【技术实现步骤摘要】
本专利技术涉及行动轨迹，且更确切地涉及一种行动轨迹分析方法。
技术介绍
1、用户浏览轨迹分析是指对用户在互联网上的浏览行为进行跟踪和分析，以了解用户的兴趣、行为模式和偏好，从而提供个性化的服务和改进用户体验。用户浏览轨迹分析是基于大数据分析和机器学习技术的交叉领域。在技术方面，涉及数据采集和预处理、特征提取和选取、机器学习模型构建和训练、可视化和数据挖掘等技术。随着互联网的迅速发展和数据爆炸式增长，对用户浏览轨迹的分析变得越来越重要，用户浏览轨迹分析方法在个性化推荐、精准营销、用户行为分析、网络安全和用户体验改进等方面具有广阔的应用前景，例如电子商务领域中的推荐系统、广告投放、用户行为预测等。同时，随着数据收集和分析技术的不断发展，以及对用户隐私保护的关注，用户浏览轨迹分析方法将在更多领域得到广泛应用和发展。
2、在对用户浏览数据进行处理时，传统的行动轨迹分析方法对数据进行分类时过于模糊，影响数据分析结果；由于在对用户浏览轨迹信息进行提取时，传统的行动轨迹分析方法提取速率过慢，提取准确度差，影响对用户浏览轨迹的判断；传统的行动轨迹分析方法缺少与用户的交互操作，影响用户的使用体验。
技术实现思路
1、针对上述技术的不足，本专利技术公开一种行动轨迹分析方法，通过决策树算法实现对数据进行分类和标记，提高了用户浏览数据分类的规范性；通过nlp算法对浏览行为进行特征提取，提高了对用户浏览行动分析的准确度；通过所述交互单元实现了所述显示模块与用户交互操作，提高了用户的使用体验。p>
2、因此，本专利技术提供了一种行动轨迹分析方法，包括如下步骤，
3、一种行动轨迹分析方法，其特征在于：包括如下步骤：
4、步骤1、收集用户在网页上的浏览数据；
5、采用行动轨迹跟踪模块收集用户在网页上的浏览数据；
6、步骤2、对收集到的浏览数据进行处理；
7、采用数据处理模块对收集到的数据进行处理；
8、步骤3、对用户浏览轨迹进行解析和挖掘；
9、采用数据分析模块对处理过的数据进行分析；所述数据分析模块包括轨迹连接单元、特征提取单元、模式识别单元和优化调整单元，所述轨迹连接单元通过连接不同网页之间的访问数据实现用户网页浏览轨迹的连接；所述特征提取单元通过自然语言处理nlp算法提取用户网页浏览行为的特征；所述模式识别单元通过机器学习和大数据挖掘对提取的特征进行识别，以识别用户的浏览行动中的模式和规律；所述优化调整单元通过交叉验证对数据性能进行评估和调整以实现用户浏览轨迹的优化，所述轨迹连接单元的输出端连接所述特征提取单元的输入端，所述特征提取单元的输出端连接所述模式识别单元的输入端，所述模式识别单元的输出端连接所述优化调整单元的输入端；
10、步骤4、根据用户的行为轨迹数据构建用户画像；
11、采用服务支持模块解读用户的行为特征和需求；
12、步骤5、将分析得到的结果以可视化的方式展示出来；
13、采用显示模块将分析结果进行展示。
14、作为上述技术方案的进一步描述，所述行动轨迹跟踪模块包括点击选择单元、浏览记录单元、停留时间单元和页面跳转单元，所述点击选择单元通过javascript代码监听用户的点击事件以跟踪用户在网页上的点击行为；所述浏览记录单元通过浏览器的history api实现对浏览记录的查看；所述停留时间单元通过浏览器的unload事件跟踪用户在网页上的停留时间；所述页面跳转单元通过浏览器内置的跳转事件函数onbeforeunload捕捉页面跳转的信息。
15、作为上述技术方案的进一步描述，所述数据处理模块包括数据清洗单元、数据转换单元、数据分类单元和数据存储单元，所述数据清洗单元通过数据修正、插值和过滤去除原始数据的噪声、异常值和不完整数据；所述数据转换单元通过数据编码和数据规范化将清洗后的数据转换为匹配后续分析的标准形式；所述数据分类单元通过决策树算法对转换的数据进行分类和标记；所述数据存储单元采用mysql数据库，所述mysql数据库实现对处理后的数据进行存储和管理，所述数据清洗单元的输出端连接所述数据转换单元的输入端，所述数据转换单元的输出端连接所述数据分类单元的输入端，所述数据分类单元的输出端连接所述数据存储单元的输入端。
16、作为上述技术方案的进一步描述，所述决策树算法的工作方法为：首先，首先，从给定的数据集中选择最优的特征作为划分依据，基于特征选择，递归地将数据集通过数据分割函数划分成更小的子集，直到满足终止条件，所述数据分割函数的公式表达式为：
17、
18、在式子(1)中；b(c)表示数据分割函数，n表示划分次数，ω表示分割系数，b表示子集块；接着，根据选择的特征，对于不同的子集进行递归地构建子树；然后，当无法再进行划分时，通过叶子节点标记函数将叶节点标记为对应的类别和回归值，为了避免过拟合，可以进行后剪枝和预剪枝操作，所述标记函数的公式表达式为：
19、
20、在式子(2)中，μ标记函数表示，θ表示标记因子，β表示标记次数，m表示类别顺序；最后，通过沿着决策树从根节点到叶节点的路径根据特征值进行判定，确定实例所属的类别和回归值。
21、作为上述技术方案的进一步描述，所述nlp算法的工作方法为：首先，对原始文本进行预处理，并进行词法分析，将文本按照词或子词进行分割，在语言预处理之后，需要通过提取函数将文本转换成机器学习算法可以处理的数值表示，所述提取函数的公式表达式为：
22、
23、在式子(1)中，d(f)表示提取函数，ρ表示提取因子，b表示初始值；m表示当前提取值，i表示提取的次数；接着，在特征提取之后，可以通过机器训练函数来训练nlp模型，训练完成后，对模型进行评估以度量其在新数据上的性能，所述机器训练函数的公式表达式为：
24、
25、在式子(2)中，mt表示机器训练函数，κ表示次数，ω表示初始值，θ表示训练时间，表示训练后的值；最后，当模型被训练和调优后，可以用于进行实际的预测和应用。
26、作为上述技术方案的进一步描述，所述服务支持模块包括行为习惯单元、需求预测单元和个性化推荐单元，所述行为习惯单元通过大数据分析用户的历史行为数据了解用户的行为习惯；所述需求预测单元通过机器学习数据之间的联系和趋势预测用户的浏览需求；所述个性化推荐单元通过协同过滤和矩阵分解为用户推荐符合用户需求和兴趣偏好的产品和服务，所述行为习惯单元的输出端连接所述需求预测单元的输入端，所述需求预测单元的输出端连接所述个性化推荐单元的输入端。
27、作为上述技术方案的进一步描述，所述显示模块包括交互单元、浏览数据显示单元和行动轨迹分布单元，所述交互单元通过超文本标记语言html、层叠样式表css和javascript实现用户与所述显示模块的交互操作；所述浏览数据显示单元通过d3.js和highcharts显示用户的浏览数据信息；所本文档来自技高网...
【技术保护点】
1.一种行动轨迹分析方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述行动轨迹跟踪模块包括点击选择单元、浏览记录单元、停留时间单元和页面跳转单元，所述点击选择单元通过JavaScript代码监听用户的点击事件以跟踪用户在网页上的点击行为；所述浏览记录单元通过浏览器的History API实现对浏览记录的查看；所述停留时间单元通过浏览器的unload事件跟踪用户在网页上的停留时间；所述页面跳转单元通过浏览器内置的跳转事件函数onbeforeunload捕捉页面跳转的信息。
3.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述数据处理模块包括数据清洗单元、数据转换单元、数据分类单元和数据存储单元，所述数据清洗单元通过数据修正、插值和过滤去除原始数据的噪声、异常值和不完整数据；所述数据转换单元通过数据编码和数据规范化将清洗后的数据转换为匹配后续分析的标准形式；所述数据分类单元通过决策树算法对转换的数据进行分类和标记；所述数据存储单元采用MySQL数据库，所述MySQL数据库实现对处理后的数据进行存储和管理，
4.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述决策树算法的工作方法为：首先，从给定的数据集中选择最优的特征作为划分依据，基于特征选择，递归地将数据集通过数据分割函数划分成更小的子集，直到满足终止条件，所述数据分割函数的公式表达式为：
5.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述NLP算法的工作方法为：首先，对原始文本进行预处理，并进行词法分析，将文本按照词或子词进行分割，在语言预处理之后，需要通过提取函数将文本转换成机器学习算法可以处理的数值表示，所述提取函数的公式表达式为：
6.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述服务支持模块包括行为习惯单元、需求预测单元和个性化推荐单元，所述行为习惯单元通过大数据分析用户的历史行为数据了解用户的行为习惯；所述需求预测单元通过机器学习数据之间的联系和趋势预测用户的浏览需求；所述个性化推荐单元通过协同过滤和矩阵分解为用户推荐符合用户需求和兴趣偏好的产品和服务，所述行为习惯单元的输出端连接所述需求预测单元的输入端，所述需求预测单元的输出端连接所述个性化推荐单元的输入端。
7.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述显示模块包括交互单元、浏览数据显示单元和行动轨迹分布单元，所述交互单元通过超文本标记语言HTML、层叠样式表CSS和JavaScript实现用户与所述显示模块的交互操作；所述浏览数据显示单元通过D3.js和Highcharts显示用户的浏览数据信息；所述行动轨迹分布单元通过热力图、路径图和节点连线图实现用户浏览轨迹的分布图，所述交互单元的输出端连接所述浏览数据显示单元的输入端，所述浏览数据显示单元的输出端连接所述行动轨迹分布单元的输入端。
...【技术特征摘要】
1.一种行动轨迹分析方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述行动轨迹跟踪模块包括点击选择单元、浏览记录单元、停留时间单元和页面跳转单元，所述点击选择单元通过javascript代码监听用户的点击事件以跟踪用户在网页上的点击行为；所述浏览记录单元通过浏览器的history api实现对浏览记录的查看；所述停留时间单元通过浏览器的unload事件跟踪用户在网页上的停留时间；所述页面跳转单元通过浏览器内置的跳转事件函数onbeforeunload捕捉页面跳转的信息。
3.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述数据处理模块包括数据清洗单元、数据转换单元、数据分类单元和数据存储单元，所述数据清洗单元通过数据修正、插值和过滤去除原始数据的噪声、异常值和不完整数据；所述数据转换单元通过数据编码和数据规范化将清洗后的数据转换为匹配后续分析的标准形式；所述数据分类单元通过决策树算法对转换的数据进行分类和标记；所述数据存储单元采用mysql数据库，所述mysql数据库实现对处理后的数据进行存储和管理，所述数据清洗单元的输出端连接所述数据转换单元的输入端，所述数据转换单元的输出端连接所述数据分类单元的输入端，所述数据分类单元的输出端连接所述数据存储单元的输入端。
4.根据权利要求1所述的一种行动轨迹分析方法，其特征在于：所述决策树算法的工作方法为：首先，从给定的数据集中选择最优的特征作为划分依据，基于特征选择，递归地将数据集通过数据...
【专利技术属性】
技术研发人员：代佳宏，
申请(专利权)人：富盛科技股份有限公司，
类型：发明
国别省市：
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。