CN110111139B - 行为预估模型生成方法、装置、电子设备及可读介质 - Google Patents

Abstract

本公开涉及一种基于时间序列的用户行为预估模型生成方法、装置、电子设备及计算机可读介质。该方法包括：获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据；以及将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型。本公开涉及的基于时间序列的用户行为预估模型生成方法，能够获得预测用户在未来一段时间内的行为数据的行为预估模型，提高对用户行为分析的效率。

Description

行为预估模型生成方法、装置、电子设备及可读介质

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种基于时间序列的用户行为预估模型生成方法、装置、电子设备及计算机可读介质。

背景技术

RFM模型来源于美国数据库营销研究所的研究，RFM模型有三个要素，这三个要素构成了数据分析的指标：最近一次消费(Recency)，消费频率(Frequency)，消费金额(Monetary)。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛应用的，RFM模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱这三项指标来描述该客户的价值状况。结合这三个指标，可以把顾客分成多个类别，对其进行数据分析，然后制定企业的营销策略。

传统RFM模型通过交易环节中三个维度：R、F、M细分用户群体，是用历史数据对用户当前状态的评估。随着各种电子技术的发展，广告与传媒业的快速增加，用户接触到了更多更大量的信息。在当今社会中，用户的喜好和行为在短时间内就会发生巨大的变化，而RFM模型仅通过历史数据分析用户当前状态而得到的数据已经远远不能满足市场快速的发展和变化的需求。

因此，需要一种新的基于时间序列的用户行为预估模型生成方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它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

有鉴于此，本公开提供一种基于时间序列的用户行为预估模型生成方法、装置、电子设备及计算机可读介质，能够预测用户在未来一段时间内的行为数据，提高对用户行为分析的效率，为企业提供更高效全面的用户分析数据，从而使得企业能够合理布局市场推广广告、用户服务策略、以及减少用户带来的安全风险。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种基于时间序列的用户行为预估模型生成方法，该方法包括：获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据；以及将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型；其中，所述用户行为预估模型用于预估用户的目标行为与所述目标行为发生的时间。

在本公开的一种示例性实施例中，还包括：获取当前用户的基础数据；根据所述用户行为预估模型确定所述当前用户的目标行为与所述目标行为发生的时间；以及根据所述目标行为与所述目标行为发生的时间，确定所述当前用户所属的多维象限标签。

在本公开的一种示例性实施例中，通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据包括：将用户对应的行为数据按照其对应的时间数据进行排序；以及通过排序后的行为数据生成所述多个特征数据。

在本公开的一种示例性实施例中，通过排序后的行为数据生成所述多个特征数据包括：通过首个行为数据与末尾行为数据的间隔时间确定所述时长特征数据；和/或通过所述末尾行为数据所对应的时间确定所述行为特征数据；和/或通过所述行为数据的数量确定所述频率特征数据；和/或通过所述行为数据中的金额确定所述属性特征数据。

在本公开的一种示例性实施例中，将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型包括：将所述多个特征数据进行编码；以及将编码后的所述多个特征数据输入多任务学习模型中以训练生成所述用户行为预估模型。

在本公开的一种示例性实施例中，将编码后的所述多个特征数据输入多任务学习模型中以训练生成所述用户行为预估模型包括：将编码后的所述多个特征数据中的一个或多个，分别输入多个机器学习模型中生成多个初始机器学习模型；以及基于所述多个初始机器学习模型通过多任务学习的方法建立所述用户行为预估模型。

在本公开的一种示例性实施例中，将编码后的所述多个特征数据输入多个机器学习模型中生成多个初始机器学习模型包括：将编码后的所述多个特征数据输入无监督学习模型以生成所述初始机器学习模型；和/或将编码后的所述多个特征数据输入有监督学习模型以生成所述初始机器学习模型。

在本公开的一种示例性实施例中，将编码后的所述多个特征数据输入多个机器学习模型中生成多个初始机器学习模型还包括：将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集，训练表现集，测试观察集，以及测试表现集；将所述训练观察集，所述训练表现集输入多个机器学习模型中，生成多维度特征指标；通过所述测试观察集，所述测试表现集验证所述多维度特征指标；以及在验证通过后基于所述多维度特征指标确定所述多个初始机器学习模型。

在本公开的一种示例性实施例中，所述训练表现集与所述测试观察集的时间序列相同。

在本公开的一种示例性实施例中，将所述训练观察集，所述训练表现集输入多个机器学习模型中，生成多维度特征指标还包括：通过所述训练观察集，所述训练表现集中的用户的基础数据确定群体应收利息和人均利息。

在本公开的一种示例性实施例中，通过所述测试观察集，所述测试表现集验证所述多维度特征指标包括：通过所述测试观察集，所述测试表现集中的用户的基础数据确定平均应还利息；以及通过所述平均应还利息与所述群体应收利息和所述人均利息验证所述多维度特征指标。

根据本公开的一方面，提出一种基于时间序列的用户行为预估模型生成装置，该装置包括：基础数据模块，用于获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；特征数据模块，用于通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据；以及模型训练模块，用于将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型；其中，所述用户行为预估模型用于确定用户的目标行为与所述目标行为发生的时间。

在本公开的一种示例性实施例中，还包括：当前数据模块，用于获取当前用户的基础数据；模型计算模块，用于根据所述用户行为预估模型确定所述当前用户的目标行为与所述目标行为发生的时间；以及标签分配模块，用于根据所述目标行为与所述目标行为发生的时间，确定所述当前用户所属的多维象限标签。

在本公开的一种示例性实施例中，所述特征数据模块包括：排序单元，用于将用户对应的行为数据按照其对应的时间数据进行排序；以及数据单元，用于通过排序后的行为数据生成所述多个特征数据。

在本公开的一种示例性实施例中，时长子单元，用于通过首个行为数据与末尾行为数据的间隔时间确定所述时长特征数据；和/或行为子单元，用于通过所述末尾行为数据所对应的时间确定所述行为特征数据；频率子单元，用于通过所述行为数据的数量确定所述频率特征数据；以及属性子单元，用于通过所述行为数据中的金额确定所述属性特征数据。

在本公开的一种示例性实施例中，所述模型训练模块包括：编码单元，用于将所述多个特征数据进行编码；以及训练单元，用于将编码后的所述多个特征数据输入多任务学习模型中以训练生成所述用户行为预估模型。

在本公开的一种示例性实施例中，所述训练单元包括：初始子单元，用于将编码后的所述多个特征数据输入多个机器学习模型中生成多个初始机器学习模型；以及联合字单元，用于基于所述多个初始机器学习模型通过多任务学习的方法建立所述用户行为预估模型。

在本公开的一种示例性实施例中，所述初始子单元，还用于将编码后的所述多个特征数据输入无监督学习模型以生成所述初始机器学习模型；和/或将编码后的所述多个特征数据输入有监督学习模型以生成所述初始机器学习模型。

在本公开的一种示例性实施例中，所述初始子单元，还用于将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集，训练表现集，测试观察集，测试表现集；将所述训练观察集，所述训练表现集输入多个机器学习模型中，生成多维度特征指标；通过所述测试观察集，所述测试表现集验证所述多维度特征指标；以及在验证通过后基于所述多维度特征指标确定所述多个初始机器学习模型。

在本公开的一种示例性实施例中，所述训练表现集与所述测试观察集的时间序列相同。

在本公开的一种示例性实施例中，所述初始子单元，还用于通过所述训练观察集，所述训练表现集中的用户的基础数据确定群体应收利息和人均利息。

在本公开的一种示例性实施例中，通过所述测试观察集，所述测试表现集中的用户的基础数据确定平均应还利息；以及通过所述平均应还利息与所述群体应收利息和所述人均利息验证所述多维度特征指标。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的基于时间序列的用户行为预估模型生成方法、装置、电子设备及计算机可读介质，通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型的方式，能够获得预测用户在未来一段时间内的行为数据的行为预估模型，提高对用户行为分析的效率，为企业提供更高效全面的用户分析数据，从而使得企业能够合理布局市场推广广告、用户服务策略、以及减少用户带来的安全风险。

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的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法及装置的系统应用框图。

图2是根据一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的流程图。

图3是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的流程图。

图4是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的流程图。

图5是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的示意图。

图6是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的示意图。

图7是根据一示例性实施例示出的一种基于时间序列的用户行为预估模型生成装置的框图。

图8是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成装置的框图。

图9是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、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例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法及装置的系统应用框图。

如图1所示，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、无线通信链路或者光纤电缆等等。

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、金融平台类应用、即时通信工具、邮箱客户端、社交平台软件等。

在本公开的实施例中，将以用户浏览金融信息平台为例，对本公开中的基于时间序列的用户行为预估模型进行详细说明。值得一提的是，本公开中的基于时间序列的用户行为预估方法还可应用在多个应用场景和不同商品类别的平台中，本申请不以此为限。

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所浏览的金融平台类网站提供支持的后台管理服务器。服务器105可以对接收到的用户基数数据进行分析等处理，并将处理结果(用户行为预估数据)反馈给企业客户管理终端。

服务器105还可例如获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；服务器105可例如通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据；服务器105可例如将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型；其中，所述用户行为预估模型用于预估用户的目标行为与所述目标行为发生的时间。

服务器105还可例如获取当前用户的基础数据；服务器105还可例如根据所述用户行为预估模型确定所述当前用户的目标行为与所述目标行为发生的时间；服务器105还可例如根据所述目标行为与所述目标行为发生的时间，确定所述当前用户所属的多维象限标签。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的基于时间序列的用户行为预估模型生成方法可以由服务器105执行，相应地，基于时间序列的用户行为预估模型生成装置可以设置于服务器105中。而提供给用户进行金融平台浏览的网页端一般位于终端设备101、102、103中。

根据本公开的基于时间序列的用户行为预估模型生成方法及装置，采用时间上的连续性有监督训练的方式，不仅可以对当下的客户进行价值区分，还可以预测这些客户在未来一段时间后的价值转移。因此对不同的客户群体开展多样化个性化服务。是将传统模型和深度学习、有监督和无监督学习的融合，应用后可以将有限的资源合理的分配给不同价值的客户，实现效益最大化。

图2是根据一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的流程图。基于时间序列的用户行为预估模型生成方法20至少包括步骤S202至S206。

如图2所示，在S202中，获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据。可例如通过在金融网站上注册过的用户数据生成所述基础数据。

其中，基础数据中可包括用户的各种行为数据，不失一般性，以用户在某金融平台上的操作为例，行为数据可例如为用户浏览行为，用户借贷行为，用户还款行为，以用户欠款行为等等。

在S204中，通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据。

在一个实施例中，通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据包括：将用户对应的行为数据按照其对应的时间数据进行排序；以及通过排序后的行为数据生成所述多个特征数据。

更具体的，可例如通过排序后的行为数据生成所述多个特征数据包括：通过首个行为数据与末尾行为数据的间隔时间确定所述时长特征数据；和/或通过所述末尾行为数据所对应的时间确定所述行为特征数据；和/或通过所述行为数据的数量确定所述频率特征数据；和/或通过所述行为数据中的金额确定所述属性特征数据。

对应于RFM模型中的最近一次消费(Recency)，消费频率(Frequency)，消费金额(Monetary)。可针对上文中的用户行为建立不同类别的特征数据。可例如以用户借贷行为和相关的时间为例，可将借贷行为相关的行为数据分为，最近一次借贷，借贷频率，以及借贷金额。更具体的课根据首次借贷行为与最后一次借贷行为的时间间隔生成时长特征数据L(Length)；通过最后一次借贷行为的时间确定行为特征数据R(Recency)，通过借贷行为发生的次数确定频率特征数据F(Frequency)，通过节点行为中的借贷金额确定属性特征数据M(Monetary)。

值得一提的是，在属性特征数据中，可将用户最后一次借贷的金额作为属性特征数据，还可将用户多次借贷行为中平均借贷金额最为属性特征数据，具体情况可根据模型计算中关注点的不同而进行调整，本公开不以此为限。

在S206中，将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型，其中，所述用户行为预估模型用于预估用户的目标行为与所述目标行为发生的时间。

在一个实施例中，将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型可包括：将所述多个特征数据中的一个或多个，分别输入多个机器学习模型中生成多个初始机器学习模型；以及基于所述多个初始机器学习模型通过多任务学习的方法建立所述用户行为预估模型。

其中，多任务学习(MTL)是机器学习中的一个技术，其目标是利用多个学习任务中所包含的有用信息来帮助为每个任务学习得到更为准确的学习器。联合学习多个模型任务能比单独依次训练单个模型得到更好的性能。根据任务的性质，MTL以被分类成多种设置，主要包括多任务监督学习、多任务无监督学习、多任务半监督学习、多任务主动学习、多任务强化学习、多任务在线学习和多任务多视角学习等。

在一个实施例中，可例如，将所述多个特征数据输入无监督学习模型以生成所述初始机器学习模型；和/或将所述多个特征数据输入有监督学习模型以生成所述初始机器学习模型。

监督学习目标是让计算机自己去学习怎样做事情。监督学习通过对数据进行标注，来让机器学习到，比如：对某些关注的数据继续标注，从而让机器依据标注得到想要的结果。而无监督学习则没有任何的数据标注，只有数据本身。

根据本公开的基于时间序列的用户行为预估模型生成方法及装置，通过多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型的方式，能够获得预测用户在未来一段时间内的行为数据的行为预估模型，提高对用户行为分析的效率，为企业提供更高效全面的用户分析数据，从而使得企业能够合理布局市场推广广告、用户服务策略、以及减少用户带来的安全风险。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的流程图。图3所示的流程30是对图2所示的流程中S206“将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型”的详细描述。

如图3所示，在S302中，将所述多个特征数据进行编码。其中，可通过分箱编码技术(Weight of Evidence，WOE)将特征数据进行编码。WOE即证据权重，可以将模型数据转化为标准评分卡格式，WOE是对原始自变量的一种编码形式，要对一个变量进行WOE编码，需要首先把这个变量进行分组处理(也叫离散化、分箱)。

WOE分箱的的公式可例如为：

WOE＝ln(好客户占比/坏客户占比)×100％＝优势比。

在S304中，将编码后的所述多个特征数据输入无监督学习模型以生成所述初始机器学习模型。其中，无监督学习(Unsupervised Learning)是和监督学习(supervisedlearning)相对的另一种主流机器学习的方法。其中，监督学习是从给定的训练数据集中学习出一个函数(模型参数)，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。训练集中的目标是由人标注的。监督学习是训练神经网络和决策树的常见技术。这两种技术高度依赖事先确定的分类系统给出的信息。

在S306中，将编码后的所述多个特征数据输入有监督学习模型以生成所述初始机器学习模型。其中，监督学习解决的是“分类”和“回归”问题，而无监督学习解决的主要是“聚类(Clustering)”问题。无监督学习输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类试图使类内差距最小化，非监督学习目标不是告诉计算机怎么做，而是让计算机自己去学习怎样做事情。监督学习通过对数据进行标注，来让机器学习到，比如：对某些关注的数据继续标注，从而让机器依据标注得到想要的结果。而无监督学习则没有任何的数据标注，只有数据本身。

在一个实施例中，将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集，训练表现集，测试观察集，以及测试表现集；将所述训练观察集，所述训练表现集输入多个机器学习模型中，生成多维度特征指标；通过所述测试观察集，所述测试表现集验证所述多维度特征指标；以及在验证通过后基于所述多维度特征指标确定所述多个初始机器学习模型。

其中，用户的基础数据可按照如下表所示的时间分为训练观察集，训练表现集，测试观察集，以及测试表现集。

在S308中，基于所述多个初始机器学习模型通过多任务学习的方法建立所述用户行为预估模型。

在本公开的一个实施例中，针对于用户借贷的问题，在多任务学习的过程中，可通过所述训练观察集，所述训练表现集中的用户的基础数据确定群体应收利息和人均利息。其中，通过所述测试观察集，所述测试表现集中的用户的基础数据确定平均应还利息；以及通过所述平均应还利息与所述群体应收利息和所述人均利息验证所述多维度特征指标。

图4是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的流程图。图4所示的流程40是对本公开中用户行为预估模型应用过程的描述。

如图4所示，在S402中，获取当前用户的基础数据。

在S404中，根据所述用户行为预估模型确定所述当前用户的目标行为与所述目标行为发生的时间。

在S406中，根据所述目标行为与所述目标行为发生的时间，确定所述当前用户所属的多维象限标签。

在新用户达到金融平台时，可根据用户行为预估模型将用户行为进行预估，可得到当前用户的行为与一段时间之后用户的行为。

根据本公开的基于时间序列的用户行为预估模型生成方法，在传统RFM模型的基础上，增加了L(Length)评判因素。通过无监督聚类、分箱编码技术将客群进行价值排序。同时，与传统RFM模型不同的是，本公开中的方法通过客户的一系列行为、属性等维度，基于机器学习的方法建立了LRFM模型，通过LRFM模型能够预测客户一段时间后的行为。

图5是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的示意图，其中，根据RFM这三个指标可将每个指标维度再细分出不同的等级，这样就能够细分不同类别的用户，再根据每类用户精准营销在。本公开中可例如把每个维度做一次两分即可，每个维度都分为高低两类，这样在RFM三个维度上可得到了8组用户。这样用户就可以按照不同的维度进行分析，(编号次序RFM,1代表高，0代表低)

重要价值客户(111)：最近消费时间近、消费频次和消费金额都很高，可例如为将此类用户定义为优质客户。

重要保持客户(011)：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠诚客户，需要主动和他保持联系。

重要发展客户(101)：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，可重点发展。

重要挽留客户(001)：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。

而引入了L维度之后，还可得到在未来一段时间之后，用户的行为特征，本公开中可例如把L维度也做一次两分，即为当前和120天之后用户的行为特征，这样就把用户由当前的8个组别扩展到了16个组别，即为16个象限中。当然，L还可做不同的区分，可例如将L分为三个维度，当前，20天和120天，那么用户由当前的8个维度分为了24个维度。

图6是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成方法的示意图。如图6所示，在把用户由当前的8个组别扩展到了16个组别，即为16个象限中的情况下，(编号次序RFM,1代表高，0代表低，编号L，1代表当前，0代表未来)

重要价值客户(1111)与重要价值客户(0111)，当前与未来均为重要价值客户；重要保持客户(1011)与重要保持客户(0011)，当前与未来均为重要保持客户；重要发展客户(1101)与重要发展客户(0101)：当前与未来均为重要发展客户；重要挽留客户(1001)与重要挽留客户(0001)当前与未来均为重要发展客户。

可例如，当前用户的象限分类为重要保持客户(1011)，未来120天的表现为重要挽留客户(0001)，则可根据对用户行为的分析，确定更多的挽留客户的步骤，提前做好规划。

根据本公开的基于时间序列的用户行为预估模型生成方法，能够获得预测用户在未来一段时间内的行为数据的行为预估模型，通过该模型可在面对客户制定运营策略、动支定价、额度调整，甚至风险控制的时候，能够针对不同的客户采取多样调整手段，实现精细化运营，为企业争取最大的利润，达成更好的服务客户的需求。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开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。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图7是根据一示例性实施例示出的一种基于时间序列的用户行为预估模型生成装置的框图。其中，基于时间序列的用户行为预估模型生成装置70包括：基础数据模块702，特征数据模块704，以及模型训练模块706。

基础数据模块702用于获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；

特征数据模块704用于通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据；

其中，所述特征数据模块704包括：排序单元，用于将用户对应的行为数据按照其对应的时间数据进行排序；以及数据单元，用于通过排序后的行为数据生成所述多个特征数据。

其中，数据单元包括：时长子单元，用于通过首个行为数据与末尾行为数据的间隔时间确定所述时长特征数据；和/或行为子单元，用于通过所述末尾行为数据所对应的时间确定所述行为特征数据；频率子单元，用于通过所述行为数据的数量确定所述频率特征数据；以及属性子单元，用于通过所述行为数据中的金额确定所述属性特征数据。

模型训练模块706用于将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型；其中，所述用户行为预估模型用于确定用户的目标行为与所述目标行为发生的时间。

其中，所述模型训练模块706包括：编码单元，用于将所述多个特征数据进行编码；以及训练单元，用于将编码后的所述多个特征数据输入多任务学习模型中以训练生成所述用户行为预估模型。

其中，所述训练单元包括：初始子单元，用于将编码后的所述多个特征数据输入多个机器学习模型中生成多个初始机器学习模型；以及联合字单元，用于基于所述多个初始机器学习模型通过多任务学习的方法建立所述用户行为预估模型。

其中，所述初始子单元，还用于将编码后的所述多个特征数据输入无监督学习模型以生成所述初始机器学习模型；和/或将编码后的所述多个特征数据输入有监督学习模型以生成所述初始机器学习模型。

其中，所述初始子单元，还用于将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集，训练表现集，测试观察集，测试表现集；将所述训练观察集，所述训练表现集输入多个机器学习模型中，生成多维度特征指标；通过所述测试观察集，所述测试表现集验证所述多维度特征指标；以及在验证通过后基于所述多维度特征指标确定所述多个初始机器学习模型。

其中，所述初始子单元，还用于通过所述训练观察集，所述训练表现集中的用户的基础数据确定群体应收利息和人均利息。

其中，所述训练表现集与所述测试观察集的时间序列相同。通过所述测试观察集，所述测试表现集中的用户的基础数据确定平均应还利息；以及通过所述平均应还利息与所述群体应收利息和所述人均利息验证所述多维度特征指标。

根据本公开的基于时间序列的用户行为预估模型生成装置，通过多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型的方式，能够获得预测用户在未来一段时间内的行为数据的行为预估模型，提高对用户行为分析的效率，为企业提供更高效全面的用户分析数据，从而使得企业能够合理布局市场推广广告、用户服务策略、以及减少用户带来的安全风险。

图8是根据另一示例性实施例示出的一种基于时间序列的用户行为预估模型生成装置的框图。其中，基于时间序列的用户行为预估模型生成装置80包括：当前数据模块802，模型计算模块804，以及标签分配模块806。

当前数据模块802用于获取当前用户的基础数据；

模型计算模块804用于根据所述用户行为预估模型确定所述当前用户的目标行为与所述目标行为发生的时间；以及

标签分配模块806用于根据所述目标行为与所述目标行为发生的时间，确定所述当前用户所属的多维象限标签。

图9是根据一示例性实施例示出的一种电子设备的框图。

下面参照图9来描述根据本公开的这种实施方式的电子设备200。图9显示的电子设备200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9所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图2，图3，图4中所示的步骤。

所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与电子设备200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200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，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，所述软件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。

所述计算机可读存储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。可读存储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、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公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、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)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；通过所述多个用户对应的行为数据与所述行为数据对应的时间数据生成多个特征数据，所述多个特征数据包括时长特征数据，行为特征数据，频率特征数据，和属性特征数据；以及将所述多个特征数据输入多任务学习模型中，通过多任务学习模型训练生成用户行为预估模型，其中，所述用户行为预估模型用于预估用户的目标行为与所述目标行为发生的时间。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例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、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (4)

1.一种基于时间序列的用户行为预估模型生成方法，其特征在于，包括：

获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；

将用户对应的行为数据按照其对应的时间数据进行排序；

通过排序后的行为数据生成多个特征数据，所述多个特征数据包括时长特征数据、行为特征数据、频率特征数据和属性特征数据；

将所述多个特征数据进行编码；

将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集、训练表现集、测试观察集以及测试表现集；

将所述训练观察集，所述训练表现集中的所述多个特征数据中的一个或多个输入有监督机器学习模型或无监督机器学习模型中，生成多维度特征指标；

通过所述测试观察集，所述测试表现集验证所述多维度特征指标；

在验证通过后基于所述多维度特征指标确定多个初始机器学习模型；以及

基于所述多个初始机器学习模型通过多任务学习的方法建立用于为当前新用户分配多维象限标签的用户行为预估模型；所述多维象限的维度包括时长特征、行为特征、频率特征、属性特征；

获取当前新用户的基础数据；

根据所述用户行为预估模型确定所述当前新用户的目标行为与所述目标行为发生的时间；以及

根据所述目标行为与所述目标行为发生的时间，确定所述当前新用户所属的多维象限标签；

其中，通过排序后的行为数据生成所述多个特征数据包括：

通过首个行为数据与末尾行为数据的间隔时间确定所述时长特征数据；和/或

通过所述末尾行为数据所对应的时间确定所述行为特征数据；和/或

通过所述行为数据的数量确定所述频率特征数据；和/或

通过所述行为数据中的金额确定所述属性特征数据。

2.一种基于时间序列的用户行为预估模型生成装置，其特征在于，包括：

基础数据模块，用于获取多个用户的基础数据，所述基础数据包括至少一个行为数据与所述至少一个行为数据对应的时间数据；

特征数据模块，包括排序单元以及数据单元，所述排序单元用于将用户对应的行为数据按照其对应的时间数据进行排序；所述数据单元用于通过排序后的行为数据生成多个特征数据，所述多个特征数据包括时长特征数据、行为特征数据、频率特征数据和属性特征数据；以及

模型训练模块，用于将所述多个特征数据进行编码；将编码后的所述多个特征数据按照时间序列分为多个数据集，所述数据集包括训练观察集、训练表现集、测试观察集以及测试表现集；将所述训练观察集，所述训练表现集中的所述多个特征数据中的一个或多个输入有监督机器学习模型或无监督机器学习模型中，生成多维度特征指标；通过所述测试观察集，所述测试表现集验证所述多维度特征指标；在验证通过后基于所述多维度特征指标确定多个初始机器学习模型；以及基于所述多个初始机器学习模型通过多任务学习的方法建立用于为当前新用户分配多维象限标签的用户行为预估模型；所述多维象限的维度包括时长特征、行为特征、频率特征、属性特征；

当前数据模块，用于获取当前新用户的基础数据；

模型计算模块，用于根据所述用户行为预估模型确定所述当前新用户的目标行为与所述目标行为发生的时间；以及

标签分配模块，用于根据所述目标行为与所述目标行为发生的时间，确定所述当前新用户所属的多维象限标签；

其中，所述特征数据模块的数据单元包括：

时长子单元，用于通过首个行为数据与末尾行为数据的间隔时间确定所述时长特征数据；和/或

行为子单元，用于通过所述末尾行为数据所对应的时间确定所述行为特征数据；

频率子单元，用于通过所述行为数据的数量确定所述频率特征数据；以及

属性子单元，用于通过所述行为数据中的金额确定所述属性特征数据。

3.一种电子设备，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所述的方法。

4.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1所述的方法。

Images