基于深度学习的用户态势预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的用户态势预测方法及装置，基于深度学习的用户态势预测方法包括：获取用户的属性数据；根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，其中所述用户态势预测模型是基于深度学习算法所建立的。本发明专利技术一方面通过深度学习模型术对用户问卷调查进行可信度分析，甄别真实用户，减少无效用户冗余量。另一方面，利用真实大数据对其进行态势分析，群里类别归类，推送合理的功能与产品，并定期根据使用情况以及群体类别态势分析，定期向用户更新推荐服务。新推荐服务。新推荐服务。

【技术实现步骤摘要】
基于深度学习的用户态势预测方法及装置


[0001]本专利技术计算机数据处理技术，尤其是信息验证
，具体涉及一种基于深度学习的用户态势预测方法及装置。

技术介绍

[0002]随着社会市场经济、人工智能、大数据技术的快速发展，个人用户推荐算法越来越普及，已公开的专利包括基于视频的大数据推荐算法，以及基于融合神经网络的智能预测推荐算法等。通过智能推荐算法，为用户提供方便，可靠的消息内容，可以有效避免无用消息、功能、产品的冗余，提高用户体验度。
[0003]当前，现有技术中所提供的推荐算法主要通过个体用户大数据统计与分析计算完成，通过个体用户的功能、产品、兴趣使用情况提供感兴趣的推荐信息。该中方法群体效应分析较差，评估内容不易被某一类大众接收，缺乏统一推荐，前期收集用户兴趣使用情况时间较为长，效率相对低下。

技术实现思路

[0004]针对现有技术中的问题，本专利技术实施例所提供的基于深度学习的用户态势预测方法及装置，通过深度学习模型术对用户问卷调查进行可信度分析，甄别真实用户，减少无效用户冗余量。利用真实大数据对其进行态势分析，群里类别归类，推送合理的功能与产品，并定期根据使用情况以及群体类别态势分析，定期向用户更新推荐服务。
[0005]为解决上述技术问题，本专利技术提供以下技术方案：
[0006]第一方面，本专利技术提供一种基于深度学习的用户态势预测方法，包括：
[0007]获取用户的属性数据；
[0008]根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，其中所述用户态势预测模型是基于深度学习算法所建立的。
[0009]一实施例中，建立所述用户态势预测模型包括以下步骤：
[0010]根据历史用户的属性数据以及其对应的投资偏好数据建立训练数据集；
[0011]基于所述深度学习算法建立所述用户态势预测模型的初始模型；
[0012]根据所述训练数据集训练所述初始模型，以生成所述用户态势预测模型。
[0013]一实施例中，基于深度学习的用户态势预测方法还包括：
[0014]根据所述用户调查问卷生成其对应的态势分析图谱。
[0015]一实施例中，所述根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，包括：
[0016]根据所述态势分析图谱以及所述用户态势预测模型预测所述用户态势走向。
[0017]第二方面，本专利技术提供一种基于深度学习的用户态势预测装置，该装置包括：
[0018]属性数据获取模块，用于获取用户的属性数据；
[0019]态势走向预测模块，用于根据所述属性数据以及预先建立的用户态势预测模型预
测所述用户态势走向，其中所述用户态势预测模型是基于深度学习算法所建立的。
[0020]一实施例中，基于深度学习的用户态势预测装置还包括：预测模型建立模块，用于建立所述用户态势预测模型，所述预测模型建立模块包括：
[0021]训练数据建立单元，用于根据历史用户的属性数据以及其对应的投资偏好数据建立训练数据集；
[0022]初始模型建立单元，用于基于所述深度学习算法建立所述用户态势预测模型的初始模型；
[0023]预测模型生成单元，用于根据所述训练数据集训练所述初始模型，以生成所述用户态势预测模型。
[0024]一实施例中，基于深度学习的用户态势预测装置还包括：
[0025]分析图谱生成模块，用于根据所述用户调查问卷生成其对应的态势分析图谱。
[0026]一实施例中，所述态势走向预测模块包括：
[0027]态势走向预测单元，用于根据所述态势分析图谱以及所述用户态势预测模型预测所述用户态势走向。
[0028]第三方面，本专利技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现基于深度学习的用户态势预测方法的步骤。
[0029]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于深度学习的用户态势预测方法的步骤。
[0030]从上述描述可知，本专利技术提供基于深度学习的用户态势预测方法及装置，首先获取用户的属性数据；接着，根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，其中所述用户态势预测模型是基于深度学习算法所建立的。本专利技术通过语言问题调查问卷，利用深度学习技术甄别预测调查问卷的可信度(例如年龄分布，职业分布，收入分布，兴趣分布，投资心里动态等)；利用可信的大数据进行用户态势分析，对统一态势类别的用户在某款终端应用推荐合适的应用功能与类别产品，并定期根据海量用户终端应用功能的使用情况进行统计与分析，进而定期更新产品和功能推荐计划，从何方便用户使用，提高用户体验度，使终端应用更加便捷与人性化，间接提升用户终端应用的使用率。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为本专利技术的实施例中的基于深度学习的用户态势预测方法的流程示意图一；
[0033]图2为本专利技术的实施例中的基于深度学习的用户态势预测方法的流程示意图二；
[0034]图3为本专利技术的实施例中步骤300的流程示意图；
[0035]图4为本专利技术的实施例中的基于深度学习的用户态势预测方法的流程示意图三；
[0036]图5为本专利技术的实施例中步骤200的流程示意图；
[0037]图6为本专利技术的具体应用实例中基于深度学习的用户态势预测方法的流程示意图；
[0038]图7为本专利技术的实施例中的基于深度学习的用户态势预测装置的结构示意图一；
[0039]图8为本专利技术的实施例中的基于深度学习的用户态势预测装置的结构示意图二；
[0040]图9为本专利技术的实施例中的预测模型建立模块30的结构示意图；
[0041]图10为本专利技术的实施例中的基于深度学习的用户态势预测装置的结构示意图三；
[0042]图11为本专利技术的实施例中的态势走向预测模块20的结构示意图；
[0043]图12为本专利技术的实施例中的电子设备的结构示意图。
具体实施方式
[0044]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0045]本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0046]在现有技术中，前期数据收集与统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的用户态势预测方法，其特征在于，包括：获取用户的属性数据；根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，其中所述用户态势预测模型是基于深度学习算法所建立的。2.如权利要求1所述的基于深度学习的用户态势预测方法，其特征在于，建立所述用户态势预测模型包括以下步骤：根据历史用户的属性数据以及其对应的投资偏好数据建立训练数据集；基于所述深度学习算法建立所述用户态势预测模型的初始模型；根据所述训练数据集训练所述初始模型，以生成所述用户态势预测模型。3.如权利要求1所述的基于深度学习的用户态势预测方法，其特征在于，还包括：根据所述用户调查问卷生成其对应的态势分析图谱。4.如权利要求3所述的基于深度学习的用户态势预测方法，其特征在于，所述根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，包括：根据所述态势分析图谱以及所述用户态势预测模型预测所述用户态势走向。5.一种基于深度学习的用户态势预测装置，其特征在于，包括：属性数据获取模块，用于获取用户的属性数据；态势走向预测模块，用于根据所述属性数据以及预先建立的用户态势预测模型预测所述用户态势走向，其中所述用户态势预测模型是基于深度学习算法所建立的。6.如权利要求5所述的基于深度学习的用户态势预测装置，其特征在于，还包括：预测模型建立模块，用于建立...

【专利技术属性】
技术研发人员：赵娟，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：