CN116385039A - 一种营销策略的生成方法、装置及终端设备 - Google Patents
一种营销策略的生成方法、装置及终端设备 Download PDFInfo
- Publication number
- CN116385039A CN116385039A CN202310276488.XA CN202310276488A CN116385039A CN 116385039 A CN116385039 A CN 116385039A CN 202310276488 A CN202310276488 A CN 202310276488A CN 116385039 A CN116385039 A CN 116385039A
- Authority
- CN
- China
- Prior art keywords
- marketing
- strategy
- marketing strategy
- supplemented
- user
- 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 57
- 238000013486 operation strategy Methods 0.000 claims abstract description 34
- 230000001502 supplementing effect Effects 0.000 claims abstract description 18
- 239000013589 supplement Substances 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 44
- 230000006399 behavior Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 239000000047 product Substances 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000000153 supplemental effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Image Analysis (AREA)
Abstract
本发明适用于深度学习的技术领域,提供了一种营销策略的生成方法、装置及终端设备,所述营销策略的生成方法包括:根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;根据待补充内容确定待补充运营标签;基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略。上述方案,丰富了用户标签的信息维度,故基于用户标签得到的目标营销策略的匹配度较高。且本申请基于运营策略补充模型对初步营销策略进行补充,得到完整的目标运营策略,以进一步丰富营销策略,提高了目标营销策略的完整度。
Description
技术领域
本发明属于深度学习的技术领域,尤其涉及一种营销策略的生成方法、装置及终端设备。
背景技术
营销策略是企业以顾客需求为出发点,根据经验获得顾客需求量、购买力信息以及商业期望值,规划各项经营活动。是多种营销信息的结合,例如:产品、价格、渠道和促销等信息。
随着人工智能的发展,营销策略可基于深度学习进行自动生成。在传统的营销策略生成方法中,营销策略是通过提炼从业人员经验,指定相关指标及相关情况建立简单的线性模型。并通过线性模型自动生成营销策略。由于线性模型的处理逻辑较为粗犷,导致生成的营销策略的匹配度和完整度较低,故如何提高营销策略的匹配度和完整度,成了一个亟需解决的技术问题。
发明内容
有鉴于此,本发明实施例提供了一种营销策略的生成方法、营销策略的生成装置及终端设备,以解决营销策略的匹配度和完整度较低的技术问题。
本发明实施例的第一方面提供了一种营销策略的生成方法,所述营销策略的生成方法包括:
响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;
将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;
当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;
基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
进一步地,所述响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签的步骤包括:
获取所述第一用户信息、所述第一购物记录数据和所述第一行为数据;
基于所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建矩阵;
通过聚类算法匹配所述矩阵对应的用户标签。
进一步地,所述通过聚类算法匹配所述矩阵对应的用户标签的步骤包括:
基于历史用户信息、历史购物记录数据和历史行为数据构建聚类中心;其中,不同的聚类中心对应不同标签;
通过所述聚类算法分别计算每个所述聚类中心和所述矩阵之间的距离;
将最小距离对应的聚类中心的标签作为所述用户标签。
进一步地,所述第一用户信息包括性别、年龄段和职业类型,所述第一购物记录数据包括购物类型、购物数量和购物金额,所述第一行为数据包括进入时间、退出时间、点击量、浏览时长和重复浏览次数;
所述基于所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建矩阵的步骤包括:
将所述性别、所述年龄段、所述职业类型、所述购物类型、所述购物数量、所述购物金额、所述进入时间、所述退出时间、所述点击量、所述浏览时长和所述重复浏览次数进行赋值,得到多个数值;
将多个所述数值按照预设顺序进行排列组合,得到所述矩阵。
进一步地,所述营销策略生成模型包括第一特征提取层、第二特征提取层、第三特征提取层和决策树层;
所述将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略的步骤包括:
将所述用户标签输入所述第一特征提取层,得到由所述第一特征提取层输出所述用户标签对应的行为特征;所述行为特征用于表征用户的购物行为特征;
将所述行为特征输入所述第二特征提取层,得到由所述第二特征提取层输出所述行为特征对应的营销特征;
将所述行为特征和所述营销特征融合,得到融合特征;
将所述融合特征输入所述第三特征提取层,得到由所述第三特征提取层输出所述融合特征对应的营销标签;
将所述营销标签与所述决策树层中的节点进行相似度计算,得到相似度;
根据所述相似度选择路径分支,并重新执行所述将所述营销标签与所述决策树层中的节点进行相似度计算,得到相似度的步骤以及后续步骤,直至输出结果节点对应的所述初步营销策略。
进一步地,所述运营策略补充模型包括第四特征提取层、分支池化层和分类器;
所述基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略的步骤包括:
将待补充运营标签输入所述第四特征提取层,得到由所述第四特征提取层输出初始特征;
将所述融合特征输入所述分支池化层,得到由所述分支池化层输出的池化特征;
将所述初始特征和所述池化特征融合,得到目标特征;
将所述目标特征输入所述分类器,得到由所述分类器输出的分类结果;
将所述分类结果对应的预设策略,作为所述目标营销策略。
进一步地,所述当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签的步骤包括:
遍历所述初步营销策略中的多个数据,确定所述初步营销策略待补充内容;
基于预设卷积核,对所述用户标签进行卷积处理,得到初始标签;
将所述待补充内容对应标志位,填入所述初始标签中的预设位置,得到所述待补充运营标签。
进一步地,所述响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签的步骤之前包括:
获取训练标签和所述训练标签对应的目标训练结果;
将所述训练标签输入初始模型中的初始特征提取层,得到由所述初始特征提取层输出所述训练标签对应的训练特征;
将所述训练特征输入初始模型中的初始分类层,得到由所述初始分类层输出所述训练特征对应的初始营销策略;
计算所述初始营销策略与所述目标训练结果之间的损失值;
基于所述损失值,调整所述初始特征提取层和所述初始分类层的参数;
基于不同的训练标签和不同的目标训练结果,分别执行所述获取训练标签和所述训练标签对应的目标训练结果的步骤以及后续步骤,得到由所述初始模型训练得到的所述营销策略生成模型。
本发明实施例的第二方面提供了一种营销策略的生成装置,包括:
获取单元,用于响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;
第一处理单元,用于将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;
判断单元,用于当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;
第二处理单元,用于基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
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,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本申请响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略。上述方案,通过第一用户信息、第一购物记录数据和第一行为数据构建用户标签,丰富了用户标签的信息维度,故基于用户标签得到的目标营销策略的匹配度较高。且本申请不是直接通过用户标签生成目标营销策略,而是基于营销策略生成模型,得到初步营销策略。并基于运营策略补充模型对初步营销策略进行补充,得到完整的目标运营策略,以进一步丰富营销策略,提高了目标营销策略的完整度。解决了营销策略的匹配度和完整度较低的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或相关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获得其它的附图。
图1示出了本发明提供的一种营销策略的生成方法的示意性流程图;
图2示出了本发明提供的一种营销策略的生成方法中步骤101的具体示意性流程图;
图3示出了本发明提供的一种营销策略的生成方法中步骤1012的具体示意性流程图;
图4示出了本发明提供的一种营销策略的生成方法中步骤1013的具体示意性流程图;
图5示出了本发明提供的一种营销策略的生成方法中步骤102的具体示意性流程图;
图6示出了本发明提供的一种营销策略的生成方法中步骤103的具体示意性流程图;
图7示出了本发明提供的一种营销策略的生成方法中步骤104的具体示意性流程图;
图8示出了本发明一实施例提供的一种营销策略的生成装置的示意图;
图9示出了本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
首先,本发明提供了一种营销策略的生成方法。请参见图1,图1示出了本发明提供的一种营销策略的生成方法的示意性流程图。如图1所示,该营销策略的生成方法可以包括如下步骤:
步骤10 1:响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签。
营销对象是指需要进行营销的商品,包括但不限于口红、吹风机或食品等等商品。第一用户信息包括但不限于性别、年龄段和职业类型等一种信息或多种信息之间的组合。第一购物记录数据包括但不限于购物类型、购物数量和购物金额等一种数据或多种数据之间的组合。第一行为数据包括但不限于进入时间、退出时间、点击量、浏览时长和重复浏览次数等一种数据或多种数据之间的组合。通过第一用户信息、第一购物记录数据和第一行为数据构建用户标签的具体过程如下:
具体地,步骤10 1具体包括步骤101 1至步骤101 3。如图2所示,图2示出了本发明提供的一种营销策略的生成方法中步骤101的具体示意性流程图。
步骤1011:获取所述第一用户信息、所述第一购物记录数据和所述第一行为数据。
为了提高数据的有效性,故在获取原始用户信息、原始购物记录数据和原始行为数据之后,需要进行数据清洗和预处理,得到第一用户信息、第一购物记录数据和第一行为数据。
步骤101 2:基于所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建矩阵。
具体地,步骤1012具体包括步骤A1至步骤A2。如图3所示,图3示出了本发明提供的一种营销策略的生成方法中步骤1012的具体示意性流程图。
步骤A1:将所述性别、所述年龄段、所述职业类型、所述购物类型、所述购物数量、所述购物金额、所述进入时间、所述退出时间、所述点击量、所述浏览时长和所述重复浏览次数进行赋值,得到多个数值。
不同的第一用户信息、所述第一购物记录数据和所述第一行为数据赋予不同的数值(以数值的方式替代不同信息)。其中,每一种信息对应不同的数值,该数值是基于先验知识或人为计算得到。将不同信息对应的数值预先录入在存储器中,在执行步骤A1时,根据不同信息进行匹配即可。
步骤A2:将多个所述数值按照预设顺序进行排列组合,得到所述矩阵。
分别将不同信息赋予不同数值,将数值按照预设顺序进行排列组合,得到矩阵。其中预设顺序是指每一类信息对应的固定顺序。
步骤1013:通过聚类算法匹配所述矩阵对应的用户标签。
具体地,步骤101 3具体包括步骤B1至步骤B 3。如图4所示,图4示出了本发明提供的一种营销策略的生成方法中步骤1013的具体示意性流程图。
步骤B1:基于历史用户信息、历史购物记录数据和历史行为数据构建聚类中心;其中,不同的聚类中心对应不同标签。
步骤B2:通过所述聚类算法分别计算每个所述聚类中心和所述矩阵之间的距离。
步骤B3:将最小距离对应的聚类中心的标签作为所述用户标签。
本申请采用聚类算法匹配矩阵对应的用户标签。其中,聚类算法可以是基于划分的聚类算法、基于链接的聚类算法、基于密度的聚类算法或基于模型的聚类算法。其中,基于划分的聚类算法可以是K-means聚类算法(k均值聚类算法,k-means clusteringalgorithm)。
K-mean s聚类算法是一种选代求解的聚类分析算法。其预先将数据分为K组,则随机选取K个对象作为初始的初始聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象(即历史用户信息、历史购物记录数据和历史行为数据)分配给距离它最近的聚类中心。通过上述方式,基于历史用户信息、历史购物记录数据和历史行为数据构建聚类中心。分别计算聚类中心和所述矩阵之间的欧式距离。并将最小距离对应的聚类中心的标签作为用户标签。
步骤10 2:将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略。
营销策略生成模型包括第一特征提取层、第二特征提取层、第三特征提取层和决策树层。营销策略生成模型的具体处理逻辑如下:
具体地,步骤10 2具体包括步骤102 1至步骤102 6。如图5所示,图5示出了本发明提供的一种营销策略的生成方法中步骤102的具体示意性流程图。
步骤102 1:将所述用户标签输入所述第一特征提取层,得到由所述第一特征提取层输出所述用户标签对应的行为特征;所述行为特征用于表征用户的购物行为特征。
步骤102 2:将所述行为特征输入所述第二特征提取层,得到由所述第二特征提取层输出所述行为特征对应的营销特征。
步骤1023:将所述行为特征和所述营销特征融合,得到融合特征。
步骤102 4:将所述融合特征输入所述第三特征提取层,得到由所述第三特征提取层输出所述融合特征对应的营销标签。
本申请为了提高特征提取能力,故将第一特征提取层和第二特征提取层作为两个分支层,分别提取行为特征和营销特征。并将行为特征和营销特征融合得到融合特征,提高了融合特征的表征能力。并将融合特征输入第三特征提取层,得到营销标签。提高了营销标签的数据维度,故可以更好地表征第一用户信息和当前购物记录数据,进而提高后续计算过程的精确度。
步骤1025:将所述营销标签与所述决策树层中的节点进行相似度计算,得到相似度。
决策树(Decision Tree)又称为判定树,是数据挖掘技术中的一种重要的分类与回归方法,它是一种以树结构(包括二叉树和多叉树)形式来表达的预测分析模型。为使得决策树层符合使用需求,需对所述决策树层进行训练。首先,将获取的训练数据输入预训练决策树层。然后,读取预设训练操作和预设损失阈值,预设训练操作为根据训练目的和预期效果而设计的一系列训练操作,并将设计好的训练操作配置于模型中,利于后续直接读取。预设损失阈值为技术人员根据工作经验而设置的可接受训练损失的最大值。基于预训练决策树层结合训练操作对训练数据进行训练,得到训练结果,将训练结果与损失阈值进行比较,当训练结果小于损失阈值,则完成训练。通过预先对决策树层进行训练,不仅获取了符合要求的决策树层,而且为后续正确分析数据提供有效依据。
在决策树中,需要将营销标签与其经过的节点进行相似度计算,以选择决策路径。在每个节点中,需选择相似度最高的路径作为决策路径。
步骤102 6:根据所述相似度选择路径分支,并重新执行所述将所述营销标签与所述决策树层中的节点进行相似度计算,得到相似度的步骤以及后续步骤,直至输出结果节点对应的所述初步营销策略。
决策树层中包括多个节点和路径分支,在经过每个节点时计算营销标签和节点之间的相似度,并根据相似度选择路径分支,直至达到结果节点(不同结果节点对应不同的营销策略),并输出结果节点对应的初步营销策略。
步骤10 3:当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签。
具体地,步骤10 3具体包括步骤103 1至步骤103 3。如图6所示,图6示出了本发明提供的一种营销策略的生成方法中步骤103的具体示意性流程图。
步骤1031:遍历所述初步营销策略中的多个数据,确定所述初步营销策略待补充内容。
由于分类树不同结果节点对应的初步营销策略,可能存在信息缺失,例如:缺失文字、图案、音频或视频等信息。故为了补充初步营销策略,需对初步营销策略中的多个数据进行遍历,以确定初步营销策略待补充内容。
步骤1032:基于预设卷积核,对所述用户标签进行卷积处理,得到初始标签。
本申请为了提高用户标签的表征能力,故在构建待补充运营标签时,对用户标签进行卷积处理,以得到初始标签。并基于初始标签构建待补充运营标签。
步骤103 3:将所述待补充内容对应标志位,填入所述初始标签中的预设位置,得到所述待补充运营标签。
为了精确地匹配目标运营策略,故需提高待补充内容与用户标签之间的关联度,故需将待补充内容与用户标签进行结合,得到补充运营标签。
其中,每一类补充内容均对应唯一的标志位,用于表征待补充内容。在初始标签中的预设位置(可以为首列或尾列)填入待补充内容对应标志位,得到所述待补充运营标签。
步骤10 4:基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
运营策略补充模型包括第四特征提取层、分支池化层和分类器。运营策略补充模型的具体处理逻辑如下:
具体地,步骤10 4具体包括步骤104 1至步骤104 5。如图7所示,图7示出了本发明提供的一种营销策略的生成方法中步骤104的具体示意性流程图。
步骤104 1:将待补充运营标签输入所述第四特征提取层,得到由所述第四特征提取层输出初始特征。
步骤104 2:将所述融合特征输入所述分支池化层,得到由所述分支池化层输出的池化特征。
本申请为了充分利用营销策略生成模型的特征提取结果,故将融合特征作为分支池化层的输入。其中,分支池化层用于减少融合特征的数据量。
步骤1043:将所述初始特征和所述池化特征融合,得到目标特征。
将运营策略补充模型基于待补充运营标签提取到的初始特征与池化特征进行融合,得到目标特征,以进一步提高特征数据的表征能力。
步骤1044:将所述目标特征输入所述分类器,得到由所述分类器输出的分类结果。
步骤1045:将所述分类结果对应的预设策略,作为所述目标营销策略。
不同的分类结果对应不同的预设策略,在得到分类结果后,基于分类结果匹配相对应的预设策略,作为目标营销策略。其中,目标营销策略包括但不限于营销媒介、营销群体、营销产品以及营销价格等一种信息或多种信息之间的组合。
在本实施中,响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略。上述方案,通过第一用户信息、第一购物记录数据和第一行为数据构建用户标签,丰富了用户标签的信息维度,故基于用户标签得到的目标营销策略的匹配度较高。且本申请不是直接通过用户标签生成目标营销策略,而是基于营销策略生成模型,得到初步营销策略。并基于运营策略补充模型对初步营销策略进行补充,得到完整的目标运营策略,以进一步丰富营销策略,提高了目标营销策略的完整度。解决了营销策略的匹配度和完整度较低的技术问题。
如图8本发明提供了一种营销策略的生成装置8,请参见图8,图8示出了本发明提供的一种营销策略的生成装置的示意图,如图8所示一种营销策略的生成装置包括:
获取单元8 1,用于响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;
第一处理单元8 2,用于将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;
判断单元8 3,用于当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;
第二处理单元8 4,用于基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
本发明提供的一种营销策略的生成装置,响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略。上述方案,通过第一用户信息、第一购物记录数据和第一行为数据构建用户标签,丰富了用户标签的信息维度,故基于用户标签得到的目标营销策略的匹配度较高。且本申请不是直接通过用户标签生成目标营销策略,而是基于营销策略生成模型,得到初步营销策略。并基于运营策略补充模型对初步营销策略进行补充,得到完整的目标运营策略,以进一步丰富营销策略,提高了目标营销策略的完整度。解决了营销策略的匹配度和完整度较低的技术问题。
图9是本发明一实施例提供的一种终端设备的示意图。如图9所示,该实施例的一种终端设备9包括:处理器9、存储器9 1以及存储在所述存储器9 1中并可在所述处理器9上运行的计算机程序9 2,例如一种营销策略的生成方法程序。所述处理器9执行所述计算机程序9 2时实现上述各个一种营销策略的生成方法实施例中的步骤,例如图1所示的步骤101至步骤10 4。或者,所述处理器9执行所述计算机程序92时实现上述各装置实施例中各单元的功能,例如图8所示单元81至84的功能。
示例性的,所述计算机程序92可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器9 1中,并由所述处理器9执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序9 2在所述一种终端设备9中的执行过程。例如,所述计算机程序9 2可以被分割成各单元的具体功能如下:
获取单元,用于响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;
第一处理单元,用于将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;
判断单元,用于当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;
第二处理单元,用于基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
所述终端设备中包括但不限于处理器9和存储器9 1。本领域技术人员可以理解,图9仅仅是一种终端设备9的示例,并不构成对一种终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器9可以是中央处理单元(Central Processing Uni t,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processo r,DSP)、专用集成电路(Application Specific Integrated Circui t,ASIC)、现成可编程门阵列(Field-Programmable Gate Arra y,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器9 1可以是所述一种终端设备9的内部存储单元,例如一种终端设备9的硬盘或内存。所述存储器9 1也可以是所述一种终端设备9的外部存储设备,例如所述一种终端设备9上配备的插接式硬盘,智能存储卡(Smart Media Car d,SM C),安全数字(Secure Digita l,S D)卡,闪存卡(Flash Car d)等。进一步地,所述存储器9 1还可以既包括所述一种终端设备9的内部存储单元也包括外部存储设备。所述存储器9 1用于存储所述计算机程序以及所述一种漫游控制设备所需的其他程序和数据。所述存储器9 1还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,既将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了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计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以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。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,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于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memor y,RO M)、随机存取存储器(Random AccessMemor y,RA M)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通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,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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,既可以位于一个地方,或者也可以分布到多个网络单元上。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种营销策略的生成方法,其特征在于,所述营销策略的生成方法包括:
响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;
将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;
当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;
基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
2.如权利要求1所述的营销策略的生成方法,其特征在于,所述响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签的步骤包括:
获取所述第一用户信息、所述第一购物记录数据和所述第一行为数据;
基于所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建矩阵;
通过聚类算法匹配所述矩阵对应的用户标签。
3.如权利要求2所述的营销策略的生成方法,其特征在于,所述通过聚类算法匹配所述矩阵对应的用户标签的步骤包括:
基于历史用户信息、历史购物记录数据和历史行为数据构建聚类中心;其中,不同的聚类中心对应不同标签;
通过所述聚类算法分别计算每个所述聚类中心和所述矩阵之间的距离;
将最小距离对应的聚类中心的标签作为所述用户标签。
4.如权利要求2所述的营销策略的生成方法,其特征在于,所述第一用户信息包括性别、年龄段和职业类型,所述第一购物记录数据包括购物类型、购物数量和购物金额,所述第一行为数据包括进入时间、退出时间、点击量、浏览时长和重复浏览次数;
所述基于所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建矩阵的步骤包括:
将所述性别、所述年龄段、所述职业类型、所述购物类型、所述购物数量、所述购物金额、所述进入时间、所述退出时间、所述点击量、所述浏览时长和所述重复浏览次数进行赋值,得到多个数值;
将多个所述数值按照预设顺序进行排列组合,得到所述矩阵。
5.如权利要求1所述的营销策略的生成方法,其特征在于,所述营销策略生成模型包括第一特征提取层、第二特征提取层、第三特征提取层和决策树层;
所述将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略的步骤包括:
将所述用户标签输入所述第一特征提取层,得到由所述第一特征提取层输出所述用户标签对应的行为特征;所述行为特征用于表征用户的购物行为特征;
将所述行为特征输入所述第二特征提取层,得到由所述第二特征提取层输出所述行为特征对应的营销特征;
将所述行为特征和所述营销特征融合,得到融合特征;
将所述融合特征输入所述第三特征提取层,得到由所述第三特征提取层输出所述融合特征对应的营销标签;
将所述营销标签与所述决策树层中的节点进行相似度计算,得到相似度;
根据所述相似度选择路径分支,并重新执行所述将所述营销标签与所述决策树层中的节点进行相似度计算,得到相似度的步骤以及后续步骤,直至输出结果节点对应的所述初步营销策略。
6.如权利要求5所述的营销策略的生成方法,其特征在于,所述运营策略补充模型包括第四特征提取层、分支池化层和分类器;
所述基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略的步骤包括:
将待补充运营标签输入所述第四特征提取层,得到由所述第四特征提取层输出初始特征;
将所述融合特征输入所述分支池化层,得到由所述分支池化层输出的池化特征;
将所述初始特征和所述池化特征融合,得到目标特征;
将所述目标特征输入所述分类器,得到由所述分类器输出的分类结果;
将所述分类结果对应的预设策略,作为所述目标营销策略。
7.如权利要求1所述的营销策略的生成方法,其特征在于,所述当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签的步骤包括:
遍历所述初步营销策略中的多个数据,确定所述初步营销策略待补充内容;
基于预设卷积核,对所述用户标签进行卷积处理,得到初始标签;
将所述待补充内容对应标志位,填入所述初始标签中的预设位置,得到所述待补充运营标签。
8.一种营销策略的生成方法,其特征在于,所述营销策略的生成方法包括:
获取单元,用于响应于用户输入的营销对象,获取所述营销对象对应的第一用户信息、第一购物记录数据和第一行为数据,并根据所述第一用户信息、所述第一购物记录数据和所述第一行为数据构建用户标签;
第一处理单元,用于将所述用户标签作为营销策略生成模型的输入,获取所述营销策略生成模型输出的初步营销策略;
判断单元,用于当所述初步营销策略不完整时,确定所述初步营销策略待补充内容,根据所述待补充内容确定待补充运营标签;
