[发明专利]一种用户行为预测方法及设备

说明书

本发明公开了一种用户行为预测方法及设备，用于筛选出第一特征集合后，基于第一特征集合对应数据序列，利用M种机器学习模型进行预测，有效地提高预测结果的准确性。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；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。

技术领域

本发明涉及人工智能技术领域，特别涉及一种用户行为预测方法及设备。

背景技术

大数据时代，精准营销已成为各大企业的战略目标之一，准确地刻画用户画像和预测用户行为显得尤为重要。精准预测离不开对用户特征的研究，只有选择包含高质量信息的特征，才能使数据挖掘模型具有高效的预测能力。

传统的特征选择大多数是基于人为判断或简单的算法筛选，容易出现特征漏选或多选的情况。在特征数量较多的情况下往往会出现漏选的情况，造成预测结果的偏差。特征多选会导致过拟合，需要更多的数据来支撑，而获取数据和标注数据会增加成本。因此，如何高效合理地选择特征对提高预测结果的准确性非常关键。

发明内容

本发明提供一种用户行为预测方法及设备，用于筛选出第一特征集合后，基于第一特征集合对应数据序列，利用M种机器学习模型进行预测，有效地提高预测结果的准确性。

第一方面，本发明实施例提供的一种用户行为预测方法，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。

本发明实施例提供的用户行为预测方法，基于若干种不同的机器学习算法对数据集进行建模，通过构建稀疏矩阵，采用分类模型对稀疏矩阵进行预测会减少过拟合或欠拟合带来的影响，提高模型的预测准确性。

作为一种可选的实施方式，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。

作为一种可选的实施方式，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。

作为一种可选的实施方式，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；