CN113077276A - 行为数据的处理方法和系统、存储介质及处理器 - Google Patents
行为数据的处理方法和系统、存储介质及处理器 Download PDFInfo
- Publication number
- CN113077276A CN113077276A CN202010010149.3A CN202010010149A CN113077276A CN 113077276 A CN113077276 A CN 113077276A CN 202010010149 A CN202010010149 A CN 202010010149A CN 113077276 A CN113077276 A CN 113077276A
- Authority
- CN
- China
- Prior art keywords
- processing
- behavior
- data
- target
- behavior data
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 410
- 238000000034 method Methods 0.000 claims abstract description 146
- 230000006399 behavior Effects 0.000 claims description 596
- 238000012549 training Methods 0.000 claims description 227
- 230000015654 memory Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 25
- 238000013139 quantization Methods 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种行为数据的处理方法和系统、存储介质及处理器。其中,该方法包括:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。本申请解决了相关技术中行为数据的处理方法通过人工方式确定用户特征,导致处理效率低,成本高的技术问题。
Description
技术领域
本申请涉及互联网领域,具体而言,涉及一种行为数据的处理方法和系统、存储介质及处理器。
背景技术
在不同业务场景中,都存在用户流失的情况,为了降低流失率,可以进行各类运营活动、广告等挽留即将流失的用户。为了能够准确获知用户流失情况,相关技术中提供了预测用户流失情况的方案。
目前使用较为广泛的用户流失预测方法是基于大量稠密用户特征的梯度提升决策树。该方法首先需要技术人员分析用户的属性信息数据和历史行为数据,对这些数据进行选择和预处理后,作为梯度提升决策树算法的输入,寻找有效的特征和特征组合,并根据这些特征输出预测结果。
但是,上述方法需要大量的特征工程工作,去人为地挖掘和筛选特征,而且不同的业务场景需要进行不同的特征工程,涉及了大量的重复劳动,导致处理效率降低、成本增加,而且无法统一地应用于不同的业务场景。
针对相关技术中行为数据的处理方法通过人工方式确定用户特征,导致处理效率低,成本高的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种行为数据的处理方法和系统、存储介质及处理器,以至少解决相关技术中行为数据的处理方法通过人工方式确定用户特征,导致处理效率低,成本高的技术问题。
根据本申请实施例的一个方面,提供了一种行为数据的处理方法,包括:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
根据本申请实施例的另一方面,还提供了一种行为数据的处理方法,包括:触发预设终端生成处理指令;预设终端基于处理指令获取目标对象的标识信息;预设终端发送标识信息至服务器,并接收服务器返回的处理结果,其中,处理结果是利用训练好的时序模型对目标对象的行为数据进行处理所得到,行为数据基于标识信息获取,行为数据为目标对象与预设终端进行交互后产生的数据,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;预设终端输出处理结果。
根据本申请实施例的另一方面,还提供了一种行为数据的处理方法,包括:服务器接收预设终端发送的目标对象的标识信息;服务器基于标识信息,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;服务器利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;服务器发送处理结果至预设终端。
根据本申请实施例的另一方面,还提供了一种信息推送方法,包括:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;基于处理结果,确定目标推送信息;推送目标推送信息至目标对象对应的目标终端。
根据本申请实施例的另一方面,还提供了一种信息推送方法,包括:获取至少一个对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为对象与预设终端进行交互后产生的数据;利用训练好的时序模型对每个对象的行为数据进行处理,得到每个对象对应的处理结果,其中,处理结果用于表征每个对象在未来一段时间内未与预设终端进行交互的概率;基于至少一个对象对应的处理结果和行为数据,确定目标推送信息,其中,目标推送信息用于对至少一个商品的商品信息进行修改;推送目标推送信息至目标终端。
根据本申请实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的行为数据的处理方法和信息推送方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的行为数据的处理方法和信息推送方法。
根据本申请实施例的另一方面,还提供了一种行为数据的处理系统,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
在本申请实施例中,在获取到目标对象的行为数据之后,可以利用训练好的时序模型对行为数据进行处理,得到处理结果,并进行输出,从而实现基于用户的行为数据进行用户流失预测的目的。与相关技术相比,时序模型可以接收不同时间长度、不同行为维度数量的输入数据,无需进行特征分析和特征选择,可以直接进行模型训练和预测,避免大量繁杂的特征工程工作,同时不同业务场景下只需要用户行为数据即可进行端到端的用户流失预测,从而达到减少工作量,降低部署难度,提升适应性的效果,进而解决了相关技术中行为数据的处理方法通过人工方式确定用户特征,导致处理效率低,成本高的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现行为数据的处理方法的计算机终端的硬件结构框图;
图2是根据本申请实施例的一种计算机终端作为接收端的示意图;
图3是根据本申请实施例1的一种行为数据的处理方法的流程图;
图4是根据本申请实施例的一种可选的用户流失预测的流程图;
图5是根据本申请实施例的一种可选的训练测试数据划分的示意图;
图6是根据本申请实施例2的一种行为数据的处理方法的流程图;
图7是根据本申请实施例的一种可选的用户操作界面的示意图;
图8是根据本申请实施例3的一种行为数据的处理方法的流程图;
图9是根据本申请实施例的一种信息推送方法的流程图;
图10是根据本申请实施例的另一种信息推送方法的流程图;
图11是根据本申请实施例6的一种地址文本的处理装置的示意图;
图12是根据本申请实施例7的一种地址文本的处理装置的示意图;
图13是根据本申请实施例8的一种地址文本的处理装置的示意图;
图14是根据本申请实施例的一种信息推送装置的示意图;
图15是根据本申请实施例的一种信息推送装置的示意图;以及
图16是根据本申请实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
用户流失:可以是指用户在过去的一段时间窗口内没有任何与具体业务的交互行为。
时间窗口:可以是指一个时间段。
端到端:对数据的分析和学习由模型自动完成。
卷积神经网络(CNN):Convolutional Neural Network,可以是一种使用了卷积结构的深度神经网络。
时序卷积网络:Temporal convolutional network,简称为TCN,可以是一种能够处理时间序列数据的网络结构。
RNN:循环神经网络,Recurrent Neural Network,可以是一类用于处理序列数据的神经网络。
LSTM:Long Short-Term Memory,长短期记忆网络,可以是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
实施例1
根据本申请实施例,还提供了一种行为数据的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。图1示出了一种用于实现行为数据的处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的处理器,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的行为数据的处理方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的行为数据的处理方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
图1示出的硬件结构框图,不仅可以作为上述计算机终端10(或移动设备)的示例性框图,还可以作为上述服务器的示例性框图,一种可选实施例中,图2以框图示出了使用上述图1所示的计算机终端10(或移动设备)作为接收端的一种实施例。如图2所示,计算机终端10(或移动设备)可以经由数据网络连接或电子连接到一个或多个客户端20。数据网络连接可以是局域网连接、广域网连接、因特网连接,或其他类型的数据网络连接。计算机终端10(或移动设备)可以向一个或多个客户端20提供网络服务。网络服务是基于网络的用户服务,诸如社交网络、云资源、电子邮件、在线支付或其他在线应用。
在上述运行环境下,本申请提供了如图3所示的行为数据的处理方法。图3是根据本申请实施例1的一种行为数据的处理方法的流程图。如图3所示,该方法包括如下步骤:
