基于用户需求分析的数据推荐方法及系统技术方案

技术编号:37136040 阅读:15 留言:0更新日期:2023-04-06 21:35
本发明专利技术实施例提供的基于用户需求分析的数据推荐方法及系统,根据本发明专利技术的实施例的基于用户需求分析的数据推荐方法,通过设定规则调整处理,使得AI机器学习模型生成的知识特征等变量不存在缺失和误差,在不同场景下调用AI机器学习模型进行推送决策分析的过程中能够确保得到的数据推送决策信息的准确性,从而提高基于用户需求进行数据推送决策分析的灵活性,减少再不同场景下进行数据推送决策分析和特征翻译时的误差,基于用户需求知识向量以及联动需求描述字段,能够实现递进式的数据挖掘分析,从而准确、完整且合理地获得数据推送决策信息。策信息。策信息。

【技术实现步骤摘要】
基于用户需求分析的数据推荐方法及系统


[0001]本专利技术涉及数据推送
,特别涉及一种基于用户需求分析的数据推荐方法及系统。

技术介绍

[0002]用户需求分析作为大数据时代下的热门,已广泛应用于不同的业务领域,诸如区块链、云游戏、智慧医疗、电子商务等前沿领域已经着手于用户需求的深度分析和挖掘,这样可以为后期的服务优化或者数据推送提供指导。在上述条件下,应用人工智能进行用户需求分析较为普遍,但是传统技术在针对用户需求和数据推送的分析时,其精度和灵活性难以得到保障。

技术实现思路

[0003]为改善相关技术中存在的技术问题,本专利技术提供了一种基于用户需求分析的数据推荐方法及系统。
[0004]第一方面,本专利技术实施例提供了一种基于用户需求分析的数据推荐方法,应用于数据推荐处理系统,所述方法包括:挖掘拟进行数据推荐分析的第一数字化用户反馈记录的第一用户需求知识向量和第一联动需求描述字段;利用所述第一用户需求知识向量和第一联动需求描述字段,获得数据推送关联变量,所述数据推送关联变量为通过设定规则调整处理后的AI机器学习模型获得的特征提炼结果,所述设定规则调整处理用于使AI机器学习模型的生成结果为专家知识向量;利用所述数据推送关联变量、所述第一联动需求描述字段和所述第一用户需求知识向量进行推送决策分析操作,获得所述第一数字化用户反馈记录的第一数据推送决策信息。
[0005]根据本专利技术的实施例的基于用户需求分析的数据推荐方法,通过设定规则调整处理,使得AI机器学习模型生成的知识特征等变量不存在缺失和误差,在不同场景下调用AI机器学习模型进行推送决策分析的过程中能够确保得到的数据推送决策信息的准确性,从而提高基于用户需求进行数据推送决策分析的灵活性,减少再不同场景下进行数据推送决策分析和特征翻译时的误差,基于用户需求知识向量以及联动需求描述字段,能够实现递进式的数据挖掘分析,从而准确、完整且合理地获得数据推送决策信息。
[0006]在一些独立的实施例中,所述挖掘拟进行数据推荐分析的第一数字化用户反馈记录的第一用户需求知识向量和第一联动需求描述字段,包括:将所述第一数字化用户反馈记录加载到第一特征挖掘模型,获取第一兴趣要素挖掘结果;将所述第一兴趣要素挖掘结果加载到第二特征挖掘模型,获得第三兴趣要素挖掘结果;对所述第三兴趣要素挖掘结果进行特征变换操作,获得所述第一联动需求描述字段;将所述第一兴趣要素挖掘结果进行特征变换操作,获得所述第一用户需求知识向量。
[0007]如此设计,可获得各特征成员都是指定规则下的数值(比如整数)的第一联动需求描述字段和第一用户需求知识向量,可以减少特征挖掘的资源浪费,尽可能规避由于非整
数带来的知识特征运算偏差。
[0008]在一些独立的实施例中,所述利用所述第一用户需求知识向量和第一联动需求描述字段,获得数据推送关联变量,包括:将所述第一联动需求描述字段加载到设定规则调整处理后的第一特征翻译模型,获得第二兴趣要素挖掘结果;利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得所述数据推送关联变量。
[0009]如此设计,可通过设定规则调整处理后的第一特征翻译模型获得第二兴趣要素挖掘结果减少运算数据的偏差,提升数据推送关联变量的精度及可信度。
[0010]在一些独立的实施例中,所述利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得数据推送关联变量,包括:利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得第一阶段兴趣要素挖掘结果和第二阶段兴趣要素挖掘结果,所述第一阶段兴趣要素挖掘结果和所述第二阶段兴趣要素挖掘结果分别与所述第一用户需求知识向量的部分知识向量对应;利用所述第一阶段兴趣要素挖掘结果、所述第二阶段兴趣要素挖掘结果和所述设定规则调整处理后的回归分析模型,获得第一推送关联回归变量和第二推送关联回归变量;利用所述第一推送关联回归变量和所述第二推送关联回归变量,获得所述数据推送关联变量。
[0011]如此设计,可基于第一用户需求知识向量对第二兴趣要素挖掘结果进行变量回归分析,提升获得的数据推送关联变量的精度及可信度。
[0012]在一些独立的实施例中,所述利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得第一阶段兴趣要素挖掘结果和第二阶段兴趣要素挖掘结果,包括:将所述第一用户需求知识向量进行拆分,获得第二用户需求知识向量和第三用户需求知识向量;利用所述第二用户需求知识向量和所述第二兴趣要素挖掘结果,获得所述第一阶段兴趣要素挖掘结果;利用所述第三用户需求知识向量和所述第二兴趣要素挖掘结果,获得所述第二阶段兴趣要素挖掘结果。
[0013]如此设计,在获得的两个用户需求知识向量中(第二用户需求知识向量和第三用户需求知识向量),各自存在与另一个兴趣要素挖掘结果的连续特征成员,便于获得两个用户需求知识向量中的特征成员之间的关系,能够提高分类挖掘的效率和精度。
[0014]在一些独立的实施例中,所述将所述第一用户需求知识向量进行拆分,获得第二用户需求知识向量和第三用户需求知识向量,包括:将所述第一用户需求知识向量进行规则化拆分,获得所述第二用户需求知识向量和所述第三用户需求知识向量。
[0015]如此设计,可通过规则化拆分后的第一用户需求知识向量中的特征成员的映射情况(对应关系),获得第一阶段兴趣要素挖掘结果和第二阶段兴趣要素挖掘结果,便于获得第一阶段兴趣要素挖掘结果和第二阶段兴趣要素挖掘结果的特征成员之间的关系,能够提高分类挖掘的效率和精度。
[0016]在一些独立的实施例中,利用所述第一阶段兴趣要素挖掘结果、所述第二阶段兴趣要素挖掘结果和所述设定规则调整处理后的回归分析模型,获得第一推送关联回归变量和第二推送关联回归变量,包括:将所述第一阶段兴趣要素挖掘结果加载到设定规则调整处理后的回归分析模型,获得第一推送关联回归变量;将所述第二用户需求知识向量加载到设定规则调整处理后的类别回归模型,获得第一兴趣类别解析结果;将所述第一兴趣类别解析结果和所述第二阶段兴趣要素挖掘结果加载到所述设定规则调整处理后的回归分
析模型,获得第二推送关联回归变量。
[0017]如此设计,可在确定数据推送关联变量时,考虑连续特征成员之间的关系的内容,获得所述第一兴趣类别解析结果,可提升数据推送关联变量的精度及可信度。
[0018]在一些独立的实施例中,所述利用所述数据推送关联变量、所述第一联动需求描述字段和所述第一用户需求知识向量进行推送决策分析操作,获得所述第一数字化用户反馈记录的第一数据推送决策信息,包括:将所述数据推送关联变量加载到统计更新操作后的可能性预测模型,获得第一可能性变量,其中,所述统计更新操作使得所述第一可能性变量为已确定的变量;利用所述第一可能性变量和所述第一用户需求知识向量进行推送偏好挖掘处理,获得推送偏好知识字段;利用所述推送偏好知识字段和所述第一联动需求描述字段,获得所述第一数据推送决策信息。
[0019]如此设计,可通过统计更新操作后的可能性预测模型本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于用户需求分析的数据推荐方法,其特征在于,应用于数据推荐处理系统,所述方法包括:挖掘拟进行数据推荐分析的所述第一数字化用户反馈记录的第一用户需求知识向量和第一联动需求描述字段;利用所述第一用户需求知识向量和第一联动需求描述字段,获得数据推送关联变量;其中,所述数据推送关联变量为通过设定规则调整处理后的AI机器学习模型获得的特征提炼结果,所述设定规则调整处理用于使AI机器学习模型的生成结果为专家知识向量;利用所述数据推送关联变量、所述第一联动需求描述字段和所述第一用户需求知识向量进行推送决策分析操作,获得所述第一数字化用户反馈记录的第一数据推送决策信息。2.根据权利要求1所述的方法,其特征在于,所述挖掘拟进行数据推荐分析的第一数字化用户反馈记录的第一用户需求知识向量和第一联动需求描述字段,包括:将所述第一数字化用户反馈记录加载到第一特征挖掘模型,获取第一兴趣要素挖掘结果;将所述第一兴趣要素挖掘结果加载到第二特征挖掘模型,获得第三兴趣要素挖掘结果;对所述第三兴趣要素挖掘结果进行特征变换操作,获得所述第一联动需求描述字段;将所述第一兴趣要素挖掘结果进行特征变换操作,获得所述第一用户需求知识向量。3.根据权利要求2所述的方法,其特征在于,所述利用所述第一用户需求知识向量和第一联动需求描述字段,获得数据推送关联变量,包括:将所述第一联动需求描述字段加载到设定规则调整处理后的第一特征翻译模型,获得第二兴趣要素挖掘结果;利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得所述数据推送关联变量。4.根据权利要求3所述的方法,其特征在于,所述利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得数据推送关联变量,包括:利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得第一阶段兴趣要素挖掘结果和第二阶段兴趣要素挖掘结果,所述第一阶段兴趣要素挖掘结果和所述第二阶段兴趣要素挖掘结果分别与所述第一用户需求知识向量的部分知识向量对应;利用所述第一阶段兴趣要素挖掘结果、所述第二阶段兴趣要素挖掘结果和所述设定规则调整处理后的回归分析模型,获得第一推送关联回归变量和第二推送关联回归变量;利用所述第一推送关联回归变量和所述第二推送关联回归变量,获得所述数据推送关联变量。5.根据权利要求4所述的方法,其特征在于,所述利用所述第二兴趣要素挖掘结果和所述第一用户需求知识向量,获得第一阶段兴趣要素挖掘结果和第二阶段兴趣要素挖掘结果,包括:将所述第一用户需求知识向量进行拆分,获得第二用户需求知识向量和第三用户需求知识向量;利用所述第二用户需求知识向量和所述第二兴趣要素挖掘结果,获得所述第一阶段兴趣要素挖掘结果;
利用所述第三用户需求知识向量和所述第二兴趣要素挖掘结果,获得所述第二阶段兴趣要素挖掘结果。6.根据权利要求5所述的方法,其特征在于,所述将所述第一用户需求知识向量进行拆分,获得第二用户需求知识向量和第三用户需求知识向量,包括:将所述第一用户需求知识向量进行规则化拆分,获得所述第二用户需求知识向量和所述第三用户需求知识向量;其中,利用所述第一阶段兴趣要素挖掘结果、所述第二阶段兴趣要素挖掘结果和所述设定规则调整处理后的回归分析模型,获得第一推送关联回归变量和第二推送关联回归变量,包括:将所述第一阶段兴趣要素挖掘结果加载到设定规则调整处理后的回归分析模型,获得第一推送关联回归变量;将所述第二用户需求知识向量加载到设定规则调整处理后的类别回归模型,获得第一兴趣类别解析结果;将所述第一兴趣类别解析结果和所述第二阶段兴趣要素挖掘结果加载到所述设定规则调整处理后的回归分析模型,获得第二推送关联回归变量。7.根据权利要求1所述的方法,其特征在于,所述利用所述数据推送关联变量、所述第一联动需求描述字段和所述第一用户需求知识向量进行推送决策分析操作,获得所述第一数字化用户反馈记录的第一数据推送决策信息,包括:将所述数据推送关联变量加载到统计更新操作后的可能性预测模型,获...

【专利技术属性】
技术研发人员:曹家俊陈楚涛
申请(专利权)人:鄄城县馨宁网络科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1