[发明专利]处理用户行为序列的方法、装置、设备和存储介质

说明书

本申请公开了处理用户行为序列的方法、装置、设备和存储介质。该方法包括：获取第一训练样本集，第一训练样本集包括：根据行为序列数据集生成的对比学习任务的正样本对和负样本对；利用第一训练样本集对神经网络模型执行第一训练获得初始相似度分析模型，第一训练包括：根据对比学习任务的正样本对和负样本对对神经网络模型执行第一训练获得初始相似度分析模型；利用第二训练样本集对初始相似度分析模型执行第二训练获得相似度分析模型，第二训练样本集包括训练样本和训练标签；相似度分析模型用于确定不同用户行为序列是否相似。该方法计算效率高、获得的用户行为序列相似度计算的结果的准确率高、人工成本低。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种处理用户行为序列的方法、装置、设备和存储介质。

背景技术

用户行为序列，是用户在日常操作使用中产生的一系列点击、访问、购买等事件的发生过程，可表示为事件集合的时间序列。用户行为序列蕴含了用户的习惯和偏好等特点，是用户级别机器学习模型的重要特征来源之一。例如在游戏领域中，玩家的行为序列记录了玩家在游戏过程中的完整行为路径。玩家的相似度计算是游戏人工智能应用中一个非常普遍的基础任务。基于玩家的行为序列数据计算玩家的相似度，可以有效的对玩家进行聚类。进一步，细分行为模式相似的玩家群体，在游戏运营、游戏推荐等业务场景中有重要的应用价值。

传统技术中，用户行为序列的相似度计算主要通过相似性度量直接计算，或者通过神经网络近似计算两种方式确定。其中，基于相似性度量直接计算的方式，采用距离公式直接对两个用户的行为序列进行相似性度量计算，该方法存在计算效率低的问题，难以在实际应用中进行推广和使用。基于神经网络计算的方式，需要利用大量有标签的训练数据对神经网络模型进行有监督训练。但在实际应用场景中，通常难以获取对应场景下的大量带有标签的训练数据，导致基于该方法计算获得的用户行为序列相似度计算的结果的准确率低和人工成本高的问题。

因此，亟需一种处理用户行为序列的方法，该方法计算效率高、获得的用户行为序列相似度计算的结果的准确率高、人工成本低。

发明内容

本申请提供了一种处理用户行为序列的方法、装置、设备和存储介质，该方法计算效率高、获得的用户行为序列相似度计算的结果的准确率高、人工成本低。

本申请实施例第一方面提供了一种处理用户行为序列的方法，所述方法包括：获取第一训练样本集，其中，所述第一训练样本集包括：根据行为序列数据集生成的对比学习任务的正样本对和负样本对；所述行为序列数据集包括多个用户行为序列；利用所述第一训练样本集对神经网络模型执行第一训练，获得初始相似度分析模型，其中，所述第一训练过程包括：根据所述对比学习任务的正样本对和负样本对，对所述神经网络模型执行所述第一训练，获得所述初始相似度分析模型；利用第二训练样本集对所述初始相似度分析模型执行第二训练，获得相似度分析模型，其中，所述第二训练样本集包括：训练样本和训练标签，所述训练样本包括所述多个用户行为序列中的部分用户行为序列中的任意两个用户行为序列，所述训练标签表示所述部分用户行为序列中的任意两个用户行为序列是否相似；所述相似度分析模型用于确定不同用户行为序列之间是否相似。

本申请实施例第三方面提供了一种处理用户行为序列的方法，所述方法包括：获取第一用户行为序列和第二用户行为序列；利用相似度分析模型对所述第一用户行为序列和所述第二用户行为序列进行处理，获得相似度分析结果，其中，所述相似度分析结果表示所述第一用户行为序列和所述第二用户行为序列之间相似或不相似；其中，所述相似度分析模型是如上述第一方面所述的方法获得的。