CN116523572B - 一种基于客户行为特征的客户挖掘方法及*** - Google Patents
一种基于客户行为特征的客户挖掘方法及*** Download PDFInfo
- Publication number
- CN116523572B CN116523572B CN202310770661.1A CN202310770661A CN116523572B CN 116523572 B CN116523572 B CN 116523572B CN 202310770661 A CN202310770661 A CN 202310770661A CN 116523572 B CN116523572 B CN 116523572B
- Authority
- CN
- China
- Prior art keywords
- behavior
- service
- application
- vector
- client
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 208
- 238000012098 association analyses Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 259
- 238000012545 processing Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 77
- 230000008569 process Effects 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于客户行为特征的客户挖掘方法及***,属于特征挖掘技术领域,其方法包括:溯源客户基于每个注册服务应用的第一应用日志,并构建第一服务向量,获取客户基于每个未注册服务应用的窗口操作行为日志,并构建行为向量;构建得到行为矩阵,并分析每列向量的行为突出因子;将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,对第一服务向量进行调整;根据同个客户的所有第二服务向量进行关联分析,构建客户的行为特征图像;对所有行为特征图像进行特征挖掘,获取得到潜在挖掘客户,并进行应用推广。便于全方面挖掘同个服务应用的尽可能存在的所有潜在挖掘用户,为推送提供便利。
Description
技术领域
本发明涉及特征挖掘技术领域,特别涉及一种基于客户行为特征的客户挖掘方法及***。
背景技术
行为分析是对用户在产品上产生的行为及对行为背后的数据进行分析,通过构建用户画像,来改变产品决策。
目前,常见的是锁定已注册的客户在单一应用上的搜索内容以及浏览内容来向该用户推送基于该应用的消息,此时的推送是单一的,但是,客户一般在不同应用上所关心的内容是不一样的,所以,针对同个应用的挖掘分析在一定程度上是粗略的,导致后续在挖掘潜在客户的过程中不能够全方面精准锁定。
因此,本发明提出一种基于客户行为特征的客户挖掘方法及***。
发明内容
本发明提供一种基于客户行为特征的客户挖掘方法及***,用以从客户所涉及到的注册服务应用以及未注册服务应用两方面进行日志分析,来基于行为特征的行为突出因子对服务向量进行优化调整,保证潜在挖掘的精准性,且通过关联分析构建行为特征图像以及后续的特征挖掘,便于全方面挖掘同个服务应用的尽可能存在的所有潜在挖掘用户,为推送提供便利。
本发明提供一种基于客户行为特征的客户挖掘方法,包括:
步骤1:统计每个客户的注册服务应用以及未注册服务应用;
步骤2:溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,同时,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量;
步骤3:将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子;
步骤4:将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,对第一服务向量进行调整,得到第二服务向量;
步骤5:根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像;
步骤6:对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广。
优选的,统计每个客户的注册服务应用以及未注册服务应用,包括:
捕捉客户的使用端,并对所述使用端上存在的服务应用进行捕捉;
基于捕捉结果检索存在的注册服务应用以及未注册服务应用。
优选的,溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,包括:
基于所述第一应用日志获取得到所述客户对同个注册服务应用的完整操作日志以及非完整操作日志;
根据每个操作日志的操作类型,从类型-解析映射表中获取解析方式,来对相应操作日志进行解析处理,构建得到日志解析向量,并对所述日志解析向量进行标准化处理,得到单一元素;
根据同完整操作日志的出现时间、出现次数以及完整操作进度,构建基于所有完整操作日志的第一操作序列,同时,根据非完整操作日志的出现时间、出现次数以及已操作进度,构建基于所有非完整操作日志的第二操作序列;
基于所述第一操作序列、第二操作序列,且结合相应的单一元素,构建得到基于同个注册服务应用的第一服务向量。
优选的,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量,包括:
捕捉所述客户基于每个未注册服务应用的应用窗口的窗口操作行为,并从所述窗口操作行为中提取行为关键表示;
将所述行为关键表示依次填充到空白行列表中,得到同个未注册服务应用的行为向量,其中,对空白行列表中的为填充位置进行0放置。
优选的,将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子,包括:
确定所述行为矩阵中每列向量中元素为0的第一个数,进而确定第一占比;
对每列向量中的全部元素进行第一拟合处理以及对每列向量中除去0元素之外的剩余元素进行第二拟合处理;
将第一拟合处理结果与第二拟合处理结果进行曲线对比分析,确定对应列向量的偏移值:
;
;
其中,表示偏移微调函数;P1表示对应列向量的偏移值;n1表示对应列向量中的元素个数;/>表示对应列向量中第i个元素所涉及到的第一拟合处理结果以及第二拟合处理结果的差异值;/>表示对应列向量中所有元素所涉及到的最大差异值;/>表示对应列向量中所有元素所涉及到的最小差异值;n2表示对应列向量中0元素的个数;
当所述偏移值小于预设值时,将对应列向量的全部元素保留;
否则,确定为0的元素基于对应列向量的位置,如果是单独位置,则从第一拟合处理结果中获取基于该单独位置的第一相邻数组以及从第二拟合处理结果中获取基于该单独位置的第二相邻数组;
基于所述第一相邻数组以及第二相邻数组,确定该单独位置的第一替换值,并对该单独位置的0元素进行替换;
;
其中,min表示最小值符号;x01表示第一相邻数组中的第一个元素的值;x02表示第一相邻数组中的第三个元素的值;x03表示第一相邻数组中的第二个元素的值;x11表示第二相邻数组中的第一个元素的值;x12表示第二相邻数组中的第三个元素的值;x13表示第二相邻数组中的第二个元素的值;T表示第一替换值;
如果不是单独位置,提取0元素的连续位置,来基于第一拟合处理结果得到第三相邻数组以及基于第二拟合处理结果得到第四相邻数组;
基于第三相邻数组中的首值y21、末值y22以及第四相邻数组中的首值y11、末值y12,计算第二替换值T2,并对连续位置的0元素进行替换;
;
其中,n3表示第三相邻数组或第四相邻数组中元素个数;
基于替换结果得到新向量,并将所述新向量输入到行为向量解析模型中,获取得到所述新向量的行为突出值,且结合行为突出类型,得到行为突出因子。
优选的,将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,包括:
根据应用类型-行为类型映射表,确定与所述应用类型一致的行为类型集合;
基于所述行为突出因子的行为突出类型,与所述行为类型集合进行匹配,提取得到匹配因子。
优选的,对第一服务向量进行调整,得到第二服务向量,包括:
锁定所述第一服务向量中与所获取的每个匹配因子存在类型关联关系的服务元素;
根据匹配结果,获取得到每个服务元素的因子集合;
对存在因子集合的因子数量为0的服务元素保留不变,对存在因子集合的因子数量不为0的服务元素进行累加优化调整,得到第二服务向量。
优选的,根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像,包括:
根据每个注册服务应用的主要应用中心与相应的第二服务向量进行第一分析,确定所述客户基于对应注册服务应用的内容偏向;
将所有第二服务向量依次进行同类元素的第二分析,确定所述客户基于不同类元素的应用偏向;
确定所有内容偏向与所有应用偏向所对应注册服务应用的主要应用中心的交集内容、非交集内容;
提取所述交集内容的行为特征进行图像的初始构建,并基于非交集内容对初始构建结果进行优化,得到所述客户的行为特征图像。
优选的,对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广,包括:
根据特征挖掘结果,得到所有客户针对同个服务应用的主要挖掘服务特征;
根据所有应用的当前客户应用需求,来与每个主要挖掘服务特征进行匹配,统计每个推广应用的可推广客户,其中,所述可推广客户为潜在挖掘客户;
将推广应用推广到相应可推广客户的客户端进行显示。
本发明提供一种基于客户行为特征的客户挖掘***,包括:
统计模块,用于统计每个客户的注册服务应用以及未注册服务应用;
向量构建模块,用于溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,同时,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量;
向量分析模块,用于将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子;
匹配模块,用于将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,对第一服务向量进行调整,得到第二服务向量;
关联分析模块,用于根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像;
潜在挖掘模块,用于对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于客户行为特征的客户挖掘方法的流程图;
图2为本发明实施例中一种基于客户行为特征的客户挖掘***的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于客户行为特征的客户挖掘方法,如图1所示,包括:
步骤1:统计每个客户的注册服务应用以及未注册服务应用;
步骤2:溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,同时,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量;
步骤3:将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子;
步骤4:将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,对第一服务向量进行调整,得到第二服务向量;
步骤5:根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像;
步骤6:对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广。
该实施例中,客户1的客户端(手机、电脑等)上存在的所有应用软件即为对应的服务应用,有一部分软件客户是实名认证注册登录的,有一部分软件客户是以游客的身份进行体验的,也就是,实名认证注册登录的为注册服务应用,以游客身份体验的为未注册服务应用。
该实施例中,第一应用日志指的是客户在注册服务应用上所进行一些列操作后由后台所记录以及产生的信息,主要是为了对操作行为以及操作行为导致的产生结果进行记录。
窗口操作行为日志指的是客户在未注册服务应用上每个界面的操作行为以及基于该操作行为所产生的操作结果,比如,游客在抖音软件上,点击推送进行视频浏览,比如,浏览的视频类型、浏览的时长等都可以作为日志中的一部分。
该实施例中,第一服务向量是包含操作行为以及操作行为值在内的,比如:第一服务向量={操作行为1以及行为值1 操作行为2以及行为值2 操作行为3以及行为值3 操作行为4以及行为值4...}。
该实施例中,行为向量={行为类型1的行为值 行为类型2的行为值....}。
该实施例中,。
该实施例中,每列向量的元素是同类的,且对应的行为值可能是不一样的,比如,对应的行为操作类型是对衣服的搜索类型,且行为向量1的搜索元素对应的搜索为上衣的行为值,行为向量n0的搜索元素对应的搜索下鞋子的行为值。
该实施例中,行为突出因子指的是对应列向量中的突出行为所对应的因子,比如,对应列向量为[0 1 0 0 0],此时,1是针对的搜索上衣的行为,此时,就可以将搜索上衣的行为作为行为突出因子。
该实施例中,注册服务应用的应用类型是网上购物类型,且与搜索上衣的突出类型(搜索上衣类型)匹配,此时,针对搜索上衣的行为突出因子即为匹配因子,且操作行为1与该匹配因子存在关联,都是针对购物搜索的,所以,对行为值1进行优化,从a1变换成a2,且a2大于a1,主要是为了突显该行为的行为值,为后续挖掘潜在客户提供基础,得到第二服务向量={操作行为1以及行为值01 操作行为2以及行为值2 操作行为3以及行为值3 操作行为4以及行为值4...}
该实施例中,第二服务向量的关联分析主要指的是客户针对同个应用的主要操作行为以及不同应用之间的关联操作行为,来构建该客户的行为特征图像,就是将行为特征进行合理的图像展示,比如,应用1是针对网络购物衣服的,应用2是针对网络购物鞋子的,针对应用1的第二服务向量与购买连衣裙相关,针对应用2的第二服务向量与购买凉鞋有关,针对列的元素可以是价格,比如,连衣裙的价格范围为b1~b2,凉鞋的价格范围为b3~b4,此时,可以进行价格上的关联,来构建得到针对该客户的行为特征图像。
该实施例中,特征挖掘是为了将每个客户的行为偏向进行第一分析以及将每个服务应用的应用偏向进行第二分析,以此,来确定服务应用的潜在挖掘客户,进行应用推广。
该实施例中,比如,针对行为特征1:客户1、客户2、客户3;
针对行为特征2:客户1、客户3、客户4;
针对服务应用1和2:特征1以及特征2,此时,针对的潜在挖掘客户即为与客户1和客户3具备类似行为特征的客户,假如客户2只涉及应用1,此时,就可以将应用2推送给客户2,且客户2即为应用2的潜在挖掘客户。
上述技术方案的有益效果是:从客户所涉及到的注册服务应用以及未注册服务应用两方面进行日志分析,来基于行为特征的行为突出因子对服务向量进行优化调整,保证潜在挖掘的精准性,且通过关联分析构建行为特征图像以及后续的特征挖掘,便于全方面挖掘同个服务应用的尽可能存在的所有潜在挖掘用户,为推送提供便利。
本发明提供一种基于客户行为特征的客户挖掘方法,统计每个客户的注册服务应用以及未注册服务应用,包括:
捕捉客户的使用端,并对所述使用端上存在的服务应用进行捕捉;
基于捕捉结果检索存在的注册服务应用以及未注册服务应用。
该实施例中,使用端即为客户端,也就是电脑、手机等。
上述技术方案的有益效果是:通过对使用端上的应用进行捕捉,来确定注册以及未注册的应用,为后续挖掘提供基础。
本发明提供一种基于客户行为特征的客户挖掘方法,溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,包括:
基于所述第一应用日志获取得到所述客户对同个注册服务应用的完整操作日志以及非完整操作日志;
根据每个操作日志的操作类型,从类型-解析映射表中获取解析方式,来对相应操作日志进行解析处理,构建得到日志解析向量,并对所述日志解析向量进行标准化处理,得到单一元素;
根据同完整操作日志的出现时间、出现次数以及完整操作进度,构建基于所有完整操作日志的第一操作序列,同时,根据非完整操作日志的出现时间、出现次数以及已操作进度,构建基于所有非完整操作日志的第二操作序列;
基于所述第一操作序列、第二操作序列,且结合相应的单一元素,构建得到基于同个注册服务应用的第一服务向量。
该实施例中,假设客户在搜索连衣裙时,如果是按照:输入连衣裙-搜索-对搜索界面进行浏览/对搜索界面中的某款连衣裙进行详细浏览,此时,这个过程视为一个完整操作行为,就来获取该完整操作行为的日志,作为完整操作日志,但是,如果此时,只执行了输入连衣裙的操作,且后续推出该流程,则视为非完整操作行为,就可以获取得到非完整操作行为的日志。
该实施例中,类型-解析映射表是包含不同的操作类型以及该类型一致的日志解析方式在内的,且日志解析方式的目的是为了确定对应完整或非完整行为下所获取的结果,来确定其所存在的有效信息,方便向量构建。
该实施例中,每个行为流程都对应一个空白向量,且该空白向量是包含提前设定好的参数表示的,且具体参数值是根据当下操作日志确定的,对存在的参数表示的值进行值输入,对不存在的进行0输入,进而得到日志解析向量。
该实施例中,标准化处理是为了对所有的参数表示的中进行量纲标准化,方便后续进行计算处理,且单一元素是指的标准化处理后的向量中的最大元素的值。
该实施例中,比如客户对同个关键词的搜索可能不止一次,因此,就需要对出现时间、出现次数进行确定,完整操作进度代表1,已操作进度代表小于1的值,比如,只执行了输入连衣裙,则对应的以操作进度为1/3。
该实施例中,第一操作序列:[完整行为1的第一次出现时间,1 完整行为2的第一次出现时间,1 完整行为2的第二次出现时间,1...],后边的1表示完整操作进度,第二操作序列:[非完整行为01的第一次出现时间,a01 非完整行为02的第一次出现时间,a2 非完整行为01的第二次出现时间,a03...],后边的a01、a02、a03为已操作进度。
该实施例中,单一元素是为了将对应的值依次附加在对应的序列对应位置中,且对序列中每个元素的出现时间进行排序,进而得到第一服务向量。
上述技术方案的有益效果是:通过对注册服务应用进行完整以及非完整日志的分析,来构建操作序列,进而结合单一元素,来构建第一服务向量,为后续客户精准挖掘提供基础。
本发明提供一种基于客户行为特征的客户挖掘方法,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量,包括:
捕捉所述客户基于每个未注册服务应用的应用窗口的窗口操作行为,并从所述窗口操作行为中提取行为关键表示;
将所述行为关键表示依次填充到空白行列表中,得到同个未注册服务应用的行为向量,其中,对空白行列表中的为填充位置进行0放置。
该实施例中,窗口操作行为指的是对不同应用中不同可以跳转界面的操作,提取行为关键表示,比如,是基于搜索界面进行的连衣裙搜索,行为关键词表示为衣服搜索表示,是基于与客服界面进行的消息聊天,行为关键词表示为消息咨询表示等,比如,针对搜索表示的:应用1--衣服搜索(0.2),应用2--鞋子搜索(0.1),应用3--热点新闻搜索(0.5),其中,0.2、0.1以及0.5是指的相关的搜索频次,也就是客户从进入该应用到关闭该应用这个过程中对相应表示的执行频次,频次越高,对应的热度越高,所以,也就是每个应用对应存在的表示都是预先设定好的,只需要将相应的内容(搜索类型、搜素关键词、搜索频次)填充到对应位置即可,不存在的用0表示。
比如,针对应用1的行为向量={表示1:行为1--值1 表示2:行为2--值2 表示3:行为3--值3 表示4:0 表示5: 0 表示7:行为7--值7 表示8:0}。
上述技术方案的有益效果是:通过获取操作行为以及进行填充,便于获取得到行为向量,为获取分析突出因子提供基础,实现对第一服务向量的有效调整。
本发明提供一种基于客户行为特征的客户挖掘方法,将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子,包括:
确定所述行为矩阵中每列向量中元素为0的第一个数,进而确定第一占比;
对每列向量中的全部元素进行第一拟合处理以及对每列向量中除去0元素之外的剩余元素进行第二拟合处理;
将第一拟合处理结果与第二拟合处理结果进行曲线对比分析,确定对应列向量的偏移值:
;
;
其中,表示偏移微调函数;P1表示应列向量的偏移值;n1表示对应列向量中的元素个数;/>表示对应列向量中第i个元素所涉及到的第一拟合处理结果以及第二拟合处理结果的差异值;/>表示对应列向量中所有元素所涉及到的最大差异值;/>表示对应列向量中所有元素所涉及到的最小差异值;n2表示对应列向量中0元素的个数;
当所述偏移值小于预设值时,将对应列向量的全部元素保留;
否则,确定为0的元素基于对应列向量的位置,如果是单独位置,则从第一拟合处理结果中获取基于该单独位置的第一相邻数组以及从第二拟合处理结果中获取基于该单独位置的第二相邻数组;
基于所述第一相邻数组以及第二相邻数组,确定该单独位置的第一替换值,并对该单独位置的0元素进行替换;
;
其中,min表示最小值符号;x01表示第一相邻数组中的第一个元素的值;x02表示第一相邻数组中的第三个元素的值;x03表示第一相邻数组中的第二个元素的值;x11表示第二相邻数组中的第一个元素的值;x12表示第二相邻数组中的第三个元素的值;x13表示第二相邻数组中的第二个元素的值;T表示第一替换值;
如果不是单独位置,提取0元素的连续位置,来基于第一拟合处理结果得到第三相邻数组以及基于第二拟合处理结果得到第四相邻数组;
基于第三相邻数组中的首值y21、末值y22以及第四相邻数组中的首值y11、末值y12,计算第二替换值T2,并对连续位置的0元素进行替换;
;
其中,n3表示第三相邻数组或第四相邻数组中元素个数;
基于替换结果得到新向量,并将所述新向量输入到行为向量解析模型中,获取得到所述新向量的行为突出值,且结合行为突出类型,得到行为突出因子。
该实施例中,第一拟合处理以及第二拟合处理的目的是为了对该列向量进行有效的对比分析,确定存在的偏移值,来有效确定该列向量中可以保留的元素。
该实施例中,列向量为{1 2 0 2 1 1},第一拟合处理是针对{1 2 0 2 1 1}进行的,第二拟合处理是针对{1 2 2 1 1}进行的,只不过将元素0剔除,且剩余元素所对应的位置坐标和原先第一拟合处理过程中的位置坐标是一致的。
该实施例中,预设值是预先设定好的,取值为0.2。
该实施例中,如果列向量为{1 2 0 2 1 1},此时为0的元素的位置即为单独位置,且第一相邻数组即为第一拟合处理之后,由[2 0 2]所对应段的拟合线上与2 0 2横坐标一致所依次对应的竖坐标上的三个值来构成的,比如:原先是[2 0 2],拟合后为[1.3 1.31.3]来作为第一相邻数组。
该实施例中,第二相邻数组即为对应[2 2]对应段的拟合线上与2 2横坐标一致所依次对应的竖坐标的两个值,外加2和2之间的原先竖坐标上的值,来构成的,拟合后为[2 22]来作为第二相邻数组。
该实施例中,如果列向量为{2 0 0 0 1},此时,得到的第三相邻数组为与函数y=-0.2x+1.2相关,所对应得到{1 0.8 0.6 0.4 0.2},得到的第四相邻数组为函数y=-0.25x+2.25相关,所对应得到{2 1.75 1.5 1.25 1}。
该实施例中,首值即为对应数组中的第一个值,末值即为对应数组中的最后一个值。
该实施例中,行为向量解析模型是预先训练好的,是基于不同的向量以及与向量匹配的突出值为样本训练得到的,因此可以得到该新向量的行为突出值。
该实施例中,在确定行为突出因子的过程中,是基于行为突出值以及行为突出类型结合得到的,也就是,应为突出因子:行为突出值+行为突出类型。
上述技术方案的有益效果是:通过对包含0元素的进行第一拟合处理以及不包含0元素的进行第二拟合处理,进而根据0元素的单独位置以及连续位置,来依次对相邻的0元素进行合理替换,保证所获取新向量来确定行为突出因子的可靠性,进一步提高客户挖掘的有效性,保证挖掘精准。
本发明提供一种基于客户行为特征的客户挖掘方法,将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,包括:
根据应用类型-行为类型映射表,确定与所述应用类型一致的行为类型集合;
基于所述行为突出因子的行为突出值以及行为突出类型,与所述行为类型集合进行匹配,提取得到匹配因子。
该实施例中,应用类型-行为类型映射表是包含不同的应用类型以及与应用类型可能匹配的行为类型以及行为值在内,因此可以直接根据该表匹配得到。
该实施例中,行为突出类型是根据对应列向量的行为元素对应类型确定的,进而结合行为突出值,来确定出匹配因子。
上述技术方案的有益效果是:通过确定匹配因子,便于进一步保证客户挖掘的有效特征。
本发明提供一种基于客户行为特征的客户挖掘方法,对第一服务向量进行调整,得到第二服务向量,包括:
锁定所述第一服务向量中与所获取的每个匹配因子存在类型关联关系的服务元素;
根据匹配结果,获取得到每个服务元素的因子集合;
对存在因子集合的因子数量为0的服务元素保留不变,对存在因子集合的因子数量不为0的服务元素进行累加优化调整,得到第二服务向量。
该实施例中,比如,存在匹配因子1、匹配因子2以及匹配因子3,第一服务向量中与匹配因子1存在类型关联关系的是元素1和元素2,与匹配因子2存在类型关联关系的是元素1,与匹配因子3存在类型关联关系的是元素1,加入第一服务向量中存在元素1、元素2和元素3,此时,元素3对应的因子集合中的因子数量为0,此时,保持元素3不变,元素2对应的因子集合中的因子数量为1,此时,基于匹配因子1对元素2进行调整,元素1对应的因子集合中的因子数量为2,此时,基于匹配因子1和2对元素1进行调整,调整后的元素1从a1变为a2,其中,a2大于a1,调整后的元素2从b1变为b2,其中,b2大于b1,元素3保持c1不变,也就是优化调整后的服务向量为[a2 b2 c1],因为是累加优化调整,所以,a2大于a1、b2大于b1,是为了更好的将该向量中对应行为进行凸显,为挖掘提供便利。
该实施例中,累加优化调整指的是将匹配因子与对应权重相乘累加在与原先的元素值进行相加得到的。
上述技术方案的有益效果是:通过根据匹配因子对不同的服务元素进行累加优化调整,来得到第二服务向量,便于对行为的有效凸显,保证后续挖掘的精准性。
本发明提供一种基于客户行为特征的客户挖掘方法,根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像,包括:
根据每个注册服务应用的主要应用中心与相应的第二服务向量进行第一分析,确定所述客户基于对应注册服务应用的内容偏向;
将所有第二服务向量依次进行同类元素的第二分析,确定所述客户基于不同类元素的应用偏向;
确定所有内容偏向与所有应用偏向所对应注册服务应用的主要应用中心的交集内容、非交集内容;
提取所述交集内容的行为特征进行图像的初始构建,并基于非交集内容对初始构建结果进行优化,得到所述客户的行为特征图像。
该实施例中,主要应用中心指的是对应应用的主要服务项目,每个应用软件都有其对应的主要服务部分。
该实施例中,第二服务向量是包含针对该客户的行为代表内容的,所以进行的第一分析是为了确定客户基于服务应用的内容偏向,也就是通过确定第二服务向量中的行为与主要服务项目之间的匹配关系,越匹配,对应的内容偏向越靠近主要应用中心,否则,越偏离。
该实施例中,同类元素的第二分析,一般是进行同列元素的分析,来确定客户针对该类元素的偏好情况,进而便于确定基于不同元素的应用偏向,也就是越是偏好该类元素,越是具备该元素的应用偏向。
比如,主要应用中心是买衣服,对第二服务向量分析之后,得到的内容偏向也是买衣服,且对应该类元素的第二分析为对连衣裙的买卖偏好,此时,针对的应用偏向为买连衣裙偏向。
该实施例中,内容偏向:[偏向01 偏向02 偏向03 偏向20],应用偏向为[偏向11偏向12 偏向13 偏向14 偏向21],主要应用中心包含与0以及与1相关的内容,此时,交集内容为:[偏向01 偏向02 偏向03 偏向11 偏向12 偏向13 偏向14],非交集内容为:[偏向20偏向21]。
该实施例中,行为特征的构建也就是用户行为特征图谱的构建是现有技术,只是构建的基础条件是不一样的。
上述技术方案的有益效果是:通过确定内容偏向以及应用偏向,进而确定交集与非交集内容,来构建图像,进而通过非交集对图像的优化,得到针对客户的行为特征图像,为挖掘潜在客户提供有效基础。
本发明提供一种基于客户行为特征的客户挖掘方法,对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广,包括:
根据特征挖掘结果,得到所有客户针对同个服务应用的主要挖掘服务特征;
根据所有应用的当前客户应用需求,来与每个主要挖掘服务特征进行匹配,统计每个推广应用的可推广客户,其中,所述可推广客户为潜在挖掘客户;
将推广应用推广到相应可推广客户的客户端进行显示。
该实施例中,主要挖掘服务特征指的是基于很多客户样本来确定出来的针对该服务应用的主要应用特征,方便后续匹配可推广客户。
该实施例中,当前客户应用需求指的是需要对应用的要求。
比如,服务应用1的主要挖掘服务特征为特征1,服务应用2的主要挖掘服务特征为特征2,此时,当前客户应用需求是需要获取与特征1和特征2相关的内容,此时,就将服务应用1和服务应用2推给客户,此时的客户即为服务应用1和服务应用2的潜在客户。
上述技术方案的有益效果是:通过特征挖掘,来确定服务应用的特征进而与需求进行匹配,来确定推广客户以及潜在挖掘客户,提高推广精度。
本发明提供一种基于客户行为特征的客户挖掘***,如图2所示,包括:
统计模块,用于统计每个客户的注册服务应用以及未注册服务应用;
向量构建模块,用于溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,同时,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量;
向量分析模块,用于将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子;
匹配模块,用于将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,对第一服务向量进行调整,得到第二服务向量;
关联分析模块,用于根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像;
潜在挖掘模块,用于对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广。
上述技术方案的有益效果是:从客户所涉及到的注册服务应用以及未注册服务应用两方面进行日志分析,来基于行为特征的行为突出因子对服务向量进行优化调整,保证潜在挖掘的精准性,且通过关联分析构建行为特征图像以及后续的特征挖掘,便于全方面挖掘同个服务应用的尽可能存在的所有潜在挖掘用户,为推送提供便利。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于客户行为特征的客户挖掘方法,其特征在于,包括:
步骤1:统计每个客户的注册服务应用以及未注册服务应用;
步骤2:溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,同时,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量;
步骤3:将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子;
步骤4:将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,对第一服务向量进行调整,得到第二服务向量;
步骤5:根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像;
步骤6:对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广;
其中,溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,包括:
基于所述第一应用日志获取得到所述客户对同个注册服务应用的完整操作日志以及非完整操作日志;
根据每个操作日志的操作类型,从类型-解析映射表中获取解析方式,来对相应操作日志进行解析处理,构建得到日志解析向量,并对所述日志解析向量进行标准化处理,得到单一元素;
根据同完整操作日志的出现时间、出现次数以及完整操作进度,构建基于所有完整操作日志的第一操作序列,同时,根据非完整操作日志的出现时间、出现次数以及已操作进度,构建基于所有非完整操作日志的第二操作序列;
基于所述第一操作序列、第二操作序列,且结合相应的单一元素,构建得到基于同个注册服务应用的第一服务向量;
其中,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量,包括:
捕捉所述客户基于每个未注册服务应用的应用窗口的窗口操作行为,并从所述窗口操作行为中提取行为关键表示;
将所述行为关键表示依次填充到空白行列表中,得到同个未注册服务应用的行为向量,其中,对空白行列表中的为填充位置进行0放置;
其中,根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像,包括:
根据每个注册服务应用的主要应用中心与相应的第二服务向量进行第一分析,确定所述客户基于对应注册服务应用的内容偏向;
将所有第二服务向量依次进行同类元素的第二分析,确定所述客户基于不同类元素的应用偏向;
确定所有内容偏向与所有应用偏向所对应注册服务应用的主要应用中心的交集内容、非交集内容;
提取所述交集内容的行为特征进行图像的初始构建,并基于非交集内容对初始构建结果进行优化,得到所述客户的行为特征图像。
2.根据权利要求1所述的基于客户行为特征的客户挖掘方法,其特征在于,统计每个客户的注册服务应用以及未注册服务应用,包括:
捕捉客户的使用端,并对所述使用端上存在的服务应用进行捕捉;
基于捕捉结果检索存在的注册服务应用以及未注册服务应用。
3.根据权利要求1所述的基于客户行为特征的客户挖掘方法,其特征在于,将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子,包括:
确定所述行为矩阵中每列向量中元素为0的第一个数,进而确定第一占比;
对每列向量中的全部元素进行第一拟合处理以及对每列向量中除去0元素之外的剩余元素进行第二拟合处理;
将第一拟合处理结果与第二拟合处理结果进行曲线对比分析,确定对应列向量的偏移值:
其中,Δ(n2,n1)表示偏移微调函数;P1表示对应列向量的偏移值;n1表示对应列向量中的元素个数;yi表示对应列向量中第i个元素所涉及到的第一拟合处理结果以及第二拟合处理结果的差异值;(yi)max表示对应列向量中所有元素所涉及到的最大差异值;(yi)min表示对应列向量中所有元素所涉及到的最小差异值;n2表示对应列向量中0元素的个数;
当所述偏移值小于预设值时,将对应列向量的全部元素保留;
否则,确定为0的元素基于对应列向量的位置,如果是单独位置,则从第一拟合处理结果中获取基于该单独位置的第一相邻数组以及从第二拟合处理结果中获取基于该单独位置的第二相邻数组;
基于所述第一相邻数组以及第二相邻数组,确定该单独位置的第一替换值,并对该单独位置的0元素进行替换;
其中,min表示最小值符号;x01表示第一相邻数组中的第一个元素的值;x02表示第一相邻数组中的第三个元素的值;x03表示第一相邻数组中的第二个元素的值;x11表示第二相邻数组中的第一个元素的值;x12表示第二相邻数组中的第三个元素的值;x13表示第二相邻数组中的第二个元素的值;T表示第一替换值;
如果不是单独位置,提取0元素的连续位置,来基于第一拟合处理结果得到第三相邻数组以及基于第二拟合处理结果得到第四相邻数组;
基于第三相邻数组中的首值y21、末值y22以及第四相邻数组中的首值y11、末值y12,计算第二替换值T2,并对连续位置的0元素进行替换;
其中,n3表示第三相邻数组或第四相邻数组中元素个数;
基于替换结果得到新向量,并将所述新向量输入到行为向量解析模型中,获取得到所述新向量的行为突出值,且结合行为突出类型,得到行为突出因子。
4.根据权利要求1所述的基于客户行为特征的客户挖掘方法,其特征在于,将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,包括:
根据应用类型-行为类型映射表,确定与所述应用类型一致的行为类型集合;
基于所述行为突出因子的行为突出类型,与所述行为类型集合进行匹配,提取得到匹配因子。
5.根据权利要求1所述的基于客户行为特征的客户挖掘方法,其特征在于,对第一服务向量进行调整,得到第二服务向量,包括:
锁定所述第一服务向量中与所获取的每个匹配因子存在类型关联关系的服务元素;
根据匹配结果,获取得到每个服务元素的因子集合;
对存在因子集合的因子数量为0的服务元素保留不变,对存在因子集合的因子数量不为0的服务元素进行累加优化调整,得到第二服务向量。
6.根据权利要求1所述的基于客户行为特征的客户挖掘方法,其特征在于,对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广,包括:
根据特征挖掘结果,得到所有客户针对同个服务应用的主要挖掘服务特征;
根据所有应用的当前客户应用需求,来与每个主要挖掘服务特征进行匹配,统计每个推广应用的可推广客户,其中,所述可推广客户为潜在挖掘客户;
将推广应用推广到相应可推广客户的客户端进行显示。
7.一种基于客户行为特征的客户挖掘***,其特征在于,包括:
统计模块,用于统计每个客户的注册服务应用以及未注册服务应用;
向量构建模块,用于溯源所述客户基于每个注册服务应用的第一应用日志,并构建基于同个注册服务应用的第一服务向量,同时,获取所述客户基于每个未注册服务应用的窗口操作行为日志,并构建基于同个未注册服务应用的行为向量;
向量分析模块,用于将所有行为向量进行水平行放置,构建得到行为矩阵,并分别分析每列向量的行为突出因子;
匹配模块,用于将每个第一服务向量所对应注册服务应用的应用类型与行为突出因子的突出类型进行匹配,来获取匹配因子,对第一服务向量进行调整,得到第二服务向量;
关联分析模块,用于根据同个客户的所有第二服务向量进行关联分析,构建所述客户的行为特征图像;
潜在挖掘模块,用于对所有行为特征图像进行特征挖掘,获取得到每个服务应用的潜在挖掘客户,并向相应的潜在挖掘客户进行应用推广;
其中,向量构建模块,用于:
基于所述第一应用日志获取得到所述客户对同个注册服务应用的完整操作日志以及非完整操作日志;
根据每个操作日志的操作类型,从类型-解析映射表中获取解析方式,来对相应操作日志进行解析处理,构建得到日志解析向量,并对所述日志解析向量进行标准化处理,得到单一元素;
根据同完整操作日志的出现时间、出现次数以及完整操作进度,构建基于所有完整操作日志的第一操作序列,同时,根据非完整操作日志的出现时间、出现次数以及已操作进度,构建基于所有非完整操作日志的第二操作序列;
基于所述第一操作序列、第二操作序列,且结合相应的单一元素,构建得到基于同个注册服务应用的第一服务向量;
其中,向量构建模块,用于:
捕捉所述客户基于每个未注册服务应用的应用窗口的窗口操作行为,并从所述窗口操作行为中提取行为关键表示;
将所述行为关键表示依次填充到空白行列表中,得到同个未注册服务应用的行为向量,其中,对空白行列表中的为填充位置进行0放置;
其中,关联分析模块,用于:
根据每个注册服务应用的主要应用中心与相应的第二服务向量进行第一分析,确定所述客户基于对应注册服务应用的内容偏向;
将所有第二服务向量依次进行同类元素的第二分析,确定所述客户基于不同类元素的应用偏向;
确定所有内容偏向与所有应用偏向所对应注册服务应用的主要应用中心的交集内容、非交集内容;
提取所述交集内容的行为特征进行图像的初始构建,并基于非交集内容对初始构建结果进行优化,得到所述客户的行为特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770661.1A CN116523572B (zh) | 2023-06-28 | 2023-06-28 | 一种基于客户行为特征的客户挖掘方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770661.1A CN116523572B (zh) | 2023-06-28 | 2023-06-28 | 一种基于客户行为特征的客户挖掘方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523572A CN116523572A (zh) | 2023-08-01 |
CN116523572B true CN116523572B (zh) | 2023-09-08 |
Family
ID=87392469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770661.1A Active CN116523572B (zh) | 2023-06-28 | 2023-06-28 | 一种基于客户行为特征的客户挖掘方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523572B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488697A (zh) * | 2015-12-09 | 2016-04-13 | 焦点科技股份有限公司 | 一种基于客户行为特征的潜在客户挖掘方法 |
CN105677828A (zh) * | 2016-01-04 | 2016-06-15 | 成都陌云科技有限公司 | 基于大数据的用户信息处理方法 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN112561565A (zh) * | 2020-11-27 | 2021-03-26 | 四川新网银行股份有限公司 | 一种基于行为日志的用户需求识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1872318A4 (en) * | 2005-04-20 | 2010-01-20 | Massive Impact Internat Ltd | SYSTEM AND METHOD FOR DISCOVERING AND IDENTIFYING CUSTOMERS |
-
2023
- 2023-06-28 CN CN202310770661.1A patent/CN116523572B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488697A (zh) * | 2015-12-09 | 2016-04-13 | 焦点科技股份有限公司 | 一种基于客户行为特征的潜在客户挖掘方法 |
CN105677828A (zh) * | 2016-01-04 | 2016-06-15 | 成都陌云科技有限公司 | 基于大数据的用户信息处理方法 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN112561565A (zh) * | 2020-11-27 | 2021-03-26 | 四川新网银行股份有限公司 | 一种基于行为日志的用户需求识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116523572A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200242450A1 (en) | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus | |
CN106446228B (zh) | 一种web页面数据的采集分析方法及装置 | |
CN106776989B (zh) | 一种网页信息展示方法以及装置 | |
US20160239865A1 (en) | Method and device for advertisement classification | |
CN108614832B (zh) | 一种用户个性化商品搜索实现方法及装置 | |
US9088811B2 (en) | Information providing system, information providing method, information providing device, program, and information storage medium | |
CN109168047B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
US9578135B2 (en) | Method of identifying remote users of websites | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、***和计算机设备 | |
CN112364203B (zh) | 电视视频推荐方法、装置、服务器和存储介质 | |
CN110659414B (zh) | 一种基于用户画像的个性化信息推送方法及用户端 | |
CN105531701A (zh) | 个性化趋势图像搜索建议 | |
WO2015062359A1 (en) | Method and device for advertisement classification, server and storage medium | |
US20240248944A1 (en) | Systems and methods for implementing session cookies for content selection | |
CN111177481B (zh) | 用户标识映射方法及装置 | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
US20150235294A1 (en) | Network searching system and searching method thereof | |
CN113190562A (zh) | 一种报表生成方法、装置及电子设备 | |
CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
KR20070105722A (ko) | 모바일 웹 기반의 이미지검색을 위한 초기질의 집합의자동생성방법 | |
CN105389714B (zh) | 一种从行为数据识别用户特性的方法 | |
CN108304570B (zh) | 一种搜索结果的处理方法及展现方法、服务器、客户端 | |
CN116523572B (zh) | 一种基于客户行为特征的客户挖掘方法及*** | |
CN106168975B (zh) | 目标用户浓度的获取方法及装置 | |
CN107045688B (zh) | 一种精确识别目标终端的控制方法及装置 |
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 |