CN112214387A - 基于知识图谱的用户操作行为预测方法及装置 - Google Patents

基于知识图谱的用户操作行为预测方法及装置 Download PDF

Info

Publication number
CN112214387A
CN112214387A CN202011088588.2A CN202011088588A CN112214387A CN 112214387 A CN112214387 A CN 112214387A CN 202011088588 A CN202011088588 A CN 202011088588A CN 112214387 A CN112214387 A CN 112214387A
Authority
CN
China
Prior art keywords
user
operation behavior
functional entities
app functional
knowledge graph
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
Application number
CN202011088588.2A
Other languages
English (en)
Other versions
CN112214387B (zh
Inventor
丁平
刘新兰
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202011088588.2A priority Critical patent/CN112214387B/zh
Publication of CN112214387A publication Critical patent/CN112214387A/zh
Application granted granted Critical
Publication of CN112214387B publication Critical patent/CN112214387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于知识图谱的用户操作行为预测方法及装置，该方法包括：获取目标用户的历史操作行为涉及的多个APP功能实体；基于用户操作行为知识图谱，预测在历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，用户操作行为知识图谱的实体包括用户实体和APP功能实体；根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。本发明可以准确预测用户操作行为。

Description

基于知识图谱的用户操作行为预测方法及装置
技术领域
本发明涉及大数据技术领域，尤其涉及一种基于知识图谱的用户操作行为预测方法及装置。
背景技术
用户登录APP(例如手机银行APP)后，每个用户点击手机屏幕的点各不相同，对应的功能也都各不相同。用户登录APP后，其操作行为由其功能导向决定。一定程度上，取决于APP的用户体验，复杂的APP导致用户对于相同的功能点击数量较多，寻找相关功能过程比较复杂；用户对于单一功能的寻找，也是沿着APP自定义的路径进行寻找。传统的方式，仅仅根据用户体验师去确定APP各项功能的路径确定，对于用户APP操作下一步路径预测更是无法解决。
发明内容
本发明实施例提出一种基于知识图谱的用户操作行为预测方法，用以准确预测用户操作行为，该方法包括：
获取目标用户的历史操作行为涉及的多个APP功能实体；
基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；
根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；
从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
本发明实施例提出一种基于知识图谱的用户操作行为预测装置，用以准确预测用户操作行为，该装置包括：
数据获取模块，用于获取目标用户的历史操作行为涉及的多个APP功能实体；
第一预测模块，用于基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；
第二预测模块，用于根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；
确定模块，用于从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
本发明实施例还提出了一种计算机设备，包括存储器、处理器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基于知识图谱的用户操作行为预测方法。
本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于知识图谱的用户操作行为预测方法的计算机程序。
在本发明实施例中，获取目标用户的历史操作行为涉及的多个APP功能实体；基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。在上述实施例中，基于用户操作行为知识图谱，可以实现预测目标用户的多个下一APP功能实体及对应的概率，并确定概率最大的下一APP功能实体为目标用户的下一APP功能实体，准确度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。在附图中：
图1为本发明实施例中基于知识图谱的用户操作行为预测方法的流程图；
图2为本发明实施例中基于知识图谱的用户操作行为预测方法的详细流程图；
图3为本发明实施例基于知识图谱的用户操作行为预测装置的示意图；
图4为本发明实施例中第一预测模块的示意图；
图5为本发明实施例中第二预测模块的示意图；
