CN111353001A - 对用户进行分类的方法和装置 - Google Patents

对用户进行分类的方法和装置 Download PDF

Info

Publication number
CN111353001A
CN111353001A CN201811584209.1A CN201811584209A CN111353001A CN 111353001 A CN111353001 A CN 111353001A CN 201811584209 A CN201811584209 A CN 201811584209A CN 111353001 A CN111353001 A CN 111353001A
Authority
CN
China
Prior art keywords
user
interactive
behavior record
target user
record data
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
CN201811584209.1A
Other languages
English (en)
Other versions
CN111353001B (zh
Inventor
俞颖晔
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201811584209.1A priority Critical patent/CN111353001B/zh
Priority to PCT/CN2019/127930 priority patent/WO2020135420A1/zh
Publication of CN111353001A publication Critical patent/CN111353001A/zh
Application granted granted Critical
Publication of CN111353001B publication Critical patent/CN111353001B/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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开是关于一种对用户进行分类的方法和装置，属于数据分析技术领域。所述方法包括：获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的用户特征数据；将目标用户对应的用户特征数据输入到用户分类网络模型中，得到目标用户对应的用户分类信息。通过本公开实施例提供的方法，可以获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。

Description

对用户进行分类的方法和装置
技术领域
本公开是关于数据分析技术领域，尤其是关于一种对用户进行分类的方法和装置。
背景技术
在相关技术中，在给不同用户推荐一些事物之前，例如在给不同的用户推荐工作、电影、音乐、文章等事物之前，首先可以了解每个用户的属性特质，这样可以有针对性地为不同用户推荐符合不同用户的属性特质的事物。
为了了解到每个用户的属性特质，可以通过调查问卷的形式对每个用户进行调研，用户可以对调查问卷的问题一一进行回答。相关人员将填写完毕后的调查问卷进行回收，然后基于问卷中的问题的答案，对用户进行分类，属于同一分类类别的用户，具有相似的属性特质。进而，后续可以有针对性地为不同用户推荐符合不同用户的属性特质的事物。
在实现本公开的过程中，发明人发现至少存在以下问题：
并非每个用户都愿意配合对调查问卷的问题一一进行回答，对于那些拒绝对回答问题的用户，就无法对他们进行分类。
发明内容
为了克服相关技术中存在的问题，本公开提供了以下技术方案：
根据本公开实施例的第一方面，提供一种对用户进行分类的方法，所述方法包括：
获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
可选地，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
可选地，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
可选地，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
可选地，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
可选地，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
根据本公开实施例的第二方面，提供一种对用户进行分类的装置，所述装置包括：
获取模块，用于获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
确定模块，用于基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
分类模块，用于将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
可选地，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。根据本公开实施例的第三方面，提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中：
所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，以实现上述对用户进行分类的方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述对用户进行分类的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过本公开实施例提供的方法，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。在附图中：
图1是根据一示例性实施例示出的一种对用户进行分类的方法的流程示意图；
图2是根据一示例性实施例示出的一种对用户进行分类的方法的流程示意图；
图3是根据一示例性实施例示出的一种对用户进行分类的装置的结构示意图；
图4是根据一示例性实施例示出的一种计算机设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
随着社会的发展，人们的行为越来越离不开各种电子设备。当用户基于电子设备产生行为时，相应地可能会产生一条行为记录数据。例如，当用户A给用户B打电话时，对于用户A对应的用户，会产生一条在某时拨打电话给用户 B的行为记录数据。或者，当用户A在网上购物时，对于用户A对应的用户，会产生一条在某天某购物网站花费一定金额购买某物的行为记录数据。再或者，用户A和用户C一起看电影，对于用户A对应的用户，会产生一条在某天某时某电影院和某人看某电影的行为记录数据等。
在社会生活中，用户的某些属性特质往往体现在他的个人行为或者和其他人的互动行为中。例如，用户A的职业是教师，用户A经常会通过用户A对应的电话号码和同为教师的用户B打电话进行沟通交流等；同时，用户A在网上购物时，经常会通过用户A对应的购物账号购买一些书本、文具等用品；并且，用户A经常会通过用户A对应的购票账号购买两张或者以上的文艺类的电影票。基于此，可以通过用户A的个人行为或者和其他人互动产生的行为，对用户A进行分类，例如确定用户A属于教师、警察或者医生等。接着，可以针对用户A所属的类别，为用户A推荐工作、电影、音乐、文章或者进行其他操作等。在本公开实施例提供的方法中，将介绍对用户进行分类的方法，通过对用户进行分类的方式以达到对持有用户的用户进行分类的目的。
本公开一示例性实施例提供了一种对用户进行分类的方法，如图1所示，该方法的处理流程可以包括如下的步骤：
步骤S110，获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据。
在实施中，可以建立行为记录数据库，在行为记录数据库中存储有大量用户的行为记录数据。这些用户的行为记录数据，可以是从网络上获取到的，也可以是通过专用的设备采集到的等。
在用户的行为记录数据中，可以记录有事件信息、发生事件的时间、发生事件的地点等要素信息。如果事件是个人类型事件，如乘坐交通工具，则行为记录数据中可以不记录其他用户。如果事件是互动类型事件，如用户A给用户 B打电话，则行为记录数据中可以记录用户B。
步骤S120，基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的用户特征数据。
在实施中，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的用户特征数据。例如，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，构建用户关系网络，基于用户关系网络，提取目标用户对应的用户特征数据。其中，用户关系网络可以同构关系网络，也可以是异构关系网络。具体可以根据分类处理的应用场景、以及行为记录数据的数据情况，选择构建同构关系网络或者异构关系网络。
步骤S130，将目标用户对应的用户特征数据输入到用户分类网络模型中，得到目标用户对应的用户分类信息。
在实施中，可以预先训练用户分类网络模型，用户分类网络模型可以是分类器，可以包括深度分类网络模型以及机器学习模型。在应用中，可以根据目标用户对应的用户特征数据的数据复杂度，选择使用深度分类网络模型还是机器学习模型对目标用户进行分类。如果目标用户对应的用户特征数据较为复杂，则可以选择使用深度分类网络模型，否则可以选择使用机器学习模型，这样，得到的用户分类信息的准确度较高。
可选地，目标用户对应的用户特征数据可以包括不同类型的特征数据，在本公开实施例提供的方法中，介绍提取四种不同类型的目标用户对应的用户特征数据方式。当然，还可以有更多的方式用于提取更多不同类型的目标用户对应的用户特征数据。其中，四种不同类型的目标用户对应的用户特征数据可以包括基础特征数据、时空特征数据、融合特征数据和社区特征数据。
可选地，下面将介绍提取基础特征数据的方式。步骤S120可以包括：基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户和其他用户中用户之间的互动关系；基于用户之间的互动关系，建立用户关系网络；基于用户关系网络，确定目标用户对应的用户特征数据。
在实施中，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定存在互动关系的至少一个用户组；将至少一个用户组中包括的两个用户确定为两个网络节点，并且将属于同一用户组的两个网络节点进行连接，建立用户关系网络；基于用户关系网络，确定目标用户对应的用户特征数据。
首先，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定存在互动关系的至少一个用户组。例如，用户A给用户B打电话、用户A 给用户C打电话、用户B给用户D打电话等，用户A和用户B存在互动关系，他们可以作为一个用户组01，以此类推，用户A和用户C存在互动关系，他们可以作为一个用户组02，用户B和用户D存在互动关系，他们可以作为一个用户组03。接着，可以将至少一个用户组中包括的两个用户确定为两个网络节点，将属于同一用户组的两个网络节点进行连接，得到一个用户关系网络。最后，可以基于用户关系网络，确定目标用户对应的用户特征数据。
可选地，用户特征数据包括网络结构特征数据，基于用户关系网络，确定目标用户对应的用户特征数据的步骤可以包括：确定用户关系网络的网络结构特征数据，作为目标用户对应的用户特征数据。
在实施中，可以对用户关系网络中的网络节点以及具有连接关系的网络节点之间的边进行统计计算，得到用户关系网络的网络结构特征数据。可以确定用户关系网络的一阶度数、二阶度数、群集系数、邻居系数、度中心性、介数、入度中心性、出度中心性、embedding(嵌入)特征等网络结构特征数据。
其中，以用户关系网络中的A点对应的网络结构特征数据为例进行说明，用户关系网络中的其他网络节点对应的网络结构特征数据的确定方式与A点类似，其他网络节点对应的网络结构特征数据的确定方式可以参见A点对应的网络结构特征数据的确定方式。可以将A点作为本公开实施例提供的方法中所述的目标用户对应的网络节点。
1)一阶度数可以是，与A点直接相连接的一阶邻居网络节点的数量。例如 A点存在4个一阶邻居网络节点，A点的一阶度数为4。
2)二阶度数可以是，与A点的一阶邻居网络节点直接相连接的邻居网络节点的数量。
3)群集系数可以通过2M/K(K-1)进行计算。其中，K为A点的一阶度数， M为A点的各一阶邻居网络节点之间的边的数量。
4)邻居系数可以为，A点的各一阶邻居网络节点之间存在连接关系的网络节点的数量。
5)度中心性可以通过下面的方式确定。首先，确定A点和各一阶邻居网络节点之间的边的数量与1的差值，接着，确定A点的一阶度数除以差值的商，作为度中心性。
6)介数可以通过下面的方式确定。首先，任意两点之间需要经过A点的所有路径，接着，确定任意两点对应的经过A点的最短路径，最后，将所有两点对应的经过A点的最短路径的数量，确定为A点的介数。
7)入度中心性可以通过下面的方式确定。用户关系网络中的边可以存在方向，A点的入度中心性可以是进入A点的边的数量。
8)出度中心性可以通过下面的方式确定。用户关系网络中的边可以存在方向，A点的出度中心性可以是从A点出发的边的数量。
9)可以通过DeepWalk(一种确定网络结构特征的算法)、node2vec(一种确定网络结构特征的算法)、LINE(Large-scale Information Network Embedding，大规模信息网络嵌入)等embedding特征提取算法，提取A点的embedding特征。
可选地，下面将介绍提取时空特征数据的方式。步骤S120可以包括：基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户；对于至少一个互动用户中的每个互动用户，在目标用户的行为记录数据中，获取目标用户与互动用户的互动行为对应的行为记录数据，以及目标用户的非互动行为记录数据，并在互动用户的行为记录数据中，获取互动用户与目标用户的互动行为对应的行为记录数据，以及互动用户的非互动行为记录数据，作为目标用户和互动用户之间的关联行为记录数据，基于关联行为记录数据，确定互动用户对应的互动特征数据；将所有互动用户对应的互动特征数据的平均值，确定为目标用户对应的用户特征数据。
在实施中，首先，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户。接着，对于至少一个互动用户中的每个互动用户，可以在目标用户的行为记录数据、以及其他用户的行为记录数据中，确定目标用户的非互动行为记录数据、互动用户的非互动行为记录数据、目标用户与互动用户的互动行为对应的行为记录数据、以及互动用户与目标用户的互动行为对应的行为记录数据。例如，A(地点、时间、事件)；A、B(地点、时间、事件)；B(地点、时间、事件)；A、B (地点、时间、事件)。其中，A、B是两个不同的用户，A是目标用户，B是互动用户。A(地点、时间、事件)可以是目标用户的非互动行为记录数据。A、B (地点、时间、事件)可以是目标用户与互动用户的互动行为对应的行为记录数据，或者是互动用户与目标用户的互动行为对应的行为记录数据。B(地点、时间、事件)可以是互动用户的非互动行为记录数据。
接着，可以对目标用户和互动用户之间的关联行为记录数据按照时间先后顺序进行排序，得到目标用户和互动用户之间的行为序列。例如，A(地点、时间、事件)——》A、B(地点、时间、事件)——》B(地点、时间、事件)——》 A、B(地点、时间、事件)。
随后，可以基于目标用户和互动用户之间的行为序列，确定目标用户和互动用户之间的关联用户特征数据。例如，可以从时间、空间(地点)和事件三个维度提取目标用户和互动用户之间的行为序列的特征，作为目标用户和互动用户之间的关联用户特征数据。具体可以是，统计计算序列中每个元素之间的时间间隔、序列中第一个元素和最后一个元素之间的时间跨度、序列中不同地点出现的次数、序列中不同事件出现的次数等。接着，可以构建三个维度的交叉特征。
可以重复执行上述方法，直到确定目标用户和所有互动用户之间的关联用户特征数据。例如，A、B(特征1、特征2、特征3)；A、C(特征1、特征2、特征3)。其中，A是目标用户，B和C分别是两个互动用户。
除此以外，还可以通过LSTM(Long Short-Term Memory，长短期记忆网络)、RNN(Recurrent Neural Network，递归神经网络)等embedding特征提取算法，提取目标用户和互动用户之间的行为序列的embedding特征。
最后，可以确定目标用户和所有互动用户之间的关联用户特征数据的和值，将和值除以互动用户的数量的商，确定为目标用户对应的用户特征数据。通过公式1计算目标用户对应的用户特征数据。
Figure RE-GDA0001965630060000111
其中，Feamean(A)为目标用户A对应的用户特征数据。 Fea(A,B)、Fea(A,C)、Fea(A,F)、Fea(A,G)为目标用户A分别和互动用户B、C、F、 G等之间的关联用户特征数据。n为互动用户的数量。
可选地，下面将介绍提取融合特征数据的方式。步骤S120可以包括：基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户；基于目标用户的行为记录数据、以及至少一个互动用户的行为记录数据，确定目标用户和至少一个互动用户中用户之间的互动关系；基于用户之间的互动关系，建立用户关系网络；基于用户关系网络以及标签传播算法，确定目标用户以及每个互动用户分别对应的特征权重；基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；基于目标用户对应的中间用户特征数据、每个互动用户对应的中间用户特征数据和目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为目标用户对应的用户特征数据。
在实施中，可以通过前面介绍的两种方式，提取基础特征数据以及时空特征数据，进而可以将这两种不同类型的特征数据进行拼接组合，得到目标用户对应的中间用户特征数据。可以重复上面的方法，并且得到至少一个互动用户对应的中间用户特征数据。由于互动用户的一些行为也可以对目标用户的行为产生影响，互动用户的一些属性特质也是目标用户所拥有的，因此可以将对目标用户的行为具备影响力的至少一个互动用户对应的中间用户特征数据和目标用户对应的中间用户特征数据进行融合，以确定目标用户对应的用户特征数据。
首先，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户。接着，可以将目标用户以及至少一个互动用户中的所有用户中存在互动关系的用户进行连接，建立用户关系网络。基于用户关系网络以及pageRank(标签传播)算法，确定目标用户以及至少一个互动用户分别对应的特征权重。目标用户以及至少一个互动用户分别对应的特征权重表示的是每个用户在用户关系网络中的重要程度，如果任一用户和其他用户之间的互动行为较为密集，则该任一用户在很大程度上对应的特征权重比较大。
接着，可以确定目标用户对应的中间用户特征数据与对应的特征权重的乘积，确定至少一个互动用户对应的中间用户特征数据与对应的特征权重的乘积。最后，可以将所有乘积的总和除以目标用户以及至少一个互动用户的总数量的商，确定为目标用户对应的用户特征数据。除了上述方法以外，还可以直接将所有乘积的总和确定为目标用户对应的用户特征数据。可以基于实际应用场景，对融合策略方式进行适应性的调整，以提高对目标用户进行分类处理的准确度。
除了上述方案之外，还可以通过其他方式提取融合特征数据。例如，可以通过structure2vec(一种数据处理算法)、GCN(Graph Convolutional Neural Network，图卷积神经网络)、GNN(Graph Neural Network，图神经网络)、 GeniePath(一种具有自适应接受路径的图神经网络)算法等，对多种的特征数据进行融合，确定为目标用户对应的用户特征数据。
下面将介绍通过structure2vec算法对多种的特征数据进行融合，确定为目标用户对应的用户特征数据的方式。structure2vec算法也可以对应两种不同的融合策略方式。第一种方式可以通过公式2实现。公式2是通过对至少一个互动用户的用户特征数据进行求平均值的方式，来确定目标用户对应的用户特征数据的。
Figure RE-GDA0001965630060000121
其中，
Figure RE-GDA0001965630060000122
为目标用户对应的用户特征数据，σ是常数，W(t)为每个互动用户对应的特征权重，N(i)为互动用户的数量，
Figure RE-GDA0001965630060000123
为每个互动用户的用户特征数据。
第二种方式可以通过公式3实现。公式3是通过对至少一个互动用户的用户特征数据进行求和值的方式，来确定目标用户对应的用户特征数据的。
Figure RE-GDA0001965630060000124
其中，
Figure RE-GDA0001965630060000125
为目标用户对应的用户特征数据，σ是常数，W(t)为每个互动用户对应的特征权重，N(i)为互动用户的数量，
Figure RE-GDA0001965630060000126
为每个互动用户的用户特征数据。
下面将将介绍通过GCN算法对多种的特征数据进行融合，确定为目标用户对应的用户特征数据的方式。具体可以通过公式4实现。公式4是通过对至少一个互动用户的用户特征数据进行归一化的方式，来确定目标用户对应的用户特征数据的。
Figure RE-GDA0001965630060000131
其中，
Figure RE-GDA0001965630060000132
为目标用户对应的用户特征数据，σ是常数，W(t)为每个互动用户对应的特征权重，N(i)为互动用户的数量，N(j)为用户特征数据的数量，hj (t)为每个互动用户的用户特征数据。
可选地，下面将介绍提取社区特征数据的方式。基于用户关系网络，确定目标用户对应的用户特征数据的步骤可以包括：基于社区发现算法，对用户关系网络进行划分，得到多个子用户关系网络；确定目标用户所属的目标子用户关系网络；获取目标子用户关系网络对应的社区属性信息，作为目标用户对应的用户特征数据。
在实施中，假设用户关系网络是一个包含大量用户的用户关系网络，可以基于社区发现算法如Louvain(一种社区发现算法)、MNMF(一种社区发现算法)、ComE(一种社区发现算法)算法等，对用户关系网络进行划分，得到多个子用户关系网络。接着，可以确定目标用户所属的目标子用户关系网络。最后，可以获取目标子用户关系网络对应的社区属性信息，作为目标用户对应的用户特征数据。其中，社区属性信息可以是社区的特征信息、社区的性质、社区的标签、社区的标识等信息。
基于相同的发明构思，本公开一示例性实施例提供了一种对用户进行分类的方法，如图2所示，该方法的处理流程可以包括如下的步骤：
步骤S210，对目标用户的行为记录数据、以及其他用户的行为记录数据进行分析，确定构建同构关系网络或者异构关系网络。
步骤S220，无论构建的是同构关系网络还是异构关系网络，都可以执行确定目标用户的四种不同类型的用户特征数据如基础特征数据、时空特征数据、融合特征数据和社区特征数据。
步骤S230，在确定出目标用户的四种不同类型的用户特征数据如基础特征数据、时空特征数据、融合特征数据和社区特征数据之后，可以将这四种不同类型的用户特征数据进行融合，得到融合后的目标用户对应的用户特征数据。
步骤S240，通过特征工程处理方法，对融合后的目标用户对应的用户特征数据进行处理，如对融合后的目标用户对应的用户特征数据进行特征选择、特征抽取等处理，以保留有用的用户特征数据，清除掉没有价值的用户特征数据。
步骤S250，通过经验判断通过深度分类网络模型还是机器学习模型，基于进行特征工程处理后的目标用户对应的用户特征数据，对目标用户进行分类。
步骤S260，可以将进行特征工程处理后的目标用户对应的用户特征数据输入到深度分类网络模型或者机器学习模型中，得到目标用户对应的用户分类信息。
通过对目标用户的四种不同类型的用户特征数据进行融合处理、特征工程处理后的特征数据的价值更高，进而能提高确定出的用户分类信息的准确度。
通过本公开实施例提供的方法，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
本公开又一示例性实施例提供了一种对用户进行分类的装置，如图3所示，该装置包括：
获取模块210，用于获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
确定模块220，用于基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
分类模块230，用于将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
可选地，所述确定模块220，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
通过本公开实施例提供的装置，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
需要说明的是：上述实施例提供的对用户进行分类的装置在对用户进行分类时，仅以上述各功能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模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的对用户进行分类的装置与对用户进行分类的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图4示出了本公开一个示例性实施例提供的计算机设备1900的结构示意图。该计算机设备1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)1910和一个或一个以上的存储器1920。其中，所述存储器1920中存储有至少一条指令，所述至少一条指令由所述处理器1910加载并执行以实现上述实施例所述的对用户进行分类的方法。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种对用户进行分类的方法，其特征在于，所述方法包括：
获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
4.根据权利要求2所述的方法，其特征在于，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
7.一种对用户进行分类的装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
确定模块，用于基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
分类模块，用于将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
8.根据权利要求7所述的装置，其特征在于，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
9.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
10.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
11.根据权利要求7所述的装置，其特征在于，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
12.根据权利要求7所述的装置，其特征在于，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
13.一种计算机设备，其特征在于，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中：
所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，以实现权利要求1-6任一所述的方法步骤。
14.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN201811584209.1A 2018-12-24 2018-12-24 对用户进行分类的方法和装置 Active CN111353001B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811584209.1A CN111353001B (zh) 2018-12-24 2018-12-24 对用户进行分类的方法和装置
PCT/CN2019/127930 WO2020135420A1 (zh) 2018-12-24 2019-12-24 对用户进行分类的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811584209.1A CN111353001B (zh) 2018-12-24 2018-12-24 对用户进行分类的方法和装置

Publications (2)

Publication Number Publication Date
CN111353001A true CN111353001A (zh) 2020-06-30
CN111353001B CN111353001B (zh) 2023-08-18

Family

ID=71128441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811584209.1A Active CN111353001B (zh) 2018-12-24 2018-12-24 对用户进行分类的方法和装置

Country Status (2)

Country Link
CN (1) CN111353001B (zh)
WO (1) WO2020135420A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522866A (zh) * 2020-07-03 2020-08-11 支付宝(杭州)信息技术有限公司 一种可信子图的挖掘方法、装置以及设备
CN117574286A (zh) * 2024-01-11 2024-02-20 阿里健康科技(杭州)有限公司 标签值的确定方法、装置、设备和存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010087882A1 (en) * 2009-01-30 2010-08-05 Cbs Interactive, Inc. Personalization engine for building a user profile
US20100299615A1 (en) * 2007-09-28 2010-11-25 The Trustees Of Dartmouth College System And Method For Injecting Sensed Presence Into Social Networking Applications
CN103412930A (zh) * 2013-08-17 2013-11-27 北京品友互动信息技术有限公司 一种互联网用户属性识别方法
CN103593393A (zh) * 2013-09-13 2014-02-19 微梦创科网络科技（中国）有限公司 基于微博互动关系挖掘社交圈的方法及装置
CN103745002A (zh) * 2014-01-24 2014-04-23 中国科学院信息工程研究所 一种基于行为特征与内容特征融合的水军识别方法及系统
CN104298719A (zh) * 2014-09-23 2015-01-21 新浪网技术(中国)有限公司 基于社交行为进行用户的类别划分、广告投放方法和系统
CN104809132A (zh) * 2014-01-27 2015-07-29 阿里巴巴集团控股有限公司 一种获取网络主体社交关系类型的方法及装置
WO2016201933A1 (zh) * 2015-06-19 2016-12-22 百度在线网络技术（北京）有限公司 用户数据处理方法、提供方法、系统和计算机设备
CN106934412A (zh) * 2015-12-31 2017-07-07 中国科学院深圳先进技术研究院 一种用户行为分类方法及系统
US20170316082A1 (en) * 2016-04-25 2017-11-02 Securboration, Inc. Classifying social media users
WO2017193749A1 (zh) * 2016-05-12 2017-11-16 阿里巴巴集团控股有限公司 一种确定用户行为偏好的方法、推荐信息的展示方法和装置
WO2018077285A1 (zh) * 2016-10-31 2018-05-03 腾讯科技（深圳）有限公司 机器学习模型训练方法、装置、服务器及存储介质
CN108055646A (zh) * 2017-05-19 2018-05-18 上海掌门科技有限公司 一种用于推荐用户的方法与设备
CN108073933A (zh) * 2016-11-08 2018-05-25 杭州海康威视数字技术股份有限公司 一种目标检测方法及装置
CN108197224A (zh) * 2017-12-28 2018-06-22 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN108280757A (zh) * 2017-02-13 2018-07-13 腾讯科技（深圳）有限公司 用户信用评估方法及装置
CN108804633A (zh) * 2018-06-01 2018-11-13 腾讯科技（深圳）有限公司 基于行为语义知识网络的内容推荐方法
CN109063130A (zh) * 2018-08-02 2018-12-21 广州友米科技有限公司 基于用户行为合并展示社交分享信息的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102769781B (zh) * 2012-07-17 2015-01-21 青岛海信传媒网络技术有限公司 推荐电视节目的方法及装置
US9558452B2 (en) * 2013-11-08 2017-01-31 Microsoft Technology Licensing, Llc Hierarchical statistical model for behavior prediction and classification
CN105045916A (zh) * 2015-08-20 2015-11-11 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种手机游戏推荐系统及其推荐方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100299615A1 (en) * 2007-09-28 2010-11-25 The Trustees Of Dartmouth College System And Method For Injecting Sensed Presence Into Social Networking Applications
WO2010087882A1 (en) * 2009-01-30 2010-08-05 Cbs Interactive, Inc. Personalization engine for building a user profile
CN103412930A (zh) * 2013-08-17 2013-11-27 北京品友互动信息技术有限公司 一种互联网用户属性识别方法
CN103593393A (zh) * 2013-09-13 2014-02-19 微梦创科网络科技（中国）有限公司 基于微博互动关系挖掘社交圈的方法及装置
CN103745002A (zh) * 2014-01-24 2014-04-23 中国科学院信息工程研究所 一种基于行为特征与内容特征融合的水军识别方法及系统
CN104809132A (zh) * 2014-01-27 2015-07-29 阿里巴巴集团控股有限公司 一种获取网络主体社交关系类型的方法及装置
CN104298719A (zh) * 2014-09-23 2015-01-21 新浪网技术(中国)有限公司 基于社交行为进行用户的类别划分、广告投放方法和系统
WO2016201933A1 (zh) * 2015-06-19 2016-12-22 百度在线网络技术（北京）有限公司 用户数据处理方法、提供方法、系统和计算机设备
CN106934412A (zh) * 2015-12-31 2017-07-07 中国科学院深圳先进技术研究院 一种用户行为分类方法及系统
US20170316082A1 (en) * 2016-04-25 2017-11-02 Securboration, Inc. Classifying social media users
WO2017193749A1 (zh) * 2016-05-12 2017-11-16 阿里巴巴集团控股有限公司 一种确定用户行为偏好的方法、推荐信息的展示方法和装置
WO2018077285A1 (zh) * 2016-10-31 2018-05-03 腾讯科技（深圳）有限公司 机器学习模型训练方法、装置、服务器及存储介质
CN108073933A (zh) * 2016-11-08 2018-05-25 杭州海康威视数字技术股份有限公司 一种目标检测方法及装置
CN108280757A (zh) * 2017-02-13 2018-07-13 腾讯科技（深圳）有限公司 用户信用评估方法及装置
CN108055646A (zh) * 2017-05-19 2018-05-18 上海掌门科技有限公司 一种用于推荐用户的方法与设备
CN108197224A (zh) * 2017-12-28 2018-06-22 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN108804633A (zh) * 2018-06-01 2018-11-13 腾讯科技（深圳）有限公司 基于行为语义知识网络的内容推荐方法
CN109063130A (zh) * 2018-08-02 2018-12-21 广州友米科技有限公司 基于用户行为合并展示社交分享信息的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐建民;李腾飞;吴树芳;: "一种基于用户交互行为的微博社区发现方法" *
徐建民;李腾飞;吴树芳;: "一种基于用户交互行为的微博社区发现方法", 河北大学学报(自然科学版), vol. 36, no. 02, pages 2 - 4 *
白杨;邓贵仕;: "结合用户互动加权图的社交网络链接预测", 小型微型计算机系统, no. 09 *
谢忠红等: "基于内容和支撑向量基算法的微博用户识别和分类", 《金 陵 科 技 学 院 学 报》, vol. 33, no. 2, pages 10 - 11 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522866A (zh) * 2020-07-03 2020-08-11 支付宝(杭州)信息技术有限公司 一种可信子图的挖掘方法、装置以及设备
CN117574286A (zh) * 2024-01-11 2024-02-20 阿里健康科技(杭州)有限公司 标签值的确定方法、装置、设备和存储介质
CN117574286B (zh) * 2024-01-11 2024-05-24 阿里健康科技(杭州)有限公司 标签值的确定方法、装置、设备和存储介质

Also Published As

Publication number Publication date
WO2020135420A1 (zh) 2020-07-02
CN111353001B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN104394118B (zh) 一种用户身份识别方法及系统
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN112000819A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN109903103B (zh) 一种推荐物品的方法和装置
CN110335123B (zh) 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置
CN107306355A (zh) 一种内容推荐方法及服务器
CN108805598A (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN111611499B (zh) 协同过滤方法、协同过滤装置及系统
CN110008397A (zh) 一种推荐模型训练方法及装置
CN111506821B (zh) 推荐模型、方法、装置、设备及存储介质
CN107807935B (zh) 应用推荐方法及装置
CN111008335A (zh) 一种信息处理方法、装置、设备及存储介质
CN108648017B (zh) 易于扩展的用户需求匹配方法、装置、设备及存储介质
CN111353001B (zh) 对用户进行分类的方法和装置
CN111966916A (zh) 一种推荐方法、装置、电子设备及计算机可读存储介质
CN110110206B (zh) 物品间关系挖掘及推荐方法、装置、计算设备、存储介质
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
CN113538073A (zh) 基于社区发现的学习资源推荐方法、装置以及设备
CN110827078A (zh) 一种信息推荐方法、装置、设备及存储介质
CN113327154B (zh) 基于大数据的电商用户讯息推送方法及系统
CN113034231B (zh) 一种基于SaaS云服务的多供应链商品智能推荐系统及方法
CN111860655B (zh) 用户的处理方法、装置和设备
CN113313505B (zh) 异常定位方法、装置及计算设备
CN114547440A (zh) 基于互联网大数据的用户画像挖掘方法及人工智能云系统
CN112862008A (zh) 偏好预测模型的训练方法及用户偏好的预测方法

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