CN117056613A - 基于用户联合偏好的测评优化方法及系统 - Google Patents
基于用户联合偏好的测评优化方法及系统 Download PDFInfo
- Publication number
- CN117056613A CN117056613A CN202311315292.3A CN202311315292A CN117056613A CN 117056613 A CN117056613 A CN 117056613A CN 202311315292 A CN202311315292 A CN 202311315292A CN 117056613 A CN117056613 A CN 117056613A
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- behavior
- clustering
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 230000006399 behavior Effects 0.000 claims abstract description 145
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000011273 social behavior Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013433 optimization analysis Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013598 vector Substances 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
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用户偏好测评技术领域,公开了基于用户联合偏好的测评优化方法及系统,包括:获取用户的行为信息;将所述行为信息进行分类,得到不同的用户种群;对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化。通过对用户行为的全面分析、动态的用户种群调整、影子信息的创新应用、遗传算法的高效应用、细致的匹配率计算、变异偏好的智能处理、用户界面的智能调整和持续的优化策略,能够为用户提供更加精准、个性化和多样化的推荐,从而大大提高用户满意度和忠诚度,为企业和服务提供者带来更大的商业价值。
Description
技术领域
本发明涉及用户偏好测评技术领域,具体为基于用户联合偏好的测评优化方法及系统。
背景技术
随着信息技术和互联网的迅速发展,用户可以轻松地访问和消费大量的内容和服务。在这种环境下,为用户提供个性化的推荐和服务成了一个关键的问题。为了更好地满足用户的需求和偏好,许多技术和方法被提出来进行用户偏好的分析和优化。
用户偏好是指用户在选择和消费内容或服务时的倾向和喜好。了解用户的偏好可以帮助企业和服务提供者更准确地为用户提供他们真正需要和喜欢的内容和服务,从而提高用户满意度和忠诚度,增加用户留存率和转化率。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的用户偏好测评方法存在成本较高,不能及时分析用户反馈,无法有效获取用户在多种行为下的偏好需求。
为解决上述技术问题,本发明提供如下技术方案:基于用户联合偏好的测评优化方法,包括:
获取用户的行为信息。
将所述行为信息进行分类,得到不同的用户种群。
对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化。
作为本发明所述的基于用户联合偏好的测评优化方法的一种优选方案,其中:所述行为信息包括消费行为的数据信息、社交行为的数据信息、娱乐行为的数据信息。
作为本发明所述的基于用户联合偏好的测评优化方法的一种优选方案,其中:所述分类包括,根据所述行为信息将所有用户分别按照每类行为信息进行分类,得到三个行为分类集合。
对测评需求进行评估,获取需求推送内容的分类,并令需求推送内容分类的数量为n。
对每个所述的行为分类集合进行聚类分析,以所述需求推送内容分类作为聚类中心,将每个行为分类集合的行为信息以n个聚类中心进行聚类。
聚类后对聚类中心对应的所述需求推送内容分类与行为信息进行配对分析;若需求推送的分类中的内容不能完全满足所述行为信息,则对不能被满足的行为信息建立影子信息,将所述影子信息安插与其他聚类中心对应的所述需求推送内容分类相匹配,在匹配的聚类结果符合行为信息时,建立影子信息,并将安插的不符合行为信息的影子信息剔除;若需求推送的分类中的内容能够满足所述行为信息,则继续进行偏好分析。
所述影子信息包括,根据所述行为信息,复制一个相同的行为信息,并且使影子信息与原行为信息具有相同的属性,能够匹配到对应的用户。
作为本发明所述的基于用户联合偏好的测评优化方法的一种优选方案,其中:所述偏好分析包括,对聚类后的每个种群进行偏好分析,得到每个群体的偏好特点; 根据每个种群用户偏好的特点,初始化种群。
