本發(fā)明涉及電子商務(wù)領(lǐng)域中的信息推送領(lǐng)域，具體來(lái)說(shuō)，涉及一種個(gè)性化信息推送時(shí)間的確定方法及確定系統(tǒng)。

背景技術(shù)：

目前，很多網(wǎng)站在關(guān)于會(huì)員精準(zhǔn)營(yíng)銷(例如電子郵件營(yíng)銷EDM，短信息服務(wù)SMS，服務(wù)信息PUSH等渠道)發(fā)送周期和頻次方面，僅僅是根據(jù)經(jīng)驗(yàn)主觀判斷決定發(fā)送時(shí)間和發(fā)送周期。這一方面造成成本浪費(fèi)，另一方面在不恰當(dāng)?shù)臅r(shí)機(jī)推送信息，影響用戶體驗(yàn)，導(dǎo)致客戶流失。為了避免無(wú)節(jié)制的EDM，SMS和PUSH等狂轟濫炸式的、無(wú)規(guī)律的營(yíng)銷方式，如何選擇合適的時(shí)間，向用戶推送信息成為本領(lǐng)域的一個(gè)技術(shù)難題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種個(gè)性化信息推送時(shí)間的確定方法及確定系統(tǒng)，基于用戶行為反饋，選擇合適時(shí)間給用戶進(jìn)行信息推送，避免盲目推送信息，影響用戶體驗(yàn)。

為解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例根據(jù)如下的技術(shù)方案：

一方面，本實(shí)施例提供一種個(gè)性化信息推送時(shí)間的確定方法,該方法包括以下步驟：

S10采集用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，構(gòu)建特征向量；

S20根據(jù)S10構(gòu)建的特征向量，利用生存分析模型對(duì)用戶進(jìn)行分類；

S30對(duì)S20分類后的每一類用戶，分別確定信息推送時(shí)間。

作為一種實(shí)施例，所述的步驟S10中，根據(jù)用戶注冊(cè)時(shí)間和訪問(wèn)的歷史記錄，將用戶分為老用戶和新用戶。

作為一種實(shí)施例，所述的步驟S10中，用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄包括用戶在PC端、APP端以及WAP端的歷史行為記錄。

作為一種實(shí)施例，所述的步驟S20中，運(yùn)用生存分析模型對(duì)老用戶和新用戶分別進(jìn)行分類，首先利用式(1)測(cè)算用戶的特征值：

COX＝X₁*B₁+X₂*B₂+…+X_n*B_n 式(1)

式(1)中，COX表示用戶的特征值，X₁表示該用戶的第一個(gè)特征向量，B₁表示X₁的對(duì)應(yīng)系數(shù)，X₂表示該用戶的第二個(gè)特征向量，B₂表示X₂的對(duì)應(yīng)系數(shù)，X_n表示該用戶的第n個(gè)特征向量，B_n表示X_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)；

然后根據(jù)各用戶的特征值和事先設(shè)定的閾值，對(duì)老用戶和新用戶分別進(jìn)行分類。

作為一種實(shí)施例，所述的步驟S30，對(duì)于老用戶中每類用戶，利用邏輯回歸模型測(cè)算用戶未來(lái)W天最有可能回訪或者最有可能購(gòu)買的概率，然后按照事先設(shè)定的概率閾值，進(jìn)行比較后，選擇推送時(shí)間；對(duì)于新用戶中每類用戶，根據(jù)事先設(shè)定確定推送時(shí)間。

作為一種實(shí)施例，所述的邏輯回歸模型如式(2)所示，

P＝exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n)/(1+exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n))式(2)

式(2)中，P表示用戶最有可能回訪或者最有可能購(gòu)買的概率,A₀表示常數(shù)項(xiàng)，Y₁表示影響用戶購(gòu)買行為的第一因素，A₁表示Y₁的對(duì)應(yīng)系數(shù)，Y₂表示影響用戶購(gòu)買行為的第二因素，A₂表示Y₂的對(duì)應(yīng)系數(shù)，Y_n表示影響用戶購(gòu)買行為的第n因素，A_n表示Y_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)。

另一方面，本實(shí)施例提供一種個(gè)性化信息推送時(shí)間的確定系統(tǒng),該系統(tǒng)包括：

采集模塊：用于采集用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄；

構(gòu)建模塊：用于利用采集模塊采集的歷史訪問(wèn)記錄，構(gòu)建特征向量；

分類模塊：用于根據(jù)構(gòu)建模塊構(gòu)建的特征向量，利用生存分析模型對(duì)用戶進(jìn)行分類；

確定模塊：用于根據(jù)分類模塊對(duì)用戶的分類，確定向每一類用戶推送信息的時(shí)間。

作為一種實(shí)施例，所述的分類模塊運(yùn)用生存分析模型對(duì)用戶進(jìn)行分類：首先利用式(1)測(cè)算用戶的特征值：

COX＝X₁*B₁+X₂*B₂+…+X_n*B_n 式(1)

式(1)中，COX表示用戶的特征值，X₁表示該用戶的第一個(gè)特征向量，B₁表示X₁的對(duì)應(yīng)系數(shù)，X₂表示該用戶的第二個(gè)特征向量，B₂表示X₂的對(duì)應(yīng)系數(shù)，X_n表示該用戶的第n個(gè)特征向量，B_n表示X_n的 對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)；

然后根據(jù)各用戶的特征值和事先設(shè)定的閾值，對(duì)老用戶和新用戶分別進(jìn)行分類。

作為一種實(shí)施例，所述的確定模塊包括：

測(cè)算子模塊：用于對(duì)老用戶利用邏輯回歸模型測(cè)算用戶未來(lái)最有可能回訪或者最有可能購(gòu)買的概率；

比較子模塊：用于將測(cè)算子模塊測(cè)算的概率，與事先設(shè)定的概率閾值，進(jìn)行比較；

確定子模塊：用于根據(jù)比較子模塊的比較結(jié)果，確定推送時(shí)間。

作為一種實(shí)施例，所述的邏輯回歸模型如式(2)所示，

P＝exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n)/(1+exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n))式(2)

式(2)中，A₀表示常數(shù)項(xiàng)，Y₁表示影響用戶購(gòu)買行為的第一因素，A₁表示Y₁的對(duì)應(yīng)系數(shù)，Y₂表示影響用戶購(gòu)買行為的第二因素，A₂表示Y₂的對(duì)應(yīng)系數(shù)，Y_n表示影響用戶購(gòu)買行為的第n因素，A_n表示Y_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)。

本發(fā)明實(shí)施例提供的一種個(gè)性化信息推送時(shí)間的確定方法及確定系統(tǒng)，根據(jù)用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，構(gòu)建特征向量。利用該特征向量，對(duì)用戶進(jìn)行分類，以及測(cè)算其回訪或購(gòu)物概率，從而確定推送時(shí)間。本實(shí)施例對(duì)用戶進(jìn)行信息推送，是依據(jù)用戶的歷史行為測(cè)算得帶的，更符合用戶的需求。同時(shí)，本實(shí)施例對(duì)用戶進(jìn)行信息推送，是依據(jù)不同分類的用戶分別進(jìn)行的，而不是所有用戶都采用同 一推送時(shí)間。這使得信息推送能夠因人而異，實(shí)現(xiàn)精準(zhǔn)推送，更符合用戶的需求，提高用戶體驗(yàn)。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例的流程框圖。

圖2是本發(fā)明實(shí)施例的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚的描述。顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部實(shí)施例。

如圖1所述，本發(fā)明實(shí)施例提供了一種個(gè)性化信息推送時(shí)間的確定方法,該方法包括以下步驟：

S10采集用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，構(gòu)建特征向量；

S20根據(jù)S10構(gòu)建的特征向量，利用生存分析模型對(duì)用戶進(jìn)行分類；

S30對(duì)S20分類后的每一類用戶，分別確定信息推送時(shí)間。

上述方法中，確定信息推送時(shí)間時(shí)，首先采集用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，構(gòu)建特征向量。也就是說(shuō)，推送時(shí)間的確定，需要依據(jù)用戶的歷史訪問(wèn)記錄，而不是人為任意設(shè)定一時(shí)間。正是基于構(gòu)建的特征向量，后續(xù)步驟對(duì)用戶進(jìn)行分類以及計(jì)算用戶的購(gòu)買或回訪概率。對(duì)用戶進(jìn)行分類后，對(duì)每類用戶分別確定推送時(shí)間，而不是 所有用戶都采用同一推送時(shí)間。這使得信息推送能夠因人而異，實(shí)現(xiàn)精準(zhǔn)推送，更符合用戶的需求，提高了用戶體驗(yàn)。

步驟S10中，用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄包括用戶在PC端、APP端以及WAP端的歷史行為記錄。用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，例如：用戶根據(jù)用戶名/密碼等登錄電子商務(wù)網(wǎng)站，點(diǎn)擊、商品搜索與查詢、瀏覽、頁(yè)面停留、將商品放入購(gòu)物車、詢價(jià)、與客服人員交互、確認(rèn)支付、要求售后服務(wù)。步驟S10采集的歷史訪問(wèn)記錄來(lái)源于多終端。多終端的數(shù)據(jù)來(lái)源，確保了構(gòu)建特征向量更加豐富、完整，為后續(xù)步驟提供了良好的數(shù)據(jù)基礎(chǔ)。根據(jù)用戶注冊(cè)時(shí)間和訪問(wèn)的歷史記錄，將用戶分為老用戶和新用戶。新用戶是指當(dāng)天注冊(cè)的用戶，包括有歷史訪問(wèn)記錄或者沒(méi)有歷史訪問(wèn)記錄的。老用戶是指非當(dāng)天注冊(cè)的用戶，包括有歷史訪問(wèn)記錄或者沒(méi)有歷史訪問(wèn)記錄。

對(duì)于老用戶而言，構(gòu)建的特征向量，例如可以是：是否電話驗(yàn)證：IS_PHONE_VERIFY、是否郵箱驗(yàn)證：IS_EMAIL_VERIFY、注冊(cè)至今天數(shù)：RGST_TIME、是否訪問(wèn)列表頁(yè)：在最近2天是否訪問(wèn)列表頁(yè)、是否訪問(wèn)商品詳情頁(yè)、最近2天是否訪問(wèn)、是否訪問(wèn)促銷頁(yè)、是否訪問(wèn)注冊(cè)頁(yè)等等。

對(duì)于新用戶而言，構(gòu)建的特征向量，例如可以是：瀏覽頁(yè)面數(shù)、瀏覽四級(jí)頁(yè)面、瀏覽促銷頁(yè)、瀏覽訂單查詢頁(yè)、瀏覽來(lái)自app的占比、瀏覽時(shí)間在0點(diǎn)～7點(diǎn)的占比、瀏覽時(shí)間在19點(diǎn)到第二天0點(diǎn)的占比、購(gòu)買單品數(shù)等等。

顯然，上面所述的特征向量?jī)H僅是例舉。在實(shí)際中可以根據(jù)不同情形設(shè)置不同的特征向量。

為實(shí)現(xiàn)精準(zhǔn)推送信息，需要對(duì)各用戶分別推送信息。為提高推送效率，對(duì)老用戶和新用戶進(jìn)行分類，使得用戶的分類層次更多。信息向多種分類的用戶分別推送，實(shí)現(xiàn)在不同的時(shí)間向不同分類的用戶推送信息，在相同的時(shí)間向同一分類的用戶推送信息。對(duì)老用戶和新用戶進(jìn)行分類的方法有很多。本實(shí)施例優(yōu)選運(yùn)用生存分析模型對(duì)老用戶和新用戶分別進(jìn)行分類。具體方法如下：

