CN110263255A - 用户属性信息的获取方法、系统、服务器及存储介质 - Google Patents
用户属性信息的获取方法、系统、服务器及存储介质 Download PDFInfo
- Publication number
- CN110263255A CN110263255A CN201910544111.1A CN201910544111A CN110263255A CN 110263255 A CN110263255 A CN 110263255A CN 201910544111 A CN201910544111 A CN 201910544111A CN 110263255 A CN110263255 A CN 110263255A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- data
- sample
- group
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本公开实施例公开了一种用户属性信息的获取方法、系统、服务器及存储介质;该方法包括:获取第一用户群体中用户的样本行为数据;其中,样本行为数据包括:第一类样本行为数据和第二类样本行为数据;根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息;根据第二类样本行为数据和第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取用户画像模型中的模型参数;根据获取的用户画像模型中的模型参数确定用户画像模型;获取待分类用户群体中用户的特征行为数据,根据待分类用户群体中用户的特征行为数据和用户画像模型获取待分类用户群体中用户的属性信息。能够在没有数据样本的情况下获取到用户属性信息。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种用户属性信息的获取方法、装置及系统。
背景技术
随着互联网技术的发展,各个网站或者应用软件APP拥有大量的用户,这些网站或者APP可以对其拥有的用户进行画像,即将用户的属性信息进行采集,并基于各个用户的画像结果对各个用户提供个性化服务。用户画像,是一种用于勾画目标用户特点的手段,其可以表现为获取针对用户的描述性标签属性,从而利用这些标签属性对用户多方面的真实个人特征进行勾勒,进而可以利用用户画像挖掘用户需求,分析用户偏好,并通过匹配用户画像提供给用户更高效和更有针对性的信息输送,以及更贴近个人习惯的用户体验。例如,若某个用户的属性信息是单身属性信息,则可以为该用户提供单身相关的个性化服务;若某个用户的属性信息是已婚属性信息,则可以为该用户提供已婚相关的个性化服务。
现有的用户属性信息的获取方法可以包括以下两种:第一、基于调查问卷的方式获取用户属性信息,该方法需要占用大量的人力和时间,而且用户属性信息的准确性难以保证;第二、基于数据模型的方式获取用户属性信息,该方法需要大量的数据样本进行分析,以获取数据模型,但是没有数据样本的情况下,则无法获取对应的数据模型,并进而进行用户属性信息的获取。
发明内容
本公开实施例提供一种用户属性信息的获取方法、系统、服务器及存储介质,能够在没有样本数据的情况下获取到用户属性信息。
第一方面,本发明实施例提供了一种用户属性信息的获取方法,所述方法包括:
获取第一用户群体中用户的样本行为数据;其中,所述样本行为数据包括第一类样本行为数据和第二类样本行为数据;
根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息;
根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数;
根据获取的所述用户画像模型中的模型参数确定所述用户画像模型;
获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息。
在上述实施例中,所述第一类样本行为数据和所述第二类样本行为数据的类型不同,所述待分类用户群体中用户的特征行为数据的类型和所述第二样本行为数据的类型相同。
在上述实施例中,所述第一样本行为数据包括至少一个正样本数据和至少一个负样本数据,根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息,包括:
根据所述至少一个正样本数据和至少一个负样本数据,以及预设规则确定所述第一用户群体中用户的属性信息。
在上述实施例中,所述方法还包括:
根据待筛选用户群体中用户的正样本数据分布,和/或,所述待筛选用户群体的负样本数据分布,确定所述第一用户群体所包含的用户。
在上述实施例中,所述根据获取的所述用户画像模型中的模型参数确定所述用户画像模型之后,所述方法还包括:
获取第二用户群体中用户的特征行为数据,根据所述第二用户群体中用户的特征行为数据对所述用户画像模型进行验证;
根据对所述用户画像模型的验证结果选择所述至少一个正样本数据和所述至少一个负样本数据。
在上述实施例中,所述根据所述第二用户群体中用户的样本行为数据对所述用户画像模型进行验证,包括:
根据所述第二用户群体中用户的特征行为数据,通过所述用户画像模型获取第二用户群体中用户的属性信息;
获取所述第二用户群体中用户的属性信息的区分度图,并根据所述第二群体的属性信息的区分度图对所述用户画像模型进行验证。
在上述实施例中,所述根据获取的所述用户画像模型中的模型参数确定所述用户画像模型之后,所述方法还包括:
计算用户画像模型的模型指标,根据用户画像模型的模型指标对用户画像模型进行验证。
在上述实施例中,所述方法还包括:
根据所述待分类用户群体中用户的属性信息确定所述用户的类型;其中,所述用户的类型包括:用户婚姻状态、用户职业、用户购买力或用户的商品兴趣中的至少一个。
