CN107993085A - 模型训练方法、基于模型的用户行为预测方法及装置 - Google Patents

模型训练方法、基于模型的用户行为预测方法及装置 Download PDF

Info

Publication number
CN107993085A
CN107993085A CN201710980102.8A CN201710980102A CN107993085A CN 107993085 A CN107993085 A CN 107993085A CN 201710980102 A CN201710980102 A CN 201710980102A CN 107993085 A CN107993085 A CN 107993085A
Authority
CN
China
Prior art keywords
specific behavior
relevant
feature
behavior
user
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.)
Granted
Application number
CN201710980102.8A
Other languages
English (en)
Other versions
CN107993085B (zh
Inventor
马书超
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.)
Advanced Nova Technology Singapore Holdings Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710980102.8A priority Critical patent/CN107993085B/zh
Priority to CN202110688442.XA priority patent/CN113409084A/zh
Publication of CN107993085A publication Critical patent/CN107993085A/zh
Application granted granted Critical
Publication of CN107993085B publication Critical patent/CN107993085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种模型训练方法、基于模型的用户行为预测方法及装置，本说明书实施例可以根据训练样本及特定算法训练用于预测用户的特定行为的预测模型，当需要预测用户的特定行为时，获取该用户的与特定行为相关的数据，从该与特定行为相关的数据中提取与特定行为相关的特征，并将与特定行为相关的特征输入该预测模型得到输出值，根据该输出值，预测该用户的特定行为。由于用户的与特定行为相关的数据，在很大程度上可以反映出用户的行为意图，因此本说明书实施例可以比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。

