[发明专利]一种数据指标的波动归因方法、装置、设备、及介质

权利要求书

1.一种数据指标的波动归因方法，包括：

获取与数据指标的波动影响对象对应的行为维度关系表；所述数据指标的波动影响对象为，对数据指标值造成波动影响的用户对象；行为维度关系表中包括至少一个维度层级的行为，后一维度层级的行为为所属前一维度层级的行为的细分行为类型；

在检测到数据指标在两个连续时间段内产生数据指标值的波动时，统计与行为维度关系表中的各行为对应的波动贡献值；

分别获取各波动影响对象在第一时间段和第二时间段内，与行为维度关系表匹配的行为数据，构造与各波动影响对象对应的第一行为数据集和第二行为数据集；

将各第一行为数据集和第二行为数据集分别输入至预先训练的权重生成模型中，得到与每个波动影响对象分别对应的第一权重系数关系表和第二权重系数关系表；所述权重系数关系表中记录波动影响对象针对所述行为维度关系表中每个维度层级的行为的权重系数；

将各第一权重系数关系表中记录的，每个波动影响对象针对行为维度关系表中的各行为的第一权重系数进行对应的累加求和，得到第一时间段内，与行为维度关系表中的各行为对应的第一有效贡献值；

将各第二权重系数关系表中记录的，每个波动影响对象针对行为维度关系表中的各行为的第二权重系数进行对应的累加求和，得到第二时间段内，与行为维度关系表中的各行为对应的第二有效贡献值；

分别计算与行为维度关系表中的各行为对应的第一有效贡献值和第二有效贡献值之间的差值，得到与行为维度关系表中的各行为对应的有效波动贡献值；

根据所述两个连续时间段内的各波动贡献值和各有效波动贡献值，在至少一个行为维度层级下，生成与数据指标值对应的波动归因结果。

2.根据权利要求1所述的方法，其中，在分别获取各波动影响对象在第一时间段和第二时间段内，与行为维度关系表匹配的行为数据之前，还包括：

构建多个训练样本，每个训练样本中包括：各波动影响对象在多个历史连续时间段内，与行为维度关系表匹配的行为数据，不同的训练样本中具有重叠时间段对应的波动影响对象的行为数据；

将各所述训练样本分别输入至预设的机器学习模型中，对所述机器学习模型进行训练，得到所述权重生成模型；

其中，所述机器学习模型通过使用至少一项权重系数更新算法，更新计算每个波动影响对象针对所述行为维度关系表的权重系数关系表。

3.根据权利要求2所述的方法，其中，所述权重系数更新算法包括下述至少一项：TF-IDF逆词频算法、时间衰减算法以及行为间依赖关系算法。

4.根据权利要求1所述的方法，其中，获取与数据指标的波动影响对象对应的行为维度关系表，包括：

收集全部波动影响对象在设定历史时间区间内的完整行为数据；

针对所述完整行为数据中包括的每一项行为类型，计算与行为类型下的各行为分别对应的数据指标贡献值；

根据同一项行为类型中各行为对应的数据指标贡献值的差异值，在全部行为类型中筛选得到标准行为类型；

使用所述标准行为类型中的至少一个行为，生成所述行为维度关系表。

5.根据权利要求4所述的方法，其中，在针对所述完整行为数据中包括的每一项行为类型，计算与行为类型下的各行为分别对应的数据指标贡献值之前，还包括：

对所述全部波动影响对象的完整行为数据进行数据清洗，和/或数字化编码处理。

6.根据权利要求4所述的方法，其中，根据同一项行为类型中各行为对应的数据指标贡献值的差异值，在全部行为类型中筛选得到标准行为类型，包括：

在全部波动影响对象的完整行为数据中，获取与目标行为类型中各目标行为对应的数据指标贡献值，并计算各所述数据指标贡献值之间的第一差异；

按照设定的数据筛选规则，在全部波动影响对象中筛选得到局部波动影响对象；

在所述局部波动影响对象的完整行为数据中，获取与目标行为类型中各目标行为对应的数据指标贡献值，并计算各所述数据指标贡献值之间的第二差异；

如果第一差异与第二差异之间的差异值超过预设的差异门限，则确定所述目标行为类型为标准行为类型。