CN116842266B - 一种感知用户行为与兴趣的动态推荐系统 - Google Patents
一种感知用户行为与兴趣的动态推荐系统 Download PDFInfo
- Publication number
- CN116842266B CN116842266B CN202310845719.4A CN202310845719A CN116842266B CN 116842266 B CN116842266 B CN 116842266B CN 202310845719 A CN202310845719 A CN 202310845719A CN 116842266 B CN116842266 B CN 116842266B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- interest
- dynamic
- recommendation
- 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
- 230000006399 behavior Effects 0.000 title abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 89
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000003068 static effect Effects 0.000 claims abstract description 43
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000007774 longterm Effects 0.000 claims description 89
- 238000009826 distribution Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000005012 migration Effects 0.000 claims description 28
- 238000013508 migration Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 14
- 238000005728 strengthening Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000003370 grooming effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F16/953—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种感知用户行为与兴趣的动态推荐系统，包括：用户数据收集模块：用于通过数据收集平台收集用户的静态数据和动态数据；用户数据整理模块：用于对所述静态数据和动态数据通过数据自检和数据处理，获得有效数据；动态推荐模块：用于根据所述有效数据构建用户兴趣模型，并从中获取用户兴趣特征向量，根据所述用户兴趣向量，确定一次推荐类目项，并通过用户反馈，进行推荐类目项调整，确定二次推荐类目项，进行动态推荐模型训练，并生成动态推荐模型；本发明的动态推荐系统能够较为准确地预测用户未来行为给出推荐建议，为用户推荐更多的优质内容。
Description
技术领域
本发明涉及动态推荐系统技术领域，特别涉及一种感知用户行为与兴趣的动态推荐系统。
背景技术
对于APP来说，引起消费者的关注，是一件既关键又困难的事情，推荐系统已经成为解决这一问题的重要工具，就目前各大APP的推荐系统来说，推荐机制并不完善，就短视频APP而言，当你对某一个视频感兴趣后，后台就会给你推荐同类型的视频，这样很容易形成数据茧房，而在购物APP内，当你买到一个物品，推荐系统会再给你推荐同类物品，如专利CN201711148721-基于聚类群组发现的推荐系统及方法、个性化推荐系统，通过协同过滤算法给用户推荐内容，但是协同过滤算法无法处理新项目，无法对新项目进行模型训练，并且协同过滤算法仅仅依赖用户评分，用户评分在用户的动态数据中只占少部分，因此，在构建动态推荐系统时，如何构建具有动态的学习能力的推荐系统，除了能够较为准确地预测用户未来行为给出推荐建议，为用户推荐更多的优质内容，是我们需要探究的方向。
发明内容
本发明提供一种感知用户行为与兴趣的动态推荐系统，用以解决的情况。
用户数据收集模块：用于通过数据收集平台收集用户的静态数据和动态数据；其中，
所述静态数据包括：注册数据，身份数据；
所述动态数据包括：浏览数据、评论数据、收藏数据；
用户数据整理模块：用于对所述静态数据和动态数据通过数据自检和数据处理，获得有效数据；
动态推荐模块：用于根据所述有效数据构建用户兴趣模型，并从中获取用户兴趣特征向量，根据所述用户兴趣向量，确定一次推荐类目项，并通过用户反馈，进行推荐类目项调整，确定二次推荐类目项，进行动态推荐模型训练，并生成动态推荐模型；其中，所述用户兴趣向量包括：用户短期兴趣向量，用户长期兴趣向量。
作为本发明的一种实施例：所述用户数据收集模块包括：
静态数据收集单元：用于通过数据收集平台的收集接口获取用户静态数据，预设用户数据库，将所述静态数据存储至用户数据库；
