[发明专利]用户行为量化方法、系统、设备及存储介质

说明书

本发明提供了用户行为量化的方法、系统、设备及存储介质，包括步骤：将订单涉及的所有动作按固定次序预先排列为一参考序列；采集用户订单下单前的操作的动作，按形成时序排列动作以形成动作序列；将动作序列转换为动作矩阵；构建循环神经网络模型，将多个动作矩阵以及与动作矩阵对应的订单的样本标签输入循环神经网络模型进行训练；输出最后一层的隐藏层作为输出结果。本发明通过动作序列采集包括时序信息的动作，通过转换动作向量，以实现时序信息的初步数值化，通过构建以及训练循环神经网络模型，输出最后一层的隐藏层，从而实现处理和预测时间序列数据，以应用于用户行为监督模型，有效提高预测准确性。

技术领域

本发明涉及用户信用评估领域，具体地说，涉及用户行为量化方法、系统、设备及存储介质。

背景技术

随着大数据时代的到来，旅游行业日新月异，用户不仅可以“说走就走”，还有机会享受“免押金，免查房，离店后付款”的优质住宿体验，这在一定程度上取决于用户信用风险的高低。当一个用户享受信用产品后拒绝履约时，就会造成资金损失，所以做好风险的预估显得尤为重要。除了旅游行业，在其他多个行业也越来越多地涉及信用支付，因此准确的用户信用评估也日趋重要。

评估用户信用的纬度可以有很多，用户行为跟踪(User Behavior Tracking，UBT)也是其中的一种。UBT数据十分庞大复杂，基于互联网环境下，进行互联网订单的UBT数据分析，处理方式大多只能简单地统计用户的浏览次数，点击次数，浏览时长等。然而，UBT数据的发生次序也具有重要作用，例如一笔正常的订单，往往有着相对完整的行为路径：如先搜索酒店，再筛选，然后查看酒店详情，图片，往返多次后下单。现有技术没有考虑UBT数据的时间序列信息，更无法将带有时序信息的用户行为量化输入用户行为监督模型。

发明内容

针对上述技术中的问题，本发明为了解决上述技术问题，提供了一种用户行为量化的方法、系统、设备及存储介质，本发明的第一方面提供一种用户行为量化的方法，包括以下步骤：S10、将订单涉及的所有动作按固定次序预先排列为一参考序列；S11、采集用户订单下单前的操作的动作，按形成时序排列动作以形成动作序列；S12、将动作序列中的每一个动作匹配参考序列而转换为一组由0或1表示的动作向量，以将动作序列转换为动作矩阵；S13、构建循环神经网络模型，循环神经网络模型符合公式：

s_t＝f(U*x_t+W*s_t-1+b)

其中，f为激活函数，S_t以及S_t-1为构建循环神经网络的隐藏层，U，W为模型的参数矩阵，b为偏置项，x_t为步骤S12中的动作向量；S14、将多个动作矩阵以及与动作矩阵对应的订单的样本标签作为输入数据，输入循环神经网络模型，以训练循环神经网络模型；S15、输出最后一层的隐藏层作为输出结果。

优选地，步骤S11包括：S111、采集用户订单下单前的所有动作，并按形成时序排列动作以形成动作序列；S113、保留下单前的t次动作，其中t为正整数。

优选地，在步骤S11中，在步骤S113前还包括步骤：S112、合并动作序列中相邻的重复动作。

优选地，在步骤S14的循环神经网络模型中构建损失函数loss，将多个动作矩阵以及与动作矩阵对应的订单的样本标签输入循环神经网络模型进行迭代，最小化损失函数，以获得最优的U，W，b，损失函数loss符合以下公式：

其中，p_i为预测概率，y_i为与动作矩阵对应的订单的样本标签。

优选地，在步骤S14中，预测概率p_i符合下述公式：

p_i＝softmaz(w_out*s_t+b_out)