CN107728874A - 提供用户快捷操作的方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开一种提供用户快捷操作的方法、装置及设备，所述方法应用于用户侧设备，可以直接在用户侧获得用户的行为序列；然后通过存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测，再根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式，无需用户进行繁复的操作，通过提供的快捷操作方式可以快速完成用户需要执行的操作。

Description

提供用户快捷操作的方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及提供用户快捷操作的方法、装置及设备。

背景技术

目前，能安装在用户侧设备的应用程序(Application，APP)越来越多，而且单个APP具备的功能也越来越全面。例如：即时通讯APP，同时具备即时通讯、支付、理财、扫码等功能。

对于具备功能较多的APP，与各功能相关的页面、菜单项等内容较多，而且页面、菜单间的嵌套关系较复杂，可能会导致用户在使用APP的过程中遇到较多的问题，如找不到与某些功能相关的页面、菜单项等应用内容。

遇到问题时，用户一般会反复尝试点击APP的各种页面和菜单，在尝试无果后，为了解决遇到的问题，用户可以求助于客服，通过描述自己遇到的问题以得到相应答复，或者将与问题相关的信息输入到搜索页面，而后还要浏览该搜索页面呈现的各种搜索结果，再从中挑选出能解决其问题的搜索结果。

综上可知，使用APP的过程中遇到问题时，用户需耗费较长的时间、执行繁复的操作才可能解决问题。因此，如何及时帮助用户解决其遇到的问题，是亟待解决的技术问题。

发明内容

有鉴于此，本说明书实施例提供一种提供用户快捷操作的方法、装置及设备。

根据本说明书实施例的第一方面，提供一种提供用户快捷操作的方法，应用于用户侧设备，所述方法包括：

获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；

将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；

根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

根据本说明书实施例的第二方面，提供一种提供用户快捷操作的装置，应用于用户侧设备，所述装置包括：

序列获取模块，用于获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；

行为预测模块，用于将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；

操作提供模块，用于根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

根据本说明书实施例的第三方面，提供一种电子设备，包括：

处理器；

存储处理器可执行指令的存储器；

其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如下操作：

获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；

将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；

根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

实施本说明书提供的实施例，可以直接在用户侧获得用户的行为序列；然后通过存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测，再根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。无需用户进行繁复的操作，通过提供的快捷操作方式可以快速完成用户需要执行的操作。

附图说明

图1是本说明书一示例性实施例示出的提供用户快捷操作的应用场景图；

图2A是本说明书一示例性实施例示出的提供用户快捷操作的方法的流程图；

图2B是本说明书一示例性实施例示出的提供用户快捷操作的示意图；

图3是本说明书另一示例性实施例示出的提供用户快捷操作的应用场景图；

图4是本说明书一示例性实施例示出的提供用户快捷操作的装置的逻辑框图；

图5是本说明书一示例性实施例示出的提供用户快捷操作的装置所在的电子设备的硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

很多用户侧设备装设的APP具有的功能多、各功能相关的页面和菜单项等内容也较多，且页面、菜单间的嵌套关系较复杂的特性。有鉴于此，用户在使用APP的过程中，很可能会遇到较多的问题，例如：找不到与某些功能相关的页面、菜单项等应用内容。为了解决遇到的问题，用户一般会反复尝试点击APP的各种页面和菜单，在尝试无果后，用户可能求助于客服，通过描述自己遇到的问题以得到相应答复，或者将与问题相关的信息输入到搜索页面，而后浏览该搜索页面呈现的各种搜索结果，再从中挑选出能解决其问题的搜索结果。这个解决问题的过程会需耗费较长的时间，而且需要用户执行繁复的操作。

为了避免用户耗费较长的时间、执行繁复的操作，本说明书实施例，可以通过图1所示的应用场景中的服务器预测用户在当前时刻的下一次行为，该行为可以反映用户当前时刻的意图，用于解决用户遇到的问题。

为了预测用户行为，服务器可以预先通过各用户侧设备内安装的APP上传的用户的行为序列，训练预测模型，训练好预测模型后，将训练的模型下发到用户侧设备，由用户侧设备根据训练好的预测模型，结合用户之后的行为序列，预测当前时刻的下一次行为，并提供用于实现所预测的下一次行为的快捷操作方式，无需用户侧设备的用户求助客服或者输入与用户遇到的问题相关的信息，即可快速解决其问题，也无需用户反复尝试点击APP的各种页面和菜单。

实际应用中，如图1所示，装设有APP1的用户侧设备1和装设有APP2的用户侧设备2分别通过步骤J311、J321，记录用户的行为信息到本地用户行为日志，生成用户的行为记录，如图1中所示的表1和表2，行为信息可以是用户每个时刻的行为对应的行为标识，行为标识按时间先后排序，构成的行为序列，如图中所示的A1A2A3A4A5......、B1B2B3B4B5......，某些例子中，行为对应的行为标识可以根据具体的APP类型、以及应用场景的类目体系，设置用户的各类行为对应的行为标识，由APP开发人员在做埋点日志时就预先定义好。比如：支付宝APP中，10000代表转账行为，其他例子中，还可以通过其他符号作为用户标识，本说明书实施例对此不做限制。

生成用户行为记录的一定时段后，实时或在满足预定的行为上传条件时(用户触发上传按钮或到达预定上传时间，可以确定满足预定的行为记录上传条件)，用户侧设备1和用户侧设备2分别通过步骤J112与J113、J122与J123，可以分别从本地日志读取用户的行为信息，然后按时间顺序排序，构成行为序列，并分别上传到服务器，而后服务器执行步骤J101，基于训练好的预测模型，结合刚接收的行为序列分别预测用户1和用户2的需求，再分别通过步骤J114和J124将预测的需求下发到用户侧设备1和用户侧设备2。

在另一例子中，用户侧设备记录用户的行为信息到本地用户行为日志，除预定的行为标识外，生成的用户的行为记录还可以是描述用户每个时刻的行为的其他字符信息，满足预定的行为上传条件时，用户侧设备可以按照记录时间由晚到早的顺序，从本地存储的用户行为日志，读取当前时刻之前的至少两项行为记录；根据用户行为与行为标识间的预定对应关系，确定所读取的每项记录所记录的历史行为对应的行为标识；将确定的行为标识按照读取顺序排序，构成该用户的行为序列。然后向服务器上传。

在其他例子中，用户侧设备还可以直接将用户的行为记录上传到服务器，由服务器根据历史行为与行为标识间的预定对应关系，确定所读取的每项记录所记录的历史行为对应的行为标识；将确定的行为标识按照读取顺序排序，构成该用户的行为序列。

综上可知，图1所示的应用场景中的服务器将预测模型下发到用户侧设备后，本说明书公开的方案可以直接在用户侧获得用户的行为序列；然后通过存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测，再根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式，无需用户进行繁复的操作，通过提供的快捷操作方式可以快速完成用户需要执行的操作。以下结合附图详细说明本说明书的提供用户快捷操作的过程。

请参阅图2A，图2A是本说明书一示例性实施例示出的提供用户快捷操作的方法的流程图，该方法应用于用户侧设备，可以包括以下步骤S201-S203：

步骤S201、获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息。

步骤S202、将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测。

步骤S203、根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

本说明书实施例，可以应用于装设有预设应用程序的设备，也可以安装于其他设备，该其他设备可以通过数据线或者其他不受网络流量影响的连接方式，与装设有预设应用程序的设备连接。这里的预设应用程序可以是设备的操作系统自带的应用程序，如：智能手机自带的语音助手，也可以是第三方开发的各种应用程序。

针对设备的操作系统自带的应用程序，记录用户的行为信息时，可以实时检测并记录用户对操作界面本身的行为信息，这里提到的行为信息可以指描述用户对操作界面的滑动、移动、添加、删除、切换等操作的字符信息，记录用户的行为信息时，也可实时检测并记录用户对操作界面所含控件的行为信息，这里提到的行为信息可以指描述用户对操作界面所含控件的触击、删除等操作的字符信息；记录用户的行为信息时，还可以实时检测并记录用户对设备的快捷键的行为信息。快捷键如home键、返回键、调音键等等。

针对第三方开发的各种应用程序(APP)，记录用户的行为信息时，可以实时检测并记录用户对APP的各界面整体的行为信息，还可实时检测并记录用户对APP的各界面所含控件的行为信息。例如：用户在APP的界面的浏览、对控件的点击等行为信息。

在用户侧做好用户的行为记录后，考虑到用户行为可以反映用户意图，为便于及时预测用户意图，本说明书实施例可以从用户行为日志中读取用户在当前时刻之前的预定项数的行为信息，这里提到的行为信息可以是可以表征用户的历史行为的行为标识，也可以是描述描述用户的历史行为的其他字符信息。所读取的行为信息的项数可以由本方案的设计人员根据具体的应用场景设置，如预定应用程序为语音客服时，读取的行为信息的数目可以设置为6项，其他例子中，还可以将读取的行为信息的数目设置为其他数值，本说明书实施例对此不做限制。

读取到用户的行为信息后，为了基于用户的行为信息得到能有效反应用户当前时刻的意图的下一次行为，可以将读取的行为信息转换为行为序列输入到存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测。这里提到的预测模型可以是图1涉及的实施例中提到的预测模型，由服务器根据用户侧设备的用户行为日志中的行为信息训练所得。在其他例子中，存储于本地的预测模型也可以由除服务器外的其他设备训练所得，本说明书实施例对此不做限制。

服务器在训练预测模型时，可以训练一个适用性较广的预测模型，该预测模型适用于多种用户、多种应用程序，此外，考虑到用户侧设备的数据存储量和/或数据处理速度低于服务器，还可以训练与用户侧设备的数据存储量和/或数据处理速度匹配的预测模型，加快预测模型的行为预测速度。

为了训练出能加快行为预测速度的预测模型，服务器可以对适用于多种用户、多种应用程序的预测模型进行压缩，实际压缩所时，可以将对模型效果影响小的特征删掉，或者保留对模型效果影响大的前N个特征，将模型的容量压缩到一定范围内。

此外，还可以针对不同类型的用户侧设备的实际情况，训练出既能加快预测速度，又分别与不同类型的用户侧设备匹配的预测模型。用户侧设备的类型由用户侧设备的应用类型(APP的类型)和/或用户特征决定，比如：安装有数据搜索应用的设备为一类用户侧设备，安装有导航应用的设备为另一类用户侧设备；再比如：安装有数据搜索应用、用户为30到40岁的设备为一类用户侧设备，安装有数据搜索应用、用户为20到30岁的设备为另一类用户侧设备。

与某类用户侧设备匹配的预测模型中包含的特征，可以由该类用户侧设备的应用类型、该类用户侧设备的用户特征和该类用户侧设备的用户行为日志中的至少一项确定。其中，用户侧设备的应用类型可以指用户侧设备已安装的应用程序的类型，也可以指待安装的应用程序的类型；用户特征可以包括包括用户的年龄、姓别、学历、职业、收入、习惯、偏好等特征。

在某些例子中，训练与某类用户侧设备匹配的预测模型的步骤可以由如图1所示的服务器执行，训练后的预测模型再由所述服务器下发到用户侧设备，以下描述预测模型的训练步骤：

获取同类用户侧设备的用户的行为序列，该序列所含的N+1项行为信息按时间从早到晚的顺序排序，N为大于1的自然数。

将所采集的行为序列划分为训练样本和测试样本。

将所述训练样本中每个用户的行为序列中前N项行为信息，作为训练序列分别输入预定的预测模型进行训练。

基于所述训练样本中每个用户的行为序列中第N+1项行为信息和训练预测模型所得的概率分布向量，该概率分布向量包含所述训练序列映射到各行为的概率，得到训练后的预测模型。

将测试样本集中每个用户的行为序列中前N项行为信息，作为测试序列输入到训练好的预测模型(即训练后的模型参数)，得到预测模型输出的概率分布向量，该概率分布向量包含所述测试序列映射到各行为的概率。

基于测试预测模型所得概率分布向量、测试样本集中每个用户的行为序列中第N+1项行为信息，评价预测模型的预测准确率。

进而，还可以利用增删模型特征、调整正负样本比例、网格搜索模型超参数等方式重复上述训练过程，筛选出在测试集上表现最优的模型。

此外，还可以利用AUC、F1SCORE等模型评价指标衡量预测模型的预测准确率。

其中，获取同类用户侧设备的用户的行为序列时，可以通过用户侧设备内安装的应用程序记录并传送用户的行为信息，其他实施例中，还可以采用其他方式获取行为序列，本说明书对此不做限制。

上述预测模型是对按时间早晚排序所得的行为序列进行处理，为了提高处理效率，可以选取比较擅长处理按时间排序生成的行为序列的模型，例如，可以选取以下任一种模型或至少两种模型的组合为所述预测模型：

长短期记忆模型，梯度提升决策树，逻辑回归模型。

当预测模型为长短期记忆模型LSTM模型(长短期记忆模型)时，模型可包括一输入层、一embedding+dropout层、一lstm+dropout层、一全连接的预测层、一softmax损失层及一accuracy计算层。预测模型为长短期记忆模型LSTM时，通过压缩模型，训练好的长短期记忆模型LSTM的容量可以小于30M。

在其他例子中，训练预测模型的步骤可以由服务器之外的其他设备执行，训练预测模型的方式，还可以采取本领域的其他技术手段。在训练预测模型时，可以根据模型的评价指标确定模型的概率阈值。这样实际预测用户在当前时刻的下一次行为时，如果用户的行为序列映射到某行为的概率大于该阈值时，则判定该行为是用户当前时刻的下一次行为。如果有映射到多个行为的概率均大于阈值，则确定概率最大的那个行为是用户当前时刻的下一次行为。在其他例子中，还可以通过其他方式，基于所述概率分布向量，将概率满足预定的预测条件的行为确定为用户在当前时刻的下一次行为，例如：将概率最大的行为确定成满足预定的预测条件的行为。

训练好预测模型后，服务器可以将训练好的预测模型下发到用户侧设备，由用户侧设备存储到其本地，在需要预测用户行为时，直接获取用户的行为序列，通过存储在本地的预测模型进行行为预测，预测结果可以是预测值大于阈值的行为，某些例子中，预测值可以是用户的行为序列映射到用户行为的概率，阈值可以是概率阈值。

实际应用中，下发预测模型时，服务器可以在接收到用户侧设备请求安装应用程序时，将所述预测模型与请求安装的应用程序打包下发到所述用户侧设备发到所述用户侧设备。也可以单独将预测模型下发到用户侧设备。此外，服务器在检测到所述预测模型被更新后，还可以将更新后的预测模型下发到所述用户侧设备。

如果服务器在训练预测模型时，针对不同类型的用户侧设备的实际情况，训练出与某类用户侧设备匹配的预测模型，可以将训练出的各预测模型分别与各类用户侧设备的应用类型、用户特征、用户行为日志中的至少一项对应存储，在下发时，可以根据待接收预测模型的用户侧设备的应用类型、用户特征和用户行为日志中的至少一项，从各种预测模型中选取出待下发的预测模型。

将预测模型下发到用户侧设备后，用户侧设备可以马上、或者在预定的行为预测时间、或者响应用户触发，利用预测模型启动预测用户行为的程序。某些例子中，在启动预测用户行为的程序后，可以按照记录时间从本地存储的用户行为日志中，读取当前时刻之前的预定项数的行为记录；根据用户行为与行为标识间的预定对应关系，确定所读取的每项记录所记录的历史行为对应的行为标识；将确定的行为标识按照记录时间排序，构成该用户的行为序列。其中，读取时可以按记录时间由晚到早的顺序读取。在其他例子中，也可以不按时间顺序顺次读取，生成行为标识后按时间顺序排序，也可以得到时间序列。

某些例子，用户侧设备所存储的预测模型可以是训练好的LSTM模型，假设用户在t₀，t₁，t₂，…，t_n-1时刻的行为标识分别为将这些时刻的标识按时间早晚排序后，构成用户的行为序列，将该序列输入训练好的LSTM模型进行计算，得到概率分布向量，该概率分布向量包含所述行为序列映射到各行为的概率。

此外，由于用户当前时刻的下一次行为可以反映用户当前时刻可能遇到的问题，某些例子中，本方案可以将概率分布向量作为预测的各行为，反映用户t_n时刻可能遇到的各问题需要解答的分值，计算公式可以如下：

如果用户在t_n时刻又产生了行为则可以通过预测模型对最新的n(n为大于2的自然数)个行为标识组成的行为序列进行计算，获得反映用户t_n+1时刻可能遇到的各问题需要解答的分值：

预测模型输出概率分布向量，本方案可以基于所述概率分布向量，将概率满足预定的预测条件的行为确定为用户在当前时刻的下一次行为。

实际确定用户当前时刻的下一次行为时，可以根据不同的预测条件采用不同的确定方式，某些例子中，可以通过以下操作基于所述概率分布向量，将概率满足预定的预测条件的行为确定为用户在当前时刻的下一次行为：

比较所述行为序列映射到各行为的概率与预定的概率阈值的大小关系。

如果所述行为序列映射到任一行为的概率大于所述概率阈值，则确定所述任一行为满足预定的预测条件。

其中，预定的预测条件和概率阈值，均可以由本方案的设计人员根据实际的应用场景设定，例如：设定概率阈值为80％。

确定用户当前时刻的下一次行为后，鉴于所预测的下一次行为可以反映用户当前时刻的需求或遇到的问题，可以根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式，进而基于该快捷操作方式满足用户当前时刻的需求或解决用户遇到的问题。

某些例子中，在根据预测结果，提供快捷操作方式时，可以节省用户进行下一次行为所需执行的操作，直接提供能快速执行所预测的下一次行对应的命令的方式，例如：显示快速响应所预测的下一次行为对应的命令的按钮，还可以直接启动所预测的下一次行为对应的软件程序的方式，例如：直接跳转到所预测的下一次行为对应的页面。

此外，在提供快捷操作方式时，还可以先输出用于描述所预测的下一次行为的字符信息、以及表示预测正确与否的按钮，用户确认后，再直接启动所预测的下一次行为对应的软件的方式。某些例子中，可以通过以下操作根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式：

确定与所预测的下一次行为相关的搜索关键词。

将所确定的搜索关键词添加到搜索框。

其中，可以预先设定各种行为与其搜索关键词之间的对应关系，如：将各种行为相关的关键词设置为与该行对应的命令，或与该行为对应的软件程序。

某些场景中，可以将所预测的行为相关的关键词作为搜索输入框的占位符输出，具体可参阅图2B，图中所示APP为支付宝，所预测的行为查找“共享单车”，将“共享单车”作为占位符呈现在搜索输入框内。提示用户搜索共享单车。在其他例子中，还可以弹窗、语音等方式输出与所预测的下一次行为相关的搜索关键词，本说明书实施例对此不做限制。

以下结合图3所示的应用场景介绍本说明书实施例的提供用户快捷操作的过程。

图3所示的应用场景中的服务器，可以接收各用户侧设备内安装的APP上传的用户的行为序列，然后执行步骤J300训练预测模型，训练好预测模型后，可以执行步骤J311和J321,分别将训练好的预测模型下发到用户侧设备1和用户侧设备1，由用户侧设备1和用户侧设备2分别执行步骤J312和J322，存储训练好的预测模型到本地，然后由APP1和APP2分别执行步骤J313至步骤J315、步骤J323至步骤J323至步骤J325，从本地日志存储的用户行为记录中，按时间早晚顺序读取当前时刻之前的至少两项行为信息，组成用户的行为序列，然后将行为序列输入本地存储的预测模型，预测出用户当前时刻的下一次行为，再提供用于实现所述下一次行为的快捷操作方式，无需用户侧设备的用户求助于客服或者将与问题相关的信息输入到搜索页面，即可快速解决用户需求，也无需用户反复尝试点击APP的各种页面和菜单。

此外，用户侧设备1和用户侧设备2还可以分别执行步骤J316和J326，将本地日志新存储的用户行为信息上传到服务器，由服务器继续根据上传的用户行为信息更新预测模型，并请求服务器将更新的预测模型下发到用户侧。

与前述方法的实施例相对应，本说明书还提供了装置的实施例。

参见图4，图4是本说明书一示例性实施例示出的提供用户快捷操作的装置的逻辑框图，该装置400应用于用户侧设备，可以包括：序列获取模块410、行为预测模块420和操作提供模块430。

其中，序列获取模块410，用于获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息。

行为预测模块420，用于将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测。

操作提供模块430，用于根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

一些例子中，操作提供模块430可以包括：

关键词确定模块，用于确定与所预测的下一次行为相关的搜索关键词；

搜索信息输入模块，用于将所确定的搜索关键词添加到搜索框。

另一些例子中，序列获取模块410可以包括：

行为记录读取模块，用于按照记录时间从本地存储的用户行为日志中，读取当前时刻之前的预定项数的行为记录；

行为标识确定模块，用于根据用户行为与行为标识间的预定对应关系，确定所读取的每项记录所记录的用户行为对应的行为标识；

序列构成模块，用于将确定的行为标识按照记录时间排序，构成该用户的行为序列。

另一些例子中，行为预测模块420可以包括：

序列计算模块，用于将所述行为序列输入存储于本地的预测模型进行计算；

向量获取模块，用于获取所述预测模型计算所得的概率分布向量，所述概率分布向量包含所述行为序列映射到各行为的概率；

行为确定模块，用于基于所述概率分布向量，将概率满足预定的预测条件的行为确定为用户在当前时刻的下一次行为。

作为例子，所述行为确定模块可以包括：

概率比较模块，用于比较所述行为序列映射到各行为的概率与预定的概率阈值的大小关系；

所述行为确定模块，还用于在所述行为序列映射到任一行为的概率大于所述概率阈值时，确定所述任一行为满足预定的预测条件。

另一些例子中，所述预测模型由服务器下发到所述用户侧设备。

作为例子，所述服务器在接收到所述用户侧设备的应用安装请求时，将所述预测模型与请求安装的应用程序打包下发到所述用户侧设备发到所述用户侧设备。

作为例子，所述服务器在检测到所述预测模型被更新后，将更新后的预测模型下发到所述用户侧设备。

作为例子，所述服务器在向所述用户侧设备下发预测模型前，根据以下至少一项从多个预测模型中选取待下发的预测模型：

所述用户侧设备的应用类型；

所述用户侧设备的用户特征；

所述用户侧设备的用户行为日志。

另一些例子中，所述预测模型为长短期记忆模型。

上述装置中各个单元(或模块)的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元或模块可以是或者也可以不是物理上分开的，作为单元或模块显示的部件可以是或者也可以不是物理单元或模块，即可以位于一个地方，或者也可以分布到多个网络单元或模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本说明书的提供用户快捷操作的装置的实施例可以应用在电子设备上。具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现中，电子设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备、互联网电视、智能机车、无人驾驶汽车、智能冰箱、其他智能家居设备或者这些设备中的任意几种设备的组合。

装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器等可读介质中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本说明书提供用户快捷操作的装置所在电子设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。

在一个实施例中，电子设备的存储器可以存储处理器可执行程序指令；处理器可以耦合存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如下操作：获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

在其他例子中，处理器所执行的操作可以参考上文方法实施例中相关的描述，在此不予赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (10)

1.一种提供用户快捷操作的方法，应用于用户侧设备，所述方法包括：

获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；

将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；

根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

2.根据权利要求1所述的方法，所述根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式，包括：

确定与所预测的下一次行为相关的搜索关键词；

将所确定的搜索关键词添加到搜索框。

3.根据权利要求1所述的方法，所述获得用户的行为序列，包括：

按照记录时间从本地存储的用户行为日志中，读取当前时刻之前的预定项数的行为记录；

根据用户行为与行为标识间的预定对应关系，确定所读取的每项记录所记录的用户行为对应的行为标识；

将确定的行为标识按照记录时间排序，构成该用户的行为序列。

4.根据权利要求1所述的方法，所述预测结果为预测值大于阈值的行为。

5.根据权利要求1至4中任一项所述的方法，所述预测模型为长短期记忆模型。

6.一种提供用户快捷操作的装置，应用于用户侧设备，所述装置包括：

序列获取模块，用于获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；

行为预测模块，用于将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；

操作提供模块，用于根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。

7.根据权利要求6所述的装置，所述操作提供模块包括：

关键词确定模块，用于确定与所预测的下一次行为相关的搜索关键词；

搜索信息输入模块，用于将所确定的搜索关键词添加到搜索框。

8.根据权利要求6所述的装置，所述序列获取模块包括：

行为记录读取模块，用于按照记录时间从本地存储的用户行为日志中，读取当前时刻之前的预定项数的行为记录；

行为标识确定模块，用于根据用户行为与行为标识间的预定对应关系，确定所读取的每项记录所记录的用户行为对应的行为标识；

序列构成模块，用于将确定的行为标识按照记录时间排序，构成该用户的行为序列。

9.根据权利要求6至8中任一项所述的装置，所述预测模型为长短期记忆模型。

10.一种电子设备，包括：

处理器；

存储处理器可执行指令的存储器；

其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如下操作：

获得用户的行为序列，其中，所述行为序列包括当前时刻之前的行为信息；

将所述行为序列输入存储于本地的预测模型，对用户在当前时刻的下一次行为进行预测；

根据预测结果，提供用于实现所预测的下一次行为的快捷操作方式。