行为特征数据的获取方法与行为特征数据的获取系统与流程

1.本发明涉及计算机技术领域，具体地涉及一种行为特征数据的获取方法与行为特征数据的获取系统。


背景技术：

2.现有房产类应用(app)用于展示在售的房源信息(二手房、新房、租房)，其为用户提供搜索、筛选、推荐等功能，从而有助于用户找到合适的房源。app内部会设置一些点击入口以便于用户通过触发拨打电话、即时通讯、留下联系方式等方式进行交互。在此基础上，房产销售人员可以联系到有购房意愿的用户，进而可促使事件发生(即达成交易)。
3.目前房产类app对用户行为的数据采集和分析的方法通过埋点进行。具体地，通过设备id来标识区分不同的用户，在用户浏览页面或者点击按钮(跳转、弹窗、提示、分享、评论)的时候，产生一条埋点日志。然后将用户行为数据上报到后台服务器，并通过专门的数据处理逻辑来分析用户的行为。接着通过对用户群体数据的分析，得到转化率(点击率)、访问频率等各类数据指标的分布区间，再对处于不同区间的用户赋予不同的权重，用以标识购房意愿的强烈程度，进而采取不同的推荐、留存策略。
4.现有的数据采集和分析方法是通过app无差别上报所有的用户数据，由后台服务器对大量的数据进行处理。其弊端在于占用用户过多的网络流量，耗费大量的服务器资源和电力资源，并且对潜在的有购买意愿的用户的识别精准度不够高。


技术实现要素：

5.本发明的目的是提供一种行为特征数据的获取方法与行为特征数据的获取系统，其可在很大程度上降低要上传至服务器上的数据量，从而不仅可以大量节省用户流量(且无通信延迟)、服务器资源及电力资源，还能更精准地识别具有潜在购买意愿的用户。
6.为了实现上述目的，本发明第一方面提供一种行为特征数据的获取方法，所述行为特征数据的获取方法包括：采集用户在使用目标应用时的多个预设维度上的行为特征数据；将所述多个预设维度上的行为特征数据与多个行为特征模式进行匹配，其中，所述行为特征模式由所述多个预设维度中的至少两个预设维度上的行为特征数据各自所属的范围组成；以及在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，将所述行为特征数据上传至所述目标应用的服务器。
7.优选地，所述行为特征数据为第一预设周期内的使用数据和/或所述第一预设周期内的使用数据与第二预设周期内的使用数据的差值。
8.优选地，所述第一预设周期与所述第二预设周期为两个连续的预设周期，且所述第一预设周期为所述第二预设周期的后一个预设周期。
9.优选地，所述使用数据包括以下至少任一项：所述目标应用的开启次数；所述目标应用的使用时长；搜索条件的总数目；楼盘详情页的浏览总次数；楼盘详情页的浏览总时长；楼盘详情页的平均完读率；楼盘的浏览总数；楼盘的关注次数；楼盘的对比操作次数；交
互行为的触发次数；房贷计算次数。
10.优选地，所述交互行为包括：分享、评论、问答或者咨询。
11.优选地，所述多个行为特征模式为以下各项中的至少两者：{所述第一预设周期内的所述目标应用的开启次数与所述第二预设周期内的所述目标应用的开启次数的差值大于第一预设数目、所述第一预设周期内的楼盘详情页的浏览总时长大于第一预设时长、以及所述第一预设周期内的交互行为的次数与所述第二预设周期内的交互行为的次数的差值大于第二预设数目}；{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第三预设数目，以及所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第四预设数目}；{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第五预设数目，所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第六预设数目，以及，所述第一预设周期内的交互行为的触发次数与所述第二预设周期内的交互行为的触发次数的差值大于第七预设数目}；以及{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第八预设数目，所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第九预设数目，所述第一预设周期内的交互行为的触发次数与所述第二预设周期内的交互行为的触发次数的差值大于第十预设数目，以及所述第一预设周期内的房贷计算次数大于第十一预设数目}。
12.优选地，所述多个行为特征模式基于上传至所述服务器的行为特征数据与机器学习算法而被更新，相应地，所述行为特征数据的获取方法还包括：响应于所述服务器传送更新后的多个行为特征模式的动作，接收所述更新后的多个行为特征模式。
13.优选地，所述多个行为特征模式的正确率基于上传至所述服务器的行为特征数据与所述机器学习算法而被更新，
14.相应地，所述行为特征数据的获取方法还包括：响应于所述服务器传送更新后的多个行为特征模式的正确率的动作，接收所述更新后的多个行为特征模式的正确率；以及在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，获取所述特定行为特征模式的正确率，以将所获取的正确率作为由所述用户的使用行为表征事件发生的概率。
15.通过上述技术方案，本发明创造性地采集用户在使用目标应用时的多个预设维度上的行为特征数据，然后将所述多个预设维度上的行为特征数据与多个行为特征模式进行匹配，并在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，将所述行为特征数据上传至所述目标应用的服务器。由此，本发明可在很大程度上降低要上传至服务器上的数据量，从而不仅可以大量节省用户流量、服务器资源及电力资源，还能更精准地识别具有潜在购买意愿的用户。
16.本发明第二方面提供一种行为特征数据的获取系统，所述行为特征数据的获取系统包括：采集装置，用于采集用户在使用目标应用时的多个预设维度上的行为特征数据；匹配装置，用于将所述多个预设维度上的行为特征数据与多个行为特征模式进行匹配，其中，所述行为特征模式由所述多个预设维度中的至少两个预设维度上的行为特征数据各自所属的范围组成；以及上传装置，用于在所述多个预设维度上的行为特征数据与所述多个行
为特征模式中的特定行为特征模式相匹配的情况下，将所述行为特征数据上传至所述目标应用的服务器。
17.优选地，所述行为特征数据为第一预设周期内的使用数据和/或所述第一预设周期内的使用数据与第二预设周期内的使用数据的差值。
18.优选地，所述第一预设周期与所述第二预设周期为两个连续的预设周期，且所述第一预设周期为所述第二预设周期的后一个预设周期。
19.优选地，所述使用数据包括以下至少任一项：所述目标应用的开启次数；所述目标应用的使用时长；搜索条件的总数目；楼盘详情页的浏览总次数；楼盘详情页的浏览总时长；楼盘详情页的平均完读率；楼盘的浏览总数；楼盘的关注次数；楼盘的对比操作次数；交互行为的触发次数；房贷计算次数。
20.优选地，所述交互行为包括：分享、评论、问答或者咨询。
21.优选地，所述多个行为特征模式为以下各项中的至少两者：{所述第一预设周期内的所述目标应用的开启次数与所述第二预设周期内的所述目标应用的开启次数的差值大于第一预设数目、所述第一预设周期内的楼盘详情页的浏览总时长大于第一预设时长、以及所述第一预设周期内的交互行为的次数与所述第二预设周期内的交互行为的次数的差值大于第二预设数目}；{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第三预设数目，以及所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第四预设数目}；{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第五预设数目，所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第六预设数目，以及，所述第一预设周期内的交互行为的触发次数与所述第二预设周期内的交互行为的触发次数的差值大于第七预设数目}；以及{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第八预设数目，所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第九预设数目，所述第一预设周期内的交互行为的触发次数与所述第二预设周期内的交互行为的触发次数的差值大于第十预设数目，以及所述第一预设周期内的房贷计算次数大于第十一预设数目}。
22.优选地，所述多个行为特征模式基于上传至所述服务器的行为特征数据与机器学习算法而被更新，相应地，所述行为特征数据的获取系统还包括：第一接收装置，用于响应于所述服务器传送更新后的多个行为特征模式的动作，接收所述更新后的多个行为特征模式。
23.优选地，所述多个行为特征模式的正确率基于上传至所述服务器的行为特征数据与所述机器学习算法而被更新，相应地，所述行为特征数据的获取系统还包括：第二接收装置，用于响应于所述服务器传送更新后的多个行为特征模式的正确率的动作，接收所述更新后的多个行为特征模式的正确率；以及获取装置，用于在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，获取所述特定行为特征模式的正确率，以将所获取的正确率作为由所述用户的使用行为表征事件发生的概率。
24.有关本发明提供的行为特征数据的获取系统的具体细节及益处可参阅上述针对
行为特征数据的获取方法的描述，于此不再赘述。
25.本发明第三方面还提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，该指令用于使得机器执行上述的行为特征数据的获取方法。
26.本发明第四方面还提供一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现所述的行为特征数据的获取方法。
27.本发明第五方面还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现所述的行为特征数据的获取方法的步骤。
28.本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
29.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
30.图1是本发明一实施例提供的行为特征数据的获取方法的流程图；
31.图2是本发明一实施例提供的app端与服务器端之间的交互示意图；
32.图3是本发明一实施例提供的app端与服务器端之间的交互示意图；以及
33.图4是本发明一实施例提供的行为特征数据的获取系统的结构图。
具体实施方式
34.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
35.图1是本发明一实施例提供的行为特征数据的获取方法的流程图。如图1所示，所述行为特征数据的获取方法可包括以下步骤s101-s103。
36.步骤s101，采集用户在使用目标应用时的多个预设维度上的行为特征数据。
37.本发明在用户同意的情况下，采集用户在使用目标应用时的多个预设维度上的行为特征数据。
38.其中，所述行为特征数据为第一预设周期内的使用数据和/或所述第一预设周期内的使用数据与第二预设周期内的使用数据的差值。具体地，所述第一预设周期与所述第二预设周期为两个连续的预设周期，且所述第一预设周期为所述第二预设周期的后一个预设周期。例如，以特定日期为参照，该特定日期(例如，2020-12-30)的前7天(例如，2020-12-23至2020-12-29)为第一预设周期；该特定日期的前14天减去前7天的期间(例如，2020-12-16至2020-12-22)为第二预设周期。
39.其中，所述使用数据可包括以下至少任一项：所述目标应用的开启次数；所述目标应用的使用时长；搜索条件的总数目；楼盘详情页的浏览总次数；楼盘详情页的浏览总时长；楼盘详情页的平均完读率；楼盘的浏览总数；楼盘的关注次数；楼盘的对比操作次数；交互行为的触发次数；房贷计算次数。具体地，下面将介绍每个预设周期内的使用数据的获取过程。
40.首先，可获取每个预设周期内的单次的使用数据。例如，所述单次的使用数据可包
括：是否开启所述目标应用(若开启则开启次数增加1)；搜索条件的数目；是否浏览楼盘详情页(若浏览则浏览总次数增加1)；楼盘详情页的完读率；浏览的楼盘是否为已浏览过的楼盘(若不是则浏览总数增加1)；是否触发关注动作(若触发则该楼盘的关注次数增加1；是否触发楼盘对比操作(若是则对比操作次数增加1)；是否触发交互行为(若是则交互行为的触发次数增加1)；是否触发房贷计算(若是则房贷计算次数增加1)。
41.其中，所述搜索条件具体可指每次搜索房源的筛选条件(用户以不同的筛选条件搜索房源)；所述楼盘详情页的完读率可为已浏览的所述楼盘详情页的相册、基本信息、沙盘、楼栋、户型或者周边中的页面的数目占所有页面的比率；所述对比操作是目标应用内的楼盘对比的功能：勾选两个以上的楼盘，并点击对比(对比操作)会进入一个列表结构的页面，可以将选中的楼盘的信息在表格中对比展示(例如价格、户型、建面等差异)，以便于用户更直观的抉择；所述交互行为可包括：分享、评论、问答或者咨询。
42.对于单次的使用数据：采集用户何时做了什么操作(这是目前传统埋点记录的数据)，例如：2020-12-31 13:03:22启动app；2020-12-31 13:04:48浏览楼盘详情页；2020-12-31 13:06:13点击在线咨询按钮等。
