CN113094597B - 基于机器学习的千人千面门户处理方法、装置及相关设备 - Google Patents

Abstract

本申请涉及数据处理技术，提供一种基于机器学习的千人千面门户处理方法、装置、计算机设备与存储介质，包括：根据账户信息检测用户是否为旧用户；当结果为是时，采集历史行为日志，并根据历史行为日志确定初始门户界面；获取对于实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效；当检测结果为是时，调用内容推荐模型根据浏览行为调整初始门户界面中的卡片内容信息，得到第一门户界面；监测虚化显示卡片内容是否存在触控行为；当结果为是时，调整内容推荐模型，得到更新后的内容推荐模型；调用更新后的内容推荐模型根据浏览行为调整第一门户界面，得到第二门户界面。本申请能够提高分析预测的准确性，促进智慧城市的快速发展。

Description

基于机器学习的千人千面门户处理方法、装置及相关设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于机器学习的千人千面门户处理方法、装置、计算机设备及计算机可读存储介质。

背景技术

对于大数据平台的综合型门户，大数据平台获取了大量业务系统资源数据和用户行为数据，用户对大数据平台的使用，使两类数据之间发生了关联。如能将资源数据与用户行为数据进行融合，用于对用户行为的分析预测，并通过门户系统表现出来，则将能更好地满足用户个性化需求，实现知识与信息的共享。

在实现本发明的过程中，发明人发现现有技术存在如下技术问题：现有技术在实现对用户数据进行分析预测时，仅采集用户的点击行为，实际上对于浏览时间长的内容也是用户感兴趣的区域，若仅采集点击行为，容易导致分析预测的准确性较低；此外，现有技术在对内容推荐模型进行调整时，大多数是采集用户的反馈信息再调整，无法实现及时调整模型，容易导致分析预测的准确性较低。

因此，有必要提供一种基于机器学习的千人千面门户处理方法，能够提高分析预测的准确性。

发明内容

鉴于以上内容，有必要提出一种基于机器学习的千人千面门户处理方法、基于机器学习的千人千面门户处理装置、计算机设备及计算机可读存储介质，能够提高分析预测的准确性。

本申请实施例第一方面还提供一种基于机器学习的千人千面门户处理方法，所述基于机器学习的千人千面门户处理方法包括：

当接收到登录请求时，解析所述登录请求，得到用户的账户信息，并根据所述账户信息检测用户是否为旧用户；

当检测结果为所述账户信息为旧用户时，采集所述账户信息对应的历史行为日志，并根据所述历史行为日志确定并显示初始门户界面，所述初始门户界面包含实化显示卡片内容与虚化显示卡片内容；

获取用户在预设时间间隔内对于所述实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效；

当检测结果为所述浏览行为有效时，调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面；

监测用户对于所述虚化显示卡片内容是否存在触控行为；

当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，根据所述触控行为调整所述内容推荐模型，得到更新后的内容推荐模型；

调用更新后的内容推荐模型根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

进一步地，在本申请实施例提供的上述基于机器学习的千人千面门户处理方法中，所述解析所述登录请求，得到用户的账户信息包括：

检测所述登录请求中是否包含预设关键词；

当检测结果为所述登录请求中包含预设关键词时，确定所述预设关键词的目标位置；

获取所述目标位置处的信息作为用户的账户信息。

进一步地，在本申请实施例提供的上述基于机器学习的千人千面门户处理方法中，在所述根据所述账户信息检测用户是否为旧用户之后，所述方法还包括：

当检测结果为所述账户信息为新用户时，特征提取处理新用户的所述账户信息，得到新用户特征；

利用余弦相似度计算所述新用户特征与预存储的每一旧用户特征的相似度；

选取与所述新用户特征的相似度最高的旧用户为目标用户；

将所述目标用户对应的初始门户界面推荐给新用户。

进一步地，在本申请实施例提供的上述基于机器学习的千人千面门户处理方法中，所述根据所述历史行为日志确定并显示初始门户界面包括：

解析所述历史行为日志，得到行为特征，所述行为特征包括浏览行为特征与触控行为特征；

解析预设门户界面，得到卡片特征，所述卡片特征包括卡片布局特征与卡片内容特征，所述卡片布局特征包括卡片位置特征与卡片尺寸特征，所述卡片内容特征包括实化显示卡片内容特征与虚化显示卡片内容特征；

根据所述行为特征对所述卡片特征进行细粒度分类，构建细粒度的所述行为特征与所述卡片特征的关系矩阵；

获取并解析目标历史行为日志，得到目标行为特征，根据所述目标行为特征基于所述关系矩阵进行协同过滤得到目标卡片特征；

根据所述目标卡片特征确定并显示初始门户界面。

进一步地，在本申请实施例提供的上述基于机器学习的千人千面门户处理方法中，所述检测所述浏览行为是否有效包括：

调用预先设置的监控节点监测所述实化显示卡片内容在所述初始门户界面中的停留时长；

当监测到所述实化显示卡片内容在所述初始门户界面中的停留时长超过预设时长时，调用摄像头设备采集用户的瞳孔信息，并根据所述瞳孔信息判断用户是否处于浏览状态；

当判断结果为用户处于浏览状态时，确定所述浏览行为有效。

进一步地，在本申请实施例提供的上述基于机器学习的千人千面门户处理方法中，所述调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面包括：

调用预先训练的内容推荐模型处理所述浏览行为，得到待推荐卡片内容；

将所述浏览行为与所述待推荐卡片内容输入至预先训练的点击率预估模型，得到用户点击待推荐内容的点击率估计值，所述点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度以及用户对每个行为特征信息的选择倾向值计算得到的；

