基于知识图谱的营销业务量化管控与分析模型制造技术

本发明专利技术公开了基于知识图谱的营销业务量化管控与分析模型，涉及营销业务量化管控与分析模型技术领域，包括包括数据获取单元，图数据库单元，客户信息可视化单元、业务信息可视化单元和推荐方案单元，所述数据获取单元用于获取客户、产品和客户与产品之间的交互数据，且将这些数据发送至图数据库单元，所述图数据库单元用于构建营销业务模型，所述推荐方案单元接收图数据库单元传来的数据，且通过推荐算法向客户推荐其感兴趣的产品，本发明专利技术对推荐当前主流的推荐算法进行优化，使其对新注册的客户也能实现精准给新客户推荐所感兴趣的、喜欢的产品，对于新入库的产品也能根据产品的特质实现精准推荐给它的受众。实现精准推荐给它的受众。实现精准推荐给它的受众。

【技术实现步骤摘要】
基于知识图谱的营销业务量化管控与分析模型


[0001]本专利技术涉及营销业务量化管控与分析模型
，具体为基于知识图谱的营销业务量化管控与分析模型。

技术介绍

[0002]随着网络技术的发展，传统的营销方式早已不适用于当前的新媒体时代，企业已向互联网营销转型，而互联网的营销投放一开始采用的是泛化投放，即采用传统的广告投放方式，此方式投资巨大，收效甚微，后来进入大数据时代则开始向个性化营销进行转变，同时互联网和大数据技术的发展，客户对企业的影响力也日益凸显，精准挖掘受众客户，并根据其定制营销推荐方案也是提高营销率的重要手段，知识图谱作为描述客观世界中实体及其关系的一种信息组织形式，能够有效地增强信息数据的语义信息，进而生成更精准的个性化推荐结果；
[0003]但是随着大数据时代的发展，图书领域互联网推荐的应用场景越来越复杂，传统的推荐算法通常会面临缺少新项目信息时，对于新注册的客户很难抓获客户的兴趣偏好，和抓获新入库的产品的特质，也就无法精准给新客户推荐产品，也无法将新入库的产品推荐给它的受众，导致这一部分新客户无法及时被企业产品吸引，和新入库的产品无法及时被推广给其受众客户，同时当前主流的推荐算法仍然局限于从客户和产品历史交互数据中挖掘客户兴趣，缺乏与知识图谱的有效结合与应用，难以发现客户更多潜在的兴趣和偏好，无法牢牢把握住客户的兴趣爱好，造成企业的客户流失。

