行为预测方法、装置和存储介质及电子设备制造方法及图纸

本申请公开了一种行为预测方法、装置和存储介质及电子设备。其中，该方法包括：响应于对目标账号触发的行为预测请求，获取目标账号在当前时间之前的第一预设时间段内执行第一行为时所关联的历史数据；按照历史数据中各个子数据对应的指标数值，为各个子数据分配初始的预测权重；得到各个子数据对应的校准数值，并利用校准数值对初始的预测权重进行校准处理，得到新的预测权重；利用新的预测权重从历史数据中确定出参与第二行为预测过程的目标子数据，并将目标子数据输入数据预测模型，得到第二行为关联的预测结果，可应用人工智能场景。本申请解决了行为预测效率较低的技术问题。本申请解决了行为预测效率较低的技术问题。本申请解决了行为预测效率较低的技术问题。

【技术实现步骤摘要】
行为预测方法、装置和存储介质及电子设备


[0001]本申请涉及计算机领域，具体而言，涉及一种行为预测方法、装置和存储介质及电子设备。

技术介绍

[0002]在行为预测场景中，通常会利用账号的历史数据，以预测账号的未来行为数据，但历史数据通常属性复杂且数量较多，如果预测账号的未来行为数据，需要消耗大量的时间，进而导致行为预测效率较低的问题出现。
[0003]但如果一味地减少历史数据，或者适用一部分的历史数据进行未来行为数据的预测，虽然提高了行为预测效率，但又无法保证行为预测的准确性。因此，存在行为预测的效率和准确性无法兼顾的问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本申请实施例提供了一种行为预测方法、装置和存储介质及电子设备，以至少解决行为预测的效率和准确性无法兼顾的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种行为预测方法，包括：响应于对目标账号触发的行为预测请求，获取上述目标账号在当前时间之前的第一预设时间段内执行第一行为时所关联的历史数据，其中，上述行为预测请求用于请求预测上述目标账号在上述当前时间之后的第二预设时间段内执行的第二行为，上述第一行为与上述第二行为相互关联；按照上述历史数据中各个子数据对应的指标数值，为上述各个子数据分配初始的预测权重，其中，上述指标数值为上述子数据在上述第一行为执行过程中的量化参数，上述预测权重用于表示上述子数据在上述第二行为预测过程中的参与优先级；基于上述初始的预测权重、上述指标数值和上述历史数据中上述子数据的数据量级，得到上述各个子数据对应的校准数值，并利用上述校准数值对上述初始的预测权重进行校准处理，得到新的预测权重；利用上述新的预测权重从上述历史数据中确定出参与上述第二行为预测过程的目标子数据，并将上述目标子数据输入数据预测模型，得到上述第二行为关联的预测结果，其中，上述数据预测模型为利用多个采样样本进行训练得到的、用于预测账号行为的神经网络模型。
[0007]根据本申请实施例的另一方面，还提供了一种行为预测装置，包括：第一获取单元，用于响应于对目标账号触发的行为预测请求，获取上述目标账号在当前时间之前的第一预设时间段内执行第一行为时所关联的历史数据，其中，上述行为预测请求用于请求预测上述目标账号在上述当前时间之后的第二预设时间段内执行的第二行为，上述第一行为与上述第二行为相互关联；第一分配单元，用于按照上述历史数据中各个子数据对应的指标数值，为上述各个子数据分配初始的预测权重，其中，上述指标数值为上述子数据在上述第一行为执行过程中的量化参数，上述预测权重用于表示上述子数据在上述第二行为预测
过程中的参与优先级；第一校准单元，用于基于上述初始的预测权重、上述指标数值和上述历史数据中上述子数据的数据量级，得到上述各个子数据对应的校准数值，并利用上述校准数值对上述初始的预测权重进行校准处理，得到新的预测权重；预测单元，用于利用上述新的预测权重从上述历史数据中确定出参与上述第二行为预测过程的目标子数据，并将上述目标子数据输入数据预测模型，得到上述第二行为关联的预测结果，其中，上述数据预测模型为利用多个采样样本进行训练得到的、用于预测账号行为的神经网络模型。
[0008]作为一种可选的方案，上述第一校准单元，包括：第一获取模块，用于获取第一目标数值与上述初始的预测权重之间的第一比例，其中，上述第一目标数值为上述初始的预测权重与上述数据量级之和；加权模块，用于按照上述第一比例对上述指标数值进行加权处理，得到新的指标数值，其中，上述校准数值包括上述新的指标数值；第一分配模块，用于按照上述各个子数据对应的上述新的指标数值，为上述各个子数据分配上述新的预测权重。
[0009]作为一种可选的方案，上述预测单元，包括：第二获取模块，用于获取上述新的预测权重与第二目标数值之间的第二比例，其中，上述第二目标数值为上述新的预测权重与上述数据量级之和；第一确定模块，用于将上述第二比例作为上述子数据对应的第一参与概率，其中，上述第一参与概率为上述子数据从上述历史数据中确定参与上述第二行为预测过程的概率；第二确定模块，用于按照上述第一参与概率，从上述历史数据中确定出参与上述第二行为预测过程的上述目标子数据。
[0010]作为一种可选的方案，上述预测单元，包括：第三确定模块，用于利用上述初始的预测权重从上述历史数据中确定出多个候选子数据；第四确定模块，用于利用上述新的预测权重从上述多个候选子数据确定出目标子数据。
[0011]作为一种可选的方案，上述第三确定模块，包括：获取子模块，用于获取上述初始的预测权重与第三目标数值之间的第三比例，其中，上述第三目标数值为上述初始的预测权重与上述数据量级之和；第一确定子模块，用于将上述第三比例作为上述子数据对应的第二参与概率，其中，上述第二参与概率为上述子数据从上述历史数据中确定为上述候选子数据的概率；第二确定子模块，用于按照上述第二参与概率，从上述历史数据中确定出上述多个候选子数据。
[0012]作为一种可选的方案，上述预测单元，包括：第五确定模块，用于利用上述新的预测权重从上述历史数据中确定出满足初始的预测条件的第一目标数据，并将上述第二目标数据确定为上述目标子数据，其中，上述初始的预测条件与上述数据量级相关联；上述装置还包括：调整单元，用于在上述利用上述新的预测权重从上述历史数据中确定出参与上述第二行为预测过程的目标子数据之后，在获取到新的历史数据的情况下，按照上述新的历史数据调整上述数据量级，得到新的数据量级；更新单元，用于在上述利用上述新的预测权重从上述历史数据中确定出参与上述第二行为预测过程的目标子数据之后，利用上述新的数据量级更新上述初始的预测条件，得到新的预测条件；管理单元，用于在上述利用上述新的预测权重从上述历史数据中确定出参与上述第二行为预测过程的目标子数据之后，从上述新的历史数据中确定出满足上述新的预测条件的第二目标数据，并将上述第二目标数据确定为上述目标子数据，以及将上述目标子数据中不满足上述新的预测条件的上述第一目标数据删除。
[0013]作为一种可选的方案，上述第五确定模块，包括：执行子模块，用于执行以下步骤，直至从上述历史数据中确定出全部上述第一目标数据：从上述历史数据中确定出当前子数据；为上述当前子数据生成一个预设范围内的当前随机数；在上述当前随机数小于或等于第四比例的情况下，将上述当前子数据确定为上述第一目标数据，其中，上述第四比例为上述新的的预测权重与第四目标数值之间的比例，上述第四目标数值为上述新的预测权重与上述数据量级之和，上述当前子数据满足上述初始的预测条件包括上述当前随机数小于或等于上述第四比例；在上述当前随机数大于上述第四比例，或上述历史数据中存在未生成随机数的子数据的情况下，从上述历史数据中确定出下一子数据，并将上述下一子数据确定为上述当前子数据。
[0014]作为一种可选的方案，上述装置还包括：第二获取单元，用于在上述利用上述新的预测权重从上述历史数据中确定出参与上述第二行为预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行为预测方法，其特征在于，包括：响应于对目标账号触发的行为预测请求，获取所述目标账号在当前时间之前的第一预设时间段内执行第一行为时所关联的历史数据，其中，所述行为预测请求用于请求预测所述目标账号在所述当前时间之后的第二预设时间段内执行的第二行为，所述第一行为与所述第二行为相互关联；按照所述历史数据中各个子数据对应的指标数值，为所述各个子数据分配初始的预测权重，其中，所述指标数值为所述子数据在所述第一行为执行过程中的量化参数，所述预测权重用于表示所述子数据在所述第二行为预测过程中的参与优先级；基于所述初始的预测权重、所述指标数值和所述历史数据中所述子数据的数据量级，得到所述各个子数据对应的校准数值，并利用所述校准数值对所述初始的预测权重进行校准处理，得到新的预测权重；利用所述新的预测权重从所述历史数据中确定出参与所述第二行为预测过程的目标子数据，并将所述目标子数据输入数据预测模型，得到所述第二行为关联的预测结果，其中，所述数据预测模型为利用多个采样样本进行训练得到的、用于预测账号行为的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述初始的预测权重、所述指标数值和所述历史数据中所述子数据的数据量级，得到所述各个子数据对应的校准数值，并利用所述校准数值对所述初始的预测权重进行校准处理，得到新的预测权重，包括：获取第一目标数值与所述初始的预测权重之间的第一比例，其中，所述第一目标数值为所述初始的预测权重与所述数据量级之和；按照所述第一比例对所述指标数值进行加权处理，得到新的指标数值，其中，所述校准数值包括所述新的指标数值；按照所述各个子数据对应的所述新的指标数值，为所述各个子数据分配所述新的预测权重。3.根据权利要求2所述的方法，其特征在于，所述利用所述新的预测权重从所述历史数据中确定出参与所述第二行为预测过程的目标子数据，包括：获取所述新的预测权重与第二目标数值之间的第二比例，其中，所述第二目标数值为所述新的预测权重与所述数据量级之和；将所述第二比例作为所述子数据对应的第一参与概率，其中，所述第一参与概率为所述子数据从所述历史数据中确定参与所述第二行为预测过程的概率；按照所述第一参与概率，从所述历史数据中确定出参与所述第二行为预测过程的所述目标子数据。4.根据权利要求1所述的方法，其特征在于，所述利用所述新的预测权重从所述历史数据中确定出参与所述第二行为预测过程的目标子数据，包括：利用所述初始的预测权重从所述历史数据中确定出多个候选子数据；利用所述新的预测权重从所述多个候选子数据确定出目标子数据。5.根据权利要求4所述的方法，其特征在于，所述利用所述初始的预测权重从所述历史数据中确定出多个候选子数据，包括：获取所述初始的预测权重与第三目标数值之间的第三比例，其中，所述第三目标数值
为所述初始的预测权重与所述数据量级之和；将所述第三比例作为所述子数据对应的第二参与概率，其中，所述第二参与概率为所述子数据从所述历史数据中确定为所述候选子数据的概率；按照所述第二参与概率，从所述历史数据中确定出所述多个候选子数据。6.根据权利要求1所述的方法，其特征在于，所述利用所述新的预测权重从所述历史数据中确定出参与所述第二行为预测过程的目标子数据，包括：利用所述新的预测权重从所述历史数据中确定出满足初始的预测条件的第一目标数据，并将所述第二目标数据确定为所述目标子数据，其中，所述初始的预测条件与所述数据量级相关联；在所述利用所述新的预测权重从所述历史数据中确定出参与所述第二行为预测过程的目标子数据之后，所述方法还包括：在获取到新的历史数据的情况下，按照所述新的历史数据调整所述数据量级，得到新的数据量级；利用所述新的数据量级更新所述初始的预测条件，得到新的预测条件；从所述新的历史数据中确定出满足所述新的预测条件的第二目标数据，并将所述第二目标数据确定为所述目标子数据，以及将所述目标子数据中不满足所述新的预测条件的所述第一目标数据删除。7.根据权利要求6所述的方法，其特征在于，所述利用所述新的预测权重从所述历史数据中确定出满足初始的预测条件的第一目标数据，包括：执行以下步骤，直至从所述历史数据中确定出全部所述第一目标数据：从所述历史数据中确定出当前子数据；为所述当前子数据生成一个预设范围内的当前随机数；在所述当前随机数小于或等于第四比例的情况下，将所述当前子数据确定为所述第一目标数据，其中，所述第四比例为所述新的的预测权重与第四目标数值之间的比例，所述第四目标数值为所述新的预测权重与所述数据量级之和，所述当前子数据满足所述初始的预测条件包括所述当前随机数小于或等于所述第四比例；在所述当前随机数大于所述第四比例，或所述历史数据中存在未生成随机数的子数据的情况下，从所述历史数据中确定出下一子数据，并将所述下一子数据确定为所述当前子数据。8.根据权利要求1所述的方法，其特征在于，在所述利用所述新的预测权重从所述历史数据中确定出参与所述第二行为预测过程的目标子数据，并将所述目标子数据输入数据预测模型，得到所述第...

【专利技术属性】
技术研发人员：石志林，
申请(专利权)人：深圳市腾讯计算机系统有限公司，
类型：发明
国别省市：