用户消费行为分类方法、装置、设备及计算机存储介质制造方法及图纸

本申请申请了一种用户消费行为分类方法、装置、设备及计算机存储介质。该用户消费行为分类方法，获取待分类的用户消费行为数据；将待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果；其中，用户消费行为分类模型是利用训练集进行模型训练得到的模型，用户消费行为分类模型包括全连接神经网络、因子分解机和树叶子节点编码。根据本申请实施例，能够更加准确地对用户消费行为进行分类。分类。分类。

【技术实现步骤摘要】
用户消费行为分类方法、装置、设备及计算机存储介质


[0001]本申请属于用户消费行为分类
，尤其涉及一种用户消费行为分类方法、装置、电子设备及计算机存储介质。

技术介绍

[0002]中国移动用户信息具有数据量大的特征，常常会使用随机森林，决策树，支持向量机等传统的方法对用户进行分类，然而这类方法存在两个方面的问题：一方面，由于移动用户数据存在着特征属性缺失和离散特征的情况，往往会造成数据稀疏性，导致传统的分类算法无法使用或者预测性能变差；另一方面，这些传统分类算法要想提升分类效果，需要对移动用户数据进行特征工程，往往需要进行各种特征组合和特征交叉的尝试，以找出适用于该场景下的组合特征，但人工特征工程耗时费力，且往往达不到预期的效果，成本较高。
[0003]因此，如何更加准确地对用户消费行为进行分类是本领域技术人员亟需解决的技术问题。

技术实现思路

[0004]本申请实施例提供一种用户消费行为分类方法、装置、电子设备及计算机存储介质，能够更加准确地对用户消费行为进行分类。
[0005]第一方面，本申请实施例提供一种用户消费行为分类方法，包括：
[0006]获取待分类的用户消费行为数据；
[0007]将待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果；其中，用户消费行为分类模型是利用训练集进行模型训练得到的模型，用户消费行为分类模型包括全连接神经网络、因子分解机和树叶子节点编码。
[0008]可选的，在将待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果之前，方法还包括：
[0009]获取样本用户消费行为数据；
[0010]将样本用户消费行为数据依据预设形式进行排列，得到训练集；
[0011]将训练集输入全连接神经网络、因子分解机和树叶子节点编码进行模型训练，得到用户消费行为分类模型。
[0012]可选的，将样本用户消费行为数据依据预设形式进行排列，得到训练集，包括：
[0013]将样本用户消费行为数据依据结构化二维表格形式进行排列，得到排列后的样本用户消费行为数据；
[0014]随机采样排列后的样本用户消费行为数据，得到训练集。
[0015]可选的，将待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果，包括：
[0016]利用全连接神经网络、因子分解机和树叶子节点编码，分别确定待分类的用户消费行为数据的隐式高阶交叉特征、一阶和二阶的显式交叉特征、显式高阶交叉特征；
[0017]基于隐式高阶交叉特征、一阶和二阶的显式交叉特征、显式高阶交叉特征，输出分类结果。
[0018]第二方面，本申请实施例提供了一种用户消费行为分类装置，包括：
[0019]第一获取模块，用于获取待分类的用户消费行为数据；
[0020]输出模块，用于将待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果；其中，用户消费行为分类模型是利用训练集进行模型训练得到的模型，用户消费行为分类模型包括全连接神经网络、因子分解机和树叶子节点编码。
[0021]可选的，装置还包括：
[0022]第二获取模块，用于获取样本用户消费行为数据；
[0023]排列模块，用于将样本用户消费行为数据依据预设形式进行排列，得到训练集；
[0024]模型训练模块，用于将训练集输入全连接神经网络、因子分解机和树叶子节点编码进行模型训练，得到用户消费行为分类模型。
[0025]可选的，排列模块，包括：
[0026]排列单元，用于将样本用户消费行为数据依据结构化二维表格形式进行排列，得到排列后的样本用户消费行为数据；
[0027]随机采样单元，用于随机采样排列后的样本用户消费行为数据，得到训练集。
[0028]可选的，输出模块，包括：
[0029]确定单元，用于利用全连接神经网络、因子分解机和树叶子节点编码，分别确定待分类的用户消费行为数据的隐式高阶交叉特征、一阶和二阶的显式交叉特征、显式高阶交叉特征；
[0030]输出单元，用于基于隐式高阶交叉特征、一阶和二阶的显式交叉特征、显式高阶交叉特征，输出分类结果。
[0031]第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
[0032]处理器执行计算机程序指令时实现如第一方面所示的用户消费行为分类方法。
[0033]第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的用户消费行为分类方法。
[0034]本申请实施例的用户消费行为分类方法、装置、电子设备及计算机存储介质，能够更加准确地对用户消费行为进行分类。该用户消费行为分类方法，获取待分类的用户消费行为数据；将待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果；其中，用户消费行为分类模型是利用训练集进行模型训练得到的模型，用户消费行为分类模型包括全连接神经网络、因子分解机和树叶子节点编码。可见，该方法以全连接神经网络为基础架构，利用树叶子节点编码提取移动用户数据的显式高阶交叉特征，并融合深度因子分解机模型组成混合网络结构，能够自动提取移动用户数据的多种不同类型的交叉特征：神经网络的隐式高阶交叉特征，因子分解机的一阶和二阶的显式交叉特征以及基于梯度增强树分类规则的显式高阶交叉特征。这些能帮助模型充分学习隐含在用户数据背后的低阶和高阶特征信息，提升模型对于非线性分类场景的表征能力，故能够更加准确地对用户消费行为进行分类。
附图说明
[0035]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，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。
[0036]图1是本申请一个实施例提供的用户消费行为分类方法的流程示意图；
[0037]图2是本申请另一个实施例提供的用户消费行为分类方法的流程示意图；
[0038]图3是本申请又一个实施例提供的用户消费行为分类方法的流程示意图；
[0039]图4是本申请一个实施例提供的用户消费行为分类模型的结构示意图；
[0040]图5是本申请一个实施例提供的用户消费行为分类装置的结构示意图；
[0041]图6是本申请另一个实施例提供的用户消费行为分类装置的结构示意图；
[0042]图7是本申请又一个实施例提供的电子设备的结构示意图。
具体实施方式
[0043]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户消费行为分类方法，其特征在于，包括：获取待分类的用户消费行为数据；将所述待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果；其中，所述用户消费行为分类模型是利用训练集进行模型训练得到的模型，所述用户消费行为分类模型包括全连接神经网络、因子分解机和树叶子节点编码。2.根据权利要求1所述的用户消费行为分类方法，其特征在于，在所述将所述待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果之前，所述方法还包括：获取样本用户消费行为数据；将所述样本用户消费行为数据依据预设形式进行排列，得到所述训练集；将所述训练集输入所述全连接神经网络、因子分解机和树叶子节点编码进行模型训练，得到所述用户消费行为分类模型。3.根据权利要求2所述的用户消费行为分类方法，其特征在于，所述将所述样本用户消费行为数据依据预设形式进行排列，得到所述训练集，包括：将所述样本用户消费行为数据依据结构化二维表格形式进行排列，得到排列后的样本用户消费行为数据；随机采样所述排列后的样本用户消费行为数据，得到所述训练集。4.根据权利要求1所述的用户消费行为分类方法，其特征在于，所述将所述待分类的用户消费行为数据输入预设的用户消费行为分类模型，输出分类结果，包括：利用所述全连接神经网络、所述因子分解机和所述树叶子节点编码，分别确定所述待分类的用户消费行为数据的隐式高阶交叉特征、一阶和二阶的显式交叉特征、显式高阶交叉特征；基于所述隐式高阶交叉特征、一阶和二阶的显式交叉特征、显式高阶交叉特征，输出所述分类结果。5.一种用户消费行为分类装置，其特征在于，包括：第一获取模块，用于获取待分类的用户消费行为数据；输出模块，用于将所述待分类的用户消费行为数据输入预设的用户...

【专利技术属性】
技术研发人员：徐萌，杨猛，张帆，崔鸿雁，于龙飞，陶涛，徐海勇，毛安寅，李耕宇，
申请(专利权)人：中国移动通信集团有限公司北京邮电大学，
类型：发明
国别省市：