离线用户与在线用户的最优推送指数计算方法和系统技术方案

本发明专利技术公开了离线用户与在线用户的最优推送指数计算方法和系统，涉及信息推送技术领域

【技术实现步骤摘要】
离线用户与在线用户的最优推送指数计算方法和系统


[0001]本专利技术涉及信息推送
，尤其涉及离线用户与在线用户的最优推送指数计算方法和系统
。

技术介绍

[0002]近年来，随着电商
APP
的兴起，推荐系统逐渐成为电商
APP
的重要组成部分
。
电商
APP
的推荐系统通常采用协同过滤
、
内容过滤等多种算法，通过分析用户行为
、
商品属性和用户人口统计等信息，向用户推荐相关的商品或服务
。
[0003]然而，当前电商
APP
的推荐系统存在许多问题，如推荐效果不佳
、
推荐结果不准确等
。
因此，如何通过分析用户信息和行为，提高推荐的精准度与有效性，是电商
APP
推荐系统亟需解决的问题
。

技术实现思路

[0004]本专利技术的目的是提供离线用户与在线用户的最优推送指数计算方法和系统，其结合用户行为数据和信息，能够针对不同的用户制定不同的推送策略，从而提高用户的购买和浏览率，同时经过反复调整，能够得出最优的推送指数，提高电商
APP
的推荐效果
。
[0005]为了实现上述目的，本专利技术公开了一种离线用户与在线用户的最优推送指数计算方法，其包括如下步骤：
S1、
采集用户信息；
S2、
建立用户画像，通过数据挖掘技术分析所述用户信息，以获得用户的特征信息，依据所述特征信息建立用户画像；
S3、
制定推送策略，依据所述用户画像分析推送内容，并确定推送内容的推送指数范围，从而确定推送策略；
S4、
计算推送指数，依据所述推送指数范围计算离线用户和在线用户的推送指数，并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级；
S5、
执行推送，依据计算结果，按照预设的推送频率与所述优先级执行推送任务，以获得最优推送效果；
S6、
自适应调整，根据用户反馈和用户行为变化，对所述推送指数和所述推送策略进行自适应调整，以对推送效果进行持续优化和提升
。
[0006]较佳地，所述步骤
S2
具体包括：将用户信息分为若干个不同的用户群体；对每个用户群体进行独立分析，以得出不同用户群体的用户画像
。
[0007]较佳地，所述步骤
S3
具体包括：结合用户画像，并依据用户行为习惯
、
响应度，确定相应用户群体的推送指数范围，从而确定推送策略
。
[0008]较佳地，所述步骤
S3
进一步包括：
结合用户画像，并依据推送目的，确定相应用户群体的推送指数范围，从而确定推送策略
。
[0009]较佳地，所述用户信息包括用户基本信息
、
行为偏好信息
、
历史购买记录信息
、
商品浏览记录信息
、
搜索历史信息
、
地理位置信息和使用设备信息
。
[0010]较佳地，所述特征信息包括兴趣偏好
、
消费能力和购物频率
。
[0011]相应地，本专利技术还公开了一种离线用户与在线用户的最优推送指数计算系统，其包括：用户信息采集单元，被配置为采集用户信息；用户画像建立单元，被配置为建立用户画像，通过数据挖掘技术分析所述用户信息，以获得用户的特征信息，依据所述特征信息建立用户画像；推送策略制定单元，被配置为制定推送策略，依据所述用户画像分析推送内容，并确定推送内容的推送指数范围，从而确定推送策略；推送指数计算单元，被配置为计算推送指数，依据所述推送指数范围计算离线用户和在线用户的推送指数，并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级；推送任务执行单元，被配置为执行推送，依据计算结果，按照预设的推送频率与所述优先级执行推送任务，以获得最优推送效果；推送跟踪分析单元，被配置为自适应调整，根据用户反馈和用户行为变化，对所述推送指数和所述推送策略进行自适应调整，以对推送效果进行持续优化和提升
。
[0012]较佳地，所述用户画像建立单元包括：拆分单元，被配置为将用户信息分为若干个不同的用户群体；独立分析单元，被配置为对每个用户群体进行独立分析，以得出不同用户群体的用户画像
。
[0013]较佳地，所述推送策略制定单元被配置为结合用户画像，并依据用户行为习惯
、
响应度，确定相应用户群体的推送指数范围，从而确定推送策略
。
[0014]较佳地，所述推送策略制定单元还被配置为结合用户画像，并依据推送目的，确定相应用户群体的推送指数范围，从而确定推送策略
。
[0015]与现有技术相比，本专利技术结合用户行为数据和信息，能够针对不同的用户制定不同的推送策略，从而提高用户的购买和浏览率，同时经过反复调整，能够得出最优的推送指数，提高电商
APP
的推荐效果
。
附图说明
[0016]图1是本专利技术的离线用户与在线用户的最优推送指数计算方法的流程框图；图2是本专利技术的用户分析系统
、
场景分析系统
、
计算系统和推送系统的结构关系示意图；图3是本专利技术的离线用户与在线用户的最优推送指数计算系统的结构框图
。
具体实施方式
[0017]为详细说明本专利技术的
技术实现思路

、
构造特征
、
所实现目的及效果，以下结合实施方式
并配合附图详予说明
。
[0018]请参阅图1所示，本实施例的离线用户与在线用户的最优推送指数计算方法包括如下步骤：
S1、
采集用户信息；
S2、
建立用户画像，通过数据挖掘技术分析所述用户信息，以获得用户的特征信息，依据所述特征信息建立用户画像；
S3、
制定推送策略，依据所述用户画像分析推送内容，并确定推送内容的推送指数范围，从而确定推送策略；
S4、
计算推送指数，依据所述推送指数范围计算离线用户和在线用户的推送指数，并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级；
S5、
执行推送，依据计算结果，按照预设的推送频率与所述优先级执行推送任务，以获得最优推送效果；
S6、
自适应调整，根据用户反馈和用户行为变化，对所述推送指数和所述推送策略进行自适应调整，以对推送效果进行持续优化和提升
。
[0019]较佳地，所述步骤
S2
具体包括：将用户信息分为若干个不同的用户群体；对每个用户群体进行独立分析，以得出不同用户群体的用户画像
。
[0020]较佳地，所述步骤
S3
具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种离线用户与在线用户的最优推送指数计算方法，其特征在于，包括如下步骤：
S1、
采集用户信息；
S2、
建立用户画像，通过数据挖掘技术分析所述用户信息，以获得用户的特征信息，依据所述特征信息建立用户画像；
S3、
制定推送策略，依据所述用户画像分析推送内容，并确定推送内容的推送指数范围，从而确定推送策略；
S4、
计算推送指数，依据所述推送指数范围计算离线用户和在线用户的推送指数，并根据离线用户的推送指数大小和在线用户的推送指数大小确定推送优先级；
S5、
执行推送，依据计算结果，按照预设的推送频率与所述优先级执行推送任务，以获得最优推送效果；
S6、
自适应调整，根据用户反馈和用户行为变化，对所述推送指数和所述推送策略进行自适应调整，以对推送效果进行持续优化和提升
。2.
如权利要求1所述的离线用户与在线用户的最优推送指数计算方法，其特征在于，所述步骤
S2
具体包括：将用户信息分为若干个不同的用户群体；对每个用户群体进行独立分析，以得出不同用户群体的用户画像
。3.
如权利要求1所述的离线用户与在线用户的最优推送指数计算方法，其特征在于，所述步骤
S3
具体包括：结合用户画像，并依据用户行为习惯
、
响应度，确定相应用户群体的推送指数范围，从而确定推送策略
。4.
如权利要求3所述的离线用户与在线用户的最优推送指数计算方法，其特征在于，所述步骤
S3
进一步包括：结合用户画像，并依据推送目的，确定相应用户群体的推送指数范围，从而确定推送策略
。5.
如权利要求1所述的离线用户与在线用户的最优推送指数计算方法，其特征在于，所述用户信息包括用户基本信息
、
行为偏好信息
、
历史购买记录信息
、
商品浏览...

【专利技术属性】
技术研发人员：罗会铸，刘松森，林武贤，张永清，
申请(专利权)人：广州伊的家网络科技有限公司，
类型：发明
国别省市：