CN109948633A - 用户性别预测方法、装置、存储介质及电子设备 - Google Patents
用户性别预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109948633A CN109948633A CN201711387919.0A CN201711387919A CN109948633A CN 109948633 A CN109948633 A CN 109948633A CN 201711387919 A CN201711387919 A CN 201711387919A CN 109948633 A CN109948633 A CN 109948633A
- Authority
- CN
- China
- Prior art keywords
- prediction
- user
- probability
- gender
- sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Abstract
本申请公开了一种用户性别预测方法、装置、存储介质及电子设备，所述方法包括：采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据该预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。本申请可以基于BP神经网络模型对当前用户的性别进行预测，提高了性别预测的准确性，方便终端完成用户的精准画像。
Description
技术领域
本申请属于通信技术领域，尤其涉及一种用户性别预测方法、装置、存储介质及电子设备。
背景技术
随着终端技术的发展，终端已经开始从以前简单地提供通话设备渐渐变成一个通用软件运行的平台。该平台不再以提供通话管理为主要目的，而是提供一个包括通话管理、游戏娱乐、办公记事、移动支付等各类应用软件在内的运行环境，随着大量的普及，已经深入至人们的生活、工作的方方面面。
用户画像是近年来非常热门的一个研究方向。比如在智能手机上，如果有一种方法能够从用户行为习惯上准确地判断出用户的性别，从而对手机进行各方面的深度优化是非常有意义的。当今当流的厂商手机系统里都会让用户注册绑定设备与用户帐号。但不是每个用户都愿意提供性别信息。因此这一方法不能解决一大部分用户画像的问题。
发明内容
本申请提供一种用户性别预测方法、装置、存储介质及电子设备，能够基于BP神经网络来预测用户的性别。
第一方面，本申请实施例提供一种用户性别预测方法，包括：
采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集；
利用所述样本集对BP神经网络模型进行训练，以得到训练后的预测模型；
获取未知性别用户使用电子设备的多维特征信息并作为预测样本；
根据所述预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
第二方面，本申请实施例提供一种用户性别预测装置，包括：
采集模块，用于采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集；
训练模块，用于利用所述样本集对BP神经网络模型进行训练，以得到训练后的预测模型；
获取模块，用于获取未知性别用户使用电子设备的多维特征信息并作为预测样本；
生成模块，用于根据所述预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的用户性别预测方法。
第四方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行上述的用户性别预测方法。
本申请实施例提供的用户性别预测方法、装置、存储介质及电子设备，通过采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据该预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。本申请可以基于BP神经网络模型对当前用户的性别进行预测，提高了性别预测的准确性，方便终端完成用户的精准画像。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的用户性别预测装置的系统示意图。
图2为本申请实施例提供的用户性别预测装置的应用场景示意图。
图3为本申请实施例提供的用户性别预测方法的流程示意图。
图4为本申请实施例提供的用户性别预测方法的另一流程示意图。
图5为本申请实施例提供的用户性别预测装置的另一应用场景示意图。
图6为本申请实施例提供的用户性别预测装置的结构示意图。
图7为本申请实施例提供的用户性别预测装置的另一结构示意图。
图8为本申请实施例提供的电子设备的结构示意图。
图9为本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语“模块”可看作为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看作为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在现有技术中，对后台的应用程序进行管控时，通常直接根据电子设备的内存占用情况以及各应用程序的优先级，对后台的部分应用程序进行清理，以释放内存。然而有些应用程序对用户很重要、或者用户在短时间内需要再次使用某些应用程序，若在对后进行清理时将这些应用程序清理掉，则用户再次使用这些应用程序时需要电子设备重新加载这些应用程序的进程，需要耗费大量时间及内存资源。其中，该电子设备可以是智能手机、平板电脑、台式电脑、笔记本电脑、或者掌上电脑等设备。
请参阅图1，图1为本申请实施例提供的用户性别预测装置的系统示意图。该用户性别预测装置主要用于：采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据预测样本和训练后的预测模型生成预测概率，预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
