KR102522274B1 - 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 - Google Patents

사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102522274B1
KR102522274B1 KR1020210032760A KR20210032760A KR102522274B1 KR 102522274 B1 KR102522274 B1 KR 102522274B1 KR 1020210032760 A KR1020210032760 A KR 1020210032760A KR 20210032760 A KR20210032760 A KR 20210032760A KR 102522274 B1 KR102522274 B1 KR 102522274B1
Authority
KR
South Korea
Prior art keywords
target
user
user behavior
data
predetermined
Prior art date
Application number
KR1020210032760A
Other languages
English (en)
Other versions
KR20210038454A (ko
Inventor
페이치아오 후앙
지앙홍 린
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20210038454A publication Critical patent/KR20210038454A/ko
Application granted granted Critical
Publication of KR102522274B1 publication Critical patent/KR102522274B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인공지능 분야, 특히 빅 데이터 분야의 데이터 발굴 기술에 관한 것으로서, 사용자 그룹화 방법을 제공한다. 상기 방법은, 소정의 사용자 그룹의 시간 선별 조건 및 이벤트 선별 조건을 포함하는 그룹화 조건을 취득하는 것, 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하는 것, 각 사용자 행위 데이터에 대해, 해당 사용자 행위 데이터 및 해당 사용자 행위 데이터의 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터를 확정하고, 연관 데이터에 의해 연관 테이블을 구성하는 것, 및 피측정 시간대와 이벤트 선별 조건에 기초하여, 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하는 것을 포함한다. 또한, 본 발명은 사용자 그룹화 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램을 제공한다.

Description

사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 {USER GROUPING METHOD, APPARATUS THEREOF, COMPUTER, COMPUTER-READABLE RECORDING MEDIUM AND COMPUTER PROGRAM}
본 발명은 인공지능 분야, 특히 빅 데이터 분야의 데이터 발굴 기술에 관한 것이다. 보다 구체적으로, 본 발명은 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램을 제공한다.
사용자 그룹화(User Clustering)라는 것은, 업무 상황의 수요에 따라 사용자를 선별하여, 소정의 그룹화 조건에 부합되는 타겟 사용자 그룹을 선출하는 과정을 말한다. 사용자 그룹화 결과는 웹 사이트나 앱(application)에서 사용자 그룹에 관한 사용자 행위 분석 과정에 사용 될수 있다. 일반적으로는, 사용자 데이터에 의해 사용자 그룹화를 실행할 수 있고, 사용자 데이터에는 사용자 속성 데이터 및 사용자 행위 데이터를 포함할 수 있다.
사용자 행위 데이터에 기반한 사용자 그룹화 방안에 있어서, 종래 기술은 각 소정의 시간대 별로 사용자 행위 데이터베이스에 대한 검색 및 저장 로직이 필요하므로, 대량의 컴퓨팅 자원 및 저장 공간을 차지하게 되고, 유연성 또한 떨어진다.
이를 감안하여, 본 발명은 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램을 제공한다.
본 발명의 한 측면에 의하면, 소정의 사용자 그룹의 시간 선별 조건 및 이벤트 선별 조건을 포함하는 그룹화 조건을 취득하는 것, 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하는 것, 각 사용자 행위 데이터에 대해, 해당 사용자 행위 데이터 및 해당 사용자 행위 데이터의 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터를 확정하고, 연관 데이터에 의해 연관 테이블을 구성하는 것, 및 피측정 시간대와 이벤트 선별 조건에 기초하여, 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하는 것을 포함하는 사용자 그룹화 방법을 제공한다.
본 발명의 다른 한 측면에 의하면, 소정의 사용자 그룹의 시간 선별 조건 및 이벤트 선별 조건을 포함하는 그룹화 조건을 취득하기 위한 취득 모듈, 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하기 위한 제1 확정 모듈, 각 사용자 행위 데이터에 대해, 해당 사용자 행위 데이터 및 해당 사용자 행위 데이터의 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터를 확정하고, 연관 데이터에 의해 연관 테이블을 구성하기 위한 제2 확정 모듈, 및 피측정 시간대와 이벤트 선별 조건에 기초하여, 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하기 위한 그룹화 모듈을 포함하는 사용자 그룹화 장치를 제공한다.
본 발명의 다른 한 측면에 의하면, 컴퓨터 명령이 저장되어 있는 메모리, 및 적어도 하나의 프로세서를 포함하는 컴퓨터 장비에 있어서, 컴퓨터 명령이 프로세서에 의해 실행될 경우, 상기와 같은 방법을 구현하는 컴퓨터 장비를 제공한다.
본 발명의 다른 한 측면에 의하면, 컴퓨터 프로그램이 저장되어 있는 비 일시적 컴퓨터 판독가능 저장 매체에 있어서, 컴퓨터 그로그램이 프로세서에 의해 실행될 경우, 상기와 같은 방법을 구현하는 비 일시적 컴퓨터 판독가능 저장 매체를 제공한다.
본 발명의 다른 한 측면에 의하면, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서, 컴퓨터 프로그램의 명령이 프로세서에 의해 실행될 경우, 상기와 같은 방법을 구현하는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램을 제공한다.
본 발명의 실시 예에 따른 사용자 그룹화 방법은, 각 사용자 행위 데이터가 생성 된 후, 그룹화 조건 중의 시간 선별 조건에 따라 해당 사용자 행위 데이터로부터 해당 사용자 행위 데이터에 대응하는 모든 가능한 타겟 시간대를 추산한다. 그리고, 각 사용자 행위 데이터와 타겟 시간대사이의 연관관계에 근거하여 연관 테이블을 구축한다. 연관 테이블 중의 각 연관 데이터는 하나의 사용자 행위 데이터와 해당 사용자 행위 데이터의 하나의 타겟 시간대 사이의 연관관계가 상기 시간 선별조건을 만족함을 나타내도록 함으로써, 연관 테이블이 상기 시간 선별 조건을 만족하는 기존의 모든 연관 데이터를 포함하도록 한다. 그리고, 연관 테이블 중의 피측정 시간대와 이벤트 선별 조건을 만족하는 타겟 연관 데이터에 기초하여, 소정의 사용자 그룹의 타겟 사용자를 확정한다.
상기 과정은, 신규 사용자 행위 데이터가 생성 될 때마다 해당 신규 사용자 행위 데이터에 대해 실행할 수 있으므로, 타겟 시간대의 관점으로부터 출발하여, 각 소정의 시간대 별로 사용자 행위 데이터베이스 전반에 대해 검색하고 저장하는 종래기술의 방안과 비교하여, 컴퓨팅 자원과 저장 공간을 효과적으로 절약할 수 있다.
이하에서 첨부 도면을 참조하여 설명한 본 발명의 실시예를 통해, 본 발명의 상기 및 다른 목적, 특징 및 장점들은 보다 명확해질 것이다.
도1은 본 발명의 실시 예에 따른 사용자 그룹화 방법 및 장치를응용하는 예시적인 시스템 구성을 개략적으로 나타낸다.
도2는 본 발명의 실시 예에 따른 사용자 그룹화 방법의 흐름도를 개략적으로 나타낸다.
도3은 본 발명의 다른 실시 예에 따른 사용자 그룹화 방법의 예시적 흐름도를 개략적으로 나타낸다.
도4는 본 발명의 실시 예에 따른 사용자 그룹화 과정의 실예를 개략적으로 나타낸다.
도5는 본 발명의 실시 예에 따른 사용자 그룹화 장치의 블록도를 개략적으로 나타낸다.
도6은 본 발명의 실시 예에 따른 컴퓨터 장비의 블록도를 개략적으로 나타낸다.
이하, 첨부 도면을 참조하여 본 발명의 실시예를 설명한다. 이러한 설명은 단지 예시적인 것일 뿐, 본 발명의 범위를 한정하기 위한 것이 아님을 이해하여야 한다. 이하의 상세한 설명에 있어서, 해석의 편리를 위하여, 다수의 구체적인 세부요소들을 설명함으로써 본 발명의 실시예에 대해 전면적으로 이해할 수 있도록 한다. 하지만, 하나 또는 복수의 실시예는 이러한 세부요소 없이도 실시가능함을 지적해둔다. 또한, 이하의 설명에서는, 본 발명의 개념에 혼선을 주지 않기 위해 공지적인 구조나 기술에 대한 설명은 생략한다.
본 명세서에서 사용하는 용어는 단지 구체적인 실시예를 설명하기 위한 것으로서, 본 발명을 한정하기 위한 취지로 해석되어서는 아니된다. 본 명세서에서 사용하는 "포함", "구비" 등 용어는 언급된 특징, 단계, 동작 및/또는 부품의 존재를 의미하는데, 하나 또는 복수의 다른 특징, 단계, 동작 또는 부품의 존재 또는 추가를 배제하지는 않는다.
본 명세서에서 사용하는 모든 용어(기술적 및 과학적 용어 포함)는 별도로 정의되지 않는 한, 당업자가 통상적으로 이해하는 의미를 갖는다. 본 명세서에서 사용하는 용어는 본 명세서의 문맥과 일치하는 의미를 갖는 것으로 해석되어야 하며, 이상적이거나 과도하게 사전상의 의미로 해석되어서는 아니되는 점에 유의해야 한다.
"A, B 및 C중 적어도 하나"와 같은 표현을 사용할 경우, 당업자가 통상적으로 이해하는 해당 표현의 의미에 따라 해석되어야 한다(예를 들어, "A, B 및 C 중 적어도 하나를 구비한 시스템"에는, A만 구비한 시스템, B만 구비한 시스템, C만 구비한 시스템, A 및 B를 구비한 시스템, A 및 C를 구비한 시스템, B 및 C를 구비한 시스템, 및/또는 A, B, C를 구비한 시스템이 포함되는데, 이에 한정되지는 않는다). "A, B 또는 C 중 적어도 하나"와 같은 표현을 사용할 경우, 당업자가 통상적으로 이해하는 해당 표현의 의미에 따라 해석되어야 한다(예를 들어, "A, B 또는 C중 적어도 하나를 구비한 시스템"에는, A만 구비한 시스템, B만 구비한 시스템, C만 구비한 시스템, A 및 B를 구비한 시스템, A 및 C를 구비한 시스템, B 및 C를 구비한 시스템, 및/또는 A, B, C를 구비한 시스템이 포함되는데, 이에 한정되지는 않는다).
본 발명의 실시 예에 따르면, 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램을 제공한다. 상기 사용자 그룹화 방법은 취득 과정, 제1 확정 과정, 제2 확정 과정 및 그룹화 과정을 포함할 수 있다. 취득 과정에서는, 소정의 사용자 그룹의 그룹화 조건을 취득하고, 그룹화 조건은 시간 선별 조건과 이벤트 선별 조건을 포함할 수 있다. 그 다음, 제1 확정 과정에서, 시간 선별 조건에 기초하여 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정한다. 그 다음, 제2 확정 과정에서, 각 사용자 행위 데이터에 대해, 해당 사용자 행위 데이터 및 해당 사용자 행위 데이터의 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터를 확정하고, 연관 데이터에 의해 연관 테이블을 구성한다. 그 다음, 그룹화 과정에서, 피측정 시간대와 이벤트 선별 조건에 기초하여 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정한다.
사용자 그룹화라는 것은, 업무 상황의 수요에 따라 사용자를 선별하여, 소정의 그룹화 조건에 부합되는 타겟 사용자 그룹을 선출하는 과정을 말한다. 사용자 그룹화 결과는 웹 사이트나 앱에서 사용자 그룹에 관한 사용자 행위 분석 과정에 사용될수 있다. 일반적으로는, 사용자 데이터에 의해 사용자 그룹화를 실행할 수 있고, 사용자 데이터에는 사용자 속성 데이터 및 사용자 행위 데이터를 포함할 수 있다. 여기서, 사용자 행위 데이터는 사용자의 동적 행위 특징을 반영할 수 있으므로, 사용자 행위 데이터에 기반한 사용자 그룹화 방안은 실시간성이 좋고 정확도가 높은 사용자 그룹화 결과를 얻을 수 있다.
도1은 본 발명의 실시 예에 따른 사용자 그룹화 방법 및 장치를 응용할 수 있는 예시적인 시스템 구성(100)을 개략적으로 나타낸다. 지적해두어야 할 것은, 도 1에 도시된 것 은 본 발명의 실시예을 응용할 수 있는 시스템 구조의 예시에 지나지 않으며, 당업자가 본 발명의 기술 내용을 보다 쉽게 이해하도록 돕기 위한 것으로, 본 발명의 실시예가 다른 장비, 시스템, 환경 또는 응용장면에 응용할 수 없음을 의미하는 것은 아니다.
도1에 도시된 바와 같이, 본 실시 예에 따른 시스템 구성(100)은 복수의 단말 장비(110), 네트웨크(120) 및 서버(130)를 포함할 수 있다. 여기서, 단말 장비(110)는 예를 들어 데스크 탑, 휴대용 컴퓨터, 스마트 폰, 테블릿 등과 같은 다양한 단말 장비일 수 있고, 본 명세서에서는 이에 대해 한정하지 않는다. 서버(130)는 예를 들어 서버, 서버 클러스터 등과 같은 일정한 컴퓨팅 기능을 가진 다양한 전자 장비일 수 있고, 본 명세서에서는 이에 대해 한정하지 않는다.
단말 장비(110)에서의 사용자의 동작 행위(전자 상거래 플랫폼을 예로 들면, 상기 동작 행위에는 예를 들어 로그인 행위, 페이지 접속 행위, 상품 열람 행위, 상품 구매 행위, 상품을 즐겨찾기에 추가하는 행위 등이 포함된다)에 응답하여, 서버(130)는 해당 동작 행위에 대한 사용자 행위 데이터를 단일 행위의 입도로 사용자 행위 데이터베이스(131)에 저장할 수 있다. 사용자 행위 데이터베이스(131)는 관계형 데이터베이스일 수도 있다. 사용자 행위 데이터가 많을 경우, 사용자 행위 데이터베이스(131)는 대형 분포식 데이터 웨어하우스를 사용할 수 있다. 예시적으로, 사용자 행위 데이터베이스(131)는 하나 또는 복수의 사용자 행위 데이터를 포함할 수 있고, 사용자 행위 데이터는 사용자 식별 정보, 이벤트 설명 정보 및 이벤트 발생 시간(예를 들어, 발생 날짜 및 발생 시각을 포함한다)을 나타내기 위한 제1 시간 정보를 포함할 수 있다. 예를 들어, 표1에 표시된 바와 같을 수 있다.
Figure 112021029539948-pat00001
상기 사용자 행위 데이터베이스(131)의 사용자 행위 데이터에 기초하여, 서버(130)는 검색 엔진(132)을 이용하여 사용자 행위 데이터베이스(131)에 대해 사용자 그룹화 동작을 실행하여 하나 또는 복수의 사용자 그룹을 확정할 수 있다.
예시적인 처리 방식으로서, 사용자 그룹화를 실행할 경우, 관찰 윈도의 각 소정의 시간대 관점으로부터 출발하여, 각 소정의 시간대별로 사용자 행위 데이터베이스 전반에 대해 검색을 진행하여, 피측정 시간대와의 관계가 그룹화 조건을 만족하는 사용자 행위 데이터를 검색해 내어 저장한다. 여기서, 관찰 윈도는, 그룹화 결과를 확정한 후, 후속적으로 그룹화 결과에 기초하여 사용자 행위를 분석할 때 주목하는 시간대를 나타낸다. 관찰 윈도는 하나 또는 복수의 소정의 시간대를 포함할 수 있고, 소정의 시간대는 실제 수요에 따라 설정할 수 있는데, 예를 들어 하루, 1시간, 1주 등일 수 있다. 그룹화 조건은 소정의 사용자 그룹이 만족해야 할 특징 정보를 나타낸다.
예를 들어, 하루를 소정의 시간대로 한다. 그룹화 조건은 "지난 3일간, 상품A를 구매한 횟수가 2회 이상"으로 설정한다. 관찰 윈도를 2019년 1월 10일부터 2019년 1월 12일까지로 설정한다. 상기 처리 방식에 따르면, 관찰 윈도중 첫번째 소정의 시간대인 2019년 1월 10일에 대해, 사용자 식별 정보를 인덱스로 사용하여 사용자 행위 데이터베이스로부터 이벤트 발생 날짜가 2019년 1월 7일, 2019년 1월 8일, 2019년 1월 9일 중 하나이고, 이벤트 설명 정보가 상기 "상품A를 구매한 횟수가 2회 이상"인 조건을 만족하는 사용자 식별 정보를 검색하여 저장한다. 그 다음, 관찰 윈도중 두번째 소정의 시간대인 2019년 1월 11일에 대해, 사용자 식별 정보를 인덱스로 사용하여 사용자 행위 데이터베이스로부터 발생 날짜가 2019년 1월 8일, 2019년 1월 9일, 2019년 1월 10일 중 하나이고, 이벤트 설명 정보가 상기 "상품A를 구매한 횟수가 2회 이상"인 조건을 만족하는 사용자 식별 정보를 검색하여 저장한다. 그 다음, 관찰 윈도중 세번째 소정의 시간대인 2019년 1월 12일에 대해, 사용자 식별 정보를 인덱스로 사용하여 사용자 행위 데이터베이스로부터 발생 날짜가 2019년 1월 9일, 2019년 1월 10일, 2019년 1월 11일 중 하나이고, 이벤트 설명 정보가 상기 "상품A를 구매한 횟수가 2회 이상"인 조건을 만족하는 사용자 식별 정보를 검색하여 저장한다.
상기 처리 방식은, 각 소정의 시간대 별로 사용자 행위 데이터베이스에 대한 검색 및 저장 로직이 필요하므로, 대량의 컴퓨팅 자원 및 저장 공간을 차지하게 되고, 유연성 또한 떨어진다.
본 발명의 실시 예에 따르면, 사용자 그룹화 방법을 제공한다. 이하, 도면을 참조하여 상기 방법에 대해 예시적으로 설명한다. 지적해두어야 할 것은, 하기의 방법에 있어서, 각 동작의 번호는 단지 설명의 편의를 위한 해당 동작의 표시로서, 결코 각 동작의 실행 순서를 의미하는 것은 아니다. 별도로 언급하지 않는 한, 상기 방법은 굳이 설명한 순서에 따라 실행할 필요는 없다.
도2는 본 발명의 실시 예에 따른 사용자 그룹화 방법의 흐름도를 개략적으로 나타내고, 상기 사용자 그룹화 방법은 예를 들어 도1에 도시된 서버 측에서 실행될 수 있다.
도2에 도시된 바와 같이, 상기 방법은 동작(S201) ~ 동작(S204)을 포함할 수 있다.
동작(S201)에서는, 소정의 사용자 그룹의 그룹화 조건을 취득한다.
예시적으로, 소정의 사용자 그룹의 그룹화 조건은 소정의 사용자 그룹이 만족해야 할 특징 정보를 나타낸다. 상기 그룹화 조건에 기초하여 사용자 그룹화를 실행하여 얻은 타겟 사용자는 소정의 사용자 그룹에 속한다. 그룹화 조건은 시간 선별 조건과 이벤트 선별 조건이 포함할 수 있다. 예를 들어, 그룹화 조건이 "지난 3일 간, 상품A를 구매한 횟수가 2회 이상"일 경우, 해당 그룹화 조건의 시간 선별 조건은 "지난 3일 간"을 나타내고, 해당 그룹화 조건의 이벤트 선별 조건은 "상품A를 구매한 횟수가 2회 이상"을 나타낸다. 여기서, 시간 선별 조건은 주목하는 이벤트의 발생 시간과 피측정 시간대 사이의 관계를 나타내고, 이벤트 선별 조건은 주목하는 이벤트의 구체적인 정보를 나타낸다. 실제 수요에 따라, 시간 선별 조건과 이벤트 선별 조건을 각각 설정하여 대응하는 그룹화 조건을 구성할 수 있다. 시간 선별 조건과 이벤트 선별 조건은 다양한 데이터 형식으로 나타낼 수 있는데, 예를 들어, 키 밸류(key-value) 페어 등 형식으로 나타낼 수 있다.
예를 들어, 서버는 백그라운드 단말과 통신할 수 있고, 백그라운드 단말은 조건 세팅 인터페이스를 제공할 수 있으며, 해당 조건 세팅 인터페이스는 조건 세팅 포탈을 포함할 수 있다. 백그라운드 사용자는 상기 조건 세팅 포탈을 통해 그룹화 조건을 세팅하고, 조건 세팅 명렁을 트리거할 수 있다. 백그라운드 단말은 상기 조건 세팅 명령에 따라 그룹화 조건을 확정하여 서버로 보냄으로써, 서버가 소정의 사용자 그룹의 그룹화 조건을 취득하도록 한다.
동작(S202)에서는, 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정한다.
예시적으로, 사용자 행위 데이터베이스는 예를 들어 상기 표1에 표시된 바와 같고, 사용자 행위 데이터베이스의 각 사용자 행위 데이터는 1회의 사용자 동작 행위의 관련 정보를 나타낸다. 본 발명의 실시 예에 따르면, 각 사용자 행위 데이터의 관점으로부터 출발하여, 시간 선별 조건에 기초하여 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정한다.
예를 들어, 하나의 사용자 행위 데이터 D에 대해, 동작(S202)은, 시간 선별 조건이 나타내는 주목하는 이벤트의 발생 시간과 피측정 시간대 사이의 관계에 근거하여, 해당 사용자 행위 데이터 D의 이벤트 발생 시간을 주목하는 이벤트의 발생 시간으로 하고, 해당 이벤트 발생 시간으로부터 모든 가능한 피측정 시간대를 추정하여, 해당 사용자 행위 데이터 D의 적어도 하나의 타겟 시간대로 한다. 예를 들어, 사용자 행위 데이터 D의 타겟 시간대에 T1, T2 및 T3이 포함될 경우, T1, T2 및 T3 중 적어도 하나를 피측정 시간대로 하여 사용자 그룹화를 실행할 경우, 모두 해당 사용자 행위 데이터 D를 주목해야 함을 의미한다. T1, T2 및 T3를 제외한 다른 시간대를 피측정 시간대로 하여 사용자 그룹화를 실행할 경우, 해당 사용자 행위 데이터 D를 주목할 필요가 없다. 사용자 행위 데이터베이스 중의 다른 사용자 행위 데이터에 대해 각각 타겟 시간대를 확정하는 과정은 동일하므로, 여기서는 설명을 생략한다.
동작(S203)에서는, 각 사용자 행위 데이터에 대해, 해당 사용자 행위 데이터 및 해당 사용자 행위 데이터의 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터를 확정하고, 연관 데이터에 의해 연관 테이블을 구성한다.
앞에서 설명한 실예에 따르면, 사용자 행위 데이터 D에 대해, 해당 사용자 행위 데이터 D 및 타겟 시간대T1에 기초하여, 사용자 행위 데이터 D의 타겟 시간대T1에 대한 하나의 연관 데이터(D, T1)를 확정할 수 있다. 이와 동일하게, 사용자 행위 데이터 D의 타겟 시간대T2에 대한 연관 데이터(D, T2) 및 사용자 행위 데이터 D의 타겟 시간대T3에 대한 연관 데이터(D, T3)도 확정할 수 있다. 다른 사용자 행위 데이터에 대해 하나 또는 복수의 연관 데이터를 확정하는 과정은 이와 동일하다. 단일 연관 데이터을 입도로 하여, 각 사용자 행위 데이터의 연관 데이터에 의해 연관 테이블을 구성할 수 있다. 예시적으로, 하나의 연관 데이터를 확정한 후, 만약 연관 테이블이 아직 구축되지 않았으면, 우선 연관 테이블을 구축하고 해당 연관 데이터를 연관 테이블에 추가한다. 만약, 연관 테이블이 이미 구축되어 있으면, 해당 연관 데이터를 직접 연관 테이블에 추가한다.
동작(S204)에서는, 피측정 시간대와 이벤트 선별 조건에 기초하여, 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정한다.
본 발명의 실시 예에 따르면, 동일한 그룹화 조건을 이용하여 사용자 그룹화를 실행할 경우, 사용자 행위 데이터의 변화 특성으로 인해, 피측정 시간대가 다르면 얻은 그룹화 그룹화 결과도 다르게 된다. 동작(S204)은, 연관 테이블로부터 타겟 시간이 피측정 시간대에 속하고, 이벤트 선별 조건을 만족하는 연관 데이터를 선별하여 타겟 연관 데이터로 할 수 있다. 예시적으로, 타겟 연관 데이터의 사용자 식별자에 의해 피측정 시간대에 대한 소정의 사용자 그룹에 속하는 타겟 사용자를 확정할 수 있다.
당업자라면, 하기의 내용을 이해할 것이다. 본 발명의 실시 예에 따른 사용자 그룹화 방법은, 각 사용자 행위 데이터가 생성 된 후, 그룹화 조건 중의 시간 선별 조건에 따라 해당 사용자 행위 데이터로부터 해당 사용자 행위 데이터에 대응하는 모든 가능한 타겟 시간대를 추산한다. 그리고, 각 사용자 행위 데이터와 타겟 시간대 사이의 연관 관계에 근거하여 연관 테이블을 구축한다. 연관 테이블 중의 각 연관 데이터는 하나의 사용자 행위 데이터와 해당 사용자 행위 데이터의 하나의 타겟 시간대 사이의 연관 관계가 상기 시간 선별조건을 만족함을 나타내도록 함으로써, 연관 테이블이 상기 시간 선별 조건을 만족하는 기존의 모든 연관 데이터를 포함하도록 한다. 그리고, 연관 테이블 중의 피측정 시간대와 이벤트 선별 조건을 만족하는 타겟 연관 데이터에 기초하여, 소정의 사용자 그룹의 타겟 사용자를 확정한다. 상기 과정은, 신규 사용자 행위 데이터가 생성 될 때마다 해당 신규 사용자 행위 데이터에 대해 실행할 수 있으므로, 타겟 시간대의 관점으로부터 출발하여, 각 소정의 시간대 별로 사용자 행위 데이터베이스 전반에 대해 검색하고 저장하는 종래기술의 방안과 비교하여, 컴퓨팅 자원과 저장 공간을 효과적으로 절약할 수 있다.
이하, 도3을 참조하여, 본 발명의 실시 예에 따른 사용자 그룹화 방법을 예시적으로 설명한다.
도3은 본 발명의 다른 실시 예에 따른 사용자 그룹화 방법의 예시적 흐름도를 개략적으로 나타내고, 상기 사용자 그룹화 방법은 예를 들어 도1에 도시된 서버 측에서 실행될 수 있다.
도3에 도시된 바와 같이, 상기 방법은 동작(S301) ~ 동작(S306)를 포함할 수 있다.
동작(S301)에서는, 소정의 사용자 그룹의 그룹화 조건을 취득한다. 앞에서 설명한 바와 같이, 그룹화 조건은 시간 선별 조건과 이벤트 선별 조건을 포함할 수 있다. 그룹화 조건이 변하지 않은 경우, 동작(S301)을 단 한 번만 실행하면 된다. 그룹화 조건이 변한 경우, 동작(S301)을 한번 실행한다.
동작(S302)에서는, 사용자 행위 데이터 D를 취득한다. 예시적으로, 동작(S302)에서는, 단말 장비로부터의 사용자 행위 데이터를 취득하거나 단말 장비로부터의 업로드 정보에 의해 사용자 행위 데이터를 생성할 수 있다. 사용자 행위 데이터를 취득한 후, 사용자 행위 데이터베이스에 저장해두는 한편, 계속하여 동작(S303)을 실행한다. 본 실시 예에서는, 사용자 행위 데이터 D를 예로 들어 설명하였으나, 다른 사용자 행위 데이터에 대해서도 모두 하기의 동작을 실행할 수 있다.
동작(S303)에서는, 시간 선별 조건에 따라, 사용자 행위 데이터 D의 적어도 하나의 타겟 시간대를 확정한다.
예를 들어, 사용자 행위 데이터 D는 표2에 표시된 바와 같을 수 있다. 사용자 행위 데이터 D는 이벤트 발생 시간(예를 들어, 발생 날짜 및 발생 시간을 포함한다)을 나타내는 제1 시간 정보를 포함할 수 있다. 본 실시 예에 있어서, 제1 시간 정보는 사용자 행위 데이터 D의 이벤트 발생 시간이 2019년 1월 8일 11시 11분 11초임을 나타낸다.
Figure 112021029539948-pat00002
본 발명의 일 실시 예에 있어서, 시간 선별 조건은 앞의 제1 수량의 소정의 시간대를 나타낸다. 이럴 경우, 상기 동작(S303)에서 사용자 행위 데이터 D의 적어도 하나의 타겟 시간대를 확정하는 과정은, 사용자 행위 데이터 D의 이벤트 발생 시간 직후의 제1 수량의 소정의 시간대 중 각 소정의 시간대를 하나의 타겟 시간대로 하는 것을 포함한다.
도4는 본 발명의 실시 예에 따른 사용자 그룹화 과정의 실예를 개략적으로 나타낸다. 도4에 도시된 바와 같이, 예를 들어, 그룹화 조건(401)의 시간 선별 조건은 앞의 3개의 소정의 시간대를 나타내고, [-3, -1]로 표시할 수 있다. 하루를 소정의 시간대로 하면, 2019년 1월 8일 직후의 3개 소정의 시간대, 즉, 2019년 1월 9일(2019년 1월 8일+1일), 2019년 1월 10일(2019년 1 월8일+2일)및 2019년 1월 11일(2019년 1월 8일+3일)을 각각 사용자 행위 데이터 D(402)의 3개 타겟 시간대(403)로 확정할 수 있고, {T1, T2 및 T3}로 표시할 수 있다. 이는 해당 시간 선별 조건에 있어서, 사용자 행위 데이터 D(402)가 해당 3개 타겟 시간대(403)의 사용자 그룹화 결과에 영향이 있음을 의미한다. 본 발명의 실시 예에 따르면, 시간 정보는 모두 타임스탬프의 형식으로 표시할 수 있다.
본 발명의 다른 실시 예에 따르면, 시간 선별 조건은 뒤의 제2 수량의 소정의 시간대를 나타낸다. 상기 동작(S303)에서 사용자 행위 데이터 D의 적어도 하나의 타겟 시간대를 확정하는 과정은, 사용자 행위 데이터 D의 이벤트 발생 시간 직전의 제2 수량의 소정의 시간대 중 각 소정의 시간대를 하나의 타겟 시간대로 하는 것을 포함한다.
예를 들어, 그룹화 조건의 시간 선별 조건은 뒤의 2개 소정의 시간대를 나타내고, [+1, +2]로 표시할 수 있다. 하루를 소정의 시간대로 하면, 2019년 1월 8일 직전의 2개 소정의 시간대, 즉, 2019년 1월 7일(2019년 1월 8일-1일)및 2019년 1월 6일(2019년 1월 8일-2일)을 각각 사용자 행위 데이터 D의 2개 타겟 시간대로 확정할 수 있다. 이는 해당 시간 선별 조건에 있어서, 사용자 행위 데이터 D가 해당 2개 타겟 시간대의 사용자 그룹화 결과에 영향이 있음을 의미한다. 이로부터 알 수 있다는 것과 같이, 본 발명의 실시 예에 따른 사용자 그룹화 방법은, 타겟 시간대가 미래의 시간대인 경우에 적용될 수도 있고, 타겟 시간대가 과거의 시간대인 경우에도 적용될 수도 있으며, 그룹화 조건의 설정에 따라 조정 가능하고, 높은 유연성을 가지고 있다.
동작(S304)에서는, 사용자 행위 데이터 D의 적어도 하나의 타겟 시간대로부터 유효 시간 윈도 내에 있는 타겟 시간대를 선별하고, 선별한 타겟 시간대를 업데이트된 적어도 하나의 타겟 시간대로 한다.
동작(S305)에서는, 사용자 행위 데이터 D 및 해당 사용자 행위 데이터 D의 업데이트된 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 연관 테이블을 업데이트한다. 상기 동작(S302)~동작(S305)을 반복적으로 실행하여 연관 테이블을 끊임없이 업데이트한다.
예시적으로, 유효 시간 윈도는 앞에서 설명한 관찰 윈도일 수 있다. 예를 들어, 관찰 윈도가 2019년 1월 10일부터 2019년 1월 12까지일 경우, 관찰 윈도 밖의 타겟 날짜는 의미없다. 따라서, 사용자 행위 데이터 D의 3개 타겟 시간대{T1, T2, T3} (여기서, T1=2019년 1월 9일, T2=2019년 1월 10일, T3=2019년 1월 11일)를 확정한 후, 상기 3개 타겟 시간대 중 관찰 윈도 밖에 위차한 타겟 시간대(즉, 2019년 1월 9일)를 제거하여, 업데이트된 2개의 타겟 시간대{T2, T3}를 얻는다.
도4에 도시된 바와 같이, 사용자 행위 데이터 D(402) 및 업데이트된 타겟 시간대T2(403)는 하나의 연관 데이터(D, T2)를 구성하고, 사용자 행위 데이터 D(402) 및 업데이트된 타겟 시간대T3(403)은 다른 하나의 연관 데이터(D, T3)를 구성한다. 연관 데이터에 기초하여 연관 테이블(404)을 업데이트할 수 있다. 예를 들어, 연관 테이블의 일부는 표3에 표시된 바와 같다.
Figure 112021029539948-pat00003
표3으로부터 알수 있는 것과 같이, 하나의 사용자 행위 데이터의 하나의 타겟 시간대에 대한 연관 데이터는, 해당 사용자 행위 데이터 및 해당 타겟 시간대를 나타내는 제2 시간 정보를 포함한다. 표1 내지 표3으로부터 알 수 있는 것과 같이, 각 사용자 행위 데이터는, 사용자 식별 정보 및 이벤트 설명 정보를 더 포함할 수 있다. 상기 동작(S302)~동작(S305)에서 취득한 각 사용자 행위 데이터에 기초하여 연관 테이블을 업데이트하는 과정은, 매번 하나의 사용자 행위 데이터를 상대로 실행되므로, 데이터 계산량이 비교적 적다는 점을 이해할 수 있을 것이다. 계산 입도가 단일 사용자 행위 데이터이므로, 계산의 유연성이 높다. 또한, 시간 선별 조건 및 유효 시간 윈도의 제한으로 인해, 각 사용자 행위 데이터에 대해 얻은 연관 데이터도 많지 않으므로, 차지하는 저장 공간도 작다.
본 발명의 실시 예에 따르면, 상기 사용자 행위 데이터 D의 각 타겟 시간대에 대한 연관 데이터를 확정하는 과정은, 해당 사용자 행위 데이터 D와 해당 사용자 행위 데이터 D의 적어도 하나의 타겟 시간대{T2, T3}를 카티전 곱(Cartesian product)하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터{(D, T2), (D, T3)}를 얻는 것을 포함한다. 본 실시 예에서는, 카티전 곱의 원리에 기초하여 연관 데이터를 순서쌍으로 보고 계산함으로써, 신속하고 누락없이 각 사용자 행위 데이터에 대응되는 연관 데이터를 확정할 수 있다.
계속하여 도3을 참조하면, 동작(S306)에서는, 피측정 시간대와 그룹화 조건의 이벤트 선별 조건에 기초하여, 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정한다.
본 발명의 일 실시 예에 따르면, 계속하여 도4를 참조하면, 상기 동작(S306)에서 연관 테이블로부터 타겟 연관 데이터를 선별하는 과정은, 연관 테이블(404)로부터 타겟 시간대가 피측정 시간대에 속하고, 이벤트 설명 정보가 이벤트 선별 조건을 만족하는 타겟 연관 데이터(405)를 선별하는 것을 포함할 수 있다. 사용자 식별 정보에 따라 타겟 연관 데이터(405)를 그룹화하여, 타겟 연관 데이터1, 타겟 연관 데이터2, …, 타겟 연관 데이터n을 얻을 수 있고, 여기서, n은 2보다 큰 정수이다. 이어서, 각 그룹의 타겟 연관 데이터(405)의 사용자 식별 정보에 근거하여, 소정의 사용자 그룹(406)에 속하는 타겟 사용자를 확정한다.
본 발명의 실시 예에 따르면, 상기 연관 테이블로부터 타겟 시간대가 피측정 시간대에 속하고, 이벤트 설명 정보가 이벤트 선별 조건을 만족하는 타겟 연관 데이터를 선별하는 과정은, 연관 테이블에서 사용자 식별 정보 및 제2 시간 정보를 인덱스로 사용하여, 사용자 식별 정보가 동일하고 제2 시간 정보도 동일한 연관 데이터를 집합시키는 것을 포함할 수 있다. 집한된 후의 어느 하나의 연관 데이터의 제2 시간 정보 및 이벤트 설명 정보가 각각 피측정 시간대 및 이벤트 선별 조건을 만족하면, 해당 연관 데이터를 타겟 연관 데이터로 확정하고, 해당 연관 데이터의 사용자 식별 정보에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정할 수 있다.
예시적으로, 이벤트 선별 조건은, 소정의 상품에 대한 소정의 행위의 발생 횟수가 소정의 수치 이상임을 지시한다. 이럴 경우, 우선 카운트 파라미터 M를 미리 설정하고, 카운트 파라미터의 초기 값을 M=0으로 리셋한다. 그 다음, 연관 테이블로부터 사용자 식별 정보가 제1 수치와 동일하고 제2 시간 정보가 제2 수치와 동일한 연관 데이터를 검색한다. 연관 테이블로부터 검색된 각 연관 데이터에 대해, 해당 연관 데이터 중의 이벤트 설명 정보가 소정의 상품에 대한 소정의 행위를 나타내는 것으로 확정될 경우, 카운트 파라미터의 값을 1씩 증가시킨다. 연관 테이블에 대한 검색이 종료될 때, M의 값은 검색된 연관 데이터의 이벤트 설명 정보의 집합 결과를 나타낸다. 이때, 카운트 파라미터 M의 값이 소정의 수치 이상인지 확정한다. 카운트 파라미터 M의 값이 소정의 수치 이상일 경우, 해당 연관 데이터를 타겟 연관 데이터로 확정한다.
일 실시 예에 있어서, 소정의 상품은 상품A이고, 소정의 행위는 구매 행위이며, 소정의 수치는 2이다. 제1 수치는 사용자 행위 데이터 D의 사용자 식별 정보 "10001"이고, 제2 수치는 피측정 시간대의 타임스탬프 표시 값이며, 피측정 시간대를 2019년 1월 10일로 설정한다. 연관 테이블로부터 검색된 각 연관 데이터에 대해, 해당 연관 데이터 중의 이벤트 설명 정보가 상품A에 대한 구매 행위임을 나타내는 것으로 확정될 경우, M의 값을 1씩 증가시킨다. 연관 테이블에 대한 검색이 종료될 때, M의 값이 2이상인지 확정한다. M의 값이 2이상일 경우, 검색된 연관 데이터가 모두 피측정 시간대 2019년 1월 10일에 대한 타겟 연관 데이터로 확정한다. 즉, 사용자 식별 정보 "10001"가 나타내는 사용자를 소정의 사용자 그룹에 속하는 타겟 사용자로 확정한다. M의 값이 2이상이 아닐 경우, 검색된 연관 데이터가 모두 피측정 시간대 2019년 1월 10일에 대한 타겟 연관 데이터가 아님을 확정한다. 이어서, 상기 제1 수치를 교체하여 연관 테이블 중의 모든 사용자 식별 정보 값에 대해 상기 과정을 반복할 수 있다.
다른 실시 예에서는, 그룹화 조건의 설정을 통해, 조합 이벤트 동작 행위를 진행하는 사용자 그룹을 선별할 수도 있다. 이벤트 선별 조건은, 제1 소정의 상품에 대한 제1 소정의 행위의 발생 횟수가 제1 소정의 수치 이상이고, 제2 소정의 상품에 대한 제2 소정의 행위의 발생 횟수가 제2 소정의 수치 이상임을 나타낸다. 예를 들어, 제1 소정의 상품은 상품A이고, 제1 소정의 행위는 구매 행위이며, 제1 소정의 수치는 3이다. 제2 소정의 상품은 상품 B이고, 제2 소정의 행위는 열람 행위이며, 제2 소정의 수치는 2이다. 상기 연관 테이블로부터 타겟 시간대가 피측정 시간대에 속하고, 이벤트 설명 정보가 이벤트 선별 조건을 만족하는 타겟 연관 데이터를 선별하는 과정은, 제1 카운트 파라미터 M 및 제2 카운트 파라미터 N 을 미리 설정하는 것을 포함할 수 있다. 제1 카운트 파라미터 M 및 제2 카운트 파라미터 N의 초기 값을 각각 0으로 리셋한다. 연관 테이블로부터 사용자 식별 정보가 제1 수치(예를 들어 "10001")와 동일하고 제2 시간 정보가 제2 수치(예를 들어 2019년 1월 10일)와 동일한 연관 데이터를 검색한다. 검색된 각 연관 데이터에 대해, 해당 연관 데이터 중의 이벤트 설명 정보가 제1 소정의 상품에 대한 제1 소정의 행위를 나타내는 것으로 확정될 경우, 제1 카운트 파라미터 M의 값을 1씩 증가시킨다. 해당 연관 데이터 중의 이벤트 설명 정보가 제2 소정의 상품에 대한 제2 소정의 행위를 나타내는 것으로 확정될 경우, 제2 카운트 파라미터 N의 값을 1씩 증가시킨다. 연관 테이블에 대한 검색이 종료될 때, 제1 카운트 파라미터 M의 값이 3이상인 동시에 제2 카운트 파라미터 N의 값이 2 이상인지 확정한다. M≥3 및 N≥2를 만족하면, 검색된 연관 데이터를 모두 피측정 시간대 2019년 1월 10일에 대한 타겟 연관 데이터로 확정할 수 있다. 즉, 사용자 식별 정보 "10001"가 나타내는 사용자를 소정의 사용자 그룹에 속하는 타겟 사용자로 확정한다. M≥3 및 N≥2를 만족하지 않으면, 검색된 연관 데이터가 모두 피측정 시간대 2019년 1월 10일에 대한 타겟 연관 데이터가 아님을 확정한다. 이어서, 상기 제1 수치를 교체하여 연관 테이블 중의 모든 사용자 식별 정보 값에 대해 상기의 과정을 반복적으로 실행할 수 있다. 그룹화 조건에 복수의 이벤트 선별 조건이 포함되어 있을 경우, 초기 연관 테이블의 구축과정에 영향을 주지 않고, 차지하는 저장 공간이 증가되지 않음을 이해할 수 있을 것이다.
본 발명의 실시 예에 따르면, 소정의 사용자 그룹의 그룹화 조건에 복수의 서브 그룹화 조건이 포함될 경우, 상기 각 실시 예에 기초하여 복수의 서브 그룹화 조건에 대한 복수의 연관 테이블을 각각 구축하고, 복수의 연관 테이블 각각이 서브 그룹화 조건을 만족하는 타겟 사용자 집합을 확정할 수 있다. 복수의 타겟 사용자 집합의 적집합을 소정의 사용자 그룹에 속하는 타겟 사용자로 확정한다.
도5는 본 발명의 실시 예에 따른 사용자 그룹화 장치의 블록도를 개략적으로 나타낸다.
도5에 도시된 바와 같이, 사용자 그룹화 장치(500)는, 취득 모듈(510), 제1 확정 모듈(520), 제2 확정 모듈(530) 및 그룹화 모듈(540)을 포함한다.
취득 모듈(510)은, 소정의 사용자 그룹의 그룹화 조건을 취득하고 그룹화 조건은 시간 선별 조건 및 이벤트 선별 조건을 포함한다.
제1 확정 모듈(520)은, 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정한다.
제2 확정 모듈(530)은, 각 사용자 행위 데이터에 대해, 해당 사용자 행위 데이터 및 해당 사용자 행위 데이터의 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 해당 사용자 행위 데이터의 각 타겟 시간대에 대한 연관 데이터를 확정하고, 연관 데이터에 의해 연관 테이블을 구성한다.
그룹화 모듈(540)은, 피측정 시간대와 이벤트 선별 조건에 기초하여, 연관 테이블로부터 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 타겟 연관 데이터에 근거하여 소정의 사용자 그룹에 속하는 타겟 사용자를 확정한다.
지적해두어야 할 것은, 장치에 관한 실시 예의 각 모듈/유닛/서브 유닛 등의 실시 형태, 해결하고자 하는 기술적 문제, 실현한 기능 및 기술적 효과는 방법에 관한 실시 예의 각 대응하는 단계의 실시 형태, 해결하고자 하는 기술적 문제, 실현한 기능, 및 기술적 효과와 동일하거나 유사하므로, 여기서는 설명을 생략한다.
본 발명의 실시예에 따른 모듈, 서브 모듈, 유닛, 서브 유닛중 임의의 하나 이상, 또는 이들 중 임의의 하나 이상의 적어도 일부 기능은 하나의 모듈에서 구현될 수 있다. 본 발명의 실시예에 따른 모듈, 서브 모듈, 유닛, 서브 유닛중 임의의 하나 또는 하나 이상은 복수의 모듈로 분할되어 구현될 수 있다. 본 발명의 실시예에 따른 모듈, 서브 모듈, 유닛, 서브 유닛중 임의의 하나 또는 하나 이상은 적어도 부분적으로 예를 들어 FPGA(Field Programmable Gate Array), PLA(Programmable Logic Array), SOC(System On Chip), SOS(System On Substrate), SOP(System On Package), ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 회로를 통해 구현되거나, 또는 회로를 집적시키거나 패키징시키는 기타 합리적인 방식의 하드웨어 또는 펌웨어를 통해 구현되거나, 또는 소프트웨어, 하드웨어 및 펌웨어의 3가지 구현방식 중 임의의 하나 또는 하나 이상의 조합을 통해 구현될 수 있다. 또는, 본 발명의 실시예에 따른 모듈, 서브 모듈, 유닛, 서브 유닛 중 하나 또는 하나 이상은 적어도 부분적으로 컴퓨터 프로그램 모듈을 통해 구현될 수 있고, 해당 컴퓨터 프로그램 모듈은 실행될 경우, 대응되는 기능을 실행할 수 있다.
예를 들어, 취득 모듈(510), 제1 확정 모듈(520), 제2 확정 모듈(530) 및 그룹화 모듈(540) 중 임의의 2개이상은 하나의 모듈에 병합하여 구현할 수 있고, 또는 이중 임의의 하나의 모듈은 복수의 모듈로 분할될 수 있다. 또는, 이들 모듈 중 하나 또는 복수의 모듈의 적어도 일부 기능은 다른 모듈의 적어도 일부 기능과 결합되어, 하나의 모듈로 구현할 수 있다. 본 발명의 실시예에 따른 취득 모듈(510), 제1 확정 모듈(520), 제2 확정 모듈(530) 및 그룹필 모듈(540) 중 적어도 하나는, 적어도 부분적으로 예를 들어 FPGA(Field Programmable Gate Array), PLA(Programmable Logic Array), SOC(System On Chip), SOS(System On Substrate), SOP(System On Package), ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 회로를 통해 구현되거나, 또는 회로를 집적시키거나 패키징시키는 기타 합리적인 방식 등 하드웨어 또는 펌웨어를 통해 구현되거나, 또는 소프트웨어, 하드웨어 및 펌웨어의 3가지 구현방식 중 임의의 하나 또는 하나 이상의 조합을 통해 구현될 수 있다. 또는, 취득 모듈(510), 제1 확정 모듈(520), 제2 확정 모듈(530) 및 그룹필 모듈(540) 중 적어도 하나는 적어도 부분적으로 컴퓨터 프로그램 모듈을 통해 구현될 수 있고, 해당 컴퓨터 프로그램 모듈은 실행될 경우, 대응되는 기능을 실행할 수 있다.
도6은 본 발명의 일 실시 예에 따른 상기 방법을 구현하기에 적합한 컴퓨터 장비의 블록도를 개략적으로 나타낸다. 도6에 도시된 컴퓨터 장비는 단지 하나의 실예일 뿐, 본 발명의 실시 예의 기능 및 사용 범위는 결코 이에 한정되지 않는다.
도 6에 도시된 바와 같이, 본 발명의 실시예에 따른 컴퓨터 장비(600)는 프로세서(601)를 포함하고, 프로세서(601)는 ROM(Read Only Memory)(602)에 저장된 프로그램 또는 저장부(608)로부터 RAM(Random Access Memory)(603)에 로드된 프로그램에 따라 각종 적당한 동작 및 처리를 실행할 수 있다. 프로세서 (601)는 예를 들어 범용 마이크로 프로세서 (예를 들어, CPU), 명령 집합 프로세서 및/또는 관련 칩셋 및/또는 전용 마이크로 프로세서(예를 들어, ASIC(Application Specific Integrated Circuit)) 등을 포함할 수 있다. 프로세서(601)는 버퍼링 용도로 쓰이는 보드 탑재 메모리를 포함할 수도 있다. 프로세서(601)는 본 발명의 실시예에 따른 방법의 흐름의 서로 다른 동작을 실행하기 위한 단일 처리 유닛 또는 복수의 처리 유닛을 포함할 수 있다.
RAM(603)에는, 장비(600) 조작에 필요한 각종 프로그램 및 데이터가 저장되어 있다. 프로세서(601), ROM(602) 및RAM(603)은 버스(604)를 통해 서로 연결된다. 프로세서(601)는 ROM(602) 및/또는 RAM(603)에 저장된 프로그램을 실행함으로써, 본 발명의 실시예에 따른 방법의 흐름의 각 동작을 실행한다. 지적해두어야 할 것은, 상기 프로그램은 ROM(602) 및 RAM(603)을 제외한 하나 또는 복수의 메모리에 저장될 수도 있다. 프로세서 (601)는 상기 하나 또는 복수의 메모리에 저장되어 있는 프로그램을 실행함으로써, 본 발명의 실시예에 따른 방법의 흐름의 각 동작을 실행할 수도 있다.
본 발명의 실시예에 따르면, 장비(600)는 입력/출력(I/O) 인터페이스(605)를 더 포함할 수 있고, 입력/출력(I/O) 인터페이스(605)도 버스(604)에 연결된다. 장비(600)는, I/O 인터페이스(605)에 연결되는 키보드, 마우스 등을 포함하는 입력부(606), 음극선관(CRT), 액정 디스플레이(LCD) 등 및 스피커 등을 포함하는 출력부(607), 하드 디스크 등을 포함하는 저장부(608), 및 LAN 카드, 모뎀 등과 같은 네트워크 인터페이스 카드를 포함하는 통신부(609) 중의 하나 또는 복수개를 포함할 수 있다. 통신부(609)는 인터넷과 같은 네트워크를 통해 통신 처리를 실행한다. 수요에 따라, 드라이버(610)도 I/O 인터페이스(605)에 연결된다. 수요에 따라, 디스크, 광 디스크, 자기 광 디스크, 반도체 메모리 등과 같은 탈착가능 매체(611)를 드라이버(610)에 장착함으로써, 이들로부터 판독된 컴퓨터 프로그램을 수요에 따라 저장부(608)에 설치할 수 있도록 한다.
본 발명의 실시예에 따르면, 본 발명의 실시예에 따른 방법의 흐름은 컴퓨터 소프트웨어 프로그램으로 실현될 수 있다. 예를 들어, 본 발명의 실시예는 컴퓨터 프로그램 제품을 포함하고, 상기 제품은 컴퓨터 판독가능 저장 매체에 탑재된 컴퓨터 프로그램을 포함하고, 상기 컴퓨터 프로그램은 흐름도에 도시된 방법을 실행하기 위한 프로그램 코드를 포함할 수 있다. 이러한 실시예에 있어서, 상기 컴퓨터 프로그램은 통신부(609)를 통해 네트워크로부터 다운도르하여 설치하거나, 또는 탈착가능 매체(611)로부터 설치할 수 있다. 상기 컴퓨터 프로그램이 프로세서 (601)에 의해 실행될 경우, 본 발명의 실시예의 시스템에서 한정된 상기 기능을 실행한다. 본 발명의 실시예에 따르면, 앞에서 설명한 시스템, 장비, 장치, 모듈, 유닛 등은 컴퓨터 프로그램 모듈을 통해 실현될 수 있다.
본 발명은 컴퓨터 판독가능 저장 매체도 제공한다. 상기 컴퓨터 판독가능 저장 매체는 상기 실시예에서 설명한 장비/장치/시스템에 포함될 수도 있고, 상기 장비/장치/시스템에 조립되지 않고 단독적으로 존재할 수도 있다. 상기 컴퓨터 판독가능 저장 매체에는 하나 또는 복수의 프로그램이 탑재되고, 상기 하나 또는 복수의 프로그램이 실행될 경우, 본 발명의 실시예에 따른 방법을 실현한다.
본 발명의 실시예에 따르면, 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 비휘발성 저장 매체일 수 있다. 예를 들어, 휴대용 컴퓨터 디스크, 하드 디스크, RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programming ROM), 또는 플래시 메모리, 휴대용 CD-ROM(Compact Disc Read Only Memory), 광학적 저장 디바이스, 자기적 저장 디바이스, 또는 이들의 임의의 적합한 조합을 포함할 수 있는데, 이에 한정되지는 않는다. 본 발명에 있어서, 컴퓨터 판독가능 저장 매체는 프로그램을 포함 또는 저장하는 임의의 유형의 매체일 수 있는데, 상기 프로그램은 명령 실행 시스템, 장치 또는 디바이스에 의해 사용되거나 이들과 결합하여 사용할 수 있다. 예를 들어, 본 발명의 실시예에 따르면, 컴퓨터 판독가능 저장 매체는 앞에서 설명한 ROM(602) 및/또는 RAM(603) 및/또는 ROM(602)과 RAM(603)을 제외한 하나 또는 복수의 메모리를 포함할 수 있다.
첨부 도면의 흐름도 및 블록도는, 본 발명의 각종 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 실현가능한 체계구조, 기능 및 동작을 도시하고 있다. 이 점에서, 흐름도 또는 블록도의 각 블록은 하나의 모듈, 프로그램 세그먼트, 또는 코드의 일부를 의미할 수 있고, 상기 모듈, 프로그램 세그먼트 또는 코드의 일부는 하나 또는 복수의 소정의 논리적 기능을 실현하기 위한 실행가능 명령을 포함한다. 지적해두어야 할 것은, 다른 일부 실시예에 있어서, 블록에 표기된 기능은 첨부 도면에 표기된 순서와 다른 순서로 실행될 수도 있다. 예를 들어, 순차적으로 표시된 2개의 블록은 병행적으로 실행될 수 도 있고, 반대되는 순서로 실행될 수도 있는데, 이는 관련되는 기능에 의해 결정된다. 또한, 지적해두어야 할 것은, 블록도 또는 흐름도 중의 각 블록 및 블록도 또는 흐름도 중의 블록의 조합은, 소정의 기능 또는 동작을 실행하는 전용적인 하드웨어에 기반한 시스템을 통해 구현하거나, 또는 전용 하드웨어와 컴퓨터 명령의 조합을 통해 구현할 수 있다.
당업자라면, 본 발명에 명확히 개시되어 있지 않더라도, 본 발명의 각 실시예 및/또는 청구항에 기재된 특징을 다양하게 조합 및/또는 결합할 수 있음을 이해할수 있을 것이다. 특히, 본 발명의 취지 및 시사를 벗어나지 않고 본 발명의 각 실시예 및/또는 청구항에 기재된 특징을 다양하게 조합 및/또는 결합할 수 있다. 이러한 전부의 조합 및/또는 결합은 모두 본 발명의 범위에 속한다.
이상에서는 본 발명의 실시예에 대해 설명하였다. 하지만, 이러한 실시예는 단지 설명을 위한 것일 뿐, 결코 본 발명의 범위를 제한하기 위한 것이 아니다. 비록 이상에서는 각 실시예를 별도로 설명하였으나, 이는 결코 각 실시예 중의 조치가 결합하여 사용할수 없음을 의미하지 않는다. 본 발명의 범위는 첨부된 청구의 범위 및 그 등가물에 의해 한정된다. 당업자라면, 본 발명의 범위를 벗어나지 않고, 다양하게 치환 및 변경할 수 있는데, 이러한 치환 및 변경 또한 본 발명의 범위에 포함되어야 한다.
110: 단말장비 131: 사용자 행위 데이터베이스
132: 검색 엔진

Claims (13)

  1. 소정의 사용자 그룹의 시간 선별 조건 및 이벤트 선별 조건을 포함하는 그룹화 조건을 취득하는 것,
    상기 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하는 것,
    상기 각 사용자 행위 데이터 및 상기 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 상기 각 사용자 행위 데이터의 상기 각 타겟 시간대에 대한 연관 데이터를 확정하고, 상기 연관 데이터에 의해 연관 테이블을 구성하는 것, 및
    피측정 시간대와 상기 이벤트 선별 조건에 기초하여, 상기 연관 테이블로부터 상기 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 상기 타겟 연관 데이터에 근거하여 상기 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하는 것을 포함하며,
    상기 연관 데이터는, 상기 각 사용자 행위 데이터 및 상기 각 타겟 시간대를 나타내는 제2 시간 정보를 포함하고,
    상기 각 사용자 행위 데이터는, 사용자 식별 정보 및 이벤트 설명 정보를 포함하고,
    상기 연관 테이블로부터 상기 피측정 시간대에 대한 상기 타겟 연관 데이터를 선별하는 것은,
    상기 연관 테이블로부터 상기 타겟 시간대가 상기 피측정 시간대에 속하고, 이벤트 설명 정보가 상기 이벤트 선별 조건에 부합되는 상기 타겟 연관 데이터를 선별하는 것을 포함하며,
    상기 이벤트 선별 조건은, 소정의 상품에 대한 소정의 행위의 발생 횟수가 소정의 수치 이상임을 지시하고,
    상기 연관 테이블로부터 상기 타겟 시간대가 상기 피측정 시간대에 속하고, 상기 이벤트 설명 정보가 상기 이벤트 선별 조건에 부합되는 상기 타겟 연관 데이터를 선별하는 것은,
    카운트 파라미터를 초기 값인 0으로 리셋하는 것,
    상기 연관 테이블로부터 상기 사용자 식별 정보가 제1 수치와 동일하고 상기 제2 시간 정보가 제2 수치와 동일한 연관 데이터를 검색하는 것,
    검색된 각 연관 데이터에 대해, 상기 각 연관 데이터 중의 이벤트 설명 정보가 상기 소정의 상품에 대한 상기 소정의 행위를 지시하는 것으로 확정될 경우, 상기 카운트 파라미터의 값을 1씩 증가시키는 것,
    검색이 종료된 후, 상기 카운트 파라미터의 값이 상기 소정의 수치 이상인지 확인하는 것, 및
    상기 카운트 파라미터의 값이 상기 소정의 수치 이상일 경우, 상기 각 연관 데이터를 타겟 연관 데이터로 확정하는 것을 포함하는,
    사용자 그룹화 방법.
  2. 제1항에 있어서,
    상기 시간 선별 조건은, 앞의 제1 수량의 소정의 시간대를 지시하고, 상기 각 사용자 행위 데이터는 이벤트 발생 시간의 제1 시간 정보를 포함하고,
    상기 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하는 것은,
    상기 각 사용자 행위 데이터의 이벤트 발생 시간 직후의 제1 수량의 소정의 시간대 중 각 소정의 시간대를 하나의 타겟 시간대로 하는 것을 포함하는,
    사용자 그룹화 방법.
  3. 제1항에 있어서,
    상기 시간 선별 조건은, 뒤의 제2 수량의 소정의 시간대를 지시하고, 상기 각 사용자 행위 데이터는 이벤트 발생 시간의 제1 시간 정보를 포함하고,
    상기 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하는 것은,
    상기 각 사용자 행위 데이터의 이벤트 발생 시간 직전의 제2 수량의 소정의 시간대 중 각 소정의 시간대를 하나의 타겟 시간대로 하는 것을 포함하는,
    사용자 그룹화 방법.
  4. 제1항에 있어서,
    상기 적어도 하나의 타겟 시간대를 확정한 후, 상기 적어도 하나의 타겟 시간대로부터 유효 시간 윈도내에 있는 타겟 시간대를 선별하는 것, 및
    선별한 타겟 시간대를 업데이트된 상기 적어도 하나의 타겟 시간대로 하는 것을 더 포함하는,
    사용자 그룹화 방법.
  5. 삭제
  6. 삭제
  7. 소정의 사용자 그룹의 시간 선별 조건 및 이벤트 선별 조건을 포함하는 그룹화 조건을 취득하는 것,
    상기 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하는 것,
    상기 각 사용자 행위 데이터 및 상기 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 상기 각 사용자 행위 데이터의 상기 각 타겟 시간대에 대한 연관 데이터를 확정하고, 상기 연관 데이터에 의해 연관 테이블을 구성하는 것, 및
    피측정 시간대와 상기 이벤트 선별 조건에 기초하여, 상기 연관 테이블로부터 상기 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 상기 타겟 연관 데이터에 근거하여 상기 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하는 것을 포함하며,
    상기 연관 데이터는, 상기 각 사용자 행위 데이터 및 상기 각 타겟 시간대를 나타내는 제2 시간 정보를 포함하고,
    상기 각 사용자 행위 데이터는, 사용자 식별 정보 및 이벤트 설명 정보를 포함하고,
    상기 연관 테이블로부터 상기 피측정 시간대에 대한 상기 타겟 연관 데이터를 선별하는 것은,
    상기 연관 테이블로부터 상기 타겟 시간대가 상기 피측정 시간대에 속하고, 상기 이벤트 설명 정보가 상기 이벤트 선별 조건에 부합되는 상기 타겟 연관 데이터를 선별하는 것을 포함하며,
    상기 이벤트 선별 조건은, 제1 소정의 상품에 대한 제1 소정의 행위의 발생 횟수가 제1 소정의 수치 이상이고, 제2 소정의 상품에 대한 제2 소정의 행위의 발생 횟수가 제2 소정의 수치 이상임을 지시하고,
    상기 연관 테이블로부터 상기 타겟 시간대가 상기 피측정 시간대에 속하고, 상기 이벤트 설명 정보가 상기 이벤트 선별 조건에 부합되는 상기 타겟 연관 데이터를 선별하는 것은,
    제1 카운트 파라미터 및 제2 카운트 파라미터를 각각 초기 값인 0으로 리셋하는 것,
    상기 연관 테이블로부터 상기 사용자 식별 정보가 제1 수치와 동일하고 상기 제2 시간 정보가 제2 수치와 동일한 연관 데이터를 검색하는 것,
    검색된 각 연관 데이터에 대해, 상기 각 연관 데이터 중의 이벤트 설명 정보가 상기 제1 소정의 상품에 대한 상기 제1 소정의 행위를 지시하는 것으로 확정될 경우, 상기 제1 카운트 파라미터의 값을 1씩 증가시키고, 상기 각 연관 데이터 중의 이벤트 설명 정보가 상기 제2 소정의 상품에 대한 상기 제2 소정의 행위를 지시하는 것으로 확정될 경우, 상기 제2 카운트 파라미터의 값을 1씩 증가시키는 것,
    검색이 종료된 후, 상기 제1 카운트 파라미터의 값이 상기 제1 소정의 수치 이상이고, 상기 제2 카운트 파라미터의 값이 상기 제2 소정의 수치 이상인지 확정하는 것, 및
    상기 제1 카운트 파라미터의 값이 상기 제1 소정의 수치 이상이고, 상기 제2 카운트 파라미터의 값이 상기 제2 소정의 수치 이상일 경우, 상기 각 연관 데이터를 타겟 연관 데이터로 확정하는 것을 포함하는,
    사용자 그룹화 방법.
  8. 제1항 또는 제7항에 있어서,
    상기 타겟 연관 데이터에 근거하여 상기 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하는 것은,
    상기 타겟 연관 데이터의 상기 사용자 식별 정보에 근거하여, 상기 피측정 시간대에 대한 상기 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하는 것을 포함하는,
    사용자 그룹화 방법.
  9. 제1항 또는 제7항에 있어서,
    상기 각 사용자 행위 데이터의 상기 각 타겟 시간대에 대한 연관 데이터를 확정하는 것은,
    상기 각 사용자 행위 데이터와 상기 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 카티전 곱하여, 상기 각 사용자 행위 데이터의 상기 각 타겟 시간대에 대한 연관 데이터를 얻는 것을 포함하는,
    사용자 그룹화 방법.
  10. 소정의 사용자 그룹의 시간 선별 조건 및 이벤트 선별 조건을 포함하는 그룹화 조건을 취득하기 위한 취득 모듈,
    상기 시간 선별 조건에 기초하여, 사용자 행위 데이터베이스 중 각 사용자 행위 데이터의 적어도 하나의 타겟 시간대를 확정하기 위한 제1 확정 모듈,
    상기 각 사용자 행위 데이터 및 상기 적어도 하나의 타겟 시간대 중 각 타겟 시간대에 기초하여, 상기 각 사용자 행위 데이터의 상기 각 타겟 시간대에 대한 연관 데이터를 확정하고, 상기 연관 데이터에 의해 연관 테이블을 구성하기 위한 제2 확정 모듈, 및
    피측정 시간대와 상기 이벤트 선별 조건에 기초하여, 상기 연관 테이블로부터 상기 피측정 시간대에 대한 타겟 연관 데이터를 선별하고, 상기 타겟 연관 데이터에 근거하여 상기 소정의 사용자 그룹에 속하는 타겟 사용자를 확정하기 위한 그룹화 모듈을 포함하며,
    상기 연관 데이터는, 상기 각 사용자 행위 데이터 및 상기 각 타겟 시간대를 나타내는 제2 시간 정보를 포함하고,
    상기 각 사용자 행위 데이터는, 사용자 식별 정보 및 이벤트 설명 정보를 포함하고,
    상기 그룹화 모듈에서 상기 연관 테이블로부터 상기 피측정 시간대에 대한 상기 타겟 연관 데이터를 선별하는 것은,
    상기 연관 테이블로부터 상기 타겟 시간대가 상기 피측정 시간대에 속하고, 이벤트 설명 정보가 상기 이벤트 선별 조건에 부합되는 상기 타겟 연관 데이터를 선별하는 것을 포함하며,
    상기 이벤트 선별 조건은, 소정의 상품에 대한 소정의 행위의 발생 횟수가 소정의 수치 이상임을 지시하고,
    상기 그룹화 모듈에서 상기 연관 테이블로부터 상기 타겟 시간대가 상기 피측정 시간대에 속하고, 상기 이벤트 설명 정보가 상기 이벤트 선별 조건에 부합되는 상기 타겟 연관 데이터를 선별하는 것은,
    카운트 파라미터를 초기 값인 0으로 리셋하는 것,
    상기 연관 테이블로부터 상기 사용자 식별 정보가 제1 수치와 동일하고 상기 제2 시간 정보가 제2 수치와 동일한 연관 데이터를 검색하는 것,
    검색된 각 연관 데이터에 대해, 상기 각 연관 데이터 중의 이벤트 설명 정보가 상기 소정의 상품에 대한 상기 소정의 행위를 지시하는 것으로 확정될 경우, 상기 카운트 파라미터의 값을 1씩 증가시키는 것,
    검색이 종료된 후, 상기 카운트 파라미터의 값이 상기 소정의 수치 이상인지 확인하는 것, 및
    상기 카운트 파라미터의 값이 상기 소정의 수치 이상일 경우, 상기 각 연관 데이터를 타겟 연관 데이터로 확정하는 것을 포함하는,
    사용자 그룹화 장치.
  11. 컴퓨터 명령이 저장되어 있는 메모리 및 적어도 하나의 프로세서를 포함하는 컴퓨터 장비에 있어서,
    상기 컴퓨터 명령이 상기 프로세서에 의해 실행될 경우, 제1항 내지 제4항 및 제7항 중 어느 한 항의 방법을 구현하는,
    컴퓨터 장비.
  12. 컴퓨터 프로그램이 저장되어 있는 비 일시적 컴퓨터 판독가능 저장 매체에 있어서,
    컴퓨터 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제4항 및 제7항 중 어느 한 항의 방법을 구현하는,
    비 일시적 컴퓨터 판독가능 저장 매체.
  13. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램의 명령이 프로세서에 의해 실행될 경우, 제1항 내지 제4항 및 제7항 중 어느 한 항의 방법을 구현하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
KR1020210032760A 2020-06-30 2021-03-12 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 KR102522274B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010616220.2A CN111782966B (zh) 2020-06-30 2020-06-30 用户分群方法、装置、计算机设备和介质
CN202010616220.2 2020-06-30

Publications (2)

Publication Number Publication Date
KR20210038454A KR20210038454A (ko) 2021-04-07
KR102522274B1 true KR102522274B1 (ko) 2023-04-18

Family

ID=72759973

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210032760A KR102522274B1 (ko) 2020-06-30 2021-03-12 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램

Country Status (5)

Country Link
US (1) US11580136B2 (ko)
EP (1) EP3825861A3 (ko)
JP (1) JP7269980B2 (ko)
KR (1) KR102522274B1 (ko)
CN (1) CN111782966B (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085542B (zh) * 2020-10-23 2024-01-26 北京金堤科技有限公司 用户筛选方法和装置、计算机可读存储介质、电子设备
CN112506981A (zh) * 2021-02-05 2021-03-16 深圳市阿卡索资讯股份有限公司 一种线上培训服务推送方法和装置
CN112800047B (zh) * 2021-03-03 2024-04-05 百果园技术(新加坡)有限公司 用户关联数据处理方法、装置、设备和存储介质
CN113076473B (zh) * 2021-03-19 2024-05-07 土巴兔集团股份有限公司 用户数据处理方法、装置、计算机设备及存储介质
CN114186855A (zh) * 2021-12-11 2022-03-15 中国工商银行股份有限公司 监控预警方法、装置、计算机设备、存储介质和程序产品
CN114663158A (zh) * 2022-03-31 2022-06-24 京东科技信息技术有限公司 确定目标对象的方法及标识关联图的构建方法、装置
CN114820079B (zh) * 2022-05-20 2023-04-18 百度在线网络技术（北京）有限公司 人群确定方法、装置、设备及介质
CN115391612B (zh) * 2022-09-01 2023-06-06 元心信息科技集团有限公司 数据处理方法、装置、设备及可读存储介质
CN115882611B (zh) * 2023-03-08 2023-05-12 北京清大高科***控制有限公司 一种多源数据融合的有序用电监视方法及装置
CN116342193A (zh) * 2023-03-29 2023-06-27 上海数禾信息科技有限公司 基于用户旅程的用户分类方法、装置、计算机设备和介质
CN117713386B (zh) * 2024-02-05 2024-04-16 国网山东省电力公司东营市河口区供电公司 电网智能监测控制方法、装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180083996A1 (en) * 2016-09-21 2018-03-22 Sentient Technologies (Barbados) Limited Detecting behavioral anomaly in machine learned rule sets
US20180288063A1 (en) * 2017-03-31 2018-10-04 Oracle International Corporation Mechanisms for anomaly detection and access management

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3815218B2 (ja) 2000-12-20 2006-08-30 株式会社日立製作所 データ分析方法及び装置
JP5440080B2 (ja) * 2009-10-02 2014-03-12 ソニー株式会社 行動パターン解析システム、携帯端末、行動パターン解析方法、及びプログラム
JP5785869B2 (ja) 2011-12-22 2015-09-30 株式会社日立製作所 行動属性分析プログラムおよび装置
US9171000B2 (en) * 2013-03-15 2015-10-27 Yahoo! Inc. Method and system for mapping short term ranking optimization objective to long term engagement
US9616344B2 (en) * 2014-03-31 2017-04-11 Electronic Arts Inc. Two-dimensional database query
JP6932533B2 (ja) 2017-04-06 2021-09-08 株式会社オークローンマーケティング 分析支援装置
CN109582808A (zh) * 2018-11-22 2019-04-05 北京锐安科技有限公司 一种用户信息查询方法、装置、终端设备和存储介质
CN110147821A (zh) * 2019-04-15 2019-08-20 中国平安人寿保险股份有限公司 目标用户群体确定方法、装置、计算机设备及存储介质
CN111192072B (zh) * 2019-10-29 2023-08-04 腾讯科技（深圳）有限公司 用户分群方法及装置、存储介质
CN111259263B (zh) * 2020-01-15 2023-04-18 腾讯云计算（北京）有限责任公司 一种物品推荐方法、装置、计算机设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180083996A1 (en) * 2016-09-21 2018-03-22 Sentient Technologies (Barbados) Limited Detecting behavioral anomaly in machine learned rule sets
US20180288063A1 (en) * 2017-03-31 2018-10-04 Oracle International Corporation Mechanisms for anomaly detection and access management

Also Published As

Publication number Publication date
KR20210038454A (ko) 2021-04-07
US20210191958A1 (en) 2021-06-24
CN111782966B (zh) 2023-07-28
JP2021103585A (ja) 2021-07-15
EP3825861A2 (en) 2021-05-26
EP3825861A3 (en) 2021-11-03
US11580136B2 (en) 2023-02-14
CN111782966A (zh) 2020-10-16
JP7269980B2 (ja) 2023-05-09

Similar Documents

Publication Publication Date Title
KR102522274B1 (ko) 사용자 그룹화 방법 및 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램
US9348677B2 (en) System and method for batch evaluation programs
JP6850722B2 (ja) イベント処理のための動的に型付けされたビッグデータによるイベントの充実化
CN109241159B (zh) 一种数据立方体的分区查询方法、***及终端设备
US20180329963A1 (en) Embedded Analytics and Transactional Data Processing
US20150186808A1 (en) Contextual data analysis using domain information
CN111427971B (zh) 用于计算机***的业务建模方法、装置、***和介质
US10394772B2 (en) Database capacity estimation for database sizing
US20140067548A1 (en) Saving on device functionality for business calendar
US20150019528A1 (en) Prioritization of data from in-memory databases
CN109240893B (zh) 应用运行状态查询方法及终端设备
CN110737673B (zh) 一种数据处理的方法及***
CN113190576A (zh) 数据处理方法、装置、计算机设备和可读存储介质
US11961060B2 (en) Systems and methods for assigning attribution weights to nodes
US20230004560A1 (en) Systems and methods for monitoring user-defined metrics
CN116302867A (zh) 行为数据分析方法、装置、计算机设备、介质和程序产品
US20150046439A1 (en) Determining Recommendations In Data Analysis
US20220129456A1 (en) Integration of timeseries data and time dependent semantic data
CN113987032A (zh) 用于确定云服务实施策略的方法、装置、设备和存储介质
CN117216164A (zh) 金融数据同步处理方法、装置、设备、介质和程序产品
CN116954858A (zh) 一种多维度数据计算方法及相关设备
CN115981970A (zh) 运维数据分析方法、装置、设备和介质
CN118092997A (zh) 源代码调整方法、装置、计算机设备和存储介质
CN118132656A (zh) 知识图谱构建方法、装置、计算机设备和存储介质
CN117312398A (zh) 数据处理方法及装置、电子设备和计算机可读存储介质

Legal Events

Date Code Title Description
AMND Amendment
E902 Notification of reason for refusal
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant