一种行为数据预测方法及装置与流程

技术特征：
1.一种行为数据预测方法，其特征在于，所述方法包括：获取当前用户行为对应的第一机构编码，所述第一机构编码用于标识所述当前用户行为发生的机构；将所述第一机构编码输入预置预测模型中，获取所述预置预测模型针对所述当前用户行为输出的预测结果，所述预置预测模型通过采用注意力机制对第二机构编码以及序列编码向量进行池化处理获得的目标特征向量训练得到，所述第二机构编码用于标识历史用户行为发生的机构，所述序列编码向量根据所述历史用户行为的发生时序以及所述第二机构编码构建得到。2.根据权利要求1所述的方法，其特征在于，所述获取当前用户行为对应的第一机构编码之前，还包括：分别获取至少两个历史用户行为对应的第二机构编码以及发生时序；根据所述发生时序与所述第二机构编码构建至少两个所述历史用户行为对应的序列编码向量；采用注意力机制对所述序列编码向量与所述第二机构编码进行池化处理获得目标特征向量；采用所述目标特征向量进行深度神经网络模型训练，获得所述预置预测模型。3.根据权利要求1所述的方法，其特征在于，所述采用注意力机制对所述序列编码向量与所述第二机构编码进行池化处理获得目标特征向量，包括：对所述序列编码向量进行transformer处理，获得第一向量；对所述序列编码向量与所述第二机构编码进行注意力池化处理，获得第二向量；根据所述第一向量与所述第二向量获得所述目标特征向量。4.根据权利要求3所述的方法，其特征在于，所述对所述序列编码向量与所述第二机构编码进行注意力池化处理，获得第二向量，包括：将所述第二机构编码作为第一矩阵，所述序列编码向量作为第二矩阵进行注意力池化处理，获得所述第二向量。5.根据权利要求1所述的方法，其特征在于，所述根据所述发生时序与所述第二机构编码构建至少两个所述历史用户行为对应的序列编码向量之后，还包括：对所述序列编码向量与所述第二机构编码分别进行嵌入处理。6.一种行为数据预测装置，其特征在于，所述装置包括：第一编码获取模块，用于获取当前用户行为对应的第一机构编码，所述第一机构编码用于标识所述当前用户行为发生的机构；行为数据预测模块，用于将所述第一机构编码输入预置预测模型中，获取所述预置预测模型针对所述当前用户行为输出的预测结果，所述预置预测模型通过采用注意力机制对第二机构编码以及序列编码向量进行池化处理获得的目标特征向量训练得到，所述第二机构编码用于标识历史用户行为发生的机构，所述序列编码向量根据所述历史用户行为的发生时序以及所述第二机构编码构建得到。7.根据权利要求6所述的装置，其特征在于，所述装置还包括：第二编码获取模块，用于分别获取至少两个历史用户行为对应的第二机构编码以及发生时序；
序列向量构建模块，用于根据所述发生时序与所述第二机构编码构建至少两个所述历史用户行为对应的序列编码向量；特征向量获取模块，用于采用注意力机制对所述序列编码向量与所述第二机构编码进行池化处理获得目标特征向量；预测模型训练模块，用于采用所述目标特征向量进行深度神经网络模型训练，获得所述预置预测模型。8.根据权利要求6所述的装置，其特征在于，所述特征向量获取模块，包括：第一向量获取子模块，用于对所述序列编码向量进行transformer处理，获得第一向量；第二向量获取子模块，用于对所述序列编码向量与所述第二机构编码进行注意力池化处理，获得第二向量；特征向量获取子模块，用于根据所述第一向量与所述第二向量获得所述目标特征向量。9.根据权利要求8所述的装置，其特征在于，所述第二向量获取子模块，具体用于将所述第二机构编码作为第一矩阵，所述序列编码向量作为第二矩阵进行注意力池化处理，获得所述第二向量。10.根据权利要求6所述的装置，其特征在于，所述装置还包括：向量嵌入处理模块，用于对所述序列编码向量与所述第二机构编码分别进行嵌入处理。

技术总结
本发明提供了一种行为数据预测方法及装置，属于数据处理领域，本发明提供的方法可以获取当前用户行为对应的第一机构编码，并将第一机构编码输入预置预测模型中获取预置预测模型输出的预测结果，其中，预置预测模型通过采用注意力机制对第二机构编码以及序列编码向量进行池化处理获得的目标特征向量训练得到，第二机构编码用于标识历史用户行为发生的机构，序列编码向量根据历史用户行为的发生时序以及所述第二机构编码构建得到，通过注意力机制的池化方法进行特征提取，预置预测模型的训练过程中无需进行特征工程，从而能够有效提高数据预测效率、降低成本，还能对各历史用户行为实现注意力加权的效果，提高模型对当前用户行为预测的准确率。户行为预测的准确率。户行为预测的准确率。


技术研发人员：林智明 潘华引
受保护的技术使用者：同盾控股有限公司
技术研发日：2021.06.22
技术公布日：2021/10/23