CN112000863A - 用户行为数据的分析方法、装置、设备和介质 - Google Patents
用户行为数据的分析方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112000863A CN112000863A CN202010820023.2A CN202010820023A CN112000863A CN 112000863 A CN112000863 A CN 112000863A CN 202010820023 A CN202010820023 A CN 202010820023A CN 112000863 A CN112000863 A CN 112000863A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- continuous
- sequence
- behavior pattern
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007405 data analysis Methods 0.000 title description 6
- 230000006399 behavior Effects 0.000 claims abstract description 325
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000009471 action Effects 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/903—Querying
- G06F16/90335—Query processing
Abstract
本申请公开了一种用户行为数据的分析方法、装置、设备和介质,涉及大数据、用户模型和智能推荐技术。具体实现方案为:获取用户的连续行为序列;从所述连续行为序列中提取用户的至少一种行为模式,并根据所述至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合;依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。本申请实施例在用户行为数据的基础上,通过对用户行为模式的提取,从更细粒度的微观角度对用户行为进行分析,更好地了解用户对产品的使用行为。
Description
技术领域
本申请涉及互联网领域,尤其涉及一种大数据技术,具体涉及一种用户行为数据的分析方法、装置、设备和介质。
背景技术
近年来,越来越多的互联网产品开始使用数据分析技术来驱动产品的发展,通过采集用户使用产品的日志行为,从产品宏观视角来衡量用户的活跃度及真实使用情况,例如,产品DAU(每日活跃用户数)、人均使用时长(反馈产品依赖程度)和点击率(反映搜索或推荐类产品准确性)等。通过快速发现特定产品指标的变化趋势,进而针对特定用户去制定相应的增长策略,提升产品指标。
然而,现有技术中的分析方法过于宏观,只能从宏观层面来把握和分析用户的群体表现,而且只能发现问题,无法实现进一步的分析。
发明内容
本申请提供一种用户行为数据的分析方法、装置、设备和介质,以从更细粒度的微观角度对用户行为进行分析,更好地了解用户对产品的使用行为。
第一方面,本申请提供了一种用户行为数据的分析方法,包括:
获取用户的连续行为序列;
从所述连续行为序列中提取用户的至少一种行为模式,并根据所述至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合;
依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。
第二方面,本申请还提供了一种用户行为数据的分析装置,包括:
数据获取模块,用于获取用户的连续行为序列;
行为模式提取模块,用于从所述连续行为序列中提取用户的至少一种行为模式,并根据所述至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合;
聚类模块,用于依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。
第三方面,本申请还提供了一种电子设备,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本申请任意实施例所述的用户行为数据的分析方法。
第四方面,本申请还提供了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本申请任意实施例所述的用户行为数据的分析方法。
根据本申请的技术方案,在用户行为数据的基础上,通过对用户行为模式的提取,实现从更细粒度的微观角度对用户行为进行分析,并通过聚类,得到不同行为模式的群体,使得可以更好地了解用户对产品的使用行为,帮助进行更好的问题归因和产品设计。
应当理解,本部分所描述的内容并非旨在标识本申请的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解,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。
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是根据本申请实施例的用户行为数据的分析方法的流程示意图;
图2是根据本申请实施例的用户行为数据的分析方法的流程示意图;
图3a是根据本申请实施例的提取行为模式的示意图;
图3b是根据本申请实施例的行为模式序列的示意图;
图3c是根据本申请实施例的层次聚类结果的示意图;
图4是根据本申请实施例的用户行为数据的分析装置的结构示意图;
图5是用来实现本申请实施例的用户行为数据的分析方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例的用户行为数据的分析方法的流程示意图,本实施例可适用于对用户在客户端的产品使用行为进行分析的情况,至少涉及大数据、用户模型和智能推荐等技术。该方法可由一种用户行为数据的分析装置来执行,该装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如服务器或计算机设备等。如图1所示,该方法具体包括如下:
S101、获取用户的连续行为序列。
其中,连续行为序列为用户在客户端使用任意产品的一系列连续的行为构成的序列,包括用户针对哪些资源做出了哪种操作等行为。例如,Feed浏览、Feed下滑和Feed分发点击等一系列的操作,即可构成连续行为序列。连续行为序列能够进行用户现场还原,表示出用户是如何打开和使用产品的完整操作行为。本申请实施例中,可以是获取用户历史一段时间内的行为,例如一个月或三个月等。
S102、从连续行为序列中提取用户的至少一种行为模式,并根据至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合。
连续行为序列是用户对产品使用过程的现场还原,而不同的用户千差万别,其对产品使用的连续行为序列也各不相同,无法进行深层次的分析。因此,本申请实施例中,将连续行为序列中至少两个连续行为的组合作为行为模式,例如,每连续三个或四个行为的组合作为一种行为模式。也即,以连续行为序列为基础,从中进行行为模式的提取,将提取出来的行为模式作为一种行为特征,从而形成每个用户的特定行为模式的分布,该分布也可以看作是用户使用产品的“指纹”,继而通过对“指纹”信息的进一步统计分析,实现从更细粒度的微观角度对用户行为进行分析的目的。
其中,行为模式序列可以是能够体现出用户行为模式的分布的任意一种形式,例如每种行为模式的次数,或者每种行为模式的次数在全部行为模式总数中的占比等,本申请实施例对此不作任何限定。那么,由不同行为模式的名称及其次数或占比,即可构成行为模式序列。
S103、依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。
不同的用户可以具有相同的行为模式,也可以具有不同的行为模式。行为模式序列可以体现出用户行为模式的分布,那么,依据每个用户的行为模式序列对用户进行聚类,就可以得到多个不同行为模式的用户集合。在同一个集合中,用户之间使用产品的行为模式相同或相似,而不同的集合之间则不相同也不相似。
通过对不同用户集合的分析,可以更好地了解用户在产品使用方式上的差别,可以更深入地理解用户的使用模式,可以帮助找到异常使用的用户群体,还可以根据特定用户群体进行产品设计或者提升体验增长的策略。例如,在智能推荐场景下,对小视频重度用户可以主推小视频;对列表页图集交互用户,则可以主推图集丰富的列表页。总之,在了解了用户在产品使用上的差别之后,就可以有针对性地对不同的用户采取不同的推荐策略,从而提高智能推荐的效率。
本申请实施例的技术方案,在用户行为数据的基础上,通过对用户行为模式的提取,实现从更细粒度的微观角度对用户行为进行分析,并通过聚类,得到不同行为模式的群体,使得可以更好地了解用户对产品的使用行为,帮助进行更好的问题归因和产品设计,而且实现起来效率高,且成本低。
图2是根据本申请实施例的用户行为数据的分析方法的流程示意图,本实施例在上述实施例的基础上进一步进行优化。如图2所示,该方法具体包括如下:
S201、从客户端获取用户的连续操作数据。
具体的,可以预先在产品客户端引入特定的数据采集SDK,通过SDK采集用户在客户端的操作行为。数据采集SDK对用户的特定行为完成在客户端打点,例如用户向下滑动浏览新闻,会记录“列表页滑动”的操作;用户点击一个结果,会记录为“列表页点击”的操作;用户在一个落地页浏览评论或者发表评论,会记录为“评论浏览”或“评论发表”的操作。客户端采集到用户使用产品的连续操作数据后,可以定时将数据回传到服务器。
S202、从服务器日志中获取与连续操作数据中每个操作对应的下发资源数据。
为了节约客户端资源,客户端获取到的连续操作数据中通常只包括用户对产品展示的资源进行操作的基本信息,不包括这些资源信息,而服务器存储有其向客户端下发的所有资源数据。因此,通过对服务器自身日志进行打点,获取服务器向客户端下发资源的详细信息,然后与用户的操作数据进行匹配,就可以获取到其中每个操作对应的下发资源数据,从而得到完整的行为数据,例如可以包括用户唯一标识、操作名称、操作发生的时间戳以及操作所针对的具体资源等信息。
S203、根据下发资源数据和预设的行为与业务映射关系表,将连续操作数据中的每个操作映射为与业务相关的行为,得到连续行为序列。
其中,行为与业务映射关系表,是由分析人员根据分析目标和业务理解提前定义,例如,同样是点击操作,需要将在搜索产品下的点击操作映射为“搜索点击”,而将信息流Feed产品的点击操作映射为“Feed分发点击”,以此类推。而下发资源数据与业务相关,因此,根据每个操作对应的下发资源数据,就可以确定当前操作具体对应的是行为与业务映射关系表中的哪一种行为,继而得到连续行为序列,为接下来更细粒度地分析用户行为、完成分析目标提供数据基础。
S204、将预设宽度的滑动窗口在连续行为序列上按照设定步长滑动,其中,预设宽度至少包括两个连续行为。
S205、根据滑动窗口每次滑动所对应的连续行为的组合,提取用户的至少一种行为模式。
具体的,用户的连续行为序列是按照用户使用产品的操作顺序确定的序列,利用滑动窗口在该连续行为序列上进行滑动,每次滑动所对应的窗口下的行为的组合即可构成一种行为模式。如图3a所示,示例性的,连续行为序列中包括动作1、动作2、动作1、动作3、动作4,假设滑动窗口的宽度为三个连续行为,并且滑动的步长为一个行为,那么,动作1、动作2和动作1构成行为模式A,动作2、动作1和动作3构成行为模式B,动作1、动作3和动作4构成行为模式C,以此类推。如此,滑动窗口按步长滑动,直到所有的行为的组合均转化为行为模式,即可确定出多个行为模式。
此外,在滑动窗口滑动的过程中,不同窗口下对应的行为的组合可能相同,也可能不同,而在本申请的一种实施方式中,在确定两个行为的组合是否属于同一种行为模式时,不仅考虑行为的组合是否相同,还可以考虑相邻行为的间隔时间。
具体的,为防止行为模式的数量过大而影响后续聚类的效果,可以根据业务需要,将间隔时间离散化处理,例如,将间隔1-20秒划分为一个区间,20-60秒划分为一个区间等。那么,除了滑动窗口下的行为组合相同之外,还需要满足相邻行为的间隔时间都在一个区间内,才能确定两个行为的组合是否属于相同的行为模式。也即,根据滑动窗口每次滑动所对应的连续行为的组合,提取用户的至少一种行为模式,包括:根据滑动窗口每次滑动所对应的连续行为的组合,以及组合中所有相邻行为的间隔时间,提取用户的至少一种行为模式。
其中,任意两个相同的行为模式中,包括相同的连续行为的组合,并且相同的相邻行为的间隔时间不超出与该相邻行为对应的预设时间区间。例如,如果两个窗口下对应的行为的组合均为:Feed浏览、Feed下滑、Feed分发点击,第一组和第二组中,Feed浏览和Feed下滑两个动作之间的时间间隔分别为12秒和18秒,Feed下滑和Feed分发点击两个动作之间的时间间隔分别为30秒和55秒,那么根据预设时间区间,Feed浏览和Feed下滑这两种行为的预设时间区间为【1,20】,Feed下滑和Feed分发点击这两种行为的预设时间区间为【20,60】,由于12秒和18秒落入了【1,20】区间,30秒和55秒落入了【20,60】区间,因此,可以确定这两组动作的组合属于同一种行为模式。反之,如果有任意一对相邻行为的间隔时间没有落入同一个时间区间,则确定这两组动作的组合不属于同一种行为模式。
S206、根据至少一种行为模式确定用户的行为模式序列。
本申请实施例中,从大量的用户数据中提取的行为模式,可以在模式表中进行存储。而且可以随时对模式表进行更新。模式表中可以记载不同行为模式的唯一标识,那么在每个用户的行为模式序列中,则可以直接用该唯一标识进行记录。
具体的,在确定行为模式序列的过程中,可以根据每种行为模式的唯一标识和每种行为模式出现的次数来确定;或者根据每种行为模式的唯一标识,和每种行为模式出现的次数在全部行为模式总数中的占比来确定。
每种行为模式发生的次数,以及全部行为模式的总数可以是根据历史数据中确定的行为模式经统计计算出来。示例性的,如图3b所示,为不同用户的行为模式序列的示意图,其中,对于用户Ⅰ,模式A占50%,模式B占20%,模式C占30%,对于用户Ⅱ,模式A占10%,模式B占90%,对于用户Ⅲ,模式B占60%,模式C占40%。
可见,不同用户的行为模式序列中,能够体现出其所产生的行为模式的种类,以及每种行为模式的发生次数或者在总数中的占比,从而,通过不同用户的行为模式序列,可以体现出用户行为模式的分布,可以看到不同用户在完整使用产品的行为中,其使用方式存在的较大差异。例如,如果有用户的行为模式序列中占较高比例的行为模式是“列表页滑动-列表页滑动-列表页滑动”,则表明用户在使用Feed流产品中偏重广度浏览,仅仅在资源的列表页进行快速的掠过,很少发生点击;而如果有些用户的行为模式序列中占较高比例的行为模式是“落地页浏览-落地页点击-落地页点击”,则表明该用户倾向于深度优先,在发现感兴趣的资源并点击后,在落地页进行沉浸式的体验,仔细浏览落地页资源并大量点击相关推荐的资源。总之,不同用户的使用方式都可以通过分析用户的行为模式序列得出。
S207、依据每个用户的行为模式序列,按照层次聚类算法对用户进行聚类,得到不同层次的多个不同行为模式的用户集合。
行为模式序列能够表征用户使用产品的不同行为模式,因此,按照行为模式序列对用户进行聚类,即可将用户按照其使用产品的不同行为模式进行划分,相同集合内的用户的使用行为具有相同或相似的特征,不同集合之间的用户的使用行为特征差别较大,继而可以获取到不同行为模式的用户群体,以便对每个群体进行更深度的分析,并根据特定用户群体进行产品设计或者提升体验增长的策略。
优选的,可以按照层次聚类算法进行聚类,得到不同层次的聚类结果。那么,根据层次聚类结果,逐步按照层次下探,即可更加详细、更细粒度地分析用户群体的行为模式。
S208、将用户集合进行可视化展示。
将聚类的结果进行可视化展示,可以供分析人员更好地对各个用户群体进行分析。当采用层次聚类算法时,图3c示出了一种示例性的层次聚类结果示意图。如图3c所示,每一个圆圈则表示一个用户群体,圆圈的大小表示不同层次的群体,最大的圆圈位于最底层,用户数量也最多,最小的圆圈位于最顶层,用户数量最少。通过不同层次的聚类结果,可以直观的进行从最上层到最下层的分析,每一层可以输出该层级的典型行为模式,方便分析人员进行归纳和总结。例如,图中经过分析可知,在这些群体中,有FEED浏览型用户,也有第三方行为用户,或者列表页图集交互用户等不同行为模式的用户群体,可以在图中将这些群体的行为特征进行标注。由此,通过层层下钻,可以从粗到细的更详细的理解用户群体,甚至还可以直接下探到类别下具体用户的行为Session,以便更好地洞察用户。
通过聚类效果的直观呈现,首先,可以从整体理解用户使用产品的行为模式。其次,可以确定各类行为模式群体的规模大小,结合用户画像及用户Tag进行分析,可以对该类群体进行更好的描述,进而设计出能够更好提升用户体验的产品或算法。再次,通过分析一些不符合常理的子类,可以得到异常群体,这类群体通常非产品典型用户,通常为一些作弊用户,例如,通过大量行为点击来获利等,或者呈现出一些产品问题,例如,在某个页面操作突然闪退导致退出等行为。
本申请实施例的技术方案,在用户行为数据的基础上,通过对用户行为模式的提取,实现用户的产品使用细节行为的适度抽象,可以较好的把握具体用户使用产品过程中的行为模式,从更全局视角、更全面地把握用户的使用情况。与现有技术中通过人工观测Session的方式相比,极大的提升了分析的效率,并保证结论更加无偏。而且,与现有技术中的宏观指标导向分析相比,本申请则能够更好的从较细节粒度去洞察用户的产品使用模式,以进行更好的问题归因及产品设计。通过层次聚类,本申请还可以提供从上往下逐步深入的分析体系,可以利用在更多需要进行用户群体特征归纳和理解的场景下,例如异常发现、作弊用户识别和指导产品设计等。
图4是根据本申请实施例的用户行为数据的分析装置的结构示意图,本实施例可适用于的情况。该装置可实现本申请任意实施例所述的用户行为数据的分析方法。如图4所示,该装置400具体包括:
数据获取模块401,用于获取用户的连续行为序列;
行为模式提取模块402,用于从所述连续行为序列中提取用户的至少一种行为模式,并根据所述至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合;
聚类模块403,用于依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。
可选的,所述行为模式提取模块包括提取单元,具体用于:
将预设宽度的滑动窗口在所述连续行为序列上按照设定步长滑动,其中,所述预设宽度至少包括两个连续行为;
根据所述滑动窗口每次滑动所对应的连续行为的组合,提取用户的至少一种行为模式。
可选的,所述提取单元具体还用于:
根据所述滑动窗口每次滑动所对应的连续行为的组合,以及所述组合中所有相邻行为的间隔时间,提取用户的至少一种行为模式。
可选的,任意两个相同的行为模式中,包括相同的连续行为的组合,并且相同的相邻行为的间隔时间不超出与该相邻行为对应的预设时间区间。
可选的,所述行为模式提取模块还包括行为模式序列确定单元,具体用于:
根据每种行为模式的唯一标识和每种行为模式出现的次数确定所述行为模式序列;或者
根据每种行为模式的唯一标识,和每种行为模式出现的次数在全部行为模式总数中的占比,确定所述行为模式序列。
可选的,所述数据获取模块包括:
第一获取单元,用于从客户端获取用户的连续操作数据;
第二获取单元,从服务器日志中获取与所述连续操作数据中每个操作对应的下发资源数据;
映射单元,用于根据所述下发资源数据和预设的行为与业务映射关系表,将所述连续操作数据中的每个操作映射为与业务相关的行为,得到所述连续行为序列。
可选的,所述聚类模块具体用于:
依据每个用户的行为模式序列,按照层次聚类算法对用户进行聚类,得到不同层次的多个不同行为模式的用户集合。
可选的,所述装置还包括:
展示模块,用于在所述聚类模块得到多个不同行为模式的用户集合之后,将所述用户集合进行可视化展示。
本申请实施例提供的用户行为数据的分析装置400可执行本申请任意实施例提供的用户行为数据的分析方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
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5所示,是根据本申请实施例的用户行为数据的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5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速0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5中以一个处理器501为例。
存储器502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行为数据的分析方法。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行为数据的分析方法。
存储器502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行为数据的分析方法对应的程序指令/模块(例如,附图4所示的数据获取模块401、行为模式提取模块402和聚类模块403)。处理器501通过运行存储在存储器502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行为数据的分析方法。
存储器502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实现本申请实施例的用户行为数据的分析方法的电子设备的使用所创建的数据等。此外,存储器502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502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至实现本申请实施例的用户行为数据的分析方法的电子设备。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。
实现本申请实施例的用户行为数据的分析方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与实现本申请实施例的用户行为数据的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504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)、互联网和区块链网络。
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。
根据本申请实施例的技术方案,在用户行为数据的基础上,通过对用户行为模式的提取,实现从更细粒度的微观角度对用户行为进行分析,并通过聚类,得到不同行为模式的群体,使得可以更好地了解用户对产品的使用行为,帮助进行更好的问题归因和产品设计。
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 (18)
1.一种用户行为数据的分析方法,包括:
获取用户的连续行为序列;
从所述连续行为序列中提取用户的至少一种行为模式,并根据所述至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合;
依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。
2.根据权利要求1所述的方法,其中,所述从所述连续行为序列中提取用户的至少一种行为模式,包括:
将预设宽度的滑动窗口在所述连续行为序列上按照设定步长滑动,其中,所述预设宽度至少包括两个连续行为;
根据所述滑动窗口每次滑动所对应的连续行为的组合,提取用户的至少一种行为模式。
3.根据权利要求2所述的方法,其中,所述根据所述滑动窗口每次滑动所对应的连续行为的组合,提取用户的至少一种行为模式,包括:
根据所述滑动窗口每次滑动所对应的连续行为的组合,以及所述组合中所有相邻行为的间隔时间,提取用户的至少一种行为模式。
4.根据权利要求3所述的方法,其中,任意两个相同的行为模式中,包括相同的连续行为的组合,并且相同的相邻行为的间隔时间不超出与该相邻行为对应的预设时间区间。
5.根据权利要求1所述的方法,其中,所述根据所述至少一种行为模式确定用户的行为模式序列,包括:
根据每种行为模式的唯一标识和每种行为模式出现的次数确定所述行为模式序列;或者
根据每种行为模式的唯一标识,和每种行为模式出现的次数在全部行为模式总数中的占比,确定所述行为模式序列。
6.根据权利要求1所述的方法,其中,所述获取用户的连续行为序列,包括:
从客户端获取用户的连续操作数据;
从服务器日志中获取与所述连续操作数据中每个操作对应的下发资源数据;
根据所述下发资源数据和预设的行为与业务映射关系表,将所述连续操作数据中的每个操作映射为与业务相关的行为,得到所述连续行为序列。
7.根据权利要求1所述的方法,其中,所述依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合,包括:
依据每个用户的行为模式序列,按照层次聚类算法对用户进行聚类,得到不同层次的多个不同行为模式的用户集合。
8.根据权利要求1所述的方法,在所述得到多个不同行为模式的用户集合之后,所述方法还包括:
将所述用户集合进行可视化展示。
9.一种用户行为数据的分析装置,包括:
数据获取模块,用于获取用户的连续行为序列;
行为模式提取模块,用于从所述连续行为序列中提取用户的至少一种行为模式,并根据所述至少一种行为模式确定用户的行为模式序列,其中,所述行为模式中包括至少两个连续行为的组合;
聚类模块,用于依据每个用户的行为模式序列对用户进行聚类,得到多个不同行为模式的用户集合。
10.根据权利要求9所述的装置,其中,所述行为模式提取模块包括提取单元,具体用于:
将预设宽度的滑动窗口在所述连续行为序列上按照设定步长滑动,其中,所述预设宽度至少包括两个连续行为;
根据所述滑动窗口每次滑动所对应的连续行为的组合,提取用户的至少一种行为模式。
11.根据权利要求10所述的装置,其中,所述提取单元具体还用于:
根据所述滑动窗口每次滑动所对应的连续行为的组合,以及所述组合中所有相邻行为的间隔时间,提取用户的至少一种行为模式。
12.根据权利要求11所述的装置,其中,任意两个相同的行为模式中,包括相同的连续行为的组合,并且相同的相邻行为的间隔时间不超出与该相邻行为对应的预设时间区间。
13.根据权利要求9所述的装置,其中,所述行为模式提取模块还包括行为模式序列确定单元,具体用于:
根据每种行为模式的唯一标识和每种行为模式出现的次数确定所述行为模式序列;或者
根据每种行为模式的唯一标识,和每种行为模式出现的次数在全部行为模式总数中的占比,确定所述行为模式序列。
14.根据权利要求9所述的装置,其中,所述数据获取模块包括:
第一获取单元,用于从客户端获取用户的连续操作数据;
第二获取单元,从服务器日志中获取与所述连续操作数据中每个操作对应的下发资源数据;
映射单元,用于根据所述下发资源数据和预设的行为与业务映射关系表,将所述连续操作数据中的每个操作映射为与业务相关的行为,得到所述连续行为序列。
15.根据权利要求9所述的装置,其中,所述聚类模块具体用于:
依据每个用户的行为模式序列,按照层次聚类算法对用户进行聚类,得到不同层次的多个不同行为模式的用户集合。
16.根据权利要求9所述的装置,还包括:
展示模块,用于在所述聚类模块得到多个不同行为模式的用户集合之后,将所述用户集合进行可视化展示。
17.一种电子设备,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权利要求1-8中任一项所述的用户行为数据的分析方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的用户行为数据的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820023.2A CN112000863B (zh) | 2020-08-14 | 2020-08-14 | 用户行为数据的分析方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820023.2A CN112000863B (zh) | 2020-08-14 | 2020-08-14 | 用户行为数据的分析方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000863A true CN112000863A (zh) | 2020-11-27 |
CN112000863B CN112000863B (zh) | 2024-04-09 |
Family
ID=73473218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820023.2A Active CN112000863B (zh) | 2020-08-14 | 2020-08-14 | 用户行为数据的分析方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000863B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669096A (zh) * | 2021-03-16 | 2021-04-16 | 蚂蚁智信(杭州)信息技术有限公司 | 对象推荐模型训练方法以及装置 |
CN114140031A (zh) * | 2022-01-28 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 对用户行为进行归因分析的方法和装置 |
CN115204322A (zh) * | 2022-09-16 | 2022-10-18 | 成都新希望金融信息有限公司 | 行为链路异常识别方法和装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003083660A1 (en) * | 2002-03-29 | 2003-10-09 | Global Dataguard, Inc. | Adaptive behavioral intrusion detection systems and methods |
JP2005062963A (ja) * | 2003-08-18 | 2005-03-10 | Toshiba Corp | 時系列行動パターンを表示する装置、方法、およびプログラム |
US20090293121A1 (en) * | 2008-05-21 | 2009-11-26 | Bigus Joseph P | Deviation detection of usage patterns of computer resources |
US20120054187A1 (en) * | 2010-08-31 | 2012-03-01 | Apple Inc. | Selection and delivery of invitational content based on prediction of user interest |
KR20130035734A (ko) * | 2011-09-30 | 2013-04-09 | 경희대학교 산학협력단 | 헬스 케어를 위한 그래프 모델 기반 행위 패턴 마이닝 장치 및 방법 |
US20140074614A1 (en) * | 2012-09-12 | 2014-03-13 | Globys, Inc. | Time series-based entity behavior classification |
CN106156026A (zh) * | 2015-03-24 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 一种基于数据流虚拟资产在线异常发现的方法 |
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 |
CN111062416A (zh) * | 2019-11-14 | 2020-04-24 | 支付宝(杭州)信息技术有限公司 | 用户聚类及特征学习方法、设备、计算机可读介质 |
CN111143838A (zh) * | 2019-12-27 | 2020-05-12 | 北京科东电力控制系统有限责任公司 | 数据库用户异常行为检测方法 |
CN111460300A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 网络内容推送方法、装置及存储介质 |
CN111488385A (zh) * | 2020-04-07 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的数据处理方法、装置和计算机设备 |
-
2020
- 2020-08-14 CN CN202010820023.2A patent/CN112000863B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003083660A1 (en) * | 2002-03-29 | 2003-10-09 | Global Dataguard, Inc. | Adaptive behavioral intrusion detection systems and methods |
JP2005062963A (ja) * | 2003-08-18 | 2005-03-10 | Toshiba Corp | 時系列行動パターンを表示する装置、方法、およびプログラム |
US20090293121A1 (en) * | 2008-05-21 | 2009-11-26 | Bigus Joseph P | Deviation detection of usage patterns of computer resources |
US20120054187A1 (en) * | 2010-08-31 | 2012-03-01 | Apple Inc. | Selection and delivery of invitational content based on prediction of user interest |
KR20130035734A (ko) * | 2011-09-30 | 2013-04-09 | 경희대학교 산학협력단 | 헬스 케어를 위한 그래프 모델 기반 행위 패턴 마이닝 장치 및 방법 |
US20140074614A1 (en) * | 2012-09-12 | 2014-03-13 | Globys, Inc. | Time series-based entity behavior classification |
CN106156026A (zh) * | 2015-03-24 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 一种基于数据流虚拟资产在线异常发现的方法 |
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 |
CN111062416A (zh) * | 2019-11-14 | 2020-04-24 | 支付宝(杭州)信息技术有限公司 | 用户聚类及特征学习方法、设备、计算机可读介质 |
CN111143838A (zh) * | 2019-12-27 | 2020-05-12 | 北京科东电力控制系统有限责任公司 | 数据库用户异常行为检测方法 |
CN111460300A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 网络内容推送方法、装置及存储介质 |
CN111488385A (zh) * | 2020-04-07 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的数据处理方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
K.TANIDA ET AL: "A hierarchical model of operational anticipation Windows in driving an auto mobile", 《COGNITIVE PROCESSING》, vol. 7, 19 September 2006 (2006-09-19) * |
夏会: "基于用户行为模式特征的时间序列异常检测", 《中国知网硕士学位论文电子期刊》, 15 June 2018 (2018-06-15) * |
车高营;张磊;张禄旭;: "基于序列模式的用户浏览行为提取与分析", 计算机技术与发展, no. 09, 10 September 2012 (2012-09-10) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669096A (zh) * | 2021-03-16 | 2021-04-16 | 蚂蚁智信(杭州)信息技术有限公司 | 对象推荐模型训练方法以及装置 |
CN114140031A (zh) * | 2022-01-28 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 对用户行为进行归因分析的方法和装置 |
CN115204322A (zh) * | 2022-09-16 | 2022-10-18 | 成都新希望金融信息有限公司 | 行为链路异常识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112000863B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11733829B2 (en) | Monitoring tree with performance states | |
US10205643B2 (en) | Systems and methods for monitoring and analyzing performance in a computer system with severity-state sorting | |
US10515469B2 (en) | Proactive monitoring tree providing pinned performance information associated with a selected node | |
US10469344B2 (en) | Systems and methods for monitoring and analyzing performance in a computer system with state distribution ring | |
CN112000863B (zh) | 用户行为数据的分析方法、装置、设备和介质 | |
CN110851706A (zh) | 用户点击模型的训练方法、装置、电子设备及存储介质 | |
CN111460289A (zh) | 新闻资讯的推送方法和装置 | |
CN112052397B (zh) | 用户特征生成方法、装置、电子设备及存储介质 | |
CN112818230A (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
US20220365861A1 (en) | Automated actions based on ranked work events | |
CN111310044B (zh) | 页面元素信息的提取方法、装置、设备和存储介质 | |
CN113590914A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN112101012A (zh) | 互动领域确定方法、装置、电子设备及存储介质 | |
CN113220982A (zh) | 广告搜索方法、装置、电子设备和介质 | |
CN111523036B (zh) | 一种搜索行为挖掘方法、装置和电子设备 | |
CN112446728A (zh) | 广告召回方法、装置、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 |