本發(fā)明屬于信息推薦，具體涉及一種基于多渠道分發(fā)的金融資訊推薦方法及系統(tǒng)。

背景技術：

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，金融資訊的數(shù)量和發(fā)布速度呈現(xiàn)爆炸性增長。各類金融信息平臺、社交媒體、新聞門戶等不斷推送著海量的金融動態(tài)和分析報告。然而，用戶在面對如此海量的信息時，往往難以找到自己真正感興趣和有價值的資訊內容。這種信息過載現(xiàn)象導致用戶的注意力分散、信息獲取效率低下。

2、當前市面上的金融資訊分發(fā)系統(tǒng)大多存在單一渠道分發(fā)，用戶覆蓋不足，用戶行為數(shù)據(jù)不完整，難以構建精確的用戶畫像的情況。許多資訊平臺僅依賴某一單一渠道進行資訊推送，如網(wǎng)頁端或移動app。由于用戶習慣于在不同的終端和平臺獲取信息，單一渠道的分發(fā)方式無法適應用戶的多樣化需求，現(xiàn)有的推薦系統(tǒng)大多僅依賴單一平臺的用戶行為數(shù)據(jù)（如僅考慮用戶在app上的瀏覽行為），難以整合用戶在多個平臺的行為軌跡。這種數(shù)據(jù)碎片化的情況導致用戶畫像構建不夠全面，無法精準捕捉用戶在不同場景、不同時間段的行為模式和興趣變化。由于用戶在不同平臺上的行為數(shù)據(jù)無法有效整合，系統(tǒng)無法對用戶進行全方位的畫像構建，導致個性化推薦的精度受限。即使是大型資訊平臺，也很難實現(xiàn)真正的跨平臺數(shù)據(jù)打通和行為分析，用戶在金融市場中的需求具有很強的動態(tài)性，受市場波動、政策變化、經(jīng)濟事件等影響，用戶在不同時期的資訊需求會快速變化，而現(xiàn)有的推薦系統(tǒng)無法實時感知用戶的需求變化，導致推薦內容滯后于用戶的需求。

3、因此，針對如何進行用戶畫像的全方位構建，實現(xiàn)跨平臺的金融資訊精準推薦和多渠道分發(fā)，以滿足用戶在不同平臺和終端上的個性化需求的問題，亟需一種多渠道分發(fā)的金融資訊推薦方法及系統(tǒng)，旨在通過多平臺、多設備的協(xié)同分發(fā)，以提高金融資訊的精準推薦能力，提升用戶體驗。

技術實現(xiàn)思路

1、為解決上述問題，本發(fā)明提供了一種基于多渠道分發(fā)的金融資訊推薦方法及系統(tǒng)，能夠結合用戶在不同平臺上的行為數(shù)據(jù)，進行多維度的用戶畫像構建，并基于此進行精準的資訊推薦，實現(xiàn)用戶在多渠道、多終端上的無縫資訊體驗。

2、本發(fā)明所述的一種基于多渠道分發(fā)的金融資訊推薦方法，包括以下步驟：

3、s10、通過金融資訊平臺的前端系統(tǒng)，采集用戶多類渠道的行為數(shù)據(jù)；

4、s20、將用戶的行為數(shù)據(jù)進行跨平臺數(shù)據(jù)整合，形成完整的用戶行為數(shù)據(jù)集；

5、s30、根據(jù)采集的用戶行為數(shù)據(jù)集進行金融資訊內容的分析，提取出金融領域的主題標簽，構建多維度用戶畫像；

6、s40、對平臺內的金融資訊內容進行分類，建立金融資訊數(shù)據(jù)庫，并為每條金融資訊打上關鍵詞標簽；

7、s50、通過用戶畫像與資訊內容的關鍵詞匹配度，使用內容推薦與用戶偏好相符的金融資訊，并基于用戶的歷史行為數(shù)據(jù)及具有相似興趣和行為模式用戶群體的行為習慣，使用協(xié)同過濾算法推薦用戶感興趣的金融資訊，得到金融資訊推薦列表；

