CN114371946A - 基于云计算和大数据的信息推送方法及信息推送服务器 - Google Patents
基于云计算和大数据的信息推送方法及信息推送服务器 Download PDFInfo
- Publication number
- CN114371946A CN114371946A CN202210028203.6A CN202210028203A CN114371946A CN 114371946 A CN114371946 A CN 114371946A CN 202210028203 A CN202210028203 A CN 202210028203A CN 114371946 A CN114371946 A CN 114371946A
- Authority
- CN
- China
- Prior art keywords
- service
- information
- data
- user
- digital
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供了一种基于云计算和大数据的信息推送方法,方法包括:根据预先确定的待推送业务资讯信息获取待推送业务资讯信息的关联业务资讯信息;根据关联资讯信息与待推送业务资讯信息的覆盖关联关系建立多个数字服务终端对应的业务资讯信息关联集合;将业务资讯信息关联集合的各业务资讯信息,发送到对应的数字服务终端中获取反应数据;根据反应数据对数字服务终端的用户进行意图特征挖掘,获取用户的意图倾向数据;根据历史行为数据与注册信息对数字服务终端进行用户画像特征提取,并经过神经网络模型对画像特征和意图倾向数据进行分析输出目标业务标签确定目标业务资讯信息以更新数字服务终端的推送策略。
Description
技术领域
本说明书涉及大数据和人工智能技术领域,具体涉及一种基于云计算和大数据的信息推送方法及信息推送服务器。
背景技术
移动互联网的快速发展推动了数据的高效传播,随之而来的是信息过载问题。用户无法准确有效的对信息进行筛选,这就造成了用户与信息的不匹配问题。为了解决用户与信息的匹配问题,系统推荐应运而生。每天从各大网站上传播的信息数以亿计,用户要在规模庞大的信息中快速选择有价值的信息并非易事。推荐系统的产生不仅使得提高信息的网站能够快速甄别对用户有效的信息,而且能够节省用户时间,提升用户体验。而信息推送正是通过大量的数据挖掘分析出用户潜在的兴趣爱好,从而使推送服务从传统的被动推送、用户要求转向技术越来越成熟的主动推送,并且通过对用户的历史行为的分析,找出用户的兴趣喜好,针对不同用户的不同兴趣实现个性化推送。
近年来推荐技术随着机器学习的发展,信息推送已经通过互联网逐渐融入到人们生活的各个方面,例如:短视频的快速流行正是推荐技术的日益成熟从而帮助人们获得感兴趣的娱乐信息。然而,现有技术在进行信息个性化推荐时,大多数都基于用户的历史兴趣数据进行分析推荐,无法针对用户的实时数据进行业务资讯信息的推送更新,容易造成潜在客户的流失,损失利润。
因此,现需要一种可以及时调整及优化推送方式的信息推送方法。
发明内容
本说明书一个或多个实施例提供了一种基于云计算和大数据的信息推送方法,用于解决如下技术问题:如何提供一种可以调整并优化推送策略的信息推送方式。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种基于云计算和大数据的信息推送方法,应用于区块链云中心,云中心与多个数字服务终端通信连接,方法包括:
根据预先确定的待推送业务资讯信息,获取所述待推送业务资讯信息的关联业务资讯信息;
根据所述关联业务资讯信息与所述待推送业务资讯信息的覆盖关联关系,建立所述多个数字服务终端对应的业务资讯信息关联集合;
将所述业务资讯信息关联集合的各业务资讯信息,发送到对应的数字服务终端中,获取所述对应的数字服务终端对各业务资讯信息的反应数据;其中,所述反应数据为所述对应的数字服务终端获取所述业务资讯信息后预设时间内进行的业务操作数据;
根据所述反应数据对所述对应的数字服务终端的用户进行意图特征挖掘,获取所述数字服务终端的用户的意图倾向数据;
根据所述用户终端预设时间内的历史行为数据与所述用户的注册信息对所述数字服务终端进行用户画像特征的提取;
将所述用户画像特征及所述意图倾向数据输入到预先训练的神经网络模型,输出所述数字服务终端的目标业务标签,并根据所述目标业务标签在所述业务资讯信息关联集合中确定目标业务资讯信息;
基于所述目标业务资讯信息对所述多个数字服务终端进行推送策略的更新。
可选地,本说明书一个或度有个实施例中,所述获取所述待推送业务资讯信息之前,所述方法还包括:
在预设时间内获取所述数字服务终端的用户发送的业务请求信息,并根据所述业务请求信息获取所述用户的业务关键词集合;
对所述业务关键词集合中的关键词进行聚类分析,根据所述聚类结果确定所述业务关键词集合对应的业务场景;并依据业务场景条目与所述业务资讯信息之间的映射关系,获取与所述业务场景对应的业务资讯信息;
根据所述用户的历史反馈数据对所述业务资讯信息进行筛选,将上层显示时间低于预设阈值的业务资讯信息删除,以确定所述待推送业务资讯信息。
可选地,本说明书一个或多个实施例中,所述对所述业务关键词列表中的关键词进行聚类分析后,所述方法还包括:
若所述聚类结果不能显示具体的业务场景,则基于互联网提取与所述用户的静态信息相关联的用户群体的历史业务请求数据;其中,所述用户的静态信息至少包括:年龄、身份、生活区域;
通过基于业务的协同滤波算法对所述用户群体的历史业务请求数据进行聚类分析,以根据所述用户群体的感兴趣业务场景推荐出所述数字服务终端的用户需要的业务场景。
可选地,在本说明书一个或多个实施例中,所述根据预先确定的待推送业务资讯信息,获取所述待推送业务资讯信息的关联业务资讯信息,具体包括:
选取所述待推送业务资讯信息中权重高的多个业务资讯信息;
基于余弦相似度计算公式,确定所述权重高的多个业务资讯信息与预设时间内的热点业务资讯信息之间的相似度;其中,所述热点业务资讯信息为预设时间内的访问数量大于预设阈值的其他业务场景下的业务资讯信息;
将相似度值低于预设阈值的热点业务资讯信息进行过滤,获得所述待推送业务资讯信息的邻居集合P;
基于预设的第一方式计算所述数字服务终端对所述邻居集合P中热点业务资讯信息的兴趣度值;
选取兴趣度值大于预设阈值的多个热点业务资讯信息组成兴趣集合Q,经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点业务资讯信息;
将所述推荐的热点业务资讯信息作为所述待推送业务资讯信息的关联业务资讯信息。
可选地,本说明书一个或多个实施例中,所述经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点资讯信息,具体包括:
根据预先建立的业务资讯模型,提取出兴趣集合Q的业务特征词;
将所述业务特征词映射到基于预设的第二方式建立的推送业务库,根据所述推送业务库确定所述业务特征词的位置;若所述推送业务库中没有所述业务特征词则将所述业务特征词添加到所述推送业务库中,得到扩展后的推送业务库;
在所述扩展后的推送业务库中,搜索所述业务特征词同一父类及相邻父类下的业务特征词,形成业务特征词集合;
根据所述业务特征词集合中的业务特征词,确定出对应的热点业务资讯信息合并到所述兴趣集合Q中,得到推荐的热点资讯信息。
可选地,本说明书一个或多个实施例中,所述根据所述反应数据对所述数字终端的用户进行意图特征挖掘,获取所述数字服务终端的用户的意图倾向数据具体包括:
对所述数字服务终端的反应数据进行预处理,获取所述反应数据中的关键数据;
根据预设的关键数据列表,获取所述关键数据对应的意图特征的权重值;其中,所述关键数据列表预先存储有所述关键数据及该关键数据对应的意图特征的权重值;
根据所述关键数据的个数以及所述关键数据对应的意图特征的权重值,获取所述意图特征的总权重值;
根据所述意图特征的总权重值进行排序,并选取预设数量的意图特征分析所述数字服务终端的意图特征分布;
根据所述数字服务终端的意图特征分布,进行特征提取与意图挖掘,以获取与所述反应数据相对应的意图倾向数据。
可选地,本说明书一个或多个实施例中,所述根据所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息对所述数字服务终端进行用户画像特征的提取,具体包括:
基于大数据互联网络爬取所述数字服务终端的历史行为数据,并基于数据库获取所述用户的注册信息;
根据预设时间过滤所述数字服务终端中的操作数据,获取所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息;
将所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息输入基于遗传算法的分类器中进行分类处理,获得所述数字服务终端的多维度用户标签;
根据所述多维度用户标签提取多个重要性用户标签作为所述用户的画像特征。
可选地,本说明书一个或多个实施例中,所述将所述用户画像特征及所述意图倾向数据输入与预先训练的所需神经网络模型,输出所述数字服务终端的目标业务标签之前,所述方法还包括:
收集各类应用场景下的数字服务终端的反应数据与历史行为数据进行分析,获取各类应用场景下的数字服务终端的用户画像与意图倾向数据;
将所述各类应用场景下的数字服务终端的用户画像与意图倾向数据作为训练集输入训练模型中;并获取不同数字服务终端的业务资讯列表和不同数字服务终端的业务资讯列表的业务标签,将所述业务资讯列表的业务标签作为期望输出标签输入训练模型中;
选择输出的标签与期望输出的所述业务资讯列表的业务标签误差率最小的训练模型,作为所需神经网络模型,以通过所述所需神经网络模型输出所述数字服务终端的目标业务标签。
可选地,本说明书一个或多个实施例中,所述基于所述目标业务资讯信息对所述用户服务终端进行推送策略的更新,具体包括:
获取所述数字服务终端与待推送业务资讯信息之间的初始业务信息推送策略;
获取所述初始业务信息推送策略下的业务资讯推送配置与每个业务资讯推送配置所关联的目标业务资讯信息的配置信息;
将所述目标业务资讯信息的配置信息覆盖配置与每个所述业务资讯推送配置,得到所述数字服务终端更新后的业务资讯信息推送策略。
另一方面,本说明书一个或多个实施例提供了一种基于云计算和大数据的信息推送服务器,所述信息推送服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个区块链节点通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行上述基于云计算和大数据的信息推送方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过对业务资讯信息的关联业务信息进行确认,丰富了业务资讯信息所涉及的业务场景,拓宽了客户可能感兴趣的业务,为客户提供了更加全面的信息推送,也增加了企业对潜在客户的业务利润。通过对实时反应数据分析获得的意图倾向数据,结合数字服务终端的历史画像可以对数字服务终端用户的可能涉及的业务进行预测更新,从而实时调整对所述数字服务终端的信息推送策略,使得信息推送更加精准,提升了数字服务终端用户的满意度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
在附图中:
图1为本说明书一个或多个实施例提供的一种基于云计算和大数据的信息推送系统的交互示意图;
图2为本说明书一个或多个实施例提供的一种基云计算和大数据的信息推送方法的方法流程示意图;
图3为本说明书一个或多个实施例提供的一种基于云计算和大数据的信息推送方法的区块链云中心的内部硬件结构示意图。
具体实施方式
本说明书实施例提供一种基于云计算和大数据的信息推送方法、装置、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
随着互联网技术与大数据算法的广泛运用,互联网的信息量与日俱增,海量的信息在满足人民对各种信息需求的同时,也造成了“信息泛滥”、“信息迷航”等问题。信息推荐是解决信息超载问题的一种非常有潜力的方法,它根据用户的兴趣利用一些算法,将用户感兴趣的内容推荐给用户。通过研究用户的兴趣偏好,进行个性化计算,发现用户的兴趣点,从而引导用户发现自己的相关需求。
目前很多用户接收到的提示信息,大部分针对性差,为广撒网形式,无法推送真正有用的信息给用户。由此造成推送的信息被访问次数少,也对服务器资源造成一定的浪费。此外多数推送方法通过对历史相关数据的采集,关注用户长期稳定的兴趣,虽然历史相关数据可以体现用户的长期兴趣但无法精确的满足用户的需求。可能会造成部分用户的业务流失问题。还存在对于数字服务终端请求的不同类型的业务服务场景,无法根据业务请求信息去有效结合业务服务场景的具体类型进行推荐,导致了信息推送的精确度较低。
为了解决上述问题,本说明书实施例提供了一种基于云计算和大数据的信息推送方法。通过分析待推荐业务资讯信息获取其关联业务资讯信息,扩展了推荐信息的内容。通过对数字服务终端对各业务资讯信息的反应数据进行分析可以获取用户的意图倾向数据,提升了用户的体验感,弥补了用户信息不易采集导致的信息缺失问题,提升了个性化信息推送的效率。基于用户画像与意图特征对数字服务终端进行目标业务资讯信息的分析,结合了用户画像中的长期历史数据与意图特征中的实时反映数据,更加精确的对所述数字服务终端的感兴趣业务资讯信息进行分析。通过及时更新推送,提升了推送信息的精确度与用户的体验度。通过对业务请求信息中关键词的分析筛选,过滤了不满足用户需求的业务资讯信息,解决了广泛性推送方式所导致的用户体验度低的问题。以下做详细说明。
