(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111629884.3 (22)申请日 2021.12.28 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融街31号 (72)发明人 胡圣凯　徐喆　王振东　娄鉴　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 代理人 刘亚威 (51)Int.Cl. G06N 20/00(2019.01) G06Q 30/02(2012.01) (54)发明名称 一种用户行为预测方法及设备 (57)摘要 本发明公开了一种用户行为预测方法及设 备， 用于筛选出第一特征集合后， 基于第一特征 集合对应数据序列， 利用M种机器学习模型进行 预测， 有效地提高预测结果的准确性。 该方法包 括： 从历史时段内目标用户的数据集中， 筛选出 第一特征集合对应的数据序列， 其中， 所述第一 特征集合表征在执行行为预测时贡献度大于或 等于第一阈值的特征组成的集合； 将所述数据序 列分别输入到训练好的M种机器学习模型， 输出 所述数据序列对应的M种预测结果； 根据所述数 据序列的M种预测结果构建稀疏矩阵， 将所述稀 疏矩阵输入到训练好的分类模型， 输出所述数据 序列的最优 预测结果； 根据所述数据序列的最优 预测结果， 预测所述目标用户的行为。 权利要求书2页 说明书17页 附图3页 CN 114386618 A 2022.04.22 CN 114386618 A 1.一种用户行为预测方法， 其特 征在于， 该 方法包括： 从历史时段内目标用户的数据集中， 筛选出第 一特征集合对应的数据序列， 其中， 所述 第一特征集合表征在执 行行为预测时贡献度大于或等于第一阈值的特 征组成的集 合； 将所述数据序列分别输入到训练好的M种机器学习模型， 输出所述数据序列对应的M种 预测结果， 其中M为 正整数且为奇数； 根据所述数据序列的M种预测结果构建稀疏矩阵， 将所述稀疏矩阵输入到训练好的分 类模型， 输出 所述数据 序列的最优预测结果； 根据所述数据 序列的最优预测结果， 预测所述目标用户的行为。 2.根据权利要求1所述的方法， 其特 征在于， 通过如下 方式确定所述第一阈值： 从样本数据集中， 确定与预设的各个备选特征分别对应的特征数据向量， 以及所述样 本数据集对应的标签向量， 其中标签向量中的标签是根据所述样本数据集中的样本数据的 标注标签确定的； 根据各个特 征数据向量和所述标签向量的相关度， 确定所述第一阈值。 3.根据权利要求1所述的方法， 其特 征在于， 通过如下 方式确定所述第一特 征集合： 针对每种机器学习模型 执行如下过程： 将样本数据集作为输入， 将输出结果与 所述样本数据集对应的标签向量之间的相似度 作为优化条件， 对所述机器学习模型 的初始模型进行训练； 训练完成后得到各个备选特征 与所述样本数据集中的标注标签的相关度， 根据大于或等于第一阈值的所述相关度对应的 备选特征确定第二特 征集合； 根据M种机器学习模型分别确定的第二特 征集合， 确定第一特 征集合。 4.根据权利要求3所述的方法， 其特征在于， 所述根据M种机器学习模型分别确定的第 二特征集合， 确定第一特 征集合， 包括： 将M种第二特 征集合去除重复的备选特 征后合并， 得到合并集 合； 根据合并集合中各个备选特征在M种第二特征集合中出现的概率， 从所述合并集合中 筛选出M‑1种第三特 征集合； 根据M‑1种第三特 征集合， 确定第一特 征集合。 5.根据权利要求4所述的方法， 其特征在于， 所述根据合并集合中各个备选特征在M种 第二特征集合中出现的概 率， 从所述 合并集合中筛选出M‑1种第三特 征集合， 包括： 预先设定M‑1种第二阈值， 基于每种第二阈值对所述 合并集合执行如下步骤： 从合并集合中筛选出概率值大于或等于所述第 二阈值的备选特征， 根据筛选出的备选 特征确定与所述第二阈值对应的第三特 征集合； 将M‑1种第二阈值分别对应的第三特 征集合， 确定为所述M ‑1种第三特 征集合。 6.根据权利要求4所述的方法， 其特征在于， 所述根据M ‑1种第三特征集合， 确定第一特 征集合， 包括： 针对每种第 三特征集合执行如下步骤： 从所述样本数据集中筛选出所述第 三特征集合 对应的样本数据序列， 将所述样本数据序列作为M种机器学习模型 的训练样本， 获取M种机 器学习模型在训练完成后得到的模型参数与模型评价值的关系曲线； 根据M种关系曲线中 的最优模型评价 值， 确定所述第三特 征集合的贡献度； 根据M‑1种第三特 征集合的贡献度， 从M ‑1种第三特 征集合中确定第一特 征集合。权　利　要　求　书 1/2 页 2 CN 114386618 A 27.根据权利要求6所述的方法， 其特征在于， 所述根据M种关系曲线中的最优模型评价 值， 确定所述第三特 征集合的贡献度， 包括： 将M种最优 模型评价 值中的最大值， 确定为所述第三特 征集合的贡献度； 或， 将M种最优 模型评价 值的平均值， 确定为所述第三特 征集合的贡献度； 或， 将M种最优模型评价值去 除最大值和最小值后的平均值， 确定为所述第三特征集合的 贡献度。 8.根据权利要求6所述的方法， 其特征在于， 针对每种机器学习模型， 通过如下方式获 取所述模型参数与模型评价 值的关系曲线， 包括： 将所述样本数据序列作为输入， 将输出结果与 所述样本数据序列对应的标注标签之间 的相似度作为优化条件， 对所述机器学习模型的初始模型进行训练； 训练完成后得到所述机器学习模型的模型参数与模型评价 值的关系曲线。 9.根据权利要求1～8任一所述的方法， 其特征在于， 所述确定第一特征集合之后， 通过 如下方式确定所述训练好的机器学习模型： 从样本数据集中， 确定所述第一特 征集合对应的第一数据 序列； 将所述第 一数据序列作为M种机器学习模型的训练样本， 获取M种机器学习模型在训练 完成后得到的模型参数与模型评价 值的关系曲线； 将M种关系曲线中与最优模型评价值对应的模型参数， 作为所述关系曲线对应的机器 学习模型的模型参数， 将具有 所述模型参数的所述机器学习模型确定为训练好的机器学习 模型。 10.根据权利要求1～8任一所述的方法， 其特征在于， 所述确定第一特征集合之后， 通 过如下方式对所述分类模型进行训练： 从样本数据集中， 确定所述第一特 征集合对应的第一数据 序列； 将所述第一数据序列输入到训练好的M种机器学习模型， 输出所述第一数据序列对应 的M种第一预测结果； 根据所述M种第 一预测结果构建第 一稀疏矩阵， 将所述第 一稀疏矩阵作为输入， 将输出 结果与所述第一数据序列对应的标注标签的相似度作为优化条件， 对所述分类模型的初始 模型进行训练， 其中所述分类模型包括阶跃函数模型。 11.根据权利要求1～8任一所述的方法， 其特 征在于， 所述M为大于或等于 3的奇数。 12.一种用户行为预测设备， 其特征在于， 该设备包括处理器和存储器， 所述存储器用 于存储所述处理器可执行的程序， 所述处理器用于读取所述存储器中的程序并执行权利要 求1～11任一所述方法的步骤。 13.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行 时实现如权利要求1～1 1任一所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114386618 A 3