CN108932525B - 一种行为预测方法及装置 - Google Patents

Abstract

本说明书公开一种行为预测方法及装置，可以根据多个样本对象和对应的特征信息，以及目标对象和对应的特征信息，确定目标对象与该多个样本对象的相似度，并根据相似度，为目标对象确定出行为样本对象，从而根据行为样本对象的历史行为结果对目标对象进行行为预测。

Description

一种行为预测方法及装置

技术领域

本说明书涉及计算机技术领域，尤其涉及一种行为预测方法及装置。

背景技术

多个领域均可以通过数据化的方式管理各类数据对象，并在必要时预测对象的行为。比如可以通过数据化的方式，管理产品、设备、包裹、甚至是人员等，并在必要时可以根据对象的特征信息，预测产品的销售情况、设备的服务质量、包裹的时效结果、甚至人员的学习、工作成果等行为。

当前预测对象行为的方式通常依靠人为经验，比如可以根据样本对象的特征信息以及对应的历史行为结果，根据目标对象的特征信息，依靠人为经验预测目标对象是否可能发生该行为。

但人为经验可能受制于主观、知识、阅历等因素，且在对象较多、特征信息越来越丰富的现实情况下，依靠人为经验预测行为的准确性和效率均较低。所以需要提出一种行为预测方法，可以提高预测对象行为的准确性和效率。

发明内容

本说明书实施例提供一种行为预测方法，用于提高对目标对象行为预测的准确性和效率。

本说明书实施例提供一种行为预测装置，用于提高对目标对象行为预测的准确性和效率。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例采用下述技术方案：

一种行为预测方法，包括：

获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度；

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测。

优选地，根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度，包括：

对所述多个样本对象的特征信息，以及所述目标对象的特征信息进行独热编码，生成所述多个样本对象的特征向量，以及所述目标对象的特征向量；

根据所述多个样本对象的特征向量，以及所述目标对象的特征向量，确定所述目标对象与所述多个样本对象的相似度。

优选地，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象，包括：

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最高的N个样本对象，作为行为样本对象，所述N为正整数；则

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测，包括：

根据所述行为样本对象的历史行为结果的发生概率，预测所述目标对象发生所述行为的概率。

优选地，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象，包括：

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最低的M个样本对象，作为行为样本对象，所述M为正整数；则

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测，包括：

根据所述行为样本对象的历史行为结果的发生概率，预测所述目标对象不发生所述行为的概率。

优选地，所述对象包括人员。

优选地，所述样本对象的特征信息满足预设的全面性条件。

一种行为预测装置，获取单元、第一确定单元、第二确定单元、以及预测单元，其中，

所述获取单元，获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

所述第一确定单元，根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度；

所述第二确定单元，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

所述预测单元，根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测。

由以上实施例提供的技术方案可见，根据多个样本对象和对应的特征信息，以及目标对象和对应的特征信息，确定目标对象与该多个样本对象的相似度，并根据相似度，为目标对象确定出行为样本对象，从而根据行为样本对象的历史行为结果对目标对象进行行为预测。相对于依靠人为经验进行行为预测导致的准确性低和效率低的问题而言，本说明书根据与目标对象具有相似度的样本对象的历史行为结果，对目标对象进行行为预测，提高了预测对象行为的准确性和效率。

附图说明

为了更清楚地说明本说明书实施例或现有的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的行为预测方法的流程示意图；

图2为本说明书实施例提供的预测目标员工离职行为的方法的流程示意图；

图3为本说明书实施例提供的行为预测装置的结构示意图；

图4为本说明书实施例提供的电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本说明书的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书中各实施例提供的技术方案。

实施例1

如前所述，当前预测对象行为的方式通常依靠人为经验，比如可以不断地根据样本对象的特征信息，以及对应的历史行为结果进行人为学习，以便反复总结经验，当需要对目标对象进行行为预测时，根据目标对象的特征信息以及学习的经验进行预测。具体比如，公司有若干个员工，可以收集一些员工及对应的特征信息作为样本员工，这些样本员工可以对应有年龄、性别、学历、工作年限、第几份工作等特征信息，每个样本员工均对应自身的特征信息，且对应有是否离职的历史离职结果，预测人员可以根据每个样本员工的特征信息以及对应的历史离职结果进行学习，以便可以根据在职员工的特征信息，对其是否有有可能出现离职行为进行预测。但人为经验受制于主观、知识、阅历等因素，不同人的学习能力也不尽相同，行为预测的结果也会不同。且在对象较多、特征信息较多的情况，学习效果会很差，也就导致预测结果准确性较低，且效率不高。比如，若公司的员工很多(达到百人以上)，且针对员工的特征信息的维度很多(包含10至20项特征信息)，则对于人为预测员工的行为极有可能出现准确性较低，且效率不高的情况。

基于上述需求，本说明书实施例提供一种行为预测方法，用于提高对目标对象行为预测的准确性和效率，该方法的具体流程示意图如图1所示，包括：

步骤102：获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息。

这里样本对象可以是指具有对应的特征信息的对象。比如前文举例的对象可以是员工，则样本员工可以具有对应的年龄、性别、学历、工作年限、第几份工作等特征信息。目标对象可以是指将要进行行为预测的对象，比如对于员工而言，目标对象可以是在职员工，而预测的依据可以是在职员工对应的年龄、性别、学历、工作年限、第几份工作等特征信息。而在实际应用中，对象也可以是学生、老师等人员，或还可以是前文举例的产品、设备、包裹等。

则本步骤，可以获取多个样本对象和该多个样本对象对应的特征信息，以及目标对象和该目标对象对应的特征信息。具体地，可以根据键值对的方式获取到对象和对应的特征信息，比如，可以是以样本员工1—样本特征信息1、样本员工2—样特征信息2；目标员工1—目标特征信息1的形式进行获取。

在实际应用中，为了提高行为预测的准确性，本步骤可以获取特征信息比较全面的样本对象，则在一种实施方式中，该样本对象的特征信息可以满足预设的全面性条件。具体地，本实施例可以为对象预设多个特征信息，比如对于员工而言，可以包括年龄、性别、学历、工作年限、工作岗位、第几份工作等特征信息，而在实际应用中，还可以包括奖励次数、惩罚次数、参与项目规模、岗位调整次数等特征信息。具体比如下表1，可以是员工与特征信息的对应关系：

表1

而对于预设的全面性条件，可以是指覆盖每个特征信息，比如，对于上表1中的样本员工1和样本员工2而言，从年龄至岗位调整次数，可以均有对应的特征信息，也即预设的全面性条件可以是指所有特征信息均不为空。而在实际应用中，也可以根据实际情况，将全面性条件预设为特定特征信息(比如工作年限和参与项目规模)不为空，或预设个数/比例的特定特征信息(比如8个/80％的特征信息)不为空，等。

步骤104：根据多个样本对象的特征信息，以及目标对象的特征信息，确定目标对象与多个样本对象的相似度。

目标对象与多个样本对象的相似度，可以是指目标对象与多个样本对象中的样本对象的相似程度。而确定的依据，可以包括多个样本对象的特征信息以及目标对象的特征信息。在一种实施方式中，可以通过欧式距离(euclidean metric，欧几里得度量)进行确定，具体地，可以将每个样本对象与目标对象分别映射到一个多维空间中，每个对象可以通过一个点来表示，通过欧式距离确定两点之间的距离，距离越近则可以表示相似度越高，也即可以根据样本对象和目标对象分别代表的两点之间的距离，确定出目标对象与样本对象之间的相似度，从而得到目标对象分别与各样本对象的相似度。

在实际应用中，如上表1所示，对象的特征信息通常是离散非连续的，所以在另一种实施方式中，为了达到能够根据离散数据确定相似度的目的，根据多个样本对象的特征信息，以及目标对象的特征信息，确定目标对象与多个样本对象的相似度，可以包括：对多个样本对象的特征信息，以及目标对象的特征信息进行独热编码，生成多个样本对象的特征向量，以及目标对象的特征向量；根据该多个样本对象的特征向量，以及该目标对象的特征向量，确定该目标对象与多个样本对象的相似度。具体地，独热编码(One-Hot Encoding)又称一位有效编码。对于每一个特征，如果有P个可能值，经过独热编码后，就变成了P个二元特征，其中二元可以是指0和1。进一步地，对于上表1而言，样本员工1的特征信息可以是{24，男，本科，2，高级算法工程师，2，3，0，大，1}，通过独热编码后，

对于以数字表示的特征信息可以直接作为特征向量的结果，而对于以字符表示的特征信息，则需要进行独热编码。对于性别而言，可以包括男和女，则独热编码后的男性特征向量可以是{0，1}，女性特征向量可以是{1，0}；

对于学历而言，可以包括博士、硕士和本科这3种，则独热编码后的本科特征向量可以是{0，0，1}，硕士特征向量可以是{0，1，0}；

对于工作岗位而言，可以有6种，初级算法工程师和高级算法工程师是其中的两种，则独热编码后的初级算法工程师特征向量可以是{0，0，0，0，0，1}，高级算法工程师特征向量可以是{0，0，0，0，1，0}；

对于参与项目的规模，可以包括小、中、大、特大这四类，则独热编码后的参与项目的大规模的特征向量可以是{0，1，0，0}，参与项目的中规模的特征向量可以是{0，0，1，0}。

则对于样本员工1而言，通过独热编码生成的特征向量可以是{24，0，1，0，0，1，2，0，0，0，0，1，0，2，3，0，0，1，0，0，1}；对于样本员工2而言，通过独热编码生成的特征向量可以是{27，1，0，0，1，0，2，0，0，0，0，0，1，2，3，0，0，0，1，0，1}。从而可以根据多个样本对象的特征向量，以及目标对象的特征向量，确定目标对象与多个样本对象的相似度。而具体地确定相似度的方式，可以通过计算余弦相似度进行确定。余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦值的范围在[-1，1]之间，值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交，即相关性越来越低。

步骤106：根据目标对象与多个样本对象的相似度，从多个样本对象中为该目标对象确定出行为样本对象。

步骤108：根据确定出的行为样本对象的历史行为结果，对该目标对象进行行为预测。

在前述步骤中，可以确定出目标对象与多个样本对象的相似度，则这两步骤可以从样本对象中为该目标对象确定出与之具有相似性的行为样本对象，并根据该行为样本对象对应的历史行为结果，对该目标对象进行行为预测。

比如对于员工而言，可以将相似度由高至低进行排序，从而得到与目标员工从最相似到最不相似的样本员工的排序，进一步可以从相似度由高至低选出若干个样本员工，作为目标员工的行为样本员工，并根据这些行为样本员工的历史行为结果，对目标员工进行预测。具体比如，可以有100个样本员工和1个目标员工，根据前述步骤，可以为这1个目标员工分别确定出与这100个样本员工中每个员工的相似度，并根据相似度进行由高至低排序，从相似度前10的样本员工中随机选出5个样本员工作为行为样本员工，当这5个行为样本员工的历史行为结果均包含离职行为时，则可以预测该目标员工也会出现离职行为，而在实际应用中，由于选出的5个行为样本员工与目标员工很相似，若有一个员工的历史行为结果中出现离职行为，则也可以预测出该目标员工有出现离职行为的可能。

在实际应用中，与目标对象最相似的几个样本对象的历史行为结果，往往有较大可能性出现在目标对象身上，也即相似度高的对象之间，往往会出现重蹈覆辙的现象，根据这一特征可以更准确地对目标对象的行为进行预测。在一种实施方式中，根据目标对象与多个样本对象的相似度，从多个样本对象中为该目标对象确定出行为样本对象，可以包括：根据目标对象与多个样本对象的相似度，从多个样本对象中选取出与该目标对象相似度最高的N个样本对象，作为行为样本对象，其中，N可以是正整数。则根据确定出的行为样本对象的历史行为结果，对该目标对象进行行为预测，可以包括：根据确定出的行为样本对象的历史行为结果的发生概率，预测该目标对象发生该行为的概率。具体地，依旧以前文的举例，可以有100个样本员工，并确定出1个目标员工分别与这100个样本员工的相似度，通过由高至低相似度排序中的前10个，可以选出10个与这个目标员工最相似的样本员工，作为该目标对象的行为样本对象。此后，可以获取这10个行为样本员工对应的历史行为结果，比如每个员工可以对应有离职、违纪、晋升、绩效优异等历史行为结果的至少一项，此时可以确定行为样本员工的历史离职结果的发生概率，具体比如可以是80％，即这10个行为样本员工中，有8个均出现了历史离职行为，则可以预测出该目标对象发生离职行为的概率大致是80％，类似地，如果行为样本员工的历史晋升结果的发生概率为20％，则也可以确定出该目标对象发生发生晋升的概率大致是20％。

在实际应用中，与目标对象最不相似的几个样本对象的历史行为结果，往往有较大可能性不会出现在目标对象身上，也即相似度低的对象之间，往往不会出现重蹈覆辙现象，根据这一特征也可以对目标对象的行为进行预测。在一种实施方式中，根据目标对象与多个样本对象的相似度，从多个样本对象中为该目标对象确定出行为样本对象，可以包括：根据目标对象与多个样本对象的相似度，从多个样本对象中选取出与该目标对象相似度最低的M个样本对象，作为行为样本对象，其中，M可以是正整数。则根据确定出的行为样本对象的历史行为结果，对该目标对象进行行为预测，可以包括：根据确定出的行为样本对象的历史行为结果的发生概率，预测该目标对象不发生该行为的概率。具体地，依旧以前文的举例，可以有100个样本员工，并确定出1个目标员工分别与这100个样本员工的相似度，通过由高至低相似度排序中的最后10个，可以选出10个与这个目标员工最不相似的样本员工，作为该目标对象的行为样本对象。此后，可以获取这10个行为样本员工对应的历史行为结果，比如每个员工也可以对应有离职、违纪、晋升、绩效优异等历史行为结果的至少一项，此时可以确定行为样本员工的历史离职结果的发生概率，具体比如可以是10％，即这10个行为样本员工中，只有有1个出现了历史离职行为，则可以预测出该目标对象不发生离职行为的概率大概是10％。而在实际应用中，也可以根据不发生离职行为的概率，确定出发生离职行为的概率，也即发生离职的概率大致是90％。根据上述两种方式，可以分别通过正向和反向两种方式对行为进行预测，而在实际应用中，也可以综合考虑这两种方式进行行为预测，进一步提高行为预测准确性。所以在一种实施方式中，根据目标对象与多个样本对象的相似度，从多个样本对象中为该目标对象确定出行为样本对象，可以包括：根据目标对象与多个样本对象的相似度，从多个样本对象中选取出与该目标对象相似度最高的N个样本对象，作为第一行为样本对象；并根据目标对象与多个样本对象的相似度，从多个样本对象中选取出与该目标对象相似度最低的M个样本对象，作为第二行为样本对象，其中，N和M可以均是正整数。则根据确定出的行为样本对象的历史行为结果，对该目标对象进行行为预测，可以包括：根据确定出的第一行为样本对象的历史行为结果的发生概率，以及第二行为样本对象的历史行为结果的发生概率，预测该目标对象发生该行为的概率。比如，根据上文的举例，可以取80％和90％的中间值85％，作为该目标对象发生离职行为的大致概率。

由以上实施例提供的技术方案可见，在本说明书提供的实施例中，根据多个样本对象和对应的特征信息，以及目标对象和对应的特征信息，确定目标对象与该多个样本对象的相似度，并根据相似度，为目标对象确定出行为样本对象，从而根据行为样本对象的历史行为结果对目标对象进行行为预测。相对于依靠人为经验进行行为预测导致的准确性低和效率低的问题而言，本说明书根据与目标对象具有相似度的样本对象的历史行为结果，对目标对象进行行为预测，提高了预测对象行为的准确性和效率。

实施例2

基于相同的构思，本说明书实施例还提供一种预测目标员工离职行为的方法，用于提高对目标员工离职行为预测的准确性和效率。该方法的流程示意图如图2所示，包括：

步骤202：获取多个样本员工和对应的特征信息，以及目标员工和对应的特征信息。

如实施例1中的举例，可以获取100个样本员工和对应的特征信息，以及1个目标员工和对应的特征信息。对于样本员工，可以获取所有特征信息均不为空的员工，且优选地，还可以获取50个已经离职的员工(存在历史离职行为结果)和50个在职员工。

步骤204：对多个样本员工的特征信息，以及目标员工的特征信息进行独热编码，生成多个样本员工的特征向量。

如实施例1中的举例，可以将这101个员工的特征信息进行独热编码，生成类似于样本员工1{24，0，1，0，0，1，2，0，0，0，0，1，0，2，3，0，0，1，0，0，1}这种特征向量。

步骤206：根据该多个样本员工的特征向量，以及该目标员工的特征向量，确定该目标员工与多个样本员工的相似度。

本步骤可以通过余弦相似度，确定出1个目标员工分别与100个样本员工的相似度。每个相似度均可以在[-1，1]之间。

步骤208：根据目标员工与多个样本员工的相似度，从多个样本员工中选取出与该目标员工相似度最高的N个样本员工，作为行为样本员工。

其中，N为正整数，比如可以是10，则本步骤可以确定出10个与目标员工最相似的行为样本员工。

步骤210：根据确定出的行为样本员工的历史行为结果的发生概率，预测该目标员工发生该行为的概率。

与实施例1类似地，若确定出的10个与目标员工最相似的行为样本员工，有8个行为样本员工出现了历史离职行为，则可以预测出这个目标员工出现离职行为的概率大致是80％。

在实际应用中，对于样本员工的获取较为关键，如上文所述，若要预测员工的离职行为，则可以获取50％存在历史离职行为的样本员工。

另外，对于相似度的结果，也较为关键，在实际应用中，为了提高预测的准确性，可以对相似度结果进行监测，比如若选出的10个与目标员工最相似的行为样本员工的平均相似度低于预设值，则可以换一批样本员工，比如该预设值可以是0.9，若平均相似度低于0.9，则在一定程度上说明，目标员工与这些行为样本员工存在较大差异。所以若要对员工进行行为预测时，可以公司内的全量用户作为样本用户。

由以上实施例提供的技术方案可见，在本说明书提供的实施例中，根据多个样本员工和对应的特征信息，以及目标员工和对应的特征信息，确定目标员工与该多个样本员工的相似度，并根据相似度，为目标员工确定出行为样本员工，从而根据行为样本员工的历史离职行为结果对目标员工进行离职行为预测。相对于依靠人为经验进行离职行为预测导致的准确性低和效率低的问题而言，本说明书根据与目标员工具有相似度的样本员工的历史离职行为结果，对目标员工进行离职行为预测，提高了预测目标员工离职行为的准确性和效率。

实施例3

基于相同的构思，本说明书实施例3提供了一种行为预测装置，用于实现实施例1和2所述的方法。该装置的结构示意图如图3所示，包括：获取单元302、第一确定单元304、第二确定单元306、以及预测单元308，其中，

所述获取单元302，可以获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

所述第一确定单元304，可以根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度；

所述第二确定单元306，可以根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

所述预测单元308，可以根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测。

在一种实施方式中，所述第一确定单元304，可以

对所述多个样本对象的特征信息，以及所述目标对象的特征信息进行独热编码，生成所述多个样本对象的特征向量，以及所述目标对象的特征向量；

根据所述多个样本对象的特征向量，以及所述目标对象的特征向量，确定所述目标对象与所述多个样本对象的相似度。

在一种实施方式中，所述第二确定单元306，可以

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最高的N个样本对象，作为行为样本对象，所述N为正整数；则所述预测单元308，可以

根据所述行为样本对象的历史行为结果的发生概率，预测所述目标对象发生所述行为的概率。

在一种实施方式中，所述第二确定单元306，可以

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最低的M个样本对象，作为行为样本对象，所述M为正整数；则所述预测单元308，可以

根据所述行为样本对象的历史行为结果的发生概率，预测所述目标对象不发生所述行为的概率。

在一种实施方式中，所述获取单元302，可以获取特征信息满足预设的全面性条件的多个样本对象和对应的特征信息。

由以上实施例提供的装置可见，在本说明书提供的实施例中，根据多个样本对象和对应的特征信息，以及目标对象和对应的特征信息，确定目标对象与该多个样本对象的相似度，并根据相似度，为目标对象确定出行为样本对象，从而根据行为样本对象的历史行为结果对目标对象进行行为预测。相对于依靠人为经验进行行为预测导致的准确性低和效率低的问题而言，本说明书根据与目标对象具有相似度的样本对象的历史行为结果，对目标对象进行行为预测，提高了预测对象行为的准确性和效率。

图4是本说明书的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成行为预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度；

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测。

上述如本说明书图3所示实施例提供的行为预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图3所示实施例提供的行为预测装置在图4所示实施例的功能，本说明书实施例在此不再赘述。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图3所示实施例中行为预测装置执行的方法，并具体用于执行：

获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度；

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (8)

1.一种行为预测方法，包括：

获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度，包括：根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最高的N个样本对象，作为行为样本对象，以及，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最低的M个样本对象，作为行为样本对象，所述M和N均为正整数；

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测，包括：根据相似度最高的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象发生所述行为的概率，以及根据相似度最低的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象不发生所述行为的概率，并基于所述目标对象发生所述行为的概率，和所述目标对象不发生所述行为的概率，重新确定所述目标对象发生所述行为的概率和/或不发生所述行为的概率。

2.如权利要求1所述的方法，根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度，包括：

对所述多个样本对象的特征信息，以及所述目标对象的特征信息进行独热编码，生成所述多个样本对象的特征向量，以及所述目标对象的特征向量；

根据所述多个样本对象的特征向量，以及所述目标对象的特征向量，确定所述目标对象与所述多个样本对象的相似度。

3.如权利要求1所述的方法，所述对象包括人员。

4.如权利要求1所述的方法，所述样本对象的特征信息满足预设的全面性条件。

5.如权利要求4所述的方法，所述全面性条件包括所有特征信息均不为空。

6.一种行为预测装置，包括：获取单元、第一确定单元、第二确定单元、以及预测单元，其中，

所述获取单元，获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

所述第一确定单元，根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度，包括：根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最高的N个样本对象，作为行为样本对象，以及，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最低的M个样本对象，作为行为样本对象，所述M和N均为正整数；

所述第二确定单元，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

所述预测单元，根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测，包括：根据相似度最高的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象发生所述行为的概率，以及根据相似度最低的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象不发生所述行为的概率，并基于所述目标对象发生所述行为的概率，和所述目标对象不发生所述行为的概率，重新确定所述目标对象发生所述行为的概率和/或不发生所述行为的概率。

7.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度，包括：根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最高的N个样本对象，作为行为样本对象，以及，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最低的M个样本对象，作为行为样本对象，所述M和N均为正整数；

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测，包括：根据相似度最高的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象发生所述行为的概率，以及根据相似度最低的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象不发生所述行为的概率，并基于所述目标对象发生所述行为的概率，和所述目标对象不发生所述行为的概率，重新确定所述目标对象发生所述行为的概率和/或不发生所述行为的概率。

8.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

获取多个样本对象和对应的特征信息，以及目标对象和对应的特征信息；

根据所述多个样本对象的特征信息，以及所述目标对象的特征信息，确定所述目标对象与所述多个样本对象的相似度，包括：根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最高的N个样本对象，作为行为样本对象，以及，根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中选取出与所述目标对象相似度最低的M个样本对象，作为行为样本对象，所述M和N均为正整数；

根据所述目标对象与所述多个样本对象的相似度，从所述多个样本对象中为所述目标对象确定出行为样本对象；

根据所述行为样本对象的历史行为结果，对所述目标对象进行行为预测，包括：根据相似度最高的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象发生所述行为的概率，以及根据相似度最低的所述行为样本对象的历史行为结果的发生概率，预测所述目标对象不发生所述行为的概率，并基于所述目标对象发生所述行为的概率，和所述目标对象不发生所述行为的概率，重新确定所述目标对象发生所述行为的概率和/或不发生所述行为的概率。

Images