CN111782959B - 用户画像更新方法、装置、计算机设备及存储介质 - Google Patents

用户画像更新方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111782959B
CN111782959B CN202010699878.4A CN202010699878A CN111782959B CN 111782959 B CN111782959 B CN 111782959B CN 202010699878 A CN202010699878 A CN 202010699878A CN 111782959 B CN111782959 B CN 111782959B
Authority
CN
China
Prior art keywords
vector
objects
channel
vector matrix
pooling
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
Application number
CN202010699878.4A
Other languages
English (en)
Other versions
CN111782959A (zh
Inventor
李森林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Hefei Technology Co ltd
Original Assignee
Shenzhen Hefei Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Hefei Technology Co ltd filed Critical Shenzhen Hefei Technology Co ltd
Priority to CN202010699878.4A priority Critical patent/CN111782959B/zh
Publication of CN111782959A publication Critical patent/CN111782959A/zh
Application granted granted Critical
Publication of CN111782959B publication Critical patent/CN111782959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施例提供一种用户画像更新方法、装置、计算机设备及存储介质。该方法包括：获取目标终端的运行数据；通过对象向量化模型并基于至少两个对象的运行时序，将运行数据中的对象转换为第一向量；通过池化网络对第一向量矩阵中的各个通道进行最大池化处理，得到第二向量；基于第二向量更新目标终端对应的目标用户的用户画像。本申请实施例提供的技术方案，当某些小众对象在某一维度的特征最突出时，经最大池化处理得到第二向量时，该第二向量可以保留上述小众对象对应的最突出的特征，使得第二向量所表示的用户行为信息更为丰富，后续基于第二向量更新用户画像时，提高用户画像的全面性与准确性。

Description

用户画像更新方法、装置、计算机设备及存储介质
技术领域
本申请实施例涉及互联网技术领域，特别涉及一种用户画像更新方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术的发展，应用程序开发得越来越多，不同的应用程序面向用户提供社交、美食、娱乐、生活等方面的服务。
用户对终端中的应用程序的使用情况可用于生成用户画像。相关技术中，通过统计某一时段内用户使用的应用程序的次数、时长等信息，通过分析上述信息来生成用户画像。例如，用户使用拍照类应用程序的次数较多，使用时长较长，则该用户通常为拍照爱好者。
发明内容
本申请实施例提供一种用户画像更新方法、装置、计算机设备及存储介质。所述技术方案如下：
一方面，本申请实施例提供一种用户画像更新方法，所述方法包括：
获取目标终端的运行数据，所述运行数据包括所述目标终端中运行的至少两个对象，以及所述至少两个对象的运行时序；
通过对象向量化模型并基于所述至少两个对象的运行时序，将所述运行数据中的对象转换为第一向量，所述对象向量化模型是通过调整所述至少两个对象分别对应的初始向量，以使得预测得到的所述至少两个对象的运行时机概率分布与所述至少两个对象的运行时序匹配的模型，所述至少两个对象的运行时机概率分布是指所述至少两个对象中的第一对象运行时，第二对象在所述第一对象之前或之后运行的概率；
通过池化网络对第一向量矩阵中的各个通道进行最大池化处理，得到第二向量，所述第一向量矩阵由所述第一向量组成，所述第一向量矩阵中的一个通道用于指示一个维度的特征；
基于所述第二向量更新所述目标终端对应的目标用户的用户画像。
另一方面，本申请实施例提供了一种用户画像更新装置，所述装置包括：
数据获取模块，用于获取目标终端的运行数据，所述运行数据包括所述目标终端中运行的至少两个对象，以及所述至少两个对象的运行时序；
向量化处理模块，用于通过对象向量化模型并基于所述至少两个对象的运行时序，将所述运行数据中的对象转换为第一向量，所述对象向量化模型是通过调整所述至少两个对象分别对应的初始向量，以使得预测得到的所述至少两个对象的运行时机概率分布与所述至少两个对象的运行时序匹配的模型，所述至少两个对象的运行时机概率分布是指所述至少两个对象中的第一对象运行时，第二对象在所述第一对象之前或之后运行的概率；
池化处理模块，用于通过池化网络对第一向量矩阵中的各个通道进行最大池化处理，得到第二向量，所述第一向量矩阵由所述第一向量组成，所述第一向量矩阵中的一个通道用于指示一个维度的特征；
用户画像更新模块，用于基于所述第二向量更新所述目标终端对应的目标用户的用户画像。
又一方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器、存储器和柔性显示屏，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如一方面所述的用户画像更新方法。
再一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如一方面所述的用户画像更新方法。
再一方面，本申请实施例提供一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面或者一方面的各种可选实现方式中提供的用户画像更新方法。
本申请实施例提供的技术方案可以带来的有益效果至少包括：
通过对象向量化模型并基于多个对象的运行时序来将某一对象转化为第一向量时，由不同对象对应的第一向量组成的第一向量矩阵既能体现多个对象之间的联系又能反映各个对象在不同维度上的特征，当某些小众对象在某一维度的特征最突出时(小众对象在该特征对应的通道中的取值最大)，对该向量矩阵进行最大池化处理得到第二向量时，该第二向量可以保留上述小众对象对应的最突出的特征，使得第二向量所表示的用户行为信息更为丰富，后续基于第二向量更新用户画像时，提高用户画像的全面性与准确性。
附图说明
图1是本申请一个示例性实施例示出的用户画像更新的示意图；
图2是本申请一个示例性实施例示出的用户画像更新方法的流程图；
图3是本申请一个示例性实施例示出的App2vec模型的工作示意图；
图4是本申请一个示例性实施例示出的向量化处理的流程图；
图5是本申请一个示例性实施例示出的用户画像更新装置的框图；
图6是本申请一个示例性实施例示出的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
相关技术中，通过统计并分析用户使用应用程序的次数、时长等信息来更新用户画像，所得到的用户画像的准确度较低。
基于此，本申请实施例提供一种用户画像更新方法，通过对象向量化模型并基于多个对象的运行时序来将运行数据中的对象转化为第一向量时，由不同对象对应的第一向量组成的第一向量矩阵既能体现多个对象之间的联系又能反映各个对象在不同维度上的特征，当某些小众对象在某一维度的特征最突出时(运行频率较低的对象在该特征对应的通道中的取值最大)，对该向量矩阵进行最大池化处理得到第二向量时，该第二向量可以保留上述小众对象对应的最突出的特征，使得第二向量所表示的用户行为信息更为丰富，后续基于第二向量更新用户画像时，提高用户画像的全面性与准确性。
下面以对象为应用程序为例对本申请实施例提供的技术方案进行讲解。图1示出了本申请实施例示出的更新用户画像的示意图。在该实施例中，计算机设备执行如下步骤：
(1)获取用户i在目标时段内使用应用程序的时间系列，目标时段是从T-τ时刻到T时刻的时段，目标时段内用户i依次使用k个App，按照使用时间的先后顺序依次记为
Figure BDA0002592630280000041
等等。
(2)通过App2vec模型(也即对象向量化模型)对上述用户i在目标时段内使用应用程序的时间系列进行处理，得到每个App对应的第一向量，第一向量的维度为v。上述k个App分别对应的第一向量组成第一向量矩阵。
(3)通过池化网络对第一向量矩阵进行最大池化处理，得到第二向量。
(4)根据第二向量更新用户i的用户画像。
本申请实施例各步骤的执行主体是计算机设备，该计算机设备可以是诸如个人计算机、平板电脑、智能手机之类的终端设备，也可以是服务器，比如一台服务器，多台服务器组成的服务器集群、云计算服务中心等等。
请参考图2，其示出了本申请一个实施例提供的用户画像更新方法的流程图。该方法包括如下步骤：
步骤201，获取目标终端的运行数据。
目标终端的运行数据包括目标终端中运行的至少两个对象，以及至少两个对象的运行时序。终端中运行的对象包括且不限于：应用程序、多媒体文件(比如视频、音频等)、文档等。至少两个对象的运行时序是指上述至少两个对象启动运行的时间的先后顺序。
可选地，目标终端的运行数据包括预设时段内目标终端中运行的至少两个对象，以及至少两个对象的运行时序。预设时段根据实验或经验设定，例如一星期、一个月。示例性地，目标终端的运行数据包括以下至少一项：第一预设时段内运行的至少两个应用程序和上述至少两个应用程序的运行时序、第二预设时段内播放的至少两个多媒体文件和上述至少两个多媒体文件的播放时序、第三预设时段内显示的至少两篇文档和上述至少两篇文档的显示时序。上述第一预设时段、第二预设时段、第三预设时段根据实验或经验设定，本申请实施例对此不作限定。
结合参考图1，目标终端的运行数据是用户i在T-τ时刻到T时刻使用的k个APP，上述k个App按照用户i的使用时间先后顺序依次排列。
在一种可能的实现方式中，目标终端运行时采集上述运行数据，并每隔预设时间周期向计算机设备上报上述运行数据。预设时间周期可以是一天、一个星期、一个月等等。在另一种可能的实现方式中，目标终端在接收到服务器发送的用户画像更新请求后，采集并向计算机设备上报上述运行数据。
步骤202，通过对象向量化模型并基于至少两个对象的运行时序，将运行数据中的对象转化为第一向量。
对象向量化模型是通过调整至少两个对象分别对应的初始向量，以使得预测得到的至少两个对象的运行时机概率分布与至少两个对象的运行时序匹配的模型。通过对象向量化模型将运行数据中的对象转化为第一向量，能保留不同对象之间的联系。对象向量化模型包括连续词袋模型(The Continuous Bag-of-Words Model，CBOW)、跳字(Skip-gram)模型等等。在本申请实施例中，仅以对象向量化模型为跳字模型进行讲解。
对象对应的初始向量由计算机设备预设限定，本申请实施例对此不作限定，例如对象对应的初始向量为one-hot向量。至少两个对象的运行时机概率分布是指至少两个对象中的第一对象运行时，第二对象在第一对象之前或之后运行的概率。第一对象是上述至少两个对象的任一对象，第二对象是上述至少两个对象中除第一对象之外的对象。
当对象为应用程序时，对象向量化模型是App2vec模型；当对象为多媒体文件时，对象向量化模型是Video2vec模型；当对象为文档时，对象向量化模型是Doc2vec模型。结合参考图2，其示出了App2vec模型的工作示意图。计算机设备先获取训练数据，例如不同用户在特定时间段使用不同App的时间系列，之后通过上述CBOW模型或跳字模型对上述训练数据进行训练，得到App2vec模型，当训练得到App2vec时，其输出N*V的应用程序向量矩阵，其中，N是指App的数量，V是应用程序向量的维度。
第一向量包括多个通道，每个通道表示一个维度的特征。第一通道所包括的通道数量根据实验或经验设定。此外，不同对象转换得到的第一向量所包括的通道数量可以相同，也可以不相同，本申请实施例对此不作限定。在本申请实施例中，仅以不同对象转换得到的第一向量所包括的通道数量相同，均为v进行举例说明。
结合参考图1，计算机设备通过对象向量化模型将运行数据中的各个对象均转化为维度为V的第一向量，K个对象分别对应的第一向量组成K*V的第一向量矩阵。
步骤203，通过池化网络对第一向量矩阵进行最大池化处理，得到第二向量。
池化网络用于对第一向量矩阵进行最大池化处理。最大池化处理是指取局部接受域中值最大的点。示例性地，存在一组数据(5，2，7，4)，对其进行最大池化处理，则输出数据7。
第一向量矩阵是由运行数据中的各个对象分别对应的第一向量组成的矩阵。当不同对象转换得到的第一向量所包括的通道数量相同时，第一向量矩阵所包括的通道数量也即是第一向量所包括的通道数量。当不同对象转换得到的第一向量所包括的通道数量不同时，第一向量矩阵所包括的通道数量取第一向量所包括的通道数量的最大值。
可选地，步骤203具体实现为：
步骤203a，通过池化网络，获取第一向量矩阵中各个通道的最大值；
具体地，计算机设备通过池化网络遍历第一向量矩阵中的各个通道，输出第一向量矩阵中各个通道的最大值。
步骤203b，根据第一向量矩阵所包括的各个通道的最大值确定第二向量。
具体地，计算机设备将第一向量矩阵中各个通道的最大值拼接，得到第二向量。
在通过池化网络对第一向量矩阵进行最大池化处理之前，还需要构建池化网络。可选地，在步骤203a之前，计算机设备通过第一向量的数量确定池化网络的参数。池化网络的参数包括池化网络的尺寸(长、宽)、步幅等等。可选地，计算机设备将第一向量的数量确定为池化网络的长。在本申请实施例中，池化网络的尺寸为k*1，步幅为1。其中，k是指第一向量矩阵中第一向量的数量。
结合参考图1，计算机设备对第一向量矩阵的各个通道进行最大池化处理，得到第二向量。
可选地，在步骤203之前，计算机设备先确定运行数据中是否存在小众对象，如果存在小众对象，则执行步骤203～204，如果不存在小众对象，则采用其它植入平均池化之类的方式进行特征提取。小众对象是指使用频次小于预设频次的对象，以对象为应用程序为例，计算机设备通过统计该应用程序的下载次数，若该应用程序的下载次数小于预设次数，则将该应用程序确定为小众应用程序。
步骤204，基于第二向量更新目标终端对应的目标用户的用户画像。
在本申请实施例中，通过对象向量化模型将运行数据中的各个对象转换为第一向量，之后对第一向量组成的第一向量矩阵进行最大池化处理，得到第二向量，最大池化处理可以最大程度保留一些通道的特征，对于某些使用率较低的对象，其对应的特征被保留，使得第二向量所包括的用户行为信息更为丰富，后续更新用户画像时，得到的用户画像更全面、准确。
可选地，步骤204具体实现为：获取第二向量中取值符合第二预设条件的目标通道；根据目标通道更新目标用户的用户画像。
第二预设条件是指将取值超过预设取值的通道确定为目标通道。预设取值根据实验或经验设定，本申请实施例对此不作限定。不同通道对应的取值可以相同，也可以不相同。
计算机设备将目标通道所表示的特征确定为目标用户的兴趣标签，进而更新目标用户的用户画像。示例性地，第二向量中通道1的取值超过预设取值，且通道1所表示的特征为美食，则将美食作为目标用户的兴趣标签。
计算机设备更新目标用户的用户画像后，可以利用上述用户画像实现内容推荐、风险控制等服务。例如，计算机设备将美食确定为目标用户的兴趣标签时，向目标终端推送美食纪录片等。
综上所述，本申请实施例提供的技术方案，通过对象向量化模型并基于多个对象的运行时序来将运行数据中的对象转化为第一向量时，由不同对象对应的第一向量组成的第一向量矩阵既能体现多个对象之间的联系又能反映各个对象在不同维度上的特征，当某些小众对象在某一维度的特征最突出时(小众对象在该特征对应的通道中的取值最大)，对该向量矩阵进行最大池化处理得到第二向量时，该第二向量可以保留上述小众对象对应的最突出的特征，使得第二向量所表示的用户行为信息更为丰富，后续基于第二向量更新用户画像时，提高用户画像的全面性与准确性。
下面对通过对象向量化模型进行向量化处理的流程进行讲解。在基于图2所示实施例提供的可选实施例中，步骤202包括如下子步骤：
步骤401，将至少两个对象中的第一对象输入对象向量化模型，由对象向量化模型输出第二对象对应的运行时机概率分布。
第一对象是至少两个对象中的任一对象。第二对象是至少两个对象中除第一对象之外的对象。第二对象对应的运行时机概率分布是指第二对象在第一对象运行前或运行后运行的概率。可选地，在步骤301之前，计算机设备先将各个对象转化为one-hot向量。之后将其输入对象向量化模型。
步骤402，将第二对象对应的运行时机概率分布与至少两个对象的运行时序进行比对，得到比对结果。
计算机设备将第二对象对应的运行时机概率分布与至少两个对象的运行时序进行比对，得到二者之间的误差作为比对结果。
步骤403，根据比对结果对对象向量化模型的隐层参数进行调整，并从将至少两个对象中的第一对象输入对象向量化模型，由对象向量化模型输出第二对象对应的概率分布的步骤开始执行，直至比对结果符合第一预设条件。
计算机设备通过二者之间的误差确定对象向量化模型的梯度，并沿着梯度方向来调整对象向量化模型的隐层参数，之后重复步骤301-步骤303，直至第二对象对应的运行时机概率分布与至少两个对象的运行时序之间的误差小于预设误差，预设误差根据对象向量化模型的精度要求实际确定。
步骤404，当比对结果符合第一预设条件时，获取运行数据中的对象对应的第一向量。
第一预设条件是指第二对象对应的运行时机概率分布与至少两个对象的运行时序之间的误差小于预设误差。当比对结果符合第一预设条件时，即可获取运行数据中的各个对象分别对应的第一向量。
以下为本申请装置实施例，对于装置实施例中未详细阐述的部分，可以参考上述方法实施例中公开的技术细节。
请参考图5，其示出了本申请一个示例性实施例提供的用户画像更新装置的框图。该用户画像更新装置可以通过软件、硬件或者两者的组合实现成为计算机设备的全部或一部分。该用户画像更新装置包括：数据获取模块501、向量化处理模块502、池化处理模块503和用户画像更新模块504。
数据获取模块501，用于获取目标终端的运行数据，所述运行数据包括所述目标终端中运行的至少两个对象，以及所述至少两个对象的运行时序。
向量化处理模块502，用于通过对象向量化模型并基于所述至少两个对象的运行时序，将所述运行数据中的对象转换为第一向量，所述对象向量化模型是通过调整所述至少两个对象分别对应的初始向量，以使得预测得到的所述至少两个对象的运行时机概率分布与所述至少两个对象的运行时序匹配的模型，所述至少两个对象的运行时机概率分布是指所述至少两个对象中的第一对象运行时，第二对象在所述第一对象之前或之后运行的概率。
池化处理模块503，用于通过池化网络对第一向量矩阵中的各个通道进行最大池化处理，得到第二向量，所述第一向量矩阵由所述第一向量组成，所述第一向量矩阵中的一个通道用于指示一个维度的特征。
用户画像更新模块504，用于基于所述第二向量更新所述目标终端对应的目标用户的用户画像。
综上所述，本申请实施例提供的技术方案，通过对象向量化模型并基于多个对象的运行时序来将运行数据中的对象转化为第一向量时，由不同对象对应的第一向量组成的第一向量矩阵既能体现多个对象之间的联系又能反映各个对象在不同维度上的特征，当某些小众对象在某一维度的特征最突出时(小众对象在该特征对应的通道中的取值最大)，对该向量矩阵进行最大池化处理得到第二向量时，该第二向量可以保留上述小众对象对应的最突出的特征，使得第二向量所表示的用户行为信息更为丰富，后续基于第二向量更新用户画像时，提高用户画像的全面性与准确性。
在基于图5所示实施例提供的一个可选实施例中，所述池化处理模块503，用于：
通过所述池化网络，获取所述第一向量矩阵中各个通道的最大值；
根据所述第一向量矩阵所包括的各个通道的最大值确定所述第二向量。
可选地，所述池化处理模块503，具体用于：
根据所述第一向量矩阵所包括的通道数量确定所述池化网络的参数；
根据所述池化网络的参数构建所述池化网络；
通过所述池化网络遍历所述第一向量矩阵中的各个通道，输出所述第一向量矩阵中各个通道的最大值；
将所述第一向量矩阵中各个通道的最大值拼接，得到所述第二向量。
在基于图5所示实施例提供的一个可选实施例中，所述向量化处理模块，用于：
将所述至少两个对象中的第一对象输入所述对象向量化模型，由所述对象向量化模型输出第二对象对应的概率分布，所述第二对象是所述至少两个对象中除所述第一对象之外的对象，所述第二对象对应的概率分布是指所述第二对象在所述第一对象对应的运行时段内运行的概率；
将所述第二对象对应的概率分布与所述至少两个对象的运行时序进行比对，得到比对结果；
根据所述比对结果对所述对象向量化模型的隐层参数进行调整，并从所述将所述至少两个对象中的第一对象输入所述对象向量化模型，由所述对象向量化模型输出第二对象对应的概率分布的步骤开始执行，直至所述比对结果符合第一预设条件；
当所述比对结果符合所述第一预设条件时，获取所述运行数据中的对象对应的所述第一向量。
在基于图5所示实施例提供的一个可选实施例中，所述目标终端的运行数据包括以下至少一项：在第一预定时段内运行的至少两个应用程序和所述至少两个应用程序对应的运行时序、在第二预定时段内播放的至少两个多媒体文件和所述至少两个多媒体文件对应的播放时序、在第三预定时段内显示的至少两篇文档和所述至少两个文档对应的显示时序。
在基于图5所示实施例提供的一个可选实施例中，所述用户画像更新模块504，用于：
获取所述第二向量中取值符合第二预设条件的目标通道；
根据所述目标通道更新所述目标用户的用户画像。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本申请一个实施例提供的计算机设备的结构示意图。计算机设备600包括中央处理单元(Central Processing Unit，CPU)601、包括随机存取存储器(Random AccessMemory，RAM)602和只读存储器(Read-Only Memory，ROM)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述计算机设备600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output，I/O系统)606，和用于存储操作系统613、应用程序614和其他程序模块615的大容量存储设备607。
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入/输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入/输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入/输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机可读介质为计算机设备600提供非易失性存储。也就是说，所述大容量存储设备607可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、闪存或其他固态存储其技术，CD-ROM、数字通用光盘(Digital Versatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
根据本申请的各种实施例，所述计算机设备600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。
具体在本申请实施例中，计算机设备600还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于执行上述用户画像更新方法的指令。
本领域技术人员可以理解，图6中示出的结构并不构成对终端600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。
在示例性实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由终端的处理器加载并执行以实现上述方法实施例中的用户画像更新方法。
可选地，上述计算机可读存储介质可以是ROM、RAM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面或者一方面的各种可选实现方式中提供的用户画像更新方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本文中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种用户画像更新方法，其特征在于，所述方法包括：
获取目标终端的运行数据，所述运行数据包括所述目标终端中运行的至少两个对象，以及所述至少两个对象的运行时序；所述目标终端的运行数据包括以下至少一项：在第一预定时段内运行的至少两个应用程序和所述至少两个应用程序对应的运行时序、在第二预定时段内播放的至少两个多媒体文件和所述至少两个多媒体文件对应的播放时序、在第三预定时段内显示的至少两篇文档和所述至少两个文档对应的显示时序；
将至少两个对象中的第一对象输入对象向量化模型，由所述对象向量化模型输出第二对象对应的运行时机概率分布，所述第二对象是所述至少两个对象中除所述第一对象之外的对象，所述第二对象对应的运行时机概率分布是指所述第二对象在所述第一对象对应的运行时段内运行的概率；
将所述第二对象对应的运行时机概率分布与所述至少两个对象的运行时序进行比对，得到比对结果；
根据所述比对结果对所述对象向量化模型的隐层参数进行调整，并从所述将所述至少两个对象中的第一对象输入对象向量化模型，由所述对象向量化模型输出第二对象对应的概率分布的步骤开始执行，直至所述比对结果符合第一预设条件；
当所述比对结果符合所述第一预设条件时，获取所述运行数据中的对象对应的第一向量；
通过池化网络对第一向量矩阵中的各个通道进行最大池化处理，得到第二向量，所述第一向量矩阵由所述第一向量组成，所述第一向量矩阵中的一个通道用于指示一个维度的特征；
基于所述第二向量更新所述目标终端对应的目标用户的用户画像。
2.根据权利要求1所述的方法，其特征在于，所述通过池化网络对由所述第一向量组成的向量矩阵进行最大池化处理，得到第二向量，包括：
通过所述池化网络，获取所述第一向量矩阵中各个通道的最大值；
根据所述第一向量矩阵所包括的各个通道的最大值确定所述第二向量。
3.根据权利要求2所述的方法，其特征在于，所述通过所述池化网络，获取所述第一向量矩阵中各个通道的最大值之前，所述方法还包括：
根据所述第一向量的数量确定所述池化网络的参数；
根据所述池化网络的参数构建所述池化网络；
所述通过所述池化网络，获取所述第一向量所包括的各个通道的最大值，包括：通过所述池化网络遍历所述第一向量矩阵中的各个通道，输出所述第一向量矩阵中各个通道的最大值；
所述根据所述第一向量矩阵所包括的各个通道的最大值确定所述第二向量，包括：将所述第一向量矩阵中各个通道的最大值拼接，得到所述第二向量。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述第二向量更新所述目标用户的用户画像，包括：
获取所述第二向量中取值符合第二预设条件的目标通道；
根据所述目标通道更新所述目标用户的用户画像。
5.一种用户画像更新装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标终端的运行数据，所述运行数据包括所述目标终端中运行的至少两个对象，以及所述至少两个对象的运行时序；所述目标终端的运行数据包括以下至少一项：在第一预定时段内运行的至少两个应用程序和所述至少两个应用程序对应的运行时序、在第二预定时段内播放的至少两个多媒体文件和所述至少两个多媒体文件对应的播放时序、在第三预定时段内显示的至少两篇文档和所述至少两个文档对应的显示时序；
向量化处理模块，用于将至少两个对象中的第一对象输入对象向量化模型，由所述对象向量化模型输出第二对象对应的运行时机概率分布，所述第二对象是所述至少两个对象中除所述第一对象之外的对象，所述第二对象对应的运行时机概率分布是指所述第二对象在所述第一对象对应的运行时段内运行的概率；将所述第二对象对应的运行时机概率分布与所述至少两个对象的运行时序进行比对，得到比对结果；根据所述比对结果对所述对象向量化模型的隐层参数进行调整，并从所述将所述至少两个对象中的第一对象输入对象向量化模型，由所述对象向量化模型输出第二对象对应的概率分布的步骤开始执行，直至所述比对结果符合第一预设条件；当所述比对结果符合所述第一预设条件时，获取所述运行数据中的对象对应的第一向量；
池化处理模块，用于通过池化网络对第一向量矩阵中的各个通道进行最大池化处理，得到第二向量，所述第一向量矩阵由所述第一向量组成，所述第一向量矩阵中的一个通道用于指示一个维度的特征；
用户画像更新模块，用于基于所述第二向量更新所述目标终端对应的目标用户的用户画像。
6.根据权利要求5所述的装置，其特征在于，所述池化处理模块，用于：
通过所述池化网络，获取所述第一向量矩阵中各个通道的最大值；
根据所述第一向量矩阵所包括的各个通道的最大值确定所述第二向量。
7.根据权利要求6所述的装置，其特征在于，所述池化处理模块，具体用于：
根据所述第一向量的数量确定所述池化网络的参数；
根据所述池化网络的参数构建所述池化网络；
通过所述池化网络遍历所述第一向量矩阵中的各个通道，输出所述第一向量矩阵中各个通道的最大值；
将所述第一向量矩阵中各个通道的最大值拼接，得到所述第二向量。
8.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至4任一所述的用户画像更新方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至4任一所述的用户画像更新方法。
