【技术实现步骤摘要】
本专利技术涉及行为分析，具体涉及一种应用于视频会议的用户行为跟踪方法。
技术介绍
1、随着现代通讯技术的发展，视频会议已经成为日常工作和生活中不可或缺的一部分。为了提高视频会议的效果和用户体验，对用户的行为进行跟踪和分析变得尤为重要。用户行为跟踪可以帮助我们了解用户的注意力分布、情感反应和参与度，从而为会议主持人和参与者提供有价值的反馈。
技术实现思路
1、本专利技术的目的在于提供一种应用于视频会议的用户行为跟踪方法，以提高视频会议的效果和用户体验。
2、为实现上述目的，本专利技术采用了如下技术方案：
3、一种应用于视频会议的用户行为跟踪方法，包括：
4、定义用户行为指标，并基于定义的用户行为指标构建用于记录用户行为数据的日志系统；
5、当监测到用户加入会议时，通过所述日志系统收集并保存与所述用户行为指标相关的实时数据；
6、基于所述日志系统收集的实时数据对用户进行用户行为指标分析，并进行行为特征挖掘；
7、基于所述行为特征，使用聚类算法将用户分为不同的用户群体，并分析不同用户群体的行为习惯和偏好；
8、基于不同用户群体的行为习惯和偏好，向提供个性化的功能推荐或提示。
9、在一些实施例中，所述用户行为指标包括如下几种或全部：
10、会议参与度：其中tonline是用户在线时长，ttotal是会议总时长；
11、互动频率：其中nactions是用户在会议中的互动次数
12、互动模式指数：
13、活跃度指数：
14、功能使用度：其中wi是第i个功能的权重，fi是第i个功能的使用频率；
15、功能互动模式：其中，nswitch是用户在会议中切换功能的次数；
16、注意力指数：ai＝α×et+β×fe+γ×pp，其中et是眼球追踪指数，fe是面部表情指数，pp是身体姿态指数，α、β和γ是权重系数；
17、情感指数：ei＝δ×ff+∈×vt，其中ff是面部表情分析结果，vt是语音语调分析结果，δ和∈是权重系数。
18、在一些实施例中，所述的基于所述日志系统收集的实时数据对用户进行用户行为指标分析，并进行行为特征挖掘包括：
19、对日志系统收集的数据进行预处理；
20、构建用于捕捉用户行为特性的图神经网络模型，所述图神经网络模型中的每个节点代表一个用户或用户行为，节点之间边的代表用户与用户或者用户与行为之间的对应关系；
21、使用预处理后的数据训练所述图神经网络模型，训练目标是发现用户行为特征；
22、基于训练好的图神经网络模型发掘用户行为特征，并使用图形化工具将发掘出的用户行为特征可视化。
23、在一些实施例中，使用预处理后的数据训练所述图神经网络模型包括：
24、计算所述图神经网络模型中每个边的权重；
25、进行图的扩展和图的优化；
26、使用图神经网络对多模态行为图进行嵌入，得到每个用户的低维表示；
27、进行自适应权重学习；
28、使用加权平均的方法融合不同模态的特征，得到用户的行为特征表示。
29、在一些实施例中，计算所述图神经网络模型中每个边的权重包括：
30、计算基于内容的权重：使用文本相似度算法计算两个用户在文字聊天模态下的行为相似度；
31、计算基于时间的权重：考虑用户行为的时间因素，两个用户发言时间约接近权重越高；
32、对基于内容的权重和基于时间的权重进行加权处理，得到每个边的权重：
33、wij＝β×simcontent(ui,uj)+(1－θ)×simtime(ui,uj)
34、其中，θ是一个介于0和1之间的参数，用于调整内容相似度和时间相似度的权重。
35、在一些实施例中，所述的进行图的扩展和图的优化包括：
36、模态扩展：在图中加入更多的节点，并建立用户与该节点之间的边，其中新加入的节点分别表示不同的模态，每个模态定义为不同类型的数据源或数据表示；
37、去除噪声边：对于权重过低的边，视为噪声并从图中去除；
38、节点聚合：对于行为相似度非常高的节点，将它们聚合成一个超节点。
39、在一些实施例中，所述的使用图神经网络对多模态行为图进行嵌入，得到每个用户的低维表示采用如下公式：
40、
41、σ是激活系数，n(v)是节点v的邻居，hv(l)是节点v在第l层的隐藏状态，cvu是节点v和u之间的归一化因子，w(l)是第l层的权重矩阵，hu(l)是节点u在第l层的隐藏状态。
42、在一些实施例中，所述的基于所述行为特征，使用聚类算法将用户分为不同的群体包括：
43、使用k-means或其他聚类算法对用户的综合特征表示进行聚类；
44、基于聚类结果将用户分为不同的群体。
45、在一些实施例中，基于不同用户群体的行为习惯和偏好，向提供个性化的功能推荐或提示具体包括：
46、根据每个群体的特征和偏好设计推荐逻辑；
47、在用户使用视频会议平台时，根据其所属群体提供个性化的功能推荐；
48、根据用户所属群体提供使用提示，帮助用户更好地利用会议平台的功能。
49、在一些实施例中，所述方法还包括：
50、收集用户对推荐和提示的反馈，用于进一步优化推荐算法和用户体验。
51、本专利技术的有益技术效果如下：
52、细致的行为指标定义：本专利技术不仅仅关注基础的行为指标，还深入到了高级行为指标，如功能互动模式和多模态行为数据。这种细致的定义使得本专利技术能够更全面地捕捉和理解用户的行为，从而为他们提供更加精准和个性化的服务。
53、功能使用频率分析：通过对功能使用日志的深入统计，本专利技术能够准确地计算用户使用各种功能的频率。这种深入的分析为供应商提供了宝贵的数据，帮助了解用户的真实需求和习惯。
54、基于图嵌入的多模态融合用户分群：传统的用户分群方法往往只考虑单一的数据源，而本专利技术结合了多种模态的数据，并使用图嵌入技术进行深度学习。这种方法不仅提高了分群的准确性，还能够发现更多的潜在用户群体。
55、自适应权重的引入：在用户分群中，权重的选择往往会影响到分群的结果。本专利技术引入了自适应权重，确保每个行为指标在分群中的贡献是合适的，从而提高了分群的准确性和可靠性。
56、创新的算法应用：相对于传统的用户行为跟踪方法，本专利技术采用了先进的图嵌入技术和多模态融合技术。这些创新的算法不仅提高了分析的深度和广度，还提供了新的视角来理解用户的行为。
57、更高的可扩展性：由于本专利技术考虑了多种模态的数据和多种行为指标，因此具有很高的可扩展性。随着技术的发展和新数据的产生，可以轻松地将新的模态或指本文档来自技高网...
【技术保护点】
1.一种应用于视频会议的用户行为跟踪方法，其特征在于，包括：
2.如权利要求1所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述用户行为指标包括如下几种或全部：
3.如权利要求1所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述的基于所述日志系统收集的实时数据对用户进行用户行为指标分析，并进行行为特征挖掘包括：
4.如权利要求3所述的应用于视频会议的用户行为跟踪方法，其特征在于，使用预处理后的数据训练所述图神经网络模型包括：
5.如权利要求4所述的应用于视频会议的用户行为跟踪方法，其特征在于，计算所述图神经网络模型中每个边的权重包括：
6.如权利要求5所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述的进行图的扩展和图的优化包括：
7.如权利要求6所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述的使用图神经网络对多模态行为图进行嵌入，得到每个用户的低维表示采用如下公式：
8.如权利要求7所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述的基于所述行为特征，使用聚类算
9.如权利要求1-8任一项所述的应用于视频会议的用户行为跟踪方法，其特征在于，基于不同用户群体的行为习惯和偏好，向提供个性化的功能推荐或提示具体包括：
10.如权利要求9所述的应用于视频会议的用户行为跟踪方法，其特征在于，还包括：
...【技术特征摘要】
1.一种应用于视频会议的用户行为跟踪方法，其特征在于，包括：
2.如权利要求1所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述用户行为指标包括如下几种或全部：
3.如权利要求1所述的应用于视频会议的用户行为跟踪方法，其特征在于，所述的基于所述日志系统收集的实时数据对用户进行用户行为指标分析，并进行行为特征挖掘包括：
4.如权利要求3所述的应用于视频会议的用户行为跟踪方法，其特征在于，使用预处理后的数据训练所述图神经网络模型包括：
5.如权利要求4所述的应用于视频会议的用户行为跟踪方法，其特征在于，计算所述图神经网络模型中每个边的权重包括：
6.如权利要求5所述的应用...
【专利技术属性】
技术研发人员：董玉莲，叶学莉，董元园，薛家威，王勇，魏捷，陆海琛，冯凯，王家栋，刘鹏，
申请(专利权)人：中控技术股份有限公司，
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。