根据适应度函数选择适应度达到根据测评优化目标设置阈值的个体进入下一代。
通过模拟父代个体遗传的交叉过程,生成新的子代个体。
所述适应度计算表示为:
其中,Pi(u)表示用户u在第i个聚类中心的偏好比例; wi表示在第i个聚类中心的权重,能够根据需求推送内容分类的重要性进行设置; pi表示第i个聚类中心中用户数量相对于获取行为信息的用户数量的占比。
作为本发明所述的基于用户联合偏好的测评优化方法的一种优选方案,其中:所述偏好分析还包括,将经过遗传后包含父代和子代信息形成遗传后的聚类结果。
将用户在三个行为分类集合的聚类结果进行匹配,选取在三个行为分类集合中,相关联的聚类结果的匹配率最高的匹配结果作为遗传的偏好关联关系。
所述匹配率表示为:
其中,L1表示聚类结果在消费行为与社交行为匹配的数量,表示聚类结果在消费行为与社交行为匹配的权重系数;L2表示聚类结果在消费行为与娱乐行为匹配的数量,表示聚类结果在消费行为与娱乐行为匹配的权重系数;L3表示聚类结果在社交行为与娱乐行为匹配的数量,/>表示聚类结果在社交行为与娱乐行为匹配的权重系数,Z表示聚类结果每两个行为之间匹配的匹配次数之和。
作为本发明所述的基于用户联合偏好的测评优化方法的一种优选方案,其中:所述关联还包括,将除作为遗传的偏好关联关系以外的关联作为变异的偏好关联关系。
对用户的每一对变异关联关系进行统计变异的匹配率:h=Ln/G。
若h>ρ,则保留变异的偏好关联关系;若h≤ρ,则删除变异的偏好关联关系。
其中,Ln表示聚类结果在统计的两个行为之间的匹配的数量;G表示聚类结果在统计的两个行为之间匹配的匹配次数之和;ρ表示设置的变异的匹配率阈值。
在对用户进行推送消费内容、社交内容、娱乐内容时,优先推送具有遗传的偏好关联关系的聚类结果所对应的推送内容,并根据用户界面主动刷新频率插入具有变异的偏好关联关系的聚类结果所对应的推送内容。
作为本发明所述的基于用户联合偏好的测评优化方法的一种优选方案,其中:所述推送还包括,根据用户个人的偏好行为,对推送内容进行调整;用户界面主动刷新频率大于看完一件推送内容的平均时间,则在每10条具有遗传的偏好关联关系的聚类结果所对应的推送内容完成后,插入随机2条具有变异的偏好关联关系的聚类结果所对应的推送内容;若用户在具有变异的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间大于在具有遗传的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间,则在下一个统计周期增加插入随机1条具有变异的偏好关联关系的聚类结果所对应的推送内容。
当连续5个统计周期都表现为:用户在具有变异的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间大于在具有遗传的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间,则对于在具有变异的偏好关联关系的聚类结果所对应的推送内容进行分析,获取用户在之前所有周期的推送记录,以平均主动刷新的间隔时间最长的变异的偏好关联关系的聚类结果所对应的推送内容作为新的优先推送的内容,并将原本的具有遗传的偏好关联关系重新定义为具有变异的偏好关联关系。
一种采用本发明所述方法的基于用户联合偏好的测评优化系统,其特征在于:行为获取模块,获取用户的行为信息;种群分类模块,将所述行为信息进行分类,得到不同的用户种群;优化分析模块,对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化。
一种计算机设备,包括:存储器和处理器;所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。
本发明的有益效果:本发明提供的基于用户联合偏好的测评优化方法通过对用户行为的全面分析、动态的用户种群调整、影子信息的创新应用、遗传算法的高效应用、细致的匹配率计算、变异偏好的智能处理、用户界面的智能调整和持续的优化策略,能够为用户提供更加精准、个性化和多样化的推荐,从而大大提高用户满意度和忠诚度,为企业和服务提供者带来更大的商业价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的基于用户联合偏好的测评优化方法的整体流程图;
图2为本发明第二个实施例提供的基于用户联合偏好的测评优化方法在不同用户测评的执行成本对比。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了基于用户联合偏好的测评优化方法,包括:
S1:获取用户的行为信息。
进一步的。行为信息包括消费行为的数据信息、社交行为的数据信息、娱乐行为的数据信息。
将用户的行为数据进行量化定义是数据预处理的关键步骤。以下是一些常见的用户行为数据的量化方法:
1. 浏览行为:
浏览频率:用户在一定时间内访问某个页面或产品的次数。
浏览时长:用户在某个页面或产品上停留的总时间。
滚动深度:用户在页面上滚动的深度,可以用来判断用户对内容的兴趣程度。
2. 购买行为:
购买频率:用户在一定时间内购买产品的次数。
购买金额:用户在一定时间内的总购买金额。
平均购买金额:用户每次购买的平均金额。
3. 社交互动:
评论频率:用户在一定时间内评论的次数。
点赞/分享/收藏次数:用户在一定时间内点赞、分享或收藏的总次数。
社交网络大小:用户的社交网络中的好友或关注者数量。
4. 搜索行为:
搜索频率:用户在一定时间内搜索的次数。
搜索关键词:用户搜索的关键词可以转化为向量,例如使用TF-IDF或Word2Vec。
5. 反馈行为:
评分:用户给予产品或服务的评分,如1到5星。
评论情感分析:对用户的评论进行情感分析,得到正面、中性或负面的评价。
6. 其他:
登录频率:用户在一定时间内登录的次数。
使用设备:用户使用的设备类型,如手机、电脑、平板等,可以用数字编码。
地理位置:用户的地理位置可以转化为经纬度坐标。
为了进行量化定义,首先需要收集上述的原始数据,然后使用统计方法、文本分析、情感分析等技术进行处理,得到可以用于后续分析的量化数据。这些量化数据可以作为聚类、分类、推荐等算法的输入,帮助我们更好地理解和满足用户的需求。
S2:将所述行为信息进行分类,得到不同的用户种群。
进一步的,根据所述行为信息将所有用户分别按照每类行为信息进行分类,得到三个行为分类集合。
对测评需求进行评估,获取需求推送内容的分类,并令需求推送内容分类的数量为n。对每个所述的行为分类集合进行聚类分析,以所述需求推送内容分类作为聚类中心,将每个行为分类集合的行为信息以n个聚类中心进行聚类。这样能够保证聚类的结果能够与对测评结果推送的内容相匹配,不至于出现不匹配的情况。通过对用户行为信息进行分析,从而能够对,大部分用户的行为进行针对性推送内容。这首先需要将行为信息与需求进行匹配,而这样的匹配是很容易实现的。
聚类后对聚类中心对应的所述需求推送内容分类与行为信息进行配对分析;若需求推送的分类中的内容不能完全满足所述行为信息,则对不能被满足的行为信息建立影子信息,将所述影子信息安插与其他聚类中心对应的所述需求推送内容分类相匹配,在匹配的聚类结果符合行为信息时,建立影子信息,并将安插的不符合行为信息的影子信息剔除;若需求推送的分类中的内容能够满足所述行为信息,则继续进行偏好分析。
要知道的是,有的行为信息不仅需要一个推送内容满足,而是需要多个推送内容共同满足,然而,我们并不能将一个用户放到不同的聚类中心,我们只能建立与用户相同的影子信息作为属性,相同的用户进行重新放置。这样能够保证用户可以出现在多个聚类结果中。在对影子信息和行为信息进行匹配时,行为信息一定会匹配到聚类中心,而影子信息安插在其他所有的聚类中心中,这样就会出现在有的聚类中心中,能够满足条件,有的不能满足,那么我们就需要把不能满足的去掉。
影子信息包括,根据所述行为信息,复制一个相同的行为信息,并且使影子信息与原行为信息具有相同的属性,能够匹配到对应的用户。
S3:对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化。
偏好分析包括,对聚类后的每个种群进行偏好分析,得到每个群体的偏好特点;根据每个种群用户偏好的特点,初始化种群。根据之前分析得到的用户偏好特点,选择具有代表性的用户作为初始种群。例如,可以选择每个偏好类别中的核心用户或活跃用户作为初始种群。
根据适应度函数选择适应度达到根据测评优化目标设置阈值的个体进入下一代;通过模拟父代个体遗传的交叉过程,生成新的子代个体。模拟遗传的交叉过程是遗传算法中的核心步骤,用于生成新的个体。随机选择k个个体,其中适应度最高的个体被选为父代。通过交叉操作生成新的子代个体。
所述适应度计算表示为:
其中,Pi(u)表示用户u在第i个聚类中心的偏好比例; wi表示在第i个聚类中心的权重,能够根据需求推送内容分类的重要性进行设置; pi表示第i个聚类中心中用户数量相对于获取行为信息的用户数量的占比。
进一步的,将经过遗传后包含父代和子代信息形成遗传后的聚类结果。
将用户在三个行为分类集合的聚类结果进行匹配,选取在三个行为分类集合中,相关联的聚类结果的匹配率最高的匹配结果作为遗传的偏好关联关系;所述匹配率表示为:
其中,L1表示聚类结果在消费行为与社交行为匹配的数量,表示聚类结果在消费行为与社交行为匹配的权重系数;L2表示聚类结果在消费行为与娱乐行为匹配的数量,表示聚类结果在消费行为与娱乐行为匹配的权重系数;L3表示聚类结果在社交行为与娱乐行为匹配的数量,/>表示聚类结果在社交行为与娱乐行为匹配的权重系数,Z表示聚类结果每两个行为之间匹配的匹配次数之和。
要知道的是,在每一个行为分类里面,都会有很多个聚类结果。那么,在不同行为之间的聚类结果必然存在关联。因为之前定义过影子信息,那么此时在一个行为中某个用户的聚类结果只能对应另一个行为中的一个聚类结果。我们通过计算匹配率,能够分析出用户在这三个行为之中的匹配,最好的是哪几个聚类结果。我们将匹配到的这个最好的聚类,结果就定义是遗传的偏好。然而,遗传的偏好关联关系就指的是匹配率最高的三个行为中的三个聚类结果之间的关联关系。
还要说明的是,所述权重系数都是根据系统需求进行预设的。
再进一步的,将除作为遗传的偏好关联关系以外的关联作为变异的偏好关联关系。
对用户的每一对变异关联关系进行统计变异的匹配率:h=Ln/G;若h>ρ,则保留变异的偏好关联关系;若h≤ρ,则删除变异的偏好关联关系;其中,Ln表示聚类结果在统计的两个行为之间的匹配的数量;G表示聚类结果在统计的两个行为之间匹配的匹配次数之和;ρ表示设置的变异的匹配率阈值。通过对每两个行为之间的变异行为进行分析,能够保证分析的精细度更高,具有更好的优化效果。
在对用户进行推送消费内容、社交内容、娱乐内容时,优先推送具有遗传的偏好关联关系的聚类结果所对应的推送内容,并根据用户界面主动刷新频率插入具有变异的偏好关联关系的聚类结果所对应的推送内容。
要知道的还有,根据用户个人的偏好行为,对推送内容进行调整;用户界面主动刷新频率大于看完一件推送内容的平均时间,则在每10条具有遗传的偏好关联关系的聚类结果所对应的推送内容完成后,插入随机2条具有变异的偏好关联关系的聚类结果所对应的推送内容;若用户在具有变异的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间大于在具有遗传的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间,则在下一个统计周期增加插入随机1条具有变异的偏好关联关系的聚类结果所对应的推送内容。
当连续5个统计周期都表现为:用户在具有变异的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间大于在具有遗传的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间,则对于在具有变异的偏好关联关系的聚类结果所对应的推送内容进行分析,获取用户在之前所有周期的推送记录,以平均主动刷新的间隔时间最长的变异的偏好关联关系的聚类结果所对应的推送内容作为新的优先推送的内容,并将原本的具有遗传的偏好关联关系重新定义为具有变异的偏好关联关系。
要说的是,当用户的主动刷新频率(即用户多久刷新一次界面)大于看完一条推送内容的平均时间时,这意味着用户可能对当前的推送内容不够满意或者想要更多的新内容。在每10条具有遗传偏好关联关系的推送内容后,系统会插入2条具有变异偏好关联关系的推送内容。这样做的目的是增加内容的多样性,可能会更符合用户的潜在需求。如果用户在具有变异偏好关联关系的推送内容上的主动刷新间隔时间大于在具有遗传偏好关联关系的推送内容上的间隔时间,那么在下一个统计周期,系统会增加1条具有变异偏好关联关系的推送内容。连续5个统计周期,用户在具有变异偏好关联关系的推送内容上的主动刷新间隔时间都大于在具有遗传偏好关联关系的推送内容上的间隔时间。系统会对具有变异偏好关联关系的推送内容进行深入分析,获取用户在之前所有周期的推送记录。
系统会找出平均主动刷新间隔时间最长的变异偏好关联关系的推送内容,将其作为新的优先推送的内容。这意味着这部分内容更能吸引用户的注意,因此应该被优先推送。
同时,原本的具有遗传偏好关联关系会被重新定义为具有变异的偏好关联关系。这是为了确保系统的推送策略能够及时地适应用户的变化需求。
通过不断地分析用户的行为和反馈,动态地调整推送的内容,以更好地满足用户的需求。同时,通过引入遗传和变异的概念,增加了推送内容的多样性,从而提高了用户的满意度和参与度。
要知道的是以上说到的,10条、2条、5个统计周期、增加插入随机1条等,都是可以根据需求进行上下的浮动调整的,但是初始射击的每十条插入两条,是为了保证主要的推送内容是遗传为主的内容。而连续五个统计周期,是因为如果连续五个统计周期都表现为偏好于变异,那么就说明,插入的推送内容有一半已经是变异内容,这样就需要对主流推送内容进行调整。目的是提高用户的满意度和参与度,系统会根据用户的个人偏好行为来调整推送的内容。
基于用户联合偏好的测评优化系统:行为获取模块,获取用户的行为信息;种群分类模块,将所述行为信息进行分类,得到不同的用户种群;优化分析模块,对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器、磁变存储器、铁电存储器、相变存储器、石墨烯存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器或动态随机存取存储器等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。
本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
实施例2
参照图2,为本发明的一个实施例,提供了基于用户联合偏好的测评优化方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
首先,通过实验对用户的娱乐行为进行统计,如表1所示。以本发明作为实验组,以传统方法作为对照组进行实验。
表1用户的娱乐行为统计表
实验组的回看率为25%,而对照组的为15%。这说明本发明设计的推送内容更具吸引力,用户更愿意再次回看。实验组的用户互动率为20%,对照组的为10%。这表明本发明设计的推送内容更能引发用户的互动,如评论、点赞等。实验组的留存率为75%,对照组的为60%。这说明本发明设计更能留住用户,减少用户流失。实验组的用户反馈积极性为80%,对照组的为65%。这表明本发明设计的推送内容更能满足用户的需求,用户的反馈更为积极。实验组的个性化匹配度为90%,对照组的为70%。这意味着本发明设计更能准确地匹配用户的个性化需求,提供更为贴切的推送内容。结论:通过这个更为详细的模拟实验数据表格,我们可以明显看出,本发明设计的基于用户联合偏好的测评优化方法在多个关键指标上都明显优于传统方法。这进一步证明了本发明的有益效果和好处。
为了验证本发明设计对于提高用户消费行为的有效性,收集以下数据如表2:实验组:采用本发明设计的基于用户联合偏好的测评优化方法。对照组:采用传统的推送方法。
表2用户消费行为统计表
实验组的购买频率为5次/月,而对照组的为3次/月。这说明本发明设计更能刺激用户的购买意愿。实验组的购买种类为4种,对照组的为2种。这意味着本发明设计更能满足用户的多样化需求。实验组的购买时间为10分钟,对照组的为30分钟。这说明本发明设计的推送内容更为精准,用户更快做出购买决策。实验组的购买后满意度为90%,对照组的为70%。这表明本发明设计更能满足用户的实际需求,购买后的满意度更高。实验组的推荐购买率为25%,对照组的为10%。这意味着本发明设计的推送内容更具有口碑效应,用户更愿意推荐给他人。结论:通过这个专门针对用户消费行为的模拟实验数据表格,我们可以明显看出,本发明设计的基于用户联合偏好的测评优化方法在消费行为的多个关键指标上都明显优于传统方法。这进一步证明了本发明在提高用户消费行为方面的有益效果。
图2为在不同用户测评的执行成本对比,能够看出,本发明在针对不同用户的情况下,前期成本比较稳定,且均低于传统方法,而传统方法在前期和后期展示出非常明显的不稳定性,也说明了本发明可以根据用户需求进行优化,而传统发明无法进行优化,从而使成本激增或激降。同时,本发明在前期成本高于传统发明时,前期成本高出比例较低,而后期成本也趋近相同。但是传统发明在前期成本高于本发明时,后期成本仍高于本发明且高出比例较高,也能够说明本发明在成本控制上明显优于传统。
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者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.基于用户联合偏好的测评优化方法,其特征在于,包括:
获取用户的行为信息;
将所述行为信息进行分类,得到不同的用户种群;
对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化;
所述分类包括,根据所述行为信息将所有用户分别按照每类行为信息进行分类,得到三个行为分类集合;
对测评需求进行评估,获取需求推送内容的分类,并令需求推送内容分类的数量为n;
对每个所述的行为分类集合进行聚类分析,以所述需求推送内容分类作为聚类中心,将每个行为分类集合的行为信息以n个聚类中心进行聚类;
聚类后对聚类中心对应的所述需求推送内容分类与行为信息进行配对分析;若需求推送的分类中的内容不能完全满足所述行为信息,则对不能被满足的行为信息建立影子信息,将所述影子信息安插与其他聚类中心对应的所述需求推送内容分类相匹配,在匹配的聚类结果符合行为信息时,建立影子信息,并将安插的不符合行为信息的影子信息剔除;若需求推送的分类中的内容能够满足所述行为信息,则继续进行偏好分析;
所述影子信息包括,根据所述行为信息,复制一个相同的行为信息,并且使影子信息与原行为信息具有相同的属性,能够匹配到对应的用户。
2.如权利要求1所述的基于用户联合偏好的测评优化方法,其特征在于:所述行为信息包括消费行为的数据信息、社交行为的数据信息、娱乐行为的数据信息。
3.如权利要求2所述的基于用户联合偏好的测评优化方法,其特征在于:所述偏好分析包括,对聚类后的每个种群进行偏好分析,得到每个群体的偏好特点; 根据每个种群用户偏好的特点,初始化种群;
根据适应度函数选择适应度达到根据测评优化目标设置阈值的个体进入下一代;
通过模拟父代个体遗传的交叉过程,生成新的子代个体;
所述适应度计算表示为:
,
其中,Pi(u)表示用户u在第i个聚类中心的偏好比例; wi表示在第i个聚类中心的权重,能够根据需求推送内容分类的重要性进行设置; pi表示第i个聚类中心中用户数量相对于获取行为信息的用户数量的占比。
4.如权利要求3所述的基于用户联合偏好的测评优化方法,其特征在于:所述偏好分析还包括,将经过遗传后包含父代和子代信息形成遗传后的聚类结果;
将用户在三个行为分类集合的聚类结果进行匹配,选取在三个行为分类集合中,相关联的聚类结果的匹配率最高的匹配结果作为遗传的偏好关联关系;
所述匹配率表示为:
,
其中,L1表示聚类结果在消费行为与社交行为匹配的数量,表示聚类结果在消费行为与社交行为匹配的权重系数;L2表示聚类结果在消费行为与娱乐行为匹配的数量,/>表示聚类结果在消费行为与娱乐行为匹配的权重系数;L3表示聚类结果在社交行为与娱乐行为匹配的数量,/>表示聚类结果在社交行为与娱乐行为匹配的权重系数,Z表示聚类结果每两个行为之间匹配的匹配次数之和。
