一种网络产品的目标用户账号获取方法及装置与流程

本公开涉及互联网领域，特别涉及一种网络产品的目标用户账号获取方法及装置。
背景技术：
：随着互联网视频和智能电视的兴起，越来越多用户在视频网站或者平台上付费观看视频，视频网站或者平台也为用户提供了多种多样的产品形式，例如试看影片、购买单个影片、购买影片套餐等。用户在视频网站或平台除了购买视频(影片或影片套餐)这样的对视频的操作行为，还会留下其他一些对视频的操作行为，例如收藏某个视频，点击试看某个视频，点击购买该视频但并未付款等等，当用户通过用户账号登录视频网站或者平台，这些行为都可以被记录下来，例如存储在用户数据库中。目前，存在一些基于用户在过去一段时间购买网络产品(如上述视频)行为来预测用户未来是否购买网络产品的技术方案，但是仅仅利用这种购买网络产品行为来预测的准确率不高。技术实现要素：为了解决现有技术中存在的预测用户是否购买网络产品的准确率不高的问题，本公开提供了一种网络产品的目标用户账号获取方法及装置，以提高该准确率。一种网络产品的目标用户账号获取方法，包括如下步骤：获取用户在一定时间段内对网络产品的操作行为特征数据；根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值；根据预先设定的用户分类规则得到所述用户的用户类别；根据所述用户类别，计算所述用户购买所述网络产品的第二概率值；根据所述第一概率值和第二概率值，得到所述用户购买所述网络产品的最终概率；判断所述最终概率是否大于预设概率阈值，若是，则将所述用户的账号标记为目标用户账号。在一个实施例中，在将所述用户的账号标记为目标用户账号之后，所述方法还包括如下步骤：根据所述网络产品，从网络产品推送消息库中查找对应的推送消息；将所述推送消息发送给所述目标用户账号。在一个实施例中，根据所述网络产品，在从网络产品推送消息库中查找与所述网络产品对应的推送消息之前，所述方法还包括如下步骤：获取所述目标用户的用户类别；根据所述网络产品，从网络产品推送消息库中查找对应的推送消息的步骤为：根据所述目标用户的用户类别和网络产品，从网络产品推送消息库中查找对应的推送消息。在一个实施例中，根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值的步骤为：将所述操作行为特征数据输入概率计算模型进行运算，得到所述用户购买所述网络产品的第一概率值。在一个实施例中，通过如下步骤得到所述概率计算模型：选取在样本时间段内购买网络产品的样本用户；获取每个样本用户在样本时间段之前对网络产品的样本操作行为特征数据；将所述样本操作行为特征数据进行集成学习模型训练，得到所述概率计算模型。在一个实施例中，根据所述用户类别，计算所述用户购买所述网络产品的第二概率值的步骤为：根据对应关系和所述用户类别，计算所述用户购买所述网络产品的第二概率值；其中，所述对应关系是指每个用户类别与购买网络产品概率之间的对应关系。在一个实施例中，通过如下步骤得到所述对应关系：获取每个样本用户在样本时间段内是否购买网络产品的结果，以及在所述样本时间段之前对网络产品的样本操作行为特征数据；根据预先设定的用户分类规则得到所述样本用户的样本用户类别；根据每个样本用户的结果和样本用户类别，计算每个样本用户类别购买网络产品的概率，得到每个用户类别与购买网络产品概率之间的所述对应关系。本发明还提供了一种网络产品的目标用户账号获取装置，包括：第一获取单元，被配置为执行：获取用户在一定时间段内对网络产品的操作行为特征数据；第一计算单元，被配置为执行：根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值；分类单元，被配置为执行：根据预先设定的用户分类规则得到所述用户的用户类别；第二计算单元，被配置为执行：根据所述用户类别，计算所述用户购买所述网络产品的第二概率值；第三计算单元，被配置为执行：根据所述第一概率值和第二概率值，得到所述用户购买所述网络产品的最终概率；标记单元，被配置为执行：判断所述最终概率是否大于预设概率阈值，若是，则将所述用户的账号标记为目标用户账号。在一个实施例中，查找单元，被配置为执行：在将所述用户的账号标记为目标用户账号之后，根据所述网络产品，从网络产品推送消息库中查找对应的推送消息；发送单元，被配置为执行：将所述推送消息发送给所述目标用户账号。在一个实施例中，还包括第二获取单元，被配置为执行：根据所述网络产品，在从网络产品推送消息库中查找与所述网络产品对应的推送消息之前，获取所述目标用户的用户类别；所述查找单元被配置为执行：根据所述目标用户的用户类别和网络产品，从网络产品推送消息库中查找对应的推送消息。本公开的实施例提供的技术方案可以包括以下有益效果：在本发明的实施例中，根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值，充分考虑了用户的操作行为特征数据对购买网络产品的影响；另外，还根据所述用户类别，计算所述用户购买所述网络产品的第二概率值，亦充分考虑了用户类别对购买网络产品的影响，由于综合了上述考虑因素，使得本实施例的方案预测得到的最终概率更加准确，从而，获得的目标用户账号更加准确。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。图1是一种实施例的网络产品的目标用户账号获取方法的实施环境示意图；图2是本发明一种实施例的网络产品的目标用户账号获取方法的流程图；图3是本发明另一种实施例的网络产品的目标用户账号获取方法的部分流程图；图4是本发明另一种实施例的网络产品的目标用户账号获取方法的部分流程图；图5是本发明另一种实施例的网络产品的目标用户账号获取方法的部分流程图；图6是本发明另一种实施例的服务器的示意图；图7是本发明另一种实施例的网络产品的目标用户账号获取装置的示意图；图8是本发明另一种实施例的网络产品的目标用户账号获取装置的部分示意图。具体实施方式这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。如图1所示，是一种实施例的网络产品的目标用户账号获取方法的实施环境示意图。该实施环境包括用户1、用户终端11、互联网12、服务器13和计算机14。用户10通过用户终端11经过互联网12访问服务器13，并在服务器13注册用户账号，该用户10在服务器13的对网络产品的操作行为特征数据即被服务器13记录于服务器数据库，计算机14用于从服务器13获取用户账号的相关数据，以实施网络产品的目标用户账号获取方法。具体的网络产品的目标用户账号获取方法将在以下实施例中详细阐述。如图2所示，一种实施例的网络产品的目标用户账号获取方法的流程图，包括如下步骤。s1、获取用户在一定时间段内对网络产品的操作行为特征数据。网络产品可以是网络平台上销售的任意产品，例如视频(如电影)、家电、移动电子设备等等。操作行为特征数据包括操作行为内容与操作行为数量，操作行为内容可以是网络平台上的用户对网络产品的浏览行为、购买行为、收藏行为、评论行为等等，而操作行为数量则是这些操作行为特征数据的个数。在一个实施例中，以网络产品是视频平台上销售的视频为例，上述操作行为特征数据可以是收藏视频、点击试看视频、点击购买单个视频、点击购买视频但未付款、点击购买视频套餐。用户的操作行为特征数据以及该操作行为特征数据发生的时间，可以由网络平台对应的服务器进行记录，并存储在用户数据库中。从该用户数据库中读取用户在预测时间段之前对网络产品的操作行为特征数据，即可以获取该操作行为特征数据。该一定时间段可以是两天、一周、两周等等，在此不进行限定。在一定时间段之前对网络产品的操作行为特征数据是指，在一定时间段之前的时间段对网络产品的操作行为特征数据，该时间段可以是半个月、一个月、两个月等。在一个实施例中，用户的操作行为特征数据如表1至2所示。其中，表1为用户a在一定时间段之前的操作行为特征数据，表2为用户b在一定时间段之前的操作行为特征数据。表1和2中，购买(视频)但未付款、收藏(视频)、播放(视频)、试看(视频)、购买单视频和购买视频套餐属于操作行为特征数据，而操作行为特征数据下方的数字表示对应的操作行为的数量。以表1的第二行为例进行说明，其表示用户a在日期2017年1月1日实施的操作行为特征数据为：购买但未付款、收藏、播放、试看、购买单视频和购买视频套餐的数量分别为0、1、0、3、1和0。表1表2s2、根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值。在一个实施例中，可以将所述操作行为特征数据输入概率计算模型进行运算，得到所述用户购买所述网络产品的第一概率值。上述概率计算模型是通过机器学习算法得到的，例如通过adaboost算法、分类器、决策树、神经网络等等算法得到上述概率计算模型。s3、根据预先设定的用户分类规则得到所述用户的用户类别。根据预先设定的用户分类规则以及操作行为特征数据对用户进行分类，得到用户类别。可以根据操作行为特征数据制定一用户分类规则，该用户分类规则设定了多个不同的用户类别，根据该用户分类规则某个用户可以被分为其中的某个用户类别。在一个实施例中，可以根据rfm(recencyfrequencymonetery)中的三个特征：最近一次购买、消费次数和消费金额来选择操作行为特征数据：最近购买视频时间、购买视频次数、购买视频总额，并根据最近购买视频时间、购买视频次数、购买视频总额制定用户分类规则，其中，该用户分类规则设定了几种不同的用户类别：重要增值客户(购买次数高，购买总金额高，最近购买)、重要保持客户(购买次数高，购买总金额高，很久未购买)、重要深耕客户(购买次数低，购买总金额高，最近购买)、重要挽留客户(购买次数低，购买总金额高，很久未购买)、潜力客户(购买次数高，购买总金额低，最近购买)、新客户(购买次数低，购买总金额低，最近购买)、一般维持客户(购买次数高，购买总金额低，很久未购买)、流失客户(购买次数低，购买总金额低，很久未购买)。在本实施例中，例如，用户a在一定时间段之前的操作行为特征数据为：购买次数高、购买总金额高和最近购买，那么通过本步骤s3可以得到用户a的用户类别：重要增值客户。s4、根据所述用户类别，计算所述用户购买所述网络产品的第二概率值。在一个实施例中，可以根据所述用户类别和对应关系，得到所述用户购买所述网络产品的第二概率值；其中，所述对应关系是指每个用户类别与购买网络产品概率之间的对应关系。不同的用户类别在未来一段时间内购买网络产品的概率通常是不一样的，因此，可以制定一对应关系，用于记录不同用户类别在未来一段时间内购买网络产品的概率，即每个用户类别与购买网络产品概率之间的对应关系。以步骤s3中的上述实施例为例，重要增值客户在未来一段时间内(例如在前一个视频套餐结束后的第一个星期)购买网络产品的概率，是在上述八种用户类别中最大的，重要保持客户、重要深耕客户、重要挽留客户、潜力客户、新客户、一般维持客户和流失客户的在未来一段时间内购买网络产品的概率依次降低。如表3所示，是一个实施例的对应关系的示意图。表3用户类别购买网络产品的概率apabpbcpc……例如，通过步骤s3获得的用户类别a，再根据表3中的对应关系，可以得到用户类别a的第二概率值为pa。s5、根据所述第一概率值和第二概率值，得到所述用户购买所述网络产品的最终概率。在一个实施例中，最终概率p通过如下算法得到：p＝α*pada+(1-α)*prfm其中，α代表权重，pada表示第一概率值，prfm表示第二概率值。通过调整权重α，可以调整第一概率值和第二概率值对于最终概率p的影响权重。s6、判断所述最终概率是否大于预设概率阈值，若是，则将所述用户的账号标记为目标用户账号。最终概率值越大的用户，其购买网络产品的可能性越大，因此此类用户是重要的用户，将其标记为目标用户。可以设定一预设概率阈值，例如取为0.8，判断用户的最终概率是否大于0.8，若是则获取对应用户的账号标记为目标用户账号。在本实施例的方案中，根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值，充分考虑了用户的操作行为特征数据对购买网络产品的影响；另外，还根据所述用户类别，计算所述用户购买所述网络产品的第二概率值，亦充分考虑了用户类别对购买网络产品的影响，由于综合了上述考虑因素，使得本实施例的方案预测得到的最终概率更加准确，从而，获得的目标用户账号更加准确。如图3所示，在一个实施例中，在步骤s6之后，网络产品的目标用户账号获取方法还包括如下步骤。s7、根据所述网络产品，从网络产品推送消息库中查找对应的推送消息。网络产品推送消息库中存储有针对不同的网络产品的推送消息，推送消息可以是通知用户继续购买网络产品的消息，例如用户购买的视频套餐即将到期，推送通知用户续费的消息；推送消息还可以是广告，例如影片广告，家电广告，消费电子广告等等。s8、将所述推送消息发送给所述目标用户账号。由于目标用户账号在未来有很大的概率再次购买网络产品或者其他商品，因此向其发送推送消息能收到更好的效果，也降低了因为随意发送推送消息给用户账号而给用户带来骚扰的几率。为了进一步提高推送消息的效果，在一个实施例中，步骤s7之前网络产品的目标用户账号获取方法还包括如下步骤：获取所述目标用户的用户类别。网络产品推送消息库中存储的每个推送消息，都具有两个索引量，一个是用户类别，一个是网络产品，也即是说，针对不同的用户类别和网络产品，对应的推送消息也是不同的。步骤s8为：根据所述目标用户的用户类别和网络产品，从网络产品推送消息库中查找对应的推送消息。例如，重要增值客户通常消费能力较高，可以向其推送较高消费水平的广告，而一般维持客户通常消费能力较低，可以向其推送较低消费水平的广告。通过本实施例，使得发送推送消息更加有针对性，可以进一步提高推送消息的效果。如图4所示，在一个实施例中，可以通过如下步骤得到概率计算模型：s21、选取在样本时间段内购买网络产品的样本用户。样本时间段也可以是两天、一周、两周等等。在一个实施例中，样本用户包括了表1和表2中的用户a和用户b，如表4所示，是该用户a在样本时间段(2017年2月1日至7日)的购买(网络产品)结果，其中，购买结果下方的1表示用户a购买了网络产品，如表5所示，是该用户b在样本时间段(2017年2月1日至7日)的购买(网络产品)结果，购买结果下方的0表示用户b没有购买网络产品。需要指出的是，样本用户应尽可能多，以提高得到的概率计算模型的准确度。表4表5s22、获取每个样本用户在样本时间段之前对网络产品的样本操作行为特征数据。该样本操作行为特征数据是上述样本时间段之前一个时间段的样本操作行为特征数据，例如半个月、一个月、两个月等。在一个实施例中，样本操作行为特征数据包括表1和表2中用户a和用户b的操作行为特征数据。s23、将样本操作行为特征数据进行集成学习模型训练，得到概率计算模型。在一个更为具体的实施例中，本概率计算模型采用adaboost算法，得到该概率计算模型的具体训练步骤如下。s231、设定训练轮数t，输入训练样本集d＝{(x1,y1),(x2,y2),…(xm,,ym)}，其中x1和y1分别表示第一组样本数据中的操作行为特征数据和是否购买网络产品的结果(定义购买的结果为1，不购买的结果为0)，xm和ym分别表示第m组样本数据中的操作行为特征数据和是否购买网络产品的结果。s232、初始化训练样本数据的权值分布，每组样本数据的样本权值为1/m。s233、进行第一轮训练，得到第一个基本弱分类器，以及第一个基本弱分类器的分类器权重。在训练基本弱分类器过程中，需要选定一个阈值，在本实施例中该阈值介于0到1之间，经过基本弱分类器的分类，若样本数据对应的结果值大于该阈值则被分类为购买网络产品，否则被分类为不购买网络产品。在这个过程中，有些样本数据被基本弱分类器分类正确，有些样本数据被基本弱分类器分类错误，从而可以统计分类误差率，而在不同的阈值情况下，对应的误差率可能是不相同的，应选择误差率最小时的阈值。然后根据该最小的误差率计算第一个基本弱分类器的分类器权重。另外，对于分类错误的样本数据，增大其样本权值，而对于分类正确的样本数据，减小其样本权值，作为下一轮训练时样本数据的样本权值。s234、进行第二轮训练，得到第二个基本弱分类器，以及第二个基本弱分类器的分类器权重。直至完成t轮训练，得到t个基本弱分类器及每个对应的分类器权重，最终分类器即为t个基本弱分类器的加权和。当待计算的操作行为特征数据输入该最终分类器后，即可以得到用户购买网络产品的第一概率值。如图5所示，在一个实施例中，可以根据样本用户在样本时间段内是否购买网络产品，以及样本用户在样本时间段之前的用户类别，来得到该对应关系。通过如下步骤得到所述对应关系：s41、在样本时间段内，获取每个样本用户在样本间段之前对网络产品的样本操作行为特征数据，以及在所述样本时间段内是否购买网络产品的结果。如表6所示，获取用户a1、a2、b1和b2根据样本时间段之前(2017.1月)的操作行为特征数据，及样本时间段(2017年2月1-7日)购买网络产品的结果。s42、根据预先设定的用户分类规则以及所述样本操作行为特征数据对所述样本用户进行分类，得到所述样本用户的样本用户类别。如表6所示，获取用户a1、a2、b1和b2根据样本时间段之前(2017.1月)的操作行为特征数据，得到的用户类别。s43、根据每个样本用户的结果和样本用户类别，计算每个样本用户类别购买网络产品的概率，得到每个用户类别与购买网络产品概率之间的所述对应关系。根据该表6可以计算得到用户类别a购买网络产品的概率为1/4，用户类别b购买网络产品的概率为2/4，进而可以得到对应关系。如表7所示，是根据本实施例得到的该对应关系的具体形式。表6表7用户类别购买网络产品概率a1/4b2/4在一个实施例中，利用样本用户在样本测试时间段是否购买了网络产品，来对上述公式p＝α*pada+(1-α)*prfm的权重α进行优化选择。设定一概率阈值为0.7。当某个样本用户的最终概率p大于该概率阈值0.7，若该样本用户在样本测试时间段购买了网络产品，则表明对该样本用户的预测准确，若该样本用户在样本测试时间段没有购买网络产品，则表明对该样本用户的预测错误。同样，当某个样本用户的最终概率p不大于该概率阈值0.7，若该样本用户在样本测试时间段购买了网络产品，则表明对该样本用户的预测错误，若该样本用户在样本测试时间段没有购买网络产品，则表明对该样本用户的预测准确。具体而言，首先，α＝0的情况下，根据上述公式计算对每个样本用户的最终概率，并判断对每个样本用户的预测是否准确，从而可以统计出预测准确的样本用户，进而可以计算预测准确度：预测准确度＝预测准确的样本用户数量除以样本用户总量。依次计算α取0.1、0.2、0.3...1情况下对应的预测准确度。设定预测准确度阈值为0.8。若预测准确度大于预测准确度阈值0.8，则表明对应的α是合适的，如果预测准确度小于预测准确度阈值0.8，则表明对应的α是不合适的，从而可以选择合适的α，使得上述计算最终概率p的公式最优化。如图6所示，是本发明一种实施例的服务器，该服务器机用于执行网络产品的目标用户账号获取方法。该服务器100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)101(例如，一个或一个以上处理器)和存储器102，一个或一个以上存储应用程序105或数据104的存储媒体106(例如一个或一个以上海量存储设备)。其中，存储器107和存储媒体106可以是短暂存储或持久存储。执行网络产品的目标用户账号获取方法的程序存储在存储媒体106。更进一步地，中央处理器101可以设置为与存储媒体106通信，在服务器100上执行存储媒体106中的程序。服务器100还可以包括一个或一个以上电源102，一个或一个以上有线或无线网络接口108，一个或一个以上输入输出接口109，和/或，一个或一个以上操作系统103，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。如图7所示，是一种实施例的网络产品的目标用户账号获取装置，包括：第一获取单元10，被配置为执行：获取用户在一定时间段内对网络产品的操作行为特征数据；第一计算单元20，被配置为执行：根据所述操作行为特征数据计算所述用户购买所述网络产品的第一概率值；分类单元30，被配置为执行：根据预先设定的用户分类规则得到所述用户的用户类别；第二计算单元40，被配置为执行：根据所述用户类别，计算所述用户购买所述网络产品的第二概率值；第三计算单元50，被配置为执行：根据所述第一概率值和第二概率值，得到所述用户购买所述网络产品的最终概率；标记单元60，被配置为执行：判断所述最终概率是否大于预设概率阈值，若是，则将所述用户的账号标记为目标用户账号。在一个实施例中，上述网络产品的目标用户账号获取装置还包括：查找单元70，被配置为执行：在将所述用户的账号标记为目标用户账号之后，根据所述网络产品，从网络产品推送消息库中查找对应的推送消息；发送单元80，被配置为执行：将所述推送消息发送给所述目标用户账号。本网络产品的目标用户账号获取装置用于执行上述实施例的网络产品的目标用户账号获取方法，具体的步骤在前述实施例中已经作出了详细的阐述，在此不再赘述。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。当前第1页12