CN117114820A - 离线用户与在线用户的最优推送指数计算方法和*** - Google Patents
离线用户与在线用户的最优推送指数计算方法和*** Download PDFInfo
- Publication number
- CN117114820A CN117114820A CN202311371639.6A CN202311371639A CN117114820A CN 117114820 A CN117114820 A CN 117114820A CN 202311371639 A CN202311371639 A CN 202311371639A CN 117114820 A CN117114820 A CN 117114820A
- Authority
- CN
- China
- Prior art keywords
- user
- push
- pushing
- index
- information
- 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 29
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims 2
- 239000000203 mixture Substances 0.000 claims 2
- 230000006399 behavior Effects 0.000 description 33
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了离线用户与在线用户的最优推送指数计算方法和***,涉及信息推送技术领域。该方法包括:采集用户信息;分析用户信息,以获得用户的特征信息,依据特征信息建立用户画像;确定推送内容的推送指数范围,从而确定推送策略;依据推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;按照预设的推送频率与优先级执行推送任务;S6、对推送指数和推送策略进行自适应调整;本发明结合用户行为数据和信息,能够针对不同的用户制定不同的推送策略,从而提高用户的购买和浏览率,同时经过反复调整,能够得出最优的推送指数,提高电商APP的推荐效果。
Description
技术领域
本发明涉及信息推送技术领域,尤其涉及离线用户与在线用户的最优推送指数计算方法和***。
背景技术
近年来,随着电商APP的兴起,推荐***逐渐成为电商APP的重要组成部分。电商APP的推荐***通常采用协同过滤、内容过滤等多种算法,通过分析用户行为、商品属性和用户人口统计等信息,向用户推荐相关的商品或服务。
然而,当前电商APP的推荐***存在许多问题,如推荐效果不佳、推荐结果不准确等。因此,如何通过分析用户信息和行为,提高推荐的精准度与有效性,是电商APP推荐***亟需解决的问题。
发明内容
本发明的目的是提供离线用户与在线用户的最优推送指数计算方法和***,其结合用户行为数据和信息,能够针对不同的用户制定不同的推送策略,从而提高用户的购买和浏览率,同时经过反复调整,能够得出最优的推送指数,提高电商APP的推荐效果。
为了实现上述目的,本发明公开了一种离线用户与在线用户的最优推送指数计算方法,其包括如下步骤:
S1、采集用户信息;
S2、建立用户画像,通过数据挖掘技术分析所述用户信息,以获得用户的特征信息,依据所述特征信息建立用户画像;
S3、制定推送策略,依据所述用户画像分析推送内容,并确定推送内容的推送指数范围,从而确定推送策略;
S4、计算推送指数,依据所述推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;
S5、执行推送,依据计算结果,按照预设的推送频率与所述优先级执行推送任务,以获得最优推送效果;
S6、自适应调整,根据用户反馈和用户行为变化,对所述推送指数和所述推送策略进行自适应调整,以对推送效果进行持续优化和提升。
较佳地,所述步骤S2具体包括:
将用户信息分为若干个不同的用户群体;
对每个用户群体进行独立分析,以得出不同用户群体的用户画像。
较佳地,所述步骤S3具体包括:
结合用户画像,并依据用户行为习惯、响应度,确定相应用户群体的推送指数范围,从而确定推送策略。
较佳地,所述步骤S3进一步包括:
结合用户画像,并依据推送目的,确定相应用户群体的推送指数范围,从而确定推送策略。
较佳地,所述用户信息包括用户基本信息、行为偏好信息、历史购买记录信息、商品浏览记录信息、搜索历史信息、地理位置信息和使用设备信息。
较佳地,所述特征信息包括兴趣偏好、消费能力和购物频率。
相应地,本发明还公开了一种离线用户与在线用户的最优推送指数计算***,其包括:
用户信息采集单元,被配置为采集用户信息;
用户画像建立单元,被配置为建立用户画像,通过数据挖掘技术分析所述用户信息,以获得用户的特征信息,依据所述特征信息建立用户画像;
推送策略制定单元,被配置为制定推送策略,依据所述用户画像分析推送内容,并确定推送内容的推送指数范围,从而确定推送策略;
推送指数计算单元,被配置为计算推送指数,依据所述推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;
推送任务执行单元,被配置为执行推送,依据计算结果,按照预设的推送频率与所述优先级执行推送任务,以获得最优推送效果;
推送跟踪分析单元,被配置为自适应调整,根据用户反馈和用户行为变化,对所述推送指数和所述推送策略进行自适应调整,以对推送效果进行持续优化和提升。
较佳地,所述用户画像建立单元包括:
拆分单元,被配置为将用户信息分为若干个不同的用户群体;
独立分析单元,被配置为对每个用户群体进行独立分析,以得出不同用户群体的用户画像。
较佳地,所述推送策略制定单元被配置为结合用户画像,并依据用户行为习惯、响应度,确定相应用户群体的推送指数范围,从而确定推送策略。
较佳地,所述推送策略制定单元还被配置为结合用户画像,并依据推送目的,确定相应用户群体的推送指数范围,从而确定推送策略。
与现有技术相比,本发明结合用户行为数据和信息,能够针对不同的用户制定不同的推送策略,从而提高用户的购买和浏览率,同时经过反复调整,能够得出最优的推送指数,提高电商APP的推荐效果。
附图说明
图1是本发明的离线用户与在线用户的最优推送指数计算方法的流程框图;
图2是本发明的用户分析***、场景分析***、计算***和推送***的结构关系示意图;
图3是本发明的离线用户与在线用户的最优推送指数计算***的结构框图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1所示,本实施例的离线用户与在线用户的最优推送指数计算方法包括如下步骤:
S1、采集用户信息;
S2、建立用户画像,通过数据挖掘技术分析所述用户信息,以获得用户的特征信息,依据所述特征信息建立用户画像;
S3、制定推送策略,依据所述用户画像分析推送内容,并确定推送内容的推送指数范围,从而确定推送策略;
S4、计算推送指数,依据所述推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;
S5、执行推送,依据计算结果,按照预设的推送频率与所述优先级执行推送任务,以获得最优推送效果;
S6、自适应调整,根据用户反馈和用户行为变化,对所述推送指数和所述推送策略进行自适应调整,以对推送效果进行持续优化和提升。
较佳地,所述步骤S2具体包括:
将用户信息分为若干个不同的用户群体;
对每个用户群体进行独立分析,以得出不同用户群体的用户画像。
较佳地,所述步骤S3具体包括:
结合用户画像,并依据用户行为习惯、响应度,确定相应用户群体的推送指数范围,从而确定推送策略。
较佳地,所述步骤S3进一步包括:
结合用户画像,并依据推送目的,确定相应用户群体的推送指数范围,从而确定推送策略。
较佳地,所述用户信息包括用户基本信息、行为偏好信息、历史购买记录信息、商品浏览记录信息、搜索历史信息、地理位置信息和使用设备信息。
较佳地,所述特征信息包括兴趣偏好、消费能力和购物频率。
请参阅图1和图2,本实施例的离线用户与在线用户的最优推送指数计算方法执行过程涉及到用户分析***、场景分析***、计算***和推送***,上述四大***可以使用计算机实现。具体地,通过在电商APP中引入本发明的推荐***,收集、处理和分析用户行为数据,实现离线用户和在线用户的推送策略,并实时推荐用户感兴趣的商品或类别。通过实时记录用户的推荐结果和反馈信息,并根据离线和在线推荐结果以及用户反馈信息,计算推送策略与点击率的指数。通过反复调整,得出最优的推送策略和商品。下面对本实施例的用户分析***、场景分析***、计算***和推送***分别进行叙述。
一、用户分析***
1、收集用户信息、用户设备信息和用户行为数据,其中,用户信息包括用户ID、年龄、性别、兴趣等;用户设备信息包括设备型号、操作***等;用户行为数据包括用户浏览网页记录、购买行为、点击事件等。
2、在进行特征值提取之前,需要对数据进行清洗和预处理。清洗数据可以去除缺失值、异常值和重复值等。预处理数据可以对数据进行归一化、标准化和降维等操作,以提高特征提取和分类的准确性和效率。
3、在数据预处理后,需要选择与用户有关的特征,并抽取这些特征作为用户的特征向量。特征选择采用相关系数分析相关性和Filter方法。其中,特征提取采用PCA降维方法保留数据主要特征,降低噪声与冗余信息,以减少数据维度和提高算法效率。
4、在提取用户特征后,采用最小最大值归一化方法对其进行标准化和归一化,以消除不同特征和样本之间的差异,以便于进行比较和分类。
5、在特征提取结束后,采用PCA算法进行特征组合,以提高特征的表达力和分类效果。
最终,通过上述步骤对用户的特征值进行提取、转化和组合,建立用户画像。
二、场景分析***
1、推送时间分析:
首先需要采集相关的用户行为数据,其包括用户每日、每周、每月的活跃时间、推送记录和用户转化情况等。然后对数据进行预处理,去除异常值和重复数据,把时间数据变为时间序列格式。
推送时间的客观指标主要包括推送转化率和转化时间。推送转化率可以用转化次数除以推送次数计算得出,转化时间可以用转化的时间点减去推送时间点计算得出。
推送时间的主观指标主要包括用户在线和活跃度情况、用户画像和兴趣偏好等。可以通过对用户行为数据进行分析,识别出不同用户群体在不同时间段的在线和活跃度情况,以及不同用户群体的喜好和兴趣爱好。
通过统计学方法的时间序列分析,基于客观和主观指标,可以建立推送时间的预测模型。
建立预测模型之后,对模型进行采用预测误差的评估方式进行调优,以保证模型的准确性和稳定性。
根据模型预测的结果,选择最佳的推送时间。
2、推送频次分析:
首先需要采集相关的用户行为数据,其包括用户每日、每周、每月的推送次数和用户转化情况等。然后对数据进行预处理,去除异常值和重复数据,把推送次数数据变为时间序列格式。
推送频次的客观指标主要包括推送转化率和推送间隔时间。推送转化率可以用转化次数除以推送次数计算得出,推送间隔时间可以用推送时间点之间的时间差计算得出。
推送频次的主观指标主要包括用户对推送的接受程度、用户疲劳度和用户画像等。可以通过对用户行为数据进行分析,识别出不同用户群体对推送频次的接受程度和疲劳度情况,以及不同用户群体的喜好和兴趣爱好。
基于客观和主观指标,可以建立推送频次的预测模型。基于机器学习的回归分析建立混合模型。
建立预测模型之后,对模型进行采用预测误差的评估方式进行调优,以保证模型的准确性和稳定性。
根据模型预测的结果,选择最佳的推送频次。
3、推送商品分析:
收集用户浏览、点击、购买、收藏等行为数据,同时获取商品信息,包括商品标题、描述、图片、价格、销量等相关信息。
清洗异常数据,处理缺失值,对数据进行归一化或者标准化处理,去除冗余信息和无关信息。
从商品信息和用户行为数据中提取特征,如用户浏览次数、点击率、购买率、收藏率等;商品的销量、价格波动、上架时间等。对文本信息进行处理,通过TF-IDF、Word2Vec将文本转换成特征向量。
根据用户行为和商品信息,构建正负样本。正样本为真实购买行为发生的商品,负样本为用户未购买的商品。
将数据集划分为训练集和测试集,用于训练模型和评估模型效果。
通过支持向量机算法对数据集进行训练。
利用节点划分条件对训练集数据训练,同时进行进行参数调优。
通过准确率、召回率、F1值对测试集进行评估模型的。
将训练好的模型应用于实际用户和商品数据,生成对应商品的推送权重指数。
4、在线与离线分析:
首先,收集用户的在线和离线数据,这可能包括用户的上下线时间、用户行为数据、用户与推送消息的互动数据、用户设备和使用环境等信息。
对收集到的数据进行清洗和整理,去除错误和重复的数据,处理缺失值和异常值,并按需要进行数据的合并、拆分和编码。
基于用户画像,推送时间分析结果,推送频次分析结果,推送商品分析结果,提取时间特征,用户特征,设备特征,频次特征等数据。
对提取出的特征数据进行分析,通过可视化、聚类等手段探索特征之间的关系,以及特征与用户在线离线状态之间的关系,以便为建立模型提供依据和指导。
根据分析结果和问题特点,选择合适的算法和模型进行训练。
通过交叉验证、A/B测试等方法对训练好的模型进行评估,分析其准确度、召回率等性能指标,根据评估结果对模型进行优化和调整。
将训练好的模型应用到预测在线和离线用户的场景中,为用户推送合适的信息。通过推送时间分析模型对用户可能的在线状态进行预测,对用户的反应进行分析,以及根据模型结果调整推送策略和优化推送效果。
