CN116561603B - 一种基于数据分析的用户匹配方法及装置 - Google Patents
一种基于数据分析的用户匹配方法及装置 Download PDFInfo
- Publication number
- CN116561603B CN116561603B CN202310837078.8A CN202310837078A CN116561603B CN 116561603 B CN116561603 B CN 116561603B CN 202310837078 A CN202310837078 A CN 202310837078A CN 116561603 B CN116561603 B CN 116561603B
- Authority
- CN
- China
- Prior art keywords
- users
- user
- product
- feedback
- class
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007405 data analysis Methods 0.000 title claims abstract description 30
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 9
- 239000003599 detergent Substances 0.000 description 9
- 239000002304 perfume Substances 0.000 description 7
- 239000007787 solid Substances 0.000 description 2
- 239000013042 solid detergent Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据收集领域,特别是涉及一种基于数据分析的用户匹配方法及装置。所述方法包括:设置推送指标以及目标推送人数;从数据库中筛选用户;选出参与过产品试用用户记为第一类用户;读取第一类用户针对所试用过的产品的反馈数据;根据第一类用户的反馈数据计算出第一类用户中第i个用户的优先值并进行排序;计算第一类用户的推送人数H1;计算第二类用户的推送人数H2;从排序中按选出数量为H1的用户进行推送;从第二类用户中随机选取数量为H2的用户进行推送;其中,第二类用户为筛选出的用户中除第一类用户之外的用户。本发明能选定合适的用户群体进行有效的推送,为产品试用的营销策略提供更有效的数据。
Description
技术领域
本发明涉及数据收集领域,特别是涉及一种基于数据分析的用户匹配方法及装置。
背景技术
产品试用旨在吸引消费者参与试用某个产品,使潜在客户能够了解并体验产品,促进潜在客户对产品的信任和兴趣,以吸引他们购买,最终增加销售;产品试用有助于提高产品的知名度、提高销售额、收集反馈意见以及建立客户关系,是一种十分有效的营销策略。
产品试用的信息要推送到潜在客户手中,通常采用社交媒体,比如,在微信小程序上进行产品试用推送。目前产品试用信息推送一般都是采用广泛全面推送的方式。这种方式如果进行多次推送,可能降低原本对该产品不感兴趣的用户的体验,导致用户流失,而且每个产品都得采用这种推送方式来推送,可能会对不感兴趣的用户重复推送,这样也会给用户造成不好的体验。
这样的方式无法选定合适的用户群体进行有效的推送,使产品试用这一营销策略大打折扣。
发明内容
基于此,有必要针对上述的问题,提供一种基于数据分析的用户匹配方法及装置。
本发明实施例是这样实现的,一种基于数据分析的用户匹配方法,所述基于数据分析的用户匹配方法包括:
设置推送指标以及目标推送人数S1;
根据所述推送指标从数据库中筛选用户;
从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取第一类用户针对所试用过的产品的反馈数据;
根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1;
根据S1、y以及Fj计算出第二类用户的推送人数H2;
从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送;
从第二类用户中随机选取数量为H2的用户进行推送;
其中,第二类用户为筛选出的用户中除第一类用户之外的用户。
在其中一个实施例中,本发明提供了一种基于数据分析的用户匹配装置,所述基于数据分析的用户匹配装置,包括:
设置模块,用于设置推送指标以及目标推送人数S1;
筛选模块,用于根据所述推送指标从数据库中筛选用户;
选取模块,用于从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取模块,用于读取第一类用户针对所试用过的产品的反馈数据;
关联值模块,用于根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
统计值模块,用于根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
反馈率模块,用于根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
优先值模块,用于根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
排序模块,用于根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
计算模块,用于根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1,根据S1、y以及Fj计算出第二类用户的推送人数H2;
推送模块,用于从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送,从第二类用户中随机选取数量为H2的用户进行推送。
