CN119031031B 一种基于大数据的智能推送方法、装置及计算设备 （北京蜂窝科技有限公司）

本申请提供一种基于大数据的智能推送方技术方案能够提升推送内容的准确度和推送效2通过分析所述目标用户的多维数据画像，以提取所述目标用户的兴趣标签和群体标基于所述用户兴趣模型，利用深度神经网络、协同过滤和图所述通过分析所述目标用户的多维数据画像，以提取所述目标对所述目标用户的多维数据画像中的多维特征向量进行特征选择基于所述用户特征对应特征向量构建特征矩阵，根据所述特征将所述目标聚类中心点作为层次聚类算法的输入，以结合根据所述多层次兴趣分群结果，生成用户兴趣模型，所述用户针对不同类型的用户数据，采用对应的特征提取方法，提取将所述特征集合整合为多维特征向量，以构建用户的多维数据画像通过时间序列分析，从所述用户历史行为数据中提取用户行为从所述设备使用数据中提取设备偏好特征，所述设备偏好特征至少3通过自然语言处理技术分析所述社交网络交互数据，以提结合所述用户环境数据，分析用户在不同环境条件下的行基于所述用户特征对应特征向量构建特征矩阵，所述特征矩阵的行包含所在所述特征矩阵中，随机选择所述目标用户的任一用户特征将所述特征矩阵中的每个特征向量分配到距离最近的初始聚类征向量与对应的初始聚类中心点之间的距离平方和，通过迭代优化最小化所述距离平方通过对比不同层次的兴趣群组结构，评估不同层次的兴趣群组结从所述不同类型的用户数据中提取用户与内容的交将所述用户兴趣模型中的兴趣标签和群体标签转化为兴趣特征向量以及群体特征向4根据所述用户与内容的交互数据构建用户与内容的关系图，应结合所述非线性关系、所述用户与内容的匹配评分以将实时获取的所述目标用户的地理位置、设备状态、当前时间节根据所述个性化推荐模型的预测结果以及所述上下文信息集合中的每个元素的权重提取模块，用于通过分析所述目标用户的多维数据画像，以提取所述型中的兴趣标签和群体标签生成预测结果，所述预测结果包括所述目标用户的感兴趣内所述提取模块具体用于对所述目标用户的多维数据画像中的多维特征向量进行特征作为层次聚类算法的输入，以结合所述层次聚类算法对所述目标用户进行多层次兴趣分56[0003]当前的智能推送系统主要依赖于几种推荐算法，包括但不限于基于内容的推荐、7[0019]从所述设备使用数据中提取设备偏好特征，所述设备偏好特征至少包括设备类[0021]通过自然语言处理技术分析所述社交网络交互数据，以提取用户的社交倾向特出的特征和偏好生成，所述群体标签是指所述目标用户在不同聚类层级中所属的群体标8[0034]利用所述目标聚类中心点，将所述用户特征对应特征向选择最佳的兴趣群组结构作为多层次兴趣分群[0040]将所述用户兴趣模型中的兴趣标签和群体标签转化为兴趣特征向量以及群体特嵌入层对所述兴趣特征向量、所述群体特征向量以及所述用户内容特征向量进行高维表是指两个或多个内容项之间的相似程度，所述相似度通过所述用户与内容的交互数据计9[0047]根据所述个性化推荐模型的预测结果以及所述上下文信息集合中的每个元素的[0067]图1为本申请实施例提供一种基于大数据的智能推送方法户正在使用地图导航软件，系统可以实时获取用户的GPS坐标(例如纬度39.9042°,经度维特征向量用于指示所述目标用户在多个维问持续的时间)、偏好内容(如经常访问的内容类型)和行为趋势(如随时间变化的行为模[0095]设备偏好特征：通过分析用户的设备使用数据发现，该用户主要使用iPhone些信息可以总结为常驻地点为东城区、出行规律为早晚高峰往返于东城区和西城区之间，[0109]其中，所述兴趣标签根据所述目标用户在聚类过程中表所述群体标签是指所述目标用户在不同聚类层级中所属的[0113]层次聚类算法：一种聚类方法，能够产生一个树状结构(称为层次聚类树或树状[0188]通过上述步骤，我们可以根据用户的上下文信息制定一个更加个性化的推送策[0215]我们在晚上8:30向用户A发送了一条推送通知，包含了上述内容的链接和简短描[0227]所述构建模块22具体用于针对不同类型的用户数据，采成用户与内容的匹配评分，所述内容间的相似度是指两个或多个内容项之间的相似程度，预测结果以及所述上下文信息集合中的每个元素的权重和影响力，生成初步推送内容列[0235]图2所述的基于大数据的智能推送装置可以执行图1所示实施例所述的基于大数[0236]在一个可能的设计中，图2所示实施例的基于大数据的智能推送装置可以实现为方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASI任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器[0242]输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可序被计算机执行时可以实现上述图1所示实施例的基于以是或