本發明涉及數字數據處理，尤其涉及一種面向精準商務合作的多維用戶行為特征挖掘與推薦方法及系統。

背景技術：

1、隨著信息技術的飛速發展，商務合作的需求日益增加，尤其是在b2b領域。傳統的商務資源獲取方式多依賴于人工推薦、推銷員和客戶經理的主動推薦，但這些方式存在信息獲取不及時、推薦不精準的問題。

2、目前，已有的資源推薦算法主要集中在電商領域，例如基于用戶歷史購買記錄的協同過濾算法，基于內容的推薦等。然而，這些算法大多數都是針對消費者的購買行為進行優化，并沒有專門針對商務合作領域進行改進。商務合作資源往往具有復雜的特征，包括用戶的商業需求、行業類別、資源類型等。因此，如何根據用戶需求和資源特征提供精準的合作資源推薦，成為當前技術中的一大難題。

技術實現思路

1、本發明的目的在于提供一種面向精準商務合作的多維用戶行為特征挖掘與推薦方法及系統，旨在可以結合用戶數據和資源數據的特征自動進行匹配和推薦，從而提高資源推薦的準確性，從而提高成交效率。

2、為實現上述目的，第一方面，本發明提供了一種面向精準商務合作的多維用戶行為特征挖掘與推薦方法，包括實時收集用戶行為數據、資源特征數據和成交數據，所述用戶行為數據包括用戶身份數據、用戶搜索數據、瀏覽數據、點擊數據；所述資源特征數據提取自資源數據，所述資源特征數據包括行業數據、合作模式數據、資源類型數據、資源需求數據；

3、基于用戶行為數據，通過第一聚類算法構建用戶畫像類型，所述用戶畫像特征包括用戶的行業背景、瀏覽偏好、點擊頻率和需求類型；

4、基于資源特征數據，通過第二聚類算法構建資源畫像，所述資源畫像特征包括資源的行業類型、資源類型、資源潛在合作伙伴；

5、基于某一類型用戶畫像對應的成交數據提取成交特征組；

6、將成交特征組的特征和資源畫像進行匹配，得到推薦資源畫像；

7、基于推薦資源畫像將對應的資源數據推送到客戶；

8、基于所有客戶的反饋對資源數據進行評分。

9、其中，所述實時收集用戶行為數據、資源特征數據和成交數據的具體步驟包括：

10、在資源聚合平臺中提取資源特征數據；

11、記錄用戶在資源聚合平臺中產生的用戶行為數據；

12、當用戶成交后，將用戶行為數據和對應的資源特征數據聯系為成交數據；

13、用消息隊列實時地將用戶行為數據和成交數據傳遞上位機；

14、對資源特征數據、用戶行為數據和成交數據進行預處理。

15、其中，所述基于用戶行為數據，通過第一聚類算法構建用戶畫像類型的具體步驟包括：

16、將用戶行為數據標準化，得到標準用戶數據；

17、使用k-means算法對標準用戶數據進行聚類，得到第一聚類結果；

18、基于第一聚類結果定義出不同類型的用戶畫像。

19、其中，所述基于資源特征數據，通過第二聚類算法構建資源畫像的具體步驟包括：

20、獲取與資源畫像相關的資源畫像特征數據；

21、使用層次聚類算法對資源畫像特征數據進行聚類，得到第二聚類結果；

22、分析第二聚類結果中每個簇內資源的共同特征得到不同類型的資源畫像。

23、其中，所述基于某一類型用戶畫像對應的成交數據提取成交特征組的具體步驟包括：

24、從成交數據中提取資源特征數據；

25、根據用戶畫像類型從資源特征數據中過濾出相關成交數據；

26、對相關成交數據進行歸一化處理，得到處理成交數據；

27、基于處理成交數據提取成交特征組。

28、其中，所述將成交特征組的特征和資源畫像進行匹配，得到推薦資源畫像的具體步驟包括：

29、創建一個匹配矩陣，匹配矩陣中的行代表用戶，列代表資源，每個單元格包含用戶對資源的行為數據；

30、選擇余弦相似度計算用戶之間的相似度；

31、根據相似度得分，找出與目標用戶最相似的一組用戶；

32、基于所述一組用戶對應的成交特征組的特征和資源畫像計算資源相似度；

33、按照資源相似度對候選資源進行排序；

34、從排序后的資源中選出前n個作為推薦給用戶的資源畫像，得到資源列表。

35、其中，所述基于推薦資源畫像將對應的資源數據推送到客戶的具體步驟包括：

36、獲取推薦的資源列表；

37、根據客戶的偏好對資源列表進行進一步的定制化，得到定制列表；

38、根據對應的推送平臺將定制列表發送給客戶。

39、其中，所述基于所有客戶的反饋對資源數據進行評分的具體步驟包括：

40、在資源聚合平臺中收集客戶反饋信息；

41、去除客戶反饋信息中無效反饋記錄；

42、根據客戶反饋信息中每項分數以及對應的權重計算資源數據評分。

43、第二方面，本發明還提供一種面向精準商務合作的多維用戶行為特征挖掘與推薦系統，包括數據收集模塊、用戶畫像生成模塊、資源畫像生成模塊、成交特征生成模塊、推薦資源畫像生成模塊、推送模塊和評分模塊；

44、所述數據收集模塊，用于實時收集用戶行為數據、資源特征數據和成交數據，所述用戶行為數據包括用戶身份數據、用戶搜索數據、瀏覽數據、點擊數據；所述資源特征數據提取自資源數據，所述資源特征數據包括行業數據、合作模式數據、資源類型數據、資源需求數據；

45、所述用戶畫像生成模塊，用于基于用戶行為數據，通過第一聚類算法構建用戶畫像類型，所述用戶畫像特征包括用戶的行業背景、瀏覽偏好、點擊頻率和需求類型；

46、所述資源畫像生成模塊，用于基于資源特征數據，通過第二聚類算法構建資源畫像，所述資源畫像特征包括資源的行業類型、資源類型、資源潛在合作伙伴；

47、所述成交特征生成模塊，用于基于某一類型用戶畫像對應的成交數據提取成交特征組；

48、所述推薦資源畫像生成模塊，用于將成交特征組的特征和資源畫像進行匹配，得到推薦資源畫像；

49、所述推送模塊，用于基于推薦資源畫像將對應的資源數據推送到客戶；

50、所述評分模塊，用于基于所有客戶的反饋對資源數據進行評分。

51、本發明的一種面向精準商務合作的多維用戶行為特征挖掘與推薦方法及系統，系統首先部署一系列的數據收集機制，用于捕捉用戶在平臺上的所有活動，如瀏覽歷史、點擊次數、停留時間等；同時也會收集關于平臺上各種資源的信息，例如行業分類、產品特點和服務詳情；此外，還會追蹤每筆成功的交易情況，包括但不限于交易金額、交易頻率和合作伙伴信息。基于所收集到的用戶行為數據，采用第一聚類算法對用戶進行細分，形成不同類型的用戶畫像。每個用戶畫像都會包含詳盡的描述性信息，如所屬行業背景、偏好商品類別、頁面訪問模式、具體需求類型等。這有助于深入理解每一位用戶的獨特需求和興趣點。同樣地，對于平臺上提供的各類資源，也將運用聚類算法對其進行分析，以建立詳細的資源畫像。針對某一特定類型的用戶畫像，進一步分析與其相關的成交案例，從中提煉出一組具有代表性的成交特征。這些特征可以揭示哪些因素最有促成交易的發生，并為后續的推薦提供依據。將上述獲得的成交特征組同已有的資源畫像進行比對，尋找最佳匹配項，從而生成推薦資源畫像。

52、根據最終確定的推薦資源畫像，選擇相應的資源并向目標客戶群發送詳細資料。此步驟利用個性化定制的方式提高信息的相關性和吸引力，增加潛在客戶的響應率。最后讓所有參與過推薦流程的客戶對其接收到的資源給出評價。這種反饋不僅可以作為評估推薦效果的重要指標，也能幫助優化未來的推薦策略，使之更加貼合市場需求變化和個人偏好。通過這樣一個循環迭代的過程，該方法能夠不斷學習并適應新的趨勢，為用戶提供越來越精準的服務體驗。從而可以結合用戶數據和資源數據的特征自動進行匹配和推薦，從而提高資源推薦的準確性，從而提高成交效率。