CN111367575B - 一种用户行为预测方法、装置、电子设备及存储介质 - Google Patents
一种用户行为预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111367575B CN111367575B CN201811490220.1A CN201811490220A CN111367575B CN 111367575 B CN111367575 B CN 111367575B CN 201811490220 A CN201811490220 A CN 201811490220A CN 111367575 B CN111367575 B CN 111367575B
- Authority
- CN
- China
- Prior art keywords
- user
- characteristic
- behavior
- training
- prediction
- 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 55
- 230000006399 behavior Effects 0.000 claims abstract description 162
- 238000012549 training Methods 0.000 claims description 127
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用户行为预测方法、装置、电子设备及存储介质,涉及数据处理技术领域。该方法包括:若监测到服务请求端开启目标应用程序,获取目标应用程序对应用户的用户信息;从用户信息中提取用户特征,用户特征包括第一上线特征、第一天气特征和第一历史特征;利用预测模型对第一上线特征、第一天气特征和第一历史特征进行预测,获得用户的目标预测行为。装置用于执行上述方法。本发明实施例当监测到服务请求端开启了目标应用程序后,获取对应的用户信息并从用户信息中提取用户特征,再利用预测模型对用户特征进行预测获得用户对应的目标预测行为,能够提高对用户行为预测的准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种用户行为预测方法、装置、电子设备及存储介质。
背景技术
智能终端的出现给人们的生活提供了极大的便利,用户可以在智能终端上下载所需的应用程序(Application,APP),APP的类型也有多种,例如:网约车APP、外卖APP和网上购物APP等。
当用户打开一个APP时,表明该用户有意愿使用该APP为其提供服务,但是用户最终可能会选择使用APP,也可能不会使用该APP,因此,需要对打开APP的用户进行行为预测。
目前的预测方法是通过简单的获取该用户使用该APP的历史频率,但此方法对用户的行为预测的准确性较低。
发明内容
有鉴于此,本申请实施例的目的在于提供一种用户行为预测方法、装置、电子设备及存储介质,能够通过当监测到服务请求端开启目标应用程序后,获取该服务请求端对应用户的用户信息,并利用预测模型对该用户的行为进行预测,获得目标预测行为,达到提高对用户行为预测准确性的效果。
根据本申请的一个方面,提供一种电子设备,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行一个或多个以下操作:
若监测到服务请求端开启目标应用程序,获取所述目标应用程序对应用户的用户信息;
从所述用户信息中提取用户特征,所述用户特征包括第一上线特征、第一天气特征和第一历史特征;
利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为。
本发明实施例通过当监测到服务请求端开启了目标应用程序后,对该目标应用程序对应的用户信息进行获取,并从用户信息中提取用户特征,再利用预测模型对用户特征进行预测,获得用户对应的目标预测行为,由于获取到了用户的第一上线特征、第一天气特征和第一历史特征,因此,能够提高对用户行为预测的准确性。
在一些实施例中,所述方法,还包括:
获取多个训练用户在预设历史时间段内的训练用户信息,并对每一训练用户信息进行特征提取,获得训练用户信息对应的训练用户特征,所述训练用户特征包括第二上线特征、第二天气特征和第二历史特征;
将每一训练用户进行标注,获得每一训练用户对应的行为标签;
将所述第二上线特征、所述第二天气特征和所述第二历史特征作为输入,所述行为标签作为输出通过提升算法xgboost进行模型训练,获得所述预测模型。
本发明实施例通过获取多个训练用户的训练用户信息,并对训练用户信息进行特征提取,获得训练用户特征,并对训练用户进行标注,通过标注后的训练用户信息利用xgboost算法进行训练,获得预测模型,由于通过大量的训练用户,以及通过xgboost算法能够提高模型预测的效率和准确率。
在一些实施例中,所述若监测到服务请求端开启目标应用程序,则获取所述目标应用程序对应用户的用户信息,包括:
若接收到所述服务请求端发送的所述目标应用程序的开启请求,则获知所述服务请求端开启目标应用程序,所述开启请求包括用户标识;
根据所述用户标识获取对应的所述用户信息。
本发明实施例通过接收服务请求端发送的开启请求获知服务请求端开启了目标应用程序,此时,开始对用户的行为进行预测,能够根据用户当前时刻所处的环境状态给出实时的行为预测,其预测的准确率能够提高。
在一些实施例中,所述目标预测行为为所述用户使用所述目标应用程序提供服务的概率,在获得所述用户的目标预测行为之后,所述方法,还包括:
根据所述目标预测行为向所述服务请求端发送对应的服务资源。
本发明实施例通过根据目标预测行为向服务请求端发送对应的服务资源,能够增加用户使用该目标应用程序为其提供服务的概率。
在一些实施例中,所述方法,还包括:
根据预设周期获取最近周期内训练用户的更新训练用户信息;
通过所述更新训练用户信息对所述预测模型进行优化更新,获得更新预测模型。
本发明实施例通过周期性获取最近的训练用户信息,并利用训练用户信息对预测模型进行不断地优化更新,从而使得更新预测模型的预测准确率提升。
在一些实施例中,所述利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为,包括:
利用所述预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第一预测行为;
利用所述更新预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第二预测行为;
根据所述第一预测行为和所述第二预测行为获得所述目标预测行为。
本发明实施例通过更新预测模型和预测模型分别对用户信息进行预测,获得第一预测行为和第二预测行为,并将第一预测行为和第二预测行为进行融合获得目标预测行为,使得获得到的目标预测行为更加客观。
另一方面,本发明实施例提供一种用户行为预测装置,包括:
第一获取模块,用于若监测到服务请求端开启目标应用程序,获取所述目标应用程序对应用户的用户信息;
特征提取模块,用于从所述用户信息中提取用户特征,所述用户特征包括第一上线特征、第一天气特征和第一历史特征;
预测模块,用于利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为。
在一些实施例中,所述装置,还包括:
第二获取模块,用于获取多个训练用户的训练用户信息,并对每一训练用户信息进行特征提取,获得训练用户信息对应的训练用户特征,所述训练用户特征包括第二上线特征、第二天气特征和第二历史特征;
标注模块,用于将每一训练用户进行标注,获得每一训练用户对应的行为标签;
训练模块,用于将所述第二上线特征、所述第二天气特征和所述第二历史特征作为输入,所述行为标签作为输出通过提升算法xgboost进行模型训练,获得所述预测模型。
在一些实施例中,所述第一获取模块,具体用于:
若接收到所述服务请求端发送的所述目标应用程序的开启请求,则获知所述服务请求端开启目标应用程序,所述开启请求包括用户标识;
根据所述用户标识获取对应的所述用户信息。
在一些实施例中,所述目标预测行为为所述用户使用所述目标应用程序提供服务的概率,所述装置,还包括:
发送模块,用于根据所述目标预测行为向所述服务请求端发送对应的服务资源。
在一些实施例中,所述装置,还包括:
第三获取模块,用于根据预设周期获取最近周期内训练用户的更新训练用户信息;
更新模块,用于通过所述更新训练用户信息对所述预测模型进行优化更新,获得更新预测模型。
在一些实施例中,所述预测模块,具体用于:
利用所述预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第一预测行为;
利用所述更新预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第二预测行为;
根据所述第一预测行为和所述第二预测行为获得所述目标预测行为。
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为本发明实施例提供的电子设备结构示意图;
图2为本发明实施例提供的一种用户行为预测方法流程示意图;
图3为本发明实施例提供的模型训练方法流程示意图;
图4为本发明实施例提供的用户行为预测装置的框图;
图5本发明实施例提供的用户行为预测系统的框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“用户打开网约车APP”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕用户打开网约车APP进行描述,但是应该理解,这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如,本申请可以应用于不同的运输系统环境,包括陆地,海洋,或航空等,或其任意组合。本申请还可以包括用于外卖、网上购物等服务系统,例如,用于快递的系统、用于买卖双方交易的服务系统。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
图1为本发明实施例提供的电子设备结构示意图。例如,处理器可以用于电子设备100上,并且用于执行本申请中的功能。
电子设备100可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的用户行为预测方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备100还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口150。
为了便于说明,在电子设备100中仅描述了一个处理器。然而,应当注意,本申请中的电子设备100还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备100的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
当用户使用服务请求端开启目标应用程序时,以目标应用程序为网约车APP为例,如果该服务请求端处于连网状态下,其需要访问该网约车APP对应的服务器,即向该服务器发送开启请求,此时,服务器获知网约车APP已经被用户打开了。虽然用户打开了网约车APP,但是通过该网约车APP下单的可能性无法确定,因此,需要对用户的行为进行预测,通过对用户行为的预测,可以有针对性的向用户发送优惠信息,促使该用户下单。
目前对用户行为的预测为在用户开启APP之前,通过统计的方式判断用户在过去时间里其打车的频率来对用户即将要打车的行为进行预测,该方法预测的准确性较低。因此,本发明实施例提供了一种用户行为预测方法,能够提高对用户预测的准确率。
图2为本发明实施例提供的一种用户行为预测方法流程示意图,如图2所示,该方法包括:
步骤201:若监测到服务请求端开启目标应用程序,获取所述目标应用程序对应用户的用户信息;
在具体的实施过程中,当用户行为预测装置监测到服务请求端开启了目标应用程序,则表示该服务请求端对应的用户想要通过该目标应用程序为其提供服务。一般地,为了能够保存用户的信息,用户会在该目标应用程序中注册用户信息,注册完成后,用户行为预测装置可以通过唯一的用户账号来标识该用户,因此,用户行为预测装置可以通过该用户账号来获取对应用户的用户信息。以目标应用程序为网约车APP为例,用户信息中包括对应用户的历史的乘车信息,用户打开网约车APP时的当前状态信息以及用户当前所在地的天气信息或目的地的天气信息等等。
步骤202:从所述用户信息中提取用户特征,所述用户特征包括第一上线特征、第一天气特征和第一历史特征;
在具体的实施过程中,用户行为预测装置在获取到用户信息后,从用户信息中提取用户特征,其中,用户特征包括第一上线特征、第一天气特征和第一历史特征。第一上线特征为用户打开网约车APP时该用户对应的特征,例如:打开网约车APP的时间、当前位置信息、动调金额、愿等时长等,所谓动调金额为用户打开网约车APP后,对用户选择的始发地和目的地的预估到达价格和实际完成支付价格的差值。第一天气特征包括:用户当前位置的天气特征和所选择的目的地对应的天气特征。第一历史特征包括用户是过去预设时间段内的乘车信息。
应当说明的是,第一上线特征还可以包括最近预设时间段内,预估价格的平均值、最大值、最小值,不拼车价格的平均值、最大值和最小值,打开网约车APP的次数,以及发送订单的次数。具体的用户特征可以预先设定,本发明实施例对此不作具体限定。
步骤203:利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为。
在具体的实施过程中,用户行为预测装置在对用户信息进行特征提取后,将提取获得的第一上线特征、第一天气特征和第一历史特征输入到预测模型中,预测模型可以根据输入的特征进行分析获得该用户对应的目标预测行为。该目标预测行为可以表示该用户使用该网约车APP进行打车的概率。
本发明实施例通过当监测到服务请求端开启了目标应用程序后,对该目标应用程序对应的用户信息进行获取,并从用户信息中提取用户特征,再利用预测模型对用户特征进行预测,获得用户对应的目标预测行为,由于获取到了用户的第一上线特征、第一天气特征和第一历史特征,因此,能够提高对用户行为预测的准确性。
在上述实施例的基础上,所述方法,还包括:
获取多个训练用户在预设历史时间段内的训练用户信息,并对每一训练用户信息进行特征提取,获得训练用户信息对应的训练用户特征,所述训练用户特征包括第二上线特征、第二天气特征和第二历史特征;
将每一训练用户进行标注,获得每一训练用户对应的行为标签;
将所述第二上线特征、所述第二天气特征和所述第二历史特征作为输入,所述行为标签作为输出通过提升算法xgboost进行模型训练,获得所述预测模型。
在具体的实施过程中,在利用预测模型进行预测之前,需要对预测模型进行模型训练,图3为本发明实施例提供的模型训练方法流程示意图,如图3所示,具体为:
步骤301:获取训练用户信息;获取多个训练用户在预设历史时间段内的训练用户信息构成训练样本集。
步骤302:对训练用户信息进行特征提取;对每一个训练用户信息进行特征提取,获得每一训练用户信息对应的训练用户特征。其中,训练用户特征包括第二上线特征、第二天气特征和第二历史特征,第二上线特征为训练用户在历史时刻对应的实时状态信息,例如,训练用户在历史的某一时刻打开了网约车APP,此时训练用户对应的打开网约车APP的时间、训练用户在该时刻所处的位置信息、愿等时长、是否选择拼车等等信息。第二天气特征为在历史时刻训练用户所处的位置对应的天气信息以及训练用户选择的目的地的天气信息。第二历史特征是相对于历史时刻来说的历史预设时间段内的训练用户的乘车信息,包括乘车次数、乘车出发地、乘车目的地、是否拼车、是否愿等、动调金额等等。
步骤303:对训练用户进行标注;在对训练用户提取了上述训练用户特征后,对每一训练用户进行标注,具体可以通过人工的方式进行标注,获得每一训练用户对应的行为标签。
步骤304:模型训练;在标注完成后,逐个将训练用户对应的第二上线特征、第二天气特征和第二历史特征作为输入,行为标签作为输出通过提升算法xgboost进行模型训练,获得预测模型。
应当说明的是,提升算法(Extreme Gradient Boosting,xgboost)是以GBDT和Random Forest为基础提出的,xgboost算法具有精度高、可并行化处理和可移植性的优点。
可以理解的是,xgboost算法的原理如下:
xgboost是通过多个分类与回归树(Classification and Regression Trees,CART)组成的监督模型,其输出的结果是每个CART树的预测值之和。CART树是一种典型的二叉决策树,由于CART树的叶子节点对应的值是一个实际的分数,而非一个确定的类别,这将有利于实现高效的优化算法。xgboost算法可以通过如下数学公式表示:
其中,k表示CART树的个数,Γ表示所有可能的CART树,f表示一颗具体的CART树。
模型的目标函数为:
这个目标函数包括两部分,第一部分为损失函数,第二部分为正则项,该正则项是由K棵树的正则化项相加而来。
接下来,可以根据上述目标函数,采用加法训练的方法对每棵树进行优化,第t棵树的优化后目标函数如下:
通过对每一棵CART树进行优化后,获得最终的预测模型。
本发明实施例通过获取多个训练用户的训练用户信息,并对训练用户信息进行特征提取,获得训练用户特征,并对训练用户进行标注,通过标注后的训练用户信息利用xgboost算法进行训练,获得预测模型,由于通过大量的训练用户,以及通过xgboost算法能够提高模型预测的效率和准确率。
在上述实施例的基础上,所述若监测到服务请求端开启目标应用程序,则获取所述目标应用程序对应用户的用户信息,包括:
若接收到所述服务请求端发送的所述目标应用程序的开启请求,则获知所述服务请求端开启目标应用程序,所述开启请求包括用户标识;
根据所述用户标识获取对应的所述用户信息。
在具体的实施过程中,当用户通过服务请求端打开目标应用程序,则该服务请求端会访问目标应用程序对应的用户行为预测装置,应当说明的是,用户行为预测装置可以为服务器,此时用户行为预测装置会接收到服务请求端发送的目标应用程序的开启请求。其中,该开启请求中包括该用户的用户标识。此时,用户行为预测装置获知该用户打开了该目标应用程序,并且可以通过开启请求中的用户标识获取到对应用户的用户信息。
应当说明的是,用户行为预测装置还可以实时监测已经注册用户信息的用户状态,即,在用户行为预测装置中存储有一张状态表,该状态表中包括所有注册用户的用户标识以及用户的状态信息,该状态信息是指用户是否开启了该目标应用程序。如果从状态表中获知某个用户的状态信息由未开启到开启,则获取该用户的用户信息并根据该用户信息进行用户行为的预测。
本发明实施例通过接收服务请求端发送的开启请求获知服务请求端开启了目标应用程序,此时,开始对用户的行为进行预测,能够根据用户当前时刻所处的环境状态给出实时的行为预测,其预测的准确率能够提高。
在上述任一实施例的基础上,所述目标预测行为为所述用户使用所述目标应用程序提供服务的概率,在获得所述用户的目标预测行为之后,所述方法,还包括:
根据所述目标预测行为向所述服务请求端发送对应的服务资源。
在具体的实施过程中,目标预测行为可以为用户使用该目标应用程序为其提供服务的概率,输出可以为0-1之间,数值越大表示用户不选择使用该目标应用程序的概率越大。可以根据目标预测行为向服务请求端发送对应的服务资源。其中,该服务资源可以是优惠券,目标预测行为在0.6-0.7之间,可以发放5元优惠券,目标预测行为在0.7-0.8之间,可以发放6元优惠券。
本发明实施例通过根据目标预测行为向服务请求端发送对应的服务资源,能够增加用户使用该目标应用程序为其提供服务的概率。
在上述任一实施例的基础上,所述方法,还包括:
根据预设周期获取最近周期内训练用户的更新训练用户信息;
通过所述更新训练用户信息对所述预测模型进行优化更新,获得更新预测模型。
在具体的实施过程中,根据预设周期获取训练用户的乘车信息作为更新训练用户信息,该乘车信息为预设周期内的最新的乘车信息。利用更新训练用户信息对预测模型进行优化更新,获得更新预测模型。应当说明的是,对模型优化更新的过程与模型训练的过程类似,也是从更新训练用户信息中提取特征,并对训练用户进行标注,将提取的特征作为输入,标注结果作为输出,对预测模型中的参数进行优化,从而获得更新预测模型。
应当说明的是,对预测模型进行优化后,可以同时保留原来的预测模型和优化后的更新预测模型。由于是根据预设周期对预测模型进行更新的,因此可以保留所有的更新之前的预测模型。
本发明实施例通过周期性获取最近的训练用户信息,并利用训练用户信息对预测模型进行不断地优化更新,从而使得更新预测模型的预测准确率提升。
在上述任一实施例的基础上,所述利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为,包括:
利用所述预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第一预测行为;
利用所述更新预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第二预测行为;
根据所述第一预测行为和所述第二预测行为获得所述目标预测行为。
在具体的实施过程中,由于用户的多变性,其适用的模型可能并不是最新的更新预测模型,因此,通过多个模型进行预测来获得目标预测行为。在对用户的用户信息特征进行行为预测时,可以先将用户对应的第一上线特征、第一天气特征和第一历史特征输入到预测模型中进行预测,预测模型可以输出给用户对应的第一预测行为。
然后将该用户对应的第一上线特征、第一天气特征和第一历史特征输入到更新预测模型中进行预测,更新预测模型可以输出给用户对应的第二预测行为。
最终根据预测模型输出的第一预测行为和更新预测模型输出的第二预测行为获得目标预测行为。例如:可以预先对预测模型和更新预测模型设定权重,将第一预测行为和第二预测行为进行加权求和求平均获得最终的目标预测行为。当然,也可以不设定权重,直接求和求平均获得目标预测行为。
本发明实施例通过更新预测模型和预测模型分别对用户信息进行预测,获得第一预测行为和第二预测行为,并将第一预测行为和第二预测行为进行融合获得目标预测行为,使得获得到的目标预测行为更加客观。
图4为本发明实施例提供的用户行为预测装置的框图,该用户行为预测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件,如图所示,用户行为预测装置可以包括第一获取模块401、特征提取模块402和预测模块403。
第一获取模块401用于若监测到服务请求端开启目标应用程序,获取所述目标应用程序对应用户的用户信息;特征提取模块402用于从所述用户信息中提取用户特征,所述用户特征包括第一上线特征、第一天气特征和第一历史特征;预测模块403用于利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为。
在上述实施例的基础上,所述装置,还包括:
第二获取模块,用于获取多个训练用户在预设历史时间段内的训练用户信息,并对每一训练用户信息进行特征提取,获得训练用户信息对应的训练用户特征,所述训练用户特征包括第二上线特征、第二天气特征和第二历史特征;
标注模块,用于将每一训练用户进行标注,获得每一训练用户对应的行为标签;
训练模块,用于将所述第二上线特征、所述第二天气特征和所述第二历史特征作为输入,所述行为标签作为输出通过提升算法xgboost进行模型训练,获得所述预测模型。
在上述任一实施例的基础上,所述第一获取模块,具体用于:
若接收到所述服务请求端发送的所述目标应用程序的开启请求,则获知所述服务请求端开启目标应用程序,所述开启请求包括用户标识;
根据所述用户标识获取对应的所述用户信息。
在上述任一实施例的基础上,所述目标预测行为为所述用户使用所述目标应用程序提供服务的概率,所述装置,还包括:
发送模块,用于根据所述目标预测行为向所述服务请求端发送对应的服务资源。
在上述任一实施例的基础上,所述装置,还包括:
第三获取模块,用于根据预设周期获取最近周期内训练用户的更新训练用户信息;
更新模块,用于通过所述更新训练用户信息对所述预测模型进行优化更新,获得更新预测模型。
在上述任一实施例的基础上,所述预测模块,具体用于:
利用所述预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第一预测行为;
利用所述更新预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第二预测行为;
根据所述第一预测行为和所述第二预测行为获得所述目标预测行为。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,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,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图5本发明实施例提供的用户行为预测系统的框图。例如,用户行为预测系统可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。用户行为预测系统可以包括服务器501、网络502、服务请求端503、服务提供端504和数据库505中的一种或多种,服务器501中可以包括执行指令操作的处理器。应当说明的是,服务器可以为本发明实施例提供的用户行为预测装置。
在一些实施例中,服务器501可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器501可以是分布式系统)。在一些实施例中,服务器501相对于终端,可以是本地的、也可以是远程的。例如,服务器501可以经由网络502访问存储在服务请求端503、服务提供端504、或数据库505、或其任意组合中的信息和/或数据。作为另一示例,服务器501可以直接连接到服务请求端503、服务提供端504和数据库505中至少一个,以访问存储的信息和/或数据。在一些实施例中,服务器501可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器501可以在具有本申请中图1所示的一个或多个组件的电子设备100上实现。
在一些实施例中,服务器501可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求端503获得的服务请求来确定目标车辆。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络502可以用于信息和/或数据的交换。在一些实施例中,用户行为预测系统中的一个或多个组件(例如,服务器501,服务请求端503,服务提供端504和数据库505)可以向其他组件发送信息和/或数据。例如,服务器501可以经由网络502从服务请求端503获取服务请求。在一些实施例中,网络502可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络502可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched TelephoneNetwork,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络502可以包括一个或多个网络接入点。例如,网络502可以包括有线或无线网络接入点,例如基站和/或网络交换节点,用户行为预测系统的一个或多个组件可以通过该接入点连接到网络502以交换数据和/或信息。
在一些实施例中,服务请求端503的用户可以是除服务实际需求者之外的其他人。例如,服务请求端503的用户A可以使用服务请求端503来为服务实际需求者B发起服务请求(比如,用户A可以为自己的朋友B叫车),或者从服务器501接收服务信息或指令等。在一些实施例中,服务提供端504的用户可以是服务实际提供者,也可以是除服务实际提供者之外的其他人。例如,服务提供端504的用户C可以使用服务提供端504接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单),和/或来自服务器501的信息或指令。在一些实施例中,“服务请求方”和“服务请求端”可以互换使用,“服务提供方”和“服务提供端”可以互换使用。
在一些实施例中,服务请求端503可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,服务请求端503可以是具有用于定位服务请求方和/或服务请求端的位置的定位技术的设备。
在一些实施例中,服务提供端504可以是与服务请求端503类似或相同的设备。在一些实施例中,服务提供端504可以是具有定位技术的设备,用于定位服务提供方和/或服务提供端的位置。在一些实施例中,服务请求端503和/或服务提供端504可以与其他定位设备通信以确定服务请求方、服务请求端503、服务提供方、或服务提供端504、或其任意组合的位置。在一些实施例中,服务请求端503和/或服务提供端504可以将定位信息发送给服务器501。
数据库505可以存储数据和/或指令。在一些实施例中,数据库505可以存储从服务请求端503和/或服务提供端504获得的数据。在一些实施例中,数据库505可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库505可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic Random AccessMemory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDRSDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-BasedRandom Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库505可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库505可以连接到网络502以与用户行为预测系统(例如,服务器501,服务请求端503,服务提供端504等)中的一个或多个组件通信。用户行为预测系统中的一个或多个组件可以经由网络502访问存储在数据库505中的数据或指令。在一些实施例中,数据库505可以直接连接到用户行为预测系统中的一个或多个组件(例如,服务器501,服务请求端503,服务提供端504等);或者,在一些实施例中,数据库505也可以是服务器501的一部分。
在一些实施例中,用户行为预测系统中的一个或多个组件(例如,服务器501,服务请求端503,服务提供端504等)可以具有访问数据库505的权限。在一些实施例中,当满足一定条件时,用户行为预测系统中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如,服务器501可以在接收服务请求之后读取和/或修改一个或多个用户的信息。作为另一示例,服务提供端504可以在从服务请求端503接收服务请求时访问与服务请求方有关的信息,但是服务提供端504可以不修改服务请求方的相关信息。
在一些实施例中,可以通过请求服务来实现用户行为预测系统中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中,产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等,或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、或互联网产品等,或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等,或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等,或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(Personal Digital Assistant,PDA)、智能手表、销售点(Point of sales,POS)设备、车载电脑、车载电视、或可穿戴设备等,或其任意组合。例如,互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等,或其任意组合。在一些实施例中,与运输有关的软件和/或应用程序可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、绘图软件和/或应用程序等。在车辆调度软件和/或应用程序中,车辆可包括马、马车、人力车(例如,独轮车、自行车、三轮车等)、汽车(例如,出租车、公共汽车、私家车等)、火车、地铁、船只、飞机(例如,飞机、直升机、航天飞机、火箭、热气球等)等,或其任意组合。
以上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 (14)
1.一种用户行为预测方法,其特征在于,包括:
若监测到服务请求端开启目标应用程序,获取所述目标应用程序对应用户的用户信息;
从所述用户信息中提取用户特征,所述用户特征包括第一上线特征、第一天气特征和第一历史特征;所述第一上线特征为所述用户打开所述目标应用程序对应的特征;所述第一天气特征包括所述用户的当前位置的天气特征和所选择的目的地对应的天气特征;所述第一历史特征包括所述用户在过去预设时间段内的乘车信息;
利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为;所述目标预测行为用于表示所述用户使用所述目标应用程序为所述用户提供服务的概率;
其中,所述预测模型通过获取多个训练用户在预设历史时间段内的训练用户信息,并对每一训练用户信息进行特征提取,获得训练用户信息对应的训练用户特征,所述训练用户特征包括第二上线特征、第二天气特征和第二历史特征;将每一训练用户进行标注,获得每一训练用户对应的行为标签;将所述第二上线特征、所述第二天气特征和所述第二历史特征作为输入,所述行为标签作为输出进行模型训练获得。
2.根据权利要求1所述的方法,其特征在于,所述预测模型通过提升算法xgboost进行模型训练获得。
3.根据权利要求1所述的方法,其特征在于,所述若监测到服务请求端开启目标应用程序,则获取所述目标应用程序对应用户的用户信息,包括:
若接收到所述服务请求端发送的所述目标应用程序的开启请求,则获知所述服务请求端开启目标应用程序,所述开启请求包括用户标识;
根据所述用户标识获取对应的所述用户信息。
4.根据权利要求1所述的方法,其特征在于,所述目标预测行为为所述用户使用所述目标应用程序提供服务的概率,在获得所述用户的目标预测行为之后,所述方法,还包括:
根据所述目标预测行为向所述服务请求端发送对应的服务资源。
5.根据权利要求2所述的方法,其特征在于,所述方法,还包括:
根据预设周期获取最近周期内训练用户的更新训练用户信息;
通过所述更新训练用户信息对所述预测模型进行优化更新,获得更新预测模型。
6.根据权利要求5所述的方法,其特征在于,所述利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为,包括:
利用所述预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第一预测行为;
利用所述更新预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第二预测行为;
根据所述第一预测行为和所述第二预测行为获得所述目标预测行为。
7.一种用户行为预测装置,其特征在于,包括:
第一获取模块,用于若监测到服务请求端开启目标应用程序,获取所述目标应用程序对应用户的用户信息;
特征提取模块,用于从所述用户信息中提取用户特征,所述用户特征包括第一上线特征、第一天气特征和第一历史特征;所述第一上线特征为所述用户打开所述目标应用程序对应的特征;所述第一天气特征包括所述用户的当前位置的天气特征和所选择的目的地对应的天气特征;所述第一历史特征包括所述用户在过去预设时间段内的乘车信息;
预测模块,用于利用预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的目标预测行为;所述目标预测行为用于表示所述用户使用所述目标应用程序为所述用户提供服务的概率;
其中,所述预测模型通过获取多个训练用户在预设历史时间段内的训练用户信息,并对每一训练用户信息进行特征提取,获得训练用户信息对应的训练用户特征,所述训练用户特征包括第二上线特征、第二天气特征和第二历史特征;将每一训练用户进行标注,获得每一训练用户对应的行为标签;将所述第二上线特征、所述第二天气特征和所述第二历史特征作为输入,所述行为标签作为输出进行模型训练获得。
8.根据权利要求7所述的装置,其特征在于,所述模型训练通过提升算法xgboost进行模型训练获得。
9.根据权利要求7所述的装置,其特征在于,所述第一获取模块,具体用于:
若接收到所述服务请求端发送的所述目标应用程序的开启请求,则获知所述服务请求端开启目标应用程序,所述开启请求包括用户标识;
根据所述用户标识获取对应的所述用户信息。
10.根据权利要求7所述的装置,其特征在于,所述目标预测行为为所述用户使用所述目标应用程序提供服务的概率,所述装置,还包括:
发送模块,用于根据所述目标预测行为向所述服务请求端发送对应的服务资源。
11.根据权利要求7所述的装置,其特征在于,所述装置,还包括:
第三获取模块,用于根据预设周期获取最近周期内训练用户的更新训练用户信息;
更新模块,用于通过所述更新训练用户信息对所述预测模型进行优化更新,获得更新预测模型。
12.根据权利要求11所述的装置,其特征在于,所述预测模块,具体用于:
利用所述预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第一预测行为;
利用所述更新预测模型对所述第一上线特征、所述第一天气特征和所述第一历史特征进行预测,获得所述用户的第二预测行为;
根据所述第一预测行为和所述第二预测行为获得所述目标预测行为。
13.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质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,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至6任一所述的用户行为预测的方法的步骤。
14.一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6任一所述的用户行为预测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811490220.1A CN111367575B (zh) | 2018-12-06 | 2018-12-06 | 一种用户行为预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811490220.1A CN111367575B (zh) | 2018-12-06 | 2018-12-06 | 一种用户行为预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111367575A CN111367575A (zh) | 2020-07-03 |
CN111367575B true CN111367575B (zh) | 2023-10-24 |
Family
ID=71207911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811490220.1A Active CN111367575B (zh) | 2018-12-06 | 2018-12-06 | 一种用户行为预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111367575B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114281489A (zh) * | 2020-09-17 | 2022-04-05 | 华为终端有限公司 | 一种多服务的执行方法及电子设备 |
CN112363473A (zh) * | 2020-11-09 | 2021-02-12 | 珠海格力电器股份有限公司 | 用户行为的预测方法、控制设备的方法、装置及电子设备 |
CN112801405A (zh) * | 2021-02-22 | 2021-05-14 | 北京嘀嘀无限科技发展有限公司 | 用户标签的预测方法、装置、设备、介质和产品 |
CN112990284B (zh) * | 2021-03-04 | 2022-11-22 | 安徽大学 | 一种基于XGBoost算法的个体出行行为预测方法、系统及终端 |
CN113869963B (zh) * | 2021-11-01 | 2023-11-07 | 北京深演智能科技股份有限公司 | 智能预测用户到场情况的方法、装置及数据处理设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008310514A (ja) * | 2007-06-13 | 2008-12-25 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ操作履歴取得表示装置、ユーザ操作履歴取得表示方法、ユーザ操作履歴取得表示プログラム及びそのプログラムを記録した記録媒体 |
US8468110B1 (en) * | 2010-07-22 | 2013-06-18 | Intuit Inc. | Real-time user behavior prediction |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
CN107783801A (zh) * | 2017-11-06 | 2018-03-09 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN108369665A (zh) * | 2015-12-10 | 2018-08-03 | 爱维士软件有限责任公司 | (移动)应用程序使用流失的预测 |
-
2018
- 2018-12-06 CN CN201811490220.1A patent/CN111367575B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008310514A (ja) * | 2007-06-13 | 2008-12-25 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ操作履歴取得表示装置、ユーザ操作履歴取得表示方法、ユーザ操作履歴取得表示プログラム及びそのプログラムを記録した記録媒体 |
US8468110B1 (en) * | 2010-07-22 | 2013-06-18 | Intuit Inc. | Real-time user behavior prediction |
CN108369665A (zh) * | 2015-12-10 | 2018-08-03 | 爱维士软件有限责任公司 | (移动)应用程序使用流失的预测 |
CN106875066A (zh) * | 2017-02-28 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 用车出行行为的预测方法、装置、服务器以及存储介质 |
CN107783801A (zh) * | 2017-11-06 | 2018-03-09 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111367575A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111367575B (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
CN111476588B (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
JP6538196B2 (ja) | サービスの要求を分配するシステム及び方法 | |
TWI673659B (zh) | 用於確定預估到達時間的電子系統和方法及相關的非暫時性電腦可讀取媒體 | |
TWI675184B (zh) | 用於路線規劃的系統、方法及非暫時性電腦可讀取媒體 | |
CN112236787B (zh) | 用于生成个性化目的地推荐的系统和方法 | |
WO2020029164A1 (en) | Systems and methods for allocating orders | |
CN111353092B (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
JP6632723B2 (ja) | サービスの順序列を更新するためのシステム及び方法 | |
EP3635706B1 (en) | Methods and systems for estimating time of arrival | |
TW201901474A (zh) | 用於確定預估到達時間的系統和方法 | |
CN111104585B (zh) | 一种问题推荐方法及装置 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
TW201842474A (zh) | 活動推薦系統和方法 | |
CN111489214B (zh) | 订单分配方法、条件设置方法、装置及电子设备 | |
CN111259229B (zh) | 一种问题推荐方法及装置 | |
CN111353090B (zh) | 服务分流方法、装置、服务器及可读存储介质 | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN111612562B (zh) | 数据标记方法、装置及电子设备 | |
CN111192071B (zh) | 发单量预估方法及装置、训练发单概率模型的方法及装置 | |
CN111861628B (zh) | 服务推荐方法、装置、电子设备和计算机可读存储介质 | |
CN113924460B (zh) | 确定服务请求的推荐信息的系统和方法 | |
CN111831763A (zh) | 地图处理方法、装置、设备及计算机可读存储介质 |
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 |