The invention discloses an information push method based on machine learning, which includes: acquiring data sets for establishing user behavior analysis model, in which the data sets are composed of multiple off-line user behavior data; establishing user behavior analysis model with the data sets as training samples; receiving real-time online user behavior data collected by terminal, and based on the said use. User behavior analysis model, the online user behavior data behavior analysis, get the online user behavior data interest value, according to the online user behavior data interest value, content association and recommendation. The invention also discloses a device, device and storage medium. The invention establishes a user behavior analysis model through machine learning in artificial intelligence technology to analyze the real-time online behavior data of users, thereby improving the accuracy of real-time user behavior analysis, and providing high-quality personalized content recommendation for users.
【技术实现步骤摘要】
基于机器学习的信息推送方法、设备、装置及存储介质
本专利技术涉及通信
,尤其涉及一种基于机器学习的信息推送方法、设备、装置及存储介质。
技术介绍
随着科学技术的进步及计算机信息业务量的快速增长,用户使用网络应用也日益增加,进而产生大量的信息数据。目前,利用大数据对用户行为进行分析,提取用户兴趣,不仅可以为用户提供个性化定制与推送等高质量服务,还可以优化改善应用平台,进而提高应用平台的生存周期和营收,降低应用平台的运营成本。但海量网络用户,产生的实时行为数据巨大,导致对用户行为的分析,其业务针对性不够,没有定位的目标群体,因而如何实现高效分析、提高分析精准率仍然是当今重要的研究课题。
技术实现思路
本专利技术的主要目的在于提供一种基于机器学习的信息推送方法、设备、装置及存储介质,旨在解决如何提高用户实时行为分析的准确率,并实现个性化内容推荐的技术问题。为实现上述目的,本专利技术提供的一种基于机器学习的信息推送方法,所述基于机器学习的信息推送方法包括以下步骤:获取用于建立用户行为分析模型的数据集,其中,所述数据集由多个离线用户行为数据组成;以所述数据集为训练样本,建立用户行为分析模型;接收终端实时采集的在线用户行为数据,并基于所述用户行为分析模型,对所述在线用户行为数据进行行为分析,得到所述在线用户行为数据的兴趣值;根据所述在线用户行为数据的兴趣值,进行内容关联与推荐。优选地,所述以所述数据集为训练样本,建立用户行为分析模型包括:对离线用户行为数据进行特征提取,得到若干特征参数,其中,所述特征参数至少包括用户属性、访问次数、访问时段、停留板块、停留时间、处理 ...
【技术保护点】
1.一种基于机器学习的信息推送方法,其特征在于,所述基于机器学习的信息推送方法包括以下步骤:获取用于建立用户行为分析模型的数据集,其中,所述数据集由多个离线用户行为数据组成;以所述数据集为训练样本,建立用户行为分析模型;接收终端实时采集的在线用户行为数据,并基于所述用户行为分析模型,对所述在线用户行为数据进行行为分析,得到所述在线用户行为数据的兴趣值;根据所述在线用户行为数据的兴趣值,进行内容关联与推荐。
【技术特征摘要】
1.一种基于机器学习的信息推送方法,其特征在于,所述基于机器学习的信息推送方法包括以下步骤:获取用于建立用户行为分析模型的数据集,其中,所述数据集由多个离线用户行为数据组成;以所述数据集为训练样本,建立用户行为分析模型;接收终端实时采集的在线用户行为数据,并基于所述用户行为分析模型,对所述在线用户行为数据进行行为分析,得到所述在线用户行为数据的兴趣值;根据所述在线用户行为数据的兴趣值,进行内容关联与推荐。2.如权利要求1所述的基于机器学习的信息推送方法,其特征在于,所述以所述数据集为训练样本,建立用户行为分析模型包括:对离线用户行为数据进行特征提取,得到若干特征参数,其中,所述特征参数至少包括用户属性、访问次数、访问时段、停留板块、停留时间、处理耗时中的任一项;基于预设的维度分类规则,对特征参数进行维度划分,其中,所述维度至少包括用户、产品、报价、活跃、黏性中的任一项;根据各维度的特征参数,计算兴趣值,并将所述兴趣值作为分析结果;以离线用户行为数据为输入量、以分析结果为输出量,建立用户行为分析模型。3.如权利要求2所述的基于机器学习的信息推送方法,其特征在于,所述根据各维度的特征参数,计算兴趣值作为分析结果包括:对各维度的特征参数进行类别概率分布处理和相似度处理,得到概率分布矩阵和相似度矩阵;对所述概率分布矩阵和所述相似度矩阵进行线性加权组合,得到离线用户的兴趣值,并将所述兴趣值作为离线用户行为数据的分析结果,其中,所述兴趣值对应表示离线用户高关注度的预设板块内容。4.如权利要求1至3中任一项所述的基于机器学习的信息推送方法,其特征在于,在所述对所述在线用户行为数据进行行为分析,得到所述在线用户行为数据的兴趣值之后,所述基于机器学习的信息推送方法还包括:根据所述在线用户行为数据及分析所述在线用户行为数据得到的兴趣值,...
【专利技术属性】
技术研发人员:熊晓龙,聂品,
申请(专利权)人:深圳壹账通智能科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。