一种用户行为偏好积分处理方法、系统及设备与流程

1.本技术涉及用户行为分析技术领域，尤其涉及一种用户行为偏好积分处理方法、系统及设备。


背景技术：

2.用户画像，又称为用户角色，作为一种勾画目标用户、关联用户诉求和设计方向的有效工具，用户画像在各领域得到了广泛的应用。在传统的用户画像系统或者积分系统中，通过计算用户行为偏好特征的积分值以形成某一用户画像，从而为用户提供有针对性的服务。
3.然而，在传统用户画像系统或者积分系统中，由于计算积分值的算法不同、实现方式不一致等因素，不同系统计算得到最终积分值可能会出现不同的偏差，即同一用户的行为偏好，使用不同的算法计算对应的积分值时，无法表现为相同的积分值效果，也就无法量化对比不同积分值的值意义，从而导致在不同的推荐系统或机器学习需要进行关联计算时，无法准确并快速计算出用户行为偏好的积分值，也就无法快速并准确地分析和表达有效的用户行为偏好，更为精准地为用户提供更多感兴趣的推荐目标。


技术实现要素：

4.本技术实施例提供了一种用户行为偏好积分处理方法、系统及设备，能够实现快速并准确地得到有效的用户行为偏好积分值，使得用户推荐系统快速并准确地为用户提供推荐服务，提高了用户推荐系统的用户黏度和用户体验感。
5.第一方面，本技术提供一种用户行为偏好积分处理方法，包括：提取用户行为偏好特征信息，上述用户行为偏好特征信息包括用户行为偏好完整度特征和用户行为偏好持续性特征；通过具有可调参数的用户行为偏好积分公式，对上述用户行为偏好特征信息进行积分计算，得到第一用户行为偏好积分值；向用户推荐系统发送上述第一用户行为偏好积分值，上述第一用户行为偏好积分值，用于指示上述用户推荐系统根据上述第一用户行为偏好积分值确定推荐目标。
6.本技术实施例基于用户行为偏好完整度特征和用户行为偏好持续性特征，通过具有可调参数的用户行为偏好积分公式进行积分计算，可以快速并准确地得到有效的第一用户行为偏好积分值，并向用户推荐系统发送该第一用户行为偏好积分值，使得用户推荐系统可以快速并准确地为用户提供推荐服务，从而提高了用户推荐系统的用户黏度和用户体验感。
7.在第一方面的一个可选实施方式中，上述可调参数包括分值倍率放大器a、完整度偏移量b、幂数调参值m和积分偏移值k，上述通过具有可调参数的用户行为偏好积分公式，对上述用户行为偏好特征信息进行积分计算，得到第一用户行为偏好积分值，包括：
8.调整上述分值倍率放大器a、上述完整度偏移量b、上述幂数调参值m和上述积分偏移值k中的任意一个或几个的值；
9.根据调整后的上述分值倍率放大器a、上述完整度偏移量b、上述幂数调参值m和上述积分偏移值k中的任意一个或几个，更新上述具有可调参数的用户行为偏好积分公式；
10.根据更新后的上述具有可调参数的用户行为偏好积分公式进行积分计算，得到上述第一用户行为偏好积分值。
11.在第一方面的另一个可选实施方式中，上述向用户推荐系统发送上述第一用户行为偏好积分值，包括：
12.获取用户历史行为偏好积分值；
13.根据上述第一用户行为偏好积分值和上述用户历史行为偏好积分值，确定第二用户行为偏好积分值；
14.向用户推荐系统发送上述第二用户行为偏好积分值，上述第二用户行为偏好积分值，用于指示上述用户推荐系统根据上述第二用户行为偏好积分值确定推荐目标。
15.在第一方面的另一个可选实施方式中，在上述根据上述第一用户行为偏好积分值和上述用户历史行为偏好积分值，确定第二用户行为偏好积分值之后，还包括：
16.当用户行为偏好持续性特征满足衰减条件时，对上述第二用户行为偏好积分值进行减值处理，得到第三用户行为偏好积分值；
17.相应的，上述向用户推荐系统发送上述第二用户行为偏好积分值，包括：
18.向用户推荐系统发送上述第三用户行为偏好积分值，上述第三用户行为偏好积分值，用于指示上述用户推荐系统根据上述第三用户行为偏好积分值确定推荐目标。
19.在第一方面的另一个可选实施方式中，上述当用户行为偏好持续性特征满足衰减条件时，对上述第二用户行为偏好积分值进行减值处理，得到第三用户行为偏好积分值，包括：
20.根据衰减周期，通过平滑衰减公式对上述第二用户行为偏好积分值进行减值处理。
21.在第一方面的另一个可选实施方式中，上述当用户行为偏好持续性特征满足衰减条件时，对上述第二用户行为偏好积分值进行减值处理，得到第三用户行为偏好积分值，包括：
22.根据衰减周期，通过幂级衰减公式对上述第二用户行为偏好积分值进行减值处理。
