CN110058989A - 用户行为意图预测方法和装置 - Google Patents

用户行为意图预测方法和装置 Download PDF

Info

Publication number
CN110058989A
CN110058989A CN201910177015.8A CN201910177015A CN110058989A CN 110058989 A CN110058989 A CN 110058989A CN 201910177015 A CN201910177015 A CN 201910177015A CN 110058989 A CN110058989 A CN 110058989A
Authority
CN
China
Prior art keywords
behavior
action trail
model
preset time
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
CN201910177015.8A
Other languages
English (en)
Other versions
CN110058989B (zh
Inventor
张晓露
傅驰林
陈岑
唐才智
邹晓川
周俊
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 New Technologies Co Ltd
Advantageous New Technologies Co 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 CN201910177015.8A priority Critical patent/CN110058989B/zh
Publication of CN110058989A publication Critical patent/CN110058989A/zh
Application granted granted Critical
Publication of CN110058989B publication Critical patent/CN110058989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种用户行为意图预测方法和装置，该方法包括：获取与用户在目标应用中的操作行为所对应的行为轨迹；对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。本说明书实施例还公开了另一种用户行为意图预测方法和装置。

Description

用户行为意图预测方法和装置
技术领域
本说明书实施例涉及互联网技术领域，尤其涉及一种用户行为意图预测方法和装置。
背景技术
为了提升用户体验，在购物类应用程序(简称应用)、综合类应用等应用中通常设置有智能客服功能。通过上述智能客服功能，当用户在使用上述应用的过程中，如果遇到问题，例如，一个身份证可以关联几个账户、如何修改与应用绑定的手机号等等，则可以通过上述智能客服功能提供的问题推荐列表(通常，问题推荐列表中的每个问题都附有相应的解决方法)，以快速找到解决问题的方法。
相关技术中，由于不能对用户的行为意图进行准确预测，这可能会导致一系类的问题。例如，上述问题推荐列表中的问题不是按照用户当前的需求进行展示，而是按照大众用户的点击率进行排名展示，这样，用户通常需要在问题推荐列表中的大量问题中寻找自己当前遇到的问题，导致问题的解决效率较低，同时影响用户体验。
发明内容
本说明书实施例提供一种用户行为意图预测方法和装置，以解决相关技术中不能够对用户的行为意图进行准确预测的问题。
第一方面，本说明书实施例提供了一种用户行为意图预测方法，包括：
获取与用户在目标应用中的操作行为所对应的行为轨迹；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
第二方面，本说明书实施例提供了一种用户行为意图预测方法，包括：
获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
第三方面，本说明书实施例提供了一种用户行为意图预测装置，包括：
行为轨迹获取模块，获取与用户在目标应用中的操作行为所对应的行为轨迹；
模型特征构建模块，对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
结果生成模块，将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
第四方面，本说明书实施例提供了一种用户行为意图预测装置，包括：
行为轨迹获取模块，获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
模型特征构建模块，对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
模型训练模块，基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
第五方面，本说明书实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
第六方面，本说明书实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
第七方面，本说明书实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
第八方面，本说明书实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取用户在目标应用中的行为轨迹，并基于行为轨迹构建的模型特征和行为预测模型，即可得到用户的行为意图预测结果；同时，本说明书实施例在构建模型特征时，对多个预设时间窗口对应的多个部分行为轨迹分别进行编码，考虑了不同时间窗口对应的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时间窗口时长越短，其对应的行为轨迹越重要，可以提升行为意图预测结果的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书的一个实施例提供的用户行为意图预测方法流程示意图；
图2为本说明书的一个实施例提供的用户行为意图预测方法的具体应用流程示意图；
图3为本说明书的另一个实施例提供的用户行为意图预测方法流程示意图；
图4为本说明书的一个实施例提供的用户行为意图预测装置结构示意图；
图5为本说明书的一个实施例提供的用户行为意图预测装置结构示意图；
图6为实现本说明书各个实施例的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
如图1所示，本说明书的一个实施例提供一种用户行为意图预测方法100，包括如下步骤：
S102：获取与用户在目标应用中的操作行为所对应的行为轨迹。
本说明书实施例中提到的目标应用，可以是聊天类应用、购物类应用、理财类应用、综合类应用、浏览器应用等等。
用户在上述目标应用中的操作行为，具体可以是用户在操作上述目标应用的过程中发生的所有行为，包括但不限于搜索、浏览、打分、点评、加入购物筐、取出购物筐、加入期待列表、购买、使用减价券和退货等；甚至包括用户在第三方网站上的相关行为，如比价、看相关评测、参与讨论、社交媒体上的交流、与好友互动等。其中，上述第三方网站与目标应用相关联，例如，通过目标应用中的链接能够跳转到上述第三方网站。
用户在操作目标应用时，目标应用与服务器之间的远程过程调用(RemoteProcedure Call，RPC调用)、用户访问的网页的统一资源定位符(Uniform ResourceLocator，URL)等，均与用户的操作行为相对应。因此，该步骤即可通过上述RPC、URL等，得到用户在目标应用中的操作行为所对应的行为轨迹。
该步骤中得到的行为轨迹的格式例如：A→B→D→A→……→E，其中的A、B、D等均可以称作是元素，这些元素具体可以是上述RPC、URL等，且这些元素与用户在目标应用中的实际操作行为相对应，并且按照用户的操作行为的时间先后顺序排列。
可选地，该步骤具体可以是获取当前时刻之前的预设时长内的行为轨迹，该处提到的预设时长内的行为轨迹，例如，1小时内的行为轨迹；或24小时内的行为轨迹；或48小时内的行为轨迹等。
S104对多个预设时间窗口在行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征。
上述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长。
上述多个预设时间窗口具体可以是在目标时刻之前的多个不同时间段。上述目标时刻可以是当前时刻，对于该处提到的当前时刻，例如可以是：S102中获取到的行为轨迹的结束时刻(可以是行为轨迹中最后一个元素对应的时刻)；或准备执行该实施例的时刻；或准备执行S102中获取用户行为轨迹的时刻；或步骤S104中构建出模型特征的时刻等等。
可选地，上述预设时间窗口的时长与预设时间窗口到所述行为轨迹结束时刻的时长正相关。按照时间的前后顺序，行为轨迹结束时刻(后续称目标时刻，具体可以是当前时刻)可以是位于上述多个时间窗口之后，特殊情况下，目标时刻和时间上最晚的一个时间窗口的右区间重叠。
对于本说明书实施例中提到的多个时间窗口，例如，第一时间窗口是当前时刻前的1小时；第二时间窗口是当前时刻前的1～24小时，第二时间窗口的时长是23小时；第三时间窗口是当前时刻前的24～72小时，第三时间窗口的时长是48小时。可选地，上述多个时间窗口在时间顺序上先后相邻。
该步骤中提到的预设时间窗口的时长与所述预设时间窗口到当前时刻的时长正相关，如表1所示，具体例如，第一时间窗口距离当前时刻的时长是0.5小时(可以按照时间窗口的中心时间点计算)，第一时间窗口的时长是1小时；第二时间窗口距离当前时刻的时长是12.5小时，第二时间窗口的时长是23小时；第三时间窗口距离当前时刻的时长是48小时，第三时间窗口的时长是48小时；等等。
表1时间窗口的时长与距离当前时刻的时长关系表
时间窗口 时长(小时) 距离当前时刻的时长(小时)
第一时间窗口 1 0.5
第二时间窗口 23 12.5
第三时间窗口 48 48
…… …… ……
步骤S102中获取到的是当前时刻之前的预设时长内的行为轨迹，预设时长的时间段可能较长，因此，S104可以将行为轨迹中与上述多个预设时间窗口分别相对应的部分行为轨迹分别进行编码，得到多个模型子特征(或称编码)，并根据得到的多个模型子特征生成最终的模型特征。
可选地，在一种实施方式中，S104可以对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，得到多个模型子特征；然后按照时间先后顺序对得到的模型子特征进行拼接，得到所述模型特征。具体例如，得到的每个模型子特征的向量长度均是M，该处即可基于多个模型子特征对应的时间先后顺序进行拼接，最终得到向量长度是n×M的模型特征，其中，该处的n代表上述模型子特征的个数。
可选地，在另一种实施方式中，S104可以对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，得到多个模型子特征；然后对得到的模型子特征进行加权求和处理，得到所述模型特征。
优选地，所述预设时间窗口到所述行为轨迹结束时刻的时长，与所述预设时间窗口对应的模型子特征的权重负相关。该处提到的行为轨迹结束时刻还可以是当前时刻，关于当前时刻的定义可以参见前文实施例中的介绍。
具体例如，得到的每个模型子特征的向量长度均是M，该处即可对多个模型子特征进行加权求和处理，最终得到向量长度是M的模型特征。以前述的三个时间窗口为例，第一时间窗口距离当前时刻的时长是0.5小时，对应的模型子特征的权重可以是0.9；第二时间窗口距离当前时刻的时长是12.5小时，对应的模型子特征的权重可以是0.7，第三时间窗口距离当前时刻的时长是48小时，对应的模型子特征的权重可以是0.5；等等。
表2时间窗口对应的权重与距离当前时刻的时长关系表
时间窗口 对应的权重 距离当前时刻的时长(小时)
第一时间窗口 0.9 0.5
第二时间窗口 0.7 12.5
第三时间窗口 0.5 48
…… …… ……
该实施方式充分考虑了距离当前时刻较近的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其对应的行为轨迹越重要，便于提高后续步骤中的行为意图预测结果的准确性。
对于该处提到的提高行为意图预测结果的准确性，由于本说明书实施例考虑到用户的行为意图，与用户最近的操作行为的关联性最大；与距离当前时刻较远的历史时刻的操作行为的关联性较弱(相对而言)，更加符合用户对目标应用的使用规律，因此能够提高行为意图预测结果的准确性。
S106：将模型特征输入行为预测模型，得到用户的行为意图预测结果。
其中，上述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
可选地，在该实施例执行之前，还可以通过S102和S104的操作，对历史行为轨迹进行处理后生成模型特征，并基于生成的模型特征、历史行为轨迹对应的行为意图标签及其他一些特征进行模型训练，得到上述行为预测模型，具体的模型生成过程在后续实施例中介绍。该处提到的历史行为轨迹，是在历史时刻获取得到，仅是为了便于和S102和S104中的行为轨迹进行区分，历史行为轨迹可以基于大量的用户历史时刻在目标应用中的操作行为得到。
实际上，在不同的应用场景中，得到用户的行为意图预测结果之后，还可以根据用户的行为意图继续执行不同的操作。
例如，在客服机器人自动对话(智能客服)场景中，该实施例还可以基于得到的行为意图预测结果，生成与用户的行为意图相对应的对话内容。该实施例能够通过用户的行为轨迹预测出用户遇到了某类服务问题(也即行为意图)，对话的内容具体可以是用户遇到的问题所对应的答案，还可以是问题推荐列表等。该实施例能够达到“未问先答”的效果，帮助用户解决问题，提高用户的满意度，并且节省客服的人力成本。
又例如，该实施例还可以基于得到的行为意图预测结果，生成与用户的行为意图对应的问题推荐列表。该实施例能够在客户拨打客服电话咨询之前，及时向客户推送相应问题的解决方案，大大提升客户的使用体验，并且节省客服的人力成本。
上述两个例子中生成的问题推荐列表中的问题，可以根据与用户当前的行为意图的相关度进行排名，越靠前的问题与用户当前的行为意图的相关度越大，能够使用户快速查找到对应的问题及解决方案，提升针对应用的智能化体验，提升用户体验。
本说明书实施例提供的用户行为意图预测方法，通过获取用户在目标应用中的行为轨迹，并基于行为轨迹构建的模型特征和行为预测模型，即可得到用户的行为意图预测结果。
同时，本说明书实施例在构建模型特征时，将行为轨迹中与多个时间窗口分别相对应的部分分别进行编码，考虑了不同时间窗口对应的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时间窗口时长越短，其对应的行为轨迹越重要，可以提升行为意图预测结果的准确性。
另外，获取的行为轨迹中，可以包括有用户当前的(或称最近时刻的)操作行为对应的行为轨迹，能够充分挖掘利用到用户当前的操作行为，时效性强，便于提升行为意图预测结果的准确性。
可选地，作为一个实施例，在上述实施例100的S104中提到的对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，具体可以包括：
将目标部分行为轨迹与预设操作行为集合中的操作行为进行匹配，以生成所述目标部分行为轨迹的编码；其中，所述目标部分行为轨迹为所述多个部分行为轨迹中的任一个；所述编码的位与所述预设操作行为集合中的操作行为相对应，所述编码的位用于指示所述目标部分行为轨迹中是否存在与所述编码的位对应的操作行为相匹配的操作行为；
基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征。
本说明书实施例可按照Bag-of-Words的方式进行处理，将预设操作行为集合当作一个词典，将预设操作行为集合中的操作行为当作词典的元素。
可选地，上述基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征包括：对所述多个部分行为轨迹的编码进行拼接，得到所述模型特征。
可选地，上述基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征包括：对所述多个部分行为轨迹的编码进行加权求和处理，得到所述模型特征。优选地，所述预设时间窗口到所述行为轨迹结束时刻的时长，与所述预设时间窗口对应的部分行为轨迹的编码的权重负相关。
上述提到的构建模型特征的过程具体例如，得到的行为轨迹中，与第一时间窗口相对应的部分是：A→D→F→……→E；与第二时间窗口相对应的部分是：M→H→G→……→V；与第三时间窗口相对应的部分是：N→E→U→……→K。词典(即上述操作行为集合)为A→B→C→……→V，词典中的元素与针对目标应用的预设操作行为相对应。
在一种具体的实施方式中，在上述目标应用的开发或维护过程中，即可基于目标应用中出现频次高于预设值的RPC、URL等生成上述词典，词典中元素的数量为定值，该例子对词典中元素的先后顺序不作具体限定。
通过上述词典，具体构建模型特征时，以行为轨迹中与第一时间窗口相对应的部分(简称第一子行为轨迹)进行举例说明：
针对词典中的第一个元素A，如果第一子行为轨迹出现有元素A(例如，元素匹配结果为true)，则编码中第一个特征值可以用1表示；针对词典中的第二个元素B，第一子行为轨迹没有出现有元素B(例如，元素匹配结果为false)，则编码中第二个特征值可以用0表示；……；针对词典中的第M个元素V，第一子行为轨迹没有出现有元素V(例如，元素匹配结果为false)，则编码中第M个特征值可以用0表示,最终得到向量长度为定值(长度是M，等于词典长度)的模型子特征，也即编码。
上述举例说明了对第一子行为轨迹的处理方式，后续即可对第一子行为轨迹之外的子行为轨迹进行处理，得到多个模型子特征，最终对得到的上述模型子特征进行拼接或加权求和处理，得到模型特征，具体的过程前文已经举例介绍过，在此不再赘述。
可选地，作为一个实施例，在上述多个实施例中的S102获取到行为轨迹之后，且在S104之前，还可以包括如下步骤：对获取到的行为轨迹进行低频过滤处理，以过滤掉行为轨迹中频次低于预设值的元素。
这样步骤S104可以是将低频过滤处理后的所述行为轨迹中，与多个预设时间窗口分别相对应的部分行为轨迹分别进行编码，以构建模型特征。
该实施例通过过滤掉行为轨迹中的低频元素，这样，可以大大减少行为轨迹中的元素数量，提高处理效率；且过滤掉的元素的频次较低，不会影响到后续步骤中的行为意图预测结果的准确性。
为详细说明本说明书实施例提供的用户行为意图预测方法，以下将结合一个具体的实施例进行说明，如图2所示，该实施例200包括如下步骤：
S202：获取行为轨迹。
用户在操作目标应用的过程中，各种操作行为都保留有行为轨迹，例如，用户访问目标应用提供的网站，***会记录访问页面的URL；用户在目标应用上进行一些操作，***也会记录终端设备和服务器间的RPC调用等。
该步骤即可通过上述RPC、URL等，得到用户在目标应用中的操作行为所对应的行为轨迹，每个URL和RPC表示了用户的一个操作，这些元素在时间上先后排序，构成了用户的行为轨迹。
该步骤的其它相关可以参见前文实施例的S102。
S204：行为轨迹过滤。
实际应用中，用户的行为轨迹中可能出现的URL个数达到百万级，可能出现的RPC个数也有万级。因此，为了提高处理效率，该步骤可以根据行为轨迹中的元素出现的频率进行了过滤，最后只保留了N个高频的URL和RPC作为过滤后的行为轨迹。
S206：子行为轨迹编码。
本说明书实施例可以将过滤处理后的行为轨迹中，与一个时间窗口相对应的部分行为轨迹称作是一个子行为轨迹，当然，多个时间窗口对应多个子行为轨迹。
该步骤可以采用Bag-of-Words处理的方式，将变长的子行为轨迹转换为一个定长向量(长度为M))。具体地，该步骤可以：
将行为轨迹中与第一时间窗口对应的部分行为轨迹(可以称为第一子行为轨迹)进行Bag-of-Words处理，也即将第一子行为轨迹(参见图2所示的变长行为轨迹)和预设的词典(参见图2所示的定长向量)进行元素匹配处理，基于匹配结果得到第一模型子特征，第一模型子特征的向量长度是M；
将行为轨迹中与第二时间窗口对应的部分(可以称为第二子行为轨迹)进行Bag-of-Words处理，得到第二模型子特征，第二模型子特征的向量长度是M；以及
将行为轨迹中与第三时间窗口对应的部分(可以称为第三子行为轨迹)进行Bag-of-Words处理，得到第三模型子特征，第三模型子特征的向量长度是M。
本说明书实施例中，上述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长。
S208：长短时子行为轨迹拼接。
该步骤即可按时间窗口的先后顺序将编码后的用户子行为轨迹进行拼接，参见图2，图2中的0～t1；t1～t2；……；tn-1～tn分别表示不同的时间窗口。
可选地，第一时间窗口是当前时刻前的1小时；第二时间窗口是当前时刻前的1～24小时，第二时间窗口的时长是23小时；第三时间窗口是当前时刻前的24～72小时，第三时间窗口的时长是48小时，该步骤即可对S206中得到的模型子特征进行拼接，最后得到向量长度是3M的模型特征。
该实施方式充分考虑了距离当前时刻较近的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时长越短，其对应的行为轨迹越重要，便于提高后续步骤中的行为意图预测结果的准确性。
S210：将构建出的模型特征和其他特征输入行为预测模型。
该步骤可以将S208中得到的模型特征与其他的特征进行拼接，输入行为预测模型，即可通过S210得到预测用户的行为意图预测结果，也即用户在操作目标应用时可能遇到的问题。
S212：生成行为意图预测结果。
可选地，得到用户的行为意图预测结果之后，还可以根据用户的行为意图继续执行不同的操作。
例如，在客服机器人自动对话(智能客服)场景中，该实施例还可以基于得到的行为意图预测结果，生成与用户的行为意图对应的问题推荐列表。该实施例能够在客户拨打客服电话咨询之前，及时向客户推送相应问题的解决方案，大大提升客户的使用体验，并且节省客服的人力成本。
本说明书实施例提供的用户行为意图预测方法，通过获取用户在目标应用中的行为轨迹，并基于行为轨迹构建的模型特征和行为预测模型，即可得到用户的行为意图预测结果。
同时，本说明书实施例在构建模型特征时，对多个时间窗口对应的多个部分行为轨迹分别进行编码，考虑了不同时间窗口对应的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时间窗口时长越短，其对应的行为轨迹越重要，可以提升行为意图预测结果的准确性。
另外，本说明书实施例将用户的行为轨迹作为信息源，输入行为预测模型，提高对用户行为反应的时效性，提升行为预测模型的预测效果。
本说明书实施例通过分时间窗口处理，合理的考虑了用户长，短时时间窗口对应的行为轨迹的重要性，能够有效提升行为预测模型的预测效果。
本说明书实施例中，上述多个时间窗口中，距离当前时间越近的时间窗口的时长越短，距离当前时刻越远的时间窗口的时长越长，考虑到了用户最近执行的操作的重要性，便于提升行为预测模型的预测效果。
在具体应用中，通过实验证明，本说明书实施例提供的方法，用户针对问题推荐列表中问题的用户点击率提升了4％。
上述多个实施例中均提到行为预测模型，可选地，本说明书实施例还提供一种用户行为意图预测方法，可以用来生成上述行为预测模型，如图3所示，该实施例300包括如下步骤：
S302：获取与用户在目标应用中的操作行为所对应的行为轨迹。
其中，该步骤中获取到的行为轨迹对应有行为意图标签。
可选地，该步骤中通常获取的是大量用户的行为轨迹。
该步骤的其它公开不足之处可以参见前文实施例的S102。
S304：对多个预设时间窗口在行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征。
其中，上述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；上述多个时间窗口包括在目标时刻之前的多个不同时段，目标时刻可以是当前时刻。
该步骤的其它公开不足之处可以参见前文实施例的S104。
S306：基于模型特征和行为意图标签进行模型训练，以生成行为预测模型。
其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
可选地，在该步骤中，除了S304中生成的模型特征之外，还可以结合其他的一些模型特征进行模型训练。该处的其它模型特征，例如：在余额宝场景中，“当日是否有余额宝收益”、“30天内余额宝单次转入成功次数”等特征。
本说明书实施例提供的用户行为意图预测方法，通过获取用户在目标应用中的行为轨迹，并基于行为轨迹构建的模型特征进行模型训练，即可生成行为预测模型，生成的行为预测模型能够用来预测目标用户的行为意图。
同时，本说明书实施例在构建模型特征时，对多个时间窗口对应的多个部分行为轨迹分别进行编码，考虑了不同时间窗口对应的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时间窗口时长越短，其对应的行为轨迹越重要，可以提升行为意图预测结果的准确性。
以上说明书部分详细介绍了用户行为意图预测方法实施例，如图4所示，本说明书还提供了一种用户行为意图预测装置，如图4所示，该装置400包括：
行为轨迹获取模块402，可以用于获取与用户在目标应用中的操作行为所对应的行为轨迹；
模型特征构建模块404，可以用于对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
结果生成模块406，可以用于将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
本说明书实施例提供的用户行为意图预测装置，通过获取用户在目标应用中的行为轨迹，并基于行为轨迹构建的模型特征和行为预测模型，即可得到用户的行为意图预测结果；同时，本说明书实施例在构建模型特征时，对多个时间窗口对应的多个部分行为轨迹分别进行编码，考虑了不同时间窗口对应的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时间窗口时长越短，其对应的行为轨迹越重要，可以提升行为意图预测结果的准确性。
可选地，作为一个实施例，模型特征构建模块404，具体可以用于将目标部分行为轨迹与预设操作行为集合中的操作行为进行匹配，以生成所述目标部分行为轨迹的编码；其中，所述目标部分行为轨迹为所述多个部分行为轨迹中的任一个；所述编码的位与所述预设操作行为集合中的操作行为相对应，所述编码的位用于指示所述目标部分行为轨迹中是否存在与所述编码的位对应的操作行为相匹配的操作行为；
基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征。
可选地，作为一个实施例，模型特征构建模块404，可以对所述多个部分行为轨迹的编码进行拼接，得到所述模型特征。
可选地，作为一个实施例，模型特征构建模块404，可以对所述多个部分行为轨迹的编码进行加权求和处理，得到所述模型特征。
可选地，作为一个实施例，所述预设时间窗口到所述行为轨迹结束时刻的时长，与所述预设时间窗口对应的部分行为轨迹的编码的权重负相关。
可选地，作为一个实施例，上述用户行为意图预测装置400还可以包括：低频过滤模块，可以用于对所述行为轨迹进行低频过滤处理，以过滤掉所述行为轨迹中频次低于预设值的元素；
其中，模型特征构建模块404，具体可以用于对多个预设时间窗口在处理后的所述行为轨迹对应的多个部分行为轨迹分别进行编码，以构建模型特征。
可选地，作为一个实施例，上述用户行为意图预测装置400还包括：处理模块，可以用于执行下述至少一种：
基于所述行为意图预测结果，生成与所述用户相关的对话内容；
基于所述行为意图预测结果，生成与所述用户相关的问题推荐列表。
根据本说明书实施例的上述用户行为意图预测装置400可以参照对应前文本说明书实施例的用户行为意图预测方法100和200的流程，并且，该用户行为意图预测装置400中的各个单元/模块和上述其他操作和/或功能分别为了实现用户行为意图预测方法100和200中的相应流程，并且能够达到相同或等同的技术效果，为了简洁，在此不再赘述。
如图5所示，本说明书还提供了一种用户行为意图预测装置，如图5所示，该装置500包括：
行为轨迹获取模块502，可以用于获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
模型特征构建模块504，可以用于对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
模型训练模块506，可以用于基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
本说明书实施例提供的用户行为意图预测装置，通过获取用户在目标应用中的行为轨迹，并基于行为轨迹构建的模型特征进行模型训练，即可生成行为预测模型，生成的行为预测模型能够用来预测目标用户的行为意图；同时，本说明书实施例在构建模型特征时，对多个时间窗口对应的多个部分行为轨迹分别进行编码，考虑了不同时间窗口对应的行为轨迹的重要性，即，距离当前时刻越近的时间窗口，其时间窗口时长越短，其对应的行为轨迹越重要，可以提升行为意图预测结果的准确性。
根据本说明书实施例的上述用户行为意图预测装置500可以参照对应前文本说明书实施例的用户行为意图预测方法300的流程，并且，该用户行为意图预测装置500中的各个单元/模块和上述其他操作和/或功能分别为了实现用户行为意图预测方法300中的相应流程，并且能够达到相同或等同的技术效果，为了简洁，在此不再赘述。
下面将结合图6详细描述根据本说明书实施例的电子设备。参考图6，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，如图6所示，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实现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，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)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，在逻辑层面上形成转发聊天信息的装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书前文所述的方法实施例的操作。
上述图1至图3所示实施例揭示的方法、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 Signal Processor，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。
图6所示的电子设备还可执行图1至图3的方法，并实现用户行为意图预测方法在图1至图3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，本申请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一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种用户行为意图预测方法，包括：
获取与用户在目标应用中的操作行为所对应的行为轨迹；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
2.根据权利要求1所述的方法，对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征包括：
将目标部分行为轨迹与预设操作行为集合中的操作行为进行匹配，以生成所述目标部分行为轨迹的编码；其中，所述目标部分行为轨迹为所述多个部分行为轨迹中的任一个；所述编码的位与所述预设操作行为集合中的操作行为相对应，所述编码的位用于指示所述目标部分行为轨迹中是否存在与所述编码的位对应的操作行为相匹配的操作行为；
基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征。
3.根据权利要求2所述的方法，基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征包括：
对所述多个部分行为轨迹的编码进行拼接，得到所述模型特征。
4.根据权利要求2所述的方法，基于所述多个部分行为轨迹的编码进行合成处理，得到所述模型特征包括：
对所述多个部分行为轨迹的编码进行加权求和处理，得到所述模型特征。
5.根据权利要求4所述的方法，所述预设时间窗口到所述行为轨迹结束时刻的时长，与所述预设时间窗口对应的部分行为轨迹的编码的权重负相关。
6.根据权利要求1所述的方法，构建模型特征之前，所述方法还包括：
对所述行为轨迹进行低频过滤处理，以过滤掉所述行为轨迹中频次低于预设值的元素；
其中，对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征包括：对多个预设时间窗口在处理后的所述行为轨迹对应的多个部分行为轨迹分别进行编码，以构建模型特征。
7.根据权利要求1所述的方法，得到所述用户的行为意图预测结果之后，所述方法还包括：
基于所述行为意图预测结果，生成与所述用户相关的对话内容；和/或
基于所述行为意图预测结果，生成与所述用户相关的问题推荐列表。
8.一种用户行为意图预测方法，包括：
获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
9.一种用户行为意图预测装置，包括：
行为轨迹获取模块，获取与用户在目标应用中的操作行为所对应的行为轨迹；
模型特征构建模块，对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
结果生成模块，将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
10.一种用户行为意图预测装置，包括：
行为轨迹获取模块，获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
模型特征构建模块，对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
模型训练模块，基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
11.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
12.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
13.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
将所述模型特征输入行为预测模型，得到所述用户的行为意图预测结果；其中，所述行为预测模型是基于历史行为轨迹构建的模型特征和所述历史行为轨迹对应的行为意图标签训练得到的。
14.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下操作：
获取与用户在目标应用中的操作行为所对应的行为轨迹，其中，所述行为轨迹对应有行为意图标签；
对多个预设时间窗口在所述行为轨迹中对应的多个部分行为轨迹分别进行编码，以构建模型特征，所述多个预设时间窗口中发生时间在前的预设时间窗口时长大于发生时间在后的预设时间窗口时长；
基于所述模型特征和所述行为意图标签进行模型训练，以生成行为预测模型，其中，所述行为预测模型用于基于目标用户的行为轨迹预测所述目标用户的行为意图。
CN201910177015.8A 2019-03-08 2019-03-08 用户行为意图预测方法和装置 Active CN110058989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910177015.8A CN110058989B (zh) 2019-03-08 2019-03-08 用户行为意图预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910177015.8A CN110058989B (zh) 2019-03-08 2019-03-08 用户行为意图预测方法和装置

Publications (2)

Publication Number Publication Date
CN110058989A true CN110058989A (zh) 2019-07-26
CN110058989B CN110058989B (zh) 2023-09-05

Family

ID=67316654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910177015.8A Active CN110058989B (zh) 2019-03-08 2019-03-08 用户行为意图预测方法和装置

Country Status (1)

Country Link
CN (1) CN110058989B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145872A (zh) * 2019-12-05 2020-05-12 北京发光如星文化传播有限公司 用户行为的预测方法、装置、设备和介质
CN111782328A (zh) * 2020-07-02 2020-10-16 支付宝(杭州)信息技术有限公司 应用处理的方法及装置
CN112308294A (zh) * 2020-10-10 2021-02-02 北京贝壳时代网络科技有限公司 违约概率预测方法及装置
CN112954603A (zh) * 2019-11-26 2021-06-11 ***通信集团甘肃有限公司 一种特殊人群运动轨迹的预测方法及电子设备
CN113051023A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 用户行为的预测方法及装置
CN116561437A (zh) * 2023-07-10 2023-08-08 荣耀终端有限公司 用户行为预测方法、终端设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324694A1 (en) * 2014-05-09 2015-11-12 Ting Wang DISCOVERING USER-BEHAVIOR FROM TRAJECTORY-AS-POLYGON (TaP)
CN107292412A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 一种问题预测方法及预测***
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150324694A1 (en) * 2014-05-09 2015-11-12 Ting Wang DISCOVERING USER-BEHAVIOR FROM TRAJECTORY-AS-POLYGON (TaP)
CN107292412A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 一种问题预测方法及预测***
US20190034937A1 (en) * 2016-03-31 2019-01-31 Alibaba Group Holding Limited Problem Prediction Method and System
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112954603A (zh) * 2019-11-26 2021-06-11 ***通信集团甘肃有限公司 一种特殊人群运动轨迹的预测方法及电子设备
CN111145872A (zh) * 2019-12-05 2020-05-12 北京发光如星文化传播有限公司 用户行为的预测方法、装置、设备和介质
CN111782328A (zh) * 2020-07-02 2020-10-16 支付宝(杭州)信息技术有限公司 应用处理的方法及装置
US11397597B2 (en) 2020-07-02 2022-07-26 Alipay (Hangzhou) Information Technology Co., Ltd. Application processing method and apparatus
CN112308294A (zh) * 2020-10-10 2021-02-02 北京贝壳时代网络科技有限公司 违约概率预测方法及装置
CN112308294B (zh) * 2020-10-10 2024-06-14 北京贝壳时代网络科技有限公司 违约概率预测方法及装置
CN113051023A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 用户行为的预测方法及装置
CN116561437A (zh) * 2023-07-10 2023-08-08 荣耀终端有限公司 用户行为预测方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN110058989B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN110058989A (zh) 用户行为意图预测方法和装置
CN109034660B (zh) 基于预测模型的风险控制策略的确定方法及相关装置
JP6744480B2 (ja) ネットワークベースの広告データトラフィックレイテンシ削減
CN108874823A (zh) 智能客服的实现方法和装置
CN109741134A (zh) 信息推送方法、装置、电子设备及计算机可读存储介质
CN110162292A (zh) 语音播报方法及装置
CN107832275A (zh) 区块链中智能合约标识的生成方法、装置及***
CN107783993A (zh) 数据的存储方法和装置
CN107545315A (zh) 订单处理方法及装置
CN102421062A (zh) 应用信息推送方法和***
CN107306355A (zh) 一种内容推荐方法及服务器
CN109561117A (zh) 数据采集方法及装置
CN109376354A (zh) 欺诈行为识别方法、装置、电子设备及可读存储介质
CN108777701A (zh) 一种确定信息受众的方法及装置
CN104317790A (zh) 一种基于大数据的用户行为的控制方法及***
CN112232546A (zh) 一种推荐概率预估方法、装置、电子设备及存储介质
CN112581226B (zh) 产品推荐方法及***
CN110570279A (zh) 一种基于用户实时行为的策略化推荐方法及装置
CN106557954A (zh) 客服营销的方法及装置
CN114996486A (zh) 一种数据推荐方法、装置、服务器以及存储介质
CN109033190A (zh) 一种推荐信息的推送方法、装置及设备
CN113806634B (zh) 业务套餐的推荐方法、装置及服务器
CN106257507A (zh) 用户行为的风险评估方法及装置
CN104618555B (zh) 一种用户信息标注的方法、装置及***
CN107562846A (zh) 一种推荐应用的方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200922

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: 20200922

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.

GR01 Patent grant
GR01 Patent grant