具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本申请一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本申请中,本申请实施例提供了两种用户行为预测方法。本申请同时涉及两种用户行为预测装置,两种计算设备,以及两种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
下述结合附图1,对本申请实施例提供的一种用户行为预测方法进行描述,其中,图1示出了根据本申请一实施例提供的一种用户行为预测方法的流程图,包括步骤102至步骤108。
步骤102:获取用户访问的业务界面的访问数据。
本申请一实施例中所述业务界面可以是业务的广告界面或者业务的开通界面,业务可以是信用业务、视频业务或者音乐业务等;例如,在业务为视频业务的情况下,对应的业务界面可以是视频播放界面或者开通该视频会员的开通界面;其中,所述访问数据为用户访问业务界面的数据,可以包括访问次数、每次访问时长和访问所述业务界面的点击率等数据。
此处,将以所述业务界面为开通信用界面为例,对本申请提供的用户行为预测方法进行描述;基于此,承载开通信用界面的服务平台为了使得信用服务得到广泛的应用,需要对信用服务进行有效的推广,在推广的过程中为了保证推广的有效性即被推荐信用服务的用户开通信用服务的概率较高,需要对潜在的用户进行挖掘,将挖掘出的潜在用户作为待推荐用户,待推荐用户开通信用服务的概率是较高的,即可提高推广信用服务的有效性。
本申请提供的用户行为预测方法,为了能够提高挖掘潜在用户的准确率,从而达到推广信用服务的有效性,通过获取用户访问信用服务的开通界面的访问数据,根据访问数据中包含的内容确定用户的访问路径,通过对访问路径进行分析,在信用服务的开通界面的历史记录中查找到与用户的访问路径相似的历史访问路径,再通过所述历史访问路径确定历史用户在信用服务界面的开通行为,进而可以判断出所述用户可能开通信用服务的开通概率,实现了对用户在信用服务的开通界面开通信用服务的可能性进行了预测,保证了在后续的推广信用服务的过程中,可以实现对信用服务的有效推广,促进了信用服务的良好发展。
本实施例的一个或多个实施方式中,获取所述访问数据可以从业务界面的日志文件中获取,具体实现方式如下所述:
获取所述业务界面的日志文件;
在所述日志文件中提取所述用户访问所述业务界面的所述访问数据。
具体的,获取所述业务界面的日志文件,同时确定所述用户的IP(InternetProtocol Address,互联网协议地址)地址,根据所述用户的IP地址在日志文件中查找与所述IP地址相匹配的访问数据,在确定与IP地址相匹配的访问数据的情况下对所述访问数据进行提取,确定所述用户访问所述业务界面的访问数据。
除此之外,还可以获取所述用户的浏览所述业务界面所使用的浏览器的浏览历史,通过浏览历史中的浏览记录确定所述用户访问所述业务界面的访问数据。
步骤104:根据所述访问数据确定所述用户的访问路径。
具体的,上述获取所述用户访问所述业务界面的访问数据的基础上,进一步的,根据所述访问数据确定所述用户的访问路径,所述访问路径为所述用户在所述业务界面中浏览记录,可以理解为用户访问所述业务界面中的分区业务,并在分区业务中通过点击后跳转到业务界面的更深层界面,该过程可以理解为用户在所述业务界面的访问路径。
基于此,所述用户的访问路径可以是多条路径,例如,业务界面为界面A,其中,界面A中包括能够跳转到其他页面的控件1、控件2和控件3,并且控件1对应界面B,控件2对应界面C,控件3对应界面D,用户在访问业务界面对应的业务的情况下,产生了三条访问路径,第一条访问路径为界面A到界面B,第二条访问路径为界面A到界面C,第三条访问路径为界面A到界面D。
除此之外,还可以根据时间确定用户的访问路径,仍以上述业务界面为界面A为例,对此进行描述,统计用户三天的总访问路径,界面A中包括能够跳转到其他页面的控件1、控件2和控件3,并且控件1对应界面B,控件2对应界面C,控件3对应界面D,通过业务界面的日志文件确定用户第一天对应的访问路径为界面A至界面C,再到界面D,第二天对应的访问路径为界面A至界面B,再到界面D,第三天对应的访问路径为A至界面B,再到界面C。
在上述获取所述访问数据的基础上,进一步的,本实施例的一个或多个实施方式中,可以根据所述访问数据确定所述用户的基准预测行为,具体实现方式如下所述:
根据所述访问数据确定所述用户的属性类别;
基于所述用户的属性类别计算所述业务界面的曝光率;
将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为。
具体的,根据所述访问数据确定所述用户的属性类别,所述用户的属性类别包括理性用户类别和非理性用户类别,其中,所述理性用户类别具体是指对所述业务界面对应的业务感兴趣,并且对业务界面对应的业务的描述内容较为满意并且持续浏览所述业务界面的用户,所述非理性用户具体是指对所述业务界面对应的业务感兴趣,但是对业务界面对应的业务的描述内容不够满意并且持续浏览所述业务界面的用户;在确定所述用户的属性类别的情况下,根据所述用户的属性类别计算所述业务界面的曝光率,不同的属性类别对应的计算所述业务界面的曝光率方式不同。
基于此,确定所述业务界面的曝光率,并将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为,其中所述业务界面的曝光率具体是指用户在浏览的过程中,所述业务界面被浏览的概率称之为所述曝光率,所述基准预测行为具体是指预测出的用户未来能否再次访问业务界面的行为,其中基准预测行为中包括用户可能再次访问业务界面,并开通业务界面对应的业务,以及用户可能不再访问业务界面两种预测行为。
具体实施时,在确定所述基准预测行为后,将会将所述基准预测行为作为衡量所述用户的预测行为标准,以此来提高预测所述用户预测行为的准确率。
在上述确定所述属性类别包括理性用户类别和非理性用户类别的基础上,进一步的,本实施例的一个或多个实施方式中,所述基于所述用户的属性类别计算所述业务界面的曝光率,具体实现方式如下所述:
在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
具体的,在所述用户的属性类别为理性用户类别的情况下,根据所述理性用户类别计算所述业务界面的曝光率,再将根据所述理性用户类别计算出的曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为;
在所述用户的属性类别为非理性用户类别的情况下,根据所述非理性用户类别计算所述业务界面的曝光率,再将根据所述非理性用户类别计算出的曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为。
基于此,因为所述理性用户计算所述业务界面的曝光率和所述非理性用户计算所述业务界面的曝光率计算方法不同,可以有效的保证在确定所述基准预测行为的过程中所述基准预测行为的准确度较高,进而能够实现作为所述用户的预测行为的衡量标准。
在上述确定所述用户的属性类别为理性用户类别的基础上,进一步的,本实施例的一个或多个实施方式中,根据所述用户类别属于理性用户类别的情况下,计算所述业务界面的曝光率,具体实现方式如下所述:
获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
将所述点击率与预设点击率阈值进行比较;
在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率;
在所述点击率小于等于所述预设点击率阈值的情况下,所述业务界面的曝光率为零。
具体的,获取所述业务界面对应业务的业务推广界面的曝光率,所述业务推广界面具体是指所述业务的广告界面,根据对所述广告界面的投放量以及曝光量确定所述业务推广界面的曝光率,例如,通过某网站主页投放所述业务推广广告,该网站的访问用户有100万人,实际查看到业务推广广告对应的业务推广界面的用户有90万人,则该业务推广界面的曝光率为90%;
获取所述理性用户对所述业务推广界面的推广兴趣概率,所述业务推广界面的推广兴趣概率具体是指用户访问所述业务推广界面的时长占用户访问总时长的概率即可确定为所述推广兴趣概率,例如,业务推广界面位于某网站中一个分区位置,用户访问该网站时长为100分钟,在业务推广界面对应的分区位置停留时间为10分钟,则可以确定用户的推广兴趣概率为10%;
其中,所述业务推广界面的曝光率和所述推广兴趣概率为相互独立事件,在此基础上,计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,将乘积结果作为所述用户点击所述业务推广界面的点击率;
实际应用中,以上述业务推广界面的曝光率为90%,推广兴趣概率为10%为例,对计算用户的点击率进行描述,通过计算90%*10%=9%,可以确定用户点击该业务推广界面的概率为9%,点击率较低。
在获取所述推广兴趣概率和所述业务推广界面的曝光率的同时,获取所述理性用户对所述业务界面的第一业务兴趣概率,所述第一业务兴趣概率具体是指用户访问所述业务界面的访问次数占用户设定时间段内访问总次数的比例即可确定为所述第一业务兴趣概率,例如,在一天当中,用户通过浏览器访问与业务界面对应的业务相类似的界面总次数为100次,其中访问业务界面的次数为50次,确定用户对业务界面的第一业务兴趣概率为50%;
在此基础上,确定用户点击所述业务推广界面的点击率以及用户对业务界面的第一业务兴趣概率的情况下,将所述点击率和预测点击率阈值进行比较,在所述点击率大于所述预设点击率阈值的情况下,说明所述用户对所述业务推广界面推广的业务可能感兴趣,则基于所述第一业务兴趣概率和所述业务推广界面的曝光率计算二者的乘积,作为所述业务界面的曝光率;
在所述点击率小于所述预设点击率阈值的情况下,说明所述用户对所述业务推广界面推广的业务不感兴趣,并没有进入所述业务界面,则所述业务界面的曝光率为零。
例如,用户点击信用服务对应的广告界面的点击率为80%,在此情况下,在预设点击率阈值为50%时,80%大于50%,说明用户对信用服务较为感兴趣,获取的用户对信用服务兴趣概率为90%,信用服务对应的广告界面的曝光率为80%,则信用服务对应的信用服务界面的曝光率为90%*80%=72%;在预设点击率阈值为85%时,80%小于85%,说明用户对信用服务不感兴趣,则信用服务对应的信用服务界面的曝光率为0%。
通过计算用户点击所述业务推广界面的概率,并将所述点击率和预设点击率阈值进行比较,可以进一步的确定用户对所述业务界面的感兴趣率,进而可以确定的所述业务界面的曝光率,实现了能够更准确的确定在所述用户为理性用户的情况下所述基准预测行为的准确度。
在上述确定所述用户的属性类别为理性用户类别的基础上,进一步的,本实施例的一个或多个实施方式中,根据所述用户类别属于非理性用户类别的情况下,计算所述业务界面的曝光率,具体实现方式如下所述:
获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
具体的,所述非理性用户具体是指对业务界面兴趣度不高但是对业务界面对应的业务有一定需求的用户;获取所述非理性用户在12小时内或者24小时内等设定时间段内浏览所述业务界面的浏览次数,以及所述非理性用户在对应的12小时内或者24小时内等设定时间段内通过浏览器浏览与业务界面对应业务相类似的业务的总浏览次数,在此情况下,通过计算所述业务界面的浏览次数和所述总浏览次数确定所述非理性用户对选择业务界面对应业务的概率,将此概率确定用所述非理性用户的第二业务兴趣概率;
同时,获取所述非理性用户在所述业务界面的浏览时长,以及通过所述浏览时长和所述非理性用户浏览所述业务界面的浏览内容占比计算所述非理性用户关闭所述业务界面的关闭速率,再通过计算所述浏览时间与所述关闭速率确定所述非理性用户对所述业务界面的概率,将此概率确定为第三业务兴趣概率;
基于此,在将所述第二业务兴趣概率和所述第三业务兴趣概率与预设概率阈值进行比较的过程中,所述预设概率阈值用于衡量所述非理性用户对所述业务界面的感兴趣程度,以此为衡量界面,在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,说明用户虽然对所述业务界面满意程度不高,但是对所述业务界面对应的业务需求较高,并且在用户浏览所述业务界面的过程中所浏览的时间也是较长的,则可以通过计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,作为所述业务界面的曝光率。
在上述将所述第二业务兴趣概率和所述第三业务兴趣概率与所述预设概率阈值进行比较之后,进一步的,本实施例的一个或多个实施方式中,在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,可以执行如下步骤:
在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
具体的,在上述将所述第二业务兴趣概率以及所述第三业务兴趣概率与所述预设概率阈值进行比较之后,进一步的,在所述第二业务兴趣概率和所述第三业务兴趣概率均小于预设概率阈值的情况下,说明所述非理性用户不仅对所述业务界面不是很满意,并且可能因为对所述业务界面不满意从而可能影响所述非理性用户对所述业务界面对应的业务也不是很满意,导致所述非理性用户浏览所述业务界面占总浏览时长较低;
在此情况下,承载所述业务界面的服务平台为了不丢失客户,可以采用迭代算法计算所述非理性用户在所述业务界面的调整第二业务兴趣概率和调整第三业务兴趣概率,即可理解为可以计算在一个月内每天的所述非理性用户的第二业务兴趣概率和第三业务兴趣概率,再取一个月内第二业务兴趣概率的平均值,和取第三业务兴趣概率的平均值作为所述调整第二业务兴趣概率和所述调整第三业务兴趣概率;再计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积作为所述业务界面的曝光率。
具体实施时,所述迭代算法具体是指不断用变量的旧值递推新值的过程,在本实施例中可以理解为通过不断计算第二业务兴趣概率和第三业务兴趣概率,再取平均值,可以得到最优的第二业务兴趣概率和第三业务兴趣概率,即调整第二业务兴趣概率和调整第三业务兴趣概率。
除此之外,在所述第二业务兴趣概率或者第三业务兴趣概率中存在一个兴趣概率小于预设概率阈值的情况下,可以只对小于预设概率阈值的业务兴趣概率进行迭代计算,计算设定时间段内的平均值作为调整业务兴趣概率,可以确定调整业务兴趣概率与未迭代的业务兴趣概率的边缘分布,可以以此来确定非理性用户对所述业务界面的满意程度,再与未迭代的业务兴趣概率进行乘积作为所述业务界面的曝光率。
例如,非理性用户浏览在一天内的浏览总时长为100分钟,浏览信用服务界面的时长为80分钟,总浏览此时为100次,浏览信用服务界面的次数为90次,可以确定非理性用户的第二业务兴趣概率为90%,第三业务兴趣概率为80%,在预设概率阈值为70%的情况下,第二业务兴趣概率90%和第三业务兴趣概率80%均大于预设概率阈值70%,则信用服务界面的曝光率为90%*80%=72%,在预设概率阈值为95%的情况下,第二业务兴趣概率90%和第三业务兴趣概率80%均小于预设概率阈值95%,通过迭代算法确定调整第二业务兴趣概率为91%,调整第三业务兴趣概率为87%,则信用服务界面的曝光率为91%*87%=79.1%。
在计算所述业务界面的曝光率的过程中,可以根据用户的属性类别进行计算,在所述用户为理性用户的情况下,说明用户对所述业务界面较为满意并且对所述业务界面对应的业务也是较为满意的,在此基础上,根据理性用户浏览业务界面的行为计算业务界面的曝光率,有助于在后续对所述用户的预测行为进行预测的过程中,提高预测准确度;在所述用户为非理性用户的情况下,说明用户对所述业务界面不是很满意并且对所述业务界面对应的业务较为满意,在此基础上,承载所述业务界面的平台为了不丢失客户,可以通过采用迭代算法的方式计算非理性用户的兴趣概率,从而确定为业务界面的曝光率,实现了可以深度的挖掘潜在用户,避免了客户的丢失,可以使得业务界面对应的业务得到最广泛的推广。
步骤106:选择历史路径集群中与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径,并查询所述历史访问路径对应的历史用户在所述业务界面的行为数据。
具体的,在上述确定所述用户的访问路径的基础上,进一步的,计算所述历史路径集群中与所述用户的访问路径的路径拟合度和路径相似度,之后选择路径拟合度以及路径相似度最高的历史访问路径,并查询所述历史访问路径对应的历史用户在所述业务界面的行为数据,其中,所述历史访问路径集群具体是指已经确定用户行为数据的集群,可以理解为用于预测所述用户预测行为的衡量标准;
此处,所述路径集群中包含已经明确访问路径并且在所述业务界面的行为均以完成的用户,例如,已经明确在业务界面中历史用户A的访问路径为访问业务界面对应的子界面A和子界面B,并且历史用户A已经在业务界面参与对应业务,则历史用户A即可确定为历史路径集群中的一员,对应的行为数据为加入业务界面对应的业务。
在上述选择路径拟合度以及路径相似度最高的历史访问路径的基础上,进一步的,本实施例的一个或多个实施方式中,选择所述路径拟合度以及所述路径相似度最高的历史访问路径的具体实现方式如下所述:
计算所述访问路径与所述历史路径集群中包含的每个历史访问路径的路径拟合度以及路径相似度;
将所述历史路径集群中包含的每个历史访问路径与所述访问路径的路径拟合度以及路径相似度按照从大到小的顺序进行排列,获得路径拟合度列表以及路径相似度列表;
通过查询所述路径拟合度列表以及所述路径相似度列表确定每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号;
计算所述每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号的平均值,选择所述平均值最大的历史访问路径作为与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径。
具体的,确定所述历史路径集群中包含的历史访问路径,计算所述历史路径集群中包含的历史访问路径与所述用户的访问路径的路径拟合度以及路径相似度,所述路径拟合度具体是指每条历史访问路径与用户的访问路径中存在相同访问路径的重合度称之为所述路径拟合度,所述路径相似度具体是指条历史访问路径的浏览时长、浏览次数、浏览路径顺序等更多维度的浏览行为与用户访问路径的相似度称之为所述路径相似度;基于此,将计算出的路径拟合度和路径相似度按照从大到小的顺序进行排列,获得路径拟合度列表以及路径相似度列表;其中所述路径拟合度列表和所述路径相似度列表中包含排列顺序、排列序号以及每个历史访问路径标识;
每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表中均存在对应的排列序号,通过将所述每个历史访问路径的排列序号取平均值,选择出每个历史访问路径与所述用户的访问路径的路径相似度和路径拟合度最高的历史访问路径。
例如,历史路径集群中存在100个历史访问路径,用户在访问信用服务界面的访问路径为子界面A到子界面B再到子界面C,通过计算用户的访问路径和历史路径集群中存在的100个历史访问路径的路径相似度和路径拟合度,确定路径拟合度列表如表1所示,路径相似度列表如表2所示:
表1
表2
通过计算历史访问路径1的排列序号平均值确定历史访问路径1的排列序号平均值为1.5,计算历史访问路径2的排列序号平均值确定历史访问路径2的排列序号平均值为2.5,计算历史访问路径3的排列序号平均值确定历史访问路径3的排列序号平均值为2,可以确定与用户在访问信用服务界面的访问路径子界面A到子界面B再到子界面C相似度和拟合度最高的历史访问路径为历史访问路径1,通过查询历史访问路径1对应的历史用户1在信用服务界面的行为数据,确定历史用户1在信用服务界面的具体行为情况。
通过选择与用户的访问路径的路径拟合度以及路径相似度最高的历史访问路径,并确定路径拟合度以及路径相似度最高的历史访问路径的历史用户在所述业务界面的行为数据,可以在后续的过程中更精准的预测所述用户的预测行为。
步骤108:基于所述行为数据预测所述用户在所述业务界面的预测行为。
具体的,在上述确定所述路径相似度以及所述路径拟合度最高的历史访问路径对应的历史用户的行为数据的基础上,进一步的,根据所述行为数据预测所述用户在所述业务界面的预测行为,其中,所述行为数据具体是指历史用户在所述业务界面对所述业务界面对应的业务开通情况,通过所述历史用户的行为数据进而可以判断出用户在所述业务界面对业务的开通情况,从而实现确定用户是否为可以进行推广业务的用户。
在上述预测所述用户的预测行为的基础上,进一步的,本实施例的一个或多个实施方式中,可以进一步判断所述预测行为的准确性,具体实现方式如下所述:
判断所述基准预测行为与所述预测行为是否一致;
若是,根据所述用户的预测行为将所述用户确定为所述业务界面对应业务的待推荐用户;
若否,选择所述历史路径集群中与所述访问路径的路径拟合度以及路径相似度低于最高的历史访问路径的次历史访问路径,并查询所述次历史访问路径对应的次历史用户在所述业务界面的次行为数据;
基于所述次行为数据预测所述用户在所述业务界面的次预测行为。
具体的,确定所述用户的预测行为,通过判断所述基准预测行为与所述预测行为是否一致,若是,说明所述预测行为的预测准确度较高,可以根据所述预测行为将所述用户确定为所述业务界面对应业务的待推荐用户,所述待推荐用户具体是指可以为用户推荐所述业务界面对应业务的用户;若否,说明所述预测行为的预测准确度较低,可以选择与所述访问路径的路径拟合度以及路径相似度低于最高的历史访问路径的次历史访问路径,并查询所述次历史访问路径对应的次历史用户在所述业务界面的次行为数据,基于所述次行为数据预测所述用户在所述业务界面的次预测行为;
在此基础上,若所述次预测行为与所述基准预测行为还不一致,以此类推,可以再次选择顺序排序第三的历史访问路径,确定所述用户的预测行为。
在上述预测所述用户预测行为的基础上,进一步的,本实施例的一个或多个实施方式中,可以根据所述访问路径确定所述预测行为的置信度,具体实现方式如下所述:
根据所述访问数据确定所述访问路径的路径数目;
基于所述路径数目计算所述用户在所述业务界面的预测行为的置信度。
具体的,根据所述用户在所述业务界面内的访问数据确定所述用户的访问路径的路径数目,基于所述访问路径的路径数目计算所述用户在所述业务界面的预测行为置信度,具体可以理解为通过所述路径数目确定所述预测行为的精准度,所述置信度用于衡量所述预测行为的可信程度。
例如,用户在一个月内访问信用服务界面所产生的路径数目分别为3条、4条和5条,并且3条路径数目对应的置信度为75%,4条路径数目对应的置信度为83%,5条路径数目对应的置信度为95%以上,确定用户的访问路径的路径数目为7条,并且用户在信用服务界面开通信用服务的预测行为为开通,则可以确定用户开通信用服务的置信度为95%以上。
本申请提供的一种用户行为预测方法,通过获取用户访问业务界面的访问数据,根据访问数据中包含的内容确定用户的访问路径,通过对访问路径进行分析,在业务界面的历史记录中查找到与用户的访问路径相似的历史访问路径,再通过所述历史访问路径确定历史用户在业务界面的开通行为,进而可以判断出所述用户可能开通业务界面对应业务的开通概率,实现了对用户在业务界面开通业务的可能性进行了预测,保证了在后续的推广业务界面对应业务的过程中,可以实现对业务界面对应业务的有效推广,促进了业务界面对应业务的良好发展。
下述结合附图2,对本申请实施例提供的第二种用户行为预测方法进行描述,其中,图2示出了根据本申请一实施例提供的第二种用户行为预测方法的流程图,包括步骤202至步骤208。
步骤202:获取用户访问的业务界面的访问数据。
本实施例提供的第二种用户行为预测方法中的所述业务界面以及所述访问数据均与上述本申请提供的一种用户行为预测方法中的描述内容一致,在此不在赘述。
基于此,为了能够提高挖掘潜在用户的准确率,从而达到所述业务界面对应的业务的推广有效性,通过获取的所述访问数据确定所述用户的属性类别,基于不同的用户的属性类别采用不同的计算方式计算所述业务界面的曝光率,实现了可以针对不同种类的用户计算所述业务界面的曝光率,使得无论用户对所述业务界面满不满意均可以预测用户的预测行为,实现了可以有效的挖掘潜在的用户,使得所述业务界面对应的业务得到最有效的推广。
步骤204:根据所述访问数据确定所述用户的属性类别。
具体的,上述获取所述访问数据的基础上,进一步的,根据所述访问数据确定所述用户的属性类别,所述用户的属性类别包括理性用户类别和非理性用户类别,其中,所述理性用户类别具体是指对所述业务界面对应的业务感兴趣,并且对业务界面对应的业务的描述内容较为满意并且持续浏览所述业务界面的用户,所述非理性用户具体是指对所述业务界面对应的业务感兴趣,但是对业务界面对应的业务的描述内容不够满意并且持续浏览所述业务界面的用户。
步骤206:基于所述用户的属性类别计算所述业务界面的曝光率。
具体的,上述确定所述用户的属性类别的基础上,进一步的,在确定所述用户的属性类别的情况下,根据所述用户的属性类别计算所述业务界面的曝光率,不同的属性类别对应的计算所述业务界面的曝光率方式不同。
基于此,确定所述业务界面的曝光率,并将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为,其中所述业务界面的曝光率具体是指用户在浏览的过程中,所述业务界面被浏览的概率称之为所述曝光率。
在上述确所述属性类别包括理性用户类别和非理性用户类别的基础上,进一步的,本实施例的一个或多个实施方式中,所述基于所述用户的属性类别计算所述业务界面的曝光率,具体实现方式如下所述:
在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
具体的,在所述用户的属性类别为理性用户类别的情况下,根据所述理性用户类别计算所述业务界面的曝光率,再将根据所述理性用户类别计算出的曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为;
在所述用户的属性类别为非理性用户类别的情况下,根据所述非理性用户类别计算所述业务界面的曝光率,再将根据所述非理性用户类别计算出的曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为。
基于此,因为所述理性用户计算所述业务界面的曝光率和所述非理性用户计算所述业务界面的曝光率计算方法不同,可以有效的保证在确定所述预测行为的过程中所述预测行为的准确度较高。
在上述确定所述用户的属性类别为理性用户类别的基础上,进一步的,本实施例的一个或多个实施方式中,根据所述用户类别属于理性用户类别的情况下,计算所述业务界面的曝光率,具体实现方式如下所述:
获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
将所述点击率与预设点击率阈值进行比较;
在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
在所述点击率小于等于所述预设点击率阈值的情况下,所述业务界面的曝光率为零。
具体的,获取所述业务界面对应业务的业务推广界面的曝光率,所述业务推广界面具体是指所述业务的广告界面,根据对所述广告界面的投放量以及曝光量确定所述业务推广界面的曝光率,计算业务推广界面的曝光率可以参见上述一种用户行为预测方法的实施例的具体描述内容,本申请在此不在赘述。
获取所述理性用户对所述业务推广界面的推广兴趣概率,所述业务推广界面的推广兴趣概率具体是指用户访问所述业务推广界面的时长占用户访问总时长的概率即可确定为所述推广兴趣概率,其中,所述业务推广界面的曝光率和所述推广兴趣概率为相互独立事件,在此基础上,计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,将乘积结果作为所述用户点击所述业务推广界面的点击率;
在获取所述推广兴趣概率和所述业务推广界面的曝光率的同时,获取所述理性用户对所述业务界面的第一业务兴趣概率,所述第一业务兴趣概率具体是指用户访问所述业务界面的访问次数占用户设定时间段内访问总次数的比例即可确定为所述第一业务兴趣概率;
在此基础上,确定用户点击所述业务推广界面的点击率以及用户对业务界面的第一业务兴趣概率的情况下,将所述点击率和预测点击率阈值进行比较,在所述点击率大于所述预设点击率阈值的情况下,说明所述用户对所述业务推广界面推广的业务可能感兴趣,则基于所述第一业务兴趣概率和所述业务推广界面的曝光率计算二者的乘积,作为所述业务界面的曝光率;
在所述点击率小于所述预设点击率阈值的情况下,说明所述用户对所述业务推广界面推广的业务不感兴趣,并没有进入所述业务界面,则所述业务界面的曝光率为零。
通过计算用户点击所述业务推广界面的概率,并将所述点击率和预设点击率阈值进行比较,可以进一步的确定用户对所述业务界面的感兴趣率,进而可以确定的所述业务界面的曝光率,实现了能够更准确的确定在所述用户为理性用户的情况下所述预测行为的准确度。
在上述确定所述用户的属性类别为理性用户类别的基础上,进一步的,本实施例的一个或多个实施方式中,根据所述用户类别属于非理性用户类别的情况下,计算所述业务界面的曝光率,具体实现方式如下所述:
获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
具体的,所述非理性用户具体是指对业务界面兴趣度不高但是对业务界面对应的业务有一定需求的用户;获取所述非理性用户在12小时内或者24小时内等设定时间段内浏览所述业务界面的浏览次数,以及所述非理性用户在对应的12小时内或者24小时内等设定时间段内通过浏览器浏览与业务界面对应业务相类似的业务的总浏览次数,在此情况下,通过计算所述业务界面的浏览次数和所述总浏览次数确定所述非理性用户对选择业务界面对应业务的概率,将此概率确定用所述非理性用户的第二业务兴趣概率;
同时,获取所述非理性用户在所述业务界面的浏览时长,以及通过所述浏览时长和所述非理性用户浏览所述业务界面的浏览内容占比计算所述非理性用户关闭所述业务界面的关闭速率,再通过计算所述浏览时间与所述关闭速率确定所述非理性用户对所述业务界面的概率,将此概率确定为第三业务兴趣概率;
基于此,在将所述第二业务兴趣概率和所述第三业务兴趣概率与预设概率阈值进行比较的过程中,所述预设概率阈值用于衡量所述非理性用户对所述业务界面的感兴趣程度,以此为衡量界面,在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,说明用户虽然对所述业务界面满意程度不高,但是对所述业务界面对应的业务需求较高,并且在用户浏览所述业务界面的过程中所浏览的时间也是较长的,则可以通过计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,作为所述业务界面的曝光率。
在上述将所述第二业务兴趣概率和所述第三业务兴趣概率与所述预设概率阈值进行比较之后,进一步的,本实施例的一个或多个实施方式中,在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,可以执行如下步骤:
在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
具体的,在上述将所述第二业务兴趣概率以及所述第三业务兴趣概率与所述预设概率阈值进行比较之后,进一步的,在所述第二业务兴趣概率和所述第三业务兴趣概率均小于预设概率阈值的情况下,说明所述非理性用户不仅对所述业务界面不是很满意,并且可能因为对所述业务界面不满意从而可能影响所述非理性用户对所述业务界面对应的业务也不是很满意,导致所述非理性用户浏览所述业务界面占总浏览时长较低;
在此情况下,承载所述业务界面的服务平台为了不丢失客户,可以采用迭代算法计算所述非理性用户在所述业务界面的调整第二业务兴趣概率和调整第三业务兴趣概率,即可理解为可以计算在一个月内每天的所述非理性用户的第二业务兴趣概率和第三业务兴趣概率,再取一个月内第二业务兴趣概率的平均值,和取第三业务兴趣概率的平均值作为所述调整第二业务兴趣概率和所述调整第三业务兴趣概率;再计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积作为所述业务界面的曝光率。
具体实施时,所述迭代算法具体是指不断用变量的旧值递推新值的过程,在本实施例中可以理解为通过不断计算第二业务兴趣概率和第三业务兴趣概率,再取平均值,可以得到最优的第二业务兴趣概率和第三业务兴趣概率,即调整第二业务兴趣概率和调整第三业务兴趣概率。
在计算所述业务界面的曝光率的过程中,可以根据用户的属性类别进行计算,在所述用户为理性用户的情况下,说明用户对所述业务界面较为满意并且对所述业务界面对应的业务也是较为满意的,在此基础上,根据理性用户浏览业务界面的行为计算业务界面的曝光率,有助于在后续对所述用户的预测行为进行预测的过程中,提高预测准确度;在所述用户为非理性用户的情况下,说明用户对所述业务界面不是很满意并且对所述业务界面对应的业务较为满意,在此基础上,承载所述业务界面的平台为了不丢失客户可以通过采用迭代算法的方式计算非理性用户的兴趣概率,从而确定为业务界面的曝光率,实现了可以深度的挖掘潜在用户,避免了客户的丢失,可以使得业务界面对应的业务得到最广泛的推广。
步骤208:将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为。
具体的,在上述确定所述业务界面曝光率的基础上,进一步的,将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务员界面的预测行为,其中所述曝光率阈值可以根据实际应用场景进行设定本申请在此作任何限定。
具体实施时,再将所述曝光率与所述预设曝光率阈值进行比较的过程中,若所述曝光率大于所述预设曝光率阈值,说明用户比较满意所述业务界面对应的业务,可以将该用户确定为所述业务界面对应业务的待推荐用户;若所述曝光率小于等于所述预设曝光率阈值,说明用户对所述业务界面不是特别满意,则在未来推广所述业务界面对应的业务过程中可以不向该用户进行推广。
本申请提供的第二种用户行为预测方法中优选的具体实施方式均可参见上述一种用户行为预测方法中的描述内容,本实施例在此不做过多赘述。
本申请提供的第二种用户行为预测方法,通过获取的所述访问数据确定所述用户的属性类别,基于不同的用户的属性类别采用不同的计算方式计算所述业务界面的曝光率,实现了可以针对不同种类的用户计算所述业务界面的曝光率,使得无论用户对所述业务界面满意或不满意均可以预测用户的预测行为,实现了可以有效的挖掘潜在的用户,使得所述业务界面对应的业务得到最有效的推广。
除上述两种用户行为预测方法之外,还可以将所述第一种用户行为预测方法所得到的预测行为作为基准预测行为,将第二种用户行为预测方法所得到的预测行为作为用户可进行调整的预测行为,在此情况下,依然可以实现对所述用户的行为进行预测,实现准确的预测所述用户的预测行为,高效的挖掘潜在的用户,使得业务界面对应的业务得到最有效的推广。
下述结合附图3,以本申请提供的用户行为预测方法在信用服务的行为预测的应用为例,对所述用户行为预测方法进行进一步说明。其中,图3示出了本申请一实施例提供的一种用户行为预测过程的处理流程图,具体步骤包括步骤302至步骤318。
步骤302:获取用户U访问信用服务界面的访问数据。
具体的,承载信用服务界面的服务平台为了使得该平台的信用服务业务得到广泛的应用,现需要对信用服务进行推广,在此过程中,为了节省推广信用服务所产生的费用,并且达到最有效的推广方式,需要对大量的用户进行行为预测,预测大量的用户是否为潜在用户,即未来可能开通信用服务的用户;
基于此,在预测用户U的预测行为的过程中,获取用户U访问信用服务对应的信用服务界面的访问数据。
步骤304:根据信用服务界面的访问数据确定用户U的访问路径。
具体的,通过信用服务界面对应的日志文件以及用户U对应的IP地址,在日志文件中提取用户U的访问路径为:信用服务子界面A到信用服务子界面B再到信用服务子界面C。
步骤306:计算用户U的访问路径与历史路径集群中包含的历史访问路径的路径拟合度和路径相似度。
具体的,历史路径集群中包含的历史访问路径是已经完成在信用服务界面开通信用服务的历史用户对应的访问路径;
基于此,将用户U的访问路径和历史用户对应的访问路径进行计算路径拟合度和路径相似度。
步骤308:将计算得到的路径拟合度和路径相似度按照从大到小的顺序进行排列,获得路径拟合度列表和路径相似度列表。
具体的,路径拟合度列表和路径相似度列表中包含历史用户的历史访问路径标识,历史访问路径的排列序号以及拟合度百分比数值和相似度百分比数值;
基于此,在计算用户U的访问路径和历史访问路径的路径拟合度的过程中,将计算的拟合度结果按照从大到小的顺序进行排列,并生成路径拟合度列表;在计算用户U的访问路径和历史访问路径的路径相似度的过程中,将计算的相似度结果按照从大到小的顺序进行排列,并生成路径相似度列表。
步骤310:查询路径拟合度列表和路径相似度列表中每名历史用户的访问路径的排列序号并取平均值。
具体的,在确定路径拟合度列表和路径相似度列表的情况下,在路径拟合度列表中以及路径相似度列表中查询每名历史用户的访问路径与用户U的访问路径的拟合度排列序号和相似度排列序号;
基于此,将拟合度排列序号和相似度排列序号相加并取平均值。
步骤312:选择平均值最大的历史访问路径作为与用户U的路径拟合度以及路径相似度最高的历史访问路径。
具体的,通过将拟合度排列序号和相似度排列序号相加并取平均值,并确定每个平均值的大小,从中选择欧英均值最大的历史访问路径作为与用户U的路径拟合度和路径相似度最高的历史访问路径。
步骤314:确定路径拟合度以及路径相似度最高的历史访问路径对应历史用户的行为数据。
具体的,在确定路径拟合度以及路径相似度最高的历史访问路径的情况下,确定该历史访问路径的历史用户的行为数据,该行为数据具体是指历史用户是否已经开通信用服务。
步骤316:根据历史用户的行为数据预测用户U的预测行为。
具体的,因历史用户的历史访问路径与用户U的访问路径无论是在路径拟合度还是在路径相似度上都是比较高的,可以预测用户U的行为可能与历史用户的行为相类似,以此可以通过历史用户的行为数据对用户U的行为进行预测,预测用户U是否为高潜在用户,进而可以选择是否对用户U推广信用服务的推广信息。
步骤318:根据用户U的访问数据中包含的访问路径数目确定用户U预测行为的置信度。
具体的,根据用户U的访问路径的路径数目可以实现进一步判断用户U预测行为的可行程度,即预测行为的置信度。
本申请提供的用户行为预测方法,通过获取用户访问的信用服务界面的访问数据,根据访问数据确定用户的访问路径,选择历史路径集群中与访问路径的路径拟合度以及路径相似度最高的历史访问路径,并查询历史访问路径对应的历史用户在所述信用服务界面的行为数据;基于行为数据预测用户在信用服务界面的预测行为,保证了预测用户的预测行为的准确性,在此基础上,实现了在预测出用户的预测行为是对信用服务界面对应的信用服务感兴趣的情况下,可以准确的对用户推送信用服务界面对应的业务,避免对用户产生打扰,并且使得信用服务可以得到最有效的推广,促进的信用服务的发展。
与上述一种用户行为预测方法实施例相对应,本申请还提供了一种用户行为预测装置实施例,图4示出了本申请一实施例提供的一种用户行为预测装置的结构示意图。如图4所示,该装置包括:
获取访问数据模块402,被配置为获取用户访问的业务界面的访问数据;
确定访问路径模块404,被配置为根据所述访问数据确定所述用户的访问路径;
查询行为数据模块406,被配置为选择历史路径集群中与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径,并查询所述历史访问路径对应的历史用户在所述业务界面的行为数据;
预测用户预测行为模块408,被配置为基于所述行为数据预测所述用户在所述业务界面的预测行为。
一个可选的实施例中,所述用户行为预测装置,还包括:
确定属性类别模块,被配置为根据所述访问数据确定所述用户的属性类别;
计算曝光率模块,被配置为基于所述用户的属性类别计算所述业务界面的曝光率;
预测基准预测行为模块,被配置为将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为。
一个可选的实施例中,所述用户行为预测装置,还包括:
判断模块,被配置为判断所述基准预测行为与所述预测行为是否一致;
若是,运行确定待推荐用户模块;
所述确定待推荐用户模块,被配置为根据所述用户的预测行为将所述用户确定为所述业务界面对应业务的待推荐用户;
若否,运行查询次行为数据模块;
所述查询次行为数据模块,被配置为选择所述历史路径集群中与所述访问路径的路径拟合度以及路径相似度低于最高的历史访问路径的次历史访问路径,并查询所述次历史访问路径对应的次历史用户在所述业务界面的次行为数据;
预测用户次预测行为模块,被配置为基于所述次行为数据预测所述用户在所述业务界面的次预测行为。
一个可选的实施例中,所述查询行为数据模块406,包括:
计算拟合度相似度单元,被配置为计算所述访问路径与所述历史路径集群中包含的每个历史访问路径的路径拟合度以及路径相似度;
排列拟合度相似度单元,被配置为将所述历史路径集群中包含的每个历史访问路径与所述访问路径的路径拟合度以及路径相似度按照从大到小的顺序进行排列,获得路径拟合度列表以及路径相似度列表;
确定排列序号单元,被配置为通过查询所述路径拟合度列表以及所述路径相似度列表确定每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号;
计算平均值单元,被配置为计算所述每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号的平均值,选择所述平均值最大的历史访问路径作为与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径。
一个可选的实施例中,所述用户行为预测装置,还包括:
确定路径数目模块,被配置为根据所述访问数据确定所述访问路径的路径数目;
计算置信度模块,被配置为基于所述路径数目计算所述用户在所述业务界面的预测行为的置信度。
一个可选的实施例中,所述获取访问数据模块402,包括:
获取日志文件单元,被配置为获取所述业务界面的日志文件;
提取访问数据单元,被配置为在所述日志文件中提取所述用户访问所述业务界面的所述访问数据。
一个可选的实施例中,所述属性类别包括理性用户类别和非理性用户类别;
相应的,所述计算曝光率模块,包括:
第一计算单元,被配置为在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
第二计算单元,被配置为在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
一个可选的实施例中,所述第一计算单元,包括:
第一获取子模块,被配置为获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算点击率子模块,被配置为计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
第一比较子模块,被配置为将所述点击率与预设点击率阈值进行比较;
第一计算曝光率子模块,被配置为在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
一个可选的实施例中,所述第二计算单元,包括:
第二获取子模块,被配置为获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算子模块,被配置为计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
第二比较子模块,被配置为将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
第二计算曝光率子模块,被配置为在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
一个可选的实施例中,所述第二计算单元,还包括
迭代计算子模块,被配置为在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
第三计算曝光率子模块,被配置为计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
本申请提供的一种用户行为预测装置,通过获取用户访问业务界面的访问数据,根据访问数据中包含的内容确定用户的访问路径,通过对访问路径进行分析,在业务界面的历史记录中查找到与用户的访问路径相似的历史访问路径,再通过所述历史访问路径确定历史用户在业务界面的开通行为,进而可以判断出所述用户可能开通业务界面对应业务的开通概率,实现了对用户在业务界面开通业务的可能性进行了预测,保证了在后续的推广业务界面对应业务的过程中,可以实现对业务界面对应业务的有效推广,促进了业务界面对应业务的良好发展
与上述第二种用户行为预测方法实施例相对应,本申请还提供了第二种用户行为预测装置实施例,图5示出了本申请一实施例提供的第二种用户行为预测装置的结构示意图。如图5所示,该装置包括:
获取模块502,被配置为获取用户访问的业务界面的访问数据;
确定模块504,被配置为根据所述访问数据确定所述用户的属性类别;
计算模块506,被配置为基于所述用户的属性类别计算所述业务界面的曝光率;
预测模块508,被配置为将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为。
一个可选的实施例中,所述属性类别包括理性用户类别和非理性用户类别;
相应的,所述计算模块506,包括:
第一计算单元,被配置为在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
第二计算单元,被配置为在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
一个可选的实施例中,所述第一计算单元,包括:
获取第一子模块,被配置为获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
第一计算乘积子模块,被配置为计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
第一比较阈值子模块,被配置为将所述点击率与预设点击率阈值进行比较;
第二计算乘积子模块,被配置在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
一个可选的实施例中,所述第二计算单元,包括:
获取第二子模块,被配置为获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算比值子模块,被配置为计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
第二比较阈值子模块,被配置为将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
第三计算乘积子模块,被配置为在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
一个可选的实施例中,所述第二计算单元,还包括:
迭代子模块,被配置为在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
第四计算乘积子模块,被配置为计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
本申请提供的第二种用户行为预测装置,通过获取的所述访问数据确定所述用户的属性类别,基于不同的用户的属性类别采用不同的计算方式计算所述业务界面的曝光率,实现了可以针对不同种类的用户计算所述业务界面的曝光率,使得无论用户对所述业务界面满意或不满意均可以预测用户的预测行为,实现了可以有效的挖掘潜在的用户,使得所述业务界面对应的业务得到最有效的推广。
上述为本实施例的用户行为预测装置的示意性方案。需要说明的是,用户行为预测装置的技术方案与上述的用户行为预测方法的技术方案属于同一构思,用户行为预测装置的技术方案未详细描述的细节内容,均可以参见上述用户行为预测方法的技术方案的描述。
图6示出了根据本申请一实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接,数据库650用于保存数据。
计算设备600还包括接入设备640,接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本申请的一个实施例中,计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图6所示的计算设备结构框图仅仅是出于示例的目的,而不是对本申请范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备600可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。
其中,处理器620用于执行如下计算机可执行指令:
获取用户访问的业务界面的访问数据;
根据所述访问数据确定所述用户的访问路径;
选择历史路径集群中与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径,并查询所述历史访问路径对应的历史用户在所述业务界面的行为数据;
基于所述行为数据预测所述用户在所述业务界面的预测行为。
可选的,所述获取用户访问的业务界面的访问数据步骤执行之后,还包括:
根据所述访问数据确定所述用户的属性类别;
基于所述用户的属性类别计算所述业务界面的曝光率;
将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为。
可选的,所述基于所述行为数据预测所述用户在所述业务界面的预测行为步骤执行之后,还包括:
判断所述基准预测行为与所述预测行为是否一致;
若是,根据所述用户的预测行为将所述用户确定为所述业务界面对应业务的待推荐用户;
若否,选择所述历史路径集群中与所述访问路径的路径拟合度以及路径相似度低于最高的历史访问路径的次历史访问路径,并查询所述次历史访问路径对应的次历史用户在所述业务界面的次行为数据;
基于所述次行为数据预测所述用户在所述业务界面的次预测行为。
可选的,所述选择历史路径集群中与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径,包括:
计算所述访问路径与所述历史路径集群中包含的每个历史访问路径的路径拟合度以及路径相似度;
将所述历史路径集群中包含的每个历史访问路径与所述访问路径的路径拟合度以及路径相似度按照从大到小的顺序进行排列,获得路径拟合度列表以及路径相似度列表;
通过查询所述路径拟合度列表以及所述路径相似度列表确定每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号;
计算所述每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号的平均值,选择所述平均值最大的历史访问路径作为与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径。
可选的,所述基于所述行为数据预测所述用户在所述业务界面的预测行为步骤执行之后,还包括:
根据所述访问数据确定所述访问路径的路径数目;
基于所述路径数目计算所述用户在所述业务界面的预测行为的置信度。
可选的,所述获取用户访问的业务界面的访问数据,包括:
获取所述业务界面的日志文件;
在所述日志文件中提取所述用户访问所述业务界面的所述访问数据。
可选的,所述属性类别包括理性用户类别和非理性用户类别;
相应的,所述基于所述用户的属性类别计算所述业务界面的曝光率,包括:
在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
可选的,所述基于所述理性用户类别计算所述业务界面的曝光率,包括:
获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
将所述点击率与预设点击率阈值进行比较;
在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述基于所述非理性用户类别计算所述业务界面的曝光率,包括:
获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较子步骤执行之后,还包括:
在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
图7示出了根据本申请一实施例提供的第二种计算设备700的结构框图。该计算设备700的部件包括但不限于存储器710和处理器720。处理器720与存储器710通过总线730相连接,数据库750用于保存数据。计算设备700还包括结束设备740,接入设备740使得计算设备700能够经由一个或多个网络760通信。
本申请实施例中,计算设备700和计算设备600的实施方式一致,并且计算设备700的部件连接方式与上述计算设备600的部件连接方式一致,详细描述内容均可参见上述计算设备600,本申请在此不在赘述。
其中,处理器720用于执行如下计算机可执行指令:
获取用户访问的业务界面的访问数据;
根据所述访问数据确定所述用户的属性类别;
基于所述用户的属性类别计算所述业务界面的曝光率;
将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为。
可选的,所述属性类别包括理性用户类别和非理性用户类别;
相应的,所述基于所述用户的属性类别计算所述业务界面的曝光率,包括:
在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
可选的,所述基于所述理性用户类别计算所述业务界面的曝光率,包括:
获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
将所述点击率与预设点击率阈值进行比较;
在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述基于所述非理性用户类别计算所述业务界面的曝光率,包括:
获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较子步骤执行之后,还包括:
在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
上述为本实施例的计算设备的示意性方案。需要说明的是,计算设备的技术方案与上述的用户行为预测方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述用户行为预测方法的技术方案的描述。
本申请一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取用户访问的业务界面的访问数据;
根据所述访问数据确定所述用户的访问路径;
选择历史路径集群中与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径,并查询所述历史访问路径对应的历史用户在所述业务界面的行为数据;
基于所述行为数据预测所述用户在所述业务界面的预测行为。
可选的,所述获取用户访问的业务界面的访问数据步骤执行之后,还包括:
根据所述访问数据确定所述用户的属性类别;
基于所述用户的属性类别计算所述业务界面的曝光率;
将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的基准预测行为。
可选的,所述基于所述行为数据预测所述用户在所述业务界面的预测行为步骤执行之后,还包括:
判断所述基准预测行为与所述预测行为是否一致;
若是,根据所述用户的预测行为将所述用户确定为所述业务界面对应业务的待推荐用户;
若否,选择所述历史路径集群中与所述访问路径的路径拟合度以及路径相似度低于最高的历史访问路径的次历史访问路径,并查询所述次历史访问路径对应的次历史用户在所述业务界面的次行为数据;
基于所述次行为数据预测所述用户在所述业务界面的次预测行为。
可选的,所述选择历史路径集群中与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径,包括:
计算所述访问路径与所述历史路径集群中包含的每个历史访问路径的路径拟合度以及路径相似度;
将所述历史路径集群中包含的每个历史访问路径与所述访问路径的路径拟合度以及路径相似度按照从大到小的顺序进行排列,获得路径拟合度列表以及路径相似度列表;
通过查询所述路径拟合度列表以及所述路径相似度列表确定每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号;
计算所述每个历史访问路径在所述路径拟合度列表以及所述路径相似度列表的排列序号的平均值,选择所述平均值最大的历史访问路径作为与所述访问路径的路径拟合度以及路径相似度最高的历史访问路径。
可选的,所述基于所述行为数据预测所述用户在所述业务界面的预测行为步骤执行之后,还包括:
根据所述访问数据确定所述访问路径的路径数目;
基于所述路径数目计算所述用户在所述业务界面的预测行为的置信度。
可选的,所述获取用户访问的业务界面的访问数据,包括:
获取所述业务界面的日志文件;
在所述日志文件中提取所述用户访问所述业务界面的所述访问数据。
可选的,所述属性类别包括理性用户类别和非理性用户类别;
相应的,所述基于所述用户的属性类别计算所述业务界面的曝光率,包括:
在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
可选的,所述基于所述理性用户类别计算所述业务界面的曝光率,包括:
获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
将所述点击率与预设点击率阈值进行比较;
在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述基于所述非理性用户类别计算所述业务界面的曝光率,包括:
获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较子步骤执行之后,还包括:
在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
本申请一实施例还提供第二种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取用户访问的业务界面的访问数据;
根据所述访问数据确定所述用户的属性类别;
基于所述用户的属性类别计算所述业务界面的曝光率;
将所述曝光率与预设曝光率阈值进行比较,根据比较结果预测所述用户在所述业务界面的预测行为。
可选的,所述属性类别包括理性用户类别和非理性用户类别;
相应的,所述基于所述用户的属性类别计算所述业务界面的曝光率,包括:
在所述用户为所述理性用户类别的情况下,基于所述理性用户类别计算所述业务界面的曝光率;
或者,
在所述用户为所述非理性用户类别的情况下,基于所述非理性用户类别计算所述业务界面的曝光率。
可选的,所述基于所述理性用户类别计算所述业务界面的曝光率,包括:
获取所述业务界面对应业务的业务推广界面的曝光率,理性用户对所述业务推广界面的推广兴趣概率,以及所述理性用户对所述业务界面的第一业务兴趣概率;
计算所述业务推广界面的曝光率和所述推广兴趣概率二者的乘积,确定为所述理性用户点击所述业务推广界面的点击率;
将所述点击率与预设点击率阈值进行比较;
在所述点击率大于所述预设点击率阈值的情况下,计算所述业务推广界面的曝光率和所述第一业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述基于所述非理性用户类别计算所述业务界面的曝光率,包括:
获取非理性用户在设定时间段内浏览所述业务界面的浏览次数和所述非理性用户在所述设定时间段内的总浏览次数,以及所述非理性用户在所述业务界面的浏览时长和所述非理性用户关闭所述业务界面的关闭速率;
计算所述浏览次数与所述总浏览次数二者的比值,确定为所述非理性用户的第二业务兴趣概率,以及计算所述浏览时长与所述关闭速率二者的比值,确定为所述非理性用户的第三业务兴趣概率;
将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较;
在所述第二业务兴趣概率和所述第三业务兴趣概率均大于所述预设概率阈值的情况下,计算所述第二业务兴趣概率和所述第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
可选的,所述将所述第二业务兴趣概率以及所述第三业务兴趣概率与预设概率阈值进行比较子步骤执行之后,还包括:
在所述第二业务兴趣概率和所述第三业务兴趣概率小于所述预设概率阈值的情况下,通过迭代算法对所述第二业务兴趣概率和所述第三业务兴趣概率重新进行计算,获得调整第二业务兴趣概率以及调整第三业务兴趣概率;
计算所述调整第二业务兴趣概率和所述调整第三业务兴趣概率二者的乘积,将乘积结果作为所述业务界面的曝光率。
上述为本实施例的计算机可读存储介质的示意性方案。需要说明的是,存储介质的技术方案与上述的用户行为预测方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述用户行为预测方法的技术方案的描述。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,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,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。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,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本申请的内容,可作很多的修改和变化。本申请选取并具体描述这些实施例,是为了更好地解释本申请的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物限制。