一种对象的行为分析方法、装置及存储介质制造方法及图纸

本发明专利技术实施例公开了一种对象的行为分析方法、装置及存储介质，本发明专利技术实施例在获取目标对象的特征数据之后；提取所述特征数据的各阶特征组合，得到全局特征，并对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征以及高阶特征；然后将所述低阶特征、所述高阶特征以及所述全局特征连接成第一特征向量；最后根据所述第一特征向量确定所述目标对象的行为指标。该方案可以从特征数据中提取多种特征，然后结合多种特征一起对目标对象的行为指标进行预估，在进行对象的行为分析的时候更充分地利用了从特征数据中提取出来的特征，从而提高行为指标预估的准确率。

An Object Behavior Analysis Method, Device and Storage Medium

【技术实现步骤摘要】
一种对象的行为分析方法、装置及存储介质
本专利技术涉及网络
，具体涉及一种对象的行为分析方法、装置及存储介质。
技术介绍
点击率(CTR，Click-Through-Rate)是互联网广告、新闻等媒体内容的常用的术语，指媒体内容(广告/新闻/公众号等)的点击到达率，即该媒体内容的实际点击次数除以该媒体内容的展现量；停留时长，是指用户访问媒体内容的平均停留时间；分享率，即该媒体内容的被用户转发分享的次数除以该媒体内容的展现量；点击率、停留时长以及分享率等均是衡量媒体内容是否受用户欢迎的一个重要的行为指标。然而，现有模型对点击率、停留时长以及分享率等对象的行为分析的准确率较低，有待提高。
技术实现思路
本专利技术实施例提供一种对象的行为分析方法、装置及存储介质，可以提高对象的行为分析的准确率。本专利技术实施例提供一种对象的行为分析方法，包括：获取目标对象的特征数据；提取所述特征数据的各阶特征组合，得到全局特征；对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征以及高阶特征；根据所述低阶特征、所述高阶特征以及所述全局特征确定第一特征向量；根据所述第一特征向量确定所述目标对象的行为指标。相应的，本专利技术实施例还提供一种对象的行为分析装置，包括：获取单元，用于获取目标对象的特征数据；提取单元，用于提取所述特征数据的各阶特征组合，得到全局特征；处理单元，用于对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征以及高阶特征；第一确定单元，用于根据所述低阶特征、所述高阶特征以及所述全局特征确定第一特征向量；第二确定单元，用于根据所述第一特征向量确定所述目标对象的行为指标。可选的，在一些实施例中，所述提取单元具体用于：确定所述特征数据的类型数量；根据所述类型数量以及全局特征提取算法提取所述特征数据的各阶特征组合，得到所述全局特征，其中，所述全局特征提取算法为经过张量分解处理的全局特征提取算法。可选的，在一些实施例中，所述提取单元还具体用于：根据所述类型数量以及所述全局特征提取算法确定目标全局特征提取算法；根据所述目标全局特征提取算法确定所述特征数据的各阶特征组合，得到所述全局特征。可选的，在一些实施例中，所述提取单元还具体用于：根据所述目标全局特征提取算法确定各阶特征对应的张量因子；根据各阶特征对应的张量因子对各阶特征进行组合，得到所述全局特征。可选的，在一些实施例中，所述第一确定单元具体用于：对所述低阶特征、所述高阶特征以及所述全局特征进行排列，得到所述低阶特征、所述高阶特征以及所述全局特征的排列位置；基于所述排列位置将所述低阶特征、所述高阶特征以及所述全局特征组合成所述第一特征向量。可选的，在一些实施例中，所述处理单元具体用于：对所述特征数据进行低阶特征交叉处理，得到所述低阶特征；基于深度神经网络对所述特征数据进行高阶特征提取，得到所述高阶特征。可选的，在一些实施例中，所述处理单元还具体用于：确定所述特征数据的类型数量；根据所述特征数据的类型数量以及低阶特征提取算法对所述特征数据进行低阶特征交叉处理，得到所述低阶特征。可选的，在一些实施例中，所述第二确定单元包括：学习子单元，用于基于残差网络的第一全连接网络对所述第一特征向量进行学习，得到全连接特征；拉取子单元，用于通过所述残差网络的拉取网络拉取所述第一特征向量；连接子单元，用于通过所述残差网络的特征连接网络将所述第一特征向量以及所述全连接特征连接成第二特征向量；预估子单元，用于基于所述残差网络的第二全连接网络对所述第二特征向量进行对象的行为分析处理，得到所述目标对象的行为指标。可选的，在一些实施例中，所述预估子单元具体用于：基于所述第二全连接网络确定所述第二特征向量的权重；根据所述权重确定所述目标对象的行为指标。可选的，在一些实施例中，所述连接子单元具体用于：通过所述特征连接网络确定所述第一特征向量的第一待连接特征；通过所述特征连接网络确定所述全连接特征的第二待连接特征；基于所述第一待连接特征以及所述第二待连接特征将所述第一特征向量与所述全连接特征进行特征连接处理。可选的，在一些实施例中，所述获取单元包括：获取子单元，用于获取所述目标对象的原始特征数据；稀疏子单元，用于对所述原始特征数据进行稀疏处理；嵌入子单元，用于将稀疏处理后的原始特征数据进行嵌入式处理，得到所述特征数据。可选的，在一些实施例中，所述第二确定单元具体用于：根据所述第一特征向量确定所述目标对象的点击率；或，根据所述第一特征向量确定所述目标对象的停留时长；或，根据所述第一特征向量确定所述目标对象的分享率。此外，本专利技术实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本专利技术实施例提供的任一种对象的行为分析方法中的步骤。本专利技术实施例在获取目标对象的特征数据之后；提取所述特征数据的各阶特征组合，得到全局特征，并对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征以及高阶特征；然后根据所述低阶特征、所述高阶特征以及所述全局特征确定第一特征向量；最后根据所述第一特征向量确定所述目标对象的行为指标。该方案可以从特征数据中提取多种特征，然后结合多种特征一起对目标对象的行为指标进行预估，在进行对象的行为分析的时候，即在行为指标的获取的时候，更充分地利用了从特征数据中提取出来的特征，从而提高行为指标预估的准确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1a是本专利技术实施例提供的对象的行为分析方法的场景示意图；图1b是本专利技术实施例提供的对象的行为分析网络的一个结构示意图；图1c是本专利技术实施例提供的对象的行为分析网络的另一个结构示意图；图1d是本专利技术实施例提供的对象的行为分析方法的一个流程示意图；图1e是本专利技术实施例提供的MVM模型的张量分解图；图1f是本专利技术实施例提供的残差网络的结构示意图；图2是本专利技术实施例提供的对象的行为分析方法的另一个流程示意图；图3a是本专利技术实施例提供的对象的行为分析方法的另一个流程示意图；图3b是本专利技术实施例提供的指标预估方法中终端显示页面的一个示意图；图4a是本专利技术实施例提供的对象的行为分析装置的一结构示意图；图4b是本专利技术实施例提供的对象的行为分析装置的另一结构示意图；图5是本专利技术实施例提供的网络设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供一种对象的行为分析方法、装置及存储介质，其中，该对象的行为分析装置可以集成在网络设备中，该对象的行为分析装置中集成有对象的行为分析模型，该网络设备可以是服务器，也可以是终端等设备。本专利技术实施例提供的对象的行为分析方法可以用于分析对象，例如，通过本专利技术实施例可以获取对象的行为指标，以便分析对象。在一些实施例中，为了提升行为分析的准确率，可以采用计算本文档来自技高网...

【技术保护点】
1.一种对象的行为分析方法，其特征在于，包括：获取目标对象的特征数据；提取所述特征数据的各阶特征组合，得到全局特征；对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征和所述特征数据的高阶特征；根据所述低阶特征、所述高阶特征以及所述全局特征确定第一特征向量；根据所述第一特征向量确定所述目标对象的行为指标。

【技术特征摘要】
1.一种对象的行为分析方法，其特征在于，包括：获取目标对象的特征数据；提取所述特征数据的各阶特征组合，得到全局特征；对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征和所述特征数据的高阶特征；根据所述低阶特征、所述高阶特征以及所述全局特征确定第一特征向量；根据所述第一特征向量确定所述目标对象的行为指标。2.根据权利要求1所述的方法，其特征在于，所述提取所述特征数据的各阶特征组合，得到全局特征，包括：确定所述特征数据的类型数量；根据所述类型数量以及全局特征提取算法提取所述特征数据的各阶特征组合，得到所述全局特征，其中，所述全局特征提取算法为经过张量分解处理的全局特征提取算法。3.根据权利要求2所述的方法，其特征在于，所述根据所述类型数量以及全局特征提取算法提取所述特征数据的各阶特征组合，得到所述全局特征，包括：根据所述类型数量以及所述全局特征提取算法确定目标全局特征提取算法；根据所述目标全局特征提取算法确定所述特征数据的各阶特征组合，得到所述全局特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标全局特征提取算法确定所述特征数据的各阶特征组合，得到所述全局特征，包括：根据所述目标全局特征提取算法确定各阶特征对应的张量因子；根据各阶特征对应的张量因子对各阶特征进行组合，得到所述全局特征。5.根据权利要求1所述的方法，其特征在于，所述根据所述低阶特征、所述高阶特征以及所述全局特征确定第一特征向量，包括：对所述低阶特征、所述高阶特征以及所述全局特征进行排列，得到所述低阶特征、所述高阶特征以及所述全局特征的排列位置；基于所述排列位置将所述低阶特征、所述高阶特征以及所述全局特征组合成所述第一特征向量。6.根据权利要求1所述的方法，其特征在于，所述对所述特征数据进行深度分解处理，得到所述特征数据的低阶特征以及高阶特征，包括：对所述特征数据进行低阶特征交叉处理，得到所述低阶特征；基于深度神经网络对所述特征数据进行高阶特征提取，得到所述高阶特征。7.根据权利要求6所述的方法，其特征在于，所述对所述特征数据进行低阶特征交叉处理，得到所述低阶特征，包括：确定所述特征数据的类型数量；根据所述特征数据的类型数量以及低阶特征提取算法对所述特征数据进行低阶特征交叉处理，得到所述低阶特征。8.根据权利要求7所述的方法，其特征在于，所述根据所述特征数据的类型数量以及低阶特征提取算法对所述特征数据进行低阶特征交叉处理，得到所述低阶特征，包括：根据所述类型数量以及所述低阶特征提取算法确定目标低阶特征...

【专利技术属性】
技术研发人员：凌程，王亚龙，王瑞，杜立寰，夏锋，林乐宇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44