基于机器学习的信息推送方法、设备、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于机器学习的信息推送方法，该方法包括：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。本发明专利技术还公开了一种设备、装置及存储介质。本发明专利技术通过人工智能技术中的机器学习建立用户行为分析模型，用以对用户实时在线的行为数据进行分析，进而提高了用户实时行为分析的准确率，并为用户提供高质量的个性化内容推荐。

Information Pushing Method, Equipment, Device and Storage Medium Based on Machine Learning

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。优选地，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。优选地，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，对所述用户行为分析模型进行更新。优选地，所述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包括：根据所述在线用户行为数据的兴趣值，得到与所述在线用户行为数据兴趣相似的K个离线用户关注度高所对应的预设板块内容；以所述在线用户行为数据的兴趣值为中心，根据所述中心与K个离线用户兴趣值之间的差值大小，确定K个预设板块内容的关联匹配度；按照所述关联匹配度由高至低的顺序输出预设板块内容至所述终端，以供所述终端进行显示。优选地，所述基于机器学习的信息推送方法还包括：在预设时间段内，根据接收的在线用户行为数据及其输出的预设板块内容，生成推荐报表，以供后台人员进行查看和/或更新板块内容。此外，为实现上述目的，本专利技术还提供一种个性化推荐设备，所述个性化推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的个性化推荐程序，所述个性化推荐程序被所述处理器执行时实现如上述中任一项所述的基于机器学习的信息推送方法的步骤。此外，为实现上述目的，本专利技术还提供一种个性化推荐装置，所述个性化推荐装置包括：获取模块，用于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；建模模块，用于以所述数据集为训练样本，建立用户行为分析模型；分析模块，用于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；推荐模块，用于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。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有个性化推荐程序，所述个性化推荐程序被处理器执行时实现如上述中任一项所述的基于机器学习的信息推送方法的步骤。本专利技术首先获取由多个离线用户行为数据组成的数据集，然后以该数据集为训练样本，建立用户行为分析模型，进而当接收到终端实时采集的在线用户行为数据时，即可通过建立的用户行为分析模型，对在线用户行为数据进行行为分析，得到该在线用户行为数据的兴趣值，最后根据兴趣值为在线用户行为数据对应的用户进行内容关联与推荐。本专利技术以多个用户的离线行为数据为基础通过人工智能技术中的机器学习构建用户行为分析模型，进而对用户实时在线的行为数据进行分析，提高了用户实时行为分析的准确率，进而为用户提供高质量的个性化内容推荐，从而提高了用户的使用体验。附图说明图1为本专利技术实施例方案涉及的个性化推荐设备运行环境的结构示意图；图2为本专利技术基于机器学习的信息推送方法一实施例的流程示意图；图3为图2步骤S20一实施例的细化流程示意图；图4为图3步骤S23一实施例的细化流程示意图；图5为本专利技术个性化推荐装置一实施例的结构示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。参照图1，图1为本专利技术实施例方案涉及的个性化推荐设备运行环境的结构示意图。如图1所示，该个性化推荐设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的个性化推荐设备的硬件结构并不构成对个性化推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。其中，操作系统是管理和控制个性化推荐设备和软件资源的程序，支持个性化推荐程序以及其它软件和/或程序的运行。在图1所示的个性化推荐设备的硬件结构中，网络接口1004主要用于接入网络；用户接口1003主要用于侦测确认指令和编辑指令等。而处理器1001可以用于调用存储器1005中存储的个性化推荐程序，并执行以下操作：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本文档来自技高网...

【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