本发明实施例提供的基于数据分析的用户匹配方法通过计算数据库中符合设置指标的用户的优先值并按优先值从大到小进行排序,再根据计算出的推送人数从排序中选择一部分的用户进行产品试用推送;同时根据数据库中符合设置指标的用户的反馈数据从数据库中不符合设置指标的用户中选择另一部分的用户进行产品试用推送。
本发明实施例提供的基于数据分析的用户匹配方法根据用户的反馈数据选择产品试用推送的用户人群以及推送需要的人数,这样做能选定合适的用户群体进行有效的推送,为产品试用的营销策略提供更有效的数据。
附图说明
图1为一个实施例中基于数据分析的用户匹配方法的流程图;
图2为一个实施例中产品分类树状图的示例图;
图3为一个实施例中基于数据分析的用户匹配装置的结构框图;
图4为一个实施例中计算机设备的内部结构框图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本发明的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,在一个实施例中,提出了一种基于数据分析的用户匹配方法,具体可以包括以下步骤:
设置推送指标以及目标推送人数S1;
根据所述推送指标从数据库中筛选用户;
从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取第一类用户针对所试用过的产品的反馈数据;
根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1;
根据S1、y以及Fj计算出第二类用户的推送人数H2;
从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送;
从第二类用户中随机选取数量为H2的用户进行推送;
其中,第二类用户为筛选出的用户中除第一类用户之外的用户。
在本实施例中,要根据推送的目的设置推送指标,比如,指标可以是地域、性别以及年龄段等。
在本实施例中,设置推送指标可以是一层也可以是多层,比如:北京、北京-男性和北京-男性-20~30岁。
在本实施例中,目标推送人数是本次推送需要反馈信息的总人数,实际推送人数包括目标推送人数和未反馈信息的人数。
在本实施例中,第一类用户针对所试用过的产品的反馈数据包括用户试用的产品、用户返回调查表所需时间、用户接受到推送信息反馈的次数、用户的评价以及产品的反馈率等。
在本实施例中,产品分类树状图可根据不同的标准进行产品的分类。
在本实施例中,根据用户返回调查表所需时间计算反馈时间统计值Bi。
在本实施例中,根据用户接受到推送信息反馈的次数计算反馈次数统计值Ci。
在本实施例中,根据用户的评价计算反馈评价统计值Di。
在本实施例中,Fj是第j个试用过的产品的反馈人数和推送人数的比值。
在本实施例中,根据Qi对第一类用户进行排序时,如果Qi的值相同,可以按照Ai的大小排序,如果Ai的值也相同,可以按照Bi的大小排序,如果Bi的值也相同,可以按照Ci的大小排序,如果Ci的值也相同,可以按照Di的大小排序。
在本实施例中,在第一类用户选择推送用户时,是根据排序的顺序进行选择的,此时第i个用户对应的Ci不一定在第i个顺序,故需要按照第一类用户的排序结果得到用户对应的反馈次数统计值序列Uo,o是序列Uo的序号。
在本实施例中,预设第一类用户推送比例y是第一类用户本次推送需要反馈信息的人数和目标推送人数S1的比值,所以1-y是第二类用户本次推送需要反馈信息的人数和目标推送人数S1的比值。
在本实施例中,y的值的范围为0~1,且越大越好。
在本实施例中,若第一类用户的人数达到目标推送人数,可以不用从第二类用户中选取用户,这样y的值就为1。
在本实施例中,H1是第一类用户的实际推送人数,包括第一类用户本次推送需要反馈信息的人数S2和第一类用户未反馈信息的人数。
在本实施例中,H2是第二类用户的实际推送人数,包括第二类用户本次推送需要反馈信息的人数S3和第二类用户未反馈信息的人数。
本实施例提供的基于数据分析的用户匹配方法根据用户的反馈数据选择产品试用推送的用户人群以及推送需要的人数,这样做能选定合适的用户群体进行有效的推送,为产品试用的营销策略提供更有效的数据。
在一个实施例中,所述根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai,包括:
根据国际贸易产品的标准分类目录建立产品分类;
根据要试用的产品和第一类用户试用过的产品对产品分类进行增减得到产品分类树状图,在所述产品分类树状图中,每个产品均位于产品分类树状图的最低节点上;
找出要试用的产品到第一类用户试用过的每个产品的路径,确定每条路径经过的节点数,记最大的节点数为P;
对于第i个用户,确定要试用的产品与该用户所试用过的产品的路径经过的节点数pi;
由得到第i个用户所试用过的产品与要试用的产品的关联值Ai。
在本实施例中,产品分类树状图的一个示例如图2所示,每个方框代表一个节点,节点可以是产品分类,也可以是具体的产品。
在本实施例中,产品分类树状图的产品分类层级由大到小,比如,如图2所示,产品分类层级由大到小表现为日用品-洗漱用品-固体洗涤剂-高效洗衣粉-X洗衣粉。
在本实施例中,产品分类树状图每个分支的最后一个节点为最低节点,最低节点都必须有产品,比如,如图2所示,最低的节点一定是具体的产品。
在本实施例中,除最低节点之外的节点都是中间节点,中间节点不是一个具体的产品,比如,如图2所示,中间节点都是产品分类,不是具体的产品。
在本实施例中,每个产品至少与另一个产品共用一个中间节点,每个中间节下面至少有两个并列的产品或者一个产品一个节点或者两个节点,比如,如图2所示,E香水和F香水共用一个中间节点香水,中间节点高效洗衣粉下面有产品X洗衣粉和产品Y洗衣粉,中间节点固体洗涤剂下面有中间节点高效洗衣粉和产品Z洗衣粉,中间节点洗漱用品下面有中间节点固体洗涤剂和中间节点液体洗涤剂。
在本实施例中,要试用的产品到第一类用户试用过的每个产品的路径为产品分类树状图中最短的路径;比如,如图2所示,要试用的产品G口红到H口红的路径为G口红-H口红,试用的产品G口红到C口红的路径为G口红-哑光口红-C口红,要试用的产品G口红到E香水的路径为G口红-哑光口红-口红-香水-E香水。
在本实施例中,路径经过的节点不包括起始节点和终止节点,即路径经过的节点都是中间节点;比如,如图2所示,要试用的产品G口红到H口红的路径没有经过中间节点,节点数为0;试用的产品G口红到C口红的路径经过的中间节点哑光口红,节点数为1,要试用的产品G口红到E香水的路径经过的中间节点为哑光口红、口红以及香水,节点数为3。
在本实施例中,存在多条最大的节点数P的路径,比如,如图2所示,路径为G口红-哑光口红-口红-化妆品和香水-洗漱用品-固体洗涤剂-高效洗衣粉-X洗衣粉/Y洗衣粉,这两条路径经过的中间节点都是6,6也是图2中最大的节点数P。
在本实施例中,若要试用的产品与第i个用户所试用过的产品位于同一个节点下面,则第i个用户所试用过的产品与要试用的产品的关联值Ai为1,比如,如图2所示,要试用的产品G口红和H口红位于中间节点哑光口红下面,此时Pi为0,P为6,由可得Ai为1。
在本实施例中,每个用户可能有多个试用过的产品,只需选择和要试用的产品的路径经过的节点数最少的试用过的产品进行计算,比如,如图2所示,第i个用户试用过H口红和C口红,只需选择H口红进行计算。
在一个实施例中,根据第一类用户的反馈数据确定第i个用户的反馈时间统计值Bi,包括:
获取第i个用户在第k次推送中从接收推送信息到返回调查表所经历的时长tik;
获取同一次推送中用户从接收推送信息到返回调查表所经历的最大时长Tik;
由得到第i个用户第k次推送的反馈时间统计值bik;
计算第i个用户每次推送的bik的平均值得到第i个用户的反馈时间统计值Bi。
在本实施例中,当只有一次推送反馈时,k的值为1。
在本实施例中,可能存在多个用户的最大时长一样,只需要选择其中一个。
在一个实施例中,根据第一类用户的反馈数据确定第i个用户的反馈次数统计值Ci,包括:
获取向第i个用户推送的总次数Ni以及该用户反馈的次数ni;
由得到第i个用户的反馈次数统计值Ci。
在本实施例中,ni的值可以是0。
在一个实施例中,根据第一类用户的反馈数据确定第i个用户的反馈评价统计值Di,包括:
对于第j个试用过的产品,获取所有用户的评价,根据评价中词语的出现频率设置Wj个关键词;
识别第i个用户对于第j个试用产品的反馈评价中的出现的关键词,计算出现关键词的数量wij;
由得到第i个用户第j个试用产品的反馈评价统计值dij;
计算第i个用户每个试用过的产品的dij的平均值得到第i个用户的反馈评价统计值Di。
在本实施例中,选择的词语要体现用户的积极性和正面性。
在本实施例中,关键词主要为单字词、二字词、三字词等,且为形容词或者兼具形容词性质的其他词。
在本实施例中,j的值可以是1,表示用户只试用过一个产品。
在一个实施例中,所述根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi,包括:
对于第i个用户,由 得到Qi;
其中,x1~x4为设定的对应Ai、Bi、Ci以及Di的系数,x1、x2、x3和x4相加等于1。
在本实施例中,x1~x4根据实际的情况进行设置,比如,若以要试用的产品与用户试用过的产品的关系为主,则提高x1的值,若以用户的反馈时间为主,则提高x2的值,若以用户反馈的次数为主,则提高x3的值,若以用户反馈的积极性和认真程度为主,则提高x4的值。
在一个实施例中,所述根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1,包括:
由公式解得第一类用户的推送人数H1。
在本实施例中,S1与y相乘得到的是第一类用户本次推送需要反馈信息的人数S2。
在本实施例中,Uo累加后得到的值和第一类用户的推送人数H1的比值为平均每个推送用户的反馈次数统计值。
在本实施例中,S2只能是整数,所以H1与平均每个推送用户的反馈次数统计值的比值取整得到S2。
在本实施例中,第一类用户的人数是有限的,故使用穷举法可以解得H1。
在一个实施例中,所述根据S1、y以及Fj计算出第二类用户的推送人数H2,包括:
由公式解得第二类用户的推送人H2;
其中,R是第一类用户所试用过的产品的个数。
在本实施例中,表示S1减去第一类用户本次推送需要反馈信息的人数S2,得到的是第二类用户本次推送需要反馈信息的人数S3。
在本实施例中,Fj累加后得到的值和第一类用户所试用过的产品的个数的比值为平均每个试用过的产品的反馈率。
在本实施例中,S3只能是整数,所以H2与平均每个试用过的产品的反馈率的比值取整得到S3。
在本实施例中,R在实际中是一个确定的整数,故Fj的个数也是确定的,所以可以解得H2。
如图3所示,在一个实施例中,提供了一种基于数据分析的用户匹配装置,具体可以包括:
设置模块,用于设置推送指标以及目标推送人数S1;
筛选模块,用于根据所述推送指标从数据库中筛选用户;
选取模块,用于从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取模块,用于读取第一类用户针对所试用过的产品的反馈数据;
关联值模块,用于根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
统计值模块,用于根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
反馈率模块,用于根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
优先值模块,用于根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
排序模块,用于根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
