[发明专利]一种用户行为预测方法及设备

权利要求书

1.一种用户行为预测方法，其特征在于，该方法包括：

从历史时段内目标用户的数据集中，筛选出第一特征集合对应的数据序列，其中，所述第一特征集合表征在执行行为预测时贡献度大于或等于第一阈值的特征组成的集合；

将所述数据序列分别输入到训练好的M种机器学习模型，输出所述数据序列对应的M种预测结果，其中M为正整数且为奇数；

根据所述数据序列的M种预测结果构建稀疏矩阵，将所述稀疏矩阵输入到训练好的分类模型，输出所述数据序列的最优预测结果；

根据所述数据序列的最优预测结果，预测所述目标用户的行为。

2.根据权利要求1所述的方法，其特征在于，通过如下方式确定所述第一阈值：

从样本数据集中，确定与预设的各个备选特征分别对应的特征数据向量，以及所述样本数据集对应的标签向量，其中标签向量中的标签是根据所述样本数据集中的样本数据的标注标签确定的；

根据各个特征数据向量和所述标签向量的相关度，确定所述第一阈值。

3.根据权利要求1所述的方法，其特征在于，通过如下方式确定所述第一特征集合：

针对每种机器学习模型执行如下过程：

将样本数据集作为输入，将输出结果与所述样本数据集对应的标签向量之间的相似度作为优化条件，对所述机器学习模型的初始模型进行训练；训练完成后得到各个备选特征与所述样本数据集中的标注标签的相关度，根据大于或等于第一阈值的所述相关度对应的备选特征确定第二特征集合；

根据M种机器学习模型分别确定的第二特征集合，确定第一特征集合。

4.根据权利要求3所述的方法，其特征在于，所述根据M种机器学习模型分别确定的第二特征集合，确定第一特征集合，包括：

将M种第二特征集合去除重复的备选特征后合并，得到合并集合；

根据合并集合中各个备选特征在M种第二特征集合中出现的概率，从所述合并集合中筛选出M-1种第三特征集合；

根据M-1种第三特征集合，确定第一特征集合。

5.根据权利要求4所述的方法，其特征在于，所述根据合并集合中各个备选特征在M种第二特征集合中出现的概率，从所述合并集合中筛选出M-1种第三特征集合，包括：

预先设定M-1种第二阈值，基于每种第二阈值对所述合并集合执行如下步骤：

从合并集合中筛选出概率值大于或等于所述第二阈值的备选特征，根据筛选出的备选特征确定与所述第二阈值对应的第三特征集合；

将M-1种第二阈值分别对应的第三特征集合，确定为所述M-1种第三特征集合。

6.根据权利要求4所述的方法，其特征在于，所述根据M-1种第三特征集合，确定第一特征集合，包括：

针对每种第三特征集合执行如下步骤：从所述样本数据集中筛选出所述第三特征集合对应的样本数据序列，将所述样本数据序列作为M种机器学习模型的训练样本，获取M种机器学习模型在训练完成后得到的模型参数与模型评价值的关系曲线；根据M种关系曲线中的最优模型评价值，确定所述第三特征集合的贡献度；

根据M-1种第三特征集合的贡献度，从M-1种第三特征集合中确定第一特征集合。

7.根据权利要求6所述的方法，其特征在于，所述根据M种关系曲线中的最优模型评价值，确定所述第三特征集合的贡献度，包括：

将M种最优模型评价值中的最大值，确定为所述第三特征集合的贡献度；或，

将M种最优模型评价值的平均值，确定为所述第三特征集合的贡献度；或，

将M种最优模型评价值去除最大值和最小值后的平均值，确定为所述第三特征集合的贡献度。

8.根据权利要求6所述的方法，其特征在于，针对每种机器学习模型，通过如下方式获取所述模型参数与模型评价值的关系曲线，包括：

将所述样本数据序列作为输入，将输出结果与所述样本数据序列对应的标注标签之间的相似度作为优化条件，对所述机器学习模型的初始模型进行训练；

训练完成后得到所述机器学习模型的模型参数与模型评价值的关系曲线。