具体实施方式

下面将结合本发明实施例中的附图，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作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。

参见图1，是本发明实施例提供的一种基于用户价值分类的信息推荐方法的流程示意图。本发明实施例提供了一种基于用户价值分类的信息推荐方法，具体通过步骤S11至S15执行：

S11、获取当前用户的消费数据和用户画像。

具体地，所述消费数据至少包括：距当前时刻最近的付费时间与当前时刻的时间间隔、预定时间段内的消费频次和消费金额。

用户画像是真实的用户行为中提炼出来的一些特征属性并形成用户模型，它们代表了不同的用户类型及其所具有的相似特征。所述用户画像包括以下中的至少一种：用户的年龄阶段、用户的性别、用户的职业、用户的收入水平、用户的喜好。

在本发明实施例中，通过获取当前用户在过去预定时间段内在某一平台上的付费时间间隔、消费频次和消费金额，从而得到所述当前用户的消费数据。并且，基于用户在该平台上的操作行为数据，构建所述当前用户的用户画像。

可以理解地，所述用户画像所包括的年龄阶段、性别、职业等，可以是通过获取用户的基本信息得到的，也可以是通过用户在平台上的操作行为数据推测得到的；所述用户画像所包括的用户的收入水平、喜好等信息，则是通过用户在平台上的操作行为数据预测得到的。

S12、根据预设的用户画像与消费数据中的各数据类型的修正系数分配策略的映射关系，确定所述消费数据中各数据类型的价值分析修正系数的分配策略。

S13、根据所述价值分析修正系数的分配策略，确定所述消费数据中每一数据类型的价值分析修正系数。

预先建立“用户画像-消费数据类型-修正系数分配策略”的映射关系，所述修正系数分配策略指的是在对用户进行价值分析的过程中，对用户的不同数据类型的消费数据所赋予的价值分析修正系数，用于衡量每一数据类型的消费数据的重要性程度，这样进而能够根据所述当前用户的用户画像，确定所述所获取的消费数据中每一种类型的消费数据所对应的修正系数分配策略，进而为所述消费数据中每一数据类型分配相应的价值分析修正系数。

S14、根据所述消费数据的每一数据类型的价值分析修正系数，对所述消费数据进行价值分析，得到所述当前用户的用户价值类型。

具体地，通过预先建立的用户价值分析模型，对所述当前用户的消费数据中的每一数据类型的消费数据进行价值分析，并结合分配的价值分析修正系数，得到每一数据类型的消费数据的价值分析结果，从而确定所述当前用户的用户价值类型。

S15、根据所述用户价值类型向所述当前用户推荐对应的目标信息。

在确定所述当前用户的用户价值类型之后，就可以获取所述用户价值类型对应的目标信息，例如商场中的商品信息、服务信息，并向该用户进行推荐。

本发明实施例提供了一种基于用户价值分类的信息推荐方法，根据当前用户的用户画像，为当前用户的消费数据中每一数据类型分配相应的价值分析修正系数，根据所述消费数据的每一数据类型的价值分析修正系数，对所述消费数据进行价值分析，得到所述当前用户的用户价值类型，从而使得在用户价值分析过程中，每一数据类型的消费数据的重要性程度和用户画像相关，提高了对用户价值分析的合理性，提高确定用户价值类型的准确度，从而能够根据所述用户价值类型向所述当前用户推荐对应的目标信息，以使向用户推荐的目标信息能够真正反映用户实际想要的商品或服务等信息内容，提高信息推荐的准确率，进而有效提高用户的使用体验。

作为优选的实施方式，在一种实施方式下，参见图2，是本发明实施例中获取用户画像的流程示意图。在步骤S11中，所述获取当前用户的用户画像，具体包括步骤S21至S23：

S21、获取当前用户的行为数据；其中，所述行为数据为所述当前用户在目标平台上的操作行为所产生的数据。

S22、根据所述行为数据，确定所述当前用户的特征标签；其中，所述特征标签用于表征所述当前用户的特征信息。

S23、根据所述特征标签，生成所述当前用户的用户画像。

作为一个举例，用户画像具有八个分析维度：P代表基本性(Primary)：指该用户画像是否基于对真实用户的情景访谈；E代表同理性(Empathy)：指用户画像中包含姓名、照片和商品相关的描述，该用户画像是否具有同理心；R代表真实性(Realistic)：指用户画像是否看起来像真实人物；S代表独特性(Singular)：每个用户是否是独特的，彼此很少有相似性；O代表目标性(Objectives)：该用户画像是否包含与商品相关的高层次目标，是否包含关键词来描述该目标；N代表数量性(Number)：用户画像的数量是否足够少，以便设计团队能记住每个用户画像的姓名，以及其中的一个主要用户画像；A代表应用性(Applicable)：设计团队是否能使用用户画像作为一种实用工具进行设计决策；L代表长久性(Long)：用户标签的长久性。

在本发明实施例中，通过获取当前用户在目标平台上的操作行为所产生的行为数据，所述行为数据可以是所述当前用户在目标平台上的交易时间、在预定时间段内的交易频次和在预定时间段内的交易金额等交易数据；也可以是所述当前用户在目标平台上的对某一商品信息的浏览时间段、浏览时长、所浏览商品的标题、加购、收藏、关注等商品操作数据。通过对这些行为数据进行统计分析，确定对应匹配的特征标签，用于表征所述当前用户的特征信息。根据所述特征标签，即可确定当前用户的用户画像。

采用本发明实施例的技术手段，将用户的行为数据，例如消费行为、商品操作行为等数据用于构建用户画像，能够从用户的消费行为层面更加准确地揭示用户本质特征，从而生成更加具体化的用户画像，最终能够向用户推荐更符合用户个性化的商品或服务信息。

在另一种实施方式下，所述获取当前用户的用户画像，具体包括步骤S21’至S26’：

S21’、根据所述当前用户的历史特征标签建立所述当前用户的历史用户画像；

S22’、根据所述历史特征标签中的固有特征标签建立所述当前用户的临时用户画像；其中，所述固有特征标签包括年龄标签和性别标签中的至少一个；

S23’、获取所述当前用户在预设时间内的除了固有特征标签之外的其他特征标签；

S24’、获取所述当前用户在预设时间内的除了固有特征标签之外的其他特征标签与所述历史特征标签中除了固有特征标签之外的其他特征标签的匹配度；

S25’、若所述匹配度大于预设匹配度阈值，将所述历史用户画像作为所述当前用户的用户画像；

S26’、若所述匹配度不大于预设匹配度阈值，根据所述当前用户在预设时间内的除了固有特征标签之外的其他特征标签与所述当前用户的固有特征标签，建立所述当前用户的最新用户画像，并将所述最新用户画像作为所述当前用户的用户画像。

在获取用户画像时，会预先根据在先积累的特征标签数据建立包括固有标签、行为标签等的用户画像。其中，固有标签包括用户性别、年龄等用户自身固有的属性，可以在用户注册等环节中向用户收集；行为标签包括用户的添加关注、取消关注、加入心愿单、取出心愿单、形成订单、取消订单、付款、退款等交互操作的行为，在用户授权之后采集得到。每当用户新上线时，则针对该用户建立一个临时用户画像，该临时用户画像从所述历史用户画像中继承固有标签，反映用户的性别、年龄等固有属性；而临时用户画像中反映用户行为的特征标签则通过获取预设时间内的行为得到，并判断新获取的特征标签数据与在先积累的特征标签数据的匹配度。当所述匹配度大于预设匹配度阈值时，说明用户最新的行为与历史用户画像具有较高的一致性，故而可以将历史用户画像作为用户画像；当所述匹配度不大于预设匹配度阈值时，说明用户最新的行为已经偏离了历史用户画像，则需要重新根据固有标签和新获取的特征标签建立最新用户画像，并采用最新用户画像替代历史用户画像，将其作为用户画像。

采用本实施例的技术手段，能够实现根据用户的最新行为数据对其用户画像进行有效维护、更新，特别是在用户行为发生突变的情况下，利用临时用户画像以及用户的最新行为偏好，能够快速建立用户的最新用户画像，而且最新用户画像也能够更准确地反映该用户的最近偏好，从而提高信息推荐的准确率。

作为优选的实施方式，参见图3，是本发明实施例中确定用户价值类型的流程示意图。所述步骤S14，具体包括步骤S31和S32：

S31、对每一数据类型的消费数据进行价值度分析，得到所述消费数据的每一数据类型的数据价值度。

通过预先构建并训练好一价值度分析模型，将每一数据类型的消费数据作为输入，进行价值度分析，从而输出其对应的数据价值度。

S32、根据所述消费数据的每一数据类型的价值分析修正系数和数据价值度，得到所述当前用户的用户价值类型。

根据每一数据类型所分配的价值分析修正系数，对每一数据类型的消费数据的数据价值度进行修正，并结合所有数据类型的消费数据的修正后的结果，确定所述当前用户的用户价值类型。

具体地，所述用户价值类型可以划分为：一般挽留玩家、一般发展玩家、一般保持玩家、一般价值玩家、重要挽留玩家、重要发展玩家、重要保持玩家、重要价值玩家。

优选地，步骤S31为：

S311、所述基于预设的每一数据类型的消费数据的价值度计算策略，计算所述消费数据的每一数据类型的数据价值度。

具体地，不同的用户消费数据有对应的价值度计算策略，在本发明实施例中针对用户在距当前时刻最近的付费时间与当前时刻的时间间隔、预定时间段内的消费频次和消费金额三种消费数据，对应有三种价值度计算策略，分别为：时间间隔价值度计算策略、消费频次价值度计算策略以及消费金额价值度计算策略。

具体地，根据所述消费频次价值度计算策略对用户进行打分，计算消费频次的数据价值度，以5分制为例进行说明：

新用户(1分)：一段时间内的消费频次为在预设的最低消费频次范围内，判定为新用户，该部分用户的留存率极低，与其他消费频次的用户相差很大；

初级用户(2分)：一段时间内的消费频次在预设的初级消费频次范围内，判定为初级用户，该部分用户的留存率相对于新用户而言留存率上涨，且幅度较大；

成长用户(3分)：一段时间内的消费频次在预设的中级消费频次范围内，判定为成长用户，该部分用户的留存率较高，并呈现幅度次大的增长状态；

成熟用户(4分)：一段时间内的消费频次在预设的高级消费频次范围内，判定为成熟用户，该部分用户留存率保持在次高状态，且较为稳定；

忠实用户(5分)：一段时间内的消费频次在预设的最佳消费频次范围内，判定为忠实用户，该部分用户的留存率保持在较高状态，且较为稳定。

具体地，根据所述消费频次价值度计算策略计算每位玩家的的平均消费时间间隔，并对用户进行消费频次分箱，查看不同消费频次的数据价值度的用户的消费状况以及消费时间间隔情况，以消费频次fs为5分、4分、3分的玩家(该部分玩家群体的消费总额占总消费额的85％以上)的消费时间间隔r的80％分位数最为最后一次付费时间间隔分箱阈值(4分制)为例进行说明：

活跃用户(4分)：r<＝1，fs＝5的玩家消费间隔80％分位数为t1天；

沉默用户(3分)：1<r<＝2，fs＝4的玩家消费间隔80％分位数为t2天；

预警用户(2分)：2<r<＝5，fs＝4的玩家消费间隔80％分位数为t3天；

流失用户(1分)：r>5，其他作为流失玩家。

通过上述价值度计算策略，可以对用户的消费数据，包括消费频次、最近一次消费时间间隔以及消费金额，进行相应的价值度分析，为每一数据类型进行价值度打分，从而得到每一数据类型的数据价值度，用来明确玩家的价值、忠诚度以及玩家付费活跃情况。

步骤S32包括：

S321、根据所述消费数据的每一数据类型的数据价值度和价值分析修正系数，计算所述消费数据的每一数据类型的价值等级；

S322、根据预设的价值等级与用户价值类型的映射关系，得到所述当前用户的用户价值类型。

在计算当前用户的所述消费数据的每一数据类型的数据价值度之后，根据每一数据类型分配得到的价值分析修正系数对所述数据价值度进行修正，得到每一数据类型的价值得分。例如，当前用户的消费频次的数据价值度为3分，对应的价值分析修正系数为1.2，则消费频次的价值得分为3×1.2＝3.6分。

根据当前用户的消费频次的价值得分、最近一次消费时间间隔的价值得分以及消费金额的价值得分，确定每一数据类型对应的价值等级，比如，消费频次价值得分为5分制，对应的价值等级包括高和低，其中大于或等于4分为高，其余分数为低；时间间隔价值得分为4分制，对应的价值等级包括远和近，其中大于或等于3分为远，其余分数为近；消费金额价值得分为3分制，对应的价值等级包括高和低，其中大于或等于2分为高，其余分数为低。根据以上划分标准，可以划分得到用户价值类型如表1所示。

表1用户价值类型划分

采用本发明实施例的技术手段，通过预设的价值度计算策略，对每一数据类型的消费数据进行价值度分析，得到所述消费数据的每一数据类型的数据价值度，能够比较动态地层示用户的全部价值体现，能提高对不同数据类型的消费数据的价值度分析的准确性。进而，根据所述消费数据的每一数据类型的价值分析修正系数对对应的数据价值度进行修正，并分析得到所述当前用户的用户价值类型。根据所述用户价值类型向所述当前用户推荐对应的目标信息，以使向用户推荐的目标信息能够真正反映用户实际想要的商品或服务等信息内容，提高信息推荐的准确率，从而有效提高用户的使用体验。

作为优选的实施方式，所述步骤S15，具体包括S151至S153：

S151、根据所述用户价值类型，并基于预设的用户价值类型与推荐信息的映射关系，获取对应的待推荐信息；其中，所述推荐信息包括以下中的至少一种：商品信息、服务信息；

S152、选取所有的待推荐信息中的前N个信息作为目标信息；N为整数，N≥1；

S153、向所述当前用户推荐所述目标信息。

具体而言，在预设的映射关系中，特定的用户价值类型会具有若干个对应的待推荐信息，每一个待推荐信息都会具有推荐合适度，推荐合适度越高的表示贴合用户的喜好的可能性越高，推荐合适度越低的表示贴合用户的喜好的可能性越小。此时，则需要从所有的待推荐信息中选取出推荐合适度最高的N个信息作为目标信息向用户进行推荐。

需要说明的是，N的值可以预先设置，还可以由用户进行修改。

作为优选的实施方式，参见图4，是本发明实施例提供的一种基于用户价值分类的信息推荐装置的结构示意图。本发明实施例提供了一种基于用户价值分类的信息推荐装置40，包括：用户数据获取模块41、修正系数分配策略确定模块42、价值分析修正系数确定模块43、用户价值类型获得模块44和目标信息推荐模块45；其中，

所述用户数据获取模块41，用于获取当前用户的消费数据和用户画像；

所述修正系数分配策略确定模块42，用于根据预设的用户画像与消费数据中的各数据类型的修正系数分配策略的映射关系，确定所述消费数据中各数据类型的价值分析修正系数的分配策略；

所述价值分析修正系数确定模块43，用于根据所述价值分析修正系数的分配策略，确定所述消费数据中每一数据类型的价值分析修正系数；

所述用户价值类型获得模块44，用于根据所述消费数据的每一数据类型的价值分析修正系数，对所述消费数据进行价值分析，得到所述当前用户的用户价值类型；

所述目标信息推荐模块45，用于根据所述用户价值类型向所述当前用户推荐对应的目标信息。

本发明实施例提供了一种基于用户价值分类的信息推荐装置，根据当前用户的用户画像，为当前用户的消费数据中每一数据类型分配相应的价值分析修正系数，根据所述消费数据的每一数据类型的价值分析修正系数，对所述消费数据进行价值分析，得到所述当前用户的用户价值类型，从而使得在用户价值分析过程中，每一数据类型的消费数据的重要性程度和用户画像相关，提高了对用户价值分析的合理性，提高确定用户价值类型的准确度。进而，根据所述用户价值类型向所述当前用户推荐对应的目标信息，以使向用户推荐的目标信息能够真正反映用户实际想要的商品或服务等信息内容，提高信息推荐的准确率，从而有效提高用户的使用体验。

作为优选的实施方式，用户数据获取模块41包括用于获取当前用户的消费数据的消费数据获取单元，和用于获取当前用户的用户画像的用户画像获取单元；

其中，所述用户画像获取单元，具体用于：

获取当前用户的行为数据；其中，所述行为数据为所述当前用户在目标平台上的操作行为所产生的数据；

根据所述行为数据，确定所述当前用户的特征标签；其中，所述特征标签用于表征所述当前用户的特征信息；

根据所述特征标签，生成所述当前用户的用户画像。

采用本发明实施例的技术手段，将用户的行为数据，例如消费行为、商品操作行为等数据用于构建用户画像，能够从用户的消费行为层面更加准确地揭示用户本质特征，从而生成更加具体化的用户画像，最终能够向用户推荐更符合用户个性化的商品或服务信息。

作为优选的实施方式，所述用户价值类型获得模块44，具体用于：

基于预设的每一数据类型的消费数据的价值度的计算策略，计算所述消费数据的每一数据类型的数据价值度；

根据所述消费数据的每一数据类型的数据价值度和价值分析修正系数，计算所述消费数据的每一数据类型的价值等级；

根据预设的价值等级与用户价值类型的映射关系，得到所述当前用户的用户价值类型。

具体地，所述用户价值类型可以划分为：一般挽留玩家、一般发展玩家、一般保持玩家、一般价值玩家、重要挽留玩家、重要发展玩家、重要保持玩家、重要价值玩家。

通过预设的每一数据类型的消费数据的价值度计算策略，对用户的消费数据，包括在预定时间段内的消费频次、最近一次消费时间间隔以及消费金额，进行相应的价值度分析，为每一数据类型进行价值度打分，从而得到每一数据类型的数据价值度，用来明确玩家的价值、忠诚度以及玩家付费活跃情况。在计算当前用户的所述消费数据的每一数据类型的数据价值度之后，根据每一数据类型分配得到的价值分析修正系数，得到每一数据类型的价值得分。根据当前用户的消费频次的价值得分、最近一次消费时间间隔的价值得分以及消费金额的价值得分，确定每一数据类型对应的价值等级，并基于预设的价值等级与用户价值类型的映射关系，确定用户价值类型。

采用本发明实施例的技术手段，通过预设的价值度计算策略，对每一数据类型的消费数据进行价值度分析，得到所述消费数据的每一数据类型的数据价值度，能够比较动态地层示用户的全部价值体现，能提高对不同数据类型的消费数据的价值度分析的准确性。进而，根据所述消费数据的每一数据类型的价值分析修正系数对对应的数据价值度进行修正，并分析得到所述当前用户的用户价值类型。根据所述用户价值类型向所述当前用户推荐对应的目标信息，以使向用户推荐的目标信息能够真正反映用户实际想要的商品或服务等信息内容，提高信息推荐的准确率，从而有效提高用户的使用体验。

需要说明的是，本发明实施例提供的一种基于用户价值分类的信息推荐装置用于执行上述实施例的一种基于用户价值分类的信息推荐方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。

参见图5，是本发明实施例提供的一种基于用户价值分类的信息推荐设备的结构示意图。本发明实施例提供了一种基于用户价值分类的信息推荐设备50，包括处理器51、存储器52以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例所述的基于用户价值分类的信息推荐方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的基于用户价值分类的信息推荐方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。