CN113806638B - 基于用户画像的个性化推荐方法及相关设备 - Google Patents

Abstract

本发明涉及人工智能领域，公开了一种基于用户画像的个性化推荐方法及相关设备，该方法包括：对用户的静态信息数据和动态信息数据进行分析，并根据分析的结果对用户进行对应分类，得到第一用户集合和第二用户集合，根据第一用户集合和第二用户集合生成用户画像，根据各用户的用户画像对用户进行个性化推荐。本发明实现了基于用户画像的个性化推荐，提高了推荐效率，且能够推荐用户真正感兴趣的产品或内容，从而提高了推荐的准确度。此外，本发明还涉及区块链领域，静态信息数据和动态信息数据可存储于区块链中。

Description

基于用户画像的个性化推荐方法及相关设备

技术领域

本发明涉及人工智能领域，尤其涉及一种基于用户画像的个性化推荐方法及相关设备。

背景技术

随着互联网与信息科技的快速发展，网上交易业务逐渐增多，越来越多的用户及物品信息形成海量数据。用户要在如此庞大的商品数据中找到自己感兴趣的内容，已成为各个商家及研究人员的热点问题。

现有技术中采用协同过滤推荐算法，利用用户对产品产生的历史信息作为依据，查找出与目标用户相似的用户邻居集，然后将用户邻居集中其他用户比较感兴趣的多个产品推荐给目标用户。但是这些方式只是简单地关注到了用户的历史信息，在所能获得的历史信息有限时，推荐到用户正在感兴趣的产品的准确性相对较低。所以现有的方式，并不能很好地向用户推销满足用户兴趣、需求的产品，个性化推荐效率较低。

发明内容

本发明的主要目的在于解决现有技术中对用户的个性化推荐效率低的技术问题。

本发明第一方面提供了一种基于用户画像的个性化推荐方法，所述基于用户画像的个性化推荐方法包括：获取各用户的静态信息数据和动态信息数据形成数据源；对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合；对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合；根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像；对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐。

可选的，在本发明的第一方面的第一种实现方式中，所述对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合包括：提取所述动态信息数据中各所述用户对应的行为数据，并对所述行为数据进行分析，统计各所述用户访问各产品或浏览各内容的访问频次；从预设的访问频次与访问等级关系表中提取与所述访问频次对应的访问等级；采用预设的聚类算法根据所述访问等级对各所述用户进行分类，得到第一用户集合；对所述第一用户集合中各所述用户设置第一标签。

可选的，在本发明的第一方面的第二种实现方式中，在所述对所述第一用户集合中各所述用户设置第一标签之后，还包括：根据所述用户对应的所述访问频次，确定所述用户访问各产品的产品访问频次和所述用户浏览各内容的内容访问频次；从预设的访问频次与偏好等级关系表中，查找与各所述产品的所述产品访问频次对应的偏好等级，得到产品偏好等级；从预设的访问频次与偏好等级关系表中，查找与各所述内容的所述内容访问频次对应的偏好等级，得到内容偏好等级；识别所述产品偏好等级对应的各所述产品的产品类型，以及识别所述内容偏好等级对应的各所述内容的内容类型；根据所述产品偏好等级、所述产品类型、所述内容偏好等级和所述内容类型对所述用户设置第二标签。

可选的，在本发明的第一方面的第三种实现方式中，所述对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合包括：根据预设的维度类型，对所述静态信息数据中各信息数据进行维度划分，其中，维度类型至少包括年龄维度、性别维度；判断隶属于同一维度类型的各所述用户的信息数据是否一致；若是，则提取并聚类对应的用户生成第二用户集合；对所述第二用户集合中各所述用户设置第三标签。

可选的，在本发明第一方面的第四种实现方式中，所述根据所述第一用户集合和所述第二集合生成各所述用户对应的用户画像包括：提取各所述用户对应的所述第一用户集合的第一标签以及所述第二用户集合的第三标签；提取各所述用户对应的第二标签，并将所述第一标签、所述第二标签和所述第三标签作为各所述用户的用户标签；根据所述用户标签生成各所述用户对应的用户画像。

可选的，在本发明第一方面的第五种实现方式中，所述对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐包括：根据所述用户画像，对各所述用户的产品偏好进行分析，得到各所述用户对应的产品消费行为特征，根据所述产品消费行为特征确定所述用户的偏好产品，并生成产品推荐列表；根据所述产品推荐列表对各所述用户进行产品的个性化推荐；和/或，根据所述用户画像，对各所述用户的内容偏好进行分析，得到各所述用户对应的内容消费行为特征，根据所述内容消费行为特征确定所述用户的偏好内容，并生成内容推荐列表；根据所述内容推荐列表对各所述用户进行浏览内容的个性化推荐。

可选的，在本发明第一方面的第六种实现方式中，所述根据所述产品推荐列表对各所述用户进行产品的个性化推荐包括：提取各所述用户的动态信息数据中的产品购买数据，并对所述产品购买数据进行分析，确定各产品对应的购买量；将各所述产品按照所述购买量由大到小进行排序，得到产品购买量列表；从所述产品购买量列表中提取topN的产品作为热销产品，并将所述热销产品添加至所述产品推荐列表中，其中，N为正整数；根据所述产品推荐列表对各所述用户进行产品的个性化推荐。