8、s60、根據(jù)用戶在不同終端的使用習慣，將金融資訊推薦列表通過多渠道進行跨平臺資訊分發(fā)。

9、作為本發(fā)明的進一步方案，s10中，采集用戶在多個渠道上的行為數(shù)據(jù)，包括網(wǎng)頁端、移動端以及社交平臺，其中網(wǎng)頁端和移動端為訪問平臺，社交平臺為互動平臺，采集的行為數(shù)據(jù)包括瀏覽歷史、點擊次數(shù)、停留時長、點贊、評論和分享的行為數(shù)據(jù)。

10、作為本發(fā)明的進一步方案，s20具體為：

11、使用平臺登錄信息進行用戶身份匹配；若用戶未登錄，基于設備信息生成臨時id進行數(shù)據(jù)采集；若用戶更換平臺登錄，將臨時id與全局用戶id進行合并，并將臨時的登錄行為數(shù)據(jù)關聯(lián)到全局id；

12、確定各平臺上用戶行為數(shù)據(jù)的字段和格式，并建立標準化的行為數(shù)據(jù)模型；

13、對采集的數(shù)據(jù)進行格式轉換并按照標準化的行為數(shù)據(jù)模型進行存儲，去除重復的行為記錄；

14、將去重后的行為數(shù)據(jù)整合為完整的用戶行為數(shù)據(jù)集，并采用nosql數(shù)據(jù)庫進行統(tǒng)一存儲；其中，存儲時，為每個用戶創(chuàng)建一個數(shù)據(jù)存儲實體，包含用戶的所有跨平臺行為數(shù)據(jù)，并通過全局用戶id自動將行為數(shù)據(jù)追加到用戶的行為數(shù)據(jù)集上。

15、作為本發(fā)明的進一步方案，s30中，根據(jù)采集的用戶行為數(shù)據(jù)集進行金融資訊內容的分析，包括以下步驟：

16、對采集到的金融資訊文本進行分詞和去停用詞預處理，得到詞形還原和去除標點符號的文本數(shù)據(jù)；

17、通過tf-idf確定金融資訊中出現(xiàn)頻率超過預設比例且在不同資訊文本中具有區(qū)分性的關鍵詞；

18、使用lda主題模型從金融資訊的文本數(shù)據(jù)提取主題，并為每條資訊文本分配多個主題標簽。

19、作為本發(fā)明的進一步方案，構建多維度用戶畫像時，根據(jù)采集的用戶行為數(shù)據(jù)集分析用戶的興趣偏好、活躍時間段、閱讀習慣的行為信息，提取用戶閱讀過的金融資訊內容，并標注金融領域的主題標簽，主題標簽包括股票、基金和債券。

20、作為本發(fā)明的進一步方案，構建多維度用戶畫像，包括以下步驟：

21、通過采集的用戶行為數(shù)據(jù)集，統(tǒng)計每個用戶與金融資訊的互動行為；

22、為每個用戶生成一個興趣模型，所述興趣模型基于用戶閱讀的資訊主題標簽的頻率和時間維度，計算用戶對某一類金融資訊的偏好程度；

23、基于構建的用戶畫像，使用協(xié)同過濾算法推薦與用戶興趣最匹配的資訊；

24、將每個用戶的畫像存儲在數(shù)據(jù)庫中，以便后續(xù)推薦系統(tǒng)調用。

25、作為本發(fā)明的進一步方案，s40中，建立金融資訊數(shù)據(jù)庫時，金融資訊數(shù)據(jù)庫為結構化的數(shù)據(jù)庫，包含以下表格：

26、資訊表：包含資訊id、標題、內容、發(fā)布時間、分類標簽、關鍵詞標簽；

27、分類表：包含分類id、分類名稱、描述；

28、關鍵詞表：包含關鍵詞id、關鍵詞名稱、相關資訊id。

29、作為本發(fā)明的進一步方案，為每條金融資訊打上關鍵詞標簽時，采用rake算法進行關鍵詞提取，具體步驟包括：對文本進行分詞并去除停用詞，提取候選關鍵詞，通過計算詞頻、詞的共現(xiàn)性以及詞的權重，得到每個候選詞的得分，選擇得分最高的關鍵詞作為最終標簽；得分的計算方法為：得分=(詞頻×權重)×(共現(xiàn)頻次)。

30、作為本發(fā)明的進一步方案，s50具體為：

31、收集用戶的基本信息、興趣偏好以及歷史行為數(shù)據(jù)，提取出用戶的興趣特征和行為特征，形成用戶畫像；

32、對金融資訊內容提取出關鍵詞和主題，形成資訊特征向量，并將資訊內容按照主題進行分類；

33、通過計算用戶畫像中的興趣關鍵詞與資訊內容關鍵詞的匹配度，使用余弦相似度進行量化，并對每條資訊生成一個匹配評分；

34、構建用戶行為矩陣，記錄用戶對資訊內容的互動數(shù)據(jù)，使用用戶協(xié)同過濾識別與當前用戶行為相似用戶，根據(jù)相似用戶的行為，推薦當前用戶未接觸過的資訊；

35、將關鍵詞匹配度和協(xié)同過濾推薦結果進行加權融合，生成最終的推薦列表。

36、作為本發(fā)明的進一步方案，s60中，將金融資訊推薦列表通過多渠道進行跨平臺資訊分發(fā)，包括以下步驟：根據(jù)終端特征調整推薦內容的展示形式，進行終端適配，并根據(jù)推薦內容匹配推送渠道，將推薦的金融資訊跨平臺分發(fā)到用戶終端，其中，終端特征包括屏幕大小和操作系統(tǒng)。

37、本發(fā)明還提供了一種基于多渠道分發(fā)的金融資訊推薦系統(tǒng)，包括：

38、數(shù)據(jù)采集模塊，用于通過金融資訊平臺的前端系統(tǒng)，采集用戶多類渠道的行為數(shù)據(jù)；

39、數(shù)據(jù)整合模塊，用于將用戶的行為數(shù)據(jù)進行跨平臺數(shù)據(jù)整合，形成完整的用戶行為數(shù)據(jù)集；

40、畫像生成模塊，用于根據(jù)采集的用戶行為數(shù)據(jù)集進行金融資訊內容的分析，提取出金融領域的主題標簽，構建多維度用戶畫像；

41、關鍵詞匹配模塊，用于對平臺內的金融資訊內容進行分類，建立金融資訊數(shù)據(jù)庫，并為每條金融資訊打上關鍵詞標簽；

42、資訊推薦模塊，用于通過用戶畫像與資訊內容的關鍵詞匹配度使用內容推薦，與用戶偏好相符的金融資訊，并基于用戶的歷史行為數(shù)據(jù)及具有相似興趣和行為模式用戶群體的行為習慣，使用協(xié)同過濾推薦用戶感興趣的金融資訊，得到金融資訊推薦列表；

43、跨平臺分發(fā)模塊，用于根據(jù)用戶在不同終端的使用習慣，將金融資訊推薦列表通過多渠道進行跨平臺資訊分發(fā)。

44、作為本發(fā)明的進一步方案，所述數(shù)據(jù)采集模塊包括前端系統(tǒng)集成單元和數(shù)據(jù)采集接口，所述前端系統(tǒng)集成單元負責從金融資訊平臺的多個終端（包括網(wǎng)頁端、移動端、app、小程序等）采集用戶的行為數(shù)據(jù)，如瀏覽、點擊、停留時間、點贊、評論等；所述數(shù)據(jù)采集接口用于通過api接口或sdk嵌入方式收集用戶的跨終端行為數(shù)據(jù)，保證數(shù)據(jù)采集的全面性和一致性。

45、作為本發(fā)明的進一步方案，所述數(shù)據(jù)整合模塊包括數(shù)據(jù)處理引擎和用戶身份標識管理單元，所述數(shù)據(jù)處理引擎用于對來自不同終端的用戶數(shù)據(jù)進行去重、清洗和歸一化處理，形成完整的用戶行為數(shù)據(jù)集，所述用戶身份標識管理單元用于通過用戶登錄信息、設備id、cookie等方式，將用戶在不同終端上的行為進行統(tǒng)一識別，保證跨平臺數(shù)據(jù)的準確性和一致性。

46、作為本發(fā)明的進一步方案，所述畫像生成模塊中包括金融資訊分析單元，所述金融資訊分析單元包含資訊內容分析工具和資訊數(shù)據(jù)庫，所述資訊內容分析工具用于對金融資訊進行文本分析，提取出資訊的主題、關鍵詞及其他重要信息，并生成主題標簽（如股票、基金、債券、貨幣市場等）；所述資訊數(shù)據(jù)庫用于構建金融資訊數(shù)據(jù)庫，存儲所有已分類和打標簽的金融資訊，保證系統(tǒng)可以隨時訪問和匹配最新的資訊內容。

47、作為本發(fā)明的進一步方案，所述畫像生成模塊包括用戶行為特征提取器和畫像更新引擎，所述用戶行為特征提取器用于基于用戶行為數(shù)據(jù)集，提取用戶的興趣偏好（如關注的金融領域、投資風格、瀏覽時間段等）和使用習慣（如偏好終端、閱讀頻率等），構建多維度的用戶畫像；所述畫像更新引擎用于根據(jù)用戶的最新行為數(shù)據(jù)，動態(tài)更新用戶畫像，以確保畫像的時效性和精確度。

48、作為本發(fā)明的進一步方案，所述資訊推薦模塊包括關鍵詞匹配推薦引擎、協(xié)同過濾推薦引擎和混合推薦單元，所述關鍵詞匹配推薦引擎用于通過計算用戶畫像中的興趣關鍵詞與金融資訊內容關鍵詞的相似度，生成推薦的金融資訊列表；所述協(xié)同過濾推薦引擎用于基于用戶歷史行為數(shù)據(jù)及相似用戶的行為習慣，使用協(xié)同過濾算法推薦用戶可能感興趣但未接觸過的金融資訊；所述混合推薦單元用于結合關鍵詞匹配和協(xié)同過濾，綜合生成個性化的資訊推薦列表，保證推薦內容的多樣性和相關性。

49、作為本發(fā)明的進一步方案，所述平臺分發(fā)模塊包括渠道適配器、跨平臺推送單元和實時反饋收集器，所述渠道適配器用于根據(jù)用戶終端特性（如屏幕大小、操作系統(tǒng)、網(wǎng)絡環(huán)境等），自動調整推薦內容的呈現(xiàn)形式，確保最佳的展示效果；所述跨平臺推送單元用于通過消息推送、短信、電子郵件、社交媒體等渠道將推薦的金融資訊推送給用戶，實現(xiàn)跨平臺資訊分發(fā)；所述實時反饋收集器用于通過各渠道收集用戶的互動反饋（如點擊率、退訂、點贊等），用于后續(xù)的推薦算法優(yōu)化。

50、作為本發(fā)明的進一步方案，所述基于多渠道分發(fā)的金融資訊推薦系統(tǒng)還包括數(shù)據(jù)安全與隱私管理模塊，數(shù)據(jù)安全與隱私管理模塊包括：

51、數(shù)據(jù)加密引擎：對用戶行為數(shù)據(jù)和敏感信息進行加密存儲和傳輸，確保數(shù)據(jù)安全性；

52、隱私保護系統(tǒng)：遵循相關隱私保護法律法規(guī)，如gdpr，確保用戶隱私信息的合法采集和使用，并提供隱私設置管理功能，允許用戶控制數(shù)據(jù)使用權限。

53、作為本發(fā)明的進一步方案，所述基于多渠道分發(fā)的金融資訊推薦系統(tǒng)還包括推薦算法優(yōu)化模塊，推薦算法優(yōu)化模塊包括：

54、反饋循環(huán)系統(tǒng)：基于用戶的行為反饋數(shù)據(jù)，定期評估推薦的有效性，調整推薦策略，優(yōu)化算法；

55、a/b測試系統(tǒng)：支持不同推薦策略的并行測試，通過用戶反饋數(shù)據(jù)自動選擇效果最優(yōu)的推薦方案。

56、與現(xiàn)有技術相比較而言，本發(fā)明提出的一種基于多渠道分發(fā)的金融資訊推薦方法及系統(tǒng)，具有以下有益效果：

57、1.精準的實現(xiàn)了用戶畫像的構建；本發(fā)明通過跨終端、多渠道的數(shù)據(jù)采集與整合，可以對用戶行為進行全面且細致的分析。通過對不同終端的使用習慣進行深入挖掘，結合歷史行為數(shù)據(jù)，系統(tǒng)能夠動態(tài)、精確地構建用戶畫像；這使得系統(tǒng)對用戶興趣和需求的預測更為準確，確保推薦內容與用戶的偏好高度契合；

58、2.實現(xiàn)了多維度個性化推薦；本發(fā)明結合關鍵詞匹配和協(xié)同過濾兩種推薦，既能通過用戶的顯性興趣（如瀏覽內容、關鍵詞）推薦金融資訊，又能通過分析相似用戶的行為習慣提供個性化的內容推薦；混合推薦算法確保了推薦內容的多樣性和相關性，用戶能夠獲得既符合自己興趣又具有一定新鮮感的資訊；

59、3.實現(xiàn)了跨平臺、多終端資訊分發(fā)；本發(fā)明具備強大的跨平臺資訊分發(fā)能力，無論用戶使用的是移動端、桌面端還是其他智能終端，系統(tǒng)都能根據(jù)用戶終端特性自適應地調整內容展示形式；通過消息推送、郵件通知、社交媒體推送等多種方式，系統(tǒng)可以在用戶使用不同終端的場景下，確保金融資訊及時精準地到達用戶手中，極大地提升了用戶體驗的流暢性；

60、4.實現(xiàn)了實時反饋與推薦優(yōu)化；本發(fā)明具備實時收集用戶反饋（如點擊、互動、訂閱和退訂等）的功能，并能根據(jù)反饋數(shù)據(jù)不斷優(yōu)化推薦算法；通過a/b測試、用戶行為分析等手段，系統(tǒng)能夠動態(tài)調整推薦策略，確保推薦內容不斷與用戶需求保持同步；用戶反饋形成閉環(huán)，保證推薦系統(tǒng)持續(xù)進化，進一步提高推薦的準確性與用戶滿意度；

61、5.實現(xiàn)了數(shù)據(jù)安全和隱私保護；本發(fā)明對用戶行為數(shù)據(jù)進行加密存儲和傳輸，嚴格遵守gdpr等數(shù)據(jù)隱私保護法律法規(guī)，確保用戶隱私信息不會被濫用；用戶還可以自主選擇數(shù)據(jù)使用權限，增加了系統(tǒng)的透明性和用戶的信任度；通過合法合規(guī)的數(shù)據(jù)使用策略，用戶不僅能夠享受到個性化的服務，同時也對隱私問題沒有后顧之憂；

62、6.提升了用戶參與度和留存率；本發(fā)明精準的推薦機制和跨渠道推送能力能夠有效提升用戶的使用黏性和參與度；通過提供與用戶興趣高度契合的金融資訊，用戶在平臺的停留時間增加，互動和轉化率提高；此外，及時、智能的推送機制也能夠吸引用戶回流，提升平臺的活躍度和留存率，進而增加用戶忠誠度。

63、綜上所述，本發(fā)明通過整合用戶行為數(shù)據(jù)、構建精準用戶畫像、實現(xiàn)跨平臺分發(fā)、多維度推薦，以及保障數(shù)據(jù)安全和隱私保護，提供了一種高效、智能、個性化的金融資訊推薦方法和系統(tǒng)。該系統(tǒng)不僅極大提升了用戶體驗，還能通過實時優(yōu)化和數(shù)據(jù)分析不斷提升推薦效果，推動金融資訊平臺的用戶增長和服務優(yōu)化。