[發(fā)明專利]一種基于大數(shù)據(jù)的人群匹配方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111277037.5
• 申請(qǐng)日: 2021-10-29
• 公開（公告）號(hào): CN113988193A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 吳鵬
• 申請(qǐng)（專利權(quán)）人: 深圳市環(huán)世創(chuàng)源科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F16/9536;G06F16/9538;G06N20/00
• 代理公司: 北京酷愛智慧知識(shí)產(chǎn)權(quán)代理有限公司 11514
• 代理人: 阮建

本發(fā)明提供了基于大數(shù)據(jù)的人群匹配方法及系統(tǒng)，方法包括以下步驟：獲取各個(gè)用戶的歷史行為，構(gòu)建每個(gè)歷史行為對(duì)應(yīng)的歷史相關(guān)行為集；所述歷史相關(guān)行為集包括多種行為；分別計(jì)算所述歷史行為與對(duì)應(yīng)的歷史相關(guān)行為集中每個(gè)行為的相似度，獲得歷史相關(guān)行為集中與所述歷史行為相似度最大的N個(gè)行為；對(duì)所述歷史行為以及對(duì)應(yīng)的N個(gè)行為進(jìn)行訓(xùn)練，得到排序模型；獲取用戶的當(dāng)前行為，將所述當(dāng)前行為輸入至所述排序模型中，得到排序模型輸出的N個(gè)推薦行為，將所述N個(gè)推薦行為推送給所述用戶。該基于大數(shù)據(jù)的人群匹配方法，提高了用戶匹配的精準(zhǔn)度。

技術(shù)領(lǐng)域

本發(fā)明屬于大數(shù)據(jù)技術(shù)領(lǐng)域，具體涉及一種基于大數(shù)據(jù)的人群匹配方法及系統(tǒng)。

背景技術(shù)

大數(shù)據(jù)匹配是近年來(lái)計(jì)算機(jī)技術(shù)發(fā)展的熱點(diǎn)之一。通過(guò)對(duì)歷史積累的大量數(shù)據(jù)進(jìn)行有效分析，得到隱藏的規(guī)律和模式，為決策提供支持。而這些規(guī)律或模式是不能依靠簡(jiǎn)單的數(shù)據(jù)查詢得到，或者是不能在可接受的時(shí)間內(nèi)得到。這些規(guī)律或模式可以進(jìn)一步在專業(yè)人員的識(shí)別下成為知識(shí)。大數(shù)據(jù)匹配面對(duì)的任務(wù)是復(fù)雜的，通常包括數(shù)據(jù)分類、數(shù)據(jù)標(biāo)簽化、數(shù)據(jù)篩選、數(shù)據(jù)預(yù)測(cè)和數(shù)據(jù)關(guān)聯(lián)分析等。

大數(shù)據(jù)匹配建立在對(duì)大量的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析的基礎(chǔ)上，采用相應(yīng)的數(shù)據(jù)匹配算法，在具體的應(yīng)用模型上進(jìn)行數(shù)據(jù)的提取、數(shù)據(jù)篩選、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)挖掘和模式分析，最后做出歸納性的推理、預(yù)測(cè)用戶的個(gè)性化行為以及用戶習(xí)慣，從而精準(zhǔn)為用戶匹配到符合自己要求的用戶人群數(shù)據(jù)。

但是現(xiàn)有的人群匹配系統(tǒng)，在進(jìn)行人群匹配時(shí)無(wú)法精準(zhǔn)地匹配人群，現(xiàn)有的人群匹配系統(tǒng)主要采用文本化標(biāo)簽化方式及線性模型進(jìn)行排序推薦人群，這種方法存在以下問(wèn)題：由于用戶的標(biāo)簽數(shù)量有限，標(biāo)簽化匹配效果不理想，且標(biāo)簽庫(kù)維護(hù)更新成本較高。線性模型無(wú)法挖掘特征間的非線性的關(guān)系，模型效果有限。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種基于大數(shù)據(jù)的人群匹配方法及系統(tǒng)，提高了用戶匹配的精準(zhǔn)度。

第一方面，一種基于大數(shù)據(jù)的人群匹配方法，包括以下步驟：

獲取各個(gè)用戶的歷史行為，構(gòu)建每個(gè)歷史行為對(duì)應(yīng)的歷史相關(guān)行為集；所述歷史相關(guān)行為集包括多種行為；

分別計(jì)算所述歷史行為與對(duì)應(yīng)的歷史相關(guān)行為集中每個(gè)行為的相似度，獲得歷史相關(guān)行為集中與所述歷史行為相似度最大的N個(gè)行為；

對(duì)所述歷史行為以及對(duì)應(yīng)的N個(gè)行為進(jìn)行訓(xùn)練，得到排序模型；

獲取用戶的當(dāng)前行為，將所述當(dāng)前行為輸入至所述排序模型中，得到排序模型輸出的N個(gè)推薦行為，將所述N個(gè)推薦行為推送給所述用戶。

優(yōu)選地，所述歷史相關(guān)行為集中的行為滿足：至少與所述歷史行為的服務(wù)商、類目信息、地域信息、行為類型的一項(xiàng)相同，或者完成時(shí)間與所述歷史行為完成時(shí)間的時(shí)間差在預(yù)設(shè)的時(shí)間差范圍內(nèi)。

優(yōu)選地，所述構(gòu)建每個(gè)歷史行為對(duì)應(yīng)的歷史相關(guān)行為集具體包括：

對(duì)所述歷史行為進(jìn)行哈希編碼；

根據(jù)所述歷史行為以及對(duì)應(yīng)的哈希編碼構(gòu)建所述歷史相關(guān)行為集。

優(yōu)選地，所述分別計(jì)算所述歷史行為與對(duì)應(yīng)的歷史相關(guān)行為集中每個(gè)行為的相似度具體包括：

對(duì)所述行為進(jìn)行哈希編碼；

計(jì)算所述行為的哈希編碼與所述歷史行為的哈希編碼之間的距離，以得到所述相似度。

優(yōu)選地，所述對(duì)所述歷史行為以及對(duì)應(yīng)的N個(gè)行為進(jìn)行訓(xùn)練，得到排序模型具體包括：

根據(jù)所述歷史行為以及對(duì)應(yīng)的N個(gè)行為構(gòu)建相似性特征矩陣；

利用梯度提升樹GBDT算法對(duì)所述相似性特征矩陣進(jìn)行特征分類組合，以獲得訓(xùn)練集；