CN117112906A - 一种基于人工智能的信息推送方法 - Google Patents

一种基于人工智能的信息推送方法 Download PDF

Info

Publication number
CN117112906A
CN117112906A CN202311149779.9A CN202311149779A CN117112906A CN 117112906 A CN117112906 A CN 117112906A CN 202311149779 A CN202311149779 A CN 202311149779A CN 117112906 A CN117112906 A CN 117112906A
Authority
CN
China
Prior art keywords
user
artificial intelligence
content
information pushing
behavior data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311149779.9A
Other languages
English (en)
Inventor
覃莹
张娜
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.)
Guangxi Nobi Intelligent Technology Co ltd
Original Assignee
Guangxi Nobi Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Nobi Intelligent Technology Co ltd filed Critical Guangxi Nobi Intelligent Technology Co ltd
Priority to CN202311149779.9A priority Critical patent/CN117112906A/zh
Publication of CN117112906A publication Critical patent/CN117112906A/zh
Pending 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
    • G06F16/953—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
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/096—Transfer learning

Abstract

本发明公开了一种基于人工智能的信息推送方法，涉及信息处理技术领域，本发明提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽。方案为：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户。本发明用于信息推送中。

Description

一种基于人工智能的信息推送方法
技术领域
本发明涉及信息处理技术领域，尤其涉及一种基于人工智能的信息推送方法。
背景技术
随着移动互联网的迅速发展和信息量的爆炸性增长，用户面临着如何从海量信息中筛选出真正有价值和符合个人兴趣的内容的挑战。此外，随着社交媒体和电子商务的兴起，用户的行为和偏好变得越来越复杂，简单的推送策略已经无法满足现代业务的需求。例如，仅仅依靠用户过去的点击历史进行推送可能会陷入过度个性化的陷阱，导致用户错过其他可能感兴趣的新内容。与此同时，大量的信息推送可能导致用户感到压力和困扰，尤其是当推送内容与用户的实际需求和兴趣不符时。这不仅会降低用户的满意度和参与度，还可能导致用户对平台或服务产生不信任和负面情感。
现有技术中信息推送方法主要依赖于固定算法或手动策略，如关键词匹配、内容分类等，这些方法在处理大规模、多样性和动态变化的数据时往往效果不佳，不能满足用户日益增长的个性化需求。
发明内容
本发明提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本发明提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽。
为达到上述目的，本发明采用如下技术方案：
本发明提供一种基于人工智能的信息推送方法，包括：
收集用户在特定平台或应用上的行为数据。
利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集。
根据所述特征集，生成所述用户个性化信息推送模型。
使用所述推送模型，从内容源中筛选出与所述用户匹配的内容。
将与所述用户匹配的内容推送给所述用户。
进一步的，所述的基于人工智能的信息推送方法，在将与所述用户匹配的内容发送给所述用户之后，还包括：
根据所述用户对推送内容的反馈，优化所述推送模型。
进一步的，所述的基于人工智能的信息推送方法，所述预处理，包括：
删除所述行为数据中重复、异常及错误的数据。
补充所述行为数据中的缺失值。
对所述行为数据进行标准化和归一化，以确保所述行为数据在同一尺度上。
进一步的，所述的基于人工智能的信息推送方法，根据所述特征集，生成所述用户个性化信息推送模型，包括：
根据所述特征集为所述用户生成特征向量。
运用聚类算法，对所述用户进行聚类。
对每一类所述用户生成信息推送模型。
进一步的，所述的基于人工智能的信息推送方法，在根据所述特征集，生成所述用户个性化信息推送模型之后，还包括：
对所述个性化信息推送模型进行调整。
进一步的，所述的基于人工智能的信息推送方法，使用所述推送模型，从内容源中筛选出与所述用户匹配的内容，包括：
将所述内容源中的各内容赋予分类和标签。
根据所述分类和标签将各所述内容与所述用户进行匹配。
进一步的，所述的基于人工智能的信息推送方法，所述行为数据，包括：