图6为本发明实施例中计算机设备的示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
图1为本发明实施例中基于知识图谱的用户操作行为预测方法的流程图，如图1所示，该方法包括：
步骤101，获取目标用户的历史操作行为涉及的多个APP功能实体；
步骤102，基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；
步骤103，根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；
步骤104，从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
在本发明实施例中，基于用户操作行为知识图谱，可以实现预测目标用户的多个下一APP功能实体及对应的概率，并确定概率最大的下一APP功能实体为目标用户的下一APP功能实体，准确度高。
具体实施时，APP应用场景包括多种，例如手机银行APP，当然，也可以包括其他各类手机或其他终端上应用的APP，相关变化例均应落入本发明的保护范围。以手机银行APP为例，APP功能实体包括搜索、客服、扫码支付、收付款、余额理财、存款管理、基金等。其中，用户实体的实体属性包括用户姓名、性别、年龄、资产、电子银行客户号、国籍、民族、出生日期、手机号和操作时长中的至少一种；APP功能实体的实体属性包括功能名称、功能使用量、功能关联度和停留时长中的至少一种。
实体关系是基于用户在APP应用场景下的操作行为确定的，实体关系值用户实体与功能实体、功能实体与功能实体、功能实体之间的关系。实体关系包括用户在APP应用场景的唯一标识。唯一标识可以保证每个用户在每个APP应用场景的数据方便查找。实体关系采用如下表示：
<实体，操作行为，实体，唯一标识>。
上述标识可以形成一个易于记录、查找的关系图谱，便于后续构建知识图谱。
以用户登录手机银行APP为例，确定实体关系以及更新实体属性值的过程如下：
用户登录手机银行APP首页：分配用户实体A的唯一标识为Seq(A)(该变量为全局唯一)，用户A登录首页功能，则实体关系表示为<用户实体A，登录，首页功能实体，Seq(A)>。
用户点击余额理财功能实体：更新首页功能实体的功能关联度+1，更新用户停留在首页功能实体的停留时长t，更新首页功能实体的功能使用量+1，停留时长还可以采用<t,Seq(A)>标记。实体关系表示为<首页功能实体，跳转，余额理财功能实体，Seq(A)>。
用户点击工资理财功能实体：更新余额理财功能实体的功能关联度+1，更新用户停留在余额理财功能实体的停留时长t1，更新余额理财功能实体的功能使用量+1，停留时长还可以采用<t1,Seq(A)>标记。实体关系表示为<余额理财功能实体，跳转，工资理财功能实体，Seq(A)>。
用户点击退出手机银行APP：更新工资理财功能实体的功能关联度+1，更新用户停留在工资理财功能实体的停留时长t2，更新工资理财功能实体的功能使用量+1，停留时长还可以采用<t2,Seq(A)>标记。实体关系表示为<工资理财功能实体，跳转，退出功能实体，Seq(A)>。更新退出功能实体的功能关联度+1，更新用户停留在退出功能实体的停留时长t2，更新退出功能实体的功能使用量+1。
更新用户实体A的操作时长，记录为<tN，Seq(A)>。
基于所述实体、实体属性和实体关系，构建用户操作行为知识图谱，该用户操作行为知识图谱全流程记录用户登录手机银行APP的操作过程，能清晰描述用户登录手机银行APP后对相关功能进行操作的各个过程。
在步骤101中，获取目标用户的历史操作行为涉及的多个APP功能实体，即目标用户经过一系列历史操作行为，共涉及了多个APP功能实体，例如涉及了首页功能实体、余额理财功能实体。那么之后要预测该目标用户的下一APP功能实体。
在一实施例中，基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，包括：
基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的第一概率；
基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的多个下一APP功能实体及对应的第二概率；
根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率。
在上述实施例中，基于用户操作行为知识图谱，可以根据多个用户的操作行为总结出现所述历史操作行为涉及多个APP功能实体的第一概率，例如，可以获得出现首页功能实体、余额理财功能实体的第一概率为P(A1,A2...An-1)，而之后，还能出现的下一APP功能实体为包括工资理财功能实体、退出功能实体这两个，其中工资理财功能实体对应一个第二概率，退出功能实体对应一个第二概率，可以获得两个第二概率，在一实施例中，采用如下公式，根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率：
P(An,j|A1,A2...An-1)＝P(A1,A2...An,j)/P(A1,A2...An-1)
其中，An,j为第j个下一APP功能实体，A1,A2...An-1为所述历史操作行为涉及多个APP功能实体；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
P(A1,A2...An-1)为第一概率；
P(A1,A2...An,j)为第j个第二概率。
在上述实施例中，例如，根据第一概率和工资理财功能实体对应的第二概率，计算出在首页功能实体、余额理财功能实体的条件下，工资理财功能实体对应的条件概率；根据第一概率和退出功能实体对应的第二概率，计算出在首页功能实体、余额理财功能实体的条件下，退出功能实体对应的条件概率。
在一实施例中，根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率，包括：
