用户行为的预测方法、装置、系统和计算机介质与流程

1.本技术涉及信息管理领域，具体而言，涉及一种用户行为的预测方法、一种用户行为的预测装置、一种用户行为的预测系统和一种计算机介质。


背景技术：

2.相关技术中，对用户访问行为进行预测的预测方法，忽视了对所提供服务状态之间的内在关联性，从而影响了推荐的准确率。


技术实现要素：

3.本技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
4.为此，本发明的第一方面提出了一种用户行为的预测方法。
5.本发明的第二方面提出了一种用户行为的预测装置。
6.本发明的第三方面提出了一种用户行为的预测系统。
7.本发明的第四方面提出了一种计算机介质。
8.有鉴于此，根据本发明的第一方面，提出了一种用户行为的预测方法，预测方法包括：获取用户的访问信息，根据访问信息生成服务信息；根据服务信息生成语义向量集合；将语义向量集合输入用户行为预测模型，对语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
9.在该技术方案中，通过用户的访问信息生成服务信息，并将生成的服务信息转换成与服务信息相对应的语义向量集合，以使服务信息能够以语义向量形式进行表示，从而保证了服务信息之间的关联性，能通过语义向量中数字之间的关联性表示出来。
10.进一步地，预先设置有通过用户的历史访问信息训练得到的用户行为预测模型和预设语义向量集合。将上述生成的语义向量集合输入用户行为预测模型，以使语义向量集合与预设语义向量集合进行查询匹配，对用户下一步行为进行预测。相比于相关技术中，针对不同的用户采用不同的预测模型的预测方法，本发明的预测方法中，通过上述一个预测模型对用户行为进行预测的方式，解决了第一次对新用户行为进行预测时，因没有对应的预测模型而无法执行相应预测行为的冷启动问题。
11.本发明的技术方案中，通过上述先将用户的访问信息转换为语义向量集合，再将语义向量集合输入预设模型的对用户下一步行为预测的方式，保证了在对用户行为进行预测过程中考虑了服务之间的关联性，实现了对用户行为的精准预测，从而保证了获取到的用户行为预测结果的准确性。
12.根据本发明提供的用户行为的预测方法，还可以具有以下附加的技术特征：
13.在上述技术方案中，根据服务信息生成语义向量集合的步骤，具体包括：根据服务信息生成静态特征数据序列和服务序列；根据静态特征数据序列和服务序列，生成语义向量集合。
14.在该技术方案中，将服务信息中的静态特征数据和与服务相关的动态数据进行提
取，以生成静态特征数据序列和服务序列。并根据上述生成的静态特征数据序列和服务序列转换为语义向量集合。通过上述生成语义向量集合的方式，一方面，使语义向量中不仅仅只包括与服务相关的数据，还包含了静态特征数据，提高了预测模型的精准性，从而保证了对用户行为预测的更加精准；另一方面，实现了将用户行为预测转化为序列预测问题。
15.在上述任一技术方案中，预测方法还包括：对服务信息进行解析，以生成解析结果。
16.在该技术方案中，对服务信息进行解析，以生成解析结果，以使服务信息能转换成与预设需求形式相匹配的数据信息。
17.在上述任一技术方案中，预测方法包括：根据解析结果生成静态特征数据序列和服务序列。
18.在该技术方案中，将上述生成的解析结果中静态特征数据和与服务相关的动态数据进行提取，以生成静态特征数据序列和服务序列。通过上述方式实现了静态特征数据序列和服务序列的获取，为形成语义向量集合提供了可靠的方式，从而保证了整个预测过程中的可靠性。
19.在上述任一技术方案中，根据解析结果生成静态特征数据序列的步骤，具体包括：根据解析结果，获取与时间特征相关的时间特征数据，以及获取用户身份标识号；将时间特征数据转换成时间特征序列；将用户身份标识号和时间特征序列转换成静态特征数据序列。
20.在该技术方案中，将解析结果中与时间特征相关的时间特征数据，以及用户身份标识号数据进行识别提取。并将上述提取出的时间特征数据生成时间特征序列。同时将上述提取的用户身份标识号和生成的时间特征序列，均转换成静态特征数据序列。
21.通过上述生成静态特征数据序列的方式，将时间戳信息和用户身份标识号信息均加入到了静态特征数据序列，以使对用户行为预测过程中，应用到了时间戳信息和用户身份标识信息，保证了能对用户周期性的访问行为进行挖掘。
22.在上述任一技术方案中，语义向量集合包括第一语义向量集合和第二语义向量集合。
