CN114463025A - 用户行为模式的挖掘及推荐方法、装置、电子设备、介质 - Google Patents

Abstract

本申请涉及数据处理及云技术的技术领域，公开了一种用户行为模式的挖掘及推荐方法、装置、电子设备、介质，该用户行为模式的挖掘方法包括：获取用户的多个行为指标数据，其中，行为指标数据包括时间信息以及所述时间信息对应的行为数据指标值；基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据；基于各特征指标数据，挖掘用户的用户行为模式。利用本申请提供的方案通过数据计算获得用户行为模式，提升用户行为模式的识别精准度。

Description

用户行为模式的挖掘及推荐方法、装置、电子设备、介质

技术领域

本申请涉及数据处理及云技术的技术领域，具体而言，本申请涉及一种用户行为模式的挖掘及推荐方法、装置、电子设备、介质。

背景技术

用户行为模式的识别对于为用户提供更及时、准确的服务器推送以及引导开发人员改进服务功能具有积极作用。分析用户行为数据，如用户对应用程序的使用数据可以为挖掘用户行为行为模式提供依据。

现有技术往往直接利用收集到的用户行为数据进行聚类，获得相似的用户行为。但是由于用户行为数据中的噪点较大，噪点，如用户行为数据中的错误数据等，基于包含噪点的用户行为数据，利用传统方式得到的用户行为模式无法准确表征用户的行为特征，即得到的用户行为模式不够精准。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案，以提升用户行为模式的识别精准度。

本申请的一个方面，提供了一种用户行为模式的挖掘方法，包括：

获取用户的多个行为指标数据，其中，行为指标数据包括时间信息以及所述时间信息对应的行为数据指标值；

基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据；

基于各特征指标数据，挖掘用户的用户行为模式。

本申请的另一个方面，提供了一种基于用户行为模式的推荐方法，包括：

获取用户的多个行为指标数据，多个行为指标数据包括用户对应于应用程序的至少两种信息类别的行为指标数据；

按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

对于每种信息类别，基于该信息类别的各特征指标数据挖掘用户对应于该信息类别的用户行为模式，用户行为模式包括时序模式；

基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

本申请的另一个方面，提供了一种用户行为模式的挖掘装置，该装置包括：

行为指标数据获取模块，用于获取用户的多个行为指标数据，其中，行为指标数据包括时间信息以及时间信息对应的行为数据指标值；

特征指标数据确定模块，用于基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据；

用户行为模式挖掘模块，用于基于各特征指标数据，挖掘用户的用户行为模式。

本申请的再一个方面，提供了一种电子设备，包括存储器、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，处理器执行程序时实现本申请第一方面所示的用户行为模式的挖掘方法。

本申请的另一个方面，还提供了一种基于用户行为模式的推荐装置，包括：

第二行为指标数据获取模块，用于获取用户的多个行为指标数据，多个行为指标数据包括用户对应于应用程序的至少两种信息类别的行为指标数据；

划分模块，用于按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

第二特征指标数据确定模块，用于对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

第二用户行为模式挖掘模块，用于对于每种信息类别，基于该信息类别的各特征指标数据挖掘所述用户对应于该信息类别的用户行为模式，其中，用户行为模式包括时序模式；

第二推荐模块，用于基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

本申请的又一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请第一方面所示的用户行为模式的挖掘方法。

本申请提供的技术方案带来的有益效果是：

本申请提供的用户行为模式的挖掘方法，从用户的行为指标数据中确定能够表征用户行为特征的特征指标数据，基于特征指标数据挖掘用户行为模式，由于特征指标数据中包括表征用户行为特征的各特征值，以及能够确定用户行为的周期性特征的各特征值对应的时间信息，因此，基于特征指标数据可以准确地确定用户行为模式，而且，与直接利用行为指标数据确定用户行为模式的方式相比，利用特征指标数据的方式，对行为指标数据进行了筛选、剔除，减少了挖掘用户行为模式的数据处理量。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请一个实施例提供的用户行为模式的挖掘方法的流程图；

图2为本申请一实施例提供的用户的行为指标数据的示意图；

图3为本申请另一个实施例提供的用户的行为指标数据的示意图，其重点展示了按照指定时间周期分割用户的行为指标数据；

图4为本申请一个实施例提供的特征点的示意图；

图5为本申请一种实施例提供的用户行为模式的挖掘方法的时序图；

图6为本申请实施例提供的一种用户行为模式的挖掘装置的结构示意图；

图7为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像说明书里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

用户行为分析，是指在获得用户使用相关产品或执行指定操作的基本数据的情况下，对该基本数据进行统计、分析，从中发现用户使用相关产品或执行指定操作的规律。随着电子化技术的发展，挖掘并掌握用户行为模式可以帮助企业组织指定营销策略，改进产品体验，吸引用户使用，从而带来用户量的增长。但现有技术中，基于收集到的用户行为的基本数据无法得到准确的用户行为模式，虽然现有技术已有多种挖掘用户行为模式的方式，但是效果都不太理想。为了解决现有挖掘用户行为模式的方案中所存在的一个或多个问题，更好的满足实际需求，本申请提供了一种用户行为模式的挖掘方法。

本申请实施例所提供的方案可以由任一电子设备执行，如可以是终端设备，也可以是服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。对于现有技术中所存在的技术问题，本申请提供的用户行为模式的挖掘方法、装置、电子设备及存储介质，旨在解决现有技术的如上技术问题中的至少一项。

下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请实施例提供了一种可能的实现方式，如图1所示，提供了一种用户行为模式的挖掘方法的流程图，该方案可以由任一电子设备执行，可选的，可以在服务器端执行，例如，本申请实施例的方案可以是由可以与应用程序服务器通信的终端设备或者服务器执行，当然，也可以是由应用程序服务器执行，执行主体通过获取应用程序服务器的数据库中与用户行为相关的数据，实现对用户行为模式的挖掘。如图1中所示，该方法可以包括以下步骤：

步骤S110，获取用户的多个行为指标数据，其中，行为指标数据包括时间信息以及时间信息对应的行为数据指标值；

步骤S120，基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据；

步骤S130，基于各特征指标数据，挖掘用户的用户行为模式。

本申请提供的方案可以适用但不限于如下场景：在研究至少一个用户对某一产品和/或某一操作的行为模式时，电子设备，如服务器，接收到技术人员(如用户行为模式的分析人员)对用户行为模式的分析请求，服务器响应于该分析请求，电子设备获取后台(如：存储用户的行为指标数据的服务器或数据库)存储的用户的行为指标数据，用户的行为指标数据，是表征用户行为的指标数据。服务器获取到用户的行为指标数据之后，根据用户的行为指标数据确定其中能够表征用户行为特征的特征指标数据，其中，特征指标数据，是表征用户行为模式的特征数据。基于特征指标数据挖掘用户的用户行为模式，实现基于行为指标数据挖掘用户行为模式的目的。然后将用户行为模式发送到请求发送方。

用户的行为指标数据可以从存储有用户行为数据的数据库调取，用户的行为指标数据至少包括时间信息及时间信息对应的行为数据指标值，也就是，行为指标数据包括：各行为数据指标值、以及各行为数据指标值各自对应的时间，如：刷公交卡的行为，其对应的行为指标数据值可以为刷卡次数，各行为数据指标值对应的时间信息，则为刷卡时间，各行为数据指标值对应的时间信息可以为时刻，也可以是时间段，若为时刻，则行为指标数据表征用户在该时刻刷了公交卡，若为时间段，则行为指标数据表征用户在该时段刷公交卡的次数。

结合图2所示，图2为本申请一个实施例提供的用户的行为指标数据的示意图，该示意图通过二维坐标系的形式展现，二维坐标系的横坐标为时间，时间单位可以为天、月、年、小时、分钟、秒等，图2中展示的时间单位可以为天，二维坐标系的纵坐标为用户支付次数，该示意图展示了用户的行为指标数据中指标数据值随时间变化的情况，行为指标数据为该示意图上的坐标点，如第2天的用户支付次数为3，第3天对应的用户支付次数为2，两个行为指标数据之间通过直线连接，该直线的走势表征两个行为指标数据之间的趋势，如：第2天的用户支付次数与第3天的支付次数之间连接的直线走势表征支付次数有所下降。

根据行为指标数据中的时间信息确定各行为指标数据的时序信息，该时序信息能够表征各行为指标数据在时间上的先后关系。多个行为指标数据对应的时序信息包括该多个行为指标数据的时间信息，根据各时间信息对应的行为数据指标值，确定行为数据指标值中的特征值，再将该特征值对应的行为指标数据作为特征指标数据，特征值为行为数据指标值中的一个，且特征值能够表征用户行为特征的特征，该特征值可以为该多个行为指标数据对应的行为数据指标值中的最大/最小值，如：该特征可以是用户执行某一操作或使用某一产品的高峰期或低谷期等。特征指标数据包括各特征值以及各特征值对应的时间信息。

从用户的行为指标数据中筛选出能够表征用户行为特征的特征指标数据，实现对行为指标数据的筛选，减少噪声点对挖掘用户行为模式的影响，而且，基于表征用户行为特征的特征指标数据挖掘用户的用户行为模式，有利于获得精准的用户行为模式。另外，与行为指标数据的数据量相比，特征指标数据的数据量大大减少，与直接根据行为指标数据进行挖掘用户行为模式的方式相比，根据特征指标数据进行用户行为模式的挖掘，有利于快速获得精准的用户行为模式，减少在挖掘用户行为模式过程中的数据处理量，提高挖掘用户行为模式的效率。

基于特征指标数据挖掘用户的用户行为模式，由于特征指标数据包括特征值以及各特征值各自对应的时间，其实质为根据特征值及各特征值对应的时间挖掘用户的用户行为模式。特征值和特征值对应的时间分别能够表征用户行为特征和时序特征，根据用户的特征值和特征值对应的时间可以挖掘出用户行为模式中的周期性特征。

本申请提供的用户行为模式的挖掘方法，从用户的行为指标数据中确定能够表征用户行为特征的特征指标数据，基于特征指标数据挖掘用户行为模式，由于特征指标数据中包括表征用户行为特征的各特征值，以及能够确定用户行为的周期性特征的各特征值对应的时间信息，因此，基于特征指标数据可以准确地确定用户行为模式，而且，与直接利用行为指标数据确定用户行为模式的方式相比，利用特征指标数据的方式，对行为指标数据进行了筛选、剔除，减少了挖掘用户行为模式的数据量。

若用户行为数据分布较离散，直接对用户行为数据进行聚类，可能无法得到有效的聚类结果，进而无法找到用户行为数据的规律；而且，用户行为数据较多，直接对大量的用户行为数据进行聚类，不仅难以聚类，且聚类处理的数据量较大，无法高效获得用户行为数据中的规律。本申请提供的方案，首先从多个行为指标数据中筛选出能够表征用户行为特点的特征指标数据，再通过能够表征用户行为特点的特征指标数据挖掘用户行为模式，一方面基于特征指标数据能够准确表征用户行为特征，另一方面，大大降低了挖掘用户行为模式的基础数据量，有利于提升获得用户行为模式的效率。

为了更清楚本申请提供的用户行为模式的挖掘方案及其技术效果，接下来以多个实施例对其具体实施方案进行详细阐述。

在一种可选实施例中，基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，可以通过如下方式获得，包括：

基于时间信息，对多个行为指标数据进行划分，得到多个时间周期对应的行为指标数据；

对于每个时间周期，基于属于该时间周期的各行为指标数据对应的时序信息，确定每个时间周期的各行为数据指标值中的特征值。

当行为指标数据对应的时间信息的长度较长，时间信息对应的数据指标值较多时，直接针对所有的行为指标数据进行特征指标数据的处理及用户行为模式的挖掘会产生较大的数据处理量，为了降低数据处理量，本申请可选实施例提供了如下方案来确定行为数据指标值中的特征值，可以包括：

按照多个行为指标数据对应的时序信息，对多个行为指标数据进行分割，得到多个时间周期对应的行为指标数据；

对于每个时间周期，基于属于该时间周期的各行为指标数据对应的时序信息，确定每个时间周期的各行为数据指标值中的特征值。

按照预设时间周期对行为指标数据进行分割，将行为指标数据分割为多个时间周期对应的行为指标数据。在该种情况下，针对每个时间周期内的行为指标数据，基于该时间周期内的各行为指标数据的时间信息以及对应的行为数据指标值的大小，确定每个时间周期的各行为数据指标值中的特征值。然后将该特征值对应的行为指标数据作为该时间周期内的特征指标数据。

结合图3所示，图3为本申请一个实施例提供的用户的行为指标数据的示意图，图3与图2展示的是相同的行为指标数据，与图2相比，图3还展示了按照指定时间周期分割用户的行为指标数据，图2展示了按照行为数据指标值分割用户的行为指标数据，在图3中，以天作为时间周期对行为指标数据进行分割，并且标识了每个行为指标数据中的行为数据指标值，例如，第4天的行为数据指标值为1，第5天的行为数据指标值为5等，若对应的操作为支付操作的次数，则行为指标数据表征第4天执行了1次支付操作，第5天执行了5次支付操作。

在该实施例提供的方案的基础上，S130提供的基于各特征指标数据，挖掘用户的用户行为模式，可以通过如下方式进行：基于各时间周期对应的特征指标数据，挖掘用户的用户行为模式。

基于行为指标数据中各时间周期对应的特征指标数据，挖掘用户行为模式，若每个时间周期内对应有一个特征指标数据，则利用与时间周期同等数量的特征指标数据挖局用户行为模式，由于特征指标数据能够表征所属时间周期内的用户行为特征，利用所有时间周期对应的特征指标数据能够表征整体上用户行为特征，得到用户行为模式。

本申请实施例提供的方案，对行为指标数据按照时间周期进行划分，得到每个时间周期内的特征指标数据，并利用各时间周期对应的特征指标数据挖掘用户行为模式，能够高效获得能够表征用户行为特征的特征指标数据，而且，有利于减少挖掘用户行为模式中的数据处理量。

本申请还提供了一种可选实施例，用于基于各特征指标数据，挖掘用户的用户行为模式，该种方案可以适用于利用时间周期划分行为指标数据的方案中，也适用于未进行行为指标数据划分的方案中，可以包括：

基于各特征指标数据的时间信息，确定用户行为的时序特征；

基于各特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征；

基于该时序特征和行为特征挖掘用户行为模式。

结合图2及图3所示，若特征指标数据的时间信息分别对应为：第2天、第5天、第8天、第11天、第14天、第16天，那么根据该时间信息确定的用户行为的时序特征可以为时间周期为间隔3天或者行为指标数据的第2天、第5天、第8天、第11天、第14天、第16天出现特征值。

基于特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征，同样结合图2及图3所示，特征指标数据对应的特征值为相邻若干个时间周期的局部峰值，表明用户行为的行为特征为：在特征指标数据的时间信息出现指定操作的执行高峰期。

基于时序特征和行为特征挖掘用户行为模式，如：每间隔3天出现一次指定操作的执行高峰期，若指定操作为支付操作，则用户行为模式为每间隔3天出现一次支付操作的执行高峰期。

可选地，基于各特征指标数据的时间信息，确定用户行为的时序特征，可以通过如下方式进行：

基于各特征指标数据的时序信息，确定时间上相邻的特征指标数据之间的时间差值，时序特征包括各时间差值；

同样地，基于各特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征，可以通过如下方式实现：

基于各特征指标数据的时间信息，计算时间上相邻的特征值之间的指标差值，行为特征包括各指标差值。

本申请提供的确定时序特征及行为特征的方案可以适用于对行为指标数据进行时间周期的划分与不划分的方案，因此，该实施例中提供的：时间上相邻的特征指标数据，包括不划分时间周期的方案中的相邻特征指标数据，也包括划分时间周期的方案中相邻时间周期对应的各特征指标数据。

结合图2至图3展示的行为指标数据的示意图阐述本方案，特征指标数据的时序信息为：第2天、第5天、第8天、第11天、第14天、第16天，确定时间上相邻的特征指标数据之间的时间差值，依次为：3天、3天、3天、3天、2天，该时间差值可以作为特征指标数据的时序特征。时间上相邻的行为数据指标值之间的指标差值分别为：2、1、2、1、2，该指标差值可以作为用户的行为特征。

本申请实施例提供的方案获得特征指标数据之间的时间差值及指标差值，用时间差值可以表征用户的时序特征，用指标差值可以表征用户的行为特征，挖掘出了用户的行为指标数据中的时序特征和行为特征，基于时序特征和行为特征有利于获得准确的用户行为模式。

图2及图3示意的是每个时间周期中最多存在一个特征指标数据，但特征指标数据的选取条件可以调整，随着特征指标数据的选取条件的调整，一个时间周期内的特征指标数据可以超过一个，该种情况下，本申请提供了一种可选实施例，以确定时间上相邻的特征指标数据之间的时间差值，可以包括：

对于每两个时间相邻的时间周期，确定两个时间周期中属于不同周期的特征指标数据之间的时间差值。

该种情况下，基于各特征指标数据的时间信息，计算时间上相邻的特征值之间的指标差值，可以通过如下方式获得：

对于每两个时间相邻的时间周期，确定两个时间周期中属于不同周期的特征值之间的指标差值。

该方案，实质为：获得当期时间周期对应的各特征指标数据与相邻时间周期对应的各特征指标数据的时间差值；获得当前时间周期内的各特征指标数据与相邻时间周期内的各特征指标数据之间的指标差值。

示例如下：若当前时间周期a内有1个特征指标数据A，当前时间周期的相邻时间周期b内有2个特征指标数据B和C，那么相邻时间周期内各特征指标数据之间的时间差值/指标差值为特征指标数据A和B、A和C之间的时间差值/指标差值。若当前时间周期a内有2个特征指标数据A和D，当前时间周期的相邻时间周期b内有2个特征指标数据B和C，那么相邻时间周期内各特征指标数据之间的距离为特征指标数据A和B、A和C、D和B、D和C之间的时间差值/指标差值。若当前时间周期a内有2个特征指标数据A和D，当前时间周期的相邻时间周期b内有1个特征指标数据B，那么相邻时间周期内各特征指标数据之间的距离为特征指标数据A和B、D和B之间的时间差值/指标差值。

本申请实施例提供的方案，针对一个时间周期内存在超过一个特征指标数据的情况下确定相邻时间周期内各特征指标数据之间的距离的方案，有利于获得用户行为模式的周期性小于上述预设时间周期，获得用户行为模式中的更多周期性特征，如：预设时间周期为天，可以获得用户行为模式中每天的周期性特征，还可以获得每周或每年的周期性特征。

在获得用户行为的时序特征和行为特征之后，本申请一种可选实施例还提供了一种基于时序特征和行为特征挖掘用户行为模式的方案，可以包括：

A1，对所述时间差值和/或指标差值进行聚类处理，获得聚类结果；

A2，根据该聚类结果确定用户行为模式。

本申请实施例提供了至少如下三种方式来获得聚类结果：其一，对时间差值进行聚类，获得聚类结果；其二，对指标差值进行聚类，获得聚类结果；其三，对时间差值和指标差值进行聚类，获得聚类结果。

示例性地，针对按照时间对各特征指标数据之间的时间差值或指标差值进行聚类，获得聚类结果，如：特征指标数据A、B、C的特征值对应的时间分别为第1天，第3天，第5天，第9天，那么时间上相邻的特征指标数据之间的时间差值包括2、2、4，对该时间差值进行聚类处理，得到聚类结果，聚类结果可以为：相同时间差值为一种聚类结果，如时间差值为2作为一种聚类结果。

按照时间差值、指标差值对所有相邻时间周期内的各特征指标数据之间的距离进行聚类，将相同时间差值或指标差值作为同一类别，则可以直接得到用户对某一指定操作在执行时间或执行次数的特征。

聚类结果与用户行为模式之间对应关系，与执行的指定操作有关，如执行的操作是访问后台，聚类结果是表征时间差值同样是2的距离为同一类别，那么用户行为模式可以是相隔2个小时出现访问后台的高峰或低谷。在用户利用应用程序进行支付的实际场景中，按照支付操作的时间差值进行聚类，得到的聚类结果可能存在如下情况：类别一对应的时间差值为5、类别二对应的时间差值为7、类别三对应的时间差值为30等，这里时间差值的单位可以为天，时间差值为5表明时间相隔5天出现相似的支付行为，该支付行为可以为支付高峰期，对应的用户行为模式是每隔5天，用户出现支付高峰期。

本申请实施例提供的方案，对各特征指标数据之间的距离进行聚类，可以把不符合距离规律的噪声点去除，而且，根据聚类结果能够直接确定行为指标数据的时序特征或行为特征，有利于快速获得用户行为模式。

一种可选实施例中，S120提供的基于所述多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据，可以通过如下方式实现，包括：

B1，对于任一行为数据指标值，若该行为数据指标值大于前一行为数据指标值、且大于其后一行为数据指标值，则将该行为数据指标值确定为特征点；

B2，基于各特征点确定为特征指标数据。

本申请实施例提供的方案，根据行为数据指标值以及对应的时间确定特征指标数据，根据时间信息确定某一行为指标数据在时间上的前一时刻及后一时刻对应的行为数据指标值，对比当前时刻对应的行为数据指标值与前一时刻对应的行为数据指标值以及后一时刻对应的行为数据指标值，若当前时刻对应的行为数据指标值大于其前后时刻对应的行为数据指标值，则将该时刻对应的行为指标数据确定为特征点，也就是将该时刻对应的行为数据指标值时间确定为特征点。可选地，这里所说的时刻，也可以为时间段，时间可以作为时刻和时间段的统称。

按照上述方式获得行为指标数据中的特征点，结合图4所示，图4展示的是一种实施例提供的特征点的示意图，该图中展示的行为指标数据与图3中展示的行为指标数据一致，图4中的特征点对应的特征值分别为3、5、6、8、7、9。

特征点为表征用户行为特征的特征值，用户的特征指标数据可以从多个该特征点中筛选得到，也可以将该特征点作为用户的特征指标数据，以基于用户的特征指标数据挖掘用户行为模式。

一种可选实施例提供了一种基于特征点确定特征指标数据的方式，包括：

B21，对于任一特征点，基于该特征点、以及时间上与该特征点相邻的行为数据指标值，确定该特征点的指标值变化率；

B22，将各特征点中指标值变化率大于设定值的各特征点确定为特征指标数据。

针对任一特征点，根据该特征点的特征值以及时间上与该特征点相邻的行为数据指标值，计算该特征点的特征值与相邻时间对应的行为数据指标值的指标差值，计算该特征点与相邻时间之间的时间差值，基于该时间差值及指标差值确定该特征点的指标值变化率，如：在1分钟内，用户支付笔数从10笔达到50笔，又下降到20笔，则特征点对应的行为数据指标值为50笔，指标值变化率可以为：一分钟内30笔。

根据实际情况预先设定指标值变化率，获得各特征点对应的指标值变化率，将各特征点中指标值变化率大于设定值的各特征点确定为表征用户特征的特征指标数据。

可以根据实际情况调整指标值变化率，还可以通过调整指标值变化率来调整特征指标数据的数量以及位置，若行为指标数据的时间周期较长，则可以通过调高指标值变化率，减少特征指标数据的数量，可以更加直观地看到更长时间维度上，行为指标数据在时间上的规律。

本申请实施例提供的方案，将行为数据指标值大于其前后行为数据指标值，且指标值变化率大于设定值的行为指标数据确定为特征指标数据，筛选出的特征指标数据保留了行为指标数据的时序特征，而且满足指标值变化率，即满足行为指标数据的变化率趋势，更加能够表征用户行为特点。

一种可选实施例中，提供了一种确定特征点的指标值变化率的方案，包括：

基于该特征点以及时间上与该特征点相邻的行为数据指标值，确定该特征点的指标值变化率。

获得特征点对应的时间，以及与该时间相邻的相邻时间，获得特征点对应的行为数据指标值，以及相邻时间对应的行为数据指标值，根据特征点对应的行为数据指标值与相邻时间对应的行为数据指标值之差的绝对值以及时间差确定该特征点的指标值变化率。

若与该时间相邻的相邻时间对应的行为数据指标值有2个，则对应获得两个指标值变化率，可以将较大的指标值变化率作为该特征点的指标值变化率。

一种可选实施例中，获取用户的行为指标数据，可以通过如下方式进行，包括：

C1，获取用户的行为模式分析请求，其中，分析请求中包含指定时段和/或指定操作类型；

C2，基于该分析请求，获取对应于该指定时段和/或指定操作类型的用户的行为指标数据。

其中，C1中的用户可以为任一执行过指定操作类型的用户，且后台已存储该用户在指定时段的数据，或者执行指定操作类型的数据。服务器接收到对用户的行为模式分析请求，该请求中可以为对该用户在指定时段内执行各操作类型的分析请求，或者该用户执行指定操作类型的分析请求，或者该用户在指定时段内执行指定操作类型的分析请求。

服务器解析该分析请求，获得分析请求中所包含的时段和/或指定操作类型，从后台或数据库获取对应于该指定时段和/或指定操作类型的用户的行为指标数据，以基于该行为指标数据，执行步骤S110至S130挖掘用户行为模式。

按照上述实施例提供的方案挖掘出用户行为模式之后，可以根据用户行为模式进行数据分析，或者基于用户行为模式制定相应的营销策略制定等场景。

为了更好地阐述本申请提供的用户行为模式的挖掘方法，结合图5所示的用户行为模式的挖掘方法的时序图进行说明。

某一用户，如研发人员向服务器中请求某一使用者使用某一产品或执行某一指定操作的用户行为模式，服务器接收该请求，利用存储器中的分析程序解析该请求，获得请求中的使用者信息、指定时段和/或指定操作，基于使用者信息、指定时段和/或指定操作向存储用户行为数据的数据仓库调取该使用者的行为指标数据(对应于图5中的用户行为数据)。

调取与该用户使用该产品或指定操作相关的行为指标数据之后，执行分析程序实现操作：按照预设时间周期，如：小时、天、周、月等，切割行为指标数据，获得划分为多个时间周期的行为指标数据，获得每个时间周期内对应的行为指标数据，按照预设筛选方式筛选出每个时间周期内的特征指标数据(对应于图5中的毛刺点)，预设筛选方式可以为：在当前时间周期内，某一时刻的特征值大于其两侧的值，出现局部峰值，且峰值的变化率大于一定值，则将该时刻的峰值作为特征值，基于该特征值确定对应的特征指标数据。计算相邻时间周期内对应的特征指标数据之间的距离，如时间差值或/和指标差值，并保存特征指标数据的时间及特征值，最后，将相邻时间周期对应的各特征指标数据对应的所有距离进行聚类，得到能够表征用户的时序特征及行为特征的时序模式，根据时序模式确定用户行为模式，并将用户行为模式下发至请求发送端。

值得说明的是，上述实施例中的行为指标数据可以是用户对应于应用程序的行为指标数据，本申请提供的获取用户的多个行为指标数据，可以通过如下方式获取：

基于用户的用户标识，从应用程序的数据仓库中获取用户的多个行为指标数据，其中，数据仓库用于关联存储各用户的用户标识与各用户所对应的行为指标数据。

其中，用户仓库中存储有用户对应的至少一个应用程序的行为指标数据，包括使用该至少一个应用程序的用户对应的用户标识，以及与该用户标识相关联的行为指标数据。预先将用户对应于应用程序的多个行为指标数据存储在数据仓库中，便于直接从数据仓库调取用户使用某一应用程序的行为指标数据，提高获得行为指标数据的效率。

上述任一实施例提供的行为指标数据还可以进一步细分，若行为指标数据中包括至少两种信息类别对应的行为指标数据时，本申请提供的用户行为模式的挖掘方法中，步骤S120提供的基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据，还可以通过如下方式实现：

按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据。

在实际应用中，对于每个应用程序而言，应用程序内通常会为用户提供多种信息类别的数据，比如，对于外卖类应用程序可以为用户提供餐饮数据、水果数据、药品数据等；对于多媒体应用程序，可以为用户提供音乐、视频等多种信息类别的数据。为了针对该应用程序获得更为细致的用户行为模式，则首先按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据。

需要说明的是，对于应用程序中信息类别的划分方式，本申请实施例不做限定，可以根据实际需求进行划分，不同类别的应用程序划分的方式也可以有所不同，比如：针对用户在支付类应用程序上的支付行为，在该种行为下，信息类别可以包括：对饮食费用的支付、对交通费用的支付、对衣物费用的支付等，还可以对其中一种信息类别进一步细分，如对饮食费用的支付还可以划分为对餐费的支付、对水果费用的支付、对甜点费用的支付等。并按照这种信息类别对用户的多个行为指标数据进行划分，得到每种信息类别对应的多个行为指标数据。

为了获取用户对应于每种信息类别的用户行为模式，以便为用户提供更加准确、个性化的推荐内容，本申请实施例中，在得到用户对应于各信息类别的多个行为指标数据之后，可以针对每种信息类别，获得该信息类别对应的多个行为指标数据对应的时序信息，如：对支付饮食费用的时间信息按序排列获得该种信息类别对应的行为指标数据对应的时序信息。可以按照上述实施例提供的确定行为数据指标值中的特征值的方案确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据，如：在某周六用户支付饮食费用的金额远大于周五及周日的费用，可以将该周六支付的饮食费用作为支付饮食费用的其中一个特征指标数据。

在此基础上，本申请步骤S130提供的基于各特征指标数据，挖掘用户的用户行为模式，包括：

对于每种信息类别，基于该信息类别的各特征指标数据挖掘用户对应于该信息类别的用户行为模式，其中，用户行为模式包括时序模式。

获得每个信息类别对应的特征指标数据之后，基于该特征指标数据挖掘用户对应于该信息类别的用户行为模式，如：支付饮食费用的特征指标数据为：每周六出现一个特征值，即每隔7天出现一次支付饮食费用的高峰期，对于支付饮食费用的信息类别，时序模式是7天为一个周期，且特征值发生在每周六，基于时序模式进行信息推荐时，如可以在每周五或周六为用户推荐饮食相关信息。在此基础上，结合对特征值的挖掘，即对饮食支付费用的数据进行分析，可以得到该用户对于饮食费用的支付模式，为每个月出现的4次特征点中，支付费用依次降低，在进行信息推荐时，根据推荐时刻的时间信息，如：处于当前月份的第几周，向用户推荐合适价位的饮食信息。

按照上述实施例提供的方案获得用户行为模式之后，本申请一种可选实施例提供的用户行为模式的挖掘方法，还包括：

基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

示例如下：可以根据用户的使用时间，如中午、下午、晚上等，即可确定与该使用时间相匹配的应用程序中相应信息类别的至少一个时序模式，向用户推荐与该使用时间对应的时序模式对应的饮食信息，如：推荐正餐、下午茶、宵夜等。

应用程序对应的时序模式有多个时，如：对于外卖类应用程序可以对应的信息类别数据包括餐饮数据、水果数据、药品数据等，每种数据均对应有相应的时序模式，首先，根据用户对该应用程序的使用时间及这些时序模式，确定与该使用时间相匹配的时序模式，然后针对匹配的时序模式确定相对应的信息类别的相关信息，如：当前使用时间是下午3点，餐饮数据、水果数据及药品数据对应的时序模式中，只有餐饮数据的时序模式与该使用时间相匹配，且餐饮数据对应的时序模式中存在3点钟点下午茶的行为，则向用户推荐下午茶的相关信息。

可以理解，在没有与使用时间匹配的时序模式时，可以按照现有技术的推荐策略或者按照其他预配置的推荐策略推荐相关信息。

在上述实施例提供的用户行为模式的挖掘方法的基础上，本申请一种可选实施例还提供了一种基于用户行为模式的推荐方法，包括：

D1，获取用户的多个行为指标数据，其中，多个行为指标数据包括用户对应于应用程序的至少两种信息类别的行为指标数据；

D2，按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

D3，对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

D4，对于每种信息类别，基于该信息类别的各特征指标数据挖掘用户对应于该信息类别的用户行为模式，其中，用户行为模式包括时序模式；

D5，基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

可以从存储有用户标识以及用户对应于应用程序的行为指标数据的数据仓库获得包含有至少两种信息类别的多个行为指标数据。对于每个应用程序而言，应用程序内通常会为用户提供多种信息类别的数据，例如，针对用户在支付类应用程序上的支付行为，在该种行为下，信息类别可以包括：对饮食费用的支付、对交通费用的支付、对衣物费用的支付等，还可以对其中一种信息类别进一步细分，如对饮食费用的支付还可以划分为对餐费的支付、对水果费用的支付、对甜点费用的支付等。

为了针对应用程序获得更为细致的用户行为模式，可以按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据。对于信息类别的划分方式，可以根据实际需求进行划分，不同类别的应用程序划分的方式可以有所不同，本申请实施例不做限制。

为了获取用户对应于每种信息类别的用户行为模式，以便为用户提供更加准确、个性化的推荐内容，本申请实施例中，在得到用户对应于各信息类别的多个行为指标数据之后，可以针对每种信息类别，获得该信息类别对应的多个行为指标数据对应的时序信息，如：对支付饮食费用的时间信息按序排列获得支付饮食费用对应的时序信息。可以按照上述实施例提供的确定行为数据指标值中的特征值的方案确定各信息类别对应的各行为数据指标值中的特征值，如：某周六用户支付饮食费用的金额远大于周五及周日的费用，可以将该周六支付的饮食费用作为支付饮食费用的一个特征值。

在此基础上，对于每种信息类别，基于该信息类别的各特征指标数据挖掘用户对应于该信息类别的用户行为模式，其中，用户行为模式包括时序模式。

获得每个信息类别对应的特征指标数据之后，基于该特征指标数据挖掘用户对应于该信息类别的用户行为模式，如：支付饮食费用的特征指标数据为：每周六出现一个特征值，可以为每隔7天出现一次支付饮食费用的高峰期，对于饮食费用的支付这一信息类别，时序模式是7天为一个周期，且特征值发生在每周六。在此基础上，结合对特征值的挖掘，即对饮食支付费用的数据分析，可以得到该用户对于饮食费用的支付模式，为每个月出现的4次特征值中，随着时间增长支付费用依次降低。

获得用户行为模式之后，基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

示例如下：用户在外卖类应用程序中对应有2种信息类别，一种是支付饮食费用类别，对应的用户行为模式为：每周六发生一次支付高峰，检测到用户在使用外卖类应用程序的使用时间为周五，另一种是支付水果费用类别，对应的用户行为模式为：每周四出现一次对水果的支付。根据用户对该外卖类应用程序的使用时间首先确定与该使用时间相匹配的时序模式，根据相匹配时序模式为用户推荐该时序模式对应的信息类别的信息，如：当前使用时间为周五，确定与该使用时间相匹配的时序模式为支付饮食费用的时序模式，则为用户推荐与饮食相关的信息，还可以结合当前使用时间处于本月的第几个周，推荐与用户支付费用相匹配的饮食信息，还可以对使用时间进一步细化，根据用户对相关应用程序的使用时间的时段，如：中午、下午、晚上等，向用户推荐与该使用时间及时序模式对应的饮食信息，如：推荐正餐、下午茶、宵夜等。

可以理解，在没有与使用时间匹配的时序模式时，可以按照现有技术的推荐策略或者按照其他预配置的推荐策略推荐相关信息。

本申请实施例提供的推荐方案，基于用户行为模式以及用户对应用程序的使用时间为用户推荐与使用时间、用户行为模式相对应的该信息类别的相关信息，实现精准推荐，有利于提升推荐信息被用户采纳的概率，而且能够提升用户体验。

为了更好地阐述本申请提供的挖掘方法和推荐方法，下面结合两个示例对本申请实施例所提供的方案进行进一步说明：

示例一

本实施例的应用场景是支付操作，支付操作的行为指标数据包括支付时间及支付金额/支付次数，行为指标数据中的特征值为支付峰值，该支付峰值为支付金额的峰值，或预设时段内支付次数的峰值。用户行为模式可以为支付操作在时间上的周期性规律，支付金额与时间的周期性规律，或者支付次数在时间上的周期性规律。具体如下：

获取用户的支付时间、支付次数，将支付时间按照小时进行分段，统计获得每小时发生的支付次数，根据相邻每小时发生的支付次数确定支付次数的峰值，计算相邻两个支付次数的峰值在时间上的距离，得到支付峰值发生的支付周期，可以为每隔8小时出现一次支付峰值，计算相邻两个支付次数的峰值在支付次数上的距离，得到支付次数上的规律，可以为每隔8小时比前次多支付2次。可以根据支付周期以及支付次数上的规律为用户推荐符合该支付周期及支付次数规律的信息。

示例二

本实施例的应用场景是对用户使用外卖类应用程序的信息推荐，在该场景中包括如下两种信息类别的行为指标数据：支付饮食费用和支付水果费用分别对应的行为指标数据，支付饮食费用的行为指标数据包括支付时间及支付金额，对应的特征值为支付金额的峰值，时序模式为支付饮食费用在时间上的规律，支付水果费用对应的行为指标数据类似，不再赘述。具体如下：

检测到用户当前使用外卖类应用程序的使用时间是周五，结合支付饮食费用的时序模式：每周六发生一次支付高峰，以及支付水果费用的时序模式：每周四发生一次支付高峰。当前使用时间为周五，则确定与该使用时间相匹配的时序模式为每周六发生的支付高峰，与该时序模式相对应的信息类别是支付饮食费用，则向用户推荐与饮食相关的信息。这种推荐方案有利于提高用户采纳推荐信息的概率，提高推荐信息的转化率，减少用户花费在应用程序上的时间，提升用户体验。

基于与本申请实施例所提供的方法相同的原理，本申请实施例还提供了一种用户行为模式的挖掘装置600，如图6所示，该装置可以包括：行为指标数据获取模块610、特征指标数据确定模块620、用户行为模式挖掘模块630，其中：

行为指标数据获取模块610，用于获取用户的多个行为指标数据，其中，行为指标数据包括时间信息以及时间信息对应的行为数据指标值；

特征指标数据确定模块620，用于基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据；

用户行为模式挖掘模块630，用于基于各特征指标数据，挖掘用户的用户行为模式。

本申请提供的用户行为模式的挖掘装置，从用户的行为指标数据中确定能够表征用户行为特征的特征指标数据，基于特征指标数据挖掘用户行为模式，由于特征指标数据中包括表征用户行为特征的各特征值，以及能够确定用户行为的周期性特征的各特征值对应的时间信息，因此，基于特征指标数据可以准确地确定用户行为模式，而且，与直接利用行为指标数据确定用户行为模式的方式相比，利用特征指标数据的方式，对行为指标数据进行了筛选、剔除，减少了挖掘用户行为模式的数据量。

可选地，多个行为指标数据包括用户对应于应用程序的至少两种信息类别的行为指标数据；特征指标数据确定模块620，具体用于：

按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

用户行为模式挖掘模块630，具体用于：

对于每种信息类别，基于该信息类别的各特征指标数据挖掘用户对应于该信息类别的用户行为模式，用户行为模式包括时序模式；

用户行为模式的挖掘装置600，还包括推荐模块；

推荐模块，用于基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

可选地，用户行为模式挖掘模块630，具体用于：

基于所述时间信息，对所述多个行为指标数据进行划分，得到多个时间周期对应的行为指标数据；

对于每个时间周期，基于属于该时间周期的各行为指标数据对应的时序信息，确定每个时间周期的各行为数据指标值中的特征值；

所述基于各所述特征指标数据，挖掘所述用户的用户行为模式，包括：

基于各所述时间周期对应的特征指标数据，挖掘所述用户的用户行为模式。

可选地，用户行为模式挖掘模块630，还用于：

基于各所述特征指标数据的时间信息，确定用户行为的时序特征；

基于各所述特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征；

基于所述时序特征和所述行为特征挖掘所述用户行为模式。

可选地，用户行为模式挖掘模块630，还用于：基于各所述特征指标数据的时序信息，确定时间上相邻的特征指标数据之间的时间差值，所述时序特征包括各所述时间差值；

所述基于各所述特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征，包括：

基于各所述特征指标数据的时间信息，计算时间上相邻的特征值之间的指标差值，所述行为特征包括各所述指标差值。

可选地，用户行为模式挖掘模块630，还用于：

对于每两个时间相邻的时间周期，确定两个时间周期中属于不同周期的特征指标数据之间的时间差值；

所述基于各所述特征指标数据的时间信息，计算时间上相邻的特征值之间的指标差值，包括：

对于每两个时间相邻的时间周期，确定两个时间周期中属于不同周期的特征值之间的指标差值。

可选地，用户行为模式挖掘模块630，还用于：

对所述时间差值和/或所述指标差值进行聚类处理，获得聚类结果；

根据所述聚类结果确定用户行为模式。

可选地，确定特征指标数据模块620，用于：

对于任一所述行为数据指标值，若该行为数据指标值大于其前一行为数据指标值、且大于其后一行为数据指标值，则将该行为数据指标值确定为特征点：

基于各所述特征点确定为所述特征指标数据。

可选地，特征指标数据确定模块620，还用于：

对于任一所述特征点，基于该特征点、以及时间上与该特征点相邻的行为数据指标值，确定该特征点的指标值变化率；

将各所述特征点中指标值变化率大于设定值的各特征点确定为所述特征指标数据。

可选地，行为指标数据获取模块610，具体用于：

获取用户的行为模式分析请求，其中，所述分析请求中包含指定时段和/或指定操作类型；

基于所述分析请求，获取对应于所述指定时段和/或所述指定操作类型的用户的行为指标数据。

可选地，行为指标数据为用户对应于应用程序的行为指标数据，行为指标数据获取模块610，具体用于：

基于所述用户的用户标识，从所述应用程序的数据仓库中获取所述用户的多个行为指标数据，其中，所述数据仓库用于关联存储有各用户的用户标识与各用户所对应的行为指标数据。本申请实施例的用户行为模式的挖掘装置可执行本申请实施例所提供的用户行为模式的挖掘方法，其实现原理相类似，本申请各实施例中的用户行为模式的挖掘装置中的各模块、单元所执行的动作是与本申请各实施例中的用户行为模式的挖掘方法中的步骤相对应的，对于用户行为模式的挖掘装置的各模块的详细功能描述具体可以参见前文中所示的对应的用户行为模式的挖掘方法中的描述，此处不再赘述。

本申请一种实施例还提供了一种基于用户行为模式的推荐装置，包括：

第二行为指标数据获取模块，用于获取用户的多个行为指标数据，多个行为指标数据包括用户对应于应用程序的至少两种信息类别的行为指标数据；

划分模块，用于按照信息类别对多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

第二特征指标数据确定模块，用于对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

第二用户行为模式挖掘模块，用于对于每种信息类别，基于该信息类别的各特征指标数据挖掘所述用户对应于该信息类别的用户行为模式，其中，用户行为模式包括时序模式；

第二推荐模块，用于基于用户对于应用程序的使用时间，确定与使用时间匹配的至少一个时序模式，基于确定的时序模式和使用时间，为用户推荐所确定的时序模式对应的信息类别的相关信息。

基于与本申请的实施例中所示的方法相同的原理，本申请的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本申请任一可选实施例所示的用户行为模式的挖掘方法。与现有技术相比，本申请从用户的行为指标数据中确定能够表征用户行为特征的特征指标数据，基于特征指标数据挖掘用户行为模式，由于特征指标数据中包括表征用户行为特征的各特征值，以及能够确定用户行为的周期性特征的各特征值对应的时间信息，因此，基于特征指标数据可以准确地确定用户行为模式，而且，与直接利用行为指标数据确定用户行为模式的方式相比，利用特征指标数据的方式，对行为指标数据进行了筛选、剔除，减少了挖掘用户行为模式的数据量。

在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备4000可以为服务器，包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。

处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

本申请提供的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

其中，本申请提供的用户行为模式的挖掘方法，还可以通过云计算的方式实现，云计算(cloud computing)指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。云计算是网格计算(Grid Computing)、分布式计算(DistributedComputing)、并行计算(ParallelComputing)、效用计算(Utility Computing)、网络存储(Network StorageTechnologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。

随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。

本申请提供的用户行为模式的挖掘方法，可以实现根据用户的行为指标数据对用户行为模式的自动挖掘。该种方案还可以通过人工智能云服务实现，人工智能云服务，一般也被称作是AIaaS(AI as a Service，中文为“AI即服务”)。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。本申请中，可以利用平台提供的AI框架和AI基础设施来实现本申请提供的用户行为模式的挖掘方法。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

需要说明的是，本申请上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，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。而在本申请中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的用户行为模式的挖掘方法。

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申请的操作的计算机程序代码，上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)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，用户行为模式挖掘模块还可以被描述为“基于各特征指标数据，挖掘用户的用户行为模式模块”。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (15)

1.一种用户行为模式的挖掘方法，其特征在于，包括：

获取用户的多个行为指标数据，所述行为指标数据包括时间信息以及所述时间信息对应的行为数据指标值；

基于所述多个行为指标数据对应的时序信息，确定各所述行为数据指标值中的特征值，将各所述特征值对应的行为指标数据作为特征指标数据；

基于各所述特征指标数据，挖掘所述用户的用户行为模式。

2.根据权利要求1所述的方法，其特征在于，所述多个行为指标数据包括所述用户对应于应用程序的至少两种信息类别的行为指标数据；

所述基于所述多个行为指标数据对应的时序信息，确定各所述行为数据指标值中的特征值，将各所述特征值对应的行为指标数据作为特征指标数据，包括：

按照信息类别对所述多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

所述基于各所述特征指标数据，挖掘所述用户的用户行为模式，包括：

对于每种信息类别，基于该信息类别的各特征指标数据挖掘所述用户对应于该信息类别的用户行为模式，所述用户行为模式包括时序模式；所述方法，还包括：

基于所述用户对于所述应用程序的使用时间，确定与所述使用时间匹配的至少一个时序模式，基于所述确定的时序模式和所述使用时间，为所述用户推荐所确定的时序模式对应的信息类别的相关信息。

3.根据权利要求1所述的方法，其特征在于，所述基于所述多个行为指标数据对应的时序信息，确定各所述行为数据指标值中的特征值，包括：

基于所述时间信息，对所述多个行为指标数据进行划分，得到多个时间周期对应的行为指标数据；

对于每个时间周期，基于属于该时间周期的各行为指标数据对应的时序信息，确定每个时间周期的各行为数据指标值中的特征值；

所述基于各所述特征指标数据，挖掘所述用户的用户行为模式，包括：

基于各所述时间周期对应的特征指标数据，挖掘所述用户的用户行为模式。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于各所述特征指标数据，挖掘所述用户的用户行为模式，包括：

基于各所述特征指标数据的时间信息，确定用户行为的时序特征；

基于各所述特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征；

基于所述时序特征和所述行为特征挖掘所述用户行为模式。

5.根据权利要求4所述的方法，其特征在于，所述基于各所述特征指标数据的时间信息，确定用户行为的时序特征，包括：

基于各所述特征指标数据的时序信息，确定时间上相邻的特征指标数据之间的时间差值，所述时序特征包括各所述时间差值；

所述基于各所述特征指标数据的时间信息及对应的特征值，确定用户行为的行为特征，包括：

基于各所述特征指标数据的时间信息，计算时间上相邻的特征值之间的指标差值，所述行为特征包括各所述指标差值。

6.根据权利要求5所述的方法，其特征在于，所述多个行为指标数据包括多个时间周期对应的行为指标数据，所述特征指标数据包括对应于各时间周期的特征指标数据，所述基于各特征指标数据的时序信息，确定时间上相邻的特征指标数据之间的时间差值，包括：

对于每两个时间相邻的时间周期，确定两个时间周期中属于不同周期的特征指标数据之间的时间差值；

所述基于各所述特征指标数据的时间信息，计算时间上相邻的特征值之间的指标差值，包括：

对于每两个时间相邻的时间周期，确定两个时间周期中属于不同周期的特征值之间的指标差值。

7.根据权利要求5所述的方法，其特征在于，所述基于所述时序特征和所述行为特征挖掘所述用户行为模式，包括：

对所述时间差值和/或所述指标差值进行聚类处理，获得聚类结果；

根据所述聚类结果确定用户行为模式。

8.根据权利要求1所述的方法，其特征在于，所述基于所述多个行为指标数据对应的时序信息，确定各所述行为数据指标值中的特征值，将各所述特征值对应的行为指标数据作为特征指标数据，包括：

对于任一所述行为数据指标值，若该行为数据指标值大于其前一行为数据指标值、且大于其后一行为数据指标值，则将该行为数据指标值确定为特征点：

基于各所述特征点确定为所述特征指标数据。

9.根据权利要求8所述的方法，其特征在于，所述基于各所述特征点确定为所述特征指标数据，包括：

对于任一所述特征点，基于该特征点、以及时间上与该特征点相邻的行为数据指标值，确定该特征点的指标值变化率；

将各所述特征点中指标值变化率大于设定值的各特征点确定为所述特征指标数据。

10.根据权利要求1所述的方法，其特征在于，所述获取用户的行为指标数据，包括：

获取用户的行为模式分析请求，其中，所述分析请求中包含指定时段和/或指定操作类型；

基于所述分析请求，获取对应于所述指定时段和/或所述指定操作类型的用户的行为指标数据。

11.根据权利要求1所述的方法，其特征在于，所述行为指标数据为所述用户对应于应用程序的行为指标数据，所述获取用户的多个行为指标数据，包括：

基于所述用户的用户标识，从所述应用程序的数据仓库中获取所述用户的多个行为指标数据，其中，所述数据仓库用于关联存储有各用户的用户标识与各用户所对应的行为指标数据。

12.一种基于用户行为模式的推荐方法，其特征在于，包括：

获取用户的多个行为指标数据，所述多个行为指标数据包括所述用户对应于应用程序的至少两种信息类别的行为指标数据；

按照信息类别对所述多个行为指标数据进行划分，得到对应于每种信息类别的多个行为指标数据；

对于每种信息类别，基于该信息类别的多个行为指标数据对应的时序信息，确定该信息类别对应的各行为数据指标值中的特征值，将该信息类别对应的各特征值作为该信息类别对应的特征指标数据；

对于每种信息类别，基于该信息类别的各特征指标数据挖掘所述用户对应于该信息类别的用户行为模式，所述用户行为模式包括时序模式；

基于所述用户对于所述应用程序的使用时间，确定与所述使用时间匹配的至少一个时序模式，基于所述确定的时序模式和所述使用时间，为所述用户推荐所确定的时序模式对应的信息类别的相关信息。

13.一种用户行为模式的挖掘装置，其特征在于，包括：

行为指标数据获取模块，用于获取用户的多个行为指标数据，所述行为指标数据包括时间信息以及时间信息对应的行为数据指标值；

特征指标数据确定模块，用于基于多个行为指标数据对应的时序信息，确定各行为数据指标值中的特征值，将各特征值对应的行为指标数据作为特征指标数据；

用户行为模式挖掘模块，用于基于各特征指标数据，挖掘用户的用户行为模式。

14.一种电子设备，其特征在于，包括存储器、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，所述处理器执行所述程序时实现权利要求1-12中任一项所述的方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1-12中任一项所述的方法。

Images