CN108512674A - 用于输出信息的方法、装置和设备 - Google Patents
用于输出信息的方法、装置和设备 Download PDFInfo
- Publication number
- CN108512674A CN108512674A CN201710104360.XA CN201710104360A CN108512674A CN 108512674 A CN108512674 A CN 108512674A CN 201710104360 A CN201710104360 A CN 201710104360A CN 108512674 A CN108512674 A CN 108512674A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- behavior information
- user behavior
- correlation
- 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
-
- 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
- H04L41/14—Network analysis or design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Abstract
本申请公开了用于输出信息的方法、装置和设备。该方法的一具体实施方式包括:获取至少一个用户的用户信息并组成用户信息集合,用户信息包括:用户标识、用户类别标签集合和用户行为信息;根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别;将属于同一类别的用户标识所对应的用户行为信息划分为分组并确定该组中各用户行为信息之间的相关度;从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。该实施方式能够确定出不同用户的用户行为信息之间的相关性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于输出信息的方法、装置和设备。
背景技术
互联网的迅猛发展将人们带入了信息社会和网络经济时代,对企业的发展和个人生活都产生了深刻的影响。同时,过量的信息使得人们无法高效地从中获取自己需要的部分,信息的使用效率反而降低。
由于用户访问互联网的行为一般是多次的、间断的,每一次访问的点击路径不可能完全一样。为了获知用户如何从一个特定的行为到达另一个特定的行为,需要确定各行为之间的相关度。现有技术使用数学统计PV(Page View,访问量)、UV(Unique Visitor,独立访客)的方法来分步统计用户在不同行为上的累计出现次数时,经常可以发现因为用户行为整体的相似性,最后得出的不同用户的行为都是类似的。在定义了用户的行为起始和终止状态后,会发现数学统计得出的中间状态不停地重复,很难体现出差异性,结果也无法满足需求。
发明内容
本申请的目的在于提出一种改进的用于输出信息的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种用于输出信息的方法,该方法包括:获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息;根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别;对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度;从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
在一些实施例中,该方法还包括:以各去重用户行为信息为顶点建立有向图,其中,有向图的边的权重与各去重用户行为信息之间的相关度成反比;确定有向图中预定的起始节点到预定的终止节点之间的最短路径并输出。
在一些实施例中,在获取至少一个用户的用户信息并组成用户信息集合之后,该方法还包括:从用户信息集合中的用户信息中过滤掉累计出现次数小于预定次数的用户行为信息。
在一些实施例中,在获取至少一个用户的用户信息并组成用户信息集合之后,该方法还包括:从用户信息集合中的用户信息中过滤掉用户类别标签集合缺少预定的用户类别标签的用户标识所对应的用户行为信息。
在一些实施例中,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别,包括:采用kmeans聚类算法,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别。
在一些实施例中,确定有向图中预定的起始节点到预定的终止节点之间的最短路径,包括:采用迪杰斯特拉算法,确定有向图中预定的起始节点和预定的终止节点之间的最短路径。
第二方面,本申请提供了一种用于输出信息的装置,该装置包括:获取单元,用于获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息;分类单元,用于根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别;相关度确定单元,用于对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度;输出单元,用于从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
在一些实施例中,该装置还包括:建立单元,用于以各去重用户行为信息为顶点建立有向图,其中,有向图的边的权重与各去重用户行为信息之间的相关度成反比;路径确认单元,用于确定有向图中预定的起始节点到预定的终止节点之间的最短路径并输出。
在一些实施例中,该装置还包括:过滤单元,用于在获取至少一个用户的用户信息并组成用户信息集合之后,从用户信息集合中的用户信息中过滤掉累计出现次数小于预定次数的用户行为信息。
在一些实施例中,该装置还包括:过滤单元,用于在获取至少一个用户的用户信息并组成用户信息集合之后,从用户信息集合中的用户信息中过滤掉用户类别标签集合缺少预定的用户类别标签的用户标识所对应的用户行为信息。
在一些实施例中,分类单元进一步用于:采用kmeans聚类算法,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别。
在一些实施例中,路径确认单元进一步用于:采用迪杰斯特拉算法,确定有向图中预定的起始节点和预定的终止节点之间的最短路径。
第三方面,本申请提供了一种设备,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实施例的方法。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如第一方面中任一实施例的方法。
本申请提供的用于输出信息的方法和装置,通过用户类别标签对用户进行分类后确定出同类别的用户的用户行为信息之间的相关度,再确定出各种用户行为信息之间的相关度并输出,从而准确、快速地确定出不同用户行为信息之间的相关度。
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输出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输出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输出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输出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服务器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输出信息的方法或用于输出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可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103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。
终端设备101、102、103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 ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts 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。
服务器105可以是提供各种服务的服务器,例如对用户使用终端设备101、102、103进行网络活动(例如,搜索、收藏、购买等操作)的用户行为进行统计的后台统计服务器。后台统计服务器可以统计用户的搜索请求、浏览请求、收藏请求、购物请求等用户行为信息并进行分析等处理,并将处理结果(例如用户行为信息之间的相关度)反馈给终端设备或者提供给参考该相关度进行有针对性地推送信息的第三方。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般由服务器105执行,相应地,用于输出信息的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器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终端设备、网络和服务器。服务器还可以不对终端设备101、102、103的网络活动进行统计,而直接获取第三方提供的用户数据。此时,系统架构100可以不包含终端设备101、102、103。
继续参考图2,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取至少一个用户的用户信息并组成用户信息集合。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从第三方服务器或本地存储器中获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息。用户标识用于区分不同的用户。用户类别标签集合可以是通过大数据分析得到的用户画像得到的用于标识用户类别的标签,例如,男性,中国人,白领等。每个用户信息中具有至少一条用户行为信息,同一用户的不同用户行为信息可以用一条用户信息来表示。例如,用户行为信息可以包括搜索关键词A、收藏网页B,购买物品C。用户的每一个操作对应一条用户行为信息。搜索关键词A和搜索关键词D是不同的操作,因此对应的用户行为信息也不同。
在本实施例的一些可选的实现方式中,在获取至少一个用户的用户信息并组成用户信息集合之后,从该用户信息集合中的用户信息中过滤掉累计出现次数小于预定次数的用户行为信息。例如,用户行为信息为“搜索关键词A”,预定次数为10,在获取到的用户信息中“搜索关键词A”出现过6次,则将用户行为信息“搜索关键词A”从用户信息集合中过滤掉。如果一个用户的所有用户行为信息都被过滤掉了,则可将该用户的用户信息从用户信息集合中删除。这样可以去除一些无效的用户行为信息以避免干扰整体结果。例如,有个用户只是不小心收藏了页面B。其它用户并没有出现过这种操作,则可将收藏页面B的用户行为信息过滤掉。
在本实施例的一些可选的实现方式中,在获取至少一个用户的用户信息并组成用户信息集合之后,从该用户信息集合中的用户信息中过滤掉用户类别标签集合缺少预定的用户类别标签的用户标识所对应的用户行为信息。例如,要获取购买汽车的用户的用户行为信息之间的相关性时,由于未成年用户无法购买汽车,因此需要过滤掉未成年用户对汽车的搜索、收藏等行为信息。即,预先预定的用户类别为成年时,如果获取到的用户信息集合中存在用户类别标签为未成年人的用户信息,则将该用户标识所对应的用户行为信息过滤掉。这样可以快速筛选样本数据,能够得到更准确的用户行为信息之间的相关度结果。
步骤202,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别。
在本实施例中,不同的用户通过用户标识来区分,划分用户的类别实际上就是将用户标识分组。由于用户都具有各自的类别标签,因此可以将类别标签相似的用户划分成一组,不需要标签完全一致才分为一组。例如,用户A的用户信息中包括用户类别标签“老师”,“女性”,用户B的用户信息中包括用户类别标签“老师”,“女性”和“妈妈”,则仍可将用户A和用户B分为一组。具体应用时,对于不同用途设置不同的分类标准,即,采用不同的类别标签进行分类。例如,想知道对于某品牌化妆品的搜索和购买的相关度时,可通过用户类别标签将用户分为男性和女性两类。
在本实施例的一些可选的实现方式中,采用kmeans聚类算法,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别。K-means算法是经典的基于划分的聚类方法。K-means算法的基本思想是:以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果。同一聚类中的对象相似度较高,而不同聚类中的对象相似度较小。
步骤203,对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度。
在本实施例中,相关度是指两个事物间存在相互联系的程度,可以用百分比衡量,相关度越高则两个事物之间的联系越紧密。基于步骤202得到的用户标识类别,将用户行为信息分组,再分别计算各分组内部的用户行为信息之间的相关度。同一分组内用户行为信息之间的相关度较高。可以将不同用户得到的用户行为信息之间的相关度取平均值作为组内用户行为信息之间的相关度,也可为不同的用户设置相应的权重后取加权平均值作为组内用户行为信息之间的相关度。例如,两个用户分别属于不同类别X和Y,并且都购买了商品C。类别为X的用户搜索了关键词A后收藏网页B再购买了商品C。类别为Y的用户搜索了关键词D后收藏网页E再购买了商品C。则通过类别X得到的“搜索关键词A”、“收藏网页B”和“购买商品C”之间的相关度很高。则通过类别Y得到的“搜索关键词D”、“收藏网页E”和“购买商品C”之间的相关度很高。
步骤204,从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
在本实施例中,用户信息集合中会出现重复的用户行为信息。如上例所示,两个类别的用户都包括相同的行为信息“购买商品C”,原用户信息集合中的用户行为信息为{“搜索关键词A”,“收藏网页B”,“购买商品C”,“搜索关键词D”、“收藏网页E”,“购买商品C”},过滤掉重复的“购买商品C”,得到去重用户行为信息集合为{“搜索关键词A”,“收藏网页B”,“购买商品C”,“搜索关键词D”、“收藏网页E”}。根据由步骤203得到的“搜索关键词A”、“收藏网页B”和“购买商品C”之间的相关度,以及“搜索关键词D”、“收藏网页E”和“购买商品C”之间的相关度,可以确定“购买商品C”与“搜索关键词A”和“搜索关键词D”相关,因此可确定出“搜索关键词A”和“搜索关键词D”的相关度,同理,可确定出“收藏网页E”和“收藏网页B”的相关度。并且,根据其它分组的用户行为信息之间的相关度计算结果可以更新本组用户行为信息之间的相关度。例如,原本通过类别X中得到的“搜索关键词A”和“收藏网页B”之间的相关度为1,但通过类别Y中得到“搜索关键词D”和“收藏网页B”之间的相关度为1。则可知道“收藏网页B”与“搜索关键词A”不是必然相关的,因此可以降低“搜索关键词A”和“收藏网页B”之间的相关度。
继续参见图3,图3是根据本实施例的用于输出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,服务器获取到10个用户的用户信息组成的用户信息集合,通过用户类别标签将用户分为两类X和Y。通过类别为X的用户的用户行为信息确定出该类别用户的用户行为信息之间的相关度,如图3中301所示,“搜索关键词A”和“收藏网页B”之间的相关度为1,“收藏网页B”和“购买商品C”之间的相关度为1。通过类别为Y的用户的用户行为信息确定出该类别用户的用户行为信息之间的相关度,如图3中302所示,“搜索关键词D”和“收藏网页E”之间的相关度为1,“收藏网页E”和“购买商品C”之间的相关度为1。然后,可以确定出“搜索关键词A”和“搜索关键词D”的相关度为0.5,同理,可确定出“收藏网页E”和“收藏网页B”的相关度为0.5。
本申请的上述实施例提供的方法通过将用户行为信息之间的相关度与用户的类别标签相关联,能够根据用户之间的相似性确定不同的用户行为之间的相关度。通过这种方法确定出的相关度的准确性更高,能够体现出不同类别的差异性。使用不同的用户类别分类标准,则可得到不同相关度结果。因此可以针对性的对于不同领域的用户设置不同的分类标准,即,使用不同的标签类别对用户分类,从而有针对性地输出用户行为信息之间的相关度。
进一步参考图4,其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400,包括以下步骤:
步骤401,获取至少一个用户的用户信息并组成用户信息集合。
步骤402,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别。
步骤403,对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度。
步骤404,从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
步骤401-404与步骤201-204基本相同,因此不再赘述。
步骤405,以各去重用户行为信息为顶点建立有向图,其中,有向图的边的权重与各去重用户行为信息之间的相关度成反比。
在本实施例中,基于步骤404得到的去重用户行为信息和各去重用户行为信息之间的相关度,建立有向图。用户行为信息之间的相关度越高则有向图中连接两节点的边的权重越小,即用户行为信息之间关系越紧密则有向图中连接两节点的边的权重越小。在数学上,一个图(Graph)是表示物件与物件之间的关系的方法,是图论的基本研究对象。一个图看起来是由一些小圆点(称为顶点或结点)和连结这些圆点的直线或曲线(称为边)组成的。如果给图的每条边规定一个方向,那么得到的图称为有向图,其边也称为有向边。
步骤406,确定有向图中预定的起始节点到预定的终止节点之间的最短路径并输出。
在本实施例中,从有向图中的用户行为信息节点中,选定一个起始节点和一个终止节点。从起始节点到终止节点可以有多条可达路径,从中选择最短的一条路径,有向图中边的权重越小,说明对应的两个用户行为信息之间的联系越紧密。
在本实施例的一些可选的实现方式中,采用迪杰斯特拉(Dijkstra)算法,确定有向图中预定的起始节点和预定的终止节点之间的最短路径。迪杰斯特拉算法是从一个顶点到其余各顶点的最短路径算法,解决的是有向图中最短路径问题。迪杰斯特拉算法主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程400突出了对用户行为信息之间的关系进行扩展的步骤。可以从海量的用户行为信息中得到从一种用户行为信息到另一种用户行为信息需要经历的最少用户行为信息。从而,可以基于该最短路径进行信息推送,向最短路径上的节点所涉及的网页推送信息,例如,从节点A到节点D的路径有三种:A->B->C->D长度为5,A->C->D的长度为4,A->B->D的长度为3,则选择A->B->D的路径,放弃节点C,推送信息时可不再向节点C所涉及的网页推送。可以提高信息推送的命中率,并节约成本。此外,还可以在利用该最短路径进行有针对性的推送后,改变用户的最终目标。例如,可以用户购买C的路径上推送其它产品M的信息,从而引导用户购买产品M。
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输出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,本实施例的用于输出信息的装置500包括:获取单元501、分类单元502、相关度确定单元503和输出单元504。其中,获取单元501用于获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息;分类单元502用于根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别;相关度确定单元503用于对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度;输出单元504用于从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
在本实施例中,用于输出信息的装置500的获取单元501、分类单元502、相关度确定单元503和输出单元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,装置500还包括:建立单元,用于以各去重用户行为信息为顶点建立有向图,其中,有向图的边的权重与各去重用户行为信息之间的相关度成反比;路径确认单元,用于确定有向图中预定的起始节点到预定的终止节点之间的最短路径并输出。
在本实施例的一些可选的实现方式中,装置500还包括:过滤单元,用于在获取至少一个用户的用户信息并组成用户信息集合之后,从用户信息集合中的用户信息中过滤掉累计出现次数小于预定次数的用户行为信息。
在本实施例的一些可选的实现方式中,装置500还包括:过滤单元,用于在获取至少一个用户的用户信息并组成用户信息集合之后,从用户信息集合中的用户信息中过滤掉用户类别标签集合缺少预定的用户类别标签的用户标识所对应的用户行为信息。
在本实施例的一些可选的实现方式中,分类单元502进一步用于:采用kmeans聚类算法,根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别。
在本实施例的一些可选的实现方式中,路径确认单元进一步用于:采用迪杰斯特拉算法,确定有向图中预定的起始节点和预定的终止节点之间的最短路径。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,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。
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、分类单元、相关度确定单元和输出单元。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“获取至少一个用户的用户信息并组成用户信息集合的单元”。
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:获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息;根据各个用户的用户类别标签集合将至少一个用户的各个用户标识划分成用户标识类别;对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度;从用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
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 (14)
1.一种用于输出信息的方法,其特征在于,所述方法包括:
获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息;
根据各个用户的用户类别标签集合将所述至少一个用户的各个用户标识划分成用户标识类别;
对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度;
从所述用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定所述去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
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:
以所述各去重用户行为信息为顶点建立有向图,其中,所述有向图的边的权重与所述各去重用户行为信息之间的相关度成反比;
确定所述有向图中预定的起始节点到预定的终止节点之间的最短路径并输出。
3.根据权利要求1或2所述的方法,其特征在于,在获取至少一个用户的用户信息并组成用户信息集合之后,所述方法还包括:
从所述用户信息集合中的用户信息中过滤掉累计出现次数小于预定次数的用户行为信息。
4.根据权利要求1或2所述的方法,其特征在于,在获取至少一个用户的用户信息并组成用户信息集合之后,所述方法还包括:
从所述用户信息集合中的用户信息中过滤掉用户类别标签集合缺少预定的用户类别标签的用户标识所对应的用户行为信息。
5.根据权利要求1或2所述的方法,其特征在于,所述根据各个用户的用户类别标签集合将所述至少一个用户的各个用户标识划分成用户标识类别,包括:
采用kmeans聚类算法,根据各个用户的用户类别标签集合将所述至少一个用户的各个用户标识划分成用户标识类别。
6.根据权利要求2所述的方法,其特征在于,所述确定所述有向图中预定的起始节点到预定的终止节点之间的最短路径,包括:
采用迪杰斯特拉算法,确定所述有向图中预定的起始节点和预定的终止节点之间的最短路径。
7.一种用于输出信息的装置,其特征在于,所述装置包括:
获取单元,用于获取至少一个用户的用户信息并组成用户信息集合,其中,每个用户的用户信息包括:用户标识、用户类别标签集合和用户行为信息;
分类单元,用于根据各个用户的用户类别标签集合将所述至少一个用户的各个用户标识划分成用户标识类别;
相关度确定单元,用于对于每种用户标识类别,将属于该类别的用户标识所对应的用户行为信息划分为分组,再确定该类别对应的分组中各用户行为信息之间的相关度;
输出单元,用于从所述用户信息集合中提取用户行为信息并去掉重复的用户行为信息,得到去重用户行为信息集合,根据每个分组中各用户行为信息之间的相关度,确定所述去重用户行为信息集合中各去重用户行为信息之间的相关度并输出。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
建立单元,用于以所述各去重用户行为信息为顶点建立有向图,其中,所述有向图的边的权重与所述各去重用户行为信息之间的相关度成反比;
路径确认单元,用于确定所述有向图中预定的起始节点到预定的终止节点之间的最短路径并输出。
9.根据权利要求7或8所述的装置,其特征在于,所述装置还包括:
过滤单元,用于在获取至少一个用户的用户信息并组成用户信息集合之后,从所述用户信息集合中的用户信息中过滤掉累计出现次数小于预定次数的用户行为信息。
10.根据权利要求7或8所述的装置,其特征在于,所述装置还包括:
过滤单元,用于在获取至少一个用户的用户信息并组成用户信息集合之后,从所述用户信息集合中的用户信息中过滤掉用户类别标签集合缺少预定的用户类别标签的用户标识所对应的用户行为信息。
11.根据权利要求7或8所述的装置,其特征在于,所述分类单元进一步用于:
采用kmeans聚类算法,根据各个用户的用户类别标签集合将所述至少一个用户的各个用户标识划分成用户标识类别。
12.根据权利要求8所述的装置,其特征在于,所述路径确认单元进一步用于:
采用迪杰斯特拉算法,确定所述有向图中预定的起始节点和预定的终止节点之间的最短路径。
13.一种设备,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1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710104360.XA CN108512674B (zh) | 2017-02-24 | 2017-02-24 | 用于输出信息的方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710104360.XA CN108512674B (zh) | 2017-02-24 | 2017-02-24 | 用于输出信息的方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108512674A true CN108512674A (zh) | 2018-09-07 |
CN108512674B CN108512674B (zh) | 2021-03-23 |
Family
ID=63372783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710104360.XA Active CN108512674B (zh) | 2017-02-24 | 2017-02-24 | 用于输出信息的方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108512674B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885710A (zh) * | 2019-01-14 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于差分演化算法的用户画像刻画方法及服务器 |
CN110008976A (zh) * | 2018-12-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种网络行为分类方法和装置 |
CN110929323A (zh) * | 2019-11-20 | 2020-03-27 | 上海建工四建集团有限公司 | 设备路由连接关系渲染路径去重方法和电子设备 |
CN111046307A (zh) * | 2018-10-15 | 2020-04-21 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100306223A1 (en) * | 2009-06-01 | 2010-12-02 | Google Inc. | Rankings in Search Results with User Corrections |
CN104462156A (zh) * | 2013-09-25 | 2015-03-25 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的特征提取、个性化推荐方法和系统 |
CN105138572A (zh) * | 2015-07-27 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 获取用户标签的关联度权值的方法和装置 |
-
2017
- 2017-02-24 CN CN201710104360.XA patent/CN108512674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100306223A1 (en) * | 2009-06-01 | 2010-12-02 | Google Inc. | Rankings in Search Results with User Corrections |
CN104462156A (zh) * | 2013-09-25 | 2015-03-25 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的特征提取、个性化推荐方法和系统 |
CN105138572A (zh) * | 2015-07-27 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 获取用户标签的关联度权值的方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046307A (zh) * | 2018-10-15 | 2020-04-21 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111046307B (zh) * | 2018-10-15 | 2023-05-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110008976A (zh) * | 2018-12-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种网络行为分类方法和装置 |
CN109885710A (zh) * | 2019-01-14 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于差分演化算法的用户画像刻画方法及服务器 |
CN109885710B (zh) * | 2019-01-14 | 2022-03-18 | 平安科技(深圳)有限公司 | 基于差分演化算法的用户画像刻画方法及服务器 |
CN110929323A (zh) * | 2019-11-20 | 2020-03-27 | 上海建工四建集团有限公司 | 设备路由连接关系渲染路径去重方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108512674B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106911697B (zh) | 访问权限设置方法、装置、服务器及存储介质 | |
CN108664513B (zh) | 用于推送关键词的方法、装置以及设备 | |
CN107247786A (zh) | 用于确定相似用户的方法、装置和服务器 | |
CN106021376B (zh) | 用于处理用户信息的方法和设备 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN108805594A (zh) | 信息推送方法和装置 | |
CN108512674A (zh) | 用于输出信息的方法、装置和设备 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN107426328A (zh) | 信息推送方法和装置 | |
CN108491267A (zh) | 用于生成信息的方法和装置 | |
CN110298716A (zh) | 信息推送方法和装置 | |
CN107944956A (zh) | 用于生成信息的方法和装置 | |
CN111797294A (zh) | 可视化方法及相关设备 | |
CN107145485A (zh) | 用于压缩主题模型的方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN107977678A (zh) | 用于输出信息的方法和装置 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN107169077A (zh) | 用于推送信息的方法和装置 | |
CN110209658A (zh) | 数据清洗方法和装置 | |
CN109862100A (zh) | 用于推送信息的方法和装置 | |
CN111353103B (zh) | 用于确定用户社群信息的方法和装置 | |
CN108600780A (zh) | 用于推送信息的方法 | |
CN112182370A (zh) | 物品类目信息推送方法、装置、电子设备和介质 |
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 |