[发明专利]用户个性化行为评价方法、装置、计算机设备和存储介质

说明书

本申请涉及一种用户个性化行为评价方法、装置、计算机设备和存储介质，采集用户行为特征数据；根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据；根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征；根据核心类特征以及核心类特征内数据分布，生成用户个性化评价报告。首先，利用PCA算法对用户行为特征数据进行主成分分析，提取用户主要特征数据，然后，利用基于信息熵的CFSFDP聚类算法对用户主要特征数据进行有效聚类分析，使得基于这两种算法生成的用户个性化评价报告的粒度更为细腻，更具针对性。

技术领域

本申请涉及数据处理技术领域，特别是涉及一种用户个性化行为评价方法、装置、计算机设备和存储介质。

背景技术

传统的用户评价方法，更多的是依靠调查问卷收集数据，并由管理人员自行进行权值计算、分数汇总来进行评价。随着计算机技术与大数据分析技术的快速发展，用户个性化行为评价越来越受到大家的欢迎，但是现有的用户个性化行为评价方法大多都是基于专家系统，由于其固定的评价指标集与测评方法，以致于评价结果过于泛化。

以教学领域的教师评价为例，教师奖惩评价已落后于时代发展，现有的评价方法更多的集中于教师发展性评价，而对于教师发展性评价而言，由于其传统的固定指标集及评价方法和教师数目及所属专业繁多，导致现有的教师发展评价结果缺乏针对性。

发明内容

基于此，有必要针对传统用户个性化行为评价结果缺乏针对性的问题，提供一种用户个性化行为评价方法。

一种用户个性化行为评价方法，所述方法包括：

采集用户行为特征数据；

根据PCA(Principal Component Analysis，主成分分析方法)算法，对用户行为特征数据进行主成分分析，提取主要特征数据；

根据基于信息熵的CFSFDP(Clustering by Fast Search and Find of DensityPeaks，快速搜索与密度峰的发现)聚类算法，对主要特征数据进行聚类分析，提取核心类特征；

根据核心类特征以及核心类特征内数据分布，生成用户个性化评价报告。

在其中一个实施例中，采集用户行为特征数据之后，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：

对用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理。

在其中一个实施例中，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征包括：

获取最优聚类数目；

根据最优聚类数目，根据CFSFDP聚类算法对主要特征数据进行聚类分析，得出聚类结果；

从聚类结果中提取核心类特征。

在其中一个实施例中，获取最优聚类数目包括：

根据信息熵，确定初始聚类参数；

获取聚类评价标准DBI(Davies-Bouldin，戴维·布兰)指数；

根据聚类评价标准DBI指数以及初始聚类参数，获取最优聚类数目。

在其中一个实施例中，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：

根据用户行为特征数据，生成评价指标集；

推送评价指标集至用户；

当未接收到评价指标集勾选反馈消息时，进入根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据的步骤。