CN106709298B - 一种信息处理方法、装置及智能终端 - Google Patents

Abstract

本发明实施例公开了一种信息处理方法、装置及智能终端。该方法包括：获取用户对应的应用程序列表，其中，应用程序列表中包含预设周期内被使用过的应用程序；获取预设对应关系，预设对应关系中包含应用程序与第一推断值和第二推断值的对应关系，第一推断值为根据应用程序推断出用户属性为第一属性值的概率，第二推断值为根据应用程序推断出用户属性为第二属性值的概率；对于应用程序列表中包含的每个应用程序，在预设对应关系中查询应用程序对应的推断值；根据用户对应的应用程序列表中包含的所有应用程序对应的推断值确定用户的用户属性识别结果。上述技术方案使智能终端能够基于用户对应用程序的使用情况快速地识别用户的属性。

Description

一种信息处理方法、装置及智能终端

技术领域

本发明实施例涉及信息处理领域，尤其涉及一种信息处理方法、装置及智能终端。

背景技术

随着智能终端技术的快速发展，智能终端用户群体的规模不断加大，不同用户对智能终端的使用需求也越来越多样化。

为了满足不同用户的个性化需求，就需要对用户属性进行识别，使智能终端能够根据识别结果进行相应的调整，以便于用户使用。基于声音及人脸等生物特征可实现对用户属性的识别，但在识别过程中干扰因素较多且算法复杂，识别效果欠佳。

发明内容

本发明实施例提供一种信息处理方法、装置及智能终端，可以实现智能终端自动对用户属性进行识别。

第一方面，本发明实施例提供了一种信息处理方法，包括：

获取用户对应的应用程序列表，其中，所述应用程序列表中包含预设周期内被使用过的应用程序；

获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果。

第二方面，本发明实施例提供了一种信息处理装置，包括：

列表获取模块，用于获取用户对应的应用程序列表，其中，所述应用程序列表中包含在预设周期内被使用过的应用程序；

对应关系获取模块，用于获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

推断值查询模块，用于对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

属性识别模块，用于根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果。

第三方面，本发明实施例提供了一种智能终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取用户对应的应用程序列表，其中，所述应用程序列表中包含预设周期内被使用过的应用程序；

获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果。

本发明实施例中提供的信息处理方案，获取用户在预设周期内使用过的应用程序的应用程序列表，在预设对应关系中查询列表中每个应用程序对应的推断值，而预设对应关系中包含应用程序与第一推断值和第二推断值的对应关系，一个应用程序对应的第一推断值或第二推断值为根据该应用程序推断出用户属性为相应属性值的概率，最后根据列表中包含的所有应用程序对应的推断值确定用户的用户属性识别结果。上述技术方案能够基于用户对应用程序的使用情况快速地识别用户的属性。

附图说明

图1为本发明实施例提供的一种信息处理方法的流程示意图；

图2为本发明实施例提供的另一种信息处理方法的流程示意图；

图3为本发明实施例提供的一种信息处理装置的结构框图；

图4为本发明实施例提供的一种智能终端的结构示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

图1为本发明实施例提供的一种信息处理方法的流程示意图，该方法可以由信息处理装置执行，其中该装置可由软件和/或硬件实现，一般可集成在智能终端中。如图1所示，该方法包括：

步骤101、获取用户对应的应用程序列表。

其中，所述应用程序列表中包含预设周期内被使用过的应用程序。

示例性的，本实施例中的智能终端可为智能手机、智能手表、平板电脑、以及智能电视等能够装载应用程序的设备。

本实施例中，用户对应的应用程序列表可以包含用户在预设周期内在智能终端中使用过的应用程序。考虑到用户一般为智能终端的拥有者，所以智能终端可不对具体的使用者的身份进行识别，即曾经在智能终端上运行过(可选的，还可包括下载过或安装过)的应用程序均可视为用户使用过的应用程序；此外，智能终端也可通过指纹识别或密码验证等方式确定不同使用者曾经使用过的应用程序，并形成不同使用者对应的应用程序列表，此时，用户为通过身份验证的用户。本实施例对用户的确定方式不作具体限定。

