[發明專利]預測用戶行為的方法及裝置

在審

• 申請號: 201910405692.0
• 申請日: 2019-05-15
• 公開（公告）號: CN110263973A
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 辛超;崔卿;向彪;周俊
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽;周良玉

本說明書實施例提供一種預測用戶行為的方法，所述方法基于預先訓練的多層神經網絡而執行，所述多層神經網絡中至少包括輸入層，多個特征層和輸出層，所述方法包括：首先，在所述輸入層獲取原始特征矩陣，其中包括與多個基礎特征對應的多個基礎特征向量，所述多個基礎特征中至少包括與用戶相關的用戶特征；接著，基于所述多個基礎特征向量，在所述多個特征層中逐層進行特征向量組合；然后，在所述輸出層獲取最終特征矩陣，基于所述最終特征矩陣，輸出針對用戶行為的預測結果，其中所述最終特征矩陣至少基于所述特征向量組合的結果而確定。

技術領域

本說明書實施例涉及機器學習領域，具體地，涉及一種利用機器學習模型預測用戶行為的方法及裝置。

背景技術

當今，人們越來越頻繁地使用服務平臺向用戶提供的多種多樣的服務，相應地，為了提高用戶的服務體驗，服務平臺可以選擇利用預測模型對用戶在使用服務時的相關行為進行預測，進而根據預測結果為用戶定制服務方案。例如，新聞資訊網站可以通過預測某用戶針對各類新聞板塊的點擊概率，確定向該用戶推送的新聞資訊頁面中所包括新聞板塊的類別和排序。又例如，購物網站可以通過預測某用戶針對某一商品的感興趣程度，確定是否向該用戶推薦該商品。

顯然，希望預測模型輸出的預測結果的準確性越高越好，進一步地，提高預測結果準確性的關鍵點之一，在于提高預測模型中特征組合的有效性。

然而，目前特征組合的有效性十分有限。因此，需要提出一種合理的方案，可以有效地進行特征組合，進而得到更加準確的預測結果。

發明內容

在本說明書描述的預測用戶行為的方法中，基于新設計的多層神經網絡更加有效地進行特征組合，以提高預測結果的準確性。

根據第一方面，提供一種預測用戶行為的方法，所述方法基于預先訓練的多層神經網絡而執行，所述多層神經網絡中至少包括輸入層，多個特征層和輸出層。該方法包括：在所述輸入層獲取原始特征矩陣，其中包括與多個基礎特征對應的多個基礎特征向量，所述多個基礎特征中至少包括與用戶相關的用戶特征；

基于所述多個基礎特征向量，在所述多個特征層中逐層進行特征向量組合，具體包括：

在所述多個特征層中的當前特征層，獲取上一層輸出的第一特征矩陣，所述第一特征矩陣中包括第一數量N個第一特征向量；

將所述第一特征矩陣轉換為第二特征矩陣，所述第二特征矩陣中包括N個第二特征向量，所述N個第二特征向量中的第i個第二特征向量，是以各個第一特征向量與第i個第一特征向量之間的關聯度為權重，對各個第一特征向量的對應向量組合得到；

將所述第二特征矩陣轉換為第三特征矩陣作為下一層神經網絡的輸入，所述第三特征矩陣中包括第二數量M個第三特征向量，所述第二數量M小于所述第一數量N；所述M個第三特征向量中的第j個第三特征向量，是利用M個N維權重向量中的第j個N維權重向量中的權重，對所述N個第二特征向量組合得到；

在所述輸出層獲取最終特征矩陣，基于所述最終特征矩陣，輸出針對用戶行為的預測結果，其中所述最終特征矩陣至少基于所述特征向量組合的結果而確定。

在一個實施例中，所述用戶行為包括用戶對頁面信息的點擊行為，所述多個基礎特征還包括與所述頁面信息相關的頁面特征；所述用戶特征包括用戶年齡、用戶性別、用戶職業和用戶住址，所述頁面特征包括所述頁面信息的類別、展示所述頁面信息的終端類型。

在一個實施例中，所述上一層為所述輸入層，所述獲取上一層輸出的第一特征矩陣，包括：獲取所述輸入層輸出的所述原始特征矩陣。

在一個實施例中，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維度。