CN110147728A - 客户信息分析方法、系统、设备及可读存储介质 - Google Patents
客户信息分析方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110147728A CN110147728A CN201910300579.6A CN201910300579A CN110147728A CN 110147728 A CN110147728 A CN 110147728A CN 201910300579 A CN201910300579 A CN 201910300579A CN 110147728 A CN110147728 A CN 110147728A
- Authority
- CN
- China
- Prior art keywords
- target user
- information
- user
- image
- analysis method
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 241001269238 Data Species 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 210000001061 forehead Anatomy 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 239000011148 porous material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000037303 wrinkles Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种客户信息分析方法,包括:收集目标用户的一个或多个目标用户数据,所述一个或多个目标用户数据包括目标用户的人脸信息;将一个或多个目标用户数据输入到神经网络模型中;通过神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息;及将置信度最高的类别组合中的一个或多个特征信息确定为目标用户的一个或多个目标用户特征信息;将一个或多个目标用户特征信息存储在预设的用户信息表单中。本发明实施例还包括一种客户信息分析系统、计算机设备及计算机可读存储介质。本发明实施例可以使APP、网页软件等能够在不打扰用户的前提下,自动获取用户相对真实的部分信息。
Description
技术领域
本发明实施例涉及大数据领域,尤其涉及一种客户信息分析方法、系统、计算机设备及计算机可读存储介质。
背景技术
目前,大多数互联网公司通过APP为用户提供服务时,为保障服务质量,通常都需要向用户获取一些用户基本信息,如设置注册环节以强制用户填写这些用户基本信息。然而,这种依赖于用户手动填写年龄、性别等信息的方式的缺陷是显而易见的:收集用户的年龄、性别等信息仅依赖于用户在注册阶段的强制填写、用户和软件之间的交互体验不友好、信息的真实性无法保证。因此,APP、网页版软件等如何在不打扰用户的前提下,高效率地获得用户相对真实的部分信息,成为了目前急需解决的问题之一。
发明内容
有鉴于此,本发明实施例提供了一种客户信息分析方法、系统、计算机设备及计算机可读存储介质,用于解决目前APP、网页版软件等无法在不打扰用户的前提下,高效率地获得用户相对真实的部分信息的问题。
本发明实施例是通过下述技术方案来解决上述技术问题:
一种客户信息分析方法,包括:
收集目标用户的一个或多个目标用户数据,所述一个或多个目标用户数据包括所述目标用户的人脸信息;
将所述一个或多个目标用户数据输入到神经网络模型中;
通过所述神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息;及
将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息;
将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
进一步地,收集所述目标用户的一个或多个目标用户数据的步骤,包括:
通过影像采集单元采集所述目标用户的影像信息;及
通过所述影像信息提取所述人脸信息。
进一步地,通过影像采集单元采集所述目标用户的影像信息的步骤之前,还包括:
通过感光单元获取所述目标用户周围的光线强度;
判断所述光线强度是否在多个预设的光线强度范围内;及
如果所述光线强度在所述多个预设的光线强度范围内,则触发所述影像采集单元采集所述目标用户的影像信息,以使影像采集单元在不同的光线强度下采集所述目标用户的多个所述影像信息。
进一步地,通过影像采集单元采集所述目标用户的影像信息的步骤之前,还包括:
通过声音采集单元采集所述目标用户的声音信息;
根据所述声音信息判断所述目标用户是否进入所述影像采集单元的图像采集范围内;及
如果所述目标用户进入所述影像采集单元的图像采集范围内,则触发所述影像采集单元采集所述目标用户的影像信息。
进一步地,通过影像采集单元采集所述目标用户的影像信息的步骤之前,还包括:
通过声音采集单元采集所述目标用户的目标语音数据,
其中,所述目标语音数据为在预定场景下触发所述声音采集单元采集的语音数据。
进一步地,所述一个或多个目标用户数据还包括所述用户的位置信息;所述客户信息分析方法还包括:
通过位置采集单元获取所述目标用户的一个或多个位置信息;
根据所述一个或多个位置信息得到所述目标用户的活动区域地址信息,将所述活动区域地址信息存储在所述用户信息表单中。
进一步地,所述一个或多个目标用户数据还包括所述用户的日志信息;所述客户信息分析方法还包括:
获取用户的日志信息,对所述日志信息提取一个或多个关键词;
根据所述一个或多个关键词预测所述目标用户感兴趣类别,将所述目标用户感兴趣类别存储在所述用户信息表单中。
为了实现上述目的,本发明实施例还提供一种客户信息分析系统,包括:
采集模块,用于收集目标用户的一个或多个目标用户数据,所述一个或多个目标用户数据包括所述目标用户的人脸信息;
输入模块,用于将所述一个或多个目标用户数据输入到神经网络模型中;
计算模块,用于通过所述神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息;
确定模块,用于将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息;
存储模块,用于将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
为了实现上述目的,本发明实施例还提供一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述客户信息分析方法的步骤。
为了实现上述目的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的客户信息分析方法的步骤。
本发明实施例提供的客户信息分析方法、系统、计算机设备及计算机可读存储介质,相较于用户手动填写个人信息的方式,通过将收集到的目标用户数据输入到神经网络模型中,经综合计算后,得到目标用户一个或多个相对真实的目标用户特征信息的方式,以该方式获得的用户的目标用户特征信息更加真实、准确,同时无需用户手动填写上述个人信息,提升了用户使用该APP的用户体验。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明实施例一之客户信息分析方法的步骤流程图;
图2为图1中步骤S100的具体流程示意图;
图3为本发明实施例二之客户信息分析方法的步骤流程图;
图4为图3中步骤S200的具体流程示意图;
图5为本发明实施例三之客户信息分析方法的步骤流程图;
图6为图5中步骤S302的具体流程示意图;
图7为本发明实施例四之客户信息分析方法的步骤流程图;
图8为本发明客户信息分析系统之实施例五的程序模块示意图;
图9为本发明计算机设备之实施例六的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施例一
请参阅图1,示出了本发明实施例之客户信息分析方法的步骤流程图,下面以计算机设备为执行主体进行示例性描述,具体如下:
步骤S100,收集目标用户的一个或多个目标用户数据,一个或多个目标用户数据包括目标用户的人脸信息。
示例性的,该目标用户数据还可以包括:目标用户的声音信息、目标用户的位置信息、目标用户的日志信息等。
在示例性的实施例中,请参阅图2,步骤S100可以进一步包括:
步骤S100A,通过影像采集单元采集所述目标用户的影像信息;
步骤S100B,通过影像信息提取目标用户的人脸信息。
步骤S102,将一个或多个目标用户数据输入到神经网络模型中。
所述神经网络模型为经过训练后的网络模型。
具体的,可以通过神经网络模型从人脸信息中提取出皮肤特征信息、脸部轮廓特征信息、皱纹特征信息等特征信息。
具体的,以提取“皮肤特征信息”为例,可以根据脸部不同的部分区分皮肤特征信息,如额部皮肤信息、鼻部皮肤信息、眼部皮肤信息、脸颊皮肤信息等。以提取“脸颊皮肤信息”为例,计算机设备还可以对脸颊皮肤信息的具体情况进一步分析,如计算机设备可以检测到“脸颊皮肤毛孔孔径信息”,根据多个毛孔孔径的大小进行判断脸颊皮肤的毛孔是粗大的还是细小的;计算机设备还可以提取“脸颊皮肤颜色信息”,根据脸颊多处皮肤的颜色进行判断脸颊皮肤颜色是暗沉的还是白皙的。
以提取“脸部轮廓特征信息”为例,计算机设备可获取眉骨和额部的轮廓信息,并分析眉骨凸出于脸部的最外侧与眉骨和额部的连接处的间距。
以提取“皱纹特征信息”为例,计算机设备可先选取脸部的不同部分进行分析,如额部、鼻部、眼部、脸颊等。以提取“额部的皱纹特征”为例,计算机设备可以对额部一定面积的皮肤所含皱纹量进行分析。
步骤S104,通过神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息。
其中,每个类别组合可以为不同性别和不同年龄的组合,如(男性,21岁)、(男性,32岁)、...、(女性,25岁)、(女性,80岁)等。
本实施例的神经网络模型可以为卷积神经网络模型。
示例性的,卷积神经网络模型的卷积层包括若干个步长为1,深度为3的卷积核,通过卷积层对人脸信息中的特征信息进行卷积操作,得到若干个卷积特征图。
人脸信息为A,选择尺寸M×M的矩阵,卷积后得到矩阵B,则计算公式为,convl=f(B+b),其中,wi为图片窗口的数据,xi为滤子矩阵;为卷积运算,B为卷积核矩阵,b为偏置项,f为非线性的激活函数,如tanh函数。
具体的,以“脸颊皮肤毛孔孔径信息”为例,对“脸颊皮肤毛孔孔径信息”进行向量映射。
即,脸颊皮肤毛孔孔径分为6个区间,分别为0.02~0.025mm区间、0.026~0.03mm区间、0.031~0.035mm区间、0.036~0.04mm区间、0.041~0.045mm区间、0.046~0.05mm区间。分别设定0.02~0.025mm区间、0.026~0.03mm区间、0.031~0.035mm区间、0.036~0.04mm区间、0.041~0.045mm区间、0.046~0.05mm区间的数值为W11、W12、W13、W14、W15、W16;人脸信息不同窗口的数值为X11、X12、X13、X14、X15、X16、...、X1n等。
其中,W11、W12、W13、W14、W15、W16相当于计算公式中的wi,X11、X12、X13、X14、X15、X16、...、X1n等相当于计算公式中的xi。
具体的,以“脸颊皮肤颜色信息”为例,对“脸颊皮肤颜色信息”进行向量映射。
即,脸颊皮肤颜色信息分为R、G、B三个通道,每个通道均分为10个区间,分别为0~25值区间、26-50值区间、51-75值区间、76-100值区间、101-125值区间、126-150值区间、151-175值区间、176-200值区间、201-225值区间、226-250值区间。以R通道为例,设定0~25值区间、26-50值区间、51-75值区间、76-100值区间、101-125值区间、126-150值区间、151-175值区间、176-200值区间、201-225值区间、226-250值区间的数值为Wr20、Wr21、Wr22、Wr23、Wr24、Wr25、Wr26、Wr27、Wr28、Wr29;人脸信息不同窗口的数值为X21、X22、X23、X24、X25、X26、...、X2n等。
其中,Wr20、Wr21、Wr22、Wr23、Wr24、Wr25、Wr26、Wr27、Wr28、Wr29相当于计算公式中的wi,X21、X22、X23、X24、X25、X26、...、X2n等相当于计算公式中的xi。
步骤S106,将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息。
具体的,接上例,将经卷积操作后得到的卷积特征图的输出向量输入到softmax层中,通过softmax层输出分类向量;其中,分类向量包括m种类别组合的置信度。
softmax函数如下:
以目标用户的年龄和性别为例,输出的分类向量为(0.20,0.48,0.66,0.95,0.80,…),则表示:
5~10岁区间,且性别为男,置信度为0.20;
11~15岁区间,且性别为女,置信度为0.48;
16~20岁区间,且性别为女,置信度为0.66;
21~25岁区间,且性别为女,置信度为0.95;
26~30岁区间,且性别为女,置信度为0.80;
以此类推,不穷举。
计算机设备选择置信度最高的类别组合(21~25岁区间,且性别为女),并取21~25岁区间的年龄平均值确定为该目标用户的年龄,即最终确定该目标用户的年龄为23岁,且性别为女。
步骤S108,将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
其中,预设的用户信息表单中被配置有若干个字段,字段用于记录对应的目标用户特征信息。
在示例性的实施例中,所述一个或多个目标用户数据还可以包括所述用户的位置数据。对应的,本实施例还可以包括如下步骤:
(1)通过位置采集单元获取所述目标用户的一个或多个位置信息;
(2)根据所述一个或多个位置信息得到所述目标用户的活动区域地址信息,将所述活动区域地址信息存储在所述用户信息表单中。
在示例性的实施例中,所述一个或多个目标用户数据还可以包括所述用户的日志数据。对应的,本实施例还可以包括如下步骤:
(1)获取用户的日志信息,对所述日志信息提取一个或多个关键词;
(2)根据所述一个或多个关键词预测所述目标用户感兴趣类别,将所述目标用户感兴趣类别存储在所述用户信息表单中。
实施例二
为了提升对目标用户特征信息的确定精度,在获取人脸信息时,还获取不同光线强度下的多个所述影像信息,通过多个不同光线强度下的多个所述影像信息来综合评估用户的目标特征信息,如年龄信息等。
请参阅图3,示出了本发明实施例之客户信息分析方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S200,获取在不同的光线强度下目标用户的多个影像信息。
在示例性的实施例中,请参阅图4,所述步骤S200进一步包括:
步骤S200A,通过感光单元获取目标用户周围的光线强度;
步骤S200B,判断该光线强度是否在多个预设的光线强度范围内;
步骤S200C,如果该光线强度在多个预设的光线强度范围内,则触发影像采集单元采集目标用户的影像信息,以使影像采集单元在不同的光线强度下采集目标用户的多个影像信息。
步骤S202,通过多个影像信息提取目标用户的多个人脸信息。
步骤S204,将所述多个人脸信息输入到神经网络模型中。
步骤S206,通过神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息。
每个人脸信息均对应有各个类别组合的置信度,将每个人脸信息对应的各个类别组合进行综合计算,得到每个类别组合最终的置信度。
例如,假设有3个人脸信息:
人脸信息#1:5~10岁区间,且性别为男,置信度为0.20;
人脸信息#2:5~10岁区间,且性别为男,置信度为0.24;
人脸信息#3:5~10岁区间,且性别为男,置信度为0.22;
将这3个人脸信息对应的类别组合“5~10岁区间,且性别为男”的多个置信度(0.20,0.24,0.22)计算平均值,得到最终的置信度为0.22。
当然,计算平均值仅是一个示例,也可以设置各个光线强度下的人脸信息的权重值,从而计算最终的置信度时,加入权重因素。
其中,每个类别组合包括年龄段区间和/或性别的特征信息。
步骤S208,将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息。
步骤S210,将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
实施例三
本实施例在于通过分析用户的声音位置判断该用户是否大致处于影像采集单元的图像采集范围内,从而判断是否触发影像采集单元获取目标用户的影像信息,减少无效摄影事件,进一步提高分析的效率和准确度。
请参阅图5,示出了本发明实施例之客户信息分析方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S300,通过声音采集单元采集目标用户的声音信息。
步骤S302,根据该声音信息判断该目标用户是否进入影像采集单元的图像采集范围内。
本实施例中,请参阅图6,所述步骤S302可以进一步包括如下步骤:
步骤S302A,计算各声源的声纹信息传输到声音采集单元的时延。
具体的,目标用户的声音信息包括声纹信息和声源位置信息,声音采集单元包括若干个麦克风。
进一步的,通过声音采集单元获取目标用户的声纹信息和声源位置信息,计算机设备计算各声源的声纹信息传输到声音采集单元中各麦克风的时延,即其中,tis为候选声源s与第一个麦克风的时延,dis为候选声源s与第一个麦克风的距离,v为声速。
步骤S302B,补偿时延,扫描每一声源的位置。
具体的,接上例,根据步骤S3021得到的时延对麦克风的信号进行相应的时延补偿,其中,时刻n扫描声源s的位置时,对第一个麦克风的信号x1进行时延补偿后的时域信号为
步骤S302C,通过DNN恢复相位和幅度。
具体的,接上例,将上述进行时延补偿后的时域信号输入到对应的DNN模型中,即将第一个麦克风接收到的声音信号的时域作为DNN模型的输入,将声源s的声音信号时域作为该DNN模型的输出,训练得到DNN模型。时刻n扫描声源s的位置时,DNN模型输出的原信号为M为麦克风的总数。
步骤S302D,通道间一致性计算。
具体的,接上例,对于声源S来说,麦克风阵列恢复出通道信号,计算恢复出的多通道信号的互相关系数和,作为通道间一致性的指标。
示例性的,根据时刻n扫描声源s的位置时,输出的M个估计的原信号,计算得到的声源s的互相关系数和为其中,Corr(x(n),y(n))表示信号x(n),y(n)的互相关系数。
步骤S302E,估计目标声源位置。
具体的,接上例,当扫描全部声源的位置后,分别计算出一互相关系数和,即重复步骤S302A~S302D,分别计算出各声源位置对应的互相关系数和,并根据互相关系数和选取相关度最大值对应的声源位置作为估计的声源位置。
步骤S304,如果目标用户进入影像采集单元的图像采集范围内,则触发影像采集单元采集目标用户的影像信息。
计算机设备判断目标用户的估计的声源位置大致处于影像采集单元的图像采集范围内时,则触发影像采集单元采集目标用户的影像信息。
步骤S306,通过影像信息提取目标用户的人脸信息。
步骤S308,将所述一个或多个人脸信息输入到神经网络模型中。
步骤S310,通过所述神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息。
其中每个类别组合包括年龄段区间和/或性别的特征信息。
步骤S312,将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息。
步骤S314,将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
实施例四
本实施例在于通过分析用户的周围环境的声音信息以判断该用户是否处于预定场景内,从而判断是否触发声音采集单元采集用户的语音数据,同时分析用户的语音信息和人脸信息,进一步提高分析的效率和准确度。
请参阅图7,示出了本发明实施例之客户信息分析方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤S400,通过声音采集单元采集目标用户的声音信息。
步骤S402,如果目标用户处于预定场景中,则触发声音采集单元采集目标用户的目标语音数据。
其中,预定场景为用户所在场所为噪音较小的场所,即计算机设备检测目标用户周围的环境声音信息的分贝值区间在15分贝~45分贝之间的场所为噪音较小的场所。
步骤S404,通过影像采集单元采集目标用户的影像信息。
步骤S406,通过影像信息提取人脸信息。
步骤S408,将一个或多个目标用户数据输入到神经网络模型中。
步骤S410,通过神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息。
其中每个类别组合包括年龄段区间和/或性别的特征信息。
步骤S412,将置信度最高的类别组合中的一个或多个特征信息确定为目标用户的一个或多个目标用户特征信息。
步骤S414,将一个或多个目标用户特征信息存储在预设的用户信息表单中。
需要说明的是,本领域技术人员应该了解,实施例一、二、三、四可以分别单独实施,也可以组合实施。
实施例五
请继续参阅图8,示出了本发明客户信息分析系统的程序模块示意图。在本实施例中,客户信息分析系统20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述客户信息分析方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述客户信息分析系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
第一采集模块200,用于收集目标用户的一个或多个目标用户数据,所述一个或多个目标用户数据包括所述目标用户的人脸信息。
所述第一采集模块200还用于:通过影像采集单元采集所述目标用户的影像信息;及通过所述影像信息提取所述人脸信息。
其中,通过影像采集单元采集所述目标用户的影像信息,具体包括:通过感光单元获取所述目标用户周围的光线强度;判断所述光线强度是否在多个预设的光线强度范围内;及如果所述光线强度在所述多个预设的光线强度范围内,则触发所述影像采集单元采集所述目标用户的影像信息,以使影像采集单元在不同的光线强度下采集所述目标用户的多个所述影像信息。
输入模块202,用于将所述一个或多个目标用户数据输入到神经网络模型中。
计算模块204,用于通过所述神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息。
确定模块206,用于将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息。
存储模块208,用于将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
可选的,所述客户信息分析系统20还包括:
触发模块210,用于:通过声音采集单元采集所述目标用户的声音信息;根据所述声音信息判断所述目标用户是否进入所述影像采集单元的图像采集范围内;及如果所述目标用户进入所述影像采集单元的图像采集范围内,则触发所述影像采集单元采集所述目标用户的影像信息。
可选的,所述客户信息分析系统20还包括:
第二采集模块212,用于:通过声音采集单元采集所述目标用户的目标语音数据;其中,所述目标语音数据为在预定场景下触发所述声音采集单元采集的语音数据。所述目标语音数据用于输入至所述输入模块204。
可选的,所述客户信息分析系统20还包括:
第三采集模块214,用于:通过位置采集单元获取所述目标用户的一个或多个位置信息。所述存储模块208还用于:根据第三采集模块214采集的所述一个或多个位置信息得到所述目标用户的活动区域地址信息,将所述活动区域地址信息存储在所述用户信息表单中。
可选的,所述客户信息分析系统20还包括:
第四采集模块216,用于:获取用户的日志信息,对所述日志信息提取一个或多个关键词。所述存储模块208还用于:根据第四采集模块216获取所述一个或多个关键词预测所述目标用户感兴趣类别,将所述目标用户感兴趣类别存储在所述用户信息表单中。
实施例六
参阅图9,是本发明实施例六之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图9所示,所述计算机设备2至少包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及客户信息分析系统20。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如实施例五的客户信息分析系统20的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行客户信息分析系统20,以实现实施例一、二、三或四的客户信息分析方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图9仅示出了具有部件20-23的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述客户信息分析系统20还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图8示出了所述实现客户信息分析系统20实施例五的程序模块示意图,该实施例中,所述基于客户信息分析系统20可以被划分为第一采集模块200、输入模块202、计算模块204、确定模块206、存储模块208、触发模块210、第二采集模块212、第三采集模块214和第四采集模块216。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述客户信息分析系统20在所述计算机设备2中的执行过程。所述程序模块200-216的具体功能在实施例五中已有详细描述,在此不再赘述。
实施例七
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储客户信息分析系统20,被处理器执行时实现实施例一、二、三或四的客户信息分析方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种客户信息分析方法,其特征在于,包括:
收集目标用户的一个或多个目标用户数据,所述一个或多个目标用户数据包括所述目标用户的人脸信息;
将所述一个或多个目标用户数据输入到神经网络模型中;
通过所述神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息;及
将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息;
将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
2.根据权利要求1所述的客户信息分析方法,其特征在于,收集所述目标用户的一个或多个目标用户数据的步骤,包括:
通过影像采集单元采集所述目标用户的影像信息;及
通过所述影像信息提取所述人脸信息。
3.根据权利要求2所述的客户信息分析方法,其特征在于,通过影像采集单元采集所述目标用户的影像信息的步骤之前,还包括:
通过感光单元获取所述目标用户周围的光线强度;
判断所述光线强度是否在多个预设的光线强度范围内;及
如果所述光线强度在所述多个预设的光线强度范围内,则触发所述影像采集单元采集所述目标用户的影像信息,以使影像采集单元在不同的光线强度下采集所述目标用户的多个所述影像信息。
4.根据权利要求3所述的客户信息分析方法,其特征在于,通过影像采集单元采集所述目标用户的影像信息的步骤之前,还包括:
通过声音采集单元采集所述目标用户的声音信息;
根据所述声音信息判断所述目标用户是否进入所述影像采集单元的图像采集范围内;及
如果所述目标用户进入所述影像采集单元的图像采集范围内,则触发所述影像采集单元采集所述目标用户的影像信息。
5.根据权利要求2所述的客户信息分析方法,其特征在于,通过影像采集单元采集所述目标用户的影像信息的步骤之前,还包括:
通过声音采集单元采集所述目标用户的目标语音数据,
其中,所述目标语音数据为在预定场景下触发所述声音采集单元采集的语音数据。
6.根据权利要求1所述的客户信息分析方法,其特征在于,所述一个或多个目标用户数据还包括所述用户的位置信息;所述客户信息分析方法还包括:
通过位置采集单元获取所述目标用户的一个或多个位置信息;
根据所述一个或多个位置信息得到所述目标用户的活动区域地址信息,将所述活动区域地址信息存储在所述用户信息表单中。
7.根据权利要求1所述的客户信息分析方法,其特征在于,所述一个或多个目标用户数据还包括所述用户的日志信息;所述客户信息分析方法还包括:
获取用户的日志信息,对所述日志信息提取一个或多个关键词;
根据所述一个或多个关键词预测所述目标用户感兴趣类别,将所述目标用户感兴趣类别存储在所述用户信息表单中。
8.一种客户信息分析系统,其特征在于,包括:
采集模块,用于收集目标用户的一个或多个目标用户数据,所述一个或多个目标用户数据包括所述目标用户的人脸信息;
输入模块,用于将所述一个或多个目标用户数据输入到神经网络模型中;
计算模块,用于通过所述神经网络模型计算各个类别组合对应的置信度,每个类别组合包括一个或多个特征信息;
确定模块,用于将置信度最高的类别组合中的一个或多个特征信息确定为所述目标用户的一个或多个目标用户特征信息;
存储模块,用于将所述一个或多个目标用户特征信息存储在预设的用户信息表单中。
9.一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的客户信息分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1至7中任一项所述的客户信息分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300579.6A CN110147728A (zh) | 2019-04-15 | 2019-04-15 | 客户信息分析方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300579.6A CN110147728A (zh) | 2019-04-15 | 2019-04-15 | 客户信息分析方法、系统、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147728A true CN110147728A (zh) | 2019-08-20 |
Family
ID=67589829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300579.6A Pending CN110147728A (zh) | 2019-04-15 | 2019-04-15 | 客户信息分析方法、系统、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147728A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532970A (zh) * | 2019-09-02 | 2019-12-03 | 厦门瑞为信息技术有限公司 | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 |
CN113592851A (zh) * | 2021-08-12 | 2021-11-02 | 北京滴普科技有限公司 | 一种基于全脸图像的毛孔检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326441A (zh) * | 2016-08-26 | 2017-01-11 | 乐视控股(北京)有限公司 | 信息推荐方法及装置 |
CN107301389A (zh) * | 2017-06-16 | 2017-10-27 | 广东欧珀移动通信有限公司 | 基于人脸特征识别用户性别的方法、装置及终端 |
CN108062971A (zh) * | 2017-12-08 | 2018-05-22 | 青岛海尔智能技术研发有限公司 | 冰箱菜谱推荐的方法、装置及计算机可读存储介质 |
CN108429816A (zh) * | 2018-03-27 | 2018-08-21 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108734146A (zh) * | 2018-05-28 | 2018-11-02 | 北京达佳互联信息技术有限公司 | 人脸图像年龄判断方法、装置、计算机设备及存储介质 |
CN108776904A (zh) * | 2018-05-22 | 2018-11-09 | 深圳壹账通智能科技有限公司 | 一种广告消息的展示方法及其设备 |
-
2019
- 2019-04-15 CN CN201910300579.6A patent/CN110147728A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326441A (zh) * | 2016-08-26 | 2017-01-11 | 乐视控股(北京)有限公司 | 信息推荐方法及装置 |
CN107301389A (zh) * | 2017-06-16 | 2017-10-27 | 广东欧珀移动通信有限公司 | 基于人脸特征识别用户性别的方法、装置及终端 |
CN108062971A (zh) * | 2017-12-08 | 2018-05-22 | 青岛海尔智能技术研发有限公司 | 冰箱菜谱推荐的方法、装置及计算机可读存储介质 |
CN108429816A (zh) * | 2018-03-27 | 2018-08-21 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108776904A (zh) * | 2018-05-22 | 2018-11-09 | 深圳壹账通智能科技有限公司 | 一种广告消息的展示方法及其设备 |
CN108734146A (zh) * | 2018-05-28 | 2018-11-02 | 北京达佳互联信息技术有限公司 | 人脸图像年龄判断方法、装置、计算机设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532970A (zh) * | 2019-09-02 | 2019-12-03 | 厦门瑞为信息技术有限公司 | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 |
CN110532970B (zh) * | 2019-09-02 | 2022-06-24 | 厦门瑞为信息技术有限公司 | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 |
CN113592851A (zh) * | 2021-08-12 | 2021-11-02 | 北京滴普科技有限公司 | 一种基于全脸图像的毛孔检测方法 |
CN113592851B (zh) * | 2021-08-12 | 2023-06-20 | 北京滴普科技有限公司 | 一种基于全脸图像的毛孔检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126258A (zh) | 图像识别方法及相关装置 | |
CN111291841A (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN107391760A (zh) | 用户兴趣识别方法、装置及计算机可读存储介质 | |
CN107911643B (zh) | 一种视频通信中展现场景特效的方法和装置 | |
CN110310647A (zh) | 一种语音身份特征提取器、分类器训练方法及相关设备 | |
CN111695463B (zh) | 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法 | |
CN111738243A (zh) | 人脸图像的选择方法、装置、设备及存储介质 | |
CN111401192B (zh) | 基于人工智能的模型训练方法和相关装置 | |
CN111444826A (zh) | 视频检测方法、装置、存储介质及计算机设备 | |
CN108962231A (zh) | 一种语音分类方法、装置、服务器及存储介质 | |
CN111312286A (zh) | 年龄识别方法、装置、设备及计算机可读存储介质 | |
CN115620384B (zh) | 模型训练方法、眼底图像预测方法及装置 | |
CN110147728A (zh) | 客户信息分析方法、系统、设备及可读存储介质 | |
CN107066980A (zh) | 一种图像变形检测方法及装置 | |
CN112818995A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN116151965B (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN108596094A (zh) | 人物风格检测系统、方法、终端及介质 | |
CN108537165A (zh) | 用于确定信息的方法和装置 | |
CN113706550A (zh) | 图像场景识别和模型训练方法、装置和计算机设备 | |
CN115984978A (zh) | 人脸活体检测方法、装置以及计算机可读存储介质 | |
CN110287761A (zh) | 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 | |
CN114972950A (zh) | 多目标检测方法、装置、设备、介质及产品 | |
CN116563898A (zh) | 基于GhostNet网络的掌静脉图像识别方法、装置、设备及介质 | |
CN114566184A (zh) | 音频识别方法及相关装置 | |
CN117115596B (zh) | 对象动作分类模型的训练方法、装置、设备及介质 |
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 |