根据点击率估计值，确定给用户推荐待推荐内容的推荐策略；

根据所述推荐策略调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

进一步地，在本申请实施例提供的上述基于机器学习的千人千面门户处理方法中，所述监测用户对于所述虚化显示卡片内容是否存在触控行为包括：

当监听到所述第一门户界面中的鼠标点击事件时，调用预设elementFromPoint函数；

基于所述elementFromPoint函数获取鼠标所在位置的信息元素；

检测所述信息元素是否处于所述虚化显示卡片内容的数据区；

当检测结果为所述信息元素处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容存在触控行为；

当检测结果为所述信息元素未处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容未存在触控行为。

本申请实施例第二方面还提供一种基于机器学习的千人千面门户处理装置，所述基于机器学习的千人千面门户处理装置包括：

请求解析模块，用于当接收到登录请求时，解析所述登录请求，得到用户的账户信息，并根据所述账户信息检测用户是否为旧用户；

日志采集模块，用于当检测结果为所述账户信息为旧用户时，采集所述账户信息对应的历史行为日志，并根据所述历史行为日志确定并显示初始门户界面，所述初始门户界面包含实化显示卡片内容与虚化显示卡片内容；

有效检测模块，用于获取用户在预设时间间隔内对于所述实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效；

内容调整模块，用于当检测结果为所述浏览行为有效时，调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面；

行为监测模块，用于监测用户对于所述虚化显示卡片内容是否存在触控行为；

模型更新模块，用于当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，根据所述触控行为调整所述内容推荐模型，得到更新后的内容推荐模型；

界面更新模块，用于调用更新后的内容推荐模型根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

本申请实施例第三方面还提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述基于机器学习的千人千面门户处理方法。

本申请实施例第四方面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上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述基于机器学习的千人千面门户处理方法。

本申请实施例提供的上述基于机器学习的千人千面门户处理方法、基于机器学习的千人千面门户处理装置、计算机设备以及计算机可读存储介质，在实现对用户数据进行分析预测时，除了采集用户的点击行为，还对有效浏览时间长的卡片内容进行分析预测，提高分析预测的准确性；且本申请在对内容推荐模型进行调整时，将所述卡片内容信息分为实化显示卡片内容与虚化显示卡片内容，并根据监测到的所述虚化显示卡片内容处的触控行为调整所述内容推荐模型，实现及时调整模型，提高分析预测的准确性。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的基于机器学习的千人千面门户处理模块等，能够促进智慧城市的快速发展。

附图说明

图1是本申请实施例一提供的基于机器学习的千人千面门户处理方法的流程图。

图2是本申请实施例二提供的基于机器学习的千人千面门户处理装置的结构图。

图3是本申请实施例三提供的计算机设备的结构示意图。

如下具体实施方式将结合上述附图进一步说明本申请。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

本发明实施例提供的基于机器学习的千人千面门户处理方法由计算机设备执行，相应地，基于机器学习的千人千面门户处理装置运行于计算机设备中。

图1是本申请实施例一提供的基于机器学习的千人千面门户处理方法的流程图。如图1所示，所述基于机器学习的千人千面门户处理方法可以包括如下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略：

S11、当接收到登录请求时，解析所述登录请求，得到用户的账户信息，并根据所述账户信息检测用户是否为旧用户，当检测结果为所述账户信息为旧用户时，执行步骤S12。

在本申请的至少一实施例中，所述登录请求是指用于登录门户系统的请求，所述登录请求可以是预设数据格式的请求，所述登录请求携带用户的账户信息。用户的账户信息可以包括用户的性别、年龄、岗位等信息。旧用户是指在门户系统中存在历史行为日志的用户，新用户是指在门户系统中不存在历史行为日志的用户。

可选地，所述解析所述登录请求，得到用户的账户信息包括：

检测所述登录请求中是否包含预设关键词；

当检测结果为所述登录请求中包含预设关键词时，确定所述预设关键词的目标位置；

获取所述目标位置处的信息作为用户的账户信息。

其中，可以通过检测预设关键字的方式确定所述登录请求中携带用户的账户信息。所述预设关键字的位置即为所述账户信息的位置。所述预设关键字可以为标识账户信息的关键字，例如，所述预设关键字可以包括“账户名称”或“账户密码”等，在此不做限制。

可选地，所述根据所述账户信息检测用户是否为旧用户包括：

根据所述账户信息遍历预设数据库，检测所述预设数据库中是否存在对应所述账户信息的历史行为日志；

当检测结果为所述预设数据库中存在对应所述账户信息的历史行为日志时，确定用户为旧用户；

当检测结果为所述预设数据库中不存在对应所述账户信息的历史行为日志时，确定用户为新用户。

其中，所述预设数据库中包含用户的账户信息以及对应所述账户信息的历史行为日志，所以账户信息与所述历史行为日志存在映射关系。考虑到保密性与隐私性，所述预设数据库可以为区块链中的目标节点。可以理解的是，当所述预设数据库中存在对应所述账户信息的历史行为日志时，确定用户为旧用户；当所述预设数据库中不存在对应所述账户信息的历史行为日志时，确定用户为新用户。

在一实施例中，当检测结果为所述账户信息为新用户时，由于新用户暂不存在对应的历史行为日志，所以无法针对性地根据所述历史行为日志确定并显示初始门户界面。可选地，在所述根据所述账户信息检测用户是否为旧用户之后，所述方法还包括：

特征提取新用户的所述账户信息，得到新用户特征；

利用余弦相似度计算所述新用户特征与预存储的每一旧用户特征的相似度；

选取与所述新用户特征的相似度最高的旧用户为目标用户；

将所述目标用户对应的初始门户界面推荐给新用户。

其中，利用预先设置的空间模型对所述账户信息进行表征，能够得到若干个新用户特征，例如，所述新用户特征可以为用户的性别、年龄、岗位等特征，在此不做限制。

本申请根据所述账户信息区分用户为旧用户或者新用户，并对新用户通过特征提取处理，得到新用户特征，利用余弦相似度计算与所述新用户特征最接近的旧用户特征，并将旧用户特征对应的旧用户的初始门户界面推荐给新用户，如此可有效提高新用户的推荐准确性。

S12、采集所述账户信息对应的历史行为日志，并根据所述历史行为日志确定并显示初始门户界面，所述初始门户界面包含实化显示卡片内容与虚化显示卡片内容。

在本申请的至少一实施例中，当检测结果为所述账户信息为旧用户时，从所述预设数据库中根据所述账户信息与所述历史行为日志存在的映射关系，采集历史行为日志。所述初始门户界面包括卡片布局信息与卡片内容信息，其中，所述卡片布局信息包括卡片位置信息与卡片尺寸信息，所述卡片内容信息包括实化显示卡片内容与虚化显示卡片内容。所述实化显示卡片内容是指页面透明度为1的卡片内容，所述虚化显示卡片内容是指页面透明度处于(0,1)间的卡片内容。所述实化显示卡片内容用于显示用户较为感兴趣的内容，所述虚化显示内容用于显示用户较不感兴趣的内容。所述虚化显示内容可以在门户界面中的预设区域，所述预设区域可以是系统人员预先设置的区域。

其中，一个门户界面中包含若干个不同类别的卡片，所述卡片位置信息可以指不同类别的卡片在门户界面中的位置，例如，可以将按照用户感兴趣程度从高到低的顺序排列不同类别的卡片。所述卡片尺寸信息是指卡片在门户界面中的大小型号，所述卡片尺寸信息可以为小号、中号与大号。在一实施例中，所述卡片尺寸信息可以根据用户浏览门户界面的速率确定，不同数值范围的浏览速率与卡片尺寸信息存在映射关系，通过查询所述该映射关系，能够确定该数值范围下的浏览速率对应的卡片尺寸信息。例如，对于浏览速率较快的用户，可确定所述卡片尺寸信息为大号以便用户在快速浏览时仍能够看清卡片内容；对于浏览速率正常的用户，可确定所述卡片尺寸信息为中号；对于浏览速率较慢的用户，可确定所述卡片尺寸信息为小号以便用户在慢速浏览时能够浏览更多卡片内容。本申请提供的门户系统的卡片尺寸可根据用户的不同浏览速率进行动态调整，满足不同浏览速率的用户个性化需求。

可选地，所述根据所述历史行为日志确定并显示初始门户界面包括：

解析所述历史行为日志，得到行为特征，所述行为特征包括浏览行为特征与触控行为特征；

解析预设门户界面，得到卡片特征，所述卡片特征包括卡片布局特征与卡片内容特征，所述卡片布局特征包括卡片位置特征与卡片尺寸特征，所述卡片内容特征包括实化显示卡片内容特征与虚化显示卡片内容特征；

根据所述行为特征对所述卡片特征进行细粒度分类，构建细粒度的所述行为特征与所述卡片特征的关系矩阵；

获取并解析目标历史行为日志，得到目标行为特征，根据所述目标行为特征基于所述关系矩阵进行协同过滤得到目标卡片特征；

根据所述目标卡片特征确定并显示初始门户界面。

其中，所述行为特征是指对所述历史行为日志进行特征提取处理后得到的特征，示例性地，所述行为特征可以为不同维度的信息，例如，所述行为特征可以为浏览页面的速率特征、浏览页面的时长特征以及触控页面特征等。所述卡片特征可以是对门户界面进行特征提取处理后得到的特征，示例性地，所述卡片特征可以为不同维度的信息，例如，所述卡片特征可以为卡片位置特征、卡片尺寸特征以及卡片虚化实化特征等，在此不做限制。

在一实施例中，所述行为特征与所述卡片特征间存在映射关系，包括：所述浏览页面的速率特征与所述卡片尺寸特征存在第一映射关系，所述浏览页面的时长特征以及所述触控页面特征均与所述卡片位置特征存在第二映射关系，所述浏览页面的时长特征以及所述触控页面特征均与所述卡片虚化实化特征存在第三映射关系。示例性地，根据所述浏览页面的速率特征查询所述第一映射关系，能够得到目标卡片尺寸特征。根据所述浏览页面的时长特征与所述触控页面特征分别查询所述第二映射关系，能够得到第一卡片位置特征与第二卡片位置特征，对所述第一卡片位置特征与所述第二卡片位置特征进行相关处理，得到目标卡片位置特征。例如，根据所述浏览页面的时长特征与所述触控页面特征能够确定同一门户界面中不同卡片的优先级，根据优先级能够确定目标卡片位置特征，对于优先级较高的卡片，其在门户界面中的位置靠前，对于优先级较低的卡片，其在门户界面中的位置靠后。所述根据所述浏览页面的时长特征与所述触控页面特征能够确定同一门户界面中不同卡片的优先级可以通过相关模型计算得到，模型的训练方法为现有技术，在此不做赘述。根据所述浏览页面的时长特征与所述触控页面特征分别查询所述第三映射关系，能够得到第一卡片内容特征与第二卡片内容特征，对所述第一卡片内容特征与所述第二卡片内容特征进行相关处理，得到目标卡片虚化实化特征。例如，根据所述浏览页面的时长特征与所述触控页面特征能够确定同一卡片中不同卡片内容的优先级，根据优先级能够确定目标卡片虚化实化特征，对于优先级较高的卡片内容，其在同一卡片中的实化显示，对于优先级较低的卡片内容，其在同一卡片中的虚化显示。所述根据所述浏览页面的时长特征与所述触控页面特征能够确定同一卡片中不同卡片内容的优先级可以通过相关模型计算得到，模型的训练方法为现有技术，在此不做赘述。

本申请对所述历史行为日志与所述门户界面的相关特征建立细粒度的关系矩阵，并通过遍历所述关系矩阵，得到对应历史行为日志的初始门户界面，能够提高初始门户界面确定的准确性。

S13、获取用户在预设时间间隔内对于所述实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效。

在本申请的至少一实施例中，所述预设时间间隔是指预先设置的，用于更新所述卡片内容信息的时间间隔，例如，所述预设时间间隔可以为1分钟，在此不做限制。所述浏览行为可以指用户浏览所述卡片内容信息的时长，也即所述卡片内容信息在初始门户界面上的停留时长。可以理解的是，对于用户浏览所述卡片内容信息的时长超过预设时长的，可以表明用户对当前界面中显示的所述卡片内容信息感兴趣，可以判定所述浏览行为有效；对于用户浏览所述卡片内容信息的时长未超过预设时长的，可以表明用户对当前界面中显示的所述卡片内容信息不感兴趣，可以判定所述浏览行为无效。其中，所述预设时长为预先设置的时长。

可选地，所述检测所述浏览行为是否有效包括：

调用预先设置的监控节点监测所述实化显示卡片内容在所述初始门户界面中的停留时长；

当监测到所述实化显示卡片内容在所述初始门户界面中的停留时长超过预设时长时，调用摄像头设备采集用户的瞳孔信息，并根据所述瞳孔信息判断用户是否处于浏览状态；

当判断结果为用户处于浏览状态时，确定所述浏览行为有效。

其中，所述根据所述瞳孔信息判断用户是否处于浏览状态可以包括：根据眼部图像定位瞳孔中心点；在所述眼部图像中以所述瞳孔中心点为起点形成多条灰度值射线；通过所述灰度值射线计算确定瞳孔边界点；利用所述瞳孔边界点计算眼睛闭合度，并在所述眼睛闭合度大于预设眼睛闭合度时，确定用户处于浏览状态；在所述眼睛闭合度小于预设眼睛闭合度时，确定用户处于非浏览状态。

在一实施例中，当确定所述浏览行为无效时，无需对所述初始门户界面中的所述卡片内容进行调整。

S14、当检测结果为所述浏览行为有效时，调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

在本申请的至少一实施例中，所述内容推荐模型是指用于根据用户的浏览行为对所述初始门户界面中的卡片内容信息进行调整的模型。

可选地，所述调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面包括：

调用预先训练的内容推荐模型处理所述浏览行为，得到待推荐卡片内容；

将所述浏览行为与所述待推荐卡片内容输入至预先训练的点击率预估模型，得到用户点击待推荐内容的点击率估计值，所述点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度以及用户对每个行为特征信息的选择倾向值计算得到的；

根据点击率估计值，确定给用户推荐待推荐内容的推荐策略；

根据所述推荐策略调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

其中，计算所述用户对每个所述行为特征信息的选择倾向值的方式包括:对所述用户的各个所述行为特征信息进行求和,得到和值特征信息；根据所述各个行为特征信息的数量和所述和值特征信息,计算平均特征信息；计算所述用户的每个所述行为特征信息与所述平均特征信息的第一相似度；根据所述第一相似度,确定所述用户对每个所述行为特征信息的选择倾向值。

其中，所述根据所述点击率估计值,确定给所述用户推荐所述待推荐内容的推荐策略的步骤,包括:判断所述点击率估计值是否大于预设点击率；若是,确定给所述用户推荐所述待推荐内容；若否,确定放弃给所述用户推荐所述待推荐内容。

在本申请的至少一实施例中，所述内容推荐模型还可以用于对用户的触控行为进行处理，以调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。可选地，所述方法还包括：

获取用户在预设时间间隔内对于所述卡片内容信息的触控行为；

检测所述触控行为是否有效；

当检测结果为所述触控行为有效时，调用预先训练的内容推荐模型根据所述触控行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

在本申请的至少一实施例中，所述方法还可以包括：按照预设数据格式综合处理用户对于卡片内容信息的触控行为与浏览行为，得到用户操作行为；调用所述内容推荐模型处理所述用户操作行为，以调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。其中，所述预设数据格式是指预先设置的数据格式，在此不做限制。

本申请在实现对用户数据进行分析预测时，除了采集用户的点击行为，还对浏览时间长的卡片内容进行分析预测，提高分析预测的准确性。

S15、监测用户对于所述虚化显示卡片内容是否存在触控行为，当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，执行步骤S16。

在本申请的至少一实施例中，所述卡片内容信息包括实化显示卡片内容与虚化显示卡片内容，所述实化显示卡片内容用于显示所述内容推荐模型处理所述浏览行为，得到的卡片推荐内容，所述卡片推荐内容按照推荐的优先级从高到低的顺序排列；所述虚化显示卡片内容用于显示所述内容推荐模型处理所述浏览行为，得到的卡片推荐内容之外的卡片内容。

可选地，所述监测用户对于所述虚化显示卡片内容是否存在触控行为包括：

当监听到所述第一门户界面中的鼠标点击事件时，调用预设elementFromPoint函数；

基于所述elementFromPoint函数获取鼠标所在位置的信息元素；

检测所述信息元素是否处于所述虚化显示卡片内容的数据区；

当检测结果为所述信息元素处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容存在触控行为；

当检测结果为所述信息元素未处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容未存在触控行为。

S16、根据所述触控行为调整所述内容推荐模型，得到更新后的内容推荐模型。

在本申请的至少一实施例中，当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，此时，用户对所述内容推荐模型处理所述浏览行为得到的卡片推荐内容之外的卡片内容感兴趣，也即所述内容推荐模型需要进行调整以提高模型推荐的准确性，更新模型的方式为现有技术，在此不做赘述。

可选地，所述当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，确定所述触控行为包括：

当监听到所述虚化显示卡片内容中的鼠标点击事件时，调用预设elementFromPoint函数；

基于所述elementFromPoint函数获取鼠标所在位置的信息元素；

根据所述信息元素确定所述虚化显示卡片内容中存在触控行为的目标虚化显示卡片内容。

在一实施例中，当监测结果为用户对于所述虚化显示卡片内容不存在触控行为时，说明用户对所述内容推荐模型处理所述浏览行为得到的卡片推荐内容之外的卡片内容不感兴趣，也即所述内容推荐模型的准确性较高，无需对所述内容推荐模型进行调整。

S17、调用更新后的内容推荐模型根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

在本申请的至少一实施例中，调用更新后的内容推荐模型重新根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

本申请实施例提供的上述基于机器学习的千人千面门户处理方法可根据用户的不同浏览速率进行动态调整，满足不同浏览速率的用户个性化需求；且本申请在实现对用户数据进行分析预测时，除了采集用户的点击行为，还对浏览时间长的卡片内容进行分析预测，提高分析预测的准确性；此外，本申请在对内容推荐模型进行调整时，将所述卡片内容信息分为实化显示卡片内容与虚化显示卡片内容，并根据监测到的所述虚化显示卡片内容处的触控行为调整所述内容推荐模型，实现及时调整模型，提高分析预测的准确性。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的基于机器学习的千人千面门户处理模块等，能够促进智慧城市的快速发展。

图2是本申请实施例二提供的基于机器学习的千人千面门户处理装置的结构图。在一些实施例中，所述基于机器学习的千人千面门户处理装置20可以包括多个由计算机程序段所组成的功能模块。所述基于机器学习的千人千面门户处理装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于机器学习的千人千面门户处理的功能。

本实施例中，所述基于机器学习的千人千面门户处理装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：请求解析模块201、日志采集模块202、有效检测模块203、内容调整模块204、行为监测模块205、模型更新模块206以及界面更新模块207。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述请求解析模块201用于当接收到登录请求时，解析所述登录请求，得到用户的账户信息，并根据所述账户信息检测用户是否为旧用户。

在本申请的至少一实施例中，所述登录请求是指用于登录门户系统的请求，所述登录请求可以是预设数据格式的请求，所述登录请求携带用户的账户信息。用户的账户信息可以包括用户的性别、年龄、岗位等信息。旧用户是指在门户系统中存在历史行为日志的用户，新用户是指在门户系统中不存在历史行为日志的用户。

可选地，所述解析所述登录请求，得到用户的账户信息包括：

检测所述登录请求中是否包含预设关键词；

当检测结果为所述登录请求中包含预设关键词时，确定所述预设关键词的目标位置；

获取所述目标位置处的信息作为用户的账户信息。

其中，可以通过检测预设关键字的方式确定所述登录请求中携带用户的账户信息。所述预设关键字的位置即为所述账户信息的位置。所述预设关键字可以为标识账户信息的关键字，例如，所述预设关键字可以包括“账户名称”或“账户密码”等，在此不做限制。可选地，所述根据所述账户信息检测用户是否为旧用户包括：

根据所述账户信息遍历预设数据库，检测所述预设数据库中是否存在对应所述账户信息的历史行为日志；

当检测结果为所述预设数据库中存在对应所述账户信息的历史行为日志时，确定用户为旧用户；

当检测结果为所述预设数据库中不存在对应所述账户信息的历史行为日志时，确定用户为新用户。

其中，所述预设数据库中包含用户的账户信息以及对应所述账户信息的历史行为日志，所以账户信息与所述历史行为日志存在映射关系。考虑到保密性与隐私性，所述预设数据库可以为区块链中的目标节点。可以理解的是，当所述预设数据库中存在对应所述账户信息的历史行为日志时，确定用户为旧用户；当所述预设数据库中不存在对应所述账户信息的历史行为日志时，确定用户为新用户。

在一实施例中，当检测结果为所述账户信息为新用户时，由于新用户暂不存在对应的历史行为日志，所以无法针对性地根据所述历史行为日志确定并显示初始门户界面。可选地，在所述根据所述账户信息检测用户是否为旧用户之后，所述请求解析模块201还用于：

特征提取新用户的所述账户信息，得到新用户特征；

利用余弦相似度计算所述新用户特征与预存储的每一旧用户特征的相似度；

选取与所述新用户特征的相似度最高的旧用户为目标用户；

将所述目标用户对应的初始门户界面推荐给新用户。

其中，利用预先设置的空间模型对所述账户信息进行表征，能够得到若干个新用户特征，例如，所述新用户特征可以为用户的性别、年龄、岗位等特征，在此不做限制。

本申请根据所述账户信息区分用户为旧用户或者新用户，并对新用户通过特征提取处理，得到新用户特征，利用余弦相似度计算与所述新用户特征最接近的旧用户特征，并将旧用户特征对应的旧用户的初始门户界面推荐给新用户，如此可有效提高新用户的推荐准确性。

所述日志采集模块202用于当检测结果为所述账户信息为旧用户时，采集所述账户信息对应的历史行为日志，并根据所述历史行为日志确定并显示初始门户界面，所述初始门户界面包含实化显示卡片内容与虚化显示卡片内容。

在本申请的至少一实施例中，当检测结果为所述账户信息为旧用户时，从所述预设数据库中根据所述账户信息与所述历史行为日志存在的映射关系，采集历史行为日志。所述初始门户界面包括卡片布局信息与卡片内容信息，其中，所述卡片布局信息包括卡片位置信息与卡片尺寸信息，所述卡片内容信息包括实化显示卡片内容与虚化显示卡片内容。所述实化显示卡片内容是指页面透明度为1的卡片内容，所述虚化显示卡片内容是指页面透明度处于(0,1)间的卡片内容。所述实化显示卡片内容用于显示用户较为感兴趣的内容，所述虚化显示内容用于显示用户较不感兴趣的内容。所述虚化显示内容可以在门户界面中的预设区域，所述预设区域可以是系统人员预先设置的区域。

其中，一个门户界面中包含若干个不同类别的卡片，所述卡片位置信息可以指不同类别的卡片在门户界面中的位置，例如，可以将按照用户感兴趣程度从高到低的顺序排列不同类别的卡片。所述卡片尺寸信息是指卡片在门户界面中的大小型号，所述卡片尺寸信息可以为小号、中号与大号。在一实施例中，所述卡片尺寸信息可以根据用户浏览门户界面的速率确定，不同数值范围的浏览速率与卡片尺寸信息存在映射关系，通过查询所述该映射关系，能够确定该数值范围下的浏览速率对应的卡片尺寸信息。例如，对于浏览速率较快的用户，可确定所述卡片尺寸信息为大号以便用户在快速浏览时仍能够看清卡片内容；对于浏览速率正常的用户，可确定所述卡片尺寸信息为中号；对于浏览速率较慢的用户，可确定所述卡片尺寸信息为小号以便用户在慢速浏览时能够浏览更多卡片内容。本申请提供的门户系统的卡片尺寸可根据用户的不同浏览速率进行动态调整，满足不同浏览速率的用户个性化需求。

可选地，所述根据所述历史行为日志确定并显示初始门户界面包括：

解析所述历史行为日志，得到行为特征，所述行为特征包括浏览行为特征与触控行为特征；

解析预设门户界面，得到卡片特征，所述卡片特征包括卡片布局特征与卡片内容特征，所述卡片布局特征包括卡片位置特征与卡片尺寸特征，所述卡片内容特征包括实化显示卡片内容特征与虚化显示卡片内容特征；

根据所述行为特征对所述卡片特征进行细粒度分类，构建细粒度的所述行为特征与所述卡片特征的关系矩阵；

获取并解析目标历史行为日志，得到目标行为特征，根据所述目标行为特征基于所述关系矩阵进行协同过滤得到目标卡片特征；

根据所述目标卡片特征确定并显示初始门户界面。

其中，所述行为特征是指对所述历史行为日志进行特征提取处理后得到的特征，示例性地，所述行为特征可以为不同维度的信息，例如，所述行为特征可以为浏览页面的速率特征、浏览页面的时长特征、触控页面特征以及账户特征等。所述卡片特征可以是对门户界面进行特征提取处理后得到的特征，示例性地，所述卡片特征可以为不同维度的信息，例如，所述卡片特征可以为卡片位置特征、卡片尺寸特征以及卡片虚化实化特征等，在此不做限制。所述行为特征与所述卡片特征间存在映射关系，包括：所述浏览页面的速率特征与所述卡片尺寸特征存在第一映射关系，所述浏览页面的时长特征以及所述触控页面特征均与所述卡片位置特征存在第二映射关系，所述浏览页面的时长特征以及所述触控页面特征均与所述卡片内容特征存在第三映射关系。示例性地，根据所述浏览页面的速率特征查询所述第一映射关系，能够得到目标卡片尺寸特征。根据所述浏览页面的时长特征与所述触控页面特征分别查询所述第二映射关系，能够得到第一卡片位置特征与第二卡片位置特征，对所述第一卡片位置特征与所述第二卡片位置特征进行相关处理，得到目标卡片位置特征。根据所述浏览页面的时长特征与所述触控页面特征分别查询所述第三映射关系，能够得到第一卡片内容特征与第二卡片内容特征，对所述第一卡片内容特征与所述第二卡片内容特征进行相关处理，得到目标卡片内容特征。

本申请对所述历史行为日志与所述门户界面的相关特征建立细粒度的关系矩阵，并通过遍历所述关系矩阵，得到对应历史行为日志的初始门户界面，能够提高初始门户界面确定的准确性。

所述有效检测模块203用于获取用户在预设时间间隔内对于所述实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效。

在本申请的至少一实施例中，所述预设时间间隔是指预先设置的，用于更新所述卡片内容信息的时间间隔，例如，所述预设时间间隔可以为1分钟，在此不做限制。所述浏览行为可以指用户浏览所述卡片内容信息的时长，也即所述卡片内容信息在初始门户界面上的停留时长。可以理解的是，对于用户浏览所述卡片内容信息的时长超过预设时长的，可以表明用户对当前界面中显示的所述卡片内容信息感兴趣，可以判定所述浏览行为有效；对于用户浏览所述卡片内容信息的时长未超过预设时长的，可以表明用户对当前界面中显示的所述卡片内容信息不感兴趣，可以判定所述浏览行为无效。其中，所述预设时长为预先设置的时长。

可选地，所述检测所述浏览行为是否有效包括：

调用预先设置的监控节点监测所述实化显示卡片内容在所述初始门户界面中的停留时长；

当监测到所述实化显示卡片内容在所述初始门户界面中的停留时长超过预设时长时，调用摄像头设备采集用户的瞳孔信息，并根据所述瞳孔信息判断用户是否处于浏览状态；

当判断结果为用户处于浏览状态时，确定所述浏览行为有效。

其中，所述根据所述瞳孔信息判断用户是否处于浏览状态可以包括：根据眼部图像定位瞳孔中心点；在所述眼部图像中以所述瞳孔中心点为起点形成多条灰度值射线；通过所述灰度值射线计算确定瞳孔边界点；利用所述瞳孔边界点计算眼睛闭合度，并在所述眼睛闭合度大于预设眼睛闭合度时，确定用户处于浏览状态；在所述眼睛闭合度小于预设眼睛闭合度时，确定用户处于非浏览状态。

在一实施例中，当确定所述浏览行为无效时，无需对所述初始门户界面中的所述卡片内容进行调整。

所述内容调整模块204用于当检测结果为所述浏览行为有效时，调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

在本申请的至少一实施例中，所述内容推荐模型是指用于根据用户的浏览行为对所述初始门户界面中的卡片内容信息进行调整的模型。

可选地，所述调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面包括：

调用预先训练的内容推荐模型处理所述浏览行为，得到待推荐卡片内容；

将所述浏览行为与所述待推荐卡片内容输入至预先训练的点击率预估模型，得到用户点击待推荐内容的点击率估计值，所述点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度以及用户对每个行为特征信息的选择倾向值计算得到的；

根据点击率估计值，确定给用户推荐待推荐内容的推荐策略；

根据所述推荐策略调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

其中，计算所述用户对每个所述行为特征信息的选择倾向值的方式包括:对所述用户的各个所述行为特征信息进行求和,得到和值特征信息；根据所述各个行为特征信息的数量和所述和值特征信息,计算平均特征信息；计算所述用户的每个所述行为特征信息与所述平均特征信息的第一相似度；根据所述第一相似度,确定所述用户对每个所述行为特征信息的选择倾向值。

其中，所述根据所述点击率估计值,确定给所述用户推荐所述待推荐内容的推荐策略的步骤,包括:判断所述点击率估计值是否大于预设点击率；若是,确定给所述用户推荐所述待推荐内容；若否,确定放弃给所述用户推荐所述待推荐内容。

在本申请的至少一实施例中，所述内容推荐模型还可以用于对用户的触控行为进行处理，以调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。可选地，所述内容调整模块204还用于：

获取用户在预设时间间隔内对于所述卡片内容信息的触控行为；

检测所述触控行为是否有效；

当检测结果为所述触控行为有效时，调用预先训练的内容推荐模型根据所述触控行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

在本申请的至少一实施例中，所述内容调整模块204还可以用于：按照预设数据格式综合处理用户对于卡片内容信息的触控行为与浏览行为，得到用户操作行为；调用所述内容推荐模型处理所述用户操作行为，以调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

本申请在实现对用户数据进行分析预测时，除了采集用户的点击行为，还对浏览时间长的卡片内容进行分析预测，提高分析预测的准确性。

所述行为监测模块205用于监测用户对于所述虚化显示卡片内容是否存在触控行为。

在本申请的至少一实施例中，所述卡片内容信息包括实化显示卡片内容与虚化显示卡片内容，所述实化显示卡片内容用于显示所述内容推荐模型处理所述浏览行为，得到的卡片推荐内容，所述卡片推荐内容按照推荐的优先级从高到低的顺序排列；所述虚化显示卡片内容用于显示所述内容推荐模型处理所述浏览行为，得到的卡片推荐内容之外的卡片内容。

可选地，所述监测用户对于所述虚化显示卡片内容是否存在触控行为包括：

当监听到所述第一门户界面中的鼠标点击事件时，调用预设elementFromPoint函数；

基于所述elementFromPoint函数获取鼠标所在位置的信息元素；

检测所述信息元素是否处于所述虚化显示卡片内容的数据区；

当检测结果为所述信息元素处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容存在触控行为；

当检测结果为所述信息元素未处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容未存在触控行为。

所述模型更新模块206用于当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，根据所述触控行为调整所述内容推荐模型，得到更新后的内容推荐模型。

在本申请的至少一实施例中，当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，此时，用户对所述内容推荐模型处理所述浏览行为得到的卡片推荐内容之外的卡片内容感兴趣，也即所述内容推荐模型需要进行调整以提高模型推荐的准确性。

可选地，所述当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，确定所述触控行为包括：

当监听到所述虚化显示卡片内容中的鼠标点击事件时，调用预设elementFromPoint函数；

基于所述elementFromPoint函数获取鼠标所在位置的信息元素；

根据所述信息元素确定所述虚化显示卡片内容中存在触控行为的目标虚化显示卡片内容。

在一实施例中，当监测结果为用户对于所述虚化显示卡片内容不存在触控行为时，说明用户对所述内容推荐模型处理所述浏览行为得到的卡片推荐内容之外的卡片内容不感兴趣，也即所述内容推荐模型的准确性较高，无需对所述内容推荐模型进行调整。

所述界面更新模块207用于调用更新后的内容推荐模型根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

在本申请的至少一实施例中，调用更新后的内容推荐模型重新根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

参阅图3所示，为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于机器学习的千人千面门户处理方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于机器学习的千人千面门户处理方法的全部或者部分步骤；或者实现基于机器学习的千人千面门户处理装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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，计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于机器学习的千人千面门户处理方法，其特征在于，所述基于机器学习的千人千面门户处理方法包括：

当接收到登录请求时，解析所述登录请求，得到用户的账户信息，并根据所述账户信息检测用户是否为旧用户；

当检测结果为所述账户信息为旧用户时，采集所述账户信息对应的历史行为日志，并根据所述历史行为日志确定并显示初始门户界面，所述初始门户界面包含实化显示卡片内容与虚化显示卡片内容；

获取用户在预设时间间隔内对于所述实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效；

当检测结果为所述浏览行为有效时，调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面；

监测用户对于所述虚化显示卡片内容是否存在触控行为；

当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，根据所述触控行为调整所述内容推荐模型，得到更新后的内容推荐模型；

调用更新后的内容推荐模型根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

2.根据权利要求1所述的基于机器学习的千人千面门户处理方法，其特征在于，所述解析所述登录请求，得到用户的账户信息包括：

检测所述登录请求中是否包含预设关键词；

当检测结果为所述登录请求中包含预设关键词时，确定所述预设关键词的目标位置；

获取所述目标位置处的信息作为用户的账户信息。

3.根据权利要求1所述的基于机器学习的千人千面门户处理方法，其特征在于，在所述根据所述账户信息检测用户是否为旧用户之后，所述方法还包括：

当检测结果为所述账户信息为新用户时，特征提取处理新用户的所述账户信息，得到新用户特征；

利用余弦相似度计算所述新用户特征与预存储的每一旧用户特征的相似度；

选取与所述新用户特征的相似度最高的旧用户为目标用户；

将所述目标用户对应的初始门户界面推荐给新用户。

4.根据权利要求1所述的基于机器学习的千人千面门户处理方法，其特征在于，所述根据所述历史行为日志确定并显示初始门户界面包括：

解析所述历史行为日志，得到行为特征，所述行为特征包括浏览行为特征与触控行为特征；

解析预设门户界面，得到卡片特征，所述卡片特征包括卡片布局特征与卡片内容特征，所述卡片布局特征包括卡片位置特征与卡片尺寸特征，所述卡片内容特征包括实化显示卡片内容特征与虚化显示卡片内容特征；

根据所述行为特征对所述卡片特征进行细粒度分类，构建细粒度的所述行为特征与所述卡片特征的关系矩阵；

获取并解析目标历史行为日志，得到目标行为特征，根据所述目标行为特征基于所述关系矩阵进行协同过滤得到目标卡片特征；

根据所述目标卡片特征确定并显示初始门户界面。

5.根据权利要求1所述的基于机器学习的千人千面门户处理方法，其特征在于，所述检测所述浏览行为是否有效包括：

调用预先设置的监控节点监测所述实化显示卡片内容在所述初始门户界面中的停留时长；

当监测到所述实化显示卡片内容在所述初始门户界面中的停留时长超过预设时长时，调用摄像头设备采集用户的瞳孔信息，并根据所述瞳孔信息判断用户是否处于浏览状态；

当判断结果为用户处于浏览状态时，确定所述浏览行为有效。

6.根据权利要求1所述的基于机器学习的千人千面门户处理方法，其特征在于，所述调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面包括：

调用预先训练的内容推荐模型处理所述浏览行为，得到待推荐卡片内容；

将所述浏览行为与所述待推荐卡片内容输入至预先训练的点击率预估模型，得到用户点击待推荐内容的点击率估计值，所述点击率估计值是基于用户的行为特征信息与待推荐内容的特征信息的相似度以及用户对每个行为特征信息的选择倾向值计算得到的；

根据点击率估计值，确定给用户推荐待推荐内容的推荐策略；

根据所述推荐策略调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面。

7.根据权利要求1所述的基于机器学习的千人千面门户处理方法，其特征在于，所述监测用户对于所述虚化显示卡片内容是否存在触控行为包括：

当监听到所述第一门户界面中的鼠标点击事件时，调用预设elementFromPoint函数；

基于所述elementFromPoint函数获取鼠标所在位置的信息元素；

检测所述信息元素是否处于所述虚化显示卡片内容的数据区；

当检测结果为所述信息元素处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容存在触控行为；

当检测结果为所述信息元素未处于所述虚化显示卡片内容的数据区时，确定用户对于所述虚化显示卡片内容未存在触控行为。

8.一种基于机器学习的千人千面门户处理装置，其特征在于，所述基于机器学习的千人千面门户处理装置包括：

请求解析模块，用于当接收到登录请求时，解析所述登录请求，得到用户的账户信息，并根据所述账户信息检测用户是否为旧用户；

日志采集模块，用于当检测结果为所述账户信息为旧用户时，采集所述账户信息对应的历史行为日志，并根据所述历史行为日志确定并显示初始门户界面，所述初始门户界面包含实化显示卡片内容与虚化显示卡片内容；

有效检测模块，用于获取用户在预设时间间隔内对于所述实化显示卡片内容的浏览行为，并检测所述浏览行为是否有效；

内容调整模块，用于当检测结果为所述浏览行为有效时，调用预先训练的内容推荐模型根据所述浏览行为调整所述初始门户界面中的所述卡片内容信息，得到第一门户界面；

行为监测模块，用于监测用户对于所述虚化显示卡片内容是否存在触控行为；

模型更新模块，用于当监测结果为用户对于所述虚化显示卡片内容存在触控行为时，根据所述触控行为调整所述内容推荐模型，得到更新后的内容推荐模型；

界面更新模块，用于调用更新后的内容推荐模型根据所述浏览行为调整所述第一门户界面，得到第二门户界面。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于机器学习的千人千面门户处理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述基于机器学习的千人千面门户处理方法。

Images