用户行为分析方法、装置、NWDAF以及存储介质与流程

用户行为分析方法、装置、nwdaf以及存储介质
技术领域
1.本发明涉及通信技术领域，尤其涉及一种用户行为分析方法、装置、nwdaf以及存储介质。


背景技术：

2.在5g架构中，用户面与控制面实现了彻底分离。在5g网络中，网元和接口的数量将会增多，同时，网络中用户的种类和数量会极大地增长。不同种类用户以及同一种类的不同用户的行为习惯都可能大不相同，现有的“订阅——基于事件上报”的信息获取模式，已不能满足用户量巨大、用户行为复杂的移动通信网络用户行为分析的需求。目前，在当前网络中存储用户信息时，没有存储用户的常见行为，这是因为用户的复杂行为难以用网络能够理解的语言描述出来；因此，对于每个用户，网络都不了解其行为习惯，在网络判断用户的行为时，每个用户都是作为一个陌生用户从“0”开始判断，判断效率十分低下，准确率也不高，同时占用大量网络计算和存储资源。


技术实现要素：

3.有鉴于此，本发明要解决的一个技术问题是提供一种用户行为分析方法、装置、nwdaf以及存储介质。
4.根据本公开的第一方面，提供一种用户行为分析方法，应用于网络数据分析功能nwdaf中，包括：配置与用户标识相对应的参数采集配置信息；在进行行为分析时，根据所述参数采集配置信息获取与所述用户标识相对应的用户参数；使用训练好的用户行为预测模型并根据所述用户参数对用户行为进行预测处理，获得用户行为预测信息。
5.可选地，在对预设的用户行为模型进行训练时，根据所述参数采集配置信息获取与所述用户标识相对应的用户参数集合，并获取与所述用户参数集合相对应的用户行为集合；基于所述用户参数集合和所述用户行为集合生成训练样本，使用深度学习方法并基于所述训练样本对所述用户行为模型进行训练，用于获取训练好的用户行为预测模型。
6.可选地，所述根据所述参数采集配置信息获取与所述用户标识相对应的用户参数集合，并获取与所述用户参数集合相对应的用户行为集合包括：从网元和/或网管系统中采集与所述用户标识相对应的用户信息；根据所述参数采集配置信息从所述用户信息中提取所述用户参数集合；基于预设的行为分析策略获取与所述用户参数集合相对应的所述用户行为集合。
7.可选地，所述根据所述参数采集配置信息获取与所述用户标识相对应的用户参数包括：根据所述参数采集配置信息从网元和/或网管系统中采集与所述用户标识相对应的最新用户参数。
8.可选地，在进行行为分析时，获取与分析目标用户相对应的用户标识；判断是否对于此用户标识配置有所述参数采集配置信息；如果是，则根据此参数采集配置信息获取与对应的用户标识相对应的用户参数；如果否，则从网元和/或网管系统中采集与此用户标识
相对应的用户信息，基于预设的行为分析策略并根据所述用户信息获取用户行为信息。
9.可选地，如果所述参数采集配置信息发生改变，则根据新参数采集配置信息对所述用户行为预测模型进行训练。
10.根据本公开的第二方面，提供一种用户行为分析装置，设置在网络数据分析功能nwdaf中，包括：信息配置模块，用于配置与用户标识相对应的参数采集配置信息；数据获取模块，用于在进行行为分析时，根据所述参数采集配置信息获取与所述用户标识相对应的用户参数；行为预测模块，用于使用训练好的用户行为预测模型并根据所述用户参数对用户行为进行预测处理，获得用户行为预测信息。
11.可选地，模型训练模块，包括：样本获取单元，用于在对预设的用户行为模型进行训练时，根据所述参数采集配置信息获取与所述用户标识相对应的用户参数集合，并获取与所述用户参数集合相对应的用户行为集合；训练执行单元，用于基于所述用户参数集合和所述用户行为集合生成训练样本，使用深度学习方法并基于所述训练样本对所述用户行为模型进行训练，用于获取训练好的用户行为预测模型。
12.可选地，所述样本获取单元，用于从网元和/或网管系统中采集与所述用户标识相对应的用户信息；根据所述参数采集配置信息从所述用户信息中提取所述用户参数集合；基于预设的行为分析策略获取与所述用户参数集合相对应的所述用户行为集合。
13.可选地，所述数据获取模块，用于根据所述参数采集配置信息从网元和/或网管系统中采集与所述用户标识相对应的最新用户参数。
14.可选地，所述行为预测模块，用于在进行行为分析时，获取与分析目标用户相对应的用户标识；判断是否对于此用户标识配置有所述参数采集配置信息；如果是，则所述数据获取模块根据此参数采集配置信息获取与对应的用户标识相对应的用户参数；如果否，则所述数据获取模块从网元和/或网管系统中采集与此用户标识相对应的用户信息，所述行为预测模块基于预设的行为分析策略并根据所述用户信息获取用户行为信息
15.可选地，模型更新模块，用于如果所述参数采集配置信息发生改变，则根据新参数采集配置信息对所述用户行为预测模型进行训练。
16.根据本公开的第三方面，提供一种用户行为分析装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。
17.根据本公开的第四方面，提供一种网络数据分析功能nwdaf，包括：如上所述的用户行为分析装置。
18.根据本公开的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被一个或多个处理器执行时实现如上所述的方法的步骤。
19.本公开的用户行为分析方法、装置、nwdaf以及存储介质，配置与用户标识相对应的参数采集配置信息，根据参数采集配置信息获取与用户标识相对应的用户参数，使用用户行为预测模型并根据用户参数获得用户行为预测信息；可以有针对性的调取相关用户信息，避免了无关信息的调取，减少了不相关信息的调取；使用用户行为预测模型进行用户行为分析，加快了用户行为分析的速度，用户行为分析准确，节约了网络的传输资源和计算资源。
附图说明
20.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为根据本公开的用户行为分析方法的一个实施例的流程示意图；
22.图2为根据本公开的用户行为分析方法的一个实施例的数据采集示意图；
23.图3为根据本公开的用户行为分析方法的一个实施例的模型训练的流程示意图；
24.图4a为根据本公开的用户行为分析方法的另一个实施例的流程示意图；
25.图4b为nwdaf的订阅数据的消息示意图；
26.图4c为本公开的用户行为分析方法的应用场景示意图；
27.图5为根据本公开的用户行为分析装置的一个实施例的模块示意图；
28.图6为根据本公开的用户行为分析装置的另一个实施例的模块示意图；
29.图7为根据本公开的用户行为分析装置的一个实施例中的模型训练模块的模块示意图；
30.图8为根据本公开的用户行为分析装置的又一个实施例的模块示意图。
具体实施方式
31.下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
32.下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。
33.图1为根据本公开的用户行为分析方法的一个实施例的流程示意图，本公开的用户行为分析方法应用于网络数据分析功能nwdaf(network data analytics function)中，如图1所示：
34.步骤101，配置与用户标识相对应的参数采集配置信息。
35.在一个实施例中，参数采集配置信息包括需要采集的用户参数信息，例如，参数采集配置信息包括时间、地点、用户轨迹信息等。对于用户轨迹信息，网络内的网元或网管系统通过获取用户终端连接的基站信息，可以获得用户终端的位置或区域信息以及用户终端的移动速度，基于用户终端的位置或区域信息以及用户终端的移动速度可以得到用户轨迹信息。
36.用户标识可以为手机号等，设置与用户的手机号相对应的analytic id，并设置analytic id与参数采集配置信息的对应关系。
37.步骤102，在进行行为分析时，根据参数采集配置信息获取与用户标识相对应的用户参数。
38.在一个实施例中，在对一个用户进行行为分析时，获取用户的analytic id，基于analytic id与参数采集配置信息的对应关系获取存储的、与analytic id相对应的参数采
集配置信息，基于参数采集配置信息从网元或网管系统获得与用户的手机号相对应的用户参数。
39.例如，参数采集配置信息包括时间、地点、用户轨迹信息等，从网络中的网元或网管系统获得与用户的手机号相对应的用户参数包括与用户的手机号相对应时间、地点、用户轨迹等参数。
40.步骤103，使用训练好的用户行为预测模型并根据用户参数对用户行为进行预测处理，获得用户行为预测信息。
41.在一个实施例中，将用户的手机号相对应时间、地点、用户轨迹等参数输入训练好的用户行为预测模型，获取用户行为预测模型输出的用户行为预测信息，用户行为可以为回家、上班、看球赛、外出就餐等行为。
42.如图2所示，nwdaf能够从pcf(policy control function，策略控制功能)、udm(unified data management，统一数据管理功能)、smf(session management function，会话管理功能)等网元以及网管系统中获取用户信息。
43.使用本公开的用户行为分析方法，能够解决传统的用户行为分析方案的缺点，nwdaf存储训练好的用户行为模型以及参数采集配置信息，减少用户行为分析时nwdaf获取的信息量；在后续进行用户行为分析时，只根据参数采集配置信息调取相关的用户参数，大大减少了不相关信息的调取，降低了网络的负担，同时极大地加快了用户行为分析的速度。
44.图3为根据本公开的用户行为分析方法的一个实施例的模型训练的流程示意图，如图3所示：
45.步骤301，在对预设的用户行为模型进行训练时，根据参数采集配置信息获取与用户标识相对应的用户参数集合，并获取与用户参数集合相对应的用户行为集合。
46.在一个实施例中，从网元和/或网管系统中采集与用户标识相对应的用户信息，根据参数采集配置信息从用户信息中提取用户参数集合，基于预设的行为分析策略获取与用户参数集合相对应的用户行为集合。
47.例如，参数采集配置信息包括时间、地点、用户轨迹信息等，用户标识可以为用户终端的手机号码等。在对预设的用户行为模型进行训练时，nwdaf从网元、网管系统中采集与用户标识相对应的用户信息，用户信息包括用户的全部参数信息。
48.根据参数采集配置信息的时间、地点、用户轨迹信息等从用户信息中获取与用户标识相对应的用户参数集合。nwdaf根据现有的行为分析方法，对用户信息进行分析，获取与用户参数集合相对应的用户行为集合。
49.步骤302，基于用户参数集合和用户行为集合生成训练样本，使用深度学习方法并基于训练样本对用户行为模型进行训练，用于获取训练好的用户行为预测模型。
50.在一个实施例中，用户行为预测模型可以为深度学习模型，深度学习模型有多种，例如深度学习模型包括cnn(卷积神经网络)、dbn(深度信念网络)、rnn(循环神经网络)、rntn、自动编码器、gan(生成对抗网络)等。用户行为预测模型可以包括多层神经元模型，多层神经元模型包括输入层神经元模型、中间层神经元模型和输出层神经元模型，每层神经元模型的输出作为下一层神经元模型的输入，多层神经元模型可以为具有全连接结构的多个神经网络层的子网络结构，中间层神经元模型为全连接层。
51.基于用户参数集合和用户行为集合生成训练样本。例如，用户参数集合中的各个
用户参数包括用户标识、时间、地点、用户轨迹信息，用户行为集合中的各个用户行为为回家、上班、看球赛或外出就餐等。可以使用现有的多种模型训练方法基于训练样本对用户行为模型进行训练，用于获取训练好的用户行为预测模型。
52.在用户行为预测模型训练好之后，根据参数采集配置信息从网元、网管系统中采集与用户标识相对应的最新用户参数，用户参数包括时间、地点、用户轨迹等参数，将最新用户参数输入训练好的用户行为预测模型，获得用户行为预测模型输出的用户行为预测信息，用户行为预测信息可以为回家、上班、看球赛、外出就餐等行为。
53.在一个实施例中，在进行行为分析时，nwdaf获取与分析目标用户相对应的用户标识，判断是否对于此用户标识配置有参数采集配置信息，如果是，则根据此参数采集配置信息获取与对应的用户标识相对应的用户参数；如果否，则从网元、网管系统中采集与此用户标识相对应的用户信息，基于预设的行为分析策略并根据用户信息获取用户行为信息。
54.例如，nwdaf获取分析目标用户的用户标识为手机号码，判断nwdaf上是否配置有与此手机号码相对应的analytic id，以及是否配置有此analytic id与参数采集配置信息的对应关系；如果nwdaf上配置有与此手机号码相对应的analytic id以及与此analytic id相对应的参数采集配置信息，则判断对于此用户标识配置有参数采集配置信息。
55.参数采集配置信息包括时间、地点、用户轨迹信息等，根据此参数采集配置信息获取与用户标识相对应的包括时间、地点、用户轨迹信息等用户参数，即nwdaf会根据所需要分析的内容，相应的调取相关信息。
56.如果nwdaf上没有配置有与此手机号码相对应的analytic id，则从网元、网管系统中采集与此用户标识相对应的用户信息，基于预设的行为分析策略并根据用户信息获取用户行为信息，用户信息包括时间、地点、用户轨迹信息、通话时长、身份信息等关于用户的全部信息，即如果nwdaf之前没配置过参数采集配置信息，nwdaf不知道需要调取哪些相关信息，需要调取该用户的全部信息。nwdaf可以基于现有的多种行为分析策略并根据用户信息获取用户行为信息。
57.在一个实施例中，如果参数采集配置信息发生改变，则根据新参数采集配置信息对用户行为预测模型进行训练。例如，原参数采集配置信息包括时间、地点、用户轨迹信息等，新参数采集配置信息包括时间、地点、用户轨迹信息、电话记录、联系人、通话时长等。当参数采集配置信息发生改变时，需要对用户行为预测模型重新进行训练，可以采用上述的模型训练方法对用户行为预测模型重新进行训练。
58.例如，nwdaf从网元、网管系统中采集与用户标识相对应的用户信息，根据参数采集配置信息的时间、地点、用户轨迹信息、电话记录、联系人、通话时长等信息从用户信息中获取与用户标识相对应的用户参数集合。nwdaf根据现有的行为分析方法，对用户信息进行分析，获取与用户参数集合相对应的用户行为集合。基于用户参数集合和用户行为集合生成训练样本，使用深度学习方法并基于训练样本对用户行为模型进行训练，用于获取训练好的用户行为预测模型。
59.本公开的用户行为分析方法，在nwdaf上加入了用于存储用户行为分析模型以及参数采集配置信息的存储器，nwdaf通过从各个网元、af、nef(网络能力暴露功能)、nrf(nf repository function，nf贮存功能)、oam(操作、管理、维护)处收集用户行为判断所需的信息，通过分布式机器学习、深度神经网络、联邦学习等机器学习的方法，对收集到的数据进
行训练，获得用于该用户行为判断的用户行为分析模型。
60.nwdaf上的存储器存储用户行为分析模型，并根据用户行为分析模型所需信息，重新配置网络采集的用户信息参数，仅收集与该用户行相关的信息(例如只调取与参数采集配置信息相匹配的相关用户参数)，从而减少与该用户行为判断不相关的信息采集，并且可以根据需求，也可以增加新信息的采集(例如发现某种信息对某种用户行为分析有重要作用，则可适当增加采集的用户参数)，从而大大提高用户行为判断所需的信息采集的效率，快速地进行用户行为的分析。
61.相比现有的nwdaf每次都需要从其它网元获取全部信息进行用户分析，本公开的用户行为分析方法中的nwdaf在进行用户行为分析时，仅根据参数采集配置信息调取用户行为相关信息，而避免了大量调取无关信息，实现了用户行为的快速分析。
62.图4a为根据本公开的用户行为分析方法的另一个实施例的流程示意图，如图4a所示：
63.步骤401，402，当nwdaf需要训练用户行为预测模型时，从网元或网管调取模型训练所需的全套用户相关信息。
64.步骤403，nwdaf基于收集到的数据，进行数据训练，得到训练好的用户行为预测模型并存储；基于训练好的用户行为预测模型，nwdaf确定用于此用户行为分析所需要的相关信息，设置用于此用户行为分析的参数采集配置信息，建立analytic id与参数采集配置信息的对应关系。
65.步骤404,405，需要进行用户行为分析或继续进行模型训练时，根据analytic id与参数采集配置信息的对应关系，基于参数采集配置信息调取相关的用户参数信息，并根据调取的用户参数信息并使用训练好的用户行为预测模型进行行为分析，或进行用户行为预测模型训练。nwdaf的“订阅——基于事件上报”的信息获取方式以及使用的消息如图4b所示，其中nf为网络功能。
66.在一个实施例中，如图4c所示，用户为一个准时上下班的人，上下班是其常见行为，nwdaf在对此用户训练好用户行为预测模型后，存储用于分析其上下班行为判断的用户行为预测模型，配置参数采集配置信息，参数采集配置信息包括时间、地点、用户轨迹；其中，地点和用户轨迹可以通过用户终端连接的基站信息获得。如果在下班的时间点，需要对该用户行为进行行为分析时，nwdaf可以根据参数采集配置信息采集该行为分析所需的用户参数信息，并使用用户行为预测模型进行分析、预测。
67.在一个实施例中，如图5所示，本公开提供一种用户行为分析装置50，设置在网络数据分析功能nwdaf中，包括：信息配置模块51、数据获取模块52和行为预测模块53。
68.信息配置模块51配置与用户标识相对应的参数采集配置信息。数据获取模块52在进行行为分析时，根据参数采集配置信息获取与用户标识相对应的用户参数。行为预测模块53使用训练好的用户行为预测模型并根据用户参数对用户行为进行预测处理，获得用户行为预测信息。
69.在一个实施例中，如图6所示，用户行为分析装置50还包括：模型训练模块54和模型更新模型55。如图7所示，模型训练模块54包括样本获取单元541和训练执行单元542。样本获取单元541在对预设的用户行为模型进行训练时，根据参数采集配置信息获取与用户标识相对应的用户参数集合，并获取与用户参数集合相对应的用户行为集合。
70.训练执行单元542基于用户参数集合和用户行为集合生成训练样本，使用深度学习方法并基于训练样本对用户行为模型进行训练，用于获取训练好的用户行为预测模型。
71.样本获取单元541从网元和/或网管系统中采集与用户标识相对应的用户信息，根据参数采集配置信息从用户信息中提取用户参数集合，基于预设的行为分析策略获取与用户参数集合相对应的用户行为集合。
72.数据获取模块52根据参数采集配置信息从网元和/或网管系统中采集与用户标识相对应的最新用户参数。行为预测模块53在进行行为分析时，获取与分析目标用户相对应的用户标识，判断是否对于此用户标识配置有参数采集配置信息；如果是，则数据获取模块52根据此参数采集配置信息获取与对应的用户标识相对应的用户参数；如果否，则数据获取模块52从网元和/或网管系统中采集与此用户标识相对应的用户信息，行为预测模块53基于预设的行为分析策略并根据用户信息获取用户行为信息。如果参数采集配置信息发生改变，则模型更新模块55根据新参数采集配置信息对用户行为预测模型进行训练。
73.图8为根据本公开的用户行为分析装置的又一个实施例的模块示意图。如图8所示，该装置可包括存储器81、处理器82、通信接口83以及总线84。存储器81用于存储指令，处理器82耦合到存储器81，处理器82被配置为基于存储器81存储的指令执行实现上述的用户行为分析方法。
74.存储器81可以为高速ram存储器、非易失性存储器(non-volatile memory)等，存储器81也可以是存储器阵列。存储器81还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器82可以为中央处理器cpu，或专用集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明公开的用户行为分析方法的一个或多个集成电路。
75.在一个实施例中，本公开提供一种网络数据分析功能nwdaf，包括如上任一实施例中的用户行为分析装置。
76.在一个实施例中，本公开还提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一实施例涉及的用户行为分析方法。
77.上述实施例提供的用户行为分析方法、装置、nwdaf以及存储介质，配置与用户标识相对应的参数采集配置信息，根据参数采集配置信息获取与用户标识相对应的用户参数，使用用户行为预测模型并根据用户参数获得用户行为预测信息；可以有针对性的调取相关用户信息，避免了无关信息的调取，减少了不相关信息的调取；使用用户行为预测模型进行用户行为分析，加快了用户行为分析的速度，用户行为分析准确，节约了网络的传输资源和计算资源。
78.本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
79.本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程
和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
80.至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
81.可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
82.本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。