一种基于关联对象的表单数据推送方法及系统与流程

本发明涉及大数据分析处理，特别是涉及一种基于关联对象的表单数据推送方法及系统。

背景技术：

1、随着现代通信和传播技术的进步，如广播、电视、卫星通信、电子计算机通信等，大大提高了信息传播的速度和广度，克服了传统的时间和空间障碍，将世界更进一步地联结为一体；在当今信息爆炸的时代，通过对用户的精准分析和表单数据的智能适配，可以为用户提供更加符合其需求和偏好的服务，这种个性化的大数据适配服务能够增强用户的满意度，提高数据处理效率，并且还能够降低人为错误的可能性。传统的表单数据推送方法，主要是通过建立匹配模型来衡量用户画像与表单数据之间的相似度和匹配度，通过对比和分析，进而找出与用户画像最为匹配的表单数据。

2、但是，传统的表单数据推送方法受到用户数据的质量与数量问题限制，由于要生成准确且完整的用户画像，需要收集大量关于用户的数据，并进行深入的分析和挖掘，而用户在绝大多数情况下都是直接输入有限的数据来进行适配，使得难以生成准确且完整的用户画像，导致出现表单数据推送不准确的现象。

技术实现思路

1、本发明提供一种基于关联对象的表单数据推送方法及系统，以解决难以根据即时输入的用户行为数据生成用户画像，实现表单数据精准推送的问题。

2、为了解决上述问题，本发明提供了一种基于关联对象的表单数据推送方法，包括：

3、获取用户的行为数据；

4、根据所述行为数据对原始用户模型进行剪枝处理，得到实际用户模型；其中，所述原始用户模型是在预设的聚类标签范围内，根据聚类散点图中每个聚类中心所表示的特征点而建立；所述聚类散点图是通过对所述用户的基础信息和兴趣偏好进行聚类分析，以及使用与所述用户的日常行为数据最相关的特征进行特征降维而建立；

5、基于所述实际用户模型的核心属性和行为模式建立实际用户画像；

6、根据所述实际用户画像，在预设的大数据库中进行关联适配，得到表单数据；

7、将所述表单数据推送至所述用户。

8、本发明根据用户的基础信息和兴趣偏好建立原始用户模型，使得原始用户模型包含了用户的通用特征，解决只输入即时的少量信息导致数据匮乏的问题；而用户即时输入的行为数据，又作为一个重要的引导方向，来指导原始用户模型进行剪枝处理，该方式可以根据行为数据识别出用户当前最需要的数据信息，并且还能在保留关键信息的同时，去除原始用户模型中那些对用户行为影响较小或冗余的特征，简化模型结构、提高计算效率，这有助于模型更快速地响应用户需求，所以基于剪枝后得到的实际用户模型建立实际用户画像，能够精准地反映用户的当前真实需求和偏好。通过关联适配实际用户画像与大数据库中的信息，能够筛选出与用户特征和需求高度匹配的表单数据，这避免了向用户推送无关或低价值的信息，从而提高了数据推送的精准性和有效性。

9、相比于现有技术，本发明通过预先建立原始用户模型解决了用户数据匮乏的缺陷，通过发挥行为数据的导向作用，对原始用户模型进行剪枝处理，以生成准确且完整的用户画像，保证了用户特征的有效性，进而通过数据关联适配，得到准确的表单数据，因此能够解决难以根据即时输入的用户行为数据生成用户画像，实现表单数据精准推送的问题。

10、作为优选方案，根据所述行为数据对原始用户模型进行剪枝处理，得到实际用户模型，具体为：

11、根据参数对之间的耦合关系，去除所述原始用户模型中的重复分组，得到第一用户模型；

12、根据所述行为数据，获取在所述第一用户模型中记载不同层级重要性的第一列表；

13、根据所述第一列表将所述第一用户模型中权值小于预设阈值的通道进行剪枝，得到第二用户模型；

14、基于所述原始用户模型对所述第二用户模型进行微调，得到所述实际用户模型。

15、本优选方案中，参数对之间的耦合关系是指不同参数或属性之间的关联性，可能代表用户的各种特征，当这些参数之间存在高度的关联性时，可能会导致用户分组之间的重叠或冗余，所以通过去除重复分组，能够对模型进行更精细化的整理。

16、作为优选方案，根据所述第一列表将所述第一用户模型中权值小于预设阈值的通道进行剪枝，得到第二用户模型，具体为：

17、在所述第一用户模型的卷积层中，根据所述第一列表记载的重要性计算得到各通道的重要性平均值；

18、对所述各通道的重要性平均值进行稀疏性训练，使所述第一用户模型中作用相同或冗余的通道权重逐渐趋向于零，得到训练结果；

19、根据所述训练结果，对权值小于预设阈值的通道进行剪枝，得到所述第二用户模型。

20、本优选方案通过稀疏性训练使模型在训练过程中将不重要的通道权重设置为零或接近零，从而能够判断哪些通道是冗余或不重要的，以便根据预设阈值进行剪枝，从而显著减少第二用户模型的复杂度。

21、作为优选方案，基于所述原始用户模型对所述第二用户模型进行微调，得到所述实际用户模型，具体为：

22、通过对所述原始用户模型的第一类激活图进行归一化处理，使所述第一类激活图变成类的注意力分布；

23、根据所述类的注意力分布指导所述第二用户模型学习不同类别的注意力分布，得到第三用户模型；

24、通过更新所述第三用户模型的网络参数，得到所述实际用户模型。

25、本优选方案通过利用类的注意力分布来指导第二用户模型的学习，可以使所得到的第三用户模型更加聚焦于用户行为或特征中真正重要的部分，使得该模型在后续的预测或分析中能够更准确地捕捉到用户的不同特征和需求。

26、作为优选方案，通过更新所述第三用户模型的网络参数，得到所述实际用户模型，具体为：

27、通过将所述原始用户模型的第一类激活图定义为目标值，以及将所述第三用户模型的第二类激活图定义为预测值，计算得到平均绝对误差，并将所述平均绝对误差定义为第一损失函数；

28、获取所述原始用户模型按照数据集预测的第一概率分布，以及获取所述数据集中真实标签的第二概率分布；

29、根据所述第一概率分布和所述第二概率分布计算得到标准交叉熵损失；

30、根据所述第一损失函数和所述标准交叉熵损失生成综合损失函数；

31、通过迭代更新所述第三用户模型的网络参数，使所述综合损失函数收敛，得到所述实际用户模型。

32、本优选方案根据第一损失函数和标准交叉熵损失生成综合损失函数，意味着本方案的优化目标是最小化这个综合误差；损失函数作为机器学习中用来指导模型训练的关键部分，它衡量了模型预测值与实际目标值之间的差距，因此通过最小化综合损失函数，可以使实际用户模型更好地适应数据，以及学习到原始用户模型捕捉和解释用户数据内在规律的能力，提高其在未来数据上的泛化能力。

33、作为优选方案，根据所述实际用户画像，在预设的大数据库中进行关联适配，得到表单数据，具体为：

34、根据所述实际用户画像，以适配程度最大化为目标，基于所述行为数据和所述大数据库建立目标函数；

35、根据所述大数据库建立数据关键节点集；

36、根据所述目标函数和所述数据关键节点集中最优数据关键节点的初始权重，更新所述数据关键节点集中所有数据关键节点的权重，得到第一关键节点集；

37、根据所述第一关键节点集中各数据关键节点的离散状态，对所述各数据关键节点的权重进行更新，得到第二关键节点集；

38、获取所述第二关键节点集中权重最大的第一数据，并将所述第一数据定义为所述表单数据；

39、其中，所述目标函数为：

40、；

41、其中，为数据t按照所述行为数据进行内容自动适配后的适配得分，是所述大数据库中的数据总数，表示数据t对应的用户偏好得分，表示数据关键节点s的内容受欢迎指数，o为数据关键节点的总数，为数据t对应的可扩展性得分。

42、本优选方案通过结合实际用户画像和行为数据，目标函数能够捕捉用户独特的偏好和需求，并且以适配程度最大化为目标，可以确保推荐的表单数据符合用户的个性化要求；并且，第二关键节点集是经过更新和优化后的节点集合，它反映了在给定目标函数下，哪些节点具有更高的重要性和影响力，使其能够基于更准确的数据和分析结果，筛选出与用户最适配的表单数据。

43、作为优选方案，根据所述大数据库建立数据关键节点集，具体为：

44、从所述大数据库中获取所有数据具有信息识别作用的关键节点，得到若干关键节点；

45、根据所述若干关键节点建立原始关键节点集；

46、根据所述目标函数的最大值和最小值，通过线性插值的方式初始化所述原始关键节点集中各节点的权重，得到所述数据关键节点集。

47、本优选方案通过线性插值的方式初始化权重，可以确保原始关键节点集中的每个节点在初始状态下都具有一定的权重，而不是完全相等或完全随机，这有助于在后续的优化过程中更加公平地考虑每个节点的作用，避免某些节点因为初始权重设置不当而被过度忽略或过度强调，导致数据推送错误的情况。

48、作为优选方案，根据所述第一关键节点集中各数据关键节点的离散状态，对所述各数据关键节点的权重进行更新，得到第二关键节点集，具体为：

49、根据所述第一关键节点集中第一预设节点对相互远离时的权重建立远离函数式，并根据所述第一关键节点集中第二预设节点对相互靠近时的权重建立靠近函数式；

50、按照随机概率生成的方式，根据所述远离函数式和所述靠近函数式更新所述第一关键节点集中所有数据关键节点的权重，得到所述第二关键节点集。

51、本优选方案通过建立远离函数式和靠近函数式，可以模拟节点间的相互作用关系，更加准确地刻画节点的动态特性；当节点相互远离时，远离函数式决定了权重的变化趋势；当节点相互靠近时，靠近函数式则发挥了作用，这种动态调整有助于反映节点间相互作用的实时变化，扩展了应用场景。

52、作为优选方案，基于所述实际用户模型的核心属性和行为模式建立实际用户画像，具体为：

53、根据所述实际用户模型的核心属性和行为模式建立初始用户画像；

54、若所述行为数据与所述初始用户画像中根据行为分类所生成描述性标签属性的匹配度大于预设阈值，则根据所述行为数据更新所述初始用户画像中对应的行为分类，得到所述实际用户画像。

55、本优选方案是通过对比行为数据与初始用户画像中基于行为分类的描述性标签属性得到匹配度，如果匹配度大于预设阈值，那么就利用最新的行为数据来更新初始用户画像，从而得到更加贴近用户真实情况的实际用户画像，可以确保实际用户画像能更加精准地反映用户的当前状态和行为特点。

56、本发明还提供了一种基于关联对象的表单数据推送系统，包括数据模块、剪枝模块、画像模块、关联模块和推送模块；

57、其中，所述数据模块，用于获取用户的行为数据；

58、所述剪枝模块，用于根据所述行为数据对原始用户模型进行剪枝处理，得到实际用户模型；其中，所述原始用户模型是在预设的聚类标签范围内，根据聚类散点图中每个聚类中心所表示的特征点而建立；所述聚类散点图是通过对所述用户的基础信息和兴趣偏好进行聚类分析，以及使用与所述用户的日常行为数据最相关的特征进行特征降维而建立；

59、所述画像模块，用于基于所述实际用户模型的核心属性和行为模式建立实际用户画像；

60、所述关联模块，用于根据所述实际用户画像，在预设的大数据库中进行关联适配，得到表单数据；

61、所述推送模块，用于将所述表单数据推送至所述用户。