CN114172818A - 基于用户习惯分析的多终端消息提醒方法 - Google Patents

基于用户习惯分析的多终端消息提醒方法 Download PDF

Info

Publication number
CN114172818A
CN114172818A CN202111478220.1A CN202111478220A CN114172818A CN 114172818 A CN114172818 A CN 114172818A CN 202111478220 A CN202111478220 A CN 202111478220A CN 114172818 A CN114172818 A CN 114172818A
Authority
CN
China
Prior art keywords
user
user habit
habit data
node
data
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
Application number
CN202111478220.1A
Other languages
English (en)
Inventor
陈邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yiyun Cloud Computing Co ltd
Original Assignee
Shenzhen Yiyun Cloud Computing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yiyun Cloud Computing Co ltd filed Critical Shenzhen Yiyun Cloud Computing Co ltd
Priority to CN202111478220.1A priority Critical patent/CN114172818A/zh
Publication of CN114172818A publication Critical patent/CN114172818A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种能提高用户体验、增加用户有效操作、能对潜在意图提供引导、识别准确性高的基于用户习惯分析的多终端消息提醒方法。包括以下步骤，步骤1)获取第一用户习惯数据；步骤2)将所述的第一用户习惯数据与预先存储的标准用户习惯数据进行比对；步骤3)控制所述的通用处理器在所述相似值小于第一预设阈值时，从所述的第一用户习惯数据中提取出正常用户习惯数据；步骤4)将所述的第一用户当前操作数据与所述的正常用户习惯数据进行比对，并根据比对结果获取命中当前操作数据下一步的用户浏览操作；步骤5)将下一步的用户操作以消息提醒方式推送给所述第一用户的一个或多个终端。

