CN111597453B - 用户画像方法、装置、计算机设备及计算机可读存储介质 - Google Patents
用户画像方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111597453B CN111597453B CN202010243343.6A CN202010243343A CN111597453B CN 111597453 B CN111597453 B CN 111597453B CN 202010243343 A CN202010243343 A CN 202010243343A CN 111597453 B CN111597453 B CN 111597453B
- Authority
- CN
- China
- Prior art keywords
- user
- websites
- feature vector
- key
- registration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 189
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000013475 authorization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用户画像方法、装置、计算机设备及计算机可读存储介质。所述用户画像方法获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;确定所述标签集合对应的多个关键网站;获取用户的识别信息;根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;根据判断结果生成所述用户的注册特征向量;根据所述判断结果生成所述用户的显著性特征向量;将所述注册特征向量和所述显著性特征向量组合为综合特征向量;用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。本发明提升了抽取用户的标签的准确率。
Description
技术领域
本发明涉及实体识别技术领域,具体涉及一种用户画像方法、装置、计算机设备及计算机可读存储介质。
背景技术
用户画像被广泛运用于智能推荐、风控与服务等多个领域。用户画像是预测模型、风控体系的基础,而用户画像不够准确会导致很多建立在用户画像基础上的模型或技术难以展开。
用户画像需要抽取用户的属性标签(如学历、性别等),现有的用户画像方法根据某一平台上的用户的社交、使用习惯数据抽取用户的属性标签,容易因数据单一、数据缺陷导致抽取用户属性标签的准确率低。如何提升抽取用户属性标签的准确率成为亟待解决的问题。
发明内容
鉴于以上内容,有必要提出一种用户画像方法、装置、计算机设备及计算机可读存储介质,其可以根据用户在各个网站的注册信息抽取出用户的标签,用抽取的用户的标签描述用户画像。
本申请的第一方面提供一种用户画像方法,所述用户画像方法包括:
获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
确定所述标签集合对应的多个关键网站;
获取用户的识别信息;
根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;
将所述注册特征向量和所述显著性特征向量组合为综合特征向量;
用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
另一种可能的实现方式中,所述确定所述标签集合对应的多个关键网站包括:
从多个网站中选择与所述用户属性关联的多个网站;
用网站排名算法对选择的多个网站进行排名;
将所述选择的多个网站中的排名靠前的预设数量的网站确定为所述多个关键网站。
另一种可能的实现方式中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
在所述多个关键网站中的指定关键网站搜索所述识别信息;
若所述指定关键网站的搜索结果中包括所述识别信息,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站的搜索结果中不包括所述识别信息,则所述指定关键网站不存在所述用户的注册信息。
另一种可能的实现方式中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
根据所述识别信息从所述多个关键网站中的指定关键网站授权的接口查询所述用户的注册信息;
若所述指定关键网站返回所述用户的注册信息,所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站没有返回所述用户的注册信息或返回值为空,所述指定关键网站不存在所述用户的注册信息。
另一种可能的实现方式中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
用所述识别信息向所述多个关键网站中的指定关键网站注册新账户;
若所述指定关键网站提示所述用户已注册,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站提示输入注册验证信息,则所述指定关键网站不存在所述用户的注册信息。
另一种可能的实现方式中,所述根据所述判断结果生成所述用户的显著性特征向量包括:
确定所述多个关键网站中不存在所述用户的注册信息的网站的第一数量x1;
确定所述多个关键网站中存在所述用户的注册信息的网站的第二数量x2;
生成显著性特征向量其中,a、b为预设常数。
