CN111191117A - 一种用于政务地图服务的精准性用户兴趣检测方法及系统 - Google Patents

Abstract

本发明公开了一种用于政务地图服务的精准性用户兴趣检测方法及系统，通过获取用于体现用户行为特征的政务数据，且基于当前获取的体现用户行为特征的数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模；其中，通过引入权重建模方法，在融合了整体和个性化的情况下，构建精准性用户兴趣推荐模型；基于当前构建的精准性用户兴趣模型，进行相关服务的推荐；本发明公开的技术方案有效的提高了政务平台的地图服务能力，大大提升了政务用户地图服务体验。

Description

一种用于政务地图服务的精准性用户兴趣检测方法及系统

技术领域

本发明涉及互联网信息服务技术领域，更具体地说，涉及一种用于政务地图服务的精准性用户兴趣检测方法及系统。

背景技术

随着大数据时代的来临，政务地图服务的规模不断扩大，繁杂多样的地图数据遍布网络，同时也伴随着信息超负载的问题。我们在享受多种多样的政务地图数据资源带来的方便的同时，也在承担在大量无效数据里寻找有用信息的压力。政务用户不能在过量的数据中快速找到有用的数据，大大降低了数据的利用率，很多有用的海量地图数据无法被快速浏览甚至搜索超时，导致了“资源浪费”。因此，面对海量而复杂的政务地图大数据，如何针对不同类型用户进行高效缓存和提取，提升政务地图个性化服务的精准性已成为迫切需要解决的问题。在大数据背景下，要想达到精准推荐，用户兴趣模型的构建是关键步骤，它已渐渐发展为独立的研究领域，值得我们更加深入的探索钻研。

用户兴趣构建方法和推荐算法是政务地图服务精准、主动表达的两个重要核心，用户兴趣模型构建的质量影响着用户准确描述兴趣爱好的高低，而模型的质量取决于优良的推荐算法。

用户兴趣模型的起步在国内相对较晚，但也取得了一定的研究成果。林鸿飞等人结合各类型示例文本，改进了用户兴趣模型的表达和更新策略；于波等人改进了可以解决数据稀疏和冷启动问题的户兴趣模型，提高了模型推荐质量；王成舜通过融合用户的操作与视觉行为，结合熵权法，采用向量空间模型，改进用户兴趣模型；孙铁利研究隐式反馈信息改进用户兴趣模型；应晓敏采用改进的KNN分类器对粒度类别进行区分，提出了一种细粒度用户兴趣建模策略；吴晓结合数据挖掘，通过Huffman树的表达方法建立用户兴趣模型；宋章浩对用户兴趣进行评分构造用户兴趣模型。

国外大约从上世纪90年代开始研究用户兴趣模型。2000年之后，Fragoudis和Likothanassis研究用户兴趣建模技术，强调了用户兴趣建模的重要性；Sofia Stamou等通过检索关键词和网页信息来构建用户兴趣模型；M.Claypool等通过显式和隐式分析结合的策略创建用户兴趣模型，实现了Curious Browser系统；Julia等通过收集用户的标签数据和分析用户社交关系来进行建模；Grabtree等结合时间窗方法改进用户兴趣模；HochulJeon等通过动态更新策略实现用户兴趣动态建模。

目前，在地图服务行业中，用户兴趣模型虽然有主动服务的能力，但都只是针对用户的历史兴趣行为进行推荐，没有深度融合用户个性化特征，比如结合用户背景来进行服务推荐，故其用户兴趣模型的精准表达比较薄弱，更加不能分析出用户的潜在需求，不能保证推荐结果的精准性和精准性；同时，目前用户兴趣模型政务地图服务行业中的应用非常薄弱。因此，优化用户兴趣模型的表达对于提升模型的政务个性化服务十分有价值。

发明内容

本发明要解决的技术问题在于，针对现有技术在面对海量而复杂的政务地图大数据时，无法对不同类型用户数据，进行高效缓存和存储的缺陷，提供一种用于政务地图服务的用户兴趣检测方法及装置。

本发明解决其技术问题所采用的技术方案是：构造一种用于政务地图服务的精准性用户兴趣检测方法，包括以下步骤：

获取用于体现用户行为特征的政务数据，所述政务数据包括政务地图瓦片数据和设有用户属性的用户行为数据；

基于当前获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模；其中，通过引入权重建模方法，在融合了整体和个性化服务建模结果的情况下，构建精准性用户兴趣推荐模型；其中：

