基于大数据的用户行为分析方法及系统、设备、介质与流程

本发明涉及数据分析，尤其涉及一种基于大数据的用户行为分析方法及系统、设备、介质，用于准确分析用户行为，实现精准推送。

背景技术：

1、随着互联网技术的持续发展，电商平台与在线社交平台的崛起使得用户与外界的交互变得日益频繁。推荐系统依托于用户历史行为和兴趣的挖掘，能够精准地为用户推荐个性化的内容。因此，现有的推荐系统在考虑用户兴趣的同时，也需兼顾推荐内容的差异性和多样性，旨在为用户提供更丰富、更多元的选项，并以此提高用户的满意度。推荐多样性算法着重研究用户的多样化兴趣，并以此实现多样化的产品推荐。

2、现有的多样化推荐算法主要集中在重排列表和优化目标函数的研究上，旨在提高推荐结果的多样性。然而，这些方法在一定程度上忽视了用户个性化的差异以及群体用户相似兴趣的区分，缺乏对用户兴趣多层次类别的研究。因此，我们需要进一步探讨针对用户兴趣多层次类别的推荐算法，以更好地满足不同用户的个性化需求并提高推荐结果的多样性。在实现精准推送的过程中，尽管可以对用户进行分类，但每个用户都是独特的个体，具有不同的需求和期望。如果向用户推送完全相同的信息，将会造成困扰和不必要的打扰，因为许多信息可能并非他们真正需要的，这可能导致用户对平台失去信任，甚至可能丢失市场份额。因此，本发明提供了一种基于大数据的用户行为分析方法及系统、设备、介质，能够准确分析用户行为，实现精准推送。

技术实现思路

1、本发明提供了一种基于大数据的用户行为分析方法及系统、设备、介质，用于准确分析用户行为，实现精准推送。

2、本发明通过下述技术方案实现：一种基于大数据的用户行为分析方法，包括以下步骤：

3、步骤s1，采集用户特征数据信息，将所述用户特征数据信息依次进行规范化和格式化处理并存储；

4、步骤s2，通过存储的信息，计算活跃用户节点与其他节点的交互连接次数，计算用户的活跃程度；

5、步骤s3，根据用户的活跃程度，对用户之间行为的相似度进行聚类，计算用户行为特征；

6、步骤s4，计算页面单跳转化率；

7、步骤s5，设定用户行为识别次数阈值，计算用户行为识别的次数，判断用户行为识别的次数是否大于设定的用户行为识别次数阈值，如果是，根据所述页面单跳转化率和所述用户行为特征向用户推送个性化消息，如果否，返回步骤s1重新采集用户特征数据信息

8、为了更好地实现本发明，进一步地，所述步骤s1中采集用户特征的方法包括：

9、使用桌面应用软件采集用户的静态特征数据，所述静态特征数据包括用户在应用软件中身份注册的特征数据信息；

10、使用web浏览器分析用户的操作习惯采集用户的动态特征数据，所述动态特征数据包括用户在应用软件中操作功能模块、登录、授权、插件下载、日志的特征数据信息。

11、为了更好地实现本发明，进一步地，所述步骤s1中

12、将所述用户特征数据信息依次进行规范化和格式化处理并存储的方法包括：

13、将所述用户特征数据信息依次进行etl处理和数据过滤处理后，加载到存储服务elasticsearch中创建索引。

14、为了更好地实现本发明，进一步地，所述步骤s2包括：

15、在所述动态特征数据中通过读取日志信息获取网络用户关系；

16、定义网络用户关系为g＝(b，f)，其中，b表示网络中具有相同行为的用户集合，f表示用户之间的联动关系；

17、确定网络中用户的活跃程度表示为：

18、

19、其中，r(a)表示用户a的活跃程度，c表示活跃阻尼强度，在正常网络环境中，其取值范围为[0.80，0.90]，n表示采集的数据中包含的用户总量，d(ui)和r(ui)分别表示所有其余用户与a用户的互动次数和互动频率。

20、为了更好地实现本发明，进一步地，所述步骤s3包括：

21、根据所述用户的活跃程度获取前20％作为基础用户，将与所述基础用户在行为上相似度达到60％的一级用户作为聚类标准，将与所述一级用户在行为上相似度达到70％的二级用户作为聚类标准，以此类推，得到的聚类结果为：

22、p＝a+0.6a+0.7(0.6a)+(0.8(0.7(0.6a)))+...+(1(0.9(0.8)(0.7(0.6a)))))；

23、其中，p表示聚类结果；

24、以聚类为单元，分析每个聚类中用户的行为特征，使用hits算法计算用户的行为特征，并表示为：

25、

26、其中，ei表示聚类中行为的中心值，f(p)表示用户的行为特征。

27、为了更好地实现本发明，进一步地，所述步骤s4中计算页面单跳转化率的方法包括：在所述动态特征数据中通过读取日志信息中无效的访问比例u，页面i的访问人数vi，页面j的访问人数vj计算页面单跳转化率，并表示为：

28、其中，aij为页面i到页面j的转化率。

29、为了更好地实现本发明，进一步地，所述步骤s5中计算用户行为识别的次数包括：在规定的时间范围内，对用户行为识别的次数进行测定，表示为：

30、

31、其中，f表示用户行为识别的次数，r表示定向识别范围，t表示可控识别距离，d表示导入数据量，表示行为转换偏差，v表示访问量。

32、本发明还提供了一种基于大数据的用户行为分析系统，包括采集单元、用户行为分析单元和个性化推送单元，其中：

33、采集单元，用于采集用户特征数据信息，将所述用户特征数据信息依次进行规范化和格式化处理并存储；

34、用户行为分析单元，用于通过存储的信息，计算活跃用户节点与其他节点的交互连接次数，计算用户的活跃程度；用于根据用户的活跃程度，对用户之间行为的相似度进行聚类，计算用户行为特征；用于计算页面单跳转化率；

35、个性化推送单元，用于设定用户行为识别次数阈值，计算用户行为识别的次数，判断用户行为识别的次数是否大于设定的用户行为识别次数阈值，如果是，根据所述页面单跳转化率和所述用户行为特征向用户推送个性化消息，如果否，返回采集单元重新采集用户特征数据信息。

36、本发明还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述第二方面所记载的基于大数据的用户行为分析系统。

37、本发明还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述第三方面所记载的电子设备上运行时，使得电子设备执行上述第一方面所记载的方法。

38、本发明与现有技术相比，具有以下优点及有益效果：

39、(1)本发明提供一种基于大数据的用户行为分析方法及系统、设备、介质，能够支撑互联网用户行为信息采集需求，可实时统计出用户的爱好，了解用户的习惯，包括但不限于用户浏览历史记录、搜索记录、购买记录等；通过该方法及系统，企业可以更好地了解用户需求，提供更精准的产品或服务，提高市场竞争力；同时，该方法及系统还可以根据用户行为数据预测用户未来的需求，提前做好服务准备，提高用户体验；此外，该方法及系统还可以通过用户行为数据对用户进行分类，针对不同类别的用户提供不同的产品或服务，提高企业的效率和效益；

40、(2)本发明提供一种基于大数据的用户行为分析方法及系统、设备、介质，能够深入理解用户的需求和行为，从而提供更加精准的服务。通过准确分析用户行为，实现精准推送，为用户提供更加个性化的内容和服务。这种精准推送不仅提高了用户的使用体验，还能够帮助企业更好地了解用户需求，优化产品和服务，提高市场竞争力。