行为序列获取方法及装置、用户转化率预测方法及装置制造方法及图纸

本发明专利技术公开了一种行为序列获取方法及装置、用户转化率预测方法及装置，其中，行为序列获取方法包括步骤：响应于对任一用户的行为序列获取的指令，获取所述用户的行为序列，并从所述行为序列中筛选出预设类别的所有行为事件；其中，所述预设类别的所有行为事件的数量为b，b≥1；以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a‑1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2。能有效获取用户的第一行为序列，提高预测模型的准确度。

【技术实现步骤摘要】
行为序列获取方法及装置、用户转化率预测方法及装置
本专利技术涉及机器学习领域，尤其涉及一种行为序列获取方法及装置、用户转化率预测方法及装置。
技术介绍
用户的APP行为记录了用户基本信息，也记录了在APP上的关键行为动作，这些行为动作表征的是用户潜意识的行为模式或者个人偏好。对APP进行数据分析挖掘的评价指标有常规数据指标监控(如新用户量)、渠道分析或流量分析、APP页面的广告点击率(CTR：Click-Through-Rate)、用户的核心转化率(一般在有付费相关的功能中也称为付费率、购买率，如游戏或电商或知识付费，有的APP也将用户从非注册用户到注册等用户作为转化率)、用户使用时长、用户流失率等。指标中的CTR是目前研究较为火热、应用较多的一个领域，而对于直接产生费用流量的APP而言，付费率或购买率是运营团队关注的核心，如何准确预测转化率对于运营思路及APP功能和UI更新都有重要意义。对于用户转化率预测及提升的一种实现方法是，将用户转化率预测看成一个用户分群或分层问题，将所有用户根据Recency、Frequency、Monetary等常用用户价值模型进行分层，将用户划分到不同的群体，然后以“高价值的群体转化率较高”作为预测结果。对于用户转化率预测及提升的另一种实现方法是，将用户转化率预测看成一个推荐系统，根据用户的历史购买行为，计算与购买过此种商品的用户相似的其他用户，并以相似度对其他用户进行排序，选取top作为正样本，预测其会购买。在第一种方案中，用户分层或分群是以用户的基本属性或充值行为作为依据的，如在付费或充值的场景下，Recency、Frequency、Monetary的三个指标分别指的是用户最近一次充值距今时长、用户的付费频率、用户的付费金额；在第二种方案中作为推荐系统预测用户转化率一般是针对用户购买过的物品种类，或者购买过相同物品的相似用户类型进行的。以上两种方案均没有充分利用用户在APP内的行为序列，这些行为序列实际表征了用户的潜在行为模式和使用习惯；也没有同时考虑用户在APP中的注册时长及用户的活跃度，这两个特征可以用于表征用户对APP的熟悉程度。这两种用户转化率预测及提升方法不能有效提高转化率模型的预测精度。
技术实现思路
本专利技术实施例提供一种行为序列获取方法及装置、用户转化率预测方法及装置以及计算机可读存储介质，能有效解决现有行为序列获取方法存在单一化的问题，能有效提高转化率模型的预测精度。本专利技术一实施例提供一种行为序列获取方法，包括步骤：响应于对任一用户的行为序列获取的指令，获取所述用户的行为序列，并从所述行为序列中筛选出预设类别的所有行为事件；其中，所述预设类别的所有行为事件的数量为b，b≥1；以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a-1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2。与现有技术相比，本专利技术实施例提供了一种行为序列获取方法，其以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a-1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2；能有效获取对转化率预测影响较大的行为序列，能提高预测模型的准确度。作为上述方案的改进，以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a-1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2，具体为：以每一成功购买事件为节点，成功购买事件发生的次数为m，根据所述每一成功购买事件出现的时刻向前截取M-1个的行为事件，从而生成m个长度为M的历史偏好事件向量；m≥1；M≥2；以每一成功登录事件为节点，成功登录事件发生的次数为n，根据所述每一成功登录事件出现的时刻向后截取N-1个的行为事件，从而生成n个长度为N的历史活跃事件向量；n≥1；N≥2。作为上述方案的改进，所述行为序列获取方法还包括步骤：根据历史偏好事件的计算策略从所述历史偏好事件向量计算出历史偏好事件的权重向量和物品类别向量；根据历史活跃事件的计算策略从所述历史活跃事件向量计算出历史活跃事件的非共现向量；其中，所述非共现向量为n个所述历史活跃事件向量中相同位置的事件类别数构成的向量；n≥1。作为上述方案的改进，根据历史偏好事件的计算策略从所述历史偏好事件向量计算出历史偏好事件的权重向量和物品类别向量具体为：根据所述历史偏好事件向量中的事件权重计算出历史偏好事件的权重向量；其中，购买事件的权重通过以下公式计算：W_buy＝2*IE*Nor(Cost)+IE其中，W_buy为购买事件的权重；IE为与物品相关的行为类别数；Nor(Cost)为购买事件的商品金额的归一化值；根据所述历史偏好事件向量中每一购买事件对应的商品类别，生成物品类别向量；其中，所述物品类别向量长度与每一用户成功购买商品数等长。本专利技术另一实施例对应提供了一种用户转化率预测方法，包括步骤：根据以上实施例所述的行为序列获取方法获取任一用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量；响应于对所述用户的转化率的预测指令，将上述获取到的用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量作为一预设的预测模型的输入，根据所述预测模型的输出结果对所述用户的转化率进行预测。作为上述方案的改进，所述方法还包括步骤：响应于对预测模型的训练指令，通过上述获取到的用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量对所述预测模型进行训练。作为上述方案的改进，所述用户为一应用程序的长期用户，所述长期用户为注册时长大于人均注册时长且对所述应用程序的功能事件的点击发生率在c％以内的用户；其中，30≤c≤100。作为上述方案的改进，所述将上述获取到的用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量作为一预设的预测模型的输入，根据所述预测模型的输出结果对所述用户的转化率进行预测具体为：将所述物品类别向量和所述权重向量进行左对齐，根据最短向量的长度截取其他向量与最短向量等长的部分，生成左物品类别向量和左权重向量，根据所述历史偏好事件向量中每一位置的行为事件在所述历史偏好事件向量中出现的次数生成新的历史偏好事件向量，将所述新的历史偏好事件向量与所述左权重向量对应位置权重相乘生成左偏好向量；将所述物品类别向量和所述权重向量进行右对齐，根据最短向量的长度截取其他向量与最短向量等长的部分，生成右物品类别向量和右权重向量，根据所述历史偏好事件向量中每一位置的行为事件在所述历史偏好事件向量中出现的次数生成新的历史偏好事件向量，将所述新的历史偏好事件向量与所述右权重向量对应位置权重相乘生成右偏好向量；将所述非共现向量进行左对齐，根据最短向量的长度截取其他向量与最短向量等长的部分，生成左活跃向量；将所述非共现向量进行右对齐，根据最短向量的长度截取其他向量与最短向量等长的部分，生成右活跃向量；将所述左物品类别向量、所述右物品类别向量、所述左偏好向量、所述右偏好向量、所述左活跃向量和所述右活跃向量输入所述预测模型中进行预测。本专利技术另一实施例提供了一种行为序列获取装置，包括：获取指令响应模块，用于响应于对任一用户的行为序列获取的指令，获取所述用户的行为序列，并从所本文档来自技高网...

【技术保护点】
1.一种行为序列获取方法，其特征在于，包括步骤：响应于对任一用户的行为序列获取的指令，获取所述用户的行为序列，并从所述行为序列中筛选出预设类别的所有行为事件；其中，所述预设类别的所有行为事件的数量为b，b≥1；以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a‑1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2。

【技术特征摘要】
1.一种行为序列获取方法，其特征在于，包括步骤：响应于对任一用户的行为序列获取的指令，获取所述用户的行为序列，并从所述行为序列中筛选出预设类别的所有行为事件；其中，所述预设类别的所有行为事件的数量为b，b≥1；以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a-1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2。2.如权利要求1所述的行为序列获取方法，其特征在于，所述以预设类别中的每一行为事件作为节点，根据所述行为事件出现的时刻向前或向后截取a-1个的行为事件，从而生成b个长度为a的第一行为序列；a≥2，具体为：以每一成功购买事件为节点，成功购买事件发生的次数为m，根据所述每一成功购买事件出现的时刻向前截取M-1个的行为事件，从而生成m个长度为M的历史偏好事件向量；m≥1；M≥2；以每一成功登录事件为节点，成功登录事件发生的次数为n，根据所述每一成功登录事件出现的时刻向后截取N-1个的行为事件，从而生成n个长度为N的历史活跃事件向量；n≥1；N≥2。3.如权利要求2所述的行为序列获取方法，其特征在于，还包括步骤：根据历史偏好事件的计算策略从所述历史偏好事件向量计算出历史偏好事件的权重向量和物品类别向量；根据历史活跃事件的计算策略从所述历史活跃事件向量计算出历史活跃事件的非共现向量；其中，所述非共现向量为n个所述历史活跃事件向量中相同位置的事件类别数构成的向量；n≥1。4.如权利要求3所述的行为序列获取方法，其特征在于，所述根据历史偏好事件的计算策略从所述历史偏好事件向量计算出历史偏好事件的权重向量和物品类别向量具体为：根据所述历史偏好事件向量中的事件权重计算出历史偏好事件的权重向量；其中，购买事件的权重通过以下公式计算：W_buy＝2*IE*Nor(Cost)+IE其中，W_buy为购买事件的权重；IE为与物品相关的行为类别数；Nor(Cost)为购买事件的商品金额的归一化值；根据所述历史偏好事件向量中每一购买事件对应的商品类别，生成物品类别向量；其中，所述物品类别向量长度与每一用户成功购买商品数等长。5.一种用户转化率预测方法，其特征在于，包括步骤：根据权利要求1-4所述的行为序列获取方法获取任一用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量；响应于对所述用户的转化率的预测指令，将上述获取到的用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量作为一预设的预测模型的输入，根据所述预测模型的输出结果对所述用户的转化率进行预测。6.如权利要求5所述的用户转化率预测方法，其特征在于，所述方法还包括步骤：响应于对预测模型的训练指令，通过上述获取到的用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量对所述预测模型进行训练。7.如权利要求5所述的用户转化率预测方法，其特征在于，所述用户为一应用程序的长期用户，所述长期用户为注册时长大于人均注册时长且对所述应用程序的功能事件的点击发生率在c％以内的用户；其中，30≤c≤100。8.如权利要求5所述的用户转化率预测方法，其特征在于，所述将上述获取到的用户的历史偏好事件向量、历史偏好事件的权重向量、物品类别向量和非共现向量作为一预设的预测模型的输入，根据所述预测模型的输出结果对所述用户的转化率进行预测具体为：将所述物品类别向量和所述权重向量进行左对齐，根据最...

【专利技术属性】
技术研发人员：徐骄，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44