CN104423945A - 一种信息处理方法及电子设备 - Google Patents

Abstract

本发明涉及人工智能领域，公开了一种信息处理方法及电子设备，以解决现有技术中所获得的用户特征不够完善的技术问题，该方法应用于第一电子设备中，包括：检测获得第一用户的M个行为数据，Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征第一用户针对第一显示界面中的至少一个对象进行过的M个操作的数据；调用行为模型分析模块；将Ｍ个行为数据输入至行为模型分析模块，以使得行为模型分析模块对M个行为数据进行分析处理，产生一处理结果；获得处理结果，根据处理结果确定第一用户的第一特征信息所对应的第一特征值；其中，第一特征信息为用于表征第一用户的身份，生理特征和/或兴趣爱好的信息。

Description

一种信息处理方法及电子设备

技术领域

本发明涉及人工智能领域，特别涉及一种信息处理方法及电子设备。

背景技术

随着电子技术的快速发展，各种电子设备的功能也越来越丰富，越来越人性化，令用户在使用电子设备的过程中拥有了更好的体验度。就拿手机来说，现在的智能手机，可以说已经改进成了一个小型的电脑了，不仅具有强大的存储空间，可以安装各种软件，而各种手机功能也做得越来越精细与人性。

用户可以通过电子设备实现各种功能，比如：浏览网页、下载软件、播放视频等等，而有些服务器为了能够给用户提供一些更加精确的服务，比如：向用户推荐感兴趣的网页、感兴趣的视频等等，就需要了解用户的特征信息，比如：性别、年龄、收入水平、教育水平等等。现有技术中，通过需要向用户提供一调查页面，供用户输入相关特征信息。

本发明申请人发现现有技术中至少存在以下技术问题：

由于现有技术中，需要通过向用户提供调查页面、进而接收到用户输入的相关特征信息的技术方案，才能获得用户的特征信息，但是通常情况下，很多用户并不愿意填写调查页面，故而导致现有技术中存在着所获取的用户的特征信息不够完善的技术问题；并且，用户填写调查页面时，也会泄露个人的隐私信息，不安全。

发明内容

本发明实施例提供一种信息处理方法及电子设备，用于解决现有技术中所获取的用户的特征信息不够完善的技术问题。

根据本发明的第一方面，提供一种信息处理方法，应用于第一电子设备中，所述方法包括：检测获得第一用户的M个行为数据，所述Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征所述第一用户针对所述第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；调用一行为模型分析模块；将所述Ｍ个行为数据输入至所述行为模型分析模块，以使得所述行为模型分析模块对所述M个行为数据进行分析处理，产生一处理结果；获得所述处理结果；根据所述处理结果确定所述第一用户的第一特征信息所对应的第一特征值；其中，所述第一特征信息为用于表征所述第一用户的身份，生理特征和/或兴趣爱好的信息。

结合第一方面，在第一种可能的实现方式中，所述行为模式分析模块，具体为：运行有预先设定的K个分析规则的分析模块，K为正整数。

结合第一方面的第一种可能的实现方式中，在第二种可能的实现方式中，所述K个分析规则，具体为：基于N个用户的L个行为数据以及与所述L个行为数据对应的至少一个特征信息进行至少一种模式识别确定出的分析规则，L为大于等于N的正整数。

结合第一方面的第二种可能的实现方式中，在第三种可能的实现方式中，所述至少一种模式识别方式具体为：贝叶斯网络算法、多层感知机算法或决策树算法中的至少一种方式。

结合第一方面的第二种可能的实现方式中，在第四种可能的实现方式中，在所述调用一行为模型分析模块之前，所述方法还包括：基于一筛选规则对所述L个行为数据进行筛选，以获得准确度值大于第一值的所述K个分析规则。

结合第一方面，在第五种可能的实现方式中，所述M个行为数据，具体为：下载行为数据、安装行为数据、卸载行为数据、使用行为数据中的至少一种行为数据。

结合第一方面，在第六种可能的实现方式中，所述检测获得第一用户的M个行为数据，具体为：检测获得所述第一用户在一预设时间段内的至少一个行为数据作为所述M个行为数据；或检测获得所述第一用户的一预设数量的行为数据作为所述M个行为数据。

根据本发明的第二方面，提供一种电子设备，包括：检测模块，用于检测获得第一用户的M个行为数据，所述Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征所述第一用户针对所述第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；调用模块，用于调用一行为模型分析模块；输入模块，用于将所述Ｍ个行为数据输入至所述行为模型分析模块，以使得所述行为模型分析模块对所述M个行为数据进行分析处理，产生一处理结果；获得模块，用于获得所述处理结果；确定模块，用于根据所述处理结果确定所述第一用户的第一特征信息所对应的第一特征值；其中，所述第一特征信息为用于表征所述第一用户的身份，生理特征和/或兴趣爱好的信息。

结合第二方面，在第一种可能的实现方式中，所述行为模式分析模块，具体为：运行有预先设定的K个分析规则的分析模块，K为正整数。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述K个分析规则，具体为：基于N个用户的L个行为数据以及与所述L个行为数据对应的至少一个特征信息进行至少一种模式识别确定出的分析规则，L为大于等于N的正整数。

结合第二方面的第二种可能的实现方式，在第三种可能的实现方式中，所述至少一种模式识别方式具体为：贝叶斯网络算法、多层感知机算法或决策树算法中的至少一种方式。

结合第二方面的第二种可能的实现方式，在第四种可能的实现方式中，所述电子设备还包括：筛选模块，用于在调用一行为模型分析模块之前，基于一筛选规则对所述L个行为数据进行筛选，以获得准确度值大于第一值的所述K个分析规则。

结合第二方面，在第五种可能的实现方式中，所述M个行为数据，具体为：下载行为数据、安装行为数据、卸载行为数据、使用行为数据中的至少一种行为数据。

结合第二方面，在第六种可能的实现方式中，所述检测模块，具体用于：检测获得所述第一用户在一预设时间段内的至少一个行为数据作为所述M个行为数据；或检测获得所述第一用户的一预设数量的行为数据作为所述M个行为数据。

本发明有益效果如下：

由于在本发明实施例中，可以检测获得第一用户的M个行为数据，Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征第一用户针对第一显示界面中的至少一个对象进行过的M个操作的数据，然后通过对这M个行为数据进行分析，进而确定出第一用户的第一特征信息所对应的第一特征值，其中，第一特征信息为用于表征第一用户的身份，生理特征和/或兴趣爱好的信息，也即是说直接基于用户的M个行为数据确定出第一用户的第一特征信息所对应的第一特征值，而不要依赖于用户的输入操作，故而达到了所获得用户的特征信息更加完善的技术效果；并且，由于不依赖用户的输入操作，不会导致用户的隐私泄露，具有安全性更高的技术效果。

附图说明

图1为本发明实施例信息处理方法的流程图；

图2为本发明实施例信息处理方法中获得行为模型的示意图；

图3为本发明实施例信息处理方法中多层感知机算法的示意图；

图4a为本发明实施例信息处理方法中不同算法单独工作时的分类效果图；

图4b为本发明实施例信息处理方法中集成多个算法的分类效果图；

图5为本发明实施例中电子设备的结构图。

具体实施方式

本发明实施例提供一种信息处理方法及电子设备，用于解决现有技术中所获取的用户的特征信息不够完善的技术问题。

本发明实施例中的技术方案为解决上述的技术问题，总体思路如下：

提供一种信息处理方法，应用于第一电子设备中，方法包括：检测获得第一用户的M个行为数据，Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征第一用户针对第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；调用一行为模型分析模块；将Ｍ个行为数据输入至行为模型分析模块，以使得行为模型分析模块对M个行为数据进行分析处理，产生一处理结果；获得处理结果；根据处理结果确定第一用户的第一特征信息所对应的第一特征值；其中，第一特征信息为用于表征第一用户的身份，生理特征和/或兴趣爱好的信息。

由于在上述方案中，直接基于用户的M个行为数据确定出第一用户的第一特征信息所对应的第一特征值，而不要依赖于用户的输入操作，故而达到了所获得用户的特征信息更加完善的技术效果；并且，由于不依赖用户的输入操作，不会导致用户的隐私泄露，具有安全性更高的技术效果。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

一方面，本发明实施例提供一种信息处理方法，应用于第一电子设备中，第一电子设备例如为：手机、平板电脑、笔记本电脑等等。

请参考图1，信息处理方法包括以下步骤：

步骤S101：检测获得第一用户的M个行为数据，Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征第一用户针对第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；

步骤S102：调用一行为模型分析模块；

步骤S103：将Ｍ个行为数据输入至行为模型分析模块，以使得行为模型分析模块对M个行为数据进行分析处理，产生一处理结果；

步骤S104：获得处理结果；

步骤S105：根据处理结果确定第一用户的第一特征信息所对应的第一特征值；其中，第一特征信息为用于表征第一用户的身份，生理特征和/或兴趣爱好的信息。

其中，步骤S101中，第二电子设备可以与第一电子设备为相同的电子设备，例如：通过第二电子设备采集了M个行为数据之后，直接在第二电子设备上对M个行为数据进行分析；第二电子设备也可以与第一电子设备为不同的电子设备，例如：在第二电子设备上采集M个行为数据之后，将M个行为数据上传至服务器进行分析，那么第一电子设备则为服务器等等，对此本发明实施例不作限制。

在具体实施过程中，第一应用程序可以多种应用程序，比如：网络浏览器，至少一个对象例如为网页内容链接，比如：娱乐，健康，体育，汽车等；也可以为下载链接，比如：校园小说下载链接，军事小说下载链接等。

在具体实施过程中，M个操作可以多种操作，例如：浏览操作、下载操作、复制操作等等，M个行为数据具体为：具体为：下载行为数据、安装行为数据、卸载行为数据、使用行为数据中的至少一种行为数据。

其中，步骤S101中，可以通过多种方式检测获得M个行为数据，下面介绍其中的两种获取方式，当然，在具体实施过程中，不限于以下两种方式。

第一种，检测获得第一用户的M个行为数据，具体为：检测获得第一用户在一预设时间段内的至少一个行为数据作为M个行为数据。

在具体实施过程中，预设时间段可以为任意时间段，比如：1天、1个月、半年等等，对此本发明实施例不作限制。

第二种，检测获得第一用户的M个行为数据，具体为：检测获得第一用户的一预设数量的行为数据作为M个行为数据。

在具体实施过程中，可以在电子设备内设置一计时器，用于统计电子设备所记录的第一用户的行为数据的数量，在达到预设数量时，则确定其为M个行为数据。

其中，步骤S102中，行为模式分析模块，具体为：运行有预先设定的K个分析规则的分析模块，K为正整数。

在具体实施过程中，K个分析规则，具体为：

基于N个用户的L个行为数据以及与L个行为数据对应的至少一个特征信息进行至少一种模式识别确定出的分析规则。

作为进一步的优选实施例，请参考图2，可以通过以下方式确定K个分析规则：

步骤S201：获取N个初始用户的L个初始行为数据和至少一个特征信息所对应的至少一个初始值；

步骤S202：对L个初始行为数据和至少一个特征信息所对应的至少一个初始值进行至少一种模式识别，进而基于初始行为数据确定出用户的多种关注内容，以及确定至少一个初始值中多种关注内容中不同种关注内容的分布规律；

步骤S203：基于分布规律建立分析规则。

其中，步骤S201中，如果至少一个特征信息为用户的生理特征信息中的性别信息，那么至少一个初始值则为：男、女两个初始值；

如果至少一个特征信息为用户的生理特征信息中的年龄信息，那么至少一个初始值就可以对应多个年龄值，比如：二十五到二十六岁、二十七到三十一岁、三十二岁到三十三岁、三十四到三十六岁、四十二到五十六岁、小于二十一岁、五十七岁以上等等；

假设至少一个特征信息为用户的身份信息中的收入信息，那么至少一个初始值就可以对应多个收入值，比如：年薪7万-15万、年薪30万以上、年薪15万-30万、年薪3万以下、年薪3万-7万等等；

假设至少一个特征信息为用户的身份信息中的教育水平信息，那么至少一个初始值就可以对应多个学历，比如：小学初中、高中、大专技校、大学本科、研究生以上等等。

其中，步骤S202中，至少一种模式识别方式具体为：贝叶斯网络算法、多层感知机算法或决策树算法中的至少一种方式，下面将对这三种算法分别进行介绍。当然，在具体实施过程中，至少一种模式识别方式不限于这三种算法。

①模式识别具体为：贝叶斯网络算法。

贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG)。DAG中每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。

②模式识别具体为：多层感知机算法。

如图3所示，多层感知机是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元（或称处理单元）。

③模式识别具体为：决策树算法。

决策树是一种树的结构。模型中包含一系列的规则，按照某个相关的特定目标变量，将大量包含不同种类的总体分割为小的、更加相似的群组。

作为进一步的优选实施例，可以通过集成多种模式识别算法来对初始行为数据和初始值进行模式识别，比如:ensemble算法，ensemble技术是归类在分类中的。它的主要原理是通过集成多个分类器的效果来达到提高分类效果的目的。

如图4a所示，为不同算法单独工作时的分类效果图，而图4b则为集成多个算法的分类效果示意图，可以看到集成分类器的分类曲线明显会平滑的多。

进而基于步骤S202的模式识别，就可以确定出至少一个初始值中用户的关注内容的分布规律，其中关注内容可以为任意关注内容，例如：

系统：任务管理大师，企业邮箱，手机优化大师，UC浏览器，安全卫士，电池管家，桌面壁纸

生活：房贷计算器，药品指南，公交地铁查询，新闻，厨房美食，手电筒，指南针

娱乐休闲：懒洋洋大冒险，水果总动员，猜数字，推箱子，连连看，智能拼图

体育竞技：足球比分直播，NBA直播，世界杯导航，体坛周报，新浪体育

母婴育儿：儿童涂鸦，寓教于乐，唐诗三百首，生男生女，儿童拼图，儿童点歌机

游戏：星际之战，是男人就下100层，帝国，双龙传，灵魂传说

餐饮：大众点评网，烹饪天堂，家常菜谱，舌尖上的中国，麦当劳优惠券

美容：快乐减肥，美妆达人，化妆宝典，美容餐，服饰搭配大全，美丽论坛

基金炒股：和讯股市，金太阳手机证券，同花顺，投资堂，易阳指

多媒体播放：手机电视，土豆高清，音乐在线，优酷，天天动听，高清电视剧

旅游：一起游吧，去哪旅游搜索，走遍韩国，出行早知道，旅行天下，自游宝

健身养生：健身饮食金字塔，长寿秘诀，常见病自我诊断，糖尿病助手，健康决策树

宗教信仰：诵经堂佛说，供佛，观音灵签，宗教趣闻，佛语经典

摄影：Camera360，街拍，图秀，全景相机，美女自拍，时尚街拍

就业招聘：标准C函数库，通信工程师考试，Java面试宝典，公务员常识，会计职称考试

留学升学：高考直通车，思考问题的方法，CET词汇，雅思词汇，考研周计划，大学物理公式

阅读：云中书城，掌上书苑，南方周末，厚黑36计，百科全说，开卷有益，91熊猫看书

时尚：时尚杂志，世界顶级名表，10大奢侈品牌，发型小店，时尚搭配，时尚先生

聊天交友：校园短信盒子，短信秘使，QQ，街旁网，微博，他社区

购物：淘宝打折精选，购物助手，每日团购信息，支付宝，旗舰店，天天特价

下面将分别基于至少一个特征信息为性别信息、年龄信息为例，分别对其进行介绍。

如表1所示，为关注内容与性别中的至少一个初始值对应的分布规律示意图：

表1

title	男	女	比例
				阅读	7834	6118	1.28048
生活	25179	23030	1.09331
				游戏	34872	35388	0.98542
系统	44305	36477	1.2146
				升学	1009	1887	0.53471
娱乐	35680	70473	0.50629
				摄影	252	611	0.41244
交友	41766	40541	1.03022
				体育	1053	251	4.19522
购物	6103	4050	1.50691
				健身	159	370	0.42973
媒体	24141	21639	1.11563
				就业	64	39	1.64103
育儿	420	2583	0.1626
				餐饮	249	259	0.96139
旅游	299	633	0.47235
				时尚	166	103	1.61165
宗教	14	10	1.4
				炒股	2413	3032	0.79584

美容

1

176

0.00568

如表2所示，为关注内容与年龄信息中的至少一个初始值对应的分布规律示意图：

表2

进一步的，还可以将上述表1和表2的分布规律示意图转换为喜好程度与性别或年龄信息中的至少一个初始值的分布规律示意图，以表2为例，将表2中的每一个数据除以其对应的年龄段的总人数，就可以得到喜好程度或年龄信息中的至少一个初始值的分布规律示意图，其中小于二十一岁：6654人；二十二到二十四岁：29713人；二十五到二十六岁：40954人；二十七到三十一岁：79184人；三十二到三十三岁：9170人；三十四到三十六岁：14932人；三十七到四十一岁：3592人；四十二到五十六岁：3831人；五十七岁以上：157人，进而得出表3的分布规律示意图：

表3

进而在基于步骤S202确定出至少一个初始值中N个初始行为数据的分布规律之后，就可以基于步骤S203建立分析规则。作为进一步的优选实施例，在基于N个行为数据以及与N个行为数据对应的至少一个特征信息建立K个分析规则之前，为了保障所建议的K个分析规则更加准确，可以首先通过一筛选规则对这N个行为数据进行筛选，以获得准确度值大于第一值的K个分析规则，其中第一值指的是如果没有对这N个行为数据进行筛选所确定的K个分析规则的准确率。

在具体实施过程中，可以通过多种规则对这N个行为数据进行筛选，下面介绍其中的两种规则，当然在具体实施过程中，不限于以下两种规则。

第一种，N个行为数据会对应不同的用户，并且通常情况下，每个用户可以对应多个行为数据，而如果用户对应的行为数据太少的话，可能会导致采集过少进而不够准确，故而在这种情况下，可以对每个用户的行为数据的采样率进行分析，进而去除掉采用率小于预设量的用户所对应的行为数据，预设量可以为任意值，比如：15、20、30等等，对此本发明实施例不作限制。

第二种，因为所采集的N个用户的行为数据中的有些特征信息所对应的特征值可能不够准确，故而可以通过多个验证平台对这L个行为数据中的每个行为所对应的特征信息的特征值进行验证，去除掉不准确的行为数据，进而获得准确率更高的K个分析规则。

在具体实施过程中，步骤S103中，具体可以通过如下方式对M个行为数据进行分析处理：确定M个行为数据所对应的第一用户的对关注内容的第一偏好程度；通过偏好程度获得处理结果。

以第一特征信息为年龄信息为例，么可以首先基于如下公式确定第一用户对第一类关注内容的偏好程度：

$\mathrm{pref}=\sqrt{\frac{f-f_{\min }}{f_{\max }-f_{\min }}\·\frac{t-t_{\min }}{t_{\max }-t_{\min }}}---\left[1\right]$

其中，pref代表对第一类关注内容的偏好程度；

f代表第一用户在预设时间段内对第一类关注内容所对应的第一类应用打开的次数；

f_min代表实验资料中用户对第一类应用打开的最小次数；

f_max代表实验资料中用户对第一类应用打开的最大次数；

t代表第一用户在预设时间段内在第一类应用停留的时间；

f_min代表实验资料中用户在第一类应用停留的最小时间；

f_max代表实验资料中用户在第一类应用停留的最大时间。

在通过上述方式确定出第一用户对每一类关注内容的偏好程度之后，可以取前面的3～5类来表征第一用户的第一偏好程度。

进而可以通过第一偏好程度获得处理结果，处理结果可以为多种处理结果，例如：直接为第一偏好程度本身、又或者为第一用户的第一特征信息等等，对此本发明实施例不作限制。在具体实施过程中，可以通过步骤S202中确定出的至少一个初始值中用户的关注内容的分布规律，来确定第一特征信息，例如：如果第一用户对娱乐的偏好程度较高，那么其性别可能为：女；又例如：如果第一用户对体育的偏好程度较高，那么其性别可能为：男等等，对此本发明实施例不作限制。

在具体实施过程中，步骤S105中，第一特征信息可以为多种信息，下面将列举其中的三种进行介绍。

第一种，第一特征信息为用于表征第一用户的身份的信息，例如：表征第一用户的职业的信息，职业可以对应多种初始值，例如为：学生、工人、农民、普通职工、中层管理者、领导等等；或者表征第一用户的教育水平的信息、或表征第一用户的收入水平的信息等等，对此本发明实施例不再详细列举并且不作限制。

第二种，第一特征信息为用于表征第一用户的生理特征的信息，生理特征例如为：年龄、性别、性格等等。

第三种，第一特征信息为用于表征第一用户的兴趣爱好的信息，兴趣爱好例如为：游戏、小说、旅游等等。

在具体实施过程中，可以通过多种方式确定第一特征信息，下面介绍其中的两种确定方式，当然，在具体实施过程中，不限于以下两种情况。

第一种，如果处理结果为第一特征信息，那么直接将处理结果作为第一特征信息。

第二种，如果处理结果表征用户的第一偏好程度，那么可以通过偏好程度确定第一特征信息，例如：如果第一偏好程度中娱乐、摄影、健身为第一用户的前三项偏好，那么确定第一用户的第一特征信息中的兴趣爱好为：娱乐、摄影、健身等等，进一步的，从表1的关注内容与性别中的至少一个初始值对应的分布规律示意图可以看出，兴趣爱好为这三种，女性概率比较高，故而确定第一用户的第一特征信息中的性别为女等等，对于通过何种方式确定第一特征信息，本发明实施例不作限制。

作为进一步的，在基于步骤S105确定出第一用户的第一特征信息之后，就可以基于第一特征信息给第一用户推荐相关内容，例如：如果第一用户的第一特征信息中的性别信息为：女，那么向第一用户推荐与美容相关的内容、又例如：如果第一用户的第一特征信息中的身份信息为：老师，那么，向其推荐与升学相关的内容等等，其中可以通过邮箱推荐、直接在网站推荐等等，本发明实施例不作限制。

另一方面，本发明实施例提供一种电子设备，请参考图5，电子设备具体包括以下结构：

检测模块50，用于检测获得第一用户的M个行为数据，Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征第一用户针对第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；

调用模块51，用于调用一行为模型分析模块；

输入模块52，用于将Ｍ个行为数据输入至行为模型分析模块，以使得行为模型分析模块对M个行为数据进行分析处理，产生一处理结果；

获得模块53，用于获得处理结果；

确定模块54，用于根据处理结果确定第一用户的第一特征信息所对应的第一特征值；其中，第一特征信息为用于表征第一用户的身份，生理特征和/或兴趣爱好的信息。

可选的，行为模式分析模块，具体为：运行有预先设定的K个分析规则的分析模块，K为正整数。

可选的，K个分析规则，具体为：

基于N个用户的L个行为数据以及与L个行为数据对应的至少一个特征信息进行至少一种模式识别确定出的分析规则，L为大于等于N的正整数。

可选的，至少一种模式识别方式具体为：贝叶斯网络算法、多层感知机算法或决策树算法中的至少一种方式。

可选的，电子设备还包括：

筛选模块，用于在调用一行为模型分析模块之前，基于一筛选规则对L个行为数据进行筛选，以获得准确度值大于第一值的K个分析规则。

可选的，M个行为数据，具体为：下载行为数据、安装行为数据、卸载行为数据、使用行为数据中的至少一种行为数据。

可选的，检测模块50，具体用于：

检测获得第一用户在一预设时间段内的至少一个行为数据作为M个行为数据；或

检测获得第一用户的一预设数量的行为数据作为M个行为数据。

由于本发明实施例所介绍的电子设备，为实施例本发明实施例信息处理方法所采用的电子设备，故而基于本发明实施例所介绍的信息处理方法，本领域所属技术人员能够了解本发明实施例电子设备的具体结构及变形，故而在此不再赘述。

本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：

（1）由于在本发明实施例中，可以检测获得第一用户的M个行为数据，Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征第一用户针对第一显示界面中的至少一个对象进行过的M个操作的数据，然后通过对这M个行为数据进行分析，进而确定出第一用户的第一特征信息所对应的第一特征值，其中，第一特征信息为用于表征第一用户的身份，生理特征和/或兴趣爱好的信息，也即是说直接基于用户的M个行为数据确定出第一用户的第一特征信息所对应的第一特征值，而不要依赖于用户的输入操作，故而达到了所获得的用户的身份，生理特征、兴趣爱好等中的至少一种信息更加完善的技术效果；并且，由于不依赖用户的输入操作，不会导致用户的隐私泄露，具有安全性更高的技术效果。

（2）由于在本发明实施例中，N个行为数据例如为：下载行为数据、安装行为数据、卸载行为数据、使用行为中的至少一种行为数据，故而达到了能够通过用户的下载行为、安装行为、卸载行为、使用行为等中的至少一种行为准确的确定出用户的身份，生理特征、兴趣爱好等中的至少一种信息的技术效果。

（3）由于在本发明实施例中，可以通过K个分析规则对M个行为数据进行分析，进而确定出用户的第一特征信息，而又可以通过N个用户对应的L个行为数据以及与L个行为数据对应的至少一个特征信息确定出K个分析规则，并且在确定出K个分析规则之前还可以对L歌行为数据进行筛选，例如：剔除采样率较低的用户的行为数据、剔除错误的行为数据等等，也就是排除导致K个分析规则的因素，故而达到了所确定的K个分析模块的准确率更高的技术效果；进一步的达到了所确定的第一用户的第一特征值更加准确的技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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设备上，使得在计算机或其他可编程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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种信息处理方法，应用于第一电子设备中，所述方法包括：

检测获得第一用户的M个行为数据，所述Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征所述第一用户针对所述第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；

调用一行为模型分析模块；

将所述Ｍ个行为数据输入至所述行为模型分析模块，以使得所述行为模型分析模块对所述M个行为数据进行分析处理，产生一处理结果；

获得所述处理结果；

根据所述处理结果确定所述第一用户的第一特征信息所对应的第一特征值；其中，所述第一特征信息为用于表征所述第一用户的身份，生理特征和/或兴趣爱好的信息。

2.如权利要求1所述的方法，其特征在于，所述行为模式分析模块，具体为：运行有预先设定的K个分析规则的分析模块，K为正整数。

3.如权利要求2所述的方法，其特征在于，所述K个分析规则，具体为：

基于N个用户的L个行为数据以及与所述L个行为数据对应的至少一个特征信息进行至少一种模式识别确定出的分析规则，L为大于等于N的正整数。

4.如权利要求3所述的方法，其特征在于，所述至少一种模式识别方式具体为：贝叶斯网络算法、多层感知机算法或决策树算法中的至少一种方式。

5.如权利要求3所述的方法，其特征在于，在所述调用一行为模型分析模块之前，所述方法还包括：

基于一筛选规则对所述L个行为数据进行筛选，以获得准确度值大于第一值的所述K个分析规则。

6.如权利要求1所述的方法，其特征在于，所述M个行为数据，具体为：下载行为数据、安装行为数据、卸载行为数据、使用行为数据中的至少一种行为数据。

7.如权利要求1所述的方法，其特征在于，所述检测获得第一用户的M个行为数据，具体为：

检测获得所述第一用户在一预设时间段内的至少一个行为数据作为所述M个行为数据；或

检测获得所述第一用户的一预设数量的行为数据作为所述M个行为数据。

8.一种电子设备，包括：

检测模块，用于检测获得第一用户的M个行为数据，所述Ｍ个行为数据具体为用于在第二电子设备中的第一应用程序在运行时且对应有第一显示界面时，表征所述第一用户针对所述第一显示界面中的至少一个对象进行过的M个操作的数据，M为大于等于1的整数；

调用模块，用于调用一行为模型分析模块；

输入模块，用于将所述Ｍ个行为数据输入至所述行为模型分析模块，以使得所述行为模型分析模块对所述M个行为数据进行分析处理，产生一处理结果；

获得模块，用于获得所述处理结果；

确定模块，用于根据所述处理结果确定所述第一用户的第一特征信息所对应的第一特征值；其中，所述第一特征信息为用于表征所述第一用户的身份，生理特征和/或兴趣爱好的信息。

9.如权利要求8所述的电子设备，其特征在于，所述行为模式分析模块，具体为：运行有预先设定的K个分析规则的分析模块，K为正整数。

10.如权利要求9所述的电子设备，其特征在于，所述K个分析规则，具体为：

基于N个用户的L个行为数据以及与所述L个行为数据对应的至少一个特征信息进行至少一种模式识别确定出的分析规则，L为大于等于N的正整数。

11.如权利要求10所述的电子设备，其特征在于，所述至少一种模式识别方式具体为：贝叶斯网络算法、多层感知机算法或决策树算法中的至少一种方式。

12.如权利要求10所述的电子设备，其特征在于，所述电子设备还包括：

筛选模块，用于在调用一行为模型分析模块之前，基于一筛选规则对所述L个行为数据进行筛选，以获得准确度值大于第一值的所述K个分析规则。

13.如权利要求8所述的电子设备，其特征在于，所述M个行为数据，具体为：下载行为数据、安装行为数据、卸载行为数据、使用行为数据中的至少一种行为数据。

14.如权利要求8所述的电子设备，其特征在于，所述检测模块，具体用于：

检测获得所述第一用户在一预设时间段内的至少一个行为数据作为所述M个行为数据；或

检测获得所述第一用户的一预设数量的行为数据作为所述M个行为数据。