另一种可能的实现方式中,若所述分类模型是支持向量机,在对支持向量机进行训练时,获取训练样本集,所述训练样本集中包括多个综合特征向量,每个综合特征向量对应一个标签;从所述训练样本集中选取与所述支持向量机的超平面最近的S个综合特征向量作为支持向量,得到支持向量集,S为预设值;根据多个综合特征向量、每个综合特征向量对应的标签和超平面参数计算所述支持向量集中的每个支持向量与超平面的距离,得到样本距离集合,其中超平面参数为预设值;判断所述样本距离集合中的最小值是否小于预设阈值;若所述样本距离集合中的最小值小于所述预设阈值,则更新所述超平面参数;若所述样本距离集合中的最小值不小于所述预设阈值,则将所述支持向量机设置为训练好的支持向量机。
本申请的第二方面提供一种用户画像装置,所述用户画像装置包括:
第一获取模块,用于获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
确定模块,用于确定所述标签集合对应的多个关键网站;
第二获取模块,用于获取用户的识别信息;
判断模块,用于根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
第一生成模块,用于根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
第二生成模块,用于根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;
组合模块,用于将所述注册特征向量和所述显著性特征向量组合为综合特征向量;
识别模块,用于用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
本申请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,所述处理器用于执行存储器中存储的计算机程序时实现所述用户画像方法。
本申请的第四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,所述计算机程序被处理器执行时实现所述用户画像方法。
本发明中,所述用户的显著性特征向量中包含了用于识别所述用户的标签的显著性特征,所以用训练好的分类模型对所述综合特征向量进行识别,可以提升识别用户的标签准确率。因此,本发明实现了根据用户在各个网站的注册信息抽取出用户的标签,提升了抽取用户的标签的准确率,用抽取的用户的标签描述用户画像,提升了描述用户画像的准确率。
附图说明
图1是本发明实施例提供的用户画像方法的流程图。
图2是本发明实施例提供的用户画像装置的结构图。
图3是本发明实施例提供的计算机设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明的用户画像方法应用在一个或者多个计算机设备中。所述计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的用户画像方法的流程图。所述用户画像方法应用于计算机设备,用于根据用户在各个网站的注册信息抽取出用户的标签。
如图1所示,所述用户画像方法包括:
101,获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签。
例如,用户属性为性别,该用户属性的标签集合可以为{男,女},其中“男”、“女”为该标签集合中的两个标签,标签也可以由其它数字、符号表示。
再如,用户属性为学历,该用户属性的标签集合可以为{高中,本科,研究生},其中“高中”、“本科”和“研究生”为该标签集合中的三个标签,标签也可以由其它数字、符号表示。
用户在用户属性的标签集合中对应的标签可以用于描述用户(即作为用户的用户画像)。
102,确定所述标签集合对应的多个关键网站。
在一具体实施例中,所述确定所述标签集合对应的多个关键网站可以包括:
从多个网站中选择与所述用户属性关联的多个网站;
用网站排名算法对选择的多个网站进行排名;
将所述选择的多个网站中的排名靠前的预设数量的网站确定为所述多个关键网站。
例如,用户属性为性别,该用户属性的标签集合为{男,女},从多个网站中选择与性别关联的多个网站为微博、蘑菇街、小红书和CSDN(Chinese Software DeveloperNetwork);可以用PageRank算法对选择的多个网站进行排名,得到选择的多个网站的排名顺序从高到低依次为微博、CSDN、小红书、蘑菇街;可以将排名靠前的3个网站(微博、CSDN、小红书)确定为关键网站。
103,获取用户的识别信息。
可以接收所述用户输入的识别信息或接收用户识别装置传输的用户的识别信息。
在一具体实施例中,所述识别信息包括手机号、身份证号、加密手机号或加密身份证号。
例如,可以接收所述用户通过键盘输入的手机号或身份证号,或接收文字识别装置传输的用户的身份证号,文字识别装置可以识别用户的身份证上的身份证号。可以通过哈希加密或MD5加密算法对手机号进行加密,得到加密手机号、对身份证号进行加密,得到加密身份证号。
在另一实施例中,所述识别信息还可以包括指纹信息、虹膜信息或人脸信息等。
104,根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息。
在一具体实施例中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
根据所述识别信息从所述多个关键网站中的指定关键网站授权的接口查询所述用户的注册信息;
若所述指定关键网站返回所述用户的注册信息,所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站没有返回所述用户的注册信息或返回值为空,所述指定关键网站不存在所述用户的注册信息。