本发明第二方面提出一种基于用户画像的个性化推荐装置，所述基于用户画像的个性化推荐装置包括：获取模块，用于获取各用户的静态信息数据和动态信息数据形成数据源；分群模块，用于对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合；分类模块，用于对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合；生成模块，用于根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像；推荐模块，用于对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐。

可选的，在本发明第二方面的第一种实现方式中，所述分群模块包括：统计单元，用于提取所述动态信息数据中各所述用户对应的行为数据，并对所述行为数据进行分析，统计各所述用户访问各产品或浏览各内容的访问频次；第一提取单元，用于从预设的访问频次与访问等级关系表中提取与所述访问频次对应的访问等级；分类单元，用于采用预设的聚类算法根据所述访问等级对各所述用户进行分类，得到第一用户集合；第一设置单元，用于对所述第一用户集合中各所述用户设置第一标签。

可选的，在本发明第二方面的第二种实现方式中，所述基于用户画像的个性化推荐装置还包括标识模块，所述标识模块包括：确定单元，用于根据所述用户对应的所述访问频次，确定所述用户访问各产品的产品访问频次和所述用户浏览各内容的内容访问频次；第一查找单元，用于从预设的访问频次与偏好等级关系表中，查找与各所述产品的所述产品访问频次对应的偏好等级，得到产品偏好等级；第二查找单元，用于从预设的访问频次与偏好等级关系表中，查找与各所述内容的所述内容访问频次对应的偏好等级，得到内容偏好等级；识别单元，用于识别所述产品偏好等级对应的各所述产品的产品类型，以及识别所述内容偏好等级对应的各所述内容的内容类型；第二设置单元，用于根据所述产品偏好等级、所述产品类型、所述内容偏好等级和所述内容类型对所述用户设置第二标签。

可选的，在本发明第二方面的第三种实现方式中，所述分类模块包括：划分单元，用于根据预设的维度类型，对所述静态信息数据中各信息数据进行维度划分，其中，维度类型至少包括年龄维度、性别维度；判断单元，用于判断隶属于同一维度类型的各所述用户的信息数据是否一致；聚类单元，用于若隶属于同一维度类型的各所述用户的信息数据一致，则提取并聚类对应的用户生成第二用户集合；第三设置单元，用于对所述第二用户集合中各所述用户设置第三标签。

可选的，在本发明第二方面的第四种实现方式中，所述生成模块包括：第二提取单元，用于提取各所述用户对应的所述第一用户集合的第一标签以及所述第二用户集合的第三标签；第三提取单元，用于提取各所述用户对应的第二标签，并将所述第一标签、所述第二标签和所述第三标签作为各所述用户的用户标签；生成单元，用于根据所述用户标签生成各所述用户对应的用户画像。

可选的，在本发明第二方面的第五种实现方式中，所述推荐模块包括：产品推荐单元，用于根据所述用户画像，对各所述用户的产品偏好进行分析，得到各所述用户对应的产品消费行为特征，根据所述产品消费行为特征确定所述用户的偏好产品，并生成产品推荐列表；根据所述产品推荐列表对各所述用户进行产品的个性化推荐；内容推荐单元，用于根据所述用户画像，对各所述用户的内容偏好进行分析，得到各所述用户对应的内容消费行为特征，根据所述内容消费行为特征确定所述用户的偏好内容，并生成内容推荐列表；根据所述内容推荐列表对各所述用户进行浏览内容的个性化推荐。

可选的，在本发明第二方面的第六种实现方式中，所述产品推荐单元还具体用于：提取各所述用户的动态信息数据中的产品购买数据，并对所述产品购买数据进行分析，确定各产品对应的购买量；将各所述产品按照所述购买量由大到小进行排序，得到产品购买量列表；从所述产品购买量列表中提取topN的产品作为热销产品，并将所述热销产品添加至所述产品推荐列表中，其中，N为正整数；根据所述产品推荐列表对各所述用户进行产品的个性化推荐。

本发明第三方面提供了一种基于用户画像的个性化推荐设备，所述基于用户画像的个性化推荐设备包括：存储器和至少一个处理器，所述存储器中存储有计算机程序，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机程序，以使得所述基于用户画像的个性化推荐设备执行上述的基于用户画像的个性化推荐方法的步骤。

本发明第四方面提供了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，当其在计算机上运行时，使得计算机执行上述的基于用户画像的个性化推荐方法的步骤。

在本发明提供的技术方案中，通过获取各用户的静态信息数据和动态信息数据，根据动态信息数据中的行为数据对用户进行聚类分群得到第一用户集合；对静态信息数据进行维度识别并对用户按维度分类，得到第二用户集合；根据第一用户和第二用户生成用户对应的用户画像；对用户画像进行分析确定用户的消费行为特征，从而根据消费行为特征对用户进行个性化推荐。本发明实现了基于用户画像的个性化推荐，提高了推荐效率，且能够推荐用户真正感兴趣的产品或内容，从而提高了推荐的准确度。

附图说明

图1为本发明实施例中基于用户画像的个性化推荐方法的第一个实施例示意图；

图2为本发明实施例中基于用户画像的个性化推荐方法的第二个实施例示意图；

图3为本发明实施例中基于用户画像的个性化推荐方法的第三个实施例示意图；

图4为本发明实施例中基于用户画像的个性化推荐方法的第四个实施例示意图；

图5为本发明实施例中基于用户画像的个性化推荐装置的一个实施例示意图；

图6为本发明实施例中基于用户画像的个性化推荐装置的另一个实施例示意图；

图7为本发明实施例中基于用户画像的个性化推荐设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种基于用户画像的个性化推荐方法及相关设备，通过获取各用户的静态信息数据和动态信息数据，根据动态信息数据中的行为数据对用户进行聚类分群得到第一用户集合；对静态信息数据进行维度识别并对用户按维度分类，得到第二用户集合；根据第一用户和第二用户生成用户对应的用户画像；对用户画像进行分析确定用户的消费行为特征，从而根据消费行为特征对用户进行个性化推荐。本发明实施例实现了基于用户画像的个性化推荐，提高了推荐效率，且能够推荐用户真正感兴趣的产品或内容，从而提高了推荐的准确度。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体内容进行描述，请参阅图1，本发明实施例中基于用户画像的个性化推荐方法的第一个实施例包括：

101，获取各用户的静态信息数据和动态信息数据形成数据源；

服务器利用网络探针技术和大数据技术，在存在用户群体活动的所有区域全面获取已经过用户授权获取的海量的用户数据以形成数据源，其中，被采集的用户数据主要包括用户的静态信息数据和动态信息数据，用户的静态信息数据至少包括用户的人口属性、商业属性等用户相对稳定的信息数据，例如：用户的姓名、性别、职业职位等数据，即在一段时间内基本上不会有变化的数据；用户的动态信息数据至少包括用户的互联网行为数据和用户的mac数据，例如：用户下载的常用应用软件信息数据、经常浏览的网页信息数据，以及出行、消费等各种情况所产生的经常发生变化的数据。

另外，本发明实施例可以基于人工智能技术对静态信息数据和动态信息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。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

102，对动态信息数据中各用户的行为数据进行分析，并采用预设的聚类算法根据行为数据对各用户进行聚类分群，得到第一用户集合；

提取动态信息数据中各用户对应的行为数据，其中，行为数据包括各用户经常浏览的网页信息数据和常用应用软件信息数据。根据该行为数据对各用户的产品和内容的访问情况进行分析，并采用预设的聚类算法根据行为数据对各用户进行聚类分群，从而得到第一用户集合，其中，第一用户集合至少为一个。

103，对静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各用户进行分类，得到第二用户集合；

服务器预先根据历史的静态信息数据对各种信息数据进行划分，得到维度类型，每个信息数据都携带有一个维度类型标签，服务器可提取一个用户的静态信息数据中各信息数据对应的维度类型标签，根据该维度类型标签进行维度识别，识别出该信息数据的维度类型。

根据对静态信息数据进行维度识别的结果对各用户进行分类，即将所有用户按照静态信息数据中各信息数据的维度类型对静态信息数据进行分类，并从中选取隶属于同一维度类型且信息数据的数据值相同的用户进行聚类，生成第二用户集合。

104，根据第一用户集合和第二用户集合生成各用户对应的用户画像；

105，对用户画像进行分析，确定各用户对应的消费行为特征，并根据消费行为特征对各用户进行个性化推荐。

在本实施例中，服务器对第一用户集合和第二用户集合所反映出的各用户聚类的特点，对各用户的行为、偏好、活跃程度等特征信息进行标签化，即给用户打标签，而标签是通过对第一用户集合和第二用户集合中所体现出的用户信息分析而来的高度精炼的特征标识。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理，从而根据第一用户集合和第二用户集合生成各用户对应的用户画像。

对各用户对应的用户画像中的标签进行分析，即分析该用户对应的消费行为、偏好等特征，形成消费行为特征，根据该消费行为特征，服务器对每个用户进行个性化推荐。根据用户画像所体现出的用户特征，形成消费行为特征，根据所有用户的消费行为特征，分析每个产品以及内容的潜在用户和用户的潜在需求，针对特定群体进行营销，从而实现每个用户的个性化推荐。

在本发明实施例中，通过对用户的静态信息数据和动态信息数据进行分析，并根据分析的结果对用户进行对应分类，得到第一用户集合和第二用户集合，根据第一用户集合和第二用户集合生成用户画像，根据各用户的用户画像对用户进行个性化推荐。本发明实施例实现了基于用户画像的个性化推荐，提高了推荐效率，且能够推荐用户真正感兴趣的产品或内容，从而提高了推荐的准确度。

请参阅图2，本发明实施例中基于用户画像的个性化推荐方法的第二个实施例包括：

201，获取各用户的静态信息数据和动态信息数据形成数据源；

服务器利用网络探针技术和大数据技术，在存在用户群体活动的所有区域全面获取已经过用户授权获取的海量的用户数据以形成数据源，其中，被采集的用户数据主要包括用户的静态信息数据和动态信息数据，用户的静态信息数据至少包括用户的人口属性、商业属性等用户相对稳定的信息数据，例如：用户的姓名、性别、职业职位等数据，即在一段时间内基本上不会有变化的数据；用户的动态信息数据至少包括用户的互联网行为数据和用户的mac数据，例如：用户下载的常用应用软件信息数据、经常浏览的网页信息数据，以及出行、消费等各种情况所产生的经常发生变化的数据。

202，提取动态信息数据中各用户对应的行为数据，并对行为数据进行分析，统计各用户访问各产品或浏览各内容的访问频次；

服务器提取各用户的动态信息数据中的行为数据，并对行为数据进行分析，根据该行为数据统计各用户访问各产品和浏览各内容的访问频次，即统计点击、浏览、搜索各产品和各网页信息界面的次数。其中，产品包括用于商业销售的各类实体产品；内容包括新闻资讯、娱乐头条等传媒类信息数据或者各网页信息界面。

203，从预设的访问频次与访问等级关系表中提取与访问频次对应的访问等级；

服务器预先设置访问频次与访问等级关系表，该访问频次与访问等级关系表反映了不同的访问频次与不同的访问等级之间的关联关系，即不同的访问频次对应不同的访问等级；访问等级反映出各用户的网络活跃程度。从预设的访问频次与访问等级关系表中，提取与各用户的访问频次对应的访问等级。

204，采用预设的聚类算法根据访问等级对各用户进行分类，得到第一用户集合；

205，对第一用户集合中各用户设置第一标签；

服务器采用预设的聚类算法，将各用户按照对应的访问等级进行分类，即提取隶属于同一个访问等级的对应的用户，将这些用户聚类得到用户集合，将该用户集合作为第一用户集合，对所有的用户按照各用户对应的访问等级进行分类，从而得到多个第一用户集合。并将隶属于用一个第一用户集合中各用户设置统一的第一标签。在本实施例中，预设的聚类算法可选用现有的K均值聚类算法(K-Means聚类算法)、均值漂移聚类算法、基于密度的聚类方法(DBSCAN)等常用聚类算法。

在对第一用户集合中各用户设置第一标签之后，还可以对各用户设置第二标签，从而提高对用户进行个性化推荐的准确度。具体的，对用户对应的访问频次进行分析，从访问频次中分别统计一个用户访问各产品的产品访问频次，以及该用户浏览各内容的内容访问频次，对所有的用户的产品访问频次和内容访问频次进行统计，可得到所有用户对应的产品访问频次和内容访问频次。

服务器预先设置好各访问频次与偏好等级的对应关系，形成访问频次与偏好等级关系表。不同的访问频次对应不同的偏好等级。从预设的访问频次与偏好等级关系表中，查找与各产品对应的产品访问频次对应的偏好等级，将查找出的各产品对应的偏好等级作为用户对各产品的产品偏好等级，由此可确定所有用户对各产品对应的产品偏好等级，一个产品对应一个产品偏好等级。

服务器从预设的访问频次与偏好等级关系表中，查找与各内容的内容访问频次对应的偏好等级，将查找出的各内容对应的偏好等级作为用户对各内容的内容偏好等级；由此可确定所有用户对各内容对应的内容偏好等级。一个内容对应一个内容偏好等级。

服务器预先对各产品进行分类，对各产品设置产品类型标签，即一个产品对应一个产品类型标签，一个产品类型标签对应一个产品类型，同个产品类型包括多个产品。服务器提取产品偏好等级对应的各产品的产品类型标签，计算各产品的产品类型标签与预设的产品类型之间的相似度，当相似度不小于预设的相似度阈值时，将参与相似度计算的产品类型作为该产品的产品类型，从而识别出产品偏好等级对应的各产品的产品类型。同理，可识别出内容偏好等级对应的各内容的内容类型。

根据产品偏好等级、产品类型、内容偏好等级和内容类型对各用户设置第二标签。服务器统计每个对应对各产品类型中各产品以及各内容类型中各内容的产品偏好等级、内容偏好等级建立映射关系，从而可得到每个用户对应的个性化偏好情况，根据每个用户对各产品和各内容的个性化偏好情况设置第二标签。

206，对静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各用户进行分类，得到第二用户集合；

服务器预先根据静态信息数据设置不同的维度类型实现对静态信息数据的分类，且每个静态信息数据中各信息数据都携带有一个维度类型标签，一个维度类型标签对应一个维度类型。当获取到用户的静态信息数据时，提取静态信息数据中各信息数据所携带的维度类型标签，并计算维度类型标签与预设的维度类型之间的相似度，当相似度不小于预设的相似度阈值时，将参与计算的维度类型作为该信息数据的维度类型，从而识别出各用户对应的静态信息数据中各信息数据的维度类型，并根据该维度类型对各信息数据进行维度划分。在本实施例中，维度类型至少包括年龄维度、性别维度等，维度类型以及预设的相似度阈值在此不做限定，可根据实际情况进行设定。

服务器对隶属于同一维度类型的各用户的信息数据的数据值进行比较，判断各用户的信息数据的数据值是否一致，当存在有用户的信息数据的数据值一致时，提取相应的用户聚类生成第二用户集合。例如，比较隶属于性别维度类型的各用户的性别数据是否一致，当存在各用户的性别数据都显示为“男性”时，将这些用户聚类生成第二用户集合。在本实施例中，第二用户集合至少为一个，每个第二用户集合所包含的用户并不一致。

因为每个第二用户集合都是根据同一维度类型的信息数据一致的条件对各用户进行聚类而生成的，每个第二用户集合都反映了用户的不同特点，服务器根据用户在所处的各第二用户集合中的存在情况，对该用户进行特点聚类，生成该用户的第三标签，从而可对所有的第二用户集合中各用户设置第三标签。

