一种基于用户特征的电商产品精准推送方法及系统

技术领域

本发明涉及数据分析领域，更具体的，涉及一种基于用户特征的电商产品精准推送方法及系统。

背景技术

随着电子商务和影视娱乐产业的蓬勃发展，用户对于个性化推荐的需求日益增强。传统的电商产品推荐方法主要基于用户的历史购买记录和行为数据，但在影视平台下，用户的观看行为、评论、点赞等浏览特征也是重要的参考因素。而如何有效结合影视与电商两者特征进行用户行为、兴趣分析，是当前需要研究的问题。

因此，开发一种基于用户特征的电商产品精准推送方法及系统，能够结合用户在影视平台的行为特征和广告推荐分析，实现更加精准的产品推荐，具有重要的现实意义。

发明内容

本发明克服了现有技术的缺陷，提出了一种基于用户特征的电商产品精准推送方法及系统。

本发明第一方面提供了一种基于用户特征的电商产品精准推送方法，包括：

在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台；

基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据；

通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组；

基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据；

基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中；

在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示。

本方案中，所述在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台，具体为：

在一个预设时间段内，通过影视用户终端采集所有用户的当前交互数据；

基于系统数据库，采集历史用户交互数据；

将所述当前交互数据与历史用户交互数据进行数据合并，并上传至云平台。

本方案中，所述基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据，具体为：

通过云平台对交互数据进行用户行为特征分析，分析维度基于影视浏览内容与电商浏览内容，并得到影视特征数据与电商特征数据；

基于层次聚类法，分别对影视特征数据与电商特征数据进行数据划分，并分别形成多个影视特征单位数据与电商特征单位数据；

以影视特征单位数据与电商特征单位数据作为两个分析变量进行不同的变量组合，形成多个变量组合，基于互信息方法计算每个变量组合中两个分析变量之间的互信息值，并将互信息值作为影视与电商内容的关联值；

所述每个变量组合对应一组数据，一组数据包括影视特征单位数据与电商特征单位数据；

将关联值大于预设阈值的变量组合进行筛选，得到第一变量组合，对第一变量组合所对应的影视特征单位数据与电商特征单位数据进行整合，得到强关联影视电商数据，将其余组合数据标记为弱关联影视电商数据。

本方案中，所述通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组，具体为：

构建基于k-means算法的聚类模型，将每个用户的强关联影视电商数据作为聚类样品数据；

在聚类模型中，设定K个中心点，基于标准欧氏距离计算聚类样品数据到达中心点的距离并对聚类样品数据进行一次聚合分类；

重新计算每个聚类的中心并对聚类样品数据进行循环聚类分配，直至中心点不再移动，基于此时K个中心点中的聚类数据，分成K个用户组。

本方案中，所述基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据，具体为：

选取一个用户组并将用户组下的所有用户的强关联影视电商数据进行数据合并，得到用户组关联数据；

基于协同过滤算法，将所述用户组关联数据作为用户偏好数据进行数据推荐分析，形成电商推荐数据；

对全部用户组进行推荐分析，并得到每个用户组的电商推荐数据；

在第一分析周期前，将电商推荐数据通过云平台对影视用户终端进行数据传输与内容推荐；

以用户组作为分析单位，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果对电商推荐数据进行推荐满意度分析计算，将满意度达到预期的数据进行分类提取，得到每个用户组的优选推荐数据。

本方案中，所述基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中，具体为：

基于用户组数据量，在服务器缓存数据库中创建多个缓存空间；

将每个用户组的优选推荐数据分别存储与不同缓存空间中。

本方案中，所述在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示，具体为：

在第二分析周期内，通过影视用户终端与云平台，实时监测新增用户并获取新增用户的用户基础数据与实时交互数据；

通过用户基础数据与实时交互数据进行数据整合，得到实时用户原数据；

实时判断实时用户原数据的数据量，当数据量达到预设数据量时基于实时用户原数据进行用户兴趣特征分析，分析基于影视内容与电商内容，得用户兴趣内容特征；

在聚类模型中，基于标准欧氏距离计算用户兴趣内容特征与K个中心点的数据距离，基于距离值选定出最近中心点并进一步分析出所属用户组，将所属用户组并标记为当前用户组；

从服务器缓存数据库获取当前用户组中的优选推荐数据并标记为实时电商推荐数据；

将所述实时电商推荐数据通过用户终端对新增用户进行展示。

本发明第二方面还提供了一种基于用户特征的电商产品精准推送系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于用户特征的电商产品精准推送程序，所述基于用户特征的电商产品精准推送程序被所述处理器执行时实现如下步骤：

在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台；

基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据；

通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组；

基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据；

基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中；

在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示。

本发明公开了一种基于用户特征的电商产品精准推送方法及系统，基于交互数据分析用户的影视与电商兴趣行为，基于互信息计算影视特征数据与电商特征数据之间的关联度，通过聚类模型，将用户划分为多个用户组，基于多个用户组分别进行电商产品数据推荐分析，并将推荐数据存储于服务器缓存数据库中；在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示。通过本发明，能够在影视、电商两个维度上对用户进行信息挖掘与整合，提高平台的推荐数据分析能力。

附图说明

图1示出了本发明一种基于用户特征的电商产品精准推送方法的流程图；

图2示出了本发明用户组获取流程图；

图3示出了本发明一种基于用户特征的电商产品精准推送系统的框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于用户特征的电商产品精准推送方法的流程图。

如图1所示，本发明第一方面提供了一种基于用户特征的电商产品精准推送方法，包括：

S102，在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台；

S104，基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据；

S106，通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组；

S108，基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据；

S110，基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中；

S112，在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示。

根据本发明实施例，所述在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台，具体为：

在一个预设时间段内，通过影视用户终端采集所有用户的当前交互数据；

基于系统数据库，采集历史用户交互数据；

将所述当前交互数据与历史用户交互数据进行数据合并，并上传至云平台。

需要说明的是，交互数据为用户在影视用户终端进行操作、浏览、观看视频、内容、浏览电商产品的全部数据，用于分析用户的行为特征与兴趣特征，特别基于用户的影视浏览内容特征与电商浏览内容特征。

在本发明中的影视用户终端为包括普通影视模块与电商模块，为一种影视与电商结合的应用程序，以适应大众日益增长的信息需求。

根据本发明实施例，所述基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据，具体为：

通过云平台对交互数据进行用户行为特征分析，分析维度基于影视浏览内容与电商浏览内容，并得到影视特征数据与电商特征数据；

基于层次聚类法，分别对影视特征数据与电商特征数据进行数据划分，并分别形成多个影视特征单位数据与电商特征单位数据；

以影视特征单位数据与电商特征单位数据作为两个分析变量进行不同的变量组合，形成多个变量组合，基于互信息方法计算每个变量组合中两个分析变量之间的互信息值，并将互信息值作为影视与电商内容的关联值；

所述每个变量组合对应一组数据，一组数据包括影视特征单位数据与电商特征单位数据；

将关联值大于预设阈值的变量组合进行筛选，得到第一变量组合，对第一变量组合所对应的影视特征单位数据与电商特征单位数据进行整合，得到强关联影视电商数据，将其余组合数据标记为弱关联影视电商数据。

需要说明的是，所述交互数据即当前交互数据与历史用户交互数据进行数据合并后数据。所述单位数据为对某一大数据进行聚类划分形成的多个细分数据，单位数据之间具有一定数据区分，每个用户均有对应的影视特征数据与电商特征数据。其余组合数据即变量组合关联度不大于预设阈值的对应影视电商整合数据。

值得一提的是，在影视电商平台中，由于用户行为特征与兴趣特征基于影视观看与电商产品两个维度的视频信息交互，因此，需要对两个维度的特征数据进行分析，传统技术中缺少度这两个维度数据的综合分析，分析维度较为单一。本发明通过分析用户的影视与电商大数据，并进一步基于互信息，在两个维度的数据中进行数据关联度分析，将关联度较高的影视与电商数据进行组合并提取，得到相应的强关联数据，能够有效在影视、电商两个维度上对用户大数据进行信息挖掘与整合，提高了影视电商平台对用户的分析广度与增加了分析维度，有效实现对用户的行为特征进行分类分析，并在后续进行实现有效与精确的用户聚类分组，提高平台的推荐数据分析能力。

图2示出了本发明用户组获取流程图。

根据本发明实施例，所述通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组，具体为：

S202，构建基于k-means算法的聚类模型，将每个用户的强关联影视电商数据作为聚类样品数据；

S204，在聚类模型中，设定K个中心点，基于标准欧氏距离计算聚类样品数据到达中心点的距离并对聚类样品数据进行一次聚合分类；

S206，重新计算每个聚类的中心并对聚类样品数据进行循环聚类分配，直至中心点不再移动，基于此时K个中心点中的聚类数据，分成K个用户组。

值得一提的是，由于强关联数据具有用户的影视内容与电商内容特征，且数据具有强关联性，基于强关联数据进行聚类分析，能够提高对多用户的分类精度与符合分类需求度，实现在影视-电商平台的有效化、快速化数据推荐。

根据本发明实施例，所述基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据，具体为：

选取一个用户组并将用户组下的所有用户的强关联影视电商数据进行数据合并，得到用户组关联数据；

基于协同过滤算法，将所述用户组关联数据作为用户偏好数据进行数据推荐分析，形成电商推荐数据；

对全部用户组进行推荐分析，并得到每个用户组的电商推荐数据；

在第一分析周期前，将电商推荐数据通过云平台对影视用户终端进行数据传输与内容推荐；

以用户组作为分析单位，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果对电商推荐数据进行推荐满意度分析计算，将满意度达到预期的数据进行分类提取，得到每个用户组的优选推荐数据。

需要说明的是，所述推荐满意度基于浏览频率、订单量、分享次数、内容互动频次等进行分析。

根据本发明实施例，所述基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中，具体为：

基于用户组数据量，在服务器缓存数据库中创建多个缓存空间；

将每个用户组的优选推荐数据分别存储与不同缓存空间中。

需要说明的是，所述缓存空间用以对缓存数据进行分类存储，以提高存取效率。每个用户组的数据对应一个存储空间。

值得一提的是，在大体量的影视平台中，分析大规模的用户特征往往需要消耗较大的系统资源，因此，本发明通过设定服务器缓存数据库，将已分组的推荐数据进行不同缓存位置，在下一周期内，基于分析新增用户的兴趣特征，从缓存数据中实时存取数据进行推荐，以满足高数据量、高用户量的影视电商平台需求。另外，在缓存数据中，本发明通过划分不同的缓存空间分别存储不用用户组的推荐数据，实现快速精准的推荐数据分析挖掘与发送，提高系统运转效率。

根据本发明实施例，所述在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示，具体为：

在第二分析周期内，通过影视用户终端与云平台，实时监测新增用户并获取新增用户的用户基础数据与实时交互数据；

通过用户基础数据与实时交互数据进行数据整合，得到实时用户原数据；

实时判断实时用户原数据的数据量，当数据量达到预设数据量时基于实时用户原数据进行用户兴趣特征分析，分析基于影视内容与电商内容，得用户兴趣内容特征；

在聚类模型中，基于标准欧氏距离计算用户兴趣内容特征与K个中心点的数据距离，基于距离值选定出最近中心点并进一步分析出所属用户组，将所属用户组并标记为当前用户组；

从服务器缓存数据库获取当前用户组中的优选推荐数据并标记为实时电商推荐数据；

将所述实时电商推荐数据通过用户终端对新增用户进行展示。

需要说明的是，所述第二分析周期为第一分析周期的下一周期。所述用户基础数据，新增用户包括新注册用于和在第二分析周期首次出现的已有用户，对这类用户进行实时的推荐数据分析。

值得一提的是，传统技术缺少对新增用户的快速、合理推荐分析，特别在影视与电商相结合的平台上，难以做到快速精准地推荐分析，现有技术中一般为对新增用户进行随机性的数据推荐，用户体验与实际效果较差。而在本发明中，通过综合性分析聚类，将相应的推荐数据存储于缓存数据中，并基于新增用户特征进行推荐数据分配，实现了快速精准的数据数据挖掘分析，提高用户体验与系统效率。

根据本发明实施例，还包括：

通过云平台与影视用户终端，获取用户的强关联影视电商数据； 基于所述强关联影视电商数据进行影视广告数据推荐分析，并将得到广告数据存储于服务器缓存数据库中；

在每个分析周期内，通过云平台分析统计用户增量与交互数据增量；

将用户增量与交互数据增量进行加权平均计算，得到数据量均值，当数据量均值达到预设值时，标记当前时间节点为峰值节点；

将最短时间间隔的两个峰值节点进行时间跨度计算，得到峰值间时间长度，以峰值间时间长度作为第一更新周期；

在每个分析周期内，统计所有新增用户中的强关联影视电商数据与弱关联影视电商数据，并基于强关联影视电商数据与弱关联影视电商数据进行数据比例计算，得到关联比值；

当关联比值大于预设比值时，标记当前时间节点为第二更新时间;

基于第一更新周期与第二更新时间制定缓存更新策略；

在缓存更新策略中，以第一更新周期作为广告数据的更新周期，以第二更新时间作为缓存数据的更新时间点，在更新时间点上，通过对新增用户进行聚类分析与优选推荐数据的统计，将得到的第二推荐数据覆盖在服务器缓存数据库中原有的缓存数据。

需要说明的是，所述加权平均计算中，权值为预设值。在服务器缓存数据库中，其数据一般需要实时更新与同步，以适应新增用户或已有用户的兴趣特征变化，但更新同步频率太高，容易导致缓存失去其高效、实时、快速存取的系统作用。因此，本发明通过分析用户量与交互数据量，得到相应更新周期，基于强关联数据的占比量决定对主要缓存数据的更新时间节点，在强关联数据占比较大时，代表存在数据挖掘的需求节点，此时新增用户的特征需求变化导致了旧有用户特征数据与新用户特征出现差异较大的情况，进一步需要进行二次聚类分析与缓存数据的实时更新，以满足后续的用户推荐数据的更新需求与保证缓存数据库的有效作用，从而提高用户体验。

关联比值等于强关联影视电商数据与弱关联影视电商数据的数据量比值。缓存数据包括优选推荐数据与广告数据，优选推荐数据为电商产品类、影视视频类数据，广告数据为平台依据相关数据设置的静态内容。

图3示出了本发明一种基于用户特征的电商产品精准推送系统的框图。

本发明第二方面还提供了一种基于用户特征的电商产品精准推送系统3，该系统包括：存储器31、处理器32，所述存储器中包括基于用户特征的电商产品精准推送程序，所述基于用户特征的电商产品精准推送程序被所述处理器执行时实现如下步骤：

在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台；

基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据；

通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组；

基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据；

基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中；

在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示。

根据本发明实施例，所述在一个预设时间段内，通过影视用户终端采集交互数据并上传至云平台，具体为：

在一个预设时间段内，通过影视用户终端采集所有用户的当前交互数据；

基于系统数据库，采集历史用户交互数据；

将所述当前交互数据与历史用户交互数据进行数据合并，并上传至云平台。

需要说明的是，交互数据为用户在影视用户终端进行操作、浏览、观看视频、内容、浏览电商产品的全部数据，用于分析用户的行为特征与兴趣特征，特别基于用户的影视浏览内容特征与电商浏览内容特征。

在本发明中的影视用户终端为包括普通影视模块与电商模块，为一种影视与电商结合的应用程序，以适应大众日益增长的信息需求。

根据本发明实施例，所述基于交互数据分析用户的影视兴趣行为与电商兴趣行为，得到影视特征数据与电商特征数据，基于互信息计算影视特征数据与电商特征数据之间的关联度，并基于关联度筛选出强关联影视电商数据，具体为：

通过云平台对交互数据进行用户行为特征分析，分析维度基于影视浏览内容与电商浏览内容，并得到影视特征数据与电商特征数据；

基于层次聚类法，分别对影视特征数据与电商特征数据进行数据划分，并分别形成多个影视特征单位数据与电商特征单位数据；

以影视特征单位数据与电商特征单位数据作为两个分析变量进行不同的变量组合，形成多个变量组合，基于互信息方法计算每个变量组合中两个分析变量之间的互信息值，并将互信息值作为影视与电商内容的关联值；

所述每个变量组合对应一组数据，一组数据包括影视特征单位数据与电商特征单位数据；

将关联值大于预设阈值的变量组合进行筛选，得到第一变量组合，对第一变量组合所对应的影视特征单位数据与电商特征单位数据进行整合，得到强关联影视电商数据，将其余组合数据标记为弱关联影视电商数据。

需要说明的是，所述交互数据即当前交互数据与历史用户交互数据进行数据合并后数据。所述单位数据为对某一大数据进行聚类划分形成的多个细分数据，单位数据之间具有一定数据区分，每个用户均有对应的影视特征数据与电商特征数据。其余组合数据即变量组合关联度不大于预设阈值的对应影视电商整合数据。

值得一提的是，在影视电商平台中，由于用户行为特征与兴趣特征基于影视观看与电商产品两个维度的视频信息交互，因此，需要对两个维度的特征数据进行分析，传统技术中缺少度这两个维度数据的综合分析，分析维度较为单一。本发明通过分析用户的影视与电商大数据，并进一步基于互信息，在两个维度的数据中进行数据关联度分析，将关联度较高的影视与电商数据进行组合并提取，得到相应的强关联数据，能够有效在影视、电商两个维度上对用户大数据进行信息挖掘与整合，提高了影视电商平台对用户的分析广度与增加了分析维度，有效实现对用户的行为特征进行分类分析，并在后续进行实现有效与精确的用户聚类分组，提高平台的推荐数据分析能力。

根据本发明实施例，所述通过预设聚类模型，将所述强关联影视电商数据作为聚类样品数据进数据聚类分组，形成多个用户组，具体为：

构建基于k-means算法的聚类模型，将每个用户的强关联影视电商数据作为聚类样品数据；

在聚类模型中，设定K个中心点，基于标准欧氏距离计算聚类样品数据到达中心点的距离并对聚类样品数据进行一次聚合分类；

重新计算每个聚类的中心并对聚类样品数据进行循环聚类分配，直至中心点不再移动，基于此时K个中心点中的聚类数据，分成K个用户组。

值得一提的是，由于强关联数据具有用户的影视内容与电商内容特征，且数据具有强关联性，基于强关联数据进行聚类分析，能够提高对多用户的分类精度与符合分类需求度，实现在影视-电商平台的有效化、快速化数据推荐。

根据本发明实施例，所述基于多个用户组分别进行电商产品数据推荐分析，得到电商推荐数据，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果筛选出优选推荐数据，具体为：

选取一个用户组并将用户组下的所有用户的强关联影视电商数据进行数据合并，得到用户组关联数据；

基于协同过滤算法，将所述用户组关联数据作为用户偏好数据进行数据推荐分析，形成电商推荐数据；

对全部用户组进行推荐分析，并得到每个用户组的电商推荐数据；

在第一分析周期前，将电商推荐数据通过云平台对影视用户终端进行数据传输与内容推荐；

以用户组作为分析单位，在第一分析周期内获取用户反馈结果，基于所述用户反馈结果对电商推荐数据进行推荐满意度分析计算，将满意度达到预期的数据进行分类提取，得到每个用户组的优选推荐数据。

需要说明的是，所述推荐满意度基于浏览频率、订单量、分享次数、内容互动频次等进行分析。

根据本发明实施例，所述基于推荐数据所属用户组对优选推荐数据进行分组并存储于服务器缓存数据库中，具体为：

基于用户组数据量，在服务器缓存数据库中创建多个缓存空间；

将每个用户组的优选推荐数据分别存储与不同缓存空间中。

需要说明的是，所述缓存空间用以对缓存数据进行分类存储，以提高存取效率。每个用户组的数据对应一个存储空间。

值得一提的是，在大体量的影视平台中，分析大规模的用户特征往往需要消耗较大的系统资源，因此，本发明通过设定服务器缓存数据库，将已分组的推荐数据进行不同缓存位置，在下一周期内，基于分析新增用户的兴趣特征，从缓存数据中实时存取数据进行推荐，以满足高数据量、高用户量的影视电商平台需求。另外，在缓存数据中，本发明通过划分不同的缓存空间分别存储不用用户组的推荐数据，实现快速精准的推荐数据分析挖掘与发送，提高系统运转效率。

根据本发明实施例，所述在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示，具体为：

在第二分析周期内，通过影视用户终端与云平台，实时监测新增用户并获取新增用户的用户基础数据与实时交互数据；

通过用户基础数据与实时交互数据进行数据整合，得到实时用户原数据；

实时判断实时用户原数据的数据量，当数据量达到预设数据量时基于实时用户原数据进行用户兴趣特征分析，分析基于影视内容与电商内容，得用户兴趣内容特征；

在聚类模型中，基于标准欧氏距离计算用户兴趣内容特征与K个中心点的数据距离，基于距离值选定出最近中心点并进一步分析出所属用户组，将所属用户组并标记为当前用户组；

从服务器缓存数据库获取当前用户组中的优选推荐数据并标记为实时电商推荐数据；

将所述实时电商推荐数据通过用户终端对新增用户进行展示。

需要说明的是，所述第二分析周期为第一分析周期的下一周期。所述用户基础数据，新增用户包括新注册用于和在第二分析周期首次出现的已有用户，对这类用户进行实时的推荐数据分析。

值得一提的是，传统技术缺少对新增用户的快速、合理推荐分析，特别在影视与电商相结合的平台上，难以做到快速精准地推荐分析，现有技术中一般为对新增用户进行随机性的数据推荐，用户体验与实际效果较差。而在本发明中，通过综合性分析聚类，将相应的推荐数据存储于缓存数据中，并基于新增用户特征进行推荐数据分配，实现了快速精准的数据数据挖掘分析，提高用户体验与系统效率。

根据本发明实施例，还包括：

通过云平台与影视用户终端，获取用户的强关联影视电商数据； 基于所述强关联影视电商数据进行影视广告数据推荐分析，并将得到广告数据存储于服务器缓存数据库中；

在每个分析周期内，通过云平台分析统计用户增量与交互数据增量；

将用户增量与交互数据增量进行加权平均计算，得到数据量均值，当数据量均值达到预设值时，标记当前时间节点为峰值节点；

将最短时间间隔的两个峰值节点进行时间跨度计算，得到峰值间时间长度，以峰值间时间长度作为第一更新周期；

在每个分析周期内，统计所有新增用户中的强关联影视电商数据与弱关联影视电商数据，并基于强关联影视电商数据与弱关联影视电商数据进行数据比例计算，得到关联比值；

当关联比值大于预设比值时，标记当前时间节点为第二更新时间;

基于第一更新周期与第二更新时间制定缓存更新策略；

在缓存更新策略中，以第一更新周期作为广告数据的更新周期，以第二更新时间作为缓存数据的更新时间点，在更新时间点上，通过对新增用户进行聚类分析与优选推荐数据的统计，将得到的第二推荐数据覆盖在服务器缓存数据库中原有的缓存数据。

需要说明的是，所述加权平均计算中，权值为预设值。在服务器缓存数据库中，其数据一般需要实时更新与同步，以适应新增用户或已有用户的兴趣特征变化，但更新同步频率太高，容易导致缓存失去其高效、实时、快速存取的系统作用。因此，本发明通过分析用户量与交互数据量，得到相应更新周期，基于强关联数据的占比量决定对主要缓存数据的更新时间节点，在强关联数据占比较大时，代表存在数据挖掘的需求节点，此时新增用户的特征需求变化导致了旧有用户特征数据与新用户特征出现差异较大的情况，进一步需要进行二次聚类分析与缓存数据的实时更新，以满足后续的用户推荐数据的更新需求与保证缓存数据库的有效作用，从而提高用户体验。

关联比值等于强关联影视电商数据与弱关联影视电商数据的数据量比值。缓存数据包括优选推荐数据与广告数据，优选推荐数据为电商产品类、影视视频类数据，广告数据为平台依据相关数据设置的静态内容。

本发明公开了一种基于用户特征的电商产品精准推送方法及系统，基于交互数据分析用户的影视与电商兴趣行为，基于互信息计算影视特征数据与电商特征数据之间的关联度，通过聚类模型，将用户划分为多个用户组，基于多个用户组分别进行电商产品数据推荐分析，并将推荐数据存储于服务器缓存数据库中；在第二分析周期内，实时监测新增用户并获取新增用户的实时交互数据，对实时交互数据进行特征分析并通过预设聚类模型进行判断所属用户组，基于服务器缓存数据库获取相应推荐数据并标记为实时电商推荐数据，将所述实时电商推荐数据通过用户终端进行展示。通过本发明，能够在影视、电商两个维度上对用户进行信息挖掘与整合，提高平台的推荐数据分析能力。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。