基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质制造方法及图纸

本发明专利技术提供了一种基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质。个性化营销方法包括：步骤S1：基于用户行为序列提取用户特征，进而基于用户特征对用户进行群体划分；步骤S2：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；步骤S3：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限；步骤S4：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。本发明专利技术提高了用户行为序列建模的准确率，进而实现了精准的、个性化的营销。营销。营销。

【技术实现步骤摘要】
基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质


[0001]本专利技术涉及数字化营销
，尤其是一种基于用户画像和序列建模的个性化营销系统及其实现方法。

技术介绍

[0002]随着电商平台的蓬勃发展，用户线上购物习惯逐渐养成，各个商家也积累了海量线上消费行为数据。如何对用户行为模式进行建模，进而精准预测用户的偏好，从而指导商家设计最优营销策略，对改善用户线上购物体验、提高商品购买转化率，有着重要意义。传统方法通常使用马尔科夫模型构建用户行为序列模型。然而，马尔科夫模型仅能考虑指定阶数的用户行为的相关性，无法建模复杂的用户行为规律。且随模型阶数的增高，模型性能因“维度灾难”而下降。

技术实现思路

[0003]为了克服上述技术缺陷，本专利技术考虑电商平台的用户集合为其中u
n
为任一用户，N为用户总数。记所有可能的用户行为的集合为其中M为可能行为的总数。记商家所期望的用户的转化行为构成的集合为E。注意，转化行为集合E为用户行为集合s的子集。记用户u
n
的行为序列为其中l
n
[j]＝s
nj
为用户u
n
的第j个行为，J
n
为用户u
n
的行为历程的长度。注意，用户行为历程数据中包括用户每个行为的时间戳。记平台可采取的营销策略的集合为其中K为营销策略的总数。通过用户行为历程数据，可统计出当用户处于当前行为s
curr
时，不同营销方式a
k
>将导致用户实施不同行为s
m
的概率p(s
m
|a
k
，s
curr
)。
[0004]基于上述数据格式，本专利技术的第一个方面提供了一种基于用户画像和序列建模的个性化营销方法，其包括：
[0005]步骤S1：划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；
[0006]步骤S2：预测用户行为序列：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；
[0007]步骤S3：挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合；
[0008]步骤S4：求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。
[0009]进一步地，步骤S1包括：
[0010]步骤S1.1：基于用户行为序列，构建用户特征集合f
i
为特征维度，F为用户特征的总数量；
[0011]步骤S1.2：在每个特征维度f
i
上，以N
i
等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为
[0012]示例地，用户特征集合包含三个特征，即F＝3。三个用户特征所涉及的特征具体描述如下：
[0013](1)用户活跃度：用户行为的频次，即用户行为序列的长度。
[0014](2)用户最近活跃时间：用户最后一次行为的发生时间距离建模时的时间跨度。
[0015](3)用户转化价值：用户发生期望行为的频率，即用户发生期望行为的次数与用户行为序列的长度的比值。
[0016]进一步地，步骤S2包括：
[0017]步骤S2.1：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；
[0018]步骤S2.2：采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；
[0019]步骤S2.3：以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；
[0020]步骤S2.4：训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。
[0021]进一步地，步骤S3包括：
[0022]步骤S3.1：初始化有效转化序列集合为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合为空，用于记录有效转化序列对应的似然值；
[0023]步骤S3.2：初始化延拓序列l
′
n
＝l
n
，序列似然值
[0024]步骤S3.3：以l
′
n
为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；
[0025]步骤S3.4：以该概率分布对下一个行为进行随机采样，记采样所得行为为s
next
，设其所对应的概率值为p
s
，更新序列似然值并将s
next
追加至用户行为序列l
′
n
中；
[0026]步骤S3.5：若s
next
∈E或l
′
n
的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复步骤S3.3
‑
步骤S3.5；
[0027]步骤S3.6：若s
next
∈E，将l
′
n
添加至集合中，将添加至集合中；
[0028]步骤S3.7：重复步骤S3.2
‑
步骤S3.6T次。
[0029]进一步地，步骤S4包括：针对用户u
n
，通过求解如下优化问题来求解出最优营销策略：
[0030][0031][0032]其中，不同营销方式所产生的开销为而营销预算上限为C，某营销策略在不同方式间分配的权重为整个营销策略所产生的开销为该营销策略可导致有效转化行为发生的概率为其中l
′
n
[j]表示行为序列l
′
n
的第j个行为。
[0033]本申请的第二个方面提供一种基于用户画像和序列建模的个性化营销装置，其包括：
[0034]用户画像模块，所述用户画像模块用于划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；
[0035]用户行为序列建模模块，所述用户行为序列建模模块用于预测用户行为历程：针对每个用户群体的行为序列，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；
[0036]有效转化序列挖掘模块，所述有效转化序列挖掘模块用于挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户画像和序列建模的个性化营销方法，其特征在于，包括：步骤S1：划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；步骤S2：预测用户行为序列：针对每个用户群体的行为历程，基于循环神经网络，使用有监督的训练方法，构建序列预测模型，以实现预测用户行为的任务；步骤S3：挖掘有效转化序列：使用序列预测模型，对每个用户的行为历程进行延拓，直至出现期望行为或者延拓序列长度超过指定上限，以期望行为结束的延拓序列即为有效转化序列，获得有效转化序列集合及其对应的似然值集合；步骤S4：求解出最优营销策略：在用户的有效转化序列集合和对应的似然值集合的基础上，进行营销方式的权重分配，在不超过营销预算的前提下求解出最优营销策略。2.如权利要求1所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S1包括：步骤S1.1：基于用户行为序列，构建用户特征集合f
i
为特征维度，F为用户特征的总数量；步骤S1.2：在每个特征维度f
i
上，以N
i
等分位点进行切分，以用户所处的区段作为用户在该维度特征上的标签，然后拼接所有F个特征上的标签，作为用户的标签，进行用户群体划分，最终划分的用户群体数为3.如权利要求1所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S2包括：步骤S2.1：将所要考察的用户群体的行为历程数据随机划分为训练集和验证集；步骤S2.2：采用循环神经网络构建用户行为序列预测模型，该模型读入行为序列后，将预测下一个行为的概率分布；步骤S2.3：以真实的下一个行为作为标签，计算用户行为序列预测模型输出结果的交叉熵损失，以最小化该损失为优化目标，在训练集上采用随机梯度下降法更新模型参数；步骤S2.4：训练过程中每遍历一次训练集，在验证集上计算交叉熵损失，当验证集上的损失值不再发生显著变化或者出现显著上升时，终止模型训练。4.如权利要求1所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S3包括：步骤S3.1：初始化有效转化序列集合为空，用于记录有效转化序列；初始化有效转化序列所对应的似然值集合为空，用于记录有效转化序列对应的似然值；步骤S3.2：初始化延拓序列l
′
n
＝l
n
，序列似然值步骤S3.3：以l
′
n
为输入，使用用户行为序列预测模型预测用户的下一个行为的概率分布；步骤S3.4：以该概率分布对下一个行为进行随机采样，记采样所得行为为s
next
，设其所对应的概率值为p
s
，更新序列似然值并将s
next
追加至用户行为序列l
′
n
中；步骤S3.5：若s
next
∈E或l
′
n
的长度超过指定上限，则终止本次延拓，E为期望行为的集合；否则重复步骤S3.3
‑
步骤S3.5；步骤S3.6：若s
next
∈E，将l
′
n
添加至集合L
n
中，将添加至集合中；
步骤S3.7：重复步骤S3.2
‑
步骤S3.6T次。5.如权利要求1
‑
4中任一项所述的基于用户画像和序列建模的个性化营销方法，其特征在于，步骤S4包括：针对用户u
n
，通过求解如下优化问题来求解出最优营销策略：，通过求解如下优化问题来求解出最优营销策略：其中，不同营销方式所产生的开销为而营销预算上限为C，某营销策略在不同方式间分配的权重为整个营销策略所产生的开销为该营销策略可导致有效转化行为发生的概率为其中l
′
n
[j]表示行为序列l
′
n
的第j个行为。6.一种基于用户画像和序列建模的个性化营销装置，其特征在于，包括：用户画像模块，所述用户画像模块用于划分用户群体：基于用户行为序列，提取用户特征，进而基于用户特征对用户进行群体划分；用户行为序列建模模块，所述用户行为序列...

【专利技术属性】
技术研发人员：杨波，赵硕，李昕，
申请(专利权)人：上海欣兆阳信息科技有限公司，
类型：发明
国别省市：