用户行为预测方法、系统及其装置与流程

1.本技术实施例涉及机器学习算法领域，尤其涉及用户行为预测方法、系统及其装置。


背景技术：

2.随着信贷业务的产生和个人小微贷款业务的发展和普及，各金融机构纷纷推出多样化的信贷产品，购买信贷产品的用户数量也急剧增多，对用户行为的监测和风险防范也成为信贷产品服务环节中至关重要的一部分。
3.目前对于用户的行为监测通常采用传统的数据监测方法对用户的行为数据进行监测，并针对用户行为数据设置各种数据指标，为各项指标设置阈值，根据实时监测到的用户行为数据判断其是否符合预设的指标阈值来判断是否存在异常行为数据，从而确认是否存在用户行为异常。
4.但是传统的数据监测方法一般无法对用户类型作出区分，例如不同种类的用户在同一指标的数据差异较大，如不根据用户类别设置阈值，而将所有的用户种类的同一指标的阈值都一概而论，则容易造成误判。如果根据用户的不同种类设置不同的阈值，则又会因为用户种类和指标种类繁多，造成分类繁琐，或者人为划定分类规则存在不准确不合理的情况。


技术实现要素：

5.本技术实施例提供了用户行为预测方法、系统及其装置，用于对用户行为进行监测并预测，准确性较高。
6.本技术实施例提供的一种用户行为预测方法，包括：
7.获取目标预测模型，所述目标预测模型由用户标签数据和用户历史行为数据进行机器学习训练得到，所述目标预测模型中保存有用户标签和用户行为特征的第一对应关系，所述用户行为特征通过对用户历史行为数据进行机器学习获得；
8.获取目标用户行为数据；
9.获取目标用户标签；
10.将所述目标用户行为数据和所述目标用户标签输入至所述目标预测模型，得到所述目标预测模型依据所述第一对应关系和所述用户行为特征输出的用户预测行为数据。
11.可选的，在所述获取目标用户标签之前，所述方法还包括：
12.获取用户特征数据；
13.根据所述用户特征数据对用户进行聚类得到多个具有相似用户特征的用户簇，并为同一用户簇的用户设置相同的用户标签，得到用户标签数据；
14.所述获取目标用户标签包括：
15.将待预测用户行为的目标用户的用户标签确认为目标用户标签。
16.可选的，所述根据所述用户特征数据对用户进行聚类得到多个具有相似用户特征
的用户簇，并为同一用户簇的用户设置相同的用户标签，得到用户标签数据包括：
17.采用聚类算法根据所述用户特征数据对用户进行聚类得到多个具有相似用户特征的用户簇；
18.对用户特征数据进行流式处理，以使得所述用户簇的种类和所述用户标签数据实时更新。
19.可选的，在所述获取目标用户标签之前，所述方法还包括：
20.获取用户聚类模型，所述用户聚类模型由所述用户特征数据和用户标签数据进行机器学习训练得到，所述用户聚类模型中保存有所述用户特征数据和用户标签数据的第二对应关系；
21.所述获取目标用户标签包括：
22.将待预测用户行为的目标用户的目标用户特征数据输入至所述用户聚类模型中，得到所述用户聚类模型根据所述第二对应关系输出的目标用户标签。
23.可选的，在所述获取目标预测模型之前，所述方法还包括：
24.流式获取用户历史行为数据；
25.获取用户标签数据；
26.将所述用户历史行为数据和所述用户标签数据作为训练样本输入初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有用户标签和用户行为特征的第一对应关系，所述用户行为特征通过对用户历史行为数据进行机器学习获得。
27.可选的，在所述得到所述目标预测模型依据所述第一对应关系和所述用户行为特征输出的用户预测行为数据之后，所述方法还包括：
28.对用户行为进行实时监测，当用户实际行为与所述用户预测行为数据的偏差不满足用户行为阈值时，确认所述用户实际行为存在异常。
29.可选的，在所述当用户实际行为与所述用户预测行为数据的偏差不满足用户行为阈值时，确认所述用户实际行为存在异常之后，所述方法还包括：
30.当存在目标用户的用户实际行为异常时，将所述用户实际行为标记为用户异常行为，并保存在所述目标用户的用户行为数据中。
31.本技术实施例提供的一种用户行为预测系统，包括：
32.获取单元，用于获取目标预测模型，所述目标预测模型由用户标签数据和用户历史行为数据进行机器学习训练得到，所述目标预测模型中保存有用户标签和用户行为特征的第一对应关系，所述用户行为特征通过对用户历史行为数据进行机器学习获得；
33.所述获取单元，还用于获取目标用户行为数据；
34.所述获取单元，还用于获取目标用户标签；
35.输出单元，用于将所述目标用户行为数据和所述目标用户标签输入至所述目标预测模型，得到所述目标预测模型依据所述第一对应关系和所述用户行为特征输出的用户预测行为数据。
36.可选的，所述获取单元具体用于获取用户特征数据；
37.所述用户行为预测系统还包括：
38.聚类单元，用于根据所述用户特征数据对用户进行聚类得到多个具有相似用户特
