CN111309817A - 行为识别方法、装置及电子设备 - Google Patents

Abstract

本申请提供了一种行为识别方法、装置及电子设备，其中，该方法包括：将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征；将多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征；将一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到待识别行为数据的识别结果。

Description

行为识别方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种行为识别方法、装置及电子设备。

背景技术

现有的对一条数据的分类或者识别，主要是采用二分类器对数据进行计算分类，从而确定出该数据所述类别。二分类器一般使用是通过决策树实现。训练时，使用正负样本以及各个样本的特征输入到决策树训练成二分类器。但是这种决策树二分类器由于需要识别的特征较多，可能会导致识别的速度慢。

发明内容

有鉴于此，本申请实施例的目的在于提供一种行为识别方法、装置及电子设备。能够达到提高行为识别的速度效果。

第一方面，本申请实施例提供了一种行为识别方法，包括：

将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征；

将所述多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征；

将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果。

在一可选的实施方式中，所述将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征的步骤，包括：

将所述待识别行为数据中的各个元素进行组合，以得到组合数为一至指定数值的多条行为特征，所述指定数值小于所述待识别行为数据中的元素的总数。

本实施例中的行为识别方法，通过元素的组合将待识别行为数据组合成多个组合数较少的行为特征，从而可以使在进行行为识别时可以有更多的识别基础数据的选择，从而可以提高识别的精准度。

在一可选的实施方式中，所述将所述待识别行为数据中的各个元素进行组合，以得到组合数为一至指定数值的多条行为特征的步骤，包括：

从所述待识别行为数据中的元素获取所有由K个元素形成的元素组合，作为K阶行为特征，所述K为小于或等于所述指定数值的正整数。

本实施例中的行为识别方法，通过采用对元素数量小于待识别行为数据中的元素的总数的行为特征进行穷举，从而可以使确定出来的作为识别基础的数据能够更全面，从而可以更好地表示待识别行为数据，从而可以使识别的准确率更高。

在一可选的实施方式中，所述将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果的步骤，包括：

将所述一条或多条目标行为特征与所述待识别行为数据组合成所述输入特征；

将所述输入特征输入所述分类模型进行分类，得到所述待识别行为数据的识别结果。

本实施例中的行为识别方法，将待识别行为数据与筛选出来的目标行为特征均作为分类模型的输入，从而可以使输入的数据能够更好地表示待识别行为数据，从而可以使识别结果能够更加地准确。

在一可选的实施方式中，所述将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果的步骤，包括：

将所述一条或多条目标行为特征形成的输入特征输入分类模型进行二分类，以得到所述待识别行为数据对应的用户行为是响应对应资讯信息或浏览对应资讯信息。

本实施例中的行为识别方法，可以用于是否会响应资讯信息中的内容的个性化领域，从而可以使行为识别方法适应性更强。

在一可选的实施方式中，所述待识别行为数据中包括多个元素，每个元素表征资讯点位、设备机型、日期、地域、应用程序安装列表、资讯主、品牌、商品、媒体中的一项信息。

本实施例中的行为识别方法，就对资讯信息是否响应的领域而言，通过上述多个元素可以表示一条资讯中的各个角度的信息，从而可以更好地表达待识别行为数据。

在一可选的实施方式中，所述方法还包括：

将训练数据集输入决策树模型进行训练，所述决策树模型的深度小于所述待识别行为数据中的元素的总数；

将训练后的决策树模型中的各个节点中对应的特征值进行组合，以得到所述预训练的多条影响特征。

本实施例中的行为识别方法，通过对决策树的训练筛选出能够影响结果的影响特征，从而可以使基于影响特征筛选出来的目标行为特征能够更好地表示待识别行为数据的表征信息。

第二方面，本申请实施例还提供一种行为识别装置，包括：

组合模块，用于将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征；

对比模块，用于将所述多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征；

分类模块，用于将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。

本申请实施例提供的行为识别方法、装置、电子设备及计算机可读存储介质，采用先对待识别行为数据中对应的行为特征进行筛选，筛选出能够表征待识别行为数据的行为特征，再对筛选出的行为特征进行识别，与现有技术中的直接将需要识别的数据输入到识别模型中进行识别相比，其能够对有效行为特征的识别，从而在提高识别的速度的情况下，还能够提高识别准确率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本申请实施例提供的电子设备的方框示意图。

图2为本申请实施例提供的行为识别方法的流程图。

图3为本申请实施例提供的另一行为识别方法的流程图。

图4为本申请实施例提供的行为识别装置的功能模块示意图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在广告行业中，可以使用广告行业中的特征训练一个分类模型，然后可以获知对分类起作用的特征。示例性地，使用的特征可以广告行业中能够采集到的字段，例如：广告位，活动点位，省市，手机机型，这个点位对应的媒体，资讯主和商品等。可选地，可以将这些特征维度下出现的特征一一列举出来，每个特征维度下的特征是等价的，通过这种方式训练的模型能够获知各个单一的维度对模型结果的影响，例如：某一个广告位，某一个机型，某一个媒体对结果的影响。结果影响单一的分类模型目前无法解决需要了解多维度的特征对于是否查看推送的资讯信息的影响的问题。例如，一个人在哪个省市，用了什么型号的手机，浏览点击了什么广告会对分类模型的结果起到多大的作用，例如：北京_iphoneX_爱奇艺，这个三元组表示在北京地区使用iphoneX这种手机型号看爱奇艺这个媒体对是否查看推送的资讯。基于此研究，发明人对能够考虑多因素的随机森林作为训练模型。但是进一步研究发现，如果使用随机森林进行训练当数据量大的时候，一方面随机森林训练的速度很慢；另一方面，随机森林有一个输入参数就是树的深度，如果不限制树的深度，训练出来的决策树的路径可能会非常长，可解释性很差。如果限制树的深度，可能导致最后分类的效果可能不是很好。因此，单单使用随机森林分类方法虽然能解决问题，但是达不到速度和精度的要求。如果不使用随机森林的方法，又无法满足维度组合的需求。基于上述研究，本申请发明人提供一种行为识别方法、装置、电子设备及计算机可读存储介质，能够实现对多维度的特征进行识别的同时，还不同存在使用随机森林进行分类识别所存在的不足。下面通过几个实施例描述本申请的思路。

实施例一

如图1所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。

其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。

上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。

上述的显示单元116在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。

本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述行为识别方法的实现过程。

实施例二

请参阅图2，是本申请实施例提供的行为识别方法的流程图。下面将对图2所示的具体流程进行详细阐述。

步骤201，将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征。

示例性地，待识别行为数据中包括多个元素，每个元素表征资讯点位、设备机型、日期、地域、应用程序安装列表、资讯主、品牌、商品、媒体中的一项信息。可选地，上面描述的待识别行为数据中各个元素所表征的信息仅仅是示意性地，待识别行为数据中的元素可以表征更多或更少的内容，例如，各个元素中还可以有用于表征用户信息的元素等。

可选地，待识别行为数据可以是一个向量。向量中的每个元素的值可以表示上述的信息。

示例性地，上述的向量中可以包括数值、文字、字符串等。示例性地，每个地域可以对应一个数值标识，则代表地域的元素可以是一数值。示例性地，每项资讯主可以具有唯一标识码，则代表资讯主的元素可以是以字符串。示例性地，时间可以使用一串数字标识，则代表时间的元素可以是一数字。

在一种实施方式中，步骤201可以包括：将所述待识别行为数据中的各个元素进行组合，以得到组合数为一至指定数值的多条行为特征。

本实施例中，指定数值小于待识别行为数据中的元素的总数。

在一个实例中，上述的待识别行为数据中包括七个元素，则上述的指定数值可以是二、三、五等数值。示例性地，上述的多条行为特征的数量根据待识别行为数据的总数和指定数值的值不同而不同。例如，如果待识别行为数据中的元素的总数确定的情况下，指定数值取值越大，对应组合得到的多条行为特征的数量也就越大。例如，如果指定数值相同的情况下，待识别行为数据中的元素的总数越大，对应组合得到的多条行为特征的数量也就越大。

在一种实施方式中，步骤201可以包括：从所述待识别行为数据中的元素获取所有由K个元素形成的元素组合，作为K阶行为特征，所述K为小于或等于所述指定数值的正整数。

本实施例中，在每个数据维度下都有一个取值则可以形成一条待识别行为特征。就待识别行为数据有九个元素为例进行描述，该待识别行为数据可以组合成九个一阶特征；该待识别行为数据可以组合三十六个二阶特征；以此类推，该待识别行为数据可以组合出

个K阶特征。其中，K表示指定数值，N表示待识别行为数据的元素总数。

在一个实例中，一用户在北京使用iphoneX在2019.10.1看了资讯信息A，那么首先资讯信息A对应的资讯点位为spid1，设备机型就是iphoneX，日期就是2019.10.1，地域就是北京，该资讯信息的资讯主以及所属的品牌，对应的商品以及放置在哪个媒体下，以形成一条行为数据：[“spid1”,“iphoneX”,“2019.10,1”,“北京”,…]。则该行为数据组合的二阶特征可以有[“spid1”,“iphoneX”]、[“iphoneX”,“2019.10,1”]、[“iphoneX”,“北京”]、[“spid1”,“北京”]等，在此不再穷举。

示例性地，上述资讯信息可以是广告，则上述的资讯主则可以是广告主。

步骤202，将所述多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征。

本实施例中，上述的预训练的多条影响特征可以是一阶特征，也可以是多阶特征。

可选地，上述的影响特征中的元素数量小于上述的待识别行为数据中的元素数量。示例性地，上述的影响特征可以由决策树模型筛选得到。

在一个实例中，本实施例中的待识别行为数据的识别结果可以是该待识别行为数据下，对某一资讯信息查看或不查看的结果。而上述的决策树则可以是对行为数据中能够影响对资讯信息的处理结果的元素进行筛选。

步骤203，将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果。

在一种实施方式中，步骤203可以包括：将所述一条或多条目标行为特征与所述待识别行为数据组合成所述输入特征；将所述输入特征输入所述分类模型进行分类，得到所述待识别行为数据的识别结果。

本实施例中，通过仅将筛选出来的行为特征和待识别行为数据作为分类模型的输入，可以减少将待识别行为数据以穷举的组合方式所可能存在的输入数据量，从而可以提高识别的速度。

在一个应用场景中，步骤203可以被实施为：将所述一条或多条目标行为特征形成的输入特征输入分类模型进行二分类，以得到所述待识别行为数据对应的用户行为是响应对应资讯信息或浏览对应资讯信息。

示例性地，响应资讯信息可以是对资讯信息中的内容进行进一步地处理。例如，资讯信息中包括推荐链接，则响应资讯信息可以是点击资讯信息中的推荐链接。再例如，资讯信息中包括注册窗口，则响应资讯信息可以是通过注册窗口注册相关账号等。

示例性地，上述的资讯信息可以是广告、热点时事新闻、热点八卦新闻、公益消息等。

资讯信息中可以包括一些推荐链接、注册窗口等。通过步骤201-203可以识别出一条识别行为数据对应的用户对资讯信息可能的处理方式是浏览资讯信息，还是响应资讯信息。

通过上述的步骤可以在需要对一行为数据进行识别时，可以确定出该行为数据能否产生对应的触发效果。下面通过几个步骤，描述用于为识别提供数据基础以及模型基础的实现方式。

可选地，可以通过以下方式对确定出在步骤202中所使用的能够影响分类模型的分类结果的影响特征，如图3所示，本实施例中的方法还可以包括以下步骤。

步骤204，将训练数据集输入决策树模型进行训练。

本实施例中，上述的决策树模型的深度小于所述待识别行为数据中的元素的总数。

可选地，上述的决策树模型中的决策树的深度可以等于上述的指定数值K。

本实施例中，上述的决策树模型可以是一颗决策树，也可以是包含多棵决策树的随机森林。

示例性地，本实施例中的待识别行为数据可以包括N个元素，则上述的训练数据集中的每一条数据也可以包括N个元素。

本实施例中，通过将上述的训练数据集中的行为数据通过迭代的方式，在每个节点中选出具有分类能力的特征维度进行分裂，每一个该特征维度下的特征取值都是这个节点的一个分支，如此迭代的形成多个棵决策树。其中，多棵决策树也就形成一个随机森林。

步骤205，将训练后的决策树模型中的各个节点中对应的特征值进行组合，以得到所述预训练的多条影响特征。

本实施例中，在每一颗训练得到的决策树中，从上到下的特征值进行组合就组合出来了一个多阶特征。每个多阶特征可以作为一条影响特征。

本实施例中，首先可以通过一个决策树模型来进行特征组合和特征筛选。本实施例中由于决策树模型的每个节点选出的是当前特征维度中最好的特征，整体的决策树的每一个路径由最顶端向最底端则可以形成一个特征组合，也就是一条多阶特征。例如，如果决策树的深度为K，可以组合出K阶特征。

可选地，上述的分类模型可以是一个二分类器。

在一种实施方式中，可以使用与决策树模型相同的训练数据集。示例性地，可以使用上述的决策树模型选出的影响特征以及该影响特征对应的训练数据作为初始分类模型的输入数据，对初始分类模型进行训练。

可选地，可以通过对训练好的分类模型的各个特征的权重系数选出对最终分类有决定性作用的特征。

在另一种实施方式中，可以使用一目标训练数据集对上述的二分类器进行训练，以得到用于实现步骤203的分类的分类模型。

可选地，可以将上述的目标训练数据集中的任一训练数据进行组合，以得到多个组合数比该训练数据中的总元素数更少的多条行为特征。则可以将该训练数据以及该训练数据对应的多个组合数较少的行为特征进行组合，将组合后的数据输入二分类器进行有监督的训练以得到分类模型。

本申请实施例中使用的决策树仅先用来组合出来对分类结果有影响的特征，并不需要精度的要求，因此在树的深度以及数量上都可以设置少一些，由于决策树的深度较小，因此训练的数据也就会快很多。与只用决策树进行分类的分类识别方式相比，不用设置深度太深的决策树，而且训练的决策树模型的训练数据数量也不需要很多，就能满足最后准确性的要求。

通过本实施例中的行为识别方法，能通过决策树模型组合出来所需要的影响特征，从而可以将待识别行为特征中有影响力的多阶特征筛选出来，其次再将筛选出来的特征输入到分类模型进行训练，从而可以得到识别结果。从而可以相对于决策树对行为的识别的速度更快，但是又可以解决在待识别的数据有高维度的特征时，需要对高维度的特征都纳入识别的考虑因素的问题。

实施例三

基于同一申请构思，本申请实施例中还提供了与行为识别方法对应的行为识别装置，由于本申请实施例中的装置解决问题的原理与前述的行为识别方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。

请参阅图4，是本申请实施例提供的行为识别装置的功能模块示意图。本实施例中的行为识别装置中的各个模块用于执行上述方法实施例中的各个步骤。行为识别装置包括：组合模块301、对比模块302、以及分类模块303；其中，

组合模块301，用于将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征；

对比模块302，用于将所述多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征；

分类模块303，用于将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果。

一种可能的实施方式中，组合模块301，用于：

将所述待识别行为数据中的各个元素进行组合，以得到组合数为一至指定数值的多条行为特征，所述指定数值小于所述待识别行为数据中的元素的总数。

一种可能的实施方式中，组合模块301，用于：

从所述待识别行为数据中的元素获取所有由K个元素形成的元素组合，作为K阶行为特征，所述K为小于或等于所述指定数值的正整数。

一种可能的实施方式中，分类模块303，用于：

将所述一条或多条目标行为特征与所述待识别行为数据组合成所述输入特征；

将所述输入特征输入所述分类模型进行分类，得到所述待识别行为数据的识别结果。

一种可能的实施方式中，分类模块303，用于：

将所述一条或多条目标行为特征形成的输入特征输入分类模型进行二分类，以得到所述待识别行为数据对应的用户行为是响应对应资讯信息或浏览对应资讯信息。

一种可能的实施方式中，所述待识别行为数据中包括多个元素，每个元素表征资讯点位、设备机型、日期、地域、应用程序安装列表、资讯主、品牌、商品、媒体中的一项信息。

一种可能的实施方式中，本实施例中的行为识别装置还可以包括：训练模块，用于：

将训练数据集输入决策树模型进行训练，所述决策树模型的深度小于所述待识别行为数据中的元素的总数；

将训练后的决策树模型中的各个节点中对应的特征值进行组合，以得到所述预训练的多条影响特征。

此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的行为识别方法的步骤。

本申请实施例所提供的行为识别方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的行为识别方法的步骤，具体可参见上述方法实施例，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种行为识别方法，其特征在于，包括：

将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征；

将所述多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征；

将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征的步骤，包括：

将所述待识别行为数据中的各个元素进行组合，以得到组合数为一至指定数值的多条行为特征，所述指定数值小于所述待识别行为数据中的元素的总数。

3.根据权利要求2所述的方法，其特征在于，所述将所述待识别行为数据中的各个元素进行组合，以得到组合数为一至指定数值的多条行为特征的步骤，包括：

从所述待识别行为数据中的元素获取所有由K个元素形成的元素组合，作为K阶行为特征，所述K为小于或等于所述指定数值的正整数。

4.根据权利要求1所述的方法，其特征在于，所述将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果的步骤，包括：

将所述一条或多条目标行为特征与所述待识别行为数据组合成所述输入特征；

将所述输入特征输入所述分类模型进行分类，得到所述待识别行为数据的识别结果。

5.根据权利要求1所述的方法，其特征在于，所述将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果的步骤，包括：

将所述一条或多条目标行为特征形成的输入特征输入分类模型进行二分类，以得到所述待识别行为数据对应的用户行为是响应对应资讯信息或浏览对应资讯信息。

6.根据权利要求1所述的方法，其特征在于，所述待识别行为数据中包括多个元素，每个元素表征资讯点位、设备机型、日期、地域、应用程序安装列表、资讯主、品牌、商品、媒体中的一项信息。

7.根据权利要求1-6任意一项所述的方法，其特征在于，所述方法还包括：

将训练数据集输入决策树模型进行训练，所述决策树模型的深度小于所述待识别行为数据中的元素的总数；

将训练后的决策树模型中的各个节点中对应的特征值进行组合，以得到所述预训练的多条影响特征。

8.一种行为识别装置，其特征在于，包括：

组合模块，用于将待识别行为数据中的各个元素进行组合，以得到不同组合数的多条行为特征；

对比模块，用于将所述多条行为特征与预训练的多条影响特征进行对比，以筛选出一条或多条目标行为特征；

分类模块，用于将所述一条或多条目标行为特征形成的输入特征输入分类模型进行分类，得到所述待识别行为数据的识别结果。

9.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。

Images