CN110826683A - 一种预测用户行为发生概率的方法和装置 - Google Patents
一种预测用户行为发生概率的方法和装置 Download PDFInfo
- Publication number
- CN110826683A CN110826683A CN201810892315.XA CN201810892315A CN110826683A CN 110826683 A CN110826683 A CN 110826683A CN 201810892315 A CN201810892315 A CN 201810892315A CN 110826683 A CN110826683 A CN 110826683A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- neural network
- modified
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006399 behavior Effects 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测用户行为的方法和装置,涉及计算机技术领域。该方法的一个具体实施方式包括:提取用户行为的历史数据,所述历史数据由多天的用户行为数据组成;基于对所述用户未来行为的分类的数量来配置修改的SqueezeNet卷积神经网络;利用训练数据训练所述修改的SqueezeNet卷积神经网络;以及将所述历史数据输入到经训练的所述修改的SqueezeNet卷积神经网络中,生成对应于所述分类中的每一个的概率,其中,所述修改的SqueezeNet卷积神经网络包括按顺序级联的卷积层以及全连接层。该实施方式能够从源数据中自动提取有效特征,同时,通过选择轻量级网络,使得网络的计算量较小,提高预测的速度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种预测用户行为发生概率的方法、装置、电子设备和计算机可读介质。
背景技术
目前很多购物平台,需要预测用户的行为。例如,购物平台会随机发放一些优惠券让用户领取,比如京东的京豆。目前预测用户未来领取购物券情况的方法,基本都是采用一些需要手工挑选特征的机器学习方法,比如随机森林法。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有的预测用户未来领取购物券情况的方法,都需要手工挑选一些特征,比如过去7天领取购物券的天数,再根据这些特征进行预测。手工挑选特征的问题在于,很难挑选出能够有效预测的特征。从而,现有的技术效果都不太理想。
发明内容
有鉴于此,本发明实施例提供一种预测用户行为发生概率的方法和装置,能够从源数据中自动提取有效的特征,避免手工提取特征存在的问题,同时,通过选择轻量级网络,使得网络的计算量较小,提高预测的速度。
为实现上述目的,根据本发明实施例的一个方面,提供了一种预测用户行为发生概率的方法。包括:提取用户行为的历史数据,所述历史数据由多天的用户行为数据组成;基于对所述用户未来行为的分类的数量来配置修改的SqueezeNet卷积神经网络;利用训练数据训练所述修改的SqueezeNet卷积神经网络;以及将所述历史数据输入到经训练的所述修改的SqueezeNet卷积神经网络中,生成对应于所述用户未来行为的分类中的每一个的发生概率,其中,所述修改的SqueezeNet卷积神经网络包括按顺序级联的卷积层以及全连接层。
可选地,所述用户行为数据反映所述用户是否领取了购物券,并且包括以下5个数据中的一个或多个:第一数据包括当天所述用户是否签到的信息,第二数据包括当天所述用户通过签到领取的购物券的价值;第三数据包括当天所述用户是否领到购物券的信息,第四数据包括当天所述用户领取购物券的次数,第五数据包括当天所述用户所领取到的购物券的价值总和。
可选地,所述历史数据是二维矩阵,所述二维矩阵的行数是基于所述历史数据的天数,所述二维矩阵的列数是基于所述用户行为数据的数目。
可选地,所述全连接层的节点数等于所述用户未来行为的分类的数量。
可选地,所述全连接层的激活函数是softmax。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种预测用户行为发生概率的装置,包括:数据提取单元,所述数据提取模块用于提取用户行为的历史数据,所述历史数据由多天的用户行为数据组成;修改的SqueezeNet卷积神经网络,其中基于对所述用户未来行为的分类的数量来配置修改的SqueezeNet卷积神经网络;训练单元,所述训练单元利用训练数据训练所述修改的SqueezeNet卷积神经网络;以及预测单元,所述预测单元将所述历史数据输入到经训练的所述修改的SqueezeNet卷积神经网络中,生成对应于所述用户未来行为的分类中的每一个发生的概率,其中,所述修改的SqueezeNet卷积神经网络包括按顺序级联的卷积层以及全连接层。
可选地,所述用户行为数据反映所述用户是否领取了购物券,并且包括以下5个数据中的一个或多个:第一数据包括当天所述用户是否签到的信息,第二数据包括当天所述用户通过签到领取的购物券的价值;第三数据包括当天所述用户是否领到购物券的信息,第四数据包括当天所述用户领取购物券的次数,第五数据包括当天所述用户所领取到的购物券的价值总和。
可选地,所述历史数据是二维矩阵,所述二维矩阵的行数是基于所述历史数据的天数,所述二维矩阵的行数是基于所述用户行为数据的数目。
可选地,所述全连接层的节点数等于所述用户未来行为的分类的数量。
可选地,所述全连接层的激活函数是softmax。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现预测用户行为发生概率的方法。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被一个或多个处理器执行时实现预测用户行为发生概率的方法。
利用上述发明中的一个实施例,可以预测用户未来行为的情况,例如对于预测将来领取购物券概率很小的客户,进行追踪,调查原因,解决问题,使访问量、流量增加,因此具有很好的实用价值。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是常规SqueezeNet卷积神经网络的示意图;
图2是根据本发明实施例的修改的SqueezeNet卷积神经网络的示意图;
图3是根据本发明实施例的一种预测用户行为发生概率的方法的主要步骤的示意图;
图4是本发明实施例可以应用于其中的示例性***架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是常规SqueezeNet卷积神经网络的示意图。
SqueezeNet是一种轻量且高效的CNN(卷积神经网络)模型。SqueezeNet的设计理念可以总结为以下三点:
(1)大量使用1x1卷积核替换3x3卷积核;
(2)减少3x3卷积核的输入通道数;
(3)延迟下采样(downsample),前面的层可以有更大的特征图,有利于提升模型准确度。
SqueezeNet网络基本单元是采用了模块化的卷积,其称为Fire模块。Fire模块主要包含两层卷积操作:一是采用1x1卷积核的squeeze(挤压)层;二是混合使用1x1和3x3卷积核的expand(扩展)层。
整个SqueezeNet就是使用Fire基本模块顺序级联而成的,如图1所示,其开始于一个卷积层,后面是Fire模块的顺序级联,值得注意的是其中穿插着maxpool层,其主要作用是下采样,并且采用延迟的策略,尽量使前面层拥有较大的特征图。
SqueezeNet的一些具体的实现细节:
(1)在Fire模块中,expand层采用了混合卷积核1x1和3x3,其stride均为1,对于1x1卷积核,其输出特征图与原始一样大小;
(2)Fire模块中所有卷积层的激活函数采用ReLU,Relu是一种激活单元,经过该操作,大于0的值等于原值,小于0的值变成0;
(3)Fire9层后采用了dropout(退出)层;
(4)SqueezeNet没有全连接层,而是采用了全局的avgpool层;
(5)训练采用线性递减的学习速率。
相比传统的压缩方法,SqueezeNet能在保证精度不损(甚至略有提升)的情况下,达到最大的压缩率,将原始AlexNet从240MB压缩至4.8MB,而结合深度压缩后更能达到0.47MB,完全满足了移动端的部署和低带宽网络的传输。
图2是根据本发明实施例的修改的SqueezeNet卷积神经网络的示意图。
根据本发明的实施例,利用神经网络预测用户行为,例如领取购物券。首先选择神经网络,而不是其他方法,其原因在于神经网络可以自动的从源数据中提取有效的特征。其次,选择卷积神经网络,而不是其他类型的网络,是因为输入数据中存在局部相关性,对输入数据用卷积神经网络提取局部的特征,有助于提升预测的效果。卷积神经网络的特点就是提取局部有效的特征。
进一步地,之所以选择SqueezeNet卷积神经网络,是因为该网络是一种轻量级网络,网络计算非常的快,也就是,模型预测非常快,时间非常短,而且,该网络经过精心的设计,提取特征的能力较强。
但是SqueezeNet最初被用于图像处理中,图像是固定的RGB三通道,而购物券预测任务输入的数据是一个通道,其分辨率是非常小的,因此,需要对SqueezeNet网络进行修改。
具体地,SqueezeNet由一系列的卷积层、降采样层、拼接层等组成。根据本发明的实施例,由于输入数据的尺寸较小,本发明把所有的降采样层去掉,保留卷积层、拼接层等其他的层。同时去掉最后一个卷积层及其之后的层,因为这几个层是针对图像分类任务使用的特定用途的层。之后,在SqueezeNet网络剩余的这些层的后面接一个全连接层。全连接层的激活函数选择softmax。在此,softmax是一种激活单元,对每个激活单元的输出做一个指数操作,即ex,然后对所有激活单元的该值求和,之后每个激活单元的该值除以这个和,就是该激活单元的softmax输出。
网络优化的目标,也就是损失函数,选择的是网络的输出与真值的共轭梯度。
图3是根据本发明实施例的一种预测用户行为发生概率的方法的主要步骤的示意图。
在步骤S301中,进行数据准备。提取用户行为的历史数据,即提取用户过去很多天的数据,每天的数据包括多个维度的数据。用户行为可以是领取购物券。每天的数据例如以下五个数据:第一数据是当天在购物平台上是否签到,签到用1表示,没签到用0表示;第二数据是当天通过签到领了多少价值的购物券,是一个大于等于0的整数;第三数据是当天在购物平台上是否有领到购物券,没有领取用0表示,领取了用1表示,领到购物券除了可以通过签到,还有别的方式,只要领导了购物券,该数据就填充1;第四数据是当天在购物平台上有多少次领取了购物券,除了签到别的方式也都计算在内,是一个大于等于0的整数;第五数据是所有领取到的购物券的价值的总和,是一个大于等于的整数。每天的数据至少包括上述五个维度。签到的同时会发放购物券,因此它作为了特征之一。领了多少的购物券,0代表没领,而大于0代表领了,所以也能反映是否领取了购物券。是否领到购物券,也能反映是否领取了购物券;多少次领取购物券,0表示没领,而大于0代表领了,所以能反映是否领取了购物券;领取到购物券价值的总和,也能体现是否领取了购物券,所以这5个数据均能反映用户是否领取了购物券,因此首选这5个特征。
举例说明,我们提取了40天的历史数据,共200个值。我们注意到,每天的5个数据是相互关联的,前后多天的数据也是相互关联的。因此,可以把40天的5维的数据组合成一个40行5列的二维矩阵,对二维矩阵分类学习较好的方法,就是采用卷积神经网络对二维数据进行学习。
在步骤S302中,配置修改的SqueezeNet卷积神经网络。在此,构建如参考图2所述的修改的SqueezeNet卷积神经网络。在这个修改的SqueezeNet网络的最后面是一个全连接层。全连接层的节点数由任务所关心的问题决定。假如商家关心的是未来7天里用户通过签到平台领购物券的情况,即7天里0到2天通过签到平台领取了购物券,以及7天里3到7天通过签到平台领取了购物券,这两类情况。前一类代表不常通过签到领购物券,而后一类代表经常通过签到领购物券。那么在这种情况下全连接层有两个节点,分别代表属于这两种情况的概率。全连接层的所有节点和上一层Fire模块9的所有节点都有权重参数连接。权重参数一开始是随机确定,之后网络学***台领购物券的8种情况,那么全连接层就有8个节点,分别代表属于这8类的概率。
在步骤S303中,训练修改的SqueezeNet网络。首先,对于修改的SqueezeNet网络保留的层的参数,使用该网络在ImageNet图像分类数据集上训练好的模型参数进行初始化,然后网络的训练采用反向传播算法,参数的更新采用随机梯度下降方法。
在步骤S304中,使用经训练的修改的SqueezeNet网络,利用在步骤S301中准备的数据进行预测。
作为示例,通过1000多万个样本的训练集对修改的SqueezeNet网络进行训练。利用400万个样本的测试机进行测试,在如步骤S303中描述的分两类的情况下,准确率可达98%。
通过图3所述的步骤,能够利用修改的SqueezeNet卷积神经网络对诸如领购物券的用户行为的历史数据进行处理,以便预测未来领购物券的情况。
图4示出了可以应用本发明实施例的分布式定时开关控制方法的示例性***架构400。
如图4所示,***架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的分布式定时开关控制方法方法一般由服务器405执行,相应地,分布式定时开关控制方法装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图5所示为适于用来实现本发明实施例的终端设备的计算机***500的结构示意图。图5所示的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503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。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文步骤图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行步骤图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质包括计算机可读信号介质或计算机可读存储介质,或者是上述两者的任意组合。计算机可读存储介质包括但不限于电、磁、光、电磁、红外线、半导体的***、装置或器件,或者上述内容的任意组合。计算机可读存储介质具体包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述内容的任意组合。在本发明中,计算机可读存储介质包括任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用;计算机可读的信号介质包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述信号的任意组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF(射频)等,或者上述介质的任意组合。
附图中的步骤图或框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作,步骤图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,上述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以并行地执行,有时也可以按相反的顺序执行,其执行顺序依所涉及的功能而定。也要注意的是,框图或步骤图中的每个方框以及其组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
另一方面,本发明实施例还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:提取用户行为的历史数据,所述历史数据由多天的用户行为数据组成;基于对所述用户未来行为的分类的数量来配置修改的SqueezeNet卷积神经网络;利用训练数据训练所述修改的SqueezeNet卷积神经网络;以及将所述历史数据输入到经训练的所述修改的SqueezeNet卷积神经网络中,生成对应于所述分类中的每一个的概率,其中,所述修改的SqueezeNet卷积神经网络包括按顺序级联的卷积层、8个Fire模块,以及全连接层。
根据本发明实施例的技术方案,提供一种预测用户行为发生概率的方法和装置,能够从源数据中自动提取有效的特征,避免手工提取特征存在的问题,同时,通过选择轻量级网络,使得网络的计算量较小,提高预测的速度。
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,取决于设计要求和其他因素,可以发生各种各样的修改、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 (12)
1.一种预测用户行为发生概率的方法,其特征在于,包括:
提取用户行为的历史数据,所述历史数据由多天的用户行为数据组成;
基于对所述用户未来行为的分类的数量来配置修改的SqueezeNet卷积神经网络;
利用训练数据训练所述修改的SqueezeNet卷积神经网络;以及
将所述历史数据输入到经训练的所述修改的SqueezeNet卷积神经网络中,生成对应于所述用户未来行为的分类中的每一个发生的概率,
其中,所述修改的SqueezeNet卷积神经网络包括按顺序级联的卷积层以及全连接层。
2.根据权利要求1所述的方法,其特征在于,所述用户行为数据反映所述用户是否领取了购物券,并且包括以下5个数据中的一个或多个:第一数据包括当天所述用户是否签到的信息,第二数据包括当天所述用户通过签到领取的购物券的价值;第三数据包括当天所述用户是否领到购物券的信息,第四数据包括当天所述用户领取购物券的次数,第五数据包括当天所述用户所领取到的购物券的价值总和。
3.根据权利要求1所述的方法,其特征在于,所述历史数据是二维矩阵,所述二维矩阵的行数是基于所述历史数据的天数,所述二维矩阵的列数是基于所述用户行为数据的数目。
4.根据权利要求1所述的方法,其特征在于,所述全连接层的节点数等于所述用户未来行为的分类的数量。
5.根据权利要求1所述的方法,其特征在于,所述全连接层的激活函数是softmax。
6.一种预测用户行为发生概率的装置,其特征在于,包括:
数据提取单元,所述数据提取模块用于提取用户行为的历史数据,所述历史数据由多天的用户行为数据组成;
修改的SqueezeNet卷积神经网络,其中基于对所述用户未来行为的分类的数量来配置修改的SqueezeNet卷积神经网络;
训练单元,所述训练单元利用训练数据训练所述修改的SqueezeNet卷积神经网络;以及
预测单元,所述预测单元将所述历史数据输入到经训练的所述修改的SqueezeNet卷积神经网络中,生成对应于所述用户未来行为的分类中的每一个发生的概率,
其中,所述修改的SqueezeNet卷积神经网络包括按顺序级联的卷积层以及全连接层。
7.根据权利要求6所述的装置,其特征在于,所述用户行为数据反映所述用户是否领取了购物券,并且包括以下5个数据中的一个或多个:第一数据包括当天所述用户是否签到的信息,第二数据包括当天所述用户通过签到领取的购物券的价值;第三数据包括当天所述用户是否领到购物券的信息,第四数据包括当天所述用户领取购物券的次数,第五数据包括当天所述用户所领取到的购物券的价值总和。
8.根据权利要求6所述的装置,其特征在于,所述历史数据是二维矩阵,所述二维矩阵的行数是基于所述历史数据的天数,所述二维矩阵的行数是基于所述用户行为数据的数目。
9.根据权利要求6所述的装置,其特征在于,所述全连接层的节点数等于所述用户未来行为的分类的数量。
10.根据权利要求6所述的装置,其特征在于,所述全连接层的激活函数是softmax。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被一个或多个处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810892315.XA CN110826683A (zh) | 2018-08-07 | 2018-08-07 | 一种预测用户行为发生概率的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810892315.XA CN110826683A (zh) | 2018-08-07 | 2018-08-07 | 一种预测用户行为发生概率的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826683A true CN110826683A (zh) | 2020-02-21 |
Family
ID=69533835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810892315.XA Pending CN110826683A (zh) | 2018-08-07 | 2018-08-07 | 一种预测用户行为发生概率的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826683A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178987A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
CN111709787A (zh) * | 2020-06-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 用于生成用户留存时间的方法、装置、电子设备和介质 |
CN113535794A (zh) * | 2020-04-17 | 2021-10-22 | 北京沃东天骏信息技术有限公司 | 一种用户行为数据处理方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392373A (zh) * | 2014-12-02 | 2015-03-04 | 西安邮电大学 | 云计算环境中基于关键历史行为的交互决策方法 |
CN106951395A (zh) * | 2017-02-13 | 2017-07-14 | 上海客鹭信息技术有限公司 | 面向压缩卷积神经网络的并行卷积运算方法及装置 |
CN107153887A (zh) * | 2017-04-14 | 2017-09-12 | 华南理工大学 | 一种基于卷积神经网络的移动用户行为预测方法 |
WO2017152990A1 (en) * | 2016-03-11 | 2017-09-14 | Telecom Italia S.P.A. | Convolutional neural networks, particularly for image analysis |
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN108156519A (zh) * | 2017-12-25 | 2018-06-12 | 深圳Tcl新技术有限公司 | 图像分类方法、电视设备及计算机可读存储介质 |
-
2018
- 2018-08-07 CN CN201810892315.XA patent/CN110826683A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392373A (zh) * | 2014-12-02 | 2015-03-04 | 西安邮电大学 | 云计算环境中基于关键历史行为的交互决策方法 |
WO2017152990A1 (en) * | 2016-03-11 | 2017-09-14 | Telecom Italia S.P.A. | Convolutional neural networks, particularly for image analysis |
CN106951395A (zh) * | 2017-02-13 | 2017-07-14 | 上海客鹭信息技术有限公司 | 面向压缩卷积神经网络的并行卷积运算方法及装置 |
CN107153887A (zh) * | 2017-04-14 | 2017-09-12 | 华南理工大学 | 一种基于卷积神经网络的移动用户行为预测方法 |
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN108156519A (zh) * | 2017-12-25 | 2018-06-12 | 深圳Tcl新技术有限公司 | 图像分类方法、电视设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
林友芳等: "一种基于社交网络的民航新旅客成长性预测方法", 《北京交通大学学报》, vol. 38, no. 6, pages 40 - 41 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178987A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
CN111178987B (zh) * | 2020-04-10 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
CN113535794A (zh) * | 2020-04-17 | 2021-10-22 | 北京沃东天骏信息技术有限公司 | 一种用户行为数据处理方法和装置 |
CN111709787A (zh) * | 2020-06-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 用于生成用户留存时间的方法、装置、电子设备和介质 |
CN111709787B (zh) * | 2020-06-18 | 2023-08-22 | 抖音视界有限公司 | 用于生成用户留存时间的方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11256990B2 (en) | Memory-efficient backpropagation through time | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
US11334758B2 (en) | Method and apparatus of data processing using multiple types of non-linear combination processing | |
CN110826683A (zh) | 一种预测用户行为发生概率的方法和装置 | |
CN115114439B (zh) | 多任务模型推理、多任务信息处理的方法和装置 | |
US20210012191A1 (en) | Performing multivariate time series prediction with three-dimensional transformations | |
CN111753551A (zh) | 基于词向量生成模型的信息生成方法和装置 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN108229680B (zh) | 神经网络***、遥感图像识别方法、装置、设备及介质 | |
US20240161172A1 (en) | Information pushing method and apparatus | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN115730555A (zh) | 一种芯片布局方法、装置、设备及存储介质 | |
CN114428907A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN114359811A (zh) | 数据鉴伪方法、装置、电子设备以及存储介质 | |
CN114792086A (zh) | 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质 | |
CN111767918A (zh) | 一种图片识别方法和装置 | |
CN112036418A (zh) | 用于提取用户特征的方法和装置 | |
CN109740829A (zh) | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 | |
CN116701972B (zh) | 业务数据处理方法、装置、设备以及介质 | |
CN109993559A (zh) | 模型训练方法和*** | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 |
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 |