專利名稱：一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法和裝置的制作方法
技術領域：
本發(fā)明屬于計算機科學、系統(tǒng)工程領域，尤其涉及一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法和裝置，其可以應用于互聯(lián)網(wǎng)行業(yè)，電子商務領域、社交網(wǎng)絡服務領域、網(wǎng)絡游戲領域。
背景技術：
在計算機科學行業(yè)互聯(lián)網(wǎng)電子商務領域，現(xiàn)有技術對互聯(lián)網(wǎng)用戶行為模式的分析，大多是基于以下信息的①用戶在使用網(wǎng)絡或者終端時候所填寫的靜態(tài)注冊信息，例如，姓名、年齡、出生所在地、目前所在地、工作所屬領域、家庭收入、興趣愛好、婚姻狀況等； ②在網(wǎng)絡或者終端上已完成的行為，例如，訪問過的網(wǎng)址、點擊過的鏈接、瀏覽過的頁面、收聽過的音頻資料、閱覽過的視頻資料、發(fā)表過的言論及其產(chǎn)生的文字和/或圖片內(nèi)容等在網(wǎng)絡或者終端上正在進行的動作，例如，在某個網(wǎng)頁上的停留及其所耗時間、與其他互聯(lián)網(wǎng)用戶的互動過程等?，F(xiàn)有技術一般通過以數(shù)學統(tǒng)計為核心的數(shù)據(jù)預測方法。這種基于統(tǒng)計學的數(shù)據(jù)處理方法是建立在擁有海量樣本數(shù)據(jù)的基礎上的，它對樣本總量的大小有著強烈的依賴關系。這種依賴關系有兩個致命的弱點第一，當無法獲得如此海量的數(shù)據(jù)來源時，此數(shù)據(jù)處理方法將瞬間癱瘓；第二，即便可以獲得海量的數(shù)據(jù)，基于這些海量數(shù)據(jù)的分析結(jié)果所體現(xiàn)的也是所有這些海量數(shù)據(jù)的共性特征，而某一個特定數(shù)據(jù)的全部個性特征無法被挖掘并最終分析出來，使得分析結(jié)果存在不可控的偏差，甚至錯誤；第三，無法保證海量樣本與被預測對象的屬性可類比性，當被分析的海量樣本與被預測的研究對象在某個屬性方面有著共性或相似性，在其他屬性方面有著本質(zhì)區(qū)別時，如果被研究的屬性屬于上述有著本質(zhì)區(qū)別的屬性，那么此方法得出的結(jié)論通常情況下存在無法改良的錯誤。

發(fā)明內(nèi)容
鑒于現(xiàn)有技術的缺陷，本發(fā)明提供一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法，其特征在于包括如下步驟步驟一、將網(wǎng)絡內(nèi)容用標簽類描述；步驟二、將用戶能夠?qū)W(wǎng)絡內(nèi)容所進行的操作對應到網(wǎng)絡內(nèi)容的標簽；步驟三、將能夠?qū)W(wǎng)絡內(nèi)容標簽所實施的所有操作表示為行為域；步驟四、用標簽、標簽所對應的行為域、〈標簽，行為 > 匹配對來描述網(wǎng)絡運營商提供的網(wǎng)絡內(nèi)容；步驟五、采集某一特定用戶的實際行為，將〈標簽，實際行為 > 匹配對與預先設定的針對所述網(wǎng)絡內(nèi)容的用戶預測行為所對應的〈標簽，預測行為 > 匹配對進行比對；步驟六、針對該特定用戶，用比對結(jié)果更新用于描述網(wǎng)絡運營商提供的網(wǎng)絡內(nèi)容的〈標簽，行為〉匹配對；步驟七、將更新的針對該特定用戶的〈標簽，行為 > 匹配對與該特定用戶再次操作該網(wǎng)絡內(nèi)容的行為所產(chǎn)生的〈標簽，實際行為 > 匹配對進行比對；步驟八、對該特定用戶多次對網(wǎng)絡內(nèi)容施加的行為所更新產(chǎn)生的〈標簽，行為〉匹配對進行績效排序；步驟九、針對該特定用戶，將擁有最大績效值的〈標簽，行為 > 匹配對作為對該特定用戶對于該標簽所描述網(wǎng)絡內(nèi)容的的精準行為模式輸出給網(wǎng)絡運營商。