本技術(shù)涉及數(shù)據(jù)處理，尤其涉及一種用于定向推薦的用戶行為方法及系統(tǒng)。
背景技術(shù)：
1、在互聯(lián)網(wǎng)經(jīng)濟快速發(fā)展的今天，電商平臺的用戶數(shù)量日益增加，但每個用戶的喜好、需求和行為模式各異，怎樣準確猜測用戶的購物需求和喜好從而實現(xiàn)個性化推薦，一直是電商平臺關(guān)注的關(guān)鍵問題。通常，電商平臺會通過收集和分析用戶的行為數(shù)據(jù)，對用戶行為進行建模，并基于此進行商品推薦。
2、其關(guān)鍵在于怎樣準確、高效地收集和處理用戶數(shù)據(jù)，構(gòu)建出滿足用戶需求的模型，再通過這個模型來提供精準的商品推薦。然而，現(xiàn)有的商品推薦系統(tǒng)主要基于用戶的瀏覽歷史、購買歷史等信息來進行推薦，但這種推薦方式忽略了用戶的時效性需求、情境需求等，不能滿足用戶的多樣化、個性化的需求。
3、另外，在電商平臺，每個用戶的行為都可能影響到商品推薦的效果。例如，用戶頻繁點擊某一類商品，可能表明用戶對這類商品有一定的興趣，但如果用戶一直沒有購買，可能說明用戶只是出于好奇而已，并不打算購買。因此，如何準確理解和利用這種用戶行為數(shù)據(jù)，也是優(yōu)化商品推薦系統(tǒng)的一個重要環(huán)節(jié)。
4、此外，為了提高用戶對推薦商品的滿意度，推薦系統(tǒng)還需要根據(jù)用戶的反饋進行優(yōu)化。例如，通過用戶對推薦商品的評價、點擊率、購買行為等數(shù)據(jù)，可以不斷對商品推薦系統(tǒng)進行調(diào)整和優(yōu)化。然而，現(xiàn)有的推薦系統(tǒng)通常忽略了這種反饋環(huán)節(jié)的重要性，或者沒有提供有效的反饋機制。
5、現(xiàn)有技術(shù)cn118964745a，雖然采用了一種政務大數(shù)據(jù)推薦方法，通過獲取待推薦對象的初始標簽，運用標注規(guī)則篩選第一標簽，計算標簽權(quán)重提煉核心的第二標簽，構(gòu)建多維度目標商品特征向量進行內(nèi)容匹配和分值計算，但是其推薦的具體過程仍然比較復雜，商品交互指標的預測和推薦結(jié)果可能也會受到某些主觀因素的影響。
6、綜上所述，現(xiàn)有技術(shù)中存在由于通常采用靜態(tài)規(guī)則或簡單的統(tǒng)計模型，對行為時效性的忽視，導致對用戶興趣的捕捉不夠全面、推薦準確性較低的技術(shù)問題。
技術(shù)實現(xiàn)思路
1、本技術(shù)的目的是提供一種用于定向推薦的用戶行為方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中存在由于通常采用靜態(tài)規(guī)則或簡單的統(tǒng)計模型，對行為時效性的忽視，導致對用戶興趣的捕捉不夠全面、推薦準確性較低的技術(shù)問題。
2、鑒于上述問題，本技術(shù)提供了一種用于定向推薦的用戶行為方法，
3、在預設時間窗口內(nèi)采集目標商品的全平臺交互數(shù)據(jù)，建立商品特征數(shù)據(jù)集，數(shù)據(jù)包括類目標簽、價格段位、品牌特征、sku規(guī)格參數(shù)；
4、基于商品交互指標數(shù)據(jù)集進行商品交互數(shù)據(jù)特征集提取，所述商品交互數(shù)據(jù)特征包括用戶點擊商品詳情頁的頻次、瀏覽某類商品的時長以及反復查看同一產(chǎn)品的次數(shù)；
5、基于商品交互數(shù)據(jù)特征集訓練商品交互指標預測模型，所述模型用于預測用戶的未來行為；
6、基于預測結(jié)果生成實時推薦列表，并結(jié)合類目/價格關(guān)聯(lián)屬性流動態(tài)調(diào)整推薦內(nèi)容；
7、通過埋點技術(shù)實時采集商品交互指標反饋，并基于反饋數(shù)據(jù)對所述商品交互指標預測模型進行迭代優(yōu)化。
8、在一個方案中，所述數(shù)據(jù)采集的時間窗口根據(jù)業(yè)務目標和用戶生命周期特性動態(tài)確定，針對電商場景，選擇過去30天至90天作為核心分析時段，并根據(jù)促銷活動周期或季節(jié)性需求靈活擴展時間范圍。
9、在一個方案中，所述的行為數(shù)據(jù)采集覆蓋用戶在移動端app、網(wǎng)頁端、小程序多終端的交互行為，通過埋點技術(shù)實時記錄頁面瀏覽路徑、商品點擊事件、搜索關(guān)鍵詞輸入、加購/收藏操作、廣告曝光與點擊、訂單支付完成顯性行為，同時整合隱式反饋數(shù)據(jù)，包括頁面停留時長、滾動深度、視頻播放完成率。
10、在一個方案中，所述的商品交互數(shù)據(jù)特征的提取包括：
11、通過統(tǒng)計建模與語義關(guān)聯(lián)挖掘商品交互指標中的潛在興趣模式，針對離散事件構(gòu)建時間衰減加權(quán)統(tǒng)計量，針對連續(xù)型行為采用滑動窗口均值與標準差結(jié)合的方式表征穩(wěn)定性。
12、在一個方案中，所述的商品交互指標預測模型采用：
13、機器學習或深度學習算法進行訓練，包括xgboost、lstm模型，并通過交叉驗證和超參數(shù)調(diào)優(yōu)優(yōu)化模型性能，使用auc、準確率、召回率指標評估模型效果。
14、在一個方案中，所述的實時推薦列表的生成包括：
15、結(jié)合類目/價格關(guān)聯(lián)屬性流動態(tài)調(diào)整推薦內(nèi)容，通過在線重排序模型對候選商品進行動態(tài)調(diào)權(quán)，定義時間衰減函數(shù)計算實時行為對商品的影響權(quán)重，并引入類目分散度約束防止推薦多樣性下降。
16、在一個方案中，所述的商品交互指標反饋通過埋點技術(shù)實時采集，并通過周期分布反饋機制觸發(fā)評價參數(shù)的增量更新，基于反饋數(shù)據(jù)對所述商品交互指標預測模型進行迭代優(yōu)化，實現(xiàn)推薦產(chǎn)品與商品交互指標演化的動態(tài)對齊。
17、在一個方案中，所述的實時推薦列表通過異步消息隊列推送至用戶終端，推送策略遵循優(yōu)先級權(quán)重，并采用多臂老虎機算法動態(tài)調(diào)整曝光概率，終端接收后根據(jù)設備性能特征進行輕量化渲染，確保推薦加載延遲在接受范圍內(nèi)。
18、在一個方面，一種用于定向推薦的商品交互指標預測系統(tǒng)，用于實施所述一種用于定向推薦的用戶行為方法的步驟，所述一種用于定向推薦的商品交互指標預測系統(tǒng)包括：
19、商品交互指標數(shù)據(jù)采集模塊，用于在預設歷史時區(qū)內(nèi)對目標用戶進行行為數(shù)據(jù)采集，建立商品交互指標數(shù)據(jù)集；
20、有效特征提取模塊，用于基于所述商品交互指標數(shù)據(jù)集進行商品交互數(shù)據(jù)特征集提??；
21、評價機制構(gòu)建模塊，用于構(gòu)建預設評價機制，其中，所述預設評價機制包括行為類型評價機制和周期分布反饋機制；
22、行為預測模塊，用于以所述行為類型評價機制和所述周期分布反饋機制為參考，基于所述商品交互數(shù)據(jù)特征集進行商品交互指標預測，建立評價值大于等于預設評價值的推薦產(chǎn)品商品特征向量序列；
23、定向推薦模塊，用于基于所述推薦產(chǎn)品商品特征向量序列生成推薦產(chǎn)品并發(fā)送至所述目標用戶的終端進行定向推薦
24、本技術(shù)中提供的一個或多個技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點：
25、本發(fā)明采用了一種基于商品交互指標數(shù)據(jù)采集和商品交互數(shù)據(jù)特征提取的技術(shù)方案，這種技術(shù)方案解決了傳統(tǒng)推薦方法在推薦過程復雜，容易受到主觀因素影響，推薦準確性和效率不高等問題。
26、通過在預設歷史時區(qū)內(nèi)對目標用戶進行行為數(shù)據(jù)采集，建立商品交互指標數(shù)據(jù)集，基于商品交互指標數(shù)據(jù)集進行商品交互數(shù)據(jù)特征集提取，然后基于所述商品交互數(shù)據(jù)特征集訓練商品交互指標預測模型，所述模型用于預測用戶的未來行為，基于所述預測結(jié)果生成實時推薦列表。這樣一來，推薦過程變得簡單而具有針對性，大大減少了因為主觀因素對推薦結(jié)果帶來的影響。
27、而且，通過埋點技術(shù)實時采集商品交互指標反饋，并基于反饋數(shù)據(jù)對所述商品交互指標預測模型進行迭代優(yōu)化，使得推薦系統(tǒng)能夠更好地理解用戶的興趣，不斷優(yōu)化預測模型，從而提供更貼近用戶實際需求的推薦內(nèi)容，提高了推薦的準確性和效率。
28、上述說明僅是本技術(shù)技術(shù)方案的概述，為了能夠更清楚了解本技術(shù)的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本技術(shù)的上述和其他目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本技術(shù)的具體實施方式。應當理解，本部分所描述的內(nèi)容并非旨在標識本技術(shù)的實施例的關(guān)鍵或重要特征，也不用于限制本技術(shù)的范圍。本技術(shù)的其他特征將通過以下的說明書而變得容易理解。