CN111814052A - 移动互联网用户管理方法、装置、服务器及可读存储介质 - Google Patents
移动互联网用户管理方法、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN111814052A CN111814052A CN202010657112.XA CN202010657112A CN111814052A CN 111814052 A CN111814052 A CN 111814052A CN 202010657112 A CN202010657112 A CN 202010657112A CN 111814052 A CN111814052 A CN 111814052A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- feature
- characteristic
- recommended
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种移动互联网用户管理方法、装置、服务器及可读存储介质,通过从目标互联网用户的数据收集区域中获取目标互联网用户的用户管理特征数据列表,并确定用户管理特征数据列表中包含关键推荐特征后,对关键推荐特征进行决策分类计算得到关键推荐特征的信息推荐特征信息,将信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断目标互联网用户的推荐频繁特征,从而配置目标互联网用户的信息推荐进程,并根据所述目标互联网用户的信息推荐进程为所述目标互联网用户的用户终端进行信息推荐,以针对移动互联网用户进行有针对性地有效信息推荐。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种移动互联网用户管理方法、装置、服务器及可读存储介质。
背景技术
如何针对移动互联网用户进行有针对性地有效信息推荐,是当前的一大难题。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的之一在于提供一种移动互联网用户管理方法、装置、服务器及可读存储介质,能够针对移动互联网用户进行有针对性地有效信息推荐。
第一方面,本申请提供一种移动互联网用户管理方法应用于服务器,所述服务器预先根据多个用户行为标签信息为每个用户行为标签信息建立唯一管理列表使得将各个用户行为标签信息的唯一管理列表与和其相对应的关键推荐特征的信息推荐特征信息建立一一对应关系,以预先根据各个用户行为标签信息的唯一管理列表与关键推荐特征的信息推荐特征信息建立用户管理清单,且每个用户行为标签信息均与至少一个关键推荐特征的信息推荐特征信息相匹配,所述方法包括:
从目标互联网用户的数据收集区域中获取所述目标互联网用户的用户管理特征数据列表,并利用人工智能模型确定所述用户管理特征数据列表中是否包含关键推荐特征;
若包含关键推荐特征,则对所述关键推荐特征进行决策分类计算得到所述关键推荐特征的信息推荐特征信息;
将计算得到关键推荐特征的信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断所述目标互联网用户的推荐频繁特征;
根据所述目标互联网用户的推荐频繁特征输出所述目标互联网用户的信息推荐进程,并根据所述目标互联网用户的信息推荐进程为所述目标互联网用户的用户终端进行信息推荐。
在第一方面的一种可能的设计中,所述利用人工智能模型确定所述用户管理特征数据列表中是否包含关键推荐特征的步骤,包括:
从关键推荐特征样本数据库中读取出常见关键推荐特征样本;
根据所述用户管理特征数据列表中的管理标签业务范围从所述常见关键推荐特征样本中确定待用关键推荐特征样本;
根据待用关键推荐特征样本确定待推荐对象信息的移动互联网用户管理范围;
利用所述移动互联网用户管理范围在所述用户管理特征数据列表中进行匹配,若匹配成功,则确定所述用户管理特征数据列表中包含关键推荐特征。
在第一方面的一种可能的设计中,所述人工智能模型通过以下方式训练得到:
读取初始关键推荐特征数据,每个初始关键推荐特征数据中包含初始关键推荐特征数据库以及初始关键推荐特征数据库的各种信息推荐特征信息;
从初始关键推荐特征数据库中提取关键推荐特征;
根据初始模型中的不同信息推荐特征信息对应的子模型对每个初始关键推荐特征数据库的关键推荐特征进行决策分类计算,得到每个初始关键推荐特征数据库的多个信息推荐特征信息的预测值;
根据所述预测值与信息推荐特征信息的值,按照信息推荐特征信息的不同业务适用类型计算得到所述多个信息推荐特征信息的损失度;
将所述多个信息推荐特征信息的损失度求和,得到所述多个信息推荐特征信息的总损失度;
对所述初始模型中的不同信息推荐特征信息对应的子模型的参数进行调整,直到调整后的参数使得所述多个信息推荐特征信息的总损失度小于或等于预设阈值时,停止调整得到所述人工智能模型。
在第一方面的一种可能的设计中,所述根据所述目标互联网用户的推荐频繁特征输出所述目标互联网用户的信息推荐进程的步骤,包括:
根据所述目标互联网用户的推荐频繁特征获取所述目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息;
根据所述目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息获取针对其它与所述目标互联网用户相匹配的其它同类目标用户在各个信息推荐搜索页面的关联页面访问记录信息;
对所述关联页面访问记录信息进行决策分类计算,得到所述关联页面访问记录信息的类别推荐特征信息;
判断所述类别推荐特征信息中是否存在第一信息推荐特征信息和第二信息推荐特征信息;其中,所述第一信息推荐特征信息与所述目标互联网用户的信息推荐特征信息的匹配度大于第一设定匹配度,所述第二信息推荐特征信息与所述目标互联网用户的信息推荐特征信息的匹配度小于第二设定匹配度;
若存在所述第一信息推荐特征信息和所述第二信息推荐特征信息,则获取所述各个信息推荐搜索页面上的相关访问互联网用户的所述第一信息推荐特征信息对应的第一推荐频繁特征以及相关访问互联网用户的所述第二信息推荐特征信息对应的第二推荐频繁特征;
对所述第一推荐频繁特征以及所述第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征;
将所述匹配推荐频繁特征与所述各个信息推荐搜索页面对应的标记推荐频繁特征进行匹配,并根据匹配结果输出所述目标互联网用户的信息推荐进程。
在第一方面的一种可能的设计中,所述对所述第一推荐频繁特征以及所述第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征的步骤,包括:
确定所述第一推荐频繁特征以及所述第二推荐频繁特征之间的共同特征节点;其中,所述共同特征节点是指所述第一推荐频繁特征以及所述第二推荐频繁特征拼接融合的起始节点;
根据所述共同特征节点将所述第一推荐频繁特征与所述第二推荐频繁特征拼接融合为匹配推荐频繁特征。
在第一方面的一种可能的设计中,所述确定所述第一推荐频繁特征以及所述第二推荐频繁特征之间的共同特征节点的步骤,包括:
计算所述第一推荐频繁特征的第一频繁特征度以及所述第二推荐频繁特征的第二频繁特征度;
计算所述第一频繁特征度和所述第二频繁特征度之间的差值;判断所述差值是否小于或等于预设数值;
若是,对所述第一推荐频繁特征和所述第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新,以获得最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征,并以所述最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征的首个推荐频繁特征位置作为共同特征节点;
若否,则使用相同的默认爬取方式对所述第一推荐频繁特征以及所述第二推荐频繁特征分别进行爬取,得到第一推荐频繁特征位置组和第二推荐频繁特征位置组;
根据所述默认爬取方式、所述第一推荐频繁特征位置组、所述第二推荐频繁特征位置组以及互相关频繁特征度生成信息推荐对象序列;其中,所述互相关频繁特征度与所述差值正相关,所述信息推荐对象序列中包含有多个信息推荐对象特征;
将所述信息推荐对象序列中的多个信息推荐对象特征进行比较,查找特征位置的频繁特征度最大的信息推荐对象特征;
将所述信息推荐对象特征对应的推荐频繁特征位置作为共同特征节点。
在第一方面的一种可能的设计中,所述对所述第一推荐频繁特征和所述第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新的步骤,包括:
若所述第一推荐频繁特征的第一频繁特征度相对于所述第二推荐频繁特征的第二频繁特征度较小,则根据所述差值确定所述差值占所述第一推荐频繁特征的第一频繁特征度的比例;
计算所述第一推荐频繁特征的分段数值,并根据所述分段数值和所述比例计算更新系数;
根据所述更新系数,对所述第一推荐频繁特征和所述第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新。
第二方面,本申请实施例提供一种移动互联网用户管理装置,应用于服务器,所述服务器预先根据多个用户行为标签信息为每个用户行为标签信息建立唯一管理列表使得将各个用户行为标签信息的唯一管理列表与和其相对应的关键推荐特征的信息推荐特征信息建立一一对应关系,以预先根据各个用户行为标签信息的唯一管理列表与关键推荐特征的信息推荐特征信息建立用户管理清单,且每个用户行为标签信息均与至少一个关键推荐特征的信息推荐特征信息相匹配,所述装置包括:
获取模块,用于从目标互联网用户的数据收集区域中获取所述目标互联网用户的用户管理特征数据列表,并利用人工智能模型确定所述用户管理特征数据列表中是否包含关键推荐特征;
决策模块,用于若包含关键推荐特征,则对所述关键推荐特征进行决策分类计算得到所述关键推荐特征的信息推荐特征信息;
判断模块,用于将计算得到关键推荐特征的信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断所述目标互联网用户的推荐频繁特征;
信息推荐模块,用于根据所述目标互联网用户的推荐频繁特征输出所述目标互联网用户的信息推荐进程,并根据所述目标互联网用户的信息推荐进程为所述目标互联网用户的用户终端进行信息推荐。
第三方面,本申请实施例提供一种服务器,包括处理器、存储器和网络接口。其中,存储器、网络接口处理器之间可以通过总线***相连。网络接口用于接收报文,存储器用于存储程序、指令或代码,处理器用于执行存储器中的程序、指令或代码,以完成上述第一方面或第一方面的任意可能的设计方式中的所执行的操作。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上检测时,使得计算机执行上述第一方面或第一方面的任意可能的设计方式中的方法。
基于上述任意一个方面,本申请通过从目标互联网用户的数据收集区域中获取目标互联网用户的用户管理特征数据列表,并确定用户管理特征数据列表中包含关键推荐特征后,对关键推荐特征进行决策分类计算得到关键推荐特征的信息推荐特征信息,将信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断目标互联网用户的推荐频繁特征,从而配置目标互联网用户的信息推荐进程,并根据所述目标互联网用户的信息推荐进程为所述目标互联网用户的用户终端进行信息推荐,以针对移动互联网用户进行有针对性地有效信息推荐。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的移动互联网用户管理方法的应用场景示意图;
图2为本申请实施例提供的移动互联网用户管理方法的流程示意图;
图3为图2中所示的一种可能的设计中步骤S140包括的各个子步骤的流程示意图;
图4为本申请实施例提供的移动互联网用户管理装置的功能模块示意图;
图5为本申请实施例提供的用于执行上述的移动互联网用户管理方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。
请参阅图1,为本申请实施例提供的移动互联网用户管理方法的应用场景示意图。本实施例中,该应用场景可包括服务器100以及与该服务器100通信连接的多个用户终端200。其中,服务器100可以为多个互联网用户的用户终端200提供服务。每个用户终端200存储有互联网用户的用户管理特征数据列表。
其中,服务器100预先根据多个用户行为标签信息为每个用户行为标签信息建立唯一管理列表使得将各个用户行为标签信息的唯一管理列表与和其相对应的关键推荐特征的信息推荐特征信息建立一一对应关系,以预先根据各个用户行为标签信息的唯一管理列表与关键推荐特征的信息推荐特征信息建立用户管理清单,且每个用户行为标签信息均与至少一个关键推荐特征的信息推荐特征信息相匹配。
图2为本申请实施例提供的移动互联网用户管理方法的流程示意图。本实施例中,该移动互联网用户管理方法可以由图1中所示的服务器100执行,下面对该移动互联网用户管理方法进行详细介绍。
步骤S110,从目标互联网用户的数据收集区域中获取目标互联网用户的用户管理特征数据列表,并利用人工智能模型确定用户管理特征数据列表中是否包含关键推荐特征。
步骤S120,若包含关键推荐特征,则对关键推荐特征进行决策分类计算得到关键推荐特征的信息推荐特征信息。
步骤S130,将计算得到关键推荐特征的信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断目标互联网用户的推荐频繁特征。
步骤S140,根据目标互联网用户的推荐频繁特征输出目标互联网用户的信息推荐进程,并根据目标互联网用户的信息推荐进程为目标互联网用户的用户终端进行信息推荐。
基于上述步骤,本实施例通过从目标互联网用户的数据收集区域中获取目标互联网用户的用户管理特征数据列表,并确定用户管理特征数据列表中包含关键推荐特征后,对关键推荐特征进行决策分类计算得到关键推荐特征的信息推荐特征信息,将信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断目标互联网用户的推荐频繁特征,从而配置目标互联网用户的信息推荐进程,并根据目标互联网用户的信息推荐进程为目标互联网用户的用户终端进行信息推荐,以针对移动互联网用户进行有针对性地有效信息推荐。
在一种可能的设计中,针对步骤S110,具体可以通过以下实现方式实现:
从关键推荐特征样本数据库中读取出常见关键推荐特征样本,并根据用户管理特征数据列表中的管理标签业务范围从常见关键推荐特征样本中确定待用关键推荐特征样本,然后根据待用关键推荐特征样本确定待推荐对象信息的移动互联网用户管理范围,并利用移动互联网用户管理范围在用户管理特征数据列表中进行匹配,若匹配成功,则确定用户管理特征数据列表中包含关键推荐特征。
在一种可能的设计中,人工智能模型可以通过以下方式训练得到:
首先读取初始关键推荐特征数据,每个初始关键推荐特征数据中包含初始关键推荐特征数据库以及初始关键推荐特征数据库的各种信息推荐特征信息。接着,从初始关键推荐特征数据库中提取关键推荐特征,并根据初始模型中的不同信息推荐特征信息对应的子模型对每个初始关键推荐特征数据库的关键推荐特征进行决策分类计算,得到每个初始关键推荐特征数据库的多个信息推荐特征信息的预测值。接着,根据预测值与信息推荐特征信息的值,按照信息推荐特征信息的不同业务适用类型计算得到多个信息推荐特征信息的损失度,并将多个信息推荐特征信息的损失度求和,得到多个信息推荐特征信息的总损失度。接着,对初始模型中的不同信息推荐特征信息对应的子模型的参数进行调整,直到调整后的参数使得多个信息推荐特征信息的总损失度小于或等于预设阈值时,停止调整得到人工智能模型。
在一种可能的设计中,本实施例在前述实施例的基础上,进一步考虑到同类目标用户的推荐进程进行综合评估,提高信息推荐进程的准确性,针对步骤S140,下面结合图3对步骤S140的各个子步骤进行示例性阐述。
子步骤S141,根据目标互联网用户的推荐频繁特征获取目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息。
子步骤S142,根据目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息获取针对其它与目标互联网用户相匹配的其它同类目标用户在各个信息推荐搜索页面的关联页面访问记录信息。
子步骤S143,对关联页面访问记录信息进行决策分类计算,得到关联页面访问记录信息的类别推荐特征信息。
子步骤S144,判断类别推荐特征信息中是否存在第一信息推荐特征信息和第二信息推荐特征信息。其中,第一信息推荐特征信息与目标互联网用户的信息推荐特征信息的匹配度大于第一设定匹配度,第二信息推荐特征信息与目标互联网用户的信息推荐特征信息的匹配度小于第二设定匹配度。
子步骤S145,若存在第一信息推荐特征信息和第二信息推荐特征信息,则获取各个信息推荐搜索页面上的相关访问互联网用户的第一信息推荐特征信息对应的第一推荐频繁特征以及相关访问互联网用户的第二信息推荐特征信息对应的第二推荐频繁特征。
子步骤S146,对第一推荐频繁特征以及第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征。
子步骤S147,将匹配推荐频繁特征与各个信息推荐搜索页面对应的标记推荐频繁特征进行匹配,并根据匹配结果输出目标互联网用户的信息推荐进程。
如此,基于上述步骤,本实施例考虑到同类目标用户的推荐进程进行综合评估,提高信息推荐进程的准确性。
在一种可能的设计中,为了提高特征匹配的准确性,针对子步骤S146,具体可以确定第一推荐频繁特征以及第二推荐频繁特征之间的共同特征节点;其中,共同特征节点是指第一推荐频繁特征以及第二推荐频繁特征拼接融合的起始节点。然后,根据共同特征节点将第一推荐频繁特征与第二推荐频繁特征拼接融合为匹配推荐频繁特征,这样在获取到第一推荐频繁特征和第二推荐频繁特征之后,并不是逐一地对这两个推荐频繁特征进行匹配,而是把这两个推荐频繁特征进行拼接融合得到匹配推荐频繁特征,然后再进行匹配,而推荐频繁特征拼接融合后会产生更多的可匹配参数(例如是否对齐,差值大小等),提高了特征匹配的准确性。
在一种可能的设计中,确定第一推荐频繁特征以及第二推荐频繁特征之间的共同特征节点的方式可以是:计算第一推荐频繁特征的第一频繁特征度以及第二推荐频繁特征的第二频繁特征度,并计算第一频繁特征度和第二频繁特征度之间的差值;判断差值是否小于或等于预设数值。若差值小于或等于预设数值,则对第一推荐频繁特征和第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新,以获得最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征,并以最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征的首个推荐频繁特征位置作为共同特征节点。若差值大于预设数值,则使用相同的默认爬取方式对第一推荐频繁特征以及第二推荐频繁特征分别进行爬取,得到第一推荐频繁特征位置组和第二推荐频繁特征位置组,然后根据默认爬取方式、第一推荐频繁特征位置组、第二推荐频繁特征位置组以及互相关频繁特征度生成信息推荐对象序列;其中,互相关频繁特征度与差值正相关,信息推荐对象序列中包含有多个信息推荐对象特征。接着,将信息推荐对象序列中的多个信息推荐对象特征进行比较,查找特征位置的频繁特征度最大的信息推荐对象特征,从而将信息推荐对象特征对应的推荐频繁特征位置作为共同特征节点。
如此,本实施例进一步考虑到推荐频繁特征的频繁特征度,可以使得在进行特征匹配时进一步参考推荐频繁特征的频繁特征度,提高特征匹配的准确性。
在一种可能的设计中,上述对第一推荐频繁特征和第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新的方式可以是:若第一推荐频繁特征的第一频繁特征度相对于第二推荐频繁特征的第二频繁特征度较小,则根据差值确定差值占第一推荐频繁特征的第一频繁特征度的比例,然后计算第一推荐频繁特征的分段数值,并根据分段数值和比例计算更新系数,从而根据更新系数,对第一推荐频繁特征和第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新。
图4为本申请实施例提供的移动互联网用户管理装置300的功能模块示意图,本实施例可以根据上述方法实施例对该移动互联网用户管理装置300进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图4示出的移动互联网用户管理装置300只是一种装置示意图。其中,移动互联网用户管理装置300可以包括获取模块310、决策模块320、判断模块330以及信息推荐模块340,下面分别对该移动互联网用户管理装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于从目标互联网用户的数据收集区域中获取目标互联网用户的用户管理特征数据列表,并利用人工智能模型确定用户管理特征数据列表中是否包含关键推荐特征。
决策模块320,用于若包含关键推荐特征,则对关键推荐特征进行决策分类计算得到关键推荐特征的信息推荐特征信息。
判断模块330,用于将计算得到关键推荐特征的信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断目标互联网用户的推荐频繁特征。
信息推荐模块340,用于根据目标互联网用户的推荐频繁特征输出目标互联网用户的信息推荐进程,并根据目标互联网用户的信息推荐进程为目标互联网用户的用户终端进行信息推荐。
在一种可能的设计中,获取模块310可以通过以下方式利用人工智能模型确定用户管理特征数据列表中是否包含关键推荐特征:
从关键推荐特征样本数据库中读取出常见关键推荐特征样本;
根据用户管理特征数据列表中的管理标签业务范围从常见关键推荐特征样本中确定待用关键推荐特征样本;
根据待用关键推荐特征样本确定待推荐对象信息的移动互联网用户管理范围;
利用移动互联网用户管理范围在用户管理特征数据列表中进行匹配,若匹配成功,则确定用户管理特征数据列表中包含关键推荐特征。
在一种可能的设计中,人工智能模型可以通过以下方式训练得到:
读取初始关键推荐特征数据,每个初始关键推荐特征数据中包含初始关键推荐特征数据库以及初始关键推荐特征数据库的各种信息推荐特征信息;
从初始关键推荐特征数据库中提取关键推荐特征;
根据初始模型中的不同信息推荐特征信息对应的子模型对每个初始关键推荐特征数据库的关键推荐特征进行决策分类计算,得到每个初始关键推荐特征数据库的多个信息推荐特征信息的预测值;
根据预测值与信息推荐特征信息的值,按照信息推荐特征信息的不同业务适用类型计算得到多个信息推荐特征信息的损失度;
将多个信息推荐特征信息的损失度求和,得到多个信息推荐特征信息的总损失度;
对初始模型中的不同信息推荐特征信息对应的子模型的参数进行调整,直到调整后的参数使得多个信息推荐特征信息的总损失度小于或等于预设阈值时,停止调整得到人工智能模型。
在一种可能的设计中,信息推荐模块340可以通过以下方式输出目标互联网用户的信息推荐进程:
根据目标互联网用户的推荐频繁特征获取目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息;
根据目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息获取针对其它与目标互联网用户相匹配的其它同类目标用户在各个信息推荐搜索页面的关联页面访问记录信息;
对关联页面访问记录信息进行决策分类计算,得到关联页面访问记录信息的类别推荐特征信息;
判断类别推荐特征信息中是否存在第一信息推荐特征信息和第二信息推荐特征信息;其中,第一信息推荐特征信息与目标互联网用户的信息推荐特征信息的匹配度大于第一设定匹配度,第二信息推荐特征信息与目标互联网用户的信息推荐特征信息的匹配度小于第二设定匹配度;
若存在第一信息推荐特征信息和第二信息推荐特征信息,则获取各个信息推荐搜索页面上的相关访问互联网用户的第一信息推荐特征信息对应的第一推荐频繁特征以及相关访问互联网用户的第二信息推荐特征信息对应的第二推荐频繁特征;
对第一推荐频繁特征以及第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征;
将匹配推荐频繁特征与各个信息推荐搜索页面对应的标记推荐频繁特征进行匹配,并根据匹配结果输出目标互联网用户的信息推荐进程。
在一种可能的设计中,信息推荐模块340可以通过以下方式对第一推荐频繁特征以及第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征:
确定第一推荐频繁特征以及第二推荐频繁特征之间的共同特征节点;其中,共同特征节点是指第一推荐频繁特征以及第二推荐频繁特征拼接融合的起始节点;
根据共同特征节点将第一推荐频繁特征与第二推荐频繁特征拼接融合为匹配推荐频繁特征。
在一种可能的设计中,信息推荐模块340可以通过以下方式确定第一推荐频繁特征以及第二推荐频繁特征之间的共同特征节点:
计算第一推荐频繁特征的第一频繁特征度以及第二推荐频繁特征的第二频繁特征度;
计算第一频繁特征度和第二频繁特征度之间的差值;判断差值是否小于或等于预设数值;
若是,对第一推荐频繁特征和第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新,以获得最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征,并以最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征的首个推荐频繁特征位置作为共同特征节点;
若否,则使用相同的默认爬取方式对第一推荐频繁特征以及第二推荐频繁特征分别进行爬取,得到第一推荐频繁特征位置组和第二推荐频繁特征位置组;
根据默认爬取方式、第一推荐频繁特征位置组、第二推荐频繁特征位置组以及互相关频繁特征度生成信息推荐对象序列;其中,互相关频繁特征度与差值正相关,信息推荐对象序列中包含有多个信息推荐对象特征;
将信息推荐对象序列中的多个信息推荐对象特征进行比较,查找特征位置的频繁特征度最大的信息推荐对象特征;
将信息推荐对象特征对应的推荐频繁特征位置作为共同特征节点。
在一种可能的设计中,信息推荐模块340可以通过以下方式对第一推荐频繁特征和第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新:
若第一推荐频繁特征的第一频繁特征度相对于第二推荐频繁特征的第二频繁特征度较小,则根据差值确定差值占第一推荐频繁特征的第一频繁特征度的比例;
计算第一推荐频繁特征的分段数值,并根据分段数值和比例计算更新系数;
根据更新系数,对第一推荐频繁特征和第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新。
图5为本申请实施例提供的用于执行上述移动互联网用户管理方法的服务器100的结构示意图,如图5所示,该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130的数量可以是一个或多个,图5中以一个处理器130为例;网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接,图5中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的建立机器人自动问答知识库的方法对应的程序指令/模块(例如,图4中所示的移动互联网用户管理装置300中的获取模块310、决策模块320、判断模块330以及信息推荐模块340)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块,从而执行服务器100的各种功能应用以及数据处理,即实现上述的移动互联网用户管理方法,在此不再赘述。
机器可读存储介质120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的***和方法的存储器旨在包括但不限于这些和任意其它适合时刻的存储器。在一些实例中,机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、互联网用户内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(DigitalSignalProcessorDSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过通信接口110和其它设备进行信息交互。通信接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用通信接口110收发信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种移动互联网用户管理方法,其特征在于,应用于服务器,所述服务器预先根据多个用户行为标签信息为每个用户行为标签信息建立唯一管理列表使得将各个用户行为标签信息的唯一管理列表与和其相对应的关键推荐特征的信息推荐特征信息建立一一对应关系,以预先根据各个用户行为标签信息的唯一管理列表与关键推荐特征的信息推荐特征信息建立用户管理清单,且每个用户行为标签信息均与至少一个关键推荐特征的信息推荐特征信息相匹配,所述方法包括:
从目标互联网用户的数据收集区域中获取所述目标互联网用户的用户管理特征数据列表,并利用人工智能模型确定所述用户管理特征数据列表中是否包含关键推荐特征;
若包含关键推荐特征,则对所述关键推荐特征进行决策分类计算得到所述关键推荐特征的信息推荐特征信息;
将计算得到关键推荐特征的信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断所述目标互联网用户的推荐频繁特征;
根据所述目标互联网用户的推荐频繁特征输出所述目标互联网用户的信息推荐进程,并根据所述目标互联网用户的信息推荐进程为所述目标互联网用户的用户终端进行信息推荐。
2.根据权利要求1所述的移动互联网用户管理方法,其特征在于,所述利用人工智能模型确定所述用户管理特征数据列表中是否包含关键推荐特征的步骤,包括:
从预设的关键推荐特征样本数据库中读取出常见关键推荐特征样本;
根据所述用户管理特征数据列表中的管理标签业务范围从所述常见关键推荐特征样本中确定待用关键推荐特征样本;
根据待用关键推荐特征样本确定待推荐对象信息的移动互联网用户管理范围;
利用所述移动互联网用户管理范围在所述用户管理特征数据列表中进行匹配,若匹配成功,则确定所述用户管理特征数据列表中包含关键推荐特征。
3.根据权利要求1所述的移动互联网用户管理方法,其特征在于,所述人工智能模型通过以下方式训练得到:
读取初始关键推荐特征数据,每个初始关键推荐特征数据中包含初始关键推荐特征数据库以及初始关键推荐特征数据库的各种信息推荐特征信息;
从初始关键推荐特征数据库中提取关键推荐特征;
根据初始模型中的不同信息推荐特征信息对应的子模型对每个初始关键推荐特征数据库的关键推荐特征进行决策分类计算,得到每个初始关键推荐特征数据库的多个信息推荐特征信息的预测值;
根据所述预测值与信息推荐特征信息的值,按照信息推荐特征信息的不同业务适用类型计算得到所述多个信息推荐特征信息的损失度;
将所述多个信息推荐特征信息的损失度求和,得到所述多个信息推荐特征信息的总损失度;
对所述初始模型中的不同信息推荐特征信息对应的子模型的参数进行调整,直到调整后的参数使得所述多个信息推荐特征信息的总损失度小于或等于预设阈值时,停止调整得到所述人工智能模型。
4.根据权利要求1所述的移动互联网用户管理方法,其特征在于,所述根据所述目标互联网用户的推荐频繁特征输出所述目标互联网用户的信息推荐进程的步骤,包括:
根据所述目标互联网用户的推荐频繁特征获取所述目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息;
根据所述目标互联网用户访问的各个信息推荐搜索页面上的页面访问记录信息获取针对其它与所述目标互联网用户相匹配的其它同类目标用户在各个信息推荐搜索页面的关联页面访问记录信息;
对所述关联页面访问记录信息进行决策分类计算,得到所述关联页面访问记录信息的类别推荐特征信息;
判断所述类别推荐特征信息中是否存在第一信息推荐特征信息和第二信息推荐特征信息;其中,所述第一信息推荐特征信息与所述目标互联网用户的信息推荐特征信息的匹配度大于第一设定匹配度,所述第二信息推荐特征信息与所述目标互联网用户的信息推荐特征信息的匹配度小于第二设定匹配度;
若存在所述第一信息推荐特征信息和所述第二信息推荐特征信息,则获取所述各个信息推荐搜索页面上的相关访问互联网用户的所述第一信息推荐特征信息对应的第一推荐频繁特征以及相关访问互联网用户的所述第二信息推荐特征信息对应的第二推荐频繁特征;
对所述第一推荐频繁特征以及所述第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征;
将所述匹配推荐频繁特征与所述各个信息推荐搜索页面对应的标记推荐频繁特征进行匹配,并根据匹配结果输出所述目标互联网用户的信息推荐进程。
5.根据权利要求1所述的移动互联网用户管理方法,其特征在于,所述对所述第一推荐频繁特征以及所述第二推荐频繁特征进行拼接融合得到匹配推荐频繁特征的步骤,包括:
确定所述第一推荐频繁特征以及所述第二推荐频繁特征之间的共同特征节点;其中,所述共同特征节点是指所述第一推荐频繁特征以及所述第二推荐频繁特征拼接融合的起始节点;
根据所述共同特征节点将所述第一推荐频繁特征与所述第二推荐频繁特征拼接融合为匹配推荐频繁特征。
6.根据权利要求5所述的移动互联网用户管理方法,其特征在于,所述确定所述第一推荐频繁特征以及所述第二推荐频繁特征之间的共同特征节点的步骤,包括:
计算所述第一推荐频繁特征的第一频繁特征度以及所述第二推荐频繁特征的第二频繁特征度;
计算所述第一频繁特征度和所述第二频繁特征度之间的差值,判断所述差值是否小于或等于预设数值;
若是,对所述第一推荐频繁特征和所述第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新,以获得最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征,并以所述最终持续频繁特征度相同的第一推荐频繁特征和第二推荐频繁特征的首个推荐频繁特征位置作为共同特征节点;
若否,则使用相同的默认爬取方式对所述第一推荐频繁特征以及所述第二推荐频繁特征分别进行爬取,得到第一推荐频繁特征位置组和第二推荐频繁特征位置组;
根据所述默认爬取方式、所述第一推荐频繁特征位置组、所述第二推荐频繁特征位置组以及互相关频繁特征度生成信息推荐对象序列;其中,所述互相关频繁特征度与所述差值正相关,所述信息推荐对象序列中包含有多个信息推荐对象特征;
将所述信息推荐对象序列中的多个信息推荐对象特征进行比较,查找特征位置的频繁特征度最大的信息推荐对象特征;
将所述信息推荐对象特征对应的推荐频繁特征位置作为共同特征节点。
7.根据权利要求6所述的移动互联网用户管理方法,其特征在于,所述对所述第一推荐频繁特征和所述第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新的步骤,包括:
若所述第一推荐频繁特征的第一频繁特征度相对于所述第二推荐频繁特征的第二频繁特征度较小,则根据所述差值确定所述差值占所述第一推荐频繁特征的第一频繁特征度的比例;
计算所述第一推荐频繁特征的分段数值,并根据所述分段数值和所述比例计算更新系数;
根据所述更新系数,对所述第一推荐频繁特征和所述第二推荐频繁特征中的任一推荐频繁特征进行特征位轴上的更新。
8.一种移动互联网用户管理装置,其特征在于,应用于服务器,所述服务器预先根据多个用户行为标签信息为每个用户行为标签信息建立唯一管理列表使得将各个用户行为标签信息的唯一管理列表与和其相对应的关键推荐特征的信息推荐特征信息建立一一对应关系,以预先根据各个用户行为标签信息的唯一管理列表与关键推荐特征的信息推荐特征信息建立用户管理清单,且每个用户行为标签信息均与至少一个关键推荐特征的信息推荐特征信息相匹配,所述装置包括:
获取模块,用于从目标互联网用户的数据收集区域中获取所述目标互联网用户的用户管理特征数据列表,并利用人工智能模型确定所述用户管理特征数据列表中是否包含关键推荐特征;
决策模块,用于若包含关键推荐特征,则对所述关键推荐特征进行决策分类计算得到所述关键推荐特征的信息推荐特征信息;
判断模块,用于将计算得到关键推荐特征的信息推荐特征信息与预置的多个用户行为标签信息进行匹配,判断所述目标互联网用户的推荐频繁特征;
信息推荐模块,用于根据所述目标互联网用户的推荐频繁特征输出所述目标互联网用户的信息推荐进程,并根据所述目标互联网用户的信息推荐进程为所述目标互联网用户的用户终端进行信息推荐。
9.一种服务器,其特征在于,所述服务器包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该服务器实现权利要求1-7中任意一项所述的移动互联网用户管理方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有机器可执行指令,所述机器可执行指令被执行时实现权利要求1-7中任意一项所述的移动互联网用户管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657112.XA CN111814052A (zh) | 2020-07-09 | 2020-07-09 | 移动互联网用户管理方法、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657112.XA CN111814052A (zh) | 2020-07-09 | 2020-07-09 | 移动互联网用户管理方法、装置、服务器及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814052A true CN111814052A (zh) | 2020-10-23 |
Family
ID=72842848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010657112.XA Withdrawn CN111814052A (zh) | 2020-07-09 | 2020-07-09 | 移动互联网用户管理方法、装置、服务器及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814052A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344147A (zh) * | 2021-08-04 | 2021-09-03 | 北京世纪好未来教育科技有限公司 | 一种特征共享建模方法、装置、设备及其存储介质 |
CN116257791A (zh) * | 2023-05-10 | 2023-06-13 | 北京云真信科技有限公司 | 设备集合确定方法、电子设备和计算机可读存储介质 |
-
2020
- 2020-07-09 CN CN202010657112.XA patent/CN111814052A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344147A (zh) * | 2021-08-04 | 2021-09-03 | 北京世纪好未来教育科技有限公司 | 一种特征共享建模方法、装置、设备及其存储介质 |
CN116257791A (zh) * | 2023-05-10 | 2023-06-13 | 北京云真信科技有限公司 | 设备集合确定方法、电子设备和计算机可读存储介质 |
CN116257791B (zh) * | 2023-05-10 | 2023-08-11 | 北京云真信科技有限公司 | 设备集合确定方法、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652615B (zh) | 基于区块链大数据的安全识别方法及人工智能云服务平台 | |
CN111132145B (zh) | 网络通信安全监测方法、装置、服务器及网络通信*** | |
CN110442762B (zh) | 基于云平台大数据的大数据处理方法 | |
CN111814052A (zh) | 移动互联网用户管理方法、装置、服务器及可读存储介质 | |
CN110442623B (zh) | 大数据挖掘方法、装置及数据挖掘服务器 | |
CN110826606A (zh) | 要素匹配方法、装置、服务器及可读存储介质 | |
CN113468404A (zh) | 基于大数据挖掘的推送资源确定方法及云计算ai服务*** | |
CN110855529A (zh) | 网络信息安全监护方法、装置、服务器及可读存储介质 | |
CN111680645B (zh) | 一种垃圾分类处理方法及装置 | |
CN111079175B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN107203545B (zh) | 一种数据处理方法及装置 | |
CN111680293A (zh) | 基于互联网的信息监控管理方法、装置及服务器 | |
CN111259007A (zh) | 电动车信息监控方法、装置、服务器及电动车管理*** | |
CN111667190B (zh) | 一种电力施工接地监控方法、装置及服务器 | |
CN113239272B (zh) | 一种网络管控***的意图预测方法和意图预测装置 | |
CN112055076A (zh) | 基于互联网的多功能智能监控方法、装置及服务器 | |
CN112380771A (zh) | 一种土壤侵蚀评估方法、装置及服务器 | |
CN111988187B (zh) | 中央管理服务器的互联网连接方法及装置 | |
CN111526333A (zh) | 安防监控方法、装置、服务器及可读存储介质 | |
CN112055075B (zh) | 互联网产品监控方法、装置、服务器及可读存储介质 | |
CN112364515B (zh) | 一种生态环境智能监控方法、装置及服务器 | |
CN111652323B (zh) | 水质监测方法、装置及服务器 | |
CN112039994B (zh) | 基于互联网的远程监控方法、装置及服务器 | |
CN116521761B (zh) | 基于人工智能的传感器运行行为挖掘方法及*** | |
CN111800482B (zh) | 工业互联网的动态安全防护、装置及服务器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: No. 205, Beichen Avenue, Panlong District, Kunming City, Yunnan Province Applicant after: Zhang Defu Address before: 301-320, 3rd floor, Fuchang Industrial Park, 259 huxinan Road, Maanshan economic and Technological Development Zone, Anhui Province 243000 Applicant before: Zhang Defu |
|
CB02 | Change of applicant information | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |
|
WW01 | Invention patent application withdrawn after publication |