CN102609471B - 一种用于精准分析互联网用户网络行为的方法和装置 - Google Patents
一种用于精准分析互联网用户网络行为的方法和装置 Download PDFInfo
- Publication number
- CN102609471B CN102609471B CN 201210015132 CN201210015132A CN102609471B CN 102609471 B CN102609471 B CN 102609471B CN 201210015132 CN201210015132 CN 201210015132 CN 201210015132 A CN201210015132 A CN 201210015132A CN 102609471 B CN102609471 B CN 102609471B
- Authority
- CN
- China
- Prior art keywords
- behavior
- label
- user
- web content
- coupling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
一种用于精准分析互联网用户网络行为的方法和装置，其分析和处理的数据全部来自于用户本身、用户在其所处网络环境中针对不同内容采取的具体行为，以及其在现有网络环境中可以采取的所有行为和动作，因而能够真正完全地得出每一个用户本身的最准确的行为模式。而且，这种分析方法的实时性是可以自我更新的：它随着网站内容的不断更新而自我更新；同时，这种方法的准确性是随着用户在网站上行为和动作的增加而不断提高的，由于采用了<标签，行为>这种匹配对来标识网站内容和用户可以采取的行为，用户在网站上的每一个动作都可以触发一次对用户行为模式分析的更新，从而增加其精准性，用户在网站上的操作越多，对其本人的行为模式分析越准确。
Description
技术领域
本发明属于计算机科学、系统工程领域，尤其涉及一种用于精准分析互联网用户网络行为的方法和装置，其可以应用于互联网行业，电子商务领域、社交网络服务领域、网络游戏领域。
背景技术
在计算机科学行业互联网电子商务领域，现有技术对互联网用户行为模式的分析，大多是基于以下信息的：①用户在使用网络或者终端时候所填写的静态注册信息，例如，姓名、年龄、出生所在地、目前所在地、工作所属领域、家庭收入、兴趣爱好、婚姻状况等；②在网络或者终端上已完成的行为，例如，访问过的网址、点击过的链接、浏览过的页面、收听过的音频资料、阅览过的视频资料、发表过的言论及其产生的文字和/或图片内容等；③在网络或者终端上正在进行的动作，例如，在某个网页上的停留及其所耗时间、与其他互联网用户的互动过程等。
现有技术一般通过以数学统计为核心的数据预测方法。这种基于统计学的数据处理方法是建立在拥有海量样本数据的基础上的，它对样本总量的大小有着强烈的依赖关系。这种依赖关系有两个致命的弱点：第一，当无法获得如此海量的数据来源时，此数据处理方法将瞬间瘫痪；第二，即便可以获得海量的数据，基于这些海量数据的分析结果所体现的也是所有这些海量数据的共性特征，而某一个特定数据的全部个性特征无法被挖掘并最终分析出来，使得分析结果存在不可控的偏差，甚至错误；第三，无法保证海量样本与被预测对象的属性可类比性，当被分析的海量样本与被预测的研究对象在某个属性方面有着共性或相似性，在其他属性方面有着本质区别时，如果被研究的属性属于上述有着本质区别的属性，那么此方法得出的结论通常情况下存在无法改良的错误。
发明内容
鉴于现有技术的缺陷，本发明提供一种用于精准分析互联网用户网络行为的方法，其特征在于包括如下步骤：
步骤一、将网络内容用标签类描述；
步骤二、将用户能够对网络内容所进行的操作对应到网络内容的标签；
步骤三、将能够对网络内容标签所实施的所有操作表示为行为域；
步骤四、用标签、标签所对应的行为域、<标签，行为>匹配对来描述网络运营商提供的网络内容；
步骤五、采集某一特定用户的实际行为，将<标签，实际行为>匹配对与预先设定的针对所述网络内容的用户预测行为所对应的<标签，预测行为>匹配对进行比对；
步骤六、针对该特定用户，用比对结果更新用于描述网络运营商提供的网络内容的<标签，行为>匹配对；
步骤七、将更新的针对该特定用户的<标签，行为>匹配对与该特定用户再次操作该网络内容的行为所产生的<标签，实际行为>匹配对进行比对；
步骤八、对该特定用户多次对网络内容施加的行为所更新产生的<标签，行为>匹配对进行绩效排序；
步骤九、针对该特定用户，将拥有最大绩效值的<标签，行为>匹配对作为对该特定用户对于该标签所描述网络内容的的精准行为模式输出给网络运营商。
进一步，本发明中针对某一特定用户所采取的策略是基于该特定用户的用户ID实现的。
此外，本发明还提供一种用于精准分析互联网用户网络行为的装置，其特征在于包括：
用户网络行为对比器(1)，其用于采集某一特定用户根据网络实际内容而采取的行为，以及被实施该行为的网络内容的标签；并将特定用户实际执行的行为与网络服务器端的决策制定分析器所输出的预先设定的用户行为进行对比，将对比结果以及用户实际的行为输出到网络内容属性标签收集器(2)中；
网络内容属性标签收集器(2)，其用于将网络上的内容分类，并按照分类等级的方法将分类后的内容的共同属性以标签的形式存储下来；
网络内容与行为匹配对存储器(3)，用于将用户网络行为对比器(1)中的某一特定用户行为和网络内容属性标签收集器(2)中的网络内容属性标签以<标签，行为>的形式进行配对，针对该特定用户，将配对结果记录在服务器上并同时提供给<标签，行为>行为绩效值序列存储器(4)；
<标签，行为>行为绩效值序列存储器(4)，用于对该特定用户多次对网络内容施加的行为所更新产生的<标签，行为>匹配对进行绩效排序，并将拥有最大绩效值的匹配对发送到最高绩效值匹配对存储器(5)；
最高绩效值匹配对存储器(5)，用于针对该特定用户，将拥有最大绩效值的<标签，行为>匹配对作为对该特定用户的精准行为模式输出给网络运营商。
进一步，在<标签，行为>绩效值序列存储器(4)中，各类标签所对应的匹配对按照绩效值从大到小排列，并且将该信息传回到网络内容与行为匹配对存储器(3)中，使得网络内容与行为匹配对存储器(3)中的相应标签得以被激活。
进一步，本发明针对某一特定用户所采取的策略是基于该特定用户的用户ID实现的。
进一步，本发明中所述内容与行为匹配对存储器(3)首先会将当前互联网页面的内容按照其被用户观察到后可以被实施的行为和动作进行分类，并且将分好的类用不同的标签来描述，这些标签可以根据当前页面的具体内容进行实时的、自动的组合，并将该组合记录在服务器上。
进一步，本发明中最高绩效值匹配对存储器(5)将<标签，行为，绩效值>序列按照相同的顺序，还原成<标签，行为>有序序列，并绩效值最大的<标签，行为>匹配对传输到用户网络行为对比器(1)中，用来与该特定用户在网络上再次所实施的行为所对应的<标签，实际行为>匹配对进行比对。若比对行为相同，则将结果传输到网络内容属性标签收集器(2)中，并在网络内容属性标签收集器(2)中按照当前网络内容对标签在等级标签组中的位置予以确定和插入；若比对行为不相同，则以用户的实际行为为标准生成<标签，实际行为>匹配对，并将结果按照上述原理，传输到网络内容属性标签收集器(2)中。在网络内容属性标签收集器(2)中，标签及其所对应的行为域，将被根据当前网络内容进行排序和组合，并将结果传输到网络内容与行为匹配对存储器(3)中，并使用从网络内容属性标签收集器(2)中传来的新的行为域覆盖和更新网络内容与行为匹配对存储器(3)中每一个标签所对应的行为域，进而开启一轮新的循环。
本发明通过分析每一个不同互联网用户的行为模式，使得网络运营商有能力针对不同的用户设置相应的互联网内容。本发明所开发的分析互联网用户行为模式的核心技术，以绩效方程(Performance Functions)和OODA(Observe，Orient，Decide，and Act)循环为启发，通过循环比较的方式将两者无缝结合从而能够精准确定网络用户的网上行为。用户在网络运营商的网站上每进行一个操作，将触发一次循环，即进行一次<标签，行为>匹配对的更新，而每一次更新，该用户针对被贴上上述标签的网络内容将要赋予的行为将被更加精准的掌握。随着该用户在网络上进行的操作越来越多，他针对该网站上所有内容的行为模式预测将被精准的记录和掌握下来，并且以匹配对的形式最终反馈给网络运营商，从而实现用户行为模式的精准分析和精准预测。
附图说明
图1是实现本发明用于分析互联网用户网络行为的装置的结构框图；
图2是实现本发明用于分析互联网用户网络行为的方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是实现本发明用于精准分析互联网用户网络行为的装置的结构框图；图中数字1指代用户网络行为对比器；数字2指代网络内容属性标签收集器；数字3指代网络内容与行为匹配对<标签，行为>存储器；数字4指代<标签，行为>行为绩效值序列存储器；数字5指代最高绩效值匹配对存储器。本发明装置中的各功能部件完成的功能如下：
用户网络行为对比器1采集某一特定用户针对网络实际内容而采取的实际行为，以及被实施该行为的网络内容的标签；然后，将该特定用户实际执行的行为与网络服务器端的决策制定分析器所输出的预先设定的用户行为进行对比，将对比结果以及用户实际的行为输出到网络内容属性标签收集器2中；
其中，决策制定分析器是网络运营商的网站中用于制定互联网内容设置、投放策略的功能部件，其可以针对某一特定用户的ID制定对应于该用户的特定互联网内容，例如，可以制定针对某一特定用户进行精准广告投放的策略。
在此，采集每一特定用户的行为的策略可以基于用户的各种ID，例如，固定IP地址、注册账户等。由于用户的ID对于用户来讲是唯一标识的，所以用户网络行为对比器1可以采集某一用户的特定行为。
网络内容属性标签收集器2将网络上的内容分类，并按照分类等级的方法将分类后的内容的共同属性以标签的形式存储下来，其中标签组合可以根据不同的网络内容而进行即插即用式的重新配置和组合；
网络内容与行为匹配对存储器3将用户网络行为对比器1中的用户行为和网络内容属性标签收集器2中的网络内容属性标签以<标签，行为>的形式进行配对，将配对结果记录在服务器上并同时作为可供性元素(affordance)提供给<标签，行为>行为绩效值序列存储器4；
在此，本发明根据可供性理论(参见Affordance Theory)，提出了一套将互联网内容按照内容属性分类并且组合的方法。Affordance Theory认为：人对事物做什么样的动作不取决于人，而取决于该事物本身。例如：我们人类可以“坐在”椅子上、将该椅子“扔出去”、“踢”这把椅子，等，但是却没有办法“吃”这把椅子(通常情况下生理功能正常的人)。如果动作的决定权在于我们人类本身，那么既然我们可以“吃”蛋糕、香肠，即：我们可以进行“吃”这个行为，我们就可以“吃”椅子，这显然是荒谬的。Affordance Theory告诉我们，动作的决定权其实在于事物本身：我们可以“吃”蛋糕、香肠是因为蛋糕、香肠本身可以被食用；我们不可以“吃”椅子，是因为椅子本身不可以被食用。具体到本发明中，内容与行为匹配对存储器3首先会将当前互联网页面的内容按照其被用户观察到后可以被实施的行为和动作进行分类，并且将分好的类用不同的标签来描述，这些标签可以根据当前页面的具体内容进行实时的、自动的组合，并将该组合记录在服务器上。也就是说，在内容与行为匹配对存储器3中，首先实现了一种网络内容与用户行为的对应方式：这种对应方式决定了：第一，每一个事物如何被用户感知；第二，哪些动作可以被用户作用在该事物上；第三，用户可以从这些动作中得到哪些益处。
虽然不同的用户针对相同的内容会有不同的反应，但是内容本身的属性确定了一个详细的、用户可以对该类内容采取的行为的范围，在本发明中称之为：行为域。例如，根据现行互联网通行法则，文字内容可以被用户进行以下行为：点击、复制、黏贴；而视频内容虽然可以被点击，但是却无法被复制和黏贴，所以视频类内容所对应的行为域中默认不包含复制、黏贴；但是，由于不同的用户有不同的喜好和习惯，而且不同网站对不同内容的呈现形式也不同，本发明在考虑到这点之后，为内容与行为匹配对存储器3增加了另一个功能：任意类型(假定为：标签A)的内容，其所默认对应的行为域{a_1，a_2，a_3，...}，如果用户实际采取的行为a_new不在默认的行为域中，那么用户实际采取的行为将被记录下来并且添加进针对该用户自己的、对于标签A所描述的网络内容的行为域中{a_new，a_1，a_2，a_3，...}，换言之，内容与行为匹配对存储器3“知道了”对于该用户来说，当用户在浏览该网站时，若遇到标签类型为A的内容，他可能采取的行为的范围是{a_new，a_1，a_2，a_3，...}。以上例子说明：虽然通常情况下，视频类内容所对应的默认行为域中不包括复制、黏贴两个动作，但是，当某家网络运营商允许视频类内容被直接复制和黏贴时，那么用户在浏览该网站的页面时，他可以对视频类内容进行的操作将包括复制和黏贴两个行为。
在<标签，行为>行为绩效值序列存储器4中，根据行为的绩效性原理，对可选匹配对的绩效值进行评估，所有匹配对根据其所对应的绩效值，按照从大到小的顺序记录在服务器上，并将拥有最大绩效值的匹配对发送到最高绩效值匹配对存储器5中；同时将按照绩效值所推测出的标签组合传输给网络内容与行为匹配对存储器3。
在此，根据认知推理理论(参见McCarthy，C.，Mejia，L.，Liu，H.(2000)Cognitive Appraisal Theory：A Psychoeducational Approach for UnderstandingConnections between Cognition and Emotion in Group Work.Journal for Specialistsin Group Work，v25n1p104-21Mar 2000)：“人类不同的行为将为其带来不同程度的满足感：当某一特定行为的执行满足其喜好时，该行为的执行为其带来的满足感就高；反之，满足感就低”，本发明在<标签，行为>绩效值序列存储器4中设置了1个激励组，网络内容与行为匹配对存储器3传到<标签，行为>绩效值序列存储器4中的匹配对中的行为，将对<标签，行为>绩效值序列存储器4中的1个激励组产生激励，并按照以下公式产生绩效值。
其中绩效值V_Utility＝I
这些绩效值将被记录下来，并且按照绩效值从大到小的顺序，将从网络内容与行为匹配对存储器3中得到的匹配对以<标签，行为，绩效值>的形式有序排列起来，并记录下来。
在<标签，行为>绩效值序列存储器4中，针对该特定用户，对该特定用户多次对网络内容施加的行为所更新产生的<标签，行为>匹配对进行绩效排序，并将拥有最大绩效值的匹配对发送到最高绩效值匹配对存储器(5)，各类标签所对应的匹配对按照绩效值从大到小排列，并且将该信息传回到网络内容与行为匹配对存储器3中，使得网络内容与行为匹配对存储器3中的相应标签(组合)得以被激活；同时以<标签，行为，激励值>序列的形式传输到最高绩效值匹配对存储器5中。
在最高绩效值匹配对存储器5中，将拥有最大绩效值的匹配对设定为网络用户将要采取的行为和目标属性，并将此匹配对传输给用户网络行为对比器1；最高绩效值匹配对存储器5同时将所选匹配对中用户的行为和标签提供给网络服务器中的决策制定分析器，由决策制定分析器根据最高绩效值匹配对存储器5所提供的匹配对中的用户行为和内容标签得到每一个互联网用户的具体的、精准的行为模式，进而制定新的互联网内容设置与投放决策。
在此，最高绩效值匹配对存储器5将<标签，行为，激励值>序列按照相同的顺序，还原成<标签，行为>有序序列，并且将排在首位的匹配对(对应激励值最大的)传输到用户网络行为对比器1。在用户网络行为对比器1中，用户实际在网络上实施的行为将被以<标签，实际行为>的形式记录下来，并且与从最高绩效值匹配对存储器5中得到的对应标签的<标签，行为>匹配对进行对比；若行为相同，则将结果传输到网络内容属性标签收集器2中，并在网络内容属性标签收集器2中按照当前网络内容对标签在等级标签组中的位置予以确定和插入；若行为不相同，则以用户的实际行为为标准生成<标签，实际行为>匹配对，并将结果按照上述原理，传输到网络内容属性标签收集器2中。
