CN116450982A - 一种基于云服务推送的大数据分析方法及系统 - Google Patents

一种基于云服务推送的大数据分析方法及系统 Download PDF

Info

Publication number
CN116450982A
CN116450982A CN202310410360.8A CN202310410360A CN116450982A CN 116450982 A CN116450982 A CN 116450982A CN 202310410360 A CN202310410360 A CN 202310410360A CN 116450982 A CN116450982 A CN 116450982A
Authority
CN
China
Prior art keywords
data
user
value
preference
behavior
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.)
Withdrawn
Application number
CN202310410360.8A
Other languages
English (en)
Inventor
王亚婷
张楠
黄天兰
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202310410360.8A priority Critical patent/CN116450982A/zh
Publication of CN116450982A publication Critical patent/CN116450982A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分析技术，揭露了一种基于云服务推送的大数据分析方法及系统，该方法包括：提取推送云数据中的数据主成分，根据数据主成分将推送云数据推送至目标用户；根据推送云数据提取目标用户的反馈行为数据，根据反馈行为数据计算目标用户的行为值；根据行为值确定目标用户的兴趣信息，根据兴趣信息对历史用户画像进行优化，得到目标用户的优化用户画像；计算用户偏好画像标签的标签偏好权重，根据用户偏好画像标签及标签偏好权重构建用户消息偏好预测模型；利用用户消息偏好预测模型计算优化用户画像的消息偏好值，根据消息偏好值确定目标用户的消息偏好服务。本发明可以提高云服务推送时的大数据分析的精确度。

Description

一种基于云服务推送的大数据分析方法及系统
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于云服务推送的大数据分析方法及系统。
背景技术
随着互联网的发展，云计算、大数据技术也逐渐兴起，各行各业的发展都朝着互联网服务模式转变，针对云服务可以对用户进行消息推送，但为了给用户更好的消息了解体验，提高消息推送的准确性，需要对消息推送之后的用户行为数据进行分析。
现有的云服务推送的大数据分析技术是基于用户自身喜好进行订阅，从而通过部署的云服务向关联的目标用户推送云服务内容，进而对推送之后的数据进行分析。实际应用中，云服务订阅判定逻辑单一，可能导致对用户消息推送的准确性过低，从而对进行云服务推送时的大数据分析的精确度较低。
发明内容
本发明提供一种基于云服务推送的大数据分析方法及系统，其主要目的在于解决进行云服务推送时的大数据分析的精确度较低的问题。
为实现上述目的，本发明提供的一种基于云服务推送的大数据分析方法，包括：
S1、获取云平台中的推送云数据，提取所述推送云数据中的数据主成分，利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户；
S2、根据所述推送云数据提取所述目标用户的反馈行为数据，利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值；
S3、根据所述行为值确定所述目标用户的兴趣信息，根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像；
S4、利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型，其中所述根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型，包括：
S41、获取所述用户偏好画像标签的标签数据类型；
S42、根据所述标签偏好权重及所述标签数据类型对应的类型参数构建用户消息偏好预测模型，其中所述用户消息偏好预测模型为：
其中，R为所述用户消息偏好预测模型的偏好值，为所述类型参数中字符型数据对应的标签偏好权重，/>为所述类型参数中布尔型数据对应的标签偏好权重，/>为所述类型参数中文本型数据对应的标签偏好权重，B(ua,cb)代表的是用户消息偏好分析群体对象中的用户ua是否具有cb权重，M是用户偏好画像标签的类型总数,w(cb)为用户消息偏好分析群体对象中的第b个对象的权重，D(u,ua)为用户u与用户ua之间的相似度，w(ck)为用户消息偏好分析群体对象中的第k个对象的权重；
S5、利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，根据所述消息偏好值确定所述目标用户的消息偏好服务。
可选地，所述提取所述推送云数据中的数据主成分，包括：
根据预设的数据类型对所述推送云数据进行类型划分，得到划分云数据；
对所述划分云数据进行数据量化，得到量化云数据；
利用如下的偏移量计算公式根据预设的量化权重值计算所述量化云数据的偏移值：
pi＝|Xi-μ|
其中，pi为第i个量化云数据的偏移值，Xi为第i个量化云数据的量化值，μ为所述量化权重值；
汇集所述偏移值为偏移向量，将所述偏移向量作为所述推送云数据中的数据主成分。
可选地，所述利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户，包括：
根据所述数据主成分计算所述推送云数据的异构特征值，其中所述异构特征值计算公式为：
其中，V为所述异构特征值，Xi为第i个量化云数据的量化值，μ为所述量化权重值，T为转置符号，N为量化云数据的数量；
当所述异构特征值大于或等于预设的异构阈值时，利用所述第一推送算法中的消息队列传输协议将所述推送云数据推送至预设的目标用户；
当所述异构特征值小于预设的异构阈值时，利用所述第一推送算法中的第三方平台将所述推送云数据推送至预设的目标用户。
可选地，所述根据所述推送云数据提取所述目标用户的反馈行为数据，包括：
获取所述推送云数据的数据推送时间；
根据所述数据推送时间计算所述目标用户对所述推送云数据的关注数据；
根据所述关注数据确定所述目标用户的反馈行为数据。
可选地，所述利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值，包括：
利用所述行为衡量算法根据所述反馈行为数据计算所述目标用户的行为实时流量，其中，所述行为衡量算法为：
其中，Qk为所述反馈行为数据中第k个行为数据的行为实时流量，log为对数函数，ak为第k个行为数据的浏览时长、bk为第k个行为数据的点击率、ck为第k个行为数据的跳出率，δ为所述反馈行为数据中的行为修正因子，n为所述反馈行为数据中行为数据的数量；
根据所述行为实时流量及预设的时间戳确定所述目标用户的行为值。
可选地，所述根据所述行为值确定所述目标用户的兴趣信息，包括：
获取所述目标用户的历史浏览行为数据；
利用所述行为衡量算法根据所述历史浏览行为数据计算所述目标用户的历史行为值；
当所述行为值大于或等于所述历史行为值时，将所述行为值对应的行为内容确定为所述目标用户的兴趣信息。
可选地，所述根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像，包括：
获取所述历史用户画像的标签属性，根据预设的标签层次对所述标签属性进行赋值，得到标签数值属性；
对所述兴趣信息进行赋值，得到兴趣数值，将所述兴趣数值逐一添加至所述标签数值属性中，得到更新标签数值属性；
利用预设的优化算法计算所述标签数值属性的第一优化值，其中，所述优化算法为：
其中，ηj为第j个标签数值属性的第一优化值，为第j个标签数值属性中标签评分最大值，/>为第j个标签数值属性中标签评分最小值，gj为第j个标签数值属性中标签评分值，/>为所述标签数值属性的优化因子；
利用所述优化算法计算所述更新标签数值属性的第二优化值；
计算所述第一优化值与所述第二优化值的优化差值，选取所述优化差值最大的标签属性对所述历史用户画像进行优化，得到所述目标用户的优化用户画像。
可选地，所述利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，包括：
利用预设的层次分析法计算所述用户偏好画像标签的主观权重；
利用预设的变异系数算法计算所述用户偏好图像标签的客观权重；
通过所述组合权重算法根据所述主观权重及所述客观权重计算所述用户偏好画像标签的标签偏好权重，其中，所述组合权重算法为：
其中，Wh为第h个用户偏好画像标签的标签偏好权重，W1h为第h个用户偏好画像标签的主观权重，W2h为第h个用户偏好画像标签的客观权重，m为所述用户偏好画像标签的标签数量。
可选地，所述利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，包括：
通过预设的层次分析法确定所述优化用户画像的优化画像标签权重；
利用预设的相似度算法计算所述优化用户画像与所述历史用户画像的相似度；
利用所述用户消息偏好预测模型根据所述优化画像标签权重及所述相似度计算所述用户画像的消息偏好值。
为了解决上述问题，本发明还提供一种基于云服务推送的大数据分析系统，所述系统包括数据推送模块、行为值计算模块、用户画像优化模块、用户消息偏好预测模型构建模块、消息偏好服务确定模块，其中，
所述数据推送模块，用于获取云平台中的推送云数据，提取所述推送云数据中的数据主成分，利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户；
所述行为值计算模块，用于根据所述推送云数据提取所述目标用户的反馈行为数据，利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值；
所述用户画像优化模块，用于根据所述行为值确定所述目标用户的兴趣信息，根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像；
所述用户消息偏好预测模型构建模块，用于利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型；
所述消息偏好服务确定模块，用于利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，根据所述消息偏好值确定所述目标用户的消息偏好服务。
本发明实施例通过对推送云数据中数据主成分的异构数据及同构数据进行分析确定数推送云数据的异构程度，进而根据异构程度采用不同的推送算法将数据推送至目标用户，可以提高云数据推送的效率；对推送云数据提取目标用户的反馈行为数据，进而根据反馈行为数据计算目标用户的行为值，有利于确定目标用户感兴趣的推送消息；根据行为值构建优化用户画像，可以更全面的刻画目标用户对于推荐消息的感兴趣内容；进而根据用户偏好画像标签及标签偏好权重构建用户消息偏好预测模型，进而根据用户消息偏好预测模型计算优化用户画像的消息偏好值，根据消息偏好值确定目标用户的消息偏好服务，有利于提高消息推送的精准度。因此本发明提出的基于云服务推送的大数据分析方法及系统，可以解决进行云服务推送时的大数据分析的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于云服务推送的大数据分析方法的流程示意图；
图2为本发明一实施例提供的提取数据主成分的流程示意图；
图3为本发明一实施例提供的提取反馈行为的流程示意图；
图4为本发明一实施例提供的基于云服务推送的大数据分析系统的功能模块图。
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。
本申请实施例提供一种基于云服务推送的大数据分析方法。所述基于云服务推送的大数据分析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申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于云服务推送的大数据分析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 DeliveryNetwork，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基于云服务推送的大数据分析方法的流程示意图。在本实施例中，所述基于云服务推送的大数据分析方法包括：
S1、获取云平台中的推送云数据，提取所述推送云数据中的数据主成分，利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户；
本发明实施例中，所述推送云数据是指通过多个云平台所获取的推送消息，但在推送消息中存在异构性问题，导致在推送时效率较低，甚至在面对异构数据时，因此，在进行数据推送前，需要将云数据中的异构数据与同构数据区分，进而选择一个合适的推送方式是必要的。
详细地，可通过具有数据抓取功能的计算机语句(如Java语句，Python语句等)获取云平台中的推送云数据。
本发明实施例中，所述数据主成分是指推送云数据中的异构数据成分及同构数据成分，利用分布在不同云服务器上的云数据来得到数据的主成分。
本发明实施例中，参图2所示，所述提取所述推送云数据中的数据主成分，包括：
S21、根据预设的数据类型对所述推送云数据进行类型划分，得到划分云数据；
S22、对所述划分云数据进行数据量化，得到量化云数据；
S23、利用如下的偏移量计算公式根据预设的量化权重值计算所述量化云数据的偏移值：
pi＝|Xi-μ|
其中，pi为第i个量化云数据的偏移值，Xi为第i个量化云数据的量化值，μ为所述量化权重值；
S24、汇集所述偏移值为偏移向量，将所述偏移向量作为所述推送云数据中的数据主成分。
详细地，推送云数据中的数据类型包括字符型数据、布尔型数据、文本型数据，数值型等。按照所述数据类型将推送云数据中的数据按照字符型、布尔型、文本型、数据型将数据进行分类，以得到划分云数据。以及将划分云数据中的数据进行数值量化，用数值表示划分云数据中的每个数据，便于后续对云数据中的数据主成分进行分析。
具体地，所述量化权重值是根据不同的系统得到的取值评估范围，以此确定量化权重值。将量化云数据的量化值与预设的量化权重值进行比较，以此确定每个量化云数据的偏移值，进而按照数据类型将所有的偏移值汇集为篇予以向量，用偏移向量表示推送云数据中的主成分，如S＝[p1,p2,…,pn]，其中，pn表示第n个量化云数据的偏移值，S表示偏移向量。
进一步地，根据所述数据主成分可以判断出云数据中的异构数据及同构数据，进而根据数据主成分选择合适的推送算法将数据推送至目标用户。
本发明实施例中，所述第一推送算法包括MQTT(消息队列传输协议)、第三方云推送服务，其中MQTT是一种基于客户端服务端架构的发布/订阅的消息传输协议；第三方云推送服务是调用互联网公开的云推送服务，如手机厂商、第三方平台类。
本发明实施例中，所述利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户，包括：
根据所述数据主成分计算所述推送云数据的异构特征值，其中所述异构特征值计算公式为：
其中，V为所述异构特征值，Xi为第i个量化云数据的量化值，μ为所述量化权重值，T为转置符号，N为量化云数据的数量；
当所述异构特征值大于或等于预设的异构阈值时，利用所述第一推送算法中的消息队列传输协议将所述推送云数据推送至预设的目标用户；
当所述异构特征值小于预设的异构阈值时，利用所述第一推送算法中的第三方平台将所述推送云数据推送至预设的目标用户。
详细地，所述异构特征值V是反映推送云数据的数据异构程度，即异构特征值越大，数据异构程度就越大，推送云数据中的异构数据就越多；异构特征值越小，数据异构程度就越小，推送云数据中的异构数据就越少。进而根据数据异构程度判别推送云数据中的数据异构程度，从而可以更准确的选择最佳的推送算法将推送云数据推送至目标用户。
具体地，当所述异构特征值小于预设的异构阈值时，表示推送云数据中为多源同构数据，则选用第一推送算法中的MQTT(消息队列传输协议)将推送云数据推送至目标用户；当所述异构特征值大于或等于预设的异构阈值时，表示推送云数据中包含多源异构数据，由于异构数据推送的计算量比较大，对网络要求也较高，MQTT传输协议已经不再适合，因此，利用第一推送算法中的第三方云推送服务将推动云数据推送至目标用户。第三方平台的消息推送服务完全免费，可以零成本使用，并拥有强大的服务器集群，具有极高的吞吐能力，用户订阅的消息能以更快的速度送达用户端。
进一步地，将推送云数据推送至目标用户后，目标用户会对推送数据做出反馈，因此，可根据用户的反馈行为获取用户的感兴趣内容。
S2、根据所述推送云数据提取所述目标用户的反馈行为数据，利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值；
本发明实施例中，所述反馈行为数据是指用户对推动云数据中的消息进行浏览时长、点击率、跳出率或者毫不关注，其中点击率是指页面上某一内容被点击的次数与被显示次数的百分比；跳出率是指用户浏览一个页面离开的访问次数与所有访问次数的百分比。
本发明实施例中，参图3所示，所述根据所述推送云数据提取所述目标用户的反馈行为数据，包括：
S31、获取所述推送云数据的数据推送时间；
S32、根据所述数据推送时间计算所述目标用户对所述推送云数据的关注数据；
S33、根据所述关注数据确定所述目标用户的反馈行为数据。
详细地，所述数据推送时间是指云服务将推送消息推送至目标用户的时间，进而根据所述数据推送时间计算所述目标用户对推送云数据的浏览时长、点击率、跳出率，其中所述关注数据包括浏览时长，进而根据关注数据确定所述目标用户的反馈行为数据，即根据浏览时长确定目标用户的反馈行为数据。
示例性地，若在推送云数据中包括三条推送消息，根据三条推送消息的数据推送时间计算目标用户对三条推送消息的关注度，即计算目标用户在三条推送消息的浏览时长，如目标用户在第一条推送消息上的浏览时长为5分钟，在第二条推送消息上的浏览时长为8分钟，在第三条推送消息上的浏览时长为30秒，则用户在第一条推送消息上的反馈行为数据为{5，30％，50％}，其中浏览时长为5分钟，点击率为30％，跳出率为50％。
进一步地，根据目标用户的反馈行为数据，进而对目标用户在不同推送消息中的行为值，可以根据行为值统计出目标用户感兴趣的消息内容。
本发明实施例中，所述行为衡量算法是对目标用户对于推送消息的行为进行统计，如对目标用户的浏览行为、跳出行为、点击行为进行统计，从而根据行为衡量算法中行为值的计算公式计算目标用户的行为值。
本发明实施例中，所述利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值，包括：
利用所述行为衡量算法根据所述反馈行为数据计算所述目标用户的行为实时流量，其中，所述行为衡量算法为：
其中，Qk为所述反馈行为数据中第k个行为数据的行为实时流量，log为对数函数，ak为第k个行为数据的浏览时长、bk为第k个行为数据的点击率、ck为第k个行为数据的跳出率，δ为所述反馈行为数据中的行为修正因子，n为所述反馈行为数据中行为数据的数量；
根据所述行为实时流量及预设的时间戳确定所述目标用户的行为值。
详细地，根据所述反馈行为数据计算目标用户的行为实时流量，所述行为实时流量是指根据目标用户对推送消息的浏览行为或点击行为进行推送消息的实时流量统计，其中所述行为衡量算法中的δ为所述反馈行为数据中的行为修正因子，当监测到目标用户一直停留在某一个页面上的一个位置，可能目标用户或许不是感兴趣的内容，只是临时有事情，此时就需要利用δ对反馈行为数据进行行为修正，即将目标用户的浏览时间设置为零，则δ一般取值为零，用于对异常浏览情况进行修正，可以提高用户的行为实时流量统计的准确性。
具体地，所述时间戳是在统计目标用户的行为实时流量时，所设定的统计时间，进而在统计时间段内，将行为实时流量作为所述目标用户的行为值。如时间戳的时间是10分钟，则在10分钟内统计每个推送消息的行为实时流量，并将行为实时流量作为目标用户对每个推送消息的行为值。
进一步地，根据目标用户的行为值可以确定目标用户相对感兴趣的推送消息，进而可以更精准的推送消息至目标用户。
S3、根据所述行为值确定所述目标用户的兴趣信息，根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像；
本发明实施例中，所述兴趣信息是根据目标用户的行为值所选取的，选取行为值较大的推送消息作为目标用户的兴趣信息。
本发明实施例中，所述根据所述行为值确定所述目标用户的兴趣信息，包括：
获取所述目标用户的历史浏览行为数据；
利用所述行为衡量算法根据所述历史浏览行为数据计算所述目标用户的历史行为值；
当所述行为值大于或等于所述历史行为值时，将所述行为值对应的行为内容确定为所述目标用户的兴趣信息。
详细地，所述历史浏览行为数据是针对以往的消息推送，目标用户对于历史消息推送的浏览行为数据，其中，可通过具有数据抓取功能的计算机语句(如Java语句、Python语句等)获取所述目标用户的历史浏览行为数据。
具体地，所述历史行为值是指目标用户对历史浏览行为数据的行为实时流量，其中所述利用所述行为衡量算法根据所述历史浏览行为数据计算所述目标用户的历史行为值与S2中所述利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值步骤一致，在此不再赘述。
进一步地，当所述行为值大于或等于所述历史行为值时，表示目标用户所对应的行为内容为目标用户的兴趣信息。如目标用户的历史浏览行为数据对应的历史行为值包括旅游为30，阅读为40，财经为50，美食为60，而目标用户的当前的行为数据对应的行为值为旅游为50，阅读为50，财经为40，美食为60，则将旅游、阅读、美食作为所述目标用户的兴趣信息。
本发明实施例中，用户的兴趣爱好可能会改变，在确定用户的兴趣信息时，将用户的历史用户画像进行优化，以便对用户进行更准确的消息推送。
本发明实施例中，所述根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像，包括：
获取所述历史用户画像的标签属性，根据预设的标签层次对所述标签属性进行赋值，得到标签数值属性；
对所述兴趣信息进行赋值，得到兴趣数值，将所述兴趣数值逐一添加至所述标签数值属性中，得到更新标签数值属性；
利用预设的优化算法计算所述标签数值属性的第一优化值，其中，所述优化算法为：
其中，ηj为第j个标签数值属性的第一优化值，为第j个标签数值属性中标签评分最大值，/>为第j个标签数值属性中标签评分最小值，gj为第j个标签数值属性中标签评分值，/>为所述标签数值属性的优化因子；
利用所述优化算法计算所述更新标签数值属性的第二优化值；
计算所述第一优化值与所述第二优化值的优化差值，选取所述优化差值最大的标签属性对所述历史用户画像进行优化，得到所述目标用户的优化用户画像。
详细地，所述历史用户画像的标签属性是指用户对于推送消息的兴趣爱好标签，如旅游、美食、财经等，所述标签层次是指标签属性的层次分配，如基础属性是第一层次，而基础属性中的姓名、年龄等属于第二层次；兴趣爱好是第二层次，而兴趣爱好中的旅游、美食、财经等属于第二层次，并根据标签层次对标签属性进行数值赋值，将每个标签属性用数值表示，如基础属性的标签数值属性为1，兴趣爱好的标签属性为2，基础属性中的姓名的标签数值属性为1.1，年龄的标签数值属性为1.2等。以及对所述兴趣信息进行赋值，得到兴趣数值，将所述兴趣数值逐一添加至所述标签数值属性中，得到更新标签数值属性，即将兴趣数值添加至每个标签数值属性中，可得到更新的标签数值属性集合。
具体地，根据标签数值属性对每个标签进行自定义评分，即通过主观评分对标签数值属性进行评分，其中所述优化算法中的为所述标签数值属性的优化因子是对评分异常进行修正的，对评分过高或评分过低进行修正，优化因子一般取值为50，可以提高自定义评分的准确性，进而更准确的计算标签属性的优化值。以及所述第二优化值是更新标签数值属性的优化值，其中可利用优化算法中的计算公式计算第二优化值。
进一步地，根据第一优化值及第二优化值的差值对历史用户画像中的标签属性进行优化，从而得到目标用户的优化用户画像，进而根据优化用户画像构建用户消息偏好预测模型，对用户的消息偏好进行分析。
S4、利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型；
本发明实施例中，所述用户偏好画像标签是指用户对于推送消息的历史偏好内容，如推送消息标签为旅游、财经、电影、美食、国际等，根据用户的历史订阅内容及推送消息内容确定用户对应的用户偏好画像标签。所述标签偏好权重是指用户偏好画像标签的画像标签重要程度。
本发明实施例中，所述利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，包括：
利用预设的层次分析法计算所述用户偏好画像标签的主观权重；
利用预设的变异系数算法计算所述用户偏好图像标签的客观权重；
通过所述组合权重算法根据所述主观权重及所述客观权重计算所述用户偏好画像标签的标签偏好权重，其中，所述组合权重算法为：
其中，Wh为第h个用户偏好画像标签的标签偏好权重，W1h为第h个用户偏好画像标签的主观权重，W2h为第h个用户偏好画像标签的客观权重，m为所述用户偏好画像标签的标签数量。
详细地，所述组合权重算法是将主观权重及客观权重进行联合，以更准确的确定用户偏好画像标签的标签偏好权重；所述层次分析法主要通过将复杂问题分解为若干层次和若干因素，对两两指标之间的重要程度作出比较判断，建立判断矩阵，再通过计算判断矩阵的最大特征值以及对应特征向量，得出不同方案重要性程度的主观权重，为最佳方案的选择提供依据，进而利用所述层次分析法将用户偏好画像标签中的两两指标标签进行对比，以此确定用户偏好画像标签的主观权重。
具体地，所述变异系数算法是根据评价指标的变异性来计算客观权重的一种数学方法，即利用评价指标的标准差与平均值之比来表示其变异量。指标取值差异越大，说明指标间差异越大，具有一定的科学性，利用各用户偏好图像标签的标签指标的变异系数来确定其权重，充分利用了各指标本身监测数据所提供的信息，能反映指标的相对重要程度。
进一步地，通过组合权重算法根据所述主观权重及所述客观权重计算所述用户偏好画像标签的标签偏好权重，可以更准确的对用户的消息推送偏好进行预测分析。
本发明实施例中，所述用户消息偏好预测模型是对用户的消息偏好值进行预测的一种模型，可以更准确的对用户进行消息推送。
本发明实施例中，所述根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型，包括：
获取所述用户偏好画像标签的标签数据类型；
根据所述标签偏好权重及所述标签数据类型对应的类型参数构建用户消息偏好预测模型，其中所述用户消息偏好预测模型为：
其中，R为所述用户消息偏好预测模型的偏好值，为所述类型参数中字符型数据对应的标签偏好权重，/>为所述类型参数中布尔型数据对应的标签偏好权重，/>为所述类型参数中文本型数据对应的标签偏好权重，B(ua,cb)代表的是用户消息偏好分析群体对象中的用户ua是否具有cb权重，M是用户偏好画像标签的类型总数,w(cb)为用户消息偏好分析群体对象中的第b个对象的权重，D(u,ua)为用户u与用户ua之间的相似度，w(ck)为用户消息偏好分析群体对象中的第k个对象的权重。
详细地，所述标签数据类型包括数值型、布尔型、字符型和时间型数据等，可通过对用户偏好画像标签的数据类型进行统计，从而获取所述用户偏好画像标签的标签数据类型。如用户偏好画像标签中的用户基础属性中年龄属性属于数值型、性别属性属于布尔型等。
具体地，对于字符型数据依照TF-IDF算法的提取方式，因此，在用户的基础属性下，借助TF-DIF算法计算出用户消息偏好分析群体对象中的权重，然后设计基于用户画像的用户消息偏好预测算法的计算模型，其字符型数据对应的消息偏好预测算法的计算模型为对于布尔型数据依照高斯分布计算公式，来计算用户消息偏好分析群体的目标用户与用户消息偏好分析群体的训练用户之间的距离，然后设计基于用户画像的用户消息偏好预测算法的计算模型，其布尔型数据对应的消息偏好预测算法的计算模型为/>对于文本型数据依照相似度计算公式，来计算用户消息偏好分析群体的目标用户与用户消息偏好分析群体的训练用户之间的距离，然后设计基于用户画像的用户消息偏好预测算法的计算模型，其文本型数据对应的消息偏好预测算法的计算模型为/>
进一步地，根据加权组合用R代表用户消息偏好分析群体中采集后数据的处理结果，即基于用户画像的用户消息偏好预测算法的最终偏好计算值，进而根据用户消息偏好预测模型计算目标用户的消息偏好值，便于对目标用户进行更精准的消息推送。
S5、利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，根据所述消息偏好值确定所述目标用户的消息偏好服务。
本发明实施例中，所述消息偏好值是指目标用户对于消息推送中比较感兴趣的消息内容。
本发明实施例中，所述利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，包括：
通过预设的层次分析法确定所述优化用户画像的优化画像标签权重；
利用预设的相似度算法计算所述优化用户画像与所述历史用户画像的相似度；
利用所述用户消息偏好预测模型根据所述优化画像标签权重及所述相似度计算所述用户画像的消息偏好值。
详细地，利用所述层次分析法确定所述优化用户画像中的画像标签的标签权重，所述优化画像标签权重是对优化用户画像中每一个标签确定其权重，进而根据标签权重进一步预测目标用户的消息偏好值。其中通过预设的层次分析法确定所述优化用户画像的优化画像标签权重与S4中所述利用预设的层次分析法计算所述用户偏好画像标签的主观权重步骤一致，在此不再赘述。
具体地，将所述优化用户画像与所述历史用户画像均用向量表示，其中可通过向量转换模型将所述优化用户画像与所述历史用户画像转换为向量，向量转换模型包括但不限于word2vec模型、Bert模型，进而通过相似度算法计算所述优化用户画像与所述历史用户画像之间的相似度，其中所述相似度算法包括但不限于欧式距离算法，余弦相似度算法。
进一步地，将所述相似度及所述优化画像标签权重作为参数输入至所述用户消息偏好预测模型中进行计算，可得到目标用户对应的消息偏好值，进而可根据消息偏好值确定所述目标用户的消息偏好服务。
本发明实施例中，所述消息偏好服务是指针对目标用户的消息偏好值有针对性的推送目标用户感兴趣的消息推送至目标用户。如目标用户的旅游内容的消息偏好值较高，则对于目标用户的消息偏好服务主要是针对旅游服务；若目标用户的财经内容的消息偏好值较高，则对于目标用户的消息偏好服务主要是针对财经服务。
本发明实施例通过对推送云数据中数据主成分的异构数据及同构数据进行分析确定数推送云数据的异构程度，进而根据异构程度采用不同的推送算法将数据推送至目标用户，可以提高云数据推送的效率；对推送云数据提取目标用户的反馈行为数据，进而根据反馈行为数据计算目标用户的行为值，有利于确定目标用户感兴趣的推送消息；根据行为值构建优化用户画像，可以更全面的刻画目标用户对于推荐消息的感兴趣内容；进而根据用户偏好画像标签及标签偏好权重构建用户消息偏好预测模型，进而根据用户消息偏好预测模型计算优化用户画像的消息偏好值，根据消息偏好值确定目标用户的消息偏好服务，有利于提高消息推送的精准度。因此本发明提出的基于云服务推送的大数据分析方法及系统，可以解决进行云服务推送时的大数据分析的精确度较低的问题。
如图4所示，是本发明一实施例提供的基于云服务推送的大数据分析系统的功能模块图。
本发明所述基于云服务推送的大数据分析系统100可以安装于电子设备中。根据实现的功能，所述基于云服务推送的大数据分析系统100可以包括数据推送模块101、行为值计算模块102、用户画像优化模块103、用户消息偏好预测模型构建模块104及消息偏好服务确定模块105。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：
所述数据推送模块101，用于获取云平台中的推送云数据，提取所述推送云数据中的数据主成分，利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户；
所述行为值计算模块102，用于根据所述推送云数据提取所述目标用户的反馈行为数据，利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值；
所述用户画像优化模块103，用于根据所述行为值确定所述目标用户的兴趣信息，根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像；
所述用户消息偏好预测模型构建模块104，用于利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型；
所述消息偏好服务确定模块105，用于利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，根据所述消息偏好值确定所述目标用户的消息偏好服务。
详细地，本发明实施例中所述基于云服务推送的大数据分析系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于云服务推送的大数据分析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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统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。
本申请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。
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系统也可以由一个单元或系统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 (10)

