CN107274217A - 确定用户当前行为以及预测用户意图的方法和装置 - Google Patents

确定用户当前行为以及预测用户意图的方法和装置 Download PDF

Info

Publication number
CN107274217A
CN107274217A CN201710396358.4A CN201710396358A CN107274217A CN 107274217 A CN107274217 A CN 107274217A CN 201710396358 A CN201710396358 A CN 201710396358A CN 107274217 A CN107274217 A CN 107274217A
Authority
CN
China
Prior art keywords
user
information
current
model
characteristic information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710396358.4A
Other languages
English (en)
Inventor
冯小平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710396358.4A priority Critical patent/CN107274217A/zh
Publication of CN107274217A publication Critical patent/CN107274217A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G06Q30/0256—User search
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种确定用户当前行为以及预测用户意图的方法和装置，其中的预测用户意图的方法包括：获取用户的当前特征信息；根据用户的当前特征信息中的用户标识信息确定用户对应的行为分析模型；将用户的当前特征信息中的表征用户当前状态的信息输入用户对应的行为分析模型中；根据用户对应的行为分析模型输出的信息确定用户的当前行为；根据所述用户的当前行为预测所述用户的当前意图；其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。本发明提供的技术方案能够使应用更好的符合用户的实际需求，提高了应用的生存周期以及竞争力，进而降低了应用的成本。

Description

确定用户当前行为以及预测用户意图的方法和装置
技术领域
本发明涉及互联网技术，尤其涉及一种确定用户当前行为的方法、确定用户当前行为的装置、预测用户意图的方法以及预测用户意图的装置。
背景技术
随着互联网技术尤其是移动互联网技术的快速发展和普及，能够接入网络的智能移动设备(如智能移动电话以及平板电脑等)已经成为许多人随身必备的物品，人们利用其智能移动设备可以随时随地的实现邮件收发、即时消息交互以及网络访问等。
发明人在实现本发明过程中发现，目前可安装于智能移动设备中的应用(Applicati on，APP)的种类以及数量都日渐丰富，如何使应用赢得用户的关注与喜爱，以提高应用的生存周期及粘性，降低应用的成本，对于应用开发方以及应用经营方而言都是非常重要的。
发明内容
本发明的目的是提供一种确定用户当前行为以及预测用户意图的方法和装置。
根据本发明的第一个方面，提供了一种预确定用户当前行为的方法，其中，该方法主要包括以下步骤：获取用户的当前特征信息；根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，且所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
根据本发明的第二个方面，提供了一种预测用户意图的方法，其中，该方法包括以下步骤：获取用户的当前特征信息；根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；根据所述用户的当前行为预测所述用户的当前意图；其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，且所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
根据本发明的第三个方面，提供了一种确定用户当前行为的装置，其中，该装置包括：获取特征信息模块，用于获取用户的当前特征信息；确定分析模型模块，用于根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；信息处理模块，用于将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；确定当前行为模块，用于根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，且所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
根据本发明的第四个方面，提供了一种预测用户意图的装置，其中，该装置包括：获取特征信息模块，用于获取用户的当前特征信息；确定分析模型模块，用于根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；信息处理模块，用于将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；确定当前行为模块，用于根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；意图预测模块，用于根据所述用户的当前行为预测所述用户的当前意图；其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，且所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
与现有技术相比，本发明具有以下优点：本发明通过获取用户的当前特征信息，一方面可以积累获得大量的该用户的历史特征信息，从而可以利用该用户的历史特征信息建立该用户所独有(不为其他用户所有)的行为分析模型，并可以利用该用户的历史特征信息不断的调整(即更新)该用户所对应的行为分析模型的模型参数，使该用户所对应的行为分析模型始终可以尽可能的贴近该用户的实际生活行为，另一方面可以利用该用户对应的行为分析模型对该用户的当前特征信息中的表征用户当前状态的信息进行计算，使本发明可以基于该用户所对应的行为分析模型输出的信息及时的确定出用户的当前行为；由于获知用户当前行为可以使应用有针对性的向用户提供相应的服务，如通过根据用户的当前行为预测用户的当前意图，从而在应用向用户推送新的信息时，可以根据用户的当前意图向用户推送符合其当前意图的信息，这样，可以有效避免推送的信息由于冗余等原因而给用户带来困扰等问题，从而可以增加用户对应用的粘度；由此可知，本发明提供的技术方案能够使应用更好的符合用户的实际需求，提高了应用的生存周期以及竞争力，进而降低了应用的成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一的确定用户当前行为的方法流程图；
图2为本发明实施例二的预测用户意图的方法流程图；
