-
Die Erfindung betrifft ein Verfahren zur Klassifizierung von Benutzern und ein Verfahren zum Bestimmen von Merkmalen von Benutzerverhalten zur Benutzerklassifizierung und betrifft insbesondere solche Verfahren zur Benutzerklassifizierung während Online-Benutzungsvorgängen.
-
Während Online-Benutzungsvorgängen oder Online-Sessions, beispielsweise einem Kaufvorgang in einem Online-Verkaufsgeschäftsbetrieb oder einem Fehlerbeseitigungsvorgang unter Zuhilfenahme eines technischen Unterstützungsforums oder technischen Unterstützungswebseite, tritt häufig die Notwendigkeit auf, zu bestimmen, ob ein Benutzer unter eine vordefinierte Kategorie fällt, oder dies nicht der Fall ist. Eine solche Kategorie ist beispielsweise in einem Online-Verkaufsgeschäftsbetrieb, ob es sich um einen Benutzer mit Kaufabsicht handelt, oder dies nicht der Fall ist. Basierend auf dieser Klassifizierung wäre beispielsweise die Zuordnung von beratendem Verkaufspersonal vornehmbar, das über unterschiedliche Interaktionsmöglichkeiten, wie einem Telefonanruf oder einem eingeblendeten Chat-Bereich unterstützend tätig werden kann. Bei einer technischen Unterstützungswebseite ist eine solche Kategorie beispielsweise, ob es sich um einen Benutzer handelt, der kurz davorsteht, weitere Fehlerbeseitigungsversuche mit Hilfe der technischen Unterstützungswebseite wegen bisheriger Erfolglosigkeit abzubrechen.
-
Im Stand der Technik sind verschiedene Verfahren bekannt, um aus Benutzerverhalten eine Klassifikation abzuleiten. So offenbart beispielsweise
US 2020 / 032 0608 A1 ein Computersystem, das die Stimmung der Benutzer analysiert, um eine Kommunikationssitzung dynamisch zu verändern. Eine oder mehrere Benutzerinteraktionen werden während einer Kommunikationssitzung aufgezeichnet, wobei ein maschinelles Lernmodell auf der Grundlage der aufgezeichneten Benutzerinteraktionen aktualisiert wird. Ein Wahrscheinlichkeitswert, dass ein Benutzer die Kommunikationssitzung beendet, bevor er eine oder mehrere gewünschte Aktionen ausführt, wird berechnet. Als Reaktion auf die Feststellung, dass die Wahrscheinlichkeitsbewertung über einem Schwellenwert liegt, werden dem Benutzer während der Kommunikationssitzung eine oder mehrere Abfragen präsentiert, wobei die eine oder mehreren Abfragen unter Verwendung des maschinellen Lernmodells ausgewählt werden. Das empfangene Benutzerfeedback wird analysiert, um die Stimmung des Benutzers zu bestimmen. Die Kommunikationssitzung wird dynamisch auf der Grundlage des Benutzerfeedbacks und der Benutzerstimmung modifiziert. Offenbart wird ferner ein Verfahren und ein Programmprodukt zum Analysieren der Benutzerstimmung, um eine Kommunikationssitzung im Wesentlichen auf die gleiche Weise wie oben beschrieben dynamisch zu modifizieren.
-
US 9,369,536 B1 offenbart Techniken zur Erzeugung eines Zeitstrahls signifikanter Ereignisse, die mit einem Benutzer verbunden sind, und des Benutzerverhaltens, das kontextuell relevant für die Ereignisse ist, beschrieben. Die Techniken umfassen auch die Vorhersage von Benutzerverhalten, das die Tendenz hat, nach einem Ereignis aufzutreten, und die Bereitstellung von Elementempfehlungen in Verbindung mit den Vorhersagen. In einigen Implementierungen kann das Ereignis, das bei der Vorhersage des Benutzerverhaltens vermerkt wird, aus dem Zeitstrahl abgerufen werden.
-
US 2020 / 0084280 A1 offenbart, einen festgelegte Satz von Ressourcen auf Sitzungsaktivitäten mehrerer Benutzer zu überwachen, die nicht zu einer bestimmten Gruppe gehören. Für jeden der mehreren Benutzer verwendet das offenbarte Computersystem ein oder mehrere Vorhersagemodelle, um die Wahrscheinlichkeit zu bestimmen, dass der Benutzer eine gewünschte Art von Aktivität durchführt, basierend auf einer oder mehreren für diesen Benutzer erkannten Sitzungsaktivitäten.
-
US 9,122,758 B1 offenbart Techniken zur Einleitung einer gemeinsamen elektronischen Browsing-Sitzung für eine Vielzahl von Benutzern. Eine Computervorrichtung kann die Sitzung initiieren und Browsing- und Chat-Aktivitäten der Benutzer mit der Sitzung verknüpfen, um zumindest eines von gemeinsamem Browsing und Chat in Echtzeit oder asynchronem Browsing und Chat zu ermöglichen. Darüber hinaus kann das Computergerät einen sozialen Graphen für einen der Benutzer auf der Grundlage der Sitzung bestimmen und dem Benutzer Elemente auf der Grundlage der Browsing- und Chat-Aktivitäten von Benutzern, die in dem sozialen Graphen enthalten sind, empfehlen.
-
US 2019 / 0236645 A1 ein System und ein Verfahren zur Identifizierung von Interessenten mit einer Kaufabsicht und zur Verbindung dieser Interessenten mit relevanten Unternehmen. Ein Beispielverfahren kann Folgendes umfassen: Erhalten eines Trainingsdatensatzes; Anwenden eines ersten Bewertungsalgorithmus, um eine erste Bewertung für jeden Eintrag in dem Trainingsdatensatz zu erhalten; Empfangen einer oder mehrerer Bewertungen von einem Benutzer für einen oder mehrere Einträge in dem Trainingsdatensatz; erneutes Bewerten des Trainingsdatensatzes auf der Grundlage der einen oder mehreren von dem Benutzer empfangenen Bewertungen; Erzeugen eines Deep-Learning-Modells auf der Grundlage des neu bewerteten Datensatzes; Erhalten von digitalen Medienbeiträgen, die Daten von einer oder mehreren digitalen Medienplattformen umfassen; Bewerten jedes empfangenen digitalen Medienbeitrags unter Verwendung des Deep-Learning-Modells; Bereitstellen bestimmter bewerteter digitaler Medienbeiträge für den Benutzer; Empfangen einer zweiten Bewertung von dem Benutzer; und Aktualisieren des Deep-Learning-Modells auf der Grundlage der zweiten Bewertung.
-
Diese Verfahren aus dem Stand der Technik haben den Nachteil, dass sie bei einer komplexeren Klassifikation, wie beispielsweise der Bestimmung, ob ein Benutzer Kaufabsicht hat oder nicht, oder ob ein Benutzer wegen Erfolglosigkeit kurz davor ist, den Online-Benutzungsvorgang abzubrechen, zu ungenau sind. So muss sich ein Online-Benutzungsvorgang mit Kaufabsicht nicht zwangsläufig in einem getätigten Kauf niederschlagen, oder kann ein Abbruch eines Online-Benutzungsvorgangs aufgrund von Erfolg oder anderer Kriterien als erfolgloser Suche erfolgen, sodass eine Zuordnung von Merkmalen des Benutzerverhaltens zu einem Bestimmten Ausgang des Online-Benutzungsvorgangs keine zuverlässige Klassifikation erlaubt.
-
Außerdem erfassen diese Verfahren unspezifisch eine Vielzahl von Merkmalen, was zu komplexen und teuren Bewertungsmodellen führt.
-
Es ist Aufgabe der Erfindung, diese Nachteile aus dem Stand der Technik zu beseitigen, und insbesondere ein Verfahren zur Benutzerklassifikation und zum Bestimmen von Merkmalen von Benutzerverhalten zur Benutzerklassifizierung bereitzustellen, die eine höhere Übereinstimmungswahrscheinlichkeit einer getätigten Klassifikationsbewertung und einer tatsächlichen Klassenzugehörigkeit erlaubt.
