[发明专利]拥车状态识别方法及装置

说明书

技术领域

本发明涉及互联网技术领域，具体而言，本发明涉及一种拥车状态识别方法及一种拥车状态识别装置。

背景技术

目前用户行为数据非常庞大，并且这些数据仍以每天上亿条的速度持增加状态。为了实现精细化的运营目标并提高运营效率，需要根据用户的行为特性，针对用户拥车状态或用户购车阶段进行识别确定。

在现有技术中，基于海量的数据分析确定车辆拥有情况或者用户购车过程中的具体阶段信息主要根据人为主观设定的规则进行用户拥车状态或者用户购车状态的判断。上述方法存在的问题有三个：首先，人为主观设定的规则不具有客观性且具有片面性；其次，人为主观设定的规则时，能够考虑影响判断用户拥车状态或者用户购车阶段的因素较为浅显，缺乏发现潜在的对影响判断用户拥车状态或者用户购车阶段重要因素的能力，从而导致确定的用户拥车状态或用户购车阶段与实际不符，准确性较低；最后，人为主观设定规则需要耗费较高的人力及时间成本，导致确定过程效率较低。

因此，有效地通过客观的分析判断来确定用户拥车状态或用户购车阶段是亟待解决的问题。

发明内容

为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：

本发明的一个实施例提出了一种拥车状态识别方法，包括：

对预存的用户行为数据进行分析处理，以生成模型特征向量；

基于所述模型特征向量训练拥车状态识别模型；

将用户待识别数据输入所述拥车状态识别模型，根据拥车状态识别模型输出结果确定用户所属拥车状态。

优选地，所述用户行为数据包括以下任一项或多项：

用户输入数据；

网页历史访问数据。

优选地，对预存的用户行为数据进行分析处理，以生成模型特征向量，包括：

对预存的用户行为数据进行分类操作，以确定所述用户行为数据的归属分类类别；

根据预设过滤规则对所述分类类别进行筛选合并操作，以删除冗余分类类别及合并相关的分类类别；

基于筛选合并后的分类类别对应的用户行为数据，生成模型特征向量。

优选地，基于筛选合并后的分类类别对应的用户行为数据，生成模型特征向量，包括：

按照预定计算规则对各个筛选合并后的分类类别进行重要度和区分度的计算，以确定各个筛选合并后的分类类别的重要度和区分度；

提取重要度大于第一设定阈值且区分度大于第二设定阈值的分类类别对应的用户行为数据，并生成相应的模型特征向量。

优选地，基于所述模型特征向量训练拥车状态识别模型，包括：

基于所述模型特征向量通过GBDT算法训练所述拥车状态识别模型。

优选地，将用户待识别数据输入所述拥车状态识别模型，包括：

基于用户待识别数据生成相应的拥车待识别特征向量，并将所述拥车待识别特征向量输入所述拥车状态识别模型。

可选地，当确定用户所属拥车状态为未拥车状态，所述方法还包括：

将所述用户待识别数据输入预先训练的购车阶段识别模型，根据购车阶段识别模型输出结果确定用户所属购车阶段。

优选地，所述预先训练的购车阶段识别模型基于以下方法得到：

基于所述模型特征向量训练购车阶段识别模型。

优选地，基于所述模型特征向量训练购车阶段识别模型，包括：

依据用户行为数据的预设标签从所有模型特征向量中提取与未拥车标签相应的模型特征向量，并将与未拥车标签相应的模型特征向量作为购车特征向量。

优选地，基于所述模型特征向量训练购车阶段识别模型，包括：

基于所述购车特征向量通过k-means算法训练所述购车阶段识别模型。

优选地，所述用户所属购车阶段包括以下任一项或多项：

兴趣阶段；

意向阶段；

购买阶段。

本发明的另一实施例提出了一种拥车状态识别装置，包括：

生成模块，用于对预存的用户行为数据进行分析处理，以生成模型特征向量；

训练模块，用于基于所述模型特征向量训练拥车状态识别模型；

第一确定模块，用于将用户待识别数据输入所述拥车状态识别模型，根据拥车状态识别模型输出结果确定用户所属拥车状态。

优选地，所述用户行为数据包括以下任一项或多项：

用户输入数据；

网页历史访问数据。

优选地，所述生成模块包括：