CN115964432A - 基于大数据可视化的用户操作异常分析方法及系统 - Google Patents
基于大数据可视化的用户操作异常分析方法及系统 Download PDFInfo
- Publication number
- CN115964432A CN115964432A CN202310141261.4A CN202310141261A CN115964432A CN 115964432 A CN115964432 A CN 115964432A CN 202310141261 A CN202310141261 A CN 202310141261A CN 115964432 A CN115964432 A CN 115964432A
- Authority
- CN
- China
- Prior art keywords
- dimension
- image
- description vector
- category
- anomaly
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的基于大数据可视化的用户操作异常分析方法及系统,涉及人工智能技术领域。在本发明中,将目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量;依据图像含义描述向量对应的主维度的深层含义描述向量,分析出每一个主维度异常种类对应的图像异常种类概率;依据图像含义描述向量对应的主维度的深层含义描述向量和分维度的深层含义描述向量,分析出每一个分维度异常种类对应的图像异常种类概率;依据每一个主维度异常种类对应的图像异常种类概率和每一个分维度异常种类对应的图像异常种类概率,确定出目标用户交互图像对应的图像异常种类。基于上述内容,可以在一定程度上提高异常分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于大数据可视化的用户操作异常分析方法及系统。
背景技术
工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
其中,人工智能技术的不断成熟,使得其应用场景不断扩展,例如,可以利用人工智能技术,对用户操作进行异常分析,具体来说,可以对基于用户操作形成的图像进行异常分析,以得到对应的异常种类。但是,在现有技术中,存在着异常分析的可靠度不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于大数据可视化的用户操作异常分析方法及系统,以在一定程度上提高异常分析的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于大数据可视化的用户操作异常分析方法,所述基于大数据可视化的用户操作异常分析方法包括:
在大数据可视化数据库中,确定出需要进行异常分析的目标用户交互图像,并将所述目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量,所述目标用户交互图像基于目标用户进行的交互操作形成;
对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率,该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述主维度异常种类的概率;
对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率,该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述分维度异常种类的概率,分维度异常种类对应的种类粒度小于主维度异常种类对应的种类粒度;
依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类,所述图像异常种类包括确认主维度异常种类和所述确认主维度异常种类对应的确认分维度异常种类。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率的步骤,包括:
对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量;
对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量;
依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量的步骤,包括:
对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行级联组合操作,以输出对应的级联组合描述向量;
基于预先确定的目标梯度优化信息包括的第一梯度优化参数,将所述级联组合描述向量进行加权操作,以输出对应的加权描述向量;
基于所述目标梯度优化信息包括的第二梯度优化参数,将所述加权描述向量进行移位操作,以输出对应的移位描述向量;
对所述移位描述向量和所述分维度的深层含义描述向量进行叠加运算,以输出对应的梯度优化描述向量;
对所述梯度优化描述向量进行参数更新操作,以输出所述梯度优化描述向量对应的聚合深层含义描述向量。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类的步骤,包括:
确定出图像异常种类对应的种类粒度尺寸;
依据所述图像异常种类对应的种类粒度尺寸,对每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率进行聚合操作,以输出对应的每一个粒度链路聚合概率;
在每一个所述粒度链路聚合概率中,选择出第一粒度链路聚合概率,以及,依据所述第一粒度链路聚合概率对应的所述主维度异常种类和所述分维度异常种类,得到所述目标用户交互图像对应的图像异常种类。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述依据所述图像异常种类对应的种类粒度尺寸,对每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率进行聚合操作,以输出对应的每一个粒度链路聚合概率的步骤,包括:
在每一个所述主维度异常种类对应的图像异常种类概率中,确定出第一主维度异常种类对应的图像异常种类概率;
依据所述图像异常种类对应的种类粒度尺寸,确定出所述第一主维度异常种类对应的第一分维度异常种类,并在每一个所述分维度异常种类对应的图像异常种类概率中,选择出第一分维度异常种类对应的图像异常种类概率;以及,对所述第一主维度异常种类对应的图像异常种类概率和所述第一分维度异常种类对应的图像异常种类概率进行相乘运算,以输出对应的第一粒度链路聚合概率;
轮询每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,得到对应的第一主维度异常种类和第一分维度异常种类,以形成对应的每一个所述粒度链路聚合概率。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述基于大数据可视化的用户操作异常分析方法还包括:
对所述目标用户交互图像进行加载,以加载至图像异常分析第一网络;
利用所述图像异常分析第一网络,将所述目标用户交互图像进行图像含义挖掘操作,以输出对应的图像含义描述向量;
利用所述图像异常分析第一网络,对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率;
利用所述图像异常分析第一网络,对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量,以及,依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述基于大数据可视化的用户操作异常分析方法,还包括:
提取到典型用户交互图像,以及,提取到所述典型用户交互图像对应的图像异常种类标识数据;
对所述典型用户交互图像进行加载,以加载至待优化的图像异常分析第一网络,利用所述待优化的图像异常分析第一网络,将所述典型用户交互图像进行图像含义挖掘操作,以输出对应的典型图像含义描述向量;
利用所述待优化的图像异常分析第一网络,对所述典型图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的典型深层含义描述向量,以及,依据所述主维度的典型深层含义描述向量进行主维度的图像异常分析操作,输出每一个主维度异常种类对应的典型图像异常种类概率;
利用所述待优化的图像异常分析第一网络,对所述典型图像含义描述向量进行分维度的深层含义挖掘操作,输出对应的分维度的典型深层含义描述向量,以及,对所述主维度的典型深层含义描述向量和所述分维度的典型深层含义描述向量进行向量聚合操作,输出对应的典型聚合深层含义描述向量,以及,依据所述典型聚合深层含义描述向量进行分维度的图像异常分析操作,输出每一个分维度异常种类对应的典型图像异常种类概率;
分析出每一个所述主维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中主维度异常种类标识数据之间的误差,以输出对应的主维度误差参数,以及,分析出每一个所述分维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中分维度异常种类标识数据之间的误差,以输出对应的分维度误差参数;
依据所述主维度误差参数和所述分维度误差参数,对所述待优化的图像异常分析第一网络进行网络优化处理,以输出图像异常分析第一网络。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述基于大数据可视化的用户操作异常分析方法,还包括:
对所述图像含义描述向量进行第三维度的深层含义挖掘操作,以输出对应的第三维度的深层含义描述向量;
对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量,以及,依据所述第三维度的聚合深层含义描述向量进行第三维度的图像异常分析操作,以输出每一个第三维度异常种类对应的图像异常种类概率;
对所述主维度的深层含义描述向量、所述第三维度的聚合深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的多维度的聚合深层含义描述向量,以及,依据所述多维度的聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的分维度的图像异常种类概率,所述分维度异常种类对应的种类粒度小于所述第三维度异常种类对应的种类粒度,所述第三维度异常种类对应的种类粒度小于所述主维度异常种类对应的种类粒度;
依据每一个所述主维度异常种类对应的图像异常种类概率、每一个所述第三维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的分维度的图像异常种类概率,确定出所述目标用户交互图像对应的确认图像异常种类,所述确认图像异常种类包括确认主维度异常种类、所述确认主维度异常种类对应的确认第三维度异常种类和所述确认第三维度异常种类对应的确认分维度异常种类。
在一些优选的实施例中,在上述基于大数据可视化的用户操作异常分析方法中,所述对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量的步骤,包括:
对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行级联组合操作,以输出对应的第三维度的级联组合描述向量;
依据所述第三维度的级联组合描述向量和所述分维度的深层含义描述向量进行梯度优化操作,以输出对应的第三维度的梯度优化描述向量;
对所述第三维度的梯度优化描述向量进行参数更新操作,以输出对应的第三维度的聚合深层含义描述向量。
本发明实施例还提供一种基于大数据可视化的用户操作异常分析系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的方法。
本发明实施例提供的基于大数据可视化的用户操作异常分析方法及系统,可以将目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量;依据图像含义描述向量对应的主维度的深层含义描述向量,分析出每一个主维度异常种类对应的图像异常种类概率;依据图像含义描述向量对应的主维度的深层含义描述向量和分维度的深层含义描述向量,分析出每一个分维度异常种类对应的图像异常种类概率;依据每一个主维度异常种类对应的图像异常种类概率和每一个分维度异常种类对应的图像异常种类概率,确定出目标用户交互图像对应的图像异常种类。基于前述的内容,由于在分析出每一个分维度异常种类对应的图像异常种类概率的过程中,不仅依据了图像含义描述向量对应的分维度的深层含义描述向量,还依据了图像含义描述向量对应的主维度的深层含义描述向量,使得分维度异常种类的确定的可靠度更高,从而在一定程度上提高异常分析的可靠度,进而改善现有技术中存在的异常分析的可靠度不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于大数据可视化的用户操作异常分析系统的结构框图。
图2为本发明实施例提供的基于大数据可视化的用户操作异常分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于大数据可视化的用户操作异常分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于大数据可视化的用户操作异常分析系统。其中,所述基于大数据可视化的用户操作异常分析系统可以包括存储器和处理器,以及,其它可能的器件。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(可以是计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于大数据可视化的用户操作异常分析方法。
应当理解的是,在一种可以实现的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一种可以实现的实施方式中,所述基于大数据可视化的用户操作异常分析系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于大数据可视化的用户操作异常分析方法,可应用于上述基于大数据可视化的用户操作异常分析系统。其中,所述基于大数据可视化的用户操作异常分析方法有关的流程所定义的方法步骤,可以由所述基于大数据可视化的用户操作异常分析系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,在大数据可视化数据库中,确定出需要进行异常分析的目标用户交互图像,并将所述目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量。
在本发明实施例中,所述基于大数据可视化的用户操作异常分析系统可以在大数据可视化数据库中,确定出需要进行异常分析的目标用户交互图像,并将所述目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量。所述目标用户交互图像基于目标用户进行的交互操作形成。
步骤S120,对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率。
在本发明实施例中,所述基于大数据可视化的用户操作异常分析系统可以对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率。该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述主维度异常种类的概率。
步骤S130,对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
在本发明实施例中,所述基于大数据可视化的用户操作异常分析系统可以对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述分维度异常种类的概率,分维度异常种类对应的种类粒度小于主维度异常种类对应的种类粒度。所述主维度异常种类和所述分维度异常种类的具体定义不受限制,可以根据实际应用需求进行配置。例如,所述主维度异常种类可以包括动作异常、衣物异常等,所述动作异常可以包括头部动作异常、首部动作异常等,所述衣物异常可以包括衣物裸露异常、衣物场景适配异常等。
步骤S140,依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类。
在本发明实施例中,所述基于大数据可视化的用户操作异常分析系统可以依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类。所述图像异常种类包括确认主维度异常种类和所述确认主维度异常种类对应的确认分维度异常种类。
基于前述的内容,即上述的步骤S110、步骤S120、步骤S130和步骤S140,由于在分析出每一个分维度异常种类对应的图像异常种类概率的过程中,不仅依据了图像含义描述向量对应的分维度的深层含义描述向量,还依据了图像含义描述向量对应的主维度的深层含义描述向量,使得分维度异常种类的确定的可靠度更高,从而在一定程度上提高异常分析的可靠度,进而改善现有技术中存在的异常分析的可靠度不佳的问题。
其中,应当理解的是,在一种可以实现的实施方式中,上述的步骤S110,可以进一步包括以下的各个子步骤:
在大数据可视化数据库包括的多个待处理用户交互图像中,(可以是任意确定一个待处理用户交互图像,也可以是按序确定等)确定出需要进行异常分析的目标用户交互图像,所述待处理用户交互图像可以是不同用户之间进行交互操作的图像,如用户A发送给用户B的图像等;
将所述目标用户交互图像进行图像含义挖掘操作,以输出所述目标用户交互图像对应的图像含义描述向量。
其中,应当理解的是,在一种可以实现的实施方式中,所述将所述目标用户交互图像进行图像含义挖掘操作,以输出所述目标用户交互图像对应的图像含义描述向量的步骤,可以进一步包括以下的各个子步骤:
对所述目标用户交互图像进行分割操作,以形成所述目标用户交互图像对应的多个目标用户交互子图像,所述多个目标用户交互子图像可以拼接组合形成所述目标用户交互图像,另外,所述多个目标用户交互子图像中各目标用户交互子图像之间的图像尺寸可以一致,也可以不一致,同样的,所述分割操作可以是任意分割,也可以按照一定的规则分割;
分别对每一个所述目标用户交互子图像和该目标用户交互子图像与其它目标用户交互子图像之间的位置关系进行特征映射操作,以输出每一个所述目标用户交互子图像对应的图像特征映射向量,该特征映射操作可以是指将所述目标用户交互子图像和该目标用户交互子图像与其它目标用户交互子图像之间的位置关系映射到特征空间中;
对于每一个所述目标用户交互子图像,在参考子图像数据库包括的多个参考子图像中,确定出与该目标用户交互子图像最相似的一个参考子图像,作为该目标用户交互子图像对应的相似参考子图像,所述多个参考子图像基于对多帧存在图像异常的参考图像和多帧不存在图像异常的参考图像进行分割形成,分割方式与对所述目标用户交互图像进行的分割一致;
分别对每一个所述相似参考子图像和该相似参考子图像与属于同一个参考图像中的其它相似参考子图像之间的位置关系进行特征映射操作,以输出每一个所述目标用户交互子图像对应的相似图像特征映射向量,该特征映射操作可以是指将所述相似参考子图像和该相似参考子图像与其它相似参考子图像之间的位置关系映射到特征空间中;
对所述相似图像特征映射向量进行向量参数的调整,以输出对应的调整图像特征映射向量,所述调整图像特征映射向量中的行向量参数为所述相似图像特征映射向量中的列向量参数,所述调整图像特征映射向量中的行向量参数为所述相似图像特征映射向量中的列向量参数;
对于每一个所述图像特征映射向量,将该图像特征映射向量对应的调整图像特征映射向量和该图像特征映射向量进行相乘,然后,对相乘的结果向量进行向量参数的归一化处理,以输出对应的归一化向量,以及,对该归一化向量和该图像特征映射向量对应的相似图像特征映射向量进行相乘,以输出该图像特征映射向量对应的更新图像特征映射向量,基于此,可以实现基于相似参考子图像对所述目标用户交互子图像的关联挖掘;
将每一个所述更新图像特征映射向量进行级联组合操作,以输出所述目标用户交互图像对应的图像含义描述向量。
应当理解的是,在一种可以实现的实施方式中,上述的步骤S130,可以进一步包括以下的各个子步骤:
对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量;
对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量;
依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,如基于激励映射函数进行激励映射处理,该激励映射函数可以为softmax函数,以输出每一个分维度异常种类对应的图像异常种类概率。
应当理解的是,在一种可以实现的实施方式中,所述对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量的步骤,可以进一步包括以下的各个子步骤:
对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行级联组合操作,以输出对应的级联组合描述向量,例如,组合在一起时,所述主维度的深层含义描述向量可以在前,所述分维度的深层含义描述向量可以在后,或者,所述主维度的深层含义描述向量可以在后,所述分维度的深层含义描述向量可以在前;
基于预先确定的目标梯度优化信息包括的第一梯度优化参数,将所述级联组合描述向量进行加权操作,以输出对应的加权描述向量,也就是说,可以将所述第一梯度优化参数和所述级联组合描述向量进行相乘,实现向量的加权,以得到对应的加权描述向量;
基于所述目标梯度优化信息包括的第二梯度优化参数,将所述加权描述向量进行移位操作,以输出对应的移位描述向量,也就是说,可以将所述第二梯度优化参数和所述加权描述向量进行相加,实现向量的移位,以得到对应的加权描述向量,所述目标梯度优化信息可以作为对应的神经网络的网络参数,以在该神经网络的优化过程中优化形成;
对所述移位描述向量和所述分维度的深层含义描述向量进行叠加运算,以输出对应的梯度优化描述向量;
对所述梯度优化描述向量进行参数更新操作,以输出所述梯度优化描述向量对应的聚合深层含义描述向量,所述参数更新操作可以是指,对所述梯度优化描述向量进行处理,使得服从标准正态分布。
其中,应当理解的是,在一种可以实现的实施方式中,对于每一个时间步,存在当前输入数据和上一个时间步的隐藏态数据,对该当前输入数据和该隐藏态数据进行加权叠加,可以得到加权叠加数据,然后,对该加权叠加数据进行均值和标准差计算,以输出均值数据和标准差数据,然后,一方面,可以将相应神经网络优化后的更新增益参数除以该标准差数据,得到第一参数,另一方面,可以对该加权叠加数据和该均值数据进行求差处理,得到第二参数,之后,可以将第一参数和第二参数进行相乘,最后,可以将相乘的结果和相应神经网络优化后的更新移位参数进行叠加,以实现参数更新操作,该更新增益参数和该更新移位参数的维度数一样。
其中,应当理解的是,在一种可以实现的实施方式中,上述的步骤S140,可以进一步包括以下的各个子步骤:
在每一个所述主维度异常种类中,确定出具有最大值的图像异常种类概率对应的主维度异常种类,并在所述主维度异常种类对应的各分维度异常种类中,确定出具有最大值的图像异常种类概率对应的分维度异常种类;
基于所述具有最大值的图像异常种类概率对应的主维度异常种类和所述具有最大值的图像异常种类概率对应的分维度异常种类,确定出所述目标用户交互图像对应的图像异常种类。
应当理解的是,在一种可以实现的实施方式中,上述的步骤S140,可以进一步包括以下的各个子步骤:
确定出图像异常种类对应的种类粒度尺寸,例如,前述的动作异常对应的种类粒度尺寸大于前述的头部动作异常对应的种类粒度尺寸,前述的动作异常对应的种类粒度大于前述的头部动作异常对应的种类粒度;
依据所述图像异常种类对应的种类粒度尺寸,对每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率进行聚合操作,以输出对应的每一个粒度链路聚合概率,例如,可以对所述主维度异常种类对应的图像异常种类概率和所述分维度异常种类对应的图像异常种类概率进行相乘;
在每一个所述粒度链路聚合概率中,选择出第一粒度链路聚合概率,以及,依据所述第一粒度链路聚合概率对应的所述主维度异常种类和所述分维度异常种类,得到所述目标用户交互图像对应的图像异常种类。
应当理解的是,在一种可以实现的实施方式中,所述依据所述图像异常种类对应的种类粒度尺寸,对每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率进行聚合操作,以输出对应的每一个粒度链路聚合概率的步骤,可以进一步包括以下的各个子步骤:
在每一个所述主维度异常种类对应的图像异常种类概率中,确定出第一主维度异常种类对应的图像异常种类概率;
依据所述图像异常种类对应的种类粒度尺寸,确定出所述第一主维度异常种类对应的第一分维度异常种类,并在每一个所述分维度异常种类对应的图像异常种类概率中,选择出第一分维度异常种类对应的图像异常种类概率;以及,对所述第一主维度异常种类对应的图像异常种类概率和所述第一分维度异常种类对应的图像异常种类概率进行相乘运算,以输出对应的第一粒度链路聚合概率;
轮询每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,得到对应的第一主维度异常种类和第一分维度异常种类,以形成对应的每一个所述粒度链路聚合概率;也就是说,每一个所述主维度异常种类可以在轮询到时,作为第一主维度异常种类,每一个所述分维度异常种类可以在轮询到时,作为第一分维度异常种类,如此,可以得到对应的每一个所述粒度链路聚合概率。
应当理解的是,在一种可以实现的实施方式中,所述基于大数据可视化的用户操作异常分析方法还可以进一步包括以下的各子步骤:
对所述目标用户交互图像进行加载,以加载至图像异常分析第一网络,所述图像异常分析第一网络可以是经过网络优化处理形成的;
利用所述图像异常分析第一网络,将所述目标用户交互图像进行图像含义挖掘操作,以输出对应的图像含义描述向量;
利用所述图像异常分析第一网络,对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率;
利用所述图像异常分析第一网络,对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量,以及,依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
其中,应当理解的是,在一种可以实现的实施方式中,所述图像异常分析第一网络可以包括图像含义挖掘单元、主维度异常分析单元和分维度异常分析单元。所述图像含义挖掘单元,可以用于将所述目标用户交互图像进行图像含义挖掘操作,以输出对一个的图像含义描述向量。所述主维度异常分析单元,可以用于所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,有所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率。所述分维度异常分析单元,可以用于对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量,以及,依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
其中,应当理解的是,在一种可以实现的实施方式中,所述图像含义挖掘单元可以是一种神经网络,如长短期记忆网络。所述主维度异常分析单元和所述分维度异常分析单元的部分网络架构可以一致,如用于进行深层含义挖掘操作和图像异常分析操作,只是对应的网络参数可以不一致,使得在进行相应的操作的过程中,具有不同的倾向,其中,各网络参数的初始参数可以是一致的,只是在进行网络优化处理的过程中,由于最后需要接近的标识数据的维度不同,使得优化后的网络参数会不一致。
其中,应当理解的是,在一种可以实现的实施方式中,所述分维度异常分析单元可以包括分维度含义挖掘子单元、向量聚合子单元和分维度异常分析子单元。所述分维度含义挖掘子单元,用于对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量。所述向量聚合子单元,用于对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量。所述分维度异常分析子单元,用于依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。所述分维度含义挖掘子单元可以是一种深度神经网络,所述分维度异常分析子单元可以是一种分类网络。
应当理解的是,在一种可以实现的实施方式中,上所述基于大数据可视化的用户操作异常分析方法,还可以进一步包括以下的各个步骤:
提取到典型用户交互图像,以及,提取到所述典型用户交互图像对应的图像异常种类标识数据,即实际的图像异常种类;
对所述典型用户交互图像进行加载,以加载至待优化的图像异常分析第一网络,利用所述待优化的图像异常分析第一网络,将所述典型用户交互图像进行图像含义挖掘操作,以输出对应的典型图像含义描述向量;
利用所述待优化的图像异常分析第一网络,对所述典型图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的典型深层含义描述向量,以及,依据所述主维度的典型深层含义描述向量进行主维度的图像异常分析操作,输出每一个主维度异常种类对应的典型图像异常种类概率;
利用所述待优化的图像异常分析第一网络,对所述典型图像含义描述向量进行分维度的深层含义挖掘操作,输出对应的分维度的典型深层含义描述向量,以及,对所述主维度的典型深层含义描述向量和所述分维度的典型深层含义描述向量进行向量聚合操作,输出对应的典型聚合深层含义描述向量,以及,依据所述典型聚合深层含义描述向量进行分维度的图像异常分析操作,输出每一个分维度异常种类对应的典型图像异常种类概率;
分析出每一个所述主维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中主维度异常种类标识数据之间的误差,即差异,以输出对应的主维度误差参数,以及,分析出每一个所述分维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中分维度异常种类标识数据之间的误差,即差异,以输出对应的分维度误差参数;
依据所述主维度误差参数和所述分维度误差参数,对所述待优化的图像异常分析第一网络进行网络优化处理,以输出图像异常分析第一网络,示例性地,可以对所述主维度误差参数和所述分维度误差参数进行求和,以得到总的误差参数,然后,可以基于所述总的误差参数对所述待优化的图像异常分析第一网络进行网络优化处理。
应当理解的是,在一种可以实现的实施方式中,所述基于大数据可视化的用户操作异常分析方法,还可以进一步包括以下的各个步骤:
对所述图像含义描述向量进行第三维度的深层含义挖掘操作,以输出对应的第三维度的深层含义描述向量,示例性地,第三维度的深层含义挖掘操作可以通过相应的神经网络实现,如后文的图像异常分析第二网络;
对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量,以及,依据所述第三维度的聚合深层含义描述向量进行第三维度的图像异常分析操作,以输出每一个第三维度异常种类对应的图像异常种类概率;
对所述主维度的深层含义描述向量、所述第三维度的聚合深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的多维度的聚合深层含义描述向量,以及,依据所述多维度的聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的分维度的图像异常种类概率,所述分维度异常种类对应的种类粒度小于所述第三维度异常种类对应的种类粒度,所述第三维度异常种类对应的种类粒度小于所述主维度异常种类对应的种类粒度;
依据每一个所述主维度异常种类对应的图像异常种类概率、每一个所述第三维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的分维度的图像异常种类概率,确定出所述目标用户交互图像对应的确认图像异常种类,所述确认图像异常种类包括确认主维度异常种类、所述确认主维度异常种类对应的确认第三维度异常种类和所述确认第三维度异常种类对应的确认分维度异常种类,可以参照前文的相关描述。
应当理解的是,在一种可以实现的实施方式中,所述对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量的步骤,可以进一步包括以下的各个子步骤:
对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行级联组合操作,以输出对应的第三维度的级联组合描述向量,该级联组合操作可以参照前文的相关描述;
依据所述第三维度的级联组合描述向量和所述分维度的深层含义描述向量进行梯度优化操作,以输出对应的第三维度的梯度优化描述向量,该梯度优化操作可以参照前文的相关描述;
对所述第三维度的梯度优化描述向量进行参数更新操作,以输出对应的第三维度的聚合深层含义描述向量,该参数更新操作可以参照前文的相关描述,在此不再一一赘述。
其中,应当理解的是,在一种可以实现的实施方式中,所述对所述主维度的深层含义描述向量、所述第三维度的聚合深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的多维度的聚合深层含义描述向量的步骤,可以进一步包括以下的各个子步骤:
对所述主维度的深层含义描述向量、所述第三维度的聚合深层含义描述向量和所述分维度的深层含义描述向量进行级联组合操作,以输出对应的多维度的级联组合描述向量,该级联组合操作可以参照前文的相关描述;
对所述多维度的级联组合描述向量和所述分维度的深层含义描述向量进行梯度优化操作,以输出对应的多维度的级联组合描述向量,该梯度优化操作可以参照前文的相关描述;
对将所述多维度的级联组合描述向量进行参数更新操作,以输出对应的多维度的聚合深层含义描述向量,该参数更新操作可以参照前文的相关描述,在此不再一一赘述。
其中,应当理解的是,在一种可以实现的实施方式中,所述基于大数据可视化的用户操作异常分析方法,还可以进一步包括以下的各个步骤:
对所述目标用户交互图像进行加载,以加载至图像异常分析第二网络,所述图像异常分析第二网络可以是经过网络优化形成的;
利用所述图像异常分析第二网络,将所述目标用户交互图像进行图像含义挖掘操作,以输出对应的图像含义描述向量;
利用所述图像异常分析第二网络,对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率;
利用所述图像异常分析第二网络,对所述图像含义描述向量进行第三维度的深层含义挖掘操作,以输出对应的第三维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量,以及,依据所述第三维度的聚合深层含义描述向量进行第三维度的图像异常分析操作,以输出每一个第三维度异常种类对应的图像异常种类概率;
利用所述图像异常分析第二网络,对所述主维度的深层含义描述向量、所述第三维度的聚合深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的多维度的聚合深层含义描述向量,以及,依据所述多维度的聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率;
依据每一个所述主维度异常种类对应的图像异常种类概率、每一个所述第三维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,输出所述目标用户交互图像对应的确认图像异常种类,所述确认图像异常种类包括确认主维度异常种类、所述确认主维度异常种类对应的确认第三维度异常种类和所述确认第三维度异常种类对应的确认分维度异常种类。
其中,应当理解的是,在一种可以实现的实施方式中,所述基于大数据可视化的用户操作异常分析方法,还可以进一步包括以下的各个步骤:
对所述典型用户交互图像进行加载,以加载至待优化的图像异常分析第二网络,并利用所述待优化的图像异常分析第二网络,将所述典型用户交互图像进行图像含义挖掘操作,以输出对应的典型图像含义描述向量;
利用所述待优化的图像异常分析第二网络,对所述典型图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的典型深层含义描述向量,以及,依据所述主维度的典型深层含义描述向量进行主维度的图像异常分析操作,输出每一个主维度异常种类对应的典型图像异常种类概率;
利用所述待优化的图像异常分析第二网络,对所述典型图像含义描述向量进行第三维度的深层含义挖掘操作,以输出对应的第三维度的典型深层含义描述向量,以及,对所述主维度的典型深层含义描述向量和所述第三维度的典型深层含义描述向量进行向量聚合操作,以输出对应的第三维度的典型聚合深层含义描述向量,以及,依据所述第三维度的典型聚合深层含义描述向量进行第三维度的图像异常分析操作,以输出每一个第三维度异常种类对应的典型图像异常种类概率;
利用所述待优化的图像异常分析第二网络,对所述主维度的典型深层含义描述向量、所述第三维度的典型聚合深层含义描述向量和所述分维度的典型深层含义描述向量进行向量聚合操作,以输出对应的多维度的典型聚合深层含义描述向量,以及,依据所述多维度的典型聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的典型图像异常种类概率;
分析出每一个所述主维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中主维度异常种类标识数据之间的误差,以输出对应的主维度误差参数,并分析出每一个所述第三维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中第三维度异常种类标识数据之间的误差,以输出对应的第三维度误差参数,以及,分析出每一个所述分维度异常种类对应的分维度的典型图像异常种类概率和所述图像异常种类标识数据中分维度异常种类标识数据之间的误差,以输出对应的分维度误差参数;
依据所述主维度误差参数、所述第三维度误差参数和所述分维度误差参数,对所述待优化的图像异常分析第二网络进行网络优化处理,以输出对应的图像异常分析第二网络,示例性地,可以对所述主维度误差参数、所述第三维度误差参数和所述分维度误差参数进行求和计算或加权求和计算,以得到对应的目标误差参数,然后,再基于所述目标误差参数对所述待优化的图像异常分析第二网络进行网络优化处理。
应当理解的是,在一种可以实现的实施方式中,计算误差参数的具体方式不受限制,可以根据实际需求进行选择,在此不做具体的限定。
结合图3,本发明实施例还提供一种基于大数据可视化的用户操作异常分析装置,可应用于上述基于大数据可视化的用户操作异常分析系统。其中,所述基于大数据可视化的用户操作异常分析装置,可以包括:
图像含义挖掘模块,用于在大数据可视化数据库中,确定出需要进行异常分析的目标用户交互图像,并将所述目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量,所述目标用户交互图像基于目标用户进行的交互操作形成;
第一异常分析模块,用于对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率,该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述主维度异常种类的概率;
第二异常分析模块,用于对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率,该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述分维度异常种类的概率,分维度异常种类对应的种类粒度小于主维度异常种类对应的种类粒度;
图像异常种类分析模块,用于依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类,所述图像异常种类包括确认主维度异常种类和所述确认主维度异常种类对应的确认分维度异常种类。
综上所述,本发明提供的基于大数据可视化的用户操作异常分析方法及系统,可以将目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量;依据图像含义描述向量对应的主维度的深层含义描述向量,分析出每一个主维度异常种类对应的图像异常种类概率;依据图像含义描述向量对应的主维度的深层含义描述向量和分维度的深层含义描述向量,分析出每一个分维度异常种类对应的图像异常种类概率;依据每一个主维度异常种类对应的图像异常种类概率和每一个分维度异常种类对应的图像异常种类概率,确定出目标用户交互图像对应的图像异常种类。基于前述的内容,由于在分析出每一个分维度异常种类对应的图像异常种类概率的过程中,不仅依据了图像含义描述向量对应的分维度的深层含义描述向量,还依据了图像含义描述向量对应的主维度的深层含义描述向量,使得分维度异常种类的确定的可靠度更高,从而在一定程度上提高异常分析的可靠度,进而改善现有技术中存在的异常分析的可靠度不佳的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据可视化的用户操作异常分析方法,其特征在于,所述基于大数据可视化的用户操作异常分析方法包括:
在大数据可视化数据库中,确定出需要进行异常分析的目标用户交互图像,并将所述目标用户交互图像进行图像含义挖掘操作,输出图像含义描述向量,所述目标用户交互图像基于目标用户进行的交互操作形成;
对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率,该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述主维度异常种类的概率;
对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率,该图像异常种类概率用于反映所述目标用户交互图像的异常种类属于所述分维度异常种类的概率,分维度异常种类对应的种类粒度小于主维度异常种类对应的种类粒度;
依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类,所述图像异常种类包括确认主维度异常种类和所述确认主维度异常种类对应的确认分维度异常种类。
2.如权利要求1所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述对所述图像含义描述向量进行分维度的深层含义挖掘操作,输出分维度的深层含义描述向量,以及,依据所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率的步骤,包括:
对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量;
对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量;
依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
3.如权利要求2所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量的步骤,包括:
对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行级联组合操作,以输出对应的级联组合描述向量;
基于预先确定的目标梯度优化信息包括的第一梯度优化参数,将所述级联组合描述向量进行加权操作,以输出对应的加权描述向量;
基于所述目标梯度优化信息包括的第二梯度优化参数,将所述加权描述向量进行移位操作,以输出对应的移位描述向量;
对所述移位描述向量和所述分维度的深层含义描述向量进行叠加运算,以输出对应的梯度优化描述向量;
对所述梯度优化描述向量进行参数更新操作,以输出所述梯度优化描述向量对应的聚合深层含义描述向量。
4.如权利要求1所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述依据每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,确定出所述目标用户交互图像对应的图像异常种类的步骤,包括:
确定出图像异常种类对应的种类粒度尺寸;
依据所述图像异常种类对应的种类粒度尺寸,对每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率进行聚合操作,以输出对应的每一个粒度链路聚合概率;
在每一个所述粒度链路聚合概率中,选择出第一粒度链路聚合概率,以及,依据所述第一粒度链路聚合概率对应的所述主维度异常种类和所述分维度异常种类,得到所述目标用户交互图像对应的图像异常种类。
5.如权利要求4所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述依据所述图像异常种类对应的种类粒度尺寸,对每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率进行聚合操作,以输出对应的每一个粒度链路聚合概率的步骤,包括:
在每一个所述主维度异常种类对应的图像异常种类概率中,确定出第一主维度异常种类对应的图像异常种类概率;
依据所述图像异常种类对应的种类粒度尺寸,确定出所述第一主维度异常种类对应的第一分维度异常种类,并在每一个所述分维度异常种类对应的图像异常种类概率中,选择出第一分维度异常种类对应的图像异常种类概率;以及,对所述第一主维度异常种类对应的图像异常种类概率和所述第一分维度异常种类对应的图像异常种类概率进行相乘运算,以输出对应的第一粒度链路聚合概率;
轮询每一个所述主维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的图像异常种类概率,得到对应的第一主维度异常种类和第一分维度异常种类,以形成对应的每一个所述粒度链路聚合概率。
6.如权利要求1所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述基于大数据可视化的用户操作异常分析方法还包括:
对所述目标用户交互图像进行加载,以加载至图像异常分析第一网络;
利用所述图像异常分析第一网络,将所述目标用户交互图像进行图像含义挖掘操作,以输出对应的图像含义描述向量;
利用所述图像异常分析第一网络,对所述图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量进行主维度的图像异常分析操作,以输出每一个主维度异常种类对应的图像异常种类概率;
利用所述图像异常分析第一网络,对所述图像含义描述向量进行分维度的深层含义挖掘操作,以输出对应的分维度的深层含义描述向量,以及,对所述主维度的深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的聚合深层含义描述向量,以及,依据所述聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的图像异常种类概率。
7.如权利要求6所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述基于大数据可视化的用户操作异常分析方法,还包括:
提取到典型用户交互图像,以及,提取到所述典型用户交互图像对应的图像异常种类标识数据;
对所述典型用户交互图像进行加载,以加载至待优化的图像异常分析第一网络,利用所述待优化的图像异常分析第一网络,将所述典型用户交互图像进行图像含义挖掘操作,以输出对应的典型图像含义描述向量;
利用所述待优化的图像异常分析第一网络,对所述典型图像含义描述向量进行主维度的深层含义挖掘操作,以输出对应的主维度的典型深层含义描述向量,以及,依据所述主维度的典型深层含义描述向量进行主维度的图像异常分析操作,输出每一个主维度异常种类对应的典型图像异常种类概率;
利用所述待优化的图像异常分析第一网络,对所述典型图像含义描述向量进行分维度的深层含义挖掘操作,输出对应的分维度的典型深层含义描述向量,以及,对所述主维度的典型深层含义描述向量和所述分维度的典型深层含义描述向量进行向量聚合操作,输出对应的典型聚合深层含义描述向量,以及,依据所述典型聚合深层含义描述向量进行分维度的图像异常分析操作,输出每一个分维度异常种类对应的典型图像异常种类概率;
分析出每一个所述主维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中主维度异常种类标识数据之间的误差,以输出对应的主维度误差参数,以及,分析出每一个所述分维度异常种类对应的典型图像异常种类概率和所述图像异常种类标识数据中分维度异常种类标识数据之间的误差,以输出对应的分维度误差参数;
依据所述主维度误差参数和所述分维度误差参数,对所述待优化的图像异常分析第一网络进行网络优化处理,以输出图像异常分析第一网络。
8.如权利要求1所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述基于大数据可视化的用户操作异常分析方法,还包括:
对所述图像含义描述向量进行第三维度的深层含义挖掘操作,以输出对应的第三维度的深层含义描述向量;
对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量,以及,依据所述第三维度的聚合深层含义描述向量进行第三维度的图像异常分析操作,以输出每一个第三维度异常种类对应的图像异常种类概率;
对所述主维度的深层含义描述向量、所述第三维度的聚合深层含义描述向量和所述分维度的深层含义描述向量进行向量聚合操作,以输出对应的多维度的聚合深层含义描述向量,以及,依据所述多维度的聚合深层含义描述向量进行分维度的图像异常分析操作,以输出每一个分维度异常种类对应的分维度的图像异常种类概率,所述分维度异常种类对应的种类粒度小于所述第三维度异常种类对应的种类粒度,所述第三维度异常种类对应的种类粒度小于所述主维度异常种类对应的种类粒度;
依据每一个所述主维度异常种类对应的图像异常种类概率、每一个所述第三维度异常种类对应的图像异常种类概率和每一个所述分维度异常种类对应的分维度的图像异常种类概率,确定出所述目标用户交互图像对应的确认图像异常种类,所述确认图像异常种类包括确认主维度异常种类、所述确认主维度异常种类对应的确认第三维度异常种类和所述确认第三维度异常种类对应的确认分维度异常种类。
9.如权利要求8所述的基于大数据可视化的用户操作异常分析方法,其特征在于,所述对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行向量聚合操作,以输出对应的第三维度的聚合深层含义描述向量的步骤,包括:
对所述主维度的深层含义描述向量和所述第三维度的深层含义描述向量进行级联组合操作,以输出对应的第三维度的级联组合描述向量;
依据所述第三维度的级联组合描述向量和所述分维度的深层含义描述向量进行梯度优化操作,以输出对应的第三维度的梯度优化描述向量;
对所述第三维度的梯度优化描述向量进行参数更新操作,以输出对应的第三维度的聚合深层含义描述向量。
10.一种基于大数据可视化的用户操作异常分析系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141261.4A CN115964432A (zh) | 2023-02-21 | 2023-02-21 | 基于大数据可视化的用户操作异常分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141261.4A CN115964432A (zh) | 2023-02-21 | 2023-02-21 | 基于大数据可视化的用户操作异常分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115964432A true CN115964432A (zh) | 2023-04-14 |
Family
ID=87361638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310141261.4A Pending CN115964432A (zh) | 2023-02-21 | 2023-02-21 | 基于大数据可视化的用户操作异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964432A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109121A (zh) * | 2023-04-17 | 2023-05-12 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及系统 |
CN116720181A (zh) * | 2023-05-06 | 2023-09-08 | 武汉优尼思科技有限公司 | 应对智慧数字服务的可视化操作风险预测方法及软件产品 |
-
2023
- 2023-02-21 CN CN202310141261.4A patent/CN115964432A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109121A (zh) * | 2023-04-17 | 2023-05-12 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及系统 |
CN116109121B (zh) * | 2023-04-17 | 2023-06-30 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及系统 |
CN116720181A (zh) * | 2023-05-06 | 2023-09-08 | 武汉优尼思科技有限公司 | 应对智慧数字服务的可视化操作风险预测方法及软件产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
EP3869385B1 (en) | Method for extracting structural data from image, apparatus and device | |
CN111931931B (zh) | 一种针对病理全场图像的深度神经网络训练方法、装置 | |
CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及系统 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
CN108564102A (zh) | 图像聚类结果评价方法和装置 | |
CN110889437B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112199536A (zh) | 一种基于跨模态的快速多标签图像分类方法和系统 | |
CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
CN110659495A (zh) | 一种恶意代码家族分类方法 | |
CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
CN113901647A (zh) | 一种零件工艺规程编制方法、装置、存储介质及电子设备 | |
CN111860582B (zh) | 图像分类模型构建方法、装置、计算机设备和存储介质 | |
CN115905715A (zh) | 基于大数据和人工智能的互联网数据分析方法和平台 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN111709415A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
WO2022063076A1 (zh) | 对抗样本的识别方法及装置 | |
CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
CN112699858B (zh) | 无人平台烟尘雾感知方法、系统、计算机设备及存储介质 | |
CN112884046A (zh) | 基于不完全监督学习的图像分类方法、装置及相关设备 | |
US11727109B2 (en) | Identifying adversarial attacks with advanced subset scanning | |
CN116662876A (zh) | 多模态认知决策方法、系统、装置、设备及存储介质 | |
CN116541792A (zh) | 一种基于图神经网络节点分类进行团伙识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |