用户行为预测方法、装置、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112651778A(43)申请公布日2021.04.13(21)申请号202011559727.5G06K9/62(2006.01)(22)申请日2020.12.25(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼(72)发明人吴志成张莉(74)专利代理机构深圳市赛恩倍吉知识产权代理有限公司44334代理人迟珊珊刘丽华(51)Int.Cl.G06Q30/02(2012.01)G06Q30/06(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书15页附图2页(54)发明名称用户行为预测方法、装置、设备及介质(57)摘要本发明涉及人工智能领域，提供一种用户行为预测方法、装置、设备及介质，能够通过进行特征的融合，使不同类型产品间的特征实现参数间的共享，结合多层全连接网络实现对特征的多路运算，以基于多层全连接网络实现对不同期限产品购买行为的自动预测，辅助销售人员进行产品的精准推荐。此外，本发明还涉及区块链技术，预测模型可存储于区块链节点中。CN112651778ACN112651778A权利要求书1/3页1.一种用户行为预测方法，其特征在于，所述用户行为预测方法包括：响应于用户行为预测指令，根据所述用户行为预测指令获取待处理数据；按照配置属性对所述待处理数据进行拆分，得到基础特征、长期产品特征及短期产品特征；组合所述基础特征与所述长期产品特征得到第一特征，及组合所述基础特征与所述短期产品特征得到第二特征；调用预先训练的预测模型，所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络；将所述第一特征输入至所述第一全连接网络，得到第一特征矩阵，及将所述第二特征输入至所述第二全连接网络，得到第二特征矩阵；拼接所述第一特征矩阵及所述第二特征矩阵，得到第一融合特征；将所述融合特征输入至所述第三全连接网络，得到第三特征矩阵，及将所述融合特征输入至所述第四全连接网络，得到第四特征矩阵；拼接所述第三特征矩阵及所述第四特征矩阵，得到第二融合特征；将所述第二融合特征输入至所述特征映射网络，输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。2.如权利要求1所述的用户行为预测方法，其特征在于，所述按照配置属性对所述待处理数据进行拆分，得到基础特征、长期产品特征及短期产品特征包括：从所述待处理数据中获取用户特征作为所述基础特征；从所述待处理数据中获取对产品的购买行为特征；获取所述产品的产品周期；将所述产品周期大于或者等于配置时长的产品对应的购买行为特征确定为所述长期产品特征，及将所述产品周期小于所述配置时长的产品对应的购买行为特征确定为所述短期产品特征。3.如权利要求1所述的用户行为预测方法，其特征在于，所述方法还包括：获取初始数据；对所述初始数据进行特征筛选处理，得到训练样本；按照配置比例对所述训练样本进行随机拆分，得到训练集及验证集；根据所述训练集训练多层全连接网络，得到初始网络；利用所述验证集验证所述初始网络；当所述初始网络通过验证时，停止训练，并将所述初始网络确定为所述预测模型；或者当所述初始网络未通过验证时，对所述初始网络进行补充训练，直至所述初始网络通过验证，停止训练，得到所述预测模型。4.如权利要求3所述的用户行为预测方法，其特征在于，所述对所述初始数据进行特征筛选处理，得到训练样本包括：计算所述初始数据中每个数据的缺失率，并从所述初始数据中删除所述缺失率小于或者等于配置缺失率的数据，得到第一数据；计算所述第一数据中数据间的重复度，根据所述重复度对所述第一数据进行过滤，得到第二数据；2CN112651778A权利要求书2/3页确定预测目标，并计算所述第二数据中的每个数据与所述预测目标间的相关度；从所述第二数据中删除所述相关度小于或者等于所述配置相关度的数据，得到所述训练样本。5.如权利要求3所述的用户行为预测方法，其特征在于，所述对所述初始网络进行补充训练包括：按照所述配置比例对所述训练样本重新进行随机拆分，得到补充训练集及补充验证集；利用所述补充训练集训练所述初始网络，得到中间网络；利用所述补充验证集验证所述中间网络。6.如权利要求1所述的用户行为预测方法，其特征在于，所述第一全连接网络包括输入层、隐藏层及输出层，所述方法还包括：当检测到所述第一特征输入至所述输入层时，利用所述输入层与所述隐藏层的连通节点将所述第一特征传输至所述隐藏层；利用所述隐藏层的每个神经元对所述第一特征进行线性计算，得到计算结果；利用激活函数将所述计算结果映射至所述输出层；获取所述输出层的输出数据作为所述第一特征矩