示例性的，预设周期可根据实际情况进行选取，例如7天，即从当前时刻开始前面的7天。

步骤102、获取预设对应关系。

其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率，每个应用程序对应一个第一推断值和一个第二推断值。示例性的，所述预设对应关系可预先存储于智能终端中；也可由智能终端从远端服务器获取；当然，也可由智能终端定时从远端服务器获取最新的预设对应关系并进行存储，在执行本步骤时，直接从本地进行读取。

本实施例中，用户属性可以是包含两个属性值的任意一种属性。例如，用户属性为性别，包含男性和女性两个属性值；又如，用户属性为年龄属性，包含成年人和未成年人两个属性值，或者包含大人和儿童两个属性值，或者包含年轻人和老人两个属性值；再如，用户属性为国家属性，包括中国人和外国人两个属性。

进一步的，一个应用程序对应的第一推断值为在该应用程序存在于应用程序列表中的情况下，推断出用户属性为第一属性值的概率；同理，一个应用程序对应的第二推断值为在该应用程序存在于应用程序列表中的情况下，推断出用户属性为第二属性值的概率。例如，对于应用程序C来说，C对应一个男性推断值和一个女性推断值，男性推断值可指当应用程序C出现在应用程序列表时，推断出用户为男性的概率。

预设对应关系的获得方式可以有很多种，本实施例不作具体限定。例如，可调研对应不同属性值的用户对应用程序的使用情况，根据调研结果进行确定；又如，可由应用程序开发人员根据应用程序的设计初衷或受众群体进行设定；再如，可根据经验进行设定。其中，获得预设对应关系的相关步骤可由本发明实施例中的智能终端完成，也可以由计算机或服务器等其他终端完成，本发明实施例不做限定。

优选的，预设对应关系通过如下方式获得：

分别获取指定数量的对应第一属性值和第二属性值的样本用户对应用程序的使用情况，根据所述使用情况确定预设对应关系。

进一步的，详细的获得方式如下：

获取关于应用程序列表的第一样本集合和第二样本集合，其中，所述第一样本集合对应第一属性值，所述第二样本集合对应第二属性值；

对于所述第一样本集合和所述第二样本集合中包含的每个应用程序，分别统计当前应用程序在所述第一样本集合中出现的第一频率和在所述第二样本集合中出现的第二频率，利用贝叶斯推断根据所述第一频率和所述第二频率分别计算所述当前应用程序对应的第一推断值和第二推断值；

汇总计算结果，得到预设对应关系。

其中，样本集合中的应用程序列表包含在指定周期内样本用户使用过的应用程序，该指定周期与前文所述的预设周期可相同也可不同，优选为相同。汇总计算结果可以指将第一样本集合和第二样本集合中包含的所有应用程序分别对应的第一推断值和第二推断值汇集到一起。

本实施例中，利用贝叶斯推断根据所述第一频率和所述第二频率计算所述当前应用程序对应的第一推断值，可包括：根据所述第一频率、所述第二频率及两个属性值的先验概率确定当前应用程序的与第一属性值对应的第一可能性函数；利用贝叶斯推断根据第一属性值的先验概率及所述第一可能性函数计算当前应用程序对应的第一推断值。

进一步的，可根据以下公式计算当前应用程序的与第一属性值对应的第一可能性函数：

根据以下公式计算所述当前应用程序对应的第一推断值：

其中，W为当前应用程序；M为第一属性值，F为第一属性值；P(M|W)为当前应用程序对应的第一推断值；P(M)为第一属性值的先验概率，P(F)为第二属性值的先验概率；P(W|M)为第一频率，P(W|F)为第二频率。

同理，可根据以下公式计算所述当前应用程序对应的第二推断值：

其中，P(F|W)为当前应用程序对应的第二推断值；P(M)为第一属性值的先验概率，P(F)为第二属性值的先验概率；P(W|W)为第一频率，P(W|F)为第二频率。

为了便于理解，首先对贝叶斯推断进行介绍。贝叶斯推断(Bayesian inference)是一种统计学方法，用来估计统计量的某种性质，它是贝叶斯定理(Bayes'theorem)的应用。贝叶斯推断与其他统计学推断方法截然不同，它建立在主观判断的基础上，也就是说，可以不需要客观证据，先估计一个值，然后根据实际结果不断修正。贝叶斯推断需要大量的计算，因此历史上很长一段时间无法得到广泛应用，知道计算机诞生以后，它才获得真正的重视。人们发现，许多统计量是无法事先进行客观判断的，而互联网时代出现的大型数据集，再加上高速运算能力，为验证这些统计量提供了方便，也为应用贝叶斯推断创造了条件，它的威力正在日益显现。贝叶斯公式如下：

其中，P(A)被称为先验概率(Prior probability)，即在B事件发生之前，人们对A事件概率的一个判断。P(A|B)称为后验概率(Posterior probability)，即在B事件发生之后，人们对A事件概率的重新评估。P(B|A)/P(B)称为可能性函数(Likelyhood)，这是一个调整因子，使得预估概率更接近真实概率。

所以，条件概率可以理解成下面的式子：

后验概率＝先验概率x调整因子

这就是贝叶斯推断的含义。先预估一个先验概率，然后加入实验结果，看这个实验到底是增强还是削弱了先验概率，由此得到更接近事实的后验概率。

贝叶斯过滤器是一种统计学过滤器，是贝叶斯推断的一种具体应用，其建立在已有的统计结果之上，下面以具体实例来说明上述预设对应关系的确定过程：

假设用户属性为性别，需要提供两组已知性别的应用程序(以下简称APP)使用情况样本，一组是男性APP使用情况样本，即第一样本集合，以下简称男性样本集合，一组是女性APP使用情况样本，即第二样本集合，以下简称女性样本集合。表1为是男性APP使用情况样本，表1为女性APP使用情况样本，使用列表对应的预设周期为7天。

表1、男性APP使用情况样本

用户	七天内APP使用列表
		User1	A1,A2,A3,A4,A5
User2	A1,A5,A7,A9,A11
		…	…
UserN	A1,A3,A9,A11,A15

表2、女性APP使用情况样本

用户	七天内APP使用列表
		User01	A1,A2,A3,A4,A6
User02	A1,A5,A7,A8,A12
		…	…
User0N	A1,A3,A8,A12,A15

利用上述两组样本对过滤器进行训练。可以理解的是，这两组样本的规模(样本数量)越大，训练效果就越好。另外，假设第一样本集合的样本数量与第二样本集合的样本数量相同。

首先，计算第一样本集合和第二样本集合中包含的每个APP在男性样本集合和女性样本集合中出现的频率。比如，对于应用程序A3，在4000个男性样本中，有200个男性样本的应用程序列表中包含这个应用，那么它的出现频率(第一频率)就是5％；而在4000个女性样本中，只有2个包含这个应用，那么出现频率(第二频率)就是0.05％。优选的，为了避免后续计算时出现概率为0的情况，如果某个APP只出现在男性样本集合中，那么可假设它在女性样本中的出现频率是一个很小的值，如0.001％，反之亦然。

假设M表示男性(male)，F表示女性(female)。在未经统计分析之前，可假定用户是男性的概率为50％(先验概率)，因此，P(M)和P(F)的先验概率都是50％。假设应用程序列表中含有应用“APPX”。用W表示“APPX”，那么判断此用户是否是男性的问题就变成了如何计算P(M|W)的值，即在某个应用(W)已经存在的条件下，男性(M)的概率有多大。

根据贝叶斯公式和条件概率公式可以得到：

其中，W为当前应用程序(APPX)；M为第一属性值(男性)；P(M|W)为当前应用程序对应的第一推断值(APPX对应的男性推断值)；P(M)为第一属性值的先验概率，P(F)为第二属性值(女性)的先验概率；P(W|M)为第一频率，P(W|F)为第二频率。其中的推断值可理解为一种能力，第一推断值可理解为推断出用户属性为第一属性值的能力，推断值越大，能力越强。

若记W出现在应用列表中为事件B，用户属性为第一属性值为事件A，第一可能性函数相当于上文中的调整因子。如果第一可能性函数大于1，意味着第一属性值的先验概率被增强，即事件A发生的可能性变大；如果第一可能性函数大于1，意味着事件B无助于判断事件A发生的可能性；如果第一可能性函数小于1，意味着第一属性值的先验概率被削弱，即事件A发生的可能性变小。本实施例中采用贝叶斯推断中的后验概率作为应用程序对应的推断值。

例如，根据上述公式计算出P(M|W)＝99％，那么可表示根据应用程序W可推断出用户为男性的概率为99％，即应用程序W对应的第一推断值为99％。

步骤103、对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值。

例如，用户对应的应用程序列表中包含了5个应用程序，那么针对每个应用程序在预设对应关系中查询其对应的第一推断值和/或第二推断值，用于后续的用户属性识别。

步骤104、根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果。

本实施例中，根据应用程序对应的推断值来确定用户的用户属性时，可采用很多种方式，本实施例不作具体限定。例如，当存在某个应用程序E的某个属性值(a)推断值高于预设值阈值(如95％)时，可确定用户的用户属性值为a；又如，分别选出第一推断值的最大值和第二推断值的最大值，比较两个最大值的大小，将其中较大者对应的属性值作为用户的属性值。

本发明实施例中提供的信息处理方法，获取用户在预设周期内使用过的应用程序的应用程序列表，在预设对应关系中查询列表中每个应用程序对应的推断值，而预设对应关系中包含应用程序与第一推断值和第二推断值的对应关系，一个应用程序对应的第一推断值或第二推断值为根据该应用程序推断出用户属性为相应属性值的概率，最后根据列表中包含的所有应用程序对应的推断值确定用户的用户属性识别结果。上述技术方案所采用的算法简单有效，使智能终端能够基于用户对应用程序的使用情况快速地识别用户的属性，丰富了智能终端的功能。

在上述实施例的基础上，在根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果之后，还可包括：控制智能终端根据所述用户属性识别结果向用户推送相关信息或控制智能终端根据所述用户属性识别结果调整自身的工作方式。例如，在识别出用户属性值为女性时，可向用户推荐女性推断值高的应用程序，可在用户进行信息搜索时优先显示与女性相关的信息，还可在桌面上将女性推断值高的应用程序排在靠前位置等。

图2为本发明实施例提供的另一种信息处理方法的流程示意图，如图2所示，该方法包括如下步骤：

步骤201、获取用户对应的应用程序列表。

其中，所述应用程序列表中包含预设周期内被使用过的应用程序。

步骤202、获取预设对应关系。

步骤203、对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值。

步骤204、依据推断值的高低基于第一推断值对所述用户对应的应用程序列表中包含的所有应用程序进行排序，得到第一序列。

示例性的，可按照第一推断值从高到低的顺序对各应用程序进行排序，得到第一序列；也可按照第一推断值从低到高的顺序对各应用程序进行排序，得到第一序列。本实施例将以前一种方式为例进行后续说明。

步骤205、在所述第一序列中，从所对应的第一推断值为最大值的应用程序开始连续选取预设数量的应用程序，得到第一集合。

可以理解的是，当应用程序列表中出现了推断值很高的应用程序时，用户可能并不是该推断值对应的属性值，因为可能存在他人使用用户智能终端的情况或者用户本人偶尔打开过一次该应用程序。例如，应用程序列表中出现了APP大姨妈(女性推断值高)，也可能是用户的女友在其智能终端中使用过。为了更加准确的识别用户的属性，可对多个对应较高推断值的应用程序进行进一步分析。本步骤中，针对第一推断值，从第一序列中选取了排名在前的预设数量的应用程序。其中，预设数量可根据实际情况进行选取，例如可按照预设比例值与第一序列中的总数量的乘积来确定。

步骤206、基于联合概率和所述第一集合中每个应用程序对应的第一推断值计算用户的用户属性为第一属性值的第一概率。

示例性的，可根据以下公式计算第一概率：

其中，P为第一概率；P_n为第n个应用程序对应的第一推断值，n的取值范围为1-N，N表示预设数量的取值。

假设N＝15，则上述公式为：

步骤207、当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值。

其中，第一阈值可根据经验确定，如0.8。当第一概率大于0.8时，可确定用户的用户属性为第一属性值。

进一步的，为了提高准确度，本步骤可包括：当所述第一概率大于预设第一阈值时，计算用户的用户属性为第二属性值的第二概率；当所述第一概率大于所述第二概率时，确定用户的用户属性为第一属性值。

其中，计算第二属性值的方式可与计算第一属性值的方式相同，即：依据推断值的高低基于第二推断值对用户对应的应用程序列表中包含的所有应用程序进行排序，得到第二序列；在第二序列中，从所对应的第二推断值为最大值的应用程序开始连续选取预设数量的应用程序，得到第二集合；基于联合概率和所述第二集合中每个应用程序对应的第二推断值计算用户的用户属性为第二属性值的第二概率。

同理，可根据以下公式计算第二概率：

其中，P’为第二概率；P’_n为第n个应用程序对应的第二推断值，n的取值范围为1-N，N表示预设数量的取值。

进一步的，当所述第一概率小于或等于所述预设第一阈值时，计算用户的用户属性为第二属性值的第二概率；当所述第二概率大于预设第二阈值时，确定用户的用户属性为第二属性值。其中，第二阈值也可根据经验确定，如0.8。

进一步的，当所述第二概率小于或等于所述预设第二阈值时，确定用户的用户属性为未知。这样设置的好处在于，当第一概率和第二概率均小于对应的阈值时，可能用户使用的应用程序对应的推断值均较低，也就是说应用程序的属性特性不明显，例如，两种用户属性值的用户都经常使用这些应用程序，因此，为了防止发生误判，可暂时认为用户的用户属性为未知。

例如，用户属性为性别，预设第一阈值为0.8(对应男性)，预设第二阈值为0.8(对应女性)。若计算出男性概率为0.9，则可认为用户为男性。若计算出男性概率为0.3，可继续计算女性概率：若女性概率为0.85，可认为用户为女性；若女性概率为0.4，可认为用户的性别为未知。

本发明实施例提供的信息处理方法，通过选取应用程序列表中对应推断值较高的多个应用程序来计算属性值对应的概率，并根据所得概率来进行属性值的判定，可进一步提高用户属性识别的准确度。

图3为本发明实施例提供的一种信息处理装置的结构框图，该装置可由软件和/或硬件实现，一般集成智能终端中，可通过执行信息处理方法来进行用户属性的识别。如图3所示，该装置包括列表获取模块301、对应关系获取模块302、推断值查询模块303和属性识别模块304。

其中，列表获取模块301，用于获取用户对应的应用程序列表，其中，所述应用程序列表中包含在预设周期内被使用过的应用程序；

对应关系获取模块302，用于获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

推断值查询模块303，用于对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

属性识别模块304，用于根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果。

本发明实施例提供的信息处理装置，所采用的算法简单有效，使智能终端能够基于用户对应用程序的使用情况快速地识别用户的属性，丰富了智能终端的功能。

可选的，所述预设对应关系通过如下方式获得：

分别获取指定数量的对应第一属性值和第二属性值的样本用户对应用程序的使用情况，根据所述使用情况确定预设对应关系。

可选的，所述分别获取预设数量的对应第一属性值和第二属性值的样本用户对应用程序的使用情况，根据所述使用情况确定预设对应关系，包括：

获取关于应用程序列表的第一样本集合和第二样本集合，其中，所述第一样本集合对应第一属性值，所述第二样本集合对应第二属性值；

对于所述第一样本集合和所述第二样本集合中包含的每个应用程序，分别统计当前应用程序在所述第一样本集合中出现的第一频率和在所述第二样本集合中出现的第二频率，利用贝叶斯推断根据所述第一频率和所述第二频率分别计算所述当前应用程序对应的第一推断值和第二推断值；

汇总计算结果，得到预设对应关系。

可选的，利用贝叶斯推断根据所述第一频率和所述第二频率计算所述当前应用程序对应的第一推断值，包括：

根据以下公式计算当前应用程序的与第一属性值对应的第一可能性函数：

根据以下公式计算所述当前应用程序对应的第一推断值：

其中，W为当前应用程序；M为第一属性值，F为第一属性值；P(M|W)为当前应用程序对应的第一推断值；P(M)为第一属性值的先验概率，P(F)为第二属性值的先验概率；P(W|M)为第一频率，P(W|F)为第二频率。

可选的，所述属性识别模块包括：

排序单元，用于依据推断值的高低基于第一推断值对所述用户对应的应用程序列表中包含的所有应用程序进行排序，得到第一序列；

应用程序选取单元，用于在所述第一序列中，从所对应的第一推断值为最大值的应用程序开始连续选取预设数量的应用程序，得到第一集合；

概率计算单元，用于基于联合概率和所述第一集合中每个应用程序对应的第一推断值计算用户的用户属性为第一属性值的第一概率；

属性确定单元，用于在所述第一概率大于预设第一阈值时，确定用户的用户属性为第一属性值。

可选的，基于联合概率和所述第一应用程序集合中每个应用程序对应的第一推断值计算用户的用户属性为第一属性值的第一概率，包括：

根据以下公式计算第一概率：

其中，P为第一概率；P_n为第n个应用程序对应的第一推断值，n的取值范围为1-N，N表示预设数量的取值。

可选的，所述属性确定单元用于：

当所述第一概率大于预设第一阈值时，通知所述概率计算单元计算用户的用户属性为第二属性值的第二概率；

当所述第一概率大于所述第二概率时，确定用户的用户属性为第一属性值。

可选的，所述属性确定单元还用于：

当所述第一概率小于或等于所述预设第一阈值时，通知所述概率计算单元计算用户的用户属性为第二属性值的第二概率；

当所述第二概率大于预设第二阈值时，确定用户的用户属性为第二属性值。

可选的，所述属性确定单元还用于：

当所述第二概率小于或等于所述预设第二阈值时，确定用户的用户属性为未知。

可选的，所述用户属性为性别。

本发明实施例提供了一种智能终端，该智能终端中可集成本发明实施例提供的智能终端的信息处理装置。图4为本发明实施例提供的一种智能终端的结构示意图。如图4所示，该智能终端可以包括：壳体(图中未示出)、存储器401、中央处理器(CentralProcessing Unit，CPU)402(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU402和所述存储器401设置在所述电路板上；所述电源电路，用于为所述智能终端的各个电路或器件供电；所述存储器401，用于存储可执行程序代码；所述CPU402通过读取所述存储器401中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现一下步骤：获取用户对应的应用程序列表，其中，所述应用程序列表中包含预设周期内被使用过的应用程序；获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果。

所述智能终端还包括：外设接口403、RF(Radio Frequency，射频)电路405、音频电路406、扬声器411、电源管理芯片408、输入/输出(I/O)子系统409、触摸屏412、其他输入/控制设备410以及外部端口404，这些部件通过一个或多个通信总线或信号线407来通信。

应该理解的是，图示智能终端400仅仅是智能终端的一个范例，并且智能终端400可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

下面就本实施例提供的用于实现用户属性识别的智能终端进行详细的描述，该智能终端以手机为例。

存储器401，所述存储器401可以被CPU402、外设接口403等访问，所述存储器401可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

外设接口403，所述外设接口403可以将设备的输入和输出外设连接到CPU402和存储器401。

I/O子系统409，所述I/O子系统409可以将设备上的输入输出外设，例如触摸屏412和其他输入/控制设备410，连接到外设接口403。I/O子系统409可以包括显示控制器4091和用于控制其他输入/控制设备410的一个或多个输入控制器4092。其中，一个或多个输入控制器4092从其他输入/控制设备410接收电信号或者向其他输入/控制设备410发送电信号，其他输入/控制设备410可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器4092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。

触摸屏412，所述触摸屏412是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。

I/O子系统409中的显示控制器4091从触摸屏412接收电信号或者向触摸屏412发送电信号。触摸屏412检测触摸屏上的接触，显示控制器4091将检测到的接触转换为与显示在触摸屏412上的用户界面对象的交互，即实现人机交互，显示在触摸屏412上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。

RF电路405，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路405接收并发送RF信号，RF信号也称为电磁信号，RF电路405将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路405可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。

音频电路406，主要用于从外设接口403接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器411。

扬声器411，用于将手机通过RF电路405从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片408，用于为CPU402、I/O子系统及外设接口所连接的硬件进行供电及电源管理。

本发明实施例提供的智能终端，采用了简单有效的算法，使智能终端能够基于用户对应用程序的使用情况快速地识别用户的属性，丰富了智能终端的功能。

上述实施例中提供的信息处理装置及智能终端可执行本发明任意实施例所提供的信息处理方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的信息处理方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种信息处理方法，其特征在于，包括：

获取用户对应的应用程序列表，其中，所述应用程序列表中包含预设周期内被使用过的应用程序；

获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果；

根据所述用户属性识别结果向用户推送相关信息，或者，根据所述用户属性识别结果调整自身的工作方式；

其中，根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果，包括：

依据推断值的高低基于第一推断值对所述用户对应的应用程序列表中包含的所有应用程序进行排序，得到第一序列；

在所述第一序列中，从所对应的第一推断值为最大值的应用程序开始连续选取预设数量的应用程序，得到第一集合；

基于联合概率和所述第一集合中每个应用程序对应的第一推断值计算所述用户的用户属性为第一属性值的第一概率；

当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值；

其中，当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值，包括：

当所述第一概率大于预设第一阈值时，计算所述用户的用户属性为第二属性值的第二概率；当所述第一概率大于所述第二概率时，确定所述用户的用户属性为第一属性值；

当所述第一概率小于或等于所述预设第一阈值时，计算所述用户的用户属性为第二属性值的第二概率；当所述第二概率大于预设第二阈值时，确定所述用户的用户属性为第二属性值；当所述第二概率小于或等于所述预设第二阈值时，确定所述用户的用户属性为未知。

2.根据权利要求1所述的方法，其特征在于，所述预设对应关系通过如下方式获得：

分别获取指定数量的对应第一属性值和第二属性值的样本用户对应用程序的使用情况，根据所述使用情况确定预设对应关系。

3.根据权利要求2所述的方法，其特征在于，所述分别获取预设数量的对应第一属性值和第二属性值的样本用户对应用程序的使用情况，根据所述使用情况确定预设对应关系，包括：

获取关于应用程序列表的第一样本集合和第二样本集合，其中，所述第一样本集合对应第一属性值，所述第二样本集合对应第二属性值；

对于所述第一样本集合和所述第二样本集合中包含的每个应用程序，分别统计当前应用程序在所述第一样本集合中出现的第一频率和在所述第二样本集合中出现的第二频率，利用贝叶斯推断根据所述第一频率和所述第二频率分别计算当前应用程序对应的第一推断值和第二推断值；

汇总计算结果，得到预设对应关系。

4.根据权利要求3所述的方法，其特征在于，利用贝叶斯推断根据所述第一频率和所述第二频率计算当前应用程序对应的第一推断值，包括：

根据所述第一频率、所述第二频率及两个属性值的先验概率确定当前应用程序的与第一属性值对应的第一可能性函数；

利用贝叶斯推断根据第一属性值的先验概率及所述第一可能性函数计算当前应用程序对应的第一推断值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一频率、所述第二频率及两个属性值的先验概率确定当前应用程序的与第一属性值对应的第一可能性函数，包括：

根据以下公式计算当前应用程序的与第一属性值对应的第一可能性函数：

所述利用贝叶斯推断根据第一属性值的先验概率及所述第一可能性函数计算当前应用程序对应的第一推断值，包括：

根据以下公式计算所述当前应用程序对应的第一推断值：

其中，W为当前应用程序；M为第一属性值，F为第一属性值；P(M|W)为当前应用程序对应的第一推断值；P(M)为第一属性值的先验概率，P(F)为第二属性值的先验概率；P(W|M)为第一频率，P(W|F)为第二频率。

6.根据权利要求1所述的方法，其特征在于，基于联合概率和所述第一集合中每个应用程序对应的第一推断值计算所述用户的用户属性为第一属性值的第一概率，包括：

根据以下公式计算第一概率：

其中，P为第一概率；P_n为第n个应用程序对应的第一推断值，n的取值范围为1-N，N表示预设数量的取值。

7.一种信息处理装置，其特征在于，包括：

列表获取模块，用于获取用户对应的应用程序列表，其中，所述应用程序列表中包含在预设周期内被使用过的应用程序；

对应关系获取模块，用于获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

推断值查询模块，用于对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

属性识别模块，用于根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果；

执行模块，用于根据所述用户属性识别结果向用户推送相关信息，或者，根据所述用户属性识别结果调整自身的工作方式；

其中，所述属性识别模块具体用于：

依据推断值的高低基于第一推断值对所述用户对应的应用程序列表中包含的所有应用程序进行排序，得到第一序列；

在所述第一序列中，从所对应的第一推断值为最大值的应用程序开始连续选取预设数量的应用程序，得到第一集合；

基于联合概率和所述第一集合中每个应用程序对应的第一推断值计算所述用户的用户属性为第一属性值的第一概率；

当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值；

其中，当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值，包括：

当所述第一概率大于预设第一阈值时，计算所述用户的用户属性为第二属性值的第二概率；当所述第一概率大于所述第二概率时，确定所述用户的用户属性为第一属性值；

当所述第一概率小于或等于所述预设第一阈值时，计算所述用户的用户属性为第二属性值的第二概率；当所述第二概率大于预设第二阈值时，确定所述用户的用户属性为第二属性值；当所述第二概率小于或等于所述预设第二阈值时，确定所述用户的用户属性为未知。

8.一种智能终端，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运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取用户对应的应用程序列表，其中，所述应用程序列表中包含预设周期内被使用过的应用程序；

获取预设对应关系，其中，所述预设对应关系中包含应用程序分别与第一推断值和第二推断值的对应关系，所述第一推断值为根据应用程序推断出用户属性为第一属性值的概率，所述第二推断值为根据应用程序推断出用户属性为第二属性值的概率；

对于所述用户对应的应用程序列表中包含的每个应用程序，在所述预设对应关系中查询当前应用程序对应的推断值；

根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果；

根据所述用户属性识别结果向用户推送相关信息，或者，根据所述用户属性识别结果调整自身的工作方式；

其中，根据所述用户对应的应用程序列表中包含的所有应用程序对应的推断值确定所述用户的用户属性识别结果，包括：

依据推断值的高低基于第一推断值对所述用户对应的应用程序列表中包含的所有应用程序进行排序，得到第一序列；

在所述第一序列中，从所对应的第一推断值为最大值的应用程序开始连续选取预设数量的应用程序，得到第一集合；

基于联合概率和所述第一集合中每个应用程序对应的第一推断值计算所述用户的用户属性为第一属性值的第一概率；

当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值；

其中，当所述第一概率大于预设第一阈值时，确定所述用户的用户属性为第一属性值，包括：

当所述第一概率大于预设第一阈值时，计算所述用户的用户属性为第二属性值的第二概率；当所述第一概率大于所述第二概率时，确定所述用户的用户属性为第一属性值；

当所述第一概率小于或等于所述预设第一阈值时，计算所述用户的用户属性为第二属性值的第二概率；当所述第二概率大于预设第二阈值时，确定所述用户的用户属性为第二属性值；当所述第二概率小于或等于所述预设第二阈值时，确定所述用户的用户属性为未知。

Images