用户流动性识别方法、装置、设备、介质和程序产品与流程

1.本公开涉及金融科技领域，具体地涉及一种用户流动性识别方法、装置、设备、介质和程序产品。


背景技术：

2.网络直播卖货是一种近年来发展起来的电商运营模式，是一种通过在网络上开设直播间并由主播在直播间内售卖商品的销售模式。网络直播卖货的销售情况与直播间主播的个人能力、直播间的用户流量、用户偏好等有关。如果直播间内的商品对用户的吸引力减少，则会导致用户流失。如果直播间内的直播形式吸引人，或者折扣力度增加，则会吸引一些潜在用户，稳固老用户。可见，用户需求直接影响了直播间内的流量。及时掌握用户需求对于直播卖货行业十分重要。
3.然而，难以凭个人能力分析直播间用户的实际需求、商品销售情况等影响销售情况的因素。如何从巨大的网络流量中识别用户流动性特点，可以有效的帮助直播行业了解用户需求，将流失用户挽回，甚至增加用户流量。


技术实现要素：

4.鉴于上述问题，本公开提供了用户流动性识别方法、装置、设备、介质和程序产品。
5.根据本公开的第一个方面提供了一种用户流动性识别方法，包括：在用户授权后，获取多个用户在第一时间段和第二时间段内的行为数据；分别提取所述行为数据在第一时间段和第二时间段内的多个行为特征；基于多个预设的聚类中心和所述多个用户的行为特征，对所述多个用户聚类，得到所述多个用户分别在第一时间段和第二时间段内的用户聚类群体；统计第一时间段内的各所述用户聚类群体流动至第二时间段的各所述用户聚类群体的流动数量，以表示所述多个用户在第一时间段和第二时间段内的流动情况。
6.根据本公开的实施例，所述行为数据至少包括用户的最近一次消费、消费频率和消费金额，所述分别提取所述行为数据在第一时间段和第二时间段内的多个行为特征包括：将所述最近一次消费、消费频率和消费金额输入预设的用户分层模型，计算所述最近一次消费、消费频率和消费金额的分层评分，各所述分层评分分别表示一项所述行为特征。
7.根据本公开的实施例，所述分别提取所述行为数据在第一时间段和第二时间段内的多个行为特征还包括：基于所述最近一次消费、消费频率和消费金额的分层评分计算总行为评分，所述总行为评分表示一项所述行为特征。
8.根据本公开的实施例，所述基于所述最近一次消费、消费频率和消费金额的分层评分计算总行为评分包括：计算所述最近一次消费、消费频率和消费金额的分层评分的平方和，得到所述总行为评分。
9.根据本公开的实施例，所述基于多个预设的聚类中心和所述多个用户的行为特征，对所述多个用户聚类，得到所述多个用户分别在第一时间段和第二时间段内的用户聚类群体包括：分别对于第一时间段和第二时间段内所述多个用户，计算每个用户的行为特
征与各所述聚类中心的距离；将各所述用户分到距离最近的聚类中心所对应的用户聚类群体中，得到所述多个用户分别在第一时间段和第二时间段内的多个用户聚类群体。
10.根据本公开的实施例，还包括：当所述用户聚类群体间的流动数量大于预设阈值时，获取对应的流动用户的行为数据；分析所述行为数据，以识别用户的流动行为，包括：当所述行为数据中消费频率和/或消费金额在第二时间段相比于第一时间段减少，表明对应的用户在流失；当所述行为数据中的消费频率和/或消费金额在第二时间段相比于第一时间段增加，表明对应的用户的消费潜力在提升。
11.根据本公开的实施例，还包括：在绘制第一时间段和第二时间段各所述用户聚类群体的分布图，以观测所述多个用户在第一时间段和第二时间段内的流动情况。
12.根据本公开的第二个方面提供了一种用户流动性识别装置，包括：行为数据获取模块，用于在用户授权后，获取多个用户在第一时间段和第二时间段内的行为数据；行为特征提取模块，用于分别提取所述行为数据在第一时间段和第二时间段内的多个行为特征；用户群体聚类模块，用于基于多个预设的聚类中心和所述多个用户的行为特征，对所述多个用户聚类，得到所述多个用户分别在第一时间段和第二时间段内的用户聚类群体；用户流动数据识别模块，用于统计第一时间段内的各所述用户聚类群体流动至第二时间段的各所述用户聚类群体的流动数量，以表示所述多个用户在第一时间段和第二时间段内的流动情况。
13.本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述用户流动性识别方法。
14.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述用户流动性识别方法。
15.本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述用户流动性识别方法。
附图说明
16.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
17.图1示意性示出了根据本公开实施例的用户流动性识别方法、装置、设备、介质和程序产品的应用场景图；
18.图2示意性示出了根据本公开实施例的用户流动性识别方法的流程图；
19.图3示意性示出了根据本公开实施例的rfm模型的示意图；
20.图4示意性示出了根据本公开实施例的聚类中心数目选择示意图；
21.图5示意性示出了根据本公开实施例的用户流动性识别装置的结构框图；以及
22.图6示意性示出了根据本公开实施例的适于实现用户流动性识别方法的电子设备的方框图。
具体实施方式
23.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性