动态数据收集单元：用于通过交互行为日志，统计并记录用户的动态数据，并将所述动态数据存储至用户数据库。
作为本发明的一种实施例：所述用户数据整理模块包括：
数据自检单元：用于对所述用户数据库的静态数据和动态数据进行数据自检，确定用户数据库中的异常数据；其中，所述异常数据包括：缺失数据、重复数据、无效数据；
缺失数据处理单元：用于通过定位指针确定所述用户数据库中缺失数据的位置，并对缺失位置填写默认值，将户数据库的缺失数据进行补全；
重复数据处理单元：用于制定去重规则，当检测到所述用户数据库的数据超过预设的重复数量时，则删除重复的数据；
无效数据处理单元：用于检测数据格式，当检测到无效格式时，对所述无效数据进行删除；其中，
所述无效格式包括：img请求数据、css请求数据。
作为本发明的一种实施例：所述兴趣模型模块包括：
用户分类单元：用于从所述用户数据库中获取所述用户的静态数据和动态数据，并根据用户注册时间将所述用户分为短期用户的长期用户；
短期用户兴趣模型构建单元：用于获取所述短期用户半年内的动态数据和静态数据，并通过用户兴趣结构，提取用户短期兴趣向量，并通过预设的深度循环网络，训练并构建用户短期兴趣模型；其中，所述用户兴趣结构包括：数据时间层、兴趣偏好类目项层、用户兴趣偏好权重层；
长期用户兴趣模型构建单元：用于获取所述长期用户一年内的动态数据和静态数据，并通过用户兴趣结构，提取长期用户的长期兴趣向量，通过期望公式，并将之前的短期兴趣向量和所述长期兴趣向量进行融合，获得确定长期兴趣特征向量，并通过预设的深度循环网络，训练并构建用户长期兴趣模型。
作为本发明的一种实施例：所述短期用户兴趣模型构建单元还包括：用户兴趣结构子单元，其中，
短期数据时间层：用于确定所述用户最近半年内的动态数据时间，并生成短期时间表；
兴趣偏好类目项测层：用于对所述用户半年内的动态数据和静态数据进行数据分析，挖掘所述用户的动态兴趣变化规律，获得所述用户兴趣偏好的类目项；
用户兴趣偏好权重层：用于在预设的兴趣偏好权重模型中，根据所述用户兴趣偏好的类目项的访问频率，计算用户兴趣偏好的类目项的权重值。
作为本发明的一种实施例：所述动态推荐模块包括：
动态推荐模型训练单元：用于从预设的训练数据池中随机选取一个用户，根据用户注册的时间，将注册时间不足一年的用户，通过用户短期兴趣模型，获得用户短期兴趣特征向量，并在随机策略强化算法根据所述用户短期兴趣特征向量，生成随机策略分布，在所述随机策略分布中确定所述用户的一次推荐类目项；
推荐反馈训练单元：用于将所述一次推荐类目项推荐给所述用户，并收集用户反馈；
循环训练单元：用于根据所述用户反馈，确定用户的兴趣动态迁移量，并调节确定策略强化算法，生成确定策略分布，在所述确定策略分布中确定所述用户的二次推荐类目项；其中，所述策略分布包括：推荐类目项类型、推荐类目项数量、推荐类目项时间；
动态推荐模型构建单元：用于训练完所述训练数据池的所有数据，当所述一次推荐类目项与所述二次推荐类目项的相似度在预设的相似度范围内时，构建动态推荐模型。
作为本发明的一种实施例：所述动态推荐模型训练单元包括：
训练数据池子单元：用于预设训练用户，将所述训练用户分为短期用户集合长期用户集，提取所述短期用户集合长期用户集进行数据训练；
随机策略运算子单元：用于根据用户短期兴趣特征向量，在随机策略强化算法中，通过策略矩阵，建立用户-策略矩阵，确定策略分布，根据所述随机策略分布确定所述用户的一次推荐类目项。
作为本发明的一种实施例：所述动态推荐模型构建单元还包括：
一次推荐类目项子单元：用于确定用户的一次类目项类型、一次推荐类目项数量、一次推荐类目项时间；
二次推荐类目项子单元：用于确定用户的二次类目项类型、二次推荐类目项数量、二次推荐类目项时间；
推荐类目项对比子单元：用于通过余弦相似度公式计算所述一次推荐类目项和所述二次推荐类目项之间的相似度，并与预设的相似度进行对比，获得对比结果，当所有训练数据的对比结果都在预设的相似度范围内时，构建动态推荐模型。
作为本发明的一种实施例：所述动态推荐模型训练单元还包括：
兴趣迁移子单元：用于对注册时间满一年时用户进行统计并分组，通过用户长期兴趣模型，获得一次长期兴趣特征向量，将一次长期兴趣特征向量和短期兴趣特征向量进行训练融合迁移，获得训练兴趣迁移量，当所述训练兴趣迁移量在预设训练兴趣迁移量范围内时，则结束这组用户的模型训练。
作为本发明的一种实施例：所述动态推荐系统还包括：推荐反馈模块，用于将所述二次推荐类目项的内容推荐给对应的用户，检测所述用户对所述二次推荐类目项的点击数据和浏览数据，根据所述点击数据和浏览数据，确定所述动态推荐模型的反馈率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种感知用户行为与兴趣的动态推荐系统的示意图；
图2为本发明实施例中一种感知用户行为与兴趣的动态推荐系统的动态推荐模块的示意图；
图3为本发明实施例中一种感知用户行为与兴趣的动态推荐系统的用户短期兴趣结构子单元的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
需说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，“多个”的含义是两个或两个以上，除非另有明确具体的限定。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
实施例1：
本发明实施例提供了一种感知用户行为与兴趣的动态推荐系统，包括：
用户数据收集模块：用于通过数据收集平台收集用户的静态数据和动态数据；其中，
所述静态数据包括：注册数据，身份数据；
所述动态数据包括：浏览数据、评论数据、收藏数据；
用户数据整理模块：用于对所述静态数据和动态数据通过数据自检和数据处理，获得有效数据；
动态推荐模块：用于根据所述有效数据构建用户兴趣模型，并从中获取用户兴趣特征向量，根据所述用户兴趣向量，确定一次推荐类目项，并通过用户反馈，进行推荐类目项调整，确定二次推荐类目项，进行动态推荐模型训练，并生成动态推荐模型；其中，所述用户兴趣向量包括：用户短期兴趣向量，用户长期兴趣向量。
在一个实际的场景中：就短视频APP而言，当你对某一个视频感兴趣后，后台就会给你推荐同类型的视频，这样很容易形成数据茧房，而在购物APP内，当你买到一个物品，推荐系统会再给你推荐同类物品，现在的大多数推荐系统通过协同过滤算法给用户推荐内容，但是协同过滤算法无法处理新项目，无法对新项目进行模型训练，并且协同过滤算法仅仅依赖用户评分，用户评分在用户的动态数据中只占少部分；
本发明在进行实施的时候，通过数据收集平台对用户信息进行在线采集，获取用户的静态数据和动态数据，静态数据包括用户ID，用户注册名，动态信息包括用户浏览数据、评论数据、收藏数据和用户点击商品ID信息，将用户的每日动态数据以交互行为日志的形式进行记录和保存，并将所有数据存储在用户数据库中，在用户数据库中以用户ID为基点，以半年为周期，对用户的所有数据进行统一数据自检和数据处理，构建用户的用户短期兴趣模型和用户长期兴趣模型，并在兴趣模型中，获得兴趣结构元素，确定一次推荐类目项，并通过用户反馈，进行推荐类目项调整，确定二次推荐类目项，进行动态推荐模型训练，并生成动态推荐模型
上述技术方案的有益效果为：本发明中，通过用户数据收集模块，对用户的动态数据和静态数据进行实时监测，当用户登录网站时，对用户浏览的商品、点击的视频和评论收藏数据进行采集，实时输入到交互行为日志，保证数据能够与用户的行为数据保持同步，在用户数据整理模块中，对用户数据库中的所有数据进行数据自检和数据整理，获得有效数据，通过构建用户短期兴趣模型和用户长期兴趣模型，可以获得用户的短期兴趣特征和长期兴趣特征，确定用户的兴趣迁移，并通过两个算法，根据用户的兴趣迁移进行算法调整，构建动态推荐模型，进行精准推荐。
实施例2：
在一个实施例中，所述用户数据收集模块包括：
静态数据收集单元：用于通过数据收集平台的收集接口获取用户静态数据，预设用户数据库，将所述静态数据存储至用户数据库；
动态数据收集单元：用于通过交互行为日志，统计并记录用户的动态数据，并将所述动态数据存储至用户数据库。
在一个实际的场景中：在对用户数据进行收集时，有些系统和平台不能实时对用户数据进行采集，当停电时，可能会导致没有保存动态数据使用户数据不完整；
本发明在进行实施的时候，在数据收集模块中，首先当用户在网站或APP上注册信息时，根据网站或APP的注册信息获得用户的基本身份信息，当用户注册信息后，就会给用户制定每日交互行为日志，记录用户上线登录的动态数据，包括但不限于用户的浏览数据、用户的评论数据、用户的收藏数据和用户的购买数据，在所述用户数据库中以用户ID为根目录，静态数据和动态数据为子目录进行存储。
上述技术方案的有益效果为：本发明中，通过在所述用户数据库中以用户ID为根目录，静态数据和动态数据为子目录进行存储，可以直接通过输入用户的ID查找出所述用户的所有数据，并且将数据进行关联连接，获得清楚的数据关联网。
实施例3：
在一个实施例中，所述用户数据整理模块包括：
数据自检单元：用于对所述用户数据库的静态数据和动态数据进行数据自检，确定用户数据库中的异常数据；其中，所述异常数据包括：缺失数据、重复数据、无效数据；
缺失数据处理单元：用于通过定位指针确定所述用户数据库中缺失数据的位置，并对缺失位置填写默认值，将户数据库的缺失数据进行补全；
重复数据处理单元：用于制定去重规则，当检测到所述用户数据库的数据超过预设的重复数量时，则删除重复的数据；
无效数据处理单元：用于检测数据格式，当检测到无效格式时，对所述无效数据进行删除；其中，
所述无效格式包括：img请求数据、css请求数据。
本发明在进行实施的时候，首先对用户数据库的数据以用户ID为单位，对每个用户的所有数据进行数据自检，用户数据库中的每个数据位置都有自己的固定数据内容，根据自检编码，发现用户数据库中出现缺失数据、重复数据、无效数据时，分别对缺失数据、重复数据、无效数据进行对应处理，通过定位指针确定所述用户数据库中缺失数据的位置，并对缺失位置填写默认值，将户数据库的缺失数据进行补全，对于重复数据，预设的重复数量，当重复数据超过预设重复数量时，进行去重操作，对交互行为日志的请求数据、交互行为日志的矛盾数据进行删除。
上述技术方案的有益效果为：本发明中，对用户数据库中的数据进行数据自检和数据整理，剔除重复数据、无效数据，补全缺失数据，对用户数据库中的数据进行统一管理，提高数据的使用率，减少错误的数据对后续建模的影响。
实施例4：
在一个实施例中，所述兴趣模型模块包括：
用户分类单元：用于从所述用户数据库中获取所述用户的静态数据和动态数据，并根据用户注册时间将所述用户分为短期用户的长期用户；
