CN108876517A - 基于人工智能的用户喜好分析方法及系统 - Google Patents

基于人工智能的用户喜好分析方法及系统 Download PDF

Info

Publication number
CN108876517A
CN108876517A CN201810547565.XA CN201810547565A CN108876517A CN 108876517 A CN108876517 A CN 108876517A CN 201810547565 A CN201810547565 A CN 201810547565A CN 108876517 A CN108876517 A CN 108876517A
Authority
CN
China
Prior art keywords
user
request
content
class categories
weight summation
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.)
Granted
Application number
CN201810547565.XA
Other languages
English (en)
Other versions
CN108876517B (zh
Inventor
周国俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810547565.XA priority Critical patent/CN108876517B/zh
Publication of CN108876517A publication Critical patent/CN108876517A/zh
Application granted granted Critical
Publication of CN108876517B publication Critical patent/CN108876517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供的基于人工智能的用户喜好分析方法及系统，该方法包括：对云端数据库的产品数据进行分类，以得到分类类别；当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好。通过该方法，可以在用户接收各种内容，如视频、音频、图文信息时，对用户的接收内容和操作进行标签化处理，再将已完成标签化处理的产品进行标签匹配。这样通过多次推送不同信息的比对，可以统计出用户的兴趣喜好，能够分析用户的喜好。

Description

基于人工智能的用户喜好分析方法及系统
技术领域
本发明属于人工智能技术领域，具体涉及基于人工智能的用户喜好分析方法及系统。
背景技术
随着互联网的不断完善和发展，线上产品(例如电商产品、线上APP视频等)越来越多，人们在观看或购买时，容易造成干扰和困惑。因此，越来越多的研究者开始关注个性化的产品推荐，以将用户中意的产品推荐给用户。
个性化的产品推荐需要获取用户的相关信息，从而为不同类型的用户投放不同的产品或者针对同一产品使用不同的营销策略。用户在访问线上产品时，往往能够留下访问痕迹，比如访问过的网页、提交的注册信息、查询的关键字和发表的评论信息等。这些访问痕迹一般被记录在数据库里，以便于离线或在线分析用户行为。
现有技术提供了多种对用户行为进行分析的方法，通常是对产品特征的分析，其结果是获得了符合产品特征的用户。因此利用现有技术的方案并不能分析用户的喜好，从而也就造成了利用现有的方法为用户推荐的产品不准确。
发明内容
针对现有技术中的缺陷，本发明提供基于人工智能的用户喜好分析方法及系统，能够分析用户的喜好。
第一方面，一种基于人工智能的用户喜好分析方法，包括：
对云端数据库的产品数据进行分类，以得到分类类别；
当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；
根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好。
进一步地，该方法在所述当接收到来自移动终端的服务请求之前，还包括：
接收来自移动终端的用户身份信息，生成用户基本标签。
进一步地，所述服务请求中的请求动作为内容请求动作；
所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
针对每个分类类别设置至少一个内容请求动作，设置每个内容请求动作的权重值；
计算每个分类类别的内容权重总和，所述内容权重总和为该分类类别包含的所有内容请求动作的权重值之和；
获得与请求类别相同的分类类别的内容权重总和，以得到内容标准权重总和；
计算所述服务请求中所有内容请求动作的权重值之和，以得到内容实际权重总和；
计算用户对该请求类别的内容喜好百分比，内容喜好百分比等于内容实际权重总和除以内容标准权重总和。
进一步地，所述服务请求中的请求动作为操作请求动作；
所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
针对每个分类类别设置至少一个操作请求动作，设置每个操作请求动作的权重值；
计算每个分类类别的操作权重总和，所述操作权重总和为该分类类别包含的所有操作请求动作的权重值之和；
获得与请求类别相同的分类类别的操作权重总和，以得到操作标准权重总和；
计算所述服务请求中所有操作请求动作的权重值之和，以得到操作实际权重总和；
计算用户对该请求类别的操作喜好百分比，操作喜好百分比等于操作实际权重总和除以操作标准权重总和。
进一步地，该方法在所述分析得到用户的喜好之后，还包括：
计算新用户与老用户的用户相似度；
当用户相似度大于预设的相似度阈值时，定义老用户的喜好为新用户的喜好。
进一步地，所述计算新用户与老用户的用户相似度具体包括：
设置内容相似度权重和操作相似度权重；
获取老用户中所有请求类别的内容实际权重总和和操作实际权重总和；
获取新用户中所有请求类别的内容实际权重总和和操作实际权重总和；
计算内容相似度和操作相似度；
所述内容相似度A的计算方式如下：
其中，ai为老用户中分类类别i的内容实际权重总和；bi为新用户中分类类别i的内容实际权重总和；
所述操作相似度B的计算方式如下：
其中，ci为老用户中分类类别i的操作实际权重总和；di为新用户中分类类别i的操作实际权重总和；
计算用户相似度C：
C＝A×内容相似度权重+B×操作相似度权重。
第二方面，一种基于人工智能的用户喜好分析系统，包括云端数据库、后台服务器和移动终端；
所述云端数据库用于存储产品数据；
后台服务器包括产品分类单元、接收单元和分析单元；产品分类单元用于对云端数据库的产品数据进行分类，以得到分类类别；接收单元用于当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；分析单元用于根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好；
所述移动终端用于接收用户的操作指令，生成服务请求发送给后台服务器。
进一步地，后台服务器的分析单元还用于接收来自移动终端的用户身份信息，生成用户基本标签。
进一步地，所述移动终端接收用户的操作指令包括以下指令中的一种或多种：点击视频、播放视频、点赞、转发视频、咨询客服、收藏、购买。
由上述技术方案可知，本发明提供的基于人工智能的用户喜好分析方法及系统，通过该方法，可以在用户接收各种内容，如视频、音频、图文信息时，对用户的接收内容和操作进行标签化处理，再将已完成标签化处理的产品进行标签匹配。这样通过多次推送不同信息的比对，可以统计出用户的兴趣喜好，能够分析用户的喜好。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为实施例一提供的方法流程图。
图2为实施例三提供的内容标签化的方法流程图。
图3为实施例三提供的操作标签化的方法流程图。
图4为实施例四提供的方法流程图。
图5为实施例五提供的系统框图。
图6为实施例五提供的后台服务器的模块框图。
图7为实施例五提供的移动终端的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例一：
参见图1，一种基于人工智能的用户喜好分析方法，包括：
S1：对云端数据库的产品数据进行分类，以得到分类类别；
具体地，云端数据库存储的产品数据可以为电商平台上的商品，也可以是播放器的视频。对产品进行分类，实际上就是对产品进行标签化。例如：可以将电商平台上的商品可以分为服装类、日常用品类、生鲜类、娱乐类等等。这样每一个商品都有其归属的类别，用类别来标定商品。同样，视频也有各种类别，例如：运动类、搞笑类、新闻类等等。
S2：当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；
具体地，服务请求用于记录用户的操作。例如，用户A操作移动终端观看视频A时，服务请求为移动终端接收到用户A点击视频A的动作时生成的指令，其中请求类别为视频A所属类别，请求动作为观看。服务操作还可以记录用户的其他操作，例如：用户A给视频A点赞，转发视频A，购买商品A，查看商品A等等。
S3：根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好。
具体地，根据用户对各类别商品的操作，判断出对该类别商品的喜爱程度。例如如果用户A没有观看视频A，说明用户A对视频A这类的视频的喜欢程度为差。如果用户A观看完视频A后，说明用户A对视频A这种类别的视频喜爱程度为一般。如果用户A观看完视频A，还进行了点赞或转发，说明用户A对视频A这种类别的视频喜爱程度为喜欢。所以通过该方法可以判断出用户喜欢的产品类别。在判断出用户喜好后，可以将用户喜欢的类别产品推送给用户，帮助提高推送的准确度。
通过该方法，可以在用户接收各种内容，如视频、音频、图文信息时，对用户的接收内容和操作进行标签化处理，再将已完成标签化处理的产品进行标签匹配。这样通过多次推送不同信息的比对，可以统计出用户的兴趣喜好，能够分析用户的喜好。
实施例二：
实施例二在实施例一的基础上，增加了原始标签处理方法。
在用户还没有开始使用，并没有用户的任何记录时，此时不能根据用户的历史记录来判定用户的喜好，此时采用以下的原始标签处理方法初步判断用户的喜好。
该方法在所述当接收到来自移动终端的服务请求之前，还包括：
接收来自移动终端的用户身份信息，生成用户基本标签。
具体地，用户基本标签包括年龄、性别、星座、属相和区域等。年龄可以通过年龄段选择，区域可以通过城市分类选择，例如可以分为北上广深、一线城市、二线城市等。基本标签可以在用户注册时要求用户填写相关内容得到。在没有用户的历史记录的情况下，通过用户的身份信息粗略地判断用户的喜好。
本发明实施例所提供的方法，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例三：
实施例三在其他实施例的基础上，增加了二次标签处理的方法。
当用户操作移动终端，对产品进行操作时，就会产生该用户的历史记录，此时不再使用实施例二的方法判断用户的喜好，而是根据历史记录进行判断。
1、对视频类产品的标签化处理。
所述服务请求中的请求动作为内容请求动作；
参见图2，所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
S11：针对每个分类类别设置至少一个内容请求动作，设置每个内容请求动作的权重值；
具体地，对于视频类产品或其他带有视频介绍的商品，内容请求动作有点击场景类别、点击播放、播放全片、播放次数大于等于2、点赞和转发分享等。权重值标识不同内容请求动作对该产品的喜好程度的影响，权重值越大，影响越大。例如对于视频A类产品,点击场景类别、点击播放和点赞的权重值为1，播放全片和播放次数大于等于2的权重值为2，转发分享的权重值为3。
S12：计算每个分类类别的内容权重总和，所述内容权重总和为该分类类别包含的所有内容请求动作的权重值之和；
具体地，内容权重总和体现的时该分类类别的权重总和。例如：视频A类产品的内容权重总和为视频A类的所有内容请求动作的权重值之和，即1+1+1+2+2+3＝10。
S13：获得与请求类别相同的分类类别的内容权重总和，以得到内容标准权重总和；
S14：计算所述服务请求中所有内容请求动作的权重值之和，以得到内容实际权重总和；
具体地，如果用户在点击了视频A，播放视频，并在播放完后点赞分享，那么，用户A实际的内容请求动作为点击场景类别、点击播放、播放全片、点赞和转发分享。那么其内容实际权重总和为1+1+1+2+3＝8。
S15：计算用户对该请求类别的内容喜好百分比，内容喜好百分比等于内容实际权重总和除以内容标准权重总和。
具体地，针对上述例子，用户A对视频A类产品的喜爱百分比为8/10＝80％，说明用户对视频A类产品的喜爱程度为80％。如果用户存在多条对同一类别、不同产品的历史记录时，分别计算每一条历史记录中内容喜好百分比，再对所有的内容喜好百分比求平均，得到用户对该类别的喜爱程度。
2、对商品类产品的标签化处理。
所述服务请求中的请求动作为操作请求动作；
参见图3，所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
S21：针对每个分类类别设置至少一个操作请求动作，设置每个操作请求动作的权重值；
具体地，操作请求动作主要用于标识用户是否购买了产品。类别B中产品的操作请求动作包括：点击商品详情、咨询客服、点击收藏、完成支付、购买次数大于2、转发分享等，其权重值分别为1、2、1、3、2、3。
S22：计算每个分类类别的操作权重总和，所述操作权重总和为该分类类别包含的所有操作请求动作的权重值之和；
具体地，类别B的操作权重总和为1+2+1+3+2+3＝12.
S23：获得与请求类别相同的分类类别的操作权重总和，以得到操作标准权重总和；
S24：计算所述服务请求中所有操作请求动作的权重值之和，以得到操作实际权重总和；
具体地，如果用户B在点击产品B后，咨询客服并完成购买时，其服务请求中实际操作请求动作为点击商品详情、咨询客服、完成支付，操作实际权重总和为1+2+3＝6.
S25：计算用户对该请求类别的操作喜好百分比，操作喜好百分比等于操作实际权重总和除以操作标准权重总和。
具体地，针对上述例子，用户B对B类产品的喜爱百分比为6/12＝50％，说明用户对B类产品的喜爱程度为50％。同样如果用户存在多条对同一类别、不同产品的历史记录时，分别计算每一条历史记录中操作喜好百分比，再对所有的操作喜好百分比求平均，得到用户对该类别的喜爱程度。
除此之外，在同一条服务请求中，既可以包含内容请求动作，也可以包含操作请求动作。当用户存在历史记录时，通过该方法得到的用户的喜爱程度更加准确。
本发明实施例所提供的方法，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例四：
实施例四的方法在其他实施例的基础上，增加了新老用户喜好相似度的判断方法。
该方法在所述分析得到用户的喜好之后，还包括：
计算新用户与老用户的用户相似度；
当用户相似度大于预设的相似度阈值时，定义老用户的喜好为新用户的喜好。
具体地，用户的历史记录越多，其得到的用户喜好越准确。而对于新用户而言，其记录的历史记录较少，所以为了提高新用户喜好判断的准确性，通过新老用户喜好相似度的判断方法，得到与新用户匹配度好的老用户，根据老用户的喜好得到新用户的喜好。例如新用户C与老用户A的用户相似度大于0.9时，认为新用户C与老用户A的喜好相同，可以根据老用户A的喜好向新用户C推送产品。
参见图4，进一步地，所述计算新用户与老用户的用户相似度具体包括：
S31：设置内容相似度权重和操作相似度权重；
具体地，内容相似度权重和操作相似度权重可以依照具体情况进行设置。例如：如果认为A类产品的操作更能说明用户对A类产品的喜爱时，操作相似度权重可以设置高一些。具体地，如果新老用户中，存在一方的服务请求中只有操作请求动作或内容请求动作时，则只对操作请求动作或内容请求动作进行对比。例如新用户C和老用户A中，新用户C只观看了A类产品，并没有购买等操作请求动作时，只对比内容请求动作。
S32：获取老用户中所有请求类别的内容实际权重总和和操作实际权重总和；
S33：获取新用户中所有请求类别的内容实际权重总和和操作实际权重总和；
S34：计算内容相似度和操作相似度；
所述内容相似度A的计算方式如下：
其中，ai为老用户中分类类别i的内容实际权重总和；bi为新用户中分类类别i的内容实际权重总和；
具体地，根据新老用户的历史记录来实际判断相似度。计算得到的内容相似度A的取值范围为0-1。值越大，说明新用户与老用户越相似。值越小，说明新用户与老用户的爱好相似度越低。
所述操作相似度B的计算方式如下：
其中，ci为老用户中分类类别i的操作实际权重总和；di为新用户中分类类别i的操作实际权重总和；
具体地，计算得到的操作相似度B的取值范围为0-1。值越大，说明新用户与老用户越相似。值越小，说明新用户与老用户的爱好相似度越低。
S35：计算用户相似度C：
C＝A×内容相似度权重+B×操作相似度权重。
具体地，所述权重值取值范围为0-1。例如：内容相似度权重为0.4，操作相似度权重为0.6.通过该方法，能够在新用户的历史记录不多的情况下，搜索与新用户爱好最相近的老用户，根据老用户的爱好确定新用户的爱好。
本发明实施例所提供的方法，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例五：
参见图5，一种基于人工智能的用户喜好分析系统，包括云端数据库、后台服务器和移动终端；
所述云端数据库用于存储产品数据；
具体地，云端数据库主要应用数据采集和存储，并完成与后台服务器的数据传输。
参见图6，后台服务器包括产品分类单元、接收单元和分析单元；产品分类单元用于对云端数据库的产品数据进行分类，以得到分类类别；接收单元用于当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；分析单元用于根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好；
具体地，接收单元用于接收后台服务器和移动终端的数据。分析单元将所述接收单元接收的来自所述云端数据库的数据进行即时标签化处理，然后根据所述接收单元接收的来自所述移动端的服务请求，进行标签化处理，并配备与之相符的数据信息。
除此之外，后台服务器还包括发送单元，用于将所述分析单元处理的数据信息，发送至所述移动终端。统计单元，将所述分析单元完成标签化的数据进行分类和统计处理；通讯单元，完成与所述云端数据库与所述移动终端之间的通讯。数据库，用于从存储用户日志以及分析结果。
所述移动终端用于接收用户的操作指令，生成服务请求发送给后台服务器。
参见图7，具体地，所述移动端为用户操作系统的载体，主要用于内容信息、各种产品信息的展示、播放和交互。包括：请求单元、接收单元、选择单元、播放单元、通讯单元、交互单元。
所述请求单元，用于向所述后台服务器端发送用户服务请求；
所述接收模，用于接收来自所述后台服务器所发送的数据信息；
所述选择单元，用于用户进行不同的内容选择；
所述播放单元，用于视频、音频等多媒体内容的播放；
所述交互单元，用于用户与内容之间的点赞、评论、转发等各种交互操作；
所述通讯单元，与所述后台服务器连接通讯，并为用户推送各种基于标签统计的内容或产品信息。
进一步地，后台服务器的分析单元还用于接收来自移动终端的用户身份信息，生成用户基本标签。
进一步地，所述移动终端接收用户的操作指令包括以下指令中的一种或多种：点击视频、播放视频、点赞、转发视频、咨询客服、收藏、购买。
进一步地，所述服务请求中的请求动作为内容请求动作；
所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
针对每个分类类别设置至少一个内容请求动作，设置每个内容请求动作的权重值；
计算每个分类类别的内容权重总和，所述内容权重总和为该分类类别包含的所有内容请求动作的权重值之和；
获得与请求类别相同的分类类别的内容权重总和，以得到内容标准权重总和；
计算所述服务请求中所有内容请求动作的权重值之和，以得到内容实际权重总和；
计算用户对该请求类别的内容喜好百分比，内容喜好百分比等于内容实际权重总和除以内容标准权重总和。
进一步地，所述服务请求中的请求动作为操作请求动作；
所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
针对每个分类类别设置至少一个操作请求动作，设置每个操作请求动作的权重值；
计算每个分类类别的操作权重总和，所述操作权重总和为该分类类别包含的所有操作请求动作的权重值之和；
获得与请求类别相同的分类类别的操作权重总和，以得到操作标准权重总和；
计算所述服务请求中所有操作请求动作的权重值之和，以得到操作实际权重总和；
计算用户对该请求类别的操作喜好百分比，操作喜好百分比等于操作实际权重总和除以操作标准权重总和。
进一步地，该方法在所述分析得到用户的喜好之后，还包括：
计算新用户与老用户的用户相似度；
当用户相似度大于预设的相似度阈值时，定义老用户的喜好为新用户的喜好。
进一步地，所述计算新用户与老用户的用户相似度具体包括：
设置内容相似度权重和操作相似度权重；
获取老用户中所有请求类别的内容实际权重总和和操作实际权重总和；
获取新用户中所有请求类别的内容实际权重总和和操作实际权重总和；
计算内容相似度和操作相似度；
所述内容相似度A的计算方式如下：
其中，ai为老用户中分类类别i的内容实际权重总和；bi为新用户中分类类别i的内容实际权重总和；
所述操作相似度B的计算方式如下：
其中，ci为老用户中分类类别i的操作实际权重总和；di为新用户中分类类别i的操作实际权重总和；
计算用户相似度C：
C＝A×内容相似度权重+B×操作相似度权重。
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种基于人工智能的用户喜好分析方法，其特征在于，包括：
对云端数据库的产品数据进行分类，以得到分类类别；
当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；
根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好。
2.根据权利要求1所述基于人工智能的用户喜好分析方法，其特征在于，该方法在所述当接收到来自移动终端的服务请求之前，还包括：
接收来自移动终端的用户身份信息，生成用户基本标签。
3.根据权利要求1所述基于人工智能的用户喜好分析方法，其特征在于，
所述服务请求中的请求动作为内容请求动作；
所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
针对每个分类类别设置至少一个内容请求动作，设置每个内容请求动作的权重值；
计算每个分类类别的内容权重总和，所述内容权重总和为该分类类别包含的所有内容请求动作的权重值之和；
获得与请求类别相同的分类类别的内容权重总和，以得到内容标准权重总和；
计算所述服务请求中所有内容请求动作的权重值之和，以得到内容实际权重总和；
计算用户对该请求类别的内容喜好百分比，内容喜好百分比等于内容实际权重总和除以内容标准权重总和。
4.根据权利要求3所述基于人工智能的用户喜好分析方法，其特征在于，
所述服务请求中的请求动作为操作请求动作；
所述根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好具体包括：
针对每个分类类别设置至少一个操作请求动作，设置每个操作请求动作的权重值；
计算每个分类类别的操作权重总和，所述操作权重总和为该分类类别包含的所有操作请求动作的权重值之和；
获得与请求类别相同的分类类别的操作权重总和，以得到操作标准权重总和；
计算所述服务请求中所有操作请求动作的权重值之和，以得到操作实际权重总和；
计算用户对该请求类别的操作喜好百分比，操作喜好百分比等于操作实际权重总和除以操作标准权重总和。
5.根据权利要求4所述基于人工智能的用户喜好分析方法，其特征在于，
该方法在所述分析得到用户的喜好之后，还包括：
计算新用户与老用户的用户相似度；
当用户相似度大于预设的相似度阈值时，定义老用户的喜好为新用户的喜好。
6.根据权利要求5所述基于人工智能的用户喜好分析方法，其特征在于，
所述计算新用户与老用户的用户相似度具体包括：
设置内容相似度权重和操作相似度权重；
获取老用户中所有请求类别的内容实际权重总和和操作实际权重总和；
获取新用户中所有请求类别的内容实际权重总和和操作实际权重总和；
计算内容相似度和操作相似度；
所述内容相似度A的计算方式如下：
其中，ai为老用户中分类类别i的内容实际权重总和；bi为新用户中分类类别i的内容实际权重总和；
所述操作相似度B的计算方式如下：
其中，ci为老用户中分类类别i的操作实际权重总和；di为新用户中分类类别i的操作实际权重总和；
计算用户相似度C：
C＝A×内容相似度权重+B×操作相似度权重。
7.一种基于人工智能的用户喜好分析系统，其特征在于，包括云端数据库、后台服务器和移动终端；
所述云端数据库用于存储产品数据；
后台服务器包括产品分类单元、接收单元和分析单元；产品分类单元用于对云端数据库的产品数据进行分类，以得到分类类别；接收单元用于当接收到来自移动终端的服务请求时，获得服务请求中的请求类别和请求动作；分析单元用于根据分类类别、请求类别和请求动作对用户进行标签化处理，分析得到用户的喜好；
所述移动终端用于接收用户的操作指令，生成服务请求发送给后台服务器。
8.根据权利要求7所述基于人工智能的用户喜好分析系统，其特征在于，
后台服务器的分析单元还用于接收来自移动终端的用户身份信息，生成用户基本标签。
9.根据权利要求8所述基于人工智能的用户喜好分析系统，其特征在于，
所述移动终端接收用户的操作指令包括以下指令中的一种或多种：点击视频、播放视频、点赞、转发视频、咨询客服、收藏、购买。
CN201810547565.XA 2018-05-31 2018-05-31 基于人工智能的用户喜好分析方法及系统 Active CN108876517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810547565.XA CN108876517B (zh) 2018-05-31 2018-05-31 基于人工智能的用户喜好分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810547565.XA CN108876517B (zh) 2018-05-31 2018-05-31 基于人工智能的用户喜好分析方法及系统

Publications (2)

Publication Number Publication Date
CN108876517A true CN108876517A (zh) 2018-11-23
CN108876517B CN108876517B (zh) 2022-06-17

Family

ID=64336029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810547565.XA Active CN108876517B (zh) 2018-05-31 2018-05-31 基于人工智能的用户喜好分析方法及系统

Country Status (1)

Country Link
CN (1) CN108876517B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767270A (zh) * 2019-01-17 2019-05-17 建信养老金管理有限责任公司 基于人工智能的存房养老信息推荐方法及系统
CN111882398A (zh) * 2020-07-31 2020-11-03 深圳市华云中盛科技股份有限公司 智慧城市服务推荐方法、装置、计算机设备及存储介质
CN113536113A (zh) * 2021-06-18 2021-10-22 深圳市点购电子商务控股股份有限公司 短视频推荐的方法、装置、计算机设备和存储介质
CN114218493A (zh) * 2021-12-23 2022-03-22 淄博云科互联网信息技术有限公司 基于人工智能的云端业务大数据挖掘方法及云计算系统
CN114372074A (zh) * 2020-10-15 2022-04-19 上海倍增智能科技有限公司 一种可视化用户行为分析系统及其分析方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956009A (zh) * 2011-08-16 2013-03-06 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
CN104036002A (zh) * 2014-06-16 2014-09-10 深圳市英威诺科技有限公司 一种智能推荐数据的技术方法
CN105787061A (zh) * 2016-02-29 2016-07-20 广东顺德中山大学卡内基梅隆大学国际联合研究院 信息推送方法
CN105827690A (zh) * 2016-03-04 2016-08-03 乐视网信息技术（北京）股份有限公司 根据用户喜好进行信息推送的方法及服务器
CN106060637A (zh) * 2016-06-29 2016-10-26 乐视控股（北京）有限公司 视频推荐方法、装置及系统
CN106339891A (zh) * 2015-07-13 2017-01-18 上海银橙文化传媒股份有限公司 一种基于大数据采集的智能分析方法及系统
US20170337612A1 (en) * 2016-05-23 2017-11-23 Ebay Inc. Real-time recommendation of entities by projection and comparison in vector spaces
CN107590675A (zh) * 2017-07-25 2018-01-16 广州智选网络科技有限公司 一种基于大数据的用户购物行为识别方法、储存设备及移动终端
CN107862085A (zh) * 2017-11-30 2018-03-30 郑州云海信息技术有限公司 一种基于大数据的音乐推送系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102956009A (zh) * 2011-08-16 2013-03-06 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
CN104036002A (zh) * 2014-06-16 2014-09-10 深圳市英威诺科技有限公司 一种智能推荐数据的技术方法
CN106339891A (zh) * 2015-07-13 2017-01-18 上海银橙文化传媒股份有限公司 一种基于大数据采集的智能分析方法及系统
CN105787061A (zh) * 2016-02-29 2016-07-20 广东顺德中山大学卡内基梅隆大学国际联合研究院 信息推送方法
CN105827690A (zh) * 2016-03-04 2016-08-03 乐视网信息技术（北京）股份有限公司 根据用户喜好进行信息推送的方法及服务器
US20170337612A1 (en) * 2016-05-23 2017-11-23 Ebay Inc. Real-time recommendation of entities by projection and comparison in vector spaces
CN106060637A (zh) * 2016-06-29 2016-10-26 乐视控股（北京）有限公司 视频推荐方法、装置及系统
CN107590675A (zh) * 2017-07-25 2018-01-16 广州智选网络科技有限公司 一种基于大数据的用户购物行为识别方法、储存设备及移动终端
CN107862085A (zh) * 2017-11-30 2018-03-30 郑州云海信息技术有限公司 一种基于大数据的音乐推送系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767270A (zh) * 2019-01-17 2019-05-17 建信养老金管理有限责任公司 基于人工智能的存房养老信息推荐方法及系统
CN111882398A (zh) * 2020-07-31 2020-11-03 深圳市华云中盛科技股份有限公司 智慧城市服务推荐方法、装置、计算机设备及存储介质
CN114372074A (zh) * 2020-10-15 2022-04-19 上海倍增智能科技有限公司 一种可视化用户行为分析系统及其分析方法
CN113536113A (zh) * 2021-06-18 2021-10-22 深圳市点购电子商务控股股份有限公司 短视频推荐的方法、装置、计算机设备和存储介质
CN114218493A (zh) * 2021-12-23 2022-03-22 淄博云科互联网信息技术有限公司 基于人工智能的云端业务大数据挖掘方法及云计算系统

Also Published As

Publication number Publication date
CN108876517B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN108876517A (zh) 基于人工智能的用户喜好分析方法及系统
CN104254852B (zh) 用于混合信息查询的方法和系统
CN101937545B (zh) 触点定制系统
CN106339507B (zh) 流媒体消息推送方法和装置
US20120096088A1 (en) System and method for determining social compatibility
US20140280549A1 (en) Method and System for Efficient Matching of User Profiles with Audience Segments
CN111461841A (zh) 物品推荐方法、装置、服务器及存储介质
CN108595492B (zh) 内容的推送方法和装置、存储介质、电子装置
CN104412563B (zh) 用于在线广告的方法和系统
CN104247441A (zh) 自动推荐内容
CN104395901A (zh) 用于促进用户获得内容的方法和系统
CN110428277B (zh) 推荐产品的触达方法、存储介质和程序产品
CN111597446B (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN108805598A (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN110933472B (zh) 一种用于实现视频推荐的方法和装置
CN102934113A (zh) 信息提供系统、信息提供方法、信息提供设备、程序和信息记录介质
CN111309940A (zh) 一种信息展示方法、系统、装置、电子设备及存储介质
CN114371946B (zh) 基于云计算和大数据的信息推送方法及信息推送服务器
CN113742567A (zh) 一种多媒体资源的推荐方法、装置、电子设备及存储介质
CN112449002B (zh) 一种待推送对象的推送方法、装置、设备及存储介质
CN115860870A (zh) 一种商品推荐方法、系统、装置及可读介质
CN113052653A (zh) 一种金融产品内容推荐方法、系统及计算机可读存储介质
CN115618024A (zh) 多媒体推荐方法、装置及电子设备
CN112651790B (zh) 基于快消行业用户触达的ocpx自适应学习方法和系统
CN110198460A (zh) 媒体信息的选取方法和装置、存储介质、电子装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant