CN117216419B - 基于ai技术的数据分析方法 - Google Patents
基于ai技术的数据分析方法 Download PDFInfo
- Publication number
- CN117216419B CN117216419B CN202311476401.XA CN202311476401A CN117216419B CN 117216419 B CN117216419 B CN 117216419B CN 202311476401 A CN202311476401 A CN 202311476401A CN 117216419 B CN117216419 B CN 117216419B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- behavior
- analysis
- generate
- 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.)
- Active
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007405 data analysis Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 124
- 230000008451 emotion Effects 0.000 claims abstract description 107
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 210000001508 eye Anatomy 0.000 claims description 43
- 230000000007 visual effect Effects 0.000 claims description 39
- 230000003993 interaction Effects 0.000 claims description 37
- 230000035772 mutation Effects 0.000 claims description 23
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 22
- 238000012800 visualization Methods 0.000 claims description 20
- 230000008450 motivation Effects 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 210000005252 bulbus oculi Anatomy 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000007418 data mining Methods 0.000 claims description 10
- 238000012407 engineering method Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000013079 data visualisation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 301
- 239000000047 product Substances 0.000 description 30
- 230000003542 behavioural effect Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 15
- 230000000737 periodic effect Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000002996 emotional effect Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000004424 eye movement Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000019901 Anxiety disease Diseases 0.000 description 4
- 230000036506 anxiety Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008909 emotion recognition Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006461 physiological response Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000027534 Emotional disease Diseases 0.000 description 1
- 206010027951 Mood swings Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000010195 expression analysis Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003989 repetitive behavior Effects 0.000 description 1
- 208000013406 repetitive behavior Diseases 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
Abstract
本发明涉及人工智能技术领域,尤其涉及一种基于AI技术的数据分析方法。该方法包括以下步骤:获取用户数据;利用人工智能技术对用户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模式分析,生成用户行为模式数据;根据用户行为模式数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据;利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据。本发明实现了高效、准确的用户数据分析。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于AI技术的数据分析方法。
背景技术
随着科技的快速发展,人工智能技术已经逐渐渗透到各个领域,其中包括数据分析领域。传统的数据分析方法往往依赖人工操作,具有主观性和局限性,而且难以处理大量复杂的数据。为了解决这些问题,基于AI技术的数据分析方法应运而生。AI技术在数据分析方法中的应用,可以实现自动化、智能化的数据处理和分析过程,提高数据处理效率和分析准确率。这种数据分析方法的基本原理是,通过机器学习、深度学习等技术对数据进行特征提取和模型训练,从而得出数据分析结果。
发明内容
本发明为解决上述技术问题,提出了一种基于AI技术的数据分析方法,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种基于AI技术的数据分析方法,包括以下步骤:
步骤S1:获取用户数据;利用人工智能技术对用户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模式分析,生成用户行为模式数据;
步骤S2:根据用户行为模式数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据;
步骤S3:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据;
步骤S4:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据;
步骤S5:对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;根据用户动态心理数据对第二用户特征偏好数据进行用户行为预测,以生成用户行为预测数据;
步骤S6:对用户行为预测数据进行数据交互可视化处理,生成用户行为预测交互可视化视图;利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,构建用户行为分析模型,以执行用户数据分析作业。
本发明通过获取用户数据,可以了解用户的基本信息,如性别、年龄、地理位置等,通过动态行为分析,可以跟踪用户的实时行为,例如在网站上的点击、搜索、购买等行为,有助于了解用户的兴趣和偏好,以及用户在不同时间段内的行为模式,例如一天内不同时间的活跃度,将用户的动态行为数据转化为时序数据,从而形成一种时间序列,可以跟踪用户的行为随时间的演变,情绪波动的识别有助于理解用户在不同时间点的情感状态,例如,可以发现用户在某个特定事件后情感波动较大,用于更好地针对用户提供支持或产品建议,通过构建用户的动态画像,可以了解用户的兴趣、爱好、购物习惯和社交行为,眼部轨迹分析允许识别用户对特定内容或功能的视觉注意度,从而了解用户的注意力集中点,有助于更好地定制内容和广告,以满足用户的需求和期望,特征提取将用户的特性进行数字化,例如将用户偏好、兴趣和行为转化为数据特征,有助于了解用户的关键特征,例如购买力、产品偏好等,关联规则筛选可以发现不同特征之间的关系,从而更好地了解用户的复杂行为,通过动态心理学分析,可以了解用户的情感状态、心理需求和潜在行为动机,有助于预测用户的未来行为,例如购买、点击广告或参与社交媒体互动,对于制定个性化的用户策略和提供有针对性的产品和服务至关重要,通过数据交互可视化处理,可以将用户行为预测可视化,使决策者能够更容易理解和解释预测结果,利用深度学习技术,如循环卷积网络,对这些数据进行分析和模型构建,构建用户行为分析模型,该模型可用于根据用户行为历史和特征进行更精确的预测和决策,本发明实现高效、准确的用户行为数据分析。
优选地,步骤S1包括以下步骤:
步骤S11:获取用户数据;
步骤S12:利用人工智能技术对用户数据进行访问频率分析,以生成访问频率数据;
步骤S13:根据访问频率数据对用户数据进行操作路径分析,生成用户操作路径数据;
步骤S14:基于用户操作路径数据对访问频率数据进行使用时长检测,以生成用户使用时长参数;
步骤S15:对访问频率数据、用户操作路径数据及用户使用时长参数进行动态行为分析,以生成用户动态行为数据;
步骤S16:对用户动态行为数据进行行为模式分析,生成用户行为模式数据。
本发明通过获取用户数据建立用户数据的基础,包括用户特征、行为和偏好,这种数据收集有助于了解用户群体,识别目标受众,以及为后续分析提供数据源,通过分析访问频率,可以确定哪些内容、功能或页面最受欢迎,有助于优化网站结构,提高用户满意度,提供更相关的内容,增加页面浏览次数,了解用户的操作路径有助于发现用户在网站或应用中的典型导航方式,提高用户体验,优化网站或应用的导航和信息架构,使用时长检测提供关于用户在网站或应用上花费的时间的信息,帮助确定哪些内容吸引用户的时间更长,以及哪些内容需要改进以增加用户的参与度和互动,将访问频率、操作路径和使用时长参数结合在一起,可以进行更全面的用户行为洞察,有助于了解用户如何与产品或服务互动,从而改进内容的个性化和用户参与度,行为模式分析有助于识别用户的典型行为趋势,如购买模式、浏览模式和互动模式,这可用于制定个性化推荐、改进产品设计和增加用户互动,从而提高用户满意度和忠诚度。
优选地,步骤S16包括以下步骤:
步骤S161:对用户动态行为数据进行浏览模式分析,生成浏览模式数据;
步骤S162:通过浏览模式数据进行用户关键字搜索频率检测,获取关键字搜索频率数据;
步骤S163:根据关键字搜索频率数据对浏览模式数据进行行为模式分析,生成用户行为模式数据。
本发明通过分析用户的浏览模式,了解用户在访问的网站或应用时的典型浏览行为,根据用户的浏览模式提供个性化的内容推荐,增加用户与网站或应用的互动,了解用户的浏览路径可以帮助优化网站或应用的结构,以提高用户导航的效率,根据用户的兴趣和浏览模式,可以更好地定位广告,提高广告的点击率和转化率,根据热门关键字,可以制定更有针对性的广告策略,以提高广告的效果,了解用户的搜索习惯可以帮助优化网站以在搜索引擎中更好地排名,根据关键字搜索频率,可以开发新的产品或内容,以满足用户需求,根据用户的行为模式提供更精确的个性化推荐,从而提高用户的满意度和互动,可以根据用户的行为模式定位广告,提高广告的相关性和点击率,了解用户的行为模式有助于改进产品和服务。
优选地,步骤S2包括以下步骤:
步骤S21:根据用户行为模式数据对用户动态行为数据进行行为顺序分析,以生成用户行为序列;
步骤S22:对用户行为序列进行断点检测,生成用户序列不连续节点;
步骤S23:对用户序列不连续节点进行节点决策关联性分析,以生成节点决策关联性数据;
步骤S24:根据节点决策关联性数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;
步骤S25:基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据。
本发明通过分析用户的行为模式数据,可以了解用户的典型行为,例如用户在平台上的常见操作和偏好,有助于更好地理解用户的习惯和兴趣,通过检测用户行为序列中的断点,可以确定用户的行为序列中的不连续性或异常点,可以帮助识别潜在的问题或异常情况,如用户流失、操作错误或其他异常事件,分析用户序列不连续节点之间的关联性可以理解这些节点之间的因果关系,可以帮助确定用户行为中的关键因素和决策路径,从而更好地了解用户的决策模式,通过对用户动态行为数据进行时序分析,可以捕获用户行为的时间模式和趋势,有助于了解用户行为随时间的演变,例如用户活动的季节性变化或时间相关性,通过基于用户行为时序数据进行情绪波动识别,可以推断用户的情绪状态,对于了解用户情感反馈以及确定用户对产品、服务或平台的满意度非常有用,帮助调整策略,改进用户体验,以更好地满足用户需求。
优选地,步骤S25包括以下步骤:
步骤S251:基于用户行为时序数据对用户动态行为数据进行周期性分析,生成用户动态行为周期数据;
步骤S252:根据用户动态行为周期数据对用户序列不连续节点进行突变点识别,生成用户序列突变点;
步骤S253:对用户序列突变点进行异常行为分析,生成异常行为数据;
步骤S254:根据异常行为数据对用户序列突变点进行情绪波动识别,以获取用户情绪波动数据。
本发明通过对用户行为时序数据进行周期性分析,可以识别出用户行为的周期性模式,例如每天、每周或每月的重复行为,有助于理解用户的行为规律,如何随时间变化,通过根据用户动态行为周期数据识别用户序列不连续节点中的突变点,可以检测到不寻常的行为变化或过渡,快速发现的问题,如用户流失、产品变更引起的不满等,对用户序列突变点进行异常行为分析有助于深入了解为什么突变点发生,确定导致异常行为的根本原因,如技术问题、产品缺陷或市场趋势变化,基于异常行为数据进行情绪波动识别,可以更准确地捕捉用户在异常情况下的情感状态,有助于了解用户的情感反馈,评估用户的不满或焦虑情绪,从而采取相应的措施来缓解情感困扰并改善用户体验。
优选地,步骤S3包括以下步骤:
步骤S31:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像建模,以生成初步用户画像;
步骤S32:通过用户行为模式数据对初步用户画像进行概率画像分布分析,以生成概率画像分布数据;
步骤S33:利用概率画像分布数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;
步骤S34:对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据。
本发明通过计算机视觉技术结合用户情绪波动数据,对用户画像进行建模,这包括了对用户情感状态的感知,有助于更全面地理解用户的行为和需求,用户画像的建模可以捕捉用户的情感变化,为个性化服务提供更深入的基础,通过分析初步用户画像的概率分布,可以了解不同用户属性或特征之间的相关性和概率分布情况,识别用户群体和用户之间的共同特征,为更精准的个性化推荐和服务提供依据,利用概率画像分布数据对用户动态行为数据进行拟合,可以构建更为动态和准确的用户画像,考虑用户的静态属性,还能够捕捉其随时间变化的行为和情感状态,通过对用户动态画像进行眼部轨迹分析,可以获取用户在界面上的关注点和浏览习惯,有助于了解用户的兴趣领域、偏好和注意力焦点,为优化用户界面和提供个性化内容提供指导。
优选地,步骤S34包括以下步骤:
步骤S341:对用户动态画像进行眼部轨迹识别,生成眼部轨迹数据;
步骤S342:对眼部轨迹数据进行注视频率分析,生成注视频率数据;
步骤S343:对注视频率数据进行注视时长分析,生成注视时长数据;
步骤S344:基于注视时长数据对眼部轨迹数据进行眨眼频率分析,以生成眨眼频率数据;
步骤S345:基于眨眼频率数据对眼部轨迹数据进行眼球运动范围检测,生成眼球运动范围数据;
步骤S346:根据注视时长数据对眼球运动范围数据进行用户偏好分析,以生成用户个性偏好数据。
本发明通过分析用户的眼部轨迹,了解用户在界面上的视觉焦点,包括用户在不同区域停留的时间和顺序,理解用户的注意力分布和视觉兴趣,注视频率是指用户在特定区域停留的频率,通过分析注视频率数据,可以识别用户对特定元素或内容的兴趣程度,了解哪些内容或功能吸引用户的视线,注视时长数据帮助系统了解用户在特定区域或内容上停留的时间,理解用户对不同元素的兴趣程度和深度,以及用户对内容的互动程度,眨眼频率分析可以提供关于用户的生理反应的信息,这反映用户的焦虑、兴奋或注意力水平,通过眨眼频率数据,可以更好地理解用户的情感状态和参与度,分析眼球运动范围数据可以揭示用户在界面上浏览和查看内容的方式,有助于理解用户的视觉导航和内容探索习惯,基于注视时长数据和眼球运动范围数据,可以推断用户对不同内容的兴趣和偏好,有助于生成用户的个性化偏好数据,为提供更符合用户需求的内容和建议提供依据。
优选地,步骤S4包括以下步骤:
步骤S41:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;
步骤S42:对第一用户特征偏好数据进行聚类分析,以生成用户群体特征数据;
步骤S43:对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据。
本发明通过特征工程方法,从原始的用户个性偏好数据中提取关键特征,简化数据、减少维度和提取与用户行为相关的信息,通过特征提取,可以获得第一用户特征偏好数据,其中包含了对用户行为的关键方面的描述,如频率、持续时间、偏好强度等,通过对第一用户特征偏好数据进行聚类分析,将用户划分为不同的群体或类别,这些群体具有相似的特征偏好,有助于识别潜在的用户群体,每个群体有类似的兴趣和需求,生成用户群体特征数据,用户群体特征数据用于个性化推荐和定制化用户体验,对第一用户特征偏好数据进行关联规则筛选,有助于发现不同特征偏好之间的关联和规则,揭示用户之间的行为模式和倾向。
优选地,步骤S5包括以下步骤:
步骤S51:根据用户动态画像对第二用户特征偏好数据进行心理特征量化评估,以生成用户心理特征量化参数;
步骤S52:根据用户心理特征量化参数对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;
步骤S53:对用户动态心理数据进行用户行为动机分析,生成用户行为动机数据;
步骤S54:基于用户行为动机数据对用户动态心理数据进行行为趋势分析,生成行为趋势数据;
步骤S55:对行为趋势数据进行用户行为预测,以生成用户行为预测数据。
本发明通过用户动态画像,可以对第二用户特征偏好数据进行心理特征的量化评估,包括用户的情感、态度、喜好等心理特征的度量,生成用户心理特征量化参数可以更好地了解用户的情感和情感驱动因素,基于用户的心理特征量化参数进行动态心理学分析,理解用户在不同情境下的心理状态和反应,更好地捕捉用户的情感和情感变化,从而更好地满足其需求,对用户的动态心理数据进行分析,以识别用户的行为动机,理解用户为什么会采取某种行为,如购买产品、点击链接、访问网站等,可以用于更好地满足用户的期望和需求,基于用户的行为动机数据,对用户的动态心理数据进行行为趋势分析,有助于预测用户未来采取的行为,帮助企业更好地规划和优化产品、服务和市场策略,通过对行为趋势数据的分析,可以生成用户行为预测数据,这些预测数据可以用于个性化推荐、精准营销、内容定制等,从而更好地满足用户需求,提高用户满意度,增加用户忠诚度,以及改善用户体验。
优选地,步骤S6包括以下步骤:
步骤S61:对用户行为预测数据进行数据可视化,生成用户行为预测可视化视图;
步骤S62:对用户行为可视化视图进行交互可视化处理,生成用户行为预测交互可视化视图;
步骤S63:利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,生成用户行为卷积网络;
步骤S64:对用户行为卷积网络进行池化多层采样,生成用户行为卷积图;
步骤S65:对用户行为卷积图进行数据挖掘建模,构建用户行为分析模型,以执行用户数据分析作业。
本发明通过数据可视化,将用户行为预测数据被转化为可视化图形,以图形方式呈现用户行为预测数据的趋势、模式和关联,使企业更容易地理解数据,从中提取见解,以便更好地理解用户行为和趋势,使用循环卷积网络对交互可视化数据进行膨胀卷积,从可视化数据中提取更高级、抽象的特征和模式,卷积网络是一种深度学习的技术,可以自动学习数据中的模式和关联,进一步改善数据分析的质量,对用户行为卷积网络进行池化多层采样,以减少数据的维度,同时保留重要的特征,有助于降低数据复杂性,减小计算成本,并提高数据分析的效率,对用户行为卷积图进行数据挖掘建模,根据卷积图中的信息构建用户行为分析模型,模型可以用于预测用户的行为、发现潜在的模式和趋势,以及为业务决策提供见解,可以更深入地理解用户的需求和行为,有助于改进产品、服务和营销策略,将用户行为数据转化为更具信息和见解的形式,以更好地了解用户的需求、趋势和行为。帮助企业优化产品和服务,制定个性化战略,改进用户体验,提高满意度,并为未来的决策提供有力的数据支持。
附图说明
图1为本发明一种基于AI技术的数据分析方法的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1,本申请实例提供一种基于AI技术的数据分析方法。
所述基于AI技术的数据分析方法的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点,所述数据处理平台包括但不限于:音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4,本发明提供一种基于AI技术的数据分析方法,所述基于AI技术的数据分析方法包括以下步骤:
步骤S1:获取用户数据;利用人工智能技术对用户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模式分析,生成用户行为模式数据;
步骤S2:根据用户行为模式数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据;
步骤S3:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据;
步骤S4:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据;
步骤S5:对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;根据用户动态心理数据对第二用户特征偏好数据进行用户行为预测,以生成用户行为预测数据;
步骤S6:对用户行为预测数据进行数据交互可视化处理,生成用户行为预测交互可视化视图;利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,构建用户行为分析模型,以执行用户数据分析作业。
本发明通过获取用户数据,可以了解用户的基本信息,如性别、年龄、地理位置等,通过动态行为分析,可以跟踪用户的实时行为,例如在网站上的点击、搜索、购买等行为,有助于了解用户的兴趣和偏好,以及用户在不同时间段内的行为模式,例如一天内不同时间的活跃度,将用户的动态行为数据转化为时序数据,从而形成一种时间序列,可以跟踪用户的行为随时间的演变,情绪波动的识别有助于理解用户在不同时间点的情感状态,例如,可以发现用户在某个特定事件后情感波动较大,用于更好地针对用户提供支持或产品建议,通过构建用户的动态画像,可以了解用户的兴趣、爱好、购物习惯和社交行为,眼部轨迹分析允许识别用户对特定内容或功能的视觉注意度,从而了解用户的注意力集中点,有助于更好地定制内容和广告,以满足用户的需求和期望,特征提取将用户的特性进行数字化,例如将用户偏好、兴趣和行为转化为数据特征,有助于了解用户的关键特征,例如购买力、产品偏好等,关联规则筛选可以发现不同特征之间的关系,从而更好地了解用户的复杂行为,通过动态心理学分析,可以了解用户的情感状态、心理需求和潜在行为动机,有助于预测用户的未来行为,例如购买、点击广告或参与社交媒体互动,对于制定个性化的用户策略和提供有针对性的产品和服务至关重要,通过数据交互可视化处理,可以将用户行为预测可视化,使决策者能够更容易理解和解释预测结果,利用深度学习技术,如循环卷积网络,对这些数据进行分析和模型构建,构建用户行为分析模型,该模型可用于根据用户行为历史和特征进行更精确的预测和决策,本发明实现高效、准确的用户行为数据分析。
本发明实施例中,参考图1,为本发明一种基于AI技术的数据分析方法的步骤流程示意图,在本实例中,所述基于AI技术的数据分析方法的步骤包括:
步骤S1:获取用户数据;利用人工智能技术对用户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模式分析,生成用户行为模式数据;
本实施例中,收集用户数据,包括用户的在线活动、交易记录、社交媒体互动、网站访问历史、应用程序使用情况等等。这些数据可以来自多个渠道,如数据库、日志文件、API、传感器,对收集到的数据进行清洗和预处理,以去除错误、重复、不完整或无关的数据。这包括处理缺失值、异常值以及数据格式规范化,将来自不同来源的数据整合在一起,以便进行综合分析。这需要数据转换和合并操作,确保数据一致性。将清洗和整合后的数据存储在适当的数据存储系统中,如数据库或数据仓库,选择用于动态行为分析的数据特征,这些特征应当能够捕捉用户的行为模式。这需要创建新的特征,转化数据或进行降维操作,使用人工智能技术,例如机器学习算法,构建模型来分析用户的动态行为。这些模型可以包括时间序列分析、聚类分析、分类模型等,以便理解用户的行为趋势,使用历史数据来训练机器学习模型。这需要将数据分成训练集和测试集,用于模型训练和评估,使用训练好的机器学习模型来识别和捕捉用户的行为模式,如检测周期性模式、异常行为等,将模式分析的结果以图形、图表、热图等可视化方式呈现,以便用户更容易理解和解释。
步骤S2:根据用户行为模式数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据;
本实施例中,将用户行为数据按时间顺序进行排序,以创建时间序列数据,从时间序列数据中提取有关用户行为的特征,如周期性、趋势、季节性等,根据时间序列分析技术,如滑动窗口、移动平均、指数平滑等,基于时序数据,建立适当的数学模型,例如ARIMA、LSTM、Prophet等,以更好地理解和预测用户行为的时序性,使用训练好的情感识别模型,对用户行为时序数据中的文本或其他情感相关数据进行情感分析,以检测用户的情绪波动。情感分析结果可以包括情感强度、情感类别等信息,将识别到的情感结果与时序数据相对应,以捕捉用户情感在时间上的变化。
步骤S3:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据;
本实施例中,将用户情绪波动数据与相应的动态行为数据进行关联,需要时间戳或事件标识符,以确保正确匹配情绪数据和行为数据,从情绪波动数据中提取相关特征,如情绪的频率、强度、变化率等,这些特征将用于构建用户的情感动态,从动态行为数据中提取特征,例如用户访问的网页类型、社交媒体帖子互动、购买偏好等,这些特征将用于构建用户的行为动态,结合情绪和行为特征,使用机器学习或数据挖掘技术构建用户的动态画像,根据聚类、分类、回归等算法,以识别用户的特征和模式,收集用户的眼部追踪数据,对采集到的眼动数据进行预处理,包括去除噪声、校准、时间同步等,确保数据的准确性和一致性,从眼部追踪数据中提取相关特征,如注视点的位置、持续时间、扫视路径、注视序列等,这些特征将用于分析用户的注意力和兴趣,使用机器学习或计算机视觉技术,分析眼动数据,了解用户的注意力分布、兴趣点和注意力转移,将眼部轨迹分析的结果与用户动态画像相结合,以生成用户的个性偏好数据,包括用户对特定产品、广告、界面设计元素的偏好等信息。
步骤S4:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据;
本实施例中,根据任务的要求,选择需要用于特征提取的特征列,包括用户ID、物品ID、评分、时间戳等,进行特征工程,即对原始数据进行转换和处理,以生成新的特征,确保不同特征具有相似的尺度,将生成的特征组合成特征向量,每个向量对应一个用户或用户与物品的组合,这些特征向量构成第一用户特征偏好数据,使用关联规则挖掘算法,如Apriori或FP-Growth,对第一用户特征偏好数据进行分析,以找到不同特征之间的关联规则,这些规则可以描述用户对特定特征之间的相关性,对生成的关联规则进行评估,通常使用支持度(support)和置信度(confidence)等指标来衡量规则的质量,支持度表示规则适用于多少用户,置信度表示规则的可信度,根据任务需求和评估结果,筛选保留最相关的关联规则,可以根据支持度、置信度或其他自定义标准来选择规则,将选定的关联规则应用于第一用户特征偏好数据,以生成第二用户特征偏好数据,这个数据包含了用户之间的特征偏好关联信息,可以用于推荐系统、个性化定制等应用。
步骤S5:对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;根据用户动态心理数据对第二用户特征偏好数据进行用户行为预测,以生成用户行为预测数据;
本实施例中,根据分析的目标,选择需要用于动态心理学分析的特征,这些特征可以包括用户特征、产品特征、时间戳等,使用情感分析技术,例如自然语言处理(NLP)工具,来分析用户包含的情感和情感倾向,帮助了解用户的情感状态,例如喜好、不满意、满意等,对用户情感数据进行时间序列分析,以识别情感的变化趋势,涵盖用户在不同时间点的情感波动,帮助理解用户的动态心理状态,将用户根据其动态心理学特征进行聚类分析,以识别不同用户群体,根据动态心理数据,选择适当的机器学习或深度学习模型来预测用户的未来行为,包括推荐系统、分类模型、回归模型等,具体选择根据任务的性质而定,将第二用户特征偏好数据分成训练集和测试集,用于训练和评估模型,进行必要的特征工程,包括特征选择、标准化、归一化等,以确保数据适用于模型训练,使用训练集来训练模型,根据动态心理数据来进行用户行为预测,这包括用户对产品的购买、点击、评分等行为的预测,根据模型的预测结果,生成用户行为预测数据,这些数据描述了用户在未来采取的行为,例如购买产品、点击链接、观看视频等。
步骤S6:对用户行为预测数据进行数据交互可视化处理,生成用户行为预测交互可视化视图;利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,构建用户行为分析模型,以执行用户数据分析作业。
本实施例中,准备用户行为预测数据,确定可视化视图的设计,包括选择可视化图表类型,颜色编码方案以及要显示的数据维度,将用户行为预测数据转换为可视化数据。通过数据聚合、过滤或其他数据处理操作,以适应可视化需求,使用相应的数据可视化工具或库(如Matplotlib、D3.js、Tableau等)创建可视化视图。确保数据可视化能够传达用户的行为预测信息,例如趋势、模式或关联性,为可视化视图添加互动元素,例如工具提示、筛选器或交互式图例,以便用户能够与数据进行互动并探索,将生成的用户行为预测交互可视化视图转化为适合深度学习模型处理的格式。这通常涉及将图像数据或可视化数据转化为数字矩阵,构建膨胀卷积网络模型,该模型通常包括膨胀卷积层、池化层、全连接层以及适当的激活函数,以处理用户行为预测交互可视化视图的特征,使用训练集对模型进行训练。在每个训练迭代中,将用户行为预测交互可视化数据输入到模型中,然后根据实际用户行为数据进行损失计算和梯度下降来更新模型参数,使用测试数据集对已经训练好的模型进行评估,包括使用评估指标(如准确度、召回率、F1分数等)来确定模型的性能,根据用户行为分析模型的输出结果,执行用户数据分析任务。这包括对用户行为的分类、趋势分析、个性化建议等。
本实施例中,参考图2,为步骤S1的详细实施步骤流程示意图,本实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:获取用户数据;
步骤S12:利用人工智能技术对用户数据进行访问频率分析,以生成访问频率数据;
步骤S13:根据访问频率数据对用户数据进行操作路径分析,生成用户操作路径数据;
步骤S14:基于用户操作路径数据对访问频率数据进行使用时长检测,以生成用户使用时长参数;
步骤S15:对访问频率数据、用户操作路径数据及用户使用时长参数进行动态行为分析,以生成用户动态行为数据;
步骤S16:对用户动态行为数据进行行为模式分析,生成用户行为模式数据。
本发明通过获取用户数据建立用户数据的基础,包括用户特征、行为和偏好,这种数据收集有助于了解用户群体,识别目标受众,以及为后续分析提供数据源,通过分析访问频率,可以确定哪些内容、功能或页面最受欢迎,有助于优化网站结构,提高用户满意度,提供更相关的内容,增加页面浏览次数,了解用户的操作路径有助于发现用户在网站或应用中的典型导航方式,提高用户体验,减少用户的迷失感,优化网站或应用的导航和信息架构,使用时长检测提供关于用户在网站或应用上花费的时间的信息,帮助确定哪些内容吸引用户的时间更长,以及哪些内容需要改进以增加用户的参与度和互动,将访问频率、操作路径和使用时长参数结合在一起,可以进行更全面的用户行为洞察,有助于了解用户如何与产品或服务互动,从而改进内容的个性化和用户参与度,行为模式分析有助于识别用户的典型行为趋势,如购买模式、浏览模式和互动模式,这可用于制定个性化推荐、改进产品设计和增加用户互动,从而提高用户满意度和忠诚度。
本实施例中,从不同来源获取用户数据,这些数据可以包括用户的行为、交互、使用模式、点击流等,用户数据可以来自网站、应用程序、传感器或其他渠道,使用人工智能技术,例如机器学习或统计方法,分析用户数据以确定用户的访问频率,包括用户访问某个网站、应用程序或服务的次数和频率,根据访问频率数据,操作路径分析生成用户操作路径,这些路径是用户在应用程序或网站上执行的一系列操作,使用工具或算法来识别最常见或重要的用户操作路径。使用用户操作路径数据计算用户在不同操作路径上花费的时间,这有助于确定用户在不同任务或活动中的使用时长,将访问频率数据、用户操作路径数据和使用时长参数结合在一起,进行综合分析,包括探索性数据分析、聚类分析或关联分析,使用机器学习模型或规则基础的方法检测用户的动态行为,例如突然的行为变化、异常行为等。使用模式识别技术,例如机器学习模型、时间序列分析等,检测用户的行为模式,包括周期性行为、趋势、偏好和异常检测。
本实施例中,步骤S16包括以下步骤:
步骤S161:对用户动态行为数据进行浏览模式分析,生成浏览模式数据;
步骤S162:通过浏览模式数据进行用户关键字搜索频率检测,获取关键字搜索频率数据;
步骤S163:根据关键字搜索频率数据对浏览模式数据进行行为模式分析,生成用户行为模式数据。
本发明通过分析用户的浏览模式,了解用户在访问的网站或应用时的典型浏览行为,根据用户的浏览模式提供个性化的内容推荐,增加用户与网站或应用的互动,了解用户的浏览路径可以帮助优化网站或应用的结构,以提高用户导航的效率,根据用户的兴趣和浏览模式,可以更好地定位广告,提高广告的点击率和转化率,根据热门关键字,可以制定更有针对性的广告策略,以提高广告的效果,了解用户的搜索习惯可以帮助优化网站以在搜索引擎中更好地排名,根据关键字搜索频率,可以开发新的产品或内容,以满足用户需求,根据用户的行为模式提供更精确的个性化推荐,从而提高用户的满意度和互动,可以根据用户的行为模式定位广告,提高广告的相关性和点击率,了解用户的行为模式有助于改进产品和服务。
本实施例中,准备用户动态行为数据,包括用户的点击、页面浏览、浏览时间等信息,这些数据可以来自网站分析工具、日志文件或应用程序内部的数据,使用数据挖掘技术,例如序列模式挖掘、关联规则分析或时间序列分析,来查找用户浏览行为的模式,包括用户在特定页面之间的转换、浏览时间的分布等,利用浏览模式数据,确定用户执行哪些关键字搜索操作,并获取相关数据,例如搜索关键字、搜索时间戳等,使用技术如文本挖掘或自然语言处理,检测用户的关键字搜索行为,并记录每个关键字的频率,使用数据挖掘、统计分析或机器学习方法来分析整合的数据,以发现用户的行为模式,包括了解用户在特定浏览模式下执行哪些关键字搜索,以及这些搜索的频率和趋势。
本实施例中,参考图3,为步骤S2的详细实施步骤流程示意图,本实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:根据用户行为模式数据对用户动态行为数据进行行为顺序分析,以生成用户行为序列;
步骤S22:对用户行为序列进行断点检测,生成用户序列不连续节点;
步骤S23:对用户序列不连续节点进行节点决策关联性分析,以生成节点决策关联性数据;
步骤S24:根据节点决策关联性数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;
步骤S25:基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据。
本发明通过分析用户的行为模式数据,可以了解用户的典型行为,例如用户在平台上的常见操作和偏好,有助于更好地理解用户的习惯和兴趣,通过检测用户行为序列中的断点,可以确定用户的行为序列中的不连续性或异常点,可以帮助识别潜在的问题或异常情况,如用户流失、操作错误或其他异常事件,分析用户序列不连续节点之间的关联性可以理解这些节点之间的因果关系,可以帮助确定用户行为中的关键因素和决策路径,从而更好地了解用户的决策模式,通过对用户动态行为数据进行时序分析,可以捕获用户行为的时间模式和趋势,有助于了解用户行为随时间的演变,例如用户活动的季节性变化或时间相关性,通过基于用户行为时序数据进行情绪波动识别,可以推断用户的情绪状态,对于了解用户情感反馈以及确定用户对产品、服务或平台的满意度非常有用,帮助调整策略,改进用户体验,以更好地满足用户需求。
本实施例中,通过时间序列分析技术,例如序列模式挖掘、时间序列聚类等,分析用户的行为顺序,涵盖用户行为的先后顺序、频率以及的模式,基于行为顺序分析的结果,生成用户的行为序列,其中记录了用户在一段时间内执行的关键行为。通过检查用户行为序列,找到不同行为之间的断点或不连续点,这表示用户从一种行为模式切换到另一种,或者在某一点上出现了不寻常的行为,标识并记录在用户行为序列中检测到的不连续点,这些点表示用户的兴趣变化、任务切换或其他重要事件,针对不连续节点,分析它们之间的关联性,确定在某个节点上做出的决策与后续行为之间的关系,以及这些关系的强度,将节点之间的关联性信息转化为数据,记录关联性的类型、强度和的影响。将节点决策关联性数据与原始的用户动态行为数据整合,建立关系模型,使用时序分析技术,例如时间序列预测或模式匹配,根据关联性数据对用户行为进行时序分析,基于时序分析的结果,生成用户的行为时序数据,记录用户行为的演变和变化,使用情感分析技术,将用户行为时序数据映射到情感标签,例如积极、消极或中性,通过分析情感标签的变化趋势,识别用户的情绪波动,包括情感的剧烈波动、长期趋势等,记录用户情绪的波动情况,生成用户情绪波动数据。
本实施例中,步骤S25包括以下步骤:
步骤S251:基于用户行为时序数据对用户动态行为数据进行周期性分析,生成用户动态行为周期数据;
步骤S252:根据用户动态行为周期数据对用户序列不连续节点进行突变点识别,生成用户序列突变点;
步骤S253:对用户序列突变点进行异常行为分析,生成异常行为数据;
步骤S254:根据异常行为数据对用户序列突变点进行情绪波动识别,以获取用户情绪波动数据。
本发明通过对用户行为时序数据进行周期性分析,可以识别出用户行为的周期性模式,例如每天、每周或每月的重复行为,有助于理解用户的行为规律,如何随时间变化,以及何时用户更有与的产品或服务互动,通过根据用户动态行为周期数据识别用户序列不连续节点中的突变点,可以检测到不寻常的行为变化或过渡,快速发现的问题,如用户流失、产品变更引起的不满等,对用户序列突变点进行异常行为分析有助于深入了解为什么突变点发生,确定导致异常行为的根本原因,如技术问题、产品缺陷或市场趋势变化,基于异常行为数据进行情绪波动识别,可以更准确地捕捉用户在异常情况下的情感状态,有助于了解用户的情感反馈,评估用户的不满或焦虑情绪,从而采取相应的措施来缓解情感困扰并改善用户体验。
本实施例中,应用时间序列分析方法,如傅立叶变换、自相关函数、周期性分解等,以识别行为数据中的周期性模式,包括每天、每周或其他时间段内的重复行为模式,根据周期性分析的结果,生成用户的动态行为周期数据,其中包括检测到的周期模式和它们的周期性属性,如周期的起始时间、结束时间和周期性行为的性质,使用变化点检测方法,如突变检测算法、异常检测技术等,分析整合后的数据以识别突变点。这些点表示在周期性模式发生变化或出现不连续行为的地方,标识并记录检测到的突变点,包括它们的时间戳和相关信息,对于每个检测到的突变点,分析周围时间窗口内的行为,以确定是否存在异常行为。通过比较当前行为与先前行为的差异来完成,记录检测到的异常行为,包括异常行为的类型、强度和与突变点相关的信息,这有助于理解为什么发生了不连续点,并提供有关异常行为的更多细节,使用情感分析技术,将异常行为数据映射到情感标签,以识别用户的情感状态,通过分析情感标签的变化趋势,识别用户的情感波动,这包括情感的快速变化、急剧升高或下降等情感波动模式。
本实施例中,参考图4,为步骤S3的详细实施步骤流程示意图,本实施例中,所述步骤S3的详细实施步骤包括:
步骤S31:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像建模,以生成初步用户画像;
步骤S32:通过用户行为模式数据对初步用户画像进行概率画像分布分析,以生成概率画像分布数据;
步骤S33:利用概率画像分布数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;
步骤S34:对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据。
本发明通过计算机视觉技术结合用户情绪波动数据,对用户画像进行建模,这包括了对用户情感状态的感知,有助于更全面地理解用户的行为和需求,用户画像的建模可以捕捉用户的情感变化,为个性化服务提供更深入的基础,通过分析初步用户画像的概率分布,可以了解不同用户属性或特征之间的相关性和概率分布情况,识别用户群体和用户之间的共同特征,为更精准的个性化推荐和服务提供依据,利用概率画像分布数据对用户动态行为数据进行拟合,可以构建更为动态和准确的用户画像,考虑用户的静态属性,还能够捕捉其随时间变化的行为和情感状态,通过对用户动态画像进行眼部轨迹分析,可以获取用户在界面上的关注点和浏览习惯,有助于了解用户的兴趣领域、偏好和注意力焦点,为优化用户界面和提供个性化内容提供指导。
本实施例中,使用计算机视觉技术,如面部表情分析或情感识别算法,将用户的情绪波动数据映射到情感标签,包括喜怒哀乐等情感类别。基于用户情感标签和动态行为数据,使用机器学习或深度学习模型构建用户的初步用户画像,初步用户画像是一个包括情感偏好、兴趣、行为特征等信息的数据结构,整合初步用户画像数据和用户行为模式数据,确保数据的一致性和可用性,使用统计分析或机器学习技术,分析用户行为模式数据以获得概率画像分布数据,包括用户特征的概率分布,如用户在特定情境下表现出不同情感的概率,整合概率画像分布数据和用户动态行为数据,确保数据的一致性和可用性,使用概率画像分布数据,根据用户的动态行为数据,拟合用户的动态画像,用户的动态画像是一个包括用户在不同情境下表现出的情感和行为特征的数据结构,生成用户的动态画像,它反映了用户在不同情境下的行为和情感特征,可以更好地理解用户在不同情境下的行为和情感变化。使用眼动追踪技术,收集用户在不同情境下的眼部轨迹数据,如用户注视点、扫视路径和注视时长等信息,分析眼部轨迹数据,以识别用户的注意点、兴趣区域和注意力分布,基于眼部轨迹分析的结果,生成用户的个性偏好数据,包括用户在不同情境下的注意力分布和兴趣点。
本实施例中,步骤S34包括以下步骤:
步骤S341:对用户动态画像进行眼部轨迹识别,生成眼部轨迹数据;
步骤S342:对眼部轨迹数据进行注视频率分析,生成注视频率数据;
步骤S343:对注视频率数据进行注视时长分析,生成注视时长数据;
步骤S344:基于注视时长数据对眼部轨迹数据进行眨眼频率分析,以生成眨眼频率数据;
步骤S345:基于眨眼频率数据对眼部轨迹数据进行眼球运动范围检测,生成眼球运动范围数据;
步骤S346:根据注视时长数据对眼球运动范围数据进行用户偏好分析,以生成用户个性偏好数据。
本发明通过分析用户的眼部轨迹,了解用户在界面上的视觉焦点,包括用户在不同区域停留的时间和顺序,理解用户的注意力分布和视觉兴趣,注视频率是指用户在特定区域停留的频率,通过分析注视频率数据,可以识别用户对特定元素或内容的兴趣程度,解哪些内容或功能吸引用户的视线,注视时长数据帮助系统了解用户在特定区域或内容上停留的时间,理解用户对不同元素的兴趣程度和深度,以及用户对内容的互动程度,眨眼频率分析可以提供关于用户的生理反应的信息,这反映用户的焦虑、兴奋或注意力水平,通过眨眼频率数据,可以更好地理解用户的情感状态和参与度,分析眼球运动范围数据可以揭示用户在界面上浏览和查看内容的方式,有助于理解用户的视觉导航和内容探索习惯,基于注视时长数据和眼球运动范围数据,可以推断用户对不同内容的兴趣和偏好,有助于生成用户的个性化偏好数据,为提供更符合用户需求的内容和建议提供依据。
本实施例中,使用眼动追踪设备,如眼动仪,收集用户在不同情境下的眼部轨迹数据,这包括用户的注视点、扫视路径和注视时长等信息,对采集到的眼部轨迹数据进行预处理,包括去除噪音、校正数据以确保准确性,根据眼动仪的输出,生成用户的眼部轨迹数据,其中包括用户注视点的坐标、时间戳以及扫视路径等信息,通过分析眼部轨迹数据,计算用户的注视频率,注视频率表示用户注视某个点的时间占总时间的比例,通过统计用户注视点在不同区域的分布来计算。将注视频率数据与不同区域或对象相关联,以便了解用户在不同情境下对特定元素的注意程度,通过时间戳来计算眼部轨迹数据中每次注视的时长,注视时长是用户在特定区域或对象上停留的时间,将注视时长数据与相应的区域或对象关联,以获取用户在不同情境下对不同元素的停留时间信息。使用注视时长数据,计算用户在特定情境下的眨眼频率,通过眨眼事件之间的时间间隔来估计,将眨眼频率数据与用户的情境、注视点或其他相关信息关联,以了解用户在不同情境下的眨眼习惯。利用眼部轨迹数据和眨眼频率数据,分析用户的眼球运动范围,通过计算用户注视点之间的距离和方向来实现。将眼球运动范围数据与用户的情境或注视点相关联,以了解用户在不同情境下的眼球运动范围,结合注视时长数据和眼球运动范围数据,分析用户的偏好,例如,长时间注视的区域和眼球运动范围可以反映用户对某些元素的兴趣,基于用户偏好分析的结果,生成用户的个性偏好数据,包括用户在不同情境下的注意力分布和兴趣点。
本实施例中,步骤S4包括以下步骤:
步骤S41:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;
步骤S42:对第一用户特征偏好数据进行聚类分析,以生成用户群体特征数据;
步骤S43:对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据。
本发明通过特征工程方法,从原始的用户个性偏好数据中提取关键特征,简化数据、减少维度和提取与用户行为相关的信息,通过特征提取,可以获得第一用户特征偏好数据,其中包含了对用户行为的关键方面的描述,如频率、持续时间、偏好强度等,通过对第一用户特征偏好数据进行聚类分析,将用户划分为不同的群体或类别,这些群体具有相似的特征偏好,有助于识别潜在的用户群体,每个群体有类似的兴趣和需求,生成用户群体特征数据,用户群体特征数据用于个性化推荐和定制化用户体验,对第一用户特征偏好数据进行关联规则筛选,有助于发现不同特征偏好之间的关联和规则,揭示用户之间的行为模式和倾向。
本实施例中,准备用户的个性偏好数据,将不同特征的数据标准化,以确保它们具有相似的尺度,选择与用户偏好相关的特征,可以使用统计方法、信息增益等技术来进行特征选择,根据领域知识创建新的特征,这些特征可以更好地捕捉用户的偏好信息,如果特征维度较高,可以使用降维技术(如主成分分析)来减少特征的数量,同时保留关键信息,将提取的特征组合成第一用户特征偏好数据集,每个样本代表一个用户,每个特征代表一个偏好特征,根据数据的性质选择适当的聚类算法,确定要生成的聚类数,可以使用肘部法则或其他方法来选择,运行聚类算法,将用户划分到不同的群体,每个生成的聚类代表一个用户群体,其特征可以由该群体的平均特征值或其他统计信息来表示,使用关联规则挖掘算法,例如Apriori算法,来识别在用户特征中经常同时出现的模式,以此发现不同特征之间的关联关系,根据设定的支持度和置信度阈值,筛选出满足条件的关联规则,这些规则可以帮助识别用户偏好中的潜在模式和规律,基于挖掘到的关联规则,生成第二用户特征偏好数据,这些数据可以帮助进一步理解不同特征之间的相关性,并在个性化推荐和定制化服务中发挥作用。
本实施例中,步骤S5包括以下步骤:
步骤S51:根据用户动态画像对第二用户特征偏好数据进行心理特征量化评估,以生成用户心理特征量化参数;
步骤S52:根据用户心理特征量化参数对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;
步骤S53:对用户动态心理数据进行用户行为动机分析,生成用户行为动机数据;
步骤S54:基于用户行为动机数据对用户动态心理数据进行行为趋势分析,生成行为趋势数据;
步骤S55:对行为趋势数据进行用户行为预测,以生成用户行为预测数据。
本发明通过用户动态画像,可以对第二用户特征偏好数据进行心理特征的量化评估,包括用户的情感、态度、喜好等心理特征的度量,生成用户心理特征量化参数可以更好地了解用户的情感和情感驱动因素,基于用户的心理特征量化参数进行动态心理学分析,理解用户在不同情境下的心理状态和反应,更好地捕捉用户的情感和情感变化,从而更好地满足其需求,对用户的动态心理数据进行分析,以识别用户的行为动机,理解用户为什么会采取某种行为,如购买产品、点击链接、访问网站等,可以用于更好地满足用户的期望和需求,基于用户的行为动机数据,对用户的动态心理数据进行行为趋势分析,有助于预测用户未来采取的行为,帮助企业更好地规划和优化产品、服务和市场策略,通过对行为趋势数据的分析,可以生成用户行为预测数据,这些预测数据可以用于个性化推荐、精准营销、内容定制等,从而更好地满足用户需求,提高用户满意度,增加用户忠诚度,以及改善用户体验。
本实施例中,建立用户的动态画像,包括用户的基本信息、历史行为、兴趣爱好、社交活动等,这些信息构成了用户的上下文背景。基于用户的动态画像数据,采用心理学和数据分析方法,将用户的心理特征进行量化评估,这包括用户的情感状态、心理偏好、个性特点等,第二用户特征偏好数据与用户的心理特征量化参数整合,以建立用户的综合特征数据,应用心理学分析方法,例如情感分析、人格分析等,来理解用户的心理状态和动态心理变化,包括用户对不同类型内容或产品的情感反应和态度。通过比较用户的动态心理数据和实际行为数据,分析用户的行为动机,即用户为什么会采取特定的行为,应用数据分析和机器学习技术,分析用户的行为趋势,包括哪些心理特征和动机与特定行为相关。使用数据挖掘、机器学习或深度学习算法,基于行为趋势数据预测用户未来的行为,包括推荐系统、预测购买、点击率预测等。
本实施例中,步骤S6包括以下步骤:
步骤S61:对用户行为预测数据进行数据可视化,生成用户行为预测可视化视图;
步骤S62:对用户行为可视化视图进行交互可视化处理,生成用户行为预测交互可视化视图;
步骤S63:利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,生成用户行为卷积网络;
步骤S64:对用户行为卷积网络进行池化多层采样,生成用户行为卷积图;
步骤S65:对用户行为卷积图进行数据挖掘建模,构建用户行为分析模型,以执行用户数据分析作业。
本发明通过数据可视化,将用户行为预测数据被转化为可视化图形,以图形方式呈现用户行为预测数据的趋势、模式和关联,使企业更容易地理解数据,从中提取见解,以便更好地理解用户行为和趋势,使用循环卷积网络对交互可视化数据进行膨胀卷积,从可视化数据中提取更高级、抽象的特征和模式,卷积网络是一种深度学习的技术,可以自动学习数据中的模式和关联,进一步改善数据分析的质量,对用户行为卷积网络进行池化多层采样,以减少数据的维度,同时保留重要的特征,有助于降低数据复杂性,减小计算成本,并提高数据分析的效率,对用户行为卷积图进行数据挖掘建模,根据卷积图中的信息构建用户行为分析模型,模型可以用于预测用户的行为、发现潜在的模式和趋势,以及为业务决策提供见解,可以更深入地理解用户的需求和行为,有助于改进产品、服务和营销策略,将用户行为数据转化为更具信息和见解的形式,以更好地了解用户的需求、趋势和行为。帮助企业优化产品和服务,制定个性化战略,改进用户体验,提高满意度,并为未来的决策提供有力的数据支持。
本实施例中,选择适当的数据可视化工具,如Matplotlib、Seaborn、或高级工具如Tableau或PowerBI,根据需求选择合适的图表类型,使用选择的工具,将用户行为预测数据转化为直观的可视化图表,例如折线图、柱状图、散点图等,以便用户能够直观理解数据趋势和模式,在已生成的可视化视图基础上,增加交互性元素,例如滑块、过滤器、下拉菜单等,以增强用户体验和提供更多信息交互选择,确保用户可以通过与可视化进行互动来深入了解数据,通过选择不同参数或区域来观察不同的行为预测结果,用循环卷积网络(Recurrent Convolutional Networks, RCN)来处理用户行为预测的交互可视化视图,对交互可视化视图进行膨胀卷积,以提取更多高级特征,膨胀卷积是一种卷积神经网络(CNN)中的操作,通过增加卷积核的感受野,使网络能够更好地捕捉不同尺度的特征,对膨胀卷积后的特征图进行池化操作,例如最大池化或平均池化,以降低数据维度,提取最显著的特征,应用多层次的采样,使得卷积图能够更好地捕捉数据的层级结构和复杂关系,利用卷积图,提取关键的用户行为特征,包括模式、趋势等,应用数据挖掘技术,例如聚类、分类、回归等算法,根据用户行为特征构建行为分析模型,利用构建的模型执行用户数据分析作业,例如预测用户未来行为、识别异常行为、推荐个性化内容等。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
上述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于AI技术的数据分析方法,其特征在于,包括以下步骤:
步骤S1:获取用户数据;利用人工智能技术对用户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模式分析,生成用户行为模式数据;
步骤S2:根据用户行为模式数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据;
步骤S3:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据;
步骤S4:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据;
步骤S5:对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;根据用户动态心理数据对第二用户特征偏好数据进行用户行为预测,以生成用户行为预测数据;
步骤S5的具体步骤为:
步骤S51:根据用户动态画像对第二用户特征偏好数据进行心理特征量化评估,以生成用户心理特征量化参数;
步骤S52:根据用户心理特征量化参数对第二用户特征偏好数据进行动态心理学分析,以生成用户动态心理数据;
步骤S53:对用户动态心理数据进行用户行为动机分析,生成用户行为动机数据;
步骤S54:基于用户行为动机数据对用户动态心理数据进行行为趋势分析,生成行为趋势数据;
步骤S55:对行为趋势数据进行用户行为预测,以生成用户行为预测数据;
步骤S6:对用户行为预测数据进行数据交互可视化处理,生成用户行为预测交互可视化视图;利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,构建用户行为分析模型,以执行用户数据分析作业。
2.根据权利要求1所述的基于AI技术的数据分析方法,其特征在于,步骤S1的具体步骤为:
步骤S11:获取用户数据;
步骤S12:利用人工智能技术对用户数据进行访问频率分析,以生成访问频率数据;
步骤S13:根据访问频率数据对用户数据进行操作路径分析,生成用户操作路径数据;
步骤S14:基于用户操作路径数据对访问频率数据进行使用时长检测,以生成用户使用时长参数;
步骤S15:对访问频率数据、用户操作路径数据及用户使用时长参数进行动态行为分析,以生成用户动态行为数据;
步骤S16:对用户动态行为数据进行行为模式分析,生成用户行为模式数据。
3.根据权利要求2所述的基于AI技术的数据分析方法,其特征在于,步骤S16的具体步骤为:
步骤S161:对用户动态行为数据进行浏览模式分析,生成浏览模式数据;
步骤S162:通过浏览模式数据进行用户关键字搜索频率检测,获取关键字搜索频率数据;
步骤S163:根据关键字搜索频率数据对浏览模式数据进行行为模式分析,生成用户行为模式数据。
4.根据权利要求1所述的基于AI技术的数据分析方法,其特征在于,步骤S2的具体步骤为:
步骤S21:根据用户行为模式数据对用户动态行为数据进行行为顺序分析,以生成用户行为序列;
步骤S22:对用户行为序列进行断点检测,生成用户序列不连续节点;
步骤S23:对用户序列不连续节点进行节点决策关联性分析,以生成节点决策关联性数据;
步骤S24:根据节点决策关联性数据对用户动态行为数据进行时序分析,以生成用户行为时序数据;
步骤S25:基于用户行为时序数据对用户动态行为数据进行情绪波动识别,以获取用户情绪波动数据。
5.根据权利要求4所述的基于AI技术的数据分析方法,其特征在于,步骤S25的具体步骤为:
步骤S251:基于用户行为时序数据对用户动态行为数据进行周期性分析,生成用户动态行为周期数据;
步骤S252:根据用户动态行为周期数据对用户序列不连续节点进行突变点识别,生成用户序列突变点;
步骤S253:对用户序列突变点进行异常行为分析,生成异常行为数据;
步骤S254:根据异常行为数据对用户序列突变点进行情绪波动识别,以获取用户情绪波动数据。
6.根据权利要求1所述的基于AI技术的数据分析方法,其特征在于,步骤S3的具体步骤为:
步骤S31:利用计算机视觉技术根据用户情绪波动数据对用户动态行为数据进行用户画像建模,以生成初步用户画像;
步骤S32:通过用户行为模式数据对初步用户画像进行概率画像分布分析,以生成概率画像分布数据;
步骤S33:利用概率画像分布数据对用户动态行为数据进行用户画像拟合,构建用户动态画像;
步骤S34:对用户动态画像进行眼部轨迹分析,以生成用户个性偏好数据。
7.根据权利要求6所述的基于AI技术的数据分析方法,其特征在于,步骤S34的具体步骤为:
步骤S341:对用户动态画像进行眼部轨迹识别,生成眼部轨迹数据;
步骤S342:对眼部轨迹数据进行注视频率分析,生成注视频率数据;
步骤S343:对注视频率数据进行注视时长分析,生成注视时长数据;
步骤S344:基于注视时长数据对眼部轨迹数据进行眨眼频率分析,以生成眨眼频率数据;
步骤S345:基于眨眼频率数据对眼部轨迹数据进行眼球运动范围检测,生成眼球运动范围数据;
步骤S346:根据注视时长数据对眼球运动范围数据进行用户偏好分析,以生成用户个性偏好数据。
8.根据权利要求1所述的基于AI技术的数据分析方法,其特征在于,步骤S4的具体步骤为:
步骤S41:利用特征工程法对用户个性偏好数据进行特征提取,生成第一用户特征偏好数据;
步骤S42:对第一用户特征偏好数据进行聚类分析,以生成用户群体特征数据;
步骤S43:对第一用户特征偏好数据进行关联规则筛选,以生成第二用户特征偏好数据。
9.根据权利要求1所述的基于AI技术的数据分析方法,其特征在于,步骤S6的具体步骤为:
步骤S61:对用户行为预测数据进行数据可视化,生成用户行为预测可视化视图;
步骤S62:对用户行为可视化视图进行交互可视化处理,生成用户行为预测交互可视化视图;
步骤S63:利用循环卷积网络对用户行为预测交互可视化视图进行膨胀卷积,生成用户行为卷积网络;
步骤S64:对用户行为卷积网络进行池化多层采样,生成用户行为卷积图;
步骤S65:对用户行为卷积图进行数据挖掘建模,构建用户行为分析模型,以执行用户数据分析作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476401.XA CN117216419B (zh) | 2023-11-08 | 2023-11-08 | 基于ai技术的数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476401.XA CN117216419B (zh) | 2023-11-08 | 2023-11-08 | 基于ai技术的数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117216419A CN117216419A (zh) | 2023-12-12 |
CN117216419B true CN117216419B (zh) | 2024-02-09 |
Family
ID=89037483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311476401.XA Active CN117216419B (zh) | 2023-11-08 | 2023-11-08 | 基于ai技术的数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117216419B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理系统、方法及终端 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103702401A (zh) * | 2013-12-17 | 2014-04-02 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 基于用户行为分析的移动网络节能方法 |
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN109446423A (zh) * | 2018-10-26 | 2019-03-08 | 北京捷报数据技术有限公司 | 一种新闻以及文本的情感判断系统及方法 |
CN110174942A (zh) * | 2019-04-30 | 2019-08-27 | 北京航空航天大学 | 眼动合成方法及装置 |
CN111242679A (zh) * | 2020-01-08 | 2020-06-05 | 北京工业大学 | 一种基于产品评论观点挖掘的销量预测方法 |
CN111639814A (zh) * | 2020-06-02 | 2020-09-08 | 贝壳技术有限公司 | 预测变动行为发生概率的方法、装置、介质和电子设备 |
WO2021075658A1 (en) * | 2019-10-17 | 2021-04-22 | Samsung Electronics Co., Ltd. | System and method for prediction and recommendation using collaborative filtering |
CN113158023A (zh) * | 2021-02-05 | 2021-07-23 | 杭州码全信息科技有限公司 | 基于混合推荐算法的公共数字生活精准分类服务方法 |
CN113672818A (zh) * | 2020-05-13 | 2021-11-19 | 中南大学 | 一种获取社交媒体用户画像的方法及系统 |
CN114882522A (zh) * | 2022-04-01 | 2022-08-09 | 浙江西图盟数字科技有限公司 | 基于多模态融合的行为属性识别方法、装置及存储介质 |
CN116485424A (zh) * | 2023-06-19 | 2023-07-25 | 江西倬慧信息科技有限公司 | 一种智能营销方法、系统、设备终端及可读存储介质 |
CN116842478A (zh) * | 2023-07-18 | 2023-10-03 | 北京航空航天大学 | 一种基于推特内容的用户属性预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11284824B2 (en) * | 2019-12-02 | 2022-03-29 | Everseen Limited | Method and system for determining a human social behavior classification |
-
2023
- 2023-11-08 CN CN202311476401.XA patent/CN117216419B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103702401A (zh) * | 2013-12-17 | 2014-04-02 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 基于用户行为分析的移动网络节能方法 |
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN109446423A (zh) * | 2018-10-26 | 2019-03-08 | 北京捷报数据技术有限公司 | 一种新闻以及文本的情感判断系统及方法 |
CN110174942A (zh) * | 2019-04-30 | 2019-08-27 | 北京航空航天大学 | 眼动合成方法及装置 |
WO2021075658A1 (en) * | 2019-10-17 | 2021-04-22 | Samsung Electronics Co., Ltd. | System and method for prediction and recommendation using collaborative filtering |
CN111242679A (zh) * | 2020-01-08 | 2020-06-05 | 北京工业大学 | 一种基于产品评论观点挖掘的销量预测方法 |
CN113672818A (zh) * | 2020-05-13 | 2021-11-19 | 中南大学 | 一种获取社交媒体用户画像的方法及系统 |
CN111639814A (zh) * | 2020-06-02 | 2020-09-08 | 贝壳技术有限公司 | 预测变动行为发生概率的方法、装置、介质和电子设备 |
CN113158023A (zh) * | 2021-02-05 | 2021-07-23 | 杭州码全信息科技有限公司 | 基于混合推荐算法的公共数字生活精准分类服务方法 |
CN114882522A (zh) * | 2022-04-01 | 2022-08-09 | 浙江西图盟数字科技有限公司 | 基于多模态融合的行为属性识别方法、装置及存储介质 |
CN116485424A (zh) * | 2023-06-19 | 2023-07-25 | 江西倬慧信息科技有限公司 | 一种智能营销方法、系统、设备终端及可读存储介质 |
CN116842478A (zh) * | 2023-07-18 | 2023-10-03 | 北京航空航天大学 | 一种基于推特内容的用户属性预测方法 |
Non-Patent Citations (1)
Title |
---|
基于网络浏览行为的小众领域用户画像建模;张涛;翁康年;邓悦;杨满;张玥杰;;系统工程理论与实践(第03期);第99-110也 * |
Also Published As
Publication number | Publication date |
---|---|
CN117216419A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hohman et al. | Understanding and visualizing data iteration in machine learning | |
Lacave et al. | Learning Analytics to identify dropout factors of Computer Science studies through Bayesian networks | |
Fox et al. | Evaluating implicit measures to improve web search | |
Pachidi et al. | Understanding users’ behavior with software operation data mining | |
CN117216419B (zh) | 基于ai技术的数据分析方法 | |
WO2020210766A1 (en) | Systems and methods for improved modelling of partitioned datasets | |
Ares et al. | A soft computing framework for classifying time series based on fuzzy sets of events | |
Wu et al. | Toward predicting active participants in tweet streams: A case study on two civil rights events | |
Varde | Computational estimation by scientific data mining with classical methods to automate learning strategies of scientists | |
CN117012389A (zh) | 一种心理健康状态评估系统及评估方法 | |
Yahyaoui et al. | Modeling and classification of service behaviors | |
Yamasari et al. | Identifying Dominant Characteristics of Students’ Cognitive Domain on Clustering-based Classification. | |
Burk et al. | Pattern discovery using semantic network analysis | |
KR101918359B1 (ko) | 인공지능 기반의 데이터 처리 시스템 | |
Robles et al. | Collaborative filtering using interval estimation naive Bayes | |
Wang | On using Data Mining for browsing log analysis in learning environments | |
Durães | Student attention evaluation system using machine learning for decision making | |
CN116485352B (zh) | 会员管理和数据分析的方法、装置、设备及存储介质 | |
Huttunen | Marketing in social media: using data and artificial intelligence for segmentation | |
Mrvar | Leveraging Open-Source Data for Software Cost Estimation: A Predictive Modeling Approach | |
Alam et al. | Knowledge-Driven Approach for Quality Assessment of HAR Data Sets: An Automated Tool | |
Mairittha | Exploring and Improving Crowdsourced Data Labeling for Mobile Activity Recognition | |
Olanipekun et al. | Sentiments Analysis of COVID-19 Subvariant XBB. 1.5 using machine learning | |
Grzeszczyk et al. | Qualitative Evaluation Methods | |
Zuhori | A Novel Real-Time Browsing Assistance System Based on Web User Behaviors |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |