CN109903063A - 数据处理方法及其系统、计算机系统和可读存储介质 - Google Patents

Abstract

本公开提供了一种数据处理方法，包括：实时获取第一用户针对第一操作对象的操作数据；将实时获取到的操作数据作为输入数据输入至实时预测模型，以使实时预测模型能够基于操作数据，输出对应的预测结果；以预测结果为预测依据，确定第一操作对象流向第一用户的可能性；为第一操作对象设置反馈机制，其中，反馈机制用于提高第一操作对象流向第一用户的可能性；以及在确定第一操作对象流向第一用户的可能性满足预设条件的情况下，运行反馈机制以进一步提高第一操作对象流向第一用户的可能性，从而促使第一操作对象流向第一用户。本公开还提供了一种数据处理系统、一种计算机系统和一种可读存储介质。

Description

数据处理方法及其系统、计算机系统和可读存储介质

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种数据处理方法、 一种数据处理系统、一种计算机系统和一种可读存储介质。

背景技术

目前，科学、合理地预测用户的交易行为是业界致力于攻破的一 个技术难点。如果能够成功预测用户的交易行为，则不仅可以促进仓 库供货备货的高效性，给物流系统带来更高效的管理和运行模式，而 且还可以给产品的运营与规划带来很大的帮助。

至今，无论是从商业角度还是从学术研究角度，相关技术中都已 有很多实例来对用户的交易行为进行预测，例如对某单品在未来一个 月的销量，以及在未来一年的整体营业额等等进行预测。这种预测目 前在技术层面上都是以大数据为基础的。例如利用商品维度的信息(包 括价格信息，促销信息)构建特征向量，并建立预测模型。进一步， 对于特殊产品，例如雨衣，风衣，棉袄，短袖等等的相关预测，除了 利用商品维度的信息之外，还会叠加天气信息。此外，对于电影票房 销量则可能会基于社交媒体及影评数据等来进行建模预测。

但是，在实现本公开构思的过程中，发明人发现相关技术中至少 存在如下问题：相关技术中只能从整体上预测未来一段时间内某一产 品的交易量，而无法预知用户实时的行为意图。

发明内容

有鉴于此，本公开提供了一种数据处理方法、一种数据处理系统、 一种计算机系统和一种可读存储介质。

本公开的一个方面提供了一种数据处理方法，包括实时获取第一 用户针对第一操作对象的操作数据；将实时获取到的上述操作数据作 为输入数据输入至实时预测模型，以使上述实时预测模型能够基于上 述操作数据，输出对应的预测结果；以及以上述预测结果为预测依据， 确定上述第一操作对象流向上述第一用户的可能性。

根据本公开的实施例，上述方法还包括为上述第一操作对象设置 反馈机制，其中，上述反馈机制用于提高上述第一操作对象流向上述 第一用户的可能性；以及在确定上述第一操作对象流向上述第一用户 的可能性满足预设条件的情况下，运行上述反馈机制以进一步提高上 述第一操作对象流向上述第一用户的可能性，从而促使上述第一操作 对象流向上述第一用户。

根据本公开的实施例，上述方法还包括构建上述实时预测模型， 包括获取至少一个第二用户针对第二操作对象的历史操作数据，其中， 上述第二用户包括或者不包括上述第一用户，上述第二操作对象与上 述第一操作对象相同或者不同；对上述历史操作数据进行挖掘，得到 一频繁操作集，其中，上述频繁操作集中包含有一种或多种操作行为 类型；以及根据上述频繁操作集构建上述实时预测模型。

根据本公开的实施例，每个上述第二用户的历史操作数据为该第 二用户在历史会话中实施对应的操作行为产生的，构建上述实时预测 模型还包括：针对每个上述第二用户，按照其历史操作数据生成的时 间，对其实施的操作行为进行排序，得到对应的操作行为链；针对所 有的上述第二用户，确定不同用户的操作行为链之间的相关度；根据 相关度确定结果，将相关度满足预设相关度的操作行为链作为关联操 作行为链；以及根据上述关联操作行为链和上述频繁操作集构建上述 实时预测模型。

根据本公开的实施例，根据上述关联操作行为链和上述频繁操作 集构建上述实时预测模型包括判断上述关联操作行为链中是否包含有 已确定对象流向的操作类型；以及若判断出上述关联操作行为链中包 含有已确定对象流向的操作类型，则根据包含有已确定对象流向的操 作类型的关联操作行为链和上述频繁操作集构建上述实时预测模型。

根据本公开另一方面，还提供了一种数据处理系统，包括获取模 块、输入模块和确定模块。获取模块用于实时获取第一用户针对第一 操作对象的操作数据；输入模块用于将实时获取到的上述操作数据作 为输入数据输入至实时预测模型，以使上述实时预测模型能够基于上 述操作数据，输出对应的预测结果；以及确定模块用于以上述预测结 果为预测依据，确定上述第一操作对象流向上述第一用户的可能性。

根据本公开的实施例，上述系统还包括设置模块和运行模块。设 置模块用于为上述第一操作对象设置反馈机制，其中，上述反馈机制 用于提高上述第一操作对象流向上述第一用户的可能性；以及运行模 块用于在确定上述第一操作对象流向上述第一用户的可能性满足预设 条件的情况下，运行上述反馈机制以进一步提高上述第一操作对象流 向上述第一用户的可能性，从而促使上述第一操作对象流向上述第一 用户。

根据本公开的实施例，上述系统还包括构建模块，用于构建上述 实时预测模型，构建模块包括获取单元、挖掘单元和第一构建单元。 获取单元用于获取至少一个第二用户针对第二操作对象的历史操作数 据，其中，上述第二用户包括或者不包括上述第一用户，上述第二操 作对象与上述第一操作对象相同或者不同；挖掘单元用于对上述历史 操作数据进行挖掘，得到一频繁操作集，其中，上述频繁操作集中包 含有一种或多种操作行为类型；以及第一构建单元用于根据上述频繁 操作集构建上述实时预测模型。

根据本公开的实施例，每个上述第二用户的历史操作数据为该第 二用户在历史会话中实施对应的操作行为产生的，上述构建模块还包 括排序单元、第一确定单元、第二确定单元和第二构建单元。排序单 元用于针对每个上述第二用户，按照其历史操作数据生成的时间，对 其实施的操作行为进行排序，得到对应的操作行为链；第一确定单元 用于针对所有的上述第二用户，确定不同用户的操作行为链之间的相 关度；第二确定单元用于根据相关度确定结果，将相关度满足预设相 关度的操作行为链作为关联操作行为链；以及第二构建单元用于根据 上述关联操作行为链和上述频繁操作集构建上述实时预测模型。

根据本公开的实施例，上述第二构建单元包括判断子单元和构建 子单元。判断子单元用于判断上述关联操作行为链中是否包含有已确 定对象流向的操作类型；以及构建子单元用于若判断出上述关联操作 行为链中包含有已确定对象流向的操作类型，则根据包含有已确定对 象流向的操作类型的关联操作行为链和上述频繁操作集构建上述实时预测模型。

本公开的另一方面提供了一种计算机系统，包括一个或多个处理 器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程 序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现 如上所述的数据处理方法。

本公开的另一个方面提供了一种可读存储介质，其上存储有可执 行指令，该指令被处理器执行时使处理器实现如上所述的数据处理方 法。

本公开的另一方面提供了一种计算机程序，上述计算机程序包括 计算机可执行指令，上述指令在被执行时用于实现如上所述的数据处 理方法。

根据本公开的实施例，因为采用了通过实时预测模型基于用户实 时产生的操作数据预测操作对象流向用户的可能性，从而预测该用户 是否为潜在的交易用户技术手段，所以至少部分地克服了相关技术中 只能从整体上预测未来一段时间内大部分用户的交易行为，而无法预 知用户实时的行为意图，达到了实时分析用户的操作动态的效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其 他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用数据处理方法的示 例性系统架构；

图2示意性示出了根据本公开实施例的数据处理方法的流程图；

图3A示意性示出了根据本公开实施例的运行反馈机制的示意图；

图3B示意性示出了根据本公开实施例的构建实时预测模型的流程 图；

图3C示意性示出了根据本公开另一实施例的构建实时预测模型的 流程图；

图3D示意性示出了根据本公开另一实施例的构建实时预测模型的 流程图；

图4示意性示出了根据本公开实施例的数据处理系统的框图；

图5A示意性示出了根据本公开另一实施例的数据处理系统的框图；

图5B示意性示出了根据本公开实施例的构建模块的框图；

图5C示意性示出了根据本公开另一实施例的构建模块的框图；

图5D示意性示出了根据本公开实施例的第二构建单元的框图；以 及

图6示意性示出了根据本公开实施例的适于实现数据处理方法的计 算机系统的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些 描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明 中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的 概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本 公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、 操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、 步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人 员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解 释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于 刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下， 一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释 (例如，“具有A、B和C中至少一个的系统”应包括但不限于单独 具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有 B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C 等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术 人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中 至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具 有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C 的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多 可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附 图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或 两个项目的可能性。例如，短语“A或B”应当被理解为包括“A” 或“B”、或“A和B”的可能性。

