[发明专利]基于用户数据分析的自动推送方法、装置和计算机设备

权利要求书

1.一种基于用户数据分析的自动推送方法，其特征在于，所述方法包括：

获取用户数据；

依据推荐算法与搜索引擎中预设的兴趣信息进行匹配，以得对应该用户的多个兴趣信息以及相应的兴趣点坐标；

按照兴趣点坐标距离用户由近至远的顺序向用户推送对应兴趣信息的产品或娱乐信息。

2.根据权利要求1所述的方法，其特征在于，所述依据用户操作记录收集行为数据，包括：

获取用户的唯一标识，以获取该用户在应用程序或平台上的至少包括用户画像、行为数据、订单数据及产品数据的用户数据。

3.根据权利要求1所述的方法，其特征在于，所述推荐算法包括：

依据销售经验形成初始匹配规则；

根据用户、产品、场景构建特征工程，利用相关性算法挑选出有效指标；

运用机器学习算法训练监督学习模型，以供预测用户在具体场景对具体产品的热度，并根据预测的热度按序对用户展示产品。

4.根据权利要求3所述的方法，其特征在于，所述根据用户、产品、场景构建特征工程，包括：

对用户数据进行清洗；

依据相关系数法筛选出显著影响匹配的目标特征；

利用递归特征消除法得到每个目标特征对学习模型的准确率的影响；

根据主成分分析法将目标特征进行降维并采用min-max标准法进行归一化处理，以提取最终的目标特征。

5.根据权利要求4所述的方法，其特征在于，所述对训练数据进行清洗包括：

去除明显违背逻辑数据；

缺失值处理；其中，对缺失值极多的字段进行删除去掉；对缺失值少的字段，根据相似情景，补充对应字段；

数据变换；其中，对类别型特征数据进行one-hot编码。

6.根据权利要求4所述的方法，其特征在于，所述根据主成分分析法将目标特征进行降维，包括：

对样本集矩阵X中心化；

计算样本矩阵的协方差矩阵C；

求样本集矩阵X的协方差矩阵C的特征值和特征向量；

构建降维转换矩阵U，按照特征值最大的k个特征值对应的特征向量组成矩阵U；

由降维转换公式Z＝XU求得X的降维矩阵Z。

7.根据权利要求3所述的方法，其特征在于，所述运用机器学习算法训练监督学习模型，包括：

通过会员系统、订单系统、埋点数据挖掘用户的特征、产品的特征及用户对产品的选择特征，作为学习模型训练的样本数据；

经过所述特征工程处理，利用K-CV方法对学习模型进行训练；其中，当学习模型为多个时，选择准确率和召回率最高的一组学习模型；

所述学习模型经过训练更新匹配规则相关参数，当输入新的用户数据，可预测用户在具体场景对具体产品的热度；

所述学习模型形成后，通过离线测试以及在线A/B测试等方式评估各个策略，并选出最优策略。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取包含至少一关键词的用户搜索请求；

依据各关键词与搜索引擎中预设的兴趣信息进行匹配，并对各兴趣信息计算匹配分值；

依据用户数据进行推荐算法计算，以得到用户对应各兴趣信息的操作行为分值与兴趣浓度分值；

求和各兴趣信息对应的匹配分值、操作行为分值、及兴趣浓度分值的总分值，以供优先推荐总分值最高的产品或娱乐信息；其中，在不利用推荐算法加分的情况下，匹配分值越高的产品或娱乐信息将越靠前显示。

9.一种基于用户数据分析的自动推送装置，其特征在于，所述装置包括：

获取模块，用于获取用户数据；

推荐模块，用于依据推荐算法与搜索引擎中预设的兴趣信息进行匹配，以得对应该用户的多个兴趣信息以及相应的兴趣点坐标；按照兴趣点坐标距离用户由近至远的顺序向用户推送对应兴趣信息的产品或娱乐信息。

10.一种计算机设备，其特征在于，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如权利要求1至8中任意一项所述的方法。