一种基于大数据的电商复购行为的用户画像系统

1.本发明属于数据处理与分析技术领域，尤其涉及一种基于大数据的电商复购行为的用户画像系统。


背景技术：

2.目前，用户画像又称为用户角色(persona)，即用户信息标签化，是一种勾画目标用户、联系用户诉求和设计方向的有效方式，其目标是在很多的维度上建立针对用户的描述性标签属性。它是通过收集与分析用户基本属性、社会属性、生活习惯、消费行为等信息的数据，抽象出一个用户全貌来挖掘用户需求和分析用户偏好，支撑个性化推荐、自动化营销等大数据应用的基本方式。举例来说，在产品开发时，可以分析用户画像，对产品进行定位与规划；在产品推广时，可以分析用户画像，挖掘潜在客户群体，进行有针对性的产品推荐。
3.目前的电商行业用户画像的方法数据来源单一，且画像结果不准确不全面；没有针对复购行为进行画像。
4.通过上述分析，现有技术存在的问题及缺陷为：目前的电商行业用户画像的方法数据来源单一，且画像结果不准确不全面；没有针对复购行为进行画像。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种基于大数据的电商复购行为的用户画像系统。
6.本发明是这样实现的，一种基于大数据的电商复购行为的用户画像系统，所述基于大数据的电商复购行为的用户画像系统包括：
7.数据采集模块，与中央控制模块连接，用于获取用户在预设时间段内的购买记录数据以及其他交互数据；
8.特征提取模块，与中央控制模块连接，用于提取采集用户的购买商品的特征、行为特征以及其他特征；
9.聚类分析模块，与中央控制模块连接，用于基于特征提取结果进行聚类分析；
10.画像优化模块，与中央控制模块连接，用于基于特征提取结果以及聚类分析结果对构建的初始用户画像进行优化，得到优化后的用户画像；
11.显示模块，与中央控制模块连接，用于对采集、处理、分析的数据以及优化后的用户画像进行显示。
12.进一步，所述基于大数据的电商复购行为的用户画像系统还包括：
13.数据预处理模块，与中央控制模块连接，用于对采集的用户购买记录数据进行预处理；
14.中央控制模块，与数据采集模块、数据预处理模块、数据分类统计模块、数据分析模块、特征提取模块、聚类分析模块、画像构建模块、画像优化模块以及显示模块连接，用于
利用单片机或控制器控制各个模块正常工作；
15.数据分类统计模块，与中央控制模块连接，用于对预处理后的数据按照用户、商品类别、频率以及其他主题词进行分类与统计；同时用于确定不同商品的关联情况；
16.数据分析模块，与中央控制模块连接，用于基于用户的分类统计结果分析用户的单个订单的金额、购买次数、重复购买的商品类型、参与促销活动情况及其他数据；
17.画像构建模块，与中央控制模块连接，用于构建初始用户画像。
18.进一步，所述交互数据包括：用户的浏览、收藏、点击、添加购物车以及其他数据。
19.进一步，所述特征提取模块包括：
20.行为特征提取单元，用于基于用户的交互数据进行用户的浏览、收藏以及其他行为特征的提取；
21.心理特征提取单元，用于通过分析数据分类统计结果以及分析结果确定用户对促销活动的敏感度；
22.偏好特征提取单元，用于基于分析数据分类统计结果以及分析结果确定用户的兴趣爱好特征、商品偏好特征以及品牌偏好特征。
23.进一步，所述数据预处理模块对采集的用户购买记录数据进行预处理包括：
24.首先，将采集的用户的购买记录以及交互数据根据预设的清洗规则进行清洗，得到清洗后的数据；
25.其次，确定清洗后的数据是否存在无效字段，并过滤去除无效字段；并确定采集的用户购买记录数据中所需要的各个字段；
26.最后，基于确定的各个字段判断数据是否存在缺失，并进行缺失字段的填补；同时对填补好的数据进行归一化处理。
27.进一步，所述行为特征提取单元基于用户的交互数据进行用户的浏览、收藏以及其他行为特征的提取包括：
28.根据用户交互行为分类将采集的交互数据进行分类，得到浏览行为数据、收藏行为数据、点击行为数据以及其他行为数据；
29.确定不同行为数据中包含的用户行为指标，并生成各个行为数据的用户行为指标矩阵；
30.确定用户在各个指标的均值以及标准差，并建立对应的用户行为类别列表；并对各个行为数据的用户行为类别列表进行相似度计算，得到用户行为习惯矩阵；
31.基于所述用户行为习惯矩阵确定用户的行为特征。
32.进一步，所述生成各个行为数据的用户行为指标矩阵包括：
33.基于行为数据汇总包含的用户行为指标确定对应每一个行为数据的行为指标嵌入向量，得到由所述各个嵌入向量构成的初始向量序列；
34.利用矩阵模型处理所述初始向量序列，得到表征所述用户行为数据的用户行为指标矩阵。
35.本发明的另一目的在于提供一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现所述基于大数据的电商复购行为的用户画像系统。
36.本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用述基于大数据的电
商复购行为的用户画像系统。
37.本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所基于大数据的电商复购行为的用户画像系统。
