[发明专利]用户行为预测方法及装置、行为预测模型训练方法及装置

说明书

本申请提供了一种用户行为预测方法及装置，行为预测模型训练方法及装置，属于大数据处理领域。该用户行为预测方法获取到包括多个特征数据的行为预测信息后，可以分别获取每个特征数据对于指定行为的第一贡献值，并且对于该多个特征数据中的每N个特征数据，可以采用对应的一个特征交互模型对该每N个特征数据进行处理，得到每N个特征数据对于所述指定行为的第二贡献值。最后可以根据获取到的第一贡献值和第二贡献值，确定指定行为的执行概率。由于本申请提供的方法在对指定行为进行预测时，考虑了多个特征数据对该指定行为的交互影响，因此有效提高了行为预测的准确性。

技术领域

本申请涉及大数据处理领域，特别涉及一种用户行为预测方法及装置、行为预测模型训练方法及装置。

背景技术

用户行为预测是一种根据行为预测信息(例如用户属性数据、当前环境数据以及行为的执行对象的属性数据等)对用户行为进行预测的技术，该用户行为预测技术广泛应用于个性化推荐及广告精准投放等领域。

相关技术中，通常采用线性回归模型(Linear Regression model，LR model)对用户行为进行预测。对于某个指定行为的行为预测信息，该LR模型可以计算该行为预测信息中的每个特征数据对于该指定行为的贡献值，然后将各个特征数据对于该指定行为的贡献值进行累加，即可得到用户执行该指定行为的概率。其中，贡献值可以用于指示特征数据对于用户执行该指定行为的影响程度，且该贡献值的大小与影响程度的高低正相关。

但是，相关技术中的LR模型仅单独考虑了每个特征数据对于指定行为的影响程度，该用户行为预测方法的准确性较低。

发明内容

本申请提供了一种用户行为预测方法及装置、行为预测模型训练方法及装置，可以解决相关技术中的行为预测方法准确性较低的问题。

一方面，提供了一种用户行为预测方法，该方法可以包括：获取用于对指定行为进行预测的行为预测信息，该行为预测信息可以包括多个特征数据，且任意两个特征数据所属的类别不同。之后，可以分别获取该多个特征数据中每个特征数据对于该指定行为的第一贡献值，该第一贡献值用于指示对执行该指定行为的影响程度，且该第一贡献值的大小与该影响程度的高低正相关。对于该多个特征数据中的每N个特征数据，则可以采用对应的一个特征交互模型进行处理，得到每N个特征数据对于该指定行为的第二贡献值，其中，该N为大于1的整数，且任意N个特征数据对应的一个特征交互模型由该任意N个特征数据所属的N个类别确定，该第二贡献值用于指示对执行该指定行为的影响程度，且该第二贡献值的大小与该影响程度的高低正相关。最后，可以根据获取到的每个特征数据的第一贡献值和每N个特征数据的第二贡献值，确定该指定行为的执行概率。

本申请提供的用户行为预测方法在对指定行为进行预测时，由于考虑了多个特征数据对指定行为的交互影响，因此可以有效提高行为预测的准确性。并且，由于每N个特征数据对应的特征交互模型是基于该N个特征数据所属的类别确定的，即每N个类别对应一个特征交互模型，因此不仅可以避免所有特征数据采用同一特征交互模型进行处理而导致预测结果不佳的问题，还可避免每N个特征数据均采用独立的特征交互模型进行处理，而导致计算复杂度过高的问题。即本申请提供的行为预测方法能够以较低的计算复杂度获得较好的预测效果。

可选的，根据获取到的每个特征数据的第一贡献值和每N个特征数据的第二贡献值，确定指定行为的执行概率的过程可以包括：

根据获取到的每个特征数据的第一贡献值确定第一综合贡献值，并根据获取到的每N个特征数据的第二贡献值确定第二综合贡献值。最后可以采用预设权重值，对该第一综合贡献值和该第二综合贡献值进行加权求和，得到该执行概率。

其中，该预设权重值可以为预先对训练样本数据进行训练得到的，采用该预设权重值对两个综合贡献值进行加权求和，可以较好的平衡单独的特征数据对指定行为的影响，以及多个特征数据对指定行为的交互影响，保证行为预测的预测效果。