具体的，请参阅图2，图2为本申请实施例提供的用户性别预测装置的应用场景示意图。比如，用户性别预测装置在接收到预测请求时，采集未知性别用户使用电子设备的多维特征信息。其中上述多维特征信息可以以一周为时间长度，获取电子设备中的历史使用信息，从历史使用信息当中采集多维特征信息。将上述多维特征信息输入至预测模型，通过预测模型对当前用户为男性概率进行预测，得到第一概率，通过预测模型对当前用户为女性概率进行预测，得到第二概率，最终根据第一概率和第二概率输入最终的预测结果。
本申请实施例提供一种用户性别预测方法，该用户性别预测方法的执行主体可以是本申请实施例提供的用户性别预测装置，或者集成了该用户性别预测装置的电子设备，其中该用户性别预测装置可以采用硬件或者软件的方式实现。
本申请实施例将从用户性别预测装置的角度进行描述，该用户性别预测装置具体可以集成在电子设备中。该用户性别预测方法包括：采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据该预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
请参阅图3，图3为本申请实施例提供的用户性别预测方法的流程示意图。本申请实施例提供的用户性别预测方法应用于电子设备，具体流程可以如下：
步骤101，采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集。
已知性别用户使用电子设备的多维特征信息具有一定长度的维度，其每个维度上的参数均对应表征应用的一种特征信息，即该多维特征信息由多个特征信息构成。该多个特征信息可以包括用户在使用不同类型应用程序中的特征信息，比如用户在购物应用中浏览偏男性类商品(如男装)次数与时长，用户在购物应用中浏览偏女性类商品(如化妆品、女装)次数与时长；用户在阅读应用中阅读偏男性类小说的时长，用户阅读偏女性类小说的时长，用户阅读体育类新闻的时长，用户阅读星座类新闻的时长；用户使用不同类型的应用程序中的使用信息，比如用户使用前置摄像头自拍的次数，用户使用美颜类软件的次数，用户玩不同类别游戏的次数与时长。
性别预测的样本集中，可以包括在历史时间段内采集的多个训练样本。历史时间段，例如可以是过去7天、10天等。可以理解的是，一次采集的已知性别用户使用电子设备的多维特征数据构成一个样本集。对于每个样本的特征集，均用一组实数予以记录。在采样时需要对样本的数值进行归一化处理，如归一化成0～1之间的数。这样每个用户是一个样本，N个用户组成了N个样本，每个样本的特征是(x1,x2,...,xn)。
在构成样本集之后，可以对样本集中的每个样本进行标记，得到每个样本的样本标签，由于本实施要实现的是预测当前用户的性别，因此，所标记的样本标签是该用户注册帐号时实际提供的性别信息，包括性别男和性别女，可以用编码为0或者1来表示，此时，样本类别可以包括性别男和性别女。具体可根据用户对电子设备中应用的历史使用习惯进行标记，例如：在一周的时间长度之内用户在购物应用中浏览偏男性类商品(如男装)次数为20次、累计时长为一小时，则可以标记为性别男；再例如，在一周的时间长度之内用户阅读偏女性类小说的时长为8个小时，则可以标记为性别女，具体地，可以用数值“1”表示“性别男”，用数值“0”表示“性别女”，反之亦可。
其中，上述性别预测的样本集用于对BP神经网络模型进行训练，例如样本集中可以包括以下特征：
用户在购物应用中浏览偏男性类商品(如男装)次数与时长；
用户在购物应用中浏览偏女性类商品(如化妆品、女装)次数与时长；
用户阅读偏男性类小说的时长；
用户阅读偏女性类小说的时长；
用户阅读体育类新闻的时长；
用户阅读星座类新闻的时长；
用户使用前置摄像头自拍的次数；
用户使用美颜类软件的次数；
用户玩不同类别游戏的次数与时长。
步骤102，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型。
其中，BP神经网络模型是机器学习中的一种分类模型，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
在本申请实施例当中，可以利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型。其中，对BP神经网络模型进行训练指的利用训练集求解BP神经网络模型中的模型参数。
本申请实施例中的BP神经网络模型的网络结构包括三层，分别为输入层、隐藏层以及输出层，其中，输入层输入步骤101中的特征信息，当然该特征信息为经过归一化处理后的特征信息，例如将上述的9个特征信息引入9个输入节点，隐藏层可以包含三层，可以分别为10个节点、5个节点、2个节点，最后通过SoftMax函数得到2维的输出层，分别代表的是用户为男性和女性的概率。
对于收集到的所有样本，采用mini batch梯度下降法的方式批量送入网络进行训练。其中上述mini batch梯度下降法是介于最快梯度下降法和随机梯度下降法之间的一种优化算法，每次选取一定量的训练样本进行迭代。采用交叉熵(crossentropy)做损失函数以反向传播更新网络权值，满足损失值小于预设阈值或是迭代次数达到设定的训练迭代次数后，可以结束训练。
其中，损失函数(loss function)是用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y,f(x))，或者L(w)来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。
步骤103，获取未知性别用户使用电子设备当前的多维特征信息并作为预测样本。
例如，统计一周内前文提到的用户特征值，得到用户特征向量，将归一化后的特征值输入网络中，做一次前向计算，网络的输出为该用户性别是男或女的概率，预测样本中可以包括以下特征：
用户在购物应用中浏览偏男性类商品(如男装)次数与时长；
用户在购物应用中浏览偏女性类商品(如化妆品、女装)次数与时长；
用户阅读偏男性类小说的时长；
用户阅读偏女性类小说的时长；
用户阅读体育类新闻的时长；
用户阅读星座类新闻的时长；
用户使用前置摄像头自拍的次数；
用户使用美颜类软件的次数；
用户玩不同类别游戏的次数与时长。
步骤104，根据预测样本和训练后的预测模型生成预测概率，预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
根据预测集机器及其对应的训练后的BP神经网络模型，输出相应的概率，该BP神经网络模型输出一个当前用户为男性的第一概率、和当前用户为女性的第二概率。
在一实施例中，为了简化应用预测运行，提升预测速度，可以针对预测概率中两个概率选取一个概率，然后，基于选取的概率来预测当前用户的性别。比如，在根据预测样本和训练后的预测模型生成预测概率之后，该方法还可以包括：
对当前用户为男性的第一概率与当前用户为女性的第二概率进行比较，得到比较结果；
根据比较结果，输出最终的预测结果。
在一实施例中，根据比较结果，输出最终的预测结果的步骤可以包括：
当第一概率大于第二概率时，输出当前用户为男性的第一预测结果；
当第一概率不大于第二概率时，输出当前用户为女性的第二预测结果。
例如，对于某个预测概率，如果Y＝1表示当前用户为男性、Y＝0表示当前用户为女性，假设P(Y＝1|x)大于P(Y＝0|x)，此时，输出当前用户为男性的第一预测结果；假设P(Y＝1|x)不大于P(Y＝0|x)，此时，输出当前用户为女性的第二预测结果。
需要说明的是，预测模型的训练过程可以在服务器端也可以在电子设备端完成。当预测模型的训练过程、实际预测过程都在服务器端完成时，需要使用训练后的预测模型时，可以将未知性别用户使用电子设备的多维特征信息输入到服务器，服务器实际预测完成后，将预测结果发送至电子设备端，最后由电子设备输出预测结果。
当预测模型的训练过程、实际预测过程都在电子设备端完成时，需要使用训练后的预测模型时，可以将的多维特征信息输入到电子设备，电子设备实际预测完成后，电子设备输出预测结果。
由上可知，本申请实施例采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据该预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。本申请可以基于BP神经网络模型对当前用户的性别进行预测，提高了性别预测的准确性，方便终端完成用户的精准画像。
下面将在上述实施例描述的方法基础上，对本申请的清理方法做进一步介绍。，参阅图4，图4为本申请实施例提供的用户性别预测方法的另一流程示意图，该用户性别预测方法包括：
步骤201，采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集。
已知性别用户使用电子设备的多维特征信息具有一定长度的维度，其每个维度上的参数均对应表征应用的一种特征信息，即该多维特征信息由多个特征信息构成。该多个特征信息可以包括用户在使用不同类型应用程序中的特征信息，比如用户在购物应用中浏览偏男性类商品(如男装)次数与时长，用户在购物应用中浏览偏女性类商品(如化妆品、女装)次数与时长；用户在阅读应用中阅读偏男性类小说的时长，用户阅读偏女性类小说的时长，用户阅读体育类新闻的时长，用户阅读星座类新闻的时长；用户使用不同类型的应用程序中的使用信息，比如用户使用前置摄像头自拍的次数，用户使用美颜类软件的次数，用户玩不同类别游戏的次数与时长。
步骤S202，对样本集中的样本参数进行归一化处理。
对于每个样本的特征集，均用一组实数予以记录。在采样时需要对样本的数值进行归一化处理，如归一化成0～1之间的数。这样每个用户是一个样本，N个用户组成了N个样本，每个样本的特征是(x1,x2,...,xn)。
步骤S203，将归一化之后的样本参数输入所述BP神经网络模型以得到两个预测结果的概率。
本申请实施例中的BP神经网络模型的网络结构包括三层，分别为输入层、隐藏层以及输出层，其中，输入层输入步骤101中的特征信息，当然该特征信息为经过归一化处理后的特征信息，例如将上述的9个特征信息引入9个输入节点，隐藏层可以包含三层，可以分别为10个节点、5个节点、2个节点，最后通过SoftMax函数得到2维的输出层，分别代表的是用户为男性和女性的概率。对于收集到的所有样本，采用mini batch梯度下降法的方式批量送入网络进行训练。
在本实施例中，基于第一预设公式计算以得到两个预测结果的概率，其中所述第一预设公式为：
其中，ZK为中间值，C为预测结果的类别数，为第j个中间值，基于所述第一预设公式得到两维的输出层，分别代表所述样本为男性和女性的概率。
步骤S204，根据两个预测结果和与其对应的概率得到损失值。
在本实施例中，基于第二预设公式根据两个预测结果和与其对应的概率得到损失值，其中所述第二预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
步骤S205，根据损失值进行训练，生成目标模型参数。
其中，根据损失值利用梯度下降法进行训练。在本实施例中，对于收集到的所有样本，采用mini batch梯度下降法的方式批量送入网络进行训练。其中上述mini batch梯度下降法是介于最快梯度下降法和随机梯度下降法之间的一种优化算法，每次选取一定量的训练样本进行迭代。采用交叉熵(crossentropy)做损失函数以反向传播更新网络权值，满足损失值小于预设阈值或是迭代次数达到设定的训练迭代次数后，可以结束训练。
步骤S206，获取未知性别用户使用电子设备的多维特征信息并作为预测样本。
例如，统计一周内前文提到的用户特征值，得到用户特征向量，将归一化后的特征值输入网络中，做一次前向计算，网络的输出为该用户性别是男或女的概率，预测样本中可以包括以下特征：
用户在购物应用中浏览偏男性类商品(如男装)次数与时长；
用户在购物应用中浏览偏女性类商品(如化妆品、女装)次数与时长；
用户阅读偏男性类小说的时长；
用户阅读偏女性类小说的时长；
用户阅读体育类新闻的时长；
用户阅读星座类新闻的时长；
用户使用前置摄像头自拍的次数；
用户使用美颜类软件的次数；
用户玩不同类别游戏的次数与时长。
步骤S207，根据预测样本和训练后的预测模型生成预测概率，预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
步骤S208，对当前用户为男性的第一概率与当前用户为女性的第二概率进行比较，得到比较结果。
步骤S209，根据比较结果，输出最终的预测结果。
在本实施例中，根据比较结果，输出最终的预测结果的步骤可以包括：
当第一概率大于第二概率时，输出当前用户为男性的第一预测结果；
当第一概率不大于第二概率时，输出当前用户为女性的第二预测结果。
