买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于交往频度和交往指数的用户交往圈关系识别方法，属于运营商社交圈口碑与家庭套餐推荐营销的技术领域，该方法包括以下步骤：计算两两用户间的交往频度、交往指数；根据交往频度、交往指数及联系时段偏好建立用户对应的交往圈模型，该交往圈模型包括工作圈模型、生活圈模型和综合圈模型；基于用户对应的交往圈信息建立用户社交网络模型；基于用户生活圈模型构建家庭关系模型；本发明有效解决了现有的单客户群发式营销针对性较差，成本回报率较低，且容易造成用户投诉的问题，本发明方法通过对用户社交网络关系、家庭关系识别归类，营销成功率显著提高。

主权项：1.一种基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于：该方法包括以下步骤：基于交往频度和交往指数的用户交往圈关系A：计算两两用户间的交往频度、交往指数；计算用户的交往频度，交往频度＝权重1*用户本月有通话短信彩信日数+权重2*用户本月有通话短信彩信周数+权重3*用户本月有通话短信彩信旬数本月天数，一旬＝10天；所述权重1、权重2和权重3通过自定义设置；基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数；B：根据交往频度、交往指数及联系时段偏好建立用户对应的交往圈模型，该交往圈模型包括工作圈模型、生活圈模型和综合圈模型；基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数，具体包括以下步骤：整理用户的语音话单、短彩信话单，分别计算用户工作时段、生活时段和不区分时段的通话次数、通话时长、短信彩信通话次数；用户的工作圈交往指数＝系数1*用户的交往频度+系数2*用户工作时段的通话次数+系数3*用户工作时段的通话时长+系数4*用户工作时段的短信通话次数+系数5*用户工作时段的彩信通话次数；用户的生活圈交往指数＝系数1*用户的交往频度+系数2*用户生活时段的通话次数+系数3*用户生活时段的通话时长+系数4*用户生活时段的短信通话次数+系数5*用户生活时段的彩信通话次数；用户的综合圈交往指数＝系数1*用户的交往频度+系数2*用户不区分时段的通话次数+系数3*用户不区分时段的通话时长+系数4*用户不区分时段的短信通话次数+系数5*用户不区分时段的彩信通话次数；所述系数1、系数2、系数3和系数4通过自定义设置；取用户的工作圈交往指数、生活圈交往指数和综合圈交往指数中最大值，则指数最大的即为该用户所属的交往圈；C：基于用户对应的交往圈信息建立用户社交网络模型；首先将用户对应的交往圈中所有用户均分入到一个群体中；计算两两用户间的联系紧密度，通过两两用户间的联系紧密度确定用户间的交往相似度；所述两两用户间的联系紧密度通过式一计算： 其中，Wj为时段权重，时段权重包括用户工作时段权重W1、生活时段权重W2和不区分时段权重W3，时段权重通过自定义设置；mi为第i周通话次数；di为第i周权重，通过自定义设置，n为该时段周数；将该群体中交往相似度低的用户归属为弱联系的用户，交往相似度低是基于该群体中用户间的联系紧密度值自定义设置；将交往相似度高的用户划分到一个群体中，交往相似度高是基于该群体中用户间的联系紧密度值自定义设置；最终形成多个内部交往相似度高、外部交往相似度低的群体；对于用户对应的交往圈中新用户通过迭代的方法将用户划分到上述对应的群体中；D：基于用户生活圈模型构建家庭关系模型，包括以下步骤：基于用户生活圈模型，计算用户生活圈模型中用户间的交往相似度和交往时段偏好；根据用户的同客户ID、同客户家庭套餐和同客户账号信息构建家庭关系模型。

全文数据：一种基于交往频度和交往指数的用户交往圈关系识别方法技术领域[0001]本发明属于运营商社交圈口碑与家庭套餐推荐营销的技术领域，具体是涉及一种基于交往频度和交往指数的用户交往圈关系识别方法。背景技术[0002]互联网时代传统的单客户大规模群发营销方式已很难吸引用户，营销成本回报率较低，而且很容易引起用户投诉。[0003]现有技术中，由于主要面向单客户营销推荐，在营销推荐过程中存在如下缺陷：[0004]—、单客户群发式营销容易引起用户反感，引发用户投诉。[0005]二、对客户群体特征不了解，不能抓住群体兴趣点。[0006]三、不了解家庭构成，家庭套餐无法针对性推荐。[0007]四、对异网营销没有合适的切入点。[0008]总之，现有的单客户群发式营销针对性较差，成本回报率较低，且容易造成用户投诉。发明内容[0009]发明目的：为了克服现有技术中存在的不足，传统的单客户大规模群发营销方式已很难吸引用户，营销成本回报率较低，而且很容易引起用户投诉等缺陷，本发明提供一种基于交往频度和交往指数的用户交往圈关系识别方法。[0010]技术方案:为实现上述目的，本发明的一种基于交往频度和交往指数的用户交往圈关系识别方法，该方法包括以下步骤:该方法包括以下步骤:基于交往频度和交往指数的用户交往圈关系[0011]A:计算两两用户间的交往频度、交往指数；[0012]B:根据交往频度、交往指数及联系时段偏好建立用户对应的交往圈模型，该交往[0013]圈模型包括工作圈模型、生活圈模型和综合圈模型；[00M]C:基于用户对应的交往圈信息建立用户社交网络模型；[0015]D:基于用户生活圈模型构建家庭关系模型。[0016]进一步地，所述步骤B包括以下步骤：[0017]计算用户的交往频度，交往频度=权重1*用户本月有通话短信彩信日数+权重2*用户本月有通话短信彩信周数+权重3*用户本月有通话短信彩信旬数本月天数，一旬=10天;所述权重1、权重2和权重3通过自定义设置；[0018]基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数。[0019]进一步地，基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数，具体包括以下步骤：[0020]整理用户的语音话单、短彩信话单，分别计算用户工作时段、生活时段和不区分时段的通话次数、通话时长、短信彩信通话次数；[0021]用户的工作圈交往指数=系数1*用户的交往频度+系数2*用户工作时段的通话次数+系数3*用户工作时段的通话时长+系数4*用户工作时段的短信通话次数+系数5*用户工作时段的彩信通话次数；[0022]用户的生活圈交往指数=系数1*用户的交往频度+系数2*用户生活时段的通话次数+系数3*用户生活时段的通话时长+系数4*用户生活时段的短信通话次数+系数5*用户生活时段的彩信通话次数；[0023]用户的综合圈交往指数=系数1*用户的交往频度+系数2*用户不区分时段的通话次数+系数3*用户不区分时段的通话时长+系数4*用户不区分时段的短信通话次数+系数5*用户不区分时段的彩信通话次数；[0024]所述系数1、系数2、系数3和系数4通过自定义设置；[0025]取用户的工作圈交往指数、生活圈交往指数和综合圈交往指数中最大值，则指数最大的即为该用户所属的交往圈。[0026]进一步地，所述步骤C包括以下步骤：[0027]首先将用户对应的交往圈中所有用户均分入到一个群体中；[0028]然后计算该群体中用户间的交往相似度；[0029]计算两两用户间的联系紧密度，通过两两用户间的联系紧密度确定用户间的交往相似度；[0030]将该群体中交往相似度低的用户归属为弱联系的用户，交往相似度低是基于该群体中用户间的联系紧密度值自定义设置；[0031]将交往相似度高的用户划分到一个群体中，交往相似度高是基于该群体中用户间的联系紧密度值自定义设置；[0032]最终形成多个内部交往相似度高、外部交往相似度低的群体；[0033]对于用户对应的交往圈中新用户通过迭代的方法将用户划分到上述对应的群体中。[0034]进一步地，所述两两用户间的联系紧密度通过式一计算：[0036]其中，Wj为时段权重，时段权重包括用户工作时段权重W1、生活时段权重胃2和不区分时段权重W3，时段权重通过自定义设置;ΠΗ为第i周通话次数;Cl1为第i周权重，通过自定义设置，η为该时段周数。[0037]进一步地，所述步骤D包括以下步骤：[0038]基于用户生活圈模型，计算用户生活圈模型中用户间的交往相似度和交往时段偏好；[0039]根据用户的同客户ID、同客户家庭套餐和同客户账号信息构建家庭关系模型。[0040]进一步地，计算用户生活圈模型中用户间的交往相似度通过以下步骤计算得到：[0041]用户间的交往相似度计算模块，交往相似度计算模块中存储有相似度计算的程度，当该交往相似度计算模块被处理器执行时，可以得到用户间的交往相似度，具体包括以下步骤：[0042]数据对称化处理，返回数据库；[0043]按照主叫用户排序话单，计算每个主叫用户的起始位置，以及其话单数目，将排序好的话单、用户的起始位置以及其话单数目确定，用于计算相似度；[0044]调用编写的交往相似度计算模块计算用户间的交往相似度，剔除相似度较低的话单；[0045]根据用户间交往相似度计算，寻找交往相似度高的本网异网用户纳入到同家庭关系中，构建家庭关系申吴型。[0046]有益效果:本发明与现有技术比较，具有的优点是：[0047]本发明首先整理语音话单、短彩信话单信息，计算用户两两间联系交往频度、交往指数;然后根据交往频度、交往指数及联系时段偏好建立工作圈、生活圈、综合圈模型;其次基于交往圈计算用户间共同联系人，并计算用户间相似度指标，建立社交网络;最后基于同客户、同家庭套餐、同账户信息建立家庭骨干成员，根据成员与用户相似度计算，寻找高相似度的本网异网用户纳入同家庭关系客户;本发明方法有效解决了现有的单客户群发式营销针对性较差，成本回报率较低，且容易造成用户投诉的问题，通过对用户社交网络关系、家庭关系识别归类，营销成功率显著提高。附图说明[0048]图1是本发明方法流程结构示意图。具体实施方式[0049]下面结合附图对本发明作更进一步的说明。[0050]实施例一：[0051]本实施例提出的一种基于交往频度和交往指数的用户交往圈关系识别方法，参照图1，该方法包括以下步骤:基于交往频度和交往指数的用户交往圈关系[0052]A:计算两两用户间的交往频度、交往指数；[0053]B:根据交往频度、交往指数及联系时段偏好建立用户对应的交往圈模型，该交往圈模型包括工作圈模型、生活圈模型和综合圈模型；[0054]C:基于用户对应的交往圈信息建立用户社交网络模型；[0055]D:基于用户生活圈模型构建家庭关系模型。[0056]其中计算用户的交往频度，交往频度=权重1*用户本月有通话短信彩信日数+权重2*用户本月有通话短信彩信周数+权重3*用户本月有通话短信彩信旬数本月天数，一旬=10天;所述权重1、权重2和权重3均通过自定义设置;接下来基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数;基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数，具体包括以下步骤：[0057]整理用户的语音话单、短彩信话单，分别计算用户工作时段、生活时段和不区分时段的通话次数、通话时长、短信彩信通话次数；[0058]用户的工作圈交往指数=系数1*用户的交往频度+系数2*用户工作时段的通话次数+系数3*用户工作时段的通话时长+系数4*用户工作时段的短信通话次数+系数5*用户工作时段的彩信通话次数；[0059]用户的生活圈交往指数=系数1*用户的交往频度+系数2*用户生活时段的通话次数+系数3*用户生活时段的通话时长+系数4*用户生活时段的短信通话次数+系数5*用户生活时段的彩信通话次数；[0060]用户的综合圈交往指数=系数1*用户的交往频度+系数2*用户不区分时段的通话次数+系数3*用户不区分时段的通话时长+系数4*用户不区分时段的短信通话次数+系数5*用户不区分时段的彩信通话次数；[0061]所述系数1、系数2、系数3和系数4通过自定义设置；[0062]取用户的工作圈交往指数、生活圈交往指数和综合圈交往指数中最大值，则指数最大的即为该用户所属的交往圈。[0063]基于用户对应的交往圈信息建立用户社交网络模型，[0064]包括以下步骤：[0065]首先将用户对应的交往圈中所有用户均分入到一个群体中；[0066]然后计算该群体中用户间的交往相似度；[0067]计算两两用户间的联系紧密度，通过两两用户间的联系紧密度确定用户间的交往相似度;例如:若存在用户A和用户B的联系紧密度与用户B和用户C的联系紧密度接近，又存在用户A和用户D的联系紧密度与用户D和用户C的联系紧密度接近，又存在用户A和用户E的联系紧密度与用户E和用户C的联系紧密度接近，或者用户A和用户C还与其它相同用户联系紧密度也接近，则说明用户A和用户C的交往相似度较高，用户A和用户C共同联系人多，具体有多少用户分别与用户A和用户C联系紧密度接近，视系统情况而定，最终则将交往相似度较高、共同联系人多的用户A和用户C分到一个群体中；[0068]将该群体中交往相似度低的用户归属为弱联系的用户，交往相似度低是基于该群体中用户间的联系紧密度值自定义设置；[0069]将交往相似度高的用户划分到一个群体中，交往相似度高是基于该群体中用户间的联系紧密度值自定义设置；[0070]最终形成多个内部交往相似度高、外部交往相似度低的群体；[0071]对于用户对应的交往圈中新用户通过迭代的方法将用户划分到上述对应的群体中；上述两两用户间的联系紧密度通过式一计算：[0073]其中，Wj为时段权重，时段权重包括用户工作时段权重W1、生活时段权重％和不区分时段权重W3，时段权重通过自定义设置;ΠΗ为第i周通话次数;Cl1为第i周权重，通过自定义设置，η为该时段周数。[0074]按照迭代方式分群，将所有用户都分入到一个群体中，计算用户间交往相似度，删除用户间的弱联系，弱连接的删除也避免了所有用户划入同一个群中，进行此步骤后，社交网络会退化成几个内部联系多、外部联系少的次网络，以及很多孤立的节点，每个次网络对应一个群体group;[0075]将剩余用户分成联系密集的小群体，如何保证网络内部联系较为密集，优先将共同联系人较多的用户分到一个群体中，在此前提条件下，通过迭代的方法依照通话记录依次将用户划入相应的群中。[0076]基于用户生活圈模型构建家庭关系模型，基于用户生活圈模型，计算用户生活圈模型中用户间的交往相似度和交往时段偏好，根据用户的同客户ID、同客户家庭套餐和同客户账号信息构建家庭关系模型，计算用户生活圈模型中用户间的交往相似度通过以下步骤计算得到：[0077]用户间的交往相似度计算模块，交往相似度计算模块中存储有相似度计算的程度，当该交往相似度计算模块被处理器执行时，可以得到用户间的交往相似度，具体包括以下步骤：[0078]数据对称化处理，返回数据库；[0079]按照主叫用户排序话单，计算每个主叫用户的起始位置，以及其话单数目，将排序好的话单、用户的起始位置以及其话单数目确定，用于计算相似度；[0080]调用编写的交往相似度计算模块计算用户间的交往相似度，剔除相似度较低的话单；[0081]根据用户间交往相似度计算，寻找交往相似度高的本网异网用户纳入到同家庭关系中，构建家庭关系申吴型。[0082]实施例二：[0083]基于实施例一，本实施例提出的一种基于交往频度和交往指数的用户交往圈关系识别方法，本实施例的基本思想是:整理语音话单、短彩信话单信息，计算用户两两间联系交往频度、交往指数；[0084]根据交往频度、交往指数及联系时段偏好建立工作圈、生活圈、综合圈模型；[0085]基于交往圈计算用户间共同联系人，并计算用户间相似度指标，建立社交网络；[0086]基于同客户、同家庭套餐、同账户信息建立家庭骨干成员，根据成员与用户相似度计算，寻找高相似度的本网异网用户纳入同家庭关系客户。[0087]基于用户对应的交往圈信息建立用户社交网络模型中，用于构建交往圈的社交网络，找出联系密集群，这里从共同联系人的角度思考，当考虑将两个用户划入一个群组时，希望两个用户有较多的共同联系人，而主体通过快速迭代的方式，将用户逐步加入到对应的群体中；[0088]基于用户生活圈模型构建家庭关系模型中，用于构建家庭关系识别模型，计算联系双方的相似度，与客户下多号码相似度较高，且交往时段集中于生活时段的，认为与客户同一家庭的可能性$父尚；[0089]基于用户对应的交往圈信息建立用户社交网络模型和基于用户生活圈模型构建家庭关系模型中中用户间的交往相似度均可以通过以下调用编写的get_same.c程序计算相似度；[0090]调用get_same·c程序：[0091]Stepl:数据对称化处理（symmetrize=weakstrong两种方式），返回数据库；[0092]Step2:按照主叫用户排序话单，计算每个主叫用户的起始位置st，以及其话单数目（cnt，将排序好的话单、st、cnt返回R，用于计算用户间交往相似度，如表1所示：[0094]表I[0095]Step3:调用编写的get_Same.C程序计算相似度，剔除相似度较低的话单（可调节百分比），如表2所示；[0097]表2[0098]分群结果如下表3所示:G为群号，count⑴为群用户数；[0100]表3[0101]上述的分群即为初始骨干群，将由get_same.c相似度程序剔除的孤立点，分配到与孤立点距离最近的骨干群：[0103]表4[0104]用户分群后，按分群计算每个用户的连通性、权威指数佩奇排序值）、出度、入度等等，可以进一步表示用户间连接性，如表5中交往相似度高的异网用户，寻找交往相似度高的异网用户纳入到关系模型中；[0106]表5[0107]实施例三：[0108]基于实施例二的方法，对运营商中国电信中天翼亲情网运用本发明方法得到的数据如下所示：[0109]圈子营销[0110]亲情网营销成功率显著提高:从2013年7月底起，亲情网短信派单总计6347971，营销成功率仅为0.4%;[0111]2013年7月29号，通过社交网络构建生活圈，挑选出领袖人物，派单9255,同客户下参与亲情网的用户量为522位，营销成功率5.64%，充分利用了领袖人物在日常社交的作用；[0112]2013年8月12号，通过缩小通话群体的方式，找出两两通话集中的用户，派单量203350，有2624位用户参加，成功率为1.3%;[0113]2013年8月中旬，分别对“生活圈”，“工作圈”，“综合圈”数据进行亲情网推荐，共计派单66354户，成功办理916户，营销成功率1.4%。2013年8月底，配合淮安本地网进行精细化营销，选取4249用户进行亲情网营销，成功用户184户，营销成功率为4.33%，进一步说明了本发明方法的营销成功率显著提高。[0114]以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

权利要求：1.一种基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于:该方法包括以下步骤:基于交往频度和交往指数的用户交往圈关系A:计算两两用户间的交往频度、交往指数；B:根据交往频度、交往指数及联系时段偏好建立用户对应的交往圈模型，该交往圈模型包括工作圈模型、生活圈模型和综合圈模型；C:基于用户对应的交往圈信息建立用户社交网络模型；D:基于用户生活圈模型构建家庭关系模型。2.根据权利要求1所述的基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于:所述步骤B包括以下步骤：计算用户的交往频度，交往频度=权重1*用户本月有通话短信彩信日数+权重2*用户本月有通话短信彩信周数+权重3*用户本月有通话短信彩信旬数本月天数，一旬=10天;所述权重1、权重2和权重3通过自定义设置；基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数。3.根据权利要求2所述的基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于：基于用户的交往频度，计算用户的工作圈交往指数、生活圈交往指数和综合圈交往指数，具体包括以下步骤：整理用户的语音话单、短彩信话单，分别计算用户工作时段、生活时段和不区分时段的通话次数、通话时长、短信彩信通话次数；用户的工作圈交往指数=系数1*用户的交往频度+系数2*用户工作时段的通话次数+系数3*用户工作时段的通话时长+系数4*用户工作时段的短信通话次数+系数5*用户工作时段的彩信通话次数；用户的生活圈交往指数=系数1*用户的交往频度+系数2*用户生活时段的通话次数+系数3*用户生活时段的通话时长+系数4*用户生活时段的短信通话次数+系数5*用户生活时段的彩信通话次数；用户的综合圈交往指数=系数1*用户的交往频度+系数2*用户不区分时段的通话次数+系数3*用户不区分时段的通话时长+系数4*用户不区分时段的短信通话次数+系数5*用户不区分时段的彩信通话次数；所述系数1、系数2、系数3和系数4通过自定义设置；取用户的工作圈交往指数、生活圈交往指数和综合圈交往指数中最大值，则指数最大的即为该用户所属的交往圈。4.根据权利要求1所述的基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于:所述步骤C包括以下步骤：首先将用户对应的交往圈中所有用户均分入到一个群体中；然后计算该群体中用户间的交往相似度；计算两两用户间的联系紧密度，通过两两用户间的联系紧密度确定用户间的交往相似度；将该群体中交往相似度低的用户归属为弱联系的用户，交往相似度低是基于该群体中用户间的联系紧密度值自定义设置；将交往相似度高的用户划分到一个群体中，交往相似度高是基于该群体中用户间的联系紧密度值自定义设置；最终形成多个内部交往相似度高、外部交往相似度低的群体；对于用户对应的交往圈中新用户通过迭代的方法将用户划分到上述对应的群体中。5.根据权利要求4所述的基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于:所述两两用户间的联系紧密度通过式一计算：其中，Wj为时段权重，时段权重包括用户工作时段权重W1、生活时段权重％和不区分时段权重W3,时段权重通过自定义设置;Hl1为第i周通话次数;Cl1为第i周权重，通过自定义设置，η为该时段周数。6.根据权利要求1所述的基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于:所述步骤D包括以下步骤：基于用户生活圈模型，计算用户生活圈模型中用户间的交往相似度和交往时段偏好；根据用户的同客户ID、同客户家庭套餐和同客户账号信息构建家庭关系模型。7.根据权利要求6所述的基于交往频度和交往指数的用户交往圈关系识别方法，其特征在于:计算用户生活圈模型中用户间的交往相似度通过以下步骤计算得到：用户间的交往相似度计算模块，交往相似度计算模块中存储有相似度计算的程度，当该交往相似度计算模块被处理器执行时，可以得到用户间的交往相似度，具体包括以下步骤：数据对称化处理，返回数据库；按照主叫用户排序话单，计算每个主叫用户的起始位置，以及其话单数目，将排序好的话单、用户的起始位置以及其话单数目确定，用于计算相似度；调用编写的交往相似度计算模块计算用户间的交往相似度，剔除相似度较低的话单；根据用户间交往相似度计算，寻找交往相似度高的本网异网用户纳入到同家庭关系中，构建家庭关系模型。

百度查询： 南京坦道信息科技有限公司 一种基于交往频度和交往指数的用户交往圈关系识别方法