基于马尔可夫逻辑网预测用户行为的方法及装置制造方法及图纸

本说明书实施例提供一种基于马尔可夫逻辑网预测用户行为的方法及装置。该方法包括：先获取基于用于限定用户行为之间关系的多条实例化规则而构建的马尔可夫逻辑网，其中包括与用户行为相关的多个变量，多个变量中涉及同一条实例化规则的变量共同形成对应的团；再基于马尔可夫逻辑网，对多个变量中各个隐变量在观测变量的观测值下的概率分布进行多轮次迭代更新，其中任一轮次包括：将各个隐变量分别作为目标隐变量，基于其所在若干团中各个团的团势能函数、各个团中其他隐变量的上一轮概率分布，确定目标隐变量的逻辑值对应的目标势能，用以确定目标隐变量的本轮概率分布；然后，根据多轮次迭代更新后隐变量中的行为变量的概率分布，预测用户行为。预测用户行为。预测用户行为。

【技术实现步骤摘要】
基于马尔可夫逻辑网预测用户行为的方法及装置


[0001]本说明书一个或多个实施例涉及计算机
，尤其涉及一基于马尔可夫逻辑网预测用户行为的方法及装置。

技术介绍

[0002]随着社会的发展和科技的进步，人们越来越多的使用服务平台中的服务，来满足生活、工作中的各种需求。为提升用户体验，向用户推荐贴合其偏好的产品或服务，服务平台通常希望对用户的行为偏好进行预测，例如，预测用户是否会购买某件商品。
[0003]然而，目前预测用户行为的方式难以满足实际应用中的更高要求。因此，需要一种方案，可以实现有效提高用户行为的预测准确度，等等。

技术实现思路

[0004]本说明书实施例描述一种基于马尔可夫逻辑网预测用户行为的方法及装置，可以更好地满足实际应用需求。
[0005]根据第一方面，提供一种基于马尔可夫逻辑网预测用户行为的方法。该方法包括：获取基于多条实例化规则而构建的马尔可夫逻辑网；所述多条实例化规则用于限定用户行为之间的关系；所述马尔可夫逻辑网包括与用户行为相关的多个变量，所述多个变量包括若干观测变量和若干隐变量；所述若干观测变量包括，表征已知用户行为的变量，所述若干隐变量包括，表征未知用户行为的行为变量；所述多个变量中涉及同一条实例化规则的变量共同形成对应的团，所述团具有对应的团势能函数。基于所述马尔可夫逻辑网，对所述若干隐变量中各个隐变量在所述若干观测变量的观测值下的概率分布进行多轮次迭代更新；其中任一轮次迭代更新包括：将所述各个隐变量分别作为目标隐变量，基于其所在若干团中各个团的团势能函数、所述各个团中其他隐变量的上一轮概率分布，确定与所述目标隐变量的两个逻辑值对应的两个目标势能；基于所述两个目标势能，确定所述目标隐变量的本轮概率分布。根据所述多轮次迭代更新后所述行为变量的概率分布，预测用户行为。
[0006]在一个实施例中，所述用户行为涉及与其他物品的交互；所述若干观测变量还包括，对用户属性的描述变量，和/或，对物品属性的描述变量。
[0007]在一个实施例中，所述多个变量中还包括描述多个用户之间关系的关系变量，和/或，描述多个物品之间关系的关系变量。
[0008]在一个实施例中，所述各个隐变量具有单变量势能函数；在基于所述马尔可夫逻辑网，对所述若干隐变量中各个隐变量的概率分布进行多轮次迭代更新之前，所述方法还包括：针对所述各个隐变量，基于其单变量势能函数确定与所述两个逻辑值对应的两个单变量势能；对所述两个单变量势能进行归一化处理，形成该隐变量的初始概率分布。
[0009]在一个实施例中，所述两个目标势能的确定包括：将所述各个团分别作为目标团，基于其中的其他隐变量的上一轮概率分布，确定该其他隐变量的多组逻辑值对应的多个联合概率；基于所述目标团的团势能函数、所述目标团中各个观测变量的变量值，确定在所述
两个逻辑值中的任一逻辑值下与所述多组逻辑值对应的多个团势能；利用所述多个联合概率对所述多个团势能进行加权求和，得到第一加权结果；基于所述若干团对应的若干第一加权结果，确定与所述任一逻辑值对应的目标势能。
[0010]在一个实施例中，所述多条实例化规则中的每条实例化规则包括前提部分和猜想部分；其中，所述两个目标势能的确定包括：确定在猜想部分包括所述目标隐变量的若干条实例化规则对应的所述若干团；将所述各个团分别作为目标团，根据其所对应的实例化规则的析取形式，确定所述目标团中的其他隐变量对应的一组目标逻辑值；基于该其他隐变量的上一轮概率分布，确定该组目标逻辑值对应的联合概率；基于所述目标团的团势能函数和所述两个逻辑值中的任一逻辑值，确定与该组目标逻辑值和该任一逻辑值对应的团势能；利用所述联合概率对所述团势能进行加权处理，得到第一加权结果；基于所述若干团对应的若干第一加权结果，确定与所述任一逻辑值对应的目标势能。
[0011]在一个具体的实施例中，将所述各个团分别作为目标团，根据其所对应的实例化规则的析取形式，确定所述目标团中的其他隐变量对应的一组目标逻辑值，包括：针对所述目标团中其他隐变量中的每个隐变量，将其所对应命题的逻辑值作为其目标逻辑值，所述命题为：该隐变量在所述析取形式中带有否定符号。
[0012]另一方面，在一个具体的实施例中，所述目标团的团势能函数包括：在所述任一逻辑值与命题逻辑值相同的情况下，所述团势能函数的输出为第一数值；所述命题逻辑值对应的命题是：所述目标隐变量在所述析取形式中带有否定符号；在所述任一逻辑值与所述命题逻辑值不同的情况下，所述团势能函数的输出为第二数值，所述第二数值大于所述第一数值。
[0013]进一步，在一个例子中，所述第二数值为1，第一数值为0。
[0014]在一个具体的实施例中，所述团的团势能函数关联所对应实例化规则的规则模板；其中，基于所述若干团对应的若干第一加权结果，确定与所述目标隐变量的任一逻辑值对应的目标势能，包括：基于所述若干团中各个团所对应规则模板的预设权重，对所述若干第一加权结果进行加权求和，得到第二加权结果，作为所述目标势能。
[0015]在一个实施例中，所述多条实例化规则是利用与所述用户行为相关的实体库对若干规则模板中的参数进行实例化处理而得到；其中每个规则模板包括对应的多个谓词表达式，每个谓词表达式中包括对应的参数；所述多条实例化规则涉及的多个实例化谓词表达式被作为所述多个变量；所述每个规则模板包括前提部分和猜想部分。所述任一轮迭代更新中，在将所述各个隐变量分别作为目标隐变量之前，所述方法还包括：将所述每个规则模板分别作为目标规则模板，针对其前提部分包含的若干谓词表达式中的各个谓词表达式，确定其对应的概率张量；所述概率张量的若干维度对应该谓词表达式中的若干参数，所述概率张量中每个元素的索引为利用实体库为所述若干参数赋予的一组实体标识，所述每个元素的元素值为用该一组实体标识实例化该谓词表达式而形成的变量在其逻辑值为第一命题逻辑值时其上一轮边缘分布中的概率值；所述第一命题逻辑值对应的命题是：该谓词表达式在所述目标规则模板的析取形式中带有否定符号；基于所述若干谓词表达式对应的若干概率张量进行乘积处理，得到乘积结果张量。其中，将所述各个隐变量分别作为目标隐变量，基于其所在若干团中各个团的团势能函数、所述各个团中其他隐变量的上一轮概率分布，确定与所述目标隐变量的两个逻辑值对应的两个目标势能，包括：将所述各个隐变量
分别作为目标隐变量，基于所述乘积结果张量和团势能函数，确定在所述目标规则模板下所述目标隐变量的两个逻辑值对应的两个聚合势能；基于在所述若干规则模板下与所述目标隐变量的任一逻辑值对应的若干聚合势能，确定该任一逻辑值对应的目标势能。
[0016]在一个具体的实施例中，所述若干谓词表达式中包括第一谓词表达式和第二谓词表达式，所述第一谓词表达式和第二谓词表达式之间存在相同的参数。
[0017]在一个具体的实施例中，所述乘积结果张量中包括对应所述目标隐变量的向量元素；其中，基于所述乘积结果张量和团势能函数，确定在所述目标规则模板下所述目标隐变量的两个逻辑值对应的两个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于马尔可夫逻辑网预测用户行为的方法，包括：获取基于多条实例化规则而构建的马尔可夫逻辑网；所述多条实例化规则用于限定用户行为之间的关系；所述马尔可夫逻辑网包括与用户行为相关的多个变量，所述多个变量包括若干观测变量和若干隐变量；所述若干观测变量包括，表征已知用户行为的变量，所述若干隐变量包括，表征未知用户行为的行为变量；所述多个变量中涉及同一条实例化规则的变量共同形成对应的团，所述团具有对应的团势能函数；基于所述马尔可夫逻辑网，对所述若干隐变量中各个隐变量在所述若干观测变量的观测值下的概率分布进行多轮次迭代更新；其中任一轮次迭代更新包括：将所述各个隐变量分别作为目标隐变量，基于其所在若干团中各个团的团势能函数、所述各个团中其他隐变量的上一轮概率分布，确定与所述目标隐变量的两个逻辑值对应的两个目标势能；基于所述两个目标势能，确定所述目标隐变量的本轮概率分布；根据所述多轮次迭代更新后所述行为变量的概率分布，预测用户行为。2.根据权利要求1所述的方法，其中，所述用户行为涉及与其他物品的交互；所述若干观测变量还包括，对用户属性的描述变量，和/或，对物品属性的描述变量。3.根据权利要求1或2所述的方法，所述多个变量中还包括描述多个用户之间关系的关系变量，和/或，描述多个物品之间关系的关系变量。4.根据权利要求1所述的方法，其中，所述各个隐变量具有单变量势能函数；在基于所述马尔可夫逻辑网，对所述若干隐变量中各个隐变量的概率分布进行多轮次迭代更新之前，所述方法还包括：针对所述各个隐变量，基于其单变量势能函数确定与所述两个逻辑值对应的两个单变量势能；对所述两个单变量势能进行归一化处理，形成该隐变量的初始概率分布。5.根据权利要求1所述的方法，其中，所述两个目标势能的确定包括：将所述各个团分别作为目标团，基于其中的其他隐变量的上一轮概率分布，确定该其他隐变量的多组逻辑值对应的多个联合概率；基于所述目标团的团势能函数、所述目标团中各个观测变量的变量值，确定在所述两个逻辑值中的任一逻辑值下与所述多组逻辑值对应的多个团势能；利用所述多个联合概率对所述多个团势能进行加权求和，得到第一加权结果；基于所述若干团对应的若干第一加权结果，确定与所述任一逻辑值对应的目标势能。6.根据权利要求1所述的方法，其中，所述多条实例化规则中的每条实例化规则包括前提部分和猜想部分；其中，所述两个目标势能的确定包括：确定在猜想部分包括所述目标隐变量的若干条实例化规则对应的所述若干团；将所述各个团分别作为目标团，根据其所对应的实例化规则的析取形式，确定所述目标团中的其他隐变量对应的一组目标逻辑值；基于该其他隐变量的上一轮概率分布，确定该组目标逻辑值对应的联合概率；基于所述目标团的团势能函数和所述两个逻辑值中的任一逻辑值，确定与该组目标逻辑值和该任一逻辑值对应的团势能；利用所述联合概率对所述团势能进行加权处理，得到第一加权结果；基于所述若干团对应的若干第一加权结果，确定与所述任一逻辑值对应的目标势能。7.根据权利要求6所述的方法，其中，将所述各个团分别作为目标团，根据其所对应的实例化规则的析取形式，确定所述目标团中的其他隐变量对应的一组目标逻辑值，包括：
针对所述目标团中其他隐变量中的每个隐变量，将其所对应命题的逻辑值作为其目标逻辑值，所述命题为：该隐变量在所述析取形式中带有否定符号。8.根据权利要求6所述的方法，其中，所述目标团的团势能函数包括：在所述任一逻辑值与命题逻辑值相同的情况下，所述团势能函数的输出为第一数值；所述命题逻辑值对应的命题是：所述目标隐变量在所述析取形式中带有否定符号；在所述任一逻辑值与所述命题逻辑值不同的情况下，所述团势能函数的输出为第二数值，所述第二数值大于所述第一数值。9.根据权利要求8所述的方法，其中，所述第二数值为1，第一数值为0。10.根据权利要求5
‑
9中任一项所述的方法，所述团的团势能函数关联所对应实例化规则的规则模板；其中，基于所述若干团对应的若干第一加权结果，确定与所述目标隐变量的任一逻辑值对应的目标势能，包括：基于所述若干团中各个团所对应规则模板的预设权重，对所述若干第一加权结果进行加权求和，得到第二加权结果，作为所述目标势能。11.根据权利要求1所述的方法，其中，所述多条实例化规则是利用与所述用户行为相关的实体库对若干规则模板中的参数进行实例化处理而得到；其中每个规则模板包括对应的多个谓词表达式，每个谓词表达式中包括对应的参数；所述多条实例化规则涉及的多个实例化谓词表达式被作为所述多个变量；所述每个规则模板包括前提部分和猜想部分；所述任一轮迭代更新中，在将所述各个隐变量分别作为目标隐变量之前，所述方法还包括：将所述每个规则模板分别作为目标规则模板，针对其前提部分包含的若干谓词表达式中的各个谓词表达式，确定其对应的概率张量；所述概率张量的若干维度对应该谓词表达式中的若干参数，所述概率张量中每个元素的索引为利用实体库为所述若干参数赋予的一组实体标识，所述每个元素的元素值为用该一组实体标识实例化该谓词表达式而形成的变量在其逻辑值为第一命题逻辑值时其上一轮边缘分布中的概率值；所述第一命题逻辑值对应的命题是：该谓词表达式在所述目标规则模板的析取形式中带有否定符号；基于所述若干谓词表达式对应的若干概率张量进行乘积处理，得到乘积结果张量；其中，将所述各个隐变量分别作为目标隐变量，基于其所在若干团中各个团的团势能函数、所述各个团中其他隐变量的上一轮概率分布，确定与所述目标隐变量的两个逻辑值对应的两个目标势能，包括：将所述各个隐变量分别作为目标隐变量，基于所述乘积结果张量和团势能函数，确定在所述...

【专利技术属性】
技术研发人员：徐威迪，何建杉，褚崴，万小培，周虹廷，王经纬，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：