潜在用户的确定方法、装置、计算机设备及存储介质与流程

本发明涉及数据分析技术领域，尤其涉及一种潜在用户的确定方法、装置、计算机设备及存储介质。

背景技术：

随着网络通信技术的发展，在商家进行促销的过程中，十分关心的一个问题是：如何根据商家现在已拥有的客户的信息(比如客户的年龄、性别、家庭地址等信息)，挖掘出潜在的客户，实现对潜在用户的广告投放或商品销售。

目前，根据已有目标用户画像，给用户打各种标签，再利用标签找到潜在用户；或是基于标签的协同过滤，在标签扩散的基础上，采用基于用户的协同过滤算法，找到与种子人群相似的潜在用户；又或者以具有相似社交关系的人也有相似的兴趣爱好/价值观为前提假设，利用社交网络关系进行人群扩散，得到潜在用户。但是，仅根据用户的标签可扩散出的潜在用户的准确率不高，因此无法实现对基于确定的潜在用户所投放的广告的有效性不高。

技术实现要素：

本发明提供一种潜在用户的确定方法、装置、计算机设备及存储介质，主要用于提高潜在用户确定的准确率，以此实现基于潜在用户广告投放的有效性。

本发明实施例提供一种潜在用户的确定方法，该方法包括：

通过聚类算法对种子用户群体进行计算得到多个聚簇，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签；

根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签；

根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与所述标签对应的标签分类模型中，从所述待分析用户群体中确定出与所述标签对应的潜在用户。

本发明实施例提供一种潜在用户的确定装置，该方法包括：

计算模块，用于通过聚类算法对种子用户群体进行计算得到多个聚簇，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签；

分析模块，用于根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签；

确定模块，用于根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与所述标签对应的标签分类模型中，从所述待分析用户群体中确定出与所述标签对应的潜在用户。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述潜在用户的确定方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述潜在用户的确定方法。

上述潜在用户的确定方法、装置、计算机设备及存储介质，通过聚类算法对种子用户群体进行计算得到多个聚簇，根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签，根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，从待分析用户群体中确定出与所述标签对应的潜在用户。与目前仅根据用户的标签可扩散出的潜在用户相比，本发明通过聚类算法在得到待分析用户群体中每个用户的标签后，将待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，确定出待分析用户群体中的潜在用户。由于标签分类模型是根据大量的用户数据训练得到的，从而通过标签分类模型得到的潜在用户会更加准确，进而再针对性地有效投放，通过营销投放将其转化为品牌兴趣用户和已购用户。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中潜在用户的确定方法的一应用环境示意图；

图2是本发明一实施例中潜在用户的确定方法的一流程图；

图3是本发明一实施例中潜在用户的确定方法的另一流程图；

图4是本发明一实施例中潜在用户的确定装置的一原理框图；

图5是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请提供的潜在用户的确定方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信。服务器通过聚类算法对种子用户群体进行计算得到多个聚簇，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签；然后根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签；最后根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，从待分析用户群体中确定出与所述标签对应的潜在用户。使得服务器对确定出潜在用户所在的客户端投放相应的广告。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种潜在用户的确定方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

s101，通过聚类算法对种子用户群体进行计算得到多个聚簇。

其中，所述种子用户群体中包含多个带有标签的用户，即已经拟定的目标人群，如双11的种子人群定为具有消费冲动的人士，每个用户都包含有对应的用户画像，该用户画像作用是帮助公司、企业、坐席清楚的了解客户的基本信息、资产信息、社交信息等，从而指定对应的营销方案，进而做到个性化营销。具体的，用户画像包括的主要内容为：客户基本信息(姓名、年龄、籍贯、家庭成员、联系方式、邮箱等)、资产信息(房屋资产情况、是否有车、是否有贷款信息、银行存款情况等)、社交信息(紧急联系人、朋友信息等)、教育水平(学历、培训情况、在校情况)、兴趣爱好、性格类型等，本发明实施例不做具体限定。种子用户群体中用户的标签具体可以为：“喜欢购买打折商品”、“喜欢趁购物狂欢季节购物”、“购买了车险”、“购买了人身险”等能够反应客户消费习惯、消费偏好的设定等，本发明实施例不做具体限定。

需要说明的是，种子用户群体是具有某种消费记录的用户群体，如购买了车险、人身险等产品的用户，种子用户群体通过收集已有的用户消费数据得到的，并通过对收集的数据进行分析确定其标签，即消费某种产品的用户。例如通过收集每年双11用户在各电商平台的消费记录，确定出双11消费金额超过一定数值范围的用户为冲动消费型用户。

