CN112163008B - 基于大数据分析的用户行为数据处理方法及云计算平台 - Google Patents

Abstract

本发明涉及的基于大数据分析的用户行为数据处理方法及云计算平台，能够对待处理用户行为数据进行数据流向层面的分析从而提取数据流向信息，进而获取待处理用户行为数据中各个用户行为事件的互动事件参与度，这样能够将用户行为对应的互动事件以及参与度考虑在内。此外，还能够结合状态监测优先级以及互动事件参与度确定对应的时序加权结果从而获得行为事件集的连续性评价值。如此，不仅将互动事件参与度考虑在内，还能够将用户行为在行为事件集上的连续性考虑在内，进而确保对待处理用户行为数据的分析是全局性且连续的，而不是片段式的局部分析，这样能够避免得到的用户画像信息脱离用户实际行为，进而保证得到的用户画像信息不会出现偏差。

Description

基于大数据分析的用户行为数据处理方法及云计算平台

技术领域

本发明实施例涉及大数据和云计算技术领域，具体而言，涉及一种基于大数据分析的用户行为数据处理方法及云计算平台。

背景技术

大数据分析指的是对规模巨大的数据进行分析以深度挖掘数据背后隐藏的价值的技术。大数据分析主要包括以下几个方面：Analytic Visualizations（可视化分析）、Data Mining Algorithms（数据挖掘算法）、Predictive Analytic Capabilities（预测性分析能力）、Semantic Engines（语义引擎）以及Data Quality and Master DataManagement（数据质量和数据管理）。

在现如今的数字时代，通过大数据分析，能够积极主动地预测用户需求、缓冲风险、减少欺诈、提供个性化服务以及优化和改善用户体验。

在实际应用中，上述优点可以通过对用户行为数据进行分析之后实现。例如可以在对用户行为数据进行分析后提供个性化的信息推送和业务推送服务。然而，在分析用户行为数据时，常常出现分析出的用户画像出现偏差的问题。

发明内容

有鉴于此，本发明提供了一种基于大数据分析的用户行为数据处理方法及云计算平台。

本发明实施例提供了一种基于大数据分析的用户行为数据处理方法，应用于云计算平台，包括步骤：提取待处理用户行为数据的数据流向信息；根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度，所述互动事件参与度是指用户行为事件在所述待处理用户行为数据处于被监测状态下的任一交互状态中多端互动事件的互动事件参与度，所述用户行为事件为与多端互动事件存在相同的用户终端的有效状态标识的事件记录；按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集；对于任一种行为事件集，根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度，获取每个用户行为事件的最大互动事件参与度；获取所述行为事件集包括的各个用户行为事件的最大互动事件参与度的时序加权结果，得到所述行为事件集的连续性评价值；当至少两种行为事件集的连续性评价值均满足设定条件时，提取所述待处理用户行为数据在所述多端交互事件中的第一用户画像信息。

本发明实施例还提供了一种云计算平台，包括用户行为数据处理装置，包括用户行为数据处理装置，所述装置在运行时实现上述的基于大数据分析的用户行为数据处理方法。

本发明实施例还提供了一种云计算平台，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于大数据分析的用户行为数据处理方法。

本发明实施例还提供了一种计算机可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在云计算平台执行上述的基于大数据分析的用户行为数据处理方法。

本发明提供的基于大数据分析的用户行为数据处理方法及云计算平台，能够对待处理用户行为数据进行数据流向层面的分析从而提取数据流向信息，进而获取待处理用户行为数据中各个用户行为事件的互动事件参与度，这样能够将用户行为对应的互动事件以及参与度考虑在内。此外，还能够结合状态监测优先级以及互动事件参与度确定对应的时序加权结果从而获得行为事件集的连续性评价值。如此，不仅将互动事件参与度考虑在内，还能够将用户行为在行为事件集上的连续性考虑在内，进而确保对待处理用户行为数据的分析是全局性且连续的，而不是片段式的局部分析，这样能够避免得到的用户画像信息脱离用户实际行为，进而保证得到的用户画像信息不会出现偏差。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例所提供的一种基于大数据分析的用户行为数据处理系统的架构示意图。

图2为本发明实施例所提供的一种云计算平台的方框示意图。

图3为本发明实施例所提供的一种基于大数据分析的用户行为数据处理方法的流程图。

图4为本发明实施例所提供的一种用户行为数据处理装置的模块框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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定义和解释。

发明人在发现背景技术出现的问题之后，对该问题进行了长期研究和分析之后发现，用户画像存在偏差的原因是没有考虑用户行为对应的交互事件参与度以及用户行为的连续性，而直接对片段式的用户行为数据进行局部分析，这样得到的分析结果脱离了用户实际行为，从而导致得到的用户画像出现偏差。

以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。

为改善上述问题，本发明实施例提供了基于大数据分析的用户行为数据处理方法及云计算平台。请首先参阅图1，为基于大数据分析的用户行为数据处理系统30的通信架构示意图，所述用户行为数据处理系统30可以包括互相通信的云计算平台10和用户终端40。云计算平台10可以是云服务器，用户终端40可以是手机、平板电脑等智能电子设备。上述用户行为数据处理系统30可以应用于区块链金融、智能物联网、自动化制造、远程智能医疗、智慧城市管理和云游戏处理等，在此不作限定。

图2示出了本发明实施例所提供的一种云计算平台10的方框示意图。本发明实施例中的云计算平台10可以为具有数据存储、传输、处理功能的服务端，如图2所示，云计算平台10包括：存储器11、处理器12、网络模块13和用户行为数据处理装置20。

存储器11、处理器12和网络模块13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有用户行为数据处理装置20，所述用户行为数据处理装置20包括至少一个可以软件或固件（firmware）的形式储存于所述存储器11中的软件功能模块，所述处理器12通过运行存储在存储器11内的软件程序以及模块，例如本发明实施例中的用户行为数据处理装置20，从而执行各种功能应用以及数据处理，即实现本发明实施例中的基于大数据分析的用户行为数据处理方法。

其中，所述存储器11可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器11用于存储程序，所述处理器12在接收到执行指令后，执行所述程序。

所述处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

网络模块13用于通过网络建立云计算平台10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。

可以理解，图2所示的结构仅为示意，云计算平台10还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

本发明实施例还提供一种计算机可读存储介质，所述可读存储介质包括计算机程序。所述计算机程序运行时控制所述可读存储介质所在云计算平台10执行下面的基于大数据分析的用户行为数据处理方法。

图3示出了本发明实施例所提供的一种基于大数据分析的用户行为数据处理方法的流程图。所述方法有关的流程所定义的方法步骤应用于云计算平台10，可以由所述处理器12实现，所述方法可以包括以下步骤S31-步骤S33所描述的内容。

步骤S31，提取待处理用户行为数据的数据流向信息；根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度。

在步骤S31中，所述互动事件参与度是指用户行为事件在所述待处理用户行为数据处于被监测状态下的任一交互状态中多端互动事件的互动事件参与度，所述用户行为事件为与多端互动事件存在相同的用户终端的有效状态标识的事件记录。

在步骤S31中，待处理用户行为数据可以从用户终端中提取。数据流向信息用于表征待处理用户行为数据对应的交互场景中的数据交互信息，数据流向用于表征不同用户终端之间的数据传递方向。多端互动事件用于表征某个事件的参与方为多个用户终端。有效状态标识用于表征用户终端处于有效交互状态。事件记录用于表征用户终端在交互过程中产生的交互事件，例如聊天事件、支付事件、游戏对局事件等。

步骤S32，按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集；对于任一种行为事件集，根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度，获取每个用户行为事件的最大互动事件参与度；获取所述行为事件集包括的各个用户行为事件的最大互动事件参与度的时序加权结果，得到所述行为事件集的连续性评价值。

在步骤S32中，状态监测优先级用于表征不同用户行为事件的重要程度，状态监测优先级越高，对应的用户行为事件的重要程度越高。时序加权结果用于表征行为事件集在时序上的连续性权重的加权结果，时序加权结果用于计算行为事件集的连续性评价值。连续性评价值用于表征行为事件集对应的用户行为数据的行为连续性。

步骤S33，当至少两种行为事件集的连续性评价值均满足设定条件时，提取所述待处理用户行为数据在所述多端交互事件中的第一用户画像信息。

在步骤S33中，第一用户画像信息用于表征待处理用户行为数据在多端交互事件中的全局性用户画像，能够反映用户在完整的业务事件中的行为特征和画像标签。

可以理解，基于上述步骤S31-步骤S33所描述的内容，能够对待处理用户行为数据进行数据流向层面的分析从而提取数据流向信息，进而获取待处理用户行为数据中各个用户行为事件的互动事件参与度，这样能够将用户行为对应的互动事件以及参与度考虑在内。此外，还能够结合状态监测优先级以及互动事件参与度确定对应的时序加权结果从而获得行为事件集的连续性评价值。如此，不仅将互动事件参与度考虑在内，还能够将用户行为在行为事件集上的连续性考虑在内，进而确保对待处理用户行为数据的分析是全局性且连续的，而不是片段式的局部分析，这样能够避免得到的用户画像信息脱离用户实际行为，进而保证得到的用户画像信息不会出现偏差。

在一个可能的实现方式中，步骤S31所描述的提取待处理用户行为数据的数据流向信息，包括：将所述待处理用户行为数据划分为至少两个第一分段数据流，每个第一分段数据流具有相同的通信签名认证次数；采用预设路径特征识别模型，从每个第一分段数据流中，识别数据流路径分布图；对所述至少两个第一分段数据流的数据流路径分布图进行路径节点提取，并根据提取到的路径节点获取所述数据流向信息。如此，通过对待处理用户行为数据进行数据流分段处理并进行数据流路径分布图的路径节点提取，能够确保根据路径节点获取到的数据流向信息的完整性，避免数据流向信息出现缺失。

在一个可能的实现方式中，步骤S31所描述的根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度，可以包括：将所述数据流向信息输入到行为事件识别线程中，输出所述待处理用户行为数据中各个用户行为事件为多端互动事件的互动事件参与度；其中，所述行为事件识别线程用于基于多端互动事件的数据流向信息，从所述待处理用户行为数据中检测出与多端互动事件存在相同的用户终端的有效状态标识的事件记录，并获取与多端互动事件存在相同的用户终端的有效状态标识的事件记录处于所述被监测状态下为多端互动事件的互动事件参与度。这样一来，能够确保互动事件参与度与用户的实际的有效行为相匹配，避免确定出的互动事件参与度偏高或偏低。

在上述步骤S31-步骤S33的基础上，还可以包括以下步骤S34-36所描述的内容。

步骤S34，以确定所述至少两种行为事件集的连续性评价值均满足设定条件时所述云计算平台的用户画像提取记录为参考记录，从所述待处理用户行为数据中获取与预置通信签名认证次数对应的第二分段数据流。

步骤S35，获取所述第二分段数据流的数据特征波动轨迹。

步骤S36，当所述第二分段数据流的数据特征波动轨迹满足预设波动指标时，提取所述待处理用户行为数据在所述多端交互事件中的第二用户画像信息。

在步骤S34-步骤S36中，所述第二用户画像信息的时序描述值小于所述第一用户画像信息的时序描述值，所述时序描述值越大，表征对应的用户画像信息的生成时刻越靠前。

可以理解，通过执行上述步骤S34-步骤S36，能够在步骤S31-步骤S33的基础上延用对应的用户画像信息的提取逻辑进行第二用户画像信息的提取，这样在确保第二用户画像信息的准确性的前提下还能够提高第二用户画像信息的提取效率。

进一步地，步骤S35所描述的获取所述第二分段数据流的数据特征波动轨迹，可以包括以下子步骤：将所述第二分段数据流划分为至少两个行为数据帧集合，每个行为数据帧集合具有相同的通信签名认证次数；获取每个行为数据帧集合对应的数据帧特征的特征相关度；从所述至少两个行为数据帧集合对应的特征相关度中，获取最大特征相关度和最小特征相关度；获取所述最大特征相关度和所述最小特征相关度的中间相关度的分布轨迹，得到所述第二分段数据流的数据特征波动轨迹。

在本实施例中，所述第二分段数据流包括第三分段数据流和第四分段数据流中至少一个，所述第三分段数据流为以所述用户画像提取记录为参考记录、所述待处理用户行为数据中位于所述用户画像提取记录之后的与预置通信签名认证次数对应的分段数据流，所述第四分段数据流为以所述用户画像提取记录为参考记录、所述待处理用户行为数据中位于所述用户画像提取记录之前的与预置通信签名认证次数对应的分段数据流。

在实际应用时发明人发现，在提取第一用户画像信息时，如果不考虑事件之间的消息传输延时性，可能会导致提取得到的第一用户画像信息存在信息特征断层，为改善这一问题，在步骤S33中，提取所述待处理用户行为数据在所述多端交互事件中的第一用户画像信息，示例性地可以通过以下步骤S331-步骤S334所描述的内容实现。

步骤S331，提取所述待处理用户行为数据在所述多端交互事件中的行为数据交互清单，其中所述行为数据交互清单包括所述待处理用户行为数据的同一交互时间段的待识别行为数据交互清单的集合。

步骤S332，通过数据清单解析线程的动态线程执行节点中的周期性调用函数对所述行为数据交互清单进行清单关键消息识别，确定与所述行为数据交互清单相匹配的第一事件消息队列。

步骤S333，基于所述第一事件消息队列，通过所述数据清单解析线程中的动态线程执行节点中的非周期性调用函数，确定与所述行为数据交互清单相匹配的第二事件消息队列。

步骤S334，基于行为数据交互清单相匹配的第二事件消息队列，通过所述数据清单解析线程的静态线程执行节点，对所述行为数据交互清单进行连续性特征提取，以实现输出经过时序连续性校验的所述行为数据交互清单的第一用户画像信息。