步骤S302,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;
上述步骤中的目标对象可以是需要进行用户流失预测的用户,在不同业务场景,目标对象不同,例如,在电商购物场景中,目标对象可以是电商购物平台中注册的会员,还可以是电商购物平台中某个店铺的VIP会员。在社交网络场景中,目标对象可以是社交网络的使用用户。
上述步骤中的预设终端可以是不同业务场景中,为用户提供网络服务的服务器,用户可以通过客户端与服务器进行业务交互,在业务交互过程中,可以产生相应的行为数据。而且,在一个业务场景中,用户可以进行不同的交互行为,从而产生不同类型的行为数据。例如,在电商购物场景中,行为数据可以包括点击、浏览、收藏、购买等类型。在社交网络场景中,行为数据可以包括登录、转发、分享、发布等类型。
由于用户行为具有时序性,可以按照时间顺序获取用户行为数据,并按照一定的时间粒度量化成为相应的行为序列,序列中每个元素为对应时间产生的行为数据值。
步骤S304,利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;
由于用户行为具有时序性,为了能够更好地对获取到的行为数据进行处理,在一种可选的实施例中,可以使用时序模型对其进行处理,上述步骤中的时序模型可以是RNN、LSTM、TCN等能够对时序序列进行处理的神经网络模型,但不仅限于此,在本申请实施例中,以TCN为例进行说明。
TCN是实现端到端用户流失预测的关键。不同于常见维持尺寸的全卷积网络,TCN可以更好地学习时序信息。假设输入数据在时间t处的元素为x(t),有大小为3的一维卷积核[k1,k2,k3],则普通卷积的输出元素y(t)可以表示为y(t)=k1*x(t-1)+k2*x(t)+k3*x(t+1),而时序网络中输出的卷积结果可以表示为y(t)=k1*x(t-2)+k2*x(t-1)+k3*x(t),这样的卷积结构能够更好的捕捉到行为数据的时序信息。
由于流失用户和活跃用户之间可以相互转换,也即用户流失一段时间之后,也可以再次成为活跃用户,因此,通过时序模型对行为数据进行处理所得到的处理结果可以表征未来一段时间内该用户是否会流失。具体时间段长度可以由时序模型训练过程中使用的历史行为数据的时间窗口长度确定。
步骤S306,输出处理结果。
在预测得到即将流失的用户之后,可以将预测结果以及用户的具体信息输出,从而业务管理人员可以基于预测结果对具体业务进行调整,或者向即将流失的用户提供优惠信息、广告等,从而挽留即将流失的用户。
在一种可选的实施例中,可以将上述方案部署在业务平台中,在业务平台为用户提供服务的过程中,实时收集用户的行为数据,进一步利用训练好的时序模型对其进行处理,预测每个用户是否流失,并将预测结果返回给管理人员,从而管理人员可以对业务进行调整,或者向用户推送优惠券、广告等信息。
例如,以电商购物场景为例进行说明,获取到的行为数据可以包括pv(曝光浏览)、ipv(商品详情页曝光浏览)、click(点击)、collect(收藏)等。将获取到的行为数据输入至训练好的TCN中,TCN的输出结果即最终的预测结果,进一步将预测结果输出给电商购物平台的管理人员,从而管理人员可以对促销活动、促销力度、商品推荐顺序等进行调整,并且可以向即将流失的用户推送不同力度的优惠券,促进用户进行消费。
基于本申请上述实施例提供的方案,在获取到目标对象的行为数据之后,可以利用训练好的时序模型对行为数据进行处理,得到处理结果,并进行输出,从而实现基于用户的行为数据进行用户流失预测的目的。与相关技术相比,时序模型可以接收不同时间长度、不同行为维度数量的输入数据,无需进行特征分析和特征选择,可以直接进行模型训练和预测,避免大量繁杂的特征工程工作,同时不同业务场景下只需要用户行为数据即可进行端到端的用户流失预测,从而达到减少工作量,降低部署难度,提升适应性的效果,进而解决了相关技术中行为数据的处理方法通过人工方式确定用户特征,导致处理效率低,成本高的技术问题。
本申请上述实施例中,在利用训练好的时序模型对行为数据进行处理之前,该方法还包括:对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
对于不同类型的行为序列,时间粒度、数量级等维度存在差异,无法直接利用训练好的时序模型对不同类型的行为序列进行处理。例如,仍以电商购物场景为例进行说明,对于某个用户,该用户在一个时间段内收藏商品的次数可能只有几次、十几次,但是,用户在该时间段内购买商品的金额可能上千甚至上万,两个行为序列的数量级不同。同样地,用户在一个时间段内收藏商品的时间粒度可能是天,而用户在该时间段内浏览商品的时间粒度可能是小时,两个行为序列的时间粒度不同。
在一种可选的实施例中,在对不同类型的行为序列进行处理之前,可以首先对行为数据进行预处理,形成相同维度的行为序列,然后利用训练好的时序模型进行处理,可以得到最终的处理结果。
本申请上述实施例中,对多个目标行为序列进行处理,得到处理后的行为数据包括:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
上述步骤中的预设时间窗口可以是针对不同类型的行为数据,预先确定的时间窗口,并确保该时间窗口内的行为数据能够进行用户流失预测。同样地,预设时间粒度可以是针对不同类型的行为数据,预先确定的时间粒度,并确保该时间窗口内的行为数据能够进行用户流失预测。例如,仍以电商购物场景为例进行说明,对于收藏行为和浏览行为,预设时间窗口可以是一个月,时间粒度可以是一天。在实际使用过程中,可以根据具体业务场景,对预设时间窗口和预设时间粒度进行设置。
在具体的业务场景中,具体的业务场景中,用户的行为并不总是频繁的,在大多数情况下,用户的行为非常稀疏,具体到某一行为,按天统计其发生频率可能低至1/30乃至更低,这样的数据会对上述方法造成影响。为了解决上述问题,在本申请实施例中,可以对行为数据进行去稀疏化处理,降低行为序列的稀疏性,从而更利于时序模型的训练和预测。
对多个第二行为序列进行处理的方法可以包括:归一化、差分等处理,但不仅限于此,还可以是其他能够使序列中元素值得数量级接近的方法,在本申请实施例中,以归一化处理为例进行说明。
在一种可选的实施例中,在获取到不同类型的多个行为序列之后,可以首先对不同行为数据取相同的时间窗口,并按照相同的而时间粒度统计量化,然后对量化后的第一行为序列中的元素去稀疏化处理,最后对多个第二行为序列进行归一化处理,使去稀疏化处理后的序列中的元素值的数量级相同。
本申请上述实施例中,对多个第一行为序列进行处理,得到多个第二行为序列,包括:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
上述步骤中的目标时间段可以是根据实际业务场景所确定的,单次行为之后的一段时间,该时间段可以是单次行为的行为影响窗口,本申请对此不做具体限定。
在一种可选的实施例中,去稀疏化处理可以包括如下两个步骤,第一个步骤为增加行为影响窗口机制,用户单次的行为并非是孤立存在的,会形成一段时间的影响残留,残留随时间的推移呈反比例减少,也即,用户单次行为类似于脉冲,可以通过依次递减的方式补充相应时间之后的一段时间的值。第二个步骤为增加噪声,对于稀疏的行为序列,可以加入不影响行为分布的高斯白噪声,降低其稀疏性。
本申请上述实施例中,该方法还包括:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
在一种可选的方案中,为了能够得到更加准确的预测结果,需要获取大量的训练数据,训练数据包括行为序列与用户标签,行为序列来自于用户在过去的历史行为,并且根据历史流失情况,设置每个用户的标签,该标签可以指示该用户在行为序列窗口之后的流失情况。然后采用上述的预处理方法对训练数据进行预处理,具体处理过程在此不做赘述。最后基于预处理后的训练数据,端到端地训练时序卷积网络,从而得到训练好的时序卷积网络。
本申请上述实施例中,在基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型之后,该方法还包括:对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
在一种可选的实施例中,随着时间的推移,用户的历史行为发生变化,为了确保用户流失预测的准确性,可以更新训练数据并微调网络。
本申请上述实施例中,对训练数据进行更新,包括如下至少之一:按照预设周期对训练数据进行更新;在接收到更新指令之后,基于更新指令对训练数据进行更新。
上述步骤中的预设周期可以是实际使用中,根据具体业务场景所确定的周期,业务场景中行为数据产生越频繁,训练数据更新周期越短,从而使得时序卷积网络的预测准确度更高。在一种可选的实施例中,可以按照固定周期更新训练数据并微调网络。
更新指令可以是业务管理员根据自身需求触发的指令,例如,当业务管理员发现某个时间段内行为数据突然变得频繁时,可以触发更新指令,更新训练数据并微调网络。
在本申请实施例中,可以将上述两种更新方案进行结合,以固定周期更新为主,并且可以根据业务管理员的实际需求进行调整,增加时序卷积模型的灵活性。
下面结合图4和图5,以电商购物场景为例对本申请一种优选的实施例详细说明。如图4所示,该方法主要包括如下步骤:
步骤S41,训练数据和测试数据准备。
可选地,可以基于用户过去的历史行为和历史流失情况,准备测试数据和训练数据,历史行为可以包括pv(曝光浏览)、ipv(商品详情页曝光浏览)、click(点击商品)、buy(购买商品)等。测试数据可以是从用户过去的历史行为中选取的历史行为数据,也可以是当前需要进行用户流失预测的行为数据。
测试数据和训练数据的划分可以如图5所示,按照不同的时间窗口获取训练数据和测试数据,并对训练数据标注相同的训练标签,对测试数据标注相应的预测目标。
步骤S42,数据预处理。
可选地,数据预处理过程主要包括:取相同时间窗口、按相同粒度处理和去稀疏化。
步骤S43,训练时序卷积网络。
可选地,在对输入数据预处理完成之后,可以通过预处理后的行为序列训练时序卷积网络。
步骤S44,保存网络模型。
可选地,训练完成之后可以保存此次训练好的时序卷积模型,用于后续测试和预测需要。
步骤S45,利用测试数据进行预测,得到预测结果。
可选地,可以将测试数据输入预训练的时序卷积网络得到预测结果,并基于预测结果确定模型是否训练成功。
步骤S46,更新训练数据和测试数据。
可选地,随着时间的推移,可以更新训练数据,同时更新测试数据,以得到下一个时间段的测试结果。
步骤S47,微调时序卷积网络。
可选地,更新训练数据之后,可以基于更新后的训练数据对时序卷积网络进行微调。
通过上述步骤提供的方案,作为一个全卷积网络,时序卷积网络可以接收不同时间长度、不同行为维度数量的输入数据,因此只需准备好对应的数据,经过统一的预处理,输入网络即可训练得到一个用于前馈的神经网络模型,可直接用于预测,这之间不需要进行特征分析和特征选取,可以直接进行模型训练和预测,减少了工作量,同时更具有普适性,方便部署应用,而且能在避免特征工程的前提下取得比梯度提升决策树更好的性能效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种行为数据的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图6是根据本申请实施例2的一种行为数据的处理方法的流程图。如图6所示,该方法可以包括如下步骤:
步骤S602,触发预设终端生成处理指令;
上述步骤中的预设终端可以是不同业务场景中,为用户提供网络服务的服务器,业务管理员可以通过客户端连接该服务器,并生成相应的处理指令。处理指令可以是业务管理员需要进行用户流失预测的指令。
例如,如图7所示,客户端可以向业务管理员提供一个操作界面,通过点击“用户流失预测”生成处理指令。
步骤S604,预设终端基于处理指令获取目标对象的标识信息;
上述步骤中的标识信息可以是唯一标识用户的信息,例如,可以是用户ID、session ID等,本申请对此不作具体限定。
在一种可选的实施例中,业务管理员在触发处理指令的同时,可以指定需要用户流失预测的具体用户,如果业务管理员并未指定,则默认对所有用户进行用户流失预测。
例如,如图7所示,用户可以在操作界面中输入需要进行用户流失预测的用户ID。
步骤S606,预设终端发送标识信息至服务器,并接收服务器返回的处理结果,其中,处理结果是利用训练好的时序模型对目标对象的行为数据进行处理所得到,行为数据基于标识信息获取,行为数据为目标对象与预设终端进行交互后产生的数据,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;
上述步骤中的服务器可以是能够提供用户流失预测服务的服务器,例如可以是云服务器,但不仅限于此。
步骤S608,预设终端输出处理结果。
例如,如图7所示,用户流失预测的预测结果可以显示在操作界面中,从而业务管理员可以查看到该预测结果,并对业务进行调整。
本申请上述实施例中,在接收到服务器返回的处理结果之后,该方法还包括:预设终端基于处理结果,确定目标对象对应的目标推送信息;预设终端推送目标推送信息至目标对象对应的目标终端。
上述步骤中的目标推送信息可以是针对即将流失的用户,向用户推送的各种运营策略、广告等,例如,在电商购物场景中,目标推送信息可以是推送给用户的优惠券,但不仅限于此。目标终端可以是该用户的智能手机(包括Android手机、IOS手机)、平板电脑、掌上电脑、IPAD、笔记本电脑、个人计算机等移动终端,但不仅限于此。
在一种可选的实施例中,可以通过对用户的行为数据进行分析,确定用户的喜好,并基于用户的喜好向用户推送目标推送信息。例如,在电商购物场景中,可以通过对用户历史购买数据进行分析,确定用户喜好购买的商品类型,并向用户推送该种类型的优惠券,促使用户使用优惠券购买商品,挽留住该用户。
本申请上述实施例中,预设终端基于处理结果,确定目标对象对应的目标推送信息,包括:预设终端确定概率所属目标概率区间;预设终端获取目标概率区间对应的推送信息,得到目标推送信息。
由于用户流失预测可以给出该用户即将流失的概率,为了确保能够挽留住该用户,在一种可选的实施例中,可以预先针对不同概率,设置不同的推送信息,从而可以根据用户流失的概率,确定向用户推送的目标推送信息。例如,在电商购物场景中,对于概率较大的用户,可以推送优惠力度更大的优惠券;而对于概率较小的用户,可以推送优惠力度较小的优惠券。
本申请上述实施例中,在目标对象为多个的情况下,预设终端基于处理结果,确定目标对象对应的目标推送信息,包括:预设终端对多个目标对象对应的处理结果进行统计;预设终端基于统计结果确定目标推送信息。
在业务管理员对多个用户进行用户流失预测的情况下,即将流失的用户数量不同,数量越多,表明业务越需要改进。在一种可选的实施例中,可以对多个用户的预测结果进行统计,确定需要对业务本身进行改进,该是可以通过其他营销策略进行改进。例如,在电商购物场景中,如果即将流失的用户较多,则可以调整平台整个优惠活动,并向所有用户推送优惠卷;如果即将流失的用户较少,则无需调整平台的优惠活动,只需要向即将流失的用户推送优惠券。
本申请上述实施例中,处理结果是利用训练好的时序模型对处理后的行为数据进行处理得到的,处理后的行为数据是通过对多个目标行为序列进行处理得到,其中,处理后的行为数据中包含的多个目标行为序列的维度相同。
本申请上述实施例中,处理后的行为数据通过如下方式对多个目标行为序列进行处理得到:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,多个第二行为序列通过如下方式对多个第一行为序列进行处理得到:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,训练好的时序模型通过如下方式训练得到:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,训练好的时序模型通过如下方式进行更新:对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,训练数据通过如下至少之一方式进行更新:按照预设周期对训练数据进行更新;在接收到更新指令之后,基于更新指令对训练数据进行更新。
需要说明的是,本申请上述实施例中涉及到的优选实施方式与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例,还提供了一种行为数据的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图8是根据本申请实施例3的一种行为数据的处理方法的流程图。如图8所示,该方法可以包括如下步骤:
步骤S802,服务器接收预设终端发送的目标对象的标识信息;
步骤S804,服务器基于标识信息,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;
步骤S806,服务器利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;
步骤S808,服务器发送处理结果至预设终端。
本申请上述实施例中,在利用训练好的时序模型对行为数据进行处理之前,该方法还包括:对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,对多个目标行为序列进行处理,得到处理后的行为数据包括:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,对多个第一行为序列进行处理,得到多个第二行为序列,包括:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该方法还包括:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,在基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型之后,该方法还包括:对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,对训练数据进行更新,包括如下至少之一:按照预设周期对训练数据进行更新;在接收到更新指令之后,基于更新指令对训练数据进行更新。
需要说明的是,本申请上述实施例中涉及到的优选实施方式与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例,还提供了一种信息推送方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例中提供的方法主要针对电商购物场景中的买家,通过预测买家的流失概率,可以基于买家的偏好数据进行推荐信息推送,例如,推荐优惠卷,推荐同一店铺其他商品,推荐质量满意度较高的商品,或推荐高品质或高性价比的商品等。
图9是根据本申请实施例的一种信息推送方法的流程图。如图9所示,该方法可以包括如下步骤:
步骤S902,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;
上述步骤中的目标对象可以是电商购物场景中的买家,例如,可以是已经在电商购物平台中注册会员,或者该平台中某个店铺的VIP会员。由于电商购物平台中的会员数量较大,目标对象可以是预先设定,且需要将其留住避免流失的买家。
上述步骤中的预设终端可以是电商购物场景中为买家提供网络服务的服务器,买家可以通过客户端与服务器进行业务交互,在业务交互过程中,可以产生相应的行为数据。例如,在电商购物场景中,行为数据可以包括点击、浏览、收藏、购买等类型。
步骤S904,利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;
由于用户行为具有时序性,为了能够更好地对获取到的行为数据进行处理,在一种可选的实施例中,可以使用时序模型对其进行处理,上述步骤中的时序模型可以是RNN、LSTM、TCN等能够对时序序列进行处理的神经网络模型,但不仅限于此,在本申请实施例中,以TCN为例进行说明。
由于流失用户和活跃用户之间可以相互转换,也即用户流失一段时间之后,也可以再次成为活跃用户,因此,通过时序模型对行为数据进行处理所得到的处理结果可以表征未来一段时间内该用户是否会流失。具体时间段长度可以由时序模型训练过程中使用的历史行为数据的时间窗口长度确定。
步骤S906,基于处理结果,确定目标推送信息;
上述步骤中的目标推送信息可以是向买家推荐的各种信息,例如,可以是优惠信息、商品信息和商家信息。
步骤S908,推送目标推送信息至目标对象对应的目标终端。
上述步骤中的目标终端可以是该买家的智能手机(包括Android手机、IOS手机)、平板电脑、掌上电脑、IPAD、笔记本电脑、个人计算机等移动终端,但不仅限于此。
在电商购物场景中,买家通常会依据自己的偏好购买商品,如果未找到符合自己偏好的商品,则该买家可能会流失。为了将其留住,在一种可选的实施例中,针对目标对象,可以实时或定时利用训练好的时序模型预测其流失的概率。进一步,在预测到该买家即将流失之后,可以向买家推送符合偏好的目标推送信息,激发买家的购买欲望,从而提升留住买家的概率。
本申请上述实施例中,基于处理结果,确定目标推送信息,包括:基于处理结果,确定目标对象的偏好数据;基于偏好数据,确定目标推送信息。
上述步骤中的偏好数据可以是买家在购买商品时所具有的倾向性选择,例如,买家对于商品类型、商品质量、商品性价比、店铺优惠力度、店铺服务态度以及店铺发货速度等倾向。
针对不同的偏好数据,可以推送符合用户偏好的目标推送信息,例如,针对商品性价比的偏好,可以推送各种优惠卷、折扣活动等优惠信息;针对商品类型的偏好,可以推送相同或相似类型的商品、店铺等信息;针对商品质量的偏好,可以推送相同或相似的,且质量品质更高的商品、店铺等信息。
在一种可选的实施例中,在预测到该买家即将流失之后,可以通过分析买家的行为数据,确定买家购买商品的偏好,进一步向买家推送符合其偏好的目标推送信息。
本申请上述实施例中,在利用训练好的时序模型对行为数据进行处理之前,该方法还包括:对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,对多个目标行为序列进行处理,得到处理后的行为数据包括:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,对多个第一行为序列进行处理,得到多个第二行为序列,包括:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该方法还包括:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,在基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型之后,该方法还包括:对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,对训练数据进行更新,包括如下至少之一:按照预设周期对训练数据进行更新;在接收到更新指令之后,基于更新指令对训练数据进行更新。
需要说明的是,本申请上述实施例中涉及到的优选实施方式与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例,还提供了一种信息推送方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例中提供的方法主要针对电商购物场景中的店铺(卖家),通过预测该店铺中所有买家的流失概率,可以基于买家的行为数据进行改进建议推送,从而店铺可以基于改进建议对商品品类、品质、性价比等进行改进。
图10是根据本申请实施例的另一种信息推送方法的流程图。如图10所示,该方法可以包括如下步骤:
步骤S1002,获取至少一个对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为对象与预设终端进行交互后产生的数据;
上述步骤中的对象可以是电商购物场景中在同一个店铺中购买商品的买家,例如,可以是电商购物平台中同一个店铺的VIP会员。由于该店铺中VIP会员数量可能较多,至少一个对象可以是卖家预先设定,且需要将其留住避免流失的买家。
上述步骤中的预设终端可以是电商购物场景中为买家提供网络服务的服务器,买家可以通过客户端与服务器进行业务交互,在业务交互过程中,可以产生相应的行为数据。例如,在电商购物场景中,行为数据可以包括点击、浏览、收藏、购买等类型。
步骤S1004,利用训练好的时序模型对每个对象的行为数据进行处理,得到每个对象对应的处理结果,其中,处理结果用于表征每个对象在未来一段时间内未与预设终端进行交互的概率;
由于用户行为具有时序性,为了能够更好地对获取到的行为数据进行处理,在一种可选的实施例中,可以使用时序模型对其进行处理,上述步骤中的时序模型可以是RNN、LSTM、TCN等能够对时序序列进行处理的神经网络模型,但不仅限于此,在本申请实施例中,以TCN为例进行说明。
由于流失用户和活跃用户之间可以相互转换,也即用户流失一段时间之后,也可以再次成为活跃用户,因此,通过时序模型对行为数据进行处理所得到的处理结果可以表征未来一段时间内该用户是否会流失。具体时间段长度可以由时序模型训练过程中使用的历史行为数据的时间窗口长度确定。
步骤S1006,基于至少一个对象对应的处理结果和行为数据,确定目标推送信息,其中,目标推送信息用于对至少一个商品的商品信息进行修改;
上述步骤中的目标推送信息可以是向卖家推荐的改进建议,例如,可以是商品品类、品质、性价比等建议。至少一个商品可以是该店铺中所有商品。
步骤S1008,推送目标推送信息至目标终端。
上述步骤中的目标终端可以是卖家的智能手机(包括Android手机、IOS手机)、平板电脑、掌上电脑、IPAD、笔记本电脑、个人计算机等移动终端,但不仅限于此。
在电商购物场景中,买家通常会依据自己的偏好购买商品,如果未找到符合自己偏好的商品,则该买家可能会流失。为了将店铺中的买家留住,在一种可选的实施例中,对于店铺中的至少一个买家,可以实时或定时利用训练好的时序模型预测其流失的概率。进一步,在预测到不止一个买家即将流失之后,可以基于即将流失买家的行为数据,分析大多数买家流失的原因,并向卖家推荐改进建议,使得店铺中的商品符合大多数买家偏好,可以激发买家的购买欲望,从而提升留住买家的概率。
例如,如果大多数买家是因为商品性价比较低而流失,则可以向卖家推荐更改商品的价格的改进信息,提高商品的性价比;如果大多数买家是因为商品类型或商品质量不满意而流失,则可以向卖家推荐提升商品的品质,增加符合大多数买家偏好的商品类型;如果大多数买家是因为店铺的优惠力度、服务态度或发货速度等不满意而流失,则可以向卖家推荐相应的改进建议。
本申请上述实施例中,在利用训练好的时序模型对行为数据进行处理之前,该方法还包括:对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,对多个目标行为序列进行处理,得到处理后的行为数据包括:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,对多个第一行为序列进行处理,得到多个第二行为序列,包括:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该方法还包括:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,在基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型之后,该方法还包括:对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,对训练数据进行更新,包括如下至少之一:按照预设周期对训练数据进行更新;在接收到更新指令之后,基于更新指令对训练数据进行更新。
需要说明的是,本申请上述实施例中涉及到的优选实施方式与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例,还提供了一种用于实施上述行为数据的处理方法的行为数据的处理装置,如图11所示,该装置1100包括:第一获取模块1102、第一处理模块1104和输出模块1106。
其中,第一获取模块1102用于获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;第一处理模块1104用于利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出模块1106用于输出处理结果。
此处需要说明的是,上述第一获取模块1102、第一处理模块1104和输出模块1106对应于实施例1中的步骤S302至步骤S306,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中,该装置还包括:第二处理模块,用于对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;第一处理模块还用于利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,第二处理模块包括:第一处理单元,用于按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;第二处理单元,用于对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;第三处理单元,用于对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,第二处理单元包括:修改子单元,用于对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;增加子单元,用于在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该装置还包括:第二获取模块,用于获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;第二处理模块还用于对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;训练模块,用于基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,该装置还包括:更新模块,用于对训练数据进行更新,得到更新后的训练数据;训练模块还用于基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,更新模块用于按照预设周期对训练数据进行更新;和/或在接收到更新指令之后,基于更新指令对训练数据进行更新。
实施例7
根据本申请实施例,还提供了一种用于实施上述行为数据的处理方法的行为数据的处理装置,该装置可以设置于预设终端中。如图12所示,该装置1200包括:触发模块1202、获取模块1204、通信模块1206和输出模块1208。
其中,触发模块1202用于触发预设终端生成处理指令;获取模块1204用于基于处理指令获取目标对象的标识信息;通信模块1206用于发送标识信息至服务器,并接收服务器返回的处理结果,其中,处理结果是利用训练好的时序模型对目标对象的行为数据进行处理所得到,行为数据基于标识信息获取,行为数据为目标对象与预设终端进行交互后产生的数据,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出模块1208用于输出处理结果。
此处需要说明的是,上述触发模块1202、获取模块1204、通信模块1206和输出模块1208对应于实施例2中的步骤S602至步骤S608,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中,该装置还包括:确定模块,用于基于处理结果,确定目标对象对应的目标推送信息;推送模块,用于推送目标推送信息至目标对象对应的目标终端。
本申请上述实施例中,确定模块包括:第一确定单元,用于确定概率所属目标概率区间;推送单元,用于获取目标概率区间对应的推送信息,得到目标推送信息。
本申请上述实施例中,在目标对象为多个的情况下,确定模块包括:统计单元,用于对多个目标对象对应的处理结果进行统计;第二确定单元,用于基于统计结果确定目标推送信息。
本申请上述实施例中,处理结果是利用训练好的时序模型对处理后的行为数据进行处理得到的,处理后的行为数据是通过对多个目标行为序列进行处理得到,其中,处理后的行为数据中包含的多个目标行为序列的维度相同。
本申请上述实施例中,处理后的行为数据通过如下方式对多个目标行为序列进行处理得到:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,多个第二行为序列通过如下方式对多个第一行为序列进行处理得到:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,训练好的时序模型通过如下方式训练得到:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,训练好的时序模型通过如下方式进行更新:对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,训练数据通过如下至少之一方式进行更新:按照预设周期对训练数据进行更新;在接收到更新指令之后,基于更新指令对训练数据进行更新。
实施例8
根据本申请实施例,还提供了一种用于实施上述行为数据的处理方法的行为数据的处理装置,该装置可以设置于服务器中。如图13所示,该装置1300包括:接收模块1302、第一获取模块1304、第一处理模块1306和发送模块1308。
其中,接收模块1302用于接收预设终端发送的目标对象的标识信息;第一获取模块1304用于基于标识信息,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;第一处理模块1306用于利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;发送模块1308用于发送处理结果至预设终端。
此处需要说明的是,上述接收模块1302、第一获取模块1304、第一处理模块1306和发送模块1308对应于实施例3中的步骤S802至步骤S808,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例3所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中,该装置还包括:第二处理模块,用于对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;第一处理模块还用于利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,第二处理模块包括:第一处理单元,用于按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;第二处理单元,用于对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;第三处理单元,用于对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,第二处理单元包括:修改子单元,用于对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;增加子单元,用于在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该装置还包括:第二获取模块,用于获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;第二处理模块还用于对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;训练模块,用于基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,该装置还包括:更新模块,用于对训练数据进行更新,得到更新后的训练数据;训练模块还用于基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,更新模块用于按照预设周期对训练数据进行更新;和/或在接收到更新指令之后,基于更新指令对训练数据进行更新。
实施例9
根据本申请实施例,还提供了一种用于实施上述信息推送方法的信息推送装置,该装置可以设置于服务器中。如图14所示,该装置1400包括:第一获取模块1402、第一处理模块1404、确定模块1406和推送模块1408。
其中,第一获取模块1402用于获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;第一处理模块1404用于利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;确定模块1406用于基于处理结果,确定目标推送信息;推送模块1408用于推送目标推送信息至目标对象对应的目标终端。
此处需要说明的是,上述第一获取模块1402、第一处理模块1404、确定模块1406和推送模块1408对应于实施例4中的步骤S902至步骤S908,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例4所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中,该确定模块包括:第一确定单元,用于基于处理结果,确定目标对象的偏好数据;第二确定单元,用于基于偏好数据,确定目标推送信息。
本申请上述实施例中,该装置还包括:第二处理模块,用于对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;第一处理模块还用于利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,第二处理模块包括:第一处理单元,用于按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;第二处理单元,用于对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;第三处理单元,用于对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,第二处理单元包括:修改子单元,用于对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;增加子单元,用于在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该装置还包括:第二获取模块,用于获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;第二处理模块还用于对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;训练模块,用于基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,该装置还包括:更新模块,用于对训练数据进行更新,得到更新后的训练数据;训练模块还用于基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,更新模块用于按照预设周期对训练数据进行更新;和/或在接收到更新指令之后,基于更新指令对训练数据进行更新。
实施例10
根据本申请实施例,还提供了一种用于实施上述信息推送方法的信息推送装置,该装置可以设置于服务器中。如图15所示,该装置1500包括:第一获取模块1502、第一处理模块1504、确定模块1506和推送模块1508。
其中,第一获取模块1502用于获取至少一个对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为对象与预设终端进行交互后产生的数据;第一处理模块1504用于利用训练好的时序模型对每个对象的行为数据进行处理,得到每个对象对应的处理结果,其中,处理结果用于表征每个对象在未来一段时间内未与预设终端进行交互的概率;确定模块1506用于基于至少一个对象对应的处理结果和行为数据,确定目标推送信息,其中,目标推送信息用于对至少一个商品的商品信息进行修改;推送模块1508用于推送目标推送信息至目标终端。
此处需要说明的是,上述第一获取模块1502、第一处理模块1504、确定模块1506和推送模块1508对应于实施例5中的步骤S1002至步骤S1008,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例5所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中,该装置还包括:第二处理模块,用于对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;第一处理模块还用于利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
本申请上述实施例中,第二处理模块包括:第一处理单元,用于按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;第二处理单元,用于对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;第三处理单元,用于对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
本申请上述实施例中,第二处理单元包括:修改子单元,用于对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;增加子单元,用于在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
本申请上述实施例中,该装置还包括:第二获取模块,用于获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;第二处理模块还用于对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;训练模块,用于基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,该装置还包括:更新模块,用于对训练数据进行更新,得到更新后的训练数据;训练模块还用于基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
本申请上述实施例中,更新模块用于按照预设周期对训练数据进行更新;和/或在接收到更新指令之后,基于更新指令对训练数据进行更新。
实施例11
根据本申请实施例,还提供了一种行为数据的处理系统,包括:
处理器;
以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
需要说明的是,本申请上述实施例中涉及到的优选实施方式与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例12
本申请的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的漏洞检测方法中以下步骤的程序代码:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
可选地,图16是根据本申请实施例的一种计算机终端的结构框图。如图16所示,该计算机终端A可以包括:一个或多个(图中仅示出一个)处理器1602、以及存储器1604。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的行为数据的处理方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的行为数据的处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
可选的,上述处理器还可以执行如下步骤的程序代码:在利用训练好的时序模型对行为数据进行处理之前,对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
可选的,上述处理器还可以执行如下步骤的程序代码:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
可选的,上述处理器还可以执行如下步骤的程序代码:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
可选的,上述处理器还可以执行如下步骤的程序代码:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
可选的,上述处理器还可以执行如下步骤的程序代码:在基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型之后,对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
可选的,上述处理器还可以执行如下步骤的程序代码:按照预设周期对训练数据进行更新;和/或在接收到更新指令之后,基于更新指令对训练数据进行更新。
采用本申请实施例,提供了一种行为数据的处理方案。通过利用训练好的时序模型对行为数据进行处理,得到处理结果,实现基于用户的行为数据进行用户流失预测的目的。时序模型可以接收不同时间长度、不同行为维度数量的输入数据,无需进行特征分析和特征选择,可以直接进行模型训练和预测,避免大量繁杂的特征工程工作,同时不同业务场景下只需要用户行为数据即可进行端到端的用户流失预测,从而达到减少工作量,降低部署难度,提升适应性的效果,进而解决了相关技术中行为数据的处理方法通过人工方式确定用户特征,导致处理效率低,成本高的技术问题。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:触发预设终端生成处理指令;基于处理指令获取目标对象的标识信息;发送标识信息至服务器,并接收服务器返回的处理结果,其中,处理结果是利用训练好的时序模型对目标对象的行为数据进行处理所得到,行为数据基于标识信息获取,行为数据为目标对象与预设终端进行交互后产生的数据,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
可选的,上述处理器还可以执行如下步骤的程序代码:在接收到服务器返回的处理结果之后,基于处理结果,确定目标对象对应的目标推送信息;推送目标推送信息至目标对象对应的目标终端。
可选的,上述处理器还可以执行如下步骤的程序代码:确定概率所属目标概率区间;获取目标概率区间对应的推送信息,得到目标推送信息。
可选的,上述处理器还可以执行如下步骤的程序代码:在目标对象为多个的情况下,对多个目标对象对应的处理结果进行统计;基于统计结果确定目标推送信息。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:接收预设终端发送的目标对象的标识信息;基于标识信息,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;发送处理结果至预设终端。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;基于处理结果,确定目标推送信息;推送目标推送信息至目标对象对应的目标终端。
可选的,上述处理器还可以执行如下步骤的程序代码:基于处理结果,确定目标对象的偏好数据;基于偏好数据,确定目标推送信息。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取至少一个对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为对象与预设终端进行交互后产生的数据;利用训练好的时序模型对每个对象的行为数据进行处理,得到每个对象对应的处理结果,其中,处理结果用于表征每个对象在未来一段时间内未与预设终端进行交互的概率;基于至少一个对象对应的处理结果和行为数据,确定目标推送信息,其中,目标推送信息用于对至少一个商品的商品信息进行修改;推送目标推送信息至目标终端。
本领域普通技术人员可以理解,图16所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图16其并不对上述电子装置的结构造成限定。例如,计算机终端A还可包括比图16中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图16所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例13
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的行为数据的处理方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在利用训练好的时序模型对行为数据进行处理之前,对多个目标行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据中包含的多个目标行为序列的维度相同;利用训练好的时序模型对处理后的行为数据进行处理,得到处理结果。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:按照预设时间窗口和预设时间粒度,对多个目标行为序列进行量化处理,得到多个第一行为序列;对多个第一行为序列进行处理,得到多个第二行为序列,其中,第二行为序列的稀疏度低于第一行为序列的稀疏度;对多个第二行为序列进行处理,得到处理后的行为数据,其中,处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:对每个第一行为序列中目标时间段内的数据进行修改,其中,目标时间段为产生相应的历史行为数据之后的预设时间段;在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:获取训练数据,其中,训练数据包括:不同类型的多个历史行为序列,以及相应的标签,标签用于表征多个历史行为数据产生预设时间段之后,目标对象是否与预设终端进行交互;对训练数据进行处理,得到处理后的训练数据,其中,处理后的训练数据包含的多个历史行为序列的维度相同;基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在基于处理后的训练数据对时序模型进行训练,得到训练好的时序模型之后,对训练数据进行更新,得到更新后的训练数据;基于更新后的训练数据对时序模型进行训练,得到训练好的时序模型。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:按照预设周期对训练数据进行更新;和/或在接收到更新指令之后,基于更新指令对训练数据进行更新。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:触发预设终端生成处理指令;基于处理指令获取目标对象的标识信息;发送标识信息至服务器,并接收服务器返回的处理结果,其中,处理结果是利用训练好的时序模型对目标对象的行为数据进行处理所得到,行为数据基于标识信息获取,行为数据为目标对象与预设终端进行交互后产生的数据,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;输出处理结果。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在接收到服务器返回的处理结果之后,基于处理结果,确定目标对象对应的目标推送信息;推送目标推送信息至目标对象对应的目标终端。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:确定概率所属目标概率区间;获取目标概率区间对应的推送信息,得到目标推送信息。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:在目标对象为多个的情况下,对多个目标对象对应的处理结果进行统计;基于统计结果确定目标推送信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:接收预设终端发送的目标对象的标识信息;基于标识信息,获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;发送处理结果至预设终端。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取目标对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对行为数据进行处理,得到处理结果,其中,处理结果用于表征目标对象在未来一段时间内未与预设终端进行交互的概率;基于处理结果,确定目标推送信息;推送目标推送信息至目标对象对应的目标终端。
可选的,上述存储介质还被设置为存储用于执行以下步骤的程序代码:基于处理结果,确定目标对象的偏好数据;基于偏好数据,确定目标推送信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取至少一个对象的行为数据,其中,行为数据包括:不同类型的多个目标行为序列,行为数据为对象与预设终端进行交互后产生的数据;利用训练好的时序模型对每个对象的行为数据进行处理,得到每个对象对应的处理结果,其中,处理结果用于表征每个对象在未来一段时间内未与预设终端进行交互的概率;基于至少一个对象对应的处理结果和行为数据,确定目标推送信息,其中,目标推送信息用于对至少一个商品的商品信息进行修改;推送目标推送信息至目标终端。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请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取存储介质中。基于这样的理解,本申请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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (20)
1.一种行为数据的处理方法,包括:
获取目标对象的行为数据,其中,所述行为数据包括:不同类型的多个目标行为序列,所述行为数据为所述目标对象与预设终端进行交互后产生的数据;
利用训练好的时序模型对所述行为数据进行处理,得到处理结果,其中,所述处理结果用于表征所述目标对象在未来一段时间内未与所述预设终端进行交互的概率;
输出所述处理结果。
2.根据权利要求1所述的方法,其中,在利用训练好的时序模型对所述行为数据进行处理之前,所述方法还包括:
对所述多个目标行为序列进行处理,得到处理后的行为数据,其中,所述处理后的行为数据中包含的多个目标行为序列的维度相同;
利用所述训练好的时序模型对所述处理后的行为数据进行处理,得到所述处理结果。
3.根据权利要求2所述的方法,其中,对所述多个目标行为序列进行处理,得到处理后的行为数据包括:
按照预设时间窗口和预设时间粒度,对所述多个目标行为序列进行量化处理,得到多个第一行为序列;
对所述多个第一行为序列进行处理,得到多个第二行为序列,其中,所述第二行为序列的稀疏度低于所述第一行为序列的稀疏度;
对所述多个第二行为序列进行处理,得到所述处理后的行为数据,其中,所述处理后的行为数据包含的多个目标行为序列中元素值的数量级相同。
4.根据权利要求3所述的方法,其中,对所述多个第一行为序列进行处理,得到多个第二行为序列,包括:
对每个第一行为序列中目标时间段内的数据进行修改,其中,所述目标时间段为产生相应的历史行为数据之后的预设时间段;
在每个修改后的第一行为序列中增加高斯白噪声,得到每个第二序列。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取训练数据,其中,所述训练数据包括:不同类型的多个历史行为序列,以及相应的标签,所述标签用于表征所述多个历史行为数据产生预设时间段之后,所述目标对象是否与所述预设终端进行交互;
对所述训练数据进行处理,得到处理后的训练数据,其中,所述处理后的训练数据包含的多个历史行为序列的维度相同;
基于所述处理后的训练数据对时序模型进行训练,得到所述训练好的时序模型。
6.根据权利要求5所述的方法,其中,在基于所述处理后的训练数据对时序模型进行训练,得到所述训练好的时序模型之后,所述方法还包括:
对所述训练数据进行更新,得到更新后的训练数据;
基于所述更新后的训练数据对所述时序模型进行训练,得到所述训练好的时序模型。
7.根据权利要求6所述的方法,其中,对所述训练数据进行更新,包括如下至少之一:
按照预设周期对所述训练数据进行更新;
在接收到更新指令之后,基于所述更新指令对所述训练数据进行更新。
8.一种行为数据的处理方法,包括:
触发预设终端生成处理指令;
所述预设终端基于所述处理指令获取目标对象的标识信息;
所述预设终端发送所述标识信息至服务器,并接收所述服务器返回的处理结果,其中,所述处理结果是利用训练好的时序模型对所述目标对象的行为数据进行处理所得到,所述行为数据基于所述标识信息获取,所述行为数据为所述目标对象与预设终端进行交互后产生的数据,所述处理结果用于表征所述目标对象在未来一段时间内未与所述预设终端进行交互的概率;
所述预设终端输出所述处理结果。
9.根据权利要求8所述的方法,其中,在接收到所述服务器返回的所述处理结果之后,所述方法还包括:
所述预设终端基于所述处理结果,确定所述目标对象对应的目标推送信息;
所述预设终端推送所述目标推送信息至所述目标对象对应的目标终端。
10.根据权利要求9所述的方法,其中,所述预设终端基于所述处理结果,确定所述目标对象对应的目标推送信息,包括:
所述预设终端确定所述概率所属目标概率区间;
所述预设终端获取所述目标概率区间对应的推送信息,得到所述目标推送信息。
11.根据权利要求9所述的方法,其中,在所述目标对象为多个的情况下,所述预设终端基于所述处理结果,确定所述目标对象对应的目标推送信息,包括:
所述预设终端对多个目标对象对应的处理结果进行统计;
所述预设终端基于统计结果确定所述目标推送信息。
12.一种行为数据的处理方法,包括:
服务器接收预设终端发送的目标对象的标识信息;
所述服务器基于所述标识信息,获取所述目标对象的行为数据,其中,所述行为数据包括:不同类型的多个目标行为序列,所述行为数据为所述目标对象与所述预设终端进行交互后产生的数据;
所述服务器利用训练好的时序模型对所述行为数据进行处理,得到处理结果,其中,所述处理结果用于表征所述目标对象在未来一段时间内未与所述预设终端进行交互的概率;
所述服务器发送所述处理结果至所述预设终端。
13.一种信息推送方法,包括:
获取目标对象的行为数据,其中,所述行为数据包括:不同类型的多个目标行为序列,所述行为数据为所述目标对象与预设终端进行交互后产生的数据;
利用训练好的时序模型对所述行为数据进行处理,得到处理结果,其中,所述处理结果用于表征所述目标对象在未来一段时间内未与所述预设终端进行交互的概率;
基于所述处理结果,确定目标推送信息;
推送所述目标推送信息至所述目标对象对应的目标终端。
14.根据权利要求13所述的方法,其中,基于所述处理结果,确定目标推送信息,包括:
基于所述处理结果,确定所述目标对象的偏好数据;
基于所述偏好数据,确定所述目标推送信息。
15.根据权利要求13所述的方法,其中,所述目标推送信息至少包括如下之一:优惠信息、商品信息和商家信息。
16.一种信息推送方法,包括:
获取至少一个对象的行为数据,其中,所述行为数据包括:不同类型的多个目标行为序列,所述行为数据为所述对象与预设终端进行交互后产生的数据;
利用训练好的时序模型对每个对象的行为数据进行处理,得到所述每个对象对应的处理结果,其中,所述处理结果用于表征所述每个对象在未来一段时间内未与所述预设终端进行交互的概率;
基于所述至少一个对象对应的处理结果和行为数据,确定目标推送信息,其中,所述目标推送信息用于对至少一个商品的商品信息进行修改;
推送所述目标推送信息至目标终端。
17.根据权利要求16所述的方法,其中,所述商品信息至少包括如下之一:类型、质量和价格。
18.一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至12中任意一项所述的行为数据的处理方法,或权利要求13至17中任意一项所述的信息推送方法。
19.一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至12中任意一项所述的行为数据的处理方法,或权利要求13至17中任意一项所述的信息推送方法。
20.一种行为数据的处理系统,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:获取目标对象的行为数据,其中,所述行为数据包括:不同类型的多个目标行为序列,所述行为数据为所述目标对象与预设终端进行交互后产生的数据;利用训练好的时序模型对所述行为数据进行处理,得到处理结果,其中,所述处理结果用于表征所述目标对象在未来一段时间内未与所述预设终端进行交互的概率;输出所述处理结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010010149.3A CN113077276A (zh) | 2020-01-06 | 2020-01-06 | 行为数据的处理方法和系统、存储介质及处理器 |
PCT/CN2021/070232 WO2021139638A1 (zh) | 2020-01-06 | 2021-01-05 | 行为数据的处理方法和系统、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010010149.3A CN113077276A (zh) | 2020-01-06 | 2020-01-06 | 行为数据的处理方法和系统、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077276A true CN113077276A (zh) | 2021-07-06 |
Family
ID=76608910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010010149.3A Pending CN113077276A (zh) | 2020-01-06 | 2020-01-06 | 行为数据的处理方法和系统、存储介质及处理器 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113077276A (zh) |
WO (1) | WO2021139638A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114385913A (zh) * | 2021-12-31 | 2022-04-22 | 深圳市元征科技股份有限公司 | 一种用户交互方法、用户维护装置及电子设备 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850686B (zh) * | 2021-10-08 | 2023-11-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
CN113888054B (zh) * | 2021-11-11 | 2023-07-11 | 北京中兵智航软件技术有限公司 | 业务模型的构建方法、装置、存储介质及处理器 |
CN114827255B (zh) * | 2022-05-06 | 2024-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、可读存储介质和电子装置 |
CN116167829B (zh) * | 2023-04-26 | 2023-08-29 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015078395A1 (en) * | 2013-11-29 | 2015-06-04 | Tencent Technology (Shenzhen) Company Limited | Devices and methods for preventing user churn |
US20150332311A1 (en) * | 2014-05-15 | 2015-11-19 | Coupons.Com Incorporated | Optimized placement of digital offers |
CN108804646A (zh) * | 2018-06-06 | 2018-11-13 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN109034861A (zh) * | 2018-06-04 | 2018-12-18 | 挖财网络技术有限公司 | 基于移动端日志行为数据的用户流失预测方法及装置 |
CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
CN110263991A (zh) * | 2019-06-11 | 2019-09-20 | 北京科技大学 | 一种量子神经网络的股票指数价格预测方法 |
CN110263243A (zh) * | 2019-01-23 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、存储介质和计算机设备 |
CN110263265A (zh) * | 2019-04-10 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 用户标签生成方法、装置、存储介质和计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936781B (zh) * | 2015-12-29 | 2019-11-15 | 亿阳安全技术有限公司 | 一种用户操作行为的判定方法及装置 |
CN109272332B (zh) * | 2018-08-02 | 2021-06-08 | 华南理工大学 | 一种基于递归神经网络的客户流失预测方法 |
-
2020
- 2020-01-06 CN CN202010010149.3A patent/CN113077276A/zh active Pending
-
2021
- 2021-01-05 WO PCT/CN2021/070232 patent/WO2021139638A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015078395A1 (en) * | 2013-11-29 | 2015-06-04 | Tencent Technology (Shenzhen) Company Limited | Devices and methods for preventing user churn |
US20150332311A1 (en) * | 2014-05-15 | 2015-11-19 | Coupons.Com Incorporated | Optimized placement of digital offers |
CN109034861A (zh) * | 2018-06-04 | 2018-12-18 | 挖财网络技术有限公司 | 基于移动端日志行为数据的用户流失预测方法及装置 |
CN108804646A (zh) * | 2018-06-06 | 2018-11-13 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN110263243A (zh) * | 2019-01-23 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、存储介质和计算机设备 |
CN109919685A (zh) * | 2019-03-18 | 2019-06-21 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
CN110263265A (zh) * | 2019-04-10 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 用户标签生成方法、装置、存储介质和计算机设备 |
CN110263991A (zh) * | 2019-06-11 | 2019-09-20 | 北京科技大学 | 一种量子神经网络的股票指数价格预测方法 |
Non-Patent Citations (2)
Title |
---|
李锦: ""携程网客户流失的危机分析"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, vol. 2019, no. 01, pages 157 - 911 * |
王晓霞等: ""基于集成深度学习算法的燃气负荷预测方法"", 《计算机系统与应用》, vol. 28, no. 12, pages 47 - 54 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114385913A (zh) * | 2021-12-31 | 2022-04-22 | 深圳市元征科技股份有限公司 | 一种用户交互方法、用户维护装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021139638A1 (zh) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077276A (zh) | 行为数据的处理方法和系统、存储介质及处理器 | |
US20170178199A1 (en) | Method and system for adaptively providing personalized marketing experiences to potential customers and users of a tax return preparation system | |
CN106997549A (zh) | 一种广告信息的推送方法及系统 | |
CN112418932B (zh) | 一种基于用户标签的营销信息推送方法及装置 | |
CN111538907B (zh) | 一种对象推荐方法、系统及装置 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
CN105159910A (zh) | 信息推荐方法和装置 | |
CN110647921A (zh) | 一种用户行为预测方法、装置、设备及存储介质 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN112925973B (zh) | 数据处理方法和装置 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN110570279A (zh) | 一种基于用户实时行为的策略化推荐方法及装置 | |
TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
CN112508607A (zh) | 数据推送方法、装置、计算机设备以及可读存储介质 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
US20220108334A1 (en) | Inferring unobserved event probabilities | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN113869963B (zh) | 智能预测用户到场情况的方法、装置及数据处理设备 | |
US20190114673A1 (en) | Digital experience targeting using bayesian approach | |
CN113378043A (zh) | 用户筛选的方法和装置 | |
CN113297467A (zh) | 推荐方法、装置及计算机存储介质 | |
CN113516524A (zh) | 用于推送信息的方法和装置 | |
CN113763080A (zh) | 推荐物品的确定方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |