CN114625627A - 一种基于大数据多维分析的用户智能感知方法 - Google Patents

Abstract

本发明公开了一种基于大数据多维分析的用户智能感知方法，涉及智能感知领域，其中，所述方法包括：通过大数据平台获得第一应用程序的历史感知测试数据库；获得多维度感知评价信息数据集；获得第一异常感知数据信息；构建第一异常感知数据分析模型；获得第二异常感知数据信息，基于此，获得第二异常感知数据分析模型；构建集成异常感知数据分析模型；获得异常感知数据分析结果，并利用其对应用程序进行感知预防。解决了现有技术中的针对用户感知的精确度不高，进而造成用户感知的效果不佳的技术问题。达到了提高用户感知的精确度，提升用户感知的效果和质量等技术效果。

Description

一种基于大数据多维分析的用户智能感知方法

技术领域

本发明涉及智能感知领域，具体地，涉及一种基于大数据多维分析的用户智能感知方法。

背景技术

现今时代的应用程序早已不再由单一系统构成，而是涉及到多个线路和复杂的后台系统。在对应用程序进行维护时，大多数还是依赖于后台系统进行监控维护。往往是用户发现问题后，通知客服，后台开发维护人员才知道。研究设计一个从用户角度出发，具有大数据分析功能的智能化感知方法已成为必要。

现有技术中，存在针对用户感知的精确度不高，进而造成用户感知的效果不佳的技术问题。

发明内容

本申请提供了一种基于大数据多维分析的用户智能感知方法，解决了现有技术中的针对用户感知的精确度不高，进而造成用户感知的效果不佳的技术问题。

鉴于上述问题，本申请提供了一种基于大数据多维分析的用户智能感知方法。

第一方面，本申请提供了一种基于大数据多维分析的用户智能感知方法，其中，所述方法包括：通过大数据平台获得第一应用程序的历史感知测试数据库；构建感知维度评价指标集合，根据所述感知维度评价指标集合对所述历史感知测试数据库中的数据进行多通道评价，获得多维度感知评价信息数据集；基于所述多维度感知评价信息数据集进行感知异常数据获取，获得第一异常感知数据信息；将所述第一异常感知数据信息输入神经网络中进行训练，构建第一异常感知数据分析模型；获得第二异常感知数据信息，基于所述第二异常感知数据信息获得第二异常感知数据分析模型；对所述第一异常感知数据分析模型和所述第二异常感知数据分析模型的模型参数信息进行联合训练更新，构建集成异常感知数据分析模型；根据所述集成异常感知数据分析模型，获得异常感知数据分析结果，并基于所述异常感知数据分析结果对应用程序进行感知预防。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

利用大数据平台获得第一应用程序的历史感知测试数据库；根据感知维度评价指标集合对所述历史感知测试数据库中的数据进行多通道评价，获得多维度感知评价信息数据集；对其进行感知异常数据获取，获得第一异常感知数据信息；构建第一异常感知数据分析模型；

获得第二异常感知数据信息，基于所述第二异常感知数据信息获得第二异常感知数据分析模型；对所述第一异常感知数据分析模型和所述第二异常感知数据分析模型的模型参数信息进行联合训练更新，构建集成异常感知数据分析模型；基于此，获得异常感知数据分析结果，并利用其对应用程序进行感知预防。达到了提高用户感知的精确度，提升用户感知的效果和质量；同时，对异常感知结果进行感知预防，进而提升用户感知的智能性、科学化，提升用户的体验感和满意度的技术效果。

附图说明

图1为本申请一种基于大数据多维分析的用户智能感知方法的流程示意图；

图2为本申请一种基于大数据多维分析的用户智能感知方法中获得第一异常感知数据信息的流程示意图；

图3为本申请一种基于大数据多维分析的用户智能感知方法中构建异常识别逻辑层的流程示意图；

图4为本申请一种基于大数据多维分析的用户智能感知方法中基于异常感知数据分析结果对应用程序进行感知预防的流程示意图。

具体实施方式

本申请通过提供一种基于大数据多维分析的用户智能感知方法，解决了现有技术中的针对用户感知的精确度不高，进而造成用户感知的效果不佳的技术问题。达到了提高用户感知的精确度，提升用户感知的效果和质量；同时，对异常感知结果进行感知预防，进而提升用户感知的智能性、科学化，提升用户的体验感和满意度的技术效果。

实施例一

请参阅附图1，本申请提供一种基于大数据多维分析的用户智能感知方法，其中，所述方法具体包括如下步骤：

步骤S100：通过大数据平台获得第一应用程序的历史感知测试数据库；

进一步的，本申请步骤S100还包括：

步骤S110：搭建所述第一应用程序的测试环境；

步骤S120：根据所述测试环境和应用程序业务模块，确定测试执行策略；

步骤S130：基于所述测试执行策略和UI自动化技术，对所述第一应用程序进行模拟操作验证，获得应用程序模拟反馈信息；

步骤S140：根据所述应用程序模拟反馈信息，获得应用程序感知测试数据集合；

步骤S150：将所述应用程序感知测试数据集合统计存储至所述历史感知测试数据库中。

具体而言，利用大数据平台通过数据查询、信息采集、特征提取等方式，获得第一应用程序的历史感知测试数据库。进一步，获得所述第一应用程序的测试环境，并结合应用程序业务模块，确定测试执行策略；基于此，结合UI自动化技术，对所述第一应用程序进行模拟操作验证，获得应用程序模拟反馈信息；进而，利用所述应用程序模拟反馈信息，获得应用程序感知测试数据集合，并将其进行统计后，存储至所述历史感知测试数据库。

其中，所述第一应用程序的历史感知测试数据库包括此前多个历史时间下的第一应用程序的多个感知测试结果。所述第一应用程序是使用所述一种基于大数据多维分析的用户智能感知方法进行智能化用户感知的任一应用程序。示例性地，所述第一应用程序可以为金融类的APP、网站等。所述第一应用程序的测试环境包括第一应用程序的测试时间、测试设备、测试网络环境等数据信息。所述应用程序业务模块包括第一应用程序的业务模块的名称、业务模块的功能特点、业务模块的使用步骤及工作流程、各业务模块之间的流转关系及组合功能等数据信息。所述测试执行策略包括第一应用程序的具体测试方法、步骤等数据信息。

所述UI自动化技术是把测试者对第一应用程序的测试行为转化成由机器执行的测试行为的智能技术。所述UI自动化技术具有自动化程度高、测试效率高、节省时间、极大程度地避免人为遗漏和疏忽、有效降低测试误差等优点。所述应用程序模拟反馈信息是对第一应用程序进行模拟真实用户的操作、运行、感知等验证后，获得的表征第一应用程序的流畅度、性能感、体验感等参数的数据信息。所述应用程序感知测试数据集合包括多个应用程序模拟反馈信息，所述应用程序感知测试数据集合包括于所述历史感知测试数据库。达到了利用UI自动化技术对所述第一应用程序进行模拟操作验证，继而获得应用程序感知测试数据集合，并将其添加至历史感知测试数据库，提高历史感知测试数据库的实时性和适应性，为后续获得多维度感知评价信息数据集提供数据支持的技术效果。

进一步的，本申请步骤S130还包括：

步骤S131：对所述应用程序模拟反馈信息进行测试失败情况筛选，获得测试失败模拟数据集合；

步骤S132：将所述测试失败模拟数据集合的测试环境进行更换，并在更换测试环境下进行二次验证；

步骤S133：获得所述更换测试环境的测试验证结果信息，判断所述测试验证结果信息是否成功；

步骤S134：如果所述测试验证结果信息未成功，确定连续失败验证机制；

步骤S135：基于所述连续失败验证机制和预设测试验证次数，对所述测试失败模拟数据集合进行连续验证。

具体而言，筛选所述应用程序模拟反馈信息中测试失败情况的数据信息，获得测试失败模拟数据集合；进而，更换所述测试失败模拟数据集合的测试环境，并在更换测试环境下，对第一应用程序进行二次验证；继而，获得所述更换测试环境的测试验证结果信息，并对其进行判断，如果所述测试验证结果信息未成功，确定连续失败验证机制；基于此，结合预设测试验证次数，对所述测试失败模拟数据集合进行连续验证。

其中，所述测试失败模拟数据集合包括所述应用程序模拟反馈信息中测试失败的数据信息。所述更换测试环境包括更换测试网络环境、更换测试设备等。所述连续失败验证机制是指在所述二次验证失败后，对第一应用程序进行三次验证、四次验证、五次验证……N次验证，直至验证成功的连续验证法。且，在进行所述连续失败验证机制时，验证次数不超过预设测试验证次数。所述预设测试验证次数由所述一种基于大数据多维分析的用户智能感知方法根据实际情况进行自适应设定。达到了对测试失败模拟数据集合进行连续验证，进而提高对所述第一应用程序进行模拟操作验证的精确性和可靠性的技术效果。

进一步的，本申请步骤S140还包括：

步骤S141：对所述应用程序感知测试数据集合进行可视化分析，获得应用程序监听饼状图；

步骤S142：根据所述应用程序监听饼状图的概率面积占比，确定监听影响因素系数；

步骤S143：基于动态任务调度算法和所述监听影响因素系数，对所述第一应用程序进行动态监听验证。

具体而言，在获得所述应用程序感知测试数据集合的基础上，对其进行可视化分析，获得应用程序监听饼状图；并根据其确定监听影响因素系数，结合动态任务调度算法，对所述第一应用程序进行动态监听验证。

其中，所述可视化分析是对应用程序感知测试数据集合进行关联分析、数据挖掘后，将应用程序感知测试数据集合以图表的形式进行直观展现的方法。所述应用程序监听饼状图是用于表征应用程序感知测试数据集合中各数据的测试过程、测试模块、测试结果、测试状态、测试时间等参数的数据信息。所述监听影响因素系数是指监听模块、监听环境等影响测试成功的参数信息。所述动态任务调度算法是一种测试资源的高效整合和管理方法，当有多个进程要使用某一测试资源时，因为该测试资源的有限性，必须按照一定的原则选择进程来占用该测试资源，从而对该测试资源进行高效利用。达到了对所述第一应用程序进行动态监听验证，进而对测试资源进行高效管理，提高获得应用程序感知测试数据集合的效率的技术效果。

步骤S200：构建感知维度评价指标集合，根据所述感知维度评价指标集合对所述历史感知测试数据库中的数据进行多通道评价，获得多维度感知评价信息数据集；

具体而言，在已获得所述历史感知测试数据库的基础上，根据构建的感知维度评价指标集合，对其进行多通道评价，获得多维度感知评价信息数据集。其中，所述感知维度评价指标集合包括视觉感、使用感、体验感、稳定性、偏好度等多个评价指标参数。所述多维度感知评价信息数据集包括所述历史感知测试数据库中每个数据信息在感知维度评价指标集合下的评价结果数据信息。达到了获得多维度感知评价信息数据集，为后续对其进行感知异常数据获取奠定基础的技术效果。

步骤S300：基于所述多维度感知评价信息数据集进行感知异常数据获取，获得第一异常感知数据信息；

进一步的，如附图2所示，本申请步骤S300还包括：

步骤S310：构建异常感知特征网络模型，所述异常感知特征网络模型包括输入层、异常识别逻辑层、异常标签分类逻辑层和输出层；

步骤S320：将所述多维度感知评价信息数据集作为输入层，输入至所述异常识别逻辑层中，获得异常感知识别数据信息；

步骤S330：将所述异常感知识别数据信息输入所述异常标签分类逻辑层中，获得异常感知标签分类数据集；

步骤S340：将所述异常感知标签分类数据集作为输出层输出，获得所述第一异常感知数据信息。

具体而言，所述异常感知特征网络模型是一个智能化的神经网络模型，经由大量历史多维度感知评价信息数据集、历史异常感知识别数据信息等训练得到，包括输入层、异常识别逻辑层、异常标签分类逻辑层和输出层，具备智能化异常识别、智能化异常标签分类等功能。进一步，将所述多维度感知评价信息数据集作为输入信息，传输至输入层，进而将其输入至所述异常识别逻辑层，获得所述异常识别逻辑层的输出信息，即异常感知识别数据信息。进一步，将获得的异常感知识别数据信息作为输入信息，输入所述异常标签分类逻辑层中，获得异常感知标签分类数据集，并将其传递至输出层，最终输出所述第一异常感知数据信息。

其中，所述异常感知识别数据信息包括所述多维度感知评价信息数据集中的异常数据信息。所述异常感知标签分类数据集是对所述异常感知识别数据信息进行自动异常分类后，并对其赋予异常类型标签的数据信息。所述第一异常感知数据信息为所述异常感知标签分类数据集中的数据信息。达到了利用异常感知特征网络模型，获得准确而高效的第一异常感知数据信息的技术效果。

进一步的，如附图3所示，本申请步骤S310还包括：

步骤S311：按照预定比例对所述多维度感知评价信息数据集进行数据划分，获得感知评价信息训练样本和感知评价信息测试样本；

步骤S312：根据所述感知评价信息训练样本和所述感知评价信息测试样本，获得感知评价训练样本评估标签和感知评价测试样本评估标签；

步骤S313：将所述感知评价信息训练样本和所述感知评价训练样本评估标签作为训练数据，构建所述异常识别逻辑层。

具体而言，在获得所述多维度感知评价信息数据集的基础上，按照预定比例对其进行数据划分，获取感知评价信息训练样本和感知评价信息测试样本；进而对其进行科学分析、智能计算后，获得感知评价训练样本评估标签和感知评价测试样本评估标签；基于此，利用所述感知评价信息训练样本和所述感知评价训练样本评估标签进行数据训练，获得所述异常识别逻辑层。

其中，所述预定比例可根据实际情况进行自适应设定。示例性地，所述预定比例为3:2,所述多维度感知评价信息数据集包含5000个数据信息，则将所述多维度感知评价信息数据集中的3000个数据信息划分为感知评价信息训练样本，将所述多维度感知评价信息数据集中剩余的2000个数据信息划分为感知评价信息测试样本。所述感知评价训练样本评估标签是表征所述感知评价信息训练样本中的数据信息是否存在异常的参数信息。所述感知评价测试样本评估标签是表征所述感知评价信息测试样本中的数据信息是否存在异常的参数信息。当获得所述异常识别逻辑层之后，将所述感知评价测试样本评估标签输入所述异常识别逻辑层，可对所述异常识别逻辑层的准确性、拟合度等进行测试，进而对所述异常识别逻辑层进行优化更新。达到了获得精确度和可靠性较高的异常识别逻辑层，进而提升后续获得的第一异常感知数据信息的准确性的技术效果。

步骤S400：将所述第一异常感知数据信息输入神经网络中进行训练，构建第一异常感知数据分析模型；

步骤S500：获得第二异常感知数据信息，基于所述第二异常感知数据信息获得第二异常感知数据分析模型；

步骤S600：对所述第一异常感知数据分析模型和所述第二异常感知数据分析模型的模型参数信息进行联合训练更新，构建集成异常感知数据分析模型；

具体而言，联合训练所述第一异常感知数据分析模型和所述第二异常感知数据分析模型的模型参数信息，获得集成异常感知数据分析模型。其中，所述第一异常感知数据分析模型由所述第一异常感知数据信息经由神经网络训练获得，具有对异常数据进行功能性缺陷、性能缺陷等缺陷分析的功能。所述第二异常感知数据信息是对与第一应用程序相似的应用程序进行信息采集，获得的该应用程序的异常感知数据信息。示例性地，所述第一应用程序为a程序,b程序与a程序在功能特点、结构布局等方面具有一定的相似性，采集b程序的异常感知信息获得第二异常感知数据信息。所述第二异常感知数据分析模型由所述第二异常感知数据信息通过数据训练获得。达到了获得集成度、综合性、精确性较高的集成异常感知数据分析模型，为后续获得异常感知数据分析结果提供数据支持的技术效果。

步骤S700：根据所述集成异常感知数据分析模型，获得异常感知数据分析结果，并基于所述异常感知数据分析结果对应用程序进行感知预防。

进一步的，如附图4所示，本申请步骤S700还包括：

步骤S710：对所述异常感知数据分析结果进行时间复杂度分析，获得时间复杂度分析结果；

步骤S720：对所述异常感知数据分析结果进行影响程度分析，获得权重影响因子；

步骤S730：根据所述时间复杂度分析结果和所述权重影响因子，确定处理关键性系数；

步骤S740：基于所述处理关键性系数，对应用程序进行感知预防处理。

具体而言，利用已获得的所述集成异常感知数据分析模型，获得异常感知数据分析结果，并对其进行时间复杂度分析，获得时间复杂度分析结果；进而，分析所述异常感知数据分析结果的影响程度，获得权重影响因子，并结合所述时间复杂度分析结果，确定处理关键性系数，并利用其对应用程序进行感知预防处理。

其中，所述时间复杂度分析是对所述异常感知数据分析结果的产生时间的长短、快慢等参数进行分析。所述时间复杂度分析结果是表征所述异常感知数据分析结果的时间复杂度高低的数据。所述权重影响因子是表征所述异常感知数据分析结果对应用程序的影响程度高低的数据信息。例如，影响程度越大，权重影响因子越大。所述处理关键性系数是表征需要对应用程序进行感知预防处理的参数信息。示例性地，当所述处理关键性系数表明应用程序的安全性即将受到威胁时，通过邮件、短信、电话等方式及时通知运维工作人员进行相应预防性维护措施，从而对应用程序进行感知预防处理。达到了利用异常感知数据分析结果对应用程序进行感知预防，进而提升应用程序的智能化的技术效果。

综上所述，本申请提供了一种基于大数据多维分析的用户智能感知方法，其中，所述方法包括：利用大数据平台获得第一应用程序的历史感知测试数据库；根据感知维度评价指标集合对所述历史感知测试数据库中的数据进行多通道评价，获得多维度感知评价信息数据集；对其进行感知异常数据获取，获得第一异常感知数据信息；构建第一异常感知数据分析模型；获得第二异常感知数据信息，基于所述第二异常感知数据信息获得第二异常感知数据分析模型；对所述第一异常感知数据分析模型和所述第二异常感知数据分析模型的模型参数信息进行联合训练更新，构建集成异常感知数据分析模型；基于此，获得异常感知数据分析结果，并利用其对应用程序进行感知预防。解决了现有技术中的针对用户感知的精确度不高，进而造成用户感知的效果不佳的技术问题。达到了提高用户感知的精确度，提升用户感知的效果和质量；同时，对异常感知结果进行感知预防，进而提升用户感知的智能性、科学化，提升用户的体验感和满意度的技术效果。

本说明书和附图仅仅是本申请的示例性说明，如果本发明的修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于大数据多维分析的用户智能感知方法，其特征在于，所述方法包括：

通过大数据平台获得第一应用程序的历史感知测试数据库；

构建感知维度评价指标集合，根据所述感知维度评价指标集合对所述历史感知测试数据库中的数据进行多通道评价，获得多维度感知评价信息数据集；

基于所述多维度感知评价信息数据集进行感知异常数据获取，获得第一异常感知数据信息；

将所述第一异常感知数据信息输入神经网络中进行训练，构建第一异常感知数据分析模型；

获得第二异常感知数据信息，基于所述第二异常感知数据信息获得第二异常感知数据分析模型；

对所述第一异常感知数据分析模型和所述第二异常感知数据分析模型的模型参数信息进行联合训练更新，构建集成异常感知数据分析模型；

根据所述集成异常感知数据分析模型，获得异常感知数据分析结果，并基于所述异常感知数据分析结果对应用程序进行感知预防。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

搭建所述第一应用程序的测试环境；

根据所述测试环境和应用程序业务模块，确定测试执行策略；

基于所述测试执行策略和UI自动化技术，对所述第一应用程序进行模拟操作验证，获得应用程序模拟反馈信息；

根据所述应用程序模拟反馈信息，获得应用程序感知测试数据集合；

将所述应用程序感知测试数据集合统计存储至所述历史感知测试数据库中。

3.如权利要求2所述的方法，其特征在于，所述方法包括：

对所述应用程序模拟反馈信息进行测试失败情况筛选，获得测试失败模拟数据集合；

将所述测试失败模拟数据集合的测试环境进行更换，并在更换测试环境下进行二次验证；

获得所述更换测试环境的测试验证结果信息，判断所述测试验证结果信息是否成功；

如果所述测试验证结果信息未成功，确定连续失败验证机制；

基于所述连续失败验证机制和预设测试验证次数，对所述测试失败模拟数据集合进行连续验证。

4.如权利要求2所述的方法，其特征在于，所述方法包括：

对所述应用程序感知测试数据集合进行可视化分析，获得应用程序监听饼状图；

根据所述应用程序监听饼状图的概率面积占比，确定监听影响因素系数；

基于动态任务调度算法和所述监听影响因素系数，对所述第一应用程序进行动态监听验证。

5.如权利要求1所述的方法，其特征在于，所述获得第一异常感知数据信息，包括：

构建异常感知特征网络模型，所述异常感知特征网络模型包括输入层、异常识别逻辑层、异常标签分类逻辑层和输出层；

将所述多维度感知评价信息数据集作为输入层，输入至所述异常识别逻辑层中，获得异常感知识别数据信息；

将所述异常感知识别数据信息输入所述异常标签分类逻辑层中，获得异常感知标签分类数据集；

将所述异常感知标签分类数据集作为输出层输出，获得所述第一异常感知数据信息。

6.如权利要求5所述的方法，其特征在于，所述方法包括：

按照预定比例对所述多维度感知评价信息数据集进行数据划分，获得感知评价信息训练样本和感知评价信息测试样本；

根据所述感知评价信息训练样本和所述感知评价信息测试样本，获得感知评价训练样本评估标签和感知评价测试样本评估标签；

将所述感知评价信息训练样本和所述感知评价训练样本评估标签作为训练数据，构建所述异常识别逻辑层。

7.如权利要求1所述的方法，其特征在于，所述方法包括：

对所述异常感知数据分析结果进行时间复杂度分析，获得时间复杂度分析结果；

对所述异常感知数据分析结果进行影响程度分析，获得权重影响因子；

根据所述时间复杂度分析结果和所述权重影响因子，确定处理关键性系数；

基于所述处理关键性系数，对应用程序进行感知预防处理。

Images