CN116578925A - 基于特征画像的行为预测方法、装置及存储介质 - Google Patents

Abstract

本申请提供了一种基于特征画像的行为预测方法、装置及存储介质，方法包括：获取目标行为预测指令，目标行为预测指令包含目标对象和目标对象对应的特征画像；对特征画像进行分析，确定目标对象对应的对象标识标签和对象行为标签；基于对象标识标签和对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；对embedding向量进行MLP转换，得到目标编码特征；基于目标行为构建目标行为预测模型，将目标编码特征输入目标行为预测模型，得到目标行为预测模型输出的预测结果，预测结果用于表征目标对象是否执行目标行为。

Description

基于特征画像的行为预测方法、装置及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于特征画像的行为预测方法、装置及存储介质。

背景技术

近年来，随着互联网的不断发展，线上渠道已经成为了主要业务渠道之一。线上渠道为我们带来便利的同时，由于网络中的信息资源的数量大大超出了人们的处理能力，为了能够准确适配符合用户的信息服务，基于用户特征画像的数据关联预测方法受到了广泛关注。

用户的特征画像是互联网交互系统中的一个核心点，利用用户的特征画像进行数据管理预测，往往能够使线上渠道的交互更为安全、顺畅。然而实践证明，当前基于用户的特征画像的数据关联预测仍然存在精度不高的问题。

发明内容

本申请提供了一种基于特征画像的行为预测方法、装置及存储介质，以至少解决现有技术中存在的以上技术问题。

根据本申请的第一方面，提供了一种基于特征画像的行为预测方法，所述方法包括：获取目标行为预测指令，所述目标行为预测指令包含目标对象和所述目标对象对应的特征画像；对所述特征画像进行分析，确定所述目标对象对应的对象标识标签和对象行为标签；基于所述对象标识标签和所述对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；对所述embedding向量进行MLP转换，得到目标编码特征；基于目标行为构建目标行为预测模型，将所述目标编码特征输入所述目标行为预测模型，得到所述目标行为预测模型输出的预测结果，所述预测结果用于表征所述目标对象是否执行所述目标行为。

在一可实施方式中，所述对所述特征画像进行分析，确定所述目标对象对应的对象标识标签和对象行为标签，包括：根据所述目标行为对所述特征画像进行信息抽取，得到所述目标行为对应的指定标签集，所述指定标签集包括所述对象标识标签和对象行为标签。

在一可实施方式中，所述基于所述对象标识标签和所述对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量，包括：对所述对象标识标签和所述对象行为标签进行编码，得到标签编码特征；对所述标签编码特征进行特征分桶，得到对应的分桶ID；对所述分桶ID进行embedding向量化处理，得到所述目标对象对应的embedding向量。

在一可实施方式中，所述对所述对象标识标签和所述对象行为标签进行编码，得到标签编码特征，包括：对所述对象标识标签和所述对象行为标签进行证据权重编码，获得所述标签编码特征。

在一可实施方式中，所述对所述标签编码特征进行特征分桶，得到对应的分桶ID，包括：根据所述对象标识标签和对象行为标签对所述标签编码特征进行分桶，获得分桶ID。

在一可实施方式中，所述将所述目标编码特征输入所述目标行为预测模型，得到所述目标行为预测模型输出的预测结果，包括：将所述目标编码特征输入所述目标行为预测模型，得到所述目标对象执行所述目标行为的预测概率值；若所述预测概率值超过目标概率值，输出的所述预测结果为：所述目标对象执行所述目标行为；若所述预测概率值未超过目标概率值，输出的所述预测结果为：所述目标对象不执行所述目标行为。

在一可实施方式中，所述基于目标行为构建目标行为预测模型，包括：获取训练画像，对所述训练画像进行分析，确定训练标识标签和训练行为标签；对所述训练标识标签和训练行为标签进行编码和特征分桶，获得第一训练特征和对应的训练ID；对所述训练ID进行embedding向量化和MLP转换，获得第二训练特征；将所述第二训练特征输入评分卡模型进行预测，确定分类损失值；根据所述第一训练特征和所述第二训练特征进行相似度比较，确定相似度损失值；对所述相似度损失值和所述分类损失值进行整合，获得多任务学习损失值；通过多任务学习损失值对所述评分卡模型进行更新，获得更新后的评分卡模型；重复更新过程至获得所述目标行为预测模型。

在一可实施方式中，所述根据所述第一训练特征和所述第二训练特征进行相似度比较，确定相似度损失值，包括：对所述第一训练特征和所述第二训练特征进行比较，确定特征比较值；将所述第二训练特征输入评分卡模型进行预测，确定预测训练值；将所述预测训练值与真实结果进行比较，确定相似度权重；根据所述相似度权重和所述特征比较值确定相似度损失值。

在一可实施方式中，所述将所述预测训练值与真实结果进行比较，确定相似度权重，包括：根据所述预测训练值与所述真实结果确定预测偏差值；根据所述预测偏差值确定所述相似度权重，所述预测偏差值与所述相似度权重呈正比。

根据本申请的第二方面，提供了一种基于特征画像的行为预测装置，所述装置包括：获取模块，用于获取目标行为预测指令，所述目标行为预测指令包含目标对象和所述目标对象对应的特征画像；分析模块，用于对所述特征画像进行分析，确定所述目标对象对应的对象标识标签和对象行为标签；处理模块，用于基于所述对象标识标签和所述对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；转换模块，用于对所述embedding向量进行MLP转换，得到目标编码特征；预测模块，用于基于目标行为构建目标行为预测模型，将所述目标编码特征输入所述目标行为预测模型，得到所述目标行为预测模型输出的预测结果，所述预测结果用于表征所述目标对象是否执行所述目标行为。

在一可实施方式中，所述处理模块，包括：编码子模块，用于对所述对象标识标签和所述对象行为标签进行编码，得到标签编码特征；分桶子模块，用于对所述标签编码特征进行特征分桶，得到对应的分桶ID；向量化子模块，用于对所述分桶ID进行embedding向量化处理，得到所述目标对象对应的embedding向量。

在一可实施方式中，所述编码子模块，用于对所述对象标识标签和所述对象行为标签进行证据权重编码，获得所述标签编码特征。

在一可实施方式中，所述分桶子模块，用于根据所述对象标识标签和对象行为标签对所述标签编码特征进行分桶，获得分桶ID。

在一可实施方式中，所述预测模块，用于将所述目标编码特征输入所述目标行为预测模型，得到所述目标对象执行所述目标行为的预测概率值；若所述预测概率值超过目标概率值，输出的所述预测结果为：所述目标对象执行所述目标行为；若所述预测概率值未超过目标概率值，输出的所述预测结果为：所述目标对象不执行所述目标行为。

在一可实施方式中，所述预测模块，还用于获取训练画像，对所述训练画像进行分析，确定训练标识标签和训练行为标签；对所述训练标识标签和训练行为标签进行编码和特征分桶，获得第一训练特征和对应的训练ID；对所述训练ID进行embedding向量化和MLP转换，获得第二训练特征；将所述第二训练特征输入评分卡模型进行预测，确定分类损失值；根据所述第一训练特征和所述第二训练特征进行相似度比较，确定相似度损失值；对所述相似度损失值和所述分类损失值进行整合，获得多任务学习损失值；通过多任务学习损失值对所述评分卡模型进行更新，获得更新后的评分卡模型；重复更新过程至获得所述目标行为预测模型。

在一可实施方式中，所述预测模块，还用于对所述第一训练特征和所述第二训练特征进行比较，确定特征比较值；将所述第二训练特征输入评分卡模型进行预测，确定预测训练值；将所述预测训练值与真实结果进行比较，确定相似度权重；根据所述相似度权重和所述特征比较值确定相似度损失值。

在一可实施方式中，所述预测模块，还用于根据所述预测训练值与所述真实结果确定预测偏差值；根据所述预测偏差值确定所述相似度权重，所述预测偏差值与所述相似度权重呈正比。

根据本申请的第三方面，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本申请所述的方法。

根据本申请的第四方面，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，所述计算机指令用于使所述计算机执行本申请所述的方法。

本申请提供的一种基于特征画像的行为预测方法、装置及存储介质，通过对目标对象的特征画像进行分析、编码、分桶和embedding向量化处理，得到更为适配目标行为预测模型的目标编码特征，再通过构建的目标行为预测模型对目标编码特征进行预测，得到准确的预测结果。

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

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1示出了本申请实施例一种基于特征画像的行为预测方法的整体流程示意图；

图2示出了本申请实施例一种基于特征画像的行为预测方法的模型更新流程示意图；

图3示出了本申请实施例一种基于特征画像的行为预测装置的整体模块示意图；

图4示出了本申请实施例一种电子设备的组成结构示意图。

具体实施方式

为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

图1示出了本申请实施例一种基于特征画像的行为预测方法的整体流程示意图。图2示出了本申请实施例一种基于特征画像的行为预测方法的模型更新流程示意图。

根据本申请实施例的第一方面，提供了一种基于特征画像的行为预测方法，本方法可以应用于具有数据处理能力的行为预测设备，本方法包括：操作101，获取目标行为预测指令，目标行为预测指令包含目标对象和目标对象对应的特征画像；操作102，对特征画像进行分析，确定目标对象对应的对象标识标签和对象行为标签；操作103，基于对象标识标签和对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；操作104，对embedding向量进行MLP转换，得到目标编码特征；操作105，基于目标行为构建目标行为预测模型，将目标编码特征输入目标行为预测模型，得到目标行为预测模型输出的预测结果，预测结果用于表征目标对象是否执行目标行为。

在操作101中，目标行为预测指令可以来自指定对象，指定对象与目标对象可以相同或不同，指定对象用于表征具有行为预测设备使用权限的对象。指定对象可以上传目标对象对应的特征画像，也可以在己方数据库获取目标对象对应的特征画像。

目标对象为需要进行目标行为预测的用户，目标对象可以基于用户的自发申请确定，例如，当用户需要获取推送信息时，通过启动目标软件触发目标行为预测指令，目标软件从己方数据库获取目标对象的特征画像。特征画像可以基于目标对象历史或当前注册上传的注册表、申请表、采集表等信息，以及目标对象在目标软件的操作记录生成。同一特征画像中可以包含多种标签。其中，特征画像可以通过文本形式和/或图表形式进行表征。

在操作102中，通过对特征画像进行信息抽取，可以在特征画像中抽取与目标行为对应的指定标签集。目标行为对应的指定标签集通常包括多个对象标识标签和多个对象行为标签。

对象标识标签可以包括但不限于以下至少一项：年龄标签、身份标识标签、年龄区间标签、居住地标签、兴趣爱好标签等。

对象行为标签也可以通过用户上传，还可以由设备在公开数据库或己方数据库中基于目标对象的对象标识标签进行查找获得，如基于身份标识标签进行查找。

对象行为标签可以进一步细分为专项对象行为标签和常规对象行为标签。专项对象行为标签可以为目标对象在对应目标行为相关领域内的对象行为标签，常规对象行为标签可以为目标对象在日常生活中、适用于大多数软件的对象行为标签。当软件为购物软件时，专项对象行为标签包括不限于：收藏清单标签、购物清单标签、购物时间标签、购物频次标签、购物偏好标签等；当软件为视频软件时，专项对象行为标签包括但不限于：收藏影片标签、已观看影片标签、观看频次标签等；当软件为金融软件时，专项对象行为标签包括不限于：交易流水标签、交易时间标签、交易频次标签等。常规对象行为标签可以为目标对象中，启用目标软件的时间标签、使用目标软件的时间标签、目标软件的使用频次标签、终端设备标识标签等。

在操作103中，包括：首先，对对象标识标签和对象行为标签进行编码，得到标签编码特征；对标签编码特征进行特征分桶，得到对应的分桶ID；然后，对分桶ID进行embedding向量化处理，得到目标对象对应的embedding向量。

通过对对象标识标签和对象行为标签的每一个标签进行编码、分桶和embedding向量化处理，从而得到每一个特征所属的分桶ID，通过特征分桶，能够使编码获得的特征离散化。其中，特征编码可以为证据权重WOE编码。

即，对对象标识标签和对象行为标签进行编码，得到标签编码特征，包括：对对象标识标签和对象行为标签进行证据权重编码，获得标签编码特征。

本方法对对象标识标签和对象行为标签中的每个原始特征进行WOE编码，从而挖掘对象标识标签和对象行为标签中每个特征的标签编码特征，即线性特征。

并且，对标签编码特征进行特征分桶，得到对应的分桶ID，包括：根据对象标识标签和对象行为标签对标签编码特征进行分桶，获得分桶ID。

利用对象标识标签和对象行为标签对应的原始特征之间的差异对标签编码特征进行分桶处理，确定与每一个标签编码特征对应的分桶ID。从而使ID数值较远的分桶ID之间的原始特征差异性大于ID数值较近的分桶ID之间的原始特征差异性。

例如，存在分桶ID为：ID1、ID2、ID3，存在原始特征为：10、15、20、25、40、35，存在与原始特征对应的编码特征：与原始特征“10”对应的编码1、与原始特征“15”对应的编码2、与原始特征“20”对应的编码3、与原始特征“25”对应的编码4、与原始特征“40”对应的编码5、与原始特征“35”对应的编码6，本方法可以将编码1和编码2分桶至ID1，将编码3和编码4分桶至ID2，将编码5和编码6分桶至ID3，从而使ID1和ID2所代表的原始对象标识标签更加接近，ID1和ID3所代表的原始对象标识标签差异性较大，实现对标签编码特征的离散化处理。

在操作104中，通过对分桶ID进行embedding向量化处理和MLP转换，从而能够将分桶ID转换为对应每一特征的目标编码特征，利用embedding向量化对分桶ID进行表征，可以学习分桶ID之间的潜在关系。其中，MLP转换具体表征为通过多层感知器（MultilayerPerceptron，MLP）进行转换。

在操作105中，利用目标行为预测模型对目标编码特征进行逻辑回归预测，可以对目标对象是否执行目标行为进行预测。其中，目标行为预测模型通过对评分卡模型进行训练获得。

操作105，具体包括：将目标编码特征输入目标行为预测模型，得到目标对象执行目标行为的预测概率值；若预测概率值超过目标概率值，输出的预测结果为：目标对象执行目标行为；若预测概率值未超过目标概率值，输出的预测结果为：目标对象不执行目标行为。

目标概率值可以为0~1中的指定值，如0.6，当模型输出的预测概率值不超过0.6，则预测目标对象不执行目标行为，当模型输出的预测概率值超过0.6，则预测目标对象会执行目标行为。

基于特征画像的行为预测方法，本申请还提供一种基于目标行为构建目标行为预测模型的构建方法，包括：首先，获取训练画像，对训练画像进行分析，确定训练标识标签和训练行为标签。然后，对训练标识标签和训练行为标签进行编码和特征分桶，获得第一训练特征和对应的训练ID；之后，对训练ID进行embedding向量化和MLP转换，获得第二训练特征；再后，将第二训练特征输入评分卡模型进行预测，确定分类损失值；再后，根据第一训练特征和第二训练特征进行相似度比较，确定相似度损失值；再后，对相似度损失值和分类损失值进行整合，获得多任务学习损失值，再后，通过多任务学习损失值对评分卡模型进行更新，获得更新后的评分卡模型；再后重复更新过程至获得目标行为预测模型。

本申请实施例在目标行为预测模型的构建过程中，引入多任务学习机制，通过整合相似度损失值和分类损失值，使模型能够同时学习挖掘线性特征问题和针对训练行为标签的分类问题，提高模型预测的准确性。

其中，目标行为预测模型可以通过对评分卡模型进行神经网络训练获得，模型更新用的训练画像可以选为己方数据库中存储的模拟画像。训练画像包含有对应的训练标识标签和训练行为标签。训练标识标签可以包括但不限于的至少一种：年龄标签、年龄区间标签、居住地标签、工作信息标签等。训练行为标签与对象行为标签同理，包含专项行为样本标签和常规行为样本标签。对应的，专项行为样本标签可以为目标对象在对应目标软件同领域内的模拟专项行为，常规行为样本标签可以为目标对象在日常生活中、适用于大多数软件的模拟常规行为。当软件为购物软件时，专项行为样本标签包括不限于：模拟收藏清单样本标签、模拟购物清单样本标签、模拟购物时间样本标签、模拟购物频次样本标签、模拟购物偏好样本标签等；当软件为视频软件时，专项行为样本标签包括但不限于：模拟收藏影片样本标签、模拟已观看影片样本标签、模拟观看频次样本标签等；当软件为金融软件时，专项行为样本标签包括不限于：模拟交易流水样本标签、模拟交易时间样本标签、模拟交易频次样本标签等。常规行为样本标签可以为训练画像中，模拟启用目标软件的时间样本标签、模拟使用目标软件的时间样本标签、模拟目标软件的使用频次样本标签、模拟终端设备标识样本标签等。其中，训练画像可以通过文本和/或图表形式进行表征。对训练画像抽取得到的训练标识标签和训练行为标签可以通过文本形式进行表征。

在进行模型更新的过程中，通过对训练标识标签和训练行为标签的每一个特征进行编码和特征分桶，从而得到每一个特征对应的第一训练特征和分桶所属的训练ID，通过数据分桶，能够使第一训练特征离散化。其中，特征编码可以为证据权重WOE编码。

通过对训练ID进行embedding向量化处理和MLP转换，从而能够将训练ID转换为对应每一个特征的第二训练特征，利用embedding向量化对训练ID进行表征，可以学习训练ID之间的潜在关系，并利用训练中的目标行为预测模型对编码特征进行逻辑回归预测，可以确定训练画像对应的模拟对象执行目标行为的概率值及对应的分类损失值。其中，基于不同类型的软件，可以设置不同的目标行为。例如，购物软件的目标行为可以设置为：是否具有购买特定产品的意愿；视频软件的目标行为可以设置为：是否具有观看影片的意愿；金融软件的目标行为可以设置为：是否具有指定金融行为的意愿。

通过MLP转换使第二训练特征与第一训练特征维度一致，可实现第一训练特征和第二训练特征的相似度比较。通过相似度比较可以获得对应的相似度损失值，本方法还可以将逻辑回归预测结果引入相似度比较中，从而可以通过相似度比较确定根据第二训练特征进行分类得到的分类效果好的模拟对象，从而能够确定需要重点关注的模拟对象，具体的，本申请可以对相似度损失值进行设计：使利用第二训练特征进行分类，得到的分类效果较好的模拟对象对应的相似度损失值较小；使利用第二训练特征进行分类，得到的分类效果较差的相似度损失值较大，即本申请的相似度损失值与分类效果的好坏呈反比。

根据上述描述可知，在本申请对目标行为预测模型的更新过程中，使评分卡模型进行相似度学习任务，并使评分卡模型进行分类任务，即模型引入了多任务学习机制，将相似度损失值和分类损失值进行整合，能够获得多任务学习损失值，并利用多任务学习损失值对评分卡模型进行优化，能够学习相似度比较任务，以充分挖掘训练标识标签和训练行为标签中的线性特征，使训练获得的目标行为预测模型能够准确地进行对对象标识标签和对象行为标签的分类任务，在输入目标对象的对象标识标签和对象行为标签时，能够准确预测目标对象是否会执行目标行为。

具体的，本方法可以利用超参数对似度损失值和分类损失值进行整合，具体的多任务学习损失值计算公式如下：

其中，用于表征多任务学习损失值，/>用于表征相似度损失值，/>用于表征分类损失值，其中/>和/>是超参数，可以在模型训练过程中调整。通过引入多任务学习，一方面使得分类任务和相似度学习任务相辅相成，分类任务的学习效果可以以权重形式作用于相似度学习任务，使得相似度学习任务可以学习非线性特征中的线性关系，相似度学习任务将学习到的新线性特征输入到分类任务中提高分类效果，两者互相作用，最终使目标行为预测模型能够准确对对象标识标签和对象行为标签进行预测，提高目标对象是否会发生目标行为的预测准确率。

另外，目标行为预测模型如果只学习分类任务要承担对分类任务的过拟合的风险，通过目标行为预测模型同时学习分类任务和相似度学习任务可以对噪音模式进行平均，提高预测结果的准确率。

不仅可以提高每个任务的效果还可以提高每个模型的健壮性和泛化能力，从而消除特征编码后呈现非线性对逻辑回归机器学习算法的学习带来负面影响，使得基于逻辑回归的评分卡模型具有较高的准确率。

在一可实施方式中，根据第一训练特征和第二训练特征进行相似度比较，确定相似度损失值，包括：首先，对第一训练特征和第二训练特征进行比较，确定特征比较值；然后，将第二训练特征输入评分卡模型进行预测，确定预测训练值；将预测训练值与真实结果进行比较，确定相似度权重；再后，根据相似度权重和特征比较值确定相似度损失值。

需要理解的是，WOE编码针对原始特征的一种编码方式，embedding向量化是针对原始特征的另一种编码方式，WOE编码能够使得原始特征变得线性，因此，通过对训练ID进行embedding向量化，并将向量进行MLP转换，获得第二训练特征，通过对原始特征进行WOE编码获得第一训练特征，通过对第一训练特征和第二训练特征做相似度计算，从而能够经过多次迭代使模型在保留WOE编码的线性特征的同时，从特征的非线性关系中学习线性关系，以提高模型学习线性关系的能力，从而能够准确预测目标对象是否会执行目标行为。

在一可实施方式中，将预测训练值与真实结果进行比较，确定相似度权重，包括：根据预测训练值与真实结果确定预测偏差值；根据预测偏差值确定相似度权重，预测偏差值与相似度权重呈正比。

相似度损失值通过预测训练值与真实结果进行比较确定。其中，通过对第二训练特征进行逻辑回归预测可以确定预测训练值，通过对训练画像进行标注可以设置对应的真实结果。真实结果可以通过0或1进行表征。通过预测训练值与预设真实结果进行比较，可以确定评分卡模型利用第二训练特征对模拟对象进行分类的分类结果，即预测训练画像对应的模拟对象是否会执行目标行为。

预测训练值与真实结果之间的预测偏差值越大，利用第二训练特征对模拟对象进行分类的分类结果差；预测训练值与真实结果之间的预测偏差值越小，利用第二训练特征对模拟对象进行分类的分类结果好。为实现该目的，本申请可以根据预测偏差值确定相似度权重，通过相似度权重与特征比较值进行整合，以获得能够使模型重点关注分类效果差的模拟对象的相似度损失值。

以下提供一种具体实施场景进行说明，以方便理解相似度损失值。

本申请的相似度损失值对应的损失函数为：

其中，loss1用于表征每一个模拟对象对应的相似度损失值；n用于表征每一个模拟对象对应的原始特征总数量；用于表征真实分类信息，即真实标签，通常通过0或1进行表征；用于表征预测分类信息，即通过逻辑回归预测获得的预测结果，通常表征为0~1之间的任一值；/>用于表征针对特征a的第一训练特征；/>用于表征针对特征a的第二训练特征；对应的，用于表征相似度特征比较值；/>用于表征相似度权重。通过上述公式，若预测分类信息与真实分类信息的差距越大，相似度权重越高，模型对于分类效果好的模拟对象，相似度权重小，模型可以直接保留第一训练特征，即直接保留WOE值；对于分类效果差的模拟对象，相似度权重大，模型可以重点关注，从训练画像对应的WOE值中提取线性关系提高对模拟对象的分类效果。在需要预测目标对象是否会执行目标行为的情况下，可以通过上述方法训练好的目标行为预测模型进行预测，以得到准确的预测结果。

具体的，本方法根据通过交叉熵损失函数进行模型的分类训练和预测，

本申请的分类损失值对应的损失函数如下：

其中，用于表征每一个模拟对象对应的分类损失值，n用于表征每一个模拟对象对应的原始特征总数量；/>用于表征真实分类信息，即真实标签，通常通过0或1进行表征；/>用于表征预测分类信息，即通过逻辑回归预测获得的预测结果，通常表征为0~1之间的任一值。

图3示出了本申请实施例一种基于特征画像的行为预测装置的实现模块示意图；

在一可实施方式中，根据本申请的第二方面，提供了一种基于特征画像的行为预测装置，装置包括：获取模块301，用于获取目标行为预测指令，目标行为预测指令包含目标对象和目标对象对应的特征画像；分析模块302，用于对特征画像进行分析，确定目标对象对应的对象标识标签和对象行为标签；处理模块303，用于基于对象标识标签和对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；转换模块304，用于对embedding向量进行MLP转换，得到目标编码特征；预测模块305，用于基于目标行为构建目标行为预测模型，将目标编码特征输入目标行为预测模型，得到目标行为预测模型输出的预测结果，预测结果用于表征目标对象是否执行目标行为。

在一可实施方式中，处理模块303，包括：编码子模块3031，用于对对象标识标签和对象行为标签进行编码，得到标签编码特征；分桶子模块3032，用于对标签编码特征进行特征分桶，得到对应的分桶ID；向量化子模块3033，用于对分桶ID进行embedding向量化处理，得到目标对象对应的embedding向量。

在一可实施方式中，编码子模块3031，用于对对象标识标签和对象行为标签进行证据权重编码，获得标签编码特征。

在一可实施方式中，分桶子模块3032，用于根据对象标识标签和对象行为标签对标签编码特征进行分桶，获得分桶ID。

在一可实施方式中，预测模块305，用于将目标编码特征输入目标行为预测模型，得到目标对象执行目标行为的预测概率值；若预测概率值超过目标概率值，输出的预测结果为：目标对象执行目标行为；若预测概率值未超过目标概率值，输出的预测结果为：目标对象不执行目标行为。

在一可实施方式中，预测模块305，还用于获取训练画像，对训练画像进行分析，确定训练标识标签和训练行为标签；对训练标识标签和训练行为标签进行编码和特征分桶，获得第一训练特征和对应的训练ID；对训练ID进行embedding向量化和MLP转换，获得第二训练特征；将第二训练特征输入评分卡模型进行预测，确定分类损失值；根据第一训练特征和第二训练特征进行相似度比较，确定相似度损失值；对相似度损失值和分类损失值进行整合，获得多任务学习损失值；通过多任务学习损失值对评分卡模型进行更新，获得更新后的评分卡模型；重复更新过程至获得目标行为预测模型。

在一可实施方式中，预测模块305，还用于对第一训练特征和第二训练特征进行比较，确定特征比较值；将第二训练特征输入评分卡模型进行预测，确定预测训练值；将预测训练值与真实训练标签进行比较，确定相似度权重；根据相似度权重和特征比较值确定相似度损失值。

在一可实施方式中，预测模块305，还用于根据预测训练值与真实训练标签确定预测偏差值；根据预测偏差值确定相似度权重，预测偏差值与相似度权重呈正比。

根据本申请实施例的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请的方法。

根据本申请实施例的第四方面，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，计算机指令用于使计算机执行本申请的方法。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

图4示出了可以用来实施本申请的实施例的示例电子设备400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/或者要求的本申请的实现。

如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器（ROM）402中的计算机程序或者从存储单元408加载到随机访问存储器（RAM）403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理，例如一种基于特征画像的行为预测方法。例如，在一些实施例中，一种基于特征画像的行为预测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408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的一种基于特征画像的行为预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行一种基于特征画像的行为预测方法。

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、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。

用于实施本申请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。

在本申请的上下文中，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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于特征画像的行为预测方法，其特征在于，所述方法包括：

获取目标行为预测指令，所述目标行为预测指令包含目标对象和所述目标对象对应的特征画像；

对所述特征画像进行分析，确定所述目标对象对应的对象标识标签和对象行为标签；

基于所述对象标识标签和所述对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；

对所述embedding向量进行MLP转换，得到目标编码特征；

基于目标行为构建目标行为预测模型，将所述目标编码特征输入所述目标行为预测模型，得到所述目标行为预测模型输出的预测结果，所述预测结果用于表征所述目标对象是否执行所述目标行为。

2.根据权利要求1所述的方法，其特征在于，所述对所述特征画像进行分析，确定所述目标对象对应的对象标识标签和对象行为标签，包括：

根据所述目标行为对所述特征画像进行信息抽取，得到所述目标行为对应的指定标签集，所述指定标签集包括所述对象标识标签和对象行为标签。

3.根据权利要求1所述的方法，其特征在于，所述基于所述对象标识标签和所述对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量，包括：

对所述对象标识标签和所述对象行为标签进行编码，得到标签编码特征；

对所述标签编码特征进行特征分桶，得到对应的分桶ID；

对所述分桶ID进行embedding向量化处理，得到所述目标对象对应的embedding向量。

4.根据权利要求3所述的方法，其特征在于，所述对所述对象标识标签和所述对象行为标签进行编码，得到标签编码特征，包括：

对所述对象标识标签和所述对象行为标签进行证据权重编码，获得所述标签编码特征。

5.根据权利要求4所述的方法，其特征在于，所述对所述标签编码特征进行特征分桶，得到对应的分桶ID，包括：

根据所述对象标识标签和对象行为标签对所述标签编码特征进行分桶，获得分桶ID。

6.根据权利要求1所述的方法，其特征在于，所述将所述目标编码特征输入所述目标行为预测模型，得到所述目标行为预测模型输出的预测结果，包括：

将所述目标编码特征输入所述目标行为预测模型，得到所述目标对象执行所述目标行为的预测概率值；

若所述预测概率值超过目标概率值，输出的所述预测结果为：所述目标对象执行所述目标行为；

若所述预测概率值未超过目标概率值，输出的所述预测结果为：所述目标对象不执行所述目标行为。

7.根据权利要求1所述的方法，其特征在于，所述基于目标行为构建目标行为预测模型，包括：

获取训练画像，对所述训练画像进行分析，确定训练标识标签和训练行为标签；

对所述训练标识标签和训练行为标签进行编码和特征分桶，获得第一训练特征和对应的训练ID；

对所述训练ID进行embedding向量化和MLP转换，获得第二训练特征；

将所述第二训练特征输入评分卡模型进行预测，确定分类损失值；

根据所述第一训练特征和所述第二训练特征进行相似度比较，确定相似度损失值；

对所述相似度损失值和所述分类损失值进行整合，获得多任务学习损失值；

通过多任务学习损失值对所述评分卡模型进行更新，获得更新后的评分卡模型；

重复更新过程至获得所述目标行为预测模型。

8.根据权利要求7所述的方法，其特征在于，所述根据所述第一训练特征和所述第二训练特征进行相似度比较，确定相似度损失值，包括：

对所述第一训练特征和所述第二训练特征进行比较，确定特征比较值；

将所述第二训练特征输入评分卡模型进行预测，确定预测训练值；

将所述预测训练值与真实结果进行比较，确定相似度权重；

根据所述相似度权重和所述特征比较值确定相似度损失值。

9.一种基于特征画像的行为预测装置，其特征在于，所述装置包括：

获取模块，用于获取目标行为预测指令，所述目标行为预测指令包含目标对象和所述目标对象对应的特征画像；

分析模块，用于对所述特征画像进行分析，确定所述目标对象对应的对象标识标签和对象行为标签；

处理模块，用于基于所述对象标识标签和所述对象行为标签进行编码、分桶和embedding向量化处理，得到embedding向量；

转换模块，用于对所述embedding向量进行MLP转换，得到目标编码特征；

预测模块，用于基于目标行为构建目标行为预测模型，将所述目标编码特征输入所述目标行为预测模型，得到所述目标行为预测模型输出的预测结果，所述预测结果用于表征所述目标对象是否执行所述目标行为。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如权利要求1~8任一项所述的方法。