一种行为活动分析方法及系统与流程

1.本发明涉及一种方法及系统，特别涉及一种行为活动分析方法及系统。


背景技术：

2.1978年以来，我国文娱产业历经了40多年的发展，总共经历了起步阶段、初级发展阶段、快速发展阶段以及产业爆发阶段。现在人们生活水平提高，会去参加各种文娱活动丰富自己生活，但是用户去过文娱活动后市场没有对此类数据再深度利用分析。


技术实现要素：

3.为了解决上述问题，本发明提供一种行为活动分析方法及系统，实现了文娱方面的行为活动评估，在兴趣点推荐方面有较高的准确性，有效帮助用户匹配同好活动，扩展用户的社交圈，丰富用户文娱生活。
4.为实现上述目的，本发明提供如下技术方案：
5.一种行为活动分析方法，所述方法包括：
6.采集历史文娱活动数据信息；
7.提取文娱活动数据信息中的兴趣指标数据，将所述兴趣指标数据转化为标准指标数值后填入预先设定的指标文本中形成兴趣指标集合；
8.根据文娱活动数据信息对应的各项兴趣指标比率最大值，确定当前用户对各项文娱活动密切相关的积极性因素的等级；
9.基于所述积极性因素的等级和兴趣指标集合，确定相应的兴趣点；
10.对兴趣点进行分类，分析各类兴趣点的相关特征，挖掘用户-兴趣点之间的耦合关系；
11.将和用户-兴趣点耦合关系输入到一个全连接网络中，进行兴趣点推荐。
12.优选的，所述文娱活动数据信息包括活动内容、活动地点、表现形式、社交信息、用户对热点的评论信息、参与文娱活动的途径；
13.所述文娱活动数据信息对应的各项兴趣指标包括：文娱活动参与率，才艺获奖率和等级水平认证率。
14.优选的，所述根据文娱活动数据信息对应的各项兴趣指标比率最大值，确定对各项文娱活动密切相关的积极性因素的等级包括：
[0015][0016]
其中，w表示文娱活动数据信息对应的各项兴趣指标比率最大值，x1,x2,x3,x4表示对各项文娱活动密切相关的积极性因素的四个等级，依次为非常爱好、中度爱好、爱好和一般爱好的程度。
[0017]
优选的，所述提取文娱活动数据信息中的兴趣指标数据，将所述兴趣指标数据转化为标准指标数值后填入预先设定的指标文本中形成兴趣指标集合，包括：
[0018]
根据活动内容、活动地点、表现形式、参与文娱活动的途径，获得对应的兴趣指标数据，所述兴趣指标数据标注有兴趣指标类别，一种指标类别对应一种兴趣指标，每个在兴趣指标包含至少一个子级指标；
[0019]
将不同指标类别的兴趣指标数据转化为标准指标数值，确定每个所述标准指标数值对应的子级指标，将所述标准指标数值写入各子级指标对应的指标文本中，连接各个子级指标的指标文本得到单类指标文本；
[0020]
连接所有单项指标文本得到形成兴趣指标集合。
[0021]
进一步地，所述将兴趣指标数据转化为标准指标数值包括：
[0022]
根据所述兴趣指标数据确定数量级；
[0023]
根据所述数量级对所述兴趣指标数据进行进位处理，并添加与所述数量级对应的单位词得到标准指标数值。
[0024]
优选的，所述对兴趣点进行分类，分析各类兴趣点的相关特征包括：采用k-means算法，对兴趣点进行聚类，使得内容相近的兴趣点被聚为一类，每类兴趣点有一个相应的类标签，用于标识兴趣点与用户的属性之间进行显式关联关系。
[0025]
优选的，所述挖掘用户-兴趣点之间的耦合关系包括：通过预先建立的卷积神经网络模型学习用户与兴趣点在属性上的显式关联关系；
[0026]
根据用户对兴趣点的签到数据，学习用户与兴趣点之间的隐式关联关系；
[0027]
将用户和兴趣点的显式和隐式关联关系集成到一起，表征用户-兴趣点之间的耦合关系。
[0028]
进一步地，所述采用k-means算法，对兴趣点进行聚类包括：
[0029]
从兴趣点集合中随机选取k个兴趣点作为初始的聚类中心；计算每个兴趣点与各个聚类中心之间的距离，把每个兴趣点分配给距离它最近的聚类中心，聚类中心以及分配给它们的兴趣点就代表一个聚类，每个聚类的聚类中心根据聚类中现有的兴趣点被重新计算，直到满足k-means聚类的终止条件。
[0030]
进一步地，通过下式计算剩余兴趣点到聚类中心的欧式距离ρ，将最接近的兴趣点放入类别中，形成新的类；
[0031][0032]
其中，v
i.λ
＝(lati,loni)和v
j.λ
＝(latj,lonj)分别为兴趣点数据集v＝{v1,v2,
…
,vn}中的两个兴趣点。
[0033]
一种行为活动分析系统，所述系统包括：
[0034]
采集模块，用于采集历史文娱活动数据信息；
[0035]
处理模块，用于提取文娱活动数据信息中的兴趣指标数据，将所述兴趣指标数据转化为标准指标数值后填入预先设定的指标文本中形成兴趣指标集合；
[0036]
第一确定模块，用于根据文娱活动数据信息对应的各项兴趣指标比率最大值，确定当前用户对各项文娱活动密切相关的积极性因素的等级；
[0037]
第二确定模块，用于基于所述积极性因素的等级和兴趣指标集合，确定相应的兴
趣点；
[0038]
挖掘模块，用于对兴趣点进行分类，分析各类兴趣点的相关特征，挖掘用户-兴趣点之间的耦合关系；
[0039]
推荐模块，用于将和用户-兴趣点耦合关系输入到一个全连接网络中，进行兴趣点推荐。
[0040]
本发明的技术效果和优点：
[0041]
本发明实施例提供的一种行为活动分析方法及系统，通过采集历史文娱活动数据信息，提取文娱活动数据信息中的兴趣指标数据以及用户对于参与各类文娱活动的积极性因素的等级，从而确定兴趣点并对兴趣点进行有效分析。填补了现有技术中鲜有对文娱活动数据评估的方法和途径。
[0042]
综合考虑了用户和兴趣点之间的耦合关系，集成了用户与兴趣点之间的显式和隐式关联关系，通过一个卷积神经网络模型，实现了用户属性与兴趣点属性的显式关联关系捕获。与现有技术相比，本文提出的兴趣点推荐准确度和个性化程度更高，达到了更好的推荐效果。有效帮助用户匹配同好活动，扩展用户的社交圈，丰富用户文娱生活。
附图说明
[0043]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0044]
图1为本发明的一种行为活动分析方法流程图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
[0046]
实施例1：本具体实施方式中，提供一种行为活动分析方法，如图1所示，所述方法包括：
[0047]
s1采集历史文娱活动数据信息；
[0048]
s2提取文娱活动数据信息中的兴趣指标数据，将所述兴趣指标数据转化为标准指标数值后填入预先设定的指标文本中形成兴趣指标集合；
[0049]
s3根据文娱活动数据信息对应的各项兴趣指标比率最大值，确定当前用户对各项文娱活动密切相关的积极性因素的等级；
[0050]
s4基于所述积极性因素的等级和兴趣指标集合，确定相应的兴趣点；
[0051]
s5对兴趣点进行分类，分析各类兴趣点的相关特征，挖掘用户-兴趣点之间的耦合关系；
[0052]
s6将和用户-兴趣点耦合关系输入到一个全连接网络中，进行兴趣点推荐。
[0053]
步骤s1中，采集的历史文娱活动数据信息包括活动内容、活动地点、表现形式、社交信息、用户对热点的评论信息、参与文娱活动的途径等；采集的方式包括提交演出观演凭
证和正在参加的演出位置信息。
[0054]
步骤s2中，提取的文娱活动数据信息对应的各项兴趣指标包括：文娱活动参与率，才艺获奖率和等级水平认证率等。
[0055]
步骤s2提取文娱活动数据信息中的兴趣指标数据，将所述兴趣指标数据转化为标准指标数值后填入预先设定的指标文本中形成兴趣指标集合，包括：
[0056]
根据活动内容、活动地点、表现形式、参与文娱活动的途径，获得对应的兴趣指标数据，所述兴趣指标数据标注有兴趣指标类别，一种指标类别对应一种兴趣指标，每个在兴趣指标包含至少一个子级指标；
[0057]
将不同指标类别的兴趣指标数据转化为标准指标数值，确定每个所述标准指标数值对应的子级指标，将所述标准指标数值写入各子级指标对应的指标文本中，连接各个子级指标的指标文本得到单类指标文本；
[0058]
连接所有单项指标文本得到形成兴趣指标集合。
[0059]
其中，所述将兴趣指标数据转化为标准指标数值包括：
[0060]
根据所述兴趣指标数据确定数量级；
[0061]
根据所述数量级对所述兴趣指标数据进行进位处理，并添加与所述数量级对应的单位词得到标准指标数值。
[0062]
步骤s3中，根据文娱活动数据信息对应的各项兴趣指标比率最大值，确定对各项文娱活动密切相关的积极性因素的等级包括：
[0063][0064]
其中，w表示文娱活动数据信息对应的各项兴趣指标比率最大值，x1,x2,x3,x4表示对各项文娱活动密切相关的积极性因素的四个等级，依次为非常爱好、中度爱好、爱好和一般爱好的程度。
[0065]
步骤s5中，对兴趣点进行分类，分析各类兴趣点的相关特征包括：采用k-means算法，对兴趣点进行聚类，使得内容相近的兴趣点被聚为一类，每类兴趣点有一个相应的类标签，用于标识兴趣点与用户的属性之间进行显式关联关系。
[0066]
其中，采用k-means算法，对兴趣点进行聚类包括：
[0067]
从兴趣点集合中随机选取k个兴趣点作为初始的聚类中心；计算每个兴趣点与各个聚类中心之间的距离，把每个兴趣点分配给距离它最近的聚类中心，聚类中心以及分配给它们的兴趣点就代表一个聚类，每个聚类的聚类中心根据聚类中现有的兴趣点被重新计算，直到满足k-means聚类的终止条件。
[0068]
基于k-means算法的兴趣点聚类的处理过程如下:
[0069]
1)从兴趣点集合中随机选择k个兴趣点作为初始聚类中心。
[0070]
2)通过下式计算剩余兴趣点到聚类中心的欧式距离ρ，将最接近的兴趣点放入类别中，形成新的类；
[0071]
[0072]
其中，v
i.λ
＝(lati,loni)和v
j.λ
＝(latj,lonj)分别为兴趣点数据集v＝{v1,v2,
…
,vn}中的两个兴趣点。
[0073]
3)取当前聚类中所有兴趣点经纬度的均值作为新的中心点，更新距离聚类中心最近的兴趣点；
[0074]
4)直到目标函数收敛或聚类中心不变，否则将转移到步骤2)。
[0075]
5)输出兴趣点聚类结果。
[0076]
步骤s6中，挖掘用户-兴趣点之间的耦合关系包括：通过预先建立的卷积神经网络模型学习用户与兴趣点在属性上的显式关联关系；
[0077]
根据用户对兴趣点的签到数据，学习用户与兴趣点之间的隐式关联关系；
[0078]
将用户和兴趣点的显式和隐式关联关系集成到一起，表征用户-兴趣点之间的耦合关系。
[0079]
其中，卷积神经网络的模型由卷积层和池化层组成，卷积层和池化层可以提取更深层次的特征，其执行方式为：
[0080]ap
＝pooling(g(w*xc b))
[0081]
式中：*为卷积算子；w为滤波器；b为w的偏置；g为非线性激活函数；pooling为池化函数(例如，最大池化或者平均池化)。
[0082]
在此基础上，将用户-兴趣点的关联矩阵展平成一个向量，作为一个全局的显式关联向量，并将其与局部的显式关联向量连接起来，进而综合表征用户-兴趣点的显式关联关系。
[0083]
实施例2:
[0084]
基于同一技术构思，本发明具体实施方式中还提供一种行为活动分析系统，包括：
[0085]
采集模块，用于采集历史文娱活动数据信息；
[0086]
处理模块，用于提取文娱活动数据信息中的兴趣指标数据，将所述兴趣指标数据转化为标准指标数值后填入预先设定的指标文本中形成兴趣指标集合；
[0087]
第一确定模块，用于根据文娱活动数据信息对应的各项兴趣指标比率最大值，确定当前用户对各项文娱活动密切相关的积极性因素的等级；
[0088]
第二确定模块，用于基于所述积极性因素的等级和兴趣指标集合，确定相应的兴趣点；
[0089]
挖掘模块，用于对兴趣点进行分类，分析各类兴趣点的相关特征，挖掘用户-兴趣点之间的耦合关系；
[0090]
推荐模块，用于将和用户-兴趣点耦合关系输入到一个全连接网络中，进行兴趣点推荐。
[0091]
最后应当说明的是：以上实施例虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。