CN112150177A - 意图预测方法和装置 - Google Patents
意图预测方法和装置 Download PDFInfo
- Publication number
- CN112150177A CN112150177A CN201910573472.9A CN201910573472A CN112150177A CN 112150177 A CN112150177 A CN 112150177A CN 201910573472 A CN201910573472 A CN 201910573472A CN 112150177 A CN112150177 A CN 112150177A
- Authority
- CN
- China
- Prior art keywords
- type
- behavior data
- user
- executing
- users
- 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 41
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 38
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 93
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 5
- 230000008450 motivation Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提出一种意图预测方法和装置,方法包括:根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及执行第一类操作的预定数量用户的操作意图,构建预测模型;获取待预测用户执行第二类操作的预设时间内产生的第二行为数据;通过预测模型对第二行为数据进行处理,以确定待预测用户执行第二类操作的操作意图。本发明实施例由于通过可获取到操作意图的执行第一类操作的预定数量用户的数据训练预测模型,因此可以实现通过预测模型对无法获取到操作意图的执行第二类操作的待预测用户进行意图预测。
Description
技术领域
本发明涉及行为互联网技术领域,尤其涉及一种意图预测方法和装置。
背景技术
随着互联网技术的发展,各个服务商家能够提供的服务类型和推广服务的渠道也越来越多样化。例如,用户可以根据商家的操作引导或推送进行某一种特定行为的操作。用户也可以根据自己的使用需求在商家公共服务入口完成某一特定行为的操作。为了分析不同操作行为反应的用户需求和对应操作行为为商家产生的收益,因此需要对用户的数据和操作意图进行分析预测。然而,有些操作行为无法体现出用户的操作意图,从而导致商家无法利用这部分数据进行分析。
发明内容
本发明实施例提供一种意图预测方法和装置,以解决现有技术中的一个或多个技术问题。
第一方面,本发明实施例提供了一种意图预测方法,包括:
根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及所述执行第一类操作的预定数量用户的操作意图,构建预测模型;
获取待预测用户执行第二类操作的预设时间内产生的第二行为数据;
通过所述预测模型对所述第二行为数据进行处理,以确定所述待预测用户执行第二类操作的操作意图。
在一种实施方式中,所述第一行为数据包括所述执行第一类操作前和/或执行第一类操作后的预定数量用户的行为数据,所述第一行为数据包括操作行为频次和操作行为类型的数据。
在一种实施方式中,所述第二行为数据包括所述待预测用户执行第二类操作前和/或执行第二类操作后的行为数据,所述第二行为数据包括操作行为频次和操作行为类型的数据。
在一种实施方式中,所述第一类操作为基于操作引导产生的,所述第二类操作为基于非操作引导产生的。
在一种实施方式中,所述预测模型的构建过程包括:
获取所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据;
根据所述执行第一类操作的预定数量用户的操作类型,确定对应的操作意图;
将所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据与所述对应的操作意图关联,构建训练样本;
利用多个所述训练样本对初始模型进行训练,得到所述预测模型。
第二方面,本发明实施例提供了一种意图预测装置,包括:
模型构建模块,用于根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及所述执行第一类操作的预定数量用户的操作意图,构建预测模型;
获取模块,用于获取待预测用户执行第二类操作的预设时间内产生的第二行为数据;
处理模块,用于通过所述预测模型对所述第二行为数据进行处理,以确定所述待预测用户执行第二类操作的操作意图。
在一种实施方式中,所述模型构建模块包括:
获取子模块,用于获取所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据;
确定子模块,用于根据所述执行第一类操作的预定数量用户的操作类型,确定对应的操作意图;
关联子模块,用于将所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据与所述对应的操作意图关联,构建训练样本;
训练子模块,用于利用多个所述训练样本对初始模型进行训练,得到预测模型。
第三方面,本发明实施例提供了一种意图预测终端,所述意图预测终端的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述意图预测终端的结构中包括处理器和存储器,所述存储器用于存储支持所述意图预测终端执行上述意图预测方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述意图预测终端还可以包括通信接口,用于与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储意图预测终端所用的计算机软件指令,其包括用于执行上述意图预测方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果:本发明实施例由于通过可获取到操作意图的执行第一类操作的预定数量用户的数据训练预测模型,因此可以实现通过预测模型对无法获取到操作意图的执行第二类操作的待预测用户进行意图预测。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的意图预测方法的流程图。
图2示出根据本发明实施例的意图预测方法的模型构建流程图。
图3示出根据本发明实施例的应用示例中直接付费动因与间接付费动因的关系图。
图4示出根据本发明实施例的应用示例中获取用户付费前后十二小时内行为数据的示意图。
图5示出根据本发明实施例的应用示例中模型构建流程框图。
图6示出根据本发明实施例的应用示例中模型构建示意图。
图7示出根据本发明实施例的意图预测装置的结构框图。
图8示出根据本发明实施例的意图预测装置的模型构建模块的结构框图。
图9示出根据本发明实施例的意图预测终端的结构示意图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
图1示出根据本发明实施例的意图预测方法的流程图。如图1所示,该意图预测方法包括:
S100:根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及执行第一类操作的预定数量用户的操作意图,构建预测模型。
预测模型的网络结构和模型算法可以采用已有模型网络结构和模型算法。例如,模型算法可以采用朴素贝叶斯Bayes、决策树Decision Tree、支持向量机SVM(SupportVector Machine)、逻辑回归Logistic Regression、集成学习boosting等。
第一行为数据可以包括预定数量用户在执行第一类操作之前的预设时间内产生的行为数据、预定数量用户在执行第一类操作之后的预设时间内产生的行为数据、预定数量用户在执行第一类操作前后的一段连续的预设时间内产生的行为数据。第一行为数据可以包括预定数量用户主动进行某些操作动作所产生的数据,也可以包括响应于预定数量用户操作的服务端所产生的数据。即,与预定数量用户操作有关联的数据均可以作为第一行为数据。
S200:获取待预测用户执行第二类操作的预设时间内产生的第二行为数据。
执行第二类操作的预设时间的时长和起始时间可以根据需要进行选择和调整。
第二行为数据可以包括待预测用户在执行第二类操作之前的预设时间内产生的行为数据、待预测用户在执行第二类操作之后的预设时间内产生的行为数据、待预测用户在执行第二类操作前后的一段连续的预设时间内产生的行为数据。
第二行为数据可以包括待预测用户主动进行某些操作动作所产生的数据,也可以包括响应于待预测用户操作的服务端所产生的数据。即,与待预测用户操作有关联的数据均可以作为第二行为数据。
执行第一类操作的预设时间的时长可以根据需要进行选择和调整。在一个示例中,执行第二类操作的预设时间的时长可以与执行第一类操作的预设时间的时长相同。
S300:通过预测模型对第二行为数据进行处理,以确定待预测用户执行第二类操作的操作意图。
需要说明的是,执行第二类操作的用户和执行第一类操作的用户可以相同也可以不同。当第二类操作和第一类操作表示某一种特定的操作行为时,执行第二类操作的用户和执行第一类操作的用户相同。例如,第二类操作为用户通过第二购买渠道购买会员,第一类操作为用户通过第一购买渠道购买会员。由于每个用户只能够对应一个会员,因此第二类操作的用户和第一类操作的用户不同。当第二类操作和第一类操作表示某一类普通操作行为时,执行第一操作的用户和执行第一类操作的用户可以相同。例如,第二类操作为用户通过第二购买渠道进行商品购买,第一类操作为用户通过第一购买渠道进行商品购买。由于商品不是仅可购买一次的,因此同一个用户可以从不同购买渠道进行多次购买。
执行第一类操作的预定数量用户的操作意图可以理解为用于表示用户执行该操作的目的、动机原因。执行第二类操作的待预测用户的操作意图可以理解为用于表示用户执行该操作的目的、动机原因。第二类操作行为和第一类操作行为可以包括用户付费的行为、用户发送数据请求的行为等。
在一种实施方式中,第一行为数据包括执行第一类操作前和/或执行第一类操作后的预定数量用户的行为数据。具体需要获取的第一行为数据可以根据需要进行选择和调整。
在一种实施方式中,第一行为数据包括操作行为频次和操作行为类型的数据。操作行为频次可以包括预定数量用户执行某一操作的次数。操作行为类型可以包括预定数量用户执行的是具体哪个操作。在一个示例中,第一行为数据还可以包括操作文件的大小,操作持续时间等。
在一种实施方式中,第二行为数据包括待预测用户执行第二类操作前和/或执行第二类操作后的行为数据。具体需要获取的第二行为数据可以根据需要进行选择和调整。
在一种实施方式中,第二行为数据包括操作行为频次和操作行为类型的数据。操作行为频次可以包括待预测用户执行某一操作的次数。操作行为类型可以包括待预测用户执行的是具体哪个操作。在一个示例中,第二行为数据还可以包括操作文件的大小,操作持续时间等。
在一种实施方式中,第一类操作为基于操作引导产生的,第二类操作为基于非操作引导产生的。
在一个示例中,在用户购买网盘会员的场景中,当用户网盘内存不足时,网盘提示用户可通过购买会员扩展存储空间,则可以认为该提示为操作引导。用户点击了网盘提示链接进行了会员购买,则可以认为用户是基于操作引导产生的第一类操作行为。在用户购买视频网站会员的场景中,当用户点击会员电影时,视频网站会提示用户该电影为仅会员可看的电影,如需观看请购买会员,则可以认为该提示为操作引导。用户点击了视频网站提示链接进行了会员购买,则可以认为用户是基于操作引导产生的第一类操作行为。
在另一个示例中,在用户购买网盘会员的场景中,用户在没有任何操作引导的情况下,直接进入公共入口(例如,会员中心)进行网盘会员购买,则可以认为用户是基于非操作引导产生的第二类操作行为。在用户购买视频网站会员的场景中,用户在没有任何操作引导的情况下,直接进入公共入口进行会员购买,则可以认为用户是基于非操作引导产生的第二类操作行为。
在一种实施方式中,如图2所示,预测模型的构建过程包括:
S400:获取执行第一类操作的预定数量用户在预设时间内产生的第一行为数据。
S500:根据执行第一类操作的预定数量用户的操作类型,确定对应的操作意图。例如,用户通过极速下载付费引导购买会员,则用户的操作类型为购买会员,用户的操作意图是使用极速下载功能。又如,用户通过扩充存储空间付费引导购买会员,则用户的操作类型为购买会员,用户的操作意图是获得更多的存储空间。
S600:将执行第一类操作的预定数量用户在预设时间内产生的第一行为数据与对应的操作意图关联,构建训练样本。
需要说明的是,为了保证最终训练得到的模型的预测性能,可以将一部分训练样本作为模型训练过程中的训练集。将另一部分训练样本作为模型训练后检测模型效果的测试集。训练集和测试集的占比可根据需要进行选择。
S700:利用多个训练样本对初始模型进行训练,得到预测模型。
在一个示例中,上述各实施例的方法可应用于购买网盘会员的用户的付费动因预测。网盘会员体系包含了多种专属特权。当非会员用户需要使用某项特权功能时,平台会通过弹窗等形式告知用户该功能是会员专属特权,并引导用户购买会员。若用户触发某特权A的付费引导并购买成功,则该用户是因A特权而付费,即直接付费动因。然而,很多时候用户并没有沿着付费引导直接购买,而是在会员中心等无法区分直接付费动因的公共入口购买,这样便无法直接取得用户的付费动因,称该种情况用户的付费动因是间接付费动因(如图3所示)。付费动因对特权功能的收益评估及特权功能对会员收入的影响很大。直接付费动因可取得其对应的收益,但直接动因的订单占比不到四成。超六成的间接付费动因未知,无法取得这部分对应的收益,也就无法全局评估不同付费动因的收益情况、用户对特权的需求程度情况等。因此需要通过建立预测模型对间接付费动因进行挖掘。
建立预测模型的过程包括:数据获取以及模型构建。
数据获取过程包括:在构建预测购买网盘会员的用户的付费动因的模型时,需要获取直接付费(第一类操作)动因的用户样本。有直接付费动因的用户样本中包括特征行为数据和动因分类结果(操作意图)。其中,特征行为数据可以包括用户的核心行为,例如,上传、下载、预览等行为。核心行为即用户使用核心功能的情况,一定程度上代表了用户的使用频率及功能倾向。而大部分会员特权功能都是基于核心功能设置的,如极速下载特权与下载、大文件上传特权与上传等。特征行为数据还可以包括特权功能相关行为,包括付费引导的展现、点击等。网盘作为工具型产品,绝大多数用户购买会员都是对特权功能有需求。非会员用户需要使用特权功能时会触发付费引导,因此引导过程中的展现、点击等行为与用户付费密切相关。
由于用户行为数据会随着用户使用不断产生,因此需要确定数据的提取范围来聚焦。而用户付费时间点前后的行为很可能对用户付费起了决定性作用。例如,如图4所示,获取用户付费前后十二小时内的特权相关行为频次(特权功能付费引导展现、点击等)及核心行为(如下载、上传、视频播放等)。将获取到的行为数据加工成适合机器学习算法训练的特征数据。本模型中将行为数据加工成行为的频次,频次是用户付费时刺激的强度,同时行为的频次作为特征数据更适合算法训练。
模型构建过程包括:如图5所示,预测模型的搭建过程可由已知的有直接付费(第一类操作)动因的用户样本训练并测试而来。有直接付费动因的用户样本中包括特征行为数据和动因分类结果(操作意图)。因为直接动因的用户样本有准确的动因分类结果,因此可以进行测试检验并观测准确率。当准确率达到阈值要求时则认为该分类模型训练完成。即,该模型可以用于预测间接付费(第二类操作)动因。训练样本可以包括训练集和测试集。具体的,将有直接付费动因的用户样本分为两部分,70%有直接付费动因的用户样本(训练集)用于训练模型,30%有直接付费动因的用户样本(测试集)用于测试检验训练后的模型。如图6所示,如图具体模型训练过程如下:
第一步,输入训练集的特征数据和动因分类结果,用以训练模型。
第二步,向训练好的模型输入测试集的特征数据,得到模型预测的测试集动因分类结果。
第三步,将测试集预测的动因分类结果与实际的动因分类结果进行比较,得到模型的准确率。当准确率达到阈值要求时则认为该分类模型训练完成。即,该模型可以用于预测间接付费(第二类操作)动因。
用户间接付费动因预测过程:将通过公共入口购买会员的用户在购买会员前后十二小时内的行为数据输入训练好的预测模型进行处理。根据预测模型输出的处理结果确定间接付费用户的动因。
图7示出根据本发明实施例的意图预测装置的结构框图。如图7所示,该意图预测装置包括:
模型构建模块10,用于根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及执行第一类操作的预定数量用户的操作意图,构建预测模型。
获取模块20,用于获取待预测用户执行第二类操作的预设时间内产生的第二行为数据。
处理模块30,用于通过预测模型对第二行为数据进行处理,以确定待预测用户执行第二类操作的操作意图。
在一种实施方式中,如图8所示,模型构建模块10包括:
获取子模块11,用于获取执行第一类操作的预定数量用户在预设时间内产生的第一行为数据。
确定子模块12,用于根据执行第一类操作的预定数量用户的操作类型,确定对应的操作意图。
关联子模块13,用于将执行第一类操作的预定数量用户在预设时间内产生的第一行为数据与对应的操作意图关联,构建训练样本。
训练子模块14,用于利用多个训练样本对初始模型进行训练,得到预测模型。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
图9示出根据本发明实施例的意图预测终端的结构框图。如图9所示,该终端包括:存储器910和处理器920,存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的意图预测方法。所述存储器910和处理器920的数量可以为一个或多个。
该终端还包括:
通信接口930,用于与外界设备进行通信,进行数据意图预测传输。
存储器910可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA,Extended IndustryStandardArchitecture)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现上述实施例中任一所述方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种意图预测方法,其特征在于,包括:
根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及所述执行第一类操作的预定数量用户的操作意图,构建预测模型;
获取待预测用户执行第二类操作的预设时间内产生的第二行为数据;
通过所述预测模型对所述第二行为数据进行处理,以确定所述待预测用户执行第二类操作的操作意图。
2.根据权利要求1所述的方法,其特征在于,所述第一行为数据包括所述执行第一类操作前和/或执行第一类操作后的预定数量用户的行为数据,所述第一行为数据包括操作行为频次和操作行为类型的数据。
3.根据权利要求1所述的方法,其特征在于,所述第二行为数据包括所述待预测用户执行第二类操作前和/或执行第二类操作后的行为数据,所述第二行为数据包括操作行为频次和操作行为类型的数据。
4.根据权利要求1所述的方法,其特征在于,所述第一类操作为基于操作引导产生的,所述第二类操作为基于非操作引导产生的。
5.根据权利要求1所述的方法,其特征在于,所述预测模型的构建过程包括:
获取所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据;
根据所述执行第一类操作的预定数量用户的操作类型,确定对应的操作意图;
将所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据与所述对应的操作意图关联,构建训练样本;
利用多个所述训练样本对初始模型进行训练,得到所述预测模型。
6.一种意图预测装置,其特征在于,包括:
模型构建模块,用于根据执行第一类操作的预定数量用户在预设时间内产生的第一行为数据,以及所述执行第一类操作的预定数量用户的操作意图,构建预测模型;
获取模块,用于获取待预测用户执行第二类操作的预设时间内产生的第二行为数据;
处理模块,用于通过所述预测模型对所述第二行为数据进行处理,以确定所述待预测用户执行第二类操作的操作意图。
7.根据权利要求6所述的装置,其特征在于,所述模型构建模块包括:
获取子模块,用于获取所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据;
确定子模块,用于根据所述执行第一类操作的预定数量用户的操作类型,确定对应的操作意图;
关联子模块,用于将所述执行第一类操作的预定数量用户在预设时间内产生的第一行为数据与所述对应的操作意图关联,构建训练样本;
训练子模块,用于利用多个所述训练样本对初始模型进行训练,得到预测模型。
8.一种意图预测终端,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任一项所述方法。
9.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573472.9A CN112150177B (zh) | 2019-06-27 | 2019-06-27 | 意图预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573472.9A CN112150177B (zh) | 2019-06-27 | 2019-06-27 | 意图预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150177A true CN112150177A (zh) | 2020-12-29 |
CN112150177B CN112150177B (zh) | 2024-07-02 |
Family
ID=73869188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910573472.9A Active CN112150177B (zh) | 2019-06-27 | 2019-06-27 | 意图预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150177B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377849A (zh) * | 2021-05-24 | 2021-09-10 | 上海钧正网络科技有限公司 | 一种信息推荐方法、装置及设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268468A1 (en) * | 2012-04-09 | 2013-10-10 | 24/7 Customer, Inc. | Method and apparatus for intent modeling and prediction |
US20140222503A1 (en) * | 2013-02-07 | 2014-08-07 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
US20150178749A1 (en) * | 2013-12-23 | 2015-06-25 | Mastercard International, Inc. | Methods, systems and computer readable media for predicting consumer purchase behavior |
US20170091629A1 (en) * | 2015-09-30 | 2017-03-30 | Linkedin Corporation | Intent platform |
WO2018031743A1 (en) * | 2016-08-11 | 2018-02-15 | Google Llc | Methods, systems, and media for presenting a user interface customized for a predicted user activity |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
CN107993085A (zh) * | 2017-10-19 | 2018-05-04 | 阿里巴巴集团控股有限公司 | 模型训练方法、基于模型的用户行为预测方法及装置 |
CN108446374A (zh) * | 2018-03-16 | 2018-08-24 | 北京三快在线科技有限公司 | 用户意图预测方法、装置、电子设备、存储介质 |
CN109087135A (zh) * | 2018-07-25 | 2018-12-25 | 百度在线网络技术(北京)有限公司 | 用户意图的挖掘方法及装置、计算机设备及可读介质 |
CN109325810A (zh) * | 2018-09-30 | 2019-02-12 | 掌阅科技股份有限公司 | 充值转化的提高方法、电子设备及计算机存储介质 |
CN109741113A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于大数据的用户购买意向预测方法 |
CN109783686A (zh) * | 2019-01-21 | 2019-05-21 | 广州虎牙信息科技有限公司 | 行为数据处理方法、装置、终端设备和存储介质 |
CN109903063A (zh) * | 2017-12-07 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统和可读存储介质 |
-
2019
- 2019-06-27 CN CN201910573472.9A patent/CN112150177B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268468A1 (en) * | 2012-04-09 | 2013-10-10 | 24/7 Customer, Inc. | Method and apparatus for intent modeling and prediction |
US20140222503A1 (en) * | 2013-02-07 | 2014-08-07 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
US20150178749A1 (en) * | 2013-12-23 | 2015-06-25 | Mastercard International, Inc. | Methods, systems and computer readable media for predicting consumer purchase behavior |
US20170091629A1 (en) * | 2015-09-30 | 2017-03-30 | Linkedin Corporation | Intent platform |
WO2018031743A1 (en) * | 2016-08-11 | 2018-02-15 | Google Llc | Methods, systems, and media for presenting a user interface customized for a predicted user activity |
CN107993085A (zh) * | 2017-10-19 | 2018-05-04 | 阿里巴巴集团控股有限公司 | 模型训练方法、基于模型的用户行为预测方法及装置 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
CN109903063A (zh) * | 2017-12-07 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统和可读存储介质 |
CN108446374A (zh) * | 2018-03-16 | 2018-08-24 | 北京三快在线科技有限公司 | 用户意图预测方法、装置、电子设备、存储介质 |
CN109087135A (zh) * | 2018-07-25 | 2018-12-25 | 百度在线网络技术(北京)有限公司 | 用户意图的挖掘方法及装置、计算机设备及可读介质 |
CN109325810A (zh) * | 2018-09-30 | 2019-02-12 | 掌阅科技股份有限公司 | 充值转化的提高方法、电子设备及计算机存储介质 |
CN109741113A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于大数据的用户购买意向预测方法 |
CN109783686A (zh) * | 2019-01-21 | 2019-05-21 | 广州虎牙信息科技有限公司 | 行为数据处理方法、装置、终端设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377849A (zh) * | 2021-05-24 | 2021-09-10 | 上海钧正网络科技有限公司 | 一种信息推荐方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112150177B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230098620A1 (en) | Online behavioral predictor | |
KR102443680B1 (ko) | 약관 분석 기반 보험 관련 질의 응답 서비스 제공 방법 및 서버 | |
US6363359B1 (en) | Inventory determination for facilitating commercial transactions | |
KR20190006383A (ko) | 사용자 행동 순서에 기반한 구매 확률 예측 방법 및 이를 위한 장치 | |
CN109165974A (zh) | 一种商品推荐模型训练方法、装置、设备及存储介质 | |
US20190019203A1 (en) | Method for providing marketing management data for optimization of distribution and logistics and apparatus for the same | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN111681051A (zh) | 购买意向度预测方法、装置、存储介质及终端 | |
CN109961191A (zh) | 一种优惠券发放方法及装置 | |
CN110442515B (zh) | 应用测试方法、装置、设备及可读存储介质 | |
CN112148594A (zh) | 一种脚本测试方法、装置、电子设备及存储介质 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
US20230281722A1 (en) | Smart estimatics methods and systems | |
CN113034168B (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN112150177B (zh) | 意图预测方法和装置 | |
Stallenberg et al. | Guess what: Test case generation for Javascript with unsupervised probabilistic type inference | |
CN113516251A (zh) | 一种机器学习系统及模型训练方法 | |
CN112561162A (zh) | 一种信息推荐的方法及装置 | |
CN111507471A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
US20230205670A1 (en) | Method and electronic checking system for checking performances of an application on a target equipment of a vehicle, related computer program and applications platform | |
US20130283229A1 (en) | Method for automatically generating and launching application software through a single entry point of a store platform | |
US9881311B2 (en) | Determining a lowest price for a dynamically priced product | |
Rein et al. | Feature prioritization based on mock-purchase: A mobile case study | |
CN111339432A (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN111639007A (zh) | 一种数据处理方法、装置、终端及计算机可读存储介质 |
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 |