计算模块,用于根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1,根据S1、y以及Fj计算出第二类用户的推送人数H2;
推送模块,用于从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送,从第二类用户中随机选取数量为H2的用户进行推送。
在本实施例中,所述的基于数据分析的用户匹配装置的各个模块为本发明方法部分的模块化,对于各个模块的具体解释说明,请参考本发明方法部分的对应内容,本发明实施例在此不再赘述。
图4示出了一个实施例中计算机设备的内部结构图。如图4所示,该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现本发明实施例提供的基于数据分析的用户匹配方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行本发明实施例提供的基于数据分析的用户匹配方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本发明实施例提供的基于数据分析的用户匹配装置可以实现为一种计算机程序的形式,计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该基于数据分析的用户匹配装置的各个程序模块,比如,图3所示的设置模块、筛选模块、选取模块、读取模块、关联值模块、统计值模块、反馈率模块、优先值模块、排序模块、计算模块和推送模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本发明各个实施例的基于数据分析的用户匹配方法中的步骤。
例如,图4所示的计算机设备可以通过如图3所示的基于数据分析的用户匹配装置中的设置模块执行步骤S001;计算机设备可通过筛选模块执行步骤S002;计算机设备可通过选取模块执行步骤S003;计算机设备可通过读取模块执行步骤S004;计算机设备可通过关联值模块执行步骤S005;计算机设备可通过统计值模块执行步骤S006;计算机设备可通过反馈率模块执行步骤S007;计算机设备可通过优先值模块执行步骤S008;计算机设备可通过排序模块执行步骤S009;计算机设备可通过计算模块执行步骤S010和步骤S011;计算机设备可通过推送模块执行步骤S012和步骤S013。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、处理器及存储在所述存储器上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以下步骤:
设置推送指标以及目标推送人数S1;
根据所述推送指标从数据库中筛选用户;
从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取第一类用户针对所试用过的产品的反馈数据;
根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1;
根据S1、y以及Fj计算出第二类用户的推送人数H2;
从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送;
从第二类用户中随机选取数量为H2的用户进行推送;
其中,第二类用户为筛选出的用户中除第一类用户之外的用户。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
设置推送指标以及目标推送人数S1;
根据所述推送指标从数据库中筛选用户;
从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取第一类用户针对所试用过的产品的反馈数据;
根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1;
根据S1、y以及Fj计算出第二类用户的推送人数H2;
从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送;
从第二类用户中随机选取数量为H2的用户进行推送;
其中,第二类用户为筛选出的用户中除第一类用户之外的用户。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于数据分析的用户匹配方法,其特征在于,所述基于数据分析的用户匹配方法包括:
设置推送指标以及目标推送人数S1;
根据所述推送指标从数据库中筛选用户;
从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取第一类用户针对所试用过的产品的反馈数据;
根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1;
根据S1、y以及Fj计算出第二类用户的推送人数H2;
从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送;
从第二类用户中随机选取数量为H2的用户进行推送;
其中,第二类用户为筛选出的用户中除第一类用户之外的用户。
2.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,所述根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai,包括:
根据国际贸易产品的标准分类目录建立产品分类;
根据要试用的产品和第一类用户试用过的产品对产品分类进行增减得到产品分类树状图,在所述产品分类树状图中,每个产品均位于产品分类树状图的最低节点上;
找出要试用的产品到第一类用户试用过的每个产品的路径,确定每条路径经过的节点数,记最大的节点数为P;
对于第i个用户,确定要试用的产品与该用户所试用过的产品的路径经过的节点数pi;
由得到第i个用户所试用过的产品与要试用的产品的关联值Ai。
