本发明涉及行为分析，具体为基于多渠道数据的用户行为分析方法、装置及电子设备。
背景技术：
1、随着虚拟应用程序的不断发展，开发者思考如何提供用户喜好的产品内容，是一直以来虚拟应用程序的开发方向，尤其是当市场中同质化内容的产品泛滥，开发者则更难在此种环境下实施具有足够吸引力的方案，因此有必要对用户进行充分且合理的行为分析，进而全面了解用户的操作习惯和行为模式，从而进行有效的风险评估和内容管理；
2、对用户行为模式的分析，其原始行为数据的来源，则不应局限于某个应用或某个渠道，若数据来源单一则会导致数据的倾向表达单一，而若可根据用户所使用的不同应用的行为数据进行综合分析，深度挖掘检索内容和推荐内容的用户关注状态，并借此作为不同应用个性化设置的参照依照，对于应用开发者而言能够大幅提升用户粘性，对用户个人而言，则可提升使用体验；
3、为此，提供一种基于多渠道数据的用户行为分析方法、装置及电子设备。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术所存在的上述缺点，本发明提供了基于多渠道数据的用户行为分析方法、装置及电子设备，能够有效地解决现有技术的问题。
3、(二)技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现，
5、本发明公开了基于多渠道数据的用户行为分析方法，包括以下步骤：
6、步骤1：请求用户授权，获取身份id，基于当前身份id下所有适配可读类型的应用程序的登录并访问其操作日志和行为统计；
7、步骤2：监测用户在应用程序中的检索行为，记录其搜索的关键词、停留时间和点击的搜索结果信息，进行分析，计算每个关键词的关注度；
8、步骤3：监测用户在推荐内容中的行为，记录其查看的推荐列表、点击的推荐项和推荐内容的转化率，分析推荐内容的互动情况，计算各个推荐内容的关注度；
9、步骤4：基于关键词和推荐内容的关注度，提取用户偏好的特征，构建用户的偏好模型，生成多个偏好标签并排序，构成偏好关注集；
10、步骤5：在不同应用程序进行下一周期的推荐前，基于各自待推荐内容，将用户的偏好关注集作为筛选参照。
11、更进一步地，所述步骤2中关键词的关注度的计算过程为：
12、收集用户的搜索日志，包括搜索关键词、点击的搜索结果和总停留时间；
13、使用自然语言处理技术对搜索关键词进行分词和主题建模；
14、计算用户对特定关键词的点击率：
15、
16、计算用户在特定搜索结果上的平均停留时间：
17、
18、将点击率和平均停留时间综合，利用加权平均法评估并获取关键词的关注度。
19、更进一步地，所述步骤3中推荐内容的关注度的计算过程为：
20、根据用户的历史行为和偏好，采用协同过滤生成推荐列表，收集用户对推荐列表中不同推荐内容的反馈，计算参与度得分：
21、
22、使用文本相似度算法评估用户偏好与推荐内容的匹配度；
23、将参与度与相似度综合，利用加权平均法生成最终推荐内容的关注度评分。
24、更进一步地，所述步骤4中偏好模型提取所偏好的特征的过程中，将不同来源的数据整合至统一数据集，数据集包括：检索行为特征和推荐行为特征，对所提取的用户偏好的特征可进行自定义编辑或创建新的特征。
25、更进一步地，所述步骤4中的偏好模型通过聚类算法将用户分群，根据用户的行为模式生成群体标签，利用分类算法将用户分配到预定义的偏好标签中，对用户的行为数据进行加权，通过贝叶斯分类器计算用户属于某一标签的概率，偏好模型评估用户对不同标签的偏好程度，基于偏好模型输出的偏好程度，生成用户的偏好标签。
26、更进一步地，所述步骤4中偏好标签的排序过程中，通过不同偏好标签的偏好程度系数，进行用户个人标签的优先度排序。
27、基于多渠道数据的用户行为分析装置，包括：
28、授权采集模块，用于请求用户授权，获取身份id，从所有适配的应用程序中采集用户的操作日志和行为统计，记录用户登录信息、操作时间和操作类型；
29、检索检测模块，用于实时跟踪用户的搜索日志，记录每次搜索的关键词、停留时间和点击的结果，使用统计方法计算关键词的关注度，生成关键词关注度报告；
30、推荐检测模块，用于记录用户对推荐内容的点击和查看情况，收集推荐内容的转化数据，计算推荐内容的点击率指标，生成推荐内容的关注度报告；
31、偏好分析模块，用于基于用户行为数据提取特征使用机器学习算法优化特征集，通过聚类算法将用户分群，使用分类算法生成用户偏好标签，应用贝叶斯分类器计算用户标签的概率；
32、内容筛选模块，用于根据用户的偏好标签筛选推荐内容，生成个性化推荐列表，监控用户的反馈数据，定期更新调整推荐算法。
33、更进一步地，所述授权采集模块与检索检测模块通过无线网络交互连接，所述检索检测模块与推荐检测模块通过无线网络交互连接，所述推荐检测模块与偏好分析模块通过无线网络交互连接，所述偏好分析模块与内容筛选模块通过无线网络交互连接。
34、一种电子设备，包括：
35、一个或多个处理器；
36、存储器，用于存储一个或多个计算机执行指令；
37、当所述一个或多个计算机执行指令被所述一个或多个处理器执行。
38、一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令。
39、(三)有益效果
40、采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果，
41、1、通过集成来自不同应用程序的用户行为数据，获得更全面的用户行为视图，更准确地描绘用户的整体行为模式，通过计算关键词关注度和推荐内容的参与度，构建用户的偏好模型，根据偏好标签进行个性化推荐，从而提高推荐的相关性和用户的满意度，根据用户行为的最新数据进行动态调整，确保推荐内容的时效性和相关性。
42、2、通过综合计算关键词和推荐内容的关注度，可以更全面地评估用户的兴趣，使用加权平均法评估关键词关注度和推荐内容关注度，能够综合考虑点击率、停留时间、参与度和文本相似度等多个因素，提供更精准的评分。
43、3、通过将用户分群并进行标签化，有助于更好地理解不同用户群体的行为特征，并针对性地进行推荐，使用聚类算法和贝叶斯分类器对用户进行分群和标签化，通过对用户行为的加权和标签排序，能够有效识别用户的偏好程度，并根据这些信息优化推荐内容，将用户行为数据转化为具体的业务策略，帮助决策者做出更明智的决策。
1.基于多渠道数据的用户行为分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多渠道数据的用户行为分析方法，其特征在于，所述步骤2中关键词的关注度的计算过程为：
3.根据权利要求1所述的基于多渠道数据的用户行为分析方法，其特征在于，所述步骤3中推荐内容的关注度的计算过程为：
4.根据权利要求1所述的基于多渠道数据的用户行为分析方法，其特征在于，所述步骤4中偏好模型提取所偏好的特征的过程中，将不同来源的数据整合至统一数据集，数据集包括：检索行为特征和推荐行为特征，对所提取的用户偏好的特征可进行自定义编辑或创建新的特征。
5.根据权利要求1所述的基于多渠道数据的用户行为分析方法，其特征在于，所述步骤4中的偏好模型通过聚类算法将用户分群，根据用户的行为模式生成群体标签，利用分类算法将用户分配到预定义的偏好标签中，对用户的行为数据进行加权，通过贝叶斯分类器计算用户属于某一标签的概率，偏好模型评估用户对不同标签的偏好程度，基于偏好模型输出的偏好程度，生成用户的偏好标签。
6.根据权利要求1所述的基于多渠道数据的用户行为分析方法，其特征在于，所述步骤4中偏好标签的排序过程中，通过不同偏好标签的偏好程度系数，进行用户个人标签的优先度排序。
7.基于多渠道数据的用户行为分析装置，其特征在于，包括：
8.根据权利要求7所述的基于多渠道数据的用户行为分析装置，其特征在于，所述授权采集模块(1)与检索检测模块(2)通过无线网络交互连接，所述检索检测模块(2)与推荐检测模块(3)通过无线网络交互连接，所述推荐检测模块(3)与偏好分析模块(4)通过无线网络交互连接，所述偏好分析模块(4)与内容筛选模块(5)通过无线网络交互连接。
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，其特征在于，所述计算机执行指令被处理器执行时实现权利要求1至6中任一项所述的方法。
