The invention provides a method, a system, a device and a storage medium for quantifying user behavior, including steps: arranging all the actions involved in an order into a reference sequence in a fixed order; collecting the actions of the operations before the user orders are placed, arranging the actions according to the formation sequence to form the action sequence; converting the action sequence into the action sequence; Action matrix; Construct a cyclic neural network model, input multiple action matrices and sample labels corresponding to the action matrix into the cyclic neural network model for training; output the last hidden layer as the output results. The invention collects actions including timing information through action sequences, and realizes preliminary numeralization of timing information by transforming action vectors. By constructing and training cyclic neural network model, the hidden layer of the last layer is output, thereby realizing processing and predicting time series data and applying it to user behavior monitoring model. Type, effectively improving the accuracy of prediction.
【技术实现步骤摘要】
用户行为量化方法、系统、设备及存储介质
本专利技术涉及用户信用评估领域,具体地说,涉及用户行为量化方法、系统、设备及存储介质。
技术介绍
随着大数据时代的到来,旅游行业日新月异,用户不仅可以“说走就走”,还有机会享受“免押金,免查房,离店后付款”的优质住宿体验,这在一定程度上取决于用户信用风险的高低。当一个用户享受信用产品后拒绝履约时,就会造成资金损失,所以做好风险的预估显得尤为重要。除了旅游行业,在其他多个行业也越来越多地涉及信用支付,因此准确的用户信用评估也日趋重要。评估用户信用的纬度可以有很多,用户行为跟踪(UserBehaviorTracking,UBT)也是其中的一种。UBT数据十分庞大复杂,基于互联网环境下,进行互联网订单的UBT数据分析,处理方式大多只能简单地统计用户的浏览次数,点击次数,浏览时长等。然而,UBT数据的发生次序也具有重要作用,例如一笔正常的订单,往往有着相对完整的行为路径:如先搜索酒店,再筛选,然后查看酒店详情,图片,往返多次后下单。现有技术没有考虑UBT数据的时间序列信息,更无法将带有时序信息的用户行为量化输入用户行为监督模型。
技术实现思路
针对上述技术中的问题,本专利技术为了解决上述技术问题,提供了一种用户行为量化的方法、系统、设备及存储介质,本专利技术的第一方面提供一种用户行为量化的方法,包括以下步骤:S10、将订单涉及的所有动作按固定次序预先排列为一参考序列;S11、采集用户订单下单前的操作的动作,按形成时序排列动作以形成动作序列;S12、将动作序列中的每一个动作匹配参考序列而转换为一组由0或1表示的动作向量,以将动作序 ...
【技术保护点】
1.一种用户行为量化的方法,其特征在于,包括以下步骤:S10、将订单涉及的所有动作按固定次序预先排列为一参考序列;S11、采集用户订单下单前的操作的动作,按形成时序排列所述动作以形成动作序列;S12、将所述动作序列中的每一个动作匹配所述参考序列而转换为一组由0或1表示的动作向量,以将所述动作序列转换为动作矩阵;S13、构建循环神经网络模型,所述循环神经网络模型符合公式:st=f(U*xt+W*st‑1+b)其中,f为激活函数,St以及St‑1为构建循环神经网络的隐藏层,U,W为模型的参数矩阵,b为偏置项,xt为步骤S12中的所述动作向量;S14、将多个动作矩阵以及与动作矩阵对应的订单的样本标签作为输入数据,输入所述循环神经网络模型,以训练循环神经网络模型;S15、输出最后一层的隐藏层作为输出结果。
【技术特征摘要】
1.一种用户行为量化的方法,其特征在于,包括以下步骤:S10、将订单涉及的所有动作按固定次序预先排列为一参考序列;S11、采集用户订单下单前的操作的动作,按形成时序排列所述动作以形成动作序列;S12、将所述动作序列中的每一个动作匹配所述参考序列而转换为一组由0或1表示的动作向量,以将所述动作序列转换为动作矩阵;S13、构建循环神经网络模型,所述循环神经网络模型符合公式:st=f(U*xt+W*st-1+b)其中,f为激活函数,St以及St-1为构建循环神经网络的隐藏层,U,W为模型的参数矩阵,b为偏置项,xt为步骤S12中的所述动作向量;S14、将多个动作矩阵以及与动作矩阵对应的订单的样本标签作为输入数据,输入所述循环神经网络模型,以训练循环神经网络模型;S15、输出最后一层的隐藏层作为输出结果。2.如权利要求1所述的用户行为量化的方法,其特征在于,所述步骤S11包括:S111、采集用户订单下单前的所有动作,并按形成时序排列所述动作以形成动作序列;S113、保留下单前的t次动作,其中t为正整数。3.如权利要求2所述的用户行为量化的方法,其特征在于,在所述步骤S11中,在步骤S113前还包括步骤:S112、合并动作序列中相邻的重复动作。4.如权利要求1所述的用户行为量化的方法,其特征在于在步骤S14的循环神经网络模型中构建损失函数loss,将多个动作矩阵以及与动作矩阵对应的订单的样本标签输入所述循环神经网络模型进行迭代,最小化损失函数,以获得最优的U,W,b,损失函数loss符合以下公式:其中,pi为预测概率,yi为与动作矩阵对应的订单的样本标签。5.如权利要求4所述的用户行为量化的方法,其特征在于在步骤S14中,预测概率pi符合下述公式:pi=softmax(w_out*st+b_out)其中,w_out为模型的参数矩阵,b_out为偏置项,St为构建循环神经网...
【专利技术属性】
技术研发人员:李腾龙,霍文虎,
申请(专利权)人:携程旅游信息技术上海有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。