CN106776757A - 用户完成网银操作的指示方法及装置 - Google Patents

Abstract

本发明提供了一种用户完成网银操作的指示方法及装置，包括：构建用于预测用户操作网银行为的概率模型；根据用户操作网银行为的历史数据和用户特征构建行为特征库；根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。与现有技术相比，采用本发明方法使得银行系统不再是单纯提供触发式的服务，而是可以根据用户的以往网银操作行为分析出用户最需要的服务，引导用户发现自己感兴趣的网银交易功能，从而节省用户的时间，提高用户体验。

Description

用户完成网银操作的指示方法及装置

技术领域

本发明涉及数据挖掘技术领域，特别涉及一种用户完成网银操作的指示方法及装置。

背景技术

银行开发出众多网银交易功能，使得网银菜单日趋繁多，但是目前各银行的网上银行交易多以用户主动触发的形式完成，银行系统不能引导用户发现自己感兴趣的网银交易功能，用户只能在海量的交易菜单中找到自己需要的交易名称，即便有树状索引菜单，找到目标交易也需要两到三步，这样会浪费用户大量的时间，使得用户体验不好。

发明内容

本发明实施例提供了一种用户完成网银操作的指示方法，可以引导用户发现自己感兴趣的网银交易功能，节省用户的时间，提高用户体验。该方法包括：

构建用于预测用户操作网银行为的概率模型；

根据用户操作网银行为的历史数据和用户特征构建行为特征库；所述用户操作网银行为是用户操作网银时的交易接口调用顺序和网页浏览顺序；

根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；

根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；

按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。

在一个实施例中，按照如下公式构建概率模型：

其中，T(x,y)是对所有可能状态序列的归一化函数；f_l(z_k-1,z_k,x,y)为在用户特征和当前交易节点的属性分别为x和y的情况下，由第k-1个交易节点z_k-1跳转到第k个交易节点z_k的转移特征函数；x＝{x₁,x₂,......,x_m}为m个用户特征值构成的序列，m为整数；y＝{y₁,y₂,......,y_n}为交易节点的n个属性构成的序列，n为整数；λ_l为转移特征函数的权重；p为所有交易节点的数量，p为整数，k＝1、2、……、p；l＝1、2、……、L，L为选取的转移特征函数的规模。

在一个实施例中，所述根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型，包括：

对概率模型进行变形，获得变量λ的函数L(λ)；

选取多个转移特征函数f_l；

根据函数L(λ)、多个转移特征函数f_l和行为特征库中的用户操作网银行为的历史数据和用户特征，确定多个转移特征函数f_l中的权重λ_l；

确定多个权重λ_l中使得L(λ)值最大的权重λ_l；

其中，t＝1、2、……、T，T为参与训练的行为特征库的数据规模；

将使得L(λ)值最大的权重λ_l和对应的转移特征函数f_l带入概率模型中，得到经训练的概率模型；

按照如下公式确定权重λ_l：

在一个实施例中，还包括：

根据预测结果，对所述经训练的概率模型进行优化。

在一个实施例中，所述根据预测结果，对所述经训练的概率模型进行优化，包括：

从所述行为特征库中选取多个用户操作网银行为的历史数据和用户特征进行标识，使用经训练的概率模型对所述多个用户的操作网银行为进行预测，当预测的多个用户的操作网银行为与标识过的多个用户操作网银行为的历史数据一致，则预测正确，否则为预测错误，根据预测正确的次数与预测总次数的比值确定所述经训练的概率模型的预测准确度，当预测准确度低于预设阈值时，针对预测错误的用户特征增加相应的转移特征函数f_l，对经训练的概率模型进行优化。

本发明实施例还提供了一种用户完成网银操作的指示装置，可以引导用户发现自己感兴趣的网银交易功能，节省用户的时间，提高用户体验。该装置包括：

模型构建模块，用于构建用于预测用户操作网银行为的概率模型；

行为特征库构建模块，用于根据用户操作网银行为的历史数据和用户特征构建行为特征库；所述用户操作网银行为是用户操作网银时的交易接口调用顺序和网页浏览顺序；

训练模块，用于根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；

预测模块，用于根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；

指示模块，用于按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。

在一个实施例中，所述模型构建模块具体用于：

按照如下公式构建概率模型：

其中，T(x,y)是对所有可能状态序列的归一化函数；f_l(z_k-1,z_k,x,y)为在用户特征和当前交易节点的属性分别为x和y的情况下，由第k-1个交易节点z_k-1跳转到第k个交易节点z_k的转移特征函数；x＝{x₁,x₂,......,x_m}为m个用户特征值构成的序列，m为整数；y＝{y₁,y₂,......,y_n}为交易节点的n个属性构成的序列，n为整数；λ_l为转移特征函数的权重；p为所有交易节点的数量，p为整数，k＝1、2、……、p；l＝1、2、……、L，L为选取的转移特征函数的规模。

在一个实施例中，所述训练模块具体用于：

对概率模型进行变形，获得变量λ的函数L(λ)；

选取多个转移特征函数f_l；

根据函数L(λ)、多个转移特征函数f_l和行为特征库中的用户操作网银行为的历史数据和用户特征，确定多个转移特征函数f_l中的权重λ_l；

确定多个权重λ_l中使得L(λ)值最大的权重λ_l；

其中，t＝1、2、……、T，T为参与训练的行为特征库的数据规模；

将使得L(λ)值最大的权重λ_l和对应的转移特征函数f_l带入概率模型中，得到经训练的概率模型；

按照如下公式确定权重λ_l：

在一个实施例中，还包括：

优化模块，用于根据预测结果，对所述经训练的概率模型进行优化。

在一个实施例中，所述优化模块具体用于：

从所述行为特征库中选取多个用户操作网银行为的历史数据和用户特征进行标识，使用经训练的概率模型对所述多个用户的操作网银行为进行预测，当预测的多个用户的操作网银行为与标识过的多个用户操作网银行为的历史数据一致，则预测正确，否则为预测错误，根据预测正确的次数与预测总次数的比值确定所述经训练的概率模型的预测准确度，当预测准确度低于预设阈值时，针对预测错误的用户特征增加相应的转移特征函数f_l，对经训练的概率模型进行优化。

在本发明实施例中，构建了用于预测用户操作网银的行为的概率模型、用户行为特征库，然后根据行为特征库对概率模型进行训练，获得经训练的概率模型；根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为，按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作，与现有技术相比，银行系统不再是单纯提供触发式的服务，而是可以根据用户的以往行为分析出用户最需要的服务，引导用户发现自己感兴趣的网银交易功能，从而节省用户的时间，提高用户体验。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是本发明实施例提出的一种用户完成网银操作的指示方法流程图；

图2是本发明实施例提出的一种用户完成网银操作的指示装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

现有的银行系统采用用户主动触发的形式完成网上银行交易，这样用户需要在海量的网银菜单中找到自己需要的交易名称，因此会浪费大量的时间，使得用户体验不好。基于此，本发明提出一种用户完成网银操作的指示方法及装置，可以解决现有技术中存在的问题。

图1是本发明实施例提出的一种用户完成网银操作的指示方法流程图，如图1所示，该方法包括：

步骤101：构建用于预测用户操作网银行为的概率模型；

步骤102：根据用户操作网银行为的历史数据和用户特征构建行为特征库；所述用户操作网银行为是用户操作网银时的交易接口调用顺序和网页浏览顺序；

步骤103：根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；

步骤104：根根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；

步骤105：按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。

具体实施时，本发明所使用的概率模型是根据统计学中的随机场理论和极大似然估计理论构建的。下面描述一下概率模型的构建过程。

将每一支完整的交易定义为一个具有若干特征的用户按一定顺序走过一个或多个具有若干特征的交易节点的过程，其中，交易节点可以为一个页面、一个接口、或由不同页面或接口构成的集合。

设X为用户的若干特征构成的序列：X＝{X₁,X₂,......,X_m}，其中m为选取的用户特征的规模，则每一个用户的m个特征值均可构成一个序列：x＝{x₁,x₂,......,x_m}，比如，可以选取性别、年龄、地域、学历、行业作为用户的用户特征集，则某用户的以上特征构成的序列为x＝{x₁＝男,x₂＝30,x₃＝西南,x₄＝硕士及以上,x₅＝建筑}。

设Y为交易节点的若干属性构成的序列：Y＝{Y₁,Y₂,......,Y_n}，其中n为选取的交易节点属性的规模，则对于每一个交易节点，它的n个属性均可构成一个序列：y＝{y₁,y₂,......,y_n}，比如，可以选取交易类型、交易风险等级、是否资金交易、交易完成后是否短信通知等作为交易节点的属性集，则某交易节点的属性值序列为y＝{y₁＝理财,y₂＝中度风险,y₃＝资金交易,y₄＝短信通知}。

设Z为所有的交易节点构成的集合，Z＝{Z₁,Z₂,......,Z_p}，其中p为所有交易节点的规模，用户完成的一笔完整的交易则是由Z中的一个或多个节点构成的序列构成。

当用户走到每一步，下一步出现的交易节点均遵从某种随机分布，所有交易节点即构成一个随机场，而在每一步走到那个交易节点除了和用户特征有关外，又在很大程度上依赖于前一步或前几步的交易属性，因此，每个随机变量Z_K是遵从马尔科夫属性的(离当前节点越远的因素对当前节点的影响越小)，其中K为整数，K＝1、2、……、p。

对用户的行为进行预测即已知用户特征x＝{x₁,x₂,......,x_m}、交易节点的属性y＝{y₁,y₂,......,y_n}，利用下面的公式1计算所有交易节点的联合概率分布：

公式1：

其中，T(x,y)是对所有可能状态序列的归一化函数，确保所有可能的状态序列条件概率和为1，f_l(z_k-1,z_k,x,y)为在用户特征和当前节点的属性分别为x和y的情况下，由第k-1个交易节点z_k-1跳转到第k个交易节点z_k的转移特征函数，λ_l为特征函数的权重，l＝1、2、……、L，L为选取的转移特征函数的规模。

对用户的行为进行预测即在已知用户特征和当前交易节点的属性的情况下推算下一个出现概率最大的交易节点，进而推算出构成一个完整交易的交易节点的序列，即在已知X和Y的情况下，计算Z的联合概率分布。

具体实施时，用户在操作网银时，系统会记录下交易接口的调用顺序以及网页浏览的顺序，这样可以根据根据海量客户的用户操作网银行为的历史数据和用户特征构建行为特征库。然后对行为特征库中的数据进行分类、标记。用户特征可以包括性别、年龄、地域、学历、行业等用户属性。

构建行为特征库时，首先需要收集网银用户信息，并保证已记录用户足够多的交易记录。可以针对性别、年龄、地域、学历、行业等用户特征对所有用户进行标记，按照上述对交易节点的定义，将用户完成的交易划分为一个或多个交易节点，并标注交易的属性，则该行为特征库S可由一组自由变量组成的序列表：

S＝{(x^t,y^t,z^t)}(t＝1,......,T；T为参与训练的行为特征库的数据规模)。

具体实施时，在构建好概率模型和行为特征库后，需要通过行为特征库对概率模型进行训练。概率模型的训练即在选择好一组适合网上银行交易特征的转移特征函数后，根据行为特征库中的数据计算每个转移特征函数的的权重λ_l的过程。

选取转移特征函数即找出已知的用户特征和交易节点的属性对某个交易节点的出现存在的影响，这种影响将从大量的行为特征库的数据中获得，例如：

该转移特征函数表示当职业为“会计”、性别为“女”的用户，在第k-1步走到“余额查询”的交易节点后，第k步是否将走到“转账”的交易节点，转移特征函数的结果为“是”或“否”，因此均是值为“1”或“0”的二值函数。

因此将公式1看成是变量λ的函数L(λ)。根据概率论中的极大似然原理，实验出现的事件有较大的概率，因此训练的目的是求一组λ的值使得L(λ)最大，假设行为特征库中的数据S＝(x^t,y^t,z^t)相互独立，根据极大似然法理论，将行为特征库中所有序列p＝(z^t|x^t,y^t,λ)乘积作为似然函数：

其对数形式表达为:

令函数对λ的一阶倒数为0：

求得λ_l。

具体实施时，通过上述过程完成了对概率模型的训练，获得经训练的概率模型。然后根据经训练的概率模型和待识别用户的用户特征、用户已发生行为预测该符合该用户的用户特征和历史行为的交易和产品。

具体的，对用户的行为进行预测是根据正在交易的用户的特征，交易节点的属性，推算出构成一个完整交易的交易节点的序列的过程，即根据X和Y，按照公式1计算Z的联合概率分布。当用户走到每一个交易节点，均可通过以上公式计算所有节点作为下一个节点出现的概率，可以择优选择向用户推荐可能感兴趣的交易节点，进而引导客户完成交易，甚至可以根据推算出的用户可能感兴趣的交易节点的属性为客户推荐对应的金融产品。

具体实施时，本发明方法还可以包括以下步骤：根据预测结果，对所述经训练的概率模型进行优化。具体的，经训练的概率模型对于用户行为的预测是否准确，可以从行为特征库中选取部分(多个)用户操作网银行为的历史数据和用户特征进行标识，使用经训练的概率模型对所述多个用户的操作网银行为进行预测，当预测的多个用户的操作网银行为与标识过的多个用户操作网银行为的历史数据一致，则预测正确，否则为预测错误，根据预测正确的次数与预测总次数的比值确定所述经训练的概率模型的预测准确度，当预测准确度低于预设阈值时，针对预测错误的用户特征，可以适当增加相应的转移特征函数f_l进一步对经训练的概率模型进行优化，提高用户特征数据和用户行为之间的关联性，该阈值根据对概率模型预测准确度的要求设置，该阈值设置越高，即对概率模型准确度要求越高，需要增加的特征函数就越多，当然概率模型的计算也就越复杂。

基于同一发明构思，本发明实施例中还提供了一种用户完成网银操作的指示装置，如下面的实施例所述。由于用户完成网银操作的指示装置解决问题的原理与用户完成网银操作的指示方法相似，因此用户完成网银操作的指示装置的实施可以参见用户完成网银操作的指示方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2是本发明实施例的用户完成网银操作的指示装置的一种结构框图，如图2所示，包括：

模型构建模块201，用于构建用于预测用户操作网银行为的概率模型；

行为特征库构建模块202，用于根据用户操作网银行为的历史数据和用户特征构建行为特征库；所述用户操作网银行为是用户操作网银时的交易接口调用顺序和网页浏览顺序；

训练模块203，用于根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；

预测模块204，用于根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；

指示模块205，用于按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。

下面对该结构进行说明。

具体实施时，模型构建模块201具体用于：

按照如下公式构建概率模型：

其中，T(x,y)是对所有可能状态序列的归一化函数；f_l(z_k-1,z_k,x,y)为在用户特征和当前交易节点的属性分别为x和y的情况下，由第k-1个交易节点z_k-1跳转到第k个交易节点z_k的转移特征函数；x＝{x₁,x₂,......,x_m}为m个用户特征值构成的序列，m为整数；y＝{y₁,y₂,......,y_n}为交易节点的n个属性构成的序列，n为整数；λ_l为转移特征函数的权重；p为所有交易节点的数量，p为整数，k＝1、2、……、p；l＝1、2、……、L，L为选取的转移特征函数的规模。

具体实施时，训练模块203具体用于：

对概率模型进行变形，获得变量λ的函数L(λ)；

选取多个转移特征函数f_l；

根据函数L(λ)、多个转移特征函数f_l和行为特征库中的用户操作网银行为的历史数据和用户特征，确定多个转移特征函数f_l中的权重λ_l；

确定多个权重λ_l中使得L(λ)值最大的权重λ_l；

其中，t＝1、2、……、T，T为参与训练的行为特征库的数据规模；

将使得L(λ)值最大的权重λ_l和对应的转移特征函数f_l带入概率模型中，得到经训练的概率模型；

按照如下公式确定权重λ_l：

具体实施时，还包括：

优化模块，用于根据预测结果，对所述经训练的概率模型进行优化。

具体实施时，所述优化模块具体用于：

从所述行为特征库中选取多个用户操作网银行为的历史数据和用户特征进行标识，使用经训练的概率模型对所述多个用户的操作网银行为进行预测，当预测的多个用户的操作网银行为与标识过的多个用户操作网银行为的历史数据一致，则预测正确，否则为预测错误，根据预测正确的次数与预测总次数的比值确定所述经训练的概率模型的预测准确度，当预测准确度低于预设阈值时，针对预测错误的用户特征增加相应的转移特征函数f_l，对经训练的概率模型进行优化。

综上所述，与现有技术相比，采用本发明方法使得银行系统不再是单纯提供触发式的服务，而是可以根据用户的以往行为分析出用户最需要的服务，引导用户发现自己感兴趣的网银交易功能，从而节省用户的时间，提高用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用户完成网银操作的指示方法，其特征在于，包括：

构建用于预测用户操作网银行为的概率模型；

根据用户操作网银行为的历史数据和用户特征构建行为特征库；所述用户操作网银行为是用户操作网银时的交易接口调用顺序和网页浏览顺序；

根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；

根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；

按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。

2.如权利要求1所述的用户完成网银操作的指示方法，其特征在于，按照如下公式构建概率模型：

$p\left(z\right|x,y,\mathrm{\λ})=\frac{1}{T(x,y)}\exp \left(\underset{k=1}{\overset{p}{\Σ}}\underset{l}{\Σ}{\mathrm{\λ}}_l{f}_l\right(z_{k-1},z_k,x,y\left)\right);$

其中，T(x,y)是对所有可能状态序列的归一化函数；f_l(z_k-1,z_k,x,y)为在用户特征和当前交易节点的属性分别为x和y的情况下，由第k-1个交易节点z_k-1跳转到第k个交易节点z_k的转移特征函数；x＝{x₁,x₂,......,x_m}为m个用户特征值构成的序列，m为整数；y＝{y₁,y₂,......,y_n}为交易节点的n个属性构成的序列，n为整数；λ_l为转移特征函数的权重；p为所有交易节点的数量，p为整数，k＝1、2、……、p；l＝1、2、……、L，L为选取的转移特征函数的规模。

3.如权利要求2所述的用户完成网银操作的指示方法，其特征在于，所述根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型，包括：

对概率模型进行变形，获得变量λ的函数L(λ)；

选取多个转移特征函数f_l；

根据函数L(λ)、多个转移特征函数f_l和行为特征库中的用户操作网银行为的历史数据和用户特征，确定多个转移特征函数f_l中的权重λ_l；

确定多个权重λ_l中使得L(λ)值最大的权重λ_l；

其中，t＝1、2、……、T，T为参与训练的行为特征库的数据规模；

将使得L(λ)值最大的权重λ_l和对应的转移特征函数f_l带入概率模型中，得到经训练的概率模型；

按照如下公式确定权重λ_l：

$\frac{\∂L\left(\mathrm{\λ}\right)}{\mathrm{\λ}}=0.$

4.如权利要求3所述的用户完成网银操作的指示方法，其特征在于，还包括：

根据预测结果，对所述经训练的概率模型进行优化。

5.如权利要求4所述的用户完成网银操作的指示方法，其特征在于，所述根据预测结果，对所述经训练的概率模型进行优化，包括：

从所述行为特征库中选取多个用户操作网银行为的历史数据和用户特征进行标识，使用经训练的概率模型对所述多个用户的操作网银行为进行预测，当预测的多个用户的操作网银行为与标识过的多个用户操作网银行为的历史数据一致，则预测正确，否则为预测错误，根据预测正确的次数与预测总次数的比值确定所述经训练的概率模型的预测准确度，当预测准确度低于预设阈值时，针对预测错误的用户特征增加相应的转移特征函数f_l，对经训练的概率模型进行优化。

6.一种用户完成网银操作的指示装置，其特征在于，包括：

模型构建模块，用于构建用于预测用户操作网银行为的概率模型；

行为特征库构建模块，用于根据用户操作网银行为的历史数据和用户特征构建行为特征库；所述用户操作网银行为是用户操作网银时的交易接口调用顺序和网页浏览顺序；

训练模块，用于根据所述行为特征库对所述概率模型进行训练，获得经训练的概率模型；

预测模块，用于根据经训练的概率模型、待识别用户的用户特征和待识别用户已发生的操作网银行为，预测待识别用户的后续操作网银行为；

指示模块，用于按照预测到的待识别用户的后续操作网银行为指示待识别用户完成网银操作。

7.如权利要求6所述的用户完成网银操作的指示装置，其特征在于，所述模型构建模块具体用于：

按照如下公式构建概率模型：

$p\left(z\right|x,y,\mathrm{\λ})=\frac{1}{T(x,y)}\exp \left(\underset{k=1}{\overset{p}{\Σ}}\underset{l}{\Σ}{\mathrm{\λ}}_l{f}_l\right(z_{k-1},z_k,x,y\left)\right);$

其中，T(x,y)是对所有可能状态序列的归一化函数；f_l(z_k-1,z_k,x,y)为在用户特征和当前交易节点的属性分别为x和y的情况下，由第k-1个交易节点z_k-1跳转到第k个交易节点z_k的转移特征函数；x＝{x₁,x₂,......,x_m}为m个用户特征值构成的序列，m为整数；y＝{y₁,y₂,......,y_n}为交易节点的n个属性构成的序列，n为整数；λ_l为转移特征函数的权重；p为所有交易节点的数量，p为整数，k＝1、2、……、p；l＝1、2、……、L，L为选取的转移特征函数的规模。

8.如权利要求7所述的用户完成网银操作的指示装置，其特征在于，所述训练模块具体用于：

对概率模型进行变形，获得变量λ的函数L(λ)；

选取多个转移特征函数f_l；

根据函数L(λ)、多个转移特征函数f_l和行为特征库中的用户操作网银行为的历史数据和用户特征，确定多个转移特征函数f_l中的权重λ_l；

确定多个权重λ_l中使得L(λ)值最大的权重λ_l；

其中，t＝1、2、……、T，T为参与训练的行为特征库的数据规模；

将使得L(λ)值最大的权重λ_l和对应的转移特征函数f_l带入概率模型中，得到经训练的概率模型；

按照如下公式确定权重λ_l：

$\frac{\∂L\left(\mathrm{\λ}\right)}{\mathrm{\λ}}=0.$

9.如权利要求8所述的用户完成网银操作的指示装置，其特征在于，还包括：

优化模块，用于根据预测结果，对所述经训练的概率模型进行优化。

10.如权利要求9所述的用户完成网银操作的指示装置，其特征在于，所述优化模块具体用于：

从所述行为特征库中选取多个用户操作网银行为的历史数据和用户特征进行标识，使用经训练的概率模型对所述多个用户的操作网银行为进行预测，当预测的多个用户的操作网银行为与标识过的多个用户操作网银行为的历史数据一致，则预测正确，否则为预测错误，根据预测正确的次数与预测总次数的比值确定所述经训练的概率模型的预测准确度，当预测准确度低于预设阈值时，针对预测错误的用户特征增加相应的转移特征函数f_l，对经训练的概率模型进行优化。