本发明实施例涉及通信技术领域，尤其涉及一种用户购买行为预测方法、装置、设备及存储介质。
背景技术：
当前网上购物已经成为人们购物的一种方式，基于用户的网上购物行为可预测用户是否会购买某一物品，基于预测结果可有针对性的向用户推荐物品。
现有技术中，通过获取用户的网络行为流量，识别统一资源定位符(Uniform Resource Locator，URL)，然后进行数据的标记，再按照一定的规则，得出用户行为流量访问规则，网络行为流量主要来源于个人计算机(personal computer，PC)。
但是，现如今用户不仅通过PC进行网上购物，更多情况是使用移动终端进行网上购物，现有技术缺乏一种基于移动终端的应用程序进行数据采集以预测用户购物行为的方法。
技术实现要素：
本发明实施例提供一种用户购买行为预测方法、装置、设备及存储介质，以实现基于移动终端的应用程序进行数据采集以预测用户购物行为的方法。
第一方面，本发明实施例提供一种用户购买行为预测方法，包括：
采集终端设备的用户行为数据；
根据所述终端设备的用户行为数据，确定所述用户行为数据的特征信息；
根据所述用户行为数据的特征信息，确定所述用户的购买力；
根据所述用户的购买力，向所述终端设备推送购物信息。
第二方面，本发明实施例提供一种用户购买行为预测装置，包括：
采集模块，用于采集终端设备的用户行为数据；
确定模块，用于根据所述终端设备的用户行为数据，确定所述用户行为数据的特征信息；根据所述用户行为数据的特征信息，确定所述用户的购买力；
发送模块，用于根据所述用户的购买力，向所述终端设备推送购物信息。
第三方面，本发明实施例提供一种终端设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现第一方面所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。
本发明实施例提供的用户购买行为预测方法、装置、设备及存储介质，通过采集终端设备的用户行为数据，根据所述终端设备的用户行为数据，确定所述用户行为数据的特征信息，根据所述用户行为数据的特征信息，确定所述用户的购买力，并根据所述用户的购买力，向所述终端设备推送购物信息，实现了基于移动终端的应用程序进行数据采集以预测用户购物行为的方法。
附图说明
图1为本发明实施例提供的一种应用场景的示意图；
图2为本发明实施例提供的用户购买行为预测方法流程图；
图3为本发明实施例提供的用户购买行为预测方法流程图；
图4为本发明实施例提供的用户购买行为预测方法流程图；
图5为本发明实施例提供的用户购买行为预测装置的结构示意图；
图6为本发明实施例提供的终端设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供的用户购买行为预测方法，可以适用于图1所示的通信系统。如图1所示，该通信系统包括：接入网设备11、终端设备12以及服务器13。需要说明的是，图1所示的通信系统可以适用于不同的网络制式，例如，可以适用于全球移动通讯(Global System of Mobile communication，简称GSM)、码分多址(Code Division Multiple Access，简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access，简称WCDMA)、时分同步码分多址(Time Division-Synchronous Code Division Multiple Access，简称TD-SCDMA)、长期演进(Long Term Evolution，简称LTE)系统及未来的5G等网络制式。可选的，上述通信系统可以为5G通信系统中高可靠低时延通信(Ultra-Reliable and Low Latency Communications，简称URLLC)传输的场景中的系统。
故而，可选的，上述接入网设备11可以是GSM或CDMA中的基站(Base Transceiver Station，简称BTS)和/或基站控制器，也可以是WCDMA中的基站(NodeB，简称NB)和/或无线网络控制器(Radio Network Controller，简称RNC)，还可以是LTE中的演进型基站(Evolutional Node B，简称eNB或eNodeB)，或者中继站或接入点，或者未来5G网络中的基站(gNB)等，本发明在此并不限定。
上述终端设备12可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network，简称RAN)与一个或多个核心网设备进行通信，无线终端可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。再例如，无线终端还可以是个人通信业务(Personal Communication Service，简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol，简称SIP)话机、无线本地环路(Wireless Local Loop，简称WLL)站、个人数字助理(Personal Digital Assistant，简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station)，移动站(Mobile Station)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device or User Equipment)，在此不作限定。可选的，上述终端设备12还可以是智能手表、平板电脑等设备。