23.在该技术方案中，语义向量集合包括了第一语义向量集合和第二语义向量集合两种不同类型的语义向量集合，以保证输入到预测模型的语义向量为双输。
24.在上述任一技术方案中，采用嵌入算法，将静态特征数据序列转换成第一语义向量集合，以及将服务序列转换成第二语义向量集合。
25.在该技术方案中，采用嵌入算法，将静态特征数据序列转换成第一语义向量集合，同时将服务序列转换成第二语义向量集合。而嵌入算法中的嵌入技术，能用一个低维向量表示物体相关性。通过上述方式生成两种语义向量集合，保证了第一语义向量集合和第二语义向量集合能表示出服务之间和静态特征数据之间的关联性。
26.在上述任一技术方案中，将第一语义向量集合和第二语义向量集合，分别作为第一输入和第二输入，输入用户行为预测模型，将第一语义向量集合和第二语义向量集合，与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
27.在该技术方案中，将第一语义向量集合和第二语义向量集合，分别作为第一输入和第二输入，输入用户行为预测模型。并将第一语义向量集合和第二语义向量集合，与预设
语义向量集合进行查询匹配，以对用户行为预测结果。通过上述方式，保证了对整个用户行为的预测过程中的可行性和可靠性，从而提高预测结果的精准性。
28.在上述任一技术方案中，用户行为预测模型基于bert模型和mask矩阵构建。
29.在该技术方案中，用户行为预测模型是基于bert模型和mask矩阵构建。在上述构建过程中，基于静态特征数据序列和服务序列，对mask矩阵进行了改进，以使形成的语义向量集合中通过第一语义向量集合显示全部的静态特征数据序列，第二语义向量集合只显示用户之前的服务数据。从而保证了构建的用户行为预测模型的可靠性。
30.根据本发明的第二方面，提出了一种用户行为的预测装置，预测装置包括：
31.获取单元，用于获取用户的访问信息，根据访问信息生成服务信息；
32.生成单元，用于根据服务信息生成语义向量集合；
33.预测单元，用于将语义向量集合输入用户行为预测模型，对语义向量集合进行查询匹配，以得到用户行为预测结果。
34.在该技术方案中，获取单元通过用户的访问信息生成服务信息。并通过生成单元，将生成的服务信息转换成与服务信息相对应的语义向量集合，以使服务信息能够以语义向量形式进行表示，从而保证了服务信息之间的关联性，能通过语义向量中数字之间的关联性表示出来。
35.进一步地，预先设置有通过用户的历史访问信息训练得到的用户行为预测模型和预设语义向量集合。通过预测单元，将上述生成的语义向量集合输入用户行为预测模型，以使语义向量集合与预设语义向量集合进行查询匹配，对用户下一步行为进行预测。相比于相关技术中，针对不同的用户采用不同的预测模型的预测方法，本发明的预测方法中，通过上述一个预测模型对用户行为进行预测的方式，解决了第一次对新用户行为进行预测时，因没有对应的预测模型而无法执行相应预测行为的冷启动问题。
36.本发明的技术方案中，通过上述先将用户的访问信息转换为语义向量集合，再将语义向量集合输入预设模型的对用户下一步行为预测的方式，保证了在对用户行为进行预测过程中考虑了服务之间的关联性，实现了对用户行为的精准预测，从而保证了获取到的用户行为预测结果的准确性。
37.根据本发明的第三方面，提出了一种用户行为的预测系统，预测系统包括：存储器，存储器存储有计算机程序；处理器，处理器执行计算机程序，使实现如上述任一技术方案中的预测方法。
38.本发明提供的用户行为的预测系统，包括：存储器，存储有程序或指令；处理器，处理器执行程序或指令时实现如第一方面的任一技术方案中用户行为的预测方法。因此，该用户行为的预测系统包括上述任一技术方案的用户行为的预测方法的全部有益效果，在此不再赘述。
39.根据本发明的第四方面，提出了一种计算机介质，计算机介质上存储程序或指令，程序或指令被处理器执行时实现如上述任一技术方案中的用户行为的预测方法的步骤。
40.本发明提供的计算机介质，处理器执行计算机程序时，实现如上述任一技术方案的用户行为的预测方法的步骤。因此，该计算机介质包括上述任一技术方案的用户行为的预测方法的全部有益效果。
41.本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践
了解到。
附图说明
42.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
43.图1示出了本发明实施例的用户行为的预测方法的流程示意图；
44.图2示出了本发明实施例的用户行为的预测方法的流程示意图；
45.图3示出了本发明实施例的用户行为的预测方法的流程示意图；
46.图4示出了本发明实施例的用户行为的预测方法的流程示意图；
47.图5示出了本发明实施例的用户行为的整个预测过程示意框图；
48.图6示出了现有技术中预测模型中的mask矩阵示意图；
49.图7示出了本发明实施例用户行为预测模型中改进后mask矩阵示意图；
50.图8示出了本发明实施例的预测装置的结构示意框图；
51.图9示出了本发明实施例的计算机介质的结构示意框图。
52.其中，图8和图9中附图标记与部件名称之间的对应关系为：
53.800预测装置，802获取单元，804生成单元，806预测单元，100预测系统，120存储器，122处理器。
具体实施方式
54.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
55.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
56.下面参照图1至图9，对本发明的一些实施例的用户行为的预测方法、用户行为的预测装置、用户行为的预测系统和计算机介质进行详细说明。
57.实施例1：
58.如图1所示，根据本发明的第一方面实施例，提出了一种用户行为的预测方法，预测方法包括：
59.步骤102，获取用户的访问信息，根据访问信息生成服务信息；
60.步骤104，根据服务信息生成语义向量集合；
61.步骤106，将语义向量集合输入用户行为预测模型，对语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
62.在该实施例中，通过用户的访问信息生成服务信息，并将生成的服务信息转换成与服务信息相对应的语义向量集合，以使服务信息能够以语义向量形式进行表示，从而保证了服务信息之间的关联性，能通过语义向量中数字之间的关联性表示出来。
63.进一步地，预先设置有通过用户的历史访问信息训练得到的用户行为预测模型和预设语义向量集合。将上述生成的语义向量集合输入用户行为预测模型，以使语义向量集
合与预设语义向量集合进行查询匹配，对用户下一步行为进行预测。相比于相关技术中，针对不同的用户采用不同的预测模型的预测方法，本发明的预测方法中，通过上述一个预测模型对用户行为进行预测的方式，解决了第一次对新用户行为进行预测时，因没有对应的预测模型而无法执行相应预测行为的冷启动问题。
64.本发明的实施例中，通过上述先将用户的访问信息转换为语义向量集合，再将语义向量集合输入预设模型的对用户下一步行为预测的方式，保证了在对用户行为进行预测过程中考虑了服务之间的关联性，实现了对用户行为的精准预测，从而保证了获取到的用户行为预测结果的准确性。
65.具体地，根据服务信息生成语义向量集合的步骤，具体包括：根据服务信息生成静态特征数据序列和服务序列；根据静态特征数据序列和服务序列，生成语义向量集合。
66.实施例2：
67.如图2所示，根据本发明的一个实施例，在上述实施例的基础上，进一步地，预测方法包括：
68.步骤202，获取用户的访问信息，根据访问信息生成服务信息；
69.步骤204，根据服务信息生成静态特征数据序列和服务序列；
70.步骤206，根据静态特征数据序列和服务序列，生成语义向量集合；
71.步骤208，将语义向量集合输入用户行为预测模型，对语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
72.在该实施例中，将服务信息中的静态特征数据和与服务相关的动态数据进行提取，以生成静态特征数据序列和服务序列。并根据上述生成的静态特征数据序列和服务序列转换为语义向量集合。通过上述生成语义向量集合的方式，一方面，使语义向量中不仅仅只包括与服务相关的数据，还包含了静态特征数据，提高了预测模型的精准性，从而保证了对用户行为预测的更加精准；另一方面，实现了将用户行为预测转化为序列预测问题。
73.在上述实施例的基础上，进一步地，预测方法包括：对服务信息进行解析，以生成解析结果。
74.在该实施例中，对服务信息进行解析，以生成解析结果，以使服务信息能转换成与预设需求形式相匹配的数据信息。
75.在上述任一实施例的基础上，预测方法包括：根据解析结果生成静态特征数据序列和服务序列。
76.需要说明的是，服务信息包括静态特征数据，静态特征数据包括时间戳信息，在生成解析结果阶段，将时间戳信息转化为能应用到用户行为预测模型上的时间特征：如星期几、第几月、几季度等，并将这些特征也作为服务信息融入到静态特征序列中，得到其嵌入向量表示
