用户行为预测方法、终端、云端设备及存储介质
文献发布时间:2024-01-17 01:21:27
技术领域
本申请实施例涉及通信技术领域,尤其涉及一种用户行为预测方法、终端、云端设备及存储介质。
背景技术
随着机器学习技术的研究与发展,机器学习已被广泛应用于解决多种技术领域的问题。用户行为预测作为机器学习的一项应用,其可以通过采集的用户数据,对用户行为进行预测。例如,通过用户在购物网页的浏览数据,可以对用户的偏好商品进行预测,从而可以在购物网页中向用户推荐偏好商品的相关信息。
目前,机器学习模型可以运行在终端中。终端可以根据用户数据预测用户行为,从而为用户提供个性化服务,提升用户体验。但是,由于计算能力以及功耗的限制,终端对于用户行为预测的效率和准确性还有待提高,用户体验也有待提升。
发明内容
本申请实施例提供一种用户行为预测方法、终端、云端设备及存储介质,可以提高终端对于用户行为预测的效率和准确性,提升用户体验。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种用户行为预测方法,应用于终端,该方法包括:终端采集用户数据,然后对用户数据进行统计处理,获取用于表征个人行为的第一统计特征和用于表征群体行为的第二统计特征,并向云端设备发送第二统计特征。进一步地,终端接收云端设备返回的编码结果。该编码结果是根据第二统计特征得到的。终端根据第一统计特征和编码结果预测目标用户行为,得到目标用户行为的预测结果。
在该方法中,终端与云端设备协同工作,由云端设备向终端提供更加准确表征群体行为的编码结果。终端测可以结合用户个人行为的个性化信息以及群体行为信息,预测目标用户行为的用户意图,可以提高用户行为预测的准确性和效率。
在第一方面的一种可能的实现方式中,终端可以按照多个预设统计项对用户数据进行统计处理,生成用户数据的第三统计特征。该第三统计特征包括多个预设统计项中每个预设统计项对应的特征值。这多个预设统计项包括用于统计个人行为的至少一个第一预设统计项以及用于统计群体行为的至少一个第二预设统计项。终端进一步对第三统计特征进行特征分割,获取第一统计特征和第二统计特征。第一统计特征包括至少一个第一预设统计项对应的特征值,第二统计特征包括至少一个第二预设统计项对应的特征值。
在该实现方式中,终端可以将采集的用户数据作为一个整体,对用户数据进行统计处理,得到第三统计特征。为了更加准确地预测目标用户行为,终端可以将第三统计特征分割为表征个人行为的第一统计特征以及表征群体行为的第二统计特征,从而终端可以在预测目标用户行为时结合用户个人行为的个性化信息以及群体行为信息,提高预测结果的准确性和效率。
在第一方面的另一种可能的实现方式中,终端拼接第一统计特征和编码结果,得到组合特征。进一步地,终端将组合特征输入第一预设机器学习模型,得到第一预设机器学习模型输出的目标用户行为的预测结果。
在该实现方式中,由于终端在计算能力和功耗等方面上的限制,终端侧部署的第一预设机器学习模型是轻量级模型。终端拼接第一统计特征和编码结果,再将拼接后的组合特征输入第一预设机器学习模型中,可以利用第一预设机器学习模型对目标用户行为进行预测,实现高效的端侧用户行为预测。
在第一方面的另一种可能的实现方式中,终端包括显示界面。在终端得到目标用户行为的预测结果之后,若预测结果表示用户存在目标用户行为的用户意图,终端则在显示界面中展示目标应用的快捷功能图标。
在该实现方式中,若预测到用户存在目标用户行为的用户意图,终端可以为用户提供快捷应用图标,为用户提供便利,提升用户体验。例如,用户行为是签到行为,终端若预测到用户存在签到意图,则可以在显示界面中提供签到应用的快捷应用图标。再例如,用户行为是支付行为,终端若预测用户存在支付意图,则可以在显示界面中提供支付应用的快捷功能图标。
在第一方面的另一种可能的实现方式中,在显示界面展示目标应用的快捷功能图标达到预设时长的情况下,在显示界面中取消展示目标应用的快捷功能图标。
在该实现方式中,在终端展示目标应用的快捷功能图标达到预设时长时,如展示目标应用的快捷功能图标达到10分钟或15分钟之后,可以自动取消显示目标应用的快捷功能图标。这样,终端可以向用户提供更加完善的用户体验。
在第一方面的另一种可能的实现方式中,上述目标用户行为是支付行为。上述至少一个第一预设统计项包括以下至少一项:当前时刻、当天在一周中的第n天、是否出现在目标地点、无线网络是否断开、支付频次、上次支付行为的支付时刻与当前时刻之间的时长、是否出现在常用支付地点,n为正整数。上述至少一个第二预设统计项包括以下至少一项:用户是否处于行进状态、用户是否处于停止状态、预设统计时间段内用户处于行进状态与停止状态的时间占比。
在该实现方式中,终端可以通过与用户支付行为相关的至少一个第一预设统计项以及至少一个第二预设统计项,对用户数据进行统计处理,从而可以更加准确地预测用户的支付行为。
第二方面,本申请提供一种用户行为预测方法,应用于云端设备,该方法包括:云端设备接收终端发送的第二统计特征,该第二统计特征用于表征用户的群体行为。云端设备对第二统计特征进行特征处理,得到编码结果,进一步向终端返回该编码结果。该编码结果用于预测目标用户行为,得到目标用户行为的预测结果。
在该方法中,云端设备可以向终端提供更加准确表征群体行为的编码结果。该编码结果用于预测目标用户行为,从而可以提高用户行为预测的准确性和效率。
在第二方面的一种可能的实现方式中,云端设备对第二统计特征进行特征选择,得到第四统计特征,以及,对第二统计特征进行特征抽取,得到第五统计特征。进一步地,云端设备拼接第四统计特征和第五统计特征,得到编码结果。
在该实现方式中,云服务器可以对第二统计特征进行不同方式是特征提取,从而可以通过编码结果更加准确地表征群体行为,提升用户行为预测的准确性。
在第二方面的另一种可能的实现方式中,云端设备可以将第二统计特征输入第二预设机器学习模型,得到第二预设机器学习模型输出的第四统计特征。该第二预设机器学习模型用于执行特征选择,第二预设机器学习模型是基于第二训练样本进行模型训练得到的。云端设备还可以将第二统计特征输入第三预设机器学习模型,得到第三预设机器学习模型输出的第五统计特征。该第三预设机器学习模型用于执行特征抽取,第三预设机器学习模型是基于第三训练样本进行模型训练得到的,第二训练样本和第三训练样本是由多个用户的历史数据进行统计处理得到的。
在该实现方式中,云端设备可以利用第二预设机器学习模型和第三预设机器学习模型分别对第二统计特征进行特征选择和特征抽取。云端设备具有强大的计算能力,可以部署多个复杂的机器学习模型,得到准确的编码结果。
第三方面,本申请提供一种终端,包括:通信模块、存储器和一个或多个处理器。该通信模块、存储器分别与处理器耦合。该通信模块用于与云端设备传输数据或信令。存储器中存储有计算机程序代码,该计算机程序代码包括计算机指令。当计算机指令被处理器执行时,使得终端执行如下步骤:采集用户数据;对用户数据进行统计处理,获取第一统计特征和第二统计特征;其中,第一统计特征用于表征个人行为,第二统计特征用于表征群体行为;向云端设备发送第二统计特征;接收云端设备返回的编码结果;其中,编码结果是根据第二统计特征得到的;根据第一统计特征和编码结果预测目标用户行为,得到目标用户行为的预测结果。
