本技術涉及數據處理，尤其涉及一種用于定向推薦的用戶行為方法及系統。
背景技術：
1、在互聯網經濟快速發展的今天，電商平臺的用戶數量日益增加，但每個用戶的喜好、需求和行為模式各異，怎樣準確猜測用戶的購物需求和喜好從而實現個性化推薦，一直是電商平臺關注的關鍵問題。通常，電商平臺會通過收集和分析用戶的行為數據，對用戶行為進行建模，并基于此進行商品推薦。
2、其關鍵在于怎樣準確、高效地收集和處理用戶數據，構建出滿足用戶需求的模型，再通過這個模型來提供精準的商品推薦。然而，現有的商品推薦系統主要基于用戶的瀏覽歷史、購買歷史等信息來進行推薦，但這種推薦方式忽略了用戶的時效性需求、情境需求等，不能滿足用戶的多樣化、個性化的需求。
3、另外，在電商平臺，每個用戶的行為都可能影響到商品推薦的效果。例如，用戶頻繁點擊某一類商品，可能表明用戶對這類商品有一定的興趣，但如果用戶一直沒有購買，可能說明用戶只是出于好奇而已，并不打算購買。因此，如何準確理解和利用這種用戶行為數據，也是優化商品推薦系統的一個重要環節。
4、此外，為了提高用戶對推薦商品的滿意度，推薦系統還需要根據用戶的反饋進行優化。例如，通過用戶對推薦商品的評價、點擊率、購買行為等數據，可以不斷對商品推薦系統進行調整和優化。然而，現有的推薦系統通常忽略了這種反饋環節的重要性，或者沒有提供有效的反饋機制。
5、現有技術cn118964745a，雖然采用了一種政務大數據推薦方法，通過獲取待推薦對象的初始標簽，運用標注規則篩選第一標簽，計算標簽權重提煉核心的第二標簽，構建多維度目標商品特征向量進行內容匹配和分值計算，但是其推薦的具體過程仍然比較復雜，商品交互指標的預測和推薦結果可能也會受到某些主觀因素的影響。
6、綜上所述，現有技術中存在由于通常采用靜態規則或簡單的統計模型，對行為時效性的忽視，導致對用戶興趣的捕捉不夠全面、推薦準確性較低的技術問題。
技術實現思路
1、本技術的目的是提供一種用于定向推薦的用戶行為方法及系統，用以解決現有技術中存在由于通常采用靜態規則或簡單的統計模型，對行為時效性的忽視，導致對用戶興趣的捕捉不夠全面、推薦準確性較低的技術問題。
2、鑒于上述問題，本技術提供了一種用于定向推薦的用戶行為方法，
3、在預設時間窗口內采集目標商品的全平臺交互數據，建立商品特征數據集，數據包括類目標簽、價格段位、品牌特征、sku規格參數；
4、基于商品交互指標數據集進行商品交互數據特征集提取，所述商品交互數據特征包括用戶點擊商品詳情頁的頻次、瀏覽某類商品的時長以及反復查看同一產品的次數；
5、基于商品交互數據特征集訓練商品交互指標預測模型，所述模型用于預測用戶的未來行為；
6、基于預測結果生成實時推薦列表，并結合類目/價格關聯屬性流動態調整推薦內容；
7、通過埋點技術實時采集商品交互指標反饋，并基于反饋數據對所述商品交互指標預測模型進行迭代優化。
8、在一個方案中，所述數據采集的時間窗口根據業務目標和用戶生命周期特性動態確定，針對電商場景，選擇過去30天至90天作為核心分析時段，并根據促銷活動周期或季節性需求靈活擴展時間范圍。
9、在一個方案中，所述的行為數據采集覆蓋用戶在移動端app、網頁端、小程序多終端的交互行為，通過埋點技術實時記錄頁面瀏覽路徑、商品點擊事件、搜索關鍵詞輸入、加購/收藏操作、廣告曝光與點擊、訂單支付完成顯性行為，同時整合隱式反饋數據，包括頁面停留時長、滾動深度、視頻播放完成率。
10、在一個方案中，所述的商品交互數據特征的提取包括：
11、通過統計建模與語義關聯挖掘商品交互指標中的潛在興趣模式，針對離散事件構建時間衰減加權統計量，針對連續型行為采用滑動窗口均值與標準差結合的方式表征穩定性。
12、在一個方案中，所述的商品交互指標預測模型采用：
13、機器學習或深度學習算法進行訓練，包括xgboost、lstm模型，并通過交叉驗證和超參數調優優化模型性能，使用auc、準確率、召回率指標評估模型效果。
14、在一個方案中，所述的實時推薦列表的生成包括：
15、結合類目/價格關聯屬性流動態調整推薦內容，通過在線重排序模型對候選商品進行動態調權，定義時間衰減函數計算實時行為對商品的影響權重，并引入類目分散度約束防止推薦多樣性下降。
16、在一個方案中，所述的商品交互指標反饋通過埋點技術實時采集，并通過周期分布反饋機制觸發評價參數的增量更新，基于反饋數據對所述商品交互指標預測模型進行迭代優化，實現推薦產品與商品交互指標演化的動態對齊。
17、在一個方案中，所述的實時推薦列表通過異步消息隊列推送至用戶終端，推送策略遵循優先級權重，并采用多臂老虎機算法動態調整曝光概率，終端接收后根據設備性能特征進行輕量化渲染，確保推薦加載延遲在接受范圍內。
18、在一個方面，一種用于定向推薦的商品交互指標預測系統，用于實施所述一種用于定向推薦的用戶行為方法的步驟，所述一種用于定向推薦的商品交互指標預測系統包括：
19、商品交互指標數據采集模塊，用于在預設歷史時區內對目標用戶進行行為數據采集，建立商品交互指標數據集；
20、有效特征提取模塊，用于基于所述商品交互指標數據集進行商品交互數據特征集提取；
21、評價機制構建模塊，用于構建預設評價機制，其中，所述預設評價機制包括行為類型評價機制和周期分布反饋機制；
22、行為預測模塊，用于以所述行為類型評價機制和所述周期分布反饋機制為參考，基于所述商品交互數據特征集進行商品交互指標預測，建立評價值大于等于預設評價值的推薦產品商品特征向量序列；
23、定向推薦模塊，用于基于所述推薦產品商品特征向量序列生成推薦產品并發送至所述目標用戶的終端進行定向推薦
24、本技術中提供的一個或多個技術方案，至少具有如下技術效果或優點：
25、本發明采用了一種基于商品交互指標數據采集和商品交互數據特征提取的技術方案，這種技術方案解決了傳統推薦方法在推薦過程復雜，容易受到主觀因素影響，推薦準確性和效率不高等問題。
26、通過在預設歷史時區內對目標用戶進行行為數據采集，建立商品交互指標數據集，基于商品交互指標數據集進行商品交互數據特征集提取，然后基于所述商品交互數據特征集訓練商品交互指標預測模型，所述模型用于預測用戶的未來行為，基于所述預測結果生成實時推薦列表。這樣一來，推薦過程變得簡單而具有針對性，大大減少了因為主觀因素對推薦結果帶來的影響。
27、而且，通過埋點技術實時采集商品交互指標反饋，并基于反饋數據對所述商品交互指標預測模型進行迭代優化，使得推薦系統能夠更好地理解用戶的興趣，不斷優化預測模型，從而提供更貼近用戶實際需求的推薦內容，提高了推薦的準確性和效率。
28、上述說明僅是本技術技術方案的概述，為了能夠更清楚了解本技術的技術手段，而可依照說明書的內容予以實施，并且為了讓本技術的上述和其他目的、特征和優點能夠更明顯易懂，以下特舉本技術的具體實施方式。應當理解，本部分所描述的內容并非旨在標識本技術的實施例的關鍵或重要特征，也不用于限制本技術的范圍。本技術的其他特征將通過以下的說明書而變得容易理解。