CN113947431A - 一种用户行为质量评估方法、装置、设备和存储介质 - Google Patents
一种用户行为质量评估方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113947431A CN113947431A CN202111221691.4A CN202111221691A CN113947431A CN 113947431 A CN113947431 A CN 113947431A CN 202111221691 A CN202111221691 A CN 202111221691A CN 113947431 A CN113947431 A CN 113947431A
- Authority
- CN
- China
- Prior art keywords
- behavior
- historical
- current
- interest
- quality evaluation
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明实施例公开了一种用户行为质量评估方法、装置、设备和存储介质,该方法包括:获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据;将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,预设行为质量评估模型从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估;根据预设行为质量评估模型的输出,获得当前行为的质量评估结果。通过本发明实施例的技术方案,可以对目标用户的当前行为进行质量评估,并且保证质量评估的准确性。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种用户行为质量评估方法、装置、设备和存储介质。
背景技术
随着电商产业的快速发展,往往需要对用户行为进行分析,以便更好地了解用户消费喜好和关注特征。
目前,通常是对平台中产生的所有用户行为均进行分析,生成用户画像。
然而,在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
由于用户进入平台的出发点不同,从而导致用户在平台上的行为质量参差不齐。例如,用户A需要购买一件上衣,在点入一件上衣的详情页后,会仔细查看详情页、评论区等信息,最终可能会购买。用户B可能是在看商品a时,不小心点击到另一件商品b,此时对商品b的点击行为属于误操作,对商品b的兴趣度并不高。用户C可能是一些刷单、作弊行为。可见,对用户A、B和C的所有用户行为均进行分析,生成用户画像是不恰当的,从而当前急需一种可以评估用户行为质量的方式,以便可以只对高质量的用户行为进行分析,进而提高用户画像生成的准确性。
发明内容
本发明实施例提供了一种用户行为质量评估方法、装置、设备和存储介质,以对目标用户的当前行为进行质量评估,并且保证质量评估的准确性。
第一方面,本发明实施例提供了一种用户行为质量评估方法,包括:
获取待评估的目标用户的当前行为所对应的当前行为数据以及所述目标用户的历史行为序列数据;
将所述当前行为数据和所述历史行为序列数据输入至预设行为质量评估模型中,所述预设行为质量评估模型从所述历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个所述历史兴趣特征向量和所述当前行为数据对所述当前行为进行质量评估;
根据所述预设行为质量评估模型的输出,获得所述当前行为的质量评估结果。
第二方面,本发明实施例还提供了一种用户行为质量评估装置,包括:
行为数据获取模块,用于获取待评估的目标用户的当前行为所对应的当前行为数据以及所述目标用户的历史行为序列数据;
行为数据输入模块,用于将所述当前行为数据和所述历史行为序列数据输入至预设行为质量评估模型中,所述预设行为质量评估模型从所述历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个所述历史兴趣特征向量和所述当前行为数据对所述当前行为进行质量评估;
质量评估结果输出模块,用于根据所述预设行为质量评估模型的输出,获得所述当前行为的质量评估结果。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的用户行为质量评估方法。
第四方面,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,该程序被处理器执行时实现如本发明任意实施例所提供的用户行为质量评估方法。
上述发明中的实施例具有如下优点或有益效果:
通过获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据,并将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,使得预设行为质量评估模型可以从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估,输出当前行为的质量评估结果,从而通过利用预设行为质量评估模型可以对用户行为进行质量评估,并且预设行为质量评估模型是基于目标用户的多个不同兴趣维度进行质量评估,保证了质量评估的准确性。
附图说明
图1是本发明实施例一提供的一种用户行为质量评估方法的流程图;
图2是本发明实施例一所涉及的一种预设行为质量评估模型的示例;
图3是本发明实施例一所涉及的一种预设特征提取子模型的示例;
图4是本发明实施例一所涉及的另一种预设特征提取子模型的示例;
图5是本发明实施例二提供的一种用户行为质量评估方法的流程图;
图6是本发明实施例二所涉及的一种预设行为质量评估模型的示例;
图7是本发明实施例三提供的一种用户行为质量评估装置的结构示意图;
图8是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种用户行为质量评估方法的流程图,本实施例可适用于对用户行为进行质量评估的情况。该方法可以由用户行为质量评估装置来执行,该装置可以由软件和/或硬件的方式来实现,集成于电子设备中。如图1所示,该方法具体包括以下步骤:
S110、获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据。
其中,目标用户的当前行为可以是指目标用户在平台上产生的当前需要进行质量评估的行为。当前行为可以是指目标用户当前产生的任意一种行为。例如,当前行为可以是但不限于点击行为、加购行为、浏览行为等。其中,点击行为可以是指进入商品详情页的点击行为。当前行为数据可以是但不限于当前行为所针对的当前商品信息。例如,在当前行为是点击行为时,当前行为数据可以包括目标用户当前点击的当前商品标识信息。平台中的每种商品可以对应唯一的标识信息,以便区分不同商品。历史行为序列数据可以是指目标用户当前时刻之前产生的各个历史行为的行为数据。本实施例可以将更能表征出目标用户兴趣爱好的所有历史行为的数据作为历史行为序列数据。例如,历史行为序列数据可以包括目标用户的各个历史点击行为的行为数据,比如历史行为序列数据可以包括目标用户历史点击的各个历史商品标识信息。
S120、将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,预设行为质量评估模型从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估。
其中,预设行为质量评估模型可以是预先设置的,利用历史行为序列数据对当前行为进行质量评估的神经网络模型。本实施例中的预设行为质量评估模型可以是预先基于样本数据进行训练后获得的。例如,可以基于用户是否下单确定样本标签,比如下单为1,否则为0,并采用Adam优化方式对预设行为质量评估模型进行训练,获得训练好的预设行为质量评估模型。
具体地,由于用户的行为是多种多样的,用户的兴趣也是广而分散的,所以用户兴趣是无法利用单一维度下的特征向量进行准确表征的。本实施例将目标用户的当前行为数据和历史行为序列数据输入至预先训练好的预设行为质量评估模型中,以使预设行为质量评估模型从输入的历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估,从而可以综合考虑到目标用户历史兴趣的多样性,使得目标用户的兴趣得到更多维度的刻画,可以更加全面地表征出用户兴趣,所以通过利用多个兴趣维度下的历史兴趣特征向量对当前行为进行质量评估,可以保证质量评估的准确性。
S130、根据预设行为质量评估模型的输出,获得当前行为的质量评估结果。
其中,当前行为的质量评估结果可以用于表征目标用户的当前行为是否为高质量行为。例如,当前行为的质量评估结果可以包括:高质量行为或者低质量行为,以便可以基于质量评估结果可以直接确定出当前行为是否为高质量行为。或者,当前行为的质量评估结果可以为:当前行为是高质量行为的概率值,以便基于概率值间接确定出当前行为是否为高质量行为。本实施例可以基于业务需求对质量评估结果的表示形式进行设置。
具体地,预设行为质量评估模型在确定出当前行为的质量评估结果后,可以将质量评估结果进行输出,从而基于预设行为质量评估模型的输出,可以获得当前行为的质量评估结果,实现了用户行为的质量评估效果,并且也保证了质量评估的准确性,以便后续可以仅对高质量的用户行为进行分析,提高了用户画像生成的准确性。
本实施例的技术方案,通过获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据,并将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,使得预设行为质量评估模型可以从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估,输出当前行为的质量评估结果,从而通过利用预设行为质量评估模型可以对用户行为进行质量评估,并且预设行为质量评估模型是基于目标用户的多个不同兴趣维度进行质量评估,保证了质量评估的准确性。
在上述技术方案的基础上,图2给出了一种预设行为质量评估模型的示例,如图2所示,预设行为质量评估模型可以包括:预设语言处理子模型、预设特征提取子模型、预设特征处理子模型和预设质量评估子模型。
其中,预设语言处理子模型用于:对输入的当前行为数据和历史行为序列数据分别进行向量化处理,确定当前行为对应的当前行为向量以及每个历史行对应的历史行为向量,并将当前行为向量输入至预设特征处理子模型中,以及将各个历史行为向量输入至预设特征提取子模型中;预设特征提取子模型用于:根据输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,并将各个历史兴趣特征向量输入至预设特征处理子模型中;预设特征处理子模型用于:对输入的当前行为向量和各个历史兴趣特征向量进行合并处理,确定目标用户的当前行为对应的目标行为特征向量,并将目标行为特征向量输入至预设质量评估子模型中;预设质量评估子模型用于:根据输入的目标行为特征向量对当前行为进行质量评估,确定当前行为的质量评估结果。
具体地,如图2所示,本实施例中的预设行为质量评估模型中的行为质量评估过程可以为:将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中的预设语言处理子模型中进行向量化处理,获得当前行为对应的当前行为向量以及每个历史行对应的历史行为向量。将各个历史行为向量输入至预设特征提取子模型中进行多维度兴趣特征向量提取,获得每个兴趣维度对应的历史兴趣特征向量。将各个历史兴趣特征向量和当前行为对应的当前行为向量输入至预设特征处理子模型中进行合并处理,获得目标用户的当前行为对应的目标行为特征向量,将目标行为特征向量输入至预设质量评估子模型中,获得当前行为的质量评估结果并输出质量评估结果,从而完成用户行为的质量评估。
对于预设语言处理子模型而言,如图2所示,预设语言处理子模型可以是指对输入的数据文本进行语言处理,以便获得预设特征提取子模型和预设特征处理子模型的可输入类型的数据,即当前行为向量和各个历史行为向量。例如,预设语言处理子模型可以是但不限于Skip-Gram语言模型、VSM(Vector Space Model)向量空间模型、Word2vec模型和BERT(Bidirectional Encoder Representation from Transformers)双向编码器模型。
对于预设特征提取子模型而言,作为一种实现方式,预设特征提取子模型中的历史兴趣特征提取过程可以具体为:基于胶囊网络提取方式,对输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定出每个兴趣维度对应的历史兴趣特征向量。
具体地,本实施例可以利用现有的胶囊网络提取方式,对输入的各个历史行为向量进行聚类,生成目标用户的多个兴趣簇,即多个兴趣维度,并确定每个兴趣维度对应的历史兴趣特征向量,从而表征出用户的多维度历史兴趣。例如,图3给出了一种预设特征提取子模型的示例。如图3所示,若目标用户的历史行为序列数据对应7个历史行为向量,则可以直接利用胶囊网络对各个历史行为向量进行聚类,获取属于同一兴趣维度的各个历史行为向量,并可以通过池化操作确定出每个兴趣维度对应的历史兴趣特征向量。例如,对于每个兴趣维度,可以所对应的各个历史行为向量进行求和池化、平均池化或者最大化池化操作,获得每个兴趣维度对应的历史兴趣特征向量。如图3所示,可以获得三个兴趣维度下对应的三个历史兴趣特征向量,从而实现了用户兴趣的多维度表征。
作为另一种实现方式,预设特征提取子模型中的历史兴趣特征提取过程还可以具体为:基于每个历史行为中的历史商品所属的品类,对各个历史行为向量进行划分,获得每个品类对应的历史行为向量集合;根据每个历史行为向量集合确定每个兴趣维度对应的历史兴趣特征向量。
具体地,可以获取目标用户的每个历史行为所针对的历史商品所属于的品类,并将属于同一品类的历史商品所对应的历史行为向量划分至同一兴趣维度对应的历史行为向量集合中,从而可以获得每个兴趣维度对应的历史行为向量集合,并可以通过对每个历史行为向量集合进行池化操作确定出每个兴趣维度对应的历史兴趣特征向量。例如,可以对每个历史行为向量集合中的各个历史行为向量进行求和池化、平均池化或者最大化池化操作,获得每个兴趣维度对应的历史兴趣特征向量。示例性地,图4给出了另一种预设特征提取子模型的示例。如图4所示,可以基于每个历史商品所属于的品类,将n个历史行为向量进行划分,并通过对划分后的历史行为向量集合进行池化操作,可以获得每个品类(即每个兴趣维度)对应的历史兴趣特征向量。例如,目标用户在平台中有一系列的历史点击行为,点击的商品包括挎包、项链、口红等。这些点击行为属于不同的品类,从而可以按照品类进行划分,将目标用户的兴趣划分为珠宝、化妆品和皮包这三个兴趣维度,从而利用多个兴趣维度对应的历史兴趣特征向量可以全面地表征出用户兴趣,进而保证行为质量评估的准确性。
对于预设特征处理子模型而言,作为一种实现方式,预设特征处理子模型中的特征处理过程可以具体为:对输入的各个历史兴趣特征向量进行池化处理,获得目标历史兴趣特征向量;将目标历史兴趣特征向量和当前行为向量进行拼接处理,获得目标用户的当前行为对应的目标行为特征向量。
具体地,预设特征处理子模型可以对各个历史兴趣特征向量进行池化处理,比如,求和池化处理或者平均池化处理,从而获得池化后的一个目标历史兴趣特征向量。将目标历史兴趣特征向量与当前行为向量进行拼接成一组特征向量,即目标行为特征向量,作为最终的相关特征表征向量,输入至预设质量评估子模型中。
作为另一种实现方式,预设特征处理子模型中的特征处理过程可以具体为:根据输入的当前行为向量和各个历史兴趣特征向量进行注意力权重计算,确定每个历史兴趣特征向量对应的注意力权重值;根据每个历史兴趣特征向量和相应的注意力权重值,对各个历史兴趣特征向量进行加权池化处理,获得目标历史兴趣特征向量;将目标历史兴趣特征向量和当前行为向量进行拼接处理,获得目标用户的当前行为对应的目标行为特征向量。
具体地,由于目标用户的行为是多种多样的,目标用户的所有历史行为与当前行为的相关性不同,比如所有历史行为中的历史商品与当前行为中的当前商品的相关性不同,从而目标用户的各个历史行为对当前行为的影响大小也不同。针对于此,预设特征处理子模型中还可以包括现有的注意力机制网络结构,用于确定每个历史兴趣特征向量对应的注意力权重值,并对每个历史兴趣特征向量进行加权处理,以提高有用信息的关注度,降低无用信息的关注度。如图2所示,通过根据注意力权重值,对各个历史兴趣特征向量进行加权池化处理,使得重要的历史兴趣特征向量增大,非重要的历史兴趣特征向量减小,从而可以获得更加准确的目标历史兴趣特征向量,进一步提高了质量评估的准确性。
对于预设质量评估子模型而言,预设质量评估子模型为点击通过率CTR预估模型;相应地,预设质量评估子模型具体用于:根据输入的目标行为特征向量对当前行为进行兴趣度评估,获得目标用户对当前行为中的当前商品的目标兴趣度,并根据目标兴趣度和高质量行为对应的兴趣度阈值,确定目标用户的当前行为的质量评估结果。
其中,点击通过率CTR(Click Through Rate)预估模型可以是现有的一种用于预估用户是否会点击的神经网络模型。本实施例可以将CTR预估模型作为预设质量评估子模型,从而可以基于用户是否会点击的概率来评估用户对当前行为中的当前商品的兴趣度,从而量化用户行为的质量分数。若用户对当前行为中的当前商品的兴趣度越高,则表明当前行为的质量分数越高。高质量行为对应的兴趣度阈值可以是预先设置的,高质量行为所对应的兴趣度最小值。
具体地,可以将目标行为特征向量输入至点击通过率CTR预估模型中进行兴趣度评估,获得目标用户对当前行为中的当前商品的目标兴趣度,并比较目标兴趣度与高质量行为对应的兴趣度阈值,若目标兴趣度高于兴趣度阈值,则确定当前行为属于高质量行为;若目标兴趣度低于兴趣度阈值,则确定当前行为属于低质量行为,从而完成了用户行为质量评估,以便后续可以只对高质量的用户行为进行分析,提高用户画像生成的准确性。
示例性地,如图2所示,预设质量评估子模型可以包括两个激活函数,PReLU(Parametric Rectified Linear Unit)激活函数或者DICE(Data Adaptive ActivationFunction)激活函数,用于对输入的目标行为特征向量进行降维处理,作为softmax逻辑回归函数的输入,最终得到二分类结果,即判断出当前行为是否为高质量行为。
实施例二
图5为本发明实施例二提供的一种用户行为质量评估方法的流程图,本实施例在上述各实施例的基础上,增加了步骤“获取目标用户的目标用户特征信息、当前行为所针对的当前商品的商品属性信息和目标用户与当前商品之间的交互信息;将目标用户特征信息、商品属性信息和交互信息也输入至预设行为质量评估模型中”。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图5,本实施例提供的用户行为质量评估方法具体包括以下步骤:
S510、获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据。
S520、获取目标用户的目标用户特征信息、当前行为所针对的当前商品的商品属性信息和目标用户与当前商品之间的交互信息。
其中,目标用户特征信息可以包括但不限于:用户属性特征信息和用户偏好特征信息。用户属性特征信息可以包括但不限于:目标用户的年龄、性别、职业和孩子年龄。用户偏好特征信息可以包括但不限于:目标用户在预设时间段内(比如近一周内)对当前行为中的当前商品所属于的品类和品牌的偏好程度,当前商品所属于的品类和品牌点击的购买力等级,以及当前商品所属于的品类和品牌加购的购买力等级。其中,当前商品所属于的品类和品牌的偏好程度可以基于对该品类和该品牌的点击量统计进行归一化获得的。当前商品所属于的品类和品牌点击的购买力等级或者加购的购买力等级可以按照商品的价格,在每个品类下以及每个品牌下进行分桶确定出的。
其中,当前行为所针对的当前商品的商品属性信息可以包括但不限于:商品价格、商品价格与所属品类平均价格的差值、商品价格与所属品牌的平均价格的差值。
其中,目标用户与当前商品之间的交互信息可以包括但不限于:当前商品的当前商品展示页的来源页标识信息,是否是从搜索页进入信息,当前商品展示页的停留时间,停留时间是否大于用户平均停留时间,当前商品展示页的操作次数,以及操作次数是否大于用户平均操作次数。
S530、将当前行为数据、历史行为序列数据、目标用户特征信息、商品属性信息和交互信息输入至预设行为质量评估模型中,预设行为质量评估模型从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量、当前行为数据、目标用户特征信息、商品属性信息和交互信息对当前行为进行质量评估。
具体地,图6给出了一种预设行为质量评估模型的示例,如图6所示,预设行为质量评估模型可以包括:预设语言处理子模型、预设特征提取子模型、预设特征处理子模型和预设质量评估子模型。
其中,预设语言处理子模型用于:对输入的当前行为数据、历史行为序列数据、目标用户特征信息、商品属性信息和交互信息分别进行向量化处理,确定当前行为对应的当前行为向量、每个历史行对应的历史行为向量、目标用户特征向量、商品属性向量以及交互向量,并将当前行为向量、目标用户特征向量、商品属性向量以及交互向量输入至预设特征处理子模型中,以及将各个历史行为向量输入至预设特征提取子模型中;预设特征提取子模型用于:根据输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,并将各个历史兴趣特征向量输入至预设特征处理子模型中;预设特征处理子模型用于:对输入的当前行为向量、目标用户特征向量、商品属性向量、交互向量以及各个历史兴趣特征向量进行合并处理,确定目标用户的当前行为对应的目标行为特征向量,并将目标行为特征向量输入至预设质量评估子模型中;预设质量评估子模型用于:根据输入的目标行为特征向量对当前行为进行质量评估,确定当前行为的质量评估结果。
具体地,如图6所示,本实施例中的预设行为质量评估模型中的行为质量评估过程可以为:将当前行为数据、历史行为序列数据、目标用户特征信息、商品属性信息和交互信息输入至预设行为质量评估模型中的预设语言处理子模型中分别进行向量化处理,获得当前行为对应的当前行为向量、每个历史行对应的历史行为向量、目标用户特征向量、商品属性向量以及交互向量。将各个历史行为向量输入至预设特征提取子模型中进行多维度兴趣特征向量提取,获得每个兴趣维度对应的历史兴趣特征向量。将历史兴趣特征向量、当前行为向量、目标用户特征向量、商品属性向量以及交互向量输入至预设特征处理子模型中进行合并处理,获得目标用户的当前行为对应的目标行为特征向量,将目标行为特征向量输入至预设质量评估子模型中,获得当前行为的质量评估结果并输出质量评估结果,从而完成用户行为的质量评估。
其中,预设语言处理子模型、预设特征提取子模型、预设特征处理子模型和预设质量评估子模型可参见上述实施例的相关描述,此处不再赘述。如图6所示,预设特征处理子模型可以将目标历史兴趣特征向量、当前行为向量、目标用户特征向量、商品属性向量以及交互向量进行拼接处理,可以获得包含更多信息的目标行为特征向量,使得预设质量评估子模型可以基于该目标行为特征向量获得更加准确的质量评估结果,进一步提高质量评估的准确性。
S540、根据预设行为质量评估模型的输出,获得当前行为的质量评估结果。
具体地,通过将目标用户特征信息当前商品的商品属性信息和目标用户与当前商品之间的交互信息也输入至预设行为质量评估模型中,使得预设行为质量评估模型可以获得更加准确得质量评估结果,进一步提高质量评估的准确性。
本实施例的技术方案,通过将目标用户的目标用户特征信息、当前行为所针对的当前商品的商品属性信息和目标用户与当前商品之间的交互信息也输入至预设行为质量评估模型中,可以获得更加准确得质量评估结果,进一步提高质量评估的准确性。
以下是本发明实施例提供的用户行为质量评估装置的实施例,该装置与上述各实施例的用户行为质量评估方法属于同一个发明构思,在用户行为质量评估装置的实施例中未详尽描述的细节内容,可以参考上述用户行为质量评估方法的实施例。
实施例三
图7为本发明实施例三提供的一种用户行为质量评估装置的结构示意图,本实施例可适用于对用户行为进行质量评估的情况,该装置具体包括:行为数据获取模块710、行为数据输入模块720和质量评估结果输出模块730。
其中,行为数据获取模块710,用于获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据;行为数据输入模块720,用于将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,预设行为质量评估模型从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估;质量评估结果输出模块730,用于根据预设行为质量评估模型的输出,获得当前行为的质量评估结果。
本公开实施例的技术方案,通过获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据,并将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,使得预设行为质量评估模型可以从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估,输出当前行为的质量评估结果,从而通过利用预设行为质量评估模型可以对用户行为进行质量评估,并且预设行为质量评估模型是基于目标用户的多个不同兴趣维度进行质量评估,保证了质量评估的准确性。
可选地,预设行为质量评估模型包括:预设语言处理子模型、预设特征提取子模型、预设特征处理子模型和预设质量评估子模型;
其中,预设语言处理子模型用于:对输入的当前行为数据和历史行为序列数据分别进行向量化处理,确定当前行为对应的当前行为向量以及每个历史行对应的历史行为向量,并将当前行为向量输入至预设特征处理子模型中,以及将各个历史行为向量输入至预设特征提取子模型中;
预设特征提取子模型用于:根据输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,并将各个历史兴趣特征向量输入至预设特征处理子模型中;
预设特征处理子模型用于:对输入的当前行为向量和各个历史兴趣特征向量进行合并处理,确定目标用户的当前行为对应的目标行为特征向量,并将目标行为特征向量输入至预设质量评估子模型中;
预设质量评估子模型用于:根据输入的目标行为特征向量对当前行为进行质量评估,确定当前行为的质量评估结果。
可选地,根据输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,包括:
基于胶囊网络提取方式,对输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定出每个兴趣维度对应的历史兴趣特征向量。
可选地,根据输入的各个历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,还包括:
基于每个历史行为中的历史商品所属的品类,对各个历史行为向量进行划分,获得每个品类对应的历史行为向量集合;根据每个历史行为向量集合确定每个兴趣维度对应的历史兴趣特征向量。
可选地,对输入的当前行为向量和各个历史兴趣特征向量进行合并处理,确定目标用户的当前行为对应的目标行为特征向量,包括:
对输入的各个历史兴趣特征向量进行池化处理,获得目标历史兴趣特征向量;将目标历史兴趣特征向量和当前行为向量进行拼接处理,获得目标用户的当前行为对应的目标行为特征向量。
可选地,对输入的各个历史兴趣特征向量进行池化处理,获得目标历史兴趣特征向量,包括:
根据输入的当前行为向量和各个历史兴趣特征向量进行注意力权重计算,确定每个历史兴趣特征向量对应的注意力权重值;根据每个历史兴趣特征向量和相应的注意力权重值,对各个历史兴趣特征向量进行加权池化处理,获得目标历史兴趣特征向量。
可选地,预设质量评估子模型为点击通过率CTR预估模型;
相应地,预设质量评估子模型具体用于:根据输入的目标行为特征向量对当前行为进行兴趣度评估,获得目标用户对当前行为中的当前商品的目标兴趣度,并根据目标兴趣度和高质量行为对应的兴趣度阈值,确定目标用户的当前行为的质量评估结果。
可选地,该装置还包括:
信息获取模块,用于获取目标用户的目标用户特征信息、当前行为所针对的当前商品的商品属性信息和目标用户与当前商品之间的交互信息;
相应地,行为数据输入模块720还用于:将目标用户特征信息、商品属性信息和交互信息也输入至预设行为质量评估模型中。
本发明实施例所提供的用户行为质量评估装置可执行本发明任意实施例所提供的用户行为质量评估方法,具备执行用户行为质量评估方法相应的功能模块和有益效果。
值得注意的是,上述用户行为质量评估装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图8为本发明实施例四提供的一种电子设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性电子设备12的框图。与8显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如与8所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(与8未显示,通常称为“硬盘驱动器”)。尽管与8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种用户行为质量评估方法步骤,该方法包括:
获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据;
将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,预设行为质量评估模型从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估;
根据预设行为质量评估模型的输出,获得当前行为的质量评估结果。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的用户行为质量评估方法的技术方案。
实施例五
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的用户行为质量评估方法步骤,该方法包括:
获取待评估的目标用户的当前行为所对应的当前行为数据以及目标用户的历史行为序列数据;
将当前行为数据和历史行为序列数据输入至预设行为质量评估模型中,预设行为质量评估模型从历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个历史兴趣特征向量和当前行为数据对当前行为进行质量评估;
根据预设行为质量评估模型的输出,获得当前行为的质量评估结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以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,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地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、或者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),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种用户行为质量评估方法,其特征在于,包括:
获取待评估的目标用户的当前行为所对应的当前行为数据以及所述目标用户的历史行为序列数据;
将所述当前行为数据和所述历史行为序列数据输入至预设行为质量评估模型中,所述预设行为质量评估模型从所述历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个所述历史兴趣特征向量和所述当前行为数据对所述当前行为进行质量评估;
根据所述预设行为质量评估模型的输出,获得所述当前行为的质量评估结果。
2.根据权利要求1所述的方法,其特征在于,所述预设行为质量评估模型包括:预设语言处理子模型、预设特征提取子模型、预设特征处理子模型和预设质量评估子模型;
其中,所述预设语言处理子模型用于:对输入的所述当前行为数据和所述历史行为序列数据分别进行向量化处理,确定当前行为对应的当前行为向量以及每个历史行对应的历史行为向量,并将所述当前行为向量输入至所述预设特征处理子模型中,以及将各个所述历史行为向量输入至所述预设特征提取子模型中;
所述预设特征提取子模型用于:根据输入的各个所述历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,并将各个所述历史兴趣特征向量输入至所述预设特征处理子模型中;
所述预设特征处理子模型用于:对输入的所述当前行为向量和各个所述历史兴趣特征向量进行合并处理,确定所述目标用户的当前行为对应的目标行为特征向量,并将所述目标行为特征向量输入至所述预设质量评估子模型中;
所述预设质量评估子模型用于:根据输入的所述目标行为特征向量对所述当前行为进行质量评估,确定所述当前行为的质量评估结果。
3.根据权利要求2所述的方法,其特征在于,所述根据输入的各个所述历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,包括:
基于胶囊网络提取方式,对输入的各个所述历史行为向量进行不同兴趣维度下的特征提取,确定出每个兴趣维度对应的历史兴趣特征向量。
4.根据权利要求2所述的方法,其特征在于,所述根据输入的各个所述历史行为向量进行不同兴趣维度下的特征提取,确定每个兴趣维度对应的历史兴趣特征向量,还包括:
基于每个历史行为中的历史商品所属的品类,对各个所述历史行为向量进行划分,获得每个品类对应的历史行为向量集合;
根据每个历史行为向量集合确定每个兴趣维度对应的历史兴趣特征向量。
5.根据权利要求2所述的方法,其特征在于,所述对输入的所述当前行为向量和各个所述历史兴趣特征向量进行合并处理,确定所述目标用户的当前行为对应的目标行为特征向量,包括:
对输入的各个所述历史兴趣特征向量进行池化处理,获得目标历史兴趣特征向量;
将所述目标历史兴趣特征向量和所述当前行为向量进行拼接处理,获得所述目标用户的当前行为对应的目标行为特征向量。
6.根据权利要求5所述的方法,其特征在于,对输入的各个所述历史兴趣特征向量进行池化处理,获得目标历史兴趣特征向量,包括:
根据输入的所述当前行为向量和各个所述历史兴趣特征向量进行注意力权重计算,确定每个所述历史兴趣特征向量对应的注意力权重值;
根据每个所述历史兴趣特征向量和相应的所述注意力权重值,对各个所述历史兴趣特征向量进行加权池化处理,获得目标历史兴趣特征向量。
7.根据权利要求2所述的方法,其特征在于,所述预设质量评估子模型为点击通过率CTR预估模型;
相应地,所述预设质量评估子模型具体用于:
根据输入的所述目标行为特征向量对所述当前行为进行兴趣度评估,获得所述目标用户对当前行为中的当前商品的目标兴趣度,并根据所述目标兴趣度和高质量行为对应的兴趣度阈值,确定所述目标用户的当前行为的质量评估结果。
8.根据权利要求1-7任一所述的方法,其特征在于,所述方法还包括:
获取所述目标用户的目标用户特征信息、所述当前行为所针对的当前商品的商品属性信息和所述目标用户与所述当前商品之间的交互信息;
将所述目标用户特征信息、所述商品属性信息和所述交互信息也输入至所述预设行为质量评估模型中。
9.根据权利要求8所述的方法,其特征在于,所述目标用户与所述当前商品之间的交互信息包括:所述当前商品的当前商品展示页的来源页标识信息,是否是从搜索页进入信息,当前商品展示页的停留时间,停留时间是否大于用户平均停留时间,当前商品展示页的操作次数,以及操作次数是否大于用户平均操作次数。
10.一种用户行为质量评估装置,其特征在于,包括:
行为数据获取模块,用于获取待评估的目标用户的当前行为所对应的当前行为数据以及所述目标用户的历史行为序列数据;
行为数据输入模块,用于将所述当前行为数据和所述历史行为序列数据输入至预设行为质量评估模型中,所述预设行为质量评估模型从所述历史行为序列数据中提取多个不同兴趣维度下的历史兴趣特征向量,并基于各个所述历史兴趣特征向量和所述当前行为数据对所述当前行为进行质量评估;
质量评估结果输出模块,用于根据所述预设行为质量评估模型的输出,获得所述当前行为的质量评估结果。
11.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的用户行为质量评估方法。
12.一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,该程序被处理器执行时实现如权利要求1-9中任一所述的用户行为质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221691.4A CN113947431A (zh) | 2021-10-20 | 2021-10-20 | 一种用户行为质量评估方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221691.4A CN113947431A (zh) | 2021-10-20 | 2021-10-20 | 一种用户行为质量评估方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947431A true CN113947431A (zh) | 2022-01-18 |
Family
ID=79331806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111221691.4A Pending CN113947431A (zh) | 2021-10-20 | 2021-10-20 | 一种用户行为质量评估方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947431A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876015A (zh) * | 2024-03-11 | 2024-04-12 | 南京数策信息科技有限公司 | 一种用户行为数据分析方法、装置及相关设备 |
-
2021
- 2021-10-20 CN CN202111221691.4A patent/CN113947431A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876015A (zh) * | 2024-03-11 | 2024-04-12 | 南京数策信息科技有限公司 | 一种用户行为数据分析方法、装置及相关设备 |
CN117876015B (zh) * | 2024-03-11 | 2024-05-07 | 南京数策信息科技有限公司 | 一种用户行为数据分析方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111139B (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
US10515378B2 (en) | Extracting relevant features from electronic marketing data for training analytical models | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN111209478A (zh) | 任务推送方法及装置、存储介质及电子设备 | |
US20180240037A1 (en) | Training and estimation of selection behavior of target | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
CN111209351B (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN113947431A (zh) | 一种用户行为质量评估方法、装置、设备和存储介质 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN112069404A (zh) | 一种商品信息的展示方法、装置、设备和存储介质 | |
CN111127057B (zh) | 一种多维用户画像恢复方法 | |
CN111754300A (zh) | 一种商品推荐方法、装置、设备和存储介质 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
CN111768218A (zh) | 用于处理用户交互信息的方法和装置 | |
CN114330519A (zh) | 数据确定方法、装置、电子设备及存储介质 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
CN113139115A (zh) | 信息推荐方法、搜索方法、装置及客户端、介质及设备 | |
CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN110782287A (zh) | 实体相似度计算方法及装置、物品推荐系统、介质、设备 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 |
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 |