用于互联网商城用户行为习惯的快速数据智能分析方法与流程

[0001]
本发明涉及网络营销和人工智能技术领域，尤其是一种用于互联网商城用户行为习惯的快速数据智能分析方法。


背景技术：

[0002]
互联网商城用户行为习惯都是在特定的场景下进行的，用户也是透过场景来认知产品的，在不同的场景下具有不同的需求。如果将产品卖点与用户需求相对接，利用场景有效地触动用户的痛点，引起消费者的情感共鸣，激发购买欲望，则可建立起良好的互动关系，进而形成消费者黏性和忠诚度。对于初始用户或者消费信息不多的用户，由于用户信息不充分，很难挖掘出用户的消费习惯，进而很难给用户提供针对性的推荐和提高商品的成交率。而场景营销则可以依据前后因果关系或者功能构建商品的展示顺序，进而根据用户的当前选择给出更具针对性的推荐，因此如何能够快速构建场景的记忆，并将该记忆作为后续用户行为习惯统计的基础，成为快速智能分析的基础。
[0003]
类脑学习是当前人工智能和机器学习领域研究的热点。层级时序记忆htm(hierarchical temporal memory)是一种通过模拟大脑皮层细胞的组织和机构，模仿人脑对信息的处理机制的机器学习技术。htm本质上讲是一个基于记忆的系统。htm网络被大量具有时间性的数据训练而成，存储着大量的模式序列，通过记忆的模式序列预测下一次可能的输入。
[0004]
与现有的人工神经网络不同，htm以细胞为基本单位，并使用层级方式进行管理；首先将几个细胞组成一个微柱，再由这些微柱构成htm网络空间。空间池算法和时间池算法是训练htm时的两个重要步骤，首先使用空间池算法，从所有微柱中选择出部分被激活微柱以对应当前的输入。再使用时间池算法从这些微柱中选择部分激活的细胞表达输入所处位置信息，通过调整这些活跃细胞上相关的树突分支，构建输入与输入之间的关联，进行学习；同时利用活跃细胞和已构建的树突分支，对下一时刻的输入进行预测。
[0005]
当前的时间池算法仅使用简单的hebbian规则，通过调整树突分支中突触的连接值，建立前后相邻的两个时刻活跃细胞之间的关联，学习序列的特性；并只有在树突分支中连通突触累积到一定阈值后，才能完成序列的学习任务。如果想要构建快速学习模型，则必须设计新型的时间池算法，提高htm学习序列的效率与效果。


