CN110347928A - 一种个性化信息推荐方法与系统 - Google Patents
一种个性化信息推荐方法与系统 Download PDFInfo
- Publication number
- CN110347928A CN110347928A CN201910642029.2A CN201910642029A CN110347928A CN 110347928 A CN110347928 A CN 110347928A CN 201910642029 A CN201910642029 A CN 201910642029A CN 110347928 A CN110347928 A CN 110347928A
- Authority
- CN
- China
- Prior art keywords
- user
- feature
- mouse
- information
- different
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种个性化信息推荐方法与系统,所述方法包括:通过获取用户使用电脑过程中的交互特征及用户的身体特征,识别用户;识别出同一台电脑的不同用户后,根据所述同一台电脑上的不同用户,获取所述不同用户的属性特征和信息偏好;所述获取所述不同用户的属性特征是指,根据根据用户的手臂压力特征识别出用户性别和年龄属性、根据掌纹大小和纹路特征,识别用户的年龄和性别特征;根据鼠标点击和键盘打字速度识别用户的年龄特征;根据所述信息偏好,推荐针对所述不同用户的精准信息。本发明能够让一台电脑有多个使用者的时候,获得针对不同使用者的个性化信息,可以针对本来属于一个ip或者一个家庭的广告和信息,进行更近精细的区分,有利于信息推荐的精度。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种个性化信息推荐方法与系统。
背景技术
很多家庭电脑,都不只一个用户在使用,例如家庭电脑可能父亲在使用、小孩在使用、爷爷奶奶也会使用。在公司里面也有电脑被多人使用的情况。这时会出现一个问题就是,大多数互联网精准广告或者信息推荐系统是针对同一个ip地址进行特征识别的,大多数的广告推荐或者信息推荐方法,例如信息流、商业广告、网站自适应优化等,都是基于同一个ip地址或者同一个账号等。而同一个家庭中的成员,在使用家庭电脑时,一般都不会特意更换用户,例如打开百度搜索的时候,用户不会进行账号登陆之后再搜索,而是马上就进行搜索,这样电脑给当前用户推荐的信息就不是最个性化的了,因为这个ip地址不只有一个用户。而这也就导致同一个家庭的不同成员,被推送的信息流或者广告信息是相同的,这种不合理的情况发生。所以,需要进一步解决信息推荐精准化的问题。
发明内容
本发明提供了一种个性化信息推荐方法,主要包括以下步骤:
鼠标垫或鼠标装有压力传感器,根据手部压力特征,识别同一台电脑上的不同用户;
鼠标垫或者鼠标具有指纹或掌纹识别模块,根据用户指纹特征或用户掌纹特征,识别同一台电脑上的不同用户;
根据用户使用鼠标过程中鼠标移动和点击操作的操作速度,鼠标对菜单的操作速度,对用户的鼠标操作特征进行识别,进而识别同一台电脑上的不同用户;
根据用户使用键盘过程中键盘的打字速度,输入法类型,对用户的键盘操作特征进行识别,进而识别同一台电脑上的不同用户;
通过将所述手臂压力特征、指纹或掌纹特征、鼠标操作特征、键盘操作特征进行融合,构建特征矩阵,通过深度学习分类算法进行用户分类,进而识别同一台电脑上的不同用户;
根据同一台电脑上的不同用户,获取所述不同用户的属性特征和信息偏好;所述获取所述不同用户的属性特征是指,根据根据用户的手臂压力特征大致识别出用户性别和年龄属性、根据掌纹大小和纹路特征,识别用户的年龄和性别特征;根据鼠标点击和键盘打字速度大致识别用户的年龄特征;
针对所述同一台电脑上的不同用户,根据所述信息偏好,推荐针对所述不同用户的精准信息。
进一步可选地,如上所述的方法中,所述鼠标垫或鼠标装有压力传感器,根据手部压力特征,识别同一台电脑上的不同用户,主要包括:
所述鼠标垫压力传感器安装在鼠标垫的东南西北四个方向;
所述鼠标安装有压力传感器,能够获取手压在鼠标上的重量;
根据用户手臂压在鼠标垫上面的压力的不同,识别不同的用户特征,进行用户识别;
根据用户手臂压在鼠标上的压力的不同,识别不同的用户特征,进行用户识别;
进一步可选地,如上所述的方法中,所述鼠标垫或者鼠标具有指纹或掌纹识别模块,根据用户指纹特征或用户掌纹特征,识别同一台电脑上的不同用户,主要包括:
鼠标上安装有掌纹和指纹图像采集装置,能够对用户对掌纹和指纹进行获取;
鼠标垫上安装有掌纹和指纹图像采集装置,能够对用户的掌纹和指纹进行获取;
获取用户的掌纹和/或指纹,进行数据预处理、获取点特征与线特征,获取纹理特征;
根据掌纹和/或指纹训练数据,进行小波变换,获取图像的局部细节信息;将掌纹局部细节信息作为深度置信网的输入,通过深度学习算法训练,获得最优的网络参数,最后进行分类预测;获得所述掌纹的用户身份信息。区分使用同一台电脑的不同用户;
进一步可选地,如上所述的方法中,所述根据用户使用鼠标过程中鼠标移动和点击操作的操作速度,鼠标对菜单操作的操作速度、对用户的鼠标操作特征进行识别,进而识别同一台电脑上的不同用户,主要包括:
通过调用操作系统api函数接口,计算用户在点击应用程序目标时,从开始移动鼠标直到点击到目标程序的时间差,获取鼠标操作速度;
通过调用操作系统api函数接口,统计用户在操作各类菜单过程中,从打开菜单到选择菜单的操作时间,获取菜单操作速度;
通过所述鼠标操作速度和菜单操作速度的不同,区分同一台电脑上的不同用户;
进一步可选地,如上所述的方法中,所述根据用户使用键盘过程中键盘的打字速度,输入法类型,对用户的键盘操作特征进行识别,进而识别同一台电脑上的不同用户,主要包括:
通过调用操作系统api函数接口,统计用户在操作键盘打字中,打字的速度,获取键盘操作速度特征;
通过调用操作系统api函数接口,获取输入法名称和类型;
根据打字速度和输入法类型,区分同一台电脑上的不同用户。
进一步可选地,如上所述的方法中,所述通过将所述手臂压力特征、指纹或掌纹特征、鼠标操作特征、键盘操作特征进行融合,构建特征矩阵,通过深度学习分类算法进行用户分类,进而识别同一台电脑上的不同用户,主要包括:
构建特征矩阵,特征矩阵的每一行都包含有用户的,所述手臂压力特征、所述指纹或掌纹特征、所述鼠标操作特征、所述键盘操作特征,不同的行表示不同的用户的上述特征。通过这个特征矩阵,进行数据预处理及归一化处理,接着,作为深度置信网的输入,通过深度学习算法训练,获得最优的网络参数,形成深度学习模型;所述深度学习模型,融合了所述手臂压力特征、所述指纹或掌纹特征、所述鼠标操作特征、所述键盘操作特征;
根据该模型进行分类预测;可以根据分类结果,区分使用同一台电脑的不同用户。
进一步可选地,如上所述的方法中,所述信息推荐系统根据同一台电脑上的不同用户,获取所述不同用户属性特征和信息偏好,主要包括:
信息推荐系统针对同一台电脑的用户,根据用户特征,对用户进行再次区分,获取同一台电脑的不同用户的信息偏好;
如果同一台电脑只有一种用户信息偏好,则不对电脑用户特征进行区分;不进行区分同一台电脑的不同用户的计算,节省计算量;
如果同一台电脑具有多种用户信息偏好,则将同一台电脑的信息偏好进行区分,获取不同用户用户属性特征,包括年龄特征和性别特征;针对不同的年龄和不同的性别,推断它们的大致偏好。
进一步可选地,如上所述的方法中,所述针对所述同一台电脑上的不同用户,根据所述信息偏好,推荐针对所述不同用户的精准信息,主要包括:
将同一台电脑或者同一个ip地址上面的用户,进行再次细分,针对不同的用户,信息推荐系统获取他们的用户信息偏好,进行个性化的信息推荐;
将本来针对家庭的广告或信息内容,根据所述不同用户的信息偏好,再次进行细分,面向家庭中不同年龄、不同性别,进行细化,进行更加精确的信息推荐;
本发明公开了一种个性化信息推荐系统,所述系统包括:
用户识别模块,用于根据单一特征和融合特征识别同一台电脑上不同的用户;
用户属性分析模块,用于根据获取的用户特征,分析用户属性和偏好;
用户信息推荐模块,用于根据用户不同的属性和信息偏好,推荐信息;
本发明实施例提供的技术方案可以包括以下有益效果:
本发明能够让一台电脑有多个使用者的时候,获得针对不同使用者的个性化信息,使信息推荐系统更近精准,并且可以针对本来属于一个ip或者一个家庭的广告和信息,进行更近精细的区分,有利于信息推荐的精度,优化了当前的信息推荐方法。
附图说明
图1为本发明的一种个性化信息推荐方法实施例的流程图;
