CN110458067B - 刻画用户画像的方法、计算机装置及可读存储介质 - Google Patents

刻画用户画像的方法、计算机装置及可读存储介质 Download PDF

Info

Publication number
CN110458067B
CN110458067B CN201910703306.6A CN201910703306A CN110458067B CN 110458067 B CN110458067 B CN 110458067B CN 201910703306 A CN201910703306 A CN 201910703306A CN 110458067 B CN110458067 B CN 110458067B
Authority
CN
China
Prior art keywords
user
garbage
piece
rubbish
time period
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.)
Active
Application number
CN201910703306.6A
Other languages
English (en)
Other versions
CN110458067A (zh
Inventor
龚泽熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN201910703306.6A priority Critical patent/CN110458067B/zh
Publication of CN110458067A publication Critical patent/CN110458067A/zh
Application granted granted Critical
Publication of CN110458067B publication Critical patent/CN110458067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种刻画用户画像的方法，包括：获得每个用户的每件垃圾的相关信息，将所获取的每个用户的每件垃圾的相关信息与对应的投放时间建立关联；将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据；及根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像。本发明还提供实现所述刻画用户画像的方法的计算机装置及可读存储介质。本发明可基于用户的垃圾的信息来刻画用户画像。

Description

刻画用户画像的方法、计算机装置及可读存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种刻画用户画像的方法、计算机装置及可读存储介质。
背景技术
现有技术中并没有一种基于用户画像对用户形成有效运营管理的系统，导致用户体验较差。此外，绝大多数的电商平台在对用户画像时，因为各个电商平台之间并不会共享用户的购买数据，导致所刻画的用户画像也不完整。
发明内容
鉴于以上内容，有必要提出一种刻画用户画像的方法、计算机装置及可读存储介质，可以基于用户的垃圾的信息来刻画用户画像。
本发明的第一方面提供一种刻画用户画像的方法，应用于计算机装置，包括：
识别每个用户的每件垃圾，从而获得每个用户的每件垃圾的相关信息，将所获取的每个用户的每件垃圾的相关信息与对应的投放时间建立关联；
将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据；及
根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像。
优选地，所述根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像包括：
从所述垃圾的历史数据中获取投放时间属于所述第一预设时间段内且与多个用户分别所对应的垃圾的相关信息，将所获取的与所述多个用户分别所对应的垃圾的相关信息作为训练样本训练LSTM神经网络获得垃圾预测模型；
利用所述垃圾预测模型基于投放时间属于所述第二预设时间段内且与所述指定用户所对应的垃圾的相关信息，预测该指定用户在所述第三预设时间段内所要投放的垃圾的相关信息；及
基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，获得所述指定用户的用户画像。
优选地，该方法还包括：
获取每个用户的每件垃圾的图像，将每件垃圾的图像与对应的用户建立关联；
根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息。
优选地，所述根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息包括：
将每件垃圾的图像输入预先训练好的垃圾识别模型得到每件垃圾的所述相关信息；其中，所述垃圾识别模型是一个利用大样本数据使用反向传播算法所训练获得的卷积神经网络模型。
优选地，所述根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息，包括：
将每件垃圾的图像与预先存储的各种类别的各个物品的图像进行比较，根据每件垃圾的图像与预先存储的各种类别的各个物品的图像之间的相似度确定每件垃圾的类别；
于确定好每件垃圾的类别后，将预先存储的与所确定的类别所对应的各种商标的图像与所述每件垃圾的图像进行匹配，根据所述每件垃圾的图像与预先存储的与所确定的类别所对应的各种商标的图像之间的相似度确定所述每件垃圾的商标；及
根据所确定的每件垃圾的类别和商标确定每件垃圾的价格。
优选地，所述将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据，包括：
按照投放时间对与每个用户所关联的垃圾的相关信息进行排序；及
按照投放时间的先后顺序在预先创建的指定格式的文件中记录所述与每个用户所关联的垃圾的相关信息。
优选地，所述基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，获得所述指定用户的用户画像，包括：
基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，确定所述指定用户在所述第三预设时间段内所要投放的垃圾所属的用户结构、消费档次、消费水平；
将所述指定用户与所确定的用户结构、消费档次，以及消费水平建立关联，由此获得所述指定用户的用户画像。
优选地，所述用户结构根据所述指定用户在所述第三预设时间段内所要投放的垃圾中，与老年消费群体相关的物品所占比例，以及与婴幼儿群体相关的物品所占比例来确定；所述消费档次根据所述指定用户在所述第三预设时间段内所要投放的垃圾中，高端型的垃圾所占比例、中端型的垃圾所占比例，以及小康型的垃圾所占比例来确定；所述消费水平根据所述指定用户在所述第三预设时间段内所要投放的垃圾的总价与所述指定用户所在市区的平均薪资的第一预设百分比，以及与所述指定用户所在市区的平均薪资的第二预设百分比来确定。
本发明第二方面提供一种计算机装置，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现所述的刻画用户画像的方法。
本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的刻画用户画像的方法。
本发明实施例中所述的刻画用户画像的方法、计算机装置及可读存储介质，通过识别每个用户的每件垃圾，从而获得每个用户的每件垃圾的相关信息，将所获取的每个用户的每件垃圾的相关信息与对应的投放时间建立关联；将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据；及根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像。本发明可以基于用户的垃圾的信息来刻画用户画像，由此基于用户的垃圾的信息所刻画的用户画像相较于现有技术所刻画的用户画像也更加完整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明较佳实施例提供的刻画用户画像的方法的应用环境图。
图2是本发明较佳实施例提供的刻画用户画像的方法的流程图。
图3是本发明较佳实施例提供的刻画用户画像的系统的功能模块图。
图4是本发明较佳实施例提供的计算机装置的结构图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
参阅图1所示，为本发明较佳实施例提供的刻画用户画像的方法的应用环境架构图。
本发明的刻画用户画像的方法应用在一个计算机装置及一个或多个拍摄装置构成的环境中。例如，由一个计算机装置3和至少一个拍摄装置4所构成的环境中。
在一个实施例中，所述计算机装置3和拍摄装置4可以通过有线(例如USB(Universal Serial Bus，通用串行总线)方式或无线方式建立通讯连接。所述无线方式可以是传统无线通讯技术的任何类型，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。无线通讯技术可以包括，但不限于，全球移动通信系统(Global Systemfor Mobile Communications，GSM)、通用分组无线业务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)，宽带码分多址(W-CDMA)、CDMA2000、IMT单载波(IMT Single Carrier)、增强型数据速率GSM演进(Enhanced DataRates for GSM Evolution，EDGE)、长期演进技术(Long-Term Evolution，LTE)、高级长期演进技术、时分长期演进技术(Time-Division LTE，TD-LTE)、高性能无线电局域网(HighPerformance Radio Local Area Network，HiperLAN)、高性能无线电广域网(HighPerformance Radio Wide Area Network，HiperWAN)、本地多点派发业务(LocalMultipoint Distribution Service，LMDS)、全微波存取全球互通(WorldwideInteroperability for Microwave Access，WiMAX)、紫蜂协议(ZigBee)、蓝牙、正交频分复用技术(Flash Orthogonal Frequency-Division Multiplexing，Flash-OFDM)、大容量空分多路存取(High Capacity Spatial Division Multiple Access，HC-SDMA)、通用移动电信系统(Universal Mobile Telecommunications System，UMTS)、通用移动电信系统时分双工(UMTS Time-Division Duplexing，UMTS-TDD)、演进式高速分组接入(Evolved HighSpeed Packet Access，HSPA+)、时分同步码分多址(Time Division Synchronous CodeDivision Multiple Access，TD-SCDMA)、演进数据最优化(Evolution-Data Optimized，EV-DO)、数字增强无绳通信(Digital Enhanced Cordless Telecommunications，DECT)及其他。
本实施例中，所述计算机装置3可以为个人电脑、服务器等设备。所述拍摄装置4可以为高清工业像机，用于对每个用户所投放的每件垃圾进行拍摄，获取每个用户的每件垃圾的图像，并将所获取的每个用户的每件垃圾的图像发送到所述计算机装置3。需要说明的是，每件垃圾可以是可回收或者不可回收的物品。其中，每件垃圾的图像可以是一张或多张。所述计算机装置3可以根据所拍摄的每个用户的每件垃圾的图像对每件物品进行识别，获取每件物品的相关信息，例如每件物品所属的类别、品牌、价格等信息。所述计算机装置3还可以根据每个用户在预定时间段内所投放的垃圾的相关信息对每个用户进行画像，并基于每个用户的用户画像向用户作产品推广等。具体细节后面介绍。
在一个实施例中，为实现计算机装置3可以将每件垃圾的图像与投放该每件垃圾的用户之间建立关联，每个用户可以将自己所要投放的垃圾内装于垃圾袋中，该垃圾袋上印刷或者粘贴了用户标志，该用户标志包括了能唯一标识该用户的信息例如身份证号、登入某个电商平台的用户名，或其他用于区别其他用户的身份信息等。该用户标志可以是一个二维码。计算机装置3可以首先利用拍摄装置4扫描识别所述用户标志由此识别到用户，然后对垃圾袋内的每件垃圾进行拍摄，并将拍摄装置4接下来所拍摄的垃圾的图像与该用户标志建立关联，从而实现将每件垃圾的图像与投放该每件垃圾的用户之间建立关联。
需要说明的是，在具体实施过程中，可以依靠用户自己将垃圾袋上的用户标志对准拍摄装置4实现用户标志的拍摄，以及依靠用户自己将每件垃圾对准拍摄装置4实现每件垃圾的拍摄。当然也可以由专门的负责人员例如垃圾的分拣人员来将垃圾袋上的用户标志对准拍摄装置4实现用户标志的拍摄，以及由该专门的负责人员将每件垃圾对准拍摄装置4实现每件垃圾的拍摄。
