[发明专利]基于深度学习的用户操作行为预测方法和系统

说明书

本发明公开了一种基于深度学习的用户操作行为预测方法，包括：S1：提取用户行为数据；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；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；S6：将测试集导入优化后的用户操作行为预测系统，进行性能评价；S7：完成训练，获取优化完成的用户操作行为预测系统。本发明利用LSTM长短记忆神经网络子系统并使用窗口滑动技术来学习用户连续行为的内在规律，通过全连接神经网络子系统来学习外部因素的权重，最后将两种子系统进行融合来完成对用户操作行为的预测。

技术领域

本发明涉及软件工程应用技术领域，具体而言涉及一种基于深度学习的用户操作行为预测方法和系统。

背景技术

随着信息技术的飞速发展，计算机软件的应用越来越广泛，同时随着用户需求的多样化,大量业务系统也随之生成,这些系统大多体系庞大、功能复杂，涵盖成百上千模块。用户在操作这些系统时，需要根据自己的需求定位多个模块，但由于系统过于庞大，寻找并定位业务模块十分费时，用户体验差。若能根据用户以往的操作行为，并结合影响操作行为的外部因素，使用深度学习技术学习规律，从而为用户推荐下一最有可能操作的模块，便可节省用户操作时间，简单便捷，大大提高了用户体验。

全连接神经网络的特点是前一层的所有神经元节点与当前层的所有节点均相连，即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权，全连接神经网络的结构如图1。

循环神经网络(RNN)与其他神经网络最大的不同是其记忆功能，RNN的网络结构如图2。

RNN的隐藏层不仅传入该时刻的输出层，同时也向下传递到下一时刻的隐藏层，从而实现记忆功能，因此第t时刻的隐藏层计算公式：

S_t＝f(U*X_t+W*S_t-1)

其中，S_t为t时刻隐藏层的输出，f()为激活函数，U为输入层参数矩阵，W为隐藏层参数矩阵，S_t-1为上一时刻的隐藏层输出。

长短记忆神经网络(LSTM)是循环神经网络(RNN)的一种。LSTM在RNN的基础上添加了遗忘门、输入门、输出门，其中遗忘门用于控制系统丢弃部分信息，输入门用于决定更新的信息，输出门则决定隐藏层的输出结果。LSTM比RNN有了进一步的优化，通过添加的门对信息有选择的记忆。LSTM隐藏层的详细结构如图3。

目前，大部分的用户操作行为预测方法，都是基于用户的历史操作行为的频度进行统计来预测。但是，该方法没有考虑用户连续操作行为的内在规律，也没有考虑其他的外部因素对于当前用户行为的影响。

发明内容

本发明目的在于提供一种基于深度学习的用户操作行为预测方法和系统，利用LSTM长短记忆神经网络子系统并使用窗口滑动技术来学习用户连续行为的内在规律，通过全连接神经网络子系统来学习外部因素的权重，最后将两种子系统进行融合来完成对用户操作行为的预测。

为达成上述目的，结合图5，本发明提出一种基于深度学习的用户操作行为预测方法，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。

进一步的，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。

例如，环境数据包括数据的发生来源，如公司ID，部门ID，用户ID等，也包括行为的发生时段，如上午还是下午，是否节假日等。连续行为数据，包括用户的操作行为序列和行为发生的具体时间。