CN105893383A - 基于关联规则推荐算法的车联网信息智能推送方法及系统 - Google Patents

Abstract

本发明公开了一种基于关联规则推荐算法的车联网信息智能推送方法及系统，属一种计算机关联信息推送方法，所述的方法包括如下步骤：步骤A、平台服务器获取车联网用户终端的用户历史行为数据；步骤B、平台服务器以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数等；平台服务器通过获取车联网终端的用户历史行为数据进行深度分析，可有效挖掘到用户的实际需求，根据标签定义准确定位用户的个性化需求，在此基础上进行的针对性信息推送，可有效提升用户体验以及用户的粘性。

Description

基于关联规则推荐算法的车联网信息智能推送方法及系统

技术领域

本发明涉及一种关联信息推送方法，更具体的说，本发明主要涉及一种基于关联规则推荐算法的车联网信息智能推送方法及系统。

背景技术

随着车联网云平台逐步接入大量的车辆、设备，以及应用、内容和服务，车联网云平台聚合了海量客户资源，以及产品、应用等资源，主动信息推送是车联网平台实现用户和产品互动的重要功能，如何将合适的产品、内容和服务，在合适的时间、地点，通过合适的方式主动推送给用户成为了车联网平台需要实现的重要功能点，而现有技术中的类似平台仅能简单、粗放的向用户推送信息，无法对用户的需求进行挖掘分析，不能满足用户的个性化需求，故有必要对此做进一步的研究和改进。

发明内容

本发明的目的之一在于针对上述不足，提供一种基于关联规则推荐算法的车联网信息智能推送方法，以期望解决现有技术中车联网平台只能简单、粗放的推送信息，无法对用户的需求进行挖掘分析，不能满足用户的个性化需求等技术问题。

为解决上述的技术问题，本发明采用以下技术方案：

本发明一方面提供了一种基于关联规则推荐算法的车联网信息智能推送方法，所述的方法包括如下步骤：

步骤A、平台服务器获取车联网用户终端的用户历史行为数据；所述用户历史行为数据中至少包括用户标识以及与用户标识对应的服务标识；

步骤B、平台服务器以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数，以此获得服务标识矩阵中各个服务标识的支持度；

步骤C、平台服务器根据用户标识对应的各个服务标识的支持度，对当前用户标识定义标签并分类存储至用户标签信息库；

步骤D、平台服务器根据用户标签信息库中不同类型的用户标签，推送与之对应类别的信息到用户标识所在的车联网用户终端。

作为优选，进一步的技术方案是：所述步骤B中平台服务器通过FpTree算法对各个用户标识，以及从每个用户标识下的服务标识矩阵统计出的服务标识使用次数进行计算，以获取各个服务标识的支持度。

更进一步的技术方案是：所述步骤A中平台服务器向车联网中的各个用户标识发送广播请求，由用户标识所在终端的软件将用户历史行为数据传输至平台服务器。

本发明另一方面还提供了一种基于关联规则推荐算法的车联网信息智能推送系统，所述的系统包括：

车联网用户终端，用于通过软件将用户历史行为数据传输至平台服务器；

平台服务器，用于从车联网用户终端中获取用户历史行为数据，所述用户历史行为数据中至少包括用户标识以及与用户标识对应的服务标识；所述平台服务器还用于以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数，以此获得服务标识矩阵中各个服务标识的支持度；并根据用户标识对应的各个服务标识的支持度，对当前用户标识定义标签并分类存储至用户标签信息库；进而根据用户标签信息库中不同类型的用户标签，推送与之对应类别的信息到用户标识所在的车联网用户终端。

作为优选，进一步的技术方案是：所述平台服务器通过FpTree算法对各个用户标识，以及从每个用户标识下的服务标识矩阵统计出的服务标识使用次数进行计算，以获取各个服务标识的支持度。

更进一步的技术方案是：所述平台服务器向车联网中的各个用户标识发送广播请求，再由用户标识所在终端的软件将用户历史行为数据传输至平台服务器。

与现有技术相比，本发明的有益效果之一是：平台服务器通过获取车联网终端的用户历史行为数据进行深度分析，可有效挖掘到用户的实际需求，根据标签定义准确定位用户的个性化需求，在此基础上进行的针对性信息推送，可有效提升用户体验以及用户的粘性。

附图说明

图1为用于说明本发明一个实施例中的信息推送方法主流程图；

图2为用于说明本发明一个实施例中的用户行为数据与用户标签库交互流程图；

图3为用于说明本发明一个实施例中的关联规则算法流程图；

图4为用于说明本发明一个实施例中的关联规则算法实施示例示意图；

图5为用于说明本发明一个实施例中的信息推送交互流程图；

图6为用于说明本发明一个实施例中的用户标签信息库信息存储原理图。

具体实施方式

下面结合附图对本发明作进一步阐述。

参考图1及图2所示，本发明的一个实施例是一种基于关联规则推荐算法的车联网信息智能推送方法，所述的方法包括并优选按照如下步骤执行：

步骤S1、平台服务器获取车联网用户终端的用户历史行为数据；所述用户历史行为数据中至少包括用户标识以及与用户标识对应的服务标识；

步骤S2、参考图3所示，平台服务器以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数，以此获得服务标识矩阵中各个服务标识的支持度；

步骤S3、平台服务器根据用户标识对应的各个服务标识的支持度，对当前用户标识定义标签并分类存储至用户标签信息库；通过前述的服务标识支持度即可获得用户的实际需求偏好；平台服务器以此为参考，构建各类服务信息推送规则，并提供给系统操作人员。

步骤S4、参考图5所示，平台服务器根据用户标签信息库中不同类型的用户标签，推送与之对应类别的信息到用户标识所在的车联网用户终端。

在本实施例中，平台服务器通过获取车联网终端的用户历史行为数据进行深度分析，可有效挖掘到用户的实际需求，根据标签定义准确定位用户的个性化需求，在此基础上进行的针对性信息推送，可有效提升用户体验以及用户的粘性。

根据本发明的另一实施例了，上述步骤B中平台服务器通过FpTree算法对各个用户标识，以及从每个用户标识下的服务标识矩阵统计出的服务标识使用次数进行计算，以获取各个服务标识的支持度。

上述的FpTree算法(Frequent Pattern-growth)为使用了一种紧缩的数据结构来存储查找频繁项集所需要的全部信息。

进一步的，上述步骤A中平台服务器获得用户历史行为数据的优选方式为向车联网中的各个用户标识发送广播请求，由用户标识所在终端的软件将用户历史行为数据传输至平台服务器。

基于上述的实施例，本发明更加具体的实施方案如下：

由于将用户历史行为数据中涉及字段信息比较多，现以2个核心字段，即用户标识，以及用户使用的具体产品或服务的标识(即上述的服务标识)，其他字段详细信息不赘述。输入文本：

来自HDFS文件存储路径(输入数据存储HDFS路径)中的稀疏矩阵：

文件内容格式：...用户标识...服务标识

文件内容范例如表1所示：

表1：

通过对用户历史行为数据进行数据分析、按用户需求偏好信息对用户打上标签，如：音乐爱好者、体育爱好者、商务人士...，具体如图6所示；

上述的关联规则算法使用FP-Tree(Frequent Pattern tree，频繁模式树)，基于mahout实现，输入参数如表2所示：

表2：

参数名	中文名	类型	是否可为空
				DataInputPath	输入数据存储HDFS路径	String	NO
DataOuputPath	输出数据存储HDFS路径	String	NO
				SessionIDCellNo	SessionID所属列编号(从0开始)	Int	NO
ItemIDCellNo	ItemID所属列编号(从0开始)	Int	NO

输入文本：如上所述；

输出文本：

文件格式：(服务标识)，(服务标识1出现的次数)，服务标识1占比，服务标识2占比，服务标识2出现的总次数，服务标识2占比，服务标识1，服务标识2共同出现次；服务标识1，服务标识2支持度，服务标识总数，服务标识1-＞服务标识2的置信度；

文件输出路径：DataOuputPath

文件内容范例如表3所示：

表3：

次数：表示服务标识1/服务标识2的出现次数。

占比：表示服务标识/服务标识2的出现次数在总服务标识数中出现的一个比例。

同出现次数：表示服务标识1、服务标识2同时出现在同一会话周期内的次数。

服务标识总数：表示输入文本中总共出现服务标识的总个数。

置信度：表示服务标识1＝＞服务标识2的置信度。列之前以“，”作为分隔符。

基于上述的矩阵统计结果的关联规则算法处理流程如下：

关联规则算法处理流程图如图3所示：

关联规则算法具体实施例如图4所示，实施步骤如下所示：

第一步：创建MapReducer Job(映射归约作业)，命名为DataFormatSteplJob，指定接收参数DataInputPath作为数据输入目录。

Mapper Input(映射输入)数据格式为：key：null；value：用户标识1，用户标识2，...，用户标识N。

根据用户输入的用户标识，服务标识列编号提取列信息。

Mapper Ouput(映射输出)数据格式为：key：用户标识；value：服务标识。

Reducer Input(归约输入)数据格式为：key：用户标识；value：列表<服务标识>。

根据key：用户标识，合并value：列表<服务标识>。

Reducer Output(归约输出)数据格式为：key：用户标识；Value：服务标识1服务标识2...服务标识N。(记本轮Job输出数据为FormatDatal)。

第二步：创建MapReducer Job((映射归约作业类)，命名为DataFormatStep2Job，指定FormatDatal作为数据输入目录。

Mapper Input数据格式为：key：用户标识；value：服务标识1服务标识2...服务标识N。

Mapper(映射)中不做任何处理直接输出。

Mapper Ouput(映射输出)数据格式为：key：用户标识；value：服务标识1服务标识2...服务标识N。

Reducer Input(归约输入)数据格式为：key：用户标识；value：列表<服务标识1服务标识1...服务标识N>。

Reducer(归约)中直接迭代输出Value值。

Output数据格式为：key：null；value：服务标识1服务标识2...服务标识N。(记本轮Job输出数据为FormatData2)。

第三步：创建MapReducer Job(归约作业)，命名为DataStatisticsJob(数据统计作业)，指定FormatDatal作为数据输入目录。

Mapper Input(映射输入)数据格式为：key：用户标识；value：服务标识1服务标识2...服务标识N。

Mapper Output(映射输出)共3种格式的数据，分别为：

Key：用户标识出现的次数；Value：1。

Key：服务标识总数；Value：5。

Key：服务标识1出现的次数；Value：1。

Reducer Input(归约输入)有3种格式的数据，分别为：

Key：用户标识出现的次数；Value：List<1>。

Key：服务标识总数；Value：List<5>。

Key：服务标识1出现的次数；Value：List<1>。

Reducer Output(归约输出)数据格式为：

Key：用户标识出现的次数；Value：150。

Key：服务标识总数；Value：455。

Key：服务标识1出现的总次数；Value：6。

Key：服务标识2出现的总次数；Value：14。

Key：服务标识...出现的总次数；Value：9。

Key：服务标识N出现的总次数；Value：32。

(记本轮Job输出数据为StatisticalData)。

第四步：创建MapReducer Job(映射归约作业)，命名为FpTreeJob(FrequentPattern tree Job，频繁模式树作业)，指定FormatData2作为数据输入目录。

Mapper Input(映射输入)数据格式为：key：null；value：服务标识1服务标识2...服务标识N。

Reducer Output(归约输出)数据格式为：key：null；value：([97 707 755918 938]，3)，记本轮Job输出数据为FpTreeData(Frequent Pattern tree Job，频繁模式树)。

第五步：创建Job格式化FpTreeData(Frequent Pattern tree，频繁模式树)数据。记本轮Job输出数据为NewFpTreeData。

第六步：创建Job计算最终数据，指定NewFpTreeData，StatisticalData作为数据输入目录。

在本轮Job启动前，将StatisticalData(统计数据)数据加入到DistributedCache(分布式缓存)中。

最后计算整合。

在上述关联度运算的基础上，运营人员可根据用户标签、产品关联度对信息推送规则进行配置(如对NBA比赛爱好者可以推送最新赛况或NBA明星等信息...)，信息推送引擎对用户进行智能推送。智能信息推送与信息库交互流程图如图5所示。

与上述的实施例相类似，本发明的另一个实施例是一种基于关联规则推荐算法的车联网信息智能推送系统，该系统包括车载用户终端设备与平台服务器，其中：

车联网用户终端，用于通过软件将用户历史行为数据传输至平台服务器；

平台服务器，用于从车联网用户终端中获取用户历史行为数据，所述用户历史行为数据中至少包括用户标识以及与用户标识对应的服务标识；所述平台服务器还用于以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数，以此获得服务标识矩阵中各个服务标识的支持度；并根据用户标识对应的各个服务标识的支持度，对当前用户标识定义标签并分类存储至用户标签信息库；进而根据用户标签信息库中不同类型的用户标签，推送与之对应类别的信息到用户标识所在的车联网用户终端。

正如上述所提到的，系统中的平台服务器通过FpTree算法对各个用户标识，以及从每个用户标识下的服务标识矩阵统计出的服务标识使用次数进行计算，以获取各个服务标识的支持度。并且，平台服务器向车联网中的各个用户标识发送广播请求，再由用户标识所在终端的软件将用户历史行为数据传输至平台服务器。

再参考图5所示，在实际应用中，平台服务器按照上述计算得到的信息推送规则向车联网用户终端推送信息，当车联网用户终端的用户标识在线时，接收当前推送信息，反之，则由平台服务器循环发送推送数据，直至被车联网用户终端所接收。

上述实施例中所记载的技术手段，也正印证的了本发明旨在提供一种基于车联网大数据关联规则推荐算法对用户个性化需求进行精确定位，实现更高效、实用的车联网信息推送方法，满足用户个性化需求、提升用户体验，提高云平台用户粘性的发明目的。

然而除上述以外，还需要说明的是在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (6)

1.一种基于关联规则推荐算法的车联网信息智能推送方法，其特征在于所述的方法包括如下步骤：

步骤A、平台服务器获取车联网用户终端的用户历史行为数据；所述用户历史行为数据中至少包括用户标识以及与用户标识对应的服务标识；

步骤B、平台服务器以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数，以此获得服务标识矩阵中各个服务标识的支持度；

步骤C、平台服务器根据用户标识对应的各个服务标识的支持度，对当前用户标识定义标签并分类存储至用户标签信息库；

步骤D、平台服务器根据用户标签信息库中不同类型的用户标签，推送与之对应类别的信息到用户标识所在的车联网用户终端。

2.根据权利要求1所述的基于关联规则推荐算法的车联网信息智能推送方法，其特征在于：所述步骤B中平台服务器通过FpTree算法对各个用户标识，以及从每个用户标识下的服务标识矩阵统计出的服务标识使用次数进行计算，以获取各个服务标识的支持度。

3.根据权利要求1或2所述的基于关联规则推荐算法的车联网信息智能推送方法，其特征在于：所述步骤A中平台服务器向车联网中的各个用户标识发送广播请求，由用户标识所在终端的软件将用户历史行为数据传输至平台服务器。

4.一种基于关联规则推荐算法的车联网信息智能推送系统，其特征在于所述的系统包括：

车联网用户终端，用于通过软件将用户历史行为数据传输至平台服务器；

平台服务器，用于从车联网用户终端中获取用户历史行为数据，所述用户历史行为数据中至少包括用户标识以及与用户标识对应的服务标识；所述平台服务器还用于以用户历史行为数据中的用户标识为线索，找出用户标识对应的所有服务标识，再根据用户标识以及其对应的服务标识列表，构建服务标识矩阵，并在服务标识矩阵中统计出各个服务标识的使用次数，以此获得服务标识矩阵中各个服务标识的支持度；并根据用户标识对应的各个服务标识的支持度，对当前用户标识定义标签并分类存储至用户标签信息库；进而根据用户标签信息库中不同类型的用户标签，推送与之对应类别的信息到用户标识所在的车联网用户终端。

5.根据权利要求4所述的基于关联规则推荐算法的车联网信息智能推送系统，其特征在于：所述平台服务器通过FpTree算法对各个用户标识，以及从每个用户标识下的服务标识矩阵统计出的服务标识使用次数进行计算，以获取各个服务标识的支持度。

6.根据权利要求1所述的基于关联规则推荐算法的车联网信息智能推送系统，其特征在于：所述平台服务器向车联网中的各个用户标识发送广播请求，再由用户标识所在终端的软件将用户历史行为数据传输至平台服务器。