CN111104979A - 一种用户行为价值评估模型的生成方法、装置及设备 - Google Patents

一种用户行为价值评估模型的生成方法、装置及设备 Download PDF

Info

Publication number
CN111104979A
CN111104979A CN201911306137.9A CN201911306137A CN111104979A CN 111104979 A CN111104979 A CN 111104979A CN 201911306137 A CN201911306137 A CN 201911306137A CN 111104979 A CN111104979 A CN 111104979A
Authority
CN
China
Prior art keywords
behavior
user
value
preset
feature
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.)
Granted
Application number
CN201911306137.9A
Other languages
English (en)
Other versions
CN111104979B (zh
Inventor
杨金勇
李爱飞
徐唐
高元胜
罗西琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Mind Creation Information Technology Co ltd
Original Assignee
Beijing Mind Creation Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Mind Creation Information Technology Co ltd filed Critical Beijing Mind Creation Information Technology Co ltd
Priority to CN201911306137.9A priority Critical patent/CN111104979B/zh
Publication of CN111104979A publication Critical patent/CN111104979A/zh
Application granted granted Critical
Publication of CN111104979B publication Critical patent/CN111104979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/211—Selection of the most significant subset of features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了一种用户行为价值评估模型的生成方法、装置及设备，该方案包括：通过获取多个用户样本的与基准行为特征对应的基准行为特征值集合；并获取多个用户样本的多个非基准行为特征值集合；对于每个非基准行为特征值集合对应的非基准行为特征，确定该非基准行为特征相对于该基准行为特征的最优权重比，得到最优权重比集合；该最优权重比为使得用户样本的非基准行为特征值与预设权重比之积同其基准行为特征值的和的分布与正态分布之间的差异性最小的预设权重比。根据预设总权重以及最优权重比集合，确定基准行为特征的标定权重以及各个非基准行为特征的标定权重，得到标定权重集合；根据标定权重集合，生成用户行为价值评估模型。

Description

一种用户行为价值评估模型的生成方法、装置及设备
技术领域
本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种用户行为价值评估模型的生成方法、装置及设备。
背景技术
随着智能终端设备功能的日益强大，智能终端设备已经成为了人们日常生活中离不开的工具。人们在使用智能终端设备上的各种应用程序的过程中会产生大量的用户行为数据，这些用户行为数据可以记录用户的各种操作信息。针对部分应用程序(包括但不限于用于提供网络课程的应用)，用户具有了解个人对应用程序进行使用而产生的行为价值的需求，但目前对用户使用应用程序而产生的行为价值进行评价的模型还比较罕见。且由于应用程序更新速度较快，用户行为数据的种类也在不断发生变化，导致对于用户行为价值进行评估的模型也需要进行相应改变。
因此，如何搭建具有较好的可扩展性的用户行为价值评估模型已成为亟待解决的技术问题。
发明内容
有鉴于此，本说明书一个或多个实施例提供了一种用户行为价值评估模型的生成方法、装置及设备，用于提供一种可以搭建具有较好的可扩展性的用户行为价值评估模型的方法。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种用户行为价值评估模型的生成方法，包括：
获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征；
获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征；
对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和；
根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重；
根据所述标定权重集合，生成用户行为价值评估模型。
本说明书实施例提供的一种用户行为价值的生成方法，包括：
获取待评价用户的历史行为数据集合；根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用上述的一种用户行为价值评估模型的生成方法而生成的。
本说明书实施例提供的一种用户行为价值评估模型的生成装置，包括：
第一获取模块，用于获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征；
第二获取模块，用于获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征；
最优权重比确定模块，用于对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和；
标定权重确定模块，用于根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重；
模型生成模块，用于根据所述标定权重集合，生成用户行为价值评估模型。
本说明书实施例提供的一种用户行为价值的生成装置，包括：
获取模块，用于获取待评价用户的历史行为数据集合；
行为特征值确定模块，用于根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；
用户行为价值生成模块，用于利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用上述的一种用户行为价值评估模型的生成方法而生成的。
本说明书实施例提供的一种用户行为价值评估模型的生成设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征；
获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征；
对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和；
根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重；
根据所述标定权重集合，生成用户行为价值评估模型。
本说明书实施例提供的一种用户行为价值的生成设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待评价用户的历史行为数据集合；根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用上述的一种用户行为价值评估模型的生成方法而生成的。
本说明书一个实施例实现了能够达到以下有益效果：
通过确定每个非基准行为特征相对于基准行为特征的最优权重比，得到最优权重比集合；其中，最优权重比为使得用户样本的非基准行为特征值与预设权重比之积同其基准行为特征值的和的分布与正态分布之间的差异性最小的预设权重比。并根据预设总权重以及最优权重比集合，确定基准行为特征的标定权重以及各个非基准行为特征的标定权重，得到标定权重集合；从而根据标定权重集合，生成用户行为价值评估模型，以便于利于该用户行为价值模型去生成用户行为价值，满足用户对于个人行为价值的了解需求。
当存在新增的预设行为特征时，该方案只需要重新确定各个预设行为特征的标定权重，或者，在保持先前的预设行为特征的标定权重不变的基础上，去确定新增的预设行为特征的标定权重，即可以根据当前的各个预设行为特征的标定权重，去搭建更新后的用户行为价值评估模型，且得到的更新后的用户行为价值评估模型准确性、稳定性均较好，无需再使用用户样本进行迭代训练。可见，基于该方案对用户行为价值评估模型进行更新时操作简单，基于该方案生成的用户行为价值评估模型的可扩展性较好。
附图说明
此处所说明的附图用来提供对本说明书一个或多个实施例的进一步理解，构成本说明书一个或多个实施例的一部分，本说明书的示意性实施例及其说明用于解释本说明书一个或多个实施例，并不构成对本说明书一个或多个实施例的不当限定。在附图中：
图1为本说明书实施例提供的一种用户行为价值评估模型的生成方法的流程示意图；
图2为本说明书实施例提供的一种用户行为价值的生成方法的流程示意图；
图3为本说明书实施例提供的对应于图1的一种用户行为价值评估模型的生成装置的结构示意图；
图4为本说明书实施例提供的对应于图2的一种用户行为价值的生成装置的结构示意图；
图5为本说明书实施例提供的对应于图1的一种用户行为价值评估模型的生成设备的结构示意图图；
图6为本说明书实施例提供的对应于图2的一种用户行为价值的生成设备的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
现有技术中，在信贷领域，为缓解人工审核压力、降低审核成本，提出了一种根据用户的消费行为，确定用户信用价值的信用评分模型。但这类信用评分模型通常是使用大量的正负样本对初始神经网络模型进行训练而得到的，可扩展性较差。且由于这类信用评分模型使用的用户行为特征，与用户对应用程序的使用行为而对应的用户行为特征之间的区别较大，因此，无法基于信用评分模型去评价用户使用应用程序而产生的用户行为价值。
为了解决现有技术中的缺陷，本方案给出了以下实施例：
图1为本说明书实施例提供的一种用户行为价值评估模型的生成方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序。该应用服务器可以为应用程序的服务端。如图1所示，该流程可以包括：
步骤102：获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征。
在本说明书实施例中，用户可以预先确定用于计算用户行为价值的各个预设行为特征，再将上述预设行为特征划分至一个或多个预设行为特征集合，并为各个预设行为特征集合指定对应的预设总权重。通常而言各个预设行为特征集合的预设总权重之和应等于100％。其中，每个预设行为特征集合中可以包含至少两个预设行为特征，而不同的预设行为特征集合中包含的预设行为特征均不同。
对于任意一个预设行为特征集合，用户可以从该预设行为特征集合中确定出一个行为特征作为基准行为特征，则该预设行为特征集合中除基准行为特征以外的行为特征即为非基准行为特征。例如，针对用户使用网络课程应用程序产生的用户行为价值的这一应用场景，假定，与用户学习持续性对应的预设行为特征集合中包含学习总时长、学习天数及最长连续学习天数等三个预设行为特征，若将“学习总时长”确定为基准行为特征，则学习天数及最长连续学习天数为非基准行为特征。
在实际应用中，可以将预设行为特征集合中经初步分析得到的权重占比最大的行为特征确定为基准行为特征，以减少确定各个非基准行为特征相对于基准行为特征的最优权重比时的计算量，进而有利于提升用户行为价值评估模型的生成方法的运行效率。
在本说明书实施例中，基准行为特征值集合中的基准行为特征值是根据用户样本的与基准行为特征对应的历史行为数据确定出的。在此给出一种确定用户样本的基准行为特征值的实现方式。
具体的，步骤102：获取基准行为特征值集合，可以包括：
获取多个用户样本的与所述基准行为特征对应的历史行为数据。对所述多个用户样本的所述历史行为数据按从小到大排列，得到历史行为数据序列。确定所述历史行为数据序列的各个百分位的百分位数。对于任意一个所述用户样本，确定所述任意一个所述用户样本的所述历史行为数据落入的百分位数区间。根据所述百分位数区间对应的最大百分位，确定所述任意一个所述用户样本的与所述基准行为特征对应的基准行为特征值。
在本说明书实施例中，如果将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。为便于理解，以用户学习总时长作为基准行为特征，对获取用户样本的基准行为特征值的实现方式进行举例说明。
假定，与用户学习总时长对应的历史行为数据为用户打开网络课程应用程序的应用界面的累计时长，若按从小到大的顺序，对全部用户样本的打开网络课程应用程序的应用界面的累计时长进行排序，确定出第3个百分位的百分位数为49小时，第4个百分位的百分位数为55小时，第5个百分位的百分位数也为55小时，第6个百分位的百分位数为56小时，而第7个百分位的百分位数为58小时。若某用户样本的打开网络课程应用程序的应用界面的累计时长为50小时，可知，该用户样本的历史行为数据落入的百分位数区间为[49小时-55小时]，由于55小时对应的最大百分位为第4百分位，因此，可以将该用户样本的基准行为特征值确定为4。同理，若用户样本的打开网络课程应用程序的应用界面的累计时长为55.5小时，则确定出的该用户样本的基准行为特征值应为6。
在实际应用中，为保证获取的基准行为特征值的准确性及有效性，可以先对用户样本的历史行为数据进行清洗，再根据清洗后的历史行为数据生成基准行为特征值。本说明书实施例中给出了一种对用户样本的历史行为数据进行清洗的实现方式。
具体的，可以按照预设规则，对各个用户样本的历史行为数据进行清洗，得到各个所述用户样本的清洗后历史行为数据，所述预设规则包括：若所述用户样本的所述历史行为数据大于预设值，则将所述用户样本的清洗后历史行为数据确定为所述预设值，所述预设值为所述多个用户样本的所述历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和；若所述用户样本的所述历史行为数据小于或者等于预设值，则保持所述用户样本的所述历史行为数据不变。
对应的，可以对所述多个用户样本的清洗后历史行为数据按从小到大排列，得到清洗后历史行为数据序列，进而可以清洗后历史行为数据序列，去生成用户样本的与基准行为特征对应的基准行为特征值。
其中，第三四分位数是指第三个四分位数，即第75个百分位的百分位数。第一四分位数即为第25个百分位的百分位数。中位数即为第50个百分位的百分位数。因此，预设值＝1.5×(第75个百分位的百分位数-第25个百分位的百分位数)+第50个百分位的百分位数。
为便于理解，以用户每日学习时长为例，进行举例说明。假定，对多个用户样本的每日学习时长按从小到大排列，得到第25个百分位的百分位数为1小时，第50个百分位的百分位数为2小时，以第75个百分位的百分位数为3小时，则预设值＝1.5×(3-1)+2＝5小时，若某用户样本的每日学习时长为6小时，而6小时大于预设值5小时，则该用户样本对应的清洗后每日学习时长为5小时。若某用户样本的每日学习时长为4小时，而4小时小于预设值5小时，则该用户样本对应的清洗后每日学习时长为4小时。
本实现方式中，通过将用户样本的历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和作为预设值(即离群界值)，以排除异常数据。经实验证明，本实现方式提供的数据清洗方案，可以达到4个西格玛至6个西格玛水准，即经过本实现方式提供的数据清洗方案处理后的数据的异常率可以控制在千分之六以内，可知，该数据清洗方式具有良好的准确性及有效性。
步骤104：获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征。
在本说明书实施例中，图1中的方法示出的是根据一个预设行为特征集合，生成与该预设行为特征集合对应的用户行为价值模型的方法。因此，步骤102中获取的是与该预设行为特征集合中的基准行为特征对应的行为特征值的集合，则步骤104中获取的是与该预设行为特征集合中的各个非基准行为特征对应的行为特征值的集合。
在实际应用中，获取非基准行为特征值集合与获取基准行为特征值集合所采用的原理可以是相同的，对此不再赘述。
步骤106：对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和。
在本说明书实施例中，用户行为价值可以指对用户的各个预设行为特征值进行加权求和得到的数值。因此，可以将用户样本的一种非基准行为特征值与预设权重比之积同该用户样本的基准行为特征值的和作为该用户样本的第一行为价值。
在实际应用中，为减少确定最优权重比时的计算量，可以设置指定个数的预设权重比，并从预设权重比中挑选出最优权重比。例如，预设权重比可为0.1、0.3、0.5、0.7、1等。
在本说明书实施例中，由于正态分布曲线可以反映随机变量的分布规律，而用户样本是随机挑选的，因此，用户样本的第一行为价值也应符合正态分布。从而，可以将使得用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比，确定为非基准行为特征相对于基准行为特征的最优权重比。
步骤108：根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重。
在本说明书实施例中，为便于理解，对确定标定权重集合的实现方式进行举例说明。例如，预设行为特征集合中包含1个基准行为特征：学习总时长，以及两个非基准行为特征：学习天数及最长连续学习天数。假定，学习天数相对于学习总时长的最优权重比为0.5，最长连续学习天数相对于学习总时长的最优权重比为0.25。假定，该预设行为特征集合的预设总权重为70％，则学习总时长的标定权重＝70％÷(0.5+0.25+1)＝40％，对应的，可以求出学习天数的标定权重为20％，最长连续学习天数的标定权重为10％。
步骤110：根据所述标定权重集合，生成用户行为价值评估模型。
在本说明书实施例中，步骤110具体可以包括：根据所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，生成目标函数表达式，所述目标函数表达式用于计算与预设行为特征集合对应的用户行为价值，所述预设行为特征集合中包含所述基准行为特征以及全部的所述非基准行为特征，与预设行为特征集合对应的用户行为价值为所述预设行为特征集合中的各个行为特征的标定权重与所述各个行为特征对应的用户行为特征值的乘积之和。
在本说明书实施例中，生成的目标函数表达式可以为：
Score＝weight1F1+weight2F2+...weightnFn；
其中，Score表示与指定预设行为特征集合对应的用户行为价值，该指定预设行为特征集合中包含n个预设行为特征，Fn表示用户样本的与指定预设行为特征集合中第n个预设行为特征对应的行为特征值；weightn表示指定预设行为特征集合中第n个预设行为特征的标定权重。
在本说明书实施例中，图1中的方法示出的是生成与一个预设行为特征集合对应的用户行为价值模型的方法。若用于计算用户行为价值的行为特征对应于多个预设行为特征集合，则可以采用图1中的方法去确定各个预设行为特征集合对应的用户行为价值模型，并使用确定出的全部用户行为价值模型去计算用户的行为总价值。
具体的，当预设行为特征集合的个数为N个，不同的预设行为特征集合中包含的各个行为特征均不同时，在生成目标函数表达式之后，还可以包括：
对N个所述预设行为特征集合对应的N个目标函数表达式进行合并，得到汇总函数表达式，所述汇总函数表达式用于生成与N个所述预设行为特征集合对应的用户行为总价值，所述用户行为总价值为使用所述N个目标函数表达式计算得到的用户行为价值之和。
例如，假定用于计算用户行为价值的行为特征对应于2个预设行为特征集合。其中，第一个预设行为特征集合的目标函数表达式为：
Score1＝weight11F11+weight12F12+...weight1nF1n；其中，F1n表示用户样本的与第一个预设行为特征集合中第n个预设行为特征对应的行为特征值；weight1n表示第一个预设行为特征集合中第n个预设行为特征的标定权重；
第二个预设行为特征集合的目标函数表达式为：
Score2＝weight21F21+weight22F22+...weight2nF2n；其中，F2n表示用户样本的与第二个预设行为特征集合中第n个预设行为特征对应的行为特征值；weight2n表示第二个预设行为特征集合中第n个预设行为特征的标定权重；
则对第一个预设行为特征集合的目标函数表达式以及第二个预设行为特征集合的目标函数表达式进行合并后，得到的汇总函数表达式可以表示为:
TotalScore＝Score1+Score2＝weight11F11+...weight1nF1n+weight21F21+...weight2nF2n其中，TotalScore表示用户行为总价值。
应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
图1中的方法，通过确定每个非基准行为特征相对于基准行为特征的最优权重比，得到最优权重比集合；并根据预设总权重以及最优权重比集合，确定基准行为特征的标定权重以及各个非基准行为特征的标定权重，得到标定权重集合；从而根据标定权重集合，生成用户行为价值评估模型，以满足用户对于个人行为价值的了解需求。
同时，由于正态分布可以表示随机变量的分布规律，因此，图1中方法通过将使得用户样本的第一行为价值(即非基准行为特征值与预设权重比之积同其基准行为特征值的和)的分布与正态分布之间的差异性最小的预设权重比确定为最优权重比，以提升确定出的最优权重比的有效性及准确性。进而可以提升生成的用户行为价值评估模型的有效性及准确性。
且当新增了预设行为特征后，该方案只需要重新确定各个预设行为特征的标定权重，或者，在保持先前的预设行为特征的标定权重不变的基础上，去确定新增的预设行为特征的标定权重，即可以根据当前的各个预设行为特征的标定权重，去搭建更新后的用户行为价值评估模型，由于更新后的用户行为价值评估模型同样具有有效性及准确性较好的特点，使得更新后的用户行为价值评估模型的稳定性较好，无需再使用用户样本进行迭代训练。可见，基于该方案对用户行为价值评估模型进行更新时操作简单，基于该方案生成的用户行为价值评估模型的可扩展性也较好。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
在本说明书实施例中，给出了一种确定非基准行为特征相对于基准行为特征的最优权重比的实现方式。具体的，步骤106可以包括：
根据各个预设权重比，对每个所述用户样本的基准行为特征值及与所述非基准行为特征对应的非基准行为特征值进行加权求和计算，得到每个所述用户样本的与所述各个预设权重比对应的第一行为价值。
以所述第一行为价值为纵坐标，以所述第一行为价值对应的标准正态分布的分位数为横坐标，在分位数-分位数图中绘制与所述各个预设权重比对应的第一行为价值曲线。
计算所述各个预设权重比对应的第一行为价值曲线与目标函数的曲线之间的差异度；所述目标函数可为Y＝X，其中，Y为纵坐标，X为横坐标。
确定所述差异度的最小值。
将所述最小值对应的预设权重比，确定为所述非基准行为特征相对于所述基准行为特征的最优权重比。
在本说明书实施例中，分位数-分位数图(Quantile-Quantile Plot)是一种由样本值的标准正态分布的分位数为横坐标，以样本值为纵坐标的散点图。其中，与样本值A对应的标准正态分布的分位数为样本值A的累计概率对应的正态分布的Z值，与样本值A对应的标准正态分布的分位数可表示为Z(样本值A的累计概率)。例如，Z(0.05)为-1.65。而样本值A的累计概率＝(i-0.5)/样本值总数，其中，i表示样本值A在对全部样本值按从小到大顺序排列后得到的数列中的排序。例如，假定，对全部样本值按从小到大顺序排列后得到的数列为：样本值B、样本值A、样本值C。可知，样本值A在排序后得到的数列中的排序为2。则样本值A的累计概率＝(2-0.5)/3＝0.5，由于Z(0.5)等于0，可知，样本值A的横坐标为0。
在本说明书实施例中，可以通过在分位数-分位数图(Quantile-Quantile Plot)中绘制与各个预设权重比对应的第一行为价值散点，再根据各个预设权重比对应的第一行为价值散点的分布位置、分布范围、分布偏度等参数，确定最趋近正态分布的散点对应的预设权重比为最优权重比。
具体的，由于在分位数-分位数图中，与函数Y＝X对应的曲线可以表示正态分布的散点所构成的曲线。因此，可以先根据各个预设权重比对应的第一行为价值散点，构建各个预设权重比对应的第一行为价值曲线。可以理解的是，由于在数学领域曲线为直线与非直线的统称，因此，在本说明书实施例中，第一行为价值曲线既可以为直线也可以为非直线。第一行为价值曲线的表达式可以根据实际需求确定。
具体的，第一行为价值曲线可以表示为Y＝aX+b，其中，a和b均为有理数。将各个预设权重比对应的第一行为价值曲线的斜率与Y＝X的斜率之差作为各个预设权重比对应的第一行为价值曲线与目标函数的曲线之间的差异度，从而可以将斜率之差最小的第一行为价值曲线对应的预设权重比确定为最优权重比。
图2为本说明书实施例提供的一种用户行为价值的生成方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序。该应用服务器可以为应用程序的服务端。如图2所示，该流程可以包括以下步骤：
步骤202：获取待评价用户的历史行为数据集合。
在本说明书实施例中，待评价用户的历史行为数据集合包含该待评价用户对指定应用程序的全部或部分历史行为数据，其中，历史行为数据可以用于记录该待评价用户对该指定应用程序执行的操作的相关信息。
步骤204：根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值。
在本说明书实施例中，可以先根据预设规则对历史行为数据集合中的历史行为数据进行清洗处理，以排除异常值。当基于清洗后的历史行为数据生成待评价用户的行为特征值时，可以提升生成的待评价用户的行为特征值的准确性及有效性。
具体的，步骤204之前，还可以包括：按照预设规则，对所述历史行为数据集合进行清洗，得到所述待评价用户的清洗后历史行为数据集合，所述预设规则包括：对于所述历史行为数据集合中的每个历史行为数据，若所述历史行为数据大于预设值，则将所述历史行为数据对应的清洗后历史行为数据确定为所述预设值，所述预设值为目标用户群体的目标历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和，所述目标历史行为数据与所述历史行为数据的种类相同。若所述历史行为数据小于或者等于预设值，则保持所述历史行为数据不变。
在本说明书实施例中，对待评价用户的历史行为数据集合中的历史行为数据进行清洗的实现方式，与图1中方法实施例提供的对用户样本的历史行为数据进行清洗的实现方式，采用的原理是相同的，对此不再赘述。
值得注意的是，在本实现方式中，预设值是根据目标用户群体的历史行为数据确定的，其中，目标用户群体可以根据实际需求而确定，具体的，该目标用户群体可以包括与历史行为数据集合对应的指定应用程序中的全部或部分已注册用户。
对应的，步骤204可以包括：根据所述待评价用户的清洗后历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值。
在实际应用中，步骤204具体可以包括：对于每个预设行为特征，获取所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据。对所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据按从小到大排列，得到清洗后历史行为数据序列。确定所述清洗后历史行为数据序列的各个百分位的百分位数。确定所述待评价用户的所述预设行为特征对应的清洗后历史行为数据所落入的百分位数区间。根据所述百分位数区间对应的最大百分位，确定所述待评价用户的所述预设行为特征的行为特征值。
在本说明书实施例中，确定待评价用户的各个预设行为特征的行为特征值的实现方式，与图1中方法实施例提供的获取基准行为特征值的实现方式，采用的原理是相同的，对此不再赘述。
在本说明书实施例中，当目标用户群体中用户数量较大时，例如，当目标用户群体为指定应用程序中的全部已注册用户时，该目标用户群体中可能包含千万级的用户。在本实现方式中，通过生成针对千万级用户的清洗后历史行为数据序列，并根据清洗后历史行为数据序列的各个百分位的百分位数，可以快速确定出千万级用户的行为特征值，高效便捷。
步骤206：利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用图1中的用户行为价值评估模型的生成方法生成的。
在实际应用中，可以根据实际需求，将各个预设行为特征划分至不同的预设行为特征集合，而图1中的方法示出的是生成与一个预设行为特征集合对应的用户行为价值模型的方法。当预设行为特征集合的个数为N个，不同的预设行为特征集合中包含的各个行为特征均不同时，步骤206具体可以包括：
利用汇总函数表达式，根据所述行为特征值进行计算，得到所述待评价用
户的用户行为总价值，所述汇总函数表达式是对N个所述预设行为特征集合对应的N个目标函数表达式进行合并，得到汇总函数表达式，所述汇总函数表达式用于生成与N个所述预设行为特征集合对应的用户行为总价值，所述用户行为总价值为使用所述N个目标函数表达式计算得到的用户行为价值之和。
其中，与各个所述预设行为特征集合对应的各个目标函数表达式，是根据各个所述预设行为特征集合中的基准行为特征的标定权重以及每个非基准行为特征的标定权重而生成。
由于图1中方法的实施例中已对生成目标函数表达式以及汇总函数表达式的实现方式进行了解释说明，在此不再赘述。
在实际应用中，当生成待评价用户的用户行为总价值之后，图2中的方法还可以包括：
对所述用户行为总价值进行归一化，得到归一化后的用户行为总价值，所述归一化后的用户行为总价值落入预设数值区间；向所述待评价用户展示所述归一化后的用户行为总价值。
在实际应用中，利用汇总函数表达式生成的用户行为总价值可能为数十至上千的数值，为便于对用户行为总价值进行分析、存储，以及提升用户体验，可以对用户行为总价值进行归一化。其中，预设数值区间可以根据实际需要确定，例如，预设数值区间可以为[0,1]或者，[300，700]等，对此本说明书实施例不做具体限制。
本说明书实施例中，图2中方法及其实施例，通过对待评价用户的历史行为数据进行清洗，以提升生成的待评价用户的行为特征值的准确性，进而可以提升利用图1中方法生成的用户行为价值评估模型得到的待评价用户的用户行为价值的准确性。通过将图2中方法生成的待评价用户的用户行为价值展示给待评价用户，以满足待评价用户对于个人行为价值的了解需求。
基于同样的思路，本说明书实施例还提供了图1中方法对应的装置。图3为本说明书实施例提供的对应于图1的一种用户行为价值评估模型的生成装置的结构示意图。如图3所示，该装置可以包括：
第一获取模块302，用于获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征。
第二获取模块304，用于获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征。
最优权重比确定模块306，用于对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和。
标定权重确定模块308，用于根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重。
模型生成模块310，用于根据所述标定权重集合，生成用户行为价值评估模型。
基于图3的装置，本说明书实施例还提供了该装置的一些具体实施方案，下面进行说明。
可选的，所述最优权重比确定模块306，具体可以用于：
根据各个预设权重比，对每个所述用户样本的基准行为特征值及与所述非基准行为特征对应的非基准行为特征值进行加权求和计算，得到每个所述用户样本的与所述各个预设权重比对应的第一行为价值。以所述第一行为价值为纵坐标，以所述第一行为价值对应的标准正态分布的分位数为横坐标，在分位数-分位数图中绘制与所述各个预设权重比对应的第一行为价值曲线。计算所述各个预设权重比对应的第一行为价值曲线与目标函数的曲线之间的差异度；其中，所述目标函数可以为Y＝X，其中，Y为纵坐标，X为横坐标。确定所述差异度的最小值；将所述最小值对应的预设权重比，确定为所述非基准行为特征相对于所述基准行为特征的最优权重比。
可选的，第一获取模块302具体可以用于：
获取多个用户样本的与所述基准行为特征对应的历史行为数据；对所述多个用户样本的所述历史行为数据按从小到大排列，得到历史行为数据序列；确定所述历史行为数据序列的各个百分位的百分位数；对于任意一个所述用户样本，确定所述任意一个所述用户样本的所述历史行为数据落入的百分位数区间；根据所述百分位数区间对应的最大百分位，确定所述任意一个所述用户样本的与所述基准行为特征对应的基准行为特征值。
可选的，该装置还可以包括：清洗模块，用于按照预设规则，对各个所述用户样本的所述历史行为数据进行清洗，得到各个所述用户样本的清洗后历史行为数据，所述预设规则包括：若所述用户样本的所述历史行为数据大于预设值，则将所述用户样本的清洗后历史行为数据确定为所述预设值，所述预设值为所述多个用户样本的所述历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和。
可选的，所述模型生成模块310，具体可以用于：
根据所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，生成目标函数表达式，所述目标函数表达式用于计算与预设行为特征集合对应的用户行为价值，所述预设行为特征集合中包含所述基准行为特征以及全部的所述非基准行为特征，所述与预设行为特征集合对应的用户行为价值为所述预设行为特征集合中的各个行为特征的标定权重与所述各个行为特征对应的用户行为特征值的乘积之和。
可选的，所述预设行为特征集合的个数为N个，不同的所述预设行为特征集合中包含的各个行为特征均不同，所述装置还可以包括：
汇总函数表达式生成模块，用于对N个所述预设行为特征集合对应的N个目标函数表达式进行合并，得到汇总函数表达式，所述汇总函数表达式用于生成与N个所述预设行为特征集合对应的用户行为总价值，所述用户行为总价值为使用所述N个目标函数表达式计算得到的用户行为价值之和。
基于同样的思路，本说明书实施例还提供了图2中方法对应的装置。图4为本说明书实施例提供的对应于图2的一种用户行为价值的生成装置的结构示意图。如图4所示，该装置可以包括：
获取模块402，用于获取待评价用户的历史行为数据集合；
行为特征值确定模块404，用于根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；
用户行为价值生成模块406，用于利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用图1中的方法生成的。
基于图4的装置，本说明书实施例还提供了该装置的一些具体实施方案，下面进行说明。
可选的，所述装置还可以包括：清洗模块，用于按照预设规则，对所述历史行为数据集合进行清洗，得到所述待评价用户的清洗后历史行为数据集合，所述预设规则包括：对于所述历史行为数据集合中的每个历史行为数据，若所述历史行为数据大于预设值，则将所述历史行为数据对应的清洗后历史行为数据确定为所述预设值，所述预设值为目标用户群体的目标历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和，所述目标历史行为数据与所述历史行为数据的种类相同；
可选的，所述行为特征值确定模块404，具体可以用于：根据所述待评价用户的清洗后历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值。
可选的，所述行为特征值确定模块404，具体可以用于：
对于每个预设行为特征，获取所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据；对所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据按从小到大排列，得到清洗后历史行为数据序列；确定所述清洗后历史行为数据序列的各个百分位的百分位数；确定所述待评价用户的所述预设行为特征对应的清洗后历史行为数据所落入的百分位数区间；根据所述百分位数区间对应的最大百分位，确定所述待评价用户的所述预设行为特征的行为特征值。
可选的，所述用户行为价值生成模块406，具体可以用于：
利用汇总函数表达式，根据所述行为特征值进行计算，得到所述待评价用户的用户行为总价值，所述汇总函数表达式是对N个所述预设行为特征集合对应的N个目标函数表达式进行合并而得到的，所述汇总函数表达式用于生成与N个所述预设行为特征集合对应的用户行为总价值，所述用户行为总价值为使用所述N个目标函数表达式计算得到的用户行为价值之和。
可选的，该装置还可以包括：展示模块，用于对所述用户行为总价值进行归一化，得到归一化后的用户行为总价值，所述归一化后的用户行为总价值落入预设数值区间；向所述待评价用户展示所述归一化后的用户行为总价值。
基于同样的思路，本说明书实施例还提供了图1中方法对应的设备。
图5为本说明书实施例提供的对应于图1的一种用户行为价值评估模型的生成设备的结构示意图。如图5所示，设备500可以包括：
至少一个处理器510；以及，
与所述至少一个处理器通信连接的存储器530；其中，
所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述至少一个处理器510能够：
获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征。获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征。对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和。根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重。根据所述标定权重集合，生成用户行为价值评估模型。
基于同样的思路，本说明书实施例还提供了图2中方法对应的设备。
图6为本说明书实施例提供的对应于图2的一种用户行为价值的生成设备的结构示意图。如图6所示，设备600可以包括：
至少一个处理器610；以及，
与所述至少一个处理器通信连接的存储器630；其中，
所述存储器630存储有可被所述至少一个处理器610执行的指令620，所述指令被所述至少一个处理器610执行，以使所述至少一个处理器610能够：
获取待评价用户的历史行为数据集合；根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用图1中的方法生成的。
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。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(FieldProgrammableGateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell UniversityProgramming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书一个或多个实施例是参照根据本说明书一个或多个实施例的方法、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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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，对于系统实施例而言，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (22)

1.一种用户行为价值评估模型的生成方法，其特征在于，包括：
获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征；
获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征；
对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和；
根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重；
根据所述标定权重集合，生成用户行为价值评估模型。
2.如权利要求1所述的方法，其特征在于：
所述确定所述非基准行为特征相对于所述基准行为特征的最优权重比，具体包括：
根据各个预设权重比，对每个所述用户样本的基准行为特征值及与所述非基准行为特征对应的非基准行为特征值进行加权求和计算，得到每个所述用户样本的与所述各个预设权重比对应的第一行为价值；
以所述第一行为价值为纵坐标，以所述第一行为价值对应的标准正态分布的分位数为横坐标，在分位数-分位数图中绘制与所述各个预设权重比对应的第一行为价值曲线；
计算所述各个预设权重比对应的第一行为价值曲线与目标函数的曲线之间的差异度；
确定所述差异度的最小值；
将所述最小值对应的预设权重比，确定为所述非基准行为特征相对于所述基准行为特征的最优权重比。
3.如权利要求2所述的方法，其特征在于：所述目标函数为Y＝X，其中，Y为纵坐标，X为横坐标。
4.如权利要求1所述的方法，其特征在于：
所述获取基准行为特征值集合，具体包括：
获取多个用户样本的与所述基准行为特征对应的历史行为数据；
对所述多个用户样本的所述历史行为数据按从小到大排列，得到历史行为数据序列；
确定所述历史行为数据序列的各个百分位的百分位数；
对于任意一个所述用户样本，确定所述任意一个所述用户样本的所述历史行为数据落入的百分位数区间；
根据所述百分位数区间对应的最大百分位，确定所述任意一个所述用户样本的与所述基准行为特征对应的基准行为特征值。
5.如权利要求4所述的方法，其特征在于：
所述对所述多个用户样本的所述历史行为数据按从小到大排列之前，还包括：
按照预设规则，对各个所述用户样本的所述历史行为数据进行清洗，得到各个所述用户样本的清洗后历史行为数据，所述预设规则包括：若所述用户样本的所述历史行为数据大于预设值，则将所述用户样本的清洗后历史行为数据确定为所述预设值，所述预设值为所述多个用户样本的所述历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和；
所述对所述多个用户样本的所述历史行为数据按从小到大排列，具体包括：
对所述多个用户样本的清洗后历史行为数据按从小到大排列。
6.如权利要求1所述的方法，其特征在于：
所述根据所述标定权重集合，生成用户行为价值评估模型，具体包括：
根据所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，生成目标函数表达式，所述目标函数表达式用于计算与预设行为特征集合对应的用户行为价值，所述预设行为特征集合中包含所述基准行为特征以及全部的所述非基准行为特征，所述与预设行为特征集合对应的用户行为价值为所述预设行为特征集合中的各个行为特征的标定权重与所述各个行为特征对应的用户行为特征值的乘积之和。
7.如权利要求6所述的方法，其特征在于，所述预设行为特征集合的个数为N个，不同的所述预设行为特征集合中包含的各个行为特征均不同，所述生成目标函数表达式之后，还包括：
对N个所述预设行为特征集合对应的N个目标函数表达式进行合并，得到汇总函数表达式，所述汇总函数表达式用于生成与N个所述预设行为特征集合对应的用户行为总价值，所述用户行为总价值为使用所述N个目标函数表达式计算得到的用户行为价值之和。
8.一种用户行为价值的生成方法，其特征在于，包括：
获取待评价用户的历史行为数据集合；
根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；
利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用权利要求1中的方法生成的。
9.如权利要求8所述的方法，其特征在于，
所述根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值之前，还包括：
按照预设规则，对所述历史行为数据集合进行清洗，得到所述待评价用户的清洗后历史行为数据集合，所述预设规则包括：对于所述历史行为数据集合中的每个历史行为数据，若所述历史行为数据大于预设值，则将所述历史行为数据对应的清洗后历史行为数据确定为所述预设值，所述预设值为目标用户群体的目标历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和，所述目标历史行为数据与所述历史行为数据的种类相同；
所述根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值，具体包括：
根据所述待评价用户的清洗后历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值。
10.如权利要求9所述的方法，其特征在于，
所述根据所述待评价用户的清洗后历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值，具体包括：
对于每个预设行为特征，获取所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据；
对所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据按从小到大排列，得到清洗后历史行为数据序列；
确定所述清洗后历史行为数据序列的各个百分位的百分位数；
确定所述待评价用户的所述预设行为特征对应的清洗后历史行为数据所落入的百分位数区间；
根据所述百分位数区间对应的最大百分位，确定所述待评价用户的所述预设行为特征的行为特征值。
11.如权利要求8所述的方法，其特征在于，所述利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，具体包括：
利用汇总函数表达式，根据所述行为特征值进行计算，得到所述待评价用户的用户行为总价值，所述汇总函数表达式是利用权利要求7中所述的方法生成的。
12.如权利要求11所述的方法，其特征在于，所述利用汇总函数表达式，根据所述行为特征值进行计算，得到所述待评价用户的用户行为总价值之后，还包括：
对所述用户行为总价值进行归一化，得到归一化后的用户行为总价值，所述归一化后的用户行为总价值落入预设数值区间；
向所述待评价用户展示所述归一化后的用户行为总价值。
13.一种用户行为价值评估模型的生成装置，其特征在于，包括：
第一获取模块，用于获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征；
第二获取模块，用于获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征；
最优权重比确定模块，用于对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和；
标定权重确定模块，用于根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重；
模型生成模块，用于根据所述标定权重集合，生成用户行为价值评估模型。
14.如权利要求13所述的装置，其特征在于：所述最优权重比确定模块，具体用于：
根据各个预设权重比，对每个所述用户样本的基准行为特征值及与所述非基准行为特征对应的非基准行为特征值进行加权求和计算，得到每个所述用户样本的与所述各个预设权重比对应的第一行为价值；
以所述第一行为价值为纵坐标，以所述第一行为价值对应的标准正态分布的分位数为横坐标，在分位数-分位数图中绘制与所述各个预设权重比对应的第一行为价值曲线；
计算所述各个预设权重比对应的第一行为价值曲线与目标函数的曲线之间的差异度；
确定所述差异度的最小值；
将所述最小值对应的预设权重比，确定为所述非基准行为特征相对于所述基准行为特征的最优权重比。
15.如权利要求13所述的装置，其特征在于：所述模型生成模块，具体用于：
根据所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，生成目标函数表达式，所述目标函数表达式用于计算与预设行为特征集合对应的用户行为价值，所述预设行为特征集合中包含所述基准行为特征以及全部的所述非基准行为特征，所述与预设行为特征集合对应的用户行为价值为所述预设行为特征集合中的各个行为特征的标定权重与所述各个行为特征对应的用户行为特征值的乘积之和。
16.如权利要求15所述的装置，其特征在于，所述预设行为特征集合的个数为N个，不同的所述预设行为特征集合中包含的各个行为特征均不同，所述装置还包括：
汇总函数表达式生成模块，用于对N个所述预设行为特征集合对应的N个目标函数表达式进行合并，得到汇总函数表达式，所述汇总函数表达式用于生成与N个所述预设行为特征集合对应的用户行为总价值，所述用户行为总价值为使用所述N个目标函数表达式计算得到的用户行为价值之和。
17.一种用户行为价值的生成装置，其特征在于，包括：
获取模块，用于获取待评价用户的历史行为数据集合；
行为特征值确定模块，用于根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；
用户行为价值生成模块，用于利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用权利要求1中的方法生成的。
18.如权利要求17所述的装置，其特征在于，所述装置还包括：
清洗模块，用于按照预设规则，对所述历史行为数据集合进行清洗，得到所述待评价用户的清洗后历史行为数据集合，所述预设规则包括：对于所述历史行为数据集合中的每个历史行为数据，若所述历史行为数据大于预设值，则将所述历史行为数据对应的清洗后历史行为数据确定为所述预设值，所述预设值为目标用户群体的目标历史行为数据的第三四分位数与第一四分位数之差的1.5倍同中位数之和，所述目标历史行为数据与所述历史行为数据的种类相同；
所述行为特征值确定模块，具体用于：
根据所述待评价用户的清洗后历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值。
19.如权利要求18所述的装置，其特征在于，所述行为特征值确定模块，具体用于：
对于每个预设行为特征，获取所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据；
对所述目标用户群体的与所述预设行为特征对应的清洗后历史行为数据按从小到大排列，得到清洗后历史行为数据序列；
确定所述清洗后历史行为数据序列的各个百分位的百分位数；
确定所述待评价用户的所述预设行为特征对应的清洗后历史行为数据所落入的百分位数区间；
根据所述百分位数区间对应的最大百分位，确定所述待评价用户的所述预设行为特征的行为特征值。
20.如权利要求17所述的装置，其特征在于，所述用户行为价值生成模块，具体用于：
利用汇总函数表达式，根据所述行为特征值进行计算，得到所述待评价用户的用户行为总价值，所述汇总函数表达式是利用权利要求7中所述的方法生成的。
21.一种用户行为价值评估模型的生成设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取基准行为特征值集合；所述基准行为特征值集合中包含多个用户样本的基准行为特征值，所述基准行为特征值集合对应于一个基准行为特征；
获取至少一个非基准行为特征值集合；一个所述非基准行为特征值集合中包含所述多个用户样本的同一种非基准行为特征值，不同的所述非基准行为特征值集合对应于不同的非基准行为特征；
对于每个所述非基准行为特征值集合对应的非基准行为特征，确定所述非基准行为特征相对于所述基准行为特征的最优权重比，得到最优权重比集合；所述最优权重比为使得所述用户样本的第一行为价值的分布与正态分布之间的差异性最小的预设权重比；所述第一行为价值为所述用户样本的所述非基准行为特征对应的非基准行为特征值与预设权重比之积同所述用户样本的所述基准行为特征值的和；
根据预设总权重以及所述最优权重比集合，确定所述基准行为特征的标定权重以及每个所述非基准行为特征的标定权重，得到标定权重集合，所述基准行为特征的标定权重与全部所述非基准行为特征的标定权重之和等于所述预设总权重；
根据所述标定权重集合，生成用户行为价值评估模型。
22.一种用户行为价值的生成设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待评价用户的历史行为数据集合；
根据所述历史行为数据集合，确定所述待评价用户的各个预设行为特征的行为特征值；
利用用户行为价值评估模型对所述行为特征值进行处理，得到所述待评价用户的用户行为价值，所述用户行为价值评估模型是利用权利要求1中的方法生成的。
CN201911306137.9A 2019-12-18 2019-12-18 一种用户行为价值评估模型的生成方法、装置及设备 Active CN111104979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911306137.9A CN111104979B (zh) 2019-12-18 2019-12-18 一种用户行为价值评估模型的生成方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911306137.9A CN111104979B (zh) 2019-12-18 2019-12-18 一种用户行为价值评估模型的生成方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111104979A true CN111104979A (zh) 2020-05-05
CN111104979B CN111104979B (zh) 2023-08-01

Family

ID=70421893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911306137.9A Active CN111104979B (zh) 2019-12-18 2019-12-18 一种用户行为价值评估模型的生成方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111104979B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105094305A (zh) * 2014-05-22 2015-11-25 华为技术有限公司 识别用户行为的方法、用户设备及行为识别服务器
US20170032274A1 (en) * 2015-07-27 2017-02-02 Pivotal Software, Inc. Classifying user behavior as anomalous
CN106777169A (zh) * 2016-12-21 2017-05-31 北京车网互联科技有限公司 一种基于车联网数据的用户出行喜好分析方法
CN108537397A (zh) * 2017-03-01 2018-09-14 腾讯科技（深圳）有限公司 一种互联网征信评估方法和系统
CN109189805A (zh) * 2018-08-28 2019-01-11 拉扎斯网络科技（上海）有限公司 行为处理方法、装置、电子设备及计算机可读存储介质
CN109635010A (zh) * 2018-12-26 2019-04-16 深圳市梦网百科信息技术有限公司 一种用户特征及特征因子抽取、查询方法和系统
CN109636081A (zh) * 2018-09-29 2019-04-16 阿里巴巴集团控股有限公司 一种用户安全意识检测方法和装置
CN109785034A (zh) * 2018-11-13 2019-05-21 北京码牛科技有限公司 用户画像生成方法、装置、电子设备及计算机可读介质
CN109858970A (zh) * 2019-02-02 2019-06-07 中国银行股份有限公司 一种用户行为预测方法、装置及存储介质
CN110069545A (zh) * 2019-03-07 2019-07-30 阿里巴巴集团控股有限公司 一种行为数据评估方法及装置
CN110096526A (zh) * 2019-04-30 2019-08-06 秒针信息技术有限公司 一种用户属性标签的预测方法及预测装置
CN110175438A (zh) * 2019-05-27 2019-08-27 北京奇艺世纪科技有限公司 分享账号检测方法及相关设备
CN110390563A (zh) * 2019-07-17 2019-10-29 世纪龙信息网络有限责任公司 用户价值的量化方法、装置、计算机设备和存储介质
WO2019218427A1 (zh) * 2018-05-17 2019-11-21 深圳市鹰硕技术有限公司 基于行为特征对比的关注度检测方法以及装置
CN115375177A (zh) * 2022-09-14 2022-11-22 康键信息技术（深圳）有限公司 用户价值评估方法、装置、电子设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105094305A (zh) * 2014-05-22 2015-11-25 华为技术有限公司 识别用户行为的方法、用户设备及行为识别服务器
US20170032274A1 (en) * 2015-07-27 2017-02-02 Pivotal Software, Inc. Classifying user behavior as anomalous
CN106777169A (zh) * 2016-12-21 2017-05-31 北京车网互联科技有限公司 一种基于车联网数据的用户出行喜好分析方法
CN108537397A (zh) * 2017-03-01 2018-09-14 腾讯科技（深圳）有限公司 一种互联网征信评估方法和系统
WO2019218427A1 (zh) * 2018-05-17 2019-11-21 深圳市鹰硕技术有限公司 基于行为特征对比的关注度检测方法以及装置
CN109189805A (zh) * 2018-08-28 2019-01-11 拉扎斯网络科技（上海）有限公司 行为处理方法、装置、电子设备及计算机可读存储介质
CN109636081A (zh) * 2018-09-29 2019-04-16 阿里巴巴集团控股有限公司 一种用户安全意识检测方法和装置
CN109785034A (zh) * 2018-11-13 2019-05-21 北京码牛科技有限公司 用户画像生成方法、装置、电子设备及计算机可读介质
CN109635010A (zh) * 2018-12-26 2019-04-16 深圳市梦网百科信息技术有限公司 一种用户特征及特征因子抽取、查询方法和系统
CN109858970A (zh) * 2019-02-02 2019-06-07 中国银行股份有限公司 一种用户行为预测方法、装置及存储介质
CN110069545A (zh) * 2019-03-07 2019-07-30 阿里巴巴集团控股有限公司 一种行为数据评估方法及装置
CN110096526A (zh) * 2019-04-30 2019-08-06 秒针信息技术有限公司 一种用户属性标签的预测方法及预测装置
CN110175438A (zh) * 2019-05-27 2019-08-27 北京奇艺世纪科技有限公司 分享账号检测方法及相关设备
CN110390563A (zh) * 2019-07-17 2019-10-29 世纪龙信息网络有限责任公司 用户价值的量化方法、装置、计算机设备和存储介质
CN115375177A (zh) * 2022-09-14 2022-11-22 康键信息技术（深圳）有限公司 用户价值评估方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
IHN-HAN BAE 等: ""Design and Evaluation of a Dynamic Anomaly Detection Scheme Using the Age of User Profiles"", 《FOURTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (FSKD 2007)》 *
IHN-HAN BAE 等: ""Design and Evaluation of a Dynamic Anomaly Detection Scheme Using the Age of User Profiles"", 《FOURTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (FSKD 2007)》, 18 December 2007 (2007-12-18), pages 1 - 5 *
张佳乐 等: ""基于模糊综合策略的用户行为评估方法"", 《计算机技术与发展》 *
张佳乐 等: ""基于模糊综合策略的用户行为评估方法"", 《计算机技术与发展》, vol. 27, no. 5, 13 March 2017 (2017-03-13), pages 138 - 143 *
陆悠 等: "面向网络状态的自适应用户行为评估方法", 通信学报, vol. 34, no. 07, pages 71 - 80 *

Also Published As

Publication number Publication date
CN111104979B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN109063886B (zh) 一种异常检测方法、装置以及设备
CN107040397B (zh) 一种业务参数获取方法及装置
CN110163417B (zh) 一种业务量的预测方法、装置及设备
Qin et al. Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning.
CN108596410B (zh) 一种风控事件自动处理方法及装置
CN110971659A (zh) 推荐消息的推送方法、装置及存储介质
CN111931345B (zh) 一种监测数据预测方法、装置、设备及可读存储介质
CN110686633A (zh) 一种滑坡位移预测方法、装置及电子设备
CN110826894A (zh) 超参数确定方法、装置及电子设备
CN114490786B (zh) 数据排序方法及装置
CN107391564B (zh) 数据转换方法、装置以及电子设备
CN110516915A (zh) 业务节点训练、评估方法、装置及电子设备
CN108446359B (zh) 信息推荐方法和装置
CN115456801B (zh) 个人信用的人工智能大数据风控系统、方法和存储介质
CN111104979A (zh) 一种用户行为价值评估模型的生成方法、装置及设备
Stimberg et al. Inference in continuous-time change-point models
CN113961765B (zh) 基于神经网络模型的搜索方法、装置、设备和介质
CN115618748A (zh) 一种模型优化的方法、装置、设备及存储介质
CN115408449A (zh) 一种用户行为的处理方法、装置及设备
CN108805385A (zh) 一种评价商户的经营状况的方法、装置及设备
CN108664401B (zh) 埋点合理性的评估方法及装置
CN108762959B (zh) 一种选取系统参数的方法、装置及设备
CN113205377A (zh) 一种信息推荐的方法及装置
CN113342405B (zh) 一种服务恢复的方法、装置以及设备
CN117494068B (zh) 一种结合深度学习与因果推断的网络舆情分析方法及装置

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
CB02 Change of applicant information

Address after: 100000 room 701, 6 / F, building 1, No. 1, xidawang Road, Chaoyang District, Beijing

Applicant after: Beijing Mind Creation Information Technology Co.,Ltd.

Address before: Room 2802, 24 / F, building 4, 89 Jianguo Road, Chaoyang District, Beijing

Applicant before: Beijing Mind Creation Information Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant