CN106611100A - 一种用户行为分析方法和装置 - Google Patents

Abstract

本发明实施例公开了一种用户行为分析方法，包括：分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。本发明实施例还公开了一种用户行为分析装置。采用本发明实施例，可以在时间线上动态地分析用户行为，从而提高用户行为分析的准确性。

Description

一种用户行为分析方法和装置

技术领域

本发明涉及电子技术领域，尤其涉及一种用户行为分析方法和装置。

背景技术

随着科学技术的发展，目前越来越多的用户使用智能穿戴设备，在完全陌生的环境中，用户希望使用智能穿戴设备关注身边的人，如果对方分享自己的用户行为，就可以使用智能穿戴设备中的微信、QQ等社交软件完成陌生人的行为分析和互动交流，从而达到了解对方过去做过什么，现在做什么以及将来会做什么，并确定多个用户之间的行为相似性。但是，现有大部分社交软件需要用户加入朋友圈或者查看其他用户简介才能了解身边的其他用户，没考虑到对陌生人社交的需求，并且这些软件没有在时间线上动态分析用户行为，因此，现有分析用户行为的方法准确性不高。

发明内容

本发明实施例提供一种用户行为分析方法和装置。可以在时间线上动态地分析用户行为，从而提高用户行为分析的准确性。

本发明第一方面提供了一种用户行为分析方法，包括：

分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；

根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；

根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

在第一方面的第一种可能的实现方式中，所述分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息包括:

分别获取所述第一用户的定位信息以及所述第二用户的定位信息；

根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息包括：

根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；

若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

在第一方面的第三种可能的实现方式中，所述根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力包括：

将所述第一用户作为用户网络中的第一节点，以及将所述第二用户作为所述用户网络中的第二节点；

基于所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，将所述第一节点转化为第一向量以及所述第二节点转化为第二向量；

根据转化得到的所述第一向量以及所述第二向量，通过预设的行为影响力函数计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

结合第一方面以及第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力包括：

根据所述第一行为信息确定在所述时间段内的目标时间点上所述第一用户执行目标事件的第一概率，以及根据所述第二行为信息确定在所述目标时间点上所述第二用户执行所述目标事件的第二概率；

根据所述第一概率、所述第二概率以及预设的行为影响力函数，计算在所述目标时间点上的所述第一用户与所述第二用户之间的行为影响力。

在第一方面的第五种可能的实现方式中，所述第一用户与所述第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。

相应地，本发明第二方面提供了一种用户行为分析装置，包括：

信息获取模块，用于分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；

信息计算模块，用于根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；

信息确定模块，用于根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

在第二方面的第一种可能的实现方式中，所述信息获取模块包括:

第一获取单元，用于分别获取所述第一用户的定位信息以及所述第二用户的定位信息；

第二获取单元，用于根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述第二获取单元具体用于：

根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；

若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

在第二方面的第三种可能的实现方式中，所述信息计算模块具体用于：

将所述第一用户作为用户网络中的第一节点，以及将所述第二用户作为所述用户网络中的第二节点；

基于所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，将所述第一节点转化为第一向量以及所述第二节点转化为第二向量；

根据转化得到的所述第一向量以及所述第二向量，通过预设的行为影响力函数计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

结合第二方面以及第二方面的第三种可能的实现方式，在第二方面的第四种可能的实现方式中，所述信息计算模块具体用于：

根据所述第一行为信息确定在所述时间段内的目标时间点上所述第一用户执行目标事件的第一概率，以及根据所述第二行为信息确定在所述目标时间点上所述第二用户执行所述目标事件的第二概率；

根据所述第一概率、所述第二概率以及预设的行为影响力函数，计算在所述目标时间点上的所述第一用户与所述第二用户之间的行为影响力。

在第二方面的第五种可能的实现方式中，所述第一用户与所述第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。

实施本发明实施例，首先分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；然后根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；最后根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度，从而可以在时间线上动态地分析用户行为，提高用户行为分析的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提出的一种用户行为分析方法的第一实施例的流程图；

图2是本发明实施例提供的一种行为信息分享示意图；

图3是本发明实施例提供的一种行为影响力计算模型示意图；

图4是本发明提出的一种用户行为分析方法的第二实施例的流程图；

图5是本发明实施例提出的一种用户行为分析装置的结构示意图；

图6是本发明实施例提供的装置中信息获取模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1是本发明提出的一种用户行为分析方法的第一实施例的流程图。如图所示，本发明实施例的执行主体可以为智能穿戴设备，本发明实施例中的方法包括：

S101，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。其中，第一行为信息可以包括多个时间点以及每个时间点对应的第一用户的执行事件，第二行为信息可以包括多个时间点以及每个时间点对应的第二用户的执行事件。

具体实现中，首先其他用户终端可以将第一用户的第一行为信息和定位信息，以及将第二用户的第二行为信息和定位信息分享到网络服务器，然后智能穿戴设备分别获取所述第一用户的定位信息以及所述第二用户的定位信息；根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

进一步的，可以根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息，若所述第一用户以及所述第二用户不在所述预设范围内，则继续搜索。其中，预设范围可以为方圆10米范围或者方圆20米范围。需要说明的是，智能穿戴设备设备不局限仅获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息，还可以获取其他多个用户在所述时间段内的行为信息，并对其他多个用户的行为信息进行分析。

例如：如图2所示，陌生人A以及陌生人B分别将自身时间线分享到网络服务器，智能穿戴设备分别获取陌生人A的时间线A、以及获取陌生人B的时间线B，时间线A上分别包括陌生人A在多个时间点上的执行事件，时间线B上包括陌生B在多个时间点上的执行事件。

S102，根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

具体实现中，可以将所述第一用户作为用户网络中的第一节点，以及将所述第二用户作为所述用户网络中的第二节点；基于所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，将所述第一节点转化为第一向量以及所述第二节点转化为第二向量；根据转化得到的所述第一向量以及所述第二向量，通过预设的行为影响力函数计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

例如：如图3所示，首先通过g(v1，y1，z)将用户节点V1转化为向量y1，通过g(v2，y2，z)将用户节点V2转化为向量y2,通过g(v3，y3，z)将用户节点V3转化为向量y3,通过g(v4，y4，z)将用户节点V4转化为向量y4，然后通过f(y1，y2，z)计算向量y1与向量y2之间的行为影响力，通过f(y1，y3，z)计算向量y1与向量y3之间的行为影响力，通过f(y2，y4，z)计算向量y2与向量y4之间的行为影响力，其中，z为时间段内的任何时间点。需要说明的是，各个节点是在并行模式下运行，因此各个节点可以同时传递信息，从而可以提高运算的效率。

S103，根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

具体实现中，第一用户与第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。从上述行为相似度计算公式可以分析出第一用户以及第二用户在时间段内各个时间点上的行为相似度，行为相似度随着时间的变化而变化，从而更加准确地对用户行为进行分析。

在本发明实施例中，首先分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；然后根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；最后根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度，从而可以在时间线上动态地分析用户行为，提高用户行为分析的准确性。

请参考图4，图4是本发明提出的一种用户行为分析方法的第二实施例的流程图。如图所示，本发明实施例中的方法包括：

S401，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

具体实现中，首先其他用户终端可以将第一用户的第一行为信息和定位信息，以及将第二用户的第二行为信息和定位信息分享到网络服务器，然后智能穿戴设备分别获取所述第一用户的定位信息以及所述第二用户的定位信息；根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

进一步的，可以根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息，若所述第一用户以及所述第二用户不在所述预设范围内，则继续搜索。其中，预设范围可以为方圆10米范围或者方圆20米范围。需要说明的是，智能穿戴设备设备不局限仅获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息，还可以获取其他多个用户在所述时间段内的行为信息，并对其他多个用户的行为信息进行分析。

例如：如图2所示，陌生人A以及陌生人B分别将自身时间线分享到网络服务器，智能穿戴设备分别获取陌生人A的时间线A、以及获取陌生人B的时间线B，时间线A上分别包括陌生人A在多个时间点上的执行事件，时间线B上包括陌生B在多个时间点上的执行事件。

S402，根据所述第一行为信息确定在所述时间段内的目标时间点上所述第一用户执行目标事件的第一概率，以及根据所述第二行为信息确定在所述目标时间点上所述第二用户执行所述目标事件的第二概率。

具体实现中，可以对所述时间段内第一用户的第一行为信息进行统计，确定第一用户执行目标事件的第一频率进而计算出在目标时间点上执行目标事件的第一概率，对所述时间段内的第二行为信息进行统计，确定在第二用户执行目标事件的第二频率进而计算出在目标时间点上执行目标事件的第二概率。

S403，根据所述第一概率、所述第二概率以及预设的行为影响力函数，计算在所述目标时间点上的所述第一用户与所述第二用户之间的行为影响力。

S404，根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

具体实现中，第一用户与第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。从上述行为相似度计算公式可以分析出第一用户以及第二用户在时间段内各个时间点上的行为相似度，行为相似度随着时间的变化而变化，从而更加准确地对用户行为进行分析。

在本发明实施例中，首先分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；然后根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；最后根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度，从而可以在时间线上动态地分析用户行为，提高用户行为分析的准确性。

请参考图5，图5是本发明实施例提出的一种用户行为分析装置的结构示意图。如图所示，本发明实施例中的装置包括：

信息获取模块501，用于分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

具体实现中，如图6所示，信息获取模块501可以进一步包括：

第一获取单元601，用于分别获取所述第一用户的定位信息以及所述第二用户的定位信息。具体的，首先其他用户终端可以将第一用户的第一行为信息和定位信息，以及将第二用户的第二行为信息和定位信息分享到网络服务器，然后智能穿戴设备分别获取所述第一用户的定位信息以及所述第二用户的定位信息

第二获取单元602，用于根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

进一步的，可以根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息，若所述第一用户以及所述第二用户不在所述预设范围内，则继续搜索。其中，预设范围可以为方圆10米范围或者方圆20米范围。需要说明的是，智能穿戴设备设备不局限仅获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息，还可以获取其他多个用户在所述时间段内的行为信息，并对其他多个用户的行为信息进行分析。

例如：如图2所示，陌生人A以及陌生人B分别将自身时间线分享到网络服务器，智能穿戴设备分别获取陌生人A的时间线A、以及获取陌生人B的时间线B，时间线A上分别包括陌生人A在多个时间点上的执行事件，时间线B上包括陌生B在多个时间点上的执行事件。

信息计算模块502，用于根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

具体实现中，可以将所述第一用户作为用户网络中的第一节点，以及将所述第二用户作为所述用户网络中的第二节点；基于所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，将所述第一节点转化为第一向量以及所述第二节点转化为第二向量；根据转化得到的所述第一向量以及所述第二向量，通过预设的行为影响力函数计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

例如：如图3所示，首先通过g(v1，y1，z)将用户节点V1转化为向量y1，通过g(v2，y2，z)将用户节点V2转化为向量y2,通过g(v3，y3，z)将用户节点V3转化为向量y3,通过g(v4，y4，z)将用户节点V4转化为向量y4，然后通过f(y1，y2，z)计算向量y1与向量y2之间的行为影响力，通过f(y1，y3，z)计算向量y1与向量y3之间的行为影响力，通过f(y2，y4，z)计算向量y2与向量y4之间的行为影响力，z为时间段内的任何时间点。需要说明的是，各个节点是在并行模式下运行，因此各个节点可以同时传递信息，从而提高运算的效率。

可选的，可以根据所述第一行为信息确定在所述时间段内的目标时间点上所述第一用户执行目标事件的第一概率，以及根据所述第二行为信息确定在所述目标时间点上所述第二用户执行所述目标事件的第二概率。根据所述第一概率、所述第二概率以及预设的行为影响力函数，计算在所述目标时间点上的所述第一用户与所述第二用户之间的行为影响力。具体的，可以对所述时间段内第一用户的第一行为信息进行统计，确定第一用户执行目标事件的第一频率进而计算出在目标时间点上执行目标事件的第一概率，对所述时间段内的第二行为信息进行统计，确定在第二用户执行目标事件的第二频率进而计算出在目标时间点上执行目标事件的第二概率，从而最终计算出行为影响力。

信息确定模块503，用于根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

具体实现中，第一用户与第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。从上述行为相似度计算公式可以分析出第一用户以及第二用户在时间段内各个时间点上的行为相似度，行为相似度随着时间的变化而变化，从而更加准确地对用户行为进行分析。

在本发明实施例中，首先分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；然后根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；最后根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度，从而可以在时间线上动态地分析用户行为，提高用户行为分析的准确性。

需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本发明实施例所提供的内容下载方法及相关设备、系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种用户行为分析方法，其特征在于，所述方法包括：

分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；

根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；

根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

2.如权利要求1所述的方法，其特征在于，所述分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息包括:

分别获取所述第一用户的定位信息以及所述第二用户的定位信息；

根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

3.如权利要求2所述的方法，其特征在于，所述根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息包括：

根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；

若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

4.如权利要求1所述的方法，其特征在于，所述根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力包括：

将所述第一用户作为用户网络中的第一节点，以及将所述第二用户作为所述用户网络中的第二节点；

基于所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，将所述第一节点转化为第一向量以及所述第二节点转化为第二向量；

根据转化得到的所述第一向量以及所述第二向量，通过预设的行为影响力函数计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

5.如权利要求1或4所述的方法，其特征在于，所述根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力包括：

根据所述第一行为信息确定在所述时间段内的目标时间点上所述第一用户执行目标事件的第一概率，以及根据所述第二行为信息确定在所述目标时间点上所述第二用户执行所述目标事件的第二概率；

根据所述第一概率、所述第二概率以及预设的行为影响力函数，计算在所述目标时间点上的所述第一用户与所述第二用户之间的行为影响力。

6.如权利要求1所述的方法，其特征在于，所述第一用户与所述第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度 ${\mathrm{\&lambda;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}\left(t\right)=\frac{1}{1+e^{-({\mathrm{\&gamma;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}^t+{\mathrm{\&delta;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}^t)}}+{\mathrm{\&theta;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}\underset{t_i^{\mathrm{\&alpha;}\mathrm{\&beta;}}<t}{\&Sigma;}{\mathrm{\&omega;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}{e}^{-{\mathrm{\&omega;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}(t-t_i^{\mathrm{\&alpha;}\mathrm{\&beta;}})},$ 其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。

7.一种用户行为分析装置，其特征在于，所述装置包括：

信息获取模块，用于分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息；

信息计算模块，用于根据所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力；

信息确定模块，用于根据所述在所述时间段内所述第一用户与所述第二用户之间的行为影响力，确定在所述时间段内所述第一用户与所述第二用户之间的行为相似度。

8.如权利要求7所述的装置，其特征在于，所述信息获取模块包括:

第一获取单元，用于分别获取所述第一用户的定位信息以及所述第二用户的定位信息；

第二获取单元，用于根据所述第一用户的定位信息以及所述第二用户的定位信息，分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

9.如权利要求8所述的装置，其特征在于，所述第二获取单元具体用于：

根据所述第一用户的定位信息以及所述第二用户的定位信息，分别确定所述第一用户以及所述第二用户是否在预设范围内；

若所述第一用户以及所述第二用户在所述预设范围内，则分别获取第一用户在时间段内的第一行为信息以及第二用户在所述时间段内的第二行为信息。

10.如权利要求7所述的装置，其特征在于，所述信息计算模块具体用于：

将所述第一用户作为用户网络中的第一节点，以及将所述第二用户作为所述用户网络中的第二节点；

基于所述第一用户在所述时间段内的所述第一行为信息以及所述第二用户在所述时间段内的所述第二行为信息，将所述第一节点转化为第一向量以及所述第二节点转化为第二向量；

根据转化得到的所述第一向量以及所述第二向量，通过预设的行为影响力函数计算在所述时间段内所述第一用户与所述第二用户之间的行为影响力。

11.如权利要求7或10所述的装置，其特征在于，所述信息计算模块具体用于：

根据所述第一行为信息确定在所述时间段内的目标时间点上所述第一用户执行目标事件的第一概率，以及根据所述第二行为信息确定在所述目标时间点上所述第二用户执行所述目标事件的第二概率；

根据所述第一概率、所述第二概率以及预设的行为影响力函数，计算在所述目标时间点上的所述第一用户与所述第二用户之间的行为影响力。

12.如权利要求7所述的装置，其特征在于，所述第一用户与所述第二用户之间的行为影响力包括所述第一用户对所述第二用户的行为影响力以及所述第二用户对所述第一用户的行为影响力，所述行为相似度 ${\mathrm{\&lambda;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}\left(t\right)=\frac{1}{1+e^{-({\mathrm{\&gamma;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}^t+{\mathrm{\&delta;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}^t)}}+{\mathrm{\&theta;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}\underset{t_i^{\mathrm{\&alpha;}\mathrm{\&beta;}}<t}{\&Sigma;}{\mathrm{\&omega;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}{e}^{-{\mathrm{\&omega;}}_{\mathrm{\&alpha;}\mathrm{\&beta;}}(t-t_i^{\mathrm{\&alpha;}\mathrm{\&beta;}})},$ 其中，为在所述目标时间点上所述第一用户对所述第二用户的行为影响力，为在所述目标时间点上所述第二用户对所述第一用户的行为影响力，θ_αβ为比例系数，ω_αβ为所述第一用户与所述第二用户之间的影响力强度函数。