CN111190939A - 一种用户画像构建方法及装置 - Google Patents

一种用户画像构建方法及装置 Download PDF

Info

Publication number
CN111190939A
CN111190939A CN201911380944.5A CN201911380944A CN111190939A CN 111190939 A CN111190939 A CN 111190939A CN 201911380944 A CN201911380944 A CN 201911380944A CN 111190939 A CN111190939 A CN 111190939A
Authority
CN
China
Prior art keywords
user
label
behavior
information
model
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
CN201911380944.5A
Other languages
English (en)
Other versions
CN111190939B (zh
Inventor
蒋芳清
熊友军
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN201911380944.5A priority Critical patent/CN111190939B/zh
Publication of CN111190939A publication Critical patent/CN111190939A/zh
Application granted granted Critical
Publication of CN111190939B publication Critical patent/CN111190939B/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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—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
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请适用于人工智能技术领域，提供了一种用户画像构建方法，包括：采集用户与智能对话系统的对话信息，对对话信息进行智能挖掘，获取满足预设条件的目标数据，根据目标数据建立用户的事实标签，对用户的事实标签进行分析，建立用户的模型标签，建立模型标签与目标导向的关联关系，根据模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。本申请实现了用户画像的流程化与系统化，并且基于分析获得的用户画像给用户提供个性化的推荐，提高了用户的满意度，从而提高了智能对话系统的应用领域和使用概率。

Description

一种用户画像构建方法及装置
技术领域
本申请属于人工智能技术领域，尤其涉及一种用户画像构建方法及装置。
背景技术
在基于机器人的人工智能对话系统中，通常会因为对用户信息不够了解，在面对用户的提问时，无法给出让用户满意的回答。
因此，现有技术提供一种构建用户的方法，基于用户的基本信息构建用户的画像，并根据用户的画像对用户的提问进行分析，并进行个性化的回答。
然而上述用户画像的构建方法并不能准确的刻画出用户的行为习惯、性格、偏好等个性化特点，因此，基于上述方法也无法满足用户的需求，降低了智能对话系统的应用领域和使用频率。
发明内容
本申请实施例提供了一种用户画像构建方法及装置，可以解决现有技术无法满足用户的需求，降低了智能对话系统的应用领域和使用频率问题。
第一方面，本申请实施例提供了一种用户画像构建方法，包括：
采集用户与智能对话系统的对话信息；
对所述对话信息进行智能挖掘，获取满足预设条件的目标数据；
根据目标数据建立用户的事实标签；
对用户的事实标签进行分析，建立用户的模型标签；
建立所述模型标签与目标导向的关联关系；
根据所述模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。
在一个实施例中，所述对所述对话信息进行智能挖掘，获取满足预设条件的目标数据，包括：
对所述对话信息进行过滤筛选，清除所述对话信息中的冗余信息，提取关键信息；
根据用户ID对关键信息进行分组，并根据时间顺序对任一用户ID内的分组关键信息进行排序，获得任一用户ID的目标数据。
在一个实施例中，所述根据目标数据建立用户的事实标签，包括：
基于预训练后的行为识别模型，识别对话信息中的用户意图的类型和实体；
对用户意图的类型和实体进行系统分析和聚类，获得用户的事实标签；其中，用户的事实标签包括用户基本信息标签、用户行为信息标签和用户状态信息标签；其中，用户行为信息标签包括用户行为频率标签、行为共现项集标签和行为关联图谱标签；用户状态信息标签包括时间信息标签和地点信息标签。
在一个实施例中，所述用户的模型标签包括：用户偏好标签、行为关联规则标签、重要行为标签、用户活跃度标签和使用场景标签；
所述对用户的事实标签进行分析，建立用户的模型标签，包括：
基于用户行为频率标签、时间信息标签和地点信息标签建立用户行为预测模型，根据用户行为预测模型计算任一用户行为的偏好预测概率；