的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
24.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
25.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
26.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
27.用户分层模型(简称rfm)是一种经典、简单、高效的评分模型。在实际应用中，基于单个参数测量客户价值是不够的。例如，大多数人认为花了最多钱的客户是最具有价值、最忠诚的客户，事实上。如果客户只是在很久以前购买产品一次，那么他不是最具有价值的客户吗。rfm模型精确了解客户群以及他们的终身价值。rfm模型使用最近一次消费、消费频率和消费金额三种属性来排名客户。最近一次消费显示了客户最近的采购订单的信息。根据rfm模型，比起很长时间不从商店购买商品的客户，最近从商店购买商品的客户具有较高的可能性，响应任何新的举措(就商品推荐活动等方面而言)。消费频率表示客户经常从你的商店购买物品。比起不经常在商店购物的客户，经常或较频繁地在该商店进行购物的客户具有较高的可能性再次在该商店购物。借助购买频率的统计数据，可以预测未来该用户在该商店进行购物的可能性。消费金额表示客户在一段时间内在商店进行购物所花费的金额。比起在商店花费较少的客户，在商店花费较多的客户更有可能再次在该商店购物。rfm模型对最近一次消费、消费频率和消费金额分别进行多个等级的评分。评分越高，客户对商品推荐活动等正面积极响应的可能性越高，就越有可能再次在你的商店进行更多的购物，因此客户就越有价值。rfm评分的顺序有助于相应地对客户进行排名。
28.k均值聚类是一种无监督学习算法，可以将没有确定类别的数据进行分类。当在数据集内无标签时，在此种场景下，任务就是在数据集中找到与彼此相同的数据组，也就是所称的聚类。k均值聚类是其中一种最流行最简单、最通用的划分聚类的算法，可以解决众所周知的聚类问题，可适用于任何类型的分组。k均值聚类存储了k个质心，并使用这些质心定义聚类。基于某个点到特定聚类质心的距离，将某个点分配给这个聚类，而不分配给任何其他聚类。
29.本公开的实施例提供了一种用户流动性识别方法，该方法包括：在用户授权后，获取多个用户在第一时间段和第二时间段内的行为数据；分别提取行为数据在第一时间段和第二时间段内的多个行为特征；基于多个预设的聚类中心和多个用户的行为特征，对多个用户聚类，得到多个用户分别在第一时间段和第二时间段内的用户聚类群体；统计第一时间段内的各用户聚类群体流动至第二时间段的各用户聚类群体的流动数量，以表示多个用
户在第一时间段和第二时间段内的流动情况。该方法可以根据用户行为将用户进行细分，并统计不同时间段用户行为的表现差异，从而可以为分析用户需求、抓准用户定位提供参考。
30.需要说明的是，本公开提供的一种用户流动性识别方法和装置可用于金融领域在用户流量分析方面的应用，也可用于除金融领域之外的任意领域，本公开提供的一种用户流动性识别方法和装置的应用领域不做限定。
31.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
32.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
33.图1示意性示出了根据本公开实施例的用户流动性识别方法、装置的应用场景图。
34.如图1所示，根据该实施例的应用场景100可以包括例如直播卖货行业、电商行业等用户流量分析场景。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
35.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
36.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
37.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
38.需要说明的是，本公开实施例所提供的用户流动性识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的用户流动性识别装置一般可以设置于服务器105中。本公开实施例所提供的用户流动性识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的用户流动性识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
39.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
40.以下将基于图1描述的场景，通过图2～图6对公开实施例的用户流动性识别方法进行详细描述。
41.图2示意性示出了根据本公开实施例的用户流动性识别方法的流程图。
42.如图2所示，该实施例的用户流动性识别方法包括操作s210～操作s230，该交易处理方法可以顺序执行。
43.在操作s210，在用户授权后，获取多个用户在第一时间段和第二时间段内的行为数据。
44.在本公开的实施例中，用户可以为电商、直播用户等，用户的行为数据可以包括用户在预设时间段内的消费记录数据，具体包括消费时间、消费地点、消费内容(包括商品类别、数目等)、消费金额等等，所涉及的用户行为数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均是在用户授权的情况下采集的，符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
45.可选地，第一时间段和第二时间段可以是以年、月、周、天等为单位进行划分。第一时间段和第二时间段可以是两个连续的时间段，例如2019年的上半年和2019年的下半年。第一时间段和第二时间段也可以为预设间隔的两个时间段，例如，以周六、周日两天为间隔的相邻两周的工作日。
46.在本实施例中，通过分别获取用户在第一时间段和第二时间段的行为数据，可以进一步分析用户在这两个时间段内的消费行为特征，进而通过比较这两个时间段内的消费行为特征，发现用户的消费行为变化，从而根据用户的行为变化来采取相应的措施，以稳固或扩大用户流量，以帮助商家提升销售额。
47.在操作s220，分别提取行为数据在第一时间段和第二时间段内的多个行为特征。
48.在本实施例中，为了对用户进行高效的分类，所使用的行为数据实际包括最近一次消费、消费频率和消费金额，并利用rfm模型，对上述行为数据进行分层评分，各所述分层评分分别表示一项所述行为特征。
49.图3示意性示出了根据本公开实施例的rfm模型的示意图。如图3所示，rfm模型以最近一次消费、消费频率和消费金额为三个评分属性，商户或分析者可以根据经验或算法分析将每个评分属性细分为多个评分类别。例如，每个评分属性均可以细分为5类，则总共可生成5
×5×
5＝125种不同的评分属性值的组合。若每一类的评分均设置为从1到5的5个评分，则综合最近一次消费、消费频率和消费金额这三个评分属性的得分，则评分跨度可以从最高的“5-5-5”开始到最低的“1-1-1”结束。分值越高，表示该用户的消费水平越高。下表示意性的示出了rfm模型对3个消费行为的打分情况，其中，r_score、f_score、m_score分别对应最近一次消费、消费频率和消费金额的打分。
50.表1 rfm评分
51.客户id最近一次消费(天)消费频率消费金额(元)r_scoref_scorem_score1011322048333102716102433310328651222210412816411110525624096113
52.如表1所示，若在rfm模型中，将最近一次消费在一周内的用，等级定为3，则客户id101、102的r_score得分为3，同理，若将消费频率在5-10次的用户等级定为2，则客户id103的f_score为2。由此，根据细分规则，可以得到每个用户的多个属性评分，将用户细分为多个类别。其中，r_score、f_score、m_score的每一种评分组合即对应了一种用户分类。如表1中所示的“3-3-3”的评分组合即表示了一种用户类，客户id101、102属于该用户类，“1-1-3”的评分组合表示了另一种用户类，客户id105属于该用户类。
53.可以理解的，rfm模型的每一评分属性可以根据应用需求被划分为被分成多级，例
如，每个评分属性均可以细分为3类，那么总共就有3
×3×
3＝27种不同的评分属性值的组合。各个评分属性分类的数量可以不同，例如，最近一次消费可以分为5类，消费频率4类，消费金额可以分为3类，则总共有5
×4×
3＝60种不同的评分属性值的组合。
54.rfm模型方法简单，当数据量巨大时处理速度较快，易于实现并解释聚类结果，可以在降低计算成本的同时相对保持计算效率。
55.进一步的，为了增加用户行为特征的描述性，在本实施例中，还可以基于最近一次消费、消费频率和消费金额的分层评分计算总行为评分，以总行为评分表示一项行为特征。
56.一般而言，总行为评分的计算公式可以为：
57.total_rfm_score＝r_score+f_score+m_score；
58.由于网络销售数据量巨大，且数据存在高度重叠的现象，导致最近一次消费、消费频率和消费金额的评分与总行为评分具有共线性。
59.在本实施例中，可以通过计算最近一次消费、消费频率和消费金额的分层评分的平方和，得到总行为评分，计算公式如下：
60.total_rfm_score＝r_score2+f_score2+m_score2；
61.根据上述公式，解决了最近一次消费、消费频率和消费金额的评分与总行为评分具有共线性的问题。
62.在操作s230，基于多个预设的聚类中心和多个用户的行为特征，对多个用户聚类，得到多个用户分别在第一时间段和第二时间段内的用户聚类群体。
63.在k均值算法中，有许多参数可以影响到k均值算法的最终聚类结果，如聚类的数目k、聚类的初始化和距离度量。在k均值聚类中，不同的方法帮助确定聚类的数目，如手肘法、侧影方法、基于经验、交叉验证等。
64.图4示意性示出了根据手肘法选出聚类中心数量的示意图。如图4所示，在这个曲线中，我们在3处看到了拐点。因此，在这个例子中，最优的聚类数目为3。
65.在本实施例中，可以通过历史数据进行聚类分析，得到多个预设的聚类中心，用于将用户聚类。聚类的输入数据为最近一次消费、消费频率和消费金额的评分以及总行为评分，最终得到关于多个聚类中心的多个用户群体。其中，对于第一时间段和第二时间段内的用户分别进行聚类，得到各聚类中心在第一时间段和第二时间段的用户聚类群体。
66.聚类过程具体包括操作s231～s232。
67.在操作s231，分别对于第一时间段和第二时间段内多个用户，计算每个用户的行为特征与各聚类中心的距离。
68.在操作s232，将各用户分到距离最近的聚类中心所对应的用户聚类群体中，得到多个用户分别在第一时间段和第二时间段内的多个用户聚类群体。
69.在以上的聚类过程中，可以不断通过计算群体内部均值来更新聚类中心，直至聚类中心和用户聚类群体不再变化为止。
70.聚类效果可基于聚类结果的“总平方和”(totss)和“之间平方和”(betweens)之比来评价，比值越接近1，表示聚类效果越好，其中，“总平方值”定义为所有数据中点到中心的平方距离的总和，“之间平方和”显示了聚类之间的可变性。
71.表2示意性示出了一个聚类结果。如表2所示，当前用户被分为5类，表中示出了每一类用户的最近一次消费、消费频率和消费金额的平均值，可以看出，不同类群之间的支付
金额与支付笔数有明显差异。
72.表2用户聚类群体分析
[0073][0074][0075]
在操作s240，统计第一时间段内的各用户聚类群体流动至第二时间段的各用户聚类群体的流动数量，以表示多个用户在第一时间段和第二时间段内的流动情况。
[0076]
在本实施例中，根据操作s230得到的第一时间段和第二时间段的用户聚类群体，可以比较各用户聚类群体的数量，以及，第二时间段相比于第一时间段，各用户聚类群体流向其它类型的用户聚类群体的数量。表3示意性示出了一种用户聚类群体的迁移情况的表格，其中，第一时间段为2019年上半年，第二时间段为2019年下半年，用户群体分为5类，其中，每行单元格表示了上半年的一个群体迁移到下半年的各个群体中的数量以及该群体在上半年的总数量。
[0077]
表3
[0078][0079]
从表3的结果可以看出，大部分客户的类群是稳定的，只有一些类群迁移情况。这些迁移说明了客户消费模型发生了变化。
[0080]
根据上述数据，当用户聚类群体间的流动数量大于预设阈值时，获取对应的流动用户的行为数据，以作具体分析。
[0081]
分析行为数据，以识别用户的流动行为，至少包括一下两种情况：
[0082]
当行为数据中消费频率和/或消费金额在第二时间段相比于第一时间段减少，表明对应的用户在流失；
[0083]
当行为数据中的消费频率和/或消费金额在第二时间段相比于第一时间段增加，表明对应的用户的消费潜力在提升。
[0084]
商家可以针对这些客户，特别是潜在客户，发送个性化的电子邮件商品推荐活动，增加销售，增加长期客户保留率和终身价值。对于正在流失的用户，商家可以针对性的分析这部分用户的消费倾向，为这部分用户推送用户感兴趣的商品并提供优惠政策，以挽留用户。
[0085]
在本实施例中，绘制第一时间段和第二时间段各用户聚类群体的分布图，以便商家观测多个用户在第一时间段和第二时间段内的流动情况。
[0086]
根据本公开实施例提供的用户流动性识别方法，通过模型对两个时间段的用户细分，并对用户进行聚类，将用户分为多个聚类群体，以比较两个时间段的用户群体变化。根据用户群体变化可以有效的分析用户的消费行为的变化，从而帮助商家识别潜在客户和流失客户，以便商家针对这些用户采取进一步的措施来稳固用户，进而帮助商家提升销售能力。
[0087]
基于上述用户流动性识别方法，本公开还提供了一种用户流动性识别装置。以下将结合图5对该装置进行详细描述。
[0088]
图5示意性示出了根据本公开实施例的用户流动性识别装置的结构框图。
[0089]
如图5所示，该实施例的用户流动性识别装置500包括行为数据获取模块510、行为特征提取模块520、用户群体聚类模块530和用户流动数据识别模块540。
[0090]
行为数据获取模块510用于在用户授权后，获取多个用户在第一时间段和第二时间段内的行为数据。在一实施例中，行为数据获取模块510可以用于执行前文描述的操作s210，在此不再赘述。
[0091]
行为特征提取模块520用于分别提取行为数据在第一时间段和第二时间段内的多个行为特征。在一实施例中，行为特征提取模块520可以用于执行前文描述的操作s220，在此不再赘述。
[0092]
用户群体聚类模块530用于基于多个预设的聚类中心和多个用户的行为特征，对多个用户聚类，得到多个用户分别在第一时间段和第二时间段内的用户聚类群体。在一实施例中，用户群体聚类模块530可以用于执行前文描述的操作s230，在此不再赘述。
[0093]
用户流动数据识别模块540用于统计第一时间段内的各用户聚类群体流动至第二时间段的各用户聚类群体的流动数量，以表示多个用户在第一时间段和第二时间段内的流动情况。在一实施例中，用户群体聚类模块540可以用于执行前文描述的操作s240，在此不再赘述。
[0094]
根据本公开的实施例，行为数据获取模块510获取的行为数据具体包括最近一次消费、消费频率和消费金额；行为特征提取模块520将所述最近一次消费、消费频率和消费金额输入预设的用户分层模型，计算所述最近一次消费、消费频率和消费金额的分层评分，各所述分层评分分别表示一项所述行为特征；用户群体聚类模块530分别对于第一时间段和第二时间段内所述多个用户，计算每个用户的行为特征与各所述聚类中心的距离，并将各所述用户分到距离最近的聚类中心所对应的用户聚类群体中，得到所述多个用户分别在第一时间段和第二时间段内的多个用户聚类群体；用户流动数据识别模块540根据各用户群体的迁移变化数据，以从中识别正在流失和用户和潜在用户，从而可以帮助商家扩大用户流量，提升销售额。
[0095]
进一步的，行为特征提取模块520还可以用于基于所述最近一次消费、消费频率和消费金额的分层评分计算总行为评分，所述总行为评分表示一项所述行为特征，以所述总行为评分和最近一次消费、消费频率和消费金额的分层评分为多项行为特征对用户行为进行描述。
[0096]
其中，基于所述最近一次消费、消费频率和消费金额的分层评分计算总行为评分
包括：计算所述最近一次消费、消费频率和消费金额的分层评分的平方和，得到所述总行为评分。该方法可以消除最近一次消费、消费频率和消费金额的分层评分与行为总行为评分之间的线性关系。
[0097]
用户流动数据识别模块540识别用户流动类型可以包括：当所述用户聚类群体间的流动数量大于预设阈值时，获取对应的流动用户的行为数据；分析所述行为数据，以识别用户的流动行为。用户流动数据识别模块540至少包括两类分析：当所述行为数据中消费频率和/或消费金额在第二时间段相比于第一时间段减少，表明对应的用户在流失，以此识别流失用户；当所述行为数据中的消费频率和/或消费金额在第二时间段相比于第一时间段增加，表明对应的用户的消费潜力在提升，以此识别潜在用户。
[0098]
在本实施例中，用户流动性识别装置500还可以包括群体分布图模块，用于绘制第一时间段和第二时间段各所述用户聚类群体的分布图，以观测所述多个用户在第一时间段和第二时间段内的流动情况。
[0099]
根据本公开的实施例，行为数据获取模块510、行为特征提取模块520、用户群体聚类模块530和用户流动数据识别模块540中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，行为数据获取模块510、行为特征提取模块520、用户群体聚类模块530和用户流动数据识别模块540中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，行为数据获取模块510、行为特征提取模块520、用户群体聚类模块530和用户流动数据识别模块540中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0100]
图6示意性示出了根据本公开实施例的适于实现用户流动性识别方法的电子设备的方框图。
[0101]
如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0102]
在ram 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、rom 602以及ram 603通过总线604彼此相连。处理器601通过执行rom 602和/或ram 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 602和ram 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0103]
根据本公开的实施例，电子设备600还可以包括输入/输出(i/o)接口605，输入/输出(i/o)接口605也连接至总线604。电子设备600还可以包括连接至i/o接口605的以下部件
中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0104]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。
[0105]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 602和/或ram 603和/或rom 602和ram 603以外的一个或多个存储器。
[0106]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
[0107]
在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0108]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0109]
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0110]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备
(例如利用因特网服务提供商来通过因特网连接)。
[0111]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。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，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0112]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0113]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。