CN108133013A - 信息处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明涉及一种信息处理方法、装置、计算机设备和存储介质，所述方法包括：获取待推荐用户以及所述待推荐用户的关联关系信息；根据所述待推荐用户的关联关系信息得到所述待推荐用户的关联用户；获取所述关联用户的用户画像以及获取所述待推荐用户的用户画像；根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度；根据所述画像差异度得到所述关联用户对应的资源影响权重；根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息。上述方法提高了推荐信息的准确性，节约了计算机资源以及用户的时间。

Description

信息处理方法、装置、计算机设备和存储介质

技术领域

本发明涉及互联网信息领域，特别是涉及信息处理方法、装置、计算机设备和存储介质。

背景技术

随着信息技术的发展，人们对互联网的使用越来越频繁，越来越多的用户通过网络进行资源转移，例如购买理财产品如基金或者保险等等。

互联网爆炸增长的信息使得用户发现有价值信息愈发困难，例如当用户需要购买保险产品或者业务员需要向用户推荐适合的保险产品时，目前主要依靠客户自己查找投资产品、或者由业务员根据投资产品的种类、收益为客户推荐产品，通过用户搜索或者业务员查找的产品往往不符合用户需求，因此需要进行多次搜索，浪费计算机资源且花费大量的时间。

发明内容

基于此，有必要针对上述的问题，提供一种信息处理方法、装置、计算机设备和存储介质，可通过待推荐用户与关联用户的用户画像的差异度以及关联用户的资源转移数据得到待推荐用户的资源转移数据，这种基于待推荐用户的社交属性以及用户画像得到资源推荐信息的方法，提高了推荐信息的准确性，节约了计算机资源以及用户的时间。

一种信息处理方法，所述方法包括：获取待推荐用户以及所述待推荐用户的关联关系信息；根据所述待推荐用户的关联关系信息得到所述待推荐用户的关联用户；获取所述关联用户的用户画像以及获取所述待推荐用户的用户画像；根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度；根据所述画像差异度得到所述关联用户对应的资源影响权重；根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息。

在其中一个实施例中，所述方法还包括：获取所述关联用户的用户画像的画像级别以及所述待推荐用户的用户画像的画像级别；所述根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度的步骤包括：计算所述关联用户的用户画像的画像级别与所述待推荐用户的用户画像的画像级别的级别差异值。

在其中一个实施例中，所述根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息的步骤包括:根据所述各个关联用户的历史资源转移数值以及对应的资源影响权重得到所述待推荐用户对应的推荐资源转移数值。

在其中一个实施例中，所述待推荐用户的关联关系信息包括所述待推荐用户的亲属关联关系信息，所述方法还包括：根据所述待推荐用户的亲属关联关系信息得到所述待推荐用户对应的亲属以及所述亲属的属性信息；根据所述待推荐用户的用户画像以及所述亲属的属性信息得到所述待推荐用户的资源推荐信息。

在其中一个实施例中，所述获取所述待推荐用户的用户画像的步骤包括：获取所述待推荐用户对应的目标操作数据集合，所述目标操作数据集合包括目标操作行为的操作类型以及所述目标操作行为对应的操作对象；获取目标操作对象对应的操作类型以及操作次数，根据目标操作对象对应的操作类型以及操作次数得到待推荐用户的行为特征；将所述待推荐用户的行为特征输入到预先训练的用户画像模型中，得到所述待推荐用户对应的用户画像。

在其中一个实施例中，所述方法还包括：获取多个训练操作数据集合以及各个训练操作数据集合对应的用户画像，所述训练操作数据集合包括训练操作行为的操作类型以及所述训练操作行为对应的训练操作对象；获取各个训练操作数据集合中的训练操作对象对应的操作类型以及操作次数，根据所述训练操作对象对应的操作类型以及操作次数得到训练行为特征；将所述训练行为特征以及对应的训练操作集合对应的用户画像组成训练样本，根据所述训练样本进行模型训练得到所述用户画像模型。

在其中一个实施例中，所述操作类型包括点击操作、放大操作、缩小操作、滑动操作以及拖动操作中的其中之一或其任意组合。

一种信息处理装置，所述装置包括：关联关系获取模块，用于获取待推荐用户以及所述待推荐用户的关联关系信息；关联用户得到模块，用于根据所述待推荐用户的关联关系信息得到所述待推荐用户的关联用户；用户画像获取模块，用于获取所述关联用户的用户画像以及获取所述待推荐用户的用户画像；画像差异度计算模块，用于根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度；权重得到模块，用于根据所述画像差异度得到所述关联用户对应的资源影响权重；推荐信息得到模块，用于根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述信息处理方法的步骤。

