[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

说明书

本发明公开了一种基于机器学习的信息推送方法，该方法包括：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。本发明还公开了一种设备、装置及存储介质。本发明通过人工智能技术中的机器学习建立用户行为分析模型，用以对用户实时在线的行为数据进行分析，进而提高了用户实时行为分析的准确率，并为用户提供高质量的个性化内容推荐。

技术领域

本发明涉及通信技术领域，尤其涉及一种基于机器学习的信息推送方法、设备、装置及存储介质。

背景技术

随着科学技术的进步及计算机信息业务量的快速增长，用户使用网络应用也日益增加，进而产生大量的信息数据。目前，利用大数据对用户行为进行分析，提取用户兴趣，不仅可以为用户提供个性化定制与推送等高质量服务，还可以优化改善应用平台，进而提高应用平台的生存周期和营收，降低应用平台的运营成本。但海量网络用户，产生的实时行为数据巨大，导致对用户行为的分析，其业务针对性不够，没有定位的目标群体，因而如何实现高效分析、提高分析精准率仍然是当今重要的研究课题。

发明内容

本发明的主要目的在于提供一种基于机器学习的信息推送方法、设备、装置及存储介质，旨在解决如何提高用户实时行为分析的准确率，并实现个性化内容推荐的技术问题。

为实现上述目的，本发明提供的一种基于机器学习的信息推送方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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：