[发明专利]基于深度学习的用户操作行为预测方法和系统

权利要求书

1.一种基于深度学习的用户操作行为预测方法，其特征在于，所述方法包括：

S1：从历史操作日志中提取用户行为数据，所述用户行为数据至少包括环境数据和连续行为数据，环境数据包括数据发生时的多个外部环境因素，连续行为数据至少包括用户的操作行为序列和操作行为的发生时间；

S2：对用户行为数据进行预处理；

S3：将预处理后的用户行为数据按比例划分成训练集、验证集和测试集；

S4：创建用户操作行为预测系统，所述用户操作行为预测系统包括以操作行为序列、操作行为的发生时间为参数的深层LSTM子系统和以外部环境因素为参数的全连接神经网络子系统；

S5：将训练集、验证集分类导入用户操作行为预测系统，采用窗口滑动技术对用户操作行为预测系统进行训练和验证，以获取优化后的用户操作行为预测系统；

S6：将测试集导入优化后的用户操作行为预测系统，如果输出的用户行为的预测准确率大于等于设定准确率阈值，进入步骤S7，否则，返回步骤S5，预测准确率的计算公式如下：

其中，n是预测行为的样本总数，y′_i是预测操作行为序号，y_i是实际操作行为序号，α_i是第i个预测行为的准确性；

S7：完成训练，获取优化完成的用户操作行为预测系统。

2.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，所述外部环境因素包括公司ID、部门ID、用户ID、行为发生的时段中的几种或者全部。

3.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，步骤S2中，对用户行为数据进行预处理的方法包括：

S21：剔除与业务无关的噪音数据；

S22：对剩余的环境数据执行归一化处理，对剩余的连续行为数据进行预训练以实现向量化。

4.根据权利要求3所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：

采用word2vector技术对连续行为数据进行预训练以实现向量化。

5.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，步骤S5中，将训练集、验证集分类导入用户操作行为预测系统，采用窗口滑动技术对用户操作行为预测系统进行训练和验证，以获取优化后的用户操作行为预测系统的方法还包括：

将训练集、验证集中的属于连续行为数据的部分导入深层LSTM子系统，将训练集、验证集中的属于环境数据的部分导入全连接神经网络子系统，两者拼接至一起后统一执行至少N轮训练，保存损失值最小的子系统作为优化后的子系统。

6.根据权利要求5所述的基于深度学习的用户操作行为预测方法，其特征在于，所述N等于50。

7.根据权利要求1或者5所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：

选用大小为10的滑动窗口对用户操作行为预测系统进行训练和验证。

8.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：

步骤S5中，采用分批导入数据的方式将训练集、验证集分类导入用户操作行为预测系统。

9.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：

步骤S5中，对用户操作行为预测系统训练时，采用的优化算法为adam优化算法，损失函数选用多分类交叉熵损失函数。

10.一种基于深度学习的用户操作行为预测系统，其特征在于，所述系统包括：

用于从历史操作日志中提取用户行为数据的模块，所述用户行为数据至少包括环境数据和连续行为数据，环境数据包括数据发生时的多个外部环境因素，连续行为数据至少包括用户的操作行为序列和操作行为的发生时间；

用于对用户行为数据进行预处理的模块；

用于将预处理后的用户行为数据按比例划分成训练集、验证集和测试集的模块；

用于创建用户操作行为预测系统的模块，所述用户操作行为预测系统包括以操作行为序列、操作行为的发生时间为参数的深层LSTM子系统和以外部环境因素为参数的全连接神经网络子系统；

用于将训练集、验证集分类导入用户操作行为预测系统，采用窗口滑动技术对用户操作行为预测系统进行训练和验证，以获取优化后的用户操作行为预测系统的模块；

用于将测试集导入优化后的用户操作行为预测系统的模块；

用于对优化后的用户操作行为预测系统进行性能评价的模块。