CN117593096B - 产品信息智能推送方法、装置、电子设备和计算机介质 - Google Patents
产品信息智能推送方法、装置、电子设备和计算机介质 Download PDFInfo
- Publication number
- CN117593096B CN117593096B CN202410077091.2A CN202410077091A CN117593096B CN 117593096 B CN117593096 B CN 117593096B CN 202410077091 A CN202410077091 A CN 202410077091A CN 117593096 B CN117593096 B CN 117593096B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- product
- product information
- feature
- 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 48
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000004044 response Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 27
- 230000006399 behavior Effects 0.000 description 150
- 238000001914 filtration Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 11
- 238000004140 cleaning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了产品信息智能推送方法、装置、电子设备和计算机介质。该方法的一具体实施方式包括:基于获取的至少一个用户历史数据,构建用户画像集;对去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;将至少一个产品信息智能推送至处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;将过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;将产品信息推送结果存储至服务端。该实施方式提高了产品信息智能推送的处理速度,减少了产品信息的成本浪费,提高了产品转化率,减少了因潜在的用户流失造成的用户资源浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及产品信息智能推送方法、装置、电子设备和计算机介质。
背景技术
随着互联网的快速发展,产品信息智能推送逐渐普及。用户使用的产品信息,通常都需要根据用户的喜好去推送。产品信息智能推送是将多个产品信息智能推送给用户的一种技术,可以提高产品转化率。除产品信息智能推送外,对用户的隐私信息进行保护和准确获知用户的偏好可以缩短产品信息智能推送的周期,也是一种提高产品转化率的技术手段。另外,根据用户的行为信息对产品信息推送进行动态调整也是一种提高产品转化率的技术手段。目前,产品信息智能推送通常采用的方式为:通过分析大量用户的消费习惯,给用户推送不同的产品信息,来实现产品信息智能推送。
然而,当采用上述方式时,经常会存在如下技术问题:
第一,仅仅分析用户的消费习惯,不能全面的确定用户的偏好程度,由于用户的信息过于复杂,导致产品信息智能推送的能力受限,影响产品信息智能推送的处理速度,使得产品信息智能推送的结果不够精准,造成产品信息的成本浪费,降低了产品转化率。又由于无法对不同的用户进行个性化推送产品信息,导致潜在的用户流失,造成用户资源浪费。
第二,对用户行为信息进行处理时可能会出现用户信息泄露,使得用户的隐私信息不能得到安全保护。在智能推送时由于无法准确的获知用户的偏好,导致产品信息智能推送的周期较长,影响用户的体验感。
第三,无法根据用户的行为信息对产品信息推送进行动态调整,不能充分考虑点击率低的产品信息的产品转化率,造成该产品信息出现推送不及时的问题,以至于产生产品信息的资源浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了产品信息智能推送方法、装置、电子设备和计算机介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种产品信息智能推送方法,该方法包括:基于获取的至少一个用户历史数据,构建用户画像集;对上述用户画像集进行特征工程,得到用户画像特征集;对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集;对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集;对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;根据上述推送后产品信息集,生成用户行为信息集;对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表;将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;将上述产品信息推送结果存储至服务端。
第二方面,本公开的一些实施例提供了一种产品信息智能推送装置,装置包括:构建单元,被配置成基于获取的至少一个用户历史数据,构建用户画像集;特征工程单元,被配置成对上述用户画像集进行特征工程,得到用户画像特征集;多维度分类单元,被配置成对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集;去除单元,被配置成对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集;第一处理单元,被配置成对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;智能推送单元,被配置成将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;生成单元,被配置成根据上述推送后产品信息集,生成用户行为信息集;第二处理单元,被配置成对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表;确定单元,被配置成将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;存储单元,被配置成将上述产品信息推送结果存储至服务端。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的产品信息智能推送方法,提高了产品信息智能推送的处理速度,减少了产品信息的成本浪费,提高了产品转化率,减少了因潜在的用户流失造成的用户资源浪费。具体来说,造成产品信息智能推送的能力受限,产品信息智能推送的处理速度降低、产品信息的成本浪费,产品转化率降低,因潜在的用户流失造成用户资源浪费的原因在于:仅仅分析用户的消费习惯,不能全面的确定用户的偏好程度,由于用户的信息过于复杂,导致产品信息智能推送的能力受限,影响产品信息智能推送的处理速度,使得产品信息智能推送的结果不够精准,造成产品信息的成本浪费,降低了产品转化率。又由于无法对不同的用户进行个性化推送产品信息,导致潜在的用户流失,造成用户资源浪费。基于此,本公开的一些实施例的产品信息智能推送方法,首先,基于获取的至少一个用户历史数据,构建用户画像集。这里,可以更加全面的构建用户画像集。然后,对上述用户画像集进行特征工程,得到用户画像特征集。这里,可以更准确的了解到用户画像的多个特征,还可以根据用户画像特征集全面的确定用户的偏好程度。 之后,对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集。由此,可以把复杂的用户画像特征集通过多维度分类简单化,以便后续的处理。接着,对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集。由此,可以将不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,因减少了分类后用户画像特征的数量,从而解决了产品信息智能推送的能力受限的问题,也提升产品信息智能推送的处理速度。之后,对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集。由此,可以通过交运算处理得到重复的用户画像特征集,使得产品信息智能推送的结果更加精准,减少了产品信息的成本浪费。其次,将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集。由此,可以使得产品信息智能推送的结果更加精准,减少了产品信息的成本浪费,提高了产品转化率。再其次,根据上述推送后产品信息集,生成用户行为信息集。由此,可以通过产品的推送,得到用户的行为信息,从而便于更有针对性的对用户进行产品信息智能推送。接着,对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表。由此,可以通过协同过滤处理实现对不同的用户进行个性化推送产品信息。然后,将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果。由此,对潜在的用户进行再次产品信息推送,减少了***的流失,减少了用户资源的浪费。最后,将上述产品信息推送结果存储至服务端。由此,可以将上述产品信息推送结果存储至服务端以便随时对产品信息推送结果进行调用。因此,提高了产品信息智能推送的处理速度,减少了产品信息的成本浪费,同时,提高了产品转化率,减少了因潜在的用户流失造成的用户资源浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的产品信息智能推送方法的一些实施例的流程图;
图2是根据本公开的产品信息智能推送装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的产品信息智能推送方法的一些实施例的流程100。该产品信息智能推送方法,包括以下步骤:
步骤101,基于获取的至少一个用户历史数据,构建用户画像集。
在一些实施例中,产品信息智能推送方法的执行主体(例如,计算设备)可以通过有线连接或无线连接的方式基于获取的至少一个用户历史数据,构建用户画像集。
这里,上述用户画像集中的用户画像可以包括但不限于以下至少一项:用户姓名,用户性别,用户职业。上述用户历史数据可以是指用户在一段时间内产生用户行为的数据。例如,上述用户历史数据可以是指用户在2023年12月3日至2023年12月10日内搜索产品信息的数据。
作为示例,上述执行主体可以首先,通过有线连接或无线连接的方式获取至少一个用户历史数据。然后,对上述至少一个用户历史数据进行数据清洗,得到清洗后用户历史数据集。接着,对上述清洗后用户历史数据集中的每个清洗后用户历史数据进行特征提取,以生成清洗后用户历史数据特征组,得到清洗后用户历史数据特征组集。最后,对上述清洗后用户历史数据特征组集中的各个清洗后用户历史数据特征组进行特征整合,得到整合后用户历史数据特征集,作为用户画像集。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,对上述用户画像集进行特征工程,得到用户画像特征集。
在一些实施例中,上述执行主体可以对上述用户画像集进行特征工程,得到用户画像特征集。
这里,上述用户画像特征集中的用户画像特征可以用于表征用户画像的基本属性特征。上述基本属性特征可以包括但不限于以下至少一项:年龄特征,地域特征,职业特征,行为特征。上述行为特征可以表征用户的操作行为。例如,上述行为特征可以是指用户的浏览行为特征。
作为示例,上述执行主体可以首先将上述用户画像集进行多个预设目标类型整合,得到多类型用户画像组集。然后,对上述多类型用户画像组集中的各个多类型用户画像组进行类型筛选,得到筛选后用户画像类型组集。最后,对上述筛选后用户画像类型组集中的各个筛选后用户画像类型组进行合并,得到合并后用户画像特征集,作为用户画像特征集。上述多个预设目标类型中的预设目标类型可以是指预先设定的用户画像的类型。例如,上述多个预设目标类型中的预设目标类型可以是指年龄类型。
可选地,上述执行主体可以通过以下步骤对上述用户画像集进行特征工程,得到用户画像特征集:
第一步,对上述用户画像集进行数据预处理,得到预处理后用户画像集。
作为示例,上述执行主体可以对上述用户画像集进行异常数据去除,得到去除后用户画像集。然后,对上述去除后用户画像集进行数据清洗,得到清洗后用户画像集,作为预处理后用户画像集。
第二步,对上述预处理后用户画像集进行特征选择,得到预处理后用户画像特征集。
作为示例,上述执行主体可以对上述预处理后用户画像集进行特征提取,得到提取后用户画像特征集。然后,对上述提取后用户画像特征集进行过滤,得到过滤后用户画像特征集,作为预处理后用户画像特征集。
第三步,对上述预处理后用户画像特征集进行特征转换,得到转换后用户画像特征集。
作为示例,上述执行主体可以对上述预处理后用户画像特征集进行标准化处理,得到标准化后用户画像特征集。然后,对上述标准化后用户画像特征集进行归一化处理,得到归一化后用户画像特征集,作为转换后用户画像特征集。
第四步,对上述转换后用户画像特征集进行特征降维,得到用户画像特征集。
作为示例,上述执行主体可以利用主成分分析(Principal Component Analysis,PCA)对上述转换后用户画像特征集进行特征降维,得到用户画像特征集。
步骤103,对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集。
在一些实施例中,上述执行主体可以对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集。
这里,上述至少一个分类后用户画像特征组集中的分类后用户画像特征组集可以是指将用户画像特征集按照预设维度进行划分后的用户画像特征组集。上述分类后用户画像特征组集可以是指多个用户画像按照上述预设维度进行分组后得到的特征集合。
上述预设维度可以包括但不限于以下至少一项:年龄区间维度,额外价值区间维度(例如,收入区间维度)。上述年龄区间维度可以是指不同的年龄阶段的区间。例如,上述年龄区间维度可以是指年龄阶段区间为(20岁,30岁)以及(30岁,50岁)。上述额外价值区间维度可以是指不同的额外价值的梯度区间。上述额外价值可以是指通过劳动所获得的利润。例如,上述额外价值区间维度可以是指额外价值的梯度区间为(2000元,3500元),(3500元,5000元)以及(5000元,7000元)。
作为示例,上述执行主体可以首先,对上述用户画像特征集中的每个用户画像特征进行多个属性特征提取,以生成用户画像属性特征组,得到用户画像属性特征组集。其中,上述多个属性特征可以包括但不限于以下至少一项:年龄特征,行为特征。然后,对于上述用户画像属性特征组集中每个用户画像属性特征组,确定上述用户画像属性特征组中各个用户画像属性特征之间的距离矩阵,得到属性距离矩阵。其中,上述属性距离矩阵是二维矩阵,其中,上述二维矩阵中的每个元素表示两个用户画像属性特征之间的距离。接着,利用上述属性距离矩阵,对上述用户画像特征集中的各个用户画像特征进行分类,得到分类后用户画像特征组集。最后,将所得到的各个分类后用户画像特征组集确定为至少一个分类后用户画像组集。
可选地,上述执行主体可以通过以下步骤对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集:
第一步,对上述用户画像特征集进行年龄特征选择,得到用户画像年龄特征集。
这里,上述用户画像年龄特征集中的用户画像年龄特征可以用于表征用户画像的年龄特征。例如,上述用户画像年龄特征集中的用户画像年龄特征可以是指张三的年龄为20岁。
作为示例,上述执行主体可以首先对上述用户画像特征集进行数据清洗,得到清洗后用户画像特征集。然后,对上述清洗后用户画像特征集进行特征提取,得到提取后用户画像特征集。最后,将上述分析后用户画像特征集进行特征筛选,得到筛选后用户画像特征集,作为用户画像年龄特征集。
第二步,对上述用户画像年龄特征集进行自定义年龄区间划分,得到划分后用户画像年龄特征集。
这里,上述自定义年龄区间划分可以是指按照用户的年龄进行划分。例如,用户的年龄区间:[18岁,28岁],[29岁,39岁],[40岁,50岁],根据这三个区间对用户画像年龄特征集进行划分。
第三步,对上述用户画像特征集进行额外价值特征选择,得到用户画像额外价值特征集。
这里,上述用户画像额外价值特征集中的用户画像额外价值特征可以用于表征用户画像的额外价值特征。例如,上述用户画像额外价值特征集中的用户画像额外价值特征可以是指张三额外价值为5000元。
作为示例,上述执行主体可以首先对上述用户画像特征集进行数据清洗,得到清洗后用户画像特征集。然后,对上述清洗后用户画像特征集进行特征提取,得到提取后用户画像特征集。最后,将上述分析后用户画像特征集进行特征筛选,得到筛选后用户画像特征集,作为用户画像额外价值特征集。
第三步,对上述用户画像额外价值特征集进行自定义额外价值区间划分,得到划分后用户画像额外价值特征集。
这里,上述自定义额外价值区间划分可以是指按照用户的额外价值进行划分。例如,用户的额外价值区间:[2000元,4000元),[4000元,6000元),[6000元,8000元),[8000元,+∞),根据这四个区间对用户画像额外价值特征集进行划分。
第四步,对上述用户画像特征集进行地域特征选择,得到用户画像地域特征集。
这里,上述用户画像地域特征集中的用户画像地域特征可以用于表征用户画像的地域特征。例如,上述用户画像地域特征集中的用户画像地域特征可以是指用户画像的归属地特征。
作为示例,上述执行主体可以首先对上述用户画像特征集进行数据清洗,得到清洗后用户画像特征集。然后,对上述清洗后用户画像特征集进行特征提取,得到提取后用户画像特征集。最后,将上述分析后用户画像特征集进行特征筛选,得到筛选后用户画像特征集,作为用户画像地域特征集。
第五步,对上述用户画像地域特征集进行自定义地域范围划分,得到划分后用户画像地域特征集。
这里,上述自定义地域范围划分可以是指按照用户的地域范围进行划分。例如,用户的地域范围:北京市区,北京郊区。根据这两个个范围对用户画像额外价值特征集进行划分。
第六步,对上述用户画像特征集进行历史行为特征选择,得到用户画像历史行为特征集。
这里,上述用户画像历史行为特征集中的用户画像历史行为特征可以用于表征用户画像的历史行为特征。例如,上述用户画像历史行为特征集中的用户画像历史行为特征可以是指用户画像的浏览行为特征。
作为示例,上述执行主体可以首先对上述用户画像特征集进行数据清洗,得到清洗后用户画像特征集。然后,对上述清洗后用户画像特征集进行特征提取,得到提取后用户画像特征集。最后,将上述分析后用户画像特征集进行特征筛选,得到筛选后用户画像特征集,作为用户画像历史行为特征集。
第七步,对上述用户画像历史行为特征集进行划分,得到划分后用户画像历史行为特征集。
第八步,将上述划分后用户画像年龄特征集,上述划分后用户画像额外价值特征集,上述划分后用户画像地域特征集和上述划分后用户画像历史行为特征集确定为至少一个分类后用户画像组集。
步骤104,对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集。
在一些实施例中,上述执行主体可以对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集。
这里,上述预设用户画像特征条件可以是指预先设定的用户画像的年龄特征为大于18岁或额外价值特征为大于4000元的条件。上述去除可以是指删除。
步骤105,对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集。
在一些实施例中,上述执行主体可以对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集。
作为示例,上述执行主体可以首先对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行重复特征提取,得到重复用户画像特征集,作为处理后用户画像特征集。其中,上述重复特征可以是指姓名特征。
步骤106,将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集。
在一些实施例中,上述执行主体可以将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集。
这里,上述至少一个产品信息中的产品信息可以包括产品及产品相关信息。例如,上述至少一个产品信息中的产品信息可以是指金融产品及金融产品的名称信息。上述推送后产品信息集中的推送后产品信息可以是指推送给处理后用户画像特征集中处理后用户画像特征对应用户后的产品信息。
作为示例,上述执行主体可以首先对上述处理后用户画像特征集对应的至少一个用户进行需求分析,得到用户需求分析集。然后,对上述用户需求分析集进行产品信息匹配,得到匹配后用户需求产品信息集。之后,将上述匹配后用户需求产品信息集推送给上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集。
可选地,在上述将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集之后,上述方法还包括:
第一步,对上述推送后产品信息集中的各个推送后产品信息的用户点击率进行确定,得到推送后产品信息点击率集。
这里,上述推送后产品信息点击率集中的推送后产品信息点击率可以是指将产品信息推送给用户之后用户对产品信息进行点击的比率。上述用户点击率可以是指产品信息被用户点击的比率。
第二步,对上述推送后产品信息点击率集中的超过预设点击率的至少一个推送后产品信息点击率进行线性加权,得到加权后产品信息点击率集。
这里,上述预设点击率可以是指预先设定的点击比率。例如,上述预设点击率可以是指0.8。
第三步,对上述加权后产品信息点击率集中各个加权后产品信息点击率对应的产品信息进行跨平台推送,得到产品信息推送结果。
这里,上述跨平台推送可以是指通过不同的渠道进行推送。例如,这里,上述跨平台推送可以是指通过电子邮件进行推送。
作为示例,上述执行主体可以首先确定跨平台推送的至少一个目标平台,得到目标平台集。然后,将上述加权后产品信息点击率集中各个加权后产品信息点击率对应的产品信息分别推送至上述目标平台集中的各个目标平台,得到产品信息推送结果。
第四步,响应于确定上述产品信息推送结果的推送率大于等于预设推送率,对大于等于预设推送率的产品信息推送结果对应的至少一个标注后产品信息进行推送成功标记。
这里,上述预设推送率可以是指预先设定的推送比率。例如,上述预设推送率可以是指0.9。
第五步,响应于确定上述产品信息推送结果的推送率小于预设推送率,将小于预设推送率的产品信息推送结果对应的至少一个标注后产品信息确定为待推送产品信息集。
这里,上述待推送产品信息集中的待推送产品信息可以是指需要再次推送的产品信息。
第六步,对上述推送后产品信息点击率集与加权后产品信息点击率集进行差集操作,得到操作后产品信息点击率集。
作为示例,上述执行主体可以将上述推送后产品信息点击率集减去上述加权后产品信息点击率集,得到操作后产品信息点击率集。
第七步,将上述待推送产品信息集中的各个待推送产品信息的用户点击率进行确定,得到已推送产品信息点击率集。
第八步,将上述操作后产品信息点击率集与上述已推送产品信息点击率集合并为产品信息点击率集。
作为示例,上述执行主体可以将上述操作后产品信息点击率集与上述已推送产品信息点击率集组合为产品信息点击率集。
第九步,对上述产品信息点击率集进行知识图谱构建,得到产品信息知识图谱。
这里,上述产品信息知识图谱可以是指将图谱中的节点和对应的边,进行连接的图谱,其中,图谱中的节点为产品信息点击率,图谱中的边为产品信息点击率对应的产品信息。
作为示例,上述执行主体可以利用图数据库对上述产品信息点击率集进行知识图谱构建,得到产品信息知识图谱。
第十步,对上述产品信息知识图谱进行模糊谱聚类算法处理,得到聚类后产品信息特征向量。
作为示例,上述执行主体可以首先确定产品信息知识图谱中每个节点的向量,然后,对每个向量进行聚类操作,以确定每个节点所属的聚类,得到聚类后产品信息特征向量。
第十一步,对上述聚类后产品信息特征向量进行指标估计处理,得到产品信息估计结果。
这里,上述指标估计处理可以是指模糊轮廓系数处理。上述产品信息估计结果可以是指用于衡量产品信息结果的好坏的评估值。
第十二步,响应于确定上述产品信息估计结果大于预设估计条件,将上述产品信息估计结果对应的产品信息知识图谱中的各个节点进行推送成功标记。
这里,上述预设估计条件可以是产品信息估计结果对应的值大于预设估计值。例如,上述预设估计值可以是指5。
上述第一步-第十二步中的相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题三“无法根据用户的行为信息对产品信息推送进行动态调整,不能充分考虑点击率低的产品信息的产品转化率,造成该产品信息出现推送不及时的问题,以至于产生产品信息的资源浪费”。导致产品信息的资源浪费的因素往往如下:无法根据用户的行为信息对产品信息推送进行动态调整,不能充分考虑点击率低的产品信息的产品转化率,造成该产品信息出现推送不及时的问题,以至于产生产品信息的资源浪费。如果解决了上述因素,就能达到可以根据用户的行为信息对产品信息推送进行动态调整,避免产生产品信息的资源浪费的效果。为了达到这一效果,第一步,对上述推送后产品信息集中的各个推送后产品信息的用户点击率进行确定,得到推送后产品信息点击率集。由此,可以便于后续操作。第二步,对上述推送后产品信息点击率集中的超过预设点击率的至少一个推送后产品信息点击率进行线性加权,得到加权后产品信息点击率集。由此,可以将点击率数值较大的推送后产品信息的权重增大,将点击率数值较小的推送后产品信息的权重减小,可以根据用户的行为信息对产品信息推送进行动态调整。第三步,对上述加权后产品信息点击率集中各个加权后产品信息点击率对应的产品信息进行跨平台推送,得到产品信息推送结果。由此,可以通过跨平台推送充分考虑到点击率低的产品信息的产品转化率。第四步,响应于确定上述产品信息推送结果的推送率大于等于预设推送率,对大于等于预设推送率的产品信息推送结果对应的至少一个标注后产品信息进行推送成功标记。由此,可以通过标记更清楚地知道产品信息的推送情况,解决该产品信息出现推送不及时的问题。第五步,响应于确定上述产品信息推送结果的推送率小于预设推送率,将小于预设推送率的产品信息推送结果对应的至少一个标注后产品信息确定为待推送产品信息集。由此,可以将未推送成功的产品信息筛选出来。第六步,对上述推送后产品信息点击率集与加权后产品信息点击率集进行差集操作,得到操作后产品信息点击率集。由此,可以将点击率低于预设点击率对应的的推送后产品信息筛选出来,可以减少产品信息资源的浪费。第七步,将上述待推送产品信息集中的各个待推送产品信息的用户点击率进行确定,得到已推送产品信息点击率集。第八步,将上述操作后产品信息点击率集与上述已推送产品信息点击率集合并为产品信息点击率集。第九步,对上述产品信息点击率集进行知识图谱构建,得到产品信息知识图谱。由此,可以更全面的考虑点击率低的产品信息的产品转化率第十步,对上述产品信息知识图谱进行模糊谱聚类算法处理,得到聚类后产品信息特征向量。由此,可以让产品信息知识图谱更加精准。第十一步,对上述聚类后产品信息特征向量进行指标估计处理,得到产品信息估计结果。第十二步,响应于确定上述产品信息估计结果大于预设估计条件,将上述产品信息估计结果对应的产品信息知识图谱中的各个节点进行推送成功标记。由此,解决了该产品信息出现推送不及时的问题。因此,可以根据用户的行为信息对产品信息推送进行动态调整,避免产生产品信息的资源浪费。
步骤107,根据上述推送后产品信息集,生成用户行为信息集。
在一些实施例中,上述执行主体可以根据上述推送后产品信息集,生成用户行为信息集。
这里,上述用户行为信息集中的用户行为信息可以是指用户面对上述推送后产品信息集中的推送后产品信息产生的行为信息。例如。上述用户行为信息集中的用户行为信息可以是指用户浏览了推送后产品信息集中的推送后产品信息。
作为示例,上述执行主体可以首先对上述推送后产品信息集进行状态检测,得到检测后产品信息集。然后对上述检测后产品信息集进行数据清洗,得到清洗后产品信息集。然后,对上述清洗后产品信息集进行用户行为分析,得到分析后产品信息集。最后,对上述分析后产品信息集中的各个分析后产品信息对应的用户行为信息进行提取,得到提取后用户行为信息集,作为用户行为信息集。
可选地,上述执行主体可以通过以下步骤根据上述推送后产品信息集,生成用户行为信息集:
第一步,将上述推送后产品信息集中的推送后产品信息与对应的用户信息进行关联,得到产品关联信息集。
作为示例,上述执行主体可以将上述推送后产品信息集中的推送后产品信息与对应的用户信息进行组合,得到组合后产品用户信息集,作为产品关联信息集。
第二步,对上述产品关联信息集进行行为类型分析,得到分析结果集。
第三步,对于上述分析结果集中的每个分析结果,执行以下处理步骤:
第一子步骤,响应于确定上述分析结果为浏览行为,将上述分析结果对应的产品关联信息确定为浏览行为信息。
第二子步骤,响应于确定上述分析结果为价值流动行为,将上述分析结果对应的产品关联信息确定为价值流动行为信息。
第三子步骤,响应于确定上述分析结果为收藏行为,将上述分析结果对应的产品关联信息确定为收藏行为信息。
第四步,将所得到的至少一个行为信息确定为用户行为信息集。
可选地,在上述根据上述推送后产品信息集,生成用户行为信息集之后,上述方法还包括:
第一步,将上述用户行为信息集进行上下文信息分析,得到分析后用户行为信息集。
这里,上述上下文信息可以是指上述用户行为信息集中的用户行为信息对应的扩展信息。这里。上述扩展信息可以是指额外添加的信息。上述扩展信息可以包括但不限于以下至少一项:时间信息,场景信息,设备信息。例如,上述上下文信息可以是指上述用户行为信息集中的用户行为信息对应的时间信息。
第二步,根据上述分析后用户行为信息集中的每个分析后用户行为信息,构建用户行为上下文特征信息,得到用户行为上下文特征信息集。
作为示例,上述执行主体可以首先确定用户行为信息集中各个用户行为信息的上下文信息,得到上下文信息集。然后,将上述上下文信息集与上述用户行为信息集进行信息整合,得到整合后用户行为上下文特征信息集,作为用户行为上下文特征信息集。
第三步,将上述用户行为上下文特征信息集中的用户行为上下文特征信息与上述处理后用户画像特征集中的处理后用户画像特征进行融合,得到融合后用户画像特征集。
作为示例,上述执行主体可以将上述用户行为上下文特征信息集中的用户行为上下文特征信息与上述处理后用户画像特征集中的处理后用户画像特征进行组合,得到组合后用户画像特征集,作为融合后用户画像特征集。
第四步,将上述融合后用户画像特征集中的每个融合后用户画像特征进行产品信息智能推送,以生成推送后用户产品信息,得到推送后用户产品信息集。
作为示例,上述执行主体可以通过协同过滤将上述融合后用户画像特征集中的每个融合后用户画像特征进行产品信息智能推送,以生成推送后用户产品信息,得到推送后用户产品信息集。
第五步,根据上述推送后用户产品信息集,生成推送后用户行为信息集。
作为示例,上述执行主体可以首先对上述推送后用户产品信息集进行状态检测,得到检测后用户产品信息集。然后对上述检测后用户产品信息集进行数据清洗,得到清洗后用户产品信息集。然后,对上述清洗后用户产品信息集进行用户行为分析,得到分析后用户产品信息集。最后,对上述分析后用户产品信息集中的各个分析后用户产品信息对应的用户行为信息进行提取,得到提取后用户行为信息集,作为推送后用户行为信息集。
第六步,将上述推送后用户行为信息集中的各个推送后用户行为信息与上述用户行为信息集中的各个用户行为信息进行点击率排序,得到排序结果。
作为示例,上述执行主体可以将上述推送后用户行为信息集中的各个推送后用户行为信息与上述用户行为信息集中的各个用户行为信息以递增的方式进行点击率排序,得到排序结果。
第七步,将上述排序结果中大于预设点击率对应的至少一个用户行为信息和至少一个推送后用户行为信息确定为目标用户行为信息集。
可选地,在上述根据上述推送后产品信息集,生成用户行为信息集之后,上述方法还包括:
第一步,对上述用户行为信息集进行行为指标确定,得到行为信息指标集。
这里,上述行为信息指标集可以包括但不限于以下至少一项:价值流动频率指标(购买频率),价值流动金额(购买金额)。
作为示例,上述执行主体可以首先对上述用户行为信息集进行数据预处理,得到预处理后用户行为信息集。然后,对上述预处理后用户行为信息集进行行为分析,得到分析后用户行为信息集。然后,对上述分析后用户行为信息集进行行为指标划分,得到划分后用户行为信息集。最后,将上述划分后用户行为信息集确定为行为信息指标集。
第二步,对上述行为信息指标集中的每个行为信息指标进行行为特征分析,以生成分析后行为特征信息,得到分析后行为特征信息集。
第三步,对上述分析后行为特征信息集中的每个分析后行为特征信息进行用户群体标注,以生成用户群体标注信息,得到用户群体标注信息集。
这里,上述用户群体可以是指不同额外价值水平的用户群体。例如,上述用户群体可以是指额外价值为8000元的用户和额外价值为3000元的用户。
作为示例,上述执行主体可以对上述分析后行为特征信息集中的各个分析后行为特征信息进分类,得到分类后行为特征信息组集。然后,对上述分类后行为特征信息组集中的各个分类后行为特征信息组进行用户群体标签标注,得到标注后行为特征信息集,作为用户群体标注信息集。
第四步,响应于确定上述用户群体标注信息集中存在为第一用户信息的用户群体标注信息,对用户群体标注信息为第一用户信息对应的至少一个用户信息进行第一产品信息推送,得到第一推送结果集。
这里,上述第一用户信息可以是指额外价值超过6000元的用户信息。上述第一产品信息可以是指价值超过1000元的产品信息。上述第一推送结果集可以是指给至少一个第一用户信息推送上述第一产品信息的推送情况。
第五步,响应于确定上述用户群体标注信息集中存在为第二用户信息的用户群体标注信息,对用户群体标注信息为第二用户信息对应的至少一个用户信息进行第二产品信息推送,得到第二推送结果集。
这里,上述第二用户信息可以是指额外价值不超过6000元的用户信息。上述第二产品信息可以是指价值不超过1000元的产品信息。上述第二推送结果集可以是指给至少一个第二用户信息推送上述第二产品信息的推送情况。
第六步,针对上述第一推送结果集和上述第二推送结果集中推送失败的至少一个用户信息,将上述第一产品信息和上述第二产品信息分别进行产品信息替换,得到替换后第一产品信息和替换后第二产品信息。
这里,上述替换后第一产品信息可以是指与上述第一产品信息不同的产品信息。上述替换后第二产品信息可以是指与上述第二产品信息不同的产品信息。
第七步,将上述替换后第一产品信息推送至上述第一推送结果集中推送失败的至少一个用户信息,得到第三推送结果集。
这里,上述第三推送结果集可以是指给推送失败的至少一个用户信息推送上述替换后第一产品信息的推送情况。
作为示例,上述执行主体可以将上述第一推送结果集中推送失败的至少一个用户信息确定为第一待推送用户信息集。然后,将上述替换后第一产品信息推送至待第一推送用户信息集,得到第三推送结果集。
第八步,将上述替换后第二产品信息推送至上述第二推送结果集中推送失败的至少一个用户信息,得到第四推送结果集。
这里,上述第四推送结果集可以是指给推送失败的至少一个用户信息推送上述替换后第二产品信息的推送情况。
作为示例,上述执行主体可以将上述第二推送结果集中推送失败的至少一个用户信息确定为第二待推送用户信息集。然后,将上述替换后第二产品信息推送至第二待推送用户信息集,得到第三推送结果集。
第九步,响应于确定上述第三推送结果集和上述第四推送结果集均为推送成功,对上述第三推送结果集和上述第四推送结果集进行用户反馈信息收集,得到用户反馈信息集。
步骤108,对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表。
在一些实施例中,上述执行主体可以对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表。
这里,上述过滤后产品推送信息列表可以是指包含多个过滤后产品推送信息的列表。上述多个过滤后产品推送信息中的过滤后产品推送信息可以是指对上述用户行为信息集中的用户行为信息对应的用户进行目标产品信息推送后得到的产品推送信息。上述目标产品信息可以是指针对用户行为信息集中的用户行为信息推送的用户偏好产品信息。
作为示例,上述执行主体可以首先对上述用户行为信息集中的各个用户行为信息进行相似度确定,得到相似度集。然后,将相似度集中大于预设相似度的至少一个用户行为信息对应的用户确定为相似用户集。然后,对上述相似用户集进行产品信息推送,得到至少一个产品信息,作为过滤后产品推送信息列表。
可选地,上述执行主体可以通过以下步骤对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表:
第一步,对上述用户行为信息集中的各个用户行为信息进行信息干扰,得到干扰后用户信息集。
这里,上述干扰后用户信息集中的干扰后用户信息可以是指含有噪声的用户信息。
作为示例,上述执行主体可以利用随机响应 (randomized response) 技术在上述用户行为信息集中的各个用户行为信息添加拉普拉斯噪声,得到添加后用户信息集,作为干扰后用户信息集。
第二步,对上述干扰后用户信息集进行信息加密,得到加密后用户信息集。
作为示例,上述执行主体可以利用同态加密(Homomorphic encryption)技术对上述干扰后用户信息集进行信息加密,得到加密后用户信息集。
第三步,根据上述加密后用户信息集,生成用户特征矩阵和产品特征矩阵。
这里,上述用户特征矩阵表示用户的偏好特征,上述用户特征矩阵中的元素表示用户的偏好程度。例如,上述用户特征矩阵中的元素表示用户的兴趣领域。上述产品特征矩阵表示产品的特征。上述产品特征矩阵中的元素表示产品在某个特定特征上的取值。例如,上述产品特征矩阵中的元素可以是指产品在产品价值上的取值。
作为示例,上述执行主体可以首先对上述加密后用户信息集进行解密,得到解密后用户信息集。然后,对上述解密后用户信息集进行特征提取,得到提取后用户特征信息集。接着,对上述提取后用户特征信息集进行产品特征提取,得到产品特征向量,以及将上述产品特征向量填充为产品特征矩阵。最后,对上述提取后用户特征信息集进行用户特征提取,得到用户特征向量,以及将上述用户特征向量填充为用户特征矩阵。
第四步,对上述用户特征矩阵和产品特征矩阵进行最小二乘法处理,得到用户产品特征矩阵。
这里,上述用户产品特征矩阵表示用户对产品的偏好特征。上述用户产品特征矩阵中的元素表示用户对产品的偏好程度。
作为示例,上述执行主体可以通过NumPy对上述用户特征矩阵和产品特征矩阵进行最小二乘法处理,得到用户产品特征矩阵。
第五步,确定上述用户特征矩阵和上述产品特征矩阵的内积值。
这里,上述内积值可以是指上述用户特征矩阵和上述产品特征矩阵的对应位置元素先相乘后相加。上述对应位置元素可以是指相同位置的元素。例如,上述对应位置元素可以是指第一行第一列的元素。
第六步,根据上述内积值和用户产品特征矩阵,预测上述用户行为信息集对应的各个用户对产品信息的评分信息,得到评分信息集。
这里,上述评分信息集中的评分信息可以是指用户对产品信息的打分信息。例如,上述评分信息集中的评分信息可以是指用户对产品信息的打分为80分。
作为示例,上述执行主体可以利用机器学习库(例如,TensorFlow)结合上述内积值和用户产品特征矩阵,对上述用户行为信息集对应的各个用户对产品信息的评分信息进行预测,得到评分信息集。
第七步,根据上述评分信息集,对上述各个用户中的每个用户进行产品信息推送列表生成,得到产品信息推送列表集。
第八步,对上述产品信息推送列表集进行降噪处理,得到降噪后产品信息推送列表集。
作为示例,上述执行主体可以对上述产品信息推送列表集进行用户信息反馈,得到反馈后产品信息推送列表集。然后,对上述反馈后产品信息推送列表集中价值流动率低于预设阈值的反馈后产品信息推送列表进行删除,得到删除后产品信息推送列表集,作为降噪后产品信息推送列表集。其中,上述预设阈值可以是指预先设定的阈值。
第九步,将上述降噪后产品信息推送列表集中的各个降噪后产品信息推送列表进行合并,得到合并后产品信息推送列表。
作为示例,上述执行主体可以将上述降噪后产品信息推送列表集中的各个降噪后产品信息推送列表进行组合,得到组合后产品信息推送列表,作为合并后产品信息推送列表。
第十步,将上述合并后产品信息推送列表确定为过滤后产品推送信息列表。
上述第一步-第十步中的相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题二“对用户行为信息进行处理时可能会出现用户信息泄露,使得用户的隐私信息不能得到安全保护。在智能推送时由于无法准确的获知用户的偏好,导致产品信息智能推送的周期较长,影响用户的体验感”。导致产品信息智能推送的周期较长的因素往往如下:对用户行为信息进行处理时可能会出现用户信息泄露,使得用户的隐私信息不能得到安全保护。在智能推送时由于无法准确的获知用户的偏好,导致产品信息智能推送的周期较长,影响用户的体验感。如果解决了上述因素,就能达到保护用户的隐私安全,缩短产品信息智能推送的周期的效果。为了达到这一效果,首先,第一步,对上述用户行为信息集中的各个用户行为信息进行信息干扰,得到干扰后用户信息集。由此,可以增加用户行为信息的隐私保护。第二步,对上述干扰后用户信息集进行信息加密,得到加密后用户信息集。由此,可以进一步加强用户行为信息的隐私保护,防止信息泄露。第三步,根据上述加密后用户信息集,生成用户特征矩阵和产品特征矩阵。由此,可以方便后续的处理。第四步,对上述用户特征矩阵和产品特征矩阵进行最小二乘法处理,得到用户产品特征矩阵。由此,可以便于预测用户对产品信息的评分信息。第五步,确定上述用户特征矩阵和上述产品特征矩阵的内积值。第六步,根据上述内积值和用户产品特征矩阵,预测上述用户行为信息集对应的各个用户对产品信息的评分信息,得到评分信息集。由此,可以确定用户对产品信息的偏好程度。解决了在智能推送时由于无法准确的获知用户的偏好,导致产品信息智能推送的周期较长的问题。第七步,根据上述评分信息集,对上述各个用户中的每个用户进行产品信息推送列表生成,得到产品信息推送列表集。由此,可以根据用户的偏好进行产品信息推送,提高了用户的体验感。第八步,对上述产品信息推送列表集进行降噪处理,得到降噪后产品信息推送列表集。由此,可以得到更加全面的推送效果。第九步,将上述降噪后产品信息推送列表集中的各个降噪后产品信息推送列表进行合并,得到合并后产品信息推送列表。由此,可以在智能推送时较为准确的获知用户的偏好,缩短产品信息智能推送的周期。第十步,将上述合并后产品信息推送列表确定为过滤后产品推送信息列表。因此,可以通过对用户行为信息进行加密来保护用户的隐私安全,通过评分信息可以在智能推送时较为准确的获知用户的偏好,从而缩短产品信息智能推送的周期。
步骤109,将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果。
在一些实施例中,上述执行主体可以将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果。
这里,上述价值流动率可以是指产品信息产生的价值输出与总价值的比率。例如,上述价值流动率可以是指价值流动率。上述预设价值流动率可以是指预先设定的产品信息产生的价值输出与总价值的比率。例如,上述预设价值流动率可以是指0.5。
可选地,上述执行主体可以通过以下步骤对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表:
第一步,将上述用户行为信息集中对应的各个用户信息确定为用户信息集。
这里,上述用户信息集中的用户信息可以是指用户的基本信息。例如,上述用户信息集中的用户信息可以是指用户的姓名信息。
第二步,将上述用户行为信息集中对应的各个产品信息确定为产品信息集。
这里,上述产品信息集中的产品信息可以是指产品的基本信息。例如,上述产品信息集中的产品信息可以是指产品的名称信息。
第三步,根据上述用户信息集和上述产品信息集,构建用户产品矩阵,其中,上述用户产品矩阵的行表征用户信息,上述用户产品矩阵的列表征产品信息,上述用户产品矩阵的元素表征用户信息对产品信息的评分信息。
第四步,根据上述用户产品矩阵,确定上述用户信息集中每两个用户信息之间的相似度和上述产品信息集中每两个产品信息之间的相似度,得到用户信息相似度集和产品信息相似度集。
作为示例,上述执行主体可以通过余弦相似度根据上述用户产品矩阵,确定上述用户信息集中每两个用户信息之间的相似度和上述产品信息集中每两个产品信息之间的相似度,得到用户信息相似度集和产品信息相似度集。
第五步,将上述用户信息相似度集中大于预设相似度阈值的至少一个用户信息相似度确定为目标用户信息相似度集。
这里,上述预设相似度阈值可以是指预先设定的相似度的阈值。上述目标用户相似度集中的目标用户相似度可以是指上述用户信息相似度集中大于预设相似度阈值的用户信息相似度。
第六步,对于上述目标用户信息相似度集中的每个目标用户信息相似度,从上述产品信息相似度集中筛选出与目标用户信息相似度对应的至少一个产品信息相似度。
第七步,将上述至少一个产品信息相似度中各个产品信息相似度对应的产品信息确定为目标产品信息组,得到目标产品信息组集。
第八步,将上述目标产品信息组集从上述产品信息集进行去除,得到去除后产品信息集。
作为示例,上述执行主体可以将上述目标产品信息组集从上述产品信息集进行删除,得到删除后产品信息集,作为去除后产品信息集。
第九步,将上述去除后产品信息集中的各个去除后产品信息添加至待推送列表,得到添加后待推送列表,作为过滤后产品推送信息列表。
步骤110,将上述产品信息推送结果存储至服务端。
在一些实施例中,上述执行主体可以将上述产品信息推送结果存储至服务端。
这里,上述服务端可以是指接收并存储产品信息推送结果的服务器端程序。例如。上述服务端可以是指数据库服务器。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的产品信息智能推送方法,提高了产品信息智能推送的处理速度,减少了产品信息的成本浪费,提高了产品转化率,减少了因潜在的用户流失造成的用户资源浪费。具体来说,造成产品信息智能推送的能力受限,产品信息智能推送的处理速度降低、产品信息的成本浪费,产品转化率降低,因潜在的用户流失造成用户资源浪费的原因在于:仅仅分析用户的消费习惯,不能全面的确定用户的偏好程度,由于用户的信息过于复杂,导致产品信息智能推送的能力受限,影响产品信息智能推送的处理速度,使得产品信息智能推送的结果不够精准,造成产品信息的成本浪费,降低了产品转化率。又由于无法对不同的用户进行个性化推送产品信息,导致潜在的用户流失,造成用户资源浪费。基于此,本公开的一些实施例的产品信息智能推送方法,首先,基于获取的至少一个用户历史数据,构建用户画像集。这里,可以更加全面的构建用户画像集。然后,对上述用户画像集进行特征工程,得到用户画像特征集。这里,可以更准确的了解到用户画像的多个特征,还可以根据用户画像特征集全面的确定用户的偏好程度。 之后,对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集。由此,可以把复杂的用户画像特征集通过多维度分类简单化,以便后续的处理。接着,对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集。由此,可以将不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,因减少了分类后用户画像特征的数量,从而解决了产品信息智能推送的能力受限的问题,也提升产品信息智能推送的处理速度。之后,对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集。由此,可以通过交运算处理得到重复的用户画像特征集,使得产品信息智能推送的结果更加精准,减少了产品信息的成本浪费。其次,将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集。由此,可以使得产品信息智能推送的结果更加精准,减少了产品信息的成本浪费,提高了产品转化率。再其次,根据上述推送后产品信息集,生成用户行为信息集。由此,可以通过产品的推送,得到用户的行为信息,从而便于更有针对性的对用户进行产品信息智能推送。接着,对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表。由此,可以通过协同过滤处理实现对不同的用户进行个性化推送产品信息。然后,将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果。由此,对潜在的用户进行再次产品信息推送,减少了***的流失,减少了用户资源的浪费。最后,将上述产品信息推送结果存储至服务端。由此,可以将上述产品信息推送结果存储至服务端以便随时对产品信息推送结果进行调用。因此,提高了产品信息智能推送的处理速度,减少了产品信息的成本浪费,同时,提高了产品转化率,减少了因潜在的用户流失造成的用户资源浪费。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种产品信息智能推送方法的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的产品信息智能推送装置200包括:构建单元201、特征工程单元202、多维度分类单元203、去除单元204、第一处理单元205、智能推送单元206、生成单元207、第二处理单元208、确定单元209和存储单元210。其中,构建单元201,被配置成基于获取的至少一个用户历史数据,构建用户画像集;特征工程单元202,被配置成对上述用户画像集进行特征工程,得到用户画像特征集;多维度分类单元203,被配置成对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集;去除单元204,被配置成对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集;第一处理单元205,被配置成对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;智能推送单元206,被配置成将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;生成单元207,被配置成根据上述推送后产品信息集,生成用户行为信息集;第二处理单元208,被配置成对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表;确定单元209,被配置成将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;存储单元210,被配置成将上述产品信息推送结果存储至服务端。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(如计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)304中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 304通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:基于获取的至少一个用户历史数据,构建用户画像集;对上述用户画像集进行特征工程,得到用户画像特征集;对上述用户画像特征集进行多维度分类,得到至少一个分类后用户画像特征组集;对于上述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将上述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集;对上述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;将至少一个产品信息智能推送至上述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;根据上述推送后产品信息集,生成用户行为信息集;对上述用户行为信息集进行协同过滤处理,以生成过滤后产品推送信息列表;将上述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;将上述产品信息推送结果存储至服务端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中上标注的功能也可以以不同于附图中上标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依上涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:构建单元、特征工程单元、多维度分类单元、去除单元、第一处理单元、智能推送单元、生成单元、第二处理单元、确定单元和存储单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,构建单元还可以被描述为“基于获取的至少一个用户历史数据,构建用户画像集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对上运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中上涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种产品信息智能推送方法,包括:
基于获取的至少一个用户历史数据,构建用户画像集;
对所述用户画像集进行特征工程,得到用户画像特征集;
对所述用户画像特征集进行年龄特征选择,得到用户画像年龄特征集;
对所述用户画像年龄特征集进行自定义年龄区间划分,得到划分后用户画像年龄特征集;
对所述用户画像特征集进行额外价值特征选择,得到用户画像额外价值特征集;
对所述用户画像额外价值特征集进行自定义额外价值区间划分,得到划分后用户画像额外价值特征集;
对所述用户画像特征集进行地域特征选择,得到用户画像地域特征集;
对所述用户画像地域特征集进行自定义地域范围划分,得到划分后用户画像地域特征集;
对所述用户画像特征集进行历史行为特征选择,得到用户画像历史行为特征集;
对所述用户画像历史行为特征集进行划分,得到划分后用户画像历史行为特征集;
将所述划分后用户画像年龄特征集,所述划分后用户画像额外价值特征集,所述划分后用户画像地域特征集和所述划分后用户画像历史行为特征集确定为至少一个分类后用户画像组集;
对于所述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将所述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集;
对所述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;
将至少一个产品信息智能推送至所述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;
将所述推送后产品信息集中的推送后产品信息与对应的用户信息进行关联,得到产品关联信息集;
对所述产品关联信息集进行行为类型分析,得到分析结果集;
对于所述分析结果集中的每个分析结果,执行以下处理步骤:
响应于确定所述分析结果为浏览行为,将所述分析结果对应的产品关联信息确定为浏览行为信息;
响应于确定所述分析结果为价值流动行为,将所述分析结果对应的产品关联信息确定为价值流动行为信息;
响应于确定所述分析结果为收藏行为,将所述分析结果对应的产品关联信息确定为收藏行为信息;
将所得到的至少一个行为信息确定为用户行为信息集;
将所述用户行为信息集中对应的各个用户信息确定为用户信息集;
将所述用户行为信息集中对应的各个产品信息确定为产品信息集;
根据所述用户信息集和所述产品信息集,构建用户产品矩阵,其中,所述用户产品矩阵的行表征用户信息,所述用户产品矩阵的列表征产品信息,所述用户产品矩阵的元素表征用户信息对产品信息的评分信息;
根据所述用户产品矩阵,确定所述用户信息集中每两个用户信息之间的相似度和所述产品信息集中每两个产品信息之间的相似度,得到用户信息相似度集和产品信息相似度集;
将所述用户信息相似度集中大于预设相似度阈值的至少一个用户信息相似度确定为目标用户信息相似度集;
对于所述目标用户信息相似度集中的每个目标用户信息相似度,从所述产品信息相似度集中筛选出与目标用户信息相似度对应的至少一个产品信息相似度;
将所述至少一个产品信息相似度中各个产品信息相似度对应的产品信息确定为目标产品信息组,得到目标产品信息组集;
将所述目标产品信息组集从所述产品信息集进行去除,得到去除后产品信息集;
将所述去除后产品信息集中的各个去除后产品信息添加至待推送列表,得到添加后待推送列表,作为过滤后产品推送信息列表;
将所述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;
将所述产品信息推送结果存储至服务端。
2.根据权利要求1所述的方法,其中,所述对所述用户画像集进行特征工程,得到用户画像特征集,包括:
对所述用户画像集进行数据预处理,得到预处理后用户画像集;
对所述预处理后用户画像集进行特征选择,得到预处理后用户画像特征集;
对所述预处理后用户画像特征集进行特征转换,得到转换后用户画像特征集;
对所述转换后用户画像特征集进行特征降维,得到用户画像特征集。
3.根据权利要求1所述的方法,其中,在所述根据所述推送后产品信息集,生成用户行为信息集之后,所述方法还包括:
将所述用户行为信息集进行上下文信息分析,得到分析后用户行为信息集;
根据所述分析后用户行为信息集中的每个分析后用户行为信息,构建用户行为上下文特征信息,得到用户行为上下文特征信息集;
将所述用户行为上下文特征信息集中的用户行为上下文特征信息与所述处理后用户画像特征集中的处理后用户画像特征进行融合,得到融合后用户画像特征集;
将所述融合后用户画像特征集中的每个融合后用户画像特征进行产品信息智能推送,以生成推送后用户产品信息,得到推送后用户产品信息集;
根据所述推送后用户产品信息集,生成推送后用户行为信息集;
将所述推送后用户行为信息集中的各个推送后用户行为信息与所述用户行为信息集中的各个用户行为信息进行点击率排序,得到排序结果;
将所述排序结果中大于预设点击率对应的至少一个用户行为信息和至少一个推送后用户行为信息确定为目标用户行为信息集。
4.根据权利要求1所述的方法,其中,在所述根据所述推送后产品信息集,生成用户行为信息集之后,所述方法还包括:
对所述用户行为信息集进行行为指标确定,得到行为信息指标集;
对所述行为信息指标集中的每个行为信息指标进行行为特征分析,以生成分析后行为特征信息,得到分析后行为特征信息集;
对所述分析后行为特征信息集中的每个分析后行为特征信息进行用户群体标注,以生成用户群体标注信息,得到用户群体标注信息集;
响应于确定所述用户群体标注信息集中存在为第一用户信息的用户群体标注信息,对用户群体标注信息为第一用户信息对应的至少一个用户信息进行第一产品信息推送,得到第一推送结果集;
响应于确定所述用户群体标注信息集中存在为第二用户信息的用户群体标注信息,对用户群体标注信息为第二用户信息对应的至少一个用户信息进行第二产品信息推送,得到第二推送结果集;
针对所述第一推送结果集和所述第二推送结果集中推送失败的至少一个用户信息,将所述第一产品信息和所述第二产品信息分别进行产品信息替换,得到替换后第一产品信息和替换后第二产品信息;
将所述替换后第一产品信息推送至所述第一推送结果集中推送失败的至少一个用户信息,得到第三推送结果集;
将所述替换后第二产品信息推送至所述第二推送结果集中推送失败的至少一个用户信息,得到第四推送结果集;
响应于确定所述第三推送结果集和所述第四推送结果集均为推送成功,对所述第三推送结果集和所述第四推送结果集进行用户反馈信息收集,得到用户反馈信息集。
5.一种产品信息智能推送装置,包括:
构建单元,被配置成基于获取的至少一个用户历史数据,构建用户画像集;
特征工程单元,被配置成对所述用户画像集进行特征工程,得到用户画像特征集;
多维度分类单元,被配置成对所述用户画像特征集进行年龄特征选择,得到用户画像年龄特征集;对所述用户画像年龄特征集进行自定义年龄区间划分,得到划分后用户画像年龄特征集;对所述用户画像特征集进行额外价值特征选择,得到用户画像额外价值特征集;对所述用户画像额外价值特征集进行自定义额外价值区间划分,得到划分后用户画像额外价值特征集;对所述用户画像特征集进行地域特征选择,得到用户画像地域特征集;对所述用户画像地域特征集进行自定义地域范围划分,得到划分后用户画像地域特征集;对所述用户画像特征集进行历史行为特征选择,得到用户画像历史行为特征集;对所述用户画像历史行为特征集进行划分,得到划分后用户画像历史行为特征集;将所述划分后用户画像年龄特征集,所述划分后用户画像额外价值特征集,所述划分后用户画像地域特征集和所述划分后用户画像历史行为特征集确定为至少一个分类后用户画像组集;
去除单元,被配置成对于所述至少一个分类后用户画像特征组集中的每个分类后用户画像特征组集,将所述分类后用户画像特征组集中不满足预设用户画像特征条件的至少一个分类后用户画像特征进行去除,得到去除后用户画像特征组集;
第一处理单元,被配置成对所述去除后用户画像特征组集中的各个去除后用户画像特征组进行交运算处理,得到处理后用户画像特征集;
智能推送单元,被配置成将至少一个产品信息智能推送至所述处理后用户画像特征集对应的至少一个用户,得到推送后产品信息集;
生成单元,被配置成将所述推送后产品信息集中的推送后产品信息与对应的用户信息进行关联,得到产品关联信息集;对所述产品关联信息集进行行为类型分析,得到分析结果集;对于所述分析结果集中的每个分析结果,执行以下处理步骤:响应于确定所述分析结果为浏览行为,将所述分析结果对应的产品关联信息确定为浏览行为信息;响应于确定所述分析结果为价值流动行为,将所述分析结果对应的产品关联信息确定为价值流动行为信息;响应于确定所述分析结果为收藏行为,将所述分析结果对应的产品关联信息确定为收藏行为信息;将所得到的至少一个行为信息确定为用户行为信息集;
第二处理单元,被配置成将所述用户行为信息集中对应的各个用户信息确定为用户信息集;将所述用户行为信息集中对应的各个产品信息确定为产品信息集;根据所述用户信息集和所述产品信息集,构建用户产品矩阵,其中,所述用户产品矩阵的行表征用户信息,所述用户产品矩阵的列表征产品信息,所述用户产品矩阵的元素表征用户信息对产品信息的评分信息;根据所述用户产品矩阵,确定所述用户信息集中每两个用户信息之间的相似度和所述产品信息集中每两个产品信息之间的相似度,得到用户信息相似度集和产品信息相似度集;将所述用户信息相似度集中大于预设相似度阈值的至少一个用户信息相似度确定为目标用户信息相似度集;对于所述目标用户信息相似度集中的每个目标用户信息相似度,从所述产品信息相似度集中筛选出与目标用户信息相似度对应的至少一个产品信息相似度;将所述至少一个产品信息相似度中各个产品信息相似度对应的产品信息确定为目标产品信息组,得到目标产品信息组集;将所述目标产品信息组集从所述产品信息集进行去除,得到去除后产品信息集;将所述去除后产品信息集中的各个去除后产品信息添加至待推送列表,得到添加后待推送列表,作为过滤后产品推送信息列表;
确定单元,被配置成将所述过滤后产品推送信息列表中价值流动率大于预设价值流动率的至少一个过滤后产品推送信息确定为产品信息推送结果;
存储单元,被配置成将所述产品信息推送结果存储至服务端。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077091.2A CN117593096B (zh) | 2024-01-19 | 2024-01-19 | 产品信息智能推送方法、装置、电子设备和计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077091.2A CN117593096B (zh) | 2024-01-19 | 2024-01-19 | 产品信息智能推送方法、装置、电子设备和计算机介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593096A CN117593096A (zh) | 2024-02-23 |
CN117593096B true CN117593096B (zh) | 2024-04-12 |
Family
ID=89911991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077091.2A Active CN117593096B (zh) | 2024-01-19 | 2024-01-19 | 产品信息智能推送方法、装置、电子设备和计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593096B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170021454A (ko) * | 2015-08-18 | 2017-02-28 | 주식회사 엠젠플러스 | 사용자 매체의 이용 정보에 기초하여 수집된 빅데이터 분석을 통한 개인별 상품 추천 방법 및 상품 추천 시스템 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐*** |
WO2021003673A1 (zh) * | 2019-07-09 | 2021-01-14 | 深圳市欢太科技有限公司 | 内容推送方法及相关产品 |
CN112380859A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 |
CN114996579A (zh) * | 2022-06-15 | 2022-09-02 | 中国建设银行股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN116468460A (zh) * | 2023-04-27 | 2023-07-21 | 苏银凯基消费金融有限公司 | 基于人工智能的消费金融客户画像识别***及其方法 |
CN116561415A (zh) * | 2023-04-19 | 2023-08-08 | 南京睿弗鑫文化传媒有限公司 | 基于大数据旅游推荐***及方法 |
CN116932919A (zh) * | 2023-09-15 | 2023-10-24 | 中关村科学城城市大脑股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN116976935A (zh) * | 2023-07-11 | 2023-10-31 | 上海天擎天拓软件技术有限公司 | 一种基于互联网的电商精准营销*** |
CN117314593A (zh) * | 2023-11-30 | 2023-12-29 | 北京码动摩登科技有限公司 | 一种基于用户行为分析的保险项目推送方法及*** |
-
2024
- 2024-01-19 CN CN202410077091.2A patent/CN117593096B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170021454A (ko) * | 2015-08-18 | 2017-02-28 | 주식회사 엠젠플러스 | 사용자 매체의 이용 정보에 기초하여 수집된 빅데이터 분석을 통한 개인별 상품 추천 방법 및 상품 추천 시스템 |
WO2021003673A1 (zh) * | 2019-07-09 | 2021-01-14 | 深圳市欢太科技有限公司 | 内容推送方法及相关产品 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐*** |
CN112380859A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 |
CN114996579A (zh) * | 2022-06-15 | 2022-09-02 | 中国建设银行股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN116561415A (zh) * | 2023-04-19 | 2023-08-08 | 南京睿弗鑫文化传媒有限公司 | 基于大数据旅游推荐***及方法 |
CN116468460A (zh) * | 2023-04-27 | 2023-07-21 | 苏银凯基消费金融有限公司 | 基于人工智能的消费金融客户画像识别***及其方法 |
CN116976935A (zh) * | 2023-07-11 | 2023-10-31 | 上海天擎天拓软件技术有限公司 | 一种基于互联网的电商精准营销*** |
CN116932919A (zh) * | 2023-09-15 | 2023-10-24 | 中关村科学城城市大脑股份有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN117314593A (zh) * | 2023-11-30 | 2023-12-29 | 北京码动摩登科技有限公司 | 一种基于用户行为分析的保险项目推送方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117593096A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816120B2 (en) | Extracting seasonal, level, and spike components from a time series of metrics data | |
CN110210227B (zh) | 风险检测方法、装置、设备和存储介质 | |
US10783206B2 (en) | Method and system for recommending text content, and storage medium | |
US10210189B2 (en) | Root cause analysis of performance problems | |
Adekitan et al. | Data mining approach for predicting the daily Internet data traffic of a smart university | |
CN111597449B (zh) | 用于搜索的候选词构建方法、装置、电子设备及可读介质 | |
CN114422267B (zh) | 流量检测方法、装置、设备及介质 | |
US11809455B2 (en) | Automatically generating user segments | |
CN110689368A (zh) | 一种移动应用内广告点击率预测***设计方法 | |
Smolak et al. | The impact of human mobility data scales and processing on movement predictability | |
CN113807926A (zh) | 推荐信息生成方法、装置、电子设备和计算机可读介质 | |
CN112685799A (zh) | 设备指纹生成方法、装置、电子设备和计算机可读介质 | |
CN112925978A (zh) | 一种推荐***评测方法、装置、电子设备和存储介质 | |
US10444062B2 (en) | Measuring and diagnosing noise in an urban environment | |
CN111488517B (zh) | 用于训练点击率预估模型的方法和装置 | |
CN112948681A (zh) | 一种融合多维度特征的时间序列数据推荐方法 | |
CN117593096B (zh) | 产品信息智能推送方法、装置、电子设备和计算机介质 | |
KR101765292B1 (ko) | 목적 기반의 데이터 분석도구 제공 장치 및 방법 | |
CN113780666B (zh) | 一种缺失值的预测方法及装置、可读存储介质 | |
CN109408716B (zh) | 用于推送信息的方法和设备 | |
CN113034211A (zh) | 一种预测用户行为的方法、装置及电子设备 | |
CN113612639B (zh) | 基于网站访问记录分析预测文件下载行为的方法和装置 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
US9430529B2 (en) | Techniques for incrementally updating aggregation of states | |
CN112950239B (zh) | 用于生成用户信息的方法、装置、设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |