本發(fā)明涉及推薦引擎領域，尤其涉及一種基于自然語言分析技術的信息推送系統(tǒng)。

背景技術：

當今社會，每天生產(chǎn)大量的新聞資訊內(nèi)容，并設置相對獨特的原創(chuàng)圖文、視頻欄目，新聞編輯團隊從中篩選出相對優(yōu)質(zhì)、熱門的資訊內(nèi)容推送給用戶，或者，聚合第三方新聞平臺的資源，根據(jù)用戶的閱讀行為記錄來推送給用戶個性化資訊內(nèi)容，前者的推送方式缺點在于，推送規(guī)則單一，將優(yōu)質(zhì)、熱門的資訊內(nèi)容推送給每一個人必然是不能貼合用戶需求的；后者的推送方式缺點在于，聚合第三方新聞平臺的資源，聚合成本較高，且用戶的閱讀習慣受到該第三方新聞平臺的限制，無法深入挖掘用戶潛在興趣。

互聯(lián)網(wǎng)上各種信息摻雜，且更新速度非?？欤枰度氪罅康娜肆磉M行編輯和篩選工作，運營成本非常高；對用戶的閱讀興趣分析不夠精準，推送給用戶的資訊內(nèi)容沒有和用戶需求相貼合，長此以往會導致用戶閱讀興趣下降，用戶量減少。

技術實現(xiàn)要素：

為克服現(xiàn)有技術的不足，本發(fā)明的目的是：提供一種基于自然語言分析技術的信息推送系統(tǒng)，通過算法對文章進行熱度分析，在內(nèi)容編選方面減少人工干預，對個性化推薦效果進行自我修正，提高推薦結果的準確度。

為了解決背景技術中的技術問題，本發(fā)明提供了一種基于自然語言分析技術的信息推送系統(tǒng)，包括以下模塊：

數(shù)據(jù)整合模塊，用于對全網(wǎng)資訊信息進行24小時不間斷采集；

數(shù)據(jù)存儲模塊，用于將所述數(shù)據(jù)整合模塊采集的資訊信息存儲到數(shù)據(jù)庫；

數(shù)據(jù)處理模塊，用于對采集入庫的數(shù)據(jù)進行正文抽取、聚類、去雜質(zhì)、排版優(yōu)化，并進行熱度分析，組成專題；

用戶畫像模型，通過用戶在客戶端的行為和操作，建立起用戶區(qū)分度模型，學習了解用戶的閱讀興趣信息，進而對用戶的閱讀偏好進行預測；

信息推送模塊，用于根據(jù)用戶的閱讀偏好，與數(shù)據(jù)庫中的資訊內(nèi)容進行智能化匹配，并將匹配中的信息推送給用戶。

進一步地，所述用戶畫像模型還包括修正單元，用于跟進用戶喜好的變化，修正用戶的閱讀偏好結果。

具體地，所述數(shù)據(jù)處理模塊通過自然語言語義分類技術與關鍵詞配置規(guī)則的結合，實現(xiàn)對信息的細化分析并分類。

本發(fā)明的基于自然語言分析技術的信息推送系統(tǒng)還包括接口模塊，所述接口模塊包括管理數(shù)據(jù)接口單元、應用系統(tǒng)數(shù)據(jù)接口單元和索引數(shù)據(jù)接口單元。

采用上述技術方案，本發(fā)明的基于自然語言分析技術的信息推送系統(tǒng)以資訊聚合客戶端為載體，在整合優(yōu)化全網(wǎng)資訊文章的基礎上，通過算法語義分析，對文章進行正文抽取、聚類、去雜質(zhì)、排版優(yōu)化，并對文章熱度進行分析，同時根據(jù)用戶閱讀行為建立每個用戶的個人畫像，然后針對不同用戶畫像里的興趣、地域、收入等個人信息，建立起用戶個性化推薦模型，再通過大數(shù)據(jù)、人工智能等手段，在盡可能短的時間內(nèi)學習了解用戶的興趣偏好，并對用戶的閱讀喜好進行預測，最終有針對性的推送出與用戶閱讀偏好相匹配的的優(yōu)質(zhì)資訊信息。從而達到既大大減少人力成本，又能根據(jù)用戶需求來推送資訊信息的目的。

