购物行为预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及计算机技术领域，尤其涉及一种购物行为预测方法、装置、设备及存储介质。方法包括：获取待预测用户在预设时段内的历史购物数据；基于历史购物数据，获取用户特征、商品特征和综合特征；基于用户特征、商品特征和综合特征，确定隐马尔可夫模型的特征矩阵参数，其中，隐马尔可夫模型基于操作行为和预设的隐状态预先设置；将初始隐状态概率和待预测用户的初始操作行为输入至隐马尔科夫模型，获得隐马尔科夫模型输出的至少一种操作行为的预测概率。本发明专利技术用以解决现有技术中购物行为预测过程逻辑简单，预测结果准确性较低的缺陷，实现更准确地购物行为预测。更准确地购物行为预测。更准确地购物行为预测。

【技术实现步骤摘要】
购物行为预测方法、装置、设备及存储介质


[0001]本专利技术涉及计算机
，尤其涉及一种购物行为预测方法、装置、设备及存储介质。

技术介绍

[0002]目前，线上购物为人们的生活提供了极大的便利。用户通过线上购物平台，进行浏览、收藏、加购物车和下单等一系列行为来完成购物。对用户的各种购物行为进行研究，预测用户后续的行为分布，进而实施货物库存管理、线上商品推荐等过程。现有技术中，对购物行为进行预测时，主要关注的是供应链中的商品需求，具体的，对购物行为的时间序列进行简单的分析和挖掘，例如，通过某一个商品历史上在单位时间内被购买数量的变化，来预测未来一段时间内该商品的购买数量。但是，这种方式计算逻辑简单，忽略了商品本身特点以及用户自身特点对该用户购买行为的影响，降低购物行为预测结果的准确性。

技术实现思路

[0003]本专利技术提供一种购物行为预测方法、装置、设备及存储介质，用以解决现有技术中购物行为预测过程逻辑简单，预测结果准确性较低的缺陷，实现更准确地购物行为预测。
[0004]本专利技术提供一种购物行为预测方法，包括：获取待预测用户在预设时段内的历史购物数据，其中，所述历史购物数据包括所述待预测用户购买任意一个商品的操作行为；基于所述历史购物数据，获取用户特征、商品特征和综合特征，其中，所述用户特征为表征所述待预测用户购买各个所述商品的特征，所述商品特征为表征每一个所述商品被所述待预测用户购买的特征，所述综合特征为表征所述待预测用户购买目标商品的特征；基于所述用户特征、所述商品特征和所述综合特征，确定隐马尔可夫模型的特征矩阵参数，其中，所述隐马尔可夫模型基于所述操作行为和预设的隐状态预先设置；将初始隐状态概率和待预测用户的初始操作行为输入至所述隐马尔科夫模型，获得所述隐马尔科夫模型输出的至少一种所述操作行为的预测概率。
[0005]根据本专利技术提供的一种购物行为预测方法，所述特征矩阵参数包括状态行为矩阵参数和状态转移矩阵参数；所述基于所述用户特征、所述商品特征和所述综合特征，确定隐马尔可夫模型的特征矩阵参数，包括：将所述用户特征和所述综合特征输入预设的第一神经网络模型，获取所述第一神经网络模型输出的所述状态行为矩阵参数，其中，所述状态行为矩阵参数用于将所述用户特征关联至所述隐马尔可夫模型的概率计算过程；将所述商品特征和所述综合特征输入预设的第二神经网络模型，获取所述第二神经网络模型输出的所述状态转移矩阵参数，其中，所述状态转移矩阵参数用于将所述商品特征关联至所述隐马尔可夫模型的概率计算过程。
[0006]根据本专利技术提供的一种购物行为预测方法，所述操作行为包括行为方式和行为时间；所述基于所述历史购物数据，获取用户特征、商品特征和综合特征，包括：根据所述行为时间，获取所述待预测用户购买每一个所述商品分别对应的时序行为序列，其中，所述时序
行为序列通过所述行为方式按照时间顺序排列获得；基于所述历史购物数据，获取每一个所述商品分别对应的商品类别序列，其中，所述商品类别序列包括所述商品对应的商品类别；基于所述时序行为序列和所述商品类别序列，获取所述用户特征、所述商品特征和所述综合特征。
[0007]根据本专利技术提供的一种购物行为预测方法，所述基于所述时序行为序列和所述商品类别序列，获取所述用户特征、所述商品特征和所述综合特征，包括：基于所述时序行为序列和所述商品类别序列，获取至少一个用户特征值，其中，所述用户特征值为所述待预测用户购买各个所述商品时发生的所述行为方式的统计值，或者，所述待预测用户购买各个所述商品类别对应的所述商品时发生的所述行为方式的统计值；基于所述用户特征值，获取所述用户特征；基于所述时序行为序列，获取至少一个商品特征值，其中，所述商品特征值为每一个所述商品被所述待预测用户购买时发生的所述行为方式的统计值；基于所述商品特征值，获取所述商品特征；基于所述时序行为序列，获取至少一个综合特征值，其中，所述综合特征值为所述待预测用户购买所述目标商品时发生的所述行为方式的统计值；基于所述综合特征值，获取所述综合特征。
[0008]根据本专利技术提供的一种购物行为预测方法，所述基于所述时序行为序列和所述商品类别序列，获取至少一个用户特征值，包括：对所述行为方式进行组合定义，确定购买行为和想要购买行为，其中，所述购买行为对应至少一种所述行为方式，所述想要购买行为对应至少一种所述行为方式；将所述购买行为和所述想要购买行为，更新至所述时序行为序列；基于所述商品类别序列和更新后的所述时序行为序列，获取至少一个所述用户特征值；所述基于所述时序行为序列，获取至少一个商品特征值，包括：基于更新后的所述时序行为序列，获取至少一个所述商品特征值；所述基于所述时序行为序列，获取至少一个综合特征值，包括：基于更新后的所述时序行为序列，获取至少一个所述综合特征值。
[0009]根据本专利技术提供的一种购物行为预测方法，所述基于所述用户特征值，获取所述用户特征，包括：通过每一种所述行为方式分别对应的预设权重，对所述用户特征值进行加权处理；基于加权前和加权后分别对应的所述用户特征值，获取所述用户特征；所述基于所述商品特征值，获取所述商品特征，包括：通过每一种所述行为方式分别对应的预设权重，对所述商品特征值进行加权处理；基于加权前和加权后分别对应的所述商品特征值，获取所述商品特征；所述基于所述综合特征值，获取所述综合特征，包括：通过每一种所述行为方式分别对应的预设权重，对所述综合特征值进行加权处理；基于加权前和加权后分别对应的所述综合特征值，获取所述综合特征。
[0010]根据本专利技术提供的一种购物行为预测方法，所述基于所述用户特征值，获取所述用户特征，包括：通过所述用户特征值对应的最大用户特征值和最小用户特征值，对每一个所述用户特征值进行标准化；基于标准化后的所述用户特征值，获取所述用户特征；所述基于所述商品特征值，获取所述商品特征，包括：通过所述商品特征值对应的最大商品特征值和最小商品特征值，对每一个所述商品特征值进行标准化；基于标准化后的所述商品特征值，获取所述商品特征；所述基于所述综合特征值，获取所述综合特征，包括：通过所述综合特征值对应的最大综合特征值和最小综合特征值，对每一个所述综合特征值进行标准化；基于标准化后的所述综合特征值，获取所述综合特征。
[0011]根据本专利技术提供的一种购物行为预测方法，所述基于所述历史购物数据，获取每
一个所述商品分别对应的商品类别序列，包括：基于所述历史购物数据，确定所述待预测用户购买过的每一个所述商品；对于每一个所述商品：判断是否存在所述商品对应的所述商品类别，若是，对所述商品类别进行独热编码，获得所述商品类别对应的类别标识；若否，将所述商品作为新的所述商品类别，对新的所述商品类别进行独热编码，获得所述商品类别对应的类别标识；基于所述类别标识，获取每一个所述商品分别对应的所述商品类别序列。
[0012]根据本专利技术提供的一种购物行为预测方法，所述第一神经网络模型和所述第二神经网络模型，通过样本数据进行训练得到；其中，所述样本数据包括至少一个样本用户在样本时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种购物行为预测方法，其特征在于，包括：获取待预测用户在预设时段内的历史购物数据，其中，所述历史购物数据包括所述待预测用户购买任意一个商品的操作行为；基于所述历史购物数据，获取用户特征、商品特征和综合特征，其中，所述用户特征为表征所述待预测用户购买各个所述商品的特征，所述商品特征为表征每一个所述商品被所述待预测用户购买的特征，所述综合特征为表征所述待预测用户购买目标商品的特征；基于所述用户特征、所述商品特征和所述综合特征，确定隐马尔可夫模型的特征矩阵参数，其中，所述隐马尔可夫模型基于所述操作行为和预设的隐状态预先设置；将初始隐状态概率和待预测用户的初始操作行为输入至所述隐马尔科夫模型，获得所述隐马尔科夫模型输出的至少一种所述操作行为的预测概率。2.根据权利要求1所述的购物行为预测方法，其特征在于，所述特征矩阵参数包括状态行为矩阵参数和状态转移矩阵参数；所述基于所述用户特征、所述商品特征和所述综合特征，确定隐马尔可夫模型的特征矩阵参数，包括：将所述用户特征和所述综合特征输入预设的第一神经网络模型，获取所述第一神经网络模型输出的所述状态行为矩阵参数，其中，所述状态行为矩阵参数用于将所述用户特征关联至所述隐马尔可夫模型的概率计算过程；将所述商品特征和所述综合特征输入预设的第二神经网络模型，获取所述第二神经网络模型输出的所述状态转移矩阵参数，其中，所述状态转移矩阵参数用于将所述商品特征关联至所述隐马尔可夫模型的概率计算过程。3.根据权利要求1所述的购物行为预测方法，其特征在于，所述操作行为包括行为方式和行为时间；所述基于所述历史购物数据，获取用户特征、商品特征和综合特征，包括：根据所述行为时间，获取所述待预测用户购买每一个所述商品分别对应的时序行为序列，其中，所述时序行为序列通过所述行为方式按照时间顺序排列获得；基于所述历史购物数据，获取每一个所述商品分别对应的商品类别序列，其中，所述商品类别序列包括所述商品对应的商品类别；基于所述时序行为序列和所述商品类别序列，获取所述用户特征、所述商品特征和所述综合特征。4.根据权利要求3所述的购物行为预测方法，其特征在于，所述基于所述时序行为序列和所述商品类别序列，获取所述用户特征、所述商品特征和所述综合特征，包括：基于所述时序行为序列和所述商品类别序列，获取至少一个用户特征值，其中，所述用户特征值为所述待预测用户购买各个所述商品时发生的所述行为方式的统计值，或者，所述待预测用户购买各个所述商品类别对应的所述商品时发生的所述行为方式的统计值；基于所述用户特征值，获取所述用户特征；基于所述时序行为序列，获取至少一个商品特征值，其中，所述商品特征值为每一个所述商品被所述待预测用户购买时发生的所述行为方式的统计值；基于所述商品特征值，获取所述商品特征；基于所述时序行为序列，获取至少一个综合特征值，其中，所述综合特征值为所述待预
测用户购买所述目标商品时发生的所述行为方式的统计值；基于所述综合特征值，获取所述综合特征。5.根据权利要求4所述的购物行为预测方法，其特征在于，所述基于所述时序行为序列和所述商品类别序列，获取至少一个用户特征值，包括：对所述行为方式进行组合定义，确定购买行为和想要购买行为，其中，所述购买行为对应至少一种所述行为方式，所述想要购买行为对应至少一种所述行为方式；将所述购买行为和所述想要购买行为，更新至所述时序行为序列；基于所述商品类别序列和更新后的所述时序行为序列，获取至少一个所述用户特征值；所述基于所述时序行为序列，获取至少一个商品特征值，包括：基于更新后的所述时序行为序列，获取至少一个所述商品特征值；所述基于所述时序行为序列，获取至少一个综合特征值，包括：基于更新后的所述时序行为序列，获取至少一个所述综合特征值。6.根据权利要求4所述的购物行为预测方法，其特征在于，所述基于所述用户特征值，获取所述用户特征，包括：通过每一种所述行为方式分别对应的预设权重，对所述用户特征值进行加权处理；基于加权前和加权后分别对应的所述用户特征值，获取所述用户特征；所述基于所述商品特征值，获取所述商品特征，包括：通过每一种所述行为方式分别对应的预设权重，对所述商品特征值进行加权处理；基于加权前和加权后分别对应的所述商品特征值，获取所述商品特征；所述基于所述综合特征值，...

【专利技术属性】
技术研发人员：雷媛媛，王琛，李乐飞，
申请(专利权)人：清华大学，
类型：发明
国别省市：