[发明专利]一种基于大数据的社交媒体用户行为预测方法及系统

权利要求书

1.一种基于大数据的社交媒体用户行为预测方法，其特征在于，所述方法应用于社交媒体用户行为预测系统，所述方法包括：

基于数据采集平台获得第一社交媒体的用户行为数据，对所述行为数据进行标准化预处理，获得标准行为历史数据；

根据所述标准行为历史数据对所述第一社交媒体的用户进行聚类分析，获得第一聚类分析结果；

对所述第一聚类分析结果进行遍历，获得各类用户的用户标签信息；

根据所述各类用户的用户标签信息进行标签交集分析，获得各类用户的行为特征标签信息；

根据所述各类用户的标准行为历史数据和所述行为特征标签信息作为训练数据训练长短期记忆模型，获得用户行为预测模型；

获得第一用户的行为数据，将所述第一用户的行为数据输入所述用户行为预测模型，获得所述第一用户的预测行为特征标签信息；

基于所述预测行为特征标签信息，对所述第一用户进行社交媒体行为预测。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

构建第一主题集合，根据所述第一主题集合对所述标准行为历史数据进行预分类，获得第一预分类结果；

构建第一等量替换关系；

根据所述第一等量替换关系，将所述第一预分类结果中的标准行为历史数据进行等量替换，获得分支数量-长短信息；

基于所述分支数量-长短信息在所述第一预分类结果的基础上进行聚类分析，获得所述第一聚类分析结果。

3.如权利要求2所述的方法，其特征在于，所述方法包括：

对所述第一聚类分析结果进行遍历，获得各类用户的分支长短均值信息；

基于所述标准行为历史数据，获得各类用户产生每一分支对应所耗费的平均时间信息；

基于所述分支长短均值信息和所述耗费的平均时间信息，进行所述各类用户的分支权重分配，获得第一权重分配结果；

根据所述第一权重分配结果，获得所述各类用户的用户标签信息。

4.如权利要求1所述的方法，其特征在于，所述方法包括：

获得第一预设时间周期；

在所述第一预设时间周期内持续采集所述第一社交媒体的所有用户的用户行为数据，获得更新行为数据；

基于所述更新行为数据对所述用户行为预测模型进行增量学习，获得优化调整参数；

基于所述优化调整参数对所述用户行为预测模型进行优化。

5.如权利要求4所述的方法，其特征在于，所述方法包括：

对所述第一社交媒体的用户行为数据进行标的搜索，获得所述第一社交媒体的用户的分享行为数据；

对所述分享行为数据进行分享频率和分享内容分析，获得分享频率信息和分享关键词信息；

基于所述分享频率信息和所述分享关键词信息，获得第一强关联关系信息和第一弱关联关系信息；

基于所述第一强关联关系信息和所述第一弱关联关系信息构建所述第一社交媒体的用户星型拓扑结构，其中所述用户星型拓扑结构包括N个子星型拓扑结构。

6.如权利要求5所述的方法，其特征在于，所述方法包括：

根据所述更新行为数据构建所述第一用户的子星型拓扑结构，获得第一用户子星型拓扑结构；

根据所述第一用户子星型拓扑结构与所述N个子星型拓扑结构进行重合度分析，获得第一重合子拓扑结构集合；

基于所述第一重合子拓扑结构集合，获得所述第一重合子拓扑结构集合的中心节点信息。

7.如权利要求6所述的方法，其特征在于，所述方法包括：

根据所述第一重合子拓扑结构集合的中心节点信息，获得所述节点对应的所述行为特征标签信息；

获得第一比对指令，基于所述第一比对指令进行所述中心节点对应的所述行为特征标签信息和所述预测行为特征标签信息的比对校验；

获得第一校验结果，根据所述第一校验结果对所述预测行为特征标签信息进行调整。