所述行为数据包含但不限于浏览历史、购买记录、搜索记录和点击率。
进一步的，所述的基于人工智能的信息推送方法，所述人工智能算法，包括：
所述人工智能算法包含但不限于深度学习技术和神经网络。
进一步的，所述的基于人工智能的信息推送方法，所述深度学习技术，包括：
所述深度学习技术包含但不限于卷积神经网络、递归神经网络和长短时记忆网络。
进一步的，所述的基于人工智能的信息推送方法，所述反馈，包括：
所述反馈包含但不限于所述用户的点击、点赞、评论、分享及保存。
本发明提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本发明提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽。
此外，本发明通过持续的模型优化，确保了推送内容的持续相关性。
最后，本发明对个性化信息推送模型进行调整，进一步确保了信息推送的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，以下将对实施例描述中所需要使用的附图作简单地介绍，附图仅用于示出实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中一种基于人工智能的信息推送方法流程示意图；
图2为本发明实施例中另一种基于人工智能的信息推送方法流程示意图；
图3为本发明实施例中另一种基于人工智能的信息推送方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明术领域的技术人员通常理解的含义相同；本发明中所使用的术语只是为了描述具体地实施例的目的，不是旨在于限制本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本发明实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本发明实施例的描述中，“多个”的含义是两个以上，除非另有明确具体地限定。
在本发明实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本发明实施例的描述中，术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)，“多片”指的是两片以上(包括两片)。
在本发明实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”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实施例和简化描述，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实施例的限制。
在本发明实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明例中的具体含义。
实施例1
本发明实施例提供一种基于人工智能的信息推送方法，如图1所示，包括：
101、收集用户在特定平台或应用上的行为数据。
其中，特定平台在商业领域，经常指的是一个中介服务，它允许两个或多个用户群体(如买家和卖家)相互交互。例如，淘宝、京东是电商平台；滴滴、Uber是出行平台。应用是指软件平台上的应用软件，例如：微信、抖音等。
其中，行为数据包含但不限于浏览历史、购买记录、搜索记录和点击率。具体地，可以使用Flume、Logstash等工具来收集用户行为数据。
102、利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集。
其中，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能算法也被称之为软计算，它是人们受自然界规律的启迪，根据其原理模拟求解问题的算法。
特征集是机器学习和数据科学中的一个常用概念，在处理任何机器学习问题时，原始数据往往不能直接用于模型的训练，因此，需要从原始数据中提取出对预测任务有帮助的信息，这些信息被称为特征。当把这些特征组合起来，形成的集合就被称为特征集。简单地说，特征集就是描述数据的各种属性或特性的集合，它为模型提供了关于数据的关键信息。
103、根据所述特征集，生成所述用户个性化信息推送模型。
具体地，根据特征集，生成所述用户个性化信息推送模型包括：特征集划分:将特征集分为训练集、验证集和测试集以支持模型训练和评估；模型框架选择:根据业务需求和数据特性选择合适的模型，如决策树、深度学习等；模型训练:使用训练数据和相应算法进行模型训练。
104、使用所述推送模型，从内容源中筛选出与所述用户匹配的内容。
其中，内容源是指提供原始数据、信息或内容的地方，这些内容可以是文本、图片、视频、音频或其他形式的数字资料。
105、将与所述用户匹配的内容推送给所述用户。
具体地，根据用户的习惯选择，如APP、短信、电子邮件以及考虑用户所在地的时区和在线习惯，选择合适的推送时间将内容推送给用户。
本发明实施例提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本发明实施例提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽。
实施例2
本发明实施例提供一种基于人工智能的信息推送方法，如图2所示，包括：
201、收集用户在特定平台或应用上的行为数据。
具体地，采用API或SDK的方式，嵌入到特定的平台或应用中，实时或定时收集用户的行为数据，如浏览历史、购买记录、搜索记录和点击率。数据存储采用分布式数据库系统，如Hadoop或Cassandra，以支持大数据量的存储和高效查询。
其中，API(Application Programming Interface,应用程序编程接口)它是一组预定义的函数、方法或类，允许开发者在构建应用程序时调用某个库或服务。API定义了软件组件之间如何互相通信，使得开发者可以更容易地使用已有的工具或服务，而不需要从头开始编写。
SDK(Software Development Kit,软件开发工具包)它是一套包含用于开发某个软件应用、框架或平台的工具和程序的集合。SDK通常包括一系列工具、库、文档和示例代码，帮助开发者更高效地开发和集成特定的功能或服务。
202、利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集。
2021、删除所述行为数据中重复、异常及错误的数据。
具体地，使用统计方法，如IQR或Z-score，来删除异常值。
2022、补充所述行为数据中的缺失值。
具体地，对于缺失的数据，可以使用均值、中位数或基于模型的方法进行填充。
2023、对所述行为数据进行标准化和归一化，以确保所述行为数据在同一尺度上。
具体地，数据标准化采用Min-Max标准化或Z-score标准化方法，确保所有数据都在同一尺度上。
其中，人工智能算法包含但不限于深度学习技术和神经网络。深度学习技术包含但不限于卷积神经网络、递归神经网络和长短时记忆网络。
深度学习技术：是机器学习的一个子领域，它关注于使用特定的算法结构，通常是神经网络，特别是深层神经网络来模拟和学习数据的复杂模式。
神经网络：是一种模拟人脑神经元工作方式的算法模型，用于识别模式或进行数据分类。它是机器学习领域中的一个核心概念，特别是在深度学习中。基本结构神经网络由多个节点或“神经元”组成，这些神经元按层次排列：输入层：接收外部数据的层，隐藏层：介于输入层和输出层之间的一个或多个层，输出层：产生最终预测或分类结果的层。每个神经元与其它神经元通过“连接”相连，并且每个连接都有一个权重。
卷积神经网络：(Convolutional Neural Network，简称CNN)是一种强大的深度学习模型，特别适用于处理图像和视频数据。其通过卷积操作有效地捕捉了图像的局部特征，并且能够在多个层次上表示图像内容，从简单的边缘到复杂的物体和场景。
递归神经网络:(Recursive Neural Network，简称RecNN或RNN)是神经网络的一种，它的结构是树状而不是传统的层状。递归神经网络主要用于处理具有层次结构的数据，如自然语言句子或计算机程序。需要注意的是，递归神经网络和循环神经网络(也简称RNN)是两种不同的结构，尽管它们的缩写相同。
长短时记忆网络(Long Short-Term Memory，简称LSTM)是一种特殊的循环神经网络(RNN)结构，它被设计出来主要是为了解决传统RNN在处理长序列时遇到的长期依赖问题。
203、根据所述特征集，生成所述用户个性化信息推送模型。
2031、根据所述特征集为所述用户生成特征向量。
具体地，利用深度学习技术，如卷积神经网络或长短时记忆网络，从特征集数据中提取特征向量。
2032、运用聚类算法，对所述用户进行聚类。
具体地，采用K-means或DBSCAN等聚类算法，根据特征向量对用户进行分类。
其中，K-means是一种聚类算法，用于将数据点分组成K个集群。DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的空间聚类算法，它可以发现任意形状的集群并能够处理噪声。
2033、对每一类所述用户生成信息推送模型。
具体地，对于每一类用户，使用逻辑回归、随机森林或神经网络等方法，生成信息推送模型。
其中，逻辑回归是一种用于分类问题的统计方法，尤其常用于二分类问题。它预测的是一个事件发生的概率，并将这个概率转化为一个二分类输出，输出是在[0,1]之间的一个值，通常使用一个阈值(如0.5)来分类。
随机森林是一种集成学习方法，通过组合多个决策树来进行预测，对于分类问题，每个树的预测被视为一个“投票”，随机森林返回最多投票的类别作为最终预测，对于回归问题，返回的是所有树预测的平均值。
204、使用所述推送模型，从内容源中筛选出与所述用户匹配的内容。
2041、将所述内容源中的各内容赋予分类和标签。
具体地，对内容源中的内容进行分类和标签化，可以使用文本分析技术，如TF-IDF和主题模型。
其中，TF-IDF(Term Frequency-Inverse Document Frequency)是一种统计方法，用于评估一个词在文档中的重要性。
主题模型(Topic Modeling)是一种用于从大量文档中提取主题的技术。
2042、根据所述分类和标签将各所述内容与所述用户进行匹配。
具体地，根据用户的特征向量和内容的分类标签，使用余弦相似度或Jaccard相似度等方法，将内容与用户进行匹配。
其中，余弦相似度(Cosine Similarity)是一种衡量两个向量之间相似度的方法，它计算两个向量的夹角的余弦值，值越接近1，表示两个向量越相似。
Jaccard相似度(Jaccard Similarity)是衡量两个集合相似度的指标，定义为两个集合的交集大小除以它们的并集大小：J(A,B)＝∣A∩B∣∣A∪B∣
J(A,B)＝∣A∪B∣∣A∩B∣值越接近1，表示两个集合越相似。
205、将与所述用户匹配的内容推送给所述用户。
具体地，根据匹配结果，通过邮件、短信、应用通知等方式，将相关内容推送给用户。
206、根据所述用户对推送内容的反馈，优化所述推送模型。
具体地，通过收集用户对推送内容的反馈，如点击、点赞、评论、分享及保存。使用在线学习或迁移学习技术，根据用户反馈实时优化推送模型。
此处需要说明的是：本实施例中各步骤的详细说明，可对应参照其它实施例，此处不再赘述。
本发明实施例提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本发明实施例提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户时间和带宽。
此外，本发明实施例通过持续的模型优化，确保了推送内容的持续相关性。
实施例3
本发明实施例提供一种基于人工智能的信息推送方法，如图3所示，包括：
301、收集用户在特定平台或应用上的行为数据。
302、利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集。
3021、删除所述行为数据中重复、异常及错误的数据。
3022、补充所述行为数据中的缺失值。
3023、对所述行为数据进行标准化和归一化，以确保所述行为数据在同一尺度上。
其中，所述人工智能算法包含但不限于深度学习技术和神经网络，所述深度学习技术包含但不限于卷积神经网络、递归神经网络和长短时记忆网络。
303、根据所述特征集，生成所述用户个性化信息推送模型。
3031、根据所述特征集为所述用户生成特征向量。
3032、运用聚类算法，对所述用户进行聚类。
3033、对每一类所述用户生成信息推送模型。
304、对所述个性化信息推送模型进行调整。
具体地，使用交叉验证等方法优化个性化信息推送模型参数，即对个性化信息推送模型进行参数调整。其中，模型调参(Hyperparameter Tuning)是机器学习中一个非常重要的步骤，它涉及到选择合适的超参数来优化模型的性能。
其中，交叉验证是一种评估模型性能的方法，也常用于模型调参。在k-折交叉验证中，原始数据被分成k个子集。每次其中一个子集作为测试集，其余k-1个子集合并作为训练集。这样每个子集都有一次机会作为测试集，总共进行k次训练和测试。最后k次的测试结果通常会取平均值，作为模型性能的估计。
305、使用所述推送模型，从内容源中筛选出与所述用户匹配的内容。
3051、将所述内容源中的各内容赋予分类和标签。
3052、根据所述分类和标签将各所述内容与所述用户进行匹配。
306、将与所述用户匹配的内容推送给所述用户。
307、根据所述用户对推送内容的反馈，优化所述推送模型。
此处需要说明的是：本实施例中各步骤的详细说明，可对应参照其它实施例，此处不再赘述。
本发明实施例提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本发明实施例提供更准确和个性化的信息推送，提高用户满意度；减少无关和冗余的推送内容，节省用户时间和带宽；通过持续的模型优化，确保推送内容的持续相关性。
此外，本发明实施例通过持续的模型优化，确保了推送内容的持续相关性。
最后，本发明实施例对个性化信息推送模型进行调整，进一步确保了信息推送的准确性。
最后应说明的是：以上各实施例仅用以说明本发明技术方案，非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种基于人工智能的信息推送方法，其特征在于，包括：
收集用户在特定平台或应用上的行为数据；
利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集；
根据所述特征集，生成所述用户个性化信息推送模型；
使用所述推送模型，从内容源中筛选出与所述用户匹配的内容；
将与所述用户匹配的内容推送给所述用户。
2.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，在将与所述用户匹配的内容发送给所述用户之后，还包括：
根据所述用户对推送内容的反馈，优化所述推送模型。
3.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述预处理，包括：
删除所述行为数据中重复、异常及错误的数据；
补充所述行为数据中的缺失值；
对所述行为数据进行标准化和归一化，以确保所述行为数据在同一尺度上。
4.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，根据所述特征集，生成所述用户个性化信息推送模型，包括：
根据所述特征集为所述用户生成特征向量；
运用聚类算法，对所述用户进行聚类；
对每一类所述用户生成信息推送模型。
5.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，在根据所述特征集，生成所述用户个性化信息推送模型之后，还包括：
对所述个性化信息推送模型进行调整。
6.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，使用所述推送模型，从内容源中筛选出与所述用户匹配的内容，包括：
将所述内容源中的各内容赋予分类和标签；
根据所述分类和标签将各所述内容与所述用户进行匹配。
7.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述行为数据，包括：
所述行为数据包含但不限于浏览历史、购买记录、搜索记录和点击率。
8.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述人工智能算法，包括：
所述人工智能算法包含但不限于深度学习技术和神经网络。
9.根据权利要求8所述的基于人工智能的信息推送方法，其特征在于，所述深度学习技术，包括：
所述深度学习技术包含但不限于卷积神经网络、递归神经网络和长短时记忆网络。
10.根据权利要求2所述的基于人工智能的信息推送方法，其特征在于，所述反馈，包括：
所述反馈包含但不限于所述用户的点击、点赞、评论、分享及保存。
CN202311149779.9A 2023-09-07 2023-09-07 一种基于人工智能的信息推送方法 Pending CN117112906A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311149779.9A CN117112906A (zh) 2023-09-07 2023-09-07 一种基于人工智能的信息推送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311149779.9A CN117112906A (zh) 2023-09-07 2023-09-07 一种基于人工智能的信息推送方法

Publications (1)

Publication Number Publication Date
CN117112906A true CN117112906A (zh) 2023-11-24

Family

ID=88798267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311149779.9A Pending CN117112906A (zh) 2023-09-07 2023-09-07 一种基于人工智能的信息推送方法

Country Status (1)

Country Link
CN (1) CN117112906A (zh)

Similar Documents

Publication Publication Date Title
CN111444428B (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
Kulkarni et al. Context Aware Recommendation Systems: A review of the state of the art techniques
Anastasopoulos et al. Machine learning for public administration research, with application to organizational reputation
Alyari et al. Recommender systems: A systematic review of the state of the art literature and suggestions for future research
Hariri et al. Supporting domain analysis through mining and recommending features from online product listings
US9171262B2 (en) Directed expertise level-based discovery system, method, and device
Agarwal et al. Statistical methods for recommender systems
WO2013151546A1 (en) Contextually propagating semantic knowledge over large datasets
Ahmed et al. Rating-based recommender system based on textual reviews using iot smart devices
Ashok et al. A personalized recommender system using Machine Learning based Sentiment Analysis over social data
US20220058464A1 (en) Information processing apparatus and non-transitory computer readable medium
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
Ghobakhloo et al. Design of a personalized recommender system using sentiment analysis in social media (case study: banking system)
CN108304568B (zh) 一种房地产公众预期大数据处理方法及系统
Ali et al. Big social data as a service (BSDaaS): a service composition framework for social media analysis
WO2023164312A1 (en) An apparatus for classifying candidates to postings and a method for its use
Bhatia et al. Machine Learning in Java: Helpful techniques to design, build, and deploy powerful machine learning applications in Java
US20230134798A1 (en) Reasonable language model learning for text generation from a knowledge graph
Mukhopadhyay Opinion mining in management research: the state of the art and the way forward
Liu Python machine learning by example: implement machine learning algorithms and techniques to build intelligent systems
Ranjbar et al. Explaining recommendation system using counterfactual textual explanations
CN117112906A (zh) 一种基于人工智能的信息推送方法
LR et al. A Clustering Based Social Matrix Factorization Technique for Personalized Recommender Systems
Sun et al. Leveraging user profiling in click-through rate prediction based on Zhihu data
López Hernández et al. A Nondisturbing service to automatically customize notification sending using implicit-feedback

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