[发明专利]构建用户画像标签的方法、系统及终端设备

说明书

本公开涉及用户画像领域，提供一种构建用户画像标签的方法、系统及终端设备。构建用户画像标签的方法包括：配置用户指标量，其中用户指标量是用于定义画像标签的用户行为特征统计量；配置产生画像标签值的业务规则，根据用户指标量的值，基于业务规则产生画像标签值；以及生成画像标签。本公开构建画像标签不需要任何学习样本数据，画像标签的设计生产也不需要技术人员参与编程开发，实现周期短、成本低、有效降低了画像标签设计生产的技术门槛。

技术领域

本公开涉及用户画像领域，具体涉及一种构建用户画像标签的方法、系统及终端设备。

背景技术

用户画像(user profile)是真实用户的虚拟代表,是建立在一系列真实数据(Marketing data,Usability data)之上的目标用户模型。通过用户调研去了解用户,根据他们的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述,就形成了一个人物原型。或者说，用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。

构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。用户画像标签是用来描述用户个体的人口属性、社会属性、消费特征、业务价值、人生阶段等方面的维度数据，如性别、年龄、所在城市、品牌偏好、母婴用户等。这些画像标签被越来越多的企业应用于理解细分市场、产品设计及精准营销等业务领域提供量化决策支持。尤其是在精准营销投放领域，画像标签质量直接决定了目标定向人群的投放精准性，对提升广告点击率、转化率和销售收入有重要影响。

用户画像标签和业务需求密切相关，不同行业、不同品牌、不同用户、不同应用场景对标签的需求都不太一样。如何能灵活设计并及时生成出用户画像标签，是企业进行用户画像管理的重要技术课题。

当前构建用户画像标签的主要方法是基于机器学习的模型预测，研发工程师通过收集处理大量的用户行为日志数据，并训练合适的机器学习模型，用来对用户的未知标签进行预测。

现有技术主要的缺点是：

1、训练机器学习需要收集和标注足够的训练样本数据，成本高；

2、标签构建周期长、不能灵活快速地满足业务人员的标签需求；设计和训练机器学习模型需要高素质的数据研发人才，模型参数调试严重依赖个人经验，人才比较稀缺，技术开发门槛高；

3、训练机器学习模型预测出来的标签结果较难解释，营销业务人员对画像标签值理解困难、接受度较低。

因此，需要一种新的构建用户画像标签的方法。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开公开一种构建用户画像标签的方法、系统及终端设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，公开一种构建用户画像标签的方法，包括：

配置用户指标量，其中用户指标量是用于定义画像标签的用户行为特征统计量；

配置产生画像标签值的业务规则，根据用户指标量的值，基于业务规则产生画像标签值；以及

生成画像标签。

根据本公开的一示例实施方式，其中配置用户指标量包括：

确定计算用户指标量所需的源数据和计算方法；以及

确定画像标签所需要的数据维度。