本发明涉及大数据,尤其涉及一种基于cnn使用日志频谱分析的用户分类方法及系统。
背景技术:
1、互联网用户基数庞大,尤其是社交、电商以及金融等服务平台,或者是为了促进用户在平台的活跃度,或者是给对应用户做对应的商品推荐,或者是在社交中做好友匹配,都要涉及到用户分类,可以说用户分类是互联网最重要的技术之一。
2、目前,因为用户日志数据过大,并且日志数据之间还存在时间相关性,导致无法直接使用日志数据来训练模型,但现有的技术是基于日志统计结果的,结果导致统计结束后,大部分时间信息会损失,导致分类效果不够准确。
技术实现思路
1、针对现有技术中存在的问题,本发明实施例提供一种基于cnn使用日志频谱分析的用户分类方法及系统。
2、本发明实施例提供一种基于cnn使用日志频谱分析的用户分类方法,包括:
3、检测到用户分类请求时,获取所述用户分类请求对应的目标用户及请求目标,基于所述请求目标确定对应的请求时间段,基于所述请求时间段获取所述目标用户的历史日志数据中的目标历史数据;
4、根据所述请求目标确定对应的请求因子,基于所述请求因子确定所述目标历史数据中的用户分类数据,并获取所述用户分类数据对应的数据时间,基于所述用户分类数据及对应的数据时间,生成目标用户对应的时间序列;
5、将所述时间序列根据所述数据时间的时间间隔分为时间序列集,并对所述时间序列集进行标准化,得到标准化后的时间序列集,并将标准化后的所述时间序列集通过傅里叶变换转换为对应的频谱图;
6、基于所述请求目的、请求因子搭建对应的cnn卷积神经网络模型,将所述频谱图输入至cnn卷积神经网络模型进行分类训练,基于分类训练结果确定所述目标用户的分类结果。
7、在其中一个实施例中,所述方法还包括:
8、获取预设周期内包含所述请求目标的用户分类请求的请求次数,基于所述请求次数确定所述用户分类请求的优先级,并基于所述优先级确定对应的用户分类请求序列;
9、基于所述用户分类请求序列中的优先级确定对应的请求目标的优先级,并基于所述请求目标的优先级调整所述cnn卷积神经网络中卷积层的学习权重。
10、在其中一个实施例中,所述方法还包括:
11、基于所述分类结果,生成对应的分类标签,并基于所述请求时间段确定对应的更新周期;
12、将所述分类标签保存至对应目标用户的历史日志数据,并基于所述更新周期对所述分类标签进行更新。
13、在其中一个实施例中,所述方法还包括:
14、基于所述用户分类数据获取历史对照集,并将所述历史对照集按照预设比例分为标准集及验证集,所述历史对照集为数据库中与所述用户分类数据关联的、已完成分类的历史数据;
15、生成标准集数据对应标准频谱图,将所述标准匹配图及对应的分类结果输入至所述cnn卷积神经网络作为神经网络模型的标准参数;
16、获取所述cnn卷积神经网络模型的分类训练结果,并将所述分类训练结果与验证集数据进行对比,若对比结果满足预设的准确度要求,确定所述分类训练对应的所述目标用户的分类结果。
17、在其中一个实施例中,所述方法还包括:
18、所述标准化为z-score标准化。
19、本发明实施例提供一种基于cnn使用日志频谱分析的用户分类系统,包括:
20、检测模块,用于检测到用户分类请求时,获取所述用户分类请求对应的目标用户及请求目标,基于所述请求目标确定对应的请求时间段,基于所述请求时间段获取所述目标用户的历史日志数据中的目标历史数据;
21、序列模块,用于根据所述请求目标确定对应的请求因子,基于所述请求因子确定所述目标历史数据中的用户分类数据,并获取所述用户分类数据对应的数据时间,基于所述用户分类数据及对应的数据时间,生成目标用户对应的时间序列;
22、频谱模块,用于将所述时间序列根据所述数据时间的时间间隔分为时间序列集,并对所述时间序列集进行标准化,得到标准化后的时间序列集,并将标准化后的所述时间序列集通过傅里叶变换转换为对应的频谱图;
23、训练模块,用于基于所述请求目的、请求因子搭建对应的cnn卷积神经网络模型,将所述频谱图输入至cnn卷积神经网络模型进行分类训练,基于分类训练结果确定所述目标用户的分类结果。
24、在其中一个实施例中,所述系统还包括:
25、获取模块,用于获取预设周期内包含所述请求目标的用户分类请求的请求次数,基于所述请求次数确定所述用户分类请求的优先级,并基于所述优先级确定对应的用户分类请求序列;
26、权重模块,用于基于所述用户分类请求序列中的优先级确定对应的请求目标的优先级,并基于所述请求目标的优先级调整所述cnn卷积神经网络中卷积层的学习权重。
27、在其中一个实施例中,所述系统还包括:
28、标签模块,用于基于所述分类结果,生成对应的分类标签,并基于所述请求时间段确定对应的更新周期;
29、更新模块,用于将所述分类标签保存至对应目标用户的历史日志数据,并基于所述更新周期对所述分类标签进行更新。
30、本发明实施例提供一种电子设备,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,所述处理器执行所述程序时实现上述基于cnn使用日志频谱分析的用户分类方法的步骤。
31、本发明实施例提供一种非暂态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上述基于cnn使用日志频谱分析的用户分类方法的步骤。
32、本发明实施例提供的一种基于cnn使用日志频谱分析的用户分类方法及系统,检测到用户分类请求时,获取用户分类请求对应的目标用户及请求目标,基于请求目标确定对应的请求时间段,基于请求时间段获取目标用户的历史日志数据中的目标历史数据;根据请求目标确定对应的请求因子,基于请求因子确定所述目标历史数据中的用户分类数据,并获取用户分类数据对应的数据时间,基于用户分类数据及对应的数据时间,生成目标用户对应的时间序列;将时间序列根据数据时间的时间间隔分为时间序列集,并对时间序列集进行标准化,得到标准化后的时间序列集,并将时间序列集通过傅里叶变换转换为对应的频谱图;基于请求目的、请求因子搭建对应的cnn卷积神经网络模型,将频谱图输入至cnn卷积神经网络模型进行分类训练,基于分类训练结果确定目标用户的分类结果。这样能够将用户的日志数据分析从时域转到频域中进行分析,从而避免了时间信息的损失,也进一步提高了分类效果的准确性。
1.一种基于cnn使用日志频谱分析的用户分类方法,其特征在于,包括:
2.根据权利要求1所述的基于cnn使用日志频谱分析的用户分类方法,其特征在于,所述方法还包括:
3.根据权利要求1所述的基于cnn使用日志频谱分析的用户分类方法,其特征在于,所述方法还包括:
4.根据权利要求1所述的基于cnn使用日志频谱分析的用户分类方法,其特征在于,所述将所述频谱图输入至cnn卷积神经网络模型进行分类训练,包括:
5.根据权利要求1所述的基于cnn使用日志频谱分析的用户分类方法,其特征在于,所述方法还包括:
6.一种基于cnn使用日志频谱分析的用户分类系统,其特征在于,所述系统包括:
7.根据权利要求6所述的基于cnn使用日志频谱分析的用户分类系统,其特征在于,所述系统还包括:
8.根据权利要求6所述的基于cnn使用日志频谱分析的用户分类系统,其特征在于,所述系统还包括:
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于cnn使用日志频谱分析的用户分类方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于cnn使用日志频谱分析的用户分类方法的步骤。