读介质 | |
CN110232586B (zh) | 一种基于大数据的广告推送*** | |
CN112508609A (zh) | 人群扩量的预测方法、装置、设备及存储介质 | |
CN108229999B (zh) | 竞品评估方法及装置 | |
CN112380430A (zh) | 基于人工智能的推荐方法、装置及电子设备 | |
CN108932625A (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
KR20210143554A (ko) | 오픈마켓 빅데이터를 활용한 ai 키워드 추천 시스템 및 방법 | |
CN110347781A (zh) | 文章倒排方法、文章推荐方法、装置、设备及存储介质 | |
KR20210068214A (ko) | 오픈마켓 빅데이터 기반 ai 키워드 추천 시스템 및 방법 | |
CN115471283A (zh) | 广告批量投放方法、装置、设备及存储介质 | |
CN109146606B (zh) | 一种品牌推荐方法、电子设备、存储介质及*** | |
CN109558528A (zh) | 文章推送方法、装置、计算机可读存储介质和服务器 |
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 |