用户行为模拟方法、装置、设备及计算机可读存储介质制造方法及图纸

本公开实施例提供用户行为模拟方法、装置、设备及计算机可读存储介质。所述方法包括：采集用户特征，其中，用户特征包括决策变量、固定变量和真实用户行为变量；将决策变量和固定变量输入预设的生成网络模型以输出模拟用户行为变量；将决策变量、固定变量和用户行为变量输入预设的判别网络模型以输出用户行为变量是真实用户行为变量还是模拟用户行为变量的判别结果，其中，用户行为变量根据决策变量和固定变量而改变；对生成网络模型和判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

User Behavior Simulation Method, Device, Equipment and Computer Readable Storage Media

【技术实现步骤摘要】
用户行为模拟方法、装置、设备及计算机可读存储介质
本公开实施例涉及计算机
，尤其涉及用户行为模拟方法、装置、设备及计算机可读存储介质。
技术介绍
在业务运营管理中会有很多运营调整的决策，往往需要估算这种决策对用户行为所产生的影响。例如，在消费信贷领域，提高用户的额度对用户后续消费金额升降会产生影响，降低逾期罚息对用户逾期率会产生影响。因此，如果能在实施决策之前准确估算这种决策所产生的影响结果，将对业务的运营决策提供极大的帮助。相关技术中已有的技术方案主要是先进行测试(A/B测试)，之后再评估影响大小。首先挑选测试人群，分为测试组和对照组，不同的组采用不同的决策调整方案，经过一段时间的运行，比较不同组的行为差异来计算不同方案的影响。该方案的问题在于要先做用户测试，不仅需要资金成本，同时由于有测试期、表现期、分析期的阶段需求，时间成本也很高。相关技术中另一种类似的技术方案是建立一些机器学习模型来做带参数的预测。在该技术方案中，X＝(f1,f2,f3,…,fn,alpha)，X向量中的fn是用户维度的特征，alpha是决策变量；Y＝(y1,y2,…,yn)，Y变量是用户的行为变量。通过抽样可以得到包含[X,Y]的样本数据集，进行训练可得到Y＝g(X)的对应关系，然后通过调整X中的alpha参数来模拟不同决策下的Y行为。该方案的问题在于用户特征中本身就存在被alpha参数影响的变量，而在最后做模拟的时候都暗含这些特征不变的假设(因为只调整alpha参数，其他特征不变)，因此精度和逻辑假设上都存在明显的问题。
技术实现思路
有鉴于此，本公开第一方面提供了一种用户行为模拟方法，包括：采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。本公开第二方面提供了一种用户行为模拟装置，包括：采集模块，被配置为采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；生成模块，被配置为将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；判别模块，被配置为将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；训练和模拟模块，被配置为对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。本公开第三方面提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下步骤：采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。本公开第四方面提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。在本公开实施方式中，通过采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，可以以既有的用户数据为样本进行训练学习，无需实际测试即可预估用户基于决策的反应，因此针对第一种现有方案用户测试而言，可以节约大量的资金成本和时间成本。本方案通过利用生成对抗网络(GAN,GenerativeAdversarialNetworks)来做模拟生成网络模型的方案，在训练过程中不断由生成网络模型生成新的虚拟数据加入训练样本，从而能扩充样本量。而且，由于生成网络模型仅用固定变量和决策变量生成模拟用户行为变量，同时又采用了模拟用户行为变量做判别网络模型的输入，从而解决了决策变量影响模拟用户行为变量的问题，既纳入了所有的用户特征，又解耦了这两类变量。本公开的这些方面或其他方面在以下实施例的描述中会更加简明易懂。附图说明为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些示例性实施例，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示出根据本公开一实施方式的用户行为模拟方法的流程图；图2示出根据本公开一实施方式的用户行为模拟方法的步骤S102的示例的流程图；图3示出根据本公开一实施方式的用户行为模拟方法的步骤S103的示例的流程图；图4示出根据本公开一实施方式的用户行为模拟方法的步骤S104的示例的流程图；图5示出根据本公开一实施方式的用户行为模拟方法的应用场景示例的示意图；图6示出根据本公开另一实施方式的用户行为模拟装置的结构框图；图7示出根据本公开一实施方式的电子设备的结构框图；图8是适于用来实现根据本公开一实施方式的用户行为模拟方法的计算机系统的结构示意图。具体实施方式为了使本
的人员更好地理解本公开方案，下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述。在本公开的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。下面将结合本公开示例性实施例中的附图，对本公开示例性本文档来自技高网...

【技术保护点】
1.一种用户行为模拟方法，其特征在于，包括：采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。

【技术特征摘要】
1.一种用户行为模拟方法，其特征在于，包括：采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟。2.根据权利要求1所述的方法，其特征在于，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：构建生成网络模型；将所述决策变量和所述固定变量输入所构建的生成网络模型以输出模拟用户行为变量。3.根据权利要求1或2所述的方法，其特征在于，所述将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变，包括：构建判别网络模型；将所述决策变量、所述固定变量和用户行为变量输入所构建的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变。4.根据权利要求1所述的方法，其特征在于，所述将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量，包括：将所述决策变量、所述固定变量和随机数输入预设的生成网络模型以输出模拟用户行为变量。5.根据权利要求1所述的方法，其特征在于，所述判别结果为布尔变量，所述布尔变量值为真表示所述判别网络模型判别所述用户行为变量是所述真实用户行为变量，并且所述布尔变量值为假表示所述判别网络模型判别所述用户行为变量是所述模拟用户行为变量。6.根据权利要求1所述的方法，其特征在于，所述对所述生成网络模型和所述判别网络模型进行训练，并且利用训练完成的生成网络模型基于用户特征中的决策变量和固定变量的输入来输出模拟用户行为变量以实现对用户行为的模拟，包括：利用预设的函数和训练方法对所述生成网络模型和所述判别网络模型进行训练，利用所述生成网络模型与所述判别网络模型之间的对抗优化所述生成网络模型的性能；对训练完成的生成网络模型进行验证以确定所述生成网络模型输出的模拟用户行为变量是否难以被所述判别网络模型判别为模拟用户行为变量；响应于所述生成网络模型输出的模拟用户行为变量难以被所述判别网络模型判别为模拟用户行为变量，将所述用户特征中的决策变量和固定变量输入所述生成网络模型来输出模拟用户行为变量以实现对用户行为的模拟。7.一种用户行为模拟装置，其特征在于，包括：采集模块，被配置为采集用户特征，其中，所述用户特征包括决策变量、固定变量和真实用户行为变量；生成模块，被配置为将所述决策变量和所述固定变量输入预设的生成网络模型以输出模拟用户行为变量；判别模块，被配置为将所述决策变量、所述固定变量和用户行为变量输入预设的判别网络模型以输出所述用户行为变量是所述真实用户行为变量还是所述模拟用户行为变量的判别结果，其中，所述用户行为变量根据所述决策变量和所述固定变量而改变；训...

【专利技术属性】
技术研发人员：胡轩维，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY