CN110647921B - 一种用户行为预测方法、装置、设备及存储介质 - Google Patents
一种用户行为预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110647921B CN110647921B CN201910822348.1A CN201910822348A CN110647921B CN 110647921 B CN110647921 B CN 110647921B CN 201910822348 A CN201910822348 A CN 201910822348A CN 110647921 B CN110647921 B CN 110647921B
- Authority
- CN
- China
- Prior art keywords
- behavior
- model
- machine learning
- target object
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000006399 behavior Effects 0.000 claims abstract description 297
- 238000010801 machine learning Methods 0.000 claims abstract description 74
- 238000013145 classification model Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000003542 behavioural effect Effects 0.000 claims abstract description 3
- 238000013507 mapping Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 235000011888 snacks Nutrition 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 235000013361 beverage Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用户行为预测方法、装置、设备及存储介质,所述方法包括:将训练场景中的行为分类模型迁移至目标场景;将目标对象的行为数据输入行为分类模型,对目标对象在目标场景中的行为进行预测;其中,确定行为分类模型包括:获取训练场景中标注有行为类别标签的样本对象的行为数据;对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练;调整第一预设机器学习模型与第二预设机器学习模型的参数,直至样本对象的行为数据满足预设条件;将当前模型参数所对应的第二预设机器学习模型作为行为分类模型。采用本申请的技术方案,保证了用户行为分类的准确性。
Description
技术领域
本申请涉及互联网通信技术领域,尤其涉及一种用户行为预测方法、装置、设备及存储介质。
背景技术
随着移动智能设备的普及和互联网的迅猛发展,用户只要简单地通过操作移动智能设备上的应用,就可以方便的实现沟通、娱乐、支付等线上活动,也可以体验如O2O生活服务、导航、专车等线下消费,基本覆盖了绝大部分生活轨迹,由此也产生出了丰富的用户行为数据。这些数据一方面给用户自己带来很多的舒适和便利,让各种应用“比我更了解我”,不需要思考就能获取到自己想要的信息,但另一方面却暗地里泄露着用户自己的信息,成为隐患。所以如何保护用户的隐私数据成了数据使用的重中之重,如果不能有效保护用户的隐私数据,那不仅会对公司造成损失,更有可能会失去用户的信任。
常用的数据保护方法是数据降维,只保留数据中有意义的部分,其他部分不保留。但是现有的方法并没有考虑到由于数据相关性而导致降维特征依然能还原原特征的情况。
因此,有必要提供一种用户行为预测方法、装置、设备及存储介质,从而实现在保护用户隐私的前提下,保证用户行为分类的准确性。
发明内容
本申请提供了一种用户行为预测方法、装置、设备及存储介质,可以实现在保护用户隐私的前提下,保证用户行为分类的准确性。
一方面,本申请提供了一种用户行为预测方法,所述方法包括:
在训练场景中确定用于用户行为预测的行为分类模型;
将所述行为分类模型迁移至目标场景;
将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测;
其中,所述在训练场景中确定用于用户行为预测的行为分类模型包括:
获取所述训练场景中标注有行为类别标签的样本对象的行为数据;
对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练,其中,所述第一预设机器学习模型用于基于所述样本对象的行为数据进行行为数据重构训练,所述第二预设机器学习模型用于基于所述样本对象的行为数据进行行为分类训练;
在所述对抗学习训练中,调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数,直至所述样本对象的行为数据的重构损失值大于第一预设阈值,且所述样本对象的行为数据的分类损失值小于第二预设阈值;
将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
另一方面提供了一种用户行为预测装置,所述装置包括:
行为分类模型确定模块,用于在训练场景中确定用于用户行为预测的行为分类模型;