持续监控模型在实际场景中的表现,定期使用新数据对模型进行训练和更新,以保持模型的准确性和有效性。
三、计算***
1、计算推送指数:
定义用户画像、推送时间、推送频次、推送商品分析特征值的计算权重。本实施例采用线性加权模型计算推送权重,公式如下:
用户画像特征权重=α1*年龄+α2*性别+α3*兴趣+α4*点击次数+α4*购买次数;
推送商品特征权重=α5*价格+α6*销量+α7*评分;
推送时间特征权重=α7*活跃时间+α7*推送转化率;
推送频次特征权重=α8*推送时间+α9*推送次数+α10*推送转化率;
推送商品特征权重=α11*价格+α12*销量+α13*评分;
在线与离线推送权重=β1*用户画像权重+β2*推送时间权重+β3*推送频次+β4*推送商品+β5*反馈值;
其中,α1...α13,β1...β5为代优化权重参数。
2、预设权重参数,取在线用户与离线用户的推送历史数据对以上权重参数通过小批量梯度下降进行优化,步骤如下:
1)随机取样,从历史数据中随机有趣一批数据。
2)前向传播,对于这批数据,将其输入到模型中进行前向传播,计算每个权重的输出值。
2)反向传播,计算每个权重的梯度,将其合并成一个梯度向量。具体来说,对于目标函数f(x)和一批数据,计算每个权重的梯度:
∇w_i=1/batch_size*∑j∈batch(∂f(x_j)/∂w_i),
其中,batch_size是批次的大小,x_j是第j个数据样本,w_i是第i个权重。
将所有权重的梯度合并起来,即得到整个模型的梯度向量:
g=[∇w1,∇w2,...,∇wm],
其中,m是权重的数量。
4)更新权重。使用以下公式更新每个权重的值:
w_i=w_i-θ*∇w_i,
其中,θ是学习率,∇w_i是第i个权重的梯度。
5)重复步骤1至步骤4),直到满足停止条件。常用的停止条件包括达到最大迭代次数、目标函数值变化不超过一个阈值等。
四、推送***
1、通过计算***计算在线与离线推送指数,筛选在线用户与离线用户,对推送用户、推送时间、推送频次、推送商品通过计算***计算获取优先级高的用户、商品与时间,然后按照计算结果进行推送。
2、建立实时监测***,监测推送成功率,推送响应时间,用户的点击率,流失率,以及提供用户反馈入口获取用户对推送的反馈情况。
3、在线推送实现方式:
1)服务端与APP建立TCP通讯连接:
在服务端和APP之间建立TCP通讯连接,可以采用WebSocket或者长连接等方式,以便实现推送实时性和高效性。
2)调用事件实现实时推送:
服务端通过调用应用程序编程接口(API),向APP发送消息推送事件,并实时将推送的消息发送给APP端。
3)记录用户接收推送时间:
APP接收到推送消息后,记录下接收到推送消息的时间戳,并将该时间戳发送给服务端。
4)记录用户点击推送内容时间:
当用户点击推送内容时,APP将用户点击推送的时间戳发送给服务端,以便服务端记录下用户点击推送的时间。
5)统计响应时间和用户点击率:
服务端收到用户的时间戳后,可以根据推送发送的时间戳和用户点击的时间戳,计算出用户的响应时间,并统计用户点击率。
6)优化推送算法和内容:
根据用户的响应时间和点击率,结合用户的行为数据和属性特征,优化推送算法和推送内容,提高推送的效果和用户的满意度。
总之,在线推送方式需要服务端和APP之间实时通讯,通过事件实现推送和响应,然后统计用户的行为数据,分析评估推送效果,优化推送算法和内容,从而提高用户的满意度和粘性。
4、离线推送实现方式:
采取第三方离线推送工具,通过调用推送API对离线用户进行推送,获取推送成功率、响应时间和点击次数,对流失用户进行特征标记,优化推送算法和内容,从而提高用户的满意度和粘性。同时需要不断地优化算法,对数据进行分析挖掘,不断提升推送的效果和用户满意度。
综上,本实施例的离线用户与在线用户的最优推送指数计算方法通过建立用户分析***,分析用户画像;建立场景分析***,对推送时间,推送频次,推送商品分析,在线用户与离线分析。建立计算***,结合用户画像,推送时间,推送频次,推送商品分别对在线与离线场景的的推送权重系数分析与计算,优化权重参数。建立推送***,根据计算***筛选最优的用户群体,推送赶时间,推送频次,推送商品,对在线与离线用户进行推送。搭建在线推送***实时推送,通过第三方工具进行离线推送,监测在线与离线推送情况,计算***不断对历史推送数据进行优化推送权重,其通过以上四个***协同工作,实现了对离线用户与在线用户的最优推送指数计算方法,提高了电商APP的用户推送效果,提升了用户体验和购买转化率。其核心思路如下:
