基于国网商旅大数据融合背景的用户画像构建

doi:10.11959/j.issn.1000-0801.2019285

电信科学 ›› 2019, Vol. 35 ›› Issue (12): 148-154.doi: 10.11959/j.issn.1000-0801.2019285

• 运营技术广角 • 上一篇

基于国网商旅大数据融合背景的用户画像构建

张长浩¹,余志勇²,周振²,石瑞杰¹,王新勇¹

¹ 国网电子商务有限公司，北京 100053
² 国家电网有限公司，北京 100031

修回日期:2019-12-10 出版日期:2019-12-20 发布日期:2020-01-15
作者简介:张长浩（1971- ），男，国网电子商务有限公司副总经理、党委委员、纪委书记、工会主席，主要研究方向为财务信息化、大数据、行政管理、纪检监察、人力资源、党建管理|余志勇（1974- ），男，国家电网有限公司财务部会计处副处长、会计师，主要研究方向为管理会计、信息化|周振（1984- ），男，国家电网有限公司财务部会计处高级会计师，主要研究方向为财务管理、财务信息化|石瑞杰（1973- ），男，国网电子商务有限公司业务运营中心高级工程师、业务运营中心主任，主要研究方向为财务管理、财务信息化|王新勇（1976- ），男，国网电子商务有限公司高级经济师、财务共享中心主任，主要研究方向为财务管理、财务信息化

User image construction framework based on big data fusion background for power grid business travel

Changhao ZHANG¹,Zhiyong YU²,Zhen ZHOU²,Ruijie SHI¹,Xinyong WANG¹

¹ State Grid E-commerce Co.,Ltd.,Beijing 100053,China
² State Grid Corporation,Beijing 100031,China

Revised:2019-12-10 Online:2019-12-20 Published:2020-01-15

摘要/Abstract

摘要：

基于大数据分析的商旅计划决策是掌控差旅动态、制定差旅规范的重要组成部分。基于国网商旅信息数据，针对出差过程中出行方式的优化选取、酒店住宿的个人喜好，构建一种用户画像框架技术，实现快速、准确识别敏感客户群体。首先针对用户不同特性采用双通道建模方式预测用户敏感程度；其次围绕业务审批、差旅控制、酒店评价、时间特征、数值特征等类型刻画用户，构建用户多源特征体系；最后充分利用商旅数据多源性，创建基于双层XGBoost的多视角融合模型，提升分类精确率，并通过对比实验验证方法的有效性。

关键词: 用户画像, 多视角学习, 模型融合

Abstract:

Business travel planning decisions based on big data analysis are an important part of controlling travel dynamics and developing travel specifications.Based on the information of the national network business travel information,aiming at the optimization of the travel mode during the travel process and the personal preference of hotel accommodation,a user portrait framework technology was constructed to realize the rapid and accurate identification of sensitive customer groups.Firstly,the user's sensitivity was predicted by two-channel modeling for different characteristics of users.Secondly,users were characterized by business approval,travel control,hotel evaluation,time characteristics,numerical characteristics,etc.,and users’ multi-source feature system was constructed.Finally,business travel data was fully utilized.Multi-source,create a multi-view fusion model based on double-layer XGBoost,improve classification accuracy,and verify the effectiveness of the method by comparing experiments.

Key words: user portrait, multi-view learning, model fusion

中图分类号:

TP393

张长浩,余志勇,周振,石瑞杰,王新勇. 基于国网商旅大数据融合背景的用户画像构建[J]. 电信科学, 2019, 35(12): 148-154.

Changhao ZHANG,Zhiyong YU,Zhen ZHOU,Ruijie SHI,Xinyong WANG. User image construction framework based on big data fusion background for power grid business travel[J]. Telecommunications Science, 2019, 35(12): 148-154.

图/表 7

图1

表1

图2

图3

图4

表3

表4

参考文献 12

[1]	黎文阳 . 大数据处理模型 Apache Spark 研究[J]. 现代计算机(专业版), 2015(8): 55-60.
	LI W Y . Research on big data processing model apache spark[J]. Modern Computer (Professional Edition), 2015(8): 55-60.
[2]	李荟娆 . K-means 聚类方法的改进及其应用[D]. 哈尔滨:东北农业大学, 2014.
	LI H W . Improvement of K-means clustering method and its application[D]. Harbin:Northeast Agricultural University, 2014.
[3]	祝恒书 . 面向移动商务的数据挖掘方法及应用研究[D]. 中国科学技术大学, 2014.
	ZHU H S . Research on data mining methods and applications for mobile commerce[D]. China University of science and technology, 2014.
[4]	马聪 . 基于用户行为挖掘的情景感知推荐[D]. 浙江:浙江大学, 2015.
	MA C . Situational awareness recommendation based on user behavior mining[D]. Zhejiang:Zhejiang University, 2015.
[5]	吴智勤, 柳益君, 李仁璞 ,等. 基于社交网络的高校图书馆用户画像构建研究[J]. 图书馆学研究, 2018,435(16): 27-32.
	WU Z Q , LIU Y J , LI R P ,et al. Research on the construction of user portrait in university library based on social network[J]. Library science research, 2018,435(16): 27-32.
[6]	赵腾, 张焰, 张东霞 . 智能配电网大数据应用技术与前景分析[J]. 电网技术, 2014,38(12): 3305-3312.
	ZHAO T , ZHANG Y , ZHANG D X . Analysis of big data application technology and prospect of intelligent distribution network[J]. Power System Technology, 2014,38(12): 3305-3312.
[7]	曾晶 . Radviz可视化技术度量模型的研究[D]. 北京:北京交通大学, 2011.
	ZENG J . Research on radvizvisualization technology measurement model[D]. Beijing:Beijing Jiaotong University, 2011.
[8]	代双凤, 董继阳, 薛健 . 科学计算中大数据可视化分析与应用[J]. 工程研究-跨学科视野中的工程, 2014,6(3): 275-281.
	DAI S F , DONG J Y , XUE J . Visualization analysis and application of big data in scientific computing[J]. Engineering Research-Interdisciplinary Engineering, 2014,6(3): 275-281.
[9]	雷莹 . 基于 Web 的可视化数据挖掘分析平台及可视化度量模型的研究与实现[D]. 北京:北京交通大学, 2014.
	LEI Y . Research and implementation of Web-based visual data mining analysis platform and visual measurement model[D]. Beijing:Beijing Jiaotong University, 2014.
[10]	宋亚奇, 周国亮, 朱永利 . 智能电网大数据处理技术现状与挑战[J]. 电网技术, 2013(4): 927-935.
	SONG Y Q , ZHOU G L , ZHU Y L . Current status and challenges of big data processing technology in smart grid[J]. Power System Technology, 2013(4): 927-935.
[11]	姚晓辉, 胡源, 张宇翔 . 电信行业客户行为标签数据对外经营模式研究[J]. 电信科学, 2013,29(11): 17-22.
	YAO X H , HU Y , ZHANG Y X . Research on external business model of customer behavior label data in telecom industry[J]. Telecom Science, 2013,29(11): 17-22.
[12]	黄勇军, 冯明, 丁圣勇 ,等. 电信运营商大数据发展策略探讨[J]. 电信科学, 2013,29(3): 13-17.
	HUANG Y J , FENG M , DING S Y ,et al. Discussion on big data development strategy of telecom operators[J]. Telecommunications Science, 2013,29(3): 13-17.

特征类型	业务信息特征群	差旅控制信息特征群	酒店信息特征群
类别	√
统计	√	√	√
数值	√	√	√
时间	√
聚类	√		√
文本	√	√

模型		F值
模型	低活跃度用户		高活跃度用户
DT	0.749		0.790
XGBoost	0.901		0.842
RF	0.809		0.790
GBDT	0.860		0.821
SVM	0.780		0.789
LR	0.724		0.779

模型		F1值
模型	低活跃度用户	高活跃度用户	线上得分
MVEM	0.942	0.891	0.933 80
Single	0.781	0.861	0.892 11
单模型	0.912	0.835	0.891 22
Stacking	0.901	0.831	0.898 21

基于国网商旅大数据融合背景的用户画像构建

User image construction framework based on big data fusion background for power grid business travel

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 12

相关文章 2

Metrics

推荐阅读 0

[1]	张亮, 代晓菊, 郑荣, 贺同泽. 多模型融合的客服工单文本分类方法的研究与实现[J]. 电信科学, 2021, 37(11): 86-96.
[2]	王晓霞,刘静沙,许丹丹. 运营商大数据用户画像实践[J]. 电信科学, 2018, 34(5): 127-133.