在第三方面的一种可能的实现方式中,当上述计算机指令被处理器执行时,使得终端还执行以下步骤:按照多个预设统计项对用户数据进行统计处理,生成用户数据的第三统计特征;其中,第三统计特征包括多个预设统计项中每个预设统计项对应的特征值;多个预设统计项包括用于统计个人行为的至少一个第一预设统计项以及用于统计群体行为的至少一个第二预设统计项;对第三统计特征进行特征分割,获取第一统计特征和第二统计特征;其中,第一统计特征包括至少一个第一预设统计项对应的特征值,第二统计特征包括至少一个第二预设统计项对应的特征值。
在第三方面的另一种可能的实现方式中,当上述计算机指令被处理器执行时,使得终端还执行以下步骤:拼接第一统计特征和编码结果,得到组合特征;将组合特征输入第一预设机器学习模型,得到第一预设机器学习模型输出的目标用户行为的预测结果;其中,第一预设机器学习模型用于预测目标用户行为。
在第三方面的另一种可能的实现方式中,当上述计算机指令被处理器执行时,使得终端还执行以下步骤:若预测结果表示用户存在目标用户行为的用户意图,则在显示界面中展示目标应用的快捷功能图标;其中,目标应用用于辅助执行目标用户行为。
在第三方面的另一种可能的实现方式中,当上述计算机指令被处理器执行时,使得终端还执行以下步骤:在显示界面展示目标应用的快捷功能图标达到预设时长的情况下,在显示界面中取消展示目标应用的快捷功能图标。
在第三方面的另一种可能的实现方式中,目标用户行为是支付行为;上述至少一个第一预设统计项包括以下至少一项:当前时刻、当天在一周中的第n天、是否出现在目标地点、无线网络是否断开、支付频次、上次支付行为的支付时刻与当前时刻之间的时长、是否出现在常用支付地点;其中,n为正整数;上述至少一个第二预设统计项包括以下至少一项:用户是否处于行进状态、用户是否处于停止状态、预设统计时间段内用户处于行进状态与停止状态的时间占比。
第四方面,本申请提供一种云端设备,包括:通信模块、存储器和一个或多个处理器,通信模块、存储器分别与处理器耦合。其中,通信模块用于与终端传输数据或信令,存储器中存储有计算机程序代码,计算机程序代码包括计算机指令,当计算机指令被处理器执行时,使得云端设备执行如下步骤:接收终端发送的第二统计特征;其中,第二统计特征用于表征用户的群体行为;对第二统计特征进行特征处理,得到编码结果;向终端返回编码结果;其中,编码结果用于预测目标用户行为,得到目标用户行为的预测结果。
在第四方面的一种可能的实现方式中,当计算机指令被处理器执行时,使得云端设备执行如下步骤:对第二统计特征进行特征选择,得到第四统计特征;对第二统计特征进行特征抽取,得到第五统计特征;拼接第四统计特征和第五统计特征,得到编码结果。
在第四方面的另一种可能的实现方式中,当计算机指令被处理器执行时,使得云端设备执行如下步骤:将第二统计特征输入第二预设机器学习模型,得到第二预设机器学习模型输出的第四统计特征;其中,第二预设机器学习模型用于执行特征选择,第二预设机器学习模型是基于第二训练样本进行模型训练得到的;将第二统计特征输入第三预设机器学习模型,得到第三预设机器学习模型输出的第五统计特征;其中,第三预设机器学习模型用于执行特征抽取;第三预设机器学习模型是基于第三训练样本进行模型训练得到的,第二训练样本和第三训练样本是由多个用户的历史数据进行统计处理得到的。
第五方面,本申请提供一种计算机可读存储介质,包括计算机指令,当计算机指令在终端上运行时,使得终端执行上述第一方面及其任一种可能的实现方式所述的方法;或者,当计算机指令在云端设备上运行时,使得云端设备执行上述第二方面及其任一种可能的实现方式所述的方法。
第六方面,本申请提供一种包含程序指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机可以执行上述第一方面及其任一种可能的实现方式所述的方法。例如,该计算机可以是上述终端。或者,当计算机程序产品在计算机上运行时,使得计算机可以执行上述第二方面及其任一种可能的实现方式所述的方法。例如,该计算机可以是上述云端设备。
第七方面,本申请提供一种芯片系统,该芯片系统应用于上述终端或云端设备。该芯片系统包括接口电路和处理器。接口电路和处理器通过线路互联。接口电路用于从存储器接收信号,并向处理器发送信号,信号包括存储器中存储的计算机指令。当处理器执行计算机指令时,终端执行上述第一方面及其任一种可能的实现方式所述的方法。或者,当处理器执行计算机指令时,云端设备执行上述第二方面及其任一种可能的实现方式所述的方法。
附图说明
图1为本申请实施例提供的一种终端利用机器学习模型预测用户行为示例的示意图;
图2为本申请实施例提供的一种终端的显示界面的示意图;
图3为本申请实施例提供的一种用户行为预测系统示例的示意图;
图4为本申请实施例提供的一种终端示例手机100的结构框图;
图5为本申请实施例提供的一种云端设备示例的结构框图;
图6为本申请实施例提供的一种用户行为预测方法示例的流程图;
图7为本申请实施例提供的一种获取第一统计特征和第二统计特征示例的示意图;
图8为本申请实施例提供的一种得到编码结果示例的示意图;
图9为本申请实施例提供的一种预测支付行为示例的示意图;
图10为本申请实施例提供的一种第一预设机器学习模型的模型训练过程示例的示意图。
具体实施方式
本申请实施例提供了一种用户行为预测方法,可以通过终端对用户行为进行预测,从而可以通过预测的用户行为改善用户使用终端的用户体验。
用户行为可以理解为用户的触发终端响应的行为。例如,用户行为可以是用户浏览网页的浏览行为、用户打开应用的点击行为、用户使用拍照功能的拍摄行为、用户使用终端签到的签到行为、用户使用终端付款的支付行为等。
终端中可以配置有用于预测用户行为的机器学习模型。终端可以利用机器学习模型基于采集的用户数据对用户行为进行预测,得到用户行为的预测结果。
如图1所示,终端中部署的机器学习模型,可以是基于训练样本进行模型训练得到的。训练完成的机器学习模型可以进行模型推理,实现对用户行为的预测。
具体的,终端可以将采集的用户数据进行处理,如对采集的用户数据进行统计、编码等,得到机器学习模型的训练样本。然后,终端将训练样本输入未训练完成的机器学习模型中,通过未训练完成的机器学习模型得到对用户行为进行预测的预测结果。终端可以将该预测结果与用户真实的用户行为(即训练样本的训练标签)进行比对,并通过比对结果对机器学习模型进行一轮训练。如此经过多轮训练之后,终端可以完成训练的机器学习模型。进一步地,终端可以利用完成训练的机器学习模型推理用户行为,得到用户行为的预测结果。
预测结果可以表示用户是否存在特定用户行为的用户意图。如果该预测结果表示用户存在特定用户行为的用户意图,表明用户即将发生该用户行为的可能性较大。如果该预测结果表示用户不存在特定用户行为的用户意图,表明用户即将发生该用户行为的可能性较小。例如,用户行为是浏览网页的浏览行为,终端可以预测用户是否存在浏览行为的浏览意图。再例如,用户行为是支付行为,终端可以预测用户是否存在支付行为的支付意图。
为了更好地为用户提供便利,终端在得到用户行为的预测结果之后,如果该预测结果表示用户存在用户行为的用户意图,则可以为用户提供与该预测结果对应的服务。例如,终端可以提前启动或提示与用户行为相关的目标应用,如提前启动签到应用、地图应用等。或者,终端可以在显示界面中展示与用户行为相关的目标应用的快捷应用图标,如在显示界面中展示地图应用的快捷功能图标等。
示例性的,以终端是手机,用户行为是支付行为为例。在预测到用户的支付行为之前,手机的显示界面如图2中的(1)所示。可以看到,此时手机的显示界面中不存在支付功能的应用图标。在手机预测到用户存在支付意图即将进行支付行为的情况下,手机的显示界面如图2中的(2)所示。可以看到,此时手机的显示界面中展示有支付应用的快捷功能图标(如“付款码”、“扫一扫”等图标)。如果用户想要使用手机进行支付,用户操作手机打开显示界面即可看到支付应用的快捷功能图标。手机通过支付应用的快捷功能图标可以向用户提供快捷支付服务,为用户提供便利。
但是,终端的机器学习模型在预测用户行为的过程中会涉及大量的计算,由于终端的计算能力以及功耗等方面的限制,终端中难以部署规模较大的机器学习模型。这会影响终端对用户行为预测的准确性以及效率,影响用户体验。
有鉴于此,本申请实施例提供了一种用户行为预测方法,可以应用于终端与云端设备形成的用户行为预测系统中。以终端是手机100,云端设备是云服务器200为例。如图3所示,用户行为预测系统包括手机100和云服务器200。手机100与云服务器200通信,可以协同实现用户行为的预测。
本申请实施例提供的方法中,终端可以采集用户的用户数据。终端采集用户数据之后,可以对用户数据进行统计处理,得到用于表征用户的个人行为的第一统计特征以及用于表征群体行为的第二统计特征。进一步地,终端可以向云端设备发送第二统计特征,由云端设备处理计算量较大的计算任务。云端设备接收表征群体行为的第二统计特征之后,可以对第二统计特征进行特征处理,得到编码结果,并向终端返回第二统计特征的编码结果。终端接收到云端设备返回的编码结果之后,可以通过表征个人行为的第一统计特征以及云端设备返回的编码结果,预测用户的目标用户行为,得到目标用户行为的预测结果。
通过终端与云端设备协同的方式,云端设备可以分担用户行为预测中的部分计算任务,减轻终端的计算压力。由于云端设备具有强大的计算能力,可以提升目标用户行为的预测结果的效率。同时,云端设备通过较强的计算能力可以挖掘用户群体中长期的群体行为规律。终端侧的个性化信息可以与云端设备侧的群体行为信息相结合,共同用于用户意图的预测,可以提高预测结果的准确性。
这里,目标用户行为可以是任意一种用户行为。例如,目标用户行为可以是用户浏览网页的浏览行为、用户打开应用的点击行为、用户使用拍照功能的拍摄行为、用户使用终端签到的签到行为、用户使用终端付款的支付行为中的任意一种。
第一统计特征是可体现个人行为,可以反映用户个人的习惯、偏好等。不同用户的第一统计特征通常不同。例如,以上述目标用户行为是支付行为为例。第一统计特征可以表征支付时间、支付地点、1天中的支付次数等。根据用户个人的习惯或偏好的不同,支付时间、支付地点、支付次数这些数据往往根据用户的不同而不同。因此可以通过第一统计特征表征用户所发生的个人行为。
第二统计特征是可体现群体行为,可以反映用户群体的习惯、共同点等。不同用户的第二统计特征可以相同。例如,同样以上述目标用户行为是支付行为为例。第二统计特征可以表征支付行为之前用户处于行进状态、停止状态、跑步状态、骑行状态、交通工具的乘坐状态、通话状态等。通常而言,用户在进行支付行为时往往处于停止状态、非通话状态。这些特征是用户群体所共有的,并非是少数用户特有的习惯。因此可以通过第二统计特征表征用户所发生的群体行为。
示例性的,本申请实施例中所述的终端可以是手机、平板电脑、桌面型电脑、膝上型电脑、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmented reality,AR)\虚拟现实(virtual reality,VR)设备、媒体播放器、可穿戴设备等设备。本申请实施例中所述的云端设备可以是云服务器、超级计算机等设备。
本申请实施例中以终端是如图3所示的手机100为例,通过手机100介绍终端的硬件结构。如图4所示,手机100可以包括:处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,SIM)卡接口195等。
其中,处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器modem,图形处理器(graphicsprocessing unit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU),驱动处理器等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。处理器110可以是手机100的神经中枢和指挥中心。处理器110可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展手机100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行手机100的各种功能应用以及数据处理。例如,在本申请实施例中,处理器110可以通过执行存储在内部存储器121中的指令,内部存储器121可以包括存储程序区和存储数据区。
其中,存储程序区可存储操作系统,至少一个功能所需的应用程序(比如声音播放功能,图像播放功能等)、马达191的配置文件等。存储数据区可存储手机100使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为手机100供电。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110,内部存储器121,外部存储器,显示屏194,摄像头193,和无线通信模块160等供电。在一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
手机100的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。在一些实施例中,手机100的天线1和移动通信模块150耦合,天线2和无线通信模块160耦合,使得手机100可以通过无线通信技术与网络以及其他设备通信。
天线1和天线2用于发射和接收电磁波信号。手机100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在手机100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(lownoise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。
移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
无线通信模块160可以提供应用在手机100上的包括无线局域网(wireless localarea networks,WLAN)(如Wi-Fi),蓝牙(bluetooth,BT),全球导航卫星系统(globalnavigation satellite system,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。
无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
手机100可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
传感器模块180可以包括压力传感器、陀螺仪传感器、气压传感器、磁传感器、加速度传感器、霍尔传感器、触摸传感器、环境光传感器和骨传导传感器等传感器。手机100可通过传感器模块180采集各种数据。
手机100通过GPU、显示屏194以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。该显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),MiniLED,MicroLED,Micro-OLED,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。
手机100可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。ISP用于处理摄像头193反馈的数据。摄像头193用于捕获静态图像或视频。在一些实施例中,手机100可以包括1个或多个摄像头193。
按键190包括开机键、音量键等。按键190可以是机械按键。也可以是触摸式按键。马达191可以产生振动提示。马达191可以用于来电振动提示,也可以用于触摸振动反馈。指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195,或从SIM卡接口195拔出,实现和手机100的接触和分离。手机100可以支持1个或多个SIM卡接口。SIM卡接口195可以支持Nano SIM卡,Micro SIM卡,SIM卡等。
可以理解的是,本实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对终端的结构限定。在另一些实施例中,终端也可以包括比上述实施例提供的更多或者更少的模块,各个模块之间也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
本申请实施例中以云端设备是如图3所示的云服务器200为例,介绍云端设备的硬件结构。图5为本申请实施例提供的一种云端设备示例的硬件结构框图。如图5所示,云服务器200包括处理器222,其进一步包括一个或多个处理器,以及由存储器232所代表的存储器资源,用于存储可由处理器222的执行的指令,例如应用程序。存储器232中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器222被配置为执行指令,以执行上述方法。
云服务器200还可以包括一个电源组件226被配置为执行云服务器200的电源管理,一个有线或无线的网络接口250被配置为将云服务器200连接到网络,和一个输入输出接口258。云服务器200可以操作基于存储在存储器232的操作系统。
以下实施例中的方法均可以在具备上述硬件结构的终端和云端设备中实现。以下实施例中,以用户行为预测系统包括如图3所示的手机和云服务器,该系统用于预测用户的支付行为(目标支付行为的示例)为例,介绍本申请实施例的方法。如图6所示,本申请实施例提供的方法可以包括以下步骤:
S601,手机采集用户数据。
在用户使用手机的情况下,手机可以周期性对当前用户的用户数据进行采集。例如,手机每隔30毫秒采集一次用户数据。手机采集的用户数据可以是与预测用户的支付行为相关的数据。例如,用户数据可以包括当前时刻、当前位置、当天在一周中的第n天、支付时刻、支付地点、无线网络的连断状态、运动状态等数据。n是1至7的正整数。
无线网络的连断状态可以是手机的无线网络处于连接状态或是断开状态。无线网络的连断状态可以反映支付行为发生时手机是否使用有无线网络。该无线网络可以包括移动通信模块提供的无线网络(如4G、5G等)以及无线通信模块提供的无线网络(如Wi-Fi等)。
运动状态可以是用户是处于行进状态或是停止状态。运动状态可以反映支付行为发生前用户是处于行进中还是相对静止中。
为了减少手机采集用户数据所消耗的能耗,在一些实现方式中,手机可以基于用户的历史数据估计用户在一天中可能发生支付行为的时间段(可称为预设时间段)。在一天中的预设时间段内,用户发生支付行为的可能性最大。手机可以在每天的预设时间段内采集当前用户的用户数据。历史数据可以是终端在历史时刻采集的用户数据。
例如,手机可以统计用户过去发生的多次支付行为的历史时间。如果这些多次支付行为的历史时间均位于一个或多个时间段内,手机则可以将历史时间所在的一个或多个时间段作为采集用户数据的预设时间段。如预设时间段是11:00-13:00,用户在该预设时间段内发生支付行为的可能性最大,手机则可以在每天的11:00开始采集用户的用户数据,在每天的13:00后停止采集用户的用户数据。
S602,手机对用户数据进行统计处理,获取第一统计特征和第二统计特征。
手机可以对用户数据进行统计处理,得到表征个人行为的第一统计特征(或可称为个人特征)以及表征群体行为的第二统计特征(或可称为群体特征)。例如,手机可以根据采集的支付时间,统计用户在1天中的支付次数。1天中的支付次数可以作为第一统计特征所包括的一个特征值。再例如,手机可以根据采集的用户的行进状态,统计用户在当前时刻的过去1分钟内是否处于行进状态。如果手机确认用户在过去1分钟处于行进状态,手机可以生成第二统计特征的一个特征值,如该特征值是0。再例如,手机可以根据通话状态获取第二统计特征。用户在支付行为前后通常是处于非通话状态的,可反映用户群体的群体行为。手机可以统计过去1分钟内是否处于通话状态。如果手机在过去1分钟内处于通话状态,手机可以生成第二统计特征的一个特征值,如该特征值是0。
在一些实现方式中,手机采集的用户数据可以包括个性数据以及共性数据。个性数据可以体现用户的个人支付行为。例如,个性数据的可以包括支付时间、支付地点、无线网络的连断状态等数据。共性数据可以包括行进状态、停止状态等数据。手机可以将采集的用户数据划分为个性数据和共性数据。进一步地,手机再分别对个性数据和共性数据进行统计处理,得到个性数据对应的第一统计特征和共性数据对应的第二统计特征。
在一些情况下,手机采集的用户数据可能难以准确地划分为个性数据或共性数据。在一些实现方式中,手机可以将采集的用户数据作为一个整体,对用户数据进行统计处理,得到第三统计特征。该第三统计特征既包括表征个人行为的第一统计特征,还可以包括表征群体行为的第二统计特征。进一步地,手机可以对第三统计特征进行特征分割,得到第一统计特征和第二统计特征。
示例性的,如图7所示,手机对用户数据进行统计,获取第一统计特征和第二统计特征,可以包括以下步骤:
S701,手机按照多个预设统计项对用户数据进行统计处理,生成用户数据的第三统计特征。
预设统计项可以是用于用户数据统计的设置条件。不同的预设统计项对应设置条件不同。手机可以统计满足每个预设统计项的用户数据,得到用户数据的第三统计特征。该第三统计特征包括多个特征值。每个特征值对应于一个预设统计项。每个特征值可以表示对应的预设统计项的统计结果。
这里,第三统计特征中的每个特征值的取值,可以根据实际应用场景或需求进行设置。例如,如果用户数据满足一个预设统计项,该预设统计项对应的特征值可以是1。如果用户数据不满足该预设统计项,该预设统计项对应的特征值可以是0。再例如,如果预设统计项是当前时刻,该预设统计项对应的特征值可以填入当前时刻。
预设统计项可以是当前时刻、当天在一周中的第n天、当前时刻之前的多个第一预设时间段内是否出现在目标地点(如电梯、便利店等)、当前时刻之前的多个第二预设时间段内Wi-Fi是否断开、当前时刻之前的多个第三预设时间段内的支付次数、上次支付行为的支付时刻与当前时刻之间的时长、当前时刻之前的多个第四预设时间段内是否处于行进状态、或当前时刻之前的多个第五预设时间段内是否处于停止状态等。
可以理解的是,上述第一预设时间段、第二预设时间段、第三预设时间段、第四预设时间段和第五预设时间段分别表示不同用户数据的统计时长。多个预设统计项中可以包括相同用户数据的不同统计时长的预设统计项。例如,支付次数可以对应于多个统计时长(即多个第一预设时间段)的多个预设统计项,如1天内的支付次数、2天内的支付次数等。多个第一预设时间段分别为1天内和2天内。
如图7所示,手机执行统计处理的多个预设统计项依次为:当前时刻、当天在一周中的第n天(表示为工作休息日)、1分钟内是否乘坐电梯(表示为电梯1)、3分钟内是否乘坐电梯(表示为电梯3)、5分钟内是否乘坐电梯(表示为电梯5)、10分钟内是否乘坐电梯(表示为电梯10)、20分钟内是否乘坐电梯(表示为电梯20)和30分钟内是否乘坐电梯(表示为电梯30)、1分钟内Wi-Fi是否断开(表示为Wi-Fi 1)、3分钟内Wi-Fi是否断开(表示为Wi-Fi 3)、5分钟内Wi-Fi是否断开(表示为Wi-Fi 5)、10分钟内Wi-Fi是否断开(表示为Wi-Fi 10)、20分钟内Wi-Fi是否断开(表示为Wi-Fi 20)、30分钟内Wi-Fi是否断开(表示为Wi-Fi 30)、1天内的支付次数(表示为1天次数)、3天内的支付次数(表示为3天次数)、7天内的支付次数(表示为7天次数)、14天内的支付次数(表示为14天次数)、上次支付行为的支付时刻与当前时刻之间的时长(表示为上次支付时长)、是否出现在常用支付地点(表示为常用点)、1分钟内是否处于行进状态(表示为行进1)、1分钟内是否处于停止状态(表示为停止1)、5分钟内是否处于行进状态(表示为行进5)、5分钟内是否处于停止状态(表示为停止5)、10分钟内是否处于行进状态(表示为行进10)、10分钟内是否处于停止状态(表示为停止10)、20分钟内是否处于行进状态(表示为行进20)、20分钟内是否处于停止状态(表示为停止20)、30分钟内是否处于行进状态(表示为行进30)、30分钟内是否处于停止状态(表示为停止30)。
手机可以按照上述多个预设统计项中的每个预设统计项对用户数据进行统计,并根据每个预设统计项对应的统计结果生成对应预设统计项的特征值,得到第三统计特征。如图7所示,多个预设统计项对应的特征值分别为“11、5、0、0、0、0、0、0、0、0、0、0、0、0、1、1、1、1、23.530889、0、1、0、1、0、1、0、1、0、1、0”。
当前时刻的特征值是“11”,表示当前时刻是11:00。
当天在一周中的第n天的特征值是“5”,表示当天是周五。
1分钟内是否乘坐电梯、3分钟内是否乘坐电梯、5分钟内是否乘坐电梯、10分钟内是否乘坐电梯、20分钟内是否乘坐电梯和30分钟内是否乘坐电梯这些预设统计项的特征值均为“0”,表示用户在过去1分钟、3分钟、5分钟、10分钟、20分钟和30分钟内均未乘坐过电梯。
1分钟内Wi-Fi是否断开、3分钟内Wi-Fi是否断开、5分钟内Wi-Fi是否断开、10分钟内Wi-Fi是否断开、20分钟内Wi-Fi是否断开、30分钟内Wi-Fi是否断开这些预设统计项的特征值均为“0”,表示手机的Wi-Fi在过去1分钟、3分钟、5分钟、10分钟、20分钟和30分钟内均未断开。
1天内的支付次数、3天内的支付次数、7天内的支付次数、14天内的支付次数这些预设统计项的特征值均为“1”,表示过去1天内、3天内、7天内和14天内均发生了1次支付行为。
上次支付行为的支付时刻与当前时刻之间的时长的特征值是23.530889,表示上次支付行为距当前时刻的时长是23.530889小时。
是否出现在常用支付地点的特征值是0,表示用户不在常用支付地点。
1分钟内是否处于行进状态、5分钟内是否处于行进状态、10分钟内是否处于行进状态、20分钟内是否处于行进状态、30分钟内是否处于行进状态这些预设统计项对应的特征值均是1,表示用户在过去1分钟内、5分钟内、10分钟内以及20分钟内均处于行进状态。
1分钟内是否处于停止状态、5分钟内是否处于停止状态、10分钟内是否处于停止状态、20分钟内是否处于停止状态、30分钟内是否处于停止状态这些预设统计项对应的特征值均是0,表示用户在过去1分钟内、5分钟内是否处于停止状态、10分钟内是否处于停止状态、20分钟内是否处于停止状态、30分钟内均不处于停止状态。
S702,手机对第三统计特征进行特征分割,获取第一统计特征和第二统计特征。
手机在得到第三统计特征之后,可以根据第三统计特征所对应的预设统计项,对第三统计特征进行特征分割,获取个性数据对应的第一统计特征和共性数据对应的第二统计特征。
这里,上述多个预设统计项可以包括用于统计个人行为的至少一个第一预设统计项以及用于统计群体行为的至少一个第二预设统计项。手机可以在第三统计特征中分割出至少一个第一预设统计项对应的特征值,得到第一统计特征。相应地,手机可以在第三统计特征中分割出至少一个第二预设统计项对应的特征值,得到第二统计特征。
例如,手机可以在第三统计特征中分割出至少一个第一预设统计项对应的特征值,再对分割出的至少一个第一预设统计项对应的特征值进行拼接,得到第一统计特征。相应地,手机可以在第三统计特征中分割出至少一个第二预设统计项对应的特征值,再对分割出的至少一个第二预设统计项对应的特征值进行拼接,得到第二统计特征。
为了提高第三统计特征的特征分割效率,手机可以按照预设排列顺序对多个预设统计项对应的特征值进行排列,生成用户数据的第三统计特征。其中,多个预设统计项中的至少一个第一预设统计项的特征值相邻,多个预设统计项中的至少一个第二预设统计项的特征值相邻。进一步地,手机在至少一个第一预设统计项的特征值和至少一个第二预设统计项的特征值的交界处,对第三统计特征进行特征分割,得到特征分割后第一统计特征和第二统计特征。
如图7所示,第三统计特征中的特征值是按照预设排列顺序排列的。其中,至少一个第一预设统计项的特征值由虚线框所框出。可以看到,至少一个第一预设统计项的特征值依次排列,任意两个第一预设统计项的特征值彼此相邻。其中,至少一个第二预设统计项对应的特征值由实线框所框出。可以看到,至少一个第二预设统计项的特征值依次排列,任意两个第二预设统计项的特征值彼此相邻。手机可以在虚线框和实线框的交界处对第三统计特征进行特征分割,得到特征分割后的第一统计特征和第二统计特征。其中,第三统计特征可以是(1×(m+n))的特征矩阵。第一统计特征可以是(1×m)的特征矩阵。第二统计特征可以是(1×n)的特征矩阵。
通过这种方式,手机在对第三统计特征进行特征分割之后,至少一个第一预设统计项对应的特征值处于连接状态,至少一个第二预设统计项对应的特征值也处于连接状态。这样,手机可以省略拼接至少一个第一预设统计项对应的特征值以及拼接至少一个第二预设统计项对应的特征值的步骤,提高获取第一统计特征和第二统计特征的效率。
S603,手机向云服务器上传第二统计特征。
第二统计特征可以体现支付行为前的群体行为。例如,大部分用户在发生支付行为之前,通常是处于停止状态的。为了更好地反映用户群体在支付行为之前所具有的共同规律,提高预测当前用户的支付行为的准确性和效率,手机可以向云服务器发送第二统计特征。
云服务器不仅具有较强的计算能力,还整合了来自多个用户的统计特征。如此,云服务器可以更加准确地分析用户群体在支付行为之前容易发生的群体行为或所具有的共性。因此,手机可以向云服务器发送第二统计特征。
S604,云服务器对第二统计特征进行特征处理,得到编码结果。
云服务器接收手机发送的用于表征群体行为的第二统计特征。然后,云服务器可以对第二统计特征进行特征处理,得到编码结果。特征处理可以包括特征抽取、特征选择以及编码等处理。
例如,云服务器包括用于特征处理的预设云端模型。云服务器在接收到手机上传的第二统计特征之后,可以将第二统计特征输入预设云端模型中,利用预设云端模型对第二统计特征进行特征处理,得到第二统计特征的编码结果。
预设云端模型可以是机器学习模型。预设云端模型的模型结构可以根据实际应用场景或需求进行设置。例如,预设云端模型可以是支持向量机模型(Support VectorMachine,SVM)、线性回归模型等。当然,预设云端模型也可以在常见的机器学习模型的基础上进行改进或者采用新的模型结构,本申请不对预设云端模型的模型结构进行限制。
编码结果相比于第二统计特征而言可以更加准确地表征群体行为。通过编码结果可以更加准确地预测用户的支付行为。为了更加准确地对第二统计特征进行特征处理,得到表征群体行为的编码结果,在一些实现方式中,云服务器可以对第二统计特征进行不同方式的特征提取,以更加全面地表征群体行为。如图8所示,该实现方式中,云服务器对第二统计特征进行特征处理,得到编码结果,可以包括以下步骤:
S801,云服务器对第二统计特征进行特征选择,得到第四统计特征。
云服务器在接收到手机上传的第二统计特征之后,为了在第二统计特征中筛选出与群体行为相关的有效信息,云服务器可以对第二统计特征进行特征选择。例如,云服务器可以在第二统计特征中选择与群体行为相关性较高的特征,并筛除第二统计特征中与群体行为相关性较低的特征,得到经过特征选择之后的第四统计特征。
在一些实现方式中,云服务器可以包括第二预设机器学习模型。第二预设机器学习模型可用于执行特征选择。云服务器可以利用第二预设机器学习模型对第二统计特征进行特征选择,得到第二预设机器学习模型特征选择后的第三统计特征。
第二预设机器学习模型的模型结构可以根据实际应用场景或需求进行设置。在一些实现方式中,第二预设机器学习模型可以是树模型。例如,第二预设机器学习模型可以是梯度提升决策树模型(Gradient Boosting Decision Tree,GBDT)或者轻量梯度提升机模型(Light Gradient Boosting Machine,LGB)。由于树模型通常在特征选择上具有较强的可解释性,手机可以按照树模型的分裂路径(即预设的特征选择条件,如选择特征值大于预设值的特征选择条件)依次对第二统计特征中各个维度上的特征进行特征选择。当然,第二预设机器学习模型也可以在常见的机器学习模型的基础上进行改进或者采用新的模型结构,本申请不对第二预设机器学习模型的模型结构进行限制。
云服务器对第二统计特征进行特征选择,可以从第二统计特征中选择出重要的特征,去除与群体行为不相关的特征,从而可以更容易在第二统计特征中挖掘出群体行为的规律,并通过特征选择后的第三统计特征对这种群体行为的规律进行表示。不仅可以提升预测支付行为的效率,还可以提升支付行为预测的准确性。
这里,第二预设机器学习模型可以是基于第二训练样本以及第二训练样本的样本标签进行模型训练得到的。第二预设机器学习模型在模型训练过程中所使用的第二训练样本可以是与群体行为相关或不相关的第二训练样本。
为了提高第二预设机器学习模型特征选择的准确性,在一些实现方式中,云服务器可以利用与群体行为相关的第二训练样本对第二预设机器学习模型进行模型训练。与群体行为相关的第二训练样本可以是由多个用户所使用的手机向云服务器上报的第二样本特征。第二样本特征是由多个用户的历史数据进行统计处理得到的。获取第二样本特征的过程可以参考上文中第二统计特征的获取过程,这里不再赘述。历史数据可以参考上述用户数据,这里不再赘述。经过多轮模型训练,云服务器可以得到训练完成的第二预设机器学习模型。
在第二预设机器学习模型的一轮模型训练中,云服务器可以将一组第二样本特征输入第二预设机器学习模型中,通过第二预设机器学习模型对第二样本特征进行特征选择,得到每个第二样本特征对应的选择结果。进一步地,云服务器可以将第二样本特征的选择结果和样本标签带入第二预设损失函数中,计算第二预设机器学习模型对应于这一组第二样本特征的模型损失。云服务器再根据计算的模型损失对第二预设机器学习模型的模型参数进行调整。如此经过多轮模型训练,第二预设机器学习模型的模型损失可以不断减小,云服务器可以得到完成训练的第二预设机器学习模型。
在第二预设机器学习模型的模型训练过程中所使用的第二预设损失函数,可以根据实际应用场景或需求进行选择。例如,第二预设损失函数可以是极大似然函数、交叉熵损失函数等。本申请实施例不对第二预设损失函数进行限制。
S802,云服务器对第二统计特征进行特征抽取,得到第五统计特征。
云服务器在接收到手机上传的第二统计特征之后,为了更加准确地对群体行为进行表征,云服务器还可以对第二统计特征进行特征抽取。例如,云服务器可以对第二统计特征进行线性变换、非线性变换、降维等一种或多种操作,得到对第二统计特征进行特征抽取得到的第五统计特征。
在一些实现方式中,云服务器还可以包括第三预设机器学习模型。第三预设机器学习模型可用于执行特征抽取。云服务器可以利用第三预设机器学习模型对第二统计特征进行特征抽取,得到第三预设机器学习模型特征抽取后的第四统计特征。
这里,第三预设机器学习模型的模型结构可以根据实际应用场景或需求进行设置。例如,第三预设机器学习模型可以是深度神经网络模型,如Transformer模型、残差网络模型等。当然,第三预设机器学习模型也可以在常见的机器学习模型的基础上进行改进或者采用新的模型结构,本申请不对第三预设机器学习模型的模型结构进行限制。
云服务器对第二统计特征进行特征抽取,可以从第二统计特征中提取出较为全面的用群体行为特征,将第二统计特征处理成为更加精准体现群体行为的特征。第三预设机器学习模型是深度神经网络模型,对具有较强的特征抽取能力,从而由第三预设机器学习模型得到的第四统计特征可以更加精确地表示群体行为。
这里,第三预设机器学习模型可以是基于第三训练样本以及第三训练样本的样本标签进行模型训练得到的。第三预设机器学习模型在模型训练过程中所使用的第三训练样本可以是与群体行为相关或不相关的第三训练样本。第三训练样本可以与上述第二训练样本相同或不同。经过多轮模型训练,云服务器可以得到训练完成的第三预设机器学习模型。
为了提高第三预设机器学习模型特征抽取的准确性,在一些实现方式中,云服务器可以利用与群体行为相关的第三训练样本对第三预设机器学习模型进行模型训练。与群体行为相关的第三训练样本可以是由多个用户所使用的手机向云服务器上报的第三样本特征。第三样本特征是由多个用户的历史数据进行统计处理得到的。获取第三样本特征的过程可以参考上文中第二统计特征的获取过程,这里不再赘述。经过多轮模型训练,云服务器可以得到训练完成的第三预设机器学习模型。
在第三预设机器学习模型的一轮模型训练中,云服务器可以将一组第三样本特征输入第三预设机器学习模型中,通过第三预设机器学习模型对第三样本特征进行特征抽取,得到每个第三样本特征对应的提取结果。进一步地,云服务器可以将第三样本特征的提取结果和样本标签带入第三预设损失函数中,计算第三预设机器学习模型对应于这一组第三样本特征的模型损失。云服务器再根据计算的模型损失对第三预设机器学习模型的模型参数进行调整。如此经过多轮模型训练,第三预设机器学习模型的模型损失可以不断减小,云服务器可以得到完成训练的第三预设机器学习模型。
在第三预设机器学习模型的模型训练过程中所使用的第三预设损失函数,可以根据实际应用场景或需求进行选择。例如,第三预设损失函数可以是均方误差损失函数、交叉熵损失函数等。本申请实施例不对第三预设损失函数进行限制。
S803,云服务器拼接第四统计特征和第五统计特征,得到编码结果。
云服务器在得到第四统计特征和第五统计特征之后,可以对第四统计特征和第五统计特征进行拼接,得到表征群体行为的编码结果。例如,云服务器在第四统计特征之后拼接第五统计特征,得到表征用户群体的群体行为的编码结果。或者,云服务器在第五统计特征之后拼接第四统计特征,得到表征用户群体的群体行为的编码结果。再或者,云服务器可以对第四统计特征和第五统计特征分别分配第一预设权重和第二预设权重,然后再对分配权重之后的第四统计特征和第五统计特征进行拼接,得到表征用户群体的群体行为的编码结果。
如图8所示的示例中,第四统计特征是p维向量[1,0,1,…,0,1,0],第五统计特征是q维向量[1,0,0,…,0,0,0]。在得到第四统计特征和第五统计特征之后,云服务器可以在第四统计特征之后拼接第五统计特征,得到编码结果。编码结果的维度等于第四统计特征的维度与第五统计特征的维度之和,即编码结果是(p+q)向量[1,0,1,…,0,1,0,1,0,0,…,0,0,0]。
S605,云服务器向手机下发编码结果。
云服务器在得到用于表征群体行为的编码结果之后,向手机返回编码结果。由于对第二统计特征进行特征处理会涉及较大的计算量,从而可以通过云服务器对第二统计特征进行特征处理,并向手机返回处理后得到的编码结果。这样可以减少手机的计算量,提高手机预测支付行为的效率。
S606,手机根据第一统计特征和编码结果预测支付行为,得到支付行为的预测结果。
手机在接收云服务器发送的编码结果之后,可以根据第一统计特征和编码结果预测用户的支付行为。例如,手机可以包括第一预设机器学习模型,该第一预设机器学习模型可以用于对用户的支付行为进行预测。手机可以将第一统计特征和编码结果分别输入第一预设机器学习模型中,得到由第一预测机器学习模型输出的预测结果。
支付行为的预测结果可以指示用户是否存在支付意图。该预测结果可以是第一标识或第二标识。预设结果是第一标识,可以指示用户存在支付意图,用户即将发生支付行为的可能性很大。预设结果是第二标识,可以指示用户不存在支付意图,用户即将发生支付行为的可能性很小。
由于预测结果是根据第一统计特征和编码结果得到,手机在对用户的支付行为预测的过程中,既考虑到了与个人行为相关的信息(即第一统计特征),还考虑到了与群体行为相关的信息(即编码结果)。如此,可以提高支付行为预测的准确性。同时,第二统计特征的处理操作是由云服务器执行的,手机侧所执行的计算量较小,可以提升手机得到预测结果的效率。
为了进一步提升手机预测支付行为的效率,手机在接收云服务器发送的编码结果之后,手机可以拼接第一统计特征和编码结果,得到组合特征。例如,手机可以在第一统计特征之后拼接编码结果,得到组合特征。或者,手机可以在编码结果之后拼接第一统计特征,得到组合特征。再或者,手机可以对第一统计特征和编码结果分别分配第三预设权重和第四预设权重,然后再对分配权重之后的第一统计特征和编码结果进行拼接,得到可以同时表征群体行为和个人行为的组合特征。然后,手机再将组合特征输入第一预设机器学习模型中,得到用户是否有支付意图的预测结果。
如图9所示的示例中,手机在接收云服务器发送的编码结果之后,可以拼接第一统计特征和编码结果,得到组合特征。组合特征的维度等于第一统计特征和编码结果的维度之和。编码结果是(1×(p+q))的特征矩阵,第一统计特征是(1×m)的特征矩阵,组合特征是(1×(m+p+q))的特征矩阵。
第一预设机器学习模型的模型结构可以根据实际应用场景或需求进行设置。考虑到手机侧在计算能力和功耗等方面上的限制,在一些实现方式中,第一预设机器学习模型可以是模型结构简单的、轻量级机器学习模型。例如,第一预设机器学习模型可以是逻辑回归(Logistic Regression,LR)模型或者二分类模型等。由于第一预设机器学习模型的模型结构简单,所涉及的计算量相比于深度神经网络模型而言要少得多,从而手机通过第一预设机器学习模型预测支付行为对手机性能影响较少。当然,第一预设机器学习模型也可以在常见的机器学习模型的基础上进行改进或者采用新的模型结构,本申请不对第一预设机器学习模型的模型结构进行限制。
这里,第一预设机器学习模型可以是基于第一训练样本以及第一训练样本的样本标签进行模型训练得到的。第一训练样本可以是根据群体样本特征和个人样本特征得到的。
群体样本特征可以是由云服务器向手机发送的。云服务器可以获取多个用户的手机上报的第一样本特征。第一样本特征可以是由多个用户的历史数据进行统计处理得到的。获取第一样本特征的过程可以参考上文中第二统计特征的获取过程,这里不再赘述。针对一个第一样本特征,云服务器可以对第一样本特征分别进行特征选择和特征提取,得到第四样本特征和第五样本特征。如图10所示,第四样本特征可以是(1×p)的特征矩阵,第五样本特征可以是(1×q)的特征矩阵。然后,云服务器再对第四样本特征和第五样本特征进行拼接,可以得到群体样本特征。群体样本特征是(1×(p+q))的特征矩阵。
个体样本特征可以是手机对历史数据进行统计处理得到的。获取个体样本特征的过程可以参考上文中第一统计特征的获取过程,这里不再赘述。个体样本特征可以是(1×m)的特征矩阵。
第一训练样本可以是群体样本特征和个人样本特征拼接得到的。第一训练样本可以是(1×(m+p+q))的特征矩阵。
手机可以利用第一训练样本对第一预设机器学习模型进行模型训练。经过多轮模型训练,手机可以得到训练完成的第一预设机器学习模型。
在第一预设机器学习模型的一轮模型训练中,手机可以将一组第一样本特征输入第一预设机器学习模型中,通过第一预设机器学习模型预测支付行为,得到每个第一样本特征对应的预测结果。进一步地,手机可以将第一样本特征的预测结果和样本标签带入第一预设损失函数中,计算第一预设机器学习模型对应于这一组第一样本特征的模型损失。手机再根据计算的模型损失对第一预设机器学习模型的模型参数进行调整。如此经过多轮模型训练,第一预设机器学习模型的模型损失可以不断减小,手机可以得到完成训练的第一预设机器学习模型。
在第一预设机器学习模型的模型训练过程中所使用的第一预设损失函数,可以根据实际应用场景或需求进行选择。例如,第一预设损失函数可以是最大似然损失函数、二值交叉熵函数等。本申请实施例不对第一预设损失函数进行限制。
S607,若预测结果表示用户存在支付意图,手机则在显示界面中提供支付应用的快捷功能图标。
如果手机得到的预测结果表示用户存在支付意图,那么用户即将发生支付行为的可能性很大。为了便于用户操作手机实现支付,手机则可以在显示界面中展示支付应用(目标应用的示例)的快捷功能图标。该支付应用用于辅助用户执行支付行为。
例如,手机可以在桌面界面中添加支付应用的快捷功能图标。或者,手机可以在桌面界面的推荐卡片中,提供支付应用的快捷功能图标。推荐卡片用于根据用户的喜好推荐用户可能用到的应用程序。
这里,支付应用的快捷功能图标可用于触发支付应用的支付功能。例如,支付应用的快捷功能图标可以包括支付应用的付款码图标以及扫码图标中的至少一个。用户在点击支付应用的快捷功能图标时,手机可以启动支付应用的支付功能,以供用户完成支付。
如图2所示的示例,手机在得到支付行为的预测结果之前,手机的桌面界面如图2的(1)所示。可以看到,手机的桌面界面提供的推荐卡片中,显示有日历、电子邮件、视频以及应用商场的应用图标。手机在得到支付行为的预测结果之后,若该预测结果表示用户即将执行支付行为,手机的桌面界面如图2的(2)所示。可以看到,手机的桌面界面的推荐卡片中,显示有付款码图标(标记为“付款码”)和扫码图标(标记为“扫一扫”)。如果用户想要操作手机进行支付,手机可以通过桌面界面提供的“付款码”或“扫一扫”,辅助用户快速实现支付,提高用户体验。
为了向用户提供更加完善的用户体验,在手机的显示界面中展示支付应用的快捷功能图标达到预设时长的情况下,手机在显示界面中取消展示支付应用的快捷功能图标。例如,手机在展示支付应用的快捷功能图标的时长达到10分钟时,手机则将展示的支付应用的快捷功能图标更换为其他应用的功能图标,如更换为在支付应用展示之前所展示的应用的功能图标。
这里,手机展示支付应用的快捷功能图标的预设时长可以根据实际应用场景或需求进行设置。例如,预设时长可以设置为10分钟、15分钟等时长。
在一些实现方式中,手机还可以根据用户的历史支付行为设置预设时长。例如,手机可以统计用户的历史支付行为的相关信息(如历史支付行为的行为时间)。如果统计结果表明用户的历史支付行为发生在每次得到预测结果后的一段时长之内(如5-10分钟之内),手机则可以将预设时长设置为这段时长的上限(如设置为10分钟)。
在另一些实现方式中,云服务器可以统计多个用户的历史支付行为的相关信息,如统计历史支付行为的行为时间。如果云服务器统计得到的统计结果表明,多个用户的历史支付行为大多数发生在每次得到预测结果后的一段时长之内(如10-15分钟之内),则云服务器可以向用户的手机发送配置消息,通过该配置消息指示手机将预设时长设置为这段时长的上限(如设置为15分钟)。手机接收到云服务器的配置消息之后,则将预设时长设置为配置消息指示的时长(如设置为15分钟)。
本申请实施例中以手机和云服务器为例介绍了用户行为预测方法。通过手机与云服务器的端云协同方式,在用户的用户数据中提取表征个人行为的特征以及表征用户群体中长期的群体行为的特征,可提升端侧对支付行为预测的效率和准确性。
通过端云协同方式,手机预测支付行为的精确率可达90.5%,召回率可达60.6%。相比于非端云协同方式,召回率提升5.5%,精确率提升15.6%。
本申请另一些实施例中还提供了一种终端,包括:通信模块、存储器和一个或多个处理器。通信模块、存储器分别与处理器耦合。该通信模块用于与云端设备传输数据或信令。存储器中存储有计算机程序代码,该计算机程序代码包括计算机指令。当计算机指令被处理器执行时,终端可执行上述方法实施例中的各个功能或者步骤。当然,终端还可以包括用于接收信号的其他天线等其他硬件结构。例如,终端还包括传感器、显示屏等硬件结构。该终端的结构可以参考图4所示的手机100的结构。
本申请另一些实施例提供了一种云端设备,该云端设备包括:通信模块、存储器和一个或多个处理器。通信模块、存储器与处理器耦合。上述通信模块用于与终端传输数据或信令。上述存储器中存储有计算机程序代码,该计算机程序代码包括计算机指令。当计算机指令被处理器执行时,云端设备可执行上述方法实施例中的各个功能或者步骤。当然,云端设备可以包括其他硬件结构。例如,云端设备还包括网络接口、电源组件等硬件结构。该云端设备的结构可以参考图5所示的云服务器200的结构。
本申请实施例还提供一种芯片系统,该芯片系统应用于终端或云端设备。该芯片系统包括至少一个处理器和至少一个接口电路。处理器和接口电路可通过线路互联。例如,接口电路可用于从其它装置(例如存储器)接收信号。又例如,接口电路可用于向其它装置(例如处理器)发送信号。示例性的,接口电路可读取存储器中存储的指令,并将该指令发送给处理器。当指令被处理器执行时,可使得终端或云端设备执行上述实施例中的各个步骤。当然,该芯片系统还可以包含其他分立器件,本申请实施例对此不作具体限定。
本申请实施例还提供一种计算机可读存储介质,该计算机存储介质包括计算机指令,当计算机指令在上述终端或上述云端设备上运行时,使得终端或云端设备执行上述方法实施例中的各个功能或者步骤。
本申请实施例还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行上述方法实施例中各个功能或者步骤。例如,该计算机可以是上述终端或云端设备。
通过以上实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
- 用户信息的合并方法、计算机可读存储介质及终端设备
- 一种系统容量预测方法、计算机可读存储介质及终端设备
- 用户消费预测方法、装置、电子设备及存储介质
- 用户价值预测方法、装置、存储介质及设备
- 终端设备控制方法、终端设备及计算机可读存储介质
- 用户行为预测方法、用户行为预测装置、存储介质及设备
- 一种用户行为预测方法、预测装置、存储介质及终端设备