CN110009171B - 用户行为模拟方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本公开实施例提供用户行为模拟方法、装置、设备及计算机可读存储介质。所述方法包括：采集用户特征，其中，用户特征包括决策变量、固定变量和真实用户行为变量；将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量；将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果，其中，用户行为变量根据决策变量和固定变量而改变；对生成网络模型和判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

Description

用户行为模拟方法、装置、设备及计算机可读存储介质

技术领域

本公开实施例涉及计算机技术领域，尤其涉及用户行为模拟方法、装置、设备及计算机可读存储介质。

背景技术

在业务运营管理中会有很多运营调整的决策，往往需要估算这种决策对用户行为所产生的影响。例如，在消费信贷领域，提高用户的额度对用户后续消费金额升降会产生影响，降低逾期罚息对用户逾期率会产生影响。因此，如果能在实施决策之前准确估算这种决策所产生的影响结果，将对业务的运营决策提供极大的帮助。

相关技术中已有的技术方案主要是先进行测试(A/B测试)，之后再评估影响大小。首先挑选测试人群，分为测试组和对照组，不同的组采用不同的决策调整方案，经过一段时间的运行，比较不同组的行为差异来计算不同方案的影响。该方案的问题在于要先做用户测试，不仅需要资金成本，同时由于有测试期、表现期、分析期的阶段需求，时间成本也很高。

相关技术中另一种类似的技术方案是建立一些机器学习模型来做带参数的预测。在该技术方案中，X＝(f1,f2,f3,…,fn,alpha)，X向量中的fn是用户维度的特征，alpha是决策变量；Y＝(y1,y2,…,yn)，Y变量是用户的行为变量。通过抽样可以得到包含[X,Y]的样本数据集，进行训练可得到Y＝g(X)的对应关系，然后通过调整X中的alpha参数来模拟不同决策下的Y行为。该方案的问题在于用户特征中本身就存在被alpha参数影响的变量，而在最后做模拟的时候都暗含这些特征不变的假设(因为只调整alpha参数，其他特征不变)，因此精度和逻辑假设上都存在明显的问题。

发明内容

有鉴于此，本公开第一方面提供了一种用户行为模拟方法，包括：

采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；

将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；

将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；

对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

本公开第二方面提供了一种用户行为模拟装置，包括：

采集模块，被配置为采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；

生成模块，被配置为将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；

判别模块，被配置为将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；

训练和模拟模块，被配置为对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

本公开第三方面提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下步骤：

采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；

将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；

将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；

对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

本公开第四方面提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。

在本公开实施方式中，通过采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，可以以既有的用户数据为样本进行训练学习，无需实际测试即可预估用户基于决策的反应，因此针对第一种现有方案用户测试而言，可以节约大量的资金成本和时间成本。本方案通过利用生成对抗网络(GAN,Generative Adversarial Networks)来做模拟生成网络模型的方案，在训练过程中不断由生成网络模型生成新的虚拟数据加入训练样本，从而能扩充样本量。而且，由于生成网络模型仅用固定变量和决策变量生成模拟用户行为变量，同时又采用了模拟用户行为变量做判别网络模型的输入，从而解决了决策变量影响模拟用户行为变量的问题，既纳入了所有的用户特征，又解耦了这两类变量。

本公开的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些示例性实施例，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示出根据本公开一实施方式的用户行为模拟方法的流程图；

图2示出根据本公开一实施方式的用户行为模拟方法的步骤S102的示例的流程图；

图3示出根据本公开一实施方式的用户行为模拟方法的步骤S103的示例的流程图；

图4示出根据本公开一实施方式的用户行为模拟方法的步骤S104的示例的流程图；

图5示出根据本公开一实施方式的用户行为模拟方法的应用场景示例的示意图；

图6示出根据本公开另一实施方式的用户行为模拟装置的结构框图；

图7示出根据本公开一实施方式的电子设备的结构框图；

图8是适于用来实现根据本公开一实施方式的用户行为模拟方法的计算机系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述。

在本公开的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。.

图1示出根据本公开一实施方式的用户行为模拟方法的流程图。该方法可以包括步骤S101、S102和S103和S104。

在步骤S101中，采集用户特征，其中，用户特征包括决策变量、固定变量和真实用户行为变量。

在步骤S102中，将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量。

在步骤S103中，将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果，其中，用户行为变量根据决策变量和固定变量而改变。

在步骤S104中，对生成网络模型和判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

在本公开的一个实施例中，用户特征指的是用户的各维度特征。用户特征可以包括决策变量、固定变量和真实用户行为变量。决策变量也可被称为控制变量、设计变量、操作变量等。在根据本公开的实施例中，决策变量可以由设计人员按照最能符合系统的目标选择适当的数值，用来描述系统的特性。例如在消费信贷领域，决策变量可以是用户授信额度/用户的息费。固定变量是不易受到决策变量影响的变量。例如，用户的年龄等用户的身份标签，这种固定变量不会随诸如用户授信额度或用户的息费之类的决策变量的改变而改变。在本公开的一个实施例中，真实用户行为变量指的是反应真实的用户行为的变量，模拟用户行为变量指的是反应对真实的用户行为的模拟所得到的用户行为的变量。用户行为变量(无论是真实用户行为变量还是模拟用户行为变量)根据决策变量和固定变量而改变，即，用户行为变量是容易受决策变量影响的变量。例如，用户的消费金额会随用户授信额度(决策变量)的提高相应提高。

在本公开的一个实施例中，在应用用户特征之前，可能需要先对用户特征进行清洗、挖掘之类的加工。本领域技术人员可以从相关技术中了解如何进行特征加工，其具体措施在此不再赘述。

在本公开的一个实施例中，可以采用基于生成对抗网络(GAN)的模拟技术，运用海量数据和多维用户特征，能够在不经过实际测试的情况下预估出决策影响，能够极大节约运营成本，并提供全面准确的模拟结果，解决了传统方案成本过高以及准确率粗糙的问题。根据本公开实施例的生成对抗网络可以包括生成网络模型(也可称为生成器)和判别网络模型(也可称为判别器)。由于生成网络模型模拟的用户行为是未发生的，相当于生成一种虚拟的用户行为数据(模拟用户行为变量)，因此生成对抗网络的生成网络模型非常契合这样的需求。另外，生成对抗网络是一种神经网络，由于这种神经网络强大的拟合能力，在处理海量数据和多特征维度的问题上也具有强大的优势。在本公开的一个实施例中，模拟用户行为变量是模拟真实用户行为的变量。

在本公开的一个实施例中，将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量，之后将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果。在本公开的一个实施例中，输入预设的生成网络模型的用户行为变量可以是真实用户行为变量或模拟用户行为变量。

在本公开的一个实施例中，步骤S102包括：将决策变量、固定变量和随机数输入预设的生成网络模型以输出模拟用户行为变量。在本公开的一个实施例中，模拟用户行为变量是模拟真实用户行为的变量。即，决策变量和固定变量均可以来自真实的用户特征，而随机数作为输入则可以使得生成网络模型生成模拟真实用户行为的模拟用户行为变量。

在本公开的实施例中，将决策变量、固定变量和用户行为变量输入判别网络模型以对行为变量是真实用户行为变量还是生成网络模型生成的模拟用户行为变量进行判别。在根据本公开实施例的生成对抗网络中，训练生成网络模型以尽量使得生成网络模型生成的模拟用户行为变量被判别网络模型识别为真实用户行为变量，训练判别网络模型以尽量使得判别网络模型将生成网络模型生成的模拟用户行为变量识别为模拟用户行为变量，将来自用户的真实用户行为的用户行为变量识别为真实用户行为变量。即，生成网络模型与判别网络模型进行对抗，使生成网络模型生成的模拟用户行为变量难以被判别网络模型判别出是真实用户行为变量还是模拟用户行为变量。在本公开的一个实施例中，训练完成的生成网络模型指的是其所生成的模拟用户行为变量难以被判别网络模型判别出是真实用户行为变量还是模拟用户行为变量的生成网络模型。

在本公开的一个实施例中，判别网络模型的判别结果为布尔变量，布尔变量值为真表示判别网络模型判别用户行为变量是真实用户行为变量，并且布尔变量值为假表示判别网络模型判别用户行为变量是模拟用户行为变量。生成网络模型与判别网络模型进行对抗的目的是为了使判别网络模型对生成网络模型生成的模拟用户行为变量的判别结果的布尔变量值有50％概率为真，有50％概率为假。在一个示例中，判别网络模型输出一个布尔变量(0,1)，0表示判别网络模型判别用户行为变量是模拟用户行为变量，即，此用户行为变量表示的用户行为是模拟真实用户的行为；1表示判别网络模型判别用户行为变量是真实用户行为变量，即，此用户行为变量表示的用户行为是真实用户的行为。

在本公开实施方式中，通过采集用户特征，其中，用户特征包括决策变量、固定变量和真实用户行为变量；将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量；将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果，其中，用户行为变量根据决策变量和固定变量而改变；对生成网络模型和判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，可以以既有的用户数据为样本进行训练学习，无需实际测试即可预估用户基于决策的反应，因此针对第一种已有方案的用户测试而言，可以节约大量的资金成本和时间成本。本方案通过利用生成对抗网络来做模拟生成网络模型的方案，在训练过程中不断由生成网络模型生成新的虚拟数据加入训练样本，从而能扩充样本量。而且，由于生成网络模型仅用固定变量和决策变量生成模拟用户行为变量，同时又采用了模拟用户行为变量做判别网络模型的输入，从而解决了决策变量影响模拟用户行为变量的问题，既纳入了所有的用户特征，又解耦了这两类变量。

以下参照图2描述根据本公开实施例的图1中的步骤S102的一个示例。

图2示出根据本公开一实施方式的用户行为模拟方法的步骤S102的示例的流程图。如图2所示，步骤S102包括步骤S201和S202。

在步骤S201中，构建生成网络模型。

在步骤S202中，将决策变量和固定变量输入所构建的生成网络模型以输出模拟用户行为变量。

在本公开的一个实施例中，在满足输入为决策变量、固定变量(以及随机数)，输出为生成的模拟用户行为变量(即，给定用户的固定特征和一个决策，能生成用户在该决策下的用户行为)的条件下，构建生成网络模型的方式可以采用相关技术中本领域技术人员实现生成对抗网络的已知方式。本公开对其具体实现方式不再赘述。

以下参照图3描述根据本公开实施例的图1中的步骤S103的一个示例。

图3示出根据本公开一实施方式的用户行为模拟方法的步骤S103的示例的流程图。如图3所示，步骤S103包括步骤S301和S302。

在步骤S301中，构建判别网络模型。

在步骤S302中，将决策变量、固定变量和用户行为变量输入所构建的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果，其中，用户行为变量根据决策变量和固定变量而改变。

在本公开的一个实施例中，在满足输入为决策变量、固定变量和(模拟)用户行为变量，输出为一个布尔变量(0,1)，其中，0表示判别网络判断用户行为变量是模拟用户行为变量，1表示判别用户行为变量是真实用户行为变量(即，对给出的一个用户行为判断这种行为是真实的用户行为还是模拟的用户行为)的条件下，构建判别网络模型的方式可以采用相关技术中本领域技术人员实现生成对抗网络的已知方式。本公开对其具体实现方式不再赘述。

以下参照图4描述根据本公开实施例的图1中的步骤S104的一个示例。

图4示出根据本公开一实施方式的用户行为模拟方法的步骤S104的示例的流程图。如图4所示，步骤S104包括步骤S401、S402和S403。

在步骤S401中，利用预设的函数和训练方法对生成网络模型和判别网络模型进行训练，利用生成网络模型与判别网络模型之间的对抗优化生成网络模型的性能。

在步骤S402中，对训练完成的生成网络模型进行验证以确定生成网络模型输出的模拟用户行为变量是否难以被判别网络模型判别为模拟用户行为变量。

在步骤S403中，响应于生成网络模型输出的模拟用户行为变量难以被判别网络模型判别为模拟用户行为变量，将用户特征中的决策变量和固定变量输入生成网络模型来输出模拟用户行为变量以实现对用户行为的模拟。

在本公开的一个实施例中，可以选择合适的函数作为能同时训练生成网络模型和判别网络模型这两种网络模型的目标函数(例如WGAN-GP函数)，选定合适的训练方法(例如Adam方法)来对生成网络模型和判别网络模型这两种网络模型进行训练。训练好的判别网络模型能准确判断一个用户行为变量是模拟用户行为变量还是真实用户行为变量，训练好的生成网络模型则能生成以假乱真的模拟用户行为变量。在生成网络模型和判别网络模型不断的交叉对抗升级中，可以使得生成网络模型性能达到最优。

在本公开的一个实施例中，需要对已被训练到最优的生成网络模型进行验证。例如，判别网络模型对生成网络模型生成的模拟用户行为变量的判别结果的布尔变量值有50％概率为真，有50％概率为假。此时，即可确定生成网络模型输出的模拟用户行为变量难以被判别网络模型判别为模拟用户行为变量。

在本公开的一个实施例中，在生成网络模型被训练完成得到验证后，即可用训练好的生成网络模型来进行模拟。即，给定每一个用户的数据(固定变量)，都可以通过调整决策变量的输入来输出用户不同的行为反应(模拟用户行为变量)，从而实现行为模拟的功能。

因此，本公开的实施方式提出自动化的算法模拟方式来模拟用户的行为，并且支持基于不同决策变量生成不同模拟结果的功能。而且，本公开的实施方式提出用生成对抗网络来实现模拟功能，将用户的特征分为三类，在不同的地方导入模型从而既实现特征纳入又实现了特征解耦。

图5示出根据本公开一实施方式的用户行为模拟方法的应用场景示例的示意图。

如图5所示，首先进行用户特征的采集，之后对采集好的用户特征进行加工。用户特征包括三类，分别是固定变量、用户行为变量和决策变量。将决策变量、固定变量和随机数输入生成网络以将模拟用户行为变量输出到判别网络。判别网络的输入为决策变量、固定变量和用户行为变量(包括经过加工的真实用户行为变量或生成网络输出的模拟用户行为变量)，输出值为一个布尔变量(0,1)，0表示判别网络判断用户行为变量是模拟用户行为变量，1表示判别用户行为变量为真实用户行为变量。即，将一个用户行为变量提供给判别网络以判断用户行为变量所代表的用户行为是真实的还是模拟的。选定合适的函数作为能同时训练两种网络的目标函数(例如，WGAN-GP函数)，选定合适的训练方法(例如，Adam方法)来对模型进行训练，训练好的判别网络能准确判断一个用户行为是虚拟的还是真实的，生成网络则能生成以假乱真的用户行为数据，在生成网络与判别网络不断的交叉对抗升级中网络性能达到最优。训练完成得到验证后，即可用训练好的生成网络来进行用户行为模拟。即，给定每一个用户的数据，可以通过调整决策变量的输入来输出用户不同的行为反应，从而实现用户行为模拟的功能。

图6示出根据本公开另一实施方式的用户行为模拟装置的结构框图。该装置可以包括采集模块601、生成模块602、判别模块603和训练和模拟模块604。

采集模块601被配置为采集用户特征，其中，用户特征包括决策变量、固定变量和真实用户行为变量。

生成模块602被配置为将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量。

判别模块603被配置为将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果，其中，用户行为变量根据决策变量和固定变量而改变。

训练和模拟模块604被配置为对生成网络模型和判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

以上描述了用户行为模拟装置的内部功能和结构，在一个可能的设计中，该用户行为模拟装置的结构可实现为用户行为模拟设备，如图7中所示，该处理设备700可以包括处理器701以及存储器702。

所述存储器702用于存储支持用户行为模拟装置执行上述任一实施例中用户行为模拟方法的程序，所述处理器701被配置为用于执行所述存储器702中存储的程序。

所述存储器702用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器701执行以实现以下步骤：

采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；

将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；

将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；

对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

在本公开的一个实施例中，用户特征指的是用户的各维度特征。用户特征可以包括决策变量、固定变量和真实用户行为变量。决策变量也可被称为控制变量、设计变量、操作变量等。在根据本公开的实施例中，决策变量可以由设计人员按照最能符合系统的目标选择适当的数值，用来描述系统的特性。例如在消费信贷领域，决策变量可以是用户授信额度/用户的息费。固定变量是不易受到决策变量影响的变量。例如，用户的年龄等用户的身份标签，这种固定变量不会随诸如用户授信额度或用户的息费之类的决策变量的改变而改变。在本公开的一个实施例中，真实用户行为变量指的是反应真实的用户行为的变量，模拟用户行为变量指的是反应对真实的用户行为的模拟所得到的用户行为的变量。用户行为变量(无论是真实用户行为变量还是模拟用户行为变量)根据决策变量和固定变量而改变，即，用户行为变量是容易受决策变量影响的变量。例如，用户的消费金额会随用户授信额度(决策变量)的提高相应提高。

在本公开的一个实施例中，在应用用户特征之前，可能需要先对用户特征进行清洗、挖掘之类的加工。本领域技术人员可以从相关技术中了解如何进行特征加工，其具体措施在此不再赘述。

在本公开的一个实施例中，可以采用基于生成对抗网络(GAN)的模拟技术，运用海量数据和多维用户特征，能够在不经过实际测试的情况下预估出决策影响，能够极大节约运营成本，并提供全面准确的模拟结果，解决了传统方案成本过高以及准确率粗糙的问题。根据本公开实施例的生成对抗网络可以包括生成网络模型(也可称为生成器)和判别网络模型(也可称为判别器)。由于生成网络模型模拟的用户行为是未发生的，相当于生成一种虚拟的用户行为数据(模拟用户行为变量)，因此生成对抗网络的生成网络模型非常契合这样的需求。另外，生成对抗网络是一种神经网络，由于这种神经网络强大的拟合能力，在处理海量数据和多特征维度的问题上也具有强大的优势。在本公开的一个实施例中，模拟用户行为变量是模拟真实用户行为的变量。

在本公开的一个实施例中，将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量，之后将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果。在本公开的一个实施例中，输入预设的生成网络模型的用户行为变量可以是真实用户行为变量或模拟用户行为变量。

在本公开的一个实施例中，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：

将所述决策变量、所述固定变量和随机数输入预设的生成网络模型以输出模拟用户行为变量。

在本公开的一个实施例中，模拟用户行为变量是模拟真实用户行为的变量。即，决策变量和固定变量均可以来自真实的用户特征，而随机数作为输入则可以使得生成网络模型生成模拟真实用户行为的模拟用户行为变量。

在本公开的实施例中，将决策变量、固定变量和用户行为变量输入判别网络模型以对行为变量是真实用户行为变量还是生成网络模型生成的模拟用户行为变量进行判别。在根据本公开实施例的生成对抗网络中，训练生成网络模型以尽量使得生成网络模型生成的模拟用户行为变量被判别网络模型识别为真实用户行为变量，训练判别网络模型以尽量使得判别网络模型将生成网络模型生成的模拟用户行为变量识别为模拟用户行为变量，将来自用户的真实用户行为的用户行为变量识别为真实用户行为变量。即，生成网络模型与判别网络模型进行对抗，使生成网络模型生成的模拟用户行为变量难以被判别网络模型判别出是真实用户行为变量还是模拟用户行为变量。在本公开的一个实施例中，训练完成的生成网络模型指的是其所生成的模拟用户行为变量难以被判别网络模型判别出是真实用户行为变量还是模拟用户行为变量的生成网络模型。

在本公开的一个实施例中，所述判别结果为布尔变量，所述布尔变量值为真表示所述判别网络模型判别所述用户行为变量是所述真实用户行为变量，并且所述布尔变量值为假表示所述判别网络模型判别所述用户行为变量是所述模拟用户行为变量。生成网络模型与判别网络模型进行对抗的目的是为了使判别网络模型对生成网络模型生成的模拟用户行为变量的判别结果的布尔变量值有50％概率为真，有50％概率为假。在一个示例中，判别网络模型输出一个布尔变量(0,1)，0表示判别网络模型判别用户行为变量是模拟用户行为变量，即，此用户行为变量表示的用户行为是模拟真实用户的行为；1表示判别网络模型判别用户行为变量是真实用户行为变量，即，此用户行为变量表示的用户行为是真实用户的行为。