模型迁移模块,用于将所述行为分类模型迁移至目标场景;
行为预测模块,用于将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测;
其中,所述行为分类模型确定模块包括:
样本对象的行为数据获取子模块,用于获取所述训练场景中标注有行为类别标签的样本对象的行为数据;
对抗学习训练子模块,用于对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练,其中,所述第一预设机器学习模型用于基于所述样本对象的行为数据进行行为数据重构训练,所述第二预设机器学习模型用于基于所述样本对象的行为数据进行行为分类训练;
模型参数调整子模块,用于在所述对抗学习训练中,调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数,直至所述样本对象的行为数据的重构损失值大于第一预设阈值,且所述样本对象的行为数据的分类损失值小于第二预设阈值;
行为分类模型确定子模块,用于将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
另一方面提供了一种用户行为预测设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的用户行为预测方法。
另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的用户行为预测方法。
本申请提供的用户行为预测方法、装置、设备及存储介质,具有如下技术效果:
本申请在训练场景中,通过对抗学习训练得到损失值最大的数据重构模型和损失值最小的行为分类模型,从而可基于数据重构模型将目标场景中的用户行为数据转化成不可逆转的重构行为数据对用户的隐私进行保护,同时保证通过重构行为数据以及行为分类模型,对用户的行为进行准确地分类;从而实现了在保护用户隐私的前提下,保证用户行为分类的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例提供的一种系统的示意图;
图2是本申请实施例提供的一种用户行为预测方法的流程示意图;
图3是本申请实施例提供的一种调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数的方法的流程示意图;
图4是本申请实施例提供的一种对抗学习训练模型的结构示意图;
图5是本申请实施例提供的一种自编码器的结构示意图;
图6是本申请实施例提供的一种对目标对象在所述目标场景中的行为进行预测的方法的流程示意图;
图7是本申请实施例提供的一种向目标对象发送目标场景中推荐信息的方法的流程示意图;
图8是本申请实施例提供的一种用户行为预测装置的结构示意图;
图9是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本申请实施例提供的一种用户行为预测系统的示意图,如图1所示,该用户行为预测系统可以至少包括服务器01和客户端02。
具体的,本说明书实施例中,所述服务器01可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器01可以用于进行用户行为预测。
具体的,本说明书实施例中,所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如一些服务商提供给用户的网页页面,也可以为该些服务商提供给用户的应用。具体的,所述客户端02可以用于向所述服务器01发送用户行为数据以及用户行为预测请求,在线查询用户行为预测结果。
以下介绍本申请的一种用户行为预测方法,图2是本申请实施例提供的一种用户行为预测方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,所述方法可以包括:
S201:在训练场景中确定用于用户行为预测的行为分类模型。
在本说明书实施例中,所述行为分类模型用于对用户的行为进行预测。
在本说明书实施例中,所述在训练场景中确定用于用户行为预测的行为分类模型可以包括:
S2011:获取所述训练场景中标注有行为类别标签的样本对象的行为数据;
在本说明书实施例中,所述行为类别包括有触发行为和无触发行为,所述行为类别标签包括有触发行为标签和无触发行为标签。
在一个具体的实施例中,例如在一个广告推荐的应用场景中,向用户所在终端的显示界面发送了一个广告链接;如果用户点击了广告链接,则确定用户的行为类别为有触发行为;如果用户没有点击广告链接,则确定用户的行为类别为无触发行为。
在本说明书实施例中,所述样本对象可以为训练场景中的用户,所述样本对象的行为数据可以包括用户的消费数据,所述用户的消费数据包括用户的个人信息。
S2013:对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练,其中,所述第一预设机器学习模型用于基于所述样本对象的行为数据进行行为数据重构训练,所述第二预设机器学习模型用于基于所述样本对象的行为数据进行行为分类训练;
在本说明书实施例中,所述第一预设机器学习模型可以为预设行为数据重构模型,所述第二预设机器学习模型可以为预设行为分类模型。
在一些实施例中,所述对抗学习训练可以在生成式对抗网络中进行。生成式对抗网络(Generative Adversarial Networks,GAN)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。生成式对抗网络通过预设行为数据重构模型和预设行为分类模型的互相博弈学习产生相当好的输出。
S2015:在所述对抗学习训练中,调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数,直至所述样本对象的行为数据的重构损失值大于第一预设阈值,且所述样本对象的行为数据的分类损失值小于第二预设阈值;
在本说明书实施例中,所述第一预设机器学习模型包括编码器和解码器,所述第二预设机器学习模型包括所述编码器和分类器;如图3所示,所述调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数,直至所述样本对象的行为数据的重构损失值大于第一预设阈值,且所述样本对象的行为数据的分类损失值小于第二预设阈值可以包括:
S20151:固定所述编码器与所述分类器的参数,通过更新所述解码器的参数,使所述解码器的重构损失值增大;
S20153:固定所述解码器的参数,通过更新所述编码器与所述分类器的参数,使所述分类器的目标损失值减小;
S20155:交替执行上述两个步骤,直至所述解码器的重构损失值大于所述第一预设阈值,且所述分类器的目标损失值小于所述第二预设阈值。
在一个具体的实施例中,所述调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数,直至所述样本对象的行为数据的重构损失值大于第一预设阈值,且所述样本对象的行为数据的分类损失值小于第二预设阈值可以采用以下目标函数实现。
其中,x为原始特征,y为目标分类;γ为对抗学习训练模型的超参数,可以根据实际需要进行设置;qC为分类器的目标函数,一般采用交叉熵;qD为解码器的目标函数,一般采用均方误差(MSE);h为编码器的输出值。
如图4所示,从对抗学习训练模型对应的目标函数可以看到模型有三个目标,分别是:
目标1:让解码器D重构x更准确;
目标2:让编码器E和分类器C预测y更准确;
目标3:让编码器E尽可能使得解码器D重构x不准确。
对于上述目标函数,可以先固定编码器E和分类器C优化解码器D,然后固定解码器D优化编码器E和分类器C这样的两步迭代方法进行求解,从而对目标函数求解以后,就能训练得到在尽可能不损失目标预测能力且无法还原原特征的h=E(x)。从而只需要保存重构的特征即可,这样最终达到保护用户隐私数据且不影响数据在业务中的应用。
在一个具体的实施例中,所述对抗学习训练采用自编码器,如图5所示,自编码器(Auto Encoder,AE)是一种利用反向传播算法使得输出值等于输入值的神经网络,它由编码器和解码器两部分组成,其中编码器负责将输入数据压缩成潜在空间表征,解码器负责将潜在空间表征重构输出。
S2017:将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
在本说明书实施例中,所述当前模型参数包括所述第一预设机器学习模型对应的第一模型参数和所述第二预设机器学习模型对应的第二模型参数,所述将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型可以包括:
基于所述当前模型参数,确定所述第一模型参数与所述第二模型参数;
将所述第一模型参数所对应的第一预设机器学习模型作为行为数据重构模型;
将所述第二模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
在本说明书实施例中,所述第一模型参数为第一预设机器学习模型对应的参数,所述第二模型参数为第二预设机器学习模型对应的参数。
S203:将所述行为分类模型迁移至目标场景。
在本说明书实施例中,所述目标场景与所述训练场景为相近或相关联的领域,所述训练场景中有大量的用户行为数据,所述目标场景中仅有少量的用户行为数据。
所述用户行为数据可以包括用户的社交数据,例如用户的账号变更信息,用户的基本画像等。
在一个具体的实施例中,例如,商家准备新开一个售卖零食的网店,由于没有数据积累,无法从售卖其他商品的网店推荐顾客来购买,但用户买一个东西会反映到用户可能还会买另外一个东西,如果知道顾客买饮料的时候很有可能也会买零食,并且卖饮料的网店已经积累了大量数据,就能够利用这些数据,结合顾客买饮料和零食的习惯建一个模型。然后,把饮料的推荐模型迁移到零食的领域,这样就可以成功推荐顾客购买可能喜欢的零食。
S205:将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测。
在本说明书实施例中,所述方法还可以包括:
将所述行为数据重构模型迁移至所述目标场景;
将所述目标对象的行为数据输入所述行为数据重构模型,得到所述目标对象的重构行为数据;
存储所述目标对象的标识信息与所述目标对象的重构行为数据的映射关系。
在本说明书实施例中,所述目标对象的标识信息可以为用户的昵称、电话号码或邮箱账号。
在本说明书实施例中,对目标对象的重构行为数据进行存储而不存储用户的原始行为数据,并且目标对象的重构行为数据无法还原得到原始行为数据,可以很好地保护用户的隐私信息。
在本说明书实施例中,如图6所示,所述将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测的步骤之前,所述方法还可以包括:
S2041:获取所述目标对象的标识信息;
S2043:基于所述映射关系,获取与所述目标对象的标识信息对应的所述目标对象的重构行为数据;
相应的,所述将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测可以包括:
将所述目标对象的重构行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测。
在本说明书实施例中,通过重构行为数据和行为分类模型,可以在保护用户隐私的情况下,对用户的行为进行准确地预测。
在本说明书实施例中,所述将所述目标对象的重构行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测可以包括:
将所述目标对象的重构行为数据输入所述行为分类模型,得到所述目标对象的行为分类结果;
基于所述目标对象的行为分类结果,对所述目标对象的行为进行预测。
在本说明书实施例中,所述将所述目标对象的重构行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测的步骤之后,所述方法还可以包括:
基于所述目标对象在所述目标场景的行为分类结果,判断是否向所述目标对象发送所述目标场景中推荐信息。
在本说明书实施例中,所述行为分类结果包括有触发行为结果,如图7所示,所述基于所述目标对象在所述目标场景的行为分类结果,判断是否向所述目标对象发送所述目标场景中推荐信息可以包括:
S207:基于所述目标对象在所述目标场景的有触发行为结果,向所述目标对象发送所述目标场景中推荐信息。
在本说明书实施例中,通过对用户行为的准确预测,提高了目标场景中推荐信息的点击率,从而避免造成无效推荐。
在一些具体的实施例中,所述有触发行为可以包括用户在显示界面的操作行为,所述操作行为可以为点击或滑动行为。
在本说明书实施例中,所述行为分类结果包括无触发行为结果,所述基于所述目标对象在所述目标场景的行为分类结果,判断是否向所述目标对象发送所述目标场景中推荐信息可以包括:
基于所述目标对象在所述目标场景的无触发行为结果,不向所述目标对象发送所述目标场景中推荐信息;从而可避免造成信息的无效推荐。
在一些具体的实施例中,所述无触发行为可以包括用户在显示界面的无操作行为。
由以上本说明书实施例提供的技术方案可见,本说明书实施例在训练场景中,通过对抗学习训练得到损失值最大的数据重构模型和损失值最小的行为分类模型,从而可基于数据重构模型将目标场景中的用户行为数据转化成不可逆转的重构行为数据对用户的隐私进行保护,同时保证通过重构行为数据以及行为分类模型,对用户的行为进行准确地分类;从而实现了在保护用户隐私的前提下,保证用户行为分类的准确性。
本申请实施例还提供了一种用户行为预测装置,如图8所示,所述装置包括:
行为分类模型确定模块810,用于在训练场景中确定用于用户行为预测的行为分类模型;
模型迁移模块820,用于将所述行为分类模型迁移至目标场景;
行为预测模块830,用于将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测;
其中,所述行为分类模型确定模块包括:
样本对象的行为数据获取子模块8110,用于获取所述训练场景中标注有行为类别标签的样本对象的行为数据;
对抗学习训练子模块8120,用于对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练,其中,所述第一预设机器学习模型用于基于所述样本对象的行为数据进行行为数据重构训练,所述第二预设机器学习模型用于基于所述样本对象的行为数据进行行为分类训练;
模型参数调整子模块8130,用于在所述对抗学习训练中,调整所述第一预设机器学习模型与所述第二预设机器学习模型的参数,直至所述样本对象的行为数据的重构损失值大于第一预设阈值,且所述样本对象的行为数据的分类损失值小于第二预设阈值;
行为分类模型确定子模块8140,用于将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
在一些实施例中,所述第一预设机器学习模型包括编码器和解码器,所述第二预设机器学习模型包括所述编码器和分类器;所述模型参数调整子模块可以包括:
第一参数更新单元,用于固定所述编码器与所述分类器的参数,通过更新所述解码器的参数,使所述解码器的重构损失值增大;
第二参数更新单元,用于固定所述解码器的参数,通过更新所述编码器与所述分类器的参数,使所述分类器的目标损失值减小;
交替执行单元,用于交替执行上述两个步骤,直至所述解码器的重构损失值大于所述第一预设阈值,且所述分类器的目标损失值小于所述第二预设阈值。
在一些实施例中,所述当前模型参数包括所述第一预设机器学习模型对应的第一模型参数和所述第二预设机器学习模型对应的第二模型参数,所述行为分类模型确定子模块可以包括:
模型参数确定单元,用于基于所述当前模型参数,确定所述第一模型参数与所述第二模型参数;
行为数据重构模型确定单元,用于将所述第一模型参数所对应的第一预设机器学习模型作为行为数据重构模型;
行为分类模型确定单元,用于将所述第二模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
在一些实施例中,所述装置可以包括:
模型迁移模块,用于将所述行为数据重构模型迁移至所述目标场景;
重构行为数据确定模块,用于将所述目标对象的行为数据输入所述行为数据重构模型,得到所述目标对象的重构行为数据;
映射关系存储模块,用于存储所述目标对象的标识信息与所述目标对象的重构行为数据的映射关系。
在一些实施例中,所述装置还可以包括:
标识信息获取模块,用于获取所述目标对象的标识信息;
重构行为数据获取模块,用于基于所述映射关系,获取与所述目标对象的标识信息对应的所述目标对象的重构行为数据;
在一些实施例中,所述行为预测模块可以包括:
行为预测子模块,用于将所述目标对象的重构行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测。
