CN116774819A - 数据分析方法及相关装置 - Google Patents
数据分析方法及相关装置 Download PDFInfo
- Publication number
- CN116774819A CN116774819A CN202310574677.5A CN202310574677A CN116774819A CN 116774819 A CN116774819 A CN 116774819A CN 202310574677 A CN202310574677 A CN 202310574677A CN 116774819 A CN116774819 A CN 116774819A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- user data
- virtual object
- optimization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000007405 data analysis Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 186
- 230000002452 interceptive effect Effects 0.000 claims abstract description 112
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 77
- 230000006399 behavior Effects 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 38
- 238000013136 deep learning model Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000000586 desensitisation Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 20
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Bioethics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了数据分析方法及相关装置,用于分析虚拟对象互动应用的用户数据,所述方法包括:获取指定日期范围内的用户数据;基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;接收所述配置人员配置的所述优化指标;基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。本申请基于用户数据和优化指标获取虚拟对象服务应用的服务优化策略,从而提高用户使用虚拟对象互动应用的满意度和体验感,提高虚拟对象互动应用的商业价值。
Description
技术领域
本申请涉及虚拟人、交互设计、人工智能的技术领域,尤其涉及数据分析方法、电子设备、计算机程序产品及计算机可读存储介质。
背景技术
虚拟对象包括虚拟人、虚拟动物、虚拟卡通形象等。其中,虚拟人是由CG技术构建、以代码形式运行的拟人化形象,具有语言交流、表情表达、动作展示等多种互动方式。虚拟人技术已经在人工智能领域迅速发展,并且在很多技术领域都得到了应用,例如影视、传媒、游戏、金融、文旅、教育、医疗等领域。
现有的数据分析方法缺乏实际的应用,尽管获得了大量的分析结果,但无法与实际业务紧密结合,导致分析数据难以应用。
基于此,本申请提供数据分析方法及相关装置,以改进相关技术。
发明内容
本申请的目的在于提供数据分析方法、电子设备、计算机程序产品及计算机可读存储介质,基于用户数据和优化指标获取虚拟对象服务应用的服务优化策略,从而提高用户使用虚拟对象互动应用的满意度和体验感,提高虚拟对象互动应用的商业价值。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了数据分析方法,用于分析虚拟对象互动应用的用户数据,所述方法包括:
获取指定日期范围内的用户数据;
基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;
接收所述配置人员配置的所述优化指标;
基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。
该技术方案的有益效果在于:本方案自动获取虚拟对象互动应用的用户数据并生成用户数据看板,以可视化数据看板的方式展示用户数据,配置人员可以更直观地了解用户对虚拟对象互动应用的使用情况,并根据指定时间段的用户数据配置优化指标,从而使得数据分析结果与实际业务的服务改进衔接,缩短数据分析时间和周期至分析结果应用的进程,提高优化服务的工作效率,提高数据分析结果的应用率和转化率;并且基于用户数据和优化指标,获取虚拟对象互动应用的服务定向优化的策略,提高虚拟对象互动视频的问答命中率和视频的完全播放率,提高虚拟对象互动视频内容的吸引力,从而提高用户使用虚拟对象互动应用的满意度和体验感,提高虚拟对象互动应用的商业价值。
在一些可选的实施方式中,所述获取指定日期范围内的用户数据,包括:
获取用户数据并对所述用户数据进行脱敏处理;
获得指定日期范围内的脱敏后的所述用户数据。
该技术方案的有益效果在于:通过对用户数据进行脱敏处理,保护用户的隐私,避免用户数据被滥用、泄露等问题,有效降低数据泄露和安全风险,提高数据安全性;通过获取指定日期范围内的脱敏后的用户数据,可以支持虚拟对象互动应用的优化和改进,从而提高用户体验和商业价值。
在一些可选的实施方式中,所述用户数据看板包括:
浏览量看板,所述浏览量看板用于显示所述指定日期范围内所述虚拟对象互动应用的访问信息;
内容热度看板,所述内容热度看板用于显示所述指定日期范围内所述用户与虚拟对象的互动的热门问答排名信息;
明细看板,所述明细看板用于显示所述指定日期范围内所述用户与所述虚拟对象的问答信息。
该技术方案的有益效果在于:浏览量看板展示虚拟对象互动应用的访问信息,包括浏览量、访问用户数、平均访问时长等,可以帮助配置人员了解虚拟对象互动应用的受欢迎程度和用户使用情况;还可以通过对不同设备、渠道、地域、用户属性等维度的分析,帮助配置人员更加全面地理解用户行为和偏好,进而优化虚拟对象互动应用的设计和内容。
内容热度看板展示了虚拟对象互动应用中用户与虚拟对象的交互热度,包括热门问题排名、用户提问次数排名、用户回答次数排名等信息,通过对这些信息的分析,可以帮助配置人员对虚拟对象互动应用中用户喜欢的问题和热点话题有更深入的了解,进而针对性地改进内容,并提高用户满意度和留存率。
明细看板展示了用户与虚拟对象的具体问答信息,包括用户提问、虚拟对象回答、用户评价等内容,通过对这些信息的整理和分析,可以帮助配置人员更加深入地了解用户需求和痛点,以及虚拟对象互动存在的潜在问题,进而针对性优化应用,提高用户满意度和活跃度。
在一些可选的实施方式中,所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
将所述用户数据和所述优化指标输入服务优化模型以获得所述虚拟对象互动应用的服务优化策略;
所述服务优化模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本用户数据和一个样本优化指标,以及所述样本用户数据和所述样本优化指标对应的服务优化策略的标注数据;
针对每个所述训练数据,执行以下处理:
将所述训练数据中的样本用户数据和样本优化指标输入预设的深度学习模型,以得到所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据;
基于所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述服务优化模型;如果否,则继续利用下一个所述训练数据训练所述深度学习模型。
该技术方案的有益效果在于:通过将用户数据和优化指标输入服务优化模型,可以快速高效地获得虚拟对象互动应用的服务优化策略,从而优化应用,提高用户体验和商业价值;构建服务优化模型的训练过程中,针对每个训练数据进行样本用户数据和样本优化指标的预测,并根据预测结果更新深度学习模型的模型参数,从而不断提高模型的准确性和泛化能力;采用预设的结束条件来判断模型是否已经训练完毕,从而保证模型的适应性和鲁棒性,提高模型的运行效率和可靠性;通过不断训练和优化深度学习模型,可以自适应地适应用户需求和变化,为虚拟对象互动应用提供更好的服务和体验。
在一些可选的实施方式中,所述方法还包括:
基于所述用户数据,生成用户画像;
所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
基于所述用户数据、所述用户画像和所述优化指标,获取所述虚拟对象互动应用的服务优化策略。
该技术方案的有益效果在于:基于用户数据生成用户画像,可以更加深入地了解用户的需求和习惯,从而更加精准地为用户提供服务和优化策略;基于用户数据、用户画像和优化指标获取虚拟对象互动应用的服务优化策略,可以根据不同用户的特点和需求,为其提供个性化的服务和建议,提高用户满意度和用户粘性,同时提高虚拟对象互动应用的商业价值和用户黏性;通过不断地更新用户的画像和分析用户数据,可以跟踪用户变化和需求,及时调整相关的服务和优化策略,使应用更加贴近用户需求,提高用户信任度和忠诚度。
在一些可选的实施方式中,所述基于所述用户数据,生成用户画像,包括:
对所述用户数据进行清洗处理,获得清洗后的所述用户数据;
基于对清洗后的所述用户数据,挖掘所述用户的群体特征和行为习惯,所述群体特征包括年龄段、性别、地域,所述行为习惯包括兴趣、提问方式;
基于所述用户的群体特征和行为习惯,生成所述用户画像。
该技术方案的有益效果在于:通过对用户数据进行清洗处理,去除噪声和异常数据,减少干扰因素,从而获得更加准确和可靠的用户数据,提高用户画像的准确性和泛化能力;基于清洗后的用户数据,利用挖掘技术可以深入了解用户的群体特征和行为习惯,让虚拟对象互动应用可以更好地了解用户的需求和兴趣,从而为用户提供更加精准的服务;基于用户画像可以更加准确地向用户提供服务,使用户获得更好的用户体验,同时也为虚拟对象互动应用提供了更多的商业价值,增强了市场竞争力。
在一些可选的实施方式中,所述基于所述用户的群体特征和行为习惯,生成所述用户画像,包括:
基于所述用户的群体特征和行为习惯,生成多个所述用户画像。
该技术方案的有益效果在于:常规的用户画像往往只能反映用户某一方面的特征,而基于群体特征和行为习惯生成多个用户画像,可以反映出用户在不同场景下的需求和行为,从而更好地服务用户;基于所述用户的群体特征和行为习惯,生成多个用户画像,可以更加全面和准确地了解用户需求和行为,帮助虚拟对象互动应用更好地提供个性化服务,满足不同用户群体的需求,从而提高用户体验和用户忠诚度。
第二方面,本申请提供了一种电子设备,用于分析虚拟对象互动应用的用户数据,所述电子设备包括存储器和至少一个处理器,所述存储器存储有计算机程序,所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤:
获取指定日期范围内的用户数据;
基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;
接收所述配置人员配置的所述优化指标;
基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。
在一些可选的实施方式中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式获取指定日期范围内的用户数据:
获取用户数据并对所述用户数据进行脱敏处理;
获得指定日期范围内的脱敏后的所述用户数据。
在一些可选的实施方式中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略:
将所述用户数据和所述优化指标输入服务优化模型以获得所述虚拟对象互动应用的服务优化策略;
所述服务优化模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本用户数据和一个样本优化指标,以及所述样本用户数据和所述样本优化指标对应的服务优化策略的标注数据;
针对每个所述训练数据,执行以下处理:
将所述训练数据中的样本用户数据和样本优化指标输入预设的深度学习模型,以得到所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据;
基于所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述服务优化模型;如果否,则继续利用下一个所述训练数据训练所述深度学习模型。
在一些可选的实施方式中,所述至少一个处理器还被配置成执行所述计算机程序时还执行以下步骤:
基于所述用户数据,生成用户画像;
所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
基于所述用户数据、所述用户画像和所述优化指标,获取所述虚拟对象互动应用的服务优化策略。
在一些可选的实施方式中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式基于所述用户数据,生成用户画像:
对所述用户数据进行清洗处理,获得清洗后的所述用户数据;
基于对清洗后的所述用户数据,挖掘所述用户的群体特征和行为习惯,所述群体特征包括年龄段、性别、地域,所述行为习惯包括兴趣、提问方式;
基于所述用户的群体特征和行为习惯,生成所述用户画像。
在一些可选的实施方式中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式基于所述用户的群体特征和行为习惯,生成所述用户画像:
基于所述用户的群体特征和行为习惯,生成多个所述用户画像。
第三方面,本申请提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被至少一个处理器执行时实现上述任一项所述方法的步骤或者实现上述任一项所述电子设备的功能。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种数据分析方法的流程示意图;
图2是本申请实施例提供的另一种数据分析方法的流程示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种用于实现数据分析方法的程序产品的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,a和b和c,其中a、b和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
还需说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
下面对本申请实施例技术领域和相关术语进行简单说明。
虚拟对象包括虚拟人、虚拟动物、虚拟卡通形象等。其中,虚拟人是由CG技术构建、以代码形式运行的拟人化形象,具有语言交流、表情表达、动作展示等多种互动方式。虚拟人技术已经在人工智能领域迅速发展,并且在很多技术领域都得到了应用,例如影视、传媒、游戏、金融、文旅、教育、医疗等领域,不仅可以定制化虚拟主持人、虚拟主播、虚拟偶像、虚拟客服、虚拟律师、虚拟金融顾问、虚拟教师、虚拟医生、虚拟讲解员、虚拟助手等,还可以通过文本或音频一键生成视频。在虚拟人中,服务型虚拟人的主要功能为替代真人服务和提供日常陪伴,是现实中服务型角色的虚拟化,其产业价值主要是降低已有服务型产业的成本,为存量市场降本增效。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、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。人工智能研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。计算机程序可以在给定某种类别的任务T和性能度量P下学习经验E,如果其在任务T中的性能恰好可以用P度量,则随着经验E而提高。机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
深度学习是一种特殊的机器学习,通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性,其中每个概念都定义为与简单概念相关联,而更为抽象的表示则以较不抽象的方式来计算。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
虚拟对象互动应用用于提供虚拟对象互动功能。虚拟对象可以模拟人类的交流和行为,并与用户进行互动。这种软件(指虚拟人互动应用)通常是由人工智能和自然语言处理技术驱动的,并且能够通过文本、语音、图像、表单等方式与用户进行交互。本申请实施例中,虚拟对象包括虚拟人、虚拟动物和虚拟卡通形象中的一种或多种。作为一个示例,虚拟对象为虚拟人“JING”(中文名:镜)。
为实现本实施例中的数据分析方法,建设和管理用户数据数据源,确定用户数据的数据源类型和数据格式,对不同的数据源采用不同的数据格式,例如关系型数据库、非关系型数据库、文本文件、日志数据等,并对数据源进行相应的配置;对用户数据进行数据清洗、数据去重、异常数据检测等,确保数据的准确性和完整性;建立数据仓库和数据集,将多个数据源的数据集成到一起以简化数据分析的流程;设计数据模型和数据库结构,例如表结构、字段定义、索引等,以优化查询效率和提高数据访问性能;在建设和管理数据源的过程中,采取加密技术、访问控制机制、备份和恢复机制等来保护数据的安全性和可靠性;并且定期维护和更新数据源,包括数据清洗、数据备份、数据库维护、数据模型优化等,以确保数据的准确性、完整性和可用性。
(方法实施例)
参见图1,图1是本申请实施例提供的一种数据分析方法的流程示意图。
本申请实施例提供了一种数据分析方法,用于分析虚拟对象互动应用的用户数据,所述方法包括:
步骤S101:获取指定日期范围内的用户数据;
步骤S102:基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;
步骤S103:接收所述配置人员配置的所述优化指标;
步骤S104:基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。
由此,本方案自动获取虚拟对象互动应用的用户数据并生成用户数据看板,以可视化数据看板的方式展示用户数据,配置人员可以更直观地了解用户对虚拟对象互动应用的使用情况,并根据指定时间段的用户数据配置优化指标,从而使得数据分析结果与实际业务的服务、改进衔接,缩短数据分析时间和周期至分析结果应用的进程,提高优化服务的工作效率,提高数据分析结果的应用率和转化率;并且基于用户数据和优化指标,获取虚拟对象互动应用的服务定向优化的策略,提高虚拟对象互动视频的问答命中率和视频的完全播放率,提高虚拟对象互动视频内容的吸引力,从而提高用户使用虚拟对象互动应用的满意度和体验感,提高虚拟对象互动应用的商业价值。
所述用户指利用虚拟对象互动应用与虚拟对象互动的一方,而不是虚拟对象互动应用的配置人员,配置人员利用虚拟对象互动应用的管理后台配置虚拟对象的互动内容、查看用户数据等。
虚拟对象互动应用的用户数据可以包括用户特征数据和用户行为数据;用户特征数据代表用户自身基本信息和状态,例如性别、年龄、地域、偏好、兴趣爱好等;用户行为数据指用户使用虚拟对象互动应用时的各种行为表现,例如包括浏览、搜索、提问、评论、分享等行为产生的包括浏览历史、访问频率、访问量、点击量、停留时间、平均访问时长、互动内容等。虚拟对象应用的配置人员可以利用用户数据来了解用户需求、让虚拟对象更好地服务于用户,同时也可以通过跟踪用户数据来评估虚拟对象应用的运营效果,制定优化方案。
所述指定日期范围内的用户数据,例如虚拟对象互动应用的配置人员在管理后台输入指定日期范围筛选用户数据,例如可以是昨日、最近七天、最近30天、近180天、近一年、近二年、近5年近10年或者输入开始日期和结束日期以指定日期范围,如2022年3月至2022年5月或者2022.3.15-2022.6.1等。
所述用户数据看板将用户数据整合并显示在一个面板上,以图表等数据可视化的方式呈现出来,例如条形图、柱状图、折线图、散点图、饼图、热力图、,让配置人员可以迅速地掌握用户数据;所述用户数据看板可以包括指标卡片看板、PV看板(页面浏览量看板)、内容热度看板、明细看板等。
虚拟对象互动视频的问答命中率是指选择的日期范围内,用户提问能够被虚拟对象回答的比例,即日期选择范围内的虚拟对象回复用户的对话数或日期选择范围内的总对话数,对话即用户通过文字或语音提问到虚拟对象做出回应的一次问答,问答命中率越高表示虚拟对象给用户提供的信息越准确、全面。
虚拟对象互动视频的完全播放率则是指虚拟对象的脚本或视频被用户完整地播放的比率,也就是用户播放视频的时候没有中途退出或者暂停的比例。完全播放率可以反映出用户对于虚拟对象脚本或视频内容的兴趣和满意度,完全播放率越高表示用户对于虚拟对象脚本或视频内容的接受度越好。
在一个具体的实施例中,配置人员利用虚拟互动应用的管理后台设定获取用户数据的指定日期范围为“近一个月”,获取近一个月的虚拟互动应用的用户数据,生成指标看板并显示“访问量576932次;平均访问时长17分钟;脚本完播率65%;问答命中率83%。”,生成PV看板包括访问量趋势的折线图、访问时长分布的柱状图和访问时段分布的饼图;生成内容热度看板包括热门问答的前五名“1.虚拟人是什么;2.如何创造虚拟人;3.为什么要使用虚拟人;4.虚拟人的应用;5.虚拟人的发展方向”;生成明细看板包括用户的提问、是否命中、标准问题、用户提问时间和虚拟人的回答,并显示具体的内容,例如“用户的提问:你是谁;是否命中:是;标准问题:什么是虚拟人;用户提问时间:2022.3.15;虚拟人的回答:虚拟人是指一种由计算机程序模拟的具有人类形态和行为特征的数字化角色,可以通过语音、图像等方式与人类进行交互。”;基于用户数据看板,配置人员配置优化指标为“优化脚本完播率至85%”,基于用户数据和优化指标获得虚拟对象互动应用的服务优化策略,例如是“优化互动视频的内容、对于那些完播率较低的视频可以进行调整或者删除、减少互动视频加载时间、优化推荐系统”。
在一些可选的实施例中,所述获取指定日期范围内的用户数据,包括:
获取用户数据并对所述用户数据进行脱敏处理;
获得指定日期范围内的脱敏后的所述用户数据。
由此,通过对用户数据进行脱敏处理,保护用户的隐私,避免用户数据被滥用、泄露等问题,有效降低数据泄露和安全风险,提高数据安全性;通过获取指定日期范围内的脱敏后的用户数据,可以支持虚拟对象互动应用的优化和改进,从而提高用户体验和商业价值。
所述脱敏处理是对用户数据中涉及到用户隐私、个人信息等敏感数据进行变形处理,以保护数据安全和隐私,例如可以是将用户数据中的某些信息替换为虚假信息,比如将姓名、电话号码等个人信息替换为随机生成的字符串、数字、符号等;例如可以对用户数据进行加密处理,比如使用AES、RSA等算法对敏感数据进行加密;例如可以是调整用户数据的原始数据的顺序,比如证件号码的前后位调换、账户号的数字重新排列等;可以是将敏感数据的部分信息删除或隐藏,只保留必要的、非敏感的数据信息,比如只保留姓名的首字母、只保留电话号码的前三位与后四位等。
在一些可选的实施例中,所述用户数据看板包括:
浏览量看板,所述浏览量看板用于显示所述指定日期范围内所述虚拟对象互动应用的访问信息;
内容热度看板,所述内容热度看板用于显示所述指定日期范围内所述用户与虚拟对象的互动的热门问答排名信息;
明细看板,所述明细看板用于显示所述指定日期范围内所述用户与所述虚拟对象的问答信息。
由此,浏览量看板(PV看板)展示虚拟对象互动应用的访问信息,包括浏览量、访问用户数、平均访问时长等,可以帮助配置人员了解虚拟对象互动应用的受欢迎程度和用户使用情况;还可以通过对不同设备、渠道、地域、用户属性等维度的分析,帮助配置人员更加全面地理解用户行为和偏好,进而优化虚拟对象互动应用的设计和内容。PV看板从不同维度来呈现访问量的情况,PV看板可以包括访问量趋势图表(例如以折线图的形式展现选定的日期范围内的访问量数据)、访问时长分布图表(例如以每5分钟为一档,统计在选定的日期范围内各个访问时长档位的访问量)、访问时段分布图表(例如统计在选定的日期范围内,呈现按0-23点每小时分布的访问量)等。
内容热度看板展示了虚拟对象互动应用中用户与虚拟对象的交互热度,包括热门问题排名、用户提问次数排名、用户回答次数排名等信息,通过对这些信息的分析,可以帮助配置人员对虚拟对象互动应用中用户喜欢的问题和热点话题有更深入的了解,进而针对性地改进内容,并提高用户满意度和留存率。内容热度看板关注虚拟对象讲解、问答的内容被播放情况,内容热度看板可以包括:热门问答(例如统计在日期范围内的,在问答模式下,被问到的最多的问题,可以以矩形树图或词云图的样式展现)、热门内容节点(例如统计在日期范围内的讲解模式下被播放的最多的节点,可以以树状结构展现其层级或播放量)。
明细看板展示了用户与虚拟对象的具体问答信息,包括用户提问、虚拟对象回答、用户评价等内容,通过对这些信息的整理和分析,可以帮助配置人员更加深入地了解用户需求和痛点,以及虚拟对象互动存在的潜在问题,进而针对性优化应用,提高用户满意度和活跃度。明细看板展示现在选择的日期范围内,用户与虚拟对象问答过程中的问题和答案,例如可以包括用户向虚拟对象提出的问题、是否命中(判断用户的问题是否能匹配到虚拟对象问答库中的答案,若是则表示命中,若否则表示未命中,此时虚拟对象会回答兜底内容)、标准问题(当命中时,会显示用户问题匹配到的在虚拟对象问答库中的标准问题;若未命中,则显示为未知问题)、用户提问时间、虚拟对象回答问题的文案等;此外,对于明细看板,除筛选指定日期范围外,还可以筛选是否命中、标准问题、用户提问时间,并提供对于筛选内容的下载功能。
在一些可选的实施例中,所述用户数据看板还可以包括指标卡片看板,用于展示预设的固定指标,例如展示访问量(选择的日范围内,用户浏览过虚拟对象的人次)、平均访问时长(选择的日期范围内,用户从进人到离开间停留的平均时长)、脚本完播率(选择的日期范围内,脚本中讲解内容全部被播放的比例,即日期选择范围内的讲解内容全部被播放的访问次数或日期选择范围内的总访问次)、问答命中率(选择的日期范围内,用户提问能够被虚拟对象回答的比例,即日期选择范围内的虚拟对象回复用户的对话数或日期选择范围内的总对话数,对话即用户通过文字或语音提问,到虚拟对象做出回应的一次问答)。所述访问量例如可以是0、1、3、5、10、20、50、100、120、150、300、500、1000、5000、1万、10万、100万、1000万、1亿、10亿、100亿等;所述平均访问时长例如可以是1秒、5秒、10秒、60秒、5分钟、10分钟、60分钟、5小时、24小时;脚本/视频完播率(完全播放率)例如可以是1.5%、10.00%、50%、100%;问答命中率例如可以是0.00%、5%、20%、50%、75%、100%。
参见图2,图2是本申请实施例提供的另一种数据分析方法的流程示意图。
在一些可选的实施例中,所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略包括:
将所述用户数据和所述优化指标输入服务优化模型以获得所述虚拟对象互动应用的服务优化策略;
所述服务优化模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本用户数据和一个样本优化指标,以及所述样本用户数据和所述样本优化指标对应的服务优化策略的标注数据;
针对每个所述训练数据,执行以下处理:
将所述训练数据中的样本用户数据和样本优化指标输入预设的深度学习模型,以得到所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据;
基于所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述服务优化模型;如果否,则继续利用下一个所述训练数据训练所述深度学习模型。
由此,通过将用户数据和优化指标输入服务优化模型,可以快速高效地获得虚拟对象互动应用的服务优化策略,从而优化应用,提高用户体验和商业价值;构建服务优化模型的训练过程中,针对每个训练数据进行样本用户数据和样本优化指标的预测,并根据预测结果更新深度学习模型的模型参数,从而不断提高模型的准确性和泛化能力;采用预设的结束条件来判断模型是否已经训练完毕,从而保证模型的适应性和鲁棒性,提高模型的运行效率和可靠性;通过不断训练和优化深度学习模型,可以自适应地适应用户需求和变化,为虚拟对象互动应用提供更好的服务和体验。
本申请实施例对服务优化模型的训练过程不作限定,其例如可以采用监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。当采用监督学习或者半监督学习的训练方式时,本申请实施例对标注数据的获取方式不作限定,例如可以采用人工标注的方式,也可以采用自动标注或者半自动标注的方式。当样本数据是在真实互动过程中采集得到时,可以通过关键词提取的方式从历史数据中获取真实数据作为标注数据。
本申请实施例对语义准确性模型的训练过程中的第二训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
在一些可选的实施例中,服务优化模型的训练方向例如可以是:
分析访问量趋势:通过PV看板中的访问量趋势图表,获得虚拟人的访问量随时间的变化情况,从而确定在不同时间段进行虚拟人功能和内容调整的时机,有效提高虚拟人的运营效率,例如,如果发现虚拟人在某个时间段的访问量较低,可以通过优化相关内容或开展推广等方式来提高访问量。
优化用户停留时长:通过指标卡片中的平均访问时长数据,获得用户在虚拟人中停留的时间,根据数据分析结果进行针对性优化,例如增加与用户互动的功能、改进回答质量等,以提高用户体验和满意度。
提升脚本完播率:通过指标卡片中的脚本完播率数据,获得虚拟人讲解内容完整性的问题,并进行针对性优化,例如加强语音合成技术、改善语音播报体验等,提高用户对虚拟人讲解内容的接受度。
优化问答命中率:通过指标卡片中的问答命中率数据,获得虚拟人对用户提问的反馈情况,进而确定虚拟人回答问题的短板并进行优化,例如加强问答模型的训练、扩充答案库等。
改善热门问答和热门内容节点:通过内容看板中的热门问答和热门内容节点数据,获得用户关注的内容和问题,从而针对性地进行优化和改进,例如制作交互式教学课件,增加实时交流功能,提高用户的参与度和满意度。
分析问答明细:通过明细看板中的问答明细数据,分析用户的提问和虚拟人的回答情况,发现问题出现的规律,优化虚拟人答案库的训练和补充,提升虚拟人的答题准确率,以提高用户体验和满意度。
在一些可选的实施例中,所述方法还包括:
基于所述用户数据,生成用户画像;
所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
基于所述用户数据、所述用户画像和所述优化指标,获取所述虚拟对象互动应用的服务优化策略。
由此,基于用户数据生成用户画像,可以更加深入地了解用户的需求和习惯,从而更加精准地为用户提供服务和优化策略;基于用户数据、用户画像和优化指标获取虚拟对象互动应用的服务优化策略,可以根据不同用户的特点和需求,为其提供个性化的服务和建议,提高用户满意度和用户粘性,同时提高虚拟对象互动应用的商业价值和用户黏性;通过不断地更新用户的画像和分析用户数据,可以跟踪用户变化和需求,及时调整相关的服务和优化策略,使应用更加贴近用户需求,提高用户信任度和忠诚度。
所述用户画像一种刻画用户需求的模型,用户画像可以从多个方面来描述用户,如个人信息、行为偏好、消费习惯、生活方式等。
在一个具体的实施例中,虚拟对象互动应用是一款在线教育虚拟互动应用,通过分析用户数据,了解用户的学习兴趣和学习水平,并以此为依据来制定服务优化策略,以提高在线教育虚拟互动应用中虚拟对象互动视频的问答命中率和完全播放率。收集用户数据,使用聚类算法对用户数据进行分析,提取相关特征,将用户划分为不同的群组,每个群组代表一类用户画像,例如学习兴趣偏向数学、英语,学习水平较高等,根据不同用户群组的兴趣和学习水平获取虚拟对象教学互动视频的优化策略,可以使用机器学习算法来训练模型,根据所收集到的用户数据和用户画像和优化指标,预测用户对不同知识点的掌握情况,并以此为依据来制定服务优化策略,例如增加针对性的知识点讲解视频等;还可以对所述虚拟对象互动视频进行推荐,根据用户的学习兴趣和水平,推荐与其相关的视频,从而提高问答命中率和完全播放率;可以根据用户提问对虚拟对象互动视频的问答内容和配图进行修改,从而提升问答命中率和完全播放率。
在一些可选的实施例中,所述基于所述用户数据,生成用户画像,包括:
对所述用户数据进行清洗处理,获得清洗后的所述用户数据;
基于对清洗后的所述用户数据,挖掘所述用户的群体特征和行为习惯,所述群体特征包括年龄段、性别、地域,所述行为习惯包括兴趣、提问方式;
基于所述用户的群体特征和行为习惯,生成所述用户画像。
由此,通过对用户数据进行清洗处理,去除噪声和异常数据,减少干扰因素,从而获得更加准确和可靠的用户数据,提高用户画像的准确性和泛化能力;基于清洗后的用户数据,利用挖掘技术可以深入了解用户的群体特征和行为习惯,让虚拟对象互动应用可以更好地了解用户的需求和兴趣,从而为用户提供更加精准的服务;基于用户画像可以更加准确地向用户提供服务,使用户获得更好的用户体验,同时也为虚拟对象互动应用提供了更多的商业价值,增强了市场竞争力。
所述清洗处理是对用户数据进行预处理,以去除不准确、重复、不完整或无关的数据的过程,可以包括缺失值处理(识别和填充缺失值)、异常值处理(识别和处理异常值,比如通过删除或替换等方式来处理)、重复值处理(识别并删除重复的数据)、数据格式标准化(将数据转换为合适的格式,比如日期、时间等数据类型的转换)、数据集成(合并多个数据源中的数据,统一并去重)、数据转换(将数据转换为模型需要的格式)及数据归一化(将数据按比例缩放到相同的范围内)。
在一些可选的实施例中,所述基于所述用户的群体特征和行为习惯,生成所述用户画像,包括:
基于所述用户的群体特征和行为习惯,生成多个所述用户画像。
由此,常规的用户画像往往只能反映用户某一方面的特征,而基于群体特征和行为习惯生成多个用户画像,可以反映出用户在不同场景下的需求和行为,从而更好地服务用户;基于所述用户的群体特征和行为习惯,生成多个用户画像,可以更加全面和准确地了解用户需求和行为,帮助虚拟对象互动应用更好地提供个性化服务,满足不同用户群体的需求,从而提高用户体验和用户忠诚度。
在一个具体的实施例中,本申请实施例还提供了一种数据分析方法,用于分析虚拟对象互动应用的用户数据,所述方法包括:获取用户数据并对所述用户数据进行脱敏处理;获得指定日期范围内的脱敏后的所述用户数据;基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;接收所述配置人员配置的所述优化指标;将所述用户数据和所述优化指标输入服务优化模型以获得所述虚拟对象互动应用的服务优化策略;(所述服务优化模型的训练过程包括:获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本用户数据和一个样本优化指标,以及所述样本用户数据和所述样本优化指标对应的服务优化策略的标注数据;针对每个所述训练数据,执行以下处理:将所述训练数据中的样本用户数据和样本优化指标输入预设的深度学习模型,以得到所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据;基于所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述服务优化模型;如果否,则继续利用下一个所述训练数据训练所述深度学习模型,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率;)对所述用户数据进行清洗处理,获得清洗后的所述用户数据;基于对清洗后的所述用户数据,挖掘所述用户的群体特征和行为习惯,所述群体特征包括年龄段、性别、地域,所述行为习惯包括兴趣、提问方式;基于所述用户的群体特征和行为习惯,生成多个所述用户画像。基于所述用户数据、所述用户画像和所述优化指标,获取所述虚拟对象互动应用的服务优化策略。
(设备实施例)
本申请实施例提供了一种电子设备,用于分析虚拟对象互动应用的用户数据,其具体实施例与上述方法实施例中记载的实施例、所达到的技术效果一致,部分内容不再赘述。
所述电子设备包括存储器和至少一个处理器,所述存储器存储有计算机程序,所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤:
获取指定日期范围内的用户数据;
基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;
接收所述配置人员配置的所述优化指标;
基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。
在一些可选的实施例中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式获取指定日期范围内的用户数据:
获取用户数据并对所述用户数据进行脱敏处理;
获得指定日期范围内的脱敏后的所述用户数据。
在一些可选的实施例中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略:
将所述用户数据和所述优化指标输入服务优化模型以获得所述虚拟对象互动应用的服务优化策略;
所述服务优化模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本用户数据和一个样本优化指标,以及所述样本用户数据和所述样本优化指标对应的服务优化策略的标注数据;
针对每个所述训练数据,执行以下处理:
将所述训练数据中的样本用户数据和样本优化指标输入预设的深度学习模型,以得到所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据;
基于所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述服务优化模型;如果否,则继续利用下一个所述训练数据训练所述深度学习模型。
在一些可选的实施例中,所述至少一个处理器还被配置成执行所述计算机程序时还执行以下步骤:
基于所述用户数据,生成用户画像;
所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
基于所述用户数据、所述用户画像和所述优化指标,获取所述虚拟对象互动应用的服务优化策略。
在一些可选的实施例中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式基于所述用户数据,生成用户画像:
对所述用户数据进行清洗处理,获得清洗后的所述用户数据;
基于对清洗后的所述用户数据,挖掘所述用户的群体特征和行为习惯,所述群体特征包括年龄段、性别、地域,所述行为习惯包括兴趣、提问方式;
基于所述用户的群体特征和行为习惯,生成所述用户画像。
在一些可选的实施例中,所述至少一个处理器被配置成执行所述计算机程序时采用以下方式基于所述用户的群体特征和行为习惯,生成所述用户画像:
基于所述用户的群体特征和行为习惯,生成多个所述用户画像。
参见图3,图3示出了本申请实施例提供的一种电子设备的结构框图。
电子设备10例如可以包括至少一个存储器11、至少一个处理器12以及连接不同平台系统的总线13。
存储器11可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)111和/或高速缓存存储器112,还可以进一步包括只读存储器(ROM)113。
其中,存储器11还存储有计算机程序,计算机程序可以被处理器12执行,使得处理器12实现上述任一项方法的步骤。
存储器11还可以包括具有至少一个程序模块115的实用工具114,这样的程序模块115包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器12可以执行上述计算机程序,以及可以执行实用工具114。
处理器12可以采用一个或多个应用专用集成电路(ASIC,Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
总线13可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
电子设备10也可以与一个或多个外部设备例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该电子设备10交互的设备通信,和/或与使得该电子设备10能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口14进行。并且,电子设备10还可以通过网络适配器15与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器15可以通过总线13与电子设备10的其它模块通信。应当明白,尽管图中未示出,但在实际应用中可以结合电子设备10使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
(计算机可读存储介质)
本申请实施例还提供了一种计算机可读存储介质,其具体实施例与上述方法实施例中记载的实施例、所达到的技术效果一致,部分内容不再赘述。
所述计算机可读存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。
计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读存储介质还可以是任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
(计算机程序产品)
本申请实施例还提供了一种计算机程序产品,其具体实施例与上述方法实施例中记载的实施例、所达到的技术效果一致,部分内容不再赘述。
本申请提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被至少一个处理器执行时实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。
参见图4,图4是本申请实施例提供的一种计算机程序产品的结构示意图。
所述计算机程序产品用于实现上述任一项方法的步骤或者实现上述任一项电子设备的功能。计算机程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的计算机程序产品不限于此,计算机程序产品可以采用一个或多个计算机可读介质的任意组合。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种数据分析方法,其特征在于,用于分析虚拟对象互动应用的用户数据,所述方法包括:
获取指定日期范围内的用户数据;
基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;
接收所述配置人员配置的所述优化指标;
基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。
2.根据权利要求1所述的数据分析方法,其特征在于,所述获取指定日期范围内的用户数据,包括:
获取用户数据并对所述用户数据进行脱敏处理;
获得指定日期范围内的脱敏后的所述用户数据。
3.根据权利要求1所述的数据分析方法,其特征在于,所述用户数据看板包括:
浏览量看板,所述浏览量看板用于显示所述指定日期范围内所述虚拟对象互动应用的访问信息;
内容热度看板,所述内容热度看板用于显示所述指定日期范围内所述用户与虚拟对象的互动的热门问答排名信息;
明细看板,所述明细看板用于显示所述指定日期范围内所述用户与所述虚拟对象的问答信息。
4.根据权利要求1所述的数据分析方法,其特征在于,所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
将所述用户数据和所述优化指标输入服务优化模型以获得所述虚拟对象互动应用的服务优化策略;
所述服务优化模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本用户数据和一个样本优化指标,以及所述样本用户数据和所述样本优化指标对应的服务优化策略的标注数据;
针对每个所述训练数据,执行以下处理:
将所述训练数据中的样本用户数据和样本优化指标输入预设的深度学习模型,以得到所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据;
基于所述样本用户数据和所述样本优化指标对应的服务优化策略的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述服务优化模型;如果否,则继续利用下一个所述训练数据训练所述深度学习模型。
5.根据权利要求1所述的数据分析方法,其特征在于,所述方法还包括:
基于所述用户数据,生成用户画像;
所述基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,包括:
基于所述用户数据、所述用户画像和所述优化指标,获取所述虚拟对象互动应用的服务优化策略。
6.根据权利要求5所述的数据分析方法,其特征在于,所述基于所述用户数据,生成用户画像,包括:
对所述用户数据进行清洗处理,获得清洗后的所述用户数据;
基于对清洗后的所述用户数据,挖掘所述用户的群体特征和行为习惯,所述群体特征包括年龄段、性别、地域,所述行为习惯包括兴趣、提问方式;
基于所述用户的群体特征和行为习惯,生成所述用户画像。
7.根据权利要求6所述的数据分析方法,其特征在于,所述基于所述用户的群体特征和行为习惯,生成所述用户画像,包括:
基于所述用户的群体特征和行为习惯,生成多个所述用户画像。
8.一种电子设备,其特征在于,用于分析虚拟对象互动应用的用户数据,所述电子设备包括存储器和至少一个处理器,所述存储器存储有计算机程序,所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤:
获取指定日期范围内的用户数据;
基于所述用户数据,生成用户数据看板,所述用户数据看板用于向配置人员提供可视化数据以便所述配置人员配置优化指标;
接收所述配置人员配置的所述优化指标;
基于所述用户数据和所述优化指标,获取所述虚拟对象互动应用的服务优化策略,以提高虚拟对象服务应用中虚拟对象互动视频的问答命中率和完全播放率。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被至少一个处理器执行时实现权利要求1-7任一项所述方法的步骤或者实现权利要求8所述电子设备的功能。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时实现权利要求1-7任一项所述方法的步骤或者实现权利要求8所述电子设备的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310574677.5A CN116774819A (zh) | 2023-05-20 | 2023-05-20 | 数据分析方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310574677.5A CN116774819A (zh) | 2023-05-20 | 2023-05-20 | 数据分析方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116774819A true CN116774819A (zh) | 2023-09-19 |
Family
ID=87993909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310574677.5A Pending CN116774819A (zh) | 2023-05-20 | 2023-05-20 | 数据分析方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774819A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117082217A (zh) * | 2023-10-17 | 2023-11-17 | 北京比格凯特科技有限公司 | 一种基于Jetson平台的智能视频监控系统 |
-
2023
- 2023-05-20 CN CN202310574677.5A patent/CN116774819A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117082217A (zh) * | 2023-10-17 | 2023-11-17 | 北京比格凯特科技有限公司 | 一种基于Jetson平台的智能视频监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Trends in artificial intelligence-supported e-learning: A systematic review and co-citation network analysis (1998–2019) | |
Arbia | Spatial econometrics | |
Lu et al. | Machine learning for synthetic data generation: a review | |
Butcher et al. | Self-directed learning and the sensemaking paradox | |
US11947582B2 (en) | Enhanced knowledge delivery and attainment using a question answering system | |
Pangrazio et al. | Datafication meets platformization: Materializing data processes in teaching and learning | |
Mathrani et al. | Perspectives on the challenges of generalizability, transparency and ethics in predictive learning analytics | |
Pochiraju et al. | Essentials of business analytics: an introduction to the methodology and its applications | |
CN116774819A (zh) | 数据分析方法及相关装置 | |
Upreti et al. | Online content match-making in B2B markets: Application of neural content modeling | |
CN113344723B (zh) | 用户保险认知演进路径预测方法、装置和计算机设备 | |
US20200401571A1 (en) | Human Experiences Ontology Data Model and its Design Environment | |
Chen | AI, e-government, and politics 2.0 | |
Verma et al. | An investigation of novel features for predicting student happiness in hybrid learning platforms–An exploration using experiments on trace data | |
Zhang et al. | The impact of big data on research methods in information science | |
CN116684688A (zh) | 基于观众情绪的直播模式切换方法及相关装置 | |
Tan et al. | The applications of machine learning in computational thinking assessments: a scoping review | |
Gao | Spatial Scientometrics | |
Hoberg | Supply chain and big data | |
Leung | Examining the characteristics of practical knowledge from four public Facebook communities of practice in instructional design and technology | |
Usip et al. | A secured preposition-enabled natural language parser for extracting spatial context from unstructured data | |
Cambria | Sentic computing | |
CN113569557B (zh) | 信息的质量识别方法、装置、设备、存储介质及程序产品 | |
Liu | English Learning Patterns for Mobile Users Based on Multiple Data Mining Algorithms | |
Strekalova et al. | Semi-structured data |
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 |