图3为本发明实施例三的确定用户当前行为的装置示意图；
图4为本发明实施例四的预测用户意图的装置示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
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，下面将结合附图对本发明的实施例作详细描述。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然本发明的流程图将各项操作描述成顺序的处理，但是，其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
所述智能电子设备包括用户设备与网络设备。其中，所述用户设备包括但不限于电脑、智能移动电话以及PDA等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或者基于云计算(a oud Computing)的由大量计算机或者网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述智能电子设备可以接入网络并与网络中的其他智能电子设备进行信息交互操作。其中，所述智能电子设备所能够接入的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是，所述用户设备、网络设备以及网络等仅为举例，其他现有的或今后可能出现的智能电子设备或者网络如可适用于本申请，也应包含在本申请保护范围以内，并以引用方式包含于此。
后面描述所讨论的方法(其中一些通过流程图示出)实施例可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合的形式来实施。当用软件、固件、中间件或者微代码来实施时，用以实施必要任务的程序代码或者代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本申请的示例性实施例的目的，但是，本申请可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
应当理解的是，当一个单元被称为“连接”或者“耦合”到另一个单元时，其可以直接连接或者耦合到所述另一个单元，也可以存在中间单元。与此相对的，当一个单元被称为“直接连接”或者“直接耦合”到另一个单元时，则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如，“处于...之间”相比于“直接处于...之间”，“与...邻近”相比于“与...直接邻近”等等)。
这里所使用的术语仅仅是为了描述具体实施例，而不是意图限制示例性实施例。除非上下文中明确地另有所指，否则，这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定了所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或者添加一个或更多的其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明的技术方案作进一步详细描述。
实施例一、确定用户当前行为的方法。
图1为本实施例的确定用户当前行为的方法流程图。在图1所示的流程图中，本实施例的确定用户当前行为的方法包括：步骤S100、步骤S110、步骤S120以及步骤S130。
本实施例所记载的方法是在智能电子设备中执行的，且该方法通常是在网络侧的智能电子设备(如设置于云端的服务器等网络设备)中执行的，当然，本实施例也不排除该方法在用户侧的智能电子设备(如智能移动电话或者平板电脑等用户设备)中执行的可能性(其中的模型可以由网络侧的网络设备训练，并下发至用户侧)。本实施例不限制实现确定用户当前行为的方法的智能电子设备的具体表现形式，即本实施例不限制确定用户当前行为的方法所适用的硬件环境。
下面对图1中的各步骤分别进行详细描述。
S100、获取用户的当前特征信息。
具体的，本实施例中的用户的当前特征信息即当前时刻或者当前时间段内的用户的特征信息；本实施例中的用户的当前特征信息可以作为用户的历史特征信息进行存储；也就是说，用户的当前特征信息和用户的历史特征信息均为用户的特征信息，在用户的当前特征信息失去其时效性时，用户的当前特征信息成为用户的历史特征信息。
本实施例中的用户的特征信息是指用于描述用户的特有特征的信息，如用于描述用户的静态特征以及动态特征的信息。
本实施例中的用户的静态特征可以称为用户属性，且本实施例中的用户属性可以包括：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好等。
本实施例中的用户的动态特征可以称为用户的状态，且本实施例中的用户的状态可以具体包括：用户的运动状态、用户身处的环境以及用户所在的具体位置等。
本实施例中的用户的特征信息(即用户的当前特征信息以及用户的历史特征信息)通常包括：表征用户当前状态的信息，且表征用户当前状态的信息该表征用户当前状态的信息可以具体为用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息中的一个或者多个。上述用户设备中的传感器采集信息可以具体为用户设备中的陀螺仪采集的信息、用户设备中的重力传感器采集的信息以及用户设备中的加速度传感器采集的信息中的一个或者多个。上述用户设备的卫星定位信息可以具体为用户设备的基于GPS(Global Position System全球定位系统)的定位信息，当然，用户设备的卫星定位信息也可以具体为用户设备的基于北斗卫星定位系统的定位信息等。上述用户设备的麦克风采集的音频信息通常为用户所在环境中的声音。
本实施例中的用户的特征信息(即用户的当前特征信息以及用户的历史特征信息)通常还包括：用户标识、用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息以及用户设备型号中的任意一个或者多个。上述用户标识可以具体为用户的移动电话号码或者用户的IMSI(International Mobile Subscriberldentification Number，国际移动用户识别码)等。上述用户的通话记录通常具体为在最近预定时间段内用户的通话记录。上述日志信息可以具体为用户使用各应用的历史记录、用户使用浏览器进行网络访问时所使用的网络地址以及用户使用浏览器进行网络访问时所输入的搜索关键词等。上述用户设备中安装的各应用信息可以具体为用户设备中安装的应用的列表信息。
在通常情况下，本实施例的用户的特征信息所包含的内容可以尽可能的全面一些，从而可以有利于准确的确定出用户当前行为。另外，需要特别说明的是，上述用户的特征信息所包含的内容既是用户的当前特征信息所包含的内容，也是用户的历史特征信息所包含的内容。
在本实施例的方法由用户设备执行的情况下，用户设备可以以定时或者不定时的方式获取用户的当前特征信息，如定时或者不定时的触发用户设备的麦克风进行音频采集，以获得短时间段内的用户所在环境中的声音；再如定时或者不定时的采集用户设备中的陀螺仪产生的姿态信息等；再如，定时或者不定时的获取自前一次获取用户的通话记录以及日志信息时间之后所产生的用户的通话记录以及日志信息。另外，本实施例应在获得了用户的允许的情况下，才能获取到用户的当前特征信息。
在本实施例的方法由设置于网络侧的网络设备执行的情况下，用户设备可以采用定时或者不定时的方式将其获取用户的当前特征信息向网络侧上报，从而使设置于网络侧的网络设备获取到用户的当前特征信息。本实施例不限制用户设备向网络侧上报用户的当前特征信息的具体实现方式。
S110、根据用户的当前特征信息中的用户标识信息确定用户对应的行为分析模型。
具体的，本实施例通常会预先为多个用户分别设置行为分析模型，即本实施例中通常设置有多个行为分析模型，且每一个行为分析模型对应一个用户，而不同的行为分析模型通常对应不同的用户，即不同的用户具有不同的行为分析模型。本实施例可以将每一个行为分析模型与用户标识信息对应存储，从而本实施例在获取到用户的当前特征信息之后，可以在预先存储的信息中查找与用户的当前特征信息中的用户标识信息相匹配的对应关系，并将相匹配的对应关系中的行为分析模型作为该用户对应的行为分析模型。
针对一个具体的用户而言，本实施例是利用该用户的历史特征信息为该用户设置其对应的行为分析模型的，为该用户设置行为分析模型的一个具体过程可以为：
首先，本实施例中预先设置有多个基础模型，且每个基础模型对应一种属性类型的用户，而不同的基础模型对应不同属性类型的用户，例如本实施例可以针对朝九晚五的上班族这种属性类型设置一个基础模型，并针对采用弹性工作制度的上班族这种属性类型设置一个基础模型等；上述举例中的基础模型所对应的用户属性类型的分类颗粒度较粗，而在实际应用中，本实施例的基础模型所对应的用户属性类型的分类颗粒度可以更细，且对用户的属性类型的分类方式可以根据实际需求来设置。
其次，在获取了一个用户的大量的历史特征信息之后，本实施例可以根据该用户的大量的历史特征信息确定出该用户的属性以及该用户的属性所属的类型，如通过将该用户的大量的历史特征信息输入预先设置的用户属性分类模型中，从而本实施例可以根据用户属性分类模型输出的信息确定出该用户的属性所属的类型。本实施例中的用户属性分类模型是通过对大量用户的历史特征信息进行学习而形成的，如本实施例可以采用有监督的学习方式对大量用户的历史特征信息进行学习，从而形成用户属性分类模型；上述对大量用户的历史特征信息进行学习的结果与用户分类的方式密切相关。
在本实施例的用户属性包括：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好的情况下，用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的日志信息(如网络访问地址以及搜索关键词等)等确定出用户喜欢浏览的内容，并根据该用户的大量的用户设备的卫星定位信息等确定该用户在休闲时间喜欢去的场所等，从而可以初步推断出用户的性别、用户的年龄段以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的用户设备的卫星定位信息确定出用户周期性的在某个位置的停留时间，从而可以确定出用户的住址、用户的办公地址以及用户的作息规律等，且用户设备中的传感器采集信息也可以成为确定出用户的住址、用户的办公地址以及用户的作息规律的辅助信息；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)电话通话记录(通话是否频繁)、用户设备的卫星定位信息(工作时间是否经常位于一个小的区域范围内等)以及用户设备中的传感器采集信息等粗略的确定出用户的职业类别，用户属性分类模型可以根据用户在其住址和办公地址之间移动过程的用户设备的卫星定位信息可以确定出用户的上下班交通工具，且用户设备中的传感器采集信息也可以成为确定出用户的上下班交通工具的辅助信息；用户的上下班交通工具以及用户的住址等也有助于进一步的确定用户的收入水平以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量的用户设备的卫星定位信息、基于用户设备的麦克风采集的音频信息以及上述确定出的用户的作息规律可以确定出用户的行为偏好等，如用户在中午经常去的餐馆、用户在休息日经常去的餐馆、用户经常去的电影院、用户看电影的频率和时间以及用户经常去的购物场所等，另外，用户设备中的传感器采集信息也可以成为确定出用户的行为偏好的辅助信息。上述仅为对用户属性分类模型确定出用户属性的过程的一个举例说明，本实施例不限制用户属性分类模型确定出用户属性的具体实现方式。
作为示例，本实施例的用户属性分类模型可以基于用户属性中的部分内容确定用户属性所属的类型，如用户属性分类模型可以根据用户的性别、用户的年龄段、用户的职业类别、用户的上下班交通工具、用户的收入水平以及用户的教育水平对用户属性进行分类，本实施例可以根据实际需求预先设置多个类型，并根据每个类型所包含的参数的具体取值来确定当前用户的用户属性所属的类型，本实施例不限制用户属性分类模型确定用户属性所属的类型的具体实现方式。
再次，本实施例在确定出该用户属性所属的类型之后，可以从预先设置的多个基础模型中选取与该用户属性所属的类型相匹配的基础模型；即本实施例预先设置有多个基础模型，且每一个基础模型均对应有一种用户属性类型，从而在确定出用户属性所属的类型时即确定出应采用的基础模型。
最后，本实施例可以根据该用户的历史特征信息为用户属性所属的类型相匹配的基础模型设置个性化模型参数，从而形成该用户对应的行为分析模型；如本实施例可以利用该用户的大量历史特征信息对上述相匹配的基础模型进行训练，从而使该基础模型的模型参数是针对该用户而设置的个性化模型参数，即训练后的基础模型是用户对应的行为分析模型。本实施例中的个性化模型参数可以是基于用户的住址、用户的办公地址以及用户的行为偏好等而设置的模型参数。
本实施例的行为分析模型可以采用基于+HMM(包括HMM以及GMHMM等以HMM为核心算法)的行为分析模型，且基于+HMM的行为分析模型中的识别分类算法可以采用“前向算法”。本实施例对行为分析模型的具体训练过程在此不再详细说明。
另外需要特别说明的是，在已经成功为用户设置了其行为分析模型的情况下，本实施例后续获取到的用户的当前特征信息会被作为用户的历史特征信息存储，且后续存储的用户的历史特征信息仍然可以用于对该用户的行为分析模型进行训练，以不断的校正(即调整或者调整)用户的行为分析模型的个性化模型参数，使用户的行为分析模型的个性化模型参数能够更好的表现出与用户的实际情况。
S120、将用户的当前特征信息中的表征用户当前状态的信息输入用户对应的行为分析模型中。
具体的，本实施例的用户的当前特征信息中的表征用户当前状态的信息可以具体为用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息。
本实施例可以先对用户的当前特征信息中的表征用户当前状态的信息进行整理，然后，再将整理后的表征用户当前状态的信息输入用户对应的行为分析模型中。
本实施例对用户的当前特征信息中的表征用户当前状态的信息进行整理的一个具体的例子为：本实施例在将获取到的当前特征信息存储于当前特征信息集合中的情况下，可以先从当前特征信息集合中读取未处理的该用户的当前特征信息，并识别读取出的各当前特征信息的类型，当前特征信息的类型可以为通讯录类型、姿态类型(如用户设备中的传感器采集信息属于姿态类型)、音频类型(如基于用户设备的麦克风采集的音频信息属于音频类型)以及定位类型(如用户设备的卫星定位信息属于定位类型)等；之后，本实施例可以根据识别出的类型选取表征用户当前状态的信息，并将对应同一时间的不同类型的表征用户当前状态的信息进行组合，从而形成以时间为维度的至少一个状态信息组。
一个具体的例子，本实施例获取到的用户的当前特征信息中的表征用户当前状态的信息可以表述为下述公式(1)所示的形式：
[Motion dat a from tn-1 to tn]+[Sbund data from tn-1 to tn]+[Locationdat afrom tn-1 to tn]； 公式(1)
在上述公式(1)中，[＊]表示一组连续的数据，tn-1表示前次处理数据的时间，tn表示本次处理数据的时间，且tn-1和tn之间存在多个时刻均对应有获取到的用户的当前特征信息；Motion dat a表示用户设备中的传感器采集信息，Sound dat a表示基于用户设备的麦克风采集的音频信息，Location dat a表示用户设备的卫星定位信息；
本实施例可以将上述公式(1)所示的当前特征信息中的表征用户当前状态的信息整理为下述公式(2)所示的形式：
[(Motion Type at tn-1，Sound Type at tn-1，Location Type at tn-1)...(Motion Type at tn，Sound Type at tn，Locati on Type at tn)]
公式(2)
在上述公式(2)中，[＊]表示一组连续的数据，(＊)表示一组连续的数据中的一个状态信息组，tn-1表示前次处理数据的时间，tn表示本次处理数据的时间，且tn-1和tn之间存在多个时刻均对应有获取到的用户的当前特征信息；Moti on dat a表示用户设备中的传感器采集信息，Sound data表示基于用户设备的麦克风采集的音频信息，Locati ondata表示用户设备的卫星定位信息。
由上述公式(2)可知，本实施例的用户的当前特征信息中的表征用户当前状态的信息按照时间维护被重新组合为多个状态信息组。
本实施例可以根据时间维度的先后顺序(即时间顺序)将各状态信息组依次输入用户对应的行为分析模型中。续前例，本实施例可以先将(Motion Type at tn-1，SoundType at tn-1，Location Type at tn-1)输入用户对应的行为分析模型中，然后，将tn-1和tn之间的各中间时刻的状态信息组依次输入用户对应的行为分析模型中，直到将(MotionType at tn，Sound Type at tn，Location Type at tn)。
S130、根据用户对应的行为分析模型输出的信息确定用户的当前行为。
具体的，本实施例中的用户的当前行为也可以称为用户的当前生活行为或者用户的事件等。用户的当前行为可以具体为在上/下班的路上(采用走路/开车/公共交通工具方式)、在去某目的地(如电影院)的路上(采用走路/开车/公共交通工具方式)、在吃中饭(在餐馆/家中/办公室)、在工作(正在开会/正在伏案工作/正在出差的路上)、在睡午觉或者在逛商场等等。本实施例不限制用户当前行为的具体表现形式。
本实施例中的用户的行为分析模型可以根据输入的表征用户当前状态的信息(如用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息)获得每一种可能的用户行为的概率，如用户的行为分析模型针对每一种可能的用户行为分别利用预定算法对输入的表征用户当前状态的信息进行概率计算，以获得输入的表征用户当前状态的信息对应每一种可能的用户行为的概率；用户的行为分析模型在计算每一种可能的用户行为的概率的过程中通常会对表征用户当前状态的信息、用户的历史事件以及日志信息等多方面进行综合考量。本实施例可以根据用户的行为分析模型计算获得的每一种可能的用户行为的概率确定出用户的当前行为，如将用户的行为分析模型计算获得的概率最高的用户行为确定为用户的当前行为。本实施例不限制用户的行为分析模型对输入的表征用户当前状态的信息进行计算的具体实现过程。
本实施例确定出的用户的当前行为不仅可以用于预测用户意图，而且也可以用于其他场景，如通过利用获得的用户的当前行为可以记录用户在一段时间范围内的生活历程，从而可以在用户查看时呈现给用户或者定期的呈现给用户等。本实施例不限制确定出的用户的当前行为的具体应用场景。
实施例二、预测用户意图的方法。
图2为本实施例的预测用户意图的方法流程图。
在图2所示的流程中，本实施例的预测用户意图的方法主要包括：步骤S200、步骤S210、步骤S220、步骤S230以及步骤S240。
本实施例所记载的方法是在智能电子设备中执行的，且该方法通常是在网络侧的智能电子设备(如设置于云端的服务器等网络设备)中执行的，当然，本实施例也不排除该方法在用户侧的智能电子设备(如智能移动电话或者平板电脑等用户设备)中执行的可能性(其中的模型可以由网络侧的网络设备训练，并下发至用户侧)。本实施例不限制实现预测用户意图的方法的智能电子设备的具体表现形式，即本实施例不限制预测用户意图的方法所适用的硬件环境。
下面对图2中的各步骤分别进行说明。
S200、获取用户的当前特征信息。
S210、根据用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型。
S220、将用户的当前特征信息中的表征用户当前状态的信息输入用户对应的行为分析模型中。
S230、根据用户对应的行为分析模型输出的信息确定用户的当前行为。
上述步骤S200-S230请参见上述实施例一中的描述，在此不再重复说明。
S240、根据上述确定出的用户的当前行为预测用户的当前意图。
具体的，由于用户的当前行为可以在一定程度上反映出用户的意愿，因此，本实施例可以根据用户的当前行为并结合预定策略预测出用户的当前意图；如在确定出的用户的当前行为为正在开会，则可以根据预定策略预测出用户的当前意图很可能为不希望被电话或者即时通讯工具等打扰，进而本实施例可以使在用户有电话呼叫时，采用播放忙音或者转至电话语音助手等方式来避免对用户的打扰成为可能；再如在确定出的用户的当前行为为在去电影院的路上时，可以根据预定策略预测出用户的当前意图很可能为希望去看场电影，进而本实施例可以使向用户推荐相应的电影信息成为可能；再如在确定出的用户的当前行为为在逛商场时，如果当前时间已经到了午餐或者晚餐时间，则可以根据预定策略预测出用户的当前意图很可能为希望在商场附近吃饭，进而本实施例可以使向用户推荐周围评价较高的餐馆信息或者小吃信息成为可能。在此不对根据预定策略预测出的用户的当前意图进行一一举例说明，本实施例不限制预测出的用户的当前意图的具体表现形式，且本实施例中的预定策略可以根据实际需求来设置。
实施例三、确定用户当前行为的装置。
图3为本实施例的确定用户当前行为的装置示意图。在图3所示的装置示意图中，本实施例的确定用户当前行为的装置主要包括：获取特征信息模块300、确定分析模型模块310、信息处理模块320以及确定当前行为模块330。可选的，本实施例的装置还包括：模型设置模块(图3中未示出)。
本实施例所记载的装置可以设置于智能电子设备中，且该装置通常设置于网络侧的智能电子设备(如设置于云端的服务器等网络设备)中，当然本实施例也不排除该装置设置于用户侧的智能电子设备(如智能移动电话或者平板电脑等用户设备)中的可能性(其中的模型可以由网络侧的网络设备训练，并下发至用户侧)。本实施例不限制设置有确定用户当前行为的装置的智能电子设备的具体表现形式，即本实施例不限制确定用户当前行为的装置所适用的硬件环境。下面对图3中的各模块分别进行详细描述。
获取特征信息模块300主要用于获取用户的当前特征信息。
具体的，本实施例中的用户的当前特征信息即当前时刻或者当前时间段内的用户的特征信息；本实施例中的用户的当前特征信息可以作为用户的历史特征信息进行存储；也就是说，用户的当前特征信息和用户的历史特征信息均为用户的特征信息，在用户的当前特征信息失去其时效性时，用户的当前特征信息成为用户的历史特征信息。
本实施例中的用户的特征信息是指用于描述用户的特有特征的信息，如用于描述用户的静态特征以及动态特征的信息。
本实施例中的用户的静态特征可以称为用户属性，且本实施例中的用户属性可以包括：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好等。
本实施例中的用户的动态特征可以称为用户的状态，且本实施例中的用户的状态可以具体包括：用户的运动状态、用户身处的环境以及用户所在的具体位置等。
本实施例中的用户的特征信息(即用户的当前特征信息以及用户的历史特征信息)通常包括：表征用户当前状态的信息，且表征用户当前状态的信息该表征用户当前状态的信息可以具体为用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息中的一个或者多个。上述用户设备中的传感器采集信息可以具体为用户设备中的陀螺仪采集的信息、用户设备中的重力传感器采集的信息以及用户设备中的加速度传感器采集的信息中的一个或者多个。上述用户设备的卫星定位信息可以具体为用户设备的基于GPS(Gobal Position System全球定位系统)的定位信息，当然，用户设备的卫星定位信息也可以具体为用户设备的基于北斗卫星定位系统的定位信息等。上述用户设备的麦克风采集的音频信息通常为用户所在环境中的声音。
本实施例中的用户的特征信息(即用户的当前特征信息以及用户的历史特征信息)通常还包括：用户标识、用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息以及用户设备型号中的任意一个或者多个。上述用户标识可以具体为用户的移动电话号码或者用户的IMSI等。上述用户的通话记录通常具体为在最近预定时间段内用户的通话记录。上述日志信息可以具体为用户使用各应用的历史记录、用户使用浏览器进行网络访问时所使用的网络地址以及用户使用浏览器进行网络访问时所输入的搜索关键词等。上述用户设备中安装的各应用信息可以具体为用户设备中安装的应用的列表信息。
在通常情况下，本实施例的用户的特征信息所包含的内容可以尽可能的全面一些，从而可以有利于准确的确定出用户当前行为。另外，需要特别说明的是，上述用户的特征信息所包含的内容既是用户的当前特征信息所包含的内容，也是用户的历史特征信息所包含的内容。
在本实施例的装置设置于用户设备中的情况下，获取特征信息模块300可以以定时或者不定时的方式获取用户的当前特征信息，如获取特征信息模块300定时或者不定时的触发用户设备的麦克风进行音频采集，以获得短时间段内的用户所在环境中的声音；再如获取特征信息模块300定时或者不定时的采集用户设备中的陀螺仪产生的姿态信息等；再如，获取特征信息模块300定时或者不定时的获取自前一次获取用户的通话记录以及日志信息时间之后所产生的用户的通话记录以及日志信息。另外，获取特征信息模块300应在获得了用户的允许的情况下，才能获取到用户的当前特征信息。
在本实施例的装置设置于网络侧的网络设备中的情况下，用户设备可以采用定时或者不定时的方式将其获取用户的当前特征信息向网络侧上报，从而使设置于网络侧的网络设备中的获取特征信息模块300获取到用户的当前特征信息。本实施例不限制用户设备向网络侧上报用户的当前特征信息的具体实现方式。
确定分析模型模块310主要用于根据用户的当前特征信息中的用户标识信息确定用户对应的行为分析模型。
具体的，本实施例中的模型设置模块通常会预先为多个用户分别设置各自的行为分析模型，即本实施例的装置中通常设置有多个行为分析模型，且每一个行为分析模型对应一个用户，而不同的行为分析模型通常对应不同的用户，即不同的用户具有不同的行为分析模型。模型设置模块可以将每一个行为分析模型与用户标识信息对应存储，从而在获取特征信息模块300获取到用户的当前特征信息之后，确定分析模型模块310可以在预先存储的信息中查找与用户的当前特征信息中的用户标识信息相匹配的对应关系，并将相匹配的对应关系中的行为分析模型作为该用户对应的行为分析模型。
模型设置模块主要用于为用户设置其对应的行为分析模型；且该模型设置模块主要包括：第一子模块、第二子模块以及第三子模块；其中，第一子模块主要用于根据用户的历史特征信息确定所述用户的用户属性所属的类型；第二子模块主要用于从预先设置的多个基础模型中选取与用户属性所属的类型相匹配的基础模型；第三子模块主要用于根据用户的历史特征信息为上述相匹配的基础模型设置个性化模型参数，以形成用户对应的行为分析模型。
针对一个具体的用户而言，本实施例的模型设置模块是利用该用户的历史特征信息为该用户设置其对应的行为分析模型的，模型设置模块为该用户设置行为分析模型的一个具体过程可以为：
首先，模型设置模块中预先设置有多个基础模型，且每一个基础模型对应一种属性类型的用户，而不同的基础模型对应不同属性类型的用户，如模型设置模块可以针对朝九晚五的上班族这种属性类型设置一个基础模型，并针对采用弹性工作制度的上班族这种属性类型设置一个基础模型等；在上述举例中，基础模型所对应的用户属性类型的分类颗粒度较粗，而在实际应用中，模型设置模块中的基础模型所对应的用户属性类型的分类颗粒度可以更细致，且对用户的属性类型的分类方式可以根据实际需求来设置。
其次，在获取特征信息模块300获取了一个用户的大量的历史特征信息之后，模型设置模块(如第一子模块)可以根据该用户的大量的历史特征信息确定出该用户的属性以及该用户的属性所属的类型，如模型设置模块(如第一子模块)通过将该用户的大量的历史特征信息输入预先设置的用户属性分类模型中，从而本实施例可以根据用户属性分类模型输出的信息确定出该用户的属性所属的类型。本实施例中的用户属性分类模型是通过对大量用户的历史特征信息进行学习而形成的，如本实施例可以采用有监督的学习方式对大量用户的历史特征信息进行学习，从而形成用户属性分类模型；上述对大量用户的历史特征信息进行学习的结果与用户分类的方式密切相关。
在本实施例的用户属性包括：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好的情况下，用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的日志信息(如网络访问地址以及搜索关键词等)等确定出用户喜欢浏览的内容，并根据该用户的大量的用户设备的卫星定位信息等确定该用户在休闲时间喜欢去的场所等，从而可以初步推断出用户的性别、用户的年龄段以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的用户设备的卫星定位信息确定出用户周期性的在某个位置的停留时间，从而可以确定出用户的住址、用户的办公地址以及用户的作息规律等，且用户设备中的传感器采集信息也可以成为确定出用户的住址、用户的办公地址以及用户的作息规律的辅助信息；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)电话通话记录(通话是否频繁)、用户设备的卫星定位信息(工作时间是否经常位于一个小的区域范围内等)以及用户设备中的传感器采集信息等粗略的确定出用户的职业类别，用户属性分类模型可以根据用户在其住址和办公地址之间移动过程的用户设备的卫星定位信息可以确定出用户的上下班交通工具，且用户设备中的传感器采集信息也可以成为确定出用户的上下班交通工具的辅助信息；用户的上下班交通工具以及用户的住址等也有助于进一步的确定用户的收入水平以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量的用户设备的卫星定位信息、基于用户设备的麦克风采集的音频信息以及上述确定出的用户的作息规律可以确定出用户的行为偏好等，如用户在中午经常去的餐馆、用户在休息日经常去的餐馆、用户经常去的电影院、用户看电影的频率和时间以及用户经常去的购物场所等，另外，用户设备中的传感器采集信息也可以成为确定出用户的行为偏好的辅助信息。上述仅为对用户属性分类模型确定出用户属性的过程的一个举例说明，本实施例不限制用户属性分类模型确定出用户属性的具体实现方式。
作为示例，本实施例的用户属性分类模型可以基于用户属性中的部分内容确定用户属性所属的类型，如用户属性分类模型可以根据用户的性别、用户的年龄段、用户的职业类别、用户的上下班交通工具、用户的收入水平以及用户的教育水平对用户属性进行分类，本实施例可以根据实际需求预先设置多个类型，并根据每个类型所包含的参数的具体取值来确定当前用户的用户属性所属的类型，本实施例不限制用户属性分类模型确定用户属性所属的类型的具体实现方式。
再次，模型设置模块(如第二子模块)在确定出该用户属性所属的类型之后，可以从预先设置的多个基础模型中选取与该用户属性所属的类型相匹配的基础模型；即模型设置模块(如第二子模块)预先设置有多个基础模型，且每一个基础模型均对应有一种用户属性类型，从而在模型设置模块(如第二子模块)确定出用户属性所属的类型时即确定出应采用的基础模型。
最后，模型设置模块(如第三子模块)可以根据该用户的历史特征信息为用户属性所属的类型相匹配的基础模型设置个性化模型参数，从而形成该用户对应的行为分析模型；如模型设置模块(如第三子模块)可以利用该用户的大量历史特征信息对上述相匹配的基础模型进行训练，从而使该基础模型的模型参数是针对该用户而设置的个性化模型参数，即训练后的基础模型是用户对应的行为分析模型。本实施例中的个性化模型参数可以是基于用户的住址、用户的办公地址以及用户的行为偏好等而设置的模型参数。
本实施例的行为分析模型可以采用基于+HMM(包括HMM以及GMHMM等以HMM为核心算法)的行为分析模型，且基于+HMM的行为分析模型中的识别分类算法可以采用“前向算法”。本实施例对行为分析模型的具体训练过程在此不再详细说明。
另外需要特别说明的是，在模型设置模块已经成功为用户设置了其行为分析模型的情况下，获取特征信息模块300后续获取到的用户的当前特征信息会被作为用户的历史特征信息存储，且后续存储的用户的历史特征信息仍然可以用于模型设置模块对该用户的行为分析模型进行训练，以不断的校正(即调整或者调整)用户的行为分析模型的个性化模型参数，使用户的行为分析模型的个性化模型参数能够更好的表现出与用户的实际情况。
信息处理模块320主要用于将用户的当前特征信息中的表征用户当前状态的信息输入用户对应的行为分析模型中；且该信息处理模块320包括：第四子模块、第五子模块、第六子模块、第七子模块以及第八子模块；其中的第四子模块主要用于从当前特征信息集合中读取未处理的当前特征信息；第五子模块主要用于识别读取出的各当前特征信息的类型；第六子模块主要用于根据识别出的类型选取表征用户当前状态的信息；第七子模块主要用于将对应同一时间的不同类型的表征用户当前状态的信息进行组合，以形成以时间为维度的至少一个状态信息组；第八子模块主要用于将状态信息组输入用户对应的行为分析模型中。
具体的，本实施例的用户的当前特征信息中的表征用户当前状态的信息可以具体为用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息。
信息处理模块320(如第四子模块、第五子模块、第六子模块以及第七子模块)可以先对用户的当前特征信息中的表征用户当前状态的信息进行整理，然后，信息处理模块320(如第八子模块)再将整理后的表征用户当前状态的信息输入用户对应的行为分析模型中。
信息处理模块320对用户的当前特征信息中的表征用户当前状态的信息进行整理的一个具体的例子为：本实施例在获取特征信息模块300将获取到的当前特征信息存储于当前特征信息集合中的情况下，信息处理模块320(如第四子模块)可以先从当前特征信息集合中读取未处理的该用户的当前特征信息，信息处理模块320(如第五子模块)识别读取出的各当前特征信息的类型，当前特征信息的类型可以为通讯录类型、姿态类型(如用户设备中的传感器采集信息属于姿态类型)、音频类型(如基于用户设备的麦克风采集的音频信息属于音频类型)以及定位类型(如用户设备的卫星定位信息属于定位类型)等；之后，信息处理模块320(如第六子模块)可以根据识别出的类型选取表征用户当前状态的信息，信息处理模块320(如第七子模块)将对应同一时间的不同类型的表征用户当前状态的信息进行组合，从而形成以时间为维度的至少一个状态信息组。
一个具体的例子，获取特征信息模块300获取到的用户的当前特征信息中的表征用户当前状态的信息可以表述为上述公式(1)所示的形式，信息处理模块320可以将上述公式(1)所示的当前特征信息中的表征用户当前状态的信息整理为上述公式(2)所示的形式。
信息处理模块320(如第八子模块)可以根据时间维度的先后顺序(即时间顺序)将各状态信息组依次输入用户对应的行为分析模型中。如信息处理模块320(如第八子模块)可以先将(Motion Type at tn-1，Sound Type at tn-1，Location Type at tn-1)输入用户对应的行为分析模型中，然后，信息处理模块320(如第八子模块)将tn-1和tn之间的各中间时刻的状态信息组依次输入用户对应的行为分析模型中，直到将(Motion Type at tn，Sound Type at tn，Location Type at tn)。
确定当前行为模块330主要用于根据用户对应的行为分析模型输出的信息确定用户的当前行为。
具体的，本实施例中的用户的当前行为也可以称为用户的当前生活行为或者用户的事件等。用户的当前行为可以具体为在上/下班的路上(采用走路/开车/公共交通工具方式)、在去某目的地(如电影院)的路上(采用走路/开车/公共交通工具方式)、在吃中饭(在餐馆/家中/办公室)、在工作(正在开会/正在伏案工作/正在出差的路上)、在睡午觉或者在逛商场等等。本实施例不限制用户当前行为的具体表现形式。
本实施例中的用户的行为分析模型可以根据输入的表征用户当前状态的信息(如用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息)获得每一种可能的用户行为的概率，如用户的行为分析模型针对每一种可能的用户行为分别利用预定算法对输入的表征用户当前状态的信息进行概率计算，以获得输入的表征用户当前状态的信息对应每一种可能的用户行为的概率；用户的行为分析模型在计算每一种可能的用户行为的概率的过程中通常会对表征用户当前状态的信息、用户的历史事件以及日志信息等多方面进行综合考量。确定当前行为模块330可以根据用户的行为分析模型计算获得的每一种可能的用户行为的概率确定出用户的当前行为，如确定当前行为模块330将用户的行为分析模型计算获得的概率最高的用户行为确定为用户的当前行为。本实施例不限制用户的行为分析模型对输入的表征用户当前状态的信息进行计算的具体实现过程。
确定当前行为模块330确定出的用户的当前行为不仅可以用于预测用户意图，而且也可以用于其他场景，如通过利用确定当前行为模块330获得的用户的当前行为可以记录用户在一段时间范围内的生活历程，从而可以在用户查看时呈现给用户或者定期的呈现给用户等。本实施例不限制确定当前行为模块330确定出的用户的当前行为的具体应用场景。
实施例四、预测用户意图的装置。
图4为本实施例的预测用户意图的装置示意图。在图4所示的装置示意图中，本实施例的预测用户意图的装置包括：获取特征信息模块300、确定分析模型模块310、信息处理模块320、确定当前行为模块330以及意图预测模块440。可选的，本实施例的装置还包括：模型设置模块(图4中未示出)。
本实施例所记载的装置可以设置于智能电子设备中，且该装置通常设置于网络侧的智能电子设备(如设置于云端的服务器等网络设备)中，当然本实施例也不排除该装置设置于用户侧的智能电子设备(如智能移动电话或者平板电脑等用户设备)中的可能性(其中的模型可以由网络侧的网络设备训练，并下发至用户侧)。本实施例不限制设置有预测用户意图的装置的智能电子设备的具体表现形式，即本实施例不限制预测用户意图的装置所适用的硬件环境。
获取特征信息模块300、确定分析模型模块310、信息处理模块320以及确定当前行为模块330所执行的操作如上述实施例三中的描述，在此不再重复说明，下面对图4中的意图预测模块440进行详细说明。
意图预测模块440主要用于根据确定当前行为模块330确定出的用户的当前行为预测用户的当前意图。
具体的，由于用户的当前行为可以在一定程度上反映出用户的意愿，因此，意图预测模块440可以根据用户的当前行为并结合预定策略预测出用户的当前意图；如在确定当前行为模块330确定出的用户的当前行为为正在开会，则意图预测模块440可以根据预定策略预测出用户的当前意图很可能为不希望被电话或者即时通讯工具等打扰，进而本实施例的装置可以使在用户有电话呼叫时，采用播放忙音或者转至电话语音助手等方式来避免对用户的打扰成为可能；再如在确定当前行为模块330确定出的用户的当前行为为在去电影院的路上时，意图预测模块440可以根据预定策略预测出用户的当前意图很可能为希望去看场电影，进而本实施例的装置可以使向用户推荐相应的电影信息成为可能；再如在确定当前行为模块330确定出的用户的当前行为为在逛商场时，如果当前时间已经到了午餐或者晚餐时间，则意图预测模块440可以根据预定策略预测出用户的当前意图很可能为希望在商场附近吃饭，进而本实施例的装置可以使向用户推荐周围评价较高的餐馆信息或者小吃信息成为可能。在此不对意图预测模块440根据预定策略预测出的用户的当前意图进行一一举例说明，本实施例不限制意图预测模块440预测出的用户的当前意图的具体表现形式，且意图预测模块440所采用的预定策略可以根据实际需求来设置。
需要注意的是，本发明的一部分可以被应用为计算机程序产品，例如计算机程序指令，当其被智能电子设备(如智能移动电话或者平板电脑等)执行时，通过该智能电子设备的操作可以调用或者提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或者其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的智能电子设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种确定用户当前行为的方法，其中，所述方法包括以下步骤：
获取用户的当前特征信息；
根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；
将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；
根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；
其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
2.根据权利要求1所述的方法，其中，所述用户对应的行为分析模型的设置过程包括：
根据所述用户的历史特征信息确定所述用户的用户属性所属的类型；
从预先设置的多个基础模型中选取与所述用户属性所属的类型相匹配的基础模型；
根据所述用户的历史特征信息为所述相匹配的基础模型设置个性化模型参数，以形成所述用户对应的行为分析模型。
3.根据权利要求2所述的方法，其中，所述根据所述用户的历史特征信息确定所述用户属性所属的类型包括：
将所述用户的历史特征信息输入用户属性分类模型中；
所述用户属性分类模型根据输入的所述用户的历史特征信息确定用户属性以及所述用户属性所属的类型，并输出所述类型信息。
4.根据权利要求2所述的方法，其中，所述用户属性包括：用户的性别、用户的年龄段、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好。
5.根据权利要求1所述的方法，其中，所述表征用户当前状态的信息包括：用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息中的至少一个。
6.根据权利要求5所述的方法，其中，所述用户的当前特征信息还包括：用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息以及用户设备型号中的任意一个或者多个。
7.根据权利要求1至6中任一权利要求所述的方法，其中，所述将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中包括：
从当前特征信息集合中读取未处理的当前特征信息；
识别所述读取出的各当前特征信息的类型；
根据识别出的类型选取表征用户当前状态的信息；
将对应同一时间的不同类型的表征用户当前状态的信息进行组合，以形成以时间为维度的至少一个状态信息组；
将所述状态信息组输入所述用户对应的行为分析模型中。
8.一种预测用户意图的方法，其中，所述方法包括：
获取用户的当前特征信息；
根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；
将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；
根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；
根据所述用户的当前行为预测所述用户的当前意图；
其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
9.一种确定用户当前行为的装置，其中，所述装置包括：
获取特征信息模块，用于获取用户的当前特征信息；
确定分析模型模块，用于根据所述用户的当前特征信息中的用户标识信息确定所述用户对应的行为分析模型；
信息处理模块，用于将所述用户的当前特征信息中的表征用户当前状态的信息输入所述用户对应的行为分析模型中；
确定当前行为模块，用于根据所述用户对应的行为分析模型输出的信息确定所述用户的当前行为；
其中，所述用户的当前特征信息被存储为所述用户的历史特征信息，所述历史特征信息用于设置并更新所述用户对应的行为分析模型的模型参数。
10.根据权利要求9所述的装置，其中，所述装置还包括：模型设置模块，且所述模型设置模块包括：
第一子模块，用于根据所述用户的历史特征信息确定所述用户的用户属性所属的类型；
第二子模块，用于从预先设置的多个基础模型中选取与所述用户属性所属的类型相匹配的基础模型；
第三子模块，用于根据所述用户的历史特征信息为所述相匹配的基础模型设置个性化模型参数，以形成所述用户对应的行为分析模型。
CN201710396358.4A 2017-05-27 2017-05-27 确定用户当前行为以及预测用户意图的方法和装置 Pending CN107274217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710396358.4A CN107274217A (zh) 2017-05-27 2017-05-27 确定用户当前行为以及预测用户意图的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710396358.4A CN107274217A (zh) 2017-05-27 2017-05-27 确定用户当前行为以及预测用户意图的方法和装置

Publications (1)

Publication Number Publication Date
CN107274217A true CN107274217A (zh) 2017-10-20

Family

ID=60064149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710396358.4A Pending CN107274217A (zh) 2017-05-27 2017-05-27 确定用户当前行为以及预测用户意图的方法和装置

Country Status (1)

Country Link
CN (1) CN107274217A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN112465658A (zh) * 2020-10-30 2021-03-09 中国石油天然气集团有限公司 自媒体文件用户粘度的确定方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201131394A (en) * 2010-03-09 2011-09-16 Alibaba Group Holding Ltd Information indexing method and system
CN104933157A (zh) * 2015-06-26 2015-09-23 百度在线网络技术（北京）有限公司 用于获取用户属性信息的方法、装置及服务器
CN104954410A (zh) * 2014-03-31 2015-09-30 腾讯科技（北京）有限公司 消息推送方法、装置及服务器
CN104967647A (zh) * 2014-11-05 2015-10-07 腾讯科技（深圳）有限公司 消息推送方法和装置
CN105069077A (zh) * 2015-07-31 2015-11-18 百度在线网络技术（北京）有限公司 搜索方法及装置
CN105354196A (zh) * 2014-08-19 2016-02-24 北京羽扇智信息科技有限公司 信息推送方法和信息推送装置
CN107436897A (zh) * 2016-05-26 2017-12-05 冯小平 一种用户当前行为的确定方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201131394A (en) * 2010-03-09 2011-09-16 Alibaba Group Holding Ltd Information indexing method and system
CN104954410A (zh) * 2014-03-31 2015-09-30 腾讯科技（北京）有限公司 消息推送方法、装置及服务器
CN105354196A (zh) * 2014-08-19 2016-02-24 北京羽扇智信息科技有限公司 信息推送方法和信息推送装置
CN104967647A (zh) * 2014-11-05 2015-10-07 腾讯科技（深圳）有限公司 消息推送方法和装置
CN104933157A (zh) * 2015-06-26 2015-09-23 百度在线网络技术（北京）有限公司 用于获取用户属性信息的方法、装置及服务器
CN105069077A (zh) * 2015-07-31 2015-11-18 百度在线网络技术（北京）有限公司 搜索方法及装置
CN107436897A (zh) * 2016-05-26 2017-12-05 冯小平 一种用户当前行为的确定方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN112465658A (zh) * 2020-10-30 2021-03-09 中国石油天然气集团有限公司 自媒体文件用户粘度的确定方法及装置

Similar Documents

Publication Publication Date Title
CN107302566A (zh) 推送信息的方法和装置
CN107194515A (zh) 确定用户当前行为以及预测用户意图的方法和装置
Liu et al. Extracting semantic location from outdoor positioning systems
JP5536485B2 (ja) ユーザの移動に伴って住所／居所を推定する携帯端末、サーバ、プログラム及び方法
CN104246748B (zh) 用于确定情境的系统和方法
CN108874823A (zh) 智能客服的实现方法和装置
CN105894372A (zh) 预测群体信用的方法和装置
CN201663612U (zh) 一种基于位置服务的用户兴趣建模系统
CN112084413B (zh) 一种信息推荐的方法、装置及存储介质
CN110020902A (zh) 跨链存证方法及访问方法、装置、电子设备
CN106845644A (zh) 一种通过相互关系学习用户及移动应用的联系的异构网络
CN109949123A (zh) 房源推荐方法、装置、计算机设备及计算机可读存储介质
CN110008402A (zh) 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法
CN103593413A (zh) 基于Agent的元搜索引擎个性化方法
CN108984574A (zh) 数据处理方法及装置
CN110602631B (zh) Lbs中抵御推测攻击的位置数据的处理方法和处理装置
CN110267206A (zh) 用户位置预测方法及装置
CN107274217A (zh) 确定用户当前行为以及预测用户意图的方法和装置
Baier et al. MapCorrect: Automatic correction and validation of road maps using public sensing
CN109977324A (zh) 一种兴趣点挖掘方法及系统
Fang et al. Idle time window prediction in cellular networks with deep spatiotemporal modeling
CN107368499A (zh) 一种客户标签建模及推荐方法及装置
CN113886721B (zh) 个性化兴趣点推荐方法、装置、计算机设备及存储介质
CN103399900A (zh) 基于位置服务的图片推荐方法
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171020