如上所述，在网络内容属性标签收集器2中，标签及其所对应的行为域，将被根据当前网络内容进行排序和组合，并将结果传输到网络内容与行为匹配对存储器3中，此时，网络内容与行为匹配对存储器3中每一个标签所对应的行为域将被从网络内容属性标签收集器2中传来的新的行为域所覆盖和更新，并开启一轮新的循环。
图2是本发明用于精准分析互联网用户网络行为的方法的流程图，如图2所示，本发明的方法具体包括如下步骤：
步骤一、将网络内容用标签类描述；
步骤二、将用户能够对网络内容所进行的操作对应到网络内容的标签；
步骤三、将能够对网络内容标签所实施的所有操作表示为行为域；
步骤四、用标签、标签所对应的行为域、<标签，行为>匹配对来描述网络运营商提供的网络内容；
步骤五、采集某一特定用户的实际行为，将<标签，实际行为>匹配对与预先设定的针对所述网络内容的用户预测行为所对应的<标签，预测行为>匹配对进行比对；
步骤六、针对该特定用户，用比对结果更新用于描述网络运营商提供的网络内容的<标签，行为>匹配对；
步骤七、将更新的针对该特定用户的<标签，行为>匹配对与该特定用户再次操作该网络内容的行为所产生的<标签，实际行为>匹配对进行比对；
步骤八、对该特定用户多次对网络内容施加的行为所更新产生的<标签，行为>匹配对进行绩效排序；
步骤九、针对该特定用户，将拥有最大绩效值的<标签，行为>匹配对作为对该特定用户对于该标签所描述网络内容的的精准行为模式输出给网络运营商。
相较于中现有技术中由于已知内容与未知内容之间没有任何相关性而导致的模型无法正常工作的问题，以及用统计学方法而带来的对海量真实样本数据的强依赖性，本发明用于精准分析互联网用户网络行为的方法和装置用来进行分析和处理的数据全部来自于用户本身(已知)、在其所处网络环境中针对不同内容采取的具体行为(已知)，以及其在现有网络环境中可以采取的所有行为和操作(可生成)，因而能够真正完全地得出针对每一个用户本身的最准确的结论。而且，这种分析方法的实时性是可以自我更新的：它随着网站内容的不断更新而自我更新；同时，这种方法的准确性是随着用户在网站上行为和动作的增加而不断提高的，由于采用了<标签，行为>这种匹配对来标识网站内容和用户可以采取的行为，用户在网站上得每一个动作都可以触发一次对用户行为模式分析的更新，从而增加其精准性，用户在网站上的操作越多，对其本人的行为模式分析越准确。
下面结合具体应用实例对本发明进一步进行描述，以便本领域技术人员更清楚本发明的工作过程。
实施例1：
当新浪网上有章子怡和赵薇两位明星所代言的图片广告时，服务器会针对此广告在用户网络行为对比器1、网络内容属性标签收集器2、网络内容与行为匹配对<标签，行为>存储器3中生成如下标签组合：
网络内容与行为匹配对<标签，行为>存储器3中把上述标签组合传输到<标签，行为>绩效值序列存储器4。因为在国际上章子怡的名字和代言的广告都要远高于赵薇，那么，根据绩效性原理，通过以下公式：
其中，绩效值V_Utility＝I
得知，用户实施标签“章子怡代言的广告”所对应的“点击”这个行为所获得的绩效性要高于标签为“赵薇代言的广告”所对应的“点击”这个行为所获得的绩效性。于是，<标签，行为>绩效值序列存储器4向最高绩效值匹配对存储器5输出：
<章子怡代言的广告，点击，U＝A>
<赵薇代言的广告，点击，U＝B>(A＞B)，
并且将以下标签组合(表中以方框黑体显示的标签为选中的标签组合)以及被激活状态返回到网络内容与行为匹配对<标签，行为>存储器3中。
最高绩效值匹配对存储器5收到了<标签，行为>绩效值序列存储器4的“指令”，将<章子怡代言的广告，点击>做为对该用户面对明星广告时的一种推测而记录下来并将结果传输到用户网络行为对比器1中，与用户实际的行为做对比。
用户网络行为对比器1中收到的用户实际的动作是用户点击了赵薇代言的广告，即<赵薇代言的广告，点击>，于是将<赵薇代言的广告，点击>匹配对传输给网络内容属性标签收集器2，网络内容属性标签收集器2收到“指令”，认为该用户对章子怡代言的广告不敢兴趣，但是却对赵薇代言的广告感兴趣，于是将以下标签组合(表中以方框黑体显示的标签为选中的标签组合)传输到网络内容与行为匹配对<标签，行为>存储器3中。
网络内容与行为匹配对<标签，行为>存储器3的到“指令”，该用户相对于章子怡代言的广告，对赵薇代言的广告更加有兴趣，于是针对该用户面对明星代言的广告时候(相对于章子怡和赵薇，其他例子过程同样)的行为模式变有了更新，而且这个更新过的行为模式是对该用户精准的分析和预测，于是服务器将这个行为模式的分析结果传输给网络运营商。以后改网络运营商再向该用户展示或者投放明星代言的广告的时候就不会再选择章子怡代言的广告；如果经过同样的循环发现该用户确实在所有的明星代言的广告中对赵薇的有浓厚的兴趣，那么以后就向该用户精准地、大量地投放赵薇代言的广告；如果经过同样的循环最终发现，该用户只是相对于章子怡更喜欢赵薇，即：点击赵薇代言的广告给用户带来的满足感大于点击章子怡代言的广告给用户带来的满足感，而面对其他明星的时候选择了其他人，例如刘晓庆，那么以后就精准地、大量地向该用户投放刘晓庆所代言的广告。
实施例2：
在旅游预订类的电子商务平台上，通常情况下，绝大多数用户都是更加看重酒店房间夜的性价比，例如，同样是五星级的酒店，第一个800元/间夜，但是房间硬件环境和酒店工作人员服务质量都一般；第二个1100元/间夜，但是硬件环境和酒店工作人员服务质量都非常的好，客人入住体验要高出其他同星级的酒店；第三个2000元/间夜，硬件条件相较于前两个酒店较差，但是酒店工作人员服务质量非常的好，人性化、一条龙服务，给宾客带来家一般的舒适感。
当与服务器对接的网页上呈现出多个可供选择的五星级酒店时，网络内容属性标签收集器2和网络内容与行为匹配对<标签，行为>存储器3会自动将下列标签以如下方式进行组合：
并将此标签组合传输到<标签，行为>绩效值序列存储器4中，因为通常情况下人们对一次性消费品的消费原则遵从性价比高的原则，于是<标签，行为>绩效值序列存储器4会产生如下预设的标签组合(表中以方框黑体显示的标签为选中的标签组合)和被激活的状态描述：
那么，根据绩效性原理，通过以下公式：
其中，绩效值V_Utility＝I
得知：用户实施标签“性价比高”所对应的“选择”这个行为所获得的绩效性要高于从另外两个标签所对应的行为中所获得的绩效性；用户实施标签“性价比低，很贵，顶级服务”所对应的“选择”这个行为所获得的绩效性要低于从另外两个标签所对应的行为中所获得的绩效性。于是，<标签，行为>绩效值序列存储器4向最高绩效值匹配对存储器5输出：
<性价比高，选择，U＝A>
<性价比一般，选择，U＝B>
<性价比低，很贵，顶级服务，选择，U＝C>(A＞B＞C)，
并且将上述标签组合以及被激活状态返回到网络内容与行为匹配对<标签，行为>存储器3中。
最高绩效值匹配对存储器5收到了<标签，行为>绩效值序列存储器4的“指令”，将<性价比高，选择>做为对该用户面对五星级酒店房间选择时候的一种推测而记录下来并将结果传输到用户网络行为对比器1中，与用户实际的行为做对比。
用户网络行为对比器1中收到的用户实际的动作是用户选择了性价比低，房间很贵2000元/间夜，但是拥有顶级服务的酒店，即<性价比低，很贵，顶级服务，选择>，于是将<性价比低，很贵，顶级服务，选择>匹配对传输给网络内容属性标签收集器2，网络内容属性标签收集器2收到“指令”，发现虽然对于大多数消费者来说，性价比是他们选择酒店时候的主要参考标准，但是对于该特定用户来说，酒店提供的服务质量才是最重要的标准，价格高低与否，该消费者不在乎，于是将以下标签组合(表中以方框黑体显示的标签为选中的标签组合)传输到网络内容与行为匹配对<标签，行为>存储器3中。
网络内容与行为匹配对<标签，行为>存储器3得到“信息反馈”，发现对于该用户来说，最重要的并不是需要支付多少价格或者性价比是否高，只要能够享受到顶级的酒店服务，该用户就愿意入住，于是，网络内容与行为匹配对<标签，行为>存储器3更新对于该用户的行为模式分析和预测，并将此信息以输出的形式最终通过<标签，行为>绩效值序列存储器4和最高绩效值匹配对存储器5反映给该旅游电商平台。该旅游电商在得到这个为该用户“量身定做”的信息后，便可以将更多的服务质量顶级甚至奢华的酒店推荐给该用户，从而从该用户身上赚取更多的利润。
通过基于认知心理学的用户行为模式分析来确定互联网用户网络行为的方法，在对被研究用户数据进行分析的时候，所依赖的数据来源和分析方法与本发明前半部分所述的数据处理技术有着本质区别。通过基于认知心理学的行为模式分析来确定互联网用户网络行为的方法所依赖的数据来源不是海量的多个不同数据个体，而是单个个体其所有特征和其在所属网站的所有网络行为。互联网用户本身在网站上的一切行为以及这些行为导致的结果将为本发明所提出的行为模式分析方法提供所有需要的数据和信息来源。其次，通过基于认知心理学的用户行为模式分析来确定互联网用户网络行为的方法根据互联网用户显性和隐形(即：直接和间接)的互动反馈所提供的内容为网站提供最直接相关的互联网用户行为分析结果和行为预测结果。
以上是对本发明的优选实施例进行的详细描述，但本领域的普通技术人员应该意识到，在本发明的范围内和精神指导下，各种改进、添加和替换都是可能的，例如调整接口调用顺序、改变消息格式和内容、使用不同的编程语言(如C、C++、Java等)实现等。这些都在本发明的权利要求所限定的保护范围内。
Claims (9)
1.一种用于精准分析互联网用户网络行为的方法，其特征在于包括如下步骤：
步骤一、将网络内容用标签类描述；
步骤二、将用户能够对网络内容所进行的操作对应到网络内容的标签；
步骤三、将能够对网络内容标签所实施的所有操作表示为行为域；
步骤四、用标签、标签所对应的行为域、<标签，行为>匹配对来描述网络运营商提供的网络内容；
步骤五、采集某一特定用户的实际行为，将<标签，实际行为>匹配对与预先设定的针对所述网络内容的用户预测行为所对应的<标签，预测行为>匹配对进行比对；
步骤六、针对该特定用户，用比对结果更新用于描述网络运营商提供的网络内容的<标签，行为>匹配对；
步骤七、将更新的针对该特定用户的<标签，行为>匹配对与该特定用户再次操作该网络内容的行为所产生的<标签，实际行为>匹配对进行比对；
步骤八、对该特定用户多次对网络内容施加的行为所更新产生的<标签，行为>匹配对进行绩效排序；
步骤九、针对该特定用户，将拥有最大绩效值的<标签，行为>匹配对作为对该特定用户对于该标签所描述网络内容的的精准行为模式输出给网络运营商。
2.根据权利要求1所述的用于精准分析互联网用户网络行为的方法，其特征在于步骤五～步骤九中针对某一特定用户所采取的策略是基于该特定用户的用户ID实现的。
3.一种用于精准分析互联网用户网络行为的装置，其特征在于包括：
用户网络行为对比器(1)，其用于采集某一特定用户根据网络实际内容而采取的行为，以及被实施该行为的网络内容的标签；并将该特定用户实际执行的行为与网络服务器端的决策制定分析器所输出的预先设定的用户行为进行对比，将对比结果以及用户实际的行为输出到网络内容属性标签收集器(2)中；
网络内容属性标签收集器(2)，其用于将网络上的内容分类，并按照分类等级的方法将分类后的内容的共同属性以标签的形式存储下来；
网络内容与行为匹配对存储器<标签，行为>(3)，用于将用户网络行为对比器(1)中的某一特定用户行为和网络内容属性标签收集器(2)中的网络内容属性标签以<标签，行为>的形式进行配对，针对该特定用户，将配对结果记录在服务器上并同时提供给<标签，行为>行为绩效值序列存储器(4)；
<标签，行为>行为绩效值序列存储器(4)，用于对该特定用户多次对网络内容施加的行为所更新产生的<标签，行为>匹配对进行绩效排序，并将拥有最大绩效值的匹配对发送到最高绩效值匹配对存储器(5)；
最高绩效值匹配对存储器(5)，用于针对该特定用户，将拥有最大绩效值的<标签，行为>匹配对作为对该特定用户的精准行为模式输出给网络运营商。
4.根据权利要求3所述的用于精准分析互联网用户网络行为的装置，其特征在于在<标签，行为>绩效值序列存储器(4)中，各类标签所对应的匹配对按照绩效值从大到小排列，并且将该信息传回到网络内容与行为匹配对存储器(3)中，使得网络内容与行为匹配对存储器(3)中的相应标签得以被激活。
5.根据权利要求3所述的用于精准分析互联网用户网络行为的装置，其特征在于针对某一特定用户所采取的策略是基于该特定用户的用户ID实现的。
6.根据权利要求3所述的用于精准分析互联网用户网络行为的装置，其特征在于所述内容与行为匹配对存储器(3)首先会将当前互联网页面的内容按照其被用户观察到后可以被实施的行为和动作进行分类，并且将分好的类用不同的标签来描述，这些标签可以根据当前页面的具体内容进行实时的、自动的组合，并将该组合记录在服务器上。
7.根据权利要求3所述的用于精准分析互联网用户网络行为的装置，其特征在于最高绩效值匹配对存储器(5)将<标签，行为，绩效值>序列按照相同的顺序，还原成<标签，行为>有序序列，并绩效值最大的<标签，行为>匹配对传输到用户网络行为对比器(1)中，用来与该特定用户在网络上再次所实施的行为所对应的<标签，实际行为>匹配对进行比对。
8.根据权利要求7所述的用于精准分析互联网用户网络行为的装置，其特征在于若比对行为相同，则将结果传输到网络内容属性标签收集器(2)中，并在网络内容属性标签收集器(2)中按照当前网络内容对标签在等级标签组中的位置予以确定和插入；若比对行为不相同，则以用户的实际行为为标准生成<标签，实际行为>匹配对，并将结果按照上述原理，传输到网络内容属性标签收集器(2)中。
9.根据权利要求8所述的用于精准分析互联网用户网络行为的装置，其特征在于在网络内容属性标签收集器(2)中，标签及其所对应的行为域，将被根据当前网络内容进行排序和组合，并将结果传输到网络内容与行为匹配对存储器(3)中，并使用从网络内容属性标签收集器(2)中传来的新的行为域覆盖和更新网络内容与行为匹配对存储器(3)中每一个标签所对应的行为域，进而开启一轮新的循环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210015132 CN102609471B (zh) | 2012-01-18 | 2012-01-18 | 一种用于精准分析互联网用户网络行为的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210015132 CN102609471B (zh) | 2012-01-18 | 2012-01-18 | 一种用于精准分析互联网用户网络行为的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102609471A CN102609471A (zh) | 2012-07-25 |
| CN102609471B true CN102609471B (zh) | 2013-09-04 |
Family
ID=46526843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201210015132 Active CN102609471B (zh) | 2012-01-18 | 2012-01-18 | 一种用于精准分析互联网用户网络行为的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102609471B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9317812B2 (en) * | 2012-11-30 | 2016-04-19 | Facebook, Inc. | Customized predictors for user actions in an online system |
| CN103412980B (zh) * | 2013-07-13 | 2016-03-09 | 北京工业大学 | 基于实验的出行方式选择心理决策过程信息获取方法 |
| CN104065562A (zh) * | 2014-02-11 | 2014-09-24 | 周强 | 网络信息服务系统中信息即时推送的方法和系统 |
| CN103955614A (zh) * | 2014-04-29 | 2014-07-30 | 北京盛世光明软件股份有限公司 | 一种心理危机预测方法及系统 |
| CN105335409B (zh) * | 2014-07-31 | 2019-02-01 | 华为技术有限公司 | 一种目标用户的确定方法、设备和网络服务器 |
| CN107783987B (zh) * | 2016-08-25 | 2022-03-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法及装置 |
| CN106445110A (zh) * | 2016-08-30 | 2017-02-22 | 珠海市魅族科技有限公司 | 状态更新方法和装置 |
| CN107808333A (zh) * | 2016-09-08 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 一种商品投放决策系统、方法及装置 |
| CN108536362B (zh) * | 2017-03-02 | 2021-10-19 | 百度在线网络技术（北京）有限公司 | 用于识别操作的方法、装置及服务器 |
| CN108810060B (zh) * | 2017-05-05 | 2022-03-25 | 阿里巴巴集团控股有限公司 | 业务信息的提供、接收、用户聚合方法、服务器及客户端 |
| CN107423385A (zh) * | 2017-07-19 | 2017-12-01 | 安徽拓通信科技集团股份有限公司 | 基于大数据的用户深层标签挖掘方法 |
| CN110163694A (zh) * | 2018-01-30 | 2019-08-23 | 哈尔滨学院 | 一种基于大数据的电商系统及方法 |
| CN111127056A (zh) * | 2018-10-31 | 2020-05-08 | 北京国双科技有限公司 | 用户等级划分方法及装置 |
| CN109548005B (zh) * | 2018-11-27 | 2021-10-01 | 每日互动股份有限公司 | 获取移动终端标签信息的系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1804844A (zh) * | 2006-01-10 | 2006-07-19 | 西安交通大学 | 一种基于Web页面元数据的用户访问行为形式化描述方法 |
| CN101131747A (zh) * | 2006-08-22 | 2008-02-27 | 国际商业机器公司 | 捕获和/或分析客户端的Web页面事件的方法、装置及系统 |
-
2012
- 2012-01-18 CN CN 201210015132 patent/CN102609471B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1804844A (zh) * | 2006-01-10 | 2006-07-19 | 西安交通大学 | 一种基于Web页面元数据的用户访问行为形式化描述方法 |
| CN101131747A (zh) * | 2006-08-22 | 2008-02-27 | 国际商业机器公司 | 捕获和/或分析客户端的Web页面事件的方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102609471A (zh) | 2012-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102609471B (zh) | 一种用于精准分析互联网用户网络行为的方法和装置 | |
| Marangunić et al. | Technology acceptance model: a literature review from 1986 to 2013 | |
| Orehovački et al. | Evaluating the perceived and estimated quality in use of Web 2.0 applications | |
| US11908028B2 (en) | Method and system for curriculum management services | |
| Bae et al. | Adoption of smart TVs: a Bayesian network approach | |
| KR102347306B1 (ko) | 빅데이터를 활용한 모임 구성원 매칭 방법 및 시스템 | |
| Al-Emran et al. | Is M-learning acceptance influenced by knowledge acquisition and knowledge sharing in developing countries? | |
| Xu | Enhanced ergonomics approaches for product design: a user experience ecosystem perspective and case studies | |
| Li et al. | Online social networking sites continuance intention: A model comparison approach | |
| Pereira et al. | New insights into consumers’ intention to continue using chatbots in the tourism context | |
| Sun et al. | Amassing and analyzing customer data in the age of big data: A case study of Haier’s Online-to-Offline (O2O) business model | |
| US9536445B2 (en) | System and method for visually tracking a learned process | |
| Wang et al. | Factors of mobile library user behavioral intention from the perspective of information ecology | |
| Liu et al. | The antecedent and consequence behaviour of sustainable tourism: integrating the concepts of marketing strategy and destination image | |
| Freyne et al. | Evaluating recommender systems for supportive technologies | |
| Pantano et al. | New technology and tourism industry innovation: evidence from audio-visual patented technologies | |
| Kim | Collaborative fashion consumption in the sharing economy: Philosophical and aesthetic perspectives | |
| Liu et al. | Investigating users switching intention for mobile map services: an extension of the push-pull-mooring model | |
| Xiong et al. | Understanding the relationship between IT affordance and consumers’ purchase intention in e-commerce live streaming: The moderating effect of gender | |
| US9292883B2 (en) | System and method for managing a trail | |
| Liu et al. | The impacts of unique service resources and habit on e-service loyalty in a highly competitive market | |
| Jo et al. | Effects of ChatGPT’s AI capabilities and human-like traits on spreading information in work environments | |
| Toma et al. | To read or not to read: Modeling online newspaper reading satisfaction and its impact on revisit intention and word-of-mouth | |
| Burnett et al. | Ten simple rules for creating a scientific web application | |
| Sharma et al. | Applying a technology acceptance model to understand digital-free tourism |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |