CN109523296A - 用户行为概率分析方法及装置、电子设备、存储介质 - Google Patents
用户行为概率分析方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109523296A CN109523296A CN201811192190.6A CN201811192190A CN109523296A CN 109523296 A CN109523296 A CN 109523296A CN 201811192190 A CN201811192190 A CN 201811192190A CN 109523296 A CN109523296 A CN 109523296A
- Authority
- CN
- China
- Prior art keywords
- data
- static
- target user
- probability
- behavior
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 69
- 230000003068 static effect Effects 0.000 claims abstract description 131
- 230000003542 behavioural effect Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 104
- 230000006870 function Effects 0.000 claims description 28
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 15
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用户行为概率分析方法及装置、电子设备、计算机可读存储介质,属于数据处理技术领域。该方法包括:获取目标用户的特征数据,所述特征数据包括动态特征数据及静态特征数据;根据所述动态特征数据计算所述目标用户做出目标行为的基础概率;根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数;利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率。本申请对于用户行为概率的分析结果具有较高的准确性,可以实现对用户的行为预测及精准定位。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种用户行为概率分析方法及装置、电子设备、计算机可读存储介质。
背景技术
随着数据处理技术的发展,越来越多的电商、金融、游戏等网络服务厂商致力于通过大数据对用户的行为概率进行分析,实现精准的用户定位及分类,以指导后续的营销策略。
现有的用户行为概率分析方法多数是将用户所有的数据(包括静态数据与动态数据)放在一起进行处理,通过分配不同的权重等方式进行一定程度的区分,然后计算行为概率。然而这种方法难以充分体现静态数据与动态数据的差别,以及两者本质上的关联,因此分析结果的准确性较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种用户行为概率分析方法及装置、电子设备、计算机可读存储介质,进而至少在一定程度上克服现有技术对于用户行为概率的分析结果不准确的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请的一个方面,提供一种用户行为概率分析方法,包括:获取目标用户的特征数据,所述特征数据包括动态特征数据及静态特征数据;根据所述动态特征数据计算所述目标用户做出目标行为的基础概率;根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数;利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率。
在本申请的一种示例性实施例中,利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率包括:通过指数函数计算所述目标用户做出所述目标行为的分析概率,其中,所述基础概率为所述指数函数的底数,所述静态指数为所述指数函数的指数,所述分析概率为所述指数函数的幂。
在本申请的一种示例性实施例中,根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数包括:设定标准静态指数以及各静态特征的标准数值;根据所述静态特征数据与所述标准数值的差异计算偏离数值;根据所述标准静态指数及所述偏离数值计算所述静态指数。
在本申请的一种示例性实施例中,所述标准静态指数为1,所述指数函数为P=A·D2-S+B,其中,P为所述分析概率,D为所述基础概率,S 为所述静态指数,A、B为所述指数函数的参数。
在本申请的一种示例性实施例中,根据所述动态特征数据计算所述目标用户做出目标行为的基础概率包括:通过多个决策树模型对所述动态特征数据进行分类,得到多个“0”或“1”的分类结果;统计全部所述分类结果,将所述“1”的分类结果占全部所述分类结果的比例确定为所述基础概率;其中,所述“0”代表所述目标用户不做出所述目标行为,所述“1”代表所述目标用户做出所述目标行为。
