[发明专利]忠诚度聚类的方法和装置

权利要求书

1.一种忠诚度聚类的方法，其特征在于，包括：

获取样本，将所述样本分类为不同用户特征；

利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；

根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

2.根据权利要求1所述的方法，其特征在于，利用Kmeans聚类模型选择计算忠诚度所需的特征包括：

随机选择用户特征和样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的组内误差平方和；

重复不小于100次上述步骤；

选择最小的组内误差平方和所对应的用户特征作为计算忠诚度所需的特征。

3.根据权利要求2所述的方法，其特征在于，随机选择用户特征和样本包括：

随机选择m个用户特征，随机选择s个样本；其中，

m不大于用户特征的总数，s不小于样本数量的0.5％且不大于样本数量的1.5％。

4.根据权利要求1所述的方法，其特征在于，将所述样本分类为不同用户特征包括：

定义忠诚度的类型，构建用户特征集合。

5.根据权利要求4所述的方法，其特征在于，所述忠诚度的类型包括：

高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

6.根据权利要求4所述的方法，其特征在于，所述用户特征集合至少包括以下一种：

购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。

7.一种忠诚度聚类的装置，其特征在于，包括：

指标特征模块，用于获取样本，将所述样本分类为不同用户特征；

随机Kmeans模型模块，利用Kmeans聚类模型选择计算忠诚度所需的特征，根据所述特征利用Kmeans聚类模型获得忠诚度的聚类中心点；

输出模块，根据所述忠诚度的聚类中心点对用户的忠诚度进行聚类。

8.根据权利要求7所述的装置，其特征在于，随机Kmeans模型模块还用于：

随机选择用户特征和样本，根据随机选择的用户特征和样本构建Kmeans聚类模型，计算根据随机选择的用户特征和样本构建的Kmeans聚类模型的组内误差平方和；

重复不小于100次上述步骤；

选择最小的组内误差平方和所对应的用户特征作为计算忠诚度所需的特征。

9.根据权利要求8所述的装置，其特征在于，随机Kmeans模型模块还用于：

随机选择m个用户特征，随机选择s个样本；其中，

m不大于用户特征的总数，s不小于样本数量的0.5％且不大于样本数量的1.5％。

10.根据权利要求7所述的装置，其特征在于，指标特征模块还用于：

定义忠诚度的类型，构建用户特征集合。

11.根据权利要求10所述的装置，其特征在于，所述忠诚度的类型包括：

高度-忠诚型、中度-忠诚型、近期-普通型、远期-普通型、近期-偶然型、近期-投机型、远期-偶然型、远期-投机型。

12.根据权利要求10所述的装置，其特征在于，所述用户特征集合至少包括以下一种：

购物天数、优惠率、末单距今天数、SKU、三级品类数、父单量、加购SKU数、浏览时长、浏览SKU数、浏览三级品类数。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。