23.第二方面，本技术提供一种用户行为偏好积分处理系统，包括：
24.用户行为偏好特征信息提取单元，用于提取用户行为偏好特征信息，上述用户行为偏好特征信息包括用户行为偏好完整度特征和用户行为偏好持续性特征；
25.第一用户行为偏好积分值计算单元，用于通过具有可调参数的用户行为偏好积分公式，对上述用户行为偏好特征信息进行积分计算，得到第一用户行为偏好积分值；
26.第一用户行为偏好积分值发送单元，用于向用户推荐系统发送上述第一用户行为偏好积分值，上述第一用户行为偏好积分值，用于指示上述用户推荐系统根据上述第一用户行为偏好积分值确定推荐目标。
27.在第二方面的一个可选实施方式中，上述可调参数包括分值倍率放大器a、完整度偏移量b、幂数调参值m和积分偏移值k，上述第一用户行为偏好积分值计算单元包括：
28.参数调整子单元，用于调整上述分值倍率放大器a、上述完整度偏移量b、上述幂数
调参值m和上述积分偏移值k中的任意一个或几个的值；
29.公式更新子单元，用于根据调整后的上述分值倍率放大器a、上述完整度偏移量b、上述幂数调参值m和上述积分偏移值k中的任意一个或几个，更新上述具有可调参数的用户行为偏好积分公式；
30.第一用户行为偏好积分值计算子单元，用于根据更新后的上述具有可调参数的用户行为偏好积分公式进行积分计算，得到上述第一用户行为偏好积分值。
31.在第二方面的另一个可选实施方式中，上述第一用户行为偏好积分值发送单元，包括：
32.用户历史行为偏好积分值获取子单元，用于获取用户历史行为偏好积分值；
33.第二用户行为偏好积分值计算子单元，用于根据上述第一用户行为偏好积分值和上述用户历史行为偏好积分值，确定第二用户行为偏好积分值；
34.第二用户行为偏好积分值发送子单元，用于向用户推荐系统发送上述第二用户行为偏好积分值，上述第二用户行为偏好积分值，用于指示上述用户推荐系统根据上述第二用户行为偏好积分值确定推荐目标。
35.在第二方面的另一个可选实施方式中，上述第一用户行为偏好积分值发送单元，还包括：
36.第三用户行为偏好积分值计算子单元，用于当用户行为偏好持续性特征满足衰减条件时，对上述第二用户行为偏好积分值进行减值处理，得到第三用户行为偏好积分值；
37.第三用户行为偏好积分值发送子单元，用于向用户推荐系统发送上述第三用户行为偏好积分值，上述第三用户行为偏好积分值，用于指示上述用户推荐系统根据上述第三用户行为偏好积分值确定推荐目标。
38.在第二方面的另一个可选实施方式中，上述第三用户行为偏好积分值计算子单元用于：
39.根据衰减周期，通过平滑衰减公式对上述第二用户行为偏好积分值进行减值处理。
40.在第二方面的另一个可选实施方式中，上述第三用户行为偏好积分值计算子单元用于：
41.根据衰减周期，通过幂级衰减公式对上述第二用户行为偏好积分值进行减值处理。
42.第三方面，本技术提供一种用户行为偏好积分处理设备，包括处理器、存储器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面或第一方面的任意可选方式上述的方法。
43.第四方面，本技术提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式上述的方法。
44.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在用户行为偏好积分处理设备上运行时，使得用户行为偏好积分处理设备执行上述第一方面上述的用户行为偏好积分处理方法的步骤。
45.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的
相关描述，在此不再赘述。
附图说明
46.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
47.图1是本技术实施例提供的一种用户行为偏好积分处理方法的流程示意图；
48.图2是本技术实施例提供的另一种用户行为偏好积分处理方法的流程示意图；
49.图3是本技术实施例提供的一种用户行为偏好积分处理系统的结构示意图；
50.图4是本技术实施例提供的一种用户行为偏好积分处理设备的结构示意图。
具体实施方式
51.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
52.应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
53.还应当理解，在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
54.在本技术实施例中，将需要进行积分计算的用户画像系统或者其他积分系统，统称为积分系统。本技术实施例在两个不同的积分系统中进行积分关联计算时，可以快速并准确的计算出用户行为偏好的积分值，可以快速并准确地表达有效的用户行为偏好，为用户提供更多感兴趣的推荐目标，达到快速响应的效果，提高了用户体验。
55.请参见图1，图1是本技术实施例提供的一种用户行为偏好积分处理方法的流程示意图，详述如下：
56.步骤s101，提取用户行为偏好特征信息，上述用户行为偏好特征信息包括用户行为偏好完整度特征和用户行为偏好持续性特征。
57.在本技术实施例中，从用户行为信息中提取用户行为偏好信息，尤其是，为了更好的分析用户的行为偏好，获取一个或多个预定周期内的用户行为信息，再从该一个或多个预定周期内的用户行为信息中提取用户行为偏好信息。其中，预定周期为一个时间周期，比如以一小时为一个周期，一天为一个周期，一个星期为一个周期，两个星期为一个周期等。
这里对预定周期不做具体限定
58.为了便于对用户行为偏好特征信息进行量化，以方便计算用户行为偏好的积分值，可以用不同的预设数值对不同用户行为偏好特征进行量化。
59.例如，用户行为偏好完整度特征，用0-1.0之间的第一数值来表示，该第一数值用于推断用户行为偏好的完整度。比如，当用户在某一预定周期内100％看完某个节目时，用1.0表示此时用户行为偏好的完整度为1；当用户在某一预定周期内50％看完某个节目时，用0.5表示此时用户行为偏好的完整度为0.5；当用户在某一预定周期内10％看完某个节目时，用0.1表示此时用户行为偏好的完整度为0.1，以此类推。
60.用户行为偏好持续性特征，用第二数值来表示，第二数值为正整数，该第二数值用于表示用户行为偏好的持续度，比如单个周期内的用户行为偏好持续性特征用1表示，表示用户行为偏好的持续度为1；连续两个周期内的用户行为偏好持续性特征用2表示，表示用户行为偏好的持续度为2，以此类推。
61.需要说明的是，当用户行为偏好的持续度大于1，即用户行为偏好持续性特征为大于1的数值时，用户行为偏好持续性特征对应周期内的用户行为偏好完整度特征进行周期累加。比如，用户行为偏好的持续度为3，即连续3个周期内用户具有相同的行为偏好，每一周期对应的用户行为偏好的完整度为0.9、1.0、0.2，那么该3个周期内用户行为偏好的完整度为2.1，也即0.9、1.0和0.2的和。
62.步骤s102，通过具有可调参数的用户行为偏好积分公式，对上述用户行为偏好特征信息进行积分计算，得到第一用户行为偏好积分值。
63.在本技术实施例中，通过具有可调参数的用户行为偏好积分公式，可以通过调整可调参数的值，其中可调参数包括分值倍率放大器a、完整度偏移量b、幂数调参值m和积分偏移值k，通过调整分值倍率放大器a、完整度偏移量b、幂数调参值m和积分偏移值k中的任意一个或几个的值；再根据调整后的分值倍率放大器a、完整度偏移量b、幂数调参值m和积分偏移值k中的任意一个或几个，更新上述具有可调参数的用户行为偏好积分公式；根据更新后的上述具有可调参数的用户行为偏好积分公式进行积分计算，将用户行为偏好完整度特征和用户行为偏好持续性特征进行量化计算，可以得到用户行为偏好的积分值，即第一用户行为偏好积分值。
64.目前多数计算用户行为偏好积分值的系统通用的计算方法一般是线性计算，通过线性积分公式计算不同的用户行为偏好积分，然而，由于线性计算的特点，使用线性积分计算公式并不能快速地提升用户行为偏好的积分值，也就无法快速确定有效的用户行为偏好。为了快速、高效地表示用户行为偏好特征，具有可调参数的行为偏好积分公式中使用了幂计算，可以快速提升有效用户行为偏好的积分值，相对降低无效用户行为偏好的积分值，从而保证用户行为偏好的积分值更更能高效准确地表达用户的行为偏好。
65.需要说明的是，有效用户行为偏好是指用户行为偏好的完整度加上完整度偏移量之和大于或等于1的用户行为偏好，即增加完整度偏移量后所得的完整度大于或等于1的用户行为偏好。
66.值
67.在这里，具有可调参数的用户行为偏好积分公式为：
68.f＝a*(x b)
(y m)
k
ꢀꢀ
(1)
69.其中，f表示用户行为偏好积分；x表示用户行为偏好完整度特征；y表示用户行为偏好持续性特征；a表示分值倍率放大器；b表示完整度偏移量；m表示幂数调参值；k表示积分偏移值。
70.其中，分值倍率放大器a大于0，其缺省值默认为1；完整度偏移量b，其缺省值为0.2,取值范围为0-1；幂数调参值m，其缺省值为1，取值范围通常大于1；积分偏移值k，其缺省值为0，取值范围通常大于或等于0。
71.需要说明的是，可调参数为可以调节的参数，比如公式(1)中的a、b、m、k，在不同的系统比如用户画像系统或积分系统中进行关联计算时，可以通过调节该可调参数以使得两个不同积分系统的计算得到的积分值在速度或者可比较性上大体相当。
72.在一般情况下，a的值为1，m的值为1，k的值为0。
73.需要说明的是，a的值与关联计算的两个积分系统的积分最大值相关，当两个积分系统的积分最大值相同时，a的值为1，当两个积分系统的积分最大值不相同时，a的值为两个积分系统的积分最大值的比值。例如，积分系统a的积分最大值为200分，积分系统b的积分最大值为400分，当积分系统b需要从积分系统a调用用户行为偏好积分值时，需要将a的值调节为2，即400
÷
200＝2，以保证各个积分系统的行为特征判定一致。
74.在本技术的一些实施例中，对于需要快速地计算出用户行为偏好积分值，或者两个相比较的积分系统的积分最大值不相等时，比如一个积分最大值为500分，另一个积分最大值为1000分，后者的行为偏好积分公式中的分值倍率放大器a可以值为2，以此使两个积分系统的用户行为偏好积分值在计算速度或者可比较性上大体相当，也可以适当增大m和k的值进行调节。下面结合典型周期数据进行举例说明，这时a＝1，b＝0.5。
75.当用户的行为偏好的持续度y为1，即用户行为偏好持续性特征为1时，典型值表如表1所示：
76.完整度x持续度ym＝1k＝0积分值0.11100.360.31100.640.51101.00.71101.440.91101.9611102.25
77.表1
78.由表1可知，在用户的行为偏好的持续度为1的条件下，当用户的行为偏好的完整度x小于0.5时，积分值不超过1分；完整度大于0.5时，积分值在1～2.25之间。
79.当用户的行为偏好的持续度y为2，即用户行为偏好持续性特征为2时，典型值表如表2所示：
80.完整度x持续度ym＝1k＝0积分值0.521011.02103.381.52108221015.6
81.表2
82.由表2可知，在用户的行为偏好的持续度为2的条件下，当完整度x小于0.5时，积分值仍不超过1分；完整度大于0.5时，积分值在1～15.6之间。如果连续2周期完整度都超过75％，即0.75
×
2＝1.5时，积分值大于8分，积分值提升明显，也即在持续度y相同的情况下，完整度x越高，使用具有可调参数的用户行为偏好积分公式计算得到积分值比使用一般线性积分计算公式计算得到的积分值比如x*y＝4明显要大得多，提升了将近4倍。
83.当用户的行为偏好的持续度y为3，即用户行为偏好持续性特征为3时，典型值表如表3所示：
84.完整度x持续度ym＝1k＝0积分值0.531011.03105.061.531016231039.062.2531057.193310150.06
85.表3
86.由表3可知，在用户的行为偏好的持续度为3的条件下，当用户的行为偏好的完整度x小于0.5时，积分值仍不超过1分；完整度大于0.5时，积分值在1～150.06之间。如果连续3个周期完整度都超过75％，即0.75
×
3＝2.25时，积分值为57.19分，积分值提升明显，比如表3中最后一行使用具有可调参数的用户行为偏好积分公式计算得到积分值150.06比使用一般线性积分计算公式计算得到的积分值比如x*y＝9明显要大得多，提升了16倍多。显然，用户行为偏好的完整度越高，持续度越高，积分值的提升更为明显，也就能够快速地通过该积分值表达有效的用户行为偏好，从而抓住用户感兴趣的目标，也就能够为用户提供更多感兴趣的推荐目标。
87.对于用户的行为偏好的持续度y大于3时的典型值表，在此不再做举例。在表1-3中，积分值为用户行为偏好积分值的简称。
88.可以推断的是，对于连续多周期重复的用户行为偏好，即用户行为偏好持续性特征重复相同，且完整度高时，通过公式(1)计算得到的第一用户行为偏好积分值明显呈现出幂级放到效应，可以快速地锁定用户的行为偏好，对于实时推荐系统具有非常重要的指示作用。
89.需要说明的是，参数调节的目的是根据具体的用户行为偏好积分值的使用场景进行调节的。比如当认定一个连续3周期重复即持续度为3且完整度好的用户行为偏好是表示“非常喜欢”的用户行为偏好，推荐系统或者其他系统判定这一用户行为特征为“非常喜欢”的门槛值而加以应用。以上表为例，当前用户行为偏好积分值可以达到150.06分，以75％作为“非常喜欢”的门槛值百分比，则可以计算150.06
÷
75％＝200.08。由此可以确定该积分系统的积分最大值为200分非常合适。如果其他积分系统的积分最大值为1000分，则相应地为了保持各个积分系统的行为特征判定一致，此时，积分最大值为200分的积分系统需要放大5倍，即调节用户行为偏好积分值公式中的参数a为5。
90.在本技术的另一些实施例中，用户行为偏好积分公式中包含了对有效用户行为偏
好的奖励，对无效用户行为偏好的惩罚，可以通过适当调节完整度偏移量b，来约定有效用户行为偏好的取值范围。
91.在一个实际应用场景中，比如用户观看视频的行为中，因为视频一般包括了剧头部分和剧尾部分，用户一般不会100％的看完全部视频内容，所以，当用户观看的视频内容达到90％或以上，即可以认为用户是100％的完成了对该视频内容的观看行为。因此，在实际操作中，需要将观看行为小于90％的完整度进行归一化转换。即：
92.归一化的观看行为的完整度＝小于90％的完整度
÷
0.9
93.当观看行为的完整度大于或等于90％时，该观看行为的完整度为1。
94.需要说明的是，在具有可调参数的用户行为偏好积分公式中，每个可调参数都有其实践上的意义，本技术实施例中也仅仅是引证典型参数值表，仅为公式效果的一部分表达。
95.步骤s103，向用户推荐系统发送上述第一用户行为偏好积分值，上述第一用户行为偏好积分值，用于指示上述用户推荐系统根据上述第一用户行为偏好积分值确定推荐目标。
96.在本技术实施例中，推荐目标包括但不限于影视、商品、音乐等。在通过具有可调参数的用户行为偏好积分公式快速并精准地计算得到用户行为偏好积分值后，将该用户行为偏好积分值发送给用户推荐系统，可以协助用户推荐系统更快更准确地为用户推荐其偏好或感兴趣的目标，提高了用户黏度和使用体验。
97.请参见图2，图2是本技术实施例提供的另一种用户行为偏好积分处理方法的流程示意图。图2所示的方法是在图1所示的方法的基础上，进一步提高发送给用户推荐系统的用户行为偏好积分值的准确度，该方法详述如下：
98.步骤s201，获取用户历史行为偏好积分值。
99.在本技术实施例中，用户历史行为偏好积分值为上一周期记录的用户行为偏好积分值。
100.需要说明的是，用户历史行为偏好积分值为上一周期之前的每个周期计算得到用户行为偏好积分值与上一周期计算得到的用户行为偏好积分值的和，即用户历史行为偏好积分为当前周期之前的多个周期计算的用户行为偏好积分值的和。
101.步骤s202，根据上述第一用户行为偏好积分值和上述用户历史行为偏好积分值，确定第二用户行为偏好积分值。
102.在本技术实施例中，第二用户行为偏好积分值为第一用户行为偏好积分值和用户历史行为偏好积分值的和，也即将用户历史行为偏好积分值累加到第一用户行为偏好积分值中，将最终累加得到的用户行为偏好积分值作为提供给用户系统的参考值。
103.步骤s203，向用户推荐系统发送上述第二用户行为偏好积分值，上述第二用户行为偏好积分值，用于指示上述用户推荐系统根据上述第二用户行为偏好积分值确定推荐目标。
104.在本技术实施例中，累加后得到的第二用户行为偏好积分值发送给用户推荐系统，以方便用户推荐系统能够根据该第二用户行为偏好积分值更精准地为用户推荐服务。
105.为了进一步提高用户行为偏好积分值的准确率，降低无效用户行为偏好对积分值的影响，比如，当用户行为偏好持续性特征连续多个周期未出现时，如连续两个周期或更多
周期未发生同类行为偏好时，用户行为偏好积分值应当进入衰减期，通过衰减机制对计算得到的用户行为偏好积分值进行减值处理。
106.当用户行为偏好持续性特征满足衰减条件时，对第二用户行为偏好积分值进行减值处理，得到第三用户行为偏好积分值，并向用户推荐系统发送第三用户行为偏好积分值。第三用户行为偏好积分值，用于指示上述用户推荐系统根据上述第三用户行为偏好积分值确定推荐目标。
107.在这里，衰减条件为用户行为偏好持续性特征连续两个或两个以上周期未出现，即出现用户行为偏好持续性特征为0满足两次或两次以上时，即认为用户行为偏好持续性特征满足衰减条件。
108.在本技术的一些实施例中，对第二用户行为偏好积分值进行减值处理的方式，可以采用线性缩减，也可以采用幂级缩减，使用户的行为特征快速下降到用户推荐系统所需关注的阈值以下。
109.在本技术的一个具体实施例中，根据衰减周期，通过平滑衰减公式对上述第二用户行为偏好积分值进行减值处理。其中，平滑衰减公式为：
110.f＝f*(1-0.1*y)
111.其中，f为户行为偏好积分值，y为衰减周期。
112.在平滑衰减公式中，衰减后的用户行为偏好积分值为衰减前的用户行为偏好积分值与1减去0.1乘以衰减周期的差所得的乘积。
113.在本技术的一个具体实施例中，根据衰减周期，通过幂级衰减公式对上述第二用户行为偏好积分值进行减值处理。其中，幂级衰减公式为：
114.f＝f*(1-0.1*(dy))
115.其中，f为户行为偏好积分值，d为幂级系数，y为衰减周期。在这里，d＝2。
116.在一个应用场景中，以用户行为偏好积分值最大值为1000为例，当连续两个或两个以上周期没有用户行为偏好持续性特征出现时，则使用上述两个衰减公式，对用户行为偏好积分值进行减值处理，得到的典型值表如表4所示：
117.从表4中可以看出，如果以66.7％(667分)以上为非常喜欢，33.3％(333分)以上为喜欢，33.3％以下为关注状态，那么根据上述典型值表的计算结果，平滑衰减需要第3个周
期衰减到喜欢状态范围，需要第5周期衰减到关注状态；而幂级衰减只需要第2周期衰减到喜欢状态，第3周期衰减到关注状态。由此可见，幂级衰减的衰减速度非常快，只有4个梯度，平滑衰减有9个梯度。
118.由此可见，通过衰减公式，尤其是幂级衰减公式可以快速的对用户行为偏好积分值进行减值处理，快速地降低无效用户行为偏好，将无效用户行为偏好积分值拉离或者调节到用户推荐系统无需保持关注的区间值范围以外，从而达到高效、快速地调节用户推荐系统的数据输出，达到快速响应的效果。
119.在本技术实施例中，基于用户行为偏好完整度特征和用户行为偏好持续性特征，通过具有可调参数的用户行为偏好积分公式进行积分计算，可以快速并准确地得到有效的第一用户行为偏好积分值，并向用户推荐系统发送该第一用户行为偏好积分值，使得用户推荐系统可以快速并准确地为用户提供推荐服务，从而提高了用户推荐系统的用户黏度和用户体验感。
120.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
121.基于上述实施例所提供的用户行为偏好积分处理方法，本技术实施例进一步给出实现上述方法实施例的系统实施例。
122.请参见图3，图3是本技术实施例提供的用户行为偏好积分处理系统的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，用户行为偏好积分处理系统3包括：
123.用户行为偏好特征信息提取单元31，用于提取用户行为偏好特征信息，上述用户行为偏好特征信息包括用户行为偏好完整度特征和用户行为偏好持续性特征；
124.第一用户行为偏好积分值计算单元32，用于通过具有可调参数的用户行为偏好积分公式，对上述用户行为偏好特征信息进行积分计算，得到第一用户行为偏好积分值；
125.第一用户行为偏好积分值发送单元33，用于向用户推荐系统发送上述第一用户行为偏好积分值，上述第一用户行为偏好积分值，用于指示上述用户推荐系统根据上述第一用户行为偏好积分值确定推荐目标。
126.在本技术实施例中，上述可调参数包括分值倍率放大器a、完整度偏移量b、幂数调参值m和积分偏移值k，上述第一用户行为偏好积分值计算单元32包括：
127.参数调整子单元，用于调整上述分值倍率放大器a、上述完整度偏移量b、上述幂数调参值m和上述积分偏移值k中的任意一个或几个的值；
128.公式更新子单元，用于根据调整后的上述分值倍率放大器a、上述完整度偏移量b、上述幂数调参值m和上述积分偏移值k中的任意一个或几个，更新上述具有可调参数的用户行为偏好积分公式；
129.第一用户行为偏好积分值计算子单元，用于根据更新后的上述具有可调参数的用户行为偏好积分公式进行积分计算，得到上述第一用户行为偏好积分值。
130.在本技术的一些实施例中，上述第一用户行为偏好积分值发送单元33，包括：
131.用户历史行为偏好积分值获取子单元，用于获取用户历史行为偏好积分值；
132.第二用户行为偏好积分值计算子单元，用于根据上述第一用户行为偏好积分值和上述用户历史行为偏好积分值，确定第二用户行为偏好积分值；
133.第二用户行为偏好积分值发送子单元，用于向用户推荐系统发送上述第二用户行为偏好积分值，上述第二用户行为偏好积分值，用于指示上述用户推荐系统根据上述第二用户行为偏好积分值确定推荐目标。
134.在本技术的另一些实施例中，上述第一用户行为偏好积分值发送单元33，还包括：
135.第三用户行为偏好积分值计算子单元，用于当用户行为偏好持续性特征满足衰减条件时，对上述第二用户行为偏好积分值进行减值处理，得到第三用户行为偏好积分值；
136.第三用户行为偏好积分值发送子单元，用于向用户推荐系统发送上述第三用户行为偏好积分值，上述第三用户行为偏好积分值，用于指示上述用户推荐系统根据上述第三用户行为偏好积分值确定推荐目标。
137.在本技术的另一些实施例中，上述第三用户行为偏好积分值计算子单元具体用于：
138.根据衰减周期，通过平滑衰减公式对上述第二用户行为偏好积分值进行减值处理。
139.在本技术的另一些实施例中，上述第三用户行为偏好积分值计算子单元具体用于：
140.根据衰减周期，通过幂级衰减公式对上述第二用户行为偏好积分值进行减值处理。
141.需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
142.图4是本技术实施例提供的用户行为偏好积分处理设备的示意图。如图4所示，该实施例的用户行为偏好积分处理设备4包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42，例如语音识别程序。处理器40执行计算机程序42时实现上述各个用户行为偏好积分处理方法实施例中的步骤，例如图1所示的步骤101-103。或者，处理器40执行计算机程序42时实现上述各系统实施例中各模块/单元的功能，例如图3所示单元31-33的功能。
143.示例性的，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在用户行为偏好积分处理设备4中的执行过程。例如，计算机程序42可以被分割成用户行为偏好特征信息提取单元31、第一用户行为偏好积分值计算单元32、第一用户行为偏好积分值发送单元33，各单元具体功能请参阅图1对应的实施例中地相关描述，此处不赘述。
144.用户行为偏好积分处理设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是用户行为偏好积分处理设备4的示例，并不构成对用户行为偏好积分处理设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如用户行为偏好积分处理设备还可以包括输入输出设备、网络接入设备、总线等。
145.所称处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
146.存储器41可以是用户行为偏好积分处理设备4的内部存储单元，例如用户行为偏好积分处理设备4的硬盘或内存。存储器41也可以是用户行为偏好积分处理设备4的外部存储设备，例如用户行为偏好积分处理设备4上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器41还可以既包括用户行为偏好积分处理设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及用户行为偏好积分处理设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
147.本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时可实现上述用户行为偏好积分处理方法。
148.本技术实施例提供了一种计算机程序产品，当计算机程序产品在用户行为偏好积分处理设备上运行时，使得用户行为偏好积分处理设备执行时实现可实现上述用户行为偏好积分处理方法。
149.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
150.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
151.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
152.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。