在本申请的一种示例性实施例中,还包括:获取动态特征样本数据及所述动态样本数据对应的分类标签,并通过所述动态特征样本数据及所述分类标签训练得到所述多个决策树模型。
在本申请的一种示例性实施例中,获取目标用户的特征数据包括:确定与所述目标行为相关的预设特征;从用户数据库中按照所述预设特征查找所述目标用户的数据,以获得所述目标用户的特征数据。
根据本申请的一个方面,提供一种用户行为概率分析装置,包括:数据获取模块,用于获取目标用户的特征数据,所述特征数据包括动态特征数据及静态特征数据;动态分析模块,用于根据所述动态特征数据计算所述目标用户做出目标行为的基础概率;静态分析模块,用于根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数;修正计算模块,用于利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率。
根据本申请的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一种示例性实施例所述的用户行为概率分析方法的步骤。
根据本申请的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种示例性实施例所述的用户行为概率分析方法的步骤。
本申请上述方法及装置中,获取目标用户的特征数据后,将其分为动态特征数据及静态特征数据,并分别计算出目标用户做出目标行为的基础概率及静态指数,再利用静态指数对基础概率进行修正计算,以得到最终的分析概率。一方面,在大多数场景中,动态特征数据与静态特征数据对用户行为概率的影响并不是独立的,两种数据之间具有一定的关联,并且这种关联也非简单的相加关系,本实施例通过修正计算的方式,将动态特征数据与静态特征数据单独计算的结果进行结合,可以体现两种数据在本质上的关联,使得分析结果能够较好的反映实际情况,得到的分析概率具有较高的准确性。另一方面,通过对用户行为概率的分析,可以实现对用户的行为预测及精准定位,并指导后续针对不同用户的营销及维护策略,提高营销及用户维护的效率。再一方面,动态特征数据变化较频繁,更新周期较短,静态特征数据变化较少,更新周期较长,将两种数据分类统计及处理,有利于根据两种数据的特点分别制定相应的更新及维护方案,有利于节约系统资源。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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示出本申请示例性实施例中一种用户行为概率分析方法的流程图;
图2示出本申请示例性实施例中一种用户行为概率分析方法的子流程图;
图3示出本申请示例性实施例中一种指数函数曲线图;
图4示出本申请示例性实施例中一种用户行为概率分析装置的结构框图;
图5示出本申请示例性实施例中一种用于实现上述方法的电子设备;
图6示出本申请示例性实施例中一种用于实现方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的属性、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本申请的示例性实施例首先提供了一种用户行为概率分析方法。其中,用户行为概率是指用户做出或不做出一定行为的概率,行为可以是单一的行为,例如用户购买某种商品或服务,也可以是多个行为的组合,例如用户连续一周保持活跃等。参考图1所示,该用户行为概率分析方法可以包括以下步骤:
步骤S11,获取目标用户的特征数据,该特征数据包括动态特征数据及静态特征数据。
特征数据是指与用户行为概率分析相关的原始数据,以及通过原始数据统计得到的数据。特征数据可分为动态特征数据与静态特征数据两类,其中,动态特征数据反映用户的动态属性,通常是用户的行为数据,例如活跃时间、搜索行为、浏览行为、评论行为等;静态特征数据反映用户的静态属性,通常是固定的或很少变动的数据,例如用户的年龄、性别、收入等。本示例性实施例中,动态特征数据可以包括多个动态特征的数据,静态特征数据也可以包括多个静态特征的数据。
步骤S12,根据动态特征数据计算目标用户做出目标行为的基础概率。
动态特征数据在一定程度上可以反映目标用户做出目标行为的主观性概率,即目标用户做出目标行为的意愿强烈程度,而此时的概率未考虑目标用户的静态特征数据,只是基础概率,可视为一个中间数据,并不是最终的概率。以分析用户购买理财产品的概率为例,用户在理财App(Application,应用程序)上的活跃时间越长,搜索关键词的次数越多,浏览理财产品的次数越多,评论理财产品的次数越多,可以大致的推测该用户购买理财产品的意愿越强烈,概率越高。通过动态特征数据计算基础概率的具体方法有很多种,根据不同的应用场景可以采用不同的计算方法,以下举例说明:
在用户购买理财产品的场景中,如表1所示,可以根据各动态特征与目标行为的相关程度,为各动态特征数据分配不同的权重系数,每个动态特征的数据乘以权重系数得到权值,如活跃时间的权值=60*0.001=0.06,然后将全部动态特征的权值相加,得到基础概率。这种计算方法可以适用于动态特征之间没有关联或关联度较低的情况,例如用户可以浏览理财产品后购买,也可以对理财产品评论后购买,并非必须既浏览又评论才会购买,因此各动态特征数据对于基础概率的影响较为独立,通过加权计算较为合适。
活跃时间 | 搜索次数 | 浏览次数 | 评论次数 | 基础概率 | |
权重系数 | 0.001 | 0.02 | 0.006 | 0.02 | |
用户A | 60 | 5 | 12 | 8 | |
权值 | 0.06 | 0.1 | 0.072 | 0.16 | 0.392 |
表1
在用户开通VIP的场景中,如表2所示,可以为各动态特征分别设定参考数值,当动态特征数据达到参考数值时,认为发生目标行为的概率为1。将各动态特征数据除以对应的参考数值,得到每个动态特征的概率分值(当动态特征数据超过参考数值时,计算得到的概率分值可能大于1),如消费次数的概率分值=15/10=1.5,然后将全部概率分值相乘,得到基础概率。这种计算方法可以适用于动态特征之间具有连续关联的情况,例如用户在决定开通VIP之前,可能先后积累了一定的消费次数、积分,查询过VIP服务的相关内容,并且试用过,因此各动态特征数据以组合的方式对基础概率产生影响,通过概率分值连乘计算较为合适。
消费次数 | 累积积分 | 查询次数 | 试用次数 | 基础概率 | |
参考数值 | 10 | 5000 | 2 | 5 | |
用户B | 15 | 3000 | 1 | 5 | |
概率分值 | 1.5 | 0.6 | 0.5 | 1 | 0.45 |
表2
应当理解,以上仅是示例性说明,本实施例对于由动态特征数据计算基础概率的具体方法不做特别限定。
由于用户可能在任何时刻产生新的行为数据,动态特征数据处于频繁的变化状态中。在一示例性实施例中,当目标用户的动态特征数据发生变化时,可以获取最新版本的动态特征数据,或者根据原始数据的变化更新动态特征数据,并再次计算基础概率,使得基础概率能够反映目标用户的最新状态。
步骤S13,根据静态特征数据计算目标用户做出目标行为的静态指数。
静态特征数据可以在一定程度上反映目标用户对于做出目标行为所需条件的具备程度,将这种程度定量的表示为静态指数。当两个用户的基础概率相同时,如果其静态特征数据不同,计算出的静态指数不同,则最终两个用户做出目标行为的概率也应当不同。例如通过用户A与用户B的动态特征数据计算出两个人购买理财产品的基础概率相同,但是用户A年龄为20 岁,收入较低,用户B年龄为30岁,收入较高,则可以推测用户B更具备购买理财产品的条件,因此购买的概率应当更高,两个用户的差异实际上就是静态指数的差异。由静态特征数据计算静态指数的方法有多种,例如多个静态特征的加权计算、回归模型分析等,本实施例对此不做特别限定。
静态特征数据通常较为固定,但是也可能偶尔发生变动,类似于上述动态特征数据变化时的情况,在一示例性实施例中,当目标用户的静态特征数据发生变化时,可以获取最新版本的静态特征数据,或者根据原始数据的变化更新静态特征数据,并再次计算静态指数。
步骤S14,利用静态指数对基础概率进行修正计算,得到目标用户做出目标行为的分析概率。
通过步骤S12与S13分别得到了基础概率与静态指数,进而可以计算出最终的分析概率。由于动态特征数据对于最终的分析概率具有直接影响,而静态特征数据具有间接影响,因此在计算时,可以以基础概率为主体,静态指数用于对基础概率进行修正计算,起到辅助的作用。
举例而言,步骤S14可以通过以下步骤实现:通过指数函数计算目标用户做出目标行为的分析概率,其中,基础概率为指数函数的底数,静态指数为指数函数的指数,分析概率为指数函数的幂。例如指数函数的基础形式为 P=DS,P为分析概率,D为基础概率,S为静态指数。其中D的数值通常在0~1之间,因此P的数值主要决定于D的数值,S能够程度较轻的影响P 的数值。特别的,当D=0时,无论S的数值是多少,都有P=0;当D=1时,无论S的数值是多少,都有P=1。反映到购买理财产品的场景中,当目标用户没有做出任何可能购买理财产品的行为时,其基础概率等于或接近于0,此时无论该用户的静态特征数据如何,即使该用户收入很高并且处于最容易购买理财产品的年龄区间(如30~35岁),其最终购买理财产品的概率也应当是0或接近于0;反之,当目标用户做出大量的可能购买理财产品的行为时,体现出该用户强烈的意愿,其基础概率等于或接近于1,即使该用户的静态特征数据体现出较为不利的条件,例如该用户收入很低并且处于很少购买理财产品的年龄区间(如18~22岁),其最终购买理财产品的概率也应当是1或接近于1。可见,通过修正计算的方法可以较好的反映实际情况,提高分析的准确性。
基于上述说明,在本示例性实施例中,获取目标用户的特征数据后,将其分为动态特征数据及静态特征数据,并分别计算出目标用户做出目标行为的基础概率及静态指数,再利用静态指数对基础概率进行修正计算,以得到最终的分析概率。一方面,在大多数场景中,动态特征数据与静态特征数据对用户行为概率的影响并不是独立的,两种数据之间具有一定的关联,并且这种关联也非简单的相加关系,本实施例通过修正计算的方式,将动态特征数据与静态特征数据单独计算的结果进行结合,可以体现两种数据在本质上的关联,使得分析结果能够较好的反映实际情况,得到的分析概率具有较高的准确性。另一方面,通过对用户行为概率的分析,可以实现对用户的行为预测及精准定位,并指导后续针对不同用户的营销及维护策略,提高营销及用户维护的效率。再一方面,动态特征数据变化较频繁,更新周期较短,静态特征数据变化较少,更新周期较长,将两种数据分类统计及处理,有利于根据两种数据的特点分别制定相应的更新及维护方案,有利于节约系统资源。
在一示例性实施例中,参考图2所示,步骤S13可以通过步骤S21~S23 实现:
步骤S21,设定标准静态指数以及各静态特征的标准数值。
步骤S22,根据静态特征数据与标准数值的差异计算偏离数值。
步骤S23,根据标准静态指数及偏离数值计算静态指数。
其中,静态特征的标准数值是指根据经验或历史数据而设定的一组标准数值,使静态特征数据为标准数值的用户完全或接近于完全具备做出目标行为的条件,对应的静态指数即为标准静态指数。例如通常可以从已做出目标行为的用户中提取较大的样本数据集,对其中的静态特征数据进行统计,统计的平均值、中值、众数等可以作为静态特征的标准数值;通常可以将标准静态指数设为1。以标准数值作为参照,当目标用户的静态特征数据与标准数值有差异时,差异的程度可以转换为目标用户的静态指数与标准静态指数的偏离程度,用偏离数值定量表示;可以分别计算每个静态特征的数据与标准数值的差异,转换得到多个偏离数值,全部相加得到总的偏离数值,从而计算出目标用户的静态指数。
以表3的用户购买理财产品的场景为例,标准数值如表中第2行所示,即根据统计,年龄35、收入10000、男性、已婚、具有至少1次历史理财行为、风险测评指数为3的用户为购买理财产品的标准用户画像,标准静态指数可以设为1。表中第3行为计算偏离数值的方法,如年龄±1/0.01 是指,以35为标准年龄,每相差1岁(无论更大或更小),静态指数相对于标准静态指数减0.01;收入+2000/0.01是指收入相比10000的标准数值每超过2000时,静态指数相对于标准静态指数加0.01,反之比10000每低2000时减0.01。由此可以计算出目标用户的静态指数,例如用户A的各偏离数值为:
Diff(年龄)=-0.05,Diff(收入)=-0.01,D iff(性别)=0, Diff(婚否)=0,Diff(历史理财行为)=-0.02,Diff(风险测评指数)=0.01;
则静态指数S(A)=1-0.05-0.01-0.02+0.01=0.93。
由表3中用户C的静态指数可知,静态指数并非一定小于1,由于静态指数不是概率,其反映的是目标用户做出目标行为的客观条件因素,当以标准数值来衡量时,用户的静态特征数据可能优于标准数值,例如用户的历史理财行为可能超过标准的1次,则计算得到的静态指数可能超过标准静态指数,在本实施例中,即为大于1。
需要说明的是,静态指数的大小与计算方法有关,表3中经过计算得到的静态指数通常在0~2的范围内,通过其他方法计算的静态指数也可以在其他范围内,例如通过本实施例的标准静态指数偏离的方法计算的静态指数的范围与偏离计算的方法有关,通过静态特征数据加权计算的静态指数的范围与权重系数有关等,本实施例对此不做特别限定。
表3
进一步的,标准静态指数可以是1,在通过指数函数计算分析概率时,指数函数的具体形式可以是P=A·D2-S+B,其中,P为分析概率,D为基础概率,S为静态指数;A、B为指数函数的参数,可以根据经验或历史数据进行赋值,通常A>0,B<1。
特别的,当A=1,B=0时,对于不同数值的D,P-S的指数函数曲线可以如图3所示。由图3的函数曲线可知,S越大则P越大,说明静态指数与分析概率正相关,静态指数越大,反映目标用户越具备做出目标行为的条件,因此分析概率也应当越大;整体上S对于P的影响较小,不会使P发生大范围变动,即主要是由基础概率决定分析概率,静态指数只是程度较轻的影响分析概率;并且D的数值较大时,S对于P的影响程度进一步降低,即动态特征数据足以体现出目标用户进行目标行为的强烈可能时,静态特征数据对于这种可能的影响程度较小,这也符合用户行为的本质规律。可见,上述指数函数能够较准确的反映分析概率与基础概率、静态指数之间的关系,通过该指数函数计算出的分析概率具有更高的准确性。
步骤12中由动态特征数据计算基础概率可以通过表1中的加权计算实现,也可以通过表2中的概率分值连乘实现。在一示例性实施例中,为了更加准确的计算基础概率,步骤S12还可以通过以下步骤实现:
通过多个决策树模型对动态特征数据进行分类,得到多个“0”或“1”的分类结果;统计全部分类结果,将“1”的分类结果占全部分类结果的比例确定为基础概率。其中,“0”代表目标用户不做出目标行为,“1”代表目标用户做出目标行为。
决策树模型可以通过样本数据训练得到,在一示例性实施例中,用户行为概率分析方法还可以包括以下步骤:
获取动态特征样本数据及动态样本数据对应的分类标签,并通过动态特征样本数据及分类标签训练得到多个决策树模型。
其中,样本数据可以来自于已经确定做出或未做出目标行为的用户的历史数据,动态特征样本数据即样本数据中的动态特征数据,分类标签即用户是否做出目标行为的分类结果。通过在动态特征样本数据中进行多次随机放回式取样,可以得到多个决策树的样本集,并根据样本集对应的分类标签训练得到完整的决策树。
基于训练得到的多个决策树,将目标用户的动态特征数据输入到每棵决策树中,根据每棵决策树的分类条件得到输出的分类结果,分类结果“0”代表判断目标用户不做出目标行为,分类结果“1”代表判断目标用户做出目标行为。应当理解,分类结果的具体形式不限于“0”/“1”,还可以通过其他数值或其他形式的输出表示判断目标用户不做出或做出目标行为的分类含义。在得到全部决策树的分类结果后,可以将其中为“1”的分类结果数量占全部分类结果数量(即决策树总数)的比例作为基础概率。
通常用户的原始数据都储存于用户数据库中,包含了用户所有特征的数据,而并非所有的特征都与目标行为相关,因此在分析用户做出目标行为的概率时,可以只调取与目标行为相关的数据。在一示例性实施例中,步骤 S11中获取目标用户的特征数据可以包括以下步骤:
确定与目标行为相关的预设特征;从用户数据库中按照预设特征查找目标用户的数据,以获得目标用户的特征数据。
其中,预设特征即用户所有特征中与目标行为具有相关性的特征,例如在分析用户购买理财产品的概率时,预设特征可以是与购买理财产品这一行为具有相关性的活跃时间、搜索次数、浏览次数、评论次数等,而可以排除信用卡积分、积分兑换行为等无关的特征。预设特征通常包含动态特征及静态特征,对预设特征进行分类后,可以依此对特征数据进行动态与静态的分类,然后可以进入步骤S12等后续的流程。通过确定预设特征可以对目标用户的数据进行筛选,减少后续分析过程所涉及的数据量,提高分析效率。
本申请的示例性实施例还提供了一种用户行为概率分析装置,参考图4 所示,该装置40可以包括:数据获取模块41,用于获取目标用户的特征数据,特征数据包括动态特征数据及静态特征数据;动态分析模块42,用于根据动态特征数据计算目标用户做出目标行为的基础概率;静态分析模块 43,用于根据静态特征数据计算目标用户做出目标行为的静态指数;修正计算模块44,用于利用静态指数对基础概率进行修正计算,得到目标用户做出目标行为的分析概率。各模块的具体细节在方法部分的实施例中已经详细说明,因此不再赘述。
本申请的示例性实施例还提供了一种能够实现上述用户行为概率分析方法的步骤的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本申请的这种示例性实施例的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500 的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,存储单元存储有程序代码,程序代码可以被处理单元510执行,使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。例如,处理单元510可以执行图1所示的步骤S11~S14,也可以执行图2所示的步骤S21~S23等。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序 /实用工具524,这样的程序模块525包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500 交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN) 和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线 530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是 CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请示例性实施例的方法。
本申请的示例性实施例还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述用户行为概率分析方法的步骤的程序产品。在一些可能的实施方式中,本申请的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
参考图6示,描述了根据本申请的示例性实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、 C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网 (LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的示例性实施例,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其他实施例。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限。
Claims (10)
1.一种用户行为概率分析方法,其特征在于,包括:
获取目标用户的特征数据,所述特征数据包括动态特征数据及静态特征数据;
根据所述动态特征数据计算所述目标用户做出目标行为的基础概率;
根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数;
利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率。
2.根据权利要求1所述的方法,其特征在于,利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率包括:
通过指数函数计算所述目标用户做出所述目标行为的分析概率,其中,所述基础概率为所述指数函数的底数,所述静态指数为所述指数函数的指数,所述分析概率为所述指数函数的幂。
3.根据权利要求2所述的方法,其特征在于,根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数包括:
设定标准静态指数以及各静态特征的标准数值;
根据所述静态特征数据与所述标准数值的差异计算偏离数值;
根据所述标准静态指数及所述偏离数值计算所述静态指数。
4.根据权利要求3所述的方法,其特征在于,所述标准静态指数为1,所述指数函数为P=A·D2-S+B,其中,P为所述分析概率,D为所述基础概率,S为所述静态指数,A、B为所述指数函数的参数。
5.根据权利要求1所述的方法,其特征在于,根据所述动态特征数据计算所述目标用户做出目标行为的基础概率包括:
通过多个决策树模型对所述动态特征数据进行分类,得到多个“0”或“1”的分类结果;
统计全部所述分类结果,将所述“1”的分类结果占全部所述分类结果的比例确定为所述基础概率;
其中,所述“0”代表所述目标用户不做出所述目标行为,所述“1”代表所述目标用户做出所述目标行为。
6.根据权利要求5所述的方法,其特征在于,还包括:
获取动态特征样本数据及所述动态样本数据对应的分类标签,并通过所述动态特征样本数据及所述分类标签训练得到所述多个决策树模型。
7.根据权利要求1所述的方法,其特征在于,获取目标用户的特征数据包括:
确定与所述目标行为相关的预设特征;
从用户数据库中按照所述预设特征查找所述目标用户的数据,以获得所述目标用户的特征数据。
8.一种用户行为概率分析装置,其特征在于,包括:
数据获取模块,用于获取目标用户的特征数据,所述特征数据包括动态特征数据及静态特征数据;
动态分析模块,用于根据所述动态特征数据计算所述目标用户做出目标行为的基础概率;
静态分析模块,用于根据所述静态特征数据计算所述目标用户做出所述目标行为的静态指数;
修正计算模块,用于利用所述静态指数对所述基础概率进行修正计算,得到所述目标用户做出所述目标行为的分析概率。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的用户行为概率分析方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的用户行为概率分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811192190.6A CN109523296B (zh) | 2018-10-12 | 2018-10-12 | 用户行为概率分析方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811192190.6A CN109523296B (zh) | 2018-10-12 | 2018-10-12 | 用户行为概率分析方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523296A true CN109523296A (zh) | 2019-03-26 |
CN109523296B CN109523296B (zh) | 2023-10-27 |
Family
ID=65771855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811192190.6A Active CN109523296B (zh) | 2018-10-12 | 2018-10-12 | 用户行为概率分析方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523296B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105132A (zh) * | 2019-11-08 | 2020-05-05 | 国网浙江省电力有限公司温州供电公司 | 目标行为的协同监督方法及装置 |
CN111652741A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 用户偏好分析方法、装置及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106878359A (zh) * | 2015-12-14 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN107169355A (zh) * | 2017-04-28 | 2017-09-15 | 北京理工大学 | 一种蠕虫同源性分析方法和装置 |
CN107292390A (zh) * | 2017-05-24 | 2017-10-24 | 重庆邮电大学 | 一种基于混沌理论的信息传播模型及其传播方法 |
WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
CN108121795A (zh) * | 2017-12-20 | 2018-06-05 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
CN108305094A (zh) * | 2017-12-18 | 2018-07-20 | 北京三快在线科技有限公司 | 一种用户行为预测方法及装置,电子设备 |
CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
-
2018
- 2018-10-12 CN CN201811192190.6A patent/CN109523296B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106878359A (zh) * | 2015-12-14 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
CN107169355A (zh) * | 2017-04-28 | 2017-09-15 | 北京理工大学 | 一种蠕虫同源性分析方法和装置 |
CN107292390A (zh) * | 2017-05-24 | 2017-10-24 | 重庆邮电大学 | 一种基于混沌理论的信息传播模型及其传播方法 |
CN108305094A (zh) * | 2017-12-18 | 2018-07-20 | 北京三快在线科技有限公司 | 一种用户行为预测方法及装置,电子设备 |
CN108121795A (zh) * | 2017-12-20 | 2018-06-05 | 北京奇虎科技有限公司 | 用户行为预测方法及装置 |
CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105132A (zh) * | 2019-11-08 | 2020-05-05 | 国网浙江省电力有限公司温州供电公司 | 目标行为的协同监督方法及装置 |
CN111652741A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 用户偏好分析方法、装置及可读存储介质 |
CN111652741B (zh) * | 2020-04-30 | 2023-06-09 | 中国平安财产保险股份有限公司 | 用户偏好分析方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109523296B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3757900A1 (en) | Time series prediction with confidence estimates using sparse recurrent mixture density networks | |
Gorenc Novak et al. | Prediction of stock price movement based on daily high prices | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN109461023A (zh) | 流失用户挽回方法及装置、电子设备、存储介质 | |
CA3162923C (en) | Heterogeneous graph embedding | |
CN104281890A (zh) | 电子商务系统中预测流行商品的方法和系统 | |
CN102004982A (zh) | 使用变量计分的模型优化系统 | |
CN110852818A (zh) | 商品排序方法、装置和计算机可读存储介质 | |
KR101906214B1 (ko) | 컴퓨터를 이용한 펀드 추천 방법, 펀드 추천 서버 및 컴퓨터 판독가능 매체에 저장된 컴퓨터프로그램 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
KR102294006B1 (ko) | 인공지능 기반 특허 관련 매출 추정 시스템 | |
CN110288403A (zh) | 挽留弹框弹出方法、系统、设备及存储介质 | |
CN109523296A (zh) | 用户行为概率分析方法及装置、电子设备、存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN113962567A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
CN117743543A (zh) | 基于大语言模型的语句生成方法、装置及电子设备 | |
Kliangkhlao et al. | The design and development of a causal Bayesian networks model for the explanation of agricultural supply chains | |
WO2018044955A1 (en) | Systems and methods for measuring collected content significance | |
US20200193486A1 (en) | System and method for determining bid vector transformed predictive click-through rate | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
KR20210052746A (ko) | 제품화 대상 콘텐츠의 예상 판매량 추정 방법, 장치 및 컴퓨터프로그램 | |
CN109816234A (zh) | 服务准入方法、服务准入装置、电子设备及存储介质 | |
CN115795144A (zh) | 一种产品推荐方法、装置及电子设备 | |
CN113010782B (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
US20220101359A1 (en) | System and method for automated sales forecast on deal level during black swan scenario |
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 |