(19)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 202211472710.5 (22)申请日 2022.11.23 (71)申请人 深圳市云积分科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道南海大道海典居3 E-1 (72)发明人 许先才　魏浩浩　庞超　熊磊　 (74)专利代理 机构 深圳中一联合知识产权代理 有限公司 4 4414 专利代理师 姚泽鑫 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电商用户的行为分析方法、 系统、 设备 及可读介质 (57)摘要 一种电商用户的行为分析方法、 系统、 设备 及可读介质， 该分析方法包括： 获取电商平台的 用户数据和商品数据， 将所述用户数据和商品数 据输入用户行为预测模型， 得到用户行为类型的 概率； 所述用户行为预测模型是基于用户行为数 据样本集和对应的用户行为类型标签训练得到 的深度学习模型， 根据所述用户行为类型的概 率， 预测用户行为。 本申请利用 深度学习的方法 对用户行为进行建模， 帮助企业智能化营销。 权利要求书2页 说明书13页 附图6页 CN 115511546 A 2022.12.23 CN 115511546 A 1.一种电商用户的行为分析 方法， 其特 征在于， 包括： 获取电商平台的用户数据和商 品数据， 所述用户数据包括用户动作序列和用户登陆时 间序列； 将所述用户数据和所述商品数据输入用户行为预测模型， 得到用户行为类型的概率； 所述用户行为预测模型是基于用户行为数据样本集和所述用户行为数据样本集对应的用 户行为类型标签训练得到的深度学习模 型， 其中， 所述用户行为类型包括购买和非购买； 或 者， 感兴趣和不 感兴趣， 所述用户行为数据样 本集包括用户动作样本序列、 用户登陆时间样 本序列和商品样本数据； 根据所述用户行为类型的概 率， 预测用户行为。 2.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 在所述用户行为数据样本集中提取每个用户的用户动作样本序列、 用户登陆时间样本 序列和商品样本数据； 在所述用户动作样本序列中提取每 个动作的用户动作特 征向量； 基于所述用户登陆时间样本序列生成用户登陆时间矩阵； 将所述用户动作特征向量和所述用户登陆时间矩阵输入初始模型的循环神经网络模 型层， 获得用户动作序列编码向量和用户登陆时间编码向量； 对所述商品样本数据进行编码， 获得商品编码向量； 将所述用户动作序列编码向量、 用户登陆时间编码向量和商 品编码向量输入所述初始 模型的卷积神经网络模型层， 获得 所述用户的样本特 征向量； 将所述样本特 征向量输入分类 器， 获得所述用户的用户行为类型的概 率； 基于所述用户的用户行为类型的概率和所述用户对应的用户行为类型标签， 反 向调节 所述初始模型的循环神经网络模型层和卷积神经网络模型层中的参数， 获得所述用户行为 预测模型。 3.如权利要求2所述的方法， 其特征在于， 将所述用户动作特征向量和所述用户登陆时 间矩阵输入初始模型的循环神经网络模型层， 获得用户动作序列编 码向量和用户登陆时间 编码向量， 包括： 将所述用户动作样本序列中各个用户动作 特征向量输入第 一循环神经网络模型层， 将 前后动作相关联后生成用户动作序列编码向量； 其中， 所述第一循环网络模型层为双向长短时记 忆网络模型层。 4.如权利要求2所述的方法， 其特征在于， 所述将所述用户动作 特征向量和所述用户登 陆时间矩阵输入初始模型的循环神经网络模型层， 获得用户动作序列编码向量和用户登陆 时间编码向量， 还 包括以下步骤： 将所述用户登陆时间特征矩阵输入第 二循环神经网络模型层， 将前后登陆时间相关联 后生成用户登陆时间编码向量； 其中， 所述第二循环神经网络模型层为长短时记 忆网络模型层。 5.如权利要求2所述的方法， 其特征在于， 所述对所述商品样本数据进行编码， 获得商 品编码向量， 包括： 将所述商品样本数据根据商品属性进行o ne‑hot编码， 获得商品编码向量。 6.如权利要求2~5任一所述的方法， 其特征在于， 所述将所述用户动作序列编码向量、权　利　要　求　书 1/2 页 2 CN 115511546 A 2用户登陆时间编码向量和商品编码向量输入卷积神经网络模型层， 获得所述用户的样本特 征向量， 包括： 将所述用户动作序列编码向量、 用户登陆时间编码向量和所述商 品编码向量拼接后进 行特征嵌入， 获得 所述用户的用户行为序列； 对所述用户行为序列中的特征归一化处理后， 进行特征融合， 获得所述用户行为序列 中单个动作的输入表征； 随机对所述用户行为序列中的某一商品编码掩码； 将掩码后的所述用户行为序列输入所述卷积神经网络模型层的变换器层， 获得用户的 样本特征向量。 7.如权利 要求6所述的方法， 其特征在于， 所述分类器为softmax分类器， 其基于如 下公 式得到用户行为类型的概 率： 其中， 为分类器的权重矩阵， b为 正则化偏置； 所述基于所述用户的用户行为类型的概率和用户对应的用户行为类型标签， 反 向调节 所述循环神经网络模型层和卷积神经网络模型层中的参数， 包括： 基于用户的用户行为类型的概 率和相应的用户行为类型 标签确定损失函数， 通过所述损失函数计算损失值； 将所述损失值反 向传播， 调节所述循环神经网络模型层和卷积神经网络模型层中的参 数。 8.一种电商用户的行为分析系统， 其特 征在于， 包括， 数据获取模块， 用于获取电商平台的用户数据和商品数据， 所述用户数据包括用户动 作序列和用户登陆时间序列； 用户行为分析模块， 用于将所述用户数据和商品数据输入用户行为预测模型， 得到用 户行为类型的概率； 所述用户行为预测模型是基于用户行为数据样本集和对应的用户行为 类型标签训练得到的深度学习模型； 用户行为预测模块， 用于根据所述用户行为类型的概 率， 预测用户行为。 9.一种电商用户的行为分析设备， 包括存储器、 处理器以及存储在所述存储器中并可 在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现 如权利要求1至7任一项所述方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115511546 A 3