基于目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，确定用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值；
计算目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度；
根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率。
在上述实施例中，目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系可以从其他地方获取，例如从APP用户关系图谱获取，根据其关系，可以确定用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值，也就是目标用户与其他用户的紧密程度用权重可以表示出来。
在计算目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度时，根据目标用户和上述每个用户的实体属性来计算。
余弦相似度算法：一个向量空间中两个向量夹角间的余弦值作为衡量两个个体之间差异的大小，余弦值接近1，夹角趋于0，表明两个向量越相似，余弦值接近于0，夹角趋于90度，表明两个向量越不相似。
例如，用户U的实体属性为{性别＝女、年龄＝20、资产＝大于20万、电子银行客户号＝有、国籍＝中国、民族＝汉族、操作时长＝5分钟}，用户U1的实体属性为{性别＝女、年龄＝30、资产＝大于50万、电子银行客户号＝有、国籍＝中国、民族＝汉族、操作时长＝10分钟}，数字化规则为：性别为男，数字化为1，否则为0；年龄小于25岁，数字化为0，年龄在25岁至35岁之前，数字化为1，年龄大于35岁，数字化为2；资产大于20万为1，资产在20万至50之间为2，否则为3；电子银行客户号有为1，否则为0；国籍为中国，数字化为1，否则为0；民族为汉族，数字化为1，否则为0；操作时长小于8分钟，数字化0，操作时长在8分钟至15分钟，数字化为1，否则为2；最后，用户U的实体属性为{0，0,1，1，1,1,0}，用户U1的实体属性为{0,1,2，1,1,1,2}，用户U和用户U1的余弦相似度为0.69。
在一实施例中，采用如下公式，根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率：
Figure BDA0002721195900000071
其中，P(An,j)为第j个APP功能实体对应的概率；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
wi为用户操作行为知识图谱中出现所述历史操作行为的第i个用户的权值；
cos(U,Ui)为目标用户U和用户操作行为知识图谱中出现所述历史操作行为的第i个用户Ui的余弦相似度；
a和b为系数。
基于上述实施例，下面给出一个基于知识图谱的用户操作行为预测方法的详细流程图，如图2所示，包括：
步骤201，获取目标用户的历史操作行为涉及的多个APP功能实体；
步骤202，基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的第一概率；
步骤203，基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的多个下一APP功能实体及对应的第二概率；
步骤204，根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率；
步骤205，基于目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，确定用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值；
步骤206，计算目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度；
步骤207，根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率；
步骤208，从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
当然，上述详细实施例还可以有其他变化例，均应落入本发明的保护范围。
综上所述，在本发明实施例提出的方法中，获取目标用户的历史操作行为涉及的多个APP功能实体；基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。在上述实施例中，基于用户操作行为知识图谱，可以实现预测目标用户的多个下一APP功能实体及对应的概率，并确定概率最大的下一APP功能实体为目标用户的下一APP功能实体，准确度高。
本发明实施例还提出一种基于知识图谱的用户操作行为预测装置，其原理与基于知识图谱的用户操作行为预测方法类似，这里不再赘述。
图3为本发明实施例中基于知识图谱的用户操作行为预测装置的示意图，如图3所示，该装置包括：
数据获取模块301，用于获取目标用户的历史操作行为涉及的多个APP功能实体；
第一预测模块302，用于基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；
第二预测模块303，用于根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；
确定模块304，用于从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
在一实施例中，如图4为本发明实施例中第一预测模块的示意图，第一预测模块包括：
第一概率获得模块401，用于基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的第一概率；
第二概率获得模块402，用于基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的多个下一APP功能实体及对应的第二概率；
条件概率计算模块403，用于根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率.
在一实施例中，条件概率计算模块具体用于：
采用如下公式，根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率：
P(An,j|A1,A2...An-1)＝P(A1,A2...An,j)/P(A1,A2...An-1)
其中，An,j为第j个下一APP功能实体，A1,A2...An-1为所述历史操作行为涉及多个APP功能实体；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
P(A1,A2...An-1)为第一概率；
P(A1,A2...An,j)为第j个第二概率。
在一实施例中，如图5为本发明实施例中第二预测模块的示意图，第二预测模块包括：
权值确定模块501，用于基于目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，确定用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值；
余弦相似度计算模块502，用于计算目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度；
概率计算模块503，用于根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率。
在一实施例中，概率计算模块503具体用于：
采用如下公式，根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率：
Figure BDA0002721195900000101
其中，P(An,j)为第j个APP功能实体对应的概率；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
wi为用户操作行为知识图谱中出现所述历史操作行为的第i个用户的权值；
cos(U,Ui)为目标用户U和用户操作行为知识图谱中出现所述历史操作行为的第i个用户Ui的余弦相似度；
a和b为系数。
综上所述，在本发明实施例提出的装置中，获取目标用户的历史操作行为涉及的多个APP功能实体；基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。在上述实施例中，基于用户操作行为知识图谱，可以实现预测目标用户的多个下一APP功能实体及对应的概率，并确定概率最大的下一APP功能实体为目标用户的下一APP功能实体，准确度高。
本申请的实施例还提供一种计算机设备，图6为本发明实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的基于知识图谱的用户操作行为预测方法中全部步骤，所述计算机设备具体包括如下内容：
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和通信总线604；
其中，所述处理器601、存储器602、通信接口603通过所述通信总线604完成相互间的通信；所述通信接口603用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的基于知识图谱的用户操作行为预测方法中的全部步骤。
本申请的实施例还提供一种计算机可读存储介质，能够实现上述实施例中的基于知识图谱的用户操作行为预测方法中全部步骤，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于知识图谱的用户操作行为预测方法的全部步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于知识图谱的用户操作行为预测方法，其特征在于，包括：
获取目标用户的历史操作行为涉及的多个APP功能实体；
基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；
根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；
从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
2.如权利要求1所述的基于知识图谱的用户操作行为预测方法，其特征在于，基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，包括：
基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的第一概率；
基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的多个下一APP功能实体及对应的第二概率；
根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率。
3.如权利要求2所述的基于知识图谱的用户操作行为预测方法，其特征在于，采用如下公式，根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率：
P(An,j|A1,A2...An-1)＝P(A1,A2...An,j)/P(A1,A2...An-1)
其中，An,j为第j个下一APP功能实体，A1,A2...An-1为所述历史操作行为涉及多个APP功能实体；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
P(A1,A2...An-1)为第一概率；
P(A1,A2...An,j)为第j个第二概率。
4.如权利要求1所述的基于知识图谱的用户操作行为预测方法，其特征在于，根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率，包括：
基于目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，确定用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值；
计算目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度；
根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率。
5.如权利要求4所述的基于知识图谱的用户操作行为预测方法，其特征在于，采用如下公式，根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率：
Figure FDA0002721195890000021
其中，P(An,j)为第j个APP功能实体对应的概率；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
wi为用户操作行为知识图谱中出现所述历史操作行为的第i个用户的权值；
cos(U,Ui)为目标用户U和用户操作行为知识图谱中出现所述历史操作行为的第i个用户Ui的余弦相似度；
a和b为系数。
6.一种基于知识图谱的用户操作行为预测装置，其特征在于，包括：
数据获取模块，用于获取目标用户的历史操作行为涉及的多个APP功能实体；
第一预测模块，用于基于用户操作行为知识图谱，预测在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率，所述用户操作行为知识图谱的实体包括用户实体和APP功能实体；
第二预测模块，用于根据多个下一APP功能实体及对应的条件概率，以及目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，预测目标用户的多个下一APP功能实体及对应的概率；
确定模块，用于从目标用户的多个下一APP功能实体中，确定概率最大的下一APP功能实体为目标用户的下一APP功能实体。
7.如权利要求6所述的基于知识图谱的用户操作行为预测装置，其特征在于，第一预测模块包括：
第一概率获得模块，用于基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的第一概率；
第二概率获得模块，用于基于用户操作行为知识图谱，获得出现所述历史操作行为涉及多个APP功能实体的多个下一APP功能实体及对应的第二概率；
条件概率计算模块，用于根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率。
8.如权利要求7所述的基于知识图谱的用户操作行为预测装置，其特征在于，条件概率计算模块具体用于：
采用如下公式，根据所述第一概率和多个第二概率，确定在所述历史操作行为涉及的多个APP功能实体的条件下，多个下一APP功能实体及对应的条件概率：
P(An,j|A1,A2...An-1)＝P(A1,A2...An,j)/P(A1,A2...An-1)
其中，An,j为第j个下一APP功能实体，A1,A2...An-1为所述历史操作行为涉及多个APP功能实体；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
P(A1,A2...An-1)为第一概率；
P(A1,A2...An,j)为第j个第二概率。
9.如权利要求6所述的基于知识图谱的用户操作行为预测装置，其特征在于，第二预测模块包括：
权值确定模块，用于基于目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的关系，确定用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值；
余弦相似度计算模块，用于计算目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度；
概率计算模块，用于根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率。
10.如权利要求9所述的基于知识图谱的用户操作行为预测装置，其特征在于，概率计算模块具体用于：
采用如下公式，根据多个下一APP功能实体及对应的条件概率、用户操作行为知识图谱中出现所述历史操作行为的每个用户的权值、目标用户和用户操作行为知识图谱中出现所述历史操作行为的每个用户的余弦相似度，预测目标用户的多个下一APP功能实体及对应的概率：
Figure FDA0002721195890000041
其中，P(An,j)为第j个APP功能实体对应的概率；
P(An,j|A1,A2...An-1)为第j个下一APP功能实体对应的条件概率；
wi为用户操作行为知识图谱中出现所述历史操作行为的第i个用户的权值；
cos(U,Ui)为目标用户U和用户操作行为知识图谱中出现所述历史操作行为的第i个用户Ui的余弦相似度；
a和b为系数。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一项所述方法的计算机程序。
CN202011088588.2A 2020-10-13 2020-10-13 基于知识图谱的用户操作行为预测方法及装置 Active CN112214387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011088588.2A CN112214387B (zh) 2020-10-13 2020-10-13 基于知识图谱的用户操作行为预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011088588.2A CN112214387B (zh) 2020-10-13 2020-10-13 基于知识图谱的用户操作行为预测方法及装置

Publications (2)

Publication Number Publication Date
CN112214387A true CN112214387A (zh) 2021-01-12
CN112214387B CN112214387B (zh) 2023-11-24

Family

ID=74053720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011088588.2A Active CN112214387B (zh) 2020-10-13 2020-10-13 基于知识图谱的用户操作行为预测方法及装置

Country Status (1)

Country Link
CN (1) CN112214387B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160189049A1 (en) * 2014-12-30 2016-06-30 Yahoo! Inc. Predicting the next application that you are going to use on aviate
CN106776757A (zh) * 2016-11-15 2017-05-31 中国银行股份有限公司 用户完成网银操作的指示方法及装置
CN108536787A (zh) * 2018-03-29 2018-09-14 优酷网络技术（北京）有限公司 内容识别方法及装置
US20180314947A1 (en) * 2017-03-31 2018-11-01 Predikto, Inc Predictive analytics systems and methods
CN109886729A (zh) * 2019-01-10 2019-06-14 北京三快在线科技有限公司 预测点击概率的方法、装置、电子设备及可读存储介质
CN110516160A (zh) * 2019-08-30 2019-11-29 中国科学院自动化研究所 基于知识图谱的用户建模方法、序列推荐方法
CN110851613A (zh) * 2019-09-09 2020-02-28 中国电子科技集团公司电子科学研究院 基于实体概念的知识图谱补全、推演、存储方法及装置
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
CN111737101A (zh) * 2020-06-24 2020-10-02 平安科技（深圳）有限公司 基于大数据的用户行为监测方法、装置、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160189049A1 (en) * 2014-12-30 2016-06-30 Yahoo! Inc. Predicting the next application that you are going to use on aviate
CN106776757A (zh) * 2016-11-15 2017-05-31 中国银行股份有限公司 用户完成网银操作的指示方法及装置
US20180314947A1 (en) * 2017-03-31 2018-11-01 Predikto, Inc Predictive analytics systems and methods
CN108536787A (zh) * 2018-03-29 2018-09-14 优酷网络技术（北京）有限公司 内容识别方法及装置
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
CN109886729A (zh) * 2019-01-10 2019-06-14 北京三快在线科技有限公司 预测点击概率的方法、装置、电子设备及可读存储介质
CN110516160A (zh) * 2019-08-30 2019-11-29 中国科学院自动化研究所 基于知识图谱的用户建模方法、序列推荐方法
CN110851613A (zh) * 2019-09-09 2020-02-28 中国电子科技集团公司电子科学研究院 基于实体概念的知识图谱补全、推演、存储方法及装置
CN111737101A (zh) * 2020-06-24 2020-10-02 平安科技（深圳）有限公司 基于大数据的用户行为监测方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
方志祥: "手机用户上网时段的混合Markov预测方法", 地球信息科学, vol. 19, no. 8, pages 1019 - 1025 *
马月坤;刘鹏飞;: "基于知识库的客户网购意向预测系统", 计算机工程与应用, no. 13 *

Also Published As

Publication number Publication date
CN112214387B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
US11443015B2 (en) Generating prediction models in accordance with any specific data sets
US11403643B2 (en) Utilizing a time-dependent graph convolutional neural network for fraudulent transaction identification
CN114298417A (zh) 反欺诈风险评估方法、训练方法、装置及可读存储介质
CN111159563B (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
CN110135978B (zh) 用户金融风险评估方法、装置、电子设备和可读介质
CN112328802A (zh) 数据处理方法、装置和服务器
CN113792212A (zh) 多媒体资源推荐方法、装置、设备以及存储介质
CN116578925B (zh) 基于特征画像的行为预测方法、装置及存储介质
CN110928914A (zh) 用于输出信息的方法和装置
CN114139052B (zh) 用于智能推荐的排序模型训练方法、智能推荐方法及装置
CN112214387B (zh) 基于知识图谱的用户操作行为预测方法及装置
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN115756821A (zh) 在线任务处理模型训练、任务处理方法及装置
CN114357242A (zh) 基于召回模型的训练评估方法及装置、设备、存储介质
CN110879863B (zh) 跨领域搜索方法和跨领域搜索装置
US10466965B2 (en) Identification of users across multiple platforms
CN112559897B (zh) 匹配关系的识别方法、装置及设备
CN112785197B (zh) 信息推荐方法、装置、计算设备、介质和程序产品
CN116561735B (zh) 一种基于多认证源的互信认证方法、系统及电子设备
CN117522614B (zh) 一种数据的处理方法、装置、电子设备及存储介质
KR102570399B1 (ko) 장소 추천 방법 및 장치
CN116501993B (zh) 房源数据推荐方法及装置
CN112700277B (zh) 用户行为数据的处理方法和多行为序列转化模型训练方法
CN111400594B (zh) 一种信息向量确定方法、装置、设备及存储介质
US20230177581A1 (en) Product metadata suggestion using embeddings

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