本申请涉及信息处理技术领域，特别是涉及一种用户信息预测方法、装置、设备及介质。
背景技术：
随着智能手机的普及和移动互联网技术的发展，城市环境下移动用户的时空行为建模变得越来越重要，准确预测用户的轨迹和相关时空活动有助于更好的为用户提供个性化的服务，即相关技术中需要预测用户在未来时刻的行为和地点。
相关技术中，为了预测用户在未来时刻的行为和地点，一方面，提出了通过对用户的时空行为规律建模的方式，另一方面提出了通过对用户个性化特征的提取的方式。但是通过上述两种方式并不能准确预测出用户在未来时刻的一些行为信息，导致不能准确为用户提供个性化服务。
技术实现要素：
鉴于上述问题，提出了本申请实施例的一种用户信息预测方法、装置、设备及介质，以便克服上述问题或者至少部分地解决上述问题。
为了解决上述问题，本申请的第一方面，公开了一种用户信息预测方法，所述方法包括：
获得当前用户终端的历史用户信息序列，所述历史用户信息序列包括多个历史时刻、以及所述当前用户终端在各个历史时刻的多个维度的用户信息；
将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息；
其中，所述预测模型包括向量表示模块、特征提取模块以及预测模块，所述预测模块包括多个维度的用户信息预测分支；所述预测模块中的各个分支的参数相互独立，且共享所述嵌入模块和所述特征提取模块的参数；
所述向量表示模块用于生成多个样本用户终端各自的历史用户信息序列对应的向量表示，所述特征提取模块用于对所述多个样本用户终端各自对应的向量表示进行特征提取，每个维度的用户信息预测分支用于根据所述特征提取模块提取的特征，从该维度预测所述多个样本用户终端各自在下一时刻的用户信息。
可选地，所述多个维度的用户信息至少包括：地理位置和用户行为；
将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息，包括：
将所述当前用户终端在所述多个历史时刻所处的地理位置以及执行的用户行为，输入所述预测模型，得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为。
可选地，所述多个维度的用户信息还包括：用户标识；将所述历史用户信息序列输入预测模型，除得到所述当前用户终端在下一时刻的多个维度的用户信息外，还包括：
得到与所述当前用户终端的用户标识匹配的目标样本用户标识，所述目标样本用户标识为所述多个样本用户终端各自的用户标识中的一个。
可选地，所述方法还包括：
获得多个样本用户终端各自的历史用户信息序列；
对所述多个样本用户终端各自的历史用户信息序列进行标注，得到多个历史用户信息序列样本，其中，每个历史用户信息序列样本携一个样本用户终端在下一时刻的多个维度的用户信息标签；
将所述多个历史用户信息序列样本输入至预设网络模型，得到所述预设网络模型输出的下一时刻的多个维度的预测用户信息；
根据所述下一时刻的多个维度的预测用户信息以及相应的用户信息标签，分别确定多个维度各自对应的损失值；
根据所述多个维度各自对应的损失值，确定联合损失值；
根据所述联合损失值，对所述预设网络模型的模型参数进行迭代更新，直至满足训练结束条件，得到所述预测模型。
可选地，所述向量表示模块用于根据每个样本用户终端的历史用户信息序列，生成每个维度的密集向量表示，并将生成的多个维度的密集向量表示拼接为该样本用户终端对应的向量表示；
所述特征提取模块用于从所述多个样本用户终端各自对应的向量表示中，提取所述多个维度各自的上下文特征以及表征所述多个维度之间的关联性的特征。
可选地，在得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为之后，所述方法还包括以下至少一者：
根据所述当前用户终端在下一时刻所处的地理位置，向所述当前用户终端发送与所述下一时刻所处的地理位置匹配的热点推荐信息；
根据所述当前用户终端即将触发的用户行为，向所述当前用户终端发送与所述即将触发的用户行为匹配的服务信息，以使所述当前用户终端在相应的应用界面中显示所述服务信息；
根据所述当前用户终端在下一时刻所处的地理位置以及在各个历史时刻的地理位置，生成所述当前用户终端的行动轨迹，并将所述行动轨迹发送给所述当前用户终端。
本申请实施例的第二方面，提供了一种用户信息预测装置，所述装置包括：
第一信息获得模块，用于获得当前用户终端的历史用户信息序列，所述历史用户信息序列包括多个历史时刻、以及所述当前用户终端在各个历史时刻的多个维度的用户信息；
第二信息获得模块，用于将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息；
其中，所述预测模型包括向量表示模块、特征提取模块以及预测模块，所述预测模块包括多个维度的用户信息预测分支；所述预测模块中的各个分支的参数相互独立，且共享所述嵌入模块和所述特征提取模块的参数；
所述向量表示模块用于生成多个样本用户终端各自的历史用户信息序列对应的向量表示，所述特征提取模块用于对所述多个样本用户终端各自对应的向量表示进行特征提取，每个维度的用户信息预测分支用于根据所述特征提取模块提取的特征，从该维度预测所述多个样本用户终端各自在下一时刻的用户信息。
本申请实施例的第三方面，还公开了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如第一方面实施例所述的用户信息预测方法。
本申请实施例的第四方面，还公开了一种计算机可读存储介质，其存储的计算机程序使得处理器执行如本申请第一方面实施例所述的用户信息预测方法。
在本申请实施例中，可以获得当前用户终端的历史用户信息序列，该历史用户信息序列包括多个历史时刻、以及当前用户终端在各个历史时刻的多个维度的用户信息；之后，将历史用户信息序列输入包括向量表示模块、特征提取模块以及预测模块的预测模型，得到当前用户终端在下一时刻的多个维度的用户信息。
本申请实施例至少包括以下优点：
其中，由于本申请的向量表示模块可以生成历史用户信息序列对应的向量表示，特征提取模块用于对向量表示进行特征提取。这样，可以将包含多个维度的用户信息的历史用户信息序列处理为密集表示的特征向量。其中，该多个维度可以包括空间维度和行为维度。又由于本申请的预测模块的各个维度的用户信息预测分支均可以根据特征提取模块输出的特征，预测用户在该维度下的下一时刻的用户信息，这样，多个用户信息预测分支便可以同时输出在下一时刻的多个维度的用户信息，从而实现了同时预测出用户在下一时刻的多个维度的用户信息。
本申请实施例的技术方案，一方面由于多个维度的用户信息可以很好的刻画用户移动行为中复杂、多变的时空关联，因此，在时空行为非常耦合的情况下，通过提取用户的在各个历史时刻的多个维度的用户信息的特征，可以同时进行多个维度的用户信息的预测。另一方面，由于对预测出的每个维度的用户信息而言，其均参考了其他多个维度的历史用户信息，因此该维度的用户信息的预测准确性更高，进而更加准确地预测出用户在未来时刻的行为信息，提高用户行为预测的准确性，以更准确地为用户提供个性化服务。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例中预设网络模型的结构示意图；
图2是本申请实施中对预设网络模型进行训练的步骤流程图；
图3是本申请实施中一种用户信息预测方法的应用场景示例图；
图4是本申请实施例中的一种用户信息预测方法的步骤流程图；
图5是本申请实施中一种用户信息预测装置的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
由上述背景部分记载的内容可知，相关技术中，为了预测用户在未来时刻的行为和地点，一方面，提出了通过对用户的时空行为规律建模的方式，此种方式，要么利用一个随时间衰减的指数函数来建模用户对poi访问的偏，要么利用lstm来建模用户相邻两个时刻位置的变化量，然而都无法很好的刻画用户移动行为中复杂、多变的时空关联。
另一方面提出了通过对用户个性化特征的提取的方式，该方式中可以利用一个权重系数来建模用户的poi偏好获知对所有用户共享同一个深度学习模型，然而其均无法准确表征用户在时空分布上的个性化偏好。
因此，上述两种方式无法有效利用时空高耦合性的特点，均只能实现单一维度的预测，例如，仅能预测poi，或仅能预测地理位置。无法达到poi、地位位置和用户行为的预测，例如，无法预测用户在下一时刻在何种地点参与何种活动。从而，导致无法准确为用户提供个性化服务。
有鉴于此，本申请人提出本文提出了基于多任务学习和联合损失函数的空间位置与其他语义行为同时预测技术，具体而言，主要应用稠密时空表征的gru模块来建模复杂的时空规律，达到更细粒度、高精度的时空预测，从而提高用户行为预测的准确性。
其主要的实现流程如下：
首先，利用训练样本对预设网络模型进行训练，得到一个预测模型，该预测模型包括了向量表示模块、特征提取模块以及预测模块。
之后，利用该预测模型对输入的当前用户终端的历史用户信息序列进行处理，进而得到该预测模型输出的当前用户在下一时刻的多个维度的用户信息。
可以理解的是，其预设网络模型与预测模型具有相同的网络结构。
参照图1和图2，图1示出了本申请实施例的一种预设网络模型的模型结构图，图2示出了本申请实施例的一种对预设网络模型进行训练得到预测模型的步骤流程图。
首先，对本申请实施例的预设网络模型进行详细介绍：
如图1所示，预设网络模型中的向量表示模块的输出端连接特征提取模型的输入端，特征提取模块的输出端连接预设模块的输入端，具体而言，预测模块的每个用户信息预测分支均与特征提取模块的输出端连接。
其中，向量表示模块用于生成多个样本用户终端各自的历史用户信息序列对应的向量表示，特征提取模块用于对所述多个样本用户终端各自对应的向量表示进行特征提取，每个维度的用户信息预测分支用于根据特征提取模块提取的特征，从该维度预测所述多个样本用户终端各自在下一时刻的用户信息。
其中，如图1所示，向量表示模块可以对历史用户信息序列中的多个维度的用户信息进行密集拼接，从而形成稠密向量表示，具体而言，可以根据每个样本用户终端的历史用户信息序列，生成每个维度的密集向量表示，并将生成的多个维度的密集向量表示拼接为该样本用户终端对应的向量表示。如此，实现了从更加细粒度的角度去整合用户的多个维度的历史用户信息。
其中，如图1所示，特征提取模块旨在捕获隐藏在历史用户信息序列中的高阶的顺序规则，主要选择gru作为基本的体征提取单位，以向量表示模型输出的向量表示作为输入，逐步输出隐藏状态。其中，在训练预设网络模型的过程中，可以将嵌入向量输入到dropout层，以避免过度拟合。
在一种示例中，如图1所示，为了传递时间上下文和位置上下文之间的关系，可以共享用户识别、位置预测和活动预测任务的递归模块，而不是训练独立的gru，即依次通过与各信息序列对应且相互独立的gru对向量表示进行特征提取。这样，特征提取模块具体可以用于从多个样本用户终端各自对应的向量表示中，提取历史用户信息序列的上下文特征以及用户信息序列之间的关联性的特征，从而得到多个维度各自的上下文特征以及表征所述多个维度之间的关联性的特征。
其中，多个维度之间的关联性的特征可以用于描述多个维度之间的上下文关系，例如，多个维度包括时间和位置，则可以提取出时间和位置之间的关联性。比如，时间是上午9点和下午1点，位置是公司a和商家b，则可以提取出上述两个时间和两个位置之间的上下文关联。比如，上午9点在公司a、下午1点由公司a移动到商家b。
其中，如图1所示，预测模块可以包括多个独立的用户信息预测分支，图中示出了3个用户信息预测分支，不同的用户信息预测分支用于预测用户在下一时刻的不同维度的用户信息。例如，如图1所示，各用户信息预测分支的输出分别表示预测出的用户id、用户在下一时刻的地理位置、用户在下一时刻进行的用户行为。其中，在训练过程中，这三个用户信息预测分支基于相同的向量表示模块和特征提取模块来共享时空模式，即预测模块中的各个分支的参数相互独立，且共享向量表示模块和特征提取模块的参数。
在一种示例中，每个用户信息预测分支可以包括线性层和与线性层串联的非线性激活层。线性层是完全连接的层，将特征处理成一个更小、更具表现力的向量，并改变隐藏状态的大小以匹配所需的输出大小。非线性激活层可以采用softmax激活函数，用于将输出的范围控制在0-1之间。
接着，结合图1和图2所示，对本申请如何得训练预设网络模型的过程详述如下，参照图2所示，具体可以包括以下步骤：
步骤s201：获得多个样本用户终端各自的历史用户信息序列。
本实施例中，在训练预设网络模型之初，需要获得训练样本。其中，训练样本的样本数据可以来源于多个样本用户终端各自对应的历史用户信息序列，具体而言，可以从数据库中获取这些历史用户信息序列。一般而言，数据库中可以存储一段历史时间中，服务器所记录的各个样本用户终端的历史行为数据，这些历史行为数据可以包括用户在历史过程中的地理位置数据、与地理位置数据关联的时间信息，以及与地理位置数据关联的行为信息。其中，行为信息可以是指用户所处的poi信息、用户所使用的应用程序的信息等，这样获得的历史用户信息序列可以是以多个维度的用户信息所组成的序列。
示例地，如图1所示，历史用户信息序列可以是以下序列(1)：
步骤s202：对所述多个样本用户终端各自的历史用户信息序列进行标注，得到多个历史用户信息序列样本，其中，每个历史用户信息序列样本携一个样本用户终端在下一时刻的多个维度的用户信息标签。
本实施例中，对历史用户信息序列进行标注可以是指标注该历史用户信息序列的用户在下一时刻的真实的多个维度的用户信息，标注后，每个历史用户信息序列便具有多个维度的用户信息标签，从而得到历史用户信息序列样本。
例如，对于用户李某而言，可以获取其在29日之前的历史用户信息序列a，并将在30日李某真实所处的位置和行为作为历史用户信息序列a的位置标签和行为标签，从而得到历史用户信息序列样本。
步骤s203：将所述多个历史用户信息序列样本输入至预设网络模型，得到所述预设网络模型输出的下一时刻的多个维度的预测用户信息。
本实施例中，可以将历史用户信息序列样本作为训练样本，对预设网络模型进行训练，其训练过程如下：
首先，将历史用户信息序列样本输入到预设网络模型中的向量表示模块，由向量表示模块生成各的历史用户信息序列样本对应的向量表示，例如，历史用户信息序列样本为
接着，向量表示模块输出的向量表示
之后，特征提取模块提取出的特征分别输入到多个维度的用户信息预测分支中，每个维度的用户信息预测分支用于根据输入的特征预测出下一时刻在该维度的用户信息。如图1所示，分别预测输入的历史用户信息序列样本对应的用户id、该用户在下一时刻的地点位置、用户在下一时刻进行的用户行为。
需要说明的是，所预测的下一时刻的多个维度的用户信息可以并不具体到特定的下一时刻，实际上，该下一时刻可以泛指未来还未到达的任一时刻。即，可以理解为是：预测当前时刻之后的未来一段时间的多个维度的用户信息。
步骤s204：根据所述下一时刻的多个维度的预测用户信息以及相应的用户信息标签，分别确定多个维度各自对应的损失值。
本实施例中，在训练过程中，由于多个维度的用户信息预测分支分别预测了下一时刻的一个维度的用户信息，则可以根据每个维度的用户信息预测分支所预测出的结果和该维度的用户信息标签，得到该维度的用户信息预测分支对应的损失值，继而得到多个维度各自对应的损失值。
步骤s205：根据所述多个维度各自对应的损失值，确定联合损失值。
本实施例中，在得到多个维度各自对应的损失值后，可以对各损失值进行加权求和，得到联合损失值，该联合损失值可以从整体上反映预测结果与各用户信息标签之间的差距。其中，在对各损失值进行加权求和时，可以预先设置多个维度各自对应的权重，之后按照多个维度各自对应的权重对各损失值进行加权求和。
步骤s206：根据所述联合损失值，对所述预设网络模型的模型参数进行迭代更新，直至满足训练结束条件，得到所述预测模型。
在计算得到联合损失值后，该联合损失值即是当次训练时该预设网络模型的损失值，之后，便可以根据该预设网络模型的损失值对预设网络模型的模型参数进行迭代更新。其中，迭代更新是指在上一次对预设网络模型的模型参数进行更新的基础上继续更新。
其中，训练结束条件可以是指训练达到预设的次数，或者联合损失值小于预设损失值，当满足训练结束条件时，便可以停止训练，从而将训练结束时的模型作为预测模型。
采用上述训练方式，为了充分利用数据，可以通过该预设网络模型为多个用户训练一个通用的预测模型，进而得到的预测模型可以实现对大多数用户的行为预测，即预测大多数用户在下一时刻的多个维度的用户信息。
其中，由于预测模型是对预设网络模型进行训练得到的，因此，预测模型也包括向量表示模块、特征提取模块及预测模块，其中，每个模块所能执行的任务与其在训练过程中所执行的任务相同。
由此，在得到预测模型后，便可以利用该预测模型预测用户在下一时刻的多个维度的用户信息，参照图3所示，示出了利用预测模型进行的一种用户信息预测方法的应用场景示例图，参照图4所示，示出了利用预测模型进行的一种用户信息预测方法的步骤流程图，结合图3，对本申请的用户信息预测方法的过程介绍如下，如图4所示，具体可以包括以下步骤：
步骤s401：获得当前用户终端的历史用户信息序列，所述历史用户信息序列包括多个历史时刻、以及所述当前用户终端在各个历史时刻的多个维度的用户信息。
本实施例中，在得到预测模型后，便可以利用预测模型对用户未来时刻的时空行为进行预测。其中，当前用户终端可以是指待预测的用户终端，例如，如图3中的用户王某的用户终端。
在需要对当前用户终端的用户的未来时刻的时空行为进行预测时，可以从数据库中获得当前用户终端的历史用户信息序列，该历史用户信息序列可以包括当前用户终端在历史过程中的多个历史时刻，和每个历史时刻该用户的多个维度的用户信息，例如，位置信息和行为信息。
示例地，以图3为例，可以将王某在当前时刻(26日9点)之前的25日15点所在的位置“王府井大夏”和所使用的客户端“美团-电影购买”的历史用户信息h，以及将王某在25日早上10点所在的位置“东方希望大厦”和所使用的客户端“美团外卖”的用户信息s，以及将24日的位置“城南小区”和所使用的客户端“淘宝”的用户信息w等，将这些用户信息h、s、w的信息序列通过网络发送到后台服务器预置的预测模型中。
步骤s402：将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息。
本实施例中，可以将历史用户信息序列输入到预测模型，从而可以得到预测模型输出的当前用户终端在下一时刻的多个维度的用户信息。如上所述，预测的下一时刻的多个维度的用户信息可以并不具体到特定的下一时刻，该下一时刻可以泛指未来还未到达的任一时刻。即，可以理解为是：预测当前时刻之后的未来一段时间的多个维度的用户信息。因此，利用该预测模型，可以预测出用户在未来一段时间内的时空行为。
示例地，以图3为例，将王某的用户信息h、s、w的信息序列输入到预测模型中后，便可以得到王某在当前时刻之后，即26日9点之后可能出现在“东方希望大厦”，可能会进行点击“美团外卖”进行外卖的行为。
采用本实施方式的用户信息预测方法，由于可以同时对多个维度的用户信息进行分析，得到多个维度之间的关联以更准确地刻画用户移动行为中复杂、多变的时空关联，从而可以同时进行多个维度的用户信息的预测，且对于预测出的每个维度的用户信息而言，例如，对于下一时刻的地理位置而言，其均参考了其他多个维度的用户历史信息(例如，用户行为、poi等信息)，从而加强了多个维度之间的关联，进而更加准确地预测出用户在未来时刻的一些行为信息，提高用户行为预测的准确性。
在其中一种示例中，所述多个维度的用户信息至少包括：地理位置和用户行为；其中，各个历史时刻的多个维度的用户信息至少包括在各个历史时刻的地理位置和在各个历史时刻的用户行为。当然，当前用户终端在下一时刻的多个维度的用户信息也至少包括：在下一时刻的地理位置和在下一时刻的用户行为。
则在将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息时，可以将当前用户终端在多个历史时刻所处的地理位置以及执行的用户行为，输入所述预测模型，得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为。
可以理解的是，当多个维度的用户信息至少包括地理位置和用户行为时，用于训练预测模型的历史用户信息序列样本中也包括地理位置和用户行为的用户信息。
其中，用户行为可以是与地理位置相关联的行为，即用户行为和地理位置是相互耦合的，该用户行为可以是指用户在地理位置处进行的活动，实际中可以通过用户使用客户端的行为数据获取。例如，用户使用美团客户端中的“美食外卖”，则用户的行为数据中可以包括点餐数据和餐品浏览数据，则可以将该用户行为确定为“外卖行为”，如用户使用美团客户端中的“酒店/民宿”访问了或交易了一些酒店，该用户的行为数据中可以包括入驻数据和酒店页面浏览数据，则用户行为可以是“住宿行为”。
当然，在又一种示例中，如图1所示，预设网络模型中还可以包括用于进行用户识别的用户信息预测分支，该分支可以预测输入到预设网络模型的历史用户信息序列与其他用户之间的相似程度，即在实际运用中，可以预测当前用户a是否与已知用户b相似。
则在该示例中，所述多个维度的用户信息还可以包括：用户标识。该用户标识可以是表征当前用户终端的用户的标识，则在将所述历史用户信息序列输入预测模型，除得到所述当前用户终端在下一时刻的多个维度的用户信息外，还可以得到与所述当前用户终端的用户标识匹配的目标样本用户标识，其中，目标样本用户标识为多个样本用户终端各自的用户标识中的一个。
采用此种方式时，可以动态地将当前一些新的用户终端的历史用户信息序列作为新的历史用户信息序列样本，继续训练预测模型，一方面，提高预测模型的准确度，另一方面，从预测模型便可以记录这些历史用户信息序列样本对应的用户终端，继而，在后续对待预测的用户终端进行预测时，可以预测待预测的用户终端与已记录的哪一用户终端较为相似。
示例地，仍以图3为例进行说明，假设当前用户终端的用户为王某，将王某输入到预测模型后，由用户id的用户信息预测分支输出的用户id为李某，则表示王某和李某的时空行为相近，可以表征二者是同一个人，也可以表征二者是有密切关联的两个人。采用此种方式，可以建立多个用户之间的时空行为联系，从而确定出关系较为密切的用户。
当然，由于本申请实施例可以准确预测用户在下一时刻的时空行为，则可以根据预测结果，为用户提供更加准确的个性化服务。如图3所示，也示出了在得到预测结果后，根据预测结果进行个性化服务的过程，例如，将东方希望大厦附近的美食信息推荐给王某。
相应地，在一种示例中，在得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为之后，还可以执行以下至少一个任务：
任务a：根据所述当前用户终端在下一时刻所处的地理位置，向所述当前用户终端发送与所述下一时刻所处的地理位置匹配的热点推荐信息。
本示例中，与下一时刻所处的地理位置匹配的热点推荐信息，可以根据预先设置的位置与热点数据集中获取，在该数据集中，一个位置可以对应一个或多个热点，实际中，可以将下一时刻的地理位置对应的所有热点的热点推荐信息均发送给当前用户终端。
例如，下一时刻的位置为成都武侯区，则对应有宽窄巷子、锦里、武侯祠、春熙路等热点，则可以将宽窄巷子、锦里、武侯祠、春熙路等热点信息均发送给当前用户终端。
其中，热点推荐信息可以是相应热点的名片信息、图文信息或视频信息。在此，对热点推荐信息的具体形式不作限定。
任务b：根据所述当前用户终端即将触发的用户行为，向所述当前用户终端发送与所述即将触发的用户行为匹配的服务信息，以使所述当前用户终端在相应的应用界面中显示所述服务信息。
本示例中，由于预测的多个维度的用户信息可以包括用户行为，因此，可以根据该用户行为，确定与该用户行为匹配的服务信息。具体地，可以预先设置用户行为与服务之间的匹配关系，则可以从匹配关系中，获得即将触发的用户行为相匹配的服务信息，进而将服务信息发送给当前用户终端，以在相应的应用界面中显示该服务信息。
其中，服务信息可以是包含相应服务的页面信息，相应的应用界面可以是指客户端中与该服务信息对应的应用模块所在的界面，这样，可以使得当前用户终端的客户端中进入到提供相应服务的页面，以便用户在页面中进行相应的行为。
示例地，假设即将触发的用户行为是住宿行为，该住宿行为对应的服务器是酒店/民宿服务，从而可以将酒店/民宿服务的服务信息，即酒店/民宿服务的页面数据发送给当前用户终端，从而当前用户终端可以在美团客户端中展示该页面数据，即进入到酒店/民宿服务的服务界面，以便用户在该界面中选择相应酒店。
任务c：根据所述当前用户终端在下一时刻所处的地理位置以及在各个历史时刻的地理位置，生成所述当前用户终端的行动轨迹，并将所述行动轨迹发送给所述当前用户终端。
本示例中，在预测出当前用户终端在下一时刻所处的地理位置后，可以获得该当前用户终端在各个历史时刻的地理位置，从而在预设的地图上，生成下一时刻所处的地理位置与各个历史时刻的地理位置之间的行动轨迹。具体地，该行动轨迹可以是行动路线图，即各个地理位置在地图上的路线图，进而将该行动路线图反馈给当前用户终端。如此，用户可以根据该行动路线图，确定从最后一个历史时刻的位置到下一时刻所处的地理位置的路线，从而根据该路线可以到达下一时刻的地理位置，以起到导航的作用。
采用本申请实施例的技术方案，可以根据预测出的用户在下一时刻的地理位置和用户行为，向用户发送相应的热度信息、服务信息和行动轨迹，从而方便用户在未来需要进行的时空行为，为用户未来的时空行为提供更加个性化的服务，以优化用户体验。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图5所示，示出了本申请实施例的一种用户信息预测装置的结构框图，如图5所示，所述装置具体可以包括以下模块：
第一信息获得模块501，可以用于获得当前用户终端的历史用户信息序列，所述历史用户信息序列包括多个历史时刻、以及所述当前用户终端在各个历史时刻的多个维度的用户信息；
第二信息获得模块502，可以用于将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息；
其中，所述预测模型包括向量表示模块、特征提取模块以及预测模块，所述预测模块包括多个维度的用户信息预测分支；所述预测模块中的各个分支的参数相互独立，且共享所述嵌入模块和所述特征提取模块的参数；
所述向量表示模块用于生成多个样本用户终端各自的历史用户信息序列对应的向量表示，所述特征提取模块用于对所述多个样本用户终端各自对应的向量表示进行特征提取，每个维度的用户信息预测分支用于根据所述特征提取模块提取的特征，从该维度预测所述多个样本用户终端各自在下一时刻的用户信息。
可选地，所述多个维度的用户信息至少包括：地理位置和用户行为；第二信息获得模块502，具体可以用于将所述当前用户终端在所述多个历史时刻所处的地理位置以及执行的用户行为，输入所述预测模型，得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为。
可选地，所述多个维度的用户信息还包括：用户标识；所述装置可以包括以下模块：
第三信息获得模块，用于得到与所述当前用户终端的用户标识匹配的目标样本用户标识，所述目标样本用户标识为所述多个样本用户终端各自的用户标识中的一个。
可选地，所述装置还可以包括训练模块，所述训练模块具体可以包括以下单元：
信息获得单元，用于获得多个样本用户终端各自的历史用户信息序列；
标注单元，用于对所述多个样本用户终端各自的历史用户信息序列进行标注，得到多个历史用户信息序列样本，其中，每个历史用户信息序列样本携一个样本用户终端在下一时刻的多个维度的用户信息标签；
预测单元，用于将所述多个历史用户信息序列样本输入至预设网络模型，得到所述预设网络模型输出的下一时刻的多个维度的预测用户信息；
损失计算单元，用于根据所述下一时刻的多个维度的预测用户信息以及相应的用户信息标签，分别确定多个维度各自对应的损失值；
联合损失计算单元，用于根据所述多个维度各自对应的损失值，确定联合损失值；
更新单元，用于根据所述联合损失值，对所述预设网络模型的模型参数进行迭代更新，直至满足训练结束条件，得到所述预测模型。
可选地，所述向量表示模块用于根据每个样本用户终端的历史用户信息序列，生成每个维度的密集向量表示，并将生成的多个维度的密集向量表示拼接为该样本用户终端对应的向量表示；
所述特征提取模块用于从所述多个样本用户终端各自对应的向量表示中，提取所述多个维度各自的上下文特征以及表征所述多个维度之间的关联性的特征。
可选地，所述装置还包括以下至少一个模块：
第一信息发送模块，用于根据所述当前用户终端在下一时刻所处的地理位置，向所述当前用户终端发送与所述下一时刻所处的地理位置匹配的热点推荐信息；
第二信息发送模块，用于根据所述当前用户终端即将触发的用户行为，向所述当前用户终端发送与所述即将触发的用户行为匹配的服务信息，以使所述当前用户终端在相应的应用界面中显示所述服务信息；
第三信息发送模块，用于根据所述当前用户终端在下一时刻所处的地理位置以及在各个历史时刻的地理位置，生成所述当前用户终端的行动轨迹，并将所述行动轨迹发送给所述当前用户终端。
需要说明的是，装置实施例与方法实施例相近，故描述的较为简单，相关之处参见方法实施例即可。
本申请实施例还提供了一种电子设备，该电子设备可以用于执行用户信息预测方法，可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器被配置为执行所述的用户信息预测方法。
本申请实施例还提供了一种计算机可读存储介质，其存储的计算机程序使得处理器执行如本申请实施例所述的用户信息预测方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种用户信息预测方法、装置、设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
1.一种用户信息预测方法，其特征在于，所述方法包括：
获得当前用户终端的历史用户信息序列，所述历史用户信息序列包括多个历史时刻、以及所述当前用户终端在各个历史时刻的多个维度的用户信息；
将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息；
其中，所述预测模型包括向量表示模块、特征提取模块及预测模块，所述预测模块包括多个维度的用户信息预测分支；所述预测模块中的各个分支的参数相互独立，且共享所述嵌入模块和所述特征提取模块的参数；
所述向量表示模块用于生成多个样本用户终端各自的历史用户信息序列对应的向量表示，所述特征提取模块用于对所述多个样本用户终端各自对应的向量表示进行特征提取，每个维度的用户信息预测分支用于根据所述特征提取模块提取的特征，从该维度预测所述多个样本用户终端各自在下一时刻的用户信息。
2.根据权利要求1所述的方法，其特征在于，所述多个维度的用户信息至少包括：地理位置和用户行为；
将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息，包括：
将所述当前用户终端在所述多个历史时刻所处的地理位置以及执行的用户行为，输入所述预测模型，得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为。
3.根据权利要求1或2所述的方法，其特征在于，所述多个维度的用户信息还包括：用户标识；将所述历史用户信息序列输入预测模型，除得到所述当前用户终端在下一时刻的多个维度的用户信息外，还包括：
得到与所述当前用户终端的用户标识匹配的目标样本用户标识，所述目标样本用户标识为所述多个样本用户终端各自的用户标识中的一个。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获得多个样本用户终端各自的历史用户信息序列；
对所述多个样本用户终端各自的历史用户信息序列进行标注，得到多个历史用户信息序列样本，其中，每个历史用户信息序列样本携一个样本用户终端在下一时刻的多个维度的用户信息标签；
将所述多个历史用户信息序列样本输入至预设网络模型，得到所述预设网络模型输出的下一时刻的多个维度的预测用户信息；
根据所述下一时刻的多个维度的预测用户信息以及相应的用户信息标签，分别确定多个维度各自对应的损失值；
根据所述多个维度各自对应的损失值，确定联合损失值；
根据所述联合损失值，对所述预设网络模型的模型参数进行迭代更新，直至满足训练结束条件，得到所述预测模型。
5.根据权利要求1所述的方法，其特征在于，所述向量表示模块用于根据每个样本用户终端的历史用户信息序列，生成每个维度的密集向量表示，并将生成的多个维度的密集向量表示拼接为该样本用户终端对应的向量表示；
所述特征提取模块用于从所述多个样本用户终端各自对应的向量表示中，提取所述多个维度各自的上下文特征以及表征所述多个维度之间的关联性的特征。
6.根据权利要求2所述的方法，其特征在于，在得到所述当前用户终端在下一时刻所处的地理位置以及即将触发的用户行为之后，所述方法还包括以下至少一者：
根据所述当前用户终端在下一时刻所处的地理位置，向所述当前用户终端发送与所述下一时刻所处的地理位置匹配的热点推荐信息；
根据所述当前用户终端即将触发的用户行为，向所述当前用户终端发送与所述即将触发的用户行为匹配的服务信息，以使所述当前用户终端在相应的应用界面中显示所述服务信息；
根据所述当前用户终端在下一时刻所处的地理位置以及在各个历史时刻的地理位置，生成所述当前用户终端的行动轨迹，并将所述行动轨迹发送给所述当前用户终端。
7.一种用户信息预测装置，其特征在于，所述装置包括：
第一信息获得模块，用于获得当前用户终端的历史用户信息序列，所述历史用户信息序列包括多个历史时刻、以及所述当前用户终端在各个历史时刻的多个维度的用户信息；
第二信息获得模块，用于将所述历史用户信息序列输入预测模型，得到所述当前用户终端在下一时刻的多个维度的用户信息；
其中，所述预测模型包括向量表示模块、特征提取模块以及预测模块，所述预测模块包括多个维度的用户信息预测分支；所述预测模块中的各个分支的参数相互独立，且共享所述嵌入模块和所述特征提取模块的参数；
所述向量表示模块用于生成多个样本用户终端各自的历史用户信息序列对应的向量表示，所述特征提取模块用于对所述多个样本用户终端各自对应的向量表示进行特征提取，每个维度的用户信息预测分支用于根据所述特征提取模块提取的特征，从该维度预测所述多个样本用户终端各自在下一时刻的用户信息。
8.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如权利要求1-6任一所述的用户信息预测方法。
9.一种计算机可读存储介质，其特征在于，其存储的计算机程序使得处理器执行如权利要求1-6任一所述的用户信息预测方法。
技术总结