本发明提供了一种基于多数据融合的用户意图预测方法及系统，包括：采集某用户的历史操作数据，并根据历史操作数据训练针对于该用户的用户意图预测神经网络；采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；根据操作行为序列，通过用户意图预测神经网络得到该用户的行为预测结果；根据行为预测结果确定所对应的意图。通过本发明实现了根据该用户当前多项的操作数据，基于该用户的历史操作习惯确定该用户想要进行的操作行为，以及该操作行为所对应的意图。进而为实现用户的下一步操作提前做好连接准备，提高用户的访问效率。并且能够根据所预测的意图为用户提供相对应的操作行为、商品产品的推荐服务。
1.一种基于多数据融合的用户意图预测方法，其特征在于，包括：采集某用户的历史操作数据，并根据所述历史操作数据训练针对于该用户的用户意图预测神经网络；
采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；
根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果；
所述采集某用户的历史操作数据，并根据所述历史操作数据训练针对于该用户的用户意图预测神经网络包括：采集某位用户的历史操作数据，并确定所述历史操作数据中的多个操作项；
基于多个操作项所发生的先后顺序，确定所述多个操作项中的多个操作开始项以及多个操作最终项；
基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列；
利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络；
所述利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络包括：对于某个操作步骤序列，确定该操作步骤序列中操作最终项所对应的意图判断结果；
确定实现该意图判断结果对应的意图所预设的必要操作步骤序列；
基于所述必要操作步骤序列将该操作步骤序列进行向量化，得到操作步骤序列向量；
将所述操作步骤序列向量作为所述RNN神经网络的输入项，将所述操作步骤序列中操作最终项所对应的意图判断结果作为所述RNN神经网络的输出项，对所述RNN神经网络进行训练；
利用多个所述操作步骤序列向量对所述RNN神经网络进行训练，得到用户意图预测神经网络；
将某个操作步骤序列向量内的第一个值输入所述RNN神经网络的第一个神经元输出得到第一中间状态向量；
将所述第一中间状态向量输入第二个神经元，同时向该第二个神经元内输入所述操作步骤序列向量内的第二个值；
所述第二个神经元输出第二中间状态向量，所述第二中间状态向量以及所述操作步骤序列向量内的第三个值作为第三个神经元的输入得到第三中间向量；
如此将所述操作步骤序列向量内的所有值依次对应输入多个神经元，最后输出结果绑定为该操作步骤序列中操作最终项所对应的意图判断结果；
利用多个操作步骤序列对所述RNN神经网络进行训练，从而得到能够输出多个意图判断结果的用户意图预测神经网络；
所述根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果包括：将所述操作行为序列作为第一序列输入所述用户意图预测神经网络，得到第一预测结果；其中，所述第一预测结果为根据当前所述第一序列所预测得到的用户在各个意图上的倾向概率，通过筛选得到的多个所述倾向概率不为零的意图预测结果；
实时获取新的操作行为序列作为第二序列，确定该第二序列与所述第一序列的序列长度差值；
若所述序列长度差值大于预设的差值阈值时，将所述第二序列输入所述用户意图预测神经网络，得到第二预测结果；
将所述第一预测结果和所述第二预测结果中用户在各个意图预测结果上的倾向概率的概率分布结果进行匹配得到匹配值；
当所述匹配值大于预设的匹配阈值时，将所述第一预测结果中所述倾向概率大于预设概率阈值的意图预测结果进行提取，得到第一列预测意图，将所述第二预测结果中所述倾向概率大于预设概率阈值的意图预测结果进行提取，得到第二列预测意图；
根据预设的预测意图之间的依赖关系，将所述第一列预测意图对应所述第二列预测意图中存在的渐进关系的预测意图组进行提取，并将其作为该用户的行为预测结果。
2.根据权利要求1所述的一种基于多数据融合的用户意图预测方法，其特征在于，所述采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列包括：获取从开始执行意图预测工作到当前时刻用户端所产生的多项的操作数据并生成操作数据序列，确定所述操作数据序列中多项的操作数据各自对应的操作时间；
基于所述操作数据序列中多项所述操作数据的操作时间，将所产生的多项的操作数据进行排序生成操作数据序列；
确定多项所述操作数据之间的前后关系，并基于所述操作数据序列中多项所述操作数据的操作时间对操作数据序列中往返重复类的操作数据进行消除，保留单向操作数据序列；
将单向操作数据序列内的多项所述操作数据融合产生操作行为序列。
3.根据权利要求1所述的一种基于多数据融合的用户意图预测方法，其特征在于，还包括根据训练所得到的该用户的用户意图预测神经网络，确定该用户常用的功能或者操作行为并进行固化，具体步骤包括：根据训练该用户的用户意图预测神经网络时所产生的过程数据，确定得到其中一种意图判断结果的多个神经元之间的连接权的权重均值；
将多种意图判断结果按照其对应的权重均值的大小进行降序排列，并确定权重均值最大的N种意图判断结果；
将该N种意图判断结果所对应的功能或者操作行为进行固化后绑定触发按钮并将该触发按钮进行显示；
在对某种意图判断结果所对应的功能或者操作行为进行固化时，需要预先对所述用户意图预测神经网络进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；
确定该种意图判断结果所对应的行为顺序特征组，并根据所述行为顺序特征组确定实现该种意图判断结果对应的意图所需要执行的所有的中间操作步骤；
将所有的中间操作步骤按顺序进行排序得到步骤固化序列，根据该用户的历史操作数据确定该用户执行该步骤固化序列其中某个中间操作步骤时的固定行为信息；其中所述固定行为信息包括该用户执行该中间操作步骤时所需要点击的图标、窗口以及所输入的字符信息；
根据所述步骤固化序列中每个中间操作步骤时的固定行为信息确定所述步骤固化序列所对应的用户行为顺序；
根据所述用户行为顺序确定计算机自动执行步骤，将该计算机自动执行步骤进行打包并绑定触发按钮，为该触发按钮进行命名。
4.根据权利要求1所述的一种基于多数据融合的用户意图预测方法，其特征在于，还包括根据该用户的历史操作数据，检测该用户在实现某种意图的过程中容易出现误操作的操作环节，具体包括：预先对所述用户意图预测神经网络中所有神经元之间联结的权重值作为特征进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；
根据该用户的历史操作数据，筛选出该用户每一次为实现意图A的过程中所出现的操作行为序列；
根据该用户多种的意图判断结果各自对应的行为顺序特征组，确定用户实现意图A的必要操作行为序列；
将该用户某一次为实现意图A的过程中所出现的操作行为序列与所述必要操作行为序列进行对比，确定该次过程中出现往返操作的步骤节点的位置；
对于该用户多次为实现意图A的过程中所出现往返操作的多个步骤节点的位置，统计每个位置出现往返操作的总次数，确定其中总次数最高的步骤节点的位置所对应的操作环节，并将其作为该用户在实现意图A的过程中容易出现误操作的操作环节。
5.一种基于多数据融合的用户意图预测系统，其特征在于，包括：神经网络训练模块，用于采集某用户的历史操作数据，并根据所述历史操作数据训练针对于该用户的用户意图预测神经网络；
行为数据融合模块，用于采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；
行为预测模块，用于根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果；
意图确定模块，用于根据所述行为预测结果确定所对应的意图；
操作项识别单元，用于采集某位用户的历史操作数据，并确定所述历史操作数据中的多个操作项；
操作项划分单元，用于基于多个操作项所发生的先后顺序，确定所述多个操作项中的多个操作开始项以及多个操作最终项；
操作步骤序列确定单元，用于基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列；
网络训练单元，用于利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络；
所述利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络包括：对于某个操作步骤序列，确定该操作步骤序列中操作最终项所对应的意图判断结果；
确定实现该意图判断结果对应的意图所预设的必要操作步骤序列；
基于所述必要操作步骤序列将该操作步骤序列进行向量化，得到操作步骤序列向量；
将所述操作步骤序列向量作为所述RNN神经网络的输入项，将所述操作步骤序列中操作最终项所对应的意图判断结果作为所述RNN神经网络的输出项，对所述RNN神经网络进行训练；
利用多个所述操作步骤序列向量对所述RNN神经网络进行训练，得到用户意图预测神经网络；
将某个操作步骤序列向量内的第一个值输入所述RNN神经网络的第一个神经元输出得到第一中间状态向量；
将所述第一中间状态向量输入第二个神经元，同时向该第二个神经元内输入所述操作步骤序列向量内的第二个值；
所述第二个神经元输出第二中间状态向量，所述第二中间状态向量以及所述操作步骤序列向量内的第三个值作为第三个神经元的输入得到第三中间向量；
如此将所述操作步骤序列向量内的所有值依次对应输入多个神经元，最后输出结果绑定为该操作步骤序列中操作最终项所对应的意图判断结果；
利用多个操作步骤序列对所述RNN神经网络进行训练，从而得到能够输出多个意图判断结果的用户意图预测神经网络；
所述根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果包括：将所述操作行为序列作为第一序列输入所述用户意图预测神经网络，得到第一预测结果；其中，所述第一预测结果为根据当前所述第一序列所预测得到的用户在各个意图上的倾向概率，通过筛选得到的多个所述倾向概率不为零的意图预测结果；
实时获取新的操作行为序列作为第二序列，确定该第二序列与所述第一序列的序列长度差值；
若所述序列长度差值大于预设的差值阈值时，将所述第二序列输入所述用户意图预测神经网络，得到第二预测结果；
将所述第一预测结果和所述第二预测结果中用户在各个意图预测结果上的倾向概率的概率分布结果进行匹配得到匹配值；
当所述匹配值大于预设的匹配阈值时，将所述第一预测结果中所述倾向概率大于预设概率阈值的意图预测结果进行提取，得到第一列预测意图，将所述第二预测结果中所述倾向概率大于预设概率阈值的意图预测结果进行提取，得到第二列预测意图；
根据预设的预测意图之间的依赖关系，将所述第一列预测意图对应所述第二列预测意图中存在的渐进关系的预测意图组进行提取，并将其作为该用户的行为预测结果。
一种基于多数据融合的用户意图预测方法及系统
技术领域
[0001] 本发明涉及网络信息技术领域，特别涉及一种基于多数据融合的用户意图预测方法及系统。
背景技术
[0002] 随着我国互联网为代表的现代信息技术的快速发展，网络购物、网络营销服务，各自视频软件以及其他娱乐服务平台、学习平台开始大规模涌现。用户在日常生活中不可避免地将会花费大量的时间在这些服务软件上，所以如何为用户提供更为良好的操作体验对于众多互联网企业来说是一个非常重大的难题。
[0003] 现如今，许多的互联网企业为了给用户提供良好的使用体验，仍然简单地从收集用户的个人操作数据做起，通过获取用户的个人数据(例如电话号码、所处位置、工作状态、消费频率及能力)来对用户提供服务推荐，从而提高公司的收入效益。却缺少一种通过用户的历史访问行为数据、访问操作步骤来对用户的意图进行预测，从而根据预测结果为用户的下一步操作提前做好连接准备，来提高用户的访问效率，以及为用户提供相对应的操作行为、商品产品的推荐服务，达到提高公司的收入效益的目的的用户意图预测方法及系统。
发明内容
[0004] 本发明提供一种基于多数据融合的用户意图预测方法及系统，用于实现根据该用户当前多项的操作数据，基于该用户的历史操作习惯确定该用户想要进行的操作行为，以及该操作行为所对应的意图。进而为实现用户的下一步操作提前做好连接准备，提高用户的访问效率。并且能够根据所预测的意图为用户提供相对应的操作行为、商品产品的推荐服务。
[0005] 本发明提供的一种基于多数据融合的用户意图预测方法，包括：
[0006] 采集某用户的历史操作数据，并根据所述历史操作数据训练针对于该用户的用户意图预测神经网络；
[0007] 采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；
[0008] 根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果；
[0009] 根据所述行为预测结果确定所对应的意图。
[0010] 优选的，所述采集某用户的历史操作数据，并根据所述历史操作数据训练针对于该用户的用户意图预测神经网络包括：
[0011] 采集某位用户的历史操作数据，并确定所述历史操作数据中的多个操作项；
[0012] 基于多个操作项所发生的先后顺序，确定所述多个操作项中的多个操作开始项以及多个操作最终项；
[0013] 基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列；
[0014] 利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络。
[0015] 优选的，所述利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络包括：
[0016] 对于某个操作步骤序列，确定该操作步骤序列中操作最终项所对应的意图判断结果；
[0017] 确定实现该意图判断结果对应的意图所预设的必要操作步骤序列；
[0018] 基于所述必要操作步骤序列将该操作步骤序列进行向量化，得到操作步骤序列向量；
[0019] 将所述操作步骤序列向量作为所述RNN神经网络的输入项，将所述操作步骤序列中操作最终项所对应的意图判断结果作为所述RNN神经网络的输出项，对所述RNN神经网络进行训练；
[0020] 利用多个所述操作步骤序列向量对所述RNN神经网络进行训练，得到用户意图预测神经网络。
[0021] 优选的，在对RNN神经网络进行训练时，训练步骤如下：
[0022] 将某个操作步骤序列向量内的第一个值输入所述RNN神经网络的第一个神经元输出得到第一中间状态向量；
[0023] 将所述第一中间状态向量输入第二个神经元，同时向该第二个神经元内输入所述操作步骤序列向量内的第二个值；
[0024] 所述第二个神经元输出第二中间状态向量，所述第二中间状态向量以及所述操作步骤序列向量内的第三个值作为第三个神经元的输入得到第三中间向量；
[0025] 如此将所述操作步骤序列向量内的所有值依次对应输入多个神经元，最后输出结果绑定为该操作步骤序列中操作最终项所对应的意图判断结果；
[0026] 利用多个操作步骤序列对所述RNN神经网络进行训练，从而得到能够输出多个意图判断结果的用户意图预测神经网络。
[0027] 优选的，所述采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列包括：
[0028] 获取从开始执行意图预测工作到当前时刻用户端所产生的多项的操作数据，确定所述操作数据序列中多项的操作数据各自对应的操作时间；
[0029] 基于所述操作数据序列中多项所述操作数据的操作时间，将所产生的多项的操作数据进行排序生成操作数据序列；
[0030] 确定多项所述操作数据之间的前后关系，并基于所述操作数据序列中多项所述操作数据的操作时间对操作数据序列中往返重复类的操作数据进行消除，保留单向操作数据序列；
[0031] 将单向操作数据序列内的多项所述操作数据融合产生操作行为序列。
[0032] 优选的，所述根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果包括：
[0033] 将所述操作行为序列作为第一序列输入所述用户意图预测神经网络，得到第一预测结果；其中，所述第一预测结果为根据当前所述第一序列所预测得到的用户在各个意图上的倾向概率，通过筛选得到的多个所述倾向概率不为零的意图预测结果；
[0034] 实时获取新的操作行为序列作为第二序列，确定该第二序列与所述第一序列的序列长度差值；
[0035] 若所述序列长度差值大于预设的差值阈值时，将所述第二序列输入所述用户意图预测神经网络，得到第二预测结果；
[0036] 将所述第一预测结果和所述第二预测结果中用户在各个意图预测结果上的倾向概率的概率分布结果进行匹配得到匹配值；
[0037] 当所述匹配值大于预设的匹配阈值时，将所述第一预测结果中所述倾向概率大于预设概率阈值的意图预测结果进行提取，得到第一列预测意图，将所述第二预测结果中所述倾向概率大于预设概率阈值的意图预测结果进行提取，得到第二列预测意图；
[0038] 根据预设的预测意图之间的依赖关系，将所述第一列预测意图对应所述第二列预测意图中存在的渐进关系的预测意图组进行提取，并将其作为该用户的行为预测结果。
[0039] 优选的，还包括根据训练所得到的该用户的用户意图预测神经网络，确定该用户常用的功能或者操作行为并进行固化，具体步骤包括：
[0040] 根据训练该用户的用户意图预测神经网络时所产生的过程数据，确定得到其中一种意图判断结果的多个神经元之间的连接权的权重均值；
[0041] 将多种意图判断结果按照其对应的权重均值的大小进行降序排列，并确定权重均值最大的N种意图判断结果；
[0042] 将该N种意图判断结果所对应的功能或者操作行为进行固化后绑定触发按钮并将该触发按钮进行显示；
[0043] 在对某种意图判断结果所对应的功能或者操作行为进行固化时，需要预先对所述用户意图预测神经网络进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；
[0044] 确定该种意图判断结果所对应的行为顺序特征组，并根据所述行为顺序特征组确定实现该种意图判断结果对应的意图所需要执行的所有的中间操作步骤；
[0045] 将所有的中间操作步骤按顺序进行排序得到步骤固化序列，根据该用户的历史操作数据确定该用户执行该步骤固化序列其中某个中间操作步骤时的固定行为信息；其中所述固定行为信息包括该用户执行该中间操作步骤时所需要点击的图标、窗口以及所输入的字符信息；
[0046] 根据所述步骤固化序列中每个中间操作步骤时的固定行为信息确定所述步骤固化序列所对应的用户行为顺序；
[0047] 根据所述用户行为顺序确定计算机自动执行步骤，将该计算机自动执行步骤进行打包并绑定触发按钮，为该触发按钮进行命名。
[0048] 优选的，还包括根据该用户的历史操作数据，检测该用户在实现某种意图的过程中容易出现误操作的操作环节，具体包括：
[0049] 预先对所述用户意图预测神经网络中所有神经元之间联结的权重值作为特征进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；
[0050] 根据该用户的历史操作数据，筛选出该用户每一次为实现意图A的过程中所出现的操作行为序列；
[0051] 根据该用户多种的意图判断结果各自对应的行为顺序特征组，确定用户实现意图A的必要操作行为序列；
[0052] 将该用户某一次为实现意图A的过程中所出现的操作行为序列与所述必要操作行为序列进行对比，确定该次过程中出现往返操作的步骤节点的位置；
[0053] 对于该用户多次为实现意图A的过程中所出现往返操作的多个步骤节点的位置，统计每个位置出现往返操作的总次数，确定其中总次数最高的步骤节点的位置所对应的操作环节，并将其作为该用户在实现意图A的过程中容易出现误操作的操作环节。
[0054] 为到达上述目的，本发明还提供了一种基于多数据融合的用户意图预测系统，包括：
[0055] 神经网络训练模块，用于采集某用户的历史操作数据，并根据所述历史操作数据训练针对于该用户的用户意图预测神经网络；
[0056] 行为数据融合模块，用于采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；
[0057] 行为预测模块，用于根据所述操作行为序列，通过所述用户意图预测神经网络得到该用户的行为预测结果；
[0058] 意图确定模块，用于根据所述行为预测结果确定所对应的意图。
[0059] 优选的，所述神经网络训练模块包括：
[0060] 操作项识别单元，用于采集某位用户的历史操作数据，并确定所述历史操作数据中的多个操作项；
[0061] 操作项划分单元，用于基于多个操作项所发生的先后顺序，确定所述多个操作项中的多个操作开始项以及多个操作最终项；
[0062] 操作步骤序列确定单元，用于基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列；
[0063] 网络训练单元，用于利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络。
[0064] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0065] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0066] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0067] 图1为本发明实施例中一种基于多数据融合的用户意图预测方法的步骤流程图；
[0068] 图2为本发明实施例中一种基于多数据融合的用户意图预测系统的结构示意图；
[0069] 图3为本发明实施例中神经网络训练模块的结构示意图。
具体实施方式
[0070] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0071] 本发明提供的一种基于多数据融合的用户意图预测方法，如图1，包括：
[0072] 步骤S1、采集某用户的历史操作数据，并根据历史操作数据训练针对于该用户的用户意图预测神经网络；
[0073] 步骤S2、采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；
[0074] 步骤S3、根据操作行为序列，通过用户意图预测神经网络得到该用户的行为预测结果；
[0075] 步骤S4、根据行为预测结果确定所对应的意图。
[0076] 上述技术方案的工作原理和有益效果为：通过采集某用户的历史操作数据，并根据历史操作数据训练针对于该用户的用户意图预测神经网络；采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；根据操作行为序列，输入用户意图预测神经网络后得到该用户的行为预测结果；最后根据行为预测结果来确定所对应的意图。从而实现根据该用户当前多项的操作数据，基于该用户的历史操作习惯确定该用户想要进行的操作行为，以及该操作行为所对应的意图。进而为实现用户的下一步操作提前做好连接准备，提高用户的访问效率。并且能够根据所预测的意图为用户提供相对应的操作行为、商品产品的推荐服务。
[0077] 在一个优选实施例中，采集某用户的历史操作数据，并根据历史操作数据训练针对于该用户的用户意图预测神经网络包括：
[0078] 采集某位用户的历史操作数据，并确定历史操作数据中的多个操作项；
[0079] 基于多个操作项所发生的先后顺序，确定多个操作项中的多个操作开始项以及多个操作最终项；
[0080] 基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列；
[0081] 利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络。
[0082] 上述技术方案的工作原理和有益效果为：在训练该用户的用户意图预测神经网络时，需要采集该用户的历史操作数据，并确定历史操作数据中的多个操作项；基于多个操作项所发生的先后顺序，根据预设的操作项表格确定多个操作项中的多个操作开始项以及多个操作最终项；基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列，例如对于用户的历史操作数据包括多个先后发生的操作项A—C—D—A—B—F—A根据预先设定的操作项表格如[操作开始项：A、G、H；操作最终项：D、F、T]确定其中的操作开始项A以及其中存在的操作最终项D、F，其中D预定与意图判断结果1相对应，F与意图判断结果2相对应，从而确定与意图判断结果1相对应的操作步骤序列A—C—D以及与意图判断结果2相对应的操作步骤序列A—B—F；利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络。实现了对历史操作数据中多个操作步骤序列的快速读取划分，方便利用划分出来的操作步骤序列对预先创建的RNN神经网络进行训练，加快神经网络的训练速度。
[0083] 在一个优选实施例中，利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络包括：
[0084] 对于某个操作步骤序列，确定该操作步骤序列中操作最终项所对应的意图判断结果；
[0085] 确定实现该意图判断结果对应的意图所预设的必要操作步骤序列；
[0086] 基于必要操作步骤序列将该操作步骤序列进行向量化，得到操作步骤序列向量；
[0087] 将操作步骤序列向量作为RNN神经网络的输入项，将操作步骤序列中操作最终项所对应的意图判断结果作为RNN神经网络的输出项，对RNN神经网络进行训练；
[0088] 利用多个操作步骤序列向量对RNN神经网络进行训练，得到用户意图预测神经网络。
[0089] 上述技术方案的工作原理和有益效果为：利用多个操作步骤序列对预先创建的RNN神经网络进行训练时，需要对于某个操作步骤序列，确定该操作步骤序列中操作最终项所对应的意图判断结果；确定实现该意图判断结果对应的意图所预设的必要操作步骤序列；基于必要操作步骤序列将该操作步骤序列进行向量化，得到操作步骤序列向量，比如对于操作步骤序列A‑B‑C‑B‑E‑F，基于操作最终项D所对应的意图判断结果3所对应的意图所预设的必要操作步骤序列A‑B‑E‑F，对该操作步骤序列A‑B‑C‑B‑E‑F向量化得到操作步骤序列向量[1，1，0，1，1，1]；将操作步骤序列向量作为RNN神经网络的输入项，将操作步骤序列中操作最终项所对应的意图判断结果作为RNN神经网络的输出项，对RNN神经网络进行训练；利用多个操作步骤序列向量对RNN神经网络进行训练，得到用户意图预测神经网络。从而利用多个基于该用户个人的历史操作数据的操作步骤序列向量对RNN神经网络进行训练，得到该用户个人的意图预测神经网络。
[0090] 在一个优选实施例中，在对RNN神经网络进行训练时，训练步骤如下：
[0091] 将某个操作步骤序列向量内的第一个值输入RNN神经网络的第一个神经元输出得到第一中间状态向量；
[0092] 将第一中间状态向量输入第二个神经元，同时向该第二个神经元内输入操作步骤序列向量内的第二个值；
[0093] 第二个神经元输出第二中间状态向量，第二中间状态向量以及操作步骤序列向量内的第三个值作为第三个神经元的输入得到第三中间向量；
[0094] 如此将操作步骤序列向量内的所有值依次对应输入多个神经元，最后输出结果绑定为该操作步骤序列中操作最终项所对应的意图判断结果；
[0095] 利用多个操作步骤序列对RNN神经网络进行训练，从而得到能够输出多个意图判断结果的用户意图预测神经网络。
[0096] 上述技术方案的工作原理和有益效果为：在对RNN神经网络进行训练时，将某个操作步骤序列向量内的第一个值输入RNN神经网络的第一个神经元输出得到第一中间状态向量；将第一中间状态向量输入第二个神经元，同时向该第二个神经元内输入操作步骤序列向量内的第二个值；第二个神经元输出第二中间状态向量，第二中间状态向量以及操作步骤序列向量内的第三个值作为第三个神经元的输入得到第三中间向量；如此将操作步骤序列向量内的所有值依次对应输入多个神经元，最后输出结果绑定为该操作步骤序列中操作最终项所对应的意图判断结果；利用多个操作步骤序列对RNN神经网络进行训练，从而得到能够输出多个意图判断结果的用户意图预测神经网络。通过上述方法通过多个对应不同意图的不同操作步骤序列对用户意图预测神经网络进行训练，能够对应多个意图判断结果，使该用户意图预测神经网络能够输出多个意图判断结果，通过该种方法训练得到的用户意图预测神经网络具有很强的泛用性。
[0097] 在一个优选实施例中，采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列包括：
[0098] 获取从开始执行意图预测工作到当前时刻用户端所产生的多项的操作数据，确定操作数据序列中多项的操作数据各自对应的操作时间；
[0099] 基于操作数据序列中多项操作数据的操作时间，将所产生的多项的操作数据进行排序生成操作数据序列；
[0100] 确定多项操作数据之间的前后关系，并基于操作数据序列中多项操作数据的操作时间对操作数据序列中往返重复类的操作数据进行消除，保留单向操作数据序列；
[0101] 将单向操作数据序列内的多项操作数据融合产生操作行为序列。
[0102] 上述技术方案的工作原理和有益效果为：在将多项操作数据按时间融合为操作行为序列时，需要获取从开始执行意图预测工作到当前时刻用户端所产生的多项的操作数据，确定操作数据序列中多项的操作数据各自对应的操作时间；基于操作数据序列中多项操作数据的操作时间，将所产生的多项的操作数据进行排序生成操作数据序列；确定多项操作数据之间的前后关系，并基于操作数据序列中多项操作数据的操作时间对操作数据序列中往返重复类的操作数据进行消除，保留单向操作数据序列；将单向操作数据序列内的多项操作数据融合产生操作行为序列。对往返重复类的操作数据进行消除，防止这些误操作数据对判断结果产生影响。实现对用户端所产生的多项的操作数据的融合。
[0103] 在一个优选实施例中，根据操作行为序列，通过用户意图预测神经网络得到该用户的行为预测结果包括：
[0104] 将操作行为序列作为第一序列输入用户意图预测神经网络，得到第一预测结果；其中，第一预测结果为根据当前第一序列所预测得到的用户在各个意图上的倾向概率，通过筛选得到的多个倾向概率不为零的意图预测结果；
[0105] 实时获取新的操作行为序列作为第二序列，确定该第二序列与第一序列的序列长度差值；
[0106] 若序列长度差值大于预设的差值阈值时，将第二序列输入用户意图预测神经网络，得到第二预测结果；
[0107] 将第一预测结果和第二预测结果中用户在各个意图预测结果上的倾向概率的概率分布结果进行匹配得到匹配值,计算公式如下：
[0108]
[0109] 其中，S为匹配度，n为第一预测结果和第二预测结果中意图预测结果的总数，xi为第一预测结果中对应意图预测结果i的倾向概率，yi为为第二预测结果中对应意图预测结果i的倾向概率；
[0110] 当匹配值大于预设的匹配阈值时，将第一预测结果中倾向概率大于预设概率阈值的意图预测结果进行提取，得到第一列预测意图，将第二预测结果中倾向概率大于预设概率阈值的意图预测结果进行提取，得到第二列预测意图；
[0111] 根据预设的预测意图之间的依赖关系，将第一列预测意图对应第二列预测意图中存在的渐进关系的预测意图组进行提取，并将其作为该用户的行为预测结果。
[0112] 上述技术方案的工作原理和有益效果为：在对用户的行为进行预测时，将操作行为序列作为第一序列输入用户意图预测神经网络，得到第一预测结果如[意图A‑80％，意图B‑10％，意图C‑2％，意图D‑8％]；其中，第一预测结果为根据当前第一序列所预测得到的用户在各个意图上的倾向概率，通过筛选得到的多个倾向概率不为零的意图预测结果；实时获取新的操作行为序列作为第二序列，确定该第二序列与第一序列的序列长度差值；若序列长度差值大于预设的差值阈值时，将第二序列输入用户意图预测神经网络，得到第二预测结果如[意图A‑60％，意图B‑20％，意图C‑12％，意图D‑8％]；将第一预测结果和第二预测结果中用户在各个意图预测结果上的倾向概率的概率分布结果进行匹配得到匹配值；当匹配值大于预设的匹配阈值时，将第一预测结果中倾向概率大于预设概率阈值的意图预测结果进行提取，得到第一列预测意图，将第二预测结果中倾向概率大于预设概率阈值的意图预测结果进行提取，得到第二列预测意图；根据预设的预测意图之间的依赖关系，将第一列预测意图对应第二列预测意图中存在的渐进关系的预测意图组进行提取，并将其作为该用户的行为预测结果。从而根据两次采集的操作行为序列实现对用户的行为进行更为精准的预测。
[0113] 在一个优选实施例中，还包括根据训练所得到的该用户的用户意图预测神经网络，确定该用户常用的功能或者操作行为并进行固化，具体步骤包括：
[0114] 根据训练该用户的用户意图预测神经网络时所产生的过程数据，确定得到其中一种意图判断结果的多个神经元之间的连接权的权重均值；
[0115] 将多种意图判断结果按照其对应的权重均值的大小进行降序排列，并确定权重均值最大的N种意图判断结果；
[0116] 将该N种意图判断结果所对应的功能或者操作行为进行固化后绑定触发按钮并将该触发按钮进行显示；
[0117] 在对某种意图判断结果所对应的功能或者操作行为进行固化时，需要预先对用户意图预测神经网络进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；
[0118] 确定该种意图判断结果所对应的行为顺序特征组，并根据行为顺序特征组确定实现该种意图判断结果对应的意图所需要执行的所有的中间操作步骤；
[0119] 将所有的中间操作步骤按顺序进行排序得到步骤固化序列，根据该用户的历史操作数据确定该用户执行该步骤固化序列其中某个中间操作步骤时的固定行为信息；其中固定行为信息包括该用户执行该中间操作步骤时所需要点击的图标、窗口以及所输入的字符信息；
[0120] 根据步骤固化序列中每个中间操作步骤时的固定行为信息确定步骤固化序列所对应的用户行为顺序；
[0121] 根据用户行为顺序确定计算机自动执行步骤，将该计算机自动执行步骤进行打包并绑定触发按钮，为该触发按钮进行命名。
[0122] 上述技术方案的工作原理和有益效果为：根据训练所得到的该用户的用户意图预测神经网络，确定该用户常用的功能或者操作行为并进行固化，具体步骤包括，根据训练该用户的用户意图预测神经网络时所产生的过程数据，确定得到其中一种意图判断结果的多个神经元之间的连接权的权重均值；将多种意图判断结果按照其对应的权重均值的大小进行降序排列，并确定权重均值最大的N种意图判断结果；将该N种意图判断结果所对应的功能或者操作行为进行固化后绑定触发按钮并将该触发按钮进行显示，实现对用户屡次操作的操作行为序列的锁定，并将这一系列行为进行程序化后绑定触发按钮，在用户对该触发按钮进行点击时，自动执行这后续一连串的步骤，从而缩短用户的操作时间，提高用户的体验；在对某种意图判断结果所对应的功能或者操作行为进行固化时，需要预先对用户意图预测神经网络进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；确定该种意图判断结果所对应的行为顺序特征组，并根据行为顺序特征组确定实现该种意图判断结果对应的意图所需要执行的所有的中间操作步骤；将所有的中间操作步骤按顺序进行排序得到步骤固化序列，根据该用户的历史操作数据确定该用户执行该步骤固化序列其中某个中间操作步骤时的固定行为信息；其中固定行为信息包括该用户执行该中间操作步骤时所需要点击的图标、窗口以及所输入的字符信息；根据步骤固化序列中每个中间操作步骤时的固定行为信息确定步骤固化序列所对应的用户行为顺序；根据用户行为顺序确定计算机自动执行步骤，将该计算机自动执行步骤进行打包并绑定触发按钮，为该触发按钮进行命名。实现对用户屡次操作的操作行为或常用的功能步骤序列的锁定，并将这一系列行为或步骤进行程序化后绑定触发按钮，在用户对该触发按钮进行点击时，自动执行这后续一连串的步骤，从而缩短用户的操作时间，提高用户的体验感。
[0123] 在一个优选实施例中，还包括根据该用户的历史操作数据，检测该用户在实现某种意图的过程中容易出现误操作的操作环节，具体包括：
[0124] 预先对所述用户意图预测神经网络中所有神经元之间联结的权重值作为特征进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组；
[0125] 根据该用户的历史操作数据，筛选出该用户每一次为实现意图A的过程中所出现的操作行为序列；
[0126] 根据该用户多种的意图判断结果各自对应的行为顺序特征组，确定用户实现意图A的必要操作行为序列；
[0127] 将该用户某一次为实现意图A的过程中所出现的操作行为序列与必要操作行为序列进行对比，确定该次过程中出现往返操作的步骤节点的位置；
[0128] 对于该用户多次为实现意图A的过程中所出现往返操作的多个步骤节点的位置，统计每个位置出现往返操作的总次数，确定其中总次数最高的步骤节点的位置所对应的操作环节，并将其作为该用户在实现意图A的过程中容易出现误操作的操作环节。
[0129] 上述技术方案的工作原理和有益效果为：根据该用户的历史操作数据，检测该用户在实现某种意图的过程中容易出现误操作的操作环节包括，预先对用户意图预测神经网络进行特征提取，得到该用户多种的意图判断结果各自对应的行为顺序特征组，在对用户意图预测神经网络进行特征提取时，将用户意图预测神经网络(RNN循环神经网络)对于特定结果意图A的输出过程中，所有神经元之间联结的权重值作为特征进行提取后得到意图A对应的行为顺序特征组；根据该用户的历史操作数据，筛选出该用户每一次为实现意图A的过程中所出现的操作行为序列；根据该用户多种的意图判断结果各自对应的行为顺序特征组，确定该行为顺序特征组所对应的多个隐含层神经元之间权重值最大的联结两端神经元所对应输入的行为为必要操作行为，从而确定用户实现意图A的必要操作行为序列；将该用户某一次为实现意图A的过程中所出现的操作行为序列与必要操作行为序列进行对比，确定该次过程中出现往返操作的步骤节点的位置；对于该用户多次为实现意图A的过程中所出现往返操作的多个步骤节点的位置，统计每个位置出现往返操作的总次数，确定其中总次数最高的步骤节点的位置所对应的操作环节，并将其作为该用户在实现意图A的过程中容易出现误操作的操作环节。从而实现对该用户在操作过程中出现多次往返操作的环节的识别，并确定该步骤为无意义步骤，进一步为该客户建议对应的功能或者操作行为固化功能。
[0130] 为到达上述目的，本发明还提供了一种基于多数据融合的用户意图预测系统，如图2，包括：
[0131] 神经网络训练模块1，用于采集某用户的历史操作数据，并根据历史操作数据训练针对于该用户的用户意图预测神经网络；
[0132] 行为数据融合模块2，用于采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；
[0133] 行为预测模块3，用于根据操作行为序列，通过用户意图预测神经网络得到该用户的行为预测结果；
[0134] 意图确定模块4，用于根据行为预测结果确定所对应的意图。
[0135] 上述技术方案的工作原理和有益效果为：通过神经网络训练模块1采集某用户的历史操作数据，并根据历史操作数据训练针对于该用户的用户意图预测神经网络；通过行为数据融合模块2采集该用户当前多项的操作数据，并将多项操作数据按时间融合为操作行为序列；通过行为预测模块3根据操作行为序列，输入用户意图预测神经网络后得到该用户的行为预测结果；最后通过意图确定模块4根据行为预测结果来确定所对应的意图。从而实现根据该用户当前多项的操作数据，基于该用户的历史操作习惯确定该用户想要进行的操作行为，以及该操作行为所对应的意图。进而为实现用户的下一步操作提前做好连接准备，提高用户的访问效率。并且能够根据所预测的意图为用户提供相对应的操作行为、商品产品的推荐服务。
[0136] 在一个优选实施例中，如图3，神经网络训练模块包括：
[0137] 操作项识别单元11，用于采集某位用户的历史操作数据，并确定历史操作数据中的多个操作项；
[0138] 操作项划分单元12，用于基于多个操作项所发生的先后顺序，确定多个操作项中的多个操作开始项以及多个操作最终项；
[0139] 操作步骤序列确定单元13，用于基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列；
[0140] 网络训练单元14，用于利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络。
[0141] 上述技术方案的工作原理和有益效果为：在训练该用户的用户意图预测神经网络时，需要通过操作项识别单元11采集该用户的历史操作数据，并确定历史操作数据中的多个操作项；通过操作项划分单元12基于多个操作项所发生的先后顺序，确定多个操作项中的多个操作开始项以及多个操作最终项；通过操作步骤序列确定单元13基于预设的操作最终项与某个意图判断结果的对应关系，确定包括从操作开始项到操作最终项中的多个操作项为一个操作步骤序列，从而得到多个操作步骤序列，例如对于用户的历史操作数据包括多个先后发生的操作项A—C—D—A—B—F—A根据预先设定的操作项特征确定其中的操作开始项A以及其中存在的操作最终项D、F，其中D预定与意图判断结果1相对应，F与意图判断结果2相对应，从而确定与意图判断结果1相对应的操作步骤序列A—C—D以及与意图判断结果2相对应的操作步骤序列A—B—F；最后通过网络训练单元14利用多个操作步骤序列对预先创建的RNN神经网络进行训练，得到用户意图预测神经网络。实现了对历史操作数据中多个操作步骤序列的快速读取划分，方便利用划分出来的操作步骤序列对预先创建的RNN神经网络进行训练，从而加快神经网络的训练速度。
[0142] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
