[发明专利]一种预测用户行为发生概率的方法和装置

说明书

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。

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。