本申请提供一种在线营销方法及装置，涉及计算机技术领域，能够解决现有在线营销准确度低的问题。该方法包括：获取预设时间段内的用户特征信息；其中，用户特征信息包括用户属性域特征信息和用户行为域特征信息，预设时间段为用户在线浏览时间段；将用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值；根据消费水平预测值和流失风险预测值，确定针对用户的营销策略。确定针对用户的营销策略。确定针对用户的营销策略。
【技术实现步骤摘要】
在线营销方法及装置
[0001]本申请涉及计算机
，尤其涉及一种在线营销方法及装置。
技术介绍
[0002]随着互联网技术的发展，在线服务应用越来越广泛，用户在浏览在线服务网站时，网站往往会向用户推送营销信息。具体地，现有的在线营销基于用户的历史数据，采用画像技术、行为建模技术构建用户画像对用户实施营销推广，该方式构建的用户画像对用户分析不全面，且不能反映用户的当前需求，导致向用户推送的营销信息不准确。为弥补这一缺陷，网站只能采用信息轰炸的方式，轮番向用户推送大量的各种类型的营销信息，以期望能够覆盖用户的实际需求，然而，该方式会对用户造成极大困扰，用户体验差，且不能及时推送可满足用户当前需求的精准营销信息，可能导致用户离开，从而存在用户流失风险。
技术实现思路
[0003]本申请提供一种在线营销方法及装置，能够解决现有在线营销准确度低的问题。
[0004]为达到上述目的，本申请采用如下技术方案：
[0005]第一方面，提供一种在线营销方法。该方法包括：获取预设时间段内的用户特征信息。其中，用户特征信息包括用户属性域特征信息和用户行为域特征信息，预设时间段为用户在线浏览时间段。将用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值。根据消费水平预测值和流失风险预测值，确定针对用户的营销策略。
[0006]基于第一方面所述的在线营销方法，可以对用户的消费水平偏好和流失风险概率建模，形成双目标一体的营销预测模型，将实时的用户特征信息输入营销预测模型，基于输出的消费水平预测值能够判断目标用户的消费意愿和倾向，反映目标用户的当前需求，确定符合目标用户消费水平的营销信息，并基于流失风险预测值识别该目标用户的流失风险，确定该目标用户为高流失风险用户，从而对该目标用户实施营销。因此，基于当前用户特征信息得到的消费水平预测值和流失风险预测值，无需采用信息轰炸的方式轮番推送各种营销信息(含大量无关营销信息)，而是有针对性地向高流失风险的目标用户推送可反映该目标用户当前需求的营销信息，实现精准营销，从而提高营销效果和用户体验，且可以降低用户流失风险。
[0007]进一步地，营销预测模型包括：消费水平预测模型和流失风险预测模型。其中，消费水平预测模型，用于根据用户特征信息确定消费水平预测值。流失风险预测模型，用于根据用户特征信息确定流失风险预测值。如此，基于消费水平预测值和流失风险预测值构成双目标一体的营销预测模型，只需训练一套模型即可达到两种预测目的，能够节省开发时间和成本。
[0008]进一步地，消费水平预测模型为多分类输出模型，流失风险预测模型为二分类输出模型。其中，多分类输出对应多个输出值，每个输出值对应表示一种消费水平，如四分类输出值为0、1、2、3分别表示酒店类型为经济型酒店、中端型酒店、豪华型酒店和奢华型酒
店，二分类输出的输出值为一个，表示是或否，例如二分类输出值为0或1，0表示没有流失风险，1表示有流失风险。如此，基于预测目的的不同，选择不同模型的输出，便于后续数据的处理，提升数据处理效率。
[0009]进一步地，根据消费水平预测值和流失风险预测值，确定针对用户的营销策略，具体包括：根据消费水平预测值确定待营销产品信息。若流失风险预测值大于或等于流失风险阈值，则根据待营销产品信息向用户推送营销消息。如此，基于消费水平预测值能够在线实时预测用户的消费意愿和倾向，给出营销策略，并基于流失风险预测值能够识别用户流失风险，对高流失风险用户开展营销，避免过度营销，提升用户体验。
[0010]一种可能的设计方案中，用户特征信息包括连续型特征信息和离散型特征信息，营销预测模型包括域感知层。将用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值，具体包括：将连续化特征向量输入域感知层，得到域感知特征向量。其中，连续化特征向量根据用户特征信息确定，连续化特征向量包括p个连续型特征信息和q个第一特征向量，第一特征向量与离散型特征信息对应，p、q为正整数；域感知特征向量包括p个连续型特征信息和第二特征向量，第二特征向量为q个第一特征向量的加权和。如此，将连续化后的离散型特征信息进行特征压缩，与连续型特征信息一起形成一个特征向量，能够完整反映用户特征信息，统一数据格式，便于后续数据处理，从而提高数据处理效率。
[0011]进一步地，营销预测模型还包括自适应连接层。将用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值，还具体包括：将域感知特征向量输入自适应连接层，得到自适应连接特征向量。其中，自适应连接层用于为域感知特征向量分配自适应权重，自适应连接特征向量用于确定消费水平预测值和流失风险预测值。如此，自适应连接层能够基于权重值对不同域感知层向量分配不同的关注度，以合理体现不同用户特征信息对消费水平和流失风险的影响，提高模型预测的准确度。
[0012]进一步地，营销预测模型基于各网络层参数迭代训练确定；网络层参数包括如下一项或多项：第一特征向量、自适应权重、权重矩阵、或偏置项。如此，基于对各网络层参数的训练确定营销预测模型，能够提高模型预测的准确度。
[0013]第二方面，提供一种在线营销装置。该装置包括：获取模块和处理模块。其中，获取模块，用于获取预设时间段内的用户特征信息。其中，用户特征信息包括用户属性域特征信息和用户行为域特征信息，预设时间段为用户在线浏览时间段。处理模块，用于将用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值。处理模块，还用于根据消费水平预测值和流失风险预测值，确定针对用户的营销策略。
[0014]进一步地，营销预测模型包括：消费水平预测模型和流失风险预测模型。其中，消费水平预测模型，用于根据用户特征信息确定消费水平预测值。流失风险预测模型，用于根据用户特征信息确定流失风险预测值。
[0015]进一步地，消费水平预测模型为多分类输出模型，流失风险预测模型为二分类输出模型。
[0016]进一步地，处理模块，具体用于执行如下步骤：根据消费水平预测值确定待营销产品信息。若流失风险预测值大于或等于流失风险阈值，则根据待营销产品信息向用户推送营销消息。
[0017]一种可能的设计方案中，用户特征信息包括连续型特征信息和离散型特征信息，
营销预测模型包括域感知层。处理模块，具体用于执行如下步骤：将连续化特征向量输入域感知层，得到域感知特征向量。其中，连续化特征向量根据用户特征信息确定，连续化特征向量包括p个连续型特征信息和q个第一特征向量，第一特征向量与离散型特征信息对应，p、q为正整数；域感知特征向量包括p个连续型特征信息和第二特征向量，第二特征向量为q个第一特征向量的加权和。
[0018]进一步地，营销预测模型还包括自适应连接层。处理模块，还用于将域感知特征向量输入自适应连接层，得到自适应连接特征向量。其中，自适应连接层用于为域感知特征向量分配自适应权重，自适应连接特征向量用于确定消费水平预测值和流失风险预测值。
[0019]进一步地，营销预测模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种在线营销方法，其特征在于，包括：获取预设时间段内的用户特征信息；所述用户特征信息包括用户属性域特征信息和用户行为域特征信息，所述预设时间段为用户在线浏览时间段；将所述用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值；根据所述消费水平预测值和所述流失风险预测值，确定针对用户的营销策略。2.根据权利要求1所述的方法，其特征在于，所述营销预测模型包括：消费水平预测模型和流失风险预测模型；所述消费水平预测模型，用于根据所述用户特征信息确定所述消费水平预测值；所述流失风险预测模型，用于根据所述用户特征信息确定所述流失风险预测值。3.根据权利要求2所述的方法，其特征在于，所述消费水平预测模型为多分类输出模型，所述流失风险预测模型为二分类输出模型。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述根据所述消费水平预测值和所述流失风险预测值，确定针对用户的营销策略，具体包括：根据所述消费水平预测值确定待营销产品信息；若所述流失风险预测值大于或等于流失风险阈值，则根据所述待营销产品信息向用户推送营销消息。5.根据权利要求1所述的方法，其特征在于，所述用户特征信息包括连续型特征信息和离散型特征信息；所述营销预测模型包括域感知层；所述将所述用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值，具体包括：将连续化特征向量输入所述域感知层，得到域感知特征向量；其中，所述连续化特征向量根据所述用户特征信息确定，所述连续化特征向量包括p个连续型特征信息和q个第一特征向量，所述第一特征向量与所述离散型特征信息对应，p、q为正整数；所述域感知特征向量包括所述p个连续型特征信息和第二特征向量，所述第二特征向量为所述q个第一特征向量的加权和。6.根据权利要求5所述的方法，其特征在于，所述营销预测模型还包括自适应连接层；所述将所述用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值，还具体包括：将所述域感知特征向量输入所述自适应连接层，得到自适应连接特征向量；所述自适应连接层用于为所述域感知特征向量分配自适应权重，所述自适应连接特征向量用于确定所述消费水平预测值和所述流失风险预测值。7.根据权利要求1
‑
6中任一项所述的方法，其特征在于，所述营销预测模型基于各网络层参数迭代训练确定；所述网络层参数包括如下一项或多项：第一特征向量、自适应权重、权重矩阵、或偏置项。8.一种在线营销装置，其特征在于，包括：获取模块和处理模块；所述获取模块，用于获取预设时间段内的用户特征信息；所述用户特征信息包括用户属性域特征信息和用户行为域特征信息；所述预设时间段为用户在线浏览时间段；所述处理模块，用于将所述用户特征信息输入营销预测模型，得到消费水平预测值和流失风险预测值；
【专利技术属性】
技术研发人员：陈文冬，史超，孟平，
申请(专利权)人：南京意博软件科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。