首先,本发明通过收集、清洗和挖掘用户行为数据,识别出用户的频繁项集,并建立索引。
然后,本发明根据离线用户的历史行为和频繁项集,制定相应的推送策略,向用户推荐相应的商品或类别,以提高用户购买和浏览率。
同时,本发明根据在线用户的当前行为和历史频繁项集,对当前用户进行分析,并实时推送用户感兴趣的商品或类别。
在推送过程中,本发明实时记录用户的推荐结果和反馈信息,并根据离线和在线推荐结果以及用户反馈信息,计算离线用户推送策略与点击率的指数和在线用户推送策略与点击率的指数。
最后,本发明根据指数表现不断调整推荐策略,以提高用户购买和浏览率。通过反复调整,得出最优的推送指数,提高电商APP的推荐效果。
请参阅图3所示,相应地,本发明还公开了一种离线用户与在线用户的最优推送指数计算***,其包括:
用户信息采集单元10,被配置为采集用户信息;
用户画像建立单元20,被配置为建立用户画像,通过数据挖掘技术分析所述用户信息,以获得用户的特征信息,依据所述特征信息建立用户画像;
推送策略制定单元30,被配置为制定推送策略,依据所述用户画像分析推送内容,并确定推送内容的推送指数范围,从而确定推送策略;
推送指数计算单元40,被配置为计算推送指数,依据所述推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;
推送任务执行单元50,被配置为执行推送,依据计算结果,按照预设的推送频率与所述优先级执行推送任务,以获得最优推送效果;
推送跟踪分析单元60,被配置为自适应调整,根据用户反馈和用户行为变化,对所述推送指数和所述推送策略进行自适应调整,以对推送效果进行持续优化和提升。
较佳地,所述用户画像建立单元包括:
拆分单元,被配置为将用户信息分为若干个不同的用户群体;
独立分析单元,被配置为对每个用户群体进行独立分析,以得出不同用户群体的用户画像。
较佳地,所述推送策略制定单元被配置为结合用户画像,并依据用户行为习惯、响应度,确定相应用户群体的推送指数范围,从而确定推送策略。
较佳地,所述推送策略制定单元还被配置为结合用户画像,并依据推送目的,确定相应用户群体的推送指数范围,从而确定推送策略。
结合图1-图3,本发明结合用户行为数据和信息,能够针对不同的用户制定不同的推送策略,从而提高用户的购买和浏览率,同时经过反复调整,能够得出最优的推送指数,提高电商APP的推荐效果。
以上所揭露的仅为本发明的优选实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种离线用户与在线用户的最优推送指数计算方法,其特征在于,包括如下步骤:
S1、采集用户信息;
S2、建立用户画像,通过数据挖掘技术分析所述用户信息,以获得用户的特征信息,依据所述特征信息建立用户画像;
S3、制定推送策略,依据所述用户画像分析推送内容,并确定推送内容的推送指数范围,从而确定推送策略;
S4、计算推送指数,依据所述推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;
S5、执行推送,依据计算结果,按照预设的推送频率与所述优先级执行推送任务,以获得最优推送效果;
S6、自适应调整,根据用户反馈和用户行为变化,对所述推送指数和所述推送策略进行自适应调整,以对推送效果进行持续优化和提升。
2.如权利要求1所述的离线用户与在线用户的最优推送指数计算方法,其特征在于,所述步骤S2具体包括:
将用户信息分为若干个不同的用户群体;
对每个用户群体进行独立分析,以得出不同用户群体的用户画像。
3.如权利要求1所述的离线用户与在线用户的最优推送指数计算方法,其特征在于,所述步骤S3具体包括:
结合用户画像,并依据用户行为习惯、响应度,确定相应用户群体的推送指数范围,从而确定推送策略。
4.如权利要求3所述的离线用户与在线用户的最优推送指数计算方法,其特征在于,所述步骤S3进一步包括:
结合用户画像,并依据推送目的,确定相应用户群体的推送指数范围,从而确定推送策略。
5.如权利要求1所述的离线用户与在线用户的最优推送指数计算方法,其特征在于,所述用户信息包括用户基本信息、行为偏好信息、历史购买记录信息、商品浏览记录信息、搜索历史信息、地理位置信息和使用设备信息。
6.如权利要求1所述的离线用户与在线用户的最优推送指数计算方法,其特征在于,所述特征信息包括兴趣偏好、消费能力和购物频率。
7.一种离线用户与在线用户的最优推送指数计算***,其特征在于,包括:
用户信息采集单元,被配置为采集用户信息;
用户画像建立单元,被配置为建立用户画像,通过数据挖掘技术分析所述用户信息,以获得用户的特征信息,依据所述特征信息建立用户画像;
推送策略制定单元,被配置为制定推送策略,依据所述用户画像分析推送内容,并确定推送内容的推送指数范围,从而确定推送策略;
推送指数计算单元,被配置为计算推送指数,依据所述推送指数范围计算离线用户和在线用户的推送指数,并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级;
推送任务执行单元,被配置为执行推送,依据计算结果,按照预设的推送频率与所述优先级执行推送任务,以获得最优推送效果;
推送跟踪分析单元,被配置为自适应调整,根据用户反馈和用户行为变化,对所述推送指数和所述推送策略进行自适应调整,以对推送效果进行持续优化和提升。
8.如权利要求7所述的离线用户与在线用户的最优推送指数计算***,其特征在于,所述用户画像建立单元包括:
拆分单元,被配置为将用户信息分为若干个不同的用户群体;
独立分析单元,被配置为对每个用户群体进行独立分析,以得出不同用户群体的用户画像。
9.如权利要求7所述的离线用户与在线用户的最优推送指数计算***,其特征在于,所述推送策略制定单元被配置为结合用户画像,并依据用户行为习惯、响应度,确定相应用户群体的推送指数范围,从而确定推送策略。
10.如权利要求9所述的离线用户与在线用户的最优推送指数计算***,其特征在于,所述推送策略制定单元还被配置为结合用户画像,并依据推送目的,确定相应用户群体的推送指数范围,从而确定推送策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371639.6A CN117114820A (zh) | 2023-10-23 | 2023-10-23 | 离线用户与在线用户的最优推送指数计算方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371639.6A CN117114820A (zh) | 2023-10-23 | 2023-10-23 | 离线用户与在线用户的最优推送指数计算方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114820A true CN117114820A (zh) | 2023-11-24 |
Family
ID=88795096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371639.6A Pending CN117114820A (zh) | 2023-10-23 | 2023-10-23 | 离线用户与在线用户的最优推送指数计算方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114820A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850662A (zh) * | 2015-06-08 | 2015-08-19 | 浙江每日互动网络科技有限公司 | 一种基于用户画像的移动终端智能消息推送方法、服务器和*** |
CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
CN110472145A (zh) * | 2019-07-25 | 2019-11-19 | 维沃移动通信有限公司 | 一种内容推荐方法和电子设备 |
CN116862592A (zh) * | 2023-07-31 | 2023-10-10 | 广州有机云计算有限责任公司 | 一种基于用户行为的sop私域营销信息自动推送方法 |
-
2023
- 2023-10-23 CN CN202311371639.6A patent/CN117114820A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850662A (zh) * | 2015-06-08 | 2015-08-19 | 浙江每日互动网络科技有限公司 | 一种基于用户画像的移动终端智能消息推送方法、服务器和*** |
CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
CN110472145A (zh) * | 2019-07-25 | 2019-11-19 | 维沃移动通信有限公司 | 一种内容推荐方法和电子设备 |
CN116862592A (zh) * | 2023-07-31 | 2023-10-10 | 广州有机云计算有限责任公司 | 一种基于用户行为的sop私域营销信息自动推送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及*** | |
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
US10417650B1 (en) | Distributed and automated system for predicting customer lifetime value | |
CN103164804A (zh) | 一种个性化的信息推送方法及装置 | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
CN116205675B (zh) | 一种基于线程划分的数据采集方法及装置 | |
CN112085549A (zh) | 一种基于数据处理技术的电商平台用商品推荐方法 | |
Orogun et al. | Predicting consumer behaviour in digital market: a machine learning approach | |
CN110880127A (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
US11704540B1 (en) | Systems and methods for responding to predicted events in time-series data using synthetic profiles created by artificial intelligence models trained on non-homogenous time series-data | |
CN115760202A (zh) | 一种基于人工智能的产品运营管理***及方法 | |
CN116861076A (zh) | 基于用户流行度偏好的序列推荐方法及装置 | |
Mehta et al. | Collaborative personalized web recommender system using entropy based similarity measure | |
US20240202588A1 (en) | Systems and methods for cohort-based predictions in clustered time-series data in order to detect significant rate-of-change events | |
CN117271905B (zh) | 基于人群画像的侧向需求分析方法及*** | |
CN116320626B (zh) | 一种计算电商直播热度的方法及*** | |
CN117557306A (zh) | 基于行为、特征对消费者分类的管理*** | |
CN117333262A (zh) | 一种电子商务平台用的基于人工智能的大数据需求预测方法及*** | |
CN117237038A (zh) | 一种基于流量引擎的商品精准曝光处理*** | |
CN117131261A (zh) | 基于ai和大数据分析的电商内容推荐*** | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
JP4777941B2 (ja) | 需要予測方法および装置 | |
CN117114820A (zh) | 离线用户与在线用户的最优推送指数计算方法和*** | |
CN114817741A (zh) | 一种理财产品精准推荐方法及装置 | |
CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 |
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 |