学习用户输入和提供建议的算法

Question

我正在搜索一种算法，分别是一种用于学习特定程序中的用户操作(输入)的方法，并基于已完成的用户操作的内置信息库，为用户提供 future 操作的建议。信息库应该根据使用同一软件的多个用户的操作来构建。用户操作取决于它们发生的顺序。这意味着，应该根据 session 中已经完成的用户操作提出建议。 session 是一个抽象的时间段，用户在该时间段内使用软件。

在我最初的方法中，我想到了在有向图中对用户操作进行建模，其中每个节点代表一个唯一的用户操作实例。第一次执行的用户操作会生成一个新节点。这些节点有一个计数器，表示用户执行此用户操作的频率。当一个用户操作在另一个操作之后完成时(对用户操作序列进行建模)，存在从一个节点到另一个节点的转换。对于每个转换，概率是根据后续节点(即有转换的节点)的计数器计算的。有一个根节点作为起点，它指向所有初始节点(在 session 中首先完成的用户操作)。这可能是一个(隐藏的)马尔可夫模型，但我不确定。它肯定不是贝叶斯网络，因为它可以是循环图(可取)。

是否已经有解决这个问题的方法、算法、库等？如果没有，我的方法如何？任何替代方案，更好的想法？

Answer 1

您似乎正在尝试执行“建议”，在您的情况下，该功能是用户完成的“操作”。将个性化(根据每个用户的行为为每个用户构建模型)或协同过滤(通过寻找相似用户关联地构建模型)作为总体方向考虑

您的建议类似于 HMM，您认为观察是用户操作，状态是用户意图。根据您的实际应用，这可能有效或无效。

另一种更有前途的建模方式是直接构建判别模型(逻辑回归，svm)，使用之前的用户操作和用户历史作为特征来预测下一步的 Action 。如果你有足够的数据，这会很不错