(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211110949.8 (22)申请日 2022.09.13 (71)申请人 浙江网商银行股份有限公司 地址 310012 浙江省杭州市西湖区古 荡街 道西溪路556号阿里中心D幢9层、 E幢 3-8层 (72)发明人 李有儒　郭晓波　李少帅　 (74)专利代理 机构 北京智信禾专利代理有限公 司 11637 专利代理师 刘晓楠 (51)Int.Cl. G06Q 40/02(2012.01) (54)发明名称 目标用户确定方法以及装置 (57)摘要 本说明书实施例提供一种目标用户确定方 法以及装置， 其中方法包括： 获取用户基于时间 序列的用户行为数据和用户属性数据； 根据用户 行为数据构建时序关系图， 其中， 时序关系图中 包括时间序列中各时间节点对应的全局用户行 为数据之间的关联关系； 对时序关系图以及用户 属性数据进行特征提取， 确定融合特征向量； 根 据融合特征向量确定用户是否为目标用户。 通过 用户行为数据， 构建包括时间序列中各时间节点 对应的全局用户行为数据之间的关联关系的时 序关系图， 并根据时序关系图以及用户属性数据 确定用户是否为目标用户， 由于从动态时间序列 数据中抽象出一个全局的行为时间相关性关系 图结构来进行量化， 也就是关注了全局特征， 从 而提高了预测的准确性。 权利要求书2页 说明书14页 附图6页 CN 115439218 A 2022.12.06 CN 115439218 A 1.一种目标用户确定方法， 包括： 获取用户基于时间序列的用户行为数据和用户属性数据； 根据所述用户行为数据构建时序关系图， 其中， 所述时序关系图中包括所述时间序列 中各时间节点对应的全局用户行为数据之间的关联关系； 对所述时序关系图以及所述用户属性数据进行 特征提取， 确定融合特 征向量； 根据融合特 征向量确定所述用户是否为目标用户。 2.根据权利要求1所述的方法， 所述根据融合特征向量确定所述用户是否为目标用户， 包括： 根据所述时间序列中各时间节点对应的同一类型用户行为数据， 确定局部特 征向量； 根据所述局部特 征向量与所述融合特 征向量确定目标 数据； 根据所述目标 数据确定所述用户是否为目标用户。 3.根据权利要求2所述的方法， 所述根据所述时间序列中各时间节点对应的同一类型 用户行为数据， 确定局部特 征向量， 包括： 提取所述时间序列中各时间节点对应的同一类型用户行为数据； 将所述同一类型用户行为数据， 通过目标用户识别模型的系数确定网络层， 获得对应 的系数值,其中， 所述系数值表示部分观测数据与全局观测数据之间的关联； 将所述同一类型用户行为数据， 通过所述目标用户识别模型的特征提取网络层， 获得 对应的行为特 征向量； 根据所述系数值和所述行为特 征向量确定局部特 征向量。 4.根据权利要求3所述的方法， 所述将所述同一类型用户行为数据， 通过目标用户识别 模型的系数确定网络层， 获得对应的系数值， 包括： 将所述同一类型用户行为数据， 输入目标用户识别模型的系数确定网络层； 在所述系数确定网络层中根据当前观测的时间节点、 所述当前观测的时间节点对应的 同一类型用户行为数据、 初始观测的时间节点、 所述初始 时间节点对应的同一类型用户行 为数据、 最大时间节点和所述最大时间节点对应的同一类用户行为数据进行计算， 获得对 应的系数值。 5.根据权利要求4所述的方法， 所述将所述同一类型用户行为数据通过系数确定模块， 得到系数值， 包括： 根据所述初始时间节点、 所述当前观测时间节点和所述最大时间节点确定时间衰减系 数； 根据所述初始时间节点对应的同一类型用户行为数据、 当前观测的时间节点对应的同 一类型用户行为数据， 和所述最大时间节点对应的同一类型用户行为数据确定行为差异系 数； 根据所述时间衰减系数和所述行为差异系数确定系数值。 6.根据权利要求2所述的方法， 所述根据局部特征向量与所述融合特征向量确定目标 数据， 包括： 将所述融合特征向量与所述局部特征向量通过目标用户识别模型的注意力 机制层， 得 到映射特 征向量； 将所述映射特 征向量通过所述目标用户识别模型的判别器， 得到目标 数据。权　利　要　求　书 1/2 页 2 CN 115439218 A 27.根据权利要求6所述的方法， 所述将所述融合特征向量与所述局部特征向量通过注 意力机制层， 得到映射特 征向量， 包括： 将所述融合特征向量与所述局部特征向量通过所述目标用户识别模型的注意力机制 层， 得到融合特 征映射向量和 局部特征映射向量； 确定所述融合特 征映射向量与所述局部特 征映射向量的相似度； 根据所述相似度与所述局部特 征向量得到映射特 征向量。 8.根据权利要求1所述的方法， 所述根据融合特征向量确定所述用户是否为目标用户， 包括： 将所述融合特 征向量通过目标用户识别模型的注意力机制层， 得到映射特 征向量； 将所述映射特 征向量通过所述目标用户识别模型的判别器， 得到目标 数据； 根据所述目标 数据确定所述目标用户。 9.根据权利要求1所述的方法， 所述 根据所述用户行为数据构建时序关系图， 包括： 根据所述 时间序列中各时间节点对应的全部用户行为数据， 确定所述各时间节点对应 的全局行为数据； 根据所述各时间节点对应的全局行为数据， 与其他 时间节点对应的全局行为数据确定 时序关系矩阵； 根据所述时序关系矩阵构建时序关系图。 10.根据权利要求1所述的方法， 对所述时序关系图以及所述用户属性数据进行特征提 取， 确定融合特 征向量， 包括： 将所述时序关系图通过目标用户识别模型的全局嵌入网络层得到全局特 征向量； 对所述用户属性信息进行编码得到属性特 征向量； 将所述全局特征向量和所述属性特征向量， 通过所述目标用户识别模型的融合网络 层， 得到融合特 征向量。 11.一种目标用户确定装置， 包括： 数据获取模块， 被 配置为获取用户基于时间序列的用户行为数据和用户属性数据； 关系确定模块， 被配置为根据 所述用户行为数据构建时序关系图， 其中， 所述时序关系 图中包括各时间节点对应的全局用户行为数据之间的关联关系； 特征提取模块， 被配置为对所述时序关系图以及所述用户 属性数据进行特征提取， 确 定融合特 征向量； 用户确定模块， 被 配置为根据融合特 征向量确定所述用户是否为目标用户。 12.一种计算设备， 包括： 存储器和处 理器； 所述存储器用于存储计算机可执行指令， 所述处理器用于执行所述计算机可执行指 令， 该计算机可执行指令被处理器执行时实现权利要求1至10任意一项所述目标用户确定 方法的步骤。 13.一种计算机可读存储介质， 其存储有计算机可执行指令， 该计算机可执行指令被处 理器执行时实现权利要求1至10任意 一项所述目标用户确定方法的步骤。权　利　要　求　书 2/2 页 3 CN 115439218 A 3