一种公益活动信息精准推送方法

技术领域

本发明涉及信息推送领域，特别涉及一种公益活动信息精准推送方法。

背景技术

推送技术是指通过客户端与服务器端建立长链接，客户端可以接收由服务器端不定时发送的消息，在公益活动信息的推送中，通常会涉及到不同活动的推送匹配，以应对志愿者的不同兴趣和和能力，如专利号为CN115687775A的推送方法，即揭示了对于信息推送的重要程度。

然而现有技术中，通常会依赖于算法体系下对于权值的依赖，特别是对已参加公益活动的志愿者的深度算法进行计算，但更多的志愿者主要还是停留在对信息层面的获取阶段中，且所推送的信息也无法详细到志愿者所了解的程度，例如公益活动中是否需要社交或是否需要特殊技能等情况，从而不能够产生更为精准的信息推送，导致活动中志愿者人数匮乏的现象。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种公益活动信息精准推送方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种公益活动信息精准推送方法，包括服务器单元、活动记录单元、身份验证单元、活动分类单元和推送单元，具体步骤如下：

(1)数据采集，服务器单元通过ETL定时对数据采集，包含有对目标设备数据的采集，并通过数据管理接口输出至服务器单元下的数据仓库中；

(2)数据解析，根据活动记录单元验证登陆人的信息，基于身份验证单元匹配至设备数据，在注意力分析的基础下对用户的公益活动信息趋势预测，并集中归类；

(3)公益信息推送，在服务器单元下基于LDA分类算法对不同的活动形成人数、规模和室内外信息的分类处理，通过推送单元向用户精准推送。

作为本发明的一种优选技术方案，步骤(1)中，建立数据仓库的过程中，通过ETL工具有效的将数据捕获、清洗、转换与上载，主要从活动记录单元和身份验证单元采集用户登录后的数据。

作为本发明的一种优选技术方案，步骤(2)中，建立LSTM神经网络模型，主要通过三个门控制对历史信息的更新和利用，输入门控制读取新信息，遗忘门控制丢弃信息，输出门控制输出信息，LSTM模型通过对用户30天内的公益活动关注度循环解析，历史数据据为L＝{d

作为本发明的一种优选技术方案，所述LSTM神经网络模型通过傅里叶变换构建蝶形运算误差模型，配合平均绝对误差阈值Filter形成交叉验证，在得到误差外的数据并得到Filter的离散度验证后，得出该用户的行为波动值。

作为本发明的一种优选技术方案，在步骤(3)中，将异常用户和正常用户建立权值体系，按照7日内的异常天数A，7日内稳定性的时常B，信息停留和信息确认深度C，以及边缘信息的广度D作为基础，按照S＝(A*n/B+C*n/D)，其中n为用户上一次参加公益活动的积极度和参与度，按照人数排列分值，未参加公益的用户基础权值为1，并另外分类排列，并最终按照分值的排列推送对应梯段信息。

与现有技术相比，本发明的有益效果如下：

本发明通过设置多层交叉验证以及对公益信息和志愿者的分类，形成阶段的信息分类，从而将不同的讯息推送至不同的志愿者，特别是对还未参加公益活动且有一定兴趣的用户进行精准信息推送，从而达到增加公益志愿者以及公益信息的反馈等效果。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的整体系统示意图；

图2是本发明的服务器单元示意图；

图3是本发明的信息流程示意图；

图4是本发明的信息采集模块示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1

如图1-4所示，本发明提供一种公益活动信息精准推送方法，包括服务器单元、活动记录单元、身份验证单元、活动分类单元和推送单元，具体步骤如下：

(1)数据采集，服务器单元通过ETL定时对数据采集，包含有对目标设备数据的采集，并通过数据管理接口输出至服务器单元下的数据仓库中；

(2)数据解析，根据活动记录单元验证登陆人的信息，基于身份验证单元匹配至设备数据，在注意力分析的基础下对用户的公益活动信息趋势预测，并集中归类；

(3)公益信息推送，在服务器单元下基于LDA分类算法对不同的活动形成人数、规模和室内外信息的分类处理，通过推送单元向用户精准推送。

步骤(1)中，建立数据仓库的过程中，通过ETL工具有效的将数据捕获、清洗、转换与上载，主要从活动记录单元和身份验证单元采集用户登录后的数据。

步骤(2)中，建立LSTM神经网络模型，主要通过三个门控制对历史信息的更新和利用，输入门控制读取新信息，遗忘门控制丢弃信息，输出门控制输出信息，LSTM模型通过对用户30天内的公益活动关注度循环解析，历史数据据为L＝{d

LSTM神经网络模型通过傅里叶变换构建蝶形运算误差模型，配合平均绝对误差阈值Filter形成交叉验证，在得到误差外的数据并得到Filter的离散度验证后，得出该用户的行为波动值。

在步骤(3)中，将异常用户和正常用户建立权值体系，按照7日内的异常天数A，7日内稳定性的时常B，信息停留和信息确认深度C，以及边缘信息的广度D作为基础，按照S＝(A*n/B+C*n/D)，其中n为用户上一次参加公益活动的积极度和参与度，按照人数排列分值，未参加公益的用户基础权值为1，并另外分类排列，并最终按照分值的排列推送对应梯段信息。

具体的，数据采集主要通过自带的信息平台登录信息，以及公益推广的信息产生流式采集，并最终输出至服务器单元中，如图4所示；公益活动主要按照如图2的形式处理公益活动的数据采集，在一定时间内进行定时的数据采集作业，随后根据用户的登录设备信息，以及用户的登录时常，用户对公益活动的了解板块以及信息阅读停留时间，对公益活动的再次打开次数，对公益活动的关联信息板块的阅读定义稳定性、深度、广度和信息层面的数据，如针对关注度的公式为H＝w*(t/T)，其中w为公益活动的人数多少，t为在目标公益活动的停留时间，T为进入活动平台的整体时间，如针对广度的公式为HS＝N-M，N为阅读不同板块的个数，M为核心板块及其关联板块的阅读数量，如针对深度的计算为HJ＝M*t，如针对信息层面的数据为S＝{O

在最终得到对应的数据列后，对不同阶段的公益志愿者进行信息推送，如针对多次参加公益活动的志愿者即推送简单明了的公益活动信息，对于未参加过公益活动的志愿者推送较为复杂的活动信息，如针对参加了一次公益活动，并出现异常的行为波动值后，在下一次类似的公益活动启动后，将推送对应的活动信息，并给出上一次参加公益活动的调查问卷等推送信息，通过此种方式增加公益活动志愿者的粘性的同时，能够根据不同的信息不断完善下一次类似活动信息的管理方案，必要时也能够及时和公益活动志愿者电话沟通联系，以获得相应的信息反馈。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。