本公开的实施例提供了一种数据处理方法、一种数据处理系统、一 种计算机系统和一种可读存储介质。该方法包括实时获取第一用户针对 第一操作对象的操作数据；将实时获取到的操作数据作为输入数据输入 至实时预测模型，以使实时预测模型能够基于操作数据，输出对应的预 测结果；以预测结果为预测依据，确定第一操作对象流向第一用户的可 能性；为第一操作对象设置反馈机制，其中，反馈机制用于提高第一操 作对象流向第一用户的可能性；以及在确定第一操作对象流向第一用户 的可能性满足预设条件的情况下，运行反馈机制以进一步提高第一操作 对象流向第一用户的可能性，从而促使第一操作对象流向第一用户。

图1示意性示出了根据本公开实施例的可以应用数据处理方法的示 例性系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的 系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并 不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、 102、103，网络104和服务器105。网络104用以在终端设备101、102、 103和服务器105之间提供通信链路的介质。网络104可以包括各种连 接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送消息等。终端设备101、102、103上可以安装有各 种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、 即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各 种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和 台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设 备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。 后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将 处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反 馈给终端设备。

需要说明的是，本公开实施例所提供的数据处理方法一般可以由服 务器105执行。相应地，本公开实施例所提供的数据处理系统一般可以 设置于服务器105中。本公开实施例所提供的数据处理方法也可以由不 同于服务器105且能够与终端设备101、102、103和/或服务器105通信 的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理 系统也可以设置于不同于服务器105且能够与终端设备101、102、103 和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性 的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的数据处理方法的流程图。

如图2所示，该方法包括操作S201～S205，其中：

在操作S201，实时获取第一用户针对第一操作对象的操作数据。

在操作S202，将实时获取到的操作数据作为输入数据输入至实时 预测模型，以使实时预测模型能够基于操作数据，输出对应的预测结果。

在操作S203，以预测结果为预测依据，确定第一操作对象流向第 一用户的可能性。

在操作S204，为第一操作对象设置反馈机制，其中，反馈机制用 于提高第一操作对象流向第一用户的可能性。

在操作S205，在确定第一操作对象流向第一用户的可能性满足预 设条件的情况下，运行反馈机制以进一步提高第一操作对象流向第一用 户的可能性，从而促使第一操作对象流向第一用户。

根据本公开的实施例，第一操作对象可以是交易网站上的可交易物 体，操作数据可以是第一用户针对可交易物体的搜索操作，浏览操作， 点击操作等操作中的一种或多种。

将实时获取到的操作数据作为输入数据输入至实时预测模型中，可 以预测第一用户是否可能交易第一操作对象。

例如，第一操作对象为衣服，用户在交易网站上搜索该衣服的名称， 进而浏览搜索出来的衣服的款式，随后将某一衣服放入购物车。将用户 实时产生的搜索数据，浏览数据，以及加入购物车的数据输入到实时预 测模型中，实时预测模型可以输出用于表示该衣服最终被用户购买的可 能性的预测结果。该预测结果可以是对衣服最终被用户购买的可能性进 行量化的结果，比如，输出预测结果为80％，说明衣服最终被用户购买 的可能性较大。输出预测结果为10％，说明衣服最终被用户购买的可能 性较小。或者，预测结果也可以是将对衣服最终被用户购买的可能性进 行评级的结果，例如可以分为高，较高，一般，低等评级结果。需要说 明的是，预测结果的具体形式不限于上述方式，本公开不限定预测结果的表现形式。

根据本公开的实施例，根据用户针对第一操作对象的操作数据及时 的预测用户的交易意向，可以实时的分析用户是否会交易第一操作对象。

根据本公开的实施例，因为采用了通过实时预测模型基于用户实 时产生的操作数据预测操作对象流向用户的可能性，从而预测该用户 是否为潜在的交易用户技术手段，所以至少部分地克服了相关技术中 只能从整体上预测未来一段时间内大部分用户的交易行为，而无法预 知用户实时的行为意图，达到了实时分析用户的操作动态的效果。

根据本公开的实施例，在实时预测模型输出对应的预测结果之后， 可以实时分析用户是否会交易第一操作对象，进一步地，还可以根据对 应的预测结果确定是否提供相应的干预措施，以促进用户交易该第一操 作对象。

根据本公开的实施例，反馈机制中包括一种或多种干预措施，例如， 干预措施可以是推送一些优惠券，或者打折信息，或者发送后期涨价提 示，或者提供实时人工导购等等的服务，可以提高第一操作对象流向第 一用户的可能性。

例如，预设条件为预测结果大于或等于40％的情况下，运行反馈机 制。当预测结果为该用户购买意向为60％，则确定60％大于40％。此时， 可以为用户推送一些优惠券，从而提高衣服被用户购买的可能性。图3A 示意性示出了根据本公开实施例的运行反馈机制的示意图。

如图3A所示，服务器302可以根据预测结果向客户端推送一些优 惠券，从而使得用户在优惠券的促使下，购买物品。

或者，也可以在以预测结果为预测依据，确定第一操作对象流向第 一用户的可能性之后，不设定预设条件，根据预测结果直接运行反馈机 制，例如，实时预测模型输出用于表示衣服最终被用户购买的可能性的 预测结果为该用户购买意向为一般。则该预测结果表明用户可能会购买 该衣服，但意愿不强烈。此时，可以为用户推送打折信息，从而提高衣服被用户购买的可能性。

通过本公开的实施例，反馈机制可以根据实际营销策略进行设置， 以最大化的提高交易额或交易量，通过设置反馈机制，可以促使用户真 正交易对象，达到提升销量，转化率的目的，提高了交易成功率。

下面参考图3B～图3D，结合具体实施例对图2所示的方法做进一 步说明。

图3B示意性示出了根据本公开实施例的构建实时预测模型的流程 图。

如图3B所示，构建实时预测模型包括操作S206～S208，其中：

在操作S206，获取至少一个第二用户针对第二操作对象的历史操 作数据，其中，第二用户包括或者不包括第一用户，第二操作对象与 第一操作对象相同或者不同。

在操作S207，对历史操作数据进行挖掘，得到一频繁操作集，其 中，频繁操作集中包含有一种或多种操作行为类型。

在操作S208，根据频繁操作集构建实时预测模型。

根据本公开的实施例，为了实现根据用户的操作数据预测用户的 交易意向，可以预先构建实时预测模型。通过用户的历史操作数据构 建实时预设模型可以是根据第一用户在本次操作以前，产生的所有操 作数据进行建模。在这种情况下，可以有针对性的构建适用于该第一 用户的实时预设模型。

或者，为了使得构建的实时预设模型适用于预测大部分用户的交 易意向，通过用户的历史操作数据构建实时预设模型可以是根据服务 器端获取的在本次操作以前，所有用户产生的所有操作数据进行建模。

根据本公开的实施例，由于在购买的过程中最经常出现的一些操 作行为中挖掘出来的频繁操作集可以用于区分用户购买意图大小，因 此，在频繁操作集挖掘时，可以试图挖掘在购买的过程中经常出现的 一些操作行为。例如，大部分用户在购买前会进行搜索该物品的操作， 然后加入购物车的操作，因此，频繁操作集中可以包含有搜索和加入 购物车的操作类型。

通过本公开的实施例，通过频繁操作集构建实时预测模型，可以 提高预测模型的实用性，提高预测用户为潜在交易用户的准确度。

图3C示意性示出了根据本公开另一实施例的构建实时预测模型的 流程图。

每个第二用户的历史操作数据为该第二用户在历史会话中实施对 应的操作行为产生的，如图3C所示，构建实时预测模型还包括包括操 作S209～S212，其中：

在操作S209，针对每个第二用户，按照其历史操作数据生成的时 间，对其实施的操作行为进行排序，得到对应的操作行为链。

在操作S210，针对所有的第二用户，确定不同用户的操作行为链 之间的相关度。

在操作S211，根据相关度确定结果，将相关度满足预设相关度的 操作行为链作为关联操作行为链；以及

在操作S212，根据关联操作行为链和频繁操作集构建实时预测模 型。

根据本公开的实施例，历史会话可以是用户在访问交易网站时， 会话开始至会话结束的时间之间所有的操作行为发生的时间区间。

根据本公开的实施例，针对每个第二用户，按照其历史操作数据 生成的时间，对其实施的操作行为进行排序，得到对应的操作行为链， 例如，用户首先进行搜索，然后点击，浏览，最后加入购物车。则进 行排序后，得到的操作行为链为搜索、点击、浏览和加入购物车。针 对数据库中的所有用户，都可以生成相应的操作行为链。

根据本公开的实施例，还可以预先定义用户的操作行为，操作行 为包括如下几大类：

1.搜索：在搜索中还可以细分定义多个不同的搜索模式，例如， 第一个为关键字搜索方式，第二个为商品目录搜索方式，在操作行为 链中分别用标记“KS”和“CS”来表示。

2.浏览：在浏览中可以定义单个不同的浏览行为，分别为：一、 商品详情浏览，二、重复浏览当前会话当中浏览过的商品，三、浏览 订单表。这三个行为在行为链中分别用“IV”，“RV”和“OV”来代 表。

3.购物车操作：在购物车操作中可以定义两个操作方式。一、加 入购物车操作，二、浏览购物车操作。行为链中分别用“AB”和“VB” 来代表。

4.浏览促销：可以定义用户的不同浏览促销的行为，分别为，一、 浏览促销商品首页信息。二、查看领券中心优惠券行为，三、关注特 殊商品降价行为。在行为链中我们分别用了“SI”，“SC”与“SS”来 代表这三种行为。

5.比较：用户在购买过程当中会有对比同相似品的行为，可以将 这种行为定义为用户的比较行为，在行为链中记为“C”。

6.其他：所有其他不属于上述行为的点击操作，可以归纳为其他。

在完成用户行为的详细定义之后，采用一系列的历史用户购买的 的数据以及点击流作为建模原材料，映射成定义后的标记，进而用于 搭建实时预测模型。

根据本公开的实施例，还可以挖掘一些子序列(这些子序列保留 了原有操作行为链按时间顺序排列的时间维度的信息)可以代表用户 在购买意图下，会遵循的一系列点击和浏览的顺序模式。

在生成多个操作行为链之后，可以挖掘不同的操作行为链之间的 相关性，例如，当某一个操作行为链出现的时候，经常会出现另外一 个操作行为链中的相关性行为，可以认定具有相关性行为的操作行为 链之间的相关度高。具体地，例如，在操作行为链A中包括三个操作 类型搜索、点击和浏览，在操作行为链B中包括三个操作类型搜索、 点击和加入购物车，其中有2个操作类型搜索和点击相同，则可以认 定该两个操作行为链之间的相关度高。

根据本公开的实施例，确定不同用户的操作行为链之间的相关度 也可以是通过计算余弦相似度的方法，具体方法可参考现有技术，在 此不再赘述。

通过本公开的实施例，通过关联操作行为链和频繁操作集构建实 时预测模型，可以采用逻辑回归、支持向量机与深度神经网络，分别 搭建实时预测模型，使得可以进一步提高预测模型的实用性，提高预 测用户为潜在交易用户的准确度。根据本公开的实施例，还可以采用 交叉验证模型来对逻辑回归与支持向量机的实时预测模型进行评估。

图3D示意性示出了根据本公开另一实施例的构建实时预测模型 的流程图。

如图3D所示，根据关联操作行为链和频繁操作集构建实时预测 模型包括操作S2121～S2122，其中：

在操作S2121，判断关联操作行为链中是否包含有已确定对象流 向的操作类型。

在操作S2122，若判断出关联操作行为链中包含有已确定对象流 向的操作类型，则根据包含有已确定对象流向的操作类型的关联操作 行为链和频繁操作集构建实时预测模型。

根据本公开的实施例，已确定对象流向的操作类型可以是完成了 支付的支付操作，或者是完成订单确认的操作。当关联操作行为链中 包含有完成了支付的支付操作或者完成订单确认的操作时，可以这些 关联操作行为链进行标注，并根据这些关联操作行为链和频繁操作集 构建实时预测模型。

通过本公开的实施例，根据包含已确定对象流向的操作类型的关 联的操作行为链，对用户进行更深层次的挖掘，提高了预测模型的实 用性。

图4示意性示出了根据本公开实施例的数据处理系统的框图。

如图4所示，数据处理系统400包括获取模块410、输入模块420、 确定模块430、设置模块440和运行模块450。

获取模块410用于实时获取第一用户针对第一操作对象的操作数 据。

输入模块420用于将实时获取到的操作数据作为输入数据输入至 实时预测模型，以使实时预测模型能够基于操作数据，输出对应的预 测结果。

确定模块430用于以预测结果为预测依据，确定第一操作对象流 向第一用户的可能性；

设置模块440用于为第一操作对象设置反馈机制，其中，反馈机 制用于提高第一操作对象流向第一用户的可能性。

运行模块450用于在确定第一操作对象流向第一用户的可能性满 足预设条件的情况下，运行反馈机制以进一步提高第一操作对象流向 第一用户的可能性，从而促使第一操作对象流向第一用户。

根据本公开的实施例，因为采用了通过实时预测模型基于用户实 时产生的操作数据预测操作对象流向用户的可能性，从而预测该用户 是否为潜在的交易用户技术手段，所以至少部分地克服了相关技术中 只能从整体上预测未来一段时间内大部分用户的交易行为，而无法预 知用户实时的行为意图，达到了实时分析用户的操作动态的效果。

通过本公开的实施例，反馈机制可以根据实际营销策略进行设置， 以最大化的提高交易额或交易量，通过设置反馈机制，可以促使用户真 正交易对象，达到提升销量，转化率的目的，提高了交易成功率。

图5A示意性示出了根据本公开另一实施例的数据处理系统的框 图。

图5B示意性示出了根据本公开实施例的构建模块的框图。

如图5A和图5B所示，根据本公开的实施例，数据处理系统400 除了包括获取模块410、输入模块420、确定模块430、设置模块440 和运行模块450之外，还包括构建模块460，用于构建实时预测模型， 构建模块460包括获取单元461、挖掘单元462和第一构建单元463。

获取单元461用于获取至少一个第二用户针对第二操作对象的历 史操作数据，其中，第二用户包括或者不包括第一用户，第二操作对 象与第一操作对象相同或者不同。

挖掘单元462用于对历史操作数据进行挖掘，得到一频繁操作集， 其中，频繁操作集中包含有一种或多种操作行为类型。

第一构建单元463用于根据频繁操作集构建实时预测模型。

通过本公开的实施例，通过频繁操作集构建实时预测模型，可以 提高预测模型的实用性，提高预测用户为潜在交易用户的准确度。

图5C示意性示出了根据本公开另一实施例的构建模块的框图。

如图5C所示，根据本公开的实施例，每个第二用户的历史操作数 据为该第二用户在历史会话中实施对应的操作行为产生的，构建模块 460还包括排序单元464、第一确定单元465、第二确定单元466和第 二构建单元467。

排序单元464用于针对每个第二用户，按照其历史操作数据生成 的时间，对其实施的操作行为进行排序，得到对应的操作行为链。

第一确定单元465用于针对所有的第二用户，确定不同用户的操 作行为链之间的相关度。

第二确定单元466用于根据相关度确定结果，将相关度满足预设 相关度的操作行为链作为关联操作行为链。

第二构建单元467用于根据关联操作行为链和频繁操作集构建实 时预测模型。

通过本公开的实施例，通过关联操作行为链和频繁操作集构建实 时预测模型，可以采用逻辑回归、支持向量机与深度神经网络，分别 搭建实时预测模型，使得可以进一步提高预测模型的实用性，提高预 测用户为潜在交易用户的准确度。根据本公开的实施例，还可以采用 交叉验证模型来对逻辑回归与支持向量机的实时预测模型进行评估。

图5D示意性示出了根据本公开实施例的第二构建单元的框图。

如图5D所示，根据本公开的实施例，第二构建单元467包括判 断子单元4671和构建子单元4672。

判断子单元4671用于判断关联操作行为链中是否包含有已确定 对象流向的操作类型。

构建子单元4672用于若判断出关联操作行为链中包含有已确定 对象流向的操作类型，则根据包含有已确定对象流向的操作类型的关 联操作行为链和频繁操作集构建实时预测模型。

通过本公开的实施例，根据包含已确定对象流向的操作类型的关 联的操作行为链，对用户进行更深层次的挖掘，提高了预测模型的实 用性。

可以理解的是，获取模块410、输入模块420、确定模块430、设置 模块440、运行模块450和构建模块460可以合并在一个模块中实现， 或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的 一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结 合，并在一个模块中实现。根据本发明的实施例，获取模块410、输入 模块420、确定模块430、设置模块440、运行模块450和构建模块460 中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵 列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封 装上的系统、专用集成电路(ASIC)，或可以以对电路进行集成或封装 的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件 三种实现方式的适当组合来实现。或者，获取模块410、输入模块420、 确定模块430、设置模块440、运行模块450和构建模块460中的至少 一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行 时，可以执行相应模块的功能。

需要说明的是，本公开的实施例中数据处理系统部分与本公开的实 施例中数据处理方法部分是相对应的，数据处理系统部分的描述具体参 考数据处理方法部分，在此不再赘述。

图6示意性示出了根据本公开实施例的适于实现数据处理方法的计 算机系统的框图。图6示出的计算机系统仅仅是一个示例，不应对本公 开实施例的功能和使用范围带来任何限制。

如图6所示，根据本公开实施例的计算机系统600包括处理器601， 其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608 加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和 处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处 理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601 可以包括用于执行参考图2，图3A～图3D描述的根据本公开实施例的 方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有系统600操作所需的各种程序和数据。处 理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601 通过执行ROM 602和/或RAM 603中的程序来执行以上参考图2，图3A～ 图3D描述的各种操作。需要注意，所述程序也可以存储在除ROM 602 和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行 存储在所述一个或多个存储器中的程序来执行以上参考图2，图3A～图 3D描述的各种操作。

根据本公开的实施例，系统600还可以包括输入/输出(I/O)接口 606，输入/输出(I/O)接口605也连接至总线604。系统600还可以包 括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等 的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等 以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括 诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分 609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接 至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存 储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机 程序根据需要被安装入存储部分608。

根据本公开的实施例，上文参考流程图描述的方法可以被实现为计 算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包 括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于 执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序 可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611 被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系 统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、 装置、模块、单元等可以通过计算机程序模块来实现。

需要说明的是，本公开所示的计算机可读存储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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电 连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中，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。而在本公开中，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存储介质，该计算 机可读存储介质可以发送、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。计算机可读存储介质上包含的程 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。根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上， 流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部 分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定 的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两 个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相 反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图 中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的 功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计 算机指令的组合来实现。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计 算机可读存储介质可以是实施例中描述的设备中所包含的；也可以是 单独存在，而未装配入该设备中。计算机可读存储介质承载有一个或 者多个程序，当一个或者多个程序被一个该设备执行时，使得该设备 执行：实时获取第一用户针对第一操作对象的操作数据；将实时获取 到的操作数据作为输入数据输入至实时预测模型，以使实时预测模型 能够基于操作数据，输出对应的预测结果；以及以预测结果为预测依 据，确定第一操作对象流向第一用户的可能性。可选地，方法还包括 为第一操作对象设置反馈机制，其中，反馈机制用于提高第一操作对象流向第一用户的可能性；以及在确定第一操作对象流向第一用户的 可能性满足预设条件的情况下，运行反馈机制以进一步提高第一操作 对象流向第一用户的可能性，从而促使第一操作对象流向第一用户。 可选地，还包括构建实时预测模型，包括获取至少一个第二用户针对 第二操作对象的历史操作数据，其中，第二用户包括或者不包括第一 用户，第二操作对象与第一操作对象相同或者不同；对历史操作数据 进行挖掘，得到一频繁操作集，其中，频繁操作集中包含有一种或多 种操作行为类型；以及根据频繁操作集构建实时预测模型。可选地， 每个第二用户的历史操作数据为该第二用户在历史会话中实施对应的 操作行为产生的，构建实时预测模型还包括：针对每个第二用户，按 照其历史操作数据生成的时间，对其实施的操作行为进行排序，得到 对应的操作行为链；针对所有的第二用户，确定不同用户的操作行为 链之间的相关度；根据相关度确定结果，将相关度满足预设相关度的 操作行为链作为关联操作行为链；以及根据关联操作行为链和频繁操 作集构建实时预测模型。可选地，根据关联操作行为链和频繁操作集 构建实时预测模型包括判断关联操作行为链中是否包含有已确定对象 流向的操作类型；以及若判断出关联操作行为链中包含有已确定对象 流向的操作类型，则根据包含有已确定对象流向的操作类型的关联操 作行为链和频繁操作集构建实时预测模型。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了 说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各 实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。 本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围， 本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本 公开的范围之内。

Claims (10)

1.一种数据处理方法，包括：

实时获取第一用户针对第一操作对象的操作数据；

将实时获取到的所述操作数据作为输入数据输入至实时预测模型，以使所述实时预测模型能够基于所述操作数据，输出对应的预测结果；

以所述预测结果为预测依据，确定所述第一操作对象流向所述第一用户的可能性；

为所述第一操作对象设置反馈机制，其中，所述反馈机制用于提高所述第一操作对象流向所述第一用户的可能性；以及

在确定所述第一操作对象流向所述第一用户的可能性满足预设条件的情况下，运行所述反馈机制以进一步提高所述第一操作对象流向所述第一用户的可能性，从而促使所述第一操作对象流向所述第一用户。

2.根据权利要求1所述的方法，其中，所述方法还包括：

构建所述实时预测模型，包括：

获取至少一个第二用户针对第二操作对象的历史操作数据，其中，所述第二用户包括或者不包括所述第一用户，所述第二操作对象与所述第一操作对象相同或者不同；

对所述历史操作数据进行挖掘，得到一频繁操作集，其中，

所述频繁操作集中包含有一种或多种操作行为类型；以及

根据所述频繁操作集构建所述实时预测模型。

3.根据权利要求2所述的方法，其中，每个所述第二用户的历史操作数据为该第二用户在历史会话中实施对应的操作行为产生的，构建所述实时预测模型还包括：

针对每个所述第二用户，按照其历史操作数据生成的时间，对其实施的操作行为进行排序，得到对应的操作行为链；

针对所有的所述第二用户，确定不同用户的操作行为链之间的相关度；

根据相关度确定结果，将相关度满足预设相关度的操作行为链作为关联操作行为链；以及

根据所述关联操作行为链和所述频繁操作集构建所述实时预测模型。

4.根据权利要求3所述的方法，其中，根据所述关联操作行为链和所述频繁操作集构建所述实时预测模型包括：

判断所述关联操作行为链中是否包含有已确定对象流向的操作类型；以及

若判断出所述关联操作行为链中包含有已确定对象流向的操作类型，则根据包含有已确定对象流向的操作类型的关联操作行为链和所述频繁操作集构建所述实时预测模型。

5.一种数据处理系统，包括：

获取模块，用于实时获取第一用户针对第一操作对象的操作数据；

输入模块，用于将实时获取到的所述操作数据作为输入数据输入至实时预测模型，以使所述实时预测模型能够基于所述操作数据，输出对应的预测结果；确定模块，用于以所述预测结果为预测依据，确定所述第一操作对象流向所述第一用户的可能性；

设置模块，用于为所述第一操作对象设置反馈机制，其中，所述反馈机制用于提高所述第一操作对象流向所述第一用户的可能性；以及

运行模块，用于在确定所述第一操作对象流向所述第一用户的可能性满足预设条件的情况下，运行所述反馈机制以进一步提高所述第一操作对象流向所述第一用户的可能性，从而促使所述第一操作对象流向所述第一用户。

6.根据权利要求5所述的系统，其中，所述系统还包括：

构建模块，用于构建所述实时预测模型，包括：

获取单元，用于获取至少一个第二用户针对第二操作对象的历史操作数据，其中，所述第二用户包括或者不包括所述第一用户，所述第二操作对象与所述第一操作对象相同或者不同；

挖掘单元，用于对所述历史操作数据进行挖掘，得到一频繁操作集，其中，所述频繁操作集中包含有一种或多种操作行为类型；以及

第一构建单元，用于根据所述频繁操作集构建所述实时预测模型。

7.根据权利要求6所述的系统，其中，每个所述第二用户的历史操作数据为该第二用户在历史会话中实施对应的操作行为产生的，所述构建模块还包括：

排序单元，用于针对每个所述第二用户，按照其历史操作数据生成的时间，对其实施的操作行为进行排序，得到对应的操作行为链；

第一确定单元，用于针对所有的所述第二用户，确定不同用户的操作行为链之间的相关度；

第二确定单元，用于根据相关度确定结果，将相关度满足预设相关度的操作行为链作为关联操作行为链；以及

第二构建单元，用于根据所述关联操作行为链和所述频繁操作集构建所述实时预测模型。

8.根据权利要求7所述的系统，其中，所述第二构建单元包括：

判断子单元，用于判断所述关联操作行为链中是否包含有已确定对象流向的操作类型；以及

构建子单元，用于若判断出所述关联操作行为链中包含有已确定对象流向的操作类型，则根据包含有已确定对象流向的操作类型的关联操作行为链和所述频繁操作集构建所述实时预测模型。

9.一种计算机系统，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至4中任一项所述的数据处理方法。

10.一种可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至4中任一项所述的数据处理方法。