CN117708436A - 基于大数据的网络文学短剧推荐管理*** - Google Patents
基于大数据的网络文学短剧推荐管理*** Download PDFInfo
- Publication number
- CN117708436A CN117708436A CN202410160536.3A CN202410160536A CN117708436A CN 117708436 A CN117708436 A CN 117708436A CN 202410160536 A CN202410160536 A CN 202410160536A CN 117708436 A CN117708436 A CN 117708436A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- periodic
- time
- short
- 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.)
- Granted
Links
- 230000000694 effects Effects 0.000 claims abstract description 62
- 230000006399 behavior Effects 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000000737 periodic effect Effects 0.000 claims description 73
- 238000007726 management method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 241001201614 Prays Species 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据监管领域,且公开了基于大数据的网络文学短剧推荐管理***,用于解决当用户存在周期性活跃行为时,短剧平台再根据用户的历史画像推荐视频将不再准确,包括用户识别模块、短剧推荐模块、短剧管理模块以及效果检测模块,根据用户行为识别并筛选出周期性用户,对周期性用户处于活跃状态时,进行视频的筛选与推荐,对周期性用户处于沉睡状态时,通过引导的方式引导用户点击进入观看视频,并检测对周期性用户进行视频推荐管理后的效果,有效提高了周期性用户的活跃度与参与度,使短剧平台可以对周期性用户推送准确的视频。
Description
技术领域
本发明涉及数据监管领域,更具体地涉及基于大数据的网络文学短剧推荐管理***。
背景技术
网络文学短剧是一种结合文学和戏剧元素的创作形式,通常是一系列短篇小说或故事情节的结集,以戏剧性的手法进行呈现。这种形式融合了文学作品的情节设置、人物塑造和语言表达,同时又借鉴了戏剧的表演性和场景设置。
现有网络文学短剧的推荐一般是通过平台分析用户的行为,从而建立用户的个性化画像,根据用户的个性化画像与视频内容进行匹配,为用户提供符合用户喜好的视频,但是这种推荐方法会导致当用户在一段时间没有活跃行为时,视频平台缺失近期对用户喜好的了解,导致平台不能重新激活用户对平台的兴趣,从而有再次流失用户的风险。
针对上述问题,本发明提出一种解决方案。
发明内容
为了克服现有技术的上述缺陷,本发明提供了基于大数据的网络文学短剧推荐管理***,以解决上述背景技术中存在的问题。
为实现上述目的,本发明提供如下技术方案:
基于大数据的网络文学短剧推荐管理***,包括用户识别模块、短剧推荐模块、短剧管理模块以及效果检测模块,各模块之间通过信号连接,各模块之间数据化处理步骤如下:
通过用户识别模块根据用户行为信息将用户分为活跃用户与沉睡用户,并筛选出沉睡用户中的周期性用户;
通过短剧推荐模块对处于活跃状态的周期性用户进行用户活跃周期与用户历史画像的分析,并根据分析结果对周期性用户进行视频的筛选与推荐;
通过短剧管理模块对处于沉睡状态的周期性用户通过引导的方式引导用户点击进入观看视频;
通过效果检测模块随机抽取用户并根据用户初始与最终的活跃周期,检测对周期性用户进行视频推荐管理的效果。
优选的,所述用户行为信息包括登录时间信息与交互信息,所述登录时间信息包括用户注册账户后的登录总时长与用户注册账户时长,所述交互信息包括用户观看总视频数、用户总点赞数、用户总评论数以及用户总分享次数。
优选的,所述根据用户行为信息将用户分为活跃用户与沉睡用户步骤为:
通过短剧平台后台进行统计调取用户注册账户后的登录总时长与用户注册账户时长,根据登录总时长与用户注册账户时长计算得到登录时间占比;
根据用户观看总视频数、用户总点赞数、用户总评论数以及用户总分享次数计算得到交互度;
根据登录时间占比与交互度通过加权求和计算得到用户活跃指数,并根据加权求和计算得到用户活跃指数将用户分为活跃用户与沉睡用户。
优选的,所述筛选出沉睡用户中的周期性用户步骤为:
收集用户的活动时间序列数据,包括观看视频、点赞、评论、分享,并且数据包含时间戳信息;
将用户的活动时间序列进行离散化,提取周期性特征,并将连续的时间序列划分为离散的时间点,统计在每个时间点的活动情况;
对离散化后的沉睡用户活动时间序列进行傅里叶变换,使用离散傅里叶变换的算法,计算频域中各个频率分量的幅度和相位;
通过计算频率与周期之间的关系,确定在频域中出现的频率对应的周期性变化;
绘制观察傅里叶变换的频谱图,通过观察频谱图识别出周期性用户。
优选的,所述对离散化后的沉睡用户活动时间序列进行傅里叶变换具体步骤为:
对用户行为进行定时采样,得到一个离散化的时间序列;
对离散化的时间序列进行傅里叶变换,根据时间序列的长度与频域中的索引计算得到频域中的复数表示;
通过频域中的复数表示计算得到频域中各个频率分量幅度。
优选的,所述绘制观察傅里叶变换的频谱图具体为以频率为横轴,傅里叶变换的幅度为纵轴,绘制傅里叶变换的频谱图,通过观察傅里叶变换的频谱图识别存在连续的周期性的幅度峰值时,将用户判定为预周期性用户,计算用户周期长度,将计算得到的用户周期长度与频谱图中实际行为相符,则判定用户为周期性用户。
优选的,所述用户历史画像得到步骤为:
收集用户上次活跃时在平台上的行为数据,包括观看历史、点赞、评论、分享、收藏信息;
为每个用户建立唯一的标识符,并将用户的各种行为数据关联到其唯一标识,确保数据的准确性和一致性;
从收集到的数据中提取关键特征,包括观看频率:用户观看短视频的频率,观看时长:用户观看视频的平均时长,喜好的主题:通过分析观看历史中的标签或关键词提取用户对特定主题的喜好,互动行为:用户点赞、评论、分享的次数,活跃时间段:用户在平台上活跃的时间段;
构建用户画像向量,并考虑用户周期行为的变化和新数据的加入,定期更新周期用户上次活跃时的用户画像向量。
优选的,所述检测对周期性用户进行视频推荐管理的效果步骤为:
在筛选出的周期性用户中随机抽取一组用户作为实验组,并将抽取的用户进行标记,并记录每个用户初始的活跃周期;
在设定检测时间内对抽取用户进行推荐管理方法,并在检测时间后通过傅里叶变换计算抽取每个用户的最终活跃周期;
通过每个用户初始的活跃周期与每个用户的最终活跃周期计算出用户的活跃周期变化指数;
根据计算得到的用户的活跃周期变化指数判断本实施例中对周期性用户进行视频推荐管理的效果,若效果达标,则对周期性用户进行大规模使用,若效果不达标,则建立用户反馈机制,了解周期性用户对推荐内容的喜好和不满意之处,根据周期性用户反馈不断优化推荐策略,提高推荐的质量。
本发明的技术效果和优点:
根据用户行为识别并筛选出周期性用户,对周期性用户处于活跃状态时,进行视频的筛选与推荐,对周期性用户处于沉睡状态时,通过引导的方式引导用户点击进入观看视频,并检测对周期性用户进行视频推荐管理后的效果,有效提高了周期性用户的活跃度与参与度,使短剧平台可以对周期性用户推送准确的视频。
附图说明
图1为本发明的整体流程图。
图2为本发明的步骤图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,另外,在以下的实施方式中记载的各结构的形态只不过是例示,本发明所涉及的基于大数据的网络文学短剧推荐管理***并不限定于在以下的实施方式中记载的各结构,在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了基于大数据的网络文学短剧推荐管理***,包括用户识别模块、短剧推荐模块、短剧管理模块以及效果检测模块,各模块之间通过信号连接。
用户识别模块,用于识别并筛选出周期性用户;
通过视频平台收集用户行为信息,根据用户行为信息将用户分为活跃用户与沉睡用户,如图2所示,所述用户行为信息包括登录时间信息与交互信息,所述登录时间信息包括用户注册账户后的登录总时长与用户注册账户时长,所述交互信息包括用户观看总视频数、用户总点赞数、用户总评论数以及用户总分享次数。
所述根据用户行为信息将用户分为活跃用户与沉睡用户具体步骤为:
根据登录时间信息计算得到登录时间占比,其计算公式为,其中LG表示为登录时间占比,LT表示为用户注册账户后的登录总时长,AL表示为用户注册账户时长;
所述用户注册账户后的登录总时长与用户注册账户时长通过短剧后台进行统计调取。
根据交互信息计算得到交互度,其计算公式为,其中IT表示为交互度,AP表示用户观看总视频数,TUNUM表示为用户总点赞数,CTNUM表示为用户总评论数,SANUM表示为用户总分享次数;
根据登录时间占比与交互度通过加权求和计算得到用户活跃指数,其计算公式为,所述AT表示为用户活跃指数,a1、a2为LG表登录时间占比与IT交互度的权重系数,其具体值由专业人员设定,本实施例不对a1、a2具体值做详细计算,其中登录时间占比与交互度越高,则表示用户越活跃,用户活跃指数越高;
将用户活跃指数与预设阈值进行对比,若用户活跃指数大于预设阈值,则判定用户活跃度较高,将用户划分为活跃用户,若用户活跃指数小于预设阈值,则判定用户活跃度较低,将用户划分为沉睡用户。
沉睡用户中的周期性用户可能伴随着对不同类型内容的需求变化,平台需要灵活调整推荐算法和内容策略,以满足用户在不同时间段的需求。在周期性用户的活跃期间,用户社交互动可能更为频繁,用户可能更愿意与其他用户互动、评论和分享内容,从而形成更加活跃的社交环境。周期性用户的活跃周期也可能影响用户留存和激活策略,平台可以利用用户活跃期间的机会,通过个性化推荐和激励计划来提高用户粘性和留存率。周期性用户的存在增加了数据分析的复杂性。平台需要考虑用户活跃周期的影响,以更准确地进行用户行为分析和未来趋势预测。
通过计算沉睡用户的周期,筛选出周期性用户,并对周期性用户进行合适的视频推荐,所述计算沉睡用户的周期具体步骤为:
收集用户的活动时间序列数据,确保数据包含有关用户在平台上的活动,包括观看视频、点赞、评论、分享,并且包含时间戳信息;
将用户的活动时间序列进行离散化,提取周期性特征,并选择合适的采样频率将连续的时间序列划分为离散的时间点,并统计在每个时间点的活动情况;
对离散化后的沉睡用户活动时间序列进行傅里叶变换,使用离散傅里叶变换的算法,计算频域中各个频率分量的幅度和相位;
通过计算频率与周期之间的关系,确定在频域中出现的频率对应于哪些周期性变化;
绘制观察傅里叶变换的频谱图,获取沉睡用户的周期。
所述时间戳是指表示某个具体时刻的数字,通常是相对于某个特定起始点的时间的计量方式,这个起始点可以是某个参考时间点,也可以是计算机***内部的某个特定时间点,在处理时间相关的数据和事件记录时,时间戳是一个重要的工具。
所述将用户的活动时间序列进行离散化,提取周期性特征步骤为,对活动时间序列进行采样,将连续的时间序列离散化为离散时间点上的活动次数,可以通过将时间序列分成均匀的时间段,并计算每个时间段内的活动次数来实现,例如假设一个用户的活动时间序列包括每1分钟视频的观看数、点赞数、评论数以及分享次数,如表1所示:
时间 | 观看数 | 点赞数 | 评论数 | 分享次数 |
2023-01-1 00:00 | 5 | 3 | 2 | 0 |
2023-01-1 00:01 | 8 | 2 | 1 | 1 |
2023-01-1 00:02 | 7 | 4 | 3 | 1 |
2023-01-1 00:03 | 6 | 3 | 1 | 0 |
…… | …… | …… | …… | …… |
表1
将连续的时间序列离散化为每10分钟一个数据点,如表2所示:
时间 | 观看数 | 点赞数 | 评论数 | 分享次数 |
2023-01-1 00:00 | 100(5+8+7+6+…) | 42(3+2+4+3+…) | 31(2+1+3+1+…) | 9(0+1+1+0+…) |
2023-01-1 00:10 | …… | …… | …… | …… |
2023-01-1 00:20 | …… | …… | …… | …… |
2023-01-1 00:30 | …… | …… | …… | …… |
…… | …… | …… | …… | …… |
表2
所述对离散化后的沉睡用户活动时间序列进行傅里叶变换步骤为:
对用户行为进行定时采样,假设对用户每1分钟的观看数进行10分钟一次的采样,得到一个离散化的时间序列,长度为N,具体来说,若采样周期为10分钟,并且采样了20个周期,那么时间序列长度N为20;
对离散化的时间序列进行傅里叶变换,给定长度为N的离散时间序列,其中n=0,1,2,……,N-1,n表示时间序列中第n个数据点,对离散化的时间序列进行傅里叶变换计算公式为/>,其中X(k)表示傅里叶变换后,频域中第k个频率的振幅,也表示频率为k的复数表示的频谱分量,/>表示时域中在第n个数据点的观测值,N是时间序列的长度,表示在离散时间上有多少个数据点,k表示傅里叶变换后频域中的索引,表示频域中第k个频率成分的位置,在傅里叶变换中,时间序列被转换为频域表示,每个频率成分在频域中都有一个对应的索引k,参数k的取值范围通常是从0到N-1,其中N是时间序列的长度;
在频域分析中傅里叶变换的思想认为任何周期性信号都可以被分解为一系列不同频率的正弦波的组合,复数表示形式可以展开为实部和虚部的形式,例如傅里叶复数形式为,/>是幅度,/>是相位,上述复数形式可以展开为实部和虚部的形式:/>。
需要说明的是,计算公式中的j和i均为虚数单位,表示一个数学上的虚数,其作用与傅里叶变换中的角度旋转是一样的。具体来说,指数函数e描述了频率域中的旋转,描述了信号在频域中的相位随着时间(或空间)的变化情况。虚数单位j或i的存在确保了旋转是沿着虚轴进行的,这与频域中信号的性质相对应。在逆变换过程中,这个虚数单位确保了正确的相位旋转,使得信号可以从频域回到时域。
所述频域中的索引表示了频率分量在频域上的位置,索引值越大,对应的频率分量越高,这些索引值反映了在离散频率范围内的频率分辨率,通过它们可以定位在频谱中的不同频率成分。
根据各个频率分量幅度、各个频率分量相位以及频率绘制频谱图,横轴表示频率,纵轴表示各个频率分量幅度,所述各个频率分量幅度计算公式为,计算频域中各个频率分量相位计算公式为/>,其中/>表示Xk的实部,表示频率分量在该频率上的正弦分量,/>表示Xk的虚部,表示频率分量在该频率上的余弦分量。所述频率计算公式为/>,其中fk表示为频率,k为频域中的索引,N是时间序列的长度,/>为采样时间间隔;
使用循环神经网络对绘制的频谱图进行计算,设定一个阈值,例如设定阈值为0.5,将循环神经网络对频谱图计算结果与阈值进行对比,若计算结果大于预设阈值,则判定存在连续的、周期性的幅度峰值,则将该用户记为周期性用户。
短剧推荐模块,用于对处于活跃状态的周期性用户进行视频的筛选与推荐。
本实施例对于周期性用户通过用户活跃周期与用户历史画像进行短剧推荐,考虑用户周期性行为可以更准确地预测用户何时更有可能观看短剧,结合用户的历史画像信息,可以更精准地推荐符合用户口味的短剧。通过在用户更活跃的周期性时段提供个性化的短剧推荐,可以提高用户的观看体验,且用户在更愿意消费娱乐内容的时候获得符合期望的推荐,从而增加用户满意度。
根据用户周期性行为和历史画像,推荐与用户活跃时段相关的短剧,有助于提高推荐内容的吸引力,且这样的推荐更有可能引起用户的注意并增加观看率,并且有助于促进用户的参与度。通过更好地满足用户的观看需求,可以提高用户对平台的满意度和忠诚度,从而增加用户留存率,用户在活跃周期内得到符合期望的推荐,更有可能长期使用平台。
所述用户历史画像得到步骤为:
收集用户上次活跃时在平台上的行为数据,包括观看历史、点赞、评论、分享、收藏等信息;
为每个用户建立唯一的标识符,并将用户的各种行为数据关联到其唯一标识,确保数据的准确性和一致性;
从收集到的数据中提取关键特征,包括:观看频率:用户观看短视频的频率,观看时长:用户观看视频的平均时长,喜好的主题:通过分析观看历史中的标签或关键词提取用户对特定主题的喜好,互动行为:用户点赞、评论、分享等的次数,活跃时间段:用户在平台上活跃的特定时间段;
构建用户画像向量,并考虑用户周期行为的变化和新数据的加入,定期更新周期用户上次活跃时的用户画像向量。
所述构建用户画像向量具体步骤为:
从用户的行为数据中提取特征,例如假设我们有四个关键特征观看频率(F1),观看时长(F2),点赞次数(F3),点赞视频标签(F4);
对提取的特征进行标准化,确保他们具有相同的尺度,标准化公式为,其中X表示为特征,mean(X)与std(X)分别表示特征的均值与标准差,例如对观看频率进行标准化计算公式为/>;
将标准化后的特征组成一个向量,价格标准化后的特征为、/>、/>以及/>,则用户向量U表示为/>;
对用户向量进行归一化,确保向量的模为1,计算公式为,其中/>是用户向量的模,所述Unormalized为用户画像向量。
通过用户画像向量筛选用户感兴趣的短视频,具体步骤为:
通过上述构建用户画像向量的方法构建视频特征向量V;
使用余弦相似度计算方法计算用户画像向量与每个视频特征向量之间的相似度,计算公式为,其中U是用户画像向量,V是视频特征向量,“/>”表示向量点乘,表示为响亮的模;
根据计算得到的相似度,对视频进行排序,根据用户活跃周期选择选取排名靠前的视频作为喜好视频推送给用户。
对周期性用户处于活跃状态时进行视频的筛选与推荐,通过用户活跃周期与预设阈值进行对比,用户活跃周期越长表示用户距离上次活跃时间间隔越长,用户的喜好发生变化的可能性越大,则用户历史画像的参考性越低,所述用户活跃周期计算公式为,其中T表示为用户活跃周期,/>为频率。
设定活跃周期阈值T1、T2,若用户活跃周期小于T1,则主要向用户推送喜好视频,次要推送热点视频,若用户活跃周期大于T1小于T2,则向用户推送视频占比为一半为喜好视频一半为热点视频,若用户活跃周期大于T1,则向用户推送主要向用户推送热点视频,次要推送喜好视频,其中T1<T2。
所述热点视频是指能够吸引大量用户观看,视频具有高点击率、观看次数或播放量的视频,且视频具有高分享率与互动率,热点视频也需要涵盖热门话题并且与时事相关具有创意性。
短剧管理模块,用于对处于沉睡状态的周期性用户通过引导的方式引导用户点击进入观看视频。
短视频平台进行视频分发是指平台根据一定的算法和策略,将视频推送给用户观看的过程,这一过程旨在提高视频的曝光度、促进用户互动、增加内容传播范围,从而优化用户体验、提高用户留存。
视频分发可以将内容推送给更多用户,增加视频的曝光机会,通过平台的分发机制,视频被推荐给可能感兴趣的用户,从而扩大内容的传播范围,通过不断分发吸引人的视频,短视频平台可以提高用户的留存率。用户在平台上观看到感兴趣的内容,更有可能长时间停留在平台上,提高用户粘性。
定期向处于沉睡状态的周期性用户发送包含平台上热门、新鲜和精选内容的推送通知,有助于唤醒用户对平台的兴趣。为沉睡用户提供独家或个性化的内容,或者提供一些特别的折扣、优惠或奖励,可以成为激励用户重新访问的诱因,创建有趣的社交活动、挑战或投票,鼓励用户与其他用户互动,有助于提高用户的参与度和黏性,引入新的平台功能或改进,通过推送通知或应用内提示告知用户,新功能可能吸引用户重新体验平台。创建基于主题或季节的活动,推出相应的内容,有助于创造一种用户期待的氛围。在不同渠道上与用户互动,如社交媒体、邮件、应用内消息等,确保信息能够全面覆盖,提高用户知晓度。为沉睡用户提供引导性教程,帮助他们更好地使用平台,并展示一些推荐列表,以便快速找到感兴趣的内容。
效果检测模块,用于检测对周期性用户进行视频推荐管理的效果。
在筛选出的周期性用户中随机抽取一组用户作为实验组,并将抽取的用户进行标记,并记录每个用户初始的活跃周期;
在设定检测时间内对抽取用户进行上述推荐管理方法,并在检测时间后通过上述傅里叶变换法,计算抽取用户的最终活跃周期;
记抽取用户数为g,g从1、2、……、h,计算抽取用户的活跃周期变化指数,其计算公式为,其中T0表示为用户初始的活跃周期,T1表示为用户的最终活跃周期;
将活跃周期变化指数与预设阈值进行对比,若活跃周期变化指数大于预设阈值,则说明本实施例中对周期性用户进行视频推荐管理的方法效果较好,则对周期性用户进行大规模使用,若活跃周期变化指数小于预设阈值,则说明本实施例中对周期性用户进行视频推荐管理的方法效果不佳,则建立用户反馈机制,了解周期性用户对推荐内容的喜好和不满意之处,根据周期性用户反馈不断优化推荐策略,提高推荐的质量。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.基于大数据的网络文学短剧推荐管理***,其特征在于,包括用户识别模块、短剧推荐模块、短剧管理模块以及效果检测模块,各模块之间通过信号连接,各模块之间数据化处理步骤如下:
通过用户识别模块根据用户行为信息将用户分为活跃用户与沉睡用户,并筛选出沉睡用户中的周期性用户;
通过短剧推荐模块对处于活跃状态的周期性用户进行用户活跃周期与用户历史画像的分析,并根据分析结果对周期性用户进行视频的筛选与推荐;
通过短剧管理模块对处于沉睡状态的周期性用户通过引导的方式引导用户点击进入观看视频;
通过效果检测模块随机抽取用户并根据用户初始与最终的活跃周期,检测对周期性用户进行视频推荐管理的效果;
所述筛选出沉睡用户中的周期性用户步骤为:
收集用户的活动时间序列数据,包括观看视频、点赞、评论、分享,并且数据包含时间戳信息;
将用户的活动时间序列进行离散化,提取周期性特征,并将连续的时间序列划分为离散的时间点,统计在每个时间点的活动情况;
对离散化后的沉睡用户活动时间序列进行傅里叶变换,使用离散傅里叶变换的算法,计算频域中各个频率分量的幅度和相位;
通过计算频率与周期之间的关系,确定在频域中出现的频率对应的周期性变化;
绘制观察傅里叶变换的频谱图,通过观察频谱图识别出周期性用户;
所述对离散化后的沉睡用户活动时间序列进行傅里叶变换具体步骤为:
对用户行为进行定时采样,得到一个离散化的时间序列;
对离散化的时间序列进行傅里叶变换,根据时间序列的长度与频域中的索引计算得到频域中的复数表示;
通过频域中的复数表示计算得到频域中各个频率分量幅度;
所述绘制观察傅里叶变换的频谱图具体为以频率为横轴,傅里叶变换的幅度为纵轴,绘制傅里叶变换的频谱图,通过观察傅里叶变换的频谱图识别存在连续的周期性的幅度峰值时,将用户判定为预周期性用户,计算用户周期长度,将计算得到的用户周期长度与频谱图中实际行为相符,则判定用户为周期性用户。
2.根据权利要求1所述的基于大数据的网络文学短剧推荐管理***,其特征在于:所述用户行为信息包括登录时间信息与交互信息,所述登录时间信息包括用户注册账户后的登录总时长与用户注册账户时长,所述交互信息包括用户观看总视频数、用户总点赞数、用户总评论数以及用户总分享次数。
3.根据权利要求1所述的基于大数据的网络文学短剧推荐管理***,其特征在于:所述根据用户行为信息将用户分为活跃用户与沉睡用户步骤为:
通过短剧平台后台进行统计调取用户注册账户后的登录总时长与用户注册账户时长,根据登录总时长与用户注册账户时长计算得到登录时间占比;
根据用户观看总视频数、用户总点赞数、用户总评论数以及用户总分享次数计算得到交互度;
根据登录时间占比与交互度通过加权求和计算得到用户活跃指数,并根据加权求和计算得到用户活跃指数将用户分为活跃用户与沉睡用户。
4.根据权利要求1所述的基于大数据的网络文学短剧推荐管理***,其特征在于:所述用户历史画像得到步骤为:
收集用户上次活跃时在平台上的行为数据,包括观看历史、点赞、评论、分享、收藏信息;
为每个用户建立唯一的标识符,并将用户的各种行为数据关联到其唯一标识,确保数据的准确性和一致性;
从收集到的数据中提取关键特征,包括观看频率:用户观看短视频的频率,观看时长:用户观看视频的平均时长,喜好的主题:通过分析观看历史中的标签或关键词提取用户对特定主题的喜好,互动行为:用户点赞、评论、分享的次数,活跃时间段:用户在平台上活跃的时间段;
构建用户画像向量,并考虑用户周期行为的变化和新数据的加入,定期更新周期用户上次活跃时的用户画像向量。
5.根据权利要求1所述的基于大数据的网络文学短剧推荐管理***,其特征在于:所述检测对周期性用户进行视频推荐管理的效果步骤为:
在筛选出的周期性用户中随机抽取一组用户作为实验组,并将抽取的用户进行标记,并记录每个用户初始的活跃周期;
在设定检测时间内对抽取用户进行推荐管理方法,并在检测时间后通过傅里叶变换计算抽取每个用户的最终活跃周期;
通过每个用户初始的活跃周期与每个用户的最终活跃周期计算出用户的活跃周期变化指数;
根据计算得到的用户的活跃周期变化指数判断本实施例中对周期性用户进行视频推荐管理的效果,若效果达标,则对周期性用户进行大规模使用,若效果不达标,则建立用户反馈机制,了解周期性用户对推荐内容的喜好和不满意之处,根据周期性用户反馈不断优化推荐策略,提高推荐的质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160536.3A CN117708436B (zh) | 2024-02-05 | 2024-02-05 | 基于大数据的网络文学短剧推荐管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160536.3A CN117708436B (zh) | 2024-02-05 | 2024-02-05 | 基于大数据的网络文学短剧推荐管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708436A true CN117708436A (zh) | 2024-03-15 |
CN117708436B CN117708436B (zh) | 2024-04-26 |
Family
ID=90162811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160536.3A Active CN117708436B (zh) | 2024-02-05 | 2024-02-05 | 基于大数据的网络文学短剧推荐管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708436B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150019588A1 (en) * | 2013-07-11 | 2015-01-15 | Drexel University | Identifying Implicit Relationships Between Social Media Users To Support Social Commerce |
WO2015036817A1 (en) * | 2013-09-15 | 2015-03-19 | Yogesh Chunilal Rathod | Structured updated status, requests, user data & programming based presenting & accessing of connections |
CN107894998A (zh) * | 2017-10-24 | 2018-04-10 | 迅雷计算机(深圳)有限公司 | 视频推荐方法及装置 |
CN109784997A (zh) * | 2019-01-11 | 2019-05-21 | 重庆邮电大学 | 一种基于大数据的短视频活跃用户预测方法 |
CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
CN112966732A (zh) * | 2021-03-02 | 2021-06-15 | 东华大学 | 具有周期属性的多因素交互行为异常检测方法 |
CN115689638A (zh) * | 2022-10-31 | 2023-02-03 | 交叉信息核心技术研究院(西安)有限公司 | 金融机构营销活动触达优化方法、***、设备及存储介质 |
CN116051241A (zh) * | 2023-02-01 | 2023-05-02 | 浙江红太阳企业管理咨询有限公司 | 一种基于大数据的电商管理平台 |
CN117217808A (zh) * | 2023-07-21 | 2023-12-12 | 广州有机云计算有限责任公司 | 一种智能的活动邀请裂变能力分析预测方法 |
-
2024
- 2024-02-05 CN CN202410160536.3A patent/CN117708436B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150019588A1 (en) * | 2013-07-11 | 2015-01-15 | Drexel University | Identifying Implicit Relationships Between Social Media Users To Support Social Commerce |
WO2015036817A1 (en) * | 2013-09-15 | 2015-03-19 | Yogesh Chunilal Rathod | Structured updated status, requests, user data & programming based presenting & accessing of connections |
CN107894998A (zh) * | 2017-10-24 | 2018-04-10 | 迅雷计算机(深圳)有限公司 | 视频推荐方法及装置 |
CN109784997A (zh) * | 2019-01-11 | 2019-05-21 | 重庆邮电大学 | 一种基于大数据的短视频活跃用户预测方法 |
CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
CN112966732A (zh) * | 2021-03-02 | 2021-06-15 | 东华大学 | 具有周期属性的多因素交互行为异常检测方法 |
CN115689638A (zh) * | 2022-10-31 | 2023-02-03 | 交叉信息核心技术研究院(西安)有限公司 | 金融机构营销活动触达优化方法、***、设备及存储介质 |
CN116051241A (zh) * | 2023-02-01 | 2023-05-02 | 浙江红太阳企业管理咨询有限公司 | 一种基于大数据的电商管理平台 |
CN117217808A (zh) * | 2023-07-21 | 2023-12-12 | 广州有机云计算有限责任公司 | 一种智能的活动邀请裂变能力分析预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117708436B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210352371A1 (en) | Machine-learning based systems and methods for analyzing and distributing multimedia content | |
De Vreese et al. | Measuring media exposure in a changing communications environment | |
Schweidel et al. | Binge watching and advertising | |
US10945043B2 (en) | Methods and apparatus to create a panel of media device users | |
Bright et al. | The life and death of political news: Measuring the impact of the audience agenda using online data | |
Elpers et al. | Why do consumers stop viewing television commercials? Two experiments on the influence of moment-to-moment entertainment and information value | |
Ballings et al. | Social media optimization: Identifying an optimal strategy for increasing network size on Facebook | |
US20190124381A1 (en) | Methods and apparatus to identify co-relationships between media using social media | |
US20120191815A1 (en) | Method and apparatus for delivering targeted content | |
JP2004357311A (ja) | 加入者プロファイルを生成するための方法、データ処理システム、およびインターラクティブテレビシステム | |
US20210398164A1 (en) | System and method for analyzing and predicting emotion reaction | |
Zhao et al. | Direct and indirect spillovers from content providers’ switching: Evidence from online livestreaming | |
Riekkinen | Piracy versus netflix: Subscription video on demand dissatisfaction as an antecedent of piracy | |
Cremonesi et al. | Time-evolution of IPTV recommender systems | |
Huda et al. | Analysis of continuance use of video on demand applications by using the hedonic motivation system adoption model | |
US20220345779A1 (en) | System for audience sentiment feedback and analysis | |
Müller et al. | Populist alternative news use and its role for elections: Web-tracking and survey evidence from two campaign periods | |
Darr et al. | Resurgent mass partisanship revisited: The role of media choice in clarifying elite ideology | |
JP6552759B1 (ja) | データ処理装置及びデータ処理方法 | |
Xiao et al. | An inside look into the complexity of box-office revenue prediction in China | |
Turgeman et al. | Unsupervised learning approach to estimating user engagement with mobile applications: A case study of The Weather Company (IBM) | |
Lilleker et al. | Content analysis and the examination of digital propaganda on social media | |
CN117708436B (zh) | 基于大数据的网络文学短剧推荐管理*** | |
Chen et al. | A comparison between online social media discussions and vaccination rates: A tale of four vaccines | |
CN115456676A (zh) | 一种游戏广告可视化投放数据分析管理方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |