[發明專利]基于大數據的用戶偏好分析方法、裝置及電子設備

有效

• 申請號: 202010370912.3
• 申請日: 2020-04-30
• 公開（公告）號: CN111652282B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 廖丹丹
• 申請（專利權）人: 中國平安財產保險股份有限公司
• 主分類號: G06F18/2113
• 分類號: G06F18/2113;G06F18/214;G06N3/084;G06F16/9535
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種基于大數據的用戶偏好分析方法，其特征在于，所述方法包括：

獲取歷史用戶信息數據集，計算所述歷史用戶信息數據集中各用戶數據的信息熵的平均值，并根據所述各用戶數據的信息熵的平均值對所述歷史用戶信息數據集進行第一特征變量篩選，得到第一特征數據集；

根據預構建的神經網絡模型對所述第一特征數據集進行第二特征變量篩選，得到第二特征數據集；

利用所述第二特征數據集，對預構建的用戶偏好分析模型進行訓練，得到訓練完成的用戶偏好分析模型；

獲取特定用戶的數據信息，利用所述訓練完成的用戶偏好分析模型對所述特定用戶的數據信息進行分析，得到用戶的數據分析結果，并根據所述數據分析結果對所述特定用戶推薦產品或者服務；

所述根據所述各用戶數據的信息熵的平均值對所述歷史用戶信息數據集進行第一特征變量篩選，得到第一特征數據集，包括：根據希爾排序對所述各用戶數據的信息熵進行排序，得到特征變量排序集；抽取所述特征變量排序集中大于所述平均值的信息熵對應的數據，得到第一特征數據集；

所述計算所述歷史用戶信息數據集中各用戶數據的信息熵的平均值，包括：通過遍歷操作依次從所述歷史用戶信息數據集中選擇用戶數據X；根據所述用戶數據X含有的m種相互獨立的數據{x₁，x₂…x_m}，計算出所述m種相互獨立的數據對應的信息熵p_m：

p_m＝p(1|x₁)p(x₁)+p(2|x₂)p(x₂)+…+p(m|x_m)p(x_m)

根據下列公式計算出所述各用戶數據信息熵的平均值：

所述根據預構建的神經網絡模型對所述第一特征數據集進行第二特征變量篩選，得到第二特征數據集，包括：利用下述公式從所述第一特征數據集中篩選出第二特征數據集y_i：

其中，X_i表示所述神經網絡模型的輸入層接收的第一特征數據集中的數據，表示所述神經網絡模型的輸入層單元i(i＝1,2,…n)與所述神經網絡模型的隱層單元q之間的連接權，表示所述神經網絡模型的隱藏層單元q與所述神經網絡模型的輸出層單元j(1,2,…,m)之間的連接權，θ_q是預設的函數參數；O_q表示隱藏層篩選出來的輸出層的輸入數據，δ_j為閾值，y_i為輸出層輸出的第二特征數據集；

所述預構建的用戶偏好分析模型為：

其中，y_i為所述第二特征數據集，t為矩陣轉置，n為所述第二特征數據集中數據的數量，f(i)為第i輪迭代的決策樹，ω為模型參數，l*(y_i，y_i＾^(t))為損失函數，t為迭代次數；

所述利用所述第二特征數據集，對預構建的用戶偏好分析模型進行訓練，得到訓練完成的用戶偏好分析模型，包括：采用梯度下降法利用所述第二特征數據集，對所述用戶偏好分析模型進行訓練，得到訓練完成的用戶偏好分析模型，其中，所述梯度下降法的公式為：

其中，y_i為所述第二特征數據集中的用戶數據，η是學習率，是損失函數J(ω)關于模型參數ω的梯度；

所述采用梯度下降法利用所述第二特征數據集，對所述用戶偏好分析模型進行訓練，得到訓練完成的用戶偏好分析模型，包括：隨機初始化模型參數ω；求取模型參數ω的梯度判斷梯度是否小于預設閾值；若梯度不小于預設閾值，則求取其偏導數并更新η0并足夠小，并重新計算梯度若梯度小于預設閾值，則獲取此時的模型參數ω，得到訓練完成的用戶偏好分析模型。

2.如權利要求1所述的用戶偏好分析方法，其特征在于，所述歷史用戶信息數據集包括歷史用戶的基本信息數據集和行為信息數據集，其中，所述基本信息數據集包括用戶人身基本信息和資產狀況基本信息，以及所述行為信息數據集包括用戶近期的線上行為。