CN113034211A - 一种预测用户行为的方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种预测用户行为的方法、装置及电子设备，其中，该方法包括：对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本；在事件监听脚本监听到事件属性对应的点击事件时，确定当前用户存在点击行为，并生成当前用户的用户行为数据；根据用户行为数据预测当前用户是否存在有效行为。通过本发明实施例提供的预测用户行为的方法、装置及电子设备，在数据采集方面不会侵入原代码，可以保证业务逻辑的正确性，且能够自动获取页面路由变化，高效准确。

Description

一种预测用户行为的方法、装置及电子设备

技术领域

本发明涉及机器学习技术领域，具体而言，涉及一种预测用户行为的方法、装置、电子设备及计算机可读存储介质。

背景技术

近年来，随着互联网技术的蓬勃发展，网络平台广告投放已经成为电商领域中最不可忽视的环节。广告运营商根据用户行为分析得到用户的消费偏好，获取潜在客户，从而进行针对性广告推送。在实现本发明的过程中，发明人发现现有方案中至少存在如下问题：现有技术在数据采集方面普遍采用传统的命令式埋点技术，该技术会随数据采集的过程不可逆的衍生出许多冗余代码，分散在源码各处占用资源、扰乱原业务逻辑，导致采集到的数据不准确而使后续用户行为预测模型在对用户行为进行预测时准确率较低。

发明内容

为解决现有采集数据的方案存在容易衍生冗余代码且扰乱原业务逻辑的技术问题，本发明实施例提供一种预测用户行为的方法、装置、电子设备及计算机可读存储介质。

第一方面，本发明实施例提供了一种预测用户行为的方法，包括：

对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本，所述事件监听脚本用于监听所述事件属性对应的点击事件；在所述事件监听脚本监听到所述事件属性对应的点击事件时，确定当前用户存在与所述事件属性相对应的点击行为，并根据所述点击行为生成所述当前用户的用户行为数据；根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为。

可选地，包含点击事件的节点的数量为多个，根据所述点击行为生成所述当前用户的用户行为数据包括：确定每个所述包含点击事件的节点对应的商品信息，根据多个所述商品信息生成浏览商品数据；根据路由跳转确定进入所述当前页面的第一点击行为，以及离开所述当前页面的第二点击行为，将所述第二点击行为与所述第一点击行为之间的时间差作为所述当前页面的浏览时间数据；生成包含所述当前用户的浏览商品数据和所述浏览时间数据的所述用户行为数据。

可选地，有效行为包括支付行为，根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为包括：构建能够预测用户是否存在支付行为的预测模型；将所述当前用户的用户行为数据输入至所述预测模型，根据所述预测模型的输出结果预测所述当前用户是否存在支付行为。

可选地，构建能够预测用户是否存在支付行为的预测模型包括：获取基于样本对预设模型进行训练所得到的预测模型参数；其中，所述样本包含支付用户的用户行为数据和浏览用户的用户行为数据；所述支付用户为具有所述支付行为的一类用户，所述浏览用户为不具有所述支付行为的另一类用户；所述支付用户的用户行为数据的分类标签为用户存在支付行为，所述浏览用户的用户行为数据的分类标签为用户不存在支付行为；根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型。

可选地，支付用户的用户行为数据为所述支付用户浏览目标类别的商品时所确定的数据；所述浏览用户的用户行为数据为所述浏览用户浏览所述目标类别的商品时所确定的数据；所述根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型包括：根据所述预测模型参数构建预测模型，所述预测模型用于预测用户是否存在购买所述目标类别的商品的支付行为。

可选地，将所述当前用户的用户行为数据输入至所述预测模型包括：获取所述当前用户的用户基本属性，将所述用户基本属性以及所述用户行为数据共同作为特征向量；将所述特征向量输入所述预测模型。

可选地，获取所述当前用户的用户基本属性包括：获取所述当前用户的用户ID信息，所述用户ID信息为从社交平台路由跳转到所述当前页面时，所述当前页面的url中所加入的ID信息；通过API或网络爬虫技术获取所述社交平台中与所述用户ID信息相对应的所述用户基本属性。

第二方面，本发明实施例提供了一种预测用户行为的装置，包括：监听模块、处理模块及预测模块。

监听模块：用于对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本，所述事件监听脚本用于监听所述事件属性对应的点击事件；

处理模块：用于在所述事件监听脚本监听到所述事件属性对应的点击事件时，确定当前用户存在与所述事件属性相对应的点击行为，并根据所述点击行为生成所述当前用户的用户行为数据；

预测模块：用于根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为。

第三方面，本发明实施例提供了一种电子设备，包括：总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现如上所述的预测用户行为的方法中的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，包括：可读存储介质上存储的计算机程序；所述计算机程序被处理器执行时实现如上所述的预测用户行为的方法中的步骤。

本发明实施例提供的一种预测用户行为的方法、装置、电子设备及计算机可读存储介质，该方法在数据采集方面采用与传统的命令式埋点技术不同的埋点技术，直接在前端框架的Dom Tree属性中埋点，获取用户行为数据，推测用户行为。该方法不会侵入原代码，可以保证业务逻辑的正确性，且能够自动获取页面路由变化，效率高，采集到的数据更为准确。

附图说明

为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。

图1示出了本发明实施例所提供的一种预测用户行为的方法的流程图；

图2示出了本发明实施例所提供的预测用户行为的方法中，构建能够预测用户是否存在支付行为的预测模型的具体方法的流程图；

图3示出了本发明实施例所提供的预测用户行为的方法中，将用户行为数据输入预测模型的具体方法的流程图；

图4示出了本发明实施例所提供的预测用户行为的方法的一种详细流程图；

图5示出了本发明实施例所提供的预测用户行为的装置的结构示意图；

图6示出了本发明实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。

本发明实施例提供了一种预测用户行为的方法，该方法在数据采集方面采用与传统的命令式埋点技术不同的埋点技术，直接在前端框架的Dom Tree（Document ObjectModel Tree，文档对象化模型树）属性中埋点，获取用户行为数据，推测用户行为。该方法不会侵入原代码，可以保证业务逻辑的正确性，且能够自动获取页面路由变化，效率高，采集到的数据更为准确。

参见图1所示，本发明实施例中预测用户行为的方法流程包括如下步骤101-103。

步骤101：对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本，所述事件监听脚本用于监听所述事件属性对应的点击事件。

其中，当前页面为需要采集由用户操作所触发的点击事件的页面，该当前页面可以为点击广告链接后跳转的页面；文档对象化模型树即为Dom Tree，Dom Tree中可以包含一个或者多个节点，该节点可以是当前页面中的按钮；部分节点可以包含点击事件，例如能够响应点击操作的按钮；事件属性是给点击事件定义的属性，可以包括事件名称、事件ID等。在前端框架（例如Vue，一套用于构建用户界面的渐进式框架）的JS脚本文件中引入事件监听脚本，利用该事件监听脚本监听与事件属性相对应的点击事件。由于前端框架Vue可以直接快速读取并操作Dom Tree属性，因此本方法通过在前端框架的Dom Tree节点上添加事件属性，并将点击事件对应的具体方法直接绑定于该事件属性中，便可实现在该事件属性被触发时直接调用事件监听脚本记录并生成数据。这样的做法无需侵入原代码，能够保证原页面的业务逻辑，且改善了随着业务需求开发的持续进行而出现冗余代码的情况。

步骤102：在所述事件监听脚本监听到所述事件属性对应的点击事件时，确定当前用户存在与所述事件属性相对应的点击行为，并根据所述点击行为生成所述当前用户的用户行为数据。

其中，当前用户为操作该当前页面的用户，点击行为即为该当前用户点击当前页面中某个元素的行为；例如，当前用户可以是点击广告链接后跳转至当前页面的用户；点击行为可以是当前用户点击当前页面中包含事件属性的按钮。如果当前用户在当前页面点击包含事件属性的按钮，则事件监听脚本便可以监听到本次当前用户点击按钮的点击行为，进而事件监听脚本可以生成用户行为数据。

可选地，用户行为数据可以包括：浏览商品数据和浏览时间数据。

生成浏览商品数据的过程可以为：通过确定当前页面中每个包含点击事件的节点所对应的商品信息，并根据多个商品信息生成浏览商品数据。例如，确定当前页面中用户点击的每个按钮所对应的商品信息，根据以上商品信息生成浏览商品数据。

生成浏览时间数据的过程可以为：根据路由跳转确定进入当前页面的第一点击行为，以及离开当前页面的第二点击行为，将第二点击行为与第一点击行为之间的时间差作为当前页面的浏览时间数据。例如，根据路由跳转自动记录当前用户点击广告链接后，跳转进入当前页面和离开该页面的时间差，实现离开该页面的操作可以是用户点击返回按钮、点击关闭按钮或点击进入其他页面的链接等操作。

其中，当事件监听脚本被触发时，该事件监听脚本可以记录本次当前用户点击节点的点击行为所生成的用户行为数据，可以是记录当前用户点击按钮所生成的浏览商品数据和浏览时间数据。本发明实施例在数据采集方面所采用的方法，可以自动获取页面路由变化，通过路由跳转记录信息，更适用于点击按钮等事件的统计，效率高。

步骤103：根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为。

其中，有效行为是需要预测的行为，例如，该有效行为可以包括支付行为；通过获取用户行为数据预测当前用户是否存在支付行为，若预测结果为当前用户存在支付行为，则能够判断该当前用户具有购买潜力，进而可以对该当前用户执行相应的操作。例如，可以使广告运营商针对性的向该当前用户推荐商品广告，以改善用户体验。

可选地，由于现有广告投放平台的用户行为分析与预测大多基于经验，因此，直接根据用户行为数据预测用户是否存在有效行为，容易存在预测不准的情况，为了提高预测的准确率，可以构建能够预测用户是否存在支付行为的预测模型，将用户行为数据输入预测模型，根据预测模型的输出结果预测当前用户是否存在支付行为。

本发明实施例提供了一种预测用户行为的方法，该方法在数据采集方面采用与传统的命令式埋点技术不同的埋点技术，直接在前端框架的Dom Tree属性中埋点，获取用户行为数据，推测用户行为。该方法不会侵入原代码，可以保证业务逻辑的正确性，且能够自动获取页面路由变化，效率高，采集到的数据更为准确。

可选地，参见图2所示，上述步骤“构建能够预测用户是否存在支付行为的预测模型”可以包括以下的步骤201-202。

步骤201：获取基于样本对预设模型进行训练所得到的预测模型参数。

其中，所述样本包含支付用户的用户行为数据和浏览用户的用户行为数据；所述支付用户为具有所述支付行为的一类用户，所述浏览用户为不具有所述支付行为的另一类用户；所述支付用户的用户行为数据的分类标签为用户存在支付行为，所述浏览用户的用户行为数据的分类标签为用户不存在支付行为。

本发明实施例中，用户点击广告链接后跳转的界面可以是网页端，即当前页面，也可以是APP客户端的界面；比如用户在社交平台上点击商品广告链接后，可以跳转至淘宝网页版，也可以跳转至淘宝APP客户端。其中，预设模型为可以用于分类的模型，其可以是简单的RNN（Recurrent Neural Network，循环神经网络）等。可以先由取样终端采集支付用户的用户行为数据以及浏览用户的用户行为数据，之后再由取样终端、当前终端或服务器等基于该用户行为数据对预设模型进行训练。即，该预测模型参数可以是由取样终端执行训练所得到的，也可以是由其他设备（比如服务器或当前终端等）执行训练所得到的，本实施例对此不做限定。其中，当前终端为对当前页面进行操作的当前用户所使用的终端。

可选地，本发明实施例中，用户行为数据中不包含支付行为；并且，可以采用与上述步骤101-102相似的过程采集支付用户的用户行为数据和浏览用户的用户行为数据。此外，在采集某用户A的用户行为数据时，还可以监听支付按钮，若监听到该支付按钮存在点击行为，则该用户A为支付用户；相反地，若未监听到该支付按钮存在点击行为，则该用户A为浏览用户。

本发明实施例中，可以采集取样用户操作取样终端时的样本，即用户行为数据等，基于取样用户的样本对预设模型进行训练。该取样用户可能是支付用户，也可能是浏览用户。

当取样用户点击广告链接后跳转的页面是网页端时，具体可以根据以下步骤A1-A2判断取样用户是否为支付用户。

步骤A1：在Dom Tree节点上设置事件属性（比如ubc_event='{"eventName":"支付购买"}'，表示事件名称为支付购买），在前端框架Vue的JS脚本中引入的事件监听脚本。

步骤A2：监听上述事件名称为支付购买的事件属性对应的点击事件（v-on:click，表示监听点击事件），若监听到该点击事件，则确定该取样用户存在与事件名称为支付购买的事件属性对应的点击行为，即该取样用户存在支付行为，该取样用户为支付用户；否则，取样用户为浏览用户。

其中，支付用户与浏览用户的数量可以相同；支付用户的用户行为数据的分类标签为用户存在支付行为，浏览用户的用户行为数据的分类标签为用户不存在支付行为。

在采集到上述样本后，即可基于该样本训练预设模型，得到预测模型参数。

步骤202：根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型。

将预设模型的参数更新为该预测模型参数，从而得到能够预测用户是否存在支付行为的预测模型。

可选地，若取样用户点击广告链接后跳转的页面是APP客户端，此时需要根据APP客户端中开发的日志系统，将获取的大量数据离线存放在APP日志系统中，可以定时从日志系统中提取所需的用户行为数据，将其数据上传至服务器，以确定该用户是支付用户或是浏览用户。

本发明实施例提供的一种预测用户行为的方法，在训练预设模型方面，选取支付用户的用户行为数据和浏览用户的用户行为数据作为样本，保证了对预设模型进行训练后所得到的参数更为精准，减少无关数据对用户行为预测模型建立产生的影响，使预测模型在后续进行运用时预测结果的准确度更高。

可选地，所述支付用户的用户行为数据为所述支付用户浏览目标类别的商品时所确定的数据；所述浏览用户的用户行为数据为所述浏览用户浏览所述目标类别的商品时所确定的数据。

上述步骤202“根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型”可以包括：根据所述预测模型参数构建预测模型，所述预测模型用于预测用户是否存在购买所述目标类别的商品的支付行为。即，上述步骤103“根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为”具体可以是：根据所述当前用户的用户行为数据预测该当前用户是否存在购买所述目标类别的商品的支付行为。

本发明实施例中目标类别不是只限于一种类别，该目标类别的商品可以是市面上广泛存在的多种热门商品类别，例如酒类、电子产品类，并不是具体的单个商品。基于对多种目标类别的商品分别构建预测模型，可以实现对多种目标类别的商品进行用户行为预测，得到多种目标类别的商品的潜在购物客户。其中，分别选取上述多种目标类别的商品所对应的样本，分别输入预设模型，逐次训练模型，得到多个与上述多种目标类别的商品分别相对应的预测模型参数，构建多个目标类别的商品的预测模型，并一一保存使用。

本发明实施例提供的一种预测用户行为的方法，可以选取多类需要推荐的广告商品，分别对预设模型进行训练，得到多个商品类别分别对应的预测模型，可以轻松的将大量用户进行分类，实现预测大量用户对于市面上常见的各种商品类别是否具有购买潜力的目的。

可选地，参见图3所示，上述步骤“将所述当前用户的用户行为数据输入至所述预测模型”可以包括以下的步骤301-302。

步骤301：获取所述当前用户的用户基本属性，将所述用户基本属性以及所述用户行为数据共同作为特征向量。

其中，用户基本属性为当前用户的基本公开信息。例如，用户的性别、年龄范围、省份、是否关注相关产品话题、关注用户中相关产品类所占比例等。特征向量包括：当前用户的用户基本属性及用户行为数据。

其中，当当前用户从社交平台路由跳转到当前页面时，当前页面的url（UniformResource Locator，统一资源定位符）中会加入用户ID信息；每一个用户ID信息对应一系列特征向量。通过API（Application Programming Interface，应用程序编程接口）或网络爬虫技术能够获取社交平台中与用户ID信息相对应的用户基本属性，由于当前页面的url中加入的用户ID信息与社交平台上的用户ID相匹配，当前页面可以直接获取到社交平台中与用户ID信息相对应的用户基本属性，进而可以将当前页面获取到的用户基本属性与用户行为数据共同作为特征向量。

步骤302：将所述特征向量输入所述预测模型。

根据预测模型的输出结果预测所述当前用户的用户行为数据是否存在有效行为。

本发明实施例提供的一种预测用户行为的方法，通过采用上述技术方案，能够有效地预测出当前用户针对当前类别商品的支付行为，比较准确的得出潜在购买客户。

优选地，在上述步骤“预测用户是否存在购买所述目标类别的商品的支付行为”之后，该方法还包括：在所述当前用户存在购买所述目标类别的商品的支付行为的情况下，向所述当前用户推送与所述目标类别的商品相关的广告信息。

其中，经过对当前用户进行预测并分类，若当前用户可能存在购买目标类别的商品的支付行为，可以向该当前用户推送与目标类别的商品相关的广告信息，并将具有购买潜力的当前用户全部作为重点营销用户，开展有计划的个性化营销，提升广告营销、商品推荐的有效性，也可以通过该类用户关注的博主重点投放热门类别商品的广告，或者用私信的方式针对性投放，达到广告效益最大化。

下面通过一个实施例详细介绍该预测用户行为的方法流程。参见图4所示，该方法包括以下步骤401-408。

步骤401：分别针对不同目标类别的商品，构建多个预测模型。

其中，可以基于事件监听脚本监听点击行为所生成的用户行为数据，训练得到该预测模型，建立预测模型的方法具体可参见上述的步骤201-202，此处不做赘述。

步骤402：当前用户在点击社交平台上的广告链接后，跳转到网页端。

本实施例中，以点击广告链接后跳转到的页面为网页端为例，基于该种情况进行用户行为预测。

步骤403：获取当前用户的用户行为数据，并确定该用户行为数据对应的当前类别。

具体地，对当前终端的当前页面的Dom Tree节点上增加事件属性，在Vue的JS脚本中引入事件监听脚本，用于监听上述事件属性对应的点击事件；根据监听到的点击事件确定当前用户存在与上述事件属性相对应的点击行为，根据该点击行为生成当前用户的用户行为数据。用户行为数据对应的当前类别为该当前用户所浏览的商品类别，具体可将当前页面中的商品所属的类别作为该用户行为数据对应的当前类别。其中，该当前类别与上述的目标类别均为一种商品的类别。

步骤404：获取当前用户的用户ID信息及用户基本属性。

步骤405：将当前用户的用户ID信息所对应的用户基本属性，及当前用户的用户行为属性作为特征向量，将该特征向量输入至与当前类别的商品对应的预测模型，预测当前用户是否具有支付行为，从而可以对当前用户进行分类。

步骤406：若预测到当前用户具有支付行为，则继续步骤407，否则继续步骤408。

步骤407：将当前用户作为潜在购物客户，通过广告投放平台为当前用户推送该当前类别的商品相关的广告信息。

步骤408：预测结束。

上文详细描述了本发明实施例提供的预测用户行为的方法，该方法也可以通过相应的装置实现，下面详细描述本发明实施例提供的预测用户行为的装置。

本发明实施例提供了一种预测用户行为的装置，参见图5所示，该装置包括：监听模块51、处理模块52及预测模块53。

监听模块51：用于对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本，所述事件监听脚本用于监听所述事件属性对应的点击事件；

处理模块52：用于在所述事件监听脚本监听到所述事件属性对应的点击事件时，确定当前用户存在与所述事件属性相对应的点击行为，并根据所述点击行为生成所述当前用户的用户行为数据；

预测模块53：用于根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为。

可选地，包含点击事件的节点的数量为多个，处理模块52根据所述点击行为生成所述当前用户的用户行为数据包括：

确定每个所述包含点击事件的节点对应的商品信息，根据多个所述商品信息生成浏览商品数据。

根据路由跳转确定进入所述当前页面的第一点击行为，以及离开所述当前页面的第二点击行为，将所述第二点击行为与所述第一点击行为之间的时间差作为所述当前页面的浏览时间数据。

生成包含所述浏览商品数据和所述浏览时间数据的所述用户行为数据。

可选地，有效行为包括支付行为，所述根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为的预测模块53包括：构建单元和预测单元。

构建单元用于构建能够预测用户是否存在支付行为的预测模型。

预测单元用于将所述当前用户的用户行为数据输入至所述预测模型，根据所述预测模型的输出结果预测所述当前用户的用户行为数据是否存在支付行为。

可选地，构建能够预测用户是否存在支付行为的预测模型的构建单元用于：获取基于样本对预设模型进行训练所得到的预测模型参数；根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型。

其中，所述样本包含支付用户的用户行为数据和浏览用户的用户行为数据；所述支付用户为具有所述支付行为的一类用户，所述浏览用户为不具有所述支付行为的另一类用户；所述支付用户的用户行为数据的分类标签为用户存在支付行为，所述浏览用户的用户行为数据的分类标签为用户不存在支付行为。

可选地，支付用户的用户行为数据为所述支付用户浏览目标类别的商品时所确定的数据；所述浏览用户的用户行为数据为所述浏览用户浏览所述目标类别的商品时所确定的数据；根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型的构建单元用于：根据所述预测模型参数构建预测模型，所述预测模型用于预测用户是否存在购买所述目标类别的商品的支付行为。

可选地，预测单元将所述当前用户的用户行为数据输入至所述预测模型包括：获取当前用户的用户基本属性，将所述用户基本属性以及所述用户行为数据共同作为特征向量；将所述特征向量输入所述预测模型。

可选地，预测单元获取当前用户的用户基本属性包括：获取所述当前用户的用户ID信息，所述用户ID信息为从社交平台路由跳转到所述当前页面时，所述当前页面的url中所加入的ID信息；通过API或网络爬虫技术获取所述社交平台中与所述用户ID信息相对应的所述用户基本属性。

可选地，预测用户是否存在购买所述目标类别的商品的支付行为的预测模型用于：在所述当前用户存在购买所述目标类别的商品的支付行为的情况下，向所述当前用户推送与所述目标类别的商品相关的广告信息。

本发明实施例提供了一种预测用户行为的装置，该方法在数据采集方面采用与传统的命令式埋点技术不同的埋点技术，直接在前端框架的Dom Tree属性中埋点，获取用户行为数据，推测用户行为。该方法不会侵入原代码，可以保证业务逻辑的正确性，且能够自动获取页面路由变化，效率高，采集到的数据更为准确。

此外，本发明实施例还提供了一种电子设备，包括总线、收发器、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，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述预测用户行为的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

具体的，参见图6所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。

在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述预测用户行为的方法实施例的各个过程。

收发器1130，用于在处理器1120的控制下接收和发送数据。

本发明实施例中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。

总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口（Accelerate Graphical Port，AGP）、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构（Industry Standard Architecture，ISA）总线、微通道体系结构（Micro Channel Architecture，MCA）总线、扩展ISA（Enhanced ISA，EISA）总线、视频电子标准协会（Video Electronics Standards Association，VESA）、外围部件互连（Peripheral Component Interconnect，PCI）总线。

处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（FieldProgrammable Gate Array，FPGA）、复杂可编程逻辑器件（Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列（Programmable Logic Array，PLA）、微控制单元（Microcontroller Unit，MCU）或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。

处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器（Random Access Memory，RAM）、闪存（FlashMemory）、只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。

收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。

应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络（ad hoc network）、内联网（intranet）、外联网（extranet）、虚拟专用网（VPN）、局域网（LAN）、无线局域网（WLAN）、广域网（WAN）、无线广域网（WWAN）、城域网（MAN）、互联网（Internet）、公共交换电话网（PSTN）、普通老式电话业务网（POTS）、蜂窝电话网、无线网络、无线保真（Wi-Fi）网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信（GSM）系统、码分多址（CDMA）系统、全球微波互联接入（WiMAX）系统、通用分组无线业务（GPRS）系统、宽带码分多址（WCDMA）系统、长期演进（LTE）系统、LTE频分双工（FDD）系统、LTE时分双工（TDD）系统、先进长期演进（LTE-A）系统、通用移动通信（UMTS）系统、增强移动宽带（Enhance Mobile Broadband，eMBB）系统、海量机器类通信（massive Machine Type of Communication，mMTC）系统、超可靠低时延通信（UltraReliable Low Latency Communications，uRLLC）系统等。

应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、电可擦除可编程只读存储器（Electrically EPROM，EEPROM）或闪存（Flash Memory）。

易失性存储器包括：随机存取存储器（Random Access Memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器（Static RAM，SRAM）、动态随机存取存储器（Dynamic RAM，DRAM）、同步动态随机存取存储器（Synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，DDRSDRAM）、增强型同步动态随机存取存储器（Enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，DRRAM）。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。

在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。

具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器（Media Player）、浏览器（Browser），用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。

此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述XXXX方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、非易失性随机存取存储器（NVRAM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置（例如在其上记录有指令的凹槽中的穿孔卡或凸起结构）或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波（例如穿过光纤电缆的光脉冲）或通过导线传输的电信号。

在本申请所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的、机械的或其他的形式连接。

所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，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全部单元来解决本发明实施例方案要解决的问题。

另外，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单元中，也可以是各个单元单独物理存在，也可以是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，也可以采用软件功能单元的形式实现。

所述集成的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存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分，或者该技术方案的全部或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（包括：个人计算机、服务器、数据中心或其他网络设备）执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。

在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM）、闪存（Flash Memory）、光纤、光盘只读存储器（CD-ROM）、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频（Radio Frequency，RF）或者以上任意合适的组合。

可以以汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括：局域网（LAN）或广域网（WAN），可以连接到用户计算机，也可以连接到外部计算机。

本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

以上所述，仅为本发明实施例的具体实施方式，但本发明实施例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实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种预测用户行为的方法，其特征在于，包括：

对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本，所述事件监听脚本用于监听所述事件属性对应的点击事件；

在所述事件监听脚本监听到所述事件属性对应的点击事件时，确定当前用户存在与所述事件属性相对应的点击行为，并根据所述点击行为生成所述当前用户的用户行为数据；

根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为。

2.根据权利要求1所述的方法，其特征在于，所述包含点击事件的节点的数量为多个，所述根据所述点击行为生成所述当前用户的用户行为数据，包括：

确定每个所述包含点击事件的节点对应的商品信息，根据多个所述商品信息生成浏览商品数据；

根据路由跳转确定进入所述当前页面的第一点击行为，以及离开所述当前页面的第二点击行为，将所述第二点击行为与所述第一点击行为之间的时间差作为所述当前页面的浏览时间数据；

生成包含所述浏览商品数据和所述浏览时间数据的所述当前用户的用户行为数据。

3.根据权利要求1所述的方法，其特征在于，所述有效行为包括支付行为，所述根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为，包括：

构建能够预测用户是否存在支付行为的预测模型；

将所述当前用户的用户行为数据输入至所述预测模型，根据所述预测模型的输出结果预测所述当前用户是否存在支付行为。

4.根据权利要求3所述的方法，其特征在于，所述构建能够预测用户是否存在支付行为的预测模型，包括：

获取基于样本对预设模型进行训练所得到的预测模型参数；

其中，所述样本包含支付用户的用户行为数据和浏览用户的用户行为数据；所述支付用户为具有所述支付行为的一类用户，所述浏览用户为不具有所述支付行为的另一类用户；所述支付用户的用户行为数据的分类标签为用户存在支付行为，所述浏览用户的用户行为数据的分类标签为用户不存在支付行为；

根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型。

5.根据权利要求4所述的方法，其特征在于，所述支付用户的用户行为数据为所述支付用户浏览目标类别的商品时所确定的数据；所述浏览用户的用户行为数据为所述浏览用户浏览所述目标类别的商品时所确定的数据；

所述根据所述预测模型参数构建能够预测用户是否存在支付行为的预测模型包括：

根据所述预测模型参数构建预测模型，所述预测模型用于预测用户是否存在购买所述目标类别的商品的支付行为。

6.根据权利要求3-5任意一项所述的方法，其特征在于，所述将所述当前用户的用户行为数据输入至所述预测模型，包括：

获取所述当前用户的用户基本属性，将所述用户基本属性以及所述当前用户的用户行为数据共同作为特征向量；

将所述特征向量输入所述预测模型。

7.根据权利要求6所述的方法，其特征在于，所述获取所述当前用户的用户基本属性，包括：

获取所述当前用户的用户ID信息，所述用户ID信息为从社交平台路由跳转到所述当前页面时，所述当前页面的url中所加入的ID信息；

通过API或网络爬虫技术获取所述社交平台中与所述用户ID信息相对应的所述用户基本属性。

8.一种预测用户行为的装置，其特征在于，包括：监听模块、处理模块及预测模块；

所述监听模块用于对当前页面的文档对象化模型树中包含点击事件的节点增加事件属性；在前端框架的脚本文件中引入事件监听脚本，所述事件监听脚本用于监听所述事件属性对应的点击事件；

所述处理模块用于在所述事件监听脚本监听到所述事件属性对应的点击事件时，确定当前用户存在与所述事件属性相对应的点击行为，并根据所述点击行为生成所述当前用户的用户行为数据；

所述预测模块用于根据所述当前用户的用户行为数据预测所述当前用户是否存在有效行为。

9.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的预测用户行为的方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的预测用户行为的方法中的步骤。

Images