[发明专利]行为预测方法及装置

说明书

本申请公开了一种行为预测方法及装置，方法包括：获取至少一个时间周期对应的静态特征集，静态特征集中的静态特征为预设时间段内的发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；基于静态特征集获取样本的动态特征集；基于静态特征集及动态特征集，组合得到样本的建模数据集；对建模数据集进行训练，得到行为预测模型，行为预测模型用于输出待预测对象的标签，标签用于指示待预测对象是否发生特定行为。本申请实施例通过获取的静态特征计算得到样本的动态特征，进而对包括静态特征及动态特征的建模数据集进行训练，得到行为预测模型，使得预测模型的预测结果更准确，提高了特定行为预测的准确性。

技术领域

本申请一般涉及机器学习技术领域，具体涉及一种行为预测方法及装置。

背景技术

随着机器学习技术的发展与成熟，被逐渐应用到越来越多的领域。如大数据挖掘、计算机视觉及员工管理等领域。

目前，在员工管理中，使用员工的二分类判别模型，来预测员工往后一段时间特定行为是否会发生。如采集前期员工的薪资、绩效、奖惩、以及其他个人信息，预测员工后期是否会离职，以指导管理者的管理行为。

由于影响特定行为的发生是多维度因素影响的结果，在使用二分类模型预测员工行为时，仅仅考虑了静态因素，从而使得采集的样本维度单一，导致生成的预测模型准确度差。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种行为预测方法及装置，以提高行为预测的准确性。

第一方面，本申请实施例提供一种行为预测方法，该方法包括：

获取至少一个时间周期对应的样本的静态特征集，该静态特征集中的每一类静态特征为与该时间周期相邻的预设时间段内的样本的静态特征，该静态特征集包括发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；

基于该静态特征集获取该样本的动态特征集；

基于该静态特征集及该动态特征集，组合得到该样本的建模数据集；

对该建模数据集进行训练，得到行为预测模型，该行为预测模型用于输出待预测对象的标签，该标签用于指示该待预测对象是否发生特定行为。

第二方面，本申请实施例提供一种行为预测装置，该装置包括：

第一获取模块，用于获取至少一个时间周期对应的样本的静态特征集，该静态特征集中的每一类静态特征为与该时间周期相邻，且位于该时间周期前的预设时间段内的样本的静态特征，该静态特征集包括发生特定行为的正样本的静态特征及未发生特定行为的负样本的静态特征；

第二获取模块，用于基于该静态特征集获取该样本的动态特征集；

筛选模块，用于基于该静态特征集及该动态特征集，组合得到该样本的建模数据集；

训练模块，用于对该建模数据集进行训练，得到行为预测模型，该行为预测模型用于输出待预测对象的标签，该标签用于指示该待预测对象是否发生特定行为。

综上，本申请实施例提供的行为预测方法，通过获取至少一个时间周期对应的预设时间段内的包括正样本数据及负样本数据的静态特征，并根据获取的静态特征数据计算得到样本的动态特征，进而对包括静态特征及动态特征的建模数据集进行训练，得到行为预测模型，使得该预测模型的预测结果更准确，提高了特定行为预测的准确性，提高了员工管理的效率。

进一步的，通过获取多个时间周期对应的正样本静态特征及一个时间周期对应的负样本静态特征，得到了动态建模数据集，避免了样本不均衡的问题，提高了预测模型的准确性。