在本发明实施例中，具体可以通过k-means(k-均值算法)对种子用户群体进行计算得到多个聚簇。其中，k-means算法是输入聚类个数k，以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。对于本发明实施例，经过聚类算法之后，将种子用户群体划分成多个聚簇，每个聚簇具有唯一对应的一个标签，且各聚簇之间的标签均不同。

s102，根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签。

其中，待分析用户群体为需要从中挖掘出潜在用户的群体，即不具有标签的用户画像数据。在本发明实施例中，在通过聚类算法对种子用户群体进行计算得到多个聚簇之后，由于种子用户群体中的用户带有标签，因此对于经过聚类算法得到的聚簇也包含对应标签，然后对待分析用户群体进行聚类算法运算，将待分析用户群体中每个用户分别划分到对应的聚簇中，即得到待分析用户群体中每个用户所属的聚簇，并由此得到每个用户所属聚簇对应的标签。

例如，在步骤s101中通过聚类算法对种子用户群体进行计算得到2个聚簇，分别为标签为购买车险的用户，以及购买了投资产品的用户。每个聚簇内的用户画像的相似度较高，如标签为购买车险的聚簇中，每个用户画像中包含：已构车、往年购买了车险等有关于车辆的用户数据；标签为购买投资产品的聚簇中，每个用户画像中包含：银行存款、购买过得投资产品、个人收入等有关于财务方面的用户数据。对于待分析用户群体，通过聚类算法得到待分析用户群体中每个用户所属的聚簇，即初步确定出待分析用户是否属于购买车险或是购买投资产品的用户，若待分析用户群体中包含已构车、往年购买了车险等有关于车辆的用户，则通过聚类算法可确定出该用户属于购买车险的聚簇；若待分析用户群体中包含购买过得投资产品、个人收入等有关于财务方面的用户，则通过聚类算法可确定出该用户属于购买投资产品的聚簇。

s103，根据待分析用户群体中每个用户的标签，将待分析用户群体中的用户分别输入与所述标签对应的标签分类模型中，从待分析用户群体中确定出与标签对应的潜在用户。

在本发明实施例中，标签分类模型是根据大量的用户画像数据及其对应的标签训练得到的，不同聚簇标签对应不同的标签分类模型，即一个聚簇标签对应一个标签分类模型。需要说明的是，不同的标签分类模型是通过不同的样本数据集预先训练得到的，如存在a类标签训练模型和b类标签训练模型，a类标签训练模型是由标签为a的样本数据训练得到的，b类标签训练模型是由标签为b的样本数据训练得到的。

例如，通过步骤s101对种子用户群体进行聚类计算得到2个聚簇，且得到聚簇的2个标签分别是：车险、信用贷款。在车险标签中对应的潜在用户模型是通过包括：姓名、电话、住址、是否有车、车辆保险到期日、往年投保情况、车险理赔情况等信息的用户画像及对应标签为购买了车险的用户数据进行训练得到的；在信用贷款标签中对应的潜在用户模型是通过包括：姓名、是否有房、银行存款、贷款情况、是否有信用卡、个人信用、消费能力等信息的用户画像及对应标签为申请了信用贷款的用户数据进行得到的。

在本发明实施例中，在根据聚类算法对待分析用户群体进行分析，得到待分析用户群体中每个用户所属聚簇对应的标签，此时所得到的待分析用户中每个用户的聚簇标签是不够准确定，为此本发明实施例在得到待分析用户群体中每个用户的标签后，将待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，根据标签分类模型的输出结果，从待分析用户群体中确定出与所述标签对应的潜在用户。由于标签分类模型是根据大量的用户数据训练得到的，因此通过标签分类模型得到的潜在用户会更加准确。例如，通过聚类算法初步确定用户a的分类标签为车险，则将用户a的用户画像信息输入至标签为车险分类模型，即通过该二分类的车险分类模型的输出结果，确定用户a是否属于购买车险的潜在用户。

本发明实施例提供了一种潜在用户的确定方法，通过聚类算法对种子用户群体进行计算得到多个聚簇，根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签，根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，确定出所述待分析用户群体中的潜在用户。与目前仅根据用户的标签可扩散出的潜在用户相比，本发明通过聚类算法在得到待分析用户群体中每个用户的标签后，将待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，从待分析用户群体中确定出与所述标签对应的潜在用户。由于标签分类模型是根据大量的用户数据训练得到的，从而通过标签分类模型得到的潜在用户会更加准确，进而再针对性地有效投放，找到指定规模的潜在用户或者认知用户。

在另一实施例中，如图3所示，提供了另一种潜在用户的确定方法，主要包括以下步骤：

s201，通过聚类算法对种子用户群体进行计算得到多个聚簇。

其中，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签。

s202，根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签。

需要说明的是，步骤201和步骤201的中的详细内容与图1中步骤101和步骤102的相关描述相同，本发明实施例在此不再赘述。

s203，通过协同过滤算法为所述待分析用户群体中每个用户推荐相应的标签。

其中，协同过滤是在标签扩散的基础上，采用基于用户的协同过滤算法，找到与种子人群相似的机会人群。其中，标签扩散是根据已有目标用户画像，给用户打各种标签，再利用标签找到机会人群。本发实施例中的协同过滤分为基于用户的协同过滤和基于商品的协同过滤。对于历史数据的总结归类，基于用户的协同过滤把拥有相类似消费习惯和偏好的用户归为一类，那么当该类中某用户购买了a商品，则可以向未购买a商品的同类用户进行a的推荐；基于商品的协同过滤则将获得的用户评价比较相似的商品归为一类(比如“简单易用”)，并可以将商品推荐给有迫切需求的用户(比如用户希望他要的商品简单易用)。

在本发明提供的一个实施例中，步骤s203：所述通过协同过滤算法为所述待分析用户群体中每个用户推荐相应的标签，包括：将所述待分析用户群体中每个用户分别与所述聚簇中各用户在兴趣偏好方向、相关品类方向、竞品人群方向、搜索人群方向、流失人群方向和/或消费偏好方向进行匹配；若所述待分析用户群体中的用户与所述聚簇中预置数量的用户在兴趣偏好方向、相关品类方向、竞品人群方向、搜索人群方向、流失人群方向和/或相消费偏好方向匹配成功，则将所述聚簇的标签确定成所述待分析用户群体中用户的标签。

其中，预置数量可以根据实际需求进行设定，如根据聚簇内用户的数量的50％、60％或是80％等，本发明实施例不做具体限定。在本发明实施例中，根据实际需求，预置数量设置的越小，可为待分析用户群体中用户推荐的标签越多，预置数量设置的越大，可为待分析用户群体中用户推荐的标签越少。可预见的，预置数量跟推荐标签的准确率成正比，即预置数量设置的越大，推荐的标签数量越少，准确率越高；预置数量设置的越小，推荐的标签数量越多，准确率越低。

需要说明的是，在兴趣偏好方向、相关品类方向、竞品人群方向、搜索人群方向、流失人群方向及相消费偏好方向的数据特征都是根据消费数据的分析、挖掘、提炼而获得。其中，在兴趣偏好方向推荐标签是对有相同兴趣的用户群体推荐相应的标签；在相关品类方向推荐标签是对有购买同类商品的用户群体推荐相应的标签；在竞品人群方向推荐标签是对与商品目标用户相同或者相似的用户群体推荐相应的标签；在搜索人群方向推荐标签是对有搜索特定商品类型的用户群体推荐相应的标签；在流失人群方向推荐标签是对根据流失用户群体中的共性推荐相应的标签；在消费偏好方向推荐标签是对具有相同消费偏好的用户群体推荐相应的标签。

s204，对所述待分析用户群体中用户按照标签类别进行去重处理。

需要说明的是，由于在步骤s203中通过协同过滤算法为所述待分析用户群体中每个用户推荐相应的标签，即通过不同的维度为待分析用户群体中的每个用户推荐标签，但是会存在不同维度为一个用户重复推荐多个同样标签的情况，因此本发明实施例需要对待分析用户中重复推荐的标签进行去重处理，从而减少后续确定潜在用户的计算量。例如，存在一个用户a通过聚簇所得到的标签为b，即为其推荐的产品为b，之后在其兴趣偏好方向、相关品类方向分别为其推荐的标签为c，即为其推荐的产品c，此时若不对其重复的标签进行处理，则会出现将用户a的数据重复输入两次到标签为c的标签分类模型中，因此本发明实施例需要对重复的标签进行去重处理，并在去重之后将用户a的数据分别输入标签为b的标签分类模型及标签为c的标签分类模型，以分别确定用户a是否属于产品b、产品c的潜在用户。

s205，根据待分析用户群体中每个用户去重后的标签，将待分析用户群体中的用户分别输入与各所述标签分别对应的标签分类模型中，从待分析用户群体中确定出与标签对应的潜在用户。

其中，标签分类模型是根据大量的用户画像数据及其对应的标签训练得到的，不同聚簇标签对应不同的标签分类模型，即不同的标签分类模型是通过不同的样本数据集训练得到的。

对于本发明实施例，在确定出所述待分析用户群体中的潜在用户之后，所述方法还包括：向确定出的潜在用户投放对应的广告；接收所述潜在用户发送的反馈信息，根据所述反馈信息对应的标签类别将所述反馈信息输入至对应的标签分类模型，对所述标签分类模型进行训练，以更新所述标签分类模型。即本发明实施例在向潜在用户投放相应的广告后，接收潜在用户的反馈信息，该反馈信息具体可以为潜在用户通过投放的广告购买了对应的产品，或是没有购买对应的产品，又或者是潜在用户浏览并收藏了该产品，然后根据潜在用户反馈的信息继续训练对应的标签分类模型，从而实现对潜在用户模型的不断训练更新，提高了标签分类模型确定潜在用户的准确性。实现了数据闭路，即首尾相顾的循环，一个可循环的链路商户投放了产品，产品获得用户反馈，反馈回转到商户，使得商户根据市场反响做出应对，从而提高了产品营销的效果。

本发明实施例提供了另一种潜在用户的确定方法，首先根据聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签，然后通过协同过滤算法为所述待分析用户群体中每个用户推荐相应的标签，并对所述待分析用户中重复推荐的标签进行去重处理，最后根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与其标签对应的标签分类模型中，从待分析用户群体中确定出与所述标签对应的潜在用户。在本发明实施例中采用协同过滤算法会为用户推荐更多的标签，实现了产品的营销效果，并对重复推荐的标签进行去重处理，从而减少了后续确定潜在用户的计算量，并通过标签分类模型提高了潜在用户确定的准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种潜在用户的确定装置，该潜在用户的确定装置与上述实施例中潜在用户的确定方法一一对应。如图4所示，该潜在用户的确定装置包括计算模块10、分析模块20和确定模块30。各功能模块详细说明如下：

计算模块10，用于通过聚类算法对种子用户群体进行计算得到多个聚簇，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签；

分析模块20，用于根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签；

确定模块30，用于根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与所述标签对应的标签分类模型中，从所述待分析用户群体中确定出与所述标签对应的潜在用户。

进一步的，所述装置还包括：

推荐模块40，用于通过协同过滤算法为所述待分析用户群体中每个用户推荐相应的标签。

所述推荐模块40，包括：

匹配单元41，用于将所述待分析用户群体中每个用户分别与所述聚簇中各用户在兴趣偏好方向、相关品类方向、竞品人群方向、搜索人群方向、流失人群方向和/或消费偏好方向进行匹配；

推荐单元42，用于若所述待分析用户群体中的用户与所述聚簇中预置数量的用户在兴趣偏好方向、相关品类方向、竞品人群方向、搜索人群方向、流失人群方向和/或消费偏好方向匹配成功，则将所述聚簇的标签确定成所述待分析用户群体中用户的标签。

进一步的，所述装置还包括：

去重模块50，用于对所述待分析用户群体中用户按照标签类别进行去重处理。

投放模块60，用于向确定出的潜在用户投放对应的广告；

更新模块70，用于接收所述潜在用户发送的反馈信息，根据所述反馈信息对应的标签类别将所述反馈信息输入至对应的标签分类模型，对所述标签分类模型进行训练，以更新所述标签分类模型。

关于潜在用户的确定装置的具体限定可以参见上文中对于潜在用户的确定方法的限定，在此不再赘述。上述潜在用户的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储通过聚类算法得到的聚簇以及不同标签对应的标签分类模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种潜在用户的确定方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

通过聚类算法对种子用户群体进行计算得到多个聚簇，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签；

根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签；

根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与所述标签对应的标签分类模型中，从所述待分析用户群体中确定出与所述标签对应的潜在用户。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

通过聚类算法对种子用户群体进行计算得到多个聚簇，所述种子用户群体中包含多个带有标签的用户，每个聚簇对应不同的标签；

根据所述聚类算法对待分析用户群体进行分析，得到所述待分析用户群体中每个用户所属聚簇对应的标签；

根据所述待分析用户群体中每个用户的标签，将所述待分析用户群体中的用户分别输入与所述标签对应的标签分类模型中，从所述待分析用户群体中确定出与所述标签对应的潜在用户。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。