首先利用式(1)測(cè)算用戶的特征值：

COX＝X₁*B₁+X₂*B₂+…+X_n*B_n 式(1)

式(1)中，COX表示用戶的特征值，X₁表示該用戶的第一個(gè)特征向量，B₁表示X₁的對(duì)應(yīng)系數(shù)，X₂表示該用戶的第二個(gè)特征向量，B₂表示X₂的對(duì)應(yīng)系數(shù)，X_n表示該用戶的第n個(gè)特征向量，B_n表示X_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)；

然后根據(jù)各用戶的特征值和事先設(shè)定的閾值，對(duì)老用戶和新用戶分別進(jìn)行分類。

例如，將老用戶分成五類，具體如下：

TYPE_1：round(COX,1)≤-0.5

TYPE_2：-0.5＜round(COX,1)≤-0.2

TYPE_3：-0.2＜round(COX,1)≤0.3

TYPE_4：0.3＜round(COX,1)≤2.3

TYPE_5：2.3＜round(COX,1)

round(COX,1)表示利用式(1)測(cè)算出的老用戶的特征值，并保留一位小數(shù)。-0.5、-0.2、0.3、2.3均為事先設(shè)定的閾值。通過(guò)這些事先設(shè)定的閾值，將老用戶分為了五類。對(duì)這五類老用戶，將分別確定推送時(shí)間，以推送信息。對(duì)于老用戶中每類用戶，利用邏輯回歸模型測(cè)算用戶未來(lái)W天最有可能回訪或者最有可能購(gòu)買的概率，然后按照事先設(shè)定的概率閾值，進(jìn)行比較后，選擇推送時(shí)間。

邏輯回歸模型如式(2)所示，

P＝exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n)/(1+exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n))式(2)

式(2)中，P表示用戶最有可能回訪或者最有可能購(gòu)買的概率,A₀表示常數(shù)項(xiàng)，Y₁表示影響用戶購(gòu)買行為的第一因素,A₁表示Y₁的對(duì)應(yīng)系數(shù)，Y₂表示影響用戶購(gòu)買行為的第二因素，A₂表示Y₂的對(duì)應(yīng)系數(shù)，Y_n表示影響用戶購(gòu)買行為的第n因素，A_n表示Y_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)。影響用戶購(gòu)買行為的因素，例如第一因素、第二因素、第n因素，均由步驟S10采集。例如，這些因素可以為：是否訪問(wèn)加入購(gòu)物車頁(yè)面、是否訪問(wèn)咨詢服務(wù)頁(yè)、是否訪問(wèn)收藏頁(yè)、是否訪問(wèn)積分和券頁(yè)、是否訪問(wèn)退換貨頁(yè)、是否訪問(wèn)搜索頁(yè)、是否通過(guò)PC端訪問(wèn)、是否通過(guò)WAP端訪問(wèn)、是否通過(guò)APP端訪問(wèn)等。

在式(2)的邏輯回歸模型中，可建立如式(3)所示的回歸關(guān)系：

Log(P/1-P)＝A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n 式(3)

通過(guò)極大似然法，得到參數(shù)A₀～A_n的估計(jì)值。再將A₀～A_n的估計(jì)值代入式(2)中測(cè)算概率。

對(duì)上述五類老用戶分別計(jì)算概率，確定信息推送時(shí)間。例如，在上述五類老用戶中：

TYPE_1：計(jì)算未來(lái)D1天的概率。如果未來(lái)D2天的概率連續(xù)大于S，則僅在第D2天推送一次信息，否則將概率小于S的天數(shù)，按照概率從大到小排，選擇D3天，分別推送一次信息，如果不夠D3天，再按概率從小到大排，選擇大于S的天數(shù)，湊足D3天。其中，D2＜D1，D3＜D1，0.5≤S≤1。

對(duì)于TYPE_1來(lái)說(shuō)，如果未來(lái)D2天的概率連續(xù)大于S，則說(shuō)明該老用戶經(jīng)常購(gòu)買或訪問(wèn)，所以不需要經(jīng)常向其推送信息，僅在第D2天推送一次信息。如果未來(lái)D2天的概率不是連續(xù)大于S，則說(shuō)明該老用戶不是經(jīng)常購(gòu)買或訪問(wèn)，則將在未來(lái)D1天內(nèi)，概率小于S的天數(shù)，按照概率從大到小排，選擇排在前面的D3天，向其推送信息。概率越大，說(shuō)明購(gòu)買概率越高，故從大到小進(jìn)行排序。如果不夠D3天，再按概率從小到大排列，選擇排在前面的天數(shù)，湊足D3天。因?yàn)楦怕试叫?，?gòu)買或訪問(wèn)的可能性越低，所以選擇這些小概率的天數(shù)推送信息，有利于提醒用戶購(gòu)買商品或訪問(wèn)網(wǎng)站。作為優(yōu)選，S＝0.7，D1＝21，D2＝3，D3＝9。

TYPE_2：計(jì)算未來(lái)D4天的概率。如果未來(lái)D2天的概率連續(xù)大于S，則僅在第D2天推送一次；否則把概率小于S的天數(shù)，按照概率從大到小排，選擇排在前面的D5天，向其推送信息。如果不夠D5天，再按概率從小到大排，選擇排在前面的天數(shù)，湊足D5天。其中，D2＜D4，D5＜D4，0.5≤S≤1。

對(duì)于TYPE_2來(lái)說(shuō)，如果未來(lái)D2天的概率連續(xù)大于S，則說(shuō)明該老用戶經(jīng)常購(gòu)買或訪問(wèn)，所以不需要經(jīng)常向其推送信息，僅在第D2天推送一次信息。如果未來(lái)D2天的概率不是連續(xù)大于S，則說(shuō)明該老用戶不是經(jīng)常購(gòu)買或訪問(wèn)，則將未來(lái)D4天內(nèi)，概率小于S的天數(shù)，按照概率從大到小排，選擇排在前面的D5天，向其推送信息。如果不夠D5天，再按概率從小到大排列，選擇排在前面的天數(shù)，這些天數(shù)的概率都大于S，湊足D5天。因?yàn)楦怕试叫?，?gòu)買或訪問(wèn)的可能性越低，所以選擇這些小概率的天數(shù)推送信息，有利于提醒用戶購(gòu)買商品或訪問(wèn)網(wǎng)站。作為優(yōu)選，S＝0.7，D4＝14，D2＝3，D5＝4。

TYPE_3：計(jì)算未來(lái)D6天的概率。如果未來(lái)D2天的概率連續(xù)大于S，則僅在第D2天發(fā)一次；否則把概率小于S的天數(shù)，按照概率從大到小排，選擇排在前面的D7天，向其推送信息；如果不夠D7天，再按概率從小到大排，選擇排在前面的天數(shù)，湊足D7天。其中，D2＜D6，D7＜D6，0.5≤S≤1。

對(duì)于TYPE_3來(lái)說(shuō)，如果未來(lái)D2天的概率連續(xù)大于S，則說(shuō)明該老用戶經(jīng)常購(gòu)買或訪問(wèn)，所以不需要經(jīng)常向其推送信息，僅在第D2天推送一次信息。如果未來(lái)D2天的概率不是連續(xù)大于S，則說(shuō)明該老用戶不是經(jīng)常購(gòu)買或訪問(wèn)，則將未來(lái)D6天內(nèi)，概率小于S的天數(shù)，按照概率從大到小排，挑出D7天，向其推送信息。如果不夠D7天，再按概率從小到大排列，選擇排在前面的天數(shù)，這些天數(shù)的概率都大于S，湊足D7天。因?yàn)楦怕试叫。?gòu)買或訪問(wèn)的可能性越低，所以選擇這些小 概率的天數(shù)推送信息，有利于提醒用戶購(gòu)買商品或訪問(wèn)網(wǎng)站。作為優(yōu)選，S＝0.7，D6＝7，D2＝3，D7＝2。

TYPE_4：計(jì)算未來(lái)D8天的概率，按，選擇排在前面的D9天推送信息。其中，D9＜D8。作為優(yōu)選，D8＝14，D9＝4。

TYPE_4中，概率從大到小排，可確保計(jì)算出來(lái)購(gòu)買概率高的時(shí)間，優(yōu)先推送信息。

TYPE_5：計(jì)算未來(lái)D10天的概率，按概率從大到小排，選擇排在前面的D11天推送信息。其中，D11＜D10。作為優(yōu)選，D10＝7，D11＝2。

TYPE_5中，概率從大到小排，可確保計(jì)算出來(lái)購(gòu)買概率高的時(shí)間，優(yōu)先推送信息。

對(duì)新用戶而言，則依據(jù)事先設(shè)定的閾值，進(jìn)行分類后，直接確定信息推送時(shí)間。例如，新用戶在未來(lái)9天內(nèi)，信息推送時(shí)間如下：

TYPE_11：round(COX,1)≤0.4 第2,3天推送；

TYPE_12：0.4＜round(COX,1)≤1.6 第2天推送；

TYPE_13：1.6＜round(COX,1) 第3天推送。

對(duì)新用戶，依據(jù)式(1)測(cè)算各個(gè)新用戶的特征值，然后依據(jù)事先設(shè)定的閾值，對(duì)新用戶進(jìn)行分類。上例中，設(shè)定的閾值為0.4和1.6，將新用戶分成三類。對(duì)三類新用戶，直接確定信息推送時(shí)間。上例中，對(duì)于round(COX,1)≤0.4的新用戶，則在第2天和第3天均推送信息。對(duì)于0.4＜round(COX,1)≤1.6的新用戶，則在第2天推送信息。對(duì)于其他的新用戶，則在第3天推送信息。round(COX,1)≤0.4說(shuō)明這類用戶不是活躍用戶，則需要推送多次和連續(xù)推送；0.4＜round(COX,1)≤1.6 說(shuō)明這類用戶是一般活躍用戶，所以需要發(fā)一天即可。1.6＜round(COX,1)說(shuō)明該類用戶是活躍用戶，不需要很快給他們推送信息，在第三天推送即可。

如圖2所示，本實(shí)施例提供一種個(gè)性化信息推送時(shí)間的確定系統(tǒng)，該系統(tǒng)包括：

采集模塊：用于采集用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄；

構(gòu)建模塊：用于利用采集模塊采集的歷史訪問(wèn)記錄，構(gòu)建特征向量；

分類模塊：用于根據(jù)構(gòu)建模塊構(gòu)建的特征向量，利用生存分析模型對(duì)用戶進(jìn)行分類；

確定模塊：用于根據(jù)分類模塊對(duì)用戶的分類，確定向每一類用戶推送信息的時(shí)間。

本確定系統(tǒng)中，利用采集模塊采集用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，利用構(gòu)建模塊構(gòu)建特征向量。特征向量源于用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄。本確定系統(tǒng)中確定模塊確定的推送信息時(shí)間，正是基于這些特征向量。也就是說(shuō)，本確定系統(tǒng)中確定的推送信息時(shí)間，是基于各用戶的歷史訪問(wèn)記錄。這樣確定的推送信息時(shí)間就具有個(gè)性化，而不是主觀統(tǒng)一向各用戶設(shè)定同一推送信息時(shí)間。另外，本確定系統(tǒng)中，分類模塊對(duì)用戶進(jìn)行分類。對(duì)同一分類中的用戶確定同一推送時(shí)間，有利于提高推送效率。

采集模塊采集的用戶在電子商務(wù)網(wǎng)站的歷史訪問(wèn)記錄，包括用戶在PC端、APP端以及WAP端的歷史行為記錄。歷史訪問(wèn)記錄來(lái)源于多終 端。多終端的數(shù)據(jù)來(lái)源，確保了構(gòu)建模塊構(gòu)建的特征向量更加豐富、完整，為后續(xù)步驟提供了良好的數(shù)據(jù)基礎(chǔ)。根據(jù)用戶注冊(cè)時(shí)間和訪問(wèn)的歷史記錄，可將用戶分為老用戶和新用戶。新用戶是指當(dāng)天注冊(cè)的用戶，包括有歷史訪問(wèn)記錄或者沒(méi)有歷史訪問(wèn)記錄的。老用戶是指非當(dāng)天注冊(cè)的用戶，包括有歷史訪問(wèn)記錄或者沒(méi)有歷史訪問(wèn)記錄。

構(gòu)建模塊的構(gòu)建特征向量，對(duì)于老用戶而言可以是：是否電話驗(yàn)證：IS_PHONE_VERIFY、是否訪問(wèn)列表頁(yè)：在最近2天是否訪問(wèn)列表頁(yè)、是否訪問(wèn)商品詳情頁(yè)、最近2天是否訪問(wèn)、等等。對(duì)于新用戶而言可以是：瀏覽頁(yè)面數(shù)、瀏覽四級(jí)頁(yè)面、瀏覽促銷頁(yè)、瀏覽訂單查詢頁(yè)、購(gòu)買單品數(shù)等等。以上僅僅是例舉。

分類模型對(duì)用戶進(jìn)行分類的方式有很多。本實(shí)施例優(yōu)選運(yùn)用生存分析模型對(duì)老用戶和新用戶進(jìn)行分類：首先利用式(1)測(cè)算用戶的特征值：

COX＝X₁*B₁+X₂*B₂+…+X_n*B_n 式(1)

式(1)中，COX表示用戶的特征值，X₁表示該用戶的第一個(gè)特征向量，B₁表示X₁的對(duì)應(yīng)系數(shù)，X₂表示該用戶的第二個(gè)特征向量，B₂表示X₂的對(duì)應(yīng)系數(shù)，X_n表示該用戶的第n個(gè)特征向量，B_n表示X_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)；

然后根據(jù)各用戶的特征值和事先設(shè)定的閾值，對(duì)老用戶和新用戶分別進(jìn)行分類。

將登陸用戶的回訪并加入購(gòu)物車行為定義為“死亡”，那么就可以應(yīng)用生存分析模型來(lái)區(qū)分用戶的“生存”狀態(tài)(即未加入購(gòu)物車)。 隨著時(shí)間延長(zhǎng)，“生存”的用戶越來(lái)越少，即用戶的生存曲線是一條單調(diào)遞減的曲線。用S(x)表示生存曲線的函數(shù)，如式(4)所示：

$S\left(x\right)=e^{-{\∫}_0^x\mathrm{\λ}\left(t\right)\mathrm{dt}}$ 式(4)

其中，λ(t)表示危險(xiǎn)率函數(shù)，λ(t)由基準(zhǔn)風(fēng)險(xiǎn)率λ₀(t)和特征向量Z決定，滿足式(5)：

λ(t)＝λ₀(t)*e^βZ 式(5)

其中，β表示特征值，用R軟件估計(jì)出來(lái)。R軟件是一套完整的數(shù)據(jù)處理、計(jì)算和制圖軟件系統(tǒng)，R語(yǔ)言是S語(yǔ)言的一種實(shí)現(xiàn)。將式(5)代入式(4)可得式(6)：

$S\left(x\right)=e^{-{\∫}_0^x{\mathrm{\λ}}_0\left(t\right)*e^{\mathrm{\βZ}}\mathrm{dt}}=e^{(-{\∫}_0^x{\mathrm{\λ}}_0\left(t\right)\mathrm{dt})*e^{\mathrm{\βZ}}}={\left(S_0\left(x\right)\right)}^{e^{\mathrm{\βZ}}}$ 式(6)

其中，S₀(x)表示基準(zhǔn)生存函數(shù)。對(duì)所有用戶而言，S₀(x)都是相同的。用戶之間的差異通過(guò)特征向量Z的函數(shù)K(Z)＝e^βZ來(lái)決定。通過(guò)劃分函數(shù)K(Z)來(lái)實(shí)現(xiàn)對(duì)用戶的分類。

上述確定系統(tǒng)中，確定模塊包括：

測(cè)算子模塊：用于對(duì)老用戶利用邏輯回歸模型測(cè)算用戶未來(lái)最有可能回訪或者最有可能購(gòu)買的概率；

比較子模塊：用于將測(cè)算子模塊測(cè)算的概率，與事先設(shè)定的概率閾值，進(jìn)行比較；

確定子模塊：用于根據(jù)比較子模塊的比較結(jié)果，確定推送時(shí)間。

其中，測(cè)算子模塊中采用邏輯回歸模型如式(2)所示，

P＝exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n)/(1+exp(A₀+Y₁*A₁+Y₂*A₂+…+Y_n*A_n))式(2)

式(2)中，A₀表示常數(shù)項(xiàng)，Y₁表示影響用戶購(gòu)買行為的第一因素，A₁表示Y₁的對(duì)應(yīng)系數(shù)，Y₂表示影響用戶購(gòu)買行為的第二因素，A₂表示Y₂的對(duì)應(yīng)系數(shù)，Y_n表示影響用戶購(gòu)買行為的第n因素，A_n表示Y_n的對(duì)應(yīng)系數(shù)；n為大于等于3的整數(shù)。

確定模塊中，首先利用測(cè)算子模塊對(duì)老用戶利用邏輯回歸模型測(cè)算用戶未來(lái)最有可能回訪或者最有可能購(gòu)買的概率；然后利用比較子模塊將測(cè)算子模塊測(cè)算的概率，與事先設(shè)定的概率閾值，進(jìn)行比較；最后根據(jù)比較子模塊的比較結(jié)果，利用確定子模塊確定推送時(shí)間。對(duì)不同分類的老用戶，確定模塊對(duì)各類老用戶分別確定推送時(shí)間。每一類老用戶具有相同的推送時(shí)間。將所有用戶進(jìn)行分類，依據(jù)各分類中的用戶的歷史訪問(wèn)記錄，確定各類老用戶的推送時(shí)間，使得推送時(shí)間更符合各類用戶的歷史行為。

本確定系統(tǒng)中，基于用戶的歷史訪問(wèn)記錄，運(yùn)用生存分析模型對(duì)用戶進(jìn)行分類，運(yùn)用邏輯回歸模型計(jì)算老用戶的回訪或購(gòu)買概率，從而計(jì)算用戶最合適的信息推送時(shí)機(jī)，提高用戶體驗(yàn)。

本領(lǐng)域技術(shù)人員應(yīng)該知曉，實(shí)現(xiàn)上述實(shí)施例的方法或者系統(tǒng)，可以通過(guò)計(jì)算機(jī)程序指令來(lái)實(shí)現(xiàn)。該計(jì)算機(jī)程序指令裝載到可編程數(shù)據(jù)處理設(shè)備上，例如計(jì)算機(jī)，從而在可編程數(shù)據(jù)處理設(shè)備上執(zhí)行相應(yīng)的指令，用于實(shí)現(xiàn)上述實(shí)施例的方法或者系統(tǒng)實(shí)現(xiàn)的功能。

本領(lǐng)域技術(shù)人員依據(jù)上述實(shí)施例，可以對(duì)本申請(qǐng)進(jìn)行非創(chuàng)造性的 技術(shù)改進(jìn)，而不脫離本發(fā)明的精神實(shí)質(zhì)。這些改進(jìn)仍應(yīng)視為在本申請(qǐng)權(quán)利要求的保護(hù)范圍之內(nèi)。