用户行为数据的预测方法、装置、电子设备及介质与流程

本申请中涉及人工智能及数字医疗，尤其是一种用户行为数据的预测方法、装置、电子设备及介质。

背景技术：

1、随着计算机处理技术的快速发展，基于互联网的各类应用平台已经越来越被用户所接受并使用。

2、其中，现有技术中通常使用循环神经网络(recurrent neural networks，rnn)来对用户的输入序列数据进行预测，从而了解到用户的真实访问目的以便提供对应的服务。然而，rnn在处理非常长的输入序列数据时计算代价很大，容易出现梯度消失、梯度爆炸等问题，导致模型参数无法有效更新，严重影响模型的预测效果。

3、因此，如何在利用rnn模型处理用户的长输入序列数据以得到精确的预测效果，成为了本领域技术人员需要解决的问题。

技术实现思路

1、本申请实施例提供一种用户行为数据的预测方法、装置、电子设备及介质。用以解决相关技术中存在的，rnn模型处理用户的长输入序列数据时预测效果不精确的问题。

2、其中，根据本申请实施例的一个方面，提供的一种用户行为数据的预测方法，包括：

3、获取用户的初始行为序列数据，所述初始行为序列数据包含的序列数据数量大于第一数量；

4、将所述初始行为序列数据输入至融合预测模型中的卷积网络模型中，得到缩减行为序列数据，所述缩减行为序列数据包含的序列数据数量小于所述第一数量；

5、将所述缩减行为序列数据输入至所述融合预测模型中的循环网络模型中，得到所述用户对应的行为预测结果。

6、可选地，在基于本申请上述方法的另一个实施例中，所述将所述初始行为序列数据输入至融合预测模型中的卷积网络模型中，得到缩减行为序列数据，包括：

7、将所述初始行为序列数据输入至所述卷积网络模型中的卷积层中，得到所述初始行为序列数据对应的至少一个初始维度特征；

8、将所述至少一个初始维度特征输入至所述卷积网络模型中的池化层；

9、利用所述池化层对所述至少一个初始维度特征进行最大池化操作，得到所述缩减行为序列数据。

10、可选地，在基于本申请上述方法的另一个实施例中，所述利用所述池化层对所述至少一个初始维度特征进行最大池化操作，得到所述缩减行为序列数据，包括：

11、获取初始维度特征对应的第一特征空间维度；

12、获取所述池化层所反映的窗口维度以及步长维度，所述窗口维度以及步长维度小于所述初始维度特征的第一特征空间维度；

13、利用所述窗口维度以及步长维度对所述初始维度特征进行最大池化操作，得到由第二特征空间维度组成的缩减行为序列数据，所述第二特征空间维度的特征空间维度小于所述第一特征空间维度。

14、可选地，在基于本申请上述方法的另一个实施例中，在所述得到缩减行为序列数据之后，还包括：

15、确定所述缩减行为序列数据包含的缩减序列数据数量；

16、检测所述缩减序列数据数量与所述初始序列数据数量的差值是否大于预设阈值，所述初始序列数据数量为所述初始行为序列数据包含的序列数据数量；

17、若是，将所述缩减行为序列数据输入至所述循环网络模型中，得到所述用户对应的行为预测结果。

18、可选地，在基于本申请上述方法的另一个实施例中，在所述获取用户的初始行为序列数据之后，还包括：

19、检测所述初始行为序列数据对应的行为标签，并将所述行为标签转换为标签向量；

20、检测所述标签向量是否为预设标签向量；

21、若是，确定初始行为序列数据对应于预设行为事件，并将所述初始行为序列数据输入至所述卷积网络模型中。

22、可选地，在基于本申请上述方法的另一个实施例中，在所述获取用户的初始行为序列数据之后，还包括：

23、提取所述初始行为序列数据中包含的各个时间序列数据；

24、在所述各个时间序列数据中，依次检测每相邻的两个时间序列数据之间的间隔时长；

25、若检测到包含超过第二数量的超期间隔时长，将所述初始行为序列数据输入至所述卷积网络模型中，所述超期间隔时长为所述间隔时长大于预设时间段的时长。

26、可选地，在基于本申请上述方法的另一个实施例中，在所述获取用户的初始行为序列数据之后，还包括：

27、若检测到所述初始行为序列数据包含的序列数据数量小于所述第一数量，则将所述初始行为序列数据输入至所述循环网络模型中，得到所述用户对应的行为预测结果。

28、其中，根据本申请实施例的又一个方面，提供的一种用户行为数据的预测装置，其特征在于，包括：

29、获取模块，被配置为获取用户的初始行为序列数据，所述初始行为序列数据包含的序列数据数量大于第一数量；

30、输入模块，被配置为将所述初始行为序列数据输入至融合预测模型中的卷积网络模型中，得到缩减行为序列数据，所述缩减行为序列数据包含的序列数据数量小于所述第一数量；

31、输出模块，被配置为将所述缩减行为序列数据输入至所述融合预测模型中的循环网络模型中，得到所述用户对应的行为预测结果。

32、根据本申请实施例的又一个方面，提供的一种电子设备，包括：

33、存储器，用于存储可执行指令；以及

34、显示器，用于与所述存储器以执行所述可执行指令从而完成上述任一所述用户行为数据的预测方法的操作。

35、根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述用户行为数据的预测方法的操作。

36、本申请中，可以获取用户的初始行为序列数据，初始行为序列数据包含的序列数据数量大于第一数量；将初始行为序列数据输入至融合预测模型中的卷积网络模型中，得到缩减行为序列数据，缩减行为序列数据包含的序列数据数量小于第一数量；将缩减行为序列数据输入至融合预测模型中的循环网络模型中，得到用户对应的行为预测结果。通过应用本申请的技术方案，可以实现一种由善于处理长序列数据的卷积网络模型来首先提取出长序列数据的有效信息，再将序列数据更短的有效信息作为循环网络模型的输入来得到用户的预测结果。从而一方面避免了相关技术中存在的，循环网络模型处理用户的长输入序列数据时预测效果不精确的问题。另一方面在通过卷积网络模型来处理长序列数据的情况下减少卷积模型预测的计算时长，从而使得计算代价更低，节省了用户的等待时间。

37、下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

技术特征：

1.一种用户行为数据的预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述将所述初始行为序列数据输入至融合预测模型中的卷积网络模型中，得到缩减行为序列数据，包括：

3.如权利要求2所述的方法，其特征在于，所述利用所述池化层对所述至少一个初始维度特征进行最大池化操作，得到所述缩减行为序列数据，包括：

4.如权利要求1所述的方法，其特征在于，在所述得到缩减行为序列数据之后，还包括：

5.如权利要求1所述的方法，其特征在于，在所述获取用户的初始行为序列数据之后，还包括：

6.如权利要求1或5所述的方法，其特征在于，在所述获取用户的初始行为序列数据之后，还包括：

7.如权利要求1所述的方法，其特征在于，在所述获取用户的初始行为序列数据之后，还包括：

8.一种用户行为数据的预测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被处理器执行时执行权利要求1-7中任一所述用户行为数据的预测方法的操作。

技术总结
本申请涉及人工智能及数字医疗领域，公开了一种用户行为数据的预测方法、装置、电子设备及介质。通过应用本申请的技术方案，可以实现一种由善于处理长序列数据的卷积网络模型来首先提取出长序列数据的有效信息，再将序列数据更短的有效信息作为循环网络模型的输入来得到用户的预测结果。从而一方面避免了相关技术中存在的，循环网络模型处理用户的长输入序列数据时预测效果不精确的问题。另一方面在通过卷积网络模型来处理长序列数据的情况下减少卷积模型预测的计算时长，从而使得计算代价更低，节省了用户的等待时间。

技术研发人员：刘亭
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/13