CN115222112A - 一种行为预测方法、行为预测模型的生成方法及电子设备 - Google Patents

一种行为预测方法、行为预测模型的生成方法及电子设备 Download PDF

Info

Publication number
CN115222112A
CN115222112A CN202210769345.8A CN202210769345A CN115222112A CN 115222112 A CN115222112 A CN 115222112A CN 202210769345 A CN202210769345 A CN 202210769345A CN 115222112 A CN115222112 A CN 115222112A
Authority
CN
China
Prior art keywords
account
sample
target
probability value
characteristic
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
Application number
CN202210769345.8A
Other languages
English (en)
Inventor
刘懿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202210769345.8A priority Critical patent/CN115222112A/zh
Publication of CN115222112A publication Critical patent/CN115222112A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种行为预测方法、行为预测模型的生成方法及电子设备，该行为预测方法包括：获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征；通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值；基于概率值确定目标账户对目标对象执行预设行为的程度信息。本公开预测的目标账户对目标对象执行预设行为的程度信息可以应用于多个场景中，有助于提升推荐场景中对象推荐准确度，或者目标账户分析场景中对目标账户的分析准确度。

Description

一种行为预测方法、行为预测模型的生成方法及电子设备
技术领域
本公开涉及互联网技术领域，尤其涉及一种行为预测方法、行为预测模型的生成方法、装置、电子设备、存储介质及计算机程序产品。
背景技术
互联网资讯传播是在网络发展浪潮下涌现的新型资讯传播运作方式，相比传统媒体媒介资讯传播，互联网资讯传播拥有许多天然的优势。比如推荐针对性，这是互联网资讯传播占有绝对优势的天然特性，它可以基于每个消费者的特征信息，深入了解消费者偏好，精确推荐与之匹配的资讯信息。
相关技术中，通过预测模型对消费者进行二分类以实现精准推荐与消费者匹配的资讯信息，比如对消费者是否存在某种行为进行预测，将消费者分“可能存在此种行为”和“不存在此种行为”，然后对预测为“可能存在此种行为”的消费者进行相关资讯信息的推荐。但随着业务的发展，需要预测的不仅仅是“是否存在某种行为”，而是预测“存在多少这种行为”或者说“该行为的程度”，此时，这种传统的预测方法，不能对消费者具体行为的程度进行细分，导致资讯信息推荐效果不佳。目前已有一些方法来预测具体行为的程度，但都存在近似预测导致预测不准的问题。
发明内容
本公开提供一种行为预测方法、行为预测模型的生成方法及电子设备，本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种行为预测方法，包括：
获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征；
通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值；基于概率值确定目标账户对目标对象执行预设行为的程度信息。
在一些可能的实施例中，通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值，包括：
通过行为预测模型，对账户特征、第一对象特征和第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征；
对预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征进行特征提取，得到待预测特征；
对待预测特征进行预测，得到目标账户对目标对象执行预设行为的概率值。
在一些可能的实施例中，账户特征、第一对象特征和第二对象特征包括数值型特征和非数值型特征；
对账户特征、第一对象特征和第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征，包括：
分别对账户特征中的数值型特征、第一对象特征中的数值型特征和第二对象特征中的数值型特征进行归一化处理，得到归一化后的账户特征、归一化后的对象特征和归一化后的第二对象特征；
分别对账户特征中的非数值型特征、第一对象特征中的非数值型特征和第二对象特征中的非数值型特征进行离散化处理，得到离散化后的账户特征、离散化后的第一对象特征和离散化后的第二对象特征；
基于归一化后的账户特征和离散化后的账户特征，得到预处理后的账户特征；
基于归一化后的第一对象特征和离散化后的第一对象特征，得到预处理后的第一对象特征；
基于归一化后的第二对象特征和离散化后的第二对象特征，得到预处理后的第二对象特征。
在一些可能的实施例中，基于概率值确定目标账户对目标对象执行预设行为的程度信息，包括：
基于目标账户执行预设行为的概率值，确定目标账户不执行预设行为的概率值；
将目标账户执行预设行为的概率值与目标账户不执行预设行为的概率值之间的比值，确定为目标账户对目标对象执行预设行为的程度信息。
根据本公开实施例的第二方面，提供一种行为预测模型的生成方法，包括：
获取训练样本集合；训练样本集合包括多个训练样本，每个训练样本包括样本账户的账户特征、样本对象的第一对象特征、样本账户的历史交互样本对象的第二对象特征、样本账户对样本对象执行预设行为的实际程度信息，以及样本标签；
将样本账户的账户特征、样本对象的第一对象特征，以及历史交互样本对象的第二对象特征输入预设机器学习模型，得到样本账户对样本对象执行预设行为的预测概率值；
根据预测概率值、实际程度信息和样本标签，对预设机器学习模型进行训练，得到行为预测模型。
在一些可能的实施例中，根据预测概率值、实际程度信息和样本标签，对预设机器学习模型进行训练，得到行为预测模型，包括：
根据实际程度信息和样本标签，对预测概率值进行加权，得到加权后的预测概率值；
根据加权后的预测概率值和样本标签，确定损失值；
基于损失值对预设机器学习模型进行迭代更新，直至满足预设迭代结束条件，得到行为预测模型。
在一些可能的实施例中，样本标签包括正样本标签或负样本标签；
根据实际程度信息和样本标签，对预测概率值进行加权，得到加权后的预测概率值，包括：
若样本标签为正样本标签，根据训练样本集合中负样本数和总样本数确定负样本数占比；
根据实际程度信息和负样本数占比确定正样本权重值；
利用正样本权重值对预测概率值进行加权，得到加权后的预测概率值。
在一些可能的实施例中，根据实际程度信息和样本标签，对预测概率值进行加权，得到加权后的预测概率值，还包括：
若样本标签为负样本标签，利用预设的负样本权重值对预测概率值进行加权，得到加权后的预测概率值。
根据本公开实施例的第三方面，提供一种行为预测装置，包括：
获取模块，被配置为执行获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征；
处理模块，被配置为执行块通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值；基于概率值确定目标账户对目标对象执行预设行为的程度信息。
在一些可能的实施例中，处理模块，包括：
预处理子模块，被配置为执行通过行为预测模型，对账户特征、第一对象特征和第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征；
特征提取子模块，被配置为执行对预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征进行特征提取，得到待预测特征；
预测子模块，被配置为执行对待预测特征进行预测，得到目标账户对目标对象执行预设行为的概率值。
在一些可能的实施例中，账户特征、第一对象特征和第二对象特征包括数值型特征和非数值型特征；
预处理子模块，还被配置为执行分别对账户特征中的数值型特征、第一对象特征中的数值型特征和第二对象特征中的数值型特征进行归一化处理，得到归一化后的账户特征、归一化后的对象特征和归一化后的第二对象特征；分别对账户特征中的非数值型特征、第一对象特征中的非数值型特征和第二对象特征中的非数值型特征进行离散化处理，得到离散化后的账户特征、离散化后的第一对象特征和离散化后的第二对象特征；基于归一化后的账户特征和离散化后的账户特征，得到预处理后的账户特征；基于归一化后的第一对象特征和离散化后的第一对象特征，得到预处理后的第一对象特征；基于归一化后的第二对象特征和离散化后的第二对象特征，得到预处理后的第二对象特征。
在一些可能的实施例中，处理模块，还被配置为执行基于目标账户执行预设行为的概率值，确定目标账户不执行预设行为的概率值；将目标账户执行预设行为的概率值与目标账户不执行预设行为的概率值之间的比值，确定为目标账户对目标对象执行预设行为的程度信息。
根据本公开实施例的第四方面，提供一种行为预测模型的生成装置，包括：
获取模块，被配置为执行获取训练样本集合；训练样本集合包括多个训练样本，每个训练样本包括样本账户的账户特征、样本对象的第一对象特征、样本账户的历史交互样本对象的第二对象特征、样本账户对样本对象执行预设行为的实际程度信息，以及样本标签；
输入模块，被配置为执行将样本账户的账户特征、样本对象的第一对象特征，以及历史交互样本对象的第二对象特征输入预设机器学习模型，得到样本账户对样本对象执行预设行为的预测概率值；
训练模块，被配置为执行根据预测概率值、实际程度信息和样本标签，对预设机器学习模型进行训练，得到行为预测模型。
在一些可能的实施例中，训练模块，包括：
加权子模块，被配置为执行根据实际程度信息和样本标签，对预测概率值进行加权，得到加权后的预测概率值；
确定子模块，被配置为执行根据加权后的预测概率值和样本标签，确定损失值；
迭代子模块，被配置为执行基于损失值对预设机器学习模型进行迭代更新，直至满足预设迭代结束条件，得到行为预测模型。
在一些可能的实施例中，样本标签包括正样本标签或负样本标签；
加权子模块，还被配置为执行若样本标签为正样本标签，根据训练样本集合中负样本数和总样本数确定负样本数占比；根据实际程度信息和负样本数占比确定正样本权重值；利用正样本权重值对预测概率值进行加权，得到加权后的预测概率值。
在一些可能的实施例中，加权子模块，还被配置为执行若样本标签为负样本标签，利用预设的负样本权重值对预测概率值进行加权，得到加权后的预测概率值。
根据本公开实施例的第五方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现本公开实施例第一方面的行为预测方法或者本公开实施例第二方面的行为预测模型的生成方法。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本公开实施例第一方面的行为预测方法或者本公开实施例第二方面的行为预测模型的生成方法。
根据本公开实施例的第七方面，提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从可读存储介质读取并执行计算机程序，使得计算机设备执行本公开实施例第一方面的行为预测方法或者本公开实施例第二方面的行为预测模型的生成方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开通过获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征，利用行为预测模型进行账户行为预测，得到目标账户对目标对象执行预设行为的概率值，基于概率值可以确定目标账户对目标对象执行预设行为的程度信息，相较于传统模型仅能预测目标账户是否对目标对象执行预设行为，在实际场景中应用受限，本公开可以预测目标账户对目标对象执行预设行为的程度信息，该程度信息可以应用于多个场景中，有助于提升推荐场景中对象推荐准确度，或者目标账户分析场景中对目标账户的分析准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种应用环境的示意图；
图2是根据一示例性实施例示出的一种行为预测方法的流程图；
图3是根据一示例性实施例示出的一种得到目标账户对目标对象执行预设行为的概率值的流程图；
图4是根据一示例性实施例示出的一种行为预测模型的生成方法的流程图；
图5是根据一示例性实施例示出的一种行为预测模型的结构示意图；
图6是根据一示例性实施例示出的一种行为预测模型的结构示意图；
图7是根据一示例性实施例示出的一种行为预测模型训练的流程图；
图8是根据一示例性实施例示出的一种行为预测装置框图；
图9是根据一示例性实施例示出的一种行为预测模型的生成装置框图；
图10是根据一示例性实施例示出的一种用于行为预测或行为预测模型的生成的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开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第一对象，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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)，均为经用户授权或者经过各方充分授权的信息。
请参阅图1，图1根据一示例性实施例示出的一种应用环境的示意图，如图1所示，包括服务器01和终端设备02。可选的，服务器01和终端设备02可以通过无线链路连接，也可以通过有线链路连接，本公开在此不做限定。
在一个可选的实施例中，服务器01可以预先训练一行为预测模型，在实际应用时，获取目标账户的账户特征，该目标账户的账户特征包括终端设备02的用户的用户特征，还获取目标对象的第一对象特征，该第一对象特征即待推送资讯信息的特征，还获取目标账户的历史交互对象的第二对象特征；服务器01通过训练好的行为预测模型对上述用户特征、第一对象特征和第二对象特征进行识别，预测终端设备02的用户对待推送资讯信息执行预设行为的程度信息。上述的待推送资讯信息可以是多个，从而服务器01可以根据用户对每个待推送资讯信息执行预设行为的程度信息，向终端设备02推送资讯信息，以供终端设备02的用户浏览。具体的，服务器01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(Content Delivery Network，内容分发网络)、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。可选的，该服务器01上运行的操作系统可以包括但是不限于IOS、Linux、Windows、Unix、Android系统等。
在一个可选的实施例中，终端设备02可以接收服务器01提供的各种资讯信息，在其指定页面中进行展示，以供用户进行浏览。具体的，终端设备02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
应理解的，图1所示的应用环境仅为示例，在实际应用中，可以由终端或者服务器独立执行本公开实施例的行为预测方法和行为预测模型的生成方法，也可以由终端和服务器配合执行本公开实施例的行为预测方法和行为预测模型的生成方法，本公开实施例对具体的应用环境不作限定。
图2是根据一示例性实施例示出的一种行为预测方法的流程图，如图2所示，该行为预测方法适用于服务器中，包括以下步骤：
在步骤S201中，获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征。
本公开实施例中，目标账户为通过客户端登录的账户，客户端预先在服务器上注册相应的账户，以便通过该账户在客户端的指定页面中浏览对象。目标对象是与实际应用场景相匹配的内容；在一些可能的应用场景中，目标对象可以包括音乐、视频、商品、资讯信息等。相应的，指定页面为与对象内容相关的对象展示页面，比如当目标对象为资讯信息时，指定页面为资讯信息展示页面。
相关技术中，服务器向不同客户端指定页面推荐的对象不同，以满足不同客户端用户需求。通常，服务器通过对目标客户端对应的目标账户进行预测，以从海量对象资源中确定出与目标账户相匹配的目标对象，然后推荐至目标客户端。
为了实现精准的推荐目标对象，本公开实施例中，获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征，基于账户特征、第一对象特征和第二对象特征对目标账户的行为进行预测。
在一些可能的实施例中，上述的获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征，可以包括以下步骤：
在步骤S2011中，获取目标账户的账户标识、账户属性信息、账户地域、网络信息、账户对应的终端设备信息中的至少一个，得到账户特征。
其中，目标账户的账户标识是对应的目标客户端预先在向服务器进行注册时生成的，账户标识具有唯一性，账户标识可以是由字母、数字或两者组合等形式组成的。账户属性信息可以包括账户年龄、账户性别、账户名称等账户个人信息。网络信息可以包括对应的目标客户端与服务器之间的连接方式，比如有线连接或无线连接，还可以包括网络地址信息，比如IP地址。账户对应的终端设备信息可以包括终端设备型号、终端设备操作系统信息、目标客户端版本信息中的至少一个。
在步骤S2013中，获取目标对象的对象标识、对象名称、对象所属行业类别、对象所属账户信息和对象视觉特征中的至少一个，得到第一对象特征。
其中，目标对象的对象标识是在目标对象生成时由服务器为其分配的，对象标识也具有唯一性，对象标识可以是由字母、数字或两者组合等形式组成的。对象名称用于表征对象内容。对象所属行业类别为对象内容反应的行业。对象所属账户信息可以包括发布该对象的目标账户的账户特征。对象视觉特征可以是基于预设视觉算法对对象进行识别得到的，比如，当对象为图像时，通过预设视觉算法对图像进行识别，得到该对象的图像特征。
在步骤S2015中，获取目标账户过去预设时间内交互过的历史对象的对象标识、对象名称、对象所属行业类别、对象所属账户信息和对象视觉特征中的至少一个，得到第二对象特征。
其中，预设时间可以是1天、3天或5天。过去预设时间内交互过的历史对象指的是过去预设时间内目标账户对该历史对象执行过任一交互操作的对象，交互操作可以包括点赞、评论、关注、长播、注册等。
上述实施例中，通过获取多个不同维度的账户特征、第一对象特征和第二对象特征，综合多个维度的特征，可以降低单个特征对预测精度的影响，特征越丰富，则预测结果越准确。
在步骤S203中，通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值；基于概率值确定目标账户对目标对象执行预设行为的程度信息。
本公开实施例中，行为预测模型基于账户特征、第一对象特征和第二对象特征进行账户行为预测，目标账户对目标对象执行预设行为的概率值；然后基于概率值确定目标账户对目标对象执行预设行为的程度信息。具体的，基于目标账户执行预设行为的概率值，确定目标账户不执行预设行为的概率值；将目标账户执行预设行为的概率值与目标账户不执行预设行为的概率值之间的比值，确定为目标账户对目标对象执行预设行为的程度信息。
其中，预设行为可以根据实际应用场景确定，利用历史账户对历史对象执行预设行为的程度信息作为训练数据，来训练模型，使得最终训练出来的模型可以预测未知账户对未知对象执行同样预设行为的程度信息。
相关技术中，服务器仅能够预测目标账户与目标对象之间是否满足预设条件，即进行简单的二分类，将其分为“满足预设条件”和“不满足预设条件”。比如，预测目标账户是否会购买目标对象，那么每个目标对象与相应目标账户将得到一个预测结果，该预测结果为“购买”或“不购买”。但服务器仅根据二分类的结果，无法对海量的对象资源进行精准的筛选，导致无法向目标账户推送其真正感兴趣的目标对象。
从而，本公开实施例中通过行为预测模型不仅预测目标账户对目标对象是否执行预设行为，更重要的是预测该目标账户对该目标对象执行该预设行为的程度信息。比如，相较于相关技术中的预测结果为“购买”或“不购买”，本公开实施例的行为预测模型，可以预测目标账户关于目标对象的预估购买量，包括预估购买件数或预估购买金额。如此，服务器在面对海量的对象资源时，可以依据相应预设行为的程度信息，比如上述的预估购买件数或预估购买金额，来筛选出目标账户对其具有更大预设行为的程度信息的目标对象，来推送给目标账户。
在一些可能的实施例中，上述的通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值，可以包括如图3所示的以下步骤：
在步骤S301中，通过行为预测模型，对账户特征、第一对象特征和第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征。
具体的，账户特征、第一对象特征和第二对象特征可以包括数值型特征和非数值型特征；则，上述对账户特征、第一对象特征和第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征，可以进一步包括以下步骤S3011～S3019：
在步骤S3011中，分别对账户特征中的数值型特征、第一对象特征中的数值型特征和第二对象特征中的数值型特征进行归一化处理，得到归一化后的账户特征、归一化后的对象特征和归一化后的第二对象特征。
在一些实施例中，归一化处理后，可以通过嵌入的线性变换得到一个预设维度的稠密特征向量。
在步骤S3013中，分别对账户特征中的非数值型特征、第一对象特征中的非数值型特征和第二对象特征中的非数值型特征进行离散化处理，得到离散化后的账户特征、离散化后的第一对象特征和离散化后的第二对象特征。
在一些实施例中，进行离散化处理后，可以再经过一个线性变换：嵌入(Embedding)，得到预设维度的稠密特征向量。
在步骤S3015中，基于归一化后的账户特征和离散化后的账户特征，得到预处理后的账户特征。
在步骤S3017中，基于归一化后的第一对象特征和离散化后的第一对象特征，得到预处理后的第一对象特征。
在步骤S3019中，基于归一化后的第二对象特征和离散化后的第二对象特征，得到预处理后的第二对象特征。
在步骤S303中，对预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征进行特征提取，得到待预测特征。
举例而言，上述非数值型特征可以包括账户属性信息中的性别信息，相应的离散化处理包可以采用独热编码(One-Hot Encoding)，例如男性可以表示为“1”，女性可以表示为“0”；非数值型特征还包括上述目标客户端版本信息，由于该类目下存在多个取值，可以通过合并编码(Consolidation Encoding)方式，将某些取值归纳成同一个信息。比如目标客户端版本信息的多个取值包括“4.2”、“4.4”和“5.0”三个，则可以将“4.2”、“4.4”归纳为“低版本系统”，用“0”进行表示，“5.0”则归纳为“高版本系统”，用“1”进行表示。数值型特征可以包括上述账户年龄、账户标识和对象标识等。如此，预处理后得到的预设维度的特征向量可以是N*1的数值型向量，比如(1,0,31,4,0.2,9.3,8.8,…,0,0,1,2,34)，其中每一位表征一种账户特征或第一对象特征或第二对象特征。
在步骤S305中，对待预测特征进行预测，得到目标账户对目标对象执行预设行为的概率值。
该步骤中，对预处理后的账户特征、第一对象特征和第二对象特征进行预测，得到目标账户对目标对象执行预设行为的概率值。
上述实施例中，通过对非数值型特征和数值型特征的预处理，得到便于后续模型处理的特征向量，这样可以提高数据处理的便捷性，可以提高模型预测效率。
综上，本公开实施例提供的一种行为预测方法，通过获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征，利用行为预测模型进行账户行为预测，得到目标账户对目标对象执行预设行为的概率值，基于概率值可以确定目标账户对目标对象执行预设行为的程度信息，相较于传统模型仅能预测目标账户是否对目标对象执行预设行为，在实际场景中应用受限，本公开可以预测目标账户对目标对象执行预设行为的程度信息，该程度信息可以应用于多个场景中，有助于提升推荐场景中对象推荐准确度，或者目标账户分析场景中对目标账户的分析准确度。
图4是根据一示例性实施例示出的一种行为预测模型的生成方法的流程图，如图4所示，该行为预测模型的生成方法适用于服务器中，包括以下步骤：
在步骤S401中，获取训练样本集合；训练样本集合包括多个训练样本，每个训练样本包括样本账户的账户特征、样本对象的第一对象特征、样本账户的历史交互样本对象的第二对象特征、样本账户对样本对象执行预设行为的实际程度信息，以及样本标签。
其中，样本对象是过去服务器向样本账户推送过的对象。样本账户的账户特征可以包括账户标识、账户属性信息、账户地域、网络信息、账户对应的终端设备信息中的至少一个。具体内容可以参照上文目标账户的账户特征的实施例，此处不再赘述。
样本对象的第一对象特征可以包括对象标识、对象名称、对象所属行业类别、对象所属账户信息和对象视觉特征中的至少一个。具体内容可以参照上文目标对象的对象特征的实施例，此处不再赘述。
样本账户的历史交互样本对象的第二对象特征可以包括样本账户对样本对象的点击、注册等交互操作情况。具体内容可以参照上文目标账户的历史交互对象的第二对象特征的实施例，此处不再赘述。
样本标签表征样本账户是否对样本对象执行过预设行为，使用正样本标签表示样本账户对样本对象执行过预设行为，使用负样本标签表示样本账户没有对样本对象执行过预设行为。
在步骤S403中，将样本账户的账户特征、样本对象的第一对象特征，以及历史交互样本对象的第二对象特征输入预设机器学习模型，得到样本账户对样本对象执行预设行为的预测概率值。
其中，预设机器学习模型可以被构建为单任务学习模型或者多任务学习模型。当目标账户对目标对象执行预设行为的程度信息可以有多种不同维度来表征时，预设机器学习模型可以被构建为多任务学习模型，实际应用时，可以根据需求来进行不同维度的预测。
在一个具体的实施例中，如图5所示，预设机器学习模型包括输入层501、隐含层502和输出层503；
其中，输入层501用于对输入的样本账户的账户特征、样本对象的第一对象特征，以及历史交互样本对象的第二对象特征进行预处理，将预处理后的样本账户的账户特征、样本对象的第一对象特征，以及历史交互样本对象的第二对象特征进行拼接后送入至隐含层502；通过隐含层502对拼接的特征进行特征提取，最后，通过输出层503对特征提取得到的向量进行预测，得到样本账户对样本对象执行预设行为的预测概率值。
在进一步地实施例中，如图6所示，预设机器学习模型中输入层501对特征进行预处理，如上文实施例介绍的，对数值型特征进行归一化处理，对非数值型特征进行离散化处理；此外，考虑到大量使用离散化处理如独热编码会导致样本特征向量极度稀疏，在输入层501与隐含层502之间还可以设置Embedding层504，通过Embedding层504将预处理后的特征中的稀疏高维特征向量转换成稠密低维特征向量，然后，通过合并层505将预处理后的特征中剩余特征与过Embedding层504输出的特征进行合并，输送至隐含层502中；隐含层502可以包括多个隐含模块，具体结构本公开不限制，最后，隐含层502将特征提取的结果，即待预测特征输出至输出层503中，输出层503预测账户执行预设行为的概率值；其中，当输出层503神经元个数为1时，采用Sigmoid函数，得到账户执行预设行为的概率值，然后使用1减去账户执行预设行为的概率值得到目标账户不执行预设行为的概率值；当输出层503神经元个数为2时，采用Softmax函数，分别预测得到账户执行预设行为的概率值和账户不执行预设行为的概率值。最后，通过计算账户执行预设行为的概率值与账户不执行预设行为的概率值的比值，得到目标账户对目标对象执行预设行为的程度信息。
上述实施例中，提供了一种行为预测模型的具体结构，尤其通过Embedding层对输入层特征进行优化，可以避免过于稀疏的特征导致整个网络收敛慢的问题，实际应用中，可以根据任务需求，对模型结构进行调整以适应不同应用场景。
在步骤S405中，根据预测概率值、实际程度信息和样本标签，对预设机器学习模型进行训练，得到行为预测模型。
本公开实施例中，预设机器学习模型的输出层采用单个神经元的加权逻辑回归(sigmoid function),也可以是两个神经元的softmax函数，其最终输出是几率比(odds)：指一个事件发生的概率与不发生概率的比值，如下公式(1)：
Figure BDA0003723352890000131
其中，p表示历史账户对历史对象执行预设行为的概率值。
训练时，引入正样本权重值w，使得正样本发生的几率变成原来的w倍，其为如下表达式：
Figure BDA0003723352890000132
由于模型的目标是计算程度信息，假设在一组样本总数为N的样本集合中，正样本数为K，每个正样本对应的预设行为的程度值为Ti,i＝1,...K，则，相应的平均程度信息可以表示为
Figure BDA0003723352890000133
可以看出(1)的输出即是我们需要的预测行为的程度信息。
在一些可能的实施例中，上述的根据预测概率值、实际程度信息和样本标签，对预设机器学习模型进行训练，得到行为预测模型，可以包括如图7所示的以下步骤：
在步骤S701中，根据实际程度信息和样本标签，对预测概率值进行加权，得到加权后的预测概率值。
具体的，在该步骤中，若样本标签为正样本标签，根据训练样本集合中负样本数和总样本数确定负样本数占比；根据实际程度信息和负样本数占比确定正样本权重值；这里，正样本权重值可以参照上文实施例中的表达式(2)；然后，利用正样本权重值对预测概率值进行加权，得到加权后的预测概率值。若样本标签为负样本标签，利用预设的负样本权重值对预测概率值进行加权，得到加权后的预测概率值。其中，预设的负样本权重值可以是1。
在步骤S703中，根据加权后的预测概率值和样本标签，确定损失值。
具体的，该步骤中使用的损失函数如下公式(4)所示：
Figure BDA0003723352890000141
其中，loss表示损失值；ti∈{0,1}，表示样本标签；wi表示样本i的权重值，其中，当样本i为正样本时，参照上文实施例中的公式(2)，当样本i为负样本时，wi＝1；pi表示每个训练样本对应的预测值。
在步骤S705中，基于损失值对预设机器学习模型进行迭代更新，直至满足预设迭代结束条件时，得到行为预测模型。
其中，预设迭代结束条件可以包括预设迭代次数时结束迭代的条件，或者在损失值小于等于预设值结束迭代的条件。
上述实施例中，在行为预测模型的训练过程中，将预测目标账户对目标对象执行预设行为的程度信息的回归问题，看做分类问题，分类的问题一般比回归问题易于求解，本公开使用加权交叉熵损失函数，对正样本赋予计算推导的权重，可以实现对预估行为数据的预测，且预测准确率高。
综上，本公开直接按最小“均方误差”/“平均绝度值误差”或者单纯的按正样本量加权等方式的回归建模，得到的行为预测模型可以预测目标账户对目标对象执行预设行为的程度信息，该程度信息可以应用于多个场景中，有助于提升推荐场景中对象推荐准确度，或者目标账户分析场景中对目标账户的分析准确度。比如，在对象推荐场景中，根据目标账户对目标对象执行预设行为的程度值对待推荐对象进行排序，优先推送排序靠前的待推荐对象，如此，可以有效筛选出目标账户更有可能执行预设行为的目标对象，可以提高对象推荐的精准度。
图8是根据一示例性实施例示出的一种行为预测装置框图。参照图8，该装置包括获取模块801和处理模块802；
获取模块801，被配置为执行获取目标账户的账户特征、目标对象的第一对象特征以及目标账户的历史交互对象的第二对象特征；
处理模块802，被配置为执行块通过行为预测模型对账户特征、第一对象特征和第二对象特征进行处理，得到目标账户对目标对象执行预设行为的概率值；基于概率值确定目标账户对目标对象执行预设行为的程度信息。
在一些可能的实施例中，处理模块802，包括：
预处理子模块，被配置为执行通过行为预测模型，对账户特征、第一对象特征和第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征；
特征提取子模块，被配置为执行对预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征进行特征提取，得到待预测特征；
预测子模块，被配置为执行对待预测特征进行预测，得到目标账户对目标对象执行预设行为的概率值。
在一些可能的实施例中，账户特征、第一对象特征和第二对象特征包括数值型特征和非数值型特征；
预处理子模块，还被配置为执行分别对账户特征中的数值型特征、第一对象特征中的数值型特征和第二对象特征中的数值型特征进行归一化处理，得到归一化后的账户特征、归一化后的对象特征和归一化后的第二对象特征；分别对账户特征中的非数值型特征、第一对象特征中的非数值型特征和第二对象特征中的非数值型特征进行离散化处理，得到离散化后的账户特征、离散化后的第一对象特征和离散化后的第二对象特征；基于归一化后的账户特征和离散化后的账户特征，得到预处理后的账户特征；基于归一化后的第一对象特征和离散化后的第一对象特征，得到预处理后的第一对象特征；基于归一化后的第二对象特征和离散化后的第二对象特征，得到预处理后的第二对象特征。
在一些可能的实施例中，处理模块802，还被配置为执行基于目标账户执行预设行为的概率值，确定目标账户不执行预设行为的概率值；将目标账户执行预设行为的概率值与目标账户不执行预设行为的概率值之间的比值，确定为目标账户对目标对象执行预设行为的程度信息。
图9是根据一示例性实施例示出的一种行为预测模型的生成装置框图。参照图9，该装置包括获取模块901、输入模块902和训练模块903；
获取模块901，被配置为执行获取训练样本集合；训练样本集合包括多个训练样本，每个训练样本包括样本账户的账户特征、样本对象的第一对象特征、样本账户的历史交互样本对象的第二对象特征、样本账户对样本对象执行预设行为的实际程度信息，以及样本标签；
输入模块902，被配置为执行将样本账户的账户特征、样本对象的第一对象特征，以及历史交互样本对象的第二对象特征输入预设机器学习模型，得到样本账户对样本对象执行预设行为的预测概率值；
训练模块903，被配置为执行根据预测概率值、实际程度信息和样本标签，对预设机器学习模型进行训练，得到行为预测模型。
在一些可能的实施例中，训练模块903，包括：
加权子模块，被配置为执行根据实际程度信息和样本标签，对预测概率值进行加权，得到加权后的预测概率值；
确定子模块，被配置为执行根据加权后的预测概率值和样本标签，确定损失值；
迭代子模块，被配置为执行基于损失值对预设机器学习模型进行迭代更新，直至满足预设迭代结束条件，得到行为预测模型。
在一些可能的实施例中，样本标签包括正样本标签或负样本标签；
加权子模块，还被配置为执行若样本标签为正样本标签，根据训练样本集合中负样本数和总样本数确定负样本数占比；根据实际程度信息和负样本数占比确定正样本权重值；利用正样本权重值对预测概率值进行加权，得到加权后的预测概率值。
在一些可能的实施例中，加权子模块，还被配置为执行若样本标签为负样本标签，利用预设的负样本权重值对预测概率值进行加权，得到加权后的预测概率值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种用于行为预测或行为预测模型的生成的电子设备的框图。
该电子设备可以是服务器，还可以是终端设备，其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种行为预测方法或行为预测模型的生成方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的行为预测方法或行为预测模型的生成方法。
在示例性实施例中，还提供了一种计算机可读存储介质，当该计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本公开实施例中的行为预测方法或行为预测模型的生成方法。
在示例性实施例中，还提供了一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从可读存储介质读取并执行计算机程序，使得计算机设备执行本公开实施例的行为预测方法或行为预测模型的生成方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种行为预测方法，其特征在于，包括：
获取目标账户的账户特征、目标对象的第一对象特征以及所述目标账户的历史交互对象的第二对象特征；
通过行为预测模型对所述账户特征、所述第一对象特征和所述第二对象特征进行处理，得到所述目标账户对所述目标对象执行预设行为的概率值；基于所述概率值确定所述目标账户对所述目标对象执行所述预设行为的程度信息。
2.根据权利要求1所述的行为预测方法，其特征在于，所述通过行为预测模型对所述账户特征、所述第一对象特征和所述第二对象特征进行处理，得到所述目标账户对所述目标对象执行预设行为的概率值，包括：
通过所述行为预测模型，对所述账户特征、所述第一对象特征和所述第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征；
对所述预处理后的账户特征、所述预处理后的第一对象特征和所述预处理后的第二对象特征进行特征提取，得到待预测特征；
对所述待预测特征进行预测，得到所述目标账户对所述目标对象执行预设行为的概率值。
3.根据权利要求2所述的行为预测方法，其特征在于，所述账户特征、所述第一对象特征和所述第二对象特征包括数值型特征和非数值型特征；
所述对所述账户特征、所述第一对象特征和所述第二对象特征进行预处理，得到预处理后的账户特征、预处理后的第一对象特征和预处理后的第二对象特征，包括：
分别对所述账户特征中的数值型特征、所述第一对象特征中的数值型特征和所述第二对象特征中的数值型特征进行归一化处理，得到归一化后的账户特征、归一化后的对象特征和归一化后的第二对象特征；
分别对所述账户特征中的非数值型特征、所述第一对象特征中的非数值型特征和所述第二对象特征中的非数值型特征进行离散化处理，得到离散化后的账户特征、离散化后的第一对象特征和离散化后的第二对象特征；
基于所述归一化后的账户特征和所述离散化后的账户特征，得到所述预处理后的账户特征；
基于所述归一化后的第一对象特征和所述离散化后的第一对象特征，得到所述预处理后的第一对象特征；
基于所述归一化后的第二对象特征和所述离散化后的第二对象特征，得到所述预处理后的第二对象特征。
4.根据权利要求1所述的行为预测方法，其特征在于，所述基于所述概率值确定所述目标账户对所述目标对象执行所述预设行为的程度信息，包括：
基于所述目标账户执行所述预设行为的概率值，确定所述目标账户不执行所述预设行为的概率值；
将所述目标账户执行所述预设行为的概率值与所述目标账户不执行所述预设行为的概率值之间的比值，确定为所述目标账户对所述目标对象执行所述预设行为的程度信息。
5.一种行为预测模型的生成方法，其特征在于，包括：
获取训练样本集合；所述训练样本集合包括多个训练样本，每个训练样本包括样本账户的账户特征、样本对象的第一对象特征、所述样本账户的历史交互样本对象的第二对象特征、所述样本账户对所述样本对象执行预设行为的实际程度信息，以及样本标签；
将所述样本账户的账户特征、所述样本对象的第一对象特征，以及所述历史交互样本对象的第二对象特征输入预设机器学习模型，得到所述样本账户对所述样本对象执行所述预设行为的预测概率值；
根据所述预测概率值、所述实际程度信息和所述样本标签，对所述预设机器学习模型进行训练，得到行为预测模型。
6.根据权利要求5所述的行为预测模型的生成方法，其特征在于，所述根据所述预测概率值、所述实际程度信息和所述样本标签，对所述预设机器学习模型进行训练，得到行为预测模型，包括：
根据所述实际程度信息和所述样本标签，对所述预测概率值进行加权，得到加权后的预测概率值；
根据所述加权后的预测概率值和所述样本标签，确定损失值；
基于所述损失值对所述预设机器学习模型进行迭代更新，直至满足预设迭代结束条件，得到所述行为预测模型。
7.根据权利要求6所述的行为预测模型的生成方法，其特征在于，所述样本标签包括正样本标签或负样本标签；
所述根据所述实际程度信息和所述样本标签，对所述预测概率值进行加权，得到加权后的预测概率值，包括：
若所述样本标签为正样本标签，根据所述训练样本集合中负样本数和总样本数确定负样本数占比；
根据所述实际程度信息和所述负样本数占比确定正样本权重值；
利用所述正样本权重值对所述预测概率值进行加权，得到所述加权后的预测概率值。
8.根据权利要求6所述的行为预测模型的生成方法，其特征在于，所述根据所述实际程度信息和所述样本标签，对所述预测概率值进行加权，得到加权后的预测概率值，还包括：
若所述样本标签为负样本标签，利用预设的负样本权重值对所述预测概率值进行加权，得到所述加权后的预测概率值。
9.一种行为预测装置，其特征在于，包括：
获取模块，被配置为执行获取目标账户的账户特征、目标对象的第一对象特征以及所述目标账户的历史交互对象的第二对象特征；
处理模块，被配置为执行块通过行为预测模型对所述账户特征、所述第一对象特征和所述第二对象特征进行处理，得到所述目标账户对所述目标对象执行预设行为的概率值；基于所述概率值确定所述目标账户对所述目标对象执行所述预设行为的程度信息。
10.一种行为预测模型的生成装置，其特征在于，包括：
获取模块，被配置为执行获取训练样本集合；所述训练样本集合包括多个训练样本，每个训练样本包括样本账户的账户特征、样本对象的第一对象特征、所述样本账户的历史交互样本对象的第二对象特征、所述样本账户对所述样本对象执行预设行为的实际程度信息，以及样本标签；
输入模块，被配置为执行将所述样本账户的账户特征、所述样本对象的第一对象特征，以及所述历史交互样本对象的第二对象特征输入预设机器学习模型，得到所述样本账户对所述样本对象执行所述预设行为的预测概率值；
训练模块，被配置为执行根据所述预测概率值、所述实际程度信息和所述样本标签，对所述预设机器学习模型进行训练，得到行为预测模型。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1-4中任一项所述的行为预测方法或权利要求5-8中任一项所述的行为预测模型的生成方法。
12.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-4中任一项所述的行为预测方法或权利要求5-8中任一项所述的行为预测模型的生成方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得所述计算机设备执行如权利要求1-4中任一项所述的行为预测方法或权利要求5-8中任一项所述的行为预测模型的生成方法。
CN202210769345.8A 2022-06-30 2022-06-30 一种行为预测方法、行为预测模型的生成方法及电子设备 Pending CN115222112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210769345.8A CN115222112A (zh) 2022-06-30 2022-06-30 一种行为预测方法、行为预测模型的生成方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210769345.8A CN115222112A (zh) 2022-06-30 2022-06-30 一种行为预测方法、行为预测模型的生成方法及电子设备

Publications (1)

Publication Number Publication Date
CN115222112A true CN115222112A (zh) 2022-10-21

Family

ID=83609700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210769345.8A Pending CN115222112A (zh) 2022-06-30 2022-06-30 一种行为预测方法、行为预测模型的生成方法及电子设备

Country Status (1)

Country Link
CN (1) CN115222112A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116450801A (zh) * 2023-03-29 2023-07-18 北京思明启创科技有限公司 编程学习方法、装置、设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116450801A (zh) * 2023-03-29 2023-07-18 北京思明启创科技有限公司 编程学习方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
WO2023061087A1 (zh) 信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品
CN111966914B (zh) 基于人工智能的内容推荐方法、装置和计算机设备
CN109345302A (zh) 机器学习模型训练方法、装置、存储介质和计算机设备
CN109961080B (zh) 终端识别方法及装置
CN112395500B (zh) 内容数据推荐方法、装置、计算机设备及存储介质
CN110008397B (zh) 一种推荐模型训练方法及装置
CN112288279A (zh) 基于自然语言处理和线性回归的业务风险评估方法和装置
CN112712086A (zh) 数据处理方法、装置、计算机设备和存储介质
CN115423040A (zh) 互动营销平台的用户画像识别方法及ai系统
CN113706211A (zh) 基于神经网络的广告点击率预测方法及系统
CN113641835A (zh) 多媒体资源推荐方法、装置、电子设备及介质
CN113918738B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN115222112A (zh) 一种行为预测方法、行为预测模型的生成方法及电子设备
CN114329004A (zh) 数字指纹生成、数据推送方法、装置和存储介质
CN113704511A (zh) 多媒体资源的推荐方法、装置、电子设备及存储介质
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN111291795A (zh) 人群特征分析方法、装置、存储介质和计算机设备
CN114741540A (zh) 一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质
CN114510627A (zh) 对象推送方法、装置、电子设备及存储介质
CN113850670A (zh) 银行产品推荐方法、装置、设备及存储介质
CN113779116A (zh) 对象排序方法、相关设备及介质
CN113553501A (zh) 一种基于人工智能的用户画像预测的方法及装置
CN114048392B (zh) 多媒体资源推送方法、装置、电子设备及存储介质
CN113792163B (zh) 多媒体推荐方法、装置、电子设备及存储介质
CN117371562A (zh) 圈客模型训练方法、信息推荐方法、装置、设备及介质

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