CN106874374A - 一种基于用户历史行为交互分析的推荐推送方法 - Google Patents

Abstract

本发明涉及一种基于用户历史行为交互分析的推荐推送方法。解决现有技术中数据平台无法给到用户精准且定制个性化信息服务需求的问题。方法步骤包括：预先设定用户的行为和喜好的物品并进行权重分配；实时采集用户的行为记录信息，分类后进行储存；根据用户权重最高的历史行为建立喜好矩阵，并根据这些数据包含的物品信息分别与用户、数据建立用户因子矩阵、物品因子矩阵；进行奇异值分解获得相似矩阵，将相似矩阵与喜好矩阵进行对比，选取其中未喜欢且分值高的物品推荐给对应的用户。本发明的优点是将用户与用户、数据与数据进行相关联结合，形成高精度的关系量化指标。且本发明方法是一个不断学习和提升的过程。

Description

一种基于用户历史行为交互分析的推荐推送方法

技术领域

本发明涉及一种网络推送技术领域，尤其是涉及一种数据与用户结合、不断学习提升的基于用户历史行为交互分析的推荐推送方法。

背景技术

现有的各种数据平台提供给用户的数据可以根据数据的时间或名词的字母表中的顺序做升序、倒序，或者基于一些过滤条件查询一些数据反馈到用户端。然而这些方式都是用户输入什么内容直接反馈给用户相关内容，无法给到用户精准且定制个性化信息服务需求。

发明内容

本发明主要是解决现有技术中数据平台无法给到用户精准且定制个性化信息服务需求的问题，提供了一种能找到最符合用户需求习惯的数据并基于该基础给予用户反馈的基于用户历史行为交互分析的推荐推送方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于用户历史行为交互分析的推荐推送方法，包括以下步骤：

S1.预先设定用户的行为和喜好的物品，并对行为、物品进行权重分配；预先设定的动作包括评论、回复、查看详情页、搜索、收藏、取消收藏、喜欢、取消喜欢、关注、取消关注、分享，这些动作可以根据需要进行添加。物品由动作对应的数据中分析得出，物品包括娱乐、颜值、汽车、数码、科技、社交、生活、手机，这些也根据需求进行设置。

S2.实时采集用户的行为记录信息，分类后进行储存；

S3.通过查询用户历史行为记录信息选取其中权重最高的行为，基于该行为，根据若干用户和他们行为对应的若干数据建立喜好矩阵，并根据这些数据包含的物品信息分别与用户、数据建立用户因子矩阵、物品因子矩阵；

S4.对用户因子矩阵和物品因子矩阵进行奇异值分解获得相似矩阵；

S5.将相似矩阵与喜好矩阵进行对比，选取其中未喜欢且分值高的物品推荐给对应的用户。

本发明将用户与用户、数据与数据进行相关联结合，形成数据与数据之间的高精度的关系量化指标。将数据与用户相结合，得到特有的符合用户需求的数据和内容。相比传统用户输入什么内容直接给到用户相关内容的方法，本方法从多维度多方面将用户与数据相结合，并且本发明方法是一个不断学习和提升的过程，这样就给用户提供更加精准且更贴近用户真实需求和系统的内容。

作为一种优选方案，步骤S2中分类的过程包括：

S21.实时检测用户的操作，根据预先设定的动作判断操作对应的动作；

S22.获取该动作对应操作的数据，将动作和数据一起进行储存。当用户进行操作时，根据操作判断其对应的动作，并获取将进行该动作的数据。如用户进行查看详情操作，则判断其为查看详情页动作，该动作对应的数据就包括查看对应详情页的具体内容，将动作和数据一起进行储存。

作为一种优选方案，步骤S3的具体过程包括：

S31.从存储数据中查询设定过去天数内当前用户的行为记录信息，获取用户的行为信息；

S32.比较这些行为的权重值，选取其中权重最高的行为；

S33.基于该行为，查询若干同批次不同用户并选取他们该行为对应的若干数据，根据用户和数据建立喜好矩阵C，矩阵中行表示用户，列表示数据；本方案选取另外两个用户，选取数量可以根据需求进行设定。并且从选取用户的对应行为历史数据中选取若干数据，数据的数量可以根据需求设定。

分析这些数据，分别获得数据对应的物品信息，根据用户和物品建立用户因子矩阵P，矩阵中行表示用户，列表示物品；分析数据采用关键词对数据内容进行检索，通过检索词出现的位置，出现的频率来判断数据内容相关的物品。本发明采用的这种分析方法为现有的方法，在此不具体赘述。通过分析数据内容判断数据包含的物品，如分析用户收藏动作对应的数据，分析该数据内容后判断包含汽车、娱乐物品信息。

根据数据和物品建立物品因子矩阵Q，矩阵中行表示数据，列表示物品。

作为一种优选方案，步骤S4中相似矩阵获取的具体过程包括：

对用户因子矩阵和物品因子矩阵进行奇异值分解，根据公式R=P*T（Q），得到相似矩阵R，其中T（Q）表示矩阵Q的转置矩阵。本方案中得到的相似矩阵R即表示用户对物品的喜欢程度，也可理解为对物品的打分。

作为一种优选方案，步骤S5中具体过程包括：

S51.对比喜好矩阵C和相似矩阵R，获取在喜好矩阵上用户表示未喜欢数值的位置；

S52.根据获得的位置，在相似矩阵找到对应的位置上，获得分值；

S53.选取其中最高的分值，根据该分值所在位置获得对应的数据，作为优先向用户推荐的内容，依次类推，直至完成向所有用户优先推荐数据。

作为一种优选方案，步骤S2中还包括对数据进行过滤的步骤，其包括：

S23.在连续或短时间内用户是否对同一数据进行与之前行为相反的行为，若否返回步骤S21继续检测，若是标记这些行为，在后续中不作为查询使用。本方案中过滤一些不具备有效性的行为信息，入用户对一个内容点击喜欢的行为，在连续或短时间内对相同内容点击取消喜欢行为，则判断这两行为为误操作数据，进行标记，在后续计算中不需要使用到该行为信息。

因此，本发明的优点是：将用户与用户、数据与数据进行相关联结合，形成数据与数据之间的高精度的关系量化指标。将数据与用户相结合，得到特有的符合用户需求的数据和内容。相比传统用户输入什么内容直接给到用户相关内容的方法，本方法从多维度多方面将用户与数据相结合，并且本发明方法是一个不断学习和提升的过程，这样就给用户提供更加精准且更贴近用户真实需求和系统的内容。

附图说明

附图1是本发明一种流程示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本实施例一种基于用户历史行为交互分析的推荐推送方法，其特征在于：包括以下步骤：

S1.预先设定用户的行为和喜好的物品，并对行为、物品进行权重分配；预先设定的动作包括评论、回复、查看详情页、搜索、收藏、取消收藏、喜欢、取消喜欢、关注、取消关注、分享等，这些动作可以根据需要进行添加。物品由动作对应的数据中分析得出，物品包括娱乐、颜值、汽车、数码、科技、社交、生活、手机等，这些也根据需求进行设置。

S2.实时采集用户的行为记录信息，分类后进行储存；分类的具体过程包括：

S21.实时检测用户的操作，根据预先设定的动作判断操作对应的动作；

S22.获取该动作对应操作的数据，将动作和数据一起进行储存。该步骤里还包括对数据进行过滤的步骤，其为：

S23.在连续或短时间内用户是否对同一数据进行与之前行为相反的行为，若否返回步骤S21继续检测，若是标记这些行为，在后续中不作为查询使用。

以喜欢的操作为例，用户在使用过程中若对某一内容点击了喜欢，则根据用户的操作将其分类为预先设定里的喜欢行为，同时将该行为操作的内容数据一起进行储存。

S3.通过查询用户历史行为记录信息选取其中权重最高的行为，基于该行为，根据若干用户和他们行为对应的若干数据建立喜好矩阵，并根据这些数据包含的物品信息分别与用户、数据建立用户因子矩阵、物品因子矩阵；

步骤S3的具体过程包括：

S31.从存储数据中查询设定过去天数内当前用户的行为记录信息，获取用户的行为信息；

S32.比较这些行为的权重值，选取其中权重最高的行为；

S33.基于该行为，查询若干同批次不同用户并选取他们该行为对应的若干数据，根据用户和数据建立喜好矩阵C，矩阵中行表示用户，列表示数据；

分析这些数据，分别获得数据对应的物品信息，根据用户和物品建立用户因子矩阵P，矩阵中行表示用户，列表示物品；

根据数据和物品建立物品因子矩阵Q，矩阵中行表示数据，列表示物品。

这里也以实际例子为例，从后台数据库中查询取出过去7天内的该用户的行为记录信息，比如这些行为记录信息包括评论、回复、喜欢这几个行为，根据预先分配的权重，其中喜欢的权重为2最高，这里经过比较，选取了权重最高的行为喜欢。

使用用户喜欢行为的数据作为模型数据，通过数据库查询出同一个批次不同用户的喜欢行为的数据，这里总共以3个不同用户为例，分别为Ua、Ub、Uc，每个用户都取3条数据，

如用户Ua喜欢行为的数据I1、I2、I3，

用户Ua喜欢行为的数据I2、I3、I4，

用户Ua喜欢行为的数据I3、I4、I5，

其中I1、I2、I3、I4、I5分别表示行为对应的数据，通过分析分别获得这些数据对应的物品信息，物品及权重都是预先设定，如：

I1：颜值（权重0.3）、娱乐（权重0.7）

I2：汽车（权重0.4）、娱乐（权重0.6）

l3：数码（权重0.5）、科技（权重0.5）

l4：社交（权重0.1）、生活（权重0.9）

l5：手机（权重0.2）、科技（权重0.8），

根据上面的信息可以得出3个用户与3个数据的关系，将用户（Ua，Ub，Uc）和物品（I1，I2，I3）对应用二维图表表示如下：

1.	2. I1	3. I2	4. I3	5. I4	6. I5
						7. Ua	8. 1	9. 1	10. 1	11.	12.
13. Ub	14.	15. 1	16. 1	17. 1	18.
						19. Uc	20.	21.	22. 1	23. 1	24. 1

将用户对数据的喜欢行为用属性矩阵表示，得到喜好矩阵C：，其中行：表示用户，列：表示数据。

用户因子矩阵P用二维图表表示如下：

25.	26. 颜值	27. 娱乐	28. 汽车	29. 数码	30. 科技	31. 社交	32. 生活	33. 手机
									34. Ua	35. 0.3	36. 1.3	37. 0.4	38. 0.5	39. 0.5	40.	41.	42.
43. Ub	44.	45. 0.6	46. 0.4	47. 0.5	48. 0.5	49. 0.1	50. 0.9	51.
									52. Uc	53.	54.	55. 1	56. 0.7	57. 0.5	58. 0.1	59. 0.9	60. 0.2

上述图表中数字源自用户喜欢行为对应的数据，喜欢的权重由每项物品的权重累加所得。将上面的图表用属性矩阵表示，得到用户因子矩阵P：。

物品因子矩阵1的用二维表表示如下：

61.	62. 颜值	63. 娱乐	64. 汽车	65. 数码	66. 科技	67. 社交	68. 生活	69. 手机
									70. I1	71. 0.3	72. 0.7	73.	74.	75.	76.	77.	78.
79. I2	80.	81. 0.6	82. 0.4	83.	84.	85.	86.	87.
									88. I3	89.	90.	91.	92. 0.5	93. 0.5	94.	95.	96.
97. I4	98.	99.	100.	101.	102.	103. 0.1	104. 0.9	105.
									106. I5	107.	108.	109.	110.	111. 0.8	112.	113.	114. 0.2

将上面的图表用属性矩阵表示，得到物品因子矩阵Q：

。

S4.对用户因子矩阵和物品因子矩阵进行奇异值分解获得相似矩阵；相似矩阵获取的具体过程包括：

对用户因子矩阵和物品因子矩阵进行奇异值分解，根据公式R=P*T（Q），得到相似矩阵R，其中T（Q）表示矩阵Q的转置矩阵。

转置矩阵T（Q）为：，

根据公式求得相似矩阵R：。相似矩阵R表示用户对物品的喜欢程度，也可理解为物品的打分。

S5.将相似矩阵与喜好矩阵进行对比，选取其中未喜欢且分值高的数据推荐给对应的用户。

步骤S5中具体过程包括：

S51.对比喜好矩阵C和相似矩阵R，获取在喜好矩阵上用户表示未喜欢数值的位置；

S52.根据获得的位置，在相似矩阵找到对应的位置上，获得分值；

S53.选取其中最高的分值，根据该分值所在位置获得对应的数据，作为优先向用户推荐的内容，依次类推，直至完成向所有用户优先推荐数据。

相比之前的喜好矩阵C，对于用户Ua，第一行第四列和第五列为不喜欢的数据，则从相似矩阵中对应位置获得分值为0和0.4，其中0.4是分值为正且较高，因而将分值0.4对应的数据即I5的物品内容优先向用户推荐。用户Ub、Uc的数据推荐以此类推。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于用户历史行为交互分析的推荐推送方法，其特征在于：包括以下步骤：

S1.预先设定用户的行为和喜好的物品，并对行为、物品进行权重分配；

S2.实时采集用户的行为记录信息，分类后进行储存；

S3.通过查询用户历史行为记录信息选取其中权重最高的行为，基于该行为，根据若干用户和他们行为对应的若干数据建立喜好矩阵，并根据这些数据包含的物品信息分别与用户、数据建立用户因子矩阵、物品因子矩阵；

S4.对用户因子矩阵和物品因子矩阵进行奇异值分解获得相似矩阵；

S5.将相似矩阵与喜好矩阵进行对比，选取其中未喜欢且分值高的数据推荐给对应的用户。

2.根据权利要求1所述的一种基于用户历史行为交互分析的推荐推送方法，其特征是步骤S2中分类的过程包括：

S21.实时检测用户的操作，根据预先设定的动作判断操作对应的动作；

S22.获取该动作对应操作的数据，将动作和数据一起进行储存。

3.根据权利要求1所述的一种基于用户历史行为交互分析的推荐推送方法，其特征是步骤S3的具体过程包括：

S31.从存储数据中查询设定过去天数内当前用户的行为记录信息，获取用户的行为信息；

S32.比较这些行为的权重值，选取其中权重最高的行为；

S33.基于该行为，查询若干同批次不同用户并选取他们该行为对应的若干数据，根据用户和数据建立喜好矩阵C，矩阵中行表示用户，列表示数据；

分析这些数据，分别获得数据对应的物品信息，根据用户和物品建立用户因子矩阵P，矩阵中行表示用户，列表示物品；

根据数据和物品建立物品因子矩阵Q，矩阵中行表示数据，列表示物品。

4.根据权利要求3所述的一种基于用户历史行为交互分析的推荐推送方法，其特征是步骤S4中相似矩阵获取的具体过程包括：

对用户因子矩阵和物品因子矩阵进行奇异值分解，根据公式R=P*T（Q），得到相似矩阵R，其中T（Q）表示矩阵Q的转置矩阵。

5.根据权利要求4所述的一种基于用户历史行为交互分析的推荐推送方法，其特征是步骤S5中具体过程包括：

S51.对比喜好矩阵C和相似矩阵R，获取在喜好矩阵上用户表示未喜欢数值的位置；

S52.根据获得的位置，在相似矩阵找到对应的位置上，获得分值；

S53.选取其中最高的分值，根据该分值所在位置获得对应的数据，作为优先向用户推荐的内容，依次类推，直至完成向所有用户优先推荐数据。

6.根据权利要求2所述的一种基于用户历史行为交互分析的推荐推送方法，其特征是步骤S2中还包括对数据进行过滤的步骤，其包括：

S23.在连续或短时间内用户是否对同一数据进行与之前行为相反的行为，若否返回步骤S21继续检测，若是标记这些行为，在后续中不作为查询使用。