[发明专利]基于机器学习的信息推送方法、设备、装置及存储介质

权利要求书

1.一种基于机器学习的信息推送方法，其特征在于，所述基于机器学习的信息推送方法包括以下步骤：

获取用于建立用户行为分析模型的数据集，其中，所述数据集由多个离线用户行为数据组成；

以所述数据集为训练样本，建立用户行为分析模型；

接收终端实时采集的在线用户行为数据，并基于所述用户行为分析模型，对所述在线用户行为数据进行行为分析，得到所述在线用户行为数据的兴趣值；

根据所述在线用户行为数据的兴趣值，进行内容关联与推荐。

2.如权利要求1所述的基于机器学习的信息推送方法，其特征在于，所述以所述数据集为训练样本，建立用户行为分析模型包括：

对离线用户行为数据进行特征提取，得到若干特征参数，其中，所述特征参数至少包括用户属性、访问次数、访问时段、停留板块、停留时间、处理耗时中的任一项；

基于预设的维度分类规则，对特征参数进行维度划分，其中，所述维度至少包括用户、产品、报价、活跃、黏性中的任一项；

根据各维度的特征参数，计算兴趣值，并将所述兴趣值作为分析结果；

以离线用户行为数据为输入量、以分析结果为输出量，建立用户行为分析模型。

3.如权利要求2所述的基于机器学习的信息推送方法，其特征在于，所述根据各维度的特征参数，计算兴趣值作为分析结果包括：

对各维度的特征参数进行类别概率分布处理和相似度处理，得到概率分布矩阵和相似度矩阵；

对所述概率分布矩阵和所述相似度矩阵进行线性加权组合，得到离线用户的兴趣值，并将所述兴趣值作为离线用户行为数据的分析结果，其中，所述兴趣值对应表示离线用户高关注度的预设板块内容。

4.如权利要求1至3中任一项所述的基于机器学习的信息推送方法，其特征在于，在所述对所述在线用户行为数据进行行为分析，得到所述在线用户行为数据的兴趣值之后，所述基于机器学习的信息推送方法还包括：

根据所述在线用户行为数据及分析所述在线用户行为数据得到的兴趣值，对所述用户行为分析模型进行更新。

5.如权利要求1所述的基于机器学习的信息推送方法，其特征在于，所述根据所述在线用户行为数据的兴趣值，进行内容关联与推荐包括：

根据所述在线用户行为数据的兴趣值，得到与所述在线用户行为数据兴趣相似的K个离线用户关注度高所对应的预设板块内容；

以所述在线用户行为数据的兴趣值为中心，根据所述中心与K个离线用户兴趣值之间的差值大小，确定K个预设板块内容的关联匹配度；

按照所述关联匹配度由高至低的顺序输出预设板块内容至所述终端，以供所述终端进行显示。

6.如权利要求5所述的基于机器学习的信息推送方法，其特征在于，所述基于机器学习的信息推送方法还包括：

在预设时间段内，根据接收的在线用户行为数据及输出的预设板块内容，生成推荐报表，以供后台人员进行查看和/或更新板块内容。

7.一种个性化推荐设备，其特征在于，所述个性化推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的个性化推荐程序，所述个性化推荐程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于机器学习的信息推送方法的步骤。

8.一种个性化推荐装置，其特征在于，所述个性化推荐装置包括：

获取模块，用于获取用于建立用户行为分析模型的数据集，其中，所述数据集由多个离线用户行为数据组成；

建模模块，用于以所述数据集为训练样本，建立用户行为分析模型；

分析模块，用于接收终端实时采集的在线用户行为数据，并基于所述用户行为分析模型，对所述在线用户行为数据进行行为分析，得到所述在线用户行为数据的兴趣值；

推荐模块，用于根据所述在线用户行为数据的兴趣值，进行内容关联与推荐。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有个性化推荐程序，所述个性化推荐程序被处理器执行时实现如权利要求1至6中任一项所述的基于机器学习的信息推送方法的步骤。