技术实现思路

[0004]本专利技术的目的在于提供基于知识图谱的营销业务量化管控与分析模型，以解决上述
技术介绍
中提出的问题。/>[0005]为实现上述目的，本专利技术提供如下技术方案：基于知识图谱的营销业务量化管控与分析模型，包括数据获取单元，图数据库单元，客户信息可视化单元、业务信息可视化单元和推荐方案单元：
[0006]所述数据获取单元用于获取与客户数据、产品属性数据和客户与产品之间浏览、点击、购买、播放、评分的交互数据，所述数据获取单元的发射端与图数据库单元的接收端电性连接，且将获取到的客户数据、产品属性数据和客户与产品之间浏览、点击、购买、播放、评分的交互数据发送至图数据库单元；
[0007]所述图数据库单元用于接收数据获取单元传来的数据，且根据这些数据通过知识图谱构建营销业务模型，所述图数据单元的发射端与推荐方案单元的接收端点相连接，且将客户、产品属性以及客户与产品之间浏览、点击、购买、播放、评分的交互数据传送至推荐方案单元；
[0008]所述推荐方案单元接收图数据库单元传来的数据，且通过推荐算法计算出客户感兴趣的产品并向客户推荐其感兴趣的产品，推荐算法模型主要包括嵌入层、多头自注意力
层和前馈层，嵌入层针对待预测的不同客户、物品对输入，在知识图谱中检索并抽取对应的领域三元组，并初始化所有实体和关系的嵌入表征，多头自注意力层是以初始化的嵌入表征为输入，分别计算多头自注意力领域信息整合特征表示，拼接得到客户或产品该层的领域信息特征向量输出，前馈网络层以多头自注意力层的输出为输入，并提取客户或产品整合邻域的高阶信息特征表示，其计算公式如下：
[0009]X
FFN
＝FFN(X)＝Relu(XW0+b0)W1+b1[0010]其中，W0W1表示前馈网络层的权重，b0b1表示前馈网络层的偏置顶，Relu()表示非线性激活函数。
[0011]将客户和产品的初始嵌入拼接对应的邻域信息特征向量，分别作为客户侧和产品侧的输入，经过双深度神经网络实现隐语义特征向量的提取，其提取算法如下：
[0012][0013][0014]其中，E
u
，E
i
分别表示客户和产品的初始化向量，表示客户和产品对应邻域信息特征向量，E
′
N
，E
′
i
分别表示客户侧和物品侧的隐语义特征向量输出。
[0015]在得到客户和产品的隐语义特征向量后，通过相似度判定公式判断客户对产品的感兴趣程度，如果相似度越大，则客户对该产品的感兴趣程度越高，相似度判定公式如下：
[0016][0017]其中，E
′
N
，E
′
i
分别表示客户侧和物品侧的隐语义特征向量，γ表示缩放参数。
[0018]在使用推荐算法模型计算出客户对产品的感兴趣程度后，需要在这些客户感兴趣的产品中，按照客户喜爱程度排序并筛选推荐给客户，通过推荐预测算法计算推荐概率预测，概率越大则越容易推荐给客户，推荐预测算法如下：
[0019]e
input
＝Concat(e
linear
,e
wide
,e
deep
,e
u
)
[0020][0021]其中，e
linear
，e
wide
，e
deep
，e
u
分别表示线性单元、广度维度、深度维度和客户的特征向量，sigmoid表示非线性函数，W
output
表示全连接层的权重矩阵。
[0022]优选的，所述图数据库单元的发射端与客户信息可视化单元的接收端电性连接，所述图数据库单元与外部的电脑终端电性连接，所述客户信息可视化单元用于接收图数据库单元传来的数据，且用于将客户的资料和信用的信息以图表的方式展示在电脑终端上。
[0023]优选的，所述图数据单元的发射端与业务信息可视化单元的接收端电性连接，所述业务信息可视化单元用于接收图数据库单元传来的数据，且用于将业务的销售量和客户好评与差评的信息以图表的方式展示在电脑终端上。
[0024]优选的，所述图数据库单元还包括数据存储模块，所述数据存储模块用于将数据获取单元中传来的数据按照产品属性数据、客户数据和客户与产品之间浏览、点击、购买、播放、评分的交互数据分类存储至存储至数据存储模块中。
[0025]优选的，所述图数据单元还包括模型构建模块，所述模型构建模块用于通过知识
图谱构建营销业务量化的模型，且为推荐方案单元提供推荐算法需要的客户数据、产品属性数据以及客户与产品之间浏览、点击、购买、播放、评分的交互数据，营销业务模型以客户、产品作为知识图谱的实体节点，以客户和产品之间的交互关系作为知识图谱的关系边，构造“客户
‑
交互
‑
产品”三元组，例如“客户
‑
浏览
‑
产品”，其中交互关系为一种抽象的概念，表示客户有过交互的某种属性，蕴含着用户某种潜在的兴趣可能。
[0026]优选的，所述客户信息可视化单元还包括客户信用模块，所述客户信用模块用于将客户是否恶意购买退货和线下借阅图书后，未按时归还的信息数据以图表的方式展示在电脑终端上。
[0027]优选的，所述客户信息可视化单元还包括客户资料模块，所述客户资料模块用于将客户的基本资料、喜好和客户价值度以图表的方式展示在电脑终端上。
[0028]优选的，所述业务信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识图谱的营销业务量化管控与分析模型，其特征在于，包括数据获取单元(1)，图数据库单元(2)，客户信息可视化单元(3)、业务信息可视化单元(4)和推荐方案单元(5)：所述数据获取单元(1)用于获取与客户数据、产品属性数据和客户与产品之间浏览、点击、购买、播放、评分的交互数据，所述数据获取单元(1)的发射端与图数据库单元(2)的接收端电性连接，且将获取到的客户数据、产品属性数据和客户与产品之间浏览、点击、购买、播放、评分的交互数据发送至图数据库单元(2)；所述图数据库单元(2)用于接收数据获取单元(1)传来的数据，且根据这些数据通过知识图谱构建营销业务模型，所述图数据库单元(2)的发射端与推荐方案单元(5)的接收端点相连接，且将客户、产品属性以及客户与产品之间浏览、点击、购买、播放、评分的交互数据传送至推荐方案单元(5)；所述推荐方案单元(5)接收图数据库单元(2)传来的数据，且通过推荐算法计算出客户感兴趣的产品并向客户推荐其感兴趣的产品。2.根据权利要求1所述的基于知识图谱的营销业务量化管控与分析模型，其特征在于：所述图数据库单元(2)的发射端与客户信息可视化单元(3)的接收端电性连接，所述图数据库单元(2)与外部的电脑终端电性连接，所述客户信息可视化单元(3)用于接收图数据库单元(2)传来的数据，且用于将客户的资料和信用的信息以图表的方式展示在电脑终端上。3.根据权利要求2所述的基于知识图谱的营销业务量化管控与分析模型，其特征在于：所述图数据库单元(2)的发射端与业务信息可视化单元(4)的接收端电性连接，所述业务信息可视化单元(4)用于接收图数据库单元(2)传来的数据，且用于将业务的销售量和客户好评与差评的信息以图表的方式展示在电脑终端上。4.根据权利要求1所述的基于知识图谱的营...

【专利技术属性】
技术研发人员：张希翔，蒙琦，杨钧，何艺，谢菁，陶镇威，陈冬良，张丽媛，曾虎双，卢健斌，杨婵，刘凯杰，古哲德，汪峰，覃鑫，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：