207，根据第一用户集合和第二用户集合生成各用户对应的用户画像；

服务器根据第一集合和第二集合分析各用户在第一集合和第二集合的存在情况，预测各用户的偏好情况，提取各用户对应的个性化标签生成用户画像；即提取各用户对应的第一用户集合的第一标签以及第二用户集合的第三标签，并提取各用户对应的第二标签，将第一标签、第二标签以及第三标签作为该用户的用户标签。用户标签反映了各用户对应的个性化偏好情况；服务器根据该用户标签对应生成各用户的用户画像，其中，每个用户的第二标签、第二标签和第三标签并不完全相同，因此其组合形成的用户标签不相同，而每个用户对应生成的用户画像也不相同。在本实施例中，用户画像又称用户角色，是一种勾画目标用户、联系用户诉求与设计方向的有效工具。在大数据时代背景下，用户信息充斥在网络中，用户画像将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。

208，对用户画像进行分析，确定各用户对应的消费行为特征，并根据消费行为特征对各用户进行个性化推荐。

对各用户对应的用户画像中的标签进行分析，即分析该用户对应的消费行为、偏好等特征，形成消费行为特征，根据该消费行为特征，服务器对每个用户进行个性化推荐。根据用户画像所体现出的用户特征，形成消费行为特征，根据所有用户的消费行为特征，分析每个产品以及内容的潜在用户和用户的潜在需求，针对特定群体进行营销，从而实现每个用户的个性化推荐。

在本发明实施例中，统计用户访问各产品及浏览各内容的访问频次，根据各访问频次确定访问等级，从而将各用户按照访问等级进行分类并设置标签，实现了对用户的个性化分析，并提高了对用户的个性化分析的精确度，从而提高后续对用户进行个性化推荐的准确度。

请参阅图3，本发明实施例中基于用户画像的个性化推荐方法的第三个实施例包括：

301，获取各用户的静态信息数据和动态信息数据形成数据源；

302，对动态信息数据中各用户的行为数据进行分析，并采用预设的聚类算法根据行为数据对各用户进行聚类分群，得到第一用户集合；

303，对静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各用户进行分类，得到第二用户集合；

304，根据第一用户集合和第二用户集合生成各用户对应的用户画像；

305，根据用户画像，对各用户的产品偏好进行分析，得到各用户对应的产品消费行为特征，根据产品消费行为特征确定用户的偏好产品，并生成产品推荐列表；

根据用户画像，对用户的产品偏好进行分析，即分析该用户对各个产品的消费行为，形成产品消费行为特征，并对用户画像中各用户对应的用户标签进行分析，根据该用户标签以及该用户对应的产品消费行为特征，确定各用户对应的偏好产品的产品类型以及该类型对应的偏好产品，统计并归类该用户偏好的所有偏好产品，生成各用户对应的产品推荐列表。在本实施例中，该产品推荐列表反映了该用户的所有偏好产品的偏好情况，即该产品推荐列表统计了该用户各偏好产品的产品类型，以及同个偏好产品的产品类型下各偏好产品的产品偏好等级。

服务器根据每个用户对应的产品推荐列表，对各用户进行相应的个性推荐，即根据该用户对应的产品推荐列表，提取产品推荐列表中偏好等级较高的偏好产品的产品类型，并从该偏好产品的产品类型中选取产品对该用户进行个性化推荐，其中，选取的偏好等级较高的偏好产品的产品类型的个数与进行推荐产品的个数根据实际情况进行限定，本实施例在此不做限定。

306，提取各用户的动态信息数据中的产品购买数据，并对产品购买数据进行分析，确定各产品对应的购买量；

307，将各产品按照购买量由大到小进行排序，得到产品购买量列表；

对各用户的动态信息数据中各用户的产品购买情况进行分析，即提取各用户的产品购买数据，对该用户对应的产品购买数据进行分析，统计每个产品对应的购买量；将各产品按照购买量由大到小进行排序，得到产品购买量列表。

308，从产品购买量列表中提取topN的产品作为热销产品，并将热销产品添加至产品推荐列表中；

309，根据产品推荐列表对各用户进行产品的个性化推荐。

在本实施例中，产品购买量列表反映了各产品的销量情况，在产品购买量列表中排序位置越靠前，则表明该产品越畅销。从产品购买量列表中提取排序位置前N位的产品作为热销产品，即从该产品购买量列表中选取topN的产品作为热销产品，其中，N为正整数。

根据预设的产品类型识别选取的热销产品的产品类型，并根据该热销产品对应的产品类型将其添加至产品推荐列表中，即将热销产品根据产品类型对应补充至产品推荐列表中。服务器根据每个用户的产品推荐列表对各用户进行产品的个性化推荐，可根据产品推荐列表中所列出的产品对用户进行推荐。

在本发明实施例中，步骤301-304与上述的基于用户画像的个性化推荐方法的第一个实施例中的步骤101-104一致，在此不做赘述。

在本发明实施例中，根据用户画像对用户的产品偏好进行分析，确定用户的偏好产品，并根据热销产品与偏好产品生成产品推荐列表对用户进行产品的个性化推荐；本发明实施例实现了对用户进行产品的个性化推荐，且增多热销产品进行推荐，增加了产品推荐的多样性。

请参阅图4，本发明实施例中基于用户画像的个性化推荐方法的第四个实施例包括：

401，获取各用户的静态信息数据和动态信息数据形成数据源；

402，对动态信息数据中各用户的行为数据进行分析，并采用预设的聚类算法根据行为数据对各用户进行聚类分群，得到第一用户集合；

403，对静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各用户进行分类，得到第二用户集合；

404，根据第一用户集合和第二用户集合生成各用户对应的用户画像；

405，根据用户画像，对各用户的内容偏好进行分析，得到各用户对应的内容消费行为特征，根据内容消费行为特征确定用户的偏好内容，并生成内容推荐列表；

406，根据内容推荐列表对各用户进行浏览内容的个性化推荐。

根据用户画像，对用户的内容偏好进行分析，即分析各用户对各个内容的浏览行为，形成内容消费行为特征，对该用户标签以及该用户对应的内容消费行为特征，确定各用户对应的偏好内容的内容类型以及该类型对应的偏好内容，统计并归类该用户偏好的所有偏好内容，生成各用户对应的内容推荐列表。在本实施例中，该内容推荐列表反映了该用户的所有偏好内容的偏好情况，即该内容推荐列表统计了该用户各偏好等级的偏好内容的内容类型，以及同个偏好内容的内容类型下各偏好内容的内容偏好等级。

服务器根据每个用户对应的内容推荐列表，对各用户进行相应的个性推荐，即根据该用户对应的内容推荐列表，提取内容推荐列表中偏好等级较高的偏好内容的内容类型，并从该偏好内容的内容类型中选取内容对该用户进行个性化推荐，其中，选取的偏好等级较高的偏好内容的内容类型的个数与进行推荐内容的个数根据实际情况进行限定，本实施例在此不做限定。

在本发明实施例中，步骤401-404与上述的基于用户画像的个性化推荐方法的第一个实施例中的步骤101-104一致，在此不做赘述。

在本发明实施例中，根据用户画像对用户的内容偏好进行分析，得到内容消费行为特征，从而根据内容消费行为特征确定用户的偏好内容，生成内容推荐列表对用户进行内容的个性化推荐，本发明实施例实现了对用户进行内容的个性化推荐，提高了用户满意度。

上面对本发明实施例中的基于用户画像的个性化推荐方法进行了描述，下面对本发明实施例中的基于用户画像的个性化推荐装置进行描述，请参照图5，本发明实施例中的基于用户画像的个性化推荐装置的一个实施例包括：

获取模块501，用于获取各用户的静态信息数据和动态信息数据形成数据源；

分群模块502，用于对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合；

分类模块503，用于对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合；

生成模块504，用于根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像；

推荐模块505，用于对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐。

在本发明实施例中，通过基于用户画像的个性化推荐装置对用户的静态信息数据和动态信息数据进行分析，并根据分析的结果对用户进行对应分类，得到第一用户集合和第二用户集合，根据第一用户集合和第二用户集合生成用户画像，根据各用户的用户画像对用户进行个性化推荐。本发明实施例实现了基于用户画像的个性化推荐，提高了推荐效率，且能够推荐用户真正感兴趣的产品或内容，从而提高了推荐的准确度。

请参阅图6，本发明实施例中的基于用户画像的个性化推荐装置的另一个实施例包括：

获取模块501，用于获取各用户的静态信息数据和动态信息数据形成数据源；

分群模块502，用于对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合；

分类模块503，用于对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合；

生成模块504，用于根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像；

推荐模块505，用于对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐。

其中，所述分群模块502包括：

统计单元5021，用于提取所述动态信息数据中各所述用户对应的行为数据，并对所述行为数据进行分析，统计各所述用户访问各产品或浏览各内容的访问频次；

第一提取单元5022，用于从预设的访问频次与访问等级关系表中提取与所述访问频次对应的访问等级；

分类单元5023，用于采用预设的聚类算法根据所述访问等级对各所述用户进行分类，得到第一用户集合；

第一设置单元5024，用于对所述第一用户集合中各所述用户设置第一标签。

其中，所述基于用户画像的个性化推荐装置还包括标识模块506，所述标识模块506包括：

确定单元5061，用于根据所述用户对应的所述访问频次，确定所述用户访问各产品的产品访问频次和所述用户浏览各内容的内容访问频次；

第一查找单元5062，用于从预设的访问频次与偏好等级关系表中，查找与各所述产品的所述产品访问频次对应的偏好等级，得到产品偏好等级；

第二查找单元5063，用于从预设的访问频次与偏好等级关系表中，查找与各所述内容的所述内容访问频次对应的偏好等级，得到内容偏好等级；

识别单元5064，用于识别所述产品偏好等级对应的各所述产品的产品类型，以及识别所述内容偏好等级对应的各所述内容的内容类型；

第二设置单元5065，用于根据所述产品偏好等级、所述产品类型、所述内容偏好等级和所述内容类型对所述用户设置第二标签。

其中，所述分类模块503包括：

划分单元5031，用于根据预设的维度类型，对所述静态信息数据中各信息数据进行维度划分，其中，维度类型至少包括年龄维度、性别维度；

判断单元5032，用于判断隶属于同一维度类型的各所述用户的信息数据是否一致；

聚类单元5033，用于若隶属于同一维度类型的各所述用户的信息数据一致，则提取并聚类对应的用户生成第二用户集合；

第三设置单元5034，用于对所述第二用户集合中各所述用户设置第三标签。

其中，所述生成模块504包括：

第二提取单元5041，用于提取各所述用户对应的所述第一用户集合的第一标签以及所述第二用户集合的第三标签；

第三提取单元5042，用于提取各所述用户对应的第二标签，并将所述第一标签、所述第二标签和所述第三标签作为各所述用户的用户标签；

生成单元5043，用于根据所述用户标签生成各所述用户对应的用户画像。

其中，所述推荐模块505包括：

产品推荐单元5051，用于根据所述用户画像，对各所述用户的产品偏好进行分析，得到各所述用户对应的产品消费行为特征，根据所述产品消费行为特征确定所述用户的偏好产品，并生成产品推荐列表；根据所述产品推荐列表对各所述用户进行产品的个性化推荐；

内容推荐单元5052，用于根据所述用户画像，对各所述用户的内容偏好进行分析，得到各所述用户对应的内容消费行为特征，根据所述内容消费行为特征确定所述用户的偏好内容，并生成内容推荐列表；根据所述内容推荐列表对各所述用户进行浏览内容的个性化推荐。

其中，所述产品推荐单元5051还具体用于：

提取各所述用户的动态信息数据中的产品购买数据，并对所述产品购买数据进行分析，确定各产品对应的购买量；

将各所述产品按照所述购买量由大到小进行排序，得到产品购买量列表；

从所述产品购买量列表中提取topN的产品作为热销产品，并将所述热销产品添加至所述产品推荐列表中，其中，N为正整数；

根据所述产品推荐列表对各所述用户进行产品的个性化推荐。

在本发明实施例中，通过基于用户画像的个性化推荐装置统计用户访问各产品及浏览各内容的访问频次，根据各访问频次确定访问等级，从而将各用户按照访问等级进行分类并设置标签，实现了对用户的个性化分析，并提高了对用户的个性化分析的精确度，从而提高后续对用户进行个性化推荐的准确度。

请参阅图7，下面从硬件处理的角度对本发明实施例中的基于用户画像的个性化推荐设备的一个实施例进行详细描述。

图7是本发明实施例提供的一种基于用户画像的个性化推荐设备的结构示意图，该基于用户画像的个性化推荐设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于用户画像的个性化推荐设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在基于用户画像的个性化推荐设备700上执行存储介质730中的一系列指令操作。

基于用户画像的个性化推荐设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和或或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的基于用户画像的个性化推荐设备结构并不构成对基于用户画像的个性化推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明所指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。

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。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于用户画像的个性化推荐方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的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，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于用户画像的个性化推荐方法，其特征在于，所述基于用户画像的个性化推荐方法包括：

获取各用户的静态信息数据和动态信息数据形成数据源；

对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合；

对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合；

根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像；

对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐；

所述对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合包括：

提取所述动态信息数据中各所述用户对应的行为数据，并对所述行为数据进行分析，统计各所述用户访问各产品或浏览各内容的访问频次；

从预设的访问频次与访问等级关系表中提取与所述访问频次对应的访问等级；

采用预设的聚类算法根据所述访问等级对各所述用户进行分类，得到第一用户集合；

对所述第一用户集合中各所述用户设置第一标签；

根据所述用户对应的所述访问频次，确定所述用户访问各产品的产品访问频次和所述用户浏览各内容的内容访问频次；

从预设的访问频次与偏好等级关系表中，查找与各所述产品的所述产品访问频次对应的偏好等级，得到产品偏好等级；

从预设的访问频次与偏好等级关系表中，查找与各所述内容的所述内容访问频次对应的偏好等级，得到内容偏好等级；

识别所述产品偏好等级对应的各所述产品的产品类型，以及识别所述内容偏好等级对应的各所述内容的内容类型；

根据所述产品偏好等级、所述产品类型、所述内容偏好等级和所述内容类型对所述用户设置第二标签；

所述对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合包括：

根据预设的维度类型，对所述静态信息数据中各信息数据进行维度划分，其中，维度类型至少包括年龄维度、性别维度；

判断隶属于同一维度类型的各所述用户的信息数据是否一致；

若是，则提取并聚类对应的用户生成第二用户集合；

对所述第二用户集合中各所述用户设置第三标签；

所述根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像包括：

提取各所述用户对应的所述第一用户集合的第一标签以及所述第二用户集合的第三标签；

提取各所述用户对应的第二标签，并将所述第一标签、所述第二标签和所述第三标签作为各所述用户的用户标签；

根据所述用户标签生成各所述用户对应的用户画像。

2.根据权利要求1所述的基于用户画像的个性化推荐方法，其特征在于，所述对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐包括：

根据所述用户画像，对各所述用户的产品偏好进行分析，得到各所述用户对应的产品消费行为特征，根据所述产品消费行为特征确定所述用户的偏好产品，并生成产品推荐列表；根据所述产品推荐列表对各所述用户进行产品的个性化推荐；

和/或，根据所述用户画像，对各所述用户的内容偏好进行分析，得到各所述用户对应的内容消费行为特征，根据所述内容消费行为特征确定所述用户的偏好内容，并生成内容推荐列表；根据所述内容推荐列表对各所述用户进行浏览内容的个性化推荐。

