本发明涉及互联网，具体为一种基于互联网的用户兴趣智能推荐方法及系统。
背景技术：
1、随着互联网技术的迅猛发展和大数据的广泛应用，个性化推荐系统已经成为提升用户体验和满意度的关键技术之一；传统的推荐系统主要依赖于协同过滤、基于内容的推荐和基于规则的推荐；然而，这些方法在应对用户兴趣的动态变化和多源数据的整合方面存在显著不足。
2、协同过滤方法依赖于用户之间的相似性或物品之间的相似性，推荐相似用户喜欢的物品；然而，这种方法对数据稀疏性和冷启动问题较为敏感，难以快速响应新用户或新物品的加入；基于内容的推荐方法则依赖于物品的特征和用户的历史偏好进行推荐，但往往难以捕捉到用户兴趣的复杂性和多样性；此外，基于规则的推荐方法通常是手动设定的，难以自动适应用户兴趣的变化。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于互联网的用户兴趣智能推荐方法及系统，解决了如何通过捕捉用户兴趣和兴趣突变的信息，实现对用户精准推荐信息的问题。
3、(二)技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现：一种基于互联网的用户兴趣智能推荐方法及系统，包括，
5、实时多源数据采集：获取用户生成的行为数据，以及新闻数据，实时采集和整合多个数据源的瞬时数据，并结合用户历史行为数据形成多源数据集；
6、深度兴趣分析：通过自然语言处理技术结合时序分析模型，对多源数据集中的瞬时数据进行深入分析，通过检测用户群体中兴趣度的变化，识别潜在的兴趣突增趋势；
7、用户兴趣簇构建：基于用户兴趣突增趋势和多源数据集，构建动态的用户兴趣簇，包括兴趣权重、偏好指数多个维度，并根据瞬时数据动态调整用户兴趣簇的参数；
8、预测性推荐生成：使用深度学习模型，基于动态的用户兴趣簇和兴趣突增趋势，预测用户的潜在需求，生成并推送基于用户兴趣的推荐内容。
9、优选的，实时多源数据采集从多个数据源中实时采集瞬时数据，数据源包括社交媒体平台、新闻网站、视频平台、论坛、电子商务网站；通过数据爬虫、api接口获取包括用户生成内容、评论、点赞、分享、搜索查询、点击记录多种形式的瞬时数据；包含文字信息，还包括图像、视频、音频多媒体数据；在采集数据的同时，进行数据清洗和预处理，去除噪声数据和冗余信息，将采集到的瞬时数据与用户的历史行为数据相结合形成多源数据集，用户的历史行为数据包括用户的浏览记录、搜索记录、购买历史、收藏夹；将多源数据集存储在数据库中，用于描述用户的兴趣偏好和行为模式；多源数据集反映用户的长期兴趣，捕捉用户在短时间内的兴趣变化；多源数据集通过自然语言处理技术结合时序分析模型进行深度兴趣分析。
10、优选的，深度兴趣分析通过自然语言处理技术，对多源数据集中的瞬时数据进行处理，并提取特征，包括文本分词和标注、情感分析、提取视频和音频中的文本；通过时序分析模型对提取的特征进行分析，时序分析模型包括时间序列模型，分析用户在特定时间段内的兴趣度变化，其中兴趣度变化包括用户关注某些主题或内容的频率和强度；当检测到某一主题或内容的用户兴趣度在短时间内出现显著上升时，即识别为潜在的兴趣突增趋势；结合近期的新闻事件、社交媒体的热门话题，判断用户的兴趣突增趋势是否受到外部因素的影响；通过分析及时捕捉用户兴趣的动态变化，从而实时推荐内容。
11、优选的，用户兴趣簇构建通过聚类算法将具有相似兴趣和行为特征的用户划分为同一簇；用户的历史行为数据作为聚类的主要依据，用于构建初始的用户兴趣簇，通过s2步骤中识别出的兴趣突增趋势，将突增的兴趣点的权重纳入用户兴趣簇的构建过程中；在用户兴趣簇构建完成后，实时采集瞬时数据，对每个用户兴趣簇的参数进行动态调整，通过调整瞬时数据中用户在不同平台上的最新行为，如点击、点赞、评论等，以及当前的热点信息和社会事件，监控瞬时数据，识别出用户兴趣的最新变化，并将最新变化体现在用户兴趣簇的调整上，例如，当某个用户兴趣簇中的用户对某一新兴主题表现出强烈的兴趣时，系统动态地增加该新兴主题在用户兴趣簇中的权重，反映出用户兴趣簇的当前兴趣倾向；系统根据瞬时数据的变化情况，适时调整用户兴趣簇的组成和边界；例如，当某些用户的兴趣变化显著且与当前所属用户兴趣簇的特征不符时，系统重新评估这些用户的归属，并将其重新划分到更符合其最新兴趣的用户兴趣簇中；通过动态调整，系统能实时反映用户的兴趣变化，从而提高推荐的准确性和相关性，确保用户兴趣簇始终保持与用户真实兴趣的高度一致。
12、优选的，聚类算法通过dbscan聚类算法实现，系统从各个平台采集用户的历史行为数据，包括浏览记录、购买记录和点击行为，提取每个用户代表用户的兴趣和行为模式的特征向量；在初始用户兴趣簇的构建过程中，通过分析特征向量，结合s2步骤中识别出的兴趣突增趋势，将突增兴趣点的权重纳入考虑，并使用dbscan算法对用户进行聚类；dbscan算法通过设定半径参数ε和最小样本数m i npts来定义用户兴趣簇的形成；对于每个用户，dbscan聚类算法计算其ε邻域内的其他用户数量，若邻域内的用户数达到m i npts，该用户被视为核心点，通过核心点连接直达的用户形成一个用户兴趣簇，对于不属于任何用户兴趣簇且不在核心点邻域内的用户，标记为噪声点；在初始用户兴趣簇构建完成后，实时采集用户的瞬时数据，包括最新的浏览记录、搜索词、点赞和评论；通过监控瞬时数据，识别用户兴趣的最新变化，并将最新变化体现在用户兴趣簇的调整上；具体来说，当用户的兴趣特征发生变化时，系统重新评估其在当前用户兴趣簇中的位置，将用户重新分配到更合适的用户兴趣簇中；瞬时数据的采集和分析使得用户兴趣簇的参数动态调整，系统根据用户瞬时数据的变化情况适时调整簇的组成和边界，确保用户分组准确反映其最新的兴趣变化，通过动态调整机制，dbscan算法在实施过程中有效适应用户兴趣的变化，提供更加精准的用户分簇。
13、优选的，预测性推荐生成利用构建的动态用户兴趣簇和识别出的兴趣突增趋势，提取每个用户兴趣簇中的用户特征和兴趣变化趋势；将用户特征和兴趣变化趋势作为模型的输入，用于训练机器学习和深度学习模型；通过深度学习模型学习用户兴趣簇中用户的历史行为模式、兴趣变化规律以及兴趣突增的特征，从而预测用户未来的潜在需求；在训练过程中，利用用户兴趣簇中的用户行为和反馈信息优化模型参数，使深度学习模型能捕捉用户的潜在兴趣和需求；系统结合外部数据源中的最新趋势和热点信息，进一步增强模型对突发兴趣的感知能力；深度学习模型训练完成后，系统对新数据进行在线预测，实时生成个性化的推荐内容，推荐内容包括新闻、视频、商品、社交帖子，涵盖用户感兴趣的各个领域；推送个性化推荐内容时，系统考虑多种因素，如推荐的多样性、用户偏好、内容新鲜度、新闻的上下文信息等，以确保推荐的内容符合用户的兴趣，还具有吸引力和时效性；推荐内容通过多种渠道呈现给用户，如主页推荐、通知推送、个性化广告；系统持续收集用户的反馈信息，并根据反馈数据调整模型和推荐策略，基于动态用户兴趣簇和兴趣突增趋势的预测与推荐方法，能够更加精准地满足用户的个性化需求，提高用户的满意度和忠诚度。
