基于时空协同的用户画像个性化推荐方法技术

本发明专利技术涉及车联网领域，且公开了基于时空协同的用户画像个性化推荐方法，包括以下步骤：第一步：数据来源及提取；第二步：将用户属性数据中的连续特征全部转换成离散特征，采用独热编码的方式对用户进行向量化表征，采用多层感知机

【技术实现步骤摘要】
基于时空协同的用户画像个性化推荐方法


[0001]本专利技术涉及车联网领域，具体为基于时空协同的用户画像个性化推荐方法
。

技术介绍

[0002]智能座舱系统是一种集成了多种智能技术的汽车座舱系统
。
它常见于高端车型中，为驾驶员和乘客提供更高级的舒适和便捷体验
。
[0003]智能座舱系统通常包括以下特点和功能：
[0004]语音控制：驾驶员可以通过语音命令来控制座舱内的各种功能，如调节温度
、
切换音乐
、
导航等
。
这种控制方式更加方便和安全
。
[0005]触摸屏控制：系统会配备一个大尺寸的触摸屏，驾驶员和乘客可以通过触摸来控制多媒体
、
导航
、
通讯等功能
。
[0006]信息娱乐系统：智能座舱系统可以集成音乐
、
视频
、
网络等多媒体功能，提供丰富的娱乐选择
。
驾驶员和乘客可以通过系统访问在线音乐
、
电台
、
应用程序等
。
[0007]导航系统：系统会集成高精度的导航功能，可以提供实时路况信息
、
道路导航
、
语音导航等服务
。
驾驶员可以通过系统来规划最优路线，并实时获得导航指示
。
[0008]驾驶辅助功能：智能座舱系统还可以配备各种驾驶辅助功能，如自动泊车
、r/>全景摄像头
、
盲点监测等
。
这些功能可以提高驾驶的安全性和便捷性
。
[0009]远程控制：智能座舱系统还可以通过手机应用程序实现远程控制
。
驾驶员可以通过手机来预热座椅
、
打开车门
、
启动引擎等
。
[0010]智能座舱系统的发展不仅提升了驾驶体验，也提高了车辆的安全性和便捷性
。
随着人工智能和智能技术的不断进步，未来的智能座舱系统还将拥有更多更强大的功能
。
[0011]而现有的智能座舱系统无法结合推荐场景信息，向类似用户群体实时
/
准实时推荐相同功能应用的体验邀约，无法让客户拥有更多的体验，目前业界存在专利公开号为
CN112307332A
，对应的专利名称：基于用户画像聚类的协同过滤推荐方法
、
系统及存储介质，其相比于本专利技术，主要缺点是没有考虑到时间和空间因素对用户行为的影响，并且没有考虑到推荐的实时性，为此我们提出了基于时空协同的用户画像个性化推荐方法
。

技术实现思路

[0012](
一
)
解决的技术问题
[0013]针对现有技术的不足，本专利技术提供了基于时空协同的用户画像个性化推荐方法，主要应用于智能座舱系统，目的是基于时空协同的用户画像个性化推荐，当用户使用座舱系统中某项功能应用时，结合推荐场景信息
(
比如当前的时间和空间位置等
)
作为触发条件，向类似用户群体实时
/
准实时推荐相同功能应用的体验邀约，从而帮助用户全面体验座舱功能，提升产品的露出几率，以获得更多用户体验，实现产品闭环
。
[0014](
二
)
技术方案
[0015]为实现上述所述目的，本专利技术提供如下技术方案：基于时空协同的用户画像个性
化推荐方法，包括以下步骤：
[0016]第一步：过车机端上传的
Tbox
信号采集到的埋点数据，从而获取到原始的用户属数据和用户行为数据；
[0017]第二步：将用户属性数据中的连续特征全部转换成离散特征，采用独热编码的方式对用户进行向量化表征，采用多层感知机
MLP
将用户的历史行为表征为行为序列向量；
[0018]第三步：将用户属性向量和用户行为序列向量进行拼接，生成高维用户画像向量；
[0019]第四步：对高维用户画像向量运用
pca/tsne
进行降维，生成低维用户画像向量；
[0020]第五步：运用
kmeans/kmedoids
对生成的低维用户画像向量进行分组，每个组作为一个相似用户群体；
[0021]第六步：运用基于用户的协同过滤算法按组进行个性化推荐，若某用户对应的个性化召回结果数量不足，则用对应组里面该用户使用次数最少的功能应用进行补全；
[0022]第七步：将时空因素作为触发条件，将满足条件的功能应用实时
/
准实时推送给用户
。
[0023]优选的，所述第六步中如果没有使用过某功能应用，则使用次数为
0。
[0024]优选的，所述第七步中时间因素作为触发条件：经过对用户行为数据进行分析，统计最近一段时间内每个组在不同时间段使用不同功能应用的次数，然后根据使用次数降序排序，在推荐时根据当前时间所属时间段作为触发条件；
[0025]空间因素作为触发条件：通过
gps
获取对应的经纬度，对用户使用功能应用时所处经纬度使用
kmeans
算法进行聚类，然后将用户行为对应的经纬度数据分成多个组，从而获取到每个组别的中心点，通过统计最近一段时间内每个组使用不同功能应用的次数并进行降序排序，接着计算当前
gps
位置距离每个聚类中心点的距离，若距离某个聚类的中心点小于某个数值，最后提取统计的该类别中使用次数排在最前面的功能应用，然后实时
/
准实时推送给用户
。
[0026]优选的，所述用户画像数据包括用户属性数据和用户行为数据，其中用户属性类特征包括年龄
、
性别
、
购车时长
、
用户类型
、
注册时长
、
地域，用户行为数据主要是用户使用座舱系统中各个功能应用的情况，包括用户
id
，座舱系统中的功能应用名称
、
使用时间
、
使用功能应用时的经度
、
使用功能应用时的纬度
。
[0027]优选的，所述多层感知机
MLP
是包含多个全连接隐藏层的前向反馈模型，输入是用户最近
n
次的行为数据，输出是一个固定长度的向量来表征用户的历史行为，从而将用户行为序列表征为行为序列向量
。
[0028]优选的，所述采用
kmeans
算法时，关于如何确定最优
k
，通过比较很多组不同
k
值对应的轮廓系数，选取轮廓系数最大时对应的
k
值，进而获得最优的
k
值
。
[0029]优选的，所述时间因素触本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于时空协同的用户画像个性化推荐方法，其特征在于，包括以下步骤：第一步：过车机端上传的
Tbox
信号采集到的埋点数据，从而获取到原始的用户属数据和用户行为数据；第二步：将用户属性数据中的连续特征全部转换成离散特征，采用独热编码的方式对用户进行向量化表征，采用多层感知机
MLP
将用户的历史行为表征为行为序列向量；第三步：将用户属性向量和用户行为序列向量进行拼接，生成高维用户画像向量；第四步：对高维用户画像向量运用
pca/tsne
进行降维，生成低维用户画像向量；第五步：运用
kmeans/kmedoids
对生成的低维用户画像向量进行分组，每个组作为一个相似用户群体；第六步：运用基于用户的协同过滤算法按组进行个性化推荐；第七步：将时空因素作为触发条件，将满足条件的功能应用实时
/
准实时推送给用户
。2.
根据权利要求1所述的基于时空协同的用户画像个性化推荐方法，其特征在于：所述第六步中若某用户对应的个性化召回结果数量不足，则用对应组里面该用户使用次数最少的功能应用进行补全，如果没有使用过某功能应用，则使用次数为
0。3.
根据权利要求1所述的基于时空协同的用户画像个性化推荐方法，其特征在于：所述第七步中时间因素作为触发条件：经过对用户行为数据进行分析，统计最近一段时间内每个组在不同时间段使用不同功能应用的次数，然后根据使用次数降序排序，在推荐时根据当前时间所属时间段作为触发条件；空间因素作为触发条件：通过
gps
获取对应的经纬度，对用户使用功能应用时所处经纬度使用
kmeans
算法进行聚类，然后将用户行为对应的经纬度数据分成多个组，从而获取到每个组别的中心点，通过统计最近一段时间内每个组使用不同功能应用的次数并进行降序排序，接着计算当前
gps
位置距离每个聚类中心点的距离，若距离某个聚类的中心点小于某个数值，最后提取统计的该类别中使用次数排在最前面的功能应用，然...

【专利技术属性】
技术研发人员：邹斐，武秀根，曹振东，周福奇，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：