一种基于ELMAN神经网络的用户体验评价方法及系统技术方案

本发明专利技术提供了一种基于ELMAN神经网络的用户体验评价方法及系统，通过开发一款手机App，获取用户在使用新研发APP的过程视频(可以通过手机App现场拍摄或者读取视频文件)传输到云端；在云端把该视频分解成连续的系列照片；应用人脸识别技术，识别该系列照片对应的人脸表情类型，获得表情随时间变化的代码向量，在云平台上，通过ELMAN神经网络建立用户体验数据与对应用户体验过程评分的复杂非线性关系模型；进行视频的录入即可自动获得该用户体验过程的用户体验评价结果，作为企业进行APP产品升级优化的依据。

【技术实现步骤摘要】
一种基于ELMAN神经网络的用户体验评价方法及系统
本专利技术涉及大数据领域，具体涉及一种基于ELMAN神经网络的用户体验评价方法及系统。
技术介绍
如今，各种APP软件产品的开发层出不穷，一个APP软件产品是否能够成功，用户体验逐渐变成了一个关键因素。大数据已成为提升用户体验的重要参考工具，有效的数据挖掘和分析可以被企业用来提升现有产品的用户体验，通过上述结果来开发新的产品和服务。有针对性的采取用户体验措施，从而使用户在心理上有一个良好的用户体验，但是用户体验结果很难用一种直观、真实的方式表达出来，然而表情是人类用来表达各种情绪状态最直观、最真实的一种方式，是一种十分重要的非语言交流手段。现有技术在APP软件研发过程中，采用传统用户调查的方式，无法快速准确获取新研发APP软件的用户使用体验数据，研发效率较低。
技术实现思路
为了解决现在产品研发过程中，研发人员不能快速获取新研发APP用户体验数据的问题，本申请提供一种基于ELMAN神经网络的用户体验评价方法,包括以下步骤S1：采集用户使用测试APP的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵；S2:通过测试APP采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建ELMAN模型，采用所述输入矩阵和所述结果矩阵对ELMAN模型进行训练；S3:采集用户使用目标APP的第二过程视频，采用训练完成的ELMAN模型对所述用户使用目标APP的第二过程视频进行分析并获取用户体验数据。进一步的，所述步骤S1包括，S11：以横坐标为时间，纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱，其中，“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T，采用表情谱得到矩阵A＝[e1,e2,e3,…,en]7×n；S12:将矩阵A进行转置变换得到AT＝[e1,e2,e3,…,en]n×7；S13:构造矩阵M＝A·AT；S14:计算矩阵M的特征值，生成矩阵M的特征值矩阵λ＝[λ1,λ2,λ3,…,λ7]1×7；S15:生成输入矩阵X＝[λ,N,B]1×9，其中N为年龄，B为性别。进一步的，步骤S2中，设置Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出。进一步的，所述步骤S2包括S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；S22：随机输入样本Xk；S23：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；S27：对输入样本Xk反向计算每层神经元的局部梯度δ；S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。进一步的，所述步骤S3还包括，将用户体验数据发送至管理员移动终端并进行展示。为了保证上述方法的实施，本专利技术还提供一种基于ELMAN神经网络的用户体验评价系统,其特征在于，包括以下模块采集模块，用于采集用户使用测试APP的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵；训练模块，用于通过测试APP采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建ELMAN模型，采用所述输入矩阵和所述结果矩阵对ELMAN模型进行训练；结果输出模块，采集用户使用目标APP的第二过程视频，采用训练完成的ELMAN模型对所述用户使用目标APP的第二过程视频进行分析并获取用户体验数据。进一步的，所述采集模块采用以下步骤获取输入矩阵，S11：以横坐标为时间，纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱，其中，“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T，采用表情谱得到矩阵A＝[e1,e2,e3,…,en]7×n；S12:将矩阵A进行转置变换得到AT＝[e1,e2,e3,…,en]n×7；S13:构造矩阵M＝A·AT；S14:计算矩阵M的特征值，生成矩阵M的特征值矩阵λ＝[λ1,λ2,λ3,…,λ7]1×7；S15:生成输入矩阵X＝[λ,N,B]1×9，其中N为年龄，B为性别。进一步的，所述训练模块设置Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出。进一步的，所述训练模块采用以下步骤对ELMAN模型进行训练：S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；S22：随机输入样本Xk；S23：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；S27：对输入样本Xk反向计算每层神经元的局部梯度δ；S28：计算权值修正量ΔW，并修本文档来自技高网...

【技术保护点】
1.一种基于ELMAN神经网络的用户体验评价方法,其特征在于，包括以下步骤S1：采集用户使用测试APP的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵；S2:通过测试APP采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建ELMAN模型，采用所述输入矩阵和所述结果矩阵对ELMAN模型进行训练；S3:采集用户使用目标APP的第二过程视频，采用训练完成的ELMAN模型对所述用户使用目标APP的第二过程视频进行分析并获取用户体验数据。

【技术特征摘要】
1.一种基于ELMAN神经网络的用户体验评价方法,其特征在于，包括以下步骤S1：采集用户使用测试APP的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵；S2:通过测试APP采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建ELMAN模型，采用所述输入矩阵和所述结果矩阵对ELMAN模型进行训练；S3:采集用户使用目标APP的第二过程视频，采用训练完成的ELMAN模型对所述用户使用目标APP的第二过程视频进行分析并获取用户体验数据。2.如权利要求1所述的一种基于ELMAN神经网络的用户体验评价方法,其特征在于，所述步骤S1包括，S11：以横坐标为时间，纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱，其中，“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T，采用表情谱得到矩阵A＝[e1,e2,e3,…,en]7×n；S12:将矩阵A进行转置变换得到AT＝[e1,e2,e3,…,en]n×7；S13:构造矩阵M＝A·AT；S14:计算矩阵M的特征值，生成矩阵M的特征值矩阵λ＝[λ1,λ2,λ3,…,λ7]1×7；S15:生成输入矩阵X＝[λ,N,B]1×9，其中N为年龄，B为性别。3.如权利要求2所述的一种基于ELMAN神经网络的用户体验评价方法,其特征在于，步骤S2中，设置Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出。4.如权利要求3所述的一种基于ELMAN神经网络的用户体验评价方法,其特征在于，所述步骤S2包括以下步骤S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；S22：随机输入样本Xk；S23：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；S27：对输入样本Xk反向计算每层神经元的局部梯度δ；S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。5.如权利要求4所述的一种基于ELMAN神经网络的用户体验评价方法,其特征在于，所述步骤S3还包括，将用户体验数据发送至管理员移动终端并进行展示。6.一种基于ELMAN神经网络的用户体...

【专利技术属性】
技术研发人员：李太福，廖志强，尹蝶，段棠少，张志亮，黄星耀，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50