CN107436897A - 一种用户当前行为的确定方法及装置 - Google Patents

Abstract

本发明实施例公开了一种用户当前行为的确定方法和装置，方法包括：获得并存储用户的当前特征信息，所述特征信息中至少包括用户标识信息；根据所述当前特征信息，确定表征所述用户当前状态的第一信息；根据所述用户标识信息，确定所述用户对应的行为分析模型；根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；验证所述第一行为信息对应的行为是否与所述网络数据相匹配；如果是，将所述第一行为信息对应的行为，确定为所述用户的当前行为。应用本发明实施例，能够确定用户当前行为，进而能够根据确定的当前行为预测用户的当前意图。

Description

一种用户当前行为的确定方法及装置

技术领域

本发明涉及互联网技术领域，特别涉及一种用户当前行为的确定方法及装置。

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。

目前可安装于智能移动设备中的应用(Application，APP)的种类以及数量也日渐丰富，为了能让应用更好的服务于用户，一种向用户推送消息的应用功能应运而生。但是目前向用户推送消息的应用功能只是单纯的向用户推送关于该应用的广告消息，应用在推送消息时没有确定用户的当前行为，进而没有针对用户的当前行为向用户推送满足用户当前意图的消息，因此出现了由于推送信息的冗余而给用户造成困扰的问题，使用户体验不佳。

可见，在现有技术中，在向用户推送消息时，没有确定用户的当前行为。

发明内容

本发明实施例的目的在于提供一种用户当前行为的确定方法及装置，以能够准确的确定用户当前行为。

为达到上述目的，本发明实施例公开了一种用户当前行为的确定方法，包括：

获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

根据所述用户标识信息，确定所述用户对应的行为分析模型；

根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；

根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；

验证所述第一行为信息对应的行为是否与所述网络数据相匹配；

如果是，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

可选地，设置所述行为分析模型，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；

根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型；

根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

可选地，所述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，包括：

根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。

可选地，所述用户属性，包括以下属性中的一种或几种组合：

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。

可选地，所述第一信息，包括以下信息中的至少一种：

用户设备中的传感器采集信息、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。

可选地，所述当前特征信息，还包括以下信息中的一种或几种组合：

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、用户设备型号。

可选地，所述根据所述第一行为信息，获取与所述第一行为信息相关的网络数据，包括：

从所述第一行为信息中提取关键词；

从网络中查找与所述关键词相关的网络数据。

可选地，所述方法还包括：

根据所述当前行为，预测所述用户的当前意图。

为达到上述目的，本发明实施例还公开了一种用户当前行为的确定装置，包括：

存储特征信息模块，用于获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

确定第一信息模块，用于根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

确定分析模型模块，用于根据所述用户标识信息，确定所述用户对应的行为分析模型；

确定行为信息模块，用于根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；

获取网络数据模块，用于根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；

验证信息匹配模块，用于验证所述第一行为信息对应的行为是否与所述网络数据相匹配；

确定当前行为模块，用于当所述第一行为信息对应的行为与所述网络数据相匹配时，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

可选地，所述装置还包括：设置分析模型模块，其中，

所述设置分析模型模块，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；根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定所确定的类型相匹配的基础模型；根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

可选地，所述设置分析模型模块，具体用于：

根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型；根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定所确定的类型相匹配的基础模型；根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

可选地，所述用户属性，包括以下属性中的一种或几种组合：

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。

可选地，所述第一信息，包括以下信息中的至少一种：

用户设备中的传感器采集信息、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。

可选地，所述当前特征信息，还包括以下信息中的一种或几种组合：

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、用户设备型号。

可选地，所述获取网络数据模块，包括：

提取子模块，用于从所述第一行为信息中提取关键词；

查找子模块，用于从网络中查找与所述关键词相关的网络数据。

可选地，所述装置还包括：

预测当前意图模块，用于根据所述当前行为，预测所述用户的当前意图。

由上述技术方案可见，本发明实施例提供的一种用户当前行为的确定方法和装置中的方法包括：获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；根据所述当前特征信息，确定表征所述用户当前状态的第一信息；根据所述用户标识信息，确定所述用户对应的行为分析模型；根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；验证所述第一行为信息对应的行为是否与所述网络数据相匹配；如果是，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

应用本发明实施例，能够确定用户的当前行为，并且通过获取的用户的当前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，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，从而能够根据所述行为分析模型准确的确定用户的第一行为信息；通过利用相关的网络数据对当前获得的用户的第一行为信息进行验证，使确定出的用户的当前行为更准确。当然，实施本发明实施例的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种用户当前行为的确定方法的流程示意图；

图2为本发明实施例提供的另一种用户当前行为的确定方法的流程示意图；

图3为本发明实施例提供的一种用户当前行为的确定装置的结构示意图；

图4为本发明实施例提供的另一种用户当前行为的确定装置的结构示意图。

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，所描述的实施例仅仅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。

本发明实施例公开了一种用户当前行为的确定方法及装置，以下进行详细描述。

图1为本发明实施例提供的一种用户当前行为的确定方法的流程示意图，可以包括以下步骤：

步骤S101，获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息。

具体的，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；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。

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。

用户的静态特征可以称为用户属性，且用户属性可以包括以下属性中的一种或几种组合：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。

用户的动态特征可以称为用户的状态，且用户的状态可以具体包括以下状态中的一种：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。

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：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。

用户标识可以具体为用户的移动电话号码或者用户的国际移动用户识别码(International Mobile Subscriber Identification Number，IMSI)等。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。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。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，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，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，用户设备可以以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。

步骤S102，根据所述当前特征信息，确定表征所述用户当前状态的第一信息。

具体的，用户的当前特征信息中的表征用户当前状态的第一信息可以具体为以下信息中的至少一种：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。

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。用户设备的卫星定位信息可以具体为用户设备的基于全球定位系统(Global Position System，GPS)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。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。

在实际应用中，用户设备还可对表征所述用户当前状态的第一信息进行整理。

具体地，获取用户当前特征信息并将其存储于当前特征信息集合中，读取当前特征信息集合中未处理的所述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，根据识别出的类型选取表征用户当前状态的第一信息，并将对应同一时间的不同类型的表征用户当前状态的第一信息进行组合，从而形成以时间为维度的至少一个状态信息组。

具体地，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第一信息可以表述为下述公式(1)所示的形式：

[Motion data from tn-1 to tn]+[Sound data from tn-1 to tn]+[Location data from tn-1 to tn] (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 data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，Location data表示用户设备的卫星定位信息；

具体地，为将用户的当前特征信息中的表征用户当前状态的第一信息按照时间维度重新组合为多个状态信息组，还可以将上述公式(1)所示的当前特征信息中的表征用户当前状态的第一信息整理为下述公式(2)所示的形式：

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；Motiondata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，Location data表示用户设备的卫星定位信息。

步骤S103，根据所述用户标识信息，确定所述用户对应的行为分析模型。

在本实施例中，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。具体地，将每一个行为分析模型与用户标识信息对应存储，形成行为分析模型与用户标识信息的对应关系表，从而在获取到用户的当前特征信息之后，在预先存储的对应关系表中查找与用户的当前特征信息中的用户标识信息相对应的行为分析模型，并将所述行为分析模型作为该用户对应的行为分析模型。

具体地，不同的用户具有不同的行为分析模型，因此针对不同的用户可以设置不同的行为分析模型。利用用户的历史特征信息为用户设置其对应的行为分析模型，所述设置行为分析模型的过程包括：

首先，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。

具体地，根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。将所述用户的历史特征信息输入到预先生成的用户属性分类模型中，从而根据用户属性分类模型输出的信息确定出该用户的用户属性所属的类型。

所述用户的用户属性包括以下属性中的一种或几种组合：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。所述预先生成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；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。对大量用户的历史特征信息进行学习方法为传统的机器学习方法，此方法为现有技术，本实施例不再赘述。

具体地，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。

具体地，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。根据实际需求可以预先设置多个类型，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。

其次，根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型。

具体地，预先设置多个基础模型，且每个基础模型对应一种属性类型的用户，即不同的基础模型与不同属性类型的用户存在对应的匹配关系，例如针对朝九晚五的上班族这种属性类型设置一个基础模型1，则朝九晚五的上班族这种属性与基础模型1相匹配，针对采用弹性工作制度的上班族这种属性类型设置另一个基础模型2，则采用弹性工作制度的上班族这种属性类型与基础模型2相匹配。在实际应用中，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。

在确定出该用户属性所属的类型之后，根据类型与基础模型的匹配关系，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，并将其作为为所确定的基础模型。

最后，根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

具体地，可以利用该用户的大量历史特征信息对所确定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。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。

所述行为分析模型可以采用基于隐马尔可夫模型(Hidden Markov Model，HMM)的行为分析模型，该模型中包括了HMM以及GMM-HMM等以HMM为核心的算法，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”。HMM是一种统计分析模型，它用来描述一个含有隐含未知参数的马尔可夫过程。对行为分析模型的具体训练方法为现有技术，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用户的实际情况。

步骤S104，根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息。

具体的，用户的行为信息为描述用户的当前可能行为的信息，用户的当前可能行为也可以称为用户的当前可能生活行为或者用户的可能事件等。用户的当前可能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可能行为的具体表现形式。

根据所述表征用户当前状态的第一信息以及用户行为分析模型可计算出每一种用户的当前可能行为对应的概率。如在用户的行为分析模型中，针对每一种用户的当前可能行为分别利用预定算法对输入的表征用户当前状态的第一信息进行概率计算，以计算出输入的表征用户当前状态的第一信息对应的每一种用户的当前可能行为的概率；用户的行为分析模型在计算每一种用户的当前可能行为的概率的过程中通常会对表征用户当前状态的第一信息、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第一信息进行计算的具体实现过程。

根据每一种用户的当前可能行为对应的概率的计算结果，将最高概率对应的用户的当前可能行为的描述信息确定为用户的第一行为信息，当然，也可以将最高概率及次高概率的用户的当前可能行为的描述信息确定为用户的第一行为信息，具体将几种用户的当前可能行为的描述信息确定为用户的第一行为信息本实施例不作限定。

步骤S105，根据所述第一行为信息，获取与所述第一行为信息相关的网络数据。

具体地，针对所述第一行为信息进行分词处理，以提取第一行为信息中的关键词，然后从网络中查找与提取的关键词相关的网络数据。如利用网络爬虫等方式搜索与关键词相关的网络数据。本实施例不限制从确定的第一行为信息中提取关键词的具体实现方式以及从网络中查找与关键词相关的网络数据的具体实现方式。

步骤S106，验证所述第一行为信息对应的行为是否与所述网络数据相匹配，如果是，执行步骤S107。

为了使最终确定出的用户的当前行为更加准确，根据所述获取到的相关的网络数据对所述第一行为信息对应的行为进行验证，验证第一行为信息是否与获取到的相应的网络数据相匹配，如果是，执行步骤S107；否则，确定为验证失败。

例如，用户第一行为信息为用户在去往第一体育馆的路上，如果以第一体育馆为关键词所获取到的网络数据包含有某歌星将于A年B月C日D时在第一体育馆举办演唱会，则本实施例在确定出当前年月日为A年B月C日，且当前时间临近D时的情况下，可以确定本次验证通过，从而本实施例可以准确的确定出用户的当前行为为在去往第一体育馆的路上，反之，则为验证失败，本实施例不能准确的确定出用户的当前行为是否为在去往第一体育馆的路上。

步骤S107，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

具体地，如果所述第一行为信息对应的行为与所述网络数据相匹配，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

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，如通过记录用户在一段时间范围内的生活历程，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。

应用本发明实施例，能够确定出用户的当前行为，并且通过获取的用户的当前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，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，从而能够根据所述行为分析模型准确的确定用户的第一行为信息；通过利用相关的网络数据对当前获得的用户的第一行为信息进行验证，使确定出的用户的当前行为更准确。

图2为本实施例提供的另一种用户当前行为的确定方法的流程示意图，可以包括以下步骤：

步骤S201，获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息.

