CN111126103A - 用户人生阶段状态的判断方法和装置 - Google Patents

用户人生阶段状态的判断方法和装置 Download PDF

Info

Publication number
CN111126103A
CN111126103A CN201811279152.4A CN201811279152A CN111126103A CN 111126103 A CN111126103 A CN 111126103A CN 201811279152 A CN201811279152 A CN 201811279152A CN 111126103 A CN111126103 A CN 111126103A
Authority
CN
China
Prior art keywords
state
probability
user
new state
life stage
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
CN201811279152.4A
Other languages
English (en)
Other versions
CN111126103B (zh
Inventor
周俊
康建峰
闻波
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 CN201811279152.4A priority Critical patent/CN111126103B/zh
Publication of CN111126103A publication Critical patent/CN111126103A/zh
Application granted granted Critical
Publication of CN111126103B publication Critical patent/CN111126103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种用户人生阶段状态的判断方法和装置，其中，方法包括：获取用户的当前状态和当前时间切片；根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率；根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率；以及根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。该方法能够实现提升预测结果的准确性和灵敏度。

Description

用户人生阶段状态的判断方法和装置
技术领域
本申请涉及互联网技术领域，尤其涉及一种用户人生阶段状态的判断方法和装置。
背景技术
人生阶段状态是指用户所处的生命周期的状态，例如，从年龄维度进行划分，可以将孩子分为：婴儿(0至1岁)、幼儿(1至3岁)、小孩(3至6岁)，再例如，从基础教育阶段进行划分，可以将孩子分为：家有小学生、初中生、高中生，又例如，从社会角色状态进行划分，可以将用户分为：小学生、中学生、大学生，备孕、孕期等。
现有技术中，根据用户行为特征，预测用户的人生阶段状态。
这种方式下，可能发生用户人生阶段状态跳跃的问题，或者，存在对用户人生阶段状态不敏感的问题。
发明内容
本申请提出一种用户人生阶段状态的判断方法和装置，以实现提升预测结果的准确性和灵敏度，用于解决现有技术中根据用户行为特征，预测用户的人生阶段状态，可能发生用户人生阶段状态错误跳跃的问题，或者，存在对用户人生阶段状态不敏感的技术问题。
本申请一方面实施例提出了一种用户人生阶段状态的判断方法，包括：
获取用户的当前状态和当前时间切片；
根据所述用户的当前状态和概率状态转移矩阵，获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率；
根据所述用户的当前时间切片和概率约束矩阵，获取所述用户的第二类新状态，以及所述第二类新状态所对应的第二概率；以及
根据所述第一类新状态、所述第一概率、所述第二类新状态和所述第二概率，生成最终人生阶段状态。
本申请实施例的用户人生阶段状态的判断方法，通过获取用户的当前状态和当前时间切片，而后，根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率，接着，根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率，最后，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。本申请中，由于采用时间切片的方式进行预测，剥离了较长时间段的用户行为特征对预测结果的直接影响，可以避免输出一个距离用户现阶段比较久远的人生阶段状态，提升预测结果的准确性。并且，通过根据概率状态转移矩阵和概率约束矩阵，确定最终人生阶段状态，可以避免人工经验以及人工设置衰减参数的局限性，提升该方法的适用性。此外，根据时间切片的方式，对用户人生阶段状态进行预测，可以使得输出结果较为灵敏。
本申请又一方面实施例提出了一种用户人生阶段状态的判断装置，包括：
第一获取模块，用于获取用户的当前状态和当前时间切片；
第二获取模块，用于根据所述用户的当前状态和概率状态转移矩阵，获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率；
第三获取模块，用于根据所述用户的当前时间切片和概率约束矩阵，获取所述用户的第二类新状态，以及所述第二类新状态所对应的第二概率；以及
生成模块，用于根据所述第一类新状态、所述第一概率、所述第二类新状态和所述第二概率，生成最终人生阶段状态。
本申请实施例的用户人生阶段状态的判断装置，通过获取用户的当前状态和当前时间切片，而后，根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率，接着，根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率，最后，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。本申请中，由于采用时间切片的方式进行预测，剥离了较长时间段的用户行为特征对预测结果的直接影响，可以避免输出一个距离用户现阶段比较久远的人生阶段状态，提升预测结果的准确性。并且，通过根据概率状态转移矩阵和概率约束矩阵，确定最终人生阶段状态，可以避免人工经验以及人工设置衰减参数的局限性，提升该方法的适用性。此外，根据时间切片的方式，对用户人生阶段状态进行预测，可以使得输出结果较为灵敏。
本申请又一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，实现如本申请前述实施例提出的用户人生阶段状态的判断方法。
本申请又一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前述实施例提出的用户人生阶段状态的判断方法。
本申请又一方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本申请前述实施例提出的用户人生阶段状态的判断方法。
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为本申请实施例一所提供的用户人生阶段状态的判断方法的流程示意图；
图2为本申请实施例二所提供的用户人生阶段状态的判断方法的流程示意图；
图3为本申请实施例三所提供的用户人生阶段状态的判断装置的流程示意图；
图4为本申请实施例四所提供的用户人生阶段状态的判断装置的流程示意图；
图5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。
现有技术中，根据用户行为特征，预测用户的人生阶段状态。然而这种方式下，可能发生用户人生阶段状态错误跳跃的问题，或者，存在对用户人生阶段状态不敏感的问题。
例如，某个用户在预设时间段内为家人搜索了很多关于高考报名的搜索词，并点击了搜索结果中对应的文章，因此，无论利用累计的用户行为特征，还是利用近期时间切片的用户行为特征，预测的结果均为：用户的人生阶段状态从“家有1-3岁小孩”跳转到“家有中学生”的错误跳跃状态。
或者，为了避免人生阶段状态错误跳跃的问题，可以利用长期累积的用户行为特征，预测用户的人生阶段状态，以提升预测结果的稳定性。但是，这种方式下，可能存在对用户人生阶段状态不敏感的问题。例如，一个女性用户长期处于备孕状态，比如处于备孕状态的时间为3年，但是，该用户切换到孕期状态接近半年都未被识别，由于积累3年的用户行为中有大量的用户备孕相关的特征，淹没了近半年的孕期特征。
因此，本申请主要针对现有技术中根据用户行为特征，预测用户的人生阶段状态，可能发生用户人生阶段状态错误跳跃的问题，或者，存在对用户人生阶段状态不敏感的技术问题，提出一种用户人生阶段状态的判断方法。
本申请实施例的用户人生阶段状态的判断方法，通过获取用户的当前状态和当前时间切片，而后，根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率，接着，根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率，最后，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。本申请中，由于采用时间切片的方式进行预测，剥离了较长时间段的用户行为特征对预测结果的直接影响，可以避免输出一个距离用户现阶段比较久远的人生阶段状态，提升预测结果的准确性。并且，通过根据概率状态转移矩阵和概率约束矩阵，确定最终人生阶段状态，可以避免人工经验以及人工设置衰减参数的局限性，提升该方法的适用性。此外，根据时间切片的方式，对用户人生阶段状态进行预测，可以使得输出结果较为灵敏。
下面参考附图描述本申请实施例的用户人生阶段状态的判断方法和装置。
图1为本申请实施例一所提供的用户人生阶段状态的判断方法的流程示意图。
本申请实施例以该用户人生阶段状态的判断方法被配置于用户人生阶段状态的判断装置中来举例说明，该用户人生阶段状态的判断装置可以被配置于任何计算机设备中，以该计算机设备可以执行用户人生阶段状态的判断功能。
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，该用户人生阶段状态的判断方法可以包括以下步骤：
步骤101，获取用户的当前状态和当前时间切片。
本申请实施例中，用户的当前状态为用户的上一个状态，可以通过数据挖掘的方式，获取用户行为特征，并对用户行为特征进行统计，确定用户的当前状态。
需要说明的是，状态的属性不同时，时间切片可以不同，可以预先针对各状态不同的属性特征的先验知识，确定对应的时间切片。其中，属性包括年龄、人生阶段、婚姻状况等。也就是说，对应某个属性的一个状态具有多个时间切片，在每个时间切片，所有属性均会更新预测值，例如，每天可以为一个时间切片，每个用户在每天的所有属性均具有对应的状态值，比如，年龄属性从18岁变为19岁，人生阶段状态属性从高中生变为大学生。
因此，在确定用户的当前状态后，可以根据当前状态的属性，确定对应的时间切片，从而确定当前时间切片。
步骤102，根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率。
本申请实施例中，概率状态转移矩阵为预先设置的，例如，可以预先根据常识累积的知识，确定概率状态转移矩阵，或者，可以根据预先挖掘的用户行为特征，统计得到同一属性不同状态进行转移的概率，从而确定概率状态转移矩阵，对此不作限制。也就是说，概率状态转移矩阵用于指示同一属性不同状态之间进行转移的概率。其中，状态转移矩阵包括时间长度以及概率，比如可以为{“孕期”，(10个月，0.99)，“家有0-1岁婴儿”}。
实际应用时，可以自适应探测用户在上一个状态的时间周期，本申请实施例中记为保持时间，以确定用户切换到下一个状态的概率，即可以根据用户在当前状态的保持时间，确定用户切换到第一类新状态的概率，即第一概率。具体地，可以根据动态时间段的用户行为特征，预测用户在当前状态的保持时间，从而可以根据当前状态、当前状态的保持时间和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率。
举例而言，当前状态为“孕期”，保持时间为10个月，根据概率状态转移矩阵，可以预测得到第一类新状态为“家有0-1岁婴儿”，第一类新状态所对应的第一概率为0.99。
需要说明的是，根据当前状态、当前状态的保持时间和概率状态转移矩阵，获取的用户的新状态可以为多个状态，对应的每个新状态均具有所对应的概率值，可以将具有最大概率值的新状态，作为第一类新状态。
举例而言，假设当前状态的属性为年龄，且年龄属性为24，根据当前状态、当前状态的保持时间和概率状态转移矩阵，确定用户的新状态为：“家有中学生”、“家有大学生”、“备孕”、“孕期”，对应的概率分别为：10-6、0.5、0.4、0.09，则可以将“家有大学生”作为第一类新状态，对应的第一概率为0.5。
步骤103，根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率。
本申请实施例中，概率约束矩阵用于指示各时间切片上，各属性之间的概率。可以统计所有用户在各时间切片上，各属性之间的共现次数，根据各属性之间的共现次数，确定各属性之间的概率，从而生成对应的概率约束矩阵。
举例而言，当属性为年龄和人生阶段时，假设统计出所有用户在某一时间切片上，年龄为24岁出现的次数为100万，在出现年龄24岁时，人生阶段为“家有中学生”的次数为1次，则两个属性之间的概率为10-6，概率约束矩阵可以为{年龄：24岁，人生阶段：家有中学生，概率：10-6}。或者，当人生阶段为“孕期”出现的次数为100万，在出现“孕期”的情况下，出现年龄为28岁的次数为30万，则两个属性之间的概率为0.3，概率约束矩阵可以为{人生阶段：孕期，年龄：28岁，概率：0.3}。
本申请实施例中，在确定概率约束矩阵后，可以根据多个老状态，获取多个属性，而后根据多个属性、当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率。
步骤104，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。
作为一种可能的实现方式，可以判断第一概率或第二概率是否大于预设概率阈值，若是，则将第一概率或第二概率对应的第一类新状态和第二类新状态作为最终人生阶段状态，若否，则不修改状态，即将当前状态作为最终人生阶段状态。其中，预设概率阈值为预先设置的，例如可以为0.5。
作为另一种可能的实现方式，可以根据预设的权重值，对(第一类新状态，第一概率)和(第二类新状态、第二概率)做加权处理，得到(最终新状态、最终概率)。判断最终概率是否大于预设概率阈值，若是，则将最终新状态作为最终人生阶段状态，若否，则不修改状态，即将当前状态作为最终人生阶段状态。由此，根据预测结果可以确定是同一属性不同时间切片之间的推理系数强，还是同一时间切片不同属性之间的约束系数强。
需要说明的是，为了避免用户人生阶段状态错误跳跃的问题，可以对跳跃的用户人生阶段状态进行延迟输出。但是，这种方式使得用户人生阶段状态的输出的灵敏度较差，时间维度敏感度较差。
或者，为了避免用户人生阶段状态错误跳跃的问题，可以根据人工经验以及用户的年龄段，设定一些强规则，比如用户的年龄段位于18至24岁之间，如果预测结果为“家有3-6岁小孩”，则对跳跃的用户人生阶段状态不进行输出。但是，这种方式严重依赖于人工编辑，对于深度的知识缺乏发现的能力。
或者，针对用户人生阶段状态不敏感的问题，可以采用时间递减系数，对各阶段分数或概率进行衰减。但是，这种方式依赖人工经验，以及依赖于人工自定义的多个衰减系数，可扩展性较差。
本申请实施例的用户人生阶段状态的判断方法，通过获取用户的当前状态和当前时间切片，而后，根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率，接着，根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率，最后，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。本申请中，由于采用时间切片的方式进行预测，剥离了较长时间段的用户行为特征对预测结果的直接影响，可以避免输出一个距离用户现阶段比较久远的人生阶段状态，提升预测结果的准确性。并且，通过根据概率状态转移矩阵和概率约束矩阵，确定最终人生阶段状态，可以避免人工经验以及人工设置衰减参数的局限性，提升该方法的适用性。此外，根据时间切片的方式，对用户人生阶段状态进行预测，可以使得输出结果较为灵敏。
为了清楚说明上一实施例，本实施例提供了另一种用户人生阶段状态的判断方法，图2为本申请实施例二所提供的用户人生阶段状态的判断方法的流程示意图。
如图2所示，该用户人生阶段状态的判断方法可以包括以下步骤：
步骤201，获取用户的当前状态和当前时间切片。
步骤201的执行过程可以参加上述实施例中步骤101的执行过程，在此不做赘述。
步骤202，获取当前状态的保持时间。
本申请实施例中，可以根据动态时间段的用户行为特征，获取用户在当前状态的保持时间。
步骤203，获取当前状态的属性。
本申请实施例中，属性可以包括年龄、人生阶段、婚姻状况等。
本申请实施例中，同样可以根据动态时间段的用户行为特征，获取当前状态的属性。
需要说明的是，本申请实施例中仅以步骤203在步骤202之后执行示例，实际应用时，步骤203还可以在步骤202之前执行，或者，步骤203还可以与步骤202并行执行，对此不作限制。
步骤204，根据当前状态的属性，确定属性所对应的概率状态转移矩阵。
本申请实施例中，可以预先针对不同的属性，确定该属性不同状态进行转移的概率，从而生成该属性所对应的概率状态转移矩阵，并建立属性和状态转移矩阵之间的对应关系，在确定当前状态的属性后，可以根据该属性查询上述对应关系，确定该属性所对应的概率状态转移矩阵。
步骤205，根据当前状态、当前状态的保持时间和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率。
步骤205的执行过程可以参见上述实施例中步骤102的执行过程，在此不做赘述。
进一步地，为了提升预测结果的准确性，还可以自动回溯到当前状态之前的多个老状态，比如，当前状态为“家有高中生”，则回溯的多个老状态可以为“家有初中生”、“家有小学生”，得到多个老状态，例如标记为：
B1＝{老状态1，(老状态1保持时间，开始时间，结束时间)}
B2＝{老状态2，(老状态2保持时间，开始时间，结束时间)}
……
Bn＝{老状态n(当前状态)，(老状态n保持时间，开始时间，结束时间)}
而后，可以根据多个老状态对应的时间，生成相应的衰减系数，从而可以根据衰减系数，对所述第一概率进行调整。
举例而言，B1在五年前是备婚，B2在三年前是备孕，B3在一年半前是孕期(当前状态)，预测结果可以为：第一类新状态为家有0-1岁小孩。根据之前的老状态和当前状态以及概率状态转移矩阵，B1预测五年后的今天的各个状态，比如备孕、孕期、家有0-1岁小孩，都均有一个概率值向量V1，B2预测三年后的今天的各个状态也都有一个概率值向量V2，B3预测一年半后的今天的各个状态也都有一个概率值向量V3。而后可以根据各老状态对应的时间，确定相应的衰减系数，例如，V1的衰减系数可以为0.1，V2的衰减系数可以为0.2，V3的衰减系数可以为0.4，而后根据衰减系数将各概率值向量进行加权处理，得到概率值向量V，取V中概率值最大的作为第一概率，对应的状态即为第一类新状态。
步骤206，获取当前状态之前的多个老状态。
本申请实施例中，可以根据动态时间段的用户行为特征，获取当前状态之前的多个老状态。
步骤207，根据多个老状态获取多个属性。
同样地，可以根据动态时间段的用户行为特征，获取与多个老状态对应的多个属性。
步骤208，根据多个属性、当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率。
步骤209，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。
步骤209的执行过程可以参加上述实施例中步骤104的执行过程，在此不做赘述。
为了实现上述实施例，本申请还提出一种用户人生阶段状态的判断装置。
图3为本申请实施例三所提供的用户人生阶段状态的判断装置的结构示意图。
如图3所示，该用户人生阶段状态的判断装置包括：第一获取模块101、第二获取模块102、第三获取模块103，以及生成模块104。
其中，第一获取模块101，用于获取用户的当前状态和当前时间切片。
第二获取模块102，用于根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率。
第三获取模块103，用于根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率。
生成模块104，用于根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。
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4，在图3所示实施例的基础上，该用户人生阶段状态的判断装置还可以包括：
作为一种可能的实现方式，第二获取模块102，具体用于：获取当前状态的保持时间；根据当前状态、当前状态的保持时间和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率。
第四获取模块105，用于获取当前状态的属性。
确定模块106，用于根据当前状态的属性，确定属性所对应的概率状态转移矩阵。
作为一种可能的实现方式，第三获取模块103，具体用于：获取当前状态之前的多个老状态；根据多个老状态获取多个属性；根据多个属性、当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率。
处理模块107，用于获取当前状态之前的多个老状态，以及获取多个老状态对应的时间，并根据多个老状态对应的时间，生成相应的衰减系数，根据衰减系数，对第一概率进行调整。
作为一种可能的实现方式，生成模块104，具体用于：判断第一概率或第二概率是否大于预设概率阈值；如果大于预设概率阈值，则将第一概率或第二概率对应的第一类新状态和第二类新状态作为最终人生阶段状态。
需要说明的是，前述对用户人生阶段状态的判断方法实施例的解释说明也适用于该实施例的用户人生阶段状态的判断装置，此处不再赘述。
本申请实施例的用户人生阶段状态的判断装置，通过获取用户的当前状态和当前时间切片，而后，根据用户的当前状态和概率状态转移矩阵，获取用户的第一类新状态，及第一类新状态所对应的第一概率，接着，根据用户的当前时间切片和概率约束矩阵，获取用户的第二类新状态，以及第二类新状态所对应的第二概率，最后，根据第一类新状态、第一概率、第二类新状态和第二概率，生成最终人生阶段状态。本申请中，由于采用时间切片的方式进行预测，剥离了较长时间段的用户行为特征对预测结果的直接影响，可以避免输出一个距离用户现阶段比较久远的人生阶段状态，提升预测结果的准确性。并且，通过根据概率状态转移矩阵和概率约束矩阵，确定最终人生阶段状态，可以避免人工经验以及人工设置衰减参数的局限性，提升该方法的适用性。此外，根据时间切片的方式，对用户人生阶段状态进行预测，可以使得输出结果较为灵敏。
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用户人生阶段状态的判断方法。
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用户人生阶段状态的判断方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，当计算机程序产品中的指令由处理器执行时，执行如本申请前述实施例提出的用户人生阶段状态的判断方法。
图5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5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5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5未显示，通常称为“硬盘驱动器”)。尽管图5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用户人生阶段状态的判断方法。
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 (10)

1.一种用户人生阶段状态的判断方法，其特征在于，包括：
获取用户的当前状态和当前时间切片；
根据所述用户的当前状态和概率状态转移矩阵，获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率；
根据所述用户的当前时间切片和概率约束矩阵，获取所述用户的第二类新状态，以及所述第二类新状态所对应的第二概率；以及
根据所述第一类新状态、所述第一概率、所述第二类新状态和所述第二概率，生成最终人生阶段状态。
2.如权利要求1所述的用户人生阶段状态的判断方法，其特征在于，所述根据所述用户的当前状态和概率状态转移矩阵获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率，包括：
获取所述当前状态的保持时间；
根据所述当前状态、所述当前状态的保持时间和所述概率状态转移矩阵，获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率。
3.如权利要求2所述的用户人生阶段状态的判断方法，其特征在于，还包括：
获取所述当前状态的属性；
根据所述当前状态的属性，确定所述属性所对应的概率状态转移矩阵。
4.如权利要求2所述的用户人生阶段状态的判断方法，其特征在于，还包括：
获取所述当前状态之前的多个老状态；
获取所述多个老状态对应的时间，并根据所述多个老状态对应的时间，生成相应的衰减系数；
根据所述衰减系数，对所述第一概率进行调整。
5.如权利要求1所述的用户人生阶段状态的判断方法，其特征在于，所述根据所述用户的当前时间切片和概率约束矩阵，获取所述用户的第二类新状态，以及所述第二类新状态所对应的第二概率，包括：
获取所述当前状态之前的多个老状态；
根据所述多个老状态获取多个属性；
根据所述多个属性、所述当前时间切片和所述概率约束矩阵，获取所述用户的第二类新状态，以及所述第二类新状态所对应的第二概率。
6.如权利要求1所述的用户人生阶段状态的判断方法，其特征在于，所述根据所述第一类新状态、所述第一概率、所述第二类新状态和所述第二概率，生成最终人生阶段状态，包括：
判断所述第一概率或所述第二概率是否大于预设概率阈值；
如果大于所述预设概率阈值，则将所述第一概率或所述第二概率对应的所述第一类新状态和所述第二类新状态作为所述最终人生阶段状态。
7.一种用户人生阶段状态的判断装置，其特征在于，包括：
第一获取模块，用于获取用户的当前状态和当前时间切片；
第二获取模块，用于根据所述用户的当前状态和概率状态转移矩阵，获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率；
第三获取模块，用于根据所述用户的当前时间切片和概率约束矩阵，获取所述用户的第二类新状态，以及所述第二类新状态所对应的第二概率；以及
生成模块，用于根据所述第一类新状态、所述第一概率、所述第二类新状态和所述第二概率，生成最终人生阶段状态。
8.如权利要求7所述的用户人生阶段状态的判断装置，其特征在于，所述第二获取模块，包括：
第一获取子模块，用于获取所述当前状态的保持时间；
第二获取子模块，用于根据所述当前状态、所述当前状态的保持时间和所述概率状态转移矩阵，获取所述用户的第一类新状态，及所述第一类新状态所对应的第一概率。
9.一种计算机设备，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1-7中任一所述的用户人生阶段状态的判断方法。
10.一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1-7中任一所述的用户人生阶段状态的判断方法。
CN201811279152.4A 2018-10-30 2018-10-30 用户人生阶段状态的判断方法和装置 Active CN111126103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811279152.4A CN111126103B (zh) 2018-10-30 2018-10-30 用户人生阶段状态的判断方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811279152.4A CN111126103B (zh) 2018-10-30 2018-10-30 用户人生阶段状态的判断方法和装置

Publications (2)

Publication Number Publication Date
CN111126103A true CN111126103A (zh) 2020-05-08
CN111126103B CN111126103B (zh) 2023-09-26

Family

ID=70484555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811279152.4A Active CN111126103B (zh) 2018-10-30 2018-10-30 用户人生阶段状态的判断方法和装置

Country Status (1)

Country Link
CN (1) CN111126103B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516533A (zh) * 2021-06-24 2021-10-19 平安科技（深圳）有限公司 基于改进bert模型的产品推荐方法、装置、设备及介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090076995A1 (en) * 2007-08-13 2009-03-19 Fujitsu Limited User state presumption system, user state presumption method, and recording media storing user state presumption program
US20100070815A1 (en) * 2008-09-18 2010-03-18 Samsung Electronics Co., Ltd. Virtual extension of crc length
US20120023047A1 (en) * 2008-12-31 2012-01-26 Unto Laine Method for a Pattern Discovery and Recognition
CN102982077A (zh) * 2012-10-30 2013-03-20 中国联合网络通信集团有限公司 用户数据处理方法及装置
CN104931041A (zh) * 2015-05-03 2015-09-23 西北工业大学 一种基于用户轨迹数据的地点序列预测方法
CN105808744A (zh) * 2016-03-11 2016-07-27 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN105809030A (zh) * 2016-03-03 2016-07-27 南京邮电大学 一种基于数据追踪的推荐系统安全检测方法
CN106384120A (zh) * 2016-08-29 2017-02-08 深圳先进技术研究院 一种基于手机定位数据的居民活动模式挖掘方法及装置
CN106600042A (zh) * 2016-12-05 2017-04-26 武汉大学 一种手机用户上网时段预测方法
CN107018493A (zh) * 2017-04-20 2017-08-04 北京工业大学 一种基于连续时序马尔科夫模型的地理位置预测方法
CN107862413A (zh) * 2017-11-16 2018-03-30 四维口袋科技（北京）有限公司 基于马尔科夫链的预测方法和装置
CN107908819A (zh) * 2017-10-19 2018-04-13 深圳和而泰智能控制股份有限公司 预测用户状态变化的方法和装置
CN108009298A (zh) * 2017-12-27 2018-05-08 海口经济学院 一种互联网人物搜索信息整合分析控制方法
CN108134691A (zh) * 2017-12-18 2018-06-08 广东欧珀移动通信有限公司 模型构建方法、网络资源预加载方法、装置、介质及终端

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090076995A1 (en) * 2007-08-13 2009-03-19 Fujitsu Limited User state presumption system, user state presumption method, and recording media storing user state presumption program
US20100070815A1 (en) * 2008-09-18 2010-03-18 Samsung Electronics Co., Ltd. Virtual extension of crc length
US20120023047A1 (en) * 2008-12-31 2012-01-26 Unto Laine Method for a Pattern Discovery and Recognition
CN102982077A (zh) * 2012-10-30 2013-03-20 中国联合网络通信集团有限公司 用户数据处理方法及装置
CN104931041A (zh) * 2015-05-03 2015-09-23 西北工业大学 一种基于用户轨迹数据的地点序列预测方法
CN105809030A (zh) * 2016-03-03 2016-07-27 南京邮电大学 一种基于数据追踪的推荐系统安全检测方法
CN105808744A (zh) * 2016-03-11 2016-07-27 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN106384120A (zh) * 2016-08-29 2017-02-08 深圳先进技术研究院 一种基于手机定位数据的居民活动模式挖掘方法及装置
CN106600042A (zh) * 2016-12-05 2017-04-26 武汉大学 一种手机用户上网时段预测方法
CN107018493A (zh) * 2017-04-20 2017-08-04 北京工业大学 一种基于连续时序马尔科夫模型的地理位置预测方法
CN107908819A (zh) * 2017-10-19 2018-04-13 深圳和而泰智能控制股份有限公司 预测用户状态变化的方法和装置
CN107862413A (zh) * 2017-11-16 2018-03-30 四维口袋科技（北京）有限公司 基于马尔科夫链的预测方法和装置
CN108134691A (zh) * 2017-12-18 2018-06-08 广东欧珀移动通信有限公司 模型构建方法、网络资源预加载方法、装置、介质及终端
CN108009298A (zh) * 2017-12-27 2018-05-08 海口经济学院 一种互联网人物搜索信息整合分析控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩道军;夏兰亭;卓汉逵;李磊;: "基于强化学习的业务流程中的柔性约束研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516533A (zh) * 2021-06-24 2021-10-19 平安科技（深圳）有限公司 基于改进bert模型的产品推荐方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111126103B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
US11227227B2 (en) Automatic detection of anomalies in graphs
US20210264291A1 (en) Model training method and apparatus based on gradient boosting decision tree
CN111461168B (zh) 训练样本扩充方法、装置、电子设备及存储介质
JP6756158B2 (ja) 学習教材からの知識点及び関係の抽出
CN108540826B (zh) 弹幕推送方法、装置、电子设备及存储介质
CN109241420B (zh) 应用首页内容推荐方法、装置、计算机设备和存储介质
US10445654B2 (en) Learning parameters in a feed forward probabilistic graphical model
CN110825878B (zh) 基于接收的数据输入来生成与未被充分表示的数据相关联的数据
CN109033244B (zh) 搜索结果排序方法和装置
US10545971B2 (en) Evaluating quality of annotation
CN110457673B (zh) 一种自然语言转换为手语的方法及装置
CN109710753B (zh) 基于个性化主题的快捷信息生成方法、装置和电子设备
CN104536979A (zh) 主题模型的生成方法及装置、主题分布的获取方法及装置
CN111949798A (zh) 图谱的构建方法、装置、计算机设备和存储介质
US11023783B2 (en) Network architecture search with global optimization
CN109597482B (zh) 电子书的自动翻页方法和装置、介质及电子设备
CN111126103A (zh) 用户人生阶段状态的判断方法和装置
CN108446359B (zh) 信息推荐方法和装置
CN107146073B (zh) 学习提示方法、终端设备及计算机可读存储介质
CN112069797B (zh) 一种基于语义的语音质检方法和装置
US10943353B1 (en) Handling untrainable conditions in a network architecture search
CN108664379A (zh) 信息提示方法、装置、计算机设备及存储介质
CN109710945B (zh) 基于数据生成文本方法、装置、计算机设备和存储介质
US9411905B1 (en) Multi-term query subsumption for document classification
US11783584B2 (en) Automated digital document generation from digital videos

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