CN109684543A - 用户行为预测和信息投放方法、装置、服务器和存储介质 - Google Patents
用户行为预测和信息投放方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN109684543A CN109684543A CN201811535129.7A CN201811535129A CN109684543A CN 109684543 A CN109684543 A CN 109684543A CN 201811535129 A CN201811535129 A CN 201811535129A CN 109684543 A CN109684543 A CN 109684543A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- sequence
- information
- time
- 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
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种用户行为预测和信息投放方法、装置、服务器和存储介质。其中,用户行为预测方法包括:根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。本发明实施例的技术方案能够更为全面准确的预测用户行为,以便于后续更为准确的向用户推荐满足其需求的投放信息,进而提高投放信息的转化率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种用户行为预测和信息投放方法、装置、服务器和存储介质。
背景技术
随着互联网技术的快速发展,网络信息服务种类繁多,数量庞大。如何准确预测用户行为,从而根据用户行为预测信息,为用户推荐相应的服务,十分重要。目前,常用的方法是基于服务的付费额度和代言人热度来预测用户行为,进而根据预测的用户行为为用户投放相应的服务。存在投放的服务与用户实际需求之间的关联性较弱的问题,无法做到针对每一个用户做到精准的预测用户行为,导致向用户投放的服务并不符合用户实际需求,进而影响投放信息的转化率。
发明内容
本发明实施例提供了一种用户行为预测和信息投放方法、装置、服务器和存储介质,能够从用户待执行的目标行为以及执行该目标行为的时机两个方面更为全面准确的预测用户行为,以便于后续更为准确的向用户推荐满足其需求的投放信息,进而提高投放信息的转化率。
第一方面,本发明实施例提供了一种用户行为预测方法,该方法包括:
根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
第二方面,本发明实施例提供了一种信息投放方法,该方法包括:
根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,作为所述用户的行为预测特征;
根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息。
第三方面,本发明实施例还提供了一种用户行为预测装置,该装置包括:
第一时序生成模块,用于根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
行为时机预测模块,用于根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
第四方面,本发明实施例还提供了一种信息投放装置,该装置包括:
第二时序生成模块,用于根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
预测特征确定模块,用于根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,作为所述用户的行为预测特征;
投放信息推送模块,用于根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息。
第五方面,本发明实施例还提供了一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所述的用户行为预测方法,或实现如本发明任意实施例所述的信息投放方法。
第四方面,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如本发明任意实施例所述的用户行为预测方法,或实现如本发明任意实施例所述的信息投放方法。
本发明实施例的方案,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列,根据用户行为序列和行为时间序列从用户待执行的目标行为以及执行该目标行为的时机两个方面更为全面准确的预测用户行为,以便于后续更为准确的向用户推荐满足其需求的投放信息,进而提高投放信息的转化率。
附图说明
图1A是本发明实施例一提供的一种用户行为预测方法的流程图;
图1B是本发明实施例一提供的行为预测模型的结构示意图;
图2是本发明实施例二提供的一种用户行为预测方法的流程图;
图3是本发明实施例三提供的一种信息投放方法的流程图;
图4A是本发明实施例四提供的一种信息投放方法的流程图;
图4B是本发明实施例四提供的识别用户意图特征的过程示意图;
图4C是本发明实施例四提供的向用户推送投放信息的过程示意图;
图5是本发明实施例五提供的一种用户行为预测装置的结构示意图;
图6是本发明实施例六提供的一种信息投放装置的结构示意图;
图7是本发明实施例七提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种用户行为预测方法的流程图,图1B为本发明实施例一提供的行为预测模型的结构示意图。本实施例可适用于向用户推送投放信息前,对用户行为进行预测的情况,以便于根据预测结果向用户准确推送投放信息,该方法可以由本发明实施例提供的用户行为预测装置或服务器来执行,该装置可采用硬件和/或软件的方式实现。如图1A-1B所示,具体包括如下步骤:
S101,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列。
其中,用户行为序列可以是指用户在使用终端设备时,操作终端设备所产生的一系列行为的集合,如可以是用户使用终端设备上的应用程序或浏览器等触发的一系列操作行为的集合。可选的,用户行为序列可以包括各用户行为类别信息和用户行为信息。其中,用户行为类别信息可以是对用户行为进行类别划分后得到的信息,如可以包括但不限于:输入查询语句、点击查询结果统一资源定位符、点击目标查询结果、查看目标查询结果详情等。示例性的,以用户想要进行贷款为例,用户行为序列中的用户行为类别信息可以包括:输入“贷款”、点击贷款网站、搜索“办理信用卡”、点击信用卡网站、点击信用卡A、点击信用卡A详情。用户行为信息可以是用户行为序列中的各用户行为中包括的该用户行为的相关信息,如可以包括但不限于执行该用户行为的时间、执行该用户行为的用户标识、执行该用户行为的终端标识等。
可选的,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列的方法有很多,对此本发明实施例不进行限定。可以是根据用户行为序列中各用户行为对应的执行时间,得到行为时间序列中包括的各执行时间。具体的,可以是从用户行为序列中各用户行为对应的用户行为信息中获取该用户行为的执行时间,将用户行为序列中各用户行为的执行时间构成用户的行为时间序列;也可以是根据用户行为序列中每一用户行为与该用户行为的上一用户行为之间的时间差,得到行为时间序列中包括的各行为时间差信息。具体的,可以是依次计算用户行为序列中,除第一个用户行为之外,各用户行为与其上一用户行为之间的时间差信息,并将计算出的各时间差信息按照对应的用户行为执行顺序,进行排序构成用户的行为时间序列。其中,时间差信息可以是每一用户行为与该用户行为的上一用户行为之间相差的时间差值。
示例性的,若用户行为序列为中包括的用户行为类别信息为:输入“贷款”、点击贷款网站、搜索“办理信用卡”、点击信用卡网站、点击信用卡A、点击信用卡A详情;用户行为序列中各用户行为信息包含的该用户行为对应的时间分别为:9:00:00、9:00:10、9:40:10、9:40:36、9:42:36、9:43:31,则根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列可以是{9:00:00、9:00:10、9:40:10、9:40:36、9:42:36、9:43:31、9:51:31};也可以是{-、10s、40min、26s、2min、55s}。
S102,根据用户行为序列和行为时间序列,确定用户待执行的目标行为,以及预测用户执行目标行为的时机。
其中,用户待执行的目标行为可以是用户要执行的下一目标行为,执行目标行为的时机可以是用户执行下一目标行为的时间。
示例性的,本发明实施例中,根据用户行为序列和行为时间序列,确定用户待执行的目标行为、以及预测用户执行目标行为的时机的方法有很多,对此本发明实施例不进行限定。例如,可以是预先设定关于待执行目标行为及其执行时机的分析算法,通过根据用户行为序列和行为时间序列,按照预设的分析算法进行分析运算,即可得到该用户待执行的目标行为以及预测用户执行目标行为的时机。可选的,该分析算法可以是预先通过统计学算法构建的分析用户已执行的行为序列、已执行的行为时间序列、待执行目标行为以及执行该目标行为的时机之间的关联关系的算法。
本实施例还可以是采用预先训练好的基于神经网络模型的行为预测模型来对用户待执行的目标行为以及执行该目标行为的时机进行预测。该行为预测模型可以是基于神经网络的机器学习模型,所采用的算法可以包括深度神经网络(Deep Neural Networks,DNN)、循环神经网络(Recurrent neural networks,RNN)、长短期记忆(Long Short-TermMemory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树、随机森林、特征均值分类、分类回归树、隐马尔科夫、K最近邻(k-NearestNeighbor,KNN)算法、逻辑回归模型、贝叶斯模型、高斯模型以及KL散度(Kullback–Leibler divergence)等等。可选的,可在用户使用终端设备的过程中,采集大量的训练样本,其中,每一组训练样本中包含的元素可包括:用户的用户行为序列(包括用户行为类别信息以及生成的行为时间序列)、用户执行的下一目标行为以及执行下一目标行为的时机。采用大量的训练样本对预设初始模型进行训练,最终得到用于预测用户待执行的目标行为以及执行该目标行为的时机的行为预测模型。
示例性的,如图1B所示的预测模型10,其包括输入层11(其中输入层11中包括用户行为类别输入和行为时间序列输入)、第一LSTM网络层13、第二LSTM网络层14、Vanilla神经网络层15以及输出层16(其中,输出层16输出的是用户待执行的目标行为1到目标行为N(N为大于0的正整数)以及各目标行为的执行时机)。若输入行为预测模型10中的用户行为序列中包含的用户行为类别信息为:{输入“贷款”、点击贷款网站、搜索“办理信用卡”、点击信用卡网站、点击信用卡A、点击信用卡A详情};输入预测模型10中的行为时间序列为:{-、10s、40min、26s、2min、55s},预测模型10中的第一LSTM网络层13、第二LSTM网络层14以及Vanilla神经网络层15会基于输入的用户行为序列中的各用户行为类别信息和行为时间序列进行分析计算,预测出用户待执行的目标行为可以是申请信用卡,执行该目标行为的时机为7天内。
可选的,本发明实施例中,确定用户待执行的目标行为以及预测用户行为执行目标行为的时机可以是先根据用户行为序列和行为时间序列,预测待执行的目标行为,然后再基于用户待执行的目标行为进一步预测执行该目标行为的时机。其中,预测模型在预测用户执行目标行为的时机时,可以包括:预测用户在目标时间段内执行目标行为的概率;根据用户在目标时间段内执行目标行为的概率,确定用户执行目标行为的时机。具体的,可以是用户行为预处模型按照训练时的算法,先预测出多个可能执行目标行为的目标时间段,然后分别预测出用户在各目标时间段执行该目标行为的概率,将预测出的执行目标行为概率最大的目标时间段作为最终预测的用户执行目标行为的时机。
本实施例提供了一种用户行为预测方法,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列,根据用户行为序列和行为时间序列从用户待执行的目标行为以及执行该目标行为的时机两个方面更为全面准确的预测用户行为,以便于后续更为准确的向用户推荐满足其需求的投放信息,进而提高投放信息的转化率。
实施例二
图2是本发明实施例二提供的一种用户行为预测方法的流程图,该方法在上述实施例的基础上进一步的优化,具体给出了根据用户行为序列和行为时间序列,确定用户待执行的目标行为,以及预测用户执行目标行为的时机的情况介绍。如图2所示,该方法可以包括:
S201,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列。
S202,根据用户行为序列中包括的各用户行为类别信息生成用户行为特征表示。
示例性的,当用户操作终端设备的目的不同时,产生的用户行为序列会有所不同;当用户操作终端设备的目的相同时,其产生的用户行为序列也可能不同。例如,以办理信用卡为搜索目的,用户可以是直接搜索信用卡对应的银行网站,从而搜索到办理信用卡的相关页面,也可以是搜索贷款信息,从而搜索到办理信用卡的相关页面。因此,对于行为预测模型来说,当用户搜索目的相同时,要想针对多样性的搜索行为预测出相同目的的待执行用户行为,对训练模型的算法以及训练样本数据要求较高。从而导致训练出的行为预测模型可能会存在一定的误差,影响预测的准确性。为了解决上述问题,可以是对用户行为序列和时间行为序列进行特征提取,降低输入的参数的多样性后,再输入行为预测模型进行用户行为的预测。
可选的,在本发明实施例中,根据用户行为序列中包括的各用户行为类别信息生成用户行为特征表示的方法有很多,可以是分析用户行为类别信息,提取各用户行为类别信息中包含的用户行为之间共有的特征生成用户行为特征的表示。例如,若用户行为类别信息中包括:输入“贷款”、点击贷款网站、搜索“办理信用卡”、点击信用卡网站、点击信用卡A、点击信用卡A详情,则可以从中提取出共有特征:金融、信贷、信用卡等作为用户行为特征表示。也可以是对用户行为序列中包括的各用户行为类别信息按照预设规则进行编码,生成用户行为特征表示。如可以针对每一个用户行为类别信息,采用独热编码(One-HotEncoding),将每一个用户类别信息都转化为预设维度的特征值表示。其中,独热编码又称一位有效编码,其方法是使用预设维度位状态寄存器来对预设维度个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位有效。预设维度可以是预先对用户行为序列中包括的各用户行为类别信息个数最多时对应的个数作为预设维度。示例性的,若预设维度为6,用户行为序列中包括的各用户行为类别信息包括:输入“贷款”、点击贷款网站、搜索“办理信用卡”、点击信用卡网站、点击信用卡A、点击信用卡A详情,则采用独热编码对各用户行为类别信息进行编码后,生成的用户行为特征表示为:000001、000010、000100、001000、010000、100000。
S203,根据行为时间序列中包括的各行为时间信息生成行为时间特征表示。
可选的,根据行为时间序列中包括的各行为时间信息生成行为时间特征表示的方法可以是:对各行为时间信息按照预设的处理方式进行标准化处理,生成行为时间特征表示。例如,可以是对时间序列中各行为时间信息进行归一化处理,生成时间特征表示;也可以是对时间序列中各行为时间信息,除以其最大公约数,得到各行为时间信息之间的最简比例作为行为时间特征表示;还可以采用其他标准化处理方式对各行为时间信息进行处理,对此本发明实施例不进行限定。
S204,将用户行为特征表示和行为时间特征表示输入行为预测模型,确定用户待执行的目标行为,以及预测用户执行目标行为的时机。
示例性的,将用户行为特征表示和行为时间特征表示输入训练好的行为预测模型中,该行为预测模型根据训练时的算法对输入的用户行为特征表示和行为时间特征表示进行分析运算,预测出用户待执行的目标行为以及用户执行目标行为的时机。
本实施例提供了一种用户行为预测方法,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列,对用户行为序列中的各用户行为类别信息和时间序列中的各时间信息分别进行特征表示,并将通过特征表示后的用户行为特征表示和时间特征表示输入预测模型,得到用户待执行的目标行为以及执行该目标行为的时机,提高了行为预测模型输出的结果的准确性,以便于后续更为准确的向用户推荐满足其需求的投放信息,进而提高投放信息的转化率。
实施例三
图3是本发明实施例三提供的一种信息投放方法的流程图,本实施例可适用于在上述各实施例的基础上,基于对用户行为预测得到的预测特征,来进行信息的投放的情况。该方法可以由本发明实施例提供的信息投放装置或服务器来执行,该装置可采用硬件和/或软件的方式实现。如图3所示,具体包括如下步骤:
S301,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列。
示例性的,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列时,可以是根据用户行为序列中各用户行为对应的执行时间,得到行为时间序列中包括的各执行时间。具体的,可以是从用户行为序列中各用户行为对应的用户行为信息中获取该用户行为的执行时间,将用户行为序列中各用户行为的执行时间构成用户的行为时间序列;也可以是根据用户行为序列中每一用户行为与该用户行为的上一用户行为之间的时间差,得到行为时间序列中包括的各行为时间差信息。具体的,可以是依次计算用户行为序列中,除第一个用户行为之外,各用户行为与其上一用户行为之间的时间差信息,并将计算出的各时间差信息按照对应的用户行为执行顺序,进行排序构成用户的行为时间序列。其中,时间差信息可以是每一用户行为与该用户行为的上一用户行为之间相差的时间差值。
S302,根据用户行为序列和行为时间序列,确定用户待执行的目标行为,以及预测用户执行目标行为的时机,作为用户的行为预测特征。
示例性的,在本发明实施例中,根据用户行为序列和行为时间序列,确定用户待执行的目标行为、以及预测用户执行目标行为的时机,作为用户的行为预测特征的方法有很多,对此本发明实施例不进行限定。例如,可以是预先设定关于待执行目标行为及其执行时机的分析算法,通过根据用户行为序列和行为时间序列,按照预设的分析算法进行分析运算,即可得到该用户待执行的目标行为以及预测用户执行目标行为的时机,作为用户的行为预测特征。可选的,该分析算法可以是预先通过统计学算法构建的分析用户已执行的行为序列、已执行的行为时间序列、待执行目标行为以及执行该目标行为的时机之间的关联关系的算法。还可以是采用预先训练好的基于神经网络模型的行为预测模型来对用户待执行的目标行为以及执行该目标行为的时机进行预测,并将预测结果作为用户的行为预测特征。具体的,可以是将用户行为序列和行为时间序列输入训练好的行为预测模型中,该行为预测模型即会根据输入的数据按照训练时的算法对输入的数据进行分析处理,预测出用户待执行的至少一个目标行为,以及用户执行该目标行为的时机。可选的,本发明实施例中的行为预测模型可以与上述实施例中介绍的预测用户待执行的目标行为以及执行该目标行为的时机的行为预测模型的构成、工作原理、训练方式相同,对此本实施例不进行赘述。
可选的,为了提高预测模型预测出的用户待执行的目标行为以及执行该目标行为的时机的准确性。在根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机时,可以包括:根据用户行为序列中包括的各用户行为类别信息生成用户行为特征表示;根据行为时间序列中包括的各行为时间信息生成行为时间特征表示;将用户行为特征表示和行为时间特征表示输入行为预测模型,确定用户待执行的目标行为,以及预测用户执行所述目标行为的时机。可选的,本发明实施例中,预测所述用户执行所述目标行为的时机时,可以包括:预测用户在目标时间段内执行目标行为的概率;根据用户在目标时间段内执行目标行为的概率,确定用户执行目标行为的时机。可选的,上述确定用户待执行的目标行为,以及预测用户执行所述目标行为的时机的方法以及确定用户执行目标行为的时机的方法可以与上述各实施例中介绍的方式一样,对此不进行赘述。
S303,根据用户画像特征、投放信息特征和行为预测特征,向用户推送投放信息。
其中,用户画像特征可以是通过各个维度对用户或者待投放信息特征属性的刻画,并对这些特征分析统计挖掘潜在价值信息,完美地抽象出一个用户的信息全貌。用户画像特征可以包括自然属性特征和兴趣标签特征。其中,自然属性特征又可以包括:用户的地域、年龄、性别、文化、职业、收入等;兴趣标签特征又可以包括:用户喜好的投放信息类别、活跃频率、使用习惯、针对投放信息的消费情况等。投放信息特征可以是待投放给用户的信息的相关特征,每一个待投放的信息都有其对应的投放信息特征,可以包括但不限于信息的种类、费用、热度、参数等。例如,若待投放的信息是信用卡信息,则投放信息特征可以包括:信用卡的申请银行、信用卡的额度、办理资格、优惠活动等。可选的,投放信息特征的确定方法可以是从待投放信息资源库中通过信息过滤器初步筛选出与用户待执行的目标行为相关的候选待投放信息列表,然后从候选待投放信息列表中提取各候选投放信息对应的投放信息特征。
可选的,本申请实施例中,根据用户画像特征、投放信息特征和预测特征,向用户推送投放信息时,可以是采用预先训练的信息投放模型,将用户的画像特征、投放信息特征以及S302中得到预测特征,同时输入信息投放模型,该模型会根据输入的信息进行分析计算,在达到预测特征中执行目标行为的时机时,向该用户投放与执行目标行为和用户画像特征相符合的投放信息。其中,该预测模型可以是基于神经网络的机器学习模型,所采用的算法可以包括深度神经网络(Deep Neural Networks,DNN)、循环神经网络(Recurrentneural networks,RNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树、随机森林、特征均值分类、分类回归树、隐马尔科夫、K最近邻(k-NearestNeighbor,KNN)算法、逻辑回归模型、贝叶斯模型、高斯模型以及KL散度(Kullback–Leibler divergence)等等。可选的,可在用户使用终端设备的过程中,采集大量的训练样本,其中,每一组训练样本中包含的元素可包括:用户的画像特征、投放信息特征、行为预测特征以及用户实际查看的信息。采用大量的训练样本对预设初始模型进行训练,最终得到用于根据用户画像特征、投放信息特征和行为预测特征预测符合用户需求的投放信息的预测模型。
可选的,本发明实施例在根据用户画像特征、投放信息特征和所述行为预测特征,向用户推送投放信息时,可以不完全由预先训练的信息投放模型来执行,对信息投放模型的工作进行细化,通过服务器与预先训练好的信息投放模型之间相互配合,完成向用户推送投放信息。从而提高投放信息的准确性。具体可包括以下两个步骤:
A、根据行为预测特征,确定用户执行目标行为的时机。
示例性的,由服务器根据行为预测特征,确定用户待执行的至少一个目标行为,以及执行该至少一个目标行为的时机,然后对各目标行为的执行时机进行监测,监测当前时刻是否达到执行该目标行为的时机。可选的,可以通过设置各目标行为对应的定时器来完成对执行时机的检测,其中,定时器的定时数值即为执行时机对应的时间间隔。例如,若通过行为预测特征确定出用户待执行的目标行为是申请信用卡,执行申请信用卡操作的时间为未来3天,则可以设置一个时间间隔为3天的定时器;若执行信用卡操作的时间为本月最后一周,则设置一个时间间隔为本月最后7天的定时器。
B、在到达时机时,根据用户画像特征和投放信息特征,向用户推送目标行为关联的投放信息。
示例性的,服务器在监测到当前时刻到达到执行目标行为的时机时,将该用户的画像特征、投放信息特征以及该时机对应的待执行的目标行为输入训练好的信息投放模型中,该信息投放模型会基于输入的数据按照训练时的算法对输入的数据进行分析运算,确定可和当前时机待执行的目标行为关联的投放信息,并将该投放信息推送给用户。
需要说明的是,上述根据行为预测特征,确定用户执行目标行为的时机,在到达时机时,根据用户画像特征和投放信息特征,向用户推送目标行为关联的投放信息的方法也可以是全部由预先训练的信息投放模型来执行,对此本实施例不进行限定。
本实施例提供了一种信息投放方法,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列,根据用户行为序列和行为时间序列确定用户待执行的目标行为以及执行该目标行为的时机作为行为预测特征,并根据用户画像特征、投放信息特征和行为预测特征,向用户推送投放信息。能够准确确定用户待执行的目标行为,在用户准备执行该目标行为时,向用户推荐与该目标行为关联的投放信息,使得信息投放时机更恰当,投放的信息更准确,从而提高信息投放的转化率。
实施例四
图4A是本发明实施例四提供的一种信息投放方法的流程图,图4B是本发明实施例四提供的识别用户意图特征的过程示意图,图4C是本发明实施例四提供的向用户推送投放信息的过程示意图。该方法在上述各实施例的基础上进一步的优化,具体给出了根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息的情况介绍。如图4A-4C所示,该方法包括:
S401,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列。
S402,根据用户行为序列和行为时间序列,确定用户待执行的目标行为,以及预测用户执行目标行为的时机,作为用户的行为预测特征。
S403,根据用户搜索行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为中的至少一项,生成用户行为特征。
其中,用户搜索行为关联的搜索词可以是用户执行搜索行为时对应的搜索词,可以是输入的搜索文字,也可以是对输入的搜索文字进行关键词提取后得到的搜索关键词。结果页面摘要可以是用户在输入搜索词点击搜索按钮后,进入的搜索结果列表界面中搜索结果对应的摘要,可以是搜索出的各搜索结果的标题、简介等。结果页面内容可以是搜索结果列表界面中展示的所有搜索内容。结果页面统一资源定位符可以是搜索后进入的搜索结果列表界面的统一资源定位符(Uniform Resource Locator,URL),其可表征互联网上该搜索结果页面的资源地址和访问该搜索结果页面的方法。用户历史搜索行为可以是指用户在本次搜索之前的搜索行为,其中可以包括历史搜索行为对应的搜索词、结果页摘要、结果页内容、结果页统一资源定位符等。
可选的,根据用户所搜行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为中的至少一项,生成用户行为特征时,可以对用户所搜行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为中的至少一项进行组合,生成用户行为特征;也可以是对用户所搜行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为中的至少一项进行相应的处理后,将处理结果作为用户行为特征。
示例性的,如图4B所示,若对用户所搜行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为进行相应的处理,生成用户行为特征时,可以是对用户搜索行为关联的搜索词输入分词工具,同时基于搜索引擎对搜索词进行搜索,得到搜索结果列表页面。从该搜索结果列表页面中提取出结果页摘要、结果页内容、结果页统一资源定位符(URL);将取出结果页摘要和结果页内容输入分词工具,将结果页统一资源定位符输入统一资源特征中进行特征处理,通过分词工具对搜索词、结果页摘要、结果页内容进行词向量转换及拼接处理得到词向量组合,对用户历史行为进行特征拼接及组合处理;将词向量组合、统一资源特征进行特征处理的结果以及用户历史行为进行特征拼接及组合处理的结果进行合并,生成用户行为特征。
S404,根据用户行为特征和用户画像特征,识别用户意图特征。
其中,用户意图特征可以是指针对预测出的待执行的目标行为,用户是否具有转化意图,即是否具有执行该目标行为的意图。用户意图特征可以包括用户会执行预测出的目标行为,或用户不会执行预测出的目标行为。
示例性的,根据用户行为特征和用户画像特征,识别用户意图特征时,可以是采用预先训练好的意图识别模型,将用户行为特征和用户的画像特征输入意图识别模型,该意图识别模型可以是一个二分类模型,其会根据输入的信息进行分析判断,判断用是否存在转化意图,并输出是否存在转化意图的判断结果,即识别出的用户意图特征。示例性的,如图4B所示,将生成的用户行为特征和用户画像特征输入特征工程作为意图识别模型的输入数据,意图识别模型会对输入的数据进行分析判断,进而输出识别到的用户意图特征。
其中,该意图识别模型可以是基于神经网络的机器学习模型,所采用的算法可以包括深度神经网络(Deep Neural Networks,DNN)、循环神经网络(Recurrent neuralnetworks,RNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树、随机森林、特征均值分类、分类回归树、隐马尔科夫、K最近邻(k-NearestNeighbor,KNN)算法、逻辑回归模型、贝叶斯模型、高斯模型以及KL散度(Kullback–Leibler divergence)等等。可选的,可在用户使用终端设备的过程中,采集大量的训练样本,其中,每一组训练样本中包含的元素可包括:用户的画像特征、用户行为特征以及该用户是否为意图转化用户的判断结果(即用户实际的意图特征)。采用大量的训练样本对预设初始模型进行训练,最终得到用于根据用户行为特征和用户画像特征,识别用户意图特征的意图识别模型。
S405,根据用户画像特征、投放信息特征和行为预测特征,以及用户意图特征,向用户推送投放信息。
可选的,本发明实施例中,根据用户画像特征、投放信息特征和行为预测特征,以及用户意图特征,向用户推送投放信息,可以是将用户画像特征、投放信息特征和行为预测特征,以及用户意图特征作为预先训练好的信息投放模型的输入数据,由信息投放模型根据输入的数据进行分析计算后,确定出与用户待执行的目标行为关联的投放信息,并推送给该用户。
示例性的,如图4C所示,在针对用户A确定出该用户A对应的用户意图特征、用户画像特征以及行为预测特征,其中,用户意图特征为用户A会办理信用卡,用户行为预测特征是预测用户A在3天内会申请信用卡。将确定的用户A对应的用户意图特征、用户画像特征以及行为预测特征输入训练好的信息投放模型中。信息投放模型根据输入的用户意图特征确定用户A会办理信用卡,根据用户行为预测特征进一步得到用户在3天内会申请信用卡,此时从待投放信息资源库中通过信息过滤器初步筛选出与用户待执行的目标行为(即申请信用卡)相关的候选待投放信息列表,然后从候选待投放信息列表中提取各候选投放信息对应的投放信息特征,将提取出的各候选投放信息的投放信息特征也一并输入信息投放模型,该信息投放模型按照训练时的算法对各候选投放信息的投放信息特征与用户画像特征进行相似度匹配,可以将匹配度排名靠前的预设个数的投放信息特征对应的各候选投放信息作为确定出与用户待执行的目标行为关联的投放信息,然后在达到执行目标行为的时机时,即在预测的三天内向用户A推送确定出的与用户A待执行的目标行为关联的投放信息。
本实施例提供了一种信息投放方法,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列;根据用户行为序列和行为时间序列确定用户待执行的目标行为以及执行该目标行为的时机作为行为预测特征;根据用户搜索行为关联的信息,生成用户行为特征;根据用户行为特征和用户画像特征,识别用户意图特征;根据用户画像特征、投放信息特征和行为预测特征,以及用户意图特征,向用户推送投放信息。使得信息投放时机更恰当,投放信息更为准确,从而提高信息投放的转化率。
实施例五
图5是本发明实施例五提供的一种用户行为预测装置的结构示意图,该装置可执行本发明实施例一或实施例二任意实施例所提供的用户行为预测方法,具备执行方法相应的功能模块和有益效果。如图5所示,该装置包括:
第一时序生成模块501,用于根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
行为时机预测模块502,用于根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
本实施例提供了一种用户行为预测装置,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列,根据用户行为序列和行为时间序列从用户待执行的目标行为以及执行该目标行为的时机两个方面更为全面准确的预测用户行为,以便于后续更为准确的向用户推荐满足其需求的投放信息,进而提高投放信息的转化率。
进一步的,上述第一时序生成模块501具体用于:
根据用户行为序列中每一用户行为与该用户行为的上一用户行为之间的时间差,得到行为时间序列中包括的各行为时间差信息。
进一步的,上述行为时机预测模块502具体用于:
根据所述用户行为序列中包括的各用户行为类别信息生成用户行为特征表示;
根据所述行为时间序列中包括的各行为时间信息生成行为时间特征表示;
将所述用户行为特征表示和所述行为时间特征表示输入行为预测模型,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。进一步的,上述行为时机预测模块502,在预测所述用户执行所述目标行为的时机时,具体用于:
预测所述用户在目标时间段内执行所述目标行为的概率;
根据所述用户在目标时间段内执行所述目标行为的概率,确定所述用户执行所述目标行为的时机。
实施例六
图6是本发明实施例六提供的一种信息投放装置的结构示意图,该装置可执行本发明实施例三或实施例四任意实施例所提供的用户行为预测方法,具备执行方法相应的功能模块和有益效果。可选的,上述实施例五所述的用户行为预测装置可以配置与本实施例的信息投放装置中,信息投放装置基于用户行为预测装置的预测结果,来进行信息的投放;上述实施例五所述的用户行为预测装置可以配置与本实施例的信息投放装置也可以是两个独立的装置。
如图6所示,该装置包括:
第二时序生成模块601,用于根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
需要说明的是,第二时序生成模块601与实施例五中的第一时序生成模块501可以是同一个模块,也可以是不同的模块,若用户行为预测装置配置与信息投放装置中,则第二时序生成模块601与第一时序生成模块501即为同一个模块;若用户行为预测装置与信息投放装置分别为两个独立的装置,则第二时序生成模块601与第一时序生成模块501即为两个不同的模块。
预测特征确定模块602,用于根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,作为所述用户的行为预测特征;
需要说明的是,预测特征确定模块602与实施例五中的行为时机预测模块502可以是同一个模块,也可以是不同的模块,若用户行为预测装置配置与信息投放装置中,则预测特征确定模块602与行为时机预测模块502即为同一个模块;若用户行为预测装置与信息投放装置分别为两个独立的装置,则预测特征确定模块602与行为时机预测模块502即为两个不同的模块。
投放信息推送模块603,用于根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息。
本实施例提供了一种信息投放装置,通过根据用户行为序列中各用户行为信息,确定用户的行为时间序列,根据用户行为序列和行为时间序列确定用户待执行的目标行为以及执行该目标行为的时机作为行为预测特征,并根据用户画像特征、投放信息特征和行为预测特征,向用户推送投放信息。能够在准确确定用户待执行的目标行为,在用户准备执行该目标行为时,向用户推荐与该目标行为关联的投放信息,使得信息投放时机更恰当,投放是信息更准确,从而提高信息投放的转化率。
进一步的,上述投放信息推送模块603具体用于:
根据所述行为预测特征,确定所述用户执行所述目标行为的时机;
在到达所述时机时,根据用户画像特征和投放信息特征,向所述用户推送所述目标行为关联的投放信息。
进一步的,上述投放信息推送模块603具体用于:
根据用户行为特征和用户画像特征,识别用户意图特征;
根据所述用户画像特征、投放信息特征和所述行为预测特征,以及所述用户意图特征,向所述用户推送投放信息。
进一步的,上述装置还包括:
行为特征生成模块,用于根据用户搜索行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为中的至少一项,生成用户行为特征。
进一步的,上述第二时序生成模块601具体用于:
根据用户行为序列中每一用户行为与该用户行为的上一用户行为之间的时间差,得到行为时间序列中包括的各行为时间差信息。
进一步的,上述预测特征确定模块602在根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机时,具体用于:
根据所述用户行为序列中包括的各用户行为类别信息生成用户行为特征表示;
根据所述行为时间序列中包括的各行为时间信息生成行为时间特征表示;
将所述用户行为特征表示和所述行为时间特征表示输入行为预测模型,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
实施例七
图7为本发明实施例七提供的一种服务器的结构示意图。图7示出了适于用来实现本发明实施方式的示例性服务器70的框图。图7显示的服务器70仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图7所示,该服务器70以通用计算设备的形式表现。该服务器70的组件可以包括但不限于:一个或者多个处理器或者处理单元701,系统存储器702,连接不同系统组件(包括系统存储器702和处理单元701)的总线703。
总线703表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器70典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器70访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器702可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)704和/或高速缓存存储器705。服务器70可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统706可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线703相连。系统存储器702可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块707的程序/实用工具708,可以存储在例如系统存储器702中,这样的程序模块707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。程序模块707通常执行本发明所描述的实施例中的功能和/或方法。
服务器70也可以与一个或多个外部服务器709(例如键盘、指向设备、显示器710等)通信,还可与一个或者多个使得用户能与该设备交互的设备通信,和/或与使得该服务器70能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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711进行。并且,服务器70还可以通过网络适配器712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7所示,网络适配器712通过总线703与服务器70的其它模块通信。应当明白,尽管图中未示出,可以结合服务器70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。
处理单元701通过运行存储在系统存储器702中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所述的用户行为预测方法,或实现本发明任意实施例所述的信息投放方法。
实施例八
本发明实施例八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可实现本发明任意实施例所述的用户行为预测方法,或实现本发明任意实施例所述的信息投放方法
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于: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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员应该明白,上述的本发明实施例的各模块或各操作可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间的相同或相似的部分互相参见即可。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种用户行为预测方法,其特征在于,包括:
根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
2.根据权利要求1所述的方法,其特征在于,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列,包括:
根据用户行为序列中每一用户行为与该用户行为的上一用户行为之间的时间差,得到行为时间序列中包括的各行为时间差信息。
3.根据权利要求1所述的方法,其特征在于,根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,包括:
根据所述用户行为序列中包括的各用户行为类别信息生成用户行为特征表示;
根据所述行为时间序列中包括的各行为时间信息生成行为时间特征表示;
将所述用户行为特征表示和所述行为时间特征表示输入行为预测模型,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
4.根据权利要求1所述的方法,其特征在于,预测所述用户执行所述目标行为的时机,包括:
预测所述用户在目标时间段内执行所述目标行为的概率;
根据所述用户在目标时间段内执行所述目标行为的概率,确定所述用户执行所述目标行为的时机。
5.一种信息投放方法,其特征在于,包括:
根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,作为所述用户的行为预测特征;
根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息。
6.根据权利要求5所述的方法,其特征在于,根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息,包括:
根据所述行为预测特征,确定所述用户执行所述目标行为的时机;
在到达所述时机时,根据用户画像特征和投放信息特征,向所述用户推送所述目标行为关联的投放信息。
7.根据权利要求5所述的方法,其特征在于,根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息,包括:
根据用户行为特征和用户画像特征,识别用户意图特征;
根据所述用户画像特征、投放信息特征和所述行为预测特征,以及所述用户意图特征,向所述用户推送投放信息。
8.根据权利要求7所述的方法,其特征在于,根据用户行为特征和用户画像特征,识别用户意图特征之前,还包括:
根据用户搜索行为关联的搜索词、结果页摘要、结果页内容、结果页统一资源定位符和用户历史行为中的至少一项,生成用户行为特征。
9.根据权利要求5所述的方法,其特征在于,根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列,包括:
根据用户行为序列中每一用户行为与该用户行为的上一用户行为之间的时间差,得到行为时间序列中包括的各行为时间差信息。
10.根据权利要求5所述的方法,其特征在于,根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,包括:
根据所述用户行为序列中包括的各用户行为类别信息生成用户行为特征表示;
根据所述行为时间序列中包括的各行为时间信息生成行为时间特征表示;
将所述用户行为特征表示和所述行为时间特征表示输入行为预测模型,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
11.一种用户行为预测装置,其特征在于,包括:
第一时序生成模块,用于根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
行为时机预测模块,用于根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机。
12.一种信息投放装置,其特征在于,包括:
第二时序生成模块,用于根据用户行为序列中包括的各用户行为信息,生成用户的行为时间序列;
预测特征确定模块,用于根据所述用户行为序列和所述行为时间序列,确定所述用户待执行的目标行为,以及预测所述用户执行所述目标行为的时机,作为所述用户的行为预测特征;
投放信息推送模块,用于根据用户画像特征、投放信息特征和所述行为预测特征,向所述用户推送投放信息。
13.一种服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的用户行为预测方法,或实现如权利要求5-10中任一所述的信息投放方法。
14.一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如权利要求1-4中任一所述的用户行为预测方法,或实现如权利要求5-10中任一所述的信息投放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535129.7A CN109684543B (zh) | 2018-12-14 | 2018-12-14 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535129.7A CN109684543B (zh) | 2018-12-14 | 2018-12-14 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109684543A true CN109684543A (zh) | 2019-04-26 |
CN109684543B CN109684543B (zh) | 2021-04-02 |
Family
ID=66187758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811535129.7A Active CN109684543B (zh) | 2018-12-14 | 2018-12-14 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684543B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223166A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨哈银消费金融有限责任公司 | 基于大数据的消费金融用户贷款逾期的预测方法及设备 |
CN110310163A (zh) * | 2019-07-11 | 2019-10-08 | 易联众民生(厦门)科技有限公司 | 一种精准制定营销策略的方法、设备及可读介质 |
CN110458067A (zh) * | 2019-07-31 | 2019-11-15 | 卓尔智联(武汉)研究院有限公司 | 刻画用户画像的方法、计算机装置及可读存储介质 |
CN110717537A (zh) * | 2019-10-08 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 训练用户分类模型、执行用户分类预测的方法及装置 |
CN110781397A (zh) * | 2019-10-29 | 2020-02-11 | 上海连尚网络科技有限公司 | 一种用于提供小说信息的方法与设备 |
CN110796484A (zh) * | 2019-10-11 | 2020-02-14 | 上海上湖信息技术有限公司 | 客户活跃程度预测模型的构建方法、装置及其应用方法 |
CN111090822A (zh) * | 2019-12-18 | 2020-05-01 | 浙江口碑网络技术有限公司 | 业务对象的推送方法及装置 |
CN111209476A (zh) * | 2019-12-31 | 2020-05-29 | 广州市百果园信息技术有限公司 | 推荐方法、模型生成方法、装置、介质及设备 |
CN111242771A (zh) * | 2020-01-13 | 2020-06-05 | 北京明略软件系统有限公司 | 用户操作行为的处理方法和装置及计算机可读存储介质 |
CN111709765A (zh) * | 2020-03-25 | 2020-09-25 | 中国电子科技集团公司电子科学研究院 | 一种用户画像评分方法、装置和存储介质 |
CN111767455A (zh) * | 2019-05-09 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种信息推送的方法和装置 |
CN111813946A (zh) * | 2020-09-14 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 医疗信息反馈方法、装置、设备及可读存储介质 |
CN112381595A (zh) * | 2021-01-11 | 2021-02-19 | 平安科技(深圳)有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
CN112527852A (zh) * | 2021-02-07 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 用户动支策略分配方法、装置及电子设备 |
CN113128597A (zh) * | 2021-04-21 | 2021-07-16 | 浙江大学 | 一种用户行为特征的提取和分类预测的方法及装置 |
CN113157048A (zh) * | 2021-04-23 | 2021-07-23 | 杭州安恒信息技术股份有限公司 | 一种基于多终端时间轴的行为数据分析方法及相关组件 |
CN113190599A (zh) * | 2021-06-30 | 2021-07-30 | 平安科技(深圳)有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
CN113468389A (zh) * | 2020-03-30 | 2021-10-01 | 中国移动通信集团河北有限公司 | 一种基于特征序列比对的用户画像建立方法和装置 |
CN114943228A (zh) * | 2022-06-06 | 2022-08-26 | 北京百度网讯科技有限公司 | 端到端敏感文本召回模型的训练方法、敏感文本召回方法 |
CN117407571A (zh) * | 2023-12-14 | 2024-01-16 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080104212A (ko) * | 2007-02-14 | 2008-12-02 | 성균관대학교산학협력단 | 사용자 의도 인식 시스템 및 방법 |
CN102282556A (zh) * | 2008-11-25 | 2011-12-14 | 谷歌公司 | 基于预期用户行为提供数字内容 |
CN102667839A (zh) * | 2009-12-15 | 2012-09-12 | 英特尔公司 | 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法 |
CN104573108A (zh) * | 2015-01-30 | 2015-04-29 | 联想(北京)有限公司 | 信息处理方法和信息处理装置 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
CN108876284A (zh) * | 2018-05-14 | 2018-11-23 | 平安科技(深圳)有限公司 | 一种用户行为提示生成方法及终端设备 |
-
2018
- 2018-12-14 CN CN201811535129.7A patent/CN109684543B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080104212A (ko) * | 2007-02-14 | 2008-12-02 | 성균관대학교산학협력단 | 사용자 의도 인식 시스템 및 방법 |
CN102282556A (zh) * | 2008-11-25 | 2011-12-14 | 谷歌公司 | 基于预期用户行为提供数字内容 |
CN102667839A (zh) * | 2009-12-15 | 2012-09-12 | 英特尔公司 | 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法 |
CN104573108A (zh) * | 2015-01-30 | 2015-04-29 | 联想(北京)有限公司 | 信息处理方法和信息处理装置 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
CN108876284A (zh) * | 2018-05-14 | 2018-11-23 | 平安科技(深圳)有限公司 | 一种用户行为提示生成方法及终端设备 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767455A (zh) * | 2019-05-09 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种信息推送的方法和装置 |
CN110223166A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨哈银消费金融有限责任公司 | 基于大数据的消费金融用户贷款逾期的预测方法及设备 |
CN110310163A (zh) * | 2019-07-11 | 2019-10-08 | 易联众民生(厦门)科技有限公司 | 一种精准制定营销策略的方法、设备及可读介质 |
CN110458067A (zh) * | 2019-07-31 | 2019-11-15 | 卓尔智联(武汉)研究院有限公司 | 刻画用户画像的方法、计算机装置及可读存储介质 |
CN110717537A (zh) * | 2019-10-08 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 训练用户分类模型、执行用户分类预测的方法及装置 |
CN110717537B (zh) * | 2019-10-08 | 2022-04-12 | 支付宝(杭州)信息技术有限公司 | 训练用户分类模型、执行用户分类预测的方法及装置 |
CN110796484B (zh) * | 2019-10-11 | 2022-02-25 | 上海上湖信息技术有限公司 | 客户活跃程度预测模型的构建方法、装置及其应用方法 |
CN110796484A (zh) * | 2019-10-11 | 2020-02-14 | 上海上湖信息技术有限公司 | 客户活跃程度预测模型的构建方法、装置及其应用方法 |
CN110781397A (zh) * | 2019-10-29 | 2020-02-11 | 上海连尚网络科技有限公司 | 一种用于提供小说信息的方法与设备 |
CN110781397B (zh) * | 2019-10-29 | 2023-04-07 | 上海连尚网络科技有限公司 | 一种用于提供小说信息的方法与设备 |
CN111090822A (zh) * | 2019-12-18 | 2020-05-01 | 浙江口碑网络技术有限公司 | 业务对象的推送方法及装置 |
CN111209476A (zh) * | 2019-12-31 | 2020-05-29 | 广州市百果园信息技术有限公司 | 推荐方法、模型生成方法、装置、介质及设备 |
CN111209476B (zh) * | 2019-12-31 | 2023-09-01 | 广州市百果园信息技术有限公司 | 推荐方法、模型生成方法、装置、介质及设备 |
WO2021135588A1 (zh) * | 2019-12-31 | 2021-07-08 | 百果园技术(新加坡)有限公司 | 推荐方法、模型生成方法、装置、介质以及设备 |
CN111242771A (zh) * | 2020-01-13 | 2020-06-05 | 北京明略软件系统有限公司 | 用户操作行为的处理方法和装置及计算机可读存储介质 |
CN111709765A (zh) * | 2020-03-25 | 2020-09-25 | 中国电子科技集团公司电子科学研究院 | 一种用户画像评分方法、装置和存储介质 |
CN113468389A (zh) * | 2020-03-30 | 2021-10-01 | 中国移动通信集团河北有限公司 | 一种基于特征序列比对的用户画像建立方法和装置 |
CN113468389B (zh) * | 2020-03-30 | 2023-04-28 | 中国移动通信集团河北有限公司 | 一种基于特征序列比对的用户画像建立方法和装置 |
CN111813946A (zh) * | 2020-09-14 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 医疗信息反馈方法、装置、设备及可读存储介质 |
CN112381595B (zh) * | 2021-01-11 | 2021-06-04 | 平安科技(深圳)有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
CN112381595A (zh) * | 2021-01-11 | 2021-02-19 | 平安科技(深圳)有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
CN112527852A (zh) * | 2021-02-07 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 用户动支策略分配方法、装置及电子设备 |
CN113128597A (zh) * | 2021-04-21 | 2021-07-16 | 浙江大学 | 一种用户行为特征的提取和分类预测的方法及装置 |
CN113157048A (zh) * | 2021-04-23 | 2021-07-23 | 杭州安恒信息技术股份有限公司 | 一种基于多终端时间轴的行为数据分析方法及相关组件 |
CN113190599B (zh) * | 2021-06-30 | 2021-09-28 | 平安科技(深圳)有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
CN113190599A (zh) * | 2021-06-30 | 2021-07-30 | 平安科技(深圳)有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
CN114943228A (zh) * | 2022-06-06 | 2022-08-26 | 北京百度网讯科技有限公司 | 端到端敏感文本召回模型的训练方法、敏感文本召回方法 |
CN114943228B (zh) * | 2022-06-06 | 2023-11-24 | 北京百度网讯科技有限公司 | 端到端敏感文本召回模型的训练方法、敏感文本召回方法 |
CN117407571A (zh) * | 2023-12-14 | 2024-01-16 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
CN117407571B (zh) * | 2023-12-14 | 2024-02-09 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109684543B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684543A (zh) | 用户行为预测和信息投放方法、装置、服务器和存储介质 | |
US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
CN112131350B (zh) | 文本标签确定方法、装置、终端及可读存储介质 | |
US11429405B2 (en) | Method and apparatus for providing personalized self-help experience | |
US20210342658A1 (en) | Polysemant meaning learning and search result display | |
US11468241B2 (en) | Techniques to add smart device information to machine learning for increased context | |
CN112015859A (zh) | 文本的知识层次抽取方法及装置、计算机设备及可读介质 | |
US20230023630A1 (en) | Creating predictor variables for prediction models from unstructured data using natural language processing | |
KR102407057B1 (ko) | Sns 사용자 채널에 대한 공개 데이터를 분석하여 영향력 리포트를 제공하는 시스템 및 방법 | |
CN113742733B (zh) | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 | |
KR102407056B1 (ko) | Sns 사용자 채널에 대한 공개 데이터를 수집하고, 수집된 공개 데이터를 기반으로 영향력을 측정하는 시스템 및 방법 | |
CN110222144A (zh) | 文本内容提取方法、装置、电子设备及存储介质 | |
CN113762973A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112330442A (zh) | 基于超长行为序列的建模方法及装置、终端、存储介质 | |
Tannert et al. | FlowchartQA: the first large-scale benchmark for reasoning over flowcharts | |
Pourkeyvan et al. | Harnessing the power of hugging face transformers for predicting mental health disorders in social networks | |
CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
Constantin et al. | Hateful meme detection with multimodal deep neural networks | |
CN110598040B (zh) | 专辑召回方法、装置、设备及存储介质 | |
Jamshidian | Evaluation of Text Transformers for Classifying Sentiment of Reviews by Using TF-IDF, BERT (word embedding), SBERT (sentence embedding) with Support Vector Machine Evaluation | |
Gupta et al. | Real-time Hate Speech Detection in Live Streaming Platforms using Quantum Machine Learning | |
CN116303987A (zh) | 招标公文的推荐方法、装置、计算机设备及存储介质 | |
CN117831727A (zh) | 体检项目推荐方法、装置、计算机设备及存储介质 | |
CN117993663A (zh) | 软件缺陷的解决人员分配方法、装置、设备和存储介质 | |
CN112966085A (zh) | 人机会话智能控制方法、装置、电子设备及存储介质 |
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 |