43.其次，根据单次的使用数据确定所述每个预设周期内的使用数据。
44.具体地，基于单次的使用数据来表征同一预设周期内的用户行为的频次、时长或平均完读率等。例如：用户在特定日期(例如，2020-12-30)之前的7天内，启动app 5次；用户在特定日期(例如，2020-12-30)当天，浏览楼盘详情页28次；用户本次分享距上次分享间隔多长时间等。再例如，所述特定日期(例如，2020-12-30)之前的7天(2020-12-23至2020-12-29)内的数据与之前的14天(2020-12-16至2020-12-29)内的数据对比，可得到两个相邻周期(即2020-12-16至2020-12-22范围内的7日与2020-12-23至2020-12-29范围内的7日)的行为数据的变化量(例如增减幅度)。根据变化趋势数据可以反应用户购房意愿的变化以及对意向楼盘的认可程度，由此可作为触发事件发生的可能性的评判依据。在本实施例中，采用多个维度来表征用户的使用行为，而不是传统的行为事件的单次记录。例如：采集用户每次使用目标应用的启动与退出时间(从而可得到相应的使用时长)、每次浏览楼盘详情页的时长、距上一次使用的时间间隔(例如间隔天数)、每天的使用次数、每天浏览楼盘详情页的次数、交互(分享、评论、问答、咨询等)的次数、每天的楼盘详情页的完读率等。
45.因此，app端本地依据行为定义建立数据存储结构，并依据app执行和页面展示的生命周期、以及ui控件对交互事件的响应，采用上述方法执行相关数据的采集，之后将所采集的数据存放到本地的数据库中。
46.步骤s102，将所述多个预设维度上的行为特征数据与多个行为特征模式进行匹配。
47.其中，所述行为特征模式可由所述多个预设维度中的至少两个预设维度上的行为特征数据各自所属的范围组成。
48.例如，行为特征模式一：{a《x1；b《x2《c且d《x3《e}，其中x1、x2、x3分别为所述多个预设维度中的三个预设维度，并且已知该模式一触发事件发生的概率p1(详见下文描述)；行为特征模式二：{f《x1；且g《x3《h}，其中x1与x3分别为所述多个预设维度中的两个预设维度，并且已知该模式二触发事件发生的概率p2(详见下文描述)；以及行为特征模式三：{i《x4；j《x5且k《x6}，其中x4、x5、x6分别为所述多个预设维度中的三个预设维度，并且已知该
(t7-t6)》t8；前7天内房贷计算次数t9》t10}。该模式可解读为用户浏览楼盘的数量减少(说明用户缩小了意向楼盘的范围，聚焦到少数楼盘)，对比操作次数增加，分享给亲友询问意见的次数增加且执行了若干次房贷计算(这说明用户处于一个抉择阶段，有较强烈的购房意向，后续相关购房事件发生的可能性很高)。其中，第八预设数目t0、第九预设数目t5、第十预设数目t8及第十一预设数目t10均为非负数。
54.当然，上述各个实施例中的预设周期、各个预设数目可根据实际情况进行合理设置。
55.下面将具体介绍行为特征模式的获取过程。
56.所述多个行为特征模式基于上传至所述服务器的行为特征数据与机器学习算法而被更新。相应地，所述行为特征数据的获取方法还包括：响应于所述服务器传送更新后的多个行为特征模式的动作，接收所述更新后的多个行为特征模式。
57.服务器(即数据服务后台)可包括两个数据库：行为数据库与模式数据库，如图2所示。其中，所述行为数据库可存储目标应用(即目标app)上传的行为特征数据，如图2所示。
58.具体地，首先，将所述行为数据库中的一定比例(例如70％)的行为特征数据(其涉及众多用户)对模式预测模型进行首次训练。例如，随机选取一定比例的行为特征数据中的部分数据，将所选取的部分数据以特征向量的形式输入所述模式预测模型；由所述模式预测模型通过特征提取等机器学习算法获取多组行为特征数据(每组行为特征数据至少包括两个预设维度上的行为特征数目)中的各个行为特征数据所属的范围及各组行为特征数据触发事件发生的概率。
59.然后，由所述行为数据库中的剩余比例(例如其余30％)的行为特征数据对所获取的多组行为特征数据进行验证。即将所述剩余比例的行为特征数据与所述多组行为特征数据进行匹配，以确定相应的准确率/正确率。
60.之后，在所述相应的准确率小于预设值的情况下，调整所述模型的参数，并重复上述过程，以获取由调整后的模型获取的多组行为特征数据与相应的准确率，直至相应的准确率大于所述预设值为止，从而获取多组行为特征数据(即多个行为特征模式；在各个实施例中，该多个行为特征模式可作为用户所具备的共同行为特征)与各组行为特征数据触发事件发生的概率。
61.在本实施例中，随着新的行为特征数据的产生与上报，由服务器端通过上述算法得到的行为特征模式的结果不断优化，由此，所述服务器可更精准地发掘出触发事件发生的用户行为特征模式。app端在适当的时机，可通过网络接口，定期向服务器请求最新的行为特征模式，如图3所示。所述服务器将更新后的多个行为特征模式传送至app端，以由本地的相应接收装置接收更新后的多个行为特征模式。
62.步骤s103，在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，将所述行为特征数据上传至所述目标应用的服务器。
63.例如，在所述多个行为特征模式包括行为特征模式一(相应的正确率为p1)、行为特征模式二(相应的正确率为p2)与行为特征模式三(相应的正确率为p3)的情况下，若所述多个预设维度上的行为特征数据与其中任一行为特征模式(例如行为特征模式三)相匹配，则表明用户的行为特征数据可促使事件发生(该用户为有购买意愿的用户)，并且事件发生概率为与所匹配的行为特征模式三相对应的正确率。此时，可将所述行为特征数据上传至
所述服务器(如图3所示)，从而可通知相关的业务人员对该用户进行重点关注。
64.所述多个行为特征模式的正确率基于上传至所述服务器的行为特征数据与所述机器学习算法而被更新。也就是说，通过机器学习算法除了获取多个行为特征模式之外，还可获取所述多个行为特征数据的正确率(具体详见上文描述)。
65.相应地，所述行为特征数据的获取方法还可包括：响应于所述服务器传送更新后的多个行为特征模式的正确率的动作，接收所述更新后的多个行为特征模式的正确率；以及在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，获取所述特定行为特征模式的正确率，以将所获取的正确率作为由所述用户的使用行为表征事件发生的概率。也就是说，app端除了接收服务器传送的多个行为特征模式之外，还可接收所述多个行为特征模式的正确率，由此可根据正确率预测用户的购买意愿。
66.目前对用户行为的识别主要通过大数据后台来完成，例如通过上报常规的埋点数据，根据用户最近的app使用情况(登陆频次、房源访问次数、搜索次数等)为用户的购房意愿强烈程度进行打分，并据此对用户采用不同的推荐或留存策略。然而，上述方法主要用于识别个体用户的活跃度，仅能判断当前用户成熟度(是新用户还是老用户)，其并不能用于直接预测用户的购买意愿。并且上述方法的计算过程均在服务器端，需要耗费大量的服务器和电力资源；另外，由于要实时上报用户数据，故在数据规模达到一定程度时需要花费较长的通信时间，从而产生明显的时间延迟。而本发明各个实施例将众多用户的行为以数据的形式描述为特征模式(其作为匹配依据)，并将其传送至app端，并在用户app使用过程中不断记录用户的行为，将所记录的行为与行为特征模式做比较，在各维度的行为特征数据都匹配的时候，才认为当前用户具有潜在的购买意愿。因此，上述各个实施例节省了网络通信的时间，也节省了服务器执行大量数据的时间，从而在可精确地识别各个用户的购买意图的基础上，不会产生通信方面的时间延迟。并且，本发明各个实施例可将匹配(即识别)过程设计在app端，从而可释放大量的服务器与电力资源。综上所述，本发明创造性地采集用户在使用目标应用时的多个预设维度上的行为特征数据，然后将所述多个预设维度上的行为特征数据与多个行为特征模式进行匹配，并在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，将所述行为特征数据上传至所述目标应用的服务器。由此，本发明可在很大程度上降低要上传至服务器上的数据量，从而不仅可以大量节省用户流量、服务器资源及电力资源，还能更精准地识别具有潜在购买意愿的用户。
67.图4是本发明一实施例提供的行为特征数据的获取系统的结构图。如图4所示，所述行为特征数据的获取系统可包括：采集装置10，用于采集用户在使用目标应用时的多个预设维度上的行为特征数据；匹配装置20，用于将所述多个预设维度上的行为特征数据与多个行为特征模式进行匹配，其中，所述行为特征模式由所述多个预设维度中的至少两个预设维度上的行为特征数据各自所属的范围组成；以及上传装置30，用于在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，将所述行为特征数据上传至所述目标应用的服务器。
68.优选地，所述行为特征数据为第一预设周期内的使用数据和/或所述第一预设周期内的使用数据与第二预设周期内的使用数据的差值。
69.优选地，所述第一预设周期与所述第二预设周期为两个连续的预设周期，且所述第一预设周期为所述第二预设周期的后一个预设周期。
70.优选地，所述使用数据包括以下至少任一项：所述目标应用的开启次数；所述目标应用的使用时长；搜索条件的总数目；楼盘详情页的浏览总次数；楼盘详情页的浏览总时长；楼盘详情页的平均完读率；楼盘的浏览总数；楼盘的关注次数；楼盘的对比操作次数；交互行为的触发次数；房贷计算次数。
71.优选地，所述交互行为包括：分享、评论、问答或者咨询。
72.优选地，所述多个行为特征模式为以下各项中的至少两者：{所述第一预设周期内的所述目标应用的开启次数与所述第二预设周期内的所述目标应用的开启次数的差值大于第一预设数目、所述第一预设周期内的楼盘详情页的浏览总时长大于第一预设时长、以及所述第一预设周期内的交互行为的次数与所述第二预设周期内的交互行为的次数的差值大于第二预设数目}；{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第三预设数目，以及所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第四预设数目}；{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第五预设数目，所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第六预设数目，以及，所述第一预设周期内的交互行为的触发次数与所述第二预设周期内的交互行为的触发次数的差值大于第七预设数目}；以及{所述第一预设周期内的楼盘的浏览总数与所述第二预设周期内的楼盘的浏览总数的差值小于第八预设数目，所述第一预设周期内的楼盘的对比操作次数与所述第二预设周期内的楼盘的对比操作次数大于第九预设数目，所述第一预设周期内的交互行为的触发次数与所述第二预设周期内的交互行为的触发次数的差值大于第十预设数目，以及所述第一预设周期内的房贷计算次数大于第十一预设数目}。
73.优选地，所述多个行为特征模式基于上传至所述服务器的行为特征数据与机器学习算法而被更新，相应地，所述行为特征数据的获取系统还包括：第一接收装置，用于响应于所述服务器传送更新后的多个行为特征模式的动作，接收所述更新后的多个行为特征模式。
74.优选地，所述多个行为特征模式的正确率基于上传至所述服务器的行为特征数据与所述机器学习算法而被更新，相应地，所述行为特征数据的获取系统还包括：第二接收装置，用于响应于所述服务器传送更新后的多个行为特征模式的正确率的动作，接收所述更新后的多个行为特征模式的正确率；以及获取装置，用于在所述多个预设维度上的行为特征数据与所述多个行为特征模式中的特定行为特征模式相匹配的情况下，获取所述特定行为特征模式的正确率，以将所获取的正确率作为由所述用户的使用行为表征事件发生的概率。
75.有关本发明提供的行为特征数据的获取系统的具体细节及益处可参阅上述针对行为特征数据的获取方法的描述，于此不再赘述。
76.本发明一实施例提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，该指令用于使得机器执行上述的行为特征数据的获取方法。
77.本发明一实施例提供一种电子设备，所述电子设备包括：处理器；用于存储所述处
理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现所述的行为特征数据的获取方法。
78.本发明一实施例提供一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的行为特征数据的获取方法的步骤。
79.以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
80.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
81.本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)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。
82.此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。