应用短期行为数据的新媒体智能运营方法和系统与流程

本发明涉及大数据技术和新媒体运营，特别涉及一种应用短期行为数据的新媒体智能运营方法和系统。

背景技术：

1、现有的新媒体智能运营，在用户长期数据的基础上，通过用户兴趣建模，利用历史行为序列、内容标签和弱监督方式对用户画像持续迭代升级，依据标签相关度给予推荐排序权重，并在次过程中，通过用户的点击和社交传播（分享或者转发等方式），实现不断更新的热点内容（包括新商品、新内容和新的下载内容），实现新媒体智能运营；

2、但是在实际使用过程中，上述方式往往是通过知识图谱、大语言模型以及深度神经网络的方式实现，且再依赖用户长期数据的基础上，由于处理时间的问题，存在用户的兴趣分析或者行为预测不及时的问题，而现在的新媒体内容更新往往是迅速的，且用户在浏览上述新媒体内容时，其行为也是不断变化的，现有方式在不断变化的新媒体内容更新时，往往需要重新训练模型，以更新用户兴趣模型，从而进一步造成了时间成本的增加，使得兴趣分析或者行为预测无法满足用户的实时需求。

技术实现思路

1、为了解决现有技术的问题，本发明实施例提供了一种应用短期行为数据的新媒体智能运营方法和系统。所述技术方案如下：

2、一方面，提供了一种应用短期行为数据的新媒体智能运营方法，所述方法包括：

3、通过宽度神经网络和深度神经网络构建ltv模型，所述宽度神经网络和深度神经网络之间设置全连接层；

4、对用户的多个行为，在所述全连接层分别对应设置多个lora微调模块，所述多个行为包括浏览行为、查询行为、购买行为、下载行为和关注行为；

5、通过宽度神经网络，构建购买模型、内容推荐模型和下载模型；

6、通过用户历史行为数据，对lora微调模块进行训练；

7、在所述ltv模型的基础上，通过短期行为数据，预测用户的下一个行为，以及所述下一个行为面向的内容；

8、将所述下一个行为和内容分别输入至所述购买模型、所述内容推荐模型和所述下载模型，得到每个模型分别对应的发生概率；

9、概率最高的模型，分别添加对应的预测内容，并向用户显示；

10、所述预测内容包括以下中的任意一个：

11、商品展示界面以及所述销售商品；

12、推荐内容；

13、下载界面以及下载内容。

14、可选的，所述宽度神经网络和深度神经网络之间设置全连接层包括：

15、设置全连接层包括基础全连接层和多个lora微调模块，所述多个lora微调模块按照所述多个行为进行路由。

16、可选的，所述通过用户历史行为数据，对lora微调模块进行训练包括：

17、根据所述用户历史行为数据，路由对应的lora微调模块；

18、冻结ltv模型中的宽度神经网络部分，并通过所述用户历史行为数据，对lora微调模块进行训练。

19、可选的，所述将所述下一个行为和内容分别输入至所述购买模型、所述内容推荐模型和所述下载模型，得到每个模型分别对应的发生概率包括：

20、通过所述用户历史行为数据，分别对所述购买模型、所述内容推荐模型和所述下载模型进行训练；

21、在训练完成后，将所述下一个行为和内容分别输入至所述购买模型、所述内容推荐模型和所述下载模型，得到每个模型分别对应的发生概率。

22、可选的，所述方法还包括：

23、按照预设采集周期，获取短期行为数据，所述短期行为数据包括以下类别中的至少一个：

24、第一类、所述短期行为数据包括浏览内容、浏览时间、基于所述浏览内容的操作内容以及基于所述浏览内容的跳转内容；

25、第二类、所述短期行为数据包括查询关键词、查询次数、最终查询结果所对应的关键词、查询内容、基于所述查询内容的浏览时间、基于所示查询内容的操作内容以及基于所述查询内容的跳转内容；

26、第三类、所述短期行为数据包括购买商品、在商品界面的浏览时间、在所述商品界面停留时对应的内容、基于所述商品界面的操作内容和基于所述商品界面的跳转内容；

27、第四类、所述短期行为数据包括下载内容、所述下载内容的来源界面、得到所述下载内容的查询行为；

28、第五类、所述短期行为数据包括关注内容、点击关注时的内容界面、所关注发布者其他内容的浏览时间和浏览内容、所关注发布者更新内容的浏览时间和浏览内容。

29、可选的，所述方法还包括：

30、计算所述浏览行为、所述查询行为、所述购买行为、所述下载行为和所述关注行为之间的关联度；

31、根据所述关联度，设置所述购买模型、所述内容推荐模型和所述下载模型的关联输入；

32、将关联度最高的两个行为以及其所对应的内容，输入至同一个模型。

33、可选的，所述方法还包括：

34、设置采集时间段，所述采集时间的触发条件包括用户启动应用；

35、在所述采集时段内，采集所述短期行为数据。

36、另一方面，还提供了一种应用短期行为数据的新媒体智能运营系统，所述系统包括：

37、分布式前端处理设备，用于：

38、通过宽度神经网络和深度神经网络构建ltv模型，所述宽度神经网络和深度神经网络之间设置全连接层；

39、对用户的多个行为，在所述全连接层分别对应设置多个lora微调模块，所述多个行为包括浏览行为、查询行为、购买行为、下载行为和关注行为；

40、通过宽度神经网络，构建购买模型、内容推荐模型和下载模型；

41、通过用户历史行为数据，对lora微调模块进行训练；

42、在所述ltv模型的基础上，通过短期行为数据，预测用户的下一个行为，以及所述下一个行为面向的内容，并向分布式中心处理设备上传所述下一个行为以及所述内容；

43、中心处理设备，用于：

44、将所述下一个行为和所述内容分别输入至所述购买模型、所述内容推荐模型和所述下载模型，得到每个模型分别对应的发生概率；

45、概率最高的模型，分别添加对应的预测内容，并向用户设备下发所述预测内容；

46、所述用户设备显示所述预测内容；

47、其中，所述预测内容包括以下中的任意一个：

48、商品展示界面以及所述销售商品；

49、推荐内容；

50、下载界面以及下载内容。

51、可选的，所述短期行为数据包括以下类别中的至少一个：

52、第一类、所述短期行为数据包括浏览内容、浏览时间、基于所述浏览内容的操作内容以及基于所述浏览内容的跳转内容；

53、第二类、所述短期行为数据包括查询关键词、查询次数、最终查询结果所对应的关键词、查询内容、基于所述查询内容的浏览时间、基于所示查询内容的操作内容以及基于所述查询内容的跳转内容；

54、第三类、所述短期行为数据包括购买商品、在商品界面的浏览时间、在所述商品界面停留时对应的内容、基于所述商品界面的操作内容和基于所述商品界面的跳转内容；

55、第四类、所述短期行为数据包括下载内容、所述下载内容的来源界面、得到所述下载内容的查询行为；

56、第五类、所述短期行为数据包括关注内容、点击关注时的内容界面、所关注发布者其他内容的浏览时间和浏览内容、所关注发布者更新内容的浏览时间和浏览内容。

57、可选的，所述用户设备还用于：

58、设置采集时间段，所述采集时间的触发条件包括用户启动应用；

59、在所述采集时段内，采集所述短期行为数据。

60、本发明实施例提供的技术方案带来的有益效果是：

61、通过宽度神经网络和深度神经网络构建ltv模型，宽度神经网络和深度神经网络之间设置全连接层，在全连接层分别对应设置多个lora微调模块，分别对应浏览行为、查询行为、购买行为、下载行为和关注行为结合lora微调模块训练时间更短，且短期行为数据更切合用户的实时行为和实时兴趣，使得新媒体内容快速更新场景下，能够实现快速重训练模型，实现用户行为的快速预测，以应对用户不断变化的行为和兴趣，效率和准确性更高。