一种云服务推送的大数据分析方法及系统与流程

1.本发明涉及数据分析技术领域，尤其涉及一种云服务推送的大数据分析方法及系统。


背景技术：

2.随着云计算、大数据和人工智能等技术的快速发展，越来越多的企业和个人开始采用云服务，如云存储、云计算、云数据库等，为用户提供更多样化、高效率的服务。然而，如何准确且快速地推送服务内容，已成为云服务商关注的问题。


技术实现要素：

3.本发明为解决上述技术问题，提出了一种云服务推送的大数据分析方法，以解决至少一个上述技术问题。
4.本技术提供了一种云服务推送的大数据分析方法，包括以下步骤：
5.步骤s1：获取历史用户浏览数据，并对历史用户数据进行意向提取，从而生成用户历史意向数据；
6.步骤s2：对用户历史意向数据进行缩放计算并构建用户推送模型；
7.步骤s3：获取用户历史购买数据，对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据；
8.步骤s4：获取用户当前购买数据，基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据；
9.步骤s5：对第一意向评估数据进行计算，从而获得可发展用户数据；
10.步骤s6：对历史用户浏览数据进行特征提取，从而获得用户浏览偏好特征以及用户浏览花费特征，利用用户浏览偏好特征以及用户浏览花费特征对用户推送模型进行修正处理，从而获得优化用户推送模型；
11.步骤s7：利用优化用户推送模型对可发展用户数据进行意向评估，从而获得第二意向评估数据，以将推送用户数据发送至云服务推送系统进行内容筛选推送处理。
12.本发明通过云平台获取历史用户浏览数据，并对历史用户数据进行意向提取，能够减少云平台不必要的推送，提高推送效果，从而生成用户历史意向数据。对用户历史意向数据进行缩放计算并构建用户推送模型，缩放计算可以将不同维度的历史意向数据进行统一，减少数据之间的差异性，可以减少数据集的特征维数，使得数据处理时的计算量减小，从而更加精准的构建用户推送模型，提升个性化推荐的准确度。获取用户历史购买数据，对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据，通过结合用户历史购买数据和历史意向数据，可以更加精准的针对用户偏好进行推送，提高推送的准确率和精度。获取用户当前购买数据，基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据，基于历史购买意向数据对用户当前购买数据进分类计算，能够快速的判断出用户当前购买的商品是否符合用户历史意向，进而
进行相应的推送，优化用户的购物体验。对第一意向评估数据进行计算，从而获得可发展用户数据，通过对第一意向评估数据进行计算，能够识别出可发展用户，这有助于将精力集中在最有可能购买或使用产品或服务的用户身上，提高推送精度。对历史用户浏览数据进行特征提取，从而获得用户浏览偏好特征以及用户浏览花费特征，利用用户浏览偏好特征以及用户浏览花费特征对用户推送模型进行修正处理，从而获得优化用户推送模型，对历史用户浏览数据进行特征提取能够更好的体现用户的兴趣和偏好，利用这些特征对用户推送模型进行修正处理，可以更加精准的实现个性化推送，可以更加充分地了解用户的兴趣爱好和消费需求，从而调整和优化广告投放策略，提高推送的效果和转化率，通过对历史用户浏览数据的特征提取和用户推送模型的优化修正，能够实现更精准的推荐，从而提高用户的活跃度，增加用户黏度。利用优化用户推送模型对可发展用户数据进行意向评估，从而获得第二意向评估数据，以将推送用户数据发送至云服务推送系统进行内容筛选推送处理，利用优化用户推送模型，对可发展用户数据进行意向评估，能够更加精准地判断用户对推送内容的偏好和意向，从而提高推送的效率和准确率，可以更好地了解用户的需求和兴趣点，从而实现个性化推送，提高用户满意度和忠诚度，第二意向评估数据能够帮助平台调整推送策略，实现内容筛选和推送效果的优化，提高推送效果和用户反馈率，同时减少用户反感率。
13.可选地，步骤s1具体为：
14.步骤s11：获取历史用户浏览数据；
15.步骤s12：对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，从而生成网站浏览数据以及直播浏览数据；
16.步骤s13：对网站浏览数据进行网站意向探查处理，从而生成网站意向数据；
17.步骤s14：对直播浏览数据进行直播意向探查处理，从而生成直播意向数据；
18.步骤s15：根据网站意向数据以及直播意向数据进行时序合并，从而获得用户意向合并数据。
19.本发明通过云平台获取历史用户浏览数据，对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，从而生成网站浏览数据以及直播浏览数据，通过对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，能够更加全面地了解用户的浏览行为和偏好，从而提高推送和个性化服务的准确度和精准度，优化用户体验。对网站浏览数据进行网站意向探查处理，从而生成网站意向数据，通过探查用户的网站意向，可以更加精准地推荐与用户兴趣相关的商品或服务，提高推荐的准确性和用户的满意度。对直播浏览数据进行直播意向探查处理，从而生成直播意向数据，直播意向数据能够帮助云平台了解用户的潜在需求和兴趣点，从而进行更加精准地推送直播主题和内容，提高直播营销效果和商品销售量。根据网站意向数据以及直播意向数据进行时序合并，从而获得用户意向合并数据，通过根据用户的网站和直播意向数据进行时序合并，可以综合分析用户的兴趣和需求，从而清晰了解用户的意向和倾向，提高推送和个性化服务的准确性。
20.可选地，步骤s13中网站消费意向探查处理包括以下步骤：
21.对网站浏览数据进行统计分析，从而获得网站高频意向数据；
22.对网站浏览数据进行方差分析，从而获得网站低频意向数据；
23.对网站浏览数据进行皮尔逊意向检测，从而获得网站潜在意向数据。
24.本发明对网站浏览数据进行统计分析，从而获得网站高频意向数据，通过对网站浏览数据进行统计分析，能够更好地了解用户行为和习惯，提高数据分析能力和准确性。对网站浏览数据进行方差分析，从而获得网站低频意向数据，通过对网站浏览数据进行方差分析，能够更好地了解用户行为和偏好，提高数据分析能力和准确性。对网站浏览数据进行皮尔逊意向检测，从而获得网站潜在意向数据，皮尔逊意向检测可以发现用户未曾意识到的需求和兴趣，从而对原有的推送进行补充和创新，提高用户体验和满意度，可以更好地了解用户的偏好和需求，从而实现更为有效和精确的个性化推送服务。
25.可选地，皮尔逊意向检测具体为：
26.步骤s1331：对网站浏览数据进行特征提取，从而获得网站浏览时间数据、网站页面访问量数据以及用户浏览相似页面频率数据，对用户浏览时间数据、用户页面访问量数据以及用户浏览相似页面频率数据进行数据归并，从而获得网站综合数据集；
27.步骤s1332：通过皮尔逊相关系数对综合数据集进行计算，从而获得皮尔逊数据；
28.步骤s1333：对皮尔逊数据进行相关性筛选，从而获得潜在特征数据；
29.步骤s1334：通过关联规则分析对潜在特征数据进行意向度计算，从而获得意向度数据；
30.步骤s1335：对意向度数据进行意向度最大关联聚类计算，从而获得网站潜在意向数据；
31.其中意向度最大关联聚类计算具体为：
32.基于意向度数据进行模型构建，从而获得意向度聚类模型；
33.对意向度数据进行归一化处理，从而获得归一化意向度数据；
34.通过皮尔逊相关系数对归一化意向度数据进行相似矩阵计算，从而获得相似矩阵；
35.对相似矩阵进行归一化处理，从而获得概率分布矩阵；
36.基于em算法根据概率分布矩阵对意向度数据进行估计运算，从而获得聚类簇数；
37.对聚类簇数进行惩罚项计算，从而获得最大熵概率分布；
38.基于最大熵概率分布对意向度聚类模型进行优化，从而获得意向度最大关联聚类模型；
39.通过意向度最大关联聚类模型对意向度数据进行聚类计算，从而获得网站潜在意向数据。
40.本发明对网站浏览数据进行特征提取，从而获得网站浏览时间数据、网站页面访问量数据以及用户浏览相似页面频率数据，对用户浏览时间数据、用户页面访问量数据以及用户浏览相似页面频率数据进行数据归并，从而获得网站综合数据集，将多种数据特征进行数据归并，能够更为准确地了解用户需求和行为，从而提高数据分析的精度和准确性。通过皮尔逊相关系数对综合数据集进行计算，从而获得皮尔逊数据，通过分析皮尔逊相关系数，可以发现用户未曾意识到的需求和兴趣，从而开发新服务和产品，通过皮尔逊相关系数分析，能够了解用户对不同特征的评价和偏好，从而优化平台设计和交互体验，提高用户体验和满意度，皮尔逊相关系数可以帮助企业和商家更好地了解用户需求和偏好，提高数据分析能力和准确性。对皮尔逊数据进行相关性筛选，从而获得潜在特征数据，通过皮尔逊相关性筛选，可以剔除无用或低相关性的特征数据，减少误差和干扰，从而更为精确地了解
不同特征数据之间的关系和权重。通过关联规则分析对潜在特征数据进行意向度计算，从而获得意向度数据，通过关联规则分析计算意向度，可以更为精确地了解用户对于不同特征数据的兴趣和需求。对意向度数据进行意向度最大关联聚类计算，从而获得网站潜在意向数据，通过意向度最大关联聚类计算，可以将用户按兴趣和需求进行更为准确和精细的划分，从而更好地了解不同用户群体的需求和特征，通过分析潜在意向数据，能够更加了解不同用户群体的兴趣和需求，从而实现更为有效、精确的个性化推荐服务。基于意向度数据进行模型构建，从而获得意向度聚类模型；对意向度数据进行归一化处理，从而获得归一化意向度数据，可以使数据更加可比较、减少偏差、提高算法精度、便于数据处理和增强数据可视化效果。通过皮尔逊相关系数对归一化意向度数据进行相似矩阵计算，从而获得相似矩阵，通过皮尔逊相关系数计算相似矩阵可以更加准确地判定不同特征之间的相关性，相似矩阵可以将不同特征数据按照相似度进行聚类和分类，有助于更细致地分析和理解数据，并用于相关应用。对相似矩阵进行归一化处理，从而获得概率分布矩阵，归一化处理可以将相似矩阵值限制在0到1之间，从而避免相似矩阵值的巨大差异，提升数据的稳定性；概率分布矩阵保证所有值的和为1，即每个特征对应的概率值加在一起等于1。这有利于更好地计算和分析数据，提高数据分析的准确；概率分布矩阵可以更好地符合概率分布规律，使得数据更加规整和易于分析。基于em算法根据概率分布矩阵对意向度数据进行估计运算，从而获得聚类簇数，em算法可以根据概率分布矩阵对意向度数据进行估计运算，排除噪声数据，保留有意义的数据，进而更加精准地聚类特征数据，em算法可以基于概率分布矩阵快速、高效地进行聚类运算，从而提高特征数据聚类效率。对聚类簇数进行惩罚项计算，从而获得最大熵概率分布，在计算最大熵概率分布时，会对聚类簇数进行惩罚项计算，以确保聚类结果包含最少的聚类簇数,从而提高聚类结果质量。基于最大熵概率分布对意向度聚类模型进行优化，从而获得意向度最大关联聚类模型，采用最大熵概率分布进行模型优化，可以有效地降低模型过拟合的风险，提高聚类效果和可靠性通过最大熵原则，可以避免过多的聚类簇数影响模型的准确性，进一步优化聚类簇数的选择。通过意向度最大关联聚类模型对意向度数据进行聚类计算，从而获得网站潜在意向数据，通过意向度最大关联聚类模型将用户按照意向度分成不同的簇，可以更好地挖掘出潜在用户群体及其相应需求，从而精确地定位潜在客户。
41.可选地，步骤s14中直播消费意向探查处理包括以下步骤：
42.s141：对直播浏览数据进行回归分析，从而获得直播高频意向数据；
43.s142：对直播浏览数据进行方差分析，从而获得直播低频意向数据；
44.s143：对直播浏览数据进行意向差分隐私检测，从而获得直播潜在意向数据。
45.本发明对直播浏览数据进行回归分析，从而获得直播高频意向数据，对直播浏览数据进行回归分析，可以帮助我们更准确地预测直播高频意向数据、发现直播内容的偏好和流行趋势、精细化运营决策以及为用户个性化推送提供依据。对直播浏览数据进行方差分析，从而获得直播低频意向数据，对直播浏览数据进行方差分析，可以区分不同观众群体之间的差异性，进而细分观众的直播低频意向数据，通过分析直播浏览数据的方差，可以更好地了解观众需求的多样性和分布情况，以便更好地扩大直播的内容覆盖度，满足不同观众的需求，方差分析可以让我们发现直播浏览数据中存在的不稳定性因素，为我们调整直播内容和推送策略提供参考和依据，从而提高直播的质量和可靠性。对直播浏览数据进行
意向差分隐私检测，从而获得直播潜在意向数据，对直播浏览数据进行意向差分隐私检测，可以降低用户在数据收集和分析过程中的隐私泄露风险，保护用户个人隐私权利，可以提高直播浏览数据的质量和可信度，避免数据因隐私泄露等问题带来的误差和偏差。
46.可选地，步骤s143中意向差分隐私检测的步骤具体为：
47.对直播浏览数据进行特征提取，从而获得直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据，并对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，从而获得直播综合数据集；
48.通过拉普拉斯噪声方法对直播综合数据集进行随机扰动处理，从而获得直播噪声数据；
49.对直播噪声数据进行差分计算，从而获得直播差分数据；
50.对直播差分数据以及直播噪声数据进行计算，从而获得用户直播意向得分数据；
51.对用户直播意向得分数据进行分类计算，从而得到直播潜在意向数据。
52.本发明对直播浏览数据进行特征提取，从而获得直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据，并对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，从而获得直播综合数据集，提取出最关键的少数特征有效地压缩了数据集，并利用有限的计算和存储资源有效管理数据以节约成本，特征提取可以从海量的直播浏览数据中快速地识别出关键信息，清楚的展示数据，使得我们对数据的理解和分析变得更加高效；对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，可以综合考虑用户的多方面信息，获取更全面的用户需求信息。获得直播综合数据集后，可以进行更深入的数据分析，在多个维度对直播数据进行分析，更好地了解用户需求和行为模式，优化推送策略和直播内容，提升用户体验和活跃度。通过拉普拉斯噪声方法对直播综合数据集进行随机扰动处理，从而获得直播噪声数据，通过添加噪声扰动，可以在一定程度上降低用户隐私泄露风险，保护用户个人隐私权利，直播综合数据集中可能存在误差和偏差，通过添加合适的噪声扰动，可以增加数据的复杂程度，从而使得数据更加准确和真实。对直播噪声数据进行差分计算，从而获得直播差分数据，差分计算可以突出数据的差异性，更直观地展现不同用户之间的差异和特点；直播差分数据可以进一步提升数据效用，可以更准确地发现数据中潜在的规律和模式。对直播差分数据以及直播噪声数据进行计算，从而获得用户直播意向得分数据，用户直播意向得分数据可以进一步根据用户的直播点击次数、直播访问时间和用户浏览相似直播频率等数据，更加准确地评估用户的兴趣和需求，实现对用户需求的更精准把握；可以提高推送效率和精准度，从而更好地满足用户需求和提供更好的服务。对用户直播意向得分数据进行分类计算，从而得到直播潜在意向数据，分类计算可以发现不同类别用户的兴趣爱好和需求，这有助于平台发现用户需求的趋势和热点，指导平台优化运营策略，可以将数据进行进一步的划分，有效减少了数据分析的复杂度和难度，提高了数据分析效率。
53.可选地，步骤s3包括以下步骤：
54.获取用户历史购买数据；
55.根据用户历史购买数据以及用户历史意向数据构建用户购买意向公式，其中用户购买意向公式具体为：
[0056][0057]
其中q为购买意向系数，n为用户历史购买次数，m为用户历史购买总金额，v为用户购买概率，t为用户总浏览时长，y为用户总点击次数，α为用户点击相似系数；
[0058]
本发明中的用户购买意向公式充分考虑了影响购买意向系数的用户历史购买次数n，用户历史购买总金额m，用户购买概率v，用户总浏览时长t，用户总点击次数y，这样形成了成了的函数关系，实现了利用用户历史购买次数，用户历史购买总金额，用户购买概率，用户总浏览时长，用户总点击次数计算购买意向系数，该公式考虑到相似浏览页面对购买意向系数的影响，加入了用户点击相似系数α，可适用于不同人群的购买意向系数计算，能够有效提高购买意向系数的准确性和真实性。
[0059]
通过用户购买意向公式对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据。
[0060]
本发明通过云平台获取用户历史购买数据。根据用户历史购买数据以及用户历史意向数据构建用户购买意向公式，通过构建用户购买意向公式，可以进一步发现和确定用户的购买模式和偏好，提高数据分析的效率和精度，为平台提供更好的数据支持。通过用户购买意向公式对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据，通过计算用户历史购买意向数据，可以更加全面细致的分析用户购买行为。
[0061]
可选地，步骤s5具体为：
[0062]
通过用户购买意向公式对第一意向评估数据进行计算，从而获得用户当前意向数据；
[0063]
对用户历史购买意向数据进行聚类计算，从而获得用户意向阈值数据；
[0064]
基于用户意向阈值数据对用户当前意向数据进行分类计算，从而获得可发展用户数据。
[0065]
本发明通过用户购买意向公式对第一意向评估数据进行计算，从而获得用户当前意向数据，通过计算得到的用户当前意向数据，可以更准确地评估用户的购买意向和需求，实现对用户需求的快速把握和更精准的推送服务。对用户历史购买意向数据进行聚类计算，从而获得用户意向阈值数据，通过聚类计算，平台可以发现有哪些用户的购买意向特别强烈，，为平台提供更多的商业机会；聚类计算可以将用户按照其购买意向进行分组，从而为平台提供有更高聚焦度的目标用户群体，以此提高推送精度。基于用户意向阈值数据对用户当前意向数据进行分类计算，从而获得可发展用户数据，可以根据用户当前意向数据对用户进行分类，可以发现有潜在购买意向的用户，基于用户意向阈值数据进行分类计算，可以更好地实现对用户意向的个性化推送和服务，提高推送效果。
[0066]
可选地，步骤s7中的意向评估具体为：
[0067]
获取用户近期浏览数据，对用户近期浏览数据进行特征提取，从而生成用户近期特征数据；
[0068]
根据用户近期特征数据构建用户画像，从而获得用户画像数据；
[0069]
基于用户画像数据通过优化用户第二推送模型对可发展用户数据进行分类计算，
从而获得第二意向评估数据。
[0070]
本发明通过云平台获取用户近期浏览数据，对用户近期浏览数据进行特征提取，从而生成用户近期特征数据，对用户近期浏览数据进行特征提取，可以了解用户的兴趣和需求，帮助平台建立精准的用户画像。根据用户近期特征数据构建用户画像，从而获得用户画像数据，基于用户画像数据，可以对用户的兴趣和需求进行精准分析，并针对不同的用户群体制定更加精准的推送，提高推送效果和准确性。基于用户画像数据通过优化用户第二推送模型对可发展用户数据进行分类计算，从而获得第二意向评估数据，通过优化用户第二推送模型，可以根据可发展用户数据进行分类计算，更加精准地为用户推送相关内容，提高推送效果，基于第二意向评估数据，可以对用户进行分组，按照用户购买力、购买习惯和个性化需求等制定相应的优惠和营销策略，提高购买转化率。
[0071]
可选地，本说明书中还提供一种云服务推送的大数据分析系统，包括：
[0072]
至少一个处理器；以及，
[0073]
与至少一个处理器通信连接的存储器；其中，
[0074]
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的云服务推送的大数据分析方法。
[0075]
本发明的云服务推送的大数据分析系统，该系统能够实现本发明任意一种云服务推送的大数据分析方法，用于联合各个设备之间的操作与信号传输的媒介，以完成云服务推送的大数据分析方法，系统内部结构互相协作，从而完善对用户画像的收集，实现对用户的精准有效的内容推送。
附图说明
[0076]
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
[0077]
图1为本发明的云服务推送的大数据分析方法的步骤流程图；
[0078]
图2为本发明中步骤s1的详细实施步骤流程示意图；
[0079]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0080]
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0081]
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
[0082]
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元
进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
[0083]
请参考图1，本发明提供一种云服务推送的大数据分析方法，在本实施例中，所述基云服务推送的大数据分析方法包括以下步骤：
[0084]
步骤s1：获取历史用户浏览数据，并对历史用户数据进行意向提取，从而生成用户历史意向数据；
[0085]
本发明实施例中通过云平台获取历史用户浏览数据，对历史用户数据进行意向提取，提高数据的准确性。
[0086]
步骤s2：对用户历史意向数据进行缩放计算并构建用户推送模型；
[0087]
本发明实施例中通过标准化方法将用户历史意向数据进行缩放计算，使数据处理时的计算量减少，从而得到缩放历史意向数据，基于随机森林算法对缩放历史意向数据进行模型构建以及模型训练，从而得到用户推送模型。
[0088]
步骤s3：获取用户历史购买数据，对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据；
[0089]
本发明实施例中通过云平台获取用户历史购买数据，通过用户购买意向公式对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据。
[0090]
步骤s4：获取用户当前购买数据，基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据；
[0091]
本发明实施例中通过云平台获取用户当前购买数据，基于逻辑回归算法对用户当前购买数据构建分类模型，通过分类模型基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据。
[0092]
步骤s5：对第一意向评估数据进行计算，从而获得可发展用户数据；
[0093]
步骤s6：对历史用户浏览数据进行特征提取，从而获得用户浏览偏好特征以及用户浏览花费特征，利用用户浏览偏好特征以及用户浏览花费特征对用户推送模型进行修正处理，从而获得优化用户推送模型；
[0094]
本发明实施例中对历史用户浏览数据进行特征提取，从而获得用户浏览偏好特征以及用户浏览花费特征,可以降低冗余数据对模型的影响，并利用用户浏览偏好特征以及用户浏览花费特征对用户推送模型进行修正处理，从而获得优化用户推送模型，利用优化用户推送模型，对可发展用户数据进行意向评估，能够更加精准地判断用户对推送内容的偏好和意向，从而提高推送的效率和准确率。
[0095]
步骤s7：利用优化用户推送模型对可发展用户数据进行意向评估，从而获得第二意向评估数据，以将推送用户数据发送至云服务推送系统进行内容筛选推送处理。
[0096]
本发明通过云平台获取历史用户浏览数据，并对历史用户数据进行意向提取，能够减少云平台不必要的推送，提高推送效果，从而生成用户历史意向数据。对用户历史意向数据进行缩放计算并构建用户推送模型，缩放计算可以将不同维度的历史意向数据进行统一，减少数据之间的差异性，可以减少数据集的特征维数，使得数据处理时的计算量减小，从而更加精准的构建用户推送模型，提升个性化推荐的准确度。获取用户历史购买数据，对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据，通
过结合用户历史购买数据和历史意向数据，可以更加精准的针对用户偏好进行推送，提高推送的准确率和精度。获取用户当前购买数据，基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据，基于历史购买意向数据对用户当前购买数据进分类计算，能够快速的判断出用户当前购买的商品是否符合用户历史意向，进而进行相应的推送，优化用户的购物体验。对第一意向评估数据进行计算，从而获得可发展用户数据，通过对第一意向评估数据进行计算，能够识别出可发展用户，这有助于将精力集中在最有可能购买或使用产品或服务的用户身上，提高推送精度。对历史用户浏览数据进行特征提取，从而获得用户浏览偏好特征以及用户浏览花费特征，利用用户浏览偏好特征以及用户浏览花费特征对用户推送模型进行修正处理，从而获得优化用户推送模型，对历史用户浏览数据进行特征提取能够更好的体现用户的兴趣和偏好，利用这些特征对用户推送模型进行修正处理，可以更加精准的实现个性化推送，可以更加充分地了解用户的兴趣爱好和消费需求，从而调整和优化广告投放策略，提高推送的效果和转化率，通过对历史用户浏览数据的特征提取和用户推送模型的优化修正，能够实现更精准的推荐，从而提高用户的活跃度，增加用户黏度。利用优化用户推送模型对可发展用户数据进行意向评估，从而获得第二意向评估数据，以将推送用户数据发送至云服务推送系统进行内容筛选推送处理，利用优化用户推送模型，对可发展用户数据进行意向评估，能够更加精准地判断用户对推送内容的偏好和意向，从而提高推送的效率和准确率，可以更好地了解用户的需求和兴趣点，从而实现个性化推送，提高用户满意度和忠诚度，第二意向评估数据能够帮助平台调整推送策略，实现内容筛选和推送效果的优化，提高推送效果和用户反馈率，同时减少用户反感率。
[0097]
可选地，步骤s1具体为：
[0098]
步骤s11：获取历史用户浏览数据；
[0099]
步骤s12：对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，从而生成网站浏览数据以及直播浏览数据；
[0100]
步骤s13：对网站浏览数据进行网站意向探查处理，从而生成网站意向数据；
[0101]
步骤s14：对直播浏览数据进行直播意向探查处理，从而生成直播意向数据；
[0102]
步骤s15：根据网站意向数据以及直播意向数据进行时序合并，从而获得用户意向合并数据。
[0103]
作为本发明的一个实施例，参考图2所示，为图1中步骤s1的详细实施步骤流程示意图，在本实施例中所述步骤s1包括以下步骤：
[0104]
步骤s11：获取历史用户浏览数据；
[0105]
本发明实施例中通过云平台获取历史用户浏览数据。
[0106]
步骤s12：对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，从而生成网站浏览数据以及直播浏览数据；
[0107]
本发明实施例中对历史银行业务数据进行特征提取，从而生成网站浏览数据以及直播浏览数据。
[0108]
步骤s13：对网站浏览数据进行网站意向探查处理，从而生成网站意向数据；
[0109]
步骤s14：对直播浏览数据进行直播意向探查处理，从而生成直播意向数据；
[0110]
步骤s15：根据网站意向数据以及直播意向数据进行时序合并，从而获得用户意向
合并数据。
[0111]
本发明实施例中将网站意向数据以及直播意向数据按照时间顺序进行合并，从而获得意向时序合并数据，对意向时序合并数据进行预处理，从而获得用户意向合并数据。
[0112]
本发明通过云平台获取历史用户浏览数据，对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，从而生成网站浏览数据以及直播浏览数据，通过对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，能够更加全面地了解用户的浏览行为和偏好，从而提高推送和个性化服务的准确度和精准度，优化用户体验。对网站浏览数据进行网站意向探查处理，从而生成网站意向数据，通过探查用户的网站意向，可以更加精准地推荐与用户兴趣相关的商品或服务，提高推荐的准确性和用户的满意度。对直播浏览数据进行直播意向探查处理，从而生成直播意向数据，直播意向数据能够帮助云平台了解用户的潜在需求和兴趣点，从而进行更加精准地推送直播主题和内容，提高直播营销效果和商品销售量。根据网站意向数据以及直播意向数据进行时序合并，从而获得用户意向合并数据，通过根据用户的网站和直播意向数据进行时序合并，可以综合分析用户的兴趣和需求，从而清晰了解用户的意向和倾向，提高推送和个性化服务的准确性。
[0113]
可选地，步骤s13中网站消费意向探查处理包括以下步骤：
[0114]
对网站浏览数据进行统计分析，从而获得网站高频意向数据；
[0115]
本发明实施例中对网站浏览数据进行统计分析，从而获得网站浏览统计数据，利用随机森林算法对网站浏览统计数据进行建模并训练，从而获得网站高频检测模型，通过网站高频检测模型对网站浏览数据进行分类计算，从而获得网站高频意向数据。
[0116]
对网站浏览数据进行方差分析，从而获得网站低频意向数据；
[0117]
本发明实施例中对网站浏览数据进行特征提取，从而获得页面访问次数数据以及停留时间数据，对页面访问次数数据进行平均值以及方差计算，从而获得页面平均访问次数数据以及页面访问次数方差数据，对停留时间数据进行平均值以及方差计算，从而获得平均停留时间数据以及停留时间方差数据；对页面平均访问次数数据、页面访问次数方差数据、平均停留时间数据以及停留时间方差数据进行方差分析，从而获得网站低频意向数据。
[0118]
对网站浏览数据进行皮尔逊意向检测，从而获得网站潜在意向数据。
[0119]
本发明对网站浏览数据进行统计分析，从而获得网站高频意向数据，通过对网站浏览数据进行统计分析，能够更好地了解用户行为和习惯，提高数据分析能力和准确性。对网站浏览数据进行方差分析，从而获得网站低频意向数据，通过对网站浏览数据进行方差分析，能够更好地了解用户行为和偏好，提高数据分析能力和准确性。对网站浏览数据进行皮尔逊意向检测，从而获得网站潜在意向数据，皮尔逊意向检测可以发现用户未曾意识到的需求和兴趣，从而对原有的推送进行补充和创新，提高用户体验和满意度，可以更好地了解用户的偏好和需求，从而实现更为有效和精确的个性化推送服务。
[0120]
可选地，皮尔逊意向检测具体为：
[0121]
步骤s1331：对网站浏览数据进行特征提取，从而获得网站浏览时间数据、网站页面访问量数据以及用户浏览相似页面频率数据，对用户浏览时间数据、用户页面访问量数据以及用户浏览相似页面频率数据进行数据归并，从而获得网站综合数据集；
[0122]
本发明实施例中对网站浏览数据进行特征提取，从而获得网站浏览时间数据、网
站页面访问量数据以及用户浏览相似页面频率数据，对用户浏览时间数据、用户页面访问量数据以及用户浏览相似页面频率数据进行数据归并，从而获得网站综合数据集，将多种数据特征进行数据归并，从而提高数据分析的精度和准确性。
[0123]
步骤s1332：通过皮尔逊相关系数对综合数据集进行计算，从而获得皮尔逊数据；
[0124]
本发明实施例中使用皮尔逊相关系数对综合数据集进行计算，计算不同数据之间的相关性。其中皮尔逊相关系数是衡量两个连续型变量之间线性相关性的指标，其取值范围为-1到1；相关系数为1时表示完全正相关，相关系数为-1时表示完全负相关，相关系数为0时表示没有相关性；从而获得皮尔逊数据。
[0125]
步骤s1333：对皮尔逊数据进行相关性筛选，从而获得潜在特征数据；
[0126]
本发明实施例中根据皮尔逊数据设定阈值，从而获得皮尔逊阈值数据，根据皮尔逊阈值数据对皮尔逊数据进行相关性筛选，排除低相关性的变量，仅留下符合条件的高相关性特征数据，从而获得潜在特征数据。
[0127]
步骤s1334：通过关联规则分析对潜在特征数据进行意向度计算，从而获得意向度数据；
[0128]
本发明实施例中使用apriori算法对潜在特征数据进行关联关系提取和分析，从而获得潜在关联规则，对关联规则进行支持度和置信度计算，从而获得支持度和置信度；对支持度和置信度进行计算，从而得到意向度数据。
[0129]
步骤s1335：对意向度数据进行意向度最大关联聚类计算，从而获得网站潜在意向数据；
[0130]
其中意向度最大关联聚类计算具体为：
[0131]
基于意向度数据进行模型构建，从而获得意向度聚类模型；
[0132]
本发明实施例中将意向度数据按照7:3的比例划分为训练集与测试集，利用catboost算法对训练集以及测试集进行建模，从而得到意向度聚类模型。
[0133]
对意向度数据进行归一化处理，从而获得归一化意向度数据；
[0134]
通过皮尔逊相关系数对归一化意向度数据进行相似矩阵计算，从而获得相似矩阵；
[0135]
本发明实施例中将归一化后的意向度数据集构建成矩阵，行向量为用户，列向量为特征，使用皮尔逊相关系数计算不同行向量之间的相似度，得到相似矩阵。
[0136]
对相似矩阵进行归一化处理，从而获得概率分布矩阵；
[0137]
本发明实施例中对相似矩阵进行归一化处理，从而获得归一化相似矩阵，通过循环对归一化后的相似矩阵进行遍历，从而获得概率分布矩阵。
[0138]
基于em算法根据概率分布矩阵对意向度数据进行估计运算，从而获得聚类簇数；
[0139]
本发明实施例中通过对概率分布矩阵进行分析，从而获得潜在聚类簇数。对潜在聚类簇数进行初始化，确定初始均值和方差。通过对意向度数据进行计算，从而获得隐变量的期望值；通过对意向度数据进行计算，从而获得最大化似然函数值。根据初始均值和方差以及最大化似然函数进行计算，从而得到聚类均值以及聚类方差；利用最大化似然函数值、聚类均值以及聚类方差对em算法进行不断迭代，直至收敛，从而得到聚类簇数。
[0140]
对聚类簇数进行惩罚项计算，从而获得最大熵概率分布；
[0141]
本发明实施例中对意向度数据进行分析，从而获得惩罚项权值，根据惩罚项权值，
通过构建最大熵模型，对概率分布矩阵进行约束，通过对最大熵模型进行迭代优化，更新模型参数，以最大化似然函数值，在模型收敛后，根据最大熵模型的参数，计算每个样本点属于每个聚类的概率，并根据该结果计算最大熵概率分布。
[0142]
基于最大熵概率分布对意向度聚类模型进行优化，从而获得意向度最大关联聚类模型；
[0143]
通过意向度最大关联聚类模型对意向度数据进行聚类计算，从而获得网站潜在意向数据。
[0144]
本发明对网站浏览数据进行特征提取，从而获得网站浏览时间数据、网站页面访问量数据以及用户浏览相似页面频率数据，对用户浏览时间数据、用户页面访问量数据以及用户浏览相似页面频率数据进行数据归并，从而获得网站综合数据集，将多种数据特征进行数据归并，能够更为准确地了解用户需求和行为，从而提高数据分析的精度和准确性。通过皮尔逊相关系数对综合数据集进行计算，从而获得皮尔逊数据，通过分析皮尔逊相关系数，可以发现用户未曾意识到的需求和兴趣，从而开发新服务和产品，通过皮尔逊相关系数分析，能够了解用户对不同特征的评价和偏好，从而优化平台设计和交互体验，提高用户体验和满意度，皮尔逊相关系数可以帮助企业和商家更好地了解用户需求和偏好，提高数据分析能力和准确性。对皮尔逊数据进行相关性筛选，从而获得潜在特征数据，通过皮尔逊相关性筛选，可以剔除无用或低相关性的特征数据，减少误差和干扰，从而更为精确地了解不同特征数据之间的关系和权重。通过关联规则分析对潜在特征数据进行意向度计算，从而获得意向度数据，通过关联规则分析计算意向度，可以更为精确地了解用户对于不同特征数据的兴趣和需求。对意向度数据进行意向度最大关联聚类计算，从而获得网站潜在意向数据，通过意向度最大关联聚类计算，可以将用户按兴趣和需求进行更为准确和精细的划分，从而更好地了解不同用户群体的需求和特征，通过分析潜在意向数据，能够更加了解不同用户群体的兴趣和需求，从而实现更为有效、精确的个性化推荐服务。基于意向度数据进行模型构建，从而获得意向度聚类模型；对意向度数据进行归一化处理，从而获得归一化意向度数据，可以使数据更加可比较、减少偏差、提高算法精度、便于数据处理和增强数据可视化效果。通过皮尔逊相关系数对归一化意向度数据进行相似矩阵计算，从而获得相似矩阵，通过皮尔逊相关系数计算相似矩阵可以更加准确地判定不同特征之间的相关性，相似矩阵可以将不同特征数据按照相似度进行聚类和分类，有助于更细致地分析和理解数据，并用于相关应用。对相似矩阵进行归一化处理，从而获得概率分布矩阵，归一化处理可以将相似矩阵值限制在0到1之间，从而避免相似矩阵值的巨大差异，提升数据的稳定性；概率分布矩阵保证所有值的和为1，即每个特征对应的概率值加在一起等于1。这有利于更好地计算和分析数据，提高数据分析的准确；概率分布矩阵可以更好地符合概率分布规律，使得数据更加规整和易于分析。基于em算法根据概率分布矩阵对意向度数据进行估计运算，从而获得聚类簇数，em算法可以根据概率分布矩阵对意向度数据进行估计运算，排除噪声数据，保留有意义的数据，进而更加精准地聚类特征数据，em算法可以基于概率分布矩阵快速、高效地进行聚类运算，从而提高特征数据聚类效率。对聚类簇数进行惩罚项计算，从而获得最大熵概率分布，在计算最大熵概率分布时，会对聚类簇数进行惩罚项计算，以确保聚类结果包含最少的聚类簇数,从而提高聚类结果质量。基于最大熵概率分布对意向度聚类模型进行优化，从而获得意向度最大关联聚类模型，采用最大熵概率分布进行模型优化，可
以有效地降低模型过拟合的风险，提高聚类效果和可靠性通过最大熵原则，可以避免过多的聚类簇数影响模型的准确性，进一步优化聚类簇数的选择。通过意向度最大关联聚类模型对意向度数据进行聚类计算，从而获得网站潜在意向数据，通过意向度最大关联聚类模型将用户按照意向度分成不同的簇，可以更好地挖掘出潜在用户群体及其相应需求，从而精确地定位潜在客户。
[0145]
可选地，步骤s14中直播消费意向探查处理包括以下步骤：
[0146]
s141：对直播浏览数据进行回归分析，从而获得直播高频意向数据；
[0147]
本发明实施例中对直播浏览数据进行特征提取，从而获得直播浏览特征数据，根据直播浏览特征数据建立线性回归模型；利用线性回归模型对直播浏览数据进行回归分析，从而获得直播高频意向数据。
[0148]
s142：对直播浏览数据进行方差分析，从而获得直播低频意向数据；
[0149]
本发明实施例中对直播浏览数据进行特征提取，从而获得直播访问次数数据以及直播停留时间数据，对直播访问次数数据进行平均值以及方差计算，从而获得直播平均访问次数数据以及直播访问次数方差数据，对直播停留时间数据进行平均值以及方差计算，从而获得直播平均停留时间数据以及直播停留时间方差数据；对直播平均访问次数数据、直播访问次数方差数据、直播平均停留时间数据以及直播停留时间方差数据进行方差分析，从而获得直播低频意向数据。
[0150]
s143：对直播浏览数据进行意向差分隐私检测，从而获得直播潜在意向数据。
[0151]
本发明对直播浏览数据进行回归分析，从而获得直播高频意向数据，对直播浏览数据进行回归分析，可以帮助我们更准确地预测直播高频意向数据、发现直播内容的偏好和流行趋势、精细化运营决策以及为用户个性化推送提供依据。对直播浏览数据进行方差分析，从而获得直播低频意向数据，对直播浏览数据进行方差分析，可以区分不同观众群体之间的差异性，进而细分观众的直播低频意向数据，通过分析直播浏览数据的方差，可以更好地了解观众需求的多样性和分布情况，以便更好地扩大直播的内容覆盖度，满足不同观众的需求，方差分析可以让我们发现直播浏览数据中存在的不稳定性因素，为我们调整直播内容和推送策略提供参考和依据，从而提高直播的质量和可靠性。对直播浏览数据进行意向差分隐私检测，从而获得直播潜在意向数据，对直播浏览数据进行意向差分隐私检测，可以降低用户在数据收集和分析过程中的隐私泄露风险，保护用户个人隐私权利，可以提高直播浏览数据的质量和可信度，避免数据因隐私泄露等问题带来的误差和偏差。
[0152]
可选地，步骤s143中意向差分隐私检测的步骤具体为：
[0153]
对直播浏览数据进行特征提取，从而获得直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据，并对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，从而获得直播综合数据集；
[0154]
通过拉普拉斯噪声方法对直播综合数据集进行随机扰动处理，从而获得直播噪声数据；
[0155]
本发明实施例中利用拉普拉斯分布生成噪声数据，将噪声数据添加到直播综合数据集中，得到直播噪声数据集。
[0156]
对直播噪声数据进行差分计算，从而获得直播差分数据；
[0157]
对直播差分数据以及直播噪声数据进行计算，从而获得用户直播意向得分数据；
[0158]
对用户直播意向得分数据进行分类计算，从而得到直播潜在意向数据。
[0159]
本发明对直播浏览数据进行特征提取，从而获得直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据，并对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，从而获得直播综合数据集，提取出最关键的少数特征有效地压缩了数据集，并利用有限的计算和存储资源有效管理数据以节约成本，特征提取可以从海量的直播浏览数据中快速地识别出关键信息，清楚的展示数据，使得我们对数据的理解和分析变得更加高效；对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，可以综合考虑用户的多方面信息，获取更全面的用户需求信息。获得直播综合数据集后，可以进行更深入的数据分析，在多个维度对直播数据进行分析，更好地了解用户需求和行为模式，优化推送策略和直播内容，提升用户体验和活跃度。通过拉普拉斯噪声方法对直播综合数据集进行随机扰动处理，从而获得直播噪声数据，通过添加噪声扰动，可以在一定程度上降低用户隐私泄露风险，保护用户个人隐私权利，直播综合数据集中可能存在误差和偏差，通过添加合适的噪声扰动，可以增加数据的复杂程度，从而使得数据更加准确和真实。对直播噪声数据进行差分计算，从而获得直播差分数据，差分计算可以突出数据的差异性，更直观地展现不同用户之间的差异和特点；直播差分数据可以进一步提升数据效用，可以更准确地发现数据中潜在的规律和模式。对直播差分数据以及直播噪声数据进行计算，从而获得用户直播意向得分数据，用户直播意向得分数据可以进一步根据用户的直播点击次数、直播访问时间和用户浏览相似直播频率等数据，更加准确地评估用户的兴趣和需求，实现对用户需求的更精准把握；可以提高推送效率和精准度，从而更好地满足用户需求和提供更好的服务。对用户直播意向得分数据进行分类计算，从而得到直播潜在意向数据，分类计算可以发现不同类别用户的兴趣爱好和需求，这有助于平台发现用户需求的趋势和热点，指导平台优化运营策略，可以将数据进行进一步的划分，有效减少了数据分析的复杂度和难度，提高了数据分析效率。
[0160]
可选地，步骤s3包括以下步骤：
[0161]
获取用户历史购买数据；
[0162]
本发明实施例通过云平台获取用户历史购买数据。
[0163]
根据用户历史购买数据以及用户历史意向数据构建用户购买意向公式，其中用户购买意向公式具体为：
[0164][0165]
其中q为购买意向系数，n为用户历史购买次数，m为用户历史购买总金额，v为用户购买概率，t为用户总浏览时长，y为用户总点击次数，α为用户点击相似系数；
[0166]
本发明中的用户购买意向公式充分考虑了影响购买意向系数的用户历史购买次数n，用户历史购买总金额m，用户购买概率v，用户总浏览时长t，用户总点击次数y，这样形成了成了的函数关系，实现了利用用户历史购买次数，用户历史购买总金额，用户购买概率，用户总浏览时长，用户总点击次数计算购买意向系数，该公式考虑到相似浏览页面对购买意向系数的影响，加入了用户点击相似系数α，可适用于不同人群的购
买意向系数计算，能够有效提高购买意向系数的准确性和真实性。
[0167]
通过用户购买意向公式对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据。
[0168]
本发明通过云平台获取用户历史购买数据。根据用户历史购买数据以及用户历史意向数据构建用户购买意向公式，通过构建用户购买意向公式，可以进一步发现和确定用户的购买模式和偏好，提高数据分析的效率和精度，为平台提供更好的数据支持。通过用户购买意向公式对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据，通过计算用户历史购买意向数据，可以更加全面细致的分析用户购买行为。
[0169]
可选地，步骤s5具体为：
[0170]
通过用户购买意向公式对第一意向评估数据进行计算，从而获得用户当前意向数据；
[0171]
对用户历史购买意向数据进行聚类计算，从而获得用户意向阈值数据；
[0172]
本发明实施例中基于k-means算法根据用户历史购买意向数据进行模型构建，从而获得意向聚类模型，基于意向聚类模型对用户历史购买意向数据进行聚类计算，从而获得用户意向阈值数据。
[0173]
基于用户意向阈值数据对用户当前意向数据进行分类计算，从而获得可发展用户数据。
[0174]
本发明实施例中基于逻辑回归算法根据用户当前意向数据进行模型构建，从而获得意向分类模型，利用意向分类模型基于用户意向阈值数据对用户当前意向数据进行分类计算，从而获得可发展用户数据。
[0175]
本发明通过用户购买意向公式对第一意向评估数据进行计算，从而获得用户当前意向数据，通过计算得到的用户当前意向数据，可以更准确地评估用户的购买意向和需求，实现对用户需求的快速把握和更精准的推送服务。对用户历史购买意向数据进行聚类计算，从而获得用户意向阈值数据，通过聚类计算，平台可以发现有哪些用户的购买意向特别强烈，，为平台提供更多的商业机会；聚类计算可以将用户按照其购买意向进行分组，从而为平台提供有更高聚焦度的目标用户群体，以此提高推送精度。基于用户意向阈值数据对用户当前意向数据进行分类计算，从而获得可发展用户数据，可以根据用户当前意向数据对用户进行分类，可以发现有潜在购买意向的用户，基于用户意向阈值数据进行分类计算，可以更好地实现对用户意向的个性化推送和服务，提高推送效果。
[0176]
可选地，步骤s7中的意向评估具体为：
[0177]
获取用户近期浏览数据，对用户近期浏览数据进行特征提取，从而生成用户近期特征数据；
[0178]
本发明实施例中通过云平台获取用户近期浏览数据，对用户近期浏览数据进行特征提取，从而生成用户近期特征数据。
[0179]
根据用户近期特征数据构建用户画像，从而获得用户画像数据；
[0180]
本发明实施例中根据用户近期特征数据进行处理，获得用户特征向量，对用户特征向量进行分类计算，从而获得用户画像数据。
[0181]
基于用户画像数据通过优化用户第二推送模型对可发展用户数据进行分类计算，从而获得第二意向评估数据。
[0182]
本发明通过云平台获取用户近期浏览数据，对用户近期浏览数据进行特征提取，从而生成用户近期特征数据，对用户近期浏览数据进行特征提取，可以了解用户的兴趣和需求，帮助平台建立精准的用户画像。根据用户近期特征数据构建用户画像，从而获得用户画像数据，基于用户画像数据，可以对用户的兴趣和需求进行精准分析，并针对不同的用户群体制定更加精准的推送，提高推送效果和准确性。基于用户画像数据通过优化用户第二推送模型对可发展用户数据进行分类计算，从而获得第二意向评估数据，通过优化用户第二推送模型，可以根据可发展用户数据进行分类计算，更加精准地为用户推送相关内容，提高推送效果，基于第二意向评估数据，可以对用户进行分组，按照用户购买力、购买习惯和个性化需求等制定相应的优惠和营销策略，提高购买转化率。
[0183]
可选地，本说明书中还提供一种云服务推送的大数据分析系统，包括：
[0184]
至少一个处理器；以及，
[0185]
与至少一个处理器通信连接的存储器；其中，
[0186]
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的云服务推送的大数据分析方法。
[0187]
本发明的云服务推送的大数据分析系统，该系统能够实现本发明任意一种云服务推送的大数据分析方法，用于联合各个设备之间的操作与信号传输的媒介，以完成云服务推送的大数据分析方法，系统内部结构互相协作，从而完善对用户画像的收集，实现对用户的精准有效的内容推送。
[0188]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
[0189]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种云服务推送的大数据分析方法，其特征在于，包括以下步骤：步骤s1：获取历史用户浏览数据，并对历史用户数据进行意向提取，从而生成用户历史意向数据；步骤s2：对用户历史意向数据进行缩放计算并构建用户推送模型；步骤s3：获取用户历史购买数据，对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据；步骤s4：获取用户当前购买数据，基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据；步骤s5：对第一意向评估数据进行计算，从而获得可发展用户数据；步骤s6：对历史用户浏览数据进行特征提取，从而获得用户浏览偏好特征以及用户浏览花费特征，利用用户浏览偏好特征以及用户浏览花费特征对用户推送模型进行修正处理，从而获得优化用户推送模型；步骤s7：利用优化用户推送模型对可发展用户数据进行意向评估，从而获得第二意向评估数据，以将推送用户数据发送至云服务推送系统进行内容筛选推送处理。2.根据权利要求1所述的方法，其特征在于，其中用户历史意向数据包括网站意向数据、直播意向数据以及用户意向合并数据，步骤s1包括以下步骤：步骤s11：获取历史用户浏览数据；步骤s12：对历史用户浏览数据进行网站浏览数据提取以及直播浏览数据提取，从而生成网站浏览数据以及直播浏览数据；步骤s13：对网站浏览数据进行网站意向探查处理，从而生成网站意向数据；步骤s14：对直播浏览数据进行直播意向探查处理，从而生成直播意向数据；步骤s15：根据网站意向数据以及直播意向数据进行时序合并，从而获得用户意向合并数据。3.根据权利要求2所述的方法，其特征在于，步骤s13中网站消费意向探查处理包括以下步骤：对网站浏览数据进行统计分析，从而获得网站高频意向数据；对网站浏览数据进行方差分析，从而获得网站低频意向数据；对网站浏览数据进行皮尔逊意向检测，从而获得网站潜在意向数据。4.根据权利要求3所述的方法，其特征在于，皮尔逊意向检测的步骤具体为：步骤s1331：对网站浏览数据进行特征提取，从而获得网站浏览时间数据、网站页面访问量数据以及用户浏览相似页面频率数据，对用户浏览时间数据、用户页面访问量数据以及用户浏览相似页面频率数据进行数据归并，从而获得网站综合数据集；步骤s1332：通过皮尔逊相关系数对综合数据集进行计算，从而获得皮尔逊数据；步骤s1333：对皮尔逊数据进行相关性筛选，从而获得潜在特征数据；步骤s1334：通过关联规则分析对潜在特征数据进行意向度计算，从而获得意向度数据；步骤s1335：对意向度数据进行意向度最大关联聚类计算，从而获得网站潜在意向数据；其中意向度最大关联聚类计算具体为：
基于意向度数据进行模型构建，从而获得意向度聚类模型；对意向度数据进行归一化处理，从而获得归一化意向度数据；通过皮尔逊相关系数对归一化意向度数据进行相似矩阵计算，从而获得相似矩阵；对相似矩阵进行归一化处理，从而获得概率分布矩阵；基于em算法根据概率分布矩阵对意向度数据进行估计运算，从而获得聚类簇数；对聚类簇数进行惩罚项计算，从而获得最大熵概率分布；基于最大熵概率分布对意向度聚类模型进行优化，从而获得意向度最大关联聚类模型；通过意向度最大关联聚类模型对意向度数据进行聚类计算，从而获得网站潜在意向数据。5.根据权利要求4所述的方法，其特征在于，步骤s14中直播消费意向探查处理包括以下步骤：s141：对直播浏览数据进行回归分析，从而获得直播高频意向数据；s142：对直播浏览数据进行方差分析，从而获得直播低频意向数据；s143：对直播浏览数据进行意向差分隐私检测，从而获得直播潜在意向数据。6.根据权利要求5所述的方法，其特征在于，步骤s143中意向差分隐私检测的步骤具体为：对直播浏览数据进行特征提取，从而获得直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据，并对直播点击次数数据、直播访问时间数据以及用户浏览相似直播频率数据进行数据耦合关联，从而获得直播综合数据集；通过拉普拉斯噪声方法对直播综合数据集进行随机扰动处理，从而获得直播噪声数据；对直播噪声数据进行差分计算，从而获得直播差分数据；对直播差分数据以及直播噪声数据进行计算，从而获得用户直播意向得分数据；对用户直播意向得分数据进行分类计算，从而得到直播潜在意向数据。7.根据权利要求6所述的方法，其特征在于，步骤s3包括以下步骤：获取用户历史购买数据；根据用户历史购买数据以及用户历史意向数据构建用户购买意向公式，其中用户购买意向公式具体为：其中q为购买意向系数，n为用户历史购买次数，m为用户历史购买总金额，v为用户购买概率，t为用户总浏览时长，y为用户总点击次数，α为用户点击相似系数；通过用户购买意向公式对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据。8.根据权利要求7所述的方法，其特征在于，步骤s5具体为：通过用户购买意向公式对第一意向评估数据进行计算，从而获得用户当前意向数据；对用户历史购买意向数据进行聚类计算，从而获得用户意向阈值数据；基于用户意向阈值数据对用户当前意向数据进行分类计算，从而获得可发展用户数
据。9.根据权利要求8所述的方法，其特征在于，步骤s7中的意向评估具体为：获取用户近期浏览数据，对用户近期浏览数据进行特征提取，从而生成用户近期特征数据；根据用户近期特征数据构建用户画像，从而获得用户画像数据；基于用户画像数据通过优化用户第二推送模型对可发展用户数据进行分类计算，从而获得第二意向评估数据。10.一种云服务推送的大数据分析系统，其特征在于，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如权利要求1至9中任一项的云服务推送的大数据分析方法。

技术总结
本发明涉及数据分析技术领域，尤其涉及一种云服务推送的大数据分析方法及系统。该方法包括以下步骤：获取历史用户浏览数据，并对历史用户数据进行意向提取，从而生成用户历史意向数据；对用户历史意向数据进行缩放计算并构建用户推送模型；获取用户历史购买数据，对用户历史购买数据以及用户历史意向数据进行计算，从而获得用户历史购买意向数据；获取用户当前购买数据，基于用户历史购买意向数据对用户当前购买数据进行分类计算，从而生成第一意向评估数据；对第一意向评估数据进行计算，从而获得可发展用户数据。本发明采用数据分析技术实现云服务的精准推送。术实现云服务的精准推送。术实现云服务的精准推送。


技术研发人员：车雨 廖文远 武孝城
受保护的技术使用者：车雨
技术研发日：2023.05.20
技术公布日：2023/8/16