本发明专利技术提出了一种用户行为的预测方法、装置、系统和计算机介质。该预测方法包括：获取用户的访问信息，根据访问信息生成服务信息；根据服务信息生成语义向量集合；将语义向量集合输入用户行为预测模型，对语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。通过上述先将用户的访问信息转换为语义向量集合，再将语义向量集合输入预设模型的对用户下一步行为预测的方式，保证了在对用户行为进行预测过程中考虑了服务之间的关联性，实现了对用户行为的精准预测，从而保证了获取到的用户行为预测结果的准确性。到的用户行为预测结果的准确性。到的用户行为预测结果的准确性。
【技术实现步骤摘要】
用户行为的预测方法、装置、系统和计算机介质
[0001]本申请涉及信息管理领域，具体而言，涉及一种用户行为的预测方法、一种用户行为的预测装置、一种用户行为的预测系统和一种计算机介质。
技术介绍
[0002]相关技术中，对用户访问行为进行预测的预测方法，忽视了对所提供服务状态之间的内在关联性，从而影响了推荐的准确率。
技术实现思路
[0003]本申请旨在至少解决现有技术或相关技术中存在的技术问题之一。
[0004]为此，本专利技术的第一方面提出了一种用户行为的预测方法。
[0005]本专利技术的第二方面提出了一种用户行为的预测装置。
[0006]本专利技术的第三方面提出了一种用户行为的预测系统。
[0007]本专利技术的第四方面提出了一种计算机介质。
[0008]有鉴于此，根据本专利技术的第一方面，提出了一种用户行为的预测方法，预测方法包括：获取用户的访问信息，根据访问信息生成服务信息；根据服务信息生成语义向量集合；将语义向量集合输入用户行为预测模型，对语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
[0009]在该技术方案中，通过用户的访问信息生成服务信息，并将生成的服务信息转换成与服务信息相对应的语义向量集合，以使服务信息能够以语义向量形式进行表示，从而保证了服务信息之间的关联性，能通过语义向量中数字之间的关联性表示出来。
[0010]进一步地，预先设置有通过用户的历史访问信息训练得到的用户行为预测模型和预设语义向量集合。将上述生成的语义向量集合输入用户行为预测模型，以使语义向量集合与预设语义向量集合进行查询匹配，对用户下一步行为进行预测。相比于相关技术中，针对不同的用户采用不同的预测模型的预测方法，本专利技术的预测方法中，通过上述一个预测模型对用户行为进行预测的方式，解决了第一次对新用户行为进行预测时，因没有对应的预测模型而无法执行相应预测行为的冷启动问题。
[0011]本专利技术的技术方案中，通过上述先将用户的访问信息转换为语义向量集合，再将语义向量集合输入预设模型的对用户下一步行为预测的方式，保证了在对用户行为进行预测过程中考虑了服务之间的关联性，实现了对用户行为的精准预测，从而保证了获取到的用户行为预测结果的准确性。
[0012]根据本专利技术提供的用户行为的预测方法，还可以具有以下附加的技术特征：
[0013]在上述技术方案中，根据服务信息生成语义向量集合的步骤，具体包括：根据服务信息生成静态特征数据序列和服务序列；根据静态特征数据序列和服务序列，生成语义向量集合。
[0014]在该技术方案中，将服务信息中的静态特征数据和与服务相关的动态数据进行提
取，以生成静态特征数据序列和服务序列。并根据上述生成的静态特征数据序列和服务序列转换为语义向量集合。通过上述生成语义向量集合的方式，一方面，使语义向量中不仅仅只包括与服务相关的数据，还包含了静态特征数据，提高了预测模型的精准性，从而保证了对用户行为预测的更加精准；另一方面，实现了将用户行为预测转化为序列预测问题。
[0015]在上述任一技术方案中，预测方法还包括：对服务信息进行解析，以生成解析结果。
[0016]在该技术方案中，对服务信息进行解析，以生成解析结果，以使服务信息能转换成与预设需求形式相匹配的数据信息。
[0017]在上述任一技术方案中，预测方法包括：根据解析结果生成静态特征数据序列和服务序列。
[0018]在该技术方案中，将上述生成的解析结果中静态特征数据和与服务相关的动态数据进行提取，以生成静态特征数据序列和服务序列。通过上述方式实现了静态特征数据序列和服务序列的获取，为形成语义向量集合提供了可靠的方式，从而保证了整个预测过程中的可靠性。
[0019]在上述任一技术方案中，根据解析结果生成静态特征数据序列的步骤，具体包括：根据解析结果，获取与时间特征相关的时间特征数据，以及获取用户身份标识号；将时间特征数据转换成时间特征序列；将用户身份标识号和时间特征序列转换成静态特征数据序列。
[0020]在该技术方案中，将解析结果中与时间特征相关的时间特征数据，以及用户身份标识号数据进行识别提取。并将上述提取出的时间特征数据生成时间特征序列。同时将上述提取的用户身份标识号和生成的时间特征序列，均转换成静态特征数据序列。
[0021]通过上述生成静态特征数据序列的方式，将时间戳信息和用户身份标识号信息均加入到了静态特征数据序列，以使对用户行为预测过程中，应用到了时间戳信息和用户身份标识信息，保证了能对用户周期性的访问行为进行挖掘。
[0022]在上述任一技术方案中，语义向量集合包括第一语义向量集合和第二语义向量集合。
[0023]在该技术方案中，语义向量集合包括了第一语义向量集合和第二语义向量集合两种不同类型的语义向量集合，以保证输入到预测模型的语义向量为双输。
[0024]在上述任一技术方案中，采用嵌入算法，将静态特征数据序列转换成第一语义向量集合，以及将服务序列转换成第二语义向量集合。
[0025]在该技术方案中，采用嵌入算法，将静态特征数据序列转换成第一语义向量集合，同时将服务序列转换成第二语义向量集合。而嵌入算法中的嵌入技术，能用一个低维向量表示物体相关性。通过上述方式生成两种语义向量集合，保证了第一语义向量集合和第二语义向量集合能表示出服务之间和静态特征数据之间的关联性。
[0026]在上述任一技术方案中，将第一语义向量集合和第二语义向量集合，分别作为第一输入和第二输入，输入用户行为预测模型，将第一语义向量集合和第二语义向量集合，与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
[0027]在该技术方案中，将第一语义向量集合和第二语义向量集合，分别作为第一输入和第二输入，输入用户行为预测模型。并将第一语义向量集合和第二语义向量集合，与预设
语义向量集合进行查询匹配，以对用户行为预测结果。通过上述方式，保证了对整个用户行为的预测过程中的可行性和可靠性，从而提高预测结果的精准性。
[0028]在上述任一技术方案中，用户行为预测模型基于BERT模型和Mask矩阵构建。
[0029]在该技术方案中，用户行为预测模型是基于BERT模型和Mask矩阵构建。在上述构建过程中，基于静态特征数据序列和服务序列，对Mask矩阵进行了改进，以使形成的语义向量集合中通过第一语义向量集合显示全部的静态特征数据序列，第二语义向量集合只显示用户之前的服务数据。从而保证了构建的用户行为预测模型的可靠性。
[0030]根据本专利技术的第二方面，提出了一种用户行为的预测装置，预测装置包括：
[0031]获取单元，用于获取用户的访问信息，根据访问信息生成服务信息；
[0032]生成单元，用于根据服务信息生成语义向量集合；
[0033]预测单元，用于将语义向量集合输入用户行为预测模型，对语义向量集合进行查询匹配，以得到用户行为预测结果。
[0034]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户行为的预测方法，其特征在于，所述预测方法包括：获取用户的访问信息，根据所述访问信息生成服务信息；根据所述服务信息生成语义向量集合；将所述语义向量集合输入用户行为预测模型，对所述语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。2.根据权利要求1所述的预测方法，其特征在于，所述根据所述服务信息生成语义向量集合的步骤，具体包括：根据所述服务信息生成静态特征数据序列和服务序列；根据所述静态特征数据序列和所述服务序列，生成所述语义向量集合。3.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：对所述服务信息进行解析，以生成解析结果。4.根据权利要求3所述的预测方法，其特征在于，所述预测方法包括：根据所述解析结果生成所述静态特征数据序列和所述服务序列。5.根据权利要求4所述的预测方法，其特征在于，所述根据所述解析结果生成所述静态特征数据序列的步骤，具体包括：根据所述解析结果，获取与时间特征相关的时间特征数据，以及获取用户身份标识号；将所述时间特征数据转换成时间特征序列；将所述用户身份标识号和所述时间特征序列转换成所述静态特征数据序列。6.根据权利要求2所述的预测方法，其特征在于，所述语义向量集合包括第一语义向量集合和...
【专利技术属性】
技术研发人员：詹宇斌，赵天麒，吴士中，
申请(专利权)人：用友网络科技股份有限公司，
类型：发明
国别省市：
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。