在本公开实施方式中，通过采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，可以以既有的用户数据为样本进行训练学习，无需实际测试即可预估用户基于决策的反应，因此针对第一种现有方案用户测试而言，可以节约大量的资金成本和时间成本。本方案通过利用生成对抗网络(GAN,Generative Adversarial Networks)来做模拟生成网络模型的方案，在训练过程中不断由生成网络模型生成新的虚拟数据加入训练样本，从而能扩充样本量。而且，由于生成网络模型仅用固定变量和决策变量生成模拟用户行为变量，同时又采用了模拟用户行为变量做判别网络模型的输入，从而解决了决策变量影响模拟用户行为变量的问题，既纳入了所有的用户特征，又解耦了这两类变量。

在本公开的一个实施例中，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：

构建生成网络模型；

将所述决策变量和所述固定变量输入所构建的生成网络模型以输出模拟用户行为变量。

在本公开的一个实施例中，在满足输入为决策变量、固定变量(以及随机数)，输出为生成的模拟用户行为变量(即，给定用户的固定特征和一个决策，能生成用户在该决策下的用户行为)的条件下，构建生成网络模型的方式可以采用相关技术中本领域技术人员实现生成对抗网络的已知方式。本公开对其具体实现方式不再赘述。

在本公开的一个实施例中，所述将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变，包括：

构建判别网络模型；

将所述决策变量、所述固定变量和用户行为变量输入所构建的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变。

在本公开的一个实施例中，在满足输入为决策变量、固定变量和(模拟)用户行为变量，输出为一个布尔变量(0,1)，其中，0表示判别网络判断用户行为变量是模拟用户行为变量，1表示判别用户行为变量是真实用户行为变量(即，对给出的一个用户行为判断这种行为是真实的用户行为还是模拟的用户行为)的条件下，构建判别网络模型的方式可以采用相关技术中本领域技术人员实现生成对抗网络的已知方式。本公开对其具体实现方式不再赘述。

在本公开的一个实施例中，所述对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，包括：

利用预设的函数和训练方法对所述生成网络模型和所述判别网络模型进行训练，利用所述生成网络模型与所述判别网络模型之间的对抗优化所述生成网络模型的性能；

对训练完成的生成网络模型进行验证以确定所述生成网络模型输出的模拟用户行为变量是否难以被所述判别网络模型判别为模拟用户行为变量；

响应于所述生成网络模型输出的模拟用户行为变量难以被所述判别网络模型判别为模拟用户行为变量，将所述用户特征中的决策变量和固定变量输入所述生成网络模型来输出模拟用户行为变量以实现对用户行为的模拟。

在本公开的一个实施例中，可以选择合适的函数作为能同时训练生成网络模型和判别网络模型这两种网络模型的目标函数(例如WGAN-GP函数)，选定合适的训练方法(例如Adam方法)来对生成网络模型和判别网络模型这两种网络模型进行训练。训练好的判别网络模型能准确判断一个用户行为变量是模拟用户行为变量还是真实用户行为变量，训练好的生成网络模型则能生成以假乱真的模拟用户行为变量。在生成网络模型和判别网络模型不断的交叉对抗升级中，可以使得生成网络模型性能达到最优。

在本公开的一个实施例中，需要对已被训练到最优的生成网络模型进行验证。例如，判别网络模型对生成网络模型生成的模拟用户行为变量的判别结果的布尔变量值有50％概率为真，有50％概率为假。此时，即可确定生成网络模型输出的模拟用户行为变量难以被判别网络模型判别为模拟用户行为变量。

在本公开的一个实施例中，在生成网络模型被训练完成得到验证后，即可用训练好的生成网络模型来进行模拟。即，给定每一个用户的数据(固定变量)，都可以通过调整决策变量的输入来输出用户不同的行为反应(模拟用户行为变量)，从而实现行为模拟的功能。

因此，本公开的实施方式提出自动化的算法模拟方式来模拟用户的行为，并且支持基于不同决策变量生成不同模拟结果的功能。而且，本公开的实施方式提出用生成对抗网络来实现模拟功能，将用户的特征分为三类，在不同的地方导入模型从而既实现特征纳入又实现了特征解耦。

所述处理器701用于执行前述各方法步骤中的全部或部分步骤。

其中，所述用户行为模拟设备的结构中还可以包括通信接口，用于用户行为模拟设备与其他设备或通信网络通信。

本公开示例性实施例还提供了一种计算机存储介质，用于储存所述用户行为模拟装置所用的计算机软件指令，其包含用于执行上述任一实施例中用户行为模拟方法所涉及的程序。

图8是适于用来实现根据本公开一实施方式的用户行为模拟方法的计算机系统的结构示意图。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行上述图1所示的实施方式中的各种处理。在RAM803中，还存储有系统800操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的数据处理方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、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，路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，所述模块、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，框图和/或流程图中的每个方框、以及框图和/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，并且/或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

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上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用户行为模拟方法，其特征在于，包括：采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量，固定变量是不易受到决策变量影响的变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

2.根据权利要求1所述的方法，其特征在于，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：构建生成网络模型；将所述决策变量和所述固定变量输入所构建的生成网络模型以输出模拟用户行为变量。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变，包括：构建判别网络模型；将所述决策变量、所述固定变量和用户行为变量输入所构建的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变。

4.根据权利要求1所述的方法，其特征在于，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：将所述决策变量、所述固定变量和随机数输入预设的生成网络模型以输出模拟用户行为变量。

5.根据权利要求1所述的方法，其特征在于，所述判别结果为布尔变量，所述布尔变量值为真表示所述判别网络模型判别所述用户行为变量是所述真实用户行为变量，并且所述布尔变量值为假表示所述判别网络模型判别所述用户行为变量是所述模拟用户行为变量。

6.根据权利要求1所述的方法，其特征在于，所述对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，包括：利用预设的函数和训练方法对所述生成网络模型和所述判别网络模型进行训练，利用所述生成网络模型与所述判别网络模型之间的对抗优化所述生成网络模型的性能；对训练完成的生成网络模型进行验证以确定所述生成网络模型输出的模拟用户行为变量是否难以被所述判别网络模型判别为模拟用户行为变量；响应于所述生成网络模型输出的模拟用户行为变量难以被所述判别网络模型判别为模拟用户行为变量，将所述用户特征中的决策变量和固定变量输入所述生成网络模型来输出模拟用户行为变量以实现对用户行为的模拟。

7.一种用户行为模拟装置，其特征在于，包括：采集模块，被配置为采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量，固定变量是不易受到决策变量影响的变量；生成模块，被配置为将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；判别模块，被配置为将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；训练和模拟模块，被配置为对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

8.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下步骤：采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量，固定变量是不易受到决策变量影响的变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

9.根据权利要求8所述的电子设备，其特征在于，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：构建生成网络模型；将所述决策变量和所述固定变量输入所构建的生成网络模型以输出模拟用户行为变量。

10.根据权利要求8或9所述的电子设备，其特征在于，所述将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变，包括：构建判别网络模型；将所述决策变量、所述固定变量和用户行为变量输入所构建的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变。

11.根据权利要求8所述的电子设备，其特征在于，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：将所述决策变量、所述固定变量和随机数输入预设的生成网络模型以输出模拟用户行为变量。

12.根据权利要求8所述的电子设备，其特征在于，所述判别结果为布尔变量，所述布尔变量值为真表示所述判别网络模型判别所述用户行为变量是所述真实用户行为变量，并且所述布尔变量值为假表示所述判别网络模型判别所述用户行为变量是所述模拟用户行为变量。

13.根据权利要求8所述的电子设备，其特征在于，所述对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，包括：利用预设的函数和训练方法对所述生成网络模型和所述判别网络模型进行训练，利用所述生成网络模型与所述判别网络模型之间的对抗优化所述生成网络模型的性能；对训练完成的生成网络模型进行验证以确定所述生成网络模型输出的模拟用户行为变量是否难以被所述判别网络模型判别为模拟用户行为变量；响应于所述生成网络模型输出的模拟用户行为变量难以被所述判别网络模型判别为模拟用户行为变量，将所述用户特征中的决策变量和固定变量输入所述生成网络模型来输出模拟用户行为变量以实现对用户行为的模拟。

14.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现如权利要求1-6任一项所述的方法。