本發(fā)明涉及互聯(lián)網(wǎng)，具體為一種基于互聯(lián)網(wǎng)的用戶興趣智能推薦方法及系統(tǒng)。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展和大數(shù)據(jù)的廣泛應(yīng)用，個性化推薦系統(tǒng)已經(jīng)成為提升用戶體驗和滿意度的關(guān)鍵技術(shù)之一；傳統(tǒng)的推薦系統(tǒng)主要依賴于協(xié)同過濾、基于內(nèi)容的推薦和基于規(guī)則的推薦；然而，這些方法在應(yīng)對用戶興趣的動態(tài)變化和多源數(shù)據(jù)的整合方面存在顯著不足。

2、協(xié)同過濾方法依賴于用戶之間的相似性或物品之間的相似性，推薦相似用戶喜歡的物品；然而，這種方法對數(shù)據(jù)稀疏性和冷啟動問題較為敏感，難以快速響應(yīng)新用戶或新物品的加入；基于內(nèi)容的推薦方法則依賴于物品的特征和用戶的歷史偏好進行推薦，但往往難以捕捉到用戶興趣的復雜性和多樣性；此外，基于規(guī)則的推薦方法通常是手動設(shè)定的，難以自動適應(yīng)用戶興趣的變化。

技術(shù)實現(xiàn)思路

1、(一)解決的技術(shù)問題

2、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于互聯(lián)網(wǎng)的用戶興趣智能推薦方法及系統(tǒng)，解決了如何通過捕捉用戶興趣和興趣突變的信息，實現(xiàn)對用戶精準推薦信息的問題。

3、(二)技術(shù)方案

4、為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：一種基于互聯(lián)網(wǎng)的用戶興趣智能推薦方法及系統(tǒng)，包括，

5、實時多源數(shù)據(jù)采集：獲取用戶生成的行為數(shù)據(jù)，以及新聞數(shù)據(jù)，實時采集和整合多個數(shù)據(jù)源的瞬時數(shù)據(jù)，并結(jié)合用戶歷史行為數(shù)據(jù)形成多源數(shù)據(jù)集；

6、深度興趣分析：通過自然語言處理技術(shù)結(jié)合時序分析模型，對多源數(shù)據(jù)集中的瞬時數(shù)據(jù)進行深入分析，通過檢測用戶群體中興趣度的變化，識別潛在的興趣突增趨勢；

7、用戶興趣簇構(gòu)建：基于用戶興趣突增趨勢和多源數(shù)據(jù)集，構(gòu)建動態(tài)的用戶興趣簇，包括興趣權(quán)重、偏好指數(shù)多個維度，并根據(jù)瞬時數(shù)據(jù)動態(tài)調(diào)整用戶興趣簇的參數(shù)；

8、預測性推薦生成：使用深度學習模型，基于動態(tài)的用戶興趣簇和興趣突增趨勢，預測用戶的潛在需求，生成并推送基于用戶興趣的推薦內(nèi)容。

9、優(yōu)選的，實時多源數(shù)據(jù)采集從多個數(shù)據(jù)源中實時采集瞬時數(shù)據(jù)，數(shù)據(jù)源包括社交媒體平臺、新聞網(wǎng)站、視頻平臺、論壇、電子商務(wù)網(wǎng)站；通過數(shù)據(jù)爬蟲、api接口獲取包括用戶生成內(nèi)容、評論、點贊、分享、搜索查詢、點擊記錄多種形式的瞬時數(shù)據(jù)；包含文字信息，還包括圖像、視頻、音頻多媒體數(shù)據(jù)；在采集數(shù)據(jù)的同時，進行數(shù)據(jù)清洗和預處理，去除噪聲數(shù)據(jù)和冗余信息，將采集到的瞬時數(shù)據(jù)與用戶的歷史行為數(shù)據(jù)相結(jié)合形成多源數(shù)據(jù)集，用戶的歷史行為數(shù)據(jù)包括用戶的瀏覽記錄、搜索記錄、購買歷史、收藏夾；將多源數(shù)據(jù)集存儲在數(shù)據(jù)庫中，用于描述用戶的興趣偏好和行為模式；多源數(shù)據(jù)集反映用戶的長期興趣，捕捉用戶在短時間內(nèi)的興趣變化；多源數(shù)據(jù)集通過自然語言處理技術(shù)結(jié)合時序分析模型進行深度興趣分析。

10、優(yōu)選的，深度興趣分析通過自然語言處理技術(shù)，對多源數(shù)據(jù)集中的瞬時數(shù)據(jù)進行處理，并提取特征，包括文本分詞和標注、情感分析、提取視頻和音頻中的文本；通過時序分析模型對提取的特征進行分析，時序分析模型包括時間序列模型，分析用戶在特定時間段內(nèi)的興趣度變化，其中興趣度變化包括用戶關(guān)注某些主題或內(nèi)容的頻率和強度；當檢測到某一主題或內(nèi)容的用戶興趣度在短時間內(nèi)出現(xiàn)顯著上升時，即識別為潛在的興趣突增趨勢；結(jié)合近期的新聞事件、社交媒體的熱門話題，判斷用戶的興趣突增趨勢是否受到外部因素的影響；通過分析及時捕捉用戶興趣的動態(tài)變化，從而實時推薦內(nèi)容。

11、優(yōu)選的，用戶興趣簇構(gòu)建通過聚類算法將具有相似興趣和行為特征的用戶劃分為同一簇；用戶的歷史行為數(shù)據(jù)作為聚類的主要依據(jù)，用于構(gòu)建初始的用戶興趣簇，通過s2步驟中識別出的興趣突增趨勢，將突增的興趣點的權(quán)重納入用戶興趣簇的構(gòu)建過程中；在用戶興趣簇構(gòu)建完成后，實時采集瞬時數(shù)據(jù)，對每個用戶興趣簇的參數(shù)進行動態(tài)調(diào)整，通過調(diào)整瞬時數(shù)據(jù)中用戶在不同平臺上的最新行為，如點擊、點贊、評論等，以及當前的熱點信息和社會事件，監(jiān)控瞬時數(shù)據(jù)，識別出用戶興趣的最新變化，并將最新變化體現(xiàn)在用戶興趣簇的調(diào)整上，例如，當某個用戶興趣簇中的用戶對某一新興主題表現(xiàn)出強烈的興趣時，系統(tǒng)動態(tài)地增加該新興主題在用戶興趣簇中的權(quán)重，反映出用戶興趣簇的當前興趣傾向；系統(tǒng)根據(jù)瞬時數(shù)據(jù)的變化情況，適時調(diào)整用戶興趣簇的組成和邊界；例如，當某些用戶的興趣變化顯著且與當前所屬用戶興趣簇的特征不符時，系統(tǒng)重新評估這些用戶的歸屬，并將其重新劃分到更符合其最新興趣的用戶興趣簇中；通過動態(tài)調(diào)整，系統(tǒng)能實時反映用戶的興趣變化，從而提高推薦的準確性和相關(guān)性，確保用戶興趣簇始終保持與用戶真實興趣的高度一致。

12、優(yōu)選的，聚類算法通過dbscan聚類算法實現(xiàn)，系統(tǒng)從各個平臺采集用戶的歷史行為數(shù)據(jù)，包括瀏覽記錄、購買記錄和點擊行為，提取每個用戶代表用戶的興趣和行為模式的特征向量；在初始用戶興趣簇的構(gòu)建過程中，通過分析特征向量，結(jié)合s2步驟中識別出的興趣突增趨勢，將突增興趣點的權(quán)重納入考慮，并使用dbscan算法對用戶進行聚類；dbscan算法通過設(shè)定半徑參數(shù)ε和最小樣本數(shù)m?i?npts來定義用戶興趣簇的形成；對于每個用戶，dbscan聚類算法計算其ε鄰域內(nèi)的其他用戶數(shù)量，若鄰域內(nèi)的用戶數(shù)達到m?i?npts，該用戶被視為核心點，通過核心點連接直達的用戶形成一個用戶興趣簇，對于不屬于任何用戶興趣簇且不在核心點鄰域內(nèi)的用戶，標記為噪聲點；在初始用戶興趣簇構(gòu)建完成后，實時采集用戶的瞬時數(shù)據(jù)，包括最新的瀏覽記錄、搜索詞、點贊和評論；通過監(jiān)控瞬時數(shù)據(jù)，識別用戶興趣的最新變化，并將最新變化體現(xiàn)在用戶興趣簇的調(diào)整上；具體來說，當用戶的興趣特征發(fā)生變化時，系統(tǒng)重新評估其在當前用戶興趣簇中的位置，將用戶重新分配到更合適的用戶興趣簇中；瞬時數(shù)據(jù)的采集和分析使得用戶興趣簇的參數(shù)動態(tài)調(diào)整，系統(tǒng)根據(jù)用戶瞬時數(shù)據(jù)的變化情況適時調(diào)整簇的組成和邊界，確保用戶分組準確反映其最新的興趣變化，通過動態(tài)調(diào)整機制，dbscan算法在實施過程中有效適應(yīng)用戶興趣的變化，提供更加精準的用戶分簇。

13、優(yōu)選的，預測性推薦生成利用構(gòu)建的動態(tài)用戶興趣簇和識別出的興趣突增趨勢，提取每個用戶興趣簇中的用戶特征和興趣變化趨勢；將用戶特征和興趣變化趨勢作為模型的輸入，用于訓練機器學習和深度學習模型；通過深度學習模型學習用戶興趣簇中用戶的歷史行為模式、興趣變化規(guī)律以及興趣突增的特征，從而預測用戶未來的潛在需求；在訓練過程中，利用用戶興趣簇中的用戶行為和反饋信息優(yōu)化模型參數(shù)，使深度學習模型能捕捉用戶的潛在興趣和需求；系統(tǒng)結(jié)合外部數(shù)據(jù)源中的最新趨勢和熱點信息，進一步增強模型對突發(fā)興趣的感知能力；深度學習模型訓練完成后，系統(tǒng)對新數(shù)據(jù)進行在線預測，實時生成個性化的推薦內(nèi)容，推薦內(nèi)容包括新聞、視頻、商品、社交帖子，涵蓋用戶感興趣的各個領(lǐng)域；推送個性化推薦內(nèi)容時，系統(tǒng)考慮多種因素，如推薦的多樣性、用戶偏好、內(nèi)容新鮮度、新聞的上下文信息等，以確保推薦的內(nèi)容符合用戶的興趣，還具有吸引力和時效性；推薦內(nèi)容通過多種渠道呈現(xiàn)給用戶，如主頁推薦、通知推送、個性化廣告；系統(tǒng)持續(xù)收集用戶的反饋信息，并根據(jù)反饋數(shù)據(jù)調(diào)整模型和推薦策略，基于動態(tài)用戶興趣簇和興趣突增趨勢的預測與推薦方法，能夠更加精準地滿足用戶的個性化需求，提高用戶的滿意度和忠誠度。

14、優(yōu)選的，深度學習模型通過rnn模型預測用戶潛在需求，將時序分析模型用作rnn模型的輸入層，通過時序分析模型檢測的用戶興趣變化，識別出用戶的興趣突增趨勢，同時將動態(tài)的用戶興趣簇也作為輸入層；隱藏層由lstm單元組成，lstm單元能記住長期和短期的信息，并通過輸入門、遺忘門和輸出門機制選擇更新、保存或輸出信息；在每個時間步，lstm單元接收輸入數(shù)據(jù)，并在隱藏層中綜合當前和過去的瞬時數(shù)據(jù)，隱藏層的輸出通過全連接層進一步處理，將高維度的lstm輸出轉(zhuǎn)換為預測值；使用softmax函數(shù)，將輸出轉(zhuǎn)換為概率分布，表示每個類別的可能性；輸出用戶未來行為或興趣的預測，例如對特定內(nèi)容的興趣程度或點擊率預測；通過將時序分析模型提取出的時間特征與瞬時數(shù)據(jù)和動態(tài)用戶興趣簇特征結(jié)合后輸入lstm網(wǎng)絡(luò)，lstm通過學習特征之間的關(guān)系和時間依賴性來生成預測結(jié)果；在實際應(yīng)用中，當實時采集到的瞬時數(shù)據(jù)到來時，深度學習模型能實時處理輸入數(shù)據(jù)并預測用戶未來的行為和興趣變化，根據(jù)預測結(jié)果生成個性化的推薦內(nèi)容。

15、(三)有益效果

16、本發(fā)明提供了一種基于互聯(lián)網(wǎng)的用戶興趣智能推薦方法及系統(tǒng)，具備以下有益效果：

17、1、本發(fā)明能夠?qū)崟r分析和識別用戶興趣的變化，特別是潛在的興趣突增趨勢，使得推薦系統(tǒng)能夠快速響應(yīng)用戶興趣的轉(zhuǎn)變，提供最新鮮和最相關(guān)的推薦內(nèi)容，大幅提升了推薦的時效性和用戶滿意度。

18、2、本發(fā)明采用動態(tài)用戶興趣簇構(gòu)建和調(diào)整機制，通過聚類算法和瞬時數(shù)據(jù)的實時監(jiān)控，系統(tǒng)實時更新用戶興趣簇的組成和參數(shù)；使用戶興趣簇能夠精確反映用戶的最新興趣傾向，即使用戶的興趣發(fā)生顯著變化，系統(tǒng)也能迅速做出調(diào)整，確保推薦內(nèi)容的高相關(guān)性。

19、3、本發(fā)明系統(tǒng)通過多源數(shù)據(jù)的實時采集和整合，包括社交媒體、新聞網(wǎng)站、視頻平臺等，不僅豐富了數(shù)據(jù)來源，還使得推薦內(nèi)容能夠涵蓋多個領(lǐng)域和形式；系統(tǒng)能夠提供基于用戶興趣和多樣化的推薦內(nèi)容，滿足用戶的多層次需求，增強用戶體驗。