【技术实现步骤摘要】
本专利技术属于网络数据推荐，具体涉及一种基于时间序列特征的数据推荐方法及系统。
技术介绍
1、随着互联网的快速发展，网络数据量呈现爆炸式增长，用户面临着海量的数据选择，如何从这些数据中快速、准确地找到符合自己需求的内容成为了亟待解决的问题，基于此，数据推荐方法便应时而生，其可以根据用户的浏览习惯来推荐符合其需求的个性化数据，以此减少用户筛选数据的时间，
2、然而，现有的数据推荐方法多基于用户的静态特征进行推荐，无法准确地捕捉和反映用户行为的动态变化，因此，在数据推荐过程中，用户的行为模式、兴趣偏好以及需求往往无法被准确理解和预测，导致推荐的准确性和个性化程度不高，为了解决这一问题，本专利技术提出了一种基于时间序列特征的数据推荐方法，旨在通过捕捉和分析用户在线行为的动态变化，实现更加精准和个性化的数据推荐。
技术实现思路
1、本专利技术的目的是提供一种基于时间序列特征的数据推荐方法及系统，能够通过捕捉和分析用户在线行为的动态变化，实现对用户行为模式、兴趣偏好以及需求的精准理解和预测，从而提高数据推荐的准确性和个性化程度。
2、本专利技术采取的技术方案具体如下：
3、一种基于时间序列特征的数据推荐方法，包括：
4、根据获取到的用户的在线行为数据进行预处理，并将预处理后的所述在线行为数据进行量化映射处理，得到基准特征参数；
5、依据各个所述基准特征参数的发生时间从各个平行时段获取活跃段；
6、依据所述活跃段进行时间分
7、依据所述时间序列特征中的用户活跃时长对用户的在线行为进行聚类分析，得到多个用户行为类别，并根据所述用户行为类别对待推荐数据进行分类处理，得到优选推荐内容和备选推荐内容；
8、依据各个所述用户行为类别的反馈评分对所述优选推荐内容和所述备选推荐内容进行动态调整，并依据动态调整后的所述优选推荐内容和所述备选推荐内容进行数据推荐。
9、在一种优选方案中，所述根据获取到的用户的在线行为数据进行预处理，并将预处理后的所述在线行为数据进行量化映射处理，得到基准特征参数的步骤，包括：
10、获取所有用户的在线行为数据，并对所述在线行为数据进行数据清洗，去除所述在线行为数据中的重复以及异常记录，得到清洗后的数据；
11、获取特征提取条件，并依据所述特征提取条件对所述清洗后的数据进行特征提取，得到需求特征，其中，所述特征提取条件包括用户在不同时间点的操作记录、浏览记录和购买记录；
12、通过量化映射将所有所述需求特征转换为同一标准的量化值，并将量化值记录为基准特征参数。
13、在一种优选方案中，所述依据各个所述基准特征参数的发生时间从各个平行时段获取活跃段的步骤，包括：
14、以当前时间节点为基准点进行回溯偏移，并依据回溯偏移结果输出监测周期；
15、在所述监测周期内，划分为多个等间隔时段，并将所述多个等间隔时段记录为平行时段；
16、依据各个所述基准特征参数的发生时间节点，统计每个所述平行时段内用户行为的发生次数和持续时间，并将该持续时间记录为用户在线时段，将未发生用户行为的时段直接记录为空白段；
17、对所述用户在线时段的时间长度进行筛选处理，得到活跃段和偶发时段，并将所述偶发时段与相邻的空白段合并，得到调整后的空白段和活跃段。
18、在一种优选方案中，所述对所述用户在线时段的时间长度进行筛选处理，得到活跃段和偶发时段，并将所述偶发时段与相邻的空白段合并，得到调整后的空白段和活跃段的步骤，包括：
19、获取所有所述用户在线时段，并将所述用户在线时段的时长记录为待筛选参数；
20、获取筛选阈值，并将所述筛选阈值与待筛选参数进行比较；
21、若所述待筛选参数大于或等于筛选阈值，则将所述用户在线时段标记为活跃段；
22、若所述待筛选参数小于筛选阈值，则将所述用户在线时段标记为偶发时段，且在偶发时段连续时，将其进行合并为活跃段，反之，则将其与相邻的空白段进行合并。
23、在一种优选方案中，所述依据所述活跃段进行时间分布特征分析，提取出时间序列特征的步骤，包括：
24、获取各个所述平行时段下的活跃段，并计算每个所述平行时段内活跃段的总时长和空白段的总时长；
25、将所述活跃段的总时长与所述平行时段的时长之比，作为用户在该平行时段的活跃率，并对所有平行时段的活跃率进行统计，得到活跃率时间序列；
26、统计每个所述平行时段内用户的活跃次数，得到活跃频数时间序列；
27、将所述活跃率时间序列和活跃频数时间序列，作为用户在该时间段内的时间序列特征。
28、在一种优选方案中，所述依据所述时间序列特征中的用户活跃时长对用户的在线行为进行聚类分析，得到多个用户行为类别的步骤，包括：
29、获取各个所述平行时段中各个活跃段的活跃时长，以及所述各个活跃段的活跃时长在对应平行时段中的占比率，并将所述占比率记录为条件参数；
30、获取聚类区间，其中，所述聚类区间设置有多个，且每个所述聚类区间对应一个用户行为类别；
31、将所述条件参数逐一与聚类区间进行比较，并依据比较结果输出各个活跃段下的用户行为类别。
32、在一种优选方案中，所述根据所述用户行为类别对待推荐数据进行分类处理，得到优选推荐内容和备选推荐内容的步骤，包括：
33、获取各个所述用户行为类别下，用户对各个推荐内容的浏览时长和购买记录，再将所述浏览时长和购买记录分别标定为第一评估参数和第二评估参数；
34、获取评估函数，并将所述第一评估参数和第二评估参数输入至评估函数中，且将所述评估函数的输出结果标定为评估得分；
35、获取评估阈值，并将所述评估阈值与评估得分进行比较；
36、若所述评估得分大于或等于评估阈值，则将对应的待推荐内容标记为优选推荐内容；
37、若所述评估得分小于评估阈值，则将对应的待推荐内容标记为备选推荐内容。
38、在一种优选方案中，所述依据各个所述用户行为类别的反馈评分对所述优选推荐内容和所述备选推荐内容进行动态调整，并依据动态调整后的所述优选推荐内容和所述备选推荐内容进行数据推荐的步骤，包括：
39、构建反馈统计时段，并采集所述反馈统计时段内，各个所述用户行为类别下用户对推荐内容的反馈评分；
40、在所述反馈统计时段执行结束后，获取标准函数，并将所述反馈评分输入标准函数中，且将所述标准函数的输出值记录为推荐优化评分；
41、依据所述推荐优化评分对优选推荐内容和备选推荐内容进行重新排序处理，并依据优选推荐内容和备选推荐内容的排序结果执行数据推荐。
42、本专利技术还提供了，一种基于时间序列特征的数据推荐系统，包括：
43、数据获取模块，所述数据获取模本文档来自技高网...
【技术保护点】
1.一种基于时间序列特征的数据推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述根据获取到的用户的在线行为数据进行预处理，并将预处理后的所述在线行为数据进行量化映射处理，得到基准特征参数的步骤，包括：
3.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述依据各个所述基准特征参数的发生时间从各个平行时段获取活跃段的步骤，包括：
4.根据权利要求3所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述对所述用户在线时段的时间长度进行筛选处理，得到活跃段和偶发时段，并将所述偶发时段与相邻的空白段合并，得到调整后的空白段和活跃段的步骤，包括：
5.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述依据所述活跃段进行时间分布特征分析，提取出时间序列特征的步骤，包括：
6.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述依据所述时间序列特征中的用户活跃时长对用户的在线行为进行聚类分析，得到多个用户行为类别
7.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述根据所述用户行为类别对待推荐数据进行分类处理，得到优选推荐内容和备选推荐内容的步骤，包括：
8.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述依据各个所述用户行为类别的反馈评分对所述优选推荐内容和所述备选推荐内容进行动态调整，并依据动态调整后的所述优选推荐内容和所述备选推荐内容进行数据推荐的步骤，包括：
9.一种基于时间序列特征的数据推荐系统，其特征在于，包括：
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种基于时间序列特征的数据推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述根据获取到的用户的在线行为数据进行预处理，并将预处理后的所述在线行为数据进行量化映射处理，得到基准特征参数的步骤，包括：
3.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述依据各个所述基准特征参数的发生时间从各个平行时段获取活跃段的步骤，包括：
4.根据权利要求3所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述对所述用户在线时段的时间长度进行筛选处理，得到活跃段和偶发时段，并将所述偶发时段与相邻的空白段合并，得到调整后的空白段和活跃段的步骤，包括：
5.根据权利要求1所述的一种基于时间序列特征的数据推荐方法，其特征在于，所述依据所述活跃段进行时间分布特征分析，提...
【专利技术属性】
技术研发人员：陈秋石，
申请(专利权)人：上海旭荣网络科技有限公司，
类型：发明
国别省市：
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。