CN111652432A - 用户属性信息的确定方法、装置、电子设备及存储介质 - Google Patents
用户属性信息的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111652432A CN111652432A CN202010485760.1A CN202010485760A CN111652432A CN 111652432 A CN111652432 A CN 111652432A CN 202010485760 A CN202010485760 A CN 202010485760A CN 111652432 A CN111652432 A CN 111652432A
- Authority
- CN
- China
- Prior art keywords
- user
- probability
- gender
- feature vector
- vector
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用户属性信息的确定方法、装置、电子设备及存储介质,属于互联网技术领域。方法包括:获取用户账户对应的用户名和用户头像;对用户名和用户头像分别进行特征提取,得到第一特征向量和第二特征向量,第一特征向量用于表示用户名的特征,第二特征向量用于表示用户头像的特征;将第一特征向量和第二特征向量输入性别预测模型,基于性别预测模型输出第一概率和第二概率,第一概率用于表示预测为男性的概率,第二概率用于表示预测为女性的概率;根据第一概率和第二概率,确定用户账户对应的性别。上述技术方案,通过用户授权的用户名和用户头像来预测用户账户对应的性别,预测得到的性别较为准确。
Description
技术领域
本公开涉及互联网技术领域,特别涉及一种用户属性信息的确定方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,用户可以享受各种各样基于互联网技术提供的互联网服务,如资讯提供服务、视频播放服务、图片下载服务以及购物服务等。提供互联网服务的服务商可以基于用户的用户特征向不同用户推送不同的信息,其中用户的性别是最基础的用户特征之一。例如,提供视频播放服务的服务商可以向女性用户推送爱情类的视频,向男性用户推送战争类的视频等。然而,由于很多用户在注册时不会填写性别信息,因此,如何确定用户的性别是一个待解决的问题。
相关技术中,提供互联网服务的服务商可以通过客户端,获取用户所使用的终端的后台数据等信息来预测用户的性别。例如,通过通讯录信息、定位信息以及相册信息等,预测用户的性别。
上述技术方案存在的问题是,终端的后台数据在一定程度上涉及用户隐私,通常情况下很难被授权采集,导致无法预测用户的性别。
发明内容
本公开提供一种用户属性信息的确定方法、装置、电子设备及存储介质,解决终端的后台数据在一定程度上涉及用户隐私,通常情况下很难被授权采集,导致无法预测用户的性别的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种用户属性信息的确定方法,包括:
获取用户账户对应的用户名和用户头像;
对所述用户名和所述用户头像分别进行特征提取,得到第一特征向量和第二特征向量,所述第一特征向量用于表示用户名的特征,所述第二特征向量用于表示用户头像的特征;
将所述第一特征向量和所述第二特征向量输入性别预测模型,基于所述性别预测模型输出第一概率和第二概率,所述第一概率用于表示预测为男性的概率,所述第二概率用于表示预测为女性的概率;
根据所述第一概率和所述第二概率,确定用户账户对应的性别。
在一种可能的实现方式中,所述基于所述性别预测模型输出第一概率和第二概率,包括:
基于所述性别预测模型的输入层,对所述第一特征向量和所述第二特征向量进行拼接,得到拼接向量;
基于所述性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量;
基于所述性别预测模型的输出层,根据所述性别特征向量,输出所述第一概率和所述第二概率。
在一种可能的实现方式中,所述基于所述性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量,包括:
对于所述性别预测模型中的任一全连接层,将所述全连接层的输入向量与所述全连接层对应的权重系数相乘,得到目标乘积;
将所述目标乘积与所述全连接层对应的偏置系数相加,得到目标和值;
将所述目标和值输入所述全连接层对应的激活函数,得到所述全连接层的目标输出向量,将所述目标输出向量作为与所述全连接层相邻且相对靠后的其他全连接层的输入向量;
其中,所述性别预测模型中执行顺序排在首位的全连接层的输入向量为所述拼接向量,执行顺序排在末尾的全连接层的目标输出向量为所述性别特征向量。
在一种可能的实现方式中,所述根据所述第一概率和所述第二概率,确定所述用户账户对应的性别,包括:
若所述第一概率大于目标预测概率,则确定所述用户账户对应的性别为男性;
若所述第二概率大于所述目标预测概率,则确定所述用户账户对应的性别为女性。
根据本公开实施例的第二方面,提供一种用户属性信息的确定装置,包括:
信息获取单元,被配置为获取用户账户对应的用户名和用户头像;
特征提取单元,被配置为对所述用户名和所述用户头像分别进行特征提取,得到第一特征向量和第二特征向量,所述第一特征向量被配置为表示用户名的特征,所述第二特征向量被配置为表示用户头像的特征;
模型预测单元,被配置为将所述第一特征向量和所述第二特征向量输入性别预测模型,基于所述性别预测模型输出第一概率和第二概率,所述第一概率被配置为表示预测为男性的概率,所述第二概率被配置为表示预测为女性的概率;
确定单元,被配置为根据所述第一概率和所述第二概率,确定所述用户账户对应的性别。
在一种可能的实现方式中,所述模型预测单元,还被配置为基于所述性别预测模型的输入层,对所述第一特征向量和所述第二特征向量进行拼接,得到拼接向量;基于所述性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量;基于所述性别预测模型的输出层,根据所述性别特征向量,输出所述第一概率和所述第二概率。
在一种可能的实现方式中,所述模型预测单元,还被配置为对于所述性别预测模型中的任一全连接层,将所述全连接层的输入向量与所述全连接层对应的权重系数相乘,得到目标乘积;将所述目标乘积与所述全连接层对应的偏置系数相加,得到目标和值;将所述目标和值输入所述全连接层对应的激活函数,得到所述全连接层的目标输出向量,将所述目标输出向量作为与所述全连接层相邻且相对靠后的其他全连接层的输入向量;其中,所述性别预测模型中执行顺序排在首位的全连接层的输入向量为所述拼接向量,执行顺序排在末尾的全连接层的目标输出向量为所述性别特征向量。
在一种可能的实现方式中,所述确定单元,还被配置为若所述第一概率大于目标预测概率,则确定所述用户账户对应的性别为男性;若所述第二概率大于所述目标预测概率,则确定所述用户账户对应的性别为女性。
根据本公开实施例的第三方面,提供一种电子设备,该电子设备包括:
一个或多个处理器;
用于存储该处理器可执行指令的存储器;
其中,该处理器被配置为执行该指令,以实现上述用户属性信息的确定方法。
根据本公开实施例的第四方面,提供一种存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述用户属性信息的确定方法。
根据本公开实施例的第五方面,提供一种应用程序产品,该应用程序产品存储有一条或多条指令,该一条或多条指令可以由电子设备的处理器执行,以完成上述用户属性信息的确定方法。
本公开实施例提供的技术方案至少带来以下有益效果:
由于用户名和用户头像会反映用户的性别特征,通过获取用户账户对应的用户名和用户头像,然后对用户名和用户头像分别进行特征提取,基于性别预测模型进行性别预测,可以在不获取用户终端的后台数据等未授权的用户隐私数据的情况下,通过用户授权的用户名和用户头像来预测用户账户对应的性别,预测得到的性别较为准确。
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,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种用户属性信息的确定方法的实施环境示意图。
图2是根据一示例性实施例示出的一种用户属性信息的确定方法的流程图。
图3是根据一示例性实施例示出的另一种用户属性信息的确定方法的流程图。
图4是根据一示例性实施例示出的一种用户属性信息的确定方法的示意图。
图5是根据一示例性实施例示出的一种性别预测模型训练方法的流程图。
图6是根据一示例性实施例示出的一种用户属性信息的确定装置框图。
图7是根据一示例性实施例示出的一种终端700的框图。
图8是根据一示例性实施例示出的一种服务器800的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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
本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。
电子设备可以被提供为终端或者服务器,当电子设备被提供为终端时,可以由该终端实现用户属性信息的确定方法所执行的操作;当被提供为服务器时,可以由该服务器实现用户属性信息的确定方法所执行的操作,该服务器可以接收终端授权的用户名和用户头像,由服务器基于性别预测模型确定用户账户对应的性别;也可以由该服务器和终端交互来实现用户属性信息的确定方法所执行的操作;也可以由终端向服务器发送性别预测请求,由服务器来进行性别预测,然后将性别预测的结果反馈给终端,由终端输出性别预测的结果。
图1是根据一示例性实施例示出的一种用户属性信息的确定方法的实施环境示意图。以电子设备被提供为服务器为例,参见图1,该实施环境具体包括:终端101和服务器102。
终端101可以为智能手机、智能手表、台式电脑、手提电脑、MP3播放器、MP4播放器和膝上型便携计算机等设备中的至少一种。终端101上可以安装并运行有应用程序,用户可以通过终端101登录该应用程序来获取该应用程序提供的服务。终端101可以通过无线网络或有线网络与服务器102相连,进而可以将用于预测用户性别的用户名和用户头像发送给服务器102。
终端101可以泛指多个终端中的一个,本实施例仅以终端101来举例说明。本领域技术人员可以知晓,上述终端的数量可以更多或更少。比如上述终端可以仅为几个,或者上述终端为几十个或几百个,或者更多数量,本公开实施例对终端的数量和设备类型均不加以限定。
服务器102可以为一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。服务器102可以通过无线网络或有线网络与终端101和其他终端相连,服务器102可以接收终端101发送的用户名和用户头像,并将接收到的用户名和用户头像一起发送给其他终端,以便用户可以通过其他终端来查看该用户名和用户头像。可选地,上述服务器的数量可以更多或更少,本公开实施例对此不加以限定。当然,服务器102还可以包括其他功能服务器,以便提供更全面且多样化的服务。
图2是根据一示例性实施例示出的一种用户属性信息的确定方法的流程图,参见图2,应用于电子设备,该方法具体步骤包括:
在步骤S201中,获取用户账户对应的用户名和用户头像。
在步骤S202中,对用户名和用户头像分别进行特征提取,得到第一特征向量和第二特征向量,该第一特征向量用于表示用户名的特征,该第二特征向量用于表示用户头像的特征。
在步骤S203中,将第一特征向量和第二特征向量输入性别预测模型,基于该性别预测模型输出第一概率和第二概率,该第一概率用于表示预测为男性的概率,该第二概率用于表示预测为女性的概率。
在步骤S204中,根据第一概率和第二概率,确定用户账户对应的性别。
本公开实施例提供的方案,由于用户名和用户头像会反映用户的性别特征,通过对用户名和用户头像分别进行特征提取,然后基于性别预测模型进行性别预测,可以在不获取用户终端的后台数据等未授权的用户隐私数据的情况下,通过用户授权的用户名和用户头像来预测用户账户对应的性别,预测得到的性别较为准确。
在一种可能的实现方式中,该基于该性别预测模型输出第一概率和第二概率,包括:
基于该性别预测模型的输入层,对该第一特征向量和该第二特征向量进行拼接,得到拼接向量;
基于该性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量;
基于该性别预测模型的输出层,根据所述性别特征向量,输出该第一概率和该第二概率。
由于将从用户名提取到的第一特征向量和从用户头像提取到的第二特征向量进行拼接,然后基于性别预测模型,根据拼接得到的拼接向量,提取性别特征向量,使得输出的第一概率和第二概率为基于用户名和用户头像的特征预测出的概率,不需要获取用户终端的后台数据等未授权的用户隐私数据。
在一种可能的实现方式中,该基于该性别预测模型中包括的至少一个全连接层,通过权重系数、偏置系数以及激活函数对该拼接向量进行运算,包括:
对于该述性别预测模型中的任一全连接层,将该全连接层的输入向量与该全连接层对应的权重系数相乘,得到目标乘积;
将该目标乘积与该全连接层对应的偏置系数相加,得到目标和值;
将该目标和值输入该全连接层对应的激活函数,得到该全连接层的目标输出向量,将该目标输出向量作为与该全连接层相邻且相对靠后的其他全连接层的输入向量;
其中,该性别预测模型中执行顺序排在首位的全连接层的输入向量为该拼接向量,执行顺序排在末尾的全连接层的目标输出向量为所述性别特征向量。
由于通过激活函数对全连接层输出的目标和值进行处理,引入非线性因素,避免输出的结果以上一层神经网络输出的结果呈线性关系。
在一种可能的实现方式中,该根据该第一概率和该第二概率,确定用户账户对应的性别,包括:
若该第一概率大于目标预测概率,则确定该用户账户对应的性别为男性;
若该第二概率大于该目标预测概率,则确定该用户账户对应的性别为女性。
由于通过目标预测概率来确定用户账户对应的性别,使得在对性别预测的准确率要求较高时,可以通过调高目标预测概率来实现。
上述图2所示仅为本公开的基本流程,下面基于一种具体实现方式,来对本公开提供的方案进行进一步阐述,图3是根据一示例性实施例示出的另一种用户属性信息的确定方法的流程图。以电子设备被提供为服务器为例,参见图3,该方法包括:
在步骤S301中,服务器获取用户账户对应的用户名和用户头像。
需要说明的是,该用户名和用户头像可以是用户通过终端注册账户时,提交给服务器的信息;也可以是用户通过终端对账户进行修改时,提交给服务器的信息;还可以是用户通过终端使用服务器提供的服务时,授权给服务器的信息,如用户在服务商A处注册了账户A,用户可以通过将账户A的用户名和用户头像授权给服务商B来使用服务商B提供的服务。当然,上述用户名和用户头像还可以由用户通过其他方式授权给服务器,本公开实施例对此不加以限定。
在步骤S302中,服务器对用户名和用户头像分别进行特征提取,得到第一特征向量和第二特征向量,该第一特征向量用于表示用户名的特征,该第二特征向量用于表示用户头像的特征。
需要说明的是,服务器可以通过文本处理领域的第一预训练模型对用户名进行特征提取,该第一预训练模型的输出即为用于表示用户名特征的第一特征向量。该第一预训练模型可以为预训练的BERT(Bidirectional Encoder Representations fromTransformers,基于Transformer的双向编码器表征)模型或者其他预训练模型,如textCNN模型,word2vec预训练词向量模型等,本公开对此不进行限制。当然,服务器还可以通过其他非深度学习的方法对用户名进行特征提取,如one-hot(独热编码)编码方式、TF-IDF(Term Frequency–Inverse Document Frequency,词频-逆向文件频率)方式等,本公开对此不加以限定。
例如,以采用预训练的BERT模型对用户名进行特征提取为例,服务器可以调用BERT库中的BERT-Base-Multilingual-Cased(BERT-涵盖多语言基础)模型,该模型支持104中语言,对多样化的用户名有较强的表征能力。服务器将用户名以utf-8编码形式输入上述预训练的BERT模型,基于该预训练的BERT模型进行前向推理,得到768维的文本特征向量。
需要说明的是,服务器可以通过图像处理领域的第二预训练模型对用户头像进行特征提取,该第二预训练模型的输出即为用于表示用户头像特征的第二特征向量。该第二预训练模型可以为通过ImageNet(一个用于视觉对象识别软件研究的大型可视化数据库)预训练的Inception-V3模型或者其他预训练的模型,如ResNet-50模型以及ShuffleNet-v2模型等,本公开对此不进行限定。当然,服务器还可以通过其他非深度学习的方法对用户头像进行特征提取,如方向梯度直方图(Histogram of Oriented Gradient,HOG)特征法、局部二值模式法(Local Binary Pattern,LBP)以及哈尔(Haar-like)特征法等,本公开对此不加以限定。
例如,以采用预训练的Inception-V3模型对用户头像进行特征提取为例,服务器可以将用户头像的尺寸调整为224*224,然后对调整后的用户头像进行归一化处理,将像素值归一化到-1到1之间,以使用户头像满足模型的输入要求。服务器可以将处理后的用户头像输入预训练的Inception-V3模型,进行前向推理,得到2048维的图像特征向量。
在步骤S303中,服务器将第一特征向量和第二特征向量输入性别预测模型,基于该性别预测模型的输入层,对该第一特征向量和该第二特征向量进行拼接,得到拼接向量。
需要说明的是,性别预测模型的结构可以包括输入层、隐层以及输出层三个部分。其中,输入层用于对输入该性别预测模型的特征向量进行特征融合。实现特征融合的方法有很多种,如基于简单操作的方法、基于注意力的方法以及基于张量的方法等。本公开实施例采用的是基于简单操作的方法,对第一特征向量和第二特征向量进行拼接操作。隐层包括至少一个全连接层,用于对拼接向量进行卷积运算。输出层用于根据至少一个全连接层的输出结果输出预测结果。
例如,以第一特征向量为768维的文本特征向量,第二特征向量为2048维的图像特征向量为例,服务器可以基于性别预测模型的输入层,对该768维的文本特征向量和2048维的图像特征向量进行拼接,得到2816维的拼接向量。
在步骤S304中,服务器基于该性别预测模型中包括的至少一个全连接层,根据该拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量。
需要说明的是,每个全连接层都有对应的权重系数和偏置系数,激活函数用于使全连接层的输出由线性变为非线性。在该性别预测模型中包括两个或者两个以上的全连接层时,对于该性别预测模型中的任一全连接层,服务器可以将输入向量输入该全连接层,基于该全连接层将权重系数与该输入向量相乘,得到目标乘积;服务器可以基于该全连接层将该目标乘积与该全连接层对应的偏置系数相加,得到目标和值;服务器可以基于该全连接层将该目标和值输入该全连接层对应的激活函数,得到该全连接层的目标输出向量。服务器可以将该目标输出向量作为与该全连接层相邻且相对靠后的其他全连接层的输入向量。其中,若该全连接层为性别预测模型中执行顺序排在首位的全连接层,则该全连接层的输入向量为上述拼接向量;若性别预测模型中执行顺序排在末尾的全连接层,则该全连接层的目标输出向量为性别特征向量,该性别特征向量为该性别预测模型中输出层的输入向量。在该性别预测模型中只包括一个全连接层时,该全连接层既为性别预测模型中执行顺序排在首位的全连接层,也是执行顺序排在末尾的全连接层,不再赘述。
例如,以性别预测模型中包括4个全连接层为例。各全连接层的输入输出参数可以参见表1所示。
表1
全连接层 | 输入向量维数 | 输出向量维数 |
全连接层1 | 2816 | 512 |
全连接层2 | 512 | 256 |
全连接层3 | 256 | 128 |
全连接层4 | 128 | 2 |
需要说明的是,每个全连接层对应的激活函数,也可以称为激活层,该激活函数可以为PReLU(Parametric Rectified Linear Unit,带参数的线性整流函数)函数、Sigmoid(S型函数)函数以及tanh(双曲正切)函数等,本公开对此不加以限定。
需要说明的是,由于本公开提供的性别预测模型未出现过拟合现象,因此不需要引入Dropout层,相反的,在引入Dropout层后会影响该性别预测模型的准确率。
在步骤S305中,服务器基于该性别预测模型的输出层,根据该性别特征向量,输出第一概率和第二概率,该第一概率用于表示预测为男性的概率,该第二概率用于表示预测为女性的概率。
需要说明的是,服务器在基于上述至少一个全连接层得到性别特征向量后,可以将该性别特征向量传输至该性别预测模型的输出层,通过该输出层,输出性别标签和对应的预测概率,即预测为男性的第一概率和预测为女性的第二概率,其中第一概率和第二概率的和为1。
例如,性别预测模型的输出层可以输出:男性-75%,女性-25%,表示预测为男性的概率为75%,预测为女性的概率为25%;或者男性-30%,女性-70%,表示预测为男性的概率为30%,预测为女性的概率为70%。
在步骤S306中,服务器根据第一概率和第二概率,确定用户账户对应的性别。
需要说明的是,服务器可以根据第一概率和第二概率的大小来确定用户账户对应的性别:若第一概率大于第二概率,即第一概率大于50%,则服务器可以确定用户账户对应的性别为男性;反之,若第一概率小于第二概率,即第二概率大于50%,则服务器可以确定用户账户对应的性别为女性。
在一种可能的实现方式中,如果对性别预测的准确率要求较高,则可以设置目标预测概率。若第一概率大于目标预测概率,则服务器可以确定用户账户对应的性别为男性;若第二概率大于目标预测概率,则服务器可以确定用户账户对应的性别为女性。该目标预测概率可以为大于50%的值,如70%、85%以及90%等,本公开对此不加以限定。
需要说明的是,上述步骤S301至步骤S306是本公开实施例提供的用户属性信息的确定方法的可选实现方式。相应的,该用户属性信息的确定方法还有其他实现方式,如参见图4所示,图4是根据一示例性实施例示出的一种用户属性信息的确定方法的示意图,在图4中,服务器可以从数据库401中获取用户名402和用户头像403。服务器对用户名402进行特征提取,得到用户名特征向量404。服务器对用户头像403进行特征提取,得到用户头像特征向量405。服务器对用户名特征404和用户头像特征405进行特征融合,然后通过神经网络预测性别,最后输出性别。
本公开实施例提供的方案,由于用户名和用户头像会反映用户的性别特征,通过对用户名和用户头像分别进行特征提取,然后基于性别预测模型进行性别预测,可以在不获取用户终端的后台数据等未授权的用户隐私数据的情况下,通过用户授权的用户名和用户头像来预测用户账户对应的性别,预测得到的性别较为准确。
上述图3所示的实施例中所用到的性别预测模型,可以由包含用户名和用户头像的数据训练得到,具体的训练过程可以参见图5所示,图5是根据一示例性实施例示出的一种性别预测模型训练方法的流程图,以电子设备被提供为服务器为例,该方法包括:
在步骤S501中,服务器获取样本数据,该样本数据包括用户账户的性别,还包括用户名和用户头像中的至少一种。
需要说明的是,在获取样本数据时,服务器可以从用户提交给服务器的数据中筛选出符合数据要求的数据作为待处理数据,该数据要求可以为填写了性别且用户名和用户头像至少填写了一项。服务器可以将该待处理数据构造成键值的形式,一个用户对应一条键值形式的数据。其中,键值形式的数据中以用户标识为键,用户性别、用户名、用户头像、用户名特征以及用户头像特征为值,其中用户头像可以为图像链接,用户名特征和用户头像特征为空。对于每条用户数据,服务器可以根据用户性别为数据添加性别标签,该性别标签可用于模型训练。如为性别为男性的用户数据添加用于表示男性的标签1,为性别为女性的用户数据添加用于表示女性的标签0。服务器可以根据上述用户数据中用户头像对应的图像链接,获取该用户头像。服务器可以将上述用户数据以及对应的用户头像作为样本数据。
在步骤S502中,服务器对样本数据进行特征提取,得到用户名特征向量和用户头像特征向量。
需要说明的是,该步骤S502和上述步骤S302同理,此处不再赘述。
需要说明的是,若样本数据中的用户名或者用户头像为空,则用零向量表示。服务器可以将得到的用户名特征向量和用户头像特征向量分别更新到样本数据对应的用户名特征和用户头像特征字段中。
在步骤S503中,服务器将用户名特征向量、用户头像特征向量和性别标签输入初始模型,该性别标签包括男性和女性。
需要说明的是,服务器可以根据初始模型的框架,将用户名特征、用户头像特征向量和性别标签制作为符合框架输入要求的训练数据。例如,该初始模型可以为基于TensorFlow模型框架或者CAFFE(Convolutional Architecture for Fast FeatureEmbedding,快速特征嵌入的卷积结构)模型框架构建。如果使用TensorFlow模型框架,则服务器可以将上述数据制作为TFRecord(一种二进制格式)格式;如果使用CAFFE模型框架,则服务器可以将上述数据制作为HDF5(HierarchicalDataFormatVersion 5,层次性数据格式第5版)格式。
在步骤S504中,服务器通过该初始模型,输出第一样本概率和第二样本概率,该第一样本概率用于表示预测为男性的概率,该第二样本概率用于表示预测为女性的概率。
需要说明的是,该步骤S504和上述步骤S303至步骤S305同理,此处不再赘述。
在步骤S505中,服务器基于该第一样本概率和第二样本概率,对该初始模型的参数进行调整,直至调整后的模型符合预设条件,将符合预设条件的模型作为性别预测模型。
需要说明的是,服务器可以采用交叉熵计算初始模型的损失,进行反向传播和参数更新。其中,预设条件可以为模型收敛,还可以为性别预测的准确度达到预期,还可以为迭代次数达到预设次数等,本公开实施例对此不加以限定。
例如,训练初始模型时采用Adam优化器,初始学习率设置为0.001,一次训练选取的样本数为1024,迭代100次后,模型的损失基本稳定,在验证集上能够获得94%左右的准确率。则认为模型符合预设条件,停止训练,保存当前模型作为性别预测模型。
需要说明的是,上述初始模型的训练过程采用了用户名和用户头像作为训练数据,由于用户名和用户头像是用户授权的信息,具有数据来源透明的特点;又由于不依赖于用户行为等信息,具有特征依赖少的特点,可用于用户冷启动的阶段;又由于训练过程中由于用户名和用户头像为可视化信息,在发现错误时容易进行定位和修正,具有可解释性强的特点;并且,用户通常会在注册账户时设置用户名和用户头像,因此用户名和用户头像可以覆盖绝大多数的用户,具有覆盖性广的特点。基于上述特点,本方案人工标注的测试集上,男性预测准确率为93.2%,女性预测准确率为94.1%。
在一种可选的实现方式中,服务器在训练上述初始模型时,还可以在用户名特征和用户头像特征的基础上,融合用户的生产行为特征和消费行为特征等,进行多个方面的特征融合,本公开对此不加以限定。
本公开实施例提供的方案,通过包括用户账户的性别以及用户名和用户头像中的至少一种的样本数据来对初始模型进行训练,得到性别预测模型,进而可以通过性别预测模型来预测用户账户对应的性别,可以在不获取用户终端的后台数据等未授权的用户隐私数据的情况下,通过用户授权的用户名和用户头像来预测用户账户对应的性别,预测得到的性别较为准确。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
图6是根据一示例性实施例示出的一种用户属性信息的确定装置框图。参照图6,该装置包括:信息获取单元601、特征提取单元602、模型预测单元603以及确定单元604。
信息获取单元601,被配置为获取用户账户对应的用户名和用户头像;
特征提取单元602,被配置为对用户名和用户头像分别进行特征提取,得到第一特征向量和第二特征向量,该第一特征向量被配置为表示用户名的特征,该第二特征向量被配置为表示用户头像的特征;
模型预测单元603,被配置为将该第一特征向量和该第二特征向量输入性别预测模型,基于该性别预测模型输出第一概率和第二概率,该第一概率被配置为表示预测为男性的概率,该第二概率被配置为表示预测为女性的概率;
确定单元604,被配置为根据该第一概率和该第二概率,确定该用户账户对应的性别。
本公开实施例提供的装置,由于用户名和用户头像会反映用户的性别特征,通过特征提取单元对用户名和用户头像分别进行特征提取,然后通过模型预测单元基于性别预测模型进行性别预测,可以在不获取用户终端的后台数据等未授权的用户隐私数据的情况下,通过用户授权的用户名和用户头像来预测用户账户对应的性别,预测得到的性别较为准确。
在一种可能的实现方式中,该模型预测单元603,还被配置为基于该性别预测模型的输入层,对该第一特征向量和该第二特征向量进行拼接,得到拼接向量;基于该性别预测模型中包括的至少一个全连接层,根据该拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量;基于该性别预测模型的输出层,根据该性别特征向量,输出该第一概率和该第二概率。
在一种可能的实现方式中,该模型预测单元603,还被配置为对于该性别预测模型中的任一全连接层,将该全连接层的输入向量与该全连接层对应的权重系数相乘,得到目标乘积;将该目标乘积与该全连接层对应的偏置系数相加,得到目标和值;将该目标和值输入该全连接层对应的激活函数,得到该全连接层的目标输出向量,将该目标输出向量作为与该全连接层相邻且相对靠后的其他全连接层的输入向量;其中,该性别预测模型中执行顺序排在首位的全连接层的输入向量为该拼接向量,执行顺序排在末尾的全连接层的目标输出向量为该性别特征向量。
在一种可能的实现方式中,该确定单元604,还被配置为若该第一概率大于目标预测概率,则确定该用户账户对应的性别为男性;若该第二概率大于该目标预测概率,则确定该用户账户对应的性别为女性。
需要说明的是,上述实施例提供的用户属性信息的确定装置在预测用户账户对应的性别时,仅以上述各功能单元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完成,即将电子设备的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用户属性信息的确定装置与用户属性信息的确定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。
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。
电子设备被提供为终端时,图7是根据一示例性实施例示出的一种终端700的框图。该终端图7示出了本公开一个示例性实施例提供的终端700的结构框图。该终端700可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,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700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700包括有:处理器701和存储器702。
处理器701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701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701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701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701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702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702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702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701所执行以实现本公开中方法实施例提供的用户属性信息的确定方法。
在一些实施例中,终端700还可选包括有:外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703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703相连。具体地,外围设备包括:射频电路704、显示屏705、摄像头组件706、音频电路707、定位组件708和电源709中的至少一种。
外围设备接口703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701和存储器702。在一些实施例中,处理器701、存储器702和外围设备接口703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701、存储器702和外围设备接口703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704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路704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704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704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704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704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏705用于显示UI(User Interface,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705是触摸显示屏时,显示屏705还具有采集在显示屏705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701进行处理。此时,显示屏705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705可以为一个,设置终端700的前面板;在另一些实施例中,显示屏705可以为至少两个,分别设置在终端700的不同表面或呈折叠设计;在再一些实施例中,显示屏705可以是柔性显示屏,设置在终端700的弯曲表面上或折叠面上。甚至,显示屏705还可以设置成非矩形的不规则图形,也即异形屏。显示屏705可以采用LCD(LiquidCrystal 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706用于采集图像或视频。可选地,摄像头组件706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(Virtual Reality,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706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707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701进行处理,或者输入至射频电路704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700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701或射频电路704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707还可以包括耳机插孔。
定位组件708用于定位终端700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708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709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709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700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于:加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。
加速度传感器711可以检测以终端700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711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号,控制显示屏705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711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712可以检测终端700的机体方向及转动角度,陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712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713可以设置在终端700的侧边框和/或显示屏705的下层。当压力传感器713设置在终端700的侧边框时,可以检测用户对终端700的握持信号,由处理器701根据压力传感器713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713设置在显示屏705的下层时,由处理器701根据用户对显示屏705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714用于采集用户的指纹,由处理器701根据指纹传感器714采集到的指纹识别用户的身份,或者,由指纹传感器714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701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714可以被设置终端700的正面、背面或侧面。当终端700上设置有物理按键或厂商Logo时,指纹传感器714可以与物理按键或厂商Logo集成在一起。
光学传感器715用于采集环境光强度。在一个实施例中,处理器701可以根据光学传感器715采集的环境光强度,控制显示屏705的显示亮度。具体地,当环境光强度较高时,调高显示屏705的显示亮度;当环境光强度较低时,调低显示屏705的显示亮度。在另一个实施例中,处理器701还可以根据光学传感器715采集的环境光强度,动态调整摄像头组件706的拍摄参数。
接近传感器716,也称距离传感器,通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中,当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时,由处理器701控制显示屏705从亮屏状态切换为息屏状态;当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时,由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图7中示出的结构并不构成对终端700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。
电子设备被提供为服务器时,图8是根据一示例性实施例示出的一种服务器800的框图,该服务器800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)801和一个或一个以上的存储器802,其中,该存储器802中存储有至少一条指令,该至少一条指令由该处理器801加载并执行以实现上述各个方法实施例提供的用户属性信息的确定方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器800还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器702或者存储器802,上述指令可由终端700的处理器701或者服务器800的处理器801执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开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下面的权利要求指出。
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 (10)
1.一种用户属性信息的确定方法,其特征在于,所述方法包括:
获取用户账户对应的用户名和用户头像;
对所述用户名和所述用户头像分别进行特征提取,得到第一特征向量和第二特征向量,所述第一特征向量用于表示用户名的特征,所述第二特征向量用于表示用户头像的特征;
将所述第一特征向量和所述第二特征向量输入性别预测模型,基于所述性别预测模型输出第一概率和第二概率,所述第一概率用于表示预测为男性的概率,所述第二概率用于表示预测为女性的概率;
根据所述第一概率和所述第二概率,确定所述用户账户对应的性别。
2.根据权利要求1所述的方法,其特征在于,所述基于所述性别预测模型输出第一概率和第二概率,包括:
基于所述性别预测模型的输入层,对所述第一特征向量和所述第二特征向量进行拼接,得到拼接向量;
基于所述性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量;
基于所述性别预测模型的输出层,根据所述性别特征向量,输出所述第一概率和所述第二概率。
3.根据权利要求2所述的方法,其特征在于,所述基于所述性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量,包括:
对于所述性别预测模型中的任一全连接层,将所述全连接层的输入向量与所述全连接层对应的权重系数相乘,得到目标乘积;
将所述目标乘积与所述全连接层对应的偏置系数相加,得到目标和值;
将所述目标和值输入所述全连接层对应的激活函数,得到所述全连接层的目标输出向量,将所述目标输出向量作为与所述全连接层相邻且相对靠后的其他全连接层的输入向量;
其中,所述性别预测模型中执行顺序排在首位的全连接层的输入向量为所述拼接向量,执行顺序排在末尾的全连接层的目标输出向量为所述性别特征向量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一概率和所述第二概率,确定所述用户账户对应的用户的性别,包括:
若所述第一概率大于目标预测概率,则确定所述用户账户对应的性别为男性;
若所述第二概率大于所述目标预测概率,则确定所述用户账户对应的性别为女性。
5.一种用户属性信息的确定装置,其特征在于,所述装置包括:
信息获取单元,被配置为获取用户账户对应的用户名和用户头像;
特征提取单元,被配置为对所述用户名和所述用户头像分别进行特征提取,得到第一特征向量和第二特征向量,所述第一特征向量被配置为表示用户名的特征,所述第二特征向量被配置为表示用户头像的特征;
模型预测单元,被配置为将所述第一特征向量和所述第二特征向量输入性别预测模型,基于所述性别预测模型输出第一概率和第二概率,所述第一概率被配置为表示预测为男性的概率,所述第二概率被配置为表示预测为女性的概率;
确定单元,被配置为根据所述第一概率和所述第二概率,确定所述用户账户对应的性别。
6.根据权利要求5所述的装置,其特征在于,所述模型预测单元,还被配置为基于所述性别预测模型的输入层,对所述第一特征向量和所述第二特征向量进行拼接,得到拼接向量;基于所述性别预测模型中包括的至少一个全连接层,根据所述拼接向量包含的用户名的特征和用户头像的特征,提取包含性别特征的性别特征向量;基于所述性别预测模型的输出层,根据所述性别特征向量,输出所述第一概率和所述第二概率。
7.根据权利要求6所述的装置,其特征在于,所述模型预测单元,还被配置为对于所述性别预测模型中的任一全连接层,将所述全连接层的输入向量与所述全连接层对应的权重系数相乘,得到目标乘积;将所述目标乘积与所述全连接层对应的偏置系数相加,得到目标和值;将所述目标和值输入所述全连接层对应的激活函数,得到所述全连接层的目标输出向量,将所述目标输出向量作为与所述全连接层相邻且相对靠后的其他全连接层的输入向量;其中,所述性别预测模型中执行顺序排在首位的全连接层的输入向量为所述拼接向量,执行顺序排在末尾的全连接层的目标输出向量为所述性别特征向量。
8.根据权利要求5所述的装置,其特征在于,所述确定单元,还被配置为若所述第一概率大于目标预测概率,则确定所述用户账户对应的性别为男性;若所述第二概率大于所述目标预测概率,则确定所述用户账户对应的性别为女性。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-4任一项所述的用户属性信息的确定方法。
10.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至4任一项所述的用户属性信息的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485760.1A CN111652432A (zh) | 2020-06-01 | 2020-06-01 | 用户属性信息的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485760.1A CN111652432A (zh) | 2020-06-01 | 2020-06-01 | 用户属性信息的确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652432A true CN111652432A (zh) | 2020-09-11 |
Family
ID=72349897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485760.1A Pending CN111652432A (zh) | 2020-06-01 | 2020-06-01 | 用户属性信息的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652432A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312905A (zh) * | 2021-06-23 | 2021-08-27 | 北京有竹居网络技术有限公司 | 信息预测方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7447996B1 (en) * | 2008-02-28 | 2008-11-04 | International Business Machines Corporation | System for using gender analysis of names to assign avatars in instant messaging applications |
CN107330445A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 用户属性的预测方法和装置 |
WO2019120019A1 (zh) * | 2017-12-20 | 2019-06-27 | Oppo广东移动通信有限公司 | 用户性别预测方法、装置、存储介质及电子设备 |
CN111143441A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 性别确定方法、装置、设备及存储介质 |
CN111199208A (zh) * | 2019-12-31 | 2020-05-26 | 上海昌投网络科技有限公司 | 一种基于深度学习框架的头像性别识别方法及系统 |
CN111209925A (zh) * | 2018-11-21 | 2020-05-29 | 北京京东尚科信息技术有限公司 | 性别预测方法、装置和计算机可读存储介质 |
-
2020
- 2020-06-01 CN CN202010485760.1A patent/CN111652432A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7447996B1 (en) * | 2008-02-28 | 2008-11-04 | International Business Machines Corporation | System for using gender analysis of names to assign avatars in instant messaging applications |
CN107330445A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 用户属性的预测方法和装置 |
WO2019120019A1 (zh) * | 2017-12-20 | 2019-06-27 | Oppo广东移动通信有限公司 | 用户性别预测方法、装置、存储介质及电子设备 |
CN111209925A (zh) * | 2018-11-21 | 2020-05-29 | 北京京东尚科信息技术有限公司 | 性别预测方法、装置和计算机可读存储介质 |
CN111143441A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 性别确定方法、装置、设备及存储介质 |
CN111199208A (zh) * | 2019-12-31 | 2020-05-26 | 上海昌投网络科技有限公司 | 一种基于深度学习框架的头像性别识别方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312905A (zh) * | 2021-06-23 | 2021-08-27 | 北京有竹居网络技术有限公司 | 信息预测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110149541B (zh) | 视频推荐方法、装置、计算机设备及存储介质 | |
CN110097019B (zh) | 字符识别方法、装置、计算机设备以及存储介质 | |
WO2020224479A1 (zh) | 目标的位置获取方法、装置、计算机设备及存储介质 | |
CN111737573A (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
US11995406B2 (en) | Encoding method, apparatus, and device, and storage medium | |
CN112733970B (zh) | 图像分类模型处理方法、图像分类方法及装置 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN110503160B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN108922531B (zh) | 槽位识别方法、装置、电子设备及存储介质 | |
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 | |
US20230095250A1 (en) | Method for recommending multimedia resource and electronic device | |
CN110572710B (zh) | 视频生成方法、装置、设备及存储介质 | |
CN110991445A (zh) | 竖排文字识别方法、装置、设备及介质 | |
CN114691860A (zh) | 文本分类模型的训练方法、装置、电子设备及存储介质 | |
CN114547429A (zh) | 数据推荐方法、装置、服务器及存储介质 | |
CN110990549A (zh) | 获取答案的方法、装置、电子设备及存储介质 | |
CN111652432A (zh) | 用户属性信息的确定方法、装置、电子设备及存储介质 | |
CN114925667A (zh) | 内容分类方法、装置、设备及计算机可读存储介质 | |
CN111310701B (zh) | 手势识别方法、装置、设备及存储介质 | |
CN109816047B (zh) | 提供标签的方法、装置、设备及可读存储介质 | |
CN114817709A (zh) | 排序方法、装置、设备及计算机可读存储介质 | |
CN115221888A (zh) | 实体提及的识别方法、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 |