CN112035749A - 用户行为特征分析方法、推荐方法及相应装置 - Google Patents

用户行为特征分析方法、推荐方法及相应装置 Download PDF

Info

Publication number
CN112035749A
CN112035749A CN202010926560.5A CN202010926560A CN112035749A CN 112035749 A CN112035749 A CN 112035749A CN 202010926560 A CN202010926560 A CN 202010926560A CN 112035749 A CN112035749 A CN 112035749A
Authority
CN
China
Prior art keywords
user
behavior
target
user behavior
behaviors
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
Application number
CN202010926560.5A
Other languages
English (en)
Inventor
秦若凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seashell Housing Beijing Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN202010926560.5A priority Critical patent/CN112035749A/zh
Publication of CN112035749A publication Critical patent/CN112035749A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G06Q30/0256—User search
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例公开了一种用户行为特征分析方法、推荐方法及相应装置。该方法包括：获取N个参考用户对应的N个用户数据；每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据；根据N个用户数据，确定每种用户行为的行为权重和对目标事件的转化率；根据每种用户行为的行为权重和对目标事件的转化率，确定每种用户行为触发目标事件的归因权重，得到M种用户行为对应的M个归因权重，以便根据M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为目标用户进行物体推荐。本公开的实施例能够较好地保证物体推荐效果，从而满足实际需求。

Description

用户行为特征分析方法、推荐方法及相应装置
技术领域
本公开涉及信息处理技术领域，尤其涉及一种用户行为特征分析方法、推荐方法及相应装置。
背景技术
在许多情况下，需要为用户进行物体推荐，例如给用户推荐房源。一般而言，为了保证推荐效果，会先确定用户在房源属性上的用户属性评估值(其可以用于表征用户对两居室、高楼层等房源属性的喜好程度)，然后再针对性地进行房源推荐。现有技术中通常由房产经纪人根据个人经验，确定用户在房源属性上的用户属性评估值，确定结果的准确性较差，这样会导致房源推荐效果较差，难以满足实际需求。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种用户行为特征分析方法、推荐方法及相应装置。
根据本公开实施例的一个方面，提供了一种用户行为特征分析方法，包括：
获取N个参考用户对应的N个用户数据；其中，每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据，N和M均是大于1的整数；
根据所述N个用户数据，确定每种用户行为的行为权重和对所述目标事件的转化率；
根据每种用户行为的行为权重和对所述目标事件的转化率，确定每种用户行为触发所述目标事件的归因权重，得到所述M种用户行为对应的M个归因权重，以便根据所述M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为所述目标用户进行物体推荐。
在一个可选示例中，所述根据所述N个用户数据，确定每种用户行为对所述目标事件的转化率，包括：
根据所述N个用户数据中的行为数据和目标事件发生情况数据，获取每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率；其中，任一用户行为对应的目标概率为：发生了本用户行为的参考用户所组成的用户群发生所述目标事件的概率；任一行为组对应的目标概率为：发生了本行为组中的两种用户行为的参考用户所组成的用户群发生所述目标事件的概率；
根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对所述目标事件的转化率。
在一个可选示例中，所述根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对所述目标事件的转化率，包括：
计算包括第一用户行为的M-1个行为组对应的M-1个计算值；其中，所述第一用户行为是所述M种用户行为中的任一用户行为；任一行为组对应的计算值为：本行为组对应的目标概率与本行为组对应的和值的差值；任一行为组对应的和值为：本行为组中的两种用户行为对应的两个目标概率的和值；
计算所述M-1个计算值的平均值；
将所述第一用户行为对应的目标概率与所计算的平均值的和值作为所述第一用户行为对所述目标事件的转化率。
在一个可选示例中，所述根据所述N个用户数据，确定每种用户行为的行为权重，包括：
根据所述N个用户数据中的行为数据，获取每个参考用户发生第二用户行为的实际次数，以及发生了所述第二用户行为的参考用户的总数量；其中，所述第二用户行为是所述M种用户行为中的任一用户行为；
根据每个参考用户发生所述第二用户行为的实际次数，以及所述总数量，确定所述第二用户行为的行为权重。
在一个可选示例中，
所述获取每个参考用户发生第二用户行为的实际次数，包括：
获取每个参考用户在连续K天中的每天发生第二用户行为的实际次数，以得到每个参考用户对应的K个实际次数；其中，K为大于1的整数；
所述根据每个参考用户发生所述第二用户行为的实际次数，以及所述总数量，确定所述第二用户行为的行为权重，包括：
对每个参考用户对应的K个实际次数分别进行时间衰减处理，以得到每个参考用户对应的K个衰减次数；
计算每个参考用户对应的K个衰减次数的次数总和，以得到所述N个参考用户对应的N个次数总和；
计算所述N个次数总和的和值，并将所述总数量与所计算的和值的比值作为所述第二用户行为的行为权重。
在一个可选示例中，所述根据每种用户行为的行为权重和对所述目标事件的转化率，确定每种用户行为触发所述目标事件的归因权重，包括：
计算第三用户行为的行为权重，以及所述第三用户行为对所述目标事件的转化率的乘积；其中，所述第三用户行为是所述M种用户行为中的任一用户行为；
将所计算的乘积映射至预设数值区间，得到相应的映射值，并将所得到的映射值作为所述第三用户行为触发所述目标事件的归因权重。
根据本公开实施例的另一个方面，提供了一种基于用户行为特征的推荐方法，包括：
获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数；其中，M是大于1的整数；
根据所述M种用户行为对应的M个归因权重，以及所述目标用户发生每种用户行为的实际次数，确定所述目标用户在所述目标物体属性上的用户属性评估值；其中，任一用户行为对应的归因权重为本用户行为触发目标事件的归因权重；
根据所述用户属性评估值，为所述目标用户进行物体推荐。
在一个可选示例中，
所述获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数，包括：
获取在目标物体属性上，目标用户在连续T天中的每天发生M种用户行为中的每种用户行为的实际次数；其中，T为大于1的整数；
所述根据所述M种用户行为对应的M个归因权重，以及所述目标用户发生每种用户行为的实际次数，确定所述目标用户在所述目标物体属性上的用户属性评估值，包括：
对为所述目标用户获取的，每种用户行为的T个实际次数分别进行时间衰减处理，以得到每种用户行为对应的T个衰减次数；
计算每种用户行为对应的T个衰减次数的次数总和，以得到所述M种用户行为对应的M个次数总和；
计算所述M种用户行为对应的M个乘积；其中，任一用户行为对应的乘积为：本用户行为对应的次数总和与本用户行为对应的归因权重的乘积；
计算所述M个乘积的总和，并将所计算的总和作为所述目标用户在所述目标物体属性上的用户属性评估值。
根据本公开实施例的再一个方面，提供了一种用户行为特征分析装置，包括：
第一获取模块，用于获取N个参考用户对应的N个用户数据；其中，每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据，N和M均是大于1的整数；
第一确定模块，用于根据所述N个用户数据，确定每种用户行为的行为权重和对所述目标事件的转化率；
处理模块，用于根据每种用户行为的行为权重和对所述目标事件的转化率，确定每种用户行为触发所述目标事件的归因权重，得到所述M种用户行为对应的M个归因权重，以便根据所述M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为所述目标用户进行物体推荐。
在一个可选示例中，所述第一确定模块，包括：
第一获取子模块，用于根据所述N个用户数据中的行为数据和目标事件发生情况数据，获取每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率；其中，任一用户行为对应的目标概率为：发生了本用户行为的参考用户所组成的用户群发生所述目标事件的概率；任一行为组对应的目标概率为：发生了本行为组中的两种用户行为的参考用户所组成的用户群发生所述目标事件的概率；
第一确定子模块，用于根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对所述目标事件的转化率。
在一个可选示例中，所述第一确定子模块，包括：
第一计算单元，用于计算包括第一用户行为的M-1个行为组对应的M-1个计算值；其中，所述第一用户行为是所述M种用户行为中的任一用户行为；任一行为组对应的计算值为：本行为组对应的目标概率与本行为组对应的和值的差值；任一行为组对应的和值为：本行为组中的两种用户行为对应的两个目标概率的和值；
第二计算单元，用于计算所述M-1个计算值的平均值；
第一确定单元，用于将所述第一用户行为对应的目标概率与所计算的平均值的和值作为所述第一用户行为对所述目标事件的转化率。
在一个可选示例中，所述第一确定模块，包括：
第二获取子模块，用于根据所述N个用户数据中的行为数据，获取每个参考用户发生第二用户行为的实际次数，以及发生了所述第二用户行为的参考用户的总数量；其中，所述第二用户行为是所述M种用户行为中的任一用户行为；
第二确定子模块，用于根据每个参考用户发生所述第二用户行为的实际次数，以及所述总数量，确定所述第二用户行为的行为权重。
在一个可选示例中，
所述第二获取子模块，具体用于：
获取每个参考用户在连续K天中的每天发生第二用户行为的实际次数，以得到每个参考用户对应的K个实际次数；其中，K为大于1的整数；
所述第二确定子模块，包括：
第一获取单元，用于对每个参考用户对应的K个实际次数分别进行时间衰减处理，以得到每个参考用户对应的K个衰减次数；
第二获取单元，用于计算每个参考用户对应的K个衰减次数的次数总和，以得到所述N个参考用户对应的N个次数总和；
第二确定单元，用于计算所述N个次数总和的和值，并将所述总数量与所计算的和值的比值作为所述第二用户行为的行为权重。
在一个可选示例中，所述处理模块，包括：
第三计算单元，用于计算第三用户行为的行为权重，以及所述第三用户行为对所述目标事件的转化率的乘积；其中，所述第三用户行为是所述M种用户行为中的任一用户行为；
第三确定单元，用于将所计算的乘积映射至预设数值区间，得到相应的映射值，并将所得到的映射值作为所述第三用户行为触发所述目标事件的归因权重。
根据本公开实施例的又一个方面，提供了一种基于用户行为特征的推荐装置，包括：
第二获取模块，用于获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数；其中，M是大于1的整数；
第二确定模块，用于根据所述M种用户行为对应的M个归因权重，以及所述目标用户发生每种用户行为的实际次数，确定所述目标用户在所述目标物体属性上的用户属性评估值；其中，任一用户行为对应的归因权重为本用户行为触发目标事件的归因权重；
推荐模块，用于根据所述用户属性评估值，为所述目标用户进行物体推荐。
在一个可选示例中，
所述第二获取模块，具体用于：
获取在目标物体属性上，目标用户在连续T天中的每天发生M种用户行为中的每种用户行为的实际次数；其中，T为大于1的整数；
所述第二确定模块，包括：
第三获取子模块，用于对为所述目标用户获取的，每种用户行为的T个实际次数分别进行时间衰减处理，以得到每种用户行为对应的T个衰减次数；
第四获取子模块，用于计算每种用户行为对应的T个衰减次数的次数总和，以得到所述M种用户行为对应的M个次数总和；
计算子模块，用于计算所述M种用户行为对应的M个乘积；其中，任一用户行为对应的乘积为：本用户行为对应的次数总和与本用户行为对应的归因权重的乘积；
第三确定子模块，用于计算所述M个乘积的总和，并将所计算的总和作为所述目标用户在所述目标物体属性上的用户属性评估值。
根据本公开实施例的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述用户行为特征分析方法，或者用于执行上述基于用户行为特征的推荐方法。
根据本公开实施例的又一个方面，提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述用户行为特征分析方法，或者实现上述基于用户行为特征的推荐方法。
本公开的实施例中，可以根据N个参考用户对应的N个用户数据，确定M种用户行为中的每种用户行为的行为权重和对目标事件的转化率，并根据所确定的行为权重和对目标事件的转化率，得到M种用户行为的M个归因权重，并据此进行用户属性分析，以根据属性分析结果，为目标用户进行物体推荐。由于M个归因权重依据由N个用户数据确定的行为权重和对目标事件的转化率得到，而用户数据是与真实用户相关的可信数据，各归因权重的客观性和可靠性能够得到较好地保证，这样，在依据M个归因权重进行用户属性分析时，属性分析结果的准确性和可靠性能够得到有效地保证，相应地，在依据属性分析结果进行物体推荐时，物体推荐效果也能够得到有效地保证。因此，与现有技术相比，本公开的实施例能够较好地保证物体推荐效果，从而满足实际需求。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的用户行为特征分析方法的流程示意图。
图2是M种用户行为的构成示意图。
图3是本公开一示例性实施例提供的基于用户行为特征的推荐方法的流程示意图。
图4是本公开的实施例中的物体推荐的实现原理图。
图5是本公开一示例性实施例提供的用户行为特征分析装置的结构示意图。
图6是本公开一示例性实施例提供的基于用户行为特征的推荐装置的结构示意图。
图7是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本公开一示例性实施例提供的用户行为特征分析方法的流程图。图1所示的方法包括步骤101、步骤102和步骤103，下面对各步骤分别进行说明。
步骤101，获取N个参考用户对应的N个用户数据；其中，每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据，N和M均是大于1的整数。
这里，N的取值可以为50、80、100或者150，M的取值可以为2、3、4或者5，当然，N和M的取值并不局限于此，在此不再一一列举。
需要说明的是，本公开的实施例中均以需要推荐的物体为房源的情况为例进行说明。那么，N个参考用户对应的N个用户数据可以从房企的房产服务平台(或者数据库)中获取，参考用户与用户数据之间可以为一一对应的关系；如图2所示，M种用户行为包括但不限于浏览、搜索、地图找房(其可以用Map表示)、分享、推送、关注、咨询经纪人、即时通讯(Instant Messenger，IM)、400(即电话沟通)、约带看、委托、看房等；目标事件可以包括成交事件，成交事件也可以称为签约事件，签约事件包括但不限于新房购买签约事件、二手房购买签约事件、租房签约事件等。
可选地，任一用户行为的行为数据包括但不限于本用户行为的发生次数、发生时间等。另外，在发生目标事件的情况下，可以用“1”表示对应的目标事件发生情况数据，否则，可以用“0”表示对应的目标事件发生情况数据。
步骤102，根据N个用户数据，确定每种用户行为的行为权重和对目标事件的转化率。
这里，用户行为与行为权重之间可以为一一对应的关系，任一用户行为的行为权重可以用于表征：本用户行为的普及度。
这里，用户行为与对目标事件的转化率之间可以为一一对应的关系，任一用户行为对目标事件的转化率可以用于表征：本用户行为发生的情况下，发生目标事件(例如成交事件)的几率。
步骤103，根据每种用户行为的行为权重和对目标事件的转化率，确定每种用户行为触发目标事件的归因权重，得到M种用户行为对应的M个归因权重，以便根据M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为目标用户进行物体推荐。
这里，针对每种用户行为，可以根据其的行为权重和其对目标事件的转化率，确定其触发目标事件的归因权重，以得到M种用户行为的M个归因权重，用户行为与归因权重之间可以为一一对应的关系。需要说明的是，任一用户行为的归因权重可以用于表征：本用户行为对触发目标事件的贡献度。
在得到M个归因权重之后，可以据此对待预测用户(例如目标用户)进行用户属性分析，例如分析目标用户偏好的是二居室房源还是三居室房源，或者目标用户偏好的是低楼层房源还是高楼层房源，或者目标用户偏好的是学区房源还是大户型房源等，以得到属性分析结果。之后，可以根据属性分析结果，为目标用户推荐其所偏好的房源。
本公开的实施例中，可以根据N个参考用户对应的N个用户数据，确定M种用户行为中的每种用户行为的行为权重和对目标事件的转化率，并根据所确定的行为权重和对目标事件的转化率，得到M种用户行为的M个归因权重，并据此进行用户属性分析，以根据属性分析结果，为目标用户进行物体推荐。由于M个归因权重依据由N个用户数据确定的行为权重和对目标事件的转化率得到，而用户数据是与真实用户相关的可信数据，各归因权重的客观性和可靠性能够得到较好地保证，这样，在依据M个归因权重进行用户属性分析时，属性分析结果的准确性和可靠性能够得到有效地保证，相应地，在依据属性分析结果进行物体推荐时，物体推荐效果也能够得到有效地保证。因此，与现有技术相比，本公开的实施例能够较好地保证物体推荐效果，从而满足实际需求。
在一个可选示例中，步骤102中的根据N个用户数据，确定每种用户行为对目标事件的转化率，包括：
根据N个用户数据中的行为数据和目标事件发生情况数据，获取每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率；其中，任一用户行为对应的目标概率为：发生了本用户行为的参考用户所组成的用户群发生目标事件的概率；任一行为组对应的目标概率为：发生了本行为组中的两种用户行为的参考用户所组成的用户群发生目标事件的概率；
根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对目标事件的转化率。
这里，可以从N个用户数据中的每个用户数据中分别提取行为数据和目标事件发生情况数据，并依据所提取的行为数据和目标事件发生情况数据，确定每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率。
具体地，任一用户行为(其可以为下文中的第一用户行为)对应的目标概率可以采用如下公式计算：
Figure BDA0002666630770000111
其中，p(y|bi＞0)为本用户行为对应的目标概率；Npositive(bi＞0)为发生了本用户行为的参考用户所组成的用户群中，发生了目标事件的参考用户的数量；Nnegative(bi＞0)为发生了本用户行为的参考用户组成的用户群中，未发生目标事件的参考用户的数量。
假设在1000个参考用户中，800个参考用户发生了分享这种用户行为，且这800个参考用户中，200个参考用户签约了，另外600个参考用户没签约，按照上述公式(1)，分享对应的目标概率为：200/(200+600)＝1/4。
具体地，包括任一用户行为(其可以为下文中的第一用户行为)的任一行为组对应的目标概率的计算公式可以为：
Figure BDA0002666630770000112
其中，p(y|bi＞0，bj＞0)为本行为组对应的目标概率，Npositive(bi＞0，bj＞0)为同时发生了本行为组中的两个用户行为所组成的用户群中，发生了目标事件的参考用户的数量，Nnegative(bi＞0，bj＞0)为同时发生了本行为组中的两个用户行为所组成的用户群中，未发生目标事件的参考用户的数量。
假设在1000个参考用户中，600个参考用户同时发生了分享和关注这两种用户行为，且这600个参考用户中，120个参考用户签约了，另外480个参考用户没签约，按照上述公式(2)，分享和关注组成的行为组对应的目标概率为：120/(120+480)＝1/5。
在获取每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率后，可以根据所获取的目标概率，确定每种用户行为对目标事件的转化率。
在一种具体实施方式中，根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对目标事件的转化率，包括：
计算包括第一用户行为的M-1个行为组对应的M-1个计算值；其中，第一用户行为是M种用户行为中的任一用户行为；任一行为组对应的计算值为：本行为组对应的目标概率与本行为组对应的和值的差值；任一行为组对应的和值为：本行为组中的两种用户行为对应的两个目标概率的和值；
计算M-1个计算值的平均值；
将第一用户行为对应的目标概率与所计算的平均值的和值作为第一用户行为对目标事件的转化率。
在一个具体例子中，M的取值为6，M种用户行为分别为浏览、搜索、地图找房、分享、推送、关注，第一用户行为是浏览，则可以确定包括浏览的5个行为组，这5个行为组分别是：浏览和搜索组成的行为组、浏览和地图找房组成的行为组、浏览和分享组成的行为组、浏览和推送组成的行为组、浏览和关注组成的行为组。
接下来，可以确定5个行为组对应的5个计算值，行为组与计算值之间为一一对应的关系。假设浏览和地图找房组成的行为组对应的目标概率为L1，浏览对应的目标概率为L2，地图找房对应的目标概率为L3，则浏览和地图找房组成的行为组对应的和值为L2+L3，浏览和地图找房组成的行为组对应的计算值为L1-L2-L3。按照类似的方式，可以确定其他4个行为组对应的4个计算值。
在得到5个计算值之后，可以计算5个计算值的平均值与L2的和值，并将计算得到的和值作为浏览对目标事件的转化率，该转化率可以认为是消除了搜索、地图找房、分享、推送、关注这5种用户行为对浏览造成的影响后，得到的浏览的独立转化率。
需要说明的是，上述计算第一用户行为对目标事件的转化率的过程可以总结为如下公式(3)：
Figure BDA0002666630770000131
其中，ci为第一用户行为对目标事件的转化率，p(y|bi＞0)为第一用户行为对应的目标概率，p(y|bi＞0，bj＞0)为包括第一用户行为的任一行为组对应的目标概率，p(y|bj＞0)为本行为组中的另一用户行为对应的目标概率。容易看出，上述公式中加号后面的部分即为认为是包括第一用户行为的M-1个行为组对应的M-1个计算值的平均值。
这种具体实施方式中，考虑到不同用户行为对签约的影响有重叠的问题，可以按照上述公式(3)进行第一用户行为对目标事件的转化率的计算，以消除其他用户行为对第一用户行为相关的计算的影响，从而得到第一用户行为对目标事件的独立转化率。
当然，计算第一用户行为对目标事件的转化率的方式并不局限于此，例如，可以直接将第一用户行为的目标概率作为第一用户行为对目标事件的转化率，这也是可行的。
可见，本公开的实施例中，依据N个用户数据，能够便捷可靠地确定出每种用户行为对目标事件的转化率。
在一个可选示例中，步骤102中的根据N个用户数据，确定每种用户行为的行为权重，包括：
根据N个用户数据中的行为数据，获取每个参考用户发生第二用户行为的实际次数，以及发生了第二用户行为的参考用户的总数量；其中，第二用户行为是M种用户行为中的任一用户行为；
根据每个参考用户发生第二用户行为的实际次数，以及总数量，确定第二用户行为的行为权重。
这里，可以从N个用户数据中的每个用户数据中分别提取行为数据，并依据所提取的行为数据，确定每个参考用户发生第二用户行为的实际次数，以及发生了第二用户行为的参考用户的总数量。这里，任一参考用户发生第二用户行为的实际次数可以包括：其在房产服务平台上发生第二用户行为的总次数；或者，其在房产服务平台上发生第二用户行为的日(或者周、月等)平均次数；或者，其在房产服务平台最近一段时间中的每天发生第二用户行为的次数。
之后，可以根据每个参考用户发生第二用户行为的实际次数，以及总数量，确定第二用户行为的行为权重。
在一种具体实施方式中，
获取每个参考用户发生第二用户行为的实际次数，包括：
获取每个参考用户在连续K天中的每天发生第二用户行为的实际次数，以得到每个参考用户对应的K个实际次数；其中，K为大于1的整数；
根据每个参考用户发生第二用户行为的实际次数，以及总数量，确定第二用户行为的行为权重，包括：
对每个参考用户对应的K个实际次数分别进行时间衰减处理，以得到每个参考用户对应的K个衰减次数；
计算每个参考用户对应的K个衰减次数的次数总和，以得到N个参考用户对应的N个次数总和；
计算N个次数总和的和值，并将总数量与所计算的和值的比值作为第二用户行为的行为权重。
这里，连续K天可以认为是一时间窗格，K的取值可以为10、30、60、90或者180，当然，K的取值并不局限于此，在此不再一一列举。
在一个具体例子中，K为10，那么可以获取每个参考用户在连续10天中的每天发生第二用户行为的实际次数，以得到每个参考用户对应的10个实际次数。对于某一参考用户而言，假设其对应的10个实际次数分别为S1、S2、S2、……、S10，则可以对S1进行时间衰减处理，以得到与S1对应的衰减次数J1；对S2进行时间衰减处理，以得到与S2对应的衰减次数J2；……；对S10进行时间衰减处理，以得到与S10对应的衰减次数J10。
可选地，对任一实际次数进行时间衰减处理的过程为：
计算本实际次数对应的日期距离当前日期的天数；
根据天数，确定时间衰减因子；其中，时间衰减因子与天数负相关；
计算本实际次数与时间衰减因子的乘积，并将所计算的乘积作为本实际次数对应的衰减次数。
这里，根据天数，确定时间衰减因子时，可以计算天数与1的差值，将差值的倒数作为确定出的时间衰减因子。假设S1距离当前日期的天数为F，则根据F确定出的时间衰减因子为1/(F-1)，S1/(F-1)可以作为S1对应的衰减次数J1。
在得到J1至J10这10个衰减次数后，可以对J1至J10进行求和，以得到与一个参考用户对应的次数总和。
按照与上段中类似的方式，可以得到N个参考用户对应的N个次数总和。接下来，可以计算所得到的N个次数总和的和值，并利用下述公式(4)，计算第二用户行为的行为权重：
Figure BDA0002666630770000151
其中，wi为第二用户行为的行为权重(wi也可以认为是第二用户行为在所有参考用户中的普及度)，
Figure BDA0002666630770000152
为发生了第二用户行为的参考用户的总数量，
Figure BDA0002666630770000153
为计算得到的N个次数总和的和值。
一般而言，用户行为具有时序性，行为强度随时间呈现一定的衰减，有鉴于此，这种具体实施方式中，可以在计算第二用户行为的行为权重的过程中引入时间衰减处理，从而保证最终得到的行为权重的可靠性。
当然，计算第二用户行为的行为权重的过程也可以不引入时间衰减处理，例如，可以直接获取每个参考用户在房产服务平台上发生第二用户行为的总次数，以得到N个总次数，计算N个总次数的和值，将发生了第二用户行为的参考用户的总数量与所计算的和值的比值作为第二用户行为的行为权重，这也是可行的。
可见，本公开的实施例中，依据N个用户数据，能够便捷可靠地确定出每种用户行为的行为权重。
在一个可选示例中，根据每种用户行为的行为权重和对目标事件的转化率，确定每种用户行为触发目标事件的归因权重，包括：
计算第三用户行为的行为权重，以及第三用户行为对目标事件的转化率的乘积；其中，第三用户行为是M种用户行为中的任一用户行为；
将所计算的乘积映射至预设数值区间，得到相应的映射值，并将所得到的映射值作为第三用户行为触发目标事件的归因权重。
这里，预设数值区间可以为[0，1]、[0，5]或[0，10]等，在此不再一一列举。
在得到第三用户行为的行为权重和对目标事件的转化率之后，可以将第三用户行为的行为权重和对目标事件的转化率相乘，以得到相应乘积，并通过归一化处理，将所得到的乘积映射至预设数值区间，例如，在乘积为40的情况下，将40映射至[0，1]这个区间，得到映射值0.4，之后可以将0.4作为第三用户行为的归因权重。
可见，本公开的实施例中，利用第三用户行为的行为权重和对目标事件的转化率，能够便捷可靠地得到第三用户行为的归因权重，且归因权重位于预设数值区间，归因权重的大小是合适的，便于后续的运算过程。
需要指出的是，在计算第三用户行为的行为权重和对目标事件的转化率的乘积之后，也可以不进行区间映射，直接将所计算的乘积作为第三用户行为的归因权重。
图3是本公开一示例性实施例提供的基于用户行为特征的推荐方法的流程图。图3所示的方法包括步骤301、步骤302和步骤303，下面对各步骤分别进行说明。
步骤301，获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数；其中，M是大于1的整数。
这里，M的取值可以为2、3、4或者5，在此不再一一列举。如图2所示，M种用户行为包括但不限于浏览、搜索、地图找房、分享、推送、关注、咨询经纪人、即时通讯、400、约带看、委托、看房等。
这里，目标物体属性可以属于房源属性，包括但不限于户型属性、面积属性、朝向属性等，户型属性还可以细分为两居室属性、三居室属性等，朝向属性还可以细分为朝南属性、朝北属性等。
在步骤301中，可以先获取目标用户的用户数据，然后从目标用户的用户数据中提取行为数据，并依据所提取的行为数据，确定目标用户发生M种用户行为中的每种用户行为的实际次数。这里，任一参考用户发生任一用户行为的实际次数可以包括：本参考用户在房产服务平台上发生本用户行为的总次数；或者，本参考用户在房产服务平台上发生本用户行为的日(或者周、月等)平均次数；或者，本参考用户在房产服务平台最近一段时间中的每天发生本用户行为的次数。
步骤302，根据M种用户行为对应的M个归因权重，以及目标用户发生每种用户行为的实际次数，确定目标用户在目标物体属性上的用户属性评估值；其中，任一用户行为对应的归因权重为本用户行为触发目标事件的归因权重。
需要说明的是，确定M种用户行为对应的M个归因权重的方式参照上文中的说明即可，在此不再赘述。另外，目标用户在目标物体属性上的用户属性评估值具体可以为目标用户对目标物体属性的偏好度值或喜好度值。
在一种具体实施方式中，
步骤301，包括：
获取在目标物体属性上，目标用户在连续T天中的每天发生M种用户行为中的每种用户行为的实际次数；其中，T为大于1的整数；
步骤302，包括：
对为目标用户获取的，每种用户行为的T个实际次数分别进行时间衰减处理，以得到每种用户行为对应的T个衰减次数；
计算每种用户行为对应的T个衰减次数的次数总和，以得到M种用户行为对应的M个次数总和；
计算M种用户行为对应的M个乘积；其中，任一用户行为对应的乘积为：本用户行为对应的次数总和与本用户行为对应的归因权重的乘积；
计算M个乘积的总和，并将所计算的总和作为目标用户在目标物体属性上的用户属性评估值。
这里，连续T天可以认为是一时间窗格，T的取值可以为10、30、60、90或者180，当然，T的取值并不局限于此，在此不再一一列举。
在一个具体例子中，T为12，那么，可以获取目标用户在连续12天中的每天发生每种用户行为的实际次数，以得到每种用户行为对应的12个实际次数。假设某一用户行为对应的12个实际次数分别为R1、R2、R3、……、R12，则可以对R1进行时间衰减处理，以得到与R1对应的衰减次数W1；对R2进行时间衰减处理，以得到与R2对应的衰减次数W2；……；对R12进行时间衰减处理，以得到与R12对应的衰减次数W12。至此，该用户行为对应的12个衰减次数(即W1至W12)被成功获得，接下来，可以对W1至W12进行求和，以得到与该用户行为对应的次数总和。
按照与上段中类似的方式，可以针对目标用户，获得M种用户行为对应的M个次数总和。之后，可以计算M种用户行为对应的M个乘积。
假设M的取值为4，M种用户行为分别为浏览、搜索、地图找房、分享；其中，浏览对应的次数总和为Z1，浏览对应的归因权重为Y1；搜索对应的次数总和为Z2，搜索对应的归因权重为Y2；地图找房对应的次数总和为Z3，地图找房对应的归因权重为Y3；分享对应的次数总和为Z4，分享对应的归因权重为Y4。很显然，M种用户行为对应的M个乘积分别为：Z1*Y1、Z2*Y2、Z3*Y3、Z4*Y4。那么，目标用户在目标物体属性上的用户属性评估值D可以满足：
D＝Z1*Y1+Z2*Y2+Z3*Y3+Z4*Y4 (5)
这种具体实施方式中，依据M个归因权重和M个次数总和，能够便捷可靠地计算出目标用户在目标物体属性上的用户属性评估值，且计算过程引入了时间衰减处理，从而能够保证计算结果的可靠性。
当然，计算M种用户行为对应的M个次数总和的过程中也可以不引入时间衰减处理；确定目标用户在目标物体属性上的用户属性评估值的方式并不局限于此，例如，在计算出M个乘积的总和之后，可以对所计算的总和进行进一步校准，并将校准结果作为目标用户在目标物体属性上的用户属性评估值。
步骤303，根据用户属性评估值，为目标用户进行物体推荐。
下面对根据用户属性评估值，为目标用户进行物体推荐的方式进行举例介绍。
在一种具体实施方式中，在得到目标用户在目标物体属性上的用户属性评估值之后，可以将所得到的用户属性评估值与预设评估值进行比较。如果比较结果为所得到的用户属性评估值大于预设评估值，可以认为目标用户对目标物体属性非常感兴趣，那么，可以为目标用户推荐具有目标物体属性的物体。如果比较结果为所得到的用户属性评估值小于或等于预设评估值，可以认为目标用户对目标物体属性的兴趣度不高，那么，可以不为目标用户推荐具有目标物体属性的物体。
在另一种具体实施方式中，目标物体属性的数量可以为多个，例如，目标物体属性的数量可以为两个，分别是两居室属性和三居室属性，在分别得到目标用户在两居室属性上的用户属性评估值和在三居室属性上的用户属性评估值之后，可以将目标用户在两居室属性上的用户属性评估值和在三居室属性上的用户属性评估值进行比较。如果比较结果为目标用户在两居室属性上的用户属性评估值大于在三居室属性上的用户属性评估值，可以认为目标用户对两居室属性更感兴趣，那么，在进行房源时，可以优先为目标用户推荐两居室房源。
本公开的实施例中，在获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数之后，可以依据M种用户行为对应的M个归因权重，以及目标用户发生每种用户行为的实际次数，确定目标用户在目标物体属性上的用户属性评估值，并据此为目标用户进行物体推荐。根据上文中的论述，M个归因权重的客观性和可靠性能够得到较好地保证，这样，再结合M个归因权重和目标用户发生每种用户行为的实际次数，确定目标用户在目标物体属性上的用户属性评估值时，确定结果的准确性和可靠性能够得到有效地保证，相应地，在依据确定出的用户属性评估值进行物体推荐时，物体推荐效果也能够得到有效地保证。因此，与现有技术相比，本公开的实施例能够较好地保证物体推荐效果，从而满足实际需求。
如图4所示，本公开的实施例中可以执行下述流程：
一：数据提取&清洗
这里，可以从房产服务平台中提取大量的用户数据，清洗掉没有线上行为的用户的用户数据，以得到N个参考用户对应的N个用户数据。
二：用户行为建模
需要说明的是，用户行为具有时序性，行为强度随时间呈现一定的衰减，如：3个月前的浏览行为和当前的浏览行为对签约的影响不同，所以对客户的行为建模中可以加入时间衰减因子。
具体地，对于每个参考用户而言，用(IDi，Bi)表示用户行为相关信息，其中，IDi表示本参考用户的ID，Bi表示本参考用户的各用户行为对应的次数总和，
Figure BDA0002666630770000191
Figure BDA0002666630770000192
表示第n种用户行为融合时间衰减因子后在时间窗格中发生的频次(相当于第n种用户行为对应的若干衰减次数的次数总和)。
Figure BDA0002666630770000193
其中，
Figure BDA0002666630770000194
表示距今第k-1天发生第n种用户行为的实际次数。
三：归因建模
根据上述用户行为建模的结果，获取每种用户行为的行为权重和对目标事件的转化率，并根据所确定的行为权重和对目标事件的转化率，确定每种用户行为触发目标事件的归因权重。之后，根据所确定的归因权重，可以进行用户属性分析，以根据属性分析结果进行房源推荐。
综上，本公开的实施例着力于模型的强解释性，算法模型的鲁棒性较好，且以条件概率模型计算每种用户行为对目标事件的转化率，考虑行为时间衰减因素，同时结合行为频次，最后得出每种用户行为触发目标事件的归因权重，以保证最终进行房源推荐时的推荐效果。
示例性装置
图5是本公开一示例性实施例提供的用户行为特征分析装置的结构示意图。图5所示的装置包括第一获取模块501、第一确定模块502和处理模块503。
第一获取模块501，用于获取N个参考用户对应的N个用户数据；其中，每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据，N和M均是大于1的整数；
第一确定模块502，用于根据N个用户数据，确定每种用户行为的行为权重和对目标事件的转化率；
处理模块503，用于根据每种用户行为的行为权重和对目标事件的转化率，确定每种用户行为触发目标事件的归因权重，得到M种用户行为对应的M个归因权重，以便根据M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为目标用户进行物体推荐。
在一个可选示例中，第一确定模块502，包括：
第一获取子模块，用于根据N个用户数据中的行为数据和目标事件发生情况数据，获取每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率；其中，任一用户行为对应的目标概率为：发生了本用户行为的参考用户所组成的用户群发生目标事件的概率；任一行为组对应的目标概率为：发生了本行为组中的两种用户行为的参考用户所组成的用户群发生目标事件的概率；
第一确定子模块，用于根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对目标事件的转化率。
在一个可选示例中，第一确定子模块，包括：
第一计算单元，用于计算包括第一用户行为的M-1个行为组对应的M-1个计算值；其中，第一用户行为是M种用户行为中的任一用户行为；任一行为组对应的计算值为：本行为组对应的目标概率与本行为组对应的和值的差值；任一行为组对应的和值为：本行为组中的两种用户行为对应的两个目标概率的和值；
第二计算单元，用于计算M-1个计算值的平均值；
第一确定单元，用于将第一用户行为对应的目标概率与所计算的平均值的和值作为第一用户行为对目标事件的转化率。
在一个可选示例中，第一确定模块502，包括：
第二获取子模块，用于根据N个用户数据中的行为数据，获取每个参考用户发生第二用户行为的实际次数，以及发生了第二用户行为的参考用户的总数量；其中，第二用户行为是M种用户行为中的任一用户行为；
第二确定子模块，用于根据每个参考用户发生第二用户行为的实际次数，以及总数量，确定第二用户行为的行为权重。
在一个可选示例中，
第二获取子模块，具体用于：
获取每个参考用户在连续K天中的每天发生第二用户行为的实际次数，以得到每个参考用户对应的K个实际次数；其中，K为大于1的整数；
第二确定子模块，包括：
第一获取单元，用于对每个参考用户对应的K个实际次数分别进行时间衰减处理，以得到每个参考用户对应的K个衰减次数；
第二获取单元，用于计算每个参考用户对应的K个衰减次数的次数总和，以得到N个参考用户对应的N个次数总和；
第二确定单元，用于计算N个次数总和的和值，并将总数量与所计算的和值的比值作为第二用户行为的行为权重。
在一个可选示例中，处理模块503，包括：
第三计算单元，用于计算第三用户行为的行为权重，以及第三用户行为对目标事件的转化率的乘积；其中，第三用户行为是M种用户行为中的任一用户行为；
第三确定单元，用于将所计算的乘积映射至预设数值区间，得到相应的映射值，并将所得到的映射值作为第三用户行为触发目标事件的归因权重。
图6是本公开一示例性实施例提供的基于用户行为特征的推荐装置的结构示意图。图6所示的装置包括第二获取模块601、第二确定模块602和推荐模块603。
第二获取模块601，用于获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数；其中，M是大于1的整数；
第二确定模块602，用于根据M种用户行为对应的M个归因权重，以及目标用户发生每种用户行为的实际次数，确定目标用户在目标物体属性上的用户属性评估值；其中，任一用户行为对应的归因权重为本用户行为触发目标事件的归因权重；
推荐模块603，用于根据用户属性评估值，为目标用户进行物体推荐。
在一个可选示例中，
第二获取模块601，具体用于：
获取在目标物体属性上，目标用户在连续T天中的每天发生M种用户行为中的每种用户行为的实际次数；其中，T为大于1的整数；
第二确定模块602，包括：
第三获取子模块，用于对为目标用户获取的，每种用户行为的T个实际次数分别进行时间衰减处理，以得到每种用户行为对应的T个衰减次数；
第四获取子模块，用于计算每种用户行为对应的T个衰减次数的次数总和，以得到M种用户行为对应的M个次数总和；
计算子模块，用于计算M种用户行为对应的M个乘积；其中，任一用户行为对应的乘积为：本用户行为对应的次数总和与本用户行为对应的归因权重的乘积；
第三确定子模块，用于计算M个乘积的总和，并将所计算的总和作为目标用户在目标物体属性上的用户属性评估值。
示例性电子设备
下面，参考图7来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图7图示了根据本公开实施例的电子设备70的框图。
如图7所示，电子设备70包括一个或多个处理器71和存储器72。
处理器71可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备70中的其他组件以执行期望的功能。
存储器72可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器71可以运行所述程序指令，以实现上文所述的本公开的各个实施例的用户行为特征分析方法或者基于用户行为特征的推荐方法。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备70还可以包括：输入装置73和输出装置74，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在电子设备70是第一设备或第二设备时，该输入装置73可以是麦克风或麦克风阵列。在电子设备70是单机设备时，该输入装置73可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入装置73还可以包括例如键盘、鼠标等等。
该输出装置74可以向外部输出各种信息。该输出装置74可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然，为了简化，图7中仅示出了该电子设备70中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用户行为特征分析方法或者基于用户行为特征的推荐方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用户行为特征分析方法或者基于用户行为特征的推荐方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用户行为特征分析方法，其特征在于，包括：
获取N个参考用户对应的N个用户数据；其中，每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据，N和M均是大于1的整数；
根据所述N个用户数据，确定每种用户行为的行为权重和对所述目标事件的转化率；
根据每种用户行为的行为权重和对所述目标事件的转化率，确定每种用户行为触发所述目标事件的归因权重，得到所述M种用户行为对应的M个归因权重，以便根据所述M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为所述目标用户进行物体推荐。
2.根据权利要求1所述的方法，其特征在于，所述根据所述N个用户数据，确定每种用户行为对所述目标事件的转化率，包括：
根据所述N个用户数据中的行为数据和目标事件发生情况数据，获取每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率；其中，任一用户行为对应的目标概率为：发生了本用户行为的参考用户所组成的用户群发生所述目标事件的概率；任一行为组对应的目标概率为：发生了本行为组中的两种用户行为的参考用户所组成的用户群发生所述目标事件的概率；
根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对所述目标事件的转化率。
3.根据权利要求2所述的方法，其特征在于，所述根据每种用户行为对应的目标概率，以及每两种用户行为组成的行为组对应的目标概率，确定每种用户行为对所述目标事件的转化率，包括：
计算包括第一用户行为的M-1个行为组对应的M-1个计算值；其中，所述第一用户行为是所述M种用户行为中的任一用户行为；任一行为组对应的计算值为：本行为组对应的目标概率与本行为组对应的和值的差值；任一行为组对应的和值为：本行为组中的两种用户行为对应的两个目标概率的和值；
计算所述M-1个计算值的平均值；
将所述第一用户行为对应的目标概率与所计算的平均值的和值作为所述第一用户行为对所述目标事件的转化率。
4.根据权利要求1所述的方法，其特征在于，所述根据所述N个用户数据，确定每种用户行为的行为权重，包括：
根据所述N个用户数据中的行为数据，获取每个参考用户发生第二用户行为的实际次数，以及发生了所述第二用户行为的参考用户的总数量；其中，所述第二用户行为是所述M种用户行为中的任一用户行为；
根据每个参考用户发生所述第二用户行为的实际次数，以及所述总数量，确定所述第二用户行为的行为权重。
5.根据权利要求4所述的方法，其特征在于，
所述获取每个参考用户发生第二用户行为的实际次数，包括：
获取每个参考用户在连续K天中的每天发生第二用户行为的实际次数，以得到每个参考用户对应的K个实际次数；其中，K为大于1的整数；
所述根据每个参考用户发生所述第二用户行为的实际次数，以及所述总数量，确定所述第二用户行为的行为权重，包括：
对每个参考用户对应的K个实际次数分别进行时间衰减处理，以得到每个参考用户对应的K个衰减次数；
计算每个参考用户对应的K个衰减次数的次数总和，以得到所述N个参考用户对应的N个次数总和；
计算所述N个次数总和的和值，并将所述总数量与所计算的和值的比值作为所述第二用户行为的行为权重。
6.一种基于用户行为特征的推荐方法，其特征在于，包括：
获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数；其中，M是大于1的整数；
根据所述M种用户行为对应的M个归因权重，以及所述目标用户发生每种用户行为的实际次数，确定所述目标用户在所述目标物体属性上的用户属性评估值；其中，任一用户行为对应的归因权重为本用户行为触发目标事件的归因权重；
根据所述用户属性评估值，为所述目标用户进行物体推荐。
7.一种用户行为特征分析装置，其特征在于，包括：
第一获取模块，用于获取N个参考用户对应的N个用户数据；其中，每个用户数据分别包括M种用户行为中的每种用户行为的行为数据，以及用于表征是否发生目标事件的目标事件发生情况数据，N和M均是大于1的整数；
第一确定模块，用于根据所述N个用户数据，确定每种用户行为的行为权重和对所述目标事件的转化率；
处理模块，用于根据每种用户行为的行为权重和对所述目标事件的转化率，确定每种用户行为触发所述目标事件的归因权重，得到所述M种用户行为对应的M个归因权重，以便根据所述M种用户行为对应的M个归因权重，对目标用户进行用户属性分析，并根据属性分析结果，为所述目标用户进行物体推荐。
8.一种基于用户行为特征的推荐装置，其特征在于，包括：
第二获取模块，用于获取在目标物体属性上，目标用户发生M种用户行为中的每种用户行为的实际次数；其中，M是大于1的整数；
第二确定模块，用于根据所述M种用户行为对应的M个归因权重，以及所述目标用户发生每种用户行为的实际次数，确定所述目标用户在所述目标物体属性上的用户属性评估值；其中，任一用户行为对应的归因权重为本用户行为触发目标事件的归因权重；
推荐模块，用于根据所述用户属性评估值，为所述目标用户进行物体推荐。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序用于执行上述权利要求1-5中任一所述的用户行为特征分析方法，或者用于执行上述权利要求6所述的基于用户行为特征的推荐方法。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-5中任一所述的用户行为特征分析方法，或者实现上述权利要求6所述的基于用户行为特征的推荐方法。
CN202010926560.5A 2020-09-04 2020-09-04 用户行为特征分析方法、推荐方法及相应装置 Pending CN112035749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010926560.5A CN112035749A (zh) 2020-09-04 2020-09-04 用户行为特征分析方法、推荐方法及相应装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010926560.5A CN112035749A (zh) 2020-09-04 2020-09-04 用户行为特征分析方法、推荐方法及相应装置

Publications (1)

Publication Number Publication Date
CN112035749A true CN112035749A (zh) 2020-12-04

Family

ID=73584837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010926560.5A Pending CN112035749A (zh) 2020-09-04 2020-09-04 用户行为特征分析方法、推荐方法及相应装置

Country Status (1)

Country Link
CN (1) CN112035749A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112511355A (zh) * 2020-12-18 2021-03-16 四川大学 一种跨链智能合约合作可能性评估方法
CN114036203A (zh) * 2021-10-15 2022-02-11 浙江大华技术股份有限公司 一种数据分析方法、装置、电子设备及存储介质
CN114493823A (zh) * 2021-12-22 2022-05-13 大箴(杭州)科技有限公司 社会行为信息处理方法及装置、电子设备、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331817A (zh) * 2014-10-29 2015-02-04 深圳先进技术研究院 电子商务推荐模型的用户特征提取方法及系统
US20170278115A1 (en) * 2016-03-23 2017-09-28 Fuji Xerox Co., Ltd. Purchasing behavior analysis apparatus and non-transitory computer readable medium
CN107908735A (zh) * 2017-11-15 2018-04-13 北京三快在线科技有限公司 信息展示方法和装置以及计算设备
CN108288179A (zh) * 2018-01-25 2018-07-17 链家网（北京）科技有限公司 一种用户偏好房源计算方法和系统
CN110189152A (zh) * 2018-02-23 2019-08-30 北京国双科技有限公司 渠道的归因方法和装置
US10628859B2 (en) * 2010-03-31 2020-04-21 Mediamath, Inc. Systems and methods for providing a demand side platform

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10628859B2 (en) * 2010-03-31 2020-04-21 Mediamath, Inc. Systems and methods for providing a demand side platform
CN104331817A (zh) * 2014-10-29 2015-02-04 深圳先进技术研究院 电子商务推荐模型的用户特征提取方法及系统
US20170278115A1 (en) * 2016-03-23 2017-09-28 Fuji Xerox Co., Ltd. Purchasing behavior analysis apparatus and non-transitory computer readable medium
CN107908735A (zh) * 2017-11-15 2018-04-13 北京三快在线科技有限公司 信息展示方法和装置以及计算设备
CN108288179A (zh) * 2018-01-25 2018-07-17 链家网（北京）科技有限公司 一种用户偏好房源计算方法和系统
CN110189152A (zh) * 2018-02-23 2019-08-30 北京国双科技有限公司 渠道的归因方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴增源 等: "《电子商务创业管理》", 30 September 2015 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112511355A (zh) * 2020-12-18 2021-03-16 四川大学 一种跨链智能合约合作可能性评估方法
CN112511355B (zh) * 2020-12-18 2022-02-08 四川大学 一种跨链智能合约合作可能性评估方法
CN114036203A (zh) * 2021-10-15 2022-02-11 浙江大华技术股份有限公司 一种数据分析方法、装置、电子设备及存储介质
CN114493823A (zh) * 2021-12-22 2022-05-13 大箴(杭州)科技有限公司 社会行为信息处理方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN112035749A (zh) 用户行为特征分析方法、推荐方法及相应装置
CN110135978B (zh) 用户金融风险评估方法、装置、电子设备和可读介质
CN112070545B (zh) 用于优化信息触达的方法、装置、介质和电子设备
CN112256879A (zh) 信息处理方法和装置、电子设备和计算机可读存储介质
CN113722588B (zh) 资源推荐方法、装置及电子设备
CN113010791B (zh) 搜索结果展示处理方法、装置及计算机可读存储介质
CN111626898B (zh) 用于实现事件归因的方法、装置、介质和电子设备
EP2454686A2 (en) Evaluation of website visitor based on value grade
CN111625587B (zh) 数据共享装置
CN112115370A (zh) 推荐方法、装置、计算机可读存储介质及电子设备
CN112116397A (zh) 用户行为特征实时处理方法、装置、存储介质及电子设备
CN110704273B (zh) 配置信息的处理方法和装置、电子设备和存储介质
CN111523032A (zh) 确定用户偏好的方法、装置、介质和电子设备
CN113742564A (zh) 目标资源的推送方法和装置
CN113312513B (zh) 对象的推荐方法和装置、电子设备和存储介质
CN112256768B (zh) 模型离线训练评估方法、装置、介质和电子设备
CN112016791B (zh) 资源分配方法、装置及电子设备
CN115033785A (zh) 一种岗位推荐方法、装置、可读存储介质和电子设备
CN113849731A (zh) 基于自然语言处理的信息推送方法、装置、设备及介质
CN111949883A (zh) 房源推荐方法、装置、计算机可读存储介质及电子设备
CN112115365B (zh) 模型协同优化的方法、装置、介质和电子设备
CN112783956B (zh) 一种信息处理方法和装置
CN111476646B (zh) 计算机实现的用于获得事件的方法、装置和设备
CN112508698B (zh) 用户策略触发方法、装置及电子设备
US11210684B1 (en) Accurately estimating causal effects for related events

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
TA01 Transfer of patent application right

Effective date of registration: 20210319

Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing

Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd.

Address before: Unit 05, room 112, 1st floor, office building, Nangang Industrial Zone, economic and Technological Development Zone, Binhai New Area, Tianjin 300457

Applicant before: BEIKE TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20201204

RJ01 Rejection of invention patent application after publication