CN118094015A - 一种基于大数据的网络内容推荐方法 - Google Patents

Abstract

本发明公开了一种基于大数据的网络内容推荐方法，属于内容推荐技术领域，具体包括：获取目标对象客户端的历史行为；选取任一应用并根据时间段对该应用的推荐消息进行分类，得到若干子数据集；获取任一推荐消息生成时刻后的首个访问时刻，并计算生成时刻与访问时刻的时间差值，得到响应时间，根据响应时间计算该子数据集的推荐分数，若存在任一子数据集的推荐分数大于预设阈值，则将该子数据集所属时间段标定为优先推荐时间；根据优先推荐时间总量对应用推荐消息进行分级；根据优先推荐时间和分级结果，将推荐消息输出至目标对象客户端。本发明提高用户内容浏览的效率，提升了用户的实际体验。

Description

一种基于大数据的网络内容推荐方法

技术领域

本发明涉及内容推荐技术领域，具体涉及一种基于大数据的网络内容推荐方法。

背景技术

随着计算机网络技术的发展出现了消息过载，如何高效地从海量内容中获取其感兴趣消息成为一个重要的诉求。也正是基于此，越来越多的应用和平台通过引入内容个性化推荐系统解决上述信息过载问题，通过内容和用户个性化匹配来实现内容精准推荐，提供应用的各个网络服务商会将各种不同应用内容通过网络推送到用户使用的移动终端中，供用户查看；移动终端检测的设备信息也会推送到移动终端的前端，供用户查看。

因此实际生活中用户的客户端往往会收到大量无序杂乱的消息通知内容，如果用户对这些内容都进行查看及处理，不仅会浪费大量时间影响用户的内容处理效率还会使用户产生厌烦，导致即使推荐应用内容符合当前用户感兴趣的内容用户也不能及时查看，用户实际体验感很差。

发明内容

本发明的目的在于提供一种基于大数据的网络内容推荐方法，解决以下技术问题：

因此实际生活中用户的客户端往往会收到大量无序杂乱的消息通知内容，如果用户对这些内容都进行查看及处理，不仅会浪费大量时间影响用户的内容处理效率还会使用户产生厌烦，导致即使推荐应用内容符合当前用户感兴趣的内容用户也不能及时查看，用户实际体验感很差。

本发明的目的可以通过以下技术方案实现：

一种基于大数据的网络内容推荐方法，包括以下步骤：

S1，获取目标对象客户端的历史行为，所述历史行为包括所有应用向目标对象推荐消息的生成时刻和目标对象的访问信息；所述目标对象的访问信息包括目标对象对任一应用的访问次数、访问时刻和访问时长；

S2，选取任一应用并根据时间段对该应用的推荐消息进行分类，得到若干子数据集；获取任一推荐消息生成时刻t后的首个访问时刻T，并计算生成时刻t与访问时刻T的时间差值，得到响应时间，根据响应时间计算该子数据集的推荐分数W，若存在任一子数据集的推荐分数W大于预设阈值，则将该子数据集所属时间段标定为优先推荐时间；

S3，获取任一应用的所有优先推荐时间并计算得到推荐时间总量M，若M大于预设阈值，则将该应用所发推荐消息标定为第一推荐消息；若M小于等于预设阈值，则将该应用所发推荐消息标定为第二推荐消息；

S4，获取该应用的待推荐消息，若该待推荐消息为第一推荐消息，则直接输出至目标对象客户端；若该待推荐消息为第二推荐消息，则在所述优先推荐时间内输出至目标对象客户端。

作为本发明进一步的方案：所述S2中，分类的具体过程为：

预设单位时间并将单位时间划分为若干均等时间区间，根据推荐消息的生成时刻所属时间区间对推荐消息进行分类，得到若干子数据集；所述单位时间为1天。

作为本发明进一步的方案：所述S2中，还包括获取任一访问时刻T和访问时长H，构建访问时间区间[T，T+H]，将处于任一访问时间区间的推荐消息进行删除。

作为本发明进一步的方案：所述S2中，推荐分数W的具体计算过程为：

wi=1/e^-（t-T）；

；

其中，wi为任一推荐消息的推荐分数，t为响应时间，T为首个请求时间，n为推荐消息的数量。

作为本发明进一步的方案：所述S3中，若存在任一应用的所有子数据集推荐分数均小于等于预设阈值，则对所有子数据集推荐分数W并进行归一化处理，得到任一子数据集对应时间段的权重值并标记为Q1,Q2,...,Qm，m为正整数；

获取任一时间段所对应的优先推荐应用数量B，根据时间段的权重值和优先推荐应用数量B，计算第二推荐分数E并按照从高到低的顺序进行排序，并选取前第一预设数量的时间段作为优先推荐时间；

第二推荐分数E的计算过程为：

E=Qi*β^(Bi-D)；

Qi为任一时间段的权重值，Bi为该时间区域对应的优先推荐应用数量，D为所有应用数量，β为预设修正系数且β小于1。

作为本发明进一步的方案：第一推荐消息采用弹窗方式和通知中心方式直接推荐给目标对象；第二推荐消息采用通知中心方式推荐给目标对象。

作为本发明进一步的方案：所述S4中，若存在任一时间区间为多个应用的优先推荐时间区间，则根据推荐消息的生成时刻进行排序并根据排序结果生成对应的任务并输出至目标对象客户端。

作为本发明进一步的方案：对推荐消息进行排序是针对相同类型的推荐消息，且排序顺序为第一推荐消息＞第二推荐消息。

本发明的有益效果：

本发明通过获取目标对象客户端的历史行为并根据推荐消息的生成时刻所属时间区间，对所述推荐消息数据进行分类，得到若干子处理数据集，计算任一推荐消息的点击时刻与该推荐时间的时间差值得到响应时间，根据响应时间和该推荐消息的点击行为计算得到任一子处理数据集的推荐分数，并得出任一应用的优先推荐时间总量，根据优先推荐时间总量对推荐消息进行优先级划分，对推荐时间进行划分并根据划分的结果确定应用推荐的时间，根据推荐时间和推荐优先级对推送到目标客户端的内容进行筛选，提高用户内容浏览的效率，提升了用户的实际体验。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明的一种基于大数据的网络内容推荐方法的流程示意图。

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它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于大数据的网络内容推荐方法，包括以下步骤：

S1，获取目标对象客户端的历史行为，所述历史行为包括所有应用向目标对象推荐消息的生成时刻和目标对象的访问信息；所述目标对象的访问信息包括目标对象对任一应用的访问次数、访问时刻和访问时长；

S2，选取任一应用并根据时间段对该应用的推荐消息进行分类，得到若干子数据集；获取任一推荐消息生成时刻t后的首个访问时刻T，并计算生成时刻t与访问时刻T的时间差值，得到响应时间，根据响应时间计算该子数据集的推荐分数W，若存在任一子数据集的推荐分数W大于预设阈值，则将该子数据集所属时间段标定为优先推荐时间；

S3，获取任一应用的所有优先推荐时间并计算得到推荐时间总量M，若M大于预设阈值，则将该应用所发推荐消息标定为第一推荐消息；若M小于等于预设阈值，则将该应用所发推荐消息标定为第二推荐消息；

S4，获取该应用的待推荐消息，若该待推荐消息为第一推荐消息，则直接输出至目标对象客户端；若该待推荐消息为第二推荐消息，则在所述优先推荐时间内输出至目标对象客户端。

本发明通过获取目标对象客户端的历史行为并根据推荐消息的生成时刻所属时间区间，对所述推荐消息数据进行分类，得到若干子处理数据集，计算任一推荐消息的点击时刻与该推荐时间的时间差值得到响应时间，根据响应时间和该推荐消息的点击行为计算得到任一子处理数据集的推荐分数，并得出任一应用的优先推荐时间总量，根据优先推荐时间总量对推荐消息进行优先级划分，对推荐时间进行划分并根据划分的结果确定应用推荐的时间，根据推荐时间和推荐优先级对推送到目标客户端的内容进行筛选，提高用户内容浏览的效率，提升了用户的实际体验。

在本发明的一种优选的实施例中，所述S2中，分类的具体过程为：

预设单位时间并将单位时间划分为若干均等时间区间，根据推荐消息的生成时刻所属时间区间对推荐消息进行分类，得到若干子数据集；所述单位时间为1天。

在本发明的另一种优选的实施例中，所述S2中，还包括获取任一访问时刻T和访问时长H，构建访问时间区间[T，T+H]，将处于任一访问时间区间内的推荐消息进行删除。

当目标对象已经访问该应用时，此时目标对象的是受在访问之前的推荐消息的影响并不受访问时间区间内的推荐消息的影响，若不删除会影响后续推荐分数的计算，导致推荐分数出现误差。

在本发明的另一种优选的实施例中，所述S2中，推荐分数W的具体计算过程为：

wi=1/e^-（t-T）；

；

其中，wi为任一推荐消息的推荐分数，t为响应时间，T为首个请求时间，n为推荐消息的数量。

在本发明的另一种优选的实施例中，所述S3中，若存在任一应用的所有子数据集推荐分数均小于等于预设阈值，则对所有子数据集推荐分数W并进行归一化处理，得到任一子数据集对应时间段的权重值并标记为Q1,Q2,...,Qm，m为正整数；

获取任一时间段所对应的优先推荐应用数量B，根据时间段的权重值和优先推荐应用数量B，计算第二推荐分数E并按照从高到低的顺序进行排序，并选取前第一预设数量的时间段作为优先推荐时间；

第二推荐分数E的计算过程为：

E=Qi*β^(Bi-D)；

Qi为任一时间段的权重值，Bi为该时间区域对应的优先推荐应用数量，D为所有应用数量，β为预设修正系数且β小于1。

若存在任一应用没有所述优先推荐时间，说明目标对象对该应用的访问频率较低，因此获取该应用在所有子数据集对应的推荐分数W并进行归一化处理，得到该应用在不同时间段的权重值，并获取任一时间段所对应的优先推荐应用数量B，根据时间段的权重值和优先推荐应用数量B，计算第二推荐分数E并按照从高到低的顺序进行排序，考虑通过考虑不同时间段的权重值和应用的推荐数量，来实现对该应用的推荐时间段进行划分，既避免了过度重合推荐导致用户信息负荷加大，又实现了该应用的信息内容推荐。

在本发明的另一种优选的实施例中，第一推荐消息采用弹窗方式和通知中心方式直接推荐给目标对象；第二推荐消息采用通知中心方式推荐给目标对象。

通过弹窗方式提供第一推荐消息，可以确保用户即时注意到重要的推荐内容；同时，利用通知中心方式提供第二推荐消息，为用户查看略逊一筹或次要的推荐提供了途径，提高用户内容浏览的效率，提升了用户的实际体验。

在本发明的另一种优选的实施例中，所述S4中，若存在任一时间区间为多个应用的优先推荐时间区间，则根据推荐消息的生成时刻进行排序并根据排序结果生成对应的任务并输出至目标对象客户端。

在本发明的另一种优选的实施例中，对推荐消息进行排序是针对相同类型的推荐消息，且排序顺序为第一推荐消息＞第二推荐消息。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种基于大数据的网络内容推荐方法，其特征在于，包括以下步骤：

S1，获取目标对象客户端的历史行为，所述历史行为包括所有应用向目标对象推荐消息的生成时刻和目标对象的访问信息；所述目标对象的访问信息包括目标对象对任一应用的访问次数、访问时刻和访问时长；

S2，选取任一应用并根据时间段对该应用的推荐消息进行分类，得到若干子数据集；获取任一推荐消息生成时刻t后的首个访问时刻T，并计算生成时刻t与访问时刻T的时间差值，得到响应时间，根据响应时间计算该子数据集的推荐分数W，若存在任一子数据集的推荐分数W大于预设阈值，则将该子数据集所属时间段标定为优先推荐时间；

S3，获取任一应用的所有优先推荐时间并计算得到推荐时间总量M，若M大于预设阈值，则将该应用所发推荐消息标定为第一推荐消息；若M小于等于预设阈值，则将该应用所发推荐消息标定为第二推荐消息；

S4，获取该应用的待推荐消息，若该待推荐消息为第一推荐消息，则直接输出至目标对象客户端；若该待推荐消息为第二推荐消息，则在所述优先推荐时间内输出至目标对象客户端。

2.根据权利要求1所述的一种基于大数据的网络内容推荐方法，其特征在于，所述S2中，分类的具体过程为：

预设单位时间并将单位时间划分为若干均等时间区间，根据推荐消息的生成时刻所属时间区间对推荐消息进行分类，得到若干子数据集；所述单位时间为1天。

3.根据权利要求1所述的一种基于大数据的网络内容推荐方法，其特征在于，所述S2中，还包括获取任一访问时刻T和访问时长H，构建访问时间区间[T，T+H]，将处于该访问时间区间内的推荐消息进行删除。

4.根据权利要求1所述的一种基于大数据的网络内容推荐方法，其特征在于，所述S2中，推荐分数W的具体计算过程为：

wi=1/e^-（t-T）；

；

其中，wi为任一推荐消息的推荐分数，t为响应时间，T为首个请求时间，n为推荐消息的数量。

5.根据权利要求1所述的一种基于大数据的网络内容推荐方法，其特征在于，所述S3中，若存在任一应用的所有子数据集推荐分数均小于等于预设阈值，则对所有子数据集推荐分数W并进行归一化处理，得到任一子数据集对应时间段的权重值并标记为Q1,Q2,...,Qm，m为正整数；

获取任一时间段所对应的优先推荐应用数量B，根据时间段的权重值和优先推荐应用数量B，计算第二推荐分数E并按照从高到低的顺序进行排序，并选取前第一预设数量的时间段作为优先推荐时间；

第二推荐分数E的计算过程为：

E=Qi*β^(Bi-D)；

Qi为任一时间段的权重值，Bi为该时间区域对应的优先推荐应用数量，D为所有应用数量，β为预设修正系数且β小于1。

6.根据权利要求1所述的一种基于大数据的网络内容推荐方法，其特征在于，第一推荐消息采用弹窗方式和通知中心方式直接推荐给目标对象；第二推荐消息采用通知中心方式推荐给目标对象。

7.根据权利要求1所述的一种基于大数据的网络内容推荐方法，其特征在于，所述S4中，若存在任一时间区间为多个应用的优先推荐时间区间，则根据推荐消息的生成时刻进行排序并根据排序结果输出至目标对象客户端。

8.根据权利要求7所述的一种基于大数据的网络内容推荐方法，其特征在于，对推荐消息进行排序是针对相同类型的推荐消息，且排序顺序为第一推荐消息＞第二推荐消息。