14、优选的，深度学习模型通过rnn模型预测用户潜在需求，将时序分析模型用作rnn模型的输入层，通过时序分析模型检测的用户兴趣变化，识别出用户的兴趣突增趋势，同时将动态的用户兴趣簇也作为输入层；隐藏层由lstm单元组成，lstm单元能记住长期和短期的信息，并通过输入门、遗忘门和输出门机制选择更新、保存或输出信息；在每个时间步，lstm单元接收输入数据，并在隐藏层中综合当前和过去的瞬时数据，隐藏层的输出通过全连接层进一步处理，将高维度的lstm输出转换为预测值；使用softmax函数，将输出转换为概率分布，表示每个类别的可能性；输出用户未来行为或兴趣的预测，例如对特定内容的兴趣程度或点击率预测；通过将时序分析模型提取出的时间特征与瞬时数据和动态用户兴趣簇特征结合后输入lstm网络，lstm通过学习特征之间的关系和时间依赖性来生成预测结果；在实际应用中，当实时采集到的瞬时数据到来时，深度学习模型能实时处理输入数据并预测用户未来的行为和兴趣变化，根据预测结果生成个性化的推荐内容。
15、(三)有益效果
16、本发明提供了一种基于互联网的用户兴趣智能推荐方法及系统，具备以下有益效果：
17、1、本发明能够实时分析和识别用户兴趣的变化，特别是潜在的兴趣突增趋势，使得推荐系统能够快速响应用户兴趣的转变，提供最新鲜和最相关的推荐内容，大幅提升了推荐的时效性和用户满意度。
18、2、本发明采用动态用户兴趣簇构建和调整机制，通过聚类算法和瞬时数据的实时监控，系统实时更新用户兴趣簇的组成和参数；使用户兴趣簇能够精确反映用户的最新兴趣倾向，即使用户的兴趣发生显著变化，系统也能迅速做出调整，确保推荐内容的高相关性。
19、3、本发明系统通过多源数据的实时采集和整合，包括社交媒体、新闻网站、视频平台等，不仅丰富了数据来源，还使得推荐内容能够涵盖多个领域和形式；系统能够提供基于用户兴趣和多样化的推荐内容，满足用户的多层次需求，增强用户体验。
1.一种基于互联网的用户兴趣智能推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于互联网的用户兴趣智能推荐方法，其特征在于：所述s1步骤从多个数据源中实时采集瞬时数据，通过数据爬虫、api接口获取用户生成的瞬时数据；在采集瞬时数据的同时，进行数据清洗和预处理，去除噪声数据和冗余信息，将采集到的瞬时数据与用户的历史行为数据相结合形成一个多源数据集，将多源数据集存储在数据库中，用于描述用户的兴趣偏好和行为模式；多源数据集反映用户的长期兴趣，捕捉用户在短时间内的兴趣变化趋势；多源数据集通过自然语言处理技术结合时序分析模型进行深入分析，识别用户的兴趣变化；其中所述瞬时数据包括用户生成内容、评论、点赞、分享、搜索查询、点击记录。
3.根据权利要求2所述的一种基于互联网的用户兴趣智能推荐方法，其特征在于：所述s2步骤通过自然语言处理技术，对多源数据集中的瞬时数据进行提取特征，所述特征为词性特征、情感特征、图像和音频特征、用户行为特征；通过时序分析模型对提取的特征进行分析，分析用户在某一时间段内的兴趣度变化，其中兴趣度变化是用户关注某些主题或内容的频率和强度；当检测到某一主题或内容的用户兴趣度在短时间内出现显著上升时，即识别为潜在的兴趣突增趋势；结合近期的新闻事件和社交媒体的热门话题，判断用户的兴趣突增趋势是否受到外部因素的影响，及时捕捉用户兴趣的动态变化。
4.根据权利要求3所述的一种基于互联网的用户兴趣智能推荐方法，其特征在于：s3步骤通过聚类算法将多源数据集中具有相似兴趣和行为特征的用户划分为同一簇；用户的历史行为数据作为聚类的主要依据，用于构建初始的用户兴趣簇，通过s2步骤中识别出的兴趣突增趋势，将突增兴趣点的权重纳入用户兴趣簇的构建过程中；在用户兴趣簇构建完成后，实时采集瞬时数据，对每个用户兴趣簇的参数进行动态调整；系统通过监控瞬时数据，识别出用户兴趣的最新变化，并将最新变化体现在用户兴趣簇的调整上；根据瞬时数据的变化情况，适时调整用户兴趣簇的参数，其中参数包括组成和边界；通过动态调整用户兴趣簇的参数反映用户的兴趣变化。
5.根据权利要求4所述的一种基于互联网的用户兴趣智能推荐方法，其特征在于：所述聚类算法采用dbscan聚类算法；从各个平台采集用户的历史行为数据，包括浏览记录、购买记录和点击行为，提取每个用户代表用户的兴趣和行为模式的特征向量；在初始用户兴趣簇的构建过程中，通过分析特征向量，结合s2步骤中识别出的兴趣突增趋势，将突增兴趣点的权重纳入考虑，并使用dbscan算法对用户进行聚类；dbscan算法通过设定半径参数ε和最小样本数m inpts来定义用户兴趣簇的形成；对于每个用户，dbscan聚类算法计算其ε邻域内的其他用户数量，若邻域内的用户数达到minpts，该用户被视为核心点，通过核心点连接直达的用户形成一个用户兴趣簇，对于不属于任何用户兴趣簇且不在核心点邻域内的用户，标记为噪声点；在初始用户兴趣簇构建完成后，实时采集用户的瞬时数据；通过查看瞬时数据，识别用户兴趣的最新变化，并将最新变化体现在用户兴趣簇的调整上。
6.根据权利要求4所述的一种基于互联网的用户兴趣智能推荐方法，其特征在于：所述s4步骤利用构建动态的用户兴趣簇和识别出的兴趣突增趋势，提取每个用户兴趣簇中的用户特征和兴趣变化趋势；将用户特征和兴趣变化趋势作为模型的输入，用于训练深度学习模型；通过深度学习模型从用户兴趣簇中学习用户的历史行为模式、兴趣变化规律以及兴趣突增的特征，从而预测用户未来的潜在需求；在训练过程中，利用历史数据中的用户行为和反馈信息优化模型参数，使模型能捕捉用户的潜在兴趣和需求；结合外部数据源中的最新趋势和热点信息，进一步增强模型对突发兴趣的感知能力；模型训练完成后，对新数据进行在线预测，实时生成个性化的推荐内容。
7.根据权利要求6所述的一种基于互联网的用户兴趣智能推荐方法，其特征在于：所述深度学习模型通过rnn模型预测用户潜在需求，将时序分析模型用作rnn模型的输入层，通过时序分析模型检测的用户兴趣变化，识别出用户的兴趣突增趋势，同时将动态的用户兴趣簇也作为输入层；隐藏层由lstm单元组成，lstm单元能记住长期和短期的信息，并通过输入门、遗忘门和输出门机制选择更新、保存或输出信息；在每个时间步，lstm单元接收输入数据，并在隐藏层中综合当前和过去的瞬时数据，隐藏层的输出通过全连接层进一步处理，将高维度的lstm输出转换为预测值；使用softmax函数，将输出转换为概率分布，表示每个类别的可能性，输出用户未来行为或兴趣的预测；通过将时序分析模型提取出的时间特征与瞬时数据和动态用户兴趣簇特征结合后输入lstm网络，lstm通过学习特征之间的关系和时间依赖性来生成预测结果。
8.一种基于互联网的用户兴趣智能推荐系统，其特征在于：包括，
