基于行为数据采集加权的用户兴趣预测

【摘要】：用户的行为数据对挖掘用户兴趣具有重要价值。以往的用户兴趣预测方法存在两个问题:分析用户的单一类型行为内容数据会造成预测结果不准确;分析用户的所有历史行为的内容数据会造成分析地数据量过大、分析效率降低,不能反映预测结果的实时动态变化。针对以上问题,提出了一种用于兴趣动态预测的用户行为数据采集及加权方法,按照时间片段对用户历史行为数据进行不同频率采样,以反映用户兴趣的动态变化特征,并依据不同类型行为数据的重要性,对内容数据赋予不同的权值,然后采用TextCNN模型对用户兴趣进行融合预测。实验结果表明,使用用户行为数据采集及加权方法,相较于使用单一类型数据预测的准确率提升了6.8%;同时动态反映兴趣预测结果的实时变化也得到了极大的改善。