行为预测方法、装置、设备、介质和程序产品

技术领域

本公开涉及大数据、人工智能技术领域，具体涉及复杂系统仿真、数据处理分析技术领域，更具体地涉及一种行为预测方法、装置、设备、介质和程序产品。

背景技术

在一些数据处理分析的场景下，通常基于粗粒度的历史数据预测用户的行为，由此造成行为预测的准确性较低。

发明内容

鉴于上述问题，本公开提供了一种行为预测方法、装置、设备、介质和程序产品。

根据本公开的一个方面，提供了一种行为预测方法，包括：针对任意一个用户，根据历史交易行为数据，确定交易特征数据；根据交易特征数据，确定交易行为决策路径，其中，交易行为决策路径表征用户作出历史交易行为的过程，交易行为决策路径包括行为节点序列，行为节点序列的每一个行为节点表征与历史交易行为相关的各个阶段的行为；确定待预测行为数据对应的目标行为节点；以及根据目标行为节点和交易行为决策路径，确定预测行为数据。

根据本公开的实施例，根据目标行为节点和交易行为决策路径，确定预测行为数据包括：根据交易行为单元，确定与待预测行为数据对应的至少一个待预测行为单元数据；将至少一个待预测行为单元数据作为第一维度，将行为节点序列作为第二维度，确定状态转移矩阵，其中，状态转移矩阵的元素的数值表征从待预测行为单元数据的状态转移至对应于行为节点的状态的概率值；以及针对任意一个待预测行为单元数据，根据概率值，从行为节点序列中确定预测行为数据。

根据本公开实施例的行为预测方法还包括：将每一个用户分别作为一个智能体，将待预测行为数据作为智能体的初始状态；根据预测行为数据，对智能体执行动作调整，得到智能体的中间状态；以及根据智能体的中间状态与目标条件对应的目标状态之间的差异，确定反馈奖励数据，其中，反馈奖励数据用于对智能体进行再次动作调整，直至智能体的中间状态满足目标条件对应的目标状态。

根据本公开实施例，其中，待预测行为单元数据具有时间戳；根据预测行为数据，对智能体执行动作调整，得到智能体的中间状态包括：根据预测行为数据，对时间戳满足目标周期的智能体进行动作调整，得到智能体在目标周期内的中间状态。

根据本公开实施例的行为预测方法还包括以下中的至少一个：对智能体执行动作调整进行随机扰动；对智能体的初始状态进行随机扰动。

根据本公开实施例，根据历史交易行为数据，确定交易特征数据包括：确定用户的属性数据，其中，属性数据表征驱动用户产生历史交易行为的特点，属性数据包括以下中的至少一个：性别、年龄、收入、所在城市、学历、风险偏好、账户功能类别以及支出分类；以及根据历史交易行为数据和属性数据，确定交易特征数据。

根据本公开实施例，根据交易特征数据，确定交易行为决策路径包括：根据分类模型对交易特征数据进行特征提取和分类，得到与交易特征数据匹配的交易行为决策路径。

根据本公开实施例，确定待预测行为数据对应的目标行为节点包括：根据时序预测模型，确定待预测行为数据对应的目标行为节点，其中，时序预测模型包括长短期记忆网络。

根据本公开实施例，待预测行为单元数据还具有以下标签中的至少一个：用户标识、页面标题、浏览时长、地理坐标、行为属性，行为属性表征用户在相应的页面执行的动作类别。

根据本公开实施例，目标条件包括营销效率导向条件，其中，营销效率导向条件表征目标产品的交易数量与目标产品的营销成本之间的比值趋向最大值。

本公开的另一方面提供了一种行为预测装置，包括：交易特征数据确定模块、交易行为决策路径确定模块、目标行为节点确定模块以及预测行为数据确定模块。交易特征数据确定模块，用于根据历史交易行为数据，确定交易特征数据；交易行为决策路径确定模块，用于根据交易特征数据，确定交易行为决策路径，其中，交易行为决策路径表征用户作出历史交易行为的过程，交易行为决策路径包括行为节点序列，行为节点序列的每一个行为节点表征与历史交易行为相关的各个阶段的行为；目标行为节点确定模块，用于确定待预测行为数据对应的目标行为节点；预测行为数据确定模块，用于根据目标行为节点和交易行为决策路径，确定预测行为数据。

本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述行为预测方法。

本公开的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述行为预测方法。

本公开的另一方面还提供了一种计算机程序产品，计算机程序存储于可读存储介质和电子设备其中至少之一上，包括计算机程序，该计算机程序被处理器执行时实现上述行为预测方法。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的行为预测方法、装置、设备、介质和程序产品的架构图；

图2示意性示出了根据本公开实施例的行为预测方法的流程图；

图3示意性示出了根据本公开另一实施例的行为预测方法的确定预测行为数据的流程图；

图4示意性示出了根据本公开又一实施例的行为预测方法的流程图；

图5示意性示出了根据本公开又一实施例的行为预测方法的得到智能体的中间状态的流程图；

图6示意性示出了根据本公开又一实施例的行为预测方法的流程图；

图7示意性示出了根据本公开又一实施例的行为预测方法的确定交易特征数据的流程图；

图8示意性示出了根据本公开又一实施例的行为预测方法的确定交易行为决策路径的流程图；

图9示意性示出了根据本公开又一实施例的行为预测方法的确定待预测行为数据对应的目标行为节点的流程图；

图10示意性示出了根据本公开实施例的行为预测装置的结构框图；以及

图11示意性示出了根据本公开实施例的适于实现行为预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

随着大数据的相关技术的发展，如何从数据中获取更多、更准确的信息成为当前的一个技术问题，例如如何从用户的历史数据中预测用户的行为。行为预测例如可以应用于购物平台、银行等各种应用场景。

一些实施方式中，通常基于粗粒度的历史数据预测用户的行为，这种行为预测方式的准确性较低。

需要说明的是，本公开实施例确定的行为预测方法和装置可用于金融领域，也可用于除金融领域之外的任意领域，本公开对于行为预测方法和装置的应用领域不做限定。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了根据本公开实施例的行为预测方法的架构图。

如图1所示，根据该实施例的行为预测方法的架构100可以包括终端设备101、102、103、网络105以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的行为预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的行为预测装置一般可以设置于服务器105中。本公开实施例所提供的行为预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的行为预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图9对本公开实施例的行为预测方法进行详细描述。

图2示意性示出了根据本公开实施例的行为预测方法的流程图。

如图2所示，该实施例的行为预测方法包括操作S210～操作S240。

在操作S210，针对任意一个用户，根据历史交易行为数据，确定交易特征数据。

用户作出的历史交易行为数据可以反映用户的行为特点，根据历史交易行为数据确定的交易特征数据可以表征用户作出交易行为的特征。

示例性地，交易特征数据例如可以是特征向量的形式。

在操作S220，根据交易特征数据，确定交易行为决策路径。

交易行为决策路径表征用户作出历史交易行为的过程，交易行为决策路径包括行为节点序列，行为节点序列的每一个行为节点表征与历史交易行为相关的各个阶段的行为。

以历史交易行为为购买行为为例，例如可以以该购买行为的营销页面为初始，用户可能会点击营销页面、咨询客服、搜索营销页面的产品、搜索与营销页面的产品相似的产品、返回营销页面、购买营销页面的产品、将购买的产品分享到社交平台。在上述过程中，例如，用户经历了“注意(点击营销页面)→兴趣(咨询客服)→搜索(搜索营销页面的产品、搜索与营销页面的产品相似的产品)→行动(购买营销页面的产品)→分享(将购买的产品分享到社交平台)”的过程，例如可以将这一过程作为交易行为决策路径，“注意”、“兴趣”等作为行为节点。

在操作S230，确定待预测行为数据对应的目标行为节点。

待预测行为数据可以理解为用于预测的行为对象，根据本公开实施例的行为预测方法，针对于待预测行为数据，确定对应的预测行为数据，预测行为数据是用户具有较大概率会在待预测行为之后紧接着执行的行为的数据。

示例性地，待预测行为数据例如可以是用户的实时行为数据，由此可以实时预测用户的行为。待预测行为数据例如还可以是用户的历史行为数据，由此可以验证预测行为数据是否准确。待预测行为数据还可以是设定的行为数据，由此可以确定模拟用户的行为。在本公开实施例的行为预测方法，可以将上述的各个情况理解为用户行为仿真。

示例性地，行为节点序列可以包括多个行为节点，与待预测行为数据对应的行为节点可以作为目标行为节点。

在操作S240，根据目标行为节点和交易行为决策路径，确定预测行为数据。

目标行为节点是交易行为决策路径的行为节点序列中的其中一个行为节点，由于交易行为决策路径表征对象作出历史交易行为的过程，体现用户的交易行为特点，针对待预测行为数据，用户可能仍然会类似于交易行为决策路径执行行为动作，因此，例如可以将交易行为决策的对应于目标行为节点的下一行为节点对应的动作数据作为预测行为数据。

根据本公开实施例的行为预测方法，根据历史交易行为数据确定的交易特征数据可以反映用户的交易行为特点，根据交易特征数据确定的交易行为决策路径可以细粒度地描述用户作出历史交易行为的过程，通过确定待预测行为数据对应的目标行为节点可以将待预测行为数据匹配到交易行为决策路径的对应位置(行为节点序列中的某一个行为节点)，由此根据目标行为节点和交易行为决策路径确定的预测行为数据更加准确。

根据本公开实施例的行为预测方法，在产品营销的应用场景下，例如还可以基于交易行为决策路径对用户采取针对性、个性化营销资源投放策略，真正实现千人千面。

图3示意性示出了根据本公开另一实施例的行为预测方法的确定预测行为数据的流程图。

示例性地，例如可以利用以下实施例实现操作S320的根据目标行为节点和交易行为决策路径，确定预测行为数据的具体示例。

在操作S341，根据交易行为单元，确定与待预测行为数据对应的至少一个待预测行为单元数据。

待预测行为数据可能会出现颗粒度不一致或者粗粒度的情况，根据本公开实施例的行为预测方法，可以根据交易行为单元，对待检测行为数据进行拆分，得到与待预测行为数据对应的至少一个待预测行为单元数据。每一个待预测行为单元具有更细的颗粒度。

仍以购买行为为例，例如可以将购买行为拆分成包括首次浏览营销页面、跳出营销页面、第n次浏览营销页面、搜索、咨询、购买等多个待预测行为单元数据。

在操作S342，将至少一个待预测行为单元数据作为第一维度，将行为节点序列作为第二维度，确定状态转移矩阵。

状态转移矩阵的元素的数值表征从待预测行为单元数据的状态转移至对应的行为节点的状态的概率值。

示例性地，例如可以将待预测行为数据进行降维压缩、行为单元分割、重编码、聚类等预处理，得到序列的待预测行为单元数据。

示例性地，状态转移矩阵例如可以包括马尔科夫状态转移矩阵。可以通过以下描述理解状态转移矩阵：一个系统的某些因素在转移过程中，任意一次结果只与上一时刻所处状态有关，状态可以理解为客观事物可能存在或者出现的状态，状态转移可以理解为事物由一种状态转移到另一种状态，在状态转移矩阵中，矩阵的各个元素表征状态转移的概率。

在本公开实施例的行为预测方法中，针对待预测行为数据，任意一个状态也与上一状态相关，通过状态转移矩阵可以描述每一个待预测行为单元数据的状态转移过程，即状态转移矩阵可以表征针对待预测行为单元数据的下一个可能执行的行为。

在操作S343，针对任意一个待预测行为单元数据，根据概率值，从行为节点序列中确定预测行为数据。

示例性地，以状态矩阵的第一维度对应行方向，状态矩阵的第二维度对应列方向为例，针对任意一个待预测行为单元数据，例如可以将对应这一列的元素中，数值最大或者数值大于预设阈值的行为节点作为预测行为数据。

根据本公开实施例的行为预测方法，可以利用交易行为决策路径细粒度地表征用户作出历史交易行为的过程，还可以利用待预测行为单元数据细粒度地表征待预测行为数据，交易行为决策路径的任意一个行为节点与任意一个预测行为单元数据作为索引确定的状态转移矩阵的元素的数值可以表征从待预测行为单元数据的状态转移至对应的行为节点的状态的概率值，由此可以从待预测行为单元数据和交易行为决策路径这两个具有细粒度的维度进行准确的行为预测。

示例性地，以金融产品营销为例，利用状态转移矩阵可以表征以下内容：根据历史交易行为数据，确定的该用户的行为规律是看了某个金融产品广告之后，该用户有50％概率去检索类似产品，有30％概率去搜索这个产品经理的详细信息，有20％的概率会去搜索引擎，垂直社群，新闻网站查询一下该类型产品信息与评价。在该用户进行该步骤的决策行为后，即该用户检索相关产品后，该用户有50％概率会去咨询客户经理，有10％概率就买了本产品，30％概率买了其他产品，10％概率放弃。

示例性地，例如可以在上述操作S230之后执行操作S341～操作S342。操作S340与操作S240类似，在此不再赘述。

图4示意性示出了根据本公开又一实施例的行为预测方法400的流程图。

如图4所示，根据本公开又一实施例的行为预测方法400还可以包括操作S450～操作S470。

在操作S450，将每一个用户分别作为一个智能体，将待预测行为数据作为智能体的初始状态。

需要说明的是，这里提到的“将每一个用户分别作为一个智能体”可以理解为将每一个用户分别作为一个在当前应用场景下的与环境交互的对象。智能体执行某一动作，使得当前环境发生改变，智能体在该动作执行完毕后处于某一状态，这一状态又可以驱使智能体执行另一动作。

在操作S460，根据预测行为数据，对智能体执行动作调整，得到智能体的中间状态。

在操作S470，根据智能体的中间状态与目标条件对应的目标状态之间的差异，确定反馈奖励数据。

反馈奖励数据用于对智能体进行再次动作调整，直至智能体的中间状态满足目标条件对应的目标状态。

目标条件可以理解为针对智能体的期望达到的目标。

示例性地，在产品营销的应用场景下，目标条件例如可以包括营销效率导向条件。

营销效率导向条件例如可以表征目标产品的交易数量与目标产品的营销成本之间的比值趋向最大值。此时，智能体的状态可以由该智能体是否购买目标产品、购买目标产品的数量和金额等确定。状态交易数量例如还可以利用交易金额表征，营销成本例如可以包括广告投放成本、人工成本和维护成本等。

根据本公开实施例的行为预测方法，通过根据预测行为数据对智能体执行动作调整，类似于对用户执行的行为过程进行仿真，预测行为数据是用户具有较大概率执行的行为，因此，每一个动作调整都更加趋向于符合真实情况，仿真效果更好。

根据本公开实施例的行为预测方法，在营销的应用场景下，不仅可以细粒度地、准确地进行行为预测、对用户行为进行仿真，在营销过程中，通过预测行为数据对应的仿真结果例如还可以对营销过程进行快速干涉，由此可以避免大数额的营销沉没成本等。

示例性地，例如还可以将上述的仿真过程通过前端展示实现可视化，帮助相关人员快速了解特定用户的状态变化、开展异常现象分析、在产品营销的应用场景下，可以开展营销效果综合评估等工作，并进行精细化营销方法动态优化。

示例性地，例如可以在上述的操作S240之后执行操作S450～操作S470。

图5示意性示出了根据本公开又一实施例的行为预测方法的得到智能体的中间状态的流程图。

待预测行为单元数据具有时间戳。

如图5所示，例如可以利用以下实施例实现操作S560的根据预测行为数据，对智能体执行动作调整，得到智能体的中间状态的具体示例。

在操作S561，根据预测行为数据，对时间戳满足目标周期的智能体进行动作调整，得到智能体在目标周期内的中间状态。

根据本公开实施例的行为预测方法，通过根据预测行为数据，对智能体执行动作调整可以理解为仿真过程，在一些情况下，仿真具有周期性，例如在本公开实施例的行为预测方法应用于产品营销时，营销可能具有周期性，例如间隔几个月进行某一产品的营销，本公开实施例的行为预测方法，可以适应具有周期性的应用场景，通过时间戳可以确定当前是否处于目标周期内，可以更符合实际情况地进行行为预测，行为预测的结果也相应会更准确。

示例性地，操作S561例如可以在上述操作S450之后执行，操作S560与上述操作S460类似，在此不再赘述。

图6示意性示出了根据本公开又一实施例的行为预测方法600的流程图。

根据本公开又一实施例的行为预测方法600还可以包括以下中的至少一个：操作S680～操作S690。

在操作S680，对智能体执行动作调整进行随机扰动。

在操作S690，对智能体的初始状态进行随机扰动。

实际情况下，用户作为智能体，其执行的动作调整可能存在一定的随机性，智能体的初始状态也可能存在一定的随机性，如果按照预设的规则等执行动作调整或者确定初始状态，可能与实际情况具有较大出入。

根据本公开实施例的行为预测方法，通过对智能体执行动作调整进行随机扰动和/或对智能体的初始状态进行随机扰动，可以更真实地进行行为预测、仿真等。

示例性地，例如可以利用蒙特卡洛模拟算法(Monte Carlo)对智能体执行动态调整进行随机扰动和/或对智能体的初始状态进行随机扰动。蒙特卡洛模拟算法是基于“随机数”的计算方法，即将概率现象作为研究对象的数值模拟方法，其基本思想是：为了求解问题，先建立一个概率模型或者随机过程，再通过对过程的观察或抽样实验来计算参数或数字特征，最后求解近似值。

示例性地，操作S680例如可以在操作S460之前或者之后执行，操作S690例如可以在操作S450之前或者之后执行。

图7示意性示出了根据本公开又一实施例的行为预测方法的确定交易特征数据的流程图。

如图7所示，例如可以利用以下实施例实现操作S710的根据历史交易行为数据，确定交易特征数据的具体示例。

在操作S711，确定用户的属性数据。

属性数据表征驱动用户产生历史交易行为的特点，属性数据包括以下中的至少一个：性别、年龄、收入、所在城市、学历、风险偏好、账户功能类别以及支出分类。

风险偏好例如可以包括保守、稳健、中立、积极、激进等多个类别。

账户功能类别例如可以包括：储蓄卡、消费卡、信用卡等。

属性数据例如还可以包括支出分类，支出分类例如可以包括：餐饮美食、交通出行、服饰装扮、美容美发、日用百货、文化休闲、运动健身、萌宠消费以及育儿支出等。支出分类可以反映用户的爱好和生活方式。

在操作S712，根据历史交易行为数据和属性数据，确定交易特征数据。

示例性地，例如可以将历史交易行为数据和属性数据分别进行向量化，并将向量化后的历史交易行为数据和属性数据进行拼接，得到交易特征数据。

用户的历史交易行为数据可以体现用户的交易行为特征，用户的属性数据也可以体现用户的交易行为特征，本公开实施例的行为预测方法，通过历史交易行为数据和属性数据确定的交易特征数据更加全面和准确。

示例性地，操作S711～操作S712例如可以在操作S220之前执行，操作S710类似于上述操作S210，在此不再赘述。

图8示意性示出了根据本公开又一实施例的行为预测方法的确定交易行为决策路径的流程图。

如图8所示，例如可以利用以下实施例实现操作S820的根据交易特征数据，确定交易行为决策路径的具体示例。

在操作S821，根据分类模型对交易特征数据进行特征提取和分类，得到与交易特征数据匹配的交易行为决策路径。

示例性地，分类模型例如可以包括卷积神经网络模型，具体的可以包括卷积层和全连接层。全连接层可以设置多个，多个全连接层可以实现多分类。

示例性地，分类模型在训练时使用的训练样本例如可以由人工标注以及聚类的方式获得。

示例性地，交易行为决策路径例如可以包括以下三种：“注意→兴趣→欲望→记忆→行动”、“注意→兴趣→搜索→行动→分享”以及“共鸣→确认→参与→共享→扩散”。需要说明的是，上述列举的例如“注意”、“欲望”、“行动”等行为节点是以文本表征的用户的与交易行为相关的阶段的表述。每一个行为节点可以由相关的数据支撑，例如，在用户点击、浏览产品页面时，用户的这一点击操作数据、页面停留时间、等可以表征用户处于“注意”这一行为节点。又例如，用户的持续搜索并对比浏览相关产品的操作数据可以表征用户处于“兴趣”或者“欲望”的行为节点。

根据本公开实施例的行为预测方法，通过分类模型可以自动化地确定交易特征数据对应的交易行为决策路径，在用户、交易特征数据的数量庞大时，可以高效、快速地确定交易行为决策路径。

示例性地，还可以将初始的表征用户的属性的数据进行以下预处理之一，得到可以作为分类模型输入的属性数据：数据归一化、数据插值、数据截取、异常值处理、变量聚类、调整数据分布映射。

示例性地，例如可以在上述的操作S210之后、操作S230之前执行操作S821，操作S820类似于上述操作S220，在此不再赘述。

图9示意性示出了根据本公开又一实施例的行为预测方法的确定待预测行为数据对应的目标行为节点的流程图。

如图9所示，例如可以利用以下实施例实现操作S930的确定待预测行为数据对应的目标行为节点的具体示例。

在操作S931，根据时序预测模型，确定待预测行为数据对应的目标行为节点。

时序预测模型可以理解为具有时序性的预测模型，时序预测模型用于确定待预测行为数据对应的目标行为节点。

时序预测模型包括长短期记忆网络。长短期记忆网络即LongShor-Term Memory，简称为LSTM。

用户的交易行为是具有时序性的，根据本公开实施例的行为预测方法，通过时序预测模型可以适应用户交易行为的时序性特点，准确地确定待预测行为数据对应的目标行为节点。

示例性地，例如可以在上述操作S220之后、操作S240之前执行操作S931，操作S930类似于上述操作S230，在此不再赘述。

示例性地，根据本公开又一实施例的行为预测方法，待预测行为单元数据还可以具有以下标签中的至少一个：用户标识、页面标题、浏览时长、地理坐标、行为属性。

用户标识可以用于区分不同的用户，页面标题可以用于确定当前页面的展示内容或者功能等，浏览时长可以反映用户对于当前页面的关注程度，地理坐标可以用于确定用户当前所处位置，通过地理坐标例如可以确定用户所在城市，城市例如可以作为一种属性数据。用户的行为属性表征用户在相应的页面执行的动作类别，用户的行为属性例如可以包括：点击、滑动、浏览等，通过用户的行为属性例如可以确定用户在此埋点页面的动作以及确定用户的行为决策。

综上，根据本公开实施例的行为预测方法，可以挖掘用户的历史交易行为数据，实时预测当前交易状态与交易行为决策路径，实现对用户动态行为的精细化管理，例如还可以基于交易行为决策路径对用户采取针对性、个性化营销资源投放策略，真正实现千人千面。通过上述的多智能体的预测仿真过程还可以实现营销策略的仿真优化，能够快速检验营销策略效果，降低企业营销沉没成本。

基于上述行为预测方法，本公开还提供了一种行为预测装置。以下将结合图10对该装置进行详细描述。

图10示意性示出了根据本公开实施例的行为预测装置的结构框图。

如图10所示，该实施例的行为预测装置1000包括交易特征数据确定模块1010、交易行为决策路径确定模块1020、目标行为节点确定模块1030和预测行为数据确定模块1040。

交易特征数据确定模块1010，用于根据历史交易行为数据，确定交易特征数据。

交易行为决策路径确定模块1020，用于根据交易特征数据，确定交易行为决策路径。交易行为决策路径表征用户作出历史交易行为的过程，交易行为决策路径包括行为节点序列，行为节点序列的每一个行为节点表征与历史交易行为相关的各个阶段的行为。

目标行为节点确定模块1030，用于确定待预测行为数据对应的目标行为节点。

预测行为数据确定模块1040，用于根据目标行为节点和交易行为决策路径，确定预测行为数据。

根据本公开实施例，预测行为数据确定模块包括：待预测行为单元数据确定子模块、状态转移矩阵确定子模块以及预测行为数据确定子模块。

待预测行为单元数据确定子模块，用于根据交易行为单元，确定与待预测行为数据对应的至少一个待预测行为单元数据。

状态转移矩阵确定子模块，用于将至少一个待预测行为单元数据作为第一维度，将行为节点序列作为第二维度，确定状态转移矩阵。

状态转移矩阵的元素的数值表征从待预测行为单元数据的状态转移至对应于行为节点的状态的概率值。

预测行为数据确定子模块，用于针对任意一个待预测行为单元数据，根据概率值，从行为节点序列中确定预测行为数据。

根据本公开实施例的行为预测装置还包括：初始状态确定模块、动作调整模块以及反馈奖励数据确定模块。

初始状态确定模块，用于将每一个用户分别作为一个智能体，将待预测行为数据作为智能体的初始状态。

动作调整模块，用于根据预测行为数据，对智能体执行动作调整，得到智能体的中间状态。

反馈奖励数据确定模块，用于根据智能体的中间状态与目标条件对应的目标状态之间的差异，确定反馈奖励数据。

反馈奖励数据用于对智能体进行再次动作调整，直至智能体的中间状态满足目标条件对应的目标状态。

根据本公开实施例，动作调整模块包括：动作调整子模块。

动作调整子模块，用于根据预测行为数据，对时间戳满足目标周期的智能体进行动作调整，得到智能体在目标周期内的中间状态。

根据本公开实施例的行为预测装置还包括以下中的至少一个：第一随机扰动模块、第二随机扰动模块。

第一随机扰动模块，用于对智能体执行动作调整进行随机扰动；

第二随机扰动模块，用于对智能体的初始状态进行随机扰动。

根据本公开实施例，交易特征数据确定模块包括：属性数据确定子模块、交易特征数据确定子模块。

属性数据确定子模块，用于确定用户的属性数据。

属性数据表征驱动用户产生历史交易行为的特点，属性数据包括以下中的至少一个：性别、年龄、收入、所在城市、学历、风险偏好、账户功能类别以及支出分类。

交易特征数据确定子模块，用于根据历史交易行为数据和属性数据，确定交易特征数据。

根据本公开实施例，交易行为决策路径确定模块包括：交易行为决策路径确定子模块。

交易行为决策路径确定子模块，用于根据分类模型对交易特征数据进行特征提取和分类，得到与交易特征数据匹配的交易行为决策路径。

根据本公开实施例，目标行为节点确定模块包括：目标行为节点确定子模块。

目标行为节点确定子模块，用于根据时序预测模型，确定待预测行为数据对应的目标行为节点，其中，时序预测模型包括长短期记忆网络。

根据本公开实施例，待预测行为单元数据还具有以下标签中的至少一个：用户标识、页面标题、浏览时长、地理坐标、行为属性，其中，行为属性表征用户在相应的页面执行的动作类别。

根据本公开实施例，目标条件包括营销效率导向条件，其中，营销效率导向条件表征目标产品的交易数量与目标产品的营销成本之间的比值趋向最大值。

根据本公开的实施例，交易特征数据确定模块1010、交易行为决策路径确定模块1020、目标行为节点确定模块1030和预测行为数据确定模块1040中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，交易特征数据确定模块1010、交易行为决策路径确定模块1020、目标行为节点确定模块1030和预测行为数据确定模块1040中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，交易特征数据确定模块1010、交易行为决策路径确定模块1020、目标行为节点确定模块1030和预测行为数据确定模块1040中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术间题和所达到的技术效果也对应相同或类似，本公开在此不再赘述。

图11示意性示出了根据本公开实施例的适于实现行为预测方法的电子设备的方框图。

如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向用户的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。