CN111950707B - 基于行为共现网络的行为预测方法、装置、设备及介质 - Google Patents
基于行为共现网络的行为预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111950707B CN111950707B CN202010798029.4A CN202010798029A CN111950707B CN 111950707 B CN111950707 B CN 111950707B CN 202010798029 A CN202010798029 A CN 202010798029A CN 111950707 B CN111950707 B CN 111950707B
- Authority
- CN
- China
- Prior art keywords
- behavior
- occurrence
- network
- target
- 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 62
- 238000011176 pooling Methods 0.000 claims abstract description 48
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 542
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 230000001788 irregular Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，提供一种基于行为共现网络的行为预测方法、装置、设备及介质，能够获取目标用户的行为信息，根据每个行为的发生时间将目标用户的行为划分为至少一个行为段，以对用户的行为进行区分，进而对不同的行动主体进行有效解耦，更好的学习用户的行为信息，基于行为段构造目标行为共现网络并输入至预先构建的行为预测模型中，输出预测结果，其中，行为预测模型基于Graph Pooling及共现网络训练而得到，以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度，使模型预测更加准确，进而基于人工智能手段实现对用户的行为预测。本发明还涉及区块链技术，行为预测模型及预测结果可存储于区块链。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于行为共现网络的行为预测方法、装置、设备及介质。
背景技术
现有技术中所采用的行为序列建模方法，普遍是将用户行为信息表示为一个序列，并基于序列模型进行建模，将点击等行为表示成一个离散连续的序列，再截取最近一段时间的行为或最近若干个行为动作，让模型学习用户的行为信息。
然而，即便是对于同一个用户的点击行为，由于用户在不同的时间做的事情可能是不一样的，如果不对行为段进行区分，会导致多种异质信息耦合在一起，难以区分，用户的行为主体不明确，并进一步导致模型的预测精度不足。
发明内容
鉴于以上内容，有必要提供一种基于行为共现网络的行为预测方法、装置、设备及介质，能够基于时间段对用户的行为进行区分，进而能够对不同的行动主体进行有效解耦，以更好的学习用户的行为信息，并且，以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度，使模型预测更加准确，进而基于人工智能手段实现对用户的行为预测。
一种基于行为共现网络的行为预测方法，所述基于行为共现网络的行为预测方法包括：
当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息；
从所述行为信息中获取所述目标用户的行为及每个行为的发生时间；
根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段；
基于所述至少一个行为段构造目标行为共现网络；
将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到。
根据本发明优选实施例，所述获取所述目标用户的行为信息包括：
解析所述行为预测指令的方法体，得到所述行为预测指令的携带信息；
获取预设标签，以所述预设标签在所述携带信息中进行匹配，得到匹配的数据；
将所述匹配的数据确定为目标对象；
获取在所述目标对象上产生的所有行为数据；
将所述所有行为数据中与所述目标用户对应的数据确定为所述行为信息。
根据本发明优选实施例，所述根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段包括：
根据每个行为的发生时间的连续性，以所述目标用户的行为构建行为序列；
计算所述行为序列中相邻行为的发生时间的时间差；
获取时间差阈值；
将时间差小于或者等于所述时间差阈值的行为划分为一类；
将每类中所包含的行为确定为一个行为段，并整合所有行为段，得到所述至少一个行为段。
根据本发明优选实施例，所述基于所述至少一个行为段构造目标行为共现网络包括：
获取每个行为段中的行为；
将每个行为段中的行为进行两两连接，得到与每个行为段对应的关系网络；
连接每个关系网络，得到所述目标行为共现网络。
根据本发明优选实施例，在将所述目标行为共现网络输入至预先构建的行为预测模型中前，所述基于行为共现网络的行为预测方法还包括：
获取样本序列；
以所述样本序列构造样本行为段；
根据所述样本行为段构造样本共现网络；
