预测用户对商品的兴趣的方法、装置和广告发布方法制造方法及图纸

一种预测用户对商品的兴趣的方法、装置和广告发布方法。预测用户对商品的兴趣的方法包括：根据用户对商品的兴趣度的历史时间序列信息确定有关联关系的商品，将有关联关系的商品聚集为一类，并确定每个聚类中的中心商品、及关联商品；根据聚类的中心商品对应的历史时间序列信息、利用灰色建模获得聚类的中心商品的中心兴趣变化模型；根据聚类的关联商品对应的历史时间序列信息、利用中心商品和关联商品的关系获得聚类的关联商品的关联兴趣影响模型；利用中心兴趣变化模型、关联兴趣影响模型预测在下一个时间，用户对中心商品、和／或关联商品的兴趣度。该方法可准确预测出在下一个时间用户对商品的兴趣。

【技术实现步骤摘要】

本专利技术涉及网络通讯
，具体涉及一种预测用户对商品的兴趣的方法、广告发布方法、以及预测用户对商品的兴趣的装置。
技术介绍
目前，短信广告发布方法主要有如下三种方法一、直接向各移动用户发送商品促销、公关活动及优惠券等短信广告。方法二、采用特定区域、移动终端品牌等对用户进行细分，然后，将相应的短信广告发送至细分后的相应的用户群。方法三、从短信数据中挖掘出用户的商品兴趣、以及在一段时间内用户对商品兴趣的变化和发展趋势。然后，利用上述挖掘出的内容向用户发送相应的短信广告。专利技术人在实现本专利技术的过程中发现，上述三种方法主要存在如下问题方法一存在盲目发送短信广告的问题。即不论用户是否可能对该短信广告的内容产生兴趣，都向用户发送该短信广告，从而导致短信广告投放准确率低。由于不同区域、不同移动终端品牌等能够表示不同经济实力和购买能力等信息，因此，相对于方法一而言，方法二的短信广告投放准确率有所提高。但是，由于细分后、具有相同经济实例和购买能力等的用户对商品的兴趣各异，因此，针对于细分后、接收短信广告的用户群而言，方法二仍然存在盲目发送短信广告的问题。由于方法三挖掘了用户对商品的兴趣，因此，相对于方法二而言，方法三的短信广告投放准确率有所提高。但是，方法三忽略了用户对不同商品兴趣之间的相互影响，将用户对不同类别商品的兴趣均作为独立个体，因此，方法三没有体现出用户对商品的兴趣的整体情况。方法三的短信广告投放准确率有待于进一步提高。
技术实现思路
本专利技术实施方式提供一种预测用户对商品的兴趣的方法、装置及广告发布方法，将用户对各商品的兴趣作为一个整体，充分考虑了用户对不同商品兴趣之间的相互影响，可准确预测出在下一个时间用户对商品的兴趣。本专利技术实施方式提供的一种预测用户对商品的兴趣的方法，包括获取用户对商品的兴趣度的历史时间序列信息；根据用户对商品的兴趣度的历史时间序列信息确定有关联关系的商品，将有关联关系的商品聚集为一类，并确定每个聚类中的中心商品、及关联商品；根据聚类的中心商品对应的历史时间序列信息、利用灰色建模获得聚类的中心商品的中心兴趣变化模型；根据聚类的关联商品对应的历史时间序列信息、利用中心商品和关联商品的关系获得聚类的关联商品的关联兴趣影响模型；利用中心兴趣变化模型、关联兴趣影响模型预测在下一个时间，用户对中心商品、和/或关联商品的兴趣度，并输出所述预测的在下一个时间用户对中心商品、和/或关联商品的兴趣度。本专利技术实施方式还提供一种广告发布方法，所述方法包括步骤获取用户对商品的兴趣度的历史时间序列信息；从用户有兴趣的商品中确定有关联关系的商品，将相互有关联关系的商品聚集为一类，并确定每个聚类中的中心商品、及关联商品；根据所述历史时间序列信息、利用灰色建模GM获得聚类的中心商品的中心兴趣变化模型；根据所述历史时间序列信息、利用中心商品和关联商品的关系获得聚类的关联商品的关联兴趣影响模型；利用中心兴趣变化模型、关联兴趣影响模型预测在下一个时间段，用户对中心商品、和/或关联商品的兴趣度；根据所述用户对中心商品、和/或关联商品的兴趣度向用户发送相应商品的广告。本专利技术实施方式还提供一种预测用户对商品的兴趣的装置，该装置包括存储模块获取用户对商品的兴趣度的历史时间序列信息，并存储；聚类模块从用户有兴趣的商品中确定有关联关系的商品，将相互有关联关系的商品聚集为一类，并确定每个聚类中的中心商品、及关联商品；中心建模模块根据存储模块中存储的所述历史时间序列信息、利用灰色建模GM获得聚类的中心商品的中心兴趣变化模型；关联建模模块根据存储模块中存储的所述历史时间序列信息、利用中心商品和关联商品的关系获得聚类的关联商品的关联兴趣影响模型；预测模块用于利用中心兴趣变化模型、关联兴趣影响模型预测在下一个时间段，用户对中心商品、和/或关联商品的兴趣度，并输出所述预测的兴趣度。通过上述技术方案的描述可知，本专利技术实施方式通过对用户感兴趣的各商品进行聚类，从而能够得到商品的关联聚类模型，从而能够将用户对各商品的兴趣作为一个整体；通过为聚类中的中心商品、及关联商品分别进行建立模型，充分考虑了用户对不同商品兴趣之间的相互影响，从而可准确预测出在下一个时间用户对商品的兴趣。附图说明图1是本专利技术实施方式的预测用户对商品的兴趣的示意图；图2是本专利技术实施方式的预测用户对商品的兴趣的流程示意图；图3是本专利技术实施方式的采用HDASOM进行聚类的流程示意图；图4是本专利技术实施方式的神经元权值向量的自适应变化示意图；图5是本专利技术实施方式的HDGSOM的结构自增长的示意图；图6是本专利技术实施方式的建立中心兴趣变化模型的流程示意图；图7是本专利技术实施方式的建立关联兴趣影响模型的流程示意图。具体实施例方式下面对本专利技术实施方式提供的预测用户对商品的兴趣的方法进行说明。本专利技术实施方式提供的预测用户对商品的兴趣的方法需要利用用户对商品的兴趣度的历史时间序列信息。这里的历史时间序列信息需要体现出用户感兴趣的商品信息、用户对商品的兴趣度信息、以及用户对商品感兴趣的历史时间信息。历史时间序列信息包括的具体内容可根据实际情况设置，历史时间序列信息能够体现出上述三者内容即可，本专利技术实施方式不限制历史时间序列信息具体包括内容的表现形式。这里的商品可以是所有权能够转移的商品，也可以是使用权可以转移但是所有权不能够转移的商品；而且，这里的商品可以是有形商品，也可以是无形商品。这里的用户对商品的兴趣度可以是用户对商品的购买兴趣度，当然，也可以是用户对商品的租赁兴趣度等等；本专利技术实施方式不限制商品的具体表现形式、以及用户对商品的兴趣度的具体表现形式。本专利技术实施方式可以根据用户发送信息的情况来获取并存储历史时间序列信息，例如，从用户发送的信息中提取商品信息，将该商品信息作为用户感兴趣的商品信息，从用户发送的信息中确定商品信息出现的次数，将次数信息作为该商品的兴趣度信息，将用户发送信息的时间作为用户对该商品感兴趣的历史时间信息。这里的用户发送信息的情况可以为用户发送短信的情况，也可以为用户发送的邮件的情况等等。也就是说，本专利技术实施方式可以从用户发送的短信、邮件等等信息中获取历史时间序列信息。本专利技术实施方式可以利用现有的各种方法来获取历史时间序列信息，在此不再详细说明。在获取并存储了用户对商品的兴趣度的历史时间序列信息后，需要根据商品之间的关联关系对用户有兴趣的商品进行聚类，即从用户有兴趣的商品中确定有关联关系的商品，将相互有关联关系的商品聚集为一类，然后，确定每个聚类中的中心商品、及与该中心商品有关联关系的关联商品。本专利技术实施方式可以利用自组织神经网络对用户有兴趣的商品进行聚类，并将每个聚类中的神经元确定为中心商品，将一个聚类中的除神经元之外的其它商品确定为关联商品，一个聚类中的关联商品与该聚类中的中心商品之间有关联关系。本专利技术实施方式也可以采用现有技术中的其它方法来进行商品聚类。利用自组织神经网络对用户有兴趣的商品进行聚类的具体实现过程是多种多样的，下面以一种利用自组织神经网络对用户有兴趣的商品进行聚类为例、对商品聚类过程进行说明。步骤1、设置神经元初始个数、以及各神经元的初始权值向量。设置神经元初始个数即确定聚类的初始个数。设置神经元初始权值向量的方法有多种，例如，使用随机数来设置各神经元的本文档来自技高网...

【技术保护点】
一种预测用户对商品的兴趣的方法，其特征在于，所述方法包括步骤：获取用户对商品的兴趣度的历史时间序列信息；根据用户对商品的兴趣度的历史时间序列信息确定有关联关系的商品，将有关联关系的商品聚集为一类，并确定每个聚类中的中心商品、 及关联商品；根据聚类的中心商品对应的历史时间序列信息、利用灰色建模获得聚类的中心商品的中心兴趣变化模型；根据聚类的关联商品对应的历史时间序列信息、利用中心商品和关联商品的关系获得聚类的关联商品的关联兴趣影响模型；利用 中心兴趣变化模型、关联兴趣影响模型预测在下一个时间，用户对中心商品、和／或关联商品的兴趣度，并输出所述预测的在下一个时间用户对中心商品、和／或关联商品的兴趣度。

【技术特征摘要】

【专利技术属性】
技术研发人员：傅彦，周俊临，尚明生，邵刚，
申请(专利权)人：华为技术有限公司，电子科技大学，
类型：发明
国别省市：94[中国|深圳]