CN202010699878.4A 2020-07-20 2020-07-20 用户画像更新方法、装置、计算机设备及存储介质 Active CN111782959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010699878.4A CN111782959B (zh) 2020-07-20 2020-07-20 用户画像更新方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010699878.4A CN111782959B (zh) 2020-07-20 2020-07-20 用户画像更新方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111782959A CN111782959A (zh) 2020-10-16
CN111782959B true CN111782959B (zh) 2023-07-14

Family

ID=72763678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010699878.4A Active CN111782959B (zh) 2020-07-20 2020-07-20 用户画像更新方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111782959B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017157146A1 (zh) * 2016-03-15 2017-09-21 平安科技（深圳）有限公司 基于用户画像的个性化推荐方法、装置、服务器及存储介质
CN108921221A (zh) * 2018-07-04 2018-11-30 腾讯科技（深圳）有限公司 用户特征的生成方法、装置、设备及存储介质
CN109242309A (zh) * 2018-09-05 2019-01-18 广州视源电子科技股份有限公司 参会用户画像生成方法、装置、智能会议设备及存储介质
CN109359248A (zh) * 2018-09-28 2019-02-19 Oppo广东移动通信有限公司 用户画像更新方法、装置、终端及存储介质
CN110008376A (zh) * 2019-03-22 2019-07-12 广州新视展投资咨询有限公司 用户画像向量生成方法及装置
CN110162698A (zh) * 2019-04-18 2019-08-23 腾讯科技（深圳）有限公司 一种用户画像数据处理方法、装置及存储介质
CN110570279A (zh) * 2019-09-04 2019-12-13 深圳创新奇智科技有限公司 一种基于用户实时行为的策略化推荐方法及装置
CN111079056A (zh) * 2019-10-11 2020-04-28 深圳壹账通智能科技有限公司 提取用户画像的方法、装置、计算机设备和存储介质
CN111159569A (zh) * 2019-12-13 2020-05-15 西安交通大学 一种基于用户个性化特征的社交网络用户行为预测方法
CN111159534A (zh) * 2019-12-03 2020-05-15 泰康保险集团股份有限公司 基于用户画像的辅助决策方法及装置、设备和介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017157146A1 (zh) * 2016-03-15 2017-09-21 平安科技（深圳）有限公司 基于用户画像的个性化推荐方法、装置、服务器及存储介质
CN108921221A (zh) * 2018-07-04 2018-11-30 腾讯科技（深圳）有限公司 用户特征的生成方法、装置、设备及存储介质
CN109242309A (zh) * 2018-09-05 2019-01-18 广州视源电子科技股份有限公司 参会用户画像生成方法、装置、智能会议设备及存储介质
CN109359248A (zh) * 2018-09-28 2019-02-19 Oppo广东移动通信有限公司 用户画像更新方法、装置、终端及存储介质
CN110008376A (zh) * 2019-03-22 2019-07-12 广州新视展投资咨询有限公司 用户画像向量生成方法及装置
CN110162698A (zh) * 2019-04-18 2019-08-23 腾讯科技（深圳）有限公司 一种用户画像数据处理方法、装置及存储介质
CN110570279A (zh) * 2019-09-04 2019-12-13 深圳创新奇智科技有限公司 一种基于用户实时行为的策略化推荐方法及装置
CN111079056A (zh) * 2019-10-11 2020-04-28 深圳壹账通智能科技有限公司 提取用户画像的方法、装置、计算机设备和存储介质
CN111159534A (zh) * 2019-12-03 2020-05-15 泰康保险集团股份有限公司 基于用户画像的辅助决策方法及装置、设备和介质
CN111159569A (zh) * 2019-12-13 2020-05-15 西安交通大学 一种基于用户个性化特征的社交网络用户行为预测方法

Also Published As

Publication number Publication date
CN111782959A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111144937B (zh) 广告素材确定方法、装置、设备及存储介质
CN109829164B (zh) 用于生成文本的方法和装置
CN110413867B (zh) 用于内容推荐的方法及系统
CN108491540B (zh) 文本信息推送方法、装置及智能终端
CN110633423B (zh) 目标账号识别方法、装置、设备及存储介质
CN110727868A (zh) 对象推荐方法、装置和计算机可读存储介质
CN111522724B (zh) 异常账号的确定方法、装置、服务器及存储介质
WO2022007626A1 (zh) 视频内容推荐方法、装置及计算机设备
CN113395538B (zh) 音效渲染方法、装置、计算机可读介质和电子设备
CN114140814A (zh) 情绪识别能力的训练方法、装置及电子设备
CN113015010B (zh) 推送参数确定方法、装置、设备及计算机可读存储介质
CN111782959B (zh) 用户画像更新方法、装置、计算机设备及存储介质
CN115756821A (zh) 在线任务处理模型训练、任务处理方法及装置
CN113505272B (zh) 基于行为习惯的控制方法和装置、电子设备和存储介质
CN113098974B (zh) 一种确定人口数量的方法、服务器及存储介质
CN115527090A (zh) 模型训练方法、装置、服务器及存储介质
CN113934870B (zh) 多媒体推荐模型的训练方法、装置及服务器
CN108009247A (zh) 信息推送方法及装置
CN112165634B (zh) 建立音频分类模型的方法、自动转换视频的方法和装置
CN113934871B (zh) 多媒体推荐模型的训练方法、装置、电子设备及存储介质
CN107623863B (zh) 算法测试方法、装置及服务器
CN112541548A (zh) 关系网络的生成方法、装置、计算机设备及存储介质
CN110704679A (zh) 视频分类方法、装置及电子设备
JP6450672B2 (ja) ネットワーク品質予測装置、ネットワーク品質予測方法、及びプログラム
CN114374881B (zh) 分配用户流量的方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210723

Address after: 518052 2501, office building T2, Qianhai China Resources Financial Center, 55 guiwan 4th Road, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Huantai Digital Technology Co.,Ltd.

Address before: 518057 Fuan Science and Technology Building, Block B, No. 13, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 207-2

Applicant before: Shenzhen Huantai Technology Co.,Ltd.

Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230614

Address after: 1301, Office Building T2, Qianhai China Resources Financial Center, No. 55 Guiwan Fourth Road, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong Province, 518052

Applicant after: Shenzhen Hefei Technology Co.,Ltd.

Address before: 518052 2501, office building T2, Qianhai China Resources Financial Center, 55 guiwan 4th Road, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Huantai Digital Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant