基于人工智能的数据分析方法及系统与流程

本发明涉及数据处理的，尤其涉及一种基于人工智能的数据分析方法及系统。

背景技术：

1、在网络直播领域，随着用户规模的急速增长和互动数据的增多，基于数据分析的用户行为预测和内容推荐成为了提升用户体验和平台运营效率的重要手段。利用机器学习和深度学习技术分析直播间互动数据，预测用户行为和情感倾向，对于制定运营策略和优化平台算法至关重要。

2、目前，大多采用单一的数据模型，如传统机器学习模型或简单的深度学习模型，对直播间的用户互动数据和主播表现数据进行独立分析，以期提取相关特征并预测用户行为。这些方法虽然在某些方面取得了进展，但由于缺乏不同信息源之间的有效整合，造成了数据分析的片面性，限制了预测结果的准确性和综合性。由于依赖单一数据模型，难以捕捉用户行为和情感变化的复杂性，表现在数据分析和预测的多维度特征融合上有明显不足。另外，单一模型往往无法有效地利用大数据环境下多源异构数据之间的互动关系，导致分析和预测的不准确，不能全面地理解用户行为和情感。考虑到用户行为的动态性和情感的多样性，现有的单一数据模型方法已不能满足当前直播领域对高效、精准数据分析的需求。

3、因此，迫切需要一种能够整合多种类型数据，提供更全面分析的深度学习技术方案。

技术实现思路

1、本发明提供了一种基于人工智能的数据分析方法及系统，用于解决上述提到的技术问题。

2、本发明第一方面提供了一种基于人工智能的数据分析方法，所述基于人工智能的数据分析方法包括：

3、采集预设的时间段内直播间的第一数据和第二数据；

4、将所述第一数据输入至预设的第一数据模型，输出第一预测结果；将所述第二数据输入至预设的第二数据模型，输出第二预测结果；其中，所述第一预测结果至少包含用户互动行为统计数据和主播表现统计数据，所述第二预测结果至少包括用户情感指标数据和用户互动趋势预测数据；所述第一数据模型为经过提前训练得到的深度学习模型，所述第二数据模型为经过提前训练得到的机器学习模型；

5、基于预设的特征级融合算法，对第一预测结果和第二预测结果，以及第一预测结果对应的第一元数据和第二预测结果对应的第二元数据进行融合，得到一个特征矩阵；

6、将特征矩阵输入至预设的第三数据模型中，输出最终的目标联合影响特征表示，并对输出的最终的目标联合影响特征表示进行数据分析，得到并发送直播指导策略至对应的主播的大数据云端平台；其中，所述第三数据模型为经过提前训练得到的交互特征的非线性学习模型，所述交互特征的非线性学习模型用于预测第一预测结果与第二预测结果的非线性关系。

7、可选的，在本发明第一方面的第一种实现方式中，所述第一数据至少包括观看次数、观看时长、点赞数、评论数、分享次数、礼物送出数、直播时长、直播的频率、打赏收入、观众留存率；所述第二数据至少包括用户在直播间的聊天信息的情感得分、用户评论发表的频率和时间戳、用户观看直播切换的变化趋势数据、重复观看直播的用户与新用户的行为模式对比分析数据、粉丝的心理状态和行为趋势分析数据。

8、可选的，在本发明第一方面的第二种实现方式中，所述第一数据模型的训练过程，包括:

9、收集第一样本数据，并对所述第一样本数据进行特征提取，得到初始的特征矩阵；其中，所述第一样本数据中包含与第一数据对应的各类标签信息；

10、将所述初始的特征矩阵输入至一个预先定义的第一自编码器模型中进行编码处理，得到第一压缩表示向量；

11、将所述第一压缩表示向量输入至一个预先定义的卷积神经网络模型进行深度特征提取，输出增强的特征向量；

12、将所述增强的特征向量输入至一个预先定义的第二自编码器模型中进行二次编码处理，得到第二压缩表示向量；

13、生成唯一的时间戳特征向量，在每个预定周期内仅产生一次，并将所述时间戳特征向量与深层次的压缩表示向量按照数据库中预存的融合规则进行融合，得到时间敏感的特征向量；

14、将所述初始的特征矩阵、第一压缩表示向量、增强的特征向量、第二压缩表示向量和时间敏感的特征向量连同对应的各个标签汇总输入到一个预定义的分类网络中进行模型训练，通过不断迭代调整第一自编码器模型、卷积神经网络模型、第二自编码器模型的参数，直至分类网络的损失函数值收敛，完成第一数据模型的训练，得到训练后的第一数据模型；其中，所述训练后的第一数据模型用于预测与用户互动行为和主播表现相关的统计数据，以实时优化直播策略。

15、可选的，在本发明第一方面的第三种实现方式中，所述对输出的最终的目标联合影响特征表示进行数据分析，得到并发送直播指导策略至对应的主播的大数据云端平台，包括:

16、对输出的最终的目标联合影响特征表示进行数据分析，得到最终的目标联合影响特征表示中的非线性关系；

17、基于所述最终的目标联合影响特征表示中的非线性关系，进行直播优化策略制定和直播风险评估，得到直播指导策略；其中，所述直播指导策略用于指导直播内容制作、主播培训、广告商合作；

18、对所述直播指导策略进行加密，得到加密后的直播指导策略，将所述加密后的直播指导策略发送至对应的主播的大数据云端平台。

19、可选的，在本发明第一方面的第四种实现方式中，所述对所述直播指导策略进行加密，得到加密后的直播指导策略，将所述直播指导策略发送至对应的主播大数据云端，包括:

20、解析直播指导策略中的直播性能参数优化指标和直播内容优化指标，按照直播性能参数优化指标和直播内容优化指标的优先级排序，将直播性能参数优化指标和直播内容优化指标转换为对应的标识符号，得到直播性能参数优化指标对应的第一标识符号和直播内容优化指标对应的第二标识符号；

21、访问配置于网络加密服务平台的加密策略数据库；其中，所述加密策略数据库存储有包含多级加密协议的加密密钥库，各级加密密钥库根据安全性需求对不同类型的直播指导策略进行分类加密；

22、根据第一标识符号在加密策略数据库中匹配对应的第一密钥元素；根据第二标识符号在加密策略数据库中匹配对应的第二密钥元素；其中，所述加密策略数据库提前存储有根据第一标识符号在加密策略数据库中匹配对应的第一密钥元素的第一匹配规则和根据第二标识符号在加密策略数据库中匹配对应的第二密钥元素的第二匹配规则；

23、利用确定的第一密钥元素和第二密钥元素分别对直播指导策略中的直播性能参数优化指标和直播内容优化指标进行加密，将直播指导策略转化为密文形式，得到加密后的直播指导策略；

24、对加密后的直播指导策略进行唯一指令集生成，得到唯一指令集安全标识；在生成唯一指令集安全标识后，将唯一指令集安全标识上传至对应的主播的大数据云端平台。

25、本发明第二方面提供了一种基于人工智能的数据分析系统，所述基于人工智能的数据分析系统包括：

26、采集模块，用于采集预设的时间段内直播间的第一数据和第二数据；

27、第一预测模块，用于将所述第一数据输入至预设的第一数据模型，输出第一预测结果；将所述第二数据输入至预设的第二数据模型，输出第二预测结果；其中，所述第一预测结果至少包含用户互动行为统计数据和主播表现统计数据，所述第二预测结果至少包括用户情感指标数据和用户互动趋势预测数据；所述第一数据模型为经过提前训练得到的深度学习模型，所述第二数据模型为经过提前训练得到的机器学习模型；

28、融合模块，用于基于预设的特征级融合算法，对第一预测结果和第二预测结果，以及第一预测结果对应的第一元数据和第二预测结果对应的第二元数据进行融合，得到一个特征矩阵；

29、第二预测模块，用于将特征矩阵输入至预设的第三数据模型中，输出最终的目标联合影响特征表示，并对输出的最终的目标联合影响特征表示进行数据分析，得到并发送直播指导策略至对应的主播的大数据云端平台；其中，所述第三数据模型为经过提前训练得到的交互特征的非线性学习模型，所述交互特征的非线性学习模型用于预测第一预测结果与第二预测结果的非线性关系。

30、本发明第三方面提供了一种基于人工智能的数据分析设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的数据分析设备执行上述的基于人工智能的数据分析方法。

31、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人工智能的数据分析方法。

32、本发明提供的技术方案中，有益效果：本发明提供一种基于人工智能的数据分析方法及系统，通过采集预设的时间段内直播间的第一数据和第二数据；将所述第一数据输入至预设的第一数据模型，输出第一预测结果；将所述第二数据输入至预设的第二数据模型，输出第二预测结果；基于预设的特征级融合算法，对第一预测结果和第二预测结果，以及第一预测结果对应的第一元数据和第二预测结果对应的第二元数据进行融合，得到一个特征矩阵；将特征矩阵输入至预设的第三数据模型中，输出最终的目标联合影响特征表示；本发明通过结合两种不同的数据模型分别输出的预测结果，提高了对用户互动行为和情感指标的综合预测能力。本发明通过特征级融合算法将两种预测结果及其元数据进行融合，产生一个综合的特征矩阵，从而提供更加全面的数据分析和影响力度的意见。第三数据模型作为一个非线性学习模型，专门用于挖掘和理解第一预测结果与第二预测结果之间的非线性关系，使得最终的分析结果更贴近真实情况，提升模型的泛化能力和预测准确度。产生的目标联合影响特征表示可以为直播运营提供丰富的决策支持信息，辅助运营者对直播策略进行更及时和有效的调整。自动化采集数据、模型训练和预测，以及特征融合，极大地提高了数据处理的效率，减少了人为操作的需求和出错的可能性。