图2为本发明的一种个性化信息推荐方法实施例的另一个流程图;
图3为本发明的一种个性化信息推荐系统实施例的结构图。
具体实施方法
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的个性化信息推荐方法的流程图。如图1所示,本实施例个性化信息推荐的方法,具体可以包括如下步骤:
步骤101,通过用户使用电脑过程中的交互特征及用户的身体特征,识别用户。交互特征主要是指用户使用鼠标键盘过程中所出现的特有的特征,例如鼠标点击、敲击键盘等,老年人学习电脑慢,与电脑等交互没有年轻人那么熟练。因此交换特征可以区别用户。身体特征是指在操作电脑过程中,由于手臂与鼠标或鼠标垫等有接触,会留下压力特征和指纹掌纹特征,这些特征也是区分用户的重要方法。可以选择其中一种进行用户的识别,虽然具有一定的精准度,但是用单一特征来区分同一台电脑的用户,也可能准确度不如使用融合特征,毕竟基于更多的信息,经常可以获得更加准确的结果。所以可以融合多种特征来共同进行用户识别,融合方法是结合深度学习,将这些特征融合为一个矩阵进行分类。
上述方法和步骤,如图2所示,主要分为下面几个步骤:
步骤a,鼠标垫或鼠标装有压力传感器,根据手部压力特征,识别同一台电脑上的不同用户。
鼠标垫上安装有压力传感器,为了使压力传感器更容易被植入薄薄的鼠标垫里,可以采用柔性传感器。并且安装在鼠标垫的东南西北四个方向;鼠标也安装有压力传感器,能够获取手压在鼠标上的重量;这样能够获得更多手部重量特征信息。
接着可以根据用户手臂压在鼠标垫上面的压力的不同,识别不同的用户特征,进行用户识别;
步骤b,鼠标垫和/或鼠标上,都同时安装有指纹和掌纹识别模块,根据用户指纹特征或用户掌纹特征,识别同一台电脑上的不同用户,主要包括:
鼠标上安装有掌纹和指纹图像采集装置,能够对用户的掌纹和指纹进行获取;
鼠标垫上安装有掌纹和指纹图像采集装置,能够对用户对掌纹和指纹进行获取;
获取用户的掌纹和/或指纹,进行数据预处理、获取点特征与线特征,获取纹理特征,;
根据掌纹和/或指纹训练数据,进行小波变换,获取图像的局部细节信息;将掌纹局部细节信息作为深度置信网的输入,通过深度学习算法训练,获得最优的网络参数,最后进行分类预测;获得所述掌纹的用户身份信息。区分使用同一台电脑的不同用户;
掌纹或指纹信息是最精确能够区分用户的方法。经常的情况是,这个单一特征已经可以很好的区分同一台电脑上的不同用户了。但是也有意外情况是,如果用户带着手套,会导致获取不了掌纹和指纹。所有,前面基于压力特征,或者接下去的鼠标与键盘交互特征也是有用的。
步骤c,根据用户使用鼠标过程中鼠标移动和点击操作的操作速度,鼠标对菜单操作的操作速度、对用户的鼠标操作特征进行识别,进而识别同一台电脑上的不同用户,主要包括:
通过调用操作系统api函数接口,计算用户在点击应用程序目标时,从开始移动鼠标直到点击到目标程序的时间差,获取鼠标操作速度;
通过调用操作系统api函数接口,统计用户在操作各类菜单过程中,从打开菜单到选择菜单的操作时间,获取菜单操作速度;
通过所述鼠标操作速度和菜单操作速度的不同,区分同一台电脑上的不同用户;
WIN32 API就是Microsoft Windows 32位平台的应用程序编程接口,他们可以很好的对任何电脑操作都进行记录和控制。因此也可以监控到用户的各种操作和交互行为。
步骤d,根据用户使用键盘过程中键盘的打字速度,输入法类型,对用户的键盘操作特征进行识别,进而识别同一台电脑上的不同用户,主要包括:
通过调用操作系统api函数接口,统计用户在操作键盘打字中,打字的速度,获取键盘操作速度特征;
通过调用操作系统api函数接口,获取输入法名称和类型;
根据打字速度和输入法类型,区分同一台电脑上的不同用户。
步骤e,通过将所述手臂压力特征、指纹或掌纹特征、鼠标操作特征、键盘操作特征进行融合,构建特征矩阵,通过深度学习分类算法进行用户分类,进而识别同一台电脑上的不同用户,主要包括:
构建特征矩阵,特征矩阵的每一行都包含有用户的,所述手臂压力特征、所述指纹或掌纹特征、所述鼠标操作特征、所述键盘操作特征,不同的行表示不同的用户的上述特征。通过这个特征矩阵,进行数据预处理及归一化处理,接着,作为深度置信网的输入,通过深度学习算法训练,获得最优的网络参数,形成深度学习模型;所述深度学习模型,融合了所述手臂压力特征、所述指纹或掌纹特征、所述鼠标操作特征、所述键盘操作特征;
根据该模型进行分类预测;可以根据分类结果,区分使用同一台电脑的不同用户。
步骤102,根据同一台电脑上的不同用户,获取所述不同用户属性特征和信息偏好,主要包括:
信息推荐系统针对同一台电脑的用户,根据用户特征,对用户进行再次区分,获取同一台电脑的不同用户的信息偏好;
如果同一台电脑只有一种用户信息偏好,则不对电脑用户特征进行区分;不进行区分同一台电脑的不同用户的计算,节省计算量;
因为每一次用户的识别都需要耗费计算资源,如果识别几次都是家庭电脑只有一个用户在使用,那么就没有必要再每次用户使用电脑时都进行用户区分,这样反而浪费了计算资源。
如果同一台电脑具有多种用户信息偏好,则将同一台电脑的信息偏好进行区分,获取不同用户用户属性特征,包括年龄特征和性别特征;针对不同的年龄和不同的性别,推断它们的大致偏好。
获取所述不同用户的属性特征是指,根据根据用户的手臂压力特征大致识别出用户性别和年龄属性、根据掌纹大小和纹路特征,识别用户的年龄和性别特征;根据鼠标点击和键盘打字速度大致识别用户的年龄特征。一般来说,大人的手臂比小孩重、男人的手比女人的重、而女人的手臂和掌纹大小也比男人的要小,小孩掌纹也比成人的小。这些特征都可以大致的区分家庭成员。
根据用户属性,可以推断用户的更加深入的偏好。例如,如果是用户属性是女性,那么他们对护肤对首饰的喜好程度,会远大于男性用户。
步骤103,针对所述同一台电脑上的不同用户,根据所述信息偏好,推荐针对所述不同用户的精准信息,主要包括:
将同一台电脑或者同一个ip地址上面的用户,进行再次细分,针对不同的用户,信息推荐系统获取他们的用户信息偏好,进行个性化的信息推荐;这种推荐方法,是把用户重新进行分析,就是把本来针对ip或者账号的识别的工作,进一步深化到基于真实的用户,基于家庭电脑的不同真实用户,区分用户后,针对每一个用户,用原来的方法,做个性化推荐。这样达比针对家庭电脑更加精准的信息推荐效果。
另一种方法是,将本来针对家庭的广告或信息内容,根据所述不同用户的信息偏好,再次进行细分,面向家庭中不同年龄、不同性别,进行细化,进行更近精确的信息推荐;
例如,本来是针对一次家庭旅游推送的全家游服务,因为识别出当前的家庭成员用户是一个不喜欢旅游的老人,但是喜欢音乐会,因此给他推荐成一场音乐会的广告。这样就达到了更近高效精准的效果。因为按以前的技术,获取到的,是一个由多个人杂合在一起的虚拟人物的用户特征,现在有了区分家庭成员特征的技术,就能够更近精准的识别家庭成员或者公司的不同成员的喜好了。达到了精准推送信息的目的。
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可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种个性化信息推荐方法与系统,其特征在于,所述方法包括:
通过获取用户使用电脑过程中的交互特征及用户的身体特征,识别用户;所述交换特征和用户身体特征主要包括:
鼠标垫或鼠标装有压力传感器,根据手部压力特征,识别同一台电脑上的不同用户;
鼠标垫和/或鼠标上,都同时安装有指纹和掌纹识别模块,根据用户指纹特征或用户掌纹特征,识别同一台电脑上的不同用户;
根据用户使用鼠标过程中鼠标移动和点击操作的操作速度,鼠标对菜单的操作速度,对用户的鼠标操作特征进行识别,进而识别同一台电脑上的不同用户;
根据用户使用键盘过程中键盘的打字速度,输入法类型,对用户的键盘操作特征进行识别,进而识别同一台电脑上的不同用户;
通过将所述手臂压力特征、指纹或掌纹特征、鼠标操作特征、键盘操作特征进行融合,构建特征矩阵,通过深度学习分类算法进行用户分类,进而识别同一台电脑上的不同用户;
识别出同一台电脑上的不同用户之后,
根据所述同一台电脑上的不同用户,获取所述不同用户的属性特征和信息偏好;所述获取所述不同用户的属性特征是指,根据根据用户的手臂压力特征识别出用户性别和年龄属性、根据掌纹大小和纹路特征,识别用户的年龄和性别特征;根据鼠标点击和键盘打字速度识别用户的年龄特征;
针对所述同一台电脑上的不同用户,根据所述信息偏好,推荐针对所述不同用户的精准信息。
2.根据权利要求1所述的方法,其中,所述鼠标垫或鼠标装有压力传感器,根据手部压力特征,识别同一台电脑上的不同用户,主要包括:
所述鼠标垫压力传感器安装在鼠标垫的东南西北四个方向;
所述鼠标安装有压力传感器,能够获取手压在鼠标上的重量;
根据用户手臂压在鼠标垫上面的压力的不同,识别不同的用户特征,进行用户识别;
根据用户手臂压在鼠标上的压力的不同,识别不同的用户特征,进行用户识别。
3.根据权利要求1所述的方法,其中,所述鼠标垫和/或鼠标上,都同时安装有指纹和掌纹识别模块,根据用户指纹特征或用户掌纹特征,识别同一台电脑上的不同用户,主要包括:
鼠标上安装有掌纹或指纹图像采集装置,能够对用户的掌纹和指纹进行获取;
鼠标垫上安装有掌纹或指纹图像采集装置,能够对用户的掌纹和指纹进行获取;
获取用户的掌纹和/或指纹,进行数据预处理、获取点特征与线特征,进一步的,获取纹理特征;
根据掌纹和/或指纹训练数据,进行小波变换,获取图像的局部细节信息;将掌纹局部细节信息作为深度置信网的输入,通过深度学习算法训练,获得最优的网络参数,最后进行分类预测;获得所述掌纹的用户身份信息;区分使用同一台电脑的不同用户。
4.根据权利要求1所述的方法,其中,所述根据用户使用鼠标过程中鼠标移动和点击操作的操作速度,鼠标对菜单操作的操作速度、对用户的鼠标操作特征进行识别,进而识别同一台电脑上的不同用户,主要包括:
通过调用操作系统api函数接口,计算用户在点击应用程序目标时,从开始移动鼠标直到点击到目标程序的时间差,获取鼠标操作速度;
通过调用操作系统api函数接口,统计用户在操作各类菜单过程中,从打开菜单到选择菜单的操作时间,获取菜单操作速度;
通过所述鼠标操作速度和菜单操作速度的不同,区分同一台电脑上的不同用户。
5.根据权利要求1所述的方法,其中,所述根据用户使用键盘过程中键盘的打字速度,输入法类型,对用户的键盘操作特征进行识别,进而识别同一台电脑上的不同用户,主要包括:
通过调用操作系统api函数接口,统计用户在操作键盘打字过程中,打字的速度,获取键盘操作速度特征;
通过调用操作系统api函数接口,获取输入法名称和类型;
根据打字速度和输入法类型,区分同一台电脑上的不同用户。
6.根据权利要求1所述的方法,其中,所述通过将所述手臂压力特征、指纹或掌纹特征、鼠标操作特征、键盘操作特征进行融合,构建特征矩阵,通过深度学习分类算法进行用户分类,进而识别同一台电脑上的不同用户,主要包括:
构建特征矩阵,特征矩阵的每一行都包含有用户的,所述手臂压力特征、所述指纹或掌纹特征、所述鼠标操作特征、所述键盘操作特征,不同的行表示不同的用户的上述特征;通过所述特征矩阵,进行数据预处理及归一化处理,接着,作为深度置信网的输入,通过深度学习算法训练,获得最优的网络参数,形成深度学习模型;所述深度学习模型,融合了所述手臂压力特征、所述指纹或掌纹特征、所述鼠标操作特征、所述键盘操作特征;
根据该模型进行分类预测;可以根据分类结果,区分使用同一台电脑的不同用户。
7.根据权利要求1所述的方法,其中,所述信息推荐系统根据同一台电脑上的不同用户,获取所述不同用户属性特征和信息偏好,主要包括:
信息推荐系统针对同一台电脑的用户,根据用户特征,对用户进行再次区分,获取同一台电脑的不同用户的信息偏好;
如果同一台电脑只有一种用户信息偏好,则不对电脑用户特征进行区分;不进行区分同一台电脑的不同用户的计算,节省计算量;
如果同一台电脑具有多种用户信息偏好,则将同一台电脑的信息偏好进行区分,获取不同用户用户属性特征,包括年龄特征和性别特征;针对不同的年龄和不同的性别,推断它们的大致偏好。
8.根据权利要求1所述的方法,其中,所述针对所述同一台电脑上的不同用户,根据所述信息偏好,推荐针对所述不同用户的精准信息,主要包括:
将同一台电脑或者同一个ip地址上面的用户,进行再次细分,针对不同的用户,信息推荐系统获取他们的用户信息偏好,进行个性化的信息推荐;
将本来针对家庭的广告或信息内容,根据所述不同用户的信息偏好,再次进行细分,面向家庭中不同年龄、不同性别,进行细化,进行更加精确的信息推荐。
9.一种个性化信息推荐系统,其特征在于,所述系统包括:
用户识别模块,用于根据单一特征和融合特征识别同一台电脑上不同的用户;
用户属性分析模块,用于根据获取的用户特征,分析用户属性和偏好;
用户信息推荐模块,用于根据用户不同的属性和信息偏好,推荐信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642029.2A CN110347928A (zh) | 2019-07-16 | 2019-07-16 | 一种个性化信息推荐方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642029.2A CN110347928A (zh) | 2019-07-16 | 2019-07-16 | 一种个性化信息推荐方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110347928A true CN110347928A (zh) | 2019-10-18 |
Family
ID=68174823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642029.2A Pending CN110347928A (zh) | 2019-07-16 | 2019-07-16 | 一种个性化信息推荐方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347928A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199034A (zh) * | 2020-09-30 | 2021-01-08 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
CN113729546A (zh) * | 2020-05-29 | 2021-12-03 | 东芝生活电器株式会社 | 信息处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082845A (zh) * | 2006-05-29 | 2007-12-05 | 北京锐科天智科技有限责任公司 | 智能鼠标实现方法及硬件装置 |
CN103530540A (zh) * | 2013-09-27 | 2014-01-22 | 西安交通大学 | 基于人机交互行为特征的用户身份属性检测方法 |
CN103576943A (zh) * | 2013-10-31 | 2014-02-12 | 昆山市大久电子有限公司 | 多功能鼠标垫 |
CN103823816A (zh) * | 2012-11-19 | 2014-05-28 | 上海亿动信息技术有限公司 | 基于用户特征数据识别的信息发布方法及装置 |
CN109407914A (zh) * | 2017-08-18 | 2019-03-01 | 阿里巴巴集团控股有限公司 | 用户特征识别方法、装置、设备、介质和操作系统 |
-
2019
- 2019-07-16 CN CN201910642029.2A patent/CN110347928A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082845A (zh) * | 2006-05-29 | 2007-12-05 | 北京锐科天智科技有限责任公司 | 智能鼠标实现方法及硬件装置 |
CN103823816A (zh) * | 2012-11-19 | 2014-05-28 | 上海亿动信息技术有限公司 | 基于用户特征数据识别的信息发布方法及装置 |
CN103530540A (zh) * | 2013-09-27 | 2014-01-22 | 西安交通大学 | 基于人机交互行为特征的用户身份属性检测方法 |
CN103576943A (zh) * | 2013-10-31 | 2014-02-12 | 昆山市大久电子有限公司 | 多功能鼠标垫 |
CN109407914A (zh) * | 2017-08-18 | 2019-03-01 | 阿里巴巴集团控股有限公司 | 用户特征识别方法、装置、设备、介质和操作系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113729546A (zh) * | 2020-05-29 | 2021-12-03 | 东芝生活电器株式会社 | 信息处理系统 |
