CN111881191B - 移动互联网下的客户画像关键特征挖掘***与方法 - Google Patents

移动互联网下的客户画像关键特征挖掘***与方法 Download PDF

Info

Publication number
CN111881191B
CN111881191B CN202010776193.5A CN202010776193A CN111881191B CN 111881191 B CN111881191 B CN 111881191B CN 202010776193 A CN202010776193 A CN 202010776193A CN 111881191 B CN111881191 B CN 111881191B
Authority
CN
China
Prior art keywords
financial data
client
matrix
sub
portrait
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
Application number
CN202010776193.5A
Other languages
English (en)
Other versions
CN111881191A (zh
Inventor
花鲜美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liuyanghui Xiamen Financial Technology Service Co ltd
Original Assignee
Liuyanghui Xiamen Financial Technology Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liuyanghui Xiamen Financial Technology Service Co ltd filed Critical Liuyanghui Xiamen Financial Technology Service Co ltd
Priority to CN202010776193.5A priority Critical patent/CN111881191B/zh
Publication of CN111881191A publication Critical patent/CN111881191A/zh
Application granted granted Critical
Publication of CN111881191B publication Critical patent/CN111881191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出移动互联网下的客户画像关键特征挖掘***与方法。所述***包括金融数据获取模块、金融数据编码模块、关键金融数据聚类模块以及客户画像输出模块。金融数据获取模块获取不同客户的金融数据；金融数据编码模块对其进行编码表示获得编码量化值；关键金融数据聚类模块建立编码量化矩阵，基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵；客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像。本发明的技术方案利用数据矩阵稳定性原理，挖掘出有价值的客户数据作为关键数据特征建立客户画像，在避免了数据处理的复杂性的同时，画像建模更有针对性。

Description

移动互联网下的客户画像关键特征挖掘***与方法
技术领域
本发明属于大数据处理技术领域，尤其涉及一种移动互联网下的客户画像关键特征挖掘***与方法。
背景技术
交互设计领域是最开始使用用户画像的，交互设计大师Alan Cooper认为用户画像是根据用户内在属性、外在属性、日常习性等信息，提炼出的一个用户特征集。用户画像是将现实对象用数据抽象出来，通过数据进行特征描述的一种行为。目前国内外对用户画像的研究都是从画像构建过程和画像的应用场景两方面进行。
国内外研究者一般认为构建用户画像过程的核心工作是给用户贴“标签”。标签是一种经过高度总结的特征标识。当今的信息数据呈ZB级增长，信息越多，使用越难。不能与业务含义发生联系的数据只是数字，没有实际意义，也难以被有效使用。用一句话来概述这些数据的含义，就是标签赋予了数据活力。
用户画像在移动互联网行业广为应用，以国内的腾讯、京东两家企业以及国外的亚马逊、e Bay两家企业的用户画像实践为例，四家企业均十分重视用户画像在产品运营和用户运营领域的应用，从典型应用场景看，产品运营方面以产品精准营销为主线，包括产品推广、个性化推介以及营销渠道分析等细分环节。用户运营方面以用户群的精准识别和特征分类为重点。
客户画像是建立许多数据挖掘项目的基础，客户画像的字段确定了客户在数据中的表示，同时也决定了数据挖掘模型的有效性和信息量。对事务的定期汇总组成了客户画像指标体系的大部分字段。
申请号为CN201811568454.3的中国发明专利申请提出客户画像构建方法，包括：获取目标对象的多个数据信息，每个数据信息包括：多个数据维度，每个数据维度包括一个或多个子标签。分别计算各子标签的信息价值IV值，根据各子标签的IV值，选择符合预设条件的数据维度作为入模标签。根据入模标签计算子标签评分，并根据子标签评分分别构建优质客户画像和劣质客户画像。实现了可以根据子标签评分来构建优质客户画像和劣质客户画像，以进一步实现对目标群体进行精准的业务推荐及服务。
申请号为CN201910229875.1的中国发明专利申请提出一种大数据服务方法，其包括：获取用户的画像信息；将用户的画像信息进行归类，不同类别的画像信息对应不同的大数据服务需求信息；根据用户的画像信息所属的类别，获得用户的大数据服务需求信息，该发明能够帮助缺乏对大数据了解的用户获取所需要的大数据服务需求，解决用户挖掘大数据服务需求难的问题，提高获取大数据服务需求信息的效率。
然而，一方面，用户画像是基于用户“真实数据“的虚拟代表，但是如何获取关键的真实数据，现有技术并未给出有效的解决方案；另一方面，在大数据时代，各个渠道获得的用户数据数量巨大并且存在巨大差异，尤其是在移动互联网时代，移动终端获取的数据随着移动终端的属性不同而变化，如何基于移动互联网的不同操作环境下的客户数据给出用户画像，成为一个挑战。
发明内容
为解决上述技术问题，本发明提出移动互联网下的客户画像关键特征挖掘***与方法。所述包括金融数据获取模块、金融数据编码模块、关键金融数据聚类模块以及客户画像输出模块。金融数据获取模块获取不同客户的金融数据；金融数据编码模块对其进行编码表示获得编码量化值；关键金融数据聚类模块建立编码量化矩阵，基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵；客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像。本发明的技术方案利用数据矩阵稳定性原理，挖掘出有价值的客户数据作为关键数据特征建立客户画像，在避免了数据处理的复杂性的同时，画像建模更有针对性。
本发明上述方法可以通过计算机程序指令自动化实现，因此，本发明还提出一种计算机可读存储介质，其上存储有计算机程序指令，通过处理器和存储器执行所述程序指令，用于实现基于客户画像的关键数据挖掘方法。
具体来说，在本发明的第一个方面，提供一种移动互联网下的客户画像关键特征挖掘***，所述客户画像关键特征挖掘***包括金融数据获取模块、金融数据编码模块、关键金融数据聚类模块以及客户画像输出模块；
其中，
所述金融数据获取模块用于获取不同客户的金融数据；
所述金融数据编码模块用于基于所述金融数据获取模块获取的所述金融数据的不同属性，对其进行编码表示，获得不同客户的不同属性的金融数据的编码量化值；
作为本发明第一个创造性体现，所述关键金融数据聚类模块基于所述不同客户的不同属性的金融数据的编码量化值，建立编码量化矩阵，基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵；
所述客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像；
并且，所述客户画像关键特征挖掘***还包括安装于客户移动终端上的金融数据采集APP，所述金融数据获取模块通过所述金融数据采集APP获取不同客户的金融数据。
基于所述客户画像，向所述客户标识代表的客户群的移动终端上所述金融数据采集APP发送页面调整消息；
当所述客户群的客户登录所述金融数据采集APP时，基于所述页面调整信息调整所述金融数据采集APP的页面显示模式。
作为本发明再一个创造性体现，所述金融数据采集APP包括输入环境探测组件，所述输入环境探测组件用于在探测到客户登录所述移动终端后，采集客户登录环境数据。
更具体的，所述客户登录环境数据包括客户登录所述移动终端的时间起点、退出所述移动终端或PC终端或者金融网点终端的时间结束点、以及在所述时间起点和所述时间结束点之间的操作编辑动作参数；所述操作编辑动作参数包括客户的返回操作、退出当前页面操作、删除操作以及页面停顿操作。
作为体现上述创造性的关键技术手段之一，所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，具体包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵是否稳定；
将满足稳定条件的阶次最大的子矩阵作为所述最大稳定性子阶矩阵。
作为体现上述创造性的关键技术手段之一，所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，具体包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵的特征值是否满足预定条件；
将特征值满足预定条件的阶次最大的子矩阵作为所述最大稳定性子阶矩阵。
在本发明中，当所述最大稳定性子矩阵为多个时，任意两个最大稳定性子矩阵互相不构成子矩阵。
所述客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像，具体包括：
基于每一个最大稳定性子阶矩阵对应的客户登录环境数据以及客户标识，生成所述客户画像。
本发明的第二个方面提供一种客户画像关键特征挖掘方法，所述挖掘方法采用前述的客户画像关键特征挖掘***，对用户通过移动互联网登录移动终端产生的客户数据进行关键特征挖掘后，生成客户画像；
基于所述客户画像，向所述关键特征对应的客户标识代表的客户群的移动终端上的金融数据采集APP发送页面调整消息；
当所述客户群的客户登录所述金融数据采集APP时，基于所述页面调整信息调整所述金融数据采集APP的页面显示模式。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
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获得其他的附图。
图1是本发明一个实施例的移动互联网下的客户画像关键特征挖掘***的模块组成图
图2是图1所述***中通过所述金融数据采集APP获取不同客户的金融数据示意图
图3是图2所述所述金融数据采集APP采集客户登录环境数据的原理示意图
图4-图5是本发明各个实施例使用的最大稳定性子阶矩阵分析的两个不同实施例。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
参见图1，是本发明一个实施例的本发明一个实施例的移动互联网下的客户画像关键特征挖掘***的模块组成图。
在图1中，所述客户画像关键特征挖掘***包括金融数据获取模块、金融数据编码模块、关键金融数据聚类模块以及客户画像输出模块；
金融数据获取模块用于获取不同客户的金融数据；
具体来说，所述金融数据包括客户通过移动互联网登录移动终端的金融APP类软件产生的数据，包括客户登录数据、客户查询数据、客户支付数据以及客户登录环境数据。
所述金融数据编码模块用于基于所述金融数据获取模块获取的所述金融数据的不同属性，对其进行编码表示，获得不同客户的不同属性的金融数据的编码量化值；
所述关键金融数据聚类模块基于所述不同客户的不同属性的金融数据的编码量化值，建立编码量化矩阵，基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵；
所述客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像。
需要指出的是，根据客户画像的目的不同，以及客户数据的类型不同，可以采用各种不同的编码表示方法，包括二值化编码方法、分值归一化方法、专家打分法以及向量化编码法，本发明对此不作具体限制。
现有技术中，对于如何获取客户画像数据、如何处理客户画像数据、如何基于客户画像数据进行量化编码，都有详尽的介绍。这是因为，客户数据本身是不能被计算机识别的，必须通过一定的机器编码或者向量化方法转变为机器能够识别的形式或者语言，
例如，客户登录数据包括客户登录ID、登录终端硬件参数、登录时间、登录地点等；
将客户登录时间向量化编码可以是：
[0：00-6：00]登录时间，表示为001；
[6：00-8：00]登录时间，表示为002；
……
诸如此类，可以建立不同客户数据组成的编码量化矩阵matrixD。
更多的建立编码量化矩阵以及数据向量化、编码方法，可以参见如下技术文献：
Pan B,Wang X,Song E,et al.CAMSPF：Cloud-assisted mobile serviceprovision framework supporting personalized user demands in pervasivecomputing environment[C]//Wireless Communications and Mobile ComputingConference.IEEE,2013：649-654.
Danette Mc Gilvray,2008.Executing Data Quality Projects：Ten Steps toQuality Data and Trusted Information(TM),Morgan Kaufman.
徐勇,汪倩,武雅利,李晓宇,张心蕊.用户画像研究的文献计量分析[J].榆林学院学报,2020,30(02)：4-9.
在图1基础上，参见图2-图3。
图2是图1所述***中通过所述金融数据采集APP获取不同客户的金融数据示意图。图3是图2所述所述金融数据采集APP采集客户登录环境数据的原理示意图。
所述客户画像关键特征挖掘***还包括安装于客户移动终端上的金融数据采集APP，所述金融数据获取模块通过所述金融数据采集APP获取不同客户的金融数据。
所述金融数据采集APP包括输入环境探测组件，所述输入环境探测组件用于在探测到客户登录所述移动终端后，采集客户登录环境数据。
所述客户登录环境数据包括客户登录所述移动终端的时间起点、退出所述移动终端或PC终端或者金融网点终端的时间结束点、以及在所述时间起点和所述时间结束点之间的操作编辑动作参数；所述操作编辑动作参数包括客户的返回操作、退出当前页面操作、删除操作以及页面停顿操作。
在移动互联网终端操作中，所述操作编辑动作参数最能体现用户的操作习惯，因此属于移动互联网客户画像的关键数据，这是本申请的发现之一。
接下来参见图4-图5.
在上述实施例中，所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，其中一个实现方式包括
依次判断所述编码量化矩阵对应的各阶次子矩阵的特征值是否满足预定条件；
将特征值满足预定条件的阶次最大的子矩阵作为所述最大稳定性子阶矩阵。
所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，另一个实现方式包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵是否稳定；
将满足稳定条件的阶次最大的子矩阵作为所述最大稳定性子阶矩阵。
虽然未示出，但是，优选的，所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，还包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵的特征值是否满足预定条件；
选择特征值满足预定条件的各阶次子矩阵中阶次值大于预定值的子矩阵作为所述最大稳定性子阶矩阵。
所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，优选的，还包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵是否稳定；
将满足稳定条件的各阶次子矩阵中阶次值大于预定值的子矩阵作为所述最大稳定性子阶矩阵。
当所述最大稳定性子矩阵为多个时，任意两个最大稳定性子矩阵互相不构成子矩阵。
所述客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像，具体包括：
基于每一个最大稳定性子阶矩阵对应的客户登录环境数据以及客户标识，生成所述客户画像。
基于所述客户画像，向所述客户标识代表的客户群的移动终端上所述金融数据采集APP发送页面调整消息；
当所述客户群的客户登录所述金融数据采集APP时，基于所述页面调整信息调整所述金融数据采集APP的页面显示模式。
在本发明的上述实施例中，所述编码量化矩阵对应的各阶次子矩阵，其中一个示意性的例子如下：
Figure BDA0002618502560000101
Figure BDA0002618502560000102
……
Figure BDA0002618502560000111
其中，matrixD为编码量化矩阵，matrixD2为其2阶次子矩阵；matrixD4为其4阶次子矩阵。
作为示例，Dij为对应于第j个客户的第i个金融数据的向量化表示值。
显然，对于m×m维的m阶矩阵而言，其包括m阶(原始矩阵本身)、m-1阶、m-3阶……以及2阶子矩阵。
在上述实施例中，判断某个子矩阵是否稳定，可以通过判断该子矩阵的所有特征根的绝对值是否小于1来进行，如果所有特征根的绝对值均小于1，则该子矩阵稳定。
各阶次子矩阵中阶次值大于预定值的子矩阵，这里的所述预定值可以是实现设定，根据客户画像建模的精确度以及数据处理量需要设定。
例如，对于上述5×5维的matrixD，该预定值可以是3，即获取4阶次子矩阵以及5阶次子矩阵(5阶次子矩阵为matrixD本身)。
在已有客户数据基础上，如何得到客户画像，在本领域也有已知的方法，本发明在此不再赘述，例如可参见：
硕士论文：赵飞鸿.基于金融类客户画像的二分K均值算法分析研究与应用[D].中国科学院大学(工程管理与信息技术学院),2016.
硕士论文：吴漪涛.基于Hadoop的江西卷烟零售户画像***的设计与实现[D].南昌大学,2018.
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种移动互联网下的客户画像关键特征挖掘***，所述客户画像关键特征挖掘***包括金融数据获取模块、金融数据编码模块、关键金融数据聚类模块以及客户画像输出模块；
其中，
所述金融数据获取模块用于获取不同客户的金融数据；
所述金融数据编码模块用于基于所述金融数据获取模块获取的所述金融数据的不同属性，对其进行编码表示，获得不同客户的不同属性的金融数据的编码量化值；
其特征在于：
所述关键金融数据聚类模块基于所述不同客户的不同属性的金融数据的编码量化值，建立编码量化矩阵，基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵；
所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，具体包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵是否稳定；
将满足稳定条件的阶次最大的子矩阵作为所述最大稳定性子阶矩阵；
所述客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像；
并且，所述客户画像关键特征挖掘***还包括安装于客户移动终端上的金融数据采集APP，所述金融数据获取模块通过所述金融数据采集APP获取不同客户的金融数据。
2.如权利要求1所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
所述金融数据采集APP包括输入环境探测组件，所述输入环境探测组件用于在探测到客户登录所述移动终端后，采集客户登录环境数据。
3.如权利要求2所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
所述客户登录环境数据包括客户登录所述移动终端的时间起点、退出所述移动终端或PC终端或者金融网点终端的时间结束点、以及在所述时间起点和所述时间结束点之间的操作编辑动作参数；所述操作编辑动作参数包括客户的返回操作、退出当前页面操作、删除操作以及页面停顿操作。
4.如权利要求1所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，具体包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵的特征值是否满足预定条件；
将特征值满足预定条件的阶次最大的子矩阵作为所述最大稳定性子阶矩阵。
5.如权利要求1所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
所述基于所述编码量化矩阵的最大稳定性子阶矩阵分析结果，得到至少一个最大稳定性子阶矩阵，具体包括：
依次判断所述编码量化矩阵对应的各阶次子矩阵的特征值是否满足预定条件；
选择特征值满足预定条件的各阶次子矩阵中阶次值大于预定值的子矩阵作为所述最大稳定性子阶矩阵。
6.如权利要求4或5所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
当所述最大稳定性子阶矩阵为多个时，任意两个最大稳定性子阶矩阵互相不构成子矩阵。
7.如权利要求3所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
所述客户画像输出模块基于每一个最大稳定性子阶矩阵对应的金融数据，输出至少一个客户画像，具体包括：
基于每一个最大稳定性子阶矩阵对应的客户登录环境数据以及客户标识，生成所述客户画像。
8.如权利要求7所述的一种移动互联网下的客户画像关键特征挖掘***，其特征在于：
基于所述客户画像，向所述客户标识代表的客户群的移动终端上所述金融数据采集APP发送页面调整消息；
当所述客户群的客户登录所述金融数据采集APP时，基于所述页面调整消 息调整所述金融数据采集APP的页面显示模式。
9.一种客户画像关键特征挖掘方法，所述挖掘方法采用权利要求1-8任一项所述的客户画像关键特征挖掘***，对用户通过移动互联网登录移动终端产生的客户数据进行关键特征挖掘后，生成客户画像；
其特征在于：
基于所述客户画像，向所述关键特征对应的客户标识代表的客户群的移动终端上的金融数据采集APP发送页面调整消息；
当所述客户群的客户登录所述金融数据采集APP时，基于所述页面调整消 息调整所述金融数据采集APP的页面显示模式。
CN202010776193.5A 2020-08-05 2020-08-05 移动互联网下的客户画像关键特征挖掘***与方法 Active CN111881191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010776193.5A CN111881191B (zh) 2020-08-05 2020-08-05 移动互联网下的客户画像关键特征挖掘***与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010776193.5A CN111881191B (zh) 2020-08-05 2020-08-05 移动互联网下的客户画像关键特征挖掘***与方法

Publications (2)

Publication Number Publication Date
CN111881191A CN111881191A (zh) 2020-11-03
CN111881191B true CN111881191B (zh) 2021-06-11

Family

ID=73211447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010776193.5A Active CN111881191B (zh) 2020-08-05 2020-08-05 移动互联网下的客户画像关键特征挖掘***与方法

Country Status (1)

Country Link
CN (1) CN111881191B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504373A (zh) * 2014-12-18 2015-04-08 电子科技大学 一种用于fmri数据的特征选择方法
CN105956351A (zh) * 2016-07-05 2016-09-21 上海航天控制技术研究所 一种基于机器学习的触觉信息分类计算建模方法
WO2017186106A1 (zh) * 2016-04-29 2017-11-02 腾讯科技（深圳）有限公司 获取用户画像的方法及装置
CN109100749A (zh) * 2018-07-09 2018-12-28 中国人民解放军国防科技大学 基于mwf中运用滑窗判定的噪声子空间估计方法
CN109166017A (zh) * 2018-10-12 2019-01-08 平安科技（深圳）有限公司 基于重聚类的推送方法、装置、计算机设备及存储介质
CN111159483A (zh) * 2019-12-26 2020-05-15 华中科技大学 一种基于增量计算的社交网络图摘要的生成方法
CN111178409A (zh) * 2019-12-19 2020-05-19 浙大网新***工程有限公司 基于大数据矩阵稳定性分析的图像匹配与识别***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10521489B2 (en) * 2017-11-30 2019-12-31 Microsoft Technology Licensing, Llc Machine learning to predict numerical outcomes in a matrix-defined problem space
CN111274348B (zh) * 2018-12-04 2023-05-12 北京嘀嘀无限科技发展有限公司 服务特征数据提取方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504373A (zh) * 2014-12-18 2015-04-08 电子科技大学 一种用于fmri数据的特征选择方法
WO2017186106A1 (zh) * 2016-04-29 2017-11-02 腾讯科技（深圳）有限公司 获取用户画像的方法及装置
CN105956351A (zh) * 2016-07-05 2016-09-21 上海航天控制技术研究所 一种基于机器学习的触觉信息分类计算建模方法
CN109100749A (zh) * 2018-07-09 2018-12-28 中国人民解放军国防科技大学 基于mwf中运用滑窗判定的噪声子空间估计方法
CN109166017A (zh) * 2018-10-12 2019-01-08 平安科技（深圳）有限公司 基于重聚类的推送方法、装置、计算机设备及存储介质
CN111178409A (zh) * 2019-12-19 2020-05-19 浙大网新***工程有限公司 基于大数据矩阵稳定性分析的图像匹配与识别***
CN111159483A (zh) * 2019-12-26 2020-05-15 华中科技大学 一种基于增量计算的社交网络图摘要的生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
""一种用于构建用户画像的二级融合算法框架;李恒超 等;《计算机科学》;20180131;第45卷(第1期);第157-161页 *
"Demographic Information Prediction: A Portrait of Smartphone Application Users";Zhen Qin et al.;《IEEE Transactions on Emerging Topics in Computing》;20160520;第432-444页 *

Also Published As

Publication number Publication date
CN111881191A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN103914478B (zh) 网页训练方法及***、网页预测方法及***
WO2018040068A1 (zh) 基于知识图谱的语意分析***及方法
US20130110823A1 (en) System and method for recommending content based on search history and trending topics
CN108021651B (zh) 一种网络舆情风险评估方法及装置
CN112632405B (zh) 一种推荐方法、装置、设备及存储介质
CN111371858B (zh) 群控设备识别方法、装置、介质及电子设备
CN113836131A (zh) 一种大数据清洗方法、装置、计算机设备及存储介质
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN112818230A (zh) 内容推荐方法、装置、电子设备和存储介质
CN104298702A (zh) 基于社交网络信息进行电子阅读读物推荐的方法及***
CN111881191B (zh) 移动互联网下的客户画像关键特征挖掘***与方法
CN111858560A (zh) 基于数据仓库的金融数据自动化测试与监控***
US11256703B1 (en) Systems and methods for determining long term relevance with query chains
CN116226173A (zh) 数据查询方法、装置、存储介质和电子设备
CN113327145B (zh) 一种物品推荐方法和装置
CN114490667A (zh) 多维度的数据分析方法、装置、电子设备及介质
CN113779239A (zh) 一种热点信息获取方法和装置
CN111881190B (zh) 基于客户画像的关键数据挖掘***
CN114818635A (zh) 数据报表生成方法、装置、电子设备及存储介质
CN112084408A (zh) 名单数据筛选方法、装置、计算机设备及存储介质
Devi et al. Extended correlated principal component analysis with SVM-PUK in opinion mining
CN113342969A (zh) 数据处理方法和装置
Yang et al. Research on E-Commerce User Interest Recommendation Method Based on TF-IDF Algorithm
CN113407859B (zh) 一种资源推荐方法、装置、电子设备及存储介质
CN116975396A (zh) 政务服务智能推荐方法、***、设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210519

Address after: 361000 area B, Room 501, No. 90, anling 2nd Road, Huli District, Xiamen City, Fujian Province

Applicant after: Liuyanghui (Xiamen) Financial Technology Service Co.,Ltd.

Address before: Room 401, 166 Longshan Road, Siming District, Xiamen City, Fujian Province 361000

Applicant before: Xiamen LiHan Information Technology Service Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant