大数据精准模型的构建方法及装置与流程

本发明涉及大数据分析技术领域，具体为一种大数据精准模型的构建方法及装置。

背景技术：

近年来，以互联网、移动互联网为基础的信息化、全球化趋势，已经深入的改变了我们的生活模式、生产模式、竞争模式。随着大数据时代的到来，对于精准营销的需求也正在上升。如何通过技术手段，挖掘大数据下的深层次关系，让营销更准确、有效已经成为营销中重中之重。

用户画像即用户信息标签化，是一种勾画目标用户、联系用户诉求和设计方向的有效方式，其目标是在很多的维度上建立针对用户的描述性标签属性。它是通过收集与分析用户基本属性、社会属性、生活习惯、消费行为等信息的数据，抽象出一个用户全貌来挖掘用户需求和分析用户偏好，进而可以挖掘潜在客户群体，进行有针对性的商品推荐，实现精准营销。

目前的电商行业中，构建用户画像的方法一般是根据用户在站内的访问商品类目等行为的日志保存下来，然后在一定的时间窗口内，遍历所有的用户行为日志，按照某些权重衰减函数对其进行计算，得到当前最新用户画像。现有的用户画像模型的构件方法中对每个用户的处理时孤立的，不会考虑用户的社交关系网络，这样的用户画像是不全面的，这就容易导致商品推荐的准确性和成功率降低。

技术实现要素：

本发明意在提供一种大数据精准模型的构建方法，能够基于社交关系网络为用户提供精准的用户模型，实现精准营销。

为了解决上述技术问题，本申请提供如下技术方案：

大数据精准模型的构建方法，包括以下内容：

数据采集步骤，采集用户的基本信息和网购数据信息；

用户网购模型建立步骤，根据用户的基本信息和网购数据信息建立用户网购模型，所述用户网购模型包括购买偏好、社交关系网络、经济能力、需求列表以及推荐列表；所述网购数据信息包括购买记录、浏览记录、购物车信息、代付信息、网购账号信息；

所述用户网购模型建立步骤包括：

s100：根据用户的购买记录、浏览记录生成用户的购买偏好和经济能力；

s200：根据用户的购买偏好、浏览记录、购物车信息生成用户的需求列表；

s300：根据用户的需求列表以及购买偏好、经济能力生成用户的推荐列表；

s400：根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络；

s500：向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的商品。

本申请技术方案中，通过s400根据用户的购买行为、购买账号等数据来分析用户之间的社交关系，使得最终生成的用户网购模型中包含用户的社交关系网络，可以使得最终的用户画像模型更加准确，同时利用亲密度以及社交关系，将与用户亲密的其他用户，如用户的亲人、配偶、朋友等的需求列表的商品推送给用户，可以让用户得知其朋友最近的需求，一方面，使得用户在为亲人、配偶或者朋友挑选礼物时，可以让用户挑选的商品是对方所需要的，进而降低用户挑选礼物的难度，确保挑选的礼物对方真的需要和喜欢；另一方面通过这种方式，可以实现精准的推荐，有利于提高推荐的成功率和商品的成交率。

进一步，还包括反馈调节步骤，所述反馈调节步骤包括社交关系更新步骤，判断用户是否购买了推荐列表中其他用户的需求商品，若是则更新这两个用户之间的亲密度。

将用户是否购买了推荐的商品作为一种反馈，来对用户之间的亲密度进行调节。

进一步，所述社交关系包括朋友关系、情侣关系、家人关系，所述预设关系类型为情侣关系和家人关系。通过这三种社交关系基本可以涵盖用户日常所有相关的人际关系。

进一步，s400具体包括：

从用户网购记录中筛选收件人非用户本人的网购记录，得到网购赠送记录；

根据网购赠送记录中的收件人电话号码、姓名关联到相应的用户；

根据赠送的商品以及留言信息判断两个用户的关系，根据网购赠送记录的数量以及对应的价值判断两个用户的亲密度；

根据用户的代付信息，查找相应的代付记录根据代付的留言、金额判断两个用户的关系和亲密度；

根据用户网购账号的好友关系以及备注信息，分析用户与其好友之间的关系和亲密度。

通过网购赠送记录，可以确定受赠人的身份信息、赠送的商品内容、价值，进而可以判断两个用户的关系。通过赠送记录、代付信息、账号好友信息三个方面，对用户的社交关系进行全面的分析和检测。

进一步，s500中向用户的推荐列表中添加的商品与用户的经济能力对应。避免添加推荐的商品超出用户的经济能力范围，进而使得推荐更加精准。

进一步，本发明的另一个目的在于提供一种大数据精准模型的构建装置，该装置包括：

数据采集模块，用于采集用户的基本信息和网购数据信息；

用户网购模型建立模块，用于根据用户的基本信息和网购数据信息建立用户网购模型，所述用户网购模型包括购买偏好、社交关系网络、经济能力、需求列表以及推荐列表；所述网购数据信息包括购买记录、浏览记录、购物车信息、代付信息、网购账号信息；

所述用户网购模型建立模块包括：

偏好和经济能力计算模块，用于根据用户的购买记录、浏览记录生成用户的购买偏好和经济能力；

需求生成模块，用于根据用户的购买偏好、浏览记录、购物车信息生成用户的需求列表；

推荐生成模块，用于根据用户的需求列表以及购买偏好、经济能力生成用户的推荐列表；

社交关系分析模块，用于根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络；

推荐调整模块，用于向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的商品。

通过社交关系分析模块分析用户之间的亲密度和社交关系，推荐调整模块依据社交关系为用户推荐商品，可以让用户得知其朋友最近的需求，一方面，使得用户在为亲人、配偶或者朋友挑选礼物时，可以让用户挑选的商品是对方所需要的，进而降低用户挑选礼物的难度，确保挑选的礼物对方真的需要和喜欢；另一方面通过这种方式，可以实现精准的推荐，有利于提高推荐的成功率和商品的成交率。

进一步，还包括反馈更新模块，用于判断用户是否购买了推荐列表中其他用户的需求商品，若是则更新这两个用户之间的亲密度。通过反馈更新模块，对用户之间的亲密度进行反馈调节，保证模型的准确性。

附图说明

图1为本发明大数据精准模型的构建方法实施例的流程图；

图2为本发明大数据精准模型的构建装置实施例的逻辑框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

如图1所示，本实施例大数据精准模型的构建方法主要应用于电商平台，为用户提供更为精准的网购推荐服务，在电商平台内的每个商品都设有偏好标签、价值标签、类别标签以及亲密度标签；偏好标签代表着用户的购物偏好，如看中质量、性价比、中国风等标签，类别标签则代表商品的具体类型，如手机、电脑配件、冬装、夏装、上衣等，主要用于同类推荐，价值标签主要根据商品的价格在同类商品中的排名划分价值等级，以价值等级作为价值标签，本申请中，按照价格由低到高划分为十个等级，如某一个手机，它的价格在整个平台的所有手机里面按从低到高的顺序排序处在40％-50％的范围内，则该手机对应的价值标签为5级。亲密度标签则是根据商品的具体类型和价值提前预设好的属性。

该方法包括以下内容：

数据采集步骤，采集用户的基本信息和网购数据信息，基本信息包括用户的姓名、手机号、年龄、性别等信息，网购数据信息包括购买记录、浏览记录、购物车信息、代付信息、网购账号信息；

用户网购模型建立步骤，根据用户的基本信息和网购数据信息建立用户网购模型，用户网购模型包括购买偏好、社交关系网络、经济能力、需求列表以及推荐列表。

其中，用户网购模型建立步骤具体包括以下步骤：

s100：根据用户的购买记录、浏览记录生成用户的购买偏好和经济能力；

s200：根据用户的购买偏好、浏览记录、购物车信息生成用户的需求列表；

s300：根据用户的需求列表以及购买偏好、经济能力生成用户的推荐列表；

s400：根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络；

s500：向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的商品。

具体的，s100中对用户的网购记录和浏览记录对应的商品进行偏好标签和价值标签的数量统计，选取数量前三的偏好标签作为用户的购买偏好，选取数量最多的价值标签作为用户的经济能力。

s200具体是从用户的浏览记录中筛选出符合用户购买偏好的商品；将筛选出的商品与用户购物车内的商品组合形成需求列表；例如用户对性价比更加看重，同时用户最近的浏览记录都是关于手机的，那么首先从这些手机商品中选出性价比更高的手机然后组合用户购物车内的商品形成用户的需求列表。

s300是对需求列表的每个商品，根据商品的类别标签找到同类的其他商品，并根据用户的购买偏好，对同类商品进行筛选，得到推荐列表；例如用户的需求列表中包含手机和充电宝，则在平台所有的手机、充电宝中按照用户的偏好以及当前需求列表的商品的属性，如价格区间、颜色、款式等，进行筛选，进而将原来的需求列表拓充为推荐列表。

s400具体包括：

从用户网购记录中筛选收件人非用户本人的网购记录，得到网购赠送记录；

根据网购赠送记录中的收件人电话号码、姓名关联到相应的用户；

根据赠送的商品以及留言信息判断两个用户的关系，根据网购赠送记录的数量以及对应的价值判断两个用户的亲密度；

根据用户的代付信息，查找相应的代付记录根据代付的留言、金额判断两个用户的关系和亲密度；

根据用户网购账号的好友关系以及备注信息，分析用户与其好友之间的关系和亲密度。

通过网购赠送记录，可以确定受赠人的身份信息、赠送的商品内容、价值，进而可以判断两个用户的关系。通过赠送记录、代付信息、账号好友信息三个方面，对用户的社交关系进行全面的分析和检测，例如用户赠送给另外一个用户一束玫瑰花，并进行了相应的留言，则系统可以根据送的商品为玫瑰花、送的次数以及留言判断两个用户之间的关系为情侣关系或者夫妻关系。又例如，用户购买了某个商品但是让另外一个用户代付，且代付留言中包含有称呼，则可以根据代付的商品的价值以及代付留言中出现的称呼推断两个人之间的关系。

社交关系包括朋友关系、情侣关系、家人关系，预设关系类型为情侣关系和家人关系，本实施例中，s500步骤主要向家人、情侣以及亲密度超过预设值的朋友进行对方需求列表商品的推荐，例如用户的家人最近想要买个手提包，则会将该需求推荐至用户的推荐列表中，并对用户进行提醒和推荐，避免用户不知道买什么东西送给家人，如果用户购买了推荐的商品则正好符合家人的需求，进而使得礼物更加的符合收礼人的实际需求。本实施例中向用户的推荐列表中添加的商品与用户的经济能力对应。避免添加推荐的商品超出用户的经济能力范围，进而使得推荐更加精准。

还包括反馈调节步骤，反馈调节步骤包括社交关系更新步骤，判断用户是否购买了推荐列表中其他用户的需求商品，若是则更新这两个用户之间的亲密度。社交关系更新步骤按照亲密度标签更新两个用户之间的亲密度。根据购买商品所包含的亲密度标签对两个人的亲密度进行更新和调节，进而可以对用户之间的社交关系进行实时的调节。

如图2所示，本实施例还公开了一种使用了上述大数据精准模型的构建方法的大数据精准模型的构建装置，该装置包括：

数据采集模块，用于采集用户的基本信息和网购数据信息；基本信息包括用户的姓名、手机号、年龄、性别等信息，网购数据信息包括购买记录、浏览记录、购物车信息、代付信息、网购账号信息。

用户网购模型建立模块，用于根据用户的基本信息和网购数据信息建立用户网购模型，用户网购模型包括购买偏好、社交关系网络、经济能力、需求列表以及推荐列表。

用户网购模型建立模块包括：

偏好和经济能力计算模块，用于根据用户的购买记录、浏览记录生成用户的购买偏好和经济能力。

需求生成模块，用于根据用户的购买偏好、浏览记录、购物车信息生成用户的需求列表。

推荐生成模块，用于根据用户的需求列表以及购买偏好、经济能力生成用户的推荐列表。

社交关系分析模块，用于根据用户的购买记录、代付信息、网购账号信息分析用户与其他用户之间的亲密度和社交关系，生成用户的社交关系网络。

推荐调整模块，用于向用户的推荐列表中增加与其关系为预设关系类型的用户或者与其亲密度超过预设值的用户的需求列表的商品。

反馈更新模块，用于判断用户是否购买了推荐列表中其他用户的需求商品，若是则更新这两个用户之间的亲密度。通过反馈更新模块，对用户之间的亲密度进行反馈调节，保证模型的准确性。

以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。