CN110348930A - 业务对象数据处理方法、业务对象信息的推荐方法和装置 - Google Patents

Abstract

本申请实施例提供了一种业务对象数据处理方法、业务对象信息的推荐方法和装置，其中，业务对象信息的推荐方法包括：提取预先获取的、用户针对业务对象的历史行为数据的元素特征，依据元素特征确定用户所处的行为阶段，基于行为阶段推荐业务对象的相关信息，本申请实施例可以先通过用户的历史行为数据的元素特征确定用户所处的行为阶段，然后根据行为阶段推荐业务对象的相关信息，即可以根据用户在不同行为阶段推荐业务对象的相关信息，避免了与用户特征相关的数据稀疏，造成根据用户特征推荐相似度接近的商品不准确的问题，能够根据用户的行为阶段推荐相关信息，使得推荐的信息更接近用户的需求，提升了推荐的精度。

Description

业务对象数据处理方法、业务对象信息的推荐方法和装置

技术领域

本申请涉及数据处理技术领域，特别是涉及一种业务对象数据处理方法和业务对象数据处理装置、业务对象信息的推荐方法和业务对象信息的推荐装置。

背景技术

随着电子商务的发展，在电子商务平台上购买商品或者服务变得越来越普及，如何给用户推荐用户感兴趣的信息以引导商品或者服务成交变得愈发重要。

目前，电商场景下的个性化推荐主要通过用户行为、属性形成用户特征，利用机器学习模型找到与用户特征相似度较近的商品进行推荐。然而，在航旅商品推荐的场景下，用户行为比较稀疏，很多特征难以被机器学习模型所捕捉，这就造成根据用户特征推荐相似商品不准确的问题，并且，用户所处的旅行状态对用户需求有明确的影响，因此目前的推荐方法并不适用于航旅商品推荐场景，向用户推荐的旅行产品或者服务与用户当前的需求并不匹配。

发明内容

鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种业务对象数据处理方法和业务对象数据处理装置，业务对象信息的推荐方法和业务对象信息的推荐装置。

为了解决上述问题，本申请实施例公开了一种业务对象数据处理方法，包括：

获取用户针对业务对象的历史行为数据，所述历史行为数据包括历史行为的发生时间；

依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

提取所述行为序列中每个元素的元素特征。

可选地，所述依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列的步骤包括：

对所述历史行为数据进行清洗处理，得到清洗后的历史行为数据；

对所述清洗后的历史行为数据进行归一化处理，得到归一化后的历史行为数据；

依据所述发生时间和所述归一化后的历史行为数据，生成用户的行为序列。

可选地，所述清洗处理包括去重、纠错、去除无效值和补充缺少值中的至少一项。

可选地，所述历史行为数据包括用户的历史地理位置信息和/或用户针对业务对象的历史操作数据。

可选地，所述元素特征包括显性特征和隐性特征，所述提取所述行为序列中每个元素的元素特征的步骤包括：

提取所述每个元素的显性特征和隐性特征。

为了解决上述问题，本申请实施例公开了一种业务对象信息的推荐方法，包括：

提取预先获取的、用户针对业务对象的历史行为数据的元素特征；

依据所述元素特征确定所述用户所处的行为阶段；

基于所述行为阶段推荐所述业务对象的相关信息。

可选地，所述提取预先获取的、用户针对业务对象的历史行为数据的元素特征的步骤包括：

获取所述历史行为数据中历史行为的发生时间；

依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

提取所述行为序列中每个元素的元素特征。

可选地，所述依据所述元素特征确定所述用户所处的行为阶段的步骤包括：

将所述元素特征输入预先训练的行为预测模型中提取所述用户的行为阶段。

可选地，所述行为预测模型包括决策树模型和RNN模型，所述元素特征包括显性特征和隐性特征；所述将所述元素特征输入预先训练的行为预测模型中提取用户的行为阶段的步骤包括：

将所述显性特征输入至所述决策树模型中，提取用户处于每个行为阶段的第一分值；

将所述隐性特征输入至所述RNN模型中，提取用户处于每个行为阶段的第二分值；

依据所述第一分值和所述第二分值，计算所述用户处于每个行为阶段的综合分值；

将所述综合分值最大的行为阶段确定为所述用户的当前行为阶段。

可选地，所述行为阶段包括针对所述业务对象的决策期、购买前、购买后、使用前和使用后。

可选地，所述基于所述行为阶段推荐所述业务对象的相关信息的步骤包括：

获取与所述业务对象关联的第一业务对象信息；

从所述第一业务对象信息中，确定与所述行为阶段关联的第二业务对象信息；

向所述用户推荐所述第二业务对象信息。

为了解决上述问题，本申请实施例公开了一种业务对象数据处理装置，包括：

行为数据获取模块，用于获取用户针对业务对象的历史行为数据，所述历史行为数据包括历史行为的发生时间；

行为序列生成模块，用于依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

第一元素特征提取模块，用于提取所述行为序列中每个元素的元素特征。

可选地，所述行为序列生成模块包括：

数据清洗子模块，用于对所述历史行为数据进行清洗处理，得到清洗后的历史行为数据；

归一化处理子模块，用于对所述清洗后的历史行为数据进行归一化处理，得到归一化后的历史行为数据；

行为序列生成子模块，用于依据所述发生时间和所述归一化后的历史行为数据，生成用户的行为序列。

可选地，所述清洗处理包括去重、纠错、去除无效值和补充缺少值中的至少一项。

可选地，所述历史行为数据包括用户的历史地理位置信息和/或用户针对业务对象的历史操作数据。

可选地，所述元素特征包括显性特征和隐性特征，所述元素特征提取模块包括：

特征提取子模块，用于提取所述每个元素的显性特征和隐性特征。

为了解决上述问题，本申请实施例公开了一种业务对象信息的推荐装置，包括：

第二元素特征提取模块，用于提取预先获取的、用户针对业务对象的历史行为数据的元素特征；

行为阶段确定模块，用于依据所述元素特征确定所述用户所处的行为阶段；

信息推荐模块，用于基于所述行为阶段推荐所述业务对象的相关信息。

可选地，所述第二元素特征提取模块包括：

发生时间获取子模块，用于获取所述历史行为数据中历史行为的发生时间；

行为序列生成子模块，用于依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

元素特征提取子模块，用于提取所述行为序列中每个元素的元素特征。

可选地，所述行为阶段确定模块包括：

行为阶段提取子模块，用于将所述元素特征输入预先训练的行为预测模型中提取所述用户的行为阶段。

可选地，所述行为预测模型包括决策树模型和RNN模型，所述元素特征包括显性特征和隐性特征；所述行为阶段提取子模块包括：

第一分值提取单元，用于将所述显性特征输入至所述决策树模型中，提取用户处于每个行为阶段的第一分值；

第二分值提取单元，用于将所述隐性特征输入至所述RNN模型中，提取用户处于每个行为阶段的第二分值；

分值计算单元，用于依据所述第一分值和所述第二分值，计算所述用户处于每个行为阶段的综合分值；

行为阶段确定单元，用于将所述综合分值最大的行为阶段确定为所述用户的当前行为阶段。

可选地，所述行为阶段包括针对所述业务对象的决策期、购买前、购买后、使用前和使用后。

可选地，所述信息推荐模块包括：

第一业务对象信息获取子模块，用于获取与所述业务对象关联的第一业务对象信息；

第二业务对象信息确定子模块，用于从所述第一业务对象信息中，确定与所述行为阶段关联的第二业务对象信息；

信息推荐子模块，用于向所述用户推荐所述第二业务对象信息。

本申请实施例公开了一种装置，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行本申请实施例公开的业务对象数据处理方法和/或业务对象信息的推荐方法。

本申请实施例公开了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行本申请实施例公开的业务对象数据处理方法和/或业务对象信息的推荐方法。

本申请实施例包括以下优点：

本申请实施例中，在获取用户针对业务对象的历史行为数据后，按照时间维度对历史行为数据序列化生产用户的行为序列，并针对行为序列提取元素特征，以形成预测用户行为阶段和根据行为阶段推荐业务对象信息的数据基础，历史行为数据可以是LBS数据，可以避免用户无点击、购买、收藏等针对业务对象的操作行为，造成用户数据稀疏的问题，可以通过提取历史行为数据的元素特征对用户的行为阶段进行预测，并可根据预测的行为阶段推荐业务对象的相关信息。

本申请实施例中，在提取预先获取的、用户针对业务对象的历史行为数据的元素特征后，依据元素特征确定用户所处的行为阶段，并基于行为阶段推荐业务对象的相关信息，本申请实施例，可以先通过用户的历史行为数据的元素特征确定用户所处的行为阶段，然后根据行为阶段推荐业务对象的相关信息，即可以根据用户在不同行为阶段推荐业务对象的相关信息，避免了与用户特征相关的数据稀疏，造成根据用户特征推荐相似的商品不准确的问题，能够根据用户的行为阶段推荐相关信息，使得推荐的信息更接近用户的需求，提升了推荐的精度。

附图说明

图1是本申请的一种业务对象数据处理方法实施例的步骤流程图；

图2是本申请的一种业务对象信息的推荐方法实施例1的步骤流程图；

图3是本申请的一种业务对象信息的推荐方法实施例2的步骤流程图；

图4是本申请的一种业务对象信息的推荐方法的示例的流程图；

图5本申请的一种业务对象数据处理装置实施例的结构框图；

图6本申请的一种业务对象信息的推荐装置实施例的结构框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，示出了本申请的一种业务对象数据处理方法实施例的步骤流程图，具体可以包括如下步骤：

步骤101，获取用户针对业务对象的历史行为数据，所述历史行为数据包括历史行为的发生时间。

本申请实施例中，业务对象可以是业务领域的特征对象，例如在旅游行业，业务对象可以是旅游产品或者服务，在电子商务领域，业务对象可以是商品。

历史行为数据可以是过去一段时间内到当前时刻的、户针对业务对象的行为数据，例如可以是用户针对旅游产品的历史行为数据，可以包括用户针对旅游产品的点击、收藏、搜索、加购物车、购买、LBS(移动位置服务，Location Based Service)数据、订单数据、行程数据等。历史行为数据可以通过APP获取，例如，用户端的APP检测到用户点击、收藏等历史操作后，将历史操作以及历史操作的发生时间以日志的形式上传至日志服务器，或者通过APP对用户的历史地理位置进行定位，获取到LBS数据和时间后上传至日志服务器，又或者是用户购买了旅游产品后，APP生成行程数据等等，以上数据均为用户针对业务对象的历史行为数据，历史行为数据中包括历史行为发生的时间。

在本申请的一种优选实施例中，历史行为数据可以包括用户的历史地理位置信息和/或用户针对业务对象的历史操作数据。历史地理位置信息可以是用户所处的地理位置的经纬度信息或者地址，历史操作数据可以是用户针对业务对象的点击、搜藏、购买等历史操作行为。历史地理位置信息可以通过终端进行获取，即无论用户是否有针对业务对象的点击、搜藏、购买等历史操作行为，用户的历史地理位置信息是始终存在的，可以通过APP收集、GPS定位、无线通信基站定位等方式获取用户的LBS数据，可以避免用户不存在针对业务对象的点击、搜藏、购买等历史操作行为时，造成用户数据稀疏的问题。

在实际应用中，当需要向用户推荐业务对象信息时，获取用户的历史行为数据，例如，定期选择部分用户或者按照用户的活跃度选择部分用户推荐业务对象信息，此时可以获取用户针对业务对象的历史行为数据，又或者当用户登录APP后或者是用户浏览特定(购物网站)的网页信息时，确定向该用户推荐业务对象信息，此时可以获取用户针对业务对象的历史行为数据，用户的历史行为数据可以从日志服务器或者数据库服务器中读取，当然还可以从其他数据库读取。

步骤102，依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素。

行为序列可以是以时间为维度记录用户历史行为数据的一个序列，具体而言，以时间生成时间轴，该时间轴上的一个时间点记录了该时间点上用户的历史行为数据，该时间点和时间点上的历史行为数据为行为序列的一个元素，本申请实施例中，步骤102可以包括如下子步骤：

子步骤S11，对所述历史行为数据进行清洗处理，得到清洗后的历史行为数据。

由于用户的历史行为数据可能来源于不同的设备和服务平台，需要对历史行为数据进行预处理，具体而言，可以对历史行为数据进行清洗处理，得到清洗后的历史行为数据。

本申请实施例中，数据清洗可以包括去重、纠错、去除无效值和补充缺少值等数据处理，例如，用户的交互行为数据和LBS数据可以通过用户设备发送到日志服务器或者数据库服务器进行日志的采集。在日志采集过程中，可以利用数据质量规则去除因网络、设备异常产生的重复记录、不完整记录、错误的记录和无效的记录等等。对于LBS数据，可以通过可信度模型清洗去除不准确的定位信息、去除关键字段为空的记录，例如对用户ID为空、时间为空、内容为空的记录则去除，对非关键字段为空的记录则填充默认值，例如用户当前IP地址、设备类型、页面停留时长为空时则填充默认值。

子步骤S12，对所述清洗后的历史行为数据进行归一化处理，得到归一化后的历史行为数据。

由于采集的历史行为数据来自不同设备或者不同服务平台，清洗后的历史行为数据需要进行归一化处理，例如，酒店的入住时间、机票的登机时间、跟团游的出发时间归一化成行程中的开始时间。

当然，本领域技术人员还可以根据实际需要进行归一化处理，例如时间格式、目的地格式等归一化处理。

子步骤S13，依据所述发生时间和所述归一化后的历史行为数据，生成用户的行为序列。

用户的历史行为数据是记录了用户当前时刻之前的某一时间点的对业务对象的历史操作获取过去某一时间点所处的位置信息，例如用户在过去某一时间点浏览网页，并在网页上点击了某一旅游产品，基于该点击操作生成一历史行为数据，该历史行为数据包括点击操作发生的时间、行为类型等数据，因此，用户的每一历史行为都对应有操作的发生时间，可以从日志记录中获取该操作的发生时间。

本申请实施例中，可以以时间为维度生成行为序列，具体而言，以时间生成时间轴，该时间轴上的一个时间点记录了该时间点上用户的历史操作或者历史位置，该时间点和时间点上的历史行为数据为行为序列的一个元素，例如，当业务对象是旅游产品时，行为序列的一个元素可以包括操作时间、操作类型、目的地、以及其他相关信息等等，如下表为业务对象是旅游产品时的一个行为序列的示例：

如上表的行为序列共有4个元素，每个元素均包括时间、操作的类型、目的地和其它信息等数据，当然还可以包括其它的数据，本申请实施例对此不加以限制。

步骤103，提取所述行为序列中每个元素的元素特征。

本申请实施例中对用户历史行为数据进行处理的目的是形成预测用户行为阶段的数据基础，因此需要提取行为序列中每个元素的元素特征。

元素特征可以包括显性特征，显性特征可以是便于非“深度神经网络”算法学习的特征，例如，当业务对象为旅游产品时，元素特征中的目的地类型、元素时间、元素类型、用户年龄、用户购买力等明显表征元素属性的特征为显性特征，例如对于上表中的目的地，如果三亚不是用户的常住地或者工作地，则目的地三亚的类型为“曾去地”；如目的地三亚是用户的常住地，则目的地三亚的类型为“常住地”，对于元素中的目的地，将目的地类型这一特征加入该元素的特征中，并将其标识为显性特征。

显性特征还可以是的行程标注，即该元素所属的行程。具体而言，用户的行为序列有可能跨越用户的多个行程，因此对于针对旅游产品的行为序列，对每个元素属于用户的第几个行程，可以通过聚类模型的方式进行标注。例如用户在5月、10月分别有一系列的行为元素，用户在5月份有关于“上海”的点击、购买、酒店入住等行为，在10月份有关于“三亚”的点击、购买、LBS定位行为，则可以利用DIANA(Divisive Analysis，分裂的层次聚类)算法对用户的行为序列进行划分，例如，选取行为序列的日期维度作为聚类空间，规定簇的直径为30天，平均距离为7天，则可以明显地将5月份时间段的行为序列和10月份时间段的行为序列划分为两个不同的行程，即这两个行程是独立的两个行程，表征用户进行了两次旅游，可以将5月份和10月份的行为序列的元素标注上行程ID，将该行程ID加入元素的特征中，例如行程ID可以为数字1和2，该行程ID可以区分行为序列所示的行程，还可以判断用户旅游的次数。

以上仅仅是以目的地和行程标注作为示例对显性特征进行说明，本领域技术人员还可以针对时间提取元素的显性特征，例如时间是否为节假日，例如是周末或者法定节假日，则时间的类型为“是”，否则为“否”，将该时间的类型作为特征加入元素的特征中。

本申请实施例中，元素特征还可以包括隐性特征，隐性特征可以是非线性、潜在信息，可以应用于深度神经网络算法学习的特征，例如以行为序列中元素的元素特征离散化形成的高维特征，行为序列元素之间的关系组成的向量、行为与兴趣点组成的向量等等，隐性特征可以根据欧氏距离度量、概率分别等方式进行提取。

本申请实施例中，获取用户针对业务对象的历史行为数据后，按照时间维度对历史行为数据序列化生产用户的行为序列，并针对行为序列提取元素特征，以形成预测用户行为阶段的数据基础，历史行为数据可以是LBS数据，可以避免用户无点击、购买、收藏等针对业务对象的操作行为，造成用户数据稀疏的问题，可以通过提取的元素特征对用户的行为阶段进行预测，并可根据预测的行为阶段推荐业务对象的相关信息。

参照图2，示出了本申请的一种业务对象信息的推荐方法实施例1的步骤流程图，具体可以包括如下步骤：

步骤201，提取预先获取的、用户针对业务对象的历史行为数据的元素特征。

本申请实施例中，业务对象可以是业务领域的特征对象，例如在旅游行业，业务对象可以是旅游产品或者服务，在电子商务领域，业务对象可以是商品。

在实际应用中，当需要向用户推荐业务对象信息时，可以预先获取用户的历史行为数据，例如，定期选择部分用户或者按照用户的活跃度选择部分用户推荐业务对象信息，此时可以获取用户针对业务对象的历史行为数据，又或者当用户登录APP后或者是用户浏览特定的网页信息时，确定向该用户推荐业务对象信息，此时可以获取用户针对业务对象的历史行为数据，用户的历史行为数据可以从日志服务器或者数据库服务器中读取，当然还可以从其他数据库读取。

对历史行为数据，可以经过清洗、归一化和序列化后得到用户的行为序列，从行为序列中提取元素特征作为预测用户行为阶段的数据基础。元素特征可以包括显性特征，显性特征指的是便于非“深度神经网络”算法学习的特征，例如，当业务对象为旅游产品时，元素特征中的目的地类型、元素时间、元素类型、用户年龄、用户购买力等明显表征元素属性的特征为显性特征，元素特征还可以包括隐性特征，隐性特征可以是非线性、潜在信息，可以应用于深度神经网络算法学习的特征，例如以行为序列中元素的元素特征离散化形成的高维特征，行为序列元素之间的关系组成的向量、行为与兴趣点组成的向量等等。

步骤202，依据所述元素特征确定所述用户所处的行为阶段。

在本申请实施例中，对于一个业务对象，用户通常有不同的行为阶段，行为阶段可以包括购买前阶段和购买后阶段，更具体地，可以分为决策阶段、购买前阶段、购买后阶段、使用阶段和使用后阶段，例如，业务对象为旅游产品，用户在整个旅游过程中，通常包括以下阶段：

决策阶段：用户决定是否进行旅游的阶段；

购买前阶段：用户决定旅游之后、购买旅游产品前的阶段；

购买后阶段：用户购买旅游产品后、出发前的阶段；

使用阶段：用户出发后、结束旅游前的阶段；

使用后阶段：用户结束旅游返回的阶段。

当然，本领域技术人员可以根据不同的需求划分为不同的行为阶段，例如，对于用户在购物平台上的购买过程，可以直接划分为购买前和购买后，以便于在用户购买前和购买后推荐不同的产品，也可以根据不同的业务对象划分为不同的行为阶段，本申请实施例对此不加以限制。

本申请实施例中，可以综合用户针对业务对象的历史行为数据的元素特征确定用户所处的行为阶段，例如基于预先设置的规则确定用户的行为阶段，例如元素特征为历史操作的类型，假如用户在一段时间内的操作类型为点击，且点击某一类商品的次数大于预设阈值且比较频繁，并且商品价格差异比较大，则可以确定用户处于决策阶段；假如用户针对某商品的操作的操作类型为点击或者收藏，则可以确定用户处于购买前阶段；假如用户针对某一类商品的操作的操作类型为付款结算，则可以确定用户处于购买之后的使用阶段；还可以根据付款结算节点，将整个过程分为购买前和购买后阶段。

当然，还可以将元素特征输入预先训练的行为预测模型中预测用户所处的行为阶段，具体而言，可以根据大量用户的历史行为数据和历史行为数据对应的行为阶段训练行为预测模型，当需要对用户当前的行为阶段进行预测时，将用户过去一段时间的历史行为数据的元素特征输入至行为预测模型提取用户所处的行为阶段。

步骤203，基于所述行为阶段推荐所述业务对象的相关信息。

在得到用户的行为阶段后，可以根据预先设置的推荐策略，向用户推荐与业务对象相关的推荐信息，例如对于旅游产品，在决策阶段的用户，推荐旅游资讯、热门目的地等推荐信息以促进用户尽快作出决策；而对于旅游中的用户，推荐用户旅游目的地的景点门票、酒店等；对于旅游后已经返程的用户，可以推荐旅游内容分享服务，即根据用户处于不同的行为阶段推荐不同的信息，以使得推荐的内容更接近用户的需求，提高信息推荐的精度。

本申请实施例中，可以先提取预先获取的、用户针对业务对象的历史行为数据的元素特征，依据元素特征确定用户所处的行为阶段，然后根据行为阶段推荐业务对象的相关信息，即可以根据用户在不同行为阶段推荐业务对象的相关信息，避免了与用户特征相关的数据稀疏，造成根据用户特征推荐相似的商品不准确的问题，使得推荐的相关信息更接近用户的需求，提升了推荐的精度。

参照图3，示出了本申请的一种业务对象信息的推荐方法实施例2的步骤流程图，具体可以包括如下步骤：

步骤301，提取预先获取的、用户针对业务对象的历史行为数据的元素特征，所述元素特征包括显性特征和隐性特征。

在本申请的一种优选实施例中，步骤301可以包括如下子步骤：

子步骤S21，获取所述历史行为数据中历史行为的发生时间。

在实际应用中，在采集用户的历史行为数据时，可以将历史行为数据和历史行为发生的时间保存至日志服务器或者数据库服务器中，当需要向该用户推荐信息时，可以从日志服务器或者数据库服务器读取历史行为数据以及该历史行为数据对应的历史行为发生的时间。

子步骤S22，依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素。

行为序列可以是以时间为维度记录用户历史行为的一个序列，具体而言，以时间生成时间轴，该时间轴上的一个时间点记录了该时间点上用户的历史行为数据，该时间点和时间点上的历史行为数据为行为序列的一个元素，本申请实施例中，子步骤S22可以包括如下子步骤：

子步骤S221，对所述历史行为数据进行清洗处理，得到清洗后的历史行为数据。

子步骤S222，对所述清洗后的历史行为数据进行归一化处理，得到归一化后的历史行为数据。

子步骤S223，依据所述发生时间和所述归一化后的历史行为数据，生成用户的行为序列。

由于用户的历史行为数据可能来源于不同的设备和服务平台，需要对历史行为数据进行预处理，具体而言，可以对所述历史行为数据进行去重、纠错、去除无效值和补充缺少值等清洗处理，得到清洗后的历史行为数据。同时，由于采集的历史行为数据来自不同设备或者不同服务平台，清洗后的历史行为数据需要进行归一化处理，例如，酒店的入住时间、机票的登机时间、跟团游的出发时间归一化成行程中的开始时间，最后可以以时间为维度生成行为序列，具体而言，以时间生成时间轴，该时间轴上的一个时间点记录了该时间点上用户的历史操作，该时间点和时间点上的历史行为数据为行为序列的一个元素，例如，当业务对象是旅游产品时，行为序列的一个元素可以包括操作时间、操作类型、目的地、以及其他相关信息等等。

子步骤S221-子步骤S223可以参考子步骤S11-子步骤S13，在此不再详述。

子步骤S23，提取所述行为序列中每个元素的元素特征。

本申请实施例中，元素特征可以包括显性特征和隐性特征，显性特征指的是便于非“深度神经网络”算法学习的特征，显性特征可以依据预设规则确定的是目的地类型、元素时间、元素类型、用户年龄、用户购买力等明显表征元素属性的特征，还可以是通过预设机器学习算法提取的行程标注，例如，行为序列有可能跨越用户的多个行程，因此对于针对旅游产品的行为序列，对每个元素属于用户的第几个行程，可以通过聚类模型的方式进行标注。当然还可以包括其它的明显表征元素属性的显性特征，本申请实施例对显性特征以及显性特征的提取方式不加以限制。

隐性特征可以是非线性、潜在信息，可以应用于深度神经网络算法学习的特征，例如以行为序列中元素的元素特征离散化形成的高维特征，行为序列元素之间的关系组成的向量、行为与兴趣点组成的向量等等，隐性特征可以根据欧氏距离度量、概率分别等方式进行提取。

步骤302，将所述显性特征输入至所述决策树模型中，提取用户处于每个行为阶段的第一分值。

本申请实施例中，提取元素特征后，可以将元素特征输入预先训练的行为预测模型中提取用户的行为阶段，在本申请的一种优选实施例中，行为预测模型可以包括决策树模型和RNN模型。

决策树模型可以是GBDT(Gradient Boosting Decison Tree，梯度提升决策树)模型，该GBDT模型是通过全网用户的历史行为数据训练的，具体而言，收集全网用户针对业务对象的历史行为数据，其中每一条数据包括时间、设备类型、行为类型、目的地、对应的商品等等，还可以包括用户的相关特征，例如包括用户年龄、性别、最近一次点击时间、最近一次购买行为等等，并且对于每一条历史行为数据都对应有一个标签，以表征该历史行为所处的行为阶段。在训练GBDT模型时，将全网用户的历史行为数据分为预设数量的训练数据和测试数据，采用训练数据和每条训练数据对应的标签，依据GBDT算法训练一个或多个分类的GBDT模型，然后利用测试数据和每条测试数据对应的标签对GBDT模型进行调整以得到最终的GBDT模型。

本申请实施例中，可以将显性特征输入GBDT模型中，提取用户当前处于各个行为阶段的第一分值，提取的行为阶段的个数可以根据实际情况进行设定，例如当业务对象是旅游产品时，可以提取用户当前处于决策阶段、购买前阶段、购买后阶段、使用阶段和使用后阶段的分值，即给出用户当前处于各种行为阶段的可能性。

步骤303，将所述隐性特征输入至所述RNN模型中，提取用户处于每个行为阶段的第二分值。

本申请实施例中，RNN(Recurrent Neural Networks，循环神经网络)模型也可以预先通过全网用户的针对业务对象的历史行为数据进行训练。具体而言，可以将行为序列中各个元素之间的前后关系、用户不同行为之间的关系等生成隐性特征、高维特征，例如采用用户前N次行为组成向量、行为对应的POI组成向量等，利用行为序列中元素的隐性特征、高维向量以及该元素对应的标签训练RNN模型，在训练过程中设置模型参数和迭代次数，直到损失函数小于预设值为止，否则调整模型参数继续进行迭代。

本申请实施例中，隐性特征可以是非线性、潜在信息，例如以行为序列中元素的元素特征离散化形成的高维、行为序列元素之间的关系等等，可以将隐性特征输入RNN模型中，提取用户当前处于各个行为阶段的第二分值，提取的行为阶段的个数可以根据实际情况进行设定，例如当业务对象是旅游产品时，可以提取用户当前处于决策阶段、购买前阶段、购买后阶段、使用阶段和使用后阶段的分值。

步骤304，依据所述第一分值和所述第二分值，计算所述用户处于每个行为阶段的综合分值。

本申请实施例中，可以结合决策树模型和RNN模型的打分，计算每个行为阶段的综合分值，具体而言，综合分值可以是某个时间点用户所处的行为阶段的概率，则可以按照以下公式计算用户所处的行为阶段的概率：

P(S|T)＝Sigmoid(a+b×RGBDT+c×RRNN×RGBDT)

其中，P(S|T)是行为阶段S在时间点T的概率，a、b、c是超参数，RGBDT是GBDT模型的分值，RRNN是RNN模型的分值。

每个行为阶段均得到一个综合分值，该综合分值由GBDT模型的分值和RNN模型的分值计算得到，并且通过调整超参数a、b、c可以进行人工干预，通过人为通过经验定义的，例如增大b，减小c则提高GBDT模型对最终结果的影响占比。

步骤305，将所述综合分值最大的行为阶段确定为所述用户当前的行为阶段。

本申请实施例中，可以将预测出的各个行为阶段按照综合分值进行排序，将综合分值最大的行为阶段确定为用户当前的行为阶段，即概率最大的行为阶段为用户当前的行为阶段。

步骤306，基于所述行为阶段推荐所述业务对象的相关信息。

具体而言，可以获取与所述业务对象关联的第一业务对象信息，然后从所述第一业务对象信息中，确定与所述行为阶段相关的第二业务对象信息；最后向所述用户推荐所述第二业务对象信息。

在得到用户的行为阶段后，可以根据预先设置的推荐策略，向用户推荐与业务对象相关的推荐信息，例如先获取与业务对象关联的所有第一业务对象信息，该第一业务对象信息包括各个行为阶段的相关信息，然后从第一业务对象信息中查找与预测出的用户的当前行为阶段关联第二业务对象信息，最后将第二业务对象信息推荐给用户。例如，当业务对象为旅游产品时，对于处于决策阶段的用户，推荐旅游资讯、热门目的地等推荐信息以促进用户尽快作出购买决策；而对于处于旅游中的用户，推荐用户旅游目的地的景点门票、酒店等；对于处于旅游后已经返程的用户，可以推荐旅游内容分享服务，即根据用户处于不同的行为阶段推荐不同的信息，以使得推荐的内容更接近用户的需求，提高信息推荐的精度。

为了更清楚说明本申请实施例，以下结合附图4对业务对象信息的推荐方法的流程进行整体说明：

如图4所示，业务对象信息的推荐方法的流程包括：

S1，采集待推荐用户的历史行为数据；

S2，对历史行为数据进行清洗；

S3，生成待推荐用户的行为序列；

S4，提取元素特征，元素特征包括显性特征和隐性特征；

S5，将显性特征输入决策树模型中预测用户的行为阶段；

S6，将隐性特征输入RNN模型中预设用户的行为阶段；

S7，结合决策树模型和RNN模型确定用户的最终行为阶段；

S8，根据最终行为阶段进行个性化推荐。

本申请实施例中，在提取预先获取的、用户针对业务对象的历史行为数据的元素特征后，依据元素特征确定用户所处的行为阶段，然后基于行为阶段推荐业务对象的相关信息，可以根据用户在不同行为阶段推荐业务对象的相关信息，推荐的相关信息更接近用户的需求，提升了推荐的精度。

本申请实施例中，通过模型预测用户的行为阶段，再通过行为阶段推荐相应的业务对象信息，而非直接预测与用户特征相似的商品进行推荐，避免了用户数据稀疏造成冷启动和推荐信息不准确的问题。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。

参照图5，示出了本申请的一种业务对象数据处理装置实施例的结构框图，具体可以包括如下模块：

行为数据获取模块401，用于获取用户针对业务对象的历史行为数据，所述历史行为数据包括历史行为的发生时间；

行为序列生成模块402，用于依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

第一元素特征提取模块403，用于提取所述行为序列中每个元素的元素特征。

可选地，所述行为序列生成模块402包括：

数据清洗子模块，用于对所述历史行为数据进行清洗处理，得到清洗后的历史行为数据；

归一化处理子模块，用于对所述清洗后的历史行为数据进行归一化处理，得到归一化后的历史行为数据；

行为序列生成子模块，用于依据所述发生时间和所述归一化后的历史行为数据，生成用户的行为序列。

可选地，所述清洗处理包括去重、纠错、去除无效值和补充缺少值中的至少一项。

可选地，所述历史行为数据包括用户的历史地理位置信息和/或用户针对业务对象的历史操作数据。

可选地，所述元素特征包括显性特征和隐性特征，所述元素特征提取模块包括：

特征提取子模块，用于提取所述每个元素的显性特征和隐性特征。

参照图6，示出了本申请的一种业务对象信息的推荐装置实施例的结构框图，具体可以包括如下模块：

第二元素特征提取模块501，用于提取预先获取的、用户针对业务对象的历史行为数据的元素特征；

行为阶段确定模块502，用于依据所述元素特征确定所述用户所处的行为阶段；

信息推荐模块503，用于基于所述行为阶段推荐所述业务对象的相关信息。

可选地，所述第二元素特征提取模块501包括：

发生时间获取子模块，用于获取所述历史行为数据中历史行为的发生时间；

行为序列生成子模块，用于依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

元素特征提取子模块，用于提取所述行为序列中每个元素的元素特征。

可选地，所述行为阶段确定模块502包括：

行为阶段提取子模块，用于将所述元素特征输入预先训练的行为预测模型中提取所述用户的行为阶段。

可选地，所述行为预测模型包括决策树模型和RNN模型，所述元素特征包括显性特征和隐性特征；所述行为阶段提取子模块包括：

第一分值提取单元，用于将所述显性特征输入至所述决策树模型中，提取用户处于每个行为阶段的第一分值；

第二分值提取单元，用于将所述隐性特征输入至所述RNN模型中，提取用户处于每个行为阶段的第二分值；

分值计算单元，用于依据所述第一分值和所述第二分值，计算所述用户处于每个行为阶段的综合分值；

行为阶段确定单元，用于将所述综合分值最大的行为阶段确定为所述用户的当前行为阶段。

可选地，所述行为阶段包括针对所述业务对象的决策期、购买前、购买后、使用前和使用后。

可选地，所述信息推荐模块503包括：

第一业务对象信息获取子模块，用于获取与所述业务对象关联的第一业务对象信息；

第二业务对象信息确定子模块，用于从所述第一业务对象信息中，确定与所述行为阶段关联的第二业务对象信息；

信息推荐子模块，用于向所述用户推荐所述第二业务对象信息。

本申请实施例还提供了一种装置，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述装置执行实施例1和/或实施例2和/或实施例3所述的一个或多个的方法。

本申请实施例还提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行实施例1和/或实施例2和/或实施例3所述的一个或多个的方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种业务对象数据处理方法和一种业务对象数据处理装置，一种业务对象信息的推荐方法和一种业务对象信息的推荐装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (13)

1.一种业务对象数据处理方法，其特征在于，包括：

获取用户针对业务对象的历史行为数据，所述历史行为数据包括历史行为的发生时间；

依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

提取所述行为序列中每个元素的元素特征。

2.如权利要求1所述的方法，其特征在于，所述依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列的步骤包括：

对所述历史行为数据进行清洗处理，得到清洗后的历史行为数据；

对所述清洗后的历史行为数据进行归一化处理，得到归一化后的历史行为数据；

依据所述发生时间和所述归一化后的历史行为数据，生成用户的行为序列。

3.如权利要求2所述的方法，其特征在于，所述清洗处理包括去重、纠错、去除无效值和补充缺少值中的至少一项。

4.如权利要求1所述的方法，其特征在于，所述历史行为数据包括用户的历史地理位置信息和/或用户针对业务对象的历史操作数据。

5.如权利要求1所述的方法，其特征在于，所述元素特征包括显性特征和隐性特征，所述提取所述行为序列中每个元素的元素特征的步骤包括：

提取所述每个元素的显性特征和隐性特征。

6.一种业务对象信息的推荐方法，其特征在于，包括：

提取预先获取的、用户针对业务对象的历史行为数据的元素特征；

依据所述元素特征确定所述用户所处的行为阶段；

基于所述行为阶段推荐所述业务对象的相关信息。

7.如权利要求6所述的推荐方法，其特征在于，所述提取预先获取的、用户针对业务对象的历史行为数据的元素特征的步骤包括：

获取所述历史行为数据中历史行为的发生时间；

依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

提取所述行为序列中每个元素的元素特征。

8.如权利要求6所述的推荐方法，其特征在于，所述依据所述元素特征确定所述用户所处的行为阶段的步骤包括：

将所述元素特征输入预先训练的行为预测模型中提取所述用户的行为阶段。

9.如权利要求8所述的推荐方法，其特征在于，所述行为预测模型包括决策树模型和RNN模型，所述元素特征包括显性特征和隐性特征，所述将所述元素特征输入预先训练的行为预测模型中提取用户的行为阶段的步骤包括：

将所述显性特征输入至所述决策树模型中，提取用户处于每个行为阶段的第一分值；

将所述隐性特征输入至所述RNN模型中，提取用户处于每个行为阶段的第二分值；

依据所述第一分值和所述第二分值，计算所述用户处于每个行为阶段的综合分值；

将所述综合分值最大的行为阶段确定为所述用户的当前行为阶段。

10.如权利要求6-9任一项所述的推荐方法，其特征在于，所述行为阶段包括针对所述业务对象的决策期、购买前、购买后、使用前和使用后。

11.如权利要求6所述的推荐方法，其特征在于，所述基于所述行为阶段推荐所述业务对象的相关信息的步骤包括：

获取与所述业务对象关联的第一业务对象信息；

从所述第一业务对象信息中，确定与所述行为阶段关联的第二业务对象信息；

向所述用户推荐所述第二业务对象信息。

12.一种业务对象数据处理装置，其特征在于，包括：

行为数据获取模块，用于获取用户针对业务对象的历史行为数据，所述历史行为数据包括历史行为的发生时间；

行为序列生成模块，用于依据所述发生时间，将所述历史行为数据序列化，得到所述用户的行为序列，所述行为序列中包括时间点，所述时间点以及所述时间点上的用户的历史行为数据为所述行为序列的一个元素；

第一元素特征提取模块，用于提取所述行为序列中每个元素的元素特征。

13.一种业务对象信息的推荐装置，其特征在于，包括：

第二元素特征提取模块，用于提取预先获取的、用户针对业务对象的历史行为数据的元素特征；

行为阶段确定模块，用于依据所述元素特征确定所述用户所处的行为阶段；

信息推荐模块，用于基于所述行为阶段推荐所述业务对象的相关信息。