3.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,根据第一类用户的反馈数据确定第i个用户的反馈时间统计值Bi,包括:
获取第i个用户在第k次推送中从接收推送信息到返回调查表所经历的时长tik;
获取同一次推送中用户从接收推送信息到返回调查表所经历的最大时长Tik;
由得到第i个用户第k次推送的反馈时间统计值bik;
计算第i个用户每次推送的bik的平均值得到第i个用户的反馈时间统计值Bi。
4.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,根据第一类用户的反馈数据确定第i个用户的反馈次数统计值Ci,包括:
获取向第i个用户推送的总次数Ni以及该用户反馈的次数ni;
由得到第i个用户的反馈次数统计值Ci。
5.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,根据第一类用户的反馈数据确定第i个用户的反馈评价统计值Di,包括:
对于第j个试用过的产品,获取所有用户的评价,根据评价中词语的出现频率设置Wj个关键词;
识别第i个用户对于第j个试用产品的反馈评价中的出现的关键词,计算出现关键词的数量wij;
由得到第i个用户第j个试用产品的反馈评价统计值dij;
计算第i个用户每个试用过的产品的dij的平均值得到第i个用户的反馈评价统计值Di。
6.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,所述根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi,包括:
对于第i个用户,由 得到Qi;
其中,x1~x4为设定的对应Ai、Bi、Ci以及Di的系数,x1、x2、x3和x4相加等于1。
7.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,所述根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1,包括:
由公式解得第一类用户的推送人数H1。
8.根据权利要求1所述基于数据分析的用户匹配方法,其特征在于,所述根据S1、y以及Fj计算出第二类用户的推送人数H2,包括:
由公式解得第二类用户的推送人H2;
其中,R是第一类用户所试用过的产品的个数。
9.一种基于数据分析的用户匹配装置,其特征在于,所述基于数据分析的用户匹配装置,包括:
设置模块,用于设置推送指标以及目标推送人数S1;
筛选模块,用于根据所述推送指标从数据库中筛选用户;
选取模块,用于从筛选出的用户中选出参与过产品试用用户记为第一类用户;
读取模块,用于读取第一类用户针对所试用过的产品的反馈数据;
关联值模块,用于根据第一类用户的反馈数据建立产品分类树状图,根据所述产品分类树状图确定第i个用户所试用过的产品与要试用的产品的关联值Ai;
统计值模块,用于根据第一类用户的反馈数据分别确定第i个用户的反馈时间统计值Bi、反馈次数统计值Ci以及反馈评价统计值Di;
反馈率模块,用于根据第一类用户的反馈数据确定第j个试用过的产品的反馈率Fj;
优先值模块,用于根据Ai、Bi、Ci以及Di计算出第一类用户中第i个用户的优先值Qi;
排序模块,用于根据Qi对第一类用户进行排序,由排序结果得到用户对应的反馈次数统计值序列Uo;
计算模块,用于根据S1、预设第一类用户推送比例y以及Uo计算出第一类用户的推送人数H1,根据S1、y以及Fj计算出第二类用户的推送人数H2;
推送模块,用于从排序中按照Qi从大到小的顺序选出数量为H1的用户进行推送,从第二类用户中随机选取数量为H2的用户进行推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837078.8A CN116561603B (zh) | 2023-07-10 | 2023-07-10 | 一种基于数据分析的用户匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837078.8A CN116561603B (zh) | 2023-07-10 | 2023-07-10 | 一种基于数据分析的用户匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116561603A CN116561603A (zh) | 2023-08-08 |
CN116561603B true CN116561603B (zh) | 2023-09-01 |
Family
ID=87496909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310837078.8A Active CN116561603B (zh) | 2023-07-10 | 2023-07-10 | 一种基于数据分析的用户匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561603B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009018228A1 (en) * | 2007-07-27 | 2009-02-05 | Digital River, Inc. | Trial optimization system and method |
CN108074122A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 产品试用推荐方法、装置及服务器 |
CN109635200A (zh) * | 2018-12-18 | 2019-04-16 | 南京邮电大学 | 一种基于mmtd和用户的协同过滤推荐算法 |