進一步，本發(fā)明中針對某一特定用戶所采取的策略是基于該特定用戶的用戶ID 實現(xiàn)的。此外，本發(fā)明還提供一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于包括用戶網(wǎng)絡行為對比器(I)，其用于采集某一特定用戶根據(jù)網(wǎng)絡實際內(nèi)容而采取的行為，以及被實施該行為的網(wǎng)絡內(nèi)容的標簽；并將特定用戶實際執(zhí)行的行為與網(wǎng)絡服務器端的決策制定分析器所輸出的預先設定的用戶行為進行對比，將對比結(jié)果以及用戶實際的行為輸出到網(wǎng)絡內(nèi)容屬性標簽收集器(2)中；網(wǎng)絡內(nèi)容屬性標簽收集器(2)，其用于將網(wǎng)絡上的內(nèi)容分類，并按照分類等級的方法將分類后的內(nèi)容的共同屬性以標簽的形式存儲下來；網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)，用于將用戶網(wǎng)絡行為對比器⑴中的某一特定用戶行為和網(wǎng)絡內(nèi)容屬性標簽收集器(2)中的網(wǎng)絡內(nèi)容屬性標簽以〈標簽，行為〉的形式進行配對，針對該特定用戶，將配對結(jié)果記錄在服務器上并同時提供給〈標簽，行為 > 行為績效值序列存儲器(4)；<標簽，行為 > 行為績效值序列存儲器(4)，用于對該特定用戶多次對網(wǎng)絡內(nèi)容施加的行為所更新產(chǎn)生的〈標簽，行為 > 匹配對進行績效排序，并將擁有最大績效值的匹配對發(fā)送到最高績效值匹配對存儲器(5)；最高績效值匹配對存儲器(5)，用于針對該特定用戶，將擁有最大績效值的〈標簽，行為 > 匹配對作為對該特定用戶的精準行為模式輸出給網(wǎng)絡運營商。進一步，在〈標簽，行為 > 績效值序列存儲器(4)中，各類標簽所對應的匹配對按照績效值從大到小排列，并且將該信息傳回到網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中，使得網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中的相應標簽得以被激活。進一步，本發(fā)明針對某一特定用戶所采取的策略是基于該特定用戶的用戶ID實現(xiàn)的。進一步，本發(fā)明中所述內(nèi)容與行為匹配對存儲器(3)首先會將當前互聯(lián)網(wǎng)頁面的內(nèi)容按照其被用戶觀察到后可以被實施的行為和動作進行分類，并且將分好的類用不同的標簽來描述，這些標簽可以根據(jù)當前頁面的具體內(nèi)容進行實時的、自動的組合，并將該組合記錄在服務器上。進一步，本發(fā)明中最高績效值匹配對存儲器(5)將〈標簽，行為，績效值 > 序列按照相同的順序，還原成〈標簽，行為 > 有序序列，并績效值最大的〈標簽，行為 > 匹配對傳輸?shù)接脩艟W(wǎng)絡行為對比器(I)中，用來與該特定用戶在網(wǎng)絡上再次所實施的行為所對應的〈 標簽，實際行為 > 匹配對進行比對。若比對行為相同，則將結(jié)果傳輸?shù)骄W(wǎng)絡內(nèi)容屬性標簽收集器(2)中，并在網(wǎng)絡內(nèi)容屬性標簽收集器(2)中按照當前網(wǎng)絡內(nèi)容對標簽在等級標簽組中的位置予以確定和插入；若比對行為不相同，則以用戶的實際行為為標準生成〈標簽，實際行為〉匹配對，并將結(jié)果按照上述原理，傳輸?shù)骄W(wǎng)絡內(nèi)容屬性標簽收集器(2)中。