一种用户行为分析方法、系统、设备及计算机介质与流程

1.本发明涉及信息处理技术领域，特别是涉及一种用户行为分析方法、系统、设备及计算机介质。


背景技术：

2.在银行业领域，用户行为主要包括登陆网上银行app、查询、转账及取款等，通过对用户行为进行分析，可有效挖掘用户行为偏好，开展营销推荐，还可监控用户账号、设备及操作风险等信息。
3.现有技术中，针对用户行为的分析方法包括规则匹配、机器学习等，但受限于银行领域庞大的用户行为数据量，以及用户行为与发生时间的密切关系，利用现有方法进行数据分析运算量高，难以快速得到用户行为的相关信息，且分析得到的用户行为结果也无法直观地体现数据间的复杂关系。


技术实现要素：

4.本发明所要解决的技术问题在于，提供一种用户行为分析方法、系统、设备及计算机介质，能够从大数据集中快速得到用户行为特征，并动态、直观地展示用户的行为变化趋势。
5.第一方面，本发明实施例提供一种用户行为分析方法，包括：
6.基于用户行为数据集构建用户关系网络；
7.根据预设规则从所述用户关系网络中提取目标信息；
8.利用图计算技术分析所述目标信息，得到用户行为分析结果。
9.在某一个实施例中，所述基于用户行为数据集构建用户关系网络，具体为：所述用户行为数据集包括节点数据和边数据；根据所述节点数据与所述边数据的关联关系，构建用户关系基础网络。
10.在某一个实施例中，所述节点数据包括主体要素和事件要素；其中，所述事件要素还包括时间要素。
11.在某一个实施例中，根据所述时间要素确定滑动时间窗口；根据所述滑动时间窗口依次分析所述目标信息，得到各滑动时间窗口下的用户行为分析结果。
12.在某一个实施例中，所述图计算技术包括聚类算法或图卷积神经网络算法。
13.在某一个实施例中，对所述用户行为分析结果进行可视化展示。
14.第二方面，本发明实施例还提供一种用户行为分析系统，包括：
15.构建单元，用于基于用户行为数据集构建用户关系网络；
16.提取单元，用于根据预设规则从所述用户关系网络中提取目标信息；
17.分析单元，用于利用图计算技术分析所述目标信息，得到用户行为分析结果。
18.优选地，所述用户行为分析系统还包括：可视化单元，用于对所述用户行为分析结果进行可视化展示。
19.第三方面，本发明提供一种数据处理设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序，所述程序由所述处理器执行，使得所述数据处理设备执行第一方面所述的用户行为分析方法。
20.第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一方面所述的用户行为分析方法。
21.相比现有技术，本发明实施例的有益效果在于：
22.本发明通过构建用户关系网络，并以数据网络结构(节点
‑
边)为基础，利用图计算方法快速计算得到预设规则下的用户行为结果，提高运算效率，同时结合滑动时间窗口动态获取不同时间范围内的用户行为模式变化，并以可视化方式直观展现用户行为模式，以帮助技术人员清晰有效地理解用户行为数据间的关联关系。
附图说明
23.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。
24.图1是本发明实施例提供的用户行为分析方法的流程示意图；
25.图2是本发明具体实施例提供的银行用户行为数据集内要素的部分关系示意图；
26.图3是本发明具体实施例提供的银行用户行为分析方法模型应用示意图；
27.图4是本发明实施例提供的用户行为分析系统的结构示意图。
具体实施方式
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
30.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
31.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
32.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
33.如图1所示，本发明一个实施例提供一种用户行为分析方法，所述方法具体包括下述步骤：
34.s11、基于用户行为数据集构建用户关系网络。
35.具体地，用户行为数据集包括节点数据和边数据；根据所述节点数据与所述边数据的关联关系，构建用户关系基础网络，
36.节点数据包括主体要素和事件要素，主体要素包含用户行为的主体，事件要素包括用户的行为、设备等要素。例如，在银行业的用户行为数据中，用户的行为包括登陆、转账以及查询；设备要素包含设备mac地址、imei号以及设备指纹信息。
37.具体地，主体要素除了与上述事件要素、设备要素相关联，还可以关联其他关系，如用户与用户的关系，用户与个人信息要素的关系等。
38.可以理解的是，对于数据库中存储的用户数据，可将其中用户、用户的行为事件以及使用的终端设备等作为节点，用户与事件的关系、用户与设备的关系等作为边，构建完整的用户关系网络。
39.s12、根据预设规则从所述用户关系网络中提取目标信息。
40.为了对s12进行说明，提供下述使用场景进行举例：
41.场景1：设置“最近一个月内登陆过设备的用户”为规则，使用规则引擎提取相关数据，即：随机选取一个用户，找出与其直接连接的最近一个月的登陆事件要素节点，查看这部分节点所关联的设备要素节点数，若设备数超过10个，则将该用户定义为风险用户，并提取该用户账号；依据上述逻辑，遍历该用户关系网络，获取全量风险用户账号和相关关联数据，并将所获取的数据定义为目标信息。
42.场景2：设置“最近三个月内有登陆记录的设备”为规则，使用规则引擎提取相关数据，即：随机选取一个设备，找出与其直接连接的最近三个月的登陆事件要素节点，查看这部分节点所关联的用户主体要素节点数，若用户主体数量超过10个，则将该设备定义为风险设备，并提取该设备号；依据上述逻辑，遍历该用户关系网络，获取全量风险设备号和相关关联数据，并将所获取的数据定义为目标信息。
43.场景3：设置“最近留个月内有行为事件记录的用户”为规则，使用规则引擎提取相关数据，即：随机选取一个用户，找出与其直接连接的最近六个月的全量事件要素节点，根据事件要素的类型将这部分节点进行汇总，并将节点数最多的事件类型设置为用户行为类型；依据上述逻辑，遍历该用户关系网络，获取全量用户行为类型及相关关联数据，并将所获取的数据定义为目标信息。
44.s13、利用图计算技术分析所述目标信息，得到用户行为分析结果。
45.具体地，图计算技术包括聚类算法或图卷积神经网络算法。
46.利用图计算方法既可对用户行为模型进行识别，还可快速便捷地提取该用户关系网络中的具体要素，以便后续应用在客户管理领域中，例如，技术人员可根据用户行为结果信息筛选出具有特定行为模式的用户群，并对所述用户群进行精准管理。
47.在某一个实施例中，所述用户行为数据集的事件要素还包括时间要素，即：事件发生时间，可根据时间要素确定滑动时间窗口，或预先设定滑动时间窗口。
48.根据滑动时间窗口依次执行并获取所述事件发生时间上对应的用户行为分析结果，可得到各滑动时间窗口下的用户行为分析结果，利用所述用户行为分析结果能够进一步得到用户在不同时间段的行为模式变化结果。
49.利用上述方式可得到用户在连续时间周期内的行为结果，并通过修改时间窗口观察客户在不同的时间段所产生的行为模式，分析用户行为模式的动态变化，得到更丰富的用户行为信息。
50.具体地，本实施例还可通过修改滑动时间窗口以选定任一时间段，利用上述用户
memory，ram)等。
66.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。