CN111798260A - 用户行为预测模型构建方法、装置、存储介质及电子设备 - Google Patents
用户行为预测模型构建方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111798260A CN111798260A CN201910282466.8A CN201910282466A CN111798260A CN 111798260 A CN111798260 A CN 111798260A CN 201910282466 A CN201910282466 A CN 201910282466A CN 111798260 A CN111798260 A CN 111798260A
- Authority
- CN
- China
- Prior art keywords
- user
- scene
- information
- behavior
- application software
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用户行为预测模型构建方法、装置、存储介质及电子设备:获取电子设备当前所处的地理位置信息以及当前所处场景的感知数据;根据感知数据识别当前所处的场景;根据用户在场景停留的时长以及在场景的操作信息确定用户与场景之间的关系类型;根据用户在场景的历史轨迹信息获取用户对场景的偏好度;根据用户在场景的历史行为信息获取用户在场景的行为习惯信息;根据地理位置信息、关系类型、偏好度以及行为习惯信息建立用户行为预测模型。所述方法中,电子设备可以根据用户对所述地理位置的偏好度和行为习惯信息,为用户推送自身感兴趣的信息,以提高电子设备对用户推送信息的准确性。以及提高了电子设备推送信息时的速度和效率。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种用户行为预测模型构建方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展,诸如智能手机等电子设备的功能越来越丰富。电子设备不但可以识别用户的移动轨迹,也可以识别用户所处的地理位置。电子设备可以为用户推送有关于该地理位置周边的各种信息,以方便用户了解自己感兴趣的信息。但是,因为电子设备为用户推送的信息种类过多,使用户不能快速以及准确的了解自己感兴趣的信息,所以导致用户花费的时间过多。
发明内容
本申请实施例提供一种用户行为预测模型构建方法、装置、存储介质及电子设备,可以提高电子设备推送信息的准确性。
第一方面,本申请实施例提供一种用户行为预测模型构建方法,所述用户行为预测模型构建包括:
获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;
根据所述感知数据识别所述电子设备当前所处的场景;
根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;
根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;
根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;
根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
第二方面、本申请实施例提供了一种用户行为预测模型构建装置,所述用户行为预测模型构建装置包括:
第一获取模块,用于获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;
识别模块,用于根据所述感知数据识别所述电子设备当前所处的场景;
确定模块,用于根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;
第二获取模块,用于根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;
第三获取模块,用于根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;
建立模块,用于根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
第三方面,本申请实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述用户行为预测模型构建方法。
第四方面,本申请实施例还提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行上述用户行为预测模型构建方法。
本申请实施例提供的用户行为预测模型构建方法,包括:获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;根据所述感知数据识别所述电子设备当前所处的场景;根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。所述用户行为预测模型构建方法中,电子设备可以根据用户对所述地理位置的偏好度和行为习惯信息,为用户推送自身感兴趣的信息,以提高电子设备对用户推送信息的准确性。以及提高了电子设备推送信息时的速度和效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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1为本申请实施例提供的用户行为预测模型构建方法的应用场景示意图。
图2为本申请实施例提供的用户行为预测模型构建方法的第一种流程示意图。
图3为本申请实施例提供的用户行为预测模型构建方法的第二种流程示意图。
图4为本申请实施例提供的用户行为预测模型构建方法的第三种流程示意图。
图5为本申请实施例提供的用户行为预测模型构建方法的第四种流程示意图。
图6为本申请实施例提供的用户行为预测模型构建方法的第五种流程示意图。
图7为本申请实施例提供的用户行为预测模型构建方法的第六种流程示意图。
图8为本申请实施例提供的用户行为预测模型构建方法的第七种流程示意图。
图9为本申请实施例提供的用户行为预测模型构建方法的第八种流程示意图。
图10为本申请实施例提供的用户行为预测模型构建装置的结构示意图。
图11为本申请实施例提供的电子设备的第一种结构示意图。
图12为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
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。显然,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。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
参考图1,图1为本申请实施例提供的用户行为预测模型构建方法的应用场景示意图。所述用户行为预测模型构建方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述用户行为预测模型构建方法的硬件和软件的集成。
其中,全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如,所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中,距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器,可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中,数据清理是指对信息感知层获取到的大量数据进行清理,以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度,以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等,以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下,最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行系统智能优化,还可以为用户提供个性化智能服务。
此外,全景感知架构中还可以包括多种算法,每一种算法都可以用于对数据进行分析处理,所述多种算法可以构成算法库。例如,所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
本申请实施例提供一种用户行为预测模型构建方法,所述用户行为预测模型构建方法可以应用于电子设备中。根据所述用户行为预测模型,电子设备可以推送用户感兴趣的信息,从而提高了推送信息的准确性。并且使电子设备实现了智能优化的效果,从而提升了电子设备的运行效率和运行速度。
所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。所述电子设备可以推送信息,并将所述推送信息在电子设备的显示屏上进行显示。
参考图2,图2为本申请实施例提供的用户行为预测模型构建方法的第一种流程示意图。
110,获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据。
当用户到达一地点时,电子设备可以通过全球定位系统(Global PositioningSystem,GPS)获取用户到达该地点的经纬度信息或者坐标点。然后,电子设备根据目标软件将经纬度信息或者坐标点转换为地理位置信息。所述地理位置信息包括商场、办公楼、公交站或者小区等。其中目标软件包括百度地图、腾讯地图或者高德地图等。另外,当用户到达一地点时,电子设备也可以直接通过目标软件获取电子设备所处的地理位置信息。
此外,电子设备可以构建数据库以将获取到的所有数据存储起来。因此可以将所述地理位置信息记为ln。电子设备采集所述地理位置的相关数据。其中该相关数据为至少一个原始数据dn,并且所述原始数据可能与美食、健身或者游戏有关。电子设备可以采用MySQL关系数据库将地理位置信息以及与所述地理位置相关的原始数据以表的形式存储,不需要将所有数据放在一起。因此提高了电子设备获取地理位置信息和原始数据的速度,以及也了提高电子设备使用的灵活性。例如,所述表可以为(ln,dn)。
相应的,电子设备获取当前所处场景的感知数据。例如电子设备可以通过所述信息感知层的光线传感器来获取当前的环境光强度,通过温度传感器来获取电子设备当前的温度等,也可以通过位置传感器来获取电子设备当前的地理位置。
除此之外,电子设备还可以获取用户的行动轨迹。例如,电子设备识别用户从当前的地理位置移动到另一个地理位置时,电子设备可以追踪用户的移动轨迹。当用户到达目标地理位置时,获取所述目标地理位置的地理位置信息。
120,根据所述感知数据识别所述电子设备当前所处的场景。
电子设备根据获取的感知数据识别电子设备当前所处的场景。例如,将获取到的温度、环境光强度以及地理位置等感知数据对所述电子设备当前所处的场景识别,以确定所述电子设备当前所处的场景。其中所述场景包括:加油站、健身房、美食街或者电影院等。
130,根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型。