在網(wǎng)絡內(nèi)容屬性標簽收集器(2)中，標簽及其所對應的行為域，將被根據(jù)當前網(wǎng)絡內(nèi)容進行排序和組合，并將結(jié)果傳輸?shù)骄W(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中，并使用從網(wǎng)絡內(nèi)容屬性標簽收集器(2)中傳來的新的行為域覆蓋和更新網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中每一個標簽所對應的行為域，進而開啟一輪新的循環(huán)。本發(fā)明通過分析每一個不同互聯(lián)網(wǎng)用戶的行為模式，使得網(wǎng)絡運營商有能力針對不同的用戶設置相應的互聯(lián)網(wǎng)內(nèi)容。本發(fā)明所開發(fā)的分析互聯(lián)網(wǎng)用戶行為模式的核心技術，以績效方程(Performance Functions)和 OODA (Observe, Orient, Decide, and Act)循環(huán)為啟發(fā)，通過循環(huán)比較的方式將兩者無縫結(jié)合從而能夠精準確定網(wǎng)絡用戶的網(wǎng)上行為。 用戶在網(wǎng)絡運營商的網(wǎng)站上每進行一個操作，將觸發(fā)一次循環(huán)，即進行一次〈標簽，行為> 匹配對的更新，而每一次更新，該用戶針對被貼上上述標簽的網(wǎng)絡內(nèi)容將要賦予的行為將被更加精準的掌握。隨著該用戶在網(wǎng)絡上進行的操作越來越多，他針對該網(wǎng)站上所有內(nèi)容的行為模式預測將被精準的記錄和掌握下來，并且以匹配對的形式最終反饋給網(wǎng)絡運營商，從而實現(xiàn)用戶行為模式的精準分析和精準預測。


圖I是實現(xiàn)本發(fā)明用于分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置的結(jié)構(gòu)框圖；圖2是實現(xiàn)本發(fā)明用于分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法的流程圖。
具體實施例方式為使本發(fā)明的上述目的、特征和優(yōu)點更加明顯易懂，下面結(jié)合附圖和具體實施方式
對本發(fā)明作進一步詳細的說明。圖I是實現(xiàn)本發(fā)明用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置的結(jié)構(gòu)框圖；圖中數(shù)字I指代用戶網(wǎng)絡行為對比器；數(shù)字2指代網(wǎng)絡內(nèi)容屬性標簽收集器；數(shù)字3指代網(wǎng)絡內(nèi)容與行為匹配對〈標簽，行為 > 存儲器；數(shù)字4指代〈標簽，行為 > 行為績效值序列存儲器； 數(shù)字5指代最高績效值匹配對存儲器。本發(fā)明裝置中的各功能部件完成的功能如下用戶網(wǎng)絡行為對比器I采集某一特定用戶針對網(wǎng)絡實際內(nèi)容而采取的實際行為， 以及被實施該行為的網(wǎng)絡內(nèi)容的標簽；然后，將該特定用戶實際執(zhí)行的行為與網(wǎng)絡服務器端的決策制定分析器所輸出的預先設定的用戶行為進行對比，將對比結(jié)果以及用戶實際的行為輸出到網(wǎng)絡內(nèi)容屬性標簽收集器2中；其中，決策制定分析器是網(wǎng)絡運營商的網(wǎng)站中用于制定互聯(lián)網(wǎng)內(nèi)容設置、投放策略的功能部件，其可以針對某一特定用戶的ID制定對應于該用戶的特定互聯(lián)網(wǎng)內(nèi)容，例如，可以制定針對某一特定用戶進行精準廣告投放的策略。在此，采集每一特定用戶的行為的策略可以基于用戶的各種ID，例如，固定IP地址、注冊賬戶等。由于用戶的ID對于用戶來講是唯一標識的，所以用戶網(wǎng)絡行為對比器I 可以采集某一用戶的特定行為。網(wǎng)絡內(nèi)容屬性標簽收集器2將網(wǎng)絡上的內(nèi)容分類，并按照分類等級的方法將分類后的內(nèi)容的共同屬性以標簽的形式存儲下來，其中標簽組合可以根據(jù)不同的網(wǎng)絡內(nèi)容而進行即插即用式的重新配置和組合；
網(wǎng)絡內(nèi)容與行為匹配對存儲器3將用戶網(wǎng)絡行為對比器I中的用戶行為和網(wǎng)絡內(nèi)容屬性標簽收集器2中的網(wǎng)絡內(nèi)容屬性標簽以〈標簽，行為 > 的形式進行配對，將配對結(jié)果記錄在服務器上并同時作為可供性元素(affordance)提供給〈標簽，行為〉行為績效值序列存儲器4 ；在此,本發(fā)明根據(jù)可供性理論(參見Affordance Theory),提出了一套將互聯(lián)網(wǎng)內(nèi)容按照內(nèi)容屬性分類并且組合的方法。Affordance Theory認為人對事物做什么樣的動作不取決于人，而取決于該事物本身。例如我們?nèi)祟惪梢浴白凇币巫由?、將該椅子“扔出去”、“踢”這把椅子，等，但是卻沒有辦法“吃”這把椅子(通常情況下生理功能正常的人)。 如果動作的決定權(quán)在于我們?nèi)祟惐旧恚敲醇热晃覀兛梢浴俺浴钡案狻⑾隳c，即我們可以進行“吃”這個行為，我們就可以“吃”椅子，這顯然是荒謬的。Affordance Theory告訴我們， 動作的決定權(quán)其實在于事物本身我們可以“吃”蛋糕、香腸是因為蛋糕、香腸本身可以被食用；我們不可以“吃”椅子，是因為椅子本身不可以被食用。具體到本發(fā)明中，內(nèi)容與行為匹配對存儲器3首先會將當前互聯(lián)網(wǎng)頁面的內(nèi)容按照其被用戶觀察到后可以被實施的行為和動作進行分類，并且將分好的類用不同的標簽來描述，這些標簽可以根據(jù)當前頁面的具體內(nèi)容進行實時的、自動的組合，并將該組合記錄在服務器上。也就是說，在內(nèi)容與行為匹配對存儲器3中，首先實現(xiàn)了一種網(wǎng)絡內(nèi)容與用戶行為的對應方式這種對應方式?jīng)Q定了 第一，每一個事物如何被用戶感知；第二，哪些動作可以被用戶作用在該事物上；第三， 用戶可以從這些動作中得到哪些益處。雖然不同的用戶針對相同的內(nèi)容會有不同的反應’但是內(nèi)容本身的屬性確定了一 個詳細的、用戶可以對該類內(nèi)容采取的行為的范圍，在本發(fā)明中稱之為行為域。例如，根據(jù)現(xiàn)行互聯(lián)網(wǎng)通行法則，文字內(nèi)容可以被用戶進行以下行為點擊、復制、黏貼；而視頻內(nèi)容雖然可以被點擊，但是卻無法被復制和黏貼，所以視頻類內(nèi)容所對應的行為域中默認不包含復制、黏貼；但是，由于不同的用戶有不同的喜好和習慣，而且不同網(wǎng)站對不同內(nèi)容的呈現(xiàn)形式也不同，本發(fā)明在考慮到這點之后，為內(nèi)容與行為匹配對存儲器3增加了另一個功能任意類型(假定為標簽A)的內(nèi)容，其所默認對應的行為域{a_l，a_2，a_3，...}，如果用戶實際采取的行Sa_new不在默認的行為域中，那么用戶實際采取的行為將被記錄下來并且添加進針對該用戶自己的、對于標簽A所描述的網(wǎng)絡內(nèi)容的行為域中{a_new，a_l, a_2, a_3, . . . }，換言之，內(nèi)容與行為匹配對存儲器3 “知道了”對于該用戶來說，當用戶在瀏覽該網(wǎng)站時，若遇到標簽類型為A的內(nèi)容，他可能采取的行為的范圍是{a_new，a_l，a_2， a_3, . . . }。以上例子說明雖然通常情況下，視頻類內(nèi)容所對應的默認行為域中不包括復制、黏貼兩個動作，但是，當某家網(wǎng)絡運營商允許視頻類內(nèi)容被直接復制和黏貼時，那么用戶在瀏覽該網(wǎng)站的頁面時，他可以對視頻類內(nèi)容進行的操作將包括復制和黏貼兩個行為。在〈標簽，行為〉行為績效值序列存儲器4中，根據(jù)行為的績效性原理，對可選匹配對的績效值進行評估，所有匹配對根據(jù)其所對應的績效值，按照從大到小的順序記錄在服務器上，并將擁有最大績效值的匹配對發(fā)送到最高績效值匹配對存儲器5中；同時將按照績效值所推測出的標簽組合傳輸給網(wǎng)絡內(nèi)容與行為匹配對存儲器3。在此，根據(jù)認知推理理論(參見McCarthy,C. ,Mejia,L. ,Liu,H. (2000)Cognitive Appraisal Theory A Psychoeducational Approach for Understanding Connections between Cognition and Emotion in Group Work. Journal for Specialists in GroupWork, v25nlpl04-21Mar 2000)人類不同的行為將為其帶來不同程度的滿足感當某一特定行為的執(zhí)行滿足其喜好時，該行為的執(zhí)行為其帶來的滿足感就高；反之，滿足感就低”， 本發(fā)明在〈標簽，行為 > 績效值序列存儲器4中設置了 I個激勵組，網(wǎng)絡內(nèi)容與行為匹配對存儲器3傳到〈標簽，行為 > 績效值序列存儲器4中的匹配對中的行為，將對〈標簽，行為 >績效值序列存儲器4中的I個激勵組產(chǎn)生激勵，并按照以下公式產(chǎn)生績效值。
'I,當所實施的行為給用戶帶來正激勵 / = ‘0,其他
-1，當所實施的行為給用戶帶來負激勵其中績效值VJJtility = I這些績效值將被記錄下來，并且按照績效值從大到小的順序，將從網(wǎng)絡內(nèi)容與行為匹配對存儲器3中得到的匹配對以〈標簽，行為，績效值〉的形式有序排列起來，并記錄下來。在〈標簽，行為 > 績效值序列存儲器4中，針對該特定用戶，對該特定用戶多次對網(wǎng)絡內(nèi)容施加的行為所更新產(chǎn)生的〈標簽，行為 > 匹配對進行績效排序，并將擁有最大績效值的匹配對發(fā)送到最高績效值匹配對存儲器(5)，各類標簽所對應的匹配對按照績效值從大到小排列，并且將該信息傳回到網(wǎng)絡內(nèi)容與行為匹配對存儲器3中，使得網(wǎng)絡內(nèi)容與行為匹配對存儲器3中的相應標簽(組合)得以被激活；同時以〈標簽，行為，激勵值 > 序列的形式傳輸?shù)阶罡呖冃е灯ヅ鋵Υ鎯ζ?中。在最高績效值匹配對存儲器5中，將擁有最大績效值的匹配對設定為網(wǎng)絡用戶將要采取的行為和目標屬性，并將此匹配對傳輸給用戶網(wǎng)絡行為對比器I ;最高績效值匹配對存儲器5同時將所選匹配對中用戶的行為和標簽提供給網(wǎng)絡服務器中的決策制定分析器，由決策制定分析器根據(jù)最高績效值匹配對存儲器5所提供的匹配對中的用戶行為和內(nèi)容標簽得到每一個互聯(lián)網(wǎng)用戶的具體的、精準的行為模式，進而制定新的互聯(lián)網(wǎng)內(nèi)容設置與投放決策。在此，最高績效值匹配對存儲器5將〈標簽，行為，激勵值 > 序列按照相同的順序， 還原成〈標簽，行為〉有序序列，并且將排在首位的匹配對(對應激勵值最大的)傳輸?shù)接脩艟W(wǎng)絡行為對比器I。在用戶網(wǎng)絡行為對比器I中，用戶實際在網(wǎng)絡上實施的行為將被以 <標簽，實際行為 > 的形式記錄下來，并且與從最高績效值匹配對存儲器5中得到的對應標簽的〈標簽，行為 > 匹配對進行對比；若行為相同，則將結(jié)果傳輸?shù)骄W(wǎng)絡內(nèi)容屬性標簽收集器2中，并在網(wǎng)絡內(nèi)容屬性標簽收集器2中按照當前網(wǎng)絡內(nèi)容對標簽在等級標簽組中的位置予以確定和插入；若行為不相同，則以用戶的實際行為為標準生成〈標簽，實際行為 > 匹配對，并將結(jié)果按照上述原理，傳輸?shù)骄W(wǎng)絡內(nèi)容屬性標簽收集器2中。如上所述，在網(wǎng)絡內(nèi)容屬性標簽收集器2中，標簽及其所對應的行為域，將被根據(jù)當前網(wǎng)絡內(nèi)容進行排序和組合，并將結(jié)果傳輸?shù)骄W(wǎng)絡內(nèi)容與行為匹配對存儲器3中，此時， 網(wǎng)絡內(nèi)容與行為匹配對存儲器3中每一個標簽所對應的行為域?qū)⒈粡木W(wǎng)絡內(nèi)容屬性標簽收集器2中傳來的新的行為域所覆蓋和更新，并開啟一輪新的循環(huán)。圖2是本發(fā)明用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法的流程圖，如圖2所示，本發(fā)明的方法具體包括如下步驟
步驟一、將網(wǎng)絡內(nèi)容用標簽類描述；步驟二、將用戶能夠?qū)W(wǎng)絡內(nèi)容所進行的操作對應到網(wǎng)絡內(nèi)容的標簽；步驟三、將能夠?qū)W(wǎng)絡內(nèi)容標簽所實施的所有操作表示為行為域；步驟四、用標簽、標簽所對應的行為域、〈標簽，行為 > 匹配對來描述網(wǎng)絡運營商提供的網(wǎng)絡內(nèi)容；步驟五、采集某一特定用戶的實際行為，將〈標簽，實際行為 > 匹配對與預先設定的針對所述網(wǎng)絡內(nèi)容的用戶預測行為所對應的〈標簽，預測行為 > 匹配對進行比對；步驟六、針對該特定用戶，用比對結(jié)果更新用于描述網(wǎng)絡運營商提供的網(wǎng)絡內(nèi)容的〈標簽，行為〉匹配對；步驟七、將更新的針對該特定用戶的〈標簽，行為 > 匹配對與該特定用戶再次操作該網(wǎng)絡內(nèi)容的行為所產(chǎn)生的〈標簽，實際行為 > 匹配對進行比對；步驟八、對該特定用戶多次對網(wǎng)絡內(nèi)容施加的行為所更新產(chǎn)生的〈標簽，行為 > 匹配對進行績效排序；步驟九、針對該特定用戶，將擁有最大績效值的〈標簽，行為 > 匹配對作為對該特定用戶對于該標簽所描述網(wǎng)絡內(nèi)容的的精準行為模式輸出給網(wǎng)絡運營商。相較于中現(xiàn)有技術中由于已知內(nèi)容與未知內(nèi)容之間沒有任何相關性而導致的模型無法正常工作的問題，以及用統(tǒng)計學方法而帶來的對海量真實樣本數(shù)據(jù)的強依賴性，本發(fā)明用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法和裝置用來進行分析和處理的數(shù)據(jù)全部來自于用戶本身(已知)、在其所處網(wǎng)絡環(huán)境中針對不同內(nèi)容采取的具體行為(已知)，以及其在現(xiàn)有網(wǎng)絡環(huán)境中可以采取的所有行為和操作(可生成)，因而能夠真正完全地得出針對每一個用戶本身的最準確的結(jié)論。而且，這種分析方法的實時性是可以自我更新的它隨著網(wǎng)站內(nèi)容的不斷更新而自我更新；同時，這種方法的準確性是隨著用戶在網(wǎng)站上行為和動作的增加而不斷提高的，由于采用了〈標簽，行為〉這種匹配對來標識網(wǎng)站內(nèi)容和用戶可以采取的行為，用戶在網(wǎng)站上得每一個動作都可以觸發(fā)一次對用戶行為模式分析的更新， 從而增加其精準性，用戶在網(wǎng)站上的操作越多，對其本人的行為模式分析越準確。下面結(jié)合具體應用實例對本發(fā)明進一步進行描述，以便本領域技術人員更清楚本發(fā)明的工作過程。實施例I :當新浪網(wǎng)上有章子怡和趙薇兩位明星所代言的圖片廣告時，服務器會針對此廣告在用戶網(wǎng)絡行為對比器I、網(wǎng)絡內(nèi)容屬性標簽收集器2、網(wǎng)絡內(nèi)容與行為匹配對〈標簽，行為 >存儲器3中生成如下標簽組合
權(quán)利要求
1.一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法，其特征在于包括如下步驟步驟一、將網(wǎng)絡內(nèi)容用標簽類描述；步驟二、將用戶能夠?qū)W(wǎng)絡內(nèi)容所進行的操作對應到網(wǎng)絡內(nèi)容的標簽；步驟三、將能夠?qū)W(wǎng)絡內(nèi)容標簽所實施的所有操作表示為行為域；步驟四、用標簽、標簽所對應的行為域、〈標簽，行為 > 匹配對來描述網(wǎng)絡運營商提供的網(wǎng)絡內(nèi)容；步驟五、采集某一特定用戶的實際行為，將〈標簽，實際行為 > 匹配對與預先設定的針對所述網(wǎng)絡內(nèi)容的用戶預測行為所對應的〈標簽，預測行為 > 匹配對進行比對；步驟六、針對該特定用戶，用比對結(jié)果更新用于描述網(wǎng)絡運營商提供的網(wǎng)絡內(nèi)容的〈 標簽，行為〉匹配對；步驟七、將更新的針對該特定用戶的〈標簽，行為〉匹配對與該特定用戶再次操作該網(wǎng)絡內(nèi)容的行為所產(chǎn)生的〈標簽，實際行為 > 匹配對進行比對；步驟八、對該特定用戶多次對網(wǎng)絡內(nèi)容施加的行為所更新產(chǎn)生的〈標簽，行為〉匹配對進行績效排序；步驟九、針對該特定用戶，將擁有最大績效值的〈標簽，行為 > 匹配對作為對該特定用戶對于該標簽所描述網(wǎng)絡內(nèi)容的的精準行為模式輸出給網(wǎng)絡運營商。
2.根據(jù)權(quán)利要求I所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法，其特征在于步驟五 步驟九中針對某一特定用戶所采取的策略是基于該特定用戶的用戶ID實現(xiàn)的。
3.一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于包括用戶網(wǎng)絡行為對比器(I)，其用于采集某一特定用戶根據(jù)網(wǎng)絡實際內(nèi)容而采取的行為， 以及被實施該行為的網(wǎng)絡內(nèi)容的標簽；并將該特定用戶實際執(zhí)行的行為與網(wǎng)絡服務器端的決策制定分析器所輸出的預先設定的用戶行為進行對比，將對比結(jié)果以及用戶實際的行為輸出到網(wǎng)絡內(nèi)容屬性標簽收集器(2)中；網(wǎng)絡內(nèi)容屬性標簽收集器(2)，其用于將網(wǎng)絡上的內(nèi)容分類，并按照分類等級的方法將分類后的內(nèi)容的共同屬性以標簽的形式存儲下來；網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)，用于將用戶網(wǎng)絡行為對比器(I)中的某一特定用戶行為和網(wǎng)絡內(nèi)容屬性標簽收集器(2)中的網(wǎng)絡內(nèi)容屬性標簽以〈標簽，行為 > 的形式進行配對，針對該特定用戶，將配對結(jié)果記錄在服務器上并同時提供給〈標簽，行為 > 行為績效值序列存儲器(4)；〈標簽，行為〉行為績效值序列存儲器(4)，用于對該特定用戶多次對網(wǎng)絡內(nèi)容施加的行為所更新產(chǎn)生的〈標簽，行為 > 匹配對進行績效排序，并將擁有最大績效值的匹配對發(fā)送到最高績效值匹配對存儲器(5)；最高績效值匹配對存儲器(5)，用于針對該特定用戶，將擁有最大績效值的〈標簽，行為 > 匹配對作為對該特定用戶的精準行為模式輸出給網(wǎng)絡運營商。
4.根據(jù)權(quán)利要求3所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于在〈 標簽，行為〉績效值序列存儲器(4)中，各類標簽所對應的匹配對按照績效值從大到小排列，并且將該信息傳回到網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中，使得網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中的相應標簽得以被激活。
5.根據(jù)權(quán)利要求3所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于針對某一特定用戶所采取的策略是基于該特定用戶的用戶ID實現(xiàn)的。
6.根據(jù)權(quán)利要求3所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于所述內(nèi)容與行為匹配對存儲器(3)首先會將當前互聯(lián)網(wǎng)頁面的內(nèi)容按照其被用戶觀察到后可以被實施的行為和動作進行分類，并且將分好的類用不同的標簽來描述，這些標簽可以根據(jù)當前頁面的具體內(nèi)容進行實時的、自動的組合，并將該組合記錄在服務器上。
7.根據(jù)權(quán)利要求3所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于最高績效值匹配對存儲器(5)將〈標簽，行為，績效值〉序列按照相同的順序，還原成〈標簽，行為〉有序序列，并績效值最大的〈標簽，行為〉匹配對傳輸?shù)接脩艟W(wǎng)絡行為對比器⑴中， 用來與該特定用戶在網(wǎng)絡上再次所實施的行為所對應的〈標簽，實際行為 > 匹配對進行比對。
8.根據(jù)權(quán)利要求7所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于若比對行為相同，則將結(jié)果傳輸?shù)骄W(wǎng)絡內(nèi)容屬性標簽收集器(2)中，并在網(wǎng)絡內(nèi)容屬性標簽收集器(2)中按照當前網(wǎng)絡內(nèi)容對標簽在等級標簽組中的位置予以確定和插入；若比對行為不相同，則以用戶的實際行為為標準生成〈標簽，實際行為〉匹配對，并將結(jié)果按照上述原理，傳輸?shù)骄W(wǎng)絡內(nèi)容屬性標簽收集器(2)中。
9.根據(jù)權(quán)利要求8所述的用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的裝置，其特征在于在網(wǎng)絡內(nèi)容屬性標簽收集器(2)中，標簽及其所對應的行為域，將被根據(jù)當前網(wǎng)絡內(nèi)容進行排序和組合，并將結(jié)果傳輸?shù)骄W(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中，并使用從網(wǎng)絡內(nèi)容屬性標簽收集器(2)中傳來的新的行為域覆蓋和更新網(wǎng)絡內(nèi)容與行為匹配對存儲器(3)中每一個標簽所對應的行為域，進而開啟一輪新的循環(huán)。
全文摘要
一種用于精準分析互聯(lián)網(wǎng)用戶網(wǎng)絡行為的方法和裝置，其分析和處理的數(shù)據(jù)全部來自于用戶本身、用戶在其所處網(wǎng)絡環(huán)境中針對不同內(nèi)容采取的具體行為，以及其在現(xiàn)有網(wǎng)絡環(huán)境中可以采取的所有行為和動作，因而能夠真正完全地得出每一個用戶本身的最準確的行為模式。而且，這種分析方法的實時性是可以自我更新的它隨著網(wǎng)站內(nèi)容的不斷更新而自我更新；同時，這種方法的準確性是隨著用戶在網(wǎng)站上行為和動作的增加而不斷提高的，由于采用了<標簽，行為>這種匹配對來標識網(wǎng)站內(nèi)容和用戶可以采取的行為，用戶在網(wǎng)站上的每一個動作都可以觸發(fā)一次對用戶行為模式分析的更新，從而增加其精準性，用戶在網(wǎng)站上的操作越多，對其本人的行為模式分析越準確。
文檔編號G06F17/30GK102609471SQ20121001513
公開日2012年7月25日 申請日期2012年1月18日 優(yōu)先權(quán)日2012年1月18日
發(fā)明者康睿 申請人:康睿