CN115858621A - 用户行为预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种用户行为预测方法、装置、电子设备及存储介质。第该方法包括：针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息；从历史行为信息中提取历史超时行为信息和历史标准行为信息；根据历史超时行为信息，预测用户针对目标行为的执行超时概率；根据历史标准行为信息，预测用户针对目标行为的执行能力概率；将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率。本发明实施例的技术方案提高了用户行为预测的准确性。

Description

用户行为预测方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种用户行为预测方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，用户行为预测的应用越来越广泛。

目前，用户行为预测的考虑因素较为单一，存在准确性差的问题。

发明内容

本发明提供了一种用户行为预测方法、装置、电子设备及存储介质，提高了用户行为预测的准确性。

根据本发明的一方面，提供了一种用户行为预测方法，该方法包括：

针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息。

从历史行为信息中提取历史超时行为信息和历史标准行为信息。

根据历史超时行为信息，预测用户针对目标行为的执行超时概率。

根据历史标准行为信息，预测用户针对目标行为的执行能力概率。

将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率。

根据本发明的另一方面，提供了一种用户行为预测装置，该装置包括：

历史行为信息获取模块，用于针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息；

历史行为信息提取模块，用于从历史行为信息中提取历史超时行为信息和历史标准行为信息；

执行超时概率预测模块，用于根据历史超时行为信息，预测用户针对目标行为的执行超时概率；

执行能力概率预测模块，用于根据历史标准行为信息，预测用户针对目标行为的执行能力概率；

目标概率确定模块，用于将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的用户行为预测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的用户行为预测方法。

根据本发明的另一方面，提供了一种计算机程序产品，所述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本发明任一实施例所述的用户行为预测方法。

本发明实施例的技术方案通过针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息，从历史行为信息中提取历史超时行为信息和历史标准行为信息，根据历史超时行为信息，预测用户针对目标行为的执行超时概率，根据历史标准行为信息，预测用户针对目标行为的执行能力概率，将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率，解决了用户行为预测不准确的问题，提高了用户行为预测的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种用户行为预测方法的流程图；

图2是根据本发明实施例二提供的一种用户行为预测方法的流程图；

图3是根据本发明实施例二提供的一种用户行为预测方法的场景图；

图4是根据本发明实施例三提供的一种用户行为预测装置的结构示意图；

图5是实现本发明实施例的用户行为预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种用户行为预测方法的流程图。本发明实施例可适用于对用户行为进行预测的情况，该方法可以由用户行为预测装置来执行，该用户行为预测装置可以采用硬件和/或软件的形式实现，该用户行为预测装置可配置于承载用户行为预测功能的电子设备中。

参见图1所示的用户行为预测方法，包括：

S110、针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息。

执行期限可以是对目标行为的执行时间的限定。对于设置有执行期限的目标行为，若目标行为的执行时间超过执行期限，则针对目标行为进行相应的处理。可选的，相应的处理方式可以包括：提醒用户执行目标行为、将超过期限执行的目标行为确定为无效行为或对执行该目标行为的用户进行惩罚等。因此，对于设置有执行期限的目标行为，在进行用户行为预测时，不仅要考虑是否可以执行目标行为，而且还要考虑目标行为的执行时间是否可以满足执行期限。

历史行为可以是与目标行为相同并且已执行完成的用户行为。相较于目标行为而言，历史行为和目标行为可以是相同的用户行为，但是历史行为已执行完成，而目标行为待执行。历史行为也具有相应的执行时间和执行期限。历史行为的执行期限与目标行为的执行期限的描述相同，在此不做赘述。

可选的，在针对用户待执行设置有执行期限的目标行为进行预测时，用户可以输入至少一次历史行为对应的历史行为信息。通过获取用户输入的至少一次历史行为对应的历史行为信息，对目标行为进行预测。

S120、从历史行为信息中提取历史超时行为信息和历史标准行为信息。

历史行为可以包括历史超时行为和历史标准行为。其中，历史超时行为可以是执行时间未满足执行期限的历史行为。历史标准行为可以是执行时间满足执行期限的历史行为。相应的，历史行为信息可以包括历史超时行为信息和历史标准行为信息。

具体的，可以将各历史行为的执行时间和相应的历史行为的执行期限进行比较，若历史行为的执行时间在相应的历史行为的执行期限内，则将该历史行为对应的历史行为信息确定为历史标准行为信息；若历史行为的执行时间超过相应的历史行为的执行期限，则将该历史行为对应的历史行为信息确定为历史超时行为信息。

S130、根据历史超时行为信息，预测用户针对目标行为的执行超时概率。

执行超时概率用于表征目标行为的执行时间超过执行期限的概率。可选的，执行超时概率越高，目标行为的执行时间超过执行期限的可能性就越大；反之，执行超时概率越小，目标行为的执行时间超过执行期限的可能性就越小。

可选的，可以将历史超时行为信息输入至执行超时概率预测模型中，得到用户针对目标行为的执行超时概率。

可选的，可以根据历史超时行为信息进行量化分析，分析预测用户针对目标行为的执行超时概率。示例性的，量化分析方法可以包括：时间序列分析法和决策分析法。其中，时间序列分析法包括：移动平均法、平滑系数法、季节指数预测法和修正的回归分析法等；决策分析法包括：量本利分析法、投入产出法、回归分析法、线性规划法和经济计量法等。

S140、根据历史标准行为信息，预测用户针对目标行为的执行能力概率。

执行能力概率用于表征可以执行目标行为的概率。可选的，执行能力概率越高，目标行为执行的可能性就越大；反之，执行能力概率越小，目标行为执行的可能性就越小。

可选的，可以将历史标准行为信息输入至执行能力概率预测模型中，得到用户针对目标行为的执行能力概率。

可选的，可以根据历史标准行为信息进行量化分析，分析预测用户针对目标行为的执行能力概率。

S150、将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率。

具体的，可以将执行超时概率和执行能力概率进行加权求差得到融合结果，将融合结果作为用户按期执行目标行为的概率。

本发明实施例的技术方案通过针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息，从历史行为信息中提取历史超时行为信息和历史标准行为信息，根据历史超时行为信息，预测用户针对目标行为的执行超时概率，根据历史标准行为信息，预测用户针对目标行为的执行能力概率，将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率，从目标行为的执行能力和目标行为的执行期限两个维度进行考虑，确定用户按期执行目标行为的目标概率，兼顾了目标行为的执行能力和目标行为执行的时效性，进而提高了目标行为预测的准确度。

在本发明的一个可选实施例中，将执行超时概率和执行能力概率进行融合，具体化为：计算执行能力概率和执行超时概率的差值，将差值确定为融合结果。

具体的，可以计算执行能力概率与执行超时概率之间的差值，将差值确定为融合结果。

本方案通过计算执行能力概率和执行超时概率的差值，将差值确定为融合结果，以确定用户按期执行目标行为的目标概率，通过直接计算执行能力概率和执行超时概率的差值，提高了确定用户按期执行目标行为的目标概率的计算效率。

在本发明的一个可选实施例中，将根据历史标准行为信息，预测用户针对目标行为的执行能力概率，具体化为：根据历史环境信息和历史标准行为信息，预测用户针对目标行为的执行能力概率。

历史环境信息可以是影响历史行为的环境信息。示例性的，历史行为可以是点击浏览页面行为。历史环境信息可以包括浏览页面对应的应用程序的响应速度等。

本方案通过根据历史环境信息和历史标准行为信息，预测用户针对目标行为的执行能力概率，在历史标准行为信息的基础上，还考虑了历史环境信息，利用更丰富的信息，实现对用户针对目标行为的执行能力概率的预测，进一步提高了预测执行能力概率的准确性，进而进一步提高了预测用户按期执行目标行为的目标概率的准确度。

在本发明的一个可选实施例中，将历史超时行为信息具体化为历史超时时长和历史超时结果；历史标准行为信息具体化为历史执行时间和历史行为结果。

历史超时时长可以是历史超时行为的执行时间超出相应的执行期限的时长。历史超时结果可以是执行历史超时行为前后的执行结果的变化量。例如，历史超时行为可以是资源转移行为，历史超时结果可以是资源转移数额。又如，历史超时行为可以是点击浏览页面行为，历史超时结果可以是本次点击浏览页面行为的点击次数。

历史执行时间可以为历史标准行为的执行时间。历史行为结果可以包括执行历史标准行为前后的执行结果的变化量和执行历史标准行为之后的执行结果的累计量。例如，历史标准行为可以是资源转移行为，历史行为结果可以包括资源转移数额和资源余额。其中，资源转移数额可以是执行历史标准行为前后的执行结果的变化量，资源余额可以是执行历史标准行为之后的执行结果的累计量。又如，历史行为是点击浏览页面行为，历史行为结果可以包括本次点击浏览页面行为的点击次数和浏览页面的累计点击次数。

本方案通过将历史超时行为信息具体化为历史超时时长和历史超时结果，更有针对性地关注与超期有关的信息，避免了其他信息对预测执行超时概率的干扰，进一步提高了预测用户针对目标行为的执行超时概率的效率。通过将历史标准行为信息具体化为历史执行时间和历史行为结果，利用更有针对性的信息进行执行能力概率的预测，进一步提高了预测用户针对目标行为的执行能力概率的效率。进而进一步提高了确定用户按期执行目标行为的目标概率的效率。

实施例二

图2为本发明实施例二提供的一种用户行为预测方法的流程图。本发明实施例在上述实施例的基础上，将“根据历史超时行为信息，预测用户针对目标行为的执行超时概率”具体化为“将历史超时行为信息输入至执行超时概率预测模型中，得到用户针对目标行为的执行超时概率”，提高了预测用户针对目标行为的执行超时效率的效率和准确度。需要说明的是，在本发明实施例中未详述的部分，可参见其他实施例的表述。

参见图2所示的用户行为预测方法方法，包括：

S210、针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息。

S220、从历史行为信息中提取历史超时行为信息和历史标准行为信息。

S230、将历史超时行为信息输入至执行超时概率预测模型中，得到用户针对目标行为的执行超时概率。

执行超时概率预测模型根据已执行完成的历史超时行为对应的历史超时行为信息，对用户待执行的目标行为的执行超时概率进行预测。示例性的，执行超时概率预测模型可以包括线性回归模型、逻辑回归模型、决策树模型、感知机模型或卷积神经网络模型等。

执行超时概率预测模型可以通过获取历史超时行为信息作为执行超时概率预测的训练样本，将执行超时概率预测的训练样本输入至未训练的模型中，对模型进行训练得到执行超时概率预测模型。

S240、根据历史标准行为信息，预测用户针对目标行为的执行能力概率。

S250、将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率。

本发明实施例的技术方案通过将历史超时行为信息输入至执行超时概率预测模型中，得到用户针对目标行为的执行超时概率，利用执行超时概率预测模型直接对执行超时概率进行预测的功能，提高了用户针对目标行为的执行超时概率预测的效率和准确度。

在本发明的一个可选实施例中，将根据历史标准行为信息，预测用户针对目标行为的执行能力概率，具体化为：将历史标准行为信息输入至执行能力概率预测模型中，得到用户针对目标行为的执行能力概率。

执行能力概率预测模型可以根据已执行完成的历史标准行为对应的历史标准行为信息，对用户是否可以执行目标行为的执行能力概率进行预测。示例性的，执行能力概率预测模型可以包括线性回归模型、逻辑回归模型、决策树模型、感知机模型或卷积神经网络模型等。

执行能力概率预测模型可以通过获取历史标准行为信息作为执行能力概率预测的训练样本，将执行能力概率预测的训练样本输入至未训练的模型中，对模型进行训练得到执行能力概率预测模型。

本方案通过将历史标准行为信息输入至执行能力概率预测模型中，得到用户针对目标行为的执行能力概率，利用执行能力概率预测模型直接对执行能力概率进行预测的功能，提高了用户针对目标行为的执行能力概率预测的效率和准确度。

在本发明的一个可选实施例中，在将历史超时行为信息输入至执行超时概率预测模型中之前，还包括：获取目标行为对应的行为场景；根据行为场景，在多个备选模型中，筛选得到执行超时概率预测模型。

行为场景可以是目标行为的应用场景。不同的行为场景，执行时限的紧要程度不同，用户针对目标行为的执行超时概率也不相同。各备选模型与各行为场景之间一一对应。根据行为场景，可以在多个备选模型中筛选出与之对应的备选模型，作为执行超时概率预测模型。

本方案通过获取目标行为对应的行为场景，根据行为场景，在多个备选模型中，筛选得到执行超时概率预测模型，将行为场景作为执行超时概率预测的影响因素，并根据行为场景筛选执行超时概率预测模型，对用户针对目标行为的执行超时概率的进行预测，进一步提高了执行超时概率预测的准确度。

在本发明的一个可选实施例中，在将历史标准行为信息输入至执行能力概率预测模型中之前，还包括：获取目标行为对应的行为场景；根据行为场景，在多个备选模型中，筛选得到执行能力概率预测模型。

不同的行为场景，用户针对目标行为的执行能力概率也不相同。各备选模型与各行为场景之间一一对应。根据行为场景，可以在多个备选模型中筛选出与之对应的备选模型，作为执行能力概率预测模型。

本方案通过获取目标行为对应的行为场景，根据行为场景，在多个备选模型中，筛选得到执行能力概率预测模型，将行为场景作为执行能力概率预测的影响因素，并根据行为场景筛选执行能力概率预测模型，对用户针对目标行为的执行能力概率的进行预测，进一步提高了执行能力概率预测的准确度。

图3为本发明实施例二提供的一种用户行为预测方法的场景图。参见图3所示的用户行为预测方法，包括：获取用户输入的历史标准行为信息，对历史标准行为信息进行数字孪生技术仿真，生成执行能力概率预测模型。获取用户输入的历史超时行为信息，对历史超时行为信息进行数据预处理，并根据预处理后的历史超时行为信息训练得到执行超时概率预测模型。针对用户待执行设置有执行期限的目标行为，将执行能力概率预测模型的输出结果与执行超时概率预测模型的输出结果做差值，实现了对执行能力概率预测模型和执行超时概率预测模型的算法匹配优化，得到用户针对目标行为按期执行的目标概率。

其中，执行超时概率预测模型由数字孪生技术仿真生成。数据预处理可以包括对历史超时行为信息进行数据清洗和对历史超时行为信息对应的执行超时概率进行标记等。通过对历史超时行为信息进行数据预处理，可以剔除历史超时行为信息中的异常数据，并根据标记的执行超时概率确定执行超时概率预测模型预测的准确度。

可以采用以下公式，确定执行能力概率：

Y＝F(x₁,x₂,……)+λ

其中，Y为用户针对目标行为的执行能力概率；x₁,x₂,……为历史标准行为信息；λ为历史环境信息。

在确定用户针对目标行为的执行能力概率时，在考虑了历史标准行为信息的同时，还考虑历史环境信息的影响。

可选的，可以针对不同的行为场景训练对应的执行能力概率预测的备选模型，在对用户针对目标行为的执行能力概率进行预测时，获取目标行为对应的行为场景，根据行为场景，在多个执行能力概率预测的备选模型中，筛选得到执行能力概率模型，利用执行能力概率模型对用户针对目标行为的执行能力概率进行预测。

可以采用以下公式，确定执行超时概率：

其中，W为用户针对目标行为的执行超时概率；x_i1,x_i2,……为历史超时行为信息；ε为调节值。

调节值用于调节执行超时概率预测模型的输出结果。可选的，调节值可以由技术人员根据经验进行设定和调整。调节值也可以根据不同的行为场景进行设定。

可选的，可以针对不同的行为场景训练对应的执行超时概率预测的备选模型，在对用户针对目标行为的执行超时概率进行预测时，获取目标行为对应的行为场景，根据行为场景，在多个执行超时概率预测的备选模型中，筛选得到执行超时概率模型，利用执行超时概率模型对用户针对目标行为的执行超时概率进行预测。

可以采用如下公式，计算用户针对目标行为的按期执行的目标概率：

R＝Y-W

其中，R为用户针对目标行为的按期执行的目标概率；Y为用户针对目标行为的执行能力概率；W为用户针对目标行为的执行超时概率。

本方案通过获取用户输入的历史标准行为信息，对历史标准行为信息进行数字孪生技术仿真，生成执行能力概率预测模型，获取用户输入的历史超时行为信息，对历史超时行为信息进行数据预处理，并根据预处理后的历史超时行为信息训练得到执行超时概率预测模型，针对用户待执行设置有执行期限的目标行为，将执行能力概率预测模型的输出结果与执行超时概率预测模型的输出结果做差值，实现了对执行能力概率预测模型和执行超时概率预测模型的算法匹配优化，得到用户针对目标行为按期执行的目标概率，通过预先生成的执行能力概率预测模型和执行超时概率预测模型，提高了执行能力概率和执行超时概率预测的效率和准确度。

实施例三

图4为本发明实施例三提供的一种用户行为预测装置的结构示意图。本发明实施例可适用于对用户行为进行预测的情况，该装置可以执行用户行为预测方法，该装置可以采用硬件和/或软件的形式实现，该装置可配置于承载用户行为预测功能的电子设备中。

参见图4所示的用户行为预测装置，包括：历史行为信息获取模块410、历史行为信息提取模块420、执行超时概率预测模块430、执行能力概率预测模块440和目标概率确定模块450。其中，

历史行为信息获取模块410，用于针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息。

历史行为信息提取模块420，用于从历史行为信息中提取历史超时行为信息和历史标准行为信息。

执行超时概率预测模块430，用于根据历史超时行为信息，预测用户针对目标行为的执行超时概率。

执行能力概率预测模块440，用于根据历史标准行为信息，预测用户针对目标行为的执行能力概率。

目标概率确定模块450，用于将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率。

本发明实施例的技术方案通过针对用户待执行设置有执行期限的目标行为，获取用户输入的历史行为信息，从历史行为信息中提取历史超时行为信息和历史标准行为信息，根据历史超时行为信息，预测用户针对目标行为的执行超时概率，根据历史标准行为信息，预测用户针对目标行为的执行能力概率，将执行超时概率和执行能力概率进行融合，将融合结果确定为用户按期执行目标行为的目标概率，从目标行为的执行能力和目标行为的执行期限两个维度进行考虑，确定用户按期执行目标行为的目标概率，兼顾了目标行为的执行能力和目标行为执行的时效性，进而提高了目标行为预测的准确度。

在本发明的一个可选实施例中，目标概率确定模块450，包括：融合结果确定单元，用于计算执行能力概率和执行超时概率的差值，将差值确定为融合结果。

在本发明的一个可选实施例中，执行超时概率预测模块430，包括：超时概率模型预测单元，用于将历史超时行为信息输入至执行超时概率预测模型中，得到用户针对目标行为的执行超时概率。

在本发明的一个可选实施例中，执行能力概率预测模块440，包括：能力概率模型预测单元，用于将历史标准行为信息输入至执行能力概率预测模型中，得到用户针对目标行为的执行能力概率。

在本发明的一个可选实施例中，在执行超时概率预测模块430将历史超时行为信息输入至执行超时概率预测模型中之前，执行超时概率预测模块430，还包括：行为场景确定单元，用于获取目标行为对应的行为场景；备选模型筛选单元，用于根据行为场景，在多个备选模型中，筛选得到执行超时概率预测模型。

在本发明的一个可选实施例中，执行能力概率预测模块440，包括：执行能力概率预测单元，用于根据历史环境信息和历史标准行为信息，预测用户针对目标行为的执行能力概率。

在本发明的一个可选实施例中，历史超时行为信息包括历史超时时长和历史超时结果；历史标准行为信息包括历史行为结果和历史执行时间。

本发明实施例所提供的用户行为预测装置可执行本发明任意实施例所提供的用户行为预测方法，具备执行方法相应的功能模块和有益效果。

本发明的技术方案中，所涉及的历史行为信息、历史超时行为信息、历史标准行为信息和历史环境信息等的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

实施例四

图5示出了可以用来实施本发明的实施例的电子设备500的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图5所示，电子设备500包括至少一个处理器501，以及与至少一个处理器501通信连接的存储器，如只读存储器(ROM)502、随机访问存储器(RAM)503等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器501可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储电子设备500操作所需的各种程序和数据。处理器501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500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。

处理器501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。处理器501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处理器、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。处理器501执行上文所描述的各个方法和处理，例如用户行为预测方法。

在一些实施例中，用户行为预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由处理器501执行时，可以执行上文描述的用户行为预测方法的一个或多个步骤。备选地，在其他实施例中，处理器501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预测方法。

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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server，虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种用户行为预测方法，其特征在于，所述方法包括：

针对用户待执行设置有执行期限的目标行为，获取所述用户输入的历史行为信息；

从所述历史行为信息中提取历史超时行为信息和历史标准行为信息；

根据所述历史超时行为信息，预测所述用户针对所述目标行为的执行超时概率；

根据所述历史标准行为信息，预测所述用户针对所述目标行为的执行能力概率；

将所述执行超时概率和所述执行能力概率进行融合，将融合结果确定为所述用户按期执行所述目标行为的目标概率。

2.根据权利要求1所述的方法，其特征在于，所述将所述执行超时概率和所述执行能力概率进行融合，包括：

计算所述执行能力概率和所述执行超时概率的差值，将差值确定为融合结果。

3.根据权利要求1所述的方法，其特征在于，所述根据所述历史超时行为信息，预测所述用户针对所述目标行为的执行超时概率，包括：

将所述历史超时行为信息输入至执行超时概率预测模型中，得到所述用户针对所述目标行为的执行超时概率。

4.根据权利要求3所述的方法，其特征在于，所述根据所述历史标准行为信息，预测所述用户针对所述目标行为的执行能力概率，包括：

将所述历史标准行为信息输入至执行能力概率预测模型中，得到所述用户针对所述目标行为的执行能力概率。

5.根据权利要求4所述的方法，其特征在于，在将所述历史超时行为信息输入至执行超时概率预测模型中之前，还包括：

获取所述目标行为对应的行为场景；

根据所述行为场景，在多个备选模型中，筛选得到所述执行超时概率预测模型。

6.根据权利要求1所述的方法，其特征在于，所述根据所述历史标准行为信息，预测所述用户针对所述目标行为的执行能力概率，包括：

根据历史环境信息和所述历史标准行为信息，预测所述用户针对所述目标行为的执行能力概率。

7.根据权利要求1所述的方法，其特征在于，所述历史超时行为信息包括历史超时时长和历史超时结果；所述历史标准行为信息包括历史执行时间和历史行为结果。

8.一种用户行为预测装置，其特征在于，所述装置包括：

历史行为信息获取模块，用于针对用户待执行设置有执行期限的目标行为，获取所述用户输入的历史行为信息；

历史行为信息提取模块，用于从所述历史行为信息中提取历史超时行为信息和历史标准行为信息；

执行超时概率预测模块，用于根据所述历史超时行为信息，预测所述用户针对所述目标行为的执行超时概率；

执行能力概率预测模块，用于根据所述历史标准行为信息，预测所述用户针对所述目标行为的执行能力概率；

目标概率确定模块，用于将所述执行超时概率和所述执行能力概率进行融合，将融合结果确定为所述用户按期执行所述目标行为的目标概率。

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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中任一项所述的用户行为预测方法。

10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的用户行为预测方法。

Images