CN110807068A - 换设备用户的识别方法、装置、计算机设备和存储介质 - Google Patents

换设备用户的识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110807068A
CN110807068A CN201910949913.0A CN201910949913A CN110807068A CN 110807068 A CN110807068 A CN 110807068A CN 201910949913 A CN201910949913 A CN 201910949913A CN 110807068 A CN110807068 A CN 110807068A
Authority
CN
China
Prior art keywords
equipment
information
devices
user
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910949913.0A
Other languages
English (en)
Other versions
CN110807068B (zh
Inventor
孙杰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910949913.0A priority Critical patent/CN110807068B/zh
Publication of CN110807068A publication Critical patent/CN110807068A/zh
Application granted granted Critical
Publication of CN110807068B publication Critical patent/CN110807068B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提出一种换设备用户的识别方法、装置、计算机设备和存储介质，其中，方法包括：获取各设备的设备信息；根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对；根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息；采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。由此，基于机器学习方法对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为。

Description

换设备用户的识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及互联网和机器学习技术领域，尤其涉及一种换设备用户的识别方法、装置、计算机设备和存储介质。
背景技术
目前，可以根据用户的行为模式向用户推荐较为精准的服务。其中，用户的行为模式对于推荐来说尤为关键，当行为越丰富时，得到的用户的实际意图越精准，由此服务提供者可以针对该实际意图进行针对性的服务推荐。然而，当出现冷启动用户时，在该用户行为极为稀疏的情况下，对用户意图的识别的准确性则难以保证，可能会出现较大的误差。
例如，如果冷启动用户在此之前为非冷启动的，那么当出现冷启动用户时，就表明该用户的行为未被完整地关联起来。举例而言，一个用户拥有两台虚拟设备，分别为设备X和设备Y，其中，设备X的行为较为丰富，而设备Y是一个冷启动设备，行为极少。在实际情况下，设备X和设备Y属于同一个自然人，只是在进行数据采集的时候，并未将设备X和设备Y进行关联，由此导致了冷启动用户的出现。对于行为丰富度而言，当将设备X和设备Y关联起来后，行为丰富度增大，服务提供者对于该自然人的意图可以精准定位。
相关技术中，在通用场景下，通过在时间重合度内采集到的行为，来预测是否为同一个自然人。这种方式下，只有在时间重合度内同时采集到该自然人的行为，且行为要有一定的相似性，才能对其进行预测，条件极为苛刻，即只能针对相同时间段内同时有行为的用户。当冷启动用户出现时，无法全面分析用户的个性化特征，对用户的信息掌握不全，最终出现空投行为。
因此，针对这类冷启动用户，如何丰富其行为模式，提升意图定位的准确性，成为亟待解决的难题。
发明内容
本申请提出一种换设备用户的识别方法、装置、计算机设备和存储介质，以实现针对换设备场景下的自然人预测，将用户的实际所有行为进行关联，从而得到准确的行为模式，提升用户意图识别的准确性。
本申请第一方面实施例提出了一种换设备用户的识别方法，包括：
获取各设备的设备信息；
根据所述设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对；
根据所述设备信息中的登录信息，将所述目标设备对划分为正样本和负样本；其中，属于所述正样本的目标设备对具有相同的登录信息，属于所述负样本的目标设备对具有不同的登录信息；
采用所述正样本和所述负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。
本申请实施例的换设备用户的识别方法，通过获取各设备的设备信息，并根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对，之后，根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；其中，属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息，最后，采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。由此，基于机器学习方法对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为，从而服务提供者可以通过对丰富后的行为模式进行丰富，进而准备地识别自然人的意图，为其提供个性化业务服务和推荐，提升用户体验，并且，从而最大可能地避免空投和对用户的错误分析的情况。
本申请第二方面实施例提出了一种换设备用户的识别装置，包括：
获取模块，用于获取各设备的设备信息；
确定模块，用于根据所述设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对；
划分模块，用于根据所述设备信息中的登录信息，将所述目标设备对划分为正样本和负样本；其中，属于所述正样本的目标设备对具有相同的登录信息，属于所述负样本的目标设备对具有不同的登录信息；
识别模块，用于采用所述正样本和所述负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。
本申请实施例的换设备用户的识别装置，通过获取各设备的设备信息，并根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对，之后，根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；其中，属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息，最后，采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。由此，基于机器学习方法对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为，从而服务提供者可以通过对丰富后的行为模式进行丰富，进而准备地识别自然人的意图，为其提供个性化业务服务和推荐，提升用户体验，并且，从而最大可能地避免空投和对用户的错误分析的情况。
本申请第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在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程序时，实现如本申请第一方面实施例提出的换设备用户的识别方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面实施例提出的换设备用户的识别方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一提供的换设备用户的识别方法的流程示意图；
图2为本申请实施例中设备信息的采集过程示意图；
图3为本申请实施例二所提供的换设备用户的识别方法的流程示意图；
图4为本申请实施例中换设备场景示意图一；
图5为本申请实施例中换设备场景示意图二；
图6为本申请实施例三所提供的换设备用户的识别方法的流程示意图；
图7为本申请实施例四所提供的换设备用户的识别装置的结构示意图；
图8为本申请实施例五所提供的换设备用户的识别装置的结构示意图；
图9示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
为了丰富用户的行为，进一步提升意图定位的准确性，本申请提出了一种基于机器学习的换设备用户的识别方法，针对换设备场景下的自然人预测，将用户的实际所有行为进行关联，从而得到准确的行为模式，提升用户意图识别的准确性。
下面参考附图描述本申请实施例的换设备用户的识别方法、装置、计算机设备和存储介质。
图1为本申请实施例一所提供的换设备用户的识别方法的流程示意图。
本申请实施例以该换设备用户的识别方法被配置于换设备用户的识别装置中来举例说明，该换设备用户的识别装置可以应用于任一计算机设备中，以使该计算机设备可以执行换设备用户的识别功能。
其中，计算机设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备、服务器等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该换设备用户的识别方法可以包括以下步骤：
步骤101，获取各设备的设备信息。
本申请实施例中，设备信息可以包括设备标识、设备品牌、设备型号、活跃时段、搜索信息、安装信息、点击信息、系统及版本等信息。其中，设备标识用于唯一标识对应的设备，例如可以为被叫用户识别号(Called User Identification Number，简称CUID)、硬件地址(Medium Access Control，简称MAC)、广告标识符(Identifier For Advertising，简称IDFA)等，对此不作限制。
本申请实施例中，可以从网络侧获取各设备的设备信息，或者，还可以从本地存储的数据中获取各设备的设备信息，比如可以预先在线上和/或线下采集不同设备的设备信息，并将采集的设备信息存储至本地，从而可以从本地获取各设备的设备信息，或者，还可以由用户输入各设备的设备信息，本申请对此并不作限制。
作为一种示例，参见图2，图2为本申请实施例中设备信息的采集过程示意图。其中，可以在应用(Application，简称APP)端或者浏览器端集成设备采集器，该设备采集器用于采集用户设备的设备信息，并将采集的设备信息进行存储。其中，设备标识中的CUID可以由设备采集器自动生成的。
步骤102，根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对。
本申请实施例中，用户行为数据用于指示搜索、订阅和/或关注行为，例如可以包括搜索词、关注的tieba、host等属性信息。
本申请实施例中，目标设备对可以为潜在的换设备前后的两设备，即目标设备对中一个设备可以为换设备前的旧设备，另一个设备可以为换设备后的新设备。
需要说明的是，预测设备对是否是同一个自然人的前提是首先要形成设备对，如果对采集的所有设备信息进行两两组队，那么数据量是极其巨大的。据统计，采集到的日活跃量的设备达到了21亿，而截止到目前为止，全量的设备已经达到了千亿级别，如果对千亿级别的设备进行两两组队，那么在工程上无法实现的。
因此，为了降低计算量，可以仅对可能为同一个自然人的设备进行组队，形成目标设备对。具体地，可以根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对。
作为一种可能的实现方式，可以根据地理位置对各设备进行聚类，得到地理位置相似的设备，之后，可以根据用户行为数据，在地理位置相似的设备中确定相似的用户行为数据，并将相似的用户行为数据对应的两设备作为目标设备对。
步骤103，根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；其中，属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息。
本申请实施例中，样本可以通过登录行为来标注，具体地，可以将具有相同的登录信息的目标设备对，作为正样本，将具有不同的登录信息的目标设备对，作为负样本。例如，两设备均有登录行为且登录的账户(userid)有交集，则可以将这两设备作为正样本，或者，两设备均有登录行为且登录的userid没有交集，则将这两设备作为负样本。
步骤104，采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。
本申请实施例中，在确定正样本和负样本之后，可以采用正样本和负样本对神经网络模型进行训练，例如，可以对正样本和负样本进行特征提取，基于提取后的样本特征，利用深度学习算法，对神经网络模型进行训练，并采用训练后的神经网络模型识别不同设备属于同一换设备用户，即识别属于同一换设备用户(同一自然人)的不同设备。由此，基于机器学习方法对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为，从而服务提供者可以通过对丰富后的行为模式进行丰富，进而准备地识别自然人的意图，为其提供个性化业务服务和推荐，提升用户体验，从而避免空投和对用户的错误分析的情况。
作为一种应用场景，某一自然人在使用了一台设备X之后，选择了换新的设备Y进行使用，在使用数据采集器采集到设备X和设备Y的信息后，基于本申请实施例的换设备用户的识别方法，可以确定设备X和设备Y为换设备前后的两设备，即设备X和设备Y属于同一个自然人，从而可以对设备X和设备Y中的用户行为数据进行采集，确定该自然人的行为模式，进而为其提供个性化业务服务和推荐。
本申请实施例的换设备用户的识别方法，通过获取各设备的设备信息，并根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对，之后，根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；其中，属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息，最后，采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。由此，基于机器学习方法对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为，从而服务提供者可以通过对丰富后的行为模式进行丰富，进而准备地识别自然人的意图，为其提供个性化业务服务和推荐，提升用户体验，并且，从而最大可能地避免空投和对用户的错误分析的情况。
作为一种可能的实现方式，在获取到各设备的设备信息之后，还可以对设备信息进行预处理，其中，预处理主要包括对设备信息进行数据清洗、属性归一化以及设备聚合。
其中，数据清洗：每一种设备标识均有一定的生成规则，如果采集得到的设备标识不符合相应的生成规则，那么该设备标识可能为一个不合法的数据。对于硬件标识，通常是使用统一的规则，而主动生成XID、YID等，遵循规则基础上由服务提供者自动指定值，例如，当硬件标识为MAC地址时，MAC地址通常表示为12个十六进制数，每2个十六进制数之间用冒号隔开，比如08:00:20:0A:8C:6D就是一个MAC地址，其中前6位十六进制数08:00:20表示网络硬件制造商的编号，它是由IEEE分配，而后3位十六进制数0A:8C:6D表示该制造商所制造的某个网络产品。
属性归一化：由于设备信息的属性较多，且每种属性值不统一，不利于数据计算，因此，本申请中，可以对设备信息进行属性归一化，以利于数据计算，并且，归一到数字也可以减少存储，降低存储开销。具体地，在计算之前，可以对设备信息中的多种属性，例如os、os_version、vendor、model、browser等的值分别进行归一化。例如，在系统维度上，采取0表示未采集到系统信息，1表示ANDROID，2表示IOS，3表示WINDOWS，等等。
设备聚合：在采集到同一个设备的设备信息后，可以将同一个设备的设备信息进行聚合，并按照一定的规则，选择一个设备标识来标识聚合后的设备。例如，参见图2，设备采集器采集到设备X上的CUID和IDFA，则可以采用IDFA来标识该设备X，再例如，设备采集器采集到设备Y上的MAC和IDFA，则可以采用MAC地址来标识该设备Y。也就是说，本申请中，选择设备标识的偏序关系可以根据设备标识的稳定性来进行排序，例如，MAC地址的稳定性大于IDFA，IDFA的稳定性大于国际移动设备标识(International Mobile EquIPmentIdentity，简称IMEI)，IMEI的稳定性大于CUID。
作为一种可能的实现方式，针对步骤102，可以采用分桶的方式，对可能是同一个自然人的设备进行组对，形成目标设备对。下面结合实施例二，对上述过程进行详细说明。
图3为本申请实施例二所提供的换设备用户的识别方法的流程示意图。
如图3所示，在图1所示实施例的基础上，步骤102具体可以包括以下步骤：
步骤201，根据设备信息中的地理位置，对各设备聚类得到地理位置相似的候选设备，采用同一数据桶存储候选设备的设备信息。
本申请实施例中，设备信息还可以包括地理位置，例如，设备信息可以包括IP地址，根据IP地址可以确定对应的地理位置，或者，设备信息可以直接包括地理位置。
本申请实施例中，可以根据设备信息中的地理位置，对各设备聚类得到地理位置相似的候选设备。例如，可以从各设备中选择一个未被聚类的设备作为聚类中心，针对该聚类中心，可以基于相关技术中的距离计算算法，比如欧拉距离计算算法、DTW距离计算算法、loc加权距离计算算法等，确定该聚类中心与其他设备之间的距离，将距离小于预设距离阈值的设备作为与该聚类中心地理位置相似的候选设备。或者，还可以直接基于相关技术中的相似度计算方法，比如DTW相似度计算方法、WDTW相似度计算方法等等，确定与该聚类中心地理位置相似的候选设备。当各设备中不存在未被聚类的设备时，完成对所有设备的聚类处理，得到各地理位置相似的候选设备，并采用同一数据桶存储地理位置相似的候选设备的设备信息。由此，可以实现将同一地理位置或相似地理位置的不同设备划分到同一数据桶内。
其中，可以按照地区->位置location->IP地址->IP地址的优先级顺序，选取数据桶标签。
步骤202，根据设备信息中的用户行为数据，从同一数据桶中确定相似的用户行为数据。
本申请实施例中，用户行为数据用于指示搜索、订阅和/或关注行为，例如，用户行为数据可以包括搜索词、关注的tieba、host等属性信息。
步骤203，将相似的用户行为数据对应的两候选设备作为目标设备对。
本申请实施例中，针对同一数据桶内存储的所有候选设备，可以利用设备信息中的用户行为数据，确定相似的用户行为数据。例如，针对每个用户行为数据，可以基于相关技术中的相似度计算方法，计算该用户行为数据与其他用户行为数据之间的相似度，将相似度高于预设相似度阈值的用户行为数据，或者，将最高相似度对应的用户行为数据，作为与该用户行为数据相似的用户行为数据。之后，可以将相似的用户行为数据对应的两候选设备作为目标设备对。也就是说，本申请中，针对同一数据桶内存储的所有候选设备，可以利用其在属性上的相似性进行组队，形成目标设备对。
举例而言，同一个桶内设备X和设备Y，均搜索了“手机”这个关键词，则可以将设备X和设备Y进行组对，形成目标设备对。
本申请实施例的换设备用户的识别方法，采用分桶的方式，只对可能是同一个自然人的设备进行组对，形成目标设备对，可以极大地降低计算量。
可以理解的是，在换设备场景下，可以包括两种情况，第一种为：换设备后，原设备不再活跃，旧设备与新设备重叠的活跃时间较短，且一段时间后，旧设备不再活跃，例如，如图4所示；第二种为：换设备后，原设备不再活跃，旧设备与新设备无重叠的活跃时间，旧设备此后不再活跃，例如，如图5所示。
因此，本申请中，可以根据设备信息中的活跃时段，对目标设备对进行筛选，以保留活跃时段重叠的目标设备对，以及保留活跃时段间隔在设定时长内的目标设备对，从而实现仅保留换设备场景下的目标设备对，对于不符合条件的设备对进行丢失。其中，设定时长为预先设置的。
作为一种可能的实现方式，在对神经网络进行训练时，可以目标设备对进行特征提取、样本抽取，根据样本的特征，对神经网络进行训练。其中，样本抽取是在分桶的基础上，通过检索的方式，抽取多类数据桶的正负样本。在训练完成后，可以利用训练后的神经网络，对获取到设备信息的各设备中，除目标设备对以外的其余设备进行预测。下面结合实施例三，对上述过程进行详细说明。
图6为本申请实施例三所提供的换设备用户的识别方法的流程示意图。
如图6所示，在图1所示实施例的基础上，步骤104具体可以包括以下子步骤：
步骤301，采用正样本和负样本训练神经网络模型。
本申请实施例中，目标设备对可以为潜在的属于同一换设备用户对应的换设备前后的两设备，即目标设备对中一个设备可以为换设备前的旧设备，另一个设备可以为换设备后的新设备。在很多情况下，换设备之后，旧设备不再使用，新设备和旧设备的活跃期重合很短，或者没有重合。
因此，针对换设备场景，正样本或负样本包含两个设备的交集活跃期特征和非交集活跃期特征。其中，上述特征可以包括地理位置、IP地址、接入点(Access Points，简称AP)、服务集标识符(Service Set Identifier，简称SSID)、搜索信息、订阅信息、关注信息、安装的APP等各种属性信息。
本申请实施例中，可以对正样本进行特征提取，并对负样本进行特征提取，将基于提取后的样本特征，利用深度学习算法，对神经网络模型进行训练，并评估模型效果是否符合预期，若是，则执行步骤302，若否，则继续对模型进行训练。
步骤302，针对获取到设备信息的各设备，将除目标设备对以外的其余设备作为待识别设备。
本申请实施例中，可以将获取到的设备信息的各设备中，目标设备对之外的其余设备，作为待识别设备。
步骤303，对两待识别设备的设备信息进行特征提取，将提取的特征输入神经网络模型，以使神经网络模型根据两待识别设备的特征之间相似度，确定两待识别设备是否为换设备前后的两设备。
本申请实施例中，可以对两待识别设备的设备信息进行特征提取，将提取的特征输入至神经网络模型，由神经网络模型根据两待识别设备的特征之间相似度，确定两待识别设备是否为换设备前后的两设备。
具体地，当两待识别设备为换设备前后的两设备时，两待识别设备的特征之间的相似度越高，而当两待识别设备不为换设备前后的两设备时，两待识别设备的特征之间的相似度越低。因此，本申请中，若神经网络模型识别两待识别设备的特征之间相似度大于等于预设阈值，则确定两待识别设备为换设备前后的两设备，即确定两待识别设备为属于同一换设备用户，即同一自然人的两设备，而若神经网络模型识别两待识别设备的特征之间相似度小于预设阈值，则确定两待识别设备不为换设备前后的两设备，即确定两待识别设备为不属于同一换设备用户，即同一自然人的两设备。其中，预设阈值为较高的取值，例如可以为70％、80％、90％等等。
本申请实施例的换设备用户的识别方法，基于机器学习方法，对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为，从而服务提供者可以通过对丰富后的行为模式进行丰富，进而准备地识别自然人的意图，为其提供个性化业务服务和推荐，提升用户体验，并且，从而最大可能地避免空投和对用户的错误分析的情况。
为了实现上述实施例，本申请还提出一种换设备用户的识别装置。
图7为本申请实施例四所提供的换设备用户的识别装置的结构示意图。
如图7所示，该换设备用户的识别装置可以包括：获取模块110、确定模块120、划分模块130以及识别模块140。
其中，获取模块110，用于获取各设备的设备信息。
确定模块120，用于根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对。
作为一种可能的实现方式，确定模块120，具体用于：根据设备信息中的地理位置，对各设备聚类得到地理位置相似的候选设备，采用同一数据桶存储候选设备的设备信息；根据设备信息中的用户行为数据，从同一数据桶中确定相似的用户行为数据；将相似的用户行为数据对应的两候选设备作为目标设备对。
其中，用户行为数据用于指示搜索、订阅和/或关注行为。
划分模块130，用于根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；其中，属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息。
识别模块140，用于采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。
进一步地，在本申请实施例的一种可能的实现方式中，参见图8，在图7所示实施例的基础上，该换设备用户的识别装置还可以包括：筛选模块150。
筛选模块150，用于根据设备信息中的活跃时段，对目标设备对进行筛选，以保留活跃时段重叠的目标设备对，以及保留活跃时段间隔在设定时长内的目标设备对。
作为一种可能的实现方式，识别模块140，具体用于：针对获取到设备信息的各设备，将除目标设备对以外的其余设备作为待识别设备；对两待识别设备的设备信息进行特征提取，将提取的特征输入神经网络模型，以使神经网络模型根据两待识别设备的特征之间相似度，确定两待识别设备是否为换设备前后的两设备。
需要说明的是，前述对换设备用户的识别方法实施例的解释说明也适用于该实施例的换设备用户的识别装置，此处不再赘述。
本申请实施例的换设备用户的识别装置，通过获取各设备的设备信息，并根据设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对，之后，根据设备信息中的登录信息，将目标设备对划分为正样本和负样本；其中，属于正样本的目标设备对具有相同的登录信息，属于负样本的目标设备对具有不同的登录信息，最后，采用正样本和负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。由此，基于机器学习方法，对不同设备进行识别，可以确定属于同一换设备用户，即同一自然人的两设备，从而对属于同一自然人的两设备中的用户行为数据进行提取，可以最大化地丰富用户的行为，从而服务提供者可以通过对丰富后的行为模式进行丰富，进而准备地识别自然人的意图，为其提供个性化业务服务和推荐，提升用户体验，并且，从而最大可能地避免空投和对用户的错误分析的情况。
为了实现上述实施例，本申请还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本申请前述实施例提出的换设备用户的识别方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请前述实施例提出的换设备用户的识别方法。
图9示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图9显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(PerIPheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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。所述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。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种换设备用户的识别方法，其特征在于，所述方法包括以下步骤：
获取各设备的设备信息；
根据所述设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对；
根据所述设备信息中的登录信息，将所述目标设备对划分为正样本和负样本；其中，属于所述正样本的目标设备对具有相同的登录信息，属于所述负样本的目标设备对具有不同的登录信息；
采用所述正样本和所述负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。
2.根据权利要求1所述的识别方法，其特征在于，所述根据所述设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对，包括：
根据所述设备信息中的地理位置，对各设备聚类得到地理位置相似的候选设备，采用同一数据桶存储所述候选设备的设备信息；
根据所述设备信息中的用户行为数据，从所述同一数据桶中确定相似的用户行为数据；
将所述相似的用户行为数据对应的两候选设备作为所述目标设备对。
3.根据权利要求2所述的识别方法，其特征在于，所述用户行为数据用于指示搜索、订阅和/或关注行为。
4.根据权利要求1所述的识别方法，其特征在于，所述从各设备中确定设备信息相似的目标设备对之后，还包括：
根据所述设备信息中的活跃时段，对所述目标设备对进行筛选，以保留活跃时段重叠的目标设备对，以及保留活跃时段间隔在设定时长内的目标设备对。
5.根据权利要求1-4任一项所述的识别方法，其特征在于，所述采用训练后的神经网络模型识别不同设备属于同一换设备用户，包括：
针对获取到设备信息的各设备，将除所述目标设备对以外的其余设备作为待识别设备；
对两待识别设备的设备信息进行特征提取，将提取的特征输入所述神经网络模型，以使所述神经网络模型根据两待识别设备的特征之间相似度，确定所述两待识别设备是否为换设备前后的两设备。
6.一种换设备用户的识别装置，其特征在于，所述装置包括：
获取模块，用于获取各设备的设备信息；
确定模块，用于根据所述设备信息中的地理位置和/或用户行为数据，从各设备中确定设备信息相似的目标设备对；
划分模块，用于根据所述设备信息中的登录信息，将所述目标设备对划分为正样本和负样本；其中，属于所述正样本的目标设备对具有相同的登录信息，属于所述负样本的目标设备对具有不同的登录信息；
识别模块，用于采用所述正样本和所述负样本训练神经网络模型，以采用训练后的神经网络模型识别不同设备属于同一换设备用户。
7.根据权利要求6所述的识别装置，其特征在于，所述确定模块，具体用于：
根据所述设备信息中的地理位置，对各设备聚类得到地理位置相似的候选设备，采用同一数据桶存储所述候选设备的设备信息；
根据所述设备信息中的用户行为数据，从所述同一数据桶中确定相似的用户行为数据；
将所述相似的用户行为数据对应的两候选设备作为所述目标设备对。
8.根据权利要求7所述的识别装置，其特征在于，所述用户行为数据用于指示搜索、订阅和/或关注行为。
9.根据权利要求7所述的识别装置，其特征在于，所述装置还包括：
筛选模块，用于根据所述设备信息中的活跃时段，对所述目标设备对进行筛选，以保留活跃时段重叠的目标设备对，以及保留活跃时段间隔在设定时长内的目标设备对。
10.根据权利要求6-9任一项所述的识别装置，其特征在于，所述识别模块，具体用于：
针对获取到设备信息的各设备，将除所述目标设备对以外的其余设备作为待识别设备；
对两待识别设备的设备信息进行特征提取，将提取的特征输入所述神经网络模型，以使所述神经网络模型根据两待识别设备的特征之间相似度，确定所述两待识别设备是否为换设备前后的两设备。
11.一种计算机设备，其特征在于，包括存储器、处理器及存储在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程序时，实现如权利要求1-5中任一所述的换设备用户的识别方法。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的换设备用户的识别方法。
CN201910949913.0A 2019-10-08 2019-10-08 换设备用户的识别方法、装置、计算机设备和存储介质 Active CN110807068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910949913.0A CN110807068B (zh) 2019-10-08 2019-10-08 换设备用户的识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910949913.0A CN110807068B (zh) 2019-10-08 2019-10-08 换设备用户的识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110807068A true CN110807068A (zh) 2020-02-18
CN110807068B CN110807068B (zh) 2022-09-23

Family

ID=69487983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910949913.0A Active CN110807068B (zh) 2019-10-08 2019-10-08 换设备用户的识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110807068B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723083A (zh) * 2020-06-23 2020-09-29 北京思特奇信息技术股份有限公司 用户身份识别方法、装置、电子设备及存储介质
CN111914244A (zh) * 2020-07-31 2020-11-10 深圳力维智联技术有限公司 数据处理方法、装置及计算机可读存储介质
CN113114770A (zh) * 2021-04-14 2021-07-13 每日互动股份有限公司 用户识别方法、电子设备和计算机可读存储介质
CN113486985A (zh) * 2021-08-02 2021-10-08 汤恩智能科技(上海)有限公司 电动设备的用户识别方法、管理方法、介质和电子设备
CN111914244B (zh) * 2020-07-31 2024-06-07 深圳力维智联技术有限公司 数据处理方法、装置及计算机可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951551A (zh) * 2015-06-26 2015-09-30 深圳市腾讯计算机系统有限公司 一种数据分类方法及系统
CN105005593A (zh) * 2015-06-30 2015-10-28 北京奇艺世纪科技有限公司 多用户共用设备的场景识别方法和装置
CN105307112A (zh) * 2014-08-01 2016-02-03 中国电信股份有限公司 分析获取用户移动轨迹的方法和系统
CN105868248A (zh) * 2015-12-15 2016-08-17 乐视网信息技术（北京）股份有限公司 媒体推荐方法及装置
CN106022834A (zh) * 2016-05-24 2016-10-12 腾讯科技（深圳）有限公司 广告反作弊方法及装置
CN106230849A (zh) * 2016-08-22 2016-12-14 中国科学院信息工程研究所 一种基于用户行为的智能设备机器学习安全监测系统
US20160364645A1 (en) * 2015-06-12 2016-12-15 Xerox Corporation Learning mobility user choice and demand models from public transport fare collection data
CN107066478A (zh) * 2016-12-14 2017-08-18 阿里巴巴集团控股有限公司 一种虚假地址信息识别的方法及装置
CN109697454A (zh) * 2018-11-06 2019-04-30 邓皓文 一种基于隐私保护的跨设备个体识别方法及装置
CN110263235A (zh) * 2019-06-05 2019-09-20 深圳市腾讯计算机系统有限公司 信息推送对象更新方法、装置和计算机设备
CN110267206A (zh) * 2019-05-21 2019-09-20 中国联合网络通信集团有限公司 用户位置预测方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105307112A (zh) * 2014-08-01 2016-02-03 中国电信股份有限公司 分析获取用户移动轨迹的方法和系统
US20160364645A1 (en) * 2015-06-12 2016-12-15 Xerox Corporation Learning mobility user choice and demand models from public transport fare collection data
CN104951551A (zh) * 2015-06-26 2015-09-30 深圳市腾讯计算机系统有限公司 一种数据分类方法及系统
CN105005593A (zh) * 2015-06-30 2015-10-28 北京奇艺世纪科技有限公司 多用户共用设备的场景识别方法和装置
CN105868248A (zh) * 2015-12-15 2016-08-17 乐视网信息技术（北京）股份有限公司 媒体推荐方法及装置
CN106022834A (zh) * 2016-05-24 2016-10-12 腾讯科技（深圳）有限公司 广告反作弊方法及装置
CN106230849A (zh) * 2016-08-22 2016-12-14 中国科学院信息工程研究所 一种基于用户行为的智能设备机器学习安全监测系统
CN107066478A (zh) * 2016-12-14 2017-08-18 阿里巴巴集团控股有限公司 一种虚假地址信息识别的方法及装置
CN109697454A (zh) * 2018-11-06 2019-04-30 邓皓文 一种基于隐私保护的跨设备个体识别方法及装置
CN110267206A (zh) * 2019-05-21 2019-09-20 中国联合网络通信集团有限公司 用户位置预测方法及装置
CN110263235A (zh) * 2019-06-05 2019-09-20 深圳市腾讯计算机系统有限公司 信息推送对象更新方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王尧: "基于手机传感器的用户身份认证方案研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723083A (zh) * 2020-06-23 2020-09-29 北京思特奇信息技术股份有限公司 用户身份识别方法、装置、电子设备及存储介质
CN111723083B (zh) * 2020-06-23 2024-04-05 北京思特奇信息技术股份有限公司 用户身份识别方法、装置、电子设备及存储介质
CN111914244A (zh) * 2020-07-31 2020-11-10 深圳力维智联技术有限公司 数据处理方法、装置及计算机可读存储介质
CN111914244B (zh) * 2020-07-31 2024-06-07 深圳力维智联技术有限公司 数据处理方法、装置及计算机可读存储介质
CN113114770A (zh) * 2021-04-14 2021-07-13 每日互动股份有限公司 用户识别方法、电子设备和计算机可读存储介质
CN113114770B (zh) * 2021-04-14 2022-08-09 每日互动股份有限公司 用户识别方法、电子设备和计算机可读存储介质
CN113486985A (zh) * 2021-08-02 2021-10-08 汤恩智能科技(上海)有限公司 电动设备的用户识别方法、管理方法、介质和电子设备

Also Published As

Publication number Publication date
CN110807068B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN110807068B (zh) 换设备用户的识别方法、装置、计算机设备和存储介质
CN110287173B (zh) 自动生成有意义的用户段
CN110750636A (zh) 网络舆情信息处理方法及其装置
CN111090807A (zh) 一种基于知识图谱的用户识别方法及装置
US20170169096A1 (en) Methods and systems for analyzing reading logs and documents thereof
WO2020140624A1 (zh) 从日志中提取数据的方法和相关设备
CN109391620A (zh) 异常行为判定模型的建立方法、系统、服务器及存储介质
CN106301979B (zh) 检测异常渠道的方法和系统
CN106998336B (zh) 渠道中的用户检测方法和装置
CN110866249A (zh) 一种动态检测恶意代码的方法、装置及电子设备
CN110599278B (zh) 聚合设备标识符的方法、装置和计算机存储介质
CN104992060A (zh) 用户年龄估计方法及装置
CN110619090B (zh) 一种区域吸引力评估方法及设备
WO2021051568A1 (zh) 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN112801156B (zh) 用于人工智能机器学习的业务大数据采集方法及服务器
CN113505272B (zh) 基于行为习惯的控制方法和装置、电子设备和存储介质
CN115690883A (zh) 一种目标训练样本集的获得方法及相关装置
CN115439928A (zh) 一种操作行为识别方法及装置
CN111860661B (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN111343105B (zh) 基于深度学习的断流识别方法及装置
CN106776623B (zh) 一种用户行为分析方法和设备
CN110458459B (zh) 交通数据的可视化分析方法、装置、设备及可读存储介质
CN111382343B (zh) 一种标签体系生成方法及装置
US11818227B1 (en) Application usage analysis-based experiment generation
US11983085B1 (en) Dynamic usage-based segmentation

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