实时兴趣信息的计算方法及系统技术方案

本发明专利技术公开了一种实时兴趣信息的计算方法及系统，方法包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；生成目标用户的实时兴趣信息。上述方式根据用户在物理空间内的轨迹和停留时间，推算用户对当前物理空间的各个子空间的感兴趣程度，进而生成针对与用户的个性化信息，使得为用户生成的个性化信息具有更高的价值。有更高的价值。有更高的价值。

【技术实现步骤摘要】
实时兴趣信息的计算方法及系统


[0001]本专利技术涉及计算机
，具体涉及一种实时兴趣信息的计算方法及系统。

技术介绍

[0002]目前，越来越多的平台都具有个性化推荐的需求，通常会通过feed流、视频流、消息推送等方式进行个性化推荐，从而达到吸引用户参与、提升用户停留的效果。
[0003]但是，专利技术人在实现本专利技术的过程中发现：现有技术中通常是基于用户画像标签和用户对线上内容的反馈生成用户可能感兴趣的信息，也即针对于用户的个性化信息，而没有考虑用户在当前所处的物理空间内的兴趣需求，导致为用户生成的个性化信息价值不高。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的实时兴趣信息的计算方法及系统。
[0005]根据本专利技术的一个方面，提供了一种实时兴趣信息的计算方法，包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；生成目标用户的实时兴趣信息。
[0006]可选地，根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重进一步包括：将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。
[0007]可选地，方法进一步包括：以前N/>‑
1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。
[0008]可选地，生成目标用户的实时兴趣信息进一步包括：若存在至少一个第一用户其对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
[0009]可选地，生成目标用户的实时兴趣信息进一步包括：根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。
[0010]可选地，方法进一步包括：根据目标用户的历史步行距离数据确定步行距离阈值；
若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。
[0011]可选地，方法进一步包括：确定实时兴趣信息对应的第二用户的数量；其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。
[0012]可选地，方法进一步包括：根据其他用户的当前空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；生成目标用户的实时兴趣信息进一步包括：根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
[0013]可选地，实时兴趣信息包括以下中的一种或多种：传感器所采集的实时空间状态信息、基于视觉设备采集到的空间人员位置分布信息、基于视觉设备采集到的空间物体位置分布信息、标记用户上传的知识信息。
[0014]可选地，方法进一步包括：响应于目标用户发起的信息拉取请求，向目标用户下发实时兴趣信息。
[0015]可选地，方法进一步包括：将目标用户的实时兴趣信息加入推送消息队列。
[0016]根据本专利技术的另一方面，提供了一种实时兴趣信息的计算系统，包括：轨迹获取模块，适于获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；兴趣计算模块，适于根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
[0017]可选地，兴趣计算模块进一步适于：将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。
[0018]可选地，装置进一步包括：模型训练模块，适于以前N
‑
1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。
[0019]可选地，兴趣计算模块进一步适于：若存在至少一个第一用户其对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
[0020]可选地，兴趣计算模块进一步适于：根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。
[0021]可选地，装置进一步包括：过滤模块，适于根据目标用户的历史步行距离数据确定
步行距离阈值；若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。
[0022]可选地，过滤模块进一步适于：确定实时兴趣信息对应的第二用户的数量；其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。
[0023]可选地，装置进一步包括：用户检测模块，适于根据其他用户的当前空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；兴趣计算模块进一步适于：根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。
[0024]可选地，实时兴趣信息包括以下中的一种或多种：传感器所采集的实时空间状态信息、基于视觉设备采集到的空间人员位置分布信息、基于视觉设备采集到的空间物体位置分布信息、标记用户上传的知识信息。
[0025]可选地，装置进一步包括：发送模块，适于响应于目标用户发起的信息拉取请求，向目标用户下发实时兴趣信息。
[0026]可选地，装置进一步包括：处理模块，适于将目标用户的实时兴趣信息加入推送消息队列。
[0027]根据本专利技术的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述实时兴趣信息的计算方法对应的操作。
[0028]根据本专利技术的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述实时兴趣信息的计算方法对应的操作。
[0029]根据本专利技术的一种实时兴趣信息的计算方法及系统，方法包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，所述物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实时兴趣信息的计算方法，包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，所述物理空间具有预设领域属性，且所述物理空间包含多个子空间，每个子空间具备至少一个标签；根据所述目标用户的当前空间轨迹以及停留时间，计算所述目标用户对应的各个子空间的标签权重；生成所述目标用户的实时兴趣信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户的当前空间轨迹以及停留时间，计算所述目标用户对应的各个子空间的标签权重进一步包括：将所述目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过所述循环神经网络模型，计算所述目标用户对应的各个子空间的标签权重。3.根据权利要求2所述的方法，其特征在于，所述方法进一步包括：以前N
‑
1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到所述循环神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述生成所述目标用户的实时兴趣信息进一步包括：若存在至少一个第一用户其对应的各个子空间的标签权重与所述目标用户对应的各个子空间的标签权重相似，根据所述至少一个第一用户对应的各个子空间的标签权重以及所述目标用户对应的各个子空间的标签权重，生成所述目标用户的实时兴趣信息。5.根据权利要求1所述的方法，其特征在于，所述生成所述目标用户的实时兴趣信息进一步包括：根据所述目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成所述目标用户的实时兴趣信息。6.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：根据所述目标用户的历史步行距离数据确定步行距离阈值；若所述实时兴趣信息对应的空间位置与所述目标用户的实时空间位置之间的步行距离超过所述步行距离阈值，过滤所述实时兴趣信息。7.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：确定所述实时兴趣信息对应的第二用户的数量；其中，所述第二用户的实时空间位置和所述实时兴趣信息对应的空间位置之间的距...

【专利技术属性】
技术研发人员：刘少杰，赵征，
申请(专利权)人：北京奇岱松科技有限公司，
类型：发明
国别省市：