在进行整体服务建模的过程中，基于每项服务的评分项值，计算出用户对不同服务的偏好程度；

在进行个性化服务建模的过程中，基于识别出的不同用户类型，进行个性化服务推荐；

基于当前构建的精准性用户兴趣模型，得到模型推荐的数据集；通过所述数据集进一步将相关服务推荐给用户。

本发明提出的一种用于政务地图服务的用户兴趣检测系统，包括以下模块：

数据获取模块，用于获取用于体现用户行为特征的政务数据，所述政务数据包括政务地图瓦片数据和设有用户属性的用户行为数据；

精准性用户兴趣推荐模型构建模块，用于基于当前获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模和；其中，通过引入权重建模方法，在融合了整体和个性化服务建模结果的情况下，构建精准性用户兴趣推荐模型；其中，精准性用户兴趣推荐模型构建模块还包括以下模块：

整体服务建模模块，用于在进行整体服务建模的过程中，基于每项服务的评分项值，计算出用户对不同服务的偏好程度；

个性化服务建模模块，用于在进行个性化服务建模的过程中，基于识别出的不同用户类型，进行个性化服务推荐。

在本发明所述的一种用于政务地图服务的精准性用户兴趣检测方法及系统中，基于提高精准性的用户兴趣模型使得推荐结果种类不仅更加丰富多样，而且更加具有针对性，能够改善不同类型用户兴趣模型定位推荐精准性的问题，从而促进模型推荐结果的命中率和响应效率。

实施本发明的一种用于政务地图服务的精准性用户兴趣检测方法及系统，具有以下有益效果：

1、由于随着用户访问数量的增多，本发明提出的基于欧几里德距离评价方法进行整体服务推荐，随着欧几里德距离评价系数越高，尤其在用户访问数量较高时，欧几里德距离评价系数普遍越高，反映出用户对此类服务的偏好程度越高，本发明有效的提高了相关服务的可推荐性；

2、本发明将权重建模方法应用于用户兴趣建模方法中，来权衡各部分之间的权重关系，将整体与个性化推荐方式有效结合，从而优化用户兴趣模型，得到最优建模方法；

3、本发明在传统推荐方法的基础上，结合能够区分用户特征的用户属性来进行个性化建模方法的改进，以各种类型的用户行为数据统计中访问量越高的服务优先推荐，然后根据访问量依次针对各类型用户推荐，以此优化个性化建模方法，加强建模方法的针对性，从而增强模型推荐的精准性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是精准性的用户兴趣模型框架图；

图2是用户兴趣检测系统结构图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明通过对整体服务推荐、个性化服务推荐和潜在兴趣服务推荐进行建模，基于用户行为的历史访问数据，结合用户类型、访问服务类别、访问次数、访问行列号以及访问层级等来分析用户的行为特征，构建精准性用户兴趣模型，最终得到模型推荐的数据集，有效的提供了政务平台的地图服务能力，大大提高了政务平台的地图服务能力，大大提升了用户地图服务体验。

请参考图1，其为精准性的用户兴趣模型框架图，构建所述精准性的用户兴趣模型具体包括以下步骤：

S1、获取用于体现用户行为特征的政务数据，所述政务数据包括政务地图瓦片数据和设有用户属性的用户行为数据；

本实施例依托于海南省政务服务地理空间信息大数据平台，进而获取到包含政务地图的瓦片数据和政务用户行为，这两种类型的数据，其中：

1.政务地图瓦片数据包括海南省已公开的政务数据公安厅、国土厅、食药监、林业厅等共计15个厅局，58项地图服务数据(包含点、线、面三种类型的要素数据，其中包括43种点要素、5种线要素、10种面要素服务的矢量瓦片数据)。政务大数据地图服务数据大多都是以点要素简单表现形式呈现，只有少数以线、面复杂要素表现形式呈现。

2.政务用户行为数据：本发明选择获取政务用户访问的地图服务日志进行用户行为分析，从而构造用户兴趣模型进行服务推荐。

上述两种类型数据的获取方式，具体为通过安装Kibana日志管理系统来获取用户访问矢量瓦片访问的行为日志数据，并配置合适的日志系统的用户行为属性字段，以此分析用户行为并构造用户兴趣模型。

