【技术实现步骤摘要】
本专利技术涉及智能推送，尤其涉及一种基于自学习的用户偏好信息自动推送方法。
技术介绍
1、随着信息时代的到来，信息的自动推送成为了一种非常重要的获取信息方式。通过智能算法和大数据分析等技术手段，能够将符合用户需求的信息主动呈现给用户，提高了信息获取的效率和精准度。未来，内容采集主动推送将会更加智能化和多样化，为用户带来更好的服务体验。用户偏好信息的自动推送优势非常多，一是节约时间，偏好信息内容采集主动推送能够将符合用户需求的信息直接呈现出来，避免了用户在海量信息中寻找所需信息的过程，节约了大量时间。二是精准度高：偏好信息内容采集自动推送能够通过算法和大数据分析等技术手段，将符合用户需求的信息进行精准过滤和分类，提高了信息的质量和精准度。三是个性化服务：偏好信息内容采集自动推送能够根据不同用户的需求和偏好，提供个性化的信息服务，增强用户黏性和满意度。但是，需要解决的问题是自动推送方法符合用户需求一段时间后精准度下降的问题。
2、中国专利公开号cn：103235827 b公开了一种科技信息自动分类筛选的方法，根据用户浏览习惯和所处地理位置，结合用户自身消息定制的属性主动向用户推送最有效信息的技术，它可以针对用户需求或者根据用户定制，有选择性地获取信息并进行分类筛选，然后及时地为用户提供其所需的科技服务信息，并实现用户数据库的自动更新，为用户提供更准确、及时的科技信息服务。但是，没有解决一段时间后自动推送信息精准度下降的问题。
技术实现思路
1、为此，本专利技术提供一种基于自
2、为实现上述目的，本专利技术提供一种基于自学习的用户偏好信息自动推送方法，本方法包括：
3、根据获取的带有单个标签的商品的偏好占比确定下一预设周期内推送的带有所述标签的商品的一级推送数量；
4、根据获取的带有单个标签的商品的价格区间占比确定下一预设周期内推送的带有所述标签的商品的二级推送数量；
5、基于所述一级推送数量和所述二级推送数量形成所述用户在下一预设周期内的商品推送策略；
6、基于所述用户在所述下一预设周期内的订单数量和愿望单增加数量计算的偏好评价值确定所述推送策略的可行性；
7、采用标签校正单元确定所述推送策略不可行的原因进行对应的优化。
8、进一步地，获取带有单个标签的商品的偏好占比的方法包括：
9、获取用户在单个所述预设周期内的历史浏览商品中所述标签的数量与历史浏览记录中商品总数量的比值标记为历史标签占比wa；
10、获取用户在单个所述预设周期内的愿望单商品中所述标签的数量与愿望单中商品总数量的比值标记为愿望标签占比wb；
11、基于所述历史标签占比和所述愿望标签占比确定所述用户在下一预设周期内所述标签商品的偏好占比w，设定w=α×wa+β×wb，其中，α与β均为加权系数；
12、通过所述偏好占比w确定所述用户在下一预设周期内所述标签商品的一级推送数量n，设定n=n×w，n为所述用户在下一预设周期内推送的商品总数。
13、进一步地，获取带有单个标签的商品的价格区间占比的方法包括：
14、获取用户在单个所述预设周期内的愿望单商品中处于单个预设的价格区间内的带有所述标签的商品的数量与愿望单商品中带有所述标签的商品的总数的比值标记为愿望单价格占比ca；
15、获取大数据中带有所述标签处于所述单个预设价格区间的商品的数量与带有所述标签的商品总数的比值标记为大数据价格占比cb；
16、基于所述愿望单价格占比和所述大数据价格占比确定所述用户在下一预设周期内处于所述价格区间的带有所述标签的商品的价格占比c，设定c=γ×ca+θ×cb，其中，γ与θ均为加权系数；
17、通过价格占比c确定所述用户在下一预设周期内推送处于所述价格区间的带有所述标签的商品的二级推送数量nc，设定nc=n×c,n为所述用户在下一预设周期内所述标签商品的一级推送数量。
18、进一步地，所述偏好评价值的计算公式包括：
19、
20、其中，δ为偏好评价值，f为上个预设周期内的订单数量，f1为本预设周期内的所述标签商品的订单数量，g为上个预设周期内的愿望单中增加的所述标签商品的数量，g1为本预设周期内的愿望单中增加的所述标签商品的数量；
21、基于偏好评价值判定所述推送策略可行时，标签控制单元基于订单数据中所述标签商品的数量进行反向优化；
22、或，初步判定所述推送策略不可行时，所述标签控制单元基于预设周期内浏览商品记录中所述标签商品的次数二次判定所述推送策略的可行性；
23、或，判定所述推送策略不可行时，确定原因进行对应的优化。
24、进一步地，所述标签控制单元基于订单数据中的所述标签商品占比确定带有所述标签的商品的推送数量的反向优化方式。
25、进一步地，所述标签控制单元基于订单数据中商品数量中的所述标签商品的减少数量与订单总数的比值二次判定所述推送策略不可行时，确定原因进行对应的优化。
26、进一步地，所述标签控制单元基于愿望单的所述标签商品的变化幅度确定所述推送策略不可行的原因。
27、进一步地，所述标签控制单元基于浏览所述标签商品的次数设有若干对单个所述领域的优化方式，且各优化方式的领域阈值调节幅度均不相同。