本发明提供的用户购买行为预测方法，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图2为本发明实施例提供的用户购买行为预测方法流程图。本发明实施例针对现有技术的如上技术问题，提供了用户购买行为预测方法，该方法具体步骤如下：
步骤201、采集终端设备的用户行为数据。
如图1所示，服务器13具体可以是运营商服务器，终端设备12通过深度包检测(Deep Packet Inspection，DPI)技术可采集到终端设备12的用户行为数据，可选的，终端设备12中安装有应用程序(Application，APP)，该用户行为数据具体可以是用户操作该应用程序时生成的行为数据。终端设备12进一步使用映射归约(MapReduce)技术对采集到的用户行为数据进行流量匹配，可构建一个有标记的用户行为流量数据集，得到大量有标记的数据。
可选的，所述终端设备的用户行为数据包括如下至少一种：打开应用程序、搜索、浏览商品、查看详情、查看评价、添加收藏、加入购物车、提交订单。另外，将不属于前8种行为的其他APP行为流量也归为一类。终端设备12根据采集到的APP的域名信息，先对DPI数据进行过滤，过滤方式采用MapReduce技术根据域名信息文件进行匹配。由于APP版本更新较快，在进行选取DPI数据匹配时，分别从不同月份随机选取了数天的数据，这样过滤的数据更具有代表性。一次MapReduce过滤后得到APP所有用户操作行为流量，再通过APP行为进行二次MapReduce流量匹配，得到APP的8种操作行为的有标记数据，其余数据归为其他类。这样就完成了有标记数据集的构建，如图3所示。
另外，终端设备12采集的终端设备数据流量表包括很多字段信息，如运营商识别用户用的标识信息、源IP、目的IP，统一资源定位符(Uniform Resource Locator，URL)，域名，访问时间等。终端设备12选择表征用户行为习惯密切相关的几个字段：用户标识、主机(HOST)、URL、访问时间，这里用户ID只是表征用户的不同，并无用户隐私信息。针对采集的数据，结合URL信息的用户行为自动识别结果构建一个新的有标签的用户。根据有标签的用户行为数据集，构建预测模型所需要的有标记的数据集文本，采用原来的特征信息，使用机器学习分类算法，构建用户购买预测模型。
有标签数据集中包括APP用户行为的几个字段：用户标识，主机(HOST)，URL，访问时间和用户行为(Behavior)。用户标识、主机(HOST)、URL用于预测模型数据集的构建阶段，访问时间和用户行为(Behavior)用来标识用户行为的有效特征，用于预测模型的训练阶段。基于原有特征信息，构建预测模型的方式将是构建基于性特征信息的预测模型的基础。
步骤202、根据所述终端设备的用户行为数据，确定所述用户行为数据的特征信息。
终端设备12基于有标签数据集的数据文本，对数据进行统计分析，并添加一个信息字段，该信息字段记为Pv，Pv用于表示在一天中同一个用户对某个APP产生某种操作行为的次数计数。进一步根据用户标识、用户行为信息，对主机、访问时间和Pv进行深入挖掘。针对主机、访问时间和Pv增加相应的特征信息，可选的，所述用户行为数据的特征信息包括如下至少一种：在预设时间内用户访问任一应用程序的次数与所述用户在所述预设时间内访问过所有应用程序次数的比值记为F1；在预设时间内用户访问任一应用程序的频率记为F2；在预设时间内用户打开应用程序的次数与用户所有行为次数的比值记为F3；在预设时间内用户搜索的次数与用户所有行为次数的比值记为F4；在预设时间内用户浏览商品的次数与用户所有行为次数的比值记为F5；在预设时间内用户查看详情的次数与用户所有行为次数的比值记为F6；在预设时间内用户查看评价的次数与用户所有行为次数的比值记为F7；在预设时间内用户添加收藏的次数与用户所有行为次数的比值记为F8；在预设时间内用户加入购物车的次数与用户所有行为次数的比值记为F9；在预设时间内用户提交订单的次数与用户所有行为次数的比值记为F10；访问时间内的活动次数记为F11。
步骤203、根据所述用户行为数据的特征信息，确定所述用户的购买力。
可选的，所述根据所述用户行为数据的特征信息，确定所述用户的购买力，包括：根据所述用户行为数据的特征信息，确定所述特征信息是否满足预设条件；若所述特征信息中的部分满足预设条件，则确定所述用户的购买力。
在本实施例中，设定N个阈值，可选的，N＝11，N个阈值分别为Y1、Y2、……YN；分别将F1和Y1比较、F2和Y2比较、……F11和Y11比较，若F1、F2、……F11均满足阈值条件，则终端设备12确定用户行为为购买行为，并将该购买行为发送给服务器13。如果F1、F2、……F11均不满足阈值条件，则终端设备12继续采集用户行为数据。如果F1、F2、……F11中的部分满足阈值条件，则终端设备12确定所述用户的购买力。
可选的，所述确定所述用户的购买力，包括：确定所述特征信息对应的权重值；根据所述特征信息和所述特征信息对应的权重值，确定所述用户的购买力。
可选的，F1对应的权重值为a1、F2对应的权重值为a2、……F11对应的权重值为a11。权重值的计算过程具体如下：数据库中有M个采集到的样本，其中Mi个购买已经发生的样本，Mj个还没有产生购买行为的样本，分别对应i和j，初始化权重ai＝0，i从1到11，定义p记录产生正影响的样本个数，q记录产生负影响的样本个数，p，q＝0。Xj为采集到的数据，对于Fi，ai的计算过程如下：
在本实施例中，根据特征信息F1、F2、……F11和权重值a1、a2……a11计算用户的购买力B的方法如下公式(1)所示：
B＝a1f(F1)+a2f(F2)+...+a11f(F11) (1)
其中，Fi(1≤i≤11)为特征值组成的向量，包括11个特征值，f是特征与阈值对应关系，f：Fi->{-1,1}。
步骤204、根据所述用户的购买力，向所述终端设备推送购物信息。
如果用户的购买力B大于0，则将特征重新组合，并进行模式判断，根据模式判断确定用户行为为购买行为，则将该购买行为发送给服务器13，具体过程如图4所示，具体包括如下步骤：
步骤401、采集用户行为数据。
步骤402、确定用户行为数据的特征信息。
步骤403、判断特性信息是否满足所有的阈值条件。若特性信息满足所有的阈值条件，则将用户的购买行为上报给服务器，若特性信息均不满足阈值条件，则执行步骤401，若特性信息部分满足阈值条件，则执行步骤404。
步骤404、计算用户的购买力B。如果用户的购买力B大于0，则执行步骤405，如果用户的购买力B小于0，则执行步骤401。
步骤405、将所有的特征信息组成新的特征向量，输入分类器。
步骤406、进行模式判断，判断用户是否购买，若是，则执行步骤407，否则执行步骤401。
步骤407、上报服务器。
本发明实施例通过采集终端设备的用户行为数据，根据所述终端设备的用户行为数据，确定所述用户行为数据的特征信息，根据所述用户行为数据的特征信息，确定所述用户的购买力，并根据所述用户的购买力，向所述终端设备推送购物信息，实现了基于移动终端的应用程序进行数据采集以预测用户购物行为的方法。
图5为本发明实施例提供的用户购买行为预测装置的结构示意图。该用户购买行为预测装置具体为上述实施例中的终端设备。本发明实施例提供的用户购买行为预测装置可以执行用户购买行为预测方法实施例提供的处理流程，如图5所示，用户购买行为预测装置50包括：采集模块51、确定模块52和发送模块53；其中，采集模块51用于采集终端设备的用户行为数据；确定模块52用于根据所述终端设备的用户行为数据，确定所述用户行为数据的特征信息；根据所述用户行为数据的特征信息，确定所述用户的购买力；发送模块53用于根据所述用户的购买力，向所述终端设备推送购物信息。
可选的，所述终端设备的用户行为数据包括如下至少一种：打开应用程序、搜索、浏览商品、查看详情、查看评价、添加收藏、加入购物车、提交订单。
可选的，所述用户行为数据的特征信息包括如下至少一种：
在预设时间内用户访问任一应用程序的次数与所述用户在所述预设时间内访问过所有应用程序次数的比值；
在预设时间内用户访问任一应用程序的频率；
在预设时间内用户打开应用程序的次数与用户所有行为次数的比值；
在预设时间内用户搜索的次数与用户所有行为次数的比值；
在预设时间内用户浏览商品的次数与用户所有行为次数的比值；
在预设时间内用户查看详情的次数与用户所有行为次数的比值；
在预设时间内用户查看评价的次数与用户所有行为次数的比值；
在预设时间内用户添加收藏的次数与用户所有行为次数的比值；
在预设时间内用户加入购物车的次数与用户所有行为次数的比值；
在预设时间内用户提交订单的次数与用户所有行为次数的比值。
可选的，确定模块52具体用于：根据所述用户行为数据的特征信息，确定所述特征信息是否满足预设条件；若所述特征信息中的部分满足预设条件，则确定所述用户的购买力。
可选的，确定模块52具体用于：确定所述特征信息对应的权重值；根据所述特征信息和所述特征信息对应的权重值，确定所述用户的购买力。
图5所示实施例的用户购买行为预测装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本发明实施例提供的终端设备的结构示意图。本发明实施例提供的终端设备可以执行用户购买行为预测方法实施例提供的处理流程，如图6所示，终端设备60包括存储器61、处理器62、计算机程序和通讯接口63；其中，计算机程序存储在存储器61中，并被配置为由处理器62执行以上实施例所述的用户购买行为预测方法。
图6所示实施例的终端设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
另外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的用户购买行为预测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。