技术实现要素：

[0006]
本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种改进的用于互联网商城用户行为习惯的快速数据智能分析方法，解决htm(hierarchical temporal memory)快速训练时学习效率低和学习效果差的问题。
[0007]
本发明解决其技术问题所采用的技术方案是：一种用于互联网商城用户行为习惯的快速数据智能分析方法，包括互联网商城用户行为模式序列、编码模块、空间池模块和时间模块，所述的时间模块包括获取输入激活的微柱集合、生成学习细胞集、调整树突分支、
调整活跃细胞集和预测单元，包括如下步骤：
[0008]
步骤1，针对互联网商城的场景，构建用户行为顺序，形成不同的用户行为组合时序模式；
[0009]
步骤2，针对不同的互联网商城营销场景，将具有时序特性的用户行为组合模式作为htm快速训练模型的训练对象；
[0010]
步骤3，利用空间池算法从所有微柱中选择部分微柱进行激活，并将激活微柱对应当前用户行为模式中的某个商品；
[0011]
步骤4，利用输入的位置信息，在被激活微柱上生成学习细胞集和临时活跃细胞集，能够让学习过程针对当前位置的序列进行，提高htm学习准确性，并在在学习重复序列过程中，有效减少自身关联的细胞数量，降低循环预测出现的可能性，提高htm的学习效果；
[0012]
步骤5，对学习细胞上关联相邻输入的树突分支进行调整，并针对在线学习的特点，将新增树突分支中的突触值设定为连通值，使得时间池算法通过一次训练，快速形成对序列的记忆和学习，提高htm的学习效率；
[0013]
步骤6，利用调整过的活跃细胞集对下一时刻的商品进行预测，并设置为推荐商品。
[0014]
进一步地，所述的空间池模块用于获取激活的微柱集合，所述时间池模块包括生成学习细胞集单元，所述学习细胞集单元的输入端连接空间池模块的输出端，所述学习细胞集单元的输出端依次连接调整树突分支单元和预测单元。
[0015]
本发明的有益效果是：
[0016]
1、针对互联网商城的场景，构建用户行为的关联模式，对于无法获取历史信息的用户，可依据用户当前的行为，给出更具针对性的销售推荐；
[0017]
2、本发明在生成学习细胞时，利用htm中微柱包含多个细胞所具有的优势，可以对输入的位置信息进行区分，重置输入的活跃细胞集为学习细胞集，预测时用于表达输入的当前位置信息，便于后续学习内容与当前位置的输入建立关联，使得htm在线学习时，能够针对当前输入序列进行学习，提高学习效率；在学习重复序列过程中，缩减数量的活跃细胞集，也能有效减少自身关联的细胞数量，降低循环预测出现的可能，提高htm的学习效果；
[0018]
3、本发明只对关联相邻输入的树突分支进行调整，并针对快速训练的特点，将新增树突分支中的突触值设定在连通阈值以上，使得算法通过一次训练，便可形成对模式序列的记忆和学习，提高htm的学习效率。
附图说明
[0019]
下面结合附图和实施例对本发明进一步说明。
[0020]
图1是本发明的分析方法流程图。
具体实施方式
[0021]
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0022]
实施例1：
[0023]
图1所示的用于互联网商城用户行为习惯的快速数据智能分析方法，包括互联网
商城用户行为模式序列、编码模块、空间池模块和时间模块，所述的时间模块包括获取输入激活的微柱集合、生成学习细胞集、调整树突分支、调整活跃细胞集并进行预测六个步骤：
[0024]
步骤1，利用场景，构建商品顺序，形成不同的商品组合时序模式。
[0025]
步骤2，针对不同的营销场景，将具有时序特性的用户行为组合模式作为htm快速训练模型的训练对象；
[0026]
步骤3，获取输入激活的微柱集合可由空间池算法产生，从所有微柱中选择部分微柱进行激活，并将激活微柱对应当前的输入；
[0027]
步骤4，生成学习细胞集要依赖上一时刻的预测细胞集，对于未预测激活微柱，挑选出的学习细胞能够表达输入的当前位置信息，使得学习过程更针对当前位置上的序列；具体地，
[0028]
步骤4.1，生成学习细胞集的方法为：
[0029]
步骤41.1，若被激活微柱上的细胞被上一时刻的输入预测到，则该细胞被设为当前输入的学习细胞，表示为：
[0030][0031]
步骤4.1.2，若被激活微柱上的细胞全都未被上一时刻的输入预测到，则随机选择该微柱上所有细胞中树突分支数量最少的细胞设为学习细胞，表示为：
[0032][0033]
由上述方法选出的学习细胞构成学习细胞集；其中，为t时刻第j个微柱上第i个细胞被选为学习细胞，i为微柱上细胞的编号，j是微柱的编号，w
t
为t时刻输入激活的微柱集合，为t-1时刻的预测细胞矩阵；min
j
(the segment
′
s number of cell
i，j
)为第j个微柱上包含最少树突分支的细胞编号；
[0034]
步骤4.2，在空间池算法筛选出的被激活微柱中，使用以下规则生成活跃细胞，若被激活的微柱上有预测细胞，则该细胞被设为活跃细胞，若被激活的微柱上没有预测细胞，则微柱上所有的细胞被设为活跃细胞。
[0035][0036]
将上述方法选出的活跃细胞构成临时活跃细胞集；其中表示t时刻第j个微柱上第i个细胞被置为活跃细胞，i为微柱上细胞的编号，j是微柱的编号，w
t
为t时刻输入激活的微柱集合，表示第j个微柱上第i个细胞为t-1时刻的预测细胞；
[0037]
将活跃细胞集中非学习细胞置为非活跃状态，用于准确表达输入的当前位置信息，主要操作如下：
[0038]
[0039]
其中，a
t
代表t时刻输入产生的活跃细胞矩阵，代表t时刻输入对应的学习细胞矩阵；
[0040]
步骤5，调整树突分支步骤中，需要调整的树突分支要么是活跃的，要么在学习细胞上新增树突分支，构建前后输入之间的关联，并将新增树突分支中突触值设为连通阈值及以上的数值，提高学习的效率；具体地，步骤3中调整树突分支的过程为：
[0041]
步骤5.1，若当前处理的学习细胞是被上一时刻输入预测到的细胞，则调整该细胞上活跃的树突分支，加强与上一时刻输入之间的关联，该细胞上活跃树突分支选择条件为：
[0042][0043]
步骤5.2，若当前处理的学习细胞不是被上一时刻输入预测到的细胞，则在该细胞上新增树突分支，构建与上一时刻输入学习细胞之间的突触，形成与上一时刻输入之间的关联，新增树突分支表示为：
[0044][0045]
其中，为第j个微柱中第i个细胞上所具有的第k个树突分支的连通性矩阵，activethreshold为树突分支的活跃阈值，是在第j个微柱中第i个细胞上新增的树突分支，connected_permanance为树突分支中突触的连通阈值；为t-1时刻输入对应的学习细胞矩阵。
[0046]
步骤6，调整活跃细胞集并进行预测，通过缩减范围的活跃细胞进行预测，能提高后续输入产生学习细胞对位置信息的区分能力，同时便于后续学习内容与当前位置的输入建立关联；该算法针对快速训练的特点，提高了htm对序列的学习效果和效率。
[0047]
基于上述方法，本发明还提出了一种分析互联网商城用户行为习惯途径的快速数据智能分析方法，包括空间池模块和时间池模块，所述空间池模块用于获取激活的微柱集合；所述时间池模块包括生成学习细胞集单元，所述学习细胞集单元的输入端连接空间池模块的输出端，学习细胞集单元的输出端依次连接调整树突分支单元和预测单元。
[0048]
实施例2：
[0049]
在本实施例中，以“abab”作为本发明快速训练时的输入序列为例，首先通过空间池的学习，假设输入a会激活1、3号微柱，b会激活2、4号微柱，且每个微柱上有4个细胞，并设置树突的连通阈值为0.8。以下描述在线学习时的过程：
[0050]
对于序列中第一个输入a，因为没有上下文环境，假设时间池产生该输入的学习细胞为：cell
1，1
和cell
3，1
，分别代表1号微柱的第一个细胞和3号微柱的第一个细胞，并且没有树突分支需要调整，同时将活跃细胞也重置为cell
1，1
和cell
3，1
。
[0051]
对于序列中第二个输入b，上一时刻的活跃细胞没有被预测到当前输入，所以激活的微柱上没有预测细胞，假设时间池产生该输入的学习细胞为：cell
2，1
和cell
4，1
，分别代表2号微柱的第一个细胞和4号微柱的第一个细胞，在这两个细胞上都新增树突分支，分别为[cell
1，1
＝0.8，cell
3，1
＝0.8]，表明这两个细胞都建立突触连接到cell
1，1
和cell
3，1
，并且突触处于连通状态。同时将活跃细胞也重置为cell
2，1
和cell
4，1
。
[0052]
对于序列中第三个输入a，上一时刻的活跃细胞没有被预测到当前输入，所以激活的微柱上没有预测细胞，假设时间池产生该输入的学习细胞为：cell
1，2
和cell
3，2
，分别代表
1号微柱的第二个细胞和3号微柱的第二个细胞，在这两个细胞上都新增树突分支，分别为[cell
2，1
＝0.8，cell
4，1
＝0.8]，表明这两个细胞都建立突触连接到cell
2，1
和cell
4，1
，并且突触处于连通状态。同时将活跃细胞也重置为cell
1，2
和cell
3，2
。
[0053]
对于序列中第四个输入b，上一时刻的活跃细胞没有被预测到当前输入，所以激活的微柱上没有预测细胞，假设时间池产生该输入的学习细胞为：cell
2，2
和cell
4，2
，分别代表2号微柱的第二个细胞和4号微柱的第二个细胞，在这两个细胞上都新增树突分支，分别为[cell
1，2
＝0.8，cell
3，2
＝0.8]，表明这两个细胞都建立突触到cell
1，2
和cell
3，2
，并且突触处于连通状态。同时将活跃细胞也重置为cell
2，2
和cell
4，2
。
[0054]
通过快速训练，htm能够学习到“abab”序列的完整内容，但是现有的时间池学习算法只能学习到“aba”序列，第四步的学习只是加强了第一个输入与第二个输入之间的关联。
[0055]
针对互联网商城的场景，构建用户行为的关联模式，对于无法获取历史信息的用户，可依据用户当前的行为，给出更具针对性的销售推荐；本发明在生成学习细胞时，利用htm中微柱包含多个细胞所具有的优势，可以对输入的位置信息进行区分，重置输入的活跃细胞集为学习细胞集，预测时用于表达输入的当前位置信息，便于后续学习内容与当前位置的输入建立关联，使得htm在线学习时，能够针对当前输入序列进行学习，提高学习效率；在学习重复序列过程中，缩减数量的活跃细胞集，也能有效减少自身关联的细胞数量，降低循环预测出现的可能，提高htm的学习效果；本发明只对关联相邻输入的树突分支进行调整，并针对快速训练的特点，将新增树突分支中的突触值设定在连通阈值以上，使得算法通过一次训练，便可形成对模式序列的记忆和学习，提高htm的学习效率。
[0056]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0057]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。