一种基于人工智能的信息推送方法技术

本发明专利技术公开了一种基于人工智能的信息推送方法，涉及信息处理技术领域，本发明专利技术提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽

【技术实现步骤摘要】
一种基于人工智能的信息推送方法


[0001]本专利技术涉及信息处理
，尤其涉及一种基于人工智能的信息推送方法
。

技术介绍

[0002]随着移动互联网的迅速发展和信息量的爆炸性增长，用户面临着如何从海量信息中筛选出真正有价值和符合个人兴趣的内容的挑战
。
此外，随着社交媒体和电子商务的兴起，用户的行为和偏好变得越来越复杂，简单的推送策略已经无法满足现代业务的需求
。
例如，仅仅依靠用户过去的点击历史进行推送可能会陷入过度个性化的陷阱，导致用户错过其他可能感兴趣的新内容
。
与此同时，大量的信息推送可能导致用户感到压力和困扰，尤其是当推送内容与用户的实际需求和兴趣不符时
。
这不仅会降低用户的满意度和参与度，还可能导致用户对平台或服务产生不信任和负面情感
。
[0003]现有技术中信息推送方法主要依赖于固定算法或手动策略，如关键词匹配
、
内容分类等，这些方法在处理大规模
、
多样性和动态变化的数据时往往效果不佳，不能满足用户日益增长的个性化需求
。

技术实现思路

[0004]本专利技术提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本专利技术提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽
。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]本专利技术提供一种基于人工智能的信息推送方法，包括：
[0007]收集用户在特定平台或应用上的行为数据
。
[0008]利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集
。
[0009]根据所述特征集，生成所述用户个性化信息推送模型
。
[0010]使用所述推送模型，从内容源中筛选出与所述用户匹配的内容
。
[0011]将与所述用户匹配的内容推送给所述用户
。
[0012]进一步的，所述的基于人工智能的信息推送方法，在将与所述用户匹配的内容发送给所述用户之后，还包括：
[0013]根据所述用户对推送内容的反馈，优化所述推送模型
。
[0014]进一步的，所述的基于人工智能的信息推送方法，所述预处理，包括：
[0015]删除所述行为数据中重复
、
异常及错误的数据
。
[0016]补充所述行为数据中的缺失值
。
[0017]对所述行为数据进行标准化和归一化，以确保所述行为数据在同一尺度上
。
[0018]进一步的，所述的基于人工智能的信息推送方法，根据所述特征集，生成所述用户
个性化信息推送模型，包括：
[0019]根据所述特征集为所述用户生成特征向量
。
[0020]运用聚类算法，对所述用户进行聚类
。
[0021]对每一类所述用户生成信息推送模型
。
[0022]进一步的，所述的基于人工智能的信息推送方法，在根据所述特征集，生成所述用户个性化信息推送模型之后，还包括：
[0023]对所述个性化信息推送模型进行调整
。
[0024]进一步的，所述的基于人工智能的信息推送方法，使用所述推送模型，从内容源中筛选出与所述用户匹配的内容，包括：
[0025]将所述内容源中的各内容赋予分类和标签
。
[0026]根据所述分类和标签将各所述内容与所述用户进行匹配
。
[0027]进一步的，所述的基于人工智能的信息推送方法，所述行为数据，包括：
[0028]所述行为数据包含但不限于浏览历史
、
购买记录
、
搜索记录和点击率
。
[0029]进一步的，所述的基于人工智能的信息推送方法，所述人工智能算法，包括：
[0030]所述人工智能算法包含但不限于深度学习技术和神经网络
。
[0031]进一步的，所述的基于人工智能的信息推送方法，所述深度学习技术，包括：
[0032]所述深度学习技术包含但不限于卷积神经网络
、
递归神经网络和长短时记忆网络
。
[0033]进一步的，所述的基于人工智能的信息推送方法，所述反馈，包括：
[0034]所述反馈包含但不限于所述用户的点击
、
点赞
、
评论
、
分享及保存
。
[0035]本专利技术提供一种基于人工智能的信息推送方法，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对行为数据进行预处理，并提取行为数据的特征集；根据特征集，生成用户个性化信息推送模型；使用推送模型，从内容源中筛选出与用户匹配的内容；将与用户匹配的内容推送给用户，相比于现有技术，本专利技术提供了更准确和个性化的信息推送，提高了用户满意度；减少了无关和冗余的推送内容，节省了用户的时间和带宽
。
[0036]此外，本专利技术通过持续的模型优化，确保了推送内容的持续相关性
。
[0037]最后，本专利技术对个性化信息推送模型进行调整，进一步确保了信息推送的准确性
。
附图说明
[0038]为了更清楚地说明本专利技术实施例的技术方案，以下将对实施例描述中所需要使用的附图作简单地介绍，附图仅用于示出实施方式的目的，而并不认为是对本专利技术的限制
。
[0039]图1为本专利技术实施例中一种基于人工智能的信息推送方法流程示意图；
[0040]图2为本专利技术实施例中另一种基于人工智能的信息推送方法流程示意图；
[0041]图3为本专利技术实施例中另一种基于人工智能的信息推送方法流程示意图
。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述
。
显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围
。
[0043]除非另有定义，本专利技术所使用的所有的技术和科学术语与属于本专利技术术领域的技术人员通常理解的含义相同；本专利技术中所使用的术语只是为了描述具体地实施例的目的，不是旨在于限制本专利技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含
。
[0044]在本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的信息推送方法，其特征在于，包括：收集用户在特定平台或应用上的行为数据；利用人工智能算法对所述行为数据进行预处理，并提取所述行为数据的特征集；根据所述特征集，生成所述用户个性化信息推送模型；使用所述推送模型，从内容源中筛选出与所述用户匹配的内容；将与所述用户匹配的内容推送给所述用户
。2.
根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，在将与所述用户匹配的内容发送给所述用户之后，还包括：根据所述用户对推送内容的反馈，优化所述推送模型
。3.
根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述预处理，包括：删除所述行为数据中重复
、
异常及错误的数据；补充所述行为数据中的缺失值；对所述行为数据进行标准化和归一化，以确保所述行为数据在同一尺度上
。4.
根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，根据所述特征集，生成所述用户个性化信息推送模型，包括：根据所述特征集为所述用户生成特征向量；运用聚类算法，对所述用户进行聚类；对每一类所述用户生成信息推送模型
。5.
根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，在根据所述特征集，生成所述用户个性化信息推送模型之后...

【专利技术属性】
技术研发人员：覃莹，张娜，
申请(专利权)人：广西诺比智能科技有限公司，
类型：发明
国别省市：