CN112199034A (zh) * | 2020-09-30 | 2021-01-08 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11928567B2 (en) | System and method for improving machine learning models by detecting and removing inaccurate training data | |
US20200410116A1 (en) | Sensitive Data Classification | |
US11093854B2 (en) | Emoji recommendation method and device thereof | |
US10783361B2 (en) | Predictive analysis of target behaviors utilizing RNN-based user embeddings | |
US20210019357A1 (en) | Analytics-driven recommendation engine | |
CN107967575B (zh) | 一种人工智能保险咨询服务人工智能平台系统 | |
CN105630856B (zh) | 在线用户简档的自动聚合 | |
CN103814351B (zh) | 基于协同姿势的输入语言 | |
US8260740B2 (en) | System to associate a demographic to a user of an electronic system | |
CN108701155B (zh) | 社交网络中的专家检测 | |
WO2019153604A1 (zh) | 人机识别模型的建立装置、方法及计算机可读存储介质 | |
US8676730B2 (en) | Sentiment classifiers based on feature extraction | |
CN104137038B (zh) | 具有手指鉴别的智能触摸屏键盘 | |
US9378202B2 (en) | Semantic clustering | |
CN107004212B (zh) | 根据社交媒体和其它数字轨迹对动作、结果和目标实现进行建模 | |
US11501161B2 (en) | Method to explain factors influencing AI predictions with deep neural networks | |
US20110238410A1 (en) | Semantic Clustering and User Interfaces | |
JP5653817B2 (ja) | 帳票認識装置、帳票認識方法およびそのためのプログラム | |
CN112818230A (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN110347928A (zh) | 一种个性化信息推荐方法与系统 | |
US20170262448A1 (en) | Topic and term search analytics | |
Ifada et al. | How relevant is the irrelevant data: leveraging the tagging data for a learning-to-rank model | |
Kabra et al. | Potent real-time recommendations using multimodel contextual reinforcement learning | |
JP2009053743A (ja) | 文書類似性導出装置、文書類似性導出方法、及び、文書類似性導出プログラム | |
US11900327B2 (en) | Evaluation adjustment factoring for bias |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191018 |
|
WD01 | Invention patent application deemed withdrawn after publication |