CN116501840B - 一种用于获客营销的nlp智能分析方法 - Google Patents
一种用于获客营销的nlp智能分析方法 Download PDFInfo
- Publication number
- CN116501840B CN116501840B CN202310754168.0A CN202310754168A CN116501840B CN 116501840 B CN116501840 B CN 116501840B CN 202310754168 A CN202310754168 A CN 202310754168A CN 116501840 B CN116501840 B CN 116501840B
- Authority
- CN
- China
- Prior art keywords
- marketing
- target user
- words
- text
- fuzzy
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000013139 quantization Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 88
- 230000008451 emotion Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000011273 social behavior Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 description 28
- 230000000694 effects Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于人工智能技术领域，本发明公开了一种用于获客营销的NLP智能分析方法，采集目标用户的网上行为数据，对网上行为数据进行需求特征模糊量化，获得量化的需求特征模糊变量值，将目标用户需求特征映射到模糊数值区间内将网上行为数据和网上行为数据对应的模糊数值区间进行关联，并将网上行为数据和模糊数值区间整合生成文本数据；文本数据通过NLP模块进行分析识别生成营销文本数据；构建营销决策模型，将营销文本数据通过营销决策模型生成营销策略；根据营销策略推送对应的展示内容；根据展示内容查看目标用户接受意向；根据目标用户接受意向优化对应的营销策略。
Description
技术领域
本发明涉及人工智能技术领域，更具体地说，本发明涉及一种用于获客营销的NLP智能分析方法。
背景技术
现今的电子商务企业在市场中的竞争越来越激烈，访问用户的选择也越来越多样化，因此企业需要不断改进其服务和产品，以吸引和保留访问用户。在大数据时代，企业可以利用访问用户的网上行为数据和消费记录等数据，通过数据挖掘和分析技术来了解访问用户的行为偏好和潜在需求。
授权公告号为CN113360625B的中国专利申请提供了一种基于NLP的智能对话营销获客方法，基于机器人智能对话，代替客服人员与访问用户沟通，并且通过在各个阶段、各种场景的套电话术配置，增强了机器人的拟人化程度，提升二次开口率以及灵活选择套电时机，提高机器人的套电成功机率。
然而在实际中，很多访问用户并不愿意配合机器人对话，导致机器人无法获取访问用户的信息，或者获取的访问用户信息准确性不高；因此需要根据访问用户的网上行为数据，不断地推送其感兴趣的内容，更加有针对性地提供获客指引路径。
鉴于此，本申请发明人发明了一种用于获客营销的NLP智能分析方法。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种用于获客营销的NLP智能分析方法。
为实现上述目的，本发明提供如下技术方案：一种用于获客营销的NLP智能分析方法：
采集目标用户的网上行为数据，对所述网上行为数据进行需求特征模糊量化，获得量化的需求特征模糊变量值，将目标用户需求特征映射到模糊数值区间内；
将网上行为数据和网上行为数据对应的模糊数值区间进行关联，并将网上行为数据和模糊数值区间整合生成文本数据；
所述文本数据通过NLP模块进行分析识别，分析识别冗余数据，并对冗余数据进行清洗生成营销文本数据；所述冗余数据包括多余的、错误的或者不正常的数据；
构建营销决策模型，将所述营销文本数据通过营销决策模型生成营销策略；根据所述营销策略推送对应的展示内容；
根据展示内容查看目标用户接受意向；根据目标用户接受意向优化对应的营销策略。
优选的，所述目标用户的获取逻辑如下：
利用页面爬虫工具，获得访问用户的网上行为数据，提取网上行为数据的字符长度；
将提取网上行为数据的字符长度与预设字符长度阈值进行比对分析；
若字符长度大于或等于预设字符长度阈值，则将所述字符长度对应的所述访问用户标记为目标用户；
若字符长度小于预设字符长度阈值，则将所述字符长度对应的所述网上行为数据进行删除。
优选的，所述网上行为数据包括访问行为数据、搜索行为数据、社交行为数据和应用行为数据。
优选的，对所述网上行为数据进行需求特征模糊量化的分析逻辑如下：
根据所述网上行为数据获取目标用户需求特征，将目标用户需求特征转化为模糊语言变量；
使用模糊语言变量构建模糊集合，构建模糊集合的隶属函数，将目标用户需求特征导入隶属函数，计算出目标用户需求特征在模糊语言变量上的隶属程度，将所有的目标用户需求特征在模糊语言变量上的隶属程度整合成模糊数值区间；
将模糊数值区间的隶属函数与所述网上行为数据进行对比，计算目标用户需求特征在模糊集合上的隶属度；
基于目标用户需求特征的隶属度，进行模糊量化，将目标用户需求特征映射到模糊数值区间内。
优选的，文本数据通过NLP模块的分析识别逻辑为：
NLP模块包括分词和词性标注模型、命名实体识别模型、情感分析模型和主题模型；具体过程如下：
所述文本数据通过分词和词性标注模型被划分为N个词语，对每个词语进行词性标注，将词性标注后的词语与语法规则进行比对，将不符合语法规则的词语进行删除，提取符合语法规则的词语标记为文本词语；
所述文本词语通过命名实体识别模型进行命名实体识别和分类生成第一文本词语，将第一文本词语与预设文本词语进行比对分析，将符合预设文本词语的第一文本词语标记为实体文本词语，将不符合预设文本词语的第一文本词语进行删除；
将文本词语通过情感分析模型进行情感分析，生成第一情感词语，将第一情感词语与预设情感词语进行比对分析，将符合预设情感词语的第一情感词语标记为情感文本词语，将不符合预设情感词语的第一情感词语进行删除；
将文本词语通过主题模型进行主题分析，生成第一主题词语，将第一主题词语与预设营销主题进行比对分析，将符合预设营销主题的第一主题词语标记为主题文本词语，将不符合预设营销主题的第一主题词语进行删除；
将实体文本词语、情感文本词语和主题文本词语进行合并，生成营销文本数据。
优选的，营销决策模型的应用逻辑如下；
根据所述营销文本数据通过营销决策模型确定当前营销文本数据对应的权重；
根据所述营销文本数据的权重和所述营销文本数据对应的隶属度对各个营销文本数据进行加权平均计算得到当前营销文本数据的最终评分；
根据当前营销文本数据的最终评分生成对应的营销策略，并根据所述营销策略推送对应的展示内容。
优选的，根据展示内容查看目标用户接受意向的分析逻辑为：
所述目标用户接受意向包括高级认可标识、中级认可标识与低级认可标识；
展示内容展示后，查看目标用户接受意向的评估指标，所述评估指标包括目标用户的点击次数、停留时间和转化数，点击次数为目标用户主动点击相关链接的次数，停留时间为目标用户在当前展示内容页面的停留时间，转化数为目标用户认可展示内容的能力；
对所述目标用户的点击次数、停留时间和转化数进行评估生成目标用户对展示内容的评估指标系数；
生成目标用户对展示内容的评估指标系数的逻辑为：
将目标用户的点击次数、停留时间和转化数分别标记为、和，
依据公式：，求得目标用户对展示内容
的评估指标系数，式中、与取值均大于0，、与分别为点击次数、停
留时间和转化数的权重因子。
设置预设评估梯度参考值和，其中；将评估指标系数与
预设评估梯度参考值和进行对比分析：
若，则将该目标用户接受意向标记为低级认可标识；
若，则将该目标用户接受意向标记为中级认可标识；
若，则将该目标用户接受意向标记为高级认可标识。
一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如上述的用于获客营销的NLP智能分析方法。
一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述用于获客营销的NLP智能分析方法。
本发明一种用于获客营销的NLP智能分析方法的技术效果和优点：
本发明通过需求特征模糊量化生成营销文本数据，通过营销决策模型生成营销策略，并最终根据用户的接受意向优化对应的营销策略，能够提高营销效果，帮助营销人员更好地了解目标用户的需求和行为特征，从而根据用户的个性化需求和行为特征进行精准营销。相比于传统的群发式营销，这种个性化营销能够提高用户对广告和促销信息的关注度和接受度，从而提高销售转化率和客户满意度。此外，通过优化对应的营销策略，可以不断提升营销效果，达到更好的销售业绩和用户体验。
附图说明
图1为本发明一种用于获客营销的NLP智能分析方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1所示，本实施例提供一种用于获客营销的NLP智能分析方法：
采集目标用户的网上行为数据，对所述网上行为数据进行需求特征模糊量化，获得量化的需求特征模糊变量值，将目标用户需求特征映射到模糊数值区间内；
所述网上行为数据包括访问行为数据、搜索行为数据、社交行为数据和应用行为数据。
这里需要说明的是：所述网上行为数据包括访问行为数据、搜索行为数据、社交行为数据和应用行为数据；其中：访问行为数据为浏览商品、添加购物车、下单、支付等行为；搜索行为数据为搜索关键词、搜索次数、搜索时间等信息；社交行为数据为点赞、评论、分享等行为；应用行为数据为应用的使用时长、浏览页面、点击按钮等行为。
因此，对所述网上行为数据进行需求特征模糊量化可以使用模糊数学中的模糊集合理论，将目标用户需求特征映射到一个区间内，以表达其不确定性和模糊性。具体如下所述：
对所述网上行为数据进行需求特征模糊量化的分析逻辑如下：
根据所述网上行为数据获取目标用户需求特征，将目标用户需求特征转化为模糊语言变量，如“购买力强”、“需求强烈”等；
这里具体化为：可以通过机器学习等技术来根据网上行为数据获取目标用户需求特征，例如通过自然语言处理技术对用户评论、搜索词、浏览记录等数据进行分析和挖掘，提取出用户需求的主题、情感等特征。具体可以使用聚类、分类、关联规则等机器学习算法来进行分析和建模，从而得到目标用户需求特征的表达方式。
使用模糊语言变量构建模糊集合，构建模糊集合的隶属函数，将目标用户需求特征导入隶属函数，计算出目标用户需求特征在模糊语言变量上的隶属程度，将所有的目标用户需求特征在模糊语言变量上的隶属程度整合成模糊数值区间；
这里需要说明的是：其中模糊集合中的每个元素都代表了一个目标用户需求特征在对应的模糊语言变量上的隶属程度。这个模糊集合可以用于后续的模糊推理和决策，例如用于个性化推荐、营销策略的制定等。
将模糊数值区间的隶属函数与所述网上行为数据进行对比，计算目标用户需求特征在模糊集合上的隶属度；
