CN113706249B - 数据推荐方法、装置、电子设备及存储介质 - Google Patents
数据推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113706249B CN113706249B CN202111006912.6A CN202111006912A CN113706249B CN 113706249 B CN113706249 B CN 113706249B CN 202111006912 A CN202111006912 A CN 202111006912A CN 113706249 B CN113706249 B CN 113706249B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- real
- time
- score
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 230000006399 behavior Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析领域,还涉及人工智能及智慧医疗领域,揭露一种数据推荐方法,包括:获取用户在应用程序的历史数据和实时数据,分别对历史数据和实时数据进行标签提取后创建用户的信用矩阵,计算信用矩阵中每个数据的数据评分,以得到用户评分;在用户评分处于第一预设范围,标记用户为黑名单用户,停止向黑名单用户进行数据推荐;在用户评分处于第二预设范围,标记用户为新用户,将新用户的相似用户在应用程序中的产品浏览数据推送至新用户;在用户评分处于第三预设范围,标记用户为重要用户,识别重要用户的需求产品,从应用程序匹配需求产品的产品数据,并推送至重要用户。本发明可以提高数据推荐的准确性。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种数据推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
数据推荐是指将待推荐数据推送至需求用户的过程,以满足不同用户需求,随着信息科技的不断发展,用户量和数据量的不断增长,如何实现数据的准确推荐成为愈发重要的问题,如在不同企业发布的APP中,如何将在APP中新注册用户高效的转换为企业星级用户,数据推荐显得十分重要。
目前,数据推荐通常是查找用户历史数据,以匹配用户的兴趣数据,并在匹配的兴趣数据中选取相应评分最高的数据返回至用户,由于在实际业务场景中,用户的需求在不断发生变化,通过查找用户历史数据容易忽略用户的实时需求,如用户在历史中购买了一套家具,而此时用户的需求为订购一套电子产品,因此,通过用户历史数据实现数据推荐的方式缺乏对用户需求或意图进行识别,从而会影响数据推荐的准确性。
发明内容
本发明提供一种数据推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高数据推荐的准确性。
为实现上述目的,本发明提供的一种数据推荐方法,包括:
获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
可选地,所述采集所述用户在所述应用程序中的实时数据,包括:
侦测所述用户在所述应用程序中的行为事件;
响应于所述行为事件,利用预构建的埋点框架记录所述行为事件的事件特征和用户特征;
根据所述事件特征和用户特征,生成所述实时数据。
可选地,所述分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签,包括:
分别对所述历史数据和所述实时数据进行特征提取,得到历史特征数据和实时特征数据;
分别识别所述历史特征数据和所述实时特征数据的数据属性,得到历史数据属性和实时数据属性;
根据所述历史数据属性和所述实时数据属性,分别建立所述历史特征数据和所述实时特征数据的数据标签,得到历史标签和实时标签。
可选地,所述分别对所述历史数据和所述实时数据进行特征提取,得到历史特征数据和实时特征数据,包括:
分别计算所述历史数据和所述实时数据中每个数据的信息熵;
选取所述信息熵大于预设熵的数据作为所述历史数据和所述实时数据的特征数据,得到历史特征数据和实时特征数据。
可选地,所述根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,包括:
将所述历史标签和实时标签作为分别作为矩阵的行标签和列标签,根据所述行标签和列标签,构建所述用户的初始矩阵;
将所述历史标签和所述实时标签的数据加载至所述初始矩阵中,以生成所述用户的信用矩阵。
可选地,所述利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,包括:
利用下述公式计算所述信用矩阵中每个数据的数据评分:
其中,f(x,φ)表示信用矩阵中第x个数据的数据评分,x表示信用矩阵中第x个数据,φ表示信用矩阵中数据的数量,h(x)表示信用矩阵中第x个数据的高度,E(h(x))表示均值函数,c(φ)表示评分路径长度的标准化函数。
可选地,所述识别所述重要用户的需求产品,包括:
查询所述信用矩阵中的历史产品标签和实时产品标签;
将所述历史产品标签和实时产品标签对应的产品作为所述重要用户的需求产品。
为了解决上述问题,本发明还提供一种数据推荐装置,所述装置包括:
数据标签提取模块,用于获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
用户评分计算模块,用于根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
数据推荐模块,用于在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
所述数据推荐模块,还用于在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
所述数据推荐模块,还用于在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的数据推荐方法。
为了解决上述问题,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中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的数据推荐方法。
可以看出,本发明首先通过获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,可以保障用户数据的全面性,并分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签,可以识别出所述历史数据和所述实时数据中的用户属性,减少后续数据量的处理,提高数据计算速度;其次,本发明实施例根据所述历史标签和所述实时标签,构建信用矩阵,并计算所述信用矩阵的用户评分,可以全面展示所述用户在所述应用程序中的实时行为和历史行为,从而可以更加全面的了解用户的需求,并可以判断所述用户是否符合数据推荐的标准,从而采用不同的数据推荐方式向所述用户进行数据推荐,提高数据推荐的准确率;进一步地,本发明实施例通过判断所述用户评分所处的预设范围,采用黑名单标记、相似用户数据推荐以及用户意图数据推荐的方式实现所述用户数据推荐,可以实现不同用户的准确定位,可以减少数据推荐风险性的同时又能满足不同用户的数据准确推荐。因此,本发明提供一种数据推荐方法、装置、电子设备及存储介质可以提高数据推荐的准确性。
附图说明
图1为本发明一实施例提供的数据推荐方法的流程示意图;
图2为本发明一实施例提供的数据推荐装置的模块示意图;
图3为本发明一实施例提供的实现数据推荐方法的电子设备的内部结构示意图;
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种数据推荐方法。所述数据推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述数据推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的数据推荐方法的流程示意图。在本发明实施例中,所述数据推荐方法包括:
S1、获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签。
本发明实施例中,所述应用程序是指运行在客户端或移动端的APP,如商城APP、金融APP以及视频APP等,所述历史数据是指所述用户在所述应用程序中浏览记录,包括行为数据和基本数据,详细地,所述行为数据如商城APP中的产品购买数据、商城APP中的产品浏览数据以及商城APP中的产品收藏数据,所述基本数据如用户的姓名、联系方式、住址以及性别等,所述实时数据是指所述用户在所述应用程序中当前正在浏览的行为数据,如用户正在查询商城APP中的产品数据。其中,所述历史数据可以通过SQL语句向所述应用程序的后台数据库查询。
作为本发明的一个实施例,所述采集所述用户在所述应用程序中的实时数据,包括:侦测所述用户在所述应用程序中的行为事件,响应于所述行为事件,利用预构建的埋点框架记录所述行为事件的事件特征和用户特征,根据所述事件特征和用户特征,生成所述实时数据。
其中,所述行为事件的侦测可以通过在所述应用程序中预先设置的事件触发按钮实现,所述事件触发按钮可以通过JavaScript脚本语言编译,所述预构建的埋点框架包括Flutter框架,所述事件属性是指所述用户在所述应用程序中所点击的事件数据,如点击时间、点击对象以及点击次数等,所述用户属性是指所述用户在所述应用程序中所触发的用户数据,如用户指令、用户口令以及用户手势等。
应该了解,在所述历史数据和所述实时数据中,会存在大量的用户属性,因此,本发明实施例通过分别对所述历史数据和所述实时数据进行标签提取,以识别出所述历史数据和所述实时数据中的用户属性,减少后续数据量的处理,提高数据计算速度,其中,所述用户属性可以理解为所述用户在所述应用程序中所产生的行为特征,如上述的事件特征和用户特征。
作为本发明的一个实施例,所述分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签,包括:分别对所述历史数据和所述实时数据进行特征提取,得到历史特征数据和实时特征数据,分别识别所述历史特征数据和所述实时特征数据的数据属性,得到历史数据属性和实时数据属性,根据所述历史数据属性和所述实时数据属性,分别建立所述历史特征数据和所述实时特征数据的数据标签,得到历史标签和实时标签。
进一步地,本发明又一可选实施例中,所述分别对所述历史数据和所述实时数据进行特征提取,得到历史特征数据和实时特征数据,包括:分别计算所述历史数据和所述实时数据中每个数据的信息熵,选取所述信息熵大于预设熵的数据作为所述历史数据和所述实时数据的特征数据,得到历史特征数据和实时特征数据。可选的,所述信息熵的计算可以通过信息增益算法实现,所述预设熵可以设置为0.5,也可以根据实际业务场景设置。
进一步地,所述数据属性可以通过分别查询所述历史特征数据和所述实时特征数据的数据类型进行识别,如所述历史特征数据为8:00am,则可以识别该历史特征数据的数据类型为时间类型,从而可以判断该历史特征数据的数据属性为时间。
进一步地,所述历史特征数据和所述实时特征数据的数据标签的建立可以通过在所述历史数特征据和所述实时特征数据中标记其对应历史数据属性和实时数据属性的属性字段实现,如所述历史数据为8:00am,则建立该历史数据的历史标签可以为:time-8:00am,基于所述历史标签和所述实时标签,可以了解到所述历史数据和所述实时数据中的数据属性,从而可以快速查询到用户的特征数据。
S2、根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分。
本发明实施通过所述历史标签和所述实时标签,创建所述用户的信用矩阵,以全面展示所述用户在所述应用程序中的实时行为和历史行为,从而可以更加全面的了解用户的需求,进而可以向用户推荐更为准确地数据。
作为本发明的一个实施例,所述根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,包括:将所述历史标签和实时标签作为分别作为矩阵的行标签和列标签,根据所述行标签和列标签,构建所述用户的初始矩阵,将所述历史标签和所述实时标签的数据加载至所述初始矩阵中,以生成所述用户的信用矩阵。
例如,存在10个历史标签和20个实时标签,则可以构成10*20的初始矩阵,分别将所述10个历史标签和20个实时标签的数据加载至所述初始矩阵中,以生成所述用户的信用矩阵,需要说明的在将所述数据加载至所述初始矩阵之前,需要将所述数据转换为向量形式,以实现后续数据评分的计算。可选的,所述数据的向量形式转换可以通过one-hot算法实现。
进一步地,本发明实施例中,所述信用评分机制通过决策算法构建,其用于计算数据的数据评分,所述决策算法可以为XGboost算法。
进一步地,本发明一可选实施例中,利用下述公式计算所述信用矩阵中每个数据的数据评分:
其中,f(x,φ)表示信用矩阵中第x个数据的数据评分,x表示信用矩阵中第x个数据,φ表示信用矩阵中数据的数量,h(x)表示信用矩阵中第x个数据的高度,E(h(x))表示均值函数,c(φ)表示评分路径长度的标准化函数。
进一步地,本发明实施例通过根据每个所述数据评分,计算所述信用矩阵的矩阵评分,以得到所述信用矩阵的用户在所述应用程序中的信用评分,判断所述用户是否符合数据推荐的标准,从而采用不同的数据推荐方式向所述用户进行数据推荐,提高数据推荐的准确率。其中,所述用户评分可以通过计算所有数据评分的均值得到。
进一步地,为保障所述用户评分的安全性和隐私性,所述用户评分还可存储于一区块链节点中。
S3、在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐。
本发明实施例中,所述第一预设范围基于上述用户评分的范围进行确定,如所述用户评分的范围为(-10,10),则所述第一预设范围可以设置为(-10,-5),应该了解,在所述用户评分处于第一预设范围时,则表示该用户评分的用户在所述应用程序中处于不友好和/或恶意的表现,因此,本发明实施例通过标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐,以减少待推荐数据的用户推荐风险,保障待推荐数据的安全性。
S4、在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户。
本发明实施例中,所述第二预设范围基于所述第一预设范围和所述用户评分的范围确定,如上所述,所述用户评分的范围为(-10,10),及所述第一预设范围为(-10,-5),则所述第二预设范围可以设置为(-5,+3),应该了解,在所述用户评分处于第二预设范围时,则表示该用户评分的用户在所述应用程序中处于新用户状态,因此,本发明实施例通过标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户,以提高数据推荐的准确率,从而提高该新用户对所述应用程序的依赖度,进而提高新用户的留存率。
一个可选实施例中,所述用户数据库是指将所述应用程序中浏览过的用户进行组合得到的数据库,所述新用户的相似用户匹配可以通过计算所述新用户与所述用户数据库中用户的相似度实现,即将所述用户数据库中相似度大于预设相似度的用户作为所述相似用户。其中,所述相似度的计算可以通过相似度算法实现,如余弦相似度算法,所述预设相似度可以设置为0.9,也可以根据实际业务场景设置。
S5、在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
本发明实施例中,所述第三预设范围基于所述第一预设范围和所述第三预设范围确定,如上所述,所述用户评分的范围为[-10,10)、所述第一预设范围为(-10,-5]以及所述第而预设范围为(-5,+3],则所述第三预设范围可以设置为(+3,+10],应该了解,在所述用户评分处于第三预设范围时,则表示该用户评分的用户在所述在所述应用程序中处于老用户状态或星级用户状态,因此,本发明实施例通过标记所述用户为重要用户,并识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户,以实现所述应用程序中产品数据的准确推荐,保障重要用户的留存率。
一个可选实施例中,所述识别所述重要用户的需求产品,包括:查询所述信用矩阵中的历史产品标签和实时产品标签,将所述历史产品标签和实时产品标签对应的产品作为所述重要用户的需求产品。其中,所述历史产品标签和实时产品标签可以通过所述历史标签和所述实时标签识别。
一个可选实施例中,所述产品数据的匹配可以通过计算所述应用程序中的产品与所述需求产品的匹配度实现,即从所述应用程序中选取与所述需求产品的匹配度大于预设匹配度的产品数据,所述预设匹配度可以设置为0.78,也可以根据实际业务场景设置。
可以看出,本发明首先通过获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,可以保障用户数据的全面性,并分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签,可以识别出所述历史数据和所述实时数据中的用户属性,减少后续数据量的处理,提高数据计算速度;其次,本发明实施例根据所述历史标签和所述实时标签,构建信用矩阵,并计算所述信用矩阵的用户评分,可以全面展示所述用户在所述应用程序中的实时行为和历史行为,从而可以更加全面的了解用户的需求,并可以判断所述用户是否符合数据推荐的标准,从而采用不同的数据推荐方式向所述用户进行数据推荐,提高数据推荐的准确率;进一步地,本发明实施例通过判断所述用户评分所处的预设范围,采用黑名单标记、相似用户数据推荐以及用户意图数据推荐的方式实现所述用户数据推荐,可以实现不同用户的准确定位,可以减少数据推荐风险性的同时又能满足不同用户的数据准确推荐。因此,本发明提供一种数据推荐方法可以提高数据推荐的准确性。
如图2所示,是本发明数据推荐装置的功能模块图。
本发明所述数据推荐装置100可以安装于电子设备中。根据实现的功能,所述数据推荐装置可以包括数据标签提取模块101、用户评分计算模块102以及数据推荐模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备的处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据标签提取模块101,用于获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
所述用户评分计算模块102,用于根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
所述数据推荐模块103,用于在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
所述数据推荐模块103,还用于在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
所述数据推荐模块103,还用于在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
详细地,本发明实施例中所述数据推荐装置100中的所述各模块在使用时采用与上述的图1中所述的数据推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现数据推荐方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如数据推荐程序。
其中,所述处理器10在一些实施例中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。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行数据推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
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、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如数据推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、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。所述电子设备1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。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的数据推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备1的处理器所执行时,可以实现:
获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,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模块来实现本实施例方案的目的。
另外,在本发明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,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明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发明。
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,本发明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发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本发明实施例所述数据推荐方法也可以应用在医疗问诊平台中,如在所述医疗问诊平台中,通过所述数据推荐方法可以向问诊用户进行科室和/或医生的推荐,以快速满足所述问诊用户的需求,提高所述问诊用户的问诊效率。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求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发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种数据推荐方法,其特征在于,所述方法包括:
获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户;
其中,所述根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,包括:将所述历史标签和实时标签作为分别作为矩阵的行标签和列标签,根据所述行标签和列标签,构建所述用户的初始矩阵;将所述历史标签和所述实时标签的数据加载至所述初始矩阵中,以生成所述用户的信用矩阵;
所述利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,包括:
利用下述公式计算所述信用矩阵中每个数据的数据评分:
其中,表示信用矩阵中第x个数据的数据评分,x表示信用矩阵中第x个数据,/>表示信用矩阵中数据的数量,h(x)表示信用矩阵中第x个数据的高度,E(h(x))表示均值函数,表示评分路径长度的标准化函数。
2.如权利要求1所述的数据推荐方法,其特征在于,所述采集所述用户在所述应用程序中的实时数据,包括:
侦测所述用户在所述应用程序中的行为事件;
响应于所述行为事件,利用预构建的埋点框架记录所述行为事件的事件特征和用户特征;
根据所述事件特征和用户特征,生成所述实时数据。
3.如权利要求1所述的数据推荐方法,其特征在于,所述分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签,包括:
分别对所述历史数据和所述实时数据进行特征提取,得到历史特征数据和实时特征数据;
分别识别所述历史特征数据和所述实时特征数据的数据属性,得到历史数据属性和实时数据属性;
根据所述历史数据属性和所述实时数据属性,分别建立所述历史特征数据和所述实时特征数据的数据标签,得到历史标签和实时标签。
4.如权利要求3所述的数据推荐方法,其特征在于,所述分别对所述历史数据和所述实时数据进行特征提取,得到历史特征数据和实时特征数据,包括:
分别计算所述历史数据和所述实时数据中每个数据的信息熵;
选取所述信息熵大于预设熵的数据作为所述历史数据和所述实时数据的特征数据,得到历史特征数据和实时特征数据。
5.如权利要求1至4中任意一项所述的数据推荐方法,其特征在于,所述识别所述重要用户的需求产品,包括:
查询所述信用矩阵中的历史产品标签和实时产品标签;
将所述历史产品标签和实时产品标签对应的产品作为所述重要用户的需求产品。
6.一种数据推荐装置,用于实现如权利要求1至5中任意一项所述的数据推荐方法,其特征在于,所述装置包括:
数据标签提取模块,用于获取用户在应用程序中的历史数据,并采集所述用户在所述应用程序中的实时数据,分别对所述历史数据和所述实时数据进行标签提取,得到历史标签和实时标签;
用户评分计算模块,用于根据所述历史标签和所述实时标签,创建所述用户的信用矩阵,利用预设的信用评分机制计算所述信用矩阵中每个数据的数据评分,根据每个所述数据评分,计算所述信用矩阵的矩阵评分,得到用户评分;
数据推荐模块,用于在所述用户评分处于第一预设范围时,标记所述用户为黑名单用户,并停止向所述黑名单用户进行数据推荐;
所述数据推荐模块,还用于在所述用户评分处于第二预设范围时,标记所述用户为新用户,从所述应用程序的用户数据库中匹配所述新用户的相似用户,并将所述相似用户在所述应用程序中的产品浏览数据推送至所述新用户;
所述数据推荐模块,还用于在所述用户评分处于第三预设范围时,标记所述用户为重要用户,识别所述重要用户的需求产品,从所述应用程序中匹配所述需求产品的产品数据,并将匹配成功的产品数据推送至所述重要用户。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的数据推荐方法。
8.一种计算机可读存储介质,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5中任意一项所述的数据推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006912.6A CN113706249B (zh) | 2021-08-30 | 2021-08-30 | 数据推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006912.6A CN113706249B (zh) | 2021-08-30 | 2021-08-30 | 数据推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706249A CN113706249A (zh) | 2021-11-26 |
CN113706249B true CN113706249B (zh) | 2023-11-10 |
Family
ID=78657036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006912.6A Active CN113706249B (zh) | 2021-08-30 | 2021-08-30 | 数据推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706249B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252730B (zh) * | 2023-11-17 | 2024-03-19 | 浙江口碑网络技术有限公司 | 服务订阅处理系统、服务订阅信息处理方法与装置 |
CN117709914B (zh) * | 2024-02-05 | 2024-05-10 | 台州徙木数字服务有限公司 | 一种岗位的匹配方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063985A (zh) * | 2018-07-18 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种业务的风险决策方法及装置 |
CN111782943A (zh) * | 2020-06-24 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于历史数据记录的信息推荐方法、装置、设备及介质 |
-
2021
- 2021-08-30 CN CN202111006912.6A patent/CN113706249B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063985A (zh) * | 2018-07-18 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种业务的风险决策方法及装置 |
CN111782943A (zh) * | 2020-06-24 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于历史数据记录的信息推荐方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113706249A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN113706249B (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN113688923B (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
CN112702228B (zh) | 服务限流响应方法、装置、电子设备及可读存储介质 | |
CN112507230B (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN114066533A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114491646A (zh) | 数据脱敏方法、装置、电子设备及存储介质 | |
CN114185776A (zh) | 应用程序的大数据埋点方法、装置、设备及介质 | |
CN111429085A (zh) | 合同数据生成方法、装置、电子设备及存储介质 | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN116362684A (zh) | 一种基于图书馆集群的图书管理方法、装置、设备及存储介质 | |
CN113706252B (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114840388A (zh) | 数据监控方法、装置、电子设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN114154052A (zh) | 信息推荐方法、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 | |
CN113672722B (zh) | 线上课程智能推荐方法、装置、电子设备及存储介质 | |
CN113704411B (zh) | 基于词向量的相似客群挖掘方法、装置、设备及存储介质 | |
CN113704587B (zh) | 基于阶段划分的用户黏着度分析方法、装置、设备及介质 | |
CN113657910B (zh) | 实名认证方法、装置、电子设备及可读存储介质 |
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 |