【技術實現步驟摘要】
本專利技術涉及信息推薦，尤其涉及一種ai驅動的客戶細分與個性化推薦系統。
技術介紹
1、隨著互聯網的高速發展，人們的日常生活越來越多地與互聯網緊密聯系在一起，例如聽音樂、看電影、購物、閱讀、聊天等等。與此同時，海量的用戶和物品數據每天都不斷地在互聯網中產生，這導致互聯網用戶很難，甚至不可能快速地從中找到自己需要的或者感興趣的未知信息。于是，個性化推薦技術應運而生，并不斷地推陳出新。個性化推薦技術旨在根據用戶自身的特點，對用戶的興趣偏好進行建模，并進而推薦符合用戶個性化偏好的物品。
2、中國專利公開號：cn104537114b，公開了一種個性化推薦方法，涉及計算機數據處理
，包括：獲取用戶對物品的使用行為數據；按照所獲取的使用行為數據生成用戶使用行為子列表；遍歷所生成的用戶使用行為子列表，估算物品的一步轉移概率矩陣；基于用戶對物品的興趣的遺忘過程和馬爾科夫模型建立個性化推薦模型；使用梯度下降法，對興趣遺忘過程中用戶的個性化參數進行估算，從而根據用戶使用行為子列表，為用戶進行推薦；由此可見，上述技術方案存在以下問題：面對大批量用戶對各用戶的個性化參數進行逐一確定，導致數據處理效率低。
技術實現思路
1、為此，本專利技術提供一種ai驅動的客戶細分與個性化推薦系統，用以克服現有技術中面對大批量用戶對各用戶的個性化參數進行逐一確定，導致數據處理效率低的問題。
2、為實現上述目的，本專利技術提供一種ai驅動的客戶細分與個性化推薦系統，包括：
3、用戶采
4、數據歸類模塊，其與所述用戶采集模塊相連，用以基于各檢索周期內的關鍵詞確定各用戶的檢索偏好；
5、用戶劃分模塊，其與所述數據歸類模塊相連，用以基于用戶在訓練周期內的各檢索偏好確定用戶的發展偏好，并基于發展偏好劃分各用戶的用戶類別；
6、訓練模塊，其與所述用戶劃分模塊相連，用以將單個用戶類別內的各用戶的檢索詞條作為訓練集，將訓練集輸入訓練模型中以獲取針對單個用戶類別的推送偏好；
7、偏好鏈接生成模塊，其與所述訓練模塊相連，用以基于推送偏好在數據庫中選取若干對應的偏好鏈接；
8、檢索鏈接生成模塊，其與所述用戶采集模塊相連，用以基于單個用戶的檢索詞條在數據庫中選取若干對應的檢索鏈接；
9、推送輸出模塊，其與所述偏好鏈接生成模塊、所述檢索鏈接生成模塊和所述用戶劃分模塊相連，用以基于用戶類別劃分單個用戶的推送摻雜類別，基于推送摻雜類別輸出推送頁面；
10、監測校驗模塊，其與所述推送輸出模塊相連，用以獲取各用戶針對推送頁面的點擊率；
11、分析模塊，其分別與所述數據歸類模塊、所述用戶劃分模塊、所述推送輸出模塊和所述監測校驗模塊相連，用以基于點擊率和點擊差異參量確定數據歸類模塊的運行參數是否合格，以及在確定數據歸類模塊的運行參數異常的情況下，確定針對數據歸類模塊的處理方式，其中處理方式包括將所述訓練周期的時長調節至對應值，或將所述檢索周期的時長調節至對應值。
12、進一步地，所述數據歸類模塊用以確定單個用戶在對應檢索周期內的檢索偏好，獲取單個用戶在單個檢索周期內的各有效關鍵詞，獲取各有效關鍵詞的檢索次數，將檢索次數最大的關鍵詞確定為單個用戶在對應檢索周期內的檢索偏好；
13、所述用戶劃分模塊用以基于用戶在訓練周期內的各檢索偏好劃分用戶類別，包括：
14、獲取單個用戶在訓練周期內各檢索周期的檢索偏好，將依次排列的各檢索偏好確定為單個用戶的發展偏好；
15、將發展偏好相同的各用戶劃分為相同的用戶類別。
16、進一步地，所述推送輸出模塊用以基于用戶類別劃分單個用戶的推送摻雜類別，包括：
17、獲取單個用戶對應的各檢索偏好；
18、求解檢索偏好重合度，逐一計算單個用戶對應的用戶類別和其他用戶類別的各檢索偏好中相同的檢索偏好的數量與兩用戶類別的檢索偏好的總數量的比值，將該比值確定為對應兩用戶類別的檢索偏好重合度；
19、將檢索偏好重合度大于預設重合度的兩用戶類別確定為相似類別；
20、若單個用戶對應的相似類別的數量為零，則單個用戶的推送摻雜類別確定為弱推送摻雜類別；
21、若單個用戶對應的相似類別的數量大于零，則單個用戶的推送摻雜類別確定為強推送摻雜類別；
22、所述推送輸出模塊用以基于推送摻雜類別輸出推送頁面，包括：
23、在單個用戶的推送摻雜類別為弱推送摻雜類別的情況下，依據預設摻雜比選取推送頁面的鏈接；
24、在單個用戶的推送摻雜類別為強推送摻雜類別的情況下，依據預設摻雜比輸出推送頁面，并基于備選推送比例確定偏好鏈接的選取方式；
25、預設摻雜比為單個推送頁面中偏好鏈接生成模塊生成的偏好鏈接的數量和檢索鏈接生成模塊生成的檢索鏈接的比值；
26、基于備選推送比確定偏好鏈接的選取方式為，
27、基于備選推送比例選取各相似類別中對應的偏好鏈接添加至推送頁面；
28、備選推送比例為各相似類別中選取的偏好鏈接的比例關系。
29、進一步地，所述分析模塊用以周期性基于各強推送摻雜類別對應的各點擊率的平均值確定數據歸類模塊的運行參數是否合格，包括：
30、若平均值小于等于第一預設平均值，則判定數據歸類模塊的運行參數異常，并基于用戶增長率確定針對數據歸類模塊的處理方式；
31、若平均值小于等于第二預設平均值且大于所述第一預設平均值，則判定基于點擊差異參量確定數據歸類模塊的運行參數是否合格；
32、若平均值大于第二預設平均值，則判定數據歸類模塊的運行參數合格，并控制數據歸類模塊持續使用當前的運行參數運行。
33、進一步地，所述分析模塊用以基于點擊差異參量確定數據歸類模塊的運行參數是否合格，包括：
34、用以確定點擊差異參量，獲取各強推送摻雜類別對應的各點擊率的方差，得到點擊差異參量；
35、若點擊差異參量小于等于預設點擊差異參量，則判定數據歸類模塊的運行參數異常，并基于用戶增長率確定針對數據歸類模塊的處理方式；
36、若點擊差異參量大于預設點擊差異參量，則判定數據歸類模塊的運行參數合格，并基于單個用戶類別的各相似類別的數量將單個用戶的預設摻雜比調節至對應值。
37、進一步地，所述分析模塊用以基于單個用戶類別的各相似類別的數量將單個用戶的預設摻雜比調節至對應值，其中：
38、基于單個用戶類別的各相似類別的數量確定的單個用戶的預設摻雜比的增加幅度與單個用戶類別的各相似類別的數量成正比。
39、進一步地，所述分析模塊用以確定用戶增長率，獲取當前訓練周期內新增用戶的數量與歷史各訓練周期內新增用戶的平均數量的比值，得到用戶增長率。
40、進一步地，所述分析模塊用以本文檔來自技高網...
【技術保護點】
1.一種AI驅動的客戶細分與個性化推薦系統，其特征在于，包括：
2.根據權利要求1所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述數據歸類模塊用以確定單個用戶在對應檢索周期內的檢索偏好，獲取單個用戶在單個檢索周期內的各有效關鍵詞，獲取各有效關鍵詞的檢索次數，將檢索次數最大的關鍵詞確定為單個用戶在對應檢索周期內的檢索偏好；
3.根據權利要求2所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述推送輸出模塊用以基于用戶類別劃分單個用戶的推送摻雜類別，包括：
4.根據權利要求3所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以周期性基于各強推送摻雜類別對應的各點擊率的平均值確定數據歸類模塊的運行參數是否合格，包括：
5.根據權利要求4所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以基于點擊差異參量確定數據歸類模塊的運行參數是否合格，包括：
6.根據權利要求5所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以基于單個用戶類別的各相似類別的數量將單個用戶
7.根據權利要求6所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以確定用戶增長率，獲取當前訓練周期內新增用戶的數量與歷史各訓練周期內新增用戶的平均數量的比值，得到用戶增長率。
8.根據權利要求7所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以基于用戶增長率確定針對數據歸類模塊的處理方式，包括：
9.根據權利要求8所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以基于用戶增長率將所述訓練周期的時長調節至對應值，其中：
10.根據權利要求9所述的AI驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以基于點擊差異參量將所述檢索周期的時長調節至對應值，其中：
...【技術特征摘要】
1.一種ai驅動的客戶細分與個性化推薦系統，其特征在于，包括：
2.根據權利要求1所述的ai驅動的客戶細分與個性化推薦系統，其特征在于，所述數據歸類模塊用以確定單個用戶在對應檢索周期內的檢索偏好，獲取單個用戶在單個檢索周期內的各有效關鍵詞，獲取各有效關鍵詞的檢索次數，將檢索次數最大的關鍵詞確定為單個用戶在對應檢索周期內的檢索偏好；
3.根據權利要求2所述的ai驅動的客戶細分與個性化推薦系統，其特征在于，所述推送輸出模塊用以基于用戶類別劃分單個用戶的推送摻雜類別，包括：
4.根據權利要求3所述的ai驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以周期性基于各強推送摻雜類別對應的各點擊率的平均值確定數據歸類模塊的運行參數是否合格，包括：
5.根據權利要求4所述的ai驅動的客戶細分與個性化推薦系統，其特征在于，所述分析模塊用以基于點擊差異參量確定數據歸類模塊的運行參數是否合格，包括：
【專利技術屬性】
技術研發人員：劉允鋒，劉芳，劉云，
申請(專利權)人：北京飛天經緯科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。