基于深度学习的用户行为分析与预测的装置、系统及方法制造方法及图纸

本发明专利技术公开了一种基于深度学习的用户行为分析与预测的装置、系统及方法，对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹；对采集得到的样本数据集进行分析和欠采样处理，并对得到的子集输入决策树模型中进行训练，以及对得到多个单预测模型进行融合，得到对应的融合模型；基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标；对所述用户行为预测目标进行关联存储，并利用可视化技术对构建的多维度行为模型进行展示与服务，能够提升运算性能。

【技术实现步骤摘要】
基于深度学习的用户行为分析与预测的装置、系统及方法
本专利技术涉及深度学习
，尤其涉及一种基于深度学习的用户行为分析与预测的装置、系统及方法。
技术介绍
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。在对用户购买行为进行预测的过程中，现有的深度学习系统需要采用众多核心处理单元进行计算，并且还需要对许多的数据进行计算处理，导致运算性能降低。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的用户行为分析与预测的装置、系统及方法，提高运算性能。为实现上述目的，第一方面，本专利技术提供了一种基于深度学习的用户行为分析与预测的方法，包括如下步骤：对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹；对采集得到的样本数据集进行分析和欠采样处理，并对得到的子集输入决策树模型中进行训练，以及对得到多个单预测模型进行融合，得到对应的融合模型；基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标；对所述用户行为预测目标进行关联存储，并利用可视化技术对构建的多维度行为模型进行展示与服务。其中，对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹，包括：利用网络爬虫技术对任一网站中的存储的大数据进行数据采集；对采集到的数据进行数据清洗和数据预处理；从时序上对预处理后的数据进行特征提取，得到对应的用户活动轨迹。其中，从时序上对预处理后的数据进行特征提取，得到对应的用户活动轨迹，包括：获取预处理后的所述数据中的相邻时刻下对应的用户行为；基于用户的上网时序，将所有的所述用户行为进行连接，构建对应的用户活动轨迹。其中，基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标，包括：将获取的对应的属性标签和行为标签赋值于所述用户活动轨迹；将所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标。其中，将所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标，包括：将所述用户活动模型输入所述融合模型中，并对所述属性标签和所述行为标签中的通用属性和行为特征进行计算，输出对应的执行概率；将所有的所述执行概率进行求和运算，并将得到的和值与设定的预测阈值进行比较，得到对应的用户行为预测目标值。其中，对所述用户行为预测目标进行关联存储，并利用可视化技术对构建的多维度行为模型进行展示与服务，包括：将所述用户行为预测目标、所述属性标签和所述行为标签建立对应的映射关系，并进行存储；基于所述映射关系构建对应的多维度行为模型，并利用可视化技术对所述多维度行为模型进行展示与服务。第二方面，本专利技术提供了一种基于深度学习的用户行为分析与预测的装置，适用于如第一方面所述的一种基于深度学习的用户行为分析与预测的方法，所述基于深度学习的用户行为分析与预测的装置包括支撑组件、和散热组件和电路板，所述支撑组件包括外壳、盖板、基板和支撑柱，所述外壳具有第一凹槽、进气孔和散热孔，所述进气孔和所述散热孔位于所述第一凹槽的两侧，所述盖板与所述外壳可拆卸连接，并覆盖所述第一凹槽，所述基板与所述外壳固定连接，并位于所述外壳内，所述支撑柱与所述外壳固定连接，并位于所述外壳的一侧，所述散热组件包括散热板、冷却管、换热管、换热风扇、循环泵和分流板，所述散热板与所述支撑柱固定连接，并位于所述支撑柱的一侧，所述冷却管与所述散热板固定连接，并位于所述散热板与所述基板之间，所述换热管与所述冷却管连通，并位于靠近所述散热孔的一侧，所述循环泵与所述换热管和所述冷却管连通，并位于所述基板的一侧，所述换热风扇与所述基板固定连接，并位于所述基板靠近所述散热孔的一侧；所述电路板与所述支撑柱固定连接，并位于所述支撑柱的一侧，所述电路板包括数据采集模块、训练融合模块、学习预测模块和存储展示模块，所述数据采集模块、所述训练融合模块、所述学习预测模块和所述存储展示模块依次连接。第三方面，本专利技术提供了一种基于深度学习的用户行为分析与预测的系统，包括如第二方面所述的一种基于深度学习的用户行为分析与预测的装置，还包括外部接口，所述外部接口与所述电路板电连接，并穿过所述外壳。第四方面，本专利技术提供了一种计算机设备，包括存储器和处理器，所述存储器，用于存储程序指令，所述处理器，用于调用所述存储器中的程序指令执行如第一方面所述的方法包括的部分或全部步骤。第五方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如第一方面所述的方法的部分或全部步骤。本专利技术的一种基于深度学习的用户行为分析与预测的装置、系统及方法，对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹；对采集得到的样本数据集进行分析和欠采样处理，并对得到的子集输入决策树模型中进行训练，以及对得到多个单预测模型进行融合，得到对应的融合模型；基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标；对所述用户行为预测目标进行关联存储，并利用可视化技术对构建的多维度行为模型进行展示与服务，能够提升运算性能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，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是本专利技术第一实施例提供的一种基于深度学习的用户行为分析与预测的方法的步骤示意图。图2是本专利技术第一实施例提供的详细流程图。图3是本专利技术第二实施例提供的一种基于深度学习的用户行为分析与预测的方法的步骤示意图。图4是本专利技术提供的一种基于深度学习的用户行为分析与预测的系统的左侧结构图。图5是本专利技术提供的一种基于深度学习的用户行为分析与预测的系统的右侧结构图。图6是本专利技术提供的一种基于深度学习的用户行为分析与预测的系统的纵向剖面示意图。图7是本专利技术提供的一种基于深度学习的用户行为分析与预测的系统的横向剖面示意图。图8是本专利技术提供的电路板的结构图。图9是本专利技术提供的一种计算机设备的结构组成示意图。1-支撑组件、2-散热组件、3-电路板、4-外部接口、11-外壳、12-盖板、13-基板、14-支撑柱、15-安装凸柱、16-安装凹柱、1本文档来自技高网...

【技术保护点】
1.一种基于深度学习的用户行为分析与预测的方法，其特征在于，包括如下步骤：/n对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹；/n对采集得到的样本数据集进行分析和欠采样处理，并对得到的子集输入决策树模型中进行训练，以及对得到多个单预测模型进行融合，得到对应的融合模型；/n基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标；/n对所述用户行为预测目标进行关联存储，并利用可视化技术对构建的多维度行为模型进行展示与服务。/n

【技术特征摘要】
1.一种基于深度学习的用户行为分析与预测的方法，其特征在于，包括如下步骤：
对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹；
对采集得到的样本数据集进行分析和欠采样处理，并对得到的子集输入决策树模型中进行训练，以及对得到多个单预测模型进行融合，得到对应的融合模型；
基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标；
对所述用户行为预测目标进行关联存储，并利用可视化技术对构建的多维度行为模型进行展示与服务。


2.如权利要求1所述的基于深度学习的用户行为分析与预测的方法，其特征在于，对网站大数据进行数据采集，并从时序上对采集的数据进行特征提取，得到对应的用户活动轨迹，包括：
利用网络爬虫技术对任一网站中的存储的大数据进行数据采集；
对采集到的数据进行数据清洗和数据预处理；
从时序上对预处理后的数据进行特征提取，得到对应的用户活动轨迹。


3.如权利要求2所述的基于深度学习的用户行为分析与预测的方法，其特征在于，从时序上对预处理后的数据进行特征提取，得到对应的用户活动轨迹，包括：
获取预处理后的所述数据中的相邻时刻下对应的用户行为；
基于用户的上网时序，将所有的所述用户行为进行连接，构建对应的用户活动轨迹。


4.如权利要求1所述的基于深度学习的用户行为分析与预测的方法，其特征在于，基于对应的属性标签和行为标签，将对应的所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标，包括：
将获取的对应的属性标签和行为标签赋值于所述用户活动轨迹；
将所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标。


5.如权利要求4所述的基于深度学习的用户行为分析与预测的方法，其特征在于，将所述用户活动轨迹输入所述融合模型中进行预测，得到用户行为预测目标，包括：
将所述用户活动模型输入所述融合模型中，并对所述属性标签和所述行为标签中的通用属性和行为特征进行计算，输出对应的执行概率；
将所有的所述执行概率进行求和运算，并将得到的和值与设定的预测阈值进行比较，得到对应的用户行为预测目标值。


6.如权利要求1所述的基于深度学习的用户行为分析与预测的方法，其特征在于，...

【专利技术属性】
技术研发人员：左赋斌，卢宪政，赵峥，
申请(专利权)人：南京智数云信息科技有限公司，
类型：发明
国别省市：江苏;32