步骤S202，根据所述当前特征信息，确定表征所述用户当前状态的第一信息。

步骤S203，根据所述用户标识信息，确定所述用户对应的行为分析模型。

步骤S204，根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息。

步骤S205，根据所述第一行为信息，获取与所述第一行为信息相关的网络数据。

步骤S206，验证所述第一行为信息对应的行为是否与所述网络数据相匹配，如果是，执行步骤S207。

步骤S207，如果是，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

需要说明的是，本发明实施例的步骤S201-步骤S207与图1所对应的实施例的的步骤S101-步骤S107可以完全相同，在此不再赘述。

步骤S208，根据所述当前行为，预测所述用户的当前意图。

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。

应用本发明实施例，能够确定用户当前行为，通过获取的用户的当前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，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，从而能够根据所述行为分析模型准确的确定用户的第一行为信息；通过利用相关的网络数据对当前获得的用户的第一行为信息进行验证，使确定出的用户的当前行为更准确。并且能够根据用户当前行为，预测用户当前意图，进而可以向用户推送满足用户意图的数据。在将上述方法应用于具体的应用程序时，可以提高用户对该应用程序的粘度，进而提高该应用程序的生存周期和竞争力。

本发明实施例还公开了一种用户当前行为的确定装置，图3为本发明实施例提供的一种用户当前行为的确定装置的结构示意图，可以包括：

存储特征信息模块301，用于获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息。

具体的，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；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。

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。

用户的静态特征可以称为用户属性，且用户属性可以包括以下属性中的一种或几种组合：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。

用户的动态特征可以称为用户的状态，且用户的状态可以具体包括以下状态中的一种：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。

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：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。

用户标识可以具体为用户的移动电话号码或者用户的国际移动用户识别码(International Mobile Subscriber Identification Number，IMSI)等。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。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。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，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，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，用户设备可以以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。

确定第一信息模块302，用于根据所述当前特征信息，确定表征所述用户当前状态的第一信息。

具体的，用户的当前特征信息中的表征用户当前状态的第一信息可以具体为以下信息中的至少一种：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。

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。用户设备的卫星定位信息可以具体为用户设备的基于全球定位系统(Global Position System，GPS)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。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。

在实际应用中，可对表征所述用户当前状态的第一信息进行整理。

具体地，获取用户当前特征信息并将其存储于当前特征信息集合中，读取当前特征信息集合中未处理的所述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，根据识别出的类型选取表征用户当前状态的第一信息，并将对应同一时间的不同类型的表征用户当前状态的第一信息进行组合，从而形成以时间为维度的至少一个状态信息组。

具体地，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第一信息可以表述为下述公式(1)所示的形式：

[Motion data from tn-1 to tn]+[Sound data from tn-1 to tn]+[Location data from tn-1 to tn] (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 data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，Location data表示用户设备的卫星定位信息；

具体地，为将用户的当前特征信息中的表征用户当前状态的第一信息按照时间维度重新组合为多个状态信息组，还可以将上述公式(1)所示的当前特征信息中的表征用户当前状态的第一信息整理为下述公式(2)所示的形式：

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；Motiondata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，Location data表示用户设备的卫星定位信息。

确定分析模型模块303，用于根据所述用户标识信息，确定所述用户对应的行为分析模型。

具体地，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。将每一个行为分析模型与用户标识信息对应存储，形成行为分析模型与用户标识信息的对应关系表，从而在获取到用户的当前特征信息之后，在预先存储的对应关系表中查找与用户的当前特征信息中的用户标识信息相对应的行为分析模型，并将所述行为分析模型作为该用户对应的行为分析模型。

具体地，不同的用户具有不同的行为分析模型，因此针对不同的用户可以设置不同的行为分析模型，因此本实施装置还不包括设置分析模型模块，(图3中未示出)，用于利用用户的历史特征信息为其设置对应的行为分析模型，所述设置模型模块，具体用于：

首先，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。

具体地，根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。将所述用户的历史特征信息输入到预先生成的用户属性分类模型中，从而根据用户属性分类模型输出的信息确定出该用户的用户属性所属的类型。

所述用户的用户属性包括以下属性中的一种或几种组合：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。所述预先生成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；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。对大量用户的历史特征信息进行学习方法为传统的机器学习方法，此方法为现有技术，本实施例不再赘述。

具体地，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。

具体地，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。根据实际需求可以预先设置多个类型，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。

其次，根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型。

具体地，预先设置多个基础模型，且每个基础模型对应一种属性类型的用户，即不同的基础模型与不同属性类型的用户存在对应的匹配关系，例如针对朝九晚五的上班族这种属性类型设置一个基础模型1，则朝九晚五的上班族这种属性与基础模型1相匹配，针对采用弹性工作制度的上班族这种属性类型设置另一个基础模型2，则采用弹性工作制度的上班族这种属性类型与基础模型2相匹配。在实际应用中，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。

在确定出该用户属性所属的类型之后，根据类型与基础模型的匹配关系，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，并将其作为为所确定的基础模型。

最后，根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型

具体地，可以利用该用户的大量历史特征信息对所确定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。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。

所述行为分析模型可以采用基于隐马尔可夫模型(Hidden Markov Model，HMM)的行为分析模型，该模型中包括了HMM以及GMM-HMM等以HMM为核心的算法，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”。HMM是一种统计分析模型，它用来描述一个含有隐含未知参数的马尔可夫过程。对行为分析模型的具体训练方法为现有技术，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用户的实际情况。

确定行为信息模304，用于根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息。

具体的，用户的行为信息为描述用户的当前可能行为的信息，用户的当前可能行为也可以称为用户的当前可能生活行为或者用户的可能事件等。用户的当前可能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可能行为的具体表现形式。

根据所述表征用户当前状态的第一信息以及用户行为分析模型可计算出每一种用户的当前可能行为对应的概率。如在用户的行为分析模型中，针对每一种用户的当前可能行为分别利用预定算法对输入的表征用户当前状态的第一信息进行概率计算，以计算出输入的表征用户当前状态的第一信息对应的每一种用户的当前可能行为的概率；用户的行为分析模型在计算每一种用户的当前可能行为的概率的过程中通常会对表征用户当前状态的第一信息、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第一信息进行计算的具体实现过程。

根据每一种用户的当前可能行为对应的概率的计算结果，将最高概率对应的用户的当前可能行为的描述信息确定为用户的第一行为信息，当然，也可以将最高概率及次高概率的用户的当前可能行为的描述信息确定为用户的第一行为信息，具体将几种用户的当前可能行为的描述信息确定为用户的第一行为信息本实施例不作限定。

获取网络数据模块305，用于根据所述第一行为信息，获取与所述第一行为信息相关的网络数据。

具体地，获取网络数据模块305，包括提取子模块和查找子模块(图3中未示出)，所述提取子模块，用于针对所述第一行为信息进行分词处理，以提取第一行为信息中的关键词；所述查找子模块，用于从网络中查找与提取的关键词相关的网络数据。如利用网络爬虫等方式搜索与关键词相关的网络数据。本实施例不限制从确定的第一行为信息中提取关键词的具体实现方式以及从网络中查找与关键词相关的网络数据的具体实现方式。

验证信息匹配模块306，用于验证所述第一行为信息对应的行为是否与所述网络数据相匹配，如果是，执行确定当前行为模块307的操作。

为了使最终确定出的用户的当前行为更加准确，根据所述获取到的相关的网络数据对所述第一行为信息对应的行为进行验证，验证第一行为信息是否与获取到的相应的网络数据相匹配，如果是，执行确定当前行为模块307；否则，确定为验证失败。

确定当前行为模块307，用于将所述第一行为信息对应的行为，确定为所述用户的当前行为。

具体地，如果所述第一行为信息对应的行为与所述网络数据相匹配，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

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，如通过记录用户在一段时间范围内的生活历程，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。

应用本发明实施例，能够确定出用户的当前行为，并且通过获取的用户的当前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，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，从而能够根据所述行为分析模型准确的确定用户的第一行为信息；通过利用相关的网络数据对当前获得的用户的第一行为信息进行验证，使确定出的用户的当前行为更准确。

图4为本实施例提供的另一种用户当前行为的确定装置的结构示意图，可以包括：

存储特征信息模块401，用于获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

确定第一信息模块402，用于根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

确定分析模型模块403，用于根据所述用户标识信息，确定所述用户对应的行为分析模型；

确定行为信息模块404，用于根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；

获取网络数据模块405，用于根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；

验证信息匹配模块406，用于验证所述第一行为信息对应的行为是否与所述网络数据相匹配，如果是，执行确定当前行为模块407的操作；

确定当前行为模块407，用于当所述第一行为信息对应的行为与所述网络数据相匹配时，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

需要说明的是，存储特征信息模块401、确定第一信息模块402、确定分析模型模块403、确定行为信息模块404、获取网络数据模块405、验证信息匹配模块406、确定当前行为模块407与图3所示实施例中的存储特征信息模块301、确定第一信息模块302、确定分析模型模块303、确定行为信息模块304、获取网络数据模块305、验证信息匹配模块306、确定当前行为模块307的功能可以完全相同，这里不再重复详述。

预测当前意图模块408，用于根据所述当前行为，预测所述用户的当前意图。

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，预测当前意图模块408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407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407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407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。

应用本发明实施例，能够确定用户当前行为，通过获取的用户的当前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，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，从而能够根据所述行为分析模型准确的确定用户的第一行为信息；通过利用相关的网络数据对当前获得的用户的第一行为信息进行验证，使确定出的用户的当前行为更准确。并且能够根据用户当前行为，预测用户当前意图，进而可以向用户推送满足用户意图的数据。在将上述方法应用于具体的应用程序时，可以提高用户对该应用程序的粘度，进而提高该应用程序的生存周期和竞争力。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述方法实施方式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，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种用户当前行为的确定方法，其特征在于，所述方法包括：

获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

根据所述用户标识信息，确定所述用户对应的行为分析模型；

根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；

根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；

验证所述第一行为信息对应的行为是否与所述网络数据相匹配；

如果是，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

2.根据权利要求1所述的方法，其特征在于，设置所述行为分析模型，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；

根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型；

根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

3.根据权利要求2所述的方法，其特征在于，所述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，包括：

根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述第一行为信息，获取与所述第一行为信息相关的网络数据，包括：

从所述第一行为信息中提取关键词；

从网络中查找与所述关键词相关的网络数据。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

根据所述当前行为，预测所述用户的当前意图。

6.一种用户当前行为的确定装置，其特征在于，所述装置包括：

存储特征信息模块，用于获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

确定第一信息模块，用于根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

确定分析模型模块，用于根据所述用户标识信息，确定所述用户对应的行为分析模型；

确定行为信息模块，用于根据所述第一信息以及所述行为分析模型，确定所述用户的第一行为信息；

获取网络数据模块，用于根据所述第一行为信息，获取与所述第一行为信息相关的网络数据；

验证信息匹配模块，用于验证所述第一行为信息对应的行为是否与所述网络数据相匹配；

确定当前行为模块，用于当所述第一行为信息对应的行为与所述网络数据相匹配时，将所述第一行为信息对应的行为，确定为所述用户的当前行为。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：设置分析模型模块，其中，

所述设置分析模型模块，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；根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定所确定的类型相匹配的基础模型；根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

8.根据权利要求7所述的装置，其特征在于，所述设置分析模型模块，具体用于：

根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型；根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定所确定的类型相匹配的基础模型；根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

9.根据权利要求6至8中任一项所述的装置，其特征在于，所述获取网络数据模块，包括：

提取子模块，用于从所述第一行为信息中提取关键词；

查找子模块，用于从网络中查找与所述关键词相关的网络数据。

10.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括：

预测当前意图模块，用于根据所述当前行为，预测所述用户的当前意图。