图1是本说明书一种实施例提供的一种基于云计算和大数据的信息推送系统的交互示意图。用于基于云计算和大数据的信息推送系统可以包括区块链云中心100以及与区块链云中心通信连接的多个数字服务终端200。图1所示的用于基于云计算和大数据的信息推送系统仅为一种可行的示例图,在其他可行的实施例中该基于云计算和大数据的信息推送系统也可以仅包括图1所示组成部分的其中至少部分或者还可以包括其他可行组成部分。
本说明书一个或多个实施例中,数字服务终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中,移动设备可以包括物联网设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,物联网设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等,或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理、游戏设备等,或其任意组合。在一些实施例中,虚拟现实设备和增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和增强现实设备可以包括各种虚拟现实产品等。
本说明书一个或多个实施例中,基于云计算和大数据的信息推送系统中的区块链云中心100和多个数字服务终端200可以通过配合执行以下方法实施例所描述的基于云计算和大数据的信息推送方法,具体区块链云中心100和多个数字服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。如图2所示,本说明书一个或多个实施例提供了一种基于云计算和大数据的信息推送方法的方法流程示意图。
图2中的流程可以包括以下步骤:
S101:根据预先确定的待推送业务资讯信息,获取所述待推送业务资讯信息的关联业务资讯信息。
在本说明书一个或多个实施例中,所述获取所述待推送业务资讯信息之前,所述方法还包括:
在预设时间内获取所述数字服务终端的用户发送的业务请求信息,并根据所述业务请求信息获取所述用户的业务关键词集合;
对所述业务关键词集合中的关键词进行聚类分析,根据所述聚类结果确定所述业务关键词集合对应的业务场景;并依据业务场景条目与所述业务资讯信息之间的映射关系,获取与所述业务场景对应的业务资讯信息;
根据所述用户的历史反馈数据对所述业务资讯信息进行筛选,将上层显示时间低于预设阈值的业务资讯信息删除,以确定所述待推送业务资讯信息。
本实施例中,数字服务终端可以为用户提供便利的业务资讯信息推送服务,从而便于用户及时了解到相关业务的各类资讯信息及相关的服务使用信息。获取在预设时间中数字服务终端的用户所发送的业务请求信息,对业务请求信息进行关键词的提取并将关键词加入集合中,获得数字服务终端的用户所涉及的业务关键词集合。对关键词集合中的关键词基于常用的聚类分析算法如k-means对关键词进行聚类,或者基于Word2vec对关键词进行聚类确定出聚类后的集合所对应的业务场景,此处不对聚类的方式作出限制。
在进行聚类分析后可以得到该业务请求所对应的业务场景,而预先设置的业务场景条目中,包含有该业务场景下所涉及的业务服务以及业务服务设计的各类资讯政策等信息。根据业务场景条目中所涉及的业务服务与业务资讯信息之间的映射关系,可以得到对业务请求信息所对应的业务场景的业务资讯信息。通过对业务请求信息中的关键词进行聚类分析,能够根据业务请求信息有效结合业务场景的具体类型进行推荐,从而降低了广泛性推送信息,所导致的用户体验度低及用户流失的问题。
通过大数据对数字服务终端的用户的历史反馈数据进行检索,获取数字服务终端的用户在历史反馈数据中接收到业务资讯信息后,该业务资讯信息在上层页面的显示时间,若该业务资讯信息在上层页面的显示时间低于预设阈值,则说明数字服务终端的用户对该业务资讯信息不感兴趣,不会进行后续相关业务的进一步了解。例如:在根据用户的业务请求进行关键词聚类分析后,获得了该用户所处的业务场景为商品推荐购买的场景下,因此获得了该业务场景下的业务资讯信息。但是通过对该用户的历史反馈数据进行分析得到了,向用户推送了关于服饰商品的上架出售的资讯时,该用户的阅览时间即该业务资讯信息的页面在上层页面显示的时间仅为0.5s,则可以确定该用户对服饰商品上架出售的咨询并不感兴趣,不会激发后续的购买业务行为,甚至会导致用户对信息推送的反感,损害相关业务的潜在利润。所以,在进行推送时可以将该业务资讯信息进行删除。在将不感兴趣的业务资讯信息进行初步的删除后,可以确定出待推送的业务资讯信息。
在本说明书一个或多个实施例中,所述对所述业务关键词列表中的关键词进行聚类分析后,所述方法还包括:
若所述聚类结果不能显示具体的业务场景,则基于互联网提取与所述用户的静态信息相关联的用户群体的历史业务请求数据;其中,所述用户的静态信息至少包括:年龄、身份、生活区域;
通过基于业务的协同滤波算法对所述用户群体的历史业务请求数据进行聚类分析,以根据所述用户群体的感兴趣业务场景推荐出所述数字服务终端的用户需要的业务场景。
在根据数字服务终端的用户的业务请求信息进行关键词聚类分析时,可能存在业务请求信息描述不准确所导致的不能确定业务场景的情况存在。通过基于互联网提取数字服务终端的用户的年龄、身份、生活区域等静态信息,获取与所述静态信息相关联的用户群体的历史业务请求。例如:基于获得数字服务终端的用户的年龄为65岁,身份为退休体育教练,生活在某某地区。则可以基于区块链云中心获取与该用户的静态信息相同的一部分用户作为相关联的用户群体。基于业务的协同滤波对该用户群体的历史业务请求数据再进行聚类分析获得该用户群体的感兴趣业务场景推荐出数字金融服务终端的用户需要的业务场景。
其中需要说明的是,在对所述用户群体中的用户进行业务请求信息进行聚类分析后,根据所述聚类分析的结果,删除所述用户群体中兴趣模糊的用户得到目标用户群体。对目标用户的感兴趣业务场景进行权重分析,将所述感兴趣业务场景中权重高的作为数字金融终端需要的业务场景,再根据所述业务场景的条目与业务资讯信息的映射关系,获得所述数字服务终端的待推送业务资讯信息。通过将用户群体中兴趣模糊的用户除去,保留了兴趣突出的用户进行分析,提高了需求预测的准确性,从而在后续对数字服务终端的用户进行业务资讯信息推送时,被用户所接受的概率也得到提高。
在本说明书一个或多个实施例中,所述根据预先确定的待推送业务资讯信息,获取所述待推送业务资讯信息的关联业务资讯信息,具体包括:
选取所述待推送业务资讯信息中权重高的多个业务资讯信息;
基于余弦相似度计算公式,确定所述权重高的多个业务资讯信息与预设时间内的热点业务资讯信息之间的相似度;其中,所述热点业务资讯信息为预设时间内的访问数量大于预设阈值的其他业务场景下的业务资讯信息;
将相似度最高的预设数量的业务资讯进行筛选,获得所述待推送业务资讯信息的邻居集合P;
基于预设的第一方式计算所述数字服务终端对所述邻居集合P中热点业务资讯信息的兴趣度值;
选取兴趣度值大于预设阈值的多个热点业务资讯信息组成兴趣集合Q,经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点业务资讯信息;
将所述推荐的热点业务资讯信息作为所述待推送业务资讯信息的关联业务资讯信息。
在得到待推送业务资讯信息后,选取待推送业务资讯信息中权重高的多个业务资讯信息。其中,需要说明的是,所述待推送的业务资讯信息可以根据该业务资讯信息可以带来的后续收益进行权重划分。在现实生活中数字服务终端的用户在进行业务请求的同时或者一段时间内,各业务场景下会出现一些业务资讯信息受到大量用户进行访问的情况。例如:某段时间内可能受体育赛事或娱乐事件的影响,相关人员代言服饰的资讯信息或代言体育用品的资讯信息,作为商品销售场景下的业务资讯信息会被大量点击访问。此时将预设时间内的访问数量大于预设数字的业务资讯信息作为热点业务资讯信息。
通过余弦相似度计算方法,确定权重高的多个业务资讯信息与预设时间内的热点业务资讯信息之间的相似度。将相似度值低于预设阈值的热点业务资讯信息进行过滤,获得待推送业务资讯信息的邻居集合P。其中,需要说明的是所述邻居集合P是经过相似度计算后,将与所述数字服务终端的待推送业务资讯信息的相似度大于预设阈值的a个热点业务资讯信息筛选出来组成集合,作为待推送业务资讯信息的邻居集合P(p1,p2,......pa)。通过第一方式计算数字服务终端对邻居集合中的热点业务资讯信息的兴趣度值。在本说明书一个或多个实施例中预设的第一方式可以是基于加权平均值的计算方式,所述基于加权平均值的计算公式如下所示:
其中,表示业务场景m下对邻居集合中热点业务资讯信息的平均访问值,visitm,j表示业务场景m下各热点业务资讯信息的访问值;sim(i,j)表示热点业务资讯信息之间的相似度;P为所述待推送业务资讯信息的邻居集合。
在本说明书的一个或多个实施例中,通过第一方式计算数字服务终端对邻居集合中的热点业务资讯信息的兴趣度值,具体包括:预先获取邻居集合中的热点业务资讯信息的访问值及平均访问值;根据所述访问值及平均访问值确定所述邻居集合的热点业务资讯信息的加权访问值;将所述加权访问值作为权重因子来表示数字服务终端对邻居集合中热点业务资讯信息的兴趣度值。
根据预设的第一方式计算获得兴趣度值后,选择兴趣度值大于预设阈值的多个热点业务资讯信息组成兴趣集合Q,由此过滤兴趣度值低的热点资讯信息,减少冗余业务资讯信息进行传输时,占用宽带流量并且没有的后续业务行为导致成本损失的问题。
在本说明书一个或多个实施例中,所述经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点资讯信息具体包括:
根据预先建立的业务资讯模型,提取出兴趣集合Q的业务特征词;
将所述业务特征词映射到基于预设的第二方式建立的推送业务库,根据所述推送业务库确定所述业务特征词的位置;若所述推送业务库中没有所述业务特征词则将所述业务特征词添加到所述推送业务库中,得到扩展后的推送业务库;
在所述扩展后的推送业务库中,搜索所述业务特征词同一父类及相邻父类下的业务特征词,形成业务特征词集合;
根据所述业务特征词集合中的业务特征词,确定出对应的热点业务资讯信息合并到所述兴趣集合Q中,得到推荐的热点资讯信息。
经过待推送业务资讯信息预设的第二方式对兴趣集合Q进行分析,得到推荐的热点资讯信息。
经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点资讯信息包括:首先,根据预先建立的业务资讯模型提取出经过预设的第一方式获得的兴趣集合Q中的业务特征词。将得到的业务特征词映射到基于预设的第二方式所建立的推送业务库。
在本说明书一个或多个实施例中,预设的第二方式可以是基于本体模型的信息检索表示方法。其中,需要说明的是:本体模型是共享概念模型的明确的形式化的规范说明。本体模型以对某一特定领域知识的共同理解为目标,将对某一知识的理解总结成概念,并将其定义在树形结构的不同层次上。本体模型的信息检索表现形式是树状结构。以上层的父类为基础,逐渐具体化,扩展为多个子类。父类与子类之间通过各种关系建立联系,比如从属关系、父子关系等。基于本体的信息检索方式,最大程度上实现了资源的共享与重用,实现了不同资源信息类间概念本体的共享。
上述将基于第一方式得到的业务特征词映射到基于第二方式所建立的推送业务库中,以基于本体的信息检索方式作为与预设的第二方式为例,就是将业务特征词映射到基于本体的信息检索方式的本体库中,本体库中存储有与本体相关的各类业务特征词。
在业务特征词映射完成后,通过搜索可以找到该特征词在推送业务库即本体库中的位置。如果推送业务库中不存在该业务特征词,则将该业务特征词添加到推送业务库中,获得扩展后的推送业务库。然后在扩展后的推送业务库中,搜索该业务特征词同一父类以及相邻父类下的业务特征词,获得与该业务特征词相关联的业务特征词集合。根据业务特征词中的业务特征词找到与之对应的热点资讯信息合并到兴趣集合中,获得推荐的热点资讯信息。将获得的推荐热点业务资讯信息,作为待推送业务资讯信息的关联业务资讯信息,以进行后续操作。
通过对兴趣集合中业务特征词的分析,扩展了与业务特征词相关联的热点业务资讯信息。同时通过预设的第二方式对业务特征词在推送业务库中进行搜索,将感兴趣集合中业务特征词相关的热点资讯信息推送给数字服务终端,使其推送内容更为丰富,使得推送策略具有可扩展性,更能够满足数字服务终端用户的需求。
S102:根据所述关联业务资讯信息与所述待推送业务资讯信息的覆盖关联关系,建立所述多个数字服务终端对应的业务资讯信息关联集合。
根据上述步骤101可知基于预设的第一方式与预设的第一方式确定出了推荐的热点业务资讯信息作为待推送业务资讯信息的关联业务资讯信息。根据关联业务资讯信息和待推送业务资讯信息之间的覆盖关联关系,将覆盖掉的关联业务资讯信息或待推送业务资讯信息进行移除,并将没有覆盖掉的待推送业务资讯信息与关联业务资讯信息加入业务资讯信息关联集合,分别建立多个数字服务所对应的业务资讯信息关联集合。
S103:将所述业务资讯信息关联集合的各业务资讯信息,发送到对应的数字服务终端中,获取所述对应的数字服务终端对各业务资讯信息的反应数据;其中,所述反应数据为所述对应的数字服务终端获取所述业务资讯信息后预设时间内进行的业务操作数据。
根据上述步骤S102获取业务资讯信息关联集合后,将业务资讯信息关联集合中的业务资讯信息发送到对应的数字服务终端中。在数字服务终端获取到业务资讯信息之后会对该业务资讯信息做出系列反应,例如:划走该业务资讯信息、短暂阅览该业务资讯、详细阅读该业务资讯信息、根据该业务资讯信息进行对应的业务查询、根据该业务资讯信息进行对应的业务操作等。所以通过提取对应的数字服务终端得到业务资讯信息后,一段时间内进行的业务操作数据作为反应数据,可以确定对应的数字服务终端对所述业务资讯信息的实时反馈数据,以便后续根据该实时反馈数据来调整业务资讯的推送策略。通过获取预设时间段内数字服务终端对各业务资讯信息的反应数据,可以避免只依靠历史数据进行分析,造成的信息推送不精确的问题。
S104:根据所述反应数据对所述数字服务终端的用户进行意图特征挖掘,获取所述数字服务终端的用户的意图倾向数据。
在本说明书一个或多个实施例中,所述根据所述反应数据对所述数字终端的用户进行意图特征挖掘,获取所述数字服务终端的用户的意图倾向数据具体包括:
对所述数字服务终端的反应数据进行预处理,获取所述反应数据中的关键数据;
根据预设的关键数据列表,获取所述关键数据对应的意图特征的权重值;其中,所述关键数据列表预先存储有所述关键数据及该关键数据对应的意图特征的权重值;
根据所述关键数据的个数以及所述关键数据对应的意图特征的权重值,获取所述意图特征的总权重值;
根据所述意图特征的总权重值进行排序,并选取预设数量的意图特征分析所述数字服务终端的意图特征分布;
对所述意图特征分布进行特征提取并进行意图挖掘,以获取与所述反应数据相对应的意图倾向数据。
根据上述步骤S103获得数字服务终端对各业务资讯信息的反应数据后,通过对反应数据进行预处理,其中预处理可以是对所述反应数据中的描述信息进行替换,只保留所述反应数据中对业务资讯信息有意义的内容作为该反应数据的关键数据。在获取到关键数据列表后,根据预先设置的关键数据列表查找获取对应的意图特征的权重值。其中需要说明的是:关键数据列表中预先存储有关键数据及关键数据所对应的意图特征的权重值。在关键数据列表中每一个关键数据或者关键数据的组合,都会与数字服务终端的意图向对应。而因为数字服务终端的用户在对关联业务资讯信息集合中的各业务资讯信息所做出的的反应数据如:划走或关闭业务资讯信息、阅览业务资讯信息、查找与所述业务资讯信息相对应的业务都会为该反应数据中的关键数据赋予不同大小的权重值。
根据关键数据的数量以及所述关键数据所对应的意图特征的权重值,计算每个意图特征的总权重值。将意图特征的总权重值进行排序,根据排序选择预设数量的权重值高的意图特征分析所述数字服务终端的意图特征分布。根据所述数字服务终端的意图特征分布进行特征提取与意图挖掘,将提取与挖掘出的数据作为该数字服务终端的反应数据所对应的意图倾向数据。
S105:根据所述用户终端预设时间内的历史行为数据与所述用户的注册信息对所述数字服务终端进行用户画像特征的提取。
在本说明书一个或多个实施例中,所述根据所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息对所述数字服务终端进行用户画像特征的提取,具体包括:
基于大数据互联网络爬取所述数字服务终端的历史行为数据,并基于数据库获取所述用户的注册信息;
根据预设时间过滤所述数字服务终端中的操作数据,获取所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息;
对所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息输入预设的基于遗传算法的分类器中进行分类处理,获得所述数字服务终端的多维度用户标签;
根据所述多维度用户标签提取多个重要性用户标签作为所述用户的画像特征。
大数据时代最大的特点就是海量的数据,数据可以被充分的记录、传递与共享。因此基于大数据互联网可以提取数字服务终端的历史行为数据,而相关业务服务器的数据库也会记录下用户的注册信息,以及其他重要的用户静态信息。为了精准的对数字服务终端的用户进行刻画,根据预设的时间过滤掉数字服务终端中的操作数据,例如:根据业务的具体需要,过滤掉四个月之前数字服务终端的历史行为数据,以便更加精确的分析该数字服务终端的用户特征。将预设时间内的数字服务终端的历史行为数据,以及用户的注册信息输入预设的基于遗传算法的分类器中进行分类处理,得到数字服务终端的多维度用户标签。
其中,需要说明的是:在本说明书的一个或多个实施例中,所述对所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息输入基于遗传算法的分类器中进行分类处理,获得所述数字服务终端的多维度用户标签,具体包括:
基于数据标准化技术对所述历史行为数据与所述用户注册信息进行数据预处理,获得所述数字服务终端的初始业务分析数据;
通过基于核函数的主成分分析方式提取所述初始业务分析数据的非线性相关特征数据;将所述非线性相关特征数据作为基因输入遗传算法中,以根据所述遗传算法获得筛选后的业务非线性相关特征;
将所述业务非线性相关特征输入预先训练的多层分类器中,获得所述数字服务终端的多维度用户标签。
获得数字服务终端预设时间内的历史行为数据与所述用户的注册信息后,由于各数据的指标性质不同具有不同的量纲与数量级,如果使用原始数据进行分析,则会突出数值较高的数据在综合分析中的作用,削弱低数值的作用,因此未来保证结果的可靠性需要对获取后的数据进行数据标准化处理,获得数字服务终端的初始业务分析数据。其中,数据标准化处理方式可以选择:归一化处理技术、z-score标准化技术、min-max标准化技术等。
经过数据标准化处理的初始业务分析数据具有线性相关特征数据与非线性相关特征数据,为了避免对冗余数据的重复分析新型分类精确度,基于核函数的主成分分析方式将线性相关特征数据进行过滤,获得非线性相关特征数据。将过滤后的非线性相关特征数据作为基因输入遗传算法,获得经过遗传算法筛选的业务非线性相关特征。基于遗传算法替代传统优化算法解决了由单个初始值进行迭代求解时陷入局部最优解的问题。将优选后的业务非线性相关特征输入预先训练的多层分类器中,可以对各业务非线性相关特征进行分析,获得所述数字服务终端的多维度用户标签,以根据该多维度用户标签提取若干个重要性用户标签作为所述数字服务终端用户的画像特征。
S106:将所述用户画像特征及所述意图倾向数据输入到预先训练的所需神经网络模型,输出所述数字服务终端的目标业务标签,并根据所述目标业务标签在所述业务资讯信息关联集合中确定目标业务资讯信息。
在本说明书一个或多个实施例中,所述将所述用户画像特征及所述意图倾向数据输入与预先训练的学习模型,输出所述数字服务终端的目标业务标签之前,所述方法还包括:
收集各类应用场景下的数字服务终端的反应数据与历史行为数据进行分析,获取各类应用场景下的数字服务终端的用户画像与意图倾向数据;
将所述各类应用场景下的数字服务终端的用户画像与意图倾向数据作为训练集输入训练模型中;并获取不同数字服务终端的业务资讯列表和不同数字服务终端的业务资讯列表的业务标签,将所述业务资讯列表的业务标签作为期望输出标签输入训练模型中;
选择输出的标签与期望输出的所述业务资讯列表的业务标签误差率最小的训练模型,作为所需神经网络模型,以通过所述所需神经网络模型输出所述数字服务终端的目标业务标签。
基于互联网或数据库收集数字服务终端在各类业务场景下的反应数据和历史行为数据进行分析,从而获得各类应用场景下的数字服务终端的用户画像和意图倾向数据。将获取的各类应用场景下的数字服务终端的用户画像与意图倾向数据作为所需神经网络模型的训练样本输入到预设的训练模型中。同时,获取不同数字服务终端所对应的业务资讯列表和不同的数字服务终端的业务资讯列表中的业务标签,将其作为训练模型期望的输出结果输入到预设的训练模型中进行训练。
其中,需要说明的是,因为现实生活中某些业务会受到地域的辖制,因此为了更好的向数字服务终端进行信息推送,所述数字服务终端所对应的业务资讯列表是根据所述数字服务终端的用户所处区域来确定的。
经过训练后训练模型可以根据输入的数字服务终端的用户画像及意图倾向数据输出对应的业务标签,选择输出的标签与期望输出的业务资讯列表的业务标签误差率最小的模型作为所需神经网络模型,从而根据所需神经网络模型得到数字服务终端的目标业务标签。
S107:基于所述目标业务资讯信息对所述多个数字服务终端进行推送策略的更新。
在本说明书一个或多个实施例中,所述基于所述目标业务资讯信息对所述用户服务终端进行推送策略的更新,具体包括:
获取所述数字服务终端与待推送业务资讯信息之间的初始业务信息推送策略;
获取所述初始业务信息推送策略下的业务资讯推送配置与每个业务资讯推送配置所关联的目标业务资讯信息的配置信息;
将所述目标业务资讯信息的配置信息覆盖配置与每个所述业务资讯推送配置,得到所述数字服务终端更新后的业务资讯信息推送策略。
为了可以根据实时反应数据中的意图倾向数据与历史行为数据,对推送策略做出实时精确的更新调整,使得信息推送可以更加贴近对应的数字服务终端的用户需求。首先获取多个数字服务终端与待推送业务资讯信息之间的初始业务信息推送策略,获取初始业务信息推送策略下的业务资讯推送配置,和经过上述步骤分析获得的各个业务资讯信息所关联的目标业务资讯信息的推送配置,并将目标业务资讯信息的配置覆盖每个业务资讯信息的推送配置,获得更新后的目标业务资讯信息与对应的数字服务终端之间的推送策略。提高了信息推送的精确性且更贴近用户的需求,为相关业务增加了潜在利润。
如图3所示,本说明书一个或多个实施例中提供了一种基于云计算和大数据的信息推送方法的区块链云中心100的硬件结构示意图,如图3所示,云计算中心至少包括处理器301、机器可读存储介质302、总线303以及收发器304。在具体实现过程中,至少一个处理器301执行机器可读存储介质302存储的计算机可执行指令,以使处理器301可以执行如上方法实施例的基于云计算和大数据的信息推送方法,其中处理器301、机器可读存储介质302以及收发器304通过总线303连接,处理器301可以用于控制收发器304的收发动作,从而可以与前述的数字服务终端200进行数据收发。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于云计算和大数据的信息推送方法,其特征在于,应用于区块链云中心,所述区块链云中心与多个数字服务终端通信连接,所述方法包括:
根据预先确定的待推送业务资讯信息,获取所述待推送业务资讯信息的关联业务资讯信息;
根据所述关联业务资讯信息与所述待推送业务资讯信息的覆盖关联关系,建立所述多个数字服务终端对应的业务资讯信息关联集合;
将所述业务资讯信息关联集合的各业务资讯信息,发送到对应的数字服务终端中,获取所述对应的数字服务终端对各业务资讯信息的反应数据;其中,所述反应数据为所述对应的数字服务终端获取所述业务资讯信息后预设时间内进行的业务操作数据;
根据所述反应数据对所述对应的数字服务终端的用户进行意图特征挖掘,获取所述数字服务终端的用户的意图倾向数据;
根据所述用户终端预设时间内的历史行为数据与所述用户的注册信息对所述数字服务终端进行用户画像特征的提取;
将所述用户画像特征及所述意图倾向数据输入到预先训练的神经网络模型,输出所述数字服务终端的目标业务标签,并根据所述目标业务标签在所述业务资讯信息关联集合中确定目标业务资讯信息;
基于所述目标业务资讯信息对所述多个数字服务终端进行推送策略的更新。
2.根据权利要求1所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述获取所述待推送业务资讯信息之前,所述方法还包括:
在预设时间内获取所述数字服务终端的用户发送的业务请求信息,并根据所述业务请求信息获取所述用户的业务关键词集合;
对所述业务关键词集合中的关键词进行聚类分析,根据所述聚类结果确定所述业务关键词集合对应的业务场景;并依据业务场景条目与所述业务资讯信息之间的映射关系,获取与所述业务场景对应的业务资讯信息;
根据所述用户的历史反馈数据对所述业务资讯信息进行筛选,将上层显示时间低于预设阈值的业务资讯信息删除,以确定所述待推送业务资讯信息。
3.根据权利要求2所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述对所述业务关键词列表中的关键词进行聚类分析后,所述方法还包括:
若所述聚类结果不能显示具体的业务场景,则基于互联网提取与所述用户的静态信息相关联的用户群体的历史业务请求数据;其中,所述用户的静态信息至少包括:年龄、身份、生活区域;
通过基于业务的协同滤波算法对所述用户群体的历史业务请求数据进行聚类分析,以根据所述用户群体的感兴趣业务场景推荐出所述数字服务终端的用户需要的业务场景。
4.根据权利要求1所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述根据预先确定的待推送业务资讯信息,获取所述待推送业务资讯信息的关联业务资讯信息,具体包括:
选取所述待推送业务资讯信息中权重高的多个业务资讯信息;
基于余弦相似度计算公式,确定所述权重高的多个业务资讯信息与预设时间内的热点业务资讯信息之间的相似度;其中,所述热点业务资讯信息为预设时间内的访问数量大于预设阈值的其他业务场景下的业务资讯信息;
将相似度值低于预设阈值的热点业务资讯信息进行过滤,获得所述待推送业务资讯信息的邻居集合P;
基于预设的第一方式计算所述数字服务终端对所述邻居集合P中热点业务资讯信息的兴趣度值;
选取兴趣度值大于预设阈值的多个热点业务资讯信息组成兴趣集合Q,经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点业务资讯信息;
将所述推荐的热点业务资讯信息作为所述待推送业务资讯信息的关联业务资讯信息。
5.根据权利要求4所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述经过所述待推送业务资讯信息预设的第二方式对所述兴趣集合Q进行分析,得出推荐的热点资讯信息,具体包括:
根据预先建立的业务资讯模型,提取出兴趣集合Q的业务特征词;
将所述业务特征词映射到基于预设的第二方式建立的推送业务库,根据所述推送业务库确定所述业务特征词的位置;若所述推送业务库中没有所述业务特征词则将所述业务特征词添加到所述推送业务库中,得到扩展后的推送业务库;
在所述扩展后的推送业务库中,搜索所述业务特征词同一父类及相邻父类下的业务特征词,形成业务特征词集合;
根据所述业务特征词集合中的业务特征词,确定出对应的热点业务资讯信息合并到所述兴趣集合Q中,得到推荐的热点资讯信息。
6.根据权利要求1所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述根据所述反应数据对所述数字终端的用户进行意图特征挖掘,获取所述数字服务终端的用户的意图倾向数据具体包括:
对所述数字服务终端的反应数据进行预处理,获取所述反应数据中的关键数据;
根据预设的关键数据列表,获取所述关键数据对应的意图特征的权重值;其中,所述关键数据列表预先存储有所述关键数据及该关键数据对应的意图特征的权重值;
根据所述关键数据的个数以及所述关键数据对应的意图特征的权重值,获取所述意图特征的总权重值;
根据所述意图特征的总权重值进行排序,并选取预设数量的意图特征分析所述数字服务终端的意图特征分布;
根据所述数字服务终端的意图特征分布,进行特征提取与意图挖掘,以获取与所述反应数据相对应的意图倾向数据。
7.根据权利要求1所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述根据所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息对所述数字服务终端进行用户画像特征的提取,具体包括:
基于大数据互联网络爬取所述数字服务终端的历史行为数据,并基于数据库获取所述用户的注册信息;
根据预设时间过滤所述数字服务终端中的操作数据,获取所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息;
将所述数字服务终端预设时间内的历史行为数据与所述用户的注册信息输入基于遗传算法的分类器中进行分类处理,获得所述数字服务终端的多维度用户标签;
根据所述多维度用户标签提取多个重要性用户标签作为所述用户的画像特征。
8.根据权利要求1所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述将所述用户画像特征及所述意图倾向数据输入与预先训练的所需神经网络模型,输出所述数字服务终端的目标业务标签之前,所述方法还包括:
收集各类应用场景下的数字服务终端的反应数据与历史行为数据进行分析,获取各类应用场景下的数字服务终端的用户画像与意图倾向数据;
将所述各类应用场景下的数字服务终端的用户画像与意图倾向数据作为训练集输入训练模型中;并获取不同数字服务终端的业务资讯列表和不同数字服务终端的业务资讯列表的业务标签,将所述业务资讯列表的业务标签作为期望输出标签输入训练模型中;
选择输出的标签与期望输出的所述业务资讯列表的业务标签误差率最小的训练模型,作为所需神经网络模型,以通过所述所需神经网络模型输出所述数字服务终端的目标业务标签。
9.根据权利要求1所述的一种基于云计算和大数据的信息推送方法,其特征在于,所述基于所述目标业务资讯信息对所述用户服务终端进行推送策略的更新,具体包括:
获取所述多个数字服务终端与待推送业务资讯信息之间的初始业务信息推送策略;
获取所述初始业务信息推送策略下的业务资讯信息的推送配置,与每个业务资讯信息所关联的目标业务资讯信息的推送配置;
将所述目标业务资讯信息的推送配置覆盖于每个所述业务资讯信息的推送配置,得到所述数字服务终端更新后的业务资讯信息推送策略。
10.一种基于云计算和大数据的信息推送服务器,其特征在于,所述信息推送服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个区块链节点通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行权利要求1-9中任意一项的基于云计算和大数据的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028203.6A CN114371946B (zh) | 2022-01-11 | 2022-01-11 | 基于云计算和大数据的信息推送方法及信息推送服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028203.6A CN114371946B (zh) | 2022-01-11 | 2022-01-11 | 基于云计算和大数据的信息推送方法及信息推送服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114371946A true CN114371946A (zh) | 2022-04-19 |
CN114371946B CN114371946B (zh) | 2023-04-18 |
Family
ID=81143538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210028203.6A Active CN114371946B (zh) | 2022-01-11 | 2022-01-11 | 基于云计算和大数据的信息推送方法及信息推送服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114371946B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996589A (zh) * | 2022-08-02 | 2022-09-02 | 八爪鱼人工智能科技(常熟)有限公司 | 基于防疫大数据的线上资讯推送方法及系统 |
CN116755890A (zh) * | 2023-08-16 | 2023-09-15 | 国网浙江省电力有限公司 | 基于大数据平台的多场景业务数据协同处置方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294730A (zh) * | 2016-08-09 | 2017-01-04 | 百度在线网络技术(北京)有限公司 | 资讯信息的推荐方法及装置 |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN107343036A (zh) * | 2017-06-30 | 2017-11-10 | 广州优视网络科技有限公司 | 信息推送方法、装置及服务器 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
US20210092195A1 (en) * | 2019-09-20 | 2021-03-25 | Baidu Online Network Technology (Beijing) Co., Ltd. | Information push method and device |
CN113051346A (zh) * | 2020-09-15 | 2021-06-29 | 卢霞浩 | 基于云计算的热点信息处理方法及区块链金融云中心 |
CN113051344A (zh) * | 2020-09-15 | 2021-06-29 | 卢霞浩 | 基于云计算和大数据的信息推送方法及信息推送系统 |
CN113609271A (zh) * | 2021-08-11 | 2021-11-05 | 平安科技(深圳)有限公司 | 基于知识图谱的业务处理方法、装置、设备及存储介质 |
-
2022
- 2022-01-11 CN CN202210028203.6A patent/CN114371946B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN106294730A (zh) * | 2016-08-09 | 2017-01-04 | 百度在线网络技术(北京)有限公司 | 资讯信息的推荐方法及装置 |
CN107343036A (zh) * | 2017-06-30 | 2017-11-10 | 广州优视网络科技有限公司 | 信息推送方法、装置及服务器 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
US20210092195A1 (en) * | 2019-09-20 | 2021-03-25 | Baidu Online Network Technology (Beijing) Co., Ltd. | Information push method and device |
CN113051346A (zh) * | 2020-09-15 | 2021-06-29 | 卢霞浩 | 基于云计算的热点信息处理方法及区块链金融云中心 |
CN113051344A (zh) * | 2020-09-15 | 2021-06-29 | 卢霞浩 | 基于云计算和大数据的信息推送方法及信息推送系统 |
CN113609271A (zh) * | 2021-08-11 | 2021-11-05 | 平安科技(深圳)有限公司 | 基于知识图谱的业务处理方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996589A (zh) * | 2022-08-02 | 2022-09-02 | 八爪鱼人工智能科技(常熟)有限公司 | 基于防疫大数据的线上资讯推送方法及系统 |
CN114996589B (zh) * | 2022-08-02 | 2022-10-21 | 八爪鱼人工智能科技(常熟)有限公司 | 基于防疫大数据的线上资讯推送方法及系统 |
CN116755890A (zh) * | 2023-08-16 | 2023-09-15 | 国网浙江省电力有限公司 | 基于大数据平台的多场景业务数据协同处置方法及系统 |
CN116755890B (zh) * | 2023-08-16 | 2023-10-24 | 国网浙江省电力有限公司 | 基于大数据平台的多场景业务数据协同处置方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114371946B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Comsoc: adaptive transfer of user behaviors over composite social network | |
CN105224699B (zh) | 一种新闻推荐方法及装置 | |
CN108885624B (zh) | 信息推荐系统及方法 | |
WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
Tian et al. | What and how long: Prediction of mobile app engagement | |
CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
KR20220076012A (ko) | B2b 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템 | |
CN113515690A (zh) | 内容召回模型的训练方法、内容召回方法、装置及设备 | |
CN113111250A (zh) | 业务推荐方法、装置、相关设备及存储介质 | |
CN112685635A (zh) | 基于分类标签的项目推荐方法、装置、服务器和存储介质 | |
CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
Duan et al. | A hybrid intelligent service recommendation by latent semantics and explicit ratings | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
Gu et al. | An effective news recommendation method for microblog user | |
CN113961811B (zh) | 基于事件图谱的话术推荐方法、装置、设备及介质 | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
CN115062215A (zh) | 多媒体内容推荐方法、装置及存储介质 | |
CN113946753A (zh) | 基于位置围栏的服务推荐方法、装置、设备及存储介质 | |
CN111522747A (zh) | 一种应用程序的处理方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230324 Address after: Room 905, 9th Floor, 26th Floor, Anzhen Xili Third District, Chaoyang District, Beijing, 100020 Applicant after: Beijing Zhongshuruizhi Technology Co.,Ltd. Address before: 310051 room 30134, floor 3, No. 1040, Yueming Road, Changhe street, Binjiang District, Hangzhou, Zhejiang Province (self declaration) Applicant before: Qizhiyan data technology (Zhejiang) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |