基于数据挖掘及LBS的兼职智能推荐系统技术方案

本发明专利技术公开了基于数据挖掘及LBS的兼职智能推荐系统，包括APP客户端、大数据日志存储池、大数据挖掘系统、推荐系统缓存池、推荐系统数据库与APP推送服务器；APP客户端对APP页面及按钮进行行为统计埋点，将相关数据写入到大数据日志存储池中；大数据挖掘系统定期抽取大数据日志存储池中的数据，并结合数据挖掘算法进行数据分析；将分析结果写入推荐系统缓存池中，并同步地持久化到推荐系统数据库中；APP推送服务器结合LBS从推荐系统缓存池中查询匹配信息获取适合该用户的筛选条件，将与用户最匹配的兼职信息列表推送给APP客户端。本发明专利技术提高推荐信息与用户的匹配度，同时大幅度优化用户使用APP的体验。

【技术实现步骤摘要】

本专利技术涉及互联网领域，具体是基于数据挖掘及LBS的兼职智能推荐系统。
技术介绍
一般的兼职推送系统都是针对固定用户群体进行简单的信息推送，或者针对某条兼职信息进行大范围的推送，用户很难获取到精准匹配的信息。用户每天收到大部分都是一些符合程度不高的信息，例如推送的信息一般都是某个地区点击率高的热度信息，但很难和被推送的用户高度匹配起来。
技术实现思路
本专利技术的目的在于提供提高推荐信息与用户的匹配度的基于数据挖掘及LBS的兼职智能推荐系统，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案: 基于数据挖掘及LBS的兼职智能推荐系统，包括APP客户端、大数据日志存储池、大数据挖掘系统、推荐系统缓存池、推荐系统数据库与APP推送服务器；APP客户端对APP页面及按钮进行行为统计埋点，先临时写到本地日志中；APP客户端会定期复制本地日志副本并同时清除原本地日志内容，然后通过http post请求将本地日志副本push上传到日志处理服务中心，日志处理服务中心读取用户行为日志并将数据写入到大数据日志存储池中；大数据挖掘系统通过MapReduce定期抽取大数据日志存储池中的数据，并结合数据挖掘算法进行数据分析；数据分析完毕后，将会得到分析结果；大数据挖掘系统将分析结果写入推荐系统缓存池中，并同步地持久化到推荐系统数据库中；APP推送服务器结合LBS从推荐系统缓存池中查询匹配信息获取适合该用户的筛选条件，通过筛选条件从推荐系统数据库中的兼职表中查询出与用户最匹配的兼职信息列表，推送给APP客户端。作为本专利技术进一步的方案:大数据日志存储池包含hadoop、hbase集群。作为本专利技术进一步的方案:推荐系统缓存池采用Redis缓存集群或kafka分布式消息系统。作为本专利技术进一步的方案:分析结果包括用户ID与多条匹配的兼职信息的标签信息、用户ID与用户标签信息的标签信息。作为本专利技术进一步的方案:与用户最匹配的兼职信息列表以JSON的形式推送给用户。与现有技术相比，本专利技术的有益效果是: 本专利技术根据对用户行为数据的作数据分析并结合LBS技术实现兼职信息的智能推荐。大大提高了推荐信息与用户的匹配度，同时大幅度优化了用户使用APP的体验。【附图说明】图1是本专利技术的结构框图。【具体实施方式】下面将结合本专利技术实施例，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术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，都属于本专利技术保护的范围。实施例1 请参阅图1，本专利技术实施例中，基于数据挖掘及LBS的兼职智能推荐系统，包括APP客户端、大数据日志存储池、大数据挖掘系统、推荐系统缓存池、推荐系统数据库与APP推送服务器。基于数据挖掘及LBS的兼职智能推荐系统的具体工作过程如下所述。1、APP推送服务器主动推送信息(后台运营人员): APP推送服务器的后台运营人员会定期准备一些适合做推荐的信息(这些信息主要来源于紧急的招聘信息、企业增值服务信息、活动推广信息等)，然后登陆推送系统及后台运营系统编辑好待推送的推荐内容并设置好接收用户的筛选条件，点击立即推送后。APP推送服务器会根据后台运营人员的待推送内容及接收用户的筛选条件，到推荐系统数据库的用户信息表中筛选适合的用户列表，并结合推荐信息缓存池中“用户ID〈一〉用户标签信息”的标签信息得出最终适合接收该推荐内容的用户列表。APP推送服务器将所有内容组合成JSON信息串并以http post请求形式发送给用户。有效客户端(在线客户端或客户端离线后重新上线)接收到APP推送服务器端主动推送过来的JSON数据，通过固定格式解析JSON数据并获取推送内容。APP客户端如果最小化在后台进程中，则APP客户端将以通知栏的形式将推送信息显示给用户并将数据缓存到内存、本地磁盘或SQLite数据库；APP客户端显示在手机前台时(用户正在使用时)JljAPP客户端将显示在APP客户端中的“兼职对对碰”模块的页面中。用户点击后即可查看本次推送的详细推送信息内容。2、APP推送服务器主动推送信息(系统中心): 系统中心根据推荐系统平台用户活跃度时段规律，定期从推荐系统缓存池中抽取“用户ID〈一〉多条匹配的兼职信息”格式的数据，并通过并发轮询的形式向固定用户推送JSON 信息，例如:“{ WrId": 10001，"job": {〃id〃: "001"，"title": 〃推荐兼职标题"，"content": 〃推荐兼职内容"，"XXX": "XXX"}} ”，有效客户端(在线客户端或客户端离线后重新上线)接收到APP推送服务器主动推送过来的JSON数据，通过固定格式解析JSON数据并获取推送内容。APP客户端如果最小化在后台进程中，则APP客户端将以通知栏的形式将推送信息显示给用户并将数据缓存到内存、本地磁盘或SQLite数据库；APP客户端显示在手机前台时(用户正在使用时)，则APP客户端将推送信息显示在APP客户端中的“兼职对对碰”模块的页面中。用户点击后即可查看本次推送的详细内容。3、APP客户端主动获取推送信息: 用户每一次登录或者打开APP客户端进入首页时，会首先调用手机GPS进行定位，并同时将获得的经玮度等LBS信息及用户信息上传到APP推送服务器。然后，APP客户端会启动一个子线程主动发送一条http post请求到APP推送服务器并等待APP推送服务器信息返回。APP推送服务器接收到APP客户端请求后，会根据用户的LBS地理位置及用户信息，并结合推荐系统缓存池中“用户ID〈一〉用户标签信息”的标签信息获取适合该用户的筛选条件，接着以这些筛选条件从推荐系统数据库中的兼职表中查询出与用户最匹配的兼职信息列表，以JSON的形式response回给用户，诸如:“ { 〃userld〃: 10001, "jobList":}，，。APP 客户端接收到APP推送服务器返回的JSON信息后，会通过固定格式解析JSON数据并获取具体的推送内容(一串与用户高度匹配的推荐兼职信息)。APP客户端会将这堆兼职信息显示在APP的“你可能感兴趣”的模块上。届时，用户便可以浏览到APP推送服务器主动推荐的兼职信息。本专利技术中MapReduce是一种编程模型，用于大规模数据集(大于1TB)的并行运算。概念"Map (映射)〃和〃Reduce (归约)〃，和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map (映射)函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce (归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组。数据挖掘算法是根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析提供的数据，并查找特定类型的模式和趋势。LBS，基于位置的服务，它是通过电信移动运营商的无线电通讯网络(如GSM网、CDMA网)或外部定位方式(如GPS)获取移动终端用户的位置信息(地理坐标，或大地坐标)，在地理本文档来自技高网...

【技术保护点】
基于数据挖掘及LBS的兼职智能推荐系统，其特征在于，包括APP客户端、大数据日志存储池、大数据挖掘系统、推荐系统缓存池、推荐系统数据库与APP推送服务器；APP客户端对APP页面及按钮进行行为统计埋点，先临时写到本地日志中；APP客户端会定期复制本地日志副本并同时清除原本地日志内容，然后通过http post请求将本地日志副本push上传到日志处理服务中心，日志处理服务中心读取用户行为日志并将数据写入到大数据日志存储池中；大数据挖掘系统通过MapReduce定期抽取大数据日志存储池中的数据，并结合数据挖掘算法进行数据分析；数据分析完毕后，将会得到分析结果；大数据挖掘系统将分析结果写入推荐系统缓存池中，并同步地持久化到推荐系统数据库中；APP推送服务器结合LBS从推荐系统缓存池中查询匹配信息获取适合该用户的筛选条件，通过筛选条件从推荐系统数据库中的兼职表中查询出与用户最匹配的兼职信息列表，推送给APP客户端。

【技术特征摘要】

【专利技术属性】
技术研发人员：王锐旭，
申请(专利权)人：广州九尾信息科技有限公司，
类型：发明
国别省市：广东;44