CN112651782B - 基于缩放点积注意力的行为预测方法、装置、设备及介质 - Google Patents
基于缩放点积注意力的行为预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112651782B CN112651782B CN202011613113.0A CN202011613113A CN112651782B CN 112651782 B CN112651782 B CN 112651782B CN 202011613113 A CN202011613113 A CN 202011613113A CN 112651782 B CN112651782 B CN 112651782B
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- initial
- layer
- user
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000006399 behavior Effects 0.000 claims description 386
- 239000011159 matrix material Substances 0.000 claims description 97
- 238000012549 training Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 12
- 230000003993 interaction Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,提供一种基于缩放点积注意力的行为预测方法、装置、设备及介质,首先基于时间区间对长时间序列进行了拆分,用户层和行为序列层之间用时间区间层间隔,不直接相连,区间内序列长度大大缩小,便于并行计算,且减少了交叉计算量,提高了运算效率,再基于缩放点积注意力机制进行编码,优化了数据特征,对待预测数据进行标准化处理,以符合模型的输入数据格式,便于利用模型进行预测,进而基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。本发明还涉及区块链技术,行为预测模型可存储于区块链。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于缩放点积注意力的行为预测方法、装置、设备及介质。
背景技术
为了预测用户的购买等行为力,通常需要获取用户行为,并基于用户行为进行分析预测。
但是,目前采用的行为序列模型主要是attention(基于注意力机制)、RNN(Recurrent Neural Network,循环神经网络)等模型,这些模型原生于自然语言处理领域,用在行为序列建模场景中不能完全契合,主要存在以下问题:
(1)行为序列长,导致模型的训练和工程计算都较为困难。RNN类模型处理长序列能力不足,会损失大量信息;attention类模型处理长序列时会交叉计算序列的注意力权重,交叉计算的时间复杂度和空间复杂度是O(n2),复杂度太高,导致难以支撑生产应用。
(2)时间跨度大,相邻行为可能相隔很长时间,业务上不连续的行为耦合严重。如用户在19年1月活跃,然后隔一年到20年3月才继续活跃,用户在19年和20年的行为在业务意义上并非是连续行为,但在行为序列上却是连续的。这种业务不连续行为耦合在一起的情况,会使模型无法有效学习重要信息。
发明内容
鉴于以上内容,有必要提供一种基于缩放点积注意力的行为预测方法、装置、设备及介质,能够基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。
一种基于缩放点积注意力的行为预测方法,所述基于缩放点积注意力的行为预测方法包括:
当接收到行为预测指令时,根据所述行为预测指令获取待处理数据;
从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding;
从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding;
从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding;
根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵;
根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵;
将所述第二初始attention矩阵作为样本训练行为预测模型;
当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列;
当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列;
将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
根据本发明优选实施例,所述根据所述行为预测指令获取待处理数据包括:
解析所述行为预测指令的方法体,得到所述行为预测指令的携带信息;
获取与地址对应的预设标签;
根据所述预设标签建立正则表达式;
根据所述正则表达式在所述行为预测指令的携带信息中进行搜索,并将搜索到的信息确定为目标地址;
连接至所述目标地址,并采集所述目标地址处的埋点数据作为所述待处理数据。
根据本发明优选实施例,所述对所述时间数据进行周期性编码,得到时间区间embedding包括:
将所述时间数据划分为至少一个周期;
对于所述时间数据中的每个子数据,采用position embedding计算每个子数据对应于每个周期的embedding;
将每个子数据对应于每个周期的embedding进行横向拼接,得到每个子数据的时间embedding;
整合每个子数据的时间embedding,得到所述时间区间embedding。
根据本发明优选实施例,基于下述公式计算每个子数据对应于每个周期的embedding:
其中,Q表示所述每个子数据的时间embedding,pos为每个子数据在对应周期中的位置,period为对应周期的大小。
根据本发明优选实施例,所述根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵包括:
将所述时间区间embedding对应的层确定为时间区间层,及将所述用户初始embedding对应的层确定为用户层;
当检测到所述时间区间层发送的query时,获取所述时间区间层与所述用户层间的第一缩放点积attention层;
采用下述公式在所述第一缩放点积attention层计算所述第一初始attention矩阵:
其中,Rinterval表示所述第一初始attention矩阵,Kseq表示所述第一初始行为embedding、Vseq表示所述第二初始行为embedding,Qinterval表示所述时间区间embedding,dk表示embedding的维数。
根据本发明优选实施例,所述根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵包括:
将所述第一初始行为embedding及所述第二初始行为embedding对应的层确定为行为序列层;
当检测所述用户层向所述时间区间层发送query,并且所述时间区间层向所述行为序列层发送query时,获取所述时间区间层与所述行为序列层间的第二缩放点积attention层;
采用下述公式在所述第二缩放点积attention层计算所述第二初始attention矩阵:
其中,Ruser表示所述第二初始attention矩阵,Quser表示所述用户初始embedding。
根据本发明优选实施例,所述方法还包括:
根据所述目标序列确定所述目标序列中每个时间区间对应的目标用户embedding、目标第一attention矩阵及embedding的目标维数;
采用下述公式计算每个时间区间对应的权重:其中,Q1user表示所述目标用户embedding,R1interval表示所述目标第一attention矩阵,d1k表示所述目标维数;
获取所述权重大于或者等于配置权重的时间区间;
将获取的时间区间确定为活跃区间。
一种基于缩放点积注意力的行为预测装置,所述基于缩放点积注意力的行为预测装置包括:
获取单元,用于当接收到行为预测指令时,根据所述行为预测指令获取待处理数据;
初始化单元,用于从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding;
编码单元,用于从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding;
所述初始化单元,还用于从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding;
所述编码单元,还用于根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵;
所述编码单元,还用于根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵;
训练单元,用于将所述第二初始attention矩阵作为样本训练行为预测模型;
更新单元,用于当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列;
转换单元,用于当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列;
预测单元,用于将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于缩放点积注意力的行为预测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于缩放点积注意力的行为预测方法。
由以上技术方案可以看出,本发明能够当接收到行为预测指令时,根据所述行为预测指令获取待处理数据,从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding,从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding,在行为序列中引入绝对时间信息,进而能够学习到时间和行为序列的交互信息。同时,通常采用的行为序列并未考虑行为时间的周期性,本案采用多周期编码,对时间的周期性刻画比较完整和充分,考虑了时间所处的不同周期,可以达到对不连续行为解耦的目标,并且,在相同周期中,至少有一个周期编码相同。通过时间分割,单个时间区间内的行为序列长度将会缩短,整体计算量和矩阵存储量将会缩小,从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding,根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵,根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵,将所述第二初始attention矩阵作为样本训练行为预测模型,在训练时,首先基于时间区间对长时间序列进行了拆分,即分为时间区间层、用户层和行为序列层,用户层和行为序列层之间用时间区间层间隔,不直接相连,将行为序列按时间分割后,区间内序列长度大大缩小,便于并行计算,且减少了交叉计算量,提高了运算效率,再基于缩放点积注意力机制进行编码,优化了数据特征,当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列,当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列,能够对所述待预测数据进行标准化处理,以符合模型的输入数据格式,便于利用模型进行预测,将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率,进而基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。
附图说明
图1是本发明基于缩放点积注意力的行为预测方法的较佳实施例的流程图。
图2是本发明基于缩放点积注意力的行为预测装置的较佳实施例的功能模块图。
图3是本发明实现基于缩放点积注意力的行为预测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于缩放点积注意力的行为预测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于缩放点积注意力的行为预测方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到行为预测指令时,根据所述行为预测指令获取待处理数据。
在本发明的至少一个实施例中,所述行为预测指令可以由销售人员、产品经理等触发,本发明不限制。
在本发明的至少一个实施例中,所述待处理数据可以包括用户行为数据。
例如:用户a在2020年在指定APP上的点击行为序列及对应的时间:[打开指定APP(2020-01-15 20:00),打开指定APP(2020-05-11 14:20),进入run模块(2020-05-11 14:22),查看今日步数(2020-05-11 14:23),查看历史步数记录(2020-05-11 14:24)]。
在本发明的至少一个实施例中,所述根据所述行为预测指令获取待处理数据包括:
解析所述行为预测指令的方法体,得到所述行为预测指令的携带信息;
获取与地址对应的预设标签;
根据所述预设标签建立正则表达式;
根据所述正则表达式在所述行为预测指令的携带信息中进行搜索,并将搜索到的信息确定为目标地址;
连接至所述目标地址,并采集所述目标地址处的埋点数据作为所述待处理数据。
