[发明专利]一种基于用户行为的特征提取、个性化推荐的方法和系统

说明书

本申请实施例提供了一种基于用户行为的特征提取方法，包括：收集用户的原始行为信息，依据所述用户的原始行为信息生成用户行为数据点；所述用户行为数据点包括用户标识、维度标识及对应的维度分值；按照所述维度标识采用维度分值对所述用户行为数据点进行聚类，形成多个聚类空间；分别针对所述多个聚类空间中用户行为数据点的维度分值进行二值化；依据二值化的结果提取满足预设要求的一个或多个维度标识作为聚类空间的特征维度。本申请实施例采用了分布式计算，总体运算时间大幅减少。针对海量数据输入的条目超多和条目维度超多的问题，采用对数据分块计算的方法，对中间结果分块表达，解决了I/O过大问题。

技术领域

本申请实施例涉及数据处理技术领域，特别是涉及一种基于用户行为的特征提取的方法、一种基于用户行为的特征提取的系统、一种基于用户行为的个性化推荐的方法和一种基于用户行为的个性化推荐的系统。

背景技术

因特网Internet的迅猛发展将人们带入了信息社会和网络经济时代，对企业的发展和个人生活都产生了深刻的影响。同时，过量的信息使得人们无法高效地从中获取自己需要的部分，信息的使用效率反而降低。

以电子商务（ElectronicCommerce）为例，电子商务是在Internet开放的网络环境下，基于浏览器/服务器应用方式，实现消费者的网上购物、商户之间的网上交易和在线电子支付的一种新型的商业运营模式。随着Internet的爆发式发展，电子商务越加繁荣。由于供应链和物流的发展，商家能够在网上提供的商品种类和数量非常多，反而大大增加了消费者购物的时间成本，降低了电子商务平台的商品购买率。显然，用户既不愿意花费太多时间在漫无边际的网上寻找商品，也不可能像在现实生活中那种检查商品的质量。而是希望根据自身的兴趣爱好自动获取系统推荐的而且会感到满意的商品。因此根据不同的用户特征，把用户划分为不同的群组，进行有针对性的服务，是当前的应用热点之一。这样，聚类和特征提取也成为重要的应用。

目前的数据聚类系统大多是单机的，在处理大量数据时，除了运算时间过长，还存在输入/输出（I/O）负载过重的问题。当数据维度过多的时候，数据运算的中间结果过大，既不能放在内存中，又不能存储为文件保存，并且中间运算的I/O也会过大。换言之，当数据量过大时系统的硬件设备就会出现瓶颈，导致无法处理更大的数据量，显然这样的聚类系统是无法进行诸如电子商务的海量数据的聚类。

现有的技术也提出了用并行和分布式的方法进行大数据聚类处理，但是也存在分布式各个节点的交互、迭代等步骤的I/O压力过大的问题，即当数据量过大时系统硬件设备也会出现瓶颈，导致无法处理更大的数据量，显然也是无法进行诸如电子商务的海量数据的聚类。

现在的推荐系统很多是基于某种特征提取算法的，这种算法要求相当的业务知识，人工介入比较多，导致通用性差，人工成本高；电子商务涉及的行业广，要求通用性好，而且人工介入过多导致成本愈来愈大以致无法承受。再者，这种算法要在内存中进行运算，而且运算量大，运算时间长，受制于计算机硬件的承受能力，不适用于处理诸如电子商务的海量数据。最重要的是，该算法提取出不同用户群的特征，无法有效区分不同的用户群。

因此，目前需要本领域技术人员迫切解决的一个技术问题就是：提出一种适用于海量数据的处理的聚类及特征提取机制，根据不同的用户行为，把用户划分为不同的群组，提取能有效区分不同群组的特征，分别进行针对性的服务，提高服务的效率。

申请内容

本申请实施例所要解决的技术问题是提供一种基于用户行为的特征提取的方法及一种基于用户行为的个性化推荐的方法，能够基于用户的行为信息将用户划分为兴趣爱好相近的用户群，并提取出不同用户群的特征，使该特征可以区分不同的用户群，在个性化推荐时据此特征快速高效地进行推荐。

相应的，本申请实施例还提供了一种基于用户行为的特征提取的系统及一种基于用户行为的个性化推荐的系统，用以保证上述方法的实现及应用。

本申请实施例公开了一种基于用户行为的特征提取方法，包括：