[发明专利]面向线上购物用户消费习惯的智能大数据分析设计方法

说明书

本发明的一种面向线上购物用户消费习惯的智能大数据分析设计方法，包括依次连接的用户数据采集模块、压缩编码模块、空间池模块和时间池模块。对HTM空间池的结构进行了重构，在每个微柱中增加所匹配的输入信息，计算微柱的承载度，作为考核微柱在HTM空间池中利用程度的度量，为选择的微柱能够稀疏分布空间池提供支撑；利用HTM中微柱与输入的重叠值对微柱进行分级，再结合微柱的承载度等信息挑选微柱，增强HTM空间池中选择微柱的均匀性，提高空间池微柱的利用率；设计基于压缩编码的突触调整规则，在学习新输入时，保护HTM微柱中已有的有效关联信息，从而在保证HTM良好动态适应能力的同时，减少HTM空间池的抖动，提高HTM训练的效率，增强空间池的稳定性。

技术领域

本发明涉及人工智能深度学习技术领域，尤其是一种面向线上购物用户消费习惯的智能大数据分析设计方法。

背景技术

商家和用户双向信息交流是直复营销理论中一个重要的理论观点，互联网技术恰能为网络销售中的消费者和企业构建了无障碍的沟通渠道，这使得网络营销的参与者中，消费者可以通过互联网与企业达成最基本的交易，企业也可以通过网络收集消费者信息和问题反馈，并依此及时调整营销策略，提高销售率。而且网络销售信息可以通过数字化存储和分析，增加企业的决策依据。

近年来，深度学习算法在图像处理、语音处理、自然语言处理等多个领域得到广泛的应用并产生巨大的影响，这在很大程度上归功于各种新型神经网络模型以及高效的模型训练方法。随着生物神经科学的进步，越来越多的新型神经网络正在被研究。HTM(Hierarchical Temporal Memory)是一种模仿人脑中处理高级认知功能的新皮质部分运作原理的新型人工神经网络，其将接受到的各种模式与记忆中的模式进行匹配，并对下一刻将会接收到的信息作出预测与反应，如此循环往复，从而体现时效性(Temporal)。

HTM以输入的稀疏分布表示为基础进行工作，空间池训练算法(spatial poollearning algorithm，SPL)利用赫比规则建立输入编码与微柱突触之间的连接，通过输入编码的有效位激活空间池中的微柱集，实现用空间池微柱的稀疏分布表征来表达输入。在该过程中，希望空间池能够像大脑皮层一样维持一定的灵活性：1、尽可能让空间池的所有微柱都参与输入的表达，2、表达输入的微柱具有一定的稀疏度并散列在空间池中，3、避免微柱与输入产生过多无效的突触连接，4、避免微柱被少量活跃突触激活，5、空间池具有一定的自适应性，应对微柱或输入的损坏。为此空间池训练算法引入了激励规则和抑制规则，设置微柱激活阈值以及维持庞大的突触池，通过多次训练，空间池便可动态调整到所希望的目标，但是维持庞大的突触池会降低空间池训练算法训练效率，激励规则和抑制规则会导致训练结果的不稳定。为了提高HTM对线上购物用户消费习惯的学习能力，有必要设计新型的空间池池算法，降低HTM空间池训练算法的时间开销，提高空间池训练结果的稳定性。

发明内容

本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种改进的面向线上购物用户消费习惯的智能大数据分析设计方法，以解决现有HTM空间池训练效率低和空间池训练结果稳定性差的问题。

本发明解决其技术问题所采用的技术方案是：一种面向线上购物用户消费习惯的智能大数据分析设计方法，包括依次连接的用户数据采集模块、压缩编码模块、空间池模块和时间池模块，所述用户消费数据采集模块构建输入序列，所述压缩编码模块对输入的序列进行压缩，所述空间池模块包括依次连接微柱激活子模块和微柱突触调整子模块，所述微柱激活子模块用于激活空间池的微柱集，获取输入的稀疏分布表征，所述微柱突触调整子模块用于对微柱上的突触进行调整，构建输入与激活微柱集的映射关系，所述时间池模块用于构建对历史用户消费数据分析，具体过程包括以下步骤：

步骤1，采集某个较长时间段内，线上线上用户消费数据信息，与当时的时间信息一起构建历史线上线上用户消费数据集，使其包含消费物品和时间则两方面的特性，构成具有时序特性的线上线上用户消费数据流；