获取偏好预测概率大于预设偏好预测概率的用户行为作为用户偏好行为，并对用户偏好行为进行标记，获得用户偏好行为标签；
根据行为共现项集标签计算任两个行为间的行为关联规则，并对任一种行为关联规则进行标记，获得行为关联规则标签；
基于行为关联图谱标签通过网络节点的重要性排序算法计算用户的重要度概率；
获取重要度概率大于预设重要度概率的用户行为作为重要行为，对重要行为进行标记，获得重要行为标签；
对任一行为的用户行为频率标签、预设时间段内的平均使用时长和历史活跃度进行计算，获得任一行为对应的用户活跃度，并进行标记，获得用户活跃度标签；
基于任一用户行为对应的时间信息标签和地点信息标签，标记任一用户行为的使用场景标签。
在一个实施例中，所述建立所述模型标签与目标导向的关联关系，包括：
以用户偏好标签和使用场景标签作为第一预设因子，以用户活跃度标签作为第二预设因子，以重要行为标签、行为关联规则标签作为第三预设因子，建立模型标签与目标导向间的关联关系。
第二方面，本申请实施例提供了一种用户画像构建装置，包括：
采集模块，用于采集用户与智能对话系统的对话信息；
挖掘模块，用于对所述对话信息进行智能挖掘，获取满足预设条件的目标数据；
事实标签建立模块，用于根据目标数据建立用户的事实标签；
模型标签建立模块，用于对用户的事实标签进行分析，建立用户的模型标签；
关联模块，用于建立所述模型标签与目标导向的关联关系；
构建模块，用于根据所述模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。
第三方面，本申请实施例提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的用户画像构建方法。
第四方面，本申请实施例提供了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计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的用户画像构建方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的用户画像构建方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例通过基于用户与智能对话系统的对话信息进行分析统计，建立用户的事实标签，并根据用户的事实标签，建立用户行为的模型标签，计算获得用户行为模型标签和目标导向的关联关系，并基于上述关联关系构建用户的画像，实现了用户画像的流程化与系统化，并且基于分析获得的用户画像给用户提供个性化的推荐，提高了用户的满意度，从而提高了智能对话系统的应用领域和使用概率。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本申请一实施例提供的用户画像构建方法的流程示意图；
图2是本申请一实施例提供的用户画像构建系统的流程示意图；
图3是本申请一实施例提供的用户画像构建装置的结构示意图；
图4是本申请实施例提供的挖掘模块的结构示意图；
图5是本申请实施例提供的事实标签建立模块的结构示意图；
图6是本申请实施例提供的模型标签建立模块的结构示意图；
图7是本申请实施例提供的机器人的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的用户画像构建方法可以应用于智能机器人、人形机器人、手机、平板电脑、可穿戴设备、车载设备、增强现实(Augmented Reality，AR)/虚拟现实(Virtual Reality，VR)设备、笔记本电脑、超级移动个人计算机(Ultra-Mobile PersonalComputer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(Set Top Box，STB)、用户驻地设备(Customer Premise Equipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)网络中的移动终端等。
图1示出了本申请提供的用户画像构建方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一终端设备中。
S101、采集用户与智能对话系统的对话信息；
在具体应用中，采集日志中记录的用户与智能对话系统的对话信息，对话信息是指用户在使用过程中与机器人进行对话的记录信息，包括但不限于文字信息、语音信息和视频信息。
S102、对所述对话信息进行智能挖掘，获取满足预设条件的目标数据；
在具体应用中，通过智能挖掘对用户与智能对话系统的对话信息进行深度分析和处理，获得满足预设条件的目标数据。目标数据是指用于构建用户画像的数据。预设条件可根据实际情况进行具体设定，例如，设定预设条件为用户提问的问题和机器人的回答，过滤问候对话或夸奖语句。
S103、根据目标数据建立用户的事实标签；
在具体应用中，对目标数据进行系统分析处理和聚类处理，以建立用户的事实标签。事实标签是指对用户的基本信息和实际行为进行标记的标签。包括但不限于用户基本信息标签、用户行为信息标签、用户状态信息标签。
S104、对用户的事实标签进行分析，建立用户的模型标签；
在具体应用中，通过对大量用户的事实标签进行分类、分析及选取，建立用户的模型标签，模型标签是指用于区分不同用户具体化形象模型的标签。
S105、建立所述模型标签与目标导向的关联关系；
在具体应用中，基于个性化推荐、个性化回答、用户意图识别的三种目标导向，建立模型标签与目标导向间的关联关系。目标导向是指研究为了达到目标所表现的行为的一种管理理论，目标导向行为是人类行为类型之一，为达成既定目标而形成的具有倾向性的有意识行为。
S106、根据所述模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。
在具体应用中，用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具，用于将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
图2示例性的提供了一种用户画像构建系统的流程示意图。
在一个实施例中，所述步骤S102，包括：
对所述对话信息进行过滤筛选，清除所述对话信息中的冗余信息，提取关键信息；
根据用户ID对关键信息进行分组，并根据时间顺序对任一用户ID内的分组关键信息进行排序，获得任一用户ID的目标数据。
在具体应用中，基于用户与智能对话系统的对话信息分析对话信息的内容，过滤、清除掉对话中的冗余信息，筛选出可用于构建用户画像的关键信息，冗余信息可根据实际情况进行具体设定，例如，设定冗余信息包括用户呼叫机器人的语句、夸奖机器人的语句等。
在一个实施例中，所述步骤S103，包括：
基于预训练后的行为识别模型，识别对话信息中的用户意图的类型和实体；
对用户意图的类型和实体进行系统分析和聚类，获得用户的事实标签。其中，用户的事实标签包括用户基本信息标签、用户行为信息标签和用户状态信息标签；其中，用户行为信息标签包括用户行为频率标签、行为共现项集标签和行为关联图谱标签；用户状态信息标签包括时间信息标签和地点信息标签。
在具体应用中，基于预训练后的行为识别模型，识别对话信息中的用户意图的类型和实体，对用户意图的类型和实体进行系统分析和聚类，并基于系统分析处理和聚类结果建立用户的事实标签。其中，用户的事实标签包括但不限于用户行为信息标签、用户状态信息标签；用户行为信息标签包括但不限于用户行为频率标签、行为共现项集标签和行为关联图谱标签；用户状态信息标签包括时间信息标签和地点信息标签。
用户意图的类型是指用户与智能对话系统进行对话的目的，用户意图的实体是指对话中包含的关键词。例如，若用户提出“北京今天天气怎么样？”获取天气信息用户意图的类型，地点为北京，时间(即提问中的今天)为提问的日期即为用户意图的实体。
预训练后的行为识别模型可以是任一种经过预训练后的深度神经网络模型。
用户行为频率指用户做某行为的频率，用户行为频率可由当前时间段的行为频率和历史时间段的行为频率计算获得，算法如下：
freqi＝a*curfreqi+(1-a)*oldfreqi
Figure BDA0002342228460000081
freqi表示用户行为频率，curfreqi表示当前时间段的行为频率，oldfreqi表示历史时间段的行为频率，currNumi表示任一时段内行为出现的计数，下标i和j表示用户的第i种行为和j种行为。
行为共现项集是指对话信息中以每段会话内的所有行为构成共现项，一个时段内所有会话的共现项集合可构成用户的行为共现项集。一个时间段是指预先设定的一个时间长度，例如，设定一个时间段为一个月，则当前时间段即为当前时刻之前的一个月内的时间。
行为关联图谱是指对话信息中以任一行为作为图谱的节点，任一行为出现顺序构建节点之间的边，以固定顺序出现任一行为对(任两个行为)的次数即为边的权重。
例如，以行为A作为图谱的节点A，以行为B作为图谱的节点B，以出现行为A后出现行为B的次数作为节点A到节点B的边的权重，以出现行为B后出现行为A的次数作为节点B到节点A的边的权重。
在一个实施例中，所述用户的模型标签包括：用户偏好标签、行为关联规则标签、重要行为标签、用户活跃度标签和使用场景标签；
所述步骤S104，包括：
基于用户行为频率标签、时间信息标签和地点信息标签建立用户行为预测模型，根据用户行为预测模型计算任一用户行为的偏好预测概率；
获取偏好预测概率大于预设偏好预测概率的用户行为作为用户偏好行为，并对用户偏好行为进行标记，获得用户偏好行为标签；
根据行为共现项集标签计算任两个行为间的行为关联规则，并对任一种行为关联规则进行标记，获得行为关联规则标签；
基于行为关联图谱标签通过网络节点的重要性排序算法计算用户的重要度概率；
获取重要度概率大于预设重要度概率的用户行为作为重要行为，对重要行为进行标记，获得重要行为标签；
对任一行为的用户行为频率标签、预设时间段内的平均使用时长和历史活跃度进行计算，获得任一行为对应的用户活跃度，并进行标记，获得用户活跃度标签；
基于任一用户行为对应的时间信息标签和地点信息标签，标记任一用户行为的使用场景标签。
在具体应用中，用户的模型标签包括但不限于用户偏好标签、行为关联规则标签、重要行为标签、用户活跃度标签和使用场景标签。
基于用户行为频率标签、时间信息标签和地点信息标签建立用户行为预测模型，根据用户行为预测模型计算任一用户行为的偏好预测概率。例如，获取不同时间信息标签和不同地点信息标签下某种用户行为对应的用户行为频率标签，并计算上述用户行为的所有用户行为频率的和，作为该用户行为的偏好预测概率。
获取偏好预测概率大于预设偏好预测概率的用户行为作为用户偏好行为，并对用户偏好行为进行标记，获得用户偏好行为标签。预设偏好预测概率可根据实际情况进行具体设定，例如，设定预设偏好预测概率为20％，用户查询喜剧电影的偏好预测概率为35％，则将用户查询喜剧电影的行为作为用户偏好行为，并对用户偏好行为进行标记，获得用户偏好行为标签。
关联规则是指用户行为关联度，基于事实标签的行为共现项集，获取出现次数频繁的行为共现项集，并对出现次数频繁的行为共现项集进行关联分析和计算，获得多种用户行为间的关联规则，并对任一种行为关联规则进行标记，获得行为关联规则标签。
基于建立的行为关联图谱标签，采用网络节点的重要性排序算法(PageRank)对用户行为进行用户的重要度概率的计算，然后获取重要度概率大于预设重要度概率的用户行为作为重要行为，对重要行为进行标记，获得重要行为标签。
可对任一用户行为在预设时段内发生的频率标签，归一化获得的平均使用时长，以及历史活跃度计算获得任一用户行为活跃度，并进行标记，获得用户活跃度标签。预设时间段可根据实际情况进行具体设定，例如，设定预设时间段为一个月。
基于任一用户行为对应的时间信息标签和地点信息标签，标记任一用户行为的使用场景标签。
在一个实施例中，所述步骤S105，包括：
以用户偏好标签和使用场景标签作为第一预设因子，以用户活跃度标签作为第二预设因子，以重要行为标签、行为关联规则标签作为第三预设因子，建立模型标签与目标导向间的关联关系。
在具体应用中，第一预设因子是指个性化行为推荐因子，第二预设因子是指个性化回答因子(个性化回答因子是用于针对不同个性用户提出相同问题时进行不同对话的因子)，第三预设因子是指意图识别因子。个性化推荐是指当智能问答系统识别到用户的意图时，基于模型标签进行个性化推荐。个性化回答是指当智能问答系统在回复用户时基于模型标签对用户进行个性化的回答。用户意图识是指当智能问答系统对用户问题意图识别不确定时，基于模型标签辅助识别用户意图。
即可根据用户的用户偏好标签和使用场景标签获得用户对任一个性化行为和时间场所的偏好，根据用户活跃度获得用户对任一个性化行为的偏好程度，根据重要行为标签、行为关联规则标签识别获得用户进行智能对话的意图，并建立模型标签与目标导向间的关联关系，实现根据用户的提问，识别用户进行智能对话的意图，并向用户推荐用户在目标场所和目标时间最喜欢进行的行为活动。
例如，若用户请求推荐北京最适合进行晚餐的餐厅，则根据用户的模型标签，向用户推荐用户在晚间时间最常去的北京餐厅。
本实施例通过基于用户与智能对话系统的对话信息进行分析统计，建立用户的事实标签，并根据用户的事实标签，建立用户行为的模型标签，计算获得用户行为模型标签和目标导向的关联关系，并基于上述关联关系构建用户的画像，实现了用户画像的流程化与系统化，并且基于分析获得的用户画像给用户提供个性化的推荐，提高了用户的满意度，从而提高了智能对话系统的应用领域和使用概率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的用户画像构建方法，图3示出了本申请实施例提供的用户画像构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图3，该用户画像构建装置100包括：
采集模块101，用于采集用户与智能对话系统的对话信息；
挖掘模块102，用于对所述对话信息进行智能挖掘，获取满足预设条件的目标数据；
事实标签建立模块103，用于根据目标数据建立用户的事实标签；
模型标签建立模块104，用于对用户的事实标签进行分析，建立用户的模型标签；
关联模块105，用于建立所述模型标签与目标导向的关联关系；
构建模块106，用于根据所述模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。
如图4所示，在一个实施例中，所述挖掘模块102，包括：
提取单元1021，用于对所述对话信息进行过滤筛选，清除所述对话信息中的冗余信息，提取关键信息；
分组单元1022，用于根据用户ID对关键信息进行分组，并根据时间顺序对任一用户ID内的分组关键信息进行排序，获得任一用户ID的目标数据。
如图5所示，在一个实施例中，所述事实标签建立模块103，包括：
识别单元1031，用于基于预训练后的行为识别模型，识别对话信息中的用户意图的类型和实体；
分析单元1032，用于对用户意图的类型和实体进行系统分析和聚类，获得用户的事实标签；其中，用户的事实标签包括用户基本信息标签、用户行为信息标签和用户状态信息标签；其中，用户行为信息标签包括用户行为频率标签、行为共现项集标签和行为关联图谱标签；用户状态信息标签包括时间信息标签和地点信息标签。
在一个实施例中，所述用户的模型标签包括：用户偏好标签、行为关联规则标签、重要行为标签、用户活跃度标签和使用场景标签；
如图6所示，在一个实施例中，所述模型标签建立模块104，包括：
预测单元1041，用于基于用户行为频率标签、时间信息标签和地点信息标签建立用户行为预测模型，根据用户行为预测模型计算任一用户行为的偏好预测概率；
获取单元1042，用于获取偏好预测概率大于预设偏好预测概率的用户行为作为用户偏好行为，并对用户偏好行为进行标记，获得用户偏好行为标签；
第一计算单元1043，用于根据行为共现项集标签计算任两个行为间的行为关联规则，并对任一种行为关联规则进行标记，获得行为关联规则标签；
第二计算单元1044，用于基于行为关联图谱标签通过网络节点的重要性排序算法计算用户的重要度概率；
第一标记单元1045，用于获取重要度概率大于预设重要度概率的用户行为作为重要行为，对重要行为进行标记，获得重要行为标签；
第三计算单元1046，用于对任一行为的用户行为频率标签、预设时间段内的平均使用时长和历史活跃度进行计算，获得任一行为对应的用户活跃度，并进行标记，获得用户活跃度标签；
第二标记单元1047，用于基于任一用户行为对应的时间信息标签和地点信息标签，标记任一用户行为的使用场景标签。
在一个实施例中，所述关联模块105，包括：
建立单元1051，用于以用户偏好标签和使用场景标签作为第一预设因子，以用户活跃度标签作为第二预设因子，以重要行为标签、行为关联规则标签作为第三预设因子，建立模型标签与目标导向间的关联关系.
本实施例通过基于用户与智能对话系统的对话信息进行分析统计，建立用户的事实标签，并根据用户的事实标签，建立用户行为的模型标签，计算获得用户行为模型标签和目标导向的关联关系，并基于上述关联关系构建用户的画像，实现了用户画像的流程化与系统化，并且基于分析获得的用户画像给用户提供个性化的推荐，提高了用户的满意度，从而提高了智能对话系统的应用领域和使用概率。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图7为本申请一实施例提供的机器人的结构示意图。如图7所示，该实施例的机器人7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个用户画像构建方法实施例中的步骤。
所述机器人7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该机器人可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是机器人7的举例，并不构成对机器人7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述机器人7的内部存储单元，例如机器人7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述机器人7的外部存储设备，例如所述机器人7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述机器人7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种机器人，该机器人包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了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计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
以上所述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，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用户画像构建方法，其特征在于，应用于智能对话系统，包括：
采集用户与智能对话系统的对话信息；
对所述对话信息进行智能挖掘，获取满足预设条件的目标数据；
根据目标数据建立用户的事实标签；
对用户的事实标签进行分析，建立用户的模型标签；
建立所述模型标签与目标导向的关联关系；
根据所述模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。
2.如权利要求1所述的用户画像构建方法，其特征在于，所述对所述对话信息进行智能挖掘，获取满足预设条件的目标数据，包括：
对所述对话信息进行过滤筛选，清除所述对话信息中的冗余信息，提取关键信息；
根据用户ID对关键信息进行分组，并根据时间顺序对任一用户ID内的分组关键信息进行排序，获得任一用户ID的目标数据。
3.如权利要求1所述的用户画像构建方法，其特征在于，所述根据目标数据建立用户的事实标签，包括：
基于预训练后的行为识别模型，识别对话信息中的用户意图的类型和实体；
对用户意图的类型和实体进行系统分析和聚类，获得用户的事实标签；其中，用户的事实标签包括用户基本信息标签、用户行为信息标签和用户状态信息标签；其中，用户行为信息标签包括用户行为频率标签、行为共现项集标签和行为关联图谱标签；用户状态信息标签包括时间信息标签和地点信息标签。
4.如权利要求3所述的用户画像构建方法，其特征在于，所述用户的模型标签包括：用户偏好标签、行为关联规则标签、重要行为标签、用户活跃度标签和使用场景标签；
所述对用户的事实标签进行分析，建立用户的模型标签，包括：
基于用户行为频率标签、时间信息标签和地点信息标签建立用户行为预测模型，根据用户行为预测模型计算任一用户行为的偏好预测概率；
获取偏好预测概率大于预设偏好预测概率的用户行为作为用户偏好行为，并对用户偏好行为进行标记，获得用户偏好行为标签；
根据行为共现项集标签计算任两个行为间的行为关联规则，并对任一种行为关联规则进行标记，获得行为关联规则标签；
基于行为关联图谱标签通过网络节点的重要性排序算法计算用户的重要度概率；
获取重要度概率大于预设重要度概率的用户行为作为重要行为，对重要行为进行标记，获得重要行为标签；
对任一行为的用户行为频率标签、预设时间段内的平均使用时长和历史活跃度进行计算，获得任一行为对应的用户活跃度，并进行标记，获得用户活跃度标签；
基于任一用户行为对应的时间信息标签和地点信息标签，标记任一用户行为的使用场景标签。
5.如权利要求4所述的用户画像构建方法，其特征在于，所述建立所述模型标签与目标导向的关联关系，包括：
以用户偏好标签和使用场景标签作为第一预设因子，以用户活跃度标签作为第二预设因子，以重要行为标签、行为关联规则标签作为第三预设因子，建立模型标签与目标导向间的关联关系。
6.一种用户画像构建装置，其特征在于，包括：
采集模块，用于采集用户与智能对话系统的对话信息；
挖掘模块，用于对所述对话信息进行智能挖掘，获取满足预设条件的目标数据；
事实标签建立模块，用于根据目标数据建立用户的事实标签；
模型标签建立模块，用于对用户的事实标签进行分析，建立用户的模型标签；
关联模块，用于建立所述模型标签与目标导向的关联关系；
构建模块，用于根据所述模型标签与目标导向的关联关系构建用户画像，以用户画像和对用户进行个性化推荐。
7.如权利要求6所述的用户画像构建装置，其特征在于，所述挖掘模块，包括：
提取单元，用于对所述对话信息进行过滤筛选，清除所述对话信息中的冗余信息，提取关键信息；
分组单元，用于根据用户ID对关键信息进行分组，并根据时间顺序对任一用户ID内的分组关键信息进行排序，获得任一用户ID的目标数据。
8.如权利要求6所述的用户画像构建装置，其特征在于，所述第一建立模块，包括：
识别单元，用于基于预训练后的行为识别模型，识别对话信息中的用户意图的类型和实体；
分析单元，用于对用户意图的类型和实体进行系统分析和聚类，获得用户的事实标签；其中，用户的事实标签包括用户基本信息标签、用户行为信息标签和用户状态信息标签；其中，用户行为信息标签包括用户行为频率标签、行为共现项集标签和行为关联图谱标签；用户状态信息标签包括时间信息标签和地点信息标签。
9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
CN201911380944.5A 2019-12-27 2019-12-27 一种用户画像构建方法及装置 Active CN111190939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911380944.5A CN111190939B (zh) 2019-12-27 2019-12-27 一种用户画像构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911380944.5A CN111190939B (zh) 2019-12-27 2019-12-27 一种用户画像构建方法及装置

Publications (2)

Publication Number Publication Date
CN111190939A true CN111190939A (zh) 2020-05-22
CN111190939B CN111190939B (zh) 2024-02-02

Family

ID=70707812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911380944.5A Active CN111190939B (zh) 2019-12-27 2019-12-27 一种用户画像构建方法及装置

Country Status (1)

Country Link
CN (1) CN111190939B (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739649A (zh) * 2020-07-04 2020-10-02 广州云莫凡信息科技有限公司 一种用户画像捕捉方法、装置及系统
CN111767432A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 共现对象的查找方法和装置
CN111768230A (zh) * 2020-06-24 2020-10-13 中国平安财产保险股份有限公司 客户画像系统的标签推荐方法、装置及计算机设备
CN111932297A (zh) * 2020-07-23 2020-11-13 宁波奥克斯电气股份有限公司 一种用户画像生成方法及空调设备的推荐方法
CN112015756A (zh) * 2020-07-08 2020-12-01 广州乐摇摇信息科技有限公司 一种系统模型构建方法及装置
CN112163081A (zh) * 2020-10-14 2021-01-01 网易（杭州）网络有限公司 标签确定方法、装置、介质及电子设备
CN112231556A (zh) * 2020-10-13 2021-01-15 中国平安人寿保险股份有限公司 基于对话场景的用户画像方法、装置、设备及介质
CN112465565A (zh) * 2020-12-11 2021-03-09 加和（北京）信息科技有限公司 一种基于机器学习的用户画像预测的方法及装置
CN112883311A (zh) * 2021-02-01 2021-06-01 北京仿真中心 一种目标界面生成方法、装置、电子设备及可读存储介质
CN112910953A (zh) * 2021-01-14 2021-06-04 中国工商银行股份有限公司 业务数据的推送方法、装置和服务器
CN113190731A (zh) * 2021-05-31 2021-07-30 国家电网有限公司大数据中心 一种标签构建方法、装置、设备和存储介质
CN113204714A (zh) * 2021-03-23 2021-08-03 北京中交兴路信息科技有限公司 一种基于用户画像的任务推荐方法、装置、存储介质及终端
CN113344184A (zh) * 2021-06-03 2021-09-03 网易（杭州）网络有限公司 用户画像预测方法、装置、终端和计算机可读存储介质
CN114201516A (zh) * 2020-09-03 2022-03-18 腾讯科技（深圳）有限公司 一种用户画像构建的方法、信息推荐的方法以及相关装置
CN114218476A (zh) * 2021-11-12 2022-03-22 深圳前海鹏影数字软件运营有限公司 一种内容推荐方法、装置及终端设备
CN114329213A (zh) * 2021-12-30 2022-04-12 深圳前海浩方科技有限公司 基于用户行为的电商平台优化方法、装置、设备及介质
CN114676243A (zh) * 2022-05-25 2022-06-28 成都无糖信息技术有限公司 一种针对社交文本的用户画像分析方法及系统
WO2022141862A1 (zh) * 2020-12-30 2022-07-07 平安科技（深圳）有限公司 用户画像生成方法、装置、计算机设备及存储介质
CN114780855A (zh) * 2022-05-05 2022-07-22 穗保(广州)科技有限公司 一种基于互联网安全性的信息共享系统
CN114912946A (zh) * 2022-04-24 2022-08-16 零犀(北京)科技有限公司 一种确定用户分层的方法、装置、存储介质和电子设备
CN115391669A (zh) * 2022-10-31 2022-11-25 江西渊薮信息科技有限公司 一种智能推荐方法、装置、电子设备
CN117235586A (zh) * 2023-11-16 2023-12-15 青岛小帅智能科技股份有限公司 酒店客户画像构建方法、系统、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086351A (zh) * 2018-07-17 2018-12-25 北京光年无限科技有限公司 一种获取用户标签的方法及用户标签系统
CN109992982A (zh) * 2019-04-11 2019-07-09 北京信息科技大学 大数据访问授权方法、装置和大数据平台
CN110442761A (zh) * 2019-06-21 2019-11-12 深圳中琛源科技股份有限公司 一种用户画像构建方法、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086351A (zh) * 2018-07-17 2018-12-25 北京光年无限科技有限公司 一种获取用户标签的方法及用户标签系统
CN109992982A (zh) * 2019-04-11 2019-07-09 北京信息科技大学 大数据访问授权方法、装置和大数据平台
CN110442761A (zh) * 2019-06-21 2019-11-12 深圳中琛源科技股份有限公司 一种用户画像构建方法、电子设备及存储介质

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768230A (zh) * 2020-06-24 2020-10-13 中国平安财产保险股份有限公司 客户画像系统的标签推荐方法、装置及计算机设备
CN111767432A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 共现对象的查找方法和装置
CN111767432B (zh) * 2020-06-30 2024-04-02 北京百度网讯科技有限公司 共现对象的查找方法和装置
CN111739649B (zh) * 2020-07-04 2021-12-10 爱优牙信息技术(深圳)有限公司 一种用户画像捕捉方法、装置及系统
CN111739649A (zh) * 2020-07-04 2020-10-02 广州云莫凡信息科技有限公司 一种用户画像捕捉方法、装置及系统
CN112015756A (zh) * 2020-07-08 2020-12-01 广州乐摇摇信息科技有限公司 一种系统模型构建方法及装置
CN111932297A (zh) * 2020-07-23 2020-11-13 宁波奥克斯电气股份有限公司 一种用户画像生成方法及空调设备的推荐方法
CN114201516A (zh) * 2020-09-03 2022-03-18 腾讯科技（深圳）有限公司 一种用户画像构建的方法、信息推荐的方法以及相关装置
CN112231556A (zh) * 2020-10-13 2021-01-15 中国平安人寿保险股份有限公司 基于对话场景的用户画像方法、装置、设备及介质
CN112231556B (zh) * 2020-10-13 2023-07-25 中国平安人寿保险股份有限公司 基于对话场景的用户画像方法、装置、设备及介质
CN112163081A (zh) * 2020-10-14 2021-01-01 网易（杭州）网络有限公司 标签确定方法、装置、介质及电子设备
CN112465565A (zh) * 2020-12-11 2021-03-09 加和（北京）信息科技有限公司 一种基于机器学习的用户画像预测的方法及装置
CN112465565B (zh) * 2020-12-11 2023-09-26 加和（北京）信息科技有限公司 一种基于机器学习的用户画像预测的方法及装置
WO2022141862A1 (zh) * 2020-12-30 2022-07-07 平安科技（深圳）有限公司 用户画像生成方法、装置、计算机设备及存储介质
CN112910953B (zh) * 2021-01-14 2023-02-17 中国工商银行股份有限公司 业务数据的推送方法、装置和服务器
CN112910953A (zh) * 2021-01-14 2021-06-04 中国工商银行股份有限公司 业务数据的推送方法、装置和服务器
CN112883311A (zh) * 2021-02-01 2021-06-01 北京仿真中心 一种目标界面生成方法、装置、电子设备及可读存储介质
CN113204714A (zh) * 2021-03-23 2021-08-03 北京中交兴路信息科技有限公司 一种基于用户画像的任务推荐方法、装置、存储介质及终端
CN113190731A (zh) * 2021-05-31 2021-07-30 国家电网有限公司大数据中心 一种标签构建方法、装置、设备和存储介质
CN113344184A (zh) * 2021-06-03 2021-09-03 网易（杭州）网络有限公司 用户画像预测方法、装置、终端和计算机可读存储介质
CN114218476A (zh) * 2021-11-12 2022-03-22 深圳前海鹏影数字软件运营有限公司 一种内容推荐方法、装置及终端设备
CN114329213A (zh) * 2021-12-30 2022-04-12 深圳前海浩方科技有限公司 基于用户行为的电商平台优化方法、装置、设备及介质
CN114912946A (zh) * 2022-04-24 2022-08-16 零犀(北京)科技有限公司 一种确定用户分层的方法、装置、存储介质和电子设备
CN114912946B (zh) * 2022-04-24 2024-01-30 零犀(北京)科技有限公司 一种确定用户分层的方法、装置、存储介质和电子设备
CN114780855A (zh) * 2022-05-05 2022-07-22 穗保(广州)科技有限公司 一种基于互联网安全性的信息共享系统
CN114676243B (zh) * 2022-05-25 2022-08-19 成都无糖信息技术有限公司 一种针对社交文本的用户画像分析方法及系统
CN114676243A (zh) * 2022-05-25 2022-06-28 成都无糖信息技术有限公司 一种针对社交文本的用户画像分析方法及系统
CN115391669A (zh) * 2022-10-31 2022-11-25 江西渊薮信息科技有限公司 一种智能推荐方法、装置、电子设备
CN117235586A (zh) * 2023-11-16 2023-12-15 青岛小帅智能科技股份有限公司 酒店客户画像构建方法、系统、电子设备及存储介质
CN117235586B (zh) * 2023-11-16 2024-02-09 青岛小帅智能科技股份有限公司 酒店客户画像构建方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN111190939B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111190939A (zh) 一种用户画像构建方法及装置
CN110909725A (zh) 识别文本的方法、装置、设备及存储介质
CN108399180B (zh) 一种知识图谱构建方法、装置及服务器
CN110472154B (zh) 一种资源推送方法、装置、电子设备及可读存储介质
CN113383362B (zh) 用户识别方法及相关产品
CN109509010B (zh) 一种多媒体信息处理方法、终端及存储介质
CN110364146A (zh) 语音识别方法、装置、语音识别设备及存储介质
CN110309114B (zh) 媒体信息的处理方法、装置、存储介质和电子装置
CN109614414B (zh) 一种用户信息的确定方法及装置
CN110580516B (zh) 一种基于智能机器人的交互方法及装置
CN110399473B (zh) 为用户问题确定答案的方法和装置
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
CN109543734A (zh) 用户画像方法及装置、存储介质
CN107679213A (zh) 一种习题搜索方法、系统及终端设备
CN106557954A (zh) 客服营销的方法及装置
CN110069769A (zh) 应用标签生成方法、装置及存储设备
CN112258254A (zh) 基于大数据架构的互联网广告风险监测方法及系统
CN114398473A (zh) 企业画像生成方法、装置、服务器及存储介质
CN113792212A (zh) 多媒体资源推荐方法、装置、设备以及存储介质
CN109033078B (zh) 语句类别识别方法及装置、存储介质、处理器
CN115983873B (zh) 一种基于大数据的用户数据分析管理系统及方法
CN114048294B (zh) 相似人群扩展模型训练方法、相似人群扩展方法和装置
CN115423031A (zh) 一种模型训练的方法以及相关装置
CN115841334A (zh) 异常账户识别方法和装置、电子设备及存储介质
CN115063858A (zh) 视频人脸表情识别模型训练方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant