CN110555747A - 确定目标用户的方法和装置 - Google Patents

Abstract

本发明公开了一种确定目标用户的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：利用特定用户在预设的至少一个初选维度的取值训练购买意愿分类模型，得到每一初选维度的权重值；其中，特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；将权重值符合第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。该实施方式能够通过用户的购买关联行为精确定位目标用户进而向其提供购买引导对象，从而有效提升后续购买行为的转化。

Description

确定目标用户的方法和装置

技术领域

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和装置。

背景技术

实际应用中，往往需要将商品的购买引导对象(即用于引导用户购买商品的信息或实物)如广告、试用品等提供于目标用户，以实现商品销量的提升。由于推送广告、发送试用品均需耗费一定成本，因此需要精确定位需求契合的目标用户以促成其后续购买，从而避免服务方的损失。现有技术中，一般通过分析用户的性别、年龄、消费水平、近期浏览行为、近期购物行为等特征来定位目标用户。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

1.上述特征的筛选粒度较大，且部分特征与用户的购物意愿相关性较弱，由此得到的目标用户范围过大且精确性较低。

2.现有技术中无法利用用户的反馈数据闭环改进定位策略，只能依赖于人工经验进行有限调整。

发明内容

有鉴于此，本发明实施例提供一种确定目标用户的方法和装置，能够通过用户的购买关联行为精确定位目标用户进而向其提供购买引导对象，从而有效提升从购买引导对象到购买行为的转化。

为实现上述目的，根据本发明的一个方面，提供了一种确定目标用户的方法。

本发明实施例的确定目标用户的方法包括：利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值；其中，所述特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

可选地，所述初选维度为虚拟变量；以及，所述方法进一步包括：在确定高权重维度之后，针对任一未购买目的商品的用户：确定该用户具有非零取值的高权重维度，将该非零取值对应的维度选项作为该用户的画像标签。

可选地，所述根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数，具体包括：将该用户具有非零取值的高权重维度的权重值总和确定为其购买倾向性分数。

可选地，所述向其提供目的商品的购买引导对象具体包括：向购买倾向性分数大于预设的第一阈值的目标用户提供目的商品的购买引导对象；向购买倾向性分数不大于所述第一阈值的目标用户提供目的商品的购买引导对象和促销策略。

可选地，所述方法进一步包括：在向确定的目标用户提供目的商品的购买引导对象之后，利用所述目标用户的反馈数据训练当前的购买意愿分类模型以调整所述初选维度的权重值；其中，所述反馈数据包括：接收所述购买引导对象之后购买目的商品的目标用户在所述初选维度的取值；将调整后的权重值符合预设的第三判别条件的初选维度确定为关键维度；对于任一未购买目的商品的用户，将该用户具有非零取值的关键维度的权重值总和确定为其购买倾向性指数；将购买倾向性指数符合预设的第四判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

可选地，购买关联行为包括：搜索商品且在第一时长之后未购买该商品、访问商品页面且在第二时长之后未购买该商品、将商品置入购物车且在第三时长之后未购买该商品或者进入商品结算页面且在第四时长之后未购买该商品；第一判别条件包括：初选维度的权重值大于预设的第二阈值或者初选维度的权重值为最大的m个权重值之一；其中，m为正整数；第二判别条件包括：用户的购买倾向性分数在预设的第三阈值与第四阈值之间；以及，所述购买意愿分类模型为逻辑回归模型，所述购买引导对象为广告信息或者试用品。

为实现上述目的，根据本发明的另一方面，提供了一种确定目标用户的装置。

本发明实施例的确定目标用户的装置可包括：维度权重获取单元，用于利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值；其中，所述特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；目标用户定位单元，用于将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

可选地，所述初选维度为虚拟变量；以及，所述装置可进一步包括画像标签确定单元，用于在确定高权重维度之后，针对任一未购买目的商品的用户：确定该用户具有非零取值的高权重维度，将该非零取值对应的维度选项作为该用户的画像标签。

可选地，目标用户定位单元可进一步用于：将该用户具有非零取值的高权重维度的权重值总和确定为其购买倾向性分数。

可选地，目标用户定位单元可进一步用于：向购买倾向性分数大于预设的第一阈值的目标用户提供目的商品的购买引导对象；向购买倾向性分数不大于所述第一阈值的目标用户提供目的商品的购买引导对象和促销策略。

可选地，所述装置可进一步包括二次迭代单元，用于在向确定的目标用户提供目的商品的购买引导对象之后，利用所述目标用户的反馈数据训练当前的购买意愿分类模型以调整所述初选维度的权重值；其中，所述反馈数据包括：接收所述购买引导对象之后购买目的商品的目标用户在所述初选维度的取值；将调整后的权重值符合预设的第三判别条件的初选维度确定为关键维度；对于任一未购买目的商品的用户，将该用户具有非零取值的关键维度的权重值总和确定为其购买倾向性指数；将购买倾向性指数符合预设的第四判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

可选地，购买关联行为可包括：搜索商品且在第一时长之后未购买该商品、访问商品页面且在第二时长之后未购买该商品、将商品置入购物车且在第三时长之后未购买该商品或者进入商品结算页面且在第四时长之后未购买该商品；第一判别条件可包括：初选维度的权重值大于预设的第二阈值或者初选维度的权重值为最大的m个权重值之一；其中，m为正整数；第二判别条件可包括：用户的购买倾向性分数在预设的第三阈值与第四阈值之间；所述购买意愿分类模型可为逻辑回归模型，所述购买引导对象可为广告信息或者试用品。

为实现上述目的，根据本发明的又一方面，提供了一种电子设备。

本发明的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的确定目标用户的方法。

为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。

本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的确定目标用户的方法。

根据本发明的技术方案，上述发明中的一个实施例具有如下优点或有益效果：

其一，首先确定执行过购买关联行为的特定用户，并将其在初选维度的取值输入购买意愿分类模型得到初选维度的权重值，之后利用该权重值即可获得与用户购买意愿相关性较强的高权重维度，进而可计算用户的购买倾向性分数，最终定位目标用户。通过上述步骤，可基于直接体现用户意图的购买关联行为精确定位目标用户，克服了现有技术中定位精度低、筛选粒度大的缺陷。

其二，在第一次向用户提供购买引导对象之后，可利用反馈数据来进一步训练购买意愿分类模型，从而调整各初选维度的权重值，由此得到与高权重维度相比更为精确的关键维度，通过关键维度可以更准确地定位目标用户并第二次提供购买引导对象(第二次与第一次针对的用户不同)。之后，可利用第二次的反馈数据再次调整初选维度的权重值以至第三次提供购买引导对象......重复以上迭代过程即可清晰地勾勒出目标用户的特有属性，从而有效促成商品的后续购买，解决了现有技术中无法利用反馈数据闭环改进定位策略的问题。

其三，本发明可根据应用场景设置多种预设条件得以灵活调整高权重维度、关键维度以及目标用户的范围，并可根据目标用户的购买倾向性分数或购买倾向性指数选择性地执行多种动作(如提供购买引导对象、促销策略等)，从而产生良好的后续购买转化。

其四，本发明将初选维度设置为虚拟变量(Dummy Variables)可减小运算量并增强系统健壮性。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例中确定目标用户的方法的主要步骤示意图；

图2是根据本发明实施例中确定目标用户的方法的具体实现示意图；

图3是根据本发明实施例中确定目标用户的装置的组成部分示意图；

图4是根据本发明实施例可以应用于其中的示例性系统架构图；

图5是用来实现本发明实施例中确定目标用户的方法的电子设备的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。

图1是根据本发明实施例中确定目标用户的方法的主要步骤示意图。

如图1所示，本发明实施例的确定目标用户的方法可具体按照如下步骤执行：

步骤S101：利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值。

在本步骤中，特定用户指的是曾经执行过针对目的商品的购买关联行为、并且在一定时长之后购买了目的商品的用户。其中，目的商品即目标商品(target product)，其作为本发明方法的应用客体，可以是任何一种具体商品。示例性地，购买关联行为可以是以下任何一种行为：搜索商品且在第一时长之后未购买该商品(可简称为搜索未购买行为)、访问商品页面且在第二时长之后未购买该商品(可简称为访问未购买行为)、将商品置入购物车且在第三时长之后未购买该商品(可简称为置入购物车未购买行为)以及进入商品结算页面且在第四时长之后未购买该商品(可简称为进入结算页面未购买行为)，以上的各时长可以根据实际场景灵活设置。

具体应用中，搜索未购买行为的实际情景可能是：用户听说过某商品但不了解其具体信息，出于好奇对其进行搜索。访问未购买行为的实际情景可能是：用户愿意去全面了解某商品的详细信息，但因该商品的功能并不能完全匹配其需求或者因该商品价格较高而放弃购买。置入购物车未购买行为的实际情景可能是：用户对某商品心仪，并且已接受其价格，但因出现更为合适的替代品而放弃该商品。进入结算页面未购买行为的实际场景可能是：用户心仪于某商品且接受其价格，同时不存在替代品，但是由于一个订单中多件商品的总价超出预算，因而不得不暂时放弃该商品。可以看出，上述四种购买关联行为可直接体现程度不一的用户购买意愿，将执行过购买关联行为且后期最终进行购买的特定用户筛选出来并对每一特定用户的特征进行分析，能够勾勒出易于实现购买转化的用户(即目标用户)的特有属性。

一般地，初选维度可以根据应用环境预先设置。例如可设置为性别、婚姻状况等。特别地，在本发明实施例中，为了减小运算量、增强系统健壮性，可将每一初选维度设置为取值只能为0或1的虚拟变量(即哑变量)。具体应用中，可以将具有多个取值的用户特征转换为多个虚拟变量。例如：可将年龄特征转换为以下Age_1、Age_2、Age_3、Age_4、Age_5等五个初选维度：

其中，维度选项表示某一初选维度的多个选择项。例如：“性别”维度的维度选项为“男”、“女”。用户在初选维度的某一取值与一个维度选项对应，可反映该维度选项的分类贡献。

需要说明的是，以上虽以虚拟变量作为示例，但是本发明的初选维度并限于虚拟变量。事实上，初选向量可以是具有任意取值的变量，本发明对此不作任何限制。

在一个实施例中，预先建立的购买意愿分类模型表示该模型的数学结构已预先建立，但其模型参数需要通过后续的训练过程确定。购买意愿分类模型用于根据用户在初选维度的取值进行购买概率的判断，其可以是朴素贝叶斯、决策树、逻辑回归等分类模型。在本步骤中，可首先选取执行过搜索未购买行为、访问未购买行为、置入购物车未购买行为或者进入结算页面未购买行为的特定用户，之后将某一类特定用户在至少一个初选维度的取值输入购买意愿分类模型进行训练，得到每一初选维度的权重值，该权重值可反映初选维度在购买意愿分类模型中的分类权重。显然，由上述4类特定用户可以得到4种具有不同参数的购买意愿分类模型。

以下以逻辑回归模型进行说明。在逻辑回归模型中，逻辑函数为：

其中，X为自变量，即特定用户在初选维度的取值组成的向量；y为因变量，可取值为1或0，1表示执行购买关联行为之后购买，0表示执行购买关联行为之后未购买；θ为待求的初选维度对应的权重值组成的向量，T表示转置。

之后，可以应用极大似然估计方法建立目标函数，并利用牛顿-拉夫逊方法确定每一初选维度的权重值。下表示出了年龄特征转换得到的多个初选维度及其根据上述逻辑回归模型确定的权重值。

下表示出了“用户在3个月内购买金额”特征转换得到的多个初选维度的取值、维度选项以及初选维度权重值。

步骤S202：将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

在本步骤中，第一判别条件、第二判别条件均可根据应用环境设置。例如，可将第一判别条件设置为：初选维度的权重值大于预设的第二阈值或者初选维度的权重值为最大的m(其为正整数)个权重值之一，即可根据以下两种方式确定高权重维度：

第一种方式：将权重值大于第二阈值的初选维度作为高权重维度；

第二种方式：将所有初选维度的权重值降序排列，将在前的m个初选维度作为高权重维度。

之后，可根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数，购买倾向性分数可用于表征未购买目的商品的用户的购买转化概率。具体地，可计算该用户在每一高权重维度的取值与该高权重维度权重值的乘积，并将所有乘积之和作为该用户的购买倾向性分数。如果初选维度为虚拟变量，则该用户的购买倾向性分数等于该用户具有非零取值的高权重维度的权重值总和。

作为一个优选方案，在获得上述高权重维度之后，可针对任一未购买目的商品的用户，确定该用户具有非零取值的高权重维度，并将该非零取值对应的维度选项作为该用户的画像标签，从而直观地标记购买意愿较强的用户，为后续销售策略的制定提供指导。例如：若前表中的初选维度“Age_3”和“Sum_4”均为高权重维度，而某未购买目的商品的用户在这两个维度的取值均为1(非零取值)，则可将对应的维度选项“35<年龄≤40”、“3个月内购买金额>6万”作为其用户画像的标签。

在一个实施例中，得到用户的购买倾向性分数之后，可将购买倾向性分数符合第二判别条件的用户确定为目标用户。例如：在资源充裕时，可将购买倾向性分数大于预设的第三阈值的用户作为目标用户；在资源紧张时，可将购买倾向性分数在第三阈值与第四阈值之间(即购买倾向性分数大于第三阈值且小于第四阈值)的用户作为目标用户。这是因为：在购买倾向性分数大于第三阈值的用户中，不小于第四阈值的用户具有较为强烈的购买意愿，不将其作为目标用户(意即不向其执行后续动作)也不会对后续购买转化造成较大影响，因此可在资源紧张时将其排除于目标用户之外；而购买倾向性分数在第三阈值与第四阈值之间的用户，其购买意愿略小，可作为目标用户的主体并针对性地执行后续动作以产生购买转化。

可以理解的是，也可设置第二判别条件将一定比例的用户作为目标用户。例如：在资源充裕时，可将购买倾向性分数最大的30％的用户作为目标用户；在资源紧张时，可从上述用户中将倾向性分数最大的5％(在用户整体中的比例)的用户排除，将剩余用户作为目标用户。

接着，可向目标用户提供目的商品的购买引导对象(即目的商品的广告信息或者试用品)以促使目标用户购买目的商品。可以理解，通过上述步骤中对用户的购买关联行为进行挖掘，从而确定高权重维度及其权重值，并据此计算用户的购买倾向性分数实现用户购买意愿的准确评估，这种目标用户的精确定位方法可有效提升商品销量同时避免服务方因提供广告或试用品(特别是成本较高的试用品)产生的经济损失。

实际应用中，可以针对购买倾向性分数不同的目标用户执行不同动作。例如：对于购买倾向性分数大于预设的第一阈值的目标用户，仅提供目的商品的购买引导对象(因为这类目标用户的购买意愿较强，仅提供购买引导对象即可促其购买)；对于购买倾向性分数小于等于第一阈值的目标用户，则提供目的商品的购买引导对象和促销策略(因为此类目标用户的购买意愿稍弱，需进一步提供折扣价格、达到一定金额即行优惠、返代金券等促销策略以加速其购买转化)。

通过步骤S101和S102，本发明可基于直接体现用户意图的购买关联行为精确定位目标用户并提供购买引导对象促其最终购买，解决了现有技术中定位精度低、筛选粒度大的问题。

较佳地，在一个实施例中，还可在向目标用户提供购买引导对象之后，获取目标用户的反馈数据，并利用反馈数据调整初选维度的权重值。其中，上述反馈数据指的是接收到购买引导对象之后购买了目的商品的目标用户在初选维度的取值。

具体地，首先利用反馈数据进一步训练当前的购买意愿分类模型从而调整初选维度的权重值，之后将调整后的权重值符合预设的第三判别条件的初选维度确定为关键维度。可以理解，第三判别条件可以通过类似于第一判别条件的方式设置(仅需改变具体阈值)。由于关键维度是在高权重维度的基础上通过反馈数据进行优化获得的，因此其可信度高于高权重维度。之后可利用关键维度及其当前权重值计算任一未购买目的商品的用户的购买倾向性指数(其作用类似于购买倾向性分数，只是计算时采用的维度可能不同)。具体计算时，如果关键维度为虚拟变量，可将用户具有非零取值的关键维度的权重值总和确定为其购买倾向性指数。可理解，得到关键维度之后，可针对任一未购买目的商品的用户，确定该用户具有非零取值的关键维度，并将该非零取值对应的维度选项作为该用户的画像标签，为后续销售策略的制定进行指导。

在得到用户的购买倾向性指数之后，可将购买倾向性指数符合预设的第四判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。其中，第四判别条件的作用类似于第二判别条件，二者的差异仅在于具体阈值的设置。可以理解，由于此次的目标用户是基于体现真实购买情形的反馈数据确定，因此其精确性高于步骤S101、S102确定的目标用户。通过上述设置，可实现目标用户的进一步精确定位以及定位策略的闭环优化。

可以理解的是，在第二次提供购买引导对象之后，可继续获取相应的反馈数据以类似方式确定更为精确的目标用户并再次提供购买引导对象，之后再次获取反馈数据并再次提供购买引导对象……重复以上步骤从而实现定位策略不断的迭代优化，直到满足预设的终止条件。这样，本发明通过上述多次迭代过程逐渐清晰地勾勒出目标用户的特有属性，从而有效促成商品的后续购买，解决了现有技术中无法利用反馈数据闭环改进定位策略的问题。

需要说明的是，在实际的用户定位过程中，购买意愿分类模型可以是以下任何一种模型：基于搜索未购买行为的模型(即模型由执行过搜索未购买行为的特定用户的相关数据训练)、基于访问未购买行为的模型(即模型由执行过访问未购买行为的特定用户的相关数据训练)、基于置入购物车未购买行为的模型(即模型由执行过置入购物车未购买行为的特定用户的相关数据训练)、基于进入结算页面未购买行为的模型(即模型由执行过进入结算页面未购买行为的特定用户的相关数据训练)，也可以是4种模型中的任意多种的组合，例如：分别为基于搜索未购买行为的模型和基于访问未购买行为的模型设置判别条件以确定目标用户，向目标用户提供购买引导对象之后分别获取相应的反馈数据优化二模型。再如：可分别为4种模型设置判别条件以共同确定目标用户，向目标用户提供购买引导对象之后分别获取每一模型的反馈数据来优化相应模型。

图2是根据本发明实施例中确定目标用户的方法的具体实现示意图，其中示出了上述采用4种模型确定目标用户并提供试用品的步骤。具体地，首先对用户的购买行为数据和订单数据进行清洗，得到上述4种特定用户并以其相关数据建模，之后从购买意愿分类模型中获取高权重维度进而确定用户的购买倾向性分数，这样既可定位目标用户并向其发放试用品，完成试用品的第一次发放。之后，在试用品有余量时，获取目标用户的反馈数据在清洗后反馈到购买意愿分类模型以调整初选维度的权重值，从而确定更为精确的目标用户。重复以上迭代过程即可实现目标用户定位策略的不断闭环优化。

在本发明实施例的技术方案中，可根据用户的购买关联行为提取高权重维度和关键维度，从而实现目标用户的精确定位，并能够根据反馈数据闭环调整用户定位策略，最终实现商品销量的有效提升。

图3是本发明实施例中确定目标用户的装置的组成部分示意图。

如图3所示，本发明实施例的确定目标用户的装置300可包括维度权重获取单元301和目标用户定位单元302。其中：

维度权重获取单元301可用于利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值；其中，所述特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；

目标用户定位单元302可用于将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

在本发明实施例中，所述初选维度为虚拟变量；以及，所述装置300可进一步包括画像标签确定单元，用于在确定高权重维度之后，针对任一未购买目的商品的用户：确定该用户具有非零取值的高权重维度，将该非零取值对应的维度选项作为该用户的画像标签。

作为一个优选方案，目标用户定位单元302可进一步用于：将该用户具有非零取值的高权重维度的权重值总和确定为其购买倾向性分数。

较佳地，在一个实施例中，目标用户定位单元302可进一步用于：向购买倾向性分数大于预设的第一阈值的目标用户提供目的商品的购买引导对象；向购买倾向性分数不大于所述第一阈值的目标用户提供目的商品的购买引导对象和促销策略。

实际应用中，所述装置300可进一步包括二次迭代单元，用于在向确定的目标用户提供目的商品的购买引导对象之后，利用所述目标用户的反馈数据训练当前的购买意愿分类模型以调整所述初选维度的权重值；其中，所述反馈数据包括：接收所述购买引导对象之后购买目的商品的目标用户在所述初选维度的取值；将调整后的权重值符合预设的第三判别条件的初选维度确定为关键维度；对于任一未购买目的商品的用户，将该用户具有非零取值的关键维度的权重值总和确定为其购买倾向性指数；将购买倾向性指数符合预设的第四判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

具体应用中，购买关联行为可包括：搜索商品且在第一时长之后未购买该商品、访问商品页面且在第二时长之后未购买该商品、将商品置入购物车且在第三时长之后未购买该商品或者进入商品结算页面且在第四时长之后未购买该商品。第一判别条件可以是：初选维度的权重值大于预设的第二阈值或者初选维度的权重值为最大的m个权重值之一；其中，m为正整数。第二判别条件可以是：用户的购买倾向性分数在预设的第三阈值与第四阈值之间；所述购买意愿分类模型为逻辑回归模型，所述购买引导对象为广告信息或者试用品。

在本发明实施例的技术方案中，可根据用户的购买关联行为提取高权重维度和关键维度，从而实现目标用户的精确定位，并能够根据反馈数据闭环调整用户定位策略，最终实现商品销量的有效提升。

图4示出了可以应用本发明实施例的确定目标用户的方法或确定目标用户的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403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)。

终端设备401、402、403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。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的用户行为分析服务器(仅为示例)。用户行为分析服务器可以对接收到的用户行为数据进行分析处理，得到高权重维度、购买倾向性分数、目标用户等数据(仅为示例)。

需要说明的是，本发明实施例所提供的确定目标用户的方法一般由服务器405执行，相应地，确定目标用户的装置一般设置于服务器405中。

应该理解，图4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。

本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的确定目标用户的方法。

下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有计算机系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510上，以便从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本发明中，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。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，这根据所涉及的功能而定。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。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括维度权重获取单元和目标用户定位单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，维度权重获取单元还可以被描述为“向目标用户定位单元发送初选维度权重值的单元”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读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该设备执行时，使得该设备执行的步骤包括：利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值；其中，所述特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

在本发明实施例的技术方案中，可根据用户的购买关联行为提取高权重维度和关键维度，从而实现目标用户的精确定位，并能够根据反馈数据闭环调整用户定位策略，最终实现商品销量的有效提升。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种确定目标用户的方法，其特征在于，包括：

利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值；其中，所述特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；

将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

2.根据权利要求1所述的方法，其特征在于，所述初选维度为虚拟变量；以及，所述方法进一步包括：

在确定高权重维度之后，针对任一未购买目的商品的用户：确定该用户具有非零取值的高权重维度，将该非零取值对应的维度选项作为该用户的画像标签。

3.根据权利要求2所述的方法，其特征在于，所述根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数，具体包括：

将该用户具有非零取值的高权重维度的权重值总和确定为其购买倾向性分数。

4.根据权利要求1所述的方法，其特征在于，所述向其提供目的商品的购买引导对象具体包括：

向购买倾向性分数大于预设的第一阈值的目标用户提供目的商品的购买引导对象；

向购买倾向性分数不大于所述第一阈值的目标用户提供目的商品的购买引导对象和促销策略。

5.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：

在向确定的目标用户提供目的商品的购买引导对象之后，利用所述目标用户的反馈数据训练当前的购买意愿分类模型以调整所述初选维度的权重值；其中，所述反馈数据包括：接收所述购买引导对象之后购买目的商品的目标用户在所述初选维度的取值；

将调整后的权重值符合预设的第三判别条件的初选维度确定为关键维度；对于任一未购买目的商品的用户，将该用户具有非零取值的关键维度的权重值总和确定为其购买倾向性指数；将购买倾向性指数符合预设的第四判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

6.根据权利要求1-5任一所述的方法，其特征在于，

购买关联行为包括：搜索商品且在第一时长之后未购买该商品、访问商品页面且在第二时长之后未购买该商品、将商品置入购物车且在第三时长之后未购买该商品或者进入商品结算页面且在第四时长之后未购买该商品；

第一判别条件包括：初选维度的权重值大于预设的第二阈值或者初选维度的权重值为最大的m个权重值之一；其中，m为正整数；

第二判别条件包括：用户的购买倾向性分数在预设的第三阈值与第四阈值之间；以及，

所述购买意愿分类模型为逻辑回归模型，所述购买引导对象为广告信息或者试用品。

7.一种确定目标用户的装置，其特征在于，包括：

维度权重获取单元，用于利用多个特定用户在预设的至少一个初选维度的取值训练预先建立的购买意愿分类模型，得到每一初选维度的权重值；其中，所述特定用户为执行过针对目的商品的购买关联行为且在其后购买目的商品的用户；

目标用户定位单元，用于将权重值符合预设的第一判别条件的初选维度确定为高权重维度，根据高权重维度及其权重值获取任一未购买目的商品的用户的购买倾向性分数；将购买倾向性分数符合预设的第二判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

8.根据权利要求7所述的装置，其特征在于，所述初选维度为虚拟变量；以及，所述装置进一步包括：

画像标签确定单元，用于在确定高权重维度之后，针对任一未购买目的商品的用户：确定该用户具有非零取值的高权重维度，将该非零取值对应的维度选项作为该用户的画像标签。

9.根据权利要求8所述的装置，其特征在于，目标用户定位单元进一步用于：

将该用户具有非零取值的高权重维度的权重值总和确定为其购买倾向性分数。

10.根据权利要求7所述的装置，其特征在于，目标用户定位单元进一步用于：

向购买倾向性分数大于预设的第一阈值的目标用户提供目的商品的购买引导对象；向购买倾向性分数不大于所述第一阈值的目标用户提供目的商品的购买引导对象和促销策略。

11.根据权利要求8所述的装置，其特征在于，所述装置进一步包括：

二次迭代单元，用于在向确定的目标用户提供目的商品的购买引导对象之后，利用所述目标用户的反馈数据训练当前的购买意愿分类模型以调整所述初选维度的权重值；其中，所述反馈数据包括：接收所述购买引导对象之后购买目的商品的目标用户在所述初选维度的取值；将调整后的权重值符合预设的第三判别条件的初选维度确定为关键维度；对于任一未购买目的商品的用户，将该用户具有非零取值的关键维度的权重值总和确定为其购买倾向性指数；将购买倾向性指数符合预设的第四判别条件的用户确定为目标用户，并向其提供目的商品的购买引导对象。

12.根据权利要求7-11任一所述的装置，其特征在于，

购买关联行为包括：搜索商品且在第一时长之后未购买该商品、访问商品页面且在第二时长之后未购买该商品、将商品置入购物车且在第三时长之后未购买该商品或者进入商品结算页面且在第四时长之后未购买该商品；

第一判别条件包括：初选维度的权重值大于预设的第二阈值或者初选维度的权重值为最大的m个权重值之一；其中，m为正整数；

第二判别条件包括：用户的购买倾向性分数在预设的第三阈值与第四阈值之间；以及，

所述购买意愿分类模型为逻辑回归模型，所述购买引导对象为广告信息或者试用品。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。