用户的电商行为识别方法及装置制造方法及图纸

本申请提供一种用户的电商行为识别方法及装置，涉及IT应用技术领域。该方法包括：根据电商应用程序的应用数据，确定训练数据；根据所述训练数据，自编码算法和卷积神经网络模型，确定图片识别模型；根据目标用户访问的图片和所述图片识别模型，识别目标用户的电商行为。本申请实施例提供的用户的电商行为识别方法及装置，通过爬取主流电商应用程序来获取应用数据，以及结合自编码算法和卷积神经网络模型构建图片识别模型，图片识别模型包括了电商应用程序的所有商品图片信息，根据目标用户访问的图片来识别目标用户的电商行为，可以提高用户的电商行为识别的准确性。用户的电商行为识别的准确性。用户的电商行为识别的准确性。

【技术实现步骤摘要】
用户的电商行为识别方法及装置


[0001]本申请涉及IT应用
，具体涉及一种用户的电商行为识别方法及装置。

技术介绍

[0002]当前识别运营商用户的电商平台访问行为，主要通过以下方式：通过从空口获取应用统一资源定位符(Universal Resource Locator，URL)地址及用户上网应用数据或者通过用户应用数据中URL拨测获得业务数据、特征数据，建立URL与业务、特征映射关系。对待行为识别用户的数据提供两种处理方式：一种采用正则计算直接获取其聚合特征，另一种采用深度神经网络算法进行业务特征预测。所有应用数据、特征都为字符文本数据或者位置数据，不涉及图片数据。
[0003]基于上网数据分析用户的上网行为主要是通过URL地址库匹配用户访问的网址，然后对用户打标签来实现。URL地址库一般采用网页内容提取和识别技术对URL进行分类来构建，但是，该方式存在如下缺点：
[0004]通过URL获取的信息仅有网站名称，无法更细粒度的映射到URL分类库；
[0005]在不同的网站改版后，需要重新识别并对URL等应用特征进行分类，URL地址库更新工作量巨大。

技术实现思路

[0006]本申请实施例提供一种用户的电商行为识别方法，用以解决如何准确识别用户的电商行为的技术问题。
[0007]第一方面，本申请实施例提供一种用户的电商行为识别方法，包括：
[0008]根据电商应用程序的应用数据，确定训练数据；
[0009]根据所述训练数据，自编码算法和卷积神经网络模型，确定图片识别模型；
[0010]根据目标用户访问的图片和所述图片识别模型，识别目标用户的电商行为。
[0011]在一个实施例中，所述根据电商应用程序的应用数据，确定训练数据，包括：
[0012]根据电商应用程序的应用数据，确定商品知识图库；
[0013]根据所述商品知识图库，对所述应用数据中的图片进行归类；
[0014]对归类后的图片对应的商品类型进行编码，确定训练数据。
[0015]在一个实施例中，所述根据所述训练数据，自编码算法和卷积神经网络模型，确定图片识别模型，包括：
[0016]根据所述训练数据，确定测试集和训练集；
[0017]根据自编码算法对所述测试集和训练集进行信息提取；
[0018]根据信息提取后的训练集，训练卷积神经网络模型；
[0019]根据信息提取后的测试集，对训练后的卷积神经网络模型进行验证，确定图片识别模型。
[0020]在一个实施例中，所述根据目标用户访问的图片和所述图片识别模型，识别目标
用户的电商行为，包括：
[0021]将所述目标用户访问的图片，输入所述图片识别模型；
[0022]根据所述图片识别模型的输出结果中概率最大值对应的商品类型，确定所述目标用户的电商行为。
[0023]在一个实施例中，所述用户的电商行为识别方法，还包括：
[0024]根据所述目标用户的电商行为，以及目标用户的偏好标签，预测所述目标用户未来浏览的商品类型。
[0025]在一个实施例中，所述对归类后的图片对应的商品类型进行编码，确定训练数据，包括：
[0026]根据预设规则对归类后的图片对应的商品类型进行编码，确定所述归类后的图片的类型编码；
[0027]通过均值归一化将所述类型编码的数量级转换为统一范围；
[0028]根据统一范围后的类型编码对应的图片，确定训练数据。
[0029]在一个实施例中，所述目标用户访问的图片，通过以下方式确定：
[0030]根据目标用户的电商行为访问的数据，在所述应用数据中确定图片统一资源标志符URI信息；
[0031]根据所述URI信息，确定目标用户访问的图片。
[0032]第二方面，本申请实施例提供一种用户的电商行为识别装置，包括：
[0033]确定模块，用于根据电商应用程序的应用数据，确定训练数据；
[0034]建模模块，用于根据所述训练数据，自编码算法和卷积神经网络模型，确定图片识别模型；
[0035]识别模块，用于根据目标用户访问的图片和所述图片识别模型，识别目标用户的电商行为。
[0036]第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的用户的电商行为识别方法。
[0037]第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的用户的电商行为识别方法。
[0038]本申请实施例提供的用户的电商行为识别方法、装置、电子设备以及计算机程序产品，通过爬取主流电商应用程序来获取应用数据，以及结合自编码算法和卷积神经网络模型构建图片识别模型，图片识别模型包括了电商应用程序的所有商品图片信息，根据目标用户访问的图片来识别目标用户的电商行为，可以提高用户的电商行为识别的准确性。
附图说明
[0039]为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
[0040]图1是本申请实施例提供的用户的电商行为识别方法的流程示意图；
[0041]图2是应用本申请实施例提供的用户的电商行为识别方法的架构示意图；
[0042]图3是本申请实施例提供的用户的电商行为识别方法装置的结构示意图；
[0043]图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0044]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0045]图1为本申请实施例提供的用户的电商行为识别方法的流程示意图。参照图1，本申请实施例提供的用户的电商行为识别方法，可以包括：
[0046]步骤110、根据电商应用程序的应用数据，确定训练数据；
[0047]步骤120、根据训练数据，自编码算法和卷积神经网络模型，确定图片识别模型；
[0048]步骤130、根据目标用户访问的图片和图片识别模型，识别目标用户的电商行为。
[0049]需要说明的是，本申请实施例提供的用户的电商行为识别方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra
‑
...

【技术保护点】

【技术特征摘要】
1.一种用户的电商行为识别方法，其特征在于，包括：根据电商应用程序的应用数据，确定训练数据；根据所述训练数据，自编码算法和卷积神经网络模型，确定图片识别模型；根据目标用户访问的图片和所述图片识别模型，识别目标用户的电商行为。2.根据权利要求1所述的用户的电商行为识别方法，其特征在于，所述根据电商应用程序的应用数据，确定训练数据，包括：根据电商应用程序的应用数据，确定商品知识图库；根据所述商品知识图库，对所述应用数据中的图片进行归类；对归类后的图片对应的商品类型进行编码，确定训练数据。3.根据权利要求1所述的用户的电商行为识别方法，其特征在于，所述根据所述训练数据，自编码算法和卷积神经网络模型，确定图片识别模型，包括：根据所述训练数据，确定测试集和训练集；根据自编码算法对所述测试集和训练集进行信息提取；根据信息提取后的训练集，训练卷积神经网络模型；根据信息提取后的测试集，对训练后的卷积神经网络模型进行验证，确定图片识别模型。4.根据权利要求1所述的用户的电商行为识别方法，其特征在于，所述根据目标用户访问的图片和所述图片识别模型，识别目标用户的电商行为，包括：将所述目标用户访问的图片，输入所述图片识别模型；根据所述图片识别模型的输出结果中概率最大值对应的商品类型，确定所述目标用户的电商行为。5.根据权利要求4所述的用户的电商行为识别方法，其特征在于，还包括：根据所述目标用户的电商行为，以及目标...

【专利技术属性】
技术研发人员：丁雪莲，胡清源，徐鑫，尚晶，江勇，陶涛，刘虹，徐海勇，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：