一种基于人工智能的用户画像构建系统及方法与流程

摘要: 本发明涉及画像构建,具体为一种基于人工智能的用户画像构建系统及方法。背景技术:1、随着互联网、移动应用与数字化服务的快速普及,用户行为数据呈现海量、多源、高维、...
一种基于人工智能的用户画像构建系统及方法与流程

本发明涉及画像构建,具体为一种基于人工智能的用户画像构建系统及方法。

背景技术:

1、随着互联网、移动应用与数字化服务的快速普及,用户行为数据呈现海量、多源、高维、实时的特征,用户需求与使用习惯也日趋个性化、动态化。在电商、资讯、社交、短视频、本地生活等各类在线业务中,精准识别用户偏好、行为规律与需求变化,已成为个性化推荐、精准营销、用户运营、产品优化及商业决策的核心基础。

2、传统采集常按固定时间窗口切片,但用户行为具有长程意图和突发情境,传统用户画像仅能反映用户长期历史特征,无法捕捉短期趋势、行为突变与实时兴趣变化。例如,用户连续浏览“婴儿车”2周后突然停止——可能是已购买,也可能是流产。没有前后因果链的采集,会让画像将“停止行为”错误标记为“兴趣消退”,而ai无法区分。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的用户画像构建系统及方法,以解决现有技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种基于人工智能的用户画像构建方法,所述方法包括以下步骤:

4、s100、采集用户历史行为数据,构建行为数据结构;根据采集的用户历史行为数据构建全局行为转移图谱,筛选出常见演变路径;

5、进一步的,所述筛选出常见演变路径的具体步骤为:

6、s101、所述行为数据结构包括用户标识、行为类型、对象标识、发生时间、会话标识、前向行为链接、环境标签列表;所述用户标识用于区分不同用户,所述行为类型表示用户在业务定义的具体动作;所述对象标识用于区分用户行为作用的目标;所述会话标识表示半小时内同一段连续的行为操作共用一个会话编号;所述前向行为链接表示指向用户上一次行为的日志编号;所述环境标签列表记录用户行为发生时的外部事件;所述外部事件表示由业务人员预定义的除用户外的业务行为;以半小时为单位自动生成会话编号,用前向行为链接串联用户连续操作,完整还原用户从进入到离开的真实操作流程,避免行为碎片化、断链、误判。

7、在客户端设置数据采集点时,自动生成会话编号;针对采集的每一个用户历史行为数据依据行为数据结构构成一条日志;针对每条日志生成一个全局唯一编号,在下一条日志中携带上一条日志编号;

8、s102、针对每个用户根据日志中的发生时间将行为从小到大排序,并通过会话标识切分;在同一个会话标识内将相邻的两个行为作为一个转移对,提取转移对的行为类型,不同行为类型构成不同的转移对,统计系统中所有用户的所有转移对,计算每种转移对发生次数;

9、将转移对中行为类型作为节点,转移方向作为有向图的边,转移对发生次数作为边权重,构建得到全局行为转移图谱;以行为类型为节点、转移方向为边、发生次数为权重构建全局有向图谱,把模糊的用户习惯转化为可计算、可对比的量化数据,支撑后续精准分析。

10、预设常见阈值,计算每种转移对的转移概率,公式为:转移概率=转移对边权重÷所有从相同行为类型转移的转移对边权重之和;当全局行为转移图谱的转移概率大于常见阈值时,判断对应转移对为常见转移对;利用所有常见转移对构建得到常见演变路径;

11、针对所有从相同行为类型转移的转移对,将常见转移对以外的其余转移对的转移对象作为中断点。通过转移概率筛选常见演变路径,定位用户高频、高效、高转化行为路线;同时识别中断点,精准定位用户流失、放弃、跳转的关键环节,为产品优化与挽留提供依据。

12、s200、针对每个用户提取历史每种行为发生次数和行为发生时间间隔进行综合分析后分配标签和置信度,利用标签和置信度构建用户静态画像;

13、进一步的,所述利用标签和置信度构建用户静态画像的具体步骤为:

14、s201、针对每一个用户提取历史每种行为发生次数和行为发生时间间隔;预设偏好阈值,当行为发生次数超过偏好阈值时判断对应行为类型为用户偏好,对用户标记“偏好对应行为类型”标签,并输出偏好置信度;所述偏好置信度为偏好对应行为类型发生次数占用户总行为发生次数的占比,取值为0至1;

15、s202、针对用户一天中的所有行为发生时间间隔,绘制曲线图,将曲线图中最大凹处判断为用户活跃期,所述用户活跃期的前后节点为最大凹处的左右两个拐点;标记用户为“时段活跃型”标签;输出活跃置信度,所述活跃置信度表示活跃期内用户行为次数在一天中所有行为次数的占比;

16、s203、计算用户一天中所有行为发生时间间隔的标准差,预设平稳阈值,当标准差小于平稳阈值时,判断用户行为平稳,标记为“习惯稳定型”标签;输出稳定置信度,所述稳定置信度表示1减去行为发生时间间隔的变异系数;所述将所有标签和置信度构成用户静态画像。为每个标签赋予0–1置信度,明确标签可靠程度,支持精细化分层运营,避免“一刀切”标签带来的误判。覆盖偏好特征、活跃时段特征、行为稳定性特征,全面描述用户稳定属性,适合用户分层、长期运营、基础策略制定。静态画像作为用户稳定“底色”,为动态修正、场景推荐提供基准,避免短期波动干扰长期判断。

17、s300、提取每个用户历史行为时间序列,通过计算行为强度的变化趋势并识别转折点,构建用户动态画像;

18、进一步的,所述构建用户动态画像的具体步骤为:

19、s301、所述行为强度表示用户在一天内对应行为类型的次数;将一周作为一个时间窗口,根据时间序列计算每个时间窗口内的平均行为强度,并拟合绘制平均行为强度曲线,计算平均行为强度曲线的斜率,对所有斜率取绝对值,利用所有斜率绝对值的平均值加标准差计算得到斜率阈值,在平均行为强度曲线中斜率为正值且大于斜率阈值时,标记为“快速上升趋势”;在平均行为强度曲线中斜率为负值且大于斜率阈值时,标记为“快速下降趋势”;在平均行为强度曲线中斜率小于斜率阈值时,标记为“平稳趋势”;以周为时间窗口计算行为强度,识别快速上升、快速下降、平稳趋势,解决静态画像滞后、无法反映近期变化的痛点。通过斜率阈值判断趋势突变点,精准找到用户行为发生明显改变的时间,便于追溯原因、及时干预。

20、s302、在相邻两个时间窗口中趋势标记发生变化的时间点判断为转折点;提取转折点前一天内的环境标签作为转折触发原因;当转折点前后一天内用户行为存在中断点时标记为“路径偏离型转折”;自动提取转折点对应的环境标签,明确行为变化是外部事件、运营活动、产品改动还是临时波动导致,让画像“知其然更知其所以然”。

21、s303、将用户行为强度变化趋势、每种变化趋势持续时间、转折触发原因、趋势所影响行为类型整合构建得到用户动态画像。动态画像实时跟踪用户当前状态,与静态画像互补,实现“长期稳定+短期变化”双视角。

22、s400、针对静态画像中每个标签提取对应的行为类型集合,利用动态画像对静态画像进行修正;

23、进一步的,所述利用动态画像对静态画像进行修正的具体步骤为:

24、s401、针对静态画像中的每种标签,提取每种标签对应的行为类型,在动态画像中查找影响静态画像中对应行为类型的标记,根据不同标记对行为类型对应的静态画像标签的置信度进行调整,具体为:

25、当标记为快速下降趋势时,将标签原始置信度乘衰减系数得到新的置信度;衰减系数取值为0至1;

26、当标记为快速上升趋势时,生成候选标签,存储在临时趋势;

27、当标记为平稳趋势和转折点之后,保持标签原始置信度;行为快速下降时自动衰减标签置信度,避免高估已衰退的偏好;快速上升时生成候选标签,及时捕捉新兴趣,实现标签自动更新。

28、当转折点存在转折触发原因时,在静态画像的标签中附加说明为“暂时变化,非真正消失”。用短期动态趋势修正长期静态标签,让画像既保留稳定特征,又贴合当前真实状态,避免静态标签过时、动态标签波动过大。对受外部因素影响的临时变化附加说明,不轻易删除稳定标签,防止把“暂时冷淡”误判为“永久放弃”。修正后的标签更贴近当前用户状态,在推荐、营销、触达中更有效。

29、s500、对历史中用户画像实际场景进行分类,针对不同的实际场景定义不同场景因子,在实际场景中根据场景因子将静态画像和动态画像结合使用;

30、进一步的,所述在实际场景中根据场景因子将静态画像和动态画像结合使用的具体步骤为:

31、s501、对历史中用户画像实际场景进行分类,所述分类包括实时交互场景、中长期决策场景和一般推荐场景;针对实时交互场景设置场景因子取值为0至0.5;针对中长期决策场景设置场景因子取值为0.5至1;针对一般推荐场景设置场景因子取值为0.4至0.6;将场景分为实时交互、中长期决策、一般推荐,分别设置对应场景因子,让画像适配不同业务目标,避免一套策略全场景滥用。

32、s502、针对实际场景中所推荐的对象目标提取用户针对对象目标历史中所有行为类型作为目标行为类型,根据用户静态画像标签计算对象目标的静态得分,所述静态得分表示静态画像中所有目标行为类型得分之和;所述目标行为类型得分通过用户静态画像中涉及目标行为类型的所有标签置信度加权求和得到;

33、针对目标行为类型根据动态画像计算动态得分,将动态得分划分为0-0.3,0.4-0.6,0.7-1.0三等分;当目标行为类型标记为快速上升趋势时赋值为0.7-1.0区间,当目标行为类型标记为快速下降趋势时赋值为0-0.3区间,当标记为平稳趋势或不存在标记时赋值为0.4-0.6;

34、s503、根据实际场景的种类确定场景因子,利用场景因子计算实际场景对象目标的综合得分,公式为:综合得分=α×静态得分+(1-α)×动态得分;所述α表示场景因子;

35、针对实际场景中的所有对象目标,根据综合得分从大到小排序进行推荐。分别计算静态得分、动态得分,再按场景加权得到综合得分,推荐结果客观、可对比、可落地执行。

36、s600、在用户画像使用结束后,反馈用户后续行为数据,利用用户后续行为数据对场景因子进行优化调整。

37、进一步的,所述利用用户后续行为数据对场景因子进行优化调整的具体步骤为:

38、s601、当实际场景对对象目标推荐结束后,当用户对对象目标的行为次数增加时表示正向反馈,在得到正向反馈后对场景因子降低调整前场景因子的1%;当用户忽视对象目标推荐或投诉推荐目标时表示负向反馈,在得到负向反馈后对场景因子增加调整前场景因子的1%;触发动态画像重构建。用户行为提升时降低场景因子,强化动态权重,更贴合实时变化;负向反馈时提高静态权重,回归稳定特征。

39、一种基于人工智能的用户画像构建系统,用户画像构建系统包括数据采集模块、图谱路径构建模块、画像构建模块、画像修正模块、画像使用模块和反馈模块;

40、所述数据采集模块用于采集用户历史行为数据,构建行为数据结构,利用行为数据结构构成日志;

41、所述图谱路径构建模块用于根据采集的用户历史行为数据构建全局行为转移图谱,筛选出常见演变路径;

42、所述画像构建模块用于构建用户静态画像和动态画像;

43、所述画像修正模块用于针对静态画像中每个标签提取对应的行为类型集合,利用动态画像对静态画像进行修正;

44、所述画像使用模块用于对历史中用户画像实际场景进行分类,针对不同的实际场景定义不同场景因子,在实际场景中根据场景因子将静态画像和动态画像结合使用;

45、所述反馈模块用于在用户画像使用结束后,反馈用户后续行为数据,利用用户后续行为数据对场景因子进行优化调整。

46、画像构建模块包括静态画像单元和动态画像单元;

47、所述静态画像单元用于针对每个用户提取历史每种行为发生次数、最近一次发生时间和平均间隔天数进行综合分析后分配标签和置信度,利用标签和置信度构建用户静态画像;

48、所述动态画像单元用于提取每个用户历史行为时间序列,通过计算行为强度的变化趋势并识别转折点,构建用户动态画像。

49、与现有技术相比,本发明的有益效果是:

50、1、本发明通过静态画像抓长期稳定特征,适合分层与长期决策;动态画像抓短期变化与转折点,适合实时运营与干预。两者结合既稳定又灵敏,覆盖用户全生命周期特征。

51、2、本发明按业务场景自动分配权重,适配实时交互、中长期决策、通用推荐等多种场景,可直接用于个性化推荐、精准营销、用户留存、流失预警、产品优化等业务。全程以用户真实行为为依据,不依赖人工经验假设,减少主观判断带来的误差,让运营与产品决策更科学、更可靠。