一種基于用戶歷史行為交互分析的推薦推送方法技術

本發明專利技術涉及一種基于用戶歷史行為交互分析的推薦推送方法。解決現有技術中數據平臺無法給到用戶精準且定制個性化信息服務需求的問題。方法步驟包括：預先設定用戶的行為和喜好的物品并進行權重分配；實時采集用戶的行為記錄信息，分類后進行儲存；根據用戶權重最高的歷史行為建立喜好矩陣，并根據這些數據包含的物品信息分別與用戶、數據建立用戶因子矩陣、物品因子矩陣；進行奇異值分解獲得相似矩陣，將相似矩陣與喜好矩陣進行對比，選取其中未喜歡且分值高的物品推薦給對應的用戶。本發明專利技術的優點是將用戶與用戶、數據與數據進行相關聯結合，形成高精度的關系量化指標。且本發明專利技術方法是一個不斷學習和提升的過程。

Recommendation push method based on interactive analysis of user history behavior

The invention relates to a recommendation push method based on interactive analysis of user history behavior. The invention solves the problem that the data platform in the existing technology can not give users accurate and customized personalized information service requirements. The method comprises the following steps: setting the user behavior and preferences of the items and weights; behavior record real-time information of the user, classification after storage; according to the established historical behavior of the user of the highest weight preference matrix, and according to these data items contain information and user data, respectively establish the user factor matrix, object factor matrix singular value decomposition; obtain the similarity matrix, the similarity matrix and matrix preferences were compared, selected and not love high scores of items recommended to the user. The invention has the advantages that the user and the user, the data and the data are combined together to form a high-precision quantitative index of relations. The method of the invention is a process of continuous learning and promotion.

【技術實現步驟摘要】
一種基于用戶歷史行為交互分析的推薦推送方法
本專利技術涉及一種網絡推送
，尤其是涉及一種數據與用戶結合、不斷學習提升的基于用戶歷史行為交互分析的推薦推送方法。
技術介紹
現有的各種數據平臺提供給用戶的數據可以根據數據的時間或名詞的字母表中的順序做升序、倒序，或者基于一些過濾條件查詢一些數據反饋到用戶端。然而這些方式都是用戶輸入什么內容直接反饋給用戶相關內容，無法給到用戶精準且定制個性化信息服務需求。
技術實現思路
本專利技術主要是解決現有技術中數據平臺無法給到用戶精準且定制個性化信息服務需求的問題，提供了一種能找到最符合用戶需求習慣的數據并基于該基礎給予用戶反饋的基于用戶歷史行為交互分析的推薦推送方法。本專利技術的上述技術問題主要是通過下述技術方案得以解決的：一種基于用戶歷史行為交互分析的推薦推送方法，包括以下步驟：S1.預先設定用戶的行為和喜好的物品，并對行為、物品進行權重分配；預先設定的動作包括評論、回復、查看詳情頁、搜索、收藏、取消收藏、喜歡、取消喜歡、關注、取消關注、分享，這些動作可以根據需要進行添加。物品由動作對應的數據中分析得出，物品包括娛樂、顏值、汽車、數碼、科技、社交、生活、手機，這些也根據需求進行設置。S2.實時采集用戶的行為記錄信息，分類后進行儲存；S3.通過查詢用戶歷史行為記錄信息選取其中權重最高的行為，基于該行為，根據若干用戶和他們行為對應的若干數據建立喜好矩陣，并根據這些數據包含的物品信息分別與用戶、數據建立用戶因子矩陣、物品因子矩陣；S4.對用戶因子矩陣和物品因子矩陣進行奇異值分解獲得相似矩陣；S5.將相似矩陣與喜好矩陣進行對比，選取其中未喜歡且分值高的物品推薦給對應的用戶。本專利技術將用戶與用戶、數據與數據進行相關聯結合，形成數據與數據之間的高精度的關系量化指標。將數據與用戶相結合，得到特有的符合用戶需求的數據和內容。相比傳統用戶輸入什么內容直接給到用戶相關內容的方法，本方法從多維度多方面將用戶與數據相結合，并且本專利技術方法是一個不斷學習和提升的過程，這樣就給用戶提供更加精準且更貼近用戶真實需求和系統的內容。作為一種優選方案，步驟S2中分類的過程包括：S21.實時檢測用戶的操作，根據預先設定的動作判斷操作對應的動作；S22.獲取該動作對應操作的數據，將動作和數據一起進行儲存。當用戶進行操作時，根據操作判斷其對應的動作，并獲取將進行該動作的數據。如用戶進行查看詳情操作，則判斷其為查看詳情頁動作，該動作對應的數據就包括查看對應詳情頁的具體內容，將動作和數據一起進行儲存。作為一種優選方案，步驟S3的具體過程包括：S31.從存儲數據中查詢設定過去天數內當前用戶的行為記錄信息，獲取用戶的行為信息；S32.比較這些行為的權重值，選取其中權重最高的行為；S33.基于該行為，查詢若干同批次不同用戶并選取他們該行為對應的若干數據，根據用戶和數據建立喜好矩陣C，矩陣中行表示用戶，列表示數據；本方案選取另外兩個用戶，選取數量可以根據需求進行設定。并且從選取用戶的對應行為歷史數據中選取若干數據，數據的數量可以根據需求設定。分析這些數據，分別獲得數據對應的物品信息，根據用戶和物品建立用戶因子矩陣P，矩陣中行表示用戶，列表示物品；分析數據采用關鍵詞對數據內容進行檢索，通過檢索詞出現的位置，出現的頻率來判斷數據內容相關的物品。本專利技術采用的這種分析方法為現有的方法，在此不具體贅述。通過分析數據內容判斷數據包含的物品，如分析用戶收藏動作對應的數據，分析該數據內容后判斷包含汽車、娛樂物品信息。根據數據和物品建立物品因子矩陣Q，矩陣中行表示數據，列表示物品。作為一種優選方案，步驟S4中相似矩陣獲取的具體過程包括：對用戶因子矩陣和物品因子矩陣進行奇異值分解，根據公式R=P*T（Q），得到相似矩陣R，其中T（Q）表示矩陣Q的轉置矩陣。本方案中得到的相似矩陣R即表示用戶對物品的喜歡程度，也可理解為對物品的打分。作為一種優選方案，步驟S5中具體過程包括：S51.對比喜好矩陣C和相似矩陣R，獲取在喜好矩陣上用戶表示未喜歡數值的位置；S52.根據獲得的位置，在相似矩陣找到對應的位置上，獲得分值；S53.選取其中最高的分值，根據該分值所在位置獲得對應的數據，作為優先向用戶推薦的內容，依次類推，直至完成向所有用戶優先推薦數據。作為一種優選方案，步驟S2中還包括對數據進行過濾的步驟，其包括：S23.在連續或短時間內用戶是否對同一數據進行與之前行為相反的行為，若否返回步驟S21繼續檢測，若是標記這些行為，在后續中不作為查詢使用。本方案中過濾一些不具備有效性的行為信息，入用戶對一個內容點擊喜歡的行為，在連續或短時間內對相同內容點擊取消喜歡行為，則判斷這兩行為為誤操作數據，進行標記，在后續計算中不需要使用到該行為信息。因此，本專利技術的優點是：將用戶與用戶、數據與數據進行相關聯結合，形成數據與數據之間的高精度的關系量化指標。將數據與用戶相結合，得到特有的符合用戶需求的數據和內容。相比傳統用戶輸入什么內容直接給到用戶相關內容的方法，本方法從多維度多方面將用戶與數據相結合，并且本專利技術方法是一個不斷學習和提升的過程，這樣就給用戶提供更加精準且更貼近用戶真實需求和系統的內容。附圖說明附圖1是本專利技術一種流程示意圖。具體實施方式下面通過實施例，并結合附圖，對本專利技術的技術方案作進一步具體的說明。實施例：本實施例一種基于用戶歷史行為交互分析的推薦推送方法，其特征在于：包括以下步驟：S1.預先設定用戶的行為和喜好的物品，并對行為、物品進行權重分配；預先設定的動作包括評論、回復、查看詳情頁、搜索、收藏、取消收藏、喜歡、取消喜歡、關注、取消關注、分享等，這些動作可以根據需要進行添加。物品由動作對應的數據中分析得出，物品包括娛樂、顏值、汽車、數碼、科技、社交、生活、手機等，這些也根據需求進行設置。S2.實時采集用戶的行為記錄信息，分類后進行儲存；分類的具體過程包括：S21.實時檢測用戶的操作，根據預先設定的動作判斷操作對應的動作；S22.獲取該動作對應操作的數據，將動作和數據一起進行儲存。該步驟里還包括對數據進行過濾的步驟，其為：S23.在連續或短時間內用戶是否對同一數據進行與之前行為相反的行為，若否返回步驟S21繼續檢測，若是標記這些行為，在后續中不作為查詢使用。以喜歡的操作為例，用戶在使用過程中若對某一內容點擊了喜歡，則根據用戶的操作將其分類為預先設定里的喜歡行為，同時將該行為操作的內容數據一起進行儲存。S3.通過查詢用戶歷史行為記錄信息選取其中權重最高的行為，基于該行為，根據若干用戶和他們行為對應的若干數據建立喜好矩陣，并根據這些數據包含的物品信息分別與用戶、數據建立用戶因子矩陣、物品因子矩陣；步驟S3的具體過程包括：S31.從存儲數據中查詢設定過去天數內當前用戶的行為記錄信息，獲取用戶的行為信息；S32.比較這些行為的權重值，選取其中權重最高的行為；S33.基于該行為，查詢若干同批次不同用戶并選取他們該行為對應的若干數據，根據用戶和數據建立喜好矩陣C，矩陣中行表示用戶，列表示數據；分析這些數據，分別獲得數據對應的物品信息，根據用戶和物品建立用戶因子矩陣P，矩陣中行表示用戶，列表示物品；根據數據和物品建立物品因子矩陣Q，矩陣中行表示數據，列表示物品。這里也本文檔來自技高網...

【技術保護點】
一種基于用戶歷史行為交互分析的推薦推送方法，其特征在于：包括以下步驟：S1.預先設定用戶的行為和喜好的物品，并對行為、物品進行權重分配；S2.實時采集用戶的行為記錄信息，分類后進行儲存；S3.通過查詢用戶歷史行為記錄信息選取其中權重最高的行為，基于該行為，根據若干用戶和他們行為對應的若干數據建立喜好矩陣，并根據這些數據包含的物品信息分別與用戶、數據建立用戶因子矩陣、物品因子矩陣；S4.對用戶因子矩陣和物品因子矩陣進行奇異值分解獲得相似矩陣；S5.將相似矩陣與喜好矩陣進行對比，選取其中未喜歡且分值高的數據推薦給對應的用戶。

【技術特征摘要】
1.一種基于用戶歷史行為交互分析的推薦推送方法，其特征在于：包括以下步驟：S1.預先設定用戶的行為和喜好的物品，并對行為、物品進行權重分配；S2.實時采集用戶的行為記錄信息，分類后進行儲存；S3.通過查詢用戶歷史行為記錄信息選取其中權重最高的行為，基于該行為，根據若干用戶和他們行為對應的若干數據建立喜好矩陣，并根據這些數據包含的物品信息分別與用戶、數據建立用戶因子矩陣、物品因子矩陣；S4.對用戶因子矩陣和物品因子矩陣進行奇異值分解獲得相似矩陣；S5.將相似矩陣與喜好矩陣進行對比，選取其中未喜歡且分值高的數據推薦給對應的用戶。2.根據權利要求1所述的一種基于用戶歷史行為交互分析的推薦推送方法，其特征是步驟S2中分類的過程包括：S21.實時檢測用戶的操作，根據預先設定的動作判斷操作對應的動作；S22.獲取該動作對應操作的數據，將動作和數據一起進行儲存。3.根據權利要求1所述的一種基于用戶歷史行為交互分析的推薦推送方法，其特征是步驟S3的具體過程包括：S31.從存儲數據中查詢設定過去天數內當前用戶的行為記錄信息，獲取用戶的行為信息；S32.比較這些行為的權重值，選取其中權重最高的行為；S33.基于該行為，查詢若干同批次不同用戶并選取他們該行為對應的若干數據，根據用戶和數...

【專利技術屬性】
技術研發人員：施高峰，
申請(專利權)人：杭州益讀網絡科技有限公司，
類型：發明
國別省市：浙江,33