在上述实施例中,所述获取待分类用户群体中用户的特征行为数据包括:
获取待分类用户群体中用户的原始特征行为数据,并对所述原始特征行为数据的评分值进行归一化处理;
根据归一化后的评分值获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。
在上述实施例中,由拼接服务器执行所述获取第一用户群体中用户的样本行为数据;根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息;根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数的操作;由模型服务器执行所述根据获取的所述用户画像模型中的模型参数确定所述用户画像模型的操作;由预测服务器执行所述获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息的操作。
第二方面,本发明实施例提供了一种用户属性信息的获取系统,所述系统包括:拼接服务器、预测服务器、模型服务器和分类服务器;其中,
所述拼接服务器,用于获取第一用户群体中用户的样本行为数据;其中,所述样本行为数据包括:第一类样本行为数据和第二类样本行为数据;
所述预测服务器,用于根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息;
所述模型服务器,用于根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数;以及根据获取的所述用户画像模型中的模型参数确定所述用户画像模型;
所述分类服务器,用于获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息。
在上述实施例中,所述第一类样本行为数据和所述第二类样行为数据的类型不同,所述待分类用户群体中用户的特征行为数据的类型和所述第二样本行为数据的类型相同。
在上述实施例中,所述第一样本行为数据包括至少一个正样本数据和至少一个负样本数据,根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息,预测服务器具体用于根据所述至少一个正样本数据和至少一个负样本数据,以及预设规则确定所述第一用户群体中用户的属性信息。
在上述实施例中,拼接服务器还用于根据待筛选用户群体中用户的正样本数据分布,和/或,所述待筛选用户群体的负样本数据分布,确定所述第一用户群体所包含的用户。
在上述实施例中,还可以包括验证服务器,验证服务器还用于在根据获取的所述用户画像模型中的模型参数确定所述用户画像模型之后,获取第二用户群体中用户的特征行为数据,根据所述第二用户群体中用户的特征行为数据对所述用户画像模型进行验证;根据对所述用户画像模型的验证结果选择所述至少一个正样本数据和所述至少一个负样本数据。
在上述实施例中,验证服务器根据所述第二用户群体中用户的样本行为数据对所述用户画像模型进行验证,包括:根据所述第二用户群体中用户的特征行为数据,通过所述用户画像模型获取第二用户群体中用户的属性信息;获取所述第二用户群体中用户的属性信息的区分度图,并根据所述第二群体的属性信息的区分度图对所述用户画像模型进行验证。
在上述实施例中,还有一种验证服务器,可以用于根据获取的所述用户画像模型中的模型参数确定所述用户画像模型之后,计算用户画像模型的模型指标,根据用户画像模型的模型指标对用户画像模型进行验证。
在上述实施例中,分类服务器还用于根据所述待分类用户群体中用户的属性信息确定所述用户的类型;其中,所述用户的类型包括:用户婚姻状态、用户职业、用户购买力或用户的商品兴趣中的至少一个。
在上述实施例中,拼接服务器还用于获取待分类用户群体中用户的原始特征行为数据,并对所述原始特征行为数据的评分值进行归一化处理;根据归一化后的评分值获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。
第三方面,本发明实施例提供了一种服务器,包括:
一个或多个处理器;
存储器,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本发明任意实施例所述的用户属性信息的获取方法。
第四方面,本发明实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的用户属性信息的获取方法。
本发明实施例提出的用户属性信息的获取方法、系统、服务器及存储介质,拼接服务器可以先获取第一用户群体中用户的样本行为数据;其中,样本行为数据包括:第一类样本行为数据和第二类样本行为数据;预测服务器可以根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息;模型服务器可以根据第二类样本行为数据和第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取用户画像模型中的模型参数;以及根据获取的用户画像模型中的模型参数确定用户画像模型;分类服务器可以获取待分类用户群体中用户的特征行为数据,根据待分类用户群体中用户的特征行为数据和用户画像模型获取待分类用户群体中用户的属性信息。也就是说,在本发明的技术方案中,拼接服务器可以获取第一用户群体中用户的样本行为数据;预测服务器可以预测出第一用户群体中用户的属性信息,并作为样本数据使用;模型服务器可以根据预测服务器预测出来的用户的属性信息确定出用户画像模型;分类服务器可以获取待分类用户群体中用户的属性信息。而在现有的第一种用户属性信息的获取方法中,需要占用大量的人力和时间,而且用户属性信息的准确性难以保证;在现有的第二种用户属性信息的获取方法中,需要大量的数据样本进行分析,但是没有样本数据的情况下,则无法进行用户属性信息的获取。因此,和现有技术相比,本发明实施例提出的用户属性信息的获取方法、系统、服务器及存储介质,能够在没有数据样本的情况下获取用户画像模型,并根据用户画像模型获取待分类用户的用户属性信息,具体的是通过第一用户群体的部分样本行为数据先预测出第一用户群体用户属性信息,上述第一用户群体所包含的用户可以看作是样本用户,而预测出的用户属性信息可以作为样本数据,以依据该样本进行用户画像模型中的参数的训练,进而确定用户画像模型;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
附图说明
图1是本公开实施例提供的一种用户属性信息的获取方法的流程示意图;
图2是本公开实施例中获取待分类用户群体中用户的特征行为数据的方法的流程示意图;
图3是本公开实施例中对用户画像模型进行验证的方法的流程示意图;
图4A为图3所示实施例中用户画像模型的区分度图一;
图4B为图3所示实施例中用户画像模型的区分度图二;
图5是本公开实施例提供的一种用户属性信息的获取系统的结构示意图;
图6是本公开实施例提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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本公开,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分而非全部结构。
需要说明的是,本公开中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本公开下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本公开实施例对此不作具体限制。
图1是本公开实施例提供的一种用户属性信息的获取方法的流程示意图。如图1所示,用户属性信息的获取方法可以包括:
步骤101、获取第一用户群体中用户的样本行为数据;其中,样本行为数据包括:第一类样本行为数据和第二类样本行为数据。
在本发明的具体实施例中,拼接服务器可以获取第一用户群体中用户的样本行为数据;其中,样本行为数据包括:第一类样本行为数据和第二类样本行为数据。具体地,样本行为数据可以是第一用户群体中用户在某个购物网站是上购买商品的类型数据;还可以是第一用户群体中用户在某个视频网站上浏览视频的类型数据,还可以是第一用户群体中用户在某个阅读网站上阅读文章的类型数据等。具体地,第一类样本行为数据中可以包括M个第一样本行为数据,分别为:第一样本行为数据1、第一样本行为数据2、…、第一样本行为数据M;其中,M为大于等于1的自然数;第二类样本行为数据中可以包括N个第二样本行为数据,分别为:第二样本行为数据1、第二样本行为数据2、…、第一样本行为数据N;其中,N为大于等于1的自然数。其中,预测服务器可以基于第一类样本行为数据预测用户的属性信息,该第一类样本行为数据为预测用户的属性信息可信度比较高的类型,例如在用户是否已婚时,是否购买奶粉可以确定为第一类样本行为数据;而模型服务器可以根据第二类用户行为数据获取用户画像模型中的模型参数。拼接服务器在获取到第一用户群体中用户的全部样本行为数据之后,拼接服务器可以根据第一类样本行为数据对应的类型和第二类样行为数据的类型将各个样本行为数据划分到第一类样本行为数据或者第二类样本行为数据中,其在具体的业务实现过程中,可以对第一类样本行为数据和第二类样本行为数据所包括的具体类型进行调整。
步骤102、根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息。
在本发明的具体实施例中,预测服务器可以根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息。具体地,第一样本行为数据可以包括:至少一个正样本数据和/或至少一个负样本数据;因此,预测服务器可以根据至少一个正样本数据和/或至少一个负样本数据,以及预设规则确定第一用户群体中用户的属性信息。具体地,预测服务器可以根据至少一个正样本数据和预设规则确定出第一用户群体中用户的第一属性信息;还可以根据至少一个负样本数据和预设规则确定出第一用户群里中用户的第二属性信息,或者同时根据上述正样本数据和负样本数据进行预测确定。例如,在预测用户婚姻状况的属性信息时,其中的正样本数据可以是第一用户群里中用户在某个阅读网站上阅读单身类的文章;还可以是第一用户群里中用户在某个视频网站上观看单身类的视频等。因此,预测服务器可以根据这些正样本数据和预设规则确定出第一用户群体中用户的单身属性信息。再例如,负样本数据可以是第一用户群里中用户在某个阅读网站上阅读育儿类的文章;还可以是第一用户群里中用户在某个网站上购买教辅类的书籍等。因此,预测服务器还可以根据这些负样本数据和预设规则确定出第一用户群体中用户的已婚属性信息。上述的预设规则可以包括对每个正样本数据和负样本数据所赋的概率值,例如针对上述的正样本数据在用户某个视频网站上观看单身类的视频所赋的概率值为30%,对于用户在某个阅读网站上阅读单身类的文章所赋的概率值为25%等等,以及对用户在某个阅读网站上阅读育儿类的文章所赋的概率值为40%,对用户在某个购物网站上购买教辅类的书籍所赋的概率值为40%;若用户同时具有上述的正样本数据或负样本数据时,则可以进行概率值叠加,例如一个用户在某个阅读网站上阅读单身类的文章,但同时在某个阅读网站上阅读育儿类的文章和在购物网站上购买教辅类的书籍,则单身的概率值为25%,而已婚的概率值为40%+40%=80%。可以根据用户所具有的正样本数据和负样本数据,以及上述预设的规则,确定用户的属性信息,针对上述实施例,即为用户婚姻状况为已婚或者单身的概率值。
具体的,本步骤中的预测服务器可以包括一个树分类模型,将预设的规则植入到树分类模型中,以由树分类模型根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息;具体的,针对上述实施例,可以是该树分类模型包括每个正样本数据和每个负样本数据所对应的概率值,以在树分类模型中根据至少一个正样本数据和/或至少一个负样本数据计算已婚或者单身的概率值。
步骤103、根据第二类样本行为数据和第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取用户画像模型中的模型参数。
在本发明的具体实施例中,通过步骤102中的预测服务器已经确定了第一用户群体中用户的属性信息,即相当于已经获取到了样本数据,模型服务器可以根据第一用户群体中用户的第二类样本行为数据和第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取用户画像模型中的模型参数。具体地,模型服务器可以将第二类样本行为数据和第一用户群体中用户的属性信息输入到用户画像模型中,该初始的用户画像模型可以根据第二类样本行为数据和第一用户群体中用户的属性信息进行学习和训练,从而得到用户画像模型中的模型参数,该模型参数是与上述第二类样本行为数据关联,可以表征各个第二类样本行为数据在用户画像模型中的权重值。具体的,本步骤中的用户画像模型可以利用xgboost、gbdt+fm、lightgbm等分类模型,通过将第二类样本行为数据和步骤102中得到的用户的属性信息输入到上述的分类模型中进行训练,以获取各分类模型中的模型参数。
另外,本步骤中所用的第二类样本行为数据和第一类样本行为数据的类型不同,主要是因为本次训练过程中所使用的样本数据中,即用户属性信息是根据第一类样本行为数据预测得到的,若二者包括相同的样本类型,则会导致用户画像模型的模型参数中与上述相同的样本类型的模型参数的权重值过大,进而影响整个用户画像模型的准确度。
步骤104、根据获取的用户画像模型中的模型参数确定用户画像模型。
在本发明的具体实施例中,模型服务器在步骤103中获取到用户画像模型的模型参数后,可以基于上述的模型参数确定用户画像模型,以获取待分类的用户群体中用户的属性信息。
步骤105、获取待分类用户群体中用户的特征行为数据,根据待分类用户群体中用户的特征行为数据和用户画像模型获取待分类用户群体中用户的属性信息。
在本发明的具体实施例中,分类服务器可以获取待分类用户群体中用户的特征行为数据,根据待分类用户群体中用户的特征行为数据和用户画像模型获取待分类用户群体中用户的属性信息。具体地,分类服务器可以将获取到的待分类用户群体中用户的特征行为数据输入到用户画像模型中,然后通过用户画像模型可以获取到待分类用户群体中用户的属性信息。
由于上述步骤103中,在对用户画像模型中的模型参数后进行训练的过程中使用的是第二类样本行为数据,所有最终得到的模型参数也是与第二样本行为数据关联的权重值,因此,本步骤优先使用与其类型相同的待分类用户群体中用户的特征行为数据,可以提供分类结果的准确性。
图2是本公开实施例中获取待分类用户群体中用户的特征行为数据的方法的流程示意图。如图2所示,获取待分类用户群体中用户的特征行为数据的方法可以包括:
步骤201、获取待分类用户群体中用户的原始特征行为数据,并对原始特征行为数据的评分值进行归一化处理。
在本发明的具体实施例中,由于待分类用户群体中各个用户的原始特征行为数据是通过不同的系统采集得到的,而不同的系统对待分类用户群体中各个用户的原始特征行为数据的评分标准不一致,这样就需要预测服务器对原始特征行为数据的评分值进行归一化处理。具体地,分类服务器在获取到待分类用户群体中用户的原始特征行为数据之后,可以将原始特征行为数据的评分值映射到统一的数据区间中,例如,分类服务器可以将原始特征行为数据的评分值映射到数据区间[0,1]中,这样就可以对原始特征行为数据的评分值进行归一化处理,使得分类服务器可以将待分类用户群体中各个用户的原始特征行为数据归入到一致的评分标准中。
步骤202、根据归一化后的评分值获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。
在本发明的具体实施例中,分类服务器可以根据归一化后的评分值获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。具体地,分类服务器可以根据归一化后的评分值将各用户全部的原始特征行为数据按照由高到低的顺序进行排序,然后获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。例如,分类服务器可以获取前50个原始特征行为数据,作为待分类用户群体中用户的特征行为数据。
通过上述的步骤201-202,分类服务器可以获取到待分类用户群体中用户的特征行为数据,从而可以根据待分类用户群体中用户的特征行为数据和用户画像模型获取到待分类用户群体中用户的属性信息。
较佳地,在本发明的具体实施例中,可以对作为样本用户的第一用户群体中的用户设置筛选条件进行筛选,即拼接服务器还可以根据待筛选用户群体中用户的正样本数据分布,和/或,待筛选用户群体的负样本数据分布,确定第一用户群体所包含的用户。具体地,预测服务器可以根据待筛选用户群体中用户的正样本数据分布确定第一用户群体所包含的用户;或者,预测服务器还可以根据待筛选用户群体中用户的负样本数据分布确定第一用户群体所包含的用户。例如在判断用户职业这一属性信息时,可以采集用户阅读财经类文章的次数来预测用户职业是否为金融行业,若采集到10万用户群体,其中3万用户财经类文章的周阅读次数为4次,4万用户财经类文章的周阅读此时为5-6次,3万用户财经类文章的周阅读次数为10次以上,则因为4次和5-6次的区别较小,因此可以忽略5-6次的4万用户,而筛选周阅读次数为4次和10次以上的6万用户。通过这种方式不影响模型训练准确性的情况下,使得筛选出的第一用户群体中用户的样本行为数据的区别较大,进而更容易根据预设规则确定第一用户群体中用户的属性信息,从而降低数据计算量,提高模型训练的效率。本实施例中,其中从待筛选用户群体中确定的第一用户群体中的用户可以看作样本用户,该筛选过程即为筛选确定样本用户的过程,其中的待筛选用户群体可以与待分类用户群体相同,或者为待分类用户群体的一个子集。
较佳地,在本发明的具体实施例中,模型服务器在根据获取的用户画像模型中的模型参数确定用户画像模型之后,还可以对用户画像模型进行验证,具体的,在图1所示的实施例中所选择的正样本数据和/或负样本数据是否合适决定了最终得到的用户画像模型的优劣,本步骤通过对用户画像模型进行验证,进而可以根据验证结果对上述正样本数据和/或负样本数据进行不同的选择,并确定最佳验证结果所对应的正样本数据和/或负样本数据。
其中第一种验证方式是通过获取第二用户群体中用户的特征行为数据,根据第二用户群体中用户的特征行为数据对用户画像模型进行验证;根据对用户画像模型的验证结果选择至少一个正样本数据和/或至少一个负样本数据。图3是本公开实施例中对用户画像模型进行验证的方法的流程示意图。具体的,本实施例中可以设置验证服务器,如图3所示,验证服务器可以对用户画像模型进行验证,其方法可以包括:
步骤301、根据第二用户群体中用户的特征行为数据,通过用户画像模型获取第二用户群体中用户的属性信息。
在本发明的具体实施例中,验证服务器可以根据第二用户群体中用户的特征行为数据,通过用户画像模型获取第二用户群体中用户的属性信息。具体地,验证服务器可以将第二用户群体中用户的特征行为数据输入到用户画像模型中,通过该用户画像模型可以获取到第二用户群体中用户的用户属性信息。
步骤302、获取第二用户群体中用户的属性信息的区分度图,并根据第二群体的属性信息的区分度图对用户画像模型进行验证。
在本发明的具体实施例中,验证服务器可以获取第二用户群体中用户的属性信息的区分度图,并根据第二群体的属性信息的区分度图对用户画像模型进行验证。具体地,第二用户群体中用户的属性信息的区分度图可以用一个二维坐标系进行表示,该坐标系的横坐标表示第二用户群体中的各个用户;该坐标系的纵坐标可以表示第二用户群体中各个用户的属性信息,具体的该属性信息可以为一个概率值。例如图4A和附图4B所示,其中附图4A中所示,其中利用用户画像模型得到的概率值主要分布在两个区域,即0到0.3之间,以及0.7到1之间的区域,则说明该用户画像模型对用户的属性信息的区分度较好;而如图4B所示,利用用户画像模型得到的概率值分布在0到1之间,则区分度较差,无法通过验证。在另外一个实施方式中,验证服务器还可以计算用户画像模型的模型指标,根据用户画像模型的模型指标对用户画像模型进行验证。具体地,用户画像模型的模型指标可以包括:查准率或者查全率;若用户画像模型的查准率大于查准率阈值时,则对用户画像模型的验证结果为验证通过;或者,若用户画像模型的查全率大于查全率阈值时,则对用户画像模型的验证结果为验证通过。
较佳地,在本发明的具体实施例中,分类服务器还可以根据待分类用户群体中用户的属性信息确定用户的类型,其中通过用户画像模型得到的用户的属性信息可以为一个概率值,通过设置一个阈值,这可以根据概率值是否大于该阈值确定用户的类型。其中,用户的类型包括:用户婚姻状态、用户职业、用户购买力或用户的商品兴趣中的至少一个。例如,用户婚姻状态可以包括:单身状态和已婚状态;用户职业可以包括:从业状态和失业状态;用户购买力可以包括:具备购买力和不具备购买力;用户的商品兴趣可以包括:具有商品兴趣和不具有商品兴趣。
本发明实施例提出的用户属性信息的获取方法,拼接服务器可以先获取第一用户群体中用户的样本行为数据;其中,样本行为数据包括:第一类样本行为数据和第二类样本行为数据;预测服务器可以根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息;模型服务器可以根据第二类样本行为数据和第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取用户画像模型中的模型参数;以及根据获取的用户画像模型中的模型参数确定用户画像模型;分类服务器可以获取待分类用户群体中用户的特征行为数据,根据待分类用户群体中用户的特征行为数据和用户画像模型获取待分类用户群体中用户的属性信息。也就是说,在本发明的技术方案中,拼接服务器可以获取第一用户群体中用户的样本行为数据;预测服务器可以确定出第一用户群体中用户的属性信息;模型服务器可以确定出用户画像模型;分类服务器可以获取待分类用户群体中用户的属性信息。而在现有的第一种用户属性信息的获取方法中,需要占用大量的人力和时间,而且用户属性信息的准确性难以保证;在现有的第二种用户属性信息的获取方法中,需要大量的数据样本进行分析,但是没有样本数据的情况下,则无法进行用户属性信息的获取。因此,和现有技术相比,本发明实施例提出的用户属性信息的获取方法,能够在没有数据样本的情况下获取用户画像模型,并根据用户画像模型获取待分类用户的用户属性信息;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
图5是本公开实施例提供的一种用户属性信息的获取系统的结构示意图。如图5所示,所述系统包括:拼接服务器501、预测服务器502、模型服务器503和分类服务器504;其中,
所述拼接服务器501,用于获取第一用户群体中用户的样本行为数据;其中,所述样本行为数据包括:第一类样本行为数据和第二类样本行为数据;
所述预测服务器502,用于根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息;
所述模型服务器503,用于根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数;以及根据获取的所述用户画像模型中的模型参数确定所述用户画像模型;
分类服务器504,用于获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息。
在上述实施例中,第一类样本行为数据和第二类样行为数据的类型不同,待分类用户群体中用户的特征行为数据的类型和第二样本行为数据的类型相同。
在上述实施例中,第一样本行为数据包括至少一个正样本数据和至少一个负样本数据,根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息,预测服务器502具体用于根据至少一个正样本数据和至少一个负样本数据,以及预设规则确定所述第一用户群体中用户的属性信息。
在上述实施例中,拼接服务器501还用于根据待筛选用户群体中用户的正样本数据分布,和/或,待筛选用户群体的负样本数据分布,确定第一用户群体所包含的用户。
在上述实施例中,还可以包括验证服务器505,验证服务器505还用于在根据获取的用户画像模型中的模型参数确定用户画像模型之后,获取第二用户群体中用户的特征行为数据,根据第二用户群体中用户的特征行为数据对用户画像模型进行验证;根据对用户画像模型的验证结果选择所述至少一个正样本数据和至少一个负样本数据。
在上述实施例中,验证服务器505根据第二用户群体中用户的样本行为数据对用户画像模型进行验证,包括:根据第二用户群体中用户的特征行为数据,通过所述用户画像模型获取第二用户群体中用户的属性信息;获取第二用户群体中用户的属性信息的区分度图,并根据第二群体的属性信息的区分度图对所述用户画像模型进行验证。
在上述实施例中,还有一种验证服务器505,可以用于根据获取的用户画像模型中的模型参数确定用户画像模型之后,计算用户画像模型的模型指标,根据用户画像模型的模型指标对用户画像模型进行验证。
在上述实施例中,分类服务器504还用于根据所述待分类用户群体中用户的属性信息确定所述用户的类型;其中,所述用户的类型包括:用户婚姻状态、用户职业、用户购买力或用户的商品兴趣中的至少一个。
在上述实施例中,拼接服务器501还用于获取待分类用户群体中用户的原始特征行为数据,并对所述原始特征行为数据的评分值进行归一化处理;根据归一化后的评分值获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。
上述用户属性信息的获取系统可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的用户属性信息的获取方法。
图6为本公开实施例提供的一种服务器的结构示意图,如图6所示,其示出了适于用来实现本公开实施例的服务器的结构示意图。该服务器可以包括:拼接服务器、预测服务器、模型服务器或者分类服务器。图6示出的服务器仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,服务器600可以包括处理器(例如中央处理器、图形处理器等)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装置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,还存储有服务器600操作所需的各种程序和数据。处理器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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许服务器600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的服务器600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理器601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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服务器执行时,使得该服务器与其他服务器配合执行:获取第一用户群体中用户的样本行为数据;其中,样本行为数据包括第一类样本行为数据和第二类样本行为数据;根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息;根据第二类样本行为数据和第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取用户画像模型中的模型参数;根据获取的用户画像模型中的模型参数确定用户画像模型;获取待分类用户群体中用户的特征行为数据,根据待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息。
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公开的操作的计算机程序代码,上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,图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,预存服务器502还可以被描述为“用于根据第一类样本行为数据和预设规则确定第一用户群体中用户的属性信息的服务器”。
以上描述仅为本公开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,本公开中所涉及的公开范围,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上述公开构思的情况下,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。例如上述特征与本公开中公开的(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 (13)
