本发明涉及大数据，尤其涉及一种基于大数据的用户画像构建方法及系统。
背景技术：
1、随着互联网和移动技术的快速发展，大量的用户数据被生成和积累，这些数据包含了用户在各种在线平台和应用中的行为、偏好、兴趣等信息，通过对这些数据进行分析和挖掘，构建用户画像，即对用户的全面描述和理解，为个性化推荐、精准营销、用户行为预测等提供基础和支持，传统的用户画像构建方法主要依赖于人工经验和手动分析，存在着分析不准确、效率低下的问题，为了满足现代大数据环境下的用户画像需求，需要一种智能化、高效的基于大数据的用户画像构建方法。
技术实现思路
1、本发明为解决上述技术问题，提出了一种基于大数据的用户画像构建方法，包括以下步骤：
2、步骤s1：基于大数据技术进行用户数据深度挖掘，以生成多维用户行为数据及用户医疗健康数据；对多维用户行为数据进行动态行为分析，以生成用户动态行为数据；对用户动态行为数据进行行为诉求挖掘分析，以生成用户行为需求数据；
3、步骤s2：对用户行为需求数据进行驱动动机推测处理，生成用户行为动机数据；根据用户行为动机数据对多维用户行为数据进行兴趣关键词检测，生成兴趣关键词数据；基于兴趣关键词数据对多维用户行为数据进行主题关联提取，生成行为主题向量数据；
4、步骤s3：对行为主题向量数据进行时序分析，生成时序行为主题向量数据；对时序行为主题向量数据进行行为轨迹分析，以构建用户行为轨迹图；利用深度学习算法对用户行为轨迹图进行行为倾向演化分析，以生成行为倾向演化规律；
5、步骤s4：利用行为倾向演化规律对用户动态行为数据进行行为兴趣趋势预测，以生成用户行为趋势数据；根据用户行为趋势数据对用户行为轨迹图进行行为图谱挖掘，以构建行为演化趋势图谱；通过行为演化趋势图谱对用户动态行为数据进行动态时序优化，以生成动态用户行为画像；
6、步骤s5：对用户医疗健康数据进行用户情绪周期分析，以生成用户情绪波动数据；根据用户情绪波动数据对用户医疗健康数据进行健康素质分析，以生成用户健康素质评估数据；对用户健康素质评估数据进行风险趋势预测，以生成健康风险趋势预测图谱；
7、步骤s6：利用健康风险趋势预测图谱对动态用户行为画像进行画像层次优化，以生成风险优化动态行为画像；利用循环卷积网络对风险优化动态行为画像进行膨胀卷积，以构建用户动态行为画像模型，执行用户画像构建作业。
8、本发明通过大数据技术进行深度挖掘，获取丰富的用户行为数据和医疗健康数据，为后续分析提供基础，动态行为分析揭示用户行为的变化趋势和演化规律，帮助理解用户的实时行为模式，行为诉求挖掘分析识别用户的行为需求，了解用户的偏好和需求动机，驱动动机推测处理推断用户行为背后的动机和目的，帮助理解用户的行为动机，兴趣关键词检测识别用户的兴趣领域和喜好，为个性化推荐和定制化服务提供基础，主题关联提取发现用户行为之间的相关性和关联模式，揭示用户行为的内在结构和关联规律，时序分析揭示行为主题随时间的变化趋势和演化规律，帮助理解用户行为的动态变化，行为轨迹分析构建用户的行为轨迹图，展现用户在不同主题上的行为演化路径，行为倾向演化分析利用深度学习算法识别用户行为的倾向和趋势，帮助预测用户未来的行为发展方向，行为兴趣趋势预测可以预测用户未来的行为趋势和兴趣演化，为个性化推荐和定制化服务提供依据，行为图谱挖掘发现用户行为轨迹中的模式和规律，帮助理解用户行为的演化趋势，动态时序优化根据行为演化趋势图谱对用户行为数据进行时序调整和优化，生成更准确和实时的动态用户行为画像，用户情绪周期分析分析用户情绪的周期性变化，了解用户情绪的波动和变化规律，健康素质分析评估用户的医疗健康状况，包括体能、心理健康等方面的评估，健康风险趋势预测预测用户未来的健康风险趋势，提前采取预防和干预措施，画像层次优化根据健康风险趋势预测图谱对动态用户行为画像进行优化，提高画像的准确性和针对性，膨胀卷积通过循环卷积网络对风险优化动态行为画像进行进一步的特征提取和模型构建，生成更具表现力和预测能力的用户动态行为画像模型。
9、优选地，步骤s1包括以下步骤：
10、步骤s11：基于大数据技术进行用户数据深度挖掘，以生成多维用户行为数据及用户医疗健康数据；
11、步骤s12：对多维用户行为数据进行社交交互行为分析，以生成用户社交行为数据；
12、步骤s13：基于用户社交行为数据对多维用户行为数据进行浏览行为统计分析，生成用户浏览行为数据；
13、步骤s14：通过用户浏览行为数据对多维用户行为数据进行动态行为分析，以生成用户动态行为数据；
14、步骤s15：对用户动态行为数据进行语义感知分析，以生成用户语义感知数据；
15、步骤s16：根据用户语义感知数据对多维用户行为数据进行行为诉求挖掘分析，以生成用户行为需求数据。
16、本发明通过用户行为数据深度挖掘通过分析大量用户数据，揭示用户行为的模式和规律，帮助理解用户的行为习惯和偏好，生成多维用户行为数据，获得用户在多个方面的行为数据，如搜索行为、购物行为、阅读行为等，为后续分析提供全面的用户行为视角，用户医疗健康数据提供用户的健康状况、疾病史、用药情况等信息，为个性化医疗服务和健康管理提供基础，社交交互行为分析识别用户在社交媒体平台上的行为，如发布内容、点赞、评论等，了解用户的社交行为模式和喜好，生成用户社交行为数据提供用户在社交媒体上的社交网络、好友关系等信息，为社交推荐和社交影响分析提供基础，浏览行为统计分析分析用户在网页、应用程序等平台上的浏览行为，如点击链接、浏览时长等，了解用户的兴趣和偏好，获取用户在不同网站和应用上的浏览历史和行为特征，为个性化内容推荐和广告定向投放提供基础，动态行为分析捕捉用户行为的变化趋势和演化规律，理解用户的实时行为模式和动态变化，提供用户在不同时间段和场景下的行为特征和行为习惯，为个性化推荐和实时决策提供基础，语义感知分析理解用户行为背后的语义和意图，深入解读用户行为的含义和目的，提供用户对内容的理解和情感倾向，行为诉求挖掘分析识别用户行为背后的需求和期望，了解用户的行为动机和满足诉求，提供用户在不同行为领域的需求模式和关注点。
17、优选地，步骤s2的具体步骤为：
18、步骤s21：对用户行为需求数据进行潜在个性属性分析，以生成用户潜在属性数据；
19、步骤s22：对用户潜在属性数据进行驱动动机推测处理，生成用户行为动机数据；
20、步骤s23：根据用户行为动机数据对多维用户行为数据进行兴趣关键词检测，生成兴趣关键词数据；
21、步骤s24：对兴趣关键词数据进行频率计算，生成兴趣关键词频率数据；
22、步骤s25：通过兴趣关键词频率数据对兴趣关键词数据进行频率分布分析，生成关键词频率分布数据；
23、步骤s26：根据关键词频率分布数据对多维用户行为数据进行主题关联提取，生成行为主题向量数据。
24、本发明通过潜在个性属性分析，基于用户行为需求数据，探索用户的隐藏属性和特征，如年龄、性别、职业等，帮助了解用户的个人特点，生成用户潜在属性数据为个性化推荐、广告定向等提供用户的基本个人信息，从而更准确地匹配用户的兴趣和需求，驱动动机推测处理通过分析用户的潜在属性，推测用户的行为背后的驱动力和动机，了解用户的行为意图和目的，生成用户行为动机数据为个性化服务和内容推荐提供深层次的理解，帮助更好地满足用户的需求和期望，兴趣关键词检测根据用户的行为动机，识别用户可能感兴趣的关键词和话题，了解用户的兴趣领域和偏好，生成兴趣关键词数据为个性化推荐、内容分类等提供用户的兴趣标签，更好地匹配用户的兴趣和需求，频率计算统计兴趣关键词在用户行为中的出现次数，了解用户对不同关键词的关注程度和重要性，为个性化推荐和内容过滤提供关键词的权重信息，更精准地推荐用户感兴趣的内容，频率分布分析研究兴趣关键词在用户行为中的分布情况，了解用户兴趣的广度和深度，主题关联提取根据关键词的频率分布，识别出用户行为中的主题和关联性，了解用户行为的核心主题和关联行为，生成行为主题向量数据为个性化推荐、内容聚合等提供用户的主题偏好信息，更准确地推荐用户感兴趣的内容和活动。
25、优选地，步骤s3的具体步骤为：
26、步骤s31：对行为主题向量数据进行时间段分割，以生成主题向量分段序列；
27、步骤s32：对主题向量分段序列进行时序分析，生成时序行为主题向量数据；
28、步骤s33：对时序行为主题向量数据进行行为轨迹分析，生成行为轨迹数据；
29、步骤s34：对行为轨迹数据进行轨迹图拟合，以构建用户行为轨迹图；
30、步骤s35：利用深度学习算法对用户行为轨迹图进行行为倾向演化分析，以生成行为倾向演化规律。
31、本发明通过时间段分割将行为主题向量数据按照时间顺序进行划分，形成不同时间段的主题向量序列，生成主题向量分段序列帮助理解用户行为在不同时间段的变化和演化，揭示用户行为在时间维度上的规律，时序分析研究主题向量分段序列的时间演化趋势和变化规律，了解用户行为的时序特征，生成时序行为主题向量数据为用户行为的时间演化提供具体的数据描述，帮助揭示用户行为在时间上的变化模式，行为轨迹分析分析时序行为主题向量数据中的行为变化，揭示用户行为的轨迹和路径，生成行为轨迹数据帮助理解用户在不同时间段内的行为演化，了解用户行为的演变过程和趋势，轨迹图拟合将行为轨迹数据进行可视化处理，形成用户行为的轨迹图，构建用户行为轨迹图直观地展示用户的行为路径和行为演化，帮助理解用户的行为模式和趋势，深度学习算法对用户行为轨迹图进行分析和建模，提取行为倾向和演化规律，生成行为倾向演化规律帮助预测和理解用户未来的行为趋势和演化方向，为个性化推荐和决策支持提供依据。
32、优选地，步骤s34的具体步骤为：
33、步骤s341：对时序行为主题向量数据进行主题时序迁徙分析，以生成主题时序迁徙数据；
34、步骤s342：根据主题时序迁徙数据对行为轨迹数据进行迁移概率计算，以生成行为迁移概率数据；
35、步骤s343：通过行为迁移概率数据对时序行为主题向量数据进行主题演变轨迹分析，以生成主题兴趣变化轨迹数据；
36、步骤s344：通过主题兴趣变化轨迹数据对行为轨迹数据进行矩阵构建，以生成行为迁移概率矩阵；
37、步骤s345：对行为迁移概率矩阵进行行为变化分析，以生成行为变化数据；
38、步骤s346：通过行为变化数据对行为轨迹数据进行轨迹图拟合，以构建用户行为轨迹图。
39、本发明通过主题时序迁徙分析，研究时序行为主题向量数据中不同主题在时间上的迁移和变化情况，生成主题时序迁徙数据提供主题之间的时序迁徙模式和趋势，揭示用户兴趣的演变过程和规律，行为迁移概率计算基于主题时序迁徙数据，量化不同主题之间的迁移概率，生成行为迁移概率数据定量描述用户行为在不同主题之间的转移概率，理解用户行为的转移规律和趋势，主题演变轨迹分析基于行为迁移概率数据，探索时序行为主题向量数据中主题兴趣的变化过程，生成主题兴趣变化轨迹数据描述用户主题兴趣的演变轨迹和趋势，帮助理解用户在不同主题上的行为偏好变化，行为迁移概率矩阵的构建利用主题兴趣变化轨迹数据，建立不同行为之间的迁移概率关系，生成行为迁移概率矩阵提供不同行为之间的转移概率，用于进一步分析用户行为的转移模式和趋势，行为变化分析基于行为迁移概率矩阵，研究用户行为在不同行为之间的变化和转移情况，生成行为变化数据描述用户行为的变化模式和趋势，帮助理解用户的行为演化过程，轨迹图拟合利用行为变化数据，将行为轨迹数据进行可视化处理，形成用户行为的轨迹图，构建用户行为轨迹图直观地展示用户的行为路径和行为演化，帮助理解用户的行为模式和趋势。
40、优选地，步骤s4的具体步骤为：
41、步骤s41：对用户动态行为数据进行兴衰周期分析，以生成动态行为兴衰周期数据；
42、步骤s42：利用行为倾向演化规律对动态行为兴衰周期数据进行行为兴趣倾向分析，以生成用户行为兴趣倾向数据；
43、步骤s43：对用户行为兴趣倾向数据行为兴趣趋势预测，以生成用户行为趋势数据；
44、步骤s44：根据用户行为趋势数据对用户行为轨迹图进行行为图谱挖掘，以构建行为演化趋势图谱；
45、步骤s45：通过行为演化趋势图谱对用户动态行为数据进行动态时序优化，以生成动态用户行为画像。
46、本发明通过兴衰周期分析研究用户动态行为数据的兴衰变化规律，如行为的高峰期和低谷期，生成动态行为兴衰周期数据提供用户行为兴衰的周期性模式，理解用户行为的周期性变化，行为兴趣倾向分析基于动态行为兴衰周期数据，探索用户行为的兴趣倾向和倾向变化，生成用户行为兴趣倾向数据描述用户对不同行为的兴趣程度和倾向，行为兴趣趋势预测基于用户行为兴趣倾向数据，预测用户行为兴趣的未来发展趋势，生成用户行为趋势数据描述用户行为兴趣的趋势变化，预测用户未来的行为偏好和兴趣方向，行为图谱挖掘利用用户行为趋势数据，挖掘用户行为轨迹图中的重要行为模式和趋势，构建行为演化趋势图谱提供用户行为演化的图谱视图，了解用户行为的演化过程和演化趋势，动态时序优化基于行为演化趋势图谱，对用户动态行为数据进行时序上的优化和调整，生成动态用户行为画像提供用户行为的动态视角，包括行为的时序特征和动态变化，更好地理解用户的行为特征和行为演化。
47、优选地，步骤s44的具体步骤为：
48、步骤s441：对用户行为轨迹图进行迭代卷积抽象出来，以生成卷积行为轨迹图；
49、步骤s442：对卷积行为轨迹图进行兴趣转折点分析，标记行为兴趣关键点；
50、步骤s443：利用行为兴趣关键点对卷积行为轨迹图进行兴趣路径识别，以生成行为兴趣路径；
51、步骤s444：对行为兴趣路径进行兴趣权重计算，以生成行为兴趣路径权重数据；
52、步骤s445：根据用户行为趋势数据对行为兴趣路径权重数据进行动态属性权重调整，以生成动态行为权重趋势数据；
53、步骤s446：利用动态行为权重趋势数据对用户行为轨迹图进行行为图谱挖掘，以构建行为演化趋势图谱。
54、本发明通过迭代卷积抽象，将原始的用户行为轨迹图进行抽象和概括，提取出更高层次的行为模式和特征，生成卷积行为轨迹图得到经过迭代卷积抽象后的行为轨迹图，其中包含更加抽象和概括的用户行为信息，有助于后续的分析和挖掘，兴趣转折点分析识别卷积行为轨迹图中的行为转折点，即行为兴趣发生显著变化的位置，标记行为兴趣关键点确定卷积行为轨迹图中的关键位置，表示用户行为兴趣的转折和重要变化，为后续的行为路径识别提供基础，行为兴趣路径识别基于行为兴趣关键点，识别出用户在不同时间段内的行为兴趣路径，生成行为兴趣路径描述用户在不同时间段内的行为兴趣演化轨迹，帮助理解用户兴趣的变化和路径，兴趣权重计算评估行为兴趣路径的重要程度和权重，根据不同的指标或算法进行计算，生成行为兴趣路径权重数据提供行为兴趣路径的权重信息，用于后续的行为权重调整和分析，动态属性权重调整根据用户行为趋势数据，对行为兴趣路径权重进行动态调整，反映用户行为兴趣的变化趋势，生成动态行为权重趋势数据描述行为兴趣路径权重随时间的变化，帮助理解用户行为兴趣的动态演化，行为图谱挖掘利用动态行为权重趋势数据，挖掘用户行为轨迹图中的重要行为模式和趋势，构建行为演化趋势图谱提供行为兴趣的演化过程和趋势的图谱视图，帮助理解用户行为的演化和变化。
55、优选地，步骤s5的具体步骤为：
56、步骤s51：对用户医疗健康数据进行用户情绪周期分析，生成用户情绪周期数据；
57、步骤s52：对情绪周期数据进行情绪波动识别，以生成用户情绪波动数据；
58、步骤s53：根据用户情绪波动数据对用户医疗健康数据进行健康素质分析，以生成用户健康素质评估数据；
59、步骤s54：对用户健康素质评估数据进行风险状态分析，以生成用户健康风险状态数据；
60、步骤s55：利用用户健康风险状态数据对用户健康素质评估数据进行风险趋势预测，以生成健康风险趋势预测数据；
61、步骤s56：对健康风险趋势预测数据进行知识图谱构建，以生成健康风险趋势预测图谱。
62、本发明通过用户情绪周期分析基于用户的医疗健康数据，识别用户情绪的周期性变化，生成用户情绪周期数据提供用户情绪在不同时间段内的周期变化信息，有助于了解用户的情绪模式和变化趋势，情绪波动识别分析情绪周期数据，确定用户情绪的波动情况和幅度，生成用户情绪波动数据描述用户情绪的波动程度和频率，理解用户情绪的稳定性和变动性，健康素质分析基于用户的情绪波动数据，评估用户的健康素质和心理状态，生成用户健康素质评估数据提供用户整体健康状况的评估结果，包括心理健康方面的评估，风险状态分析基于用户的健康素质评估数据，评估用户的健康风险状态，生成用户健康风险状态数据提供用户健康风险的评估结果，包括可能存在的健康风险和潜在问题，风险趋势预测基于用户的健康风险状态数据，预测用户未来的健康风险趋势，生成健康风险趋势预测数据提供用户健康风险的预测结果，预测出现的健康问题和调整健康管理策略，知识图谱构建基于健康风险趋势预测数据，构建健康风险预测的知识图谱，生成健康风险趋势预测图谱提供健康风险预测的图谱视图，将健康风险趋势和相关知识进行整合和可视化。
63、优选地，步骤s6的具体步骤为：
64、步骤s61：利用健康风险趋势预测图谱对动态用户行为画像进行画像层次优化，以生成风险优化动态行为画像；
65、步骤s62：利用循环卷积网络对风险优化动态行为画像进行卷积预处理，以生成行为画像卷积样本集；
66、步骤s63：对行为画像卷积样本集进行膨胀卷积，以生成行为画像卷积网络；
67、步骤s64：对行为画像卷积网络进行多层池化采样，以生成行为画像卷积图；
68、步骤s65：对行为画像卷积图进行数据挖掘建模，以构建用户动态行为画像模型，执行用户画像构建作业。
69、本发明通过利用健康风险趋势预测图谱，根据用户的健康风险趋势和相关知识，对行为画像进行层次化的优化，以提高画像的准确性和个性化程度，生成风险优化动态行为画像更准确地描述用户的行为特征和健康风险因素的关联关系，为后续的行为分析和个性化建议提供更有价值的数据，利用循环卷积网络对风险优化动态行为画像进行卷积预处理，提取画像中的特征信息，并进行有效的数据压缩和表示学习，有助于提高模型的表现力和泛化能力，行为画像卷积样本集进行膨胀卷积增加样本的多样性，提取更高级别的特征表示，生成行为画像卷积网络通过卷积操作对行为画像样本集进行特征提取和模式识别，进一步提升模型的表现能力，对行为画像卷积网络进行多层池化采样降低网络的复杂度，提取更具代表性的特征，通过池化操作将卷积网络的输出转化为更紧凑和高维度的特征表示，为后续的数据挖掘和建模提供更有效的输入，对行为画像卷积图进行数据挖掘建模通过机器学习和数据分析技术，发现其中的潜在模式、规律和关联关系，构建用户动态行为画像模型将行为画像卷积图的特征和挖掘结果结合起来，构建一个用于描述用户行为和健康风险的综合模型，该模型用于用户画像的构建，为个性化的健康管理和干预提供支持。
70、在本说明书中，还提供一种基于大数据的用户画像构建系统，包括：
71、动态行为模块，基于大数据技术进行用户数据深度挖掘，以生成多维用户行为数据及用户医疗健康数据；对多维用户行为数据进行动态行为分析，以生成用户动态行为数据；对用户动态行为数据进行行为诉求挖掘分析，以生成用户行为需求数据；
72、主题向量模块，对用户行为需求数据进行驱动动机推测处理，生成用户行为动机数据；根据用户行为动机数据对多维用户行为数据进行兴趣关键词检测，生成兴趣关键词数据；基于兴趣关键词数据对多维用户行为数据进行主题关联提取，生成行为主题向量数据；
73、行为倾向演化模块，对行为主题向量数据进行时序分析，生成时序行为主题向量数据；对时序行为主题向量数据进行行为轨迹分析，以构建用户行为轨迹图；利用深度学习算法对用户行为轨迹图进行行为倾向演化分析，以生成行为倾向演化规律；
74、行为演化趋势模块，利用行为倾向演化规律对用户动态行为数据进行行为兴趣趋势预测，以生成用户行为趋势数据；根据用户行为趋势数据对用户行为轨迹图进行行为图谱挖掘，以构建行为演化趋势图谱；通过行为演化趋势图谱对用户动态行为数据进行动态时序优化，以生成动态用户行为画像；
75、健康风险趋势模块，对用户医疗健康数据进行用户情绪周期分析，以生成用户情绪波动数据；根据用户情绪波动数据对用户医疗健康数据进行健康素质分析，以生成用户健康素质评估数据；对用户健康素质评估数据进行风险趋势预测，以生成健康风险趋势预测图谱；
76、画像模型模块，利用健康风险趋势预测图谱对动态用户行为画像进行画像层次优化，以生成风险优化动态行为画像；利用循环卷积网络对风险优化动态行为画像进行膨胀卷积，以构建用户动态行为画像模型，执行用户画像构建作业。
77、本发明通过动态行为模块深度挖掘用户数据，获取用户在多个方面的行为数据，例如购买历史、浏览记录、社交互动等，揭示用户的兴趣、行为习惯和需求，通过挖掘医疗健康数据，了解用户的健康状况、疾病风险等关键信息，主题向量模块通过分析行为需求数据，推断用户进行特定行为的动机和目的，理解用户的行为背后的驱动因素，为个性化推荐和服务提供依据，通过处理行为需求数据，提取用户的兴趣关键词和行为主题向量，揭示用户的兴趣领域和行为偏好，为内容推荐和个性化服务提供基础，行为倾向演化模块通过分析用户行为主题向量数据的时序变化，发现用户行为的演化趋势和规律，预测用户未来的行为和需求变化，通过将用户行为主题向量数据进行时序分析，构建用户的行为轨迹图，展示用户在不同时间点的行为特征和偏好，为了解用户行为提供可视化的工具，行为演化趋势模块基于行为倾向演化规律，预测用户未来的行为兴趣趋势，提前了解用户可能感兴趣的内容和需求，为个性化推荐和定制化服务提供依据，通过整合用户行为倾向演化规律，构建行为演化趋势图谱，展示用户行为的变化趋势和相关关联，为了解用户行为提供更加细致的视角，健康风险趋势模块，通过分析用户的医疗健康数据，评估用户的健康状况、风险和潜在问题，提供个性化的健康管理和医疗建议，基于医疗健康数据的分析，预测用户的健康风险趋势，例如慢性疾病的发展趋势、情绪周期的变化等，提前发现潜在的健康问题，并采取相应的预防和干预措施，通过整合用户的健康风险趋势数据，生成健康风险趋势图谱，展示用户的健康状态变化和相关关联，为个性化的健康管理和预防措施提供依据，画像模型模块基于用户的行为数据、兴趣关键词、健康风险趋势等多个维度的信息，生成详细的用户画像，包括用户的行为特征、兴趣偏好、健康状况和风险等信息，为个性化的服务和决策提供支持，通过了解用户的行为偏好和兴趣，实现个性化的内容推荐和服务，基于用户画像模型，为用户提供更加精准和符合其需求的推荐结果，提高用户满意度和参与度。
1.一种基于大数据的用户画像构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的用户画像构建方法，其特征在于，步骤s1的具体步骤为：
3.根据权利要求1所述的基于大数据的用户画像构建方法，其特征在于，步骤s2的具体步骤为：
4.根据权利要求1所述的基于大数据的用户画像构建方法，其特征在于，步骤s3的具体步骤为：
5.根据权利要求4所述的基于大数据的用户画像构建方法，其特征在于，步骤s34的具体步骤为：
6.根据权利要求1所述的基于大数据的用户画像构建方法，其特征在于，步骤s4的具体步骤为：
7.根据权利要求6所述的基于大数据的用户画像构建方法，其特征在于，步骤s44的具体步骤为：
8.根据权利要求1所述的基于大数据的用户画像构建方法，其特征在于，步骤s5的具体步骤为：
9.根据权利要求1所述的基于大数据的用户画像构建方法，其特征在于，步骤s6的具体步骤为：
10.一种基于大数据的用户画像构建系统，其特征在于，用于执行如权利要求1所述的基于大数据的用户画像构建方法，包括：