-
Die Aufgabe wird gelöst nach dem Gegenstand der nebengeordneten Ansprüche. Vorteilhafte Weiterbildungen sind Gegenstand der Unteransprüche.
-
Offenbart wird ein Verfahren zur Klassifizierung eines Benutzers, das die Schritte aufweist: a) Bestimmen einer Menge von Merkmalen von Benutzerverhalten während eines Benutzungsvorgangs, b) Bestimmen einer Klasse zur Klassifizierung des Benutzers, c) Durchführen des Benutzungsvorgangs, d) Erfassen von Werten der Menge von Merkmale während der Durchführung des Benutzungsvorgangs durch den Benutzer, e) Bereitstellen eines maschinellen Selbstlern-Modells zur Klassifizierung des Benutzers unter Eingabe der Werte der Merkmale als Eingang für das maschinelle Selbstlern-Modell und unter Ausgabe einer Klassifizierung des Benutzers als zur Klasse zugehörig, f) Klassifizieren des Benutzers anhand des maschinellen Selbstlern-Modells unter Eingabe der erfassten Werte der Menge von Merkmalen, g) Ermitteln der tatsächlichen Klassenzugehörigkeit des Benutzers durch einen Auditor, h) Aktualisieren des maschinellen Selbstlern-Modells unter Eingabe der Werte der Merkmale und der ermittelten Klassenzugehörigkeit, wenn die Klassifizierung aus Schritt f) und die Ermittlung der tatsächlichen Klassenzugehörigkeit des Benutzers aus Schritt g) zu voneinander abweichendem Ergebnis führen.
-
Vorteilhaft ist, wenn das Verfahren ferner den Schritt aufweist: i) Kontaktaufnahme des Auditors mit dem Benutzer, und wobei Schritt h) ferner beinhaltet: Erfragen der Klassenzugehörigkeit durch den Auditor beim Benutzer.
-
Vorteilhaft ist, wenn der Benutzungsvorgang ein Online-Benutzungsvorgang mittels einer Webbrowser-Applikation ist, Schritt i) erfolgt, wenn das Klassifizieren aus Schritt f) anhand des maschinellen Selbstlern-Modells die Zugehörigkeit zur Klasse aus Schritt b) ausgibt, und Schritt i) beinhaltet: ia) Zuordnung eines Auditors zu dem Benutzungsvorgang, ib) Einblenden eines Kommunikationsbereiches in die Webbrowser-Applikation.
-
Vorteilhaft ist, wenn die Menge der Merkmale eine echte oder unechte Teilmenge ist aus: Datum des Benutzungsvorgangs, Wochentag des Benutzungsvorgangs, Uhrzeit der Initiierung des Benutzungsvorgangs, Uhrzeit einer oder mehrerer Handlungen aus dem Benutzungsvorgang, Dauer einer oder mehrerer Handlungen aus dem Benutzungsvorgang, Art einer oder mehrerer Handlungen aus dem Benutzungsvorgang, Verweildauer auf einer oder mehreren Webseiten bei einem Online-Benutzungsvorgang, Anzahl oder Häufigkeit der Rücksprünge auf vorherige Webseiten, Klickrate, Benutzer-Lokation, Browser-Applikation oder Browser-Version bei einem Online-Benutzungsvorgang, Maus-/Cursorbewegung, Darstellungsinhalt, wie Hauptfarben und Nebenfarben der Benutzungsoberfläche oder der Webseite oder dargestellte Objekte.
-
Vorteilhaft ist, wenn die Klasse ein Element ist aus der Menge: der Benutzer hat Kaufabsicht, der Benutzer hat Beratungsbedarf, der Benutzer ist in einem Zustand, in dem er den Benutzungsvorgang demnächst wegen bisheriger Erfolglosigkeit abbrechen wird.
-
Vorteilhaft ist, wenn die Schritte c) - h) für eine vorbestimmte Anzahl von Benutzungsvorgängen wiederholt werden und ferner der Schritt aufgewiesen wird: j) Kennzeinen der in Schritt b) bestimmten Klasse als zur Klassifizierung ungeeignet, wenn bei mehr als einem vorbestimmten Anteil der Benutzungsvorgänge eine Aktualisierung des maschinellen Selbstlern-Modells nach Schritt h) erfolgt.
-
Vorteilhaft ist, wenn der vorbestimmte Anteil ½, vorzugsweise ¼ und weiter vorzugsweise kleiner als ¼ ist.
-
Offenbart wird ferner ein Verfahren zum Bestimmen von Merkmalen von Benutzerverhalten eines Benutzers zur Benutzerklassifizierung des Benutzers, das die Schritte aufweist: m) Bereitstellen eines aktualisierten maschinellen Selbstlern-Modells nach den Schritten a) - g) gemäß Anspruch 1, n) Selektieren eines ersten Merkmals aus der Menge von Merkmalen aus Schritt a) gemäß Anspruch 1, o) Klassifizierung des Benutzers gemäß Schritt f) aus Anspruch 1, p) Modifizieren des Wertes des in Schritt n) selektierten Merkmals durch einen vorbestimmten (positiven oder negativen) Aufschlag, q) Klassifizierung des Benutzers anhand des maschinellen Selbstlern-Modells unter Eingabe der erfassten Werte für die Merkmale ausschließlich des selektierten Merkmals und des modifizierten Wertes des selektierten Merkmals, r) Abgleichen des Klassifizierungsergebnisses aus Schritt o) mit dem Klassifizierungsergebnis aus Schritt q), s) Entfernung des selektierten Merkmals aus der Menge der Merkmale, wenn der Abgleich aus Schritt r) ergibt, dass beide Klassifizierungen zu dem gleichen Ergebnis geführt haben.
-
Vorteilhaft ist, wenn die Schritte o) - r) für eine vorbestimmte Anzahl widerholt werden und die Entfernung des selektierten Merkmals aus der Menge der Merkmale aus Schritt s) erfolgt, wenn der Abgleich aus Schritt r) jedes Mal ergibt, dass beide Klassifizierungen zu dem gleichen Ergebnis geführt haben.
-
Vorteilhaft ist, wenn beim Modifizieren aus Schritt p) der Aufschlag zufällig bestimmt wird.
-
Vorteilhaft ist, wenn die Schritte n) - s) für eine Untermenge der Merkmale aus der Menge der Merkmale wiederholt wird.
-
Vorteilhaft ist, wenn: die Untermenge der Merkmale gleich der Menge der Merkmale ist.
-
Anhand der Figuren wird ein Ausführungsbeispiel der Erfindung beschrieben.
- 1 zeigt Ablaufdiagramm eines Initial-KNN-Erstellungsverfahrens gemäß einem Ausführungsbeispiel der Erfindung.
- 2 zeigt Ablaufdiagramm eines Ergebnisoptimierungsverfahrens gemäß einem Ausführungsbeispiel der Erfindung.
- 3 zeigt Ablaufdiagramm eines Klasseneignungsbestimmungsverfahrens gemäß einem Ausführungsbeispiel der Erfindung.
- 4 zeigt Ablaufdiagramm eines Ressourcenoptimierungsverfahrens gemäß einem Ausführungsbeispiel der Erfindung.
-
Anhand von 1 wird ein Ausführungsbeispiel eines Verfahrens zur Benutzerklassifizierung beschrieben.
-
In diesem Ausführungsbeispiel soll in einer Umgebung eines Online-Verkaufsgeschäftsbetrieb, in dem ein Benutzer mittels eines Web-Browsers Produkt-Seiten anzeigen und diese käuflich erwerben kann, ein Benutzer dahingehend klassifiziert werden, ob er in einem Online-Benutzungsvorgang zu einem Zeitpunkt Kaufabsicht hat. Für diesen Fall soll ihm ein Kundenberater zugeordnet werden und unmittelbar ansprechbar sein. Für Fälle, in denen der Benutzer nicht klassifiziert ist, Kaufabsicht zu haben, soll diese Zuordnung eines Kundenberaters und die Ansprechbarkeit nicht gegeben sein. Alternativ soll für diesen Fall eine Kommunikationsmöglichkeit wie beispielsweise ein Chat-Bereich, eine Anruffunktion oder Dergleichen prominent eingeblendet werden, den der Benutzer verwenden kann. Bei Nutzung dieser Kommunikationsmöglichkeit wird erst dann ein Kundenberater zugeordnet, ggf. auch nach Qualifikation und Erfolgsstatistik des Kundenberaters. Die Kommunikationsmöglichkeit steht dem Benutzer auswählbar auch sonst zur Verfügung, allerdings minimiert oder nicht prominent.
-
In 1 wird ein Initial-KNN-Erstellungsverfahren beschrieben.
-
In einem Merkmalsbestimmungsschritt S11 wird eine Menge von Merkmalen des Benutzungsvorgangs Online-Einkauf bestimmt. Merkmale sind technisch erfassbare Eigenschaften eines Benutzungsvorgangs, wie beispielsweise Datum des Benutzungsvorgangs, Wochentag des Benutzungsvorgangs, Uhrzeit der Initiierung des Benutzungsvorgangs, Uhrzeit einer oder mehrerer Handlungen aus dem Benutzungsvorgang, Dauer einer oder mehrerer Handlungen aus dem Benutzungsvorgang, Art einer oder mehrerer Handlungen aus dem Benutzungsvorgang, Verweildauer auf einer oder mehreren Webseiten bei einem Online-Benutzungsvorgang, Anzahl oder Häufigkeit der Rücksprünge auf vorherige Webseiten, Maus/Cursor Bewegung, Klickrate, Benutzer-Lokation, Browser-Applikation oder Browser-Version bei einem Online-Benutzungsvorgang. Zu Beginn wird eine möglichst umfangreiche Menge an Merkmalen bestimmt.
-
In einem Klassenbestimmungsschritt S12 wird eine Klasse bestimmt, gemäß der der Benutzer klassifiziert werden soll. Im vorliegenden Ausführungsbeispiel ist die Klasse „der Benutzer hat Kaufabsicht“. Alternativ kann die Klasse auch sein „derKunde hat Beratungsbedarf“ oder „der Kunde hat einen Kommunikationswunsch.
-
In einem Datenseterstellungsschritt S13 wird über eine Vielzahl von Benutzungsvorgängen ein Datenset erstellt, in dem für jeden Benutzungsvorgang Werte für die Merkmale ermittelt und so parametrisiert werden, dass sie als Eingabe für ein künstliches neuronales Netz (KNN) geeignet sind. Ferner wird ermittelt, ob ein Benutzungsvorgang mit einem Kauf abgeschlossen wurde.
-
In einem Initial-KNN-Erstellungsschritt S14 wird das Datenset als Eingabe zum Training eines Initial-KNN verwendet und das Initial-KNN erstellt. Bei dem Initial-KNN handelt es sich um ein rekurrentes KNN. Dies ermöglicht, im Verlauf eines Benutzungsvorgangs zu erkennen, ob zu einem bestimmten Zeitpunkt während des Benutzungsvorgangs Kaufabsicht eintritt. Insbesondere wird ein Reservoir-KNN und vorteilhafterweise wird ein LSM (Liquid State Machine) als Initial-KNN verwendet, da hier ein spatio-temporales Muster abbildbar ist, über das sich insbesondere eine erst während des Benutzungsvorgangs entwickelnde Kaufabsicht anhand der Art und des Zeitverlaufs der Merkmalswerte klassifizieren lässt.
-
Anhand von 2 wird eine Ergebnisoptimierungsverfahren des Initial-KNN beschrieben.
-
In einem Initial-Einsatzschritt S21 wird ein wie anhand 1 beschrieben erstelltes Initial-KNN eingesetzt, um während Benutzungsvorgängen Benutzer zu klassifizieren. Hierbei werden bei Benutzungsvorgängen ermittelte Werte der Merkmale ermittelt, so parametrisiert, dass sie als Eingabe für das Initial-KNN geeignet sind und als Eingabewerte in das Initial-KNN eingegeben werden.
-
In einem Klassifizierungsschritt S22 gibt das Initial-KNN eine Klassifizierung aus, ob der jeweilige Benutzer Kaufabsicht hat/bekommt, oder nicht.
-
Wird der Benutzer klassifiziert, Kaufabsicht zu haben, wird dem Benutzer in einem Auditorinteraktionsschritt S23 ein Kundenberater zugeordnet, der als Auditor tätig wird und die Klassifizierung aus S22 überprüft. Hierzu wird dem Benutzer in dem Benutzungsoberflächenbereich seiner Web-Browser-Applikation ein Kommunikationsbereich geöffnet und prominent dargestellt, in dem der Kundenberater den Benutzer unmittelbar in Textform anschreiben, über Audio-, Videochat- oder eine anderen Kommunikationsform mit ihm kommunizieren kann. Hierbei kann er in seiner Funktion als Kundenberater tätig werden. Alternativ erfolgt die Zuordnung eines Kundenberaters erst, nachdem der Benutzer den Kommunikationsbereich tatsächlich nutzt.
-
Dem Benutzer steht auch dann, wenn er nicht klassifiziert wurde, die Kommunikationsmöglichkeit anwählbar zur Verfügung. Die Darstellung ist allerdings nicht prominent und geöffnet, aber beispielsweise über ein peripheres Symbol anwählbar, sodass bei Anwahl die prominente Darstellung erfolgt. Auch solche Vorgänge können zur Ergebnisoptimierung verwendet werden.
-
In einem Klassenzugehörigkeitsermittlungsschritt S24 beurteilt der Kundenberater als Auditor, ob der Benutzer tatsächlich der Klasse „mit Kaufabsicht“ zuzuordnen war.
-
Kommt der Kundenberater zu dem Ergebnis, dass die Klassifizierung aus S22 unzutreffend war, werden in einem Trainingsschritt S25 die Werte der Merkmale und die korrekte Klassifizierung als Eingabe Anpassung und zur Ergebnisoptimierung eingegeben.
-
Alternativ zu dem Initial-KNN-Erstellungsverfahren, das im Zusammenhang mit 1 beschrieben wurde, kann das hier im Zusammenhang mit 2 beschriebene Ergebnisoptimierungsverfahren auch dazu verwendet werden, ein Initial-KNN zu erstellen. Hierzu fallen aus dem Verfahren die Schritte S21 und S22 weg, und die Trainingsdatensätze bestehen aus den Merkmalen solcher Benutzungsvorgänge, bei denen ein Benutzerkontakt mit einem Auditor stattgefunden hat, der entweder von dem Benutzer oder dem Auditor initiiert wurde.
-
Optional können Plausibilitätsprüfungen erfolgen. Dauert beispielsweise eine Auditoreninteraktion aus Schritt S23 nur wenige Sekunden, ist die Zuverlässigkeit einer positiven Klassenzugehörigkeitsermittlung gering.
-
Anhand von 3 wird ein Klasseneignungsbestimmungsverfahren beschrieben.
-
In einem Korrekturbedarfsermittlungsschritt S31 wird das Ergebnisoptimierungsverfahren aus 2 durchgeführt und für eine geeignete Anzahl von Benutzungsvorgängen wiederholt. Hierbei wird im Korrekturbedarfsermittlungsschritt S31 protokolliert, in wie vielen Fällen die Durchführung des Trainingsschritts S25 erforderlich war.
-
In einem Geeignetheitsbestimmungsschritt S32 wird festgestellt, in wie vielen Fällen der Durchführung des Ergebnisoptimierungsverfahrens ein Trainingsschritt S25 erforderlich war und mit der Gesamtzahl der Durchführung des Ergebnisoptimierungsverfahren ins Verhältnis gesetzt.
-
Wenn das Verhältnis aus der Anzahl der Trainingsschritte S25 und Gesamtzahl der Durchführungen der Ergebnisoptimierungsverfahren einen bestimmten Wert erreicht, beispielsweise über ¼ liegt oder sich ½ annähert wird im einem Ungeeignetheitsmarkierungsschritt S33 die Klasse als ungeeignet zur Klassifizierung eines Benutzers anhand der vorhandenen Informationen bewertet, da bei einer Annäherung des Verhältnisses an ½ sich die Zuverlässigkeit der Klassifizierung an Zufallstreffer annähert. In diesem Fall muss in Schritt S12 eine andere Klasse bestimmt und ein neues Initial-KNN erstellt werden.
-
Anhand von 4 wird ein Ressourcenoptimierungsverfahren des Initial-KNN beschrieben.
-
In einem Optimierungs-Einsatzschritt S21 wird ein wie anhand 1 oder 2 beschrieben erstelltes oder ergebnisoptimiertes Initial-KNN eingesetzt, um während Benutzungsvorgängen Benutzer zu klassifizieren. Hierbei werden bei Benutzungsvorgängen ermittelte Werte der Merkmale ermittelt, so parametrisiert, dass sie als Eingabe für das Initial-KNN geeignet sind und als Eingabewerte in das Initial-KNN eingegeben werden.
-
In einem Merkmalsselektionsschritt S42 wird ein Merkmal aus der Menge der Merkmale ausgewählt.
-
In einem Klassifizierungsschritt S43 wird unter Eingabe der Werte der Menge der Merkmale für einen Benutzungsvorgang in das Initial-KNN eine Klassifizierung des Benutzers vorgenommen.
-
In einem Merkmals-Modifizierungsschritt S44 wird der Wert des selektierten Merkmals um einen Zufallswert modifiziert. Aus wenn im Ausführungsbeispiel eine Modifikation um einen Zufallswert erfolgt, ist hier auch eine gleichmäßige inkrementelle oder dekrementelle Modifikation möglich.
-
In einem Klassifizierungsüberprüfungsschritt S45 wird dem Initial-KNN als Eingabe die Werte der Menge der Merkmale bis auf das selektierte Merkmal eingegeben, die beim Benutzungsvorgang ermittelt wurden, und der modifizierte Wert aus S44. Die hierdurch erhaltene Ausgabe des Initial-KNN wird mit der Ausgabe aus S43 verglichen. Schritt S45 wird um eine vorbestimmte Anzahl wiederholt.
-
Ergibt sich, dass in allen Wiederholungen des Klassifizierungsüberprüfungsschritts S45 die Klassifizierung nicht von der Klassifizierung aus Schritt S43 abweicht, ist anzunehmen, dass das selektierte Merkmal für die Klassifizierung nicht relevant ist und das selektierte Merkmal wird in einem Merkmalsentfernungsschritt S46 aus der Menge der Merkmale entfernt.
-
Der Vorgang wird für alle Merkmale aus der Menge der Merkmale wiederholt.
-
Wurden so die zur Klassifizierung relevanten Merkmale ermittelt, kann mit der reduzierten Menge an Merkmalen ein kompakteres und ressourcensparenderes KNN erzeugt werden.
-
Die Erfindung wurde mittels Ausführungsbeispielen beschrieben. Die Ausführungsbeispiele sind lediglich erläuternder Natur und beschränken nicht die Erfindung, wie sie durch die Ansprüche definiert ist. Erkennbar für den Fachmann sind Abweichungen von dem Ausführungsbeispiel möglich, ohne dass der Schutzbereich der Ansprüche verlassen wird.
-
So wurden im Ausführungsbeispiel als Kommunikationsform Textkommunikation gewählt. Für den Fachmann ist erkennbar, dass hier auch weitere Kommunikationsarten wie Tonkommunikation oder Videokommunikation möglich sind.
-
Ferner wurden im Ausführungsbeispiel zur Ermittlung der tatsächlichen Klassenzugehörigkeit direkte Kommunikation verwendet. Eine Bewertung der Klassenzugehörigkeit ist aber auch auf andere Weise durch den Auditor möglich, beispielsweise basierend auf Hintergrundinformation oder auf früheres, dem Auditor bekanntes Verhalten.
-
Im Ausführungsbeispiel wurde als Klasse „Benutzer hat Kaufabsicht“ verwendet. Weitere Klassen, wie beispielsweise „Benutzer hat Beratungsbedarf“, „Benutzer hat Kommunikationsbedarf“, „Benutzer wird demnächst die Webseite verlassen“, „Benutzer ist frustriert“ oder dergleichen sind möglich.
-
Insbesondere ist es möglich, Merkmale aus unterschiedlichen Ausführungsbeispielen zu kombinieren. So ist das Verfahren nach 4 sowohl auf ein Initial-KNN aus 1 als auch auf ein optimiertes KNN aus 2 anwendbar.
-
Die Junktoren ... „und“, „oder“ und „entweder ... oder“ werden in der Bedeutung verwendet, die an die logische Konjunktion (logisches UND), die logische Adjunktion (logisches ODER, oft „und/oder“), bzw. die logische Kontravalenz (logisches Exklusiv-ODER) angelehnt sind. Insbesondere kann im Gegensatz zu „entweder ... oder“ der Junktor „oder“ das gemeinsame Vorliegen beider Operanden beinhalten.
-
Eine Auflistung von Verfahrensschritten hat in der Beschreibung und den Ansprüchen lediglich aufzählende Funktion der erforderlichen Verfahrensschritte. Sie impliziert keine notwendige Ordnung oder Reihenfolge der Verfahrensschritte, es sei denn, eine solche Ordnung oder Reihenfolge wird explizit angegeben oder ergibt sich für den Fachmann in offensichtlicher Weise. Ferner ergibt sich aus einer solchen Auflistung nicht deren Abgeschlossenheit.
-
Der Begriff „Aufweisen“ bedingt in den Ansprüchen keine abschließende Auflistung; das Vorhandensein weiterer Elemente und Schritte ist möglich.
-
Die Verwendung des unbestimmten Artikels „ein“ oder „eine“ schließt das Vorhandensein einer Mehrzahl nicht aus, sondern ist als „mindestens ein“ oder „mindestens eine“ zu verstehen, es sei denn, er wird als „genau ein“ oder „genau eine“ eingeschränkt.
-
Ferner werden im Rahmen dieser Erfindung die nachfolgenden Begriffe in der folgend angegebenen Bedeutung verstanden.
-
Benutzungsvorgang beschreibt eine Abfolge von Handlungen, die ein Benutzer vornimmt, um einen EDV-gestützten Vorgang durchzuführen, beispielsweise eine Aufgabe zu lösen oder ein Ziel zu erreichen.
-
Online-Benutzungsvorgang beschreibt einen Benutzungsvorgang, bei dem ein Benutzer zur Durchführung der Handlung oder der Handlungen auf Betriebsmittel zugreift, die sich nicht am Ort des Benutzers befinden, beispielsweise das Tätigen eines webgestützten Fernabsatzvorgangs, das Lesen eines Artikels einer Web-Zeitung, das Kommunizieren mittels eines IRC-Clients oder dergleichen. Synonym zu Online-Benutzungsvorgang wird auch der Begriff Online-Session verwendet.
-
Merkmale von Benutzerverhalten sind technisch erfassbare Eigenschaften eines Benutzungsvorgangs, wie beispielsweise die Art und Version der benutzten Computerprogramme, Zeitpunkt und Zeitdauer von Handlungen oder Art der vorgenommenen Handlungen.
-
Klassifizierung beschreibt eine Zuordnung eines Objektes, beispielsweise eines Benutzers, zu einer Gruppe von Objekten mit einer oder mehreren vorbestimmten Eigenschaften.
-
Auditor beschreibt eine Person, die unter Kontaktaufnahme mit einem Benutzer dessen tatsächliche Zugehörigkeit zu einer Klasse ermittelt.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- US 20200320608 A1 [0003]
- US 9369536 B1 [0004]
- US 20200084280 A1 [0005]
- US 9122758 B1 [0006]
- US 20190236645 A1 [0007]