数据对象的推送方法、装置和服务器与流程

专利2022-05-10  1



1.本说明书属于大数据分析技术领域,尤其涉及数据对象的推送方法、装置和服务器。


背景技术:

2.在大数据分析领域,平台或机构常常需要结合大量的业务数据对客户进行用户画像的刻画,再根据用户画像向客户进行诸如商品、服务的相关推送。
3.但是,基于现有的用户画像的刻画方法往往存在用户画像刻画不准确,进而导致在向客户具体推送相关商品、服务时,存在针对性不强、推送效果差等问题。
4.针对上述问题,目前尚未提出有效的解决方案。


技术实现要素:

5.本说明书提供了一种数据对象的推送方法、装置和服务器,以实现对目标客户对象进行精准且有针对性的推送,提高数据对象的推送效果。
6.本说明书提供了一种数据对象的推送方法,包括:
7.获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;
8.根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;
9.根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;
10.确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;
11.根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;
12.生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
13.在一些实施例中,所述数据对象包括:实物类产品或服务类产品。
14.在一些实施例中,客户对象的关于数据对象的历史接触记录包括:客户对象的关于实物类产品或服务类产品的历史购买记录。
15.在一些实施例中,根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,包括:
16.根据预设的筛选规则,从客户对象的属性数据中筛选出目标属性数据;
17.根据多个客户对象的目标属性数据,对所述多个客户对象进行k

means聚类处理。
18.在一些实施例中,所述目标属性数据包括以下至少之一:历史消费记录、职业、月收入、年龄。
19.在一些实施例中,根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵,包括:
20.按照以下方式,根据预设的构建规则,利用当前客户群组中客户对象的关于数据对象的历史接触记录,构建与当前客户群组对应的当前相似度矩阵:
21.根据当前客户群组中客户对象关于数据对象的历史接触记录,确定出当前客户群组中客户对象历史上接触过的数据对象;
22.根据当前客户群组中客户对象历史上接触过的数据对象,计算当前客户群组中两个不同的客户对象之间的相似度;
23.根据当前客户群组中客户对象的身份标识,确定矩阵的行和列;并将两个不同客户对象之间的相似度,作为对应行和对应列处的矩阵元素,以得到当前相似度矩阵。
24.在一些实施例中,根据当前客户群组中客户对象历史上接触过的数据对象,计算当前客户群组中两个不同的客户对象之间的相似度,包括:
25.根据当前客户群组中客户对象历史上接触过的数据对象,统计两个不同的客户对象历史上接触过的数据对象的重叠数量,以及接触过的数据对象的总数量;并计算两个不同的客户对象历史上接触过的数据对象的重叠数量与接触过的数据对象的总数量之间的商,作为两个不同的客户对象之间的相似度。
26.在一些实施例中,根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象,包括:
27.在所述目标相似度矩阵中,确定出目标客户对象的身份标识所在的行作为目标行;
28.从目标行中的矩阵元素中,筛选出数值符合要求的矩阵元素作为目标矩阵元素;
29.根据所述目标矩阵元素所在列的身份标识,从目标群组中确定出针对目标客户的参照客户;
30.根据参照客户的关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象。
31.在一些实施例中,在根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组之后,所述方法还包括:
32.确定目标客户对象所在的目标客户群组;
33.根据目标客户群组中客户对象的关于数据对象的历史接触记录,统计出在目标客户群组中数据对象的接触频度;
34.筛选出接触频度高于预设的频度阈值,且目标客户对象历史上未接触过的数据对象,作为目标数据对象。
35.在一些实施例中,在根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵之后,所述方法还包括:
36.根据所述多个相似度矩阵和多个客户对象的关于数据对象的历史接触记录,确定出与数据对象相匹配的客户对象。
37.在一些实施例中,生成关于目标数据对象的目标推广信息,包括:
38.获取目标数据对象的触达链接;并生成关于目标数据对象的文本数据;
39.组合所述触达链接与所述文本数据,以得到关于目标数据对象的目标推广信息。
40.本说明书实施例还提供了一种数据对象的推送方法,包括:
41.确定目标客户对象所在的目标客户群组,以及与所述目标客户群组对应的目标相似度矩阵;其中,预先通过对多个客户对象的属性数据进行聚类处理,得到多个客户群组;并根据各个客户群组中客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;
42.获取目标客户群组中客户对象的关于数据对象的历史接触记录;
43.根据目标相似度矩阵、目标客户群组中客户对象的关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象。
44.本说明书实施例还提供了一种数据对象的推送装置,包括:
45.获取模块,用于获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;
46.聚类模块,用于根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;
47.构建模块,用于根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;
48.第一确定模块,用于确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;
49.第二确定模块,用于根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;
50.推送模块,用于生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
51.本说明书实施例还提供了一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现以下内容:获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
52.本说明书实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现:获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;根据预设的构建规则,分
别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
53.本说明书提供了一种数据对象的推送方法、装置和服务器,基于该方法,在需要对目标客户对象进行数据对象推送时,可以先获取包含有目标客户对象在内的多个客户对象的属性数据;再根据客户对象的属性数据,通过进行预设的聚类处理,将对数据对象具有相近的接触偏好的客户对象聚类到一起,得到多个客户群组;再根据预设的构建规则,利用各个客户群组中客户对象关于数据对象的历史接触记录,构建得到与客户群组分别对应的多个相似度矩阵;进而可以根据目标客户对象所在的目标客户群组的目标相似度矩阵,同时结合目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象相匹配的、大概率符合目标客户对象的接触偏好的目标数据对象进行推送。从而可以实现对目标客户对象进行精准且有针对性的推送,提高数据对象的推送效果。
附图说明
54.为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
55.图1是本说明书的一个实施例提供的数据对象的推送方法的流程示意图;
56.图2是本说明书的一个实施例提供的数据对象的推送方法的流程示意图;
57.图3是本说明书的一个实施例提供的服务器的结构组成示意图;
58.图4是本说明书的一个实施例提供的数据对象的推送装置的结构组成示意图;
59.图5是在一个场景示例中,应用本说明书实施例提供的数据对象的推送方法的一种实施例的示意图。
具体实施方式
60.为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
61.参阅图1所示,本说明书实施例提供了一种数据对象的推送方法,其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容:
62.s101:获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;
63.s102:根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;
64.s103:根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;
65.s104:确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;
66.s105:根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;
67.s106:生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
68.通过上述实施例,先根据多个客户对象的属性数据,通过进行预设的聚类处理,将对数据对象的具有相近的接触偏好的客户对象聚类到一起,得到多个客户群组;再根据各个客户群组中客户对象关于数据对象的历史接触记录,构建得到与各个客户群组对应的,能够反映出客户群组中任意两个客户对象之间关于所接触的数据对象的相似度的相似度矩阵;进而可以根据目标客户对象所在的目标客户群组的目标相似度矩阵,结合目标客户群组中客户对象关于数据对象的历史接触记录,精准地确定出与该目标客户对象相匹配的、大概率符合该目标客户对象的接触偏好的目标数据对象进行推送。从而可以有针对性地目标客户对象进行数据对象的推送,提高数据对象的推送效果,改善目标客户对象的客户体验。
69.在一些实施例中,上述方法具体可以应用于数据对象推送系统或引擎的服务器。具体的,所述服务器具体可以包括一种应用于数据对象推送系统或引擎一侧,能够实现数据传输、数据处理等功能的后台服务器。所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者,所述服务器也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
70.在一些实施例中,上述目标客户对象具体可以是多个客户对象中的任意一个待推送数据对象的客户对象。
71.在一些实施例中,上述数据对象具体可以包括:实物类产品或服务类产品。
72.具体的,上述实物类产品可以包括:服装、手机、电视、汽车、住宅等实体商品。上述服务类产品具体可以包括:理财产品、保险服务、咨询服务、投资项目等业务项目。
73.当然,需要说明的是,上述所列举的数据对象只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,上述数据对象还可以包括其他类型的数据对象。对此,本说明书不作限定。
74.在一些实施例中,相应的,客户对象的关于数据对象的历史接触记录包括:客户对象的关于实物类产品或服务类产品的历史购买记录。上述接触具体可以理解为购买或者使用等。
75.具体的,例如,上述客户对象的关于数据对象的历史接触记录可以是客户对象最近一个月在某购物网站的购物记录。其中,该购物记录具体记录有该客户对象在最近一个月内在该购物网站所购买过的实体商品。
76.又例如,上述客户对象的关于数据对象的历史接触记录还可以是客户对象最近两年在某银行申请或购买过的业务记录。其中,该业务记录具体记录有该客户对象在最近两
年内在该银行申请或购买过的理财产品、投资项目、保险服务等业务项目。
77.在一些实施例中,上述属性数据具体可以理解为用于描述客户对象的个体特征的参数数据。具体的,上述客户对象的属性数据可以包括以下所列举的一种或多种:客户对象的年龄、客户对象所在城市、客户对象的学历、客户对象的性别、客户对象的月收入、客户对象的银行流水、客户对象的历史消费记录、客户对象的交易频度等等。
78.在一些实施例中,上述客户对象具体可以是个人对象,例如,王先生、赵女士等。上述客户对象还可以是团体对象。例如,xx公司、yy机构等。
79.在一些实施例中,上述客户群组具体可以理解为一种具有相同或相近的关于数据对象的接触偏好的客户对象的集合。每一个客户群组具体可以包括一个或多个客户对象。其中,同一个客户群组中的不同客户对象对于数据对象的接触偏好相同或相近,即差异小于预设的差异阈值。
80.具体的,例如,同一个客户群组中不同的客户对象对于实体商品或业务项目的购买偏好相近,此外还具有相似的潜在购买力。
81.在一些实施例中,上述根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,具体实施时,可以包括以下内容:
82.s1:根据预设的筛选规则,从客户对象的属性数据中筛选出目标属性数据;
83.s2:根据多个客户对象的目标属性数据,对所述多个客户对象进行k

means聚类处理。
84.在本实施例中,上述目标属性数据具体可以理解为一种能够反映出客户对象对于数据对象的接触偏好(例如,对实体商品或业务项目的购买偏好),以及潜在购买力的属性数据。
85.在一些实施例中,上述目标属性数据具体可以包括以下至少之一:历史消费记录、职业、月收入、年龄等等。
86.当然,需要说明的是,上述所列举的目标属性数据只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,上述目标属性数据还可以包括其他类型的属性数据。例如,客户对象的存款余额、客户对象的交易频度、客户对象的理财收益等等。
87.通过上述实施例,根据目标属性数据,可以更加精准地对多个客户对象进行聚类处理,得到参考价值相对更高的多个客户群组。
88.在一些实施例中,为了能够更加精准地进行预设的聚类处理,还可以先对客户对象的目标属性数据进行特征处理,以提取出关键特征;再根据客户对象的关键特征,对多个客户对象进行k

mean聚类处理。
89.在一些实施例中,上述相似度矩阵分别与一个客户群组对应,用于表征所对应的客户群组中任意两个客户对象之间的对于数据对象的接触相似度。
90.在一些实施例中,上述相似度矩阵中的每一行分别与客户群组中的一个客户对象的身份标识对应。上述相似度矩阵中的每一列也分别与客户群组中的一个客户对象的身份标识对应。进一步,上述相似度矩阵中任意一行一列处的矩阵元素用于表征该行所对应的客户对象与该列所对应的客户对象之间的关于数据对象的接触相似度(例如,关于实体商品或业务项目的购买相似度)。
91.其中,上述身份标识具体可以理解为一种用于指示客户对象的标识信息。具体的,
上述身份标识可以是客户对象的姓名,也可以是客户对象的账户名,还可以是客户对象的注册编号等等。
92.在一些实施例中,上述根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵,具体实施时,可以包括以下内容:按照以下方式,根据预设的构建规则,利用当前客户群组中客户对象的关于数据对象的历史接触记录,构建与当前客户群组对应的当前相似度矩阵:
93.s1:根据当前客户群组中客户对象关于数据对象的历史接触记录,确定出当前客户群组中客户对象历史上接触过的数据对象;
94.s2:根据当前客户群组中客户对象历史上接触过的数据对象,计算当前客户群组中两个不同的客户对象之间的相似度;
95.s3:根据当前客户群组中客户对象的身份标识,确定矩阵的行和列;并将两个不同客户对象之间的相似度,作为对应行和对应列处的矩阵元素,以得到当前相似度矩阵。
96.通过上述实施例,可以准确构建得到与当前客户群组对应的,能够较好地反映出当前客户群组中任意两个客户对象之间关于数据对象的接触相似度的当前相似度矩阵。
97.按照上述构建当前客户群组的当前相似度矩阵的方式,可以构建得到与多个客户群组分别对应的多个相似度矩阵。
98.在一些实施例中,在构建得到上述相似度矩阵之后,还可以根据客户群组中客户对象的标记信息,对该相似度矩阵中的某些行和某些列进行删除处理,以对相似度矩阵进行修正,得到相对更加精简、参考价值更高的相似度矩阵。
99.具体的,例如,在构建得到与某个客户群组对应的相似度矩阵之后,发现:该客户群组中客户对象l(身份标识为:l)被标记有“从未购买过银行推送的理财产品”。可以判断该客户对象l对其他客户对象的数据对象的推送不具有参考价值。因此,可以删除上述相似度矩阵中与l对应的行和列,得到修正后的相似度矩阵。
100.在一些实施例中,上述根据当前客户群组中客户对象历史上接触过的数据对象,计算当前客户群组中两个不同的客户对象之间的相似度,具体实施时,可以包括:根据当前客户群组中客户对象历史上接触过的数据对象,统计两个不同的客户对象历史上接触过的数据对象的重叠数量,以及接触过的数据对象的总数量;并计算两个不同的客户对象历史上接触过的数据对象的重叠数量与接触过的数据对象的总数量之间的商,作为两个不同的客户对象之间的相似度。
101.通过上述实施例,可以准确地计算出同一个客户群组中两个不同的客户对象之间的相似度,作为相似度矩阵中对应行对应列位置处的矩阵元素。
102.具体的,例如,对于某个客户群组中的任意两个客户对象:客户a(身份标识记为n)和客户b(身份标识记为m)。首先,根据客户a最近两年在某银行的业务记录可以确定:客户a在过去两年在该银行共办理过x个理财产品,并进一步确定出上述x个理财产品的产品标识。同时,根据客户b最近两年在该银行的业务记录可以确定:客户b在过去两年在该银行共办理过y个理财产品,并进一步确定出上述y个理财产品的产品标识。
103.接着,可以将上述x个理财产品的产品标识与y个理财产品的产品标识进行比对,找到产品标识相同的z个理财产品,作为客户a和客户b共同购买的存在重叠的理财产品,将z记为重叠数量。同时,统计客户a和客户b购买过的理财商品的总数量为:x y

z。
104.然后,可以计算重叠数量与总数量的商值作为客户a和客户b的相似度,记为z/(x y

z)。
105.进一步,可以根据客户a和客户b的身份标识,将上述相似度z/(x y

z)作为矩阵中m行n列位置处,以及n行m列位置处的矩阵元素。
106.按照上述方式,可以依次计算出该客户群组中任意两个客户对象之间的相似度,再根据该相似度确定出矩阵对应行和对应列位置处的矩阵元素。从而可以根据预设的构建规则,构建得到完整的相似度矩阵。
107.在一些实施例中,上述根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象,具体实施时,可以包括以下内容:
108.s1:在所述目标相似度矩阵中,确定出目标客户对象的身份标识所在的行作为目标行;
109.s2:从目标行中的矩阵元素中,筛选出数值符合要求的矩阵元素作为目标矩阵元素;
110.s3:根据所述目标矩阵元素所在列的身份标识,从目标群组中确定出针对目标客户的参照客户;
111.s4:根据参照客户的关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象。
112.通过上述实施例,可以充分地利用目标客户对象所在的目标客户群组中其他客户对象的关于数据对象的历史接触记录,以及与目标客户群组对应的目标相似度矩阵,精准地找到与目标对象相匹配的,适合于目标对象的目标数据对象。
113.在一些实施例中,上述目标数据对象具体可以理解为一种目标客户对象之前没有接触过,但适合该目标客户对象、目标客户对象具有较大概率愿意接触的数据对象。例如,目标客户对象之前没有购买过,但较大概率会引起目标客户对象的兴趣的某款理财产品。
114.在一些实施例中,具体的,例如,首先,可以先确定出目标客户对象i所在目标客户群组;在确定出与该目标客户群组对应的目标相似度矩阵。同时,可以获取该目标客户群组中各个客户对象的在某银行的业务记录。
115.接着,可以根据目标客户对象i的身份标识(例如,i),先在确定目标相似度矩阵中确定出与i对应的行记为目标行。再对该目标行中的矩阵元素进行检索,找出数值排序靠前的预设个数个(例如,排序靠前的2个)矩阵元素作为目标矩阵元素。接着确定出上述两个目标矩阵元素所在的列所对应的身份标识分别为j、k。根据身份标识j和k,可以进一步找到对应的客户对象j和客户对象k作为针对目标客户对象i的参照客户。
116.然后,可以有针对性获取目标客户对象i、参考客户j和参考客户k在某银行的业务记录。
117.根据参考客户j的业务记录,可以确定出参考客户j历史上在该银行购买过:理财产品1、理财产品2、理财产品3、理财产品4这四种不同的理财产品。
118.类似的,根据参考客户k的业务记录,可以确定出参考客户k历史上在该银行购买过:理财产品1、理财产品2、理财产品5这三种不同的理财产品。
119.根据目标客户对象i的业务记录,可以确定目标客户对象i历史上在该银行购买
过:理财产品1、理财产品4、理财产品6这三种不同的理财产品。
120.通过统计比较,确定出目标客户对象i历史上没有购买过,但参考客户k和参考客户j历史上购买的理财产品为:理财产品2、理财产品3和理财产品5这三种理财产品。
121.进一步,基于参考客户k和参考客户j的业务记录,统计出理财产品2的购买频度为2,理财产品3和理财产品5的购买频度为1。
122.因此,根据上述理财产品的购买频度,可以从三种理财产品中筛选出购买频度最高的理财产品2,作为与目标客户对象i最匹配的,目标对象i相对具有较大概率愿意购买的,待推送给目标客户对象i的目标数据对象。
123.在一些实施例中,在根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组之后,所述方法具体实施时,还可以包括以下内容:
124.s1:确定目标客户对象所在的目标客户群组;
125.s2:根据目标客户群组中客户对象的关于数据对象的历史接触记录,统计出在目标客户群组中数据对象的接触频度;
126.s3:筛选出接触频度高于预设的频度阈值,且目标客户对象历史上未接触过的数据对象,作为目标数据对象。
127.其中,预设的频度阈值具体可以是预先根据大量样本数据进行学习统计所确定的。对于上述预设的频度阈值的具体取值,本说明书不作限定。
128.通过上述实施例,在将多个客户对象聚类,得到对应的多个客户群组之后,还可以不用构建相似度矩阵,直接利用目标客户群组中各个客户对象关于数据对象的历史接触记录,基于统计的维度,找到适合推送给目标客户对象的,与目标客户对象匹配的目标数据对象。
129.在一些实施例中,上述生成关于目标数据对象的目标推广信息,具体实施时,可以包括以下内容:
130.s1:获取目标数据对象的触达链接;并生成关于目标数据对象的文本数据;
131.s2:组合所述触达链接与所述文本数据,以得到关于目标数据对象的目标推广信息。
132.在本实施例中,上述文本数据具体可以理解为一种用于描述和推广目标数据对象的文本数据。
133.具体实施前,可以针对目标数据对象的特性设置预置的文本模板。具体实施时,可以根据目标客户对像的身份信息,组合上述预置的文本模板,得到针对目标客户对象的文本数据。
134.在本实施例中,上述触达链接具体可以是用于购买或申请目标数据对象的链接数据。例如,指向目标对象的购买界面的二维码等。
135.通过上述实施例,可以将组合文本数据和触达链接所得到的目标推广信息推送给目标客户对象,这样目标客户对象根据目标推广信息中所展示的文本数据,相对会有更高的概率通过触达链接购买或申请所推送的目标数据对象。从而可以获得相对更好的推送效果。
136.在一些实施例中,在根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵之后,所述方法具体实施时,还
可以包括以下内容:根据所述多个相似度矩阵和多个客户对象的关于数据对象的历史接触记录,确定出与数据对象相匹配的客户对象。
137.具体实施时,可以按照本说明书实施例所提供的方法,根据所述多个相似度矩阵和多个客户对象的关于数据对象的历史接触记录,确定出与各个客户对象匹配的待推送的目标数据对象,并建立数据对象推送表。其中,该数据对象推送表具体可以记载有与各个客户对象匹配的目标数据对象。
138.进一步,可以根据该数据对象推送表,以数据对象为维度,统计出与各个数据对象相匹配的客户对象,并建立客户对象推荐表。其中,该客户对象推荐表具体可以记载有与各个数据对象匹配的目标客户对象。
139.进而可以根据协议,向数据对象的推广运营方提供上述客户对象推荐表。以便推广运营方可以根据该客户对象推荐表更有针对性地挖掘和维护己方的客户。
140.在一些实施例中,上述根据参照客户的关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象,具体实施时,可以包括以下内容:根据参照客户的关于数据对象的历史接触记录,筛选出接触频度排序靠前,且目标客户对象历史上未接触过的数据对象,作为目标数据对象。
141.由上可见,基于本说明书实施例提供的数据对象的推送方法,在需要对目标客户对象进行数据对象推送时,可以先获取包含有目标客户对象在内的多个客户对象的属性数据;再根据多个客户对象的属性数据,通过进行预设的聚类处理,将对数据对象的具有相近的接触偏好的客户对象聚类到一起,得到多个客户群组;再根据预设的构建规则,利用各个客户群组中客户对象关于数据对象的历史接触记录,构建得到与客户群组分别对应的多个相似度矩阵;进而可以根据目标客户对象所在的目标客户群组的目标相似度矩阵,同时结合目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象相匹配的、大概率符合目标客户对象的接触偏好的目标数据对象进行推送。从而可以实现对目标客户对象进行精准且有针对性的推送,提高数据对象的推送效果。
142.参阅图2所示,本说明书实施例还提供了另一种数据对象的推送方法。其中,该方法具体实施时,可以包括以下内容:
143.s201:确定目标客户对象所在的目标客户群组,以及与所述目标客户群组对应的目标相似度矩阵;其中,预先通过对多个客户对象的属性数据进行聚类处理,得到多个客户群组;并根据各个客户群组中客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;
144.s202:获取目标客户群组中客户对象的关于数据对象的历史接触记录;
145.s203:根据目标相似度矩阵、目标客户群组中客户对象的关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象。
146.在一些实施例中,具体实施前,可以预先根据多个客户对象的属性数据,通过对所述多个客户对象进行预设的聚类处理,得到多个客户群组。
147.在一些实施例中,具体实施前,还可以预先根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到与多个客户群组分别对应的多个相似度矩阵。
148.由上可见,本说明书实施例提供的数据对象的推送方法,可以利用预先确定的目
标客户群组,以及目标相似度矩阵,高效且精准地找到与目标客户对象相匹配的、针对性较强的目标数据对象。进而可以向目标客户对象推送该目标数据对象,以获得较好的推送效果。
149.本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
150.为了能够更加准确地完成上述指令,参阅图3所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口301、处理器302以及存储器303,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
151.其中,所述网络通信端口301,具体可以用于获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象。
152.所述处理器302,具体可以用于根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
153.所述存储器303,具体可以用于存储相应的指令程序。
154.在本实施例中,所述网络通信端口301可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行ftp数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如gsm、cdma等;其还可以为wifi芯片;其还可以为蓝牙芯片。
155.在本实施例中,所述处理器302可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit,asic)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
156.在本实施例中,所述存储器303可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如ram、fifo等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、tf卡等。
157.本说明书实施例还提供了一种基于上述数据对象的推送方法的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指令,在所述计算机程序指令被执行时实现:获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
158.在本实施例中,上述存储介质包括但不限于随机存取存储器(random access memory,ram)、只读存储器(read

