CN117893216B - 基于大数据的用户行为分析方法及系统 - Google Patents
基于大数据的用户行为分析方法及系统 Download PDFInfo
- Publication number
- CN117893216B CN117893216B CN202410290019.8A CN202410290019A CN117893216B CN 117893216 B CN117893216 B CN 117893216B CN 202410290019 A CN202410290019 A CN 202410290019A CN 117893216 B CN117893216 B CN 117893216B
- Authority
- CN
- China
- Prior art keywords
- user
- work order
- historical
- understanding
- sets
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims description 116
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 60
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于大数据的用户行为分析方法及系统,涉及数据处理技术领域,该方法包括:获取预设分析窗口内的待处理工单信息集;以用户标识号为索引,对用户数据信息进行检索,获得Q个用户数据;获得Q个历史用户工单信息集;进行理解尺度分析,获得Q个用户理解尺度;分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取;根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q个用户行为决策方案;对待处理工单信息集进行处理。本发明解决了现有技术中存在用户行为分析可靠性差、分析效率低的技术问题,达到了提升用户行为分析准确度,提高分析效率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于大数据的用户行为分析方法及系统。
背景技术
随着竞争加剧,用户对于服务质量的要求越来越高,服务效果和响应速度成为用户关注的重点。目前,虽然可以通过对用户采用线上数据采集,并对数据进行分析的方式,来提升对用户服务的贴合度。然而,客户的数据繁多,且数据质量不一,无法快速寻找最符合当前用户情况的数据作为分析数据,从而导致用户行为分析可靠性低,无法满足用户需求的情况。现有技术中存在用户行为分析可靠性差、分析效率低的技术问题。
发明内容
本申请提供了基于大数据的用户行为分析方法及系统,用于针对解决现有技术中存在用户行为分析可靠性差、分析效率低的技术问题。
鉴于上述问题,本申请提供了基于大数据的用户行为分析方法及系统。
本申请的第一个方面,提供了基于大数据的用户行为分析方法,所述方法包括:
获取预设分析窗口内的待处理工单信息集,其中,所述待处理工单信息包括用户数据信息集;
以用户标识号为索引,对所述用户数据信息进行检索,获得Q个用户数据;
基于所述Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集;
利用工单理解分析网络层对所述Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度;
分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据;
根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案;
基于所述Q个用户行为决策方案对所述待处理工单信息集进行处理。
本申请的第二个方面,提供了基于大数据的用户行为分析系统,所述系统包括:
工单信息集获取模块,用于获取预设分析窗口内的待处理工单信息集,其中,所述待处理工单信息包括用户数据信息集;
用户数据获得模块,用于以用户标识号为索引,对所述用户数据信息进行检索,获得Q个用户数据;
历史用户工单信息集获得模块,用于基于所述Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集;
理解尺度获得模块,用于利用工单理解分析网络层对所述Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度;
内容数据生成模块,用于分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据;
行为决策方案生成模块,用于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案;
处理模块,用于基于所述Q个用户行为决策方案对所述待处理工单信息集进行处理。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过获取预设分析窗口内的待处理工单信息集,其中,待处理工单信息包括用户数据信息集,然后以用户标识号为索引,对用户数据信息进行检索,获得Q个用户数据,进而基于Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集,通过利用工单理解分析网络层对Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度,然后分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据,进而根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案,基于Q个用户行为决策方案对待处理工单信息集进行处理。达到了提升用户行为分析准确性,提高分析效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于大数据的用户行为分析方法流程示意图;
