【技术实现步骤摘要】
用户行为预测方法及装置、电子设备、存储介质
本公开涉及大数据
，尤其涉及一种用户行为预测方法、用户行为预测装置、电子设备及计算机可读存储介质。
技术介绍
随着大数据技术的发展，越来越多的企业致力于通过大数据分析来预测用户的行为与需求，从而提供更好的服务，以吸引更多的用户。现有的用户行为预测方法多数是从用户的历史数据中提取特征，通过分析这些特征得到用户的行为预测结果。其中，提取哪些特征依赖于数据分析人员的经验，因此特征的有效性难以保证；且采用的历史数据较多是近期数据，无法反映用户行为的长期特征以及行为习惯的变化趋势；以上两点不足都将导致用户行为预测的准确率较低，影响实际应用的效果。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开提供了一种用户行为预测方法、用户行为预测装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有的用户行为预测方法准确率较低的问题。本公开的其他特性和优点...
【技术保护点】
1.一种用户行为预测方法，其特征在于，包括：/n获取待预测用户在最近N个长周期内的行为数据，并转换为具有先后顺序的N个特征向量；/n将第一特征向量输入一长短时记忆网络模型，得到第一长短时记忆向量；/n依次地，根据第i-1长短时记忆向量更新所述长短时记忆网络模型的初始记忆状态，并将第i特征向量输入所述长短时记忆网络模型，得到第i长短时记忆向量，其中i∈[2,N-1]；/n根据第N-1长短时记忆向量更新所述长短时记忆网络模型的初始记忆状态，并将第N特征向量输入所述长短时记忆网络模型，得到输出向量；/n根据所述输出向量确定所述待预测用户的行为预测结果。/n
【技术特征摘要】
1.一种用户行为预测方法，其特征在于，包括：
获取待预测用户在最近N个长周期内的行为数据，并转换为具有先后顺序的N个特征向量；
将第一特征向量输入一长短时记忆网络模型，得到第一长短时记忆向量；
依次地，根据第i-1长短时记忆向量更新所述长短时记忆网络模型的初始记忆状态，并将第i特征向量输入所述长短时记忆网络模型，得到第i长短时记忆向量，其中i∈[2,N-1]；
根据第N-1长短时记忆向量更新所述长短时记忆网络模型的初始记忆状态，并将第N特征向量输入所述长短时记忆网络模型，得到输出向量；
根据所述输出向量确定所述待预测用户的行为预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待预测用户在最近N个长周期内的行为数据，并转换为具有先后顺序的N个特征向量包括：
按照短周期依次统计待预测用户在最近N个长周期内的O种行为数据，每个长周期包括M个短周期；
将所述行为数据转换为具有先后顺序的N个M*O维特征向量。
3.根据权利要求2所述的方法，其特征在于，所述长短时记忆网络模型至少包括：
输入层，包括M*O个神经元，用于输入所述M*O维特征向量；
第一全连接层，包括P个神经元，用于将所述特征向量转换为P维的第一中间向量；
长短时记忆层，包括Q个神经元，用于根据所述初始记忆状态将所述第一中间向量转换为Q维的长短时记忆向量，所述Q个神经元中任意两个神经元相连接；
第二全连接层，包括R个神经元，用于将所述长短时记忆向量转换为R维的第二中间向量；
输出层，包括S个神经元，用于将所述第二中间向量转换为S维的输出向量。
4.根据权利要求3所述的方法，其特征在于，所述长短时记忆层为前向长短时记忆层，所述长短时记忆向量为前向长短时记忆向量，所述初始记忆状态为前向初始记忆状态；所述长短时记忆网络模型还包括：
后向长短时记忆层，包括T个神经元，用于根据后向初始记忆状态将所述前向长短时记忆向量转换为T维的后向长短时记忆向量，所述T个神经元中任意两个神经元相连接；
则所述第二全连接层用于将所述后向长短时记忆向量转换为所述第二中间向量；
所述将第一特征向量输入一长短时记忆网络模型，得到第一长短时记忆向量包括：
将第一特征向量输入一长短时记忆网络模型，得到第一前向长短时记忆向量；
所述依次地，根据第i-1长短时记忆向量更新所述长短时记忆网络模型的初始记忆状态，并将第i特征向量输入所述长短时记忆网络模型，得到第i长短时记忆向量包括：
依次地，分别根据第i-1前向长短时记忆向量与第i-1后向长短时记忆向量更新所述长短时记忆网络模型的前向初始记忆状...
【专利技术属性】
技术研发人员：张立成，陆韬，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11
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。