28、进一步地，所述标签控制单元基于愿望单所述标签商品的数量设有若干对单个所述领域的价格区间的优化方式，且各优化方式的价格阈值调节幅度均不相同。
29、进一步地，所述标签控制单元基于愿望单所述标签商品的数量预设数量的差值设有若干对单个所述领域的价格占比的优化方式，且各优化方式的价格占比阈值调节幅度均不相同。
30、与现有技术相比，本专利技术的有益效果在于，通过用户浏览商品记录和愿望单商品记录能够快速确定各标签的偏好占比，有效的确定下一预设周期内推送的所述标签商品的一级推送数量，本推送方式能够帮助用户更快地找到自己偏好的商品，通过所述标签的商品所处的价格区间的带有所述标签的商品的价格占比能够快速确定所述标签商品的二级推送数量，有效的提高了商家的销售额。同时，通过所述一级推送数量和所述二级推送数量能够快的确定商品推送策略，避免了误判情况的产生，同时，通过偏好评价值能够快确定所述推送策略的可行性，有效提高了推送策略的精准度，而且通过标签校正单元能够精准的确定所述推送策略不可行的原因进行优化，从而进一步提高了电商平台所述推送策略的精准度。
31、进一步地，本专利技术通过获取带有单个标签的商品的偏好占比的方法能够快速的确定用户在下一预设周期内所述标签商品的一级推送数量，有效的定位了用户偏好信息，避免了推送所述标签商品数量的误判。
32、进一步地，本专利技术通过获取带有单个标签的商品的价格区间占比的方法能本文档来自技高网...
【技术保护点】
1.一种基于自学习的用户偏好信息自动推送方法，其特征在于，包括：
2.根据权利要求1所述的基于自学习的用户偏好信息自动推送方法，其特征在于，获取带有单个标签的商品的偏好占比的方法包括：
3.根据权利要求2所述的基于自学习的用户偏好信息自动推送方法，其特征在于，获取带有单个标签的商品的价格区间占比的方法包括：
4.根据权利要求3所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述偏好评价值的计算公式包括：
5.根据权利要求4所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于订单数据中的所述标签商品占比确定带有所述标签的商品的推送数量的反向优化方式。
6.根据权利要求5所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于订单数据中商品数量中的所述标签商品的减少数量与订单总数的比值二次判定所述推送策略不可行时，确定原因进行对应的优化。
7.根据权利要求6所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于愿望单的所述标签商品的变化幅度
8.根据权利要求7所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于浏览所述标签商品的次数设有若干对单个领域的优化方式，且各优化方式的领域阈值调节幅度均不相同。
9.根据权利要求8所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于愿望单中所述标签商品的数量设有若干对单个所述领域的价格区间的优化方式，且各优化方式的价格阈值调节幅度均不相同。
10.根据权利要求9所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于愿望单中所述标签商品的数量与预设数量的差值设有若干对单个所述领域的价格占比的优化方式，且各优化方式的价格占比阈值调节幅度均不相同。
...【技术特征摘要】
1.一种基于自学习的用户偏好信息自动推送方法，其特征在于，包括：
2.根据权利要求1所述的基于自学习的用户偏好信息自动推送方法，其特征在于，获取带有单个标签的商品的偏好占比的方法包括：
3.根据权利要求2所述的基于自学习的用户偏好信息自动推送方法，其特征在于，获取带有单个标签的商品的价格区间占比的方法包括：
4.根据权利要求3所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述偏好评价值的计算公式包括：
5.根据权利要求4所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于订单数据中的所述标签商品占比确定带有所述标签的商品的推送数量的反向优化方式。
6.根据权利要求5所述的基于自学习的用户偏好信息自动推送方法，其特征在于，所述标签控制单元基于订单数据中商品数量中的所述标签商品的减少数量与订单总数的比值二次判定所述推送策略不可行时，确定原因进...
【专利技术属性】
技术研发人员：张红，刘文盛，王丹敏，
申请(专利权)人：广州宇中网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。