一种用于精细化营销的行为数据分析方法与流程

1.本发明涉及计算机技术领域，更具体地说，本发明涉及一种用于精细化营销的行为数据分析方法。


背景技术：

2.随着信息化深入到人类生活的方方面面，信息化系统呈现指数级的增长趋势，人类的生活已经全面对接信息系统。对于人类，信息化系统为我们带来的无尽的便捷体验，而我们对于信息化系统的要求和期望日益增多，特别是定制化、个性化的需求增多。由此，信息化系统在被需要的同时，也满足根据用户需求的日益多样化和定制化进行迭代，而对于用户的个性数据进行监听和采集，是实现信息化系统能够及时响应用户需求，提升服务体验的基石。
3.部分营销手段会针对用户自身的需求和浏览记录进行内容推送，针对性推送内容使用户的浏览体验更佳，但是用户的需求在不同时间会出现变化，相同内容浏览时间较长会出现疲劳，甚至感兴趣的内容会随浏览时间出现变化，因此针对用户营销的内容推送需要更贴合实际和用户体验，因此需要研究一种用于精细化营销的行为数据分析方法。


技术实现要素：

4.为了克服现有技术的上述缺陷，本发明提供了一种用于精细化营销的行为数据分析方法，本发明所要解决的技术问题是：针对性推送内容使用户的浏览体验更佳，但是用户的需求在不同时间会出现变化，相同内容浏览时间较长会出现疲劳，甚至感兴趣的内容会随浏览时间出现变化。
5.为实现上述目的，本发明提供如下技术方案：一种用于精细化营销的行为数据分析方法，包括以下步骤：
6.s1、数据获取及预处理；
7.s2、初步推送内容的浏览分析；
8.s3、权重分析调整；
9.s4、精细化推送内容确定和推送；
10.s5、数据可视化展示；
11.作为本发明的进一步方案：数据获取及预处理包括以下步骤：
12.获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
13.根据浏览内容的分类和权重进行初步内容推送；
14.获取初步内容推送后，用户对初步推送内容实时的浏览记录；
15.对获取历史浏览记录和实时的浏览记录数据进行除杂。
16.作为本发明的进一步方案：初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
17.浏览记录包括用户浏览时长和浏览深度，浏览时长为用户浏览该类别内容的时间
长度，浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
18.数据除杂对采集获得的数据进行降噪处理。
19.作为本发明的进一步方案：用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
20.初步推送内容的浏览分析包括以下步骤：
21.获取用户对初步推送内容的浏览时长和浏览深度数据；
22.分析用户对各类别内容的浏览时长和浏览深度；
23.计算得出用户浏览内容中各类别权重的变化。
24.作为本发明的进一步方案：权重分析调整包括以下步骤：
25.获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
26.获取用户搜索内容及搜索内容类别的关联类别；
27.结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
28.作为本发明的进一步方案：数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
29.对用户浏览内容和推送内容进行类别分析包括以下步骤：首先将n各点x＝{x1,x2,
…
,xn}分成c个模糊类，并求每类的聚类中心，使目标函数达到最小，目标函数为：
[0030][0031]
其中u＝[u
ik
]为模糊分类矩阵，u
ik
∈[0,1]，v＝vi表示第i类聚类中心(i＝1,2,
…
,c)，m为加权指数，d
ik
＝||x
k-vi||为第i个聚类中心与第k个数据间的欧几里德距离，j(u,v)表示各类中样本到聚类中心的甲醛距离平方和，计算模糊隶属度u
ik
：
[0032][0033]
聚类中心的选取：
[0034]
假设m为样本空间，是样本空间m中的样本点集合，s是样本空间的个数；
[0035]
对于x中的每一个样本点xi，计算其密度函数：
[0036][0037]
其中rd为邻域密度的有效半径，计算方法为：
[0038][0039]
比较所有数据点的密度值，挑选密度函数值最大的样本点，设为第一次计算所
得到的聚类中心，对应的密度函数值为采用下式对每个样本点的密度函数值进行修改，比较修改后的密度函数值，从中选择最大的点将其作为新的聚类中心；
[0040][0041]
推送内容类别的权重实时更新算法：
[0042]
粒子群算法中群体粒子的速度和位置的更新根据下式进行：
[0043]
vi(t 1)＝ωv
t
(t) c1r1(pbest
i-xi(t)) c2r2(pbest
i-xi(t))
[0044]
xi(t 1)＝xi(t) vi(t 1)
[0045]
vi(t)，xi(t)分别表示第i个粒子在t时刻的速度和位置，pbesti表示第i个粒子当前时刻自身个体的最优位置，gbest为整个粒子群体当前时刻的群体最优位置，ω为算法中粒子更新的惯性权重值，决定上次飞行速度保留的大小程度，c1，c2为粒子的学习因子，决定粒子和个体最优位置和群体最优位置信息互动的程度，r1，r2是介于[0,1]之间的随机数字；
[0046]
微粒群中粒子i与粒子j的相似度可表示为：
[0047][0048]
d(i,j)是第i个粒子和第j个粒子在欧式空间中的距离，d(i,j)
→
0时，s(i,j)＝1；当d(i,j)
→
1时，s(i,j)＝0，对微粒群体中任意两个粒子i和j，s(i,j)∈[0,1]，上式中d
min
和d
max
取正常数；
[0049]
设第i个粒子与群体最优粒子gbest之间的相似度值为s，当s＝0时，说明粒子与群体最优粒子的相似度最低，即差异最明显，需要粒子跳出当前区域，故该粒子在下次迭代时的惯性权重应取最大惯性权重值ω
max
，当s＝1时，说明粒子与群体最优粒子的相似度最高，即差异最小，粒子需要在当前的小邻域内进行精细搜索，第i个粒子在下次迭代时的惯性权重取最大惯性权重值ω
min
，当s∈[0,1]时，惯性权重根据相似度的大小进行如下更新：
[0050][0051]
ω
min
，ω
max
分别为提前设定的惯性权重最小值和最大值，t为当前迭代次数，t
max
为提前设置的迭代总次数。
[0052]
本发明的有益效果在于：
[0053]
1、本发明通过对用户历史浏览数据和实时浏览数据的获取分析，对浏览内容进行类别总结分析，同时对浏览数据中的各类内容的权重进行计算分析，初步内容推送中包括较多类别，根据相关类别内容用户的浏览数据判断用户对其的兴趣度，并结合历史浏览数据中类别权重对推送内容中各类别的权重进行调整，且实时浏览数据的获取时间为浏览开始和浏览时长30min，可精准且不断对推送内容中各类别权重进行分析和调整，使推送的内容更为灵活且贴合用户需要，更为人性化，适合大范围推广；
[0054]
2、本发明通过采用对用户搜索内容数据的获取，分析用户的需求，且对搜索内容类别的关联性内容进行推送，实现针对用户的精准内容推送方案，使用户的浏览内容包括实时的兴趣内容和所需内容，对浏览内容进行聚类分析，总结分析浏览内容的特性，根据特性实现对浏览内容的分类，同时对互联网中数据按照类别进行区分，使整体的推送和用户所需更为精准贴合。
具体实施方式
[0055]
对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
[0056]
实施例1：
[0057]
一种用于精细化营销的行为数据分析方法，包括以下步骤：
[0058]
s1、数据获取及预处理；
[0059]
s2、初步推送内容的浏览分析；
[0060]
s3、权重分析调整；
[0061]
s4、精细化推送内容确定和推送；
[0062]
s5、数据可视化展示；
[0063]
进一步方案：数据获取及预处理包括以下步骤：
[0064]
获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
[0065]
根据浏览内容的分类和权重进行初步内容推送；
[0066]
获取初步内容推送后，用户对初步推送内容实时的浏览记录；
[0067]
对获取历史浏览记录和实时的浏览记录数据进行除杂。
[0068]
进一步方案：初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
[0069]
浏览记录包括用户浏览时长和浏览深度，浏览时长为用户浏览该类别内容的时间长度，浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
[0070]
数据除杂对采集获得的数据进行降噪处理。
[0071]
进一步方案：用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
[0072]
初步推送内容的浏览分析包括以下步骤：
[0073]
获取用户对初步推送内容的浏览时长和浏览深度数据；
[0074]
分析用户对各类别内容的浏览时长和浏览深度；
[0075]
计算得出用户浏览内容中各类别权重的变化。
[0076]
进一步方案：权重分析调整包括以下步骤：
[0077]
获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
[0078]
获取用户搜索内容及搜索内容类别的关联类别；
[0079]
结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
[0080]
进一步方案：数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
[0081]
对用户浏览内容和推送内容进行类别分析包括以下步骤：首先将n各点x＝{x1,x2,
…
,xn}分成c个模糊类，并求每类的聚类中心，使目标函数达到最小，目标函数为：
[0082][0083]
其中u＝[u
ik
]为模糊分类矩阵，u
ik
∈[0,1]，v＝vi表示第i类聚类中心(i＝1,2,
…
,c)，m为加权指数，d
ik
＝||x
k-vi||为第i个聚类中心与第k个数据间的欧几里德距离，j(u,v)表示各类中样本到聚类中心的甲醛距离平方和，计算模糊隶属度u
ik
：
[0084][0085]
聚类中心的选取：
[0086]
假设m为样本空间，是样本空间m中的样本点集合，s是样本空间的个数；
[0087]
对于x中的每一个样本点xi，计算其密度函数：
[0088][0089]
其中rd为邻域密度的有效半径，计算方法为：
[0090][0091]
比较所有数据点的密度值，挑选密度函数值最大的样本点，设为第一次计算所得到的聚类中心，对应的密度函数值为采用下式对每个样本点的密度函数值进行修改，比较修改后的密度函数值，从中选择最大的点将其作为新的聚类中心；
[0092][0093]
实施例2：
[0094]
一种用于精细化营销的行为数据分析方法，包括以下步骤：
[0095]
s1、数据获取及预处理；
[0096]
s2、初步推送内容的浏览分析；
[0097]
s3、权重分析调整；
[0098]
s4、精细化推送内容确定和推送；
[0099]
s5、数据可视化展示；
[0100]
进一步方案：数据获取及预处理包括以下步骤：
[0101]
获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
[0102]
根据浏览内容的分类和权重进行初步内容推送；
[0103]
获取初步内容推送后，用户对初步推送内容实时的浏览记录；
[0104]
对获取历史浏览记录和实时的浏览记录数据进行除杂。
[0105]
进一步方案：初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
[0106]
浏览记录包括用户浏览时长和浏览深度，浏览时长为用户浏览该类别内容的时间长度，浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
[0107]
数据除杂对采集获得的数据进行降噪处理。
[0108]
进一步方案：用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
[0109]
初步推送内容的浏览分析包括以下步骤：
[0110]
获取用户对初步推送内容的浏览时长和浏览深度数据；
[0111]
分析用户对各类别内容的浏览时长和浏览深度；
[0112]
计算得出用户浏览内容中各类别权重的变化。
[0113]
进一步方案：权重分析调整包括以下步骤：
[0114]
获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
[0115]
获取用户搜索内容及搜索内容类别的关联类别；
[0116]
结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
[0117]
进一步方案：数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
[0118]
推送内容类别的权重实时更新算法：
[0119]
粒子群算法中群体粒子的速度和位置的更新根据下式进行：
[0120]
vi(t 1)＝ωv
t
(t) c1r1(pbest
i-xi(t)) c2r2(pbest
i-xi(t))
[0121]
xi(t 1)＝xi(t) vi(t 1)
[0122]
vi(t)，xi(t)分别表示第i个粒子在t时刻的速度和位置，pbesti表示第i个粒子当前时刻自身个体的最优位置，gbest为整个粒子群体当前时刻的群体最优位置，ω为算法中粒子更新的惯性权重值，决定上次飞行速度保留的大小程度，c1，c2为粒子的学习因子，决定粒子和个体最优位置和群体最优位置信息互动的程度，r1，r2是介于[0,1]之间的随机数字；
[0123]
微粒群中粒子i与粒子j的相似度可表示为：
[0124][0125]
d(i,j)是第i个粒子和第j个粒子在欧式空间中的距离，d(i,j)
→
0时，s(i,j)＝1；当d(i,j)
→
1时，s(i,j)＝0，对微粒群体中任意两个粒子i和j，s(i,j)∈[0,1]，上式中d
min
和d
max
取正常数；
[0126]
设第i个粒子与群体最优粒子gbest之间的相似度值为s，当s＝0时，说明粒子与群体最优粒子的相似度最低，即差异最明显，需要粒子跳出当前区域，故该粒子在下次迭代时的惯性权重应取最大惯性权重值ω
max
，当s＝1时，说明粒子与群体最优粒子的相似度最高，即差异最小，粒子需要在当前的小邻域内进行精细搜索，第i个粒子在下次迭代时的惯性权重取最大惯性权重值ω
min
，当s∈[0,1]时，惯性权重根据相似度的大小进行如下更新：
[0127][0128]
ω
min
，ω
max
分别为提前设定的惯性权重最小值和最大值，t为当前迭代次数，t
max
为提前设置的迭代总次数。
[0129]
综上可得，本发明中：
[0130]
本发明通过对用户历史浏览数据和实时浏览数据的获取分析，对浏览内容进行类别总结分析，同时对浏览数据中的各类内容的权重进行计算分析，初步内容推送中包括较多类别，根据相关类别内容用户的浏览数据判断用户对其的兴趣度，并结合历史浏览数据中类别权重对推送内容中各类别的权重进行调整，且实时浏览数据的获取时间为浏览开始和浏览时长30min，可精准且不断对推送内容中各类别权重进行分析和调整，使推送的内容更为灵活且贴合用户需要，更为人性化，适合大范围推广。
[0131]
本发明通过采用对用户搜索内容数据的获取，分析用户的需求，且对搜索内容类别的关联性内容进行推送，实现针对用户的精准内容推送方案，使用户的浏览内容包括实时的兴趣内容和所需内容，对浏览内容进行聚类分析，总结分析浏览内容的特性，根据特性实现对浏览内容的分类，同时对互联网中数据按照类别进行区分，使整体的推送和用户所需更为精准贴合。
[0132]
其次：只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
[0133]
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。