CN111695695A - 用户决策行为量化分析方法及装置 - Google Patents
用户决策行为量化分析方法及装置 Download PDFInfo
- Publication number
- CN111695695A CN111695695A CN202010518137.1A CN202010518137A CN111695695A CN 111695695 A CN111695695 A CN 111695695A CN 202010518137 A CN202010518137 A CN 202010518137A CN 111695695 A CN111695695 A CN 111695695A
- Authority
- CN
- China
- Prior art keywords
- decision
- user
- matrix
- module
- factor
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种用户决策行为量化分析方法及装置,涉及计算机技术中的大数据计算和人工智能领域,通过将用户做出目标决策相关的至少一个量化后的决策因素输入机器学习模型,并由机器学习模型对决策因素进行进一步分析,最终根据机器学习模型的输出确定用户做出目标决策的预测结果,从而能够对用户做出目标决策的决策因素进行分析,以得到做出目标决策的预测结果,因此丰富了对用户决策行为的分析需求。
Description
技术领域
本发明涉及计算机技术中的大数据计算和人工智能领域,尤其涉及一种用户决策行为量化分析方法及装置。
背景技术
一些研究数据表明,一个成年人在一天的时间当中,会有意或无意进行35000次的决策,这些决策通常是基于用户一定的主观习惯结合客观条件做做出,而如何对用户行为进行量化的分析,使得计算机能够根据量化后的主客观条件对用户是否会做出某种决策进行预测,是大数据技术中常见的应用场景。尤其对于商户等服务提供商,当获取了能够量化描述用户如何做出决策的数据之后,计算机就可以利用这些数据生成预测值,最终,商户可以根据计算机所计算出的预测值,确定用户是否会选择该商户、以及如何对商户本身进行优化使得预测值更高。因此,计算机需要对抽象的用户行为,进行具体的量化分析,才能够进行预测值的计算。
在现有技术最为常见的用户决策行为分析场景中,作为执行主体的计算机,可以获取用户使用手机等终端设备在上网时搜索的关键字,并根据这些用户搜索的关键字,确定用户的行为,并为用户推荐与行为相关的信息。例如,当用户使用手机搜索了多次“咖啡”,则计算机根据所获取的关键字“咖啡”,可以确定用户的行为是想去喝咖啡,随后可以向用户的手机推送与附近的咖啡店有关的信息。
采用现有技术,计算机所进行的用户决策行为分析仅仅是简单的关键字对应与信息推荐,并不能对用户具体根据哪些主客观因素考虑,从而做出决策行为进行量化的分析,尤其是无法通过量化的数据来表征用户所做出决策的原因,进而无法进行用户是否会做出决策的预测,因此导致了现有技术对用户决策行为分析的方法较为单一,无法满足多样化的分析需求。
发明内容
本申请提出一种用户决策行为量化分析方法及装置,通过将用户做出目标决策相关的至少一个量化后的决策因素输入机器学习模型,并由机器学习模型对决策因素进行进一步分析,最终根据机器学习模型的输出确定用户做出目标决策的预测结果,从而能够对用户做出目标决策的决策因素进行分析,以得到做出目标决策的预测结果,因此丰富了对用户决策行为的分析需求。
本申请第一方面提供一种用户决策行为量化分析方法,包括:获取与用户做出目标决策相关的至少一个决策因素;其中,每个所述决策因素由所述用户的信息或所述目标决策的信息量化得到的数值表示;将所述至少一个决策因素输入机器学习模型,根据所述机器学习模型的输出确定所述用户做出所述目标决策的预测结果。
具体地,本实施例提供的用户决策行为量化分析方法,具有如下有益效果:能够对用户做出目标决策的决策因素进行分析,以得到做出目标决策的预测结果,保证了用户决策行为的可解释性和有效性,因此丰富了对用户决策行为的分析需求。
在本申请第一方面一实施例中,所述用户的信息包括:所述用户偏好做出的决策的类型、所述用户做出所述目标决策时的时间,以及所述用户做出所述目标决策时所在的位置;所述目标决策的信息包括:所述目标决策累计被做出的时间分布。
具体地,本实施例提供的用户决策行为量化分析方法,具有如下有益效果:更加全面地从用户的角度以及从目标决策本身的角度出发,对用户做出目标决策的主客观条件尽可能进行全面的衡量,能够更准确、更可描述地对用户的决策行为进行分析。
在本申请第一方面一实施例中,所述方法还包括:获取用户做出的多个决策,以及与所述每个决策相关的至少一个决策因素;依次将所述多个决策中每个决策以及相关的至少一个决策因素输入所述机器学习模型,对所述机器学习模型进行训练。
具体地,本实施例提供的用户决策行为量化分析方法,具有如下有益效果:通过历史决策数据,提前分析出用户决策行为的原因,使得后续在分析每一次用户的决策时,能够基于真实数据计算出的机器学习模型,更加真实地还原用户实际的选择,从而对用户的决策行为进行分析。
在本申请第一方面一实施例中,所述机器学习模型包括:嵌入 embedding模块、投影自注意力self projection attention模块,多层感知机MLP模块,和决策结构学习器decision structure learner模块;其中,所述embedding模块用于将每个所输入的决策因素初始化为多维的向量,得到第一矩阵;所述self projection attention模块用于对embedding矩阵中每个初始化后的向量根据其他向量在每个向量上投影的分量进行赋值,得到第二矩阵;所述MLP模块用于将所述第一矩阵和所述第二矩阵融合后得到第三矩阵,所述第三矩阵中包括所述至少一个决策因素中每个决策因素对应的似然值;所述第三矩阵经过L2范数的正则化处理后得到稀疏的第四矩阵,所述decision structure learner模块用于根据所述第四矩阵确定用户做出所述目标决策的标量值,最终将通过sigmoid函数处理后作为预测结果。
具体地,本实施例提供的用户决策行为量化分析方法,具有如下有益效果:通过数据驱动的方式进行优化设计,将机器学习模型设计为一个求解非凸QCQP问题,从而构建基于深度学习框架的机器学习模型,能够对决策因素进行进一步的量化分析,从而得到与每个决策因素相关的最终输出的标量值作为预测结果。
在本申请第一方面一实施例中,所述方法还包括:接收指示信息,所述指示信息用于指示所述L2范数的正则项权重值;根据所述指示信息调整所述L2范数的正则项权重值,以增加所述第四矩阵中非零元素的数量。
具体地,本实施例提供的用户决策行为量化分析方法,具有如下有益效果:电子设备主动对至少一个决策因素的取值进行调整,即,电子设备可以自行根据计算结果,提供更加优化的决策因素,提高了电子设备在进行用户决策行为量化分析时的智能化程度,以及丰富了能够提供的功能。
在本申请第一方面一实施例中,所述方法还包括:在显示界面上显示所述预测结果。
具体地,本实施例提供的用户决策行为量化分析方法,具有如下有益效果:能够将用户决策量化分析结果通过较为直观的方式呈现给商户,使得商户通过可视化界面即可连接分析结果,减少了商户所需的专业知识,降低了使用难度,提高商户的使用体验。
本申请第二方面提供一种用户决策行为量化分析装置,包括:获取模块,用于获取与用户做出目标决策相关的至少一个决策因素;其中,每个所述决策因素由所述用户的信息或所述目标决策的信息量化得到的数值表示;处理模块,用于将所述至少一个决策因素输入机器学习模型,根据所述机器学习模型的输出确定所述用户做出所述目标决策的预测结果。
在本申请第二方面一实施例中,所述用户的信息包括:所述用户偏好做出的决策的类型、所述用户做出所述目标决策时的时间,以及所述用户做出所述目标决策时所在的位置;所述目标决策的信息包括:所述目标决策累计被做出的时间分布。
在本申请第二方面一实施例中,所述获取模块还用于,获取用户做出的多个决策,以及与所述每个决策相关的至少一个决策因素;所述处理模块还用于,依次将所述多个决策中每个决策以及相关的至少一个决策因素输入所述机器学习模型,对所述机器学习模型进行训练。
在本申请第二方面一实施例中,所述机器学习模型包括: embedding模块、投影自注意力self projection attention模块,多层感知机MLP模块,和决策结构学习器decision structure learner模块;其中,所述embedding模块用于将每个所输入的决策因素初始化为多维的向量,得到第一矩阵;所述self projection attention模块用于对embedding矩阵中每个初始化后的向量根据其他向量在每个向量上投影的分量进行赋值,得到第二矩阵;所述MLP模块用于将所述第一矩阵和所述第二矩阵融合后得到第三矩阵,所述第三矩阵中包括所述至少一个决策因素中每个决策因素对应的似然值;所述第三矩阵经过L2范数的正则化处理后得到稀疏的第四矩阵,所述decision structure learner模块用于根据所述第四矩阵确定用户做出所述目标决策的标量值,最终将通过sigmoid函数处理后作为预测结果。
在本申请第二方面一实施例中,所述获取模块还用于,接收指示信息,所述指示信息用于指示所述L2范数的正则项权重值;所述处理模块还用于,根据所述指示信息调整所述L2范数的正则项权重值,以增加所述第四矩阵中非零元素的数量。
在本申请第二方面一实施例中,所述装置还包括:显示模块;所述显示模块用于在显示界面上显示所述预测结果。
本申请第三方面提供一种电子设备,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执行如本申请第一方面提供的任一项所述的方法。
本申请第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如本申请第一方面中任一项所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:通过将用户做出目标决策相关的至少一个量化后的决策因素输入机器学习模型,并由机器学习模型对决策因素进行进一步分析,最终根据机器学习模型的输出确定用户做出目标决策的预测结果,从而能够对用户做出目标决策的决策因素进行分析,以得到做出目标决策的预测结果,保证了用户决策行为的可解释性和有效性,因此丰富了对用户决策行为的分析需求。此外,作为本申请执行主体的电子设备,在获取至少一个决策因素之后,即可输出用户对目标决策的预测结果,整个过程对用户来说不可见,相当于一个黑盒,对于用户来说易于使用,还提高了对用户决策行为进行量化分析的效率,通过电子设备更加便利、更具智能化的分析,无需商户通过人工方式进行分析与判断,并且基于大数据得到的更具有普遍性的机器学习模型,又能够保证分析结果的准确性,还具有提高商户等使用者体验的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请所应用的技术场景的示意图;
图2为本申请提供的用户决策行为量化分析方法一实施例的流程示意图;
图3为本申请提供的用户决策行为量化分析方法一实施例的逻辑示意图;
图4为本申请提供的用户决策行为量化分析方法另一实施例的逻辑示意图;
图5为本申请提供的决策因素对应的向量的示意图;
图6为本申请提供的机器学习模型一实施例的结构示意图;
图7为本申请提供的用户决策行为量化分析方法另一实施例的逻辑示意图;
图8为本申请提供的显示界面的示意图;
图9为本申请提供的一种用户决策行为量化分析装置一实施例的结构示意图;
图10为本申请提供的一种用户决策行为量化分析装置另一实施例的结构示意图;
图11为本申请实施例的用户决策行为量化分析方法的电子设备的框图。
具体实施方式
图1为本申请所应用的技术场景的示意图,其中,本申请应用在对用户所做出的决策进行量化分析的技术领域,具体地,在如图1所示的示例中,以用户做出的决策为去哪家商家作为示例性的说明。如图1所示,假设商家①-③都是餐馆,则在一种场景中,用户可以根据商家①的评价更好、更受欢迎,选择去商家①吃饭、在另一种场景中,用户又可以根据商家②的距离较近,选择去商家②吃饭、在又一种场景中,用户还可以根据商家③提供的服务好、服务设施较为齐全,选择去商家③吃饭。可以看出,用户在做出每一个决定时,都会在一定客观的条件的基础上,结合个人主观的习惯做出一个决定。这些主观和客观的条件可以影响用户做出决策的结果,因此又可被称为决策因素。
随着大数据技术的发展,可以更加方便地获取大量用户做出决策时对应的各种决策因素,而在知道这些大量的决策以及对应的决策因素之后,如何对这些海量的数据决策因素进行量化描述、以及进行量化后的进一步分析与决策预测,具有较为现实的意义。例如,对于商家,可以根据用户的决策因素对用户是否选择到该商家进行预测、并根据预测结果进一步理解用户做出决策的原因,更好地对商家的一些经营策略进行调整、优化资源配置,从而改进用户体验等;对于一些线上推荐系统的服务商而言,可以根据用户决策因素的预测结果,更加智能地理解用户决策行为的主客观原因,从而优化推荐系统,向用户推送更加精准的推荐结果。
但是在现有技术中,由于用户做出的决策所依据的决策因素较多,造成了对用户决策行为的分析缺少一种量化的表达,也就无法对决策因素进行分析进而做出决策的预测,导致了现有技术中即使存在海量的决策以及决策因素的数据,也无法进一步对用户决策行为进行分析,用户决策行为分析的方法较为单一,无法满足多样化的用户决策行为分析需求。
因此,本申请提出一种用户决策行为量化分析方法及装置,通过将用户做出目标决策相关的至少一个量化后的决策因素输入机器学习模型,并由机器学习模型对决策因素进行进一步分析,最终根据机器学习模型的输出确定用户做出目标决策的预测结果,从而能够对用户做出目标决策的决策因素进行分析,以得到做出目标决策的预测结果,因此丰富了对用户决策行为的分析需求。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请提供的用户决策行为量化分析方法一实施例的流程示意图,如图2所示,本实施例执行主体可以是手机、平板电脑、笔记本电脑、台式电脑或者服务器等具有相关数据处理能力的电子设备,具体地,本实施例提供的用户决策行为量化分析方法包括:
S101:获取与用户做出目标决策相关的至少一个决策因素。
具体地,作为本实施例的电子设备为了对用户决策行为进行量化分析,首先获取与用户做出目标决策相关的决策因素,并且本实施例中所获取的这些决策因素都能够被量化表示为数值形式。其中,本实施例中所述的决策因素是指能够影响用户做出判断的主观或者客观条件,这些条件又可以按照来源被划分为用户相关的信息和目标决策本身相关的信息,所述用户的信息包括用户偏好做出的目标决策的类型、用户做出目标决策的时间以及用户做出目标决策时所作的位置;所述目标决策的信息包括:目标决策累计被做出的时间分布。
以用户所做出的目标决策为是否选择目标商户的决策为例,则所述决策因素中的用户偏好做出的目标决策的类型,可以是由用户偏好做出的去某种地点的类型,这种与用户偏好相关的决策因素与用户的主观意愿相关,可以由用户所使用的手机、平面电脑等终端设备根据用户日常的轨迹、搜索记录等统计得到并记录,或者终端设备可以将统计得到的类型上传至互联网进行记录。例如,假设用户经常去咖啡店、比较经常去公园,则终端设备根据定位信息等方式统计出用户偏好去的地点可以是咖啡店和公园,并将这两种地点通过分别通过数值1-咖啡店和2-公园进行量化,或者更加细节的,若用户经常去X咖啡店,则通过数值11量化描述咖啡店X,通过数值12量化描述咖啡店 Y等。可以理解的是,这里的1、2、11和12仅为示例性的说明,在实际表示过程中,用户偏好去的某种地点的类型可以由更多种可能的数值表示,每种数值代表一种地点的类型,不同用户偏好的相同地点的类型的数值相同。
所述决策因素中的用户做出目标决策的时间和用户做出目标决策时所作的位置与用户当前所在的客观环境有关,可以由用户所使用的手机、平板电脑等终端设备获得,并上传至互联网进行记录。其中,用户做出决策的时间可以被划分为不同的时间段来量化表示,例如,将每天划分为上午、中午、下午和晚上四个时间段,依次通过数值1-4 来表示,则用户做出目标决策的时间是上午10点,可以通过数值“1”来量化表示。而用户做出决策所在的位置可以由经纬度数据表示,或者也可以将地图数据划分为东西南北中五个区域,并依次通过数值 1-5来表示,则用户做出目标决策时的位置位于地图的西部时,可以通过数值“2”来量化表示。
所述决策因素中目标决策累计被做出的时间分布,具体可以是商户累计到店的用户的时间分布,例如,商户根据统计可以得到用户到店时间的分布,同样可以将每天划分为上午、中午、下午和晚上四个时间段,依次通过数值1-4来表示,则对于目标决策对应的商户,若晚上时间到店的用户人数最多,则可以通过数据“4”来量化表示。
可选地,电子设备在S101中所获取的至少一个决策因素可以是通过如下方式量化表达{f1,f2,f3,f4},其中,f1用于表示用户偏好做出的目标决策的类型,f2用于表示用户做出目标决策的时间,f3 用于表示用户做出目标决策的地点,f4用于表示目标决策累计被做出的时间。因此,基于上述示例,电子设备所获取的至少一个决策因素可以是{11,1,2,4},则“11”表示用户经常去X咖啡店、“1”表示用户做出目标决策的时间为上午,“2”表示用户做出目标决策的地点为地图数据的西部位置,“4”表示目标决策对应的商户在晚上时间到店人数最多。需要说明的是,本实施例仅示出了决策因素几种可能的实现方式,在具体的实现中,决策因素还可能包括更多影响用户做出目标决策的条件等,则可以通过{f1,f2,…,fN}来表示电子设备所获取的N个决策因素。本申请实施例中提供的决策因素,能够更加全面地从用户的角度以及从目标决策本身的角度出发,对用户做出目标决策的主客观条件尽可能进行全面的衡量,能够更准确、更可描述地对用户的决策行为进行分析。
可选地,在一种可能实现方式中,电子设备可以通过鼠标、键盘等交互设备,获取商户入的与用户做出目标决策相关的至少一个决策因素;或者,在另一种可能的实现方式中,用户有关的信息可以由用户主动上报、或者用户所使用的终端设备自动上传至互联网的服务器,商户有关的决策因素也可以由商户上传至互联网的服务器,则由本申请执行主体的电子设备通过互联网的服务器获取至少一个决策因素。又或者,可选地,电子设备也可以获取决策因素后,根据存储的规则将决策因素进行量化为通过数值进行表达。
S102:将至少一个决策因素输入机器学习模型,并根据机器学习模型的输出确定用户做出目标决策的预测结果。
随后,作为执行主体的电子设备在获得S101中的至少一个决策因素之后,可以将决策因素输入机器学习模型中,为了更加清楚以及直观地展示这一过程,图3为本申请提供的用户决策行为量化分析方法一实施例的逻辑示意图,其中,作为本申请执行主体的电子设备1 在通过获取模块11在S101中获取至少一个决策因素(记为f1,f2,…, fN)之后,可以将所获取的至少一个决策因素输入在电子设备中设置的机器学习模型12中,由机器学习模型输出一个标量值作为最终的预测结果,由电子设备1进行输出。
更为具体地,本申请实施例提供的机器学习模型是通过用户做出目标决策的历史决策记录进行训练所得到的。下面对模型的训练过程进行说明,其中,图4为本申请提供的用户决策行为量化分析方法另一实施例的逻辑示意图,其中,电子设备1获取已经发生的不同用户根据做出目标决策的决策因素作为历史决策记录,例如对于已经去过商户的用户A的决策因素为{f1A,f2A,…,fNA}、用户B的决策因素为{f1B,f2B,…,fNB}……用户N的决策因素{f1N,f2N,…, fNN},则电子设备1依次将用户A的决策因素、用户B的决策因素……用户N的决策因素输入到机器学习模型12中,由机器学习模型进行回归训练,最终得到学习到用户做出目标决策的不同决策因素对最终结果的影响值,这个影响值可以是一个标量值。
也就是说,经过训练的模型,能够学习到用户做出目标决策时,不同决策因素对是否做出目标决策的影响,使得机器学习模型可以在如图2所示的方法中,用于对于本次所获取的至少一个决策因素进行判断,能够基于机器学习模型输出一个用户是否做出目标决策的标量值。因此,作为执行主体的电子设备可以通过历史决策数据,提前分析出用户决策行为的原因,使得后续在分析每一次用户的决策时,能够基于真实数据计算出的机器学习模型,更加真实地还原用户实际的选择,从而对用户的决策行为进行分析。
可选地,对于机器学习模型所输出的标量值,由于经过了sigmoid 函数的处理器,其取值范围为0-1之间,则电子设备还可以进行处理后,再作为预测结果进行输出。例如,可以将机器学习模型输出的标量值进行分档,90%以上的标量值对应预测结果为“用户肯定会做出目标决策”、90%-40%的标量值对应预测结果为“用户可能会做出目标决策”、40%以下的标量值对应预测结果为“用户不会做出目标决策”等。
综上,本实施例提供的用户决策行为量化分析方法中,通过将用户做出目标决策相关的至少一个量化后的决策因素输入机器学习模型,并由机器学习模型对决策因素进行进一步分析,最终根据机器学习模型的输出确定用户做出目标决策的预测结果,从而能够对用户做出目标决策的决策因素进行分析,以得到做出目标决策的预测结果,保证了用户决策行为的可解释性和有效性,因此丰富了对用户决策行为的分析需求。此外,作为本申请执行主体的电子设备,在获取至少一个决策因素之后,即可输出用户对目标决策的预测结果,整个过程对用户来说不可见,相当于一个黑盒,对于用户来说易于使用,还提高了对用户决策行为进行量化分析的效率,通过电子设备更加便利、更具智能化的分析,无需商户通过人工方式进行分析与判断,并且基于大数据得到的更具有普遍性的机器学习模型,又能够保证分析结果的准确性,还具有提高商户等使用者体验的技术效果。
更为具体地,本申请还提供一种机器学习模型的具体实现方式,能够用于对量化后的决策因素进行分析,最终输出用户是否会做出目标决策的标量值。
其中,为了建立机器学习模型,首先需要定义如下问题:对于用户做出目标决策的行为,为了确定用户做出目标决策的可能性,需要确定用户做出目标决策相关的至少一个决策因素,以及决策因素对应的权重,这一过程又可被称为用户决策建模(user decisionprofiling)。而为了实现这一过程,可以将所获取的至少一个决策因素抽象为最大化标量投影问题。
例如,图5为本申请提供的决策因素对应的向量的示意图,其中,对于用户所做出的目标决策(D),可以有相关的至少一个决策因素 (Factor)作为一个集合{f1,f2,…,fN},其中每个决策因素都可以通过嵌入(embedding)的方式抽象称为n维空间的向量,而由于每个决策因素对目标决策D的共享不同,假设存在一个标量向量(scalar projection),经过该投影不同的决策因素得到的投影值不同,即不同的决策因素对用户做出目标决策的贡献程度不同,有的决策因素增加用户做出目标决策的可能性、有的决策因素会减少用户做出目标决策的可能性。例如,图5所示的示例中,f1、f2、f3和f4四个标量向量的方向和大小都不同,而将这四个标量的投影后的值相加,能够得到用户做出目标决策的可能性,也就是D被成功执行的概率,在图5 中表示为的投影记为L,计算公式为最终,上述问题的目标转化为,寻找一个投影以及每个投影中决策因素的embedding,使得目标决策的最终投影值之和最大。
而为了解决最大化标量投影的问题,可以通过数据驱动的方式进行优化设计,上述优化设计是一个求解非凸有约束二次规划 (nonconvex quadratically constrainedquadratic programming,简称: QCQP)问题,这个非凸QCQP问题又是一个NP难(NP-hard)问题,基于此,本申请设计的机器学习模型可以基于深度学习框架,并可用于进行非凸QCQP近似求解的问题。
具体地,图6为本申请提供的机器学习模型一实施例的结构示意图,如图6所示,本申请提供的机器学习模型包括:embedding模块、投影自注意力self projectionattention模块,多层感知机MLP模块,和决策结构学习器decision structure learner模块。
下面结合图6,对机器学习模型从输入的至少一个决策因素,到输出的目标决策的概率的处理过程进行说明。例如,在如图6所示的 (a)部分:输入和嵌入(input&embedding)中,机器学习模型获取到输入的至少一个决策因素(decision factors),即图中的{f1,f2,…, fn}后,通过embedding方式将每一个决策因素的数值嵌入为d维的向量,并将这n个d维的向量组成一个维数为n*d的矩阵,即图中的因素嵌入矩阵F(factor embeddingmatrix),记为第一矩阵,以备后续计算。
随后,在如图6所示的(b)部分自注意力模块(self projection attention)中,根据建立的第一矩阵,通过公式计算每个向量的投影,建立一个用于中间计算的n*n维的矩阵P,其中,结合上述公式可以看出,第二矩阵中每个元素均用于表示对于任一个目标决策因素的向量,其他决策因素的向量在这个目标决策因素的向量上的投影,可以理解的是,其他决策因素的向量在目标决策因素的向量上的投影值越大,说明该决策因素对目标决策因素的影响越大;其他决策因素的向量在目标决策因素的向量上的投影值越小,说明该决策因素对目标决策因素的影响越小。随后将矩阵P进行softmax处理,将矩阵P中每个决策因素的向量对应的数值根据重要程度赋值,得到的矩阵记为可用于表示对于任一个决策因素,其他决策因素的投影值的加和。随后将携带权值的矩阵与原始的第一矩阵F相乘得到维数为n*d的矩阵记为第二矩阵。
随后,在如图6所示的(c)部分稀疏似然估计(sparse likelihood estimator)中,将第一矩阵和第二矩阵通过多层感知机(multilayer perceptron,简称:MLP)进行融合,得到向量维数为n*1的矩阵l 记为第三矩阵,其中包括了n个决策因素中每个决策因素对应的似然值,将矩阵l通过L2范数(L2 regulator)的正则化函数处理后得到稀疏的矩阵记为第四矩阵。
最终,在如图6所示的(d)部分决策结构学习器(decision structure learner)中,通过之前已经计算出的矩阵,根据公式(第四矩阵和第一矩阵计算得到d)、(每个元素值均为1的矩阵和第一矩阵计算得到)和计算出的目标决策的标量值为L后,再通过sigmoid函数对L进行处理,将L映射到[0,1]之间,最终作为预测结果输出。
需要说明的是,如图6所示的机器学习模型中,在机器学习模型的训练过程中,所训练的内容包括了embedding的变化参数、softmax、 sparsemax的具体赋值方式等,使得后续在使用的过程中,可以通过已经训练的参数对当次计算的至少一个决策因素进行计算。而有关 embedding、softmax、sparsemax、L2范数等计算的具体实现方式可参照现有技术,不再赘述。
可选地,在本申请各实施例中,当作为执行主体的电子设备,通过如图5所示的机器学习模型计算时,还可以根据用户或者商户的计算需求,调整所使用的L2范数的正则项权重值。例如,当第三矩阵中包括较多零元素、而非零元素较少时,若希望考虑更多决策因素,则可以调整L2范数的正则项权重值,使得经过L2范数的正则化处理后得到的第四矩阵中,零元素的数量更少、非零元素的数量更多。则电子设备可以接收用户通过通过鼠标、键盘等交互设备所发送的指示信息,所述指示信息用于指示所设置的L2范数的正则项权重值。
可选地,电子设备还可以对至少一个决策因素的取值进行调整,使得调整后的至少一个决策因素输入所述机器学习模型后输出的标量值大于调整前也就是当前的至少一个决策因素输入所述机器学习模型后输出的标量值,即,电子设备可以自行根据计算结果,提供更加优化的决策因素,使得最终的标量值更大或者最大。
例如,当电子设备输入机器学习模型的至少一个决策因素{f1,f2, f3,f4}的具体取值为{11,1,2,4},经过如图6所示的机器学习模型计算出的值L为0.5,则电子设备可以将f2调整为2后,将新的数组{11,2,2,4}输入机器学习模型进行计算此时计算出的L为0.6,大于之前的数据计算得到的值,从而提供了更又的决策因素的组合。可选地,若电子设备的计算能力允许,电子设备可以罗列所有可能的决策因素的组合,最终找到能够让输出L值最大的决策因素的组合,最为最优的决策因素组合,并通过显示界面等方式呈现给商户。
进一步地,本申请提供的电子设备还可以包括显示装置等交互设备,用于与使用电子设备的商户进行交互,例如,图7为本申请提供的用户决策行为量化分析方法另一实施例的逻辑示意图,在图7所示的示例中,电子设备1中还包括了显示装置13。
示例性地,图8为本申请提供的显示界面的示意图,如图8所示,作为本申请提供的用户决策行为量化分析方法执行主体的电子设备,在执行该方法前,可以通过显示装置上的显示界面8A显示输入框,让商户输入至少一个决策因素,并在用户点击“预测”控件之后,进行如图2所示实施例中的计算,并最终在计算出用户做出目标决策的预测结果之后,在显示装置上的显示界面8B上,显示最终的预测结果为“80%”。因此,在本实施例中电子设备能够将用户决策量化分析结果通过较为直观的方式呈现给商户,使得商户通过可视化界面即可连接分析结果,减少了商户所需的专业知识,降低了使用难度,提高商户的使用体验。
上述本申请提供的实施例中对本申请实施例提供的方法进行了介绍。为了实现上述本申请实施例提供的方法中的各功能,作为执行主体的电子设备可以包括硬件结构和/或软件模块,以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行,取决于技术方案的特定应用和设计约束条件。
例如,图9为本申请提供的一种用户决策行为量化分析装置一实施例的结构示意图,如图9所示,本实施例提供的用户决策行为量化分析装置900获取模块901和处理模块902,其中,获取模块901用于获取与用户做出目标决策相关的至少一个决策因素;其中,每个决策因素由用户的信息或目标决策的信息量化得到的数值表示;处理模块902用于将至少一个决策因素输入机器学习模型,根据机器学习模型的输出确定用户做出目标决策的预测结果。
本实施例提供的用户决策行为量化分析装置可用于执行如图2所示的方法,其实现方式与原理相同,不再赘述。
可选地,用户的信息包括:用户偏好做出的决策的类型、用户做出目标决策时的时间,以及用户做出目标决策时所在的位置;目标决策的信息包括:目标决策累计被做出的时间分布。
可选地,获取模块901还用于,获取用户做出的多个决策,以及与每个决策相关的至少一个决策因素;处理模块902还用于,依次将多个决策中每个决策以及相关的至少一个决策因素输入机器学习模型,对机器学习模型进行训练。
可选地,机器学习模型包括:embedding模块、投影自注意力self projectionattention模块,多层感知机MLP模块,和决策结构学习器 decision structure learner模块;其中,所述embedding模块用于将每个所输入的决策因素初始化为多维的向量,得到第一矩阵;所述self projection attention模块用于对embedding矩阵中每个初始化后的向量根据其他向量在每个向量上投影的分量进行赋值,得到第二矩阵;所述MLP模块用于将所述第一矩阵和所述第二矩阵融合后得到第三矩阵,所述第三矩阵中包括所述至少一个决策因素中每个决策因素对应的似然值;所述第三矩阵经过L2范数的正则化处理后得到稀疏的第四矩阵,所述decision structure learner模块用于根据所述第四矩阵确定用户做出所述目标决策的标量值,最终将通过sigmoid函数处理后作为预测结果。
可选地,获取模块901还用于,接收指示信息,所述指示信息用于指示所述L2范数的正则项权重值;处理模块902还用于,根据所述指示信息调整所述L2范数的正则项权重值,以增加所述第四矩阵中非零元素的数量。
图10为本申请提供的一种用户决策行为量化分析装置另一实施例的结构示意图,如图10所示的装置在如图9所示实施例的基础还包括:显示模块903;其中,显示模块9003用于在显示界面上显示预测结果;和/或,显示模块903用于在显示界面上显示调整后的至少一个决策因素。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图11为本申请实施例的用户决策行为量化分析方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备包括:一个或多个处理器1001、存储器1002,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器 1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用户决策行为量化分析方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用户决策行为量化分析方法。
存储器1002作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用户决策行为量化分析方法对应的程序指令/模块(例如,附图9和图10所示的获取模块901、处理模块902)。处理器1001通过运行存储在存储器 1002中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用户决策行为量化分析方法。
存储器1002可以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、至少一个功能所需要的应用程序;存储数据区可存储根据用户决策行为量化分析电子设备的使用所创建的数据等。此外,存储器 1002可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至用户决策行为量化分析电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用户决策行为量化分析方法的电子设备还可以包括:输入装置1003 和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置 1004可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与用户决策行为量化分析方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机) 等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED) 显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和 /或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种用户决策行为量化分析方法,其特征在于,包括:
获取与用户做出目标决策相关的至少一个决策因素;其中,每个所述决策因素由所述用户的信息或所述目标决策的信息量化得到的数值表示;
将所述至少一个决策因素输入机器学习模型,根据所述机器学习模型的输出确定所述用户做出所述目标决策的预测结果。
2.根据权利要求1所述的方法,其特征在于,
所述用户的信息包括:所述用户偏好做出的决策的类型、所述用户做出所述目标决策时的时间,以及所述用户做出所述目标决策时所在的位置;
所述目标决策的信息包括:所述目标决策累计被做出的时间分布。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取用户做出的多个决策,以及与所述每个决策相关的至少一个决策因素;
依次将所述多个决策中每个决策以及相关的至少一个决策因素输入所述机器学习模型,对所述机器学习模型进行训练。
4.根据权利要求1-3任一项所述的方法,其特征在于,
所述机器学习模型包括:嵌入embedding模块、投影自注意力self projectionattention模块,多层感知机MLP模块,和决策结构学习器decision structure learner模块;
其中,所述embedding模块用于将每个所输入的决策因素初始化为多维的向量,得到第一矩阵;所述self projection attention模块用于对embedding矩阵中每个初始化后的向量根据其他向量在每个向量上投影的分量进行赋值,得到第二矩阵;所述MLP模块用于将所述第一矩阵和所述第二矩阵融合后得到第三矩阵,所述第三矩阵中包括所述至少一个决策因素中每个决策因素对应的似然值;所述第三矩阵经过L2范数的正则化处理后得到稀疏的第四矩阵,所述decision structure learner模块用于根据所述第四矩阵确定用户做出所述目标决策的标量值,最终将通过sigmoid函数处理后的标量值作为预测结果。
5.根据权利要求4所述的方法,其特征在于,还包括:
接收指示信息,所述指示信息用于指示所述L2范数的正则项权重值;
根据所述指示信息调整所述L2范数的正则项权重值,以增加所述第四矩阵中非零元素的数量。
6.根据权利要求5所述的方法,其特征在于,还包括:
在显示界面上显示所述预测结果。
7.一种用户决策行为量化分析装置,其特征在于,包括:
获取模块,用于获取与用户做出目标决策相关的至少一个决策因素;其中,每个所述决策因素由所述用户的信息或所述目标决策的信息量化得到的数值表示;
处理模块,用于将所述至少一个决策因素输入机器学习模型,根据所述机器学习模型的输出确定所述用户做出所述目标决策的预测结果。
8.根据权利要求7所述的装置,其特征在于,
所述用户的信息包括:所述用户偏好做出的决策的类型、所述用户做出所述目标决策时的时间,以及所述用户做出所述目标决策时所在的位置;
所述目标决策的信息包括:所述目标决策累计被做出的时间分布。
9.根据权利要求8所述的装置,其特征在于,
所述获取模块还用于,获取用户做出的多个决策,以及与所述每个决策相关的至少一个决策因素;
所述处理模块还用于,依次将所述多个决策中每个决策以及相关的至少一个决策因素输入所述机器学习模型,对所述机器学习模型进行训练。
10.根据权利要求7-9任一项所述的装置,其特征在于,
所述机器学习模型包括:嵌入embedding模块、投影自注意力self projectionattention模块,多层感知机MLP模块,和决策结构学习器decision structure learner模块;
其中,所述embedding模块用于将每个所输入的决策因素初始化为多维的向量,得到第一矩阵;所述self projection attention模块用于对embedding矩阵中每个初始化后的向量根据其他向量在每个向量上投影的分量进行赋值,得到第二矩阵;所述MLP模块用于将所述第一矩阵和所述第二矩阵融合后得到第三矩阵,所述第三矩阵中包括至少一个决策因素中每个决策因素对应的似然值;所述第三矩阵经过L2范数的正则化处理后得到稀疏的第四矩阵;所述decision structure learner模块用于根据所述第四矩阵确定用户做出所述目标决策的标量值,最终将通过sigmoid函数处理后的标量值作为预测结果。
11.根据权利要求10所述的装置,其特征在于,
所述获取模块还用于,接收指示信息,所述指示信息用于指示所述L2范数的正则项权重值;
所述处理模块还用于,根据所述指示信息调整所述L2范数的正则项权重值,以增加所述第四矩阵中非零元素的数量。
12.根据权利要求11所述的装置,其特征在于,还包括:显示模块;
所述显示模块用于在显示界面上显示所述预测结果。
13.一种电子设备,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执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518137.1A CN111695695B (zh) | 2020-06-09 | 2020-06-09 | 用户决策行为量化分析方法及装置 |
US17/128,904 US20210192378A1 (en) | 2020-06-09 | 2020-12-21 | Quantitative analysis method and apparatus for user decision-making behavior |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518137.1A CN111695695B (zh) | 2020-06-09 | 2020-06-09 | 用户决策行为量化分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695695A true CN111695695A (zh) | 2020-09-22 |
CN111695695B CN111695695B (zh) | 2023-08-08 |
Family
ID=72479906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518137.1A Active CN111695695B (zh) | 2020-06-09 | 2020-06-09 | 用户决策行为量化分析方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210192378A1 (zh) |
CN (1) | CN111695695B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542831A (zh) * | 2023-07-07 | 2023-08-04 | 杭州海亮优教教育科技有限公司 | 招生数据的处理方法、装置、电子设备及存储介质 |
CN117474353A (zh) * | 2023-10-27 | 2024-01-30 | 国家开放大学 | 一种基于在线教育的决策自动生成方法和装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590691A (zh) * | 2021-08-04 | 2021-11-02 | 浙江网商银行股份有限公司 | 目标对象处理方法以及装置 |
CN114781650B (zh) * | 2022-04-28 | 2024-02-27 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备以及存储介质 |
CN114896502B (zh) * | 2022-05-23 | 2023-04-07 | 深圳市领深信息技术有限公司 | 应用ai和大数据分析的用户需求决策方法及互联网系统 |
CN117197142B (zh) * | 2023-11-07 | 2024-01-30 | 上海诺倬力机电科技有限公司 | 丝杠的降温策略生成方法、装置、电子设备及存储介质 |
CN117910148A (zh) * | 2024-03-19 | 2024-04-19 | 大秦数字能源技术股份有限公司 | 基于影子模式的bms优化方法、系统、介质及设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020724A (zh) * | 2012-05-08 | 2013-04-03 | 任一涛 | 自动规划及优化选择系统和方法 |
US20140136361A1 (en) * | 2012-11-14 | 2014-05-15 | Robert Brazell | Avatar having artificial intelligence for identifying and providing purchasing recommendations |
AU2013224752A1 (en) * | 2013-09-09 | 2015-03-26 | The University Of Sydney | Critical decision support system and method |
CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
CN106651213A (zh) * | 2017-01-03 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 服务订单的处理方法及装置 |
CN106875137A (zh) * | 2015-12-14 | 2017-06-20 | 何怀泽 | 一种采购决策优化方法及系统 |
CN107025578A (zh) * | 2017-04-13 | 2017-08-08 | 上海艾德韦宣股份有限公司 | 一种大数据智能营销系统及营销方法 |
CN107545075A (zh) * | 2017-10-19 | 2018-01-05 | 厦门大学 | 一种基于在线评论和情境感知的餐馆推荐方法 |
WO2018212710A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
CN109033941A (zh) * | 2018-06-05 | 2018-12-18 | 江苏大学 | 一种基于稀疏投影学习的微表情识别方法 |
CN109598534A (zh) * | 2018-10-25 | 2019-04-09 | 北京三快在线科技有限公司 | 信息确定方法及装置、电子设备及存储介质 |
CN109961307A (zh) * | 2017-12-25 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 面向对象的评估方法和装置 |
CN110096651A (zh) * | 2019-04-30 | 2019-08-06 | 电子科技大学 | 基于在线社交媒体个人中心网络的可视化分析方法 |
CN110324170A (zh) * | 2018-03-30 | 2019-10-11 | 华为技术有限公司 | 数据分析设备、多模型共决策系统及方法 |
AU2019101159A4 (en) * | 2019-09-30 | 2019-10-31 | Guo, Wentao MR | Prediction of Stock Market Price Trend Based on CSVM |
CN110533336A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学决策匹配方法及装置 |
CN111241304A (zh) * | 2020-01-16 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于深度学习的答案生成方法、电子装置及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
CN105930934B (zh) * | 2016-04-27 | 2018-08-14 | 第四范式(北京)技术有限公司 | 展示预测模型的方法、装置及调整预测模型的方法、装置 |
JP7343504B2 (ja) * | 2017-12-21 | 2023-09-12 | コモンウェルス サイエンティフィック アンド インダストリアル リサーチ オーガナイゼーション | ユーザ固有ユーザインターフェースの生成 |
WO2020036590A1 (en) * | 2018-08-14 | 2020-02-20 | Connect Financial LLC | Evaluation and development of decision-making models |
US20210019635A1 (en) * | 2019-07-15 | 2021-01-21 | Ramot At Tel Aviv University | Group specific decision tree |
CN110717785A (zh) * | 2019-09-29 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 基于标签分布学习的决策方法、系统及装置 |
-
2020
- 2020-06-09 CN CN202010518137.1A patent/CN111695695B/zh active Active
- 2020-12-21 US US17/128,904 patent/US20210192378A1/en active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020724A (zh) * | 2012-05-08 | 2013-04-03 | 任一涛 | 自动规划及优化选择系统和方法 |
US20140136361A1 (en) * | 2012-11-14 | 2014-05-15 | Robert Brazell | Avatar having artificial intelligence for identifying and providing purchasing recommendations |
AU2013224752A1 (en) * | 2013-09-09 | 2015-03-26 | The University Of Sydney | Critical decision support system and method |
CN106875137A (zh) * | 2015-12-14 | 2017-06-20 | 何怀泽 | 一种采购决策优化方法及系统 |
CN106372674A (zh) * | 2016-09-30 | 2017-02-01 | 百度在线网络技术(北京)有限公司 | 在线叫车服务平台中的司机分类方法和装置 |
CN106651213A (zh) * | 2017-01-03 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 服务订单的处理方法及装置 |
CN107025578A (zh) * | 2017-04-13 | 2017-08-08 | 上海艾德韦宣股份有限公司 | 一种大数据智能营销系统及营销方法 |
WO2018212710A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
CN107545075A (zh) * | 2017-10-19 | 2018-01-05 | 厦门大学 | 一种基于在线评论和情境感知的餐馆推荐方法 |
CN109961307A (zh) * | 2017-12-25 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 面向对象的评估方法和装置 |
CN110324170A (zh) * | 2018-03-30 | 2019-10-11 | 华为技术有限公司 | 数据分析设备、多模型共决策系统及方法 |
CN109033941A (zh) * | 2018-06-05 | 2018-12-18 | 江苏大学 | 一种基于稀疏投影学习的微表情识别方法 |
CN109598534A (zh) * | 2018-10-25 | 2019-04-09 | 北京三快在线科技有限公司 | 信息确定方法及装置、电子设备及存储介质 |
CN110096651A (zh) * | 2019-04-30 | 2019-08-06 | 电子科技大学 | 基于在线社交媒体个人中心网络的可视化分析方法 |
CN110533336A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学决策匹配方法及装置 |
AU2019101159A4 (en) * | 2019-09-30 | 2019-10-31 | Guo, Wentao MR | Prediction of Stock Market Price Trend Based on CSVM |
CN111241304A (zh) * | 2020-01-16 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于深度学习的答案生成方法、电子装置及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
ABNAR等: "Quantifying Attention Flow in Transformers", ARXIV:2005.00928, pages 1 - 8 * |
HAO LIU等: "Incorporating Multi-Source Urban Data for Personalized and Context-Aware Multi-Modal Transportation Recommendation", IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, pages 723 * |
LANG HUANG等: "Interlaced Sparse Self-Attention for Semantic Segmentation", ARXIV:1907.12273, pages 1 - 11 * |
杨文彦: "基于活动轨迹嵌入的用户行为分析", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 2020, pages 138 - 282 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542831A (zh) * | 2023-07-07 | 2023-08-04 | 杭州海亮优教教育科技有限公司 | 招生数据的处理方法、装置、电子设备及存储介质 |
CN116542831B (zh) * | 2023-07-07 | 2023-10-03 | 杭州海亮优教教育科技有限公司 | 招生数据的处理方法、装置、电子设备及存储介质 |
CN117474353A (zh) * | 2023-10-27 | 2024-01-30 | 国家开放大学 | 一种基于在线教育的决策自动生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111695695B (zh) | 2023-08-08 |
US20210192378A1 (en) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695695A (zh) | 用户决策行为量化分析方法及装置 | |
US11551239B2 (en) | Characterizing and modifying user experience of computing environments based on behavior logs | |
US10515400B2 (en) | Learning vector-space representations of items for recommendations using word embedding models | |
US9753962B2 (en) | Systems, methods, and apparatuses for populating a table having null values using a predictive query interface | |
CN111309479A (zh) | 一种任务并行处理的实现方法、装置、设备和介质 | |
US20070156479A1 (en) | Multivariate statistical forecasting system, method and software | |
US11062240B2 (en) | Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes | |
CN111582453A (zh) | 生成神经网络模型的方法和装置 | |
Chen et al. | Exploiting Web service geographical neighborhood for collaborative QoS prediction | |
CN112163676B (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
CN111708876A (zh) | 生成信息的方法和装置 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
WO2022148186A1 (zh) | 行为序列数据处理方法及装置 | |
US20220129316A1 (en) | Workload Equivalence Class Identification For Resource Usage Prediction | |
CN114463091A (zh) | 信息推送模型训练和信息推送方法、装置、设备和介质 | |
CN112258268A (zh) | 确定推荐模型和确定物品价格的方法、装置、设备和介质 | |
CN111563592A (zh) | 基于超网络的神经网络模型生成方法和装置 | |
CN112559870A (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN114791982A (zh) | 对象推荐方法和装置 | |
CN111461306B (zh) | 特征评估的方法及装置 | |
JP2023533723A (ja) | 検索クエリについての解釈の評価 | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN111241225A (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
US11651271B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios |
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 |