另外还需要说明的是，在将每件垃圾对准拍摄装置4进行拍摄时，需要保证每件垃圾的标志性信息能够被拍摄装置4所拍摄到。该标志性信息可以包括，但不限于，垃圾的商标、垃圾的整体形状、垃圾的材质信息等。
需要说明的是，与每个用户所对应的垃圾包括了该每个用户所在家庭的各个家庭成员的物品。举例而言，用户A所在家庭包括五口人，则对应于用户A的垃圾可以包括该五口人中的一人或多人所使用过的物品。
图2是本发明较佳实施例提供的刻画用户画像的方法的流程图。
在本实施例中，所述刻画用户画像的方法可以应用于计算机装置中，对于需要执行刻画用户画像的的计算机装置，可以直接在计算机装置上集成本发明的方法所提供的用于刻画用户画像的的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在计算机装置上。
如图2所示，所述刻画用户画像的方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、计算机装置利用拍摄装置对每个用户的每件垃圾进行拍摄，由此获得每个用户的每件垃圾的图像。计算机装置还将每件垃圾的图像与对应的用户建立关联。
在这里，所述对应的用户是指投放该垃圾的用户。
如前面所述，为实现计算机装置3可以将每件垃圾的图像与投放该每件垃圾的用户之间建立关联，每个用户可以将自己所要投放的垃圾内装于垃圾袋中，该垃圾袋上印刷或者粘贴了用户标志，该用户标志包括了能唯一标识该用户的信息例如身份证号、登入某个电商平台的用户名，或其他用于区别其他用户的身份信息等。该用户标志可以是一个二维码。计算机装置3可以首先利用拍摄装置4扫描识别所述用户标志由此识别到用户，然后利用拍摄装置4对垃圾袋内的每件垃圾进行拍摄，并将拍摄装置4接下来所拍摄的垃圾的图像与该用户标志建立关联，从而实现将每件垃圾的图像与投放该每件垃圾的用户之间建立关联。
步骤S2、计算机装置根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息。计算机装置还将所获取的每个用户的每件垃圾的相关信息与对应的投放时间(例如，*年*月*日)建立关联。
本实施例中，所述投放时间是指计算机装置获取到所述每件垃圾的相关信息的时间或者是指计算机装置从所述拍摄装置接收到每件垃圾的图像的时间。
具体地，当计算机装置获取到所述每件垃圾的相关信息时，计算机装置可以读取该计算机装置当前的系统时间，将该计算机装置当前的系统时间作为所述投放时间。或者在其他实施例中，当计算机装置从所述拍摄装置接收到每件垃圾的图像时，计算机装置可以读取该计算机装置当前的系统时间，将该计算机装置当前的系统时间作为所述投放时间。
本实施例中，所述每件垃圾的相关信息包括，但不限于，每件垃圾的类别、品牌、价格等。
本实施例中，垃圾的类别可以分为高龄型、中年型、婴幼型。垃圾的类别为高龄型时是指该垃圾供年纪较大的人群使用。垃圾的类别为婴幼型时是指该垃圾供婴幼儿使用。垃圾的类别为中年型则是指该垃圾既不是供年纪较大的人群使用也不是供婴幼儿使用。
在第一实施例中，计算机装置根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息，包括：利用预先训练好的垃圾识别模型来识别每件垃圾，获取每件垃圾的相关信息。
具体地，计算机装置将每件垃圾的图像输入所述垃圾识别模型得到每件垃圾的所述相关信息。
在一个实施例中，所述垃圾识别模型是一个利用大样本数据(例如，10000份样本数据，每份样本数据包括垃圾的图像、物品的类别、商标，以及价格等信息)所训练获得的卷积神经网络(Convolutional Neural Network,CNN)模型。例如，可以使用神经网络训练算法如反向传播算法对回归卷积神经网络模型进行训练。训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。在第二实施例中，计算机装置根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息，包括：
(a1)将每件垃圾的图像与预先存储的各种类别的各个物品的图像进行比较，根据每件垃圾的图像与预先存储的各种类别的各个物品的图像之间的相似度确定每件垃圾的类别。
具体而言，计算机装置可以预先存储各种类别的各种物品的图像以及各种类别的各种物品分别所对应的商标的图像(为方便描述，以下将“各种类别的各种物品分别所对应的商标的图像”称为“各种类别所对应的各种商标的图像”)。当预先存储的某种类别的某个物品的图像与待识别的某件垃圾之间的相似度大于一个预设值(例如99％)时，计算机装置确定该某件垃圾的类别属于所述某种类别。
(a2)于确定好每件垃圾的类别后，将预先存储的与所确定的类别所对应的各种商标的图像与所述每件垃圾的图像进行匹配，根据所述每件垃圾的图像与预先存储的与所确定的类别所对应的各种商标的图像之间的相似度确定所述每件垃圾的商标。
举例而言，假设确定垃圾A的类别为婴幼型，当垃圾A的图像的某个区域与预先存储的与婴幼型所对应的商标T的图像之间的相似度大于一个预设值(例如99％)时，确定垃圾A的商标为所述商标T。
(a3)根据所确定的每件垃圾的类别和商标确定每件垃圾的价格。
具体而言，计算机装置可以首先从各个电商平台上收集各个商标所对应的各个类别的各种物品的价格。然后即可根据所确定的每件垃圾的类别和商标确定每件垃圾的价格。
需要说明的是，在一个实施例中，当确定某件垃圾为全新物品时，计算机装置不将所述某件垃圾的相关信息与对应的投放时间建立关联。由此，在步骤S3中，不会将该某件垃圾的相关信息作为垃圾的历史数据。
具体地，当某件垃圾的商标完整，且该某件垃圾还携带有吊牌(即标识价格、材质等信息的标识)时确定该垃圾为全新物品。
具体地，计算机装置可以利用图像识别技术识别垃圾的商标是否完整，件垃圾是否还携带有吊牌。
步骤S3、计算机装置将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据。
例如，计算机装置可以将所述垃圾的历史数据存储到计算机装置的存储器中，或者存储到与该计算机装置通讯连接的数据库服务器或云服务器(图中未示出)中。
在一个实施例中，计算机装置可以创建一个指定格式(例如excel格式或者其他格式例如csv格式)的文件来存储与每个用户所关联的垃圾的相关信息以及对应的投放时间。
在一个实施例中，所述将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据，包括：按照投放时间对与每个用户所关联的垃圾的相关信息进行排序，然而按照投放时间的先后顺序在所述指定格式的文件中记录所述与每个用户所关联的垃圾的相关信息。从而当需要根据投放时间从所指定格式的文件中调用与用户关联的垃圾的相关信息时，可以快速获得所需要的数据。