CN113672797A (zh) * | 2020-05-13 | 2021-11-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918622B (zh) * | 2016-10-10 | 2022-06-03 | 阿里巴巴集团控股有限公司 | 内容推荐、展示方法、客户端、服务器和*** |
-
2023
- 2023-07-10 CN CN202310837078.8A patent/CN116561603B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009018228A1 (en) * | 2007-07-27 | 2009-02-05 | Digital River, Inc. | Trial optimization system and method |
CN108074122A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 产品试用推荐方法、装置及服务器 |
CN109635200A (zh) * | 2018-12-18 | 2019-04-16 | 南京邮电大学 | 一种基于mmtd和用户的协同过滤推荐算法 |
CN113672797A (zh) * | 2020-05-13 | 2021-11-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于贝叶斯网络认知反馈的协同过滤推荐;焦明海 等;控制工程;第24卷(第07期);第1310-1317页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116561603A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7104244B2 (ja) | ユーザタグ生成方法並びにその、装置、コンピュータプログラム及びコンピュータ機器 | |
Zhang et al. | Dissonance between human and machine understanding | |
Zhen et al. | TagiCoFi: tag informed collaborative filtering | |
Elsalamony | Bank direct marketing analysis of data mining techniques | |
Tang et al. | Ensemble contextual bandits for personalized recommendation | |
Sun et al. | Learning multiple-question decision trees for cold-start recommendation | |
CN108491511B (zh) | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 | |
Shi et al. | Local representative-based matrix factorization for cold-start recommendation | |
CN112559900B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Yakhchi et al. | Enabling the analysis of personality aspects in recommender systems | |
Levy et al. | Combining forecasts in the presence of ambiguity over correlation structures | |
CN114282054A (zh) | 一种视频推荐方法、装置、计算机设备和存储介质 | |
US20210019635A1 (en) | Group specific decision tree | |
US7562063B1 (en) | Decision support systems and methods | |
Truyen et al. | Preference networks: Probabilistic models for recommendation systems | |
Singh et al. | Impact of biclustering on the performance of biclustering based collaborative filtering | |
CN112784168A (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
Shams et al. | Cluster-based bandits: Fast cold-start for recommender system new users | |
Zhu et al. | Simultaneous estimation and group identification for network vector autoregressive model with heterogeneous nodes | |
Zhang | Enhancing diversity in top-n recommendation | |
CN116561603B (zh) | 一种基于数据分析的用户匹配方法及装置 | |
CN110264364B (zh) | 一种投资方的推荐方法 | |
CN111667298A (zh) | 用户个性化需求预测方法和*** | |
Kurup et al. | Aggregating reliable submissions in crowdsourcing systems |
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 |