本发明属于数据推送，具体涉及一种aigc驱动的内容自动个性化推送系统及方法。
背景技术：
1、随着互联网技术的飞速发展，人们获取信息的方式已经从传统的媒体转向了数字化、网络化的信息平台。这种转变带来了信息的爆炸式增长，用户在面对海量信息时往往感到无从下手，难以快速找到自己真正感兴趣的内容，因此，如何从庞大的数据中筛选出对用户有价值的信息，并将其有效地推送给用户，成为了当前信息技术领域的一个重要课题，为了解决这一问题，个性化推荐系统应运而生，个性化推荐系统通过分析用户的历史行为、偏好以及社交网络等信息，为用户推荐其可能感兴趣的内容。
2、然而，现有的个性化推荐系统仍存在一些不足之处，目前的推荐方式中大多是基于用户的偏好，来生成推荐列表，但是大多的推荐算法在处理大规模数据时，往往会忽略推荐内容之间的关联性，其结果过于程序化，导致推荐结果只考虑用户偏好，但是实际上，推荐列表中包含了较多的内容，部分内容之间是存在一定的关联性，因此不考虑这些关联性时，往往会使得推荐结果过于单一，缺乏相应的灵活性，基于此，本方案提供了一种aigc驱动的内容自动个性化推送方法，以解决上述问题。
技术实现思路
1、本发明的目的是提供一种aigc驱动的内容自动个性化推送系统及方法，能够在用户浏览过程中提供更加丰富和灵活的个性化内容推送，从而提高用户满意度和系统推荐的准确性。
2、本发明采取的技术方案具体如下：
3、一种aigc驱动的内容自动个性化推送方法，包括：
4、基于获取的用户行为数据，进行分类处理，得到多个用户偏好标签；
5、采集各个所述用户偏好标签下用户的浏览信息，并依据所述浏览信息对用户偏好标签进行排序处理，得到初始化推送列表；
6、依据所述初始化推送列表匹配推荐内容，并对各个所述推荐内容进行相关性分析，得到关联推荐内容和非关联推荐内容；
7、依据所述关联推荐内容和非关联推荐内容对初始化推送列表进行重新排序，得到个性化推送列表，其中，依据该个性化推送列表推送时，可选择跳过与当前浏览内容相关的关联推荐内容；
8、基于所述个性化推送列表向用户执行个性化推送，且依据个性化推送下的用户反馈信息对所述个性化推送列表进行优化，得到更新推送列表，并依据所述更新推送列表继续执行个性化推送。
9、在一种优选方案中，所述基于获取的用户行为数据，进行分类处理，得到多个用户偏好标签的步骤，包括：
10、构建历史监测时段，并采集所述历史监测时段内的用户行为数据，所述用户行为数据包括历史浏览内容和历史搜索记录；
11、对所述历史浏览内容和历史搜索记录进行预处理，所述预处理包括去除无效数据和异常值；
12、提取预处理后的历史浏览内容和历史搜索记录的特征信息，并为同一所述特征信息下的历史浏览内容和历史搜索记录赋予用户偏好标签；
13、其中，所有所述用户偏好标签均具有唯一性。
14、在一种优选方案中，所述采集各个所述用户偏好标签下用户的浏览信息，并依据所述浏览信息对用户偏好标签进行排序处理，得到初始化推送列表的步骤，包括：
15、获取所述历史监测时段内，所述用户偏好标签下的浏览信息，所述浏览信息包括用户对历史浏览内容的浏览完成度和浏览次数；
16、依据所述浏览完成度和浏览次数对各个用户偏好标签进行加权评分，得到各个所述用户偏好标签的推送评分；
17、对所述推送评分按照由大至小的顺序进行排序处理，且依据所述推送评分的排序结果逐一输出各个用户偏好标签的推送顺序，并同步汇总为初始化推送列表。
18、在一种优选方案中，所述依据所述浏览完成度和浏览次数对各个用户偏好标签进行加权评分，得到各个所述用户偏好标签的推送评分的步骤，包括：
19、在所述历史监测时段内设置多个等时间间隔的样本时段；
20、采集各个所述样本时段内，所有所述历史浏览内容的浏览量，以及各个所述历史浏览内容的浏览时间；
21、依据所述历史浏览内容的浏览量和浏览时间确定所述浏览完成度和浏览次数的分配权重；
22、获取加权函数，并将所述浏览完成度和浏览次数，以及对应的分配权重输入至加权函数中进行加权运算，得到各个所述用户偏好标签的推送评分。
23、在一种优选方案中，所述依据所述历史浏览内容的浏览量和浏览时间确定所述浏览完成度和浏览次数的分配权重的步骤，包括：
24、根据各个所述样本时段内历史浏览内容的浏览量和浏览时间，计算各个所述样本时段下的单位浏览量；
25、将各个所述样本时段下的单位浏览量按照发生时序进行排列；
26、获取标准偏移量，并依据所述标准偏移量对各个所述单位浏览量进行偏移处理，得到多个聚类区间；
27、统计各个所述聚类区间下的单位浏览量的数量，并记录为筛选条件参数，且将取值最大的所述筛选条件参数下的聚类区间标定为标准区间；
28、对所述标准区间下的单位浏览量进行求和以及取平均值运算，得到所述历史监测时段下的标准单位浏览量；
29、获取权重分配函数，并将所述标准单位浏览量输入至权重分配函数中，且将所述权重分配函数的输出结果记录为所述浏览完成度和浏览次数的分配权重。
30、在一种优选方案中，所述对各个所述推荐内容进行相关性分析，得到关联推荐内容和非关联推荐内容的步骤，包括：
31、获取所有所述推荐内容，并进行特征提取，得到各个所述推荐内容的关键特征；
32、对各个所述关键特征进行向量转换，得到各个所述推荐内容的关键特征向量；
33、对所述推荐内容逐一进行两两匹配，并将两两匹配后的所述推荐内容的关键特征向量输入至预设的关联测算函数中，且将所述关联测算函数的输出结果记录为关联评分；
34、获取关联评价阈值，并将所述关联评分与关联评价阈值进行比较；
35、当所述关联评分大于关联评价阈值时，则表明两两匹配后的所述推荐内容之间存在相关性，并同步记录为关联推荐内容；
36、当所述关联评分小于或等于关联评价阈值时，则表明两两匹配后的所述推荐内容之间未存在相关性，并同步记录为非关联推荐内容。
37、在一种优选方案中，所述依据所述关联推荐内容和非关联推荐内容对初始化推送列表进行重新排序，得到个性化推送列表的步骤，包括：
38、获取所述初始化推送列表，并将所述初始化推送列表中的相邻推荐内容分别记录为前置待处理数据和后置待处理数据；
39、采集所述前置待处理数据的关联推荐内容与前置待处理数据之间的关联评分，并将所述关联评分转换至与推送评分为同一量纲，且将记录为条件参数；
40、将所述条件参数与前置待处理数据的关联推荐内容的推送评分进行加权求和处理，得到关联推送评分；
41、将所述关联推送评分与后置待处理数据的推送评分进行比较，且在所述关联推送评分大于后置待处理数据的推送评分时，将与关联推送评分对应的关联推荐内容调整至后置待处理数据的前方，反之，则继续保持原有的顺序；
42、重复对所述初始化推送列表中的所有相邻推荐内容进行处理，直至完成整个初始化推送列表的重新排序，并输出为个性化推送列表。
43、在一种优选方案中，所述依据个性化推送下的用户反馈信息对所述个性化推送列表进行优化，得到更新推送列表的步骤，包括：
44、获取用户对个性化推送下的各个推荐内容的反馈满意度；
45、将所述反馈满意度转换为各个推荐内容对应推送评分的优化权重；
46、获取优化函数，并将各个推荐内容对应的推送评分以及对应的优化权重输入至优化函数中进行运算，得到更新推送评分；
47、依据所述更新推送评分对个性化推送列表进行重新排序，得到更新推送列表，且应用所述更新推送列表执行各个推荐内容的推送处理。
48、本发明还提供了，一种aigc驱动的内容自动个性化推送系统，使用上述的aigc驱动的内容自动个性化推送方法，包括：
49、数据分类模块，所述数据分类模块用于基于获取的用户行为数据，进行分类处理，得到多个用户偏好标签；
50、初始化模块，所述初始化模块用于采集各个所述用户偏好标签下用户的浏览信息，并依据所述浏览信息对用户偏好标签进行排序处理，得到初始化推送列表；
51、相关性分析模块，所述相关性分析模块用于依据所述初始化推送列表匹配推荐内容，并对各个所述推荐内容进行相关性分析，得到关联推荐内容和非关联推荐内容；
52、个性化推送模块，所述个性化推送模块用于依据所述关联推荐内容和非关联推荐内容对初始化推送列表进行重新排序，得到个性化推送列表；
53、列表更新模块，所述列表更新模块用于基于所述个性化推送列表向用户执行个性化推送，且依据个性化推送下的用户反馈信息对所述个性化推送列表进行优化，得到更新推送列表，并依据所述更新推送列表继续执行个性化推送。
54、以及，一种电子设备，所述电子设备包括：
55、至少一个处理器；
56、以及与所述至少一个处理器通信连接的存储器；
57、其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的aigc驱动的内容自动个性化推送方法。
58、本发明取得的技术效果为：
59、本发明通过分析用户行为数据，实现个性化内容推送，提高用户满意度和参与度，具体通过相关性分析，能够确保推荐内容的相关性和多样性，丰富用户的浏览内容，避免用户疲劳，提高用户对推送内容的满意度，同时还会根据用户反馈，对个性化推送列表进行相应的动态调整，持续提升推荐内容的推送效果，自动学习和适应用户偏好变化，实现高效的内容个性化推送。
1.一种aigc驱动的内容自动个性化推送方法，其特征在于：包括：
2.根据权利要求1所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述基于获取的用户行为数据，进行分类处理，得到多个用户偏好标签的步骤，包括：
3.根据权利要求2所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述采集各个所述用户偏好标签下用户的浏览信息，并依据所述浏览信息对用户偏好标签进行排序处理，得到初始化推送列表的步骤，包括：
4.根据权利要求3所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述依据所述浏览完成度和浏览次数对各个用户偏好标签进行加权评分，得到各个所述用户偏好标签的推送评分的步骤，包括：
5.根据权利要求4所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述依据所述历史浏览内容的浏览量和浏览时间确定所述浏览完成度和浏览次数的分配权重的步骤，包括：
6.根据权利要求1所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述对各个所述推荐内容进行相关性分析，得到关联推荐内容和非关联推荐内容的步骤，包括：
7.根据权利要求1所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述依据所述关联推荐内容和非关联推荐内容对初始化推送列表进行重新排序，得到个性化推送列表的步骤，包括：
8.根据权利要求1所述的一种aigc驱动的内容自动个性化推送方法，其特征在于：所述依据个性化推送下的用户反馈信息对所述个性化推送列表进行优化，得到更新推送列表的步骤，包括：
9.一种aigc驱动的内容自动个性化推送系统，其特征在于：使用权利要求1至8中任意一项所述的aigc驱动的内容自动个性化推送方法，包括：
10.一种电子设备，其特征在于：所述电子设备包括：
