本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)，具體的是一種基于神經(jīng)霍克斯過程的在線直播行為分析方法及系統(tǒng)。

背景技術(shù)：

1、在當(dāng)今電子商務(wù)的浪潮中，網(wǎng)絡(luò)直播銷售已成為一種備受歡迎的營(yíng)銷手段。盡管直播能夠聚集眾多觀眾，但觀眾的實(shí)際購(gòu)買率并不總是高，因此需要深入探究消費(fèi)者的觀看行為。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述背景技術(shù)中提到的不足，本發(fā)明的目的在于提供一種基于神經(jīng)霍克斯過程的在線直播行為分析方法及系統(tǒng)。

2、第一方面，本發(fā)明的目的可以通過以下技術(shù)方案實(shí)現(xiàn)：一種基于神經(jīng)霍克斯過程的在線直播行為分析方法，方法包括以下步驟：

3、獲取在線直播數(shù)據(jù)，設(shè)定固定時(shí)間段，基于每個(gè)固定時(shí)間段對(duì)在線直播數(shù)據(jù)進(jìn)行分割，得到每個(gè)固定時(shí)間段對(duì)應(yīng)事件，基于每個(gè)固定時(shí)間段對(duì)應(yīng)事件生成交互事件行為序列；

4、基于交互事件行為序列的每種事件類型的強(qiáng)度函數(shù)生成在線編碼結(jié)構(gòu)，基于交互事件行為序列獲取觀看行為序列，將觀看行為序列輸入至在線編碼結(jié)構(gòu)內(nèi)，得到預(yù)測(cè)的下一個(gè)行為類型，基于預(yù)測(cè)的下一個(gè)行為類型對(duì)對(duì)應(yīng)的觀看行為發(fā)生時(shí)間進(jìn)行預(yù)測(cè)。

5、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：所述基于每個(gè)固定時(shí)間段對(duì)在線直播數(shù)據(jù)進(jìn)行分割的過程：

6、給定一個(gè)固定的時(shí)間段，通過將時(shí)間段進(jìn)行分隔成一個(gè)個(gè)不交叉的時(shí)間段，每個(gè)時(shí)間段上觀察發(fā)生的事件，事件屬于類別其中，表示事件沒有發(fā)生，k表示事件的類別，k表示事件的總類別的個(gè)數(shù)，交互事件集合為表示時(shí)間段發(fā)生的事件序列，其中，一個(gè)事件表示為k表示事件的類別，ti表示事件發(fā)生的確切時(shí)間點(diǎn)，[ti-1,ti]時(shí)間段的劃分由事件發(fā)生的時(shí)間所確定，事件發(fā)生后，時(shí)間段自動(dòng)被劃分。

7、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：所述基于每個(gè)固定時(shí)間段對(duì)應(yīng)事件生成交互事件行為序列的過程：

8、事件序列的生成概率模型稱為多變量點(diǎn)過程，類別在時(shí)間oij發(fā)生了，在無(wú)限小的時(shí)間區(qū)間[ti,ti+dt)內(nèi)發(fā)生的概率其中發(fā)生的概率取決于歷史信息發(fā)生的概率取決于交互信息z'(l1,l2,ti)，而交互信息z'(l1,l2,ti)的構(gòu)成如下：

9、z′(l1,l2,ti)＝r(γ(oij),fe(lu,lw,ti),fl(lu,ti′),fl(lw,ti′),z(lu,ti′),z(lw,ti′))

10、其中，γ(ti)計(jì)算節(jié)點(diǎn)的時(shí)變表示向量的函數(shù),將交互時(shí)間ti轉(zhuǎn)化為相應(yīng)的時(shí)間向量的函數(shù)；fe(lu,lw,ti)表示節(jié)點(diǎn)lu與節(jié)點(diǎn)lw的交互特征；fl(lu,ti'),fl(lw,ti')分別表示節(jié)點(diǎn)lu和lw在時(shí)間點(diǎn)oij之前的特征；z(lu,ti'),z(lw,ti')表示節(jié)點(diǎn)lu和lw在產(chǎn)生交互前的表示向量；z'(l1,l2,ti)表示計(jì)算時(shí)變向量。

11、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：當(dāng)時(shí)，在時(shí)的極限為pk(ti)，pk(ti)為強(qiáng)度函數(shù)，所有類型的強(qiáng)度函數(shù)累計(jì)表示為

12、通過引入非線性傳遞函數(shù)，確保總激活函數(shù)保持正值，并允許為負(fù)，以下是修改后的公式：

13、

14、隨著時(shí)間ti增長(zhǎng)，事件逐步發(fā)生，強(qiáng)度函數(shù)pk會(huì)上升或者下降，但最終會(huì)趨向于基本速率rk(ρk+0)。

15、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：所述基于交互事件行為序列的每種事件類型的強(qiáng)度函數(shù)生成在線編碼結(jié)構(gòu)的過程：

16、每種事件類型的強(qiáng)度函數(shù)pk(ti)隨時(shí)間動(dòng)態(tài)變化；隱藏狀態(tài)向量h與存儲(chǔ)單元向量c密切相關(guān)；每個(gè)存儲(chǔ)單元c按照一定的衰減率δ以指數(shù)形式衰減；通過結(jié)合ode-lstm網(wǎng)絡(luò)強(qiáng)度函數(shù)的定義如下：

17、pk(ti)＝rk(wkh(ti))

18、

19、將符號(hào)h(ti)簡(jiǎn)略寫成hi，c(ti)、簡(jiǎn)略寫成ci、hi是通過歷史事件序列在過去時(shí)間的統(tǒng)計(jì)，ode-lstm編碼器是一種lstm，其中兩個(gè)觀測(cè)值之間的轉(zhuǎn)換由一個(gè)神經(jīng)ode給出；在每個(gè)時(shí)間間隔i，lstm單元定義如下：

20、ii＝σ(wi-1ki-1+whinhi+bin)

21、fi＝σ(wxfki-1+whfhi+bf)

22、oi＝σ(wxoki-1+whohi+bo)

23、

24、

25、hi＝oi⊙tanh(ci)

26、其中，hi是中間隱狀態(tài)，為具有初始狀態(tài)hi-1和時(shí)間間隔[ti-1,ti]的ode初值問題的解。

27、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：所述觀看行為序列定義在時(shí)間戳ti發(fā)生的行為作為一個(gè)事件包含的行為為觀看、評(píng)論下單、退出直播間；有序事件序列被表示為n是事件的總數(shù)目；

28、將直播下單的情況形式化地定義為從觀看到下單的時(shí)長(zhǎng)tx與在線總時(shí)長(zhǎng)to的比值，直播下單質(zhì)量表示為將直播下單質(zhì)量分為四個(gè)標(biāo)簽，l∈0,1,2,3,5}；當(dāng)l＝0，表示沒有下單，l＝1，表示q∈(0.75,1]，當(dāng)l＝2時(shí)，表示q∈(0.5,0.75]，當(dāng)l＝3時(shí)，表示q∈(0.25,0.5]，當(dāng)l＝4時(shí)，表示q∈(0,0.25]，將質(zhì)量檢測(cè)進(jìn)行分類。

29、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：所述預(yù)測(cè)的下一個(gè)行為類型的預(yù)測(cè)過程：

30、對(duì)事件進(jìn)行時(shí)間序列建模，基于時(shí)間點(diǎn)ti之前的歷史直播序列采用強(qiáng)度函數(shù)來預(yù)測(cè)未來事件的發(fā)生，將的強(qiáng)度函數(shù)定義為：

31、

32、其中代表了在之前發(fā)生的歷史觀看行為，代表了事件的觀看行為嵌入向量，hi-1代表了經(jīng)過編碼的d維隱特征，wk代表了全連接層的權(quán)重矩陣，fp代表了激活函數(shù)，激活函數(shù)采用如下公式：

33、

34、其中，s是比例超參數(shù)；觀看行為作為歷史觀看序列代上的第i個(gè)條件發(fā)生的概率p表示為：

35、

36、為生存期函數(shù)，定義如下：

37、

38、采用指數(shù)損失函數(shù)為下一個(gè)觀看行為發(fā)生類型的預(yù)測(cè)：

39、

40、ltype是觀看行為類型的損失函數(shù)。

41、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：所述基于預(yù)測(cè)的下一個(gè)行為類型對(duì)對(duì)應(yīng)的觀看行為發(fā)生時(shí)間進(jìn)行預(yù)測(cè)的過程：

42、對(duì)于觀看行為發(fā)生時(shí)間預(yù)測(cè)，預(yù)測(cè)下一個(gè)事件的觀看行為的發(fā)生的時(shí)間，基于事件和歷史觀看行為序列事件在未來某一時(shí)間發(fā)生的強(qiáng)度函數(shù)定義如下：

43、

44、然后，以給定觀看行為和歷史觀看行為序列為條件的第i次事件發(fā)生時(shí)間的概率表示為：

45、

46、下一次觀看行為的期望時(shí)間計(jì)算如下：

47、

48、使用均方誤差作為時(shí)間預(yù)測(cè)的損失函數(shù)：

49、

50、事件級(jí)解碼器的損失函數(shù)由兩部分組成：一部分是預(yù)測(cè)觀看行為類型時(shí)產(chǎn)生的誤差ltype，另一部分是預(yù)測(cè)觀看行為發(fā)生時(shí)間時(shí)的誤差ltime，損失函數(shù)如下le：

51、le＝ltype+ltime。

52、結(jié)合第一方面，在第一方面的某些實(shí)現(xiàn)方式中，該方法還包括：解碼器首先采用平均池化技術(shù)對(duì)事件級(jí)的表示進(jìn)行整合，從而提煉出直播間層面的綜合表示z：

53、

54、將直播間級(jí)表示作為解碼器的輸入數(shù)據(jù)，這一預(yù)測(cè)基于預(yù)先定義的在線觀看質(zhì)量標(biāo)簽，采用了如下指數(shù)損失函數(shù)來衡量預(yù)測(cè)性能：

55、

56、然后，構(gòu)建總損失函數(shù)，總損失函數(shù)l被構(gòu)建為事件級(jí)損失le和直播間級(jí)損失lc的累加：

57、l＝le+lc。

58、第二方面，為了達(dá)到上述目的，本發(fā)明公開了一種基于神經(jīng)霍克斯過程的在線直播行為分析系統(tǒng)，包括：

59、序列生成模塊，用于獲取在線直播數(shù)據(jù)，設(shè)定固定時(shí)間段，基于每個(gè)固定時(shí)間段對(duì)在線直播數(shù)據(jù)進(jìn)行分割，得到每個(gè)固定時(shí)間段對(duì)應(yīng)事件，基于每個(gè)固定時(shí)間段對(duì)應(yīng)事件生成交互事件行為序列；

60、行為分析模塊，用于基于交互事件行為序列的每種事件類型的強(qiáng)度函數(shù)生成在線編碼結(jié)構(gòu)，基于交互事件行為序列獲取觀看行為序列，將觀看行為序列輸入至在線編碼結(jié)構(gòu)內(nèi)，得到預(yù)測(cè)的下一個(gè)行為類型，基于預(yù)測(cè)的下一個(gè)行為類型對(duì)對(duì)應(yīng)的觀看行為發(fā)生時(shí)間進(jìn)行預(yù)測(cè)。

61、本發(fā)明的有益效果：

62、本發(fā)明通過用戶參與直播的持續(xù)時(shí)間來評(píng)估直播的質(zhì)量。接著，定義了一種直播行為序列，它能夠精確追蹤用戶在直播中的每一步互動(dòng)。此外，本發(fā)明提出的分層編解碼模型旨在提升對(duì)用戶行為和直播質(zhì)量的預(yù)測(cè)準(zhǔn)確性。最終，我們將這一模型應(yīng)用于實(shí)際的購(gòu)物平臺(tái)數(shù)據(jù)集，并通過與現(xiàn)有技術(shù)的對(duì)比，證明了本框架在預(yù)測(cè)直播觀看行為方面的優(yōu)越性。