[0068]对用户习惯地点、所有种类或用户喜好种类的数据进行分析和统计；
[0069]或
[0070]对用户习惯时间、所有种类或用户喜好种类的数据进行分析和统计；
[0071]在上述任何一种情况下，得到用户获取信息的行为后，则系统后续会根据该统计结果，选择是否向该用户推送在该地点和/或该时间段内的该类信息以及向该用户推送该类信息的顺序，如果统计结果显示该用户在该地点和/或该时间段内获取该类信息的行为数据较大，则系统会优先向该用户在该地点和/或该时间段内推送该类信息，如果统计结果显示该用户行为数据较小，则系统不会优先向该用户推送该类信息。
[0072]在本发明的一个实施例中，在步骤S3中，所述根据所述分值对所述用户行为数据进行排序之后，所述再按照所述排序将与所述用户行为数据相同类别的数据推送给用户之前，还包括步骤，根据设定的优先原则，对所述用户行为数据进行第二次排序。其中，所述优先原则包括:编辑挑选优先原则和时效性优先原则。比如，对于不同的用户行为数据，如果统计结果相同，则根据统计结果无法进行排序时，则根据设定的优先原则进行第二次排序。该优先原则可以为编辑挑选优先原则，也可以为时效性优先原则。
[0073]在本发明的一个实施例中，在步骤SI之前，还包括如下步骤:
[0074]对所述用户行为数据进行验证，采集有效的所述用户行为数据；通过一系列的验证和加密处理后，才认可数据的有效性；
[0075]对所述有效的所述用户行为数据进行队列存储，得到队列存储的所述用户行为数据；队列存储，就是在数据采集后，不立刻发送数据至服务端，待继续采集至队伍整齐后一起发送，如过程中遇到断电、断网，则在软件再次启动或应用统计服务到了时间点时整队发送至服务端；
[0076]对所述队列存储的所述用户行为数据进行压缩，得到压缩的所述用户行为数据；
[0077]将所述压缩的所述用户行为数据传送给服务端。
[0078]在SDK中创建多个任务队列，存储不同类型的用户行为，用户行为数据到达预设的量级后，压缩并加密后，统一提交到服务端。大量数据采集及通信往往会使移动终端快速消耗电量与流量，采用队列存储及压缩传输技术，可大大降低移动终端的耗电量与流量；其中，队列存储技术可降低能源损耗60%，压缩传输技术可进一步降低能源损耗50%;同时还提高了服务器的并发能力，并利用有限的资源在同一时间处理更多的数据内容。
[0079]本发明的上述实施例可以采用如图5所示的网络拓扑图，其中，为了防止服务器的输入和输出瓶颈，以及数据收集与处理分离原则，虚拟化服务器01在访问量达到十万级后分为“数据服务01_a”与“数据服务01_b”，它们分别作为数据处理用数据库以及数据处理及推送数据库。
[0080]如图6所示，本发明实施例还提供了一种智能推荐系统，包括:
[0081]数据接收模块:用于接收并存储用户行为数据；
[0082]数据处理模块:用于对所述用户行为数据进行分析和统计，得到基于多个维度的所述用户行为数据的统计结果；
[0083]数据推送模块:用于根据所述统计结果，对所述用户行为数据进行排序，再按照所述排序将与所述用户行为数据相同类别的数据推送给用户。
[0084]采用上述推荐系统，通过融入服务器强大的分析与统计能力，对用户行为数据进行多维度的分析和统计，对用户行为数据进行更加深入和细致的分析，增加对用户行为和习惯的了解，从而保证了在后续的智能推荐中更加符合用户的行为和习惯。
[0085]如图7所示，本发明实施例提供了一种智能推荐系统，所述数据推送模块进一步为:用于根据所述统计结果，设定所述用户行为数据的权重和系数；根据所述权重和所述系数的乘积计算得到的所述用户行为数据的权重分值，对所述用户行为数据进行排序，再按照所述排序将与所述用户行为数据相同类别的数据推送给用户。
[0086]本发明的实施例提供的智能推荐系统，根据对用户行为数据的多维度的分析和统计结果，设定用户行为数据的权重和系数，计算得到用户行为数据的权重分值，使用户行为数据的权重分值可以根据分析和统计结果进行调节，进而使智能推荐可以随着用户行为的变化而变化，始终与用户的行为和习惯保持一致，从而为用户提供更加符合其行为和习惯的推荐。
[0087]本发明的实施例提供的智能推荐系统，可承载多个移动端产品共同使用，并分别为每个产品提供独立的UUID用作识别，同时使用一套后台进行服务支撑。
[0088]本发明的实施例提供的智能推荐方法和系统，针对Android与1S等不同的系统，采用对应机制进行数据的推送，例如，Android使用百度推送、1S使用苹果推送。
[0089]通过采用本发明公开的上述技术方案，得到了如下有益的效果:
[0090]本发明的实施例提供的智能推荐方法和系统，通过融入服务器强大的分析与统计能力，对用户行为数据进行多维度的分析和统计，对用户行为数据进行更加深入和细致的分析，增加对用户行为和习惯的了解，从而保证了在后续的智能推荐中更加符合用户的行为和习惯；进一步地，根据对用户行为数据的多维度的分析和统计结果，设定用户行为数据的权重和系数，计算得到用户行为数据的权重分值，使用户行为数据的权重分值可以根据分析和统计结果进行调节，进而使智能推荐可以随着用户行为的变化而变化，始终与用户的行为和习惯保持一致，从而为用户提供更加符合其行为和习惯的推荐。
[0091]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
【主权项】
1.一种智能推荐方法，其特征在于，包括如下步骤: 51,接收并存储用户行为数据； 52,对所述用户行为数据进行多维度的分析和统计，得到所述用户行为数据的统计结果; 53,根据所述统计结果，对所述用户行为数据进行排序，再按照所述排序将与所述用户行为数据相同类别的数据推送给用户。2.根据权利要求1所述的智能推荐方法，其特征在于，步骤S3，进一步包括: S31，根据所述统计结果，设定所述用户行为数据的权重和系数； S32，所述权重和所述系数的相乘，计算得到所述用户行为数据的权重分值； S33，根据所述用户行为数据的权重分值，对所述用户行为数据进行排序； S34，按照所述排序将与所述用户行为数据相同类别的数据推送给用户。3.根据权利要求1或2所述的智能推荐方法，其特征在于，步骤S1之前，还包括如下步骤: 对所述用户行为数据进行验证，采集有效的所述用户行为数据； 对所述有效的所述用户行为数据进行队列存储，得到队列存储的所述用户行为数据； 对所述队列存储的所述用户行为数据进行压缩，得到压缩的所述用户行为数据； 将所述压缩的所述用户行为数据传送给服务端。4.根据权利要求1或2所述的智能推荐方法，其特征在于，在步骤S3中，所述对所述用户行为数据进行排序之后，所述再按照所述排序将与所述用户行为数据相同类别的数据推送给用户之前，还包括步骤，根据设定的优先原则，对所述用户行为数据进行第二次排序。5.根据权利要求4所述的智能推荐方法，其特征在于，所述优先原则包括:编辑挑选优先原则和时效性优先原则。6.根据权利要求1或2所述的智能推荐方法，其特征在于，所述多维度包括:时间、地点和信息种类。7.根据权利要求6所述的智能推荐方法，其特征在于，步骤S2中所述对所述用户行为数据进行多维度的分析和统计，具体为: 对用户习惯地点、习惯时间段内、所有种类或用户喜好种类的信息进行分析和统计； 或 对用户习惯地点、所有种类或用户喜好种类的数据进行分析和统计； 或 对用户习惯时间、所有种类或用户喜好种类的数据进行分析和统计。8.一种智能推荐系统，其特征在于，包括: 数据接收模块:用于接收并存储用户行为数据； 数据处理模块:用于对所述用户行为数据进行分析和统计，得到基于多个维度的所述用户行为数据的统计结果； 数据推送模块:用于根据所述统计结果，对所述用户行为数据进行排序，再按照所述排序将与所述用户行为数据相同类别的数据推送给用户。9.根据权利要求8所述的智能推荐系统，其特征在于，所述数据推送模块进一步为:用于根据所述统计结果，设定所述用户行为数据的权重和系数；根据所述权重和所述系数的乘积计算得到的所述用户行为数据的权重分值，对所述用户行为数据进行排序，再按照所述排序将与所述用户行为数据相同类别的数据推送给用户。
【专利摘要】本发明提供了一种智能推荐方法和系统，方法包括步骤：S1,接收并存储用户行为数据；S2,对所述用户行为数据进行多维度的分析和统计，得到所述用户行为数据的统计结果；S3,根据所述统计结果，对所述用户行为数据进行排序，再按照所述排序将与所述用户行为数据相同类别的数据推送给用户。与现有技术直接对用户的行为和喜好分析不够，以用户为主导的智能推荐方法和智能推荐系统相比，本发明通过融入服务器强大的分析与统计能力，对用户行为数据进行多维度的分析和统计，对用户行为数据进行更加深入和细致的分析，增加对用户行为和习惯的了解，从而保证了在后续的智能推荐中更加符合用户的行为和习惯。
【IPC分类】G06F17/30
【公开号】CN105279206
【申请号】CN201410360843
【发明人】汤潮, 汤杨
【申请人】北京龙源创新信息技术有限公司
【公开日】2016年1月27日
【申请日】2014年7月25日