【技术实现步骤摘要】
本专利技术涉及计算机，更具体地说，本专利技术涉及一种基于机器学习的用户行为分析系统。
技术介绍
1、随着互联网的迅猛发展，以信息获取、交流沟通类为主的基础网络服务正逐渐发展为以休闲娱乐、电子服务、电子商务三大类服务为主的扩展网络服务，尤其针对电子商务中的经济管理，需要分析用户的行为及爱好来提供更满意的服务使得利润最大化，提高网站服务的效率和个性化程度；
2、用户行为的分析就是研究用户行为活动所表现出来的规律性，以控制和预测用户行为，帮助企业了解用户的需求和行为，从而优化产品和服务，现有的用户行为分析方式具体为用户使用产品过程的所有数据，包括下载量、使用频率、访问量、留存时间等进行收集、整理、分析，为产品后续提供数据支撑。
3、但是其在实际使用时，仍旧存在一些缺点，如现有的用户行为分析多为罗列数据，对收集的数据直接进行展示，缺乏对数据的分析过程，无法从大量数据中提取特征，导致分析结果不准确；
4、从机器学习分析角度来看，现有的用户行为分析方法缺乏智能性，无法从用户数据进一步通过机器学习方式得到用户数据的预测模型，无法针对时间的变化体现出用户行为的变化趋势，从而不能实时获得评估结果。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于机器学习的用户行为分析系统，用于解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、用户行为区域划分模块：用于将目标用户行为数据按照等时
4、机器学习数据采集模块：用于采集目标用户行为数据区域内各监测子区域的用户活跃度和产品购买数据。
5、用户行为数据处理模块：用于接收机器学习数据采集模块传输的用户活跃度数据，通过用户活跃度指数模型计算得到用户活跃度指数。
6、机器学习用户行为预测模块：用于接收用户行为数据处理模块传输的用户活跃度指数，分析得到用户活跃度增长预警指数，并进行处理措施。
7、用户属性预处理模块：用于接收机器学习数据采集模块传输的产品购买数据，计算出平均浏览产品时间，产品下单平均金额。
8、用户属性处理模块：用于接收用户属性预处理模块传输的数据信息，通过用户购买力指数模型计算得到用户购买力指数。
9、机器学习用户属性分类模块：用于接收用户属性处理模块传输的用户购买力指数，分析用户购买力波动指数，根据结果分类后进行处理。
10、用户行为数据分析模块：用于提取目标用户行为数据区域内各监测子区域的用户活跃度指数、用户购买力指数和用户活跃度增长预警指数，分析得到用户行为特征评估系数。
11、用户行为数据评估模块：用于获取目标用户行为数据区域内各监测子区域的用户行为特征评估系数，与预设的用户行为特征评估系数进行对比，并进行处理。
12、优选的，所述用户行为区域划分模块的具体划分方式为：
13、获取目标用户行为时间内的用户数据，确定为目标区域，将目标区域按照等时间划分方式划分为各监测子区域，并将目标用户行为数据区域内各监测子区域依次标记为1、2……n。
14、优选的，所述机器学习数据采集模块的具体采集方式为：
15、采集网站内的目标用户行为数据区域内各监测子区域的初时网站登录次数、末时网站登录次数、初时网站登录时长、末时网站登录时长，分别标记为hcx、hmx、hti、hti，其中i＝1、2……n，i表示为第i个监测子区域编号；
16、统计网站内目标用户行为数据区域内各监测子区域的点击产品个数、浏览产品时间、产品下单金额，分别标记为sgi、sti、smi，其中i＝1、2……n，i表示为第i个监测子区域编号。
17、优选的，所述用户活跃度指数的计算公式为：
18、其中α表示为用户活跃度指数，hci表示为第i个监测子区域的初时网站登录次数，hmi表示为第i个监测子区域的末时网站登录次数，hti表示为第i个监测子区域的初时网站登录时长，hti表示为第i个监测子区域的末时网站登录时长。
19、优选的，所述机器学习用户行为预测模块具体为：
20、步骤s01：将用户活跃度指数代入公式：得到用户活跃度增长预警指数，其中αi表示为第i个监测子区域的用户活跃度指数；
21、步骤s02：提取目标用户行为数据区域内各监测子区域的用户活跃度增长预警指数σ，若σ＜αi，则表明目标用户行为数据区域内该监测子区域的用户网站使用频率存在异常，统计各用户异常次数，将三次异常用户信息发送至管理终端进行预警，反之则表明目标用户行为数据区域内该监测子区域的用户网站使用频率增加。
22、优选的，所述用户属性预处理模块具体为：
23、步骤s01：提取目标用户行为数据区域内各监测子区域的浏览产品时间sti，代入公式：得到平均浏览产品时间，其中n表示为监测子区域个数；
24、步骤s02：提取目标用户行为数据区域内各监测子区域的产品下单金额smi，代入公式：得到产品下单平均金额，其中n表示为监测子区域个数。
25、优选的，所述用户购买力指数的计算公式为：
26、其中β表示为用户购买力指数，sgi表示为第i个监测子区域的点击产品个数，smi表示为第i个监测子区域的产品下单金额，mq表示为产品下单平均金额，sti表示为第i个监测子区域的浏览产品时间，tq表示为平均浏览产品时间，t预表示为预设的浏览产品时间差值。
27、优选的，所述机器学习用户属性分类模块具体为：
28、步骤s01：将用户购买力指数β代入公式：得到用户购买力波动指数，其中n表示为监测子区域个数，βi表示为第i个监测子区域的用户购买力权重分析指数；
29、步骤s02：获取用户购买力波动指数，提取δ＜0的用户信息，标记为一级用户，提取δ＜50％的用户信息，标记为二级用户，提取δ≥50％的用户信息，标记为三级用户，将一二级用户信息发送至管理终端。
30、优选的，所述用户行为特征评估系数的计算公式为：
31、θ＝λ1*(α+σ)+λ2*β，其中θ表示为用户行为特征评估系数，α表示为用户活跃度指数，σ表示为用户活跃度增长预警指数，β表示为用户购买力指数，λ1表示为用户活跃度指数的其他影响因子，λ2表示为用户购买力指数的其他影响因子。
32、优选的，所述用户行为数据评估模块的具体评估方式为：
33、获取目标用户行为数据区域内各监测子区域的用户行为特征评估系数，与预设的用户行为特征评估系数进行对比，若用户行为特征评估系数小于预设的用户行为特征评估系数，则表明目标用户行为数据区域内该监测子区域的用户行为数据分析存在异常，应立即将异常区域进行编号显示，反之则表明目标用户行为数据区域内各监测子区域的用户行为数据分析无异常状况。
34、本专利技术的技术效果和优点：
35、1、本专利技术通过获取目本文档来自技高网...
【技术保护点】
1.一种基于机器学习的用户行为分析系统，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户行为区域划分模块的具体划分方式为：
3.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述机器学习数据采集模块的具体采集方式为：
4.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户活跃度指数的计算公式为：
5.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述机器学习用户行为预测模块具体为：
6.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户属性预处理模块具体为：
7.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户购买力指数的计算公式为：
8.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述机器学习用户属性分类模块具体为：
9.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于
10.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户行为数据评估模块的具体评估方式为：
...【技术特征摘要】
1.一种基于机器学习的用户行为分析系统，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户行为区域划分模块的具体划分方式为：
3.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述机器学习数据采集模块的具体采集方式为：
4.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述用户活跃度指数的计算公式为：
5.根据权利要求1所述的一种基于机器学习的用户行为分析系统，其特征在于：所述机器学习用户行为预测模块具体为：
6.根据权利要...
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。