[发明专利]预测用户群体宏观状态的方法和装置

说明书

本说明书实施例提供一种预测用户群体的宏观状态的方法和装置。根据该预测方法，可以基于多个用户中各个用户的事件序列，确定该用户对应的事件强度函数。此外，还获取用户群体的目标宏观量在第一时刻的第一期望值。基于以上确定的事件强度函数，以及表示用户对宏观量的影响程度的幅度函数，确定中间函数；其中，该幅度函数与目标宏观量的期望值成线性关系，比例系数为第一系数；且该中间函数基于各个第一系数与事件强度函数的乘积之和而确定。由此，可以将第一时刻，第一期望值，以及待预测的第二时刻，代入期望值随时间变化的关系式，从而确定该宏观量在第二时刻的期望值；其中，该关系式依赖于上述中间函数随时间的积分。

技术领域

本说明书一个或多个实施例涉及机器学习领域，尤其涉及利用机器学习的方式，基于用户事件预测用户群体状态的方法和装置。

背景技术

随着计算机技术的发展，机器学习已经应用到各种各样的技术领域，用于分析、预测各种业务数据。在互联网环境中，用户行为是常见的分析来源。

用户行为是随时间线而发生的一系列用户动作，这些动作包括，例如，登录、搜索、点击、访问网页时收藏某个页面、购买某个商品、将某个商品加入购物车(加购)，等等。对用户个体行为进行建模和分析，可以直接地用于理解该用户的个体偏好和用户意图，进而有助于为用户提供针对性的、个性化的服务。

在一些技术场景中，对用户群体的整体状态进行预测同样十分重要。例如，一些网络平台需要预测未来不同时段的访问量和流量，从而可以预先针对流量变化更好地部署服务器集群；一些社交平台需要预测一些评论对象，例如歌曲，电影，书籍的流行度或评论数量，从而可以更好地执行业务策略部署，例如，页面安排，用户分流，用户引流等等。

用户行为与群体状态相比而言，单个用户的用户行为可以认为是微观状态，用户群体的整体状态可以认为是宏观表现或宏观状态；群体的宏观表现由微观状态聚合而成，而微观状态又会受到宏观状态的影响。例如，用户个体购买商品是微观状态，大量用户的购买行为聚合在一起，可以得到商品销量作为宏观表现；而商品销量的排行又反过来会影响用户的购买行为。因此，用户群体的宏观状态与用户个体行为之间的关系，紧密而又复杂。

由此，希望能有改进的方案，可以基于用户行为更为有效地对用户群体的宏观状态量进行预测，从而便于服务平台更好地针对用户整体进行业务部署。

发明内容

本说明书一个或多个实施例描述了一种基于用户事件序列预测用户群体的宏观状态的方法和装置，通过发掘用户微观行为事件与用户群体的宏观量之间的关系，更好地预测宏观量的期望值，从而便于服务平台更好地针对用户整体进行业务部署。

根据第一方面，提供了一种预测用户群体的宏观状态的方法，包括：

基于多个用户中各个用户的事件序列，确定该用户对应的事件强度函数；

获取所述多个用户构成的用户群体的目标宏观量在第一时刻的第一期望值，所述目标宏观量依赖于各个用户做出的事件；

根据各个用户对应的事件强度函数，以及用于表示该用户对于所述目标宏观量的影响程度的幅度函数，确定第一中间函数；其中，各个用户的幅度函数与所述目标宏观量的期望值成线性关系，所述线性关系的比例系数为第一系数；所述第一中间函数基于各个用户的第一系数与事件强度函数的乘积之和而确定；

将所述第一时刻，第一期望值，以及所述第一时刻之后的第二时刻，代入期望值随时间变化的第一关系式，从而确定所述目标宏观量在所述第二时刻的第二期望值；其中，所述第一关系式，依赖于所述第一中间函数随时间的积分。

根据一种实施方式，确定用户对应的事件强度函数，具体包括：基于该用户的事件序列，提取该用户的行为相关特征；将所述行为相关特征输入神经网络模型，得到该用户对应的强度函数中的参数值；基于所述参数值和强度函数的预定形式，得到该用户对应的事件强度函数。