CN117407571B - 一种基于相关性分析的信息技术咨询服务方法及系统 - Google Patents
一种基于相关性分析的信息技术咨询服务方法及系统 Download PDFInfo
- Publication number
- CN117407571B CN117407571B CN202311713877.0A CN202311713877A CN117407571B CN 117407571 B CN117407571 B CN 117407571B CN 202311713877 A CN202311713877 A CN 202311713877A CN 117407571 B CN117407571 B CN 117407571B
- Authority
- CN
- China
- Prior art keywords
- user
- module
- behavior
- analysis
- algorithm
- 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 69
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 223
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims abstract description 19
- 230000002787 reinforcement Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 107
- 238000005457 optimization Methods 0.000 claims description 69
- 230000001149 cognitive effect Effects 0.000 claims description 53
- 230000008451 emotion Effects 0.000 claims description 44
- 238000002372 labelling Methods 0.000 claims description 39
- 238000012300 Sequence Analysis Methods 0.000 claims description 22
- 230000019771 cognition Effects 0.000 claims description 21
- 238000000547 structure data Methods 0.000 claims description 21
- 238000005065 mining Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000003058 natural language processing Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000000691 measurement method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012482 interaction analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 230000008676 import Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011263 association rule mining technique Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
本发明涉及信息检索咨询技术领域,具体为一种基于相关性分析的信息技术咨询服务方法及系统,包括以下步骤:基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像。本发明中,使用相关性分析的技术为用户提供信息技术咨询服务,通过深度学习、模糊逻辑和强化学习的先进算法,充分提取、学习和理解用户的特征、行为模式和查询意图,结合自适应的图注意力网络和双向长短期记忆网络,更准确地提供个性化的推荐内容,这种方法提升推荐的准确率和满足度,并优化用户体验,从而增强信息技术咨询服务的效果,进而提高用户的满意度和粘性。
Description
技术领域
本发明涉及信息检索咨询技术领域,尤其涉及一种基于相关性分析的信息技术咨询服务方法及系统。
背景技术
信息检索咨询是一个涵盖信息科学、计算机科学和信息技术的跨学科领域,旨在帮助用户从大规模的信息资源中获取与其需求相关的信息。这个领域包括信息检索、文本挖掘、自然语言处理等技术,用于有效地搜索、过滤、分析和呈现信息。
其中,基于相关性分析的信息技术咨询服务方法是信息检索咨询领域中的一种技术方法。其主要目的是通过分析用户的查询需求和信息资源,以确定和呈现与用户查询相关的信息,以满足特定的信息需求。方法通过相关性分析确保检索结果更加贴合用户需求,以减少信息过载和提高检索效率。为了达成这个目标,通常会应用自然语言处理、文本挖掘、机器学习等技术手段,以理解用户查询、分析文本并确定相关性,最终为用户提供符合需求的信息。
传统的信息技术咨询服务方法中,大多仍然使用基于规则的方法进行用户行为分析和内容推荐,这在一定程度上缺乏对用户复杂行为和个性化需求的深度理解。普遍存在推荐内容与实际用户需求不匹配的问题。此外,因为缺乏对动态变化用户特征的跟踪和理解,难以做出精准的行为预测,导致推荐结果的准确性和及时性有所下降。更重要的是,传统方法在处理大数据下的用户行为分析和内容推荐时,往往面临效率低下和运算资源大的问题,导致用户体验的下降。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种基于相关性分析的信息技术咨询服务方法及系统。
为了实现上述目的,本发明采用了如下技术方案:一种基于相关性分析的信息技术咨询服务方法,包括以下步骤:
S1:基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像;
S2:基于所述动态用户画像,采用图注意力网络方法,进行图结构数据的特征学习,并应用模糊逻辑系统,捕捉用户意图,生成意图匹配认知图谱;
S3:基于所述意图匹配认知图谱,采用自回归集成学习算法,对用户的历史搜索行为进行分析,并利用动态时间规整进行序列相似度匹配,生成预测性搜索主题及信息标签化;
S4:基于所述预测性搜索主题及信息标签化结果,采用多元时间序列分析技术结合情感分析算法,提炼用户行为中的情感倾向,并预测行为趋势,生成行为预测模型;
S5:基于所述行为预测模型,利用深度强化学习策略,针对用户兴趣和习惯,进行个性化内容创造和信息推送,生成个性化内容推荐结果;
S6:基于所述动态用户画像、意图匹配认知图谱、预测性搜索主题及信息标签化、行为预测模型、个性化内容推荐结果,采用在线学习和多臂老虎机算法对推荐系统进行持续优化,保持内容与用户需求的最大相关性,获得优化后的信息检索体验;
所述动态用户画像具体为包括用户兴趣点、行为模式、设备偏好的多维特征动态集合,所述意图匹配认知图谱包括用户查询意图与图谱中实体和关系的对应信息,所述预测性搜索主题及信息标签化具体指基于用户行为预测出的潜在搜索主题和对实时数据进行分类标签的集合,所述行为预测模型用于预测用户未来时间段内进行的搜索行为和兴趣变迁。
