[发明专利]基于深度矩阵分解的精准营销数据分析方法

权利要求书

1.一种基于深度矩阵分解的精准营销数据分析方法，其特征在于，包括：

获取客户与商品的交互矩阵，其中，所述交互矩阵的各行对应各客户，各列对应各商品，矩阵元素包含客户与商品的交互信息；

基于协同过滤方法对所述交互矩阵进行矩阵分解，得到各客户和各商品的隐向量，所述隐向量中包含客户与商品间的线性关联信息；

将各客户和各商品的隐向量构成的各向量对，分别输入基于变分自编码器的偏好度预测模型进行训练，学习客户与商品间的非线性关联信息，训练好的模型用于输出各客户对各商品的偏好度；

利用训练好的偏好度预测模型，推荐精准营销策略。

2.根据权利要求1所述的方法，其特征在于，所述将各客户和各商品的隐向量构成的各向量对，分别输入基于变分自编码器的偏好度预测模型进行训练，包括：

将任一客户和任一商品的隐向量输入变分自编码器的编码部分，得到一潜在向量；

分别以所述潜在向量的各元素为中心，构建客户维度和商品维度的高斯分布；

分别对客户维度和商品维度的各高斯分布进行随机采样，得到两个随机向量；

将所述两个随机向量输入变分自编码器的解码部分，重建所述客户和所述商品的隐向量，重建后的隐向量包含客户与商品间线性关联信息和非线性关联信息；

根据所述客户的、重建后的隐向量，以及所述商品的、重建后的隐向量，预测所述客户对所述商品的偏好度；

通过预测的偏好度与标注好的偏好度差异最小化，反馈调节模型参数。

3.根据权利要求2所述的方法，所述将任一客户和任一商品的隐向量输入变分自编码器的编码部分，得到一潜在向量，包括：

使用one-hot编码把所述客户和商品的隐向量编码为规范基向量；

将所述客户和商品的规范基向量输入变分自编码器的编码部分，得到一潜在向量。

4.根据权利要求2所述的方法，所述分别对客户维度和商品维度的各高斯分布进行随机采样，得到两个随机向量，包括：

以各元素为单位，分别执行如下操作：

S1-1、确定以当前元素为中心的客户维度的高斯分布的均值和方差；

S1-2、根据所述均值和方差，得到所述高斯分布的概率密度函数；

S1-3、根据所述概率密度函数，对所述高斯分布进行随机采样；

由各元素对应的随机采样值，构成客户维度的随机向量。

5.根据权利要求2所述的方法，在分别对客户维度和商品维度的各高斯分布进行随机采样，得到两个随机向量之前，还包括：

对各高斯分布构成的潜在向量空间，使用Kullback-Leibler散度进行平衡，得到最终的潜在向量空间。

6.根据权利要求2所述的方法，其特征在于，所述根据所述客户的、重建后的隐向量，以及所述商品的、重建后的隐向量，预测所述客户对所述商品的偏好度，包括：

计算所述客户的、重建后的隐向量，与所述商品的、重建后的隐向量的点积，作为所述客户对所述商品偏好度。

7.根据权利要求1所述的方法，其特征在于，所述利用训练好的偏好度预测模型，推荐精准营销策略，包括：

将目标客户和目标商品的隐向量输入训练好的偏好度预测模型，预测所述目标客户对所述目标商品的偏好度；

根据所述偏好度，推荐精准营销策略。

8.根据权利要求1所述的方法，其特征在于，所述获取客户与商品的交互矩阵，包括：

从客户数据库和营销数据库中提取客户与商品的交互数据；

按照性别、年龄、月均消费、婚姻状况中的至少之一进行数据细分；

清除细分数据中的临时信息、图片和视频信息；

由清除后的数据构建客户与商品的交互矩阵。