法律状态公告日
法律状态信息
法律状态
2018-05-18
授权
授权
2015-12-23
实质审查的生效 IPC(主分类):G06F3/01 申请日:20140522
实质审查的生效
2015-11-25
公开
公开
技术领域
本发明实施例涉及数据挖掘领域，并且更具体地，涉及识别用户行为的 方法、用户设备、行为识别服务器及行为识别系统。
背景技术
随着用户对智能手机的个性化需求的增长，用户行为识别功能成为智能 手机的基本配备。用户行为识别功能在特定的时间、地点或场合，能够判断 用户的行为，从而使得智能手机在此基础之上预测用户的需要，自动调整各 种设置并为用户提供相关服务。其中，用户行为可以指用户的活动状态，例 如走路、跑步、静止、上楼梯、下楼梯或睡觉等；或指用户所处的场景，例 如在办公室、在汽车上、在火车上、在室外、在室内、在开会或在电影院等； 或用户的活动状态与所处场景的组合，即在汽车上且静止或在开会且静止， 等等。
用户行为识别的基础是行为识别模型，智能手机可以针对每个用户行为 建立一个行为识别模型，当智能手机采集到一组感应数据时，可以将该感应 数据输入上述建立的行为识别模型，并根据该行为识别模型的输出结果判断 该感应数据对应的行为。建立行为识别模型的常用方法是机器学习方法，该 方法通常需要大量的训练数据，才能建立一个准确的行为识别模型，然而， 现实中可用的训练数据往往很少，在这种情况下建立的行为识别模型进行行 为识别的准确性较差。每个用户在获得初始的行为识别模型后，需要积累自 身的训练数据，并根据该积累的训练数据更新自身的行为识别模型，以提高 行为识别模型进行行为识别的准确性。
因此，在现有技术中，不同用户之间相互隔绝，每个用户需要独立地建 立新的行为识别模型，独立地积累训练数据并根据该积累的训练数据对该新 的行为识别模型进行更新，这个过程往往费时费力，因此，现有技术对新的 用户行为的可扩展性较差，用户建立的新的行为识别模型的准确度较低，需 要经过较长时间的学习才能达到用户对行为识别的准确性要求，用户体验较 差。
发明内容
本发明提供了一种识别用户行为的方法、用户设备、行为识别服务器以 及行为识别系统，能够提高行为识别模型的建立效率和准确性。
第一方面，提供了一种识别用户行为的方法，包括：第一用户设备获取 与目标用户行为对应的目标参数的统计分布信息，其中，该目标参数包括该 目标用户行为的行为识别模型的至少一个参数，并且该目标参数的统计分布 信息是根据多个其它用户设备分别对应的该目标用户行为的行为识别模型 中该目标参数的值确定的；该第一用户设备根据该目标参数的统计分布信 息，建立并保存该第一用户设备对应的该目标用户行为的行为识别模型，以 用于识别该目标用户行为。
结合第一方面，在第一种可能的实现方式中，该目标参数的统计分布信 息包括下列信息中的至少一项：该目标参数的概率分布曲线、该目标参数的 期望值和该目标参数的具有最大出现概率的数值。
结合上述可能的实现方式，在第二种可能的实现方式中，若该行为识别 模型为朴素贝叶斯分类器，该朴素贝叶斯分类器中具有连续的特征属性值的 第一特征属性为第一目标参数，该朴素贝叶斯分类器中具有离散的特征属性 值的第二特征属性为第二目标参数，该目标参数的统计分布信息包括下列信 息中的至少一项：该第一特征属性在该目标用户行为的各个类别中的正态分 布参数的期望值，以及该第二特征属性在该目标用户行为的各个类别中的统 计分布曲线。
结合上述可能的实现方式，在第三种可能的实现方式中，该第一用户设 备获取与目标用户行为对应的目标参数的统计分布信息，包括：该第一用户 设备向行为识别服务器发送数据下载请求，该数据下载请求包括目标用户行 为的标识；该第一用户设备接收该行为识别服务器根据该目标用户行为的标 识确定的该目标参数的统计分布信息，该目标参数的统计分布信息是该行为 识别服务器根据该多个其它用户设备发送到该行为识别服务器的该目标用 户行为的多个行为识别模型中的该目标参数的值确定的。
结合上述可能的实现方式，在第四种可能的实现方式中，该第一用户设 备获取与目标用户行为对应的目标参数的统计分布信息，包括：该第一用户 设备接收该多个其它用户设备分别发送的该目标用户行为的多个行为识别 模型；该第一用户设备根据接收到的该目标用户行为的该多个行为识别模型 中的该目标参数的值，确定该目标参数的统计分布信息。
结合上述可能的实现方式，在第五种可能的实现方式中，该方法还包括： 该第一用户设备向行为识别服务器发送该第一用户设备建立的该目标用户 行为的行为识别模型，以便于该行为识别服务器根据该行为识别模型中的该 目标参数的值更新该目标参数的统计分布信息。
第二方面，提供了另一种识别用户行为的方法，包括：行为识别服务器 接收第一用户设备发送的数据下载请求，该数据下载请求包括目标用户行为 的标识；该行为识别服务器根据该目标用户行为的标识，确定与该目标用户 行为对应的目标参数的统计分布信息，其中，该目标参数包括该目标用户行 为的行为识别模型的至少一个参数，并且该目标参数的统计分布信息是根据 多个其它用户设备分别对应的该目标用户行为的行为识别模型中该目标参 数的值确定的；该行为识别服务器向该第一用户设备发送该目标参数的统计 分布信息，以便于该第一用户设备根据该目标参数的统计分布信息建立该目 标用户行为的行为识别模型。
结合第二方面，在第一种可能的实现方式中，该目标参数的统计分布信 息包括下列信息中的至少一项：该目标参数的概率分布曲线、该目标参数的 期望值和该目标参数的具有最大出现概率的数值。
结合上述可能的实现方式，在第二种可能的实现方式中，若该目标用户 行为的行为识别模型为朴素贝叶斯分类器，该朴素贝叶斯分类器中具有连续 的特征属性值的第一特征属性为第一目标参数，该朴素贝叶斯分类器中具有 离散的特征属性值的第二特征属性为第二目标参数，该目标参数的统计分布 信息包括下列信息中的至少一项：该第一特征属性在该目标用户行为的各个 类别中的正态分布参数的期望值以及该第二特征属性在该目标用户行为的 各个类别中的统计分布曲线。
结合上述可能的实现方式，在第三种可能的实现方式中，该行为识别服 务器具有基本知识库和多个协作知识库，其中，该基本知识库用于存储多个 用户分组通用的至少一个用户行为所对应的目标参数的统计分布信息，该多 个协作知识库中的每个协作知识库用于存储该多个用户分组中的一个用户 分组专用的至少一个用户行为所对应的目标参数的统计分布信息，其中，该 至少一个用户行为包括该目标用户行为；该行为识别服务器根据该目标用户 行为的标识，确定与该目标用户行为对应的目标参数的统计分布信息，包括： 该行为识别服务器确定该第一用户设备的用户分组；若该第一用户设备不属 于该多个用户分组中的任何用户分组，该行为识别服务器从该基本知识库中 确定与该目标用户行为对应的目标参数的统计分布信息；若该第一用户设备 属于该多个用户分组中的第一用户分组，该行为识别服务器从该第一用户分 组对应的协作知识库中确定与该目标用户行为对应的目标参数的统计分布 信息。
结合上述可能的实现方式，在第四种可能的实现方式中，该方法还包括： 该行为识别服务器接收该第一用户设备发送的该第一用户设备根据该目标 参数的统计分布信息建立的该目标用户行为的行为识别模型；该行为识别服 务器根据该第一用户设备发送的行为识别模型，更新该目标参数的统计分布 信息。
结合上述可能的实现方式，在第五种可能的实现方式中，该行为识别服 务器根据该第一用户设备发送的行为识别模型，更新该目标参数的统计分布 信息，包括：该行为识别服务器根据该第一用户设备发送的行为识别模型， 确定该第一用户设备对应的该目标参数的值；该行为识别服务器根据该多个 其它用户设备分别对应的该目标参数的值和该第一用户设备对应的该目标 参数的值，对该目标参数的值进行数学统计，并将统计结果确定为更新后的 该目标参数的统计分布信息。
结合上述可能的实现方式，在第六种可能的实现方式中，在该接收第一 用户设备发送的数据下载请求之前，该方法还包括：该行为识别服务器接收 该多个其它用户设备分别发送的该目标用户行为的多个行为识别模型；该行 为识别服务器根据该多个其它用户设备分别发送的该目标用户行为的多个 行为识别模型，确定该多个其它用户设备分别对应的该目标参数的值；该行 为识别服务器根据该多个其它用户设备分别对应的该目标参数的值，确定该 目标参数的统计分布信息。
第三方面，提供了一种用户设备，包括：获取模块，用于获取与目标用 户行为对应的目标参数的统计分布信息，其中，该目标参数包括该目标用户 行为的行为识别模型的至少一个参数，并且该目标参数的统计分布信息是根 据多个其它用户设备分别对应的该目标用户行为的行为识别模型中该目标 参数的值确定的；模型建立模块，用于根据该获取模块获取的该目标参数的 统计分布信息，建立并保存该用户设备对应的该目标用户行为的行为识别模 型，以用于识别该目标用户行为。
结合第三方面，在第一种可能的实现方式中，该目标参数的统计分布信 息包括下列信息中的至少一项：该目标参数的概率分布曲线、该目标参数的 期望值和该目标参数的具有最大出现概率的数值。
结合上述可能的实现方式，在第二种可能的实现方式中，若该行为识别 模型为朴素贝叶斯分类器，该朴素贝叶斯分类器中具有连续的特征属性值的 第一特征属性为第一目标参数，该朴素贝叶斯分类器中具有离散的特征属性 值的第二特征属性为第二目标参数，该目标参数的统计分布信息包括下列信 息中的至少一项：该第一特征属性在该目标用户行为的各个类别中的正态分 布参数的期望值，以及该第二特征属性在该目标用户行为的各个类别中的统 计分布曲线。
结合上述可能的实现方式，在第三种可能的实现方式中，该获取模块包 括：第一发送单元，用于向行为识别服务器发送数据下载请求，该数据下载 请求包括目标用户行为的标识；第一接收单元，用于接收该行为识别服务器 根据该发送单元发送的该目标用户行为的标识确定的该目标参数的统计分 布信息，该目标参数的统计分布信息是该行为识别服务器根据该多个其它用 户设备发送到该行为识别服务器的该目标用户行为的多个行为识别模型中 的该目标参数的值确定的。
结合上述可能的实现方式，在第四种可能的实现方式中，该获取模块包 括：第二接收单元，用于接收该多个其它用户设备分别发送的该目标用户行 为的多个行为识别模型；确定单元，用于根据该第二接收单元接收到的该目 标用户行为的该多个行为识别模型中的该目标参数的值，确定该目标参数的 统计分布信息。
结合上述可能的实现方式，在第五种可能的实现方式中，该用户设备还 包括：发送模块，用于向行为识别服务器发送该模型建立模块建立的该目标 用户行为的行为识别模型，以便于该行为识别服务器根据该行为识别模型中 的该目标参数的值更新该目标参数的统计分布信息。
第四方面，提供了一种行为识别服务器，包括：接收模块，用于接收第 一用户设备发送的数据下载请求，该数据下载请求包括目标用户行为的标 识；确定模块，用于根据该接收模块接收的该目标用户行为的标识，确定与 该目标用户行为对应的目标参数的统计分布信息，其中，该目标参数包括该 目标用户行为的行为识别模型的至少一个参数，并且该目标参数的统计分布 信息是根据多个其它用户设备分别对应的该目标用户行为的行为识别模型 中该目标参数的值确定的；发送模块，用于向该第一用户设备发送该确定模 块确定的该目标参数的统计分布信息，以便于该第一用户设备根据该目标参 数的统计分布信息建立该目标用户行为的行为识别模型。
结合第四方面，在第一种可能的实现方式中，该目标参数的统计分布信 息包括下列信息中的至少一项：该目标参数的概率分布曲线、该目标参数的 期望值和该目标参数的具有最大出现概率的数值。
结合上述可能的实现方式，在第二种可能的实现方式中，若该目标用户 行为的行为识别模型为朴素贝叶斯分类器，该朴素贝叶斯分类器中具有连续 的特征属性值的第一特征属性为第一目标参数，该朴素贝叶斯分类器中具有 离散的特征属性值的第二特征属性为第二目标参数，该目标参数的统计分布 信息包括下列信息中的至少一项：该第一特征属性在该目标用户行为的各个 类别中的正态分布参数的期望值以及该第二特征属性在该目标用户行为的 各个类别中的统计分布曲线。
结合上述可能的实现方式，在第三种可能的实现方式中，该行为识别服 务器具有基本知识库和多个协作知识库，其中，该基本知识库用于存储多个 用户分组通用的至少一个用户行为所对应的目标参数的统计分布信息，该多 个协作知识库中的每个协作知识库用于存储该多个用户分组中的一个用户 分组专用的至少一个用户行为所对应的目标参数的统计分布信息，其中，该 至少一个用户行为包括该目标用户行为；该确定模块包括：第一确定单元， 用于确定该第一用户设备的用户分组；第二确定单元，用于若该第一确定单 元确定该第一用户设备不属于该多个用户分组中的任何用户分组，该行为识 别服务器从该基本知识库中确定与该目标用户行为对应的目标参数的统计 分布信息；第三确定单元，用于若该第一确定单元确定该第一用户设备属于 该多个用户分组中的第一用户分组，该行为识别服务器从该第一用户分组对 应的协作知识库中确定与该目标用户行为对应的目标参数的统计分布信息。
结合上述可能的实现方式，在第四种可能的实现方式中，该接收模块还 用于接收该第一用户设备发送的该第一用户设备根据该目标参数的统计分 布信息建立的该目标用户行为的行为识别模型；该行为识别服务器还包括： 更新模块，用于根据该接收模块接收的该第一用户设备发送的行为识别模 型，更新该目标参数的统计分布信息。
结合上述可能的实现方式，在第五种可能的实现方式中，该更新模块包 括：第四确定单元，用于根据该第一用户设备发送的行为识别模型，确定该 第一用户设备对应的该目标参数的值；统计单元，用于根据该多个其它用户 设备分别对应的该目标参数的值和该第四确定单元确定的该第一用户设备 对应的该目标参数的值，对该目标参数的值进行数学统计，并将统计结果确 定为更新后的该目标参数的统计分布信息。
结合上述可能的实现方式，在第六种可能的实现方式中，该接收模块还 用于在该接收第一用户设备发送的数据下载请求之前，接收该多个其它用户 设备分别发送的该目标用户行为的多个行为识别模型；该确定模块还用于根 据该接收模块接收的该多个其它用户设备分别发送的该目标用户行为的多 个行为识别模型，确定该多个其它用户设备分别对应的该目标参数的值；以 及根据该多个其它用户设备分别对应的该目标参数的值，确定该目标参数的 统计分布信息。
第五方面，提供了一种行为识别系统，包括行为识别服务器以及多个用 户设备，其中，该多个用户设备中的第一用户设备用于向该行为识别服务器 发送数据下载请求，该数据下载请求包括目标用户行为的标识；该行为识别 服务器用于根据该目标用户行为的标识，确定与该目标用户行为对应的目标 参数的统计分布信息，并向该第一用户设备发送该目标参数的统计分布信 息，其中，该目标参数包括该目标用户行为的行为识别模型的至少一个参数， 并且该目标参数的统计分布信息是根据多个其它用户设备分别对应的该目 标用户行为的行为识别模型中该目标参数的值确定的；该第一用户设备还用 于接收该行为识别服务器发送的该目标参数的统计分布信息，并根据该目标 参数的统计分布信息，建立并保存该第一用户设备对应的该目标用户行为的 行为识别模型，以用于识别该目标用户行为。
在第一种可能的实现方式中，该目标参数的统计分布信息包括下列信息 中的至少一项：该目标参数的概率分布曲线、该目标参数的期望值和该目标 参数的具有最大出现概率的数值。
基于上述技术方案，根据本发明实施例的识别用户行为的方法、用户设 备、行为识别服务器以及行为识别系统，用户设备根据与目标用户行为对应 的目标参数的统计分布信息建立该目标用户行为的行为识别模型，其中，该 目标参数的统计分布信息是根据多个其它用户设备分别对应的该目标参数 的值确定的，与现有技术中通过大量的训练数据建立该目标用户行为的行为 识别模块相比，能够提高行为识别模型的建立效率和准确性，从而提升用户 体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或 现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述 的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的识别用户行为的方法的示意性流程图。
图2是本发明另一实施例的识别用户行为的方法的示意性流程图。
图3是本发明再一实施例的识别用户行为的方法的示意性流程图。
图4是本发明实施例的用户设备的示意性框图。
图5是本发明实施例的行为识别服务器的示意性框图。
图6是本发明实施例的行为识别系统的网络架构示意图。
图7是本发明另一实施例的用户设备的示意性框图。
图8是本发明另一实施例的行为识别服务器的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不 是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创 造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
应理解，在本发明实施例中，用户设备(UserEquipment，UE)可称之 为终端(Terminal)、移动台(MobileStation，MS)或移动终端(MobileTerminal) 等，该用户设备可以经无线接入网(RadioAccessNetwork，RAN)与一个或 多个核心网进行通信，例如，用户设备可以是移动电话(或称为蜂窝电话)、 具有移动终端的计算机等，例如，用户设备还可以是便携式、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音和/或数 据，本发明实施例对此不做限定。
图1是本发明实施例的识别用户行为的方法100的示意性流程图，该方 法的执行主体可以为独立的装置，例如，UE，也可以为装置中的集成模块。 为了便于描述，下面以该方法由UE执行为例进行说明，但本发明实施例不 限于此。如图1所示，该方法100包括：
S110，第一用户设备获取与目标用户行为对应的目标参数的统计分布信 息，其中，该目标参数包括该目标用户行为的行为识别模型的至少一个参数， 并且该目标参数的统计分布信息是根据多个其它用户设备分别对应的该目 标用户行为的行为识别模型中该目标参数的值确定的。
该第一用户设备可以获取该目标用户行为的经验知识，并且根据该目标 用户行为的经验知识，建立并保存该目标用户行为的行为识别模型。其中， 该经验知识可以包括该目标参数的统计分布信息，也可以进一步包括能够反 应该目标用户行为的行为特性的其它参数，或者包括能够反应该多个其它用 户建立的该目标用户行为的行为识别模型的共同特性的其它参数，本发明实 施例对此不做限定。
该目标参数的统计分布信息可以通过对该多个其它用户设备分别对应 的该目标参数的数值进行数学统计获得，其中，该目标参数可以包括该目标 用户行为的行为识别模型中的至少一个参数，即该目标参数可以包括该目标 用户行为的行为识别模型中的部分或全部参数；可选地，该目标参数也可以 包括与该目标用户行为的行为识别模型中的参数相关联的参数，但本发明实 施例对此不做限定。
例如，假设目标用户行为的行为识别模型中，某一特征属性在各个类别 中的分布满足高斯分布函数，则该目标参数可以包括该特征属性的高斯分布 函数的均方差对多个用户的期望值，其中，该均方差可以反映目标用户行为 的特征属性对于识别该目标用户行为的重要性，即若某一特征属性为识别目 标用户行为的重要特征属性，则该特征属性的高斯分布函数具有较小的均方 差值；而如果某一特征属性为识别该目标用户行为的非重要特征属性，则该 特征属性的高斯分布函数具有较大的均方差值，这样，第一UE建立该目标 用户行为的行为识别模型时，可以将该目标用户行为的特征属性对应的均方 差对多个用户的期望值作为该特征属性在该行为识别模型中的均方差值，但 本发明实施例不限于此。
S120，该第一用户设备根据该目标参数的统计分布信息，建立并保存该 第一用户设备对应的该目标用户行为的行为识别模型，以用于识别该目标用 户行为。
该第一用户设备可以根据该目标参数的统计分布信息，确定建立该目标 用户行为的行为识别模型时所采用的该目标参数的数值，并采用确定的该目 标参数的数值建立该目标用户行为的行为识别模型，其中，本发明实施例并 不限定该第一用户设备如何采用该确定的该目标参数的统计分布信息建立 该目标用户行为的行为识别模型，建立行为识别模型的过程根据行为识别模 型的不同有所不同，本领域技术人员在根据本发明实施例公开的方法确定了 该目标参数的统计分布信息之后，就可以根据现有技术的方法以及行为识别 模型的类别建立相应的行为识别模型，本发明实施例对此细节不再赘述。
该第一用户设备在建立该目标用户行为的行为识别模型后，可以保存该 目标用户行为的行为识别模型，并且采用该目标用户行为的行为识别模型识 别用户行为。
因此，根据本发明实施例的识别用户行为的方法，用户设备根据与目标 用户行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别 模型，其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应 的该目标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用 户行为的行为识别模块相比，能够提高行为识别模型的建立效率和准确性， 从而提升用户体验。
在本发明实施例中，该目标用户行为的经验知识能够反映该多个其它用 户设备对应的该目标用户行为的行为识别模型的共同特性，其中，一个其它 用户设备对应的该目标用户行为的行为识别模型可以是该其它用户设备根 据该目标用户行为的大量训练数据建立的行为识别模型，也可以是该其它用 户设备根据在实际应用中采集到的与该目标用户行为有关的感应数据更新 的行为识别模型，本发明实施例对此不做限定。
可选地，该目标参数的统计分布信息包括下列信息中的至少一项：该目 标参数的概率分布曲线、该目标参数的期望值和该目标参数的具有最大出现 概率的数值。
该目标参数的统计分布信息也可以包括其它信息，例如，该目标参数的 概率分布曲线中出现概率超过一定阈值的所有数值的期望值，或者该目标参 数的概率分布曲线中除出现概率低于一定阈值的数值之外的其它数值的期 望值，等等，本发明实施例不限于此。
在本发明实施例中，该行为识别模型可以为任一种机器学习的二元分类 器，例如，朴素贝叶斯分类器(NaiveBayesClassifier)、人工神经网络分类 器(ArtificialNeuralNetowrkClassifier)、支持向量机分类器(SupportVector MachineClassifier)、或逻辑斯蒂(Logistic)回归模型等等。该二元分类器可 以批量更新，也可以是增量更新，即分类器可以在更新过程中只处理新的数 据。考虑到UE(例如，智能手机)在计算能力、存储能力、电池容量上的 限制，优选地，本发明实施例可以采用增量更新的分类器，例如，朴素贝叶 斯分类器。
可选地，若该行为识别模型为朴素贝叶斯分类器，该朴素贝叶斯分类器 中具有连续的特征属性值的第一特征属性为第一目标参数，该朴素贝叶斯分 类器中具有离散的特征属性值的第二特征属性为第二目标参数，该目标参数 的统计分布信息包括下列信息中的至少一项：
该第一特征属性在该目标用户行为的各个类别中的正态分布参数的期 望值，以及该第二特征属性在该目标用户行为的各个类别中的统计分布曲 线。
该第一用户设备可以根据该第二特征属性在该目标用户行为的各个类 别中的统计分布曲线，确定该第二特征属性在该目标用户行为的各个类别中 的分布曲线形态，并且根据自身数据和该分布曲线形态，确定该第一用户设 备所对应的该第二特征属性在该目标用户行为的各个类别中的统计分布曲 线，但本发明实施例不限于此。
假设目标用户行为只有两个类别，即是该目标用户行为和不是该目标用 户行为，例如，该目标用户行为是走路，则走路的两个类别分别是在走路和 不在走路，进一步地，该目标用户行为的特征属性可以包括加速度的三维分 量、时间或地点，其中，时间和加速度的三维分量可以具有离散的特征属性 值，而地点可以具有连续的特征属性值，但本发明实施例不限于此。
可选地，该正态分布参数的期望值可以包括下列参数中的至少一项：该 第一特征属性在该目标用户行为的每个类别下的均方差对该多个其它UE的 期望值，以及该第一特征属性在该目标用户行为的第一类别下的值与该第一 特征属性在该目标用户行为的第二类别下的值的差对多个其它UE的期望 值。具体地，在朴素贝叶斯分类器中，通常假设具有连续特征属性值的特征 属性在各个类别下的分布函数均为正态分布(或称为高斯分布)，如果特征 属性aj具有连续的特征属性值，则其中，表 示类别yi下特征属性aj的条件概率，表示特征属性aj在类别yi下的分布函数，g(x,μ,σ)具有下列形式：
其中，μ为x的期望值，σ为x的均方差，可以确定对于多个其它UE 中的每个其它UE而言，该第一特征属性在目标用户行为的各个类别下的分 布曲线，即为每个其它UE对应的该第一特征属性在每个类别下的σ的值， 并将该每个类别下的σ值对多个其它UE做平均，得到该第一特征属性在该 每个类别下的均方差的期望值。一般地，如果特征属性aj是识别目标用户行 为的重要特征属性，则该特征属性aj在该目标用户行为的各个类别下的均方 差比较小，而如果特征属性aj是识别目标用户行为的非重要特征属性，则该 特征属性aj在该目标用户行为的至少一个类别下的均方差比较大；相应地， 该第一UE可以根据该第一特征属性的均方差期望值，确定该目标用户行为 的哪个特征属性为识别该目标用户行为的重要特征属性，并以此为根据建立 该目标用户行为的行为识别模型，但本发明实施例不限于此。
类似地，可以确定每个其它UE对应的该第一特征属性在每个类别下的 μ值，并将各个类别下的μ值作差，具体地，以该目标用户行为包括两个类 别为例，即第一类别和第二类别，该行为识别服务器可以将该第一特征属性 在第一类别下的μ值减去该第一特征属性在第二类别下的μ值，得到该第一 特征属性在两个类别下的μ值之差，然后该行为识别服务器将该μ值之差对 多个其它UE做平均，最终得到该第一特征属性在该第一类别与该第二类别 下的期望值之差作为与该目标用户行为对应的目标参数的统计分布信息，但 本发明实施例不限于此。
可选地，作为另一实施例，在朴素贝叶斯分类器中，如果第二特征属性 具有离散的特征属性值，则可以根据多个其它UE中的每个其它UE对应的 该目标用户行为的行为识别模型，确定每个其它UE对应的该第二特征属性 的离散值在该目标用户行为的各个类别下的分布情况，具体地，可以统计该 第二特征属性的离散值在每个类别下的概率，以得到该第二特征属性的离散 值在每个类别下的分布曲线，然后，可以将该第二特征属性在每个类别下的 分布曲线对多个其它UE进行数学统计，得到该第二特征属性在每个类别下 的统计分布曲线；相应地，该第一UE可以将该第二特征属性的统计分布曲 线的形态，作为自身的行为识别模型中该第二特征属性的分布曲线的形态， 并根据采集到的感应数据，确定该第二特征属性的分布曲线，但本发明实施 例不限于此。
可选地，作为另一实施例，若该目标用户行为的行为识别模型为逻辑斯 蒂回归模型，假设该目标用户行为的两个类别C1和C2分别表示是该目标用 户行为和不是该目标用户行为，则一个特征属性在该两个类别中出现的概率 可以由下式确定：
p(C1|Φ)＝W0+σ(WTΦ)(2)
p(C2|Φ)＝1-p(C1|Φ)(3)
其中，Φ＝(Φ1,...,ΦM)T为特征属性向量，W＝(W1,...,WM-1)T为权重向量， 分量Wi表示Φi的权重，W0表示偏差，则该目标参数的统计分布信息可以包 括某个特征属性在各个类别中的权重的统计分布信息，例如，该特征属性在 一个类别中的权重的期望值，但本发明实施例不限于此。
可选地，作为另一实施例，该多个其它UE可以向行为识别服务器发送 各自确定的该目标用户行为的行为识别模型，该行为识别服务器根据该多个 其它UE发送的行为识别模型，确定该目标参数的统计分布信息。此时，该 第一UE可以从该行为识别服务器获取该目标参数的统计分布信息。相应地， S110，第一用户设备获取与目标用户行为对应的目标参数的统计分布信息， 包括：
该第一用户设备向行为识别服务器发送数据下载请求，该数据下载请求 包括目标用户行为的标识；
该第一用户设备接收该行为识别服务器根据该目标用户行为的标识确 定的该目标参数的统计分布信息，该目标参数的统计分布信息是该行为识别 服务器根据该多个其它用户设备发送到该行为识别服务器的该目标用户行 为的多个行为识别模型中的该目标参数的值确定的。
该第一UE在需要建立目标用户行为的行为识别模型时，可以通过向该 行为识别服务器发送携带有该目标用户行为的标识的数据下载请求，向该行 为识别服务器请求与该目标用户行为对应的目标参数的统计分布信息，其 中，该数据下载请求中可以携带该目标用户行为的标识，例如，该目标用户 行为的名称或编号，等等，本发明实施例对此不做限定。该行为识别服务器 可以根据该目标用户行为的标识，确定与该目标用户行为对应的目标参数的 统计分布信息，并向该第一UE返回确定的该目标参数的统计分布信息。
可选地，该行为识别服务器可以包括一个经验知识库，该经验知识库用 于存储包括该目标用户行为在内的至少一个用户行为所对应的目标参数的 统计分布信息；可选地，作为另一实施例，该行为识别服务器也可以对UE 分组，并为每个用户分组确定与该目标用户行为对应的目标参数的统计分布 信息。该多个用户分组可以预先设置，也可以根据UE的使用者的职业、年 龄、性别或居住地等一个或多个因素对UE进行分组，例如，该行为识别服 务器根据UE的使用者的性别和年龄将UE分为四类，即使用者为成年男性 的UE、使用者为成年女性的UE、使用者为未成年男性的UE和使用者为未 成年女性的UE，其中，上述每个用户分组内的UE的使用者在执行相同行 为时，具有相似的行为特性，而每个用户分组的UE的使用者与其他用户分 组的UE的使用者在执行相同行为时，具有不同的行为特性。可选地，上述 例子中还可以采用其他分组方式，本发明实施例对此不做限定。
该行为识别服务器可以包括一个基本知识库和多个协作知识库，其中， 该基本知识库用于存储多个用户分组通用的至少一个用户行为所对应的目 标参数的统计分布信息，该多个协作知识库中的每个协作知识库用于存储该 多个用户分组中的一个用户分组专用的至少一个用户行为所对应的目标参 数的统计分布信息，其中，该至少一个用户行为包括该目标用户行为。假设 该多个其它UE可以分为两个用户分组，第一用户分组和第二用户分组，相 应地，该行为识别服务器可以具有一个基本知识库和两个协作知识库。该行 为识别服务器可以根据属于第一用户分组的多个其它UE分别对应的该目标 参数的值，确定与该第一用户分组相对应的第一协作知识库中存储的与该目 标用户行为对应的该目标参数的统计分布信息；根据属于第二用户分组的多 个其它UE分别对应的该目标参数的值，确定与该第二用户分组相对应的第 一协作知识库中存储的与该目标用户行为相对应的该目标参数的统计分布 信息；以及根据属于该第一用户分组和该第二用户分组的除该第一UE之外 的其它UE分别对应的该目标参数的值，确定该基本知识库中存储的与该目 标用户行为对应的该目标参数的统计分布信息，但本发明实施例不限于此。
若该行为识别服务器包括基本知识库和多个协作知识库，当该行为识别 服务器接收到该第一UE发送的数据下载请求时，可以确定该第一UE所属 的用户分组。若该行为识别服务器确定该第一UE属于该多个协作知识库分 别对应的用户分组中的第一用户分组，则该行为识别服务器可以从该第一用 户分组对应的协作知识库中确定与该目标用户行为相对应的目标参数的统 计分布信息；而如果该行为识别服务器确定该第一UE不属于该协作知识库 对应的用户分组中的任何用户分组，则该行为识别服务器可以从基本知识库 中确定与该目标用户行为相对应的目标参数的统计分布信息，本发明实施例 不限于此。这样，该第一UE根据由与该第一UE属于相同分组中的其它UE 对应的该目标参数的值确定的该目标参数的统计分布信息，建立该目标用户 行为的行为识别模型，能够进一步提高该第一UE建立的行为识别模型的准 确性。
可选地，该行为识别服务器可以通过多种方式确定该第一UE的用户分 组，例如，该行为识别服务器可以根据该第一UE上传的用户数据，确定该 第一UE的用户分组，此时，若该第一UE曾向该行为识别服务器发送过用 户数据，则该行为识别服务器可以根据该第一UE发送的用户数据确定该第 一UE的用户分组，反之，或该第一UE未曾向该行为识别服务器发送过用 户数据，则该行为识别服务器无法确定该第一UE的用户分组，即该第一 UE不属于当前的多个用户分组中的任一个用户分组，但本发明实施例不限 于此。
可选地，作为另一实施例，S110，第一用户设备获取与目标用户行为对 应的目标参数的统计分布信息，包括：
该第一用户设备接收该多个其它用户设备分别发送的该目标用户行为 的行为识别模型；
该第一用户设备根据接收到的该目标用户行为的该多个行为识别模型 中的该目标参数的值，确定该目标参数的统计分布信息。
该多个其它UE可以主动地向该第一UE发送各自建立的该目标用户行 为的行为识别模型；或者该多个其它UE根据该第一UE的请求向该第一UE 发送该行为识别模型，本发明实施例不限于此。该第一UE接收到该多个其 它UE分别发送的该目标用户行为的行为识别模型后，可以确定该多个其它 UE中的每个UE所对应的该目标参数的数值，并对该多个UE分别对应的该 目标参数的数值进行统计，以确定该目标参数的统计分布信息。
在本发明实施例中，该第一UE可以通过多种方式确定需要建立新的行 为识别模型。可选地，该第一UE中可以设置有各种感应器，例如，陀螺仪、 定位器、加速度感应器、光线感应器，等等，在某一时刻，该第一UE上设 置的感应器可以采集一组感应数据，该第一UE可以根据采集到的感应数据 和已有的至少一个行为识别模型，确定该感应数据对应的至少一个用户行 为，例如，该第一UE将该采集到的感应数据输入到当前的行为识别模型库 中的至少一个行为识别模型中，以确定该采集到的感应数据是否对应于该至 少一个行为识别模型中的每个行为识别模型针对的用户行为，然后，该第一 UE可以将该至少一个行为识别模型的结果汇总显示，并询问用户是否认可 当前的显示结果，如果该用户认可或默认该显示结果，则该第一UE的行为 识别流程结束；而如果用户不认可该显示结果并且输入用户指令，该用户指 令指示该用户的实际行为，则该UE确定该当前的行为识别模型库中是否存 在该实际行为的行为识别模型，如果不存在，则该UE确定需要建立新的行 为识别模型。此时，该目标用户行为即为该用户的实际行为，但本发明实施 例不限于此。
可选地，作为另一实施例，在S110之前，该方法100还包括：
通过该第一用户设备的感应器采集数据；
根据该感应器采集到的数据和已存在的至少一个行为识别模型，确定至 少一个用户行为；
接收用户指令，该用户指令指示所述目标用户行为；
若该目标用户行为不同于该确定的至少一个用户行为，确定是否存在该 目标用户行为的行为识别模型；
若不存在该目标用户行为的行为识别模型，执行S110。
可选地，作为另一实施例，若该第一UE中存在该目标用户行为的行为 识别模型，该第一UE还可以根据该采集的感应数据，更新该目标用户行为 的行为识别模型。
可选地，作为另一实施例，该第一UE在根据与该目标用户行为对应的 目标参数的统计分布信息，建立该目标用户行为的行为识别模型后，该第一 UE还可以向该行为识别服务器发送该建立的行为识别模型，以便于该行为 识别服务器根据该第一UE发送的行为识别模型更新该目标参数的统计分布 信息；或者该第一UE还可以向该多个其它UE发送该建立的行为识别模型， 以便于该多个其它UE根据该第一UE发送的行为识别模型，更新各自对应 的该目标用户行为的行为识别模型，但本发明实施例不限于此。
可选地，该第一UE可以在每新建或更新一个行为识别模型之后，就向 该行为识别服务器发送该行为识别模型；或者定期向该行为识别服务器发送 在该周期内新建或更新了的行为识别模型，此时，在该第一UE向该行为识 别服务器发送该建立的行为识别模型之前，该第一UE还可以确定距离上次 发送行为识别模型的时间间隔是否超过预设发送周期，若该第一UE确定距 离上次发送行为识别模型的时间检测超过该预设发送周期，则该第一UE向 该行为识别服务器发送该建立的该目标用户行为的行为识别模型。
其中，该预设发送周期可以以天或月为单位，且该预设发送周期可以由 用户设置，但本发明实施例对此不做限定。
可选地，作为另一实施例，该第一UE还可以向该行为识别服务器发送 用户数据，以便于该行为识别服务器根据发送的该用户数据确定该第一UE 的用户分组。其中，可选地，该用户数据可以包括任何能够使得该行为识别 服务器确定该第一UE的用户分组的数据，例如，该用户数据可以包括该第 一UE采集到的感应数据和与该感应数据相对应的该目标用户行为，或该第 一UE的使用者的年龄、性别、职业、或居住地，等等，本发明实施例对此 不做限定。
因此，根据本发明实施例的识别用户行为的方法，用户设备根据与目标 用户行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别 模型，其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应 的该目标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用 户行为的行为识别模块相比，能够提高行为识别模型的建立效率和准确性， 从而提升用户体验。
上文中结合图1，从UE的角度详细描述了本发明提供的识别用户行为 的方法，下面将结合图2，从行为识别服务器的角度详细描述本发明提供的 识别用户行为的方法。
图2示出了根据本发明另一实施例的识别用户行为的方法200的示意性 流程图，该方法可以由行为识别服务器执行，如图2所示，该方法200包括：
S210，行为识别服务器接收第一用户设备发送的数据下载请求，该数据 下载请求包括目标用户行为的标识；
S220，该行为识别服务器根据该目标用户行为的标识，确定与该目标用 户行为对应的目标参数的统计分布信息，其中，该目标参数包括该目标用户 行为的行为识别模型的至少一个参数，并且该目标参数的统计分布信息是根 据多个其它用户设备分别对应的该目标用户行为的行为识别模型中该目标 参数的值确定的；
S230，该行为识别服务器向该第一用户设备发送该目标参数的统计分布 信息，以便于该第一用户设备根据该目标参数的统计分布信息建立该目标用 户行为的行为识别模型。
因此，根据本发明实施例的识别用户行为的方法，用户设备根据与目标 用户行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别 模型，其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应 的该目标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用 户行为的行为识别模块相比，能够提高行为识别模型的建立效率和准确性， 从而提升用户体验。
可选地，该目标参数的统计分布信息包括下列信息中的至少一项：该目 标参数的概率分布曲线、该目标参数的期望值和该目标参数的具有最大出现 概率的数值。
可选地，作为另一实施例，若该行为识别模型为朴素贝叶斯分类器，该 朴素贝叶斯分类器中具有连续的特征属性值的第一特征属性为第一目标参 数，该朴素贝叶斯分类器中具有离散的特征属性值的第二特征属性为第二目 标参数，且该目标参数的统计分布信息包括下列信息中的至少一项：
该第一特征属性在该目标用户行为的各个类别中的正态分布参数的期 望值，以及该第二特征属性在该目标用户行为的各个类别中的统计分布曲 线。
可选地，该正态分布参数的期望值可以包括下列数值中的至少一项：该 第一特征属性在该目标用户行为的每个类别下的均方差对该多个其它UE的 期望值，以及该第一特征属性在该目标用户行为的第一类别下的值与该第一 特征属性在该目标用户行为的第二类别下的值的差对多个其它UE的期望 值，但本发明实施例不限于此。
可选地，该行为识别服务器可以具有一个经验知识库，该经验知识库用 于存储包括该目标用户行为在内的至少一个用户行为所对应的目标参数的 统计分布信息，相应地，该行为识别服务器可以从该经验知识库中确定与该 目标用户行为对应的目标参数的统计分布信息。可选地，作为另一实施例， 该行为识别服务器可以对UE分组，并为每个用户分组确定该目标参数的统 计分布信息，相应地，该行为识别服务器具有基本知识库和多个协作知识库， 其中，该基本知识库用于存储多个用户分组通用的至少一个用户行为所对应 的目标参数的统计分布信息，该多个协作知识库中的每个协作知识库用于存 储该多个用户分组中的一个用户分组专用的至少一个用户行为所对应的目 标参数的统计分布信息，其中，该至少一个用户行为包括该目标用户行为。
相应地，S220，行为识别服务器根据该目标用户行为的标识，确定与该 目标用户行为对应的目标参数的统计分布信息，包括：
该行为识别服务器确定该第一用户设备的用户分组；
若该第一用户设备不属于该多个用户分组中的任何用户分组，该行为识 别服务器从该基本知识库中确定与该目标用户行为对应的目标参数的统计 分布信息；
若该第一用户设备属于该多个用户分组中的第一用户分组，该行为识别 服务器从该第一用户分组对应的协作知识库中确定与该目标用户行为对应 的目标参数的统计分布信息。
其中，该多个用户分组可以预先设置，也可以根据UE的使用者的职业、 年龄、性别或居住地等一个或多个因素对UE进行分组。该行为识别服务器 也可以通过多种方式确定该第一UE的用户分组，可选地，该行为识别服务 器可以根据该第一UE上传的用户数据，确定该第一UE的用户分组，此时， 若该第一UE曾向该行为识别服务器发送过用户数据，则该行为识别服务器 可以根据该第一UE发送的用户数据确定该第一UE的用户分组，反之，或 该第一UE未曾向该行为识别服务器发送过用户数据，则该行为识别服务器 无法确定该第一UE的用户分组，即该第一UE不属于当前的多个用户分组 中的任一个用户分组，但本发明实施例不限于此。
可选地，作为另一实施例，该方法200还包括：
该行为识别服务器接收该第一用户设备发送的该第一用户设备根据该 目标参数的统计分布信息建立的该目标用户行为的行为识别模型；
该行为识别服务器根据该第一用户设备发送的行为识别模型，更新该目 标参数的统计分布信息。
可选地，该行为识别服务器根据该第一用户设备发送的行为识别模型， 更新该目标参数的统计分布信息，包括：
该行为识别服务器根据该第一用户设备发送的行为识别模型，确定该第 一用户设备对应的该目标参数的值；
该行为识别服务器根据该多个其它用户设备分别对应的该目标参数的 值和该第一用户设备对应的该目标参数的值，对该目标参数的值进行数学统 计，并将统计结果确定为更新后的该目标参数的统计分布信息。
可选地，作为另一实施例，如果该行为识别服务器具有基本知识库和多 个协作知识库，则该行为识别服务器可以根据该第一UE发送的行为识别模 型更新该基本知识库和/或该第一UE所属的用户分组对应的协作知识库，但 本发明实施例不限于此。
可选地，作为另一实施例，该方法200还包括：
接收该第一UE发送的用户数据；
根据该第一UE发送的用户数据，确定该第一UE的用户分组。
可选地，作为另一实施例，在S210之前，该方法200还包括：
该行为识别服务器接收该多个其它用户设备分别发送的该目标用户行 为的行为识别模型；
该行为识别服务器根据该多个其它用户设备分别发送的该目标用户行 为的行为识别模型，确定该多个其它用户设备分别对应的该目标参数的值；
该行为识别服务器根据该多个其它用户设备分别对应的该目标参数的 值，确定该目标参数的统计分布信息。
具体地，该行为识别服务器可以获取多个其它UE中的每个其它UE发 送的该每个其它UE各自对应的该目标用户行为的行为识别模型，并根据每 个其它UE发送的该目标用户行为的行为识别模型，确定该每个其它UE对 应的目标参数的值，并通过对该多个其它UE分别对应的目标参数的值做统 计，确定该目标参数的统计分布信息，但本发明实施例不限于此。
可选地，作为另一实施例，如果该行为识别服务器包括多个协作知识库， 则该行为识别服务器在确定与该目标用户行为对应的目标参数的统计分布 信息时，可以为每个用户分组确定该目标用户行为对应的目标参数的统计分 布信息，并将该每个用户分组对应的该目标参数的统计分布信息存储于该多 个协作知识库中的一个协作知识库中。相应地，该行为识别服务器根据该多 个其它用户设备分别对应的该目标参数的值，确定该目标参数的统计分布信 息，包括：
该行为识别服务器确定该多个其它UE中属于第一用户分组的至少一个 其它UE；
根据该至少一个其它UE分别对应的该目标参数的值，确定第一协作知 识库中存储的该目标参数的统计分布信息，其中，该第一协作知识库用于存 储该第一用户分组对应的目标参数的统计分布信息。
因此，根据本发明实施例的识别用户行为的方法，用户设备根据与目标 用户行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别 模型，其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应 的该目标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用 户行为的行为识别模块相比，能够提高行为识别模型的建立效率和准确性， 从而提升用户体验。
下面将结合具体例子对本发明实施例提供的识别用户行为的方法做更 详细的说明。图3示出了根据本发明另一实施例的识别用户行为的方法300 的示意性流程图。如图3所示，该方法300包括：
S310，UE采集感应数据。
具体地，该UE上配置的各个感应器可以采集某一时刻的感应数据。
S320，该UE根据该采集到的感应数据和已有的至少一个行为识别模型， 确定并显示该采集到的感应数据对应的至少一个用户行为。
该UE将该感应数据输入到当前的行为识别模型库中的至少一个行为识 别模型中，以根据该至少一个行为识别模型的输出结果，确定用户当前的行 为。该UE显示该确定的至少一个用户行为，如果用户认可或默认该显示的 用户行为，则方法300的流程结束；而如果该用户不认可该显示的用户行为， 并指定目标用户行为，其中该目标用户行为不同于该显示的用户行为，则该 UE执行S330。
S330，该UE确定是否存在用户指令指示的目标用户行为的行为识别模 型。
如果该UE已经建立该目标用户行为的行为识别模型，则该第一UE执 行S340；否则，该UE执行S350。
S340，该UE根据该采集到的感应数据和该用户指令指示的目标用户行 为，更新该目标用户行为的行为识别模型。
S350，该UE向行为识别服务器发送数据下载请求并且该行为识别服务 器接收到该数据下载请求，该数据下载请求携带该目标用户行为的标识。
S360，该行为识别服务器确定该UE的用户分组。
如果该UE不属于当前的多个用户分组中的任何一个用户分组，则该行 为识别服务器可以执行S370a和S380；否则，该行为识别服务器执行S370b 和S380。
S370a，该行为识别服务器从基本知识库中提取该目标用户行为对应的 目标参数的统计分布信息。
其中，该基本知识库中存储至少一个行为相对应的目标参数的统计分布 信息，其中，该至少一个行为包括目标用户行为。
S370b，该行为识别服务器从该UE所属的用户分组对应的协作知识库 中提取该目标用户行为对应的目标参数的统计分布信息。
S380，该行为识别服务器向该UE发送该目标参数的统计分布信息，并 且该UE接收该行为识别服务器发送的该目标参数的统计分布信息。
S390，该UE根据该目标参数的统计分布信息和该采集到的感应数据， 建立该目标用户行为的行为识别模型。
因此，根据本发明实施例的识别用户行为的方法，用户设备根据与目标 用户行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别 模型，其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应 的该目标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用 户行为的行为识别模块相比，能够提高行为识别模型的建立效率和准确性， 从而提升用户体验。
应注意，图3的这个例子是为了帮助本领域技术人员更好地理解本发明 实施例，而非要限制本发明实施例的范围。本领域技术人员根据所给出的图 3的例子，显然可以进行各种等价的修改或变化，这样的修改或变化也落入 本发明实施例的范围内。
应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程 的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程 构成任何限定。
上文中结合图1至图3，详细描述了根据本发明实施例的识别用户行为 的方法，下面将结合图4至图8，描述根据本发明实施例的用户设备、行为 识别服务器和行为识别系统。
图4示出了根据本发明实施例的用户设备400的示意性框图，如图4所 示，该用户设备400包括：
获取模块410，用于获取与目标用户行为对应的目标参数的统计分布信 息，其中，该目标参数包括该目标用户行为的行为识别模型的至少一个参数， 并且该目标参数的统计分布信息是根据多个其它用户设备分别对应的该目 标用户行为的行为识别模型中该目标参数的值确定的；
模型建立模块420，用于根据该获取模块410获取的该目标参数的统计 分布信息，建立并保存该用户设备对应的该目标用户行为的行为识别模型， 以用于识别该目标用户行为。
因此，根据本发明实施例的用户设备，根据与目标用户行为对应的目标 参数的统计分布信息建立该目标用户行为的行为识别模型，其中，该目标参 数的统计分布信息是根据多个其它用户设备分别对应的该目标参数的值确 定的，与现有技术中通过大量的训练数据建立该目标用户行为的行为识别模 块相比，能够提高行为识别模型的建立效率和准确性，从而提升用户体验。
可选地，该目标参数的统计分布信息包括下列信息中的至少一项：该目 标参数的概率分布曲线、该目标参数的期望值和该目标参数的具有最大出现 概率的数值。
可选地，作为另一实施例，若该行为识别模型为朴素贝叶斯分类器，该 朴素贝叶斯分类器中具有连续的特征属性值的第一特征属性为第一目标参 数，该朴素贝叶斯分类器中具有离散的特征属性值的第二特征属性为第二目 标参数，该目标参数的统计分布信息包括下列信息中的至少一项：
该第一特征属性在该目标用户行为的各个类别中的正态分布参数的期 望值，以及该第二特征属性在该目标用户行为的各个类别中的统计分布曲 线。
可选地，作为另一实施例，该获取模块410包括：
第一发送单元，用于向行为识别服务器发送数据下载请求，该数据下载 请求包括目标用户行为的标识；
第一接收单元，用于接收该行为识别服务器根据该第一发送单元发送的 该目标用户行为的标识确定的目标参数的统计分布信息，该目标参数的统计 分布信息是该行为识别服务器根据该多个其它用户设备发送到该行为识别 服务器的该目标用户行为的多个行为识别模型中的该目标参数的值确定的。
可选地，作为另一实施例，该获取模块410包括：
第二接收单元，用于接收该多个其它用户设备分别发送的该目标用户行 为的行为识别模型；
确定单元，用于根据该第二接收单元接收到的该目标用户行为的该多个 行为识别模型中的该目标参数的值，确定该目标参数的统计分布信息。
可选地，作为另一实施例，该用户设备400还包括：
发送模块，用于向行为识别服务器发送该模型建立模块420建立的该目 标用户行为的行为识别模型，以便于该行为识别服务器根据该行为识别模型 更新该目标参数的统计分布信息；或者，
该发送模块用于向其它用户设备发送该模型建立模块420建立的该目标 用户行为的行为识别模型，以便于该其它UE根据该行为识别模型更新该目 标参数的统计分布信息。
根据本发明实施例的用户设备400可对应于根据本发明实施例的识别用 户行为的方法中的第一用户设备，并且用户设备400中的各个模块的上述和 其它操作和/或功能分别为了实现图1至图3中的各个方法的相应流程，为了 简洁，在此不再赘述。
因此，根据本发明实施例的识别用户行为的用户设备，根据与目标用户 行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别模型， 其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应的该目 标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用户行为 的行为识别模块相比，能够提高行为识别模型的建立效率和准确性，从而提 升用户体验。
图5示出了根据本发明实施例的行为识别服务器500的示意性框图。如 图5所示，该行为识别服务器500包括：
接收模块510，用于接收第一用户设备发送的数据下载请求，该数据下 载请求包括目标用户行为的标识；
确定模块520，用于根据该接收模块510接收的该目标用户行为的标识， 确定与该目标用户行为对应的目标参数的统计分布信息，其中，该目标参数 包括该目标用户行为的行为识别模型的至少一个参数，并且该目标参数的统 计分布信息是根据多个其它用户设备分别对应的该目标用户行为的行为识 别模型中该目标参数的值确定的；
发送模块530，用于向该第一用户设备发送该确定模块520确定的该目 标参数的统计分布信息，以便于该第一用户设备根据该目标参数的统计分布 信息建立该目标用户行为的行为识别模型。
因此，根据本发明实施例的行为识别服务器，根据多个用户设备分别对 应的目标参数的值，确定与目标用户行为对应的该目标参数的统计分布信 息，并且根据用户设备的请求向该用户设备发送与该目标用户行为对应的该 目标参数的统计分布信息，能够提高行为识别模型的建立效率和准确性，从 而提升用户体验。
可选地，该目标参数的统计分布信息包括下列信息中的至少一项：该目 标参数的概率分布曲线、该目标参数的期望值和该目标参数的具有最大出现 概率的数值。
可选地，作为另一实施例，若该目标用户行为的行为识别模型为朴素贝 叶斯分类器，该朴素贝叶斯分类器中具有连续的特征属性值的第一特征属性 为第一目标参数，该朴素贝叶斯分类器中具有离散的特征属性值的第二特征 属性为第二目标参数，该目标参数的统计分布信息包括下列信息中的至少一 项：该第一特征属性在该目标用户行为的各个类别中的正态分布参数的期望 值以及该第二特征属性在该目标用户行为的各个类别中的统计分布曲线。
可选地，作为另一实施例，该行为识别服务器具有基本知识库和多个协 作知识库，其中，该基本知识库用于存储多个用户分组通用的至少一个用户 行为所对应的目标参数的统计分布信息，该多个协作知识库中的每个协作知 识库用于存储该多个用户分组中的一个用户分组专用的至少一个用户行为 所对应的目标参数的统计分布信息。
相应地，该确定模块520包括：
第一确定单元，用于确定该第一用户设备的用户分组；
第二确定单元，用于若该第一确定单元确定该第一用户设备不属于该多 个用户分组中的任何用户分组，该行为识别服务器从该基本知识库中确定与 该目标用户行为对应的目标参数的统计分布信息；
第三确定单元，用于若该第一确定单元确定该第一用户设备属于该多个 用户分组中的第一用户分组，该行为识别服务器从该第一用户分组对应的协 作知识库中确定与该目标用户行为对应的目标参数的统计分布信息。
可选地，作为另一实施例，该接收模块510还用于接收该第一用户设备 发送的该第一用户设备根据该发送模块530发送的该目标参数的统计分布信 息建立的该目标用户行为的行为识别模型；
相应地，该行为识别服务器500还包括：更新模块，用于根据该接收模 块510接收的该第一用户设备发送的行为识别模型，更新该目标参数的统计 分布信息。
可选地，作为另一实施例，该更新模块包括：
第四确定单元，用于根据该接收模块510接收的该第一用户设备发送的 行为识别模型，确定该第一用户设备对应的该目标参数的值；
统计单元，用于根据该多个其它用户设备分别对应的该目标参数的值和 该第四确定单元确定的该第一用户设备对应的该目标参数的值，对该目标参 数的值进行数学统计，并将统计结果确定为更新后的该目标参数的统计分布 信息。
可选地，作为另一实施例，该接收模块510还用于在该接收第一用户设 备发送的数据下载请求之前，接收该多个其它用户设备分别发送的该目标用 户行为的行为识别模型；
该确定模块520还用于根据该接收模块510接收的该多个其它用户设备 分别发送的该目标用户行为的行为识别模型，确定该多个其它用户设备分别 对应的该目标参数的值；以及根据该多个其它用户设备分别对应的该目标参 数的值，确定该目标参数的统计分布信息。
根据本发明实施例的行为识别服务器500可对应于根据本发明实施例的 识别用户行为的方法中的行为识别服务器，并且该行为识别服务器500中的 各个模块的上述和其它操作和/或功能分别为了实现图1至图3中的各个方法 的相应流程，为了简洁，在此不再赘述。
因此，根据本发明实施例的行为识别服务器，根据多个用户设备分别对 应的目标参数的值，确定与目标用户行为对应的该目标参数的统计分布信 息，并且根据用户设备的请求向该用户设备发送与该目标用户行为对应的该 目标参数的统计分布信息，能够提高行为识别模型的建立效率和准确性，从 而提升用户体验。
图6是本发明实施例的行为识别系统600的网络架构示意图，该行为识 别系统600包括：多个用户设备610和行为识别服务器620，其中，
该多个用户设备610中的第一用户设备610用于向该行为识别服务器 620发送数据下载请求，该数据下载请求包括目标用户行为的标识；
该行为识别服务器620用于根据该目标用户行为的标识确定与该目标用 户行为对应的目标参数的统计分布信息，并向该第一用户设备发送该目标参 数的统计分布信息，其中，该目标参数包括该目标用户行为的行为识别模型 的至少一个参数，并且该目标参数的统计分布信息是根据多个其它用户设备 分别对应的该目标用户行为的行为识别模型中该目标参数的值确定的；
该第一用户设备610还用于接收该行为识别服务器620发送的该目标参 数的统计分布信息，并根据该目标参数的统计分布信息，建立并保存该第一 用户设备对应的该目标用户行为的行为识别模型，以用于识别该目标用户行 为。
具体地，该多个用户设备610中的部分或全部用户设备在建立或更新了 一个用户行为的行为识别模型后，向该行为识别服务器620发送该建立或更 新的行为识别模型，该行为识别服务器620可以根据接收到的一个用户行为 的多个行为识别模型，确定该目标参数的统计分布信息，并将该目标参数的 统计分布信息存储至经验知识库中。该多个用户设备610中的某个UE需要 新建该用户行为的行为识别模型时，可以向该行为识别服务器620请求与该 用户行为对应的目标参数的统计分布信息，并根据该目标参数的统计分布信 息建立该用户行为的行为识别模型。
可选地，该行为识别服务器620还可以将该多个用户设备610分成多个 用户分组，并为该多个用户分组中的每个用户分组存储至少一个用户行为所 对应的目标参数的统计分布信息，这样，该行为识别服务器620可以包括一 个基本知识库和多个协作知识库，该基本知识库用于存储多个用户分组通用 的与该目标用户行为对应的该目标参数的统计分布信息，而该多个协作知识 库中的每个协作知识库用于存储一个用户分组专用的与该目标用户行为对 应的该目标参数的统计分布信息，但本发明实施例不限于此。
可选地，作为另一实施例，该目标参数的统计分布信息包括下列信息中 的至少一项：该目标参数的概率分布曲线、该目标参数的期望值和该目标参 数的具有最大出现概率的数值。
可选地，作为另一实施例，该行为识别服务器620也可以周期或触发性 地更新一个用户行为对应的目标参数的统计分布信息，例如，该行为识别服 务器620可以每隔几十天更新一次，也可以在每次接收到该多个用户设备 610中的某个UE发送的行为识别模型时更新该用户行为对应的目标参数的 统计分布信息；或在接收到的该用户行为的行为识别模型的数量超过一定阈 值时，更新该用户行为对应的目标参数的统计分布信息，本发明实施例对此 不做限定。
因此，根据本发明实施例的行为识别系统，行为识别服务器根据多个用 户设备分别对应的目标参数的值，确定与目标用户行为对应的该目标参数的 统计分布信息，并且根据用户设备的请求向该用户设备发送与该目标用户行 为对应的该目标参数的统计分布信息；该用户设备根据该行为识别服务器发 送的该目标参数的统计分布信息，建立该目标用户行为的行为识别模型，与 现有技术中通过大量的训练数据建立该目标用户行为的行为识别模块相比， 能够提高行为识别模型的建立效率和准确性，从而提升用户体验。
图7示出了根据本发明另一实施例的用户设备700的示意性框图，如图 7所示，该用户设备700包括：处理器710，用于获取与目标用户行为对应 的目标参数的统计分布信息，其中，该目标参数包括该目标用户行为的行为 识别模型的至少一个参数，并且该目标参数的统计分布信息是根据多个其它 用户设备分别对应的该目标用户行为的行为识别模型中该目标参数的值确 定的；根据该该目标参数的统计分布信息，建立并保存该用户设备对应的该 目标用户行为的行为识别模型，以用于识别该目标用户行为。
因此，根据本发明实施例的用户设备，根据与目标用户行为对应的目标 参数的统计分布信息建立该目标用户行为的行为识别模型，其中，该目标参 数的统计分布信息是根据多个其它用户设备分别对应的该目标参数的值确 定的，与现有技术中通过大量的训练数据建立该目标用户行为的行为识别模 块相比，能够提高行为识别模型的建立效率和准确性，从而提升用户体验。
应理解，在本发明实施例中，该处理器710可以是中央处理单元(Central ProcessingUnit，简称为“CPU”)，该处理器710还可以是其他通用处理器、 数字信号处理器(DigitalSignalProcessor，简称为“DSP”)、专用集成电路 (ApplicationSpecificIntegratedCircuit，简称为“ASIC”)、现成可编程门阵 列(Field－ProgrammableGateArray，简称为“FPGA”)或者其他可编程逻 辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是 微处理器或者该处理器也可以是任何常规的处理器等。
可选地，该装置700还可以包括存储器，该存储器可以包括只读存储器 和随机存取存储器，并向处理器710提供指令和数据。存储器的一部分还可 以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器710中的硬件的集成 逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤 可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组 合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只 读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。 该存储介质位于存储器，处理器710读取存储器中的信息，结合其硬件完成 上述方法的步骤。为避免重复，这里不再详细描述。
可选地，该目标参数的统计分布信息包括下列信息中的至少一项：该目 标参数的概率分布曲线、该目标参数的期望值和该目标参数的具有最大出现 概率的数值。
可选地，作为另一实施例，若该行为识别模型为朴素贝叶斯分类器，该 朴素贝叶斯分类器中具有连续的特征属性值的第一特征属性为第一目标参 数，该朴素贝叶斯分类器中具有离散的特征属性值的第二特征属性为第二目 标参数，该目标参数的统计分布信息包括下列信息中的至少一项：
该第一特征属性在该目标用户行为的各个类别中的正态分布参数的期 望值，以及该第二特征属性在该目标用户行为的各个类别中的统计分布曲 线。
可选地，作为另一实施例，如图7所示，该用户设备700包括：
发送器720，用于向行为识别服务器发送数据下载请求，该数据下载请 求包括目标用户行为的标识；
接收器730，用于接收该行为识别服务器根据该发送器720发送的该目 标用户行为的标识确定的目标参数的统计分布信息，该目标参数的统计分布 信息是该行为识别服务器根据该多个其它用户设备发送到该行为识别服务 器的该目标用户行为的多个行为识别模型中的该目标参数的值确定的。
相应地，该处理器710具体用于通过该接收器730获取与该目标用户行 为对应的目标参数的统计分布信息。
可选地，作为另一实施例，该用户设备700还包括：接收器730，用于 接收该多个其它用户设备分别发送的该目标用户行为的行为识别模型；
相应地，该处理器710具体用于根据该接收器730接收到的该目标用户 行为的该多个行为识别模型中的该目标参数的值，确定该目标参数的统计分 布信息。
可选地，作为另一实施例，该用户设备700还包括：
发送器720，用于向行为识别服务器发送该模型建立模块建立的该目标 用户行为的行为识别模型，以便于该行为识别服务器根据该行为识别模型更 新该目标参数的统计分布信息；或者，
该发送器720用于向其它用户设备发送该处理器710建立的该目标用户 行为的行为识别模型，以便于该其它用户设备根据该行为识别模型更新该目 标参数的统计分布信息。
根据本发明实施例的用户设备700可对应于根据本发明实施例的识别用 户行为的方法中的第一用户设备，并且用户设备700中的各个模块的上述和 其它操作和/或功能分别为了实现图1至图3中的各个方法的相应流程，为了 简洁，在此不再赘述。
因此，根据本发明实施例的识别用户行为的用户设备，根据与目标用户 行为对应的目标参数的统计分布信息建立该目标用户行为的行为识别模型， 其中，该目标参数的统计分布信息是根据多个其它用户设备分别对应的该目 标参数的值确定的，与现有技术中通过大量的训练数据建立该目标用户行为 的行为识别模块相比，能够提高行为识别模型的建立效率和准确性，从而提 升用户体验。
图8示出了根据本发明实施例的行为识别服务器800的示意性框图。如 图8所示，该行为识别服务器800包括：
接收器810，用于接收第一用户设备发送的数据下载请求，该数据下载 请求包括目标用户行为的标识；
处理器820，用于根据该接收器810接收的该目标用户行为的标识，确 定与该目标用户行为对应的目标参数的统计分布信息，其中，该目标参数包 括该目标用户行为的行为识别模型的至少一个参数，并且该目标参数的统计 分布信息是根据多个其它用户设备分别对应的该目标用户行为的行为识别 模型中该目标参数的值确定的；
发送器830，用于向该第一用户设备发送该处理器820确定的该目标参 数的统计分布信息，以便于该第一用户设备根据该目标参数的统计分布信息 建立该目标用户行为的行为识别模型。
因此，根据本发明实施例的行为识别服务器，根据多个用户设备分别对 应的目标参数的值，确定与目标用户行为对应的该目标参数的统计分布信 息，并且根据用户设备的请求向该用户设备发送与该目标用户行为对应的该 目标参数的统计分布信息，能够提高行为识别模型的建立效率和准确性，从 而提升用户体验。
如图8所示，该行为识别服务器800还可以包括存储器840，该存储器 840包括经验知识库，用于存储包括该目标用户行为在内的至少一个用户行 为所对应的该目标参数的统计分布信息。
应理解，在本发明实施例中，该处理器820可以是中央处理单元(Central ProcessingUnit，简称为“CPU”)，该处理器820还可以是其他通用处理器、 数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。 通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可选地，该存储器840可以包括只读存储器和随机存取存储器，并向处 理器820提供指令和数据。存储器的一部分还可以包括非易失性随机存取存 储器。例如，存储器840还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器820中的硬件的集成 逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤 可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组 合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只 读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。 该存储介质位于存储器，处理器820读取存储器840中的信息，结合其硬件 完成上述方法的步骤。为避免重复，这里不再详细描述。
可选地，该目标参数的统计分布信息包括下列信息中的至少一项：该目 标参数的概率分布曲线、该目标参数的期望值和该目标参数的具有最大出现 概率的数值。
可选地，作为另一实施例，若该目标用户行为的行为识别模型为朴素贝 叶斯分类器，该朴素贝叶斯分类器中具有连续的特征属性值的第一特征属性 为第一目标参数，该朴素贝叶斯分类器中具有离散的特征属性值的第二特征 属性为第二目标参数，该目标参数的统计分布信息包括下列信息中的至少一 项：该第一特征属性在该目标用户行为的各个类别中的正态分布参数的期望 值以及该第二特征属性在该目标用户行为的各个类别中的统计分布曲线。
可选地，作为另一实施例，该存储器840包括基本知识库和多个协作知 识库，其中，该基本知识库用于存储多个用户分组通用的至少一个用户行为 所对应的目标参数的统计分布信息，该多个协作知识库中的每个协作知识库 用于存储该多个用户分组中的一个用户分组专用的至少一个用户行为所对 应的目标参数的统计分布信息。
相应地，该处理器820具体用于：确定该第一用户设备的用户分组；若 该第一用户设备不属于该多个用户分组中的任何用户分组，该行为识别服务 器从该基本知识库中确定与该目标用户行为对应的目标参数的统计分布信 息；若该第一用户设备属于该多个用户分组中的第一用户分组，该行为识别 服务器从该第一用户分组对应的协作知识库中确定与该目标用户行为对应 的目标参数的统计分布信息。
可选地，作为另一实施例，该接收器810还用于接收该第一用户设备发 送的该第一用户设备根据该发送器830发送的目标参数的统计分布信息建立 的该目标用户行为的行为识别模型；
相应地，该处理器820还用于根据该接收器810接收的该第一用户设备 发送的行为识别模型，更新该目标参数的统计分布信息。
可选地，作为另一实施例，该处理器820具体用于根据该第一用户设备 发送的行为识别模型，确定该第一用户设备对应的该目标参数的值；根据该 多个其它用户设备分别对应的该目标参数的值和该第一用户设备对应的该 目标参数的值，对该目标参数的值进行数学统计，并将统计结果确定为更新 后的该目标参数的统计分布信息。
可选地，作为另一实施例，该接收器810还用于在该接收第一用户设备 发送的数据下载请求之前，接收该多个其它用户设备分别发送的该目标用户 行为的行为识别模型；
相应地，该处理器820还用于根据该接收器810接收的该多个其它用户 设备分别发送的该目标用户行为的行为识别模型，确定该多个其它用户设备 分别对应的该目标参数的值；以及根据该多个其它用户设备分别对应的该目 标参数的值，确定该目标参数的统计分布信息。
根据本发明实施例的行为识别服务器800可对应于根据本发明实施例的 识别用户行为的方法中的行为识别服务器，并且该行为识别服务器800中的 各个模块的上述和其它操作和/或功能分别为了实现图1至图3中的各个方法 的相应流程，为了简洁，在此不再赘述。
因此，根据本发明实施例的行为识别服务器，根据多个用户设备分别对 应的目标参数的值，确定与目标用户行为对应的该目标参数的统计分布信 息，并且根据用户设备的请求向该用户设备发送与该目标用户行为对应的该 目标参数的统计分布信息，能够提高行为识别模型的建立效率和准确性，从 而提升用户体验。
应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关 联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A， 同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表 示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例中描述的 各方法步骤和单元，能够以电子硬件、计算机软件或者二者的结合来实现， 为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性 地描述了各实施例的步骤及组成。这些功能究竟以硬件还是软件方式来执 行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以 对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应 认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述 描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对 应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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。另外，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，也可以是电的，机械的或其它的形式连接。
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发明实施例方案的目的。
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，也可以是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，也可以采用软件 功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销 售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解， 本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方 案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在 一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算 机，服务器，或者网络装置等)执行本发明各个实施例所述方法的全部或部 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，简称为“ROM”)、随机存取存储器(RandomAccessMemory，简 称为“RAM”)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限 于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易 想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围 之内。因此，本发明的保护范围应以权利要求的保护范围为准。
机译： 用户行为识别方法，用户设备和行为识别服务器
机译： 用户行为识别方法，用户设备和行为识别服务器
机译： 用户行为识别方法，用户设备和行为识别服务器
