TWI743428B

TWI743428B - 目標用戶群體的確定方法和裝置

Info

Publication number: TWI743428B
Application number: TW107146922A
Authority: TW
Inventors: 郭曉波
Original assignee: 開曼群島商創新先進技術有限公司
Priority date: 2018-03-06
Filing date: 2018-12-25
Publication date: 2021-10-21
Also published as: CN108537567A; WO2019169961A1; CN108537567B; US20200294111A1; TW201939400A

Abstract

本說明書實施例提供一種目標用戶群體的確定方法和裝置，其中的方法包括：根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶；根據種子用戶的用戶特徵，獲取所述種子用戶的相似用戶群體；根據所述相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率；將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。

Description

目標用戶群體的確定方法和裝置

本說明書係有關電腦技術領域，特別有關一種目標用戶群體的確定方法和裝置。

在對某特定的產品進行行銷時，儘量預先確定該產品要向哪些人群進行行銷，人群確定得越準確，越能提高行銷的成功率，這可以稱為人群精準行銷。例如，以保險產品為例，保險產品運營人員可以根據待行銷的不同保險產品的特點，分別確定各保險產品的行銷人群，對於一種保險產品，可以向人群A行銷；對於另一種保險產品，則針對的行銷人群可能發生變化，向人群B行銷。行銷的目標人群的精準，能夠有助於提升行銷過程中的點擊和轉化，以較高的效率挖掘潛在的用戶流量。因此，在行銷產品前，準確地確定其行銷人群很重要，這部分人群可以稱為目標用戶群體。

有鑑於此，本說明書提供一種目標用戶群體的確定方法和裝置，以使得目標用戶群體的確定更加精準。具體地，本說明書的一個或多個實施例是透過如下技術方案來實現的：第一態樣，提供一種目標用戶群體的確定方法，所述方法包括：根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶；根據所述種子用戶的用戶特徵，獲取所述種子用戶的相似用戶群體；根據所述相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率；將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。第二態樣，提供一種目標用戶群體的確定裝置，所述裝置包括：種子確定模組，用以根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶；群體擴大模組，用以根據所述種子用戶的用戶特徵，獲取所述種子用戶的相似用戶群體；分值處理模組，用以根據所述相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率；目標確定模組，用以將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。協力廠商側，提供一種目標用戶群體的確定設備，所述設備包括記憶體、處理器，以及儲存在記憶體上並可在處理器上運行的電腦指令，所述處理器執行指令時實現以下步驟：根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶；根據所述種子用戶的用戶特徵，獲取所述種子用戶的相似用戶群體；根據所述相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率；將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。本說明書一個或多個實施例的目標用戶群體的確定方法和裝置，透過基於種子用戶獲取相似用戶群體，實現人群放大，確保了產品推薦的量級；其次，還透過根據相似用戶群體的各個用戶的機率分值進行過濾，選取滿足預設條件的用戶作為推薦產品的目標用戶，確保了產品推薦用戶的優質，這兩個保量和保質的兩階段結合的處理方式，使得在擴大人群量級的同時兼顧了投放人群的優質，提高了目標用戶定位的準確性。

為了使本技術領域的人員更好地理解本說明書一個或多個實施例中的技術方案，下面將結合本說明書一個或多個實施例中的附圖，對本說明書一個或多個實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是一部分實施例，而不是全部的實施例。基於本說明書的一個或多個實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本說明書保護的範圍。

本說明書一個或多個實施例提供的目標用戶群體的確定方法，可以用來確定對於一個特定的待推薦產品，應該向哪些用戶進行行銷。如下的例子中，將以保險產品的行銷為例進行該方法的描述，但是，該方法並不局限於保險產品，同樣可以應用於其他產品或者類似的其他場景，比如，廣告的定向投放。

圖1為本說明書一個或多個實施例提供的一種目標用戶群體的確定方法的流程圖，該方法以保險產品行銷的目標用戶群體的確定為例，如圖1所示，該方法可以包括：在步驟100中，根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶。

本步驟中，待推薦的產品可以是保險產品。其中，用戶對待推薦產品的關聯行為資料，例如，可以包括用戶對某個保險產品進行投保、分享、點擊等行為的統計資料，這些資料可以是投保次數、分享次數、點擊次數或者點擊率等。此外，關聯行為資料也可以不是用戶直接對待推薦產品操作產生的資料，而是在本方法中與用戶和待推薦產品都有關係的資料，比如，可以是用來估計用戶是否是待推薦產品的目標用戶機率的資料，這些資料可以是用戶的各類支付資料，如，購買保險產品、旅行類目支付、共用單車支付、乘公車和地鐵支付、購買境外旅行產品等。

以一個特定的待推薦產品為例，用戶對該產品的關聯行為資料，可以包括不同行為類型的資料。比如，“投保”是一個行為類型，該行為類型的關聯行為資料可以是投保次數；又比如，“點擊”是另一個行為類型，該類型對應的關聯行為資料可以是點擊次數。在確定一個用戶是否是待推薦產品的種子用戶時，可以綜合上述不同行為類型的關聯行為資料來判斷。

圖2為本說明書一個或多個實施例提供的一種種子用戶確定方法，如圖2所示，該方法可以包括：在步驟200中，分別對於每個用戶，確定所述用戶對應各個行為類型的行為偏好值，所述行為偏好值用以表示所述用戶在所述行為類型上對待推薦產品的偏好度。

種子用戶的確定，可以是由一個包括眾多用戶的用戶群體中確定哪些用戶是種子用戶。那麼，對於該用戶群體中的每一個用戶，都可以計算該用戶分別在不同行為類型上對待推薦的保險產品的偏好度，該偏好度可以用行為偏好值來表示，用以表示用戶在某個行為類型上是否體現出了對該保險產品的足夠興趣。例如，用戶在“投保”行為上的行為偏好值，如果該行為偏好值較高，也許說明該用戶對待推薦的保險產品的投保量較大，可以體現出對該產品有興趣。又例如，用戶在“分享”行為上的行為偏好值，如果該行為偏好值較高，說明該用戶在對該產品的分享上足夠活躍，有著較高的分享次數。用戶在每一種行為類型對應的行為偏好值，可以按照統一的計算邏輯而得到。圖3示例了一種行為偏好值的計算流程，該流程以“點擊”這個行為類型為例來描述，同樣適用於“投保”、“點擊”等其他的行為類型下的行為偏好值計算。在步驟300中，採集用戶每天對待推薦產品執行所述行為類型的關聯行為資料、以及關聯行為資料對應的行為日期。本步驟採集的資料可以用戶每天對待推薦產品的點擊次數，以及該點擊次數的產生日期(注意，該日期是行為實際發生的日期，不是採集日期，比如，在某天點擊了三次，那麼“3”這個資料是該天產生的，有可能過了兩天才採集該資料)。例如，如下表1示例：

在步驟302中，根據所述關聯行為資料和行為日期，確定所述用戶在所述行為類型上對待推薦產品的長期偏好和短期偏好。本步驟中，對於每個用戶可以計算兩個資料，一個是用戶在特定行為類型上對產品的長期偏好資料weight_l ，另一個是用戶在該行為類型上對產品的短期偏好資料weight_s 。其中，長期偏好資料可以是依據第一時間段內採集的關聯行為資料而得到，短期偏好資料可以是依據第二時間段內採集的關聯行為資料而得到，第一時間段大於第二時間段。舉例來說，以目前方法處理的時間為基準，往前推(30+7)天，獲取這37天採集的資料，包括其中每天的關聯行為資料(步驟300中採集的資料)。距離目前基準時間最近的7天，可以稱為第二時間段，另外的那30天可以稱為第一時間段。即在時間軸上的排列順序可以是“第一時間段——第二時間段——目前時間”。上述的“30”、“7”只是示例，但並不限制於此，可以改變數值。不論是長期偏好資料還是短期偏好資料，都可以按照如下的公式(1)進行計算，該公式可以是根據關聯行為資料和行為日期來確定偏好資料，並且對不同行為日期的資料進行了時間加權，按照時間遠近進行衰減加權。

其中，weight_ipv表示長期偏好資料或者短期偏好資料，insured_pv_1d表示步驟300中採集到的每天的關聯行為資料，bizdate表示目前日期，ipv_date表示insured_pv_1d所產生的日期，data表示第一時間段或者第二時間段的天數，例如，30天或者7天，diff()函數用來計算日期的天數之差。在得到weight_ipv後，還可以進行對數化處理和歸一化處理。例如，在上述步驟計算得到weight_ipv之後，不同用戶的資料的尺度差異較大，從業務上和資料處理技巧上來考慮，需要對weight_ipv進行對數化處理，將其值域尺度縮小到合理的範圍之內，其計算公式可以為公式(2)：

其中，log_weight_ipv表示對數化之後的weight_ipv，

表示對數函數，weight_ipv由公式(1)計算得到，a為函數的底數。又例如，在對數化處理之後得到了log_weight_ipv，但是，為了增強結果的可讀性和使用便捷性，可以將這個指標再歸一化到(0,1]區間上，例如，可以採用Min/Max歸一化方法，其計算公式為如下公式(3)：

其中，公式中添加拉普拉斯平滑λ，避免x-min=0或max-min=0的情況，

表示歸一化後的長期偏好資料或短期偏好資料，

表示不同用戶對應的log_weight_ipv的最小值，

表示不同用戶對應的log_weight_ipv的最大值，k例如可以取值1或其他數值。在步驟304中，將長期偏好和短期偏好進行加權組合，得到所述用戶在所述行為類型上對所述待推薦產品的行為偏好值。例如，可以按照如下的公式(4)進行組合：

本例子中，

表示用戶在點擊行為上對待推薦產品的行為偏好值，

表示用戶在點擊行為上對待推薦產品的長期偏好，

表示用戶在點擊行為上對待推薦產品的短期偏好，該長期偏好和短期偏好可以是上述透過公式(1)計算並對數化和歸一化後的資料。此外，參數a的數值設定屬於一個非平凡過程，它通常高度依賴於資料的特點，可以依據經驗來設定。還需要說明的是，在本說明書一個或多個實施例的不同公式中，部分公式都採用了相同的參數a，但這並不是限制於不同公式中的參數a必須相同，在不同的公式中，參數a可以是不同的，具體的數值設定係依據各公式的實際情況來確定。在步驟202中，將所述不同行為類型對應的行為偏好值進行組合，得到所述用戶對所述待推薦產品的綜合行為偏好值。經過步驟200的處理，對於每一個用戶，已經可以得到該用戶分別在不同行為類型下對待推薦產品的行為偏好值。本步驟中，可以將同一個用戶的不同行為類型的行為偏好值進行組合，得到用戶對產品的綜合行為偏好值。

例如，以不同的行為類型包括“投保”、“分享”、“點擊”、“其它出遊方式支付”等為例，可以分別設定不同行為類型在組合時的權重。如下表2示例：

根據表2示例的權重，可以將屬於同一個用戶的不同行為類型對應的行為偏好值進行組合，得到用戶對待推薦產品的綜合行為偏好值，如公式(5)：

其中，score是綜合行為偏好值，weight _t表示用戶在某一個行為類型的行為偏好值，ω表示對應該行為類型的組合權重(比如，該權重可以是2^n(n=0,1,2,3))。每一個用戶都可以得到一個對待推薦產品的綜合行為偏好值。此外，為了確保最終綜合行為偏好值的數值仍保持在(0,1)區間內，可以對不同用戶的綜合行為偏好值進行Min/Max歸一化處理。

在步驟204中，根據不同用戶的綜合行為偏好值，將所述綜合行為偏好值在預設數值範圍內的用戶，確定為所述待推薦產品的種子用戶。

例如，可以設定一個預設的數值範圍，若用戶的綜合行為偏好值在該預設數值範圍內，可以確定該用戶為待推薦產品的種子用戶。

最終得到的種子用戶的數量可以有多個。

在步驟102中，根據種子用戶的用戶特徵，獲取種子用戶的相似用戶群體。

在步驟100獲得種子用戶後，可以基於這些種子用戶來進行人群放大，以說明保險產品的運營人員挖掘更多的潛在用戶流量，滿足產品投放的人群量級需求。本步驟中，可以基於種子用戶來尋找其相似用戶群體。

例如，可以按照圖4所示例的流程，獲取種子用戶的相似用戶群體：在步驟400中，確定種子用戶的顯著特徵。

例如，種子用戶可以具有人口屬性、社會/生活屬性、行為習慣、興趣偏好等多種特徵，可以由這些特徵中選擇能夠將種子用戶與普通用戶明顯區別的特徵，作為種子用戶的顯著特徵。

如下的圖5示例了一種顯著特徵的確定方式，可以包括如下處理：在步驟500中，建構普通用戶和種子用戶的特徵向量，所述特徵向量中包括：多個用戶特徵，每個用戶特徵徵是一個包括多個用戶的特徵值的特徵序列。圖6示例了部分用戶特徵，可以包括性別、年齡、學歷等人口屬性，還包括職業、是否有房、是否有車、資產等級等社會/生活屬性，還包括交通方式、餐飲習慣等行為習慣，以及包括購物偏好、旅行偏好、運動偏好等興趣偏好。本步驟中，可以結合圖6中示例的用戶特徵，建構特徵向量。例如，建構特徵向量

，其中，

表示種子用戶的特徵向量，

表示普通用戶的特徵向量，普通用戶和種子用戶的數量可以1：1。在特徵向量中，可以包括多個用戶特徵，例如，F₁ 、F₂ 、

等，每一個都是一個用戶特徵。而每個用戶特徵可以是一個包括多個用戶的特徵值的特徵序列。例如，v₁ 、v₂ 、

等是屬於同一用戶特徵的不同特徵值。舉例來說，假設種子用戶和普通用戶的數量都是500個。種子用戶的特徵向量是{ F₁ ,F₂ ,……. F_n }，其中的F₁ 是一個用戶特徵，例如可以是“年齡”。該F₁ 是一個特徵序列{ v₁ ,v₂ ,……. v_n }，其中的各個特徵值是500個種子用戶的年齡，這些年齡可以按照由大到小排序。在步驟502中，對於每個所述用戶特徵，計算所述普通用戶和種子用戶對應所述用戶特徵的兩個特徵序列之間的第一差異度和第二差異度。如上所述，特徵向量中的每個用戶特徵都是一個特徵序列，對於每個用戶特徵，可以得到兩個特徵序列，一個是種子用戶的特徵序列，另一個是普通用戶的特徵序列。本步驟中，可以採用不同的差異度計算方式，計算這兩個特徵序列之間的差異度。例如，可以根據餘弦相似度cosine similarity，求得種子用戶與普通用戶的兩個特徵序列的差異度，記作

，可以稱為第一差異度。如公式(6)所示：

其中，

表示種子用戶某用戶特徵的特徵序列，

表示普通用戶的相同用戶特徵的特徵序列。例如，還可以根據史密斯沃特曼演算法smithwaterman，求得種子用戶與普通用戶的兩個特徵序列的差異度，記作

，可以稱為第二差異度。如公式(7)所示：

其中，

表示種子用戶某用戶特徵的特徵序列，

表示普通用戶的相同用戶特徵的特徵序列。在步驟504中，將第一差異度和第二差異度進行組合得到特徵差異度。例如，可以按照公式(8)計算：

其中，

表示某個特徵的第一差異度，

表示相同特徵的第二差異度，diff_F 表示該特徵的特徵差異度。該特徵差異度可以用來表示在該特徵上種子用戶和普通用戶具有多大的差異。在步驟506中，將所述特徵差異度滿足閾值條件的用戶特徵，確定為所述種子用戶的顯著特徵。例如，可以設定閾值條件，將特徵差異度的數值滿足閾值條件的用戶特徵，確定為種子用戶的顯著特徵，在該顯著特徵上，種子用戶和普通用戶具有較為明顯的差異。例如，最終得到的顯著特徵的數量可以是多個。在步驟402中，獲取各個顯著特徵分別對應的用戶清單。例如，可以根據得到的顯著特徵，透過倒排(Inverted Table)找到每個顯著特徵對應的用戶清單。如下表3示意：

在步驟404中，由所述用戶清單中，根據至少一個顯著特徵確定的人群過濾條件，選擇滿足所述人群過濾條件的至少一個用戶，得到相似用戶群體。本步驟中，還可以由上述步驟402得到的用戶清單中，進一步過濾，得到滿足人群過濾條件的至少一個用戶，作為種子用戶的相似用戶群體。上述的人群過濾條件，可以是根據選取的至少部分顯著特徵、以及顯著特徵間的條件組合得到。如下結合圖7進行舉例說明：如圖7所示，假設顯著特徵feature 1、feature 4、feature 7屬於人口屬性的特徵，feature 2、feature 5、feature 8屬於生活特徵，等。圖7中的and表示在選取用戶時，用戶的特徵要同時具有and聯繫的各個顯著特徵，比如，feature 1and feature 4 and feature 7，表示所選取的用戶的用戶特徵中要同時具有這三個特徵。同理，如果將 “feature 1and feature 4”and“feature 2and feature 5”，則用戶既要在人口屬性中同時具有feature 1and feature 4，也要在生活特徵中同時具有feature 2and feature 5。此外，還可以透過設定人群過濾條件來控制相似用戶群體的量級。比如，如果要想擴大相似用戶群體的數量，則可以減少顯著特徵的數量，比如，將人口屬性中的feature7去掉，或者，減少顯著特徵之間的組合條件，比如，and聯繫的顯著特徵減少一些，即放寬過濾條件，則可以擴大人群量級。同理，當要縮小相似用戶群體的數量時，可以增加條件中的顯著特徵數量或者特徵組合。在步驟104中，根據相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率。本步驟中，可以根據某個打分模型，對相似用戶群體中各個用戶進行打分。其中，打分模型的依據可以是在步驟500中建構的特徵向量，即依據用戶的多方面特徵來進行綜合打分，且分值可以是用來表示用戶是否是待推薦的保險產品的目標用戶的機率。例如，可以按照回歸模型來預測用戶的機率分值：

其中，U_F是用戶的特徵向量，clk表示點擊，a屬於超參，主要用來調整預測分值範圍。此外，本步驟中使用的打分模型不局限於上述的回歸模型，也可以採用其他模型，比如，DNN(Deep Neural Network，深度神經網路)，Ensemble Learning(集成學習)。在步驟106中，將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。例如，可以根據所述機率分值進行排序，選擇排序在預設位數的至少一個用戶，得到目標用戶群體。又例如，還可以將所述機率分值滿足預設閾值範圍的至少一個用戶，作為目標用戶群體。本例子的目標用戶群體的確定方法，基於種子用戶獲取相似用戶群體，實現了人群放大，確保了產品推薦的量級；其次，還透過打分模型對相似用戶群體的各個用戶進行打分過濾，選取得分高的用戶作為推薦產品的目標用戶，確保了產品推薦用戶的優質，這兩個保量和保質的兩階段結合的處理方式，使得在擴大人群量級的同時兼顧了投放人群的優質，提高了目標用戶定位的準確性。此外，在種子用戶的顯著特徵提取過程中，透過採用多種差異度計算方式，使得顯著特徵的提取更加準確，例如，可以採用強去噪能力的Smith Waterman序列差異與Cosine相似度線性加權來尋找顯著性特徵。當然，實際實施中也可以採用其他的差異度演算法。並且，本方法中的顯著性特徵提取不依賴人工標注，也不需要先驗知識，並且該顯著性特徵提取方法具有良好的可攜性，易擴展應到其它場景，如廣告定向投放。此外，顯著特徵的獲取時可以使用特徵向量中所有用戶特徵，即每個特徵都參與計算，而非選取部分特徵，這種採用的簡單相似思路非常直接，由於其遍歷式的計算方式，計算產生的資訊損失較少。再者，該方法透過結合用戶的多種類型的關聯行為資料來確定種子用戶，也使得種子用戶的確定更加準確，由此基於種子用戶擴散得到的相似用戶群體也更加優質；並且，在對相似用戶群體中的用戶進行打分時，可以綜合用戶的多種特徵得到機率分值，能夠更準確的評估用戶是目標用戶的機率。此外，該方法還可以方便對人群覆蓋量和投放效果進行控制。比如，人群覆蓋量可以透過人群過濾條件進行控制，而投放效果可以透過根據機率分值進行排序或者閾值進行控制。為了實現上述方法，本說明書的一個或多個實施例還提供了一種目標用戶群體的確定裝置，如圖8所示，該裝置可以包括：種子確定模組81、群體擴大模組82、分值處理模組83和目標確定模組84。種子確定模組81，用以根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶；群體擴大模組82，用以根據所述種子用戶的用戶特徵，獲取所述種子用戶的相似用戶群體；分值處理模組83，用以根據所述相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率；目標確定模組84，用以將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。在一個例子中，種子確定模組81，具體用以：當所述關聯行為資料包括不同行為類型的關聯行為資料時，分別對於每個用戶，確定所述用戶對應各個行為類型的行為偏好值，所述行為偏好值用以表示所述用戶在所述行為類型上對待推薦產品的偏好度；將所述不同行為類型對應的行為偏好值進行組合，得到所述用戶對所述待推薦產品的綜合行為偏好值；根據不同用戶的綜合行為偏好值，將所述綜合行為偏好值在預設數值範圍內的用戶，確定為所述待推薦產品的種子用戶。在一個例子中，種子確定模組81，在用以確定所述用戶對應每個行為類型的行為偏好值時，包括：採集所述用戶每天對所述待推薦產品執行所述行為類型的關聯行為資料、以及關聯行為資料對應的行為日期；根據所述關聯行為資料和行為日期，確定所述用戶在所述行為類型上對待推薦產品的長期偏好和短期偏好，所述長期偏好係依據第一時間段內採集的所述關聯行為資料而得到，所述短期偏好係依據第二時間段內採集的所述關聯行為資料而得到，所述第一時間段大於第二時間段；將所述長期偏好和短期偏好進行加權組合，得到所述用戶在所述行為類型上對所述待推薦產品的行為偏好值。在一個例子中，群體擴大模組82，具體用以：建構普通用戶和所述種子用戶的特徵向量，所述特徵向量中包括：多個用戶特徵，每個用戶特徵是一個包括多個用戶的特徵值的特徵序列；對於每個所述用戶特徵，計算所述普通用戶和種子用戶對應所述用戶特徵的兩個特徵序列之間的第一差異度和第二差異度，所述第一差異度和第二差異度採用不同的差異度計算方式而得到；將第一差異度和第二差異度進行組合得到特徵差異度，並將所述特徵差異度滿足閾值條件的用戶特徵，確定為所述種子用戶的顯著特徵；根據所述顯著特徵，確定所述種子用戶的相似用戶群體。為了描述的方便，描述以上裝置時以功能分為各種模組而分別描述。當然，在實施本說明書的一個或多個實施例時可以把各模組的功能在同一個或多個軟體和/或硬體中實現。上述方法實施例所示流程中的各個步驟，其執行順序不限制於流程圖中的順序。此外，各個步驟的描述，可以實現為軟體、硬體或者其結合的形式，例如，本領域技術人員可以將其實現為軟體代碼的形式，可以為能夠實現所述步驟對應的邏輯功能的電腦可執行指令。當其以軟體的方式來實現時，所述的可執行指令可以被儲存在記憶體中，並被設備中的處理器執行。例如，對應於上述方法，本說明書的一個或多個實施例同時提供一種目標用戶群體的確定設備，該設備可以包括處理器、記憶體、以及儲存在記憶體上並可在處理器上運行的電腦指令，所述處理器透過執行所述指令，用以實現如下步驟：根據用戶對待推薦產品的關聯行為資料，確定所述待推薦產品的種子用戶；根據所述種子用戶的用戶特徵，獲取所述種子用戶的相似用戶群體；根據所述相似用戶群體中各個用戶的用戶特徵，得到所述用戶的機率分值，所述機率分值用以表示所述用戶是待推薦產品的目標用戶的機率；將所述機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向所述目標用戶群體推薦所述待推薦產品。上述實施例闡明的裝置或模組，具體可以由電腦晶片或實體來實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦，電腦的具體形式可以是個人電腦、膝上型電腦、蜂巢式電話、相機電話、智慧型電話、個人數位助理、媒體播放機、導航設備、電子郵件收發設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任意幾種設備的組合。本領域內的技術人員應明白，本說明書的一個或多個實施例可提供為方法、系統、或電腦程式產品。因此，本說明書的一個或多個實施例可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體態樣的實施例的形式。而且，本說明書的一個或多個實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。這些電腦程式指令也可被儲存在能引導電腦或其他可程式設計資料處理設備以特定方式操作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖中的一個流程或多個流程和/或方塊圖中的一個方塊或多個方塊中指定的功能。這些電腦程式指令也可被裝載到電腦或其他可程式設計資料處理設備上，使得在電腦或其他可程式設計設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式設計設備上執行的指令提供用來實現在流程圖中的一個流程或多個流程和/或方塊圖中的一個方塊或多個方塊中指定的功能的步驟。還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。本說明書一個或多個實施例可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的常式、程式、物件、元件、資料結構等等。也可以在分散式運算環境中實踐本說明書一個或多個實施例，在這些分散式運算環境中，由透過通信網路而被連接的遠端處理設備來執行任務。在分散式運算環境中，程式模組可以位於包括存放裝置在內的本地和遠端電腦儲存媒體中。本說明書中的各個實施例均採用漸進的方式來描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於服務端設備實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。以上所述僅為本說明書的一個或多個實施例的較佳實施例而已，並不用以限制本說明書，凡在本說明書的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本說明書保護的範圍之內。

81‧‧‧種子確定模組 82‧‧‧群體擴大模組 83‧‧‧分值處理模組 84‧‧‧目標確定模組

為了更清楚地說明本說明書的一個或多個實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本說明書一個或多個實施例中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖而獲得其他的附圖。圖1為本說明書一個或多個實施例提供的一種目標用戶群體的確定方法的流程圖；圖2為本說明書一個或多個實施例提供的一種種子用戶確定方法；圖3為本說明書一個或多個實施例提供的一種行為偏好值的計算流程；圖4為本說明書一個或多個實施例提供的一種獲取種子用戶的相似用戶群體的流程；圖5為本說明書一個或多個實施例提供的一種顯著特徵的確定方式；圖6為本說明書一個或多個實施例提供的部分用戶特徵；圖7為本說明書一個或多個實施例提供的人群過濾條件的示意圖；圖8為本說明書一個或多個實施例提供的一種目標用戶群體的確定裝置的結構圖。

Claims

一種目標用戶群體的確定方法，該方法包括：伺服器根據用戶對待推薦產品的關聯行為資料，確定該待推薦產品的種子用戶；該伺服器根據該種子用戶的用戶特徵，獲取該種子用戶的相似用戶群體；該伺服器根據該相似用戶群體中各個用戶的用戶特徵，得到該用戶的機率分值，該機率分值用以表示該用戶是待推薦產品的目標用戶的機率，其中，根據打分模型，對該相似用戶群體中各個用戶進行打分，且其中，該打分模型為回歸模型、深度神經網路、或集成學習模型；以及該伺服器將該機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向該目標用戶群體推薦該待推薦產品，其中，該根據該種子用戶的用戶特徵，獲取該種子用戶的相似用戶群體，包括：建構普通用戶和該種子用戶的特徵向量，該特徵向量中包括：多個用戶特徵，每個用戶特徵是一個包括多個用戶的特徵值的特徵序列；對於每個該用戶特徵，計算該普通用戶和種子用戶對應該用戶特徵的兩個特徵序列之間的第一差異度和第二差異度，該第一差異度和第二差異度採用不同的差異度計算方式得到；將第一差異度和第二差異度進行組合得到特徵差異度，並將該特徵差異度滿足閾值條件的用戶特徵，確定為該種子用戶的顯著特徵；以及根據該顯著特徵，確定該種子用戶的相似用戶群體。
如請求項1所述的方法，該關聯行為資料，包括：不同行為類型的關聯行為資料；該根據用戶對待推薦產品的關聯行為資料，確定該待推薦產品的種子用戶，包括：分別對於每個用戶，確定該用戶對應各個行為類型的行為偏好值，該行為偏好值用以表示該用戶在該行為類型上對待推薦產品的偏好度；將該不同行為類型對應的行為偏好值進行組合，得到該用戶對該待推薦產品的綜合行為偏好值；以及根據不同用戶的綜合行為偏好值，將該綜合行為偏好值在預設數值範圍內的用戶，確定為該待推薦產品的種子用戶。
如請求項2所述的方法，該用戶對應每個行為類型的行為偏好值，係按照如下方法而得到：採集該用戶每天對該待推薦產品執行該行為類型的關聯行為資料、以及關聯行為資料對應的行為日期；根據該關聯行為資料和行為日期，確定該用戶在該行為類型上對待推薦產品的長期偏好和短期偏好，該長期偏好係依據第一時間段內採集的該關聯行為資料而得到，該短期偏好係依據第二時間段內採集的該關聯行為資料而得到，該第一時間段大於第二時間段；以及將該長期偏好和短期偏好進行加權組合，得到該用戶在該行為類型上對該待推薦產品的行為偏好值。
如請求項1所述的方法，該第一差異度是根據餘弦相似度演算法而得到；該第二差異度是根據史密斯沃特曼演算法而得到。
如請求項1所述的方法，該顯著特徵的數量為至少一個；該根據顯著特徵，確定該種子用戶的相似用戶群體，包括：根據獲取的顯著特徵，透過倒排表找到各個顯著特徵分別對應的用戶清單；根據該至少一個顯著特徵，確定人群過濾條件，該人群過濾條件係根據選取的至少部分顯著特徵以及顯著特徵間的條件組合而得到；以及由該用戶列表中，選擇滿足該人群過濾條件的至少一個用戶，得到該相似用戶群體。
如請求項1所述的方法，該將機率分值滿足預設條件的多個用戶確定為目標用戶群體，包括：根據該機率分值進行排序，選擇排序在預設位數的至少一個用戶，得到目標用戶群體；或者，將該機率分值滿足預設閾值範圍的至少一個用戶，作為目標用戶群體。
一種目標用戶群體的確定裝置，該裝置包括：種子確定模組，用以根據用戶對待推薦產品的關聯行為資料，確定該待推薦產品的種子用戶；群體擴大模組，用以根據該種子用戶的用戶特徵，獲取該種子用戶的相似用戶群體；分值處理模組，用以根據該相似用戶群體中各個用戶的用戶特徵，得到該用戶的機率分值，該機率分值用以表示該用戶是待推薦產品的目標用戶的機率，其中，根據打分模型，對該相似用戶群體中各個用戶進行打分，且其中，該打分模型為回歸模型或者深度神經網路或集成學習等模型；以及目標確定模組，用以將該機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向該目標用戶群體推薦該待推薦產品，其中，該群體擴大模組，具體用以：建構普通用戶和該種子用戶的特徵向量，該特徵向量中包括：多個用戶特徵，每個用戶特徵是一個包括多個用戶的特徵值的特徵序列；對於每個該用戶特徵，計算該普通用戶和種子用戶對應該用戶特徵的兩個特徵序列之間的第一差異度和第二差異度，該第一差異度和第二差異度採用不同的差異度計算方式而得到；將第一差異度和第二差異度進行組合得到特徵差異度，並將該特徵差異度滿足閾值條件的用戶特徵，確定為該種子用戶的顯著特徵；以及根據該顯著特徵，確定該種子用戶的相似用戶群體。
如請求項7所述的裝置，該種子確定模組，具體用以：當該關聯行為資料包括不同行為類型的關聯行為資料時，分別對於每個用戶，確定該用戶對應各個行為類型的行為偏好值，該行為偏好值用以表示該用戶在該行為類型上對待推薦產品的偏好度；將該不同行為類型對應的行為偏好值進行組合，得到該用戶對該待推薦產品的綜合行為偏好值；根據不同用戶的綜合行為偏好值，將該綜合行為偏好值在預設數值範圍內的用戶，確定為該待推薦產品的種子用戶。
如請求項8所述的裝置，該種子確定模組，在用以確定該用戶對應每個行為類型的行為偏好值時，包括：採集該用戶每天對該待推薦產品執行該行為類型的關聯行為資料、以及關聯行為資料對應的行為日期；根據該關聯行為資料和行為日期，確定該用戶在該行為類型上對待推薦產品的長期偏好和短期偏好，該長期偏好係依據第一時間段內採集的該關聯行為資料而得到，該短期偏好係依據第二時間段內採集的該關聯行為資料而得到，該第一時間段大於第二時間段；以及將該長期偏好和短期偏好進行加權組合，得到該用戶在該行為類型上對該待推薦產品的行為偏好值。
一種目標用戶群體的確定設備，該設備包括記憶體、處理器，以及儲存在記憶體上並可在處理器上運行的電腦指令，該處理器執行指令時實現以下步驟：根據用戶對待推薦產品的關聯行為資料，確定該待推薦產品的種子用戶；根據該種子用戶的用戶特徵，獲取該種子用戶的相似用戶群體；根據該相似用戶群體中各個用戶的用戶特徵，得到該用戶的機率分值，該機率分值用以表示該用戶是待推薦產品的目標用戶的機率，其中，根據打分模型，對該相似用戶群體中各個用戶進行打分，且其中，該打分模型為回歸模型或者深度神經網路或集成學習等模型；以及將該機率分值滿足預設條件的多個用戶確定為目標用戶群體，以向該目標用戶群體推薦該待推薦產品，其中，該根據該種子用戶的用戶特徵，獲取該種子用戶的相似用戶群體，包括：建構普通用戶和該種子用戶的特徵向量，該特徵向量中包括：多個用戶特徵，每個用戶特徵是一個包括多個用戶的特徵值的特徵序列；對於每個該用戶特徵，計算該普通用戶和種子用戶對應該用戶特徵的兩個特徵序列之間的第一差異度和第二差異度，該第一差異度和第二差異度採用不同的差異度計算方式得到；將第一差異度和第二差異度進行組合得到特徵差異度，並將該特徵差異度滿足閾值條件的用戶特徵，確定為該種子用戶的顯著特徵；以及根據該顯著特徵，確定該種子用戶的相似用戶群體。