本發(fā)明涉及數(shù)據(jù)推送領(lǐng)域，具體為一種基于用戶屬性分析的數(shù)據(jù)推送方法及系統(tǒng)。

背景技術(shù)：

1、常見的數(shù)據(jù)推送方法一般是根據(jù)用戶的基礎(chǔ)屬性對用戶進行分類，然后根據(jù)分類對應的數(shù)據(jù)對用戶進行數(shù)據(jù)推薦，然而這種方法沒有考慮到用戶的喜好在日常生活中會發(fā)生動態(tài)變化，所以根據(jù)上述方法對用戶進行分類并根據(jù)分類進行數(shù)據(jù)推薦時，會出現(xiàn)推薦的數(shù)據(jù)和用戶當前喜好的匹配度較低的現(xiàn)象，從而導致用戶的使用體驗較差。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于用戶屬性分析的數(shù)據(jù)推送方法及系統(tǒng)，解決了現(xiàn)有技術(shù)中未考慮到用戶喜好的動態(tài)變化而導致推薦的數(shù)據(jù)不符合用戶需求的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于用戶屬性分析的數(shù)據(jù)推送方法及系統(tǒng)，包括以下步驟：

4、s1、獲取歷史用戶和目標用戶的基礎(chǔ)屬性信息，并生成歷史用戶屬性信息和目標用戶屬性信息；

5、s2、根據(jù)歷史用戶屬性信息建立目標模型，并對歷史用戶進行分類生成歷史用戶的用戶類型；

6、s3、將目標用戶屬性信息作為目標模型的輸入分析目標用戶的用戶類型；

7、s4、基于目標用戶的用戶類型計算每個對應推薦數(shù)據(jù)的優(yōu)先程度p(u，i)；

8、s5、根據(jù)優(yōu)先程度p(u，i)對目標用戶進行推薦數(shù)據(jù)推送。

9、進一步地，在步驟s1中，基礎(chǔ)屬性信息包括購買消費記錄、瀏覽記錄、位置信息和注冊信息。

10、進一步地，在步驟s2中，具體包括以下步驟：

11、s21、以歷史用戶及其行為分別作為圖網(wǎng)絡的節(jié)點和邊，節(jié)點的表達式為：

12、n(u)＝(a1，…，a6)

13、式中，n(u)表示第u個用戶對應的節(jié)點；a1，…，a6分別表示用戶的注冊名、年齡、性別、所在位置、注冊時間和總消費金額；

14、s22、根據(jù)歷史用戶屬性信息計算邊的第二權(quán)重wpurchase(u，v)、第三權(quán)重wlocation(u，v)和第四權(quán)重wbrowse(u，v)，并構(gòu)建邊權(quán)重集合w，w＝(w1，…，w3)，其中，w1，…，w3分別表示第二權(quán)重wpurchase(u，v)、第三權(quán)重wlocation(u，v)和第四權(quán)重wbrowse(u，v)；

15、s23、根據(jù)邊權(quán)重集合w計算邊的第一權(quán)重w(u，v)；

16、s24、根據(jù)第一權(quán)重w(u，v)生成用于對歷史用戶進行分類的用戶分類圖網(wǎng)絡；

17、s25、對圖神經(jīng)網(wǎng)絡進行訓練獲得目標模型，并將用戶分類圖網(wǎng)絡輸入目標模型，輸出歷史用戶的用戶類型。

18、進一步地，在步驟s22中，第二權(quán)重wpurchase(u，v)的計算公式為：

19、wpurchase(u，v)＝|{p|p∈pu∩pv}|

20、式中，pu和pv分別表示第u個和第v個用戶的購買消費記錄中購買的商品集合；p表示第u個和第v個用戶共同購買過的商品；

21、第三權(quán)重wlocation(u，v)的計算公式為：

22、

23、式中，locu和locv分別表示第u個和第v個用戶的地理位置坐標；deuclidean(locu，locv)表示第u個和第v個用戶的地理位置坐標的歐幾里得距離函數(shù)；

24、第四權(quán)重wbrowse(u，v)的計算公式為：

25、

26、式中，bu和bv分別表示第u個和第v個用戶瀏覽過的商品和視頻的集合。

27、進一步地，步驟s23中，第一權(quán)重w(u，v)的計算公式為：

28、

29、式中，wi和wjk分別表示關(guān)于第一權(quán)重的第一影響參數(shù)和第二影響參數(shù)。

30、進一步地，在步驟s25中，目標函數(shù)的節(jié)點v更新的表達式為：

31、

32、式中，u表示節(jié)點v的鄰居節(jié)點；表示節(jié)點v在第l+1層的特征向量；表示節(jié)點v在第l層的特征向量；表示節(jié)點u在第l層的特征向量；n(v)表示節(jié)點v的所有鄰居節(jié)點u的集合；u∈n(v)∪{v}表示節(jié)點v和節(jié)點v的所有鄰居節(jié)點u的集合；w(l)表示第l層到第l+1層的可學習權(quán)重矩陣；ωuv表示節(jié)點v和鄰居節(jié)點u之間的邊的第一權(quán)重w(u，v)；b(l)表示偏置項；σ表示激活函數(shù)。

33、進一步地，在步驟s4中，具體包括以下步驟：

34、s41、獲取由多組推薦數(shù)據(jù)所組成的推薦數(shù)據(jù)集；

35、s42、計算推薦數(shù)據(jù)集中每個推薦數(shù)據(jù)的優(yōu)先程度影響參數(shù)，優(yōu)先程度影響參數(shù)包括時間衰減因子d(t)、行為強度權(quán)重w(b)、內(nèi)容相關(guān)性r(u，i)和內(nèi)容新鮮度加分項f(i)；

36、s43、根據(jù)優(yōu)先程度影響參數(shù)計算優(yōu)先程度p(u，i)。

37、進一步地，在步驟s42中，時間衰減因子d(t)的計算公式為：

38、d(t)＝e-λt

39、式中，t表示目標用戶上次看到相同類型的推薦數(shù)據(jù)的時間間隔；λ表示衰減速率參數(shù)；

40、行為強度權(quán)重w(b)的表達式為：

41、

42、其中，b表示目標用戶的行為，分別是瀏覽view、搜索search和購買purchase；wview、wsearch和wpurchase分別表示目標用戶不同行為對應的行為強度權(quán)重值；

43、內(nèi)容相關(guān)性r(u，i)的計算公式為：

44、r(u，i)＝vi×100％

45、式中，vi表示目標用戶瀏覽和該推薦數(shù)據(jù)相同類型的數(shù)據(jù)的數(shù)量；

46、內(nèi)容新鮮度加分項f(i)的計算公式為：

47、

48、式中，viewy表示該推薦數(shù)據(jù)的當前瀏覽量。

49、進一步地，在步驟s43中，優(yōu)先程度p(u，i)的計算公式為：

50、

51、式中，m表示目標用戶的行為總數(shù)，即瀏覽view、搜索search和購買purchase。

52、一種基于用戶屬性分析的數(shù)據(jù)推送系統(tǒng)，包括：

53、信息獲取單元，所述信息獲取單元用于獲取歷史用戶和目標用戶的基礎(chǔ)屬性信息；

54、用戶分類單元，所述用戶分類單元用于計算目標用戶的用戶類型；

55、數(shù)據(jù)推送單元，所述數(shù)據(jù)推送單元用于計算用戶類型對應推薦數(shù)據(jù)的優(yōu)先程度，并根據(jù)優(yōu)先程度進行數(shù)據(jù)推送。

56、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于用戶屬性分析的數(shù)據(jù)推送方法及系統(tǒng)，具備以下有益效果：

57、1、本發(fā)明相較于常見的數(shù)據(jù)推薦方法來說，考慮到了用戶喜好的動態(tài)變化，根據(jù)用戶最近的行為計算每個推薦數(shù)據(jù)的優(yōu)先程度進行推送，可以有效提高用戶體驗和成交率。

58、2、本發(fā)明相較于其他用戶分類方法來說，采用神經(jīng)網(wǎng)絡模型進行分類，可以挖掘不同用戶和基礎(chǔ)屬性信息之間隱含的關(guān)系，以提高對用戶進行分類的精度，并且在構(gòu)建用戶分類圖網(wǎng)絡時，進一步發(fā)掘了用戶的每個基礎(chǔ)屬性信息之間的相互影響，以進一步提高對用戶進行分類的精度。

59、3、本發(fā)明在計算邊的第一權(quán)重時，考慮到用戶的購買消費記錄、位置信息和瀏覽記錄對邊的權(quán)重的影響，相較于其他的計算方法來說，還考慮到了不同基礎(chǔ)屬性信息之間的相互影響到最對第一權(quán)重的影響，所以本發(fā)明對第一權(quán)重的計算更加精準，便于提高后期對用戶進行分類的精度。