本公開涉及互聯(lián)網(wǎng)技術領域，尤其涉及一種用戶行為預測方法和裝置。

背景技術：

很多大型網(wǎng)站的信息功能、功能越來越豐富，然而獲取所需信息的復雜度卻驟然突增，操作路徑越來越深；并且對用戶而言，用戶間操作習慣差異大、操作內(nèi)容不盡相同，網(wǎng)站的結構一致缺乏個性化導致用戶使用效率降低，體驗下降。

為了提高用戶體驗，可通過用戶行為分析來實現(xiàn)。用戶行為分析是指在獲得用戶在網(wǎng)絡的操作行為的相關數(shù)據(jù)的情況下，對相關數(shù)據(jù)進行統(tǒng)計分析，從而獲取用戶的特征(比如用戶的群體構成和喜好等)，以及為后續(xù)相關操作提供依據(jù)，比如后續(xù)內(nèi)容的預取以及網(wǎng)站結構的優(yōu)化。

目前，現(xiàn)有技術提供了一種基于概率后綴樹pst的用戶行為學習方法，依據(jù)無線網(wǎng)絡中的業(yè)務對網(wǎng)絡qos要求的不同，將基于業(yè)務的用戶行為分為4類：無業(yè)務、會話類業(yè)務、交互類業(yè)務、流媒體類業(yè)務，產(chǎn)生4進制用戶行為狀態(tài)序列；通過學習構建概率后綴樹(pst)訓練用戶行為序列，并采用可變長markov模型預測下時段可能發(fā)生的用戶行為，即可根據(jù)預測的業(yè)務行為選擇適合的網(wǎng)絡資源為用戶提供高質量的業(yè)務。

然而，現(xiàn)有的用戶行為學習方法，在預測準確性有待進一步提高。

技術實現(xiàn)要素：

鑒于現(xiàn)有技術中的上述缺陷或不足，期望提供一種能夠提高預測準確性的用戶行為預測方案。

第一方面，本申請實施例提供了一種用戶行為預測方法，所述方法包括：

獲取當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)；

將當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)輸入至當前的用戶行為預測模型；以及

由所述用戶行為預測模型輸出當前操作事件之后的預測行為；

其中，所述用戶行為預測模型基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到。

第二方面，本申請實施例還提供了一種用戶行為預測裝置，包括：

狀態(tài)獲取單元，配置用于獲取當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)；

狀態(tài)輸入單元，配置用于將當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)輸入至當前的用戶行為預測模型，其中，所述用戶行為預測模型基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到；

預測輸出單元，配置用于由所述用戶行為預測模型輸出當前操作事件之后的預測行為。

第三方面，本申請實施例還提供了一種計算設備，包括一個或多個處理器以及存儲器，所述存儲器包含可由所述處理器執(zhí)行的指令以使得所述處理器執(zhí)行本申請實施例提供的所述用戶行為預測方法。

第四方面，本申請實施例還提供了一種存儲有計算機程序的計算機可讀存儲介質，所述計算機程序使計算機執(zhí)行所述用戶行為預測方法。

本申請實施例提供的用戶行為預測方案，將當前賬戶狀態(tài)和當前操作事件的操作狀態(tài)輸入至當前的用戶行為預測模型；以及由基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到的用戶行為預測模型輸出當前操作事件之后的預測行為。相較于現(xiàn)有根據(jù)用戶行為狀態(tài)序列來預測，通過用戶操作事件日志和用戶賬戶狀態(tài)日志訓練所得到的行為預測模型，能夠得到更為準確的預測。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本申請的其它特征、目的和優(yōu)點將會變得更明顯：

圖1示出了其中可以應用本申請實施例的示例性系統(tǒng)架構；

圖2示出了根據(jù)本申請實施例的用戶行為預測方法的示例性流程圖；

圖3示出了根據(jù)本申請一個實施例的用戶行為預測模型訓練方法的示例性流程圖；

圖4示出了根據(jù)本申請一個實施例的用戶行為預測裝置的示例性結構框圖；

圖5示出了根據(jù)本申請一個實施例的用戶行為預測系統(tǒng)的示例性結構框圖；以及

圖6示出了適于用來實現(xiàn)本申請實施例的計算機設備的結構示意圖。

具體實施方式

下面結合附圖和實施例對本申請作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋相關發(fā)明，而非對該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與發(fā)明相關的部分。

