CN111125519B - 用户行为预测方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本发明实施例公开了一种用户行为预测方法、装置、电子设备以及存储介质，其中，该用户行为预测包括：获取在第一时间节点前构建的基础预测模型，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，根据目标预测模型对用户的行为进行预测，得到预测结果，该方案可以减少模型训练的时间，进而提高预测用户行为的效率。

Description

用户行为预测方法、装置、电子设备以及存储介质

技术领域

本发明涉及计算机技术领域，具体涉及一种用户行为预测方法、装置、电子设备以及存储介质。

背景技术

随着人工智能(Artificial Intelligence，AI)技术的发展，人工智能技术也应用在越来越多的领域上，其中，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能软件技术主要为机器学习和深度学习，其中，机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习以及归纳学习式教学习等技术。

比如，通常会采用模型预测用户观看某些推广信息后，进行深度浏览的概率，然而，在目前的方案中，由于训练的数据量大，导致训练时间长，进而降低了预测效率。

发明内容

本发明实施例提供一种用户行为预测方法、装置、电子设备以及存储介质，可以减少模型训练的时间，进而提高预测用户行为的效率。

本发明实施例提供了一种用户行为预测方法，包括：

获取在第一时间节点前构建的基础预测模型；

采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，所述第一时间节点在第二时间节点之前；

通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组；

基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型；

根据所述目标预测模型对用户的行为进行预测，得到预测结果。

相应的，本发明实施例还提供了一种行为预测装置，包括：

获取模块，用于获取在第一时间节点前构建的基础预测模型；

采集模块，用于采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，所述第一时间节点在第二时间节点之前；

选取模块，用于通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组；

训练模块，用于基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型；

预测模块，用于根据所述目标预测模型对用户的行为进行预测，得到预测结果。

可选的，在本发明的一些实施例中，所述选取模块包括：

第一获取单元，用于获取预设数据排列窗口对应的第一尺寸；

第一选取单元，用于在所述用户行为数据集中选取与所述第一尺寸对应数量的数据；

第一排列单元，用于对选取到的数据进行随机排列，得到重排后数据组。

可选的，在本发明的一些实施例中，所述第一选取单元具体用于：

提取用户行为数据集中的每个数据对应的时间戳；

基于所述时间戳，在所述用户行为数据集中选取与所述第一尺寸对应数量的数据。

可选的，在本发明的一些实施例中，预设数据排列窗口包括多个子排列窗口，所述选取模块包括：

第二获取单元，用于获取每个子排列窗口对应的第二尺寸；

第二排列单元，用于基于多个第二尺寸，按照预设顺序对多个子排列窗口进行排列；

第二选取单元，用于通过排列后的多个子排列窗口，在所述用户行为数据集中选取与第二尺寸对应数量的数据，得到每个子排列窗口对应的数据序列；

第二排列单元，用于分别对数据序列中的数据进行随机排列，得到多个重排数据序列。

可选的，在本发明的一些实施例中，所述第二排列单元具体用于：

分别检测数据序列中数据的数量是否满足预设条件；

对满足预设条件的数据序列中的数据进行随机排列，得到多个重排数据序列。

可选的，在本发明的一些实施例中，所述预测模块具体用于：

在所述用户行为数据集去除重排后数据组所包含的数据，得到保留数据；根据保留数据以及重排后数据组，构建训练数据集；

获取训练数据集中每个数据对应的行为真实值；

将训练数据集中的数据输入至基础预测模型中，得到训练数据集中每个数据对应的行为预测值；

基于行为真实值以及行为预测值对基础预测模型进行收敛，得到用于预测用户行为的目标预测模型。

可选的，在本发明的一些实施例中，所述获取模块具体用于：

获取在历史时间节点前构建的待训练预测模型，所述历史时间节点在第一时间节点之前；

采集用户在历史时间节点与第一时间节点之间产生的历史行为数据，得到历史行为数据集；

通过预设数据排列窗口对所述用户历史行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后历史数据组；

基于历史行为数据集以及重排后历史数据组对待训练预测模型进行训练，得到基础预测模型。

可选的，在本发明的一些实施例中，所述预测模块具体用于：

获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据；

基于所述目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率。

本发明实施例在获取在第一时间节点前构建的基础预测模型后，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，然后，通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，接着，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，最后，根据所述目标预测模型对用户的行为进行预测，得到预测结果。因此，该方案可以减少模型训练的时间，进而提高预测用户行为的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本发明实施例提供的用户行为预测方法的场景示意图；

图1b是本发明实施例提供的用户行为预测方法的流程示意图；

图2a是本发明实施例提供的用户行为预测方法的另一流程示意图；

图2b是本发明实施例提供的用户行为预测方法的另一场景示意图；

图2c是本发明实施例提供的第一显示页面的示意图；

图2d是本发明实施例提供的第二显示页面的界面示意图；

图2e是本发明实施例提供的模型训练的场景示意图；

图3是本发明实施例提供的用户行为预测装置的结构示意图；

图4是本发明实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种用户行为预测系统，以下简称检测系统。

其中，该检测系统可以包括用户、终端以及服务器，该用户行为预测具体可以集成在服务器中，服务器可以包括一个独立运行的服务器或者分布式服务器，也可以包括由多个服务器组成的服务器集群。

例如，请参阅图1a，该用户行为预测装置集成在服务器上，用户可以通过终端的显示屏浏览推广信息，服务器可以获取在第一时间节点前构建的基础预测模型，然后，服务器可以采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，其中，服务器也可以分别采集多个用户在第一时间节点与第二时间节点之间产生的用户行为数据，在此，为了方便描述，以采集一个用户为例进行说明，接着，服务器通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，再然后，服务器基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，最后，服务器根据目标预测模型对用户的行为进行预测，得到预测结果。

由于该方案是通过在第一时间节点前构建的基础预测模型上增加训练数据(用户行为数据集)，因此，可以减少模型训练的时间，从而提高预测用户行为的效率，此外，该方案还通过对预设数据排列窗口选取到的数据进行随机排列，从而可以提高模型的泛化能力，进而提高预测结果的准确性。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。

一种用户行为预测方法，包括：获取在第一时间节点前构建的基础预测模型，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，根据目标预测模型对用户的行为进行预测，得到预测结果。

请参阅图1b，图1b为本发明实施例提供的用户行为预测方法的流程示意图。该用户行为预测方法的具体流程可以如下：

10 1、获取在第一时间节点前构建的基础预测模型。

其中，第一时间节点在第二时间节点之前，例如，可以获取在第一时间节点前构建的初始化的预测模型，该预测模型中的模型参数为初始化的参数值，可以随机确定，后续可以根据用户行为数据集对该预测模型进行训练，从而对该预测模型中的模型参数进行调整。其中，该基础预测模型可以为卷积神经网络模型、深度学习网络模型、循环神经网络模型或长短期记忆网络模型等等。需要说明的是，在本发明的一些实施例中，第一时间节点之前可以包括第一时间节点，具体根据实际情况设定。

可选的，为了避免样本数据的不足而导致预测结果不准确的情况，可以获取在第一时间节点前使用全部训练数据训练构建的基础预测模型，后续可以根据用户行为数据集对该基础预测模型进行训练，即，在一些实施例中，步骤″获取在第一时间节点前构建的基础预测模型″，具体可以包括：

(11)获取在历史时间节点前构建的待训练预测模型，其中，历史时间节点在第一时间节点之前；

(12)采集用户在历史时间节点与第一时间节点之间产生的历史行为数据，得到历史行为数据集；

(13)通过预设数据排列窗口对用户历史行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后历史数据组；

(14)基于历史行为数据集以及重排后历史数据组对待训练预测模型进行训练，得到基础预测模型。

其中，待训练预测模型的模型参数可以为初始化的参数值，可以随机确定，后续可以根据历史行为数据集对该待训练预测模型进行训练，从而对该待训练预测模型中的模型参数进行调整，得到基础预测模型。当然，待训练预测模型还可以是根据历史时间节点之前构建的模型通过训练得到的，在此，需要引进两个概念：全量训练和增量训练。全量训练指的是每次训练的模型对应的模型参数随机初始化，然后使用全部训练数据对模型进行训练；增量训练指的是每次以前一次训练好的模型作为基础模型，然后使用部分最新的训练数据训练该基础模型。需要说明的是，在本发明实施例中，历史时间节点之前可以包括历史时间节点，具体根据实际情况设定。

优选的，在本发明实施例中，为了减少模型训练的时间和降低对训练设备的要求，以待训练预测模型为基础，采用增量训练的方式，训练得到基础预测模型，当然，待训练预测模型也可以通过增量训练的方式训练得到，具体根据实际情况进行选择。

需要说明的是，该基础预测模型可以包括四个卷积层和一个全连接层。

卷积层：主要用于对输入的用户行为数据进行特征提取，其中，卷积核大小可以根据实际应用而定，比如，从第一层卷积层至第四层卷积层的卷积核大小依次可以为(7，7)，(5，5)，(3，3)，(3，3)；可选的，为了降低计算的复杂度，提高计算效率，在本实施例中，这四层卷积层的卷积核大小可以都设置为(3，3)，激活函数均采用″relu(线性整流函数，Rectified Linear Unit)″，而padding(padding，指属性定义元素边框与元素内容之间的空间)方式均设置为″same″，″same″填充方式可以简单理解为以0填充边缘，左边(上边)补0的个数和右边(下边)补0的个数一样或少一个。可选的，卷积层与卷积层之间可以通过直连的方式连接，从而加快网络收敛速度，为了进一步减少计算量，还可以在第二至第四层卷积层中的所有层或任意1～2层进行下采样(pooling)操作，该下采样操作与卷积的操作基本相同，只不过下采样的卷积核为只取对应位置的最大值(max pooling)或平均值(averagepooling)等，为了描述方便，在本发明实施例中，将均以在第二层卷积层和第三次卷积层中进行下采样操作，且该下采样操作具体为max pooling为例进行说明。

需说明的是，为了描述方便，在本发明实施例中，将激活函数所在层和下采样层(也称为池化层)均归入卷积层中，应当理解的是，也可以认为该结构包括卷积层、激活函数所在层、下采样层(即池化层)和全连接层，当然，还可以包括用于输入数据的输入层和用于输出数据的输出层，在此不再赘述。

全连接层：可以将学到的特征映射到样本标记空间，其在整个卷积神经网络中主要起到″分类器″的作用，全连接层的每一个结点都与上一层(如卷积层中的下采样层)输出的所有结点相连，其中，全连接层的一个结点即称为全连接层中的一个神经元，全连接层中神经元的数量可以根据实际应用的需求而定，可选的，在全连接层中，也可以通过加入激活函数来加入非线性因素，比如，可以加入激活函数sigmoid(S型函数)。

102、采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集。

其中，用户行为数据均基于经过充分征求用户同意的前提下进行采集的，该采集过程确保了保护用户隐私的同时，能够获取相关数据以优化和提升预测模型。

其中，第一时间节点和第二时间节点可以根据实际情况进行选择的，比如，以当前时间点第n天作为第二时间节点，需要采集用户8天内产生的用户行为数据，那么第一时间节点则为第n-8天。

103、通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组。

由于用户行为数据集中的数据是用户在第一时间节点与第二时间节点之间产生的用户行为数据，因此，用户行为数据集中的数据在时间上具有连续性，若后续直接采用用户行为数据集对基础预测模型进行训练，可能会导致训练得到的模型泛化能力不强，进而导致预测结果不准确。

比如，在预测用户的深度浏览概率的场下，若用户并不是在浏览推广信息的当天进行深度浏览的，而是在浏览推广信息后的第五天才进行深度浏览的，也就是说，第五天的用户行为数据会记录有用户进行深度浏览的情况，由于用户行为数据集中的数据在时间上具有连续性，直接采用该用户行为数据集对基础预测模型进行训练，训练得到的模型对应的模型参数也会受到用户行为数据集的时间连续性的影响，导致训练得到的模型泛化能力不强，进而导致预测结果不准确，因此，需要对用户行为数据集中的数据进行随机排列。

其中，可以通过预设数据排列窗口对用户行为数据集中的数据进行随机排列，比如，根据预设数据排列窗口的尺寸，在用户行为数据集中选取相应数量的数据，并对选取到的数据进行随机排列，得到重排数据组，即，在一些实施例中，步骤″通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组″，具体可以包括：

(21)获取预设数据排列窗口对应的第一尺寸；

(22)在用户行为数据集中选取与第一尺寸对应数量的数据；

(23)对选取到的数据进行随机排列，得到重排后数据组。

比如，用户行为数据集包括8天的数据，预设数据排列窗口对应的第一尺寸为7，那么，可以在用户行为数据集中选取7天的数据，并对这7天的数据进行随机排列，得到重排后数据组。

为了进一步避免选取到的数据之间在时间上存在连续性，因此，可以根据用户行为数据集中每个数据对应的时间戳，在用户行为数据集中选取与第一尺寸对应数量的数据，即，步骤″在用户行为数据集中选取与第一尺寸对应数量的数据″，具体可以包括：

(31)提取用户行为数据集中的每个数据对应的时间戳；

(32)基于时间戳，在用户行为数据集中选取与第一尺寸对应数量的数据。

可选的，在一些实施例中，当预设数据排列窗口包括多个子排列窗口时，可以根据每个子排列窗口的尺寸，在用户行为数据集中选取相应的数据，并分别对选取到的数据进行随机排列，也即，步骤″通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组″，具体可以包括：

(41)获取每个子排列窗口对应的第二尺寸；

(42)基于多个第二尺寸，按照预设顺序对多个子排列窗口进行排列；

(43)通过排列后的多个子排列窗口，在用户行为数据集中选取与第二尺寸对应数量的数据，得到每个子排列窗口对应的数据序列；

(44)分别对数据序列中的数据进行随机排列，得到多个重排数据序列。

比如，用户行为数据集包括9天的数据，排列窗口包括3个子排列窗口，其中，这3个子排列窗口对应的第二尺寸可以分别为2、3以及4，然后，可以基于每个子排列窗口对应的第二尺寸，按照有小到大的顺序对这3个子排列窗口进行排列，接着，通过排列后的3个子排列窗口，分别在用户行为数据集中选取与第二尺寸对应数量的数据，比如，通过排列后的3个子排列窗口依次选取用户行为数据集中的数据，排列后的第一个子排列窗口选取第一天的数据和第二天的数据，排列后的第二个子排列窗口选取第三天的数据、第四天的数据以及第五天的数据，排列后的第三个子排列窗口选取第六天的数据、第七天的数据、第八天的数据以及第九天的数据，得到每个子排列窗口对应的数据序列，最后，分别对数据序列中的数据进行随机排列，得到多个重排数据序列。

需要说明的是，若用户行为数据集包括8天的数据，排列窗口包括3个子排列窗口，其中，这3个子排列窗口对应的第二尺寸可以分别为2、3以及4，这3个子窗口可以将用户行为数据集中的数据全部选取到，其中，第二尺寸为2的子排列窗口中的数据只有一个，因此，不需要对第二尺寸为2的子排列窗口中数据进行随机排列，即，分别对其余两个子排列窗口中的数据进行随机排列，进而得到两个重排数据序列。

104、基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型。

其中，基础预测模型可以采用轻量化的深度网络模型，比如，该深度网络模型可以采用6个卷积层和2个全连接层，为了防止过拟合，该深度网络模型中还可以加入正则化损失函数，通过梯度后向传递的方式迭代更新模型参数，实现对该网络模型的训练，进而得到目标预测模型。

具体的，可以基于用户行为数据集以及重排后数据组，构建训练数据集，然后，获取训练数据集中每个数据对应的行为真实值，该行为真实值可以是用户针对推广信息所产生的深度浏览的次数或频率，然后，将训练数据集中的数据输入至基础预测模型中，得到训练数据集中每个数据对应的行为预测值，最后，基于行为真实值以及行为预测值对基础预测模型进行收敛，得到用于预测用户行为的目标预测模型，即，在一些实施例中，步骤″基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型″，具体可以包括：

(51)在用户行为数据集去除重排后数据组所包含的数据，得到保留数据；

(52)根据保留数据以及重排后数据组，构建训练数据集；

(53)获取训练数据集中每个数据对应的行为真实值；

(54)将训练数据集中的数据输入至基础预测模型中，得到训练数据集中每个数据对应的行为预测值；

(55)基于行为真实值以及行为预测值对基础预测模型进行收敛，得到用于预测用户行为的目标预测模型。

若用户针对推广信息所产生的深度浏览大于等于1次，那么该用户对应的用户行为数据的真实值为真，若用户针对推广信息所产生的深度浏览为0次，那么该用户对应的用户行为数据的真实值为假，比如，训练数据A的行为真实值为真，将该训练数据A输入至基础预测模型中，得到该训练数据A对应的行为预测值为假，然后，基于行为真实值以及行为预测值对基础预测模型的模型参数进行调整，直到该训练数据A的行为预测值为真，同样地，对于其他训练数据而言也可以采用同样的方法，当所有训练数据均训练完毕，得到用于预测用户行为的目标预测模型。

105、根据目标预测模型对用户的行为进行预测，得到预测结果。

在本发明实施例中，用户行为预测指的是预测用户在接收到推广信息后所产生的深度浏览的次数或频率，其中，用户行为还可以是用户的点击率、点击量、访问次数或访问时间等等，也就是说，在一些实施例中，可以根据用户行为的类型的不同，目标预测模型可以包括深度浏览预测模型、网页访问次数预测模型以及推广信息点击率预测模型。

可选的，在一些实施例中，当该模型用于对用户进行深度浏览的概率进行预测，可以获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据，然后，基于目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率，即，步骤″根据目标预测模型对用户的行为进行预测，得到预测结果″，具体可以包括：

(61)获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据；

(62)基于目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率。

本发明实施例在获取在第一时间节点前构建的基础预测模型后，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，然后，通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，接着，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，最后，根据目标预测模型对用户的行为进行预测，得到预测结果。相较于现有的用户行为预测方案而言，本发明的用户行为预测方法可以通过在第一时间节点前构建的基础预测模型上，基于用户行为数据集，通过训练的方式基础预测模型进行训练，因此，可以减少模型训练的时间，从而提高预测用户行为的效率，此外，该方案还通过对预设数据排列窗口选取到的数据进行随机排列，从而可以提高模型的泛化能力，进而提高预测结果的准确性。

根据实施例所述的方法，以下将举例进一步详细说明。

在本实施例中将以该用户行为预测装置具体集成在服务器中为例进行说明。

请参阅图2a，一种用户行为预测方法，具体流程可以如下：

201、服务器获取在第一时间节点前构建的基础预测模型。

例如，具体的，服务器可以获取在第一时间节点前构建的初始化的预测模型，该预测模型中的模型参数为初始化的参数值，可以随机确定，后续可以根据用户行为数据集对该预测模型进行训练，从而对该预测模型中的模型参数进行调整。其中，该基础预测模型可以为卷积神经网络模型、深度学习网络模型、循环神经网络模型或长短期记忆网络模型等等。

可选的，在一些实施例中，为了避免样本数据的不足而导致预测结果不准确的情况，服务器可以获取在第一时间节点前使用全部训练数据训练构建的基础预测模型。

202、服务器采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集。

其中，第一时间节点在第二时间节点之前，比如，具体的，服务器可以获取用户在第一时间节点与第二时间节点之间产生的用户行为数据，如服务器可以获取用户浏览推广信息后所产生的点击数据等等。

203、服务器通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组。

由于用户行为数据集中的数据是用户在第一时间节点与第二时间节点之间产生的用户行为数据，因此，用户行为数据集中的数据在时间上具有连续性，若后续服务器直接采用用户行为数据集对基础预测模型进行训练，可能会导致训练得到的模型泛化能力不强，进而导致预测结果不准确。因此，服务器可以通过预设数据排列窗口对用户行为数据集中的数据进行随机排列，比如，根据预设数据排列窗口的尺寸，在用户行为数据集中选取相应数量的数据，并对选取到的数据进行随机排列，得到重排数据组。

204、服务器基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型。

比如，基础预测模型可以采用轻量化的深度网络模型，该深度网络模型可以采用6个卷积层和2个全连接层，为了防止过拟合，该深度网络模型中还可以加入正则化损失函数，通过梯度后向传递的方式迭代更新模型参数，实现对该网络模型的训练，进而得到目标预测模型。

205、服务器根据目标预测模型对用户的行为进行预测，得到预测结果。

服务器可以获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据，然后，基于目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率。

本发明实施例的服务器在获取在第一时间节点前构建的基础预测模型后，服务器采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，然后，服务器通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，接着，服务器基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，最后，服务器根据目标预测模型对用户的行为进行预测，得到预测结果。相较于现有的用户行为预测方案而言，本发明的服务器可以通过在第一时间节点前构建的基础预测模型上，基于用户行为数据集，通过增量训练的方式基础预测模型进行训练，因此，可以减少模型训练的时间，从而提高预测用户行为的效率，需要说明的是，由于全量训练模型在更新时，由于所采用的数据量大，因此，在更新时会出现抖动的情况，比如，在预测用户行为的场景下，全量模型训练由于更新，出现预估量骤降的情况，如图2b所示，而采用增量训练的方式，可以有效地避免更新时模型出现抖动的情况，此外，该方案还通过对预设数据排列窗口选取到的数据进行随机排列，从而可以提高模型的泛化能力，进而提高预测结果的准确性，。

为了便于对本发明实施例提供的用户行为预测方法的理解，以用户浏览推广信息的场景为例进行说明，用户可以通过手机浏览网页，服务器可以基于用户的用户画像如性别以及年龄等，向用户推送相应的推广信息，其中手机的显示屏可以显示该包括该推广信息的第一显示页面，如图2c所示，该第一显示页面可以包括推广内容以及页面跳转控件，若用户点击页面跳转控件，则可以将第一显示页面跳转至跳转控件对应的第二显示页面，用户可以基于第二显示页面显示的内容进行相应的操作，如点击下载控件下载对应的应用，如图2d所示，需要说明的是，深度浏览指的是用户点击页面跳转控件跳转至跳转控件对应的显示页面，在本发明实施例中，当用户浏览该推广信息后，服务器可以获取该用户浏览推广信息所产生的行为数据，得到预测转化率，然后，服务器可以通过预先训练好的目标预测模型对用户的转化率进行预估，其中，该目标预测模型是在第一时间节点前构建的基础预测模型的基础上，通过用户在第一时间节点与第二时间节点之间产生的用户行为数据训练得到的，具体的，服务器可以采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，比如，目标预测模型需要在6月11日上线，那么则需要采集6月3日至6月8日之间用户所产生的用户数据(即用户行为数据集)，然后，服务器可以通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，接着，服务器可以基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，如图2e所示。

为便于更好的实施本发明实施例的用户行为预测方法，本发明实施例还提供一种基于上述用户行为预测装置(简称预测装置)。其中名词的含义与上述用户行为预测方法中相同，具体实现细节可以参考方法实施例中的说明。

请参阅图3，图3为本发明实施例提供的用户行为预测装置的结构示意图，其中该预测装置可以包括获取模块301、采集模块302、选取模块303、训练模块304以及预测模块305，具体可以如下：

获取模块301，用于获取在第一时间节点前构建的基础预测模型。

例如，获取模块301可以获取在第一时间节点前构建的初始化的预测模型，该预测模型中的模型参数为初始化的参数值，可以随机确定，后续可以根据用户行为数据集对该预测模型进行训练，从而对该预测模型中的模型参数进行调整。其中，该基础预测模型可以为卷积神经网络模型、深度学习网络模型、循环神经网络模型或长短期记忆网络模型等等

可选的，在一些实施例中，获取模块301具体可以用于：获取在历史时间节点前构建的待训练预测模型，其中，历史时间节点在第一时间节点之前，采集用户在历史时间节点与第一时间节点之间产生的历史行为数据，得到历史行为数据集，通过预设数据排列窗口对用户历史行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后历史数据组，基于历史行为数据集以及重排后历史数据组对待训练预测模型进行训练，得到基础预测模型。

采集模块302，用于采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集。

其中，第一时间节点在第二时间节点之前，第一时间节点和第二时间节点可以根据实际情况进行选择的，比如，以当前时间点第n天作为第二时间节点，需要采集用户8天内产生的用户行为数据，那么第一时间节点则为第n-8天。

选取模块303，用于通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组。

由于用户行为数据集中的数据是用户在第一时间节点与第二时间节点之间产生的用户行为数据，因此，用户行为数据集中的数据在时间上具有连续性，若后续直接采用用户行为数据集对基础预测模型进行训练，可能会导致训练得到的模型泛化能力不强，进而导致预测结果不准确。

可选的，在一些实施例中，选取模块303具体可以包括：

第一获取单元，用于获取预设数据排列窗口对应的第一尺寸；

第一选取单元，用于在用户行为数据集中选取与第一尺寸对应数量的数据；

第一排列单元，用于对选取到的数据进行随机排列，得到重排后数据组。

可选的，在一些实施例中，第一选取单元具体可以用于：提取用户行为数据集中的每个数据对应的时间戳，基于所述时间戳，在用户行为数据集中选取与第一尺寸对应数量的数据。

可选的，在一些实施例中，预设数据排列窗口包括多个子排列窗口，选取模块303包括：

第二获取单元，用于获取每个子排列窗口对应的第二尺寸；

第二排列单元，用于基于多个第二尺寸，按照预设顺序对多个子排列窗口进行排列；

第二选取单元，用于通过排列后的多个子排列窗口，在用户行为数据集中选取与第二尺寸对应数量的数据，得到每个子排列窗口对应的数据序列；

第二排列单元，用于分别对数据序列中的数据进行随机排列，得到多个重排数据序列。

可选的，在一些实施例中，第二排列单元具体用于：分别检测数据序列中数据的数量是否满足预设条件，对满足预设条件的数据序列中的数据进行随机排列，得到多个重排数据序列。

训练模块304，用于基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型。

具体的，训练模块304可以基于用户行为数据集以及重排后数据组，构建训练数据集，然后，获取训练数据集中每个数据对应的行为真实值，该行为真实值可以是用户针对推广信息所产生的深度浏览的次数或频率，然后，将训练数据集中的数据输入至基础预测模型中，得到训练数据集中每个数据对应的行为预测值，最后，基于行为真实值以及行为预测值对基础预测模型进行收敛，得到用于预测用户行为的目标预测模型。

预测模块305，用于根据目标预测模型对用户的行为进行预测，得到预测结果。

比如，预测模块305可以用于对用户进行深度浏览的概率进行预测，可以获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据，然后，基于目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率。

预测模块具体用于：获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据，基于目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率。

本发明实施例的获取模块301在获取在第一时间节点前构建的基础预测模型后，采集模块302采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，然后，选取模块303通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，接着，训练模块304基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，最后，预测模块305根据目标预测模型对用户的行为进行预测，得到预测结果。相较于现有的用户行为预测方案而言，本发明的训练模块304可以通过在第一时间节点前构建的基础预测模型上，基于用户行为数据集，通过增量训练的方式基础预测模型进行训练，因此，可以减少模型训练的时间，从而提高预测用户行为的效率，此外，该方案的选取模块303通过对预设数据排列窗口选取到的数据进行随机排列，从而可以提高模型的泛化能力，进而提高预测结果的准确性。

此外，本发明实施例还提供一种电子设备，如图4所示，其示出了本发明实施例所涉及的电子设备的结构示意图，具体来讲：

该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402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402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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402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402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

获取在第一时间节点前构建的基础预测模型，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，根据目标预测模型对用户的行为进行预测，得到预测结果。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

本发明实施例在获取在第一时间节点前构建的基础预测模型后，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，然后，通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，接着，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，最后，根据目标预测模型对用户的行为进行预测，得到预测结果。相较于现有的用户行为预测方案而言，本发明的用户行为预测方法可以通过在第一时间节点前构建的基础预测模型上，基于用户行为数据集，通过增量训练的方式基础预测模型进行训练，因此，可以减少模型训练的时间，从而提高预测用户行为的效率，此外，该方案还通过对预设数据排列窗口选取到的数据进行随机排列，从而可以提高模型的泛化能力，进而提高预测结果的准确性。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种用户行为预测方法中的步骤。例如，该指令可以执行如下步骤：

获取在第一时间节点前构建的基础预测模型，采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，通过预设数据排列窗口对用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，基于用户行为数据集以及重排后数据组对基础预测模型进行训练，得到的目标预测模型，根据目标预测模型对用户的行为进行预测，得到预测结果。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种用户行为预测方法中的步骤，因此，可以实现本发明实施例所提供的任一种用户行为预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明实施例所提供的一种用户行为预测方法、装置、服务器、电子设备以及存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。

Claims (14)

1.一种用户行为预测方法，其特征在于，包括：

获取在第一时间节点前构建的基础预测模型；

采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，所述第一时间节点在第二时间节点之前；

通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组；

在所述用户行为数据集去除重排后数据组所包含的数据，得到保留数据；

根据保留数据以及重排后数据组，构建训练数据集；

获取训练数据集中每个数据对应的行为真实值；

将训练数据集中的数据输入至基础预测模型中，得到训练数据集中每个数据对应的行为预测值；

基于行为真实值以及行为预测值对基础预测模型进行收敛，得到用于预测用户行为的目标预测模型；

根据所述目标预测模型对用户的行为进行预测，得到预测结果。

2.根据权利要求1所述的方法，其特征在于，所述通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，包括：

获取预设数据排列窗口对应的第一尺寸；

在所述用户行为数据集中选取与所述第一尺寸对应数量的数据；

对选取到的数据进行随机排列，得到重排后数据组。

3.根据权利要求2所述的方法，其特征在于，所述在所述用户行为数据集中选取与所述第一尺寸对应数量的数据，包括：

提取用户行为数据集中的每个数据对应的时间戳；

基于所述时间戳，在所述用户行为数据集中选取与所述第一尺寸对应数量的数据。

4.根据权利要求1所述的方法，其特征在于，预设数据排列窗口包括多个子排列窗口，所述通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组，包括：

获取每个子排列窗口对应的第二尺寸；

基于多个第二尺寸，按照预设顺序对多个子排列窗口进行排列；

通过排列后的多个子排列窗口，在所述用户行为数据集中选取与第二尺寸对应数量的数据，得到每个子排列窗口对应的数据序列；

分别对数据序列中的数据进行随机排列，得到多个重排数据序列。

5.根据权利要求4所述的方法，其特征在于，所述分别对数据序列中的数据进行随机排列，得到多个重排数据序列，包括：

分别检测数据序列中数据的数量是否满足预设条件；

对满足预设条件的数据序列中的数据进行随机排列，得到多个重排数据序列。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述获取在第一时间节点前构建的基础预测模型，包括：

获取在历史时间节点前构建的待训练预测模型，所述历史时间节点在第一时间节点之前；

采集用户在历史时间节点与第一时间节点之间产生的历史行为数据，得到历史行为数据集；

通过预设数据排列窗口对所述用户历史行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后历史数据组；

基于历史行为数据集以及重排后历史数据组对待训练预测模型进行训练，得到基础预测模型。

7.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述目标预测模型对用户的行为进行预测，得到预测结果，包括：

获取用户在第二时间节点之后产生的用户行为数据，得到当前行为数据；

基于所述目标预测模型以及当前行为数据，对用户进行深度浏览的概率进行预测，得到用户对应的深度浏览概率。

8.一种用户行为预测装置，其特征在于，包括：

获取模块，用于获取在第一时间节点前构建的基础预测模型；

采集模块，用于采集用户在第一时间节点与第二时间节点之间产生的用户行为数据，得到用户行为数据集，所述第一时间节点在第二时间节点之前；

选取模块，用于通过预设数据排列窗口对所述用户行为数据集中的数据进行选取，并对选取到的数据进行随机排列，得到重排后数据组；

训练模块，用于在所述用户行为数据集去除重排后数据组所包含的数据，得到保留数据；根据保留数据以及重排后数据组，构建训练数据集；获取训练数据集中每个数据对应的行为真实值；将训练数据集中的数据输入至基础预测模型中，得到训练数据集中每个数据对应的行为预测值；基于行为真实值以及行为预测值对基础预测模型进行收敛，得到用于预测用户行为的目标预测模型；

预测模块，用于根据所述目标预测模型对用户的行为进行预测，得到预测结果。

9.根据权利要求8所述的装置，其特征在于，所述选取模块包括：

第一获取单元，用于获取预设数据排列窗口对应的第一尺寸；

第一选取单元，用于在所述用户行为数据集中选取与所述第一尺寸对应数量的数据；

第一排列单元，用于对选取到的数据进行随机排列，得到重排后数据组。

10.根据权利要求9所述的装置，其特征在于，所述第一选取单元具体用于：

提取用户行为数据集中的每个数据对应的时间戳；

基于所述时间戳，在所述用户行为数据集中选取与所述第一尺寸对应数量的数据。

11.根据权利要求8所述的装置，其特征在于，预设数据排列窗口包括多个子排列窗口，所述选取模块包括：

第二获取单元，用于获取每个子排列窗口对应的第二尺寸；

第二排列单元，用于基于多个第二尺寸，按照预设顺序对多个子排列窗口进行排列；

第二选取单元，用于通过排列后的多个子排列窗口，在所述用户行为数据集中选取与第二尺寸对应数量的数据，得到每个子排列窗口对应的数据序列；

第二排列单元，用于分别对数据序列中的数据进行随机排列，得到多个重排数据序列。

12.根据权利要求11所述的装置，其特征在于，所述第二排列单元具体用于：

分别检测数据序列中数据的数量是否满足预设条件；

对满足预设条件的数据序列中的数据进行随机排列，得到多个重排数据序列。

13.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1-7任一项所述用户行为预测方法的步骤。

14.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述用户行为预测的步骤。