一种用户行为数据分析模型及其构建方法技术

本发明专利技术属于数据分析技术领域，公开了一种用户行为数据分析模型及其构建方法，所述用户行为数据分析模型：tKVn＜A1,A2,...,An＞；其中：KVn表示用户兴趣模型，A1‑An表示用户各兴趣权重，t表示时间；用户的兴趣模型表示为：KV：

【技术实现步骤摘要】
一种用户行为数据分析模型及其构建方法
本专利技术属于数据分析
，尤其涉及一种用户行为数据分析模型及其构建方法。
技术介绍
目前，业内常用的现有技术是这样的：随着网站规模的不断扩大，涵盖的频道也越来越繁杂，其中包含的内容也与日俱增，在如此大数据的信息平台下，如何更好的服务用户成了各门户网站的首要任务。从用户需求的角度考虑，对内容的判断标准是用户对此内容是否感兴趣。而如何做到对用户兴趣的精准匹配是比较困难的，特别是对图片、视频等非文本内容来说，因为本身缺乏描述性文本，因此兴趣标签成为一种非常重要的语义素材。综上所述，现有技术存在的问题是：对图片、视频等非文本内容本身缺乏描述性文本兴趣标签成为一种非常重要的语义素材。现在技术对图片、视频的识别率没有达到100％，判定存在误差。解决上述技术问题的难度和意义：解决的难度是建立并丰富平台内各个事物的兴趣分类，这个是工作量比较大的工作。例如在网站中，对网站中商品进行各自分类，通过用户对某个商品的关注度，来确定用户对该商品所属分类的关注度，以此为基础来构建用户的兴趣模型(模型中包含各个分类的权重数值)。本专利技术的基础是需要对各个图片、视频、文本性内容进行分类确定，通过分析用户对具体事物的兴趣来确定用户与对应兴趣分类的关系，分析之后就知道了用户对这一类事物是否感兴趣，综合对比用户在平台内的兴趣分类计算各兴趣权重是多少。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种用户行为数据分析模型及其构建方法。本专利技术的基础是需要对各个图片、视频、文本性内容进行分类确定，通过分析用户对具体事物的兴趣来确定用户与对应兴趣分类的关系，分析之后就知道了用户对这一类事物是否感兴趣，综合对比用户在平台内的兴趣分类计算各兴趣权重是多少。本专利技术通过矩阵计算得出用户的各个兴趣权重，而且是在分析用户各个行为的基础上得出的，这种方法准确度较高。本专利技术是这样实现的，一种用户行为数据分析模型，所述用户行为数据分析模型：tKVn＜A1,A2,...,An＞；KVn表示用户兴趣模型，A1-An表示用户各兴趣权重，t表示时间；随着时间的变化，用户的兴趣是有变化的，所以需要实时收集并分析用户的行为来改变用户的兴趣模型，可以依照该模型，为用户推荐其感兴趣的事。用户的兴趣模型表示为：KV：<A1，A2，...，An>。本专利技术的另一目的在于提供一种所述用户行为数据分析模型的构建方法，所述用户行为数据分析模型的构建方法包括以下步骤：步骤一，构建用户-搜索关键词矩阵；步骤二，将用户-行为矩阵转化为用户-兴趣矩阵，确定关键词汇-兴趣矩阵；通过分类算法，得到分类模型，应用到其余数据的分类问题当中，解决其余大量数据的分类问题；步骤三，用户行为矩阵转换为用户兴趣矩阵；步骤四，得到用户对该分类的兴趣权重。进一步，所述步骤一中用户-搜索关键词矩阵；用户集合：{U1,U2,U3,U4,U5}；关键词集合：{V1,V2,V3,V4}；用户的行为矩阵表示为：行表示用户，列表示关键词，1表示用户搜索过此关键词。进一步，所述步骤二中关键词-分类矩阵表示为：进一步，所述步骤三中用户-分类矩阵：表示为：Uuc＝Auv*Cvc；计算之后的结果：每个用户在某个兴趣上的偏好权重表示为：综上所述，本专利技术的优点及积极效果为：可以通过分析用户行为数据构建出用户的兴趣模型，模型能够及时捕捉用户兴趣的变化，调整个性化兴趣标签的排序，从而达到提高精准推荐和个性化推荐的效果。本专利技术可以在广告推荐、推荐相似文章、推荐用户喜爱商品等具体的应用。附图说明图1是本专利技术实施例提供的用户行为数据分析模型的构建方法流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术可以通过分析用户行为数据构建出用户的兴趣模型，模型能够及时捕捉用户兴趣的变化，调整个性化兴趣标签的排序，从而达到提高精准推荐和个性化推荐的效果。本专利技术实施例提供的用户行为数据分析模型：tKVn＜A1,A2,...,An＞。KVn表示用户兴趣模型，A1-An表示用户各兴趣权重，t表示时间；随着时间的变化，用户的兴趣是有变化的，所以需要实时收集并分析用户的行为来改变用户的兴趣模型，可以依照该模型，为用户推荐其感兴趣的事。如图1所示，本专利技术实施例提供的用户行为数据分析模型的构建方法包括以下步骤：S101：构建用户-搜索关键词矩阵；S102：将用户-行为矩阵转化为用户-兴趣矩阵，确定关键词汇-兴趣矩阵；通过分类算法，得到分类模型，应用到其余数据的分类问题当中，解决其余大量数据的分类问题；S103：用户行为矩阵转换为用户兴趣矩阵；S104：得到用户对该分类的兴趣权重。下面结合具体实施例对本专利技术的应用原理作进一步的描述。本专利技术实施例提供的用户行为数据分析模型的构建方法基于用户行为数据分析建立用户兴趣模型的核心工作就是将用户的行为转换为用户的兴趣。采用矩阵运算的思维方式，以下为例说明：1、用户-搜索关键词矩阵；用户集合：{U1,U2,U3,U4,U5}；关键词集合：{V1,V2,V3,V4}；用户的行为矩阵可以表示为：行表示用户，列表示关键词，1表示用户搜索过此关键词；2、关键词-分类矩阵将用户-行为矩阵转化为用户-兴趣矩阵，首先要确定关键词汇-兴趣矩阵。专家给出一些样本的分类结果，也就是一般意义的训练数据，然后通过分类算法，得到分类模型，然后应用到其余数据的分类问题当中，解决其余大量数据的分类问题。这样分类之后一个关键词汇会被标记为一种类别，假如有3个类别：{C1,C2,C3}；关键词-兴趣分类的矩阵可以表示为：3、用户-分类矩阵：用户行为矩阵转换为用户兴趣矩阵可以表示为：Uuc＝Auv*Cvc；计算之后的结果：每个用户在某个兴趣上的偏好权重可以表示为：上面的数据是从用户搜索的关键词这一方面计算的。而实际上在数据能够支撑的情况下，不可能只考虑一种行为。为了获得更合理的行为矩阵，我们就需要通过判断进行行为加权。比如，A1表示用户搜索的行为矩阵，A2表示购买的行为矩阵，A3表示评分的行为矩阵，那么加权公式就是：A＝αA1+βA2+γA3；至于a1、a2、a3的取值与我们建立模型的目的有关，如果更希望找准用户的品味偏好，那么取值大小可能是：α<β<γ；如果更希望用户购买，那么取值大小可能是：α<γ<β。最终得到的A就表示该用户对该分类的兴趣权重，用户的兴趣模型可以表示为：KV：<A1，A2，...，An>；由于用户兴趣是一个不断更新的过程，因此对于每个用户兴趣模型，需要考虑时间要素，以前的兴趣将不断衰减。因此最终的模型为：tKVn＜A1,A2,...,An＞。最终系统可以参照该模型，依照权重大小来推荐相应文章或商品。下面结合测试对本专利技术的应用效果作详细的描述。本专利技术通过分析用户行为数据，构建用户兴趣模型，能够准确的判断出用户的兴趣方向，模型能够及时捕捉用户兴趣的变化，调整个性化兴趣标签的排序，从而达到提高精准推荐和个性化推荐的效果。针对本专利技术的方法，做了简单的验证测试，测试结果本文档来自技高网...

【技术保护点】
1.一种用户行为数据分析模型，其特征在于，所述用户行为数据分析模型：tKVn＜A1,A2,...,An＞；KVn表示用户兴趣模型，A1‑An表示用户各兴趣权重，t表示时间；用户的兴趣模型表示为：KV：

【技术特征摘要】
1.一种用户行为数据分析模型，其特征在于，所述用户行为数据分析模型：tKVn＜A1,A2,...,An＞；KVn表示用户兴趣模型，A1-An表示用户各兴趣权重，t表示时间；用户的兴趣模型表示为：KV：<A1，A2，...，An>。2.一种如权利要求1所述用户行为数据分析模型的构建方法，其特征在于，所述用户行为数据分析模型的构建方法包括以下步骤：步骤一，构建用户-搜索关键词矩阵；步骤二，将用户-行为矩阵转化为用户-兴趣矩阵，确定关键词汇-兴趣矩阵；通过分类算法，得到分类模型，应用到其余数据的分类问题当中，解决其余大量数据的分类问题；步骤三，用户行为矩阵转换为用户兴趣矩阵；步骤四，得到用户对...

【专利技术属性】
技术研发人员：王建华，李慧都，程国艮，
申请(专利权)人：中译语通科技股份有限公司，
类型：发明
国别省市：北京,11