附圖說明

為了更清楚地說明本發(fā)明的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它附圖。

圖1是本發(fā)明實施例提供的基于自然語言分析技術的信息推送系統(tǒng)的系統(tǒng)框圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

實施例：圖1是本發(fā)明實施例提供的基于自然語言分析技術的信息推送系統(tǒng)的系統(tǒng)框圖，從圖中可以看出，所述基于自然語言分析技術的信息推送系統(tǒng)包括以下模塊：

數(shù)據(jù)整合模塊，用于對全網(wǎng)資訊信息進行24小時不間斷采集；

數(shù)據(jù)存儲模塊，用于將所述數(shù)據(jù)整合模塊采集的資訊信息存儲到數(shù)據(jù)庫；

數(shù)據(jù)處理模塊，用于對采集入庫的數(shù)據(jù)進行正文抽取、聚類、去雜質(zhì)、排版優(yōu)化，并進行熱度分析，組成專題；

用戶畫像模型，通過用戶在客戶端的行為和操作，建立起用戶區(qū)分度模型，學習了解用戶的閱讀興趣信息，進而對用戶的閱讀偏好進行預測；

信息推送模塊，用于根據(jù)用戶的閱讀偏好，與數(shù)據(jù)庫中的資訊內(nèi)容進行智能化匹配，并將匹配中的信息推送給用戶。

進一步地，所述用戶畫像模型還包括修正單元，用于跟進用戶喜好的變化，修正用戶的閱讀偏好結果。

具體地，所述數(shù)據(jù)處理模塊通過自然語言語義分類技術與關鍵詞配置規(guī)則的結合，實現(xiàn)對信息的細化分析并分類。

本實施例提供的基于自然語言分析技術的信息推送系統(tǒng)還包括接口模塊，所述接口模塊包括管理數(shù)據(jù)接口單元、應用系統(tǒng)數(shù)據(jù)接口單元和索引數(shù)據(jù)接口單元。

本發(fā)明涉及一種基于自然語言智能分析處理的推薦引擎技術。首先，數(shù)據(jù)后臺會24小時不間斷采集全網(wǎng)數(shù)據(jù)，并對采來的數(shù)據(jù)進行正文抽取、聚類、去雜質(zhì)、排版優(yōu)化、熱度分析等智能分析處理，經(jīng)過優(yōu)化處理后的數(shù)據(jù)會進入備用內(nèi)容庫。當用戶打開客戶端后，后臺會根據(jù)用戶的一系列閱讀行為和操作建立起不同的用戶畫像，并持續(xù)進行自我修正:本發(fā)明以最短的學習時間，對用戶的閱讀偏好進行學習預測，并會持續(xù)的對用戶行為進行分析，及時跟進用戶喜好的變化，提高資訊推薦的準確程度，最終根據(jù)用戶畫像中記錄的用戶信息來從內(nèi)容庫中匹配用戶可能感興趣的資訊信息，有針對性的推送給用戶。

本發(fā)明針對現(xiàn)有的人工編輯推薦運營成本大以及個性化推薦質(zhì)量不高的問題，在整合全網(wǎng)資訊內(nèi)容的基礎上，通過算法語義分析，對文章進行正文抽取、聚類、去雜質(zhì)、排版優(yōu)化，并對文章熱度進行分析，組建專題，無需像現(xiàn)在的媒體那樣安排大量編輯對內(nèi)容進行人工編選，既保證了內(nèi)容的質(zhì)量，又減少了人工運營成本，然后再將算法處理過的文章與大數(shù)據(jù)分析得出的用戶閱讀偏好相匹配，推送給用戶感興趣的文章。

以上所揭露的僅為本發(fā)明的幾種較佳實施例而已，當然不能以此來限定本發(fā)明之權利范圍，因此依本發(fā)明權利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。