【技术实现步骤摘要】
本专利技术涉及融媒体技术，尤其涉及融媒体用户个性化内容推荐与行为分析方法及系统。
技术介绍
1、随着互联网技术和移动终端的快速发展，融媒体平台已经成为用户获取信息的重要渠道。为了提升用户体验和平台运营效率，个性化内容推荐系统在融媒体平台中发挥着越来越重要的作用。传统的融媒体推荐系统主要基于协同过滤和内容特征匹配等方法，通过分析用户的历史行为数据来预测用户兴趣，并据此进行内容推荐。
2、首先，现有技术在处理用户行为特征时往往采用简单的特征拼接或加权平均的方式，无法有效捕捉不同类型内容之间的关联性以及用户兴趣随时间的动态变化特征，导致推荐结果的准确性和个性化程度不足。
3、其次，传统推荐方法在进行用户兴趣建模时，较少考虑时序信息的影响，未能充分利用用户在不同时间段的行为模式特征，这使得系统难以准确把握用户兴趣的演变规律，影响推荐效果。
4、最后，现有的推荐系统在处理热点事件时，往往难以在个性化推荐和热点传播之间取得良好的平衡，要么过分强调个性化而忽视了热点内容的及时推送，要么一味追求热点传播而损害了推荐的个性化体验，缺乏有效的多目标平衡机制。
技术实现思路
1、本专利技术实施例提供融媒体用户个性化内容推荐与行为分析方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供融媒体用户个性化内容推荐与行为分析方法，包括：
4、获取用户在融媒体平台的历史浏览数据，基于所述历史浏览数据，构建用户行为
5、采用双重注意力机制对所述用户行为特征向量进行处理，基于内容级注意力机制计算不同内容类型的重要性权重，基于时序级注意力机制计算不同时间窗口的动态权重，将两个层次的注意力权重与所述用户行为特征向量进行融合，得到融合特征向量；
6、基于所述融合特征向量通过可学习的变换矩阵结合门控循环单元得到表征用户兴趣动态变化的隐状态特征，并且根据层次化预测概率获取用户兴趣预测结果；
7、根据所述用户兴趣预测结果，结合实时热点事件的传播趋势，建立多目标平衡推荐策略，其中所述多目标平衡推荐策略通过动态调节内容时效性、用户兴趣匹配度，在保证推荐内容个性化的同时，提升热点事件的及时推送效果；
8、根据所述多目标平衡推荐策略，从融媒体内容库中筛选待推荐内容，并将所述待推荐内容按照预设展示规则推送给用户。
9、基于所述历史浏览数据，构建用户行为特征向量包括：
10、所述内容偏好特征通过对内容分类进行词向量编码获得包括：构建多层次内容分类体系，将内容按照主题、领域、具体类别进行分层划分；采用层次化注意力机制，分别计算不同层次的语义特征，并基于注意力权重将各层次特征自适应融合，生成内容偏好特征；
11、所述时间偏好特征基于观看时间段的时序分布计算获得包括：基于所述观看时间段构建多个时序分布矩阵，采用时间衰减函数对不同时间窗口的时序分布矩阵进行加权计算，生成时间偏好特征。
12、基于内容级注意力机制计算不同内容类型的重要性权重，基于时序级注意力机制计算不同时间窗口的动态权重，将两个层次的注意力权重与所述用户行为特征向量进行融合，得到融合特征向量包括：
13、将内容偏好特征构建为内容特征矩阵，对所述内容特征矩阵进行维度映射得到内容隐层特征，基于所述内容隐层特征计算注意力得分，通过softmax函数将所述注意力得分转化为内容类型的重要性权重，所述重要性权重用于识别对用户兴趣表达具有影响的内容类型；
14、将用户的行为序列按照预设时间间隔划分为多个时间窗口，构建时序特征矩阵，结合历史行为的隐状态信息计算每个时间窗口的注意力系数，将所述注意力系数通过softmax函数转化为时间窗口的动态权重，所述动态权重用于刻画不同时间窗口对用户当前兴趣的影响程度；
15、将所述内容类型的重要性权重与所述内容特征矩阵进行加权融合得到内容加权特征，将所述时间窗口的动态权重与所述时序特征矩阵进行加权融合得到时序加权特征；
16、将所述内容加权特征与所述时序加权特征进行特征拼接，通过可学习的融合权重矩阵对拼接特征进行残差连接得到融合特征向量。
17、基于所述融合特征向量通过可学习的变换矩阵结合门控循环单元得到表征用户兴趣动态变化的隐状态特征，并且根据层次化预测概率获取用户兴趣预测结果包括：
18、计算所述融合特征向量不同维度间的交互矩阵，所述交互矩阵用于表征不同特征维度之间的关联强度；
19、通过可学习的变换矩阵将所述交互矩阵映射为查询矩阵、键矩阵和值矩阵，计算所述查询矩阵与所述键矩阵的相似度得到注意力分布，将所述注意力分布与所述值矩阵进行加权得到注意力增强特征；
20、将所述注意力增强特征输入门控循环单元，通过重置门控制历史信息的遗忘程度，通过更新门调节当前状态的更新比例，得到表征用户兴趣动态变化的隐状态特征；
21、基于所述隐状态特征通过sigmoid函数计算粗粒度预测概率，基于所述隐状态特征与所述注意力增强特征的组合通过sigmoid函数计算细粒度预测概率，基于预测的置信度计算融合权重系数；
22、将所述粗粒度预测概率与所述细粒度预测概率通过所述融合权重系数进行加权组合，得到最终的用户兴趣预测结果。
23、根据所述用户兴趣预测结果，结合实时热点事件的传播趋势，建立多目标平衡推荐策略之前，所述方法还包括确定实时热点事件的传播趋势：
24、获取多个监测平台的热点事件数据，其中所述热点事件数据包括平台访问数据、用户互动数据以及传播路径数据；提取每个时间点的访问量，将所述访问量与对应的监测平台预设的权重系数相乘，对所有监测平台的加权访问量进行累加，得到所述热点事件数据的访问量特征，所述监测平台预设的权重系数基于平台用户规模与平台活跃度确定；
25、基于所述传播路径数据构建传播层级树，识别每个传播节点所属的传播层级，统计每个传播层级的传播节点数量，将所述传播节点数量与该层级对应的层级影响因子相乘，对所有层级的计算结果进行归一化处理，得到所述热点事件数据的传播深度特征；
26、分别计算所述访问量特征和所述传播深度特征的归一化值，将每个归一化值代入指数函数得到对应的自适应权重系数，基于所述自适应权重系数对所述访问量特征和所述传播深度特征进行加权组合，得到所述热点事件数据的传播势能；
27、获取所述热点事件数据的发生时间，计算当前时间与所述发生时间的时间差，计算单位时间内所述传播势能的变化率，根据所述变化率对预设的初始衰减系数进行动态调节得到实时衰减系数，将所述传播势能与所述实时衰减系数相乘，得到考虑时间衰减效应的最终传播势能。
28、根据所述用户兴趣预测结果，结合实时本文档来自技高网...
【技术保护点】
1.融媒体用户个性化内容推荐与行为分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述历史浏览数据，构建用户行为特征向量包括：
3.根据权利要求1所述的方法，其特征在于，基于内容级注意力机制计算不同内容类型的重要性权重，基于时序级注意力机制计算不同时间窗口的动态权重，将两个层次的注意力权重与所述用户行为特征向量进行融合，得到融合特征向量包括：
4.根据权利要求1所述的方法，其特征在于，基于所述融合特征向量通过可学习的变换矩阵结合门控循环单元得到表征用户兴趣动态变化的隐状态特征，并且根据层次化预测概率获取用户兴趣预测结果包括：
5.根据权利要求1所述的方法，其特征在于，根据所述用户兴趣预测结果，结合实时热点事件的传播趋势，建立多目标平衡推荐策略之前，所述方法还包括确定实时热点事件的传播趋势：
6.根据权利要求1所述的方法，其特征在于，根据所述用户兴趣预测结果，结合实时热点事件的传播趋势，建立多目标平衡推荐策略包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
<...【技术特征摘要】
1.融媒体用户个性化内容推荐与行为分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述历史浏览数据，构建用户行为特征向量包括：
3.根据权利要求1所述的方法，其特征在于，基于内容级注意力机制计算不同内容类型的重要性权重，基于时序级注意力机制计算不同时间窗口的动态权重，将两个层次的注意力权重与所述用户行为特征向量进行融合，得到融合特征向量包括：
4.根据权利要求1所述的方法，其特征在于，基于所述融合特征向量通过可学习的变换矩阵结合门控循环单元得到表征用户兴趣动态变化的隐状态特征，并且根据层次化预测概率获取用户兴趣预测结果包括：
5.根据权利要求1所述的方法，其特征在于，根据所...
【专利技术属性】
技术研发人员：燕宪文，
申请(专利权)人：北京同方凌讯科技有限公司，
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。