当用户处于所述场景时,电子设备获取用户在所述场景停留的时长。其中时长可以以小时、分钟或者秒为单位。例如1小时、40分钟或者2450秒。电子设备获取在所述场景的操作信息。其中所述操作信息包括用户对电子设备的多个应用软件进行操作。所述操作信息可以包括:打开支付宝、打开视频或者打开导航等。根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型。所述关系类型可以包括家、办公室、上班地点或者食堂等。
另外,电子设备可以将关系类型存储下来,并记为cn。
140,根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度。
电子设备获取用户在所述场景的历史轨迹信息。其中所述历史轨迹信息可以为用户出现在所述场景的累计次数。电子设备可以通过采用常用的统计方法获取累计次数。其中累计次数可以是在预设时间段内用户出现在所述场景的次数。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。例如,电子设备可以统计用户在一年内出现在电影院的累计次数为五次或者电子设备可以统计用户在三个月内出现在健身房的累计次数为三次。
另外,所述预设时间段也可以是电子设备统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年6月6日。现在或者当前的日历上的日期是2019年8月8日。那么用户使用了电子设备的时长是一年又两个月又两个日。那么电子设备统计用户在所述一年又两个月又两个日内出现在超市的累计次数为30次和电影院的累计次数为3次。
根据所述累计次数确定用户对所述场景的偏好度。电子设备可以采用常用的统计方法计算用户对所述场景的偏好度。其中所述偏好度包括喜欢、一般喜欢或者讨厌。其中偏好度是衡量用户对所述场景的喜爱程度。例如用户在一天内出现在电影院的累计次数为10次。并且在同一天内用户出现在地铁站的累计次数为3次,那么10次大于3次。因此可以得出用户喜欢出现在电影院。而对出现在地铁站是一般喜欢。
此外,所述历史轨迹信息也可以是用户出现在所述场景的累计时长。电子设备可以通过采用常用的统计方法获取累计时长。其中所述累计时长可以是在预设时间段内用户出现在所述场景的累计时长。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。所述累计时长可以以小时、分钟或者秒为单位。例如,用户在第一天时出现在电影院并且在所述电影院待了3个小时。紧接着,用户在第二天时出现在健身房并且在所述健身房待了2个小时。紧接着,在第三天时用户又出现在电影院并且在所述电影院待了2个小时,其中用户在第三天时出现在的电影院与在第一天时出现的电影院为同一家电影院。综上,用户在这三天内,电子设备统计用户出现在电影院的累计时长为5个小时以及出现在健身房的累计时长为2个小时。
还例如,电子设备可以统计用户在一年内出现在歌厅的累计时长为5个小时。或者电子设备统计用户在一个月内出现在电影院的累计时长为75分钟。
另外,所述预设时间段也可以是电子设备统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年1月1日。现在或者当前的日历上的日期是2019年1月1日。那么用户使用了电子设备的时长是一年。那么电子设备统计用户在所述一年内出现在健身房的累计次数为20次和图书馆的累计次数为2次。
根据所述累计时长确定用户对所述场景的偏好度。例如用户在一天内出现在电影院的累计时长为3个小时。并且在同一天内用户出现在停车场的累计时长为60分钟。那么3个小时大于60分钟,因此可以得出用户喜欢出现在电影院。而对出现在停车场是一般喜欢。
此外,电子设备可以将用户对所述场景的偏好度记录下来,记为pn。根据地理位置信息、关系类型以及偏好度采用MySQL关系数据库以表的形式存储下来。即所述表可以为(ln,cn,pn)。
150,根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息。
可以理解的是,电子设备根据所述历史行为信息确定用户在所述场景的多个历史行为。其中所述历史行为包括在健身房健身、在火锅店吃火锅或者在超市购物。历史行为信息包括用户打开应用的应用类型信息、健身信息、游戏信息或者美食信息。
然后,电子设备获取每一所述历史行为发生的次数。其中电子设备记录用户每一所述历史行为发生的次数。在预设时间段内,用户在所述场景获取每一历史行为发生的次数。比如,第一周用户在火锅店吃火锅和打游戏。那么电子设备在火锅店发生的历史行为为吃火锅和打游戏。然后,电子设备记录在第一周时用户的历史行为为所述吃火锅和打游戏。第二周用户在同一家火锅店的历史行为为仅吃火锅。那么电子设备记录在第二周时在同一家火锅店的历史行为为吃火锅。综上,将在火锅店发生的历史行为进行汇总,可以得到用户在火锅店并且在所述两周内的历史行为为吃火锅两次和打游戏一次。
最后,根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。请参考上例,那么用户在火锅店的行为习惯信息为经常吃火锅,很少打游戏。
相应的,电子设备可以存储用户的行为习惯信息,并记为bn。
160,根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
首先,电子设备可以将所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立一个关系表,即(ln,cn,pn,bn)。根据所述关系表生成用户行为预测模型。或者将所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息以数据库的形式存储。根据所述数据库生成用户行为预测模型。或者电子设备可以直接根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立用户行为预测模型。
其次,当所述用户行为预测模型建立完成后,电子设备可以获取用户处于当前场景对应的社会信息。其中社会信息可以包括近邻资源、法律习俗、风土人情或者社会关系等。根据用户行为预测模型,电子设备可以预测用户对哪些社会信息感兴趣。将所述感兴趣的信息推送给用户,以使用户可以快速并且高效的接收自己感兴趣的信息,从而使电子设备提高了推送给用户感兴趣的信息的准确性。并且也可以使电子设备高效并且快速的提供给用户相关信息。例如,用户在购物商场进行购物。购物商场中的特定商家在进行打折促销活动。电子设备通过用户行为预测模型,预测到用户对打折促销活动的信息感兴趣。那么电子设备可以将所述打折促销活动的信息发送给用户,以使用户快速了解哪个商家在进行打折促销活动以及打折促销活动的内容是什么。
例如,在一些实施例中,电子设备可以通过信息感知层获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据,并通过智能服务层根据所述感知数据识别所述电子设备当前所处的场景。可以理解的,智能服务层识别电子设备当前所处的场景之前,电子设备还可以通过数据处理层对信息感知层获取到的地理位置数据以及当前场景的感知数据进行处理,例如进行数据清理、数据变换等处理。
随后,电子设备可以通过智能服务层根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型,并根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度,以及根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息。
得到用户与所述场景之间的关系类型、用户对所述场景的偏好度、用户在所述场景的行为习惯信息之后,电子设备可以通过情景建模层根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户的行为预测模型。
随后,智能服务层即可通过所述行为预测模型对用户未来时刻的行为进行预测,并根据预测结果为用户提供个性化的服务,例如自动为用户推送相关信息、自动开启相关应用等。
本申请实施例中,电子设备构建用户行为预测模型。根据用户行为预测模型可以预测用户处于当前场景时自己感兴趣的信息。然后将所述信息发送给用户,以使用户实时接收到推送信息,从而提高了电子设备推送信息的准确性和高效性。
在一些实施例中,参考图3,图3为本申请实施例提供的用户行为预测模型构建方法的第二种流程示意图。
其中,步骤130,根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型,包括以下步骤:
131,获取用户在所述场景停留的时长以及在所述场景的操作信息,其中,所述操作信息包括用户对所述电子设备的多个应用软件进行操作的信息;
132,根据所述操作信息获取用户对每一所述应用软件的被操作次数;
133,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。
电子设备可以获取用户在所述场景停留的时长以及在所述场景操作信息。例如所述场景停留的时长为用户从进入所述场景到离开所述场景之间的时长。例如,用户进入电影院到离开电影院经过了2个小时,那么所述2个小时为用户在所述场景停留的时长。其中所述场景操作信息可以包括用户对所述电子设备的多个应用软件进行操作的信息。例如,在电影院打开XX游戏。在饭店打开XX支付软件。
然后,电子设备获取用户对每一所述应用软件的被操作次数。例如,用户在购物商场打开支付软件、游戏软件和拍照软件。其中从用户进入购物商场到离开商场这一时长内,电子设备获取到用户打开支付软件5次、打开游戏软件2次和打开拍照软件3次。
最后,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。可以理解的是,用户在所述场景停留的时长内,电子设备可以根据每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。其中被操作次数多的应用软件可以认为用户在所述场景经常进行对所述被操作次数多的应用软件进行操作。那么根据所述被操作次数多的应用软件确定用户与所述场景之间的关系类型。
在一些实施例中,参考图4,图4为本申请实施例提供的用户行为预测模型构建方法的第三种流程示意图。
其中,步骤133,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型,包括以下步骤:
1331,从所述多个应用软件中确定出被操作次数最多的目标应用软件;
1332,根据所述时长、所述目标应用软件以及第一预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第一预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
电子设备根据获取到的每个应用软件的被操作次数,确定出被操作次数最多的目标应用软件。然后,根据所述时长、所述目标应用软件以及第一预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第一预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。可以理解的是,被操作次数最多的目标应用软件为用户在所述场景经常操作的目标应用软件。其中被操作次数多的目标应用软件并不指代一个应用软件可以是多个应用软件。
因此,所述时长、所述目标应用软件与关系类型之间的对应关系可以如表1所示。
表1
时长 | 目标应用软件 | 关系类型 |
2304秒 | 支付软件 | 购物商场 |
3个小时 | 视频软件和淘宝软件 | 家 |
…… | …… | …… |
根据表1可以根据时长以及目标应用软件确定用户与所述场景之间的关系类型。例如,用户在XX小区并且在3个小时内打开了被操作次数最多的视频软件和淘宝软件,那么根据3个小时、视频软件和淘宝软件,可以获取用户与XX小区的关系类型是家。
此外,电子设备可以设定预设被操作次数阈值以准确的获取被操作次数多的目标应用操作。即可以选取大于或者等于预设被操作次数阈值的应用软件作为目标应用软件。例如,电子设备获取到支付软件的被操作次数为3次、拍照软件的被操作次数为5次以及视频软件的被操作次数为1次。其中预设被操作次数阈值为2。那么选取大于等于2的被操作次数对应的应用软件作为目标应用软件。即选取支付软件和拍照软件作为目标应用软件。
在一些实施例中,参考图5,图5为本申请实施例提供的用户行为预测模型构建方法的第四种流程示意图。
其中,步骤133,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型,包括以下步骤:
1333,从所述多个应用软件中确定出被操作时长最长的目标应用软件;
1334,根据所述时长、所述目标应用软件以及第二预设对应关系,获取用户与所述场景之间的关系类型,其中所述第二预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
电子设备根据获取到的每个应用软件的被操作时长,确定出被操作时长的目标应用软件。其中被操作次数包括被操作时长。然后,根据所述时长、所述目标应用软件以及第二预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第二预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。可以理解的是,被操作时长最长的目标应用软件为用户在所述场景经常操作的目标应用软件。其中被操作时长最长的目标应用软件并不指代一个应用软件可以是多个应用软件。
因此,所述时长、所述目标应用软件与关系类型之间的对应关系可以如表1所示。
表2
时长 | 目标应用软件 | 关系类型 |
2304秒 | 支付软件 | 购物商场 |
3个小时 | 视频软件和淘宝软件 | 家 |
…… | …… | …… |
根据表2可以根据时长以及目标应用软件确定用户与所述场景之间的关系类型。例如,用户在XX小区并且在3个小时内打开了被操作时长最多的视频软件和淘宝软件,那么根据3个小时、视频软件和淘宝软件,可以获取用户与XX小区的关系类型是家。
此外,电子设备可以设定预设被操作时长阈值以准确的获取被操作时长最长的目标应用操作。即可以选取大于或者等于预设被被操作时长阈值的应用软件作为目标应用软件。例如,电子设备获取到支付软件的被操作时长为3个小时、拍照软件的被操作次数为2个小时以及视频软件的被操作时长为40分钟。其中预设被操作时长阈值为1小时。那么选取大于等于1的被操作时长对应的应用软件作为目标应用软件。即选取支付软件和拍照软件作为目标应用软件。
在一些实施例中,参考图6,图6为本申请实施例提供的用户行为预测模型构建方法的第五种流程示意图。
其中,步骤140,根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度,包括以下步骤:
141,根据所述历史轨迹信息获取用户出现在所述场景的累计次数;
142,根据所述累计次数确定用户对所述场景的偏好度。
电子设备获取用户在所述场景的历史轨迹信息。其中所述历史轨迹信息可以为用户出现在所述场景的累计次数。电子设备可以通过采用常用的统计方法获取累计次数。其中累计次数可以是在预设时间段内用户出现在所述场景的次数。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。例如,电子设备可以统计用户在一年内出现在电影院的累计次数为五次或者电子设备可以统计用户在三个月内出现在健身房的累计次数为三次。
另外,所述预设时间段也可以是电子设备统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年6月6日。现在或者当前的日历上的日期是2019年8月8日。那么用户使用了电子设备的时长是一年又两个月又两个日。那么电子设备统计用户在所述一年又两个月又两个日内出现在超市的累计次数为30次和电影院的累计次数为3次。
根据所述累计次数确定用户对所述场景的偏好度。电子设备可以采用常用的统计方法计算用户对所述场景的偏好度。其中所述偏好度包括喜欢、一般喜欢或者讨厌。其中偏好度是衡量用户对所述场景的喜爱程度。例如用户在一天内出现在电影院的累计次数为10次。并且在同一天内用户出现在地铁站的累计次数为3次,那么10次大于3次。因此可以得出用户喜欢出现在电影院。而对出现在地铁站是一般喜欢。
在一些实施例中,参考图7,图7为本申请实施例提供的用户行为预测模型构建方法的第六种流程示意图。
其中,步骤142,根据所述累计次数确定用户对所述场景的偏好度,包括以下步骤:
1421,根据所述累计次数以及第三预设对应关系,获取预设偏好度,其中,所述第三预设对应关系包括累计次数与预设偏好度之间的对应关系;
1422,将所述预设偏好度确定为用户对所述场景的偏好度。
其中,累计次数与预设偏好度之间的对应关系如表3所示。
表3
累计次数 | 预设偏好度 |
10 | 喜欢 |
8 | 一般喜欢 |
6 | 讨厌 |
…… | …… |
根据表3中的用户出现在所述场景的累计次数就可以获取到预设偏好度。例如,累计次数为10,根据表3可以获取到用户对所述场景的偏好度为喜欢。那么可以将获取到的预设偏好度确定为用户对所述场景的偏好度。
除此之外,电子设备可以存储有预设偏好等级与预设偏好度之间的对应关系。即根据累计次数、预设偏好等级与第四预设对应关系,获取预设偏好度。其中第四预设对应关系包括累计次数、预设偏好等级与预设偏好度之间的对应关系。则累计次数、预设偏好等级与预设偏好度之间的对应关系可以如表4所示。
表4
累计次数 | 预设偏好等级 | 预设偏好度 |
10 | 5级 | 喜欢 |
8 | 4级 | 一般喜欢 |
5 | 2级 | 讨厌 |
…… | …… | …… |
电子设备从表4中获取预设偏好度。其中预设偏好等级也可以是以分数、百分比的形式。即根据累计次数,不仅可以获取到偏好等级,也可以获取到用户对所述场景的偏好度。然后将获取到预设偏好度确定为用户对所述场景的偏好度。
在一些实施例中,参考图8,图8为本申请实施例提供的用户行为预测模型构建方法的第七种流程示意图。
其中,步骤140,根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度,包括以下步骤:
143,根据所述历史轨迹信息获取用户出现在所述场景的累计时长;
144,根据所述累计时长确定用户对所述场景的偏好度。
所述历史轨迹信息可以是用户出现在所述场景的累计时长。电子设备可以通过采用常用的统计方法获取累计时长。其中所述累计时长可以是在预设时间段内用户出现在所述场景的累计时长。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。所述累计时长可以以小时、分钟或者秒为单位。例如,用户在第一天时出现在电影院并且在所述电影院待了3个小时。紧接着,用户在第二天时出现在健身房并且在所述健身房待了2个小时。紧接着,在第三天时用户又出现在电影院并且在所述电影院待了2个小时,其中用户在第三天时出现在的电影院与在第一天时出现的电影院为同一家电影院。综上,用户在这三天内,电子设备统计用户出现在电影院的累计时长为5个小时以及出现在健身房的累计时长为2个小时。
还例如,电子设备可以统计用户在一年内出现在歌厅的累计时长为5个小时。或者电子设备统计用户在一个月内出现在电影院的累计时长为75分钟。
另外,所述预设时间段也可以是电子设备统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年1月1日。现在或者当前的日历上的日期是2019年1月1日。那么用户使用了电子设备的时长是一年。那么电子设备统计用户在所述一年内出现在健身房的累计次数为20次和图书馆的累计次数为2次。
根据所述累计时长确定用户对所述场景的偏好度。例如用户在一天内出现在电影院的累计时长为3个小时。并且在同一天内用户出现在停车场的累计时长为60分钟。那么3个小时大于60分钟,因此可以得出用户喜欢出现在电影院。而对出现在停车场是一般喜欢。
此外,根据所述累计时长以及第五预设对应关系,获取预设偏好度,其中第五预设对应关系包括累计时长与预设偏好度之间的对应关系;
将所述预设偏好度确定为用户对所述场景的偏好度。
因此,累计时长与预设偏好度之间的对应关系如表5所示。
表5
累计时长 | 预设偏好度 |
1小时 | 喜欢 |
5分钟 | 一般喜欢 |
4秒 | 讨厌 |
…… | …… |
根据表5便可以获取用户对场景的预设偏好度。例如用户出现在所述场景的累计时长为1小时,那么用户对场景的预设偏好度为喜欢。然后则喜欢为用户对场景的偏好度。即将预设偏好度确定为用户对所述场景的偏好度。
除此之外,电子设备可以存储有预设偏好等级与预设偏好度之间的对应关系。即根据累计时长、预设偏好等级与第六预设对应关系,获取预设偏好度。其中第六预设对应关系包括累计时长、预设偏好等级与预设偏好度之间的对应关系。则累计时长、预设偏好等级与预设偏好度之间的对应关系可以如表6所示。
表6
累计时长 | 预设偏好等级 | 预设偏好度 |
1小时 | 5级 | 喜欢 |
5分钟 | 4级 | 一般喜欢 |
4秒 | 2级 | 讨厌 |
…… | …… | …… |
电子设备从表6获取预设偏好度。其中预设偏好等级也可以是以分数、百分比的形式。即根据累计时长,不仅可以获取到偏好等级,也可以获取到用户对所述场景的偏好度。然后将所述预设偏好度确定为用户对所述场景的偏好度。
在一些实施例中,参考图9,图9为本申请实施例提供的用户行为预测模型构建方法的第八种流程示意图。
其中,步骤150,根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息,包括以下步骤:
151,根据所述历史行为信息确定用户在所述场景的多个历史行为;
152,获取每一所述历史行为发生的次数;
153,根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。
可以理解的是,电子设备根据所述历史行为信息确定用户在所述场景的多个历史行为。其中所述历史行为包括在健身房健身、在火锅店吃火锅或者在超市购物。历史行为信息包括用户打开应用的应用类型信息、健身信息、游戏信息或者美食信息。其中电子设备可以采用k近邻分类算法(k-nearest neighbor classification,KNN算法)获取用户行为信息。
首先,通过MySQL关系数据库获取多个原始数据dn。其中所述多个原始数据为在所述地理位置信息采集到的相关信息。其中该原始数据可以与美食、游戏或者健身有关。但是在采集该原始数据dn时,电子设备并不知道该原始数据dn到底是什么。因此需要通过KNN算法将多个原始数据dn进行分类,以确定每个所述原始数据dn对应的数据类型。其中数据类型包括美食、游戏或者健身等。
其中,KNN算法的原理是通过计算新数据与历史样本数据中不同类别数据点间的距离对新数据进行分类。例如,电子设备存储有多个历史美食数据和多个历史健身数据。并且所述历史美食数据的类型为美食类型。所述历史健身数据的类型为健身类型。电子设备采集到A原始数据。将A原始数据的特征向量输入KNN算法模型中。然后可以通过欧式距离公式或者曼哈顿距离公式计算A原始数据与每个历史美食数据之间的距离。以及计算A原始数据与每个历史健身数据之间的距离。
然后,按照距离的递增进行排列。选取距离值最小的K个点,其中K个点可以为10、20或者100。K值越大说明A原始数据得到的类型越准确。确定K个点在美食类型的频率和在健身类型的频率。选取K个点中出现频率最高的类型作为A原始数据的预测分类。例如,若K个点在美食类型的频率最高,那么A原始数据为美食类型。或者若K个点在健身类型的频率最高,那么A原始数据为健身类型。
紧接着,电子设备获取历史行为信息的多个历史行为,例如,历史行为信息为美食类型信息,那么历史行为可以为吃美食、吃火锅或者吃青菜等。然后,电子设备获取每一所述历史行为发生的次数。其中电子设备记录用户每一所述历史行为发生的次数。在预设时间段内,用户在所述场景获取每一历史行为发生的次数。比如,第一周用户在火锅店吃火锅和打游戏。那么电子设备在火锅店发生的历史行为为吃火锅和打游戏,然后电子设备记录所述吃火锅和打游戏。第二周用户在同一家火锅店的历史行为为仅吃火锅。电子设备记录在第二周时用户在同一家火锅店吃火锅。综上,将用户在火锅店发生的历史行为进行汇总,可以得到用户在火锅店吃火锅两次和打游戏一次。
最后,根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。请参考上例,那么用户在火锅店的行为习惯信息为经常吃火锅,很少打游戏。
其中根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息可以如表7所示。
表7
其中根据历史行为、次数可以获取用户在所述场景的行为习惯信息。例如表7所示,用户在火锅店吃火锅8次,可以获取用户在火锅店经常吃火锅。并且用户在火锅店吃甜点5次,可以获取用户在火锅店有时吃甜点。
另外,根据次数可以匹配预设次数区间。根据历史行为、次数、预设次数区间与第七预设对应关系,获取用户在所述场景的行为习惯信息。其中第七预设对应关系包括历史行为、次数、预设次数区间与行为习惯信息之间的对应关系。则历史行为、次数、预设次数区间与行为习惯信息之间的对应关系可以如表8所示。
表8
历史行为 | 次数 | 预设次数区间 | 行为习惯信息 |
吃火锅 | 8 | [5,9] | 经常吃火锅 |
吃甜点 | 5 | [4,6] | 有时吃甜点 |
健身 | 2 | [1,3] | 很少健身 |
…… | …… | …… | …… |
电子设备根据表8可以获取到用户在所述场景的行为习惯信息。其中次数与预设次数区间可以在提前在电子设备内部存储,当获取到次数时,可以快速的匹配预设次数区间。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的用户行为预测模型构建方法,包括:获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;根据所述感知数据识别所述电子设备当前所处的场景;根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。所述用户行为预测模型构建方法中,电子设备可以根据用户对所述地理位置的偏好度和行为习惯信息,为用户推送自身感兴趣的信息,以提高电子设备对用户推送信息的准确性。以及提高了电子设备推送信息时的速度和效率。
本申请实施例还提供一种用户行为预测模型构建装置,所述用户行为预测模型构建装置可以集成在电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图10,图10为本申请实施例提供的用户行为预测模型构建装置的结构示意图。其中,所述用户行为预测模型构建装置200包括:第一获取模块201、识别模块202、确定模块203、第二获取模块204、第三获取模块205、建立模块206。
第一获取模块201,用于获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据。
当用户到达一地点时,第一获取模块201可以通过全球定位系统(GlobalPositioning System,GPS)获取用户到达该地点的经纬度信息或者坐标点。然后,第一获取模块201根据目标软件将经纬度信息或者坐标点转换为地理位置信息。所述地理位置信息包括商场、办公楼、公交站或者小区等。其中目标软件包括百度地图、腾讯地图或者高德地图等。另外,当用户到达一地点时,第一获取模块201也可以直接通过目标软件获取电子设备所处的地理位置信息。
此外,第一获取模块201可以构建数据库以将获取到的所有数据存储起来。因此可以将所述地理位置信息记为ln。第一获取模块201采集所述地理位置的相关数据。其中该相关数据为至少一个原始数据dn,并且所述原始数据可能与美食、健身或者游戏有关。第一获取模块201可以采用MySQL关系数据库将地理位置信息以及与所述地理位置相关的原始数据以表的形式存储,不需要将所有数据放在一起。因此提高了电子设备获取地理位置信息和原始数据的速度,以及也了提高电子设备使用的灵活性。例如,所述表可以为(ln,dn)。
相应的,第一获取模块201获取当前所处场景的感知数据。例如电子设备可以通过所述信息感知层的光线传感器来获取当前的环境光强度,通过温度传感器来获取电子设备当前的温度等,也可以通过位置传感器来获取电子设备当前的地理位置。
除此之外,第一获取模块201还可以获取用户的行动轨迹。例如,电子设备识别用户从当前的地理位置移动到另一个地理位置时,电子设备可以追踪用户的移动轨迹。当用户到达目标地理位置时,获取所述目标地理位置的地理位置信息。
识别模块202,用于根据所述感知数据识别所述电子设备当前所处的场景。
识别模块202根据获取的感知数据识别电子设备当前所处的场景。例如,将获取到的温度、环境光强度以及地理位置等感知数据对所述电子设备当前所处的场景识别,以确定所述电子设备当前所处的场景。其中所述场景包括:加油站、健身房、美食街或者电影院周边的场景等。
确定模块203,用于根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型。
当用户处于所述场景时,确定模块203获取用户在所述场景停留的时长。其中时长可以以小时、分钟或者秒为单位。例如1小时、40分钟或者2450秒。确定模块203获取用户在所述场景的操作信息。其中所述操作信息包括用户对电子设备的多个应用软件进行操作。所述操作信息可以包括:打开支付宝、打开视频或者打开导航等。根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型。所述关系类型可以包括家、办公室、上班地点或者食堂等。
另外,确定模块203可以将关系类型存储下来,并记为cn。
第二获取模块204,根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度。
第二获取模块204获取用户在所述场景的历史轨迹信息。其中所述历史轨迹信息可以为用户出现在所述场景的累计次数。第二获取模块204可以通过采用常用的统计方法获取累计次数。其中累计次数可以是在预设时间段内用户出现在所述场景的次数。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。例如,第二获取模块204可以统计用户在一年内出现在电影院的累计次数为五次或者第二获取模块204可以统计用户在三个月内出现在健身房的累计次数为三次。
另外,所述预设时间段也可以是第二获取模块204统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年6月6日。现在或者当前的日历上的日期是2019年8月8日。那么用户使用了电子设备的时长是一年又两个月又两个日。那么第二获取模块204统计用户在所述一年又两个月又两个日内出现在超市的累计次数为30次和电影院的累计次数为3次。
根据所述累计次数确定用户对所述场景的偏好度。第二获取模块204可以采用常用的统计方法计算用户对所述场景的偏好度。其中所述偏好度包括喜欢、一般喜欢或者讨厌。其中偏好度是衡量用户对所述场景的喜爱程度。例如用户在一天内出现在电影院的累计次数为10次。并且在同一天内用户出现在地铁站的累计次数为3次,那么10次大于3次。因此可以得出用户喜欢出现在电影院。而对出现在地铁站是一般喜欢。
此外,所述历史轨迹信息也可以是用户出现在所述场景的累计时长。第二获取模块204可以通过采用常用的统计方法获取累计时长。其中所述累计时长可以是在预设时间段内用户出现在所述场景的累计时长。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。所述累计时长可以以小时、分钟或者秒为单位。例如,用户在第一天时出现在电影院并且在所述电影院待了3个小时。紧接着,用户在第二天时出现在健身房并且在所述健身房待了2个小时。紧接着,在第三天时用户又出现在电影院并且在所述电影院待了2个小时,其中用户在第三天时出现在的电影院与在第一天时出现的电影院为同一家电影院。综上,用户在这三天内,第二获取模块204统计用户出现在电影院的累计时长为5个小时以及出现在健身房的累计时长为2个小时。
还例如,第二获取模块204可以统计用户在一年内出现在歌厅的累计时长为5个小时。或者第二获取模块204统计用户在一个月内出现在电影院的累计时长为75分钟。
另外,所述预设时间段也可以是第二获取模块204统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年1月1日。现在或者当前的日历上的日期是2019年1月1日。那么用户使用了电子设备的时长是一年。那么第二获取模块204统计用户在所述一年内出现在健身房的累计次数为20次和图书馆的累计次数为2次。
根据所述累计时长确定用户对所述场景的偏好度。例如用户在一天内出现在电影院的累计时长为3个小时。并且在同一天内用户出现在停车场的累计时长为60分钟。那么3个小时大于60分钟,因此可以得出用户喜欢出现在电影院。而对出现在停车场是一般喜欢。
此外,第二获取模块204可以将用户对所述场景的偏好度记录下来,记为pn。根据地理位置信息、关系类型以及偏好度采用MySQL关系数据库以表的形式存储下来。即所述表可以为(ln,cn,pn)。
第三获取模块205,用于根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息。
可以理解的是,第三获取模块205根据所述历史行为信息确定用户在所述场景的多个历史行为。其中所述历史行为包括在健身房健身、在火锅店吃火锅或者在超市购物。历史行为信息包括用户打开应用的应用类型信息、健身信息、游戏信息或者美食信息。
然后,第三获取模块205获取每一所述历史行为发生的次数。其中第三获取模块205用户每一所述历史行为发生的次数。在预设时间段内,用户在所述场景获取每一历史行为发生的次数。比如,第一周用户在火锅店吃火锅和打游戏。那么电子设备在火锅店发生的历史行为为吃火锅和打游戏。然后,第三获取模块205记录在第一周时用户的历史行为为所述吃火锅和打游戏。第二周用户在同一家火锅店的历史行为为仅吃火锅。那么电子设备记录在第二周时在同一家火锅店的历史行为为吃火锅。综上,将在火锅店发生的历史行为进行汇总,可以得到用户在火锅店并且在所述两周内的历史行为为吃火锅两次和打游戏一次。
最后,根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。请参考上例,那么用户在火锅店的行为习惯信息为经常吃火锅,很少打游戏。
相应的,第三获取模块205可以存储用户的行为习惯信息,并记为bn。
建立模块206,用于根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
首先,建立模块206可以将所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立一个关系表,即(ln,cn,pn,bn)。根据所述关系表生成用户行为预测模型。或者将所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息以数据库的形式存储。根据所述数据库生成用户行为预测模型。或者建立模块206可以直接根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立用户行为预测模型。
其次,当所述用户行为预测模型建立完成后,电子设备可以获取用户处于当前场景对应的社会信息。其中社会信息可以包括近邻资源、法律习俗、风土人情或者社会关系等。根据用户行为预测模型,电子设备可以预测用户对哪些社会信息感兴趣。将所述感兴趣的信息推送给用户,以使用户可以快速并且高效的接收自己感兴趣的信息,从而使电子设备提高了推送给用户感兴趣的信息的准确性。并且也可以使电子设备高效并且快速的提供给用户相关信息。例如,用户在购物商场进行购物。购物商场中的特定商家在进行打折促销活动。建立模块206通过用户行为预测模型,预测到用户对打折促销活动的信息感兴趣。那么电子设备可以将所述打折促销活动的信息发送给用户,以使用户快速了解哪个商家在进行打折促销活动以及打折促销活动的内容是什么。
本申请实施例中,电子设备构建用户行为预测模型。根据用户行为预测模型可以预测用户处于当前场景时自己感兴趣的信息。然后将所述信息发送给用户,以使用户实时接收到推送信息,从而提高了电子设备推送信息的准确性和高效性。
在一些实施例中,所述确定模块203用于执行以下步骤:
获取用户在所述场景停留的时长以及在所述场景的操作信息,其中,所述操作信息包括用户对所述电子设备的多个应用软件进行操作的信息;
根据所述操作信息获取用户对每一所述应用软件的被操作次数;
根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。
确定模块203可以获取用户在所述场景停留的时长以及在所述场景操作信息。例如所述场景停留的时长为用户从进入所述场景到离开所述场景之间的时长。例如,用户进入电影院到离开电影院经过了2个小时,那么所述2个小时为用户在所述场景停留的时长。其中所述场景操作信息可以包括用户对所述电子设备的多个应用软件进行操作的信息。例如,在电影院打开XX游戏。在饭店打开XX支付软件。
然后,确定模块203获取用户对每一所述应用软件的被操作次数。例如,用户在购物商场打开支付软件、游戏软件和拍照软件。其中从用户进入购物商场到离开商场这一时长内,电子设备获取到用户打开支付软件5次、打开游戏软件2次和打开拍照软件3次。
最后,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。可以理解的是,用户在所述场景停留的时长内,确定模块203可以根据每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。其中被操作次数多的应用软件可以认为用户在所述场景经常进行对所述被操作次数多的应用软件进行操作。那么根据所述被操作次数多的应用软件确定用户与所述场景之间的关系类型。
在一些实施例中,所述确定模块203用于执行以下步骤:
从所述多个应用软件中确定出被操作次数最多的目标应用软件;
根据所述时长、所述目标应用软件以及第一预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第一预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
确定模块203根据获取到的每个应用软件的被操作次数,确定出被操作次数最多的目标应用软件。然后,根据所述时长、所述目标应用软件以及第一预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第一预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。可以理解的是,被操作次数最多的目标应用软件为用户在所述场景经常操作的目标应用软件。其中被操作次数多的目标应用软件并不指代一个应用软件可以是多个应用软件。
因此,所述时长、所述目标应用软件与关系类型之间的对应关系可以如表1所示。
表9
时长 | 目标应用软件 | 关系类型 |
2304秒 | 支付软件 | 购物商场 |
3个小时 | 视频软件和淘宝软件 | 家 |
…… | …… | …… |
根据表9可以根据时长以及目标应用软件确定用户与所述场景之间的关系类型。例如,用户在XX小区并且在3个小时内打开了被操作次数最多的视频软件和淘宝软件,那么根据3个小时、视频软件和淘宝软件,可以获取用户与XX小区的关系类型是家。
此外,确定模块203可以设定预设被操作次数阈值以准确的获取被操作次数多的目标应用操作。即可以选取大于或者等于预设被操作次数阈值的应用软件作为目标应用软件。例如,电子设备获取到支付软件的被操作次数为3次、拍照软件的被操作次数为5次以及视频软件的被操作次数为1次。其中预设被操作次数阈值为2。那么选取大于等于2的被操作次数对应的应用软件作为目标应用软件。即选取支付软件和拍照软件作为目标应用软件。
在一些实施例中,所述确定模块203用于执行以下步骤:
从所述多个应用软件中确定出被操作时长最长的目标应用软件;
根据所述时长、所述目标应用软件以及第二预设对应关系,获取用户与所述场景之间的关系类型,其中所述第二预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
确定模块203根据获取到的每个应用软件的被操作时长,确定出被操作时长的目标应用软件。其中被操作次数包括被操作时长。然后,确定模块203根据所述时长、所述目标应用软件以及第二预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第二预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。可以理解的是,被操作时长最长的目标应用软件为用户在所述场景经常操作的目标应用软件。其中被操作时长最长的目标应用软件并不指代一个应用软件可以是多个应用软件。
因此,所述时长、所述目标应用软件与关系类型之间的对应关系可以如表1所示。
表10
时长 | 目标应用软件 | 关系类型 |
2304秒 | 支付软件 | 购物商场 |
3个小时 | 视频软件和淘宝软件 | 家 |
…… | …… | …… |
根据表2可以根据时长以及目标应用软件确定用户与所述场景之间的关系类型。例如,用户在XX小区并且在3个小时内打开了被操作时长最多的视频软件和淘宝软件,那么根据3个小时、视频软件和淘宝软件,可以获取用户与XX小区的关系类型是家。
此外,电子设备可以设定预设被操作时长阈值以准确的获取被操作时长最长的目标应用操作。即可以选取大于或者等于预设被被操作时长阈值的应用软件作为目标应用软件。例如,电子设备获取到支付软件的被操作时长为3个小时、拍照软件的被操作次数为2个小时以及视频软件的被操作时长为40分钟。其中预设被操作时长阈值为1小时。那么选取大于等于1的被操作时长对应的应用软件作为目标应用软件。即选取支付软件和拍照软件作为目标应用软件。
在一些实施例中,所述第二获取模块204用于执行以下步骤:
根据所述历史轨迹信息获取用户出现在所述场景的累计次数;
根据所述累计次数确定用户对所述场景的偏好度。
第二获取模块204获取用户在所述场景的历史轨迹信息。其中所述历史轨迹信息可以为用户出现在所述场景的累计次数。电子设备可以通过采用常用的统计方法获取累计次数。其中累计次数可以是在预设时间段内用户出现在所述场景的次数。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。例如,第二获取模块204可以统计用户在一年内出现在电影院的累计次数为五次或者第二获取模块204可以统计用户在三个月内出现在健身房的累计次数为三次。
另外,所述预设时间段也可以是第二获取模块204统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年6月6日。现在或者当前的日历上的日期是2019年8月8日。那么用户使用了电子设备的时长是一年又两个月又两个日。那么第二获取模块204统计用户在所述一年又两个月又两个日内出现在超市的累计次数为30次和电影院的累计次数为3次。
根据所述累计次数确定用户对所述场景的偏好度。第二获取模块204可以采用常用的统计方法计算用户对所述场景的偏好度。其中所述偏好度包括喜欢、一般喜欢或者讨厌。其中偏好度是衡量用户对所述场景的喜爱程度。例如用户在一天内出现在电影院的累计次数为10次。并且在同一天内用户出现在地铁站的累计次数为3次,那么10次大于3次。因此可以得出用户喜欢出现在电影院。而对出现在地铁站是一般喜欢。
在一些实施例中,所述第二获取模块204用于执行以下步骤:
根据所述累计次数以及第三预设对应关系,获取预设偏好度,其中,所述第三预设对应关系包括累计次数与预设偏好度之间的对应关系;
将所述预设偏好度确定为用户对所述场景的偏好度。
其中,累计次数与预设偏好度之间的对应关系如表10所示。
表11
累计次数 | 预设偏好度 |
10 | 喜欢 |
8 | 一般喜欢 |
6 | 讨厌 |
…… | …… |
根据表11中的用户出现在所述场景的累计次数就可以获取到预设偏好度。例如,累计次数为10,根据表10可以获取到用户对所述场景的偏好度为喜欢。那么可以将获取到的预设偏好度确定为用户对所述场景的偏好度。
除此之外,第二获取模块204可以存储有预设偏好等级与预设偏好度之间的对应关系。即根据累计次数、预设偏好等级与第四预设对应关系,获取预设偏好度。其中累计次数、预设偏好等级与预设偏好度之间的对应关系,可以如表11所示。
表12
第二获取模块204从表12中获取预设偏好度。其中预设偏好等级也可以是以分数、百分比的形式。即根据累计次数,不仅可以获取到偏好等级,也可以获取到用户对所述场景的偏好度。然后将获取到预设偏好度确定为用户对所述场景的偏好度。
在一些实施例中,所述第二获取模块204用于执行以下步骤:
根据所述历史轨迹信息获取用户出现在所述场景的累计时长;
根据所述累计时长确定用户对所述场景的偏好度。
所述历史轨迹信息可以是用户出现在所述场景的累计时长。第二获取模块204可以通过采用常用的统计方法获取累计时长。其中所述累计时长可以是在预设时间段内用户出现在所述场景的累计时长。所述预设时间段可以以年、月、周、小时、分钟或者秒为单位。所述累计时长可以以小时、分钟或者秒为单位。例如,用户在第一天时出现在电影院并且在所述电影院待了3个小时。紧接着,用户在第二天时出现在健身房并且在所述健身房待了2个小时。紧接着,在第三天时用户又出现在电影院并且在所述电影院待了2个小时,其中用户在第三天时出现在的电影院与在第一天时出现的电影院为同一家电影院。综上,用户在这三天内,第二获取模块204统计用户出现在电影院的累计时长为5个小时以及出现在健身房的累计时长为2个小时。
还例如,第二获取模块204可以统计用户在一年内出现在歌厅的累计时长为5个小时。或者第二获取模块204统计用户在一个月内出现在电影院的累计时长为75分钟。
另外,所述预设时间段也可以是第二获取模块204统计用户自开始使用电子设备的日期到当前日历上的日期这之间的使用时间段。例如,用户开始使用电子设备的日期可以是2018年1月1日。现在或者当前的日历上的日期是2019年1月1日。那么用户使用了电子设备的时长是一年。那么第二获取模块204统计用户在所述一年内出现在健身房的累计次数为20次和图书馆的累计次数为2次。
根据所述累计时长确定用户对所述场景的偏好度。例如用户在一天内出现在电影院的累计时长为3个小时。并且在同一天内用户出现在停车场的累计时长为60分钟。那么3个小时大于60分钟,因此可以得出用户喜欢出现在电影院。而对出现在停车场是一般喜欢。
此外,根据所述累计时长以及第五预设对应关系,获取预设偏好度,其中第五预设对应关系包括累计时长与预设偏好度之间的对应关系;
将所述预设偏好度确定为用户对所述场景的偏好度。因此,累计时长与预设偏好度之间的对应关系如表13所示。
表13
累计时长 | 预设偏好度 |
1小时 | 喜欢 |
5分钟 | 一般喜欢 |
4秒 | 讨厌 |
…… | …… |
第二获取模块204根据表13便可以获取用户对场景的预设偏好度。例如用户出现在所述场景的累计时长为1小时,那么用户对场景的预设偏好度为喜欢。然后则喜欢为用户对场景的偏好度。即将预设偏好度确定为用户对所述场景的偏好度。
除此之外,第二获取模块204可以存储有预设偏好等级与预设偏好度之间的对应关系。即根据累计时长、预设偏好等级与第六预设对应关系,获取预设偏好度。其中累计时长、预设偏好等级与预设偏好度之间的对应关系,可以如表14所示。
表14
累计时长 | 预设偏好等级 | 预设偏好度 |
1小时 | 5级 | 喜欢 |
5分钟 | 4级 | 一般喜欢 |
4秒 | 2级 | 讨厌 |
…… | …… | …… |
第二获取模块204从表14获取预设偏好度。其中预设偏好等级也可以是以分数、百分比的形式。即根据累计时长,不仅可以获取到偏好等级,也可以获取到用户对所述场景的偏好度。然后将所述预设偏好度确定为用户对所述场景的偏好度。
在一些实施例中,所述第三获取模块205用于执行以下步骤:
根据所述历史行为信息确定用户在所述场景的多个历史行为;
获取每一所述历史行为发生的次数;
根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。
可以理解的是,第三获取模块205根据所述历史行为信息确定用户在所述场景的多个历史行为。其中所述历史行为包括在健身房健身、在火锅店吃火锅或者在超市购物。历史行为信息包括用户打开应用的应用类型信息、健身信息、游戏信息或者美食信息。其中电子设备可以采用k近邻分类算法(k-nearest neighbor classification,KNN算法)获取用户行为信息。
首先,通过MySQL关系数据库获取多个原始数据dn。其中所述多个原始数据为在所述地理位置信息采集到的相关信息。其中该原始数据可以与美食、游戏或者健身有关。但是在采集该原始数据dn时,第三获取模块205并不知道该原始数据dn到底是什么。因此需要通过KNN算法将多个原始数据dn进行分类,以确定每个所述原始数据dn对应的数据类型。其中数据类型包括美食、游戏或者健身等。
其中,KNN算法的原理是通过计算新数据与历史样本数据中不同类别数据点间的距离对新数据进行分类。例如,第三获取模块205存储有多个历史美食数据和多个历史健身数据。并且所述历史美食数据的类型为美食类型。所述历史健身数据的类型为健身类型。第三获取模块205采集到A原始数据。将A原始数据的特征向量输入KNN算法模型中。然后可以通过欧式距离公式或者曼哈顿距离公式计算A原始数据与每个历史美食数据之间的距离。以及计算A原始数据与每个历史健身数据之间的距离。
然后,按照距离的递增进行排列。选取距离值最小的K个点,其中K个点可以为10、20或者100。K值越大说明A原始数据得到的类型越准确。确定K个点在美食类型的频率和在健身类型的频率。选取K个点中出现频率最高的类型作为A原始数据的预测分类。例如,若K个点在美食类型的频率最高,那么A原始数据为美食类型。或者若K个点在健身类型的频率最高,那么A原始数据为健身类型。
紧接着,第三获取模块205获取历史行为信息的多个历史行为,例如,历史行为信息为美食类型信息,那么历史行为可以为吃美食、吃火锅或者吃青菜等。然后,第三获取模块205获取每一所述历史行为发生的次数。其中第三获取模块205记录用户每一所述历史行为发生的次数。在预设时间段内,用户在所述场景获取每一历史行为发生的次数。比如,第一周用户在火锅店吃火锅和打游戏。那么电子设备在火锅店发生的历史行为为吃火锅和打游戏,然后电子设备记录所述吃火锅和打游戏。第二周用户在同一家火锅店的历史行为为仅吃火锅。电子设备记录在第二周时用户在同一家火锅店吃火锅。综上,将用户在火锅店发生的历史行为进行汇总,可以得到用户在火锅店吃火锅两次和打游戏一次。
最后,根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。请参考上例,那么用户在火锅店的行为习惯信息为经常吃火锅,很少打游戏。
其中根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息可以如表15所示。
表15
历史行为 | 次数 | 行为习惯信息 |
吃火锅 | 8 | 经常吃火锅 |
吃甜点 | 5 | 有时吃甜点 |
健身 | 2 | 很少健身 |
…… | …… | …… |
其中根据历史行为、次数可以获取用户在所述场景的行为习惯信息。例如表15所示,用户在火锅店吃火锅8次,可以获取用户在火锅店经常吃火锅。并且用户在火锅店吃甜点5次,可以获取用户在火锅店有时吃甜点。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
另外,根据次数可以匹配预设次数区间。根据历史行为、次数、预设次数区间与第七预设对应关系,获取用户在所述场景的行为习惯信息。其中第七预设对应关系包括历史行为、次数、预设次数区间与行为习惯信息之间的对应关系。则历史行为、次数、预设次数区间与行为习惯信息之间的对应关系可以如表16所示。
表16
历史行为 | 次数 | 预设次数区间 | 行为习惯信息 |
吃火锅 | 8 | [5,9] | 经常吃火锅 |
吃甜点 | 5 | [4,6] | 有时吃甜点 |
健身 | 2 | [1,3] | 很少健身 |
…… | …… | …… | …… |
电子设备根据表16可以获取到用户在所述场景的行为习惯信息。其中次数与预设次数区间可以在提前在电子设备内部存储,当获取到次数时,可以快速的匹配预设次数区间。
由上可知,本申请实施例提供的用户行为预测模型构建装置200,包括:第一获取模块201,用于获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;识别模块202,用于根据所述感知数据识别所述电子设备当前所处的场景;确定模块203,用于根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;第二获取模块204,用于根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;第三获取模块205,用于根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;建立模块206,用于根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。所述用户行为预测模型构建装置中,电子设备可以根据用户对所述地理位置的偏好度和行为习惯信息,为用户推送自身感兴趣的信息,以提高电子设备对用户推送信息的准确性。以及提高了电子设备推送信息时的速度和效率。
本申请实施例还提供一种电子设备。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality,增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。其中,电子设备可以为用户发送信息。
参考图11,图11为本申请实施例提供的电子设备的第一种结构示意图。
其中,电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
处理器301是电子设备300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,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302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。
在本实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而实现各种功能:
获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;
根据所述感知数据识别所述电子设备当前所处的场景;
根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;
根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;
根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;
根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
在一些实施例中,根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型时,处理器301执行以下步骤:
获取用户在所述场景停留的时长以及在所述场景的操作信息,其中,所述操作信息包括用户对所述电子设备的多个应用软件进行操作的信息;
根据所述操作信息获取用户对每一所述应用软件的被操作次数;
根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。
在一些实施例中,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型时,处理器301执行以下步骤:
从所述多个应用软件中确定出被操作次数最多的目标应用软件;
根据所述时长、所述目标应用软件以及第一预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第一预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
在一些实施例中,根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型时,处理器301执行以下步骤:
从所述多个应用软件中确定出被操作时长最长的目标应用软件;
根据所述时长、所述目标应用软件以及第二预设对应关系,获取用户与所述场景之间的关系类型,其中所述第二预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
在一些实施例中,根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度时,处理器301执行以下步骤:
根据所述历史轨迹信息获取用户出现在所述场景的累计次数;
根据所述累计次数确定用户对所述场景的偏好度。
在一些实施例中,根据所述累计次数确定用户对所述场景的偏好度,处理器301执行以下步骤:
根据所述累计次数以及第三预设对应关系,获取预设偏好度,其中,所述第三预设对应关系包括累计次数与预设偏好度之间的对应关系;
将所述预设偏好度确定为用户对所述场景的偏好度。
在一些实施例中,根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度,处理器301执行以下步骤:
根据所述历史轨迹信息获取用户出现在所述场景的累计时长;
根据所述累计时长确定用户对所述场景的偏好度。
在一些实施例中,根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息,处理器301执行以下步骤:
根据所述历史行为信息确定用户在所述场景的多个历史行为;
获取每一所述历史行为发生的次数;
根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
在一些实施例中,参考图12,图12为本申请实施例提供的电子设备的第二种结构示意图。
其中,电子设备300还包括:显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中,处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接,用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹),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。其中,输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如,传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中,电源307可以通过电源管理系统与处理器301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。
尽管图12中未示出,电子设备300还可以包括摄像头、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供了一种电子设备,所述电子设备执行以下步骤:获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;根据所述感知数据识别所述电子设备当前所处的场景;根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。所述用户行为预测模型构建方法中,电子设备可以根据用户对所述地理位置的偏好度和行为习惯信息,为用户推送自身感兴趣的信息,以提高电子设备对用户推送信息的准确性。以及提高了电子设备推送信息时的速度和效率。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序应用于电子设备,所述电子设备可以推送信息,并将所述推送信息在电子设备的显示屏上进行显示,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的用户行为预测模型构建方法。
需要说明的是,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是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的用户行为预测模型构建方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,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申请的限制。
Claims (11)
1.一种用户行为预测模型构建方法,其特征在于,包括:
获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;
根据所述感知数据识别所述电子设备当前所处的场景;
根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;
根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;
根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;
根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
2.根据权利要求1所述的用户行为预测模型构建方法,其特征在于,所述根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型的步骤包括:
获取用户在所述场景停留的时长以及在所述场景的操作信息,其中,所述操作信息包括用户对所述电子设备的多个应用软件进行操作的信息;
根据所述操作信息获取用户对每一所述应用软件的被操作次数;
根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型。
3.根据权利要求2所述的用户行为预测模型构建方法,其特征在于,所述根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型的步骤包括:
从所述多个应用软件中确定出被操作次数最多的目标应用软件;
根据所述时长、所述目标应用软件以及第一预设对应关系,获取用户与所述场景之间的关系类型,其中,所述第一预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
4.根据权利要求2所述的用户行为预测模型构建方法,其特征在于,所述被操作次数包括被操作时长,所述根据所述时长以及每一所述应用软件的被操作次数确定用户与所述场景之间的关系类型的步骤包括:
从所述多个应用软件中确定出被操作时长最长的目标应用软件;
根据所述时长、所述目标应用软件以及第二预设对应关系,获取用户与所述场景之间的关系类型,其中所述第二预设对应关系包括时长、目标应用软件与关系类型之间的对应关系。
5.根据权利要求1所述的用户行为预测模型构建方法,其特征在于,所述根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度的步骤包括:
根据所述历史轨迹信息获取用户出现在所述场景的累计次数;
根据所述累计次数确定用户对所述场景的偏好度。
6.根据权利要求5所述的用户行为预测模型构建方法,其特征在于,所述根据所述累计次数确定用户对所述场景的偏好度的步骤包括:
根据所述累计次数以及第三预设对应关系,获取预设偏好度,其特征在于,所述第三预设对应关系包括累计次数与预设偏好度之间的对应关系;
将所述预设偏好度确定为用户对所述场景的偏好度。
7.根据权利要求1所述的用户行为预测模型构建方法,其特征在于,所述根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度的步骤包括:
根据所述历史轨迹信息获取用户出现在所述场景的累计时长;
根据所述累计时长确定用户对所述场景的偏好度。
8.根据权利要求1所述的用户行为预测模型构建方法,其特征在于,所述根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息的步骤包括:
根据所述历史行为信息确定用户在所述场景的多个历史行为;
获取每一所述历史行为发生的次数;
根据所述多个历史行为以及每一所述历史行为对应的次数建立用户在所述场景的行为习惯信息。
9.一种用户行为预测模型构建装置,其特征在于,包括:
第一获取模块,用于获取电子设备当前所处的地理位置信息以及所述电子设备当前所处场景的感知数据;
识别模块,用于根据所述感知数据识别所述电子设备当前所处的场景;
确定模块,用于根据用户在所述场景停留的时长以及在所述场景的操作信息确定用户与所述场景之间的关系类型;
第二获取模块,用于根据用户在所述场景的历史轨迹信息获取用户对所述场景的偏好度;
第三获取模块,用于根据用户在所述场景的历史行为信息获取用户在所述场景的行为习惯信息;
建立模块,用于根据所述地理位置信息、所述关系类型、所述偏好度以及所述行为习惯信息建立所述用户行为预测模型。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行权利要求1至8任一项所述的用户行为预测模型构建方法。
11.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1至8任一项所述的用户行为预测模型构建方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282466.8A CN111798260A (zh) | 2019-04-09 | 2019-04-09 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
PCT/CN2020/079549 WO2020207201A1 (zh) | 2019-04-09 | 2020-03-16 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282466.8A CN111798260A (zh) | 2019-04-09 | 2019-04-09 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798260A true CN111798260A (zh) | 2020-10-20 |
Family
ID=72750616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282466.8A Pending CN111798260A (zh) | 2019-04-09 | 2019-04-09 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111798260A (zh) |
WO (1) | WO2020207201A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112594937A (zh) * | 2020-12-16 | 2021-04-02 | 珠海格力电器股份有限公司 | 热水器的控制方法、装置、电子设备及存储介质 |
CN112685641A (zh) * | 2020-12-31 | 2021-04-20 | 五八有限公司 | 一种信息处理方法及装置 |
CN113110089A (zh) * | 2021-04-29 | 2021-07-13 | 广东电网有限责任公司 | 一种家庭电器优化使用管理方法、装置、设备及介质 |
CN113485146A (zh) * | 2021-07-30 | 2021-10-08 | 重庆海尔空调器有限公司 | 用于家电设备的控制方法及控制装置、家电设备 |
CN113505310A (zh) * | 2021-07-07 | 2021-10-15 | 辽宁工程技术大学 | 一种基于时空注意网络的校园用户下一个位置推荐方法 |
CN113946222A (zh) * | 2021-11-17 | 2022-01-18 | 杭州逗酷软件科技有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN117042253A (zh) * | 2023-07-11 | 2023-11-10 | 昆山恩都照明有限公司 | 一种智能led灯具、控制系统和方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011065504A (ja) * | 2009-09-18 | 2011-03-31 | Tokyo Univ Of Science | ユーザの選好関係についての予測モデルを生成する選好予測サーバ及びその方法 |
CN104102719A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术(北京)有限公司 | 一种轨迹信息的推送方法及装置 |
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
CN104331404A (zh) * | 2013-07-22 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
CN105142104A (zh) * | 2015-06-19 | 2015-12-09 | 北京奇虎科技有限公司 | 提供推荐信息的方法、设备以及系统 |
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN105653134A (zh) * | 2015-05-02 | 2016-06-08 | Tcl集团股份有限公司 | 应用切换方法及其系统 |
CN107665230A (zh) * | 2017-06-21 | 2018-02-06 | 海信集团有限公司 | 用于智能家居控制的用户行为预测模型的训练方法及装置 |
WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技(深圳)有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
CN108416649A (zh) * | 2018-02-05 | 2018-08-17 | 北京三快在线科技有限公司 | 搜索结果排序方法、装置、电子设备及存储介质 |
CN108460631A (zh) * | 2018-02-13 | 2018-08-28 | 口口相传(北京)网络技术有限公司 | 多元化信息的混合推送方法及装置 |
WO2018154482A1 (en) * | 2017-02-22 | 2018-08-30 | Appnext Ltd. | System and method for real-time generation of predictive models of mobile users' behavior |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7794315B2 (en) * | 2005-09-09 | 2010-09-14 | Microsoft Corporation | Role play system |
-
2019
- 2019-04-09 CN CN201910282466.8A patent/CN111798260A/zh active Pending
-
2020
- 2020-03-16 WO PCT/CN2020/079549 patent/WO2020207201A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011065504A (ja) * | 2009-09-18 | 2011-03-31 | Tokyo Univ Of Science | ユーザの選好関係についての予測モデルを生成する選好予測サーバ及びその方法 |
CN104331404A (zh) * | 2013-07-22 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
CN104102719A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术(北京)有限公司 | 一种轨迹信息的推送方法及装置 |
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
CN105653134A (zh) * | 2015-05-02 | 2016-06-08 | Tcl集团股份有限公司 | 应用切换方法及其系统 |
CN105142104A (zh) * | 2015-06-19 | 2015-12-09 | 北京奇虎科技有限公司 | 提供推荐信息的方法、设备以及系统 |
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技(深圳)有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
WO2018154482A1 (en) * | 2017-02-22 | 2018-08-30 | Appnext Ltd. | System and method for real-time generation of predictive models of mobile users' behavior |
CN107665230A (zh) * | 2017-06-21 | 2018-02-06 | 海信集团有限公司 | 用于智能家居控制的用户行为预测模型的训练方法及装置 |
CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
CN108416649A (zh) * | 2018-02-05 | 2018-08-17 | 北京三快在线科技有限公司 | 搜索结果排序方法、装置、电子设备及存储介质 |
CN108460631A (zh) * | 2018-02-13 | 2018-08-28 | 口口相传(北京)网络技术有限公司 | 多元化信息的混合推送方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112594937A (zh) * | 2020-12-16 | 2021-04-02 | 珠海格力电器股份有限公司 | 热水器的控制方法、装置、电子设备及存储介质 |
CN112685641A (zh) * | 2020-12-31 | 2021-04-20 | 五八有限公司 | 一种信息处理方法及装置 |
CN112685641B (zh) * | 2020-12-31 | 2023-04-07 | 五八有限公司 | 一种信息处理方法及装置 |
CN113110089A (zh) * | 2021-04-29 | 2021-07-13 | 广东电网有限责任公司 | 一种家庭电器优化使用管理方法、装置、设备及介质 |
CN113505310A (zh) * | 2021-07-07 | 2021-10-15 | 辽宁工程技术大学 | 一种基于时空注意网络的校园用户下一个位置推荐方法 |
CN113485146A (zh) * | 2021-07-30 | 2021-10-08 | 重庆海尔空调器有限公司 | 用于家电设备的控制方法及控制装置、家电设备 |
CN113485146B (zh) * | 2021-07-30 | 2022-12-23 | 重庆海尔空调器有限公司 | 用于家电设备的控制方法及控制装置、家电设备 |
CN113946222A (zh) * | 2021-11-17 | 2022-01-18 | 杭州逗酷软件科技有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN117042253A (zh) * | 2023-07-11 | 2023-11-10 | 昆山恩都照明有限公司 | 一种智能led灯具、控制系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020207201A1 (zh) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798260A (zh) | 用户行为预测模型构建方法、装置、存储介质及电子设备 | |
CN108256568B (zh) | 一种植物种类识别方法以及装置 | |
US20200089661A1 (en) | System and method for providing augmented reality challenges | |
US8577962B2 (en) | Server apparatus, client apparatus, content recommendation method, and program | |
CN109800325A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
CN110309434B (zh) | 一种轨迹数据处理方法、装置以及相关设备 | |
CN106462598A (zh) | 信息处理设备、信息处理方法与程序 | |
WO2020220629A1 (zh) | 楼层层数的获取方法、装置、电子设备及存储介质 | |
CN103207675A (zh) | 制作媒体节目集锦或扩充媒体节目 | |
CN101960795A (zh) | 用于递送扩充消息的系统和方法 | |
CN108093167A (zh) | 使用自然语言命令可操作的相机 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN111814475A (zh) | 用户画像构建方法、装置、存储介质和电子设备 | |
CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
CN111797850A (zh) | 视频分类方法、装置、存储介质及电子设备 | |
Wan et al. | Addressing location uncertainties in GPS‐based activity monitoring: A methodological framework | |
CN107729528A (zh) | 一种建筑物信息获取方法及装置、计算机装置和计算机可读存储介质 | |
CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
CN111797261A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
RU2658876C1 (ru) | Способ и сервер для обработки данных датчика беспроводного устройства для создания вектора объекта, связанного с физическим положением | |
US10614626B2 (en) | System and method for providing augmented reality challenges | |
CN117795502A (zh) | 消息传递系统中主题的演进 |
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 |