CN111767196A - 数据处理方法、装置、电子设备及计算设备 - Google Patents
数据处理方法、装置、电子设备及计算设备 Download PDFInfo
- Publication number
- CN111767196A CN111767196A CN201910256810.6A CN201910256810A CN111767196A CN 111767196 A CN111767196 A CN 111767196A CN 201910256810 A CN201910256810 A CN 201910256810A CN 111767196 A CN111767196 A CN 111767196A
- Authority
- CN
- China
- Prior art keywords
- data
- interaction
- behavior
- sensor
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 358
- 230000006399 behavior Effects 0.000 claims description 384
- 238000012545 processing Methods 0.000 claims description 116
- 238000000034 method Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 22
- 230000006698 induction Effects 0.000 claims description 19
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/349—Performance evaluation by tracing or monitoring for interfaces, buses
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例提供一种数据处理方法、装置、电子设备及计算设备。其中,从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;基于所述至少一种界面交互数据及至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。本申请实施例提供的技术方案提高了行为预测准确度。
Description
技术领域
本申请实施例涉及计算机应用技术领域,尤其涉及一种数据处理方法、装置、电子设备及计算设备。
背景技术
随着计算机技术及互联网技术的发展,通过互联网即可以实现诸如网上交易等业务操作,用户在互联网平台上可以发生多种线上的用户行为,以网上交易场景为例,用户在网上交易平台中例如可以对商品或者商家执行浏览、分享或者购买等用户行为。因此,在很多实际应用中,需要进行用户行为预测,比如在网上交易场景中,需要对用户消费行为进行预测,根据预测结果即可以决定是否执行激励用户进行消费的业务操作等,如向用户发送商品优惠券等。
目前,用户行为预测往往是由服务端结合当前时刻之前用户的历史行为数据来进行预测,但是,这种预测方式并不够准确。
发明内容
本申请实施例提供一种数据处理方法、装置、电子设备及计算设备,用以解决现有技术中用户行为预测准确度低的技术问题。
第一方面,本申请实施例中提供了一种数据处理方法,包括:
从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
第二方面,本申请实施例中提供了一种数据处理方法,包括:
从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据或者至少一种传感器数据;
基于所述至少一种界面交互数据或者所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
第三方面,本申请实施例中提供了一种数据处理方法,包括:
获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;其中,所述至少一种界面交互样本数据及所述至少一种传感器样本数据通过对电子设备执行操作而产生;
基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
第四方面,本申请实施例中提供了一种数据处理装置,包括:
第一数据获取模块,用于从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据;
行为预测模块,用于基于所述至少一种界面交互数据,利用行为预估模型预测所述用户是否执行目标行为;
其中,所述行为预估模型基于所述目标行为对应的至少一种界面交互样本数据训练获得。
第五方面,本申请实施例中提供了一种数据处理装置,包括:
第二数据获取模块,用于从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据或至少一种传感器数据;
第二行为预测模块,用于基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
第六方面,本申请实施例中提供了一种数据处理装置,包括:
第三数据获取模块,用于获取目标行为对应的至少一种界面交互样本数据及至少一种传感器数据;其中,所述至少一种界面交互样本数据通过对电子设备执行操作而产生;
模型训练模块,用于基于所述至少一种界面交互样本数据及所述至少一种传感器数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
第七方面,本申请实施例中提供了一种电子设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
从数据记录中,获取用户对所述电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
第八方面,本申请实施例中提供了一种电子设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
从数据记录中,获取用户对所述电子设备执行操作而产生的至少一种界面交互数据或至少一种传感器数据;
基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
第九方面,本申请实施例中提供了一种计算设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;其中,所述至少一种界面交互样本数据及所述至少一种传感器样本数据通过样本用户对电子设备执行操作而产生;
基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
第十方面,本申请实施例中提供了一种数据处理方法,包括:
采集电子设备的至少一种传感器数据;
采集用户操作所述电子设备而产生的至少一种交互数据;
对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征;
对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征;
基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为。
第十一方面,本申请实施例中提供了一种购买行为预测方法,包括:
采集电子设备的至少一种传感器数据;
采集用户操作所述电子设备而产生的至少一种交互数据;
对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征;
对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征;
基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行商品购买行为。
本申请实施例中,从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为;其中,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据及所述至少一种传感器数据训练获得。本申请实施例中,结合用户对电子设备执行操作而产生的至少一种界面交互数据,进行用户行为预测,相较于使用历史行为数据进行用户行为预测,使用界面交互数据及传感器数据进行行为预测,可以有效提高行为预测准确度。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请提供的一种数据处理方法一个实施例的流程图;
图2示出了本申请提供的一种数据处理方法又一个实施例的流程图;
图3示出了本申请实施例在一个实际应用中的模型训练示意图;
图4示出了本申请提供的一种数据处理方法又一个实施例的流程图;
图5示出了本申请提供的一种数据处理装置一个实施例的结构示意图;
图6示出了本申请提供的一种电子设备一个实施例的结构示意图;
图7示出了本申请提供的一种数据处理装置又一个实施例的结构示意图;
图8示出了本申请提供的一种电子设备又一个实施例的结构示意图;
图9示出了本申请提供的一种数据处理装置又一个实施例的结构示意图;
图10示出了本申请提供的一种计算设备一个实施例的结构示意图;
图11示出了本申请提供的一种数据处理方法又一个实施例的流程图;
图12示出了本申请提供的一种购买行为预测方法一个实施例的流程图;
图13示出了本申请提供的一种数据处理装置又一个实施例的结构示意图;
图14示出了本申请提供的一种电子设备又一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本申请实施例的技术方案可以适用于对线上发生的用户行为进行预测的任意场景中,比如网上交易场景中,可以对用户的商品购买行为、商品收藏行为等进行预测。
目前,通常是由后端,也即服务端结合用户的历史行为数据进行预测,比如结合用户在过去一周内发生的商品浏览行为、商品收藏行为等,预测未来一周用户是否会执行购买行为等。但是,发明人在实现本发明的过程中发现,结合历史行为数据进行预测,通常是根据历史行为执行次数等进行预测,因此结合历史行为数据进行预测得到的预测结果并不够准确,且历史行为数据通常是由前端,也即客户端采集并上传至服务端,但是为了节省开销,客户端采集的用户行为数据并不会实时上传至服务端,通常是累计到一定数据量时,再统一上传至服务端,因此历史行为数据往往是比较滞后的,因此也会导致预测结果不够准确。
为了提高行为预测准确度,发明人研究发现,线上用户行为的产生通常需要用户在客户端所配置的电子设备中执行相应操作,比如在屏幕中执行点击、滑动等操作、而电子设备也通常也会配置传感器等检测组件,用户线上行为的产生也会导致传感器数据的变化,比如根据传感器数据确定电子设备在移动过程中的时候,发生线上用户行为的几率就会比较低,据此发现,发明人提出了本申请的技术方案,在本申请实施例中,从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为;其中,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据训练获得。本申请实施例中,结合用户对电子设备执行操作而产生的至少一种界面交互数据以及至少一种传感器数据,进行用户行为预测,相较于使用历史行为数据进行用户行为预测,使用界面交互数据及传感器数据,可以有效提高行为预测准确度。
而且可以由客户端直接进行用户行为预测,客户端可以拿到距离当前时刻最新的界面交互数据,提高了行为预测准确度,且客户端仅针对一个用户进行行为预测,无需占用太多资源,因此可以节省服务端的存储和计算资源。
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,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作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为本申请实施例提供的一种数据处理方法一个实施例的流程图,该方法可以包括以下几个步骤:
101:从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据。
其中,用户对电子设备执行操作的可以包括对电子设备的屏幕执行的操作,对电子设备的物理按键执行的操作、和/或对电子设备本身执行的操作如移动、旋转等。
采集用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,并可以将至少一种界面交互数据及至少一种传感器数据存储在数据记录中,从而需要进行行为预测时,可以从数据记录中获取界面交互数据及传感器数据。
其中,传感器数据是对电子设备本身执行操作而检测获得,页面交互数据以及控件交互数据是对电子设备的屏幕或物理按键执行操作而检测获得。
根据对电子设备执行操作的不同,界面交互数据可以包括多个种类。
在一个可选方式中,所述至少一种界面交互数据可以包括页面交互数据和/或控件交互数据。
页面交互数据是通过对页面执行操作而产生的,而用户有可能会对多个页面分别执行操作,因此,可选地,所述页面交互数据可以包括至少一个页面操作数据;每一个页面操作数据对应一个页面;可选地,所述页面操作数据可以包括页面名称、页面启动时刻、页面结束时刻、页面停留时长、页面操作位置、操作发生时刻以及操作持续时间中的一个或多个;其中,页面操作位置可以包括操作起始位置以及操作结束位置等。
控件交互数据是通过对页面中的控件执行操作而生成的,而用户有可能会对多个控件分别执行操作,因此,可选地,所述控件交互数据可以包括至少一个控件操作数据;每一个控件操作数据对应一个控件;可选地,所述控件操作数据可以包括控件名称、控件所在页面名称以及控件操作发生时刻中的一个或多个;
由于电子设备中可以设置至少一种传感器,例如运动传感器如加速度传感器、位置传感器如GPS(Global Positioning System,全球定位***)、压力传感器、光敏传感器等等。因此,可选地,所述至少一种传感器数据可以包括运动传感器数据、位置传感器数据、光敏传感器数据以及压力传感器数据中的一个或多个等。
可选地,由于传感器可以实时或者周期性进行检测,因此,每一种传感器数据可以包括不同时刻检测获得的感应数据。
102:基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
可选地,步骤102具体可以是,基于所述至少一种界面交互数据,利用行为预估模型预测所述用户在当前时刻之后的预定时长内是否执行目标行为。
可选地,行为预估模型具体是计算用户执行目标行为的预测概率,预测概率大于概率阈值时,可以认为用户会执行目标行为。
其中,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据及所述至少一种传感器数据训练获得。
本实施例中,结合用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,进行用户行为预测,相较于使用历史行为数据进行用户行为预测,界面交互数据及传感器数据会更加客观,因此可以提高行为预测准确度。
在某些实施例中,所述从数据记录中,获取用户对电子设备执行用户操作而生成的至少一种界面交互数据可以包括以下一种或多种:
从数据记录中,获取距离当前时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面操作数据;
从所述数据记录中,获取距离当前时刻第二时长内的,用户对至少一个控件执行操作而产生的至少一个控件操作数据;
获取用户对电子设备执行用户操作而生成的至少一种传感器数据可以包括:
从所述数据记录中,获取距离当前时刻第三时长内的至少一种传感器分别检测获得的至少一个感应数据。
由于传感器数据检测频率较高,第三时长可以小于第一时长以及第二时长,第一时长以及第二时长例如可以为1小时,第三时长可以为10秒等。
可选地,用于训练行为预估模型的至少一种界面交互样本数据可以包括至少一种传感器样本数据以及页面交互样本数据和/或控件交互样本数据;
其中,所述页面交互样本数据可以包括至少一个页面操作样本数据;所述控件交互样数据可以包括至少一个控件交互样本数据;所述传感器样本数据可以包括不同时刻检测获得的感应样本数据。
其中,至少一个页面操作样本数据也可以是在样本采样时刻之前、距离样本采集时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面交互样本数据;其中,样本采集时刻之后的预定时长内,样本用户户会执行该目标行为。
至少一个控件交互样本数据可以是指在样本采用时刻之前、距离样本采集时刻第二时长内的用户对至少一个控件执行操作而产生的至少一个控件交互样本数据;
至少一个传感器样本数据可以是指在样本采样时刻之前、距离样本采样时刻第三时长内的至少一种传感器分别检测获得的至少一个感应样本数据。
其中,页面操作样本数据中可以包括页面名称、页面启动时刻、页面结束时刻、页面停留时长、页面操作位置、操作发生时刻以及操作持续时间中的一个或多个;
所述控件操作样本数据可以包括控件名称、控件所在页面名称以及控件操作发生时刻中的一个或多个;
所述至少一种传感器数据可以包括运动传感器数据、位置传感器数据、以及压力传感器数据中的一个或多个。
在某些实施例中,至少一种界面交互数据可以页面交互数据以及控件交互数据,所述基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为可以包括:
根据所述至少一种传感器数据,分别生成至少一种传感器数据特征;
根据所述至少一个页面操作数据以及所述至少一个页面操作数据的时间戳先后顺序,生成页面交互特征;
根据所述至少一个控件操作数据以及所述至少一个控件操作数据的时间戳先后顺序,生成控件交互特征;
基于所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为。
当然,至少一种界面交互数据仅包括页面交互数据时,基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为可以包括:
根据所述至少一种传感器数据,分别生成至少一种传感器数据特征;
根据所述至少一个页面操作数据以及所述至少一个页面操作数据的时间戳先后顺序,生成页面交互特征;
基于所述至少一种传感器数据特征及所述页面交互特征,利用所述行为预估模型预测所述用户是否执行目标行为。
当然,至少一种界面交互数据仅包括控件交互数据时,基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为可以包括:
根据所述至少一种传感器数据,分别生成至少一种传感器数据特征;
根据所述至少一个控件操作数据以及所述至少一个控件操作数据的时间戳先后顺序,生成控件交互特征;
基于所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为。
由于每一种传感器数据可以包括不同时刻采集获得的感应数据,传感器数据特征可以是对不同时刻的感应数据进行综合处理计算获得,因此,在某些实施例中,所述根据所述至少一种传感器数据,分别生成至少一种传感器数据特征可以包括:
针对任一种传感器数据中的至少一个感应数据,对所述至少一个感应数据进行综合处理,获得传感器数据特征。
比如感应数据若为时序数据,可以通过计算不同时刻的感应数据的均值、方差、中位数、最大值或者最小值,可以将不同时刻的感应数据的均值、方差、中位数、最大值以及最小值中的一个或多个形成的向量作为传感器数据特征;感应数据若为频域数据,可以通过计算不同时刻的感应数据的均值、方差、直流分量、幅度、峰度或偏度等,可以将不同时刻的感应数据的均值、方差、直流分量、幅度、峰度以及偏度中的一个或多个形成的向量作为传感器数据特征。
由于用户执行目标行为时,通常也会发生对电子设备的操作,因此,通过综合处理不同时刻的感应数据,可以体现电子设备在一定时间段的状态变化,进而结合电子设备的状态变化可以确定用户是否操作电子设备等,进而可以预测是否会执行目标行为等。
其中,页面交互特征可以是将至少一个页面操作数据按照时间戳先后顺序排列形成的向量;
控件交互特征可以是将至少一个控件操作数据按照时间戳先后顺序排列形成的向量。
其中,时间戳具体可以是指数据采集时刻。
其中,基于所述至少一种传感器数据特征、所述页面交互特征和/或所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为可以是指将至少一种传感器数据特征、所述页面交互特征和/或所述控件交互特征输入行为预估模型,行为预估模型即可以进行预测。
可选地,根据传感器数据生成传感器数据特征之前,还可以对传感器数据进行数据预处理,比如数据预处理可以包括归一化处理,也即可以将传感器数据进行归一化处理、之后再基于经过归一化处理的传感器数据,生成传感器数据特征;
同样,页面操作数据以及控件操作数据也可以分别进行数据预处理,以保证数据准确度。
此外,至少一种传感器数据特征、所述页面交互特征和/或所述控件交互特征输入行为预估模型之前,还可以进行Embedding(嵌入)处理之后,再输入行为预估模型。Embedding可以将特征进行降维处理。
在某些实施例中,所述行为预估模型也即可以具体是基于至少一种感应样本特征、页面交互样本特征以及控件交互特征训练获得;
其中,感应样本特征可以是基于传感器数据生成,页面交互样本特征可以是根据至少一个页面操作样本数据以及所述至少一个页面操作样本数据的时间戳先后顺序生成;控件交互特征可以是根据至少一个控件操作样本数据以及所述至少一个控件操作样本数据的时间戳先后顺序生成。
行为预估模型可以学习目标行为发生之前的用户对电子设备执行的各种操作之间的关联关系,从而可以进一步提高模型预测准确度。
在某些实施例中,所述基于所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为可以包括:
将所述至少一种传感器特征、所述页面交互特征以及所述控件交互特征,输入行为预估模型;
利用所述行为预估模型将所述至少一种传感器特征、所述页面交互特征以及所述控件交互特征按照各自对应的权重系数进行融合,获得融合特征,并利用所述融合特征,获得所述用户执行目标行为的预测概率。
通过行为预估模型可以将不同数据特征进行融合交叉,使得模型可以考虑不同数据特征之间的关联关系,因此可以进一步提高行为预测准确度。
其中,所述行为预估模型可以为神经网络模型,包括输入层、至少一个中间层以及输出层构成;可选地,所述行为预估模型例如可以为LSTM(Long Short-Term Memory,长短期记忆网络)、RNN(Recurrent Neural Network,循环神经网络)或者CNN(ConvolutionalNeural Networks,卷积神经网络)等;
因此,在某些实施例中,所述基于所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为可以包括:
将所述至少一种传感器数据特征、所述页面交互特征以及所述控件交互特征,分别输入所述输入层,并经过所述至少一个中间层处理分别获得所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征各自对应的输出特征;
按照所述至少一个传感器数据特征、所述页面交互特征以及所述控件交互特征各自对应的权重系数,在所述输出层将多个输出特征进行融合,获得融合特征;
利用所述融合特征,获得所述用户执行目标行为的预测概率。
通过行为预估模型可以将不同特征进行融合交叉,使得模型可以考虑不同特征之间的关联关系,因此可以进一步提高行为预测准确度。
可选地,可以是按照所述至少一个传感器数据特征、所述页面交互特征以及所述控件交互特征各自对应的权重系数,将多个输出特征的加权平均值作为融合特征。
此外,也可以按照所述至少一个传感器数据特征、所述页面交互特征以及所述控件交互特征各自对应的权重系数,利用FM(Factorization Machine,因子分解机)技术进行融合,得到融合特征。
在某些实施例中,所述方法还可以包括:
从所述数据记录中,获取所述用户执行不同行为产生的至少一个历史行为数据;
所述基于所述至少一种界面交互数据,利用行为预估模型预测所述用户是否执行目标行为可以包括:
基于所述至少一种界面交互数据、所述至少一种传感器数据以及所述至少一个历史行为数据,利用行为预估模型预测所述用户是否执行目标行为;
其中,所述行为预估模型具体是基于所述目标行为对应的至少一种界面交互样本数据、至少一种传感器数据及至少一个历史行为样本数据训练获得。
也即本申请实施例中,也可以结合用户的历史行为数据来进行目标行为的预测。
此外,在某些实施例中,所述方法还可以包括:
将预测结果发送至服务端,以供服务端基于所述预测结果进行业务处理。
比如,在网上交易场景中,目标行为可以是指商品购买行为,若预测结果表明会执行商品购买行为,则服务端可以向所述用户推送激励其执行商品购买行为的相关推荐信息,相关推荐信息例如可以是指红包、电子优惠券等资源。可以用于抵扣购买商品时的金额,以此激励用户执行商品购买行为。
由上文描述可知,行为预估模型可以预先训练获得,如图2所示的数据数据处理方法中,提供了一种模型训练方式,该方法可以包括以下几个步骤:
201:获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据。
其中,所述至少一种界面交互样本数据及所述至少一种传感器样本数据通过样本用户对电子设备执行操作而产生。
202:基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型可以用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
在某些实施例中,所述至少一种界面交互样本数据包括页面交互样本数据和/或控件交互样本数据;
其中,所述页面交互样本数据包括至少一个页面操作样本数据;所述控件交互样数据包括至少一个控件交互样本数据;所述传感器样本数据包括不同时刻检测获得的感应样本数据。
在某些实施例中,所述基于所述至少一种界面交互样本数据及至少一种传感器数据,训练行为预估模型包括:
根据所述至少一种传感器样本数据,分别生成至少一种感应样本特征;
根据所述至少一个页面操作样本数据以及所述至少一个页面操作样本数据的时间戳先后顺序,生成页面交互样本特征;
根据所述至少一个控件操作样本数据以及所述至少一个控件操作样本数据的时间戳先后顺序,生成控件交互样本特征;
基于所述至少一种感应样本特征、所述页面交互样本特征以及所述控件交互样本特征,训练所述行为预估模型。
当然,若至少一种界面交互样本数据仅包括页面交互数据,则可以具体是基于至少一种感应样本特征以及页面交互样本特征,训练行为预估模型;
若至少一种界面交互样本数据仅包括控件交互数据,则可以具体是基于至少一种感应样本特征以及控件交互样本特征,训练行为预估模型。
在某些实施例中,所述行为预估模型为神经网络模型,包括输入层、至少一个中间层以及输出层构成;
所述基于所述至少一种感应样本特征、所述页面交互样本特征及所述控件交互样本特征,训练所述行为预估模型可以包括:
将所述至少一种传感器数据特征、所述页面交互特征以及所述控件交互特征,分别输入所述输入层;
利用所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征以及各自对应的输出特征,训练所述至少一个中间层;
利用所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征各自对应的输出特征、融合样本特征及目标行为执行概率,训练所述输出层,以获得所述至少一个传感器数据特征、所述页面交互特征以及所述控件交互特征各自对应的权重系数。
其中,目标行为执行概率可以为1或者0,目标行为执行概率为1时,至少一种界面交互样本数据也即为正样本;而目标行为执行概率为0时,至少一种界面交互样本数据也即为负样本。
在某些实施例中,所述获取所述目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据可以包括:
从所述用户对应的历史行为记录中,获取所述用户执行所述目标行为时对应的至少一种界面交互样本数据及至少一种传感器样本数据。
也即可以由客户端结合所述用户的历史行为记录,利用所述用户执行所述目标行为时,对电子设备执行操作生成的至少一种界面交互样本数据及至少一种传感器样本数据来进行模型训练,使得训练得到行为预估模型可以用于对所述用户进行预测,每一个客户端均可以针对其对应用户训练行为预估模型,通过针对性训练,可以实现个性化预测,以进一步提高预测准确度。
由上文描述可知,至少一种界面交互样本数据可以包括页面交互样本数据以及控件交互样本数据,如图3中所示的模型训练示意图中所示,通过数据预处理以及特征提取等操作,可以获得至少一种感应样本特征、页面交互样本特征以及控件交互样本特征;至少一种传感器包括加速度传感器、陀螺仪传感器以及压力传感器,则相应的可以得到加速度感应样本特征、陀螺仪感应样本特征以及压力感应样本特征。
至少一种感应样本特征、页面交互样本特征以及控件交互样本特征可以经过Embedding处理之后,分别输入行为预估模型中,在行为预估模型中还可以进行特征融合,以学习特征之间的关联等;目标行为执行概率可以作为模型标签,也即模型的输出,实现对行为预估模型的训练。
训练获得行为预估模型即可以进行目标行为预测,获得目标行为预测概率。
图4为本申请实施例提供的一种数据处理方法又一个实施例的流程图,该方法可以包括以下几个步骤:
401:从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据或者至少一种传感器数据。
402:基于所述至少一种界面交互数据或者所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
本实施例与图1所示实施例不同之处在于,可以仅使用至少一种界面交互数据或者仅有至少一种传感器数据来进行行为预测,其它相同操作可以参见图1所示实施例。
作为一种可选方式,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据或者至少一种传感器样本数据训练获得。
此外,作为另一种可选方式,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据以及至少一种传感器样本数据训练获得。
也即,进行模型训练时可以选择全部种类的样本数据进行采集,而在模型预测时,可以选择一种或多种传感器数据进行预测,或者选择一种或多种界面交互数据进行预测,模型输入数据的种类,不会影响模型运算。
其中,至少一种界面交互数据以及至少一种传感器数据的相关介绍,可以参见上文实施例中所述,在此不再赘述。
在某些实施例中,所述从数据记录中,获取用户对电子设备执行用户操作而产生的至少一种界面交互数据可以包括:
从数据记录中,获取距离当前时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面操作数据;
从所述数据记录中,获取距离当前时刻第二时长内的,用户对至少一个控件执行操作而产生的至少一个控件操作数据;
所述从数据记录中,获取用户对电子设备执行用户操作而产生的至少一种传感器数据可以包括:
从所述数据记录中,获取距离当前时刻三时长内的至少一种传感器分别检测获得的至少一个感应数据。
在某些实施例中,所述基于所述至少一种界面交互数据,利用行为预估模型预测所述用户是否执行目标行为包括:
根据所述至少一个页面操作数据以及所述至少一个页面操作数据的时间戳先后顺序,生成页面交互特征;和/或,
根据所述至少一个控件操作数据以及所述至少一个控件操作数据的时间戳先后顺序,生成控件交互特征;
基于所述页面交互特征和/或所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为。
在某些实施例中,基于所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为包括:
根据所述至少一种传感器数据,分别生成至少一种传感器数据特征;
基于所述至少一种传感器数据特征、利用所述行为预估模型预测所述用户是否执行目标行为。
在某些实施例中,所述基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为包括:
基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户在当前时刻之后的预定时长内是否执行目标行为。
在某些实施例中,所述方法还可以包括:
将预测结果发送至服务端,以供服务端基于所述预测结果进行业务处理。
在某些实施例中,所述方法还可以包括:
从所述数据记录中,获取所述用户执行不同行为产生的至少一个历史行为数据;
所述基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为包括:
基于所述至少一种界面交互数据以及所述至少一个历史行为数据,利用行为预估模型预测所述用户是否执行目标行为;则所述行为预估模型可以具体是基于所述目标行为对应的至少一种界面交互样本数据以及所述至少一个历史行为样本数据训练得到
或者;
基于所述至少一种传感器数据以及所述至少一个历史行为数据,利用行为预估模型预测所述用户是否执行目标行为;则所述行为预估模型可以是基于所述目标行为对应的至少一种传感器样本数据以及所述至少一个历史行为样本数据训练得到。
在某些实施例中,所述方法还可以包括:
获取所述目标行为对应的至少一种界面交互样本数据和/或至少一种传感器样本数据;
基于所述至少一种界面交互样本数据和/或所述至少一种传感器样本数据,训练行为预估模型。
其中,基于所述至少一种界面交互样本数据和所述至少一种传感器样本数据,训练行为预估模型的具体实现方式可以参见上文相应实施例中描述。
在某些实施例中,基于所述至少一种界面交互样本数据,训练行为预估模型可以包括:
根据所述至少一个页面操作样本数据以及所述至少一个页面操作样本数据的时间戳先后顺序,生成页面交互样本特征;
根据所述至少一个控件操作样本数据以及所述至少一个控件操作样本数据的时间戳先后顺序,生成控件交互样本特征;
基于所述页面交互样本特征和/或所述控件交互样本特征,训练所述行为预估模型。
在某些实施例中,基于所述至少一种传感器样本数据,训练行为预估模型可以包括:
根据所述至少一种传感器样本数据,分别生成至少一种感应样本特征;
基于所述至少一种感应样本特征,训练所述行为预估模型。
在某些实施例中,所述获取所述目标行为对应的至少一种界面交互样本数据或至少一种传感器样本数据包括:
从所述用户对应的历史行为记录中,获取所述用户执行所述目标行为时对应的至少一种界面交互样本数据或至少一种传感器样本数据。
在一个实际应用中,目标行为可以是指商品购买行为,本申请实施例的技术方案可以应用于网上交易场景中。
由于进行商品购买之前需要了解商品相关信息,比对不同商品等,才会决定是否进行购买,因此会产生对页面操作、控件操作,且电子设备自身配置的传感器也会检测到相关数据,比如用户移动过程中购买概率会降低,而躺在床上时购买概率就会提高,用户在家时会更倾向于购物,这些都可以通过传感器数据体现。
因此,可以结合至少一种传感器数据、页面交互数据、控件交互数据中的一个或多个来进行购买行为的预测,可以保证购买行为预测的准确度。
此外,每个用户的购买行为预测可以在客户端执行,相当于将服务端上需要做的存储和计算转移到每个用户的客户端,可以节省服务端存储和计算的开支。
客户端将预测结果可以发送至服务端,服务端可以结合预测结果,若用户在当前时刻之后的预定时长内会执行商品购买行为,则可以向该用户发放优惠券、红包等资源数据,以激励用户进行商品购买等。
图5为本申请实施例提供的一种数据处理装置一个实施例的结构示意图,该装置可以包括:
第一数据获取模块501,用于从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
第一行为预测模块502,用于基于所述至少一种界面交互数据及至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为;
其中,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据以及至少一种传感器样本数据训练获得。
在某些实施例中,所述至少一种界面交互数据包括页面交互数据和/或控件交互数据;
其中,所述页面交互数据包括至少一个页面操作数据;所述控件交互数据包括至少一个控件操作数据;所述传感器数据包括不同时刻检测获得的感应数据。
在某些实施例中,所述第一数据获取模块具体用于从数据记录中,获取距离当前时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面操作数据;
从所述数据记录中,获取距离当前时刻第二时长内的,用户对至少一个控件执行操作而产生的至少一个控件操作数据;
从所述数据记录中,获取距离当前时刻三时长内的至少一种传感器分别检测获得的至少一个感应数据。
在某些实施例中,所述页面操作数据包括页面名称、页面启动时刻、页面结束时刻、页面停留时长、页面操作位置、操作发生时刻以及操作持续时间中的一个或多个;
所述控件操作数据包括控件名称、控件所在页面名称以及控件操作发生时刻中的一个或多个;
所述至少一种传感器数据包括运动传感器数据、位置传感器数据、以及压力传感器数据中的一个或多个。
在某些实施例中,所述行为预测模块具体用于根据所述至少一种传感器数据,分别生成至少一种传感器数据特征;根据所述至少一个页面操作数据以及所述至少一个页面操作数据的时间戳先后顺序,生成页面交互特征;根据所述至少一个控件操作数据以及所述至少一个控件操作数据的时间戳先后顺序,生成控件交互特征;基于所述至少一种传感器数据特征、所述页面交互特征和所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为。
在某些实施例中,所述行为预估模型为神经网络模型,包括输入层、至少一个中间层以及输出层构成;
所述行为预测模块基于所述至少一种传感器数据特征、所述页面交互特征和/或所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为可以具体是:将所述至少一种传感器数据特征、所述页面交互特征以及所述控件交互特征,分别输入所述输入层,并经过所述至少一个中间层处理分别获得所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征各自对应的输出特征;按照所述至少一个传感器数据特征、所述页面交互特征以及所述控件交互特征各自对应的权重系数,在所述输出层将多个输出特征进行融合,获得融合特征;利用所述融合特征,获得所述用户执行目标行为的预测概率。
在某些实施例中,所述行为预测模块根据所述至少一种传感器数据,分别生成至少一种传感器数据特征可以具体是针对任一种传感器数据中的至少一个感应数据,对所述至少一个感应数据进行综合处理,获得传感器数据特征。
在某些实施例中,所述行为预测模块具体用于基于所述至少一种界面交互数据及至少一种传感器数据,利用行为预估模型预测所述用户在当前时刻之后的预定时长内是否执行目标行为。
在某些实施例中,所述方法还可以包括:
结果发送模块,用于将预测结果发送至服务端,以供服务端基于所述预测结果进行业务处理。
在某些实施例中,所述第一数据获取模块还用于从所述数据记录中,获取所述用户执行不同行为产生的至少一个历史行为数据;
所述行为预测模块具体用于基于所述至少一种界面交互数据、所述至少一种传感器数据以及所述至少一个历史行为数据,利用行为预估模型预测所述用户是否执行目标行为;
其中,所述行为预估模型具体是基于所述目标行为对应的至少一种界面交互样本数据及对应的至少一个历史行为样本数据训练获得。
此外,在某些实施例中,该装置还可以包括:
模型预训练模块,用于获取所述目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型。
图5所述的数据处理装置可以执行图1所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图5所示实施例的数据处理装置可以实现为电子设备,该电子设备例如可以是手机等便携式设备等,如6图所示,该电子设备可以包括存储组件601以及处理组件602;
所述存储组件601存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件602调用执行。
所述处理组件602用于:
从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为;
其中,所述行为预估模型可以基于所述目标行为对应的至少一种界面交互样本数据及所述至少一种传感器样本数据训练获得。
其中,处理组件602可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件601被配置为存储各种类型的数据以支持在电子设备的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,该电子设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于电子设备和其他设备,如服务器之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图1所示实施例的数据处理方法。
图7为本申请实施例提供的一种数据处理装置又一个实施例的结构示意图,该装置可以包括:
第二数据获取模块701,用于从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据或至少一种传感器数据;
第二行为预测模块702,用于基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
图7所述的数据处理装置可以执行图3所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图7所示实施例的数据处理装置可以实现为电子设备,该电子设备例如可以是手机等便携式设备等,如8图所示,该电子设备可以包括存储组件801以及处理组件802;
所述存储组件801存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件802调用执行。
所述处理组件802用于:
从数据记录中,获取用户对所述电子设备执行操作而产生的至少一种界面交互数据或至少一种传感器数据;
基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
其中,处理组件802可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件801被配置为存储各种类型的数据以支持在计算设备中的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,该电子设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图3所示实施例的数据处理方法。
图9为本申请实施例提供的一种数据处理装置又一个实施例的结构示意图,该装置可以包括:
第三数据获取模块901,用于获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;其中,所述至少一种界面交互样本数据及所述至少一种传感器样本数据通过对电子设备执行操作而产生;
模型训练模块902,用于基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
在某些实施例中,所述至少一种界面交互样本数据页面交互样本数据和/或控件交互样本数据;
其中,所述页面交互样本数据包括至少一个页面操作样本数据;所述控件交互样数据包括至少一个控件交互样本数据;所述传感器样本数据包括不同时刻检测获得的感应样本数据。
在某些实施例中,所述模型训练模块具体用于根据所述至少一种传感器样本数据,分别生成至少一种感应样本特征;
根据所述至少一个页面操作样本数据以及所述至少一个页面操作样本数据的时间戳先后顺序,生成页面交互样本特征;
根据所述至少一个控件操作样本数据以及所述至少一个控件操作样本数据的时间戳先后顺序,生成控件交互样本特征;
基于所述至少一种感应样本特征、所述页面交互样本特征以及所述控件交互样本特征,训练所述行为预估模型。
图9所述的数据处理装置可以执行图2所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图9所示实施例的数据处理装置可以实现为计算设备,其中,该计算设备可以为后端的处理设备,可选地,该计算设备也可以是指上述图6或图7所述的电子设备,由电子设备完成模型训练,并使用训练得到的行为预估模型进行用户行为预测;
如10图所示,该计算设备可以包括存储组件1001以及处理组件1002;
所述存储组件1001存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1002调用执行。
所述处理组件1002用于:
获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;其中,所述至少一种界面交互样本数据通过样本用户对电子设备执行操作而产生;
基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
其中,处理组件1002可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件1001被配置为存储各种类型的数据以支持在计算设备中的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,该计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图2所示实施例的数据处理方法。
图11为本申请实施例提供的一种数据处理方法又一个实施例的流程图,该方法可以包括以下几个步骤:
1101:采集电子设备的至少一种传感器数据。
其中,至少一种传感器数据运动传感器数据、位置传感器数据、光敏传感器数据以及压力传感器数据中的一个或多个等。每一种传感器数据可以包括不同时刻检测获得的感应数据。传感器数据的相关介绍可以参见上文实施例中所述,在此不再赘述。
可选地,采集电子设备的至少一种传感器数据可以包括:
通过调用所述电子设备的传感器相关API接口采集所述电子设备的至少一种传感器数据。
1102:采集用户操作所述电子设备而产生的至少一种交互数据。
可选地,该交互数据可以是指界面交互数据,界面交互数据可以是指页面交互数据或者控件交互数据。
因此,所述至少一种交互数据可以包括页面交互数据以及控件交互数据中一个或多个。
其中,页面交互数据以及控件交互数据的相关介绍可以参见上文实施例中所述,在此将不再赘述。
1103:对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征。
其中,所述传感器数据可以包括距离当前时刻第三时长内的至少一个感应数据。
可选地,对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征可以包括:
针对每一种传感器数据,对所述传感器数据中的至少一个感应数据进行数据清洗,并进行时间轴矫正;
对所述至少一个感应数据中具有时间序列的时序数据进行处理,得到时序数据特征;
对所述至少一个感应数据中的频域数据进行处理,得到频域数据特征;
其中,具有时间序列的时序数据可以是指按照时间戳排列的时序数据。
对具有时间序列的时序数据进行处理可以是计算均值、方差和/或中位数等,将至少一个计算结果拼接获得时序数据特征,可选地,可以是将至少一个计算结果进行归一化之后,再进行拼接,得到向量化表达的时序数据特征。
其中,对至少一个感应数据中的频域数据进行处理可以是指计算均值、方差、直流分量、幅度、峰度和/或偏度,并将得到的至少一个计算结果拼接获得频域数据特征,可选地,可以是将至少一个计算结果进行归一化之后,再进行拼接,得到向量化表达的时序数据特征。
因此,每一种传感器数据特征可以包括所述时序数据特征和/或所述频域数据特征。
其中,由于每一种传感器数据包括在距离当前时刻第三时长内的至少一个感应数据,因此对至少一个感应数据进行时间轴矫正可以是指将至少一个感应数据按照时间戳先后顺序进行排列。对至少一个感应数据进行数据清洗可以是指纠正或筛除不符合数据要求的感应数据等。
1104:对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征。
其中,所述至少一种交互数据可以包括页面交互数据以及控件交互数据中的一个或多个;
所述页面交互数据包括距离当前时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面操作数据;
所述控件交互数据包括距离当前时刻第二时长内的,用户对至少一个控件执行操作而产生的至少一个控件操作数据。
其中,页面操作数据以及控件操作数据的相关介绍可以参见上文实施例中所述。
可选地,对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征可以包括:
对所述至少一个页面操作数据进行数据清洗,并进行时间轴矫正;
基于所述至少一个页面操作数据的时间戳先后顺序,生成具有时间序列的页面交互特征;
对所述至少一个控件操作数据进行数据清洗,并进行时间轴矫正;
基于所述至少一个控件操作数据的时间戳先后顺序,生成具有时间序列的页面交互特征。
可选地,可以将至少一个页面操作数据进行归一化处理,再基于所述至少一个页面操作数据的时间戳先后顺序,将归一化后的数据拼接在一起,形成向量化表达,即可以得到具有时间序列的页面交互特征。
对至少一个页面操作数据进行数据清洗可以是指纠正或者筛除不符合数据要求的页面操作数据等,对至少一个页面操作数据进行时间轴矫正可以是指将至少一个页面操作数据按照各自时间戳先后顺序进行排列等。
同样,对于至少一个控件操作数据,可以将至少一个控件操作数据进行归一化处理,再基于所述至少一个控件操作数据的时间戳先后顺序,将归一化后的数据拼接在一起,形成向量化表达,即可以得到具有时间序列的控件交互特征。
对至少一个控件操作数据进行数据清洗可以是指纠正或者筛除不符合数据要求的控件操作数据等,对至少一个控件操作数据进行时间轴矫正可以是指将至少一个页面操作数据按照各自时间戳先后顺序进行排列等。
1105:基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为。
可选地,基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型可以具体是预测所述用户在当前时刻之后的预定时长内是否执行目标行为。
可选地,行为预估模型可以具体是计算用户执行目标行为的预测概率,预测概率大于概率阈值时,可以认为用户会执行目标行为。
可选地,基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为可以包括:
分别将所述至少一种传感器数据特征以及所述至少一种交互数据特征进行优化处理,获得至少两个通道数据特征;
将所述至少两个通道数据特征,输入到所述行为预估模型,预测所述用户是否执行目标行为。
也即每一种传感器数据特征以及每一种交互数据特征均可以作为一个通道数据特征输入到行为预估模型中。
对传感器数据特征或交互数据特征进行优化处理可以是指进行降维等处理,可选地,可以通过embedding技术进行优化处理。
本实施例中,所述行为预估模型可以是一种端到端的深度学习模型,利用反向传递算法进行模型训练。端到端是指,在模型训练过程中,从输入端到输出端会得到一个预测结果,与真实结果相比较会得到一个误差,这个误差会在模型中的每一网络层传递(反向传播),每一网络层的模型参数都会根据这个误差来做调整,直到模型收敛或达到预期的效果才训练结束。
可选地,所述行为预估模型可以采用循环神经网络中的长短期记忆网络实现,通过行为预估模型可以建模用户操作的时序关联性,刻画用户全链路行为模式,并提取相关数据特征而训练得到。
其中,行为预估模型的具体训练过程可以参见上文实施例中所述,在此不再赘述。
在一个实际应用中,行为预估模型可以用于预测商品购买行为,因此,作为又一个实施例,如图12所示,本申请实施例还提供了一种购买行为预测方法,该方法可以包括以下步骤:
1201:采集电子设备的至少一种传感器数据。
1202:采集用户操作所述电子设备而产生的至少一种交互数据。
1203:对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征。
1204:对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征。
1205:基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行商品购买行为。
图12与图11不同之处在于具体预测用户是否执行商品购买行为。
可选地,基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型可以具体是预测所述用户在当前时刻之后的预定时长内是否执行商品购买行为。
可选地,行为预估模型可以具体是计算用户执行商品购买行为的预测概率,预测概率大于概率阈值时,可以认为用户会执行商品购买行为。
根据预测结果,即可以进行相应的业务处理。
在一个可选实施方式中,所述方法还可以包括:
根据预测结果确定所述用户执行商品购买行为,为所述用户分配资源数据;其中,所述资源数据用于商品结算。
可选地,可以请求服务端为所述用户分配资源数据,服务端具体将资源数据分配至所述用户的用户账号中,当发生商品购买行为时,该资源数据可以用于进行商品结算,以抵消至少部分消费金额等。
通过资源数据的分配可以进一步激励用户执行商品购买行为。
在另一个可选实施方式中,所述方法还可以包括:
将所述预测结果发送至服务端,以供服务端根据预测结果确定所述用户执行商品购买行为,为所述用户分配资源数据;其中,所述资源数据用于商品结算。也即由服务端进行业务处理。
在又一个可选实施方式中,所述方法还可以包括:
根据预测结果确定所述用户执行商品购买行为,向所述用户推荐目标商品。
也即,若预测用户执行商品购买行为,则可以向用户推荐目标商品,以提高目标商品的购买概率等。
其中,目标商品可以是结合用户的历史购买记录、历史收藏记录等确定,可以是将购买次数多、收藏次数多和/或浏览次数多的商品或该商品的相似商品作为目标商品,从而推荐给用户,以提高目标商品的购买概率等。
在又一个可选实施方式中,所述方法还可以包括:
将所述预测结果发送至服务端,以供服务端根据预测结果确定所述用户执行商品购买行为,向所述用户推荐目标商品。
其中,向所述用户推荐目标商品可以多种实现方式,例如可以是在推广页面中展示目标商品的相关信息,或者在用户进行搜索时,在搜索结果页面展示目标商品的相关信息等等,本申请不对具体的推荐形式进行限定。
此外,作为又一个实施例,本申请实施例还提供了一种购买行为预测方法,所述方法可以包括:
从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行商品购买行为。
在某些实施例中,所述方法还可以包括:
根据预测结果确定所述用户执行商品购买行为,为所述用户分配资源数据;其中,所述资源数据用于商品结算。
在某些实施例中,所述方法还可以包括:
将所述预测结果发送至服务端,以供服务端根据预测结果确定所述用户执行商品购买行为,为所述用户分配资源数据。
在某些实施例中,所述方法还可以包括:
根据预测结果确定所述用户执行商品购买行为,向所述用户推荐目标商品。
在某些实施例中,所述方法还可以包括:
将所述预测结果发送至服务端,以供服务端根据预测结果确定所述用户执行商品购买行为,向所述用户推荐目标商品。
与图11所述的数据处理方法相对应,本申请实施例还提供了一种数据处理装置,如图13中所示,该装置可以包括:
第一采集模块1301,用于采集电子设备的至少一种传感器数据;
第二采集模块1302,用于采集用户操作所述电子设备而产生的至少一种交互数据;
第一特征获得模块1303,用于对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征;
第二特征获得模块1304,用于对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征;
第三行为预测模块1305,用于基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为。
可选地,在一个实际应用中,该目标行为可以是指商品购买行为,第三行为预测模块可以具体用于基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行商品购买行为。
图13所述的数据处理装置可以执行图11所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图13所示实施例的数据处理装置可以实现为电子设备,如14图所示,该电子设备可以包括存储组件1401以及处理组件1402;
所述存储组件1401存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1402调用执行。
所述处理组件1402用于:
采集电子设备的至少一种传感器数据;
采集用户操作所述电子设备而产生的至少一种交互数据;
对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征;
对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征;
基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为。
当然,该电子设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图11所示实施例的数据处理方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (33)
1.一种数据处理方法,其特征在于,包括:
从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
2.根据权利要求1所述的方法,其特征在于,所述至少一种界面交互数据包括页面交互数据和/或控件交互数据;
其中,所述页面交互数据包括至少一个页面操作数据;所述控件交互数据包括至少一个控件操作数据;所述传感器数据包括不同时刻检测获得的感应数据。
3.根据权利要求2所述的方法,其特征在于,所述从数据记录中,获取用户对电子设备执行用户操作而产生的至少一种界面交互数据以及至少一种传感器数据包括:
从数据记录中,获取距离当前时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面操作数据;
从所述数据记录中,获取距离当前时刻第二时长内的,用户对至少一个控件执行操作而产生的至少一个控件操作数据;
从所述数据记录中,获取距离当前时刻三时长内的至少一种传感器分别检测获得的至少一个感应数据。
4.根据权利要求2所述的方法,其特征在于,所述页面操作数据包括页面名称、页面启动时刻、页面结束时刻、页面停留时长、页面操作位置、操作发生时刻以及操作持续时间中的一个或多个;
所述控件操作数据包括控件名称、控件所在页面名称以及控件操作发生时刻中的一个或多个;
所述至少一种传感器数据包括运动传感器数据、位置传感器数据、以及压力传感器数据中的一个或多个。
5.根据权利要求2所述的方法,其特征在于,所述基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为包括:
根据所述至少一种传感器数据,分别生成至少一种传感器数据特征;
根据所述至少一个页面操作数据以及所述至少一个页面操作数据的时间戳先后顺序,生成页面交互特征;
根据所述至少一个控件操作数据以及所述至少一个控件操作数据的时间戳先后顺序,生成控件交互特征;
基于所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为。
6.根据权利要求5所述的方法,其特征在于,所述行为预估模型为神经网络模型,包括输入层、至少一个中间层以及输出层构成;
所述基于所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征,利用所述行为预估模型预测所述用户是否执行目标行为包括:
将所述至少一种传感器数据特征、所述页面交互特征以及所述控件交互特征,分别输入所述输入层,并经过所述至少一个中间层处理分别获得所述至少一种传感器数据特征、所述页面交互特征及所述控件交互特征各自对应的输出特征;
按照所述至少一个传感器数据特征、所述页面交互特征以及所述控件交互特征各自对应的权重系数,在所述输出层将多个输出特征进行融合,获得融合特征;
利用所述融合特征,获得所述用户执行目标行为的预测概率。
7.根据权利要求5所述的方法,其特征在于,所述根据所述至少一种传感器数据,分别生成至少一种传感器数据特征包括:
针对任一种传感器数据中的至少一个感应数据,对所述至少一个感应数据进行综合处理,获得传感器数据特征。
8.根据权利要求1所述的方法,其特征在于,所述基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为包括:
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户在当前时刻之后的预定时长内是否执行目标行为。
9.根据权利要求1所述的方法,其特征在于,还包括:
将预测结果发送至服务端,以供服务端基于所述预测结果进行业务处理。
10.根据权利要求1所述的方法,其特征在于,还包括:
从所述数据记录中,获取所述用户执行不同行为产生的至少一个历史行为数据;
所述基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为包括:
基于所述至少一种界面交互数据、所述至少一种传感器数据以及所述至少一个历史行为数据,利用行为预估模型预测所述用户是否执行目标行为。
11.根据权利要求1所述的方法,其特征在于,所述行为预估模型具体按照如下方式预先训练获得:
获取所述目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;
基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型。
12.根据权利要求11所述的方法,其特征在于,所述至少一种界面交互样本数据包括页面交互样本数据和/或控件交互样本数据;
其中,所述页面交互样本数据包括至少一个页面操作样本数据;所述控件交互样数据包括至少一个控件交互样本数据;所述传感器样本数据包括不同时刻检测获得的感应样本数据。
13.根据权利要求12所述的方法,其特征在于,所述基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型包括:
根据所述至少一种传感器样本数据,分别生成至少一种感应样本特征;
根据所述至少一个页面操作样本数据以及所述至少一个页面操作样本数据的时间戳先后顺序,生成页面交互样本特征;
根据所述至少一个控件操作样本数据以及所述至少一个控件操作样本数据的时间戳先后顺序,生成控件交互样本特征;
基于所述至少一种感应样本特征、所述页面交互样本特征以及所述控件交互样本特征,训练所述行为预估模型。
14.根据权利要求11所述的方法,其特征在于,所述获取所述目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据包括:
从所述用户对应的历史行为记录中,获取所述用户执行所述目标行为时对应的至少一种界面交互样本数据及至少一种传感器样本数据。
15.一种数据处理方法,其特征在于,包括:
从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据或者至少一种传感器数据;
基于所述至少一种界面交互数据或者所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
16.一种数据处理方法,其特征在于,包括:
获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;其中,所述至少一种界面交互样本数据及所述至少一种传感器样本数据通过对电子设备执行操作而产生;
基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
17.一种数据处理装置,其特征在于,包括:
第一数据获取模块,用于从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
第一行为预测模块,用于基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
18.一种数据处理装置,其特征在于,包括:
第二数据获取模块,用于从数据记录中,获取用户对电子设备执行操作而产生的至少一种界面交互数据或至少一种传感器数据;
第二行为预测模块,用于基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
19.一种数据处理装置,其特征在于,包括:
第三数据获取模块,用于获取目标行为对应的至少一种界面交互样本数据及至少一种传感器数据;其中,所述至少一种界面交互样本数据及所述至少一种传感器数据通过对电子设备执行操作而产生;
模型训练模块,用于基于所述至少一种界面交互样本数据及所述至少一种传感器数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
20.一种电子设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
从数据记录中,获取用户对所述电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据;
基于所述至少一种界面交互数据及所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
21.一种电子设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
从数据记录中,获取用户对所述电子设备执行操作而产生的至少一种界面交互数据或至少一种传感器数据;
基于所述至少一种界面交互数据或所述至少一种传感器数据,利用行为预估模型预测所述用户是否执行目标行为。
22.一种计算设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
获取目标行为对应的至少一种界面交互样本数据及至少一种传感器样本数据;其中,所述至少一种界面交互样本数据及所述至少一种传感器样本数据通过对电子设备执行操作而产生;
基于所述至少一种界面交互样本数据及所述至少一种传感器样本数据,训练行为预估模型;
其中,所述行为预估模型用于基于从数据记录中获取的用户对电子设备执行操作而产生的至少一种界面交互数据及至少一种传感器数据,预测所述用户是否执行所述目标为。
23.一种数据处理方法,其特征在于,包括:
采集电子设备的至少一种传感器数据;
采集用户操作所述电子设备而产生的至少一种交互数据;
对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征;
对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征;
基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为。
24.根据权利要求23所述的方法,其特征在于,所述采集电子设备的至少一种传感器数据,包括:
通过调用所述电子设备的传感器相关API接口采集所述电子设备的至少一种传感器数据。
25.根据权利要求23或24所述的方法,其特征在于,所述传感器数据包括距离当前时刻第三时长内的至少一个感应数据。
26.根据权利要求25所述的方法,其特征在于,所述对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征,包括:
针对每一种传感器数据,对所述传感器数据中的至少一个感应数据进行数据清洗,并进行时间轴矫正;
对所述至少一个感应数据中具有时间序列的时序数据进行处理,得到时序数据特征;
对所述至少一个感应数据中的频域数据进行处理,得到频域数据特征;
其中,所述传感器数据特征包括所述时序数据特征和所述频域数据特征。
27.根据权利要求23所述的方法,其特征在于,所述至少一种交互数据包括页面交互数据以及控件交互数据中的一个或多个;
所述页面交互数据包括距离当前时刻第一时长内的用户对至少一个页面执行操作而产生的至少一个页面操作数据;
所述控件交互数据包括距离当前时刻第二时长内的,用户对至少一个控件执行操作而产生的至少一个控件操作数据。
28.根据权利要求27所述的方法,其特征在于,所述对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征,包括:
对所述至少一个页面操作数据进行数据清洗,并进行时间轴矫正;
基于所述至少一个页面操作数据的时间戳先后顺序,生成具有时间序列的页面交互特征;
对所述至少一个控件操作数据进行数据清洗,并进行时间轴矫正;
基于所述至少一个控件操作数据的时间戳先后顺序,生成具有时间序列的页面交互特征。
29.根据权利要求23所述的方法,其特征在于,基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行目标行为,包括:
分别将所述至少一种传感器数据特征以及所述至少一种交互数据特征进行优化处理,获得至少两个通道数据特征;
将所述至少两个通道数据特征,输入到所述行为预估模型,预测所述用户是否执行目标行为。
30.根据权利要求23或29所述的方法,其特征在于,所述行为预估模型为端到端的深度学习模型,所述模型采用循环神经网络中的长短期记忆网络建模用户操作的时序关联性,刻画用户全链路行为模式,并提取相关数据特征而训练得到。
31.一种购买行为预测方法,其特征在于,包括:
采集电子设备的至少一种传感器数据;
采集用户操作所述电子设备而产生的至少一种交互数据;
对所述至少一种传感器数据进行处理,获得至少一种传感器数据特征;
对所述至少一种交互数据进行处理,获得至少一种具有时间序列的交互数据特征;
基于所述至少一种传感器数据特征和所述至少一种交互数据特征,利用行为预估模型预测所述用户是否执行商品购买行为。
32.根据权利要求31所述的方法,其特征在于,还包括:
根据预测结果确定所述用户执行商品购买行为,为所述用户分配资源数据;其中,所述资源数据用于商品结算。
33.根据权利要求31所述的方法,其特征在于,还包括:
根据预测结果确定所述用户执行商品购买行为,向所述用户推荐目标商品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256810.6A CN111767196A (zh) | 2019-04-01 | 2019-04-01 | 数据处理方法、装置、电子设备及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256810.6A CN111767196A (zh) | 2019-04-01 | 2019-04-01 | 数据处理方法、装置、电子设备及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111767196A true CN111767196A (zh) | 2020-10-13 |
Family
ID=72718154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910256810.6A Pending CN111767196A (zh) | 2019-04-01 | 2019-04-01 | 数据处理方法、装置、电子设备及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767196A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133390A (zh) * | 2017-12-22 | 2018-06-08 | 北京三快在线科技有限公司 | 用于预测用户行为的方法和装置以及计算设备 |
CN108197980A (zh) * | 2017-12-27 | 2018-06-22 | 中国科学院上海高等研究院 | 个性化购物者的肖像生成方法/***、存储介质及终端 |
CN109117980A (zh) * | 2018-06-29 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 数据预填方法、装置及设备 |
-
2019
- 2019-04-01 CN CN201910256810.6A patent/CN111767196A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133390A (zh) * | 2017-12-22 | 2018-06-08 | 北京三快在线科技有限公司 | 用于预测用户行为的方法和装置以及计算设备 |
CN108197980A (zh) * | 2017-12-27 | 2018-06-22 | 中国科学院上海高等研究院 | 个性化购物者的肖像生成方法/***、存储介质及终端 |
CN109117980A (zh) * | 2018-06-29 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 数据预填方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105283866B (zh) | 包括使用相似频率的优化分析的应用跟踪方法和*** | |
CN105283848B (zh) | 用分布式目标来进行应用跟踪 | |
CN110083334B (zh) | 模型上线的方法及装置 | |
CN106803190A (zh) | 一种广告个性化推送***及方法 | |
US20190019203A1 (en) | Method for providing marketing management data for optimization of distribution and logistics and apparatus for the same | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理*** | |
CN102880501A (zh) | 应用推荐的实现方法、装置和*** | |
CN109842563A (zh) | 内容分发网络流量调度方法、装置和计算机可读存储介质 | |
WO2016090421A1 (en) | Notifications on mobile devices | |
CN105183873A (zh) | 恶意点击行为检测方法及装置 | |
CN105335875A (zh) | 购买力预测方法和装置 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
US11809505B2 (en) | Method for pushing information, electronic device | |
US20220207536A1 (en) | System, Method, and Computer Program Product for Generating Synthetic Data | |
US20170032252A1 (en) | Method and system for performing digital intelligence | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
CN112328802A (zh) | 数据处理方法、装置和服务器 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN107798457A (zh) | 投资组合方案推荐方法、装置、计算机设备和存储介质 | |
CN113128773B (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN116883181B (zh) | 基于用户画像的金融服务推送方法、存储介质及服务器 | |
CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN111767196A (zh) | 数据处理方法、装置、电子设备及计算设备 | |
CN110796379A (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 |
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 |