CN111127057B - 一种多维用户画像恢复方法 - Google Patents

Abstract

本申请提供一种多维用户画像恢复方法，所述方法包括采集训练用户信息数据进行分析处理，得到训练用户属性特征；对所述训练用户属性特征进行补全，组成训练矩阵对神经网络模型进行训练；将待恢复的用户属性特征输入训练后的神经网络模型，得到恢复后的用户画像。采用本申请提供的技术方案，可以对缺失的用户数据进行补全，进而获取多维的用户画像，使得获取的多维用户画像更加精确。

Description

一种多维用户画像恢复方法

【技术领域】

本申请涉及机器学习技术领域，尤其涉及一种多维用户画像恢复方法。

【背景技术】

随着互联网的普及与发展，越来越多的数据可以被各个互联网运营商收集起来。例如，对于电商网站，可以获得用户的购买记录、浏览记录等信息；对于搜索引擎，可以获得用户的搜索记录、点击记录等信息。为了更好的利用这样的信息，以提供更为高效优质的服务，用户画像这一技术得到了普遍重视。用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。

现有技术中的用户画像，包括用户性别、年龄、兴趣、收入、安装的应用等等，均是通过整理一个用户数据集，例如包含了该用户的性别、年龄、兴趣、收入、安装的应用、新闻阅读行为等等的用户数据集，利用算法基于所述用户数据集进行训练后形成一个模型，然后输入所述用户数据集以外的一个用户的用户数据，对所述用户进行画像的预测。每次只能对用户的一个画像数据进行预测，例如只预测性别，或者只预测年龄，或者只预测兴趣，或者只预测安装的应用，不能有效的获取多维的用户画像；并且，如果输入的用户数据存在缺失，则会影响所生成的用户画像的准确性。

【发明内容】

本申请的多个方面提供一种多维用户画像恢复方法，用以对缺失的用户数据进行补全，进而获取多维的用户画像，使得获取的多维用户画像更加精确。

本申请的一方面，提供一种多维用户画像恢复方法，包括：

采集训练用户信息数据进行分析处理，得到训练用户属性特征；

对所述训练用户属性特征进行补全，组成训练矩阵对神经网络模型进行训练；

将待恢复的用户属性特征输入训练后的神经网络模型，得到恢复后的用户画像。

本申请的另一方面，提供一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，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任一上述的方法。

本申请的另一方面，提供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，该程序被处理器执行时实现任一上述的方法。

由所述技术方案可知，采用本实施例提供的技术方案，可以对缺失的用户数据进行补全，进而获取多维的用户画像，使得获取的多维用户画像更加精确。

【附图说明】

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的多维用户画像恢复方法的流程示意图；

图2为适于用来实现本发明实施例的示例性计算机系统/服务器的框图。

【具体实施方式】

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本申请一实施例提供的多维用户画像恢复方法的流程图，如图1所示，包括以下步骤：

步骤S11、采集训练用户信息数据进行分析处理，得到训练用户属性特征；

步骤S12、对所述训练用户属性特征进行补全，组成训练矩阵对神经网络模型进行训练；

步骤S13、将待恢复的用户属性特征输入训练后的神经网络模型，得到恢复后的用户画像。

在步骤S11的一种优选实现方式中，包括以下子步骤：

子步骤S111、采集训练用户信息数据，所述用户信息数据包括用户行为数据和用户属性数据。

优选地，所述训练用户为所获取的所有用户，只有获取大量的用户的信息数据，才能得到用户信息数据之间的相关性以便进行补全。

优选地，所述用户行为数据包括：用户的网页浏览行为、用户对互联网广告的点击行为、用户安装的APP、用户的活动地点等；所述用户属性数据包括：用户的性别、年龄、收入水平、设备类型等。

优选地，根据所述用户信息数据类型的不同，采用不同的采集方式，包括：

采集用户的上网日志数据，以获得所述用户行为数据。所述上网日志数据包括：用户的网页浏览行为、对互联网广告的点击行为、导航地图类应用程序数据等。

以弹出消息的形式向用户展现采集页面，提示用户进行填写，以获得所述用户属性数据，包括用户的性别、年龄、收入水平等。

优选地，由于获取的上网日志数据类型种类比较多，网络通信协议种类也比较丰富，因此，需要对所述上网日志数据进行预处理(清洗、整合)，形成规范的格式化日志。

将预处理后的用户信息数据加载到数据库中，所述数据库支持结构化和非结构化的存储方式，提供关系型数据库、NoSQL数据库和检索库。

通过上述步骤，可以获取大量用户的信息数据。

子步骤S112、对所述训练用户信息数据进行分析，得到训练用户属性特征数据。其中，所述训练用户属性特征数据为多维数据。

基于Hadoop开源映射/化简(Map/Reduce)计算框架，对预处理后的所述用户信息数据进行分析处理，得到用户的属性特征数据。这里的用户属性特征数据是指从所述用户信息数据中提取出能够标识用户属性特征的关键信息，比如：新闻阅读行为、常用APP、广告点击行为、性别、年龄、收入水平、设备类型、常活动地点等多个维度。

优选地，可以通过在线(即实时)和离线相结合的方式对预处理后的互上网日志数据进行特征提取，从而得到用户的属性特征。在线处理方式只能对当前的上网日志数据进行处理，而离线处理方式可以结合历史存储数据进行分析处理，从而可以对在线处理方式没有提取的用户属性特征进行补充和完善。通过在线和离线处理方式对上网日志数据进行处理，从而可以将当前数据与历史数据进行关联挖掘分析，使得提取的用户属性更加全面完整。

优选地，离线处理的上网日志数据事实上是用户不断变化的行为数据，如阅读的新闻、点击的广告、使用的应用程序(Application，APP)、活动的地点等，基于用户上网行为和习惯进行分析，从而可以获取用户喜好、行为特征的最重要的途径。由于此部分信息的分析随时间的变化，属性特征有演化的趋势。在该离线处理中，主要是从上网日志数据中提取出用户属性特征，这里的用户属性特征是指从上网日志数据中提取出能够标识用户属性特征的关键信息。比如用户新闻阅读行为、用户安装的app、用户的广告点击行为、用户常活动的地点等。

优选地，对用户的上网行为进行分析，获取用户对新闻网页的浏览记录，由于目的是获取用户的新闻阅读行为，因此，仅对新闻网页(例如，预设的新闻网站)的浏览记录进行统计，进而对用户浏览的新闻内容进行聚类分析，得到用户阅读行为的主题、关键词及对应的频次和比例。

优选地，从上网日志数据中提取APP类型。

优选地，对上网日志数据中的移动终端国际身份码、终端型号、品牌类型、终端操作系统中的至少一种相关信息进行提取分析，得到用户使用的设备类型。

优选地，通过上网日志数据中导航地图类应用程序进行分析，得到用户移动变化的经纬度位置信息，将经纬度信息与地理信息系统展示结合，得到用户的移动轨迹，同时对用户位置停留时间进行统计，从而得到用户常去地区。

子步骤S113、将分析得到的所述训练用户属性特征数据生成高维向量矩阵。

优选地，将所述多维训练用户属性特征数据分别生成高维向量矩阵，根据one hot规则进行编码，将所述多维训练用户属性特征数据进行特征数字化，即将类别变量转换为机器学习算法易于利用的形式。以便分别对各个维度的训练用户属性特征数据进行补全。

在步骤S12的一种优选实现方式中；

对所述训练用户属性特征进行补全，组成训练矩阵对神经网络模型进行训练。

在本实施例中，由于获取到的用户属性特征数据存在缺失，例如，对于新用户，由于不存在用户历史数据，即未能获取用户的离线上网日志数据，只获取了用户的在线(即实时)上网日志数据，这就造成很多用户属性特征数据没有提取到。或者，受限于离线上网日志数据覆盖的时间长度，仅涵盖了用户的部分属性特征数据。例如，用户可能同时安装了多个app，但离线上网日志数据覆盖的时间长度内，用户仅使用过其中的一个或多个app，则上网日志数据中不包括其他app的数据，不足以全面的体现用户的属性特征。

因此，需要对用户的缺失的属性特征数据进行补全。其中，可以进行补全的属性特征数据包括：用户阅读行为、用户安装的APP、用户的广告点击行为、用户常活动的地点等。

优选地，对用户的缺失的各维度属性特征数据分别进行补全；思路如下，以用户安装的app为例，通过对预先采集的训练样本中的大量数据进行分析，可以得到各应用间的相关性。例如，应用A与应用B相关。然后根据用户安装的app进行补全，既然用户对应用A感兴趣，安装了应用A，也有可能对应用B感兴趣，安装了应用B。

优选地，对所述训练用户属性特征进行补全包括以下子步骤：

子步骤S121、以用户ID为列，以用户属性特征对应的不同标签向量为列，生成高维向量矩阵，使用one hot规则进行编码；

例如，获取训练样本中的全部用户安装的app的数据，如安装app列表，生成app列表高维向量矩阵，并使用one hot规则进行编码；

例如，所述app列表高维向量矩阵中，以用户ID为列，以app为行。

子步骤S122、利用矩阵相关性计算不同特征，例如app，之间的相关系数；即不同行两两之间的相似度；

优选地，根据皮尔逊相关度计算app两两之间的距离，可以避免个别的异常数据对整体造成的偏差值。

子步骤S123、根据预设阈值找出与训练用户的特征，例如安装的app，最相关的前N个特征，例如app，补全训练用户的特征列表，例如app安装列表。优选地，根据相似度排序选取最大的前3个作为推荐。

优选地，对于用户阅读行为、用户的广告点击行为、用户常活动的地点等，采用类似的方法步骤，例如，通过对预先采集的训练样本中的大量数据进行分析，可以得到各阅读行为的主题之间的相关性，然后根据预设阈值找出与训练用户的阅读行为的主题最相关的前N个主题，补全训练用户的阅读行为主题列表。

优选地，对各维度的训练用户属性特征进行补全后，即可生成一个新的训练矩阵对神经网络模型进行训练包括，根据补全后的所述训练用户属性特征分别拼接成高维向量，将所述高维向量组成高维向量矩阵，对原始神经网络模型进行训练。

优选地，所述输入为前的训练用户属性特征生成的高维向量矩阵，输出为补全后的训练用户属性特征生成的高维向量矩阵。通过训练，即可得到待恢复的用户属性特征与恢复后的用户属性特征之间的关系。

优选地，所述神经网络模型还包括多个分类器，用于分别对新闻阅读行为、常用APP、广告点击行为、性别、年龄、收入水平、设备类型、常活动地点等多维训练用户属性特征进行分类，得到用户各属性特征对应的标签，即用户画像。

优选地，在步骤S13的一种优选实现方式中，

将待恢复的用户属性特征输入步骤S12中训练得到的神经网络训练模型，得到恢复后用户画像。

优选地，将待恢复的用户特征属性生成高维向量矩阵，根据one hot规则进行编码。将编码后的高维向量矩阵输入预先训练的神经网络训练模型，即可得到恢复后的用户画像。

所述恢复后的用户画像包括对用户的新闻阅读行为、常用APP、广告点击行为、性别、年龄、收入水平、设备类型、常活动地点进行分类所得到的用户各属性对应的标签。

通过本实施例所述方法，可以对缺失的用户数据进行补全，进而获取多维的用户画像，使得获取的多维用户画像更加精确。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

图2示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图2显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012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016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018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(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012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系统/服务器012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。

系统存储器028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(RAM)030和/或高速缓存存储器032。计算机系统/服务器012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034可以用于读写不可移动的、非易失性磁介质(图2未显示，通常称为“硬盘驱动器”)。尽管图2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CD-ROM,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018相连。存储器028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发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042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042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012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022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图2所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图2中未示出，可以结合计算机系统/服务器012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016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的计算机程序代码，所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)。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种多维用户图像恢复方法，其特征在于，包括：

采集训练用户信息数据进行分析处理，得到训练用户属性特征；

利用矩阵相关性计算训练用户属性特征对应的不同标签向量之间的相关系数，根据训练用户的属性特征对应的标签向量，找出与其最相关的标签向量进行补全，组成训练矩阵对神经网络模型进行训练，其中，以用户属性特征对应的不同标签向量为列，生成高维向量矩阵；

将待恢复的用户属性特征输入训练后的神经网络模型，分别补全缺失的各维度属性特征数据，得到恢复后的用户画像；

所述组成训练矩阵对神经网络模型进行训练包括：

将补全后的所述训练用户属性特征分别拼接成高维向量，将多维训练用户属性特征对应的高维向量分别组成高维向量矩阵作为训练矩阵，对原始神经网络模型进行训练，其中，对原始神经网络模型进行训练包括：

将补全前的训练用户属性特征生成的高维向量矩阵作为输入，将补全后的训练用户属性特征生成的高维向量矩阵作为输出；其中，

所述训练后的神经网络模型还包括多个分类器，用于分别对多维训练用户属性特征进行分类，得到用户画像。

2.根据权利要求1所述的方法，其特征在于，

所述用户信息数据包括用户行为数据和用户属性数据，所述用户行为数据包括用户的网页浏览行为、用户对互联网广告的点击行为、用户安装的APP、设备类型、用户的活动地点；所述用户属性数据包括：用户的性别、年龄、收入水平。

3.根据权利要求2所述的方法，其特征在于，采集用户信息数据包括：

采集用户的上网日志数据，以获得所述用户行为数据；向用户展现采集页面，以获得所述用户属性数据。

4.根据权利要求3所述的方法，其特征在于，采集用户信息数据进行分析处理，得到训练用户属性特征还包括：

将多维训练用户属性特征分别生成高维向量矩阵，并进行one hot编码处理。

5.根据权利要求1所述的方法，其特征在于，所述高维向量矩阵以用户ID为列，以训练用户属性特征对应的不同标签向量为行。

6.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，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1-5中任一所述的方法。

7.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。