only memory,rom)、缓存(cache)、硬盘(hard disk drive,hdd)或者存储卡(memory card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
159.在本实施例中,该计算机可读存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
160.参阅图4所示,在软件层面上,本说明书实施例还提供了一种数据对象的推送装置,该装置具体可以包括以下的结构模块:
161.获取模块401,具体可以用于获取多个客户对象的属性数据,以及多个客户对象的关于数据对象的历史接触记录;其中,所述多个客户对象包括目标客户对象;
162.聚类模块402,具体可以用于根据多个客户对象的属性数据,对所述多个客户对象进行预设的聚类处理,得到多个客户群组;其中,同一客户群组中的客户对象对于数据对象的接触偏好差异小于预设的差异阈值;
163.构建模块403,具体可以用于根据预设的构建规则,分别利用各个客户群组中的客户对象的关于数据对象的历史接触记录,构建得到多个相似度矩阵;其中,所述相似度矩阵与客户群组对应;
164.第一确定模块404,具体可以用于确定与所述目标客户对象所在的目标客户群组对应的目标相似度矩阵;
165.第二确定模块405,具体可以用于根据所述目标相似度矩阵,以及目标客户群组中客户对象关于数据对象的历史接触记录,确定出与目标客户对象匹配的目标数据对象;
166.推送模块406,具体可以用于生成关于目标数据对象的目标推广信息;并向所述目标客户对象推送所述目标推广信息。
167.需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分
为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
168.由上可见,基于本说明书实施例提供的数据对象的推送装置,可以准确地确定出与目标客户对象相匹配的、大概率符合目标客户对象的接触偏好的目标数据对象进行推送。从而可以实现对目标客户对象进行精准且有针对性的推送,提高数据对象的推送效果。
169.在一个具体的场景示例中,可以应用本说明书实施例所提供的数据对象的推送方法来实现基于聚类分析和相似度的用户产品推荐。
170.在本场景示例中,需要解决传统的推荐模型中存在的以下问题:1,仅仅依靠几条简单的判断逻辑从海量用户当中粗略地挑选出一大批客户(比如资产是否过10万,年龄是否大于35岁),然后全部推荐给一线营销,导致推荐名单过长,营销只能在海量名单中寻找客户,效率太低。2,没有建立评价客户质量的评价体系,不能对筛选出的客户进行推荐优先级排序。我们要构建一个新模型推荐时按推荐质量排名,只将少量优质客户筛选出来优先推荐,大量劣质用户则直接筛除,控制质量的同时也控制数量。3,模型灵活性差。
171.具体实施时,参阅图5所示,可以包括以下几部分内容。
172.客群分类:选取客户相关特征变量(例如,客户对象的属性数据),基于这些特征采用聚类方法k

means将海量客户分成不同类别(比如20大类,或者更多类别)(例如,多个客户群组)。
173.构建相似度矩阵:根据聚类方法分类结果,对各个类别内的客户,采取客户两两配对形式,形成同类别内客户相似度矩阵。
174.执行业务判断逻辑:得到了所有类别内部的客户相似度后,基于业务逻辑剔除一部分低价值目标客户,比如基于资产数量、年龄、交易频度等(例如,对相似度矩阵进行修正)。
175.基于排序进行推荐:业务逻辑判断后,可以从剩余客户间的新相似度矩阵入手,针对每一个客户i(例如,目标客户对象),挑选和他相似度最高的10名客户(例如,目标客户对象所在的目标客户群组中的参考客户),推荐i没有购买过的产品。
176.生成产品客户关系表:通过前面操作可以得到了一个客户产品推荐关系矩阵,其中,列是各个产品,行对应各个客户。第i行第j列表示,是否向第i个客户推荐第j个产品。
177.形成推荐模型:有了上述产品客户关系矩阵就可以形成相应的推荐模型。进一步,该模型可以支持两种使用方式,从行来看可以将不同产品推荐给某个客户,从列来看可以将不同客户推荐到某一产品。具有较好的灵活性。
178.在本场景示例中,针对客群分类,首先要选取合适的客户特征变量集,比如衡量客户购买能力的资产总量、存款流水、年龄等。具体的,可以初步给定一些经测试后效果较好的特征变量,后续具体选择还要基于特征工程方法。其中,针对个人客户(例如,个人对象)的特征变量可以参阅表1所示。针对企业客户(例如,团体对象)的特征变量可以参阅表2所
示。
179.表1
[0180][0181][0182]
表2
[0183]
[0184][0185]
有了特征变量数据可以采用聚类方法k

means对客户自行归类,归类依据为客户在各特征变量上的数值差异。具体的,可以将特征变量标准化后采用欧式距离来进行聚类,估计划分为20

50个大类,这样每一类的客户数量都不会太多,并且属于同一类的客户在特征信息上比较接近,有相似购买意向的可能性也比较大。相比传统方法将所有客户混在一
起直接推荐,这种聚类不仅可以提高推荐的成功率,也可以大大降低计算成本。
[0186]
在本场景示例中,针对相似度矩阵,是建立在聚类完成的基础上的,得到了各个分类之后,可以先对每个类别单独分析,对同一类别下的不同客户,可以通过进行两两配对计算相似度。其中,所谓相似度,可以理解为两个客户购买产品的重合度。
[0187]
具体的,例如,客户a购买了x种产品,客户b购买了y种产品,其中有z种产品是a和b都购买了的,那么a、b购买的产品种类总数就是x y

z,可以计算a和b的相似度为:z/(x y

z)。
[0188]
进一步,可以将不同客户两两之间的相似度汇集起来就得到了相似度矩阵。这是一个对称矩阵,第i行第j列元素表示第i个客户与第j个客户之间的相似度。
[0189]
在本场景示例中,针对业务判断逻辑,当获得了相似度矩阵后,可以根据现实需要选择是否通过业务判断逻辑做进一步筛选,如果对聚类结果不是很满意,认为根据业务场景仍有进一步清洗数据的必要,则可按特定筛选逻辑去除掉一些劣质客户。具体操作就是删除前面相似度矩阵对应客户的行与列。其中,上述判断逻辑可与一线营销人员讨论决定,比如基于资产数量、年龄、交易频度等筛选条件,挑选出一批更优质的客户进行后续的推荐优先级排序工作等。
[0190]
在本场景示例中,针对排序,主要依据前面得到的相似度矩阵,经过业务逻辑判断后认为,各个类得到的相似矩阵已经有相当高的可靠性了。这时,可以将矩阵的对角线去除,然后观测每一行,取相似度最大的10个元素:即对每一个客户i,考察和他相似度最接近的10个人,将这10个人购买过的产品总集合罗列出来和i进行对照,看看哪些产品是i没有买过的,将这些没买过的产品推荐给i。其中,相似度高低就是排序系统的核心。
[0191]
此外,如果相似度前十的客户购买的产品,i碰巧都买过从而无法推荐,那可以将机构或平台销售量最大的10件产品推荐给i。
[0192]
在本场景示例中,针对产品客户关系表,由于之前已将不同的产品推荐到了人,但这还不够灵活,在某些场景下还需要将不同客户推荐给某个产品。为了实现这一步,需要构造产品客户关系表、这个很容易实现,前面已经得到了给客户推荐不同产品的推荐排序系统。依据此系统可以给出一个矩阵,其中,行代表客户,列代表产品,第i行第j列表示是否给第i个客人推荐第j个产品。元素取值为0或1,1就表示推荐了。得到了这个矩阵之后,可以进行最后一步,构建最终推荐模型。
[0193]
在本场景示例中,针对最终推荐模型,由于已经获得了产品客户关系矩阵,因此可以得到更为灵活的推荐系统,模式有两种:一种是按关系矩阵的行来观测是否推荐,就是将不同产品推荐给某个客户;另一种是按关系矩阵的列来观测是否推荐,就是将不同客户推荐到某一产品。具体可以根据业务场景需求,灵活选择合适的模式使用。
[0194]
通过上述场景示例,验证了本说明书实施例所提供的数据对象的推送方法确实可以较好地实现对目标客户对象进行精准且有针对性的推送,提高数据对象的推送效果。
[0195]
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在
涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
[0196]
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0197]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
[0198]
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如rom/ram、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
[0199]
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0200]
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
转载请注明原文地址: https://doc.8miu.com/read-1350138.html

最新回复(0)