具体来说：对于每个目标用户需求特征，在模糊语言变量上的隶属程度可以根据隶属函数计算得到一个模糊值，这个模糊值表示为一个介于0和1之间的数值，表示该需求特征在该模糊语言变量上的隶属程度。将所有需求特征在模糊集合上的隶属度计算出来，就可以得到每个用户对模糊集合的整体隶属度，从而进一步了解用户的需求特征；
基于目标用户需求特征的隶属度，进行模糊量化，将目标用户需求特征映射到模糊数值区间内，以表达其不确定性和模糊性。
具体来说：通过定义一些模糊规则来完成，例如，可以定义一个“购买力强”模糊规则，当目标用户需求特征在这个模糊语言变量上的隶属度达到一定阈值时，将其映射到一个模糊数值区间内，以表达目标用户需求特征的模糊程度，更准确地反映用户需求的模糊性和不确定性，为企业提供更精准的营销决策和个性化服务。
具体分析逻辑如下：
小A作为消费者进入电商平台B中，首先查看的是电商平台B的主页，主页中包括多个营销文本数据，通过页面爬虫工具获取小A查看营销文本数据的网上行为数据；根据小A的网上行为数据获取目标用户需求特征，将其转化为模糊语言变量，如“喜欢体育运动”、“关注健康养生”等；
使用模糊语言变量构建模糊集合，构建模糊集合的隶属函数，将目标用户需求特征导入隶属函数，计算出目标用户需求特征在模糊语言变量上的隶属程度，得到一组隶属度，如（0.2, 0.7, 0.4）；
将所有的目标用户需求特征在模糊语言变量上的隶属程度整合成模糊数值区间，如[0.1, 0.8]。
将模糊数值区间的隶属函数与网上行为数据进行对比，计算目标用户需求特征在模糊集合上的隶属度。如针对一条网上行为数据，其对应的特征为“体育新闻”，则可以计算出该特征在模糊集合上的隶属度为0.6。
基于目标用户需求特征的隶属度，进行模糊量化，将目标用户需求特征映射到模糊数值区间内，如将上述隶属度0.6映射为模糊数值区间内的0.5。
通过这样的分析逻辑，可以将原本模糊、难以量化的用户需求特征转化为数值化的模糊量化指标，为后续的营销决策提供依据。
将网上行为数据和网上行为数据对应的模糊数值区间进行关联，并将网上行为数据和模糊数值区间整合生成文本数据；
所述文本数据通过NLP模块进行分析识别，分析识别冗余数据，并对冗余数据进行清洗生成营销文本数据，所述冗余数据包括多余的、错误的或者不正常的数据；
这里需要说明的是：该流程的目的是对文本数据进行处理，将其转换为可用于营销决策的数据，以便进行后续的分析和推送营销策略。
文本数据通过NLP模块的分析识别逻辑为：
NLP模块包括分词和词性标注模型、命名实体识别模型、情感分析模型和主题模型；具体过程如下：
所述文本数据通过分词和词性标注模型被划分为N个词语，对每个词语进行词性标注，将词性标注后的词语与语法规则进行比对，将不符合语法规则的词语进行删除，提取符合语法规则的词语标记为文本词语；
所述文本词语通过命名实体识别模型进行命名实体识别和分类生成第一文本词语，将第一文本词语与预设文本词语进行比对分析，将符合预设文本词语的第一文本词语标记为实体文本词语，将不符合预设文本词语的第一文本词语进行删除；
将文本词语通过情感分析模型进行情感分析，生成第一情感词语，将第一情感词语与预设情感词语进行比对分析，将符合预设情感词语的第一情感词语标记为情感文本词语，将不符合预设情感词语的第一情感词语进行删除；
将文本词语通过主题模型进行主题分析，生成第一主题词语，将第一主题词语与预设营销主题进行比对分析，将符合预设营销主题的第一主题词语标记为主题文本词语，将不符合预设营销主题的第一主题词语进行删除；
将实体文本词语、情感文本词语和主题文本词语进行合并，生成营销文本数据。
这里可以举例说明：假设所述文本数据为“小A买了一本书，里面讲述了自然语言处理的基础知识，他感到非常有趣和有启发性”，先对文本进行分词和词性标注，将文本数据划分成若干个词语并为每个词语标注上对应的词性。因此获得的文本词语为：小A/主语、买/动词、了/助词、一/数词、本/量词、书/名词、，/符号、里面/方位词、讲述/动词、了/助词、自然语言处理/习惯用语、的/助词、基础/名词、知识/名词、，/符号、他/代词、感到/动词、非常/修饰词、有趣/形容词、和/连词、有启发性/习惯用语、。/符号；
在分词和词性标注的基础上，我们可以利用命名实体识别模型来识别文本中的实体，例如"小A"、"书"和"自然语言处理"等。对于上述文本，我们可能会得到以下第一文本词语：小A/主语、书/名词、自然语言处理/习惯用语；
通过情感分析模型来分析文本词语中的情感倾向，例如"感到非常有趣"和"有启发性"等词语传递了积极的情感。
通过主题模型来识别文本中的主题。可以识别出主题为"自然语言处理"。
最终，我们可以将文本中的实体、情感和主题整合起来，生成营销文本数据，例如："小A购买了一本自然语言处理的书，深受启发和兴趣。"
这里需要说明的是：在现有NLP模块的基础上，对处理规则进行设置，使其与网商平台上的电子商务企业运用匹配度更高，将文本数据转换成营销相关的营销文本数据，用于后续的数据分析和应用。
构建营销决策模型，将所述营销文本数据通过营销决策模型生成营销策略；根据所述营销策略推送对应的展示内容；
这里需要说明的是：对文本数据进行数据清洗和去重，去除噪声和重复数据；对文本数据进行分词、词性标注、命名实体识别、情感分析和主题模型处理，提取出主题、情感和实体等营销相关特征；基于提取出的营销相关特征构建营销文本数据集。
获取目标用户的营销文本数据，将70%的营销文本数据作为参数训练集，30%的营销文本数据作为参数测试集，构建营销决策模型，将参数训练集输入所述营销决策模型进行训练，以得到营销决策模型的预设权重，利用参数测试集对所述营销决策模型进行测试，输出满足预设权重的营销策略；
营销决策模型，包括权重计算和评分计算两个步骤，根据业务需要，选择合适的算法和模型，例如基于规则、统计学、机器学习或深度学习等方法，对每个营销文本数据计算其对应的权重，并结合营销文本数据对应的隶属度生成最终评分；基于最终评分生成相应的营销策略和推送内容；
根据目标受众和个性化需求，选择合适的营销渠道和推送方式，例如电子邮件、短信、社交媒体或在线广告等进行推送，并对推送结果进行跟踪和分析，不断优化和改进营销决策模型和策略；
需要注意的是，以上实现过程需要根据具体业务需求和数据情况进行细化和调整，通过构建营销决策模型，可以帮助企业更好地进行营销活动的规划和决策，提高营销效果。营销决策模型的构建需要深入分析目标用户和市场环境，制定符合目标用户需求和营销环境的营销策略，并利用适当的方法和技术进行资源分配和实施监测，以达到最优的营销效果；在构建营销决策模型之前，需要确定营销目标、目标用户群体、营销环境以及可用的资源和预算等因素。
营销决策模型的应用逻辑如下；
通过营销决策模型确定当前营销文本数据对应的权重，根据营销文本数据的重要性和影响力等因素，对每个文本数据进行权重确定。通常情况下，权重的确定是基于过往的数据和统计分析来进行的，也可以根据领域专家的经验和判断来确定权重。
根据所述营销文本数据的权重和所述营销文本数据对应的隶属度对各个营销文本数据进行加权平均计算得到当前营销文本数据的最终评分；根据营销文本数据的特征和属性，通过模糊逻辑或模糊数学方法计算出每个营销文本数据的隶属度。营销文本数据的隶属度表示该文本数据与营销目标的匹配程度。最终评分反映了当前营销文本数据在整个营销决策模型中的重要性和贡献度。
根据当前营销文本数据的最终评分生成对应的营销策略，并根据所述营销策略推送对应的展示内容。营销策略包括推广方式、营销渠道、优惠方式等；将对应的展示内容推送给目标用户。展示内容可以是广告、促销信息、优惠券等，目的是吸引用户的注意力并促使其进行购买行为。
这里可以举例说明：小A进入电商平台B中，对所述网上行为数据进行需求特征模糊量化，有一个用于判断体育运动的好坏的模糊变量"体育运动"，它可以用以下模糊语言变量来描述：非常好、很好、不错、一般、差、很差、非常差；
这些模糊语言变量并不是精确的数字，而是在一个连续的值域上具有模糊的隶属度，比如"不错"可能对应着一个在0.4到0.6之间的隶属度，而"一般"可能对应着一个在0.2到0.4之间的隶属度。
在使用模糊变量时，可以根据具体的应用场景将其转化为计算机可以处理的形式，比如使用模糊逻辑、模糊推理等方法来进行计算和推断，从而确定权重。
然后根据不同的最终评分，可以制定不同的营销策略。总体逻辑为：
最终评分低于阈值：对于评分低于一定阈值的目标用户，可以选择进行重点关注和重新营销，提供更加具有吸引力的促销活动或者优惠券等刺激消费欲望。
最终评分接近阈值：对于评分接近阈值的目标用户，可以选择提供更具吸引力的产品或服务，或者推荐更高端的产品或服务。
最终评分高于阈值：对于评分高于阈值的目标用户，可以选择推荐更加高端的产品或服务，或者提供更加个性化、定制化的服务。同时可以考虑对这部分用户进行更为精细的分析和挖掘，以获取更多的营销机会。
这里需要注意的是，阈值的设置需要根据具体的业务场景进行合理调整，以达到最佳的营销效果。
根据展示内容查看目标用户接受意向；根据目标用户接受意向优化对应的营销策略。
根据展示内容查看目标用户接受意向的分析逻辑为：
所述目标用户接受意向包括高级认可标识、中级认可标识与低级认可标识；
展示内容展示后，查看目标用户接受意向的评估指标，所述评估指标包括目标用
户的点击次数、停留时间和转化数，点击次数为目标用户主动点击相关链接的
次数，停留时间为目标用户在当前展示内容页面的停留时间，转化数为目标用户认可展示
内容的能力，具体表现为客户进行点赞、收藏或是下单等指令；
依据公式：，求得目标用户对展示内容
的评估指标系数，式中、与取值均大于0，、与分别为点击次数、停
留时间和转化数的权重因子；评估指标系数越大，则目标用户接受意向的可能
性越大，反之，评估指标系数越小，则目标用户接受意向的可能性越小；
设置预设评估梯度参考值和，其中；将评估指标系数与
预设评估梯度参考值和进行对比分析：
若，则将该目标用户接受意向标记为低级认可标识；
若，则将该目标用户接受意向标记为中级认可标识；
若，则将该目标用户接受意向标记为高级认可标识。
这里需要说明的是：根据展示内容查看目标用户接受意向可以通过用户的点击次
数、停留时间和转化数来评估。如果目标用户在展示内容后主动点击了相关链
接的次数较多、停留时间较长并具有通过当前页面准备下单或是已经下单的行为能力，那
么可以认为用户接受意向较高。如果用户未进行任何操作或者停留时间较短，那么可以认
为用户接受意向较低。
根据目标用户接受意向优化对应的营销策略可以采用模糊逻辑进行处理。具体来说，所述目标用户接受意向包括高级认可标识、中级认可标识与低级认可标识，然后将每个等级的目标用户接受意向对应一个模糊量化函数，将需求特征量化为对应的模糊量化值。例如，如果用户接受意向为高级认可标识，则对应的模糊量化函数为1，如果用户接受意向为中级认可标识，则对应的模糊量化函数为0.5，如果用户接受意向为低级认可标识，则对应的模糊量化函数为0。然后根据需求特征的具体情况，将其转化为对应的模糊量化值，并将多个需求特征的模糊量化值进行加权平均，得到需求特征的最终模糊量化值。最后可以根据需求特征的最终模糊量化值，进行优化决策，例如调整产品定价、改善用户体验等，以提高用户接受意向。
实施例2
如图1所示，本实施例提供一种用于获客营销的NLP智能分析方法，通过采集目标用户的网上行为数据，并进行需求特征模糊量化的方法，从而生成营销文本数据，并通过营销决策模型生成营销策略，最终根据目标用户的接受意向优化对应的营销策略，可以采用的基础方法为：
首先通过对所述网上行为数据进行需求特征模糊量化，将用户的需求特征映射到模糊数值区间内。这个过程可以通过一些数学方法实现，例如使用模糊逻辑或者模糊聚类方法。
将网上行为数据和网上行为数据对应的模糊数值区间进行关联，并将它们整合生成文本数据。这个步骤将会生成一些描述用户需求和行为的文本数据，例如“用户喜欢购买健康食品”。
对所述文本数据进行NLP分析和识别，清洗多余的、错误的或者不正常的数据，最终生成营销文本数据。这个过程可以使用现有技术中各种自然语言处理技术，例如词性标注、命名实体识别、文本分类。
构建营销决策模型，将所述营销文本数据通过该模型生成营销策略。这个步骤可以使用各种机器学习，机器学习中存在一系列现有模型算法以实现该功能，是本领域的现有技术，其本质上为一项工具，在给定具体输入和输出任务的条件下，具体的训练过程和参数设置根据具体工程实现情况而定；机器学习例如决策树、神经网络、深度学习。
根据所述营销策略推送对应的展示内容，例如广告、优惠券等等。这些内容将会根据用户的需求和行为特征进行个性化推送。
根据展示内容查看目标用户的接受意向，并根据目标用户接受意向优化对应的营销策略。这个步骤将会根据目标用户的接受意向和反馈信息，调整生成的营销文本数据；再根据所述营销文本数据的权重和所述营销文本数据对应的隶属度对各个营销文本数据进行加权平均计算得到当前营销文本数据的最终评分，重新调整营销策略，使其更加个性化和定制化。例如，根据用户的兴趣偏好，针对性地调整广告文案或推广邮件的内容和风格，提供更具吸引力的营销信息。
利用最新的数据分析和挖掘技术，对采集到的用户行为数据进行更深入的挖掘和分析，以发现隐藏的需求模式和用户群体特征。这可以帮助优化营销文本数据，从而改进营销策略的准确性和针对性。这样可以提高营销效果，并且更好地满足用户的需求。
本实施例通过需求特征模糊量化生成营销文本数据，通过营销决策模型生成营销策略，能够提高营销效果，帮助营销人员更好地了解目标用户的需求和行为特征，从而根据用户的个性化需求和行为特征进行精准营销。相比于传统的群发式营销，这种个性化营销能够提高用户对广告和促销信息的关注度和接受度，从而提高销售转化率和客户满意度。此外，通过优化对应的营销策略，可以不断提升营销效果，达到更好的销售业绩和用户体验。
实施例3
本实施例针对在运营平台上的目标用户的获取进行说明。当前电子商务企业在运营平台上都设置有网页，当有访问用户进入网页时，要根据当前网页，采集访问用户的网上行为数据，但并不是所有的访问用户都是具有真实需求的，在采集之前，对初次访问的访问用户的网上行为数据进行分析，从而获取目标用户，可减少对无效访问用户的分析；
所述目标用户的获取逻辑如下：
利用页面爬虫工具，获得访问用户的网上行为数据，提取网上行为数据的字符长度；
将提取的网上行为数据的字符长度与预设字符长度阈值进行比对分析；
若字符长度大于或等于预设字符长度阈值，则将所述字符长度对应的所述访问用户标记为目标用户；
若字符长度小于预设字符长度阈值，则将所述字符长度对应的所述网上行为数据进行删除。
这里需要说明的是：上述内容是基于字符长度的筛选方法，通过设定预设字符长度阈值，判断网上行为数据的字符长度是否符合要求，从而进行筛选。通过简单的方式快速获取网上行为数据，避免无效的运算。
但是这里存在一些缺陷，因为过于简单地提取信息，会排除掉一些有用的网上行为数据，从而无法准确判断文本数据的内容是否与营销相关，不过这个问题在实际应用中几乎可以忽略不计，主要原因在于：1、当前该方法应用的***主要是网商平台，访问用户一般都是有一定需求的，因此预设字符长度阈值可以根据实际情况进行设定，使筛选的网上行为数据更加准确；
若访问用户的网上行为数据越短，从概率学上来说，其有用的信息越少，
因此通过网上行为数据的字符长度获取目标用户的方式更加合理更加有价值，避免了无用数据的采集。
例如，小A作为消费者进入生活用电商平台B中，首先查看的是电商平台B的主页，主页中包括多个营销文本数据，如果小A查看主页的时间过短，大概率是误入电商平台B中，或是对电商平台B的内容毫无兴趣，NLP智能获客营销***将不对其进行分析，则小A为访问用户，不是NLP智能获客营销***的目标用户，则将当前小A的网上行为数据进行删除。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
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申请的范围。
所属领域的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。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，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，仅仅为一种，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方案的目的。
另外，在本申请各个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。
所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分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，包括若干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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于获客营销的NLP智能分析方法，其特征在于：
采集目标用户的网上行为数据，对所述网上行为数据进行需求特征模糊量化，获得量化的需求特征模糊变量值，将目标用户需求特征映射到模糊数值区间内；
将网上行为数据和网上行为数据对应的模糊数值区间进行关联，并将网上行为数据和模糊数值区间整合生成文本数据；
所述文本数据通过NLP模块进行分析识别，分析识别冗余数据，并对冗余数据进行清洗生成营销文本数据；
构建营销决策模型，将所述营销文本数据通过营销决策模型生成营销策略；根据所述营销策略推送对应的展示内容；
根据展示内容查看目标用户接受意向；根据目标用户接受意向优化对应的营销策略；
生成营销文本数据的方法包括：
对文本数据进行数据清洗和去重；对文本数据进行分词、词性标注、命名实体识别、情感分析和主题模型处理，提取出主题、情感和实体营销相关特征；基于提取出的营销相关特征构建营销文本数据集；
构建营销决策模型的方法包括：
获取目标用户的营销文本数据，将70%的营销文本数据作为参数训练集，30%的营销文本数据作为参数测试集，构建营销决策模型，将参数训练集输入所述营销决策模型进行训练，以得到营销决策模型的预设权重，利用参数测试集对所述营销决策模型进行测试，输出满足预设权重的营销策略；
营销决策模型包括权重计算和评分计算两个步骤，对每个营销文本数据计算其对应的权重，并结合营销文本数据对应的隶属度生成最终评分；基于最终评分生成相应的营销策略。
2.根据权利要求1所述的一种用于获客营销的NLP智能分析方法，其特征在于，所述目标用户的获取逻辑如下：
利用页面爬虫工具，获得访问用户的网上行为数据，提取网上行为数据的字符长度；
将提取的网上行为数据的字符长度与预设字符长度阈值进行比对分析；
若字符长度大于或等于预设字符长度阈值，则将所述字符长度对应的所述访问用户标记为目标用户；
若字符长度小于预设字符长度阈值，则将所述字符长度对应的所述网上行为数据进行删除。
3.根据权利要求2所述的一种用于获客营销的NLP智能分析方法，其特征在于，所述网上行为数据包括访问行为数据、搜索行为数据、社交行为数据和应用行为数据。
4.根据权利要求3所述的一种用于获客营销的NLP智能分析方法，其特征在于，对所述网上行为数据进行需求特征模糊量化的分析逻辑如下：
根据所述网上行为数据获取目标用户需求特征，将目标用户需求特征转化为模糊语言变量；
使用模糊语言变量构建模糊集合，构建模糊集合的隶属函数，将目标用户需求特征导入隶属函数，计算出目标用户需求特征在模糊语言变量上的隶属程度，将所有的目标用户需求特征在模糊语言变量上的隶属程度整合成模糊数值区间；
将模糊数值区间的隶属函数与所述网上行为数据进行对比，计算目标用户需求特征在模糊集合上的隶属度；
基于目标用户需求特征的隶属度，进行模糊量化，将目标用户需求特征映射到模糊数值区间内。
5.根据权利要求4所述的一种用于获客营销的NLP智能分析方法，其特征在于，文本数据通过NLP模块的分析识别逻辑为：
NLP模块包括分词和词性标注模型、命名实体识别模型、情感分析模型和主题模型；具体过程如下：
所述文本数据通过分词和词性标注模型被划分为N个词语，对每个词语进行词性标注，将词性标注后的词语与语法规则进行比对，将不符合语法规则的词语进行删除，提取符合语法规则的词语标记为文本词语；
所述文本词语通过命名实体识别模型进行命名实体识别和分类生成第一文本词语，将第一文本词语与预设文本词语进行比对分析，将符合预设文本词语的第一文本词语标记为实体文本词语，将不符合预设文本词语的第一文本词语进行删除；
将文本词语通过情感分析模型进行情感分析，生成第一情感词语，将第一情感词语与预设情感词语进行比对分析，将符合预设情感词语的第一情感词语标记为情感文本词语，将不符合预设情感词语的第一情感词语进行删除；
将文本词语通过主题模型进行主题分析，生成第一主题词语，将第一主题词语与预设营销主题进行比对分析，将符合预设营销主题的第一主题词语标记为主题文本词语，将不符合预设营销主题的第一主题词语进行删除；
将实体文本词语、情感文本词语和主题文本词语进行合并，生成营销文本数据。
6.根据权利要求5所述的一种用于获客营销的NLP智能分析方法，其特征在于，营销决策模型的应用逻辑如下；
根据所述营销文本数据通过营销决策模型确定当前营销文本数据对应的权重;
根据所述营销文本数据的权重和所述营销文本数据对应的隶属度对各个营销文本数据进行加权平均计算得到当前营销文本数据的最终评分；
根据当前营销文本数据的最终评分生成对应的营销策略，并根据所述营销策略推送对应的展示内容。
7.根据权利要求6所述的一种用于获客营销的NLP智能分析方法，其特征在于，根据展示内容查看目标用户接受意向的分析逻辑为：
所述目标用户接受意向包括高级认可标识、中级认可标识与低级认可标识；
展示内容展示后，查看目标用户接受意向的评估指标，所述评估指标包括目标用户的点击次数、停留时间和转化数，点击次数为目标用户主动点击相关链接的次数，停留时间为目标用户在当前展示内容页面的停留时间，转化数为目标用户认可展示内容的能力；
对所述目标用户的点击次数、停留时间和转化数进行评估生成目标用户对展示内容的评估指标系数；
设置预设评估梯度参考值和/>，其中/>；将评估指标系数/>与预设评估梯度参考值/>和/>进行对比分析：
若，则将该目标用户接受意向标记为低级认可标识；
若，则将该目标用户接受意向标记为中级认可标识；
若，则将该目标用户接受意向标记为高级认可标识。
8.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的一种用于获客营销的NLP智能分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310754168.0A CN116501840B (zh) | 2023-06-26 | 2023-06-26 | 一种用于获客营销的nlp智能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310754168.0A CN116501840B (zh) | 2023-06-26 | 2023-06-26 | 一种用于获客营销的nlp智能分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116501840A CN116501840A (zh) | 2023-07-28 |
| CN116501840B true CN116501840B (zh) | 2023-09-01 |
Family
ID=87323451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310754168.0A Active CN116501840B (zh) | 2023-06-26 | 2023-06-26 | 一种用于获客营销的nlp智能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116501840B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972218A (zh) * | 2024-03-28 | 2024-05-03 | 山东怡然信息技术有限公司 | 基于大数据的用户需求精准匹配方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484815A (zh) * | 2014-12-18 | 2015-04-01 | 刘耀强 | 基于模糊本体面向产品方面的情感分析方法及*** |
| CN112532596A (zh) * | 2020-11-18 | 2021-03-19 | 北京泰豪智能工程有限公司 | 一种网络安全方案和策略生成方法及装置 |
| KR20210063878A (ko) * | 2019-11-25 | 2021-06-02 | 주식회사 데이터마케팅코리아 | 지식 그래프 기반 마케팅 정보 분석 챗봇 서비스 제공 방법 및 그 장치 |
| CN113779387A (zh) * | 2021-08-25 | 2021-12-10 | 上海大智慧信息科技有限公司 | 基于知识图谱的行业推荐方法及*** |
| KR20220074574A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 데이터마케팅코리아 | 지식 그래프 기반 라이브스트림 실시간 채팅 내용 분석 방법 및 그 장치 |
| CN114924879A (zh) * | 2022-05-19 | 2022-08-19 | 北京常乐我净科技有限公司 | 一种企业营销策划方案用在线设计服务*** |
| CN115760295A (zh) * | 2022-11-24 | 2023-03-07 | 江苏科技大学 | 一种基于近邻用户和评论信息的商品推荐方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220391937A1 (en) * | 2021-03-11 | 2022-12-08 | Devin Kumar Nath | Online Marketing Campaign Platform |
-
2023
- 2023-06-26 CN CN202310754168.0A patent/CN116501840B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484815A (zh) * | 2014-12-18 | 2015-04-01 | 刘耀强 | 基于模糊本体面向产品方面的情感分析方法及*** |
| KR20210063878A (ko) * | 2019-11-25 | 2021-06-02 | 주식회사 데이터마케팅코리아 | 지식 그래프 기반 마케팅 정보 분석 챗봇 서비스 제공 방법 및 그 장치 |
| CN112532596A (zh) * | 2020-11-18 | 2021-03-19 | 北京泰豪智能工程有限公司 | 一种网络安全方案和策略生成方法及装置 |
| KR20220074574A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 데이터마케팅코리아 | 지식 그래프 기반 라이브스트림 실시간 채팅 내용 분석 방법 및 그 장치 |
| CN113779387A (zh) * | 2021-08-25 | 2021-12-10 | 上海大智慧信息科技有限公司 | 基于知识图谱的行业推荐方法及*** |
| CN114924879A (zh) * | 2022-05-19 | 2022-08-19 | 北京常乐我净科技有限公司 | 一种企业营销策划方案用在线设计服务*** |
| CN115760295A (zh) * | 2022-11-24 | 2023-03-07 | 江苏科技大学 | 一种基于近邻用户和评论信息的商品推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模糊理论的QFD用户需求分析方法研究;张付英;姜向敏;王宏浩;;天津科技大学学报(第01期);第56-61页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116501840A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Majumder et al. | Perceived usefulness of online customer reviews: A review mining approach using machine learning & exploratory data analysis | |
| US10642975B2 (en) | System and methods for automatically detecting deceptive content | |
| Sharma et al. | Comparative Analysis of Online Fashion Retailers Using Customer Sentiment Analysis on Twitter | |
| CN108491377A (zh) | 一种基于多维度信息融合的电商产品综合评分方法 | |
| EP3189449A2 (en) | Sentiment rating system and method | |
| Wang et al. | Mining of affective responses and affective intentions of products from unstructured text | |
| KR101935937B1 (ko) | 오피니언 마이닝을 이용한 광고 정보 제공 시스템 및 그 방법 | |
| KR102322668B1 (ko) | 콘텐츠 크리에이터의 창작활동 활성화를 위한 다중 플랫폼 서비스 제공 시스템 | |
| CN116501840B (zh) | 一种用于获客营销的nlp智能分析方法 | |
| Bilal et al. | Profiling users’ behavior, and identifying important features of review “helpfulness” | |
| CN109118243B (zh) | 一种产品分享、有用评价识别、推送方法和服务器 | |
| Priya et al. | Sentiment analysis from unstructured hotel reviews data in social network using deep learning techniques | |
| Chamekh et al. | Sentiment analysis based on deep learning in e-commerce | |
| Ghobakhloo et al. | Design of a personalized recommender system using sentiment analysis in social media (case study: banking system) | |
| Li et al. | Do reviewers’ words and behaviors help detect fake online reviews and spammers? Evidence from a hierarchical model | |
| Drakopoulos et al. | Discovering sentiment potential in Twitter conversations with Hilbert–Huang spectrum | |
| van Dalen et al. | Profiling dutch authors on twitter: Discovering political preference and income level | |
| Liu et al. | Research on identification method of anonymous fake reviews in e-commerce | |
| Md Saad et al. | Exploring sentiment analysis of online food delivery services post COVID-19 pandemic: grabfood and foodpanda | |
| CN113254775A (zh) | 一种基于客户浏览行为序列的***产品推荐方法 | |
| Chen | Consumer preference mining method of online marketing platform based on social network analysis | |
| Habib et al. | Success measures evaluation for mobile commerce using text mining based on customer tweets | |
| Aishwarya et al. | Summarization and Prioritization of Amazon Reviews based on multi-level credibility attributes | |
| Raju et al. | Aspect Based Text Summarization Model for the E-Commerce Recommendation System | |
| KR102551779B1 (ko) | 페르소나 기반의 리뷰 데이터 분석 방법 및 시스템 |
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 |