1.一种用户属性信息的获取方法,其特征在于,所述方法包括:
获取第一用户群体中用户的样本行为数据;其中,所述样本行为数据包括第一类样本行为数据和第二类样本行为数据;
根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息;
根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数;
根据获取的所述用户画像模型中的模型参数确定所述用户画像模型;
获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息。
2.根据权利要求1所述的方法,其特征在于,所述第一类样本行为数据和所述第二类样本行为数据的类型不同,所述待分类用户群体中用户的特征行为数据的类型和所述第二样本行为数据的类型相同。
3.根据权利要求1所述的方法,其特征在于,所述第一样本行为数据包括至少一个正样本数据和/或至少一个负样本数据,根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息,包括:
根据所述至少一个正样本数据和/或至少一个负样本数据,以及预设规则确定所述第一用户群体中用户的属性信息。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据待筛选用户群体中用户的正样本数据分布,和/或,所述待筛选用户群体中用户的负样本数据分布,确定所述第一用户群体所包含的用户。
5.根据权利要求3所述的方法,其特征在于,所述根据获取的所述用户画像模型中的模型参数确定所述用户画像模型之后,所述方法还包括:
获取第二用户群体中用户的特征行为数据,根据所述第二用户群体中用户的特征行为数据对所述用户画像模型进行验证;
根据对所述用户画像模型的验证结果选择所述至少一个正样本数据和/或所述至少一个负样本数据。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第二用户群体中用户的样本行为数据对所述用户画像模型进行验证包括:
根据所述第二用户群体中用户的特征行为数据,通过所述用户画像模型获取第二用户群体中用户的属性信息;
获取所述第二用户群体中用户的属性信息的区分度图,并根据所述第二群体的属性信息的区分度图对所述用户画像模型进行验证。
7.根据权利要求3所述的方法,其特征在于,所述根据获取的所述用户画像模型中的模型参数确定所述用户画像模型之后,所述方法还包括:
计算用户画像模型的模型指标,根据用户画像模型的模型指标对用户画像模型进行验证。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述待分类用户群体中用户的属性信息确定所述用户的类型;其中,所述用户的类型包括:用户婚姻状态、用户职业、用户购买力或用户的商品兴趣中的至少一个。
9.根据权利要求1所述的方法,其特征在于,所述获取待分类用户群体中用户的特征行为数据包括:
获取待分类用户群体中用户的原始特征行为数据,并对所述原始特征行为数据的评分值进行归一化处理;
根据归一化后的评分值获取各用户预设数量的原始特征行为数据,作为待分类用户群体中用户的特征行为数据。
10.根据权利要求1所述的方法,其特征在于,由拼接服务器执行所述获取第一用户群体中用户的样本行为数据的操作;由预测服务器执行所述根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息的操作;由模型服务器执行所述根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数;以及根据获取的所述用户画像模型中的模型参数确定所述用户画像模型的操作;由分类服务器执行所述获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息的操作。
11.一种用户属性信息的获取系统,其特征在于,所述系统包括:拼接服务器、预测服务器、模型服务器和分类服务器;其中,
所述拼接服务器,用于获取第一用户群体中用户的样本行为数据;其中,所述样本行为数据包括:第一类样本行为数据和第二类样本行为数据;
所述预测服务器,用于根据所述第一类样本行为数据和预设规则确定所述第一用户群体中用户的属性信息;
所述模型服务器,用于根据所述第二类样本行为数据和所述第一用户群体中用户的属性信息,对用户画像模型进行训练,以获取所述用户画像模型中的模型参数;以及根据获取的所述用户画像模型中的模型参数确定所述用户画像模型;
所述分类服务器,用于获取待分类用户群体中用户的特征行为数据,根据所述待分类用户群体中用户的特征行为数据和用户画像模型获取所述待分类用户群体中用户的属性信息。
12.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,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1-10中任一所述的全部方法,或者方法中的部分步骤。
13.一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,该计算机程序被处理器执行时实现如权利要求1-10中任一所述的全部方法,或者方法中的部分步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544111.1A CN110263255A (zh) | 2019-06-21 | 2019-06-21 | 用户属性信息的获取方法、系统、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544111.1A CN110263255A (zh) | 2019-06-21 | 2019-06-21 | 用户属性信息的获取方法、系统、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263255A true CN110263255A (zh) | 2019-09-20 |
Family
ID=67920443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910544111.1A Pending CN110263255A (zh) | 2019-06-21 | 2019-06-21 | 用户属性信息的获取方法、系统、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263255A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN112380104A (zh) * | 2020-11-19 | 2021-02-19 | 北京百度网讯科技有限公司 | 用户属性识别方法、装置、电子设备及存储介质 |
CN112819527A (zh) * | 2021-01-29 | 2021-05-18 | 百果园技术(新加坡)有限公司 | 一种用户分群处理方法及装置 |
CN115346028A (zh) * | 2022-08-17 | 2022-11-15 | 支付宝(杭州)信息技术有限公司 | 虚拟环境主题处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933075A (zh) * | 2014-03-20 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 用户属性预测平台和方法 |
CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
-
2019
- 2019-06-21 CN CN201910544111.1A patent/CN110263255A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933075A (zh) * | 2014-03-20 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 用户属性预测平台和方法 |
CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN112380104A (zh) * | 2020-11-19 | 2021-02-19 | 北京百度网讯科技有限公司 | 用户属性识别方法、装置、电子设备及存储介质 |
CN112819527A (zh) * | 2021-01-29 | 2021-05-18 | 百果园技术(新加坡)有限公司 | 一种用户分群处理方法及装置 |
CN115346028A (zh) * | 2022-08-17 | 2022-11-15 | 支付宝(杭州)信息技术有限公司 | 虚拟环境主题处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263255A (zh) | 用户属性信息的获取方法、系统、服务器及存储介质 | |
CN108090162A (zh) | 基于人工智能的信息推送方法和装置 | |
CN107908789A (zh) | 用于生成信息的方法和装置 | |
CN106484766B (zh) | 基于人工智能的搜索方法和装置 | |
CN107908740A (zh) | 信息输出方法和装置 | |
CN108509457A (zh) | 一种视频数据的推荐方法和装置 | |
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN109492160A (zh) | 用于推送信息的方法和装置 | |
CN107424007A (zh) | 一种构建电子券敏感度识别模型的方法和装置 | |
CN110363604A (zh) | 页面生成方法和装置 | |
CN107944481A (zh) | 用于生成信息的方法和装置 | |
CN110490625A (zh) | 用户偏好确定方法及装置、电子设备、存储介质 | |
US10275819B1 (en) | Reducing incompatible pairings | |
CN109711931A (zh) | 基于用户画像的商品推荐方法、装置、设备及存储介质 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN109711917A (zh) | 信息推送方法和装置 | |
CN107666435A (zh) | 一种屏蔽消息的方法及装置 | |
CN109685537A (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN107451785A (zh) | 用于输出信息的方法和装置 | |
CN109993544A (zh) | 数据处理方法、系统、计算机系统及计算机可读存储介质 | |
CN110209658A (zh) | 数据清洗方法和装置 | |
CN110110859A (zh) | 确定企业选址的方法、装置、电子设备及介质 | |
CN112215658A (zh) | 基于大数据的选址方法、装置、计算机设备及存储介质 | |
CN112084242A (zh) | 一种消费信息的展示方法、装置、终端及介质 | |
CN110110257A (zh) | 数据处理方法及其系统、计算机系统及计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |