CN111353513A - 一种目标人群筛选的方法、装置、终端和存储介质 - Google Patents
一种目标人群筛选的方法、装置、终端和存储介质 Download PDFInfo
- Publication number
- CN111353513A CN111353513A CN201811563074.0A CN201811563074A CN111353513A CN 111353513 A CN111353513 A CN 111353513A CN 201811563074 A CN201811563074 A CN 201811563074A CN 111353513 A CN111353513 A CN 111353513A
- Authority
- CN
- China
- Prior art keywords
- vector
- attribute
- model
- person
- time
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种目标人群筛选的方法、装置、终端和存储介质，涉及公共安全领域。所述方法包括：通过确定目标任务和目标区域内的第一目标人群，获取上述第一目标人群中的多个待测试人员之间的时序信息和每个待测试人员的基本信息，通过目标任务对应的筛选模型，得到满足目标任务条件的第二目标人群。考虑了待测试人员之间的关系信息，结合基本属性信息，能够较为精确的筛选出满足目标任务条件的人群，节省了追踪具有特定行为的人群的过程中的人力物力，节约了时间。
Description
技术领域
本公开涉及公共安全领域，特别涉及一种目标人群筛选的方法、装置、终端和存储介质。
背景技术
随着社会的不断进步与发展，我们已经进入了大数据的时代，安防行业以及公安系统中积累了海量的跨警种、跨部门、跨平台的数据，如何通过充分挖掘这些数据中未被发现的复杂数据特征，来有效的筛选出具有特定行为的人群，来对上述具有特定行为的人群进行追踪是一个很重要的研究方向。
现有技术中，通常采用事后数据分析的模式，针对已经发生的事件、发生该事件的时间、发生该事件的空间以及发生该事件的原因等相关信息，进行属性重构、特征提取以及特征选取，然后通过多种融合算法构建基于加权投票的组合分类器，并根据上述组合分类器来绘制出城市的特定行为人群分布图谱，在空间上标注出具有特定行为的人群的聚集区域，辅助对具有特定行为的人群进行追踪。
上述技术中存在的问题是，获取的事后数据信息具有局限性，并且收集到的具有特定行为的人员的信息相互独立，遗漏了大量的关系信息数据，不利于筛选出潜在的具有特定行为的人员。
发明内容
本公开提供了一种目标人群筛选的方法、装置、终端和存储介质，可以准确高效的筛选出目标人群。
根据本公开实施例的第一方面，提供一种目标人群筛选的方法，包括：
确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，所述时序信息包括当前时间，以及当前时间下所述多个待测试人员之间的关系信息；
将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群。
在一种可能的实现方式中，所述确定目标区域中的第一目标人群，包括：
将所述目标区域中的多个人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个待测试人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个人员以及与所述多个人员之间具有关联关系的人员，将选择的人员组成所述第一目标人群。
在另一种可能的实现方式中，所述获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，包括：
获取所述每个待测试人员的基本属性信息；
根据所述每个待测试人员的基本属性信息，构建时序属性图；
从所述时序属性图中提取所述多个待测试人员之间的时序信息。
在另一种可能的实现方式中，所述根据所述每个待测试人员的基本属性信息，构建时序属性图，包括：
确定多个节点，一个节点表示一个待测试人员；
对于任意两个节点，根据所述两个节点对应的基本属性信息，确定所述两个节点在当前时间是否具有指定关系；
当所述两个节点在当前时间具有所述指定关系时，将所述两个节点进行关联，得到所述时序属性图。
在另一种可能的实现方式中，所述根据所述每个待测试人员的基本属性信息，构建时序属性图之前，所述方法还包括：
对于每个待测试人员，对所述待测试人员的基本属性信息中的第一指定属性的属性值进行标准化处理；和/或，
对所述基本属性信息中的缺失属性值进行补充；和/或，
对所述基本属性信息中的第二指定属性的属性值进行特征提取处理。
在另一种可能的实现方式中，所述将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群，包括：
所述目标任务对应的筛选模型包括第一模型和第二模型；
将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量；
将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群。
在另一种可能的实现方式中，所述将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量，包括：
将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
在另一种可能的实现方式中，所述将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量，包括：
获取第二特征向量，所述第二特征向量为所述目标区域在历史时间的特征向量；
将所述第二特征向量输入所述第一模型中的序列学习模型，得到历史向量；
将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述历史向量与所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
在另一种可能的实现方式中，所述将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群，包括：
将所述第一特征向量输入所述第二模型，得到所述每个待测试人员属于所述目标任务的任务标签的得分；
根据所述每个待测试人员的得分，选择得分超过预设分数的多个待测试人员组成所述第二目标人群。
在另一种可能的实现方式中，所述方法还包括：
当所述属性学习模型达到第一更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述属性学习模型进行更新；和/或，
当所述临近节点传播模型达到第二更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述临近节点传播模型进行更新。
在另一种可能的实现方式中，所述基于所述属性向量、所述时间向量和所述关系向量对所述属性学习模型进行更新，包括：
将当前时刻的属性向量和更新时刻的属性向量输入属性更新函数，得到更新后的第一属性向量，将所述第一属性向量与更新时刻的关系向量输入空间更新函数，得到第二属性向量，将第二属性向量与更新时刻的历史向量输入时空更新函数，得到第三属性更新向量，基于所述第三属性更新向量对所述属性模型进行更新。
在另一种可能的实现方式中，所述基于所述属性向量、所述时间向量和所述关系向量对所述临近节点传播模型进行更新，包括：
将当前时刻关系向量和更新时刻的关系向量输入关系更新函数，得到更新后的第一关系向量，将所述第一关系向量与更新时刻的属性向量输入空间更新函数，得到第二关系向量，将第二关系向量与更新时刻的历史向量输入时空更新函数，得到第三关系更新向量，基于所述第三关系更新向量对所述临近节点传播模型进行更新。
在另一种可能的实现方式中，所述方法还包括：
确定待测试的第一人员和第一预测时刻；
将所述第一特征向量、所述时序信息、所述第一人员以及所述第一预测时刻输入所述筛选模型中的第三模型，得到第一数组，所述第一数组为四元数组，包括所述第一人员、所述第一预测时刻、与所述第一人员在所述第一预测时刻发生的第一预测关系以及发生所述第一预测关系的第二人员，所述第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生所述预测关系的待测试人员。
在另一种可能的实现方式中，所述方法还包括：
确定待测试的第三人员、第四人员和第二预测关系；
将所述第一特征向量、所述时序信息、所述第三人员、所述第四人员以及所述第二预测关系输入所述筛选模型中的第四模型，得到第二数组，所述第二数组为四元数组，包括所述第三人员、所述第四人员、所述第二预测关系以及发生所述第二预测关系的第二预测时刻，所述第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。
在另一种可能的实现方式中，所述方法还包括：
获取多个第一样本数据，每个第一样本数据包括时序信息、基本属性信息和特征向量；
根据所述多个第一样本数据进行模型训练，得到所述第一模型。
在另一种可能的实现方式中，所述方法还包括：
获取多个第二样本数据，每个第二样本数据包括分类标签信息、特征向量和得分；
根据所述多个第二样本数据进行模型训练，得到所述第二模型。
根据本公开实施例的第二方面，提供了一种目标人群筛选的装置，包括：
第一确定模块，被配置为确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
第一获取模块，被配置为获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，所述时序信息包括当前时间，以及当前时间下所述多个待测试人员之间的关系信息；
第一输入模块，被配置为将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群。
在一种可能的实现方式中，所述第一确定模块，还被配置为将所述目标区域中的多个人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个待测试人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个人员以及与所述多个人员之间具有关联关系的人员，将选择的人员组成所述第一目标人群。
在另一种可能的实现方式中，所述第一获取模块，还被配置为获取所述每个待测试人员的基本属性信息；
根据所述每个待测试人员的基本属性信息，构建时序属性图；
从所述时序属性图中提取所述多个待测试人员之间的时序信息。
在另一种可能的实现方式中，所述第一获取模块，还被配置为确定多个节点，一个节点表示一个待测试人员；
对于任意两个节点，根据所述两个节点对应的基本属性信息，确定所述两个节点在当前时间是否具有指定关系；
当所述两个节点在当前时间具有所述指定关系时，将所述两个节点进行关联，得到所述时序属性图。
在另一种可能的实现方式中，所述根据所述每个待测试人员的基本属性信息，构建时序属性图之前，所述装置还包括：
第一处理模块，被配置为对于每个待测试人员，对所述待测试人员的基本属性信息中的第一指定属性的属性值进行标准化处理；和/或，
补充模块，被配置为对所述基本属性信息中的缺失属性值进行补充；和/或，
第二处理模块，被配置为对所述基本属性信息中的第二指定属性的属性值进行特征提取处理。
在另一种可能的实现方式中，所述目标任务对应的筛选模型包括第一模型和第二模型，所述第一输入模块，还被配置为将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量；
将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群。
在另一种可能的实现方式中，所述第一输入模块，还被配置为将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
在另一种可能的实现方式中，所述第一输入模块，还被配置为获取第二特征向量，所述第二特征向量为所述目标区域在历史时间的特征向量；
将所述第二特征向量输入所述第一模型中的序列学习模型，得到历史向量；
将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述历史向量与所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
在另一种可能的实现方式中，所述将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群，包括：
将所述第一特征向量输入所述第二模型，得到所述每个待测试人员属于所述目标任务的任务标签的得分；
根据所述每个待测试人员的得分，选择得分超过预设分数的多个待测试人员组成所述第二目标人群。
在另一种可能的实现方式中，所述装置还包括：
第一更新模块，被配置为当所述属性学习模型达到第一更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述属性学习模型进行更新；和/或，
第二更新模块，被配置为当所述临近节点传播模型达到第二更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述临近节点传播模型进行更新。
在另一种可能的实现方式中，所述第一更新模块，还被配置为将当前时刻的属性向量和更新时刻的属性向量输入属性更新函数，得到更新后的第一属性向量，将所述第一属性向量与更新时刻的关系向量输入空间更新函数，得到第二属性向量，将第二属性向量与更新时刻的历史向量输入时空更新函数，得到第三属性更新向量，基于所述第三属性更新向量对所述属性模型进行更新。
在另一种可能的实现方式中，所述第二更新模块，还被配置为将当前时刻关系向量和更新时刻的关系向量输入关系更新函数，得到更新后的第一关系向量，将所述第一关系向量与更新时刻的属性向量输入空间更新函数，得到第二关系向量，将第二关系向量与更新时刻的历史向量输入时空更新函数，得到第三关系更新向量，基于所述第三关系更新向量对所述临近节点传播模型进行更新。
在另一种可能的实现方式中，所述装置还包括：
第二确定模块，被配置为确定待测试的第一人员和第一预测时刻；
第二输入模块，被配置为将所述第一特征向量、所述时序信息、所述第一人员以及所述第一预测时刻输入所述筛选模型中的第三模型，得到第一数组，所述第一数组为四元数组，包括所述第一人员、所述第一预测时刻、与所述第一人员在所述第一预测时刻发生的第一预测关系以及发生所述第一预测关系的第二人员，所述第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生所述预测关系的待测试人员。
在另一种可能的实现方式中，所述装置还包括：
第三确定模块，被配置为确定待测试的第三人员、第四人员和第二预测关系；
第三输入模块，被配置为将所述第一特征向量、所述时序信息、所述第三人员、所述第四人员以及所述第二预测关系输入所述筛选模型中的第四模型，得到第二数组，所述第二数组为四元数组，包括所述第三人员、所述第四人员、所述第二预测关系以及发生所述第二预测关系的第二预测时刻，所述第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。
在另一种可能的实现方式中，所述装置还包括：
第二获取模块，被配置为获取多个第一样本数据，每个第一样本数据包括时序信息、基本属性信息和特征向量；
第一训练模块，被配置为根据所述多个第一样本数据进行模型训练，得到所述第一模型。
在另一种可能的实现方式中，所述装置还包括：
第三获取模块，被配置为获取多个第二样本数据，每个第二样本数据包括分类标签信息、特征向量和得分；
第二训练模块，被配置为根据所述多个第二样本数据进行模型训练，得到所述第二模型。
根据本公开实施例的第三方面，提供一种终端，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，所述时序信息包括当前时间，以及当前时间下所述多个待测试人员之间的关系信息；
将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群。
根据本公开实施例的第四方面，提供一种存储介质，所述存储介质上存储有指令，所述指令被处理器执行以完成上述第一方面任一所述的目标人群筛选的方法。
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的，并不能限制本公开。
本公开的实施例提供的技术方案可以包括如下的有益效果：
通过确定目标任务和目标区域内的第一目标人群，获取上述第一目标人群中的多个待测试人员之间的时序信息和每个待测试人员的基本信息，通过目标任务对应的筛选模型，得到满足目标任务条件的第二目标人群。考虑了待测试人员之间的关系信息，结合基本属性信息，能够较为精确的筛选出满足目标任务条件的人群，节省了追踪具有特定行为的人群的过程中的人力物力，节约了时间。
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，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是根据本公开示例性实施例示出的一种整体框架图；
图2是根据本公开示例性实施例示出的一种目标人群筛选的方法的流程图；
图3是根据本公开示例性实施例示出的另一种目标人群筛选的方法的流程图；
图4是根据本公开示例性实施例示出的一种构建时序属性图的方式的示意图；
图5是根据本公开示例性实施例示出的一种第一模型的示意图；
图6是根据本公开示例性实施例示出的另一种第一模型的示意图；
图7是根据本公开示例性实施例示出的一种对属性学习模型更新的流程图；
图8是根据本公开示例性实施例示出的一种对临近节点传播模型更新的流程图；
图9是根据本公开示例性实施例示出的一种端到端筛选方式的示意图；
图10是根据本公开示例性实施例示出的一种非端到端筛选方式的示意图；
图11是根据本公开示例性实施例示出的一种第三模型的示意图；
图12是根据本公开示例性实施例示出的一种第四模型的示意图；
图13是根据本公开示例性实施例示出的一种目标人群筛选的装置的框图；
图14是根据本公开示例性实施例示出的一种终端的框图。
具体实施方式
这里将详细地对示例性实施例执行说明，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发明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、本发明的一些方面相一致的装置和方法的例子。
本公开提供了一种目标人群筛选的方法，在本公开实施例中，通过筛选模型从目标区域的第一目标人群中筛选满足目标任务的任务条件的第二目标人群。图1所示为本公开的整体框架图，其中，筛选模型包括第一模型和第二模型，第一模型用于识别通过时序信息和基本属性信息识别特征向量，第二模型用于通过特征向量从第一目标人群中筛选第二目标人群。
其中，第一模型至少包括时间影响模型、临近节点传播模型和属性学习模型。时间影响模型用于识别时间向量，临近节点传播模型用于识别关系向量，属性学习模型用于识别属性向量。第一模型还可以包括序列学习模型，该序列学习模型用于通过特征向量识别历史向量。
筛选模型还包括第三模型和第四模型，第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生所述预测关系的待测试人员，第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。
在筛选目标人群时，终端获取目标区域内的多个待测试人员的基本属性信息，基于该每个待测试人员的基本属性信息构建时序属性图，基于该时序属性图和第一模型，识别目标区域的第一特征向量，将第一特征向量输入第二模型中得到满足目标任务的任务条件的第二目标人群。基于该时序属性图和第三模型，预测与某个待测试人员在任意时刻发生的预测关系和发生该预测关系的待测试人员。基于该时序属性图和第四模型，预测任何两个待测试人员发生任意预设关系的预测时刻。
其中，该第二目标人群可以是具有特定行为的人群，例如在追踪具有特定行为人群的过程中，确定目标任务为追踪具有待筛选行为的人群，确定目标区域为某个城市或者某个城市的部分区域，在上述目标区域中确定第一目标人群，该第一目标人群可以为具有待筛选行为历史的人群、具有待筛选行为可能性的人群以及上述目标区域内的普通人，筛选出的第二目标人群为极大可能具有带筛选行为的人群，上述待筛选行为可以是任一特定行为。通过筛选的结果可以缩小追踪具有待筛选行为的人群的范围，节省了人力物力和大量的时间。
图2是根据本公开示例性实施例示出的一种目标人群筛选的方法的流程图。该方法应用于终端，用于解决数据筛选没有考虑关系信息的问题，该方法包括以下步骤：
在步骤201中，终端确定目标任务，以及确定目标区域中的第一目标人群，第一目标人群包括多个待测试人员。
在步骤202中，终端获取多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，时序信息包括当前时间，以及当前时间下多个待测试人员之间的关系信息。
在步骤203中，终端将时序信息和每个待测试人员的基本属性信息输入目标任务对应的筛选模型，得到满足目标任务的任务条件的第二目标人群。
通过确定目标任务和目标区域内的第一目标人群，获取上述第一目标人群中的多个待测试人员之间的时序信息和每个待测试人员的基本信息，通过目标任务对应的筛选模型，得到满足目标任务条件的第二目标人群。考虑了待测试人员之间的关系信息，结合基本属性信息，能够较为精确的筛选出满足目标任务条件的人群，节省了追踪具有特定行为的人群的过程中的人力物力，节约了时间。
图3是根据本公开示例性实施例示出的另一种目标人群筛选的方法的流程图。该方法应用于终端，用于解决数据筛选没有考虑关系信息的问题，该方法包括以下步骤：
在步骤301中，终端确定目标任务以及目标区域中的第一目标人群，该第一目标人群包括多个待测试人员。
该终端可以是计算机、便携式计算机或者服务器等，本公开对此不进行具体限制。
该目标任务是追踪具有特定行为的人群的任务，目标任务可以是追踪具有待筛选行为的人群的任务，该待筛选行为可以是走失人口、酒驾、闯红灯、见义勇为、拾金不昧等行为，本公开对此不进行具体限制。该第一目标人群包括多个待测试人员。上述目标区域可以是任一区域，例如，该目标区域可以为一座城市的全部区域，也可以是一座城市的部分区域，同样可以是多座城市的全部区域或者部分区域。
其中，终端确定目标区域中的第一目标人群的步骤可以通过以下三种实现方式中的任一实现方式实现：
第一种可能的实现方式是，终端将目标区域中的多个人员组成第一目标人群。
在本步骤中，终端可以将该目标区域中的所有人员组成第一目标人群；其中，所有人员至少包括常住人口，该所有人员还可以包括流动人口。终端还可以获取该目标区域中的所有人员的第一基本属性信息，基于所有人员的第一基本属性信息，从该目标区域中的所有人员中选择指定年龄段和/或指定性别的多个待测试人员，和/或，将选择的指定年龄段的多个待测试人员和/或指定性别的多个待测试人员组成第一目标人群。其中，第一基本属性信息至少包括年龄和/或性别；指定年龄段可以为20～30,30～40等；指定性别可以为男或者女等。
其中，服务器中存储每个区域中的每个人员的第一基本属性信息；在本步骤中，终端可以直接从服务器中获取该目标区域中的所有人员的第一基本属性信息，该过程可以为：终端向服务器发送第一获取请求，该第一获取请求携带该目标区域的区域标识，且该第一获取请求用于获取该目标区域内的所有人员的第一基本属性信息。服务器接收终端的第一获取请求，根据该目标区域的区域标识，获取该目标区域内的所有人员的区域标识，向终端返回该目标区域内的所有人员的第一基本属性信息；终端接收服务器返回的该目标区域内的所有人员的第一基本属性信息。
第二种可能的实现方式是，终端获取上述目标区域内的每个人员的分类标签信息，根据上述每个人员的分类标签信息，从上述目标区域内选择具有上述目标任务的任务标签的多个待测试人员组成上述第一目标人群。
分类标签信息包括至少一个任务标识。任务标签为用于标识目标任务的标签，该任务标签可以是待筛选的行为。
在本步骤中，终端可以从服务器中获取该目标区域内的每个人员的分类标签信息，该过程可以为：终端向服务器发送第二获取请求，该第二获取请求携带该目标区域的区域标识；服务器接收该第二获取请求，根据该区域标识，获取该目标区域内的每个人员的分类标签信息。终端接收该目标区域内的每个人员的分类标签信息。其中，区域标识可以为该目标区域的区域名称、位置或者编号等。
需要说明的一点是，在第二种方式中，终端根据上述每个人员的分类标签信息，从上述目标区域内选择具有上述目标任务的任务标签的多个待测试人员之后，终端还可以从具有上述目标任务的任务标签的多个待测试人员中选择指定年龄段和/或指定性别的待测试人员组成第一目标人员。
需要说明的另一点是，终端从目标区域中选择具有目标任务的任务标签的多个待测试人员组成第一目标人群，能够有针对性的选择第一目标人群，提高了后续筛选的准确性。
第三种可能的实现方式是，终端获取目标区域内的每个人员的分类标签信息，根据每个人员的分类标签信息，从上述目标区域内选择具有上述目标任务的任务标签的多个人员以及与该多个人员之间具有关联关系的人员，将选择的人员组成上述第一目标人群。
在本步骤中，终端从目标区域中选择与该多个人员之间具有关联关系的人员的步骤可以为：终端获取目标区域内的每个人员的关系信息，对于每个选择的人员，根据目标区域内的每个人员的关系信息和该选择的人员，从目标区域内选择与该选择的人员之间具有关联关系的人员。
需要说明的一点是，在本步骤中，终端可以从目标区域中选择与该选择的人员之间具有任何关联关系的人员，也可以从目标区域中选择与该选择的人员之间具有至少一个指定的关联关系的人员。其中，指定的关联关系可以为朋友关系、频繁联系关系等等。
在第三种方式中，终端获取与目标任务相关的人群以及和这些人群具有关联关系的人群，例如在追踪具有待筛选行为的人群过程中，通过选取具有待筛选行为历史的人员以及和上述具有待筛选行为历史的人员关系密切的人员组成上述第一目标群。需要说明的是，上述第一目标人群的选取方式不仅限于本公开实施例中列举的方式，本公开实施例对此不进行具体限制。
在步骤302中，终端获取上述多个待测试人员之间的时序信息和每个待测试人员的第二基本属性信息。
本步骤可以通过以下(1)至(3)的小步骤来实现：
(1)终端获取上述每个待测试人员的第二基本属性信息。
服务器中存储每个待测试人员的第二基本属性信息；终端从服务器中获取每个待测试人员的第二基本属性信息。其中，对于每个待测试人员，该待测试人员的第二基本属性信息包括该待测试人员的身份信息、该待测试人员参与事件的事件信息、该事件的发生地点信息、该事件涉及物品的物品信息以及该事件所属的组织信息中的至少一项。上述身份信息包括年龄、身高、性别等信息。
需要说明的一点是，第一基本属性信息和第二基本属性信息可以相同，也可以不同；在本公开实施例中对此不作具体限定；当第一基本属性信息和第二基本属性信息相同时，在步骤中不需要再次从服务器中获取每个待测试人员的第二基本属性信息，直接从该目标区域内的每个人员的第一基本属性信息中选择每个待测试人员的第二基本属性信息即可。
(2)终端根据上述每个待测试人员的第二基本属性信息，构建时序属性图。
终端在构建时序属性图时，确定多个节点，一个节点表示一个待测试人员；对于任意两个节点，根据上述两个节点对应的第二基本属性信息，确定两个节点在当前时间是否具有指定关系；当上述两个节点在当前时间具有指定关系时，将上述两个节点进行关联，得到时序属性图。
其中，终端将上述两个节点进行关联后，存储该两个节点的时间信息和关系信息，时间信息为发生该指定关系的时间信息，该关系信息包括指定关系的关系类型、地点信息、所属的组织信息中至少一项信息。
其中，上述时序属性图中，每一个节点都代表了一个待测试人员，待测试人员之间可以通过线段进行连接的方式将这两个待测试人员对应的两个节点进行关联。其中，指定关系可以为同事关系、血缘关系、债务关系、合作关系或者感情关系等。另外，当上述两个节点在当前时间不具有指定关系时，不将上述两个节点进行关联。
在一种可能的实现方式中，终端获取到每个待测试人员的第二基本属性信息之后，可以直接根据每个待测试人员的第二基本属性信息，构建时序属性图。在另一种可能的实现方式中，可能待测试人员的第二基本属性信息中可能某些属性的缺失、具有连续性或者离散性。相应的，终端获取到上述每个待测试人员的第二基本属性信息后，在构建时序属性图之前，终端对每个待测试人员的第二基本属性信息进行预处理，其中，该预处理包括标准化处理、缺失值补充处理、离散变量进行onehot(特征提取方法)或者embedding(神经学习方法)处理等。相应的，终端对每个待测试人员的第二基本属性进行预处理的过程可以为：
对于每个待测试人员，终端对该待测试人员的第二基本属性信息中的第一指定属性的属性值进行标准化处理；和/或，对上述第二基本属性信息中的缺失属性值进行补充；和/或，对上述第二基本属性信息中的第二指定属性的属性值进行特征提取处理。
上述第一指定属性可以为连续性变量，例如年龄和学历等；上述第二指定属性可以为离散变量，例如居住地址，工作经历等。终端对每个待测试人员的基本属性中的连续性变量进行标准化；对于缺失的值进行补充，例如无特定行为记录的人员在基本信息中的特定行为标签缺失，补充该特定行为标签的值为0，表示无特定行为记录；对于离散的变量通过onehot或embedding等进行标准化处理，例如追踪待筛选行为人群时，对于曾经居住在待筛选行为高发地区的人员的居住地址特征进行重点提取。
如图4所示，为构建上述时序属性图的方式示意图，终端中包括属性预处理子模块和时序关系提取子模块；其中，终端通过属性预处理子模块对每个待测试人员的第二基本属性信息进行预处理，通过时序关系提取子模块构建时序属性图。
(3)终端从上述时序属性图中提取上述多个待测试人员之间的时序信息。
对于每个待测试人员，终端在该时序属性图中确定该待测试人员对应的节点，从上述时序属性图中提取与该节点存在指定关系的节点，获取这两个节点之间的时序信息，将这两个节点的时序信息作为这两个节点表示的两个待测试人员之间的时序信息。
例如，具有待筛选行为历史的一个待测试人员和另一个没有待筛选行为历史的待测试人员在某一年结为夫妻，则上述没有待筛选行为历史的待测试人员可能在当前时间成为具有待筛选行为的人员，通过提取他们之间的关系，可以延伸出多个潜在的具有待筛选行为的对象。
在步骤303中，终端将上述时序信息和上述每个待测试人员的第二基本属性信息输入上述第一模型，得到上述目标区域在当前时间的第一特征向量。
上述目标任务对应的筛选模型包括第一模型和第二模型，第一模型用于通过时序信息和第二基本信息识别第一特征向量。第二模型用于通过第一特征向量识别目标人群。该第一模型可以为图学习模型。
在一种可能的实现方式中，第一模型中包括时间影响模型、临近节点传播模型和属性学习模型。时间影响模型用于识别时间向量，临近节点传播模型用于识别关系向量，属性学习模型用于识别属性向量。相应的，本步骤可以为：
终端将时序信息中的当前时间的时间信息输入上述第一模型中的时间影响模型，得到时间向量；将时序信息中的关系信息输入上述第一模型中的临近节点传播模型，得到关系向量；将第二基本属性信息输入上述第一模型中的属性学习模型，得到属性向量。终端将上述时间向量、关系向量以及属性向量进行向量融合，得到上述目标区域在当前时间的第一特征向量。如图5所示为上述第一模型的示意图。
在另一种可能的实现方式中，第一模型中除了包括时间影响模型、临近节点传播模型和属性学习模型，该第一模型还包括序列学习模型，该序列学习模型用于通过特征向量识别历史向量。相应的，本步骤可以为：
终端获取第二特征向量，该第二特征向量为上述目标区域在历史时间的特征向量。终端将上述第二特征向量输入上述第一模型中的序列学习模型，得到历史向量；时序信息中的当前时间的时间信息输入上述第一模型中的时间影响模型，得到时间向量；将上述时序信息中的关系信息输入上述第一模型中的临近节点传播模型，得到关系向量；将上述第二基本属性信息输入上述第一模型中的属性学习模型，得到属性向量；将上述历史向量与上述时间向量、关系向量以及属性向量进行向量融合，得到上述第一特征向量。图6为上述第一模型的示意图。
需要说明的是，终端还可以设置第一更新条件；当属性学习模型达到第一更新条件时，终端更新属性学习模型输出的属性向量。相应的，该过程可以为：当上述属性学习模型达到第一更新条件时，终端基于上述属性向量、上述时间向量和上述关系向量对上述属性学习模型输出的属性向量进行更新。
终端将当前时刻的属性向量和更新时刻的属性向量输入属性更新函数，得到更新后的第一属性向量，将上述第一属性向量与更新时刻的关系向量输入空间更新函数，得到第二属性向量，将第二属性向量与更新时刻的历史向量输入时空更新函数，得到第三属性更新向量，基于第三属性更新向量对属性模型进行更新。图7所示的是对上述属性学习模型输出的属性向量进行更新的流程图。
上述第一更新条件可以达到第一更新周期，也可以是在检测到第一更新指令，或者检测到第一指定事件，本公开对此不进行具体限制。
另外需要说明的是，终端还可以设置第二更新条件；当临近节点传播模型达到第二更新条件时，终端更新临近节点传播模型输出的关系向量。相应的，该过程可以为：当上述临近节点传播模型达到第二更新条件时，终端基于上述属性向量、上述时间向量和上述关系向量对上述临近节点传播模型输出的关系向量进行更新。
终端将当前时刻关系向量和更新时刻的关系向量输入关系更新函数，得到更新后的第一关系向量，将上述第一关系向量与更新时刻的属性向量输入空间更新函数，得到第二关系向量，将第二关系向量与更新时刻的历史向量输入时空更新函数，得到第三关系更新向量，基于第三关系更新向量对临近节点传播模型进行更新。图8所示的是对上述临近节点传播模型进行更新的流程图。
第二更新条件和第一更新条件可以相同，也可以不同。同样，第二更新条件可以是达到第二更新周期，也可以是检测到第二更新指令，或者检测到第二指定事件，本公开对此不进行具体限制。其中，第二更新周期和第一更新周期可以相同，也可以不同，第二指定事件和第一更新事件可以相同，也可以不同。
在步骤304中，终端将第一特征向量输入第二模型，得到满足任务条件的第二目标人群。
在本步骤中，终端将上述第一特征向量输入上述第二模型，得到上述每个待测试人员属于上述目标任务的任务标签的得分；终端根据上述每个待测试人员的得分，选择分数超过预设分数的多个待测试人员组成的上述第二目标人群。
在一种可能的实现方式中，上述第二模型的损失函数基于上述待测试人员的分类标签信息，会影响各涉及到的模型的参数调节，称为端到端的筛选方式，如图9所示，为上述端到端筛选方式的示意图。终端将上述第一特征向量和每个待测试人员的分类标签信息输入基于上述标签信息的损失函数中，通过端到端的学习每个待测试人员对应的每个节点属于上述任务标签的得分，得到每个待测试人员属于目标任务的任务标签的得分，按照每个待测试人员属于目标任务的任务标签的得分，选择分数超过预设分数的多个待测试人员组成第二目标人群。
在另一种可能的实现方式中，上述第二模型为一个分类模型，上述待测试人员的分类标签信息仅影响上述分类模型，称为非端到端的筛选方式。如图10所示，为上述非端到端筛选方式的示意图。终端将上述第一特征向量和上述每个待测试人员的分类标签信息输入上述分类模型中，上述分类模型计算上述多个待测试人员属于上述任务标签的得分，按照每个待测试人员属于目标任务的任务标签的得分，选择分数超过预设分数的多个待测试人员组成第二目标人群。
预设分数可以根据需要进行设置并更改，在本公开实施例中，对预设分数不作具体限定；例如，预设分数可以为80或者85等。
需要进行说明的是，本公开中还提供了可以辅助筛选上述第二目标人群的第三模型，上述第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生该预测关系的待测试人员。步骤如下，终端确定待测试的第一人员和第一预测时刻；将上述第一特征向量、上述时序信息、上述第一人员以及上述第一预测时刻输入第三模型，得到第一数组，上述第一数组为四元数组，包括上述第一人员、上述第一预测时刻、与上述第一人员在上述第一预测时刻发生的第一预测关系以及发生上述第一预测关系的第二人员。如图11所示，为上述第三模型的示意图，上述第一人员为一个节点v，上述第一预测时刻为t，上述第一预测关系为r，上述发生该预测关系的第二人员为一个节点u，上述第三模型通过不同的时间分布模型，预测节点v在t时刻与其他节点发生关系的得分，选取得分最大的关系r和节点u。
另外需要说明的是，本公开中还提供了可以辅助筛选上述第二目标人群的第四模型，上述第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。步骤如下，终端确定待测试的第三人员、第四人员和第二预测关系；将上述第一特征向量、上述时序信息、上述第三人员、上述第四人员以及上述第二预测关系输入上述第四模型，得到第二数组，上述第二数组为四元数组，包括上述第三人员、上述第四人员、上述第二预测关系以及发生上述第二预测关系的第二预测时刻。如图12所示，为上述第四模型的示意图，上述第三人员为一个节点v，上述第四人员为一个节点u，上述第二预测关系为r，上述第二预测时刻为t，上述第四模型通过针对上述第二预测关系r随时间变化的分布模型，预测节点v和节点u发生关系r的时刻t。
另外需要说明的是，本公开中还提供了训练上述第一模型的方法，步骤如下，终端获取多个第一样本数据，每个第一样本数据包括时序信息、第二基本属性信息和特征向量；根据上述多个第一样本数据进行模型训练，得到上述第一模型。
另外需要说明的是，本公开中还提供了训练上述第二模型的方法，步骤如下，终端获取多个第二样本数据，每个第二样本数据包括分类标签信息、特征向量和得分；根据上述多个第二样本数据进行模型训练，得到上述第二模型。
同样，终端还需要训练第三模型和第四模型，其中，终端训练第三模型的步骤可以为：终端获取多个第三样本数据，每个第三样本数据包括第一指定人员、第一指定时刻、在第一指定人员在第一指定时刻发生的第一指定关系和与第一指定人员发生第一指定关系的第二指定人；根据上述多个第三样本数据进行模型训练，得到上述第三模型。
终端训练第四模型的步骤可以为：终端获取多个第四样本数据，每个第四样本数据包括第三指定人员、第四指定人员、第三指定人员和第四指定人员发生的第二指定关系和发生该第二指定关系的第二指定时刻；根据上述多个第四样本数据进行模型训练，得到上述第四模型。
在本公开实施例中，通过确定目标任务和目标区域内的第一目标人群，获取上述第一目标人群中的多个待测试人员之间的时序信息和每个待测试人员的基本信息，通过目标任务对应的筛选模型，得到满足目标任务条件的第二目标人群。考虑了待测试人员之间的关系信息，结合基本属性信息，能够较为精确的筛选出满足目标任务条件的人群，节省了追踪具有特定行为的人群的过程中的人力物力，节约了时间。
图13是根据本公开部分示例性实施例示出的一种目标人群筛选的装置的框图。该装置包括：第一确定模块1301、第一获取模块1302以及第一输入模块1303.
上述第一确定模块1301，被配置为确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
上述第一获取模块1302，被配置为获取多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，时序信息包括当前时间，以及当前时间下多个待测试人员之间的关系信息；
上述第一输入模块1303，被配置为将时序信息和每个待测试人员的基本属性信息输入目标任务对应的筛选模型，得到满足目标任务的任务条件的第二目标人群。
在一种可能的实现方式中，第一确定模块1301，还被配置为将目标区域中的多个人员组成第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据每个人员的分类标签信息，从目标区域内选择具有目标任务的任务标签的多个待测试人员组成第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据每个人员的分类标签信息，从目标区域内选择具有目标任务的任务标签的多个人员以及与多个人员之间具有关联关系的人员，将选择的人员组成第一目标人群。
在另一种可能的实现方式中，第一获取模块1302，还被配置为获取每个待测试人员的基本属性信息；
根据每个待测试人员的基本属性信息，构建时序属性图；
从时序属性图中提取多个待测试人员之间的时序信息。
在另一种可能的实现方式中，第一获取模块1302，还被配置为确定多个节点，一个节点表示一个待测试人员；
对于任意两个节点，根据两个节点对应的基本属性信息，确定两个节点在当前时间是否具有指定关系；
当两个节点在当前时间具有指定关系时，将两个节点进行关联，得到时序属性图。
在另一种可能的实现方式中，根据每个待测试人员的基本属性信息，构建时序属性图之前，装置还包括：
第一处理模块，被配置为对于每个待测试人员，对待测试人员的基本属性信息中的第一指定属性的属性值进行标准化处理；和/或，
补充模块，被配置为对基本属性信息中的缺失属性值进行补充；和/或，
第二处理模块，被配置为对基本属性信息中的第二指定属性的属性值进行特征提取处理。
在另一种可能的实现方式中，目标任务对应的筛选模型包括第一模型和第二模型，第一输入模块1303，还被配置为将时序信息和每个待测试人员的基本属性信息输入第一模型，得到目标区域在当前时间的第一特征向量；
将第一特征向量输入第二模型，得到满足任务条件的第二目标人群。
在另一种可能的实现方式中，第一输入模块1303，还被配置为将时序信息中的当前时间的时间信息输入第一模型中的时间影响模型，得到时间向量；
将时序信息中的关系信息输入第一模型中的临近节点传播模型，得到关系向量；
将基本属性信息输入第一模型中的属性学习模型，得到属性向量；
将时间向量、关系向量以及属性向量进行向量融合，得到第一特征向量。
在另一种可能的实现方式中，第一输入模块1303，还被配置为获取第二特征向量，第二特征向量为目标区域在历史时间的特征向量；
将第二特征向量输入第一模型中的序列学习模型，得到历史向量；
将时序信息中的当前时间的时间信息输入第一模型中的时间影响模型，得到时间向量；
将时序信息中的关系信息输入第一模型中的临近节点传播模型，得到关系向量；
将基本属性信息输入第一模型中的属性学习模型，得到属性向量；
将历史向量与时间向量、关系向量以及属性向量进行向量融合，得到第一特征向量。
在另一种可能的实现方式中，将第一特征向量输入第二模型，得到满足任务条件的第二目标人群，包括：
将第一特征向量输入第二模型，得到每个待测试人员属于目标任务的任务标签的得分；
根据每个待测试人员的得分，选择得分超过预设分数的多个待测试人员组成第二目标人群。
在另一种可能的实现方式中，装置还包括：
第一更新模块，被配置为当属性学习模型达到第一更新条件时，基于属性向量、时间向量和关系向量对属性学习模型输出的属性向量进行更新；和/或，
第二更新模块，被配置为当临近节点传播模型达到第二更新条件时，基于属性向量、时间向量和关系向量对临近节点传播模型输出的关系向量进行更新。
在另一种可能的实现方式中，第一更新模块，还被配置为将当前时刻的属性向量和更新时刻的属性向量输入属性更新函数，得到更新后的第一属性向量，将第一属性向量与更新时刻的关系向量输入空间更新函数，得到第二属性向量，将第二属性向量与更新时刻的历史向量输入时空更新函数，得到第三属性更新向量，基于第三属性更新向量对属性模型进行更新。
在另一种可能的实现方式中，第二更新模块，还被配置为将当前时刻关系向量和更新时刻的关系向量输入关系更新函数，得到更新后的第一关系向量，将第一关系向量与更新时刻的属性向量输入空间更新函数，得到第二关系向量，将第二关系向量与更新时刻的历史向量输入时空更新函数，得到第三关系更新向量，基于第三关系更新向量对临近节点传播模型进行更新。
在另一种可能的实现方式中，装置还包括：
第二确定模块，被配置为确定待测试的第一人员和第一预测时刻；
第二输入模块，被配置为将第一特征向量、时序信息、第一人员以及第一预测时刻输入所述筛选模型中的第三模型，得到第一数组，第一数组为四元数组，包括第一人员、第一预测时刻、与第一人员在第一预测时刻发生的第一预测关系以及发生第一预测关系的第二人员，第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生预测关系的待测试人员。
在另一种可能的实现方式中，装置还包括：
第三确定模块，被配置为确定待测试的第三人员、第四人员和第二预测关系；
第三输入模块，被配置为将第一特征向量、时序信息、第三人员、第四人员以及第二预测关系输入所述筛选模型中的第四模型，得到第二数组，第二数组为四元数组，包括第三人员、第四人员、第二预测关系以及发生第二预测关系的第二预测时刻，第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。
在另一种可能的实现方式中，装置还包括：
第二获取模块，被配置为获取多个第一样本数据，每个第一样本数据包括时序信息、基本属性信息和特征向量；
第一训练模块，被配置为根据多个第一样本数据进行模型训练，得到第一模型。
在另一种可能的实现方式中，装置还包括：
第三获取模块，被配置为获取多个第二样本数据，每个第二样本数据包括分类标签信息、特征向量和得分；
第二训练模块，被配置为根据多个第二样本数据进行模型训练，得到第二模型。
通过确定目标任务和目标区域内的第一目标人群，获取上述第一目标人群中的多个待测试人员之间的时序信息和每个待测试人员的基本信息，通过目标任务对应的筛选模型，得到满足目标任务条件的第二目标人群。考虑了待测试人员之间的关系信息，结合基本属性信息，能够较为精确的筛选出满足目标任务条件的人群，节省了追踪具有特定行为的人群的过程中的人力物力，节约了时间。
图14示出了本发明一个示例性实施例提供的终端1400的结构框图。该终端1400可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1400还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端1400包括有：处理器1401和存储器1402。
处理器1401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1401可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1401可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1401还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1402中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1401所执行以实现本申请中方法实施例提供的目标人群筛选的方法。
在一些实施例中，终端1400还可选包括有：外围设备接口1403和至少一个外围设备。处理器1401、存储器1402和外围设备接口1403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1403相连。具体地，外围设备包括：射频电路1404、触摸显示屏1405、摄像头1406、音频电路1407、定位组件1408和电源1409中的至少一种。
外围设备接口1403可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1401和存储器1402。在一些实施例中，处理器1401、存储器1402和外围设备接口1403被集成在同一芯片或电路板上；在一些其他实施例中，处理器1401、存储器1402和外围设备接口1403中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1404用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1404将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1404包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1404还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1405用于显示UI(UserInterface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1405是触摸显示屏时，显示屏1405还具有采集在显示屏1405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1401进行处理。此时，显示屏1405还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1405可以为一个，设置终端1400的前面板；在另一些实施例中，显示屏1405可以为至少两个，分别设置在终端1400的不同表面或呈折叠设计；在再一些实施例中，显示屏1405可以是柔性显示屏，设置在终端1400的弯曲表面上或折叠面上。甚至，显示屏1405还可以设置成非矩形的不规则图形，也即异形屏。显示屏1405可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1406用于采集图像或视频。可选地，摄像头组件1406包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(VirtualReality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1406还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1401进行处理，或者输入至射频电路1404以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1401或射频电路1404的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1407还可以包括耳机插孔。
定位组件1408用于定位终端1400的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件1408可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源1409用于为终端1400中的各个组件进行供电。电源1409可以是交流电、直流电、一次性电池或可充电电池。当电源1409包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端1400还包括有一个或多个传感器1410。该一个或多个传感器1410包括但不限于：加速度传感器1411、陀螺仪传感器1412、压力传感器1413、指纹传感器1414、光学传感器1415以及接近传感器1416。
加速度传感器1411可以检测以终端1400建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1411可以用于检测重力加速度在三个坐标轴上的分量。处理器1401可以根据加速度传感器1411采集的重力加速度信号，控制触摸显示屏1405以横向视图或纵向视图进行用户界面的显示。加速度传感器1411还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1412可以检测终端1400的机体方向及转动角度，陀螺仪传感器1412可以与加速度传感器1411协同采集用户对终端1400的3D动作。处理器1401根据陀螺仪传感器1412采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1413可以设置在终端1400的侧边框和/或触摸显示屏1405的下层。当压力传感器1413设置在终端1400的侧边框时，可以检测用户对终端1400的握持信号，由处理器1401根据压力传感器1413采集的握持信号进行左右手识别或快捷操作。当压力传感器1413设置在触摸显示屏1405的下层时，由处理器1401根据用户对触摸显示屏1405的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1414用于采集用户的指纹，由处理器1401根据指纹传感器1414采集到的指纹识别用户的身份，或者，由指纹传感器1414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1401授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1414可以被设置终端1400的正面、背面或侧面。当终端1400上设置有物理按键或厂商Logo时，指纹传感器1414可以与物理按键或厂商Logo集成在一起。
光学传感器1415用于采集环境光强度。在一个实施例中，处理器1401可以根据光学传感器1415采集的环境光强度，控制触摸显示屏1405的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏1405的显示亮度；当环境光强度较低时，调低触摸显示屏1405的显示亮度。在另一个实施例中，处理器1401还可以根据光学传感器1415采集的环境光强度，动态调整摄像头组件1406的拍摄参数。
接近传感器1416，也称距离传感器，通常设置在终端1400的前面板。接近传感器1416用于采集用户与终端1400的正面之间的距离。在一个实施例中，当接近传感器1416检测到用户与终端1400的正面之间的距离逐渐变小时，由处理器1401控制触摸显示屏1405从亮屏状态切换为息屏状态；当接近传感器1416检测到用户与终端1400的正面之间的距离逐渐变大时，由处理器1401控制触摸显示屏1405从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图14中示出的结构并不构成对终端1400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本公开实施例还提供了一种存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该指令、该程序、该代码集或该指令集由处理器加载并执行以实现上述实施例的目标人群筛选的方法中终端所执行的操作。
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执行了详细描述，此处将不做详细阐述说明。
应当理解的是，本发明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执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (34)
1.一种目标人群筛选的方法，其特征在于，所述方法包括：
确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，所述时序信息包括当前时间，以及当前时间下所述多个待测试人员之间的关系信息；
将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群。
2.根据权利要求1所述的方法，其特征在于，所述确定目标区域中的第一目标人群，包括：
将所述目标区域中的多个人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个待测试人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个人员以及与所述多个人员之间具有关联关系的人员，将选择的人员组成所述第一目标人群。
3.根据权利要求1所述的方法，其特征在于，所述获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，包括：
获取所述每个待测试人员的基本属性信息；
根据所述每个待测试人员的基本属性信息，构建时序属性图；
从所述时序属性图中提取所述多个待测试人员之间的时序信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述每个待测试人员的基本属性信息，构建时序属性图，包括：
确定多个节点，一个节点表示一个待测试人员；
对于任意两个节点，根据所述两个节点对应的基本属性信息，确定所述两个节点在当前时间是否具有指定关系；
当所述两个节点在当前时间具有所述指定关系时，将所述两个节点进行关联，得到所述时序属性图。
5.根据权利要求4所述的方法，其特征在于，所述根据所述每个待测试人员的基本属性信息，构建时序属性图之前，所述方法还包括：
对于每个待测试人员，对所述待测试人员的基本属性信息中的第一指定属性的属性值进行标准化处理；和/或，
对所述基本属性信息中的缺失属性值进行补充；和/或，
对所述基本属性信息中的第二指定属性的属性值进行特征提取处理。
6.根据权利要求1所述的方法，其特征在于，所述将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群，包括：
所述目标任务对应的筛选模型包括第一模型和第二模型；
将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量；
将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群。
7.根据权利要求6所述的方法，其特征在于，所述将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量，包括：
将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
8.根据权利要求6所述的方法，其特征在于，所述将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量，包括：
获取第二特征向量，所述第二特征向量为所述目标区域在历史时间的特征向量；
将所述第二特征向量输入所述第一模型中的序列学习模型，得到历史向量；
将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述历史向量与所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
9.根据权利要求6所述的方法，其特征在于，所述将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群，包括：
将所述第一特征向量输入所述第二模型，得到所述每个待测试人员属于所述目标任务的任务标签的得分；
根据所述每个待测试人员的得分，选择得分超过预设分数的多个待测试人员组成所述第二目标人群。
10.根据权利要求7所述的方法，其特征在于，所述方法还包括：
当所述属性学习模型达到第一更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述属性学习模型进行更新；和/或，
当所述临近节点传播模型达到第二更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述临近节点传播模型进行更新。
11.根据权利要求10所述的方法，其特征在于，所述基于所述属性向量、所述时间向量和所述关系向量对所述属性学习模型进行更新，包括：
将当前时刻的属性向量和更新时刻的属性向量输入属性更新函数，得到更新后的第一属性向量，将所述第一属性向量与更新时刻的关系向量输入空间更新函数，得到第二属性向量，将第二属性向量与更新时刻的历史向量输入时空更新函数，得到第三属性更新向量，基于所述第三属性更新向量对所述属性模型进行更新。
12.根据权利要求10所述的方法，其特征在于，所述基于所述属性向量、所述时间向量和所述关系向量对所述临近节点传播模型进行更新，包括：
将当前时刻关系向量和更新时刻的关系向量输入关系更新函数，得到更新后的第一关系向量，将所述第一关系向量与更新时刻的属性向量输入空间更新函数，得到第二关系向量，将第二关系向量与更新时刻的历史向量输入时空更新函数，得到第三关系更新向量，基于所述第三关系更新向量对所述临近节点传播模型进行更新。
13.根据权利要求6所述的方法，其特征在于，所述方法还包括：
确定待测试的第一人员和第一预测时刻；
将所述第一特征向量、所述时序信息、所述第一人员以及所述第一预测时刻输入所述筛选模型中的第三模型，得到第一数组，所述第一数组为四元数组，包括所述第一人员、所述第一预测时刻、与所述第一人员在所述第一预测时刻发生的第一预测关系以及发生所述第一预测关系的第二人员，所述第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生所述预测关系的待测试人员。
14.根据权利要求6所述的方法，其特征在于，所述方法还包括：
确定待测试的第三人员、第四人员和第二预测关系；
将所述第一特征向量、所述时序信息、所述第三人员、所述第四人员以及所述第二预测关系输入所述筛选模型中的第四模型，得到第二数组，所述第二数组为四元数组，包括所述第三人员、所述第四人员、所述第二预测关系以及发生所述第二预测关系的第二预测时刻，所述第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。
15.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取多个第一样本数据，每个第一样本数据包括时序信息、基本属性信息和特征向量；
根据所述多个第一样本数据进行模型训练，得到所述第一模型。
16.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取多个第二样本数据，每个第二样本数据包括分类标签信息、特征向量和得分；
根据所述多个第二样本数据进行模型训练，得到所述第二模型。
17.一种目标人群筛选的装置，其特征在于，所述装置包括：
第一确定模块，被配置为确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
第一获取模块，被配置为获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，所述时序信息包括当前时间，以及当前时间下所述多个待测试人员之间的关系信息；
第一输入模块，被配置为将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群。
18.根据权利要求17所述的装置，其特征在于，所述第一确定模块，还被配置为将所述目标区域中的多个人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个待测试人员组成所述第一目标人群；或者，
获取目标区域内的每个人员的分类标签信息，根据所述每个人员的分类标签信息，从所述目标区域内选择具有所述目标任务的任务标签的多个人员以及与所述多个人员之间具有关联关系的人员，将选择的人员组成所述第一目标人群。
19.根据权利要求17所述的装置，其特征在于，所述第一获取模块，还被配置为获取所述每个待测试人员的基本属性信息；
根据所述每个待测试人员的基本属性信息，构建时序属性图；
从所述时序属性图中提取所述多个待测试人员之间的时序信息。
20.根据权利要求19所述的装置，其特征在于，所述第一获取模块，还被配置为确定多个节点，一个节点表示一个待测试人员；
对于任意两个节点，根据所述两个节点对应的基本属性信息，确定所述两个节点在当前时间是否具有指定关系；
当所述两个节点在当前时间具有所述指定关系时，将所述两个节点进行关联，得到所述时序属性图。
21.根据权利要求20所述的装置，其特征在于，所述根据所述每个待测试人员的基本属性信息，构建时序属性图之前，所述装置还包括：
第一处理模块，被配置为对于每个待测试人员，对所述待测试人员的基本属性信息中的第一指定属性的属性值进行标准化处理；和/或，
补充模块，被配置为对所述基本属性信息中的缺失属性值进行补充；和/或，
第二处理模块，被配置为对所述基本属性信息中的第二指定属性的属性值进行特征提取处理。
22.根据权利要求17所述的装置，其特征在于，所述目标任务对应的筛选模型包括第一模型和第二模型，所述第一输入模块，还被配置为将所述时序信息和所述每个待测试人员的基本属性信息输入所述第一模型，得到所述目标区域在当前时间的第一特征向量；
将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群。
23.根据权利要求22所述的装置，其特征在于，所述第一输入模块，还被配置为将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
24.根据权利要求22所述的装置，其特征在于，所述第一输入模块，还被配置为获取第二特征向量，所述第二特征向量为所述目标区域在历史时间的特征向量；
将所述第二特征向量输入所述第一模型中的序列学习模型，得到历史向量；
将所述时序信息中的当前时间的时间信息输入所述第一模型中的时间影响模型，得到时间向量；
将所述时序信息中的关系信息输入所述第一模型中的临近节点传播模型，得到关系向量；
将所述基本属性信息输入所述第一模型中的属性学习模型，得到属性向量；
将所述历史向量与所述时间向量、关系向量以及属性向量进行向量融合，得到所述第一特征向量。
25.根据权利要求22所述的装置，其特征在于，所述将所述第一特征向量输入所述第二模型，得到满足所述任务条件的第二目标人群，包括：
将所述第一特征向量输入所述第二模型，得到所述每个待测试人员属于所述目标任务的任务标签的得分；
根据所述每个待测试人员的得分，选择得分超过预设分数的多个待测试人员组成所述第二目标人群。
26.根据权利要求23所述的装置，其特征在于，所述装置还包括：
第一更新模块，被配置为当所述属性学习模型达到第一更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述属性学习模型进行更新；和/或，
第二更新模块，被配置为当所述临近节点传播模型达到第二更新条件时，基于所述属性向量、所述时间向量和所述关系向量对所述临近节点传播模型进行更新。
27.根据权利要求26所述的装置，其特征在于，所述第一更新模块，还被配置为将当前时刻的属性向量和更新时刻的属性向量输入属性更新函数，得到更新后的第一属性向量，将所述第一属性向量与更新时刻的关系向量输入空间更新函数，得到第二属性向量，将第二属性向量与更新时刻的历史向量输入时空更新函数，得到第三属性更新向量，基于所述第三属性更新向量对所述属性模型进行更新。
28.根据权利要求26所述的装置，其特征在于，所述第二更新模块，还被配置为将当前时刻关系向量和更新时刻的关系向量输入关系更新函数，得到更新后的第一关系向量，将所述第一关系向量与更新时刻的属性向量输入空间更新函数，得到第二关系向量，将第二关系向量与更新时刻的历史向量输入时空更新函数，得到第三关系更新向量，基于所述第三关系更新向量对所述临近节点传播模型进行更新。
29.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第二确定模块，被配置为确定待测试的第一人员和第一预测时刻；
第二输入模块，被配置为将所述第一特征向量、所述时序信息、所述第一人员以及所述第一预测时刻输入所述筛选模型中的第三模型，得到第一数组，所述第一数组为四元数组，包括所述第一人员、所述第一预测时刻、与所述第一人员在所述第一预测时刻发生的第一预测关系以及发生所述第一预测关系的第二人员，所述第三模型用于预测与任何待测试人员在任意时刻发生的预测关系和发生所述预测关系的待测试人员。
30.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第三确定模块，被配置为确定待测试的第三人员、第四人员和第二预测关系；
第三输入模块，被配置为将所述第一特征向量、所述时序信息、所述第三人员、所述第四人员以及所述第二预测关系输入所述筛选模型中的第四模型，得到第二数组，所述第二数组为四元数组，包括所述第三人员、所述第四人员、所述第二预测关系以及发生所述第二预测关系的第二预测时刻，所述第四模型用于预测任何两个待测试人员发生任意预设关系的预测时刻。
31.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第二获取模块，被配置为获取多个第一样本数据，每个第一样本数据包括时序信息、基本属性信息和特征向量；
第一训练模块，被配置为根据所述多个第一样本数据进行模型训练，得到所述第一模型。
32.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第三获取模块，被配置为获取多个第二样本数据，每个第二样本数据包括分类标签信息、特征向量和得分；
第二训练模块，被配置为根据所述多个第二样本数据进行模型训练，得到所述第二模型。
33.一种终端，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定目标任务，以及确定目标区域中的第一目标人群，所述第一目标人群包括多个待测试人员；
获取所述多个待测试人员之间的时序信息和每个待测试人员的基本属性信息，所述时序信息包括当前时间，以及当前时间下所述多个待测试人员之间的关系信息；
将所述时序信息和所述每个待测试人员的基本属性信息输入所述目标任务对应的筛选模型，得到满足所述目标任务的任务条件的第二目标人群。
34.一种存储介质，其特征在于，所述存储介质上存储有指令，所述指令被处理器执行以完成权利要求1-16任一项所述的目标人群筛选的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811563074.0A CN111353513B (zh) | 2018-12-20 | 2018-12-20 | 一种目标人群筛选的方法、装置、终端和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811563074.0A CN111353513B (zh) | 2018-12-20 | 2018-12-20 | 一种目标人群筛选的方法、装置、终端和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353513A true CN111353513A (zh) | 2020-06-30 |
| CN111353513B CN111353513B (zh) | 2023-04-18 |
Family
ID=71196902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811563074.0A Active CN111353513B (zh) | 2018-12-20 | 2018-12-20 | 一种目标人群筛选的方法、装置、终端和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353513B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065060A (zh) * | 2020-07-28 | 2022-02-18 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
| CN114092525A (zh) * | 2022-01-20 | 2022-02-25 | 深圳爱莫科技有限公司 | 一种基于空间分布投票的客流属性分析方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070183655A1 (en) * | 2006-02-09 | 2007-08-09 | Microsoft Corporation | Reducing human overhead in text categorization |
| WO2015176560A1 (zh) * | 2014-05-22 | 2015-11-26 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
| US20160063144A1 (en) * | 2012-09-28 | 2016-03-03 | Gordon Cooke | System and method for modeling human crowd behavior |
| CN106203458A (zh) * | 2015-04-29 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 人群视频分析方法及系统 |
| WO2017154655A1 (ja) * | 2016-03-07 | 2017-09-14 | 日本電気株式会社 | 群衆種類識別システム、群衆種類識別方法および群衆種類識別プログラムを記憶する記憶媒体 |
| WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| US20180039867A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Finding Missing Persons by Learning Features for Person Attribute Classification Based on Deep Learning |
| CN108280458A (zh) * | 2017-01-05 | 2018-07-13 | 腾讯科技（深圳）有限公司 | 群体关系类型识别方法及装置 |
| CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
-
2018
- 2018-12-20 CN CN201811563074.0A patent/CN111353513B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070183655A1 (en) * | 2006-02-09 | 2007-08-09 | Microsoft Corporation | Reducing human overhead in text categorization |
| US20160063144A1 (en) * | 2012-09-28 | 2016-03-03 | Gordon Cooke | System and method for modeling human crowd behavior |
| WO2015176560A1 (zh) * | 2014-05-22 | 2015-11-26 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
| CN106203458A (zh) * | 2015-04-29 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 人群视频分析方法及系统 |
| WO2017154655A1 (ja) * | 2016-03-07 | 2017-09-14 | 日本電気株式会社 | 群衆種類識別システム、群衆種類識別方法および群衆種類識別プログラムを記憶する記憶媒体 |
| WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| US20180039867A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Finding Missing Persons by Learning Features for Person Attribute Classification Based on Deep Learning |
| CN108280458A (zh) * | 2017-01-05 | 2018-07-13 | 腾讯科技（深圳）有限公司 | 群体关系类型识别方法及装置 |
| CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
Non-Patent Citations (1)
| Title |
|---|
| 张宏鑫;盛风帆;徐沛原;汤颖;: "基于移动终端日志数据的人群特征可视化" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065060A (zh) * | 2020-07-28 | 2022-02-18 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
| CN114065060B (zh) * | 2020-07-28 | 2023-09-08 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
| CN114092525A (zh) * | 2022-01-20 | 2022-02-25 | 深圳爱莫科技有限公司 | 一种基于空间分布投票的客流属性分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353513B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652678B (zh) | 物品信息显示方法、装置、终端、服务器及可读存储介质 | |
| CN110210571B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
| CN112036331B (zh) | 活体检测模型的训练方法、装置、设备及存储介质 | |
| CN108288032B (zh) | 动作特征获取方法、装置及存储介质 | |
| CN110807361A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
| CN110570460B (zh) | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 | |
| CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
| CN110544272A (zh) | 脸部跟踪方法、装置、计算机设备及存储介质 | |
| CN108833262B (zh) | 会话处理方法、装置、终端及存储介质 | |
| CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
| CN111192262A (zh) | 基于人工智能的产品缺陷分类方法、装置、设备及介质 | |
| CN110796005A (zh) | 在线教学监控的方法、装置、电子设备及介质 | |
| CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
| CN111127509A (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
| CN111027490A (zh) | 人脸属性识别方法及装置、存储介质 | |
| CN111178343A (zh) | 基于人工智能的多媒体资源检测方法、装置、设备及介质 | |
| CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
| CN113918767A (zh) | 视频片段定位方法、装置、设备及存储介质 | |
| CN111353513B (zh) | 一种目标人群筛选的方法、装置、终端和存储介质 | |
| CN113724189A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN112819103A (zh) | 基于图神经网络的特征识别方法、装置、存储介质及终端 | |
| CN111753813A (zh) | 图像处理方法、装置、设备及存储介质 | |
| WO2023066373A1 (zh) | 确定样本图像的方法、装置、设备及存储介质 | |
| CN113936809A (zh) | 传染病预测和训练方法、装置、设备及介质 | |
| CN112990424A (zh) | 神经网络模型训练的方法和装置 |
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 |