图2为本申请实施例提供的基于大数据的用户行为分析方法中生成Q个用户理解尺度的流程示意图;
图3为本申请实施例提供的基于大数据的用户行为分析方法中生成Q个目标历史信息熵的流程示意图;
图4为本申请实施例提供的基于大数据的用户行为分析系统结构示意图。
附图标记说明:工单信息集获取模块11,用户数据获得模块12,历史用户工单信息集获得模块13,理解尺度获得模块14,内容数据生成模块15,行为决策方案生成模块16,处理模块17。
具体实施方式
本申请通过提供了基于大数据的用户行为分析方法及系统,用于针对解决现有技术中存在用户行为分析可靠性差、分析效率低的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了基于大数据的用户行为分析方法,其中,所述方法包括:
步骤S100:获取预设分析窗口内的待处理工单信息集,其中,所述待处理工单信息包括用户数据信息集;
在一个可能的实施例中,所述预设分析窗口是预先设置的进行用户行为分析的时间段,可以是一个季度、半年等等。所述待处理工单信息集是对预设分析窗口内需要处理的工单情况进行描述的数据信息,包括用户数据信息集。其中,所述用户数据信息集是用于对工单中需要进行分析的用户相关情况进行描述的数据,包括用户标识号、用户咨询沟通信息等。每个用户具有唯一的用户标识号,从而便于进行系统化的分析。
步骤S200:以用户标识号为索引,对所述用户数据信息进行检索,获得Q个用户数据;
步骤S300:基于所述Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集;
优选的,以所述用户标识号为索引,对所述用户数据信息进行检索,从而获得Q个用户数据。其中,所述Q个用户数据对应Q个用户,用户数据包括用户沟通频次、用户咨询项目等数据。根据所述Q个用户数据在历史处理数据中进行工单匹配,获得Q个历史用户工单信息集。其中,所述Q个历史用户工单信息集用于对Q个用户在历史时间内的咨询行为进行描述。通过获取所述Q个历史用户工单信息集,为后续进行用户行为分析提供依据。
步骤S400:利用工单理解分析网络层对所述Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度;
进一步的,如图2所示,本申请实施例步骤S400还包括:
分别对所述Q个历史用户工单信息集中的历史用户工单信息进行信息熵计算,获得Q个历史信息熵集;
遍历所述Q个历史信息熵集进行理解偏向分析,获得Q个目标历史信息熵;
基于所述Q个目标历史信息熵映射获得Q个目标历史用户工单信息;
将所述Q个目标历史用户工单信息输入所述工单理解分析网络层中,生成Q个用户理解尺度。
进一步的,本申请实施例步骤S400还包括:
获取多个样本目标用户工单信息和多个样本用户理解尺度作为构建数据;
将构建数据均分为q组,依次对基于卷积神经网络构建的网络层进行监督训练,并在一组数据训练完成后根据输出情况,对网络层进行网络参数更新,直至满足预设要求,获得训练完成的所述工单理解分析网络。
在一个可能的实施例中,通过利用工单理解分析网络层对Q个历史用户工单信息集进行理解尺度分析,从而获取Q个用户进行咨询时,需要服务解释的程度,也就是Q个用户理解尺度。从而为后续对每个用户进行适应性的服务决策提供依据。达到了提升服务效率,提高分析准确度的技术效果。所述Q个用户理解尺度反映了Q个用户对于服务的需求。
优选的,分别对所述Q个历史用户工单信息集中的历史用户工单信息进行信息熵计算,获得Q个历史信息熵集。其中,所述Q个历史信息熵集反映了Q个历史用户工单信息集中包含的信息量。进而,对Q个历史信息熵集进行理解偏向分析,也就是确定所述Q个历史信息熵集中最能反映Q个用户理解程度的信息熵,由于每次用户咨询的项目不同,相关信息量多少也不同,但是会在一定范围内波动,通过确定最经常波动的地方,从而确定Q个用户的理解偏向,获得Q个目标历史信息熵。然后,根据所述Q个目标历史信息熵映射获得Q个目标历史用户工单信息。将所述Q个目标历史用户工单信息输入所述工单理解分析网络层中,生成Q个用户理解尺度。其中,所述工单理解分析网络层用于对Q个用户的理解尺度进行智能化识别。
优选的,获取多个样本目标用户工单信息和多个样本用户理解尺度作为构建数据,将构建数据均分为q组,依次对基于卷积神经网络构建的网络层进行监督训练,并在一组数据训练完成后根据输出情况,对网络层进行网络参数更新,直至满足预设要求,获得训练完成的所述工单理解分析网络。达到了提升用户理解尺度识别效率的技术效果。
进一步的,如图3所示,遍历所述Q个历史信息熵集进行理解偏向分析,获得Q个目标历史信息熵,本申请实施例步骤S400还包括:
采用不放回随机抽样的方式从所述Q个历史信息熵集中选取一个历史信息熵集作为第一历史信息熵集;
基于第一历史信息熵集构建第一理解偏向分析空间,其中,所述第一理解偏向分析空间中具有多个粒子,每个粒子对应一个历史信息熵;
从所述第一理解偏向分析空间中随机选取n1个指引粒子,在所述n1个指引粒子的预设步调距离内随机生成n1个跟随粒子集,每个跟随粒子集中包括n2个跟随粒子;
基于n1个指引粒子和n1个跟随粒子集进行理解偏向迭代,获得第一目标历史信息熵;
根据所述Q个历史信息熵集进行理解偏向分析,生成Q个目标历史信息熵。
进一步的,基于n1个指引粒子和n1个跟随粒子集进行理解偏向迭代,获得第一目标历史信息熵,本申请实施例步骤S400还包括:
遍历所述n1个指引粒子和n1个跟随粒子集计算预设步调距离内粒子数量与预设步调距离内外围粒子构建的空间面积的比值,生成n1个指引粒子点云密度和n1个跟随粒子点云密度集;
分别计算n1个指引粒子点云密度比上n1个指引粒子点云密度的总和的比值的倒数,获得n1个指引系数;
基于n1个指引系数与预设迭代距离的乘积,获得n1个跟随粒子集进行迭代的n1个跟随迭代距离集。
进一步的,获得n1个跟随粒子集进行迭代的n1个跟随迭代距离集之后,本申请实施例步骤S400还包括:
基于n1个跟随迭代距离集对n1个跟随粒子集进行多次迭代,获得n1个跟随迭代粒子集;
遍历所述n1个跟随迭代粒子集计算点云密度,将密度最大值对应的跟随迭代粒子,作为第一目标跟随迭代粒子;
将所述第一目标跟随迭代粒子对应的历史信息熵,作为第一目标历史信息熵。
在一个可能的实施例中,通过采用不放回随机抽样的方式从所述Q个历史信息熵集中选取一个历史信息熵集作为第一历史信息熵集,然后基于第一历史信息熵集构建第一理解偏向分析空间,其中,所述第一理解偏向分析空间中具有多个粒子,每个粒子对应一个历史信息熵。所述第一理解偏向分析空间用于对历史信息熵的集中偏向进行分析。进而,从所述第一理解偏向分析空间中随机选取n1个指引粒子,在所述n1个指引粒子的预设步调距离内随机生成n1个跟随粒子集,每个跟随粒子集中包括n2个跟随粒子。其中,指引粒子用于对跟随粒子的迭代调整幅度进行指引,从而提升迭代的速度以及提高准确性。所述跟随粒子用于确定目标历史信息熵。所述预设步调距离为本领域技术人员自行设定的跟随粒子生成的范围。
在一个可能的实施例中,遍历所述n1个指引粒子和n1个跟随粒子集计算预设步调距离内粒子数量与预设步调距离内外围粒子构建的空间面积的比值,生成n1个指引粒子点云密度和n1个跟随粒子点云密度集。其中,指引粒子点云密度反映了指引粒子周围聚集粒子的密度。跟随粒子点云密度集反映了跟随粒子周围聚集粒子的密度。进而,分别计算n1个指引粒子点云密度比上n1个指引粒子点云密度的总和的比值的倒数,获得n1个指引系数,然后基于n1个指引系数与预设迭代距离的乘积,获得n1个跟随粒子集进行迭代的n1个跟随迭代距离集。跟随迭代距离为根据指引粒子的点云密度和跟随粒子的点云密度对每个跟随粒子进行迭代调整的距离进行适应性改变后获得的距离,对每个跟随粒子的适配性更高。达到了提升迭代准确性的技术效果。基于n1个跟随迭代距离集对n1个跟随粒子集进行多次迭代,获得n1个跟随迭代粒子集,然后遍历所述n1个跟随迭代粒子集计算点云密度,将密度最大值对应的跟随迭代粒子,作为第一目标跟随迭代粒子。将所述第一目标跟随迭代粒子对应的历史信息熵,作为第一目标历史信息熵。进而,利用同样的方法,基于n1个指引粒子和n1个跟随粒子集进行理解偏向迭代,获得第一目标历史信息熵,根据所述Q个历史信息熵集进行理解偏向分析,生成Q个目标历史信息熵。
步骤S500:分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据;
步骤S600:根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案;
进一步的,本申请实施例步骤S600还包括:
将Q个用户理解尺度作为决策约束条件;
基于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据输入用户行为决策识别网络层中进行决策方案识别,并利用决策约束条件对识别过程进行约束,生成Q个用户行为决策方案。
在一个可能的实施例中,通过分别以工单类型和工单内容数据为索引,对Q个历史用户工单信息集进行检索,从而生成Q个历史用户工单类型和Q个历史用户工单内容数据。其中,历史用户工单类型用于对用户咨询的项目类型进行描述。用户工单内容数据用于对用户咨询的具体内容进行描述。根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案。从而通过智能化的分析用户历史行为,为后续进行待处理工单信息集的处理提供可靠依据。
优选的,将Q个用户理解尺度作为决策约束条件,用于对决策方案识别的过程进行约束,将超出Q个用户理解尺度的决策方案进行剔除。基于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据输入用户行为决策识别网络层中进行决策方案识别,并利用决策约束条件对识别过程进行约束,生成Q个用户行为决策方案。可选的,获取多个样本用户工单类型、多个历史用户工单内容数据、多个用户数据和多个样本用户行为决策方案对基于前馈神经网络构建的框架进行监督训练,直至输出达到收敛,从而获得训练完成的用户行为决策识别网络层。所述Q个用户行为决策方案是对Q个用户进行行为分析后,对其产生的工单进行处理的决策方案。
步骤S700:基于所述Q个用户行为决策方案对所述待处理工单信息集进行处理。
通过根据Q个用户行为决策方案对所述待处理工单信息集进行处理,达到了提升工单处理与用户行为的贴合性,提高服务质量的技术效果。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过获取预设分析窗口内的待处理工单信息集,并对用户数据信息进行检索,获得Q个用户数据,然后匹配历史工单信息,利用工单理解分析网络层对Q个历史用户工单信息集进行智能化的理解尺度分析,获得Q个用户理解尺度,然后生成Q个历史用户工单类型和Q个用户工单内容数据,结合Q个用户数据,并利用Q个用户理解尺度作为约束,进行用户行为决策识别,生成Q 个用户行为决策方案,然后基于Q个用户行为决策方案对待处理工单信息集进行处理。达到了提升用户行为分析准确度,提高分析效率的技术效果。
实施例二
基于与前述实施例中基于大数据的用户行为分析方法相同的发明构思,如图4所示,本申请提供了基于大数据的用户行为分析系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
工单信息集获取模块11,用于获取预设分析窗口内的待处理工单信息集,其中,所述待处理工单信息包括用户数据信息集;
用户数据获得模块12,用于以用户标识号为索引,对所述用户数据信息进行检索,获得Q个用户数据;
历史用户工单信息集获得模块13,用于基于所述Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集;
理解尺度获得模块14,用于利用工单理解分析网络层对所述Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度;
内容数据生成模块15,用于分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据;
行为决策方案生成模块16,用于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案;
处理模块17,用于基于所述Q个用户行为决策方案对所述待处理工单信息集进行处理。
进一步的,所述理解尺度获得模块14用于执行如下方法:
分别对所述Q个历史用户工单信息集中的历史用户工单信息进行信息熵计算,获得Q个历史信息熵集;
遍历所述Q个历史信息熵集进行理解偏向分析,获得Q个目标历史信息熵;
基于所述Q个目标历史信息熵映射获得Q个目标历史用户工单信息;
将所述Q个目标历史用户工单信息输入所述工单理解分析网络层中,生成Q个用户理解尺度。
进一步的,所述理解尺度获得模块14用于执行如下方法:
采用不放回随机抽样的方式从所述Q个历史信息熵集中选取一个历史信息熵集作为第一历史信息熵集;
基于第一历史信息熵集构建第一理解偏向分析空间,其中,所述第一理解偏向分析空间中具有多个粒子,每个粒子对应一个历史信息熵;
从所述第一理解偏向分析空间中随机选取n1个指引粒子,在所述n1个指引粒子的预设步调距离内随机生成n1个跟随粒子集,每个跟随粒子集中包括n2个跟随粒子;
基于n1个指引粒子和n1个跟随粒子集进行理解偏向迭代,获得第一目标历史信息熵;
根据所述Q个历史信息熵集进行理解偏向分析,生成Q个目标历史信息熵。
进一步的,所述理解尺度获得模块14用于执行如下方法:
遍历所述n1个指引粒子和n1个跟随粒子集计算预设步调距离内粒子数量与预设步调距离内外围粒子构建的空间面积的比值,生成n1个指引粒子点云密度和n1个跟随粒子点云密度集;
分别计算n1个指引粒子点云密度比上n1个指引粒子点云密度的总和的比值的倒数,获得n1个指引系数;
基于n1个指引系数与预设迭代距离的乘积,获得n1个跟随粒子集进行迭代的n1个跟随迭代距离集。
进一步的,所述理解尺度获得模块14用于执行如下方法:
基于n1个跟随迭代距离集对n1个跟随粒子集进行多次迭代,获得n1个跟随迭代粒子集;
遍历所述n1个跟随迭代粒子集计算点云密度,将密度最大值对应的跟随迭代粒子,作为第一目标跟随迭代粒子;
将所述第一目标跟随迭代粒子对应的历史信息熵,作为第一目标历史信息熵。
进一步的,所述行为决策方案生成模块16用于执行如下方法:
将Q个用户理解尺度作为决策约束条件;
基于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据输入用户行为决策识别网络层中进行决策方案识别,并利用决策约束条件对识别过程进行约束,生成Q个用户行为决策方案。
进一步的,所述理解尺度获得模块14用于执行如下方法:
获取多个样本目标用户工单信息和多个样本用户理解尺度作为构建数据;
将构建数据均分为q组,依次对基于卷积神经网络构建的网络层进行监督训练,并在一组数据训练完成后根据输出情况,对网络层进行网络参数更新,直至满足预设要求,获得训练完成的所述工单理解分析网络。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于大数据的用户行为分析方法,其特征在于,所述方法包括:
获取预设分析窗口内的待处理工单信息集,其中,所述待处理工单信息包括用户数据信息集;
以用户标识号为索引,对所述用户数据信息进行检索,获得Q个用户数据;
基于所述Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集;
利用工单理解分析网络层对所述Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度;
分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据;
根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案;
基于所述Q个用户行为决策方案对所述待处理工单信息集进行处理。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
分别对所述Q个历史用户工单信息集中的历史用户工单信息进行信息熵计算,获得Q个历史信息熵集;
遍历所述Q个历史信息熵集进行理解偏向分析,获得Q个目标历史信息熵;
基于所述Q个目标历史信息熵映射获得Q个目标历史用户工单信息;
将所述Q个目标历史用户工单信息输入所述工单理解分析网络层中,生成Q个用户理解尺度。
3.如权利要求2所述的方法,其特征在于,遍历所述Q个历史信息熵集进行理解偏向分析,获得Q个目标历史信息熵,所述方法还包括:
采用不放回随机抽样的方式从所述Q个历史信息熵集中选取一个历史信息熵集作为第一历史信息熵集;
基于第一历史信息熵集构建第一理解偏向分析空间,其中,所述第一理解偏向分析空间中具有多个粒子,每个粒子对应一个历史信息熵;
从所述第一理解偏向分析空间中随机选取n1个指引粒子,在所述n1个指引粒子的预设步调距离内随机生成n1个跟随粒子集,每个跟随粒子集中包括n2个跟随粒子;
基于n1个指引粒子和n1个跟随粒子集进行理解偏向迭代,获得第一目标历史信息熵;
根据所述Q个历史信息熵集进行理解偏向分析,生成Q个目标历史信息熵。
4.如权利要求3所述的方法,其特征在于,基于n1个指引粒子和n1个跟随粒子集进行理解偏向迭代,获得第一目标历史信息熵,所述方法还包括:
遍历所述n1个指引粒子和n1个跟随粒子集计算预设步调距离内粒子数量与预设步调距离内外围粒子构建的空间面积的比值,生成n1个指引粒子点云密度和n1个跟随粒子点云密度集;
分别计算n1个指引粒子点云密度比上n1个指引粒子点云密度的总和的比值的倒数,获得n1个指引系数;
基于n1个指引系数与预设迭代距离的乘积,获得n1个跟随粒子集进行迭代的n1个跟随迭代距离集。
5.如权利要求4所述的方法,其特征在于,获得n1个跟随粒子集进行迭代的n1个跟随迭代距离集之后,所述方法还包括:
基于n1个跟随迭代距离集对n1个跟随粒子集进行多次迭代,获得n1个跟随迭代粒子集;
遍历所述n1个跟随迭代粒子集计算点云密度,将密度最大值对应的跟随迭代粒子,作为第一目标跟随迭代粒子;
将所述第一目标跟随迭代粒子对应的历史信息熵,作为第一目标历史信息熵。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
将Q个用户理解尺度作为决策约束条件;
基于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据输入用户行为决策识别网络层中进行决策方案识别,并利用决策约束条件对识别过程进行约束,生成Q个用户行为决策方案。
7.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取多个样本目标用户工单信息和多个样本用户理解尺度作为构建数据;
将构建数据均分为q组,依次对基于卷积神经网络构建的网络层进行监督训练,并在一组数据训练完成后根据输出情况,对网络层进行网络参数更新,直至满足预设要求,获得训练完成的所述工单理解分析网络。
8.基于大数据的用户行为分析系统,其特征在于,所述系统包括:
工单信息集获取模块,用于获取预设分析窗口内的待处理工单信息集,其中,所述待处理工单信息包括用户数据信息集;
用户数据获得模块,用于以用户标识号为索引,对所述用户数据信息进行检索,获得Q个用户数据;
历史用户工单信息集获得模块,用于基于所述Q个用户数据匹配历史工单信息,获得Q个历史用户工单信息集;
理解尺度获得模块,用于利用工单理解分析网络层对所述Q个历史用户工单信息集进行理解尺度分析,获得Q个用户理解尺度;
内容数据生成模块,用于分别对Q个历史用户工单信息集进行工单类型和工单内容数据提取,生成Q个历史用户工单类型和Q个历史用户工单内容数据;
行为决策方案生成模块,用于根据Q个历史用户工单类型、Q个历史用户工单内容数据、Q个用户数据和Q个用户理解尺度进行用户行为决策识别,生成Q 个用户行为决策方案;
处理模块,用于基于所述Q个用户行为决策方案对所述待处理工单信息集进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410290019.8A CN117893216B (zh) | 2024-03-14 | 2024-03-14 | 基于大数据的用户行为分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410290019.8A CN117893216B (zh) | 2024-03-14 | 2024-03-14 | 基于大数据的用户行为分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893216A CN117893216A (zh) | 2024-04-16 |
CN117893216B true CN117893216B (zh) | 2024-05-14 |
Family
ID=90639791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410290019.8A Active CN117893216B (zh) | 2024-03-14 | 2024-03-14 | 基于大数据的用户行为分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893216B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401355A (zh) * | 2023-06-08 | 2023-07-07 | 浙江天正思维信息技术有限公司 | 一种基于数智交互的咨询业务决策管理方法及系统 |
CN116887201A (zh) * | 2023-06-26 | 2023-10-13 | 广州市单元信息科技有限公司 | 一种基于用户分析的短信智能推送方法及系统 |
CN117074839A (zh) * | 2023-10-16 | 2023-11-17 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及系统 |
-
2024
- 2024-03-14 CN CN202410290019.8A patent/CN117893216B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401355A (zh) * | 2023-06-08 | 2023-07-07 | 浙江天正思维信息技术有限公司 | 一种基于数智交互的咨询业务决策管理方法及系统 |
CN116887201A (zh) * | 2023-06-26 | 2023-10-13 | 广州市单元信息科技有限公司 | 一种基于用户分析的短信智能推送方法及系统 |
CN117074839A (zh) * | 2023-10-16 | 2023-11-17 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117893216A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423442B (zh) | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 | |
CN108647226B (zh) | 一种基于变分自动编码器的混合推荐方法 | |
CN110727665B (zh) | 物联网设备上报数据质量分析方法及系统 | |
CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
CN110083699B (zh) | 基于深度神经网络的新闻流行度预测模型训练方法 | |
US20210397956A1 (en) | Activity level measurement using deep learning and machine learning | |
CN114219562A (zh) | 模型的训练方法、企业信用评估方法和装置、设备、介质 | |
CN114004691A (zh) | 基于融合算法的额度评分方法、装置、设备及存储介质 | |
CN117893216B (zh) | 基于大数据的用户行为分析方法及系统 | |
CN116401355B (zh) | 一种基于数智交互的咨询业务决策管理方法及系统 | |
CN115809795B (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN115526420A (zh) | 一种基于外部影响因素关联性的电力负荷预测方法及系统 | |
Icaza-Lizaola et al. | A sparse regression approach for populating dark matter haloes and subhaloes with galaxies | |
CN112766537A (zh) | 一种短期电负荷预测方法 | |
Gedda et al. | Change Point Detection for Process Data Analytics Applied to a Multiphase Flow Facility. | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
CN117829322A (zh) | 基于周期性时间序列与多维度的关联型数据预测方法 | |
Follett et al. | Achieving parsimony in bayesian VARs with the horseshoe prior | |
CN115080965B (zh) | 基于历史表现的无监督异常检测方法及系统 | |
Sabilirrasyad et al. | Sentiment Analysis of Twitter Discussions on Rafael Alun: Multinomial Naïve Bayes and Decision Tree Approach | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
CN117949436B (zh) | 应用于钛合金熔炼下的金属元素成分检测方法及系统 | |
Adesiyan | Performance prediction of production lines using machine learning algorithm | |
CN116610855A (zh) | 一种综合能源服务的推荐方法、系统、电子设备及介质 |
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 |