(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210964049.3 (22)申请日 2022.08.11 (71)申请人 广东亿迅科技有限公司 地址 510000 广东省广州市天河区花城大 道777号广东长线大厦 (72)发明人 谢国城　张伟斌　陈伟宏　徐少强　 杜昭　余君炬　廖小文　 (74)专利代理 机构 广州海心联合专利代理事务 所(普通合伙) 44295 专利代理师 冼俊鹏 (51)Int.Cl. G06Q 30/00(2012.01) G06Q 10/06(2012.01) G06Q 30/02(2012.01) (54)发明名称 一种网格精细化分层的方法及装置 (57)摘要 本发明公开了一种网格精细化分层的方法 及装置， 涉及大数据与AI新一代信息技术领域， 针对营销系统的精细化运营给业务经营带来的 识别度不足等问题提出本方案， 包括数据采集模 块、 网格精细化标签模块、 用户运营模块和数据 存储模块； 数据采集模块用于采集数据并进行初 步的预处理； 网格精细化标签模块基于数据采集 模块采集到的数据进行网格划分； 用户运营模块 管理数据并进行数据分析； 数据存储模块用于存 储数据。 优点在于， 根据不同网格单元群体的需 求和对企业的贡献精确制定不同的宣传营销策 略， 从而降低企业的销售成本， 提高产品经营效 率以及企业的竞争硬实力。 权利要求书2页 说明书6页 附图2页 CN 115358755 A 2022.11.18 CN 115358755 A 1.一种网格精细化分层的装置， 其特征在于， 包括数据采集模块、 网格精细化标签模 块、 用户运营模块和数据存 储模块； 所述数据采集模块用于采集数据并进行初步的数据预处 理； 所述网格精细化标签模块基于数据采集模块采集到的数据进行网格划分； 所述用户运营模块管理数据并进行 数据营销与分析； 所述数据存 储模块用于存 储数据。 2.根据权利要求1所述一种网格精细化分层的装置， 其特征在于， 所述数据采集模块包 括数据上报单元和数据特征预处理单元， 所述数据上报单元通过请求数据接口， 对数据进 行清洗、 转换和加工并将数据储存在基础数据库中； 所述数据特征预处理单元包括集成数 据、 缺失值处 理和异常值处 理； 所述网格精细化标签模块包括网格用户基础标签单元、 用户流失预警标签单元和网格 分层模型标签单元； 所述网格用户基础标签单元按照产品维度构建行为标签， 所述用户流 失预警标签单元用于预测用户是否会从平台流失并将其构建预警标签， 所述网格分层 模型 标签单元基于聚类算法构建网格分层模型； 所述用户运营模块包括网格用户抽取单元、 召回管理单元以及网格运营管理单元， 所 述网格用户抽取单元用于针对 符合条件的用户进 行抽取， 召回管理单元对于即将流 失或已 经流失的用户进行召回， 网格运营 管理单元包括用户行为管理和运营 人员营销活动分析； 数据存储模块包括但不限于标签存 储单元。 3.根据权利要求2所述一种 网格精细化分层的装置， 其特征在于， 行为标签包括： 注册 行为标签、 活跃 行为标签和 消费行为标签； 所述预测用户是否会从平台流失包括： 提取特征数据集， 特征处理， 构建融合预测模型 和生成流失用户列表并存 入标签数据库。 4.根据权利要求3所述一种网格精细化分层的装置， 其特征在于， 所述特征包括但不限 于： 网格用户年龄、 用户在网时长、 所在网格单 元、 客户星 级。 5.一种网格精细化分层的方法， 其特征在于， 利用如权利要求1 ‑4项任一所述的分层装 置进行网格精细化分层； 所述特征处理方法包括特征构建和特征选择； 所述特征构建为将n个类别值编码为0至 n‑1之间的整数， 建立起一对一的映射关系或将每一个类可能取值的特征变换为二进制特 征向量， 每一类的特征向量只有一个地方是1， 其余位置都是0； 所述特征选择根据预测能力 和/或与目标值的相关性进行选择。 6.根据权利要求5所述一种网格精细化分层的方法， 其特征在于， 所述构建融合预测模 型包括以下步骤： 运用单模型学习算法， 构建单模 型学习数据集； 将单模型学习算法的结果 作为融合学习模型的输入； 构建融合学习模型。 7.根据权利要求6所述一种网格精细化分层的方法， 其特征在于， 所述运用单模型学习 算法包括但不限于支持向量机、 随机森林、 逻辑回归和 神经网络 。 8.根据权利要求5所述一种网格精细化分层的方法， 其特征在于， 所述构建网格分层模 型包括下列步骤： S1:启动质心初始化子单 元， 从数据集中随机抽选一个样本作为初始聚类的中心； S2:聚类运 算子单元会计算每 个样本xi与当前已有的聚类中心之间的最短距离D(xi)；权　利　要　求　书 1/2 页 2 CN 115358755 A 2S3:调用聚类中心生成子单 元， 计算每一个样本被选为下一个聚类中心的概 率值 计算出每 个样本的累计概 率值qi 对于在[0,1]时间生成的伪随机数组r， 若qi大于数组中的元素r[i]， 则样本xi被选中； 否则比较下一个， 直到 选出K个聚类中心； S4:调用聚类运算子 单元， 计算每个样本xi与当前K个聚类中心之间的距离， 并将其 分配 到距离最短的聚类中心对应的类别中； S5:调用质心更新子单 元， 针对每 个类别 重新计算它的聚类中心ci； S6:调用质心比较子单元， 若ci发生变化， 则停止； 反之重复步骤S4和S5直到聚类中心ci 不再变化； S7： 输出网格分层标签。 9.根据权利要求5所述一种网格精细化分层的方法， 其特征在于， 所述标签存储单元使 用压缩位图存储 方法进行存储； 将整数的32 ‑bit的范围划分为16 ‑bit的数据块和16 ‑bit的 容器， 每一个数据块对应整数的高16位， 同时使用一个容器来存放 一个数值的低16位。 10.根据权利要求9所述一种网格精细化分层的方法， 其特征在于， 使用两个容器存储， 分别为数组容器和位图容器； 默认使用数组容器进行储存； 当数组容器的容量超过4096个 短整型时， 储 存的数据自动存 入位图容器。权　利　要　求　书 2/2 页 3 CN 115358755 A 3