本發明涉及交互管理，具體為一種基于人工智能的線上自媒體交互管理系統及方法。

背景技術：

1、隨著人工智能和大數據技術的飛速發展，線上自媒體成為人們獲取信息、交流觀點以及娛樂的重要平臺；然而，由于線上內容的海量與復雜性，用戶在瀏覽時面臨信息過載的問題；為了解決這一問題，許多自媒體平臺嘗試結合用戶的瀏覽記錄、內容偏好和行為模式，利用人工智能技術優化內容推薦系統；然而，現有推薦算法多集中于簡單的協同過濾或基于用戶畫像的分類方式，這些技術難以深度挖掘用戶行為背后的規律性特征；此外，隨著用戶交互行為的多樣化，傳統推薦模型在處理時間序列分析和高頻內容識別方面表現出一定的局限性，導致推薦結果的精準度和用戶滿意度受限。

2、現有的推薦技術通常依賴靜態用戶畫像，忽略了用戶偏好在不同時間段的動態變化；例如，用戶在短時間內可能對特定類型內容表現出高關注度，而傳統技術無法及時捕捉并響應這些波動特性；此外，現有技術對用戶行為數據的處理也較為粗放，缺乏對瀏覽內容種類與時間標簽間關系的深入挖掘；這些不足導致內容推薦系統在精準性和實用性上存在明顯的短板，而用戶的個性化需求得不到充分滿足。

技術實現思路

1、本發明的目的在于提供一種基于人工智能的線上自媒體交互管理系統及方法，以解決上述背景技術中提出的問題。

2、為了解決上述技術問題，本發明提供如下技術方案：

3、一種基于人工智能的線上自媒體交互管理方法，本方法包括以下步驟：經用戶授權后，獲取用戶在線上自媒體中的網絡日志，提取用戶在歷史線上活動時的起始時間、終止時間和瀏覽內容種類；構建瀏覽內容種類集和活動信息關聯庫；初始化用戶的線上活動歷史時間序列，對所述起始時間、終止時間和瀏覽內容種類附加時間標簽；計算所述內容種類在歷史線上活動內的時長占比，并構建內容種類—時長占比坐標系和內容占比波動曲線；獲取所述內容占比波動曲線的波峰對應的高頻內容種類，構建高頻內容種類集；計算所述高頻內容種類在用戶下一次線上活動時的出現概率，預設閾值，分析并推薦內容種類。

4、作為本發明所述一種基于人工智能的線上自媒體交互管理方法的一種優選方案，經用戶授權后，獲取用戶在線上自媒體中進行線上活動時的網絡日志，從所述網絡日志中提取所述用戶在單次線上活動時的起始時間和終止時間，并利用自然語言處理技術提取所述用戶在所述單次線上活動時的全部瀏覽內容種類，構建瀏覽內容種類集。

5、將所述用戶在所述單次線上活動時的起始時間、終止時間和瀏覽內容種類集進行關聯，構建用戶在所述單次線上活動時產生的活動檔案，所述活動檔案內記錄有關聯后的用戶在單次線上活動時的起始時間、終止時間和瀏覽內容種類集；構建活動信息關聯庫，所述活動信息關聯庫以時間順序依次記錄用戶在每次線上活動時產生的所述活動檔案。

6、作為本發明所述一種基于人工智能的線上自媒體交互管理方法的一種優選方案，初始化用戶的線上活動歷史時間序列，記為ti＝{yt|t∈[1,t]}，其中，yt表示用戶的第t次歷史線上活動，t表示用戶的歷史線上活動總次數。

7、基于所述活動信息關聯庫，提取用戶在歷史線上活動yt時產生的活動檔案，將所述活動檔案中記錄的瀏覽內容種類集記為q[st(yt)→et(yt)]，其中，st(yt)表示用戶在歷史線上活動yt時的起始時間，et(yt)表示用戶在歷史線上活動yt時的終止時間，且q[st(yt)→et(yt)]＝{bca(yt)|a∈[1,a]}，其中，bca(yt)表示用戶在歷史線上活動yt時的瀏覽的第a個內容種類，a表示用戶在歷史線上活動yt時的瀏覽的內容種類總數。

8、作為本發明所述一種基于人工智能的線上自媒體交互管理方法的一種優選方案，基于用戶在歷史線上活動yt時瀏覽的內容種類bca(yt)，計算內容種類bca(yt)在歷史線上活動yt內的時長占比，計算公式如下：

9、

10、其中，pa(yt)表示內容種類bca(yt)在歷史線上活動yt內的時長占比，表示用戶在歷史線上活動yt時瀏覽內容種類bca(yt)的時長。

11、通過用戶在歷史線上活動yt時瀏覽的每個內容種類的時長占比，并構建內容種類—時長占比坐標系。

12、所述內容種類—時長占比坐標系的橫坐標為用戶在歷史線上活動yt時瀏覽的內容種類，所述內容種類—時長占比坐標系的縱坐標為用戶在歷史線上活動yt時內容種類對應的時長占比。

13、需要說明的是，該公式計算的是內容種類bca(yt)在歷史線上活動yt內的時長占比。分子表示用戶在歷史線上活動yt時瀏覽內容種類bca(yt)的時長，分母et(yt)-st(yt)表示歷史線上活動yt的總時長；通過計算內容種類的時長占比，可以了解用戶在特定線上活動時間段內對不同內容種類的偏好程度，進而為后續的用戶行為分析和內容推薦提供基礎數據；在實際應用中，例如在線媒體平臺，通過該公式可以分析出用戶在不同時間段內對新聞、視頻、文章等不同內容類型的瀏覽時長占比，從而平臺可以根據這些數據優化內容推薦策略，提高用戶體驗；例如，如果發現用戶在晚上7-9點對視頻內容的時長占比很高，平臺可以在這個時間段優先推薦熱門視頻。

14、獲取所述內容種類—時長占比坐標系中內容種類和內容種類對應的時長占比的坐標點；獲取全部坐標點，并依次進行連接，構成波動曲線，將所述波動曲線記為線上活動yt時的內容占比波動曲線crc(yt)。

15、獲取內容占比波動曲線crc(yt)的波峰對應的內容種類，記為高頻內容種類bca,top[crc(yt)]，其中，bca,top[crc(yt)]表示內容占比波動曲線crc(yt)的高頻內容種類為第a個內容種類；令t＝t+1，獲取用戶在歷史共t次線上活動時的全部高頻內容種類，構建高頻內容種類集，記為hcc＝{bca,top[crc(yt)]|a∈[1,a],t∈[1,t]}。

16、需要說明的是，首先通過對用戶歷史線上活動中內容瀏覽時長占比的分析，確定不同內容種類的占比情況，進而從內容占比波動曲線中找出波峰對應的內容種類，有助于篩選出用戶最感興趣或者最常瀏覽的內容種類，這些高頻內容種類是后續進行精準內容推薦的關鍵，例如在一個電商平臺上，通過這種方式可以找出用戶最常瀏覽的商品類別，如電子產品、服裝等；且，為用戶行為分析提供重要依據，平臺可以根據高頻內容種類了解用戶的核心需求和消費傾向；在實際電商運營中，通過確定高頻內容種類，平臺可以針對這些熱門商品類別進行優化展示，如在首頁推薦、個性化推薦等位置重點展示用戶感興趣的商品類別，提高商品的曝光率和銷售轉化率；同時，對于營銷活動的策劃也有指導意義，例如針對高頻瀏覽的商品類別開展促銷活動，吸引更多用戶參與。

17、作為本發明所述一種基于人工智能的線上自媒體交互管理方法的一種優選方案，基于高頻內容種類集hcc＝{bca,top[crc(yt)]|a∈[1,a],t∈[1,t]}，計算高頻內容種類bca,top[crc(yt)]在用戶下一次線上活動yt+1時的出現概率，計算公式如下：

18、

19、其中，p(bca,top[crc(yt+1)]|hcc)表示高頻內容種類bca,top[crc(yt)]在用戶下一次線上活動yt+1時的出現概率，p(bca,top[crc(yt+1)]∩hcc)表示高頻內容種類bca,top[crc(yt)]在高頻內容種類集hcc中出現的概率，p(hcc)表示高頻內容種類集hcc出現的概率。

20、需要說明的是，該公式實現對用戶下一次線上活動行為的預測，尤其是對用戶可能感興趣的內容的預測；例如在社交媒體平臺上，通過這種方式可以預測用戶下一次登錄時可能感興趣的熱門話題或內容類型；為內容推薦系統提供決策依據，使推薦系統能夠提前準備并推送用戶可能感興趣的內容；在社交媒體運營中，能夠提前準備好用戶可能感興趣的內容，提高內容推送的及時性和準確性；例如，如果預測到用戶下一次登錄時對某一類型的新聞(如科技新聞)有較高概率感興趣，平臺可以提前將相關新聞推送給用戶，增加用戶對平臺的粘性和活躍度，同時提升用戶對推薦內容的滿意度。

21、預設概率閾值，若高頻內容種類bca,top[crc(yt)]在用戶下一次線上活動yt+1時的出現概率p(bca,top[crc(yt+1)]|hcc)大于概率閾值，則在用戶下一次線上活動yt+1時，優先為用戶推薦第a個內容種類。

22、需要說明的是，通過設定概率閾值，對預測出的高頻內容種類在下一次線上活動出現的概率進行篩選，當概率大于設定的閾值時，認為該內容種類有足夠高的可能性被用戶感興趣，從而進行優先推薦；通過該步驟避免過度推薦或推薦不相關內容，提高推薦的精準度，例如在在線音樂平臺上，通過設置概率閾值，可以確保推薦給用戶的音樂是用戶真正有可能喜歡的，而不是隨意推薦大量音樂，且能夠優化推薦系統的性能，減少不必要的計算和推薦操作，提升系統運行效率。

23、一種基于人工智能的線上自媒體交互管理系統，本系統包括：用戶活動數據采集模塊、歷史活動信息處理模塊、內容分析與特征提取模塊和內容推薦與優化模塊。

24、所述用戶活動數據采集模塊：經用戶授權后，獲取用戶在線上自媒體中的網絡日志，提取用戶在歷史線上活動時的起始時間、終止時間和瀏覽內容種類；構建瀏覽內容種類集和活動信息關聯庫。

25、所述歷史活動信息處理模塊：初始化用戶的線上活動歷史時間序列，對所述起始時間、終止時間和瀏覽內容種類附加時間標簽。

26、所述內容分析與特征提取模塊：計算所述內容種類在歷史線上活動內的時長占比，并構建內容種類—時長占比坐標系和內容占比波動曲線；獲取所述內容占比波動曲線的波峰對應的高頻內容種類，構建高頻內容種類集。

27、所述內容推薦與優化模塊：計算所述高頻內容種類在用戶下一次線上活動時的出現概率，預設閾值，分析并推薦內容種類。

28、進一步的，所述用戶活動數據采集模塊包括日志提取單元和活動信息關聯庫生成單元。

29、所述日志提取單元：經用戶授權后，獲取用戶在線上自媒體中進行線上活動時的網絡日志，從所述網絡日志中提取所述用戶在單次線上活動時的起始時間和終止時間，并利用自然語言處理技術提取所述用戶在所述單次線上活動時的全部瀏覽內容種類，構建瀏覽內容種類集。

30、所述活動信息關聯庫生成單元：將所述用戶在所述單次線上活動時的起始時間、終止時間和瀏覽內容種類集進行關聯，構建用戶在所述單次線上活動時產生的活動檔案，所述活動檔案內記錄有關聯后的用戶在單次線上活動時的起始時間、終止時間和瀏覽內容種類集；構建活動信息關聯庫，所述活動信息關聯庫以時間順序依次記錄用戶在每次線上活動時產生的所述活動檔案。

31、進一步的，所述歷史活動信息處理模塊包括編碼單元。

32、所述編碼單元：初始化用戶的線上活動歷史時間序列，基于所述活動信息關聯庫，提取用戶在歷史線上活動時產生的活動檔案，將所述活動檔案中記錄的瀏覽內容種類集進行編碼。

33、進一步的，所述內容分析與特征提取模塊包括坐標系構建單元和高頻內容種類集構建單元。

34、所述坐標系構建單元：基于用戶在歷史線上活動時瀏覽的內容種類，計算內容種類在歷史線上活動內的時長占比；通過用戶在歷史線上活動時瀏覽的每個內容種類的時長占比，并構建內容種類—時長占比坐標系；所述內容種類—時長占比坐標系的橫坐標為用戶在歷史線上活動時瀏覽的內容種類，所述內容種類—時長占比坐標系的縱坐標為用戶在歷史線上活動時內容種類對應的時長占比。

35、所述高頻內容種類集構建單元：獲取所述內容種類—時長占比坐標系中內容種類和內容種類對應的時長占比的坐標點；獲取全部坐標點，并依次進行連接，構成波動曲線，將所述波動曲線記為線上活動時的內容占比波動曲線；獲取內容占比波動曲線的波峰對應的內容種類，記為高頻內容種類；獲取用戶在歷史全部線上活動時的全部高頻內容種類，構建高頻內容種類集。

36、進一步的，所述概率計算與內容推薦模塊包括概率計算單元和內容推薦單元。

37、所述概率計算單元：基于高頻內容種類集，計算高頻內容種類在用戶下一次線上活動時的出現概率。

38、所述內容推薦單元：預設概率閾值，若高頻內容種類在用戶下一次線上活動時出現概率大于概率閾值，則在用戶下一次線上活動時優先為用戶推薦所述高頻內容種類。

39、與現有技術相比，本發明所達到的有益效果是：本發明提供的一種基于人工智能的線上自媒體交互管理系統及方法中，通過獲取用戶授權并提取網絡日志，分析用戶在歷史線上活動中的起始時間、終止時間和瀏覽內容種類，構建瀏覽內容種類集和活動信息關聯庫，實現了用戶活動數據的系統化整理，為后續分析提供了可靠的數據基礎。其次，通過初始化用戶的線上活動歷史時間序列，對關鍵時間節點附加時間標簽，確保活動數據的時間關聯性，為動態行為分析提供了精準支持；通過計算內容種類的時長占比，生成內容占比波動曲線并提取高頻內容種類集，能夠直觀呈現用戶內容偏好并量化其變化規律，有助于識別用戶興趣熱點；通過分析高頻內容種類在用戶下一次線上活動中的出現概率，并結合預設閾值，向用戶智能推薦內容種類，實現了個性化內容推薦，提高了用戶體驗和內容推送的精準度；本方法結合了歷史行為分析、時間序列建模和智能推薦技術，達成了對用戶行為的深入洞察和交互體驗的優化，有效增強了線上自媒體的互動性和吸引力。