[发明专利]基于大数据的用户偏好分析方法与装置

说明书

本公开提供一种基于大数据的用户偏好分析方法与装置。方法包括：获取用户与内容的交互行为数据，所述内容具有至少一个标签；对所述交互行为数据进行预处理并生成特征数据集，将所述特征数据集即作为gcForest模型的输入特征值；将所述gcForest模型中每一层级联森林输出的类概率向量与所述特征数据集的特征作为下一层级联森林的输入特征；根据所述gcForest模型最后一层级联森林输出的类概率向量获取用户对所述标签的偏好概率。本公开提供的用户偏好分析方法能够基于大数据样本提供更精确的用户偏好分析结果。

技术领域

本公开涉及机器学习技术领域，具体而言，涉及一种基于大数据的用户偏好分析方法与装置。

背景技术

随着互联网技术的发展，对用户进行内容个性化推荐越来越普及。以文章推荐为例，通过根据文章内容为每篇文章设置一或多个标签，并获取用户对文章的操作，可以分析出用户对哪些标签有偏好，从而可以为用户推荐这些标签下的其他文章，提升用户体验。

在现有的个性化推荐技术中，分析用户偏好的方法主要包括基于LR逻辑回归算法分析法和基于分析师策略对每个特征按照时间权重得出统计公式打分法。在基于LR逻辑回归算法分析法中，数据分析师需要根据业务经验分析需要提取哪些特征，以及以何种方式给内容打标签。在获得特征和标签数据后，对不同标签进行分层抽样，利用统计分析软件的逻辑回归模型获取各个特征的系数，从而确定用户标签偏好得分公式。基于时间权重统计打分法是假设用户对最近时间选择的内容比稍远时间选择的内容更偏好，从而按照时间权重维护一份数据，即找一个合适的函数确定一年365天每一天的时间权重，最后结合每个特征得出有时间维度的统计公式。

在上述技术中，LR逻辑回归算法分析法需要分析师根据业务经验确定每个特征的系数，强依赖于分析师经验，且每个业务都需要手动分析，效率较低，样本数小。而由于用户在不同的时间段对内容的偏好程度不一样，难以找到最合适的时间权重函数，因此基于时间权重统计打分法也难以精确挖掘用户偏好。

因此，一种能够处理大量样本并提供更准确分析结果的用户偏好分析方法算法对于提升个性化推荐能力以及提升内容点击量具有重大意义。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于大数据的用户偏好分析方法与装置，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或多个问题。

根据本公开实施例的第一方面，提供一种基于大数据的用户偏好分析方法，包括：获取用户与内容的交互行为数据，所述内容具有至少一个标签；对所述交互行为数据进行预处理并生成特征数据集，将所述特征数据集即作为gcForest模型的输入特征值；将所述gcForest模型中每一层级联森林输出的类概率向量与所述特征数据集的特征作为下一层级联森林的输入特征；根据所述gcForest模型最后一层级联森林输出的类概率向量获取用户对所述标签的偏好概率。

在本公开的一种示例性实施例中，所述交互行为数据包括用户在预设时间段内对所述内容的操作的数据，所述数据包括浏览数、点赞数、分享数、评论数、查看详情次数、下单数。

在本公开的一种示例性实施例中，对所述交互行为数据进行预处理包括：判断所述交互行为数据中是否存在缺失数据，如果存在则补充缺失数据；删除所述交互行为数据中预设范围的极大值与极小值；对所述交互行为数据做特征归一化处理。

在本公开的一种示例性实施例中，对所述交互行为数据进行预处理还包括：根据所述交互行为数据以及当前时间的前一天用户对所述内容的操作增加一列特征值。

在本公开的一种示例性实施例中，还包括：获取用户的实物品类偏好数据；根据所述实物品类偏好数据修正所述用户对所述标签的偏好概率。