[发明专利]用户行为的处理方法、存储介质及相关设备

说明书

本申请实施例公开了一种用户行为的处理方法、存储介质及相关设备，其中，该方法包括：获取多个对象的行为数据；基于多个对象的行为数据，构建有向图，其中，有向图包括：多个节点，任意两个节点之间连接的边，以及边的权重值，节点用于表征行为数据中的不同行为，边用于表征通过边连接的两个行为之间的转移关系；对有向图进行检索，确定非目标行为转移至目标行为的至少一条行为路径，以及每条行为路径的权重值，其中，行为路径中包含的不同行为的数量小于或等于预设数量。因此，本申请实施例可以达到提高预测准确度，提升用户体验感，提高用户粘性的技术效果，进而解决了相关技术中用户行为的处理准确度不高，且用户体验感较差的技术问题。

技术领域

本申请涉及互联网领域，具体而言，涉及一种用户行为的处理方法、存储介质及相关设备。

背景技术

目前，用户行为分析以及行为预测通常是通过提取用户特征，使用分类模型预测用户是否会进行特定行为，例如，在电商购物场景中，可以通过提取特征，捕捉用户-商品对的购买潜力，具体实现方式如下：应用提取应用梯度提升决策树(Gradient BoostingDecision Tree，GBDT)作为训练模型；使用数学、统计学模型结合用户购买行为、过程、影响因素等理论构建用户预测模型；基于目标行为序列数据构建基于潜在因子的选择模型，进而对用户在一个购买周期内的购买决策进行预测；采用线性回归和对数模型等数学模型预测在某时间段内顾客多次购买的概率。

但是，在实际场景中，由于APP功能迭代速度较快，用户行为习惯改变频率较高，增加了用户行为预测的难度，而且，只能基于单个用户特征建模，预测用户是否会进行特定行为，导致用户行为预测准确度不高，用户体验感较差。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种用户行为的处理方法、存储介质及相关设备，以至少解决相关技术中用户行为预测的准确度不高，且用户体验感较差的技术问题。

根据本申请实施例的一个方面，提供了一种用户行为的处理方法，包括：获取多个对象的行为数据；基于多个对象的行为数据，构建有向图，其中，有向图包括：多个节点，任意两个节点之间连接的边，以及边的权重值，节点用于表征行为数据中的不同行为，边用于表征通过边连接的两个行为之间的转移关系；对有向图进行检索，确定非目标行为转移至目标行为的至少一条行为路径，以及每条行为路径的权重值，其中，行为路径中包含的不同行为的数量小于或等于预设数量。

可选的，基于多个对象的行为数据，构建有向图包括：对多个对象的行为数据进行分割，得到多个行为序列；基于多个行为序列，构建训练集和测试集，其中，训练集包括：正样本训练集和负样本训练集，测试集包括：正样本测试集和负样本测试集，正样本为包含有目标行为的行为序列，负样本为未包含有目标行为的行为序列；利用训练集，构建第一有向图；基于测试集对第一有向图进行测试，得到测试结果；在测试结果不满足预设条件的情况下，对第一有向图进行更新，直至测试结果满足预设条件，得到有向图。

可选的，利用训练集，构建初始有向图包括：利用正样本训练集，构建第二有向图；基于第二有向图中每条边的权重值和正样本剪边率，确定正样本训练集中的第一行为序列；基于第二有向图中每条边的权重值和负样本剪边率，确定负样本训练集中的第二行为序列；基于第一行为序列和第二行为序列，对第二有向图进行剪边，得到第一有向图。

可选的，对第一有向图进行更新包括：基于预设步长对正样本剪边率和负样本剪边率进行更新，得到更新后的正样本剪边率和负样本剪边率；基于第二有向图中每条边的权重值和更新后的正样本剪边率，确定正样本训练集中的第三行为序列；基于第二有向图中每条边的权重值和更新后的负样本剪边率，确定负样本训练集中的第四行为序列；基于第三行为序列和第四行为序列，对第二有向图进行剪边，得到第三有向图，其中，在第二有向图对应的测试结果满足预设条件的情况下，确定第三有向图为有向图。