用户体验预测方法及系统与流程

1.本发明涉及互联网大数据领域，尤其涉及一种基于用户产品满意度的用户体验预测方法及系统。


背景技术：

2.全球信息化的浪潮既带来了历史机遇,又带来了严峻挑战。在信息化建设的过程中，如何能够建立有效的信息化生态圈是目前信息化发展的重要难题。
3.信息化生态圈是信息通信技术产品所形成一定规模的产业圈，包括但不限于智慧家庭生态圈、医疗信息化生态圈、智慧健康生态圈和教育信息化生态圈等。
4.为了进一步描述信息化生态圈中存在的普遍性问题，以智慧家庭场景作为案例进行以下分析。
5.目前智慧家庭发展的瓶颈主要在用户场景体验的升级和智慧家庭的生态化，如何在现有生态的智慧家庭中提升用户体验成为亟待解决的问题。目前关于智慧家庭用户体验的评价主要包括用户对于单一产品的主观评价和基于关键性能指标的客观评价。而在现有的智慧家庭生态圈中，缺乏基于用户主观评价与基于性能指标的客观评价的结合的智慧家庭用户体验评价方法。
6.本发明的目的是填补现有技术的空缺，解决如何有效地将用户主观评价与性能指标的客观评价相结合、如何将用户产品满意度与智慧家庭用户体验相结合的问题。
7.在此，用户产品满意度指的是用户对单一产品的评价，智慧家庭用户体验指(信息化生态圈用户体验)的是用户对智慧家庭(信息化生态圈)一套产品的评价。


技术实现要素：

8.提供本发明内容以便以简化形式介绍将在以下详细描述中进一步描述的一些概念。本发明内容并不旨在标识出所要求保护的主题的关键特征或必要特征；也不旨在用于确定或限制所要求保护的主题的范围。
9.本发明针对用户主观评价和性能指标的客观评价分别采用用户行为指标和网络状况指标进行量化，采用宽度学习实现主客观的用户产品满意度预测模型；利用宽度学习的增量学习特性，将用户产品满意度预测模型融合成为智慧家庭用户体验，从而实现智慧家庭下用户场景体验感的量化，为下一步的完善产品的功能、解决用户痛点以及提升智慧家庭的核心竞争力打下基础。
10.本发明提出一种基于用户产品满意度的用户体验预测方法及系统，该方法应用于量化用户产品满意度和对信息化生态圈的体验感，既代替传统的用户打分制，减少了大量问卷调查的工作量,也弥补了只关注网络服务质量的不足，实现了主客观因素统一的用户产品满意度评价方法。同时该方法将用户产品满意度与信息化生态圈的用户场景体验相结合，在用户产品满意度的基础上，量化了信息化生态圈的用户场景体验，不仅有助于提升信息化生态圈产品的核心竞争力，还根据用户需求进一步完善现有的产品功能以及解决用户
痛点。本发明采用嵌套宽度学习的方式，减少了大量的重复性计算工作，进一步提升用户产品满意度和信息化生态圈场景体验预测的及时性。
11.本发明以智慧家庭场景为例，但本发明所涉及的方法不限于应用在智慧家庭场景。该方法同样适合产品形成规模化的信息化产业，进而打造其独特的信息化生态圈。
12.本发明提供了一种基于信息化生态圈用户体验预测的宽度学习模型的训练方法，包括：
13.获取信息化生态圈中至少一个产品的训练样本集，训练样本集至少包括特征数据以及用户产品满意度数据，其中特征数据包括网络参数和用户行为数据，网络参数至少包括传输时延、抖动、丢包率和传输速率，用户行为数据至少包括单位时间内用户操作次数和用户重复操作次数，用户产品满意度是用户对某一产品的实际体验感受打分值；
14.将特征数据通过稀疏自编码进行特征提取；
15.将特征数据以及用户产品满意度数据输入宽度学习模型，训练基于用户产品满意度的宽度学习模型；以及
16.在依次获得了针对各单个产品的用户产品满意度的预测后，结合信息化生态圈用户体验，训练基于信息化生态圈用户体验的宽度学习模型。
17.其中，用户产品满意度数据输入宽度学习模型和基于信息化生态圈用户体验的宽度学习模型的训练进一步包括：利用所提取的特征数据映射的特征作为映射特征节点；将映射特征节点增强为随机生成权重的增强节点；将所有映射特征节点和增强节点连接到输出节点；以及通过快递伪逆求得对应的输出系数。
18.该方法还包括在根据宽度学习模型中所预测的用户产品满意度和信息化生态圈用户体验，完善现有的信息化生态圈产品功能。
19.该方法进一步包括通过实际场景分析确定特征数据是否影响用户产品满意度数据。
20.本发明的用户产品满意度数据输入宽度学习模型和基于信息化生态圈用户体验的宽度学习模型分别包括三层：第一层是输入数据层，第二层是映射特征节点和增强节点层，第三层是输出节点层。
21.本发明公开了一种信息化生态圈用户体验预测系统，包括：
22.数据采集模块，数据采集模块用于获得信息化生态圈中至少一个产品的样本集；
23.特征数据提取模块，特征数据提取模块用于对样本集之中的网络参数和用户行为参数进行特征提取；
24.用户产品满意度预测模块，用户产品满意度预测模块用于将所提取的特征输入通过前述一种基于信息化生态圈用户体验预测的宽度学习模型的训练方法训练的基于用户产品满意度的宽度学习模型，获取用户产品满意度的预测；以及
25.信息化生态圈用户体验预测模块，信息化生态圈用户体验预测模块用于将的基于用户产品满意度的宽度学习模型和用户产品满意度输入通过前述一种基于信息化生态圈用户体验预测的宽度学习模型的训练方法训练的基于信息化生态圈用户体验的宽度学习模型，获取信息化生态圈用户体验的预测。
26.本发明还提供一种基于信息化生态圈用户体验预测的宽度学习模型的预测方法，包括：
27.获取信息化生态圈中至少一个产品的样本集；
28.对样本集之中的网络参数和用户行为参数进行特征提取；
29.将至少一个产品的样本集输入通过前述一种基于信息化生态圈用户体验预测的宽度学习模型的训练方法训练的基于用户产品满意度的宽度学习模型，获得用户产品满意度的预测结果；以及
30.将基于用户产品满意度的宽度学习模型和用户产品满意度输入通过前述一种基于信息化生态圈用户体验预测的宽度学习模型的训练方法训练的基于信息化生态圈用户体验的宽度学习模型，获取信息化生态圈用户体验的预测。
附图说明
31.以下将通过参考附图中示出的具体实施例来对本发明进行更具体描述。
32.图1示出了本发明的一个实施例的基于智慧家庭用户体验预测的宽度学习方法的流程图；
33.图2示出了本发明的一个实施例的提供的基于智慧家庭用户体验预测的宽度学习模型的训练方法的示意图；
34.图3示出了本发明中使用的宽度学习模型的结构示意图；
35.图4示出了运用图1的宽度学习方法的智慧家庭用户体验预测过程的流程图；
36.图5示出了本发明的一个实施例的智慧家庭用户体验预测系统的模块示意图。
37.附图中的流程图和框图显示了根据本技术的实施例的系统、方法可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
具体实施方式
38.以下将通过参考附图中示出的具体实施例来对本发明进行更具体描述。通过阅读下文具体实施方式的详细描述，本发明的各种优点和益处对于本领域普通技术人员将变得清楚明了。然而应当理解，可以以各种形式实现本发明而不应被这里阐述的各实施方式所限制。提供以下实施方式是为了能够更透彻地理解本发明。除非另有说明，本技术使用的技术术语或者科学术语应当为本技术所属领域技术人员所理解的通常意义。
39.图1示出了根据本发明的一个实施例的一种提供基于智慧家庭用户体验预测的宽度学习模型的方法的流程图。
40.在步骤s101，获得智慧家庭某一产品的训练样本集，主要包括网络参数、用户行为等特征数据和用户产品满意度数据。其中，网络参数和用户行为需要通过实际场景分析确定是否影响用户产品满意度；网络参数包括但不限于传输时延、抖动、丢包率和传输速率等；用户行为包括但不限于单位时间内用户操作次数、用户重复操作次数等；用户产品满意度是用户对某一产品的实际体验感受打分值。
41.在步骤s102，将网络参数和用户行为等特征数据通过稀疏自编码进行特征提取。
42.稀疏自编码进行特征提取的过程采用样本数据集{x
(1)
,x
(2)
,...,x
(m)
}作为示例，稀疏自编码的过程是通过稀疏性完成了特征的自动选择，稀疏自编码的输出则是特征集
h
w,b
(x)≈x，其中w为稀疏自编码器的权重，b为偏置项。
43.稀疏自编码的代价函数为：
[0044][0045]
其中β是用来控制稀疏惩罚项的权重，是为了保证隐藏层的稀疏性，s2是隐层神经元的数目，kl散度又称相对熵，定义为：
[0046][0047]
其中，稀疏参数ρ为期望的稀疏参数，是接近于0的常数值，为神经元j的激活度。
[0048]
在步骤s103，将网络参数和用户行为等特征数据以及用户产品满意度数据输入宽度学习模型，训练基于用户产品满意度的宽度学习模型。
[0049]
本发明的宽度学习模型如图3所示，主要包括三层：第一层是输入数据层，第二层是映射特征节点和增强节点层，第三层是输出节点层。
[0050]
训练过程主要包括三个步骤：
[0051]
首先，利用输入数据映射的特征作为第二层的映射特征节点；
[0052]
其次，映射特征节点的特征被增强为随机生成权重的增强节点；
[0053]
最后，所有映射特征节点和增强节点都直接连接到输出节点，对应的输出系数可以通过快递伪逆求得。
[0054]
具体步骤如下：
[0055]
通过稀疏自编码获得了网络参数和用户行为特征数据后，通过利用线性变换的方法对输入的样本进行处理从而获得映射特征组：
[0056][0057]
其中，z为经过特征函数映射得到的输出矩阵；为可以自主选择的非线性映射函数；w
ei
为特征节点之间的输入权重矩阵，即稀疏自编码中的权重w；β
ei
为相应的偏置矩阵，即为稀疏自编码中的偏置b；n为特征节点的个数；
[0058]
获得特征映射组z后再进行非线性变换处理计算增强节点：
[0059][0060]
其中，e为增强节点的输出矩阵；w
hj
为随机初始化产生的特征节点向增强节点转换的输入权重矩阵；β
hj
为相应的偏置矩阵；m为增强节点的个数。
[0061]
宽度学习模型将特征节点输出以及增强节点两者进行合并，从而形成输出矩阵g：
[0062]
g＝[z,e]＝[z1,z2,...,z
n
,e1,e2,...,e
m
]＝[g1,g2,...,g
n
,g
n 1
,g
n 2
,...,g
n m
]，
ꢀꢀ
(5)
[0063]
而w
n m
为bls输出的权值矩阵：
[0064]
w
n m
＝[w1,w2,...,w
n
,w
n 1
,w
n 2
,...,w
n m
]，
ꢀꢀ
(6)
[0065]
其中，w
i
为每个节点输出权值。
[0066]
这里采用岭回归广义逆的方法计算输出权值矩阵：
[0067]
w
n m
＝(λi g
·
g
t
)g
t
t
ꢀꢀ
(7)
[0068]
其中，λ表示正则化系数；
[0069]
从而用户产品满意度的预测为：
[0070][0071]
其中，y
n m
为具有n个特征节点和m个增强节点的bls模型的输出。
[0072]
由于是映射节点和增强节点的个数是提前预设的，当训练过程中的拟合效果不理想或者超出了训练误差门限值，则进一步增加映射节点和增强节点的个数不断完善模型参数。
[0073]
由此建立了基于用户产品满意度的宽度学习模型，通过输入用户使用产品的网络状态参数和用户行为即可获得用户对于该用户产品满意度的预测。
[0074]
回到图1，在步骤s104，在依次获得了对单个产品的用户产品满意度的预测后，结合智慧家庭用户体验，训练基于智慧家庭用户体验的宽度学习模型。
[0075]
基于智慧家庭用户体验的宽度学习模型如图2所示，是建立在针对各个产品的用户产品满意度的基础上的。
[0076]
在某一产品的基于用户产品满意度的宽度学习模型中，将用户产品满意度作为特征加入，由于宽度学习采用矩阵的计算形式，支持在线增量学习，因此可以在原有模型基础上进行训练，以减少重新训练的计算量。举例说明：以矩阵a作为示例，增加用户产品满意度a作为特征，形成[a|a]，这里记做
[0077]
通过变换形式为：
[0078][0079]
其中从而形成：
[0080][0081]
其中c＝a-a
n
d。
[0082]
最终根据增加用户产品满意度a作为特征以及使用y
n
作为智慧家庭用户体验的打分值计算更新权值矩阵w
new
：
[0083][0084]
通过在线增量学习使得基于用户产品满意度的宽度学习模型通过矩阵运算更新特征集和权值矩阵，从而简化了重复的数据特征处理、映射节点计算和增强节点的建立等等，极大地增强了该模型应用在智慧家庭场景的可能性。
[0085]
回到图1，在步骤s105，根据用户产品满意度数据针对产品操作步骤、产品固件的
版本更新和产品所在网络的优化升级等等，进一步优化基于用户产品满意度的宽度学习模型。从基于智慧家庭用户体验的宽度学习模型中，可以实现对智慧家庭整体产品的场景体验有了更为直观的了解。同时也可以通过特征排序进一步解决产品体验的痛点。
[0086]
图4示出了运用图1的宽度学习模型的智慧家庭用户体验预测过程的流程图，展示了从智慧家庭产品侧到运营侧的流程示意。
[0087]
在智慧家庭场景中具备多个产品，在s201中，通过对产品和相关网关进行布放探针和数据埋点的方式记录产品使用的网络状况参数和用户使用产品的行为；
[0088]
在s202，实时地数据采集和存储，同时将数据传输至基于智慧家庭用户体验的宽度学习模型中，在s203，得到用户对所使用的产品的用户产品满意度预测以及智慧家庭用户体验的预测，在s204，进行前端显示与数据分析，从而进一步解决产品的痛点提升整体智慧家庭的竞争力，实现整体智慧家庭用户体验的预测系统反馈控制。
[0089]
图5示出了本说明书一个实例提供的智慧家庭用户体验预测系统的示意图，其中包括：
[0090]
数据采集模块301，用于获得产品的训练样本集；
[0091]
特征数据提取模块302，用于对产品训练样本集中的网络状况参数和用户行为参数进行特征提取；
[0092]
用户产品满意度预测模块303，用于将所述提取特征输入所述基于用户产品满意度的宽度学习模型，获取用户产品满意度的预测；
[0093]
信息化生态圈用户体验预测模块在智慧家庭场景下为智慧家庭用户体验预测模块304，用于将所述的基于用户产品满意度的宽度学习模型和用户产品满意度输入基于智慧家庭用户体验的宽度学习模型，获取智慧家庭用户体验的预测。
[0094]
本发明将主客观结合的用户评价方法应用于信息化生态圈的智慧家庭用户体验预测当中，将某一信息化生态圈中所有产品的用户产品满意度和信息化生态圈的智慧家庭用户体验相结合，更有利于打造该生态圈的生态化产业链和企业识别度。采用了创新性的嵌套宽度学习的方式，减少了大量的重复性计算工作。