由此可知，根据上述步骤S1-S3可以将各个用户每次所投放的各件垃圾的相关信息进行存储。
步骤S4、计算机装置从所述垃圾的历史数据中获取与多个用户分别所对应的垃圾的相关信息，其中，与该多个用户中的每个用户所对应的垃圾的相关信息所对应的投放时间属于第一预定时间段(例如最近三个月或者六个月)内。计算机装置将所获取的与所述多个用户分别所对应的垃圾的相关信息作为训练样本训练LSTM(长短期记忆：Long Short-Term Memory，LSTM)神经网络获得垃圾预测模型。
在一个实施例中，所述多个用户的总数可以包括所述垃圾的历史数据所包括的所有用户。
本实施例中，所述LSTM神经网络的隐藏层可以有50个神经元，输出层有1个神经元，输入变量是t时刻前一段时间的特征，损失函数采用平均绝对值误差(Mean AbsoluteError，MAE)，优化算法采用Adam算法，模型采用50个epochs并且每次迭代所使用的样本数量为72。
步骤S5、计算机装置获取与指定用户对应的垃圾的相关信息，其中，与该指定用户所对应的垃圾的相关信息所对应的投放时间属于第二预设时间段(例如最近一个月)。计算机装置利用所述垃圾预测模型基于所述与指定用户所对应的垃圾的相关信息预测该指定用户在指定的第三预设时间段(例如接下来的一个月)内所要投放的垃圾的相关信息。
在一个实施例中，所述指定用户可以为所述垃圾的历史数据所包括的任意一个用户。换句话来讲，计算机装置可以从所述垃圾的历史数据来获取与所述指定用户对应的垃圾的相关信息。
步骤S6，计算机装置基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，由此获得所述指定用户的用户画像。
在一个实施例中，所述基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，包括：
(b1)基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，确定所述指定用户在所述第三预设时间段内所要投放的垃圾所属的用户结构、消费档次、消费水平。
本实施例中，所述用户结构分为高龄型、中年型、婴幼型；所述消费档次分为高档型、中档型、以及小康型；所述消费水平分为高消费型、普通型，以及拘谨型。
本实施例中，若所述指定用户在所述第三预设时间段内所要投放的垃圾中，与老年消费群体相关的物品所占比例大于预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的用户结构为高龄型。若所述指定用户在所述第三预设时间段内所要投放的垃圾中，与婴幼儿群体相关的物品所占比例大于预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的用户结构为婴幼型。若所述指定用户在所述第三预设时间段内所要投放的垃圾既不属于高龄型，也不属于婴幼型，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的用户结构属于中年型。
本实施例中，若根据品牌归类(即预先将不同品牌分别归类到高档型、中档型，或者小康型)，所述指定用户在所述第三预设时间段内所要投放的垃圾中，高端型的垃圾所占比例大于预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的消费档次属于高档型。若根据品牌归类，所述指定用户在所述第三预设时间段内所要投放的垃圾中，中端型的垃圾所占比例大于所述预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的消费档次属于中档型。若根据品牌归类，所述指定用户在所述第三预设时间段内所要投放的垃圾中，小康型的垃圾所占比例大于所述预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的消费档次属于小康型。
本实施例中，若所述指定用户在所述第三预设时间段内所要投放的垃圾的总价大于用户所在市区的平均薪资(例如上半年的平均薪资)的第一预设百分比(例如200％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾所对应的消费水平属于高消费型。若所述指定用户在所述第三预设时间段内所要投放的垃圾的总价小于用户所在市区的平均薪资的第二预设百分比(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾所对应的消费水平属于拘谨型。若所述指定用户在所述第三预设时间段内所要投放的垃圾的总价介于所述指定用户所在市区的平均薪资的所述第一预设百分比(例如200％)和所述第二预设百分比(例如50％)之间，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾所对应的消费水平属于普通型。
在这里需要说明的是，为了实现计算机装置可以识别到每个用户当前所在市区，可以将每个用户的用户标志与每个用户所在市区的信息进行绑定，由此，当计算机装置识别到指定用户的用户标志时即可获得指定用户所在市区的信息。本实施例中，所在市区的信息包括，但不限于，市区的名字，以及该市区的上半年平均薪资、上一年度平均薪资、及/或历年的平均薪资。当然，在其他实施例中，当用户所在市区的信息仅包括市区的名字时，计算机装置也可以根据所获取的市区的名字从指定的网站(例如所在市区的官网)获取所述平均薪资。
(b2)将所述指定用户与所确定的用户结构、消费档次，以及消费水平建立关联，由此获得所述指定用户的用户画像。
换句话来讲，将所确定的用户结构、消费档次，以及消费水平作为所述指定用户的标签。所述用户画像也即是由所确定的用户结构、消费档次，以及消费水平该三个维度的特征来构成。
举例而言，将用户B与高消费型、高档型、婴幼型建立关联。
本领域技术人员应该可以理解，基于上述步骤S5和S6，计算机装置可以根据任一用户在所述第二预设时间段内所投放的垃圾的相关信息，对该任一用户在所述第三预设时间段内所要投放的垃圾的相关信息进行预测，并基于所预测的该任一用户在所述第三预设时间段内所要投放的垃圾相关信息，为所述任一用户画像，获得所述任一用户的用户画像。
步骤S7，计算机装置基于所述指定用户的用户画像向该指定用户作相应的产品推荐。
举例而言，假设计算机装置将用户B与高消费型、高档型、婴幼型建立关联。则当计算机装置根据能唯一标识该用户B的信息识别该用户B登入到某个电商平台时，计算机装置可以将多款高档型的婴幼儿物品推荐给用户B。再如，计算机装置可以将与高价的名牌婴幼物品的链接以短信\邮件等方式发送给所述用户B。
综上所述，本发明实施例中所述的刻画用户画像的方法，通过识别每个用户的每件垃圾，从而获得每个用户的每件垃圾的相关信息，将所获取的每个用户的每件垃圾的相关信息与对应的投放时间建立关联；将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据；及根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像，即本发明可以基于用户的垃圾的信息来刻画用户画像，所获得的用户画像相较于现有技术所获得用户画像更加完整。
上述图2详细介绍了本发明的刻画用户画像的方法，下面结合图3和图4，对实现所述刻画用户画像的方法的软件系统的功能模块以及实现所述刻画用户画像的方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
参阅图3所示，是本发明较佳实施例提供的刻画用户画像的系统的结构图。
在一些实施例中，所述刻画用户画像的系统30运行于计算机装置中。所述刻画用户画像的系统30可以包括多个由程序代码段所组成的功能模块。所述刻画用户画像的系统30中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述计算机装置的至少一个处理器所执行，以实现(详见图1描述)刻画用户画像的功能。
本实施例中，所述刻画用户画像的系统30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块301以及执行模块302。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
获取模块301用于利用拍摄装置对每个用户的每件垃圾进行拍摄，由此获得每个用户的每件垃圾的图像。获取模块301还用于还将每件垃圾的图像与对应的用户建立关联。
在这里，所述对应的用户是指投放该垃圾的用户。
如前面所述，为实现获取模块301可以将每件垃圾的图像与投放该每件垃圾的用户之间建立关联，每个用户可以将自己所要投放的垃圾内装于垃圾袋中，该垃圾袋上印刷或者粘贴了用户标志，该用户标志包括了能唯一标识该用户的信息例如身份证号、登入某个电商平台的用户名，或其他用于区别其他用户的身份信息等。该用户标志可以是一个二维码。获取模块301可以首先利用拍摄装置4扫描识别所述用户标志由此识别到用户，然后利用拍摄装置4对垃圾袋内的每件垃圾进行拍摄，并将拍摄装置4接下来所拍摄的垃圾的图像与该用户标志建立关联，从而实现将每件垃圾的图像与投放该每件垃圾的用户之间建立关联。
获取模块301根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息。获取模块301还将所获取的每个用户的每件垃圾的相关信息与对应的投放时间(例如，*年*月*日)建立关联。
本实施例中，所述投放时间是指获取模块301获取到所述每件垃圾的相关信息的时间或者是指获取模块301从所述拍摄装置接收到每件垃圾的图像的时间。
具体地，当获取模块301获取到所述每件垃圾的相关信息时，获取模块301可以读取该计算机装置当前的系统时间，将该计算机装置当前的系统时间作为所述投放时间。或者在其他实施例中，当获取模块301从所述拍摄装置接收到每件垃圾的图像时，获取模块301可以读取该计算机装置当前的系统时间，将该计算机装置当前的系统时间作为所述投放时间。
本实施例中，所述每件垃圾的相关信息包括，但不限于，每件垃圾的类别、品牌、价格等。
本实施例中，垃圾的类别可以分为高龄型、中年型、婴幼型。垃圾的类别为高龄型时是指该垃圾供年纪较大的人群使用。垃圾的类别为婴幼型时是指该垃圾供婴幼儿使用。垃圾的类别为中年型则是指该垃圾既不是供年纪较大的人群使用也不是供婴幼儿使用。
在第一实施例中，所述获取模块301根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息，包括：利用预先训练好的垃圾识别模型来识别每件垃圾，获取每件垃圾的相关信息。
具体地，获取模块301用于将每件垃圾的图像输入所述垃圾识别模型得到每件垃圾的所述相关信息。
在一个实施例中，所述垃圾识别模型是一个利用大样本数据(例如，10000份样本数据，每份样本数据包括物品的图像、物品的类别、商标，以及价格等信息)所训练获得的卷积神经网络(Convolutional Neural Network,CNN)模型。例如，可以使用神经网络训练算法如反向传播算法对回归卷积神经网络模型进行训练。训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。
在第二实施例中，所述获取模块301根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息，包括：
(a1)将每件垃圾的图像与预先存储的各种类别的各个物品的图像进行比较，根据每件垃圾的图像与预先存储的各种类别的各个物品的图像之间的相似度确定每件垃圾的类别。
具体而言，获取模块301可以预先存储各种类别的各种物品的图像以及各种类别的各种物品分别所对应的商标的图像(为方便描述，以下将“各种类别的各种物品分别所对应的商标的图像”称为“各种类别所对应的各种商标的图像”)。当预先存储的某种类别的某个物品的图像与待识别的某件垃圾之间的相似度大于一个预设值(例如99％)时，获取模块301确定该某件垃圾的类别属于所述某种类别。
(a2)于确定好每件垃圾的类别后，将预先存储的与所确定的类别所对应的各种商标的图像与所述每件垃圾的图像进行匹配，根据所述每件垃圾的图像与预先存储的与所确定的类别所对应的各种商标的图像之间的相似度确定所述每件垃圾的商标。
举例而言，假设确定垃圾A的类别为婴幼型，当垃圾A的图像的某个区域与预先存储的与婴幼型所对应的商标T的图像之间的相似度大于一个预设值(例如99％)时，确定垃圾A的商标为所述商标T。
(a3)根据所确定的每件垃圾的类别和商标确定每件垃圾的价格。
具体而言，所述获取模块301可以首先从各个电商平台上收集各个商标所对应的各个类别的各种物品的价格。然后即可根据所确定的每件垃圾的类别和商标确定每件垃圾的价格。
需要说明的是，在一个实施例中，当确定某件垃圾为全新物品时，所述获取模块301不将所述某件垃圾的相关信息与对应的投放时间建立关联。由此，所述获取模块301不会将该某件垃圾的相关信息作为垃圾的历史数据。
具体地，当某件垃圾的商标完整，且该某件垃圾还携带有吊牌(即标识价格、材质等信息的标识)时确定该垃圾为全新物品。
具体地，所述获取模块301可以利用图像识别技术识别垃圾的商标是否完整，件垃圾是否还携带有吊牌。
所述获取模块301将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据。
例如，所述获取模块301可以将所述垃圾的历史数据存储到计算机装置的存储器中，或者存储到与该计算机装置通讯连接的数据库服务器或云服务器(图中未示出)中。
在一个实施例中，所述获取模块301可以创建一个指定格式(例如excel格式或者其他格式例如csv格式)的文件来存储与每个用户所关联的垃圾的相关信息以及对应的投放时间。
在一个实施例中，所述将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据，包括：按照投放时间对与每个用户所关联的垃圾的相关信息进行排序，然而按照投放时间的先后顺序在所述指定格式的文件中记录所述与每个用户所关联的垃圾的相关信息。从而当需要根据投放时间从所指定格式的文件中调用与用户关联的垃圾的相关信息时，可以快速获得所需要的数据。
执行模块302用于从所述垃圾的历史数据中获取与多个用户分别所对应的垃圾的相关信息，其中，与该多个用户中的每个用户所对应的垃圾的相关信息所对应的投放时间属于第一预定时间段(例如最近三个月或者六个月)内。所述执行模块302还用于将所获取的与所述多个用户分别所对应的垃圾的相关信息作为训练样本训练LSTM(长短期记忆：Long Short-Term Memory，LSTM)神经网络获得垃圾预测模型。
在一个实施例中，所述多个用户的总数可以包括所述垃圾的历史数据所包括的所有用户。
本实施例中，所述LSTM神经网络的隐藏层可以有50个神经元，输出层有1个神经元，输入变量是t时刻前一段时间的特征，损失函数采用平均绝对值误差(Mean AbsoluteError，MAE)，优化算法采用Adam算法，模型采用50个epochs并且每次迭代所使用的样本数量为72。
所述执行模块302还用于获取与指定用户对应的垃圾的相关信息，其中，与该指定用户所对应的垃圾的相关信息所对应的投放时间属于第二预设时间段(例如最近一个月)。所述执行模块302还用于利用所述垃圾预测模型基于所述与指定用户所对应的垃圾的相关信息预测该指定用户在指定的第三预设时间段(例如接下来的一个月)内所要投放的垃圾的相关信息。
在一个实施例中，所述指定用户可以为所述垃圾的历史数据所包括的任意一个用户。换句话来讲，所述执行模块302还可以从所述垃圾的历史数据来获取与所述指定用户对应的垃圾的相关信息。
所述执行模块302还用于基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，由此获得所述指定用户的用户画像。
在一个实施例中，所述基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，包括：
(b1)基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，确定所述指定用户在所述第三预设时间段内所要投放的垃圾所属的用户结构、消费档次、消费水平。
本实施例中，所述用户结构分为高龄型、中年型、婴幼型；所述消费档次分为高档型、中档型、以及小康型；所述消费水平分为高消费型、普通型，以及拘谨型。
本实施例中，若所述指定用户在所述第三预设时间段内所要投放的垃圾中，与老年消费群体相关的物品所占比例大于预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的用户结构为高龄型。若所述指定用户在所述第三预设时间段内所要投放的垃圾中，与婴幼儿群体相关的物品所占比例大于预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的用户结构为婴幼型。若所述指定用户在所述第三预设时间段内所要投放的垃圾既不属于高龄型，也不属于婴幼型，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的用户结构属于中年型。
本实施例中，若根据品牌归类(即预先将不同品牌分别归类到高档型、中档型，或者小康型)，所述指定用户在所述第三预设时间段内所要投放的垃圾中，高端型的垃圾所占比例大于预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的消费档次属于高档型。若根据品牌归类，所述指定用户在所述第三预设时间段内所要投放的垃圾中，中端型的垃圾所占比例大于所述预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的消费档次属于中档型。若根据品牌归类，所述指定用户在所述第三预设时间段内所要投放的垃圾中，小康型的垃圾所占比例大于所述预设比例(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾的消费档次属于小康型。
本实施例中，若所述指定用户在所述第三预设时间段内所要投放的垃圾的总价大于用户所在市区的平均薪资(例如上半年的平均薪资)的第一预设百分比(例如200％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾所对应的消费水平属于高消费型。若所述指定用户在所述第三预设时间段内所要投放的垃圾的总价小于用户所在市区的平均薪资的第二预设百分比(例如50％)，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾所对应的消费水平属于拘谨型。若所述指定用户在所述第三预设时间段内所要投放的垃圾的总价介于所述指定用户所在市区的平均薪资的所述第一预设百分比(例如200％)和所述第二预设百分比(例如50％)之间，则确定所述指定用户在所述第三预设时间段内所要投放的垃圾所对应的消费水平属于普通型。
在这里需要说明的是，为了实现所述执行模块302可以识别到每个用户当前所在市区，可以将每个用户的用户标志与每个用户所在市区的信息进行绑定，由此，当所述获取模块301识别到指定用户的用户标志时即可获得指定用户所在市区的信息。本实施例中，所在市区的信息包括，但不限于，市区的名字，以及该市区的上半年平均薪资、上一年度平均薪资、及/或历年的平均薪资。当然，在其他实施例中，当用户所在市区的信息仅包括市区的名字时，所述执行模块302也可以根据所获取的市区的名字从指定的网站(例如所在市区的官网)获取所述平均薪资。
(b2)将所述指定用户与所确定的用户结构、消费档次，以及消费水平建立关联，由此获得所述指定用户的用户画像。
换句话来讲，将所确定的用户结构、消费档次，以及消费水平作为所述指定用户的标签。所述用户画像也即是由所确定的用户结构、消费档次，以及消费水平该三个维度的特征来构成。
举例而言，将用户B与高消费型、高档型、婴幼型建立关联。
本领域技术人员应该可以理解，所述执行模块302可以根据任一用户在所述第二预设时间段内所投放的垃圾的相关信息，对该任一用户在所述第三预设时间段内所要投放的垃圾的相关信息进行预测，并基于所预测的该任一用户在所述第三预设时间段内所要投放的垃圾相关信息，为所述任一用户画像，获得所述任一用户的用户画像。
所述执行模块302还用于基于所述指定用户的用户画像向该指定用户作相应的产品推荐。
举例而言，假设所述执行模块302将用户B与高消费型、高档型、婴幼型建立关联。则当所述执行模块302根据能唯一标识该用户B的信息识别该用户B登入到某个电商平台时，所述执行模块302可以将多款高档型的婴幼儿物品推荐给用户B。再如，所述执行模块302可以将与高价的名牌婴幼物品的链接以短信\邮件等方式发送给所述用户B。
综上所述，本发明实施例中所述的刻画用户画像的系统，通过识别每个用户的每件垃圾，从而获得每个用户的每件垃圾的相关信息，将所获取的每个用户的每件垃圾的相关信息与对应的投放时间建立关联；将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据；及根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像，即本发明可以基于用户的垃圾的信息来刻画用户画像，所获得的用户画像相较于现有技术所获得用户画像更加完整。
参阅图4所示，为本发明较佳实施例提供的计算机装置的结构示意图。在本发明较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32、至少一条通信总线33。本领域技术人员应该了解，图4示出的计算机装置的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的刻画用户画像的系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行用户画像的功能。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是服务器、个人电脑等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图3，所述至少一个处理器32可执行所述计算机装置3的操作装置以及安装的各类应用程序(如所述的刻画用户画像的系统30)、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图3中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到执行用户画像的目的。
在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现刻画用户画像的的目的。具体步骤参图2所示，于此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种刻画用户画像的方法，应用于计算机装置，其特征在于，所述方法包括：
识别每个用户的每件垃圾，从而获得每个用户的每件垃圾的相关信息，将所获取的每个用户的每件垃圾的相关信息与对应的投放时间建立关联；
将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据；
根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像，包括：确定所述指定用户在所述第三预设时间段内所要投放的垃圾所属的用户结构、消费档次、消费水平，将所述指定用户与所确定的用户结构、消费档次以及消费水平建立关联，由此获得所述指定用户的用户画像；及
基于所述指定用户的用户画像中所述指定用户关联的用户结构、消费档次以及消费水平的向该指定用户作相应的产品推荐。
2.如权利要求1所述的刻画用户画像的方法，其特征在于，所述根据投放时间属于第一预设时间段的垃圾的历史信息，以及投放时间属于第二预设时间段内且与指定用户对应的垃圾的相关信息，预测该指定用户在第三预设时间段所要投放的垃圾的相关信息，并根据所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息生成用户画像包括：
从所述垃圾的历史数据中获取投放时间属于所述第一预设时间段内且与多个用户分别所对应的垃圾的相关信息，将所获取的与所述多个用户分别所对应的垃圾的相关信息作为训练样本训练LSTM神经网络获得垃圾预测模型；
利用所述垃圾预测模型基于投放时间属于所述第二预设时间段内且与所述指定用户所对应的垃圾的相关信息，预测该指定用户在所述第三预设时间段内所要投放的垃圾的相关信息；及
基于所预测的所述指定用户在所述第三预设时间段内所要投放的垃圾的相关信息，为所述指定用户打标签，获得所述指定用户的用户画像。
3.如权利要求1所述的刻画用户画像的方法，其特征在于，该方法还包括：
获取每个用户的每件垃圾的图像，将每件垃圾的图像与对应的用户建立关联；
根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息。
4.如权利要求3所述的刻画用户画像的方法，其特征在于，所述根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息包括：
将每件垃圾的图像输入预先训练好的垃圾识别模型得到每件垃圾的所述相关信息；其中，所述垃圾识别模型是一个利用大样本数据使用反向传播算法所训练获得的卷积神经网络模型。
5.如权利要求3所述的刻画用户画像的方法，其特征在于，所述根据每件垃圾的图像识别每件垃圾，从而获得每个用户的每件垃圾的相关信息，包括：
将每件垃圾的图像与预先存储的各种类别的各个物品的图像进行比较，根据每件垃圾的图像与预先存储的各种类别的各个物品的图像之间的相似度确定每件垃圾的类别；
于确定好每件垃圾的类别后，将预先存储的与所确定的类别所对应的各种商标的图像与所述每件垃圾的图像进行匹配，根据所述每件垃圾的图像与预先存储的与所确定的类别所对应的各种商标的图像之间的相似度确定所述每件垃圾的商标；及
根据所确定的每件垃圾的类别和商标确定每件垃圾的价格。
6.如权利要求1所述的刻画用户画像的方法，其特征在于，所述将建立关联后的每个用户的每件垃圾的相关信息以及对应的投放时间作为垃圾的历史数据，并存储所述垃圾的历史数据，包括：
按照投放时间对与每个用户所关联的垃圾的相关信息进行排序；及
按照投放时间的先后顺序在预先创建的指定格式的文件中记录所述与每个用户所关联的垃圾的相关信息。
7.如权利要求1所述的刻画用户画像的方法，其特征在于，所述用户结构根据所述指定用户在所述第三预设时间段内所要投放的垃圾中，与老年消费群体相关的物品所占比例，以及与婴幼儿群体相关的物品所占比例来确定；所述消费档次根据所述指定用户在所述第三预设时间段内所要投放的垃圾中，高端型的垃圾所占比例、中端型的垃圾所占比例，以及小康型的垃圾所占比例来确定；所述消费水平根据所述指定用户在所述第三预设时间段内所要投放的垃圾的总价与所述指定用户所在市区的平均薪资的第一预设百分比，以及与所述指定用户所在市区的平均薪资的第二预设百分比来确定。
8.一种计算机装置，其特征在于，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现如权利要求1至7中任意一项所述的刻画用户画像的方法。
9.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的刻画用户画像的方法。
CN201910703306.6A 2019-07-31 2019-07-31 刻画用户画像的方法、计算机装置及可读存储介质 Active CN110458067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910703306.6A CN110458067B (zh) 2019-07-31 2019-07-31 刻画用户画像的方法、计算机装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910703306.6A CN110458067B (zh) 2019-07-31 2019-07-31 刻画用户画像的方法、计算机装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN110458067A CN110458067A (zh) 2019-11-15
CN110458067B true CN110458067B (zh) 2022-04-22

Family

ID=68484329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910703306.6A Active CN110458067B (zh) 2019-07-31 2019-07-31 刻画用户画像的方法、计算机装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN110458067B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040199545A1 (en) * 2001-08-14 2004-10-07 Frederico Wagner Networked disposal and replenishment apparatus
US10860898B2 (en) * 2016-10-16 2020-12-08 Ebay Inc. Image analysis and prediction based visual search
CN109684543B (zh) * 2018-12-14 2021-04-02 北京百度网讯科技有限公司 用户行为预测和信息投放方法、装置、服务器和存储介质
CN109684979B (zh) * 2018-12-18 2021-11-30 深圳云天励飞技术有限公司 一种基于图像识别技术的垃圾分类方法、装置及电子设备
CN109948639A (zh) * 2019-05-23 2019-06-28 君库(上海)信息科技有限公司 一种基于深度学习的图片垃圾识别方法

Also Published As

Publication number Publication date
CN110458067A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN104318421A (zh) 一种解决再生资源回收领域反向物流问题的系统及方法
US20190392403A1 (en) Collecting and sorting garbage and managing recycling using sensing technology
CN109829667B (zh) 物流节点包裹量的预测方法和装置
CN108839977A (zh) 一种垃圾分类回收的系统、方法及装置
EP4006819A1 (en) Garbage disposal service device and driving method for device
CN111651440A (zh) 用户信息判别方法、装置及计算机可读存储介质
CN112016905B (zh) 基于审批流程的信息展示方法、装置、电子设备及介质
CN110322093B (zh) 信息处理方法、信息显示方法、装置及计算设备
CN107909234A (zh) 工作流数据的时限提醒方法、处理方法及其装置、设备
CN111723772B (zh) 基于图像识别的易腐垃圾识别方法、装置及计算机设备
CN111984898A (zh) 基于大数据的标签推送方法、装置、电子设备及存储介质
CN110708389B (zh) 智慧环卫云平台及其数据处理方法
CN111340412A (zh) 一种订单处理的方法、装置、可读存储介质及电子设备
CN111782900A (zh) 异常业务检测方法、装置、电子设备及存储介质
CN111401691A (zh) 业务进度监控方法、装置及计算机可读存储介质
CN110458067B (zh) 刻画用户画像的方法、计算机装置及可读存储介质
CN110386377A (zh) 一种智能垃圾分类系统
CN110597811A (zh) 一种物品过期时间的确定方法及装置
CN111651452A (zh) 数据存储方法、装置、计算机设备及存储介质
CN110263948A (zh) 一种物品上门回收管理方法及系统
JP2021077293A (ja) コンピュータプログラム及び情報処理方法
CN114626948A (zh) 区块链交易记账方法、装置、电子设备及存储介质
Williams A review of research towards computer integrated demanufacturing for materials recovery
CN113457990A (zh) 货物分拣方法、装置、电子设备及介质
JP2001233402A (ja) 資源ゴミ回収管理システム

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