买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东技术师范大学

摘要：本申请提供一种多模态的创业项目产品独特性评估与产品改进方法，包括：获取关于创业项目产品的多种模态数据，从多种模态数据中提取用户情感倾向和功能重点指标，得到功能改进的关键点，并对功能改进进行编码和标签化；获取标签化后的功能改进的改进意见并进行分析，结合用户行为数据，对用户进行聚类分析，得到功能改进的关联规则和用户对不同功能的依赖程度；对改进优先级高的功能进行重构规划，通过功能的独立性和互联性分解，确定功能的子模块间的接口和数据交互协议，得到可独立部署的独立模块和服务。

主权项：1.一种多模态的创业项目产品独特性评估与产品改进方法，其特征在于，所述方法包括：获取关于创业项目产品的多种模态数据，从多种模态数据中提取用户情感倾向和功能重点指标，得到功能改进的关键点，并对功能改进进行编码和标签化；获取标签化后的功能改进的改进意见并进行分析，结合用户行为数据，对用户进行聚类分析，得到功能改进的关联规则和用户对不同功能的依赖程度；通过关联规则和依赖程度，确定用户对产品功能的潜在需求，整合用户行为数据、市场数据以及用户对产品功能的潜在需求，构建市场趋势预测模型，判断未来用户对功能改进的需求，确定功能改进的优先级；对改进优先级高的功能进行重构规划，通过功能的独立性和互联性分解，确定功能的子模块间的接口和数据交互协议，得到可独立部署的独立模块和服务；通过独立模块和服务的部署信息，创建包含版本控制和配置管理过程的特性切换计划，包括配置自动化工具按照预设的上线时间表，监控特性标志的状态变换和性能参数，以得到功能上线的最优时机和配置信息；根据功能上线的最优时机和配置信息，采用自动化测试框架进行回归测试和压力测试，将测试结果整合到持续集成流程中，利用代码静态分析和动态监控模块，检测功能运行系统的兼容问题和性能瓶颈；根据功能运行系统的性能表现和兼容性信息，采用动态特性标志管理系统，对产品新上线功能的性能进行实时监控，并进行AB测试，分析用户对产品新上线功能的反应，动态调整功能的上线计划；采用实时同步的中央数据仓库整合产品开发、运营、市场团队的数据，获取跨部门的反馈和意见，识别数据间的关联性和影响力，调整动态特性标志管理系统中的配置参数，进行功能上线计划的优化；所述获取关于创业项目产品的多种模态数据，从多种模态数据中提取用户情感倾向和功能重点指标，得到功能改进的关键点，并对功能改进进行编码和标签化，包括:采用自动化爬虫从社交媒体、电子商务平台和官方论坛的来源定期获取有关创业产品的文本、图像、视频和音频的多种模态数据；使用spaCy库进行分词处理，将连续的文本分解成单词或短语，通过Python的re模块去除非文字内容，非文字内容包括网址、邮箱地址和特殊字符，应用NLTK库的spaCy的词形还原功能，将不同形式的单词统一到基本形式；使用OpenCV库进行图像裁剪，将所有图像调整至统一尺寸，使用skimage库进行图像的标准化处理，采用Augmentor包进行图像增强，包括旋转、缩放和翻转的操作，提高模型的泛化能力；通过分析视频帧之间的差异性来提取关键帧；使用noisereduce库自动降低背景噪音，清晰化语音信号，采用GoogleSpeechRecognitionAPI进行音频转文本，将用户的语音反馈转换为可分析的文本数据；根据文本数据，使用BERT网络算法进行模型训练，对文本数据进行情感分析；根据图像和视频数据，采用卷积神经网络算法进行模型训练，识别用户的表情和动作；根据音频转录文本，使用BERT网络算法进行模型训练，对音频转录文本进行情感分析；通过TF-IDF算法提取文本中的关键字和短语，使用ResNet算法从图像和视频中辨识产品特性，对声音数据应用SpeechRecognition库分析语调和重点词汇，获得产品的功能重点指标；通过计算皮尔逊相关系数的方法，确定情感指标和功能指标之间的相关性，识别出产品功能改进的关键点；利用pandas库进行数据整合，将不同模态的数据融合为一个多维特征矩阵；根据功能改进的关键点，使用标签化方法OneHotEncoder进行编码，对功能改进意见进行标签化处理，将文本数据转换为易于分析的数值型数据；使用matplotlib和seaborn库展示功能改进的关键点，以图表和报告形式呈现，并将分析结果以API形式传递给产品开发和市场营销团队；所述获取标签化后的功能改进的改进意见并进行分析，结合用户行为数据，对用户进行聚类分析，得到功能改进的关联规则和用户对不同功能的依赖程度，包括:通过OneHotEncoder标签，获取功能改进的改进意见；获取用户属性数据，对用户属性数据进行预处理，用户属性数据包括年龄、性别、地区、设备类型和操作系统，预处理包括缺失值处理、异常值检测和去重操作；关联用户ID、用户属性和用户行为数据，形成一个综合数据集，用户行为数据包括访问频率、使用时长和功能使用频率；根据综合数据集，采用K-mean聚类算法进行模型训练，若用户属性与使用频率和使用时长数据表现出聚类特征，则确定不同的用户群体，识别出具有相同行为模式的用户群体；通过Apriori算法分析用户群体的功能使用模式，评估用户对不同功能的依赖程度，依赖程度包括高和低，若某功能在一个用户群体中使用频率大于预设频率阈值，则判断用户对该功能的依赖程度为高；根据用户反馈数据，采用TF-IDF算法，提取用户反馈中的关键词和短语，应用基于长短期记忆网络算法的情感分析识别负面反馈，将负面反馈的功能标注为优先改进项；将功能改进意见按提出时间排序，通过ARIMA算法进行模型训练，确定改进意见的紧迫性，若最近期的改进意见集中提到某功能的次数大于预设次数阈值，则提高该功能改进的优先级；结合功能改进意见和用户行为数据分析结果，使用卡方检验分析功能改进意见与用户使用模式之间的关系，若某个功能改进意见与用户使用频率低于预设频率阈值的功能相关，则判断该功能改进能提升用户使用频率；根据用户属性、行为数据和功能改进意见，使用随机森林算法进行模型训练，得到支持度和置信度高于预设支持度阈值以及预设置信度阈值的用户群体和功能改进意见；所述通过关联规则和依赖程度，确定用户对产品功能的潜在需求，整合用户行为数据、市场数据以及用户对产品功能的潜在需求，构建市场趋势预测模型，判断未来用户对功能改进的需求，确定功能改进的优先级，包括:获取用户行为数据，包括互动、购买历史、用户反馈和产品使用情况，通过数据预处理进行缺失值和异常值的处理，进行数据标准化，并将用户行为数据按照时间顺序排列；根据用户行为数据和用户对不同功能的依赖程度，使用Apriori算法，得到用户互动和购买历史之间的关联规则，以及用户反馈和使用频率之间的关联，确定用户对产品功能的潜在需求；基于关联规则的支持度、置信度和提升度，识别用户对现有功能和潜在需求的紧迫性，确定功能改进的优先级排序；根据竞争对手的产品特点和定价策略，结合行业趋势和经济指标，通过回归分析预测市场需求变化；根据用户行为数据时间序列数据，使用ARIMA算法进行模型训练，确定产品功能需求的周期性趋势和季节性变化，预测未来用户行为；若产品功能数据显示目前的功能集合不满足用户需求，则根据产品功能数据和用户需求不匹配程度，结合改进难易程度和成本，进行功能优先级重排序；根据用户行为数据和用户特征数据，使用K-means聚类算法进行模型训练，将用户分群，每个群体内的用户在选定的特征上相似度差值小于预设的差值阈值，用户特征数据包括年龄、地理位置和兴趣偏好；根据用户行为数据、用户特征数据和用户所属群体信息，采用决策树算法进行模型训练，预测不同用户群体的行为模式；整合用户行为数据和市场数据及潜在需求数据，使用随机森林算法进行模型训练，构建市场趋势预测模型，预测用户对功能改进的需求和市场接受度；利用市场趋势预测模型提供的特征重要性评分，识别影响用户需求和市场趋势的关键因素，关键因素为特征重要性评分大于预设评分阈值的因素；根据用户对功能改进的需求，以及预测市场对各功能的接受度，确定产品功能改进的优先级，对产品进行持续优化和更新；所述对改进优先级高的功能进行重构规划，通过功能的独立性和互联性分解，确定功能的子模块间的接口和数据交互协议，得到可独立部署的独立模块和服务，包括:根据用户反馈和业务分析数据，识别用户需求的频率和紧迫性，确定功能的改进优先级，得到一个按改进优先级排序的功能列表，其中改进优先级高的功能被标记为准备进行重构规划，改进优先级包括高优先级、中优先级和低优先级；将每个高优先级功能拆解为若干独立开发、测试和部署的子模块，识别并记录子模块间的依赖关系；若功能间存在耦合度高于预设耦合度阈值的高耦合点，则设计解耦策略，包括引入中间层或服务来降低直接依赖；为每个子模块定义接口，包括输入输出参数和数据格式，若接口定义不明确，则编写或优化标准化的接口文档，确保接口互联性和易用性；评估现有数据交互协议是否满足效率和安全性要求，若现有协议不满足效率和安全性要求，则选择RESTAPI改善数据交互效率和安全性；通过静态分析工具SonarQube获取子模块的质量报告并进行代码审查，根据报告反馈，重构代码；通过负载测试和资源使用分析，判断现有系统的可扩展性，若可扩展性不足，则引入微服务架构的模块化设计；使用性能测试工具对子模块进行性能评估，针对性能低于预期的子模块，进行代码优化和资源调整；通过安全性评估工具检测数据处理和存储的安全漏洞，根据评估结果，加强数据加密措施和访问控制机制；所述通过独立模块和服务的部署信息，创建包含版本控制和配置管理过程的特性切换计划，包括配置自动化工具按照预设的上线时间表，监控特性标志的状态变换和性能参数，以得到功能上线的最优时机和配置信息，包括:根据独立模块和服务的部署信息，使用版本控制系统Git记录每个模块和服务的当前版本及历史版本，在部署新特性时，定位相应版本的源码和依赖库；通过配置管理工具Ansible，维护和自动化服务运行所需的环境变量、文件配置和密钥；使用特性标志管理系统LaunchDarkly创建包含版本控制和配置管理过程的特性切换计划，定义和管理特性标志，包括标志名称、数据类型和当前值及作用范围，记录修改历史，追踪、审计和滚动更新；根据权限控制策略，赋予指定角色或系统修改特性标志状态的权限；利用CICD工具配置自动化流水线，进行特性的自动构建、测试和部署，并根据预设的上线时间表触发特性切换；配置监控工具Prometheus实时监控服务的健康检查指标和特性标志状态，设定警报系统在指标异常时通知相关人员；使用性能监控工具NewRelic跟踪关键性能指标，关键性能指标包括CPU使用率、内存使用和响应时间，实时获取服务运行状态；在功能开放前后，获取并分析特性标志的性能数据，使用特性标志的性能评估公式PIS=ΔCC+ΔMM+ΔRR×100，评估特性标志的性能对服务性能的影响，其中ΔC是功能开放后与开放前CPU使用率的差值，ΔM是内存使用量的差值，ΔR是响应时间的差值，C、M和R分别是功能开放前的CPU使用率、内存使用量和响应时间的基线值；根据特性标志的性能评估结果PIS，判断功能上线的最优时机，选择PIS值最小的时间点作为功能上线的最优时机；对于已上线的功能，持续监控业务指标和用户反馈，若分析结果显示功能对关键业务指标有负面影响，则启动预案进行快速回滚操作；所述根据功能上线的最优时机和配置信息，采用自动化测试框架进行回归测试和压力测试，将测试结果整合到持续集成流程中，利用代码静态分析和动态监控模块，检测功能运行系统的兼容问题和性能瓶颈，包括:根据新功能上线的最优时机，在测试环境中配置和部署自动化测试平台Selenium模拟多种操作系统和网络环境，并分配硬件资源，包括CPU、内存和存储；利用测试框架编写测试脚本，覆盖所有现有功能的测试用例，执行回归测试，验证新代码未对现有功能产生负面影响；根据功能运行系统的预期负载设计压力测试计划，包括模拟用户并发量高于预设并发量阈值的访问场景，执行压力测试，通过性能数据识别和定位功能运行系统在负载高于预设负载阈值条件下的性能瓶颈；根据测试用例设计文档，细化出覆盖各种应用场景的测试用例，包括正常流程、边界条件和异常流程；配置持续集成工具Jenkins和GitLabCICD，在每次代码提交后运行完整的测试用例集，并将测试结果整合到持续集成流程中，根据测试报告，识别和解决由最新代码提交引起的问题；使用代码静态分析工具SonarQube审查代码，识别潜在的代码质量问题和安全漏洞，根据识别结果，执行代码修改消除兼容性和性能隐患；利用动态监控工具Dynatrace捕获功能运行系统运行时的性能数据，若监测到性能异常指标，则确定问题的根源并采取相应的优化措施；使用性能测试工具LoadRunner模拟实际用户负载，评估功能运行系统的性能，若性能测试结果未达到预期标准，则调整功能运行系统配置或优化代码；通过兼容性测试工具BrowserStack在不同设备和浏览器环境下运行应用，检测应用在各种环境下的兼容性；所述根据功能运行系统的性能表现和兼容性信息，采用动态特性标志管理系统，对产品新上线功能的性能进行实时监控，并进行AB测试，分析用户对产品新上线功能的反应，动态调整功能的上线计划，包括:根据部署的新功能，调动动态特性标志管理系统，激活新功能的的实时性能监控模块，设置性能监控指标并开始获取数据，性能监控指标包括响应时间、吞吐量和错误率；若性能监控数据显示性能异常，则获取与预设性能基线的对比结果，根据对比结果，确定是否需要对新功能进行性能调优；采用兼容性测试工具BrowserStack，在不同的设备、浏览器和操作系统上测试新功能，并根据兼容性报告，确定是否需要对新功能进行适配或修正；获取用户分群策略，利用动态特性标志管理系统随机分配用户到AB测试的测试组和对照组；通过数据分析工具GoogleAnalytics，获取AB测试期间的用户行为数据，并根据关键指标，确定用户对新功能的接受度，关键指标包括点击率和转化率；根据用户行为分析和性能监控结果，调整动态特性标志管理系统中的配置，动态控制新功能的访问范围，针对指定用户群进行优化；若用户满意度调查和行为分析显示用户反馈频率大于预设频率阈值，则通过版本控制系统Git记录功能标志的更改历史；通过CICD流程执行集成测试，验证新功能与现有系统的整合是否稳定，若测试通过，则在控制环境中应用部署策略，CICD流程包括Jenkins或GitLabCICD，部署策略包括金丝雀发布；若监控系统报警指示新功能上线后存在风险，则通过动态特性标志管理系统撤销对应功能的启用状态，并根据影响评估进行问题分析，并制定风险缓解策略制定；所述采用实时同步的中央数据仓库整合产品开发、运营、市场团队的数据，获取跨部门的反馈和意见，识别数据间的关联性和影响力，调整动态特性标志管理系统中的配置参数，进行功能上线计划的优化，包括:根据不同数据源的数据集成需求，设计并实施一个实时数据同步机制，监测产品开发、运营和市场团队的数据库变化，并在检测到更新时同步到一个中央数据仓库；采用ETL工具去除重复和不完整或错误的记录，并将数据转换为一致的格式；通过消息队列和发布订阅模型，当实时数据同步机制检测到新数据或更新时，通知中央数据仓库进行数据同步；使用协作软件Jira，建立跨部门交流的频道，获取所有相关的跨部门反馈和意见；获取与产品功能相关的用户行为数据，包括功能使用频率、用户反馈和满意度调查结果，使用Apriori算法进行模型训练，识别导致用户满意度高于预设满意度阈值的功能调整以及相关的统计指标，统计指标包括支持度、置信度和提升度；根据产品功能的开关状态和用户与产品的交互行为指标，使用随机森林算法进行模型训练，构建产品功能评估模型，评估不同产品功能调整对用户满意度或功能使用频率的影响程度；根据产品功能评估模型的评估结果，提出对产品功能的调整建议，优化功能上线计划；根据调整建议，使用动态特性标志管理系统进行配置参数的调整和动态地启用或禁用指定功能；发布管理和性能监控遵循严格的发布管理流程，利用CICD工具Jenkins进行新功能的部署；使用性能监控工具NewRelic跟踪变更对功能运行系统性能和用户体验的实际影响。

全文数据：

权利要求：

百度查询： 广东技术师范大学 一种多模态的创业项目产品独特性评估与产品改进方法