短期用户兴趣模型构建单元：用于获取所述短期用户半年内的动态数据和静态数据，并通过用户兴趣结构，提取用户短期兴趣向量，并通过预设的深度循环网络，训练并构建用户短期兴趣模型；其中，所述用户兴趣结构包括：数据时间层、兴趣偏好类目项层、用户兴趣偏好权重层；
长期用户兴趣模型构建单元：用于获取所述长期用户一年内的动态数据和静态数据，并通过用户兴趣结构，提取长期用户的长期兴趣向量，通过期望公式，并将之前的短期兴趣向量和所述长期兴趣向量进行融合，获得确定长期兴趣特征向量，并通过预设的深度循环网络，训练并构建用户长期兴趣模型。
本发明在进行实施的时候，首先，用户长期兴趣结构子单元和用户短期兴趣结构子单元一样，通过综合分析用户的动态数据获得每隔数据的数据时间、用户兴趣偏好类目项、用户兴趣偏好权重，只是时间由分析半年的数据变成一年的数据，在构建用户长期兴趣模型时，因为随着季节，地理位置的不同，用户的兴趣片好可能会发生巨大的迁移，所以通过用户长期兴趣结构元素，提取用户的长期兴趣特征向量，这个长期兴趣特征向量并不能完全代表用户的兴趣偏好，通过期望公式，将所述长期兴趣特征向量和短期兴趣特征向量进行融合，获得确定长期兴趣特征向量，通过深度循环网络，训练并构建用户长期兴趣模型。
上述技术方案的有益效果为：本发明中，通过将长期兴趣特征向量和短期兴趣特征向量进行融合，获得确定长期兴趣特征向量，通过深度循环网络，训练并构建用户长期兴趣模型，通过两次的数据特征融合迁移，可以挖掘出用户隐性的兴趣偏好，所形成的确定长期兴趣特征更加贴近本人，构建的用户长期兴趣模型更加准确。
在一个具体的实施例中：长期用户兴趣模型构建单元中，通过用户长期兴趣结构元素，提取用户的长期兴趣特征向量，并通过期望公式，将所述长期兴趣特征向量和短期兴趣特征向量进行融合，获得确定长期兴趣特征向量，并通过预设的深度循环网络，训练并构建用户长期兴趣模型；
步骤一：通过用户长期兴趣结构元素，提取用户的一次长期兴趣特征向量：
其中，Uτ为长期兴趣特征向量，τ为长期兴趣特征向量的提取次数，σX为用户半年的行为数据，σY为用户半年的类目项权重值，cov(X,Y)为半年中用户与类目项的拟合值；
步骤二：通过期望公式，将所述长期兴趣特征向量和短期兴趣特征向量进行融合,获得确定长期兴趣特征向量：
其中，表示确定长期兴趣特征向量，m为长期兴趣特征向量的提取次数，σX1为用户一年的行为数据，σY为用户一年的类目项权重值，cov(X,Y)为一年中用户与类目项的拟合值；
步骤三：并通过预设的深度循环网络，构建用户长期兴趣模型：
其中，TGB表示用户长期兴趣模型，σ表示兴趣迁移量，表示，/>表示用户的目标网络参数，/>表示二次长期兴趣特征向量在深度循环网络的进行重构，/>表示二次长期兴趣特征向量的损失函数；
上述技术方案的工作原理为：本发明中，通过用户长期兴趣结构元素，提取用户的长期兴趣特征向量，并通过期望公式，将所述长期兴趣特征向量和短期兴趣特征向量进行融合，获得确定长期兴趣特征，并通过预设的深度循环网络，训练并构建用户长期兴趣模型；
上述技术方案的有益效果为：本发明中，通过对用户长期兴趣结构元素进行整合，从中提取长期兴趣特征向量，并通过将长期兴趣特征向量和短期兴趣特征向量进行融合迁移，获得确定长期兴趣特征向量，并基于深度循环网络，构建用户长期兴趣模型。
实施例5：
在一个实施例中，所述短期用户兴趣模型构建单元还包括：用户兴趣结构子单元，其中，
短期数据时间层：用于确定所述用户最近半年内的动态数据时间，并生成短期时间表；
兴趣偏好类目项测层：用于对所述用户半年内的动态数据和静态数据进行数据分析，挖掘所述用户的动态兴趣变化规律，获得所述用户兴趣偏好的类目项；
用户兴趣偏好权重层：用于在预设的兴趣偏好权重模型中，根据所述用户兴趣偏好的类目项的访问频率，计算用户兴趣偏好的类目项的权重值。
本发明在进行实施的时候，在构建用户短期兴趣结构时，通过短期数据时间层确定在用户动态数据的各个时间，通过兴趣偏好的类目项测层，对用户半年内的动态数据和静态数据进行数据分析，挖掘所述用户的动态兴趣变化规律，获得用户的兴趣偏好的类目项的内容，用户兴趣偏好权重层，通过预设的兴趣偏好权重模型，确定用户的兴趣偏好的类目项的权重值。
上述技术方案的有益效果为：本发明中，通过短期数据时间层、兴趣偏好的类目项测层、用户兴趣偏好权重层，确定了用户短期兴趣结构的要素，进行构建用户短期兴趣结构。
在一个具体的实施例中：在对用户半年内的动态数据和静态数据进行数据分析时，首先要通过每日的交互行为日志计算出用户的日访问频率，并计算出用户频繁访问点击天数的频率程度，从而，确定用户的兴趣偏好的类目项内容；
步骤一：通过每日的交互行为日志计算出用户的日访问频率：
其中，U表示浏览量，I表示地I条网址，R为当天用户访问的所有网址集合，yh表示用户日访问频率；
步骤二：计算出用户频繁访问点击天数的频率程度：
其中，D表示当天登录系统的人数，etp表示频繁访问点击天数的频率程度；
步骤三：确定用户的兴趣偏好的类目项内容：
其中，g表示用户浏览网页的时间，k为用户浏览网页的正文长度，cvi为用户兴趣偏好的类目项,i表示用户兴趣偏好的类目项数目；
上述技术方案的工作原理为：本发明中，通过对用户半年内的动态数据和静态数据进行数据分析时，首先要通过每日的交互行为日志计算出用户的日访问频率，并计算出用户频繁访问点击天数的频率程度，从而，确定用户的兴趣偏好的类目项内容。
上述技术方案的有益效果为：本发明中，通过计算出交互行为日志计算出用户的日访问频率，和用户频繁访问点击天数的频率程度，从而迅速确定用户的兴趣偏好的视频和产品。
实施例6：
在一个实施例中，所述动态推荐模块包括：
动态推荐模型训练单元：用于从预设的训练数据池中随机选取一个用户，根据用户注册的时间，将注册时间不足一年的用户，通过用户短期兴趣模型，获得用户短期兴趣特征向量，并在随机策略强化算法根据所述用户短期兴趣特征向量，生成随机策略分布，在所述随机策略分布中确定所述用户的一次推荐类目项；
推荐反馈训练单元：用于将所述一次推荐类目项推荐给所述用户，并收集用户反馈；
循环训练单元：用于根据所述用户反馈，确定用户的兴趣动态迁移量，并调节确定策略强化算法，生成确定策略分布，在所述确定策略分布中确定所述用户的二次推荐类目项；其中，所述策略分布包括：推荐类目项类型、推荐类目项数量、推荐类目项时间；
动态推荐模型构建单元：用于训练完所述训练数据池的所有数据，当所述一次推荐类目项与所述二次推荐类目项的相似度在预设的相似度范围内时，构建动态推荐模型。
在一个实际的场景中：在进行动态推荐模型训练时，通过协同过滤算法给用户推荐内容，但是协同过滤算法无法处理新项目，无法对新项目进行模型训练，并且协同过滤算法仅仅依赖用户评分，用户评分在用户的动态数据中只占少部分；
本发明在进行实施的时候，首先在进行动态推荐模型训练的时候，预设训练数据池，在训练数据池存储着一定数目的用户信息，对用户注册时间不到一年的进行短期预测，通过用户短期兴趣模型、用获得用户的短期兴趣特征，并基于用户的短期兴趣特征，根据随机策略强化算法，生成随机策略分布，在随机策略分布中确定用户的一次推荐类目项，将一次推荐类目项的内容推荐给用户，收集用户的反馈信息，根据所述反馈信息，进行兴趣特征动态调整，并相应调节确定策略强化算法，生成确定策略分布，在所述确定策略分布中确定所述用户的二次推荐类目项，将二次推荐类目项的内容推荐给对应的用户，对训练数据池中每一个用户数据进行多次训练，当一次推荐类目项和二次推荐类目项的内容相似度到95％时，动态推荐模型训练的已经稳定，此时构建动态推荐模型。
上述技术方案的有益效果为：本发明中，通过用户长期和短期的兴趣特征，进行随机策略强化算法，生成随机策略分布，在所述随机策略分布中确定所述用户的一次推荐类目项，并进行用户反馈，确定二次推荐类目项，通过多次训练，多次调节，让动态推荐模型趋于稳定，使动态推荐模型所推荐的类目项的内容更加符合用户的兴趣爱好。
实施例7：
在一个实施例中，所述动态推荐模型训练单元包括：
训练数据池子单元：用于预设训练用户，将所述训练用户分为短期用户集合长期用户集，提取所述短期用户集合长期用户集进行数据训练；
随机策略运算子单元：用于根据用户短期兴趣特征向量，在随机策略强化算法中，通过策略矩阵，建立用户-策略矩阵，确定策略分布，根据所述随机策略分布确定所述用户的一次推荐类目项。
在一个实际的场景中：在进行动态推荐模型训练时，通过协同过滤算法给用户推荐内容，但是协同过滤算法无法处理新项目，无法对新项目进行模型训练，并且协同过滤算法仅仅依赖用户评分，用户评分在用户的动态数据中只占少部分；
本发明在进行实施的时候，首先在进行动态推荐模型训练的时候，预设训练数据池，在训练数据池存储着一定数目的用户信息，对用户注册时间不到一年的进行短期预测，通过用户短期兴趣模型、用获得用户的短期兴趣特征，并基于用户的短期兴趣特征，根据随机策略强化算法，通过策略矩阵，建立用户-策略矩阵，确定策略分布，根据所述随机策略分布确定所述用户的一次推荐类目项。
上述技术方案的有益效果为：本发明中，通过训练数据池子单元，收集训练数据，通过对不同时期的用户进行数据训练，可以进行动态模型调整，并获得相对准确的训练模型，在随机策略运算子单元中，通过用户-策略矩阵，生成策略分布，进行用户推荐类目项预整合。
实施例8：
在一个实施例中，所述动态推荐模型构建单元还包括：
一次推荐类目项子单元：用于确定用户的一次类目项类型、一次推荐类目项数量、一次推荐类目项时间；
二次推荐类目项子单元：用于确定用户的二次类目项类型、二次推荐类目项数量、二次推荐类目项时间；
推荐类目项对比子单元：用于通过余弦相似度公式计算所述一次推荐类目项和所述二次推荐类目项之间的相似度，并与预设的相似度进行对比，获得对比结果，当所有训练数据的对比结果都在预设的相似度范围内时，构建动态推荐模型。
本发明在进行实施的时候，通过余弦相似度公式将用户的一次类目项类型、一次推荐类目项数量、一次推荐类目项时间和用户的二次类目项类型、二次推荐类目项数量、二次推荐类目项时间进行相似度计算，获得对比结果，当所有训练数据的对比结果都在预设的相似度范围内时，构建动态推荐模型。
上述技术方案的有益效果为：本发明中，通过推荐类目项对比子单元，将一次推荐类目项和二次推荐类目项进行对比，获得对比结果，可以通过对比结果，获得训练模型的成熟度。
实施例9：
在一个实施例中，所述动态推荐模型训练单元还包括：
兴趣迁移子单元：用于对注册时间满一年时用户进行统计并分组，通过用户长期兴趣模型，获得一次长期兴趣特征向量，将一次长期兴趣特征向量和短期兴趣特征向量进行训练融合迁移，获得训练兴趣迁移量，当所述训练兴趣迁移量在预设训练兴趣迁移量范围内时，则结束这组用户的模型训练。
在一个实际的场景中：兴趣迁移的影响因素很多，且有些没有根据，导致兴趣迁移没有固定的方向，实际想要进行预测用户兴趣迁移十分困难；
本发明在进行实施的时候，当用户的注册时间不满一年时，用户的兴趣迁移不大，当用户随着地理位置发生变化时，可能对目的地感兴趣，随着时间的变化，一年四季因为气候、温度等等，用户的兴趣会进行迁移，当用户的注册时间满一年时，对用户的长期兴趣和短期兴趣进行融合迁移，通过随机策略强化算法，生成随机策略分布，在所述随机策略分布中确定所述用户的一次推荐类目项的内容。
上述技术方案的有益效果为：本发明中，通过对满一年的注册用户进行兴趣迁移，先获得所述用户短期的兴趣特征，并与长期兴趣特征进行融合迁移，生成一次推荐类目项，通过兴趣迁移，可以提高一次推荐类目项的内容的准确率。
实施例10：
在一个实施例中，所述动态推荐系统还包括：推荐反馈模块，用于将所述二次推荐类目项的内容推荐给对应的用户，检测所述用户对所述二次推荐类目项的点击数据和浏览数据，根据所述点击数据和浏览数据，确定所述动态推荐模型的反馈率。
本发明在进行实施的时候，推荐反馈中，当系统给用户推荐了二次推荐类目项的视频或商品给用户后，监测用户点击、购买、浏览的时间及次数，通过统计反馈数据，确定所述动态推荐模型的反馈率，通过反馈率进行动态推荐系统的评价。
上述技术方案的有益效果为：本发明中，通过统计反馈数据，确定所述动态推荐模型的反馈率，通过反馈率进行动态推荐系统的评价，从评价中可以直接反映出动态推荐系统的优劣，可以直观对动态推荐系统进行鉴定。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种感知用户行为与兴趣的动态推荐系统，其特征在于，包括：
用户数据收集模块：用于通过数据收集平台收集用户的静态数据和动态数据；其中，
所述静态数据包括：注册数据，身份数据；
所述动态数据包括：浏览数据、评论数据、收藏数据；
用户数据整理模块：用于对所述静态数据和动态数据通过数据自检和数据处理，获得有效数据；
动态推荐模块：用于根据所述有效数据构建用户兴趣模型，并从中获取用户兴趣特征向量，根据所述用户兴趣向量，确定一次推荐类目项，并通过用户反馈，进行推荐类目项调整，确定二次推荐类目项，进行动态推荐模型训练，并生成动态推荐模型；其中，
所述用户兴趣向量包括：用户短期兴趣向量，用户长期兴趣向量；
所述动态推荐模块，包括：
动态推荐模型训练单元：用于从预设的训练数据池中随机选取一个用户，根据用户注册的时间，将注册时间不足一年的用户，通过用户短期兴趣模型，获得用户短期兴趣特征向量，并在随机策略强化算法根据所述用户短期兴趣特征向量，生成随机策略分布，在所述随机策略分布中确定所述用户的一次推荐类目项；
推荐反馈训练单元：用于将所述一次推荐类目项推荐给所述用户，并收集用户反馈；
循环训练单元：用于根据所述用户反馈，确定用户的兴趣动态迁移量，并调节确定策略强化算法，生成确定策略分布，在所述确定策略分布中确定所述用户的二次推荐类目项；其中，所述策略分布包括：推荐类目项类型、推荐类目项数量、推荐类目项时间；
动态推荐模型构建单元：用于训练完所述训练数据池的所有数据，当所述一次推荐类目项与所述二次推荐类目项的相似度在预设的相似度范围内时，构建动态推荐模型。
2.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述用户数据收集模块包括：
静态数据收集单元：用于通过数据收集平台的收集接口获取用户静态数据，预设用户数据库，将所述静态数据存储至用户数据库；
动态数据收集单元：用于通过交互行为日志，统计并记录用户的动态数据，并将所述动态数据存储至用户数据库。
3.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述用户数据整理模块包括：
数据自检单元：用于对所述用户数据库的静态数据和动态数据进行数据自检，确定用户数据库中的异常数据；其中，所述异常数据包括：缺失数据、重复数据、无效数据；
缺失数据处理单元：用于通过定位指针确定所述用户数据库中缺失数据的位置，并对缺失位置填写默认值，将户数据库的缺失数据进行补全；
重复数据处理单元：用于制定去重规则，当检测到所述用户数据库的数据超过预设的重复数量时，则删除重复的数据；
无效数据处理单元：用于检测数据格式，当检测到无效格式时，对所述无效数据进行删除；其中，
所述无效格式包括：img请求数据、css请求数据。
4.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述用户兴趣模型包括：
用户分类单元：用于从所述用户数据库中获取所述用户的静态数据和动态数据，并根据用户注册时间将所述用户分为短期用户的长期用户；
短期用户兴趣模型构建单元：用于获取所述短期用户半年内的动态数据和静态数据，并通过用户兴趣结构，提取用户短期兴趣向量，并通过预设的深度循环网络，训练并构建用户短期兴趣模型；其中，所述用户兴趣结构包括：数据时间层、兴趣偏好类目项层、用户兴趣偏好权重层；
长期用户兴趣模型构建单元：用于获取所述长期用户一年内的动态数据和静态数据，并通过用户兴趣结构，提取长期用户的长期兴趣向量，通过期望公式，并将之前的短期兴趣向量和所述长期兴趣向量进行融合，获得确定长期兴趣特征向量，并通过预设的深度循环网络，训练并构建用户长期兴趣模型。
5.如权利要求4所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述短期用户兴趣模型构建单元还包括：用户兴趣结构子单元，其中，
短期数据时间层：用于确定所述用户最近半年内的动态数据时间，并生成短期时间表；
兴趣偏好类目项测层：用于对所述用户半年内的动态数据和静态数据进行数据分析，挖掘所述用户的动态兴趣变化规律，获得所述用户兴趣偏好的类目项；
用户兴趣偏好权重层：用于在预设的兴趣偏好权重模型中，根据所述用户兴趣偏好的类目项的访问频率，计算用户兴趣偏好的类目项的权重值。
6.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述动态推荐模型训练单元包括：
训练数据池子单元：用于预设训练用户，将所述训练用户分为短期用户集合长期用户集，提取所述短期用户集合长期用户集进行数据训练；
随机策略运算子单元：用于根据用户短期兴趣特征向量，在随机策略强化算法中，通过策略矩阵，建立用户-策略矩阵，确定策略分布，根据所述随机策略分布确定所述用户的一次推荐类目项。
7.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述动态推荐模型构建单元包括：
一次推荐类目项子单元：用于确定用户的一次类目项类型、一次推荐类目项数量、一次推荐类目项时间；
二次推荐类目项子单元：用于确定用户的二次类目项类型、二次推荐类目项数量、二次推荐类目项时间；
推荐类目项对比子单元：用于通过余弦相似度公式计算所述一次推荐类目项和所述二次推荐类目项之间的相似度，并与预设的相似度进行对比，获得对比结果，当所有训练数据的对比结果都在预设的相似度范围内时，构建动态推荐模型。
8.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述动态推荐模型训练单元还包括：
兴趣迁移子单元：用于对注册时间满一年时用户进行统计并分组，通过用户长期兴趣模型，获得一次长期兴趣特征向量，将一次长期兴趣特征向量和短期兴趣特征向量进行训练融合迁移，获得训练兴趣迁移量，当所述训练兴趣迁移量在预设训练兴趣迁移量范围内时，则结束这组用户的模型训练。
9.如权利要求1所述的一种感知用户行为与兴趣的动态推荐系统，其特征在于，所述动态推荐系统还包括：推荐反馈模块，用于将所述二次推荐类目项的内容推荐给对应的用户，检测所述用户对所述二次推荐类目项的点击数据和浏览数据，根据所述点击数据和浏览数据，确定所述动态推荐模型的反馈率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310845719.4A CN116842266B (zh) | 2023-07-11 | 2023-07-11 | 一种感知用户行为与兴趣的动态推荐系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310845719.4A CN116842266B (zh) | 2023-07-11 | 2023-07-11 | 一种感知用户行为与兴趣的动态推荐系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842266A CN116842266A (zh) | 2023-10-03 |
| CN116842266B true CN116842266B (zh) | 2024-01-26 |
Family
ID=88159813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310845719.4A Active CN116842266B (zh) | 2023-07-11 | 2023-07-11 | 一种感知用户行为与兴趣的动态推荐系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842266B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339563A (zh) * | 2008-08-15 | 2009-01-07 | 北京航空航天大学 | 面向奇异发现推荐的兴趣模型更新方法 |
| CN101937524A (zh) * | 2009-06-30 | 2011-01-05 | 华中师范大学 | 一种毕业设计个性化指导系统 |
| CN110852853A (zh) * | 2019-11-27 | 2020-02-28 | 盐城工学院 | 一种基于物质扩散的去重推荐方法 |
| CN112307344A (zh) * | 2020-11-05 | 2021-02-02 | 完美世界(北京)软件科技发展有限公司 | 对象推荐模型、对象推荐方法、装置及电子设备 |
| CN114519145A (zh) * | 2022-02-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 |
| CN116091174A (zh) * | 2023-04-07 | 2023-05-09 | 湖南工商大学 | 推荐策略优化系统、方法、装置及相关设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4433326B2 (ja) * | 2007-12-04 | 2010-03-17 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
-
2023
- 2023-07-11 CN CN202310845719.4A patent/CN116842266B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339563A (zh) * | 2008-08-15 | 2009-01-07 | 北京航空航天大学 | 面向奇异发现推荐的兴趣模型更新方法 |
| CN101937524A (zh) * | 2009-06-30 | 2011-01-05 | 华中师范大学 | 一种毕业设计个性化指导系统 |
| CN110852853A (zh) * | 2019-11-27 | 2020-02-28 | 盐城工学院 | 一种基于物质扩散的去重推荐方法 |
| CN112307344A (zh) * | 2020-11-05 | 2021-02-02 | 完美世界(北京)软件科技发展有限公司 | 对象推荐模型、对象推荐方法、装置及电子设备 |
| CN114519145A (zh) * | 2022-02-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 |
| CN116091174A (zh) * | 2023-04-07 | 2023-05-09 | 湖南工商大学 | 推荐策略优化系统、方法、装置及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| Service Recommendation Based on User Dynamic Preference Extraction and Prediction;Yanmei Zhang 等;《2019 IEEE World Congress on Services (SERVICES)》;121-126 * |
| 区分长短期兴趣的用户动态推荐模型研究;朱妮;;合作经济与科技(10);93-95 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842266A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191240B (zh) | 一种进行商品推荐的方法和装置 | |
| CN104090919B (zh) | 推荐广告的方法及广告推荐服务器 | |
| CN107862022B (zh) | 文化资源推荐系统 | |
| WO2016101777A1 (zh) | 用户兴趣数据分析和收集系统及其方法 | |
| CN107784066A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
| CN105469263A (zh) | 一种商品推荐方法及装置 | |
| Lu et al. | Personalized location recommendation by aggregating multiple recommenders in diversity | |
| US20190149626A1 (en) | Similarity learning-based device attribution | |
| CN108550068A (zh) | 一种基于用户行为分析的个性化商品推荐方法及系统 | |
| CN105183727A (zh) | 一种图书推荐方法及其系统 | |
| CN107153656B (zh) | 一种信息搜索方法和装置 | |
| CN104462156A (zh) | 一种基于用户行为的特征提取、个性化推荐方法和系统 | |
| CN111709810A (zh) | 基于推荐模型的对象推荐方法及装置 | |
| US20230066853A1 (en) | Method and apparatus for training information prediction models, method and apparatus for predicting information, and storage medium and device thereof | |
| CN111488385B (zh) | 基于人工智能的数据处理方法、装置和计算机设备 | |
| CN103530416B (zh) | 项目数据预测评分库的生成、项目数据的推送方法和系统 | |
| CN112052394B (zh) | 专业内容信息的推荐方法、系统、终端设备和存储介质 | |
| CN111143655A (zh) | 一种新闻热度的计算方法 | |
| TW201514889A (zh) | 顧客資料解析系統 | |
| CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
| Xie et al. | Graph-based metric embedding for next poi recommendation | |
| CN104239335B (zh) | 特定用户信息获取方法及装置 | |
| CN118313906B (zh) | 一种个性化产品推荐方法 | |
| CN112541806B (zh) | 一种基于异质信息网络的推荐方法及装置 | |
| CN104317790A (zh) | 一种基于大数据的用户行为的控制方法及系统 |
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 |