本技術涉及數據分析，尤其涉及一種基于大數據的數據分析方法及相關設備。

背景技術：

1、各種設備、傳感器、社交媒體平臺、電子商務網站等每天都在不斷地生成和積累大量的數據，數據量呈現出爆炸式增長的趨勢，這些數據具有多源、異構、高維等特點，一方面，傳統的數據處理和分析方法難以應對如此大規模和復雜的數據，另一方面，海量的數據蘊含著巨大的價值，但如何高效地從這些數據中提取有意義的信息，并由此生成適合每一位用戶的推送消息，進而提高用戶對被推送消息的滿意度，成為了眾多領域面臨的關鍵挑戰。

技術實現思路

1、為了有助于提高用戶對被推送消息的滿意度，本技術提供一種基于大數據的數據分析方法及相關設備。

2、第一方面，本技術提供的一種基于大數據的數據分析方法，采用如下的技術方案：

3、一種基于大數據的數據分析方法，包括：

4、獲取目標用戶所對應的用戶信息；

5、基于所述用戶信息，獲取目標用戶的歷史行為記錄；

6、基于所述歷史行為記錄，對所述目標用戶進行分析，并獲取所述目標用戶所對應的用戶個性標簽；

7、基于所述用戶個性標簽，獲取個性化推送信息；

8、獲取所述目標用戶對所述推送信息的反饋信息；

9、基于所述反饋信息，生成用戶興趣標簽；

10、基于所述用戶興趣標簽，生成目標推送信息；

11、其中，所述基于所述歷史行為記錄，對所述目標用戶進行分析，并獲取所述目標用戶所對應的用戶個性標簽包括：

12、判斷所述歷史行為記錄是否為空記錄；

13、若所述歷史行為記錄為所述空記錄，則獲取所述目標用戶的關聯用戶；

14、獲取所述關聯用戶的關聯標簽，并將所述關聯標簽作為所述目標用戶所對應的用戶個性標簽；

15、若未獲取到所述關聯標簽，則判斷所述目標用戶是否為新用戶；

16、若所述目標用戶為所述新用戶，則獲取信息熱度排行；

17、基于所述信息熱度排行，獲取所述用戶個性標簽；

18、若所述歷史行為記錄非所述空記錄，則基于所述歷史行為記錄，獲取所述目標用戶的搜索記錄、瀏覽記錄和交易記錄；

19、基于所述搜索記錄、所述瀏覽記錄和所述交易記錄，獲取用戶個性標簽。

20、通過采用上述技術方案，根據目標用戶的用戶信息，獲取歷史行為記錄，再根據目標行為記錄對目標用戶進行分析，并獲取目標用戶所對應的用戶個性標簽，系統根據目標用戶的用戶個性標簽生成適合目標用戶的個性化推送信息并推送給目標用戶，然后采集該目標用戶對個性化推送信息的反饋信息，系統再根據反饋信息對目標用戶真正感興趣的推送消息進行用戶興趣標簽的標記，最后將用戶興趣標簽所標記的目標推送信息推送給目標用戶；

21、在根據用戶個性標簽生成個性化推送信息的基礎上，再根據反饋信息，選擇出用戶滿意和真正感興趣的目標推送信息，有助于減少因目標用戶對根據歷史行為記錄而生成的個性化推送信息不滿意的情況發生，也有助于減少系統持續向目標用戶推送以往感興趣但現如今不感興趣的個性化推送信息的情況發生，從而有助于實現對目標用戶的精準消息推送，進而有助于提高目標用戶對被推送消息的滿意度。

22、可選的，獲取所述關聯用戶的關聯標簽，并將所述關聯標簽作為所述目標用戶所對應的用戶個性標簽包括：

23、獲取所述目標用戶與所述關聯用戶之間的關聯度；

24、判斷所述關聯度是否超過預設關聯閾值；

25、若所述關聯度未超過所述預設關聯閾值，則判斷所述關聯用戶是否存在私密設置；

26、若所述關聯用戶存在所述私密設置，則基于所述關聯標簽與所述私密設置，獲取可視標簽；

27、將所述可視標簽作為所述目標用戶所對應的用戶個性標簽；

28、若所述關聯用戶不存在所述私密設置，則將所述關聯標簽作為所述目標用戶所對應的用戶個性標簽。

29、可選的，所述關聯度包括全關聯、強關聯和弱關聯；所述獲取所述目標用戶與所述關聯用戶之間的關聯度包括：

30、獲取所述目標用戶與所述關聯用戶之間的用戶關系；

31、若所述目標用戶與所述關聯用戶為共有用戶，則將所述全關聯作為所述目標用戶與所述關聯用戶之間的關聯度；

32、若所述目標用戶與所述關聯用戶非所述共有用戶，則獲取所述目標用戶與所述關聯用戶之間的親密度；

33、若所述親密度超過預設親密度閾值，則將所述強關聯作為所述目標用戶與所述關聯用戶之間的關聯度；

34、若所述親密度未超過預設親密度閾值，則將所述弱關聯作為所述目標用戶與所述關聯用戶之間的關聯度。

35、可選的，所述若所述目標用戶與所述關聯用戶非所述共有用戶，則獲取所述目標用戶與所述關聯用戶之間的親密度包括：

36、若所述目標用戶與所述關聯用戶非所述共有用戶，則獲取所述目標用戶與所述關聯用戶之間的溝通記錄和交易記錄；

37、基于所述溝通記錄，獲取溝通次數和溝通內容；

38、對所述溝通內容進行分析，并獲取溝通內容所對應的綜合評分；

39、基于所述交易記錄，獲取交易次數和不同交易所對應的交易額度；

40、基于所述溝通次數、所述綜合評分、所述交易次數與所述交易額度，獲取所述目標用戶與所述關聯用戶之間的親密度；

41、所述親密度滿足以下計算公式：

42、

43、其中，i為親密度，表示第j項指標的權重，是針對不同指標的計算函數。

44、可選的，所述對所述溝通內容進行分析，并獲取溝通內容所對應的綜合評分包括：

45、對所述溝通內容進行預處理，并獲取預處理后的目標內容；

46、對所述目標內容進行特征提取，并生成目標特征；

47、將所述目標特征輸入預設評分模型，并輸出綜合評分。

48、可選的，所述的具體步驟包括：

49、所述基于所述反饋信息，生成用戶興趣標簽包括：

50、基于所述反饋信息，獲取所述目標用戶對所述個性化推送信息的瀏覽記錄；

51、基于所述瀏覽記錄，獲取不同個性化推送信息的瀏覽次數、初次瀏覽時長、單次時長變化量以及瀏覽總時長；

52、基于所述瀏覽次數、所述初次瀏覽時長、所述單次時長變化量以及所述瀏覽總時長，獲取所述目標用戶對不同所述個性化推送信息所對應的興趣值；

53、判斷所述興趣值是否超過標簽生成閾值；

54、若所述興趣值超過所述標簽生成閾值，則基于所述興趣值生成興趣標簽；

55、所述興趣值滿足以下計算公式：

56、

57、其中，s為興趣值，n為瀏覽次數，t1為初次瀏覽時長，tt為瀏覽總時長，ti為第i次瀏覽時長，δt為單次時長變化量，為瀏覽次數的權重，為初次瀏覽時長的權重，為瀏覽總時長的權重，為單次時長變化量的權重。

58、第二方面，本技術還公開了一種基于大數據的數據分析系統，采用如下的技術方案：

59、一種基于大數據的數據分析系統，包括：

60、第一獲取模塊，用于獲取目標用戶所對應的用戶信息；

61、第二獲取模塊，用于基于所述用戶信息，獲取目標用戶的歷史行為記錄；

62、第三獲取模塊，用于基于所述歷史行為記錄，對所述目標用戶進行分析，并獲取所述目標用戶所對應的用戶個性標簽；

63、第四獲取模塊，用于基于所述用戶個性標簽，獲取個性化推送信息；

64、第五獲取模塊，用于獲取所述目標用戶對所述推送信息的反饋信息；

65、第一生成模塊，用于基于所述反饋信息，生成用戶興趣標簽；

66、第二生成模塊，用于基于所述用戶興趣標簽，生成目標推送信息。

67、通過采用上述技術方案，根據目標用戶的用戶信息，獲取歷史行為記錄，再根據目標行為記錄對目標用戶進行分析，并獲取目標用戶所對應的用戶個性標簽，系統根據目標用戶的用戶個性標簽生成適合目標用戶的個性化推送信息并推送給目標用戶，然后采集該目標用戶對個性化推送信息的反饋信息，系統再根據反饋信息對目標用戶真正感興趣的推送消息進行用戶興趣標簽的標記，最后將用戶興趣標簽所標記的目標推送信息推送給目標用戶；

68、在根據用戶個性標簽生成個性化推送信息的基礎上，再根據反饋信息，選擇出用戶滿意和真正感興趣的目標推送信息，有助于減少因目標用戶對根據歷史行為記錄而生成的個性化推送信息不滿意的情況發生，也有助于減少系統持續向目標用戶推送以往感興趣但現如今不感興趣的個性化推送信息的情況發生，從而有助于實現對目標用戶的精準消息推送，進而有助于提高目標用戶對被推送消息的滿意度。

69、第三方面，本技術提供的一種計算機裝置，采用如下的技術方案：

70、一種智能終端，包括存儲器、處理器，所述存儲器中用于存儲能夠在所述處理器上運行的計算機程序，所述處理器加載計算機程序時，執行第一方面的方法。

71、通過采用上述技術方案，基于第一方面的方法生成計算機程序，并存儲于存儲器中，以被處理器加載執行，從而，根據存儲器及處理器制作智能終端，方便使用者使用。

72、第四方面，本技術提供的一種計算機可讀存儲介質，采用如下的技術方案：

73、一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機程序，所述計算機程序被處理器加載時，執行第一方面的方法。

74、通過采用上述技術方案，基于第一方面的方法生成計算機程序，并存儲于計算機可讀存儲介質中，以被處理器加載并執行，通過計算機可讀存儲介質，方便計算機程序的可讀及存儲。

75、綜上所述，本技術包括以下有益技術效果：

76、在根據用戶個性標簽生成個性化推送信息的基礎上，再根據反饋信息，選擇出用戶滿意和真正感興趣的目標推送信息，有助于減少因目標用戶對根據歷史行為記錄而生成的個性化推送信息不滿意的情況發生，也有助于減少系統持續向目標用戶推送以往感興趣但現如今不感興趣的個性化推送信息的情況發生，從而有助于實現對目標用戶的精準消息推送，進而有助于提高目標用戶對被推送消息的滿意度。