5.如权利要求4所述的基于用户联合偏好的测评优化方法,其特征在于:所述关联还包括,将除作为遗传的偏好关联关系以外的关联作为变异的偏好关联关系;
对用户的每一对变异关联关系进行统计变异的匹配率:h=Ln/G;
若h>ρ,则保留变异的偏好关联关系;若h≤ρ,则删除变异的偏好关联关系;
其中,Ln表示聚类结果在统计的两个行为之间的匹配的数量;G表示聚类结果在统计的两个行为之间匹配的匹配次数之和;ρ表示设置的变异的匹配率阈值;
在对用户进行推送消费内容、社交内容、娱乐内容时,优先推送具有遗传的偏好关联关系的聚类结果所对应的推送内容,并根据用户界面主动刷新频率插入具有变异的偏好关联关系的聚类结果所对应的推送内容。
6.如权利要求5所述的基于用户联合偏好的测评优化方法,其特征在于:所述推送还包括,根据用户个人的偏好行为,对推送内容进行调整;
用户界面主动刷新频率大于看完一件推送内容的平均时间,则在每10条具有遗传的偏好关联关系的聚类结果所对应的推送内容完成后,插入随机2条具有变异的偏好关联关系的聚类结果所对应的推送内容;若用户在具有变异的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间大于在具有遗传的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间,则在下一个统计周期增加插入随机1条具有变异的偏好关联关系的聚类结果所对应的推送内容;
当连续5个统计周期都表现为:用户在具有变异的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间大于在具有遗传的偏好关联关系的聚类结果所对应的推送内容的主动刷新的间隔时间,则对于在具有变异的偏好关联关系的聚类结果所对应的推送内容进行分析,获取用户在之前所有周期的推送记录,以平均主动刷新的间隔时间最长的变异的偏好关联关系的聚类结果所对应的推送内容作为新的优先推送的内容,并将原本的具有遗传的偏好关联关系重新定义为具有变异的偏好关联关系。
7.一种采用如权利要求1-6任一所述方法的基于用户联合偏好的测评优化系统,其特征在于:行为获取模块,获取用户的行为信息;
种群分类模块,将所述行为信息进行分类,得到不同的用户种群;
优化分析模块,对所述用户种群进行分析,根据分析结果对用户种群进行调整,根据调整后的种群偏好进行测评优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315292.3A CN117056613B (zh) | 2023-10-12 | 基于用户联合偏好的测评优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315292.3A CN117056613B (zh) | 2023-10-12 | 基于用户联合偏好的测评优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056613A true CN117056613A (zh) | 2023-11-14 |
CN117056613B CN117056613B (zh) | 2024-06-04 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855542A (zh) * | 2012-07-19 | 2013-01-02 | 周宇 | “学习基因”个体学习能力测评方法 |
CN110768987A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种基于sdn的虚拟蜜网动态部署方法及系统 |
US20200100145A1 (en) * | 2016-12-08 | 2020-03-26 | Comptel Oy | Adaptive traffic processing in communications network |
CN111861674A (zh) * | 2020-07-28 | 2020-10-30 | 中国银行股份有限公司 | 一种产品推荐方法和系统 |
WO2022105129A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
CN115422463A (zh) * | 2022-09-27 | 2022-12-02 | 高冬 | 基于大数据的用户分析推送处理方法及系统 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855542A (zh) * | 2012-07-19 | 2013-01-02 | 周宇 | “学习基因”个体学习能力测评方法 |
US20200100145A1 (en) * | 2016-12-08 | 2020-03-26 | Comptel Oy | Adaptive traffic processing in communications network |
CN110768987A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种基于sdn的虚拟蜜网动态部署方法及系统 |
CN111861674A (zh) * | 2020-07-28 | 2020-10-30 | 中国银行股份有限公司 | 一种产品推荐方法和系统 |
WO2022105129A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
CN115422463A (zh) * | 2022-09-27 | 2022-12-02 | 高冬 | 基于大数据的用户分析推送处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘爱琴;李永清;: "基于SOM神经网络的高校图书馆个性化需求挖掘系统研究", 数字图书馆论坛, no. 10, pages 34 - 40 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
Merialdo | Clustering for collaborative filtering applications | |
CN104063481B (zh) | 一种基于用户实时兴趣向量的电影个性化推荐方法 | |
Chen et al. | A group recommendation system with consideration of interactions among group members | |
Sun et al. | Learning multiple-question decision trees for cold-start recommendation | |
Ballings et al. | Social media optimization: Identifying an optimal strategy for increasing network size on Facebook | |
Huang et al. | Handling sequential pattern decay: Developing a two-stage collaborative recommender system | |
US20120185481A1 (en) | Method and Apparatus for Executing a Recommendation | |
CN101859313A (zh) | 信息处理设备和方法及其程序 | |
US10496651B2 (en) | User recommendation generation | |
WO2019109724A1 (zh) | 一种推荐物品的方法和装置 | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
CN112765480A (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
JP2017182724A (ja) | アイテム推薦プログラム、アイテム推薦方法およびアイテム推薦装置 | |
CN117056613B (zh) | 基于用户联合偏好的测评优化方法及系统 | |
CN110059257B (zh) | 基于评分修正的项目推荐方法 | |
Zhu et al. | FMSR: A fairness-aware mobile service recommendation method | |
CN109670914B (zh) | 一种基于时间动态特性的产品推荐方法 | |
CN116842267A (zh) | 基于深度学习的个性化装修方案推荐方法、系统及介质 | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
Jia et al. | Dynamic group recommendation algorithm based on member activity level | |
CN117056613A (zh) | 基于用户联合偏好的测评优化方法及系统 | |
CN109657154B (zh) | 基于情景的资源排序装置和资源排序方法 | |
Xiao et al. | Complex network measurement and optimization of Chinese domestic movies with internet of things technology | |
Chang et al. | A stock-movement aware approach for discovering investors' personalized preferences in stock markets |
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 |