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結合實施例來詳細說明本申請。

請參考圖1，其示出了可以應用本申請實施例的示例性系統(tǒng)架構100。

如圖1所示，系統(tǒng)架構100可以包括終端設備101、102、網(wǎng)絡103和服務器104、105、106和107。網(wǎng)絡103用以在終端設備101、102和服務器104、105、106、107之間提供通信鏈路的介質。網(wǎng)絡103可以包括各種連接類型，例如有線、無線通信鏈路或者光纖電纜等等。

用戶110可以使用終端設備101、102通過網(wǎng)絡103與服務器104、105、106、107交互，以訪問各種服務。終端設備101、102上可以安裝有各種客戶端應用。

終端設備101、102可以是各種電子設備，包括但不限于個人電腦、智能手機、智能電視、平板電腦、個人數(shù)字助理、電子書閱讀器等等。

服務器104、105、106、107可以是提供各種服務的服務器。服務器可以響應于用戶的服務請求而提供服務?？梢岳斫?，一個服務器可以提供一種或多種服務，同一種服務也可以由多個服務器來提供。

應該理解，圖1中的終端設備、網(wǎng)絡和服務器的數(shù)目僅僅是示意性的。根據(jù)實現(xiàn)需要，可以具有任意數(shù)目的終端設備、網(wǎng)絡和服務器。

如背景技術中所提到的，現(xiàn)有技術通過markov(馬爾科夫)鏈模型或其變種來預測用戶行為，預測用戶后續(xù)操作，基于此來進行內(nèi)容預取，改變網(wǎng)站結構等優(yōu)化來提升用戶體驗。然而簡單的markov鏈模型及其變種主要刻畫用戶在當前操作與下一個操作之間的關系，無法刻畫出用戶更為本質的操作意圖，導致其預測準確性很低。

鑒于現(xiàn)有技術的上述缺陷，本申請實施例提供了一種用戶行為預測方案，由基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到的用戶行為預測模型輸出當前操作事件之后的預測行為。相較于當前操作與下一個操作之間的關系，用戶操作事件日志中挖掘出的用戶操作序列以及每個操作對應的賬戶狀態(tài)實際上能更好的表達用戶的操作意圖，將這些信息輸入到深度神經(jīng)網(wǎng)絡進行訓練能更好的挖掘出操作意圖特征，基于該模型來預測用戶操作行為，從而提高預測的準確性。

下面將結合流程圖來描述本申請實施例的方法。

參考圖2，其示出了根據(jù)本申請一個實施例的用戶行為預測方法的示例性流程圖。圖2所示的方法可以在圖1中的服務器端執(zhí)行。

如圖2所示，在步驟210中，獲取當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)。

為了預測當前操作事件的后續(xù)行為，本申請實施例中，獲取當前操作事件的操作狀態(tài)，以及該操作對應的當前賬戶狀態(tài)。

步驟220中，將當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)輸入至當前的用戶行為預測模型。

其中，用戶行為預測模型基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到。

本申請實施例中，用戶行為預測模型是線上訓練或預先線下訓練的；當前的用戶行為預測模型可以是指當前線上所使用的用于在線預測用戶行為的用戶行為預測模型；或者可以是指當前線下用于離線預測用戶行為的用戶行為預測模型。

關于用戶行為預測模型的訓練將在后續(xù)詳細介紹，此處不再詳述。

步驟230中，由用戶行為預測模型輸出當前操作事件之后的預測行為。

本申請實施例中，由基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到的用戶行為預測模型輸出當前操作事件之后的預測行為。相較于現(xiàn)有根據(jù)用戶行為狀態(tài)序列來預測，通過用戶操作事件日志和用戶賬戶狀態(tài)日志訓練所得到的行為預測模型，能夠得到更為準確的預測。

圖3示出了根據(jù)本申請一個實施例的用戶行為預測模型的訓練方法的示例性流程圖。

如圖3所示，在步驟310中，獲取設定時間內(nèi)的用戶操作事件日志及其對應的用戶賬戶狀態(tài)日志。

具體地，可以首先采集設定時間段內(nèi)的用戶操作事件日志。

其中，用戶操作事件日志可以包括：該時間段內(nèi)涉及的所有操作事件，以及每個操作事件的用戶會話標識sessionid、操作事件前的操作狀態(tài)、操作事件本身的操作狀態(tài)和操作事件觸發(fā)后的操作狀態(tài)。

操作狀態(tài)主要是指操作事件當前所處頁面或ajaxurl(asynchronousjavascriptandxmluniformresourcelocator，異步爪哇腳本和可擴展標記語言統(tǒng)一資源定位符)。

繼而，基于用戶操作事件日志中的sessionid，獲取對應的用戶賬戶狀態(tài)日志。其中，獲取的用戶賬戶狀態(tài)日志含有對應的用戶操作事件日志中每個操作事件的賬戶狀態(tài)信息，包括：操作事件前的賬戶狀態(tài)和操作事件觸發(fā)后的賬戶狀態(tài)。

在步驟320中，對獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志進行預處理，形成深度神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)。

具體地，可以合并用戶操作事件日志和用戶賬戶狀態(tài)日志，形成事件流日志并存儲。其中，基于操作事件和賬戶狀態(tài)的對應關系，將步驟310獲取的用戶操作事件日志中的操作事件與用戶賬戶狀態(tài)日志中對應的賬戶狀態(tài)進行合并操作，形成事件流日志；并進行持久化存儲。

本申請實施例中，按照設定粒度拉取存儲的事件流日志；繼而，對拉取出的事件流日志進行數(shù)據(jù)標注并序列化成深度神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)。

其中拉取事件流日志的粒度由本領域技術人員根據(jù)實際需求進行預先設定，例如，每天、每小時等。

針對拉取出的存儲的事件流日志，可以預先進行非必要數(shù)據(jù)的過濾、必要數(shù)據(jù)的特征抽取等一系列操作，進而針對必要數(shù)據(jù)進行數(shù)據(jù)標注。

其中，必要數(shù)據(jù)主要包括：任一操作事件的操作事件前的操作狀態(tài)、操作事件本身的操作狀態(tài)、操作事件前的賬戶狀態(tài)。

基于事件流日志中對應該操作事件的操作事件觸發(fā)后的操作狀態(tài)，對抽取出的對應的必要數(shù)據(jù)特征進行數(shù)據(jù)標注。

這樣，完成對抽取的必要數(shù)據(jù)的特征的數(shù)據(jù)標注后，進行序列化形成深度神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)。

步驟330中，利用訓練數(shù)據(jù)完成模型訓練，得到用戶行為預測模型。

本申請實施例中，用戶行為預測模型為深度神經(jīng)網(wǎng)絡模型，其根據(jù)預設粒度不斷獲取新的訓練數(shù)據(jù)進行迭代學習，可提高預測準確度。

本申請實施例中，利用訓練數(shù)據(jù)完成模型訓練，得到用戶行為預測模型之后，還可以將線上的用戶行為預測模型更新為當前訓練好的用戶行為預測模型。

從上面描述可以看出，在本申請的實施例中，針對預測準確性的提高問題，提出了基于用戶操作事件和對應的賬戶狀態(tài)進行后續(xù)操作的預測方案。這樣基于更多維度的信息來預測用戶行為，可提高預測的準確性。

參考圖4，其示出了根據(jù)本申請一個實施例的用戶行為預測裝置400的示例性結構框圖。

如圖4所示，用戶行為預測裝置400可以包括：狀態(tài)獲取單元401、狀態(tài)輸入單元402和預測輸出單元403。

狀態(tài)獲取單元401配置用于獲取當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)。

狀態(tài)輸入單元402配置用于將當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)輸入至當前的用戶行為預測模型，其中，所述用戶行為預測模型基于預先獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志訓練得到。

預測輸出單元403配置用于由用戶行為預測模型輸出當前操作事件之后的預測行為。

進一步地，如圖4所示，用戶行為預測裝置400還可以包括：模型訓練單元404。

模型訓練單元404配置用于獲取設定時間內(nèi)的用戶操作事件日志及其對應的用戶賬戶狀態(tài)日志；對獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志進行預處理，形成深度神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)；利用訓練數(shù)據(jù)完成模型訓練，得到用戶行為預測模型。

本申請實施例中，具體地，模型訓練單元404可以采集設定時間內(nèi)的用戶操作事件日志。

其中，用戶操作事件日志包括：該時間段內(nèi)涉及的所有操作事件、以及每個操作事件的用戶會話標識、操作事件前的操作狀態(tài)、操作事件本身的操作狀態(tài)，以及操作事件觸發(fā)后的操作狀態(tài)。操作狀態(tài)主要是指操作事件當前所處頁面或ajaxurl。

繼而，模型訓練單元404基于所述用戶會話標識，獲取對應的用戶賬戶狀態(tài)日志。其中，用戶賬戶狀態(tài)日志含有對應的用戶操作事件日志中每個操作事件的賬戶狀態(tài)信息，包括：操作事件前的賬戶狀態(tài)和操作事件觸發(fā)后的賬戶狀態(tài)。

接著，模型訓練單元404合并獲取的用戶操作事件日志和用戶賬戶狀態(tài)日志，形成事件流日志并存儲；按照設定粒度拉取存儲的事件流日志；對拉取出的事件流日志進行數(shù)據(jù)標注并序列化成深度神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)；利用所述訓練數(shù)據(jù)完成模型訓練，得到用戶行為預測模型。

進一步地，本申請實施例中，用戶行為預測裝置400還可以包括：模型更新單元。

模型更新單元配置用于將線上的用戶行為預測模型更新為當前訓練好的用戶行為預測模型。

應當理解，用戶行為預測裝置400中記載的諸單元與參考圖2-圖3描述的方法中的各個步驟相對應。由此，上文針對方法描述的操作和特征同樣適用于用戶行為預測裝置400及其中包含的單元，在此不再贅述。

參考圖5，其示出了根據(jù)本申請一個實施例的用戶行為預測系統(tǒng)500的示例性結構框圖。

如圖5所示，用戶行為預測系統(tǒng)500可以包括：事件流日志服務器501、模型訓練服務器502、模型服務器503、線上web服務器504、以及瀏覽器505。

其中，事件流日志服務器501可以從瀏覽器505采集用戶操作事件日志；用戶操作事件日志可以包括：該時間段內(nèi)涉及的所有操作事件，以及每個操作事件的用戶會話標識sessionid、操作事件前的操作狀態(tài)、操作事件本身的操作狀態(tài)和操作事件觸發(fā)后的操作狀態(tài)。

繼而，事件流日志服務器501基于用戶操作事件日志中的sessionid，獲取對應的用戶賬戶狀態(tài)日志。其中，獲取的用戶賬戶狀態(tài)日志含有對應的用戶操作事件日志中每個操作事件的賬戶狀態(tài)信息，包括：操作事件前的賬戶狀態(tài)和操作事件觸發(fā)后的賬戶狀態(tài)。

事件流日志服務器501合并用戶操作事件日志和用戶賬戶狀態(tài)日志，形成事件流日志并存儲。

模型訓練服務器502按照設定粒度拉取存儲的事件流日志；繼而，對拉取出的事件流日志進行數(shù)據(jù)標注并序列化成深度神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)；利用訓練數(shù)據(jù)完成模型訓練，得到用戶行為預測模型。

模型服務器503將線上的用戶行為預測模型更新為當前訓練好的用戶行為預測模型。

線上web服務器504獲取當前操作事件的操作狀態(tài)及其對應的當前賬戶狀態(tài)，并將獲取的當前操作事件的操作狀態(tài)和當前賬戶狀態(tài)發(fā)送至模型服務器503。

模型服務器503利用更新后的用戶行為預測模型，根據(jù)線上web服務器504發(fā)送的當前操作事件的操作狀態(tài)和當前賬戶狀態(tài)，輸出當前操作事件的預測行為并反饋給線上web服務器504。這樣，線上web服務器504可以根據(jù)預測行為，進行數(shù)據(jù)預取、改變網(wǎng)站結構等優(yōu)化來提高用戶的操作效率從而提升用戶體驗。

進一步地，本申請實施例還提供了一種計算設備，包括一個或多個處理器以及存儲器；其中，存儲器包含可由處理器執(zhí)行的指令以使得處理器執(zhí)行圖2-圖3的方法。

下面參考圖6，其示出了適于用來實現(xiàn)本申請實施例的服務器的計算機設備600的結構示意圖。

如圖6所示，計算機設備600包括中央處理單元(cpu)601，其可以根據(jù)存儲在只讀存儲器(rom)602中的程序或者從存儲部分608加載到隨機訪問存儲器(ram)603中的程序而執(zhí)行各種適當?shù)膭幼骱吞幚?。在ram603中，還存儲有設備600操作所需的各種程序和數(shù)據(jù)。cpu601、rom602以及ram603通過總線604彼此相連。輸入/輸出(i/o)接口605也連接至總線604。

以下部件連接至i/o接口605：包括鍵盤、鼠標等的輸入部分606；包括諸如陰極射線管(crt)、液晶顯示器(lcd)等以及揚聲器等的輸出部分607；包括硬盤等的存儲部分608；以及包括諸如lan卡、調(diào)制解調(diào)器等的網(wǎng)絡接口卡的通信部分609。通信部分609經(jīng)由諸如因特網(wǎng)的網(wǎng)絡執(zhí)行通信處理。驅動器610也根據(jù)需要連接至i/o接口605?？刹鹦督橘|611，諸如磁盤、光盤、磁光盤、半導體存儲器等等，根據(jù)需要安裝在驅動器610上，以便于從其上讀出的計算機程序根據(jù)需要被安裝入存儲部分608。

特別地，根據(jù)本公開的實施例，上文參考圖2-圖3描述的過程可以被實現(xiàn)為計算機軟件程序。例如，本公開的實施例包括一種計算機程序產(chǎn)品，其包括有形地包含在機器可讀介質上的計算機程序，所述計算機程序包含用于執(zhí)行圖2-圖3的方法的程序代碼。在這樣的實施例中，該計算機程序可以通過通信部分609從網(wǎng)絡上被下載和安裝，和/或從可拆卸介質611被安裝。

附圖中的流程圖和框圖，圖示了按照本發(fā)明各種實施例的系統(tǒng)、方法和計算機程序產(chǎn)品的可能實現(xiàn)的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段、或代碼的一部分，所述模塊、程序段、或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應當注意，在有些作為替換的實現(xiàn)中，方框中所標注的功能也可以以不同于附圖中所標注的順序發(fā)生。例如，兩個接連地表示的方框實際上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或操作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機指令的組合來實現(xiàn)。

描述于本申請實施例中所涉及到的單元或模塊可以通過軟件的方式實現(xiàn)，也可以通過硬件的方式來實現(xiàn)。所描述的單元或模塊也可以設置在處理器中。這些單元或模塊的名稱在某種情況下并不構成對該單元或模塊本身的限定。

作為另一方面，本申請還提供了一種計算機可讀存儲介質，該計算機可讀存儲介質可以是上述實施例中所述裝置中所包含的計算機可讀存儲介質；也可以是單獨存在，未裝配入設備中的計算機可讀存儲介質。計算機可讀存儲介質存儲有一個或者一個以上程序，所述程序被一個或者一個以上的處理器用來執(zhí)行描述于本申請的公式輸入方法。

以上描述僅為本申請的較佳實施例以及對所運用技術原理的說明。本領域技術人員應當理解，本申請中所涉及的發(fā)明范圍，并不限于上述技術特征的特定組合而成的技術方案，同時也應涵蓋在不脫離所述發(fā)明構思的情況下，由上述技術特征或其等同特征進行任意組合而形成的其它技術方案。例如上述特征與本申請中公開的(但不限于)具有類似功能的技術特征進行互相替換而形成的技術方案。