CN111767290B - 用于更新用户画像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于更新用户画像的方法和装置。上述方法的一具体实施方式包括：获取用户画像中属性标签的历史属性值向量；确定历史属性值向量的生成时刻；根据生成时刻与当前时刻之间的时长，生成用于表示历史属性值向量发生变化的转移概率矩阵；基于转移概率矩阵以及历史属性值向量，预测属性标签的当前属性值向量；根据属性标签的当前属性值向量，更新用户画像。该实施方式能够更精准地刻画用户画像。

Description

用于更新用户画像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于更新用户画像的方法和装置。

背景技术

用户画像又称用户角色(Persona)，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待连接起来。

现有的用户画像构建方法主要是通过对大数据进行统计分析得到，用户的属性标签通过对日志信息关键字段的提取来获得。

发明内容

本申请实施例提出了用于更新用户画像的方法和装置。

第一方面，本申请实施例提供了一种用于更新用户画像的方法，包括：获取用户画像中属性标签的历史属性值向量；确定上述历史属性值向量的生成时刻；根据上述生成时刻与当前时刻之间的时长，生成用于表示上述历史属性值向量发生变化的转移概率矩阵；基于上述转移概率矩阵以及上述历史属性值向量，预测上述属性标签的当前属性值向量；根据上述属性标签的当前属性值向量，更新用户画像。

在一些实施例中，上述基于上述转移概率矩阵以及上述历史属性值向量，预测上述属性标签的当前属性值向量，包括：利用预先建立的用户画像确定模型生成上述属性标签的第一属性值向量，其中，上述用户画像确定模型用于确定用户画像中属性标签的属性值向量；基于上述转移概率矩阵、上述历史属性值向量以及上述第一属性值向量，预测上述属性标签的当前属性值向量。

在一些实施例中，上述基于上述转移概率矩阵、上述历史属性值向量以及上述第一属性值向量，预测上述属性标签的当前属性值，包括：根据上述概率矩阵、上述历史属性值向量、上述第一属性值向量以及与上述历史属性值向量和上述第一属性值向量分别对应的权重，预测上述属性标签的当前属性值向量。

在一些实施例中，属性标签包括至少两个属性值，上述历史属性值向量包括至少两个概率值，上述至少两个概率值与上述至少两个属性值一一对应；以及上述根据上述生成时刻与当前时刻之间的时长，生成用于表示上述历史属性值向量发生变化的转移概率矩阵，包括：对于上述至少两个属性值中的属性值，根据上述生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值；根据所确定的概率值，确定转移概率矩阵。

在一些实施例中，上述用户画像确定模型是基于对用户的历史行为数据进行学习得到的。

第二方面，本申请实施例提供了一种用于更新用户画像的装置，包括：向量获取单元，被配置成获取用户画像中属性标签的历史属性值向量；时刻确定单元，被配置成确定上述历史属性值向量的生成时刻；矩阵确定单元，被配置成根据上述生成时刻与当前时刻之间的时长，生成用于表示上述历史属性值向量发生变化的转移概率矩阵；向量预测单元，被配置成基于上述转移概率矩阵以及上述历史属性值向量，预测上述属性标签的当前属性值向量；画像更新单元，被配置成根据上述属性标签的当前属性值向量，更新用户画像。

在一些实施例中，上述向量预测单元包括：第一向量生成模块，被配置成利用预先建立的用户画像确定模型生成上述属性标签的第一属性值向量，其中，上述用户画像确定模型用于确定用户画像中属性标签的属性值向量；当前向量预测模块，被配置成基于上述转移概率矩阵、上述历史属性值向量以及上述第一属性值向量，预测上述属性标签的当前属性值向量。

在一些实施例中，上述当前向量预测模块进一步被配置成：根据上述概率矩阵、上述历史属性值向量、上述第一属性值向量以及与上述历史属性值向量和上述第一属性值向量分别对应的权重，预测上述属性标签的当前属性值向量。

在一些实施例中，属性标签包括至少两个属性值，上述历史属性值向量包括至少两个概率值，上述至少两个概率值与上述至少两个属性值一一对应；以及上述矩阵确定单元进一步被配置成：对于上述至少两个属性值中的属性值，根据上述生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值；根据所确定的概率值，确定转移概率矩阵。

在一些实施例中，上述用户画像确定模型是基于对用户的历史行为数据进行学习得到的。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任一实施例所描述的方法。

本申请的上述实施例提供的用于更新用户画像的方法和装置，首先可以获取用户画像中属性标签的历史属性值向量。然后，确定上述历史属性值向量的生成时刻。然后，根据生成时刻与当前时刻之间的时长，生成用于表示历史属性值向量发生变化的转移概率矩阵。并基于转移概率矩阵以及历史属性值向量，预测属性标签的当前属性值向量。最后，根据预测得到的属性标签的当前属性值向量，更新用户画像。本实施例的方法，考虑了用户画像中属性标签可能随时间变化的特性，从而可以有效地提高用户画像的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于更新用户画像的方法的一个实施例的流程图；

图3是根据本申请的用于更新用户画像的方法的一个应用场景的示意图；

图4是根据本申请的用于更新用户画像的方法的又一个实施例的流程图；

图5是根据本申请的用于更新用户画像的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于更新用户画像的方法或用于更新用户画像的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对用户通过终端设备101、102、103产生的历史行为数据进行处理或者对已有用户画像中的属性标签的属性值向量进行处理的后台服务器。后台服务器可以对历史行为数据进行分析等处理，并将处理结果(例如用户画像)反馈。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于更新用户画像的方法一般由服务器105执行。相应地，用于更新用户画像的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于更新用户画像的方法的一个实施例的流程200。本实施例的用于更新用户画像的方法，包括以下步骤：

步骤201，获取用户画像中属性标签的历史属性值向量。

在本实施例中，用于更新用户画像的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取用户画像中属性标签的历史属性值向量。用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。用户画像可以包括多个属性标签，属性标签是通过对用户信息分析得到的高度精炼的特征标识。每个属性标签可以包括至少一个属性值。例如，属性标签“年收入”可以包括多个属性值：10万以下、10-30万、30-50万、50万以上等。属性标签“家中幼儿年龄”可以包括多个属性值：0-1岁、1-3岁、3岁以上等。本实施例中，执行主体可以获取已有的用户画像中属性标签的历史属性值向量。历史属性值向量可以包括至少一个历史属性值。历史属性值向量可以采用多种方式来表示，例如，历史属性值包括属性值和对应的生成时间。或者，历史属性值包括属性值以及其对应的概率。举例来说，属性标签“年收入”的历史属性值向量可以为(10万以下：2015年、10-30万：2016年、10-30万：2017年、30-50万：2018年)，即历史属性值向量中包括属性值及对应的生成时间。属性标签“家中幼儿年龄”的历史属性值向量可以为(0-1岁：0.9、1-3岁：0.1、3岁以上：0)，历史属性值向量中包括属性值及对应的概率。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，确定历史属性值向量的生成时刻。

在获取到用户画像中属性标签的历史属性值向量后，执行主体可以确定上述历史属性值向量的生成时刻。上述生成时刻可以直接从用户的历史行为数据中得到，也可以由用户画像的生成时间确定。上述历史行为数据可以包括用户在某个网站的浏览记录、搜索记录、购买记录等。

步骤203，根据生成时刻与当前时刻之间的时长，生成用于表示历史属性值向量发生变化的转移概率矩阵。

执行主体可以计算历史属性值向量的生成时刻与当前时刻之间的时长。并基于上述时长，生成用于标识历史属性值向量发生变化的转移概率矩阵。可以理解的是，用户画像中的某些属性标签的属性值是一定会随时间变化的，例如，年龄、就读的年级、所处的阶段(小学生、中学生、大学生)等。本实施例中，执行主体可以根据生成时刻与当前时刻之间的时长，确定历史属性值向量中的各历史属性值发生变化的概率，从而得到转移概率矩阵。

步骤204，基于转移概率矩阵以及历史属性值向量，预测属性标签的当前属性值向量。

在确定了转移概率矩阵后，执行主体可以结合历史属性值向量，来预测属性标签的当前属性值向量。具体的，执行主体可以直接将转移概率矩阵与历史属性值向量的乘积作为当前属性值向量。

步骤205，根据属性标签的当前属性值向量，更新用户画像。

执行主体可以根据属性标签的当前属性值向量，来更新用户画像。具体的，执行主体可以利用当前属性值向量来替换历史属性值向量，以更新用户画像。或者，执行主体可以将当前属性值向量作为新的历史属性值向量，存储在用户画像中。

继续参见图3，图3是根据本实施例的用于更新用户画像的方法的一个应用场景的示意图。在图3的应用场景中，服务器301获取到用户画像中属性标签“家中幼儿年龄”的历史属性值向量为(0-1岁：0.9、1-3岁：0.1、3岁以上：0)。其生成时刻为2019年2月。服务器可以根据2019年2月至今之间的时长，确定转移概率矩阵，并计算得到属性标签“家中幼儿年龄”的当前属性值向量为(0-1岁：33/40、1-3岁：41/240、3岁以上：1/240)。然后，执行主体可以根据当前属性值向量认定用户家中幼儿年龄为0-1岁的可能性较大。向用户推送0-1岁婴儿所使用的商品的相关信息。用户可通过终端302来接收上述相关信息。

本申请的上述实施例提供的用于更新用户画像的方法，首先可以获取用户画像中属性标签的历史属性值向量。然后，确定上述历史属性值向量的生成时刻。然后，根据生成时刻与当前时刻之间的时长，生成用于表示历史属性值向量发生变化的转移概率矩阵。并基于转移概率矩阵以及历史属性值向量，预测属性标签的当前属性值向量。最后，根据预测得到的属性标签的当前属性值向量，更新用户画像。本实施例的方法，考虑了用户画像中属性标签可能随时间变化的特性，从而可以有效地提高用户画像的准确度。

继续参见图4，其示出了根据本申请的用于更新用户画像的方法的另一个实施例的流程400。如图4所示，本实施例中，可以通过以下步骤来更新用户画像：

步骤401，获取用户画像中属性标签的历史属性值向量。

本实施例中，属性标签可以包括至少两个属性值。例如，属性标签“家中幼儿年龄”包括三个属性值，分别为“0-1岁”、“1-3岁”、“3岁以上”。历史属性值向量包括至少两个概率值，且上述至少两个概率值与属性标签中包括的至少两个属性值一一对应。例如，历史属性值向量为(0.9，0.1，0)。其中，0.9表示家中幼儿年龄为0-1岁的概率，0.1表示家中幼儿年龄为1-3岁的概率，0表示家中幼儿年龄为3岁以上的概率。

步骤402，确定历史属性值向量的生成时刻。

步骤402的原理与步骤202的原理类似，此处不再赘述。

步骤403，对于至少两个属性值中的属性值，根据生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值。

对于至少两个属性值中的每个属性值，执行主体可以根据生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值。举例来说，生成时刻为2019年2月，当前为2019年3月，二者之间的时长为1月。属性值“0-1岁”变为属性值“1-3岁”的概率为1/12，变为属性值“3岁以上”的概率为0。属性值“1-3岁”变为属性值“0-1岁”的概率为0，属性值“1-3岁”变为属性值“3岁以上”的概率为1/24。属性值“3岁以上”变为属性值“0-1岁”、属性值“1-3岁”的概率均为0。

步骤404，根据所确定的概率值，确定转移概率矩阵。

执行主体在确定了上述概率值后，可以推算出属性值保持不变的概率值。然后，结合得到的概率值，得到转移概率矩阵。举例来说，属性值“0-1岁”保持不变的概率为11/12，属性值“1-3岁”保持不变的概率为23/24，属性值“3岁以上”保持不变的概率为0。执行主体可以以a_ij来表示由属性值j变为属性值i的概率，则可以得到以下转移概率矩阵：

步骤405，利用预先建立的用户画像确定模型生成属性标签的第一属性值向量。

本实施例中，执行主体还可以利用预先建立的用户画像确定模型生成属性标签的第一属性值向量。其中，用户画像确定模型用于确定用户画像中属性标签的属性值向量。上述用户画像确定模型可以是基于对用户的历史行为数据学习得到的。用户画像确定模型可以对用户的历史行为数据进行分析，确定用户画像中属性标签的属性值向量。执行主体可以将用户画像确定模型确定出的属性值向量作为第一属性值向量。

步骤406，基于转移概率矩阵、历史属性值向量以及第一属性值向量，预测属性标签的当前属性值向量。

本实施例中，执行主体可以根据转移概率矩阵、历史属性值向量以及第一属性值向量，来预测属性标签的当前属性值向量。具体的，执行主体可以首先计算转移概率矩阵与历史属性值向量的乘积。然后，将上述乘积与第一属性值向量之和作为当前属性值向量。或者，执行主体可以将上述乘积与第一属性值向量的加权均值作为当前属性值向量。以x_i来表示历史属性值向量，以来表示第一属性值向量，以x_i+1来表示当前属性值向量。则有

在本实施例的一些可选的实现方式中，上述步骤406具体可以通过图4中未示出的以下步骤来实现：根据概率矩阵、历史属性值向量、第一属性值向量以及与历史属性值向量和第一属性值向量分别对应的权重，预测属性标签的当前属性值向量。

本实现方式中，技术人员可以预先设定与历史属性值向量和第一属性值向量分别对应的权重。以w₀来表示与历史属性值向量对应的权重，以w₁来表示与第一属性值向量对应的权重。则可以通过以下公式来确定当前属性值向量：

步骤407，根据属性标签的当前属性值向量，更新用户画像。

步骤407的原理与步骤205的原理类似，此处不再赘述。

本申请的上述实施例提供的用于更新用户画像的方法，可以同时利用历史属性值向量以及模型预测得到的属性值向量，同时结合转移概率矩阵，提高了最终得到的当前属性值向量的置信度，提升了用户画像的准确率，能够更精准的刻画用户画像。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于更新用户画像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于更新用户画像的装置500包括：向量获取单元501、时刻确定单元502、矩阵确定单元503、向量预测单元504以及画像更新单元505。

向量获取单元501，被配置成获取用户画像中属性标签的历史属性值向量。

时刻确定单元502，被配置成确定历史属性值向量的生成时刻。

矩阵确定单元503，被配置成根据生成时刻与当前时刻之间的时长，生成用于表示历史属性值向量发生变化的转移概率矩阵。

向量预测单元504，被配置成基于转移概率矩阵以及历史属性值向量，预测属性标签的当前属性值向量。

画像更新单元505，被配置成根据属性标签的当前属性值向量，更新用户画像。

在本实施例的一些可选的实现方式中，向量预测单元504可以进一步包括图5中未示出的第一向量生成模块和当前向量预测模块。

第一向量生成模块，被配置成利用预先建立的用户画像确定模型生成所述属性标签的第一属性值向量。其中，用户画像确定模型用于确定用户画像中属性标签的属性值向量。

当前向量预测模块，被配置成基于转移概率矩阵、历史属性值向量以及第一属性值向量，预测属性标签的当前属性值向量。

在本实施例的一些可选的实现方式中，当前向量预测模块可以进一步被配置成：根据概率矩阵、历史属性值向量、第一属性值向量以及与历史属性值向量和第一属性值向量分别对应的权重，预测属性标签的当前属性值向量。

在本实施例的一些可选的实现方式中，属性标签包括至少两个属性值，历史属性值向量包括至少两个概率值，至少两个概率值与所述至少两个属性值一一对应。矩阵确定单元503可以进一步被配置成：对于至少两个属性值中的属性值，根据生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值；根据所确定的概率值，确定转移概率矩阵。

在本实施例的一些可选的实现方式中，用户画像确定模型是基于对用户的历史行为数据进行学习得到的。

本申请的上述实施例提供的用于更新用户画像的装置，首先可以获取用户画像中属性标签的历史属性值向量。然后，确定上述历史属性值向量的生成时刻。然后，根据生成时刻与当前时刻之间的时长，生成用于表示历史属性值向量发生变化的转移概率矩阵。并基于转移概率矩阵以及历史属性值向量，预测属性标签的当前属性值向量。最后，根据预测得到的属性标签的当前属性值向量，更新用户画像。考虑了用户画像中属性标签可能随时间变化的特性，从而可以有效地提高用户画像的准确度。

应当理解，用于更新用户画像的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于更新用户画像的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户画像中属性标签的历史属性值向量；确定上述历史属性值向量的生成时刻；根据上述生成时刻与当前时刻之间的时长，生成用于表示上述历史属性值向量发生变化的转移概率矩阵；基于上述转移概率矩阵以及上述历史属性值向量，预测上述属性标签的当前属性值向量；根据上述属性标签的当前属性值向量，更新用户画像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括向量获取单元、时刻确定单元、矩阵确定单元、向量预测单元和画像更新单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，向量获取单元还可以被描述为“获取用户画像中属性标签的历史属性值向量的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种用于更新用户画像的方法，包括：

获取用户画像中属性标签的历史属性值向量，所述属性标签包括至少两个属性值，所述历史属性值向量包括至少两个概率值，所述至少两个概率值与所述至少两个属性值一一对应；

确定所述历史属性值向量的生成时刻；

根据所述生成时刻与当前时刻之间的时长，生成用于表示所述历史属性值向量发生变化的转移概率矩阵，包括：对于所述至少两个属性值中的属性值，根据所述生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值；根据所确定的概率值，确定转移概率矩阵；

基于所述转移概率矩阵以及所述历史属性值向量，预测所述属性标签的当前属性值向量；

根据所述属性标签的当前属性值向量，更新用户画像。

2.根据权利要求1所述的方法，其中，所述基于所述转移概率矩阵以及所述历史属性值向量，预测所述属性标签的当前属性值向量，包括：

利用预先建立的用户画像确定模型生成所述属性标签的第一属性值向量，其中，所述用户画像确定模型用于确定用户画像中属性标签的属性值向量；

基于所述转移概率矩阵、所述历史属性值向量以及所述第一属性值向量，预测所述属性标签的当前属性值向量。

3.根据权利要求2所述的方法，其中，所述基于所述转移概率矩阵、所述历史属性值向量以及所述第一属性值向量，预测所述属性标签的当前属性值，包括：

根据所述概率矩阵、所述历史属性值向量、所述第一属性值向量以及与所述历史属性值向量和所述第一属性值向量分别对应的权重，预测所述属性标签的当前属性值向量。

4.根据权利要求2所述的方法，其中，所述用户画像确定模型是基于对用户的历史行为数据进行学习得到的。

5.一种用于更新用户画像的装置，包括：

向量获取单元，被配置成获取用户画像中属性标签的历史属性值向量，所述属性标签包括至少两个属性值，所述历史属性值向量包括至少两个概率值，所述至少两个概率值与所述至少两个属性值一一对应；

时刻确定单元，被配置成确定所述历史属性值向量的生成时刻；

矩阵确定单元，被配置成根据所述生成时刻与当前时刻之间的时长，生成用于表示所述历史属性值向量发生变化的转移概率矩阵；

向量预测单元，被配置成基于所述转移概率矩阵以及所述历史属性值向量，预测所述属性标签的当前属性值向量；

画像更新单元，被配置成根据所述属性标签的当前属性值向量，更新用户画像；

所述矩阵确定单元被进一步配置成：

对于所述至少两个属性值中的属性值，根据所述生成时刻与当前时刻之间的时长，确定该属性值更新为其它属性值的概率值；根据所确定的概率值，确定转移概率矩阵。

6.根据权利要求5所述的装置，其中，所述向量预测单元包括：

第一向量生成模块，被配置成利用预先建立的用户画像确定模型生成所述属性标签的第一属性值向量，其中，所述用户画像确定模型用于确定用户画像中属性标签的属性值向量；

当前向量预测模块，被配置成基于所述转移概率矩阵、所述历史属性值向量以及所述第一属性值向量，预测所述属性标签的当前属性值向量。

7.根据权利要求6所述的装置，其中，所述当前向量预测模块进一步被配置成：

根据所述概率矩阵、所述历史属性值向量、所述第一属性值向量以及与所述历史属性值向量和所述第一属性值向量分别对应的权重，预测所述属性标签的当前属性值向量。

8.根据权利要求6所述的装置，其中，所述用户画像确定模型是基于对用户的历史行为数据进行学习得到的。

9.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。