【技术实现步骤摘要】
基于大数据分析的用户行为意图输出方法及大数据系统
[0001]本申请是申请号202210564365.1、申请日为2022年05月23日、专利技术创造名称为“基于大数据分析的用户行为意图挖掘方法及大数据系统”的中国申请的分案申请。
[0002]本专利技术涉及大数据分析
,具体而言,涉及一种基于大数据分析的用户行为意图输出方法及大数据系统。
技术介绍
[0003]随着互联网信息技术中的发展,越来越多的互联网产品上线,可以为用户提供各种需求的互联网产品服务,用户在互联网信息平台中的行为意图可以表征用户针对某个互联网产品页面中的关注点特征,以用户行为意图作为基本特征对用户以及文本内容进行建模,从而支持内容精准、个性化分发。然而,在相关技术中的意图挖掘输出过程中,没有针对关联性特征和非关联性特征进行可靠分析,导致意图分析可靠性不佳。
技术实现思路
[0004]为了至少克服现有技术中的上述不足,本专利技术的目的在于提供一种基于大数据分析的用户行为意图输出方法及大数据系统。
[0005]第一方面,本专利技术实施例提供一种基于大数据分析的用户行为意图挖掘方法,应用于大数据系统,所述方法包括:基于用户行为大数据获取待挖掘的第一预设数量个用户行为事件中各个用户行为事件相关联的第一行为关注变量簇,所述第一行为关注变量簇为依据第一关注性节点内的初始行为事件进行特征抽取获得;依据第二预设数量个行为倾向提取维度对各个所述用户行为事件相关联的第一行为关注变量簇进行分析,确定各个所述用户行为事件相关联的第一行 ...
【技术保护点】
【技术特征摘要】
1.一种基于大数据分析的用户行为意图输出方法,其特征在于,应用于大数据系统,所述方法包括:从用户行为触发进程中提取初始行为事件,从所述初始行为事件中获取候选行为日志数据簇,对所述候选行为日志数据簇中的每个行为日志数据进行汇聚,确定对应于同一个行为触发属性的所述每个行为日志数据,对对应于同一个行为触发属性的所述每个行为日志数据进行行为日志数据的特征连通处理,确定特征连通行为日志数据,对所述特征连通行为日志数据进行行为关注变量挖掘,确定所述行为关注变量,对所述每个行为日志数据进行行为关注变量挖掘,确定行为关注变量,将所述行为关注变量加载到用户行为大数据中,基于所述用户行为大数据获取待挖掘的第一预设数量个用户行为事件中各个用户行为事件相关联的第一行为关注变量簇,所述第一行为关注变量簇为依据第一关注性节点内的初始行为事件进行特征抽取获得,所述用户行为事件是指任意与用户在线上应用中的操作行为相关的事件;依据第二预设数量个行为倾向提取维度对各个所述用户行为事件相关联的第一行为关注变量簇进行分析,确定各个所述用户行为事件相关联的第一行为倾向变量,所述第一行为倾向变量包括第二预设数量个第一意图度量信息,各第一意图度量信息对应于一个行为倾向提取维度;基于各个所述用户行为事件相关联的第一行为倾向变量,对所述第一预设数量个用户行为事件进行分簇,并在达到分簇结束要求时,确定对应于所述第一关注性节点的每个分簇特征分布,其中,所述每个分簇特征分布用于表征各个所述用户行为事件对应于所述第一关注性节点的关联性特征和非关联性特征;对对应于所述第一关注性节点的每个分簇特征分布进行意图输出,确定各个用户行为事件相关联的用户行为意图。2.根据权利要求1所述的基于大数据分析的用户行为意图输出方法,其特征在于,所述对对应于所述第一关注性节点的每个分簇特征分布进行意图输出,确定各个用户行为事件相关联的用户行为意图,包括:将对应于所述第一关注性节点的每个分簇特征分布输入到用户行为意图挖掘模型中,确定各个用户行为事件相关联的用户行为意图。3.根据权利要求2所述的基于大数据分析的用户行为意图输出方法,其特征在于,所述用户行为意图挖掘模型的训练步骤包括:获取范例分簇特征分布序列,所述范例分簇特征分布序列包括多个标定了范例学习行为意图的范例分簇特征分布;获取范例用户行为意图挖掘模型,所述范例用户行为意图挖掘模型包括深度卷积编码分支、行为意图输出分支、以及意图连通分支;对于每个所述范例分簇特征分布,结合所述深度卷积编码分支获取所述范例分簇特征分布在多个产品应用节点下的深度卷积编码特征分布;结合所述行为意图输出分支将每个所述产品应用节点下的深度卷积编码特征分布进行行为意图输出,输出每个所述产品应用节点下的深度卷积编码特征分布对应的成员行为意图;结合所述意图连通分支基于所述产品应用节点下的深度卷积编码特征分布对应的成
员行为意图得到一输出行为意图;结合所述输出行为意图与所述范例学习行为意图确定第一意图挖掘代价值;结合所述第一意图挖掘代价值对所述范例用户行为意图挖掘模型进行模型参数层的遍历调优和选取,直至所述第一意图挖掘代价值满足第一决策条件,输出调优完成的范例用户行为意图挖掘模型作为所述用户行为意图挖掘模型;其中,所述第一意图挖掘代价值由各所述输出行为意图中的各学习行为意图与所述范例学习行为意图中对应的各学习行为意图的第一损失函数评估值进行确定,所述第一决策条件包括所述第一意图挖掘代价值表征的第一损失函数评估值小于第一预设损失函数值。4.根据权利要求3所述的基于大数据分析的用户行为意图输出方法,其特征在于,所述用户行为意图挖掘模型的训练步骤还包括:获取范例分簇特征分布序列,所述范例分簇特征分布序列包括多个标定了范例学习行为意图的范例分簇特征分布;获取范例用户行为意图挖掘模型,并对所述范例用户行为意图挖掘模型进行线上共享模型参数层信息的加载与配置,输出初步配置的范例用户行为意图挖掘模型;对于每个所述范例分簇特征分布,结合所述范例用户行为意图挖掘模型获取所述范例分簇特征分布在多个产品应用节点下的深度卷积编码特征分布,并结合所述产品应用节点下的深度卷积编码特征分布以及所述范例学习行为意图包括的成员行为意图确定第二意图挖掘代价值;结合所述第二意图挖掘代价值对所述初步配置的范例用户行为意图挖掘模型进行模型参数层的遍历调优和选取,直至所述第二意图挖掘代价值满足第二决策条件,输出调优完成的范例用户行为意图挖掘模型作为所述用户行为意图挖掘模型;其中,所述第二意图挖掘代价值由各所述产品应用节点下的深度卷积编码特征分布与所述范例学习行为意图中对应的各学习行为意图的第二损失函数评估值进行确定,所述第二决策条件包括所述第二意图挖掘代价值表征的第二损失函数评估值小于第二预设损失函数值,所述第二预设损失函数值小于所述第一预设损失函数值。5.根据权利要求3或4所述的基于大数据分析的用户行为意图输出方法,其特征在于,所述获取范例分簇特征分布序列,包括:结合多个产品开发项目获取目标互联网产品场景下的关注性节点的分簇特征分布,输出多个分簇特征分布;将各所述分簇特征分布作为范例分簇特征分布加载到预设的范例特征库中;提取所述范例特征库中的各所述范例分簇特征分布在多个产品应用节点下的深度卷积编码特征分布,输出每个范例分簇特征分布对应的深度卷积编码特征分布;结合每个所述范例分簇特征分布对应的深度卷积编码特征分布,对所述范例特征库中的范例分簇特征分布进行特征冗余优化,输出特征冗余优化后的范例特征库;结合特征冗余优化后的范例特征库中各范例分簇特征分布对应的深度卷积编码特征分布得到所述范例分簇特征分布...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。