其中,所述预设标签可以进行自定义配置,所述预设标签与地址具有对应关系。所述地址可以对应于一个应用程序,也可以对应于一个网络平台,或者对应于一个网页,本发明不限制。
进一步地,根据预先进行的埋点采集用户在目标地址处产生的行为数据,并将采集到的行为数据作为所述待处理数据。
通过上述实施方式,能够通过解析行为预测指令以获取到待处理数据,供后续分析计算使用。
S11,从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding。
在本实施例中,所述行为数据可以包括,但不限于以下一种或者多种数据的组合:
打开APP的行为、进入指定页面的行为、点击指定按钮的行为、查看指定页面的行为、退出指定页面的行为等。
在本实施例中,可以对每个行为进行组合,并生成向量,再对生成的向量进行随机初始化,以生成所述第一初始行为embedding及所述第二初始行为embedding。
例如:所述第一初始行为embedding的形式可以为(a1,a2,a3,a4),其中,a1,a2,a3,a4分别对应一种行为数据,在随机初始化后,a1,a2,a3,a4分别被转化为一个多维向量。所述第二初始行为embedding的结构与所述第一初始行为embedding相同,在此不赘述。
S12,从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding。
在本实施例中,所述时间数据为行为产生的时间。
在本发明的至少一个实施例中,所述对所述时间数据进行周期性编码,得到时间区间embedding包括:
将所述时间数据划分为至少一个周期;
对于所述时间数据中的每个子数据,采用position embedding计算每个子数据对应于每个周期的embedding;
将每个子数据对应于每个周期的embedding进行横向拼接,得到每个子数据的时间embedding;
整合每个子数据的时间embedding,得到所述时间区间embedding。
其中,所述至少一个周期可以包括,但不限于以下一种或者多种的组合:
年内月周期、周内日周期、月内日周期、年内日周期。
其中,将每个子数据对应于每个周期的embedding进行横向拼接,即为将年内月周期、周内日周期、月内日周期、年内日周期上得到的embedding横向组合。
通过上述实施方式,不同于现有技术中只有时间的相对顺序信息,本案能够在行为序列中引入绝对时间信息,进而能够学习到时间和行为序列的交互信息。同时,通常采用的行为序列并未考虑行为时间的周期性,本案采用多周期编码,对时间的周期性刻画比较完整和充分,考虑了时间所处的不同周期,可以达到对不连续行为解耦的目标,并且,在相同周期中,至少有一个周期编码相同。通过时间分割,单个时间区间内的行为序列长度将会缩短,整体计算量和矩阵存储量将会缩小。
在本发明的至少一个实施例中,基于下述公式计算每个子数据对应于每个周期的embedding:
其中,Q表示所述每个子数据的时间embedding,pos为每个子数据在对应周期中的位置,period为对应周期的大小。
以周内日周期为例,每个子数据对应于一周内的第i天(如周二的pos为2),一周共有7天,所以period为7。月内日周期、年内日周期等依次类推。年内月周期编码的则是一年内第i个月。
S13,从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding。
在本实施例中,所述用户数据可以包括,但不限于以下一种或者多种数据的组合:
用户性别、用户年龄、用户生日,用户出生地。
在本发明的至少一个实施例中,所述将所述用户数据初始化为用户初始embedding包括:
根据所述用户数据构建用户向量;
获取预设参数;
计算所述用户向量与所述预设参数的乘积,并对所述乘积进行随机初始化,得到所述用户初始embedding。
其中,所述预设参数可以为后续训练的行为预测模型的线性层参数,所述线性层参数为模型训练时不断拟合而得到。
S14,根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵。
在本发明的至少一个实施例中,所述根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵包括:
将所述时间区间embedding对应的层确定为时间区间层,及将所述用户初始embedding对应的层确定为用户层;
当检测到所述时间区间层发送的query时,获取所述时间区间层与所述用户层间的第一缩放点积attention层;
采用下述公式在所述第一缩放点积attention层计算所述第一初始attention矩阵:
其中,Rinterval表示所述第一初始attention矩阵,Kseq表示所述第一初始行为embedding、Vseq表示所述第二初始行为embedding,Qinterval表示所述时间区间embedding,dk表示embedding的维数。
其中,softmax用于概率映射。
例如:将2020-02-04作为时间区间,在时间区间层向2020-02-04发生的行为发送Query,基于2020-02-04与行为节点的交互来计算attention,从而得到2020-02-04的第一初始attention矩阵。
S15,根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵。
在本发明的至少一个实施例中,所述根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵包括:
将所述第一初始行为embedding及所述第二初始行为embedding对应的层确定为行为序列层;
当检测所述用户层向所述时间区间层发送query,并且所述时间区间层向所述行为序列层发送query时,获取所述时间区间层与所述行为序列层间的第二缩放点积attention层;
采用下述公式在所述第二缩放点积attention层计算所述第二初始attention矩阵:
其中,Ruser表示所述第二初始attention矩阵,Quser表示所述用户初始embedding。
其中,softmax用于概率映射。
例如:基于2020-02-04与用户层的交互来计算attention,从而得到2020-02-04的第二初始attention矩阵。
S16,将所述第二初始attention矩阵作为样本训练行为预测模型。
在本实施例中,所述行为预测模型中接入一个sigmoid层,用于行为发生概率的预测。
其中,行为发生概率
wp是线性变换模型参数,bp是截距模型参数,wp和bp在训练前随机初始化,在训练时模型对该参数进行优化微调,预测应用时直接使用训练好的参数结果。
如预测用户购险概率时,先用实现历史的用户行为序列数据和用户购买保险记录构建第二初始attention矩阵,再以第二初始attention矩阵为样本进行模型训练,训练完成后用学习好的模型预测新用户的行为发生概率p。
现有技术中,常见的行为序列用户层是与行为序列层直接连接的,未考虑时间间隔,这样会出现顺序上连续但时间上相隔很远的相邻行为,而这些行为在业务上其实是不连续的,应该被分离,使模型无法有效学习重要信息。
在上述实施方式中,在训练时,首先基于时间区间对长时间序列进行了拆分,即分为时间区间层、用户层和行为序列层,用户层和行为序列层之间用时间区间层间隔,不直接相连,将行为序列按时间分割后,区间内序列长度大大缩小,便于并行计算,且减少了交叉计算量,提高了运算效率,再基于缩放点积注意力机制进行编码,优化了数据特征。
S17,当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列。
具体地,获取所述行为预测模型softmax层内的第一指定参数更新所述第一初始行为embedding,得到第一行为embedding,及获取所述行为预测模型softmax层外的第二指定参数更新所述第一初始行为embedding,得到第一行为embedding,及获取所述行为预测模型的线性层参数更新所述用户初始embedding,得到用户embedding。
进一步地,以更新的上述参数计算所述第二初始attention矩阵,即可得到所述行为序列。
S18,当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列。
具体地,根据所述待预测数据中的当前行为数据、当前时间数据及当前用户数据分别在所述行为序列中进行查询及计算,即可得到所述目标序列。
例如:对于所述待预测数据中的时间数据,从所述时间区间embedding中获取与所述时间数据对应的embedding,并将获取的embedding确定为所述待预测数据对应的时间区间embedding。
通过上述实施方式,能够对所述待预测数据进行标准化处理,以符合模型的输入数据格式,便于利用模型进行预测。
S19,将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
通过上述实施方式,能够基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。
在本发明的至少一个实施例中,所述方法还包括:
根据所述目标序列确定所述目标序列中每个时间区间对应的目标用户embedding、目标第一attention矩阵及embedding的目标维数;
采用下述公式计算每个时间区间对应的权重:其中,Q1user表示所述目标用户embedding,R1interval表示所述目标第一attention矩阵,d1k表示所述目标维数;
获取所述权重大于或者等于配置权重的时间区间;
将获取的时间区间确定为活跃区间。
其中,所述目标用户embedding与所述用户初始embedding相对应,所述目标第一attention矩阵与所述第一初始attention矩阵相对应,所述embedding的目标维数与所述embedding的维数相对应。
所述配置权重可以进行自定义配置。
所述活跃区间是指用户的活跃度较高的区间,在预测购买行为时,所述活跃区间表示用户购买行为较频繁的时间区间。
需要说明的是,为了进一步提高安全性,可以将所述行为预测模型部署于区块链。
由以上技术方案可以看出,本发明能够当接收到行为预测指令时,根据所述行为预测指令获取待处理数据,从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding,从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding,在行为序列中引入绝对时间信息,进而能够学习到时间和行为序列的交互信息。同时,通常采用的行为序列并未考虑行为时间的周期性,本案采用多周期编码,对时间的周期性刻画比较完整和充分,考虑了时间所处的不同周期,可以达到对不连续行为解耦的目标,并且,在相同周期中,至少有一个周期编码相同。通过时间分割,单个时间区间内的行为序列长度将会缩短,整体计算量和矩阵存储量将会缩小,从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding,根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵,根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵,将所述第二初始attention矩阵作为样本训练行为预测模型,在训练时,首先基于时间区间对长时间序列进行了拆分,即分为时间区间层、用户层和行为序列层,用户层和行为序列层之间用时间区间层间隔,不直接相连,将行为序列按时间分割后,区间内序列长度大大缩小,便于并行计算,且减少了交叉计算量,提高了运算效率,再基于缩放点积注意力机制进行编码,优化了数据特征,当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列,当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列,能够对所述待预测数据进行标准化处理,以符合模型的输入数据格式,便于利用模型进行预测,将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率,进而基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。
如图2所示,是本发明基于缩放点积注意力的行为预测装置的较佳实施例的功能模块图。所述基于缩放点积注意力的行为预测装置11包括获取单元110、初始化单元111、编码单元112、训练单元113、更新单元114、转换单元115、预测单元116。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到行为预测指令时,获取单元110根据所述行为预测指令获取待处理数据。
在本发明的至少一个实施例中,所述行为预测指令可以由销售人员、产品经理等触发,本发明不限制。
在本发明的至少一个实施例中,所述待处理数据可以包括用户行为数据。
例如:用户a在2020年在指定APP上的点击行为序列及对应的时间:[打开指定APP(2020-01-15 20:00),打开指定APP(2020-05-11 14:20),进入run模块(2020-05-11 14:22),查看今日步数(2020-05-11 14:23),查看历史步数记录(2020-05-11 14:24)]。
在本发明的至少一个实施例中,所述获取单元110根据所述行为预测指令获取待处理数据包括:
解析所述行为预测指令的方法体,得到所述行为预测指令的携带信息;
获取与地址对应的预设标签;
根据所述预设标签建立正则表达式;
根据所述正则表达式在所述行为预测指令的携带信息中进行搜索,并将搜索到的信息确定为目标地址;
连接至所述目标地址,并采集所述目标地址处的埋点数据作为所述待处理数据。
其中,所述预设标签可以进行自定义配置,所述预设标签与地址具有对应关系。所述地址可以对应于一个应用程序,也可以对应于一个网络平台,或者对应于一个网页,本发明不限制。
进一步地,根据预先进行的埋点采集用户在目标地址处产生的行为数据,并将采集到的行为数据作为所述待处理数据。
通过上述实施方式,能够通过解析行为预测指令以获取到待处理数据,供后续分析计算使用。
初始化单元111从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding。
在本实施例中,所述行为数据可以包括,但不限于以下一种或者多种数据的组合:
打开APP的行为、进入指定页面的行为、点击指定按钮的行为、查看指定页面的行为、退出指定页面的行为等。
在本实施例中,可以对每个行为进行组合,并生成向量,再对生成的向量进行随机初始化,以生成所述第一初始行为embedding及所述第二初始行为embedding。
例如:所述第一初始行为embedding的形式可以为(a1,a2,a3,a4),其中,a1,a2,a3,a4分别对应一种行为数据,在随机初始化后,a1,a2,a3,a4分别被转化为一个多维向量。所述第二初始行为embedding的结构与所述第一初始行为embedding相同,在此不赘述。
编码单元112从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding。
在本实施例中,所述时间数据为行为产生的时间。
在本发明的至少一个实施例中,所述编码单元112对所述时间数据进行周期性编码,得到时间区间embedding包括:
将所述时间数据划分为至少一个周期;
对于所述时间数据中的每个子数据,采用position embedding计算每个子数据对应于每个周期的embedding;
将每个子数据对应于每个周期的embedding进行横向拼接,得到每个子数据的时间embedding;
整合每个子数据的时间embedding,得到所述时间区间embedding。
其中,所述至少一个周期可以包括,但不限于以下一种或者多种的组合:
年内月周期、周内日周期、月内日周期、年内日周期。
其中,将每个子数据对应于每个周期的embedding进行横向拼接,即为将年内月周期、周内日周期、月内日周期、年内日周期上得到的embedding横向组合。
通过上述实施方式,不同于现有技术中只有时间的相对顺序信息,本案能够在行为序列中引入绝对时间信息,进而能够学习到时间和行为序列的交互信息。同时,通常采用的行为序列并未考虑行为时间的周期性,本案采用多周期编码,对时间的周期性刻画比较完整和充分,考虑了时间所处的不同周期,可以达到对不连续行为解耦的目标,并且,在相同周期中,至少有一个周期编码相同。通过时间分割,单个时间区间内的行为序列长度将会缩短,整体计算量和矩阵存储量将会缩小。
在本发明的至少一个实施例中,基于下述公式计算每个子数据对应于每个周期的embedding:
其中,Q表示所述每个子数据的时间embedding,pos为每个子数据在对应周期中的位置,period为对应周期的大小。
以周内日周期为例,每个子数据对应于一周内的第i天(如周二的pos为2),一周共有7天,所以period为7。月内日周期、年内日周期等依次类推。年内月周期编码的则是一年内第i个月。
所述初始化单元111从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding。
在本实施例中,所述用户数据可以包括,但不限于以下一种或者多种数据的组合:
用户性别、用户年龄、用户生日,用户出生地。
在本发明的至少一个实施例中,所述初始化单元111将所述用户数据初始化为用户初始embedding包括:
根据所述用户数据构建用户向量;
获取预设参数;
计算所述用户向量与所述预设参数的乘积,并对所述乘积进行随机初始化,得到所述用户初始embedding。
其中,所述预设参数可以为后续训练的行为预测模型的线性层参数,所述线性层参数为模型训练时不断拟合而得到。
所述编码单元112根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵。
在本发明的至少一个实施例中,所述编码单元112根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵包括:
将所述时间区间embedding对应的层确定为时间区间层,及将所述用户初始embedding对应的层确定为用户层;
当检测到所述时间区间层发送的query时,获取所述时间区间层与所述用户层间的第一缩放点积attention层;
采用下述公式在所述第一缩放点积attention层计算所述第一初始attention矩阵:
其中,Rinterval表示所述第一初始attention矩阵,Kseq表示所述第一初始行为embedding、Vseq表示所述第二初始行为embedding,Qinterval表示所述时间区间embedding,dk表示embedding的维数。
其中,softmax用于概率映射。
例如:将2020-02-04作为时间区间,在时间区间层向2020-02-04发生的行为发送Query,基于2020-02-04与行为节点的交互来计算attention,从而得到2020-02-04的第一初始attention矩阵。
所述编码单元112根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵。
在本发明的至少一个实施例中,所述编码单元112根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵包括:
将所述第一初始行为embedding及所述第二初始行为embedding对应的层确定为行为序列层;
当检测所述用户层向所述时间区间层发送query,并且所述时间区间层向所述行为序列层发送query时,获取所述时间区间层与所述行为序列层间的第二缩放点积attention层;
采用下述公式在所述第二缩放点积attention层计算所述第二初始attention矩阵:
其中,Ruser表示所述第二初始attention矩阵,Quser表示所述用户初始embedding。
其中,softmax用于概率映射。
例如:基于2020-02-04与用户层的交互来计算attention,从而得到2020-02-04的第二初始attention矩阵。
训练单元113将所述第二初始attention矩阵作为样本训练行为预测模型。
在本实施例中,所述行为预测模型中接入一个sigmoid层,用于行为发生概率的预测。
其中,行为发生概率
wp是线性变换模型参数,bp是截距模型参数,wp和bp在训练前随机初始化,在训练时模型对该参数进行优化微调,预测应用时直接使用训练好的参数结果。
如预测用户购险概率时,先用实现历史的用户行为序列数据和用户购买保险记录构建第二初始attention矩阵,再以第二初始attention矩阵为样本进行模型训练,训练完成后用学习好的模型预测新用户的行为发生概率p。
现有技术中,常见的行为序列用户层是与行为序列层直接连接的,未考虑时间间隔,这样会出现顺序上连续但时间上相隔很远的相邻行为,而这些行为在业务上其实是不连续的,应该被分离,使模型无法有效学习重要信息。
在上述实施方式中,在训练时,首先基于时间区间对长时间序列进行了拆分,即分为时间区间层、用户层和行为序列层,用户层和行为序列层之间用时间区间层间隔,不直接相连,将行为序列按时间分割后,区间内序列长度大大缩小,便于并行计算,且减少了交叉计算量,提高了运算效率,再基于缩放点积注意力机制进行编码,优化了数据特征。
当所述行为预测模型训练完成时,更新单元114根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列。
具体地,获取所述行为预测模型softmax层内的第一指定参数更新所述第一初始行为embedding,得到第一行为embedding,及获取所述行为预测模型softmax层外的第二指定参数更新所述第一初始行为embedding,得到第一行为embedding,及获取所述行为预测模型的线性层参数更新所述用户初始embedding,得到用户embedding。
进一步地,以更新的上述参数计算所述第二初始attention矩阵,即可得到所述行为序列。
当接收到待预测数据时,转换单元115根据所述行为序列对所述待预测数据进行转换,得到目标序列。
具体地,根据所述待预测数据中的当前行为数据、当前时间数据及当前用户数据分别在所述行为序列中进行查询及计算,即可得到所述目标序列。
例如:对于所述待预测数据中的时间数据,从所述时间区间embedding中获取与所述时间数据对应的embedding,并将获取的embedding确定为所述待预测数据对应的时间区间embedding。
通过上述实施方式,能够对所述待预测数据进行标准化处理,以符合模型的输入数据格式,便于利用模型进行预测。
预测单元116将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
通过上述实施方式,能够基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。
在本发明的至少一个实施例中,根据所述目标序列确定所述目标序列中每个时间区间对应的目标用户embedding、目标第一attention矩阵及embedding的目标维数;
采用下述公式计算每个时间区间对应的权重:其中,Q1user表示所述目标用户embedding,R1interval表示所述目标第一attention矩阵,d1k表示所述目标维数;
获取所述权重大于或者等于配置权重的时间区间;
将获取的时间区间确定为活跃区间。
其中,所述目标用户embedding与所述用户初始embedding相对应,所述目标第一attention矩阵与所述第一初始attention矩阵相对应,所述embedding的目标维数与所述embedding的维数相对应。
所述配置权重可以进行自定义配置。
所述活跃区间是指用户的活跃度较高的区间,在预测购买行为时,所述活跃区间表示用户购买行为较频繁的时间区间。
需要说明的是,为了进一步提高安全性,可以将所述行为预测模型部署于区块链。
由以上技术方案可以看出,本发明能够当接收到行为预测指令时,根据所述行为预测指令获取待处理数据,从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding,从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding,在行为序列中引入绝对时间信息,进而能够学习到时间和行为序列的交互信息。同时,通常采用的行为序列并未考虑行为时间的周期性,本案采用多周期编码,对时间的周期性刻画比较完整和充分,考虑了时间所处的不同周期,可以达到对不连续行为解耦的目标,并且,在相同周期中,至少有一个周期编码相同。通过时间分割,单个时间区间内的行为序列长度将会缩短,整体计算量和矩阵存储量将会缩小,从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding,根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵,根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵,将所述第二初始attention矩阵作为样本训练行为预测模型,在训练时,首先基于时间区间对长时间序列进行了拆分,即分为时间区间层、用户层和行为序列层,用户层和行为序列层之间用时间区间层间隔,不直接相连,将行为序列按时间分割后,区间内序列长度大大缩小,便于并行计算,且减少了交叉计算量,提高了运算效率,再基于缩放点积注意力机制进行编码,优化了数据特征,当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列,当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列,能够对所述待预测数据进行标准化处理,以符合模型的输入数据格式,便于利用模型进行预测,将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率,进而基于人工智能手段实现对购买等行为的自动预测,且准确率及预测效率都更高。
如图3所示,是本发明实现基于缩放点积注意力的行为预测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于缩放点积注意力的行为预测程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于缩放点积注意力的行为预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于缩放点积注意力的行为预测程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于缩放点积注意力的行为预测方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、初始化单元111、编码单元112、训练单元113、更新单元114、转换单元115、预测单元116。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于缩放点积注意力的行为预测方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于缩放点积注意力的行为预测方法,所述处理器13可执行所述多个指令从而实现:
当接收到行为预测指令时,根据所述行为预测指令获取待处理数据;
从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding;
从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding;
从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding;
根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵;
根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵;
将所述第二初始attention矩阵作为样本训练行为预测模型;
当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列;
当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列;
将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于缩放点积注意力的行为预测方法,其特征在于,所述基于缩放点积注意力的行为预测方法包括:
当接收到行为预测指令时,根据所述行为预测指令获取待处理数据;
从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding;
从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding;
从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding;
根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵,包括:将所述时间区间embedding对应的层确定为时间区间层,及将所述用户初始embedding对应的层确定为用户层;当检测到所述时间区间层发送的query时,获取所述时间区间层与所述用户层间的第一缩放点积attention层;在所述第一缩放点积attention层计算所述第一初始attention矩阵;
根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵,包括:将所述第一初始行为embedding及所述第二初始行为embedding对应的层确定为行为序列层;当检测所述用户层向所述时间区间层发送query,并且所述时间区间层向所述行为序列层发送query时,获取所述时间区间层与所述行为序列层间的第二缩放点积attention层;在所述第二缩放点积attention层计算所述第二初始attention矩阵;
将所述第二初始attention矩阵作为样本训练行为预测模型;
当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列;
当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列;
将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
2.如权利要求1所述的基于缩放点积注意力的行为预测方法,其特征在于,所述根据所述行为预测指令获取待处理数据包括:
解析所述行为预测指令的方法体,得到所述行为预测指令的携带信息;
获取与地址对应的预设标签;
根据所述预设标签建立正则表达式;
根据所述正则表达式在所述行为预测指令的携带信息中进行搜索,并将搜索到的信息确定为目标地址;
连接至所述目标地址,并采集所述目标地址处的埋点数据作为所述待处理数据。
3.如权利要求1所述的基于缩放点积注意力的行为预测方法,其特征在于,所述对所述时间数据进行周期性编码,得到时间区间embedding包括:
将所述时间数据划分为至少一个周期;
对于所述时间数据中的每个子数据,采用position embedding计算每个子数据对应于每个周期的embedding;
将每个子数据对应于每个周期的embedding进行横向拼接,得到每个子数据的时间embedding;
整合每个子数据的时间embedding,得到所述时间区间embedding。
4.如权利要求1所述的基于缩放点积注意力的行为预测方法,其特征在于,基于下述公式计算每个子数据对应于每个周期的embedding:
其中,Q表示所述每个子数据的时间embedding,pos为每个子数据在对应周期中的位置,period为对应周期的大小。
5.如权利要求1所述的基于缩放点积注意力的行为预测方法,其特征在于,所述计算所述第一初始attention矩阵的方法满足以下关系式:
其中,Rinterval表示所述第一初始attention矩阵,Kseq表示所述第一初始行为embedding、Vseq表示所述第二初始行为embedding,Qinterval表示所述时间区间embedding,dk表示embedding的维数。
6.如权利要求1所述的基于缩放点积注意力的行为预测方法,其特征在于,所述计算所述第二初始attention矩阵的方法满足以下关系式:
其中,Ruser表示所述第二初始attention矩阵,Quser表示所述用户初始embedding。
7.如权利要求1所述的基于缩放点积注意力的行为预测方法,其特征在于,所述方法还包括:
根据所述目标序列确定所述目标序列中每个时间区间对应的目标用户embedding、目标第一attention矩阵及embedding的目标维数;
采用下述公式计算每个时间区间对应的权重:其中,Q1user表示所述目标用户embedding,R1interval表示所述目标第一attention矩阵,d1k表示所述目标维数;
获取所述权重大于或者等于配置权重的时间区间;
将获取的时间区间确定为活跃区间。
8.一种基于缩放点积注意力的行为预测装置,其特征在于,所述基于缩放点积注意力的行为预测装置包括:
获取单元,用于当接收到行为预测指令时,根据所述行为预测指令获取待处理数据;
初始化单元,用于从所述待处理数据中提取行为数据,并将所述行为数据初始化为第一初始行为embedding及第二初始行为embedding;
编码单元,用于从所述待处理数据中提取时间数据,并对所述时间数据进行周期性编码,得到时间区间embedding;
所述初始化单元,还用于从所述待处理数据中提取用户数据,并将所述用户数据初始化为用户初始embedding;
所述编码单元,还用于根据所述第一初始行为embedding、所述第二初始行为embedding及所述时间区间embedding进行attention编码,得到第一初始attention矩阵,包括:将所述时间区间embedding对应的层确定为时间区间层,及将所述用户初始embedding对应的层确定为用户层;当检测到所述时间区间层发送的query时,获取所述时间区间层与所述用户层间的第一缩放点积attention层;在所述第一缩放点积attention层计算所述第一初始attention矩阵;
所述编码单元,还用于根据所述第一初始attention矩阵、所述用户初始embedding进行attention编码,得到第二初始attention矩阵,包括:将所述第一初始行为embedding及所述第二初始行为embedding对应的层确定为行为序列层;当检测所述用户层向所述时间区间层发送query,并且所述时间区间层向所述行为序列层发送query时,获取所述时间区间层与所述行为序列层间的第二缩放点积attention层;在所述第二缩放点积attention层计算所述第二初始attention矩阵;
训练单元,用于将所述第二初始attention矩阵作为样本训练行为预测模型;
更新单元,用于当所述行为预测模型训练完成时,根据所述行为预测模型的参数更新所述第二初始attention矩阵,得到行为序列;
转换单元,用于当接收到待预测数据时,根据所述行为序列对所述待预测数据进行转换,得到目标序列;
预测单元,用于将所述目标序列输入至所述行为预测模型,并获取所述行为预测模型的输出作为行为发生概率。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于缩放点积注意力的行为预测方法。
10.一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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于缩放点积注意力的行为预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613113.0A CN112651782B (zh) | 2020-12-30 | 2020-12-30 | 基于缩放点积注意力的行为预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613113.0A CN112651782B (zh) | 2020-12-30 | 2020-12-30 | 基于缩放点积注意力的行为预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651782A CN112651782A (zh) | 2021-04-13 |
CN112651782B true CN112651782B (zh) | 2023-07-18 |
Family
ID=75364461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011613113.0A Active CN112651782B (zh) | 2020-12-30 | 2020-12-30 | 基于缩放点积注意力的行为预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651782B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537560A (zh) * | 2021-06-07 | 2021-10-22 | 同盾科技有限公司 | 用户投保意愿预测的方法、系统、电子装置和存储介质 |
CN115796407B (zh) * | 2023-02-13 | 2023-05-23 | 中建科技集团有限公司 | 一种生产线故障预测方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
CN111695779A (zh) * | 2020-05-14 | 2020-09-22 | 华南师范大学 | 一种知识追踪方法、装置及存储介质 |
CN111950707A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
-
2020
- 2020-12-30 CN CN202011613113.0A patent/CN112651782B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400620A (zh) * | 2020-03-27 | 2020-07-10 | 东北大学 | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 |
CN111695779A (zh) * | 2020-05-14 | 2020-09-22 | 华南师范大学 | 一种知识追踪方法、装置及存储介质 |
CN111950707A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于行为共现网络的行为预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112651782A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111916215B (zh) | 一种群集性/慢性疾病早期自动报警、初步特征分析与风险评估系统 | |
CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
CN112860848B (zh) | 信息检索方法、装置、设备及介质 | |
CN111950621B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN111985545B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113807973B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113158676A (zh) | 专业实体与关系联合抽取方法、系统及电子设备 | |
CN113704410A (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN113779225A (zh) | 实体链接模型的训练方法、实体链接方法及装置 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
CN112115890B (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN115913763A (zh) | 流量异常检测方法、装置、设备及介质 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN113963413A (zh) | 基于人工智能的疫情排查方法、装置、电子设备及介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113221578A (zh) | 疾病实体检索方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |