摘要：[研究目的]当前用户行为分析多聚焦于结果预测,缺乏对行为特征的深度解释与研判路径,难以满足智能情报服务中对过程透明性和决策可控性的需求。为此,该文提出一种融合大语言模型与可解释性机制的用户行为情报研判方法,旨在实现用户行为的准确识别与关键特征的透明化分析。[研究方法]以MOOC在线学习平台中用户行为情报为数据来源,采集9000名用户的行为数据,构建包含文本语义与情感特征的用户行为特征体系。采用BERT模型提取语义表示,结合LightGBM模型完成用户行为分类,同时引入SHAP可解释性分析对模型特征进行可解释性分析,从而揭示影响用户行为的核心因子。[研究结果/结论]研究表明,该方法在用户行为识别任务中表现优异,准确率、召回率与F1值分别达到99.52%、99.98%和99.27%。SHAP分析发现,用户完成率与情感特征在行为模式识别中具有关键性影响。该方法可有效提升用户行为情报的获取深度与分析透明度,为平台型系统中的智能情报研判、用户画像构建与行为预测提供新路径和技术支持。
