一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及互联网信息技术领域，公开了一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质，即首先根据用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，然后查找得到与用户类别对应的多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，最后监控目标用户的用户即时行为数据，并在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则时，将该条服务内容调出并推送至目标用户的应用前端，由此可以大大提高所推荐的服务信息与用户需求的匹配度，保障服务推荐的高精准度，特别适用于在诸如会计服务、法律服务、咨询服务和企业服务等中介服务网络平台中。

【技术实现步骤摘要】
一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质
本专利技术属于互联网信息
，具体地涉及一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质。
技术介绍
随着“互联网+”时代的到来，信息技术运用到行业的方方面面，使得创业型、微小型企业发展迅猛，随之而产生的且诸如会计服务、法律服务、咨询服务和企业服务等中介服务也被人们所广泛接受。例如，很多微小企业经营的规模小、没有专职的财务人员，需要找专业的财税中介机构帮助企业进行财务和税务的管理。考虑提供服务的中介机构众多，用户难以通过互联网查找到合适或匹配的服务机构，由此针对服务信息的推荐引擎技术应运而生，其技术目的是主动发现用户当前或潜在需求的定律，并主动推送服务信息给用户的信息网络；以及挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象；推荐引擎不是被动查找，而是主动推送；不是独立媒体，而是媒体网络；不是检索机制，而是主动学习。推荐引擎技术是一种利用基于内容、基于用户行为、基于社交关系网络等多种方法，为用户推荐其喜欢的商品或内容的互联网信息技术。本文档来自技高网...

【技术保护点】
1.一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，包括如下步骤：/nS101.采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；/nS102.根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；/nS103.根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述...

【技术特征摘要】
1.一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，包括如下步骤：
S101.采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；
S102.根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；
S103.根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式；
S104.监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。


2.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S101中，包括有如下步骤：通过日志数据的拉取方式、数据库记录数据的抽取方式和网络公开数据的爬虫抓取方式中的任意一种或它们的任意组合采集获取所述用户数据。


3.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S102中，所采用的机器学习算法为K最近邻分类算法，并按照如下步骤S201～S205得到目标用户所属的用户类别：
S201.对所述用户数据进行预处理，得到数据结构与训练数据一致的测试元素，其中，预处理方式包括数据清洗和/或数据分类；
S202.在设定参数K的取值后，维护一个队列长度为K且按距离由小到大排列的最近邻队列；
S203.从所述训练数据中随机选取K个训练元素作为所述测试元素的初始最近邻元素，然后分别计算所述测试元素到各个初始最近邻元素的距离，并按距离由小到大排列方式将各个初始最近邻元素的唯一标号及对应距离存入所述最近邻队列中；
S204.按照如下方式遍历所述训练数据中的各个训练元素：先计算所述测试元素到训练元素的距离，若某个训练元素的对应距离小于所述最近邻队列中最末位元素的对应距离，则在所述最近邻队列中删除该最末位元素的唯一标号及对应距离，然后将该训练元素的唯一标号及对应距离存入所述最近邻队列中，并在所述最近邻队列中按距离由小到大重新排列各个元素；
S205.在遍历完毕后，分析获取所述最近邻队列中K个训练元素的多数元素所属用户类别，然后将该多数元素所属用户类别作为目标用户所属的用户类别。


4.如权利要求3所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S205之后还包括如下步骤：
S206.计算所述测试元素到所述最近邻队列中各个元素的距离标准差；
S207.针对设定的且参数K的多个不同取值，逐一地重复执行步骤S202～S206,得到对应的距离标准差和多数元素所属用户类别；
S208.选取与距离标准差最小值对应的多数元素所属用户类别作为目标用户最终所属的用户类别。


5.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S102之后且所述步骤S103之前，还包括有如下步骤S301～S302:
S301.根据目标用户所属的用户类别，查找得到基于层次分析法所得的且关于该用户类别与各个分类指标的权重计算公式：



式中，为用户类别的权重计算结果，为分类指标的总数，为介于1～之间的自然数，为第个分类指标的...

【专利技术属性】
技术研发人员：刘怀建，谭志钢，
申请(专利权)人：深圳市成功快车科技有限公司，
类型：发明
国别省市：广东;44