基于Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络，其中，所述向量化的样本共现网络中的每个节点具有对应的嵌入向量；
在预设神经网络后接入全连接层，得到初始图神经网络；
以每个节点对应的嵌入向量作为输入数据训练所述初始图神经网络，直至所述初始图神经网络的准确率达到预设阈值，停止训练，得到所述行为预测模型，并保存所述预测模型至区块链。
根据本发明优选实施例，当所述Graph Pooling采用全局节点时，所述基于GraphPooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络包括：
对每个节点进行预设层的图卷积运算，得到每个节点的关系向量；
根据每个节点的关系向量构建第一网络；
获取预先配置的全局节点；
连接所述第一网络与所述全局节点，得到第二网络；
对所述第二网络进行图卷积运算，得到所述向量化的样本共现网络。
根据本发明优选实施例，所述基于行为共现网络的行为预测方法还包括：
获取指定时间段内与所述预测结果对应的所有行为；
确定所述所有行为中每个行为关于所述预测结果的出现频率；
获取出现频率最高的行为作为目标行为；
建立所述目标行为与所述预测结果的对应关系，并保存所述对应关系至区块链。
一种基于行为共现网络的行为预测装置，所述基于行为共现网络的行为预测装置包括：
获取单元，用于当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息；
所述获取单元，还用于从所述行为信息中获取所述目标用户的行为及每个行为的发生时间；
划分单元，用于根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段；
构造单元，用于基于所述至少一个行为段构造目标行为共现网络；
输入单元，用于将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述基于行为共现网络的行为预测方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于行为共现网络的行为预测方法。
由以上技术方案可以看出，本发明能够当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息，从所述行为信息中获取所述目标用户的行为及每个行为的发生时间，根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段，基于时间段对用户的行为进行区分，进而能够对不同的行动主体进行有效解耦，以更好的学习用户的行为信息，基于所述至少一个行为段构造目标行为共现网络，将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到，以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度，使模型预测更加准确，进而基于人工智能手段实现对用户的行为预测。
附图说明
图1是本发明基于行为共现网络的行为预测方法的较佳实施例的流程图。
图2是本发明基于行为共现网络的行为预测装置的较佳实施例的功能模块图。
图3是本发明实现基于行为共现网络的行为预测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于行为共现网络的行为预测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于行为共现网络的行为预测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息。
其中，所述目标用户可以包括，但不限于：使用某个应用程序的用户、某个平台的用户等。
所述预测指令可以由负责行为分析的相关工作人员触发，如：项目经理、开发人员、测试人员等。
在本实施例中，所述行为信息包括，但不限于：点击、滑动等行为，以及点击、滑动等行为的发生时间等。
在本发明的至少一个实施例中，所述获取所述目标用户的行为信息包括：
解析所述行为预测指令的方法体，得到所述行为预测指令的携带信息；
获取预设标签，以所述预设标签在所述携带信息中进行匹配，得到匹配的数据；
将所述匹配的数据确定为目标对象；
获取在所述目标对象上产生的所有行为数据；
将所述所有行为数据中与所述目标用户对应的数据确定为所述行为信息。
其中，所述预设标签可以进行自定义配置，用于标识所述目标对象，通过所述预设标签能够准确定位到所述目标对象。
所述目标对象可以包括指定网页、指定应用程序、指定平台等。
通过上述实施方式，能够根据预设标签从众多的行为数据中准确筛选出所述目标用户的行为信息，作为后续分析预测的基础数据。
S11，从所述行为信息中获取所述目标用户的行为及每个行为的发生时间。
在本实施例中，可以采用正则表达式从所述行为信息中获取所述目标用户的行为及每个行为的发生时间。
具体地，所述采用正则表达式从所述行为信息中获取所述目标用户的行为及每个行为的发生时间包括：
确定行为对应的第一正则表达式，及确定发生时间对应的第二正则表达式；
以所述第一正则表达式在所述行为信息中进行匹配，并将匹配的数据确定为所述目标用户的行为；
以所述第二正则表达式在所述行为信息中进行匹配，并将匹配的数据确定为每个行为的发生时间。
在其他实施例中，还可以直接根据数据埋点的方式获取所述目标用户的行为及每个行为的发生时间，由于埋点属于相对成熟的技术，在此不赘述。
S12，根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段。
可以理解的是，即便是同一个用户的行为(如点击行为)，在不同时间所执行的事情可能也是不一样的，传统序列模型用离散连续的序列对行为信息进行刻画，而未对行为段进行区分，会将多种异质信息耦合在一起，导致难以区分。
其中，异质性(heterogeneity)是指差异、差别。异质的总体可能由多个不同的子总体混合而成。
例如：用户X在上午打开直播软件看游戏直播的一系列操作行为构成行为序列a，下午打开理财软件的一系列操作行为构成行为序列b，所述用户X在一天内的所有行为构成行为序列c，那么所述行为序列c包含所述序列a和所述序列b，虽然a、b两种行为都是来自同一人同一天，但所对应的事情并不相同，行为的目标等也是不一样的，所以，所述序列a和所述序列b是异质的，而所述行为序列c由多种行动主体不同的行为序列耦合在一起，将导致行为的难以区分。
因此，应该定位到用户的行动主体(即用户的行动目标是否一致，以及用户是否在做同一件事情)。
具体地，所述根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段包括：
根据每个行为的发生时间的连续性，以所述目标用户的行为构建行为序列；
计算所述行为序列中相邻行为的发生时间的时间差；
获取时间差阈值；
将时间差小于或者等于所述时间差阈值的行为划分为一类；
将每类中所包含的行为确定为一个行为段，并整合所有行为段，得到所述至少一个行为段。
例如：将行为序列的点击时间进行差分，得到各个点击行为与连续且相邻的上一个点击行为的时间差，若某行为与上一个行为的时间差大于所述时间差阈值，则确定该行为属于下一个行为段，否则该行为与上一行为属于同一个行为段，依次类推，得到所有行为所属的行为段。进一步地，如果行为m与行为段M中任意一个行为的时间差小于或者等于所述时间差阈值，则确定所述行为m属于所述行为段M。
通过上述实施方式，不同于现有技术中使用离散连续的序列对行为信息进行刻画，本案能够基于时间段对用户的行为进行区分，在同一时间段内发生的行为应属于同一件事情，在不同时间段内发生的事情则属于不同事情，进而能够对不同的行动主体进行有效解耦，以更好的学习用户的行为信息。
S13，基于所述至少一个行为段构造目标行为共现网络(Behavioral co-occurrence network)。
其中，行为共现网络是一种图(graph)结构，由节点以及节点之间的关系共同组成，是一种描述数据间关系的数据类型，本案中的目标行为共现网络强化了行为段之间的区分度，通过将行为序列拆分成行为段，能够有效对不同的行动主体进行解耦，更好的刻画用户的行为模式。
具体地，所述基于所述至少一个行为段构造目标行为共现网络包括：
获取每个行为段中的行为；
将每个行为段中的行为进行两两连接，得到与每个行为段对应的关系网络；
连接每个关系网络，得到所述目标行为共现网络。
通过上述实施方式，不同于现有技术中使用离散连续的序列对行为信息进行刻画，本案首先划分了行为段，并以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度。
需要说明的是，本案中基于行为段构造的行为共现网络还可用于用户画像等用户分析等其他任务。
当然，行为共现网络还可应用于用户行为的可视化，与行为序列相比，行为共现网络能够更直观地展现用户的行为倾向。
S14，将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到。
例如：所述预测结果是：所述目标用户是否点击广告、所述目标用户是否购买保险、所述目标用户是否留存，以及销售量等。
通过上述实施方式，以强化了行为段间区分度的目标行为共现网络作为输入数据，能够更好的刻画用户的行为，使预测结果的准确性更高，且更加可靠。行为共现网络本身作为一个图，可以自然地与图模型算法进行结合，以行为共现网络作为输入，能够学习到时间段的差异性和同质性信息，帮助模型区分用户的行动主体，提高模型预测精度，使输出的预测结果更加准确。
在本发明的至少一个实施例中，所述行为预测模型可以进行预先训练。
具体地，在将所述目标行为共现网络输入至预先构建的行为预测模型中前，所述基于行为共现网络的行为预测方法还包括：
获取样本序列；
以所述样本序列构造样本行为段；
根据所述样本行为段构造样本共现网络；
基于Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络，其中，所述向量化的样本共现网络中的每个节点具有对应的嵌入向量；
在预设神经网络后接入全连接层，得到初始图神经网络(graph neuralnetwork)；
以每个节点对应的嵌入向量作为输入数据训练所述初始图神经网络，直至所述初始图神经网络的准确率达到预设阈值，停止训练，得到所述行为预测模型，并保存所述预测模型至区块链。
其中，所述样本序列为已知行为的数据，通过训练，能够不断优化神经网络及全连接层的各项参数，并得到最终的预测模型。
在本实施例中，为了进一步保证数据的安全性，防止数据被篡改，将所述预测模型保存至区块链。
其中，Graph Pooling(图池化)是指将不规则的图结构表示为一个定长的embedding(嵌入)编码，从而作为特征等用于机器学习建模。
Graph Pooling有多种方法，包括，但不限于：
基于统计的方法；
基于学习的方法：采样加全连接、全局节点；
可微池化方法。
Graph Pooling的难点主要在于如何合理的根据一个不规则的图生成一个规则定长的编码表示。
例如：本实施例的Graph Pooling可以采用全局节点。
具体地，当所述Graph Pooling采用全局节点时，所述基于Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络包括：
对每个节点进行预设层的图卷积运算，得到每个节点的关系向量；
根据每个节点的关系向量构建第一网络；
获取预先配置的全局节点；
连接所述第一网络与所述全局节点，得到第二网络；
对所述第二网络进行图卷积运算，得到所述向量化的样本共现网络。
本案中采用全局节点的方式，通过连接一个虚拟全局节点用作聚合，不仅保留了图的不规则结构信息，最终还能把图的不规则结构信息聚合到一个定长特征上，使其可用于建模并执行预测任务。相对于基于统计的方法，全局节点方法可以通过训练优化embedding的质量，对下游的预测任务精度提升程度更高；相对可微池化方法，全局节点方法的思想更加简单直观，可解释性更强；相对同样基于学习的采样加全连接方法，全局节点方法未进行采样，保留了所有节点及其结构的信息，精度更高。
在本发明的至少一个实施例中，所述基于行为共现网络的行为预测方法还包括：
获取指定时间段内与所述预测结果对应的所有行为；
确定所述所有行为中每个行为关于所述预测结果的出现频率；
获取出现频率最高的行为作为目标行为；
建立所述目标行为与所述预测结果的对应关系，并保存所述对应关系至区块链。
通过上述实施方式，能够确定与预测结果相关性最高的目标行为，即当所述用户执行所述目标行为时，所述目标用户的行为最可能对应所述预测结果，并进一步建立所述目标行为与所述预测结果的对应关系，以供后续分析利用。
在本实施例中，为了进一步确保数据被恶意篡改，进一步保存所述对应关系至区块链。
由以上技术方案可以看出，本发明能够当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息，从所述行为信息中获取所述目标用户的行为及每个行为的发生时间，根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段，基于时间段对用户的行为进行区分，进而能够对不同的行动主体进行有效解耦，以更好的学习用户的行为信息，基于所述至少一个行为段构造目标行为共现网络，将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到，以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度，使模型预测更加准确，进而基于人工智能手段实现对用户的行为预测。
如图2所示，是本发明基于行为共现网络的行为预测装置的较佳实施例的功能模块图。所述基于行为共现网络的行为预测装置11包括获取单元110、划分单元111、构造单元112、输入单元113。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到对目标用户的行为预测指令时，获取单元110获取所述目标用户的行为信息。
其中，所述目标用户可以包括，但不限于：使用某个应用程序的用户、某个平台的用户等。
所述预测指令可以由负责行为分析的相关工作人员触发，如：项目经理、开发人员、测试人员等。
在本实施例中，所述行为信息包括，但不限于：点击、滑动等行为，以及点击、滑动等行为的发生时间等。
在本发明的至少一个实施例中，所述获取单元110获取所述目标用户的行为信息包括：
解析所述行为预测指令的方法体，得到所述行为预测指令的携带信息；
获取预设标签，以所述预设标签在所述携带信息中进行匹配，得到匹配的数据；
将所述匹配的数据确定为目标对象；
获取在所述目标对象上产生的所有行为数据；
将所述所有行为数据中与所述目标用户对应的数据确定为所述行为信息。
其中，所述预设标签可以进行自定义配置，用于标识所述目标对象，通过所述预设标签能够准确定位到所述目标对象。
所述目标对象可以包括指定网页、指定应用程序、指定平台等。
通过上述实施方式，能够根据预设标签从众多的行为数据中准确筛选出所述目标用户的行为信息，作为后续分析预测的基础数据。
所述获取单元110从所述行为信息中获取所述目标用户的行为及每个行为的发生时间。
在本实施例中，可以采用正则表达式从所述行为信息中获取所述目标用户的行为及每个行为的发生时间。
具体地，所述获取单元110采用正则表达式从所述行为信息中获取所述目标用户的行为及每个行为的发生时间包括：
确定行为对应的第一正则表达式，及确定发生时间对应的第二正则表达式；
以所述第一正则表达式在所述行为信息中进行匹配，并将匹配的数据确定为所述目标用户的行为；
以所述第二正则表达式在所述行为信息中进行匹配，并将匹配的数据确定为每个行为的发生时间。
在其他实施例中，还可以直接根据数据埋点的方式获取所述目标用户的行为及每个行为的发生时间，由于埋点属于相对成熟的技术，在此不赘述。
划分单元111根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段。
可以理解的是，即便是同一个用户的行为(如点击行为)，在不同时间所执行的事情可能也是不一样的，传统序列模型用离散连续的序列对行为信息进行刻画，而未对行为段进行区分，会将多种异质信息耦合在一起，导致难以区分。
其中，异质性(heterogeneity)是指差异、差别。异质的总体可能由多个不同的子总体混合而成。
例如：用户X在上午打开直播软件看游戏直播的一系列操作行为构成行为序列a，下午打开理财软件的一系列操作行为构成行为序列b，所述用户X在一天内的所有行为构成行为序列c，那么所述行为序列c包含所述序列a和所述序列b，虽然a、b两种行为都是来自同一人同一天，但所对应的事情并不相同，行为的目标等也是不一样的，所以，所述序列a和所述序列b是异质的，而所述行为序列c由多种行动主体不同的行为序列耦合在一起，将导致行为的难以区分。
因此，应该定位到用户的行动主体(即用户的行动目标是否一致，以及用户是否在做同一件事情)。
具体地，所述划分单元111根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段包括：
根据每个行为的发生时间的连续性，以所述目标用户的行为构建行为序列；
计算所述行为序列中相邻行为的发生时间的时间差；
获取时间差阈值；
将时间差小于或者等于所述时间差阈值的行为划分为一类；
将每类中所包含的行为确定为一个行为段，并整合所有行为段，得到所述至少一个行为段。
例如：将行为序列的点击时间进行差分，得到各个点击行为与连续且相邻的上一个点击行为的时间差，若某行为与上一个行为的时间差大于所述时间差阈值，则确定该行为属于下一个行为段，否则该行为与上一行为属于同一个行为段，依次类推，得到所有行为所属的行为段。进一步地，如果行为m与行为段M中任意一个行为的时间差小于或者等于所述时间差阈值，则确定所述行为m属于所述行为段M。
通过上述实施方式，不同于现有技术中使用离散连续的序列对行为信息进行刻画，本案能够基于时间段对用户的行为进行区分，在同一时间段内发生的行为应属于同一件事情，在不同时间段内发生的事情则属于不同事情，进而能够对不同的行动主体进行有效解耦，以更好的学习用户的行为信息。
构造单元112基于所述至少一个行为段构造目标行为共现网络(Behavioral co-occurrence network)。
其中，行为共现网络是一种图(graph)结构，由节点以及节点之间的关系共同组成，是一种描述数据间关系的数据类型，本案中的目标行为共现网络强化了行为段之间的区分度，通过将行为序列拆分成行为段，能够有效对不同的行动主体进行解耦，更好的刻画用户的行为模式。
具体地，所述构造单元112基于所述至少一个行为段构造目标行为共现网络包括：
获取每个行为段中的行为；
将每个行为段中的行为进行两两连接，得到与每个行为段对应的关系网络；
连接每个关系网络，得到所述目标行为共现网络。
通过上述实施方式，不同于现有技术中使用离散连续的序列对行为信息进行刻画，本案首先划分了行为段，并以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度。
需要说明的是，本案中基于行为段构造的行为共现网络还可用于用户画像等用户分析等其他任务。
当然，行为共现网络还可应用于用户行为的可视化，与行为序列相比，行为共现网络能够更直观地展现用户的行为倾向。
输入单元113将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到。
例如：所述预测结果是：所述目标用户是否点击广告、所述目标用户是否购买保险、所述目标用户是否留存，以及销售量等。
通过上述实施方式，以强化了行为段间区分度的目标行为共现网络作为输入数据，能够更好的刻画用户的行为，使预测结果的准确性更高，且更加可靠。行为共现网络本身作为一个图，可以自然地与图模型算法进行结合，以行为共现网络作为输入，能够学习到时间段的差异性和同质性信息，帮助模型区分用户的行动主体，提高模型预测精度，使输出的预测结果更加准确。
在本发明的至少一个实施例中，所述行为预测模型可以进行预先训练。
具体地，在将所述目标行为共现网络输入至预先构建的行为预测模型中前，获取样本序列；
以所述样本序列构造样本行为段；
根据所述样本行为段构造样本共现网络；
基于Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络，其中，所述向量化的样本共现网络中的每个节点具有对应的嵌入向量；
在预设神经网络后接入全连接层，得到初始图神经网络(graph neuralnetwork)；
以每个节点对应的嵌入向量作为输入数据训练所述初始图神经网络，直至所述初始图神经网络的准确率达到预设阈值，停止训练，得到所述行为预测模型，并保存所述预测模型至区块链。
其中，所述样本序列为已知行为的数据，通过训练，能够不断优化神经网络及全连接层的各项参数，并得到最终的预测模型。
在本实施例中，为了进一步保证数据的安全性，防止数据被篡改，将所述预测模型保存至区块链。
其中，Graph Pooling(图池化)是指将不规则的图结构表示为一个定长的embedding(嵌入)编码，从而作为特征等用于机器学习建模。
Graph Pooling有多种方法，包括，但不限于：
基于统计的方法；
基于学习的方法：采样加全连接、全局节点；
可微池化方法。
Graph Pooling的难点主要在于如何合理的根据一个不规则的图生成一个规则定长的编码表示。
例如：本实施例的Graph Pooling可以采用全局节点。
具体地，当所述Graph Pooling采用全局节点时，所述基于Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络包括：
对每个节点进行预设层的图卷积运算，得到每个节点的关系向量；
根据每个节点的关系向量构建第一网络；
获取预先配置的全局节点；
连接所述第一网络与所述全局节点，得到第二网络；
对所述第二网络进行图卷积运算，得到所述向量化的样本共现网络。
本案中采用全局节点的方式，通过连接一个虚拟全局节点用作聚合，不仅保留了图的不规则结构信息，最终还能把图的不规则结构信息聚合到一个定长特征上，使其可用于建模并执行预测任务。相对于基于统计的方法，全局节点方法可以通过训练优化embedding的质量，对下游的预测任务精度提升程度更高；相对可微池化方法，全局节点方法的思想更加简单直观，可解释性更强；相对同样基于学习的采样加全连接方法，全局节点方法未进行采样，保留了所有节点及其结构的信息，精度更高。
在本发明的至少一个实施例中，获取指定时间段内与所述预测结果对应的所有行为；
确定所述所有行为中每个行为关于所述预测结果的出现频率；
获取出现频率最高的行为作为目标行为；
建立所述目标行为与所述预测结果的对应关系，并保存所述对应关系至区块链。
通过上述实施方式，能够确定与预测结果相关性最高的目标行为，即当所述用户执行所述目标行为时，所述目标用户的行为最可能对应所述预测结果，并进一步建立所述目标行为与所述预测结果的对应关系，以供后续分析利用。
在本实施例中，为了进一步确保数据被恶意篡改，进一步保存所述对应关系至区块链。
由以上技术方案可以看出，本发明能够当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息，从所述行为信息中获取所述目标用户的行为及每个行为的发生时间，根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段，基于时间段对用户的行为进行区分，进而能够对不同的行动主体进行有效解耦，以更好的学习用户的行为信息，基于所述至少一个行为段构造目标行为共现网络，将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到，以划分的行为段构造行为共现关系，以构造目标行为共现网络，增强了行为段之间的区分度，使模型预测更加准确，进而基于人工智能手段实现对用户的行为预测。
如图3所示，是本发明实现基于行为共现网络的行为预测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于行为共现网络的行为预测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于行为共现网络的行为预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于行为共现网络的行为预测程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于行为共现网络的行为预测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、划分单元111、构造单元112、输入单元113。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于行为共现网络的行为预测方法的部分。
所述电子设备1集成的模块/单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于行为共现网络的行为预测方法，所述处理器13可执行所述多个指令从而实现：
当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息；
从所述行为信息中获取所述目标用户的行为及每个行为的发生时间；
根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段；
基于所述至少一个行为段构造目标行为共现网络；
将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型基于Graph Pooling及共现网络训练而得到。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明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。例如，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。
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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于行为共现网络的行为预测方法，其特征在于，所述基于行为共现网络的行为预测方法包括：
当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息；
从所述行为信息中获取所述目标用户的行为及每个行为的发生时间；
根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段；
基于所述至少一个行为段构造目标行为共现网络；
将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型的构建包括：获取样本序列，以所述样本序列构造样本行为段，根据所述样本行为段构造样本共现网络，基于图池化Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络，其中，所述向量化的样本共现网络中的每个节点具有对应的嵌入向量，在预设神经网络后接入全连接层，得到初始图神经网络，以每个节点对应的嵌入向量作为输入数据训练所述初始图神经网络，直至所述初始图神经网络的准确率达到预设阈值，停止训练，得到所述行为预测模型，所述图池化处理是指将不规则的图结构表示为一个定长的嵌入编码。
2.如权利要求1所述的基于行为共现网络的行为预测方法，其特征在于，所述获取所述目标用户的行为信息包括：
解析所述行为预测指令的方法体，得到所述行为预测指令的携带信息；
获取预设标签，以所述预设标签在所述携带信息中进行匹配，得到匹配的数据；
将所述匹配的数据确定为目标对象；
获取在所述目标对象上产生的所有行为数据；
将所述所有行为数据中与所述目标用户对应的数据确定为所述行为信息。
3.如权利要求1所述的基于行为共现网络的行为预测方法，其特征在于，所述根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段包括：
根据每个行为的发生时间的连续性，以所述目标用户的行为构建行为序列；
计算所述行为序列中相邻行为的发生时间的时间差；
获取时间差阈值；
将时间差小于或者等于所述时间差阈值的行为划分为一类；
将每类中所包含的行为确定为一个行为段，并整合所有行为段，得到所述至少一个行为段。
4.如权利要求1所述的基于行为共现网络的行为预测方法，其特征在于，所述基于所述至少一个行为段构造目标行为共现网络包括：
获取每个行为段中的行为；
将每个行为段中的行为进行两两连接，得到与每个行为段对应的关系网络；
连接每个关系网络，得到所述目标行为共现网络。
5.如权利要求1所述的基于行为共现网络的行为预测方法，其特征在于，所述方法还包括：
保存所述行为预测模型至区块链。
6.如权利要求1所述的基于行为共现网络的行为预测方法，其特征在于，当所述GraphPooling采用全局节点时，所述基于图池化Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络包括：
对每个节点进行预设层的图卷积运算，得到每个节点的关系向量；
根据每个节点的关系向量构建第一网络；
获取预先配置的全局节点；
连接所述第一网络与所述全局节点，得到第二网络；
对所述第二网络进行图卷积运算，得到所述向量化的样本共现网络。
7.如权利要求1所述的基于行为共现网络的行为预测方法，其特征在于，所述基于行为共现网络的行为预测方法还包括：
获取指定时间段内与所述预测结果对应的所有行为；
确定所述所有行为中每个行为关于所述预测结果的出现频率；
获取出现频率最高的行为作为目标行为；
建立所述目标行为与所述预测结果的对应关系，并保存所述对应关系至区块链。
8.一种基于行为共现网络的行为预测装置，其特征在于，所述基于行为共现网络的行为预测装置包括：
获取单元，用于当接收到对目标用户的行为预测指令时，获取所述目标用户的行为信息；
所述获取单元，还用于从所述行为信息中获取所述目标用户的行为及每个行为的发生时间；
划分单元，用于根据每个行为的发生时间将所述目标用户的行为划分为至少一个行为段；
构造单元，用于基于所述至少一个行为段构造目标行为共现网络；
输入单元，用于将所述目标行为共现网络输入至预先构建的行为预测模型中，输出预测结果，其中，所述行为预测模型的构建包括：获取样本序列，以所述样本序列构造样本行为段，根据所述样本行为段构造样本共现网络，基于图池化Graph Pooling对所述样本共现网络进行图池化处理，得到向量化的样本共现网络，其中，所述向量化的样本共现网络中的每个节点具有对应的嵌入向量，在预设神经网络后接入全连接层，得到初始图神经网络，以每个节点对应的嵌入向量作为输入数据训练所述初始图神经网络，直至所述初始图神经网络的准确率达到预设阈值，停止训练，得到所述行为预测模型，所述图池化处理是指将不规则的图结构表示为一个定长的嵌入编码。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于行为共现网络的行为预测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于行为共现网络的行为预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798029.4A CN111950707B (zh) | 2020-08-10 | 2020-08-10 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798029.4A CN111950707B (zh) | 2020-08-10 | 2020-08-10 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950707A CN111950707A (zh) | 2020-11-17 |
| CN111950707B true CN111950707B (zh) | 2024-05-03 |
Family
ID=73332025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010798029.4A Active CN111950707B (zh) | 2020-08-10 | 2020-08-10 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950707B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288195B (zh) * | 2020-11-24 | 2021-08-31 | 北京智谱华章科技有限公司 | 基于好友行为预测中心用户行为的方法、装置和电子设备 |
| CN112651782B (zh) * | 2020-12-30 | 2023-07-18 | 中国平安人寿保险股份有限公司 | 基于缩放点积注意力的行为预测方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547866A (zh) * | 2016-10-24 | 2017-03-29 | 西安邮电大学 | 一种基于情感词随机共现网络的细粒度情感分类方法 |
| JP2019215483A (ja) * | 2018-06-14 | 2019-12-19 | Ｚホールディングス株式会社 | 学習装置、学習方法および学習プログラム |
| CN110619423A (zh) * | 2019-08-06 | 2019-12-27 | 平安科技（深圳）有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
| CN110659742A (zh) * | 2019-09-10 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 获取用户行为序列的序列表示向量的方法和装置 |
| CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
| CN111160436A (zh) * | 2019-12-20 | 2020-05-15 | 上海交通大学 | 旋转等变的图卷积神经网络的球形图像分类方法及系统 |
-
2020
- 2020-08-10 CN CN202010798029.4A patent/CN111950707B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547866A (zh) * | 2016-10-24 | 2017-03-29 | 西安邮电大学 | 一种基于情感词随机共现网络的细粒度情感分类方法 |
| JP2019215483A (ja) * | 2018-06-14 | 2019-12-19 | Ｚホールディングス株式会社 | 学習装置、学習方法および学習プログラム |
| CN110619423A (zh) * | 2019-08-06 | 2019-12-27 | 平安科技（深圳）有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
| CN110659742A (zh) * | 2019-09-10 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 获取用户行为序列的序列表示向量的方法和装置 |
| CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
| CN111160436A (zh) * | 2019-12-20 | 2020-05-15 | 上海交通大学 | 旋转等变的图卷积神经网络的球形图像分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950707A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
| CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
| CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
| CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
| CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
| CN111985545B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
| CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
| CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 | |
| CN112101191A (zh) | 基于边框注意力网络的表情识别方法、装置、设备及介质 | |
| CN114816371B (zh) | 消息处理方法、装置、设备及介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| CN115913763A (zh) | 流量异常检测方法、装置、设备及介质 | |
| CN112330080B (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
| CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
| CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
| CN114185776A (zh) | 应用程序的大数据埋点方法、装置、设备及介质 | |
| CN113204962A (zh) | 基于图扩展结构的词义消歧方法、装置、设备及介质 | |
| CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 |
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 |