一種用戶行為信息的分析方法和裝置的制造方法
【技術領域】
[0001] 本申請涉及互聯網技術領域，尤其涉及一種用戶行為信息的分析方法和裝置。
【背景技術】
[0002] 隨著互聯網的發(fā)展，常常需要對用戶的行為信息進行分析，以便預測用戶未來的 行為，進而基于預測結果確定互聯網信息的分發(fā)策略或處理策略。
[0003]目前，通常通過建立模型的方式進行用戶行為的分析，具體地，首先從歷史數據中 采集樣本，基于采集的樣本建立預測模型，然后根據預測模型中的預測系數，比如概率系 數、支持度系數或關系權重系數等，來預測用戶潛在的行為。
[0004] 比如，在電子商務領域，當基于產品間的關聯規(guī)則來建立預測模型，對用戶的消費 行為信息進行分析，以便預測用戶未來的消費行為時，需要先從歷史數據中采集一定數量 的樣本，統(tǒng)計這些樣本中同一時段內被同時購買的商品類目、數量，根據統(tǒng)計結果計算各個 商品類目之間的關系權重系數，然后基于得到的關系權重系數建立預測模型，所述預測模 型根據用戶最新消費的產品和該產品與其他產品間的關系權重系數來預測用戶的潛在消 費行為，比如，如果鋼筆和鋼筆水的關系權重系數較高，用戶當前購買了鋼筆，則可以預測 用戶未來可能購買鋼筆水。
[0005] 可見，當通過建立模型來分析用戶行為時，由于所述模型是基于一定的規(guī)則建立 的，比如基于產品間的關聯規(guī)則建立模型，建立模型所基于的規(guī)則不一定能全面覆蓋所有 用戶的消費行為，因此建立的模型存在一定的片面性和隨機性，不能保證適用于所有的用 戶，確定用戶潛在消費行為的準確率較低。
[0006] 而且，從時間維度考慮，一旦模型建立完成以后，除非重新選擇樣本并重新建立模 型，否則模型中的預測系數是固定不變的，因此不能夠適應變化的消費習慣、消費趨勢等最 新的消費行為信息，導致確定用戶潛在消費行為的準確率下降。

【發(fā)明內容】

[0007] 有鑒于此，本發(fā)明提供了一種用戶行為信息的分析方法和裝置，能夠提高確定用 戶潛在消費行為的準確率。
[0008] 本發(fā)明的技術方案是這樣實現的：
[0009] -種用戶行為信息的分析方法，該方法包括：
[0010] 根據用戶的登錄信息，提取預設屬性的屬性值，其中，所述預設屬性包括所述用戶 的屬性和所述用戶上次購買的商品所屬的商品類目；
[0011] 根據提取的各個預設屬性的屬性值確定組合屬性關鍵詞KEY，查詢數據庫，得到所 述組合屬性KEY對應的取值Value，其中，所述組合屬性KEY對應的取值Value包括各個商 品類目的歷史購買次數；
[0012] 根據所述組合屬性KEY對應的取值Value中各個商品類目的歷史購買次數，將歷 史購買次數最多的前N個商品類目確定為所述用戶的潛在消費對象。
[0013] -種用戶行為信息的分析裝置，該裝置包括提取模塊、查詢模塊、確定模塊；
[0014] 所述提取模塊，用于根據用戶的登錄信息，提取預設屬性的屬性值，其中，所述預 設屬性包括所述用戶的屬性和所述用戶上次購買的商品所屬的商品類目；
[0015] 所述查詢模塊，用于根據提取的各個預設屬性的屬性值確定組合屬性關鍵詞KEY， 查詢數據庫，得到所述組合屬性KEY對應的取值Value，其中，所述組合屬性KEY對應的取值 Value包括各個商品類目的歷史購買次數；
[0016] 所述確定模塊，用于根據所述組合屬性KEY對應的取值Value中各個商品類目的 歷史購買次數，將歷史購買次數最多的前N個商品類目確定為所述用戶潛在的消費對象。
[0017] 由上述技術方案可見，本發(fā)明實施例中，根據用戶的登錄信息，提取預設屬性的屬 性值，根據提取的各個預設屬性的屬性值確定組合屬性關鍵詞KEY，查詢數據庫，得到所述 組合屬性KEY對應的取值Value，根據所述組合屬性KEY對應的取值Value中各個商品類 目的歷史購買次數，將歷史購買次數最多的前N個商品類目確定為所述用戶的潛在消費對 象。
[0018] 由于本發(fā)明實施例基于數據庫來確定用戶的潛在消費對象，并且所述數據庫基 于組合屬性關鍵詞KEY來存儲各個商品類目的歷史購買次數，其中，所述預設屬性包括所 述用戶的屬性和所述用戶上次購買的商品所屬的商品類目，因此，針對屬性值不同的各個 用戶，即便其上次購買的商品所屬的商品類目相同，由于由用戶屬性值和上次購買的商品 所屬的商品類目所組成的組合屬性關鍵詞KEY的值不同，因此在數據庫中將對應不同的 Value值，相當于針對不同屬性的用戶的行為信息分別進行分析，因此能夠保證確定出的用 戶潛在消費對象能夠符合該用戶自身的特點。
[0019] 可見，本發(fā)明實施例提供的基于包含用戶屬性的組合屬性關鍵詞KEY來建立數據 庫、并基于該數據庫確定用戶潛在消費對象的方法，能夠全面覆蓋所有用戶的消費行為，因 此不存在片面性和隨機性，適用于所有的用戶，確定用戶潛在消費行為的準確率較高。
【附圖說明】
[0020] 圖1是本發(fā)明實施例提供的用戶行為信息的分析方法流程圖。
[0021] 圖2是本發(fā)明實施例提供的用于圖1所示用戶行為分析方法的數據更新流程圖。
[0022] 圖3是本發(fā)明實施例提供的基于示例性的數據庫確定用戶潛在行為信息的流程 圖。
[0023] 圖4是本發(fā)明實施例提供的基于用戶實時的訂單信息更新示例性的數據庫的流 程圖。
[0024]圖5是本發(fā)明實施例提供的用戶行為信息的分析裝置結構示意圖。
【具體實施方式】
[0025] 圖1是本發(fā)明實施例提供的用戶行為信息的分析方法流程圖。
[0026] 如圖1所示，該流程包括：
[0027] 步驟101，根據用戶的登錄信息，提取預設屬性的屬性值，其中，所述預設屬性包括 所述用戶的屬性和所述用戶上次購買的商品所屬的商品類目。
[0028] 步驟102,根據提取的各個預設屬性的屬性值確定組合屬性關鍵詞KEY，查詢數據 庫，得到所述組合屬性KEY對應的取值Value，其中，所述組合屬性KEY對應的取值Value包 括各個商品類目的歷史購買次數。
[0029] 步驟103,根據所述組合屬性KEY對應的取值Value中各個商品類目的歷史購買次 數，將歷史購買次數最多的前N個商品類目確定為所述用戶的潛在消費對象。
[0030] 可見，圖1所示的方法基于包含用戶屬性的組合屬性關鍵詞KEY來建立數據庫，所 述數據庫基于組合屬性關鍵詞KEY來存儲各個商品類目的歷史購買次數，其中，所述預設 屬性包括所述用戶的屬性和所述用戶上次購買的商品所屬的商品類目，因此，針對屬性值 不同的各個用戶，即便其上次購買的商品所屬的商品類目相同，由于由用戶屬性值和上次 購買的商品所屬的商品類目所組成的組合屬性關鍵詞KEY的值不同，因此在數據庫中將對 應不同的Value值，相當于針對不同屬性的用戶的行為信息分別進行分析，因此，當基于該 數據庫確定用戶潛在消費對象時，能夠保證確定出的用戶潛在消費對象能夠符合該用戶自 身的特點，因此圖1提供的用戶行為分析方法能夠全面覆蓋所有用戶的消費行為，不存在 片面性和隨機性，適用于所有的用戶，確定用戶潛在消費行為的準確率較高。
[0031] 圖2是本發(fā)明實施例提供的用于圖1所示用戶行為分析方法的數據更新流程圖。
[0032] 如圖2所示，該流程包括：
[0033] 步驟201，根據用戶的登錄信息，提取預設屬性的屬性值，其中，所述預設屬性包括 所述用戶的屬性和所述用戶上次購買的商品所屬的商品類目。
[0034] 步驟202,根據提取的各個預設屬性的屬性值確定所述用戶對應的組合屬性關鍵 詞 KEY。
[0035] 步驟203,當用戶產生訂單時，接收所述用戶的訂單信