[發明專利]用戶行為進行分類和預測的方法和系統

有效

• 申請號: 201711055158.9
• 申請日: 2017-10-31
• 公開（公告）號: CN107818344B
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 王盼;夏良超
• 申請（專利權）人: 深圳壹賬通智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q30/02
• 代理公司: 11015 北京英特普羅知識產權代理有限公司
• 代理人: 林彥之

本發明涉及一種對用戶行為進行分類識別和預測的方法和系統，所述方法包括以下步驟：步驟1、從一個或多個來源獲取預設時段的用戶行為數據，并計算用戶行為數據在預設的各個維度上的屬性；步驟2、根據用戶行為數據的來源、以及與所述來源相對應的所述屬性，選擇相應的分類模型；步驟3、根據所選的分類模型，對用戶行為數據進行分類識別；步驟4、根據分類結果，調用信息知識庫，預測用戶行為的目的，其中，所述信息知識庫記錄了用戶行為的過程與行為目的之間的關系。

技術領域

本發明涉及互聯網服務技術領域，尤其涉及基于決策樹歸納對用戶行為進行預測的方法。

背景技術

隨著互聯網的發展，每天都有成千上萬的人在頁面上進行操作，如何通過方法有效的分析海量數據，并從其中找到有利的規格或資訊已經成為一種趨勢。機器學習(Machine Learning)目前看來是最有前途的一種技術。機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。其在各個領域都有廣泛的應用，特別在數據分析領域有著深遠的影響。而決策樹是機器學習中最基礎且應用最廣泛的算法模型。在做小微企業信貸時，風控是關鍵，也是比較難把握的一個環節。

在傳統的方法中，需要對用戶行為進行人工分類、判定，從而預測用戶訪問網站的意圖，并在后期提供有針對性的服務或其它處理應對。在海量數據的場景下，數據往往維度多、數據量大，人工很難將用戶行為相關的指標統計全面。此外，由于人會出現疲勞等情況，這種傳統的人工識別的方法準確率并不高。

然而，在現有技術中，對用戶行為進行分類和預測的方法較為單一，參考效果不理想。由于用戶行為包括線上和線下行為，數據來源復雜，存在這樣的需求：開發能夠針對不同的數據來源、結合多種分類預測技術而綜合判定和預測用戶屬性的方案。

發明內容

基于此，有必要針對上述技術問題，提供基于決策樹歸納對用戶行為進行預測的方法，其通過同步用戶網絡訪問行為和其它業務行為的次數以及操作時間，根據每個屬性的行為次數與時間等特征，建立分類模型(決策樹)，從而對用戶的行為分類、并預測用戶的潛在行為(需求)。

根據本發明的實施例，提供了一種對用戶行為進行分類識別和預測的方法，包括以下步驟：

步驟1、從一個或多個來源獲取預設時段的用戶行為數據，并計算用戶行為數據在預設的各個維度上的屬性；

步驟2、根據用戶行為數據的來源、以及與所述來源相對應的所述屬性，選擇相應的分類模型；

步驟3、根據所選的分類模型，對用戶行為數據進行分類識別；

步驟4、根據分類結果，調用信息知識庫，預測用戶行為的目的，

其中，所述信息知識庫記錄了用戶行為的過程與行為目的之間的關系。

根據本發明的實施例，其中，所述步驟1包括：

步驟1-1、對用戶身份進行識別，獲取所述用戶行為數據在各個維度上的屬性，如果所述用戶行為數據在部分維度的屬性不完整，則調用該用戶的歷史行為數據，與所述預設時段的用戶行為數據合并，補充所述部分維度的屬性。

根據本發明的實施例，其中，在所述步驟1中，所述用戶行為數據的來源包括：用戶在業務服務端的網絡訪問行為數據、線下業務數據、和/或從第三方獲取的所述用戶行為數據。

根據本發明的實施例，在所述步驟2中，對于用戶在業務服務端的網絡訪問行為數據，選擇決策樹分類模型，對于線下業務數據、和/或從第三方獲取的所述用戶行為數據，選擇隨機森林分類模型。

根據本發明的實施例，其中，通過以下步驟，構建所述決策樹分類模型：