一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述信息处理方法的步骤。

上述信息处理方法、装置、计算机设备和存储介质，通过获取待推荐用户以及待推荐用户的关联关系信息，进而根据待推荐用户的关联关系信息得到待推荐用户的关联用户，获取关联用户的用户画像以及待推荐用户的用户画像，计算待推荐用户的用户画像与关联用户的用户画像的画像差异度然后根据画像差异度得到关联用户对应的资源影响权重，并根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息，由于基于待推荐用户的社交属性以及用户画像得到资源推荐信息的方法，提高了推荐信息的准确性，节约了计算机资源以及用户的时间。

附图说明

图1为一个实施例中提供的信息处理方法的应用环境图；

图2为一个实施例中信息处理方法的流程图；

图3为一个实施例中信息处理方法的流程图；

图4为一个实施例中信息处理方法的流程图；

图5为一个实施例中获取待推荐用户的用户画像的流程图；

图6为一个实施例中得到用户画像模型的流程图；

图7为一个实施例中信息处理装置的结构框图；

图8为一个实施例中信息处理装置的结构框图；

图9为一个实施例中信息处理装置的结构框图；

图10为一个实施例中用户画像获取模块的结构框图；

图11为一个实施例中模型得到模块的结构框图；

图12为一个实施例中计算机设备的内部结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为一个实施例中提供的信息处理方法的应用环境图，如图1所示，在该应用环境中，包括终端110以及计算机设备120。当需要获取待推荐用户对对应的资源推荐信息时，例如计算机设备120接收到终端110发送的资源推荐信息获取请求时，计算机设备120可以根据资源推荐信息获取请求得到待推荐用户对应的资源推荐信息，然后将资源推荐信息返回至终端110。可以理解，计算机设备120也可以自动触发获取待推荐用户对应的资源推荐信息，例如可以设置到了资金定投周期或者计算机设备120每隔预设时间自动执行本发明实施例中提供的信息处理方法的步骤。在一个实施例中，得到待推荐用户对应的资源推荐信息后，计算机设备120可以实时地将资源推荐信息发送至终端110上，也可以将待推荐用户与待推荐用户对应的资源推荐信息关联存储，当接收到终端110发送的资源信息推荐请求时或者在预设时间再发送到终端110中。

计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。计算机设备120以及终端110可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者网络等通讯连接方式进行连接，本发明在此不做限制。

如图2所示，在一个实施例中，提出了一种信息处理方法，该信息处理方法可以应用于上述的计算机设备120中，具体可以包括以下步骤：

步骤S202，获取待推荐用户以及待推荐用户的关联关系信息。

具体地，待推荐用户指需要得到对应的资源推荐信息的用户，待推荐用户可以是随机获取的例如随机获取保险业务平台上的用户作为待推荐用户，也可以是指定的例如将属于某一个地区的用户。还可以是当收到用户发送的资源推荐信息获取请求时，将发送资源推荐信息获取请求的用户作为待推荐用户。待推荐用户的关联关系信息包括与待推荐用户存在联系的用户的标识，在一些实施例中还可以包括关联程度，例如联系的频率或者联系的时间等等。关联关系可以包括直接的关联关系以及间接的关联关系。例如亲友关系或者社交应用上的好友关系。

在一个实施例中，终端上可以设有“推荐”按键，通过触发“推荐”按键可以向计算机设备发送推荐信息获取请求。例如，可以在在终端上输入手机号码、身份证号码、姓名以及职位等待推荐用户的标识信息，然后点击“推荐”按键，向计算机设备发送推荐信息获取请求，推荐信息获取请求携带待推荐用户的标识。

步骤S204，根据待推荐用户的关联关系信息得到待推荐用户的关联用户。

具体地，待推荐用户的关联用户指与待推荐用户存在关联关系的用户，例如社交应用中待推荐用户的好友或者待推荐用户关注的用户，可以是所有关联用户也可以是对关联用户进一步筛选得到的部分关联用户。例如，筛选近期有进行联系或者联系频率高的关联用户。

步骤S206，获取关联用户的用户画像以及获取待推荐用户的用户画像。

具体地，用户画像用于描述用户的特性，待推荐用户的用户画像与关联用户的用户画像可以是财富画像、投资画像、贷款画像、消费画像以及保险画像中的一个或多个，具体不做限制。用户画像可以根据用户的用户属性信息以及用户行为中的一个或多个得到，用户画像也可以预先存储在计算机设备中或者在接收到资源推荐信息后通过用户属性信息实时计算得到，具体不做限制。

在一个实施例中，用户画像可以根据用户的理财行为以及理财属性等得到。例如，根据用户的贷款次数、贷款金额、工资收入、投资的产品、投资产品的风险、投资的年度中的一个或多个得到，例如，对于贷款画像，可以设置贷款画像分与贷款画像的对应关系，然后获取用户贷款次数以及贷款金额分别对应的分数，根据用户实际贷款次数以及贷款金额的分数得到贷款画像分，根据贷款画像分得到贷款画像。又例如，对于财富画像，可以设置收入、储蓄资产、投资资产等各个维度的权重，并设置每个维度的评分标准，例如，收入每月1～1000元对应的分数等。然后根据评分标准对各个维度进行打分，根据每个维度的分数以及对应的权重得到财富画像。

在一个实施例中，用户画像也可以利用机器学习模型得到，例如可以获取已知用户画像的用户的用户信息例如收入、投资次数、贷款次数等进行模型训练，得到用户画像模型，当要预测一个用户的用户画像时，将用户的收入、投资次数、贷款次数等用户信息输入到用户画像模型中，输出对应的用户画像。

步骤S208，根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度。

具体地，画像差异度用于标识用户画像间的差异程度。可以预先设置各个用户画像之间的画像差异度也可以根据预设的方法对待推荐用户与各个关联用户的画像差异度进行计算，得到各个关联用户与待推荐用户的画像差异度。例如对于用户的投资风险偏好画像，假设投资风险偏好画像包括保守、稳健、平衡、进取以及激进，则可以设置保守和稳健的差异度为0.1，保守和激进的差异度为0.8。或者，可以设置保守、稳健、平衡、进取以及激进对应的级别分别对应1级、2级、3级、4级以及5级。然后，计算各个用户画像的级别差，作为画像差异度。

步骤S210，根据画像差异度得到关联用户对应的资源影响权重。

具体地，可以设置画像差异度与资源影响权重的对应关系，得到各个关联用户对应的画像差异度后，得到每个关联用户对应的资源权重，画像差异度与资源影响权重的对应关系可以根据实际需要进行设置，例如可以是负相关关系。在一个实施例中，可以设置画像差异度为0～0.1对应的资源影响权重是0.6，画像差异度为0.1～0.3对应的资源影响权重是0.5。

步骤S212，根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息。

具体地，资源可以通过设定转移数值从一个用户的账户转移到另一个用户的账户。资源也可以随着时间的变化增值或者贬值，例如可以为理财产品如某一基金或股票等。历史资源转移数据可以是资源的类型、具体的某一个资源或者资源转移数值等。资源推荐信息可以为推荐的资源的类型、具体的资源名称或者资源转移数值等。得到各个关联用户的历史资源转移数据后，根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息。

在一个实施例中，可以计算每个关联用户购买的基金的类型，然后计算各个资源类型对应的资源影响权重之和，将资源影响权重高的资源类型作为待推荐用户对应的推荐资源类型。

在一个实施例中，可以根据各个关联用户的资源影响权重以及对应的历史资源转移数值得到待推荐用户的推荐资源转移数值。例如，假设待推荐用户的关联用户包括A关联用户以及B关联用户，A关联用户以及B关联用户对应的资源影响权重分别是0.6以及0.4，A关联用户以及B关联用户曾经购买的保险金额是4000元以及5000元，则待推荐用户对应的保险购买金额推荐值可以等于4000*0.6+5000*0.4＝4400元。

在一个实施例中，假设投资风险偏好的级别依次包括保守、稳健、平衡、进取以及激进，可以设置若投资风险偏好相同的用户对投保金额的影响因子为0.6，相差一个级别的影响因子为0.3，相差两个级别的影响因子为0.1，其他的为0.05。若得到待推荐用户的投资风险偏好为保守，待推荐用户的朋友的投资金额分别为10000、6000,4000、2000，投资风险偏好依次为平衡、稳健、稳健以及进取，则待推荐用户的理财金额可以为(10000*0.1+6000*0.3+4000*0.3+2000*0.6)/(0.1+0.3+0.3+0.6)＝4000元。

在一个实施例中，还可以结合待推荐用户的用户属性和/或资源属性信息获取资源推荐信息，用户属性包括用户的年龄、用户的健康状况、用户持有的产品、用户的职业中的一种或多种。资源属性信息可以包括投资产品的风险、收益等等。例如对于财富画像为富有的用户，可以推荐保险金额高的产品。对于贷款画像为贷款意愿强但是偿还能力不强的人，推荐贷款额较低但是还贷周期长的贷款产品。对于投资风险偏好为激进的用户，推荐高风险但是收益值高的理财产品。当待推荐用户为企业的管理人员时，还可以根据待推荐用户的职位进行推荐，例如根据企业人力资源总监的用户画像推荐对应的企业员工保险，对于意外险倾向高的人力资源总监，则可以推荐企业责任保险产品。