1.一种基于云服务推送的大数据分析方法，其特征在于，所述方法包括：
S1、获取云平台中的推送云数据，提取所述推送云数据中的数据主成分，利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户；
S2、根据所述推送云数据提取所述目标用户的反馈行为数据，利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值；
S3、根据所述行为值确定所述目标用户的兴趣信息，根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像；
S4、利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型，其中所述根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型，包括：
S41、获取所述用户偏好画像标签的标签数据类型；
S42、根据所述标签偏好权重及所述标签数据类型对应的类型参数构建用户消息偏好预测模型，其中所述用户消息偏好预测模型为：
其中，R为所述用户消息偏好预测模型的偏好值，为所述类型参数中字符型数据对应的标签偏好权重，/>为所述类型参数中布尔型数据对应的标签偏好权重，/>为所述类型参数中文本型数据对应的标签偏好权重，B(ua,cb)代表的是用户消息偏好分析群体对象中的用户ua是否具有cb权重，M是用户偏好画像标签的类型总数,w(cb)为用户消息偏好分析群体对象中的第b个对象的权重，D(u,ua)为用户u与用户ua之间的相似度，w(ck)为用户消息偏好分析群体对象中的第k个对象的权重；
S5、利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，根据所述消息偏好值确定所述目标用户的消息偏好服务。
2.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述提取所述推送云数据中的数据主成分，包括：
根据预设的数据类型对所述推送云数据进行类型划分，得到划分云数据；
对所述划分云数据进行数据量化，得到量化云数据；
利用如下的偏移量计算公式根据预设的量化权重值计算所述量化云数据的偏移值：
pi＝|Xi-μ|
其中，pi为第i个量化云数据的偏移值，Xi为第i个量化云数据的量化值，μ为所述量化权重值；
汇集所述偏移值为偏移向量，将所述偏移向量作为所述推送云数据中的数据主成分。
3.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户，包括：
根据所述数据主成分计算所述推送云数据的异构特征值，其中所述异构特征值计算公式为：
其中，V为所述异构特征值，Xi为第i个量化云数据的量化值，μ为所述量化权重值，T为转置符号，N为量化云数据的数量；
当所述异构特征值大于或等于预设的异构阈值时，利用所述第一推送算法中的消息队列传输协议将所述推送云数据推送至预设的目标用户；
当所述异构特征值小于预设的异构阈值时，利用所述第一推送算法中的第三方平台将所述推送云数据推送至预设的目标用户。
4.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述根据所述推送云数据提取所述目标用户的反馈行为数据，包括：
获取所述推送云数据的数据推送时间；
根据所述数据推送时间计算所述目标用户对所述推送云数据的关注数据；
根据所述关注数据确定所述目标用户的反馈行为数据。
5.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值，包括：
利用所述行为衡量算法根据所述反馈行为数据计算所述目标用户的行为实时流量，其中，所述行为衡量算法为：
其中，Qk为所述反馈行为数据中第k个行为数据的行为实时流量，log为对数函数，ak为第k个行为数据的浏览时长、bk为第k个行为数据的点击率、ck为第k个行为数据的跳出率，δ为所述反馈行为数据中的行为修正因子，n为所述反馈行为数据中行为数据的数量；
根据所述行为实时流量及预设的时间戳确定所述目标用户的行为值。
6.如权利要求1至5中任一项所述的基于云服务推送的大数据分析方法，其特征在于，所述根据所述行为值确定所述目标用户的兴趣信息，包括：
获取所述目标用户的历史浏览行为数据；
利用所述行为衡量算法根据所述历史浏览行为数据计算所述目标用户的历史行为值；
当所述行为值大于或等于所述历史行为值时，将所述行为值对应的行为内容确定为所述目标用户的兴趣信息。
7.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像，包括：
获取所述历史用户画像的标签属性，根据预设的标签层次对所述标签属性进行赋值，得到标签数值属性；
对所述兴趣信息进行赋值，得到兴趣数值，将所述兴趣数值逐一添加至所述标签数值属性中，得到更新标签数值属性；
利用预设的优化算法计算所述标签数值属性的第一优化值，其中，所述优化算法为：
其中，ηj为第j个标签数值属性的第一优化值，为第j个标签数值属性中标签评分最大值，/>为第j个标签数值属性中标签评分最小值，gj为第j个标签数值属性中标签评分值，/>为所述标签数值属性的优化因子；
利用所述优化算法计算所述更新标签数值属性的第二优化值；
计算所述第一优化值与所述第二优化值的优化差值，选取所述优化差值最大的标签属性对所述历史用户画像进行优化，得到所述目标用户的优化用户画像。
8.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，包括：
利用预设的层次分析法计算所述用户偏好画像标签的主观权重；
利用预设的变异系数算法计算所述用户偏好图像标签的客观权重；
通过所述组合权重算法根据所述主观权重及所述客观权重计算所述用户偏好画像标签的标签偏好权重，其中，所述组合权重算法为：
其中，Wh为第h个用户偏好画像标签的标签偏好权重，W1h为第h个用户偏好画像标签的主观权重，W2h为第h个用户偏好画像标签的客观权重，m为所述用户偏好画像标签的标签数量。
9.如权利要求1所述的基于云服务推送的大数据分析方法，其特征在于，所述利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，包括：
通过预设的层次分析法确定所述优化用户画像的优化画像标签权重；
利用预设的相似度算法计算所述优化用户画像与所述历史用户画像的相似度；
利用所述用户消息偏好预测模型根据所述优化画像标签权重及所述相似度计算所述用户画像的消息偏好值。
10.一种基于云服务推送的大数据分析系统，其特征在于，所述系统包括数据推送模块、行为值计算模块、用户画像优化模块、用户消息偏好预测模型构建模块、消息偏好服务确定模块，其中，
所述数据推送模块，用于获取云平台中的推送云数据，提取所述推送云数据中的数据主成分，利用预设的第一推送算法根据所述数据主成分将所述推送云数据推送至预设的目标用户；
所述行为值计算模块，用于根据所述推送云数据提取所述目标用户的反馈行为数据，利用预设的行为衡量算法根据所述反馈行为数据计算所述目标用户的行为值；
所述用户画像优化模块，用于根据所述行为值确定所述目标用户的兴趣信息，根据所述兴趣信息对预设的历史用户画像进行优化，得到所述目标用户的优化用户画像；
所述用户消息偏好预测模型构建模块，用于利用预设的组合权重算法计算预设的用户偏好画像标签的标签偏好权重，根据所述用户偏好画像标签及所述标签偏好权重构建用户消息偏好预测模型；
所述消息偏好服务确定模块，用于利用所述用户消息偏好预测模型计算所述优化用户画像的消息偏好值，根据所述消息偏好值确定所述目标用户的消息偏好服务。
CN202310410360.8A 2023-04-17 2023-04-17 一种基于云服务推送的大数据分析方法及系统 Withdrawn CN116450982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310410360.8A CN116450982A (zh) 2023-04-17 2023-04-17 一种基于云服务推送的大数据分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310410360.8A CN116450982A (zh) 2023-04-17 2023-04-17 一种基于云服务推送的大数据分析方法及系统

Publications (1)

Publication Number Publication Date
CN116450982A true CN116450982A (zh) 2023-07-18

Family

ID=87133278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310410360.8A Withdrawn CN116450982A (zh) 2023-04-17 2023-04-17 一种基于云服务推送的大数据分析方法及系统

Country Status (1)

Country Link
CN (1) CN116450982A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216386A (zh) * 2023-08-30 2023-12-12 深圳市永兴元科技股份有限公司 政务服务推送方法、装置、设备及存储介质
CN117221663A (zh) * 2023-10-11 2023-12-12 北京惠买在线网络科技有限公司 基于数据交互的用户行为预测方法及系统
CN117555695A (zh) * 2024-01-10 2024-02-13 深圳本贸科技股份有限公司 一种基于并行计算实现异构计算的优化方法及系统
CN117591320A (zh) * 2024-01-17 2024-02-23 北京智麟科技有限公司 基于多渠道消息的优化推送方法及系统
CN117670439A (zh) * 2023-12-07 2024-03-08 深圳数拓科技有限公司 一种基于用户画像的餐饮推荐方法及系统
CN118332197A (zh) * 2024-06-14 2024-07-12 北京中关村科金技术有限公司 基于数字金融的大数据推送方法及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216386A (zh) * 2023-08-30 2023-12-12 深圳市永兴元科技股份有限公司 政务服务推送方法、装置、设备及存储介质
CN117221663A (zh) * 2023-10-11 2023-12-12 北京惠买在线网络科技有限公司 基于数据交互的用户行为预测方法及系统
CN117221663B (zh) * 2023-10-11 2024-04-30 北京惠买在线网络科技有限公司 基于数据交互的用户行为预测方法及系统
CN117670439A (zh) * 2023-12-07 2024-03-08 深圳数拓科技有限公司 一种基于用户画像的餐饮推荐方法及系统
CN117555695A (zh) * 2024-01-10 2024-02-13 深圳本贸科技股份有限公司 一种基于并行计算实现异构计算的优化方法及系统
CN117555695B (zh) * 2024-01-10 2024-05-14 深圳本贸科技股份有限公司 一种基于并行计算实现异构计算的优化方法及系统
CN117591320A (zh) * 2024-01-17 2024-02-23 北京智麟科技有限公司 基于多渠道消息的优化推送方法及系统
CN117591320B (zh) * 2024-01-17 2024-04-26 北京智麟科技有限公司 基于多渠道消息的优化推送方法及系统
CN118332197A (zh) * 2024-06-14 2024-07-12 北京中关村科金技术有限公司 基于数字金融的大数据推送方法及系统
CN118332197B (zh) * 2024-06-14 2024-10-01 北京中关村科金技术有限公司 基于数字金融的大数据推送方法及系统

Similar Documents

Publication Publication Date Title
CN116450982A (zh) 一种基于云服务推送的大数据分析方法及系统
CN105701216B (zh) 一种信息推送方法及装置
CN109033408B (zh) 信息推送方法及装置、计算机可读存储介质、电子设备
US20110047006A1 (en) Systems, methods, and media for rating websites for safe advertising
Lommatzsch Real-time news recommendation using context-aware ensembles
CN111597446A (zh) 基于人工智能的内容推送方法、装置、服务器和存储介质
CN113015010B (zh) 推送参数确定方法、装置、设备及计算机可读存储介质
CN111611488A (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN112884529B (zh) 一种广告竞价方法、装置、设备及介质
US20240298193A1 (en) Training a machine learning model to identify a relationship between data items
WO2023087933A1 (zh) 内容推荐方法、装置、设备、存储介质及程序产品
CN113988152B (zh) 用户类型预测模型训练方法、资源分配方法、介质及装置
Qiao et al. Trace-driven optimization on bitrate adaptation for mobile video streaming
CN108833933A (zh) 一种使用支持向量机推荐视频流量的方法及系统
CN111461188A (zh) 一种目标业务控制方法、装置、计算设备及存储介质
CN112995690B (zh) 直播内容品类识别方法、装置、电子设备和可读存储介质
US20230004776A1 (en) Moderator for identifying deficient nodes in federated learning
CN114297384A (zh) 评论文本分析方法、模型训练方法、装置、设备及介质
CN111143688B (zh) 一种基于移动新闻客户端的评估方法及其系统
CN115600017A (zh) 特征编码模型训练方法及装置、媒体对象推荐方法及装置
CN105447148B (zh) 一种Cookie标识关联方法及装置
CN112749324B (zh) 网络媒介信息投放控制方法、装置、电子设备及存储介质
CN112218114B (zh) 视频缓存控制方法、装置和计算机可读存储介质
CN118427453A (zh) 潜力热门内容冷启动的方法、装置、电子设备及存储介质
CN117235371A (zh) 视频推荐方法、模型训练方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230718

WW01 Invention patent application withdrawn after publication