CN109583659A - 基于深度学习的用户操作行为预测方法和*** - Google Patents
基于深度学习的用户操作行为预测方法和*** Download PDFInfo
- Publication number
- CN109583659A CN109583659A CN201811493939.0A CN201811493939A CN109583659A CN 109583659 A CN109583659 A CN 109583659A CN 201811493939 A CN201811493939 A CN 201811493939A CN 109583659 A CN109583659 A CN 109583659A
- Authority
- CN
- China
- Prior art keywords
- user
- operation behavior
- data
- behavior prediction
- prediction system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000013139 quantization Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的用户操作行为预测方法，包括：S1：提取用户行为数据；S2：对用户行为数据进行预处理；S3：将预处理后的用户行为数据按比例划分成训练集、验证集和测试集；S4：创建用户操作行为预测***；S5：将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证；S6：将测试集导入优化后的用户操作行为预测***，进行性能评价；S7：完成训练，获取优化完成的用户操作行为预测***。本发明利用LSTM长短记忆神经网络子***并使用窗口滑动技术来学习用户连续行为的内在规律，通过全连接神经网络子***来学习外部因素的权重，最后将两种子***进行融合来完成对用户操作行为的预测。
Description
技术领域
本发明涉及软件工程应用技术领域，具体而言涉及一种基于深度学习的用户操作行为预测方法和***。
背景技术
随着信息技术的飞速发展，计算机软件的应用越来越广泛，同时随着用户需求的多样化,大量业务***也随之生成,这些***大多体系庞大、功能复杂，涵盖成百上千模块。用户在操作这些***时，需要根据自己的需求定位多个模块，但由于***过于庞大，寻找并定位业务模块十分费时，用户体验差。若能根据用户以往的操作行为，并结合影响操作行为的外部因素，使用深度学习技术学习规律，从而为用户推荐下一最有可能操作的模块，便可节省用户操作时间，简单便捷，大大提高了用户体验。
全连接神经网络的特点是前一层的所有神经元节点与当前层的所有节点均相连，即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权，全连接神经网络的结构如图1。
循环神经网络(RNN)与其他神经网络最大的不同是其记忆功能，RNN的网络结构如图2。
RNN的隐藏层不仅传入该时刻的输出层，同时也向下传递到下一时刻的隐藏层，从而实现记忆功能，因此第t时刻的隐藏层计算公式：
St＝f(U*Xt+W*St-1)
其中，St为t时刻隐藏层的输出，f()为激活函数，U为输入层参数矩阵，W为隐藏层参数矩阵，St-1为上一时刻的隐藏层输出。
长短记忆神经网络(LSTM)是循环神经网络(RNN)的一种。LSTM在RNN的基础上添加了遗忘门、输入门、输出门，其中遗忘门用于控制***丢弃部分信息，输入门用于决定更新的信息，输出门则决定隐藏层的输出结果。LSTM比RNN有了进一步的优化，通过添加的门对信息有选择的记忆。LSTM隐藏层的详细结构如图3。
目前，大部分的用户操作行为预测方法，都是基于用户的历史操作行为的频度进行统计来预测。但是，该方法没有考虑用户连续操作行为的内在规律，也没有考虑其他的外部因素对于当前用户行为的影响。
发明内容
本发明目的在于提供一种基于深度学习的用户操作行为预测方法和***，利用LSTM长短记忆神经网络子***并使用窗口滑动技术来学习用户连续行为的内在规律，通过全连接神经网络子***来学习外部因素的权重，最后将两种子***进行融合来完成对用户操作行为的预测。
为达成上述目的，结合图5，本发明提出一种基于深度学习的用户操作行为预测方法，所述方法包括：
S1：从历史操作日志中提取用户行为数据，所述用户行为数据至少包括环境数据和连续行为数据，环境数据包括数据发生时的多个外部环境因素，连续行为数据至少包括用户的操作行为序列和操作行为的发生时间。
进一步的，所述外部环境因素包括公司ID、部门ID、用户ID、行为发生的时段中的几种或者全部。
例如，环境数据包括数据的发生来源，如公司ID，部门ID，用户ID等，也包括行为的发生时段，如上午还是下午，是否节假日等。连续行为数据，包括用户的操作行为序列和行为发生的具体时间。
S2：对用户行为数据进行预处理。
进一步的实施例中，步骤S2中，对用户行为数据进行预处理的方法包括：
S21：剔除与业务无关的噪音数据。
S22：对剩余的环境数据执行归一化处理，对剩余的连续行为数据进行预训练以实现向量化。
进一步的实施例中，所述方法还包括：
采用word2vector技术对连续行为数据进行预训练以实现向量化。
在一些例子中，对数据进行预处理还具有以下作用：为扩大全连接神经网络子***留有接口，若后期发现遗漏部分影响因素，则可直接将该因素向量化、正则化后输入全连接神经网络，即可融入子***。
S3：将预处理后的用户行为数据按比例划分成训练集、验证集和测试集。
例如，随机划分60％的数据用于训练集，20％的数据用于验证集，20％的数据用于测试集。
S4：创建用户操作行为预测***，所述用户操作行为预测***包括以操作行为序列、操作行为的发生时间为参数的深层LSTM子***和以外部环境因素为参数的全连接神经网络子***。
S5：将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证，以获取优化后的用户操作行为预测***。
进一步的实施例中，步骤S5中，将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证，以获取优化后的用户操作行为预测***的方法还包括：
将训练集、验证集中的属于连续行为数据的部分导入深层LSTM子***，将训练集、验证集中的属于环境数据的部分导入全连接神经网络子***，两者拼接至一起后统一执行至少N轮训练，保存损失值最小的子***作为优化后的子***。
进一步的实施例中，所述N等于50。
本发明所提及的用户操作行为预测***使用了深层LSTM子***和全连接神经网络子***进行拼接融合。将连续用户行为数据放置到深层LSTM子***中，将环境数据放置到全连接神经网络子***中，二者拼接到一起统一训练。总共进行了50轮训练(EPOCHS),保存损失值最小的***。
进一步的实施例中，所述方法还包括：
选用大小为10的滑动窗口对用户操作行为预测***进行训练和验证。
在训练时本发明使用了窗口滑动技术来增加用户操作行为的数据量，该数据形式也更能符合用户的实际操作行为状况。图4展示了窗口大小为4的滑动方式，黑色窗体内的操作作为训练自变量，灰色窗体内的操作作为分类标签。经过多次训练测试比较准确率，最终选定窗口大小为10。
S6：将测试集导入优化后的用户操作行为预测***，如果输出的用户行为的预测准确率大于等于设定准确率阈值，进入步骤S7，否则，返回步骤S5，预测准确率的计算公式如下：
其中，n是预测行为的样本总数，yi′是预测操作行为序号，yi是实际操作行为序号，αi是第i个预测行为的准确性。
S7：完成训练，获取优化完成的用户操作行为预测***。
进一步的实施例中，所述方法还包括：
步骤S5中，采用分批导入数据的方式将训练集、验证集分类导入用户操作行为预测***。
进一步的实施例中，所述方法还包括：
步骤S5中，对用户操作行为预测***训练时，采用的优化算法为adam优化算法，损失函数选用多分类交叉熵损失函数。
基于前述方法，本发明还提及一种基于深度学习的用户操作行为预测***，所述***包括以下几个模块：
1)用于从历史操作日志中提取用户行为数据的模块，所述用户行为数据至少包括环境数据和连续行为数据，环境数据包括数据发生时的多个外部环境因素，连续行为数据至少包括用户的操作行为序列和操作行为的发生时间。
2)用于对用户行为数据进行预处理的模块。
3)用于将预处理后的用户行为数据按比例划分成训练集、验证集和测试集的模块。
4)用于创建用户操作行为预测***的模块，所述用户操作行为预测***包括以操作行为序列、操作行为的发生时间为参数的深层LSTM子***和以外部环境因素为参数的全连接神经网络子***。
5)用于将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证，以获取优化后的用户操作行为预测***的模块。
6)用于将测试集导入优化后的用户操作行为预测***的模块。
7)用于对优化后的用户操作行为预测***进行性能评价的模块。
以上本发明的技术方案，与现有相比，其显著的有益效果在于，
1)使用Word2Vector算法对用户的行为进行了一次预训练，提高了整体***的收敛速度。
2)同时考虑了相同时间点上行为的规律性，将每个行为的操作时间与行为本身同时输入LSTM。
3)利用窗口滑动技术来增加数据量来学习连续行为规律。
4)全面考虑了连续用户行为的内部规律和影响用户行为的外部因素。
5)为后期***的扩大留下了接口，若后期发现遗漏部分影响因素，则可直接将该因素向量化、正则化后输入全连接神经网络，即可融入***。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的全连接神经网络的结构图。
图2是本发明的RNN的网络结构图。
图3是本发明的LSTM隐藏层的结构图。
图4是本发明的窗口大小为4的滑动方式示意图。
图5是本发明的基于深度学习的用户操作行为预测方法流程图。
图6是本发明的基于深度学习的用户操作行为预测***的其中一个例子的结构图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
下面结合图5和图6，对本发明作进一步详细的描述。
第一步，首先搜集应用***中的日志文件。日志文件的每条日志必须包含的内容有：当前操作的日期、时间、当前登录应用***的用户ID、所属公司ID、所属部门ID等信息。在搜集日志数据时将所有的日志文件合并成一个文件，然后将所有数据以用户名和日期时间进行排序，防止出现用户穿插的现象。
第二步，数据提取。此步骤首先做的是划分所有完整的操作，即根据登录模块ID对数据进行切割，将数据切割成一次次完整的操作，然后针对所有完整的操作进行窗体滑动，生成新的数据集。最后针对新数据集按属性提取各自的数据，放入不同的文件中，以便后续各自进行处理。
第三步，数据预处理。对外部因素而言，全部进行向量化操作，消除数据本身的数值对***的影响，对每一操作的时间也同样进行向量化操作，同时，对操作本身采用Word2Vector算法预处理，由于该算法本身就是一个神经网络，其结果也能初步得出与当前操作距离最近的一次操作，所以使用Word2Vector算法就相当于对操作进行了一次预训练，能够提高整个***的收敛速度。
第四步，定义深层LSTM子***。将向量化后的时间和操作行为一一对应合并，并作滑动处理，滑动窗口大小取10，将最终滑动结果作为深层LSTM子***的输入，定义深层LSTM子***的结构。为了在训练LSTM时出现过拟合，在深层LSTM子***中加入了DropOut。
第五步，定义外部因素的全连接神经网络子***。为了将向量化后的外部因素融入全连接神经网络子***，对所有外部因素各自做一维全神经网络处理，通过整体子***的训练，得出每个外部因素的权重矩阵，并同时在训练时对各自的权重矩阵作L2正则化处理。
第六步，将两边子***的输出结果合并，并且执行一次全连接操作，用于将全连接神经网络子***与深层LSTM子***相融合。
第七步，***训练和优化。***定义好后就是给***喂数据，但是由于数据量过大，若一次喂入全部数据，会占用计算机的大量内存资源，有时甚至会导致电脑崩溃。为了解决该问题，采用分批喂入数据的方法，并多轮训练，并在训练中对***进行不断的优化，采用的优化算法是“adam优化算法”，损失函数选用的是多分类交叉熵损失函数(categorical_crossentropy)。
第八步，性能评价。用户操作行为***训练好后，就是评价该***的优劣了。由于该***属于分类***，所以采用分类的准确率来直观评价***的优劣。
本发明在测试集的表现效果：
在给定9个行为的前提下，预测第10个行为的准确率为58.7％。
使用传统的基于频度统计方法的表现结果：
在给定9个行为的前提下，预测第10个行为的准确率为32.2％。
本发明在该场景下的预测准确率提升了26.5％。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种基于深度学习的用户操作行为预测方法，其特征在于，所述方法包括：
S1：从历史操作日志中提取用户行为数据，所述用户行为数据至少包括环境数据和连续行为数据，环境数据包括数据发生时的多个外部环境因素，连续行为数据至少包括用户的操作行为序列和操作行为的发生时间；
S2：对用户行为数据进行预处理；
S3：将预处理后的用户行为数据按比例划分成训练集、验证集和测试集；
S4：创建用户操作行为预测***，所述用户操作行为预测***包括以操作行为序列、操作行为的发生时间为参数的深层LSTM子***和以外部环境因素为参数的全连接神经网络子***；
S5：将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证，以获取优化后的用户操作行为预测***；
S6：将测试集导入优化后的用户操作行为预测***，如果输出的用户行为的预测准确率大于等于设定准确率阈值，进入步骤S7，否则，返回步骤S5，预测准确率的计算公式如下：
其中，n是预测行为的样本总数，y′i是预测操作行为序号，yi是实际操作行为序号，αi是第i个预测行为的准确性；
S7：完成训练，获取优化完成的用户操作行为预测***。
2.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，所述外部环境因素包括公司ID、部门ID、用户ID、行为发生的时段中的几种或者全部。
3.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，步骤S2中，对用户行为数据进行预处理的方法包括：
S21：剔除与业务无关的噪音数据；
S22：对剩余的环境数据执行归一化处理，对剩余的连续行为数据进行预训练以实现向量化。
4.根据权利要求3所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：
采用word2vector技术对连续行为数据进行预训练以实现向量化。
5.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，步骤S5中，将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证，以获取优化后的用户操作行为预测***的方法还包括：
将训练集、验证集中的属于连续行为数据的部分导入深层LSTM子***，将训练集、验证集中的属于环境数据的部分导入全连接神经网络子***，两者拼接至一起后统一执行至少N轮训练，保存损失值最小的子***作为优化后的子***。
6.根据权利要求5所述的基于深度学习的用户操作行为预测方法，其特征在于，所述N等于50。
7.根据权利要求1或者5所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：
选用大小为10的滑动窗口对用户操作行为预测***进行训练和验证。
8.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：
步骤S5中，采用分批导入数据的方式将训练集、验证集分类导入用户操作行为预测***。
9.根据权利要求1所述的基于深度学习的用户操作行为预测方法，其特征在于，所述方法还包括：
步骤S5中，对用户操作行为预测***训练时，采用的优化算法为adam优化算法，损失函数选用多分类交叉熵损失函数。
10.一种基于深度学习的用户操作行为预测***，其特征在于，所述***包括：
用于从历史操作日志中提取用户行为数据的模块，所述用户行为数据至少包括环境数据和连续行为数据，环境数据包括数据发生时的多个外部环境因素，连续行为数据至少包括用户的操作行为序列和操作行为的发生时间；
用于对用户行为数据进行预处理的模块；
用于将预处理后的用户行为数据按比例划分成训练集、验证集和测试集的模块；
用于创建用户操作行为预测***的模块，所述用户操作行为预测***包括以操作行为序列、操作行为的发生时间为参数的深层LSTM子***和以外部环境因素为参数的全连接神经网络子***；
用于将训练集、验证集分类导入用户操作行为预测***，采用窗口滑动技术对用户操作行为预测***进行训练和验证，以获取优化后的用户操作行为预测***的模块；
用于将测试集导入优化后的用户操作行为预测***的模块；
用于对优化后的用户操作行为预测***进行性能评价的模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811493939.0A CN109583659A (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习的用户操作行为预测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811493939.0A CN109583659A (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习的用户操作行为预测方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109583659A true CN109583659A (zh) | 2019-04-05 |
Family
ID=65929049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811493939.0A Pending CN109583659A (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习的用户操作行为预测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583659A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084150A (zh) * | 2019-04-09 | 2019-08-02 | 山东师范大学 | 一种基于深度学习的白细胞自动分类方法及*** |
| CN110110875A (zh) * | 2019-05-15 | 2019-08-09 | 常州纺织服装职业技术学院 | 国土资源测绘业务预约*** |
| CN110991711A (zh) * | 2019-11-19 | 2020-04-10 | 浙江鸿程计算机***有限公司 | 一种基于深度神经网络的多因素感知终端换机预测方法 |
| CN114154816A (zh) * | 2021-11-17 | 2022-03-08 | 鼎捷软件股份有限公司 | 企业管理***及其执行方法 |
| CN114386688A (zh) * | 2022-01-07 | 2022-04-22 | 深圳市聚商鼎力网络技术有限公司 | 一种基于多数据融合的用户意图预测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***，储存介质及计算机设备 |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
-
2018
- 2018-12-07 CN CN201811493939.0A patent/CN109583659A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***，储存介质及计算机设备 |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张备: "基于多神经网络的混合动态推荐研究", 《优秀硕士学位论文全文库》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084150A (zh) * | 2019-04-09 | 2019-08-02 | 山东师范大学 | 一种基于深度学习的白细胞自动分类方法及*** |
| CN110084150B (zh) * | 2019-04-09 | 2021-05-11 | 山东师范大学 | 一种基于深度学习的白细胞自动分类方法及*** |
| CN110110875A (zh) * | 2019-05-15 | 2019-08-09 | 常州纺织服装职业技术学院 | 国土资源测绘业务预约*** |
| CN110991711A (zh) * | 2019-11-19 | 2020-04-10 | 浙江鸿程计算机***有限公司 | 一种基于深度神经网络的多因素感知终端换机预测方法 |
| CN114154816A (zh) * | 2021-11-17 | 2022-03-08 | 鼎捷软件股份有限公司 | 企业管理***及其执行方法 |
| CN114386688A (zh) * | 2022-01-07 | 2022-04-22 | 深圳市聚商鼎力网络技术有限公司 | 一种基于多数据融合的用户意图预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583659A (zh) | 基于深度学习的用户操作行为预测方法和*** | |
| Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及***，储存介质及计算机设备 | |
| CN111754025B (zh) | 基于cnn+gru的公交短时客流预测方法 | |
| CN113905391A (zh) | 集成学习网络流量预测方法、***、设备、终端、介质 | |
| CN106502799A (zh) | 一种基于长短时记忆网络的主机负载预测方法 | |
| CN106874478A (zh) | 基于Spark的并行化随机标签子集多标签文本分类方法 | |
| Wang et al. | Learning performance prediction via convolutional GRU and explainable neural networks in e-learning environments | |
| CN110837888A (zh) | 一种基于双向循环神经网络的交通缺失数据补全方法 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| Li et al. | First-order sensitivity analysis for hidden neuron selection in layer-wise training of networks | |
| Kumar et al. | Wind speed prediction using deep learning-LSTM and GRU | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及*** | |
| CN111813939A (zh) | 一种基于表征增强与融合的文本分类方法 | |
| CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
| Kakade et al. | A neural network approach for text document classification and semantic text analytics | |
| CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及*** | |
| CN116975743A (zh) | 行业信息分类方法、装置、计算机设备和存储介质 | |
| CN114818690A (zh) | 一种评论信息生成的方法、装置及存储介质 | |
| Rathee et al. | A machine learning approach to predict the next word in a statement | |
| CN113723660A (zh) | 一种基于dnn-lstm融合模型的特定行为类型预测方法及*** | |
| Wang et al. | A prediction method of consumer buying behavior based on attention mechanism and CNN-BiLSTM | |
| Chu et al. | An accurate financially-challenged college student identification model based on rough set-bp neural networks and its application | |
| Xia et al. | A process mining framework based on deep learning feature fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |