用户行为预测方法、模型训练方法、电子设备及存储介质技术

本公开是关于一种用户行为预测方法、模型训练方法、电子设备及存储介质。该方法包括获取用户针对目标产品的目标数据；将所述目标数据输入到预先训练的预测模型中，得到至少用于表征不同类用户针对所述目标产品的使用状态的第一类特征、第二类特征，及所述不同类所述用户针对所述目标产品的使用状态的共有特征；根据所述第一类特征及所述共有特征，预测所述用户是更换为具有第一预定标识的所述目标产品的第一类用户的第一概率。通过融合共有特征得到的第一融合特征来确定用户为第一类用户的概率，相对于仅通过第一用户特征确定第一概率，具有更高的概率预测准确度。具有更高的概率预测准确度。具有更高的概率预测准确度。

【技术实现步骤摘要】
用户行为预测方法、模型训练方法、电子设备及存储介质


[0001]本公开涉及信息
，尤其涉及一种用户行为预测方法、模型训练方法、电子设备及存储介质。

技术介绍

[0002]神经网络是以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态响应而进行信息处理。神经网络具有模仿或代替与人的思维有关的功能，可以实现自动诊断、问题求解，解决传统方法所不能或难以解决的问题。神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，包括应用到数据处理领域来预测事件发生概率等。

技术实现思路

[0003]本公开提供一种用户行为预测方法、模型训练方法、电子设备及存储介质。
[0004]本公开实施例的第一方面，提供一种用户行为预测方法，所述方法包括：
[0005]获取用户针对目标产品的目标数据；
[0006]将所述目标数据输入到预先训练的预测模型中，得到至少用于表征不同类用户针对所述目标产品的使用状态的第一类特征、第二类特征，及所述不同类所述用户针对所述目标产品的使用状态的共有特征；其中，所述使用状态至少包括：用户更换所述目标产品的使用状态；
[0007]根据所述第一类特征及所述共有特征，预测所述用户第一类用户的第一概率；其中，所述第一类用户是更换所述目标产品为具有第一预定标识的所述目标产品的用户。
[0008]在一些实施例中，所述方法还包括：
[0009]根据所述第二类特征和所述共有特征，预测所述用户为第二类用户的第二概率；和/或，
[0010]根据所述共有特征，预测所述用户为第三类用户的第三概率；
[0011]其中，所述第二类用户为更换所述目标产品为不具有第一预定标识的所述目标产品的用户；所述第三类用户为更换所述目标产品，并且更换为具有所述第一预定标识的所述目标产品和不具有所述第一预定标识的所述目标产品的用户。
[0012]在一些实施例中，所述方法还包括：
[0013]根据所述第一概率与第一概率阈值的关系，向所述用户发送具有所述第一预定标识的所述目标产品的推广信息。
[0014]在一些实施例中，所述第二类用户为更换所述目标产品为具有第二预定标识的所述目标产品的用户；
[0015]所述方法还包括：
[0016]根据所述第一概率和第二概率的大小，向所述用户发送具有所述第一预定标识的所述目标产品的推广信息，或，发送具有所述第二预定标识的所述目标产品的推广信息。
[0017]在一些实施例中，所述方法还包括：
[0018]在所述第三概率大于第二概率阈值时，比较所述第一概率和所述第二概率的大小；
[0019]当所述第一概率大于所述第二概率时，向所述用户发送具有所述第一预定标识的所述目标产品的推广信息。
[0020]在一些实施例中，所述根据所述第一类特征及所述共有特征，预测所述用户为第一类用户的第一概率，包括：
[0021]基于第一融合权重融合所述第一类特征和所述共有特征，得到第一融合特征，其中所述第一融合权重用于分配所述第一类特征和所述共有特征的第一融合比例；
[0022]根据所述第一融合特征，预测所述用户为所述第一类用户的第一概率。
[0023]在一些实施例中，所述根据所述第二类特征和所述共有特征，预测所述用户为第二类用户的第二概率，包括：
[0024]基于第二融合权重融合所述第二类特征和所述共有特征，得到第二融合特征，其中所述第二融合权重用于分配所述第二类特征和所述共有特征的第二融合比例；
[0025]根据所述第二融合特征，预测所述用户为所述第二类用户的第二概率。
[0026]根据本公开的第二方面，提供一种模型训练方法，所述方法包括：
[0027]将用户针对目标产品的所述样本数据输入到预测模型中，得到至少用于表征不同类用户针对所述目标产品的使用状态的第一类特征、第二类特征，及所述不同类所述用户针对所述目标产品的使用状态的共有特征；其中，所述使用状态至少包括：用户更换所述目标产品的使用状态；
[0028]根据所述第一类特征、所述第二类特征、所述共有特征及所述样本数据，训练所述预测模型。
[0029]在一些实施例中，所述将所述样本数据输入到预测模型中，得到至少用于表征用户针对所述目标产品的使用状态的第一类特征、第二类特征和共有特征，包括：
[0030]将样本数据分别输入所述预测模型的第一模块、第二模块和第三模块，分别提取得到与所述第一模块对应的第一类特征、与所述第二模块对应的第二类特征，与所述第三模块对应的共有特征。
[0031]在一些实施例中，所述根据所述第一类特征、所述第二类特征、所述共有特征及所述样本数据，训练所述预测模型，包括：
[0032]基于第一融合权重融合所述第一类特征和所述共有特征，得到第一融合特征，
[0033]基于第二融合权重融合所述第二类特征和所述共有特征，得到第二融合特征；
[0034]根据所述第一融合特征、所述第二融合特征和所述共有特征，分别确定与所述第一融合特征对应的第一预测值，与所述第二融合特征对应的第二预测值，及与所述共有特征对应的第三预测值；
[0035]根据所述第一预测值、所述第二预测值、所述第三预测值和所述样本数据的标签，训练所述预测模型。
[0036]在一些实施例中，所述根据所述第一预测值、所述第二预测值、所述第三预测值和所述样本数据的标签，训练所述预测模型，包括：
[0037]根据所述第一预测值与所述样本数据的标签，得到第一损失值；
[0038]根据所述第二预测值与所述样本数据的标签，得到第二损失值；
[0039]根据所述第三预测值与所述样本数据的标签，得到第三损失值；
[0040]根据所述第一损失值、所述第二损失值及所述第三损失值，得到训练损失值；
[0041]根据所述训练损失值，更新所述预测模型的网络参数。
[0042]本公开实施例的第三方面，提供一种用户行为预测装置，所述装置包括：
[0043]第一获取模块，用于获取用户针对目标产品的目标数据；
[0044]提取模块，用于将所述目标数据输入到预先训练的预测模型中，得到至少用于表征不同类用户针对所述目标产品的使用状态的第一类特征、第二类特征，及所述不同类所述用户针对所述目标产品的使用状态的共有特征；其中，所述使用状态至少包括：用户更换所述目标产品的使用状态；
[0045]第一预测模块，用于根据所述第一类特征及所述共有特征，预测所述用户为第一类用户的第一概率，其中，所述第一类用户为更换所述目标产品为具有第一预定标识的所述目标产品的用户。
[0046]在一些实施例中，所述装置还包括：
[0047]第二预测模块，用于根据所述第二类特征和所述共有特征，预测所述用户为第二类用户的第二概率；
[0048]第三预测模块，用于根据所述共有特征，预测所述用户为第三类用户的第三概率；...

【技术保护点】

【技术特征摘要】
1.一种用户行为预测方法，其特征在于，所述方法包括：获取用户针对目标产品的目标数据；将所述目标数据输入到预先训练的预测模型中，得到至少用于表征不同类用户针对所述目标产品的使用状态的第一类特征、第二类特征，及所述不同类所述用户针对所述目标产品的使用状态的共有特征；其中，所述使用状态至少包括：用户更换所述目标产品的使用状态；根据所述第一类特征及所述共有特征，预测所述用户是第一类用户的第一概率；其中，所述第一类用户是更换所述目标产品为具有第一预定标识的所述目标产品的用户。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述第二类特征和所述共有特征，预测所述用户为第二类用户的第二概率；和/或，根据所述共有特征，预测所述用户为第三类用户的第三概率；其中，所述第二类用户为更换所述目标产品为不具有所述第一预定标识的所述目标产品的用户；所述第三类用户为更换所述目标产品，并且更换为具有所述第一预定标识的所述目标产品和不具有所述第一预定标识的所述目标产品的用户。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述第一概率与第一概率阈值的关系，向所述用户发送具有所述第一预定标识的所述目标产品的推广信息。4.根据权利要求2所述的方法，其特征在于，所述第二类用户为更换所述目标产品为具有第二预定标识的所述目标产品的用户；所述方法还包括：根据所述第一概率和第二概率的大小，向所述用户发送具有所述第一预定标识的所述目标产品的推广信息，或，发送具有所述第二预定标识的所述目标产品的推广信息。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述第三概率大于第二概率阈值时，比较所述第一概率和所述第二概率的大小；当所述第一概率大于所述第二概率时，向所述用户发送具有所述第一预定标识的所述目标产品的推广信息。6.根据权利要求1所述的方法，其特征在于，所述根据所述第一类特征及所述共有特征，预测所述用户为第一类用户的第一概率，包括：基于第一融合权重融合所述第一类特征和所述共有特征，得到第一融合特征，其中所述第一融合权重用于分配所述第一类特征和所述共有特征的第一融合比例；根据所述第一融合特征，预测所述用户为所述第一类用户的第一概率。7.根据权利要求2所述的方法，其特征在于，所述根据所述第二类特征和所述共有特征，预测所...

【专利技术属性】
技术研发人员：张霄，孟二利，王斌，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：