因此本实施例下，是以Kibana日志管理系统来记录各类用户IP、访问服务名、访问瓦片行号、列号及访问层级等用户行为数据，统计用户访问次数来分析各厅局用户行为热度。

目前，用户访问行为都是通过访问量来反映其热度，其表现形式包括矢量瓦片访问量和服务访问量。由于矢量瓦片访问量多而繁杂，且用户访问不同级别的地图服务需要加载的矢量瓦片数量往往存在较大差异，不能准确表达用户行为，故本发明采用统计服务访问量来表示用户行为热度。

通常规定，用户在访问其他服务之后，又重复访问此服务的统计结果视为服务访问量。

S2、当前基于Kibana日志管理系统获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模、个性化服务推荐建模和潜在兴趣服务推荐建模；其中：

在进行整体服务建模的过程中，基于每项服务的评分项值，计算出用户对不同服务的偏好程度；具体为：

对于政务地图服务来说，在整体评价中最能体现用户行为特征数据的是用户访问种类数和访问数量这两个属性数据，因此，本实施例选择这两个属性数据作为评分项，进行整体服务推荐并进行排序。

结合整体建模方法，由矢量瓦片日志系统得到两个月数据分析区间内的评分项统计结果表如表1所示：

表1评分项统计结果表

由表1可以看出，在全省58类地图服务中，访问用户种类为10种以上的服务的用户访问数量都在400次以上；访问用户种类为10种以下的服务，用户访问数量大概都在100～400次之间。同时，随着访问用户种类的增多，用户访问数量呈现一定的增长趋势，尤其在访问用户种类较多时，增长趋势越明显。

因此可以得出以下结论：

用户访问数量与访问用户种类存在着一定的正相关关系，两者之间具有一定的依赖性。

本实施例中，将表1的评分项数据代入欧几里德距离公式中进行整体服务推荐评价系数计算，其中，所述整体建模是基于欧几里德距离评价算法，通过构建散点图，计算不同服务在散点图中的距离，进行判断用户对不同服务的偏好程度；其中：

服务代表的节点距离原点的距离越大，表示用户对此服务的偏好程度越高；

多项服务节点之间的间距越小，表示用户对所述多项服务的偏好程度越接近。

然后由归一化后的评分项结果得到各服务距原点的欧几里德距离评价结果如下表2，表中结果为排序靠前的10类地图服务。

表2各服务欧几里德距离评价结果表

对于每项服务基于评分项值，为保证用户各个评分项值的评分标准的统一，本实施例对评分项值进行零-均值标准化处理，通过去掉各维数据间的数量级差别，避免由于各维数据间的数量级差别较大，而造成预测误差较大的情况，其中，零-均值标准化处理的数学表达式为：

x_n为评分项值，μ为各维数据集的均值，σ为各维数据集的方差。

由表2可以看出，在用户访问数量较高时，欧几里德距离评价系数排序表与表1的评分项统计结果排序一致，反映出欧几里德距离评价系数一定程度上取决于评分项中用户访问数量的高低，符合欧几里德距离评价规律，同时符合用户行为习惯，验证了此评价系数的可靠性。

同时，在58类地图服务中，随着用户访问数量的增多，欧几里德距离评价系数越高，尤其在用户访问数量较高时，欧几里德距离评价系数普遍越高，反映出用户对此类服务的偏好程度越高，因此具有越高的可推荐性。

在进行个性化服务建模的过程中，基于识别出的不同用户类型，进行个性化服务推荐；具体为：

结合个性化建模改进方法，统计矢量瓦片日志系统中各厅局两个月数据分析区间内的服务访问量并进行排序，得到各厅局个性化服务访问量排序结果，其具体可参考表3(以公安局和国土局为例)。

表3各厅局服务访问量排序结果表

由于表3是根据个性化用户对自身历史访问服务的访问量进行排序统计的，足以体现用户行为的个性化偏好，因此在用户个性化的服务推荐中，服务的访问量越高，排序越靠前，从而具有越高的可推荐性。

在个性化建模改进方法的服务推荐结果表中，统计各厅局自身服务命中率得到如下表4：

表4本厅局服务命中数量表

由表4可得到，各厅局服务访问量排序靠前的服务基本上都是自身厅局服务类型，例如：公安厅用户的自身10类服务在个性化建模方法的前10类中被推荐了9类，国土厅用户的自身8类服务被推荐了7类，其他厅局用户的自身服务全部都被推荐，说明此方法能够较准确地反映出各类厅局用户的访问行为偏好，验证了此推荐方法的可靠性。