例如，对于某个预测概率，如果Y＝1表示当前用户为男性、Y＝0表示当前用户为女性，假设P(Y＝1|x)大于P(Y＝0|x)，此时，输出当前用户为男性的第一预测结果；假设P(Y＝1|x)不大于P(Y＝0|x)，此时，输出当前用户为女性的第二预测结果。
由上可知，本申请实施例采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，对样本集中的样本参数进行归一化处理，将归一化之后的样本参数输入所述BP神经网络模型以得到两个预测结果的概率，根据两个预测结果和与其对应的概率得到损失值，根据损失值进行训练，生成目标模型参数，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据预测样本和训练后的预测模型生成预测概率，预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率，对当前用户为男性的第一概率与当前用户为女性的第二概率进行比较，得到比较结果，根据比较结果，输出最终的预测结果。本申请可以基于BP神经网络模型对当前用户的性别进行预测，提高了性别预测的准确性，方便终端完成用户的精准画像。
请参阅图5，图5为本申请实施例提供的用户性别预测装置的另一应用场景示意图。当预测模型的训练过程在服务器端完成，预测模型的实际预测过程在电子设备端完成时，需要使用优化后的预测模型时，可以将电子设备当前的多维特征信息输入到电子设备，电子设备实际预测完成后，电子设备根据预测结果输出预测结果。可选的，可以将训练好的预测模型文件(model文件)移植到智能设备上，若需要判断当前用户的性别，更新当前的样本集，输入到训练好的预测模型文件(model文件)，计算即可得到预测值。
在一些实施例中，在获取电子设备当前的多维特征信息的步骤之前，还可以包括：
获取预设时间，若当前系统时间到达预设时间时，则获取电子设备当前的多维特征信息。其中预设时间可以为一天中的一个时间点，如上午9点，也可以为一天中的几个时间点，如上午9点、下午6点等。也可以为多天中的一个或几个时间点。然后根据预测模型、优化参数生成预测结果，并根据预测结果对应用程序进行管控。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
请参阅图6，图6为本申请实施例提供的用户性别预测装置的结构示意图。其中该用户性别预测装置300应用于电子设备，该用户性别预测装置300包括采集模块301、训练模块302、获取模块303以及生成模块304。
其中，采集模块301，用于采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集。
具体的，性别预测的样本集中，可以包括在历史时间段内采集的多个训练样本。历史时间段，例如可以是过去7天、10天等。可以理解的是，一次采集的未知性别用户使用电子设备的多维特征信息构成一个样本集。对于每个样本的特征集，均用一组实数予以记录。在采样时需要对样本的数值进行归一化处理，如归一化成0～1之间的数。这样每个用户是一个样本，N个用户组成了N个样本，每个样本的特征是(x1,x2,...,xn)。
在构成样本集之后，可以对样本集中的每个样本进行标记，得到每个样本的样本标签，由于本实施要实现的是预测当前用户的性别，因此，所标记的样本标签是该用户注册帐号时实际提供的性别信息，包括性别男和性别女，可以用编码为0或者1来表示，此时，样本类别可以包括性别男和性别女。具体可根据用户对电子设备中应用的历史使用习惯进行标记，例如：在一周的时间长度之内用户在购物应用中浏览偏男性类商品(如男装)次数为20次、累计时长为一小时，则可以标记为性别男；再例如，在一周的时间长度之内用户阅读偏女性类小说的时长为8个小时，则可以标记为性别女，具体地，可以用数值“1”表示“性别男”，用数值“0”表示“性别女”，反之亦可。
其中，上述性别预测的样本集用于对BP神经网络模型进行训练，例如样本集中可以包括以下特征：
用户在购物应用中浏览偏男性类商品(如男装)次数与时长；
用户在购物应用中浏览偏女性类商品(如化妆品、女装)次数与时长；
用户阅读偏男性类小说的时长；
用户阅读偏女性类小说的时长；
用户阅读体育类新闻的时长；
用户阅读星座类新闻的时长；
用户使用前置摄像头自拍的次数；
用户使用美颜类软件的次数；
用户玩不同类别游戏的次数与时长。
训练模块302，用于利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型。
在一实施例中，可以将样本参数输入所述BP神经网络模型以得到两个预测结果的概率，基于第一预设公式计算以得到两个预测结果的概率，其中所述第一预设公式为：
其中，ZK为中间值，C为预测结果的类别数，为第j个中间值，基于所述第一预设公式得到两维的输出层，分别代表所述样本为男性和女性的概率。
然后根据两个预测结果和与其对应的概率得到损失值，基于第二预设公式根据两个预测结果和与其对应的概率得到损失值，其中所述第二预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。然后再根据损失值进行训练，生成目标模型参数。
获取模块303，用于获取未知性别用户使用电子设备的多维特征信息并作为预测样本。
例如，统计一周内前文提到的用户特征值，得到用户特征向量，将归一化后的特征值输入网络中，做一次前向计算，网络的输出为该用户性别是男或女的概率，预测样本中可以包括上述的一些特征。
生成模块304，用于根据预测样本和训练后的预测模型生成预测概率，预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
为了简化应用预测运行，提升预测速度，可以针对预测概率中两个概率选取一个概率，然后，基于选取的概率来预测当前用户的性别。例如，对于某个预测概率，如果Y＝1表示当前用户为男性、Y＝0表示当前用户为女性，假设P(Y＝1|x)大于P(Y＝0|x)，此时，输出当前用户为男性的第一预测结果；假设P(Y＝1|x)不大于P(Y＝0|x)，此时，输出当前用户为女性的第二预测结果。
请一并参阅图7，图7为本申请实施例提供的用户性别预测装置的另一结构示意图。在一些实施方式中，训练模块302可以具体包括处理子模块3021和训练子模块3022。