3.根据权利要求2所述的基于用户画像的个性化推荐方法，其特征在于，所述根据所述产品推荐列表对各所述用户进行产品的个性化推荐包括：

提取各所述用户的动态信息数据中的产品购买数据，并对所述产品购买数据进行分析，确定各产品对应的购买量；

将各所述产品按照所述购买量由大到小进行排序，得到产品购买量列表；

从所述产品购买量列表中提取topN的产品作为热销产品，并将所述热销产品添加至所述产品推荐列表中，其中，N为正整数；

根据所述产品推荐列表对各所述用户进行产品的个性化推荐。

4.一种基于用户画像的个性化推荐装置，其特征在于，所述基于用户画像的个性化推荐装置包括：

获取模块，用于获取各用户的静态信息数据和动态信息数据形成数据源；

分群模块，用于对所述动态信息数据中各所述用户的行为数据进行分析，并采用预设的聚类算法根据所述行为数据对各所述用户进行聚类分群，得到第一用户集合；

分类模块，用于对所述静态信息数据按照预设的维度类型进行维度识别，并根据维度识别的结果对各所述用户进行分类，得到第二用户集合；

生成模块，用于根据所述第一用户集合和所述第二用户集合生成各所述用户对应的用户画像；

推荐模块，用于对所述用户画像进行分析，确定各用户对应的消费行为特征，并根据所述消费行为特征对各所述用户进行个性化推荐；

所述分群模块包括：

统计单元，用于提取所述动态信息数据中各所述用户对应的行为数据，并对所述行为数据进行分析，统计各所述用户访问各产品或浏览各内容的访问频次；

第一提取单元，用于从预设的访问频次与访问等级关系表中提取与所述访问频次对应的访问等级；

分类单元，用于采用预设的聚类算法根据所述访问等级对各所述用户进行分类，得到第一用户集合；

第一设置单元，用于对所述第一用户集合中各所述用户设置第一标签；

所述基于用户画像的个性化推荐装置还包括标识模块，所述标识模块包括：

确定单元，用于根据所述用户对应的所述访问频次，确定所述用户访问各产品的产品访问频次和所述用户浏览各内容的内容访问频次；

第一查找单元，用于从预设的访问频次与偏好等级关系表中，查找与各所述产品的所述产品访问频次对应的偏好等级，得到产品偏好等级；

第二查找单元，用于从预设的访问频次与偏好等级关系表中，查找与各所述内容的所述内容访问频次对应的偏好等级，得到内容偏好等级；

识别单元，用于识别所述产品偏好等级对应的各所述产品的产品类型，以及识别所述内容偏好等级对应的各所述内容的内容类型；

第二设置单元，用于根据所述产品偏好等级、所述产品类型、所述内容偏好等级和所述内容类型对所述用户设置第二标签；

所述分类模块包括：

划分单元，用于根据预设的维度类型，对所述静态信息数据中各信息数据进行维度划分，其中，维度类型至少包括年龄维度、性别维度；

判断单元，用于判断隶属于同一维度类型的各所述用户的信息数据是否一致；

聚类单元，用于若隶属于同一维度类型的各所述用户的信息数据一致，则提取并聚类对应的用户生成第二用户集合；

第三设置单元，用于对所述第二用户集合中各所述用户设置第三标签；

所述生成模块包括：

第二提取单元，用于提取各所述用户对应的所述第一用户集合的第一标签以及所述第二用户集合的第三标签；

第三提取单元，用于提取各所述用户对应的第二标签，并将所述第一标签、所述第二标签和所述第三标签作为各所述用户的用户标签；

生成单元，用于根据所述用户标签生成各所述用户对应的用户画像。

5.根据权利要求4所述的基于用户画像的个性化推荐装置，其特征在于，所述推荐模块包括：

产品推荐单元，用于根据所述用户画像，对各所述用户的产品偏好进行分析，得到各所述用户对应的产品消费行为特征，根据所述产品消费行为特征确定所述用户的偏好产品，并生成产品推荐列表；根据所述产品推荐列表对各所述用户进行产品的个性化推荐；

内容推荐单元，用于根据所述用户画像，对各所述用户的内容偏好进行分析，得到各所述用户对应的内容消费行为特征，根据所述内容消费行为特征确定所述用户的偏好内容，并生成内容推荐列表；根据所述内容推荐列表对各所述用户进行浏览内容的个性化推荐。

6.根据权利要求5所述的基于用户画像的个性化推荐装置，其特征在于，所述产品推荐单元还具体用于：

提取各所述用户的动态信息数据中的产品购买数据，并对所述产品购买数据进行分析，确定各产品对应的购买量；

将各所述产品按照所述购买量由大到小进行排序，得到产品购买量列表；

从所述产品购买量列表中提取topN的产品作为热销产品，并将所述热销产品添加至所述产品推荐列表中，其中，N为正整数；

根据所述产品推荐列表对各所述用户进行产品的个性化推荐。

7.一种基于用户画像的个性化推荐设备，其特征在于，所述基于用户画像的个性化推荐设备包括：

存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于用户画像的个性化推荐设备执行如权利要求1-3中任一项所述的基于用户画像的个性化推荐方法的步骤。

8.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-3中任一项所述的基于用户画像的个性化推荐方法的步骤。