S3、基于当前获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模；其中，通过引入权重建模方法，在融合了整体和个性化服务建模结果的情况下，构建精准性用户兴趣推荐模型；

所述权重建模方法，具体为设置重要性权重系数，来权衡各部分之间的权重关系，将整体与个性化推荐方式有效结合，从而优化用户兴趣模型；其中：

将信息量权重和重要性权重评价法进行组合，在变异系数CV中加入重要性权重参数，设置偏好权重系数，得到改进的变异系数SV，以此调整用户兴趣模型的推荐精度；其中，改进的变异系数SV的公式如下：

其中，SV为改进后的变异系数，α、β、γ为各种偏好权重系数；

为指标X_i的平均值，S_i为指标X_i的标准差。

由于用户访问量是反映用户行为偏好程度的最好体现，而用户对自身厅局服务的访问量是主要的评判指标，因此选取各厅局自身厅局服务访问量在个性化推荐方式中的占比和整体推荐方式中的占比两个指标来进行个性化和整体推荐方式权重系数的计算，得到两项指标统计表如下表5：

表5各推荐方式中各厅局自身服务访问量占比表

将上表5各指标项代入信息量权重评价公式中，计算得到个性化推荐方式的变异系数SV＝0.036667，整体推荐方式的变异系数SV＝0.000362。

调研各厅局用户对推荐方式的重要度偏好程度，统计得到个性化推荐方式的重要度偏好系数α＝0.85，整体推荐方式的重要度偏好系数为β＝0.15，经归一化处理后得到最终的个性化推荐方式的权重系数为0.98，个性化推荐方式的权重系数为0.02。

由于依托平台服务器的内存大小有限，而平台中两个月数据分析区间内的全部厅局的矢量瓦片访问总量大概为4.5*107个，通常单个瓦片大小大概在100B-20KB之间，因此最多能允许缓存20类地图服务数据。基于个性化推荐方式优先的原则，结合上述得到的各推荐方式的权重系数计算模型的地图服务排序推荐，得到个性化推荐方式的推荐服务种类为20类。然而，对于个性化推荐方式结果不够20类的厅局，基于各厅局不重复推荐服务的原则，依次添加整体推荐方式的推荐结果，直至满足20类服务推荐种数。

同时，根据依托平台服务器设置一级、二级缓存，将排序前m类的矢量瓦片服务数据存入服务器的一级缓存，排序后n类的矢量瓦片服务数据存入服务器的二级缓存。基于此推荐原则，结合服务器一级缓存大小，本文设置m＝10，n＝10，以此得到最终的基于提高精准性的用户兴趣模型的总服务推荐表，见表6。

表6精准性的用户兴趣模型的总服务推荐结果表

分析表6的基于提高精准性的用户兴趣模型总服务推荐结果表得到，公安厅用户主要关注服务包含公安、旅游和交通等。国土厅用户主要关注服务包含国土、公安、环保、交通等。食药监用户主要关注服务包含食品药品监管、安全监管、公安、旅游等。林业厅用户主要关注服务包含林业、环保、国土、交通等。交通厅用户主要关注服务包含交通、公安、环保、地震等。海洋与渔业厅用户主要关注服务包含海洋与渔业、交通、公安等。环保厅用户主要关注服务包含环保、国土、交通、林业等。民政厅用户主要关注服务包含民政、医疗、教育、旅游、公安等。农业厅用户主要关注服务包含农业、国土、环保、林业、安全监管、食品药品监管等。文体厅用户主要关注服务包含文化、教育、公安、旅游等。地震厅用户主要关注服务包含地震、公安、交通、安全监督等。旅游委用户主要关注服务包含旅游、公安、交通等。安监局用户主要关注服务包含安全监管、地震、公安、食品药品监管等。教育厅用户主要关注服务包含教育、文化、文体、公安、交通、旅游等。卫计委用户主要关注服务包含医疗、食品药品监管、公安、旅游、地震等。

总结得到，在各厅局用户关注服务类型中，自身服务种类多的厅局用户关注服务类型比较稳定、集中，得到的热点服务推荐也相对变化较少；自身服务种类较少的厅局用户关注服务类型则比较繁杂多样，得到的热点服务推荐相对变化较多。基于提高精准性的用户兴趣模型使得各厅局服务的推荐结果种类不仅更加丰富多样，而且更加具有针对性，能够改善不同类型用户兴趣模型定位推荐精准性的问题，从而促进模型推荐结果的命中率和响应效率。

请参考图2，其为本发明提供的用户兴趣检测系统结构图，该系统包括数据获取模块L1和精准性用户兴趣推荐模型构建模块L2：

数据获取模块L1用于获取用于体现用户行为特征的政务数据，所述政务数据包括政务地图瓦片数据和设有用户属性的用户行为数据；

精准性用户兴趣推荐模型构建模块L2用于基于当前获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模；其中，通过引入权重建模方法，在融合了整体和个性化服务建模结果的情况下，构建精准性用户兴趣推荐模型；其中，精准性用户兴趣推荐模型构建模块L2还包括整体服务建模模块L21、个性化服务建模模块L22和权重建模模块L23：

(1)整体服务建模模块L21用于在进行整体服务建模的过程中，基于每项服务的评分项值，计算出用户对不同服务的偏好程度；其中：

所述整体服务建模模块L21是基于欧几里德距离评价算法，通过构建散点图，计算不同服务在散点图中的距离，进行判断用户对不同服务的偏好程度；其中：

服务代表的节点距离原点的距离越大，表示用户对此服务的偏好程度越高；

多项服务节点之间的间距越小，表示用户对所述多项服务的偏好程度越接近。

(2)个性化服务建模模块L22用于在进行个性化服务建模的过程中，基于识别出的不同用户类型，进行个性化服务推荐；

(3)所述权重建模模块L23用于设置重要性权重系数，来权衡各部分之间的权重关系，将整体与个性化推荐方式有效结合，从而优化用户兴趣模型；其中：

将信息量权重和重要性权重评价法进行组合，在变异系数CV中加入重要性权重参数，设置偏好权重系数，得到改进的变异系数SV，以此调整用户兴趣模型的推荐精度；其中，改进的变异系数SV的公式如下：

其中，SV为改进后的变异系数，α、β、γ为各种偏好权重系数；

为指标X_i的平均值，S_i为指标X_i的标准差。

由于在传统的用户兴趣模型中，推荐方式单一，缺乏整体与个性化推荐方式的有效结合。因此本实施例改进传统的建模方法，通过权重建模方法应用于用户兴趣建模方法中来权衡各部分之间的权重关系，将整体与个性化推荐方式有效结合，从而优化用户兴趣模型，得到最优建模方法。

传统的权重评价法有很多，由于前人建模推荐方式单一，故前人研究中还没有应用于用户兴趣模型中的权重评价法，因此研究一种能够适用于用户兴趣模型中的权重评价法对于用户兴趣模型的构建很有科学价值。

常见的权重评价法有信息量权重和重要性权重评价法，本实施例对这两种评价方法进行改进，从而得到一种更加精准地适用于用户兴趣建模的权重建模方法，以下是具体改进方法介绍：

首先，信息量权重评价法是基于指标数据所包含的信息量来确定指标权重的一种方法；它采用变异系数法，变异系数越大，所赋的权重也越大。具体评价公式如下：

CV为变异系数，

为指标X_i的平均值，S_i为指标X_i的标准差。

变异系数CV是各指标的权重得分，通过归一化处理，就能得到信息量权重系数。

为了进一步突出用户个性化偏好推荐，提高模型推荐结果的精准性，本实施例将信息量权重和重要性权重评价法进行组合，在变异系数CV中加入重要性权重，设置偏好权重系数，得到改进的变异系数SV，以此调整用户兴趣模型的推荐精度。具体改进公式如下：

其中，SV为改进后的变异系数，α、β、γ为各种偏好权重系数。

本发明能实际有效地提高地图服务推荐的命中率及响应时间，有效地提高了政务平台的地图服务能力，大大提升了政务用户地图服务体验。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种用于政务地图服务的精准性用户兴趣检测方法，其特征在于，包括以下步骤：

获取用于体现用户行为特征的政务数据，所述政务数据包括政务地图瓦片数据和设有用户属性的用户行为数据；

基于当前获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模；其中，通过引入权重建模方法，在融合了整体和个性化服务建模结果的情况下，构建精准性用户兴趣推荐模型；其中：

在进行整体服务建模的过程中，基于每项服务的评分项值，计算出用户对不同服务的偏好程度；

在进行个性化服务建模的过程中，基于识别出的不同用户类型，进行个性化服务推荐；

基于当前构建的精准性用户兴趣模型，得到模型推荐的数据集；通过所述数据集进一步将相关服务推荐给用户。

2.根据权利要求1所述的用户兴趣检测方法，其特征在于，所述整体建模是基于欧几里德距离评价算法，通过构建散点图，计算不同服务在散点图中的距离，进行判断用户对不同服务的偏好程度；其中：

服务代表的节点距离原点的距离越大，表示用户对此服务的偏好程度越高；

多项服务节点之间的间距越小，表示用户对所述多项服务的偏好程度越接近。

3.根据权利要求2所述的用户兴趣检测方法，其特征在于，在进行整体建模的过程中，每项服务基于评分项值，进一步计算其到对应节点之间的距离；

为保证用户各个评分项值的评分标准的统一，对评分项值进行零-均值标准化处理，通过去掉各维数据间的数量级差别，避免由于各维数据间的数量级差别较大，而造成预测误差较大的情况，其中，零-均值标准化处理的数学表达式为：

x_n为评分项值，μ为各维数据集的均值，σ为各维数据集的方差。

4.根据权利要求1所述的用户兴趣检测方法，其特征在于，所述个性化建模具体为：

基于传统用户兴趣模型，通过对不同类型的用户进行区分，从得到的各种类型的用户行为数据统计结果中，统计用户的历史访问量，然后依次针对各类型用户，进行相关服务的推荐。

5.根据权利要求1所述的用户兴趣检测方法，其特征在于，所述权重建模方法，具体为设置重要性权重系数，来权衡各部分之间的权重关系，将整体与个性化推荐方式有效结合，从而优化用户兴趣模型；其中：

将信息量权重和重要性权重评价法进行组合，在变异系数CV中加入重要性权重参数，设置偏好权重系数，得到改进的变异系数SV，以此调整用户兴趣模型的推荐精度；其中，改进的变异系数SV的公式如下：

其中，SV为改进后的变异系数，α、β、γ为各种偏好权重系数；

为指标X_i的平均值，S_i为指标X_i的标准差。

6.一种用于政务地图服务的用户兴趣检测系统，其特征在于，包括以下模块：

数据获取模块，用于获取用于体现用户行为特征的政务数据，所述政务数据包括政务地图瓦片数据和设有用户属性的用户行为数据；

精准性用户兴趣推荐模型构建模块，用于基于当前获取的体现用户行为特征的政务地图瓦片数据，结合用户行为数据来分析用户的行为特征，进行整体服务推荐建模和个性化服务推荐建模和；其中，通过引入权重建模方法，在融合了整体和个性化服务建模结果的情况下，构建精准性用户兴趣推荐模型；其中，精准性用户兴趣推荐模型构建模块还包括以下模块：

整体服务建模模块，用于在进行整体服务建模的过程中，基于每项服务的评分项值，计算出用户对不同服务的偏好程度；

个性化服务建模模块，用于在进行个性化服务建模的过程中，基于识别出的不同用户类型，进行个性化服务推荐。

7.根据权利要求6所述的用户兴趣检测系统，其特征在于，所述整体服务建模模块是基于欧几里德距离评价算法，通过构建散点图，计算不同服务在散点图中的距离，进行判断用户对不同服务的偏好程度；其中：

服务代表的节点距离原点的距离越大，表示用户对此服务的偏好程度越高；

多项服务节点之间的间距越小，表示用户对所述多项服务的偏好程度越接近。

8.根据权利要求6所述的用户兴趣检测系统，其特征在于，精准性用户兴趣推荐模型构建模块下还包括权重建模模块，所述权重建模模块用于设置重要性权重系数，来权衡各部分之间的权重关系，将整体与个性化推荐方式有效结合，从而优化用户兴趣模型；其中：

将信息量权重和重要性权重评价法进行组合，在变异系数CV中加入重要性权重参数，设置偏好权重系数，得到改进的变异系数SV，以此调整用户兴趣模型的推荐精度；其中，改进的变异系数SV的公式如下：

其中，SV为改进后的变异系数，α、β、γ为各种偏好权重系数；

为指标X_i的平均值，S_i为指标X_i的标准差。

Images