确定目标用户的方法及装置与流程

本发明涉及计算机技术领域，尤其涉及一种确定目标用户的方法及装置。

背景技术：

随着互联网的不断发展，越来越多的产品销售方通过互联网进行产品信息的发布。

现有技术中，产品销售方可以将其销售的产品的相关信息发布在产品交易网站(例如新车交易网站或者二手车交易网站等)中，用户通过浏览产品交易网站来获得产品的相关信息，并可以通过产品交易网站中所提供的联系方式与产品销售方进行联系沟通。

但是，现有技术中，产品销售方只能被动的等待用户与其进行联系，而无法获得有购买意愿的用户。

技术实现要素：

本发明提供一种确定目标用户的方法及装置，用以解决现有技术中产品销售方只能被动的等待用户与其进行联系，而无法获得有购买意愿的用户的问题。

第一方面，本发明提供一种确定目标用户的方法，包括：

根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型；所述第一用户集由通过所述产品交易网站联系所述同一类产品对应的产品销售方并购买所述产品销售方所销售的产品的所有用户组成；

根据所述预测模型以及所述产品交易网站的第二用户集中各用户的访问行为信息，从所述第二用户集中确定出目标用户；所述第二用户集由浏览所述同一类产品的所有用户中除所述第一用户集包括的用户之外的所有用户组成。

可选的，所述根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型，包括：

根据所述产品交易网站的所述第一用户集中多个第一用户以及所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，确定所述预测模型。

可选的，所述根据所述产品交易网站的所述第一用户集中多个第一用户以及所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，确定所述预测模型，包括：

根据所述产品交易网站的所述第一用户集中多个第一用户对所述同一类产品的访问行为信息，生成正向训练样本；

根据所述产品交易网站的所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，生成负向训练样本；

根据所述正向训练样本、所述负向训练样本以及预设算法，确定所述预测模型。

可选的，所述预设算法包括：逻辑回归算法、决策树算法或者随机森林算法。

可选的，所述根据所述正向训练样本、所述负向训练样本以及预设算法，确定所述预测模型之后，还包括：

根据所述产品交易网站的所述第一用户集中多个第三用户以及所述第二用户集中多个第四用户对所述同一类产品的访问行为信息，对所述预测模型进行优化。

可选的，所述根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型之前，还包括：

获取所述产品销售方的反馈信息，所述反馈信息用于指示所述第一用户集。

可选的，所述访问行为信息包括下述中的至少一种：

浏览页面数、页面浏览时长、浏览产品数、浏览产品详情页数、浏览产品详情页时长、搜索次数。

第二方面，本发明提供一种确定目标用户的装置，包括：

预测模型确定模块，用于根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型；所述第一用户集由通过所述产品交易网站联系所述同一类产品对应的产品销售方并购买所述产品销售方所销售的产品的所有用户组成；

目标用户确定模块，用于根据所述预测模型以及所述产品交易网站的第二用户集中各用户的访问行为信息，从所述第二用户集中确定出目标用户；所述第二用户集由浏览所述同一类产品的所有用户中除所述第一用户集包括的用户之外的所有用户组成。

可选的，所述预测模型确定模块，具体用于：

根据所述产品交易网站的所述第一用户集中多个第一用户以及所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，确定所述预测模型。

可选的，所述预测模型确定模块，包括：

正向训练样本子模块，用于根据所述产品交易网站的所述第一用户集中多个第一用户对所述同一类产品的访问行为信息，生成正向训练样本；

负向训练样本子模块，用于根据所述产品交易网站的所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，生成负向训练样本；

确定子模块，用于根据所述正向训练样本、所述负向训练样本以及预设算法，确定所述预测模型。

可选的，所述预设算法包括：逻辑回归算法、决策树算法或者随机森林算法。

可选的，所述装置还包括：优化模块，用于根据所述产品交易网站的所述第一用户集中多个第三用户以及所述第二用户集中多个第四用户对所述同一类产品的访问行为信息，对所述预测模型进行优化。

可选的，所述装置还包括：获取模块，用于获取所述产品销售方的反馈信息，所述反馈信息用于指示所述第一用户集。

可选的，所述访问行为信息包括下述中的至少一种：

浏览页面数、页面浏览时长、浏览产品数、浏览产品详情页数、浏览产品详情页时长、搜索次数。

本发明提供的确定目标用户的方法及装置，通过根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型，根据所述预测模型以及所述产品交易网站的第二用户集中各用户的访问行为信息，从所述第二用户集中确定出目标用户，从而获得了有购买意愿的用户，使得产品销售商可以针对有购买意愿的用户进行有效的产品推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明确定目标用户的方法实施例一的流程图；

图2为本发明确定目标用户的方法实施例二的流程图；

图3为本发明确定目标用户的方法实施例三的流程图；

图4为本发明一实施例示出的确定目标用户的流程图；

图5为本发明一实施例示出的对预测模型进行优化的流程图；

图6为本发明确定目标用户的装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

图1为本发明确定目标用户的方法实施例一的流程图，本实施例的方法可以由能够从产品交易网站获得用户的访问行为信息的任何设备来执行。如图1所示，本实施例的方法可以包括：

步骤101、根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型；所述第一用户集由通过所述产品交易网站联系所述同一类产品对应的产品销售方并购买所述产品销售方所销售的产品的所有用户组成。

本步骤中，所述产品交易网站例如可以为二手车交易网站、新车交易网站等。对于同一类产品的理解，例如可以为：不同型号的手机可以认为是同一类产品，即手机；不同型号的汽车也可以认为是同一类产品，即汽车。并且，由于属于所述同一类产品的不同产品的产品销售方可以为为一个或多个，因此所述同一类产品对应的产品销售方的个数也可以为一个或多个。所述预测模型为数学模型。具体的，可以通过算法建模的方式确定所述预测模型。可选的，可以根据产品交易网站的第一用户集中所有用户对同一类产品的访问行为信息，确定预测模型；或者，也可以根据产品交易网站的第一用户集中部分用户对同一类产品的访问行为信息，确定预测模型。

步骤102、根据所述预测模型以及所述产品交易网站的第二用户集中各用户的访问行为信息，从所述第二用户集中确定出目标用户；所述第二用户集由浏览所述同一类产品的所有用户中除所述第一用户集包括的用户之外的所有用户组成。

本步骤中，具体的，可以首先对第二用户集中的各用户的访问行为信息进行处理，获得能够用于所述预测模型的特征信息；之后，将所获得的特征信息输入至所述预测模型，并通过所述预测模型的输出确定第二用户集中的各用户是否有购买意愿。需要说明的是，本步骤中的用户应该为实际存在的用户，所对应的访问行为信息也应该是为由实际存在的用户所产生的访问行为信息。为了提高有效性，在步骤102之前可以通过预设条件区分出非实际存在的用户所产生的访问行为信息(即，爬虫数据)，该预设条件例如可以为点击量条件等。需要说明的是，本发明中的目标用户即为有购买意愿的用户。

本实施例中，通过根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型，根据所述预测模型以及所述产品交易网站的第二用户集中各用户的访问行为信息，从所述第二用户集中确定出目标用户，从而获得了有购买意愿的用户，使得产品销售商可以针对有购买意愿的用户进行有效的产品推广。

图2为本发明确定目标用户的方法实施例二的流程图，本实施例的方法在图1所示方法实施例的基础上，主要描述了根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型的一种可选的实现方式。如图2所示，本实施例的方法可以包括：

步骤201、根据所述产品交易网站的所述第一用户集中多个第一用户以及所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，确定所述预测模型。

本步骤中，确定预测模型时的第一用户的个数与第二用户的个数都为多个，优选的，两者的个数相同或者个数的差值小于或等于预设阈值。其中，所述访问行为信息具体可以为与访问行为有关的所有信息或者部分信息。可选的，所述访问行为信息可以包括下述中的至少一种：浏览页面数、页面浏览时长、浏览产品数、浏览产品详情页数、浏览产品详情页时长、搜索次数。可选的，可以从用户的原始访问日志中获取用户的访问行为信息。可选的，步骤201具体可以包括如下步骤2011-步骤2013。

步骤2011、根据所述产品交易网站的所述第一用户集中多个第一用户对所述同一类产品的访问行为信息，生成正向训练样本。

本步骤中，可以通过对第一用户集中的多个第一用户的访问行为信息进行处理，获得能够用于对预测模型进行训练的特征信息，即训练样本，并将所获得的训练样本作为正向训练样本。

步骤2012、根据所述产品交易网站的所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，生成负向训练样本。

本步骤中，可以通过对第二用户集中的多个第二用户的访问行为信息进行处理，获得能够用于对预测模型进行训练的特征信息，即训练样本，并将所获得的训练样本作为负向训练样本。

需要说明的是，步骤2011与步骤2012之间并没有先后顺序的限制。

步骤2013、根据所述正向训练样本、所述负向训练样本以及预设算法，确定所述预测模型。

本步骤中，所述预设算法例如可以为逻辑回归算法、决策树算法或者随机森林算法等。当为逻辑回归算法时具体可以为二分类逻辑回归算法。具体的，可以通过所述正向训练样本、所述负向训练样本对所述预设算法实现的预测模型进行训练，最终确定所述预测模型。

可选的，步骤101或步骤201之前还可以包括：获取所述产品销售方的反馈信息，所述反馈信息用于指示所述第一用户集。由于产品交易网站的用户最终是否在产品销售方购买产品通常需要在产品销售方获得，因此需要通过获取产品销售方用于指示所述第一用户集的反馈信息，并根据该反馈信息确定用于确定所述预测模型的多个第一用户和多个第二用户。

可选的，步骤102之后还可以包括：将所述目标用户推送给所述产品销售方。具体的，可以通过向所述产品销售方发送邮件或短信等方式将所述目标用户推送给所述产品销售方。可选的，可以将所述目标用户的联系信息推送给所述产品销售方，所述联系信息可以包括联系电话和/或邮箱等，所述联系信息还可以包括姓名。

本实施例中，通过同时根据由通过所述产品交易网站联系所述同一类产品对应的产品销售方并购买所述产品销售方所销售的产品的所有用户组成的第一用户集中的用户与由浏览所述同一类产品的所有用户中除第一用户集所包括的用户之外的所有用户组成的第二用户集中的用户的对所述同一类产品的访问行为信息，确定预测模型，提高了预测模型的准确性，从而也提高了所确定的目标用户的准确性。

图3为本发明确定目标用户的方法实施例三的流程图。如图3所示，本实施例的方法在图2所示方法实施例的基础上，为了进一步提高所确定的预测模型的准确性，在步骤201之后具体还可以包括以下步骤：

步骤301、根据所述产品交易网站的所述第一用户集中多个第三用户以及所述第二用户集中多个第四用户对所述同一类产品的访问行为信息，对所述预测模型进行优化。

本步骤中，所述第三用户与上述第一用户为不同的用户，所述第四用户与上述第二用户为不同的用户。即，用于确定预测模型的用户与用户优化预测模型的用户不同。可选的，步骤301具体可以包括如下步骤3011-步骤3013。

步骤3011、根据所述产品交易网站的所述第一用户集中多个第三用户以及所述第二用户集中多个第四用户对所述同一类产品的访问行为信息，生成测试样本。

需要说明的是，步骤3011中生成测试样本的方式与步骤2011、步骤2012中生成训练样本的方式类似，在此不再赘述。

步骤3012、根据所述测试样本对所述预测模型进行测试，获得测试结果。

本步骤中，所述测试结果例如可以为受试者工作特征(ROC，Receiver Operating Characteristic)曲线，F1分数(F1SCORE)，F2分数(F2SCORE)或召回率(RECALL)等。

步骤3013、根据所述测试结果对所述预测模型进行优化。

本步骤中，具体的，可以根据所述测试结果对所述预测模型所基于的预设算法的相关参数进行调整来实现对所述预测模型的优化。其中，所述相关参数例如可以为特征参数、算法参数、样本参数等。

本实施例中，通过根据所述产品交易网站的所述第一用户集中多个第三用户以及所述第二用户集中多个第四用户对所述同一类产品的访问行为信息，对所述预测模型进行优化，进一步提高了预测模型的准确性，从而也提高了所确定的目标用户的准确性。

图4为本发明一实施例示出的确定目标用户的流程图，图4中以二手车交易网站为例进行说明。如图4所示，首先，从各用户的原始访问日志中清洗出各用户的访问行为信息，该访问行为信息具体可以包括浏览二手车数、浏览二手车详情页数、浏览二手车详情页时长、搜索次数等。之后，根据二手车销售方提供的通过二手车交易网站与其联系并购买二手车的用户的用户信息以及各用户的访问行为信息，确定第一用户集和第二用户集。其中，二手车销售方提供的用户信息一般包括的是用户姓名和联系电话，而二手车交易网站中一般使用用户的标识(ID，IDentity)来区分用户，因此可以通二手车交易网站中用户的注册信息中包括的姓名和联系电话以及二手车销售方提供的用户的用户信息中包括的姓名和联系电话，来确定二手车销售方提供的用户在二手车交易网站中的用户ID。之后，通过第一用户集和第二用户集对SPARK框架实现的二分类逻辑回归算法进行训练及测试，得到二分类逻辑回归算法实现的预测模型以及对该预测模型的测试结果，并根据该测试结果对该预测模型进行优化，得到最终的预测模型。最后，根据最终的预测模型对第二用户集中的各用户进行购买意愿的预测，确定目标用户。

其中，根据测试结果对二分类逻辑回归算法的相关参数进行调整以实现对预测模型进行优化(即，确定最终的预测模型)的流程，可以参照图5。如图5所示，二分类逻辑回归算法的相关参数包括：样本参数、算法参数和特征参数，样本参数包括正负样本比例、训练测试集拆分比例和样本采集数量等，算法参数包括损失函数、正则化规则、正则系数和迭代次数等，特征参数包括特征选取、特征离散化和特征归一化等。具体的，通过调整二分类逻辑回归算法的相关参数，会影响算法实现的预测模型以及对算法实现的预测模型的测试结果；根据对二分类逻辑回归算法实现的预测模型进行测试得到的测试结果，来调整二分类逻辑回归算法的相关参数，从而确定最优模型，即最终的预测模型。

图6为本发明确定目标用户的装置的结构示意图，本实施例提供的装置可以应用于图1-图3实施例的方法中，实现其设备的功能。如图6所示，本实施例的装置可以包括：预测模型确定模块601和目标用户确定模块602。其中，预测模型确定模块601，用于根据产品交易网站的第一用户集中多个用户对同一类产品的访问行为信息，确定预测模型；所述第一用户集由通过所述产品交易网站联系所述同一类产品对应的产品销售方并购买所述产品销售方所销售的产品的所有用户组成；目标用户确定模块602，用于根据预测模型确定模块601确定的所述预测模型以及所述产品交易网站的第二用户集中各用户的访问行为信息，从所述第二用户集中确定出目标用户；所述第二用户集由浏览所述同一类产品的所有用户中除所述第一用户集包括的用户之外的所有用户组成。

可选的，预测模型确定模块601，具体用于：

根据所述产品交易网站的所述第一用户集中多个第一用户以及所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，确定所述预测模型。

可选的，预测模型确定模块601，包括：正向训练样本子模块、负向训练样本子模块和确定子模块；

所述正向训练样本子模块，用于根据所述产品交易网站的所述第一用户集中多个第一用户对所述同一类产品的访问行为信息，生成正向训练样本；

所述负向训练样本子模块，用于根据所述产品交易网站的所述第二用户集中多个第二用户对所述同一类产品的访问行为信息，生成负向训练样本；

所述确定子模块，用于根据所述正向训练样本子模块生成的所述正向训练样本、所述负向训练样本子模块生成的所述负向训练样本以及预设算法，确定所述预测模型。

可选的，所述预设算法包括：逻辑回归算法、决策树算法或者随机森林算法。

可选的，本实施例的装置还包括：优化模块603，用于根据所述产品交易网站的所述第一用户集中多个第三用户以及所述第二用户集中多个第四用户对所述同一类产品的访问行为信息，对预测模型确定模块601确定的所述预测模型进行优化。

可选的，本实施例的装置还包括：获取模块604，用于获取所述产品销售方的反馈信息，所述反馈信息用于指示所述第一用户集。

可选的，所述访问行为信息包括下述中的至少一种：

浏览页面数、页面浏览时长、浏览产品数、浏览产品详情页数、浏览产品详情页时长、搜索次数。

本实施例的装置，可以用于执行图1-图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。