一种基于互联网大数据标签分析配对式活动推荐方法与流程

1.本发明涉及到活动推荐技术领域，特别涉及一种基于互联网大数据标签分析配对式活动推荐方法。


背景技术：

2.用户想参加活动，一般是从活动列表里挑选自己喜爱的活动进行报名参加。而普遍的活动列表是按照活动发起时间，最新的排在前面。当活动比较多的时候，用户往往要翻上好几页，才能找到自己喜欢的活动，花费了大量的时间。在活动名额比较紧张的情况下，经常发生找到想报名的活动，却发现活动名额已满。或者有些活动曝光率不够，导致报名人数少，活动无法正常开展等问题。


技术实现要素：

3.本发明的目的在于提供一种基于互联网大数据标签分析配对式活动推荐方法，大规模的精准定位用户，提高运营人员的充分资源，提高工作效率和产品的转化率，减少不必要的风险发生概率，一旦标签信息有变，及时更新同步，提高运营效率，能够有效根据其标签内容匹配到相对应的活动内容，减少单向寻找的不便性，可以统计分析哪些活动受哪些人群喜爱，方便更加精准的进行匹配，显性标签能够自主进行定义，能够有效直观的进行活动选择，从而对满足条件的用户进行活动匹配，解决用户和活动双向查找困难的问题，也保证了活动匹配的精准度，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：
5.一种基于互联网大数据标签分析配对式活动推荐方法，包括如下步骤：
6.s1：活动定义：首先根据不同活动性质、以及活动内容、或者活动的特征，将活动分成各种不同标签，并将每个活动以及对应的标签进行配对储存；
7.s2：信息收集：收集用户的历史浏览记录、历史参加活动情况记录的数据，根据采集信息数据进行种类分别划分；
8.s3：用户标签：根据收集到的用户信息，对不同的用户贴上匹配的标签，且根据每个用户的标签组成该用户独特的活动列表；
9.s4：活动推送：根据用户不同的标签，像该用户推送匹配的活动，并进行记录，将给成员匹配的推送活动进行确认信息记录；
10.s5：选择分析：在匹配过程，加入了匹配度的标准分析，匹配度越高，说明越可能受到该用户的喜欢，在推送中排在更前面。
11.进一步地，针对s1中，活动标签包括文体艺术、学术创新、实习创业、道德修养、技能培训、身心发展、社会工作、志愿服务、线上活动、线下活动、班级活动、团日活动、讲座论坛类、体育竞技类、读书、影视赏析和外语培训等，并将这个标签以及对应的活动，进行信息储存。
12.进一步地，针对s2中，信息收集包括如下步骤：
13.s201：针对每个用户单独生成一个推送数据收集系统，且收集系统内设置有针对每个用户用于信号储存的数据储存库；
14.s202：系统访问其用户的浏览记录，且对历史浏览次数进行记录，针对浏览次数进行标记，将次数多的浏览信息进行收集；
15.s203：收集用户历史参加活动的信息，并将用户每次参加的历史活动信息进行分析，截取有用的信息进行收集储存。
16.进一步地，针对s3中，用户标签包括如下步骤：
17.s301：基于原有数据沉淀分析出来的精准性标签，与用户行为产生的数据进行清洗整合，提炼出相对完善的用户标签；
18.s302：需求收集后需要对需求进行分析梳理，结合业务场景，判断需求和业务的匹配程度，确定标签制定的目的，统一标签定义，注意标签务必要符合业务场景搭建，且对标签定义达成内部共识；
19.s303：明确数据支持信息，即什么样的数据和标签相匹配，这些数据包括用户基础数据、用户行为数据、用户业务数据和补充数据等。
20.进一步地，针对s3中，活动喜爱的人群进行标签，其标签包括男生、女生、大一新生、临毕业学生、所学专业、用户参加的社团以及家庭情况等，用户贴的标签包括隐性标签和显性标签，隐性标签为后台给用户打标签，对用户线上和线下行为深度洞察，后台结合用户前端的点击浏览行为等用户行为操作，自动为用户贴上相应类别标签；显性标签通过用户主动给自己打标签，即用户在产品前端页面手动选择自己感兴趣的标签，用户通过触发标签机制，后台机器匹配数据直接打标签。
21.进一步地，针对s4中，活动推送包括如下步骤：
22.s401：在整个用户信息数据库中，通过对用户基本信息、属性、心理、行为等调研后获得的较为精准的用户虚拟模型；
23.s402：确定将要做推送的活动的主要目的，并确定好触发场景，明确活动投放位置，用户完成了预定的操作或者符合相应的条件才能触发某个活动；
24.s403：通过给用户打标签，集中管理用户的属性和行为标签，当面对不同用户可以触发不同活动，从而使活动转化概率增加。
25.进一步地，针对s4中，跟据历史数据，分析系统成员的各种属性，基于成员的各种属性，为成员打标签，基于成员标签，为成员匹配相应的推送活动，组成该用户独特的活动列表，可进行多次活动推送。
26.进一步地，针对s402中，用户完成了触发活动在一个典型的块匹配算法中，待触发的活动被分割为m
×
n或者是更为常用的n
×
n像素大小的块，在(n+2v)
×
(n+2w)大小的匹配窗中，当前的活动与前一刻中对应的活动相比较，基于匹配标准，找出最佳匹配，得到当前活动的替代位置，常用的匹配标准有平均平方误差和平均绝对误差，定义如下：
27.[0028][0029]
进一步地，针对s5中，匹配度的标准分析包括如下步骤：
[0030]
s501：从用户角度出发，通过用户的历史喜好信息分析各个用户之间的相似度或者物品之间的相似度；
[0031]
s502：然后利用目标用户的最近邻用户，或是目标物品的最近邻物品，以其对活动评价的加权评价值来预测用户对特定活动的喜好程度；
[0032]
s503：系统根据这一喜好程度进行推荐，并通过收集用户对推荐活动的满意度为基础，针对匹配度进行评估；
[0033]
s504：匹配模型在匹配的过程不断学习更新，通过不断收集该用户行为，以及类似人群行为分析，提高匹配精准度。
[0034]
进一步地，针对s5中，匹配度的标准分析定义如下：
[0035][0036]
与现有技术相比，本发明的有益效果是：
[0037]
1、本发明提出的基于互联网大数据标签分析配对式活动推荐方法，通过收集用户的信息，通过一定量的数据积累，提取出可以描述用户自身属性的标签，然后统一集中管理，就可以根据每次的不同需求，有针对性地策划、推送活动，为了在今后的运营中更好地突出核心、大规模的精准定位用户，提高运营人员的充分资源，提高工作效率和产品的转化率。
[0038]
2、本发明提出的基于互联网大数据标签分析配对式活动推荐方法，通过收集数据、清洗数据和分析数据，做到标签的规则、创建者、适用范围、版本等信息充分透明化管理，减少任何人调取标签使用的难度，用户标签会随着业务场景、用户角色等变量因素改变，而产品价值依赖变量因素持续变化，标签的新增与修改等操作要注意与之相关的业务场景需求及影响，尤其要注意避免因职业差异对某些标签的理解问题，多沟通很重要，减少不必要的风险发生概率，一旦标签信息有变，及时更新同步，提高运营效率。
[0039]
3、本发明提出的基于互联网大数据标签分析配对式活动推荐方法，活动喜爱的人群进行标签，其标签包括男生、女生、大一新生、临毕业学生、所学专业、用户参加的社团以及家庭情况等，用户标签就是通过对用户的静态信息和动态信息分析后给用户做标记，能够有效根据其标签内容匹配到相对应的活动内容，减少单向寻找的不便性。
[0040]
4、本发明提出的基于互联网大数据标签分析配对式活动推荐方法，用户贴的标签包括隐性标签和显性标签，隐性标签为后台给用户打标签，对用户线上和线下行为深度洞察，后台结合用户前端的点击浏览行为等用户行为操作，自动为用户贴上相应类别标签；显性标签通过用户主动给自己打标签，即用户在产品前端页面手动选择自己感兴趣的标签，用户通过触发标签机制，后台机器匹配数据直接打标签，隐性标签是用户自己无法察觉的
一些习惯和操作，根据数据分析出来，并加入到标签内，方便更加精准的进行匹配，显性标签能够自主进行定义，能够有效直观的进行活动选择。
[0041]
5、本发明提出的基于互联网大数据标签分析配对式活动推荐方法，通过互打标签的方式，完成用户和活动之间的标签匹配，能够减少单向选择过程中浪费时间的问题，且双向匹配的过程中，记录各项活动的体验感官，通过用户做出活动条件出发，从而对满足条件的用户进行活动匹配，解决用户和活动双向查找困难的问题，也保证了活动匹配的精准度。
[0042]
6、本发明提出的基于互联网大数据标签分析配对式活动推荐方法，跟据历史数据，分析系统成员的各种属性，基于成员的各种属性，为成员打标签，基于成员标签，为成员匹配相应的推送活动，组成该用户独特的活动列表，可进行多次活动推送，在多组活动中，记录用户感官，并对多组活动的体积记录进行分析，针对多组活动进行排名，能够做好精准推送。
附图说明
[0043]
构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0044]
图1为本发明的流程图；
[0045]
图2为本发明的步骤模块图；
[0046]
图3为本发明的信息收集步骤流程图；
[0047]
图4为本发明的用户标签步骤流程图；
[0048]
图5为本发明的活动推送步骤流程图；
[0049]
图6为本发明的匹配度的标准分析步骤流程图。
具体实施方式
[0050]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0051]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0052]
在本技术中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本技术及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
[0053]
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本技术中的具体含义。
[0054]
另外，术语“多个”的含义应为两个以及两个以上。
[0055]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0056]
请参阅图1-图2，一种基于互联网大数据标签分析配对式活动推荐方法，包括如下步骤：
[0057]
s1：活动定义：首先根据不同活动性质、以及活动内容、或者活动的特征，将活动分成各种不同标签，并将每个活动以及对应的标签进行配对储存；
[0058]
s2：信息收集：收集用户的历史浏览记录、历史参加活动情况记录的数据，根据采集信息数据进行种类分别划分；
[0059]
s3：用户标签：根据收集到的用户信息，对不同的用户贴上匹配的标签，且根据每个用户的标签组成该用户独特的活动列表；
[0060]
s4：活动推送：根据用户不同的标签，像该用户推送匹配的活动，并进行记录，将给成员匹配的推送活动进行确认信息记录；
[0061]
s5：选择分析：在匹配过程，加入了匹配度的标准分析，匹配度越高，说明越可能受到该用户的喜欢，在推送中排在更前面。
[0062]
针对s1中，活动标签包括文体艺术、学术创新、实习创业、道德修养、技能培训、身心发展、社会工作、志愿服务、线上活动、线下活动、班级活动、团日活动、讲座论坛类、体育竞技类、读书、影视赏析和外语培训等，并将这个标签以及对应的活动，进行信息储存。
[0063]
请参阅图3，针对s2中，信息收集包括如下步骤：
[0064]
s201：针对每个用户单独生成一个推送数据收集系统，且收集系统内设置有针对每个用户用于信号储存的数据储存库；
[0065]
s202：系统访问其用户的浏览记录，且对历史浏览次数进行记录，针对浏览次数进行标记，将次数多的浏览信息进行收集；
[0066]
s203：收集用户历史参加活动的信息，并将用户每次参加的历史活动信息进行分析，截取有用的信息进行收集储存。
[0067]
通过收集用户的信息，通过一定量的数据积累，提取出可以描述用户自身属性的标签，然后统一集中管理，就可以根据每次的不同需求，有针对性地策划、推送活动，为了在今后的运营中更好地突出核心、大规模的精准定位用户，提高运营人员的充分资源，提高工作效率和产品的转化率。
[0068]
请参阅图4，针对s3中，用户标签包括如下步骤：
[0069]
s301：基于原有数据沉淀分析出来的精准性标签，与用户行为产生的数据进行清洗整合，提炼出相对完善的用户标签；
[0070]
s302：需求收集后需要对需求进行分析梳理，结合业务场景，判断需求和业务的匹配程度，确定标签制定的目的，统一标签定义，注意标签务必要符合业务场景搭建，且对标签定义达成内部共识；
[0071]
s303：明确数据支持信息，即什么样的数据和标签相匹配，这些数据包括用户基础
数据、用户行为数据、用户业务数据和补充数据等。
[0072]
通过收集数据、清洗数据和分析数据，做到标签的规则、创建者、适用范围、版本等信息充分透明化管理，减少任何人调取标签使用的难度，用户标签会随着业务场景、用户角色等变量因素改变，而产品价值依赖变量因素持续变化，标签的新增与修改等操作要注意与之相关的业务场景需求及影响，尤其要注意避免因职业差异对某些标签的理解问题，多沟通很重要，减少不必要的风险发生概率，一旦标签信息有变，及时更新同步，提高运营效率。
[0073]
活动喜爱的人群进行标签，其标签包括男生、女生、大一新生、临毕业学生、所学专业、用户参加的社团以及家庭情况等，用户标签就是通过对用户的静态信息和动态信息分析后给用户做标记，能够有效根据其标签内容匹配到相对应的活动内容，减少单向寻找的不便性。
[0074]
用户贴的标签包括隐性标签和显性标签，隐性标签为后台给用户打标签，对用户线上和线下行为深度洞察，后台结合用户前端的点击浏览行为等用户行为操作，自动为用户贴上相应类别标签；显性标签通过用户主动给自己打标签，即用户在产品前端页面手动选择自己感兴趣的标签，用户通过触发标签机制，后台机器匹配数据直接打标签，隐性标签是用户自己无法察觉的一些习惯和操作，根据数据分析出来，并加入到标签内，方便更加精准的进行匹配，显性标签能够自主进行定义，能够有效直观的进行活动选择。
[0075]
请参阅图5，针对s4中，活动推送包括如下步骤：
[0076]
s401：在整个用户信息数据库中，通过对用户基本信息、属性、心理、行为等调研后获得的较为精准的用户虚拟模型；
[0077]
s402：确定将要做推送的活动的主要目的，并确定好触发场景，明确活动投放位置，用户完成了预定的操作或者符合相应的条件才能触发某个活动；
[0078]
s403：通过给用户打标签，集中管理用户的属性和行为标签，当面对不同用户可以触发不同活动，从而使活动转化概率增加。
[0079]
通过互打标签的方式，完成用户和活动之间的标签匹配，能够减少单向选择过程中浪费时间的问题，且双向匹配的过程中，记录各项活动的体验感官，通过用户做出活动条件出发，从而对满足条件的用户进行活动匹配，解决用户和活动双向查找困难的问题，也保证了活动匹配的精准度。
[0080]
针对s4中，跟据历史数据，分析系统成员的各种属性，基于成员的各种属性，为成员打标签，基于成员标签，为成员匹配相应的推送活动，组成该用户独特的活动列表，可进行多次活动推送，在多组活动中，记录用户感官，并对多组活动的体积记录进行分析，针对多组活动进行排名，能够做好精准推送。
[0081]
针对s402中，用户完成了触发活动在一个典型的块匹配算法中，待触发的活动被分割为m
×
n或者是更为常用的n
×
n像素大小的块，在(n+2v)
×
(n+2w)大小的匹配窗中，当前的活动与前一刻中对应的活动相比较，基于匹配标准，找出最佳匹配，得到当前活动的替代位置，常用的匹配标准有平均平方误差和平均绝对误差，定义如下：
[0082]
[0083][0084]
请参阅图6，针对s5中，匹配度的标准分析包括如下步骤：
[0085]
s501：从用户角度出发，通过用户的历史喜好信息分析各个用户之间的相似度或者物品之间的相似度；
[0086]
s502：然后利用目标用户的最近邻用户，或是目标物品的最近邻物品，以其对活动评价的加权评价值来预测用户对特定活动的喜好程度；
[0087]
s503：系统根据这一喜好程度进行推荐，并通过收集用户对推荐活动的满意度为基础，针对匹配度进行评估；
[0088]
s504：匹配模型在匹配的过程不断学习更新，通过不断收集该用户行为，以及类似人群行为分析，提高匹配精准度。
[0089]
针对s5中，匹配度的标准分析定义如下：
[0090][0091]
通过对匹配度的标准进行分析，能够直观的了解到匹配的精准度，增加其匹配效率，可以统计分析哪些活动受哪些人群喜爱。
[0092]
综上所述，本发明提出的基于互联网大数据标签分析配对式活动推荐方法，通过收集用户的信息，通过一定量的数据积累，提取出可以描述用户自身属性的标签，然后统一集中管理，就可以根据每次的不同需求，有针对性地策划、推送活动，为了在今后的运营中更好地突出核心、大规模的精准定位用户，提高运营人员的充分资源，提高工作效率和产品的转化率，通过收集数据、清洗数据和分析数据，做到标签的规则、创建者、适用范围、版本等信息充分透明化管理，减少任何人调取标签使用的难度，用户标签会随着业务场景、用户角色等变量因素改变，而产品价值依赖变量因素持续变化，标签的新增与修改等操作要注意与之相关的业务场景需求及影响，尤其要注意避免因职业差异对某些标签的理解问题，多沟通很重要，减少不必要的风险发生概率，一旦标签信息有变，及时更新同步，提高运营效率，活动喜爱的人群进行标签，其标签包括男生、女生、大一新生、临毕业学生、所学专业、用户参加的社团以及家庭情况等，用户标签就是通过对用户的静态信息和动态信息分析后给用户做标记，能够有效根据其标签内容匹配到相对应的活动内容，减少单向寻找的不便性，用户贴的标签包括隐性标签和显性标签，隐性标签为后台给用户打标签，对用户线上和线下行为深度洞察，后台结合用户前端的点击浏览行为等用户行为操作，自动为用户贴上相应类别标签；显性标签通过用户主动给自己打标签，即用户在产品前端页面手动选择自己感兴趣的标签，用户通过触发标签机制，后台机器匹配数据直接打标签，隐性标签是用户自己无法察觉的一些习惯和操作，根据数据分析出来，并加入到标签内，方便更加精准的进行匹配，显性标签能够自主进行定义，能够有效直观的进行活动选择，通过互打标签的方式，完成用户和活动之间的标签匹配，能够减少单向选择过程中浪费时间的问题，且双向匹
配的过程中，记录各项活动的体验感官，通过用户做出活动条件出发，从而对满足条件的用户进行活动匹配，解决用户和活动双向查找困难的问题，也保证了活动匹配的精准度，跟据历史数据，分析系统成员的各种属性，基于成员的各种属性，为成员打标签，基于成员标签，为成员匹配相应的推送活动，组成该用户独特的活动列表，可进行多次活动推送，在多组活动中，记录用户感官，并对多组活动的体积记录进行分析，针对多组活动进行排名，能够做好精准推送。
[0093]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：包括如下步骤：s1：活动定义：首先根据不同活动性质、以及活动内容、或者活动的特征，将活动分成各种不同标签，并将每个活动以及对应的标签进行配对储存；s2：信息收集：收集用户的历史浏览记录、历史参加活动情况记录的数据，根据采集信息数据进行种类分别划分；s3：用户标签：根据收集到的用户信息，对不同的用户贴上匹配的标签，且根据每个用户的标签组成该用户独特的活动列表；s4：活动推送：根据用户不同的标签，像该用户推送匹配的活动，并进行记录，将给成员匹配的推送活动进行确认信息记录；s5：选择分析：在匹配过程，加入了匹配度的标准分析，匹配度越高，说明越可能受到该用户的喜欢，在推送中排在更前面。2.根据权利要求1所述的一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：针对s1中，活动标签包括文体艺术、学术创新、实习创业、道德修养、技能培训、身心发展、社会工作、志愿服务、线上活动、线下活动、班级活动、团日活动、讲座论坛类、体育竞技类、读书、影视赏析和外语培训等，并将这个标签以及对应的活动，进行信息储存。3.根据权利要求1所述的一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：针对s2中，信息收集包括如下步骤：s201：针对每个用户单独生成一个推送数据收集系统，且收集系统内设置有针对每个用户用于信号储存的数据储存库；s202：系统访问其用户的浏览记录，且对历史浏览次数进行记录，针对浏览次数进行标记，将次数多的浏览信息进行收集；s203：收集用户历史参加活动的信息，并将用户每次参加的历史活动信息进行分析，截取有用的信息进行收集储存。4.根据权利要求1所述的一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：针对s3中，用户标签包括如下步骤：s301：基于原有数据沉淀分析出来的精准性标签，与用户行为产生的数据进行清洗整合，提炼出相对完善的用户标签；s302：需求收集后需要对需求进行分析梳理，结合业务场景，判断需求和业务的匹配程度，确定标签制定的目的，统一标签定义，注意标签务必要符合业务场景搭建，且对标签定义达成内部共识；s303：明确数据支持信息，即什么样的数据和标签相匹配，这些数据包括用户基础数据、用户行为数据、用户业务数据和补充数据。5.根据权利要求1所述的一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：针对s3中，活动喜爱的人群进行标签，其标签包括男生、女生、大一新生、临毕业学生、所学专业、用户参加的社团以及家庭情况等，用户贴的标签包括隐性标签和显性标签，隐性标签为后台给用户打标签，对用户线上和线下行为深度洞察，后台结合用户前端的点击浏览行为等用户行为操作，自动为用户贴上相应类别标签；显性标签通过用户主动给自己打标签，即用户在产品前端页面手动选择自己感兴趣的标签，用户通过触发标签机制，后台机器匹配数据直接打标签。
6.根据权利要求1所述的一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：针对s4中，活动推送包括如下步骤：s401：在整个用户信息数据库中，通过对用户基本信息、属性、心理、行为等调研后获得的较为精准的用户虚拟模型；s402：确定将要做推送的活动的主要目的，并确定好触发场景，明确活动投放位置，用户完成了预定的操作或者符合相应的条件才能触发某个活动；s403：通过给用户打标签，集中管理用户的属性和行为标签，当面对不同用户可以触发不同活动，从而使活动转化概率增加。7.根据权利要求1所述的一种塑封二极管生产用成型固化模具，其特征在于：针对s4中，跟据历史数据，分析系统成员的各种属性，基于成员的各种属性，为成员打标签，基于成员标签，为成员匹配相应的推送活动，组成该用户独特的活动列表，可进行多次活动推送。8.根据权利要求6所述的一种基于互联网大数据标签分析配对式活动推荐方法，其特征在于：针对s402中，用户完成了触发活动在一个典型的块匹配算法中，待触发的活动被分割为m
×
n或者是更为常用的n
×
n像素大小的块，在(n+2v)
×
(n+2w)大小的匹配窗中，当前的活动与前一刻中对应的活动相比较，基于匹配标准，找出最佳匹配，得到当前活动的替代位置，常用的匹配标准有平均平方误差和平均绝对误差，定义如下：位置，常用的匹配标准有平均平方误差和平均绝对误差，定义如下：9.根据权利要求1所述的一种塑封二极管生产用成型固化模具，其特征在于：针对s5中，匹配度的标准分析包括如下步骤：s501：从用户角度出发，通过用户的历史喜好信息分析各个用户之间的相似度或者物品之间的相似度；s502：然后利用目标用户的最近邻用户，或是目标物品的最近邻物品，以其对活动评价的加权评价值来预测用户对特定活动的喜好程度；s503：系统根据这一喜好程度进行推荐，并通过收集用户对推荐活动的满意度为基础，针对匹配度进行评估；s504：匹配模型在匹配的过程不断学习更新，通过不断收集该用户行为，以及类似人群行为分析，提高匹配精准度。10.根据权利要求1所述的一种塑封二极管生产用成型固化模具的实施方法，其特征在于：针对s5中，匹配度的标准分析定义如下：

技术总结
一种基于互联网大数据标签分析配对式活动推荐方法，属于活动推荐技术领域，为了解决利用现有的找到自己喜欢的活动，花费了大量的时间，在活动名额比较紧张的情况下，经常发生找到想报名的活动，却发现活动名额已满，或者有些活动曝光率不够，导致报名人数少，活动无法正常开展等问题。通过大规模的精准定位用户，提高运营人员的充分资源，提高工作效率和产品的转化率，能够有效根据其标签内容匹配到相对应的活动内容，减少单向寻找的不便性，可以统计分析哪些活动受哪些人群喜爱，显性标签能够自主进行定义，能够有效直观的进行活动选择，从而对满足条件的用户进行活动匹配，解决用户和活动双向查找困难的问题，也保证了活动匹配的精准度。匹配的精准度。匹配的精准度。


技术研发人员：袁方 陆冬云 朱明健
受保护的技术使用者：苏州天宫信息技术有限公司
技术研发日：2021.11.25
技术公布日：2022/3/8