[发明专利]预测用户行为的方法及装置

说明书

本说明书实施例提供一种预测用户行为的方法，所述方法基于预先训练的多层神经网络而执行，所述多层神经网络中至少包括输入层，多个特征层和输出层，所述方法包括：首先，在所述输入层获取原始特征矩阵，其中包括与多个基础特征对应的多个基础特征向量，所述多个基础特征中至少包括与用户相关的用户特征；接着，基于所述多个基础特征向量，在所述多个特征层中逐层进行特征向量组合；然后，在所述输出层获取最终特征矩阵，基于所述最终特征矩阵，输出针对用户行为的预测结果，其中所述最终特征矩阵至少基于所述特征向量组合的结果而确定。

技术领域

本说明书实施例涉及机器学习领域，具体地，涉及一种利用机器学习模型预测用户行为的方法及装置。

背景技术

当今，人们越来越频繁地使用服务平台向用户提供的多种多样的服务，相应地，为了提高用户的服务体验，服务平台可以选择利用预测模型对用户在使用服务时的相关行为进行预测，进而根据预测结果为用户定制服务方案。例如，新闻资讯网站可以通过预测某用户针对各类新闻板块的点击概率，确定向该用户推送的新闻资讯页面中所包括新闻板块的类别和排序。又例如，购物网站可以通过预测某用户针对某一商品的感兴趣程度，确定是否向该用户推荐该商品。

显然，希望预测模型输出的预测结果的准确性越高越好，进一步地，提高预测结果准确性的关键点之一，在于提高预测模型中特征组合的有效性。

然而，目前特征组合的有效性十分有限。因此，需要提出一种合理的方案，可以有效地进行特征组合，进而得到更加准确的预测结果。

发明内容

在本说明书描述的预测用户行为的方法中，基于新设计的多层神经网络更加有效地进行特征组合，以提高预测结果的准确性。

根据第一方面，提供一种预测用户行为的方法，所述方法基于预先训练的多层神经网络而执行，所述多层神经网络中至少包括输入层，多个特征层和输出层。该方法包括：在所述输入层获取原始特征矩阵，其中包括与多个基础特征对应的多个基础特征向量，所述多个基础特征中至少包括与用户相关的用户特征；

基于所述多个基础特征向量，在所述多个特征层中逐层进行特征向量组合，具体包括：

在所述多个特征层中的当前特征层，获取上一层输出的第一特征矩阵，所述第一特征矩阵中包括第一数量N个第一特征向量；

将所述第一特征矩阵转换为第二特征矩阵，所述第二特征矩阵中包括N个第二特征向量，所述N个第二特征向量中的第i个第二特征向量，是以各个第一特征向量与第i个第一特征向量之间的关联度为权重，对各个第一特征向量的对应向量组合得到；

将所述第二特征矩阵转换为第三特征矩阵作为下一层神经网络的输入，所述第三特征矩阵中包括第二数量M个第三特征向量，所述第二数量M小于所述第一数量N；所述M个第三特征向量中的第j个第三特征向量，是利用M个N维权重向量中的第j个N维权重向量中的权重，对所述N个第二特征向量组合得到；

在所述输出层获取最终特征矩阵，基于所述最终特征矩阵，输出针对用户行为的预测结果，其中所述最终特征矩阵至少基于所述特征向量组合的结果而确定。

在一个实施例中，所述用户行为包括用户对页面信息的点击行为，所述多个基础特征还包括与所述页面信息相关的页面特征；所述用户特征包括用户年龄、用户性别、用户职业和用户住址，所述页面特征包括所述页面信息的类别、展示所述页面信息的终端类型。

在一个实施例中，所述上一层为所述输入层，所述获取上一层输出的第一特征矩阵，包括：获取所述输入层输出的所述原始特征矩阵。

在一个实施例中，所述第一特征向量、第二特征向量和第三特征向量具有相同的维度。