[发明专利]一种基于AdaBoost算法的微信公众号用户分类方法

权利要求书

1.一种基于AdaBoost算法的微信公众号用户分类方法，其特征在于，其具体实现过程为：当微信公众号用户日常操作与查询时，该操作与查询消息经过边界数据过抽样算法迭代后，权重大的数据作为边界数据，对该边界数据进行抽样，将用户分类，当用户再次点击操作时，系统推送热点消息。

2.根据权利要求1所述的一种基于AdaBoost算法的微信公众号用户分类方法，其特征在于，所述边界数据过抽样算法，按照边界数据的选择方法不同，分为以下两种算法：适用边界数据权重大的依概率被选择边界数据的随机过抽样算法；强制选择少数类中权重大的数据的少数类边界数据选择算法。

3.根据权利要求2所述的一种基于AdaBoost算法的微信公众号用户分类方法，其特征在于，所述随机过抽样算法的详细过程为：

输入原始训练集T：包含n个样本的数据集；

输出分类模型：

对于原始训练集                                                ，使用AdaBoost算法做预处理，之后分离中多数类与少数类，分别存放在集合与中，数量分别为与；

根据集合的权重，随机选择个样本加入集合，其中，为过抽样的倍数，重复执行，直到满足抽样的倍数；

合并所有新生成的少数类加入集合；

合并集合与，形成新的训练集合；

训练分类器；

算法结束。

4.根据权利要求2所述的一种基于AdaBoost算法的微信公众号用户分类方法，其特征在于，所述少数类边界数据选择算法的详细过程为：

输入原始训练集T：包含n个样本的数据集；

输出：分类模型；

对于原始训练集，使用AdaBoost算法对其做预处理，之后分离中多数类与少数类，分别存放在集合与中，数量分别为与，并计算中样本的平均权重，记做；

根据少数类的平均权重，将少数类集合分为两部分大于平均权重的存入集合，数量为，小于平均权重的存入集合，数量为；合并所有新生成的少数类加入集合；

根据抽样倍数，随机过抽样集合，并将所有新生成的少数类加入集合；

合并集合与，形成新的训练集合；

训练分类器；

算法结束。