处理子模块3021，用于对样本集中的样本参数进行归一化处理；
训练子模块3022，用于根据归一化之后的样本参数对所述BP神经网络模型进行训练。
在一实施例中，上述训练子模块3022，具体用于将归一化之后的样本参数输入所述BP神经网络模型以得到两个预测结果的概率，根据所述两个预测结果和与其对应的概率得到损失值，根据所述损失值进行训练，生成目标模型参数。
在一实施例中，该装置300还可以包括：
比较模块305，用于在生成模块304根据预测样本和训练后的预测模型生成预测概率之后，对当前用户为男性的第一概率与当前用户为女性的第二概率进行比较，得到比较结果；
输出模块306，用于根据比较结果，输出最终的预测结果。
具体的，上述输出模块306，具体用于当所述第一概率大于所述第二概率时，输出当前用户为男性的第一预测结果，当所述第一概率不大于所述第二概率时，输出当前用户为女性的第二预测结果。
需要说明的是，预测模型的训练过程可以在服务器端也可以在电子设备端完成。当预测模型的训练过程、实际预测过程都在服务器端完成时，需要使用训练后的预测模型时，可以将未知性别的用户使用电子设备的多维特征信息输入到服务器，服务器实际预测完成后，将预测结果发送至电子设备端，最后由电子设备输出预测结果。
当预测模型的训练过程、实际预测过程都在电子设备端完成时，需要使用训练后的预测模型时，可以将的多维特征信息输入到电子设备，电子设备实际预测完成后，电子设备输出预测结果。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
由上述可知，本申请实施例的用户性别预测装置，通过采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据该预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。本申请可以基于BP神经网络模型对当前用户的性别进行预测，提高了性别预测的准确性，方便终端完成用户的精准画像。
本申请实施例中，用户性别预测装置与上文实施例中的用户性别预测方法属于同一构思，在用户性别预测装置上可以运行用户性别预测方法实施例中提供的任一方法，其具体实现过程详见用户性别预测方法的实施例，此处不再赘述。
本申请实施例还提供一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的用户性别预测方法。
本申请实施例还提供一种电子设备。请参阅图8，电子设备400包括处理器401以及存储器402。其中，处理器401与存储器402电性连接。
处理器400是电子设备400的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器402内的计算机程序，以及调用存储在存储器402内的数据，执行电子设备400的各种功能并处理数据，从而对电子设备400进行整体监控。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402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，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
在本申请实施例中，电子设备400中的处理器401会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器402中，并由处理器401运行存储在存储器402中的计算机程序，从而实现各种功能，如下：
采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集，利用样本集对BP神经网络模型进行训练，以得到训练后的预测模型，获取未知性别用户使用电子设备的多维特征信息并作为预测样本，根据该预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。本申请可以基于BP神经网络模型对当前用户的性别进行预测，提高了性别预测的准确性，方便终端完成用户的精准画像。
请一并参阅图9，在一些实施方式中，电子设备400还可以包括：显示器403、射频电路404、音频电路405以及电源406。其中，其中，显示器403、射频电路404、音频电路405以及电源406分别与处理器401电性连接。
显示器403可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器403可以包括显示面板，在一些实施方式中，可以采用液晶显示器(Liquid Crystal Display，LCD)、或者有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板。
射频电路404可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
音频电路405可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
电源406可以用于给电子设备400的各个部件供电。在一些实施例中，电源406可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图9中未示出，电子设备400还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM)、或者随机存取记忆体(Random Access Memory，RAM)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
需要说明的是，对本申请实施例的用户性别预测方法而言，本领域普通测试人员可以理解实现本申请实施例用户性别预测方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如用户性别预测方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的用户性别预测装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种用户性别预测方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种用户性别预测方法，其特征在于，所述方法包括以下步骤：
采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集；
利用所述样本集对BP神经网络模型进行训练，以得到训练后的预测模型；
获取未知性别用户使用电子设备的多维特征信息并作为预测样本；
根据所述预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
2.根据权利要求1所述的用户性别预测方法，其特征在于，利用所述样本集对BP神经网络模型进行训练的步骤，包括：
对所述样本集中的样本参数进行归一化处理；
根据归一化之后的样本参数对所述BP神经网络模型进行训练。
3.根据权利要求2所述的用户性别预测方法，其特征在于，根据归一化之后的样本参数对所述BP神经网络模型进行训练的步骤，包括：
将归一化之后的样本参数输入所述BP神经网络模型以得到两个预测结果的概率；
根据所述两个预测结果和与其对应的概率得到损失值；
根据所述损失值进行训练，生成目标模型参数。
4.根据权利要求3所述的用户性别预测方法，其特征在于，所述根据所述损失值进行训练的步骤，包括：
根据所述损失值利用梯度下降法进行训练。
5.根据权利要求1所述的用户性别预测方法，其特征在于，在根据所述预测样本和训练后的预测模型生成预测概率之后，所述方法还包括：
对所述当前用户为男性的第一概率与当前用户为女性的第二概率进行比较，得到比较结果；
根据所述比较结果，输出最终的预测结果。
6.根据权利要求5所述的用户性别预测方法，其特征在于，所述根据所述比较结果，输出最终的预测结果的步骤，包括：
当所述第一概率大于所述第二概率时，输出当前用户为男性的第一预测结果；
当所述第一概率不大于所述第二概率时，输出当前用户为女性的第二预测结果。
7.根据权利要求3所述的用户性别预测方法，其特征在于，将归一化之后的样本参数输入所述BP神经网络模型以得到两个预测结果的概率的步骤，包括：
基于第一预设公式计算以得到两个预测结果的概率，其中所述第一预设公式为：
其中，ZK为中间值，C为预测结果的类别数，为第j个中间值，基于所述第一预设公式得到两维的输出层，分别代表所述样本为男性和女性的概率。
8.根据权利要求3所述的用户性别预测方法，其特征在于，根据所述两个预测结果和与其对应的概率得到损失值的步骤，包括：
基于第二预设公式根据所述两个预测结果和与其对应的概率得到损失值，其中所述第二预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
9.一种用户性别预测装置，其特征在于，所述装置包括：
采集模块，用于采集已知性别用户使用电子设备的多维特征信息作为样本，构建性别预测的样本集；
训练模块，用于利用所述样本集对BP神经网络模型进行训练，以得到训练后的预测模型；
获取模块，用于获取未知性别用户使用电子设备的多维特征信息并作为预测样本；
生成模块，用于根据所述预测样本和训练后的预测模型生成预测概率，所述预测概率包括：当前用户为男性的第一概率、和当前用户为女性的第二概率。
10.根据权利要求9所述的用户性别预测装置，其特征在于，所述训练模块，具体包括：
处理子模块，用于对所述样本集中的样本参数进行归一化处理；
训练子模块，用于根据归一化之后的样本参数对所述BP神经网络模型进行训练。
11.根据权利要求10所述的用户性别预测装置，其特征在于，
所述训练子模块，具体用于将归一化之后的样本参数输入所述BP神经网络模型以得到两个预测结果的概率，根据所述两个预测结果和与其对应的概率得到损失值，根据所述损失值进行训练，生成目标模型参数。
12.根据权利要求9所述的用户性别预测装置，其特征在于，所述装置还包括：
比较模块，用于在生成模块根据所述预测样本和训练后的预测模型生成预测概率之后，对所述当前用户为男性的第一概率与当前用户为女性的第二概率进行比较，得到比较结果；
输出模块，用于根据所述比较结果，输出最终的预测结果。
13.根据权利要求12所述的用户性别预测装置，其特征在于，
所述输出模块，具体用于当所述第一概率大于所述第二概率时，输出当前用户为男性的第一预测结果，当所述第一概率不大于所述第二概率时，输出当前用户为女性的第二预测结果。
14.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至8任一项所述的用户性别预测方法。
15.一种电子设备，包括处理器和存储器，所述存储器有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至8任一项所述的用户性别预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711387919.0A CN109948633A (zh) | 2017-12-20 | 2017-12-20 | 用户性别预测方法、装置、存储介质及电子设备 |
| PCT/CN2018/116481 WO2019120019A1 (zh) | 2017-12-20 | 2018-11-20 | 用户性别预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711387919.0A CN109948633A (zh) | 2017-12-20 | 2017-12-20 | 用户性别预测方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948633A true CN109948633A (zh) | 2019-06-28 |
Family
ID=66993043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711387919.0A Pending CN109948633A (zh) | 2017-12-20 | 2017-12-20 | 用户性别预测方法、装置、存储介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109948633A (zh) |
| WO (1) | WO2019120019A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796234A (zh) * | 2019-10-21 | 2020-02-14 | 苏州浪潮智能科技有限公司 | 一种用于预测计算机状态的方法和装置 |
| CN111143441A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 性别确定方法、装置、设备及存储介质 |
| CN111178983A (zh) * | 2020-01-03 | 2020-05-19 | 北京搜狐新媒体信息技术有限公司 | 用户性别预测方法、装置、设备及存储介质 |
| CN111291928A (zh) * | 2020-01-21 | 2020-06-16 | 深圳市华星光电半导体显示技术有限公司 | 显示面板制程参数的优化方法及系统 |
| CN111737319A (zh) * | 2020-06-24 | 2020-10-02 | 平安科技（深圳）有限公司 | 用户集群的预测方法、装置、计算机设备和存储介质 |
| CN112541010A (zh) * | 2019-09-23 | 2021-03-23 | 银橙(上海)信息技术有限公司 | 一种基于逻辑回归的用户性别预测方法 |
| CN112825178A (zh) * | 2019-11-21 | 2021-05-21 | 北京沃东天骏信息技术有限公司 | 一种预测用户性别画像的方法和装置 |
| CN113392175A (zh) * | 2020-03-12 | 2021-09-14 | 北京有限元科技有限公司 | 预测话术组合的方法、装置以及存储介质 |
| CN113657917A (zh) * | 2020-05-12 | 2021-11-16 | 上海佳投互联网技术集团有限公司 | 一种基于user-agent的访客性别分析方法及系统 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209173B (zh) * | 2020-01-02 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 一种性别预测方法、装置、存储介质、以及电子设备 |
| CN113095473A (zh) * | 2020-01-09 | 2021-07-09 | 富士通株式会社 | 神经网络架构搜索系统和方法及计算机可读记录介质 |
| CN111652432A (zh) * | 2020-06-01 | 2020-09-11 | 北京达佳互联信息技术有限公司 | 用户属性信息的确定方法、装置、电子设备及存储介质 |
| CN112632351B (zh) * | 2020-12-28 | 2024-01-16 | 北京百度网讯科技有限公司 | 分类模型的训练方法、分类方法、装置及设备 |
| CN113535700A (zh) * | 2021-07-19 | 2021-10-22 | 福建凯米网络科技有限公司 | 一种数字视听场所用户信息更新方法及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469041A (zh) * | 2015-11-19 | 2016-04-06 | 上海交通大学 | 基于多任务正则化与逐层监督神经网络的人脸点检测系统 |
| CN106682686A (zh) * | 2016-12-09 | 2017-05-17 | 北京拓明科技有限公司 | 一种基于手机上网行为的用户性别预测方法 |
| CN107180044A (zh) * | 2016-03-09 | 2017-09-19 | 精硕科技（北京）股份有限公司 | 识别互联网用户性别方法和系统 |
| CN107247947A (zh) * | 2017-07-07 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 人脸属性识别方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
| CN103530540B (zh) * | 2013-09-27 | 2017-02-22 | 西安交通大学 | 基于人机交互行为特征的用户身份属性检测方法 |
| CN103679139B (zh) * | 2013-11-26 | 2017-08-15 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
| CN104573048B (zh) * | 2015-01-20 | 2018-10-12 | 电子科技大学 | 一种基于智能手机流量数据的用户基础属性预测方法 |
-
2017
- 2017-12-20 CN CN201711387919.0A patent/CN109948633A/zh active Pending
-
2018
- 2018-11-20 WO PCT/CN2018/116481 patent/WO2019120019A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469041A (zh) * | 2015-11-19 | 2016-04-06 | 上海交通大学 | 基于多任务正则化与逐层监督神经网络的人脸点检测系统 |
| CN107180044A (zh) * | 2016-03-09 | 2017-09-19 | 精硕科技（北京）股份有限公司 | 识别互联网用户性别方法和系统 |
| CN106682686A (zh) * | 2016-12-09 | 2017-05-17 | 北京拓明科技有限公司 | 一种基于手机上网行为的用户性别预测方法 |
| CN107247947A (zh) * | 2017-07-07 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 人脸属性识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王一丁 等: "《数字图像处理》", 31 August 2015, 西安电子科技大学出版社 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541010A (zh) * | 2019-09-23 | 2021-03-23 | 银橙(上海)信息技术有限公司 | 一种基于逻辑回归的用户性别预测方法 |
| CN112541010B (zh) * | 2019-09-23 | 2023-05-23 | 银橙(上海)信息技术有限公司 | 一种基于逻辑回归的用户性别预测方法 |
| CN110796234B (zh) * | 2019-10-21 | 2022-07-12 | 苏州浪潮智能科技有限公司 | 一种用于预测计算机状态的方法和装置 |
| CN110796234A (zh) * | 2019-10-21 | 2020-02-14 | 苏州浪潮智能科技有限公司 | 一种用于预测计算机状态的方法和装置 |
| CN112825178A (zh) * | 2019-11-21 | 2021-05-21 | 北京沃东天骏信息技术有限公司 | 一种预测用户性别画像的方法和装置 |
| CN111143441A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 性别确定方法、装置、设备及存储介质 |
| CN111178983A (zh) * | 2020-01-03 | 2020-05-19 | 北京搜狐新媒体信息技术有限公司 | 用户性别预测方法、装置、设备及存储介质 |
| CN111178983B (zh) * | 2020-01-03 | 2024-03-12 | 北京搜狐新媒体信息技术有限公司 | 用户性别预测方法、装置、设备及存储介质 |
| CN111291928A (zh) * | 2020-01-21 | 2020-06-16 | 深圳市华星光电半导体显示技术有限公司 | 显示面板制程参数的优化方法及系统 |
| CN113392175A (zh) * | 2020-03-12 | 2021-09-14 | 北京有限元科技有限公司 | 预测话术组合的方法、装置以及存储介质 |
| CN113657917A (zh) * | 2020-05-12 | 2021-11-16 | 上海佳投互联网技术集团有限公司 | 一种基于user-agent的访客性别分析方法及系统 |
| CN111737319A (zh) * | 2020-06-24 | 2020-10-02 | 平安科技（深圳）有限公司 | 用户集群的预测方法、装置、计算机设备和存储介质 |
| CN111737319B (zh) * | 2020-06-24 | 2024-03-01 | 平安科技（深圳）有限公司 | 用户集群的预测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019120019A1 (zh) | 2019-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948633A (zh) | 用户性别预测方法、装置、存储介质及电子设备 | |
| CN107678799B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
| CN107678845A (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
| CN107632697B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
| CN107704070A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107943583B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
| CN107911491A (zh) | 信息推荐方法、装置及存储介质、服务器和移动终端 | |
| CN107678800A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
| CN108701149A (zh) | 一种智能推荐方法和终端 | |
| CN107894827A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN108108455A (zh) | 目的地的推送方法、装置、存储介质及电子设备 | |
| CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107943534A (zh) | 后台应用程序的关闭方法、装置、存储介质及电子设备 | |
| CN107222914A (zh) | 应用控制方法及相关产品 | |
| CN107704289A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107643948A (zh) | 应用程序管控方法、装置、介质及电子设备 | |
| CN107678531A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN108692735A (zh) | 导航路线的处理方法、装置、存储介质及电子设备 | |
| CN109961075A (zh) | 用户性别预测方法、装置、介质及电子设备 | |
| CN107766891A (zh) | 用户性别识别方法、装置、存储介质及电子设备 | |
| CN107704364B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| CN107643925A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
| CN107729078B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
| CN107943537A (zh) | 应用清理方法、装置、存储介质及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |