CN108491267A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN108491267A CN108491267A CN201810205148.7A CN201810205148A CN108491267A CN 108491267 A CN108491267 A CN 108491267A CN 201810205148 A CN201810205148 A CN 201810205148A CN 108491267 A CN108491267 A CN 108491267A
- Authority
- CN
- China
- Prior art keywords
- user
- server
- shunting
- user identifier
- mapping table
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取目标时间段的用户的行为数据;从行为数据中提取特征以构建特征矩阵;将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;根据用户标识集合生成分流映射表,其中,分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。该实施方式能够预测登录的用户,并能够动态调整用户端的数据流对应的服务端,从而实现将用户端的数据按预定比例分流到各服务端。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
在互联网商业产品新功能正式发布之前,经常会对开发的产品和策略进行小流量的验证,常用的评估方法就是AB测试,通常的做法是抽取A和B两组流量进行对比试验,不同的流量走的是不同的分支,进而辅助评估新的功能是否满足预期,是否可以全流量发布上线。为了保证随机性和用户的体验一致(同一会话使用的功能在实验阶段内一致),传统的技术方案是通过用户的登录IP地址或者用户画像进行流量切分,通过人工配置的方式选取哈希值的区间段。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,包括:获取目标时间段的用户的行为数据;从行为数据中提取特征以构建特征矩阵;将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;根据用户标识集合生成分流映射表,其中,分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。
在一些实施例中,预测模型通过如下步骤训练得到:获取至少一个登录用户的用户标识和各登录用户的行为数据;从各登录用户的行为数据中提取行为特征以构建行为特征矩阵;利用机器学习方法,将行为特征矩阵作为输入,将各登录用户的用户标识作为输出,训练预先建立的逻辑回归模型得到预测模型。
在一些实施例中,获取预定时间内的用户的行为数据,包括:获取预定时间内的、包括用户行为信息的日志;对日志进行处理以生成预定格式的用户的行为数据。
在一些实施例中,用户行为信息包括以下至少一项:登录信息、点击信息、浏览信息、收藏信息和退出信息。
在一些实施例中,特征包括以下至少一项:性别、年龄段、消费水平、教育水平、职业、兴趣爱好、登录时间段、平均消费金额、访问频率和访问时间段。
在一些实施例中,根据用户标识集合生成分流映射表,包括:确定用户标识集合中的用户标识按预定位置截取的字符出现的频次;按照各按预定位置截取的字符的频次将各按预定位置截取的字符分成预定数量的组,其中,各组中按预定位置截取的字符的频次之和之间成预定比例;通过将各组中的按预定位置截取的字符分别与一个服务端的标识相关联,以生成分流映射表。
在一些实施例中,上述方法还包括:响应于接收到包括目标用户标识的待处理数据,根据分流映射表确定目标用户标识对应的目标服务端;将待处理数据发送到目标服务端。
在一些实施例中,根据分流映射表确定目标用户标识对应的目标服务端,包括:响应于检测到目标用户标识按预定位置截取的字符在分流映射表中不存在,以对称加解密的方式将目标用户标识转化成自然数;在分流映射表中查询从自然数中按预定位置截取的数字对应的服务端作为目标服务端。
第二方面,本申请实施例提供了一种用于生成信息的装置,包括:获取单元,配置用于获取目标时间段的用户的行为数据;提取单元,配置用于从行为数据中提取特征以构建特征矩阵;预测单元,配置用于将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;生成单元,配置用于根据用户标识集合生成分流映射表,其中,分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。
在一些实施例中,预测模型通过如下步骤训练得到:获取至少一个登录用户的用户标识和各登录用户的行为数据;从各登录用户的行为数据中提取行为特征以构建行为特征矩阵;利用机器学习装置,将行为特征矩阵作为输入,将各登录用户的用户标识作为输出,训练预先建立的逻辑回归模型得到预测模型。
在一些实施例中,获取单元进一步配置用于:获取预定时间内的、包括用户行为信息的日志;对日志进行处理以生成预定格式的用户的行为数据。
在一些实施例中,生成单元进一步配置用于:确定用户标识集合中的用户标识按预定位置截取的字符出现的频次;按照各按预定位置截取的字符的频次将各按预定位置截取的字符分成预定数量的组,其中,各组中按预定位置截取的字符的频次之和之间成预定比例;通过将各组中的按预定位置截取的字符分别与一个服务端的标识相关联,以生成分流映射表。
在一些实施例中,上述装置还包括分流单元,配置用于:响应于接收到包括目标用户标识的待处理数据,根据分流映射表确定目标用户标识对应的目标服务端;将待处理数据发送到目标服务端。
在一些实施例中,分流单元进一步配置用于:响应于检测到目标用户标识按预定位置截取的字符在分流映射表中不存在,以对称加解密的方式将目标用户标识转化成自然数;在分流映射表中查询从自然数中按预定位置截取的数字对应的服务端作为目标服务端。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本申请实施例提供的用于生成信息的方法和装置,通过目标时间段用户的行为预测登录的用户标识。根据预测的用户标识集合生成分流映射表,能够动态调整用户端的数据流对应的服务端,从而实现将用户端的数据按预定比例分流到各服务端。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括用户端101、分流服务器102、服务端103。网络用以在用户端101、分流服务器102、服务端103之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用用户端101通过网络与分流服务器102交互,以接收或发送消息等。用户端101上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
用户端101可以是硬件,也可以是软件。当用户端101为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当用户端101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
分流服务器102可以是提供各种服务的服务器,例如对用户端101发送的数据分配给服务端进行处理的后台分流服务器。后台分流服务器可以对接收到的用户数据进行分析等处理,并将处理结果(例如网分流映射表)保存,后续接收到用户的数据时参考分流映射表进行分流。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由分流服务器102执行,相应地,用于生成信息的装置一般设置于分流服务器102中。分流服务器102可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务端103用于对用户标识对应的用户所登陆的用户端的数据流进行处理。服务端103可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的用户端、分流服务器和服务端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的用户端、分流服务器和服务端。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取目标时间段的用户的行为数据。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的分流服务器)可以通过有线连接方式或者无线连接方式从至少一个服务端获取目标时间段登录服务端的用户的行为数据,其中,目标时间段可以是预先指定的时间段,例如,昨天、上周、上一小时等。目标时间段可能有多个用户登录服务端。行为数据可包括登录、点击、浏览、收藏、退出等业务行为和操作。本申请采用消息队列作为行为数据的缓冲。
在本实施例的一些可选的实现方式中,获取预定时间内的用户的行为数据,包括:获取预定时间内的、包括用户行为信息的日志;对日志进行处理以生成预定格式的用户的行为数据。从至少一个服务端获取的行为数据可能不是预定格式的,需要在收集行为数据后要对行为数据进行清洗和过滤,本申请采用流式处理框架对行为数据进行实时清洗,过滤和融合,能够满足实时的数据处理。清洗主要是进行数据格式的标准化过滤是过滤掉一些机器流量以及恶意访问以及黑名单用户等。此阶段生成满足机器学习需要的标准格式的数据,同时将处理好的数据导入到数据仓库。
在本实施例的一些可选的实现方式中,用户行为信息包括以下至少一项:登录信息、点击信息、浏览信息、收藏信息和退出信息。登录信息中包括了用户登录时采用的用户标识。用户标识可以是数字或字母等字符,也可以是数字和字母的组合。登录信息还包括登录时间,退出信息包括退出登录的时间。上述任一项用户行为信息记载了可以区分用户的信息和操作的时间信息等。
步骤202,从行为数据中提取特征以构建特征矩阵。
在本实施例中,特征可包括用户画像相关的特征和分流相关特征。用户画像相关的特征可包括:性别、年龄段、消费水平、教育水平、职业、兴趣爱好等。可通过行为数据分析出用户画像相关特征。分流相关的特征可包括:登录时间段,平均消费金额、访问频率、访问时间段等。可通过行为数据计算出分流相关特征。基于提取出的特征生成特征向量然后组成特征矩阵。首先将原始的特征转化为标准的矩阵格式的输入即为提取特征向量。特征向量提取之后,通常特征向量的个数非常多,并且包含有很多没有用的特征(或者说对后边的分类器没有用),也包含了许多冗余的特征向量。此时,从特征向量提取后所得的特征向量中,选择对分类器最有用的和最重要的特征向量组成特征矩阵。
步骤203,将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合。
在本实施例中,预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系。预期登录的用户的用户标识集合中的用户标识是通过预测模型预测的将要服务端的用户的用户标识。用户标识可以是数字或者字母,也可以是数字和字母的组合。作为示例,预测模型可以是技术人员基于对大量的特征向量和预测结果(预期登录的用户的用户标识)的统计而预先制定的、存储有多个特征向量与预测结果的对应关系的对应关系表。预测模型还可以是朴素贝叶斯模型(Naive Bayesian Model,NBM)或支持向量机(SupportVector Machine,SVM)等用于分类的模型。将上述特征矩阵作为模型的输入,将上述用户标识作为对应的模型输出,利用机器学习方法,对该模型进行训练,得到预测模型。
在本实施例的一些可选的实现方式中,上述电子设备可以预先按照以下步骤训练预测模型:
首先,上述电子设备可以提取用户在目标时间段内(例如当前日期的前一天内、当前日期的前一周内等)的用户的行为数据和用户标识,并将所提取的行为数据确定为历史行为数据。
然后,上述电子设备从上述历史行为数据中提取行为特征作为特征向量。此处,提取行为特征的基本方法与上文所阐述的从行为数据中提取特征的方法基本相同,在此不再赘述。
最后,上述电子设备可以利用机器学习方法,将上述特征向量作为输入,将上述用户标识作为输出,训练得到预测模型。具体的,上述电子设备可以使用逻辑回归模型或决策树模型。逻辑回归模型是一种广义的线性回归分析模型,常用于数据挖掘,疾病自动诊断,经济预测等领域。决策树是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个特征属性上的判定,每个分支代表这个特征属性在其值域上的输出,而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。具体地,可采用xgboost(eXtreme Gradient Boosting,加强版梯度提升)作为预测模型。
步骤204,根据用户标识集合生成分流映射表。
在本实施例中,分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。预定位置可以是一个位置也可以是连续的多个位置,可以从用户标识的右边进行选择,或者从用户标识的左边进行选择。
如果用户标识集合中的用户标识都为自然数,则可指定用户标识的个位为预定位置。预测登录的用户的用户标识的个位在0-9之间。可能出现0-9之间任一个数,也可能不出现某些数。比例,用户标识集合为{20,87,65,45,43,69},则只为0,7,5,3,9设置对应的服务端。如果用户标识为字符串,则生成的分流映射表用于表征字母与服务端的对应关系。例如,用户标识最右边的字母为a-h的用户端流量与服务器1对应,用户标识最右边的字母为i-z的用户端流量与服务器2对应。基于按预定位置截取的字符出现的次数按预定比例分配服务端。
在本实施例的一些可选的实现方式中,根据用户标识集合生成分流映射表,包括:确定用户标识集合中的用户标识按预定位置截取的字符出现的频次;按照各按预定位置截取的字符的频次将各按预定位置截取的字符分成预定数量的组,其中,各组中按预定位置截取的字符的频次之和之间成预定比例;通过将各组中的按预定位置截取的字符分别与一个服务端的标识相关联,以生成分流映射表。
例如,用户标识集合按自然数模9得到的数字1出现30次,数字2出现50次,数字3出现20次,数字4出现50次,数字5出现10次。如果期望两个服务端1:1分担流量。则可将服务端1与数字{1,4}对应,将服务端1与数字{2,3,5}对应。这样可使得两个服务端分别承担80个用户端发送的流量。如果期望两个服务端1:3分担流量,则可将服务端1与数字{1,5}对应,将服务端1与数字{2,3,4}对应。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,用户标识为128的用户发起登录请求。分流服务器接收到登录请求后需要将该用户的数据分配给服务端A或服务端B。为了确定出应该分配给哪个服务端,分流服务器需要生成分流映射表,然后按分流映射表分配服务端。分流映射表的生成过程如下所示:预先采集多个用户的行为数据,然后通过预测模型301预测出预测登录的用户的用户标识集合{50、10、20、21、12、43、24、15、16、57、38、29}(如302所示)。根据用户标识集合302生成分流映射表303。其中,{0、1、2、3}对应服务端A,{4、5、6、7、8、9}对应服务端B。对用户标识按预定位置截取字符,如304所示,用户标识128模9后为8,8对应于服务端B。因此将用户标识128的数据发送给服务端B305。
本申请的上述实施例提供的方法通过历史行为数据预测登录的用户的用户标识,从而根据预测的登录的用户的用户标识动态调整用户端的数据流对应的服务端,从而实现将用户端的数据按预定比例分流到各服务端。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取目标时间段的用户的行为数据。
步骤402,从行为数据中提取特征以构建特征矩阵。
步骤403,将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合。
步骤404,根据用户标识集合生成分流映射表。
步骤405,响应于接收到包括目标用户标识的待处理数据,根据分流映射表确定目标用户标识对应的目标服务端。
在本实施例中,目标用户可以是用于测试服务端运行的系统的测试用户,该用户登录时采用了目标用户标识。分流服务器可根据目标用户标识将目标用户的数据分配到相应的服务端,该服务端即为目标服务端。分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系。分流服务器从目标用户标识按预定位置截取了字符作为查询对象,在分流映射表中查找该查询对象对应的服务端。例如,预定位置为最右侧一位,映射表中0-3对应服务端A,4-6对应服务端B,7-9对应服务端C,目标用户标识为125,则其预定位置截取的字符为“5”,对应服务端B。
在本实施例的一些可选的实现方式中,根据分流映射表确定目标用户标识对应的目标服务端,包括:响应于检测到目标用户标识按预定位置截取的字符在分流映射表中不存在,以对称加解密的方式将目标用户标识转化成自然数;在分流映射表中查询从自然数中按预定位置截取的数字对应的服务端作为目标服务端。分流映射表中与服务端对应的字符为通用用户标识预测的结果,可仅包括数字。但在实际使用中,如果用于测试的用户标识是包括字母或其它特殊字符等在分流映射表中不存在的字符,则可通过对称加解密的方式将其转换成自然数。对称加密(也叫私钥加密)指加密和解密使用相同密钥的加密算法。有时又叫传统密码算法,就是加密密钥能够从解密密钥中推算出来,同时解密密钥也可以从加密密钥中推算出来。而在大多数的对称算法中,加密密钥和解密密钥是相同的,所以也称这种加密算法为秘密密钥算法或单密钥算法。对称加密可以保证用户标识的安全性。
在本实施例的一些可选的实现方式中,如果检测到目标用户标识按预定位置截取的字符在分流映射表中不存在,可将数据轮流分配给服务端。例如,第一次检测到接收到的数据对应的目标用户标识按预定位置截取的字符在分流映射表中不存在时分配给服务端A,第二次检测到接收到的数据对应的目标用户标识按预定位置截取的字符在分流映射表中不存在时分配给服务端B,第三次检测到接收到的数据对应的目标用户标识按预定位置截取的字符在分流映射表中不存在时分配给服务端A。以此类推。如果预定分配比例不是1:1,可按比例依次分配服务端,例如在服务端A和服务端B的负载2:1的情况,检测到接收到的数据对应的目标用户标识按预定位置截取的字符在分流映射表中不存在时,可先分两次给服务端A,再分一次给服务端B。
步骤406,将待处理数据发送到目标服务端。
在本实施例中,将待处理数据发送到根据步骤405确定出的目标服务端。将不同用户的数据按预定比例分配到预定数量的服务端,从而实现各服务端的负载均衡。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了对用户端的数据进行分流的步骤。由此,本实施例描述的方案可以根据登录用户的用户标识将用户端的数据按预定比例分配到各服务端,从而实现负载均衡。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括获取单元501、提取单元502、预测单元503和生成单元504。其中,获取单元501配置用于获取目标时间段的用户的行为数据;提取单元502配置用于从行为数据中提取特征以构建特征矩阵;预测单元503配置用于将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;生成单元504配置用于根据用户标识集合生成分流映射表,其中,分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。
在本实施例中,用于生成信息的装置500的获取单元501、提取单元502、预测单元503和生成单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,预测模型通过如下步骤训练得到:获取至少一个登录用户的用户标识和各登录用户的行为数据;从各登录用户的行为数据中提取行为特征以构建行为特征矩阵;利用机器学习装置,将行为特征矩阵作为输入,将各登录用户的用户标识作为输出,训练预先建立的逻辑回归模型得到预测模型。
在本实施例的一些可选的实现方式中,获取单元501进一步配置用于:获取预定时间内的、包括用户行为信息的日志;对日志进行处理以生成预定格式的用户的行为数据。
在本实施例的一些可选的实现方式中,用户行为信息包括以下至少一项:登录信息、点击信息、浏览信息、收藏信息和退出信息。登录信息中包括了用户登录时采用的用户标识。用户标识可以是数字或字母等字符,也可以是数字或字母的组合。登录信息还包括登录时间,退出信息包括退出登录的时间。上述任一项用户行为信息记载了可以区分用户的信息和操作的时间信息等。
在本实施例的一些可选的实现方式中,生成单元504进一步配置用于:确定用户标识集合中的用户标识按预定位置截取的字符出现的频次;按照各按预定位置截取的字符的频次将各按预定位置截取的字符分成预定数量的组,其中,各组中按预定位置截取的字符的频次之和之间成预定比例;通过将各组中的按预定位置截取的字符分别与一个服务端的标识相关联,以生成分流映射表。
在本实施例的一些可选的实现方式中,装置500还包括分流单元(未示出),配置用于:响应于接收到包括目标用户标识的待处理数据,根据分流映射表确定目标用户标识对应的目标服务端;将待处理数据发送到目标服务端。
在本实施例的一些可选的实现方式中,分流单元进一步配置用于:响应于检测到目标用户标识按预定位置截取的字符在分流映射表中不存在,以对称加解密的方式将目标用户标识转化成自然数;在分流映射表中查询从自然数中按预定位置截取的数字对应的服务端作为目标服务端。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、提取单元、预测单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标时间段的用户的行为数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取目标时间段的用户的行为数据;从行为数据中提取特征以构建特征矩阵;将特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;根据用户标识集合生成分流映射表,其中,分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于生成信息的方法,包括:
获取目标时间段的用户的行为数据;
从所述行为数据中提取特征以构建特征矩阵;
将所述特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,所述预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;
根据所述用户标识集合生成分流映射表,其中,所述分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。
2.根据权利要求1所述的方法,其中,所述预测模型通过如下步骤训练得到:
获取至少一个登录用户的用户标识和各登录用户的行为数据;
从所述各登录用户的行为数据中提取行为特征以构建行为特征矩阵;
利用机器学习方法,将所述行为特征矩阵作为输入,将各登录用户的用户标识作为输出,训练预先建立的逻辑回归模型得到预测模型。
3.根据权利要求1所述的方法,其中,所述获取预定时间内的用户的行为数据,包括:
获取预定时间内的、包括用户行为信息的日志;
对所述日志进行处理以生成预定格式的用户的行为数据。
4.根据权利要求3所述的方法,其中,所述用户行为信息包括以下至少一项:登录信息、点击信息、浏览信息、收藏信息和退出信息。
5.根据权利要求1所述的方法,其中,所述特征包括以下至少一项:
性别、年龄段、消费水平、教育水平、职业、兴趣爱好、登录时间段、平均消费金额、访问频率和访问时间段。
6.根据权利要求1所述的方法,其中,所述根据所述用户标识集合生成分流映射表,包括:
确定所述用户标识集合中的用户标识按预定位置截取的字符出现的频次;
按照各按预定位置截取的字符的频次将各按预定位置截取的字符分成预定数量的组,其中,各组中按预定位置截取的字符的频次之和之间成预定比例;
通过将各组中的按预定位置截取的字符分别与一个服务端的标识相关联,以生成分流映射表。
7.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到包括目标用户标识的待处理数据,根据所述分流映射表确定所述目标用户标识对应的目标服务端;
将所述待处理数据发送到所述目标服务端。
8.根据权利要求7所述的方法,其中,所述根据所述分流映射表确定所述目标用户标识对应的目标服务端,包括:
响应于检测到所述目标用户标识按所述预定位置截取的字符在所述分流映射表中不存在,以对称加解密的方式将所述目标用户标识转化成自然数;
在所述分流映射表中查询从所述自然数中按预定位置截取的数字对应的服务端作为目标服务端。
9.一种用于生成信息的装置,包括:
获取单元,配置用于获取目标时间段的用户的行为数据;
提取单元,配置用于从所述行为数据中提取特征以构建特征矩阵;
预测单元,配置用于将所述特征矩阵输入预设的预测模型,得到预期登录的用户的用户标识集合,其中,所述预测模型用于表征特征矩阵与预期登录的用户的用户标识的对应关系;
生成单元,配置用于根据所述用户标识集合生成分流映射表,其中,所述分流映射表用于表征从用户标识中按预定位置截取的字符与服务端的对应关系,服务端用于对用户标识对应的用户所登陆的用户端的数据流进行处理。
10.根据权利要求9所述的装置,其中,所述预测模型通过如下步骤训练得到:
获取至少一个登录用户的用户标识和各登录用户的行为数据;
从所述各登录用户的行为数据中提取行为特征以构建行为特征矩阵;
利用机器学习装置,将所述行为特征矩阵作为输入,将各登录用户的用户标识作为输出,训练预先建立的逻辑回归模型得到预测模型。
11.根据权利要求9所述的装置,其中,所述获取单元进一步配置用于:
获取预定时间内的、包括用户行为信息的日志;
对所述日志进行处理以生成预定格式的用户的行为数据。
12.根据权利要求9所述的装置,其中,所述生成单元进一步配置用于:
确定所述用户标识集合中的用户标识按预定位置截取的字符出现的频次;
按照各按预定位置截取的字符的频次将各按预定位置截取的字符分成预定数量的组,其中,各组中按预定位置截取的字符的频次之和之间成预定比例;
通过将各组中的按预定位置截取的字符分别与一个服务端的标识相关联,以生成分流映射表。
13.根据权利要求9所述的装置,其中,所述装置还包括分流单元,配置用于:
响应于接收到包括目标用户标识的待处理数据,根据所述分流映射表确定所述目标用户标识对应的目标服务端;
将所述待处理数据发送到所述目标服务端。
14.根据权利要求13所述的装置,其中,所述分流单元进一步配置用于:
响应于检测到所述目标用户标识按所述预定位置截取的字符在所述分流映射表中不存在,以对称加解密的方式将所述目标用户标识转化成自然数;
在所述分流映射表中查询从所述自然数中按预定位置截取的数字对应的服务端作为目标服务端。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810205148.7A CN108491267B (zh) | 2018-03-13 | 2018-03-13 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810205148.7A CN108491267B (zh) | 2018-03-13 | 2018-03-13 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491267A true CN108491267A (zh) | 2018-09-04 |
CN108491267B CN108491267B (zh) | 2022-02-08 |
Family
ID=63339028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810205148.7A Active CN108491267B (zh) | 2018-03-13 | 2018-03-13 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491267B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446215A (zh) * | 2018-10-31 | 2019-03-08 | 北京百分点信息科技有限公司 | 一种基于优先级的实时id拉通引擎方法 |
CN109542624A (zh) * | 2018-11-23 | 2019-03-29 | 中国农业银行股份有限公司 | 一种应用变更的资源调配方法及装置 |
CN109919649A (zh) * | 2019-01-11 | 2019-06-21 | 北京腾云天下科技有限公司 | 一种目标用户确定方法、装置、计算设备及介质 |
CN110769034A (zh) * | 2019-09-20 | 2020-02-07 | 中国平安人寿保险股份有限公司 | 推荐系统策略迭代方法、装置及存储介质、服务器 |
CN111431818A (zh) * | 2020-02-28 | 2020-07-17 | 口碑(上海)信息技术有限公司 | 跨域请求的流量分配方法、装置、存储介质及计算机设备 |
CN111639032A (zh) * | 2020-06-02 | 2020-09-08 | 百度在线网络技术(北京)有限公司 | 用于测试应用的方法和装置 |
CN111639027A (zh) * | 2020-05-25 | 2020-09-08 | 北京百度网讯科技有限公司 | 一种测试方法、装置及电子设备 |
CN112328485A (zh) * | 2020-11-06 | 2021-02-05 | 杭州推啊网络科技有限公司 | 用户行为的分流测试方法与系统 |
CN115118672A (zh) * | 2022-05-27 | 2022-09-27 | 马上消费金融股份有限公司 | 分流方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101605126A (zh) * | 2008-06-11 | 2009-12-16 | 中国科学院计算技术研究所 | 一种多协议数据分类识别的方法和系统 |
CN102291452A (zh) * | 2011-08-09 | 2011-12-21 | 北京星网锐捷网络技术有限公司 | 基于云策略的虚拟机管理方法、云管理服务器及云系统 |
CN103024819A (zh) * | 2012-06-15 | 2013-04-03 | 中国人民解放军国防科学技术大学 | 基于用户终端ip的第三代移动通信核心网数据分流方法 |
CN103037442A (zh) * | 2011-09-29 | 2013-04-10 | 中国移动通信集团江苏有限公司 | 一种实现流量分离调度的方法及系统 |
US9197595B1 (en) * | 2012-05-04 | 2015-11-24 | Google Inc. | Evaluating IP-location mapping data |
CN105824833A (zh) * | 2015-01-07 | 2016-08-03 | 苏宁云商集团股份有限公司 | 基于用户行为反馈的关键词推荐方法和系统 |
CN105897616A (zh) * | 2016-05-17 | 2016-08-24 | 腾讯科技(深圳)有限公司 | 一种资源分配的方法及服务器 |
WO2017001904A1 (en) * | 2015-06-30 | 2017-01-05 | Yandex Europe Ag | Method and system for determining an address corresponding to a most probable physical location of an electronic device associated with a user |
CN106713265A (zh) * | 2016-11-21 | 2017-05-24 | 清华大学深圳研究生院 | Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 |
US20170264679A1 (en) * | 2016-03-11 | 2017-09-14 | International Business Machines Corporation | Load balancing based on user behavior prediction |
-
2018
- 2018-03-13 CN CN201810205148.7A patent/CN108491267B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101605126A (zh) * | 2008-06-11 | 2009-12-16 | 中国科学院计算技术研究所 | 一种多协议数据分类识别的方法和系统 |
CN102291452A (zh) * | 2011-08-09 | 2011-12-21 | 北京星网锐捷网络技术有限公司 | 基于云策略的虚拟机管理方法、云管理服务器及云系统 |
CN103037442A (zh) * | 2011-09-29 | 2013-04-10 | 中国移动通信集团江苏有限公司 | 一种实现流量分离调度的方法及系统 |
US9197595B1 (en) * | 2012-05-04 | 2015-11-24 | Google Inc. | Evaluating IP-location mapping data |
CN103024819A (zh) * | 2012-06-15 | 2013-04-03 | 中国人民解放军国防科学技术大学 | 基于用户终端ip的第三代移动通信核心网数据分流方法 |
CN105824833A (zh) * | 2015-01-07 | 2016-08-03 | 苏宁云商集团股份有限公司 | 基于用户行为反馈的关键词推荐方法和系统 |
WO2017001904A1 (en) * | 2015-06-30 | 2017-01-05 | Yandex Europe Ag | Method and system for determining an address corresponding to a most probable physical location of an electronic device associated with a user |
US20170264679A1 (en) * | 2016-03-11 | 2017-09-14 | International Business Machines Corporation | Load balancing based on user behavior prediction |
CN105897616A (zh) * | 2016-05-17 | 2016-08-24 | 腾讯科技(深圳)有限公司 | 一种资源分配的方法及服务器 |
CN106713265A (zh) * | 2016-11-21 | 2017-05-24 | 清华大学深圳研究生院 | Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 |
Non-Patent Citations (2)
Title |
---|
YUNPENG LI ET AL: "A new method of mapping relations from data based on artificial neural network", 《INTERNATIONAL JOURNAL OF SYSTEM ASSURANCE ENGINEERING AND MANAGEMENT》 * |
赵英 等: "基于相关信息的网络流量贝叶斯分类法改进", 《计算机工程》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446215A (zh) * | 2018-10-31 | 2019-03-08 | 北京百分点信息科技有限公司 | 一种基于优先级的实时id拉通引擎方法 |
CN109446215B (zh) * | 2018-10-31 | 2022-04-12 | 北京百分点科技集团股份有限公司 | 一种基于优先级的实时id拉通引擎方法 |
CN109542624B (zh) * | 2018-11-23 | 2021-09-28 | 中国农业银行股份有限公司 | 一种应用变更的资源调配方法及装置 |
CN109542624A (zh) * | 2018-11-23 | 2019-03-29 | 中国农业银行股份有限公司 | 一种应用变更的资源调配方法及装置 |
CN109919649A (zh) * | 2019-01-11 | 2019-06-21 | 北京腾云天下科技有限公司 | 一种目标用户确定方法、装置、计算设备及介质 |
CN110769034A (zh) * | 2019-09-20 | 2020-02-07 | 中国平安人寿保险股份有限公司 | 推荐系统策略迭代方法、装置及存储介质、服务器 |
CN110769034B (zh) * | 2019-09-20 | 2024-02-09 | 中国平安人寿保险股份有限公司 | 推荐系统策略迭代方法、装置及存储介质、服务器 |
CN111431818A (zh) * | 2020-02-28 | 2020-07-17 | 口碑(上海)信息技术有限公司 | 跨域请求的流量分配方法、装置、存储介质及计算机设备 |
CN111639027A (zh) * | 2020-05-25 | 2020-09-08 | 北京百度网讯科技有限公司 | 一种测试方法、装置及电子设备 |
CN111639032A (zh) * | 2020-06-02 | 2020-09-08 | 百度在线网络技术(北京)有限公司 | 用于测试应用的方法和装置 |
CN112328485A (zh) * | 2020-11-06 | 2021-02-05 | 杭州推啊网络科技有限公司 | 用户行为的分流测试方法与系统 |
CN115118672A (zh) * | 2022-05-27 | 2022-09-27 | 马上消费金融股份有限公司 | 分流方法及装置 |
CN115118672B (zh) * | 2022-05-27 | 2024-03-26 | 马上消费金融股份有限公司 | 分流方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108491267B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491267A (zh) | 用于生成信息的方法和装置 | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN106845999A (zh) | 风险用户识别方法、装置和服务器 | |
US10223329B2 (en) | Policy based data collection, processing, and negotiation for analytics | |
CN107908740A (zh) | 信息输出方法和装置 | |
CN107645562A (zh) | 数据传输处理方法、装置、设备及系统 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN106302445A (zh) | 用于处理请求的方法和装置 | |
CN107911449A (zh) | 用于推送信息的方法和装置 | |
CN108632311A (zh) | 信息推送方法和装置 | |
CN107977678A (zh) | 用于输出信息的方法和装置 | |
CN107885873A (zh) | 用于输出信息的方法和装置 | |
CN107832941A (zh) | 订单处理方法及装置 | |
CN107944956A (zh) | 用于生成信息的方法和装置 | |
CN105830119B (zh) | 合并由各个社交网络系统维护的用户资料信息 | |
CN108446659A (zh) | 用于检测人脸图像的方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN110069911A (zh) | 访问控制方法、装置、系统、电子设备和可读存储介质 | |
CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
CN109543068A (zh) | 用于生成视频的评论信息的方法和装置 | |
CN105786941B (zh) | 一种信息挖掘方法和装置 | |
CN109284342A (zh) | 用于输出信息的方法和装置 | |
CN108932640A (zh) | 用于处理订单的方法和装置 | |
CN108182180B (zh) | 用于生成信息的方法和装置 |
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 |