Description

模型训练方法、基于模型的用户行为预测方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种模型训练方法、基于模型的用户行为预测方法及装置。
背景技术
随着互联网技术的快速发展，基于互联网技术的服务平台，为人们的带来了越来越多的便利，例如，出游类应用可以向人们推送一些出游信息。如果能够预测出用户的特定行为，依据该特定行为推送相关信息，无疑会使得推送的信息更为精准。
发明内容
本说明书实施例的目的是提供一种模型训练方法、基于模型的用户行为预测方法及装置，以便比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，提供了一种模型训练方法，所述方法包括：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
第二方面，提供了一种基于模型的用户行为预测方法，所述方法包括：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
第三方面，提供了一种模型训练装置，所述装置包括：
第一获取单元，用于获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
第一提取单元，用于提取所述第一获取单元获取到的训练样本集中训练样本的与特定行为相关的特征；
训练单元，用于根据特定算法对所述第一提取单元提取到的与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
第四方面，提供了一种基于模型的用户行为预测装置，所述装置包括：
第二获取单元，用于获取目标用户的与特定行为相关的数据；
第二提取单元，用于从所述第二获取单元获取到的与特定行为相关的数据中提取与特定行为相关的特征；
处理单元，用于将所述第二提取单元提取到的与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和对用户的特定行为预测信息之间的映射关系；
预测单元，用于根据所述处理单元处理得到的输出值，预测所述目标用户的特定行为。
第五方面，提供了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
第六方面，提供了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
第七方面，提供了一种计算机存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
第八方面，提供了一种计算机存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
由以上本说明书实施例提供的技术方案可见，本说明书实施例可以根据训练样本及特定算法训练用于预测用户的特定行为的预测模型，当需要预测用户的特定行为时，获取该用户的与特定行为相关的数据，从该与特定行为相关的数据中提取与特定行为相关的特征，并将与特定行为相关的特征输入该预测模型得到输出值，根据该输出值，预测该用户的特定行为。由于用户的与特定行为相关的数据，在很大程度上可以反映出用户的行为意图，因此本说明书实施例可以比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书的一个实施例模型训练方法的流程图；
图2是本说明书的一个实施例基于模型的用户行为预测方法的流程图；
图3是本说明书的一个实施例基于模型的用户行为预测方法的实例图；
图4是本说明书的另一个实施例基于模型的用户行为预测方法的实例图；
图5是本说明书的一个实施例电子设备的结构示意图；
图6是本说明书的另一个实施例电子设备的结构示意图；
图7是本说明书的一个实施例模型训练装置的结构示意图；
图8是本说明书的一个实施例基于模型的用户行为预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
本说明书实施例提供了一种模型训练方法、基于模型的用户行为预测方法及装置。
下面首先对本说明书实施例提供的一种模型训练方法进行介绍。
图1是本说明书的一个实施例模型训练方法的流程图，如图1所示，该方法可以包括以下步骤：
在S102中，获取训练样本集，该训练样本集中包括用于训练模型的训练样本，该训练样本包括用户的与特定行为相关的数据。
本说明书实施例中，特定行为可以包括：出游行为、购买行为或健身行为等等。为了便于理解，下面将主要以出游行为为例对本说明书实施例进行描述，其他行为与出游行为类似。
本说明书实施例中，训练样本集中包括多个训练样本，该多个训练样本包括：多个正样本和多个负样本，通常情况下，正样本包括：有过特定行为的用户的与特定行为相关的数据，负样本包括：从来没有过特定行为的用户的与特定行为相关的数据。当特定行为为出游行为时，正样本包括：有过出游行为的用户的与出游相关的数据，负样本包括：从来没有过出游行为的用户的与出游相关的数据。
本说明书实施例中，与特定行为相关的数据可以包括以下一种或多种的任一组合：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数，此外，在上述任一组合的基础上，与特定行为相关的数据还可以包括：用户基本信息及用户标签。其中，应用程序可以为用户的终端设备中安装的所有应用程序，例如Android操作***手机中安装的所有应用程序，也可以为一个应用中的所有应用程序，例如“支付宝应用”中的所有应用程序，用户标签为用于表征用户是否为特定行为爱好者的信息。
当特定行为为出游行为时，在一个例子中，可以将有过出游行为的用户的定位信息(出游地的位置信息)、出游时间T及T时间之前30天内与出游相关的数据确定为正样本。
在S104中，提取训练样本集中训练样本的与特定行为相关的特征。
可选地，在一个实施方式中，S102中训练样本的与特定行为相关的数据包括：搜索记录，此时，上述S104可以包括：
从搜索记录中提取与特定行为相关的关键词；
将该关键词作为与特定行为相关的特征或与特定行为相关的特征之一。
当特定行为为出游行为时，在一个例子中，搜索记录中记录有搜索时间及搜索序列，可以对搜索记录中的搜索序列进行切词，挖掘出与出游相关的关键词，将关键词本身作为与出游相关的特征。或者，还可以对一些特别词进行处理，形成组合特征，将组合特征作为与出游相关的特征，其中，组合特征包括两类：
第一类，对搜索序列中的国家词表进行特殊处理，对于这类词，人工建立词表；例如，如果用户搜索“香港微波炉”，由于香港在特殊处理的词表中，后面跟的是品类的词，所以香港+品类作为组合特征。
第二类，对搜索序列中的旅行、wifi等词进行特殊处理，对于这类词，人工建立词表，具体处理过程如下：判断用户近段时间是否搜索过国家相关的词，如果有的话，这些词和国家一起组合作为特征；例如，一个用户搜索了“旅行”，如果这个用户近段时间又搜了“泰国”，泰国+旅行作为组合特征，如果只搜索了旅行，这个词不作为特征，直接过滤掉。
可选地，在另一个实施方式中，S102中训练样本的与特定行为相关的数据包括：购买记录，此时，上述S104可以包括：
从购买记录中提取与特定行为相关的物品编号及物品类别；
将物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
当特定行为为出游行为时，在一个例子中，购买记录中包括购买时间及购买物品的相关信息，可以从购买物品的相关信息中提取物品编号id及物品类别category，其中，该物品可以包括：实际物品和虚拟物品，其中，虚拟物品可以为出游订单等。
可选地，在另一个实施方式中，S102中训练样本的与特定行为相关的数据包括：收藏记录，此时，上述S104可以包括：
从收藏记录中提取与特定行为相关的物品编号及物品类别；
将物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
可选地，在另一个实施方式中，S102中训练样本的与特定行为相关的数据包括：浏览记录，此时，上述S104可以包括：
从浏览记录中提取与特定行为相关的物品编号及物品类别；
将物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
需要说明的是，由于收藏记录和浏览记录的特征提取过程，与购买记录的特征提取过程类似，因此在此不再赘述。
可选地，在另一个实施方式中，S102中训练样本的与特定行为相关的数据包括：应用程序点击次数，此时，上述S104可以包括：
依据应用程序点击次数，计算与特定行为相关的应用程序点击次数的占比值；
将占比值作为与特定行为相关的特征或与特定行为相关的特征之一。
当特定行为出游行为时，在一个例子中，上述S104可以包括：依据应用程序点击次数，计算与出游相关的应用程序点击次数的占比值；将占比值作为与出游相关的特征或与出游相关的特征之一。
例如，预先筛选出“支付宝应用”内与出游相关的应用程序app，根据用户在“支付宝应用”内对app的点击日志，获取用户对上述app的点击次数与对“支付宝应用”内所有app的总点击次数，得到一个[0-1]之间的占比值。
可选地，在另一个实施方式中，S102中训练样本的与特定行为相关的数据在上述任一实施方式的基础上还可以包括：用户基本信息及用户标签，该用户标签用于表征用户是否为特定行为爱好者；此时，上述S104可以包括：
从用户基本信息中提取用户基本信息特征，将该用户基本信息特征及用户标签作为与特定行为相关的特征之一；其中，该用户基本信息特征可以包括：年龄和职业等。
当特定行为为出游行为时，在一个例子中，用户标签用于表征用户是否为出游爱好者，此时，将该用户基本信息特征及用户标签作为与出游相关的特征之一。
优选地，作为一个例子，S102中训练样本的与特定行为相关的数据包括：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数，此时，从训练样本的搜索记录中提取与特定行为相关的关键词、从训练样本的购买记录中提取与特定行为相关的物品编号及物品类别、从训练样本的收藏记录中提取与特定行为相关的物品编号及物品类别、从训练样本的浏览记录中提取与特定行为相关的物品编号及物品类别、以及依据训练样本的应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值，将提取到的关键词、物品编号及物品类别以及占比值作为训练样本的与特定行为相关的特征。
优选的，作为一个例子，S102中训练样本的与特定行为相关的数据包括：搜索记录、购买记录、收藏记录、浏览记录、应用程序点击次数、用户基本信息及用户标签，此时，从训练样本的搜索记录中提取与特定行为相关的关键词、从训练样本的购买记录中提取与特定行为相关的物品编号及物品类别、从训练样本的收藏记录中提取与特定行为相关的物品编号及物品类别、从训练样本的浏览记录中提取与特定行为相关的物品编号及物品类别、依据训练样本的应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值、以及从训练样本的用户基本信息中提取年龄和职业等用户基本信息特征，将提取到的关键词、物品编号及物品类别、占比值、用户基本信息特征以及用户标签作为与训练样本的特定行为相关的特征。
需要说明的是，由于正负样本的差距较大，因此通常需要对负样本进行采样，具体采样的比例，可以根据实际需要进行调节，本说明书实施例对此不作限定。
在S106中，根据特定算法对训练样本的与特定行为相关的特征进行训练，得到预测模型，该预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
本说明书实施例中，特定算法可以包括:逻辑回归算法或神经网络算法。
优选的，本说明书实施例中，特定算法为逻辑回归算法，相应的，预测模型为LR模型。逻辑回归是一种分类方法，主要用于解决两分类问题(即输出只有两种，分别代表两个分类)，逻辑回归算法利用Logistic函数(或称为Sigmoid函数)，该函数的曲线形式为S型曲线，函数形式为：
对于线性边界的情况，边界形式如下：
利用公式(1)和公式(2)构造预测函数：
其中，θi为权重值，xi为特征i对应的特征值，θT＝[θ1,θ2,...,θn]，x＝[x1,x2,...,xn]，通常情况下对于一个训练样本来说，如果该训练样本中的特征i满足一定条件，则xi取值为1，否则取值为0；此外，特征值也可以为其他自然数，本说明书实施例对此不作限定。
本说明书实施例中，针对每个训练样本，将该训练样本的特征量化为数值，即训练样本的一个特征对应一个数值(也就是特征值)，并将每个训练样本的特征值进行向量化表示，最后将向量化表示的结果，带入公式(3)中。对大量训练样本均进行如上处理，可以得到大量函数，之后对前述大量函数进行迭代求解，计算得到θT＝[θ1,θ2,...,θn]，从而获得LR模型，即一个由多个特征对应的特征值及各特征值对应的权重值构成的概率函数：
对于将训练样本的特征量化为数值的过程，以占比值为例，占比值为[0,1]之前的一个值，对占比值乘以5，进行取整，得到[0,5]之间的数字，从中选取一个数字作为特征值。
需要说明的是，将训练样本的特征量化(转换)为数值的过程，可以根据实际需要，采用合理的规则，将训练样本的各个特征转换为合适的数值。此外，在使用LR模型时，将待预测用户的与特定行为相关的特征输入到LR模型，LR模型的输出是一个概率值，该概率值的取值范围为0～1。
本说明书实施例中，可以采用训练样本的不同的特征，训练出不同用途的LR模型，具体的，可以训练出用于预测用户是否有做出特定行为的意向的LR模型，也可以训练出用于预测用户的意向特定行为的LR模型。
当特定行为为出游行为时，可以训练出用于预测用户是否有出游意向的LR模型，也可以训练出用于预测用户的出游目的地的LR模型。
可选地，在一个实施方式中，当需要训练用于预测用户是否有做出特定行为的意向的LR模型时，可以使用LR算法及训练样本的以下与特定行为相关的特征中的至少两种：关键词、物品编号及物品类别、占比值，进行训练得到LR模型。
优选地，作为一个例子，使用LR算法对关键词、物品编号及物品类别、占比值、用户基本信息特征以及用户标签进行训练，得到用于预测用户是否有做出特定行为的意向的LR模型。
可选地，在另一个实施方式中，在需要训练用于预测用户的意向特定行为的LR模型时，主要使用搜索特征。
当特定行为为出游行为时，由于国家比较多，用户有可能出行多个目的地(可以为国家)，为每个出游目的地建立一个LR模型，预估目的地的时候，主要使用搜索特征。以训练一个用于预测用户的出游目的地的LR模型为例，使用LR算法及训练样本的以下与出游相关的特征：关键词，进行训练得到LR模型。多个目的地对应的LR模型的训练过程如上述过程，在此不再赘述。
至此训练得到了两类LR模型，当需要对待预测用户的出游行为进行预测时，如果需要预测该用户是否有出游意向，则使用用于预测用户是否有出游意向的LR模型，从该用户的与出游相关的数据中，提取满足该LR模型的输入要求的特征，将提取到的特征输入到该LR模型中，得到输出值，其中，输出值越接近1，说明该用户越可能有出游意向，输出值越接近0，说明该用户越不太可能有出游意向。
如果需要预测该用户去哪个地方出游，则使用多个用于预测用户的出游目的地的LR模型，每个LR模型对应一个出游目的地，从该用户的与出游相关的数据中，提取满足这类该LR模型的输入要求的特征，将提取到的特征输入到该多个这类LR模型中，得到多个输出值，其中，输出值越接近1，说明则该用户越有可能去该输出值对应的目的地，输出值越接近0，则该说明该用户越不太可能去该输出值对应的目的地。
由上述实施例可见，该实施例可以根据训练样本及特定算法训练用于预测用户的特定行为的预测模型，当需要预测用户的特定行为时，获取该用户的与特定行为相关的数据，从该与特定行为相关的数据中提取与特定行为相关的特征，并将与特定行为相关的特征输入该预测模型得到输出值，根据该输出值，预测该用户的特定行为。由于用户的与特定行为相关的数据，在很大程度上可以反映出用户的行为意图，因此本说明书实施例可以比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。
此外，随着国际化的发展，选择出境游(即出国特定行为)用户的增多，根据用户的行为数据，智能的获得用户的出境意图，将会更加有效的进行营销活动的投放，提升用户的体检，可以降低运营的人工投入时间，提高运营活动的效果，进而增加产品的粘性，推动跨境游业务的发展。基于此情况，本说明书实施例中，特定行为可以为出国特定行为，此时，与特定行为相关的数据为与出国相关的数据，与特定行为相关的特征为与出国相关的特征。使用LR算法以及与出国相关的特征训练得到LR模型，可以用于预测用户是否有出国意向，以及预测用户要去哪个国家，由于其LR模型的训练过程与图1所示实施例中LR模型的训练过程类似，因此在此不再赘述。
以上介绍了用于预测用户的特定行为的预测模型的创建过程，下面对如何使用所创建的预测模型预测用户的特定行为进行介绍。
图2是本说明书的一个实施例基于模型的用户行为预测方法的流程图，如图2所示，该方法可以包括以下步骤：
在S202中，获取目标用户的与特定行为相关的数据。
本说明书实施例中，特定行为可以包括：出游行为、购买行为或健身行为等等。为了便于理解，下面将主要以出游行为为例对本说明书实施例进行描述，其他行为与出游行为类似。
本说明书实施例中，目标用户为待预测特定行为的用户，目标用户的与特定行为相关的数据为目标用户的与特定行为相关的历史数据。
本说明书实施例中，目标用户的与特定行为相关的数据可以包括下述至少一种：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数。
当特定行为为出游行为时，目标用户的与出游相关的数据为目标用户的与出游相关的历史数据。目标用户的与出游相关的数据可以包括下述至少一种：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数。
可选地，在一个实施方式中，上述S202可以包括：
获取当前时间之前M天内目标用户的与特定行为相关的数据，M为自然数。当特定行为为出游行为时，获取当前时间之前M天内目标用户的与出游相关的数据。
本实施方式中，M可以为依据经验值设定的一个自然数，例如M取值为8；M也可以为依据神经网络训练出了一个数值。
在S204中，从目标用户的与特定行为相关的数据中提取与特定行为相关的特征。
在S206中，将目标用户的与特定行为相关的特征输入预测模型，得到输出值，该预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，该预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
优选地，本说明书实施例中，特定算法为LR算法，预测模型为LR模型。在使用LR模型时，需要从目标用户的与特定行为相关的数据中提取与LR模型的输入要求对应的特征，并将提取到目标用户的、符合输入要求的、与特定行为相关的特征输入该LR模型，得到输出值。LR模型的输出是一个概率值，该概率值的取值范围为0～1。
在S208中，根据输出值，预测目标用户的特定行为。
由上述实施例可见，当需要预测用户的特定行为时，该实施例可以获取该用户的与特定行为相关的数据，从该与特定行为相关的数据中提取与特定行为相关的特征，并将与特定行为相关的特征输入预测模型得到输出值，根据该输出值，预测该用户的特定行为。由于用户的与特定行为相关的数据，在很大程度上可以反映出用户的行为意图，因此本说明书实施例可以比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。
本说明书提供的另一个实施例中，可以依据目标用户的与特定行为相关的数据，预测该目标用户是否有做出特定行为的意向，为了达到上述目的，所使用的预测模型为根据训练样本的搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数中的至少两种所构建的模型，该预测模型用于预测用户是否有做出特定行为的意向；
此时，上述图2所示实施例中的S202具体可以包括：
获取目标用户的、与所使用的预测模型对应的、与特定行为相关的数据，其中，目标用户的与特定行为相关的数据的类型，与用于训练LR模型的训练样本的与特定行为相关的数据的类型相同。
此时，上述图2所示实施例中的S204具体可以包括：
执行下述特征提取操作中的至少两种：从目标用户的搜索记录中提取与特定行为相关的关键词，从目标用户的购买记录中提取与特定行为相关的物品编号及物品类别，从目标用户的收藏记录中提取与特定行为相关的物品编号及物品类别，从目标用户的浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据目标用户的应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
将特征提取操作提取到的内容作为目标用户的与特定行为相关的特征。
此时，上述图2所示实施例中的S206具体可以包括：
将上述特征提取操作提取到的、符合预测模型输入要求的、与特定行为相关的特征输入该预测模型，得到输出值。
此时，上述图2所示实施例中的S208具体可以包括：
若输出值达到预设第一阈值，则预测目标用户有做出特定行为的意向；
若该输出值未达到预设第一阈值，则预测目标用户没有做出特定行为的意向。
当特定行为为出游行为时，与特定行为相关的数据为与出游相关的数据，与特定行为相关的特征为与出游相关的特征；当特定算法为LR算法时，预测模型为LR模型；此时，在一个例子中，如图3所示，用于预测用户是否有出游意向的LR模型为根据搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数所构建的模型，那么目标用户的与出游相关的数据应该包括：目标用户的搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数，之后从目标用户的搜索记录提取与出游相关的关键词，从目标用户的购买记录、收藏记录及浏览记录中提取与出游相关的物品编号及物品类别，依据目标用户的应用程序点击次数计算与出游相关的应用程序点击次数的占比值，并将提取到的关键词、物品编号及物品类别、占比值输入到该LR模型，得到输出值，其中，输出值越接近1，说明该目标用户越有可能有出游意向，输出值越接近0，说明该目标用户越不太可能有出游意向。其预测结果具体为：若输出值达到预设第一阈值(例如0.7)，则预测目标用户有出游意向；若该输出值未达到预设第一阈值，则预测目标用户没有出游意向。
本说明书提供的另一个实施例中，可以依据目标用户的与特定行为相关的数据，预测该目标用户的意向特定行为，为了达到上述目的，所使用的预测模型包括：根据训练样本的搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数中的至少两种所构建的第一类预测模型，及多个根据训练样本的搜索记录构建的第二类预测模型，第一类预测模型用于预测用户是否有做出特定行为的意向，第二类预测模型用于预测用户的意向特定行为，一个第二类预测模型对应一个意向特定行为；
此时，上述图2所示实施例中的S202具体可以包括：
获取目标用户的、与所使用的预测模型对应的、与特定行为相关的数据，其中，目标用户的与特定行为相关的数据的类型，与用于训练预测模型的训练样本的与特定行为相关的数据的类型相同。
此时，上述图2所示实施例中的S204具体可以包括：
从目标用户的搜索记录中提取目标用户的与特定行为相关的关键词；
若第一类预测模型的构建过程中涉及训练样本的搜索记录，则执行下述特征提取操作中的至少一种：从目标用户的购买记录中提取与特定行为相关的物品编号及物品类别，从目标用户的收藏记录中提取与特定行为相关的物品编号及物品类别，从目标用户的浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据目标用户的应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
若第一类预测模型的构建过程中未涉及训练样本的搜索记录，则执行下述特征提取操作中的至少两种：从目标用户的购买记录中提取与特定行为相关的物品编号及物品类别，从目标用户的收藏记录中提取与特定行为相关的物品编号及物品类别，从目标用户的浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据目标用户的应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；将该关键词及特征提取操作提取到的内容作为目标用户的与特定行为相关的特征。
此时，上述图2所示实施例中的S206具体可以包括：
若第一类预测模型的构建过程涉及训练样本的搜索记录，则将从目标用户的搜索记录中提取到的关键词及上述特征提取操作提取到的内容输入第一类预测模型，得到输出值；
若第一类预测模型的构建过程未涉及训练样本的搜索记录，则将上述特征提取操作提取到的内容输入第一类预测模型，得到输出值；
若第一类预测模型的输出值大于预设第二阈值，则将从目标用户的搜索记录中提取到的关键词分别输入多个第二类预测模型，得到多个输出值。
此时，上述图2所示实施例中的S208具体可以包括：
从与第二类预测模型对应的多个输出值中，确定取值排名前N位的输出值；
将取值排名前N位的输出值所对应特定行为，确定为目标用户的意向特定行为，N为自然数。在实际应用中，N的取值可以为5。
当特定行为为出游行为时，与特定行为相关的数据为与出游相关的数据，与特定行为相关的特征为与出游相关的特征；当特定算法为LR算法时，预测模型为LR模型；此时，在一个例子中，如图4所示，将目标用户的与出游相关的特征输入用于预测用户是否有出游意向的LR模型的过程，与上一个实施例类似，对此不再赘述。图4中示出了4个第二类LR模型，分别为：用于预测用户的出游目的地的LR模型A、用于预测用户的出游目的地的LR模型B、用于预测用户的出游目的地的LR模型C和用于预测用户的出游目的地的LR模型D，将从目标用户的搜索记录中提取的关键词输入上述4个第二类LR模型中，得到4个输出值，例如，4个输出值分别为：0.9、0.95、0.6和0.5，将取值前两位的输出值对应的目的地，即将输出值0.9、0.95对应的目的地，预测为目标用户的出游目的地。
随着国际化的发展，选择出境游(即出国出游)用户的增多，根据用户的行为数据，智能的获得用户的出境意图，将会更加有效的进行营销活动的投放，提升用户的体检，可以降低运营的人工投入时间，提高运营活动的效果，进而增加产品的粘性，推动跨境游业务的发展。
基于此情况，本说明书实施例中，出游可以为出国出游，此时，本说明书提供的另一个实施例中，所使用的LR模型为用于预测目标用户的出国出游行为的LR，在进行模型训练时，训练样本的与出游相关的数据包括：该训练样本的与出国相关的数据，训练样本的与出游相关的特征包括：该训练样本的与出国相关的特征，使用LR算法以及训练样本的与出国相关的特征训练得到LR模型，可以用于预测用户是否有出国意向，以及预测用户要去哪个国家，由于此LR模型的训练过程与图1所示实施例中LR模型的训练过程类似，因此在此不再赘述。
在使用此LR模型预测目标用户的出国出游行为时，需要获取目标用户的与出国出游相关的数据，提取目标用户的与出国出游相关的特征，输入此LR模型，得到输出值，依据该输出值，预测目标用户的出国出游行为，由于其预测过程与图2所示实施例的预测过程类似，因此在此不再赘述。
本说明书实施例中，预测结果可以用于跨境出游前的智能营销方案，以保证挖掘出高价值潜在出境人群，进一步的，可以针对不同的国家，配置不同的运营活动，有效地提高运营活动的效率和效果。
由此可见，本说明书实施例可以基于LR模型进行潜在出境人群的预测，从而达到很高的精度，并且LR算法简单，计算复杂度小，可以应对超大规模用户行为数据。此外，在基于潜在出境人群结果之后，进一步地预测其出行目的地，进一步细化的人群的意图，更加有效地提高了运营活动的精准度和效果。
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成模型训练装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
上述如本说明书图5所示实施例揭示的模型训练装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field －Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法，并实现模型训练装置在图1所示实施例的功能，本说明书实施例在此不再赘述。
图6是本说明书的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基于模型的用户行为预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
上述如本说明书图6所示实施例揭示的基于模型的用户行为预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2的方法，并实现基于模型的用户行为预测装置在图2所示实施例的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下方法：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下方法：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
图7是本说明书的一个实施例模型训练装置的结构示意图，请参考图7，在一种软件实施方式中，模型训练装置700可包括：
第一获取单元701，用于获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
第一提取单元702，用于提取所述第一获取单元701获取到的训练样本集中训练样本的与特定行为相关的特征；
训练单元703，用于根据特定算法对所述第一提取单元702提取到的与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
由上述实施例可见，该实施例可以根据训练样本及特定算法训练用于预测用户的特定行为的预测模型，当需要预测用户的特定行为时，获取该用户的与特定行为相关的数据，从该与特定行为相关的数据中提取与特定行为相关的特征，并将与特定行为相关的特征输入该预测模型得到输出值，根据该输出值，预测该用户的特定行为。由于用户的与特定行为相关的数据，在很大程度上可以反映出用户的行为意图，因此本说明书实施例可以比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。
可选地，作为一个实施例，所述与特定行为相关的数据包括下述至少一种：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数。
可选地，作为一个实施例，所述与特定行为相关的数据包括：搜索记录；
所述第一提取单元702，包括：
第一提取子单元，用于从所述搜索记录中提取与特定行为相关的关键词；
第一特征确定子单元，用于将所述关键词作为与特定行为相关的特征或与特定行为相关的特征之一。
可选地，作为一个实施例，所述与特定行为相关的数据包括：购买记录；
所述第一提取单元702，包括：
第二提取子单元，用于从所述购买记录中提取与特定行为相关的物品编号及物品类别；
第二特征确定子单元，用于将所述物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
可选地，作为一个实施例，所述与特定行为相关的数据包括：收藏记录；
所述第一提取单元702，包括：
第三提取子单元，用于从所述收藏记录中提取与特定行为相关的物品编号及物品类别；
第三特征确定子单元，用于将所述物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
可选地，作为一个实施例，所述与特定行为相关的数据包括：浏览记录；
所述第一提取单元702，包括：
第四提取子单元，用于从所述浏览记录中提取与特定行为相关的物品编号及物品类别；
第四特征确定子单元，用于将所述物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
可选地，作为一个实施例，所述与特定行为相关的数据包括：应用程序点击次数；
所述第一提取单元702，包括：
第五提取子单元，用于依据所述应用程序点击次数，计算与特定行为相关的应用程序点击次数的占比值；
第五特征确定子单元，用于将所述占比值作为与特定行为相关的特征或与特定行为相关的特征之一。
可选地，作为一个实施例，所述与特定行为相关的数据还包括：用户基本信息及用户标签，所述用户标签用于表征所述用户是否为特定行为爱好者；
所述第一提取单元702，还包括：
第六提取子单元，用于从所述用户基本信息中提取用户基本信息特征；
第六特征确定子单元，用于将所述用户基本信息特征及用户标签作为与特定行为相关的特征之一。
可选地，作为一个实施例，所述特定算法为逻辑回归LR算法，所述预测模型为LR模型。
可选地，作为一个实施例，所述特定行为为出游行为，所述与特定行为相关的数据为与出游相关的数据，所述与特定行为相关的特征为与出游相关的特征。
模型训练装置700还可执行图1所示实施例的方法，并实现模型训练装置在图7所示实施例的功能，本说明书实施例在此不再赘述。
图8是本说明书的一个实施例基于模型的用户行为预测装置的结构示意图，请参考图8，在一种软件实施方式中，基于模型的用户行为预测练装置800可包括：
第二获取单元801，用于获取目标用户的与特定行为相关的数据；
第二提取单元802，用于从所述第二获取单元801获取到的与特定行为相关的数据中提取与特定行为相关的特征；
处理单元803，用于将所述第二提取单元802提取到的与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和对用户的特定行为预测信息之间的映射关系；
预测单元804，用于根据所述处理单元803处理得到的输出值，预测所述目标用户的特定行为。
由上述实施例可见，当需要预测用户的特定行为时，该实施例可以获取该用户的与特定行为相关的数据，从该与特定行为相关的数据中提取与特定行为相关的特征，并将与特定行为相关的特征输入预测模型得到输出值，根据该输出值，预测该用户的特定行为。由于用户的与特定行为相关的数据，在很大程度上可以反映出用户的行为意图，因此本说明书实施例可以比较准确地预测出用户的特定行为，之后依据预测出的特定行为推送相关信息，从而提高推送信息的精准度。
可选地，作为一个实施例，所述与特定行为相关的数据包括下述至少一种：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数。
可选地，作为一个实施例，所述预测模型为根据搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数中的至少两种所构建的模型，所述预测模型用于预测用户是否有做出特定行为的意向；
所述第二提取单元802，包括：
第七提取子单元，用于执行下述特征提取操作中的至少两种：从所述搜索记录中提取与特定行为相关的关键词，从所述购买记录中提取与特定行为相关的物品编号及物品类别，从所述收藏记录中提取与特定行为相关的物品编号及物品类别，从所述浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据所述应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
第七特征确定子单元，用于将所述特征提取操作提取到的内容作为与特定行为相关的特征。
可选地，作为一个实施例，所述预测单元804，包括：
第一预测子单用，用于在所述输出值达到预设第一阈值的情况下，预测所述目标用户有做出特定行为的意向；在所述输出值未达到所述预设第一阈值的情况下，预测所述目标用户没有做出特定行为的意向。
可选地，作为一个实施例，所述预测模型包括：根据搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数中的至少两种所构建的第一类预测模型，及多个根据搜索记录构建的第二类预测模型，所述第一类预测模型用于预测用户是否有做出特定行为的意向，所述第二类预测模型用于预测用户的意向特定行为，一个第二类预测模型对应一个意向特定行为；
所述第二提取单元802，包括：
第八提取子单元，用于从所述搜索记录中提取与特定行为相关的关键词；以及，
若所述第一类预测模型的构建过程中涉及搜索记录，则执行下述特征提取操作中的至少一种：从所述购买记录中提取与特定行为相关的物品编号及物品类别，从所述收藏记录中提取与特定行为相关的物品编号及物品类别，从所述浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据所述应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
若所述第一类预测模型的构建过程中未涉及搜索记录，则执行下述特征提取操作中的至少两种：从所述购买记录中提取与特定行为相关的物品编号及物品类别，从所述收藏记录中提取与特定行为相关的物品编号及物品类别，从所述浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据所述应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
第八特征确定子单元，用于将所述关键词及所述特征提取操作提取到的内容作为与特定行为相关的特征；
所述处理单元803，包括：
第一处理子单元，用于在所述第一类预测模型的构建过程涉及搜索记录的情况下，将所述关键词及所述特征提取操作提取到的内容输入所述第一类预测模型，得到输出值；以及，
在所述第一类预测模型的构建过程未涉及搜索记录的情况下，将所述特征提取操作提取到的内容输入所述第一类预测模型，得到输出值；
第二处理子单元，用于在所述输出值大于预设第二阈值的情况下，将所述关键词分别输入所述多个第二类预测模型，得到多个输出值。
可选地，作为一个实施例，所述预测单元804，包括：
输出值筛选子单用，用于从与所述第二类预测模型对应的多个输出值中，确定取值排名前N位的输出值；
第二预测子单元，用于将所述取值排名前N位的输出值所对应特定行为，确定为所述目标用户的意向特定行为，N为自然数。
可选地，作为一个实施例，所述第二获取单元801，包括：
获取当前时间之前M天内目标用户的与特定行为相关的数据，所述M为自然数。
可选地，作为一个实施例，所述特定算法为LR算法，所述预测模型为LR模型。
可选地，作为一个实施例，所述特定行为为出游行为，所述与特定行为相关的数据为与出游相关的数据，所述与特定行为相关的特征为与出游相关的特征。
基于模型的用户行为预测装置800还可执行图2所示实施例的方法，并实现基于模型的用户行为预测装置在图8所示实施例的功能，本说明书实施例在此不再赘述。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (25)

1.一种模型训练方法，所述方法包括：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
2.如权利要求1所述的方法，所述与特定行为相关的数据包括下述至少一种：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数。
3.如权利要求2所述的方法，所述与特定行为相关的数据包括：搜索记录；
所述提取所述训练样本集中训练样本的与特定行为相关的特征，包括：
从所述搜索记录中提取与特定行为相关的关键词；
将所述关键词作为与特定行为相关的特征或与特定行为相关的特征之一。
4.如权利要求2所述的方法，所述与特定行为相关的数据包括：购买记录；
所述提取所述训练样本集中训练样本的与特定行为相关的特征，包括：
从所述购买记录中提取与特定行为相关的物品编号及物品类别；
将所述物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
5.如权利要求2所述的方法，所述与特定行为相关的数据包括：收藏记录；
所述提取所述训练样本集中训练样本的与特定行为相关的特征，包括：
从所述收藏记录中提取与特定行为相关的物品编号及物品类别；
将所述物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
6.如权利要求2所述的方法，所述与特定行为相关的数据包括：浏览记录；
所述提取所述训练样本集中训练样本的与特定行为相关的特征，包括：
从所述浏览记录中提取与特定行为相关的物品编号及物品类别；
将所述物品编号及物品类别作为与特定行为相关的特征或与特定行为相关的特征之一。
7.如权利要求2所述的方法，所述与特定行为相关的数据包括：应用程序点击次数；
所述提取所述训练样本集中训练样本的与特定行为相关的特征，包括：
依据所述应用程序点击次数，计算与特定行为相关的应用程序点击次数的占比值；
将所述占比值作为与特定行为相关的特征或与特定行为相关的特征之一。
8.如权利要求2-7任一项所述的方法，所述与特定行为相关的数据还包括：用户基本信息及用户标签，所述用户标签用于表征所述用户是否为特定行为爱好者；
所述提取所述训练样本集中训练样本的与特定行为相关的特征，还包括：
从所述用户基本信息中提取用户基本信息特征，将所述用户基本信息特征及用户标签作为与特定行为相关的特征之一。
9.如权利要求1所述的方法，所述特定算法为逻辑回归LR算法，所述预测模型为LR模型。
10.如权利要求1所述的方法，所述特定行为为出游行为，所述与特定行为相关的数据为与出游相关的数据，所述与特定行为相关的特征为与出游相关的特征。
11.一种基于模型的用户行为预测方法，所述方法包括：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
12.如权利要求11所述的方法，所述与特定行为相关的数据包括下述至少一种：搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数。
13.如权利要求12所述的方法，所述预测模型为根据搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数中的至少两种所构建的模型，所述预测模型用于预测用户是否有做出特定行为的意向；
所述从所述与特定行为相关的数据中提取与特定行为相关的特征，包括：
执行下述特征提取操作中的至少两种：从所述搜索记录中提取与特定行为相关的关键词，从所述购买记录中提取与特定行为相关的物品编号及物品类别，从所述收藏记录中提取与特定行为相关的物品编号及物品类别，从所述浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据所述应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
将所述特征提取操作提取到的内容作为与特定行为相关的特征。
14.如权利要求13所述的方法，所述根据所述输出值，预测所述目标用户的特定行为，包括：
若所述输出值达到预设第一阈值，则预测所述目标用户有做出特定行为的意向；
若所述输出值未达到所述预设第一阈值，则预测所述目标用户没有做出特定行为的意向。
15.如权利要求12所述的方法，所述预测模型包括：根据搜索记录、购买记录、收藏记录、浏览记录及应用程序点击次数中的至少两种所构建的第一类预测模型，及多个根据搜索记录构建的第二类预测模型，所述第一类预测模型用于预测用户是否有做出特定行为的意向，所述第二类预测模型用于预测用户的意向特定行为，一个第二类预测模型对应一个意向特定行为；
所述从所述与特定行为相关的数据中提取与特定行为相关的特征，包括：
从所述搜索记录中提取与特定行为相关的关键词；
若所述第一类预测模型的构建过程中涉及搜索记录，则执行下述特征提取操作中的至少一种：从所述购买记录中提取与特定行为相关的物品编号及物品类别，从所述收藏记录中提取与特定行为相关的物品编号及物品类别，从所述浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据所述应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
若所述第一类预测模型的构建过程中未涉及搜索记录，则执行下述特征提取操作中的至少两种：从所述购买记录中提取与特定行为相关的物品编号及物品类别，从所述收藏记录中提取与特定行为相关的物品编号及物品类别，从所述浏览记录中提取与特定行为相关的物品编号及物品类别，以及依据所述应用程序点击次数计算与特定行为相关的应用程序点击次数的占比值；
将所述关键词及所述特征提取操作提取到的内容作为与特定行为相关的特征；
所述将所述与特定行为相关的特征输入预测模型，得到输出值，包括：
若所述第一类预测模型的构建过程涉及搜索记录，则将所述关键词及所述特征提取操作提取到的内容输入所述第一类预测模型，得到输出值；
若所述第一类预测模型的构建过程未涉及搜索记录，则将所述特征提取操作提取到的内容输入所述第一类预测模型，得到输出值；
若所述输出值大于预设第二阈值，则将所述关键词分别输入所述多个第二类预测模型，得到多个输出值。
16.如权利要求15所述的方法，所述根据所述输出值，预测所述目标用户的特定行为，包括：
从与所述第二类预测模型对应的多个输出值中，确定取值排名前N位的输出值；
将所述取值排名前N位的输出值所对应特定行为，确定为所述目标用户的意向特定行为，N为自然数。
17.如权利要求11所述的方法，所述获取目标用户的与特定行为相关的数据，包括：
获取当前时间之前M天内目标用户的与特定行为相关的数据，所述M为自然数。
18.如权利要求11所述的方法，所述特定算法为LR算法，所述预测模型为LR模型。
19.如权利要求11所述的方法，所述特定行为为出游行为，所述与特定行为相关的数据为与出游相关的数据，所述与特定行为相关的特征为与出游相关的特征。
20.一种模型训练装置，所述装置包括：
第一获取单元，用于获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
第一提取单元，用于提取所述第一获取单元获取到的训练样本集中训练样本的与特定行为相关的特征；
训练单元，用于根据特定算法对所述第一提取单元提取到的与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
21.一种基于模型的用户行为预测装置，所述装置包括：
第二获取单元，用于获取目标用户的与特定行为相关的数据；
第二提取单元，用于从所述第二获取单元获取到的与特定行为相关的数据中提取与特定行为相关的特征；
处理单元，用于将所述第二提取单元提取到的与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和对用户的特定行为预测信息之间的映射关系；
预测单元，用于根据所述处理单元处理得到的输出值，预测所述目标用户的特定行为。
22.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
23.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
24.一种计算机存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本包括用户的与特定行为相关的数据；
提取所述训练样本集中训练样本的与特定行为相关的特征；
根据特定算法对所述与特定行为相关的特征进行训练，得到预测模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系。
25.一种计算机存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取目标用户的与特定行为相关的数据；
从所述与特定行为相关的数据中提取与特定行为相关的特征；
将所述与特定行为相关的特征输入预测模型，得到输出值，所述预测模型为使用特定算法对训练样本的与特定行为相关的特征进行训练所得到的模型，所述预测模型用于建立与特定行为相关的特征和用户的特定行为预测信息之间的映射关系；
根据所述输出值，预测所述目标用户的特定行为。
CN201710980102.8A 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置 Active CN107993085B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710980102.8A CN107993085B (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置
CN202110688442.XA CN113409084A (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710980102.8A CN107993085B (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110688442.XA Division CN113409084A (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置

Publications (2)

Publication Number Publication Date
CN107993085A true CN107993085A (zh) 2018-05-04
CN107993085B CN107993085B (zh) 2021-05-18

Family

ID=62028723

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201710980102.8A Active CN107993085B (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置
CN202110688442.XA Pending CN113409084A (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110688442.XA Pending CN113409084A (zh) 2017-10-19 2017-10-19 模型训练方法、基于模型的用户行为预测方法及装置

Country Status (1)

Country Link
CN (2) CN107993085B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648011A (zh) * 2018-05-11 2018-10-12 上海赢科信息技术有限公司 模型生成、识别客户购买车险意向的方法及***
CN108710614A (zh) * 2018-05-31 2018-10-26 校宝在线（杭州）科技股份有限公司 一种基于用户行为的作文评测方法
CN108985770A (zh) * 2018-06-07 2018-12-11 阿里巴巴集团控股有限公司 模型训练方法、特征序列生成方法和服务器
CN109102324A (zh) * 2018-07-12 2018-12-28 阿里巴巴集团控股有限公司 模型训练方法、基于模型的红包物料铺设预测方法及装置
CN109117874A (zh) * 2018-07-25 2019-01-01 北京小米移动软件有限公司 操作行为预测方法及装置
CN109360629A (zh) * 2018-09-30 2019-02-19 深圳个人数据管理服务有限公司 基于机器学习的情绪预测方法、装置、设备和存储介质
CN109872242A (zh) * 2019-01-30 2019-06-11 北京字节跳动网络技术有限公司 信息推送方法和装置
CN109993627A (zh) * 2019-02-28 2019-07-09 华为技术有限公司 推荐方法、推荐模型的训练方法、装置和存储介质
CN110502648A (zh) * 2019-07-17 2019-11-26 北京达佳互联信息技术有限公司 用于多媒体信息的推荐模型获取方法及装置
CN110674188A (zh) * 2019-09-27 2020-01-10 支付宝(杭州)信息技术有限公司 一种特征提取方法、装置及设备
CN110990714A (zh) * 2019-11-01 2020-04-10 中国联合网络通信集团有限公司 一种用户行为意图预测方法和装置
CN111160624A (zh) * 2019-12-09 2020-05-15 深圳市思为软件技术有限公司 一种用户意向预测方法、用户意向预测装置及终端设备
CN111274338A (zh) * 2020-01-08 2020-06-12 重庆邮电大学 一种基于移动大数据的预出境用户识别方法
CN111523944A (zh) * 2020-04-26 2020-08-11 北京深演智能科技股份有限公司 浏览数据处理方法、装置、非易失性存储介质和处理
CN111737584A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 行为预测***的更新方法及装置
CN111782611A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 预测模型建模方法、装置、设备及存储介质
CN111797298A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 数据收集方法、装置、存储介质及电子设备
CN111798019A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 意图预测方法、装置、存储介质及电子设备
CN112150206A (zh) * 2020-09-28 2020-12-29 京东数字科技控股股份有限公司 用户感兴趣物品的预测方法及设备
CN112150177A (zh) * 2019-06-27 2020-12-29 百度在线网络技术（北京）有限公司 意图预测方法和装置
CN113409084A (zh) * 2017-10-19 2021-09-17 创新先进技术有限公司 模型训练方法、基于模型的用户行为预测方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063429A (zh) * 2014-06-11 2014-09-24 深圳德协保税电子商务有限公司 电子商务中用户行为的预测方法
CN104090888A (zh) * 2013-12-10 2014-10-08 深圳市腾讯计算机***有限公司 一种用户行为数据的分析方法和装置
CN105224623A (zh) * 2015-09-22 2016-01-06 北京百度网讯科技有限公司 数据模型的训练方法及装置
CN105469141A (zh) * 2015-11-20 2016-04-06 北京大学深圳研究生院 基于神经网络的预测方法及***
CN106022708A (zh) * 2016-05-09 2016-10-12 陈包容 一种预测员工离职的方法
CN106097043A (zh) * 2016-06-01 2016-11-09 腾讯科技（深圳）有限公司 一种信用数据的处理方法及服务器
CN106251174A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 信息推荐方法及装置
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及***
CN106548369A (zh) * 2016-10-14 2017-03-29 五邑大学 基于蚁群算法的电子商务消费者意图识别方法
CN106846061A (zh) * 2017-01-25 2017-06-13 百度在线网络技术（北京）有限公司 ***挖掘方法以及装置
CN106886918A (zh) * 2017-02-06 2017-06-23 中国联合网络通信集团有限公司 一种目标用户的确定方法、装置及***

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114654A1 (en) * 2008-10-31 2010-05-06 Hewlett-Packard Development Company, L.P. Learning user purchase intent from user-centric data
US9275342B2 (en) * 2012-04-09 2016-03-01 24/7 Customer, Inc. Method and apparatus for intent modeling and prediction
KR20160136321A (ko) * 2014-03-26 2016-11-29 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 통합 검색 환경에서의 클라이언트 의도 파악 기법
JP2016018286A (ja) * 2014-07-07 2016-02-01 日本電信電話株式会社 行動タイプ判定装置、行動タイプ判定方法及び行動タイプ判定プログラム
CN105740268B (zh) * 2014-12-10 2019-04-09 阿里巴巴集团控股有限公司 一种信息推送方法和装置
CN106204091A (zh) * 2015-05-28 2016-12-07 阿里巴巴集团控股有限公司 数据处理方法和装置
CN107040397B (zh) * 2016-02-03 2020-12-11 腾讯科技（深圳）有限公司 一种业务参数获取方法及装置
CN107993085B (zh) * 2017-10-19 2021-05-18 创新先进技术有限公司 模型训练方法、基于模型的用户行为预测方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090888A (zh) * 2013-12-10 2014-10-08 深圳市腾讯计算机***有限公司 一种用户行为数据的分析方法和装置
CN104063429A (zh) * 2014-06-11 2014-09-24 深圳德协保税电子商务有限公司 电子商务中用户行为的预测方法
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及***
CN105224623A (zh) * 2015-09-22 2016-01-06 北京百度网讯科技有限公司 数据模型的训练方法及装置
CN105469141A (zh) * 2015-11-20 2016-04-06 北京大学深圳研究生院 基于神经网络的预测方法及***
CN106022708A (zh) * 2016-05-09 2016-10-12 陈包容 一种预测员工离职的方法
CN106097043A (zh) * 2016-06-01 2016-11-09 腾讯科技（深圳）有限公司 一种信用数据的处理方法及服务器
CN106251174A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 信息推荐方法及装置
CN106548369A (zh) * 2016-10-14 2017-03-29 五邑大学 基于蚁群算法的电子商务消费者意图识别方法
CN106846061A (zh) * 2017-01-25 2017-06-13 百度在线网络技术（北京）有限公司 ***挖掘方法以及装置
CN106886918A (zh) * 2017-02-06 2017-06-23 中国联合网络通信集团有限公司 一种目标用户的确定方法、装置及***

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409084A (zh) * 2017-10-19 2021-09-17 创新先进技术有限公司 模型训练方法、基于模型的用户行为预测方法及装置
CN108648011A (zh) * 2018-05-11 2018-10-12 上海赢科信息技术有限公司 模型生成、识别客户购买车险意向的方法及***
CN108648011B (zh) * 2018-05-11 2022-01-25 上海赢科信息技术有限公司 模型生成、识别客户购买车险意向的方法及***
CN108710614A (zh) * 2018-05-31 2018-10-26 校宝在线（杭州）科技股份有限公司 一种基于用户行为的作文评测方法
CN108985770A (zh) * 2018-06-07 2018-12-11 阿里巴巴集团控股有限公司 模型训练方法、特征序列生成方法和服务器
CN109102324A (zh) * 2018-07-12 2018-12-28 阿里巴巴集团控股有限公司 模型训练方法、基于模型的红包物料铺设预测方法及装置
CN109102324B (zh) * 2018-07-12 2021-08-20 创新先进技术有限公司 模型训练方法、基于模型的红包物料铺设预测方法及装置
CN109117874A (zh) * 2018-07-25 2019-01-01 北京小米移动软件有限公司 操作行为预测方法及装置
CN109360629A (zh) * 2018-09-30 2019-02-19 深圳个人数据管理服务有限公司 基于机器学习的情绪预测方法、装置、设备和存储介质
CN109872242A (zh) * 2019-01-30 2019-06-11 北京字节跳动网络技术有限公司 信息推送方法和装置
CN109993627A (zh) * 2019-02-28 2019-07-09 华为技术有限公司 推荐方法、推荐模型的训练方法、装置和存储介质
CN109993627B (zh) * 2019-02-28 2021-09-07 华为技术有限公司 推荐方法、推荐模型的训练方法、装置和存储介质
CN111798019B (zh) * 2019-04-09 2023-03-24 Oppo广东移动通信有限公司 意图预测方法、装置、存储介质及电子设备
CN111797298A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 数据收集方法、装置、存储介质及电子设备
CN111798019A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 意图预测方法、装置、存储介质及电子设备
CN112150177A (zh) * 2019-06-27 2020-12-29 百度在线网络技术（北京）有限公司 意图预测方法和装置
CN110502648A (zh) * 2019-07-17 2019-11-26 北京达佳互联信息技术有限公司 用于多媒体信息的推荐模型获取方法及装置
CN110674188A (zh) * 2019-09-27 2020-01-10 支付宝(杭州)信息技术有限公司 一种特征提取方法、装置及设备
CN110990714A (zh) * 2019-11-01 2020-04-10 中国联合网络通信集团有限公司 一种用户行为意图预测方法和装置
CN110990714B (zh) * 2019-11-01 2023-05-23 中国联合网络通信集团有限公司 一种用户行为意图预测方法和装置
CN111160624A (zh) * 2019-12-09 2020-05-15 深圳市思为软件技术有限公司 一种用户意向预测方法、用户意向预测装置及终端设备
CN111274338A (zh) * 2020-01-08 2020-06-12 重庆邮电大学 一种基于移动大数据的预出境用户识别方法
CN111523944A (zh) * 2020-04-26 2020-08-11 北京深演智能科技股份有限公司 浏览数据处理方法、装置、非易失性存储介质和处理
CN111782611A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 预测模型建模方法、装置、设备及存储介质
CN111782611B (zh) * 2020-06-30 2024-01-23 北京百度网讯科技有限公司 预测模型建模方法、装置、设备及存储介质
CN111737584A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 行为预测***的更新方法及装置
CN112150206A (zh) * 2020-09-28 2020-12-29 京东数字科技控股股份有限公司 用户感兴趣物品的预测方法及设备

Also Published As

Publication number Publication date
CN113409084A (zh) 2021-09-17
CN107993085B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN107993085A (zh) 模型训练方法、基于模型的用户行为预测方法及装置
CN109934619A (zh) 用户画像标签建模方法、装置、电子设备及可读存储介质
CN107797992A (zh) 命名实体识别方法及装置
CN109544166A (zh) 一种风险识别方法和装置
CN107657048A (zh) 用户识别方法及装置
CN107704503A (zh) 用户关键词提取装置、方法及计算机可读存储介质
CN109816134B (zh) 收货地址预测方法、装置以及存储介质
CN105302810A (zh) 一种信息搜索方法和装置
CN109299258A (zh) 一种舆情事件检测方法、装置及设备
CN107168992A (zh) 基于人工智能的文章分类方法及装置、设备与可读介质
CN107357874A (zh) 用户分类方法及装置、电子设备、存储介质
CN109388801A (zh) 相似词集合的确定方法、装置和电子设备
CN107679082A (zh) 问答搜索方法、装置以及电子设备
CN107993146A (zh) 金融大数据的风控方法及***
CN109299269A (zh) 一种文本分类方法和装置
CN109766557A (zh) 一种情感分析方法、装置、存储介质及终端设备
CN108830443A (zh) 一种合同审阅方法及装置
CN105843796A (zh) 一种微博情感倾向分析方法及装置
CN108876545A (zh) 订单识别方法、装置和可读存储介质
CN109213859A (zh) 一种文本检测方法、装置及***
CN111222976A (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN108596695A (zh) 实体推送方法及***
CN108550046A (zh) 一种资源和营销推荐方法、装置及电子设备
CN108346107A (zh) 一种社交内容风险识别方法、装置以及设备
CN110457677A (zh) 实体关系识别方法及装置、存储介质、计算机设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1253999

Country of ref document: HK

TA01 Transfer of patent application right

Effective date of registration: 20200921

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200921

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240226

Address after: Guohao Times City # 20-01, 128 Meizhi Road, Singapore

Patentee after: Advanced Nova Technology (Singapore) Holdings Ltd.

Country or region after: Singapore

Address before: Ky1-9008 business centre, 27 Hospital Road, Georgetown, grand caiman, UK

Patentee before: Innovative advanced technology Co.,Ltd.

Country or region before: Cayman Islands

TR01 Transfer of patent right