Description

基于用户习惯分析的多终端消息提醒方法
技术领域
本发明涉及大数据智能分析及应用技术领域，尤其涉及基于用户习惯分析的多终端消息提醒方法。
背景技术
目前绝大多数的内容发布均采用网页广播的发布方案，即其发布的内容对所有受众都是一模一样的。目前也有部分内容发布系统采用根据用户本身的特点(年龄、性别、地域)对发布的内容进行的简单匹配过滤的发布方案，姑且称之为窄播。窄播方案能够根据用户本身的特征筛选更加贴近用户的信息，相对广播能让用户对内容发布商产生更强的归属感并培养忠诚度、提高业务流量。现有技术如授权公告号为CN107357833B的中国发明专利，公开了一种数据处理方法及相关产品，其中，移动终端包括通用处理器，所述通用处理器用于执行如下步骤：获取第一用户习惯数据；将所述第一用户习惯数据与预先存储的标准用户习惯数据进行比对，得到相似值；在所述相似值小于第一预设阈值时，从所述第一用户习惯数据中提取出正常用户习惯数据；根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。本发明实施例可获取用户习惯数据，并在用户习惯数据不在预测范围时，对用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了移动终端的智能性。
发明内容
本发明的目的在于针对现有技术提供一种能提高用户体验、增加用户有效操作、能对潜在意图提供引导、识别准确性高的基于用户习惯分析的多终端消息提醒方法，其包括，以下步骤，
步骤1)获取第一用户习惯数据；
步骤2)将第一用户习惯数据与预先存储的标准用户习惯数据进行比对；
步骤3)控制通用处理器在相似值小于第一预设阈值时，从第一用户习惯数据中提取出正常用户习惯数据；
步骤4)将第一用户当前操作数据与正常用户习惯数据进行比对，并根据比对结果获取命中当前操作数据下一步的用户浏览操作；
步骤5)将下一步的用户操作以消息提醒方式推送给第一用户的一个或多个终端。通过获取用户操作，抽取正常用户习惯数据,通过与标准用户习惯数据比对，预判进而用户下一步操作，在用户习惯数据不在预测范围时，对标准用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了智能化程度。
为了进一步优化技术方案，采取的优化措施还包括：
正常用户习惯数据和第一用户习惯数据含有操作顺序信息。将第一用户习惯数据，即当前用户的操作习惯，抽取出正常用户数据，以便用于预判和比对。
操作顺序信息包括：开始会话、搜索产品、查看详情、登录操作、开始注册、签到、加入订单、加入收藏和以上行为的时序信息。操作顺序信息是用于预判用户操作行为的库，通过预设方式进行穷举。由于app、网站的操作是开发者可以预先设定并开发的，因此，是能够有效穷举的。
预先存储的标准用户习惯数据经如下训练获得：
根据训练集包含的所有样本构建预测网络，网络中节点i与训练集中的样本xi相对应且带有相同的行为信息类型；节点与邻居节点且与邻居节点具有相同的行为信息条件下将建立连接边，即满足如下两个条件将建立节点i到节点j的有向边eij:
1)节点j为经KNN算法确定的节点i的k个邻居之一；
2)节点i与节点j具有相同的行为信息。
以现有用户的习惯数据作为训练集，根据上述两个条件建立预测网络中所有节点之间的有向边之后，整个预测网络Q将由子网络qc组成，且1≤c≤C，而且子网络qc中的每个节点具有相同的行为信息类型，任意两个子网络之间无连接关系。明显地，依据上述两个条件建立的预测网络Q能够有力地展示所有训练样本的拓扑结构关系，进一步地可在所构建的预测网络中数学地表达节点所代表的相似性特征。
消息提醒方式包括：在终端的显示装置边缘附近出现响应区域；响应区域显示缩小的推送操作页面缩略图。页面缩略图还具有链接信息，可以便于用户在点击缩略图时转到相应操作的网页上，提高操作便利性，同时能够抓住一部分潜在新客户或现有用户的潜在业务。例如，判断非注册用户打开商品详细页面后，通常会去寻找注册页面。此时，直接将注册页面推送到浏览器和/或手机终端，能够提高新用户注册数量。
标准用户习惯数据由终端根据用户在一段时间内针对至少一个应用的使用记录训练而成和/或根据正常用户习惯数据对标准用户习惯数据进行更新。本方法可以根据需要针对一个或多个app进行消息提醒推送。
本发明还公开了：实现上述基于用户习惯分析的多终端消息提醒方法的计算机程序和存储有上述计算机程序的存储介质。
由于本发明采用了步骤1)获取第一用户习惯数据；步骤2)将第一用户习惯数据与预先存储的标准用户习惯数据进行比对；步骤3)控制通用处理器在相似值小于第一预设阈值时，从第一用户习惯数据中提取出正常用户习惯数据；步骤4)将第一用户当前操作数据与正常用户习惯数据进行比对，并根据比对结果获取命中当前操作数据下一步的用户浏览操作；步骤5)将下一步的用户操作以消息提醒方式推送给第一用户的一个或多个终端。通过获取用户操作，抽取正常用户习惯数据,通过与标准用户习惯数据比对，预判进而用户下一步操作，在用户习惯数据不在预测范围时，对标准用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了智能化程度。因而本发明具有提高用户体验、增加用户有效操作、能对潜在意图提供引导、识别准确性高的优点。
附图说明
图1为本发明实施例的步骤顺序示意图；
图2为本发明实施例的预测推荐效果示意图；
图3为本发明实施例的识别效果比较示意图。
具体实施方式
以下结合附实施例对本发明作进一步详细描述。
实施例：
参照图1至图3，基于用户习惯分析的多终端消息提醒方法，其包括，以下步骤，
步骤1)获取第一用户习惯数据；
步骤2)将第一用户习惯数据与预先存储的标准用户习惯数据进行比对；
步骤3)控制通用处理器在相似值小于第一预设阈值时，从第一用户习惯数据中提取出正常用户习惯数据；
步骤4)将第一用户当前操作数据与正常用户习惯数据进行比对，并根据比对结果获取命中当前操作数据下一步的用户浏览操作；
步骤5)将下一步的用户操作以消息提醒方式推送给第一用户的一个或多个终端。通过获取用户操作，抽取正常用户习惯数据,通过与标准用户习惯数据比对，预判进而用户下一步操作，在用户习惯数据不在预测范围时，对标准用户习惯数据进行更新，如此，可及时更新用户习惯数据，提高了智能化程度。
为了进一步优化技术方案，采取的优化措施还包括：
正常用户习惯数据和第一用户习惯数据含有操作顺序信息。将第一用户习惯数据，即当前用户的操作习惯，抽取出正常用户数据，以便用于预判和比对。
操作顺序信息包括：开始会话、搜索产品、查看详情、登录操作、开始注册、签到、加入订单、加入收藏和以上行为的时序信息。操作顺序信息是用于预判用户操作行为的库，通过预设方式进行穷举。由于app、网站的操作是开发者可以预先设定并开发的，因此，是能够有效穷举的。
预先存储的标准用户习惯数据经如下训练获得：
根据训练集包含的所有样本构建预测网络，网络中节点i与训练集中的样本xi相对应且带有相同的行为信息类型；节点与邻居节点且与邻居节点具有相同的行为信息条件下将建立连接边，即满足如下两个条件将建立节点i到节点j的有向边eij:
1)节点j为经KNN算法确定的节点i的k个邻居之一；
2)节点i与节点j具有相同的行为信息。
以现有用户的习惯数据作为训练集，根据上述两个条件建立预测网络中所有节点之间的有向边之后，整个预测网络Q将由子网络qc组成，且1≤c≤C，而且子网络qc中的每个节点具有相同的行为信息类型，任意两个子网络之间无连接关系。明显地，依据上述两个条件建立的预测网络Q能够有力地展示所有训练样本的拓扑结构关系，进一步地可在所构建的预测网络中数学地表达节点所代表的相似性特征。KNN算法参考Keller J M,Gray M R,Givens J A.A fuzzy K-nearest neighbor algorithm[J].IEEE Trans.Syst.,Man,Cybern.,1985,SMC-15(4):580-585.篇幅所限，不再赘述。
消息提醒方式包括：在终端的显示装置边缘附近出现响应区域；响应区域显示缩小的推送操作页面缩略图。页面缩略图还具有链接信息，可以便于用户在点击缩略图时转到相应操作的网页上，提高操作便利性，同时能够抓住一部分潜在新客户或现有用户的潜在业务。例如，判断非注册用户打开商品详细页面后，通常会去寻找注册页面。此时，直接将注册页面推送到浏览器和/或手机终端，能够提高新用户注册数量。
标准用户习惯数据由终端根据用户在一段时间内针对至少一个应用的使用记录训练而成和/或根据正常用户习惯数据对标准用户习惯数据进行更新。本方法可以根据需要针对一个或多个app进行消息提醒推送。
伪代码如下：
输入:给定数据集(即标准用户习惯数据的集合)X＝[x1,x2,…,xN]T，其中，x∈Rd，d为特征维度，与给定数据集X相对应的行为信息集Y＝[y1,y2,…,yN]T，测试集(即正常用户习惯数据的集合)T＝[t1,t2,…,tM]T，其中，tM∈Rd，d为样本特征维度，yi∈{1,2,,C}；利用KNN算法构建预测网络过程中的参数k1，截断距离dc，宽度参数σ，实施物理相似性假设时KNN算法中的参数k2，阻尼系数λ，最大迭代次数H以及满足迭代终止条件时的阈值θ。
输出:针对测试集的预测行为信息集。
训练阶段
Step1:利用KNN算法根据给定的训练集X以及相应的行为信息集Y构建预测网络Q。
Step2:利用式(7)计算预测网络Q中每个节点的浓度ρj。
Step3:分别利用式(6)、式(5)计算子网络q中第i个节点的权重εc i以及子网络q的权重εc。
Step4:设定h＝0；
Step5:循环直至满足迭代终止条件
Figure BDA0003394112430000051
或满足h>H。
Step5.1:h＝h+1；
Step5.2:循环直至j＝N；
Step5.2.1:利用式(1)更新节点影响因子
Figure BDA0003394112430000061
预测阶段
Step6:设定m＝1，循环程序直至m>M。
Step6.1:利用式(2)通过KNN算法实施相似性假设，确定测试集T中测试样本tm的近邻节点集vi；
Step6.2:利用式(5)、式(4)计算最大概率c*，继而依据c*将确定测试样本tm的行为信息类型并将tm归入到类c中；
Step6.3:m＝m+1
Step7:输出针对测试集T的预测行为信息集[y1,y2,…,yM]
Step8:将预测行为信息集转换为推送消息进而推送给用户。
结束
预测行为信息集一般即为操作顺序信息中的各种操作，通过人工预设进行相应的推送转换。例如，预测行为信息集推荐推送的信息为“加入订单”，那么人工预设“加入订单”这一信息对应的应当是将“加入订单”页面的缩略图和提示显示在屏幕的边缘附近，并将链接信息映射到缩略图。当用户点击该缩略图，即打开相应链接的页面。同时，对于同一用户的其他终端，例如移动终端，同样将链接以短信或缩略图显示的方式进行同步推送。图3为现有背景技术的推送预判识别准确性与本实施例的对比，由于本实施例采用的KNN调整算法，使得本实施例的识别效果较现有技术更好，能有效提高用户的应用体验。
Ini h代表节点i在第h次迭代过程中的影响因子。
Figure BDA0003394112430000071
vt＝KNN(t)， 式(2)
在式(1)中，当h＝0时，节点的浓度设置为节点的影响因子，即
Figure BDA0003394112430000072
Figure BDA0003394112430000073
代表节点i在第h次迭代过程中的影响因子。dei代表节点i的出度，即有向边eij的数目。
在式(2)中，vt代表t的k个邻居节点集合，vt中的节点可能来自于不同的子网络qc，1≤c≤C。为了能够从数据地角度实现风格相似性假设，我们将实施t对于第c个类别(即子网络qc)的最大概率c*＝arg maxcΨc, 式(3)；
Ψc代表从风格的角度衡量t属于第c个类别的概率。
在预测网络Q中子网络的权重及节点的影响因子来定义Ψc，
Figure BDA0003394112430000074
在式(4)中，
Figure BDA0003394112430000075
代表集合vt中t的第i个邻居节点，且
Figure BDA0003394112430000076
为其影响因子。
定义子网络qc的权重如下:
Figure BDA0003394112430000077
子网络qc的权重为其包含的所有节点权重的平均值，因而子网络qc中的第i个节点的权重为：
Figure BDA0003394112430000081
eij代表子网络qc中节点i到节点j的有向边，Ni代表有向边eij的数目。节点的局部浓度并不是相等的，利用1/N迭代计算节点的影响因子并不符合节点的实际分布情况。这里，节点j(即对应于训练集中的第j个训练样本)的浓度定义如下:
Figure BDA0003394112430000082
N代表预测网络Q中的节点总数，djl代表节点j与节点l之间的欧氏距离，dc代表截断距离，χ(…)代表距离函数，当
Figure BDA0003394112430000083
时χ(…)＝1，反之χ(…)＝0。
尽管已结合优选的实施例描述了本发明，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围的情况下，能够对在这里列出的主题实施各种改变、同等物的置换和修改，因此本发明的保护范围当视所提出的权利要求限定的范围为准。

Claims (9)

1.基于用户习惯分析的多终端消息提醒方法，其特征是：包括以下步骤，
步骤1)获取第一用户习惯数据；
步骤2)将所述的第一用户习惯数据与预先存储的标准用户习惯数据进行比对；
步骤3)控制所述的通用处理器在所述相似值小于第一预设阈值时，从所述的第一用户习惯数据中提取出正常用户习惯数据；
步骤4)将所述的第一用户当前操作数据与所述的正常用户习惯数据进行比对，并根据比对结果获取命中当前操作数据下一步的用户浏览操作；
步骤5)将下一步的用户操作以消息提醒方式推送给所述第一用户的一个或多个终端。
2.如权利要求1所述的基于用户习惯分析的多终端消息提醒方法，其特征是：所述的正常用户习惯数据和第一用户习惯数据含有操作顺序信息。
3.如权利要求2所述的基于用户习惯分析的多终端消息提醒方法，其特征是：所述的操作顺序信息包括：开始会话、搜索产品、查看详情、登录操作、开始注册、签到、加入订单、加入收藏和以上行为的时序信息。
4.如权利要求2所述的基于用户习惯分析的多终端消息提醒方法，其特征是：所述的预先存储的标准用户习惯数据经如下训练获得：
根据训练集包含的所有样本构建预测网络，网络中节点i与训练集中的样本xi相对应且带有相同的行为信息类型；节点与邻居节点且与邻居节点具有相同的行为信息条件下将建立连接边，即满足如下两个条件将建立节点i到节点j的有向边eij:
1)节点j为经KNN算法确定的节点i的k个邻居之一；
2)节点i与节点j具有相同的行为信息。
5.如权利要求4所述的基于用户习惯分析的多终端消息提醒方法，其特征是：以现有用户的习惯数据作为训练集，根据上述两个条件建立预测网络中所有节点之间的有向边之后，整个预测网络Q将由子网络qc组成，且1≤c≤C，而且子网络qc中的每个节点具有相同的行为信息类型，任意两个子网络之间无连接关系。
6.如权利要求1所述的基于用户习惯分析的多终端消息提醒方法，其特征是：所述的消息提醒方式包括：在终端的显示装置边缘附近出现响应区域；所述的响应区域显示缩小的推送操作页面缩略图。
7.如权利要求1所述的基于用户习惯分析的多终端消息提醒方法，其特征是：所述标准用户习惯数据由终端根据用户在一段时间内针对至少一个应用的使用记录训练而成和/或根据所述正常用户习惯数据对所述标准用户习惯数据进行更新。
8.实现如权利要求1所述的基于用户习惯分析的多终端消息提醒方法的计算机程序。
9.存储有如权利要求8所述的计算机程序的存储介质。
CN202111478220.1A 2021-12-06 2021-12-06 基于用户习惯分析的多终端消息提醒方法 Pending CN114172818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111478220.1A CN114172818A (zh) 2021-12-06 2021-12-06 基于用户习惯分析的多终端消息提醒方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111478220.1A CN114172818A (zh) 2021-12-06 2021-12-06 基于用户习惯分析的多终端消息提醒方法

Publications (1)

Publication Number Publication Date
CN114172818A true CN114172818A (zh) 2022-03-11

Family

ID=80483372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111478220.1A Pending CN114172818A (zh) 2021-12-06 2021-12-06 基于用户习惯分析的多终端消息提醒方法

Country Status (1)

Country Link
CN (1) CN114172818A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576798A (zh) * 2023-10-23 2024-02-20 北京宇音天下科技有限公司 自由习惯任务的打卡方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975494A (zh) * 2016-04-26 2016-09-28 乐视控股（北京）有限公司 服务信息推送方法及装置
WO2017166783A1 (zh) * 2016-04-01 2017-10-05 乐视控股（北京）有限公司 一种推送定制消息的方法、装置及电子设备
CN107291805A (zh) * 2017-05-15 2017-10-24 百度在线网络技术（北京）有限公司 一种用于控制推送信息的方法与装置
CN107357833A (zh) * 2017-06-21 2017-11-17 广东欧珀移动通信有限公司 数据处理方法及相关产品
CN109344992A (zh) * 2018-08-21 2019-02-15 广东工业大学 一种融合时空因素的智能家居用户操控行为习惯建模方法
CN109525680A (zh) * 2019-01-17 2019-03-26 恒峰信息技术有限公司 一种基于web系统的数据推送方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017166783A1 (zh) * 2016-04-01 2017-10-05 乐视控股（北京）有限公司 一种推送定制消息的方法、装置及电子设备
CN105975494A (zh) * 2016-04-26 2016-09-28 乐视控股（北京）有限公司 服务信息推送方法及装置
CN107291805A (zh) * 2017-05-15 2017-10-24 百度在线网络技术（北京）有限公司 一种用于控制推送信息的方法与装置
CN107357833A (zh) * 2017-06-21 2017-11-17 广东欧珀移动通信有限公司 数据处理方法及相关产品
CN109344992A (zh) * 2018-08-21 2019-02-15 广东工业大学 一种融合时空因素的智能家居用户操控行为习惯建模方法
CN109525680A (zh) * 2019-01-17 2019-03-26 恒峰信息技术有限公司 一种基于web系统的数据推送方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576798A (zh) * 2023-10-23 2024-02-20 北京宇音天下科技有限公司 自由习惯任务的打卡方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10223727B2 (en) E-commerce recommendation system and method
US11531867B2 (en) User behavior prediction method and apparatus, and behavior prediction model training method and apparatus
US10534981B2 (en) Media content analysis system and method
Ortega et al. Improving collaborative filtering-based recommender systems results using Pareto dominance
Yu et al. Walkranker: A unified pairwise ranking model with multiple relations for item recommendation
CN111144459B (zh) 一种类不平衡的网络流量分类方法、装置及计算机设备
KR101620748B1 (ko) 아이템 추천 방법 및 아이템 추천 장치
US11269966B2 (en) Multi-classifier-based recommendation method and device, and electronic device
WO2022082848A1 (zh) 高光谱图像分类方法及相关设备
US9710447B2 (en) Visual recognition using social links
CN111079780A (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN109922379B (zh) 广告视频优化方法、装置、设备及计算机可读存储介质
CN110889747A (zh) 商品推荐方法、装置、系统、计算机设备及存储介质
CN112199600A (zh) 目标对象识别方法和装置
CN114172818A (zh) 基于用户习惯分析的多终端消息提醒方法
CN116310530A (zh) 基于语义聚类的联邦无监督图像分类模型训练方法、分类方法及设备
Gao et al. Reinforcement learning based web crawler detection for diversity and dynamics
CN111652219A (zh) 一种图文标识检测识别方法、装置、服务器及存储介质
CN108197288B (zh) 根据用户特征偏好的房源推送方法、装置、设备及介质
Cai et al. Exploring spatial diversity for region-based active learning
CN114297521A (zh) 基于大数据的产品推荐排序算法
CN114564644A (zh) 模型训练、资源推荐方法、装置、电子设备及存储介质
CN110275986B (zh) 基于协同过滤的视频推荐方法、服务器及计算机存储介质
Duan et al. Tracking–recommendation–detection: A novel online target modeling for visual tracking
CN113095084A (zh) 一种物联网中语义服务匹配方法、装置及存储介质

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