例如,向CSDN的注册信息查询接口查询用户A的注册信息(查询参数为用户A的电话号码);若CSDN返回用户A的注册信息(如用户A的注册时间,注册状态、用户名等),则CSDN存在用户A的注册信息。
在另一实施例中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
用所述识别信息向所述多个关键网站中的指定关键网站注册新账户;
若所述指定关键网站提示所述用户已注册,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站提示输入注册验证信息,则所述指定关键网站不存在所述用户的注册信息。
例如,可以通过用户A的电话号码向CSDN请求注册新账户;若CSDN提示输入注册验证信息(如CSDN下发给用户A的电话号码的验证码),则CSDN不存在用户A的注册信息。
在另一实施例中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
在所述多个关键网站中的指定关键网站搜索所述识别信息;
若所述指定关键网站的搜索结果中包括所述识别信息,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站的搜索结果中不包括所述识别信息,则所述指定关键网站不存在所述用户的注册信息。
105,根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态。
例如,用户A的注册特征向量为(1,1,0),其中,从左至右的第一个维度的1表示微博存在用户A的注册信息;第二个维度的1表示CSDN存在用户A的注册信息;第三个维度的0表示小红书不存在用户A的注册信息。
所述注册特征向量包含了所述用户在所述多个关键网站的注册特征。
106,根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量。
在一具体实施例中,所述根据所述判断结果生成所述用户的显著性特征向量包括:
确定所述多个关键网站中不存在所述用户的注册信息的网站的第一数量x1;
确定所述多个关键网站中存在所述用户的注册信息的网站的第二数量x2;
生成显著性特征向量其中,a、b为预设常数。多个预设常数之间一般不相同。
例如,标签集合{男,女}对应的多个关键网站为微博、CSDN和小红书;其中,小红书不存在用户C的注册信息,微博和CSDN存在用户C的注册信息,即第一数量为1,第二数量为2;生成的显著性特征向量为(31,42),其中3、4为预设常数。
所述显著性特征向量包含了所述用户已注册所述多个关键网站的网站数量特征,和未注册所述多个关键网站的网站数量特征,可以用于提升识别用户的标签准确率。
107,将所述注册特征向量和所述显著性特征向量组合为综合特征向量。
在一具体实施例中,可以拼接所述注册特征向量和所述显著性特征向量得到所述综合特征向量。
例如,注册特征向量为(1,1,0),显著性特征向量为(3,16),综合特征向量为(1,1,0,3,16)。
在另一实施例中,可以拼接所述注册特征向量和所述显著性特征向量得到所述综合特征向量并将所述注册特征向量中非0的维度乘以
108,用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
在一具体实施例中,所述分类模型包括:支持向量机、决策树、人工神经网络或朴素贝叶斯。
例如,用训练好的分类模型对综合特征向量进行识别,得到用户A的标签为男。
若所述分类模型是人工神经网络,在对人工神经网络进行训练时,首先获取训练用户的综合特征向量和标签;以所述训练用户的综合特征向量为输入,用人工神经网络提取所述训练用户的属性特征,输出所述训练用户的属性特征向量;根据交叉熵损失函数计算所述属性特征向量与标签之间的损失值,根据所述损失值优化人工神经网络。
若所述分类模型是支持向量机,在对支持向量机进行训练时,获取训练样本集,所述训练样本集中包括多个综合特征向量,每个综合特征向量对应一个标签。从所述训练样本集中选取与所述支持向量机的超平面最近的S个综合特征向量作为支持向量,得到支持向量集,S为预设值;根据多个综合特征向量、每个综合特征向量对应的标签和超平面参数计算所述支持向量集中的每个支持向量与超平面的距离,得到样本距离集合,其中超平面参数为预设值;判断所述样本距离集合中的最小值是否小于预设阈值;若所述样本距离集合中的最小值小于所述预设阈值,则更新所述超平面参数;若所述样本距离集合中的最小值不小于所述预设阈值,则将所述支持向量机设置为训练好的支持向量机。
决策树和朴素贝叶斯作为分类模型对样本进行分类为现有技术,此处不再赘述。
实施例一根据用户在各个网站的注册信息抽取出用户的标签,提升了抽取用户的标签的准确率,用抽取的用户的标签描述用户画像,提升了描述用户画像的准确率。
在另一实施例中,在所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息之前,所述用户画像方法还包括:获取所述用户的授权。
在所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息之前,可以给用户下发授权选项框,接收用户在所述授权选项框中勾选的授权选项。
实施例二
图2是本发明实施例二提供的用户画像装置的结构图。所述用户画像装置20应用于计算机设备。所述用户画像装置20用于根据用户在各个网站的注册信息抽取出用户的标签。
如图2所示,所述用户画像装置20可以包括第一获取模块201、确定模块202、第二获取模块203、判断模块204、第一生成模块205、第二生成模块206、组合模块207、识别模块208。
第一获取模块201,用于获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签。
例如,用户属性为性别,该用户属性的标签集合可以为{0,1},其中“0”、“1”为该标签集合中的两个标签,0表示该用户的性别为男,1表示该用户的性别为女。
用户在用户属性的标签集合中对应的标签可以用于描述用户(即作为用户的用户画像)。
确定模块202,用于确定所述标签集合对应的多个关键网站。
在一具体实施例中,所述确定所述标签集合对应的多个关键网站可以包括:
从多个网站中选择与所述用户属性关联的多个网站;
用网站排名算法对选择的多个网站进行排名;
将所述选择的多个网站中的排名靠前的预设数量的网站确定为所述多个关键网站。
例如,用户属性为性别,该用户属性的标签集合为{男,女},从多个网站中选择与性别关联的多个网站为微博、蘑菇街、小红书和CSDN(Chinese Software DeveloperNetwork);可以用PageRank算法对选择的多个网站进行排名,得到选择的多个网站的排名顺序从高到低依次为微博、CSDN、小红书、蘑菇街;可以将排名靠前的3个网站(微博、CSDN、小红书)确定为关键网站。
第二获取模块203,用于获取用户的识别信息。
可以接收所述用户输入的识别信息或接收用户识别装置传输的用户的识别信息。
在一具体实施例中,所述识别信息包括手机号、身份证号、加密手机号或加密身份证号。
例如,可以接收所述用户通过键盘输入的手机号或身份证号,或接收文字识别装置传输的用户的身份证号,文字识别装置可以识别用户的身份证上的身份证号。可以通过哈希加密或MD5加密算法对手机号进行加密,得到加密手机号、对身份证号进行加密,得到加密身份证号。
在另一实施例中,所述识别信息还可以包括指纹信息、虹膜信息或人脸信息等。
判断模块204,用于根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息。
在一具体实施例中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
根据所述识别信息从所述多个关键网站中的指定关键网站授权的接口查询所述用户的注册信息;
若所述指定关键网站返回所述用户的注册信息,所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站没有返回所述用户的注册信息或返回值为空,所述指定关键网站不存在所述用户的注册信息。
例如,向CSDN的注册信息查询接口查询用户A的注册信息(查询参数为用户A的电话号码);若CSDN返回用户A的注册信息(如用户A的注册时间,注册状态、用户名等),则CSDN存在用户A的注册信息。
在另一实施例中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
用所述识别信息向所述多个关键网站中的指定关键网站注册新账户;
若所述指定关键网站提示所述用户已注册,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站提示输入注册验证信息,则所述指定关键网站不存在所述用户的注册信息。
例如,可以通过用户A的电话号码向CSDN请求注册新账户;若CSDN提示输入注册验证信息(如CSDN下发给用户A的电话号码的验证码),则CSDN不存在用户A的注册信息。
在另一实施例中,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
在所述多个关键网站中的指定关键网站搜索所述识别信息;
若所述指定关键网站的搜索结果中包括所述识别信息,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站的搜索结果中不包括所述识别信息,则所述指定关键网站不存在所述用户的注册信息。
第一生成模块205,用于根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态。
例如,用户A的注册特征向量为(1,1,0),其中,从左至右的第一个维度的1表示微博存在用户A的注册信息;第二个维度的1表示CSDN存在用户A的注册信息;第三个维度的0表示小红书不存在用户A的注册信息。
所述注册特征向量包含了所述用户在所述多个关键网站的注册特征。
第二生成模块206,用于根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量。
在一具体实施例中,所述根据所述判断结果生成所述用户的显著性特征向量包括:
确定所述多个关键网站中不存在所述用户的注册信息的网站的第一数量x1;
确定所述多个关键网站中存在所述用户的注册信息的网站的第二数量x2;
生成显著性特征向量其中,a、b为预设常数。多个预设常数之间一般不相同。
例如,标签集合{男,女}对应的多个关键网站为微博、CSDN和小红书;其中,小红书不存在用户C的注册信息,微博和CSDN存在用户C的注册信息,即第一数量为1,第二数量为2;生成的显著性特征向量为(31,42),其中3、4为预设常数。
所述显著性特征向量包含了所述用户已注册所述多个关键网站的网站数量特征,和未注册所述多个关键网站的网站数量特征,可以用于提升识别用户的标签准确率。
组合模块207,用于将所述注册特征向量和所述显著性特征向量组合为综合特征向量。
在一具体实施例中,可以拼接所述注册特征向量和所述显著性特征向量得到所述综合特征向量。
例如,注册特征向量为(1,1,0),显著性特征向量为(3,16),综合特征向量为(1,1,0,3,16)。
在另一实施例中,可以拼接所述注册特征向量和所述显著性特征向量得到所述综合特征向量并将所述注册特征向量中非0的维度乘以
识别模块208,用于用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
在一具体实施例中,所述分类模型包括:支持向量机、决策树、人工神经网络或朴素贝叶斯。
例如,用训练好的分类模型对综合特征向量进行识别,得到用户A的标签为男。
若所述分类模型是人工神经网络,在对人工神经网络进行训练时,首先获取训练用户的综合特征向量和标签;以所述训练用户的综合特征向量为输入,用人工神经网络提取所述训练用户的属性特征,输出所述训练用户的属性特征向量;根据交叉熵损失函数计算所述属性特征向量与标签之间的损失值,根据所述损失值优化人工神经网络。
若所述分类模型是支持向量机,在对支持向量机进行训练时,获取训练样本集,所述训练样本集中包括多个综合特征向量,每个综合特征向量对应一个标签。从所述训练样本集中选取与所述支持向量机的超平面最近的S个综合特征向量作为支持向量,得到支持向量集,S为预设值;根据多个综合特征向量、每个综合特征向量对应的标签和超平面参数计算所述支持向量集中的每个支持向量与超平面的距离,得到样本距离集合,其中超平面参数为预设值;判断所述样本距离集合中的最小值是否小于预设阈值;若所述样本距离集合中的最小值小于所述预设阈值,则更新所述超平面参数;若所述样本距离集合中的最小值不小于所述预设阈值,则将所述支持向量机设置为训练好的支持向量机。
决策树和朴素贝叶斯作为分类模型对样本进行分类为现有技术,此处不再赘述。
实施例二的用户画像装置20根据用户在各个网站的注册信息抽取出用户的标签,提升了抽取用户的标签的准确率,用抽取的用户的标签描述用户画像,提升了描述用户画像的准确率。
在另一实施例中,所述第一获取模块还用于:
在所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息之前,获取所述用户的授权。
在所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息之前,可以给用户下发授权选项框,接收用户在所述授权选项框中勾选的授权选项。
实施例三
本实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述用户画像方法实施例中的步骤,例如图1所示的步骤101-108:
101,获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
102,确定所述标签集合对应的多个关键网站;
103,获取用户的识别信息;
104,根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
105,根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
106,根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;
107,将所述注册特征向量和所述显著性特征向量组合为综合特征向量;
108,用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
或者,该计算机程序被处理器执行时实现上述装置实施例中各模块的功能,例如图2中的模块201-208:
第一获取模块201,用于获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
确定模块202,用于确定所述标签集合对应的多个关键网站;
第二获取模块203,用于获取用户的识别信息;
判断模块204,用于根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
第一生成模块205,用于根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
第二生成模块206,用于根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;
组合模块207,用于将所述注册特征向量和所述显著性特征向量组合为综合特征向量;
识别模块208,用于用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
实施例四
图3为本发明实施例三提供的计算机设备的示意图。所述计算机设备30包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303,例如用户画像程序。所述处理器302执行所述计算机程序303时实现上述用户画像方法实施例中的步骤,例如图1所示的101-108:
101,获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
102,确定所述标签集合对应的多个关键网站;
103,获取用户的识别信息;
104,根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
105,根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
106,根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;
107,将所述注册特征向量和所述显著性特征向量组合为综合特征向量;
108,用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
或者,该计算机程序被处理器执行时实现上述装置实施例中各模块的功能,例如图2中的模块201-208:
第一获取模块201,用于获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
确定模块202,用于确定所述标签集合对应的多个关键网站;
第二获取模块203,用于获取用户的识别信息;
判断模块204,用于根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
第一生成模块205,用于根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
第二生成模块206,用于根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;
组合模块207,用于将所述注册特征向量和所述显著性特征向量组合为综合特征向量;
识别模块208,用于用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签。
示例性的,所述计算机程序303可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器301中,并由所述处理器302执行,以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序303在所述计算机设备30中的执行过程。例如,所述计算机程序303可以被分割成图2中的第一获取模块201、确定模块202、第二获取模块203、判断模块204、第一生成模块205、第二生成模块206、组合模块207、识别模块208,各模块具体功能参见实施例二。
本领域技术人员可以理解,所述示意图3仅仅是计算机设备30的示例,并不构成对计算机设备30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,例如所述计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit,CPU),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)、现场可编程门阵列(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302也可以是任何常规的处理器等,所述处理器302是所述计算机设备30的控制中心,利用各种接口和线路连接整个计算机设备30的各个部分。
所述存储器301可用于存储所述计算机程序303,所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块,以及调用存储在存储器301内的数据,实现所述计算机设备30的各种功能。所述存储器301可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备30的使用所创建的数据等。此外,存储器301可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来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可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述用户画像方法的部分步骤。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种用户画像方法,其特征在于,所述用户画像方法包括:
获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
确定所述标签集合对应的多个关键网站;
获取用户的识别信息;
根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;所述根据所述判断结果生成所述用户的显著性特征向量包括:确定所述多个关键网站中不存在所述用户的注册信息的网站的第一数量;确定所述多个关键网站中存在所述用户的注册信息的网站的第二数量/>;生成显著性特征向量/>,其中,a、b为预设常数;
将所述注册特征向量和所述显著性特征向量组合为综合特征向量包括,拼接所述注册特征向量和所述显著性特征向量得到所述综合特征向量,并将所述注册特征向量中非0的维度乘以;
用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签;所述分类模型是支持向量机,在对支持向量机进行训练时,获取训练样本集,所述训练样本集中包括多个综合特征向量,每个综合特征向量对应一个标签;从所述训练样本集中选取与所述支持向量机的超平面最近的S个综合特征向量作为支持向量,得到支持向量集,S为预设值;根据多个综合特征向量、每个综合特征向量对应的标签和超平面参数计算所述支持向量集中的每个支持向量与超平面的距离,得到样本距离集合,其中超平面参数为预设值;判断所述样本距离集合中的最小值是否小于预设阈值;若所述样本距离集合中的最小值小于所述预设阈值,则更新所述超平面参数;若所述样本距离集合中的最小值不小于所述预设阈值,则将所述支持向量机设置为训练好的支持向量机。
2.如权利要求1所述的用户画像方法,其特征在于,所述确定所述标签集合对应的多个关键网站包括:
从多个网站中选择与所述用户属性关联的多个网站;
用网站排名算法对选择的多个网站进行排名;
将所述选择的多个网站中的排名靠前的预设数量的网站确定为所述多个关键网站。
3.如权利要求1所述的用户画像方法,其特征在于,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
在所述多个关键网站中的指定关键网站搜索所述识别信息;
若所述指定关键网站的搜索结果中包括所述识别信息,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站的搜索结果中不包括所述识别信息,则所述指定关键网站不存在所述用户的注册信息。
4.如权利要求1所述的用户画像方法,其特征在于,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
根据所述识别信息从所述多个关键网站中的指定关键网站授权的接口查询所述用户的注册信息;
若所述指定关键网站返回所述用户的注册信息,所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站没有返回所述用户的注册信息或返回值为空,所述指定关键网站不存在所述用户的注册信息。
5.如权利要求1所述的用户画像方法,其特征在于,所述根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息包括:
用所述识别信息向所述多个关键网站中的指定关键网站注册新账户;
若所述指定关键网站提示所述用户已注册,则所述指定关键网站存在所述用户的注册信息;
若所述指定关键网站提示输入注册验证信息,则所述指定关键网站不存在所述用户的注册信息。
6.一种用户画像装置,其特征在于,所述用户画像装置包括:
第一获取模块,用于获取用户属性和所述用户属性的标签集合,所述标签集合包括多个标签;
确定模块,用于确定所述标签集合对应的多个关键网站;
第二获取模块,用于获取用户的识别信息;
判断模块,用于根据所述识别信息判断所述多个关键网站是否存在所述用户的注册信息;
第一生成模块,用于根据判断结果生成所述用户的注册特征向量,所述注册特征向量反映所述用户在所述多个关键网站的注册状态;
第二生成模块,用于根据所述判断结果生成所述用户的显著性特征向量,所述显著性特征向量反映所述用户已注册的所述多个关键网站的网站数量和未注册的所述多个关键网站的网站数量;所述根据所述判断结果生成所述用户的显著性特征向量包括:确定所述多个关键网站中不存在所述用户的注册信息的网站的第一数量;确定所述多个关键网站中存在所述用户的注册信息的网站的第二数量/>;生成显著性特征向量/>,其中,a、b为预设常数;组合模块,用于将所述注册特征向量和所述显著性特征向量组合为综合特征向量包括,拼接所述注册特征向量和所述显著性特征向量得到所述综合特征向量,并将所述注册特征向量中非0的维度乘以/>;
识别模块,用于用训练好的分类模型对所述综合特征向量进行识别,得到所述用户的标签;所述分类模型是支持向量机,在对支持向量机进行训练时,获取训练样本集,所述训练样本集中包括多个综合特征向量,每个综合特征向量对应一个标签;从所述训练样本集中选取与所述支持向量机的超平面最近的S个综合特征向量作为支持向量,得到支持向量集,S为预设值;根据多个综合特征向量、每个综合特征向量对应的标签和超平面参数计算所述支持向量集中的每个支持向量与超平面的距离,得到样本距离集合,其中超平面参数为预设值;判断所述样本距离集合中的最小值是否小于预设阈值;若所述样本距离集合中的最小值小于所述预设阈值,则更新所述超平面参数;若所述样本距离集合中的最小值不小于所述预设阈值,则将所述支持向量机设置为训练好的支持向量机。
7.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-5中任一项所述用户画像方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,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1-5中任一项所述用户画像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243343.6A CN111597453B (zh) | 2020-03-31 | 2020-03-31 | 用户画像方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243343.6A CN111597453B (zh) | 2020-03-31 | 2020-03-31 | 用户画像方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597453A CN111597453A (zh) | 2020-08-28 |
CN111597453B true CN111597453B (zh) | 2024-05-07 |
Family
ID=72185456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010243343.6A Active CN111597453B (zh) | 2020-03-31 | 2020-03-31 | 用户画像方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597453B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347315A (zh) * | 2021-01-08 | 2021-02-09 | 江苏红网技术股份有限公司 | 一种基于用户画像的标签更新方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202297A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 识别用户兴趣的方法及装置 |
CN106874435A (zh) * | 2017-01-25 | 2017-06-20 | 北京航空航天大学 | 用户画像构建方法和装置 |
WO2017121076A1 (zh) * | 2016-01-15 | 2017-07-20 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN107038237A (zh) * | 2017-04-18 | 2017-08-11 | 昆山数泰数据技术有限公司 | 基于大数据的用户画像系统及画像方法 |
CN107256495A (zh) * | 2017-05-27 | 2017-10-17 | 上海非码网络科技有限公司 | 基于多平台数据按标签划分顾客群的方法及系统、服务器 |
CN110069702A (zh) * | 2019-03-15 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 用户行为数据分析方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9177317B2 (en) * | 2007-09-28 | 2015-11-03 | Bank Of America Corporation | System and method for consumer protection |
-
2020
- 2020-03-31 CN CN202010243343.6A patent/CN111597453B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017121076A1 (zh) * | 2016-01-15 | 2017-07-20 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106202297A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 识别用户兴趣的方法及装置 |
CN106874435A (zh) * | 2017-01-25 | 2017-06-20 | 北京航空航天大学 | 用户画像构建方法和装置 |
CN107038237A (zh) * | 2017-04-18 | 2017-08-11 | 昆山数泰数据技术有限公司 | 基于大数据的用户画像系统及画像方法 |
CN107256495A (zh) * | 2017-05-27 | 2017-10-17 | 上海非码网络科技有限公司 | 基于多平台数据按标签划分顾客群的方法及系统、服务器 |
CN110069702A (zh) * | 2019-03-15 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 用户行为数据分析方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111597453A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105122A1 (zh) | 基于人工智能的答案生成方法、装置、计算机设备及介质 | |
US11727053B2 (en) | Entity recognition from an image | |
CN111737499B (zh) | 基于自然语言处理的数据搜索方法及相关设备 | |
CN111310436B (zh) | 基于人工智能的文本处理方法、装置及电子设备 | |
CN111026858B (zh) | 基于项目推荐模型的项目信息处理方法及装置 | |
CN111414122B (zh) | 一种智能文本处理方法、装置、电子设备及存储介质 | |
CN110929125A (zh) | 搜索召回方法、装置、设备及其存储介质 | |
CN113722438B (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
WO2023134057A1 (zh) | 事务信息查询方法、装置、计算机设备及存储介质 | |
CN112148702B (zh) | 一种文件检索的方法及设备 | |
CN110427453B (zh) | 数据的相似度计算方法、装置、计算机设备及存储介质 | |
CN112287069A (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
US20230032728A1 (en) | Method and apparatus for recognizing multimedia content | |
CN111026320A (zh) | 多模态智能文本处理方法、装置、电子设备及存储介质 | |
CN114077841A (zh) | 基于人工智能的语义提取方法、装置、电子设备及介质 | |
CN111552865A (zh) | 用户兴趣画像方法及相关设备 | |
CN112446209A (zh) | 一种意图标签的设置方法、设备、装置及存储介质 | |
CN113220828B (zh) | 意图识别模型处理方法、装置、计算机设备及存储介质 | |
CN111597453B (zh) | 用户画像方法、装置、计算机设备及计算机可读存储介质 | |
WO2023272862A1 (zh) | 基于网络行为数据的风控识别方法、装置、电子设备及介质 | |
CN114329004A (zh) | 数字指纹生成、数据推送方法、装置和存储介质 | |
CN111783425B (zh) | 基于句法分析模型的意图识别方法及相关装置 | |
US20210357682A1 (en) | Artificial intelligence driven image retrieval | |
CN111142728B (zh) | 车载环境智能文本处理方法、装置、电子设备及存储介质 | |
CN110929526A (zh) | 样本生成方法、装置以及电子设备 |
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 |