第二处理单元,用于基于所述待补充运营标签调用运营策略补充模型进行营销策略的补充,得到补充完整的目标运营策略,所述目标营销策略包括营销媒介、营销群体、营销产品以及营销价格。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276488.XA CN116385039A (zh) | 2023-03-20 | 2023-03-20 | 一种营销策略的生成方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276488.XA CN116385039A (zh) | 2023-03-20 | 2023-03-20 | 一种营销策略的生成方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385039A true CN116385039A (zh) | 2023-07-04 |
Family
ID=86977978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310276488.XA Pending CN116385039A (zh) | 2023-03-20 | 2023-03-20 | 一种营销策略的生成方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385039A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862578A (zh) * | 2023-09-05 | 2023-10-10 | 销生客(北京)数字科技有限公司 | 一种基于区块链技术的互联网营销管理***及方法 |
-
2023
- 2023-03-20 CN CN202310276488.XA patent/CN116385039A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862578A (zh) * | 2023-09-05 | 2023-10-10 | 销生客(北京)数字科技有限公司 | 一种基于区块链技术的互联网营销管理***及方法 |
CN116862578B (zh) * | 2023-09-05 | 2024-02-02 | 销生客(北京)数字科技有限公司 | 一种基于区块链技术的互联网营销管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795657B (zh) | 文章推送及模型训练方法、装置、存储介质和计算机设备 | |
CN114819186A (zh) | 构建gbdt模型的方法、装置及预测方法、装置 | |
CN112711578B (zh) | 用于云计算业务的大数据去噪方法及云计算金融服务器 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN116385039A (zh) | 一种营销策略的生成方法、装置及终端设备 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN116071077A (zh) | 一种违规账户的风险评估与识别方法及装置 | |
JP7287699B2 (ja) | 機械学習を通じての学習モデルを使った情報提供方法および装置 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN111709225A (zh) | 一种事件因果关系判别方法、装置和计算机可读存储介质 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN116562357B (zh) | 点击预测模型训练方法及装置 | |
CN113656699A (zh) | 用户特征向量确定方法、相关设备及介质 | |
US20230214676A1 (en) | Prediction model training method, information prediction method and corresponding device | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN112328881A (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
CN113761184A (zh) | 文本数据的分类方法、设备及存储介质 | |
CN111489207A (zh) | 基于区块链***的评价信息写入方法、装置及硬件设备 | |
CN116186257A (zh) | 一种基于混合特征对短文本进行分类的方法及*** | |
CN116010707A (zh) | 商品价格异常识别方法、装置、设备和存储介质 | |
CN114443803A (zh) | 一种文本信息挖掘方法、装置、电子设备和存储介质 | |
CN110598125A (zh) | 一种评估关键意见领袖投入的方法及装置、存储介质 | |
CN116911955B (zh) | 目标推荐模型的训练方法及装置 | |
CN116453141B (zh) | 票据潜客的识别方法、装置和电子设备 |
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 |