作为本发明的进一步方案,基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像的步骤具体为:
S101:基于用户的行为数据,采用双向长短期记忆网络算法,进行时间序列分析,并利用时间窗口技术,生成时间序列行为特征集;
S102:基于所述时间序列行为特征集,采用特征自动编码器方法,进行特征抽象,并应用非线性激活函数,生成深度特征表示;
S103:基于所述深度特征表示,采用主成分分析算法,进行特征降维,并执行标准化处理,生成优化后的特征表示;
S104:基于所述优化后的特征表示,采用K-均值聚类算法,进行用户群体划分,并进行迭代优化,生成动态用户画像;
所述时间窗口技术具体为设置时间范围区间,用以捕获所述时间范围区间内的用户行为模式,所述特征自动编码器方法包括编码器部分与解码器部分,通过隐藏层连接进行特征的自动学习,所述主成分分析算法具体指通过线性变换将多维特征转换成部分不相关的特征,即主成分,所述K-均值聚类算法具体为按照特征相似度,将用户分为K个群体,通过迭代优化中心点来提高聚类准确性。
作为本发明的进一步方案,基于所述动态用户画像,采用图注意力网络方法,进行图结构数据的特征学习,并应用模糊逻辑系统,捕捉用户意图,生成意图匹配认知图谱的步骤具体为:
S201:基于所述动态用户画像,采用图注意力网络方法,进行图结构数据编码,并执行注意力机制学习,生成图结构化用户特征;
S202:基于所述图结构化用户特征,采用模糊逻辑系统,进行意图模糊建模,并应用隶属度函数,生成意图模糊逻辑模型;
S203:基于所述意图模糊逻辑模型,采用相似度度量方法,进行意图识别,并通过意图-知识实体匹配算法,生成初步的认知图谱匹配集;
S204:基于所述初步的认知图谱匹配集,采用图谱优化算法,进行匹配结果的精细调整,并执行认知图谱的迭代更新,生成意图匹配认知图谱;
所述图注意力网络方法具体包括节点特征的加权和聚合,通过注意力系数的学习来突显关键节点信息, 所述模糊逻辑系统具体为使用模糊集合和模糊规则,处理模糊的用户行为数据,所述相似度度量方法具体指采用余弦相似度或Jaccard相似度指标,评估用户意图与知识图谱实体之间的匹配程度。
作为本发明的进一步方案,基于所述意图匹配认知图谱,采用自回归集成学习算法,对用户的历史搜索行为进行分析,并利用动态时间规整进行序列相似度匹配,生成预测性搜索主题及信息标签化的步骤具体为:
S301:基于所述认知图谱的意图匹配,采用集成自回归模型,对用户历史搜索行为进行深度分析,并对分析结果进行优化处理,生成历史搜索行为分析报告;
S302:基于所述历史搜索行为分析报告,采用动态时间弯曲算法,对用户行为序列进行相似度分析,并识别出同类模式的行为序列,生成时间序列相似度报告;
S303:基于所述时间序列相似度报告,采用关联规则挖掘技术,分析用户的搜索主题和行为模式,并提取关键主题,生成用户搜索主题倾向分析;
S304:基于所述用户搜索主题倾向分析,运用信息标签化技术,对预测性搜索主题进行细化和标注,生成预测性搜索主题及信息标签化报告;
所述集成自回归模型具体为结合多个自回归模型的预测结果,降低单一模型的不确定性并提升预测的准确性,所述历史搜索行为分析报告包括用户的搜索频率、搜索偏好和搜索内容的时间变化,所述动态时间弯曲算法具体指用于测量两个时间序列间相似度的方法,通过非线性地对齐时间序列数据点以计算两个序列之间的相似性,所述关联规则挖掘技术具体为挖掘出用户行为数据中频繁出现的项集和项集间的强关联规则。
作为本发明的进一步方案,基于所述预测性搜索主题及信息标签化结果,采用多元时间序列分析技术结合情感分析算法,提炼用户行为中的情感倾向,并预测行为趋势,生成行为预测模型的步骤具体为:
S401:基于所述预测性搜索主题及信息标签化结果,采用多元时间序列分析技术,提取用户行为数据中的时间特性,生成时间特性分析结果;
S402:基于所述时间特性分析结果,采用情感分析算法,分析用户行为数据中蕴含的情感倾向,生成情感倾向分析结果;
S403:基于所述情感倾向分析结果,利用趋势预测算法,对用户的未来行为趋势进行预测,生成用户行为趋势预测结果;
S404:基于所述用户行为趋势预测结果,整合时间特性分析结果、情感倾向分析结果、用户行为趋势预测结果,生成行为预测模型。
作为本发明的进一步方案,基于所述行为预测模型,利用深度强化学习策略,针对用户兴趣和习惯,进行个性化内容创造和信息推送,生成个性化内容推荐结果的步骤具体为:
S501:基于所述行为预测模型,采用深度Q网络算法,进行状态-动作奖励预测,并进行模型训练,生成用户行为预测模型;
S502:基于所述用户行为预测模型,采用长短时记忆网络算法,进行序列数据模式捕捉,并进行个性化内容匹配,生成初步个性化内容池;
S503:基于所述初步个性化内容池,采用协同过滤算法,进行用户交互分析,并进行推荐列表细化,生成优化后个性化内容推荐;
S504:基于所述优化后个性化内容推荐,采用A/B测试,进行推荐效果对比,并进行参数调优,生成个性化内容推荐结果;
所述深度Q网络具体为利用深度神经网络来逼近最优的Q值函数,所述协同过滤算法通过用户和项目之间的交互历史挖掘用户的隐性兴趣。
作为本发明的进一步方案,基于所述动态用户画像、意图匹配认知图谱、预测性搜索主题及信息标签化、行为预测模型、个性化内容推荐,采用在线学习和多臂老虎机算法对推荐系统进行持续优化,保持内容与用户需求的最大相关性,获得优化后的信息检索体验的步骤具体为:
S601:基于动态用户画像,采用在线学习算法,进行实时喜好更新,并进行用户模型维护,生成更新后的用户画像;
S602:基于所述意图匹配认知图谱和更新后的用户画像,采用图嵌入算法,进行意图与内容的匹配学习,并进行嵌入空间优化,生成意图匹配优化模型;
S603:基于所述预测性搜索主题及信息标签化,采用自然语言处理算法,进行语义分析和理解,并进行标签准确度提升,生成优化后的信息标签集;
S604:基于行为预测模型、意图匹配优化模型和优化后的信息标签集,采用多臂老虎机算法,进行策略试验与优化,并进行性能增强,获得优化后的信息检索体验;
所述图嵌入算法具体指将图中的节点转换到低维空间中的向量,所述自然语言处理算法具体指利用计算机技术对自然语言进行理解和处理的技术。
一种基于相关性分析的信息技术咨询服务系统,所述基于相关性分析的信息技术咨询服务系统用于执行上述基于相关性分析的信息技术咨询服务方法,所述系统包括用户行为特征提取模块、用户画像构建模块、意图识别与认知图谱匹配模块、用户行为趋势挖掘模块、内容推荐模块、行为预测模块、信息检索体验优化模块。
作为本发明的进一步方案,所述用户行为特征提取模块基于用户的行为数据,采用双向长短期记忆网络算法,进行时间序列分析,并应用时间窗口技术及主成分分析,进行特征降维和标准化处理,生成优化后的时间序列行为特征集;
所述用户画像构建模块基于优化后的时间序列行为特征集,运用图注意力网络方法,进行图结构数据编码,并结合模糊逻辑构建意图模糊逻辑模型,生成动态用户画像;
所述意图识别与认知图谱匹配模块基于动态用户画像,使用相似度度量方法和图谱优化算法进行意图识别和认知图谱的迭代更新,生成意图匹配认知图谱匹配集;
所述用户行为趋势挖掘模块基于意图匹配认知图谱匹配集,利用集成自回归模型进行深度分析,再用动态时间弯曲算法分析时间序列相似度,生成预测性搜索主题及信息标签化报告;
所述内容推荐模块基于预测性搜索主题及信息标签化报告,运用多元时间序列分析技术和情感分析算法评估用户情感倾向,生成用户行为趋势预测结果;
所述行为预测模块基于用户行为趋势预测结果,应用深度Q网络算法进行行为预测模型训练,生成个性化内容推荐结果;
所述信息检索体验优化模块基于个性化内容推荐结果,使用自然语言处理算法进行语义分析,并通过图嵌入算法优化意图与内容匹配,获得优化后的信息检索体验。
作为本发明的进一步方案,所述用户行为特征提取模块包括时间序列分析子模块、特征抽象子模块、特征优化子模块、用户群体划分子模块;
所述用户画像构建模块包括图结构数据编码子模块、模糊建模子模块、意图模糊逻辑计算子模块、用户画像优化子模块;
所述意图识别与认知图谱匹配模块包括意图识别子模块、知识实体匹配子模块、结果调整子模块、认知图谱更新子模块;
所述用户行为趋势挖掘模块包括历史搜索行为分析子模块、时间序列相似度分析子模块、用户搜索主题倾向分析子模块、预测性搜索主题及信息标签化子模块;
所述内容推荐模块包括时间特性提取子模块、情感倾向分析子模块、趋势预测子模块;
所述行为预测模块包括状态-动作奖励预测子模块、行为预测模型训练子模块、个性化推荐生成子模块、推荐结果优化子模块;
所述信息检索体验优化模块包括语义分析与理解子模块、意图与内容匹配子模块、嵌入空间优化子模块、策略优化子模块。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,使用基于相关性分析的信息技术咨询服务方法,引入深度学习、模糊逻辑和强化学习等先进算法,充分提取、学习和理解了用户的多维特征、行为模式以及查询意图。采用自适应的图注意力网络和双向长短期记忆网络,能够更准确地为用户提供个性化的推荐内容。在预测行为趋势、个性化内容的推荐和用户体验优化等环节,能够有效地提升推荐的准确率和满足度,增强信息技术咨询服务的整体效果,提升了用户满意度和用户粘性。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的系统流程图;
图9为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例1:请参阅图1,本发明提供一种技术方案:一种基于相关性分析的信息技术咨询服务方法,包括以下步骤:
S1:基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像;
S2:基于动态用户画像,采用图注意力网络方法,进行图结构数据的特征学习,并应用模糊逻辑系统,捕捉用户意图,生成意图匹配认知图谱;
S3:基于意图匹配认知图谱,采用自回归集成学习算法,对用户的历史搜索行为进行分析,并利用动态时间规整进行序列相似度匹配,生成预测性搜索主题及信息标签化;
S4:基于预测性搜索主题及信息标签化结果,采用多元时间序列分析技术结合情感分析算法,提炼用户行为中的情感倾向,并预测行为趋势,生成行为预测模型;
S5:基于行为预测模型,利用深度强化学习策略,针对用户兴趣和习惯,进行个性化内容创造和信息推送,生成个性化内容推荐结果;
S6:基于动态用户画像、意图匹配认知图谱、预测性搜索主题及信息标签化、行为预测模型、个性化内容推荐结果,采用在线学习和多臂老虎机算法对推荐系统进行持续优化,保持内容与用户需求的最大相关性,获得优化后的信息检索体验;
动态用户画像具体为包括用户兴趣点、行为模式、设备偏好的多维特征动态集合,意图匹配认知图谱包括用户查询意图与图谱中实体和关系的对应信息,预测性搜索主题及信息标签化具体指基于用户行为预测出的潜在搜索主题和对实时数据进行分类标签的集合,行为预测模型用于预测用户未来时间段内进行的搜索行为和兴趣变迁。
通过精确的个性化推荐,提高推荐准确率,使用户获得更符合其需求和兴趣的信息内容。通过捕捉和理解用户意图,优化用户体验,满足用户的需求,并提供更好的用户使用体验。通过预测用户行为趋势和提升内容推送质量,系统可以精准预测用户兴趣变迁,并提供个性化内容创造和信息推送,进一步提升了内容推送的质量和相关性。通过持续优化推荐系统,系统不断学习用户喜好和偏好,保持内容与用户需求的最大相关性,为用户提供更好的信息检索体验。
请参阅图2,基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像的步骤具体为:
S101:基于用户的行为数据,采用双向长短期记忆网络算法,进行时间序列分析,并利用时间窗口技术,生成时间序列行为特征集;
S102:基于时间序列行为特征集,采用特征自动编码器方法,进行特征抽象,并应用非线性激活函数,生成深度特征表示;
S103:基于深度特征表示,采用主成分分析算法,进行特征降维,并执行标准化处理,生成优化后的特征表示;
S104:基于优化后的特征表示,采用K-均值聚类算法,进行用户群体划分,并进行迭代优化,生成动态用户画像;
时间窗口技术具体为设置时间范围区间,用以捕获时间范围区间内的用户行为模式,特征自动编码器方法包括编码器部分与解码器部分,通过隐藏层连接进行特征的自动学习,主成分分析算法具体指通过线性变换将多维特征转换成部分不相关的特征,即主成分,K-均值聚类算法具体为按照特征相似度,将用户分为K个群体,通过迭代优化中心点来提高聚类准确性。
S101中,首先收集用户的行为数据。使用双向长短期记忆网络(BiLSTM)算法对时间序列数据进行分析。BiLSTM算法能够捕捉到用户行为的时序特征。为了更好地捕捉到用户行为模式,采用时间窗口技术,将时间序列数据划分为多个时间窗口,并在每个时间窗口内提取用户行为的特征。通过这一步骤,生成时间序列行为特征集。
S102中,使用特征自动编码器方法对时间序列行为特征集进行特征抽象。特征自动编码器由编码器部分和解码器部分组成。通过隐藏层的连接,编码器部分能够自动学习输入特征的抽象表示。应用非线性激活函数来增加模型的非线性能力。通过这一步骤,生成深度特征表示,用于后续的分析和处理。
S103中,使用主成分分析(PCA)算法对深度特征表示进行降维处理。PCA通过线性变换将高维特征转换为一组不相关的主成分,降低数据的维度。为了保证多个特征对聚类结果的影响相同,需要执行标准化处理,使不同特征具有相同的尺度。通过这一步骤,得到优化后的特征表示。
S104中,K-均值聚类算法对优化后的特征表示进行聚类,将用户划分为K个群体。K-均值聚类算法根据样本之间的特征相似度,将相似的样本划分到同一个簇中。为了提高聚类准确性,进行迭代优化,即通过迭代更新簇的中心点来不断优化聚类结果。通过这一步骤,生成动态用户画像,用于个性化推荐和精细化营销等应用。
请参阅图3,基于动态用户画像,采用图注意力网络方法,进行图结构数据的特征学习,并应用模糊逻辑系统,捕捉用户意图,生成意图匹配认知图谱的步骤具体为:
S201:基于动态用户画像,采用图注意力网络方法,进行图结构数据编码,并执行注意力机制学习,生成图结构化用户特征;
S202:基于图结构化用户特征,采用模糊逻辑系统,进行意图模糊建模,并应用隶属度函数,生成意图模糊逻辑模型;
S203:基于意图模糊逻辑模型,采用相似度度量方法,进行意图识别,并通过意图-知识实体匹配算法,生成初步的认知图谱匹配集;
S204:基于初步的认知图谱匹配集,采用图谱优化算法,进行匹配结果的精细调整,并执行认知图谱的迭代更新,生成意图匹配认知图谱;
图注意力网络方法具体包括节点特征的加权和聚合,通过注意力系数的学习来突显关键节点信息, 模糊逻辑系统具体为使用模糊集合和模糊规则,处理模糊的用户行为数据,相似度度量方法具体指采用余弦相似度或Jaccard相似度指标,评估用户意图与知识图谱实体之间的匹配程度。
S201中,根据动态用户画像的多维特征,将其转化为图结构数据。这些特征包括用户的兴趣点、行为模式和设备偏好的方面。采用图注意力网络方法对图结构数据进行编码。通过特征的加权和聚合,学习节点之间的注意力系数,突显关键节点的信息。在图结构数据中提取出具有重要意义的用户特征。
S202中,基于图结构化用户特征,采用模糊逻辑系统进行意图的模糊建模。模糊集合和模糊规则被用来处理用户行为数据的模糊性。应用隶属度函数来量化用户行为和意图之间的关系。建立意图的模糊逻辑模型,为后续的意图识别提供基础。
S203中,根据意图模糊逻辑模型,采用相似度度量方法(如余弦相似度或Jaccard相似度)进行意图识别。通过评估用户的意图与知识图谱实体之间的匹配程度,可以确定用户意图的具体类型。利用意图-知识实体匹配算法,可以生成初步的认知图谱匹配集。这个匹配集记录用户意图与知识图谱实体之间的匹配关系,为进一步的认知图谱生成奠定基础。
S204中,采用图谱优化算法对初步的认知图谱匹配集进行精细调整。这一过程旨在改进匹配结果,进一步提高匹配的准确性和相关性。进行认知图谱的迭代更新,将新的匹配结果与已有的认知图谱进行整合。不断提升认知图谱的完整性和精确性,使其更好地反映用户的意图和知识关联。
请参阅图4,基于意图匹配认知图谱,采用自回归集成学习算法,对用户的历史搜索行为进行分析,并利用动态时间规整进行序列相似度匹配,生成预测性搜索主题及信息标签化的步骤具体为:
S301:基于认知图谱的意图匹配,采用集成自回归模型,对用户历史搜索行为进行深度分析,并对分析结果进行优化处理,生成历史搜索行为分析报告;
S302:基于历史搜索行为分析报告,采用动态时间弯曲算法,对用户行为序列进行相似度分析,并识别出同类模式的行为序列,生成时间序列相似度报告;
S303:基于时间序列相似度报告,采用关联规则挖掘技术,分析用户的搜索主题和行为模式,并提取关键主题,生成用户搜索主题倾向分析;
S304:基于用户搜索主题倾向分析,运用信息标签化技术,对预测性搜索主题进行细化和标注,生成预测性搜索主题及信息标签化报告;
集成自回归模型具体为结合多个自回归模型的预测结果,降低单一模型的不确定性并提升预测的准确性,历史搜索行为分析报告包括用户的搜索频率、搜索偏好和搜索内容的时间变化,动态时间弯曲算法具体指用于测量两个时间序列间相似度的方法,通过非线性地对齐时间序列数据点以计算两个序列之间的相似性,关联规则挖掘技术具体为挖掘出用户行为数据中频繁出现的项集和项集间的强关联规则。
S301中,建立认知图谱,该图谱表示知识之间的关系,并用于匹配用户的意图。采用自回归集成学习算法对用户的历史搜索行为进行深度分析。通过结合多个自回归模型的预测结果,减少单一模型的不确定性,并提升对用户搜索行为的准确分析。最终生成历史搜索行为分析报告,其中包括用户搜索频率、搜索偏好以及搜索内容的时间变化等信息。
S302中,利用动态时间规整算法对用户行为序列进行相似度分析。动态时间规整算法通过非线性地对齐时间序列数据点,计算两个序列之间的相似性。识别出同类模式的行为序列,并生成时间序列相似度报告。该报告提供用户行为序列的相似度比较结果,为后续的分析提供基础。
S303中,基于时间序列相似度报告,采用关联规则挖掘技术分析用户的搜索主题和行为模式。关联规则挖掘技术能够发现用户行为数据中频繁出现的项集以及项集间的强关联规则。通过分析这些规则,提取关键主题,并生成用户搜索主题倾向分析报告。该报告揭示用户的搜索偏好和主题倾向,进一步帮助理解用户需求。
S304中,基于用户搜索主题倾向分析报告,运用信息标签化技术对预测性搜索主题进行细化和标注。信息标签化技术能够将搜索主题进行分类和标记,增强用户对搜索结果的理解。通过对预测性搜索主题进行细化和标注,生成预测性搜索主题及信息标签化报告。该报告提供对预测性搜索主题的详细描述和标签化信息,为用户提供更准确、有价值的搜索结果。
请参阅图5,基于预测性搜索主题及信息标签化结果,采用多元时间序列分析技术结合情感分析算法,提炼用户行为中的情感倾向,并预测行为趋势,生成行为预测模型的步骤具体为:
S401:基于预测性搜索主题及信息标签化结果,采用多元时间序列分析技术,提取用户行为数据中的时间特性,生成时间特性分析结果;
S402:基于时间特性分析结果,采用情感分析算法,分析用户行为数据中蕴含的情感倾向,生成情感倾向分析结果;
S403:基于情感倾向分析结果,利用趋势预测算法,对用户的未来行为趋势进行预测,生成用户行为趋势预测结果;
S404:基于用户行为趋势预测结果,整合时间特性分析结果、情感倾向分析结果、用户行为趋势预测结果,生成行为预测模型。
时序数据的特性分析中,包括时序数据的观察、周期性检验和趋势分析。
例如,使用Pandas库来操作和分析数据:
import pandas as pd
data = pd.read_csv('user_behavior_data.csv')
情感倾向分析:采用NLP (Natural Language Processing) 相关的算法,比如情感分析 (sentiment analysis)。
例如中,使用nltk库或者TextBlob库来进行情感分析:
from textblob import TextBlob
data['sentiment'] = data['behavior'].apply(lambda x: TextBlob(x).sentiment.polarity)
趋势预测中,使用预测模型如ARIMA,LSTM等进行预测。
例如,使用statsmodels库中的ARIMA模型进行预测:
from statsmodels.tsa.arima.model import ARIMA
model = ARIMA(data['sentiment'], order=(5,1,0))
model_fit = model.fit(disp=0)
生成行为预测模型中,利用上述步骤生成的各类结果,整合形成预测模型。
以下是将情感分析的结果和时间序列预测的结果进行整合,形成行为预测结果的示例:
data['behavior_prediction'] = data.apply(lambda x: x['sentiment']*model_fit.predict(), a
请参阅图6,基于行为预测模型,利用深度强化学习策略,针对用户兴趣和习惯,进行个性化内容创造和信息推送,生成个性化内容推荐结果的步骤具体为:
S501:基于行为预测模型,采用深度Q网络算法,进行状态-动作奖励预测,并进行模型训练,生成用户行为预测模型;
S502:基于用户行为预测模型,采用长短时记忆网络算法,进行序列数据模式捕捉,并进行个性化内容匹配,生成初步个性化内容池;
S503:基于初步个性化内容池,采用协同过滤算法,进行用户交互分析,并进行推荐列表细化,生成优化后个性化内容推荐;
S504:基于优化后个性化内容推荐,采用A/B测试,进行推荐效果对比,并进行参数调优,生成个性化内容推荐结果;
深度Q网络具体为利用深度神经网络来逼近最优的Q值函数,协同过滤算法通过用户和项目之间的交互历史挖掘用户的隐性兴趣。
S501中,创建一个深度神经网络,包括多个隐藏层和一个输出层。将用户的历史行为数据和当前环境状态作为网络的输入,通过前向传播计算网络的输出,即预测的动作价值函数。利用环境反馈的奖励和预测的动作价值函数,计算损失函数,并使用反向传播算法优化网络的权重和偏置,最小化损失函数。
S502中,将用户的历史行为序列作为输入序列,通过LSTM网络进行训练。LSTM网络能够记忆和利用长期的依赖关系,并捕捉重要的序列模式。根据LSTM网络的输出,进行个性化内容的匹配,生成初步的个性化内容池。
S503中,收集用户与其他用户或项目之间的交互历史数据。利用协同过滤算法挖掘用户的隐性兴趣和偏好,根据交互历史数据对初步的个性化内容池进行筛选和排序,生成优化后的个性化内容推荐列表。
S504中,通过随机实验设计,将用户分为不同组,分别使用不同推荐方案。收集用户的反馈数据,包括点击率、转化率等指标。根据收集到的反馈数据,比较不同方案的推荐效果,选择效果较好的方案。根据A/B测试的结果,对模型的参数进行调优,进一步提升个性化内容推荐的质量和准确性。
请参阅图7,基于动态用户画像、意图匹配认知图谱、预测性搜索主题及信息标签化、行为预测模型、个性化内容推荐,采用在线学习和多臂老虎机算法对推荐系统进行持续优化,保持内容与用户需求的最大相关性,获得优化后的信息检索体验的步骤具体为:
S601:基于动态用户画像,采用在线学习算法,进行实时喜好更新,并进行用户模型维护,生成更新后的用户画像;
S602:基于意图匹配认知图谱和更新后的用户画像,采用图嵌入算法,进行意图与内容的匹配学习,并进行嵌入空间优化,生成意图匹配优化模型;
S603:基于预测性搜索主题及信息标签化,采用自然语言处理算法,进行语义分析和理解,并进行标签准确度提升,生成优化后的信息标签集;
S604:基于行为预测模型、意图匹配优化模型和优化后的信息标签集,采用多臂老虎机算法,进行策略试验与优化,并进行性能增强,获得优化后的信息检索体验;
图嵌入算法具体指将图中的节点转换到低维空间中的向量,自然语言处理算法具体指利用计算机技术对自然语言进行理解和处理的技术。
S601中,通过收集用户行为和反馈数据,包括点击记录、购买记录和评分等信息,利用在线学习算法将历史数据和实时数据相结合,更新用户的喜好和偏好信息。同时,根据用户的行为数据和反馈数据,对用户画像进行维护和更新,包括用户的兴趣领域、喜好程度等。
S602中,构建意图匹配认知图谱,将用户的意图与相关内容进行链接建模。然后采用图嵌入算法,将图中的节点,包括用户意图和内容,嵌入到低维空间中的向量表示。通过优化算法对嵌入空间进行优化,使得相似的意图和内容在向量空间中距离更近,从而实现更准确的意图匹配。
S603中,通过对搜索主题进行预测性分析,挖掘用户的搜索历史、浏览行为等数据,预测用户感兴趣的主题。利用自然语言处理算法对搜索主题和相关内容进行语义分析和理解,提取关键词、主题特征等信息。对提取的关键词和主题进行信息标签化,包括标签生成、消歧、词义理解等,提高标签的准确度和质量。
S604中,利用行为预测模型,预测用户对不同候选推荐内容的行为反馈,如点击、购买等。根据意图匹配优化模型计算用户意图与候选推荐内容的匹配度。结合优化后的信息标签集,判断候选推荐内容与用户兴趣和偏好的匹配程度。采用多臂老虎机算法,在候选推荐内容中选择最具潜力的推荐策略,并进行策略试验与优化。通过用户反馈数据和性能评估指标,持续优化推荐系统的策略,提高信息检索的相关性和个性化体验。
请参阅图8,一种基于相关性分析的信息技术咨询服务系统,基于相关性分析的信息技术咨询服务系统用于执行上述基于相关性分析的信息技术咨询服务方法,系统包括用户行为特征提取模块、用户画像构建模块、意图识别与认知图谱匹配模块、用户行为趋势挖掘模块、内容推荐模块、行为预测模块、信息检索体验优化模块。
用户行为特征提取模块基于用户的行为数据,采用双向长短期记忆网络算法,进行时间序列分析,并应用时间窗口技术及主成分分析,进行特征降维和标准化处理,生成优化后的时间序列行为特征集;
用户画像构建模块基于优化后的时间序列行为特征集,运用图注意力网络方法,进行图结构数据编码,并结合模糊逻辑构建意图模糊逻辑模型,生成动态用户画像;
意图识别与认知图谱匹配模块基于动态用户画像,使用相似度度量方法和图谱优化算法进行意图识别和认知图谱的迭代更新,生成意图匹配认知图谱匹配集;
用户行为趋势挖掘模块基于意图匹配认知图谱匹配集,利用集成自回归模型进行深度分析,再用动态时间弯曲算法分析时间序列相似度,生成预测性搜索主题及信息标签化报告;
内容推荐模块基于预测性搜索主题及信息标签化报告,运用多元时间序列分析技术和情感分析算法评估用户情感倾向,生成用户行为趋势预测结果;
行为预测模块基于用户行为趋势预测结果,应用深度Q网络算法进行行为预测模型训练,生成个性化内容推荐结果;
信息检索体验优化模块基于个性化内容推荐结果,使用自然语言处理算法进行语义分析,并通过图嵌入算法优化意图与内容匹配,获得优化后的信息检索体验。
通过采用双向长短期记忆网络算法进行时间序列分析,并应用时间窗口技术和主成分分析进行特征降维和标准化处理,更准确地提取用户的行为特征,提高特征提取的效率。利用优化后的时间序列行为特征集,运用图注意力网络方法进行图结构数据编码,并结合模糊逻辑构建意图模糊逻辑模型,生成动态的用户画像,更全面地了解用户需求和兴趣。基于动态用户画像,使用相似度度量方法和图谱优化算法进行意图识别和认知图谱的迭代更新,提高意图识别和认知图谱匹配的准确性,更好地理解用户的意图和需求。基于意图匹配认知图谱匹配集,利用集成自回归模型进行深度分析和动态时间弯曲算法分析时间序列相似度,生成预测性搜索主题及信息标签化报告,为用户提供更准确、个性化的信息检索结果。基于预测性搜索主题及信息标签化报告,运用多元时间序列分析技术和情感分析算法评估用户情感倾向,生成用户行为趋势预测结果,进而应用深度Q网络算法进行行为预测模型训练,生成个性化的内容推荐结果,提供更符合用户需求的推荐服务。基于个性化内容推荐结果,使用自然语言处理算法进行语义分析,并通过图嵌入算法优化意图与内容的匹配,获得优化后的信息检索体验,提高用户的满意度和使用体验。
请参阅图9,用户行为特征提取模块包括时间序列分析子模块、特征抽象子模块、特征优化子模块、用户群体划分子模块;
用户画像构建模块包括图结构数据编码子模块、模糊建模子模块、意图模糊逻辑计算子模块、用户画像优化子模块;
意图识别与认知图谱匹配模块包括意图识别子模块、知识实体匹配子模块、结果调整子模块、认知图谱更新子模块;
用户行为趋势挖掘模块包括历史搜索行为分析子模块、时间序列相似度分析子模块、用户搜索主题倾向分析子模块、预测性搜索主题及信息标签化子模块;
内容推荐模块包括时间特性提取子模块、情感倾向分析子模块、趋势预测子模块;
行为预测模块包括状态-动作奖励预测子模块、行为预测模型训练子模块、个性化推荐生成子模块、推荐结果优化子模块;
信息检索体验优化模块包括语义分析与理解子模块、意图与内容匹配子模块、嵌入空间优化子模块、策略优化子模块。
用户行为特征提取模块中,时间序列分析子模块进行时间序列分析,特征抽象子模块进行特征降维和标准化处理,特征优化子模块进行特征优化,用户群体划分子模块进行用户群体划分。
用户画像构建模块中,图结构数据编码子模块进行图结构数据编码,模糊建模子模块进行模糊逻辑建模,意图模糊逻辑计算子模块进行意图模糊逻辑计算,用户画像优化子模块进行用户画像优化。
意图识别与认知图谱匹配模块中,意图识别子模块进行意图识别,知识实体匹配子模块进行知识实体匹配,结果调整子模块进行结果调整,认知图谱更新子模块进行认知图谱更新。
用户行为趋势挖掘模块中,历史搜索行为分析子模块进行历史搜索行为分析,时间序列相似度分析子模块进行时间序列相似度分析,用户搜索主题倾向分析子模块进行用户搜索主题倾向分析,预测性搜索主题及信息标签化子模块进行预测性搜索主题及信息标签化。
内容推荐模块中,时间特性提取子模块进行时间特性提取,情感倾向分析子模块进行情感倾向分析,趋势预测子模块进行趋势预测。
行为预测模块中,状态-动作奖励预测子模块进行状态-动作奖励预测,行为预测模型训练子模块进行行为预测模型训练,个性化推荐生成子模块进行个性化推荐生成,推荐结果优化子模块进行推荐结果优化。
信息检索体验优化模块中,语义分析与理解子模块进行语义分析与理解,意图与内容匹配子模块进行意图与内容匹配,嵌入空间优化子模块进行嵌入空间优化,策略优化子模块进行策略优化。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于相关性分析的信息技术咨询服务方法,其特征在于,包括以下步骤:
基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像;
基于所述动态用户画像,采用图注意力网络方法,进行图结构数据的特征学习,并应用模糊逻辑系统,捕捉用户意图,生成意图匹配认知图谱;
基于所述意图匹配认知图谱,采用自回归集成学习算法,对用户的历史搜索行为进行分析,并利用动态时间规整进行序列相似度匹配,生成预测性搜索主题及信息标签化;
基于所述预测性搜索主题及信息标签化结果,采用多元时间序列分析技术结合情感分析算法,提炼用户行为中的情感倾向,并预测行为趋势,生成行为预测模型;
基于所述行为预测模型,利用深度强化学习策略,针对用户兴趣和习惯,进行个性化内容创造和信息推送,生成个性化内容推荐结果;
基于所述动态用户画像、意图匹配认知图谱、预测性搜索主题及信息标签化、行为预测模型、个性化内容推荐结果,采用在线学习和多臂老虎机算法对推荐系统进行持续优化,保持内容与用户需求的最大相关性,获得优化后的信息检索体验;
所述动态用户画像具体为包括用户兴趣点、行为模式、设备偏好的多维特征动态集合,所述意图匹配认知图谱包括用户查询意图与图谱中实体和关系的对应信息,所述预测性搜索主题及信息标签化具体指基于用户行为预测出的潜在搜索主题和对实时数据进行分类标签的集合,所述行为预测模型用于预测用户未来时间段内进行的搜索行为和兴趣变迁。
2.根据权利要求1所述的基于相关性分析的信息技术咨询服务方法,其特征在于,基于用户的行为数据,采用双向长短期记忆网络算法,提取时间序列特征,并结合特征自动编码器,进行用户特征的深度提取,生成动态用户画像的步骤具体为:
基于用户的行为数据,采用双向长短期记忆网络算法,进行时间序列分析,并利用时间窗口技术,生成时间序列行为特征集;
基于所述时间序列行为特征集,采用特征自动编码器方法,进行特征抽象,并应用非线性激活函数,生成深度特征表示;
基于所述深度特征表示,采用主成分分析算法,进行特征降维,并执行标准化处理,生成优化后的特征表示;
基于所述优化后的特征表示,采用K-均值聚类算法,进行用户群体划分,并进行迭代优化,生成动态用户画像;
所述时间窗口技术具体为设置时间范围区间,用以捕获所述时间范围区间内的用户行为模式,所述特征自动编码器方法包括编码器部分与解码器部分,通过隐藏层连接进行特征的自动学习,所述主成分分析算法具体指通过线性变换将多维特征转换成部分不相关的特征,即主成分,所述K-均值聚类算法具体为按照特征相似度,将用户分为K个群体,通过迭代优化中心点来提高聚类准确性。
3.根据权利要求1所述的基于相关性分析的信息技术咨询服务方法,其特征在于,基于所述动态用户画像,采用图注意力网络方法,进行图结构数据的特征学习,并应用模糊逻辑系统,捕捉用户意图,生成意图匹配认知图谱的步骤具体为:
基于所述动态用户画像,采用图注意力网络方法,进行图结构数据编码,并执行注意力机制学习,生成图结构化用户特征;
基于所述图结构化用户特征,采用模糊逻辑系统,进行意图模糊建模,并应用隶属度函数,生成意图模糊逻辑模型;
基于所述意图模糊逻辑模型,采用相似度度量方法,进行意图识别,并通过意图-知识实体匹配算法,生成初步的认知图谱匹配集;
基于所述初步的认知图谱匹配集,采用图谱优化算法,进行匹配结果的精细调整,并执行认知图谱的迭代更新,生成意图匹配认知图谱;
所述图注意力网络方法具体包括节点特征的加权和聚合,通过注意力系数的学习来突显关键节点信息, 所述模糊逻辑系统具体为使用模糊集合和模糊规则,处理模糊的用户行为数据,所述相似度度量方法具体指采用余弦相似度或Jaccard相似度指标,评估用户意图与知识图谱实体之间的匹配程度。
4.根据权利要求1所述的基于相关性分析的信息技术咨询服务方法,其特征在于,基于所述意图匹配认知图谱,采用自回归集成学习算法,对用户的历史搜索行为进行分析,并利用动态时间规整进行序列相似度匹配,生成预测性搜索主题及信息标签化的步骤具体为:
基于所述认知图谱的意图匹配,采用集成自回归模型,对用户历史搜索行为进行深度分析,并对分析结果进行优化处理,生成历史搜索行为分析报告;
基于所述历史搜索行为分析报告,采用动态时间弯曲算法,对用户行为序列进行相似度分析,并识别出同类模式的行为序列,生成时间序列相似度报告;
基于所述时间序列相似度报告,采用关联规则挖掘技术,分析用户的搜索主题和行为模式,并提取关键主题,生成用户搜索主题倾向分析;
基于所述用户搜索主题倾向分析,运用信息标签化技术,对预测性搜索主题进行细化和标注,生成预测性搜索主题及信息标签化报告;
所述集成自回归模型具体为结合多个自回归模型的预测结果,降低单一模型的不确定性并提升预测的准确性,所述历史搜索行为分析报告包括用户的搜索频率、搜索偏好和搜索内容的时间变化,所述动态时间弯曲算法具体指用于测量两个时间序列间相似度的方法,通过非线性地对齐时间序列数据点以计算两个序列之间的相似性,所述关联规则挖掘技术具体为挖掘出用户行为数据中频繁出现的项集和项集间的强关联规则。
5.根据权利要求1所述的基于相关性分析的信息技术咨询服务方法,其特征在于,基于所述预测性搜索主题及信息标签化结果,采用多元时间序列分析技术结合情感分析算法,提炼用户行为中的情感倾向,并预测行为趋势,生成行为预测模型的步骤具体为:
基于所述预测性搜索主题及信息标签化结果,采用多元时间序列分析技术,提取用户行为数据中的时间特性,生成时间特性分析结果;
基于所述时间特性分析结果,采用情感分析算法,分析用户行为数据中蕴含的情感倾向,生成情感倾向分析结果;
基于所述情感倾向分析结果,利用趋势预测算法,对用户的未来行为趋势进行预测,生成用户行为趋势预测结果;
基于所述用户行为趋势预测结果,整合时间特性分析结果、情感倾向分析结果、用户行为趋势预测结果,生成行为预测模型。
6.根据权利要求1所述的基于相关性分析的信息技术咨询服务方法,其特征在于,基于所述行为预测模型,利用深度强化学习策略,针对用户兴趣和习惯,进行个性化内容创造和信息推送,生成个性化内容推荐结果的步骤具体为:
基于所述行为预测模型,采用深度Q网络算法,进行状态-动作奖励预测,并进行模型训练,生成用户行为预测模型;
基于所述用户行为预测模型,采用长短时记忆网络算法,进行序列数据模式捕捉,并进行个性化内容匹配,生成初步个性化内容池;
基于所述初步个性化内容池,采用协同过滤算法,进行用户交互分析,并进行推荐列表细化,生成优化后个性化内容推荐;
基于所述优化后个性化内容推荐,采用A/B测试,进行推荐效果对比,并进行参数调优,生成个性化内容推荐结果;
所述深度Q网络具体为利用深度神经网络来逼近最优的Q值函数,所述协同过滤算法通过用户和项目之间的交互历史挖掘用户的隐性兴趣。
7.根据权利要求1所述的基于相关性分析的信息技术咨询服务方法,其特征在于,基于所述动态用户画像、意图匹配认知图谱、预测性搜索主题及信息标签化、行为预测模型、个性化内容推荐,采用在线学习和多臂老虎机算法对推荐系统进行持续优化,保持内容与用户需求的最大相关性,获得优化后的信息检索体验的步骤具体为:
基于动态用户画像,采用在线学习算法,进行实时喜好更新,并进行用户模型维护,生成更新后的用户画像;
基于所述意图匹配认知图谱和更新后的用户画像,采用图嵌入算法,进行意图与内容的匹配学习,并进行嵌入空间优化,生成意图匹配优化模型;
基于所述预测性搜索主题及信息标签化,采用自然语言处理算法,进行语义分析和理解,并进行标签准确度提升,生成优化后的信息标签集;
基于行为预测模型、意图匹配优化模型和优化后的信息标签集,采用多臂老虎机算法,进行策略试验与优化,并进行性能增强,获得优化后的信息检索体验;
所述图嵌入算法具体指将图中的节点转换到低维空间中的向量,所述自然语言处理算法具体指利用计算机技术对自然语言进行理解和处理的技术。
8.一种基于相关性分析的信息技术咨询服务系统,其特征在于,根据权利要求1-7任一项所述的基于相关性分析的信息技术咨询服务方法,所述系统包括用户行为特征提取模块、用户画像构建模块、意图识别与认知图谱匹配模块、用户行为趋势挖掘模块、内容推荐模块、行为预测模块、信息检索体验优化模块。
9.根据权利要求8所述的基于相关性分析的信息技术咨询服务系统,其特征在于,所述用户行为特征提取模块基于用户的行为数据,采用双向长短期记忆网络算法,进行时间序列分析,并应用时间窗口技术及主成分分析,进行特征降维和标准化处理,生成优化后的时间序列行为特征集;
所述用户画像构建模块基于优化后的时间序列行为特征集,运用图注意力网络方法,进行图结构数据编码,并结合模糊逻辑构建意图模糊逻辑模型,生成动态用户画像;
所述意图识别与认知图谱匹配模块基于动态用户画像,使用相似度度量方法和图谱优化算法进行意图识别和认知图谱的迭代更新,生成意图匹配认知图谱匹配集;
所述用户行为趋势挖掘模块基于意图匹配认知图谱匹配集,利用集成自回归模型进行深度分析,再用动态时间弯曲算法分析时间序列相似度,生成预测性搜索主题及信息标签化报告;
所述内容推荐模块基于预测性搜索主题及信息标签化报告,运用多元时间序列分析技术和情感分析算法评估用户情感倾向,生成用户行为趋势预测结果;
所述行为预测模块基于用户行为趋势预测结果,应用深度Q网络算法进行行为预测模型训练,生成个性化内容推荐结果;
所述信息检索体验优化模块基于个性化内容推荐结果,使用自然语言处理算法进行语义分析,并通过图嵌入算法优化意图与内容匹配,获得优化后的信息检索体验。
10.根据权利要求8所述的基于相关性分析的信息技术咨询服务系统,其特征在于,所述用户行为特征提取模块包括时间序列分析子模块、特征抽象子模块、特征优化子模块、用户群体划分子模块;
所述用户画像构建模块包括图结构数据编码子模块、模糊建模子模块、意图模糊逻辑计算子模块、用户画像优化子模块;
所述意图识别与认知图谱匹配模块包括意图识别子模块、知识实体匹配子模块、结果调整子模块、认知图谱更新子模块;
所述用户行为趋势挖掘模块包括历史搜索行为分析子模块、时间序列相似度分析子模块、用户搜索主题倾向分析子模块、预测性搜索主题及信息标签化子模块;
所述内容推荐模块包括时间特性提取子模块、情感倾向分析子模块、趋势预测子模块;
所述行为预测模块包括状态-动作奖励预测子模块、行为预测模型训练子模块、个性化推荐生成子模块、推荐结果优化子模块;
所述信息检索体验优化模块包括语义分析与理解子模块、意图与内容匹配子模块、嵌入空间优化子模块、策略优化子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713877.0A CN117407571B (zh) | 2023-12-14 | 2023-12-14 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713877.0A CN117407571B (zh) | 2023-12-14 | 2023-12-14 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407571A CN117407571A (zh) | 2024-01-16 |
CN117407571B true CN117407571B (zh) | 2024-02-09 |
Family
ID=89500219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713877.0A Active CN117407571B (zh) | 2023-12-14 | 2023-12-14 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407571B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182605A (zh) * | 2018-01-11 | 2018-06-19 | 厦门快商通信息技术有限公司 | 一种基于用户画像的用户行为预测方法及系统 |
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN109684543A (zh) * | 2018-12-14 | 2019-04-26 | 北京百度网讯科技有限公司 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
CN112070615A (zh) * | 2020-09-02 | 2020-12-11 | 中国银行股份有限公司 | 基于知识图谱的理财产品推荐方法及装置 |
CN112541122A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、装置、电子设备及存储介质 |
CN113901320A (zh) * | 2021-10-19 | 2022-01-07 | 平安科技(深圳)有限公司 | 场景服务推荐方法、装置、设备及存储介质 |
CN116578925A (zh) * | 2022-07-18 | 2023-08-11 | 北京芯盾时代科技有限公司 | 基于特征画像的行为预测方法、装置及存储介质 |
CN117036352A (zh) * | 2023-10-09 | 2023-11-10 | 天津畅玩网络科技有限公司 | 一种基于人工智能的视频分析方法及系统 |
-
2023
- 2023-12-14 CN CN202311713877.0A patent/CN117407571B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182605A (zh) * | 2018-01-11 | 2018-06-19 | 厦门快商通信息技术有限公司 | 一种基于用户画像的用户行为预测方法及系统 |
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN109684543A (zh) * | 2018-12-14 | 2019-04-26 | 北京百度网讯科技有限公司 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
CN112070615A (zh) * | 2020-09-02 | 2020-12-11 | 中国银行股份有限公司 | 基于知识图谱的理财产品推荐方法及装置 |
CN112541122A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、装置、电子设备及存储介质 |
CN113901320A (zh) * | 2021-10-19 | 2022-01-07 | 平安科技(深圳)有限公司 | 场景服务推荐方法、装置、设备及存储介质 |
CN116578925A (zh) * | 2022-07-18 | 2023-08-11 | 北京芯盾时代科技有限公司 | 基于特征画像的行为预测方法、装置及存储介质 |
CN117036352A (zh) * | 2023-10-09 | 2023-11-10 | 天津畅玩网络科技有限公司 | 一种基于人工智能的视频分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117407571A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20060112146A1 (en) | Systems and methods for data analysis and/or knowledge management | |
Gu et al. | Learning global term weights for content-based recommender systems | |
CN110245285B (zh) | 一种基于异构信息网络的个性化推荐方法 | |
Taranto-Vera et al. | Algorithms and software for data mining and machine learning: a critical comparative view from a systematic review of the literature | |
Marcuzzo et al. | Recommendation systems: An insight into current development and future research challenges | |
Devipriya et al. | Deep learning sentiment analysis for recommendations in social applications | |
Fang et al. | Patent2Vec: Multi-view representation learning on patent-graphs for patent classification | |
Wang et al. | The cyber-physical-social transition tensor service framework | |
Quan et al. | Comparative study of CNN and LSTM based attention neural networks for aspect-level opinion mining | |
Liu et al. | High-quality domain expert finding method in CQA based on multi-granularity semantic analysis and interest drift | |
Calderón et al. | Distributed supervised sentiment analysis of tweets: Integrating machine learning and streaming analytics for big data challenges in communication and audience research | |
CN116127175A (zh) | 一种基于多模态特征融合的移动应用分类与推荐方法 | |
Zhao et al. | Improving top-N recommendation performance using missing data | |
Wan et al. | Career Recommendation for College Students Based on Deep Learning and Machine Learning. | |
CN117407571B (zh) | 一种基于相关性分析的信息技术咨询服务方法及系统 | |
Xu et al. | Joint modeling of local and global behavior dynamics for session-based recommendation | |
Benabderrahmane et al. | Predicting the users' clickstreams using time series representation, symbolic sequences, and deep learning: application on job offers recommendation tasks | |
Liu et al. | Long-and short-term preference model based on graph embedding for sequential recommendation | |
Benabderrahmane et al. | When deep neural networks meet job offers recommendation | |
Song et al. | Effective Automated Feature Derivation via Reinforcement Learning for Microcredit Default Prediction | |
Han et al. | Sequential recommendation with a pre-trained module learning multi-modal information | |
Wang | Proactive Push Research on Personalized Learning Resources Based on Machine Learning | |
CN114117251B (zh) | 一种智慧文博下融合多因素的矩阵分解个性化推荐方法 | |
Sun et al. | Deep generative recommendation with maximizing reciprocal rank | |
Colombo et al. | Discovering patterns within the drilling reports using artificial intelligence for operation monitoring |
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 |