一种用户消费行为识别方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，具体涉及一种用户消费行为识别方法、装置、电子设备及存储介质。

背景技术：

2.随着互联网技术的发展，各大平台都需要抓住具有消费能力的用户体，这就要充分了解用户的诉求，并进行精准的广告推送和内容投放。在统计分析领域中，用户属性识别是进行广告推送和内容投放的重要前提。
3.在现有技术中，用户属性识别只能分析用户选择性公开的或挖掘出的潜在用户属性的信息，即基于用户行为来分析消费行为，这样需要收集大量的用户行为数据作为样本数据，如用户的搜索、购买以及浏览记录等，或者基于用户自身的属性标签来分析消费行为，这样需要收集用户属性作为样本数据，如年龄、性别、身高等。
4.然而，现有技术中的用户消费属性分析均属于纯文本数据分析识别，样本数据单一且需要考虑存储数据的时效性和真实性，例如年龄、身高会随着时间发生变化，并且用户在信息填报时填入虚假信息。因此，根据已有的历史纯文本数据分析用户消费属性，往往与真实情况存在较大误差，存在精准度低的问题。

技术实现要素：

5.本发明的目的是针对上述现有技术的不足提出的一种用户消费行为识别方法、装置、电子设备及存储介质，该目的是通过以下技术方案实现的。
6.本发明的第一方面提出了一种用户消费行为识别方法，所述方法包括：
7.获取待分析用户的人脸图片；
8.将所述人脸图片输入已训练的预测模型，以由所述预测模型基于所述人脸图片预测待分析用户的消费倾向；
9.根据所述消费倾向分析待分析用户是否有消费行为。
10.在本技术的一些实施例中，所述根据所述消费倾向分析待分析用户是否有消费行为，包括：获取所述待分析用户的文本属性信息；对所述消费倾向和所述文本属性信息进行综合，并根据综合结果判定待分析用户是否有消费行为。
11.在本技术的一些实施例中，所述对所述消费倾向和所述文本属性信息进行综合，包括：获取消费倾向的第一权重系数和文本属性信息的第二权重系数；根据所述消费倾向、所述第一权重系数、所述文本属性信息和所述第二权重系数，获得综合结果。
12.在本技术的一些实施例中，所述根据综合结果判定待分析用户是否有消费行为，包括：如果所述综合结果大于预设阈值，则确定待分析用户有消费行为；如果所述综合结果小于预设阈值，则确定待分析用户没有消费行为。
13.在本技术的一些实施例中，所述获取待分析用户的人脸图片，包括：从用户数据库中获取新增用户拍摄的用户图片；对获取的用户图片进行裁剪与对齐处理；识别并抠取出
处理后的用户图片中的人脸区域，以作为待分析用户的人脸图片。
14.在本技术的一些实施例中，在根据所述消费倾向分析待分析用户是否有消费行为之后，所述方法还包括：获取消费行为分析结果为有消费行为且已经有交易订单的用户；基于每个所述用户的人脸图片识别每个所述用户的外貌特征；从每个所述用户的外貌特征中筛选出共同具有的第一共性特征。
15.在本技术的一些实施例中，在根据所述消费倾向分析待分析用户是否有消费行为之后，所述方法还包括：获取消费行为分析结果为无消费行为且无交易订单的用户；基于每个所述用户的人脸图片识别每个所述用户的外貌特征；从每个所述用户的外貌特征中筛选出共同具有的第二共性特征。
16.在本技术的一些实施例中，所述预测模型的训练过程包括：构建神经网络模型；获取已有用户的人脸图片，并查询每个用户是否有订单信息；为无订单信息的用户的人脸图片设置第一标签，为有订单信息的用户的人脸图片设置第二标签；基于设置有标签的人脸图片对神经网络模型进行训练，以得到预测模型。
17.在本技术的一些实施例中，所述方法还包括：获取消费行为分析结果为有消费行为且已经有交易订单的用户的人脸图片；为获取的每一人脸图片设置第二标签，并设置标签的人脸图片对所述预测模型进行二次训练。
18.本发明的第二方面提出了一种用户消费行为识别装置，所述装置包括：
19.图片获取模块，用于获取待分析用户的人脸图片；
20.模型预测模块，用于将所述人脸图片输入已训练的预测模型，以由所述预测模型基于所述人脸图片预测待分析用户的消费倾向；
21.消费倾向分析模块，用于根据所述消费倾向分析待分析用户是否有消费行为。
22.本发明的第三方面提出了一种电子设备，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，所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。
23.本发明的第四方面提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述方法的步骤。
24.基于上述第一方面和第二方面所述的用户消费行为识别方法及装置，本发明至少具有如下有益效果或优点：
25.考虑到用户在使用具有拍摄功能的app时，可以实时捕获到当前的人脸数据，这样的人脸数据更具有真实性，因此本发明将分析重心定位在用户拍摄的人脸图片上，通过深度学习预测模型分析人脸图片中的人脸特征与消费属性之间的隐含联系，并对用户是否存在消费行为进行预测，由于用户拍摄的人脸数据更具有真实性和时效性，因此基于人脸数据的消费行为预测结果，比通过纯文本数据(例如用户消费记录/个人属性等文本信息)得到的消费行为识别结果精准度高。
附图说明
26.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
27.图1为本发明根据一示例性实施例示出的一种用户消费行为识别方法的实施例流
程图；
28.图2为本发明根据图1所示实施例示出的一种消费行为判定流程示意图；
29.图3为本发明根据一示例性实施例示出的一种预测模型的训练流程示意图；
30.图4为本发明根据一示例性实施例示出的一种用户消费行为识别的具体流程示意图；
31.图5为本发明根据一示例性实施例示出的一种用户消费行为识别装置的结构示意图；
32.图6为本发明根据一示例性实施例示出的一种电子设备的硬件结构示意图图；
33.图7为本发明根据一示例性实施例示出的一种存储介质的结构示意图。
具体实施方式
34.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
35.在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
36.应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
37.现有技术中，对于用户消费行为分析，只关注文本方面的数据，而忽略了图像方面的有用信息，人脸作为最重要的生物特征，蕴含了大量的属性信息，例如性别、种族、年龄、表情、颜值等。
38.现有的人脸属性识别主要是针对人脸进行多任务的个人属性识别，如年龄估计、性别判别等多项任务的预测，这类多任务预测很难在单项识别方面达到很好的效果。而现有的单任务人脸属性识别算法大多只识别人脸浅层的可识别的特征，如胖瘦、单双眼皮等，但对于深层的潜在信息的识别，如消费属性，信息挖掘的并不完善。
39.另一方面，针对纯文本数据的用户消费行为分析，数据样本单一且需要考虑数据的时效性和真实性，这会使得最终的识别结果与真实情况存在误差，不利于进一步的推荐分析。
40.为解决上述技术问题，本发明提出一种改进的用户消费行为识别方法，即将已获取的待分析用户的人脸图片输入已训练的预测模型，由预测模型基于人脸图片的图像特征预测待分析用户的消费倾向，并根据该消费倾向分析获得待分析用户是否有消费行为。
41.基于上述描述，考虑到用户在使用具有拍摄功能的app时，可以实时捕获到当前的人脸数据，这样的人脸数据更具有真实性，因此本发明将分析重心定位在用户上传的人脸
数据，并通过深度学习预测模型分析人脸图片中的人脸特征与消费属性之间的隐含联系，对用户是否存在消费行为进行预测，由于人脸数据更具有真实性和时效性，因此基于人脸数据的用户消费行为识别结果，比通过纯文本数据(例如用户消费记录/个人属性等文本信息)得到的消费行为识别结果精准度高。
42.实施例一：
43.图1为本发明根据一示例性实施例示出的一种用户消费行为识别方法的实施例流程图，所述识别方法包括如下步骤：
44.步骤101：获取待分析用户的人脸图片。
45.在一些实施例中，可以从用户数据库中获取新增用户拍摄的用户图片，并对获取的用户图片进行裁剪与对齐处理，进而识别处理后的用户图片中的人脸区域，并从处理后的用户图片中抠取出人脸区域的图像，以作为待分析用户的人脸图片。
46.其中，用户数据库中记录有平台注册用户的基本信息，例如性别、年龄、职业、爱好、出生日期、以及实时拍摄的用于活体认证的用户图片，由于不同用户使用的终端设备不同，并且每人的拍摄手法也存在差异，而模型对于输入图片的尺寸也有要求，因此需要对用户图片进行裁剪与对齐处理，以获得尺寸相同不存在歪曲的用户图片，进一步再识别和抠取人脸区域，以获得去除背景信息的人脸图片，这样可以提升模型的预测精度。
47.可以理解的是，对于人脸区域的识别可以采用相关技术实现，例如采用常用的一些人脸识别算法便可实现图片中的人脸区域识别。
48.在一可选的例子中，可以预先设置定时任务，当触发定时任务时，可以从用户数据库中读取一次新增用户的用户图片，以用于处理和预测。
49.具体地，由于服务器在白天会一直处于忙碌状态，为了保证服务器响应速度，可以将定时任务设置在晚上，每天晚上触发一次定时任务，以便于分析当天新增用户的消费行为。
50.在另一可选的例子中，为了保证预测时效性，也可以实时监测用户数据库中是否有新增用户，如果有，则即刻触发新增用户的用户图片的读取，以及时用户处理和预测。
51.步骤102：将获取的人脸图片输入已训练的预测模型，以由预测模型基于所述人脸图片预测待分析用户的消费倾向。
52.其中，预测模型通过提取人脸图片的图像特征(即用户外貌特征)，并通过分析图像特征与消费属性之间的隐含联系，对用户的消费倾向进行预测。
53.可选的，预测模型预测得到的消费倾向可以包括有消费倾向的概率和无消费倾向的概率，当然也可以是单个有消费倾向的概率。
54.需要说明的是，有消费倾向的概率与无消费倾向的概率之和为1。
55.在步骤102中，针对预测模型的训练过程，可以参见下述实施例给出的具体描述，本发明在此暂不详述。
56.步骤103：根据该消费倾向分析待分析用户是否有消费行为。
57.在一可选的实施例中，当预测模型输出的是有消费倾向的概率时，可以直接将该概率与预设阈值进行比较，如果大于预设阈值，则确定待分析用户有消费行为，如果小于预设阈值，则确定待分析用户无消费行为。
58.进一步地，可以将消费行为的具体判定结果对应用户存储至用户数据库中，以便
于后续根据判定结果进行分析推荐。
59.在另一可选的实施例中，也可以将该消费倾向作为初步分析结果，在此基础上，再结合用户的其他属性信息(例如性别、年龄等)判定用户的消费行为，具体的结合判定过程可以参见下述实施例的详细介绍，本发明在此暂不详述。
60.需要说明的是，为了获得一些深层次的、更有价值的结论，可以对预测的消费行为进行汇总和对比分析。具体的汇总和分析过程可以为：获取消费行为分析结果为有消费行为且已经有交易订单的用户，并基于每个用户的人脸图片识别每个用户的外貌特征，进而从每个用户的外貌特征中筛选出共同具有的第一共性特征作为消费属性信息。
61.其中，外貌特征可以包括性别、年龄、五官特征、肤、皮肤状态等特征。最终筛选出的第一共性特征作为更有意义和价值的分析结论，可以用于表征具有此种特征的用户通常会有下单消费的意向，例如，在医美领域，单眼皮的用户通常更倾向选择割双眼皮手术项目，在服装领域，皮肤状态良好的女性更倾向于购买颜绚丽的衣服。
62.可选的，针对从每个用户的外貌特征中筛选出共同具有的第一共性特征的过程，可以通过统计外貌特征中每种相同特征的用户比例，并将用户比例超过一定阈值的特征作为这些用户共同具有的第一共性特征。
63.基于上述同样的汇总分析原理，还可以获取消费行为分析结果为无消费行为且无交易订单的用户，并基于每个用户的人脸图片识别每个用户的外貌特征，进而从每个用户的外貌特征中筛选出共同具有的第二共性特征，该第二共性特征可以用于表征具有此种特征的用户对当前线上的商品没有下单消费的意向，从而为线上商品的更新提供了借鉴价值。
64.可以理解的是，对于人脸图片的外貌特征识别可以采用相关技术实现，本发明对此不进行具体限定。
65.至此，完成上述图1所示的识别流程，本发明将分析重心定位在用户拍摄的人脸图片上，并通过深度学习预测模型分析人脸图片中的人脸特征与消费属性之间的隐含联系，对用户是否存在消费行为进行预测，由于人脸数据更具有真实性和时效性，因此基于人脸数据的用户消费行为识别结果，比通过纯文本数据(例如用户消费记录/个人属性等文本信息)得到的消费行为识别结果精准度高。
66.实施例二：
67.图2为本发明根据图1所示实施例示出的一种消费倾向判定流程示意图，在上述图1所示实施例的基础上，上述步骤103中的消费倾向判定流程具体包括如下步骤：
68.步骤1031：获取待分析用户的文本属性信息。
69.可选的，可以从用户数据库中获取用户的文本属性信息，例如性别、年龄等。
70.步骤1032：对文本属性信息和预测模型输出的消费倾向进行综合。
71.在一可选的实施例中，可以获取消费倾向的第一权重系数和文本属性信息的第二权重系数，并根据消费倾向、第一权重系数、文本属性信息和第二权重系数，获得综合结果。
72.其中，可以预先设置模型预测结果的第一权重系数，以及文本属性信息的第二权重系数，同时还需要预先设置文本属性信息对应的有消费行为的概率。
73.在具体实施时，综合结果的计算公式如下所示：
74.综合结果＝消费倾向
×
第一权重系数+文本属性信息
×
第二权重系数
inverted bottleneck convolution，mbconv)模块、2个卷积层，1个全局平均池化层和1个分类层。其中，mbconv模块引入了压缩与激发网络(squeeze-and-excitation network，senet)的注意力机制。
95.需要说明的是，在执行上述图1和图2所示的模型应用过程中，还可以获取消费行为分析结果为有消费行为且已经有交易订单的用户的人脸图片，并为获取的每一人脸图片设置第二标签，并设置标签的人脸图片对预测模型进行二次训练，以此来提升预测模型的预测精确度。
96.至此，完成上述图3所示的模型训练流程。
97.实施例四：
98.图4为本发明根据一示例性实施例示出的一种用户消费行为识别的具体流程示意图，综合上述图1至图2所示实施例的基础上，用户消费行为识别的具体流程包括如下步骤：
99.步骤401：从用户数据库中获取新增用户拍摄的用户图片。
100.步骤402：将获取的人脸图片输入已训练的预测模型，以由预测模型基于所述人脸图片预测待分析用户的消费倾向。
101.步骤403：获取待分析用户的文本属性信息。
102.步骤404：对文本属性信息和消费倾向进行综合。
103.步骤405：根据综合结果判定待分析用户是否有消费行为。
104.针对上述步骤401至步骤405的具体实现，可以参见上述实施例中的相关描述，本发明在此不再赘述。
105.至此，完成上述图4所示的识别流程，通过获取用户拍摄的人脸图片输入到深度学习预测模型，以由预测模型分析人脸图片中的人脸特征与消费属性之间的隐含联系，对用户的消费行为进行预测，由于用户拍摄的人脸数据更具有真实性和时效性，因此基于人脸数据的消费行为预测结果，比通过纯文本数据(例如用户消费记录/个人属性等文本信息)得到的识别结果精准度高。进一步地，通过将模型预测得到的消费倾向作为初步分析结果，并将消费倾向与用户的文本属性信息(例如性别、年龄等)进行融合，进一步对用户的消费行为进行判定，以实现更高准确率的消费行为识别。
106.与前述用户消费行为识别方法的实施例相对应，本发明还提供了用户消费行为识别装置的实施例。
107.图5为本发明根据一示例性实施例示出的一种用户消费行为识别装置的实施例流程图，该装置用于执行上述任一实施例提供的用户消费行为识别方法，如图5所示，该用户消费行为识别装置包括：
108.图片获取模块510，用于获取待分析用户的人脸图片；
109.模型预测模块520，用于将所述人脸图片输入已训练的预测模型，以由所述预测模型基于所述人脸图片预测待分析用户的消费倾向；
110.消费倾向分析模块530，用于根据所述消费倾向分析待分析用户是否有消费行为。
111.上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
112.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件
说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
113.本发明实施方式还提供一种与前述实施方式所提供的用户消费行为识别方法对应的电子设备，以执行上述用户消费行为识别方法。
114.图6为本发明根据一示例性实施例示出的一种电子设备的硬件结构图，该电子设备包括：通信接口601、处理器602、存储器603和总线604；其中，通信接口601、处理器602和存储器603通过总线604完成相互间的通信。处理器602通过读取并执行存储器603中与用户消费行为识别方法的控制逻辑对应的机器可执行指令，可执行上文描述的用户消费行为识别方法，该方法的具体内容参见上述实施例，此处不再累述。
115.本发明中提到的存储器603可以是任何电子、磁性、光学或其它物理存储装置，可以包含存储信息，如可执行指令、数据等等。具体地，存储器603可以是ram(random access memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。通过至少一个通信接口601(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
116.总线604可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器603用于存储程序，所述处理器602在接收到执行指令后，执行所述程序。
117.处理器602可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
118.本技术实施例提供的电子设备与本技术实施例提供的用户消费行为识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
119.本技术实施方式还提供一种与前述实施方式所提供的用户消费行为识别方法对应的计算机可读存储介质，请参考图7所示，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的用户消费行为识别方法。
120.需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
121.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的用户消费行为识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
122.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
123.还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
124.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

技术特征：

1.一种用户消费行为识别方法，其特征在于，所述方法包括：获取待分析用户的人脸图片；将所述人脸图片输入已训练的预测模型，以由所述预测模型基于所述人脸图片预测待分析用户的消费倾向；根据所述消费倾向分析待分析用户是否有消费行为。2.根据权利要求1所述的方法，其特征在于，所述根据所述消费倾向分析待分析用户是否有消费行为，包括：获取所述待分析用户的文本属性信息；对所述消费倾向和所述文本属性信息进行综合，并根据综合结果判定待分析用户是否有消费行为。3.根据权利要求2所述的方法，其特征在于，所述对所述消费倾向和所述文本属性信息进行综合，包括：获取消费倾向的第一权重系数和文本属性信息的第二权重系数；根据所述消费倾向、所述第一权重系数、所述文本属性信息和所述第二权重系数，获得综合结果。4.根据权利要求2所述的方法，其特征在于，所述根据综合结果判定待分析用户是否有消费行为，包括：如果所述综合结果大于预设阈值，则确定待分析用户有消费行为；如果所述综合结果小于预设阈值，则确定待分析用户没有消费行为。5.根据权利要求1所述的方法，其特征在于，所述获取待分析用户的人脸图片，包括：从用户数据库中获取新增用户拍摄的用户图片；对获取的用户图片进行裁剪与对齐处理；识别并抠取出处理后的用户图片中的人脸区域，以作为待分析用户的人脸图片。6.根据权利要求1所述的方法，其特征在于，在根据所述消费倾向分析待分析用户是否有消费行为之后，所述方法还包括：获取消费行为分析结果为有消费行为且已经有交易订单的用户；基于每个所述用户的人脸图片识别每个所述用户的外貌特征；从每个所述用户的外貌特征中筛选出共同具有的第一共性特征作为消费属性信息。7.根据权利要求1所述的方法，其特征在于，在根据所述消费倾向分析待分析用户是否有消费行为之后，所述方法还包括：获取消费行为分析结果为无消费行为且无交易订单的用户；基于每个所述用户的人脸图片识别每个所述用户的外貌特征；从每个所述用户的外貌特征中筛选出共同具有的第二共性特征。8.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程包括：构建神经网络模型；获取已有用户的人脸图片，并查询每个用户是否有订单信息；为无订单信息的用户的人脸图片设置第一标签，为有订单信息的用户的人脸图片设置第二标签；基于设置有标签的人脸图片对神经网络模型进行训练，以得到预测模型。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：获取消费行为分析结果为有消费行为且已经有交易订单的用户的人脸图片；为获取的每一人脸图片设置第二标签，并设置标签的人脸图片对所述预测模型进行二次训练。10.一种用户消费行为识别装置，其特征在于，所述装置包括：图片获取模块，用于获取待分析用户的人脸图片；模型预测模块，用于将所述人脸图片输入已训练的预测模型，以由所述预测模型基于所述人脸图片预测待分析用户的消费倾向；消费倾向分析模块，用于根据所述消费属性信息分析待分析用户是否有消费行为。11.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-9任一项所述方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9任一项所述方法的步骤。

技术总结

本发明公开了一种用户消费行为识别方法、装置、电子设备及存储介质，方法包括：取待分析用户的人脸图片；将所述人脸图片输入已训练的预测模型，以由所述预测模型基于所述人脸图片预测待分析用户的消费倾向；根据所述消费倾向分析待分析用户是否有消费行为。本发明将分析重心定位在用户拍摄的人脸图片上，通过深度学习预测模型分析人脸图片中的人脸特征与消费属性之间的隐含联系，并对用户是否存在消费行为进行预测，由于用户拍摄的人脸数据更具有真实性和时效性，因此基于人脸数据的消费行为预测结果，比通过纯文本数据(例如用户消费记录/个人属性等文本信息)得到的消费行为识别结果精准度高。精准度高。精准度高。