CN113626734A - 用户行为引导方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种用户行为引导方法、装置、电子设备及存储介质，涉及互联网技术领域，尤其涉及网络应用技术领域。具体实现方案为：基于业务引导目标，确定目标行为；基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为；基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标；基于所述目标引导指标，进行用户行为引导。本公开提供的方法，能够根据用户历史行为得到针对目标关键行为的目标引导指标，可以更加适当地引导用户行为。

Description

用户行为引导方法、装置、电子设备及存储介质

技术领域

本公开涉及互联网技术领域，尤其涉及网络应用技术中的一种用户行为引导方法、装置、电子设备及存储介质。

背景技术

目前，很多网络应用场景，如信息搜索场景、网络购物场景、视频播放场景等，都需要对用户的历史行为数据进行分析，以基于分析结果，引导用户执行后续的操作。

如何适当地引导用户是网络应用技术中一个重要的研究方向。

发明内容

本公开提供了一种能够适当引导用户的用户行为引导方法、装置、电子设备及存储介质。

根据本公开的一方面，提供了一种用户行为引导方法，包括：

基于业务引导目标，确定目标行为；

基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为；

基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标；

基于所述目标引导指标，进行用户行为引导。

根据本公开的另一方面，还提供了一种用户行为引导装置，包括：

目标行为确定模块，用于基于业务引导目标，确定目标行为；

目标关键行为确定模块，用于基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为；

目标引导指标生成模块，用于基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标；

用户行为引导模块，用于基于所述目标引导指标，进行用户行为引导。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述任一方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开提供的用户行为引导方法的第一实施例的流程示意图；

图2a是根据本公开提供的用户行为引导方法的第二实施例的流程示意图；

图2b是图2a所示第二实施例中获得用户行为引导系数的流程示意图；

图3a是根据本公开提供的用户行为引导方法的第三实施例的流程示意图；

图3b是图3a所示第三实施例中进行格兰杰检验的流程示意图；

图4是根据本公开提供的实施例中基于目标引导指标，进行用户行为引导的一种流程示意图；

图5是根据本公开提供的实施例中基于目标引导指标，进行用户行为引导的另一种流程示意图；

图6是根据本公开提供的用户行为引导方法的一种具体应用的流程示意图；

图7是根据本公开提供的用户行为引导装置的第一实施例的结构示意图；

图8是根据本公开提供的用户行为引导装置的第二实施例的结构示意图；

图9是根据本公开提供的用户行为引导装置的第三实施例的结构示意图；

图10是用来实现本公开实施例的用户行为引导或用户行为引导系数测算的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供了一种能够适当引导用户的用户行为引导方法、装置、电子设备及存储介质，以下分析进行详细说明。

参见图1，图1是根据本公开提供的用户行为引导方法的第一实施例的流程示意图，如图1所示，该方法包括如下步骤：

步骤S110，基于业务引导目标，确定目标行为。

步骤S120，基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为。

步骤S130，基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标。

步骤S140，基于所述目标引导指标，进行用户行为引导。

由上述实施例可见，本公开提供的用户行为引导方法，可以引导用户更多的去执行目标关键行为，进而增加目标行为的执行概率。本公开提供的用户行为引导方法能够根据用户历史行为得到针对目标关键行为的目标引导指标，可以更加适当地引导用户行为。可见，本公开提供的用户行为引导方法能够在对用户精确引导，实现收益最大化的基础上，最小化影响用户体验，使得收益和体验保持较好的平衡。

另外，本公开提供的用户行为引导方法可以基于用户的整体历史行为数据，实现对用户行为的科学引导，也可以针对单个用户基于该用户的历史行为数据，实现针对不同用户的个性化引导，引导效果更佳，用户体验也更好。

这里，用户的整体历史行为，可以是所有用户的历史行为，也可以是同一类型的用户的整体历史行为，用户类型可以是根据用户画像预先确定的，例如，可以根据用户注册时填写的年龄等信息划分用户类型。

如上所述，本公开实施例中，上述业务引导目标可以是用户增长或商业收益增长，与引导目标直接相关的行为，如广告点击量、商品成交量等，就是相应的目标行为。而与目标行为表现出较强相关性的行为，例如，用户历史行为数据中，很多进行商品购买行为的用户，在购买商品之前针对商品有点赞、收藏、加入购物车等行为，那么这些行为就可以被确定为与目标行为对应的目标关键行为。这样，需要引导用户产生或执行更多次目标关键行为，以实现用户增长或商业收益增长等引导目标。

参见图2a，图2a是本公开是根据本公开提供的用户行为引导方法的第二实施例的流程示意图，如图2a所示，该流程在图1的基础上，在步骤S120之后还可以包括：

步骤S210，基于所述目标行为和所述目标关键行为的历史数据及韦伯-费希纳定律，获得用户行为引导系数。

韦伯-费希纳定律是表明心理量和物理量之间关系的定律。德国生理学家韦伯发现同一刺激差别量必须达到一定比例，才能引起差别感觉。这一比例是个常数，用公式表示：Δl(差别阈限)/l(标准刺激强度)＝a(常数/韦伯分数)，这就是韦伯定律。把最小可觉差(连续的差别阈限)作为感觉量的单位，即每增加一个差别阈限，心理量增加一个单位。感觉量与物理量的对数值成正比，也就是说，感觉量的增加落后于物理量的增加，物理量成几何级数增长，而心理量成算术级数增长，这个经验公式被称为费希纳定律或韦伯-费希纳定律。

这里的物理量可以是目标关键行为的执行次数、执行时长或执行频率等任一项。例如：可以是加入购物车的次数，而对于浏览行为来说，其历史执行数据就可以是相应的浏览时长等等。

这样，上述步骤是130，具体可以是步骤S131：基于所述目标行为和所述目标关键行为的历史数据、所述用户行为引导系数以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标。

本实施例中，可以基于韦伯-费希纳定律这一心理物理学定律获得用户行为引导系数，使得引导的过程更符合用户行为心理，能够进一步地在对用户精确引导，实现收益最大化的基础上，最小化影响用户体验，得收益和体验保持更好的平衡。

参见图2b，图2b是图2a所示第二实施例中获得用户行为引导系数的流程示意图。用户行为引导系数可以通过如下步骤获得：

步骤S211，基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到拟合结果。

在其他实施例中，本步骤可以包括：依据费希纳定律的自然对数形态函数，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到该函数中的自然对数系数的值；其中，该自然对数形态函数的自变量为目标关键行为的指定执行参数的历史执行数据，因变量为目标行为的历史执行次数，上述自然对数系数也就是费希纳系数。

这里的指定执行参数，可以包括：行为的执行次数、执行时长或执行频率等任一项。例如，对于加入购物车行为来说，其历史执行数据就可以是加入购物车的次数，而对于浏览行为来说，其历史执行数据就可以是相应的浏览时长。

举例来说，本步骤可以包括：

步骤A、从所述用户历史行为数据中，获得执行了目标行为和目标关键行为的目标用户；

步骤B、基于各个目标用户执行目标行为的历史执行数据和其执行目标关键行为的历史执行数据，分别统计出执行1～N次目标行为所对应的目标关键行为的历史执行数据；其中，N为大于1的自然数；

例如，商品购买场景中，可对执行购买商品行为的用户进行目标关键行为历史执行数据统计，以商品浏览次数为例，作为一种具体实施方式，可统计执行了一次购买操作的用户执行商品浏览次数的数据，并对其求平均，如用户A购买一次商品，其浏览商品次数为6次，用户B的浏览商品次数为8次，则1次购买行为对应的关键行为的执行次数就为7次，当然，此处只为了解释说明，实际应用中用户数量远远大于2。

通过步骤B即可分别统计出执行1～N次目标行为对应的目标关键行为执行次数，或者执行1～N次目标行为对应的目标关键行为执行时长，或执行1～N次目标行为对应的目标关键行为执行频率。

步骤C、将执行1～N次目标行为所对应的目标关键行为的指定执行参数的历史执行数据，逐一代入费希纳定律的自然对数形态函数，得到拟合结果。

步骤S212，基于韦伯定律与费希纳定律之间的关系和所述拟合结果，确定韦伯系数。

在其他实施例中，本步骤可以包括：基于所述自然对数系数的值(费希纳系数)，及预先基于韦伯定律与费希纳定律之间的关系推导出的：韦伯系数与所述自然对数系数(费希纳系数)之间的系数函数关系，求解出韦伯系数的值。

其中，所述系数函数关系，可以是基于费希纳定律的常用对数形态函数和所述费希纳定律的自然对数形态函数和韦伯定律预先推导获得的。

步骤S213，将获得的韦伯系数作为用户行为引导系数。

本实施例中，依据费希纳定律的自然对数形态函数，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，可以得到该函数中的自然对数系数的值。这样，利用了历史执行数据，通过拟合获得的系数的值，与基于研发人员的经验确定的系数值相比，更为客观和准确。

参见图3a，图3a是根据本公开提供的用户行为引导方法的第三实施例的流程示意图，该流程在图1所示实施例的基础上，对步骤S120进行了细化，具体的步骤S120可以包括如下步骤：

步骤S121，从用户历史行为数据中，获得所述目标行为的历史执行数据和多个候选关键行为的历史执行数据；

如上所述，上述目标行为和候选关键行为的指定执行参数的历史执行数据可以包括：行为的执行次数、执行时长或执行频率等任一项。例如，对于加入购物车行为来说，其历史执行数据就可以是加入购物车的次数，而对于浏览行为来说，其历史执行数据就可以是相应的浏览时长。

步骤S122，基于所述目标行为的历史执行数据和每个候选关键行为的历史执行数据，分别对所述目标行为和每个候选关键行为进行皮尔森相关性检验，获得与所述目标行为相关性最高的待定关键行为。

皮尔森检验即可以确定上述候选关键行为中与上述目标行为有显著正相关的行为。

具体的，首先计算皮尔森系数r。然后，根据求得的皮尔森系数，计算出t值，

这样，就可以基于t检验方法，根据t值表确定与所述目标行为显著正相关的多个候选关键行为；进而将皮尔森系数最高，且与目标行为显著正相关的候选关键行为，确定为待定关键行为。

具体的，t值表，也称t分布表，其中给出了95置信度下的置信区间。本步骤中，可以基于t检验方法，判断求出的t值是否落入t分布表中95置信度下的正值拒绝域内，如果落入即表明该候选关键行为与目标行为显著正相关。然后，将皮尔森系数最高的，且与目标行为显著正相关的候选关键行为，确定为待定关键行为。

通过以上计算公式可以确定一批与目标行为显著正相关的关键行为，再选择皮尔森系数最高，也就是相关性最高的一个行为，该关键行为就是最可能显著增加目标行为的执行数据，且相关性最高的关键行为，也就是要引导用户更多地执行的行为，将该关键行为作为待定关键行为。

本实施例中，首先确定需要进行用户增长或商业收益增长的目标行为，常见的如：广告点击量、完单量、成交量等，然后通过构造用户增长漏斗并结合用户深度消费行为(如：点赞、评论、收藏、加入购物车等)，圈定一批备选的关键行为集。然后对以天为单位的天级别的人均行为数据与人均目标数据进行运算求得皮尔森系数，再进行t检验，得到与所述目标行为显著正相关，且相关性最高的待定关键行为。

步骤S123，基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验。

步骤S124，如果格兰杰检验结果表明所述目标行为和待定关键行为之间具有格兰杰因果关系，则将所述待定关键行为作为目标关键行为。

通过步骤S122可确定出与目标行为显著正相关性最高的一个待定关键行为，接下来在步骤S123就要确定该待定关键行为是否与目标行为有因果关系。

具体的，参见图3b，上述步骤123基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验的步骤，具体可以包括：

步骤S301，获得所述目标行为和待定关键行为时间序列的历史执行数据；

在获取时间序列方面，由于后续需对时间序列进行格兰杰检验，因此，获取的时间序列样本量可以较大，例如，可以选择历史数据积累大于40天的上述历史行为数据。

步骤S302，判断所述目标行为和所述待定关键行为时间序列是否为平稳序列。如果都是平稳序列，则执行步骤303；如果待定关键行为时间序列不是平稳序列，则执行步骤304；如果所述目标行为时间序列不是平稳序列，则执行步骤305。

本实施例中，可以通过如下步骤，判断所述目标行为和所述待定关键行为时间序列是否为平稳序列：

步骤一、对所述目标行为和所述待定关键行为时间序列的历史执行数据进行单位根检验；

步骤二、将通过单位根检验的时间序列确定为平稳序列；

步骤三、对未通过单位根检验的时间序列，进行差分单位根检验；

单位根检验就是检验序列中是否存在单位根，若序列中存在单位根，即未通过单位根检验，则说明时间序列为非平稳序列，会使回归分析中存在伪回归，因此需使用差分的方法来消除单位根，得到相应的平稳序列。对时间序列进行差分单位根检验首先是对其进行一阶差分单位根检验，若一阶差分单位根检验未通过，则对其进行二阶差分单位根检验，如果二阶差分单位根检验还是没有通过，则确定该时间序列不是平稳序列。

步骤四、对通过差分单位根检验的时间序列进行协整检验；

步骤五、将通过协整检验的时间序列，确定为平稳序列。

对两个时间序列进行协整检验即是检验两个时间序列之间是否具有稳定的均衡关系，由于差分单位根检验在将非平稳时间序列转换为平稳序列的过程中，会失去总量的长期信息，因此，可以使用协整检验来克服该问题。

步骤S303，基于两个平稳序列，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验。

本实施例中，在进行格兰杰因果关系的检验之前，对判断所述目标行为和所述待定关键行为时间序列是否为平稳序列，仅对平稳序列进行格兰杰因果关系的检验。这是因为，如果目标行为和所述待定关键行为时间序列不为平稳序列，则历史行为数据不具有普遍的参考意义，对平稳训练进行格兰杰因果关系的检验，能够使得格兰杰因果关系的检验结果更准确。

本实施例中，可以通过如下步骤，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验：

步骤A，对目标行为的平稳序列，进行自回归时间序列预测，获得第一预测结果；

步骤B，基于待定关键行为的平稳序列和目标行为的平稳序列，对目标行为的平稳序列进行预测，获得第二预测结果；

步骤C，基于所述第一预测结果和第二预测结果进行卡方检验和F检验，如果任一检验在最佳滞后阶数上显著，则确定所述目标行为与所述待定关键行为之间具有格兰杰因果关系。

步骤S304，选择与所述目标行为相关性第二高的所述候选关键行为作为待定关键行为，获得该待定关键行为时间序列的历史执行数据；返回步骤302。

本步骤中，可以选择皮尔森系数第二高的所述候选关键行为作为待定关键行为。

步骤S305，获得所述目标行为时间序列新的历史执行数据，返回步骤302。

如果目标行为和所述待定关键行为时间序列不为平稳序列，则历史行为数据不具有普遍的参考意义，因此，本实施例中，可以选择皮尔森系数第二高的所述候选关键行为作为待定关键行为，或获得目标行为时间序列新的历史执行数据。这种方式作为本实施例的一个容错方案，能够保证求出韦伯系数，进而实现最终的用户行为引导。

在时间序列情形下，两个变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。

具体的，先通过对目标行为序列构建向量自回归(var)模型，根据AIC值和SC值取值最小准则来确定滞后性数值n，也就是滞后阶数。然后，对目标行为的平稳序列，进行自回归时间序列预测，获得第一预测结果；并基于关键行为的平稳序列和目标行为的平稳序列，对目标行为的平稳序列进行预测，获得第二预测结果；再基于所述第一预测结果和第二预测结果进行卡方检验和F检验，观察滞后阶数为n的检验结果，如果任一检验在最佳滞后阶数n上显著，则确定所述目标行为与所述待定关键行为之间具有格兰杰因果关系。

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大，也就是越显著；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。

对目标行为以及待定关键行为进行格兰杰因果关系检验，可以进一步确定待定关键行为和目标行为之间是否存在因果关系，即确定该待定关键行为执行数据的增长是否可能引起目标行为执行数据的增长，进一步确保引导效果。

通过皮尔森检验以及格兰杰检验确定出与目标行为有最显著正相关性的目标关键行为，且保证该目标关键行为与目标行为有因果关系，提升了目标关键行为确认的精确度和可解释性，使得选择的目标关键行为的执行让目标行为可以有最大可能性被执行，进而实现业务增长目标。

本发明实施例中，在获得用户行为引导系数后，可以基于所述目标行为和所述目标关键行为的历史数据、所述引导用户行为引导系数以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标，确定所述指定执行参数的目标引导指标。

在一种实施例中，可以先基于所述用户历史数据，获得在预设时长内，用户执行所述目标关键行为的所述指定执行参数的平均值X；再将目标引导指标设置为：目标关键行为的所述指定执行参数达到X+a*X。

如前所述，指定执行参数可以是执行次数、执行时长和执行频率中的任一项。相应的，目标引导指标可以是目标引导次数、目标引导时长和目标引导频率中的任一项。

下面分别对目标引导指标为目标引导次数和目标引导时间的情况，进行举例说明：

当目标引导指标为目标引导次数时：

如图4所示，上述基于目标引导指标，进行用户行为引导的步骤，具体可以包括：

步骤S401，基于所述用户历史数据，获得在预设时长内，用户执行所述目标关键行为的平均执行次数X1；

例如，目标关键行为为浏览商品，而针对一具体用户，该用户历史上每天浏览20个商品，即其执行浏览商品的平均次数X1为20.

步骤S402，将目标执行次数设置为：目标关键行为的执行次数达到X1+a*X1；

基于上述举例，若韦伯系数a的值为0.2，则该用户浏览商品这一行为的目标执行次数就是20+0.2*20＝24。

步骤S403，当用户执行目标关键行为的次数达到X1时，引导用户多执行a*X1次目标关键行为。

基于上述举例，作为一种具体实施方式，可以是在用户浏览了20个商品时弹出再浏览4个商品就赠送积分的引导。当然，也可以是在用户打开app时即弹出今日完成24个商品的浏览赠送100积分的引导，以此来实现下单增长。

当目标引导指标为目标引导时间时：

如图5所示，上述基于目标引导指标，进行用户行为引导的步骤，具体可以包括：

步骤S501，基于所述用户历史数据，获得在预设时长内，用户执行所述目标关键行为的平均执行时长X2；

例如，目标关键行为为浏览商品页面，而用户平均浏览商品时长为100秒，即目标关键行为的平均执行时长X2为100秒。

步骤S502，将目标执行时长设置为：目标关键行为的执行时长达到X2+a*X2；

基于上述举例，若韦伯系数为0.2，则目标执行时长为100+0.2*100＝120秒。

步骤S503，当用户执行目标关键行为的时长达到X2时，引导用户多执行a*X2时长的目标关键行为。

作为一种具体实施方式，当用户浏览商品的时长达到100秒时，可以弹出相应提示告知用户，再浏览20秒赠送满减券，来实现下单增长。

可见，根据本公开提供的用户行为引导方法，可以基于用户的整体历史行为数据以及韦伯-费希纳定律确定引导系数，实现对用户行为进行科学适当引导，也可以针对单个用户，基于该用户的历史行为数据，制定不同目标引导指标，实现针对不同用户的个性化引导，使得在基于目标引导指标对用户进行引导时，在实现业务目标的情况下，不影响用户的体验，从而使引导更加适当。

上述韦伯系数与自然对数系数(费希纳系数)的系数函数关系的推导过程如下所述：

韦伯定律将心理量变化视为离散事件，其基于当前的物理刺激量l，再施加多大的物理刺激量Δl，才会使心理量刚好产生变化，这个Δl就是心理学上的相对阈限，这个Δl/l的比值，是固定的，也就是韦伯系数a，而费希纳在韦伯定律a＝△l/l的基础上，推导出了费希纳定律的第一种形态，即中等强度刺激下，心理量与物理量呈对数关系，也就是费希纳定律的自然对数形态。

本实施例中，可以基于费希纳定律的自然对数形态推导出费希纳定律的常用对数形态。也可以基于韦伯定律，通过数学归纳法推导出费希纳定律的常用对数形态。

为了叙述方便，分别将第一种推导方式以及第二种推导方式得到的费希纳定律的常用对数形态中的心理量P记为P1、P2。第一种推导方式所得到的心理量P1的取值范围为大于0的自然数，第二种推导方式使用了数学归纳法，所以心理量P2的取值范围为大于0的正整数。由于两种推导方式的心理量的物理含义相同，可以将心理量P2视为为P1取值为正整数时的阶跃函数，进而形成联立方程。

对联立方程进行求解，这样就得到了关于费希纳自然对数形态系数m的韦伯系数a的求解公式，该公式在心理量P为正整数条件下生效，推导完成。

通过该计算公式即通过系数m得到韦伯系数a，而m是基于用户历史数据得到的，因此，相应求得的韦伯系数a最大程度上考虑了用户的心理，从而可以更为适当的基于该韦伯系数求得目标引导指标，以更适当地引导用户执行目标关键行为，增加了执行目标行为的概率，进而实现业务目标。

如图6所示，图6为本公开提供的用户行为引导方法的一种具体应用的流程图，参见图6，该用户行为引导方法用于百度图片中，具体可以包括以下步骤：

步骤S601、确定业务目标为7日留存率；

步骤S602、确定目标增长动作为大图页下载量；

也就是说，本实施例中目标行为是大图页下载量。

步骤S603、构造包含14个关键动作的图片核心行为集；

也就是说，本实施例中可以从这14个关键动作中，确定目标关键行为。

即通过用户的历史行为数据，找出与目标增长动作“大图页下载量”表现出较强相关性的行为，具体可以统计执行过大图页下载行为的用户的历史数据，得到以上核心行为集。

步骤S604、通过皮尔森检验确定强相关行为：大图页滑动；

也就是说，本步骤确定了待定关键行为是：大图页滑动。

步骤S605、对大图页滑动和大图页下载做单位根检验，发现在一阶差分下均显著平稳(P分别为0.00051和0.0336)；

也就是说，目标增长行为与待定关键行为的时间序列通过差分单位根检验。

步骤S606、对大图页滑动和大图页下载做协整检验，显著性0.00124，变量间存在协整关系；

步骤S607、通过对目标行为序列构建var模型观察，根据AIC值和SC值取值最小准则，确定最优滞后性为5，进行格兰杰检验，滞后性为5的卡方检验显著性为0.0462，结果显著；

上述步骤S605～S607就是对待定关键行为以及目标行为进行格兰杰因果关系确认，最终确认，大图页滑动与大图页下载量之间存在格兰杰因果关系，也就是说，确定大图页滑动为目标关键行为。

步骤S608、对单天有1-200次下载量的用户群求人均大图页滑动量，形成散点，自变量为人均大图页滑动量，因变量为下载行为量；

步骤S609、以下载量和人均大图页滑动量做对数拟合，得到拟合式：y＝83.097lnx-437.79；

步骤S610、将m带入韦伯系数求解公式得到韦伯系数a＝0.0121；

步骤S611、将根据用户历史日均浏览图片量x,设置今日浏览x+a*x张图片的引导任务，刺激用户形成下载，提升留存。

在用户引导过程中，进行用户行为引导系数的测算是较为重要的环节。

目前，相关技术中给出多种测算方法如：边际效用最大法、均值标准差法、显著性检验法、拟合法和心理学实验法等，但这些测算方法都不能在实际应用中精确引导用户行为。

例如，边际效用最大法需引入成本指标，对于无法精确测算成本的业务场景不适用；均值标准差法仅根据单一指标历史数据进行测算，稳定性差，不具有充足的数据科学依据，如果产品样式有较大变动或者周期性数据波动较大，测算结果将有较大偏差，引导效果会大打折扣；显著性检验法需要经过大量线上实验测算，成本很高，而且测算时对自变量阈值的控制只能以离散的形式进行，得到的结果不够精确；拟合法中拟合函数的数据科学性解释难度高，且常用拟合方法阈值点选取的数据科学性也较低，业务含义上较难解释。而且，上述测算方法都是使用同样的引导系数对所有用户进行行为引导，这样会导致引导效果不佳，同时可能影响用户体验。

而心理学实验法需要找到指定的人群，并进行持续观察，抽样成本极高，且在互联网场景下难以实现，而且互联网场景迭代很快，就算能够完成实验，也会由于测算周期问题导致效果偏差。

因此，需要一种测算方法来测算出引导系数，用以指导引导和刺激过程，使得在达到精确引导，增长收益最大化的基础上，兼顾用户体验。

由上述实施例计算出的用户引导系数，可以应用在很多应用场景中，下面举三个具体应用场景的实例。

场景一：当某位用户执行了一定量的目标关键行为并意图结束使用时，对其进行引导，例如：用户已经浏览了30个商品准备离开，已知商品浏览行为和下单行为的韦伯系数为0.2，则刺激用户再浏览6个商品，引导用户的下单心理产生变化，进而实现下单增长。

场景二：已知用户历史上日均的目标关键行为数量n，在某一天用户来使用功能的时候，对用户做绝对数量的刺激引导，如：某个用户历史上平均每天会浏览20个商品，在用户打开app时即弹出今日完成24个商品的浏览赠送100积分的引导，以此来实现下单增长。

场景三：浏览页面达到x秒给到福利的促进增长活动，可以根据历史上整体用户浏览商品时长和下单的韦伯系数，测算出一个统一的x值，以此实现下单增长。

除了上述场景外，本方法还可广泛应用于折扣定价、违约行为监控、广告展现频率确定等多种场景。由于不同的用户的需求、行为习惯不同，关键行为数量也各不相同，使用韦伯系数针对不同用户确定的目标引导指标，更精准科学地指导了用户增长的引导，实现最小化影响体验的前提下达成业务增长的目的。

参见图7，图7根据本公开提供的用户行为引导装置的第一实施例的结构示意图，该装置具体可以包括：

目标行为确定模块710，用于基于业务引导目标，确定目标行为；

目标关键行为确定模块720，用于基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为；

目标引导指标生成模块730，用于基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标。

用户行为引导模块740，用于基于所述目标引导指标，进行用户行为引导。

本公开提供的用户行为引导装置，可以引导用户更多的执行目标关键行为，进而增加目标行为的执行概率。本公开提供的用户行为引导装置，能够根据用户历史行为得到针对目标关键行为的目标引导指标，可以更加适当地引导用户行为。

参见图8，图8根据本公开提供的用户行为引导装置的第二实施例的结构示意图，该装置在图7的基础上，还可以包括：

用户行为引导系数获得模块810，用于基于所述目标行为和所述目标关键行为的历史数据及韦伯-费希纳定律，获得用户行为引导系数。

这样，目标引导指标生成模块730，具体用于基于所述目标行为和所述目标关键行为的历史数据、所述用户行为引导系数以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标。

本实施例中的用户行为引导装置，可以基于用户的整体历史行为数据以及韦伯-费希纳定律确定引导系数，实现对用户行为的科学引导，也可以针对单个用户基于该用户的历史行为数据，实现针对不同用户的个性化引导，引导效果更佳，用户体验也更好。

参见图9，图9根据本公开提供的用户行为引导装置的第三实施例的结构示意图，该装置在图8的基础上，目标关键行为确定模块720可以包括：待定关键行为获得子模块721、格兰杰检验子模块722和目标关键行为确定子模块723。用户行为引导系数获得模块810可以包括：数据拟合子模块811和引导系数确定子模块812。

其中，待定关键行为获得子模块721，用于从所述用户历史行为数据中，获得所述目标行为的历史执行数据和多个候选关键行为的历史执行数据；基于所述目标行为的历史执行数据和每个候选关键行为的历史执行数据，分别对所述目标行为和每个候选关键行为进行皮尔森相关性检验，获得与所述目标行为相关性最高的待定关键行为。

格兰杰检验子模块722，用于基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验。

本实施例中，格兰杰检验子模块722具体可以用于获得所述目标行为和所述待定关键行为时间序列的历史执行数据；判断所述目标行为和所述待定关键行为时间序列是否为平稳序列；如果所述目标行为和所述待定关键行为时间序列均为平稳序列，则基于两个平稳序列，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验。

本公开实施例中，格兰杰检验子模块722还可以用于若所述待定关键行为时间序列不为平稳序列，则选择与所述目标行为相关性第二高的所述候选关键行为作为待定关键行为，获得该待定关键行为时间序列的历史执行数据，返回判断所述目标行为和所述待定关键行为时间序列是否为平稳序列；若所述目标行为时间序列不为平稳序列，则获得所述目标行为时间序列新的历史执行数据，返回判断所述目标行为和所述待定关键行为时间序列是否为平稳序列。

目标关键行为确定子模块723，用于如果格兰杰检验结果表明所述目标行为和待定关键行为之间具有格兰杰因果关系，则将所述待定关键行为作为目标关键行为。

数据拟合子模块811，用于基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到拟合结果。

本实施例中，数据拟合子模块811具体可以用于基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到费希纳系数。

引导系数确定子模块812，用于基于韦伯定律与费希纳定律之间的关系和所述拟合结果，确定韦伯系数；将获得的韦伯系数作为用户行为引导系数。

本实施例中，引导系数确定子模块812具体可以用于基于所述费希纳系数，及预设的韦伯系数与费希纳系数之间的对应关系，确定韦伯系数；将获得的韦伯系数作为用户行为引导系数；所述韦伯系数与费希纳系数之间的对应关系是预先基于韦伯定律与费希纳定律之间的关系确定的。

本实施例中，可以根据用户历史行为得到目标关键行为以及用户行为引导系数，由于不同的用户的需求、行为习惯不同，关键行为数量也各不相同，在选择目标行为以及引导系数时充分考虑到了用户的心理因素，使得在最可能实现业务引导目标的情况下，保证用户体验，也就是使得引导更加科学适当。与研发人员基于经验人为设置用户引导系数的方式相比，由于利用了用户历史行为数据，所以获得的用户行为引导系数更为客观和准确。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如用户行为引导方法。例如，在一些实施例中，用户行为引导方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的用户行为引导方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用户行为引导或用户行为引导系数测算的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种用户行为引导方法，包括：

基于业务引导目标，确定目标行为；

基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为；

基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标；

基于所述目标引导指标，进行用户行为引导。

2.根据权利要求1所述的方法，其中，

在所述基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标的步骤之前，还包括：

基于所述目标行为和所述目标关键行为的历史数据及韦伯-费希纳定律，获得用户行为引导系数；

所述基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标的步骤，包括：

基于所述目标行为和所述目标关键行为的历史数据、所述用户行为引导系数以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标。

3.根据权利要求2所述的方法，其中，

所述基于所述目标行为和所述目标关键行为的历史数据及韦伯-费希纳定律，获得用户行为引导系数的步骤，包括：

基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到拟合结果；

基于韦伯定律与费希纳定律之间的关系和所述拟合结果，确定韦伯系数；

将获得的韦伯系数作为用户行为引导系数。

4.根据权利要求3所述的方法，其中，

所述基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到拟合结果的步骤，包括：

基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到费希纳系数；

所述基于韦伯定律与费希纳定律之间的关系和所述拟合结果，确定韦伯系数的步骤，包括：

基于所述费希纳系数，及预设的韦伯系数与费希纳系数之间的对应关系，确定韦伯系数；所述韦伯系数与费希纳系数之间的对应关系是预先基于韦伯定律与费希纳定律之间的关系确定的。

5.根据权利要求1所述的方法，其中，

所述基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为的步骤，包括：

从所述用户历史行为数据中，获得所述目标行为的历史执行数据和多个候选关键行为的历史执行数据；

基于所述目标行为的历史执行数据和每个候选关键行为的历史执行数据，分别对所述目标行为和每个候选关键行为进行皮尔森相关性检验，获得与所述目标行为相关性最高的待定关键行为；

基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验；

如果格兰杰检验结果表明所述目标行为和待定关键行为之间具有格兰杰因果关系，则将所述待定关键行为作为目标关键行为。

6.根据权利要求5所述的方法，其中，

所述基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验的步骤，包括：

获得所述目标行为和所述待定关键行为时间序列的历史执行数据；

判断所述目标行为和所述待定关键行为时间序列是否为平稳序列；

如果所述目标行为和所述待定关键行为时间序列均为平稳序列，则基于两个平稳序列，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验。

7.根据权利要求6所述的方法，其中，

所述基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验的步骤，还包括：

若所述待定关键行为时间序列不为平稳序列，则选择与所述目标行为相关性第二高的所述候选关键行为作为待定关键行为，获得该待定关键行为时间序列的历史执行数据，返回所述判断所述目标行为和所述待定关键行为时间序列是否为平稳序列的步骤；

若所述目标行为时间序列不为平稳序列，则获得所述目标行为时间序列新的历史执行数据，返回所述判断所述目标行为和所述待定关键行为时间序列是否为平稳序列的步骤。

8.一种用户行为引导装置，包括：

目标行为确定模块，用于基于业务引导目标，确定目标行为；

目标关键行为确定模块，用于基于用户历史行为数据，确定与所述目标行为具有因果关系的目标关键行为；

目标引导指标生成模块，用于基于所述目标行为和所述目标关键行为的历史数据，以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标；

用户行为引导模块，用于基于所述目标引导指标，进行用户行为引导。

9.根据权利要求8所述的装置，所述装置还包括，

用户行为引导系数获得模块，用于基于所述目标行为和所述目标关键行为的历史数据及韦伯-费希纳定律，获得用户行为引导系数；

目标引导指标生成模块，具体用于基于所述目标行为和所述目标关键行为的历史数据、所述用户行为引导系数以及针对所述业务引导目标预设的引导策略，生成针对目标关键行为的目标引导指标。

10.根据权利要求9所述的装置，其中，

用户行为引导系数获得模块，包括：

数据拟合子模块，用于基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到拟合结果；

引导系数确定子模块，用于基于韦伯定律与费希纳定律之间的关系和所述拟合结果，确定韦伯系数；将获得的韦伯系数作为用户行为引导系数。

11.根据权利要求9所述的装置，其中，

所述数据拟合子模块，具体用于基于费希纳定律，对所述用户历史行为数据中的目标行为的历史执行数据和目标关键行为的历史执行数据进行拟合，得到费希纳系数；

所述引导系数确定子模块，具体用于基于所述费希纳系数，及预设的韦伯系数与费希纳系数之间的对应关系，确定韦伯系数；所述韦伯系数与费希纳系数之间的对应关系是预先基于韦伯定律与费希纳定律之间的关系确定的。

12.根据权利要求8所述的装置，其中，

所述目标关键行为确定模块，包括：

待定关键行为获得子模块，用于从所述用户历史行为数据中，获得所述目标行为的历史执行数据和多个候选关键行为的历史执行数据；基于所述目标行为的历史执行数据和每个候选关键行为的历史执行数据，分别对所述目标行为和每个候选关键行为进行皮尔森相关性检验，获得与所述目标行为相关性最高的待定关键行为；

格兰杰检验子模块，用于基于所述目标行为的历史执行数据和所述待定关键行为的历史执行数据，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验；

目标关键行为确定子模块，用于如果格兰杰检验结果表明所述目标行为和待定关键行为之间具有格兰杰因果关系，则将所述待定关键行为作为目标关键行为。

13.根据权利要求12所述的装置，其中，

所述格兰杰检验子模块，具体用于获得所述目标行为和所述待定关键行为时间序列的历史执行数据；判断所述目标行为和所述待定关键行为时间序列是否为平稳序列；如果所述目标行为和所述待定关键行为时间序列均为平稳序列，则基于两个平稳序列，对所述目标行为和待定关键行为之间进行格兰杰因果关系的检验。

14.根据权利要求13所述的装置，其中，

所述格兰杰检验子模块，还用于若所述待定关键行为时间序列不为平稳序列，则选择与所述目标行为相关性第二高的所述候选关键行为作为待定关键行为，获得该待定关键行为时间序列的历史执行数据，返回判断所述目标行为和所述待定关键行为时间序列是否为平稳序列；若所述目标行为时间序列不为平稳序列，则获得所述目标行为时间序列新的历史执行数据，返回判断所述目标行为和所述待定关键行为时间序列是否为平稳序列。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images