本发明涉及信息检索，尤其涉及传媒终端用户行为数据采集方法及系统。
背景技术：
1、信息检索技术领域，这是一个专注于高效和有效地检索、组织和管理信息的领域。信息检索技术在日益增长的数据量和信息需求背景下显得尤为重要。它涉及各种算法和系统，用于搜索、发现和分类大量的非结构化或半结构化数据，比如文本文件、图片或网络内容。信息检索技术不仅关注于找到数据，还注重于数据的相关性和可用性，使用户能够从海量数据中快速找到他们需要的信息。
2、传媒终端用户行为数据采集方法主要目的是通过收集和分析用户在不同传媒终端上的行为数据，来理解用户的偏好、习惯和行为模式。帮助传媒公司优化内容推荐，改进用户界面设计，提高用户体验，甚至进行市场分析和广告定位。通过分析用户如何与不同的媒体内容互动，公司可以更有效地定制个性化内容和服务，从而达成提升用户满意度和增加用户黏性的效果。此外，这种数据采集和分析还可以为新产品开发提供洞察，帮助企业更好地理解目标市场。
3、传统的信息检索技术主要侧重于高效和有效地检索、组织和管理信息，但在处理大量非结构化或半结构化数据时，缺乏对用户行为模式深入分析的能力，难以准确识别用户的个性化需求和偏好。导致内容推荐和用户界面设计不够精准，影响用户体验和满意度。未能精确捕获和分析用户对特定内容的兴趣和互动模式，导致内容推荐不够准确，用户难以在海量信息中找到真正感兴趣的内容，从而减少了用户黏性和参与度，限制了传媒公司在内容定制和市场策略方面的创新能力，阻碍了个性化服务的发展。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的传媒终端用户行为数据采集方法及系统。
2、为了实现上述目的，本发明采用了如下技术方案：传媒终端用户行为数据采集方法，包括以下步骤；
3、s1：基于传媒终端记录的用户行为数据，包括用户点击、观看时间、频道切换行为，实时监控并捕获用户行为数据，生成用户互动数据集；
4、s2：基于所述用户互动数据集，对用户观看目标类型内容的频率、内容间的转换模式进行分析，生成用户行为模式分析结果；
5、s3：基于所述用户行为模式分析结果，挖掘用户行为与传媒内容之间的隐性联系，计算项集之间的支持度和置信度，生成内容关联度指标；
6、s4：基于所述内容关联度指标，设定事件触发点，通过制定触发规则和条件判断标准，自动激活数据采集，生成事件驱动数据采集机制；
7、s5：基于所述事件驱动数据采集机制，构建行为分析模型，实时监测和追踪用户行为动态，生成行为趋势实时预测结果；
8、s6：基于所述行为趋势实时预测结果，对用户互动进行评估，并进行用户参与度的量化分析，生成用户满意度评估结果。
9、本发明改进有，所述用户互动数据集包括用户的点击次数、观看频道的时间长度、频道切换次数，所述用户行为模式分析结果包括用户观看多种类型内容的偏好、内容浏览和切换的模式、用户群体间的同类行为模式，所述内容关联度指标包括多种内容间用户互动的关联强度、用户行为与内容特征之间的关联规则，所述事件驱动数据采集机制包括触发点设置、数据采集启动条件、数据记录方式，所述行为趋势实时预测结果包括用户的活跃时间段、偏好内容类型、互动频率，所述用户满意度评估结果包括用户反馈正负面比例、互动深度、内容相关性评价。
10、本发明改进有，基于传媒终端记录的用户行为数据，包括用户点击、观看时间、频道切换行为，实时监控并捕获用户行为数据，生成用户互动数据集的具体步骤如下；
11、s101：基于传媒终端记录的用户行为数据，监控和捕获用户点击事件、观看时长和频道切换行为，收集数据并实时传输至数据服务器，生成初始化行为数据集；
12、s102：基于所述初始化行为数据集，进行数据清洗和格式化，过滤重复记录、处理空值，提取关键行为特征，构建数据框架，生成用户互动偏好数据；
13、s103：基于所述用户互动偏好数据，对用户行为模式进行识别，通过数据点分配和归纳用户行为模式，生成用户互动数据集。
14、本发明改进有，基于所述用户互动数据集，对用户观看目标类型内容的频率、内容间的转换模式进行分析，生成用户行为模式分析结果的具体步骤如下，
15、s201：基于所述用户互动数据集，记录用户的观看次数和时长，对多种内容类型的用户关注度进行计算，生成用户关注度数据；
16、s202：基于所述用户关注度数据，分析用户观看多种内容时的切换频率和顺序，识别观看路径和模式，生成用户行为模式图谱；
17、s203：基于所述用户行为模式图谱，通过建立arima模型，使用forecast方法预测多种用户群体的行为模式和行为趋势，对比个体和群体行为，生成用户行为模式分析结果。
18、本发明改进有，基于所述用户行为模式分析结果，挖掘用户行为与传媒内容之间的隐性联系，计算项集之间的支持度和置信度，生成内容关联度指标的具体步骤如下；
19、s301：基于所述用户行为模式分析结果，将用户行为划分为浏览、观看或频道切换多种类别，转换为结构化数据格式，并进行数据可视化，生成用户行为类别集；
20、s302：基于所述用户行为类别集，进行数据关联分析，挖掘行为类别间的关系，识别关键行为模式，生成用户行为关联模型；
21、s303：基于所述用户行为关联模型，进行统计分析，对关联规则进行量化评估，根据评估结果划分内容与用户行为间的关联强度等级，生成内容关联度指标。
22、本发明改进有，基于所述内容关联度指标，设定事件触发点，通过制定触发规则和条件判断标准，自动激活数据采集，生成事件驱动数据采集机制的具体步骤如下；
23、s401：基于所述内容关联度指标，识别用于触发数据采集的关键用户行为特征，包括用户点击次数和观看时间阈值，设置事件触发点，生成行为触发点标准；
24、s402：基于所述行为触发点标准，制定触发规则和条件判断标准，判断用户行为是否达到观看时间阈值，生成触发逻辑条件；
25、s403：基于所述触发逻辑条件，构建数据采集的自动激活机制，将条件判断标准嵌入数据采集框架，在触发条件时自动采集数据，生成事件驱动数据采集机制。
26、本发明改进有，基于所述事件驱动数据采集机制，构建行为分析模型，实时监测和追踪用户行为动态，生成行为趋势实时预测结果的具体步骤如下；
27、s501：基于所述事件驱动数据采集机制，进行用户交互数据的结构化处理，将点击、滚动行为转换成事件序列，并标注时间戳与行为类型，生成事件序列数据集；
28、s502：基于所述事件序列数据集，应用神经网络框架对用户行为特征进行分析，识别行为趋势和模式，生成行为特征识别模型；
29、s503：基于所述行为特征识别模型，对识别的用户行为模式进行逻辑规则的提取和符号化表示，追踪和预测用户的行为动态，生成行为趋势实时预测结果。
30、本发明改进有，基于所述行为趋势实时预测结果，对用户互动进行评估，并进行用户参与度的量化分析，生成用户满意度评估结果的具体步骤如下；
31、s601：基于所述行为趋势实时预测结果，进行时间索引设置，将用户互动频次和时长按日期和时间排序，对序列数据应用平滑处理，生成时间索引化行为数据；
32、s602：基于所述时间索引化行为数据，计算每个时间窗口内的用户互动统计指标，包括均值和标准差，构建用户参与度的时间序列概况，生成统计量化参与度数据；
33、s603：基于所述统计量化参与度数据，识别参与度变化模式，对趋势进行量化分析，生成用户满意度评估结果。
34、传媒终端用户行为数据采集系统，所述系统包括；
35、用户活动监测模块基于传媒终端记录的用户行为数据，捕获用户的点击事件和内容浏览行为，实时将用户互动数据发送到服务器端，生成用户行为数据集；
36、观看偏好分析模块基于所述用户行为数据集，分析用户对多种内容的点击和观看时长，识别用户偏好的内容类型和频道，生成用户偏好分析结果；
37、行为模式识别模块基于所述用户偏好分析结果，分析用户的观看序列，归纳关键行为模式，生成行为模式识别结果；
38、内容关系挖掘模块基于所述行为模式识别结果，挖掘用户行为与观看内容之间的关联规则，分析内容间的相互关系，生成内容关联度分析结果；
39、动态触发设置模块基于所述内容关联度分析结果，制定条件判断标准，根据用户的观看行为和内容关联度设置数据采集的触发条件，生成动态触发规则；
40、行为预测模型模块基于所述动态触发规则，分析用户行为数据，预测用户行为趋势，生成用户行为预测模型；
41、参与度评估模块基于所述用户行为预测模型，量化用户对内容的参与程度，并分析参与度随时间的变化，生成用户满意度评估结果。
42、与现有技术相比，本发明的优点和积极效果在于：
43、本发明中，通过实时监控并捕获用户行为数据，对用户群体行为模式进行深度分析，并通过制定触发规则和条件判断标准，自动激活数据采集，不仅提高了数据采集的实时性和精确度，还能够更有效地识别用户偏好和行为模式。传媒公司通过计算项集之间的支持度和置信度，挖掘用户行为与传媒内容之间的隐性联系，进而为用户定制个性化的内容推荐，提高用户满意度和参与度。事件驱动的数据采集机制能够在特定事件触发时精确捕获相关数据，使得行为分析模型能够实时监测和追踪用户行为动态，为企业提供了更深入的用户洞察和更灵活的市场响应能力。