CN110347918B - 基于用户行为数据的数据推荐方法、装置以及计算机设备 - Google Patents
基于用户行为数据的数据推荐方法、装置以及计算机设备 Download PDFInfo
- Publication number
- CN110347918B CN110347918B CN201910524598.7A CN201910524598A CN110347918B CN 110347918 B CN110347918 B CN 110347918B CN 201910524598 A CN201910524598 A CN 201910524598A CN 110347918 B CN110347918 B CN 110347918B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- category
- preference
- categories
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于用户行为数据的数据推荐方法,该方法包括:通过埋点方式采集预设周期内用户在应用页面的链接的点击信息;根据预设的用户类别‑偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率;选择相似度最高的第一用户类别作为所述用户的用户类别;根据所述用户类别‑偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,并将所述推广数据显示到所述用户的应用页面的预设位置。本发明还提供一种基于用户行为数据的数据推荐装置、计算机设备以及计算机可读存储介质。本发明能够更加精确地分析出用户的类别,并根据用户的用户类别进行推广数据的推荐,从而能够高效地将用户偏好数据推荐给用户。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于用户行为数据的数据推荐方法、装置、计算机设备及计算机可读存储介质。
背景技术
现有的用户访问浏览器网页的行为分析方法,是根据用户访问网页时对不同的链接数据的点击信息进行记录,然后根据该记录中的点击最多次数或者点击时间最近的链接数据,从而将所述链接数据判断为所述用户的喜好数据。然后将与该喜好数据对应的推广数据显示到所述用户的浏览页面中,以达到推广数据的精确投放的效果。然而,由于用户可能在页面点击的链接数据多种多样,因此,以这种方式进行用户行为数据分析并不准确,因此后续的推广数据推荐方式也往往效率低下。
发明内容
有鉴于此,本发明提出一种用户基于用户行为数据的数据推荐方法、装置、计算机设备及计算机可读存储介质,能够通过埋点方式采集预设周期内用户在应用页面的链接的点击信息,接着根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率;然后选择相似度最高的第一用户类别作为所述用户的用户类别;最后再根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,并将所述推广数据显示到所述用户的应用页面的预设位置。因此,可以更加精确地分析出用户的类别,并根据用户的用户类别进行推广数据的推荐,从而能够高效地将用户偏好数据推荐给用户。
首先,为实现上述目的,本发明提供一种基于用户行为数据的数据推荐方法,所述方法包括:
通过埋点方式采集预设周期内用户在应用页面的链接的点击信息;根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率,其中,所述偏好数据包括新闻数据类别和推广数据类别;选择相似率最高的第一用户类别作为所述用户的用户类别;根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,然后将所述推广数据显示到所述用户的应用页面的预设位置,其中,所述推广数据包括图片、音乐和文字中的至少一种。
可选地,所述“通过埋点方式采集用户在应用页面的链接的点击信息”的步骤包括:将所述应用页面上的所有链接进行分类,分为新闻数据类别和推广数据类别;对不同数据类别的链接进行埋点并标记为对应类别的埋点;获取并记录用户对于不同的埋点类别的点击次数。
可选地,所述用户类别-偏好数据的知识图谱包括:用户类别通过第一关联值与新闻数据类别的关联关系,以及用户类别通过第二关联值与推广数据类别的关联关系,其中,所述关联关系是通过统计数据分析获得的偏好概率。
可选地,所述“根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率”的步骤包括:根据所述点击信息获取所述用户对于不同埋点类别的点击概率;根据所述用户类别-偏好数据的知识图谱中每个用户类别对于不同类别的偏好数据的关联值以及所述用户对于不同埋点类别的点击概率计算所述用户与不同的用户类别的偏好数据喜好偏差率,进而计算出所述用户与不同用户类别的相似率。
此外,为实现上述目的,本发明还提供一种基于用户行为数据的数据推荐装置,所述装置包括:
采集模块,用于通过埋点方式采集预设周期内用户在应用页面的链接的点击信息;计算模块,用于根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率,其中,所述偏好数据包括新闻数据类别和推广数据类别;判断模块,用于选择相似率最高的第一用户类别作为所述用户的用户类别;显示模块,用于根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,然后将所述推广数据显示到所述用户的应用页面的预设位置,其中,所述推广数据包括图片、音乐和文字中的至少一种。
可选地,所述采集模块还用于:将所述应用页面上的所有链接进行分类,分为新闻数据类别和推广数据类别;对不同数据类别的链接进行埋点并标记为对应类别的埋点;获取并记录用户对于不同的埋点类别的点击次数。
可选地,所述用户类别-偏好数据的知识图谱包括:用户类别通过第一关联值与新闻数据类别的关联关系,以及用户类别通过第二关联值与推广数据类别的关联关系,其中,所述关联关系是通过统计数据分析获得的偏好概率。
可选地,所述计算模块还用于:根据所述点击信息获取所述用户对于不同埋点类别的点击概率;根据所述用户类别-偏好数据的知识图谱中每个用户类别对于不同类别的偏好数据的关联值以及所述用户对于不同埋点类别的点击概率计算所述用户与不同的用户类别的偏好数据喜好偏差率,进而计算出所述用户与不同用户类别的相似率。
进一步地,本发明还提出一种计算机设备,所述计算机设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述的基于用户行为数据的数据推荐方法的步骤。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于用户行为数据的数据推荐方法的步骤。
相较于现有技术,本发明所提出的基于用户行为数据的数据推荐方法、装置、计算机设备及计算机可读存储介质,能够通过埋点方式采集预设周期内用户在应用页面的链接的点击信息,接着根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率;然后选择相似度最高的第一用户类别作为所述用户的用户类别;最后再根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,并将所述推广数据显示到所述用户的应用页面的预设位置。因此,可以更加精确地分析出用户的类别,并根据用户的用户类别进行推广数据的推荐,从而能够高效地将用户偏好数据推荐给用户。
附图说明
图1是本发明计算机设备一可选的硬件架构的示意图;
图2是本发明基于用户行为数据的数据推荐装置一实施例的程序模块示意图;
图3是本发明基于用户行为数据的数据推荐方法一实施例的流程示意图。
附图标记:
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明计算机设备1一可选的硬件架构的示意图。
本实施例中,所述计算机设备1可包括,但不仅限于,可通过系统总线相互通信连接存储器11、处理器12、网络接口13。
所述计算机设备1通过网络接口13连接网络(图1未标出),通过网络连接到其他终端设备如移动终端(Mobile Terminal)、用户设备(User Equipment,UE)、手机(handset)及便携设备(portable equipment)、PC端等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
需要指出的是,图1仅示出了具有组件11-13的计算机设备1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述计算机设备1的内部存储单元,例如该计算机设备1的硬盘或内存。在另一些实施例中,所述存储器11也可以是所述计算机设备1的外部存储设备,例如该计算机设备1配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器11还可以既包括所述计算机设备1的内部存储单元也包括其外部存储设备。本实施例中,所述存储器11通常用于存储安装于所述计算机设备1的操作系统和各类应用软件,例如基于用户行为数据的数据推荐装置200的程序代码等。此外,所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述计算机设备1的总体操作,例如执行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行所述的基于用户行为数据的数据推荐装置200等。
所述网络接口13可包括无线网络接口或有线网络接口,该网络接口13通常用于在所述计算机设备1与其他终端设备如移动终端、用户设备、手机及便携设备、PC端等之间建立通信连接。
本实施例中,所述计算机设备1内安装并运行有基于用户行为数据的数据推荐装置200时,当所述基于用户行为数据的数据推荐装置200运行时,能够通过埋点方式采集预设周期内用户在应用页面的链接的点击信息,接着根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率;然后选择相似度最高的第一用户类别作为所述用户的用户类别;最后再根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,并将所述推广数据显示到所述用户的应用页面的预设位置。因此,可以更加精确地分析出用户的类别,并根据用户的用户类别进行推广数据的推荐,从而能够高效地将用户偏好数据推荐给用户。
至此,己经详细介绍了本发明各个实施例的应用环境和相关设备的硬件结构和功能。下面,将基于上述应用环境和相关设备,提出本发明的各个实施例。
首先,本发明提出一种基于用户行为数据的数据推荐装置200。
参阅图2所示,是本发明基于用户行为数据的数据推荐装置200一实施例的程序模块图。
本实施例中,所述基于用户行为数据的数据推荐装置200包括一系列的存储于存储器11上的计算机程序指令,当该计算机程序指令被处理器12执行时,可以实现本发明各实施例的基于用户行为数据的数据推荐功能。在一些实施例中,基于该计算机程序指令各部分所实现的特定的操作,基于用户行为数据的数据推荐装置200可以被划分为一个或多个模块。例如,在图2中,所述基于用户行为数据的数据推荐装置200可以被分割成采集模块201、计算模块202和判断模块203。其中:
所述采集模块201,用于通过埋点方式采集预设周期内用户在应用页面的链接的点击信息。
具体地,用户通过所述计算机设备1的浏览器的主页或者新闻页等应用页面进行浏览时,所述主页或者新闻页能够提供不同的链接提供给用户以访问到所述主页或者新闻页的子页面。在本实施例中,所述采集模块201将所述应用页面上的所有链接进行分类,分为新闻数据类别和推广数据类别;对不同数据类别的链接进行埋点并标记为对应的埋点类别;获取并记录用户对于不同的埋点类别的点击次数。
所述采集模块201可以预先对于所有应用页面上的所有链接进行埋点。其中,对于所述应用页面上的每一子类的新闻数据类别的链接,设置不同的新闻数据类别的埋点,例如:对于时事新闻数据相关的链接则设置时事新闻数据类别埋点,对于政治军事新闻数据相关信息的链接则设置政治军事新闻数据类别埋点,对于经济理财新闻数据的链接则设置经济理财新闻数据类别埋点,而对于娱乐八卦新闻的链接则设置娱乐八卦类新闻数据类别埋点。在本实施例中,所述系统通过定期收集所有埋点所记录的用户在所述应用页面上的新闻数据类别的链接的点击操作,统计出所述不同新闻数据类别埋点被点击的次数。
另外,所述应用页面上还包括推广数据,所述推广数据预先植入了初始推广数据。初始推广数据预设为的不同产品类别的推广数据,其中每个产品类别的推广数据表示该推广数据对应的产品或者服务主要的受众为不同的用户类别。在本实施例中,所述初始推广数据可以是所述产品类别的推广数据中的随机一种;或者以轮番切换显示的方式显示所述每一产品类别的推广数据。因此,所述采集模块201还可以设置推广数据埋点,在本实施例中,由于显示在所述应用页面上的预设位置的推广数据分为多个类别,因此可以对应地设置不同产品类别的推广数据埋点,比如,男生产品类别的推广数据埋点、女生产品类别的推广数据埋点、妇婴产品类别的推广数据埋点以及老年人产品类别的推广数据埋点。因此,当用户点击所述应用页面上的初始推广数据埋点时,所述采集模块201则定期收集所有埋点所记录的用户在所述应用页面上的推广数据的点击操作,统计出所述不同产品类别的推广数据埋点被点击的次数。
所述计算模块202,用于根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率,其中,所述偏好数据包括新闻数据类别和推广数据类别。
具体地,所述用户类别-偏好数据的知识图谱是用户预先建立并存储到所述计算机设备的。在本实施例中,所述用户类别-偏好数据的知识图谱是一个通过关联属性将用户数据与新闻数据建立连接关系的数据知识图谱。所述用户类别-偏好数据的知识图谱包括:用户类别通过第一关联值与新闻数据类别的关联关系,以及用户类别通过第二关联值与推广数据类别的关联关系,其中,所述关联关系也就是用户数据与新闻数据之间的关联属性,是通过统计数据分析获得的偏好概率。例如,对于男人用户类别和女人用户类别,所述计算机设备1通过与现有的其他大数据平台的数据分析出:男人用户类别和女人用户类别对于时事新闻数据类别,政治军事新闻数据类别,经济理财新闻数据类别和娱乐八卦新闻数据类别的第一关联值分别为20%、40%、30%、10%以及20%、10%、20%、50%;而对于男生产品类别的推广数据,女生产品类别的推广数据,妇婴产品类别的推广数据以及老年人产品类别的推广数据的第二关联值分别为:60%、10%、10%、20%以及20%、50%、20%、10%。那么,所述用户类别-偏好数据的知识图谱则包括男人用户类别和女人用户类别通过以上的第一关联值与时事新闻数据,政治军事新闻数据,经济理财新闻数据和娱乐八卦新闻数据的关联关系;以及通过以上的第二关联值与生产品类别的推广数据,女生产品类别的推广数据,妇婴产品类别的推广数据以及老年人产品类别的推广数据的关联关系。
接着,所述计算模块202根据所述点击信息获取所述用户对于不同埋点类别的点击概率,然后再根据所述用户类别-偏好数据的知识图谱中每个用户类别对于不同类别的偏好数据的关联值以及所述用户对于不同埋点类别的点击概率计算所述用户与不同的用户类别的偏好数据喜好偏差率,进而计算出所述用户与不同用户类别的相似率。
例如,所述采集模块201在一周内获取到A用户通过所述应用页面点击了新闻数据类别的埋点为100次,其中时事新闻数据类别埋点,政治军事数据类别埋点,经济理财数据类别埋点和娱乐八卦数据类别埋点的点击次数分别为17次、17次、21次、45次;点击了产品类别的推广数据埋点为100次,其中男生产品类别的推广数据埋点,女生产品类别的推广数据埋点,妇婴产品类别的推广数据埋点以及老年人产品类别的推广数据埋点的次数分别为50次、17次、16次、17次。也就是说,A用户在一周内点击时事新闻数据类别埋点,政治军事新闻数据类别埋点,经济理财新闻数据类别埋点和娱乐八卦新闻数据类别埋点的概率分别为:17%、17%、21%、45%;点击男生产品类别的推广数据埋点,女生产品类别的推广数据埋点,妇婴产品类别的推广数据埋点以及老年人产品类别的推广数据埋点的概率分别为:50%、17%、16%、17%。接着,所述计算模块202将所述用户点击各个类别的新闻数据埋点的概率以及点击各个产品类别的推广数据埋点的概率分别与各个用户类别对应的第一关联值和第二关联值进行偏差率计算,得到所述用户与各个用户类别之间的对于新闻数据的喜好偏差率以及对于推广数据的喜好偏差率。
接着,所述计算模块202对所述用户与各个用户类别对于新闻数据的喜好偏差率以及对于推广数据的喜好偏差率进行加权和运算,例如权值均为50%,然后被100%减,得到所述用户与不同用户类别的相似率。例如,A用户与男人用户类别相比,对于新闻数据喜好偏差率为:((20%-17%)+(40%-17%)+(30%-21%)+(45%-10%))/4=17.5%;对于推广数据的喜好偏差率为:((60%-50%)+(17%-10%)+(16%-10%)+(20%-17%))/4=6.5%;因此,所述用户与男人用户类别相似率为:(100%-(17.5%*50%+6.5%*50%))=88%。A用户与女人用户类别相比,对于新闻数据喜好偏差率为:((20%-17%)+(17%-10%)+(21%-20%)+(50%-45%))/4=4%;产品类别喜好偏差率为:((50%-20%)+(50%-17%)+(20%-16%)+(17%-10%))/4=18.75%;因此,所述用户与男人用户类别相似率为:(100%-(4%*50%+18.75%*50%))=88.625%。
所述判断模块203,用于选择相似率最高的第一用户类别作为所述用户的用户类别。
所述显示模块204,用于根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,然后将所述推广数据显示到所述用户的应用页面的预设位置。其中,所述推广数据包括图片、音乐和文字中的至少一种。
具体地,当所述计算模块202计算出A用户与各个用户类别之间的相似率之后,所述判断模块203选择出相似率最大的用户类别作为A用户的当前用户类别。接着,所述显示模块204选择出A用户的当前用户类别所对应的第二关联值最大的产品类别的推广数据替换初始推广数据显示到A用户打开的应用也没的预设位置。
从上文可知,所述计算机设备1能够通过埋点方式采集预设周期内用户在应用页面的链接的点击信息,接着根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率;然后选择相似度最高的第一用户类别作为所述用户的用户类别;最后再根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,并将所述推广数据显示到所述用户的应用页面的预设位置。因此,可以更加精确地分析出用户的类别,并根据用户的用户类别进行推广数据的推荐,从而能够高效地将用户偏好数据推荐给用户。
此外,本发明还提出一种基于用户行为数据的数据推荐方法,所述方法应用于计算机设备。
参阅图3所示,是本发明基于用户行为数据的数据推荐方法一实施例的流程示意图。在本实施例中,根据不同的需求,图3所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S500,通过埋点方式采集预设周期内用户在应用页面的链接的点击信息。
具体地,用户通过所述计算机设备的浏览器的主页或者新闻页等应用页面进行浏览时,所述主页或者新闻页能够提供不同的链接提供给用户以访问到所述主页或者新闻页的子页面。在本实施例中,所述计算机设备将所述应用页面上的所有链接进行分类,分为新闻数据类别和推广数据类别;对不同数据类别的链接进行埋点并标记为对应的埋点类别;获取并记录用户对于不同的埋点类别的点击次数。
所述计算机设备可以预先对于所有应用页面上的所有链接进行埋点。其中,对于所述应用页面上的每一子类的新闻数据类别的链接,设置不同的新闻数据类别的埋点,例如:对于时事新闻数据相关的链接则设置时事新闻数据类别埋点,对于政治军事新闻数据相关信息的链接则设置政治军事新闻数据类别埋点,对于经济理财新闻数据的链接则设置经济理财新闻数据类别埋点,而对于娱乐八卦新闻的链接则设置娱乐八卦类新闻数据类别埋点。在本实施例中,所述系统通过定期收集所有埋点所记录的用户在所述应用页面上的新闻数据类别的链接的点击操作,统计出所述不同新闻数据类别埋点被点击的次数。
另外,所述应用页面上还包括推广数据,所述推广数据预先植入了初始推广数据。初始推广数据预设为的不同产品类别的推广数据,其中每个产品类别的推广数据表示该推广数据对应的产品或者服务主要的受众为不同的用户类别。在本实施例中,所述初始推广数据可以是所述产品类别的推广数据中的随机一种;或者以轮番切换显示的方式显示所述每一产品类别的推广数据。因此,所述计算机设备还可以设置推广数据埋点,在本实施例中,由于显示在所述应用页面上的预设位置的推广数据分为多个类别,因此可以对应地设置不同产品类别的推广数据埋点,比如,男生产品类别的推广数据埋点、女生产品类别的推广数据埋点、妇婴产品类别的推广数据埋点以及老年人产品类别的推广数据埋点。因此,当用户点击所述应用页面上的初始推广数据埋点时,所述计算机设备则定期收集所有埋点所记录的用户在所述应用页面上的推广数据的点击操作,统计出所述不同产品类别的推广数据埋点被点击的次数。
步骤S502,根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率,其中,所述偏好数据包括新闻数据类别和推广数据类别。
具体地,所述用户类别-偏好数据的知识图谱是用户预先建立并存储到所述计算机设备的。在本实施例中,所述用户类别-偏好数据的知识图谱是一个通过关联属性将用户数据与新闻数据建立连接关系的数据知识图谱。所述用户类别-偏好数据的知识图谱包括:用户类别通过第一关联值与新闻数据类别的关联关系,以及用户类别通过第二关联值与推广数据类别的关联关系,其中,所述关联关系也就是用户数据与新闻数据之间的关联属性,是通过统计数据分析获得的偏好概率。例如,对于男人用户类别和女人用户类别,所述计算机设备通过与现有的其他大数据平台的数据分析出:男人用户类别和女人用户类别对于时事新闻数据类别,政治军事新闻数据类别,经济理财新闻数据类别和娱乐八卦新闻数据类别的第一关联值分别为20%、40%、30%、10%以及20%、10%、20%、50%;而对于男生产品类别的推广数据,女生产品类别的推广数据,妇婴产品类别的推广数据以及老年人产品类别的推广数据的第二关联值分别为:60%、10%、10%、20%以及20%、50%、20%、10%。那么,所述用户类别-偏好数据的知识图谱则包括男人用户类别和女人用户类别通过以上的第一关联值与时事新闻数据,政治军事新闻数据,经济理财新闻数据和娱乐八卦新闻数据的关联关系;以及通过以上的第二关联值与生产品类别的推广数据,女生产品类别的推广数据,妇婴产品类别的推广数据以及老年人产品类别的推广数据的关联关系。
接着,所述计算机设备根据所述点击信息获取所述用户对于不同埋点类别的点击概率,然后再根据所述用户类别-偏好数据的知识图谱中每个用户类别对于不同类别的偏好数据的关联值以及所述用户对于不同埋点类别的点击概率计算所述用户与不同的用户类别的偏好数据喜好偏差率,进而计算出所述用户与不同用户类别的相似率。
例如,所述计算机设备在一周内获取到A用户通过所述应用页面点击了新闻数据类别的埋点为100次,其中时事新闻数据类别埋点,政治军事数据类别埋点,经济理财数据类别埋点和娱乐八卦数据类别埋点的点击次数分别为17次、17次、21次、45次;点击了产品类别的推广数据埋点为100次,其中男生产品类别的推广数据埋点,女生产品类别的推广数据埋点,妇婴产品类别的推广数据埋点以及老年人产品类别的推广数据埋点的次数分别为50次、17次、16次、17次。也就是说,A用户在一周内点击时事新闻数据类别埋点,政治军事新闻数据类别埋点,经济理财新闻数据类别埋点和娱乐八卦新闻数据类别埋点的概率分别为:17%、17%、21%、45%;点击男生产品类别的推广数据埋点,女生产品类别的推广数据埋点,妇婴产品类别的推广数据埋点以及老年人产品类别的推广数据埋点的概率分别为:50%、17%、16%、17%。接着,所述计算机设备将所述用户点击各个类别的新闻数据埋点的概率以及点击各个产品类别的推广数据埋点的概率分别与各个用户类别对应的第一关联值和第二关联值进行偏差率计算,得到所述用户与各个用户类别之间的对于新闻数据的喜好偏差率以及对于推广数据的喜好偏差率。
接着,所述计算机设备对所述用户与各个用户类别对于新闻数据的喜好偏差率以及对于推广数据的喜好偏差率进行加权和运算,例如权值均为50%,然后被100%减,得到所述用户与不同用户类别的相似率。例如,A用户与男人用户类别相比,对于新闻数据喜好偏差率为:((20%-17%)+(40%-17%)+(30%-21%)+(45%-10%))/4=17.5%;对于推广数据的喜好偏差率为:((60%-50%)+(17%-10%)+(16%-10%)+(20%-17%))/4=6.5%;因此,所述用户与男人用户类别相似率为:(100%-(17.5%*50%+6.5%*50%))=88%。A用户与女人用户类别相比,对于新闻数据喜好偏差率为:((20%-17%)+(17%-10%)+(21%-20%)+(50%-45%))/4=4%;产品类别喜好偏差率为:((50%-20%)+(50%-17%)+(20%-16%)+(17%-10%))/4=18.75%;因此,所述用户与男人用户类别相似率为:(100%-(4%*50%+18.75%*50%))=88.625%。
步骤S504,选择相似率最高的第一用户类别作为所述用户的用户类别。
步骤S506,根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,然后将所述推广数据显示到所述用户的应用页面的预设位置。其中,所述推广数据包括图片、音乐和文字中的至少一种。
具体地,当所述计算机设备计算出A用户与各个用户类别之间的相似率之后,所述计算机设备还会选择出相似率最大的用户类别作为A用户的当前用户类别。接着,所述计算机设备选择出A用户的当前用户类别所对应的第二关联值最大的产品类别的推广数据替换初始推广数据显示到A用户打开的应用也没的预设位置。
本实施例所提出的基于用户行为数据的数据推荐方法能够通过埋点方式采集预设周期内用户在应用页面的链接的点击信息,接着根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率;然后选择相似度最高的第一用户类别作为所述用户的用户类别;最后再根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,并将所述推广数据显示到所述用户的应用页面的预设位置。因此,可以更加精确地分析出用户的类别,并根据用户的用户类别进行推广数据的推荐,从而能够高效地将用户偏好数据推荐给用户。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于用户行为数据的数据推荐方法,其特征在于,所述方法包括步骤:
通过埋点方式采集预设周期内用户在应用页面的链接的点击信息;
根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率,其中,所述偏好数据包括新闻数据类别和推广数据类别;
选择相似率最高的第一用户类别作为所述用户的用户类别;
根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,然后将所述推广数据显示到所述用户的应用页面的预设位置,其中,所述推广数据包括图片、音乐和文字中的至少一种;
所述“通过埋点方式采集预设周期内用户在应用页面的链接的点击信息”的步骤包括:
将所述应用页面上的所有链接进行分类,分为新闻数据类别和推广数据类别;
对不同数据类别的链接进行埋点并标记为对应类别的埋点;
获取并记录用户对于不同的埋点类别的点击次数;
所述用户类别-偏好数据的知识图谱包括:用户类别通过第一关联值与新闻数据类别的关联关系,以及用户类别通过第二关联值与推广数据类别的关联关系,其中,所述关联关系是通过统计数据分析获得的偏好概率;
所述“根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率”的步骤包括:
根据所述点击信息获取所述用户对于不同埋点类别的点击概率;
根据所述用户类别-偏好数据的知识图谱中每个用户类别对于不同类别的偏好数据的关联值以及所述用户对于不同埋点类别的点击概率计算所述用户与不同的用户类别的偏好数据喜好偏差率,进而计算出所述用户与不同用户类别的相似率。
2.一种基于用户行为数据的数据推荐装置,其特征在于, 所述基于用户行为数据的数据推荐装置包括:
采集模块,用于通过埋点方式采集预设周期内用户在应用页面的链接的点击信息;
计算模块,用于根据预设的用户类别-偏好数据的知识图谱以及所述点击信息计算所述用户与每个用户类别的相似率,其中,所述偏好数据包括新闻数据类别和推广数据类别;
判断模块,用于选择相似率最高的第一用户类别作为所述用户的用户类别;
显示模块,用于根据所述用户类别-偏好数据的知识图谱获取所述第一用户类别关联值最高的推广数据,然后将所述推广数据显示到所述用户的应用页面的预设位置,其中,所述推广数据包括图片、音乐和文字中的至少一种;
所述采集模块还用于:
将所述应用页面上的所有链接进行分类,分为新闻数据类别和推广数据类别;
对不同数据类别的链接进行埋点并标记为对应类别的埋点;
获取并记录用户对于不同的埋点类别的点击次数;
所述用户类别-偏好数据的知识图谱包括:用户类别通过第一关联值与新闻数据类别的关联关系,以及用户类别通过第二关联值与推广数据类别的关联关系,其中,所述关联关系是通过统计数据分析获得的偏好概率;
所述计算模块还用于:
根据所述点击信息获取所述用户对于不同埋点类别的点击概率;
根据所述用户类别-偏好数据的知识图谱中每个用户类别对于不同类别的偏好数据的关联值以及所述用户对于不同埋点类别的点击概率计算所述用户与不同的用户类别的偏好数据喜好偏差率,进而计算出所述用户与不同用户类别的相似率。
3.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1所述的基于用户行为数据的数据推荐方法的步骤。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求1所述的基于用户行为数据的数据推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524598.7A CN110347918B (zh) | 2019-06-18 | 2019-06-18 | 基于用户行为数据的数据推荐方法、装置以及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524598.7A CN110347918B (zh) | 2019-06-18 | 2019-06-18 | 基于用户行为数据的数据推荐方法、装置以及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110347918A CN110347918A (zh) | 2019-10-18 |
CN110347918B true CN110347918B (zh) | 2023-06-02 |
Family
ID=68182244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524598.7A Active CN110347918B (zh) | 2019-06-18 | 2019-06-18 | 基于用户行为数据的数据推荐方法、装置以及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347918B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435047A (zh) * | 2020-10-30 | 2021-03-02 | 四川新网银行股份有限公司 | 一种基于埋点数据的营销外呼数据推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071437A (zh) * | 2007-03-28 | 2007-11-14 | 腾讯科技(深圳)有限公司 | 对用户进行分类的方法,定向广告投放方法、装置及系统 |
CN102521767A (zh) * | 2011-12-13 | 2012-06-27 | 亿赞普(北京)科技有限公司 | 网络广告信息发布方法及系统 |
CN104102635A (zh) * | 2013-04-01 | 2014-10-15 | 腾讯科技(深圳)有限公司 | 一种挖掘知识图谱的方法及装置 |
CN109241427A (zh) * | 2018-09-04 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN109460516A (zh) * | 2018-11-16 | 2019-03-12 | 广东小天才科技有限公司 | 一种学习内容推荐方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700705B2 (en) * | 2010-06-11 | 2014-04-15 | Microsoft Corporation | Sharing of user preferences |
-
2019
- 2019-06-18 CN CN201910524598.7A patent/CN110347918B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071437A (zh) * | 2007-03-28 | 2007-11-14 | 腾讯科技(深圳)有限公司 | 对用户进行分类的方法,定向广告投放方法、装置及系统 |
CN102521767A (zh) * | 2011-12-13 | 2012-06-27 | 亿赞普(北京)科技有限公司 | 网络广告信息发布方法及系统 |
CN104102635A (zh) * | 2013-04-01 | 2014-10-15 | 腾讯科技(深圳)有限公司 | 一种挖掘知识图谱的方法及装置 |
CN109241427A (zh) * | 2018-09-04 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN109460516A (zh) * | 2018-11-16 | 2019-03-12 | 广东小天才科技有限公司 | 一种学习内容推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110347918A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636487B (zh) | 广告推送方法、服务器、计算机设备及存储介质 | |
CN109948077B (zh) | 用户行为数据采集方法、装置、设备和计算机存储介质 | |
CN109101425B (zh) | 一种动态化的页面ab测试的指标埋点方法和装置 | |
CN112104505B (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
CN112508638B (zh) | 数据处理的方法、装置及计算机设备 | |
CN110941775A (zh) | 一种消息推送方法、终端设备及计算机可读存储介质 | |
CN109525647A (zh) | 消息推送徽章值控制方法、电子装置及存储介质 | |
CN110347918B (zh) | 基于用户行为数据的数据推荐方法、装置以及计算机设备 | |
CN108989383B (zh) | 数据处理方法和客户端 | |
CN109240664B (zh) | 一种采集用户行为信息的方法及终端 | |
CN108427701B (zh) | 基于操作页面识别帮助信息的方法及应用服务器 | |
CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
CN113434762A (zh) | 基于用户信息的关联推送方法、装置、设备及存储介质 | |
CN112905935A (zh) | 页面录制方法、页面录制动画生成方法、设备和存储介质 | |
CN108572985B (zh) | 一种页面显示方法及装置 | |
CN106302821B (zh) | 一种数据请求方法及其设备 | |
CN112002352B (zh) | 随机播放音乐方法、装置、计算机设备及存储介质 | |
CN109885710B (zh) | 基于差分演化算法的用户画像刻画方法及服务器 | |
CN113282601A (zh) | 数据更新方法、装置及电子设备 | |
CN104615686A (zh) | 一种搜索方法及装置 | |
CN106021501A (zh) | 一种数据存储方法及装置 | |
CN111984839A (zh) | 绘制用户画像的方法和装置 | |
CN111338709A (zh) | 客户端中目标场景的跳转方法、装置、设备及存储介质 | |
CN112837107A (zh) | 跨平台商品推荐方法、装置以及计算机设备 | |
CN111767447A (zh) | 用于确定用户流量路径的方法和装置 |
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 |