77.实施例3：
78.如图3所示，根据本发明的一个实施例，在上述实施例的基础上，进一步地，预测方法包括：
79.步骤302，获取用户的访问信息，根据访问信息生成服务信息；
80.步骤304，对服务信息进行解析，以生成解析结果；
81.步骤306，根据解析结果生成静态特征数据序列和服务序列；
82.步骤308，根据静态特征数据序列和服务序列，生成语义向量集合；
83.步骤310，将语义向量集合输入用户行为预测模型，对语义向量集合与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
84.在该实施例中，将上述生成的解析结果中静态特征数据和与服务相关的动态数据进行提取，以生成静态特征数据序列和服务序列。通过上述方式实现了静态特征数据序列和服务序列的获取，为形成语义向量集合提供了可靠的方式，从而保证了整个预测过程中的可靠性。
85.具体地，在上述任一实施例的基础上，根据解析结果生成静态特征数据序列的步骤，具体包括：根据解析结果，获取与时间特征相关的时间特征数据，以及获取用户身份标识号；将时间特征数据转换成时间特征序列；将用户身份标识号和时间特征序列转换成静态特征数据序列。
86.在该实施例中，将解析结果中与时间特征相关的时间特征数据，以及用户身份标识号数据进行识别提取。并将上述提取出的时间特征数据生成时间特征序列。同时将上述提取的用户身份标识号和生成的时间特征序列，均转换成静态特征数据序列。
87.可以理解的是，为了能够有效的发掘用户周期性的行为模式，将时间特征数据融入到服务序列中。但原始的时间特征数据是一个数值，比较抽象，模型理解比较困难，因此，需要将时间特征数据转换为如：季度，月份、当月第几天、星期几、当年第几天等这样能识别时间特征序列，然后将其加入到服务序列中，从而简化时间信息识别，让用户行为预测模型能自身去学习用户周期性的行为模式。
88.通过上述生成静态特征数据序列的方式，将与时间特征相关的时间特征数据和用户身份标识号信息均加入到了静态特征数据序列，以使对用户行为预测过程中，应用到了与时间特征相关的时间特征数据和用户身份标识信息，保证了能对用户周期性的访问行为进行挖掘。
89.需要说明的是，本实施例中，通过将用户身份标识信息作为服务也加入到用户访问序列中，并寻找其词嵌入表示，以发掘不同用户的行为模式。同时将用户行为预测转化为序列预测问题，并利用seq2seq(序列对序列)模型来解决。
90.在上述任一实施例的基础上，进一步地，语义向量集合包括第一语义向量集合和第二语义向量集合。
91.在该实施例中，语义向量集合包括了第一语义向量集合和第二语义向量集合两种不同类型的语义向量集合，以保证输入到预测模型的语义向量为双输。
92.在上述任一实施例的基础上，进一步地，采用嵌入算法，将静态特征数据序列转换成第一语义向量集合，以及将服务序列转换成第二语义向量集合。
93.在该实施例中，采用嵌入算法，将静态特征数据序列转换成第一语义向量集合，同时将服务序列转换成第二语义向量集合。而嵌入算法中的嵌入技术，能用一个低维向量表示物体相关性。通过上述方式生成两种语义向量集合，保证了第一语义向量集合和第二语义向量集合能表示出服务之间和静态特征数据之间的关联性。
94.在上述任一实施例的基础上，将第一语义向量集合和第二语义向量集合，分别作为第一输入和第二输入，输入用户行为预测模型，将第一语义向量集合和第二语义向量集合，与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
95.在该实施例中，将第一语义向量集合和第二语义向量集合，分别作为第一输入和第二输入，输入用户行为预测模型。并将第一语义向量集合和第二语义向量集合，与预设语义向量集合进行查询匹配，以对用户行为预测结果。通过上述方式，保证了对整个用户行为的预测过程中的可行性和可靠性，从而提高预测结果的精准性。
96.在上述任一实施例的基础上，用户行为预测模型基于bert模型和mask矩阵构建。
97.在该实施例中，用户行为预测模型是基于bert模型和mask矩阵构建。在上述构建过程中，基于静态特征数据序列和服务序列，对现有的bert模型和现有的mask矩阵进行了改进，以使形成的语义向量集合中通过第一语义向量集合显示全部的静态特征数据序列，第二语义向量集合只显示用户之前的服务数据。从而保证了构建的用户行为预测模型的可靠性。
98.需要说明的是，上述用户行为预测模型的构建方式是seq2seq(sequence to sequence，序列到序列)模型构建方式。通过embedding(嵌入)技术和seq2seq技术，寻找服务的嵌入向量来发掘服务之间的相关性，同时将用户行为预测转化为序列预测问题。
99.具体地，如图7所示，本实施例的用户行为预测模型，将现有的单向(正向)语言模型的下三角mask矩阵，改进为能适应对用户行为预测的混合形式语言模型的mask矩阵。其中，图7中的x1至x9均分别表示服务序列对应的服务元素。
100.另外，对现有模型做出如下说明，如图6所示，相关技术中语言模型是一种单向的从左到右的无条件的生成模型。这种单向语言模型对服务元素的条件分布概率的计算，以记住了所学习的语料。其中，图6中x1至xn分别表示服务序列对应的服务元素。
101.因此，通过上述单向语言模型，在训练阶段为了防止模型能够看到未来信息，在预测每个位置的服务中的词时，只能利用其前面位置的词信息。具体表现在自注意力机制中设置了一个如图6所示的下三角形式矩阵。
102.为了克服上述单向语言模型中只能利用单边信息而不能最大利用语料的缺点，采用bert预训练语言模型，并将原有单向语言模型改进为混合形式语言模型mask矩阵，构建了用户行为预测模型。
103.在本发明的实施例中，bert模型原始输入中包含2个句子：第一语义向量集合和第二语义向量集合。例如，将第一语义向量集合看作a和将第二语义向量集合看作b，即样本以句对的形式存在(a，b)。而在用户行为预测场景中，将用户每个句子表示成了一个序列，而且可以将句子中的静态数据信息即用户身份识别标识和与时间特征相关的时间特征数据转换成第一语义向量集合，且将服务序列转换成第二语义向量集合。因为只需要对b中的每个服务序列进行预测，而对于a中的静态数据信息并不需要预测。因此，在构造矩阵时，对于a中的每个元素所有信息均能被看到，而对于b的元素，只能看到其前面的信息。因此，本发明的任一实施例中采用了如图7所示的混合形式语言模型mask矩阵。
104.具体实施例：
105.本实施例提出了一种应用nlp(neuro-linguistic programming，神经语言程序学)领域的embedding技术和seq2seq技术，通过寻找服务的嵌入向量来发掘服务之间的相关性，同时将用户行为预测转化为序列预测问题，并利用seq2seq模型来对用户下一步访问行为进行预测的预测方法。如图4所示，用户行为的预测方法包括：
106.步骤402，获取用户的历史访问信息；
107.步骤404，对用户的历史访问信息进行数据清洗，以生成历史静态特征数据序列和历史服务序列；
108.步骤406，根据历史静态特征数据序列和历史服务序列构建用户行为预测模型；
109.步骤408，获取用户的访问信息，根据访问信息生成服务信息；
110.步骤410，对服务信息进行解析，以生成解析结果；
111.步骤412，根据解析结果生成静态特征数据序列和服务序列；
112.步骤414，将静态特征数据序列转换成第一语义向量集合，以及将服务序列转换成第二语义向量集合；
113.步骤416，将第一语义向量集合和第二语义向量集合输入用户行为预测模型，对第一语义向量集合和第二语义向量集合分别与预设语义向量集合进行查询匹配，以得到用户行为预测结果。
114.在该实施例中，如图5所示，采用了嵌入技术，将获取每个服务转换成第二语义向量，形成语义向量集合，能实现服务之间的相关性的捕获，从而提高了对用户行为预测的准确性。
115.进一步地，充分利用了类比自然语言系统，将用户的行为预测问题转换为序列生成问题，并通过序列对序列的技术进行解决。
116.进一步地，针对现有的bert模型不适合做生成任务的缺陷，构造了特殊的改进后的mask矩阵实现特殊自注意力机制，从而实现了通过序列生成的方式，完成对用户行为的预测。
117.进一步地，针对实际场景中数据，通过句补全、句序列抽取等一系列数据清洗处理方式，提高获取到的静态特征和服务特征数据的准确性。
118.详细地，用户的历史访问信息中记录了用户的每次服务访问的相关信息，包括访问服务的用户身份标识号、访问时间、当前会话地址等，一次用户访问就是用户访问信息的记录。在用户预测模型中，按用户访问信息进行建模，用户每个用户访问信息所访问的服务序列加上静态特征数据构成一个样本。故，只需按照当前会话地址，抽取出每个用户访问信息所访问的服务。而在这个过程中，由于数据记录的不完整性，有些记录的当前会话地址字段可能为空，需要按照同一个用户访问信息中所访问的服务在时间上具有连续性这一启发式出发，进行当前会话地址补全，从而实现对用户访问信息中所访问的服务序列的抽取。
119.在本发明的上述实施例中，采用了nlp领域的embedding(嵌入)技术，将系统提供的服务用nlp中的token(令牌)表示，而将用户访问序列用nlp领域的句子表示，然后将用户行为预测问题转化为nlp中语言生成问题，最终实现精准预测下一步所要访问的服务。如图5所示，本实施例所提供的用户行为预测方法，可以广泛应用于不同类型的web(全球广域网)服务系统中，实现对用户行为预测和推荐。
120.通过本发明的上述预测方法，一方面，按用户需求向用户推荐服务时，用户可以直达服务，能极大减小用户点击次数，缩短了用户寻找服务时间，从而提高了访问效率；另一方面，提升了系统整体智能化水平，整体上提升了用户的满意度。
121.本发明提供的预测方法，不仅仅可应用于云端的web服务系统，在任何用户行为为封闭有限集，需要对用户行为进行预测的各种系统中，都可以利用本发明提供的预测方法对用户行为进行预测。
122.实施例4：
123.如图8所示，根据本发明的第二方面实施例，提出了一种用户行为的预测装置800，预测装置包括：获取单元802，用于获取用户的访问信息，根据访问信息生成服务信息；生成单元804，用于根据服务信息生成语义向量集合；预测单元806，用于将语义向量集合输入用户行为预测模型，对语义向量集合进行查询匹配，以得到用户行为预测结果。
124.在该实施例中，获取单元802通过用户的访问信息生成服务信息。并通过生成单元804，将生成的服务信息转换成与服务信息相对应的语义向量集合，以使服务信息能够以语义向量形式进行表示，从而保证了服务信息之间的关联性，能通过语义向量中数字之间的关联性表示出来。
125.进一步地，预先设置有通过用户的历史访问信息训练得到的用户行为预测模型和预设语义向量集合。通过预测单元806，将上述生成的语义向量集合输入用户行为预测模型，以使语义向量集合与预设语义向量集合进行查询匹配，对用户下一步行为进行预测。相比于相关技术中，针对不同的用户采用不同的预测模型的预测方法，本发明的预测方法中，通过上述一个预测模型对用户行为进行预测的方式，解决了第一次对新用户行为进行预测时，因没有对应的预测模型而无法执行相应预测行为的冷启动问题。
126.本发明的实施例中，通过上述获取单元802、生成单元804和预测单元806，先将用户的访问信息转换为语义向量集合，再将语义向量集合输入预设模型的对用户下一步行为预测的方式，保证了在对用户行为进行预测过程中考虑了服务之间的关联性，实现了对用户行为的精准预测，从而保证了获取到的用户行为预测结果的准确性。
127.实施例5：
128.如图9所示，根据本发明第三方面的实施例，提出了一种用户行为的预测系统100，预测系统100包括：存储器120，存储器120存储有计算机程序；处理器122，处理器122执行计算机程序，使实现如上述任一实施例中的预测方法。
129.本发明提供的用户行为的预测系统，包括：存储器120，存储有程序或指令；处理器122，处理器122执行程序或指令时实现如第一方面的任一实施例中用户行为的预测方法。因此，该用户行为的预测系统包括上述任一实施例的用户行为的预测方法的全部有益效果，在此不再赘述。
130.实施例6：
131.根据本发明的第四方面，提出了一种计算机介质，计算机介质上存储程序或指令，程序或指令被处理器执行时实现如上述任一实施例中的用户行为的预测方法的步骤。
132.本发明提供的计算机介质，处理器执行计算机程序时，实现如上述任一实施例的用户行为的预测方法的步骤。因此，该计算机介质包括上述任一实施例的用户行为的预测方法的全部有益效果。
133.本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
134.在本说明书的描述中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性，除非另有明确的规定和限定；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理
解上述术语在本发明中的具体含义。
135.在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
136.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。