CN108121795A - 用户行为预测方法及装置 - Google Patents
用户行为预测方法及装置 Download PDFInfo
- Publication number
- CN108121795A CN108121795A CN201711384622.9A CN201711384622A CN108121795A CN 108121795 A CN108121795 A CN 108121795A CN 201711384622 A CN201711384622 A CN 201711384622A CN 108121795 A CN108121795 A CN 108121795A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- sample
- users
- vector
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
- G06F16/1815—Journaling file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户行为预测方法及装置,涉及信息技术领域,主要目的在于能够提升用户行为预测准确率,所述方法包括:对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;根据所述预测行为概率,确定所述目标用户的预测行为。本发明适用于用户行为的预测。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种用户行为预测方法及装置。
背景技术
随着移动互联网的快速发展,人们的日常生活与工作越来越依赖互联网。如何使用日益增长的移动用户大数据进行用户行为预测,已成为移动个性化服务领域,如移动电子商务、移动位置服务、移动广告点击率预测等方面亟待解决的技术问题。
目前,通常直接根据用户行为日志分析的用户行为指标,对用户行为进行预测,即直接将用户行为指标匹配的用户行为,确定为用户预测行为。然而,不同的用户行为可能会匹配同一用户行为指标,通过上述方式预测用户行为,会造成用户行为预测错误,从而导致用户行为预测准确率较低。
发明内容
有鉴于此,本发明提供一种用户行为预测方法及装置,主要目的在于能够提升用户行为预测准确率。
依据本发明第一方面,提供了一种用户行为预测方法,包括:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
依据本发明第二方面,提供了一种用户行为预测装置,包括:
分析单元,用于对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
输入单元,用于将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
确定单元,用于根据所述预测行为概率,确定所述目标用户的预测行为。
依据本发明第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
依据本发明第四方面,提供了一种用户行为预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
本发明提供一种用户行为预测方法及装置,与目前直接根据用户行为日志分析的用户行为指标,对用户行为进行预测,即直接将用户行为指标匹配的用户行为,确定为用户预测行为相比,本发明能够对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的。与此同时,能够根据所述预测行为概率,确定所述目标用户的预测行为,从而能够避免用户行为预测错误,提升用户行为预测准确率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种用户行为预测方法流程图;
图2示出了本发明实施例提供的另一种用户行为预测方法流程图;
图3示出了本发明实施例提供的一种用户行为预测装置的结构示意图;
图4示出了本发明实施例提供的另一种用户行为预测装置的结构示意图;
图5示出了本发明实施例提供的一种用户行为预测装置的实体结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如背景技术所述,目前通常直接根据用户行为日志分析的用户行为指标,对用户行为进行预测,即直接将用户行为指标匹配的用户行为,确定为用户预测行为。然而,不同的用户行为可能会匹配同一用户行为指标,通过上述方式预测用户行为,会造成用户行为预测错误,从而导致用户行为预测准确率较低。
为了解决上述技术问题,本发明实施例提供了一种用户行为预测方法,如图1所示,所述方法包括:
101、对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量。
其中,所述用户行为日志记录了用户所述用户属性向量可以包括用户年龄、性别、地域、学历、工作、家庭背景、用户等级、用户注册时长、用户注册地、用户认证状态等向量。所述用户行为指标向量可以包括:登录信息、充值信息、广告信息等向量,例如,登录信息可以包括用户登录天数、登录次数、主动活跃天数等。充值信息可以包括充值次数和充值金额,若用户行为日志为视频应用的行为日志,所述用户行为指标还可以包括观看信息、弹幕信息,所述观看信息可以包括发送弹幕天数、发送弹幕次数等。本发明实施例中的用户属性向量和用户行为指标向量可以根据用户需求进行设定。
需要说明的是,得到用户属性向量和用户行为指标向量的过程可以为:从所述户行为日志中提取出用户属性信息和用户行为指标信息,然后将用户属性信息和所述用户行为指标信息分别生成向量形式,得到用户属性向量和用户行为指标向量。
102、将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率。
其中,所述行为预测决策树模型可以为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的。所述预设决策树算法可以为梯度提升决策树算法(Gradient Boosting Decision Tree,GBDT),即构造一颗决策树、并利用构建的决策树将所述用户属性向量和用户行为指标作为变量区分出来,决策树的内部节点一般表示一个逻辑判断,叶子节点表示类别标记,在本发明实施例可以指用户行为。所述行为预测决策树模型可以通过离线方式自动训练的,然后将线上的行为预测决策树模型更新为当前训练好的行为预测决策树模型,即在预测用户行为时,可以通过在线方式识别,通过离线方式自动训练行为预测决策树模型,能够避免占用较多的网络资源,从而能够提升用户行为的预测速度,进而能够提升用户行为的预测效率。
103、根据所述预测行为概率,确定所述目标用户的预测行为。
其中,所述预测行为可以为用户的流失行为,可以为用户对应用程序或者应用程序的某一个功能的感兴趣行为等。具体地,针对每种用户行为可以预先设定对应的预设行为概率,即当预测出的某一用户行为的行为概率大于对应的预设行为概率时,则将该用户行为确定为所述目标用户的预测行为。例如,若输入到所述行为预测决策树模型后,获取用户对应用程序感兴趣的概率为50%,且大于预设的感兴趣概率40%,则确定所述目标用户对所述应用程序感兴趣,否则,对所述应用程序不感兴趣。
本发明实施例提供的一种用户行为预测方法,与目前直接根据用户行为日志分析的用户行为指标,对用户行为进行预测,即直接将用户行为指标匹配的用户行为,确定为用户预测行为相比,本发明实施例能够对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的。与此同时,能够根据所述预测行为概率,确定所述目标用户的预测行为,从而能够避免用户行为预测错误,提升用户行为预测准确率。
进一步的,为了更好的说明上述用户行为预测的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种用户行为预测方法,如图2所示,但不限于此,具体如下所示:
201、获取样本用户对应的样本用户行为以及样本用户行为日志。
202、对所述样本行为日志进行分析,得到所述样本用户对应的样本用户属性向量和样本用户行为指标向量。
需要说明的时,得到所述样本用户属性向量和样本用户行为指标向量的过程与步骤101中所描述的方式相同,本发明实施例在此不进行限定。
203、利用预设决策树算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述行为预测决策树模型。
其中,所述预设决策树算法可以为GBDT。对于本发明实施例,为了训练得到所述行为预测决策树模型,所述步骤203具体可以包括:对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行降维处理;将降维的样本用户行为、样本用户属性向量和样本用户行为指标向量拆分为训练集和测试集;利用预设决策树算法对所述训练集进行训练,构建得到训练模型;利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型。
在本发明实施例中,降维处理的过程可以为:剔除与预先设定的目标用户行为、目标用户属性向量、目标用户行为指标向量无关的数据。通过对上述数据进行降维处理,能够简化训练所述行为预测决策树,进而能够提升所述行为预测决策树的训练效率。通过测试集对所述训练模型进行验证和评估能够保证训练得到的所述行为预测决策树模型为最优预测模型,进而可以提升对用户行为预测的准确性。
此外,为了使得训练的所述行为预测决策树模型更加灵活,能够反映实际情况,提升预测准确率,本发明拆分的训练集和测试集的比例可以根据实际需要进行调整,例如,所述训练集和测试集的比例可以为3:1,即将75%降维的样本用户行为、样本用户属性向量和样本用户行为指标向量划分为训练集,剩下的25%划分为测试集。
需要说明的是,所述训练模型的效果可以通过所述训练模型的多个考核指标表示,所述考核指标可以包括:精确度、查全率、F-Measure分数、提升度,所述利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型的步骤具体可以包括:将所述精确度、查全率、F-Measure分数、召回率均符合对应的预设考核指标的训练模型,确定为所述行为预测决策树模型。
其中,所述精确度可以为正确预测的用户行为数/预测的用户行为数;
所述查全率可以为正确预测的用户行为数/测试集中的样本用户行为数;
所述F-Measure分数可以为正确率*召回率*2/(正确率+召回率)。
204、对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量。
205、将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率。
对于本发明实施例,所述步骤205具体可以包括:将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中;预测所述目标用户进行各个样本用户行为的行为概率。
206、根据所述预测行为概率,确定所述目标用户的预测行为。
对于本发明实施例,所述步骤206具体可以包括:将所述行为概率大于对应预设行为概率的样本用户行为,确定所述目标用户的预测行为。
在具体应用场景中,所述行为预测决策树模型可以为流失用户预测决策树模型,通过本发明实施例可以识别出哪些用户为流失用户,具体地:对目标用户的用户行为日志进行分析,得到预设流失周期内的用户属性向量和用户行为指标向量;将所述预设流失周期内的用户属性向量和用户行为指标向量输入到所述流失用户预测决策树模型中,以获取所述目标用户的流失概率;若所述流失概率大于预设流失阈值,则确定所述目标用户为流失用户。所述预设流失阈值可以为60%、70%等。
例如,预设流失阈值为60%,用户A:5天内的在线天数>d1,在线时长为<t,主动活跃天数>d2,…输入到所述流失用户预测决策树模型中,获取的流失阈值为50%,则确定所述用户A并非流失用户。
用户B:5天内的在线天数>d1,在线时长为<t,主动活跃天数>d2,…输入到所述流失用户预测决策树模型中,获取的流失阈值为70%,则确定所述用户B为流失用户。
对于本发明实施例,为了实现个性化推荐,所述方法还可以包括:根据确定的预测行为生成针对所述目标用户的个性化推荐策略。
例如,确定用户为流失用户,生成针对流失用户对应的推荐策略可以为向流失用户发送红包,增加对流失用户的广告投入量等。通过生成所述个性化推荐策略,能够维系挽留目标用户,从而能够增加应用程序对应的用户数。
本发明实施例提供的另一种用户行为预测方法,与目前直接根据用户行为日志分析的用户行为指标,对用户行为进行预测,即直接将用户行为指标匹配的用户行为,确定为用户预测行为相比,本发明实施例能够对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的。与此同时,能够根据所述预测行为概率,确定所述目标用户的预测行为,从而能够避免用户行为预测错误,提升用户行为预测准确率。
进一步地,作为图1的具体实现,本发明实施例提供了一种用户行为预测装置,如图3所示,所述装置包括:分析单元31、输入单元32、确定单元33。
所述分析单元31,可以用于对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量。所述分析单元31是本装置中对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量的主要功能模块。
所述输入单元32,可以用于将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的。所述输入单元32是本装置中将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率的主要功能模块,也是本装置的核心模块。
所述确定单元33,可以用于根据所述预测行为概率,确定所述目标用户的预测行为。所述确定单元33是本装置中根据所述预测行为概率,确定所述目标用户的预测行为的主要功能模块。
对于本发明实施例,为了训练得到所述行为预测决策树模型,如图4所示,所述装置还包括:获取单元34和训练单元35。
所述获取单元34,可以用于获取样本用户对应的样本用户行为以及样本用户行为日志。所述获取单元34是本装置中获取样本用户对应的样本用户行为以及样本用户行为日志的主要功能模块。
所述分析单元31,还可以用于对所述样本行为日志进行分析,得到所述样本用户对应的样本用户属性向量和样本用户行为指标向量。
所述训练单元35,可以用于利用预设决策树算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述行为预测决策树模型。所述训练单元35是本装置中利用预设决策树算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练的主要功能模块。
所述训练单元35可以包括:降维模块、拆分模块、训练模块和验证模块。
所述降维模块,可以用于对所述样本用户行为、所述样本用户属性向量和所述样本用户行进行降维处理。
所述拆分模块,可以用于将降维的样本用户行为、样本用户属性向量和样本用户行为指标向量拆分为训练集和测试集。
所述训练模块,可以用于利用预设决策树算法对所述训练集进行训练,构建得到训练模型。
所述验证模块,可以用于利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型。
所述验证模块,具体可以用于利用所述测试集验证所述训练模型的多个考核指标,所述多个考核指标用于表示所述训练模型的效果;将所述多个考核指标均符合对应的预设考核指标的训练模型,确定为所述行为预测决策树模型。
所述输入单元32,具体可以用于将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中;预测所述目标用户进行各个样本用户行为的行为概率。
所述确定单元33,具体可以用于将所述行为概率大于对应预设行为概率的样本用户行为,确定所述目标用户的预测行为。
在具体应用场景中,本发明实施例还可以识别流失用户,具体地,所述行为预测决策树模型可以为流失用户预测决策树模型,
所述分析单元31,具体可以用于对目标用户的用户行为日志进行分析,得到预设流失周期内的用户属性向量和用户行为指标向量。
所述输入单元32,具体可以用于将所述预设流失周期内的用户属性向量和用户行为指标向量输入到所述流失用户预测决策树模型中,以获取所述目标用户的流失概率。
所述确定单元33,具体可以用于若所述目标用户的流失概率大于预设流失阈值,则确定所述目标用户为流失用户。
对于本发明实施例,为了实现个性化推荐,所述装置还包括:生成单元36。
所述生成单元36,可以用于根据确定的预测行为生成针对所述目标用户的个性化推荐策略。
需要说明的是,本发明实施例提供的一种用户行为预测装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;根据所述预测行为概率,确定所述目标用户的预测行为。
基于上述如图1所示方法和如图3所示用户行为预测装置的实施例,本发明实施例还提供了一种用户行为预测装置的实体结构图,如图5所示,该装置包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;根据所述预测行为概率,确定所述目标用户的预测行为。该装置还包括:总线43,被配置为耦接处理器41及存储器42。
通过本发明的技术方案,能够对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的。与此同时,能够根据所述预测行为概率,确定所述目标用户的预测行为,从而能够避免用户行为预测错误,提升用户行为预测准确率。
本发明还提供了如下技术方案:
A1、一种用户行为预测方法,包括:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
A2、如A1所述的方法,所述对目标用户的用户行为日志进行分析之前,所述方法还包括:
获取样本用户对应的样本用户行为以及样本用户行为日志;
对所述样本行为日志进行分析,得到所述样本用户对应的样本用户属性向量和样本用户行为指标向量;
利用预设决策树算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述行为预测决策树模型。
A3、如A2所述的方法,所述利用预设决策树学习算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述用户行为预测模型,具体包括:
对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行降维处理;
将降维的样本用户行为、样本用户属性向量和样本用户行为指标向量拆分为训练集和测试集;
利用预设决策树算法对所述训练集进行训练,构建得到训练模型;
利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型。
A4、如A3所述的方法,所述利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型,具体包括:
利用所述测试集验证所述训练模型的多个考核指标,所述多个考核指标用于表示所述训练模型的效果;
将所述多个考核指标均符合对应的预设考核指标的训练模型,确定为所述行为预测决策树模型。
A5、如A1所述的方法,所述将所述用户属性向量和所述用户行为指标向量输入到预先训练的用户行为预测模型中,以获取所述目标用户的预测行为概率,具体包括:
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中;
预测所述目标用户进行各个样本用户行为的行为概率;
所述根据所述预测行为概率,确定所述目标用户的预测行为,具体包括:
将所述行为概率大于对应预设行为概率的样本用户行为,确定所述目标用户的预测行为。
A6、如A1所述的方法,所述行为预测决策树模型为流失用户预测决策树模型,所述对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量,具体包括:
对目标用户的用户行为日志进行分析,得到预设流失周期内的用户属性向量和用户行为指标向量;
所述将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,具体包括:
将所述预设流失周期内的用户属性向量和用户行为指标向量输入到所述流失用户预测决策树模型中,以获取所述目标用户的流失概率。
A7、如A6所述的方法,所述根据所述预测行为概率,确定所述目标用户的预测行为,具体包括:
若所述流失概率大于预设流失阈值,则确定所述目标用户为流失用户。
A8、如A1-A7任一项所述的方法,所述确定所述目标用户的预测行为之后,所述方法还包括:
根据确定的预测行为生成针对所述目标用户的个性化推荐策略。
B9、一种用户行为预测装置,包括:
分析单元,用于对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
输入单元,用于将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
确定单元,用于根据所述预测行为概率,确定所述目标用户的预测行为。
B10、如B9所述的装置,所述装置还包括:获取单元和训练单元,
所述获取单元,用于获取样本用户对应的样本用户行为以及样本用户行为日志;
所述分析单元,还用于对所述样本行为日志进行分析,得到所述样本用户对应的样本用户属性向量和样本用户行为指标向量;
所述训练单元,用于利用预设决策树算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述行为预测决策树模型。
B11、如B10所述的装置,所述训练单元包括:
降维模块,用于对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行降维处理;
拆分模块,用于将降维的样本用户行为、样本用户属性向量和样本用户行为指标向量拆分为训练集和测试集;
训练模块,用于利用预设决策树算法对所述训练集进行训练,构建得到训练模型;
验证模块,用于利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型。
B12、如B11所述的装置,
所述验证模块,具体用于利用所述测试集验证所述训练模型的多个考核指标,所述多个考核指标用于表示所述训练模型的效果;将所述多个考核指标均符合对应的预设考核指标的训练模型,确定为所述行为预测决策树模型。
B13、如B9所述的装置,
所述输入单元,具体用于将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中;预测所述目标用户进行各个样本用户行为的行为概率;
所述确定单元,具体用于将所述行为概率大于对应预设行为概率的样本用户行为,确定所述目标用户的预测行为。
B14、如B9所述的装置,所述行为预测决策树模型为流失用户预测决策树模型,
所述分析单元,具体用于对目标用户的用户行为日志进行分析,得到预设流失周期内的用户属性向量和用户行为指标向量;
所述输入单元,具体用于将所述预设流失周期内的用户属性向量和用户行为指标向量输入到所述流失用户预测决策树模型中,以获取所述目标用户的流失概率。
B15、如B14所述的装置,
所述确定单元,具体用于若所述目标用户的流失概率大于预设流失阈值,则确定所述目标用户为流失用户。
B16、如B9-B15任一项所述的装置,所述装置还包括:
生成单元,用于根据确定的预测行为生成针对所述目标用户的个性化推荐策略。
C17、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
D18、一种用户行为预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
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述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的用户行为预测装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种用户行为预测方法,其特征在于,包括:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
2.根据权利要求1所述的方法,其特征在于,所述对目标用户的用户行为日志进行分析之前,所述方法还包括:
获取样本用户对应的样本用户行为以及样本用户行为日志;
对所述样本行为日志进行分析,得到所述样本用户对应的样本用户属性向量和样本用户行为指标向量;
利用预设决策树算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述行为预测决策树模型。
3.根据权利要求2所述的方法,其特征在于,所述利用预设决策树学习算法对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行训练,得到所述用户行为预测模型,具体包括:
对所述样本用户行为、所述样本用户属性向量和所述样本用户行为指标向量进行降维处理;
将降维的样本用户行为、样本用户属性向量和样本用户行为指标向量拆分为训练集和测试集;
利用预设决策树算法对所述训练集进行训练,构建得到训练模型;
利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型。
4.根据权利要求3所述的方法,其特征在于,所述利用所述测试集验证所述训练模型的效果直到满足预设条件,得到所述行为预测决策树模型,具体包括:
利用所述测试集验证所述训练模型的多个考核指标,所述多个考核指标用于表示所述训练模型的效果;
将所述多个考核指标均符合对应的预设考核指标的训练模型,确定为所述行为预测决策树模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述用户属性向量和所述用户行为指标向量输入到预先训练的用户行为预测模型中,以获取所述目标用户的预测行为概率,具体包括:
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中;
预测所述目标用户进行各个样本用户行为的行为概率;
所述根据所述预测行为概率,确定所述目标用户的预测行为,具体包括:
将所述行为概率大于对应预设行为概率的样本用户行为,确定所述目标用户的预测行为。
6.根据权利要求1所述的方法,其特征在于,所述行为预测决策树模型为流失用户预测决策树模型,所述对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量,具体包括:
对目标用户的用户行为日志进行分析,得到预设流失周期内的用户属性向量和用户行为指标向量;
所述将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,具体包括::
将所述预设流失周期内的用户属性向量和用户行为指标向量输入到所述流失用户预测决策树模型中,以获取所述目标用户的流失概率。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预测行为概率,确定所述目标用户的预测行为,具体包括:
若所述流失概率大于预设流失阈值,则确定所述目标用户为流失用户。
8.一种用户行为预测装置,其特征在于,包括:
分析单元,用于对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
输入单元,用于将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
确定单元,用于根据所述预测行为概率,确定所述目标用户的预测行为。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
10.一种用户行为预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
对目标用户的用户行为日志进行分析,得到用户属性向量和用户行为指标向量;
将所述用户属性向量和所述用户行为指标向量输入到预先训练的行为预测决策树模型中,以获取所述目标用户的预测行为概率,所述行为预测决策树模型为利用预设决策树算法对样本用户属性向量、样本用户行为指标向量以及样本用户行为进行训练得到的;
根据所述预测行为概率,确定所述目标用户的预测行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711384622.9A CN108121795B (zh) | 2017-12-20 | 2017-12-20 | 用户行为预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711384622.9A CN108121795B (zh) | 2017-12-20 | 2017-12-20 | 用户行为预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108121795A true CN108121795A (zh) | 2018-06-05 |
CN108121795B CN108121795B (zh) | 2021-07-09 |
Family
ID=62230477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711384622.9A Active CN108121795B (zh) | 2017-12-20 | 2017-12-20 | 用户行为预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108121795B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932525A (zh) * | 2018-06-07 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 一种行为预测方法及装置 |
CN109272165A (zh) * | 2018-09-30 | 2019-01-25 | 江苏满运软件科技有限公司 | 注册概率预估方法、装置、存储介质及电子设备 |
CN109446931A (zh) * | 2018-10-11 | 2019-03-08 | 河南科技大学 | 基于时序关联分析的动物运动行为判别方法及装置 |
CN109523296A (zh) * | 2018-10-12 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 用户行为概率分析方法及装置、电子设备、存储介质 |
CN109558983A (zh) * | 2018-12-03 | 2019-04-02 | 华中师范大学 | 网络课程辍学率预测方法及装置 |
CN109614544A (zh) * | 2018-10-30 | 2019-04-12 | 北京奇虎科技有限公司 | 一种用户的个人信息的预测方法及装置 |
CN109726664A (zh) * | 2018-12-24 | 2019-05-07 | 出门问问信息科技有限公司 | 一种智能表盘推荐方法、系统、设备及存储介质 |
CN109783686A (zh) * | 2019-01-21 | 2019-05-21 | 广州虎牙信息科技有限公司 | 行为数据处理方法、装置、终端设备和存储介质 |
CN109903100A (zh) * | 2018-12-25 | 2019-06-18 | 深圳市梦域科技有限公司 | 一种用户流失预测方法、装置及可读存储介质 |
CN109919649A (zh) * | 2019-01-11 | 2019-06-21 | 北京腾云天下科技有限公司 | 一种目标用户确定方法、装置、计算设备及介质 |
CN111026863A (zh) * | 2018-10-09 | 2020-04-17 | 中国移动通信集团河北有限公司 | 客户行为预测方法、装置、设备及介质 |
CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
CN111062736A (zh) * | 2018-10-17 | 2020-04-24 | 百度在线网络技术(北京)有限公司 | 模型训练、线索排序方法、装置及设备 |
CN111144690A (zh) * | 2019-11-26 | 2020-05-12 | 泰康保险集团股份有限公司 | 目标对象的评估系统、目标对象的评估方法 |
CN111417067A (zh) * | 2020-03-13 | 2020-07-14 | 智慧足迹数据科技有限公司 | 定位用户到访位置的方法和装置 |
CN112101678A (zh) * | 2020-09-23 | 2020-12-18 | 东莞理工学院 | 一种基于gbdt的学生人格倾向预测方法 |
CN112163167A (zh) * | 2020-11-10 | 2021-01-01 | 平安普惠企业管理有限公司 | 基于大数据平台的智能决策方法、系统、设备及介质 |
CN112632004A (zh) * | 2021-03-09 | 2021-04-09 | 南京云联数科科技有限公司 | 基于行为数据采集的用户身份识别方法及装置 |
CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
CN113255231A (zh) * | 2021-06-18 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN113657635A (zh) * | 2020-05-12 | 2021-11-16 | 中国移动通信集团湖南有限公司 | 一种预测通信用户流失的方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130226856A1 (en) * | 2012-02-23 | 2013-08-29 | Palo Alto Research Center Incorporated | Performance-efficient system for predicting user activities based on time-related features |
CN104813353A (zh) * | 2012-10-30 | 2015-07-29 | 阿尔卡特朗讯 | 用于生成用户流失预测的系统和方法 |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
-
2017
- 2017-12-20 CN CN201711384622.9A patent/CN108121795B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130226856A1 (en) * | 2012-02-23 | 2013-08-29 | Palo Alto Research Center Incorporated | Performance-efficient system for predicting user activities based on time-related features |
CN104813353A (zh) * | 2012-10-30 | 2015-07-29 | 阿尔卡特朗讯 | 用于生成用户流失预测的系统和方法 |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932525A (zh) * | 2018-06-07 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 一种行为预测方法及装置 |
CN109272165A (zh) * | 2018-09-30 | 2019-01-25 | 江苏满运软件科技有限公司 | 注册概率预估方法、装置、存储介质及电子设备 |
CN109272165B (zh) * | 2018-09-30 | 2021-04-20 | 满帮信息咨询有限公司 | 注册概率预估方法、装置、存储介质及电子设备 |
CN111026863A (zh) * | 2018-10-09 | 2020-04-17 | 中国移动通信集团河北有限公司 | 客户行为预测方法、装置、设备及介质 |
CN109446931A (zh) * | 2018-10-11 | 2019-03-08 | 河南科技大学 | 基于时序关联分析的动物运动行为判别方法及装置 |
CN109446931B (zh) * | 2018-10-11 | 2022-02-08 | 河南科技大学 | 基于时序关联分析的动物运动行为判别方法及装置 |
CN109523296A (zh) * | 2018-10-12 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 用户行为概率分析方法及装置、电子设备、存储介质 |
CN109523296B (zh) * | 2018-10-12 | 2023-10-27 | 中国平安人寿保险股份有限公司 | 用户行为概率分析方法及装置、电子设备、存储介质 |
CN111062736A (zh) * | 2018-10-17 | 2020-04-24 | 百度在线网络技术(北京)有限公司 | 模型训练、线索排序方法、装置及设备 |
CN109614544A (zh) * | 2018-10-30 | 2019-04-12 | 北京奇虎科技有限公司 | 一种用户的个人信息的预测方法及装置 |
CN109614544B (zh) * | 2018-10-30 | 2023-11-03 | 北京奇虎科技有限公司 | 一种用户的个人信息的预测方法及装置 |
CN109558983A (zh) * | 2018-12-03 | 2019-04-02 | 华中师范大学 | 网络课程辍学率预测方法及装置 |
CN109726664A (zh) * | 2018-12-24 | 2019-05-07 | 出门问问信息科技有限公司 | 一种智能表盘推荐方法、系统、设备及存储介质 |
CN109726664B (zh) * | 2018-12-24 | 2021-07-09 | 出门问问信息科技有限公司 | 一种智能表盘推荐方法、系统、设备及存储介质 |
CN109903100A (zh) * | 2018-12-25 | 2019-06-18 | 深圳市梦域科技有限公司 | 一种用户流失预测方法、装置及可读存储介质 |
CN109919649A (zh) * | 2019-01-11 | 2019-06-21 | 北京腾云天下科技有限公司 | 一种目标用户确定方法、装置、计算设备及介质 |
CN109783686A (zh) * | 2019-01-21 | 2019-05-21 | 广州虎牙信息科技有限公司 | 行为数据处理方法、装置、终端设备和存储介质 |
CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
CN111047425B (zh) * | 2019-11-25 | 2023-10-24 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
CN111144690A (zh) * | 2019-11-26 | 2020-05-12 | 泰康保险集团股份有限公司 | 目标对象的评估系统、目标对象的评估方法 |
CN111417067A (zh) * | 2020-03-13 | 2020-07-14 | 智慧足迹数据科技有限公司 | 定位用户到访位置的方法和装置 |
CN113657635A (zh) * | 2020-05-12 | 2021-11-16 | 中国移动通信集团湖南有限公司 | 一种预测通信用户流失的方法及电子设备 |
CN113657635B (zh) * | 2020-05-12 | 2023-10-27 | 中国移动通信集团湖南有限公司 | 一种预测通信用户流失的方法及电子设备 |
CN112101678A (zh) * | 2020-09-23 | 2020-12-18 | 东莞理工学院 | 一种基于gbdt的学生人格倾向预测方法 |
CN112163167A (zh) * | 2020-11-10 | 2021-01-01 | 平安普惠企业管理有限公司 | 基于大数据平台的智能决策方法、系统、设备及介质 |
CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
CN112632004A (zh) * | 2021-03-09 | 2021-04-09 | 南京云联数科科技有限公司 | 基于行为数据采集的用户身份识别方法及装置 |
CN113255231A (zh) * | 2021-06-18 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN113255231B (zh) * | 2021-06-18 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108121795B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121795A (zh) | 用户行为预测方法及装置 | |
Holzinger et al. | Digital transformation for sustainable development goals (sdgs)-a security, safety and privacy perspective on ai | |
US20190333118A1 (en) | Cognitive product and service rating generation via passive collection of user feedback | |
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
CN107391729A (zh) | 用户评论的排序方法、电子设备及计算机存储介质 | |
CN109922032A (zh) | 用于确定登录账户的风险的方法和装置 | |
US11086754B2 (en) | Automated feedback-based application optimization | |
US11086861B2 (en) | Translating a natural language query into a formal data query | |
US11250951B2 (en) | Feature engineering method, apparatus, and system | |
US20160063376A1 (en) | Obtaining user traits | |
US12008591B2 (en) | Machine learning based user targeting | |
CN108255999A (zh) | 内容推荐方法及装置 | |
CN110555451A (zh) | 信息识别方法和装置 | |
Roy Chowdhury et al. | Recommendation and weaving of reusable mashup model patterns for assisted development | |
CN111814056A (zh) | 基于信息处理的供应商推荐方法及相关设备 | |
US10762089B2 (en) | Open ended question identification for investigations | |
US11928158B2 (en) | Identification of emerging clusters | |
Liu et al. | [Retracted] Deep Learning and Collaborative Filtering‐Based Methods for Students’ Performance Prediction and Course Recommendation | |
CN107909414A (zh) | 应用程序的反作弊方法及装置 | |
Zhao et al. | Comparing two machine learning approaches in predicting lupus hospitalization using longitudinal data | |
Jahić et al. | State of the practice survey: Predicting the influence of ai adoption on system software architecture in traditional embedded systems | |
CN111177564B (zh) | 一种产品推荐方法及装置 | |
Apriliani et al. | SentiHotel: a sentiment analysis application of hotel services using an optimized neural network | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
Kumar et al. | Analysis of GA optimized ANN for proactive context aware recommender system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |