基于大数据分析的用户行为预测方法及AI预测分析系统

摘要

本发明公开了一种基于大数据分析的用户行为预测方法及AI预测分析系统，首先获取包括多个用户历史操作的用户行为数据集；然后获取各用户历史操作分别对应的广义用户关键行为置信度，并基于候选狭义时间维度分析的目标用户历史操作对应的用户历史操作分布知识图谱进行狭义时间维度分析，利用目标用户历史操作的狭义用户关键行为置信度对其广义用户关键行为置信度进行置信度筛选，最终采用置信度筛选后的目标用户历史操作对待处理用户进行用户行为预测，结合不同时间维度确定出用于预测用户行为的目标用户历史操作，有效地解决了复杂用户行为预测中仅基于时间较为接近的用户历史操作进行预测导致的预测结果不可靠的问题。

说明书

技术领域

本发明涉及大数据分析技术领域，具体而言，涉及一种基于大数据分析的用户行为预测方法及AI预测分析系统。

背景技术

现有技术中，在向用户进行商品推荐、歌曲推荐等的场景中，一般会使用训练样本训练神经网络模型，然后将用户历史操作输入到训练后的神经网络模型中由神经网络模型给出预测的用户行为结果，在预测的用户行为结果表征肯定的情况下，向用户推送商品。然而，上述过程中，神经网络模型的训练与使用过程中并没有特别考虑对作为训练集的用户历史操作的筛选，仅做简单的预处理，这导致了在进行复杂用户行为预测过程中并不可靠，进而导致了商品推荐不准确的问题。

发明内容

本发明的目的在于提供一种基于大数据分析的用户行为预测方法及AI预测分析系统。

第一方面，本发明实施例提供一种基于大数据分析的用户行为预测方法，方法包括：

从线上业务服务系统中获取用于对待处理用户进行用户行为预测的用户行为数据集；用户行为数据集中包括多个用户历史操作；用户行为包括多个用户关键行为；

获取各用户历史操作分别对应的广义用户关键行为置信度；广义用户关键行为置信度，是基于用户行为数据集对用户历史操作与用户关键行为之间的行为相关系数进行广义时间维度分析得到；

基于广义用户关键行为置信度，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作；

基于目标用户历史操作的用户历史操作分布知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度；狭义用户关键行为置信度包括目标用户历史操作的狭义相关用户关键行为以及狭义相关用户关键行为对应的狭义相关用户关键行为置信度值；狭义相关用户关键行为置信度值用于指示狭义相关用户关键行为与目标用户历史操作的行为相关系数；

基于狭义用户关键行为置信度，对目标用户历史操作的广义用户关键行为置信度进行置信度筛选，以采用置信度筛选后的用户关键行为置信度对应的目标用户历史操作对待处理用户进行用户行为预测。

第二方面，本发明实施例提供一种AI预测分析系统，AI预测分析系统包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，AI预测分析系统执行第一方面至少一种可能的实施方式中的基于大数据分析的用户行为预测方法。

相比现有技术，首先获取包括多个用户历史操作的用户行为数据集；然后获取各用户历史操作分别对应的广义用户关键行为置信度，并基于候选狭义时间维度分析的目标用户历史操作对应的用户历史操作分布知识图谱进行狭义时间维度分析，利用目标用户历史操作的狭义用户关键行为置信度对其广义用户关键行为置信度进行置信度筛选，最终采用置信度筛选后的目标用户历史操作对待处理用户进行用户行为预测，结合不同时间维度确定出用于预测用户行为的目标用户历史操作，有效地解决了复杂用户行为预测中仅基于时间较为接近的历史操作进行预测导致的预测结果不可靠的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。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，还可以基于这些附图获得其他相关的附图。

图1为本发明实施例提供的基于大数据分析的用户行为预测方法的流程示意图；

图2为本发明实施例提供的用于实现上述的基于大数据分析的用户行为预测方法的AI预测分析系统的结构示意框图。

具体实施方式

下面介绍本发明一种实施例提供的基于大数据分析的用户行为预测系统10的架构，该基于大数据分析的用户行为预测系统10可以包括AI预测分析系统100以及与AI预测分析系统100通信连接的线上业务服务系统200。其中，基于大数据分析的用户行为预测系统10中的AI预测分析系统100和线上业务服务系统200可以通过配合执行以下方法实施例所描述的基于大数据分析的用户行为预测方法，具体AI预测分析系统100和线上业务服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的基于大数据分析的用户行为预测方法可以由AI预测分析系统100执行，下面结合图1对该基于大数据分析的用户行为预测方法进行详细介绍。

Process102，从线上业务服务系统中获取用于对待处理用户进行用户行为预测的用户行为数据集；用户行为数据集中包括多个用户历史操作；用户行为包括多个用户关键行为。

待处理用户是持有手机端的用户，例如可以是商品推荐或影视作品推荐的目标用户。

待处理用户可以通过用户行为以及用户行为数据集生成，用户行为用于生成待处理用户的对商品从浏览、沟通、购买等一系列操作，用户行为也可以称为用户购买商品全流程。用户行为数据集用于生成待处理用户的预测用户行为，待处理用户的用户行为数据集是待处理用户的预测用户行为的图拓扑结构，待处理用户的用户行为中包括多个用户关键行为，用户关键行为的类型以及数量可以是预设的也可以是基于需要设置的。用户行为数据集用户全流程操作行为网络包括用户历史操作以及关系，关系是指两个用户历史操作之间的连线，可以利用图拓扑结构来表示用户行为数据集，用户行为数据集的图拓扑结构Tx可以表示为Tx=(Tx，Gx，Zx)，其中，Tx表示用户行为数据集中的用户历史操作，Gx⊆M×M表示用户行为数据集中的关系，Zx表示用户行为数据集对应的用户历史操作邻接矩阵，Zx的大小为M×M的矩阵，Zx中各个元素的取值分别为0或1。Zx代表用户行为数据集中用户历史操作之间的关联性，假设zx(i，j)为Zx中的第i行第j列的元素，则zx(i，j)=1表示用户历史操作i与用户历史操作j之间存在连接关系，即用户历史操作i与用户历史操作j相连，zx(i，j)=0表示用户历史操作i与用户历史操作j之间不存在连接关系，即用户历史操作i与用户历史操作j不相连。相连的两个用户历史操作可以互称为对方的强关联用户历史操作，例如，用户历史操作i与用户历史操作j相连，则用户历史操作i为用户历史操作j的强关联用户历史操作，并且，用户历史操作j也为用户历史操作i的强关联用户历史操作。

用户行为预测是将预测用户行为的用户全流程操作行为网络中的用户历史操作绑定在用户行为的用户关键行为上，每一个用户历史操作可以被多个不同的用户关键行为所影响并通过用户关键行为置信度值来决定用户历史操作受不同用户关键行为影响的大小。用户行为与预测用户行为的设计有较强的相关性，预测用户行为不同，对应的用户行为也可能不同。

具体地，AI预测分析系统100可以从用户行为中，输出与用户行为数据集中的各个用户历史操作分别关联的用户关键行为，将与用户历史操作关联的用户关键行为确定为该用户历史操作的关联用户关键行为，并确定用户历史操作的各个关联用户关键行为分别对应的用户关键行为置信度值，利用关联用户关键行为对应的用户关键行为置信度值，将用户历史操作与用户关键行为之间建立关联关系。对于每一个用户历史操作，该用户历史操作对应的关联关系中包括与该用户历史操作的关联用户关键行为以及关联用户关键行为的用户关键行为置信度值。关联用户关键行为的移动会影响与其关联的用户历史操作的移动，用户历史操作可以随着关联用户关键行为的移动而移动，关联用户关键行为对其关联的用户历史操作的影响程度与关联用户关键行为的用户关键行为置信度值与成正反馈关系，用户关键行为置信度值越大，则关联用户关键行为对与其关联的用户历史操作的影响程度越大。从而基于建立的关联关系，在产生待处理用户的行为时，可以通过记录用户关键行为的具体操作而更新用户行为数据集的具体操作，当用户行为数据集为预测用户行为对应的数据集时，则生成用户关键行为的操作可以影响预测用户行为的操作。从而提高了对待处理用户的预测效率。

Process104，获取各用户历史操作分别对应的广义用户关键行为置信度；广义用户关键行为置信度，是基于用户行为数据集对用户历史操作与用户关键行为之间的行为相关系数进行广义时间维度分析得到。

其中，每个用户历史操作对应有各自的用户关键行为置信度，对于每个用户历史操作，用户历史操作的用户关键行为置信度包括用户历史操作的关联用户关键行为以及关联用户关键行为对应的用户关键行为置信度值。若用户关键行为置信度是将用户行为数据集作为一个整体而预测出的，即是从广义时间维度分析的，则用户关键行为置信度为广义用户关键行为置信度。若用户关键行为置信度是对用户行为数据集中的较小时间范围的用户行为分支作为进行预测得到的，即是从狭义时间维度分析的，则用户关键行为置信度为狭义用户关键行为置信度。

用户历史操作与用户关键行为之间的行为相关系数是指用户关键行为对用户历史操作的影响程度，行为相关系数与影响程度成正反馈关系，行为相关系数与用户关键行为置信度值成正反馈关系。

具体地，AI预测分析系统100可以将用户行为数据集作为一个整体，预测用户行为数据集中各个用户历史操作分别对应的关联用户关键行为以及关联用户关键行为对应的用户关键行为置信度值，对于每个用户历史操作，将该用户历史操作的关联用户关键行为以及用户关键行为置信度值构成该用户历史操作的广义用户关键行为置信度。

在一些实施例中，AI预测分析系统100可以获取全量广义用户关键行为置信度评估模型，利用全量广义用户关键行为置信度评估模型预测用户行为数据集中各个用户历史操作分别对应的广义用户关键行为置信度。全量广义用户关键行为置信度评估模型是训练好的神经网络模型，例如可以是采用复杂预测用户行为的用户全流程操作行为网络数据训练得到的全量广义模型，用于将用户行为数据集作为一个整体预测用户历史操作的用户关键行为置信度。全量广义用户关键行为置信度评估模型的输入包括用户行为数据集以及用户行为，输出包括各个用户历史操作分别对应的用户关键行为置信度。由于全量广义用户关键行为置信度评估模型是将用户行为数据集作为一个整体预测用户历史操作的用户关键行为置信度的，即是从广义时间维度分析的，故将全量广义用户关键行为置信度评估模型所输出的用户历史操作对应的用户关键行为置信度，输出为用户历史操作对应的广义用户关键行为置信度。全量广义用户关键行为置信度评估模型可以简称为全量广义模型。全量广义模型可以是自定义的神经网络模型。

Process106，基于广义用户关键行为置信度，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作。

其中，目标用户历史操作是指用户行为数据集的各个用户历史操作中需要进一步的预测用户关键行为置信度的用户历史操作。在进一步的预测目标用户历史操作的用户关键行为置信度时，是基于目标用户历史操作而非整个用户行为数据集进行预测的，故称为候选狭义时间维度分析的目标用户历史操作。

具体地，AI预测分析系统100可以对预测得到的广义用户关键行为置信度的准确度进行判断，当确定广义用户关键行为置信度的准确度小于准确度阈值时，输出该广义用户关键行为置信度为异常用户关键行为置信度，将异常用户关键行为置信度对应的用户历史操作确定为触发事件用户历史操作，触发事件用户历史操作可以有一个或多个，多个是指至少两个，AI预测分析系统100可以基于触发事件用户历史操作确定候选狭义时间维度分析的目标用户历史操作，目标用户历史操作包括触发事件用户历史操作，例如可以将触发事件用户历史操作作为目标用户历史操作，或者基于触发事件用户历史操作在用户行为数据集中的存储信息确定候选狭义时间维度分析的目标用户历史操作。其中，准确度阈值可以预设或基于需要设置。

在一些实施例中，触发事件用户历史操作可以是通过选择操作从用户行为数据集中选择的。例如，AI预测分析系统100可以基于用户行为数据集中的各个用户历史操作分别对应的广义用户关键行为置信度，对待处理用户进行用户行为预测，并展示用户行为预测后的待处理用户，用户可以对展示的用户行为预测后的待处理用户的一个或多个用户历史操作进行选择操作，例如可以通过鼠标点击用户历史操作从而选中用户历史操作，用户也可以通过选择行为分支而实现选择用户历史操作的效果，例如用户也可以对展示的待处理用户的部分行为分支或全部行为分支进行选择操作，例如可以通过鼠标在待处理用户中选中一个行为分支，则该行为分支中的用户历史操作被选中。当AI预测分析系统100检测到对展示的用户行为预测后的待处理用户中的用户历史操作或行为分支的选择操作时，并接收到局部检测触发操作时，将选中的用户历史操作确定为触发事件用户历史操作。其中，触发事件用户历史操作可以是存在用户关键行为无效或者全流程操作行为误差问题的用户历史操作。

Process108，基于目标用户历史操作的用户历史操作分布知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度；狭义用户关键行为置信度包括目标用户历史操作的狭义相关用户关键行为以及狭义相关用户关键行为对应的狭义用户关键行为置信度值；狭义用户关键行为置信度值用于指示狭义相关用户关键行为与目标用户历史操作的行为相关系数。

其中，用户历史操作分布知识图谱可以包括用户历史操作的存储信息，例如用户历史操作在图谱结构中的节点位置信息。用户关键行为知识图谱可以包括用户关键行为的存储信息，例如用户关键行为在图谱结构中的节点位置信息。每个目标用户历史操作有各自的狭义用户关键行为置信度。

具体地，AI预测分析系统100可以基于各个目标用户历史操作的用户历史操作分布知识图谱，预测用户行为的每个用户关键行为分别对各个目标用户历史操作的用户关键行为置信度值，基于用户关键行为置信度值确定目标用户历史操作的狭义相关用户关键行为。例如，对于每一个目标用户历史操作，AI预测分析系统100可以将用户关键行为置信度值大于置信度值阈值的用户关键行为作为该目标用户历史操作的狭义相关用户关键行为，狭义相关用户关键行为的用户关键行为置信度值为狭义用户关键行为置信度值，基于目标用户历史操作的各个狭义相关用户关键行为以及狭义相关用户关键行为的狭义用户关键行为置信度值得到目标用户历史操作的狭义用户关键行为置信度。置信度值阈值可以预设或基于需要设置。当然，AI预测分析系统100还可以按照用户关键行为置信度值从大到小的顺序，对各个用户关键行为进行排列，输出用户关键行为序列，从用户关键行为序列中获取用户关键行为排序在排序阈值之前的用户关键行为作为该目标用户历史操作的狭义相关用户关键行为。其中，用户关键行为排序是指用户关键行为在用户关键行为序列中的排序。排序阈值可以预设或基于需要设置。

在一些实施例中，AI预测分析系统100可以从用户行为的用户关键行为中选择一个或多个候选用户关键行为，候选用户关键行为可以是预设的、基于用户的操作确定的或者基于目标用户历史操作的存储信息确定的。例如，AI预测分析系统100可以确定目标用户历史操作在用户行为数据集中所占的行为分支，将用户行为中处于该行为分支中的用户关键行为作为候选用户关键行为。AI预测分析系统100可以基于各个目标用户历史操作的用户历史操作分布知识图谱、以及各个候选用户关键行为的用户关键行为知识图谱，预测各个候选用户关键行为分别对各个目标用户历史操作的用户关键行为置信度值，例如，目标用户历史操作有100个，候选用户关键行为有10个，则预测出当用户历史操作为这100个目标用户历史操作中的第ii个目标用户历史操作时，这10个候选用户关键行为分别对应的用户关键行为置信度值。ii的取值范围为1~100中的各个正数，例如当ii为1时，则预测出当用户历史操作为第1个目标用户历史操作时，这10个候选用户关键行为分别对应的用户关键行为置信度值。预测出各个候选用户关键行为分别对各个目标用户历史操作的用户关键行为置信度值后，对于每个目标用户历史操作，AI预测分析系统100可以将用户关键行为置信度值大于置信度值阈值的候选用户关键行为作为该目标用户历史操作的狭义相关用户关键行为，或者按照用户关键行为置信度值从大到小的顺序，对各个候选用户关键行为进行排列，输出候选用户关键行为序列，从候选用户关键行为序列中获取用户关键行为排序在排序阈值之前的候选用户关键行为作为该目标用户历史操作的狭义相关用户关键行为。本实施例中的用户关键行为排序是指候选用户关键行为在候选用户关键行为序列中的排序。

在一些实施例中，AI预测分析系统100可以获取狭义用户关键行为置信度评估模型，狭义用户关键行为置信度评估模型用于预测用户历史操作对应的用户关键行为置信度，AI预测分析系统100可以将各个目标用户历史操作的用户历史操作分布知识图谱作为狭义用户关键行为置信度评估模型的输入，利用狭义用户关键行为置信度评估模型预测得到各个目标用户历史操作分别对应的狭义用户关键行为置信度。狭义用户关键行为置信度评估模型可以简称为狭义模型。

在一些实施例中，狭义用户关键行为置信度评估模型的输入还可以包括候选用户关键行为的用户关键行为知识图谱。AI预测分析系统100可以将各个目标用户历史操作的用户历史操作分布知识图谱、以及各个候选用户关键行为的用户关键行为知识图谱，作为狭义用户关键行为置信度评估模型的输入，对于每个目标用户历史操作，利用狭义用户关键行为置信度评估模型，预测出各个候选用户关键行为分别对应的用户关键行为置信度值。

在一些实施例中，狭义用户关键行为置信度评估模型可以是训练好的神经网络模型，例如可以将复杂预测用户行为的用户全流程操作行为网络数据，基于图关联性划分为多个独立行为分支从而构造狭义数据，并利用狭义数据训练狭义用户关键行为置信度评估模型，该狭义用户关键行为置信度评估模型对应的神经网络模型可以是本申请的发明人通过创造性的劳动所构建出的模型。

Process110，基于狭义用户关键行为置信度，对目标用户历史操作的广义用户关键行为置信度进行置信度筛选，以采用置信度筛选后的用户关键行为置信度对应的目标用户历史操作对待处理用户进行用户行为预测。

具体地，对于每一个目标用户历史操作，AI预测分析系统100可以基于该目标用户历史操作的狭义用户关键行为置信度以及广义用户关键行为置信度，输出该目标用户历史操作对应的置信度筛选后的用户关键行为置信度。例如，AI预测分析系统100可以从目标用户历史操作的狭义用户关键行为置信度和广义用户关键行为置信度中选择准确度较高的一个用户关键行为置信度，作为用户关键行为置信度，作为目标用户历史操作对应的置信度筛选后的用户关键行为置信度。

在一些实施例中，对于用户行为数据集中各个用户历史操作，当用户历史操作为目标用户历史操作时，将用户历史操作对应的置信度筛选后的用户关键行为置信度作为最终的用户关键行为置信度，当用户历史操作非目标用户历史操作时，将用户历史操作对应的广义用户关键行为置信度作为最终的用户关键行为置信度，利用用户行为数据集中各个用户历史操作分别对应的最终的用户关键行为置信度，对待处理用户进行用户行为预测。其中，AI预测分析系统100可以对用户关键行为置信度进行多次的置信度筛选，例如，当利用步骤Process102~Process110对用户关键行为置信度进行置信度筛选后，可以采用置信度筛选后的用户关键行为置信度对应的目标用户历史操作对待处理用户进行用户行为预测并展示待处理用户的预测效果，当获取到对展示的待处理用户的局部检测触发操作时，重新确定目标用户历史操作，并预测目标用户历史操作的狭义用户关键行为置信度，从而对用户关键行为置信度进行进一步的置信度筛选，直到用户行为预测结果表征正常即可停止置信度筛选，例如直到复杂预测用户行为用户全流程操作行为网络用户行为预测结果表征正常即可停止置信度筛选。

上述基于大数据分析的用户行为预测方法中，基于广义用户关键行为置信度，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作，基于目标用户历史操作的用户历史操作分布知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度，狭义用户关键行为置信度包括目标用户历史操作的狭义相关用户关键行为以及狭义相关用户关键行为对应的狭义用户关键行为置信度值，狭义用户关键行为置信度值用于指示狭义相关用户关键行为与目标用户历史操作的行为相关系数，基于狭义用户关键行为置信度，对目标用户历史操作的广义用户关键行为置信度进行置信度筛选，以采用置信度筛选后的用户关键行为置信度对应的目标用户历史操作对待处理用户进行用户行为预测。由于广义用户关键行为置信度是基于用户行为数据集对用户历史操作与用户关键行为之间的行为相关系数进行广义时间维度分析得到，即是基于全量广义的知识图谱预测得到的，那么，基于狭义用户关键行为置信度对目标用户历史操作的广义用户关键行为置信度进行置信度筛选，则是基于较小时间范围的知识图谱对广义时间维度分析结果进行了置信度筛选，从而，在广义时间维度分析的基础上结合了狭义时间维度分析，从而提高了用户行为预测的准确度。

相比于简单的单一预测用户行为，复杂的多维预测用户行为的设计更加多样和丰富，对于模型预测用户历史操作用户关键行为置信度值分布的难度更大，应当理解的是，相比于简单单一预测用户行为，复杂多维预测用户行为的设计更加多样和丰富，从而可以知晓复杂多维预测用户行为对于模型预测用户历史操作用户关键行为置信度值分布的难度更大，复杂多维预测用户行为的预测效果较差。本申请提供的基于大数据分析的用户行为预测方法，主要由两个阶段组成，第一阶段采用端到端的全量广义模型对复杂预测用户行为整体行为分支的所有用户历史操作进行用户关键行为置信度评估，第二阶段针对复杂预测用户行为预测困难的部分预测用户行为分支的用户历史操作和需要绑定用户关键行为置信度值的用户关键行为给到狭义模型来重新预测用户历史操作的用户关键行为置信度值，全量广义模型主要负责复杂预测用户行为贴身躯干行为分支的用户历史操作用户关键行为置信度评估，狭义模型主要负责复杂预测用户行为中在全量广义模型中预测困难的行为分支，针对这些行为分支用户历史操作的用户关键行为置信度值进行二次预测来得到置信度筛选预测效果，从而通过全量广义模型结合狭义模型交互的用户历史操作用户关键行为置信度评估方法，有效的缓解了端到端的模型在复杂预测用户行为的狭义时间段出现用户关键行为无效和全流程操作行为误差的问题，提升了复杂预测用户行为的预测效果，使复杂预测用户行为用户全流程操作行为网络的行为预测更加准确可靠。

本申请提供的基于大数据分析的用户行为预测方法，适用于不同用户购买商品全流程、不同全流程操作行为、以及贴身和非贴身较复杂预测用户行为用户全流程操作行为网络的用户历史操作用户关键行为置信度值自动预测的场景，适用范围较广。例如可以应用于影视作品推荐的预测用户行为用户全流程操作行为网络用户历史操作用户关键行为置信度值自动预测的任务中，有效解决了影视作品推荐中预测复杂用户行为的部分用户历史操作用户关键行为置信度值无效、全流程操作行为误差的问题，使用户历史操作用户关键行为置信度评估的精度进一步提升。

在一些实施例中，基于广义用户关键行为置信度，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作包括：确定触发事件的广义用户关键行为置信度对应的用户历史操作，输出触发事件用户历史操作；基于触发事件用户历史操作，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作；目标用户历史操作包括异常用户历史操作。

具体地，AI预测分析系统100可以将触发事件用户历史操作作为目标用户历史操作，或者基于触发事件用户历史操作在用户行为数据集中的存储信息，输出目标用户历史操作。例如，AI预测分析系统100可以从用户行为数据集中确定触发事件用户历史操作所在的用户行为分支，基于用户行为分支中的各个用户历史操作确定目标用户历史操作，例如可以将用户行为分支中的至少一个的用户历史操作作为目标用户历史操作，或者，将用户行为分支中的所有的用户历史操作作为目标用户历史操作，或者，从用户行为分支中的各个用户历史操作中筛选得到目标用户历史操作。例如，对于用户行为分支中的每个用户历史操作，AI预测分析系统100可以计算用户行为分支中的各个用户历史操作与触发事件用户历史操作之间的相似度，输出该用户历史操作对应的用户历史操作相似度，当该用户历史操作对应的用户历史操作相似度小于用户历史操作相似度阈值时，将该用户历史操作作为目标用户历史操作。用户历史操作相似度阈值可以预设或基于需要设置。

本实施例中，由于触发事件用户历史操作广义用户关键行为置信度是触发事件的，即广义时间维度分析的用户关键行为置信度是不准确的，故基于触发事件用户历史操作，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作，可以对在广义时间维度分析阶段得到的用户关键行为置信度不准确的用户历史操作进行进一步的预测，从而提高了预测的准确度。

在一些实施例中，用户行为数据集包括多个用户行为分支，基于触发事件用户历史操作，从用户行为数据集的用户历史操作中确定候选狭义时间维度分析的目标用户历史操作包括：从用户行为数据集的多个用户行为分支中，输出触发事件用户历史操作对应的用户行为分支，输出触发事件关联的用户行为分支；基于触发事件关联的用户行为分支中的各个用户历史操作，输出候选狭义时间维度分析的目标用户历史操作。

其中，用户行为数据集包括多个用户行为分支。用户行为分支可以是预先划分的，也可以是基于需要划分的。不同的用户行为分支之间可以是具有连接关系的，即用户行为分支之间可以是关联的。不同的用户行为分支之间也可以是没有连接关系的，即用户行为分支之间是非关联的。当各个用户行为分支之间是非关联时，用户行为分支也可以称为是独立行为分支。一个独立行为分支中的用户历史操作与其他的独立行为分支中的用户历史操作是没有路径可达的。例如，一个全流程操作行为预测用户行为的图拓扑结构Tx基于图的关联性可以划分为多个独立行为分支{Ti1，Ti2，…，Tin}，Ti1~Tin为n个独立行为分支的图拓扑结构，如果从用户历史操作vi到用户历史操作vj有路径存在，则认为用户历史操作vi和用户历史操作vj是关联的，如果从用户历史操作vi到用户历史操作vj不存在路径可达，则用户历史操作vi所处的分支和用户历史操作vj所处的分支为两个独立行为分支。

用户行为数据集对应的各个用户行为分支可以分别对应待处理用户的不同的行为类型，行为类型包括但不限于是收藏、购买、转发等。不同的行为类型对应的用户行为分支可以为独立行为分支。

具体地，AI预测分析系统100可以获取触发事件用户历史操作的存储信息，输出触发事件用户历史操作存储信息，基于触发事件用户历史操作存储信息，获取用户行为分支的存储信息，当触发事件用户历史操作存储信息在用户行为分支的存储信息中时，将该用户行为分支作为触发事件关联的用户行为分支。

在一些实施例中，触发事件关联的用户行为分支可以有多个，具体地，触发事件用户历史操作有多个，用户行为数据集的用户行为分支为独立行为分支，当触发事件用户历史操作对应的用户行为分支不同时，则将该不同的用户行为分支分别作为触发事件关联的用户行为分支，例如，触发事件用户历史操作a属于独立行为分支A，触发事件用户历史操作b属于独立行为分支B，则将独立行为分支A以及独立行为分支B分别作为触发事件关联的用户行为分支。

在一些实施例中，AI预测分析系统100可以将触发事件关联的用户行为分支中的所有用户历史操作均作为目标用户历史操作。AI预测分析系统100也可以从触发事件关联的用户行为分支中筛选得到目标用户历史操作，例如，可以计算触发事件关联的用户行为分支中的用户历史操作与触发事件用户历史操作之间的相似度，输出用户历史操作相似度，基于用户历史操作相似度筛选得到目标用户历史操作，例如，AI预测分析系统100可以从触发事件关联的用户行为分支的各个用户历史操作中，获取用户历史操作相似度小于用户历史操作相似度阈值的用户历史操作，作为目标用户历史操作。用户历史操作相似度阈值可以预设或基于需要设置。

在一些实施例中，AI预测分析系统100可以获取用户行为数据集样本以及用户行为数据集样本对应的用户行为样本，用户行为数据集样本以及用户行为数据集样本对应用户行为样本，用于训练狭义用户关键行为置信度评估模型，从用户行为数据集样本中获取各个独立行为分支，从用户行为样本中获取独立行为分支对应的用户关键行为，将独立行为分支中用户历史操作对应的用户历史操作分布知识图谱、以及该独立行为分支对应的用户关键行为的知识图谱，作为狭义用户关键行为置信度评估模型的训练数据，训练狭义用户关键行为置信度评估模型，输出训练好的狭义用户关键行为置信度评估模型。通过划分独立行为分支的方法，可以构造较多且丰富的训练数据，有助于提高狭义模型的性能以及表现。确定独立行为分支对应的用户关键行为的方法与确定候选用户关键行为的方法一致。

狭义用户关键行为置信度评估模型的输出为U个用户历史操作分别对应的用户关键行为置信度，对于用户历史操作vi的用户关键行为置信度可以表示为wi∈RB，wi是维度为B的向量，wij为wi中的第j个元素，表示B个用户关键行为中第j个用户关键行为的用户关键行为置信度值，其中0≤wij≤1，wij值的大小代表第j个用户关键行为的对应操作在独立行为分支K产生过程中对用户历史操作vi的影响程度。用户关键行为置信度值可以是一个概率，例如用户关键行为对应的用户关键行为置信度值用于表示该用户关键行为为用户历史操作的关联用户关键行为的概率。当然，狭义用户关键行为置信度评估模型得到各个用户历史操作对应的用户关键行为置信度值后，可以将其中较大的用户关键行为置信度值作为输出，例如可以将前3大的用户关键行为置信度值进行输出，从而增强模型预测用户关键行为置信度的稀疏性，并且提高与真实用户关键行为置信度值的吻合程度。

本实施例中，基于触发事件关联的用户行为分支中的各个用户历史操作，输出候选狭义时间维度分析的目标用户历史操作，从而可以对行为分支中的多个用户历史操作的用户关键行为置信度进行进一步的预测，不仅可以提高触发事件用户历史操作的用户关键行为置信度的准确度，还可以提高触发事件用户历史操作周围的用户关键行为置信度的准确度。

在一些实施例中，基于目标用户历史操作的用户历史操作分布知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度包括：针对每个目标用户历史操作，从用户行为的用户关键行为中确定与目标用户历史操作具有弱连贯关联的弱关联用户关键行为；基于弱关联用户关键行为的用户关键行为知识图谱以及目标用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱；基于第一狭义时间维度分析参考知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度，狭义用户关键行为置信度中包括与目标用户历史操作关联的狭义相关用户关键行为以及狭义相关用户关键行为对应的狭义相关用户关键行为置信度值。

其中，目标用户历史操作的弱关联用户关键行为是指与目标用户历史操作之间的相似度小于弱相关相似度阈值的用户关键行为。当用户历史操作与用户关键行为之间的相似度小于弱相关相似度阈值时，则确定用户历史操作与用户关键行为之间具有弱连贯关联，对于具有弱连贯关联的用户历史操作以及用户关键行为，该用户历史操作为该用户关键行为的弱关联用户历史操作，该用户关键行为为该用户历史操作的弱关联用户关键行为。弱相关相似度阈值可以预设或基于需要设置。

目标用户历史操作的弱关联用户关键行为可以是从候选用户关键行为中选取的，可以通过关联矩阵记录目标用户历史操作与候选用户关键行为之间的关系，通过关联矩阵确定目标用户历史操作对应的弱关联用户关键行为。例如，当目标用户历史操作为上述的独立行为分支K中的用户历史操作，候选用户关键行为为上述的M个用户关键行为时，关联矩阵Zxj可以表示为Zxj∈[0，1]

目标用户历史操作可以有至少一个弱关联用户关键行为。第一狭义时间维度分析参考知识图谱是预测目标用户历史操作的狭义用户关键行为置信度时所参考的知识图谱。拼接叠加可以包括知识图谱相加或知识图谱拼接中的至少一个，知识图谱相加是指将知识图谱中相同存储信息的数值进行相加，知识图谱拼接是指将知识图谱拼接在一起。

具体地，AI预测分析系统100可以将目标用户历史操作的用户历史操作分布知识图谱与目标用户历史操作的弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加，将融合的结果作为目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。例如，AI预测分析系统100可以将弱关联用户关键行为的用户关键行为知识图谱与目标用户历史操作的知识图谱进行知识图谱相加，将相加的结果作为目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

在一些实施例中，目标用户历史操作有多个弱关联用户关键行为，AI预测分析系统100可以将目标用户历史操作的各个弱关联用户关键行为的用户关键行为知识图谱进行知识图谱拼接，将拼接后得到的知识图谱与目标用户历史操作的用户历史操作分布知识图谱进行知识图谱相加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

在一些实施例中，AI预测分析系统100可以获取目标用户历史操作的强关联用户历史操作，目标用户历史操作的强关联用户历史操作是与目标用户历史操作相连的用户历史操作。相连的两个用户历史操作可以互称为对方的强关联用户历史操作，例如，用户历史操作i与用户历史操作j相连，则用户历史操作i为用户历史操作j的强关联用户历史操作，并且，用户历史操作j也为用户历史操作i的强关联用户历史操作。AI预测分析系统100可以基于目标用户历史操作的用户历史操作分布知识图谱、弱关联用户关键行为的用户关键行为知识图谱以及强关联用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

在一些实施例中，AI预测分析系统100可以基于第一狭义时间维度分析参考知识图谱，预测用户行为中各个用户关键行为分别对应的用户关键行为置信度值，基于用户关键行为置信度值，从用户关键行为中确定目标用户历史操作的关联用户关键行为，作为目标用户历史操作的狭义相关用户关键行为，例如，可以将用户关键行为置信度值大于置信度值阈值的用户关键行为作为目标用户历史操作的狭义相关用户关键行为，或者，按照用户关键行为置信度值从大到小，对各个用户关键行为进行排列，输出用户关键行为序列，从用户关键行为序列中获取用户关键行为排序在排序阈值之前的用户关键行为，作为目标用户历史操作的狭义相关用户关键行为。

在一些实施例中，AI预测分析系统100可以从用户行为中获取目标用户历史操作的候选用户关键行为，候选用户关键行为可以是基于目标用户历史操作确定的，例如可以基于用户关键行为与目标用户历史操作之间的相似度从用户行为的各个用户关键行为中选取候选用户关键行为，例如可以将与目标用户历史操作之间的相似度小于第一相似度阈值的用户关键行为作为候选用户关键行为，或者基于目标用户历史操作所处的用户行为分支确定候选用户关键行为。目标用户历史操作可以有至少一个的候选用户关键行为。AI预测分析系统100可以基于第一狭义时间维度分析参考知识图谱，预测各个候选用户关键行为分别对应的用户关键行为置信度值，基于用户关键行为置信度值，从各个候选用户关键行为中筛选出用户关键行为置信度值较大的候选用户关键行为，作为目标用户历史操作的狭义相关用户关键行为。第一相似度阈值可以预设或基于需要设置。

本实施例中，基于弱关联用户关键行为的用户关键行为知识图谱以及目标用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱，从而第一狭义时间维度分析参考知识图谱中除了涵盖用户历史操作的知识图谱还涵盖了用户关键行为的知识图谱，从而提高了基于第一狭义时间维度分析参考知识图谱预测出的用户关键行为置信度值的准确性。

在一些实施例中，从用户行为的用户关键行为中确定与目标用户历史操作具有弱连贯关联的弱关联用户关键行为包括：确定目标用户历史操作在用户行为数据集中对应的用户行为分支，输出目标用户行为分支；从用户行为的用户关键行为中获取目标用户行为分支对应的用户关键行为，输出候选用户关键行为；计算目标用户历史操作与各个候选用户关键行为之间的相似度；基于相似度从各个候选用户关键行为中选取满足相似度阈值范围的用户关键行为，作为与目标用户历史操作具有弱连贯关联的弱关联用户关键行为。

其中，目标用户行为分支是包括目标用户历史操作的用户行为分支，当用户行为数据集中的用户行为分支为独立行为分支时，目标用户行为分支可以是包括目标用户历史操作的独立行为分支，目标用户行为分支可以为上述的触发事件关联的用户行为分支。

相似度阈值范围包括相似度小于弱相关相似度阈值或用户关键行为排序在排序阈值之前中的至少一种。用户关键行为排序是指候选用户关键行为在候选用户关键行为序列中的排序，候选用户关键行为序列是按照相似度从小到大，对各个候选用户关键行为进行排列所得到的序列。相似度越小，候选用户关键行为在候选用户关键行为序列中的排序越靠前。排序阈值可以预设或基于需要设置，例如可以为3。当排序阈值为3时，则可以将排序在第1位和第2位的候选用户关键行为作为目标用户历史操作的邻接用户关键行为。

在一些实施例中，AI预测分析系统100可以计算目标用户历史操作与对应的候选用户关键行为之间的相似度，输出用户历史操作用户关键行为相似度，将用户历史操作用户关键行为相似度与弱相关相似度阈值进行对比，当用户历史操作用户关键行为相似度小于弱相关相似度阈值时，将候选用户关键行为作为目标用户历史操作的弱关联用户关键行为。

在一些实施例中，AI预测分析系统100可以按照用户历史操作用户关键行为相似度从小到大的顺序，对各个候选用户关键行为进行排列，将排列得到的序列作为候选用户关键行为序列，从候选用户关键行为序列中选择用户关键行为排序在排序阈值之前的候选用户关键行为，作为目标用户历史操作的弱关联用户关键行为。

本实施例中，基于相似度从各个候选用户关键行为中选取满足相似度阈值范围的用户关键行为，作为目标用户历史操作的弱关联用户关键行为，从而可以将与目标用户历史操作之间的相似度较近的用户关键行为作为目标用户历史操作的弱关联用户关键行为，由于与目标用户历史操作越近的用户关键行为，对目标用户历史操作的影响程度越大，从而可以将对目标用户历史操作的影响程度较大的用户关键行为作为目标用户历史操作的弱关联用户关键行为，提高了弱关联用户关键行为的准确度。

在一些实施例中，基于弱关联用户关键行为的用户关键行为知识图谱以及目标用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱包括：获取目标用户历史操作的强关联用户历史操作对应的用户历史操作分布知识图谱，作为强关联用户历史操作分布知识图谱；基于目标用户历史操作的用户历史操作分布知识图谱、弱关联用户关键行为的用户关键行为知识图谱以及强关联用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

其中，目标用户历史操作的强关联用户历史操作可以是基于目标用户历史操作对应的用户行为分支对应的用户历史操作邻接矩阵确定的。例如，当目标用户历史操作对应的用户行为分支为上述的独立行为分支K时，则目标用户历史操作的强关联用户历史操作可以从用户历史操作强相关矩阵An确定。当An中的第i行第j列的元素为1时，则表示独立行为分支K中的第i个用户历史操作与第j个用户历史操作互为强关联用户历史操作，当An中的第i行第j列的元素为0时，则表示独立行为分支K中的第i个用户历史操作与第j个用户历史操作均不是对方的强关联用户历史操作。用户历史操作强相关矩阵可以称为用户历史操作强相关矩阵。

具体地，强关联用户历史操作分布知识图谱是指强关联用户历史操作的用户历史操作分布知识图谱。AI预测分析系统100可以先将目标用户历史操作的用户历史操作分布知识图谱与强关联用户历史操作分布知识图谱进行拼接叠加，然后将拼接叠加的结果与弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。当然，AI预测分析系统100也可以先将目标用户历史操作的用户历史操作分布知识图谱与弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加，再将融合的结果与强关联用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

本实施例中，基于目标用户历史操作的用户历史操作分布知识图谱、弱关联用户关键行为的用户关键行为知识图谱以及强关联用户历史操作分布知识图谱进行拼接叠加，输出第一狭义时间维度分析参考知识图谱，从而使得第一狭义时间维度分析参考知识图谱拼接叠加更多的知识图谱，使得第一狭义时间维度分析参考知识图谱能够更加准确的预测用户关键行为的置信度值，提高了预测用户关键行为置信度值的准确度。

在一些实施例中，基于目标用户历史操作的用户历史操作分布知识图谱、弱关联用户关键行为的用户关键行为知识图谱以及强关联用户历史操作分布知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱包括：确定强关联用户历史操作的强关联用户历史操作分布知识图谱与目标用户历史操作的用户历史操作分布知识图谱之间的用户历史操作分布知识图谱差值；将用户历史操作分布知识图谱差值与目标用户历史操作的用户历史操作分布知识图谱进行融合，输出目标用户历史操作的用户历史操作融合知识图谱；基于用户历史操作融合知识图谱以及弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

其中，用户历史操作分布知识图谱差值是指目标用户历史操作的用户历史操作分布知识图谱与强关联用户历史操作分布知识图谱之间的差异值。

具体地，对于目标用户历史操作的每个强关联用户历史操作，AI预测分析系统100可以将强关联用户历史操作分布知识图谱与目标用户历史操作的用户历史操作分布知识图谱中对应存储信息的行为分支表征矩阵相减，输出用户历史操作分布知识图谱差值。例如，AI预测分析系统100可以确定强关联用户历史操作分布知识图谱与目标用户历史操作的用户历史操作分布知识图谱中相同存储信息的行为分支表征矩阵之间的差值，输出行为分支表征矩阵差值，按照行为分支表征矩阵在特征（例如强关联用户历史操作分布知识图谱）中的存储信息，对行为分支表征矩阵差值进行排列，将排列得到的序列作为用户历史操作分布知识图谱差值。

在一些实施例中，AI预测分析系统100可以将用户历史操作分布知识图谱差值与目标用户历史操作的用户历史操作分布知识图谱进行融合，将拼接的结果作为目标用户历史操作的用户历史操作融合知识图谱。AI预测分析系统100可以将用户历史操作融合知识图谱与目标用户历史操作对应的弱关联用户关键行为的用户关键行为知识图谱进行知识图谱相加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。其中，当目标用户历史操作有多个弱关联用户关键行为时，AI预测分析系统100可以将各个弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加例如知识图谱拼接，输出弱相关拼接知识图谱，将弱相关拼接知识图谱与用户历史操作融合知识图谱进行知识图谱相加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

在一些实施例中，AI预测分析系统100可以对用户历史操作融合知识图谱进行图卷积处理或尺度变换处理中的至少一种处理，输出处理后的用户历史操作融合知识图谱，例如，AI预测分析系统100可以先对用户历史操作融合知识图谱进行图卷积处理，输出处理后的用户历史操作融合知识图谱。AI预测分析系统100可以基于处理后的用户历史操作融合知识图谱以及弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加，输出目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

在一些实施例中，AI预测分析系统100可以将处理后的用户历史操作融合知识图谱与弱关联用户关键行为的用户关键行为知识图谱进行知识图谱相加，将相加的结果作为目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。其中，当目标用户历史操作具有多个强关联用户历史操作时，对于每个强关联用户历史操作分别对应的处理后的用户历史操作融合知识图谱，AI预测分析系统100可以对各个强关联用户历史操作分别对应的处理后的用户历史操作融合知识图谱进行汇总，输出强关联用户历史操作汇总知识图谱，基于强关联用户历史操作汇总知识图谱以及弱关联用户关键行为的用户关键行为知识图谱进行知识图谱相加，将相加的结果作为目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。例如，可以将强关联用户历史操作汇总知识图谱与弱关联用户关键行为的用户关键行为知识图谱进行知识图谱相加，将相加的结果作为目标用户历史操作对应的第一狭义时间维度分析参考知识图谱，或者，AI预测分析系统100可以将弱相关拼接知识图谱与强关联用户历史操作汇总知识图谱进行知识图谱相加，将相加的结果作为目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

其中，汇总包括但不限于是最大值运算、均值运算、最小值运算、方差运算。在进行汇总时，是对相同存储信息的行为分支表征矩阵进行汇总，各个存储信息的汇总的结果排列得到强关联用户历史操作汇总知识图谱。以最大值运算为例，若有2个强关联用户历史操作，这两个强关联用户历史操作对应的处理后的用户历史操作融合知识图谱分别为Q1=[0.1，0.2，0.3]，Q2=[0.4，0.5，0.6]，则对Q1中的第一位行为分支表征矩阵0.1以及Process1中的第一位行为分支表征矩阵0.4进行最大值运算，输出0.4，对Q1中的第二位行为分支表征矩阵0.2以及Q2中的第二位行为分支表征矩阵0.5进行最大值运算，输出0.5，对Q1中的第三位行为分支表征矩阵0.3以及Q2中的第三位行为分支表征矩阵0.6进行最大值运算，输出0.6，将第一位的最大值运算的结果0.4、第二位的最大值运算的结果0.5、第三位的最大值运算的结果0.6排列得到[0.4，0.5，0.6]，将排列得到[0.4，0.5，0.6]作为强关联用户历史操作汇总知识图谱。

在一些实施例中，AI预测分析系统100可以利用狭义用户关键行为置信度评估模型得到第一狭义时间维度分析参考知识图谱，示例性的，狭义用户关键行为置信度评估模型中可以包括3个融合模块，分别为第一融合模块、第二融合模块和第三融合模块，还包括2个交互模块，分别为第一交互模块和第二交互模块，各个融合模块的功能相同，各个融合模块的功能相同。对于用户历史操作来说，融合模块用于将输入的用户历史操作对应的知识图谱，与输入的该用户历史操作对应的强关联用户历史操作对应的知识图谱进行融合，对于用户关键行为来说，融合模块用于将输入的用户关键行为对应的知识图谱，与该用户关键行为的强关联用户关键行为对应的知识图谱进行融合。AI预测分析系统100可以通过第一融合模块以及第一交互模块得到目标用户历史操作对应的第一狭义时间维度分析参考知识图谱。

本发明实施例中的融合模块进行拼接叠加的原理可以参考以下面说明，假设目标用户历史操作对应的用户行为分支为上述的独立行为分支K，用户历史操作分布知识图谱的维度为T，U，T可以表示U行T列的矩阵（记作用户历史操作矩阵），用户历史操作矩阵中的每一行代表一个用户历史操作分布知识图谱，用户历史操作矩阵中包括独立行为分支K中的U个用户历史操作分别对应的用户历史操作分布知识图谱，融合模块可以从用户历史操作矩阵中获取用户历史操作对应的强关联用户历史操作，例如可以基于knn（KNearestNeighbors）原理得到强关联用户历史操作，其中，knn的意思是获取用户历史操作的s个最近的用户历史操作，例如获取目标用户历史操作vi的s个强关联用户历史操作。分别为{vi1，vi2，…，vis}中的各个用户历史操作，如果基于用户历史操作强相关矩阵确定目标用户历史操作vi的强关联用户历史操作多于s个，则从目标用户历史操作vi的强关联用户历史操作中随机取出s个强关联用户历史操作，如果基于用户历史操作强相关矩阵确定目标用户历史操作vi的强关联用户历史操作少于s个，则使用目标用户历史操作vi自身补充到s个，即将目标用户历史操作vi作为其自身的强关联用户历史操作，从而补充到s个强关联用户历史操作。

得到s个强关联用户历史操作{vi1，vi2，…，vis}后，获取{vi1，vi2，…，vis}中各个强关联用户历史操作分别对应的用户历史操作分布知识图谱，输出{xi1，xi2，…xis}，将{xi1，xi2，…xis}中各个强关联用户历史操作的用户历史操作分布知识图谱分别与目标用户历史操作vi的用户历史操作分布知识图谱xi进行差值计算，输出各个用户历史操作分布知识图谱差值{xi1-xi，xi2-xi，…xis-xi}，将{xi1-xi，xi2-xi，…xis-xi}中的各个用户历史操作分布知识图谱差值分别与目标用户历史操作vi的用户历史操作分布知识图谱xi进行融合，输出用户历史操作融合知识图谱，例如，将用户历史操作分布知识图谱差值xis-xi用户历史操作分布知识图谱xi进行融合，输出一个用户历史操作融合知识图谱h(xi，xis)=(xis-xi)||xi。其中||操作运算是指拼接操作。由于用户历史操作融合知识图谱h(xi，xis)=(xis-xi)||xi的维度为2T，一个目标用户历史操作有s个用户历史操作融合知识图谱，且有U个目标用户历史操作，故拼接操作后得到了矩阵（2T，U，s），（2T，U，s）表示维度为2T×U×s的矩阵，该矩阵中包括每个目标用户历史操作分别对应的s个用户历史操作融合知识图谱。

可以设置二维图卷积层，输出矩阵（2T，U，s）后，将矩阵（2T，U，s）输入到二维图卷积层中进行图卷积处理，输出矩阵（H，U，s），（H，U，s）中包括每个目标用户历史操作分别对应的s个图卷积处理后的用户历史操作融合知识图谱，H为图卷积处理后的用户历史操作融合知识图谱的维度。图卷积处理后的用户历史操作融合知识图谱，是指用户历史操作融合知识图谱经过二维图卷积层的图卷积处理后所得到的知识图谱。

得到目标用户历史操作的强关联用户历史操作汇总知识图谱后，AI预测分析系统100可以利用第一交互模块获取目标用户历史操作的弱关联用户关键行为并计算得到弱相关拼接知识图谱。例如，交互模块可以通过关联矩阵Zxj∈[0，1]

本实施例中，由于强关联用户历史操作分布知识图谱与目标用户历史操作的用户历史操作分布知识图谱之间的用户历史操作分布知识图谱差值，可以反映出强关联用户历史操作分布知识图谱与目标用户历史操作的用户历史操作分布知识图谱之间的区别，从而将用户历史操作分布知识图谱差值与目标用户历史操作的用户历史操作分布知识图谱进行融合，输出用户历史操作融合知识图谱，可以使得用户历史操作融合知识图谱涵盖强关联用户历史操作分布知识图谱中与用户历史操作分布知识图谱之间不同的地方，从而使得用户历史操作融合知识图谱涵盖更丰富的知识图谱，有助于提高用户关键行为置信度值检测的准确度。

在一些实施例中，基于第一狭义时间维度分析参考知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度包括：针对目标用户历史操作的每个弱关联用户关键行为，从候选狭义时间维度分析的各个目标用户历史操作中，获取与弱关联用户关键行为具有弱连贯关联的目标用户历史操作，输出弱关联用户关键行为对应的弱关联用户历史操作；基于弱关联用户关键行为的用户关键行为知识图谱以及弱关联用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出弱关联用户关键行为对应的用户关键行为拼接知识图谱；基于弱关联用户关键行为的用户关键行为拼接知识图谱以及第一狭义时间维度分析参考知识图谱进行拼接叠加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱；基于第二狭义时间维度分析参考知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度。

其中，弱连贯关联是指相似度小于弱相关相似度阈值的关系。当用户历史操作与用户关键行为之间的相似度小于弱相关相似度阈值时，则确定用户历史操作与用户关键行为之间具有弱连贯关联，对于具有弱连贯关联的用户历史操作以及用户关键行为，该用户历史操作为该用户关键行为的弱关联用户历史操作，该用户关键行为为该用户历史操作的弱关联用户关键行为。

用户关键行为拼接知识图谱中融合了弱关联用户关键行为的知识图谱以及该弱关联用户关键行为的弱关联用户历史操作的用户历史操作分布知识图谱。每个用户关键行为例如每个候选用户关键行为可以分别对应有用户关键行为拼接知识图谱，输出用户关键行为拼接知识图谱的步骤均可以参照本实施例提供的方法。

具体地，弱关联用户关键行为对应有至少一个弱关联用户历史操作。AI预测分析系统100可以将弱关联用户关键行为的用户关键行为知识图谱与其对应的弱关联用户历史操作的用户历史操作分布知识图谱进行知识图谱相加，输出该弱关联用户关键行为对应的用户关键行为拼接知识图谱。当弱关联用户关键行为有多个弱关联用户历史操作时，AI预测分析系统100可以对各个弱关联用户历史操作的用户历史操作分布知识图谱进行汇总，输出用户历史操作汇总知识图谱，将用户历史操作汇总知识图谱与该弱关联用户关键行为的用户关键行为知识图谱进行知识图谱相加，将相加的结果作为该弱关联用户关键行为对应的用户关键行为拼接知识图谱。汇总包括但不限于是min运算、max运算、mean运算或variance运算。

在一些实施例中，AI预测分析系统100可以弱关联用户关键行为的用户关键行为拼接知识图谱与目标用户历史操作的第一狭义时间维度分析参考知识图谱进行知识图谱相加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱。

在一些实施例中，AI预测分析系统100可以从各个目标用户历史操作中，获取目标用户历史操作对应的强关联用户历史操作，获取该强关联用户历史操作的第一狭义时间维度分析参考知识图谱，将强关联用户历史操作的第一狭义时间维度分析参考知识图谱与目标用户历史操作的第一狭义时间维度分析参考知识图谱进行拼接叠加，输出目标用户历史操作对应的狭义时间维度分析拼接知识谱图，AI预测分析系统100可以将目标用户历史操作对应的狭义时间维度分析拼接知识谱图与目标用户历史操作的弱关联用户关键行为的用户关键行为拼接知识图谱进行拼接叠加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱。每个目标用户历史操作可以分别对应有第二狭义时间维度分析参考知识图谱，输出第二狭义时间维度分析参考知识图谱的步骤均可以参照本实施例提供的方法。

在一些实施例中，AI预测分析系统100可以基于目标用户历史操作的第二狭义时间维度分析参考知识图谱进行用户关键行为置信度值的预测，输出各个候选用户关键行为分别对应的用户关键行为置信度值，将用户关键行为置信度值大于置信度值阈值的候选用户关键行为，作为目标用户历史操作的狭义相关用户关键行为，将狭义相关用户关键行为的用户关键行为置信度值作为狭义相关用户关键行为置信度值。

本实施例中，基于弱关联用户关键行为的用户关键行为知识图谱以及弱关联用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出弱关联用户关键行为的用户关键行为拼接知识图谱，从而使得用户关键行为拼接知识图谱中不仅涵盖了用户关键行为知识图谱还涵盖了用户历史操作分布知识图谱，从而基于弱关联用户关键行为的用户关键行为拼接知识图谱以及目标用户历史操作的第一狭义时间维度分析参考知识图谱进行拼接叠加，可以使得得到的第二狭义时间维度分析参考知识图谱中的知识图谱更加的丰富，从而提高了基于第二狭义时间维度分析参考知识图谱预测出的用户关键行为置信度的准确度。

在一些实施例中，基于弱关联用户关键行为的用户关键行为知识图谱以及弱关联用户历史操作的用户历史操作分布知识图谱进行拼接叠加，输出弱关联用户关键行为对应的用户关键行为拼接知识图谱包括：对各个弱关联用户历史操作的用户历史操作分布知识图谱进行汇总，输出用户历史操作汇总知识图谱；基于弱关联用户关键行为的用户关键行为知识图谱以及用户历史操作汇总知识图谱进行拼接叠加，输出弱关联用户关键行为对应的用户关键行为拼接知识图谱。

其中，汇总包括但不限于是min运算、max运算、mean运算或variance运算。

具体地，AI预测分析系统100可以对弱关联用户关键行为的各个弱关联用户历史操作的用户历史操作分布知识图谱进行最大值运算，将运算的结果作为最大用户历史操作汇总知识图谱，并且可以对各个弱关联用户历史操作的用户历史操作分布知识图谱进行均值运算，输出均值用户历史操作汇总知识图谱，基于最大用户历史操作汇总知识图谱以及均值用户历史操作汇总知识图谱得到用户历史操作汇总知识图谱，例如，可以将最大用户历史操作汇总知识图谱与均值用户历史操作汇总知识图谱进行知识图谱拼接，输出该弱关联用户关键行为对应的用户历史操作汇总知识图谱。候选用户关键行为中的各个用户关键行为均可以采用本实施例的方法得到对应的用户历史操作汇总知识图谱。

在一些实施例中，AI预测分析系统100可以利用weighted add子模块得到用户关键行为对应的用户历史操作汇总知识图谱。例如，对于上述的B个用户关键行为中的每个用户关键行为，weighted add子模块可以基于关联矩阵Zxj∈[0，1]

在一些实施例中，AI预测分析系统100可以将用户历史操作汇总知识图谱与弱关联用户关键行为的用户关键行为知识图谱进行知识图谱相加，将相加的结果作为该弱关联用户关键行为对应的用户关键行为拼接知识图谱。

本实施例中，对弱关联用户历史操作的用户历史操作分布知识图谱进行汇总，利用统计得到的用户历史操作汇总知识图谱与弱关联用户关键行为的用户关键行为知识图谱进行拼接叠加，提高了融合得到的用户关键行为拼接知识图谱的准确度。

在一些实施例中，基于弱关联用户关键行为的用户关键行为知识图谱以及用户历史操作汇总知识图谱进行拼接叠加，输出弱关联用户关键行为对应的用户关键行为拼接知识图谱包括：获取弱关联用户关键行为对应的强关联用户关键行为的用户关键行为知识图谱，作为强关联用户关键行为知识图谱；将弱关联用户关键行为的用户关键行为知识图谱与强关联用户关键行为知识图谱进行拼接叠加，输出弱关联用户关键行为对应的待处理拼接知识图谱；将弱关联用户关键行为对应的待处理拼接知识图谱与用户历史操作汇总知识图谱进行拼接叠加，输出弱关联用户关键行为对应的用户关键行为拼接知识图谱。

其中，用户行为中具有连接关系的两个用户关键行为互称为强关联用户关键行为，例如用户关键行为1与用户关键行为2相连，则用户关键行为1为用户关键行为2的强关联用户关键行为，用户关键行为2也为用户关键行为1的强关联用户关键行为。目标用户历史操作的弱关联用户关键行为可以有至少一个的强关联用户关键行为。目标用户历史操作的弱关联用户关键行为可以从候选用户关键行为中确定的，目标用户历史操作的弱关联用户关键行为对应的强关联用户关键行为，也可以是从候选用户关键行为中确定的。

具体地，AI预测分析系统100可以从候选用户关键行为中，获取与目标用户历史操作的弱关联用户关键行为具有连接关系的候选用户关键行为，输出弱关联用户关键行为的强关联用户关键行为。对于目标用户历史操作的每一个弱关联用户关键行为，AI预测分析系统100可以将弱关联用户关键行为的知识图谱与对应的强关联用户关键行为的知识图谱进行知识图谱拼接或知识图谱相加，输出该弱关联用户关键行为对应的待处理拼接知识图谱。

在一些实施例中，AI预测分析系统100可以计算强关联用户关键行为的用户关键行为知识图谱与弱关联用户关键行为的用户关键行为知识图谱之间的差异，输出用户关键行为知识图谱差值，将用户关键行为知识图谱差值与该弱关联用户关键行为的用户关键行为知识图谱进行知识图谱拼接，输出该弱关联用户关键行为对应的待处理拼接知识图谱。候选用户关键行为中的各个用户关键行为可以采用本实施例的方法得到对应的待处理拼接知识图谱。其中，可以利用第一融合模块得到待处理拼接知识图谱。第一融合模块对用户历史操作的处理方式与对用户关键行为的处理方式一致。

在一些实施例中，AI预测分析系统100可以将弱关联用户关键行为的待处理拼接知识图谱与该弱关联用户关键行为对应的用户历史操作汇总知识图谱进行知识图谱相加，输出该弱关联用户关键行为对应的用户关键行为拼接知识图谱。

本实施例中，将弱关联用户关键行为的用户关键行为知识图谱与强关联用户关键行为知识图谱进行拼接叠加，输出弱关联用户关键行为对应的待处理拼接知识图谱，将弱关联用户关键行为对应的待处理拼接知识图谱与用户历史操作汇总知识图谱进行拼接叠加，输出弱关联用户关键行为对应的用户关键行为拼接知识图谱，提高了用户关键行为拼接知识图谱的准确度。

在一些实施例中，基于弱关联用户关键行为的用户关键行为拼接知识图谱以及第一狭义时间维度分析参考知识图谱进行拼接叠加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱包括：确定目标用户历史操作的强关联用户历史操作，获取强关联用户历史操作对应的第一狭义时间维度分析参考知识图谱；基于目标用户历史操作的第一狭义时间维度分析参考知识图谱以及强关联用户历史操作的第一狭义时间维度分析参考知识图谱进行拼接叠加，输出目标用户历史操作对应的狭义时间维度分析拼接知识谱图；将狭义时间维度分析拼接知识谱图与弱关联用户关键行为的用户关键行为拼接知识图谱进行拼接叠加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱。

具体地，AI预测分析系统100可以从各个目标用户历史操作中，获取与目标用户历史操作具有连接关系的用户历史操作，作为目标用户历史操作的强关联用户历史操作。AI预测分析系统100可以计算强关联用户历史操作的第一狭义时间维度分析参考知识图谱与目标用户历史操作的第一狭义时间维度分析参考知识图谱之间的差异，输出第一参考行为分支差异矩阵，将第一参考行为分支差异矩阵与目标用户历史操作的第一狭义时间维度分析参考知识图谱进行知识图谱拼接，输出第一参考拼接知识图谱，基于第一参考拼接知识图谱得到狭义时间维度分析拼接知识谱图。例如，AI预测分析系统100可以对第一参考拼接知识图谱进行图卷积处理，输出目标用户历史操作对应的狭义时间维度分析拼接知识谱图。例如，AI预测分析系统100可以利用前述第二融合模块得到目标用户历史操作对应的狭义时间维度分析拼接知识谱图。

在一些实施例，AI预测分析系统100可以将目标用户历史操作的狭义时间维度分析拼接知识谱图与目标用户历史操作的弱关联用户关键行为的用户关键行为拼接知识图谱进行知识图谱相加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱。

在一些实施例，目标用户历史操作有多个弱关联用户关键行为时，AI预测分析系统100可以先将各个弱关联用户关键行为的用户关键行为拼接知识图谱进行知识图谱拼接，将知识图谱拼接的结果与目标用户历史操作的狭义时间维度分析拼接知识谱图进行知识图谱相加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱。各个目标用户历史操作均可以采用本实施例的方法，输出对应的第二狭义时间维度分析参考知识图谱。例如，AI预测分析系统100可以利用上述第二交互模块得到目标用户历史操作对应的第二狭义时间维度分析参考知识图谱。

本实施例中，将狭义时间维度分析拼接知识谱图与关联弱关联用户关键行为的用户关键行为拼接知识图谱进行拼接叠加，输出目标用户历史操作对应的第二狭义时间维度分析参考知识图谱，提高了第二狭义时间维度分析参考知识图谱的准确性。

在一些实施例中，基于第二狭义时间维度分析参考知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度包括：确定目标用户历史操作的强关联用户历史操作，获取强关联用户历史操作对应的第二狭义时间维度分析参考知识图谱；将目标用户历史操作对应的第二狭义时间维度分析参考知识图谱与强关联用户历史操作的第二狭义时间维度分析参考知识图谱进行拼接叠加，输出目标用户历史操作对应的目标狭义时间维度分析参考知识图谱；基于目标狭义时间维度分析参考知识图谱进行狭义时间维度分析，输出目标用户历史操作的狭义用户关键行为置信度。

具体地，AI预测分析系统100可以从各个目标用户历史操作中，获取与目标用户历史操作具有连接关系的用户历史操作，作为目标用户历史操作的强关联用户历史操作。AI预测分析系统100可以计算强关联用户历史操作的第二狭义时间维度分析参考知识图谱与目标用户历史操作的第二狭义时间维度分析参考知识图谱之间的差异，输出第二参考行为分支差异矩阵，将第二参考行为分支差异矩阵与目标用户历史操作的第二狭义时间维度分析参考知识图谱进行知识图谱拼接，输出第二参考拼接知识图谱，基于第二参考拼接知识图谱得到目标狭义时间维度分析参考知识图谱。例如，AI预测分析系统100可以对第二参考拼接知识图谱进行图卷积处理，输出目标用户历史操作对应的目标狭义时间维度分析参考知识图谱。例如，AI预测分析系统100可以利用第三融合模块对第二狭义时间维度分析参考知识图谱进行处理，输出目标用户历史操作对应的目标狭义时间维度分析参考知识图谱。

在一些实施例中，AI预测分析系统100可以基于目标用户历史操作的目标狭义时间维度分析参考知识图谱进行用户关键行为置信度值的预测，输出各个候选用户关键行为分别对应的用户关键行为置信度值，将用户关键行为置信度值大于置信度值阈值的候选用户关键行为，作为目标用户历史操作的狭义相关用户关键行为，将狭义相关用户关键行为的用户关键行为置信度值作为狭义相关用户关键行为置信度值。例如，AI预测分析系统100可以将目标狭义时间维度分析参考知识图谱输入到第三融合模块之后的MLP中进行用户关键行为置信度值的预测。采用本实施例的方法，可以得到各个目标用户历史操作分别对应的狭义用户关键行为置信度。需要说明的是，目标用户历史操作不同时，同一个候选用户关键行为的用户关键行为置信度值可以是不同的，例如，对目标用户历史操作A预测的结果是用户关键行为1的置信度值为0.3，对目标用户历史操作B预测的结果是用户关键行为1的置信度值为0.6。

本实施例中，将目标用户历史操作对应的第二狭义时间维度分析参考知识图谱与强关联用户历史操作的第二狭义时间维度分析参考知识图谱进行拼接叠加，输出目标用户历史操作对应的目标狭义时间维度分析参考知识图谱，基于目标狭义时间维度分析参考知识图谱，预测与目标用户历史操作关联的狭义相关用户关键行为以及狭义相关用户关键行为对应的狭义相关用户关键行为置信度值，提高了预测出的狭义用户关键行为置信度的准确度。

譬如本申请还提供一种应用场景，该应用场景应用上述的基于大数据分析的用户行为预测方法，对影视作品推荐或商品推荐中的待处理用户进行用户行为预测。具体地，该基于大数据分析的用户行为预测方法在该应用场景的应用如下：

Process202，AI预测分析系统100获取待进行用户行为预测的待处理用户的用户行为，用户行为中包括多个用户关键行为，获取预测用户行为对应的用户行为数据集，用户行为数据集中包括多个用户历史操作。

Process204，AI预测分析系统100获取已训练的全量广义用户关键行为置信度评估模型，将用户行为数据集中的各个用户历史操作分别对应的用户历史操作分布知识图谱以及用户行为中的各个用户关键行为分别对应的用户关键行为知识图谱，输入到全量广义用户关键行为置信度评估模型中进行用户关键行为置信度值的预测，输出各个用户历史操作分别对应的全量广义用户关键行为预测结果，对于每个用户历史操作，该用户历史操作对应的全量广义用户关键行为预测结果中包括用户行为中的各个用户关键行为分别对应的用户关键行为置信度值。

Process206，对于每个用户历史操作，AI预测分析系统100从该用户历史操作对应的全量广义用户关键行为预测结果中筛选得到满足第一置信度值条件的用户关键行为，作为该用户历史操作对应的全量广义关联用户关键行为，将该全量广义关联用户关键行为的用户关键行为置信度值作为全量广义用户关键行为置信度值，全量广义关联用户关键行为以及全量广义关联用户关键行为对应的全量广义用户关键行为置信度值构成该用户历史操作的广义用户关键行为置信度。

其中，第一置信度值条件可以包括用户关键行为置信度值大于置信度值阈值或用户关键行为排序在排序阈值之前。置信度值阈值可以预设或基于需要设置。用户关键行为排序是指用户关键行为在用户关键行为序列中的排序，用户关键行为序列是按照用户关键行为置信度值从大到小对用户行为中的各个用户关键行为进行排列所得到的序列。排序阈值可以预设或基于需要设置，例如可以为4。

Process208，用户行为数据集包括多个用户行为分支，各个用户行为分支分别为独立行为分支，输出触发事件的广义用户关键行为置信度对应的用户历史操作，输出触发事件用户历史操作，将各独立行为分支中，触发事件用户历史操作对应的独立行为分支确定为触发事件关联的用户行为分支，将触发事件关联的用户行为分支中的各个用户历史操作确定为候选狭义时间维度分析的目标用户历史操作。

Process210，输出用户行为中各个用户关键行为的存储信息以及触发事件关联的用户行为分支的存储信息，将各个用户关键行为中存储信息属于触发事件关联的用户行为分支的存储信息中的用户关键行为，作为候选用户关键行为。

Process212，获取已训练的狭义用户关键行为置信度评估模型，将各个目标用户历史操作分别对应的用户历史操作分布知识图谱以及各个候选用户关键行为分别对应的用户关键行为知识图谱，输入到狭义用户关键行为置信度评估模型中进行用户关键行为置信度值的预测，输出各个目标用户历史操作分别对应的狭义用户关键行为预测结果，对于每个目标用户历史操作，该目标用户历史操作的狭义用户关键行为预测结果中包括各个候选用户关键行为分别对应的用户关键行为置信度值。

Process214，对于每个目标用户历史操作，AI预测分析系统100从该目标用户历史操作对应的狭义用户关键行为预测结果中筛选得到满足第二置信度值条件的用户关键行为，作为该目标用户历史操作对应的狭义相关用户关键行为，将该狭义相关用户关键行为的用户关键行为置信度值作为狭义相关用户关键行为置信度值，狭义相关用户关键行为以及狭义相关用户关键行为对应的狭义相关用户关键行为置信度值构成该用户历史操作的狭义用户关键行为置信度。

其中，第二置信度值条件的确定方法可以参考确定第一置信度值条件的方法。

Process216，对于用户行为数据集中各个用户历史操作，当用户历史操作为目标用户历史操作时，将该用户历史操作的狭义用户关键行为置信度作为最终的用户关键行为置信度，当用户历史操作非目标用户历史操作时，将该用户历史操作的广义用户关键行为置信度作为最终的用户关键行为置信度，利用用户行为数据集中各个用户历史操作的最终的用户关键行为置信度，对待处理用户进行用户行为预测。

本实施例中，利用全量广义用户关键行为置信度评估模型以及狭义用户关键行为置信度评估模型共同预测用户关键行为置信度值，从而实现了一种全量广义模型结合狭义模型交互的用户历史操作用户关键行为置信度评估的方法，有效的解决了复杂预测用户行为预测出现部分行为分支用户历史操作用户关键行为置信度值无效以及全流程操作行为误差的问题。另外，用户可以采用与狭义模型交互的方式来不断调优复杂预测用户行为狭义时间段用户历史操作预测效果较差的行为分支，可以灵活的调整用户历史操作的用户关键行为置信度值分布以达到预期效果，使得整个预测效果更加可靠。本申请提供的基于大数据分析的用户行为预测方法可以适用于不同的用户购买商品全流程、不同全流程操作行为的预测用户行为的用户历史操作用户关键行为置信度值分布预测，具有较强的通用性。

图2示出了本发明实施例提供的用于实现上述的基于大数据分析的用户行为预测系统的AI预测分析系统100的硬件结构意图，如图2所示，AI预测分析系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

处理器110可以基于存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的基于大数据分析的用户行为预测方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。

特别地，基于本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。

本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的基于大数据分析的用户行为预测方法。

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。