在一些实施例中,所述装置还可以包括:
判断模块,用于基于所述目标对象在所述目标场景的行为分类结果,判断是否向所述目标对象发送所述目标场景中推荐信息。
在一些实施例中,所述行为分类结果包括有触发行为结果,所述判断模块可以包括:
推荐信息发送子模块,用于基于所述目标对象在所述目标场景的有触发行为结果,向所述目标对象发送所述目标场景中推荐信息。
所述的装置实施例中的装置与方法实施例基于同样地发明构思。
本申请实施例提供了一种用户行为预测设备,该设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的用户行为预测方法。
本申请的实施例还提供了一种计算机可读存储介质,所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种用户行为预测方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的用户行为预测方法。
可选地,在本说明书实施例中,存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书实施例所述存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的用户行为预测方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图9是本申请实施例提供的一种用户行为预测方法的服务器的硬件结构框图。如图9所示,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central ProcessingUnits,CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器900还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
由上述本申请提供的用户行为预测方法、装置、服务器或存储介质的实施例可见,本申请在训练场景中,通过对抗学习训练得到损失值最大的数据重构模型和损失值最小的行为分类模型,从而可基于数据重构模型将目标场景中的用户行为数据转化成不可逆转的重构行为数据对用户的隐私进行保护,同时保证通过重构行为数据以及行为分类模型,对用户的行为进行准确地分类;从而实现了在保护用户隐私的前提下,保证用户行为分类的准确性。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、存储介质实施例而言,由于其基本相似于方法实施例,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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种用户行为预测方法,其特征在于,所述方法包括:
在训练场景中确定用于用户行为预测的行为分类模型;
将所述行为分类模型迁移至目标场景;
将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测;
其中,所述在训练场景中确定用于用户行为预测的行为分类模型包括:
获取所述训练场景中标注有行为类别标签的样本对象的行为数据;
对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练,其中,所述第一预设机器学习模型用于基于所述样本对象的行为数据进行行为数据重构训练,所述第二预设机器学习模型用于基于所述样本对象的行为数据进行行为分类训练;所述第一预设机器学习模型包括编码器和解码器,所述第二预设机器学习模型包括所述编码器和分类器;
在所述对抗学习训练中,固定所述编码器与所述分类器的参数,通过更新所述解码器的参数,使所述解码器的重构损失值增大;固定所述解码器的参数,通过更新所述编码器与所述分类器的参数,使所述分类器的目标损失值减小;交替执行上述两个步骤,直至所述解码器的重构损失值大于第一预设阈值,且所述分类器的目标损失值小于第二预设阈值;
将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
2.根据权利要求1所述的方法,其特征在于,所述当前模型参数包括所述第一预设机器学习模型对应的第一模型参数和所述第二预设机器学习模型对应的第二模型参数,所述将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型包括:
基于所述当前模型参数,确定所述第一模型参数与所述第二模型参数;
将所述第一模型参数所对应的第一预设机器学习模型作为行为数据重构模型;
将所述第二模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将所述行为数据重构模型迁移至所述目标场景;
将所述目标对象的行为数据输入所述行为数据重构模型,得到所述目标对象的重构行为数据;
存储所述目标对象的标识信息与所述目标对象的重构行为数据的映射关系。
4.根据权利要求3所述的方法,其特征在于,所述将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测的步骤之前,所述方法还包括:
获取所述目标对象的标识信息;
基于所述映射关系,获取与所述目标对象的标识信息对应的所述目标对象的重构行为数据;
相应的,所述将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测包括:
将所述目标对象的重构行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测。
5.根据权利要求4所述的方法,其特征在于,将所述目标对象的重构行为数据输入所述行为分类模型进行行为分类的步骤之后,所述方法还包括:
基于所述目标对象在所述目标场景的行为分类结果,判断是否向所述目标对象发送所述目标场景中推荐信息。
6.根据权利要求5所述的方法,其特征在于,所述行为分类结果包括有触发行为结果,所述基于所述目标对象在所述目标场景的行为分类结果,判断是否向所述目标对象发送所述目标场景中推荐信息包括:
基于所述目标对象在所述目标场景的有触发行为结果,向所述目标对象发送所述目标场景中推荐信息。
7.一种用户行为预测装置,其特征在于,所述装置包括:
行为分类模型确定模块,用于在训练场景中确定用于用户行为预测的行为分类模型;
模型迁移模块,用于将所述行为分类模型迁移至目标场景;
行为预测模块,用于将目标对象的行为数据输入所述行为分类模型,对所述目标对象在所述目标场景中的行为进行预测;
其中,所述行为分类模型确定模块包括:
样本对象的行为数据获取子模块,用于获取所述训练场景中标注有行为类别标签的样本对象的行为数据;
对抗学习训练子模块,用于对第一预设机器学习模型与第二预设机器学习模型进行对抗学习训练,其中,所述第一预设机器学习模型用于基于所述样本对象的行为数据进行行为数据重构训练,所述第二预设机器学习模型用于基于所述样本对象的行为数据进行行为分类训练;所述第一预设机器学习模型包括编码器和解码器,所述第二预设机器学习模型包括所述编码器和分类器;
模型参数调整子模块,用于在所述对抗学习训练中,固定所述编码器与所述分类器的参数,通过更新所述解码器的参数,使所述解码器的重构损失值增大;固定所述解码器的参数,通过更新所述编码器与所述分类器的参数,使所述分类器的目标损失值减小;交替执行上述两个步骤,直至所述解码器的重构损失值大于第一预设阈值,且所述分类器的目标损失值小于第二预设阈值;
行为分类模型确定子模块,用于将当前模型参数所对应的第二预设机器学习模型作为所述行为分类模型。
8.一种用户行为预测设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-6任一所述的用户行为预测方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6任一所述的用户行为预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822348.1A CN110647921B (zh) | 2019-09-02 | 2019-09-02 | 一种用户行为预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822348.1A CN110647921B (zh) | 2019-09-02 | 2019-09-02 | 一种用户行为预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647921A CN110647921A (zh) | 2020-01-03 |
CN110647921B true CN110647921B (zh) | 2024-03-15 |
Family
ID=68991423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822348.1A Active CN110647921B (zh) | 2019-09-02 | 2019-09-02 | 一种用户行为预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647921B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127431A (zh) * | 2020-01-10 | 2021-07-16 | 浙江大学 | 智能多任务特征数据共享方法及装置 |
CN111400754B (zh) * | 2020-03-11 | 2021-10-01 | 支付宝(杭州)信息技术有限公司 | 保护用户隐私的用户分类系统的构建方法及装置 |
CN111491265B (zh) * | 2020-03-26 | 2022-11-18 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
CN113538029A (zh) * | 2020-04-22 | 2021-10-22 | 中国移动通信集团上海有限公司 | 用户行为数据预测方法、装置、设备及介质 |
CN111814823B (zh) * | 2020-05-26 | 2023-08-15 | 北京控制工程研究所 | 一种基于场景模板生成的迁移学习方法 |
CN111738441B (zh) * | 2020-07-31 | 2020-11-17 | 支付宝(杭州)信息技术有限公司 | 兼顾预测精度和隐私保护的预测模型训练方法及装置 |
CN112329816A (zh) * | 2020-10-09 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 数据分类方法、装置、电子设备和可读存储介质 |
CN112559099B (zh) * | 2020-12-04 | 2024-02-27 | 北京国家新能源汽车技术创新中心有限公司 | 基于用户行为的远程图像显示方法、装置、系统及存储介质 |
CN112288337B (zh) * | 2020-12-15 | 2021-03-19 | 平安科技(深圳)有限公司 | 行为推荐方法、装置、设备及介质 |
CN112905897B (zh) * | 2021-03-30 | 2022-09-09 | 杭州网易云音乐科技有限公司 | 相似用户确定方法、向量转化模型、装置、介质及设备 |
CN113357773A (zh) * | 2021-05-31 | 2021-09-07 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163230A (zh) * | 2011-04-13 | 2011-08-24 | 浙江大学 | 实现定制隐私保护的个性化信息检索系统的方法 |
EP3021523A1 (fr) * | 2014-11-12 | 2016-05-18 | Bull S.A.S. | Méthode et système de supervision applicative |
CN108062709A (zh) * | 2017-12-12 | 2018-05-22 | 北京奇虎科技有限公司 | 基于半监督学习的用户行为模型训练方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8411935B2 (en) * | 2007-07-11 | 2013-04-02 | Behavioral Recognition Systems, Inc. | Semantic representation module of a machine-learning engine in a video analysis system |
-
2019
- 2019-09-02 CN CN201910822348.1A patent/CN110647921B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163230A (zh) * | 2011-04-13 | 2011-08-24 | 浙江大学 | 实现定制隐私保护的个性化信息检索系统的方法 |
EP3021523A1 (fr) * | 2014-11-12 | 2016-05-18 | Bull S.A.S. | Méthode et système de supervision applicative |
CN108062709A (zh) * | 2017-12-12 | 2018-05-22 | 北京奇虎科技有限公司 | 基于半监督学习的用户行为模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110647921A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647921B (zh) | 一种用户行为预测方法、装置、设备及存储介质 | |
US20210248651A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
JP7564332B2 (ja) | 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN109344314B (zh) | 一种数据处理方法、装置及服务器 | |
CN111459993B (zh) | 基于行为分析的配置更新方法、装置、设备及存储介质 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN112231592B (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN113919923B (zh) | 直播推荐模型训练方法、直播推荐方法及相关设备 | |
CN110009486A (zh) | 一种欺诈检测的方法、系统、设备及计算机可读存储介质 | |
CN113592593B (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN110457387B (zh) | 一种应用于网络中用户标签确定的方法及相关装置 | |
CN108667877B (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN117009659A (zh) | 套餐推荐方法、装置、设备及存储介质 | |
CN108764489B (zh) | 基于虚拟样本的模型训练方法及设备 | |
CN116662876A (zh) | 多模态认知决策方法、系统、装置、设备及存储介质 | |
CN116956204A (zh) | 多任务模型的网络结构确定方法、数据预测方法及装置 | |
CN113409096B (zh) | 目标对象识别方法、装置、计算机设备及存储介质 | |
CN114090873A (zh) | 匹配数据的方法、装置、设备和计算机可读介质 | |
CN112036418A (zh) | 用于提取用户特征的方法和装置 | |
CN112532692A (zh) | 一种信息推送方法及装置、存储介质 | |
CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN113516524A (zh) | 用于推送信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |