[发明专利]实时兴趣信息的计算方法及系统

说明书

本发明公开了一种实时兴趣信息的计算方法及系统，方法包括：获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；生成目标用户的实时兴趣信息。上述方式根据用户在物理空间内的轨迹和停留时间，推算用户对当前物理空间的各个子空间的感兴趣程度，进而生成针对与用户的个性化信息，使得为用户生成的个性化信息具有更高的价值。

技术领域

本发明涉及计算机技术领域，具体涉及一种实时兴趣信息的计算方法及系统。

背景技术

目前，越来越多的平台都具有个性化推荐的需求，通常会通过feed流、视频流、消息推送等方式进行个性化推荐，从而达到吸引用户参与、提升用户停留的效果。

但是，发明人在实现本发明的过程中发现：现有技术中通常是基于用户画像标签和用户对线上内容的反馈生成用户可能感兴趣的信息，也即针对于用户的个性化信息，而没有考虑用户在当前所处的物理空间内的兴趣需求，导致为用户生成的个性化信息价值不高。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的实时兴趣信息的计算方法及系统。

根据本发明的一个方面，提供了一种实时兴趣信息的计算方法，包括：

获取目标用户在物理空间内的当前空间轨迹以及停留时间；其中，物理空间具有预设领域属性，且物理空间包含多个子空间，每个子空间具备至少一个标签；

根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重；

生成目标用户的实时兴趣信息。

可选地，根据目标用户的当前空间轨迹以及停留时间，计算目标用户对应的各个子空间的标签权重进一步包括：

将目标用户的当前空间轨迹以及停留时间作为循环神经网络模型的输入，通过循环神经网络模型，计算目标用户对应的各个子空间的标签权重。

可选地，方法进一步包括：

以前N-1个历史活动地点和停留时长为输入，以第N个历史活动地点和停留时长为结果，作为时序数列训练得到循环神经网络模型。

可选地，生成目标用户的实时兴趣信息进一步包括：

若存在至少一个第一用户其对应的各个子空间的标签权重与目标用户对应的各个子空间的标签权重相似，根据至少一个第一用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。

可选地，生成目标用户的实时兴趣信息进一步包括：

根据目标用户对应的各个子空间的标签权重及其社交用户的空间轨迹，生成目标用户的实时兴趣信息。

可选地，方法进一步包括：

根据目标用户的历史步行距离数据确定步行距离阈值；

若实时兴趣信息对应的空间位置与目标用户的实时空间位置之间的步行距离超过步行距离阈值，过滤实时兴趣信息。

可选地，方法进一步包括：

确定实时兴趣信息对应的第二用户的数量；

其中，第二用户的实时空间位置和实时兴趣信息对应的空间位置之间的距离小于预设距离阈值；

若第二用户的数量高于预设数量阈值，则过滤实时兴趣信息。

可选地，方法进一步包括：

根据其他用户的当前空间轨迹，判断其他用户中是否存在目标用户对应的同行用户；

生成目标用户的实时兴趣信息进一步包括：

根据同行用户对应的各个子空间的标签权重以及目标用户对应的各个子空间的标签权重，生成目标用户的实时兴趣信息。