在一个实施例中，在终端展示待推荐用户对应的推荐信息时，为了保护用户隐私信息，还可以监听终端的截屏指令，当终端进行截屏时，还可以发出不能对外泄漏资源推荐信息的提示。当然，也可以在监听到截屏指令时，在终端展示资源推荐信息的页面上显示其他信息，以覆盖展示页面，可以是全部覆盖也可以是只覆盖涉及到隐私部分的页面内容，具体可以根据实际需要设置。

上述信息处理方法通过获取待推荐用户以及待推荐用户的关联关系信息，进而根据待推荐用户的关联关系信息得到待推荐用户的关联用户，获取关联用户的用户画像以及待推荐用户的用户画像，计算待推荐用户的用户画像与关联用户的用户画像的画像差异度然后根据画像差异度得到关联用户的资源影响权重，并根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息，由于基于待推荐用户的社交属性以及用户画像得到资源推荐信息，提高了推荐信息的准确性，节约了计算机资源以及用户的时间。

在一个实施例中，如图3所示，信息处理方法还可以包括步骤S302：获取关联用户的用户画像的画像级别以及待推荐用户的用户画像的画像级别。步骤S208即根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度的步骤具体可以包括：计算关联用户的用户画像的画像级别与待推荐用户的用户画像的画像级别的级别差异值。

具体地，可以预先设置各个用户画像的画像级别，因此得到关联用户的用户画像以及带推荐用户的用户画像后，获取关联用户的用户画像的画像级别以及待推荐用户的用户画像的画像级别。然后计算关联用户的用户画像的画像级别与待推荐用户的用户画像的画像级别的级别差异值。例如，可以设置保守、稳健、平衡、进取以及激进对应的级别分别对应1级、2级、3级、4级以及5级。然后，计算各个用户画像的级别差，作为画像差异值。若待推荐用户的用户画像为保守，关联用户的用户画像为进取，则画像差异值为3。

在一个实施例中，待推荐用户的关联关系信息包括待推荐用户的亲属关联关系信息，如图4所示，信息处理方法还可以包括以下步骤：

步骤S402，根据待推荐用户的亲属关联关系信息得到待推荐用户对应的亲属以及亲属的属性信息。

具体地，亲属关联关系信息可以是用户在个人信息上填写的，也可以是根据用户的社交标注信息得到的。例如，若待推荐用户在社交应用中标注B用户为其亲属。得到待推荐用户的亲属后，获取B用户的属性信息。属性信息可以为性别、年龄以及健康情况等个人属性信息。

步骤S404，根据待推荐用户的用户画像以及亲属的属性信息得到待推荐用户的资源推荐信息。

具体地，资源推荐信息可以包括资源的名称以及资源的转移数值等。例如，若发现A用户与B用户为父子关系，则可以根据A用户的保险画像推荐A用户为B用户购买适合B用户的保险产品。假设A用户的意外险画像的分数为60分，健康险画像的分数为80分，则可以推荐A用户为B用户购买健康险。并可以根据B用户的年龄等个人属性以及预设的策略获取适合的投保金额以及保险产品等。具体的策略可以根据现有保险产品设置。例如，可以设置50～60岁的人对应的健康险以及健康险的转移数据。

图5示出了一个实施例中获取待推荐用户的用户画像的实现流程图，具体可以包括以下步骤：

步骤S502，获取待推荐用户对应的目标操作数据集合，目标操作数据集合包括目标操作行为的操作类型以及目标操作行为对应的目标操作对象。

具体地，目标操作数据集合包括待推荐用户对资源内容进行操作的操作数据。例如，对保险产品的介绍内容进行操作的操作数据。目标操作数据集合包括至少一个目标操作行为的操作类型以及对应的目标操作对象。操作类型可以包括点击操作、放大操作、缩小操作、滑动操作以及拖动操作中的其中之一或其任意组合。目标操作行为对应的操作对象是指该目标操作行为所针对的内容。根据资源内容的类型可以将操作对象分为多种，例如资源的收益、资源的风险等级、资源的种类例如货币资金、保险产品、指数资金、以及资源的转移期限例如基金的锁定周期、运营该资源的基金公司类型等多种操作对象。例如，若是针对资源的收益进行放大操作，则该放大操作对应的操作对象为资源收益。在对一个资源进行介绍时，往往会在网页上展示资源的内容例如资源的收益、资源的风险等级、资源的种类例如货币资金、保险产品、指数资金、以及资源的转移期限例如基金的锁定周期、运营该资源的基金公司类型等至少一种信息，因此可以根据待推荐用户对网页上展示的资源内容的操作得到目标操作数据集合。

步骤S504，获取目标操作对象对应的操作类型以及操作次数，根据目标操作对象对应的操作类型以及操作次数得到待推荐用户的行为特征。

具体地，对各个目标操作对象对应的操作类型的操作次数进行统计，得到各个目标操作对象对应的各个操作类型的操作次数，根据目标操作对象对应的各个的操作类型统计得到的操作次数得到对应的行为特征。例如，可以得到待推荐用户对资源收益这一操作对象点击了3次、对资源风险这一操作对象放大了5次等等。根据操作对象对应的操作类型的操作次数得到对应的行为特征的规则具体可以根据实际需要进行设置。例如，可以将得到的操作对象对应的操作类型以及操作次数映射到特征向量空间，如对资源收益点击了3次映射得到的行为特征可以为[10000000000]，对资源风险这一操作对象放大了5次映射得到的行为特征可以表示为[010000000000]，行为特征的维度具体可以根据实际需要进行设置。例如50维等。

步骤S506，将待推荐用户的行为特征输入到预先训练的用户画像模型中，得到待推荐用户对应的用户画像。

具体地，用户画像模型用于预测用户画像。将待推荐用户的行为特征输入到预先训练的用户画像模型中，可以输出待推荐用户对应的用户画像。用户画像模型是预先根据训练数据进行模型训练得到的。通过训练数据进行模型训练，能够确定每个行为特征对应的模型参数，从而根据训练得到的模型参数得到用户画像模型。在进行模型训练时，可以采用有监督的模型训练方式，例如逻辑回归模型、贝叶斯模型、SVM(Support VectorMachine,支持向量机)等等。例如，可以获取已知用户画像以及对应的行为特征，然后将行为特征以及已知的用户画像作为训练数据进行模型训练。以SVM为例，在训练过程中可以采用随机梯度下降算法进行模型训练，在梯度下降过程中需要使得代价函数J(θ)最小对应的模型参数，从而得到用户画像模型。

本实施例中，由于点击或者放大操作对象通常反映用户比较关注该信息，滑动页面滚动条说明用户对该页面的信息不感兴趣、而拖动页面说明用户有在浏览页面上的信息，浏览时间长说明用户对该信息比较关注，例如，若用户对资源风险的内容放大的次数比较多，说明该用户是关注资源的风险的，对资源的类型例如是股票型还是债券方面的信息滑动的次数比较多，说明用户不关注资源的类型。因此可以利用这些操作行为数据来预测用户的用户画像，使得到的用户画像准确。可以理解，关联用户等用户的用户画像也可以参照的方法获取，即可以获取关联用户的操作数据集合，然后根据关联用户操作数据集合中操作对象对应的操作类型以及操作次数得到关联用户的行为特征，将关联用户的行为特征输入到预先训练的用户画像模型中，得到关联用户对应的用户画像在此不再赘述。

如图6所示，在一个实施例中，在步骤S506之前，还可以包括得到用户画像模型的步骤，包括：

步骤S602，获取多个训练操作数据集合以及各个训练操作数据集合对应的用户画像，训练操作数据集合包括训练操作行为的操作类型以及训练操作行为对应的训练操作对象。

具体地，可以通过用户对资源进行操作的操作日志得到每个用户对应的训练操作数据集合。训练操作数据集合对应的用户画像可以是人工标注的，也可以是通过其他方式获取的，例如，根据用户填写的用户画像调查问卷得到的。训练操作数据集合包括至少一个训练操作行为的操作类型以及对应的操作对象。操作类型可以包括点击操作、放大操作、缩小操作、滑动操作以及拖动操作中的其中之一或其任意组合。根据资源内容的类型可以将操作对象分为多种，例如资源的收益、资源的风险等级、资源的种类例如货币资金、保险产品、指数资金、以及资源的转移期限例如基金的锁定周期、运营该资源的基金公司类型等多种类型等等。

步骤S604，获取各个训练操作数据集合中的训练操作对象对应的操作类型以及操作次数，根据训练操作对象对应的操作类型以及操作次数得到训练行为特征。

具体地，对各个训练操作数据集合中的训练操作对象对应的操作类型的次数分别进行统计，得到各个训练操作对象对应的操作类型的操作次数，根据训练操作对象的操作类型统计得到的操作次数得到对应的行为特征。例如，第一个训练操作数据集合中对资源收益这一操作对象点击了3次以及对资源风险这一操作对象放大了3次。第二个训练操作数据集合中对资源风险这一操作对象放大了5次等等。根据训练操作对象对应的操作类型的操作次数得到对应的行为特征的规则具体可以根据实际需要进行设置。例如，可以将训练操作对象对应的操作类型的操作次数进映射到特征向量空间，如对资源收益点击了3次映射得到的行为特征可以为[10000000000]，对资源风险这一操作对象放大了5次映射得到的行为特征可以表示为[010000000000]，行为特征的维度具体可以根据实际需要进行设置。例如50维等。

步骤S606，将训练行为特征以及对应的训练操作集合对应的用户画像组成训练样本，根据训练样本进行模型训练得到用户画像模型。

具体地，训练样本用于对模型进行训练，以训练得到用户画像模型。得到训练行为特征后，将训练行为特征所对应的训练操作集合的用户画像组成一个训练样本进行模型训练，在进行模型训练的过程中，由于用户画像是已知的，因此可以通过不断调整模型参数使得根据输入的训练特征以及模型参数得到的用户画像是符合实际或者接近已知的用户画像的的，从而可以根据得到的模型参数得到用户画像模型。模型训练的模型可以为SVM(Support Vector Machine，支持向量机)分类器模型，神经网络(Artificial NeuralNetwork，ANN)分类器模型，逻辑回归算法(logistic Regression，LR)分类器模型和隐马尔可夫模型(Hidden Markov Model，HMM)等各种可以进行机器学习的模型。例如，在一个实施例中，可以采用支持向量机进行有监督的机器学习，核函数可以采用多项式函数。

如图7所示，在一个实施例中，提供了一种信息处理装置，该信息处理装置可以集成于上述的计算机设备120中，具体可以包括:

关联关系获取模块702，用于获取待推荐用户以及待推荐用户的关联关系信息。

关联用户得到模块704，用于根据待推荐用户的关联关系信息得到待推荐用户的关联用户。

用户画像获取模块706，用于获取关联用户的用户画像以及获取待推荐用户的用户画像。

画像差异度计算模块708，用于根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度。

权重得到模块710，用于根据画像差异度得到关联用户对应的资源影响权重。

第一推荐信息得到模块712，用于根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息。

在一个实施例中，第一推荐信息得到模块712用于：根据各个关联用户的历史资源转移数值以及对应的资源影响权重得到待推荐用户对应的推荐资源转移数值。

如图8所示，在一个实施例中，信息处理装置还包括画像级别获取模块802，用于获取关联用户的用户画像的画像级别以及待推荐用户的用户画像的画像级别。

画像差异度计算模块708用于：计算关联用户的用户画像的画像级别与待推荐用户的用户画像的画像级别的级别差异值。

如图9所示，在一个实施例中，待推荐用户的关联关系信息包括待推荐用户的亲属关联关系信息，信息处理装置还包括：

属性信息获取模块902，用于根据待推荐用户的亲属关联关系信息得到待推荐用户对应的亲属以及亲属的属性信息。

第二推荐信息得到模块904，用于根据待推荐用户的用户画像以及亲属的属性信息得到待推荐用户的资源推荐信息。

如图10所示，在一个实施例中，用户画像获取模块706包括：

目标集合获取单元1002，用于获取待推荐用户对应的目标操作数据集合，目标操作数据集合包括目标操作行为的操作类型以及目标操作行为对应的操作对象。

行为特征获取单元1004，用于根据操作对象对应的操作类型以及操作次数得到待推荐用户的行为特征。

用户画像获取单元1006，用于将待推荐用户的行为特征输入到预先训练的用户画像模型中，得到待推荐用户对应的用户画像。

如图11所示，在一个实施例中，信息处理装置还包括模型得到模块，包括：

训练集合获取模块1102，用于获取多个训练操作数据集合以及各个训练操作数据集合对应的用户画像，训练操作数据集合包括训练操作行为的操作类型以及训练操作行为对应的训练操作对象。

训练特征得到模块1104，用于获取各个训练操作数据集合中的训练操作对象对应的操作类型以及操作次数，根据训练操作对象对应的操作类型以及操作次数得到训练行为特征。

模型训练模块1106，将训练行为特征以及对应的训练操作集合对应的用户画像组成训练样本，根据训练样本进行模型训练得到用户画像模型。

如图12所示，为一个实施例中计算机设备的内部结构图，该计算机设备通过系统连接总线连接处理器、非易失性存储介质、内存储器和网络接口。其中，该计算机设备的非易失性存储介质可存储操作系统和计算机程序，该计算机程序被执行时，可使得处理器执行一种信息处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该内存储器中可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种信息处理方法。计算机设备的网络接口用于进行网络通信，如发送待推荐用户对应的资源推荐信息等。本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的信息处理装置可以实现为一种计算机程序的形式，计算机程序可在如图12所示的计算机设备上运行，计算机设备的非易失性存储介质可存储组成该信息处理装置的各个程序模块，比如图7中的关联关系获取模块702、关联用户得到模块704、用户画像获取模块706、画像差异度计算模块708、权重得到模块710和第一推荐信息得到模块712。各个程序模块中包括计算机程序，计算机程序用于使计算机设备执行本说明书中描述的本申请各个实施例的信息处理方法中的步骤，例如，计算机设备可以通过如图7所示的关联关系获取模块702获取待推荐用户以及待推荐用户的关联关系信息。通过关联用户得到模块704根据待推荐用户的关联关系信息得到待推荐用户的关联用户。通过用户画像获取模块706获取关联用户的用户画像以及获取待推荐用户的用户画像。通过画像差异度计算模块708根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度。通过权重得到模块710根据画像差异度得到关联用户对应的资源影响权重。通过第一推荐信息得到模块712根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息。

在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、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，处理器执行计算机程序时实现以下步骤：获取待推荐用户以及待推荐用户的关联关系信息。根据待推荐用户的关联关系信息得到待推荐用户的关联用户。获取关联用户的用户画像以及获取待推荐用户的用户画像。根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度。根据画像差异度得到关联用户对应的资源影响权重。根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息。

在其中一个实施例中，处理器执行计算机程序时还执行以下步骤：获取关联用户的用户画像的画像级别以及待推荐用户的用户画像的画像级别。根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度的步骤包括：计算关联用户的用户画像的画像级别与待推荐用户的用户画像的画像级别的级别差异值。

在其中一个实施例中，处理器所执行的根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息的步骤包括:根据各个关联用户的历史资源转移数值以及对应的资源影响权重得到待推荐用户对应的推荐资源转移数值。

在其中一个实施例中，待推荐用户的关联关系信息包括待推荐用户的亲属关联关系信息，处理器执行计算机程序时还执行以下步骤：根据待推荐用户的亲属关联关系信息得到待推荐用户对应的亲属以及亲属的属性信息。根据待推荐用户的用户画像以及亲属的属性信息得到待推荐用户的资源推荐信息。

在其中一个实施例中，处理器所执行的获取待推荐用户的用户画像的步骤包括：获取待推荐用户对应的目标操作数据集合，目标操作数据集合包括目标操作行为的操作类型以及目标操作行为对应的操作对象。获取目标操作对象对应的操作类型以及操作次数，根据目标操作对象对应的操作类型以及操作次数得到待推荐用户的行为特征。将待推荐用户的行为特征输入到预先训练的用户画像模型中，得到待推荐用户对应的用户画像。

在其中一个实施例中，处理器执行计算机程序时还执行以下步骤：获取多个训练操作数据集合以及各个训练操作数据集合对应的用户画像，训练操作数据集合包括训练操作行为的操作类型以及训练操作行为对应的训练操作对象。获取各个训练操作数据集合中的训练操作对象对应的操作类型以及操作次数，根据训练操作对象对应的操作类型以及操作次数得到训练行为特征。将训练行为特征以及对应的训练操作集合对应的用户画像组成训练样本，根据训练样本进行模型训练得到用户画像模型。

在其中一个实施例中，操作类型包括点击操作、放大操作、缩小操作、滑动操作以及拖动操作中的其中之一或其任意组合。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：获取待推荐用户以及待推荐用户的关联关系信息。根据待推荐用户的关联关系信息得到待推荐用户的关联用户。获取关联用户的用户画像以及获取待推荐用户的用户画像。根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度。根据画像差异度得到关联用户对应的资源影响权重。根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息。

在其中一个实施例中，处理器执行计算机程序时还执行以下步骤：获取关联用户的用户画像的画像级别以及待推荐用户的用户画像的画像级别。根据待推荐用户的用户画像与关联用户的用户画像得到画像差异度的步骤包括：计算关联用户的用户画像的画像级别与待推荐用户的用户画像的画像级别的级别差异值。

在其中一个实施例中，处理器所执行的根据各个关联用户的历史资源转移数据以及对应的资源影响权重得到待推荐用户对应的资源推荐信息的步骤包括:根据各个关联用户的历史资源转移数值以及对应的资源影响权重得到待推荐用户对应的推荐资源转移数值。

在其中一个实施例中，待推荐用户的关联关系信息包括待推荐用户的亲属关联关系信息，处理器执行计算机程序时还执行以下步骤：根据待推荐用户的亲属关联关系信息得到待推荐用户对应的亲属以及亲属的属性信息。根据待推荐用户的用户画像以及亲属的属性信息得到待推荐用户的资源推荐信息。

在其中一个实施例中，处理器所执行的获取及待推荐用户的用户画像的步骤包括：获取待推荐用户对应的目标操作数据集合，目标操作数据集合包括目标操作行为的操作类型以及目标操作行为对应的操作对象。获取目标操作对象对应的操作类型以及操作次数，根据目标操作对象对应的操作类型以及操作次数得到待推荐用户的行为特征。将待推荐用户的行为特征输入到预先训练的用户画像模型中，得到待推荐用户对应的用户画像。

在其中一个实施例中，处理器执行计算机程序时还执行以下步骤：获取多个训练操作数据集合以及各个训练操作数据集合对应的用户画像，训练操作数据集合包括训练操作行为的操作类型以及训练操作行为对应的训练操作对象。获取各个训练操作数据集合中的训练操作对象对应的操作类型以及操作次数，根据训练操作对象对应的操作类型以及操作次数得到训练行为特征。将训练行为特征以及对应的训练操作集合对应的用户画像组成训练样本，根据训练样本进行模型训练得到用户画像模型。

在其中一个实施例中，操作类型包括点击操作、放大操作、缩小操作、滑动操作以及拖动操作中的其中之一或其任意组合。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种信息处理方法，其特征在于，所述方法包括：

获取待推荐用户以及所述待推荐用户的关联关系信息；

根据所述待推荐用户的关联关系信息得到所述待推荐用户的关联用户；

获取所述关联用户的用户画像以及获取所述待推荐用户的用户画像；

根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度；

根据所述画像差异度得到所述关联用户对应的资源影响权重；

根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述关联用户的用户画像的画像级别以及所述待推荐用户的用户画像的画像级别；

所述根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度的步骤包括：

计算所述关联用户的用户画像的画像级别与所述待推荐用户的用户画像的画像级别的级别差异值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息的步骤包括：

根据所述各个关联用户的历史资源转移数值以及对应的资源影响权重得到所述待推荐用户对应的推荐资源转移数值。

4.根据权利要求1所述的方法，其特征在于，所述待推荐用户的关联关系信息包括所述待推荐用户的亲属关联关系信息，所述方法还包括：

根据所述待推荐用户的亲属关联关系信息得到所述待推荐用户对应的亲属以及所述亲属的属性信息；

根据所述待推荐用户的用户画像以及所述亲属的属性信息得到所述待推荐用户的资源推荐信息。

5.根据权利要求1所述的方法，其特征在于，所述获取所述待推荐用户的用户画像的步骤包括：

获取所述待推荐用户对应的目标操作数据集合，所述目标操作数据集合包括目标操作行为的操作类型以及所述目标操作行为对应的操作对象；

获取所述目标操作对象对应的操作类型以及操作次数，根据所述目标操作对象对应的操作类型以及操作次数得到待推荐用户的行为特征；

将所述待推荐用户的行为特征输入到预先训练的用户画像模型中，得到所述待推荐用户对应的用户画像。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取多个训练操作数据集合以及所述各个训练操作数据集合对应的用户画像，所述训练操作数据集合包括训练操作行为的操作类型以及所述训练操作行为对应的训练操作对象；

获取所述各个训练操作数据集合中的训练操作对象对应的操作类型以及操作次数，根据所述训练操作对象对应的操作类型以及操作次数得到训练行为特征；

将所述训练行为特征以及对应的训练操作集合对应的用户画像组成训练样本，根据所述训练样本进行模型训练得到所述用户画像模型。

7.根据权利要求5所述的方法，其特征在于，所述操作类型包括点击操作、放大操作、缩小操作、滑动操作以及拖动操作中的其中之一或其任意组合。

8.一种信息处理装置，其特征在于，所述装置包括：

关联关系获取模块，用于获取待推荐用户以及所述待推荐用户的关联关系信息；

关联用户得到模块，用于根据所述待推荐用户的关联关系信息得到所述待推荐用户的关联用户；

用户画像获取模块，用于获取所述关联用户的用户画像以及获取所述待推荐用户的用户画像；

画像差异度计算模块，用于根据所述待推荐用户的用户画像与所述关联用户的用户画像得到画像差异度；

权重得到模块，用于根据所述画像差异度得到所述关联用户对应的资源影响权重；

推荐信息得到模块，用于根据所述各个关联用户的历史资源转移数据以及对应的资源影响权重得到所述待推荐用户对应的资源推荐信息。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述信息处理方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述信息处理方法的步骤。