用于用户分类的方法、信息处理装置及可读存储介质制造方法及图纸

本发明专利技术的实施例公开了用于用户分类的方法和信息处理装置。该方法包括：基于与注册用户相关联的上下文数据，提取注册用户中的未首投用户的特征信息，所述未首投用户的特征信息包括用户身份信息和用户行为信息；将所提取的未首投用户的特征信息输入到预测模型，以预测未首投用户中将在预定时间段内进行首投和不进行首投的用户，其中，所述预测模型是根据基于与历史注册用户相关联的上下文数据而提取的特征变量和目标变量来生成的，所述特征变量包括历史用户身份信息和历史用户行为信息，所述目标变量包括用于描述历史用户首投的信息。

【技术实现步骤摘要】
用于用户分类的方法、信息处理装置及可读存储介质
概括地说，本公开涉及数据处理领域，更具体地说，涉及用于用户分类的方法、信息处理装置及计算机可读存储介质。
技术介绍
随着网络服务的日益完善，传统上通过柜面、现场等提供投资服务的方式开始凸显出局限性，其不能满足投资者随时随地实现投资活动的需求，而通过网络提供投资服务的方式变得越来越流行，其原因很大程度上在于它解决了传统投资活动在时间、地域上的限制，实现随时随地轻松投资能够满足用户的投资需求。投资活动所涉及的投资对象通常是具有一定价值的可投资资产，例如其可以包括但不限于理财产品、股票、基金、保险、外汇、大宗商品、艺术收藏品、房地产、专利权、音乐版权等。在通过网络实现投资活动时，投资者需要在与提供投资服务的机构(例如，银行、互联网金融公司、证券公司、保险公司等投资机构)相关联的投资平台上注册(例如，直接注册或通过第三方登录接入注册或其它方式注册)，并且在注册成功后以注册用户的身份开展投资活动。由于网络带来的用户流动性增强，对于投资平台而言，在用户生命周期管理的各个阶段(用户引入、成长、成熟、衰退和流失)设法提升用户留存率和增加用户价值变得非常重要。传统上，一般基于业务和市场分析以提升用户留存率和转化率的方式，会从产品路径和用户习惯等层面出发，如对注册渠道进行拆分分析，砍掉转化率低的渠道，或对投资对象使用漏斗留存率分析，针对到付费阶段转化率低的投资对象层级进行改造，即，基于业务和浅显的数据分析做一个规则系统，并对用户分类进行运营管理。然而，从规则系统到用户运营系统，一般通过手动方式进行数据传输，而没有做到自动化。通过网络访问投资平台的用户数量可能非常庞大，从业务和运营的时效性考虑，使用传统方式来提升投资平台的用户留存率和注册转化率不论效率还是效果都不够理想。用户首次投资(以下简称“首投”)各个环节的体验对于用户是否重复投资(以下简称“复投”)产生了非常大的影响，因此确定首投目标用户和非首投目标用户继而针对性地进行运营管理，以提升首投转化率，对于提高用户的粘性从而提升用户留存率具有重要的意义。因此，亟需一种改进的方法来对用户进行分类。
技术实现思路
传统上基于业务和市场分析而建立的规则系统来进行用户分类和运营管理，这样做速度慢、效率低而且效果不理想，因此这样的解决方案并不能满足当前网络投资平台对业务和运营的时效性的要求。本专利技术针对以上问题，提出了用于用户分类的方法、信息处理装置和计算机可读存储介质。本公开的第一方面提供了一种用于用户分类的方法，包括：基于与注册用户相关联的上下文数据，提取所述注册用户中的未首投用户的特征信息，所述未首投用户的特征信息包括用户身份信息和用户行为信息；以及将所提取的所述未首投用户的特征信息输入到预测模型，以预测所述未首投用户中将在预定时间段内进行首投的用户和不进行首投的用户。本公开的第二方面提供了一种用于用户分类的信息处理装置，包括：存储器，其用于存储指令；以及处理器，其耦合到所述存储器，所述处理器被配置为基于所述指令来执行以下操作：基于与注册用户相关联的上下文数据，提取所述注册用户中的未首投用户的特征信息，所述未首投用户的特征信息包括用户身份信息和用户行为信息；以及将所提取的所述未首投用户的特征信息输入到预测模型，以预测所述未首投用户中将在预定时间段内进行首投的用户和不进行首投的用户。本公开的第三方面提供了一种其上存储有指令的计算机可读存储介质。所述指令在被执行时实现如上文所述的方法。不同于传统上用户(特别是网络投资平台用户)的生命周期管理，本专利技术充分考虑到行业业务和用户特点及运营的时效性，通过预测模型来预测多层面的目标用户，有助于对不同类别目标用户采取差异化的分层运营，以有效地提升注册用户的首投转化率，不需要人工干预且时间效率较高。附图说明结合附图并参考以下详细描述，本公开的各实施例的特征、优点及其它方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实施例，在附图中：图1示出用户与投资平台的示例性交互100的示意图；图2示出依据本专利技术实施例的用于用户分类的示例性方法200的流程图；图3示出依据本专利技术实施例的用于用户分类的示例性信息处理装置300的示意图；以及图4示出依据本专利技术的实施例的用于用户分类的方法的一个具体示例400。具体实施方式以下参考附图详细描述本公开的各个示例性实施例。虽然以下描述示例性方法、装置包括在其它组件当中硬件上执行的软件和/或固件，但应注意，这些示例仅仅是说明性的，不应看作限制。例如，考虑在硬件中独占地、在软件中独占地、或在硬件和软件的任何组合中可以实施任何或所有硬件、软件和固件组件。因此，虽然以下描述示例性方法和装置，但本领域技术人员应容易理解，提供的示例不仅仅是用于实现这些方法和装置方式。此外，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。本文使用词语“示例性”表示“充当示例、实例或举例说明”。本文中被描述为“示例性”的任何实施例都并非必然解释为对于其它实施例而言是优选的或有优势的。图1示出用户与投资平台的示例性交互100的示意图。图1包括多个用户102、多个用户设备104、网络108和服务器112。用户102通过用户设备104经由数据链路106接入网络108，并经由数据链路110访问服务器112上的投资平台以实现交互。在其它示例中，投资平台可以驻留在与服务器112类似的基础设施上。在其它示例中，用户设备104也可以通过数据链路106直接访问(图中未示出)服务器112。用户设备104可以是蜂窝电话、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、平板计算机、膝上型计算机、台式计算机或其它可实现与投资平台交互的任何设备等。数据链路106和110可以包括有线、无线或混合连接。例如，用户102可以使用用户设备104上的应用(例如，浏览器应用或为投资平台专门开发的应用等)来实现与投资平台的交互。用户从引入完成注册、使用应用、到未来可能参与投资等的每个过程中都可能产生数据，这些数据对解决业务需求可以产生价值，本文中将描述用户与投资平台之间的交互而产生的数据统称为上下文数据。例如，可以使用各种大数据架构(例如，Kafka、Flume、或其任意组合等)和/或其它数据结构来实现对注册用户的上下文数据的收集、传输和存储，其中，数据收集有些可以是在线(实时)的，有些可以是离线的。应当理解，图1中的用户、用户设备和服务器的数量、类型和架构只是说明性的，而不是限制性的。图2示出依据本专利技术实施例的用于用户分类的示例性方法200的流程图。如流程图所示，方法200包括以下步骤：步骤S201：基于与注册用户相关联的上下文数据，提取注册用户中的未首投用户的特征信息，未首投用户的特征信息包括用本文档来自技高网...

【技术保护点】
一种用于用户分类的方法，其特征在于，包括：基于与注册用户相关联的上下文数据，提取所述注册用户中的未首投用户的特征信息，其中，所述未首投用户的特征信息包括用户身份信息和用户行为信息；以及将所提取的所述未首投用户的特征信息输入到预测模型，以预测所述未首投用户中将在预定时间段内进行首投的用户和不进行首投的用户，其中，所述预测模型是根据基于与历史注册用户相关联的上下文数据而提取的特征变量和目标变量来生成的，其中，所述特征变量包括历史用户身份信息和历史用户行为信息，所述目标变量包括用于描述历史用户首投的信息。

【技术特征摘要】
1.一种用于用户分类的方法，其特征在于，包括：基于与注册用户相关联的上下文数据，提取所述注册用户中的未首投用户的特征信息，其中，所述未首投用户的特征信息包括用户身份信息和用户行为信息；以及将所提取的所述未首投用户的特征信息输入到预测模型，以预测所述未首投用户中将在预定时间段内进行首投的用户和不进行首投的用户，其中，所述预测模型是根据基于与历史注册用户相关联的上下文数据而提取的特征变量和目标变量来生成的，其中，所述特征变量包括历史用户身份信息和历史用户行为信息，所述目标变量包括用于描述历史用户首投的信息。2.根据权利要求1所述的方法，其特征在于，所述未首投用户包括未首投新增用户，并且所述预测模型包括第一分类模型，其中，将所提取的所述未首投用户的特征信息输入到预测模型，以预测所述未首投用户中将在预定时间段内进行首投的用户和不进行首投的用户包括：将所提取的所述未首投新增用户的特征信息输入到所述第一分类模型，以预测所述未首投新增用户中将在第一预定时间段内进行首投的第一目标用户和不进行首投的第二目标用户。3.根据权利要求2所述的方法，其特征在于，所述预测模型包括回归模型，所述方法还包括：将所提取的所述第一目标用户的特征信息输入到所述回归模型，以预测所述第一目标用户的首投金额范围。4.根据权利要求3所述的方法，其特征在于，所述回归模型包括GBDT模型。5.根据权利要求1所述的方法，其特征在于，所述未首投用户包括未首投存量用户，并且所述预测模型包括第二分类模型，其中，将所提取的所述未首投用户的特征信息输入到预测模型，以预测所述未首投用户中将在预定时间段内进行首投的用户和不进行首投的用户包括：将所提取的所述未首投存量用户的特征信息输入到所述第二分类模型，以预测所述未首投存量用户中将在第二预定时间段内进行首投的第三目标用户。6.根据权利要求1所述的方法，其特征在于，与所述历史注册用户相关联的上下文数据周期性地进行更新。7.一种用于用户分类的信息处理装置，其特征在于，包括：存储器，其用于存储指令；以及处理器，其耦合到所述存储器，所述处理器被配置为基于所述指令来执行以下操作：基...

【专利技术属性】
技术研发人员：朱志亮，刘利，
申请(专利权)人：上海点融信息科技有限责任公司，
类型：发明
国别省市：上海,31