CN114219540A - 用户行为周期的确定方法及其装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种用户行为周期的确定方法及其装置、电子设备及存储介质，涉及金融科技领域，其中，该确定方法包括：获取目标用户在预设时间段内的行为数据和预先设置的周期序列，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期，基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度，在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。本发明解决了相关技术中无法准确地挖掘出用户的行为周期，导致推荐的应用功能不符合用户实际使用需求的技术问题。

Description

用户行为周期的确定方法及其装置、电子设备及存储介质

技术领域

本发明涉及金融科技领域，具体而言，涉及一种用户行为周期的确定方法及其装置、电子设备及存储介质。

背景技术

当前，用户终端中的应用操作功能逐渐丰富，对于大多金融业务，用户只需通过终端就可以进行办理。为了满足用户的个性化需求，金融机构也推出了各种各样的功能，例如，“预约转账”功能，可以给有周期性转账需求的用户提供极大的便利。但是，有些功能(例如，定期执行某些操作的功能)在推广过程中存在着较大的问题，如果全面推广这些功能，会造成没有这些功能需求的用户的反感，甚至造成用户流失。如何从用户的历史记录中，挖掘出具有周期性操作需求的客户，是解决该问题的关键。

相关技术中，在时序预测方面，有较多成熟的算法，例如：循环神经网络RNN、长短期记忆循环神经网络LSTM、线性回归、ARMA模型、xgboost、傅里叶变换等。然而，这些现有的算法无法精准地挖掘出用户的行为周期，导致推荐的应用功能不符合用户实际使用需求，主要有以下两点原因：(1)用户通过金融平台所做的操作是非常多样化的(例如，交电费、交水费、提现等上百个交易类别)，而且由于每个用户的***台进行操作通常不是连续的，产生的时间序列通常是稀疏的，以电费为例，周期一般为20-40天左右，一般的机器学习方法并不适用该问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用户行为周期的确定方法及其装置、电子设备及存储介质，以至少解决相关技术中无法准确地挖掘出用户的行为周期，导致推荐的应用功能不符合用户实际使用需求的技术问题。

根据本发明实施例的一个方面，提供了一种用户行为周期的确定方法，包括：获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，所述行为数据中至少包括：时间序列以及所述时间序列中每个时间点对应的操作行为，所述周期序列中包含有多个行为周期；将所述时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及所述行为周期；基于所述时间规整距离值、所述时间序列长度以及所述行为周期，计算所述时间序列关于每个所述行为周期的置信度；在目标行为周期的所述置信度大于预设参数阈值的情况下，确定所述目标行为周期为所述时间序列的行为周期。

可选地，在获取目标用户在预设时间段内的行为数据之后，所述确定方法还包括：对所述行为数据进行去重处理；对去重处理后的所述行为数据按照时间点进行排序处理，得到按照时间序列排序的所述行为数据。

可选地，在获取目标用户在预设时间段内的行为数据之后，所述确定方法还包括：获取所述时间序列中的开始时间节点和结束时间节点；基于所述开始时间节点和所述结束时间节点，构建时间节点与节点值关联的初始序列，其中，在所述初始序列中，将所述节点值全部赋值为预设数值；在目标时间节点发生所述操作行为的情况下，计算所述初始序列的时间序列长度与发生所述操作行为的总次数之间的比值，并将与所述目标时间节点对应的所述节点值替换为所述比值。

可选地，在将所述时间序列输入至预设周期模型之前，所述确定方法包括：获取历史时间段内多个用户的用户数据，其中，所述用户数据至少包括：用户标识、行为发生日期、交易方账户，所述用户标识用于统计用户发生所述操作行为的第一次数，所述行为发生日期用于统计每个历史日期发生所述操作行为的第二次数，所述交易方账户用于统计每个用户采用相同交易方账户发生所述操作行为的第三次数；按照预设分段参数对所述历史时间段进行划分，得到多个历史子时间段，并统计每个所述历史子时间段内发生所述操作行为的第四次数；基于所述第一次数、所述第二次数、所述第三次数和所述第四次数，确定用户统计数据；基于所述用户统计数据，对所述预设周期模型进行训练。

可选地，将所述时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及所述行为周期的步骤，包括：采用所述预设周期模型，按照预设周期间隔时长对所述时间序列进行划分，得到多个子序列；将每个所述子序列按照时间进度进行扩展，以使所述子序列的时间长度与所述时间序列的时间长度相同；计算每个所述子序列与所述时间序列之间的动态时间规整数值；将最小所述动态时间规整数值表征为所述时间规整距离值。

可选地，计算每个所述子序列与所述时间序列之间的动态时间规整数值的步骤，包括：获取所述子序列中每个时间节点所对应的节点值；在所述节点值为预设数值的情况下，累加所述节点值与预先设定的对齐惩罚数值，得到累加节点值；在所述节点值不是所述预设数值的情况下，计算所述对齐惩罚数值与所述节点值之间的差值，并累加所述节点值与所述差值，得到累加节点值；基于所述累加节点值，计算每个所述子序列与所述时间序列之间的动态时间规整数值。

可选地，在计算所述时间序列关于每个所述行为周期的置信度之后，所述确定方法还包括：在所有所述行为周期的置信度都小于等于预设参数阈值的情况下，对所有置信度进行排序，得到置信度排序结果；确定所述置信度排序结果中最高置信度所对应的行为周期；基于预设扩展策略，将最高置信度所对应的行为周期扩展为参考行为周期；按照所述参考行为周期进行搜索所述目标用户在预设时间段内的行为数据，以计算所述时间序列关于所述参考行为周期的置信度。

可选地，所述行为数据包括下述至少之一：用户标识、交易类型、交易标识、交易金额、交易时间、交易方账户。

根据本发明实施例的另一方面，还提供了一种用户行为周期的确定装置，包括：获取单元，用于获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，所述行为数据中至少包括：时间序列以及所述时间序列中每个时间点对应的操作行为，所述周期序列中包含有多个行为周期；输入单元，用于将所述时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及所述行为周期；计算单元，用于基于所述时间规整距离值、所述时间序列长度以及所述行为周期，计算所述时间序列关于每个所述行为周期的置信度；确定单元，用于在目标行为周期的所述置信度大于预设参数阈值的情况下，确定所述目标行为周期为所述时间序列的行为周期。

可选地，所述确定装置还包括：第一去重模块，用于在获取目标用户在预设时间段内的行为数据之后，对所述行为数据进行去重处理；第一排序模块，用于对去重处理后的所述行为数据按照时间点进行排序处理，得到按照时间序列排序的所述行为数据。

可选地，所述确定装置还包括：第一获取模块，用于在获取目标用户在预设时间段内的行为数据之后，获取所述时间序列中的开始时间节点和结束时间节点；第一构建模块，用于基于所述开始时间节点和所述结束时间节点，构建时间节点与节点值关联的初始序列，其中，在所述初始序列中，将所述节点值全部赋值为预设数值；第一计算模块，用于在目标时间节点发生所述操作行为的情况下，计算所述初始序列的时间序列长度与发生所述操作行为的总次数之间的比值，并将与所述目标时间节点对应的所述节点值替换为所述比值。

可选地，所述确定装置包括：第二获取模块，用于在将所述时间序列输入至预设周期模型之前，获取历史时间段内多个用户的用户数据，其中，所述用户数据至少包括：用户标识、行为发生日期、交易方账户，所述用户标识用于统计用户发生所述操作行为的第一次数，所述行为发生日期用于统计每个历史日期发生所述操作行为的第二次数，所述交易方账户用于统计每个用户采用相同交易方账户发生所述操作行为的第三次数；第一统计模块，用于按照预设分段参数对所述历史时间段进行划分，得到多个历史子时间段，并统计每个所述历史子时间段内发生所述操作行为的第四次数；第一确定模块，用于基于所述第一次数、所述第二次数、所述第三次数和所述第四次数，确定用户统计数据；第一训练模块，用于基于所述用户统计数据，对所述预设周期模型进行训练。

可选地，所述输入单元包括：第一划分模块，用于采用所述预设周期模型，按照预设周期间隔时长对所述时间序列进行划分，得到多个子序列；第一扩展模块，用于将每个所述子序列按照时间进度进行扩展，以使所述子序列的时间长度与所述时间序列的时间长度相同；第二计算模块，用于计算每个所述子序列与所述时间序列之间的动态时间规整数值；第一表征模块，用于将最小所述动态时间规整数值表征为所述时间规整距离值。

可选地，所述第二计算模块包括：第一获取子模块，用于获取所述子序列中每个时间节点所对应的节点值；第一累加子模块，用于在所述节点值为预设数值的情况下，累加所述节点值与预先设定的对齐惩罚数值，得到累加节点值；第二累加子模块，用于在所述节点值不是所述预设数值的情况下，计算所述对齐惩罚数值与所述节点值之间的差值，并累加所述节点值与所述差值，得到累加节点值；第一计算子模块，用于基于所述累加节点值，计算每个所述子序列与所述时间序列之间的动态时间规整数值。

可选地，所述确定装置还包括：第二排序模块，用于在计算所述时间序列关于每个所述行为周期的置信度之后，在所有所述行为周期的置信度都小于等于预设参数阈值的情况下，对所有置信度进行排序，得到置信度排序结果；第二确定模块，用于确定所述置信度排序结果中最高置信度所对应的行为周期；第二扩展模块，用于基于预设扩展策略，将最高置信度所对应的行为周期扩展为参考行为周期；第三计算模块，用于按照所述参考行为周期进行搜索所述目标用户在预设时间段内的行为数据，以计算所述时间序列关于所述参考行为周期的置信度。

可选地，所述行为数据包括下述至少之一：用户标识、交易类型、交易标识、交易金额、交易时间、交易方账户。

根据本发明实施例的另一方面，还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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的用户行为周期的确定方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项所述的用户行为周期的确定方法。

在本公开中，获取目标用户在预设时间段内的行为数据和预先设置的周期序列，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期，基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度，在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。在本申请中，可通过预设的周期模型，计算与用户操作行为相应的时间序列的置信度，在置信度大于预设阈值的情况下，可以确定该时间序列的行为周期，对于有行为周期的操作行为，能够通过终端应用推荐满足用户实际操作需求的功能，为用户提供更好的服务，提高用户的满意度，进而解决了相关技术中无法准确地挖掘出用户的行为周期，导致推荐的应用功能不符合用户实际使用需求的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的用户行为周期的确定方法的流程图；

图2是根据本发明实施例的一种可选的确定用户周期行为的示意图；

图3是根据本发明实施例的一种可选的用户行为周期的确定装置的示意图；

图4是根据本发明实施例的一种用于信用评分值的确定方法的电子设备(或移动设备)的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于本领域技术人员理解本发明，下面对本发明各实施例中涉及的部分术语或名词做出解释：

动态时间规整算法(Dynamic Time Warping，简称DTW)，是一种衡量两个长度不同的时间序列的相似度的方法，基于动态规划的思想，解决两个时间序列长短不一的匹配问题，在孤立词识别领域得到广泛应用，能够对两个趋势相似的时间序列自动对齐，也有较强的抗噪能力。

需要说明的是，本公开中的用户行为周期的确定方法及其装置可用于金融科技领域在确定用户行为周期的情况下，也可用于除金融科技领域之外的任意领域在确定用户行为周期的情况下，本公开中对用户行为周期的确定方法及其装置的应用领域不做限定。

需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本发明下述各实施例可应用于各种确定用户周期行为的***/应用/设备中。本发明用于挖掘用户的行为周期，对用户行为的周期检测的关键问题是时间序列的相似性度量，时间序列符号化后的字符匹配问题一般采用汉明距离进行度量，但汉明距离要求两个符号序列必须等长，长度不等、时间间隔不完全一致的序列不适合用该方法进行计算。由于在时间序列相似性度量这一问题中，出现完全相同的两个序列几乎是不可能的。

因此，本发明采用改进的动态时间规整DTW方法进行度量，并对用户周期性挖掘添加约束，不仅能够准确地挖掘出用户在这些金融业务中的行为周期(例如，转账行为的周期性)，并且对于有少量异常值的行为、多周期间隔的行为，同样能够获取其周期模式，可以很好地解决金融功能的推广问题，具有很高的业务价值。

下面结合各个实施例来详细说明本发明。

实施例一

根据本发明实施例，提供了一种用户行为周期的确定方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的用户行为周期的确定方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，行为数据中至少包括：时间序列以及时间序列中每个时间点对应的操作行为，周期序列中包含有多个行为周期。

步骤S102，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期。

步骤S103，基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度。

步骤S104，在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。

通过上述步骤，可以获取目标用户在预设时间段内的行为数据和预先设置的周期序列，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期，基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度，在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。在本发明实施例中，可通过预设的周期模型，计算与用户操作行为相应的时间序列的置信度，在置信度大于预设阈值的情况下，可以确定该时间序列的行为周期，对于有行为周期的操作行为，能够通过终端应用推荐满足用户实际操作需求的功能，为用户提供更好的服务，提高用户的满意度，进而解决了相关技术中无法准确地挖掘出用户的行为周期，导致推荐的应用功能不符合用户实际使用需求的技术问题。

下面结合上述各步骤对本发明实施例进行详细说明。

步骤S101，获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，行为数据中至少包括：时间序列以及时间序列中每个时间点对应的操作行为，周期序列中包含有多个行为周期。

在本发明实施例中，可以获取目标用户在预设时间段内(例如，近一年或近半年)的行为数据，该行为数据包括用户操作行为发生的时间序列(例如，转账行为发生的日期组成的时间序列)，在时间序列中的每个时间点对应有操作行为。并且，本实施例中可以预先设置想要找到的周期序列(例如，Cycles[5,10,15,...,m/2]，其中，m代表时间序列长度)，周期序列中包含有多个行为周期，为了减少计算量，可以将周期序列的间隔设置为初始周期数值(例如，将该初始周期数值设置为5)，如果没有找到合适的周期，再进行周期调整，继续进行行为周期细查。

可选的，行为数据包括下述至少之一：用户标识、交易类型、交易标识、交易金额、交易时间、交易方账户。

可选的，在获取目标用户在预设时间段内的行为数据之后，确定方法还包括：对行为数据进行去重处理；对去重处理后的行为数据按照时间点进行排序处理，得到按照时间序列排序的行为数据。

在本发明实施例中，在获取目标用户在预设时间段内的行为数据之后，可以对得到的行为数据进行去重处理(例如，去除重复的交易标识)，之后可以根据交易标识获取该用户相应交易的交易时间，对交易时间排序后(即对去重处理后的行为数据按照时间点进行排序处理)，可以得到按照时间序列排序的行为数据。

可选的，在获取目标用户在预设时间段内的行为数据之后，确定方法还包括：获取时间序列中的开始时间节点和结束时间节点；基于开始时间节点和结束时间节点，构建时间节点与节点值关联的初始序列，其中，在初始序列中，将节点值全部赋值为预设数值；在目标时间节点发生操作行为的情况下，计算初始序列的时间序列长度(对于某一序列的时间序列长度，可以以1分钟(或者2分钟、10分钟)为刻度，确定具体的长度数值，如对于时间序列为2小时的情况，在序列刻度为2分钟的情况下，该时间序列长度的数值为60)与发生操作行为的总次数之间的比值，并将与目标时间节点对应的节点值替换为比值。

在本发明实施例中，在对时间序列排序后，可以获取该时间序列中的首尾元素(即开始时间节点和结束时间节点)，可以记为start_time和end_time，基于开始时间节点和结束时间节点，生成从start_time到end_time的全为预设数值(例如，将该预设数值设置为0/1)的初始序列(即构建时间节点与节点值关联的初始序列，其中，在初始序列中，将节点值全部赋值为预设数值)，如果该初始序列中的节点中发生操作行为(例如，转账行为)(即在目标时间节点发生操作行为的情况下)，计算初始序列的时间序列长度与发生操作行为的总次数之间的比值，并将与目标时间节点对应的节点值替换为比值，得到能够输入到预设周期模型中的时间序列。

可选的，在将时间序列输入至预设周期模型之前，确定方法包括：获取历史时间段内多个用户的用户数据，其中，用户数据至少包括：用户标识、行为发生日期、交易方账户，用户标识用于统计用户发生操作行为的第一次数，行为发生日期用于统计每个历史日期发生操作行为的第二次数，交易方账户用于统计每个用户采用相同交易方账户发生操作行为的第三次数；按照预设分段参数对历史时间段进行划分，得到多个历史子时间段，并统计每个历史子时间段内发生操作行为的第四次数；基于第一次数、第二次数、第三次数和第四次数，确定用户统计数据；基于用户统计数据，对预设周期模型进行训练。

在本发明实施例中，可以获取历史时间段内(例如，过去几年的时间内)多个用户的用户数据，该用户数据可以包括：用户标识、交易类型、交易标识、交易金额、行为发生日期、交易方账户等。例如，以转账类型为例，根据用户标识，随机选择多名用户，获取过去一年的“转账”类型的用户数据。

本实施例中，可以根据获取的用户数据，利用统计的方法，尝试分析挖掘出用户操作行为的一些规律，筛选出对周期模型进行训练的数据。下面以转账行为为例，统计该行为的数据。

本实施例中，可以根据用户标识，分析选取的历史时间段内，各个用户发生转账行为的次数(即用户标识用于统计用户发生操作行为的第一次数)，可以得到对于发生转账行为非常频繁的用户，属于该金融机构非常活跃的用户。

本实施例中，可以根据行为发生日期，统计各个日期出现的转账次数，分析用户发生转账行为是否与日期有关(即行为发生日期用于统计每个历史日期发生操作行为的第二次数)。

本实施例中，可以根据交易方账户，统计选取的历史时间段内，每个用户给同一个人转账发生的次数分布(即交易方账户用于统计每个用户采用相同交易方账户发生操作行为的第三次数)。

本实施例中，可以按照预设分段参数对历史时间段进行划分，得到多个历史子时间段(例如，对历史时间段划分为月初、月中、月末，其中，如果转账日期在1-10号，将该笔交易记为月初进行的交易，同理11-20号记为月中交易，21-月底记为月末交易)，并统计每个历史子时间段内发生操作行为的第四次数(例如，统计用户在月初、月中、月末分别的转账次数)。

本实施例中，可以基于得到的这些统计次数(包括第一次数、第二次数、第三次数和第四次数等)，确定用户统计数据，之后基于用户统计数据，对预设周期模型进行训练。

本实施例中，可以统计涉及固定间隔交易时长发生操作行为的总次数，例如，对于发生间隔2天出的转账行为，出现一次该行为记录一次，累加所有出现间隔2天的转账行为的次数，得到出现间隔2天发生转账行为的总次数。

可选的，在获得这些用户统计数据之后，可以对得到的数据进行去重处理(例如，去除重复的用户标识)，之后可以根据用户标识获取用户的操作行为数据以及相应的交易时间，对交易时间排序后得到时间序列，用于对周期模型进行训练。

步骤S102，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期。

可选的，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期的步骤，包括：采用预设周期模型，按照预设周期间隔时长对时间序列进行划分，得到多个子序列；将每个子序列按照时间进度进行扩展，以使子序列的时间长度与时间序列的时间长度相同；计算每个子序列与时间序列之间的动态时间规整数值；将最小动态时间规整数值表征为时间规整距离值。

本发明实施例中，在确定待寻找的周期序列(Cycles[5,10,15,...,m/2]，其中m代表时间序列长度)后，获取用户的时间序列S(s₁,s₂,...,s_m)，并将发生操作行为的次数记为n。可选的，本实施例中可以遍历预设的周期序列Cycles，获取其中一个值cycle_i(即某一周期间隔时长)，按照该周期间隔时长对时间序列进行划分，得到多个子序列S’(s₁,...,s_cycle)，拉长子序列，使其长度与时间序列S的长度相同，得到序列R(s₁,...,s_cycle,s₁,...,s_cycle...)(即将每个子序列按照时间进度进行扩展，以使子序列的时间长度与时间序列的时间长度相同)。

本实施例可以采用改进的动态时间规整算法DTW计算每个子序列R与时间序列S之间的动态时间规整数值，将最小动态时间规整数值表征为时间规整距离值，并记录当前的周期间隔时长(即行为周期)。

可选的，计算每个子序列与时间序列之间的动态时间规整数值的步骤，包括：获取子序列中每个时间节点所对应的节点值；在节点值为预设数值的情况下，累加节点值与预先设定的对齐惩罚数值，得到累加节点值；在节点值不是预设数值的情况下，计算对齐惩罚数值与节点值之间的差值，并累加节点值与差值，得到累加节点值；基于累加节点值，计算每个子序列与时间序列之间的动态时间规整数值。

在本发明实施例中，原始的DTW算法的计算过程为：

给定两个长度分别为n,m的时间序列r,s，先建立一个m×n的矩阵D，D中的元素cell(i,j)为r_i与s_j的距离，原始的DTW算法的计算公式(1)如下：

其中，cell(i-1,j)、cell(i-1,j-1)、cell(i,j-1)分别表示cell(i,j)的前一元素，d(i,j)为r_i与s_j的距离。

从元素cell(1，1)到元素cell(n，n)的路径W＝w₁,w₂,...,w_K，K为路径的数量，称为弯曲路径。由DTW距离矩阵D可知，弯曲路径有很多条，DTW计算的目标是寻找弯曲路径中总长度最小的路径，如下公式(2)所示：

DTW算法能够自动对齐序列，通过填充的方式，使趋势相似的序列能够计算得到较小的距离，但是针对实际问题场景，原始的DTW算法的自动对齐方式，反而使得在计算周期时出现较大的误差，例如，没有周期性的用户操作行为，在原始的DTW算法的自动对齐特性，计算出的距离为0，从而得出该用户发生的操作行为具有周期性，但这显然是不正确的。

因此，本实施例采用改进的DTW算法，计算每个子序列与时间序列之间的动态时间规整数值，具体为：

对DTW算法进行改进，在进行填充对齐时，不以前一个时间节点进行填充，而是填充一个固定常数L，从计算结果来看，是在对齐时对距离增加一个惩罚项。具体来说，在获取子序列中每个时间节点所对应的节点值之后，如果该节点值为预设数值(例如，0)，则累加节点值与预先设定的对齐惩罚数值L，得到累加节点值；如果该节点值不是预设数值(假设该节点值为Q)，则计算对齐惩罚数值与节点值之间的差值(|L-Q|)，并累加节点值与差值，得到累加节点值，之后基于累加节点值，计算每个子序列与时间序列之间的动态时间规整数值。采用改进的DTW算法可以使计算出的距离更加符合真实情况，从而更加精准的找到具有周期性的用户，改动后的距离计算公式(3)如下：

其中，cell(i-1,j)、cell(i-1,j-1)、cell(i,j-1)分别表示cell(i,j)的前一元素，d(i,L)表示r_i与L的距离，d(i_,j)为r_i与s_j的距离，d(L,j)表示L与s_j的距离，L为固定常数，r_i与s_j分别为两个序列中的某一元素值。

步骤S103，基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度。

在本发明实施例中，在得到时间规整距离值DTW(R,S)之后，可以结合时间序列长度以及行为周期，采用如下公式(4)，计算时间序列关于每个行为周期的置信度，其中，周期的置信度说明一个周期模式必须连续出现一定次数才认为该段时间序列具有周期性，当某一周期模式频繁出现时，DTW(R,S)趋向于0，置信度趋向于1，说明此周期最可信，由于噪声或者其他影响时，DTW(R,S)会增大，置信度趋向于0，置信度conf计算公式(4)如下：

其中，n表示时间序列长度，p表示当前行为周期，DTW(R,S)表示时间规整距离值。

步骤S104，在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。

在本发明实施例中，当目标行为周期的置信度大于预设参数阈值(例如，0.8)的情况下，可以确定目标行为周期为时间序列的行为周期，结束周期序列的遍历。

可选的，在计算时间序列关于每个行为周期的置信度之后，确定方法还包括：在所有行为周期的置信度都小于等于预设参数阈值的情况下，对所有置信度进行排序，得到置信度排序结果；确定置信度排序结果中最高置信度所对应的行为周期；基于预设扩展策略，将最高置信度所对应的行为周期扩展为参考行为周期；按照参考行为周期进行搜索目标用户在预设时间段内的行为数据，以计算时间序列关于参考行为周期的置信度。

在本发明实施例中，在所有行为周期的置信度都小于等于预设参数阈值的情况下，表示该周期序列中没有包含合适的周期，需要进行细查，具体为：对所有置信度进行排序，得到置信度排序结果；确定置信度排序结果中最高置信度所对应的行为周期(即将该行为周期确定为当前最优周期cycle_best)，基于预设扩展策略，将最高置信度所对应的行为周期扩展为参考行为周期(例如，将当前最优周期cycle_best，扩展搜索范围，得到参考行为周期(cycle_best-4,...,cycle_best-4,...,cycle_best+4))，按照参考行为周期进行搜索目标用户在预设时间段内的行为数据，以计算时间序列关于参考行为周期的置信度，在最高置信度大于一定阈值(例如，0.7，可以比之前设定的置信度阈值降低)时，确定该时间序列具有周期，否则认为该序列不具有周期性。

图2是根据本发明实施例的一种可选的确定用户周期行为的示意图，如图2所示，针对某一转账情景，用户可以通过终端(例如，手机)上的转账***进行转账，在该用户进行转账的同时，可以判断该用户的历史行为是否具有周期性，时效性要求较高，因此，可以在转账***调用前就生成各用户的标签，存到服务器当中，在转账***调用时相当于只是一个查表的过程，具体过程如下：

获取用户历史数据(包括用户标识、交易方账号、交易时间、消费行为等)，并计算各用户的历史行为序列(可以将获取的用户历史数据输入改进的DTW算法中计算)，将得到的结果存储到用户周期行为表(该表包括用户标识和交易方账号，以及是否具有周期性)中，并为用户打上标签(例如，1：有周期性；0：没有周期性)；当用户使用转账***转账时，获取用户标识和交易方账号，根据这两个索引，检索用户周期行为表，得到用户标签，根据标签判断是否具有周期性，如果得到结果是有周期性，则为客户推送“预约转账”功能，满足用户需求，提升用户黏度。

本发明实施例，提出一种基于改进DTW算法的用户行为周期挖掘方法，通过对DTW算法距离公式进行改进，对用户行为的周期性挖掘添加约束，不但能够精准的找出用户行为的强周期模式，而且对于含有噪声的周期序列、多周期序列同样有很好的效果，从而可以更好地为用户服务，有很高的业务价值。

实施例二

本实施例中提供的一种用户行为周期的确定装置包含了多个实施单元，每个实施单元对应于上述实施例一中的各个实施步骤。

图3是根据本发明实施例的一种可选的用户行为周期的确定装置的示意图，如图3所示，该确定装置可以包括：获取单元30，输入单元31，计算单元32，确定单元33，其中，

获取单元30，用于获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，行为数据中至少包括：时间序列以及时间序列中每个时间点对应的操作行为，周期序列中包含有多个行为周期；

输入单元31，用于将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期；

计算单元32，用于基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度；

确定单元33，用于在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。

上述确定装置，可以通过获取单元30获取目标用户在预设时间段内的行为数据和预先设置的周期序列，通过输入单元31将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期，通过计算单元32基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度，通过确定单元33在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。在本发明实施例中，可通过预设的周期模型，计算与用户操作行为相应的时间序列的置信度，在置信度大于预设阈值的情况下，可以确定该时间序列的行为周期，对于有行为周期的操作行为，能够通过终端应用推荐满足用户实际操作需求的功能，为用户提供更好的服务，提高用户的满意度，进而解决了相关技术中无法准确地挖掘出用户的行为周期，导致推荐的应用功能不符合用户实际使用需求的技术问题。

可选的，确定装置还包括：第一去重模块，用于在获取目标用户在预设时间段内的行为数据之后，对行为数据进行去重处理；第一排序模块，用于对去重处理后的行为数据按照时间点进行排序处理，得到按照时间序列排序的行为数据。

可选的，确定装置还包括：第一获取模块，用于在获取目标用户在预设时间段内的行为数据之后，获取时间序列中的开始时间节点和结束时间节点；第一构建模块，用于基于开始时间节点和结束时间节点，构建时间节点与节点值关联的初始序列，其中，在初始序列中，将节点值全部赋值为预设数值；第一计算模块，用于在目标时间节点发生操作行为的情况下，计算初始序列的时间序列长度与发生操作行为的总次数之间的比值，并将与目标时间节点对应的节点值替换为比值。

可选的，确定装置包括：第二获取模块，用于在将时间序列输入至预设周期模型之前，获取历史时间段内多个用户的用户数据，其中，用户数据至少包括：用户标识、行为发生日期、交易方账户，用户标识用于统计用户发生操作行为的第一次数，行为发生日期用于统计每个历史日期发生操作行为的第二次数，交易方账户用于统计每个用户采用相同交易方账户发生操作行为的第三次数；第一统计模块，用于按照预设分段参数对历史时间段进行划分，得到多个历史子时间段，并统计每个历史子时间段内发生操作行为的第四次数；第一确定模块，用于基于第一次数、第二次数、第三次数和第四次数，确定用户统计数据；第一训练模块，用于基于用户统计数据，对预设周期模型进行训练。

可选的，输入单元包括：第一划分模块，用于采用预设周期模型，按照预设周期间隔时长对时间序列进行划分，得到多个子序列；第一扩展模块，用于将每个子序列按照时间进度进行扩展，以使子序列的时间长度与时间序列的时间长度相同；第二计算模块，用于计算每个子序列与时间序列之间的动态时间规整数值；第一表征模块，用于将最小动态时间规整数值表征为时间规整距离值。

可选的，第二计算模块包括：第一获取子模块，用于获取子序列中每个时间节点所对应的节点值；第一累加子模块，用于在节点值为预设数值的情况下，累加节点值与预先设定的对齐惩罚数值，得到累加节点值；第二累加子模块，用于在节点值不是预设数值的情况下，计算对齐惩罚数值与节点值之间的差值，并累加节点值与差值，得到累加节点值；第一计算子模块，用于基于累加节点值，计算每个子序列与时间序列之间的动态时间规整数值。

可选的，确定装置还包括：第二排序模块，用于在计算时间序列关于每个行为周期的置信度之后，在所有行为周期的置信度都小于等于预设参数阈值的情况下，对所有置信度进行排序，得到置信度排序结果；第二确定模块，用于确定置信度排序结果中最高置信度所对应的行为周期；第二扩展模块，用于基于预设扩展策略，将最高置信度所对应的行为周期扩展为参考行为周期；第三计算模块，用于按照参考行为周期进行搜索目标用户在预设时间段内的行为数据，以计算时间序列关于参考行为周期的置信度。

可选的，行为数据包括下述至少之一：用户标识、交易类型、交易标识、交易金额、交易时间、交易方账户。

上述的确定装置还可以包括处理器和存储器，上述获取单元30，输入单元31，计算单元32，确定单元33等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定目标行为周期为时间序列的行为周期。

上述存储器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)，存储器包括至少一个存储芯片。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标用户在预设时间段内的行为数据和预先设置的周期序列，将时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及行为周期，基于时间规整距离值、时间序列长度以及行为周期，计算时间序列关于每个行为周期的置信度，在目标行为周期的置信度大于预设参数阈值的情况下，确定目标行为周期为时间序列的行为周期。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的用户行为周期的确定方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项的用户行为周期的确定方法。

图4是根据本发明实施例的一种用于用户行为周期的确定方法的电子设备(或移动设备)的硬件结构框图。如图4所示，电子设备可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种用户行为周期的确定方法，其特征在于，包括：

获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，所述行为数据中至少包括：时间序列以及所述时间序列中每个时间点对应的操作行为，所述周期序列中包含有多个行为周期；

将所述时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及所述行为周期；

基于所述时间规整距离值、所述时间序列长度以及所述行为周期，计算所述时间序列关于每个所述行为周期的置信度；

在目标行为周期的所述置信度大于预设参数阈值的情况下，确定所述目标行为周期为所述时间序列的行为周期。

2.根据权利要求1所述的确定方法，其特征在于，在获取目标用户在预设时间段内的行为数据之后，所述确定方法还包括：

对所述行为数据进行去重处理；

对去重处理后的所述行为数据按照时间点进行排序处理，得到按照时间序列排序的所述行为数据。

3.根据权利要求1所述的确定方法，其特征在于，在获取目标用户在预设时间段内的行为数据之后，所述确定方法还包括：

获取所述时间序列中的开始时间节点和结束时间节点；

基于所述开始时间节点和所述结束时间节点，构建时间节点与节点值关联的初始序列，其中，在所述初始序列中，将所述节点值全部赋值为预设数值；

在目标时间节点发生所述操作行为的情况下，计算所述初始序列的时间序列长度与发生所述操作行为的总次数之间的比值，并将与所述目标时间节点对应的所述节点值替换为所述比值。

4.根据权利要求1所述的确定方法，其特征在于，在将所述时间序列输入至预设周期模型之前，所述确定方法包括：

获取历史时间段内多个用户的用户数据，其中，所述用户数据至少包括：用户标识、行为发生日期、交易方账户，所述用户标识用于统计用户发生所述操作行为的第一次数，所述行为发生日期用于统计每个历史日期发生所述操作行为的第二次数，所述交易方账户用于统计每个用户采用相同交易方账户发生所述操作行为的第三次数；

按照预设分段参数对所述历史时间段进行划分，得到多个历史子时间段，并统计每个所述历史子时间段内发生所述操作行为的第四次数；

基于所述第一次数、所述第二次数、所述第三次数和所述第四次数，确定用户统计数据；

基于所述用户统计数据，对所述预设周期模型进行训练。

5.根据权利要求1所述的确定方法，其特征在于，将所述时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及所述行为周期的步骤，包括：

采用所述预设周期模型，按照预设周期间隔时长对所述时间序列进行划分，得到多个子序列；

将每个所述子序列按照时间进度进行扩展，以使所述子序列的时间长度与所述时间序列的时间长度相同；

计算每个所述子序列与所述时间序列之间的动态时间规整数值；

将最小所述动态时间规整数值表征为所述时间规整距离值。

6.根据权利要求5所述的确定方法，其特征在于，计算每个所述子序列与所述时间序列之间的动态时间规整数值的步骤，包括：

获取所述子序列中每个时间节点所对应的节点值；

在所述节点值为预设数值的情况下，累加所述节点值与预先设定的对齐惩罚数值，得到累加节点值；

在所述节点值不是所述预设数值的情况下，计算所述对齐惩罚数值与所述节点值之间的差值，并累加所述节点值与所述差值，得到累加节点值；

基于所述累加节点值，计算每个所述子序列与所述时间序列之间的动态时间规整数值。

7.根据权利要求1所述的确定方法，其特征在于，在计算所述时间序列关于每个所述行为周期的置信度之后，所述确定方法还包括：

在所有所述行为周期的置信度都小于等于预设参数阈值的情况下，对所有置信度进行排序，得到置信度排序结果；

确定所述置信度排序结果中最高置信度所对应的行为周期；

基于预设扩展策略，将最高置信度所对应的行为周期扩展为参考行为周期；

按照所述参考行为周期进行搜索所述目标用户在预设时间段内的行为数据，以计算所述时间序列关于所述参考行为周期的置信度。

8.根据权利要求1至7中任意一项所述的确定方法，其特征在于，所述行为数据包括下述至少之一：用户标识、交易类型、交易标识、交易金额、交易时间、交易方账户。

9.一种用户行为周期的确定装置，其特征在于，包括：

获取单元，用于获取目标用户在预设时间段内的行为数据和预先设置的周期序列，其中，所述行为数据中至少包括：时间序列以及所述时间序列中每个时间点对应的操作行为，所述周期序列中包含有多个行为周期；

输入单元，用于将所述时间序列输入至预设周期模型，得到时间规整距离值、时间序列长度以及所述行为周期；

计算单元，用于基于所述时间规整距离值、所述时间序列长度以及所述行为周期，计算所述时间序列关于每个所述行为周期的置信度；

确定单元，用于在目标行为周期的所述置信度大于预设参数阈值的情况下，确定所述目标行为周期为所述时间序列的行为周期。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的用户行为周期的确定方法。

11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的用户行为周期的确定方法。

Images