38.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明不仅对用户的行为数据进行了获取，还获取了对应的交互数据，能够准确、全面的获取用户的行为偏好，同时基于对不同行为的全方面分析与特征提取，能够提供准确、全面的用户画像属性，对用户进行实时反馈，有助于平台进行人性化的数据挖掘、提高用户推荐应用的满意度和电商交易转化率。
附图说明
39.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
40.图1是本发明实施例提供的基于大数据的电商复购行为的用户画像系统结构示意图；
41.图中：1、数据采集模块；2、数据预处理模块；3、中央控制模块；4、数据分类统计模块；5、数据分析模块；6、特征提取模块；7、聚类分析模块；8、画像构建模块；9、画像优化模块；10、显示模块。
42.图2是本发明实施例提供的特征提取模块结构示意图；
43.图中：61、行为特征提取单元；62、心理特征提取单元；63、偏好特征提取单元。
44.图3是本发明实施例提供的数据预处理模块对采集的用户购买记录数据进行预处理的方法流程图。
45.图4是本发明实施例提供的行为特征提取单元基于用户的交互数据进行用户的浏览、收藏以及其他行为特征的提取的方法流程图。
46.图5是本发明实施例提供的生成各个行为数据的用户行为指标矩阵的方法流程图。
具体实施方式
47.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.针对现有技术存在的问题，本发明提供了一种基于大数据的电商复购行为的用户画像系统，下面结合附图对本发明作详细的描述。
49.如图1所示，本发明实施例提供的基于大数据的电商复购行为的用户画像系统包括：
50.数据采集模块1，与中央控制模块3连接，用于获取用户在预设时间段内的购买记录数据以及其他交互数据；
51.数据预处理模块2，与中央控制模块3连接，用于对采集的用户购买记录数据进行
预处理；
52.中央控制模块3，与数据采集模块1、数据预处理模块2、数据分类统计模块4、数据分析模块5、特征提取模块6、聚类分析模块7、画像构建模块8、画像优化模块9以及显示模块10连接，用于利用单片机或控制器控制各个模块正常工作；
53.数据分类统计模块4，与中央控制模块3连接，用于对预处理后的数据按照用户、商品类别、频率以及其他主题词进行分类与统计；同时用于确定不同商品的关联情况；
54.数据分析模块5，与中央控制模块3连接，用于基于用户的分类统计结果分析用户的单个订单的金额、购买次数、重复购买的商品类型、参与促销活动情况及其他数据；
55.特征提取模块6，与中央控制模块3连接，用于提取采集用户的购买商品的特征、行为特征以及其他特征；
56.聚类分析模块7，与中央控制模块3连接，用于基于特征提取结果进行聚类分析；
57.画像构建模块8，与中央控制模块3连接，用于构建初始用户画像；
58.画像优化模块9，与中央控制模块3连接，用于基于特征提取结果以及聚类分析结果对构建的初始用户画像进行优化，得到优化后的用户画像；
59.显示模块10，与中央控制模块3连接，用于对采集、处理、分析的数据以及优化后的用户画像进行显示。
60.本发明实施例提供的交互数据包括：用户的浏览、收藏、点击、添加购物车以及其他数据。
61.如图2所示，本发明实施例提供的特征提取模块6包括：
62.行为特征提取单元61，用于基于用户的交互数据进行用户的浏览、收藏以及其他行为特征的提取；
63.心理特征提取单元62，用于通过分析数据分类统计结果以及分析结果确定用户对促销活动的敏感度；
64.偏好特征提取单元63，用于基于分析数据分类统计结果以及分析结果确定用户的兴趣爱好特征、商品偏好特征以及品牌偏好特征。
65.如图3所示，本发明实施例提供的数据预处理模块对采集的用户购买记录数据进行预处理包括：
66.s101，将采集的用户的购买记录以及交互数据根据预设的清洗规则进行清洗，得到清洗后的数据；
67.s102，确定清洗后的数据是否存在无效字段，并过滤去除无效字段；并确定采集的用户购买记录数据中所需要的各个字段；
68.s103，基于确定的各个字段判断数据是否存在缺失，并进行缺失字段的填补；同时对填补好的数据进行归一化处理。
69.如图4所示，本发明实施例提供的行为特征提取单元基于用户的交互数据进行用户的浏览、收藏以及其他行为特征的提取包括：
70.s201，根据用户交互行为分类将采集的交互数据进行分类，得到浏览行为数据、收藏行为数据、点击行为数据以及其他行为数据；
71.s202，确定不同行为数据中包含的用户行为指标，并生成各个行为数据的用户行为指标矩阵；
72.s203，确定用户在各个指标的均值以及标准差，并建立对应的用户行为类别列表；并对各个行为数据的用户行为类别列表进行相似度计算，得到用户行为习惯矩阵；
73.s204，基于所述用户行为习惯矩阵确定用户的行为特征。
74.如图5所示，本发明实施例提供的生成各个行为数据的用户行为指标矩阵包括：
75.s301，基于行为数据汇总包含的用户行为指标确定对应每一个行为数据的行为指标嵌入向量，得到由所述各个嵌入向量构成的初始向量序列；
76.s302，利用矩阵模型处理所述初始向量序列，得到表征所述用户行为数据的用户行为指标矩阵。
77.以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。