征的用户簇，并为同一用户簇的用户设置相同的用户标签，得到用户标签数据；
39.所述获取单元具体用于将待预测用户行为的目标用户的用户标签确认为目标用户标签。
40.可选的，所述聚类单元，还用于采用聚类算法根据所述用户特征数据对用户进行聚类得到多个具有相似用户特征的用户簇；
41.对用户特征数据进行流式处理，以使得所述用户簇的种类和所述用户标签数据实时更新。
42.可选的，所述获取单元具体用于获取用户聚类模型，所述用户聚类模型由所述用户特征数据和用户标签数据进行机器学习训练得到，所述用户聚类模型中保存有所述用户特征数据和用户标签数据的第二对应关系；
43.所述获取目标用户标签包括：
44.将待预测用户行为的目标用户的目标用户特征数据输入至所述用户聚类模型中，得到所述用户聚类模型根据所述第二对应关系输出的目标用户标签。
45.可选的，所述获取单元具体用于流式获取用户历史行为数据；
46.获取用户标签数据；
47.将所述用户历史行为数据和所述用户标签数据作为训练样本输入初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有用户标签和用户行为特征的第一对应关系，所述用户行为特征通过对用户历史行为数据进行机器学习获得。
48.可选的，所述用户行为预测系统还包括：
49.监测单元，用于对用户行为进行实时监测，当用户实际行为与所述用户预测行为数据的偏差不满足用户行为阈值时，确认所述用户实际行为存在异常。
50.可选的，所述用户行为预测系统还包括：
51.标记单元，用于当存在目标用户的用户实际行为异常时，将所述用户实际行为标记为用户异常行为，并保存在所述目标用户的用户行为数据中。
52.本技术实施例提供的一种用户行为预测装置，包括：
53.中央处理器，存储器以及输入输出接口；
54.所述存储器为短暂存储存储器或持久存储存储器；
55.所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行前述用户行为预测方法。
56.本技术实施例提供的一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行前述用户行为预测方法。
57.从以上技术方案可以看出，本技术实施例具有以下优点：
58.通过建立目标预测模型对用户行为进行预测，并且对用户设置用户标签从而实现对用户进行分类，将实时监测获得的目标用户行为数据输入至目标预测模型中，得到目标预测模型根据用户标签和用户行为特征的第一对应关系输出的用户预测行为数据，准确性较高。
附图说明
59.图1为本技术实施例提供的用户行为预测方法的一种实施方式的示意图；
60.图2为本技术实施例提供的用户行为预测方法的另一种实施方式的示意图；
61.图3为本技术实施例提供的用户行为预测系统的一种实施方式的示意图；
62.图4为本技术实施例提供的用户行为预测装置的一种实施方式的示意图。
具体实施方式
63.本技术实施例提供了用户行为预测方法、系统及其装置，用于对用户行为进行监测并预测，准确性较高。
64.随着信贷业务的产生和个人小微贷款业务的发展和普及，各金融机构纷纷推出多样化的信贷产品，购买信贷产品的用户数量也急剧增多，对用户行为的监测和风险防范也成为信贷产品服务环节中至关重要的一部分。
65.目前对于用户的行为监测通常采用传统的数据监测方法对用户的行为数据进行监测，并针对用户行为数据设置各种数据指标，为各项指标设置阈值，根据实时监测到的用户行为数据判断其是否符合预设的指标阈值来判断是否存在异常行为数据，从而确认是否存在用户行为异常。
66.但是传统的数据监测方法一般无法对用户类型作出区分，例如不同种类的用户在同一指标的数据差异较大，如不根据用户类别设置阈值，而将所有的用户种类的同一指标的阈值都一概而论，则容易造成误判。如果根据用户的不同种类设置不同的阈值，则又会因为用户种类和指标种类繁多，造成分类繁琐，或者人为划定分类规则存在不准确不合理的情况。
67.基于此，本技术实施例提供了结合了机器学习算法和聚类算法的用户行为预测方法，请参阅图1，本技术实施例提供的用户行为预测方法的一种实施方式包括步骤101至步骤104。
68.101、获取目标预测模型。
69.目标预测模型是预先建立的，具体是由用户标签数据和用户历史行为数据进行机器学习训练得到，目标预测模型中保存有用户标签和用户行为特征的第一对应关系，用户行为特征通过对用户历史行为数据进行机器学习获得。
70.具体地，用户标签数据是通过对用户特征数据进行聚类得到多个具有相似用户特征的用户簇，并为同一用户簇的用户设置相同的用户标签得到的。例如，用户特征数据可以包括：用户的注册地、用户工作城市、用户年龄、用户性别、用户职业、用户的信用分以及用户收入等，具体此处不做限定。将这些用户特征数据作为聚类算法的输入值，得到聚类后的用户簇，根据同一用户簇的特征对此用户簇的用户标签进行命名，从而得到用户标签数据。具体地，聚类算法可以采用dbscan算法、kmeans算法、均值漂移、高斯混合模型等聚类算法中的任意一种，还可以采用支持向量聚类的机器学习算法，具体此处不做限定。
71.用户行为特征是通过对用户历史行为数据进行机器学习训练获得的，对于具有相同用户标签的用户，通过对其历史行为数据进行机器学习训练便可得到用户行为特征，从而根据用户行为特征对目标用户行为进行预测。目标预测模型中保存有用户标签和用户行为特征的第一对应关系。
72.102、获取目标用户行为数据。
73.将待预测用户行为的用户确定为目标用户，采用流式处理方式实时获取目标用户行为数据，以便后续根据目标用户行为数据对目标用户进行行为预测。
74.103、获取目标用户标签。
75.根据用户标签数据确定目标用户的用户标签作为目标用户标签，以便后续根据目标用户标签对目标用户进行行为预测。
76.104、将目标用户行为数据和目标用户标签输入至目标预测模型，得到目标预测模型依据第一对应关系和用户行为特征输出的用户预测行为数据。
77.将目标用户行为数据和目标用户标签输入至目标预测模型，根据第一对应关系确认应该对目标用户采用哪种用户行为特征进行行为预测，并输出用户预测行为数据。
78.本实施例中，通过建立目标预测模型对用户行为进行预测，并且对用户设置用户标签从而实现对用户进行分类，将实时监测获得的目标用户行为数据输入至目标预测模型中，得到目标预测模型根据用户标签和用户行为特征的第一对应关系输出的用户预测行为数据，准确性较高。
79.请参阅图2，本技术实施例提供的用户行为预测方法的一种实施方式包括步骤201至步骤207。
80.201、获取用户标签数据。
81.用户标签数据是通过对用户特征数据进行聚类得到多个具有相似用户特征的用户簇，并为同一用户簇的用户设置相同的用户标签得到的。例如，用户特征数据可以包括：用户的注册地、用户工作城市、用户年龄、用户性别、用户职业、用户的信用分以及用户收入等，具体此处不做限定。将这些用户特征数据作为聚类算法的输入值，得到聚类后的用户簇，根据同一用户簇的特征对此用户簇的用户标签进行命名，从而得到用户标签数据。具体地，聚类算法可以采用dbscan算法、kmeans算法、均值漂移、高斯混合模型等聚类算法中的任意一种，还可以采用支持向量聚类的机器学习算法，具体此处不做限定。
82.其中，若采用机器学习算法得到聚类模型从而获取用户标签数据的方法，具体可以通过：
83.预先建立用户聚类模型，用户聚类模型由用户特征数据和用户标签数据进行机器学习训练得到，用户聚类模型中保存有用户特征数据和用户标签数据的第二对应关系。将待预测用户行为的目标用户的目标用户特征数据输入至用户聚类模型中，得到用户聚类模型根据第二对应关系输出的目标用户标签。
84.并且，对用户特征数据进行流式处理，以使得用户簇的种类和用户标签数据实时更新。
85.202、建立目标预测模型。
86.目标预测模型是预先建立的，具体是由用户标签数据和用户历史行为数据进行机器学习训练得到，目标预测模型中保存有用户标签和用户行为特征的第一对应关系，用户行为特征通过对用户历史行为数据进行机器学习获得。
87.用户行为特征是通过对用户历史行为数据进行机器学习训练获得的。流式获取用户历史行为数据，对于具有相同用户标签的用户，通过对其历史行为数据进行机器学习训练便可得到用户行为特征，从而根据用户行为特征对目标用户行为进行预测。目标预测模
型中保存有用户标签和用户行为特征的第一对应关系。
88.203、获取目标用户行为数据。
89.将待预测用户行为的用户确定为目标用户，采用流式处理方式实时获取目标用户行为数据，以便后续根据目标用户行为数据对目标用户进行行为预测。
90.204、获取目标用户标签。
91.根据用户标签数据确定目标用户的用户标签作为目标用户标签，以便后续根据目标用户标签对目标用户进行行为预测。
92.205、将目标用户行为数据和目标用户标签输入至目标预测模型，得到目标预测模型依据第一对应关系和用户行为特征输出的用户预测行为数据。
93.将目标用户行为数据和目标用户标签输入至目标预测模型，根据第一对应关系确认应该对目标用户采用哪种用户行为特征进行行为预测，并输出用户预测行为数据。
94.206、获取用户实际行为数据并进行实时监测，判断是否存在行为异常。
95.对用户行为进行实时监测主要通过实时流式获取用户行为数据，当用户实际行为数据与用户预测行为数据的偏差不满足用户行为阈值时，确认用户实际行为存在异常。其中，用户行为阈值通过机器学习获得的用户行为特征并人工经验进行预先设定。
96.207、若存在行为异常，则将目标用户的实际行为标记为用户异常行为。
97.当存在目标用户的用户实际行为异常时，将用户实际行为标记为用户异常行为，并保存在目标用户的用户行为数据中。其中，对异常行为的标记可以是对流式数据进行标记并保存于数据库，也可以是对用户的实时行为发出警报并通知用户或者监测者。
98.本实施例中，通过建立目标预测模型对用户行为进行预测，并且对用户设置用户标签从而实现对用户进行分类，将实时监测获得的目标用户行为数据输入至目标预测模型中，得到目标预测模型根据用户标签和用户行为特征的第一对应关系输出的用户预测行为数据，并且能根据得到的用户预测行为判断用户的实际行为是否存在异常，并对异常行为进行标记，准确性较高。
99.请参阅图3，本技术实施例提供的用户行为预测系统包括：
100.获取单元301，用于获取目标预测模型，目标预测模型由用户标签数据和用户历史行为数据进行机器学习训练得到，目标预测模型中保存有用户标签和用户行为特征的第一对应关系，用户行为特征通过对用户历史行为数据进行机器学习获得；
101.获取单元301，还用于获取目标用户行为数据；
102.获取单元301，还用于获取目标用户标签；
103.输出单元302，用于将目标用户行为数据和目标用户标签输入至目标预测模型，得到目标预测模型依据第一对应关系和用户行为特征输出的用户预测行为数据。
104.聚类单元303，用于根据用户特征数据对用户进行聚类得到多个具有相似用户特征的用户簇，并为同一用户簇的用户设置相同的用户标签，得到用户标签数据；
105.获取单元301具体用于将待预测用户行为的目标用户的用户标签确认为目标用户标签。
106.聚类单元303，还用于采用聚类算法根据用户特征数据对用户进行聚类得到多个具有相似用户特征的用户簇；
107.对用户特征数据进行流式处理，以使得用户簇的种类和用户标签数据实时更新。
108.获取单元301具体用于获取用户聚类模型，用户聚类模型由用户特征数据和用户标签数据进行机器学习训练得到，用户聚类模型中保存有用户特征数据和用户标签数据的第二对应关系；
109.获取目标用户标签包括：
110.将待预测用户行为的目标用户的目标用户特征数据输入至用户聚类模型中，得到用户聚类模型根据第二对应关系输出的目标用户标签。
111.获取单元301具体用于流式获取用户历史行为数据；
112.获取用户标签数据；
113.将用户历史行为数据和用户标签数据作为训练样本输入初始预测模型，使用训练样本对初始预测模型进行机器学习训练得到目标预测模型，目标预测模型中保存有用户标签和用户行为特征的第一对应关系，用户行为特征通过对用户历史行为数据进行机器学习获得。
114.用户行为预测系统还包括：
115.监测单元304，用于对用户行为进行实时监测，当用户实际行为与用户预测行为数据的偏差不满足用户行为阈值时，确认用户实际行为存在异常。
116.用户行为预测系统还包括：
117.标记单元305，用于当存在目标用户的用户实际行为异常时，将用户实际行为标记为用户异常行为，并保存在目标用户的用户行为数据中。
118.本实施例用户行为预测系统中各单元所执行的功能以及流程与前述图1至图2中用户行为系统所执行的功能和流程类似，此处不再赘述。
119.图4是本技术提供的用户行为预测装置的结构示意图，该用户行为预测装置400可以包括一个或一个以上中央处理器(central processing units，cpu)401和存储器405，该存储器405中存储有一个或一个以上的应用程序或数据。
120.其中，存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模块，每个模块可以包括对用户行为预测系统中的一系列指令操作。更进一步地，中央处理器401可以设置为与存储器405通信，在用户行为预测装置400上执行存储器405中的一系列指令操作。
121.用户行为预测装置400还可以包括一个或一个以上电源402，一个或一个以上有线或无线网络接口403，一个或一个以上输入输出接口404，和/或，一个或一个以上操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等。
122.该中央处理器401可以执行前述图1至图2所示实施例中用户行为预测系统所执行的操作，具体此处不再赘述。
123.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
124.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦
合或通信连接，可以是电性，机械或其它的形式。
125.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
126.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
127.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。