(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 202211332029.0 (22)申请日 2022.10.28 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 赵闻飙　林晓彤　徐恪　李琦　 (74)专利代理 机构 北京国昊天诚知识产权代理 有限公司 1 1315 专利代理师 朱文杰 (51)Int.Cl. G06F 16/2458(2019.01) G06K 9/62(2022.01) G06Q 20/40(2012.01) (54)发明名称 一种用户行为的处 理方法、 装置及设备 (57)摘要 本说明书实施例公开了一种用户行为的处 理方法、 装置及设备， 该方法包括： 获取目标用户 在当前时刻执行目标业务过程中的用户行为数 据， 并基于当前时刻获取的用户行为数据， 获取 目标用户执行目标业务过程中的相应用户历史 行为数据， 将当前时刻获取的用户行为数据和相 应用户历史行为数据分别输入到预先训练的编 码模型中， 得到用户行为数据对应的向量表征和 相应用户历史行为数据对应的向量表征， 基于用 户行为数据对应的向量表征和相应用户历史行 为数据对应的向量表征， 确定两者之间的相似 度， 并基于相似度， 确定目标用户执行目标业务 过程中用户行为分布的变化趋势信息， 进而确定 用户行为数据中目标用户的用户行为发生突变 的位置。 权利要求书3页 说明书20页 附图6页 CN 115408449 A 2022.11.29 CN 115408449 A 1.一种用户行为的处 理方法， 所述方法包括： 获取目标用户在 当前时刻执行目标业务过程中的用户行为数据， 并基于当前时刻获取 的用户行为数据， 获取 所述目标用户执 行所述目标业 务过程中的相应用户历史行为数据； 将当前时刻获取的用户行为数据和相应所述用户历史行为数据分别输入到预先训练 的编码模型中， 得到所述用户行为数据对应的向量表征和相应所述用户历史行为数据对应 的向量表征， 所述编码模型能够对数据进行并行处 理的模型； 基于所述用户行为数据对应的向量表征和相应所述用户历史行为数据对应的向量表 征， 确定所述用户行为数据与相应所述用户历史行为数据之间的相似度， 并基于所述相似 度， 确定所述目标用户执 行目标业 务过程中用户行为分布的变化趋势信息； 基于所述目标用户执行目标业务过程中用户行为分布的变化趋势信 息， 确定所述用户 行为数据中所述目标用户的用户行为发生 突变的位置 。 2.根据权利要求1所述的方法， 所述方法还 包括： 获取用于训练所述编码模型的训练样本， 所述训练样本中包括多组不同的用户行为样 本对， 所述用户行为样 本对包括用户执行所述目标业务过程中的用户历史行为样本和相应 的用户未来行为样本， 所述多组不同的用户行为样本对包括多组正样本对和多组负样本 对， 不同的所述用户行为样本对之间的时间 间隔小于预设间隔阈值； 基于所述多组不同的用户行为样本对， 并以所述正样本对中用户历史行为样本和相应 的用户未来行为样本对应的向量表征之 间的相似度越大， 所述负样本对中用户历史行为样 本和相应的用户未来行为样本对应的向量表征之间的相似度越大作为模型训练所要达到 的目标对所述编码模型进行模型训练， 得到训练后的编码模型。 3.根据权利要求1所述的方法， 所述获取用于训练所述编码模型的训练样本， 包括： 获取第一用户执行所述目标业务过程中的用户历史行为数据作为所述用户历史行为 样本， 并获取与所述用户历史行为样本相 应的用户未来行为样本， 将获取 的所述用户历史 行为样本和相应的用户未来行为样本构建为所述用户行为样本对中的正样本对； 将构建的正样本对中的一个正样本对中的用户历史行为样本分别与构建的正样本对 中的其它正样本对中的用户未来行为样本构建为所述负 样本对； 基于构建的所述正样本对和构建的所述负样本对构建所述训练样本中的多组不同的 用户行为样本对。 4.根据权利要求1所述的方法， 所述基于所述相似度， 确定所述目标用户执行目标业务 过程中用户行为分布的变化趋势信息， 包括： 基于所述相似度计算所述相似度之间的差值； 基于所述相似度之间的差值， 确定相应的移动平均值， 并基于确定的移动平均值， 确定 所述目标用户执 行目标业 务过程中用户行为分布的变化趋势信息； 所述基于所述目标用户执行目标业务过程中用户行为分布的变化趋势信 息， 确定所述 用户行为数据中所述目标用户的用户行为发生 突变的位置， 包括： 通过寻峰算法确定所述移动平均值中的局部最大值； 基于确定的所述局部最大值对应的时间间隔， 确定所述用户行为数据中所述目标用户 的用户行为发生 突变的位置 。 5.根据权利要求4所述的方法， 所述用户行为数据与相应所述用户历史行为数据之间权　利　要　求　书 1/3 页 2 CN 115408449 A 2的相似度为 余弦相似度。 6.根据权利要求1 ‑5中任一项所述的方法， 所述编码模型为基于卷积神经网络模型构 建的模型， 或者， 所述编码模型为基于Transformer类的模型构建的模型。 7.根据权利要求1 ‑5中任一项所述的方法， 所述编码模型为基于时域卷积网络TCN模型 构建的模型。 8.根据权利要求7 所述的方法， 所述目标业 务为金融类业 务， 所述方法还 包括： 基于所述用户行为数据中所述目标用户的用户行为发生突变的位置， 对所述目标用户 的账户进行风险检测； 如果确定所述目标用户的账户存在预设风险， 则对所述目标用户的账户进行风险防控 处理。 9.一种用户行为的处 理装置， 所述装置包括： 数据获取模块， 获取目标用户在当前时刻执行目标业务过程中的用户行为数据， 并基 于当前时刻获取的用户行为数据， 获取所述目标用户执行所述目标业务过程中的相应用户 历史行为数据； 模型处理模块， 将当前时刻获取的用户行为数据和相应所述用户历史行为数据分别 输 入到预先训练的编 码模型中， 得到所述用户行为数据对应的向量表征和相应所述用户历史 行为数据对应的向量表征， 所述编码模型能够对数据进行并行处 理的模型； 数据处理模块， 基于所述用户行为数据对应的向量表征和相应所述用户历史行为数据 对应的向量表征， 确定所述用户行为数据与相应所述用户历史行为数据之间的相似度， 并 基于所述相似度， 确定所述目标用户执 行目标业 务过程中用户行为分布的变化趋势信息； 行为突变确定模块， 基于所述目标用户执行目标业务过程中用户行为分布的变化趋势 信息， 确定所述用户行为数据中所述目标用户的用户行为发生 突变的位置 。 10.一种用户行为的处 理设备， 所述用户行为的处 理设备包括： 处理器； 以及 被安排成存储计算机可执行指令的存储器， 所述可执行指令在被执行时使所述处理 器： 获取目标用户在 当前时刻执行目标业务过程中的用户行为数据， 并基于当前时刻获取 的用户行为数据， 获取 所述目标用户执 行所述目标业 务过程中的相应用户历史行为数据； 将当前时刻获取的用户行为数据和相应所述用户历史行为数据分别输入到预先训练 的编码模型中， 得到所述用户行为数据对应的向量表征和相应所述用户历史行为数据对应 的向量表征， 所述编码模型能够对数据进行并行处 理的模型； 基于所述用户行为数据对应的向量表征和相应所述用户历史行为数据对应的向量表 征， 确定所述用户行为数据与相应所述用户历史行为数据之间的相似度， 并基于所述相似 度， 确定所述目标用户执 行目标业 务过程中用户行为分布的变化趋势信息； 基于所述目标用户执行目标业务过程中用户行为分布的变化趋势信 息， 确定所述用户 行为数据中所述目标用户的用户行为发生 突变的位置 。 11.一种存储介质， 所述存储介质用于存储计算机可执行指令， 所述可执行指令在被处 理器执行时实现以下流 程： 获取目标用户在 当前时刻执行目标业务过程中的用户行为数据， 并基于当前时刻获取权　利　要　求　书 2/3 页 3 CN 115408449 A 3