CN113988915A - 用于定位产品客群的方法及装置、电子设备、存储介质 - Google Patents

Abstract

本申请涉及计算机技术领域，公开一种用于定位产品客群的方法，包括：获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种；将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；获取情感分类模型的输入特征与输出特征之间的相关性；根据相关性确定备选用户标签；根据备选用户标签确定客群定位。这样，通过分析情感分类模型的输入特征与输出特征之间的相关性，根据相关性能够定位目标产品的客群，从而提高了客群定位的自动化程度。本申请还公开一种用于定位产品客群的装置及电子设备、存储介质。

Description

用于定位产品客群的方法及装置、电子设备、存储介质

技术领域

本申请涉及计算机技术领域，例如涉及一种用于定位产品客群的方法及装置、电子设备、存储介质。

背景技术

如何为产品明确客群定位是营销领域的一个重要问题。目前，企业为了清楚地进行产品定义和受众需求分析、为了明确产品运营的方向和有效利用运营资源，需要明确产品的客群定位。

在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：

现有技术中通常通过人工调研、讨论和分析来确定产品的客群定位，自动化程度低。

发明内容

为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

本公开实施例提供了一种用于定位产品客群的方法及装置、电子设备、存储介质，以能够提高客群定位的自动化程度。

在一些实施例中，所述用于定位产品客群的方法，包括：获取目标产品对应的文本信息，并获取所述文本信息对应的用户的用户标签；所述用户标签包括所述用户的年龄、性别、职业和爱好中的一种或多种；将所述文本信息和所述用户标签输入到预设的情感分类模型，获得所述目标产品和所述用户对所述目标产品的喜爱程度；获取所述情感分类模型的输入特征与输出特征之间的相关性；根据所述相关性确定备选用户标签；根据所述备选用户标签确定客群定位。

在一些实施例中，所述用于定位产品客群的装置，包括：第一获取模块，被配置为获取目标产品对应的文本信息，并获取所述文本信息对应的用户的用户标签；所述用户标签包括所述用户的年龄、性别、职业和爱好中的一种或多种；分类模块，被配置为将所述文本信息和所述用户标签输入到预设的情感分类模型，获得所述目标产品和所述用户对所述目标产品的喜爱程度；第二获取模块，被配置为获取所述情感分类模型的输入特征与输出特征之间的相关性；第一确定模块，被配置为根据所述相关性确定备选用户标签；第二确定模块，被配置为根据所述备选用户标签确定客群定位。

在一些实施例中，所述用于定位产品客群的装置包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如上述的用于定位产品客群的方法。

在一些实施例中，所述电子设备包括上述的用于定位产品客群的装置。

在一些实施例中，所述存储介质存储有程序指令，所述程序指令在运行时，执行上述的用于定位产品客群的方法。

本公开实施例提供的用于定位产品客群的方法及装置、电子设备、存储介质，可以实现以下技术效果：通过获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种；将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；获取情感分类模型的输入特征与输出特征之间的相关性；根据相关性确定备选用户标签；根据备选用户标签确定客群定位。这样，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，根据相关性能够定位目标产品的客群，从而提高了客群定位的自动化程度。

以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1是本公开实施例提供的一个用于定位产品客群的方法的示意图；

图2是本公开实施例提供的一个用于获取情感分类模型的方法的示意图；

图3是本公开实施例提供的另一个用于定位产品客群的方法的示意图；

图4是本公开实施例提供的另一个用于定位产品客群的方法的示意图；

图5是本公开实施例提供的一个用于定位产品客群的装置的示意图；

图6是本公开实施例提供的另一个用于定位产品客群的装置的示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

除非另有说明，术语“多个”表示两个或两个以上。

本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。

结合图1所示，本公开实施例提供一种用于定位产品客群的方法，包括：

步骤S101，获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种。

步骤S102，将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度。

步骤S103，获取情感分类模型的输入特征与输出特征之间的相关性。

步骤S104，根据相关性确定备选用户标签。

步骤S105，根据备选用户标签确定客群定位。

采用本公开实施例提供的用于定位产品客群的方法，通过获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种；将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；获取情感分类模型的输入特征与输出特征之间的相关性；根据相关性确定备选用户标签；根据备选用户标签确定客群定位。这样，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，根据相关性能够定位目标产品的客群，从而提高了客群定位的自动化程度。

可选地，目标产品包括待定位产品和/或待定位产品对应的竞品。

可选地，文本信息为用户在社交平台或购物平台上发布的文章或评论信息。

在一些实施例中，将文本信息和用户标签输入到预设的情感分类模型，在文本信息为与目标产品相关的文章或评论信息的情况下，获得目标产品和用户对目标产品的喜爱程度。

在一些实施例中，将文本信息和用户标签输入到预设的情感分类模型，在文本信息为与目标产品不相关的文章或评论信息的情况下，获得该文本信息为无效文本信息。

可选地，通过以下方式获取情感分类模型，包括：获取样本产品对应的样本文本信息和样本用户标签；获取训练样本标签；训练样本标签用于表征用户对样本产品的喜爱程度；将样本文本信息和样本用户标签确定为训练样本；将带有训练样本标签的训练样本输入到预设的机器学习模型进行训练，获得情感分类模型。

可选地，获取训练样本标签，包括：对样本文本信息进行自然语言处理，获得训练样本标签。

可选地，对样本文本信息进行自然语言处理，获得训练样本标签，包括：通过NER(Named Entity Recognition，命名实体识别)技术对样本文本信息进行处理，获得训练样本标签；或，通过ABSA(Aspect-Based Sentiment Analysis，基于方面的细粒度情感分析)技术对样本本文信息进行处理，获得训练样本标签。

可选地，训练样本标签包括第一标签和第二标签。

可选地，第一标签包括涉及竞品、涉及待定位产品、涉及待定位产品及其竞品和不涉及待定位产品及其竞品。可选地，竞品为待定位产品的竞争产品。

可选地，第二标签包括正面情感、负面情感和中性情感；正面情感包括非常喜爱和一般喜爱；负面情感包括一般讨厌和非常讨厌。

在一些实施例中，样本文本信息为“录音设备A的音质非常好，我非常喜欢”，通过NER技术对样本文本信息进行实体识别，获得第一标签，即待定位产品为：录音设备A；第二标签为：正面情感。这样，通过对样本文本信息进行自然语言处理，能够更准确的确定训练样本标签。

结合图2所示，本公开实施例提供一种用于获取情感分类模型的方法，包括：

步骤S201，获取样本产品对应的样本文本信息和样本用户标签；

步骤S202，获取训练样本标签；训练样本标签用于表征用户对样本产品的喜爱程度；将样本文本信息和样本用户标签确定为训练样本；将带有训练样本标签的训练样本输入到预设的机器学习模型进行训练，获得情感分类模型。

采用本公开实施例提供的用于获取情感分类模型的方法，通过深度学习技术利用获取到的样本产品对应的样本文本信息和样本用户标签和用户对样本产品的喜爱程度对机器学习模型进行训练，获得情感分类模型，便于用户通过文本信息确定用户对目标产品可能的情感状态，即喜爱程度，从而提高了对定位目标产品客群的自动化程度，同时，本公开实施例提供的用于获取情感分类模型的方法，具有可复制性，能够便于针对不同产品进行训练，从而获得针对不同产品的情感分类模型。

可选地，获取情感分类模型的输入特征与输出特征之间的相关性，包括：将文本信息和用户标签确定为模型的输入特征，将用户对目标产品的喜爱程度确定为模型的输出特征；获取输入特征对应的第一特征向量和输出特征对应的第二特征向量；获取第一特征向量与第二特征向量之间的相关性。

可选地，获取输入特征对应的第一特征向量，包括：分别获取文本信息对应的特征向量和用户标签对应的特征向量；将文本信息对应的特征向量和用户标签对应的特征向量进行融合拼接，获得第一特征向量。

可选地，获取第一特征向量与第二特征向量之间的相关性，包括：根据预设算法利用第一特征向量和第二特征向量进行计算，获得第一特征向量与第二特征向量之间的相关性。

在一些实施例中，预设算法为基于Matlab的corrcoef相关系数函数。

在一些实施例中，通过情感分类模型能够确定输入特征是否重要，包括：通过控制变量法对情感分类模型的输入特征进行调整，并将调整后的输入特征输入到情感分类模型中，获得输出特征；确定调整后的输入特征对输出特征是否存在影响；在调整后的输入特征对输出特征存在影响的情况下，则确定输入特征中的被调整特征重要。这样，通过控制变量法对输入特征进行调整，能够更准确的分析出输入特征的重要性，从而便于对目标产品的客群进行定位。

可选地，根据相关性确定备选用户标签，包括：将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签。

可选地，第一预设范围为0.5～1。

在一些实施例中，相关性的数值越大，则第一特征向量对应的输入特征越重要。

可选地，将处于第二预设范围的相关性所对应的用户标签确定为处于摇摆状态。可选地，第二预设范围为-0.5～0.5。

这样，通过确定出哪些用户标签处于摇摆状态，并分析处于摇摆状态的用户标签所对应的用户，能够便于企业对待定位产品进行改进，从而对待定位产品进行重点突破，使得待定位产品满足处于摇摆状态的用户标签所对应的用户。

结合图3所示，本公开实施例提供一种用于定位产品客群的方法，包括：

步骤S301，获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种。

步骤S302，将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度。

步骤S303，获取情感分类模型的输入特征与输出特征之间的相关性。

步骤S304，将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签。

步骤S305，根据备选用户标签确定客群定位。

采用本公开实施例提供的用于定位产品客群的方法，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签，从而根据备选用户标签能够定位目标产品的客群，提高了客群定位的自动化程度。

可选地，根据备选用户标签确定客群定位，包括：将所有满足备选用户标签的用户确定为目标产品对应的客群定位。

结合图4所示，本公开实施例提供一种用于定位产品客群的方法，包括：

步骤S401，获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种。

步骤S402，将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度。

步骤S403，获取情感分类模型的输入特征与输出特征之间的相关性。

步骤S404，将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签。

步骤S405，将所有满足备选用户标签的用户确定为目标产品对应的客群定位。

采用本公开实施例提供的用于定位产品客群的方法，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签，并将带有备选用户标签的用户确定为目标产品的客群，提高了客群定位的自动化程度。

在一些实施例中，在对目标产品进行客群定位后，获取预设时间段内的目标产品对应的盈利情况，在盈利情况未达到预设期望值的情况下，重新获取目标产品对应的文本信息和用户标签，根据情感分类模型获取用户对目标产品的喜爱程度，根据相关性调整目标产品定位，进行反复迭代，不断调整目标产品定位，扩大产品的影响力。

结合图5所示，本公开实施例提供一种用于定位产品客群的装置，包括：第一获取模块501、分类模块502、第二获取模块503、第一确定模块504和第二确定模块505；第一获取模块501被配置为获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种；分类模块502被配置为将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；第二获取模块503被配置为获取情感分类模型的输入特征与输出特征之间的相关性；第一确定模块504被配置为根据相关性确定备选用户标签；第二确定模块505被配置为根据备选用户标签确定客群定位。

采用本公开实施例提供的用于定位产品客群的装置，通过第一获取模块获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；分类模块将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；第二获取模块获取情感分类模型的输入特征与输出特征之间的相关性；第一确定模块根据相关性确定备选用户标签；第二确定模块根据备选用户标签确定客群定位。这样，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，根据相关性能够定位目标产品的客群，从而提高了客群定位的自动化程度。

可选地，分类模块还被配置为通过以下方式获取情感分类模型,获取样本产品对应的样本文本信息和样本用户标签；获取训练样本标签；训练样本标签用于表征用户对样本产品的喜爱程度；将样本文本信息和样本用户标签确定为训练样本；将带有训练样本标签的训练样本输入到预设的机器学习模型进行训练，获得情感分类模型。

可选地，获取训练样本标签，包括：对样本文本信息进行自然语言处理，获得训练样本标签。

可选地，第二获取模块被配置为通过以下方式获取情感分类模型的输入特征与输出特征之间的相关性，将文本信息和用户标签确定为模型的输入特征，将用户对目标产品的喜爱程度确定为模型的输出特征；获取输入特征对应的第一特征向量和输出特征对应的第二特征向量；获取第一特征向量与第二特征向量之间的相关性。

可选地，第一确定模块被配置为通过以下方式根据相关性确定备选用户标签，将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签。

可选地，第二确定模块被配置为通过以下方式根据备选用户标签确定客群定位，将所有满足备选用户标签的用户确定为目标产品对应的客群定位。

这样，通过自然语言处理技术对样本文本信息进行处理，获得训练样本标签，并通过深度学习技术利用训练样本和训练样本标签对机器学习模型进行训练，获得情感分类模型；将采集到的文本信息和用户标签确定为模型的输入特征输入到情感分类模型，获得用户对目标产品可能的情感状态，即喜爱程度，便于从大量的网络信息中自动化挖掘待定位产品的客群，提高客群定位的自动化程度。

结合图6所示，本公开实施例提供一种用于定位产品客群的装置，包括处理器(processor)600和存储器(memory)601。可选地，该装置还可以包括通信接口(Communication Interface)602和总线603。其中，处理器600、通信接口602、存储器601可以通过总线603完成相互间的通信。通信接口602可以用于信息传输。处理器600可以调用存储器601中的逻辑指令，以执行上述实施例的用于定位产品客群的方法。

采用本公开实施例提供的用于定位产品客群的装置，通过获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种；将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；获取情感分类模型的输入特征与输出特征之间的相关性；根据相关性确定备选用户标签；根据备选用户标签确定客群定位。这样，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，根据相关性能够定位目标产品的客群，从而提高了客群定位的自动化程度。

此外，上述的存储器601中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器601作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器600通过运行存储在存储器601中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于定位产品客群的方法。

存储器601可包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器601可以包括高速随机存取存储器，还可以包括非易失性存储器。

可选地，本公开实施例提供一种用于电子设备，包括上述的用于定位产品客群的装置。

可选地，电子设备包括服务器、计算机和平板电脑等。

采用本公开实施例提供的电子设备，通过获取目标产品对应的文本信息，并获取文本信息对应的用户的用户标签；用户标签包括用户的年龄、性别、职业和爱好中的一种或多种；将文本信息和用户标签输入到预设的情感分类模型，获得目标产品和用户对目标产品的喜爱程度；获取情感分类模型的输入特征与输出特征之间的相关性；根据相关性确定备选用户标签；根据备选用户标签确定客群定位。这样，通过情感分类模型能够确定用户对目标产品的喜爱程度，并通过分析情感分类模型的输入特征与输出特征之间的相关性，根据相关性能够定位目标产品的客群，从而提高了客群定位的自动化程度。

本公开实施例提供了一种存储介质，存储有程序指令，程序指令在运行时，执行上述用于定位产品客群的方法。

本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于定位产品客群的方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

附图中的流程图和框图显示了根据本公开实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (10)

1.一种用于定位产品客群的方法，其特征在于，包括：

获取目标产品对应的文本信息，并获取所述文本信息对应的用户的用户标签；所述用户标签包括所述用户的年龄、性别、职业和爱好中的一种或多种；

将所述文本信息和所述用户标签输入到预设的情感分类模型，获得所述目标产品和所述用户对所述目标产品的喜爱程度；

获取所述情感分类模型的输入特征与输出特征之间的相关性；

根据所述相关性确定备选用户标签；

根据所述备选用户标签确定客群定位。

2.根据权利要求1所述的方法，其特征在于，通过以下方式获取所述情感分类模型，包括：

获取样本产品对应的样本文本信息和样本用户标签；

获取训练样本标签；所述训练样本标签用于表征用户对样本产品的喜爱程度；将所述样本文本信息和样本用户标签确定为训练样本；将带有所述训练样本标签的所述训练样本输入到预设的机器学习模型进行训练，获得情感分类模型。

3.根据权利要求2所述的方法，其特征在于，所述获取训练样本标签，包括：

对所述样本文本信息进行自然语言处理，获得所述训练样本标签。

4.根据权利要求1所述的方法，其特征在于，获取所述情感分类模型的输入特征与输出特征之间的相关性，包括：

将所述文本信息和所述用户标签确定为所述情感分类模型的输入特征，将用户对所述目标产品的喜爱程度确定为所述情感分类模型的输出特征；

获取所述输入特征对应的第一特征向量和所述输出特征对应的第二特征向量；

获取所述第一特征向量与所述第二特征向量之间的相关性。

5.根据权利要求1所述的方法，其特征在于，根据所述相关性确定备选用户标签，包括：

将处于第一预设范围内的相关性所对应的用户标签确定为备选用户标签。

6.根据权利要求1所述的方法，其特征在于，根据所述备选用户标签确定客群定位，包括：

将所有满足备选用户标签的用户确定为所述目标产品对应的客群定位。

7.一种用于定位产品客群的装置，其特征在于，包括：

第一获取模块，被配置为获取目标产品对应的文本信息，并获取所述文本信息对应的用户的用户标签；所述用户标签包括所述用户的年龄、性别、职业和爱好中的一种或多种；

分类模块，被配置为将所述文本信息和所述用户标签输入到预设的情感分类模型，获得所述目标产品和所述用户对所述目标产品的喜爱程度；

第二获取模块，被配置为获取所述情感分类模型的输入特征与输出特征之间的相关性；

第一确定模块，被配置为根据所述相关性确定备选用户标签；

第二确定模块，被配置为根据所述备选用户标签确定客群定位。

8.一种用于定位产品客群的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至6任一项所述的方法。

9.一种电子设备，其特征在于，包括如权利要求8所述的用于定位产品客群的装置。

10.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至6任一项所述的用于定位产品客群的方法。

Images