CN102496012A - 结合眼动追踪和历史行为挖掘潜在需求的装置和方法 - Google Patents

Abstract

本发明公开了一种结合眼动追踪和历史行为挖掘潜在需求的装置，包括通过互联网连接的客户端和数据库；所述客户端上设置有交互界面和摄像头，摄像头通过应用程序接口连接有一眼动数据过滤器。装置通过互联网将产品信息显示在交互界面上以供用户浏览，并获得界面反馈信息；所述界面反馈信息包括用户评价、浏览行为；同时摄像头捕捉用户的眼动数据，并通过应用程序接口将眼动数据传输给眼动数据过滤器进行过滤；最后将过滤后的眼动数据和界面反馈信息用需求算法进行分值量化，并根据量化结果判断用户的需求程度。

Description

结合眼动追踪和历史行为挖掘潜在需求的装置和方法

技术领域

本发明涉及到自动化技术领域，特别涉及到一种结合眼动追踪和历史行为挖掘潜在需求的装置和方法。

背景技术

人的需求包含显性需求和潜在需求，同时，人的需求是随时间变化而变化的。目前的推荐系统利用用户交互行为的历史数据或填表打分方式来挖掘用户潜在需求。但是，基于用户的历史浏览行为推断出的潜在兴趣不一定是用户真正的兴趣所在，因为用户在做最终选择时，有可能是出于退而求其次，还有可能是一时好奇。而用户评分属于清晰表达，用户打分并不包含在用户的正常购买或浏览行为中，给用户增加负担，有可能导致用户反感，另外，处于感性或外界压力，用户给出不客观的评价，导致分值不能真正反映用户真实的感受。因此，仅依赖用户行为或清晰表达来分析学习用户不断发展变化的需求绝非易事，甚至会使所建的模型可靠性降低。

总之，交互行为只能反映用户的最终选择，不能反映用户出于什么原因作出的选择；用户打分会给用户增加负担，而且很难客观。

鉴于眼动分析可在不给用户增加负担的情况下判断出用户选择的真实喜好，本发明提出将眼动特征结合用户的交互行为变化以及用户评分来判断用户的潜在需求来进一步提高用户模型的可靠性。目前没有文献提出结合用户的眼动行为与用户的浏览行为进行用户兴趣的挖掘。

综上所述，针对现有技术的缺陷，特别需要一种结合眼动追踪和历史行为挖掘潜在需求的装置和方法，以解决以上提到的问题。

发明内容

本发明的目的在于提供一种结合眼动追踪和历史行为挖掘潜在需求的装置和方法，通过结合结合眼动跟踪技术和用户浏览行为，从而实现本实用新型的目的。

本发明所解决的技术问题可以采用以下技术方案来实现：

结合眼动追踪和历史行为挖掘潜在需求的装置，其特征在于，包括通过互联网连接的客户端和服务器端数据库；所述客户端上设置有交互界面和摄像头，摄像头通过应用程序接口连接有一眼动数据过滤器。

结合眼动追踪和历史行为挖掘潜在需求的方法，其特征在于，所述方法包括如下步骤：

1)装置通过互联网将产品信息显示在交互界面上以供用户浏览，并获得界面反馈信息；所述界面反馈信息包括用户评价、浏览行为；

2)摄像头捕捉用户的眼动数据，并通过应用程序接口将眼动数据传输给眼动数据过滤器进行过滤；

3)将过滤后的眼动数据和界面反馈信息用需求算法进行分值量化，并根据量化结果判断用户的需求程度。

在本发明的一个实施例中，所述需求算法包括浏览行为量化公式和眼动数据量化公式；

所述眼动数据量化公式如下：

凝视影响值： $E_{\mathrm{fixation}}=-(T_{\mathrm{fixation}}-\stackrel{\‾}{T_{\mathrm{fixation}}})\×\mathrm{\η}$

E_{fixation time}为用户在产品描述页面上的凝视频率对用户喜好程度的影响值；T_fixation为用户在当前页面上的凝视频率，

为该用户在所有浏览网页上的平均频率，η为系数；

扫视影响值： $E_{\mathrm{saccade}}=(T_{\mathrm{saccade}}-\stackrel{\‾}{T_{\mathrm{saccade}}})\×\mathrm{\σ}$

E_saccade为用户在网页上的扫视频率对用户喜好程度的影响值；T_saccade为用户在当前页面上的扫视频率，

为用户扫视所有浏览网页得平均扫视频率，σ为系数；

眨眼影响值： $E_{\mathrm{blink}}=(T_{\mathrm{blink}}-\stackrel{\‾}{T_{\mathrm{blink}}})\×\mathrm{\ω}$

E_saccade为用户在网页上的眨眼频率对用户喜好程度的影响值；T_blink为用户在当前页面上的眨眼频率，

为用户扫视所有浏览网页平均频率，ω为系数；

所述浏览行为量化公式如下：

浏览时间影响值： $V_{\mathrm{time}}=(T_{\mathrm{time}}-\stackrel{\‾}{T_{\mathrm{time}}})\×\mathrm{\α}$

V_time为用户在网页上的浏览时间对用户喜好程度的影响值；T_time为用户在当前页面上的浏览总时间，

为用户浏览所有网页平均花费的时间，α为系数；

鼠标滚动影响值： $V_{\mathrm{scroll}}=(S-\stackrel{\‾}{S})\×\mathrm{\β}$

V_scroll为用户在浏览网页是鼠标的滚动频率对喜好程度的影响值；S为用户在当前页面浏览时鼠标的滚动频率，

为用户浏览所有网页的鼠标平均滚动频率，β为系数。

进一步，所述步骤3)的判定方法为利用公式：

P₂＝E_fixation+E_saccade+E_blink+V_time+V_scroll

若P₂＜0，则认为用户对该产品不感兴趣；若相反，则认为用户对该产品感兴趣，P₂∈(0，1)。

本发明的有益效果在于：结合眼动跟踪技术和用户浏览行为，在用户自愿且不给用户增加负担的情况下判断出用户选择的真实喜好，判断结果能更准确的判断出用户的真正兴趣程度。

附图说明

图1为本发明所述的结合眼动追踪和历史行为挖掘潜在需求的装置和方法的结构示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1所示，本发明所述的结合眼动追踪和历史行为挖掘潜在需求的装置，包括通过互联网连接的客户端和服务端数据库；所述客户端上设置有交互界面和摄像头，摄像头通过应用程序接口连接有一眼动数据过滤器。

结合眼动追踪和历史行为挖掘潜在需求的方法，，所述方法包括如下步骤：

1)装置通过互联网将产品信息显示在交互界面上以供用户浏览，并获得界面反馈信息；所述界面反馈信息包括用户评价、浏览行为；

2)摄像头捕捉用户的眼动数据，并通过应用程序接口将眼动数据传输给眼动数据过滤器进行过滤；

3)将过滤后的眼动数据和界面反馈信息用需求算法进行分值量化，并根据量化结果判断用户的需求程度。

需求算法具体实现过程如下：

1)在产品列表页面，通过凝视定位用户浏览了哪些产品，凝视定位的方法是：计算在一个时间段内用户的凝视点坐落区域的中心位置，如果该中心位置在哪，就将该位置定位在哪。对于用户未凝视过，但多次扫视过的产品，则认为用户不感兴趣，分值P₁为0；对于用户凝视过且没有用鼠标点击的产品，认为用户不很感兴趣，分值P₁为0.3；对于用户浏览过且使用鼠标点击的产品，认为用户感兴趣，分值P₁为1；对于用户既无凝视过，也无扫视过的产品，则认为用户还未进行判断，分值P₁为0.5。

2)在产品描述页面，当用户打开某一产品描述页面后，很快关闭的产品，说明用户不感兴趣，或者不需要或者误操作打开的，分值P₂为0；若用户浏览时间比平均浏览时间少，眨眼频率、滚动频率、扫视频率减少，凝视频率增加，说明用户对于该产品并不感兴趣；若用户浏览时间比其他用户的平均浏览时间多，眨眼频率、滚动频率、扫视频率增加，凝视频率减少，说明用户感兴趣。这些参数的增加或减少可通过以下参数来判定大于0或小于0。

眼动参数量化公式如下：

凝视影响值

$E_{\mathrm{fixation}}=-(T_{\mathrm{fixation}}-\stackrel{\‾}{T_{\mathrm{fixation}}})\×\mathrm{\η}---\left(1\right)$

E_{fixation time}为用户在产品描述页面上的凝视频率对用户喜好程度的影响值。T_fixation为用户在当前页面上的凝视频率，为该用户在所有浏览网页上的平均频率，η为系数。

扫视影响值

$E_{\mathrm{saccade}}=(T_{\mathrm{saccade}}-\stackrel{\‾}{T_{\mathrm{saccade}}})\×\mathrm{\σ}---\left(2\right)$

E_saccade为用户在网页上的扫视频率对用户喜好程度的影响值。T_saccade为用户在当前页面上的扫视频率，为用户扫视所有浏览网页得平均扫视频率，σ为系数。

眨眼影响值

$E_{\mathrm{blink}}=(T_{\mathrm{blink}}-\stackrel{\‾}{T_{\mathrm{blink}}})\×\mathrm{\ω}---\left(3\right)$

E_saccade为用户在网页上的眨眼频率对用户喜好程度的影响值。T_blink为用户在当前页面上的眨眼频率，

为用户扫视所有浏览网页平均频率，ω为系数。

行为参数量化公式如下：

浏览时间影响值

$V_{\mathrm{time}}=(T_{\mathrm{time}}-\stackrel{\‾}{T_{\mathrm{time}}})\×\mathrm{\α}---\left(4\right)$

V_time为用户在网页上的浏览时间对用户喜好程度的影响值。T_time为用户在当前页面上的浏览总时间，

为用户浏览所有网页平均花费的时间，α为系数。

鼠标滚动影响值

$V_{\mathrm{scroll}}=(S-\stackrel{\‾}{S})\×\mathrm{\β}---\left(5\right)$

V_scroll为用户在浏览网页是鼠标的滚动频率对喜好程度的影响值。S为用户在当前页面浏览时鼠标的滚动频率，

为用户浏览所有网页的鼠标平均滚动频率，β为系数。

通过以上的参数对用户的眼动行为进行量化。然而，由于眼动数据和行为数据的不稳定性，因此为了减少这种不稳定性，将公式设为：

得出公式：

P₂＝E_fixation+E_saccade+E_blink+V_time+V_scroll                    (6)

若P₂＜0，则认为用户对该产品不感兴趣；若相反，则认为用户对该产品感兴趣，P₂∈(0，1)。

3)用凝视坐标定位用户关注的产品属性，用余弦相似度P₃∈(0，1)对比用户浏览的产品属性值与用户购买过的同一种类产品属性值，判断用户是否对该产品感兴趣，相似度越高，则用户购买的可能性越大；若无浏览过相似产品，则取与用户浏览过的所有不同种类产品属性的相似度的平均，判断用户是否对该产品感兴趣。

4)将用户在产品列表页面、在产品描述页面的眼动和浏览参数用分值量化。量化后的参数值和产品属性相似度、用户的打分进行标准化，以此用于判断用户的需求程度。用户打分如下：

R＝V_record                                    (8)

R∈(0，1)是指用户评分；V_record为用户对此服装的评分。若用户没有对该产品进行打分，则将用户对所有产品打分的平均分作为用户的打分R。

得到用户的需求信息，公式如下：

R′＝P₁+P₂+P₃+R                               (9)

R′∈(0，4)为临时的用户喜好程度。

用户的需求信息修改用户档案中喜好程度，其公式如下：

V′＝R′×ζ+V×(1-ζ)                        (10)

V′是修改后的喜好程度，V是存储在服务端的用户档案中原来的喜好程度。ζ是临时的用户喜好程度在修改后喜好程度中所占的权重。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.结合眼动追踪和历史行为挖掘潜在需求的装置，其特征在于，包括通过互联网连接的客户端和服务器端数据库；所述客户端上设置有交互界面和摄像头，摄像头通过应用程序接口连接有一眼动数据过滤器。

2.结合眼动追踪和历史行为挖掘潜在需求的方法，其特征在于，所述方法包括如下步骤：

1)装置通过互联网将产品信息显示在交互界面上以供用户浏览，并获得界面反馈信息；所述界面反馈信息包括用户评价、浏览行为；

2)摄像头捕捉用户的眼动数据，并通过应用程序接口将眼动数据传输给眼动数据过滤器进行过滤；

3)将过滤后的眼动数据和界面反馈信息用需求算法进行分值量化，并根据量化结果判断用户的需求程度。

3.根据权利要求2所述的结合眼动追踪和历史行为挖掘潜在需求的方法，其特征在于，所述需求算法包括浏览行为量化公式和眼动数据量化公式；

所述眼动数据量化公式如下：

凝视影响值： $E_{\mathrm{fixation}}=-(T_{\mathrm{fixation}}-\stackrel{\‾}{T_{\mathrm{fixation}}})\×\mathrm{\η}$

E_{fixation time}为用户在产品描述页面上的凝视频率对用户喜好程度的影响值；T_fixation为用户在当前页面上的凝视频率，

为该用户在所有浏览网页上的平均频率，η为系数；

扫视影响值： $E_{\mathrm{saccade}}=(T_{\mathrm{saccade}}-\stackrel{\‾}{T_{\mathrm{saccade}}})\×\mathrm{\σ}$

E_saccade为用户在网页上的扫视频率对用户喜好程度的影响值；T_saccade为用户在当前页面上的扫视频率，

为用户扫视所有浏览网页的平均扫视频率，σ为系数；

眨眼影响值： $E_{\mathrm{blink}}=(T_{\mathrm{blink}}-\stackrel{\‾}{T_{\mathrm{blink}}})\×\mathrm{\ω}$

E_saccade为用户在网页上的眨眼频率对用户喜好程度的影响值；T_blink为用户在当前页面上的眨眼频率，

为用户扫视所有浏览网页平均频率，ω为系数；

所述浏览行为量化公式如下：

浏览时间影响值： $V_{\mathrm{time}}=(T_{\mathrm{time}}-\stackrel{\‾}{T_{\mathrm{time}}})\×\mathrm{\α}$

V_time为用户在网页上的浏览时间对用户喜好程度的影响值；T_time为用户在当前页面上的浏览总时间，

为用户浏览所有网页平均花费的时间，α为系数；

鼠标滚动影响值： $V_{\mathrm{scroll}}=(S-\stackrel{\‾}{S})\×\mathrm{\β}$

V_scroll为用户在浏览网页是鼠标的滚动频率对喜好程度的影响值；S为用户在当前页面浏览时鼠标的滚动频率，

为用户浏览所有网页的鼠标平均滚动频率，β为系数。

4.根据权利要求2所述的结合眼动追踪和历史行为挖掘潜在需求的方法，其特征在于，所述步骤3)的判定方法为利用公式：

P₂＝E_fixation+E_saccade+E_blink+V_time+V_scroll

若P₂＜0，则认为用户对该产品不感兴趣；若相反，则认为用户对该产品感兴趣，P₂∈(0，1)。