网络行为AI分析算法制造技术

本发明专利技术公开了网络行为AI分析算法，包括以下分析步骤：S1、获取用户IP，通过检索用户登录信息，获取用户IP与端口信息，同时记录用户信息；S2、分析用户定位；S3、用户行为预测；S4、识别用户行为结果；S5、输出分析结果并再次对相应业务推荐；S6、自我学习复刻，通过自我学习复刻系统将行为结果分析系统对比分析数据自行学习对比。本发明专利技术通过充分对用户先定位，同时对用户行为结果进行分析对比，并对用户行为预测系统进行自我学习更新，如此可大大提高对用户行为分析、模拟刻画的准确度，同时使推送业务更加匹配，有效提高线上业务成交率，从而充分利用网络资源，提升线上盈利幅度。提升线上盈利幅度。提升线上盈利幅度。

【技术实现步骤摘要】
网络行为AI分析算法


[0001]本专利技术涉及网络行为分析相关
，尤其涉及网络行为AI分析算法。

技术介绍

[0002]网络行为是指互联网用户在网络上的操作行为，其中对于目前的线上交易来说，深入分析用户的网络行为十分重要，对提高业务成交率有着十分重要的作用。
[0003]而目前网络行为分析技术或算法，一般只能够对用户浏览数据进行刻画分析，进而模拟用户需求来进行业务推广，而且分析结果与实际需求往往差异较大，使用户难以产生对线上依赖性及忠诚度，线上业务成交率一般，其网络资源利用不足，更难以产生有效的增值业务。鉴于此，本申请文件提出一种网络行为AI分析算法。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的网络行为AI分析算法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]网络行为AI分析算法，包括以下分析步骤：
[0007]S1、获取用户IP，通过检索用户登录信息，获取用户IP与端口信息，同时记录用户信息；
[0008]S2、分析用户定位，通过用户定位分析系统，结合大数据流量分析刻画用户身份，并分析用户喜好；
[0009]S3、用户行为预测，通过用户行为预测系统，模拟刻画出用户需求，同时将相应业务进行推送，提高业务成交率；
[0010]S4、识别用户行为结果，通过收集交易详细信息数据，对用户行为结果数据进行分析，同时将结果信息记录；
[0011]S5、输出分析结果并再次对相应业务推荐，通过行为结果分析系统判断用户行为预测系统分析是否准确，并将最终结果输出，同时对相关业务进行推广；
[0012]S6、自我学习复刻，通过自我学习复刻系统将行为结果分析系统对比分析数据自行学习对比，同时将对比信息输入用户行为预测系统以提高预测准确率。
[0013]优选地，所述步骤S2中所使用到的用户定位分析系统包括搜索查询分析模块、习惯数据分析模块及用户画像生成模拟模块。
[0014]优选地，所述步骤S3中的所使用到的用户行为预测系统包括关联分析模块、用户需求特征预测模块、TOP
‑
N分析模块及业务引导模块。
[0015]优选地，所述步骤S6中所使用到的自我学习复刻系统包括输入模块、对比模块、自更新模块、数据库及输出模块。
[0016]优选地，所述步骤S1中，可采用DNS访问统计数据采集技术对用户信息进行识别采集及记录，且对用户信息进行编号记载。
[0017]优选地，所述T0P
‑
N分析模块用于对多个用户行为结果数据分析对比，并按照顺序排名，以对用户特性深入分析。
[0018]本专利技术具有以下有益效果：
[0019]通过设置用户定位分析系统、用户行为预测系统、行为结果分析系统及自我学习复刻系统，可充分对用户先定位，后模拟刻画用户形象，同时对用户行为结果进行分析对比，并对用户行为预测系统进行自我学习更新，如此可大大提高对用户行为分析、模拟刻画的准确度，同时使推送业务更加匹配，有效提高线上业务成交率，从而充分利用网络资源，提升线上盈利幅度。
附图说明
[0020]图1为本专利技术提出的网络行为AI分析算法的算法流程示意图；
[0021]图2为本专利技术提出的网络行为AI分析算法中用户定位分析系统的系统结构框图；
[0022]图3为本专利技术提出的网络行为AI分析算法中用户行为预测系统的系统结构框图；
[0023]图4为本专利技术提出的网络行为AI分析算法中自我学习复刻系统的系统结构框图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。
[0025]参照图1，网络行为AI分析算法，包括以下分析步骤：
[0026]S1、获取用户IP，通过检索用户登录信息，获取用户IP与端口信息，同时记录用户信息；步骤S1中，可采用DNS访问统计数据采集技术对用户信息进行识别采集及记录，且对用户信息进行编号记载。
[0027]S2、分析用户定位，通过用户定位分析系统，结合大数据流量分析刻画用户身份，并分析用户喜好；参照图2，步骤S2中所使用到的用户定位分析系统包括搜索查询分析模块、习惯数据分析模块及用户画像生成模拟模块。具体的，搜索查询分析模块用于对用户在网络上搜索查询信息进行分析，习惯数据分析模块用于对用户在网络上的浏览痕迹进行记录并分析，从而可通过用户画像生成模拟模块来生成具体用户网络需求形象，从而丰富用户信息，并对用户身份进行相应定位。
[0028]S3、用户行为预测，通过用户行为预测系统，模拟刻画出用户需求，同时将相应业务进行推送，提高业务成交率；参照图3，步骤S3中的所使用到的用户行为预测系统包括关联分析模块、用户需求特征预测模块、TOP
‑
N分析模块及业务引导模块。T0P
‑
N分析模块用于对多个用户行为结果数据分析对比，并按照顺序排名，以对用户特性深入分析。具体的，关联分析模块用于对用户部分行为进行联想分析，以模拟刻画出用户具体需求，用户需求特征预测模块用于将用户行为分析后，预测出用户需求的特征，业务引导模块则用于在预测出用户需求特征后，根据预测出的用户需求特征，进行相应业务的联系及引导，并制定相应的资费策略，提升相关增值业务。
[0029]S4、识别用户行为结果，通过收集交易详细信息数据，对用户行为结果数据进行分析，同时将结果信息记录；
[0030]S5、输出分析结果并再次对相应业务推荐，通过行为结果分析系统判断用户行为
预测系统分析是否准确，并将最终结果输出，同时对相关业务进行推广；通过设置结果行为分析系统，可通过对用户行为结果数据进行记录分析，从而对用户行为预测系统进行判断纠正。
[0031]S6、自我学习复刻，通过自我学习复刻系统将行为结果分析系统对比分析数据自行学习对比，同时将对比信息输入用户行为预测系统以提高预测准确率。参照图4，步骤S6中所使用到的自我学习复刻系统包括输入模块、对比模块、自更新模块、数据库及输出模块。具体的，数据库用于储存行为结果分析系统分析的结果数据以及实际行为结果数据；输入模块用于将行为结果分析系统所判断的数据输入自我学习复刻系统中，对比模块用于将输入数据与实际结果进行分析对比，并将对比结果数据输入数据库中；自更新模块用于将正确分析结果以及错误分析结果进行分析记录，并通过输出模块将结果反馈至用户预测系统，以指导用户行为预测系统进行正确方向预测，从而提高下次预测的准确度。本专利技术能够对用户行为预测系统进行自我学习更新，如此可大大提高对用户行为分析、模拟刻画的准确度，同时使推送业务更加匹配，有效提高线上业务成交率，从而充分利用网络资源，提升线上盈利幅度。
[0032]以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.网络行为AI分析算法，其特征在于，包括以下分析步骤：S1、获取用户IP，通过检索用户登录信息，获取用户IP与端口信息，同时记录用户信息；S2、分析用户定位，通过用户定位分析系统，结合大数据流量分析刻画用户身份，并分析用户喜好；S3、用户行为预测，通过用户行为预测系统，模拟刻画出用户需求，同时将相应业务进行推送，提高业务成交率；S4、识别用户行为结果，通过收集交易详细信息数据，对用户行为结果数据进行分析，同时将结果信息记录；S5、输出分析结果并再次对相应业务推荐，通过行为结果分析系统判断用户行为预测系统分析是否准确，并将最终结果输出，同时对相关业务进行推广；S6、自我学习复刻，通过自我学习复刻系统将行为结果分析系统对比分析数据自行学习对比，同时将对比信息输入用户行为预测系统以提高预测准确率。2.根据权利要求1所述的网络行为AI分析算法，其特征在于，所述步骤S2中所使用到的用...

【专利技术属性】
技术研发人员：苗敬峰，胥继云，郭宪强，李松松，
申请(专利权)人：山东顺国电子科技有限公司，
类型：发明
国别省市：