【技术实现步骤摘要】
本申请涉及计算机领域，具体涉及一种基于聚类标签优化推荐给用户的产品的方法、介质和设备。
技术介绍
1、随着互联网技术的快速发展，互联网信息数量也在迅速增长。以前，网络用户在获取资讯时，需要从互联网上搜索与内容相关的信息，而现在，网络用户可以根据自己的实际需求搜索自己需要的信息，但是从互联网的海量信息中获取最新的、满足网络用户需求的信息较为困难，是目前需要解决的问题之一。
2、用户在浏览网站时会留下多种网络数据，并被互联网自动识别并收集，比如网络用户的喜好、生活习惯、工作职业、消费水平等信息，网络平台会针对网络用户个人的信息选择有效的信息数据作为标签，然后根据做成的标签信息构建属于网络用户个人的抽象模型，接着将用户感兴趣的产品进行对应的推荐。目前主流的推荐算法包括基于内容的推荐、协同过滤推荐、基于规则的推荐、混合推荐等。
3、传统的推荐算法没有考虑到标签对推荐结果的影响，只根据用户对资源的评分单方面挖掘用户兴趣，未能对用户兴趣进行有效划分，同时也忽略了用户兴趣随着时间推移发生的变化，需要花费大量的时间，且为用户推荐的产品并不能非常好地迎合用户需求。
技术实现思路
1、鉴于上述问题，本申请提供了一种基于智能标签的安全日志告警的技术方案，以解决现有的产品推荐方法需要花费大量时间，推荐资讯不够精准，无法满足用户需求的问题。
2、为实现上述目的，在第一方面，本申请提供了一种基于聚类标签优化推荐给用户的产品的方法，所述方法包括：
3、获取企业用户
4、采用聚类分析算法对所述特征集合进行聚类分析，得到企业用户分类和一级标签；
5、将所述一级标签通过决策树进行处理，得到二级标签，所述二级标签包括营销标签、风险标签以及偏好标签；
6、根据二级标签建立产品推荐模型，记录某一企业用户针对某一产品的购买行为，计算与该企业用户具有关联性且尚未购买该产品的其他企业用户集合，将该产品推荐给所述其他企业用户集合中满足第一预设条件的其他企业用户，所述第一预设条件为当前企业用户与其他企业用户基于所述二级标签计算得出的针对同一产品的关联度。
7、进一步的，所述决策树包括第一决策树、第二决策树和第三决策树；
8、所述第一决策树对应输出所述营销标签，所述第一决策树的机会节点为企业用户的营业能力和经营风险，所述第一决策树的终结点为企业用户所能承受产品的风险等级；
9、所述第二决策树对应输出所述风险标签，所述第二决策树的机会节点为企业用户历史数据中浏览产品资讯的时间段和平均成交金额，所述第二决策树的终结点为推荐产品的理想时段以及交易金额水平；
10、所述第三决策树对应输出所述偏好标签，所述第三决策树的机会节点为搜索关键词信息和企业用户历史数据中浏览产品资讯的时间段，所述第三决策树的终结点为用户喜爱浏览的产品类型。
11、进一步的，所述方法包括：
12、定期获取企业用户的相关数据，当满足第二预设条件时，对企业用户对应的二级标签进行更新；
13、所述第二预设条件包括以下内容中的任一项或多项：
14、企业用户的营业能力和经营风险发生变化；
15、企业用户历史数据中浏览产品资讯的时间段和平均成交金额发生变化；
16、搜索关键词信息和企业用户历史数据中浏览产品资讯的时间段发生变化；
17、检测到企业用户所购买的产品的风险类型与当前企业用户对应的风险等级不匹配且购买次数超过了预设次数。
18、进一步的，所述采用聚类分析算法对所述特征集合进行聚类分析包括：
19、利用k-means聚类算法对所述特征集合进行聚类分析，得到初步的分类结果；
20、将初步分析结果中属于同一聚类的所有一级标签作为该聚类中心并重新计算相似度，直到聚类中心不再发生变化，以及将满足预设特定值的数据分别归类生成一级标签，得到一级标签聚类集合c＝{c1，c2，...cn}。
21、进一步的，所述方法包括：
22、利用皮尔逊相关系数分析一级标签数据之间的相关性，具体计算方式如公式(1)所示，所述公式(1)如下：
23、simi＝cov(x，y)/(std(x)*std(y))
24、其中，cov(x，y)表示x和y的协方差，std(x)和std(y)分别表示x和y的标准，simi表示皮尔逊系数，该系数的取值在[-1，1]之间，1表示完全正相关，0表示无相关性，-1表示完全负相关。
25、进一步的，所述方法包括：
26、根据公式(2)向关联用户推荐产品，所述公式(2)如下：
27、tm*n＝[w(e1，r1)，w(e1，r2)，...，w(e1，rn)；
28、w(e2，r1)，w(e2，r2)，...， w(e2，rn)；
29、…
30、w(em，r1)，w(em，r2)，...，w(em，rn)；]
31、
32、
33、pj＝pj+q1*a+q2*(b+c)+q3*d
34、re＝max(pj)，0＜j＜n+1
35、其中，tm*n为关联矩阵，该关联矩阵的行向量表示同一企业用户和不同产品的关联度，该关联矩阵的列向量表示不同用户和同一产品的关联度，ei为第i个用户对应的二级标签，0＜i＜m+1，rj为第j个产品，0＜j＜n+1，w(e，r)为用户和产品之间的相关性所占的权重，pj为第j个产品的推荐度，re为最终要推荐给企业用户的产品，m代表企业用户个数，n代表产品个数；a为所有用户针对当前产品的喜爱度的平均值，b为收集的所有用户针对当前产品的评分均值，c为活动成交频率，d为对应的用户喜爱度；对于q1和q2为自定义的(0，1)的权重值，q3为感兴趣的用户对应的用户粘性取倒数。
36、进一步的，所述方法包括：
37、对所述一级标签中的数据以看板的形式进行可视化展示，所述可视化展示的内容包括企业用户对应的交易报名次数、企业用户的总成交金额以及平均成交金额、以及企业用户的地域分布情况和企业客户的所属行业分布情况中的任一项或多项。
38、进一步的，所述企业用户的关联性根据以下因素确定：企业用户对应的二级标签的相似度和企业用户所处的地理位置区域；
39、所述方法包括：
40、当检测到某一地理位置区域中企业用户针对某一推荐产品的购买行为时，适应性增加该地理位置区域中的尚未购买该推荐产品的企业用户关于该推荐产品的推荐权重。
41、在第二方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如本申请第一方面所述的基于聚类标签优化推荐给用户的产品的方法。
42、在第三方面，本申请提供了一种电子设备，其上存储有计算机程序，包括处理器和存储介质本文档来自技高网...
【技术保护点】
1.一种基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述决策树包括第一决策树、第二决策树和第三决策树；
3.如权利要求1或2所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
4.如权利要求1或2所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述采用聚类分析算法对所述特征集合进行聚类分析包括：
5.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
6.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
7.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
8.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8任一项所述的基于聚类
10.一种电子设备，其上存储有计算机程序，其特征在于，包括处理器和存储介质，所述存储介质上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8任意一项所述的基于聚类标签优化推荐给用户的产品的方法。
...【技术特征摘要】
1.一种基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述决策树包括第一决策树、第二决策树和第三决策树；
3.如权利要求1或2所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
4.如权利要求1或2所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述采用聚类分析算法对所述特征集合进行聚类分析包括：
5.如权利要求1所述的基于聚类标签优化推荐给用户的产品的方法，其特征在于，所述方法包括：
6.如权利要求1所述的基于聚类标签优化推荐给用户的...
【专利技术属性】
技术研发人员：刘建宝，郑可欣，蔡万水，
申请(专利权)人：福建顶点软件股份有限公司，
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。