[发明专利]一种基于图像内容的用户兴趣细分方法及系统

说明书

本发明公开一种基于图像内容的用户兴趣细分方法及系统，包括训练用户标签模型和预测细分用户群组；所述训练用户标签模型，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；预测细分新用户群组，运用所述用户标签模型预测并且细分新用户的个性化群组。本发明将用户贴上富有实际性的标签，并且用户不但可以继承多个标签，而且用户的兴趣会随着照片内容的更改而改变；不再将客户看成简单的数字，而是有不同偏好的个体，是提供个性化服务的基础。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于图像内容的用户兴趣细分方法及系统。

背景技术

数据挖掘可以提供客户洞察力，这对建立有效的市场营销、销售以及个性化策略是至关重要的。它会导致客户之间的个性化交流，因此通过数据分析来提升满意度以及有益的客户关系。通过客户生活周期的各个阶段，即从获取和建立一种强大的关系到预防摩擦和赢回失去的客户，它可支持一种“个性化”且优化的客户管理。营销人员努力获得更大的市场份额以及更大比例的客户。简单来讲，他们负责获取、开发并维持顾客。

为了能够提供个性化的市场营销战略，用户细分的主要流程是根据用户的一些特征，把用户群划分为不同的群体。基于数据挖掘的方法可以创建数据驱动的行为细分。细分算法可以分析行为数据，确认不同群组的客户并且提出基于数据格式的方法。在手动或者传统用户细分中，客户们按行为和使用特点进行细分。尽管行为分类可以由业务规则创建，这项方法拥有很多基础性的缺点。它只能有效地处理少数分类领域，而且其客观性是受到质疑的，因为它是基于业务专家的个人感知。

提取照片的标签信息，不像文档中的信息以相对标准的词和句子传输，图像在另一方面可通过极具表现性的二维像素点传达信息。形象地说，一个图像堪比一千个文字。在大数据和大信息量的当代，文档相对而言更易识别、分类和检索。然而，尽管图像数量不断增长，因图像数据复杂的图像表现结构，仍不得不说破译图像信息依旧是人类的一大任务。

LatentDirichletAllocation(潜在主题抽取)或者LDA算法，是一种被应用在文本挖掘方面的机器学习方法，通常目的在于从一个文档集合中自动发现专题论题。简而言之，LDA模型从一大堆文档集合中抽取一个预先确定数量的主题，而且该训练模式可以被用来推断其后任何文档的主题。

发明内容

为了解决上述问题，本发明提出了一种基于图像内容的用户兴趣细分方法及系统，将用户贴上富有实际性的标签，并且用户不但可以继承多个标签，而且用户的兴趣会随着照片内容的更改而改变；不再将客户看成简单的数字，而是有不同偏好的个体，是提供个性化服务的基础。

为达到上述目的，本发明采用的技术方案是：

一种基于图像内容的用户兴趣细分方法，包括训练用户标签模型和预测细分用户群组；

所述训练用户标签模型，基于大量用户照片集的标签信息，利用LDA算法对用户的标签信息进行训练获得用户标签模型；

所述预测细分新用户群组，运用所述用户标签模型预测并且细分新用户的个性化群组。

进一步的是，所述训练用户标签模型包括步骤：

(1.1)收集大量的用户和每个用户的用户照片集；

(1.2)对所述用户照片集进行标签处理，获取用户照片集的标签信息；

(1.3)将所述用户的标签信息转换成文本模式，形成文本文档；

(1.4)利用LDA算法训练所述文本文档，形成用户标签模型。

进一步的是，所述步骤(1.3)中，用户的标签信息将记录入文本文档，而他们的去向通过他们的POI信息反应出来，形成文本文档的内容。