可以理解，在应用上述步骤S331-步骤S334所描述的内容时，能够提取待处理用户行为数据在多端交互事件中的行为数据交互清单，从而分别基于数据清单解析线程的动态线程执行节点中的周期性调用函数、非周期性调用函数以及数据清单解析线程的静态线程执行节点实现对行为数据交互清单的特征提取，这样能够基于动态线程执行节点和静态线程执行节点消除事件之间的消息传输延时性，从而确保提取得到的第一用户画像信息存在信息特征不会出现断层。

进一步地，步骤S332所描述的通过所述数据清单解析线程的动态线程执行节点中的周期性调用函数对所述行为数据交互清单进行清单关键消息识别，确定与所述行为数据交互清单相匹配的第一事件消息队列，可以包括以下步骤S3321-步骤S3325所描述的内容。

步骤S3321，通过所述数据清单解析线程中的第一静态线程执行节点，确定与所述行为数据交互清单对应的清单结构描述信息。

步骤S3322，通过所述周期性调用函数中的函数调用路径，确定所述清单结构描述信息对应的清单结构校正信息。

步骤S3323，响应于所述清单结构校正信息，通过所述周期性调用函数中的多路径模拟器标识，对所述清单结构描述信息中的任一描述信息集的描述特征分布进行远程调用处理，确定第一交互清单处理结果。

步骤S3324，通过所述周期性调用函数中的多路径行为参数变量，对所述第一交互清单处理结果进行本地调用处理和远程调用处理，确定第二交互清单处理结果。

步骤S3325，通过关键消息识别模型，将缓存区中第二交互清单处理结果导入到模型样本集中，并通过所述关键消息识别模型的消息标签识别网络，确定与所述行为数据交互清单相匹配的第一事件消息队列。

进一步地，所述通过所述第一静态线程执行节点对所述行为数据交互清单进行多维特征聚类，包括：根据所述行为数据交互清单所对应的交互时间段的相对时序权重，确定与所述数据清单解析线程的线程运行脚本相匹配的脚本格式参数；根据所述脚本格式参数通过所述第一静态线程执行节点对所述行为数据交互清单进行多维特征聚类，以形成与所述脚本格式参数相匹配的行为数据交互清单。

在一个可以实现的实施例中，步骤S333所描述的基于所述第一事件消息队列，通过所述数据清单解析线程中的动态线程执行节点中的非周期性调用函数，确定与所述行为数据交互清单相匹配的第二事件消息队列，具体包括：通过所述数据清单解析线程中的动态线程执行节点中的非周期性调用函数对所述第一事件消息队列进行队列拆分，确定所述行为数据交互清单的离散事件集合，其中，所述非周期性调用函数包括至少一个可变调用路径；将所述离散事件集合作为当前识别单元的输入集合，并通过当前识别单元对所输入的离散事件集合进行提取，得到所述当前识别单元的输出集合；将所述当前识别单元的输出集合和所述当前识别单元的输入集合进行相似性比对，得到比对结果；基于所述非周期性调用函数包括的所有识别单元对所述比对结果进行事件消息筛选，确定与所述行为数据交互清单相匹配的第二事件消息队列。

在一个示例中，在步骤S33中，可以通过以下步骤（1）-步骤（3）确定至少两种行为事件集的连续性评价值均满足设定条件。

（1）生成其中一种行为事件集对应的第一事件连续性分布以及另一种行为事件集对应的第二事件连续性分布，并确定所述第一事件连续性分布和所述第二事件连续性分布中分别包括的多个不同行为连续性评价指数的分布信息集。

（2）提取所述其中一种行为事件集在所述第一事件连续性分布的任一分布信息集的交互事件场景信息，将所述第二事件连续性分布中具有最小行为连续性评价指数的分布信息集确定为目标分布信息集；根据至少两种行为事件集的连续性评价值之间的评价值之差所处的分级数值区间，将所述交互事件场景信息复制到所述目标分布信息集，以在所述目标分布信息集中得到场景复制信息；基于所述交互事件场景信息与所述场景复制信息之间的场景差异特征，生成所述其中一种行为事件集和所述另一种行为事件集之间的事件关联列表。

（3）以所述场景复制信息为参考信息在所述目标分布信息集中获取待处理场景信息，根据所述事件关联列表对应的事件关联优先级的由大到小的顺序，将所述待处理场景信息复制到所述交互事件场景信息所在分布信息集，在所述交互事件场景信息所在分布信息集中得到所述待处理场景信息对应的目标场景信息，基于所述目标场景信息确定所述其中一种行为事件集和所述另一种行为事件集的连续性影响因子；采用所述连续性影响因子分别对所述其中一种行为事件集对应的第一连续性评价值进行加权得到第一目标评价值以及对所述另一种行为事件集对应的第二连续性评价值进行加权得到第二目标评价值；若所述第一目标评价值和所述第二目标评价值均大于设定评价值，则确定至少两种行为事件集的连续性评价值均满足设定条件。

如此，通过执行上述步骤（1）-步骤（3），能够对不同的行为事件集之间的事件关联列表进行生成，从而打破不同行为事件集之间在交互场景上的壁垒和不兼容，这样能够采用相同的连续性影响因子分别对所述其中一种行为事件集对应的第一连续性评价值进行加权得到第一目标评价值以及对所述另一种行为事件集对应的第二连续性评价值进行加权得到第二目标评价值，从而基于第一目标评价值和第二目标评价值来准确可靠地判定至少两种行为事件集的连续性评价值均满足设定条件。

在一种可替换的实施例中，步骤S32所描述的获取所述行为事件集包括的各个用户行为事件的最大互动事件参与度的时序加权结果，得到所述行为事件集的连续性评价值，可以包括以下步骤a-步骤c所描述的内容。

步骤a，获取与所述行为事件集对应的包含各个用户行为事件的事件参与记录的待处理事件列表，以及至少一个包含各个用户行为事件的事件类别标识的全局场景标签，其中，所述全局场景标签与待处理事件列表具有不同的时序加权权重。

步骤b，从所述待处理事件列表中提取目标列表区域的待处理列表元素，并从所述全局场景标签中提取目标列表区域的场景分类子标签，其中，所述待处理列表元素包括用于标记待处理事件列表中的用户行为事件触发时刻的多个触发检测标识，所述场景分类子标签包括用于标记全局场景标签中的用户行为事件触发时刻的多个触发记录标识。

步骤c，根据预设标识生成记录对应的标识格式化参数将所述多个触发检测标识加载至所述全局场景标签中，得到多个异构加载标识；构建所述多个异构加载标识与所述多个触发记录标识之间的标识相关度矩阵；基于所述标识相关度矩阵，获取待处理事件列表中的触发检测标识在所述全局场景标签中对应的触发记录标识的时序连续性加权因子；采用所述时序连续性加权因子对各个用户行为事件的最大互动事件参与度进行加权求和，得到所述行为事件集的连续性评价值。

在应用上述步骤a-步骤c所描述的内容时，能够对全局场景标签以及场景分类子标签进行分析，从而在对最大互动事件参与度进行加权求和考虑不同业务场景之间的差异化影响度，这样可以确保行为事件集的连续性评价值在不同业务场景中的平衡，进而保证连续性评价值的稳定性和可验证性。

在一种可替换的实施例中，步骤S32所描述的按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集，示例性地可以包括以下步骤S3211-步骤S3213所描述的内容。

步骤S3211，获取每个用户行为事件的状态监测优先级的优先级分配记录；将所述优先级分配记录转换成流式逻辑拓扑。

步骤S3212，并行地将各流式逻辑拓扑输入至处于待监测状态的各事件状态监测线程；所述流式逻辑拓扑用于指示相应事件状态监测线程生成与所述流式逻辑拓扑相应的第一多级拓扑列表，所述流式逻辑拓扑还用于指示相应事件状态监测线程将所述流式逻辑拓扑分别转换成节点轨迹式拓扑集合和节点列表式拓扑集合，分别从所述节点轨迹式拓扑集合的各轨迹曲线中提取第一逻辑拓扑，以及从节点列表式拓扑集合的各节点列表提取第二逻辑拓扑，根据所述第一逻辑拓扑确定行为状态参数和根据第二逻辑拓扑确定行为类别参数。

步骤S3213，分析各所述行为状态参数和所述行为类别参数，并去除各所述事件状态监测线程所反馈的第一多级拓扑列表中的冗余列表区域，并根据去除所述冗余列表区域后剩余的多级拓扑列表，组合生成与所述优先级分配记录对应的第二多级拓扑列表；基于所述优先级分配记录对应的第二多级拓扑列表确定所述用户行为事件是否为存在异常行为风险，若不存在，则获取所述用户行为事件，并得到至少两种行为事件集。

可以理解，通过执行上述步骤S3211-步骤S3213，能够在获取用户行为事件之前确保用户行为事件不存在异常行为风险，这样能够确保行为事件集对应的用户画像信息是正常行为和安全行为对应的用户画像，避免后期进行业务推送和信息推送时的安全隐患。

在一种可替换的实施例中，步骤S32所描述的对于任一种行为事件集，根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度，获取每个用户行为事件的最大互动事件参与度，具体可以包括以下步骤所描述的内容：根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度在所述行为事件集对应的参与度优先级，对所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度进行排序得到参与度排序队列，按照所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度在所述参与度排序队列中的队列位置确定每个用户行为事件的最大互动事件参与度。这样一来，可以确保不同最大互动事件参与度之间的相关性差异，从而确保每个最大互动事件参与度的可信度。

在上述基础上，如图4所示，本发明实施例提供了一种用户行为数据处理装置20，所述装置包括模块：

数据流向提取模块21，用于提取待处理用户行为数据的数据流向信息；根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度，所述互动事件参与度是指用户行为事件在所述待处理用户行为数据处于被监测状态下的任一交互状态中多端互动事件的互动事件参与度，所述用户行为事件为与多端互动事件存在相同的用户终端的有效状态标识的事件记录；

连续评价确定模块22，用于按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集；对于任一种行为事件集，根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度，获取每个用户行为事件的最大互动事件参与度；获取所述行为事件集包括的各个用户行为事件的最大互动事件参与度的时序加权结果，得到所述行为事件集的连续性评价值；

用户画像提取模块23，用于当至少两种行为事件集的连续性评价值均满足设定条件时，提取所述待处理用户行为数据在所述多端交互事件中的第一用户画像信息。

关于上述功能模块数据流向提取模块21、连续评价确定模块22和用户画像提取模块23的描述可以参阅对图3所示的方法的描述，在此不作赘述。

在上述基础上，还提供了一种基于大数据分析的用户行为数据处理系统，包括互相之间通信的云计算平台和多个用户终端；其中，所述云计算平台用于：

提取待处理用户行为数据的数据流向信息；根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度，所述互动事件参与度是指用户行为事件在所述待处理用户行为数据处于被监测状态下的任一交互状态中多端互动事件的互动事件参与度，所述用户行为事件为与多端互动事件存在相同的用户终端的有效状态标识的事件记录；

按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集；对于任一种行为事件集，根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度，获取每个用户行为事件的最大互动事件参与度；获取所述行为事件集包括的各个用户行为事件的最大互动事件参与度的时序加权结果，得到所述行为事件集的连续性评价值；

当至少两种行为事件集的连续性评价值均满足设定条件时，提取所述待处理用户行为数据在所述多端交互事件中的第一用户画像信息。

关于上述系统的的描述可以参阅对图3所示的方法的描述，在此不作赘述。

综上，本发明实施例所提供的基于大数据分析的用户行为数据处理方法及云计算平台，能够对待处理用户行为数据进行数据流向层面的分析从而提取数据流向信息，进而获取待处理用户行为数据中各个用户行为事件的互动事件参与度，这样能够将用户行为对应的互动事件以及参与度考虑在内。此外，还能够结合状态监测优先级以及互动事件参与度确定对应的时序加权结果从而获得行为事件集的连续性评价值。如此，不仅将互动事件参与度考虑在内，还能够将用户行为在行为事件集上的连续性考虑在内，进而确保对待处理用户行为数据的分析是全局性且连续的，而不是片段式的局部分析，这样能够避免得到的用户画像信息脱离用户实际行为，进而保证得到的用户画像信息不会出现偏差。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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，云计算平台10，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据分析的用户行为数据处理方法，其特征在于，应用于云计算平台，包括步骤：

提取待处理用户行为数据的数据流向信息；根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度，所述互动事件参与度是指用户行为事件在所述待处理用户行为数据处于被监测状态下的任一交互状态中多端互动事件的互动事件参与度，所述用户行为事件为与多端互动事件存在相同的用户终端的有效状态标识的事件记录；

按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集；对于任一种行为事件集，根据所述行为事件集中每个用户行为事件处于所述被监测状态下的互动事件参与度，获取每个用户行为事件的最大互动事件参与度；获取所述行为事件集包括的各个用户行为事件的最大互动事件参与度的时序加权结果，得到所述行为事件集的连续性评价值；

当至少两种行为事件集的连续性评价值均满足设定条件时，提取所述待处理用户行为数据在所述多端互动事件中的第一用户画像信息；

其中，按照每个用户行为事件的状态监测优先级，获取至少两个用户行为事件，得到至少两种行为事件集，包括：获取每个用户行为事件的状态监测优先级的优先级分配记录；将所述优先级分配记录转换成流式逻辑拓扑；并行地将各流式逻辑拓扑输入至处于待监测状态的各事件状态监测线程；所述流式逻辑拓扑用于指示相应事件状态监测线程生成与所述流式逻辑拓扑相应的第一多级拓扑列表，所述流式逻辑拓扑还用于指示相应事件状态监测线程将所述流式逻辑拓扑分别转换成节点轨迹式拓扑集合和节点列表式拓扑集合，分别从所述节点轨迹式拓扑集合的各轨迹曲线中提取第一逻辑拓扑，以及从节点列表式拓扑集合的各节点列表提取第二逻辑拓扑，根据所述第一逻辑拓扑确定行为状态参数和根据第二逻辑拓扑确定行为类别参数；分析各所述行为状态参数和所述行为类别参数，并去除各所述事件状态监测线程所反馈的第一多级拓扑列表中的冗余列表区域，并根据去除所述冗余列表区域后剩余的多级拓扑列表，组合生成与所述优先级分配记录对应的第二多级拓扑列表；基于所述优先级分配记录对应的第二多级拓扑列表确定所述用户行为事件是否为存在异常行为风险，若不存在，则获取所述用户行为事件，并得到至少两种行为事件集。

2.根据权利要求1所述的方法，其特征在于，所述提取待处理用户行为数据的数据流向信息，包括：

将所述待处理用户行为数据划分为至少两个第一分段数据流，每个第一分段数据流具有相同的通信签名认证次数；

采用预设路径特征识别模型，从每个第一分段数据流中，识别数据流路径分布图；

对所述至少两个第一分段数据流的数据流路径分布图进行路径节点提取，并根据提取到的路径节点获取所述数据流向信息。

3.根据权利要求1所述的方法，其特征在于，所述根据所述数据流向信息，获取所述待处理用户行为数据中各个用户行为事件的互动事件参与度，包括：

将所述数据流向信息输入到行为事件识别线程中，输出所述待处理用户行为数据中各个用户行为事件为多端互动事件的互动事件参与度；

其中，所述行为事件识别线程用于基于多端互动事件的数据流向信息，从所述待处理用户行为数据中检测出与多端互动事件存在相同的用户终端的有效状态标识的事件记录，并获取与多端互动事件存在相同的用户终端的有效状态标识的事件记录处于所述被监测状态下为多端互动事件的互动事件参与度。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：以确定所述至少两种行为事件集的连续性评价值均满足设定条件时所述云计算平台的用户画像提取记录为参考记录，从所述待处理用户行为数据中获取与预置通信签名认证次数对应的第二分段数据流；获取所述第二分段数据流的数据特征波动轨迹；当所述第二分段数据流的数据特征波动轨迹满足预设波动指标时，提取所述待处理用户行为数据在所述多端互动事件中的第二用户画像信息；其中，所述第二用户画像信息的时序描述值小于所述第一用户画像信息的时序描述值，所述时序描述值越大，表征对应的用户画像信息的生成时刻越靠前；

其中，所述获取所述第二分段数据流的数据特征波动轨迹，包括：将所述第二分段数据流划分为至少两个行为数据帧集合，每个行为数据帧集合具有相同的通信签名认证次数；获取每个行为数据帧集合对应的数据帧特征的特征相关度；从所述至少两个行为数据帧集合对应的特征相关度中，获取最大特征相关度和最小特征相关度；获取所述最大特征相关度和所述最小特征相关度的中间相关度的分布轨迹，得到所述第二分段数据流的数据特征波动轨迹；

其中，所述第二分段数据流包括第三分段数据流和第四分段数据流中至少一个，所述第三分段数据流为以所述用户画像提取记录为参考记录、所述待处理用户行为数据中位于所述用户画像提取记录之后的与预置通信签名认证次数对应的分段数据流，所述第四分段数据流为以所述用户画像提取记录为参考记录、所述待处理用户行为数据中位于所述用户画像提取记录之前的与预置通信签名认证次数对应的分段数据流。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述提取所述待处理用户行为数据在所述多端互动事件中的第一用户画像信息，包括：

提取所述待处理用户行为数据在所述多端互动事件中的行为数据交互清单，其中所述行为数据交互清单包括所述待处理用户行为数据的同一交互时间段的待识别行为数据交互清单的集合；

通过数据清单解析线程的动态线程执行节点中的周期性调用函数对所述行为数据交互清单进行清单关键消息识别，确定与所述行为数据交互清单相匹配的第一事件消息队列；

基于所述第一事件消息队列，通过所述数据清单解析线程中的动态线程执行节点中的非周期性调用函数，确定与所述行为数据交互清单相匹配的第二事件消息队列；

基于行为数据交互清单相匹配的第二事件消息队列，通过所述数据清单解析线程的静态线程执行节点，对所述行为数据交互清单进行连续性特征提取，以实现输出经过时序连续性校验的所述行为数据交互清单的第一用户画像信息；

其中，所述通过数据清单解析线程的动态线程执行节点中的周期性调用函数对所述行为数据交互清单进行清单关键消息识别，确定与所述行为数据交互清单相匹配的第一事件消息队列，包括：通过所述数据清单解析线程中的第一静态线程执行节点，确定与所述行为数据交互清单对应的清单结构描述信息；通过所述周期性调用函数中的函数调用路径，确定所述清单结构描述信息对应的清单结构校正信息；响应于所述清单结构校正信息，通过所述周期性调用函数中的多路径模拟器标识，对所述清单结构描述信息中的任一描述信息集的描述特征分布进行远程调用处理，确定第一交互清单处理结果；通过所述周期性调用函数中的多路径行为参数变量，对所述第一交互清单处理结果进行本地调用处理和远程调用处理，确定第二交互清单处理结果；通过关键消息识别模型，将缓存区中第二交互清单处理结果导入到模型样本集中，并通过所述关键消息识别模型的消息标签识别网络，确定与所述行为数据交互清单相匹配的第一事件消息队列；

其中，所述通过所述数据清单解析线程中的第一静态线程执行节点，确定与所述行为数据交互清单对应的清单结构描述信息，包括：通过所述第一静态线程执行节点对所述行为数据交互清单进行多维特征聚类；通过所述第一静态线程执行节点的行为参数变量和变量相关性系数对经过多维特征聚类的清单聚类集进行处理，得到所述行为数据交互清单的目标聚类集；通过所述第一静态线程执行节点的传递节点队列，对所述行为数据交互清单的目标聚类集进行描述性聚类特征提取，确定与所述行为数据交互清单对应的清单结构描述信息；

其中，所述通过所述第一静态线程执行节点对所述行为数据交互清单进行多维特征聚类，包括：根据所述行为数据交互清单所对应的交互时间段的相对时序权重，确定与所述数据清单解析线程的线程运行脚本相匹配的脚本格式参数；根据所述脚本格式参数通过所述第一静态线程执行节点对所述行为数据交互清单进行多维特征聚类，以形成与所述脚本格式参数相匹配的行为数据交互清单。

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一事件消息队列，通过所述数据清单解析线程中的动态线程执行节点中的非周期性调用函数，确定与所述行为数据交互清单相匹配的第二事件消息队列，包括：通过所述数据清单解析线程中的动态线程执行节点中的非周期性调用函数对所述第一事件消息队列进行队列拆分，确定所述行为数据交互清单的离散事件集合，其中，所述非周期性调用函数包括至少一个可变调用路径；将所述离散事件集合作为当前识别单元的输入集合，并通过当前识别单元对所输入的离散事件集合进行提取，得到所述当前识别单元的输出集合；将所述当前识别单元的输出集合和所述当前识别单元的输入集合进行相似性比对，得到比对结果；基于所述非周期性调用函数包括的所有识别单元对所述比对结果进行事件消息筛选，确定与所述行为数据交互清单相匹配的第二事件消息队列。

7.根据权利要求1所述的方法，其特征在于，通过以下方式确定至少两种行为事件集的连续性评价值均满足设定条件：

生成其中一种行为事件集对应的第一事件连续性分布以及另一种行为事件集对应的第二事件连续性分布，并确定所述第一事件连续性分布和所述第二事件连续性分布中分别包括的多个不同行为连续性评价指数的分布信息集；

提取所述其中一种行为事件集在所述第一事件连续性分布的任一分布信息集的交互事件场景信息，将所述第二事件连续性分布中具有最小行为连续性评价指数的分布信息集确定为目标分布信息集；根据至少两种行为事件集的连续性评价值之间的评价值之差所处的分级数值区间，将所述交互事件场景信息复制到所述目标分布信息集，以在所述目标分布信息集中得到场景复制信息；基于所述交互事件场景信息与所述场景复制信息之间的场景差异特征，生成所述其中一种行为事件集和所述另一种行为事件集之间的事件关联列表；

以所述场景复制信息为参考信息在所述目标分布信息集中获取待处理场景信息，根据所述事件关联列表对应的事件关联优先级的由大到小的顺序，将所述待处理场景信息复制到所述交互事件场景信息所在分布信息集，在所述交互事件场景信息所在分布信息集中得到所述待处理场景信息对应的目标场景信息，基于所述目标场景信息确定所述其中一种行为事件集和所述另一种行为事件集的连续性影响因子；采用所述连续性影响因子分别对所述其中一种行为事件集对应的第一连续性评价值进行加权得到第一目标评价值以及对所述另一种行为事件集对应的第二连续性评价值进行加权得到第二目标评价值；若所述第一目标评价值和所述第二目标评价值均大于设定评价值，则确定至少两种行为事件集的连续性评价值均满足设定条件。

8.一种云计算平台，其特征在于，包括用户行为数据处理装置，所述装置在运行时实现权利要求1-7任一项所述的方法。

9.一种云计算平台，其特征在于，包括：存储器、处理器和网络模块；其中，所述存储器、所述处理器和所述网络模块之间直接或间接地电性连接；所述处理器通过从所述存储器中读取计算机程序并运行以实现权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述可读存储介质包括计算机程序；所述计算机程序运行时控制所述可读存储介质所在云计算平台执行权利要求1-7任一项所述的方法。

Images