CN108322317B - 一种账号识别关联方法及服务器 - Google Patents
一种账号识别关联方法及服务器 Download PDFInfo
- Publication number
- CN108322317B CN108322317B CN201710032683.2A CN201710032683A CN108322317B CN 108322317 B CN108322317 B CN 108322317B CN 201710032683 A CN201710032683 A CN 201710032683A CN 108322317 B CN108322317 B CN 108322317B
- Authority
- CN
- China
- Prior art keywords
- preset
- user account
- model
- score
- terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/40—Support for services or applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5064—Customer relationship management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种账号识别关联方法,包括:获取用户第一历史记录,用户第一历史记录包括用户在终端对应的至少一个第一用户账号的关系数据,以及关系数据中的每个第一用户账号的至少两个维度使用记录;调用预设关联推荐模型,预设关联推荐模型用于处理每个第一用户账号的至少两个维度使用记录,输出与每个第一用户账号对应的第一评分,得到至少一个第一评分;调用至少一个第一评分和预设评分与置信度的对应关系,获取与至少一个第一评分对应的至少一个置信度;从至少一个置信度获取满足预设选择规则的第一置信度,依据与第一置信度对应的第一用户账号的至少两个维度使用记录为终端推送相关联数据。本发明实施例还同时提供了一种服务器。
Description
技术领域
本发明涉及通信领域中的互联网技术,尤其涉及一种账号识别关联方法及服务器。
背景技术
随着通信技术的飞速发展,客户端的功能和智能性也越来越丰富,当用户通过客户端在进行业务应用时,如通过客户端安装的视频应用播放视频时,发送播放请求或请求下载视频的请求等等业务请求,服务器会收集这些业务请求,并根据业务请求确定用户的置信度,通过置信度等智能地为用户推荐相关联的媒体信息(如某一个综艺视频或电视剧视频)或用户信息,从而方便用户选择更多感兴趣的相关媒体信息或具有相同爱好的关联用户的信息,例如,在观看视频时,视频客户端可以根据用户选择的视频类型,通过服务器的判断实现智能推荐与其关联的视频给用户,便于用户选择。于是,如何能够种类繁多的物品大数据中挖掘出有相同兴趣的好友用户或物品是一个需要关注的问题。
目前技术中,服务器通过判断相似度或关联度(例如置信度)为第一用户智能推荐与用户关注或请求相关联的第二用户或物品等相关数据。但是,在现实中人们经常换终端设备或是终端设备对应的通信账号(用户帐号),因此,在全量关系数据中会存在有一个终端对应多个用户账号的情况,或是一个用户号对应多个终端的关系数据。在这样的情况下,服务器通过使用最频繁的用户账号作为第一用户,该服务器给该第一用户进行相关推荐数据。
然而,由于终端的使用的用户账号的改变等原因,会存在当前终端上使用的用户账号不是该终端上目前统计出的使用最频繁的用户账号,因此,服务器按照之前的第一用户的喜好等推荐的相关数据会非常不准确。
发明内容
为解决上述技术问题,本发明实施例期望提供一种账号识别关联方法及服务器,能够在终端上的使用的用户账号改变的情况下,适应性确定等待关联的用户数据,从而为该终端上的等待关联的用户数据推荐相关联数据,提高了关联推荐的准确度。
本发明的技术方案是这样实现的:
本发明实施例提供了一种账号识别关联方法,包括:
为获取用户第一历史记录,所述用户第一历史记录包括用户在终端对应的至少一个第一用户账号的关系数据,以及所述关系数据中的每个第一用户账号的至少两个维度使用记录;
调用预设关联推荐模型,所述预设关联推荐模型用于处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,所述至少一个第一用户账号分别对应所述至少一个第一评分;
调用所述至少一个第一评分和预设评分与置信度的对应关系,获取与所述至少一个第一评分对应的至少一个置信度;
从所述至少一个置信度获取满足预设选择规则的第一置信度,依据与所述第一置信度对应的第一用户账号的至少两个维度使用记录为所述终端推送相关联数据,所述预设选择规则由实际推送相关联数据的类型决定。
本发明实施例提供了一种服务器,包括:
获取单元,用于获取用户第一历史记录,所述用户第一历史记录包括与用户在终端对应的至少一个第一用户账号的关系数据,以及所述关系数据中的每个第一用户账号的至少两个维度使用记录;
调用单元,用于调用预设关联推荐模型,所述预设关联推荐模型用于处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,所述至少一个第一用户账号分别对应所述至少一个第一评分;
所述获取单元,还用于调用所述至少一个第一评分和预设评分与置信度的对应关系,获取与所述至少一个第一评分对应的至少一个置信度;以及从所述至少一个置信度获取满足预设选择规则的第一置信度,依据与所述第一置信度对应的第一用户账号的至少两个维度使用记录为所述终端推送相关联数据,所述预设选择规则由实际推送相关联数据的类型决定。
本发明实施例提供了一种账号识别关联方法及服务器,基于用户在终端上的历史行为获取用户第一历史记录,用户第一历史记录包括与终端对应的至少一个第一用户账号的关系数据,以及该关系数据中的每个第一用户账号的至少两个维度使用记录;调用预设关联推荐模型,预设关联推荐模型用于处理每个第一用户账号的至少两个维度使用记录,输出与每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,至少一个第一用户账号分别对应至少一个第一评分;调用至少一个第一评分和预设评分与置信度的对应关系,获取与至少一个第一评分对应的至少一个置信度;从至少一个置信度获取满足预设选择规则的第一置信度,依据与第一置信度对应的第一用户账号的至少两个维度使用记录为终端推送相关联数据,预设选择规则由实际推送相关联数据的类型决定。采用上述技术实现方案,由于服务器可以通过预设关联推荐模型计算出终端对应的每个第一用户账号的关系数据对应的第一评分,进而获取关系数据中的每个第一用户账号对应的置信度,从而使得服务器可以根据预设选择规则实现不同情况下,终端动态选择用户账号作为待推荐用户,实现了在终端上的使用的用户账号改变的情况下,适应性确定等待关联的用户数据,从而为该终端上的等待关联的用户数据推荐相关联数据,提高了关联推荐的准确度。
附图说明
图1为本发明实施例中进行数据处理系统中的各种硬件实体的示意图;
图2为本发明实施例提供的一种账号识别关联方法的框架示意图一;
图3为本发明实施例提供的一种账号识别关联方法的框架示意图二;
图4为本发明实施例提供的一种账号识别关联方法的框架示意图三;
图5为本发明实施例提供的示例性的终端与用户账号的关系准确率图表1;
图6为本发明实施例提供的示例性的终端与用户账号的关系准确率图表2;
图7为本发明实施例提供的一种账号识别关联方法的框架示意图四;
图8为本发明实施例提供的一种服务器的结构示意图一;
图9为本发明实施例提供的一种服务器的结构示意图二;
图10为本发明实施例提供的一种服务器的结构示意图三。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
终端:指移动电子设备,也被称为行动装置(英语:Mobile device)、流动装置、手持装置(handheld device)、可穿戴设备等,是一种基于嵌入式芯片的计算设备,通常有一个小的显示萤幕,触控输入,或是小型的键盘。
机器学习:依托概率论,统计学,神经传播等理论,使计算机能够模拟人类的学习行为,以获取新的知识或者技能,重新组织已有知识结构使之不断改善自身的性能。
模型训练:将人工选择的样本输入给机器学习系统,通过不断调整模型参数,使最终模型对样本识别的准确率达到最优。
移动设备国际识别码(IMEI,International Mobile Equipment Identity),是手机的唯一识别号码。
RFM模型:在RFM模式中,R(Recency)表示客户最近一次使用的时间有多远,F(Frequency)表示客户在最近一段时间内使用的次数,M(Monetary)表示客户在最近一段时间内使用的金额。本方案中用到的R表示上报时间,F表示上报频率,M表示上报源。
IMEI-用户账号:表示一个终端(IMEI)与一个用户账号的一条关系数据。
如图1所示,为本发明实施例中进行数据处理系统的架构中的各种硬件实体的示意图,图1中包括:一个或多个服务器1、终端设备21-25及网络3,网络3中包括路由器,网关等等网络实体,图1中并未体现。终端设备21-25通过有线网络或者无线网络与服务器1进行业务产品信息交互,以便从终端21-25获取通过用户行为产生时间相关数据并传输至服务器1。终端设备的类型如图1所示,包括手机(终端23)、平板电脑或PDA(终端25)、台式机(终端22)、PC机(终端24)、一体机(终端21)等类型。其中,终端设备中安装有各种用户所需的应用功能模块,比如具备娱乐功能的应用(如视频应用,音频播放应用,游戏应用,阅读软件),又如具备服务功能的应用(如地图导航应用、团购应用、拍摄应用等),再者比如设置应用等系统功能。
基于上述图1所示的硬件实体,用户通过使用终端或终端上的应用产生使用终端的相应使用数据,具体的该使用数据为用户第一历史记录,服务器通过终端获取该终端上的用户第一历史记录数据进行评分计算,并且结合预设评分与置信度的对应关系,以及预设选择规则,依据终端的第一置信度对应的第一用户账号的至少两个维度使用记录为该终端推送相关联数据。本发明实施例提供的账号识别关联方法是基于服务器基于用户第一历史记录,通过预设关联推荐模型,得到评分结果,进而确定出第一置信度对应的第一用户账号的过程。
上述图1的例子只是实现本发明实施例的一个系统架构实例,本发明实施例并不限于上述图1所述的系统结构,基于该系统架构,提出本发明各个实施例。
实施例一
本发明实施例提供了一种账号识别关联方法,如图2所示,该方法可以包括:
S101、获取用户第一历史记录,该用户第一历史记录包括与用户在终端对应的至少一个第一用户账号的关系数据,以及该关系数据中的每个第一用户账号的至少两个维度使用记录。
需要说明的是,本发明实施例提供的账号识别关联方法是服务器基于用户在一个终端上对应的多个第一用户账号的关系数据对应的用户第一历史记录,通过预设关联推荐模型,得到评分结果,进而确定出第一置信度对应的第一用户账号的过程。
可选的,本发明实施例中的终端为安装有各种应用的电子设备。
在本发明实施例中,由于服务器与终端进行数据交互,因此,当用户在终端上进行应用的使用或操作时,该服务器可以获取到该终端上报的用户终端与至少一个第一用户账号的关系数据,及该关系数据中的使用记录。而针对一个终端,该终端可以对应多个第一用户账号,即终端与用户账号的关系数据,其中,用户在终端上使用每个第一用户账号时,产生了第一使用数据,于是终端可以将所述第一使用数据及其关系数据上报给服务器,而该服务器可以根据该第一使用数据获取到关系数据中的每个第一用户账号对应的至少两个维度使用记录了。总之,服务器可以获取到一个终端对应的多个第一用户账号的关系数据,以及该关系数据中的每个第一用户账号对应的至少两个维度使用户记录。
可选的,在本发明实施例中,每个第一用户账号的至少两个维度使用记录包括:每个第一用户账号的使用时间、每个第一用户账号的使用次数和每个第一用户账号的使用来源中的至少两个。但是本发明实施例也可以不限制其至少两个维度使用记录的个数和数据类型。
优选的,在本发明实施例中,服务器可以采用RFM模型获取至少两个维度使用数据的情况,于是,该服务器可以获取终端对应的每个第一用户账号的使用时间、每个第一用户账号的使用次数和每个第一用户账号的使用来源等历史记录。
在本发明实施例中,第一用户账号可以为终端对应的通信账号(例如,手机号码)或终端上的第一应用的登录账号等,即至少一个第一用户账号包括:终端对应的至少一个通信账号或终端上的第一应用的至少一个登录账号,本发明实施例不作限制。其中,第一应用为终端上安装的各种需要进行用户登录或注册的功能应用,具体的应用类型本发明实施例不作限制。
需要说明的是,终端的标识可以用IMEI进行表示,在终端向服务器上报该终端上的基于用户行为的使用记录的时候,该终端同时将自身与用户账号的关系数据,即IMEI-用户账号的关系数据也一起上报给服务器了。
S102、调用预设关联推荐模型处理每个第一用户账号的至少两个维度使用记录,输出与每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,该至少一个第一用户账号分别对应该至少一个第一评分。
服务器基于用户在终端上的历史行为获取用户第一历史记录之后,该服务器获知了终端与用户账号的关系数据,以及关系数据中每个用户账号的多维度使用记录,并且该服务器中已经建立了预设关联推荐模型,该预设关联推荐模型是用于对关系数据中的每一条关系数据进行多个维度的综合评分的,因此,该服务器通过调用预设关联推荐模型来处理每个第一用户账号的至少两个维度使用记录,输出与每个第一用户账号对应的第一评分,那么,服务器就可以得到至少一个第一用户账号对应的至少一个第一评分了。
需要说明的是,在本发明实施例中,预设关联推荐模型可以由两部分组成,一部分为针对每个维度使用记录进行重要度评分的预设第一模型,一部分为针对经预设第一模型后输出的每个维度使用记录对应的分数的总和进行综合加权评分的预设第二模型。
在本发明实施例中,第一评分为终端对应的至少一个第一用户账号的关系数据对应的多维度评判的综合评分结果,其中,该综合评分结果用于表征终端对应的至少一个第一用户账号的关系数据中的每个关系数据的置信度准确率的,即哪条关系数据的综合评分结果越高,那么,该条关系数据在该终端对应的至少一个第一用户账号的关系数据中对应的置信度也会越高,于是,服务器就判断出该条关系数据中的第一用户账号就是该终端上的常用用户账号。
示例性的,假设每个第一用户账号的至少两个维度使用记录包括:每个第一用户账号的使用时间、每个第一用户账号的使用次数和每个第一用户账号的使用来源中,那么,服务器可以通过预设关联推荐模型计算出每个第一用户账号的使用时间的重要度分值、每个第一用户账号的使用次数的重要度分值和每个第一用户账号的使用来源的重要度分值,并根据每个第一用户账号的使用时间的重要度分值、每个第一用户账号的使用次数的重要度分值和每个第一用户账号的使用来源的重要度分值和预设关联推荐模型,得到了三个维度使用记录的综合评分结果。详细的过程将在实施例二中进行说明。
S103、调用至少一个第一评分和预设评分与置信度的对应关系,获取与该至少一个第一评分对应的至少一个置信度。
服务器将通过调用预设关联推荐模型处理每个第一用户账号的至少两个维度使用记录,获得与每个第一用户账号对应的第一评分,得到至少一个第一评分之后,由于服务器获取到了终端与至少一个用户账号的关系数据对应的至少一个第一评分,并且,该服务器在进行预设关联推荐模型的之后,该服务器就可以根据预设关联推荐模型获取到预设评分与置信度的对应关系了,因此,该服务器可以根据至少一个第一评分和预设评分与置信度的对应关系,获取与该至少一个第一评分对应的,即该服务器获取处理与至少一个关系数据对应的至少一个置信度了。
具体的,服务器将至少一个第一评分依次与预设评分与置信度的对应关系进行匹配,当至少一个第一评分中的每个第一评分与预设评分与置信度的对应关系中的第四评分匹配时,该服务器将预设评分与置信度的对应关系中的第四评分对应的置信度,确定为与每个第一评分对应的置信度。
进一步地,预设评分与置信度的对应关系的获取将在后续实施例中进行说明。
S104、从至少一个置信度获取满足预设选择规则的第一置信度,依据与该第一置信度对应的第一用户账号的至少两个维度使用记录为终端推送相关联数据,该预设选择规则由实际推送相关联数据的类型决定。
服务器根据至少一个第一评分和预设评分与置信度的对应关系,获取与该至少一个第一评分对应的至少一个置信度之后,在本发明实施例中,服务器是根据置信度来进行关联度的判断,进行选择出推荐的相关联数据的,而置信度又是每个关系数据对应的,因此,服务器可以从至少一个关系数据中,获取到为哪个关系数据进行相关联数据的推荐了。
需要说明的是,由于服务器向终端进行相关联数据的类型可以有多种,例如:广告、视频和音频等等内容,因此,该服务器针对不同的被推荐相关联数据的类型,可以采用不同的规则即预设选择规则从至少一个置信度来选择第一置信度,从而依据与该第一置信度对应的第一用户账号的至少两个维度使用记录(至少一个关系数据中的其中一个或多个)为终端推送相关联数据。
具体的,在本发明实施例中,服务器可以从至少一个置信度获取置信度最高的所述第一置信度,依据与该第一置信度对应的第一用户账号的至少两个维度使用记录为终端推送相关联数据。例如,服务器要向终端推荐相关联的视频时,该服务器可以选择与该终端的爱好等关联度高的相关视频作为被推荐的视频,由于本发明实施例中,置信度越高表征关联性越准确,因此,该服务器就选择第一置信度对应的关系数据中的用户使用记录即至少两个维度使用记录作为用户喜好或爱好的参考,进行相关联数据的推荐。
并且,服务器还可以从至少一个置信度获取与所述至少一个第一用户账号最多对应的第一置信度,依据与该第一置信度对应的第一用户账号的至少两个维度使用记录为终端推送相关联数据。例如,服务器要向终端推荐相关联的广告时,该服务器可以选择与该终端与至少一个第一用户账号的关系数据中与至少一个第一用户账号最多对应的关联广告作为被推荐的广告,这样的话,被推荐的广告就可以让尽量多的用户可以看到,因此,本发明实施例中,该服务器就选择与所述至少一个第一用户账号最多对应的第一置信度对应的关系数据中的用户使用记录即至少两个维度使用记录作为用户喜好或爱好的参考,进行相关联数据的推荐。
可以理解的是,由于服务器可以通过预设关联推荐模型计算出终端对应每个第一用户账号的关系数据对应的第一评分,进而获取关系数据中的每个第一用户账号对应的置信度,从而使得服务器可以根据预设选择规则实现不同情况下,终端动态选择用户账号作为待推荐用户,实现了在终端上的使用的用户账号改变的情况下,适应性确定等待关联的用户数据,从而为该终端上的等待关联的用户数据推荐相关联数据,提高了关联推荐的准确度。
实施例二
基于实施例一的实现过程,如图3所示,本发明实施例提供了一种账号识别关联方法,服务器调用预设关联推荐模型,该关联推荐模型用于处理每个第一用户账号的至少两个维度使用记录,输出与该每个第一用户账号对应的第一评分,得到至少一个第一评分的过程可以包括:
S201、调用预设第一模型处理每个第一用户账号的至少两个维度使用记录,输出与每个第一用户账号的至少两个维度使用记录对应的至少两个第二评分,其中,该预设关联推荐模型包括:预设第一模型,该预设第一模型用于分别对每个第一用户账号的至少两个维度使用记录的重要度进行评分。
在本发明实施例中,预设关联推荐模型可以由两部分组成,一部分为针对每个维度使用记录进行重要度评分的预设第一模型,一部分为针对经预设第一模型后输出的每个维度使用记录对应的分数的总和进行综合加权评分的预设第二模型。
示例性的,假设每个第一用户账号的至少两个维度使用记录包括:每个第一用户账号的使用时间、每个第一用户账号的使用次数和每个第一用户账号的使用来源中,那么,服务器可以通过预设关联推荐模型计算出每个第一用户账号的使用时间的重要度分值、每个第一用户账号的使用次数的重要度分值和每个第一用户账号的使用来源的重要度分值。
可选的,本发明实施例中,预设第一模型可以包括:公式(1)、公式(2)和公式(3)中的至少两个,其中,公式(1)、公式(2)和公式(3)为:
lg(1/(1+(n/30)*n))/N (2)
lg(j/k)/J (3)
其中,m为每个第一用户账号的使用来源的总个数,mi为每个第一用户账号的第i个使用来源,hi为每个第一用户账号的第i个使用来源对应的预设分数,H为预设使用来源总数,M为预设第一归一化参数,并且m小于H;n为每个第一用户账号的使用时间距当前时间的天数,N为预设第一归一化参数;j为每个第一用户账号的使用次数,k为预设时间,J为预设第三归一化参数。
在本发明实施例中,M,N和J都是归一化参数,为正整数。具体的,M的取值可以为的值落在两个相邻整数区间时的上限值的绝对值;N的取值可以为lg(1/(1+(n/30)*n))的值落在两个相邻整数区间时的上限值的绝对值;J的取值可以为lg(j/k)的值落在两个相邻整数区间时的上限值的绝对值。
需要说明的是,在本发明实施例中,公式(1)是用来计算每个第一用户账号的使用来源分数的模型;公式(2)是用来计算每个第一用户账号的使用时间分数的模型;公式(3)是用来计算每个第一用户账号的使用次数分数的模型。
具体的,服务器在对每个第一用户账号的使用来源进行评分时,由于每个第一用户账号的使用来源可以分为主动来源和被动来源,因此,针对不同的使用来源对应的hi,即每个第一用户账号的第i个使用来源对应的预设分数也是不同的,主动来源对应的hi的值高于被动来源对应的hi的值,并且被动来源对应的hi值可以根据计算出的与主动来源上报准确率来分别赋不同值,和主动来源越相同,则hi的值越高,例如,主动来源对应的hi的值可以为2,被动来源对应的hi的值范围相应的可以为1~1.9之间。每个第一用户账号的使用来源越多,通过公式(1)得到的每个第一用户账号的使用来源对应的分数越高。服务器在对每个第一用户账号的使用时间进行评分时,公式(2)表示n距离当前时间越长,每个第一用户账号的使用时间得到的分数越低,同时为了优化时间衰减,对于一个30天内上报的第一用户账号给的分数更高,衰减更慢;而超过30天上报的数据,衰减更快,因此,在公式(2)中的在取对数的分母加上(n/30)来优化。总之,每个第一用户账号的使用时间距离当前时间越近,分数越高。服务器在对每个第一用户账号的使用次数进行评分时,当每个第一用户账号的使用次数越多,分数越高。
进一步地,本发明实施例并不限制预设第一模型的形式,只要预设第一模型可以表征多个维度使用记录的评分即可,本发明实施例不作限制。例如公式(1)、公式(2)和公式(3)还可以对应变形为:公式(4)、公式(5)和公式(6),如下:
1-lg(1/(1+(n/30)*n))/N (5)
1-lg(j/k)/J (6)
最后,公式(1)-(6)中的对数运算的作用为了对分数进行归一化。
S202、调用预设第二模型处理至少两个第二评分,输出与每个第一用户账号对应的第一评分,直至得到至少一个第一评分,其中,该预设关联推荐模型还包括:预设第二模型,该预设第二模型用于对该至少两个第二评分进行加权得到总评分。
服务器在调用预设第一模型处理每个第一用户账号的至少两个维度使用记录,输出与每个第一用户账号的至少两个维度使用记录对应的至少两个第二评分之后,由于预设第二模型用于对该至少两个第二评分进行加权得到总评分,因此,该服务器就可以调用预设第二模型处理至少两个第二评分,输出与每个第一用户账号对应的第一评分,进而采用同样的方法,该服务器可以获取到至少一个第一用户账号对应的至少一个第一评分了。
在本发明实施例中,预设第二模型中,每个第一用户账号对应的至少两个第二评分对应不同的权重值,服务器可以对每个第一用户账号对应的至少两个第二评分进行加权得出综合评分,即第一评分,而在使用来源,使用时间和使用次数三个维度,使用时间是最重要的一个因素,因此。使用时间对应的权重更高,其它两个权重更低一些。基于这个原则,本发明实施例中的预设第二模型可以为训练模型经过训练得到的,具体的实现过程将在后续实施例中进行说明。
可选的,本发明实施例中的预设第二模型的构造或生成方法可以通过常见的机器学习的分类方法进行,例如,支持向量机、逻辑回归、决策树、GBDT或神经网络。本发明实施例中通过将每个第一用户账号对应的至少两个第二评分作为目标变量,调用构造好的样本进行训练,并调整权重参数,得到能够基于多个维度的综合评分的最优模型。
可以理解的是,由于服务器可以通过预设关联推荐模型计算出终端对应每个第一用户账号的关系数据对应的第一评分,进而获取关系数据中的每个第一用户账号对应的置信度,从而使得服务器可以根据预设选择规则实现不同情况下,终端动态选择用户账号作为待推荐用户,实现了在终端上的使用的用户账号改变的情况下,适应性确定等待关联的用户数据,从而为该终端上的等待关联的用户数据推荐相关联数据,提高了关联推荐的准确度。
实施例三
基于实施例二的实现过程的描述,本发明实施例提供一种基于引入机器学习技术而形成一种预设第二模型,对每一次点击分类都会考虑所有特征维度然后综合进行判断。在形成预设第二模型的初期,仍然需要人工挑选尽可能多维度的特征(即样本的特征)供机器学习模型训练,根据特征对第一训练结果的区分度决定选用哪些特征擦描述,这里基本不存在人工干预选择参数的问题,机器学习可以自己学习出合适的参数来;由于特征含义相比没有意义的参数看来更为直观,结合特征的分布,解释起来也比较容易理解;首先基于机器学习模型的实时综合评价,综合评价涉及到多个维度使用记录的综合考虑,提高了综合评分的准确性。另外由于模型自身具有进化学习的功能。即使在允许范围发生更新或删减,通过简单的重新进行模型训练(有时候需要对特征进行微调),即可以识别新的允许范围的确定并进行预设第二模型的调整,使综合评分结果的准确性。
机器学习技术在多个维度的综合评分中的应用可以自由的分享和传播,因为机器学习综合评分全面且可以自我进化,不针对特定某种用户账号,因此,甚至对同一终端的不同用户账号一样可以公开基于机器学习模型的综合评分做法。基于前述的实施例,本发明实施例提供一种形成预设第二模型的方法,如图4所示,该方法包括:
S301、按照预设的配置比例获取正样本和负样本,该正样本和该负样本为第一终端与至少一个第二用户账号的对应关系,以及每个第二用户账号通过预设第一模型得到的至少两个第三评分。
这里,在实际操作的过程中,综合评分结果为优(正样本)和综合评分结果为差(负样本)会存在一定的比例,这个比例即为配置比例,在形成预设第二模型时,服务器对训练数据的配置(已有用户性为的样本和对应的综合评分结果)也需要按照该配置比例进行设置。其中,正样本和负样本为第一终端与至少一个第二用户账号的对应关系,以及每个第二用户账号通过预设第一模型得到的至少两个第三评分。
S302、调用设置的训练模型处理正样本或负样本,得到第一训练结果。
需要说明的是,本发明实施例中的服务器对正样本和负样本的每个第二用户账号通过预设第一模型得到的至少两个第三评分和每个第一用户账号得到对应的至少来年各个第二评分的原理相同。
可以理解的是,本发明实施例中的正样本和负样本涉及的允许范围越完整,后续的综合评分评价是越准确的。
S303、持续检测训练模型,直至第一训练结果满足预设条件,并将该第一训练结果满足预设条件的所述训练模型作为预设第二模型,该预设条件用于表征根据该预设第二模型得到的数据输出结果运用于确定终端最常用用户账号时,最接近该终端的真实常用用户账号。
本发明实施例中,不管采用何种训练模型,在开始训练之时,该训练模型的录入包括上述至少两个维度的特征,经过多次试验如果该特征不对第一训练结果产生有利影响或者错误的时候,就降低该维度的特征或数据的权重,如果该特征对第一训练结果产生有利影响时候,就提高该特征或数据的权重,如果一个参数的权重降低为0,那么在训练模型中该特征将不起任何作用了。经过本发明实施例的最终试验,上述不同的维度的特征最终对第一训练结果能够产生积极影响的是长期特征(即本发明实施例中的至少两个第三评分)。下面假设不同维度的特征只包括至少两个维度使用记录对应的至少两个第三评分(即已经将其他的不符的特征都剔除掉了),那么上述的预设第二模型的形成过程大致包括:将正样本或负样本的至少两个维度使用记录对应的至少两个第三评分输入训练模型(即调用训练模型),从训练模型获得第一训练结果;其中进行构造的训练模型以至少两个第三评分,且每一个至少两个第三评分具有对应的权值(预设优先权);持续监测第一训练结果直至满足预设条件时,则将训练模型作为预设第二模型。
可选的,本发明实施例中的预设条件可以为综合结果的准确率达到预设阈值,该预设阈值可以为99%,具体的预设阈值的确定可设置,本发明实施例不作限制,但是,预设阈值设置的越高,达到该预设阈值或预设条件的综合评分的预设第二模型就越精确。
示例性的,如图5所示终端与用户账号的关系准确率图表1,服务器在得到预设第二模型的过程中,以置信度准确率来表示综合结果的准确率,以预设阈值为99%,采用RFM模型获取三个维度使用数据,即每个第一用户账号的使用时间(R)、每个第一用户账号的使用次数(F)和每个第一用户账号的使用来源(S)为用户第一历史记录为例,由图5中可知:当每个第一用户的使用时间,即R的权重值为0.7的时候,置信度准确率满足预设条件,因此,服务器训练出来的预设第二模型的每个第一用户的使用时间对应的权重为0.7,每个第一用户账号的使用次数和每个第一用户账号的使用来源的权重之和为0.3,具体的,每个第一用户账号的使用次数对应的权重可以为0.2和每个第一用户账号的使用来源对应的权重值可以为0.1。
再者,示例性的,从图6所示的终端与用户账号的关系准确率图表2可知:若是服务器采用单一维度(R、F和M)置信度准确率(76.5%)没有采用RFM模型获取的三个两个维度使用数据对应的权重加权总分达到的置信度准确率(88.20%)高。从图5中可知:若是服务器采用单一维度(R、F和M)或是不采用权重值直接对多维度的第二评分(RFM总分)直接评分时的置信度准确率没有采用RFM模型获取的三个两个维度使用数据对应的权重加权总分达到的置信度准确率高,并且以R的权重值为0.7的时候最高,置信度准确率达到了99%。
从以上流程可以看出,1)本发明实施例采用了基于预设第二模型的综合评分方式,当构造终端与至少一个第一用户账号的关系数据中的一个第一用户账号与至少两个第二评分进行基于多个维度的综合评分,充分利用了终端上的每个第一用户账号对应的多个维度使用记录,得到预设第二模型,能够有效得到反映终端上的每个第一用户账号的使用可信赖程度的指标,实现对相关终端上的每个第一用户账号的使用评估;2)本发明实施例引入了关系数据中的各种不同维度的与第一用户账号的使用来对训练模型进行训练,根据第一训练结果确定最终核实的多个关系数据中的第一用户账号的使用的综合评分,如此提升了用户账户综合评分的准确性。3)本发明实施例采用的预设第二模型的一个显著特点是模型可以自我进化,根据至少两个维度使用记录的变换自动进行特征权值的调整,避免基于规则的人工频繁介入调整参数。
可以理解的是,在本发明实施例中,相比现有的使用各种复杂的行为数据,本发明使用终端使用当中存在的较为简单的终端与用户账号的关系数据中的多个维度使用记录作为主要数据源,评分过程和模型构造过程都简单易行,不需要使用各种复杂的编码、聚类、筛选手段对特征进行复杂的构造和处理,大大降低了数据处理的工作量,使得预设第二模型简单可用。
进一步地,如图7所示,在S303之后,本发明实施例提供的一种账号识别关联方法中,服务器就可以获取预设评分与置信度的对应关系了,具体可以包括:
S304、调用预设第二模型处理正样本和负样本,得到的第二训练结果。
在服务器得到了具体的预设第二模型中,每个第二评分的权重值之后,该服务器可以将正样本和负样本输入预设第二模型(即调用预设第二模型),得到的第二训练结果。
需要说明的是,本发明实施例中的第二训练结果是在置信度准确度最高的模型的基础上,对每个样本的综合评分。
S305、调用第二训练结果和预设样本与置信度准确率的对应关系,获取与该第二训练结果对应的第一置信度准确率。
服务器将正样本和负样本输入预设第二模型,得到的第二训练结果之后,服务器就可以知道第二训练结果与每个样本(正样本和负样本中的每个样本)的对应关系了。由于在本发明实施例中,服务器中还设置有预设样本与置信度准确率的对应关系,其中,该预设样本与置信度准确率的对应关系是依据样本中的使用时间的第二评分越高,对应的置信度准确率越高来设置的。即终端与用户账号的关系数据中的用户账号对应的使用时间越接近当前时间,则表征服务器进行的综合评分的置信度准确率越高,公式(2)或公式(5)就是依据该原则进行使用时间的分数的计算的。因此,服务器通过将每个样本与预设样本与置信度准确率的对应关系进行匹配,得到了每个样本对应的置信度准确率,再根据第二训练结果与每个样本的对应关系,就可以得到该第二训练结果对应的第一置信度准确率了。
S306、将第二训练结果与第一置信度准确率的对应关系作为预设评分与置信度的对应关系。
服务器获取与该第二训练结果对应的第一置信度准确率之后,该服务器经过预设第二模型得到的第一评分越高表征该第一评分与终端与至少一个第一用户账号的关系数据对应的一条关系数据的关系准确率最高,也就是说,该第一评分对应的第一用户账号是终端与至少一个第一用户账号的关系数据中最常用的用户账号。因此,第二训练结果与第一置信度准确率的对应关系可以表征第一评分与终端与至少一个第一用户账号的关系数据的关系准确度,因此,服务器可以将第二训练结果与第一置信度准确率的对应关系作为预设评分与置信度的对应关系,然后,该服务器就可以通过预设评分与置信度的对应关系确定出预设选择规则想要选择的待关联用户了。
示例性的,以RFM三个维度为例,通过公式(1)、公式(2)和公式(3),以及预设第二模型得到了第二训练结果。如表1所示,为第二训练结果(加权总分)、置信度以及预设样本的对应关系总表。
表1
由表1可知:加权总分越高,则置信度越高,而置信度则表征终端与至少一个第一用户账号的关系准确率,因此,服务器可以通过预设选择规则适应性的选择需要挑选终端上最常用的用户的置信度实现数据关联,还是挑选使用的用户最多的置信度对应的用户帐号进行关联了。
可以理解的是,由于服务器可以通过预设关联推荐模型计算出终端对应每个第一用户账号的关系数据对应的第一评分,进而获取关系数据中的每个第一用户账号对应的置信度,从而使得服务器可以根据预设选择规则实现不同情况下,终端动态选择用户账号作为待推荐用户,实现了在终端上的使用的用户账号改变的情况下,适应性确定等待关联的用户数据,从而为该终端上的等待关联的用户数据推荐相关联数据,提高了关联推荐的准确度。
实施例四
如图8所示,本发明实施例提供了一种服务器1,该服务器1可以包括:
获取单元10,用于获取用户第一历史记录,所述用户第一历史记录包括用户在终端对应的至少一个第一用户账号的关系数据,以及所述关系数据中的每个第一用户账号的至少两个维度使用记录。
调用单元11,用于调用预设关联推荐模型,所述预设关联推荐模型用于处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,所述至少一个第一用户账号分别对应所述至少一个第一评分。
所述获取单元10,还用于调用所述至少一个第一评分和预设评分与置信度的对应关系,获取与所述至少一个第一评分对应的至少一个置信度;以及从所述至少一个置信度获取满足预设选择规则的第一置信度,依据与所述第一置信度对应的第一用户账号的至少两个维度使用记录为所述终端推送相关联数据,所述预设选择规则由实际推送相关联数据的类型决定。
可选的,所述获取单元10获取的所述每个第一用户账号的至少两个维度使用记录包括:所述每个第一用户账号的使用时间、所述每个第一用户账号的使用次数和所述每个第一用户账号的使用来源中的至少两个。
可选的,所述调用单元11,具体用于调用预设第一模型处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号的至少两个维度使用记录对应的至少两个第二评分,其中,所述预设关联推荐模型包括:所述预设第一模型,所述预设第一模型用于分别对所述每个第一用户账号的至少两个维度使用记录的重要度进行评分;以及,调用所述预设第二模型处理所述至少两个第二评分,输出与所述每个第一用户账号对应的所述第一评分,直至得到所述至少一个第一评分,其中,所述预设关联推荐模型还包括:所述预设第二模型,所述预设第二模型用于对所述至少两个第二评分进行加权得到总评分。
可选的,基于图8,如图9所示,所述服务器1还包括:检测单元12。
所述获取单元10,还用于按照预设的配置比例获取正样本和负样本,所述正样本和所述负样本为第一终端与至少一个第二用户账号的对应关系,以及每个第二用户账号通过所述预设第一模型得到的至少两个第三评分。
所述调用单元11,还用于调用至设置的训练模型处理所述正样本或所述负样本,得到第一训练结果。
所述检测单元12,用于持续检测训练模型,直至所述第一训练结果满足预设条件。
所述获取单元10,还用于将所述第一训练结果满足所述预设条件的所述训练模型作为所述预设第二模型,所述预设条件用于表征根据所述预设第二模型得到的数据输出结果运用于确定所述终端最常用用户账号时,最接近所述终端的真实常用用户账号。
可选的,所述调用单元11,还用于所述将所述第一训练结果满足所述预设条件的所述训练模型作为所述预设第二模型之后,调用所述预设第二模型处理所述正样本和所述负样本,得到的第二训练结果。
所述获取单元10,还用于根据所述第二训练结果和预设样本与置信度准确率的对应关系,获取与所述第二训练结果对应的第一置信度准确率;以及,将所述第二训练结果与所述第一置信度准确率的对应关系作为所述预设评分与置信度的对应关系。
可选的,所述预设第一模型包括:
其中,m为所述每个第一用户账号的使用来源的总个数,mi为所述每个第一用户账号的第i个使用来源,hi为所述每个第一用户账号的第i个使用来源对应的预设分数,H为预设使用来源总数,M为预设第一归一化参数,并且m小于H;n为所述每个第一用户账号的使用时间距当前时间的天数,N为预设第一归一化参数;j为所述每个第一用户账号的使用次数,k为预设时间,J为预设第三归一化参数。
可选的,所述获取单元10,具体用于从所述至少一个置信度获取置信度最高的所述第一置信度。
可选的,所述获取单元10,具体用于从所述至少一个置信度获取与所述至少一个第一用户账号最多对应的所述第一置信度。
可选的,所述获取单元10获取的所述至少一个第一用户账号包括:所述终端对应的至少一个通信账号或所述终端上的第一应用的至少一个登录账号。
如图10所示,在实际应用中,上述获取单元10、调用单元11和检测单元12可由位于服务器上的处理器14实现,具体为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等实现,上述服务器还包括:存储介质15,该存储介质15可以通过系统总线16与处理器14连接,其中,存储介质15用于存储可执行程序代码,该程序代码包括计算机操作指令,存储介质15可能包含高速RAM存储器,也可能还包括非易失性存储器,例如,至少一个磁盘存储器。
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,本发明可采用硬件实施例、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和光学存储器等)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。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (18)
1.一种账号识别关联方法,其特征在于,包括:
获取用户第一历史记录,所述用户第一历史记录包括用户在终端对应的至少一个第一用户账号的关系数据,以及所述关系数据中的每个第一用户账号的至少两个维度使用记录;
调用预设关联推荐模型,所述预设关联推荐模型用于处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,所述至少一个第一用户账号分别对应所述至少一个第一评分;
调用所述至少一个第一评分和预设评分与置信度的对应关系,获取与所述至少一个第一评分对应的至少一个置信度;
从所述至少一个置信度获取满足预设选择规则的第一置信度,依据与所述第一置信度对应的第一用户账号的至少两个维度使用记录为所述终端推送相关联数据,所述预设选择规则由实际推送相关联数据的类型决定。
2.根据权利要求1所述的方法,其特征在于,
所述每个第一用户账号的至少两个维度使用记录包括:所述每个第一用户账号的使用时间、所述每个第一用户账号的使用次数和所述每个第一用户账号的使用来源中的至少两个。
3.根据权利要求2所述的方法,其特征在于,所述调用预设关联推荐模型,所述预设关联推荐模型用于处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号对应的第一评分,得到至少一个第一评分,包括:
调用预设第一模型处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号的至少两个维度使用记录对应的至少两个第二评分,其中,所述预设关联推荐模型包括:所述预设第一模型,所述预设第一模型用于分别对所述每个第一用户账号的至少两个维度使用记录的重要度进行评分;
调用所述预设第二模型处理所述至少两个第二评分,输出与所述每个第一用户账号对应的所述第一评分,直至得到所述至少一个第一评分,其中,所述预设关联推荐模型还包括:所述预设第二模型,所述预设第二模型用于对所述至少两个第二评分进行加权得到总评分。
4.根据权利要求3所述的方法,其特征在于,所述预设第二模型的建立方法,包括:
按照预设的配置比例获取正样本和负样本,所述正样本和所述负样本为第一终端与至少一个第二用户账号的对应关系,以及每个第二用户账号通过所述预设第一模型得到的至少两个第三评分;
调用设置的训练模型处理所述正样本或所述负样本,得到第一训练结果;
持续检测训练模型,直至所述第一训练结果满足预设条件,并将所述第一训练结果满足所述预设条件的所述训练模型作为所述预设第二模型,所述预设条件用于表征根据所述预设第二模型得到的数据输出结果运用于确定所述终端最常用用户账号时,最接近所述终端的真实常用用户账号。
5.根据权利要求4所述的方法,其特征在于,所述将所述第一训练结果满足所述预设条件的所述训练模型作为所述预设第二模型之后,所述方法还包括:
调用所述预设第二模型处理所述正样本和所述负样本,得到的第二训练结果;
调用所述第二训练结果和预设样本与置信度准确率的对应关系,获取与所述第二训练结果对应的第一置信度准确率;
将所述第二训练结果与所述第一置信度准确率的对应关系作为所述预设评分与置信度的对应关系。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述从所述至少一个置信度获取满足预设选择规则的第一置信度,包括:
从所述至少一个置信度获取置信度最高的所述第一置信度。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述从所述至少一个置信度获取满足预设选择规则的第一置信度,包括:
从所述至少一个置信度获取与所述至少一个第一用户账号最多对应的所述第一置信度。
8.根据权利要求1所述的方法,其特征在于,
所述至少一个第一用户账号包括:所述终端对应的至少一个通信账号或所述终端上的第一应用的至少一个登录账号。
9.一种服务器,其特征在于,包括:
获取单元,用于获取用户第一历史记录,所述用户第一历史记录包括用户在终端对应的至少一个第一用户账号的关系数据,以及所述关系数据中的每个第一用户账号的至少两个维度使用记录;
调用单元,用于调用预设关联推荐模型,所述预设关联推荐模型用于处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号对应的第一评分,得到至少一个第一评分,其中,所述至少一个第一用户账号分别对应所述至少一个第一评分;
所述获取单元,还用于调用所述至少一个第一评分和预设评分与置信度的对应关系,获取与所述至少一个第一评分对应的至少一个置信度;以及从所述至少一个置信度获取满足预设选择规则的第一置信度,依据与所述第一置信度对应的第一用户账号的至少两个维度使用记录为所述终端推送相关联数据,所述预设选择规则由实际推送相关联数据的类型决定。
10.根据权利要求9所述的服务器,其特征在于,
所述获取单元获取的所述每个第一用户账号的至少两个维度使用记录包括:所述每个第一用户账号的使用时间、所述每个第一用户账号的使用次数和所述每个第一用户账号的使用来源中的至少两个。
11.根据权利要求10所述的服务器,其特征在于,
所述调用单元,具体用于调用预设第一模型处理所述每个第一用户账号的至少两个维度使用记录,输出与所述每个第一用户账号的至少两个维度使用记录对应的至少两个第二评分,其中,所述预设关联推荐模型包括:所述预设第一模型,所述预设第一模型用于分别对所述每个第一用户账号的至少两个维度使用记录的重要度进行评分;以及,调用所述预设第二模型处理所述至少两个第二评分,输出与所述每个第一用户账号对应的所述第一评分,直至得到所述至少一个第一评分,其中,所述预设关联推荐模型还包括:所述预设第二模型,所述预设第二模型用于对所述至少两个第二评分进行加权得到总评分。
12.根据权利要求11所述的服务器,其特征在于,所述服务器还包括:检测单元;
所述获取单元,还用于按照预设的配置比例获取正样本和负样本,所述正样本和所述负样本为第一终端与至少一个第二用户账号的对应关系,以及每个第二用户账号通过所述预设第一模型得到的至少两个第三评分;
所述调用单元,还用于调用设置的训练模型处理所述正样本或所述负样本,得到第一训练结果;
所述检测单元,用于持续检测训练模型,直至所述第一训练结果满足预设条件;
所述获取单元,还用于将所述第一训练结果满足所述预设条件的所述训练模型作为所述预设第二模型,所述预设条件用于表征根据所述预设第二模型得到的数据输出结果运用于确定所述终端最常用用户账号时,最接近所述终端的真实常用用户账号。
13.根据权利要求12所述的服务器,其特征在于,
所述调用单元,还用于所述将所述第一训练结果满足所述预设条件的所述训练模型作为所述预设第二模型之后,调用所述预设第二模型处理所述正样本和所述负样本,得到的第二训练结果;
所述获取单元,还用于调用所述第二训练结果和预设样本与置信度准确率的对应关系,获取与所述第二训练结果对应的第一置信度准确率;以及,将所述第二训练结果与所述第一置信度准确率的对应关系作为所述预设评分与置信度的对应关系。
14.根据权利要求9-13任一项所述的服务器,其特征在于,
所述获取单元,具体用于从所述至少一个置信度获取置信度最高的所述第一置信度。
15.根据权利要求9-13任一项所述的服务器,其特征在于,
所述获取单元,具体用于从所述至少一个置信度获取与所述至少一个第一用户账号最多对应的所述第一置信度。
16.根据权利要求9所述的服务器,其特征在于,
所述获取单元获取的所述至少一个第一用户账号包括:所述终端对应的至少一个通信账号或所述终端上的第一应用的至少一个登录账号。
17.一种账号识别关联设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至8任一项所述的账号识别关联方法。
18.一种存储介质,其特征在于,存储有可执行指令,所述可执行指令被处理器执行时,用于实现权利要求1至8任一项所述的账号识别关联方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710032683.2A CN108322317B (zh) | 2017-01-16 | 2017-01-16 | 一种账号识别关联方法及服务器 |
PCT/CN2018/072381 WO2018130201A1 (zh) | 2017-01-16 | 2018-01-12 | 确定关联账号的方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710032683.2A CN108322317B (zh) | 2017-01-16 | 2017-01-16 | 一种账号识别关联方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108322317A CN108322317A (zh) | 2018-07-24 |
CN108322317B true CN108322317B (zh) | 2022-07-29 |
Family
ID=62839658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710032683.2A Active CN108322317B (zh) | 2017-01-16 | 2017-01-16 | 一种账号识别关联方法及服务器 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108322317B (zh) |
WO (1) | WO2018130201A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111385658B (zh) * | 2018-12-28 | 2022-07-29 | 深圳Tcl新技术有限公司 | 一种多设备间账号信息同步的控制方法及控制系统 |
CN109902921A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 用户成长体系的管理方法、装置、设备及存储介质 |
CN110941769B (zh) * | 2019-11-19 | 2023-03-28 | 腾讯科技(深圳)有限公司 | 目标帐号的确定方法和装置、电子装置 |
CN111177670B (zh) * | 2019-12-17 | 2023-04-07 | 腾讯云计算(北京)有限责任公司 | 一种异源账号关联方法、装置、设备及存储介质 |
CN111768263A (zh) * | 2020-03-31 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置、服务器及存储介质 |
CN113760939A (zh) * | 2020-07-01 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 账号类型的确定方法、装置及设备 |
CN112100505B (zh) * | 2020-11-04 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
CN112541015B (zh) * | 2020-11-26 | 2023-05-16 | 杭州数跑科技有限公司 | 匿名用户的识别方法、装置及电子设备 |
CN115374370B (zh) * | 2022-10-26 | 2023-04-07 | 小米汽车科技有限公司 | 基于多模型的内容推送方法、装置和电子设备 |
CN115730251B (zh) * | 2022-12-06 | 2024-06-07 | 贝壳找房(北京)科技有限公司 | 关系识别方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616101B (zh) * | 2008-06-26 | 2012-01-18 | 阿里巴巴集团控股有限公司 | 一种用户信息过滤方法及装置 |
CN104104660A (zh) * | 2013-04-07 | 2014-10-15 | 中国移动通信集团浙江有限公司 | 获取用户数据的方法及系统 |
CN103647800B (zh) * | 2013-11-19 | 2017-12-12 | 乐视致新电子科技(天津)有限公司 | 推荐应用资源的方法及系统 |
CN104780193B (zh) * | 2014-01-15 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置和系统 |
CN105227429B (zh) * | 2014-06-25 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 一种信息推送方法和装置 |
CN104811758B (zh) * | 2015-03-30 | 2018-09-04 | 腾讯科技(北京)有限公司 | 节目单提供方法和装置 |
US20160306815A1 (en) * | 2015-04-16 | 2016-10-20 | Comcast Cable Communications, Llc | Methods And Systems For Providing Persistent Storage |
CN105007184B (zh) * | 2015-07-22 | 2018-11-09 | 胡东雁 | 用户行为习惯的获取方法 |
CN105262794B (zh) * | 2015-09-17 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 内容投放方法及装置 |
CN105681835B (zh) * | 2016-02-26 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法以及服务器 |
CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN106202190A (zh) * | 2016-06-27 | 2016-12-07 | 乐视控股(北京)有限公司 | 一种浏览器账号信息存储方法及移动终端 |
CN106027380B (zh) * | 2016-07-28 | 2019-01-11 | 宇龙计算机通信科技(深圳)有限公司 | 一种消息推送方法及装置 |
-
2017
- 2017-01-16 CN CN201710032683.2A patent/CN108322317B/zh active Active
-
2018
- 2018-01-12 WO PCT/CN2018/072381 patent/WO2018130201A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN108322317A (zh) | 2018-07-24 |
WO2018130201A1 (zh) | 2018-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108322317B (zh) | 一种账号识别关联方法及服务器 | |
US20210326674A1 (en) | Content recommendation method and apparatus, device, and storage medium | |
CN110807207B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
US20200320419A1 (en) | Method and device of classification models construction and data prediction | |
CN109816265B (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
CN111242310A (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
WO2011155231A1 (ja) | 情報提供システム、情報提供方法、情報提供装置、プログラム及び情報記憶媒体 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN110795542A (zh) | 对话方法及相关装置、设备 | |
CN111737586B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
CN110737859A (zh) | 一种up主匹配方法及装置 | |
US11275994B2 (en) | Unstructured key definitions for optimal performance | |
CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN112395496A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN114330752A (zh) | 排序模型训练方法和排序方法 | |
CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
CN115841366A (zh) | 物品推荐模型训练方法、装置、电子设备及存储介质 | |
CN105447148B (zh) | 一种Cookie标识关联方法及装置 | |
WO2021135322A1 (zh) | 一种自动出题方法、装置及系统 | |
CN114245185A (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN109934631A (zh) | 问答信息处理方法、装置及计算机设备 | |
CN114969487A (zh) | 一种课程推荐方法、装置、计算机设备及存储介质 | |
CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |