CN111798272A - 基于用户行为的对象分配方法、装置、计算机设备和介质 - Google Patents
基于用户行为的对象分配方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN111798272A CN111798272A CN202010611739.1A CN202010611739A CN111798272A CN 111798272 A CN111798272 A CN 111798272A CN 202010611739 A CN202010611739 A CN 202010611739A CN 111798272 A CN111798272 A CN 111798272A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- user behavior
- matching
- behavior data
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0225—Avoiding frauds
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于智能决策领域,公开了一种基于用户行为的对象分配方法、装置、计算机设备及可读存储介质。所述方法包括:根据预设展示频次,在用户操作界面上生成功能模块;响应用户滑动和/或点击的联动操作,并根据所述联动操作生成基于所述功能模块的标识操作符;根据所述标识操作符确定与所述联动操作对应的数据对象集;获取与所述数据对象集对应的用户的匹配必然率,其中,所述匹配必然率用于表示用户获取到所述数据对象集中的数据对象的级别;根据所述匹配必然率为用户分配所述数据对象。采用本方法解决了对异常用户处理不准确的技术问题。本申请还涉及区块链技术,所述用户行为数据可存储于区块链中。
Description
技术领域
本申请涉及智能决策领域,特别是涉及一种基于用户行为的对象分配方法、装置、计算机设备和存储介质。
背景技术
羊毛党养号是指用户注册APP或者网站后,会针对性地用自动化工具进行一定规律的操作来保持虚假的活动度,比如:每日定时签到,将自己伪装成正常用户来规避长期不活动的风控处置;但一旦有利益活动,比如双十一发券,就会立即进行抢券操作。现有技术中一般会直接封禁该类异常用户的账号,或者直接通过为该类异常用户生成异常标签限制其对象/数据获取的能力,但是这种方式无法准确区分不同时期异常用户的行为,并对其行为数据进行处理,所以亟需一种对不同异常用户参与活动进行数据监控的方案,解决现有技术中因无法对不同异常用户进行准确数据监控导致的对异常用户处理不准确的技术问题。
发明内容
基于此,有必要针对上述技术问题,本申请提供一种基于用户行为的对象分配方法、装置、计算机设备及存储介质,以解决现有技术中因无法对不同异常用户进行准确数据监控,导致的对异常用户处理不准确的技术问题。
一种基于用户行为的对象分配方法,所述方法包括:
根据预设展示频次,在用户操作界面上生成功能模块;
响应用户滑动和/或点击的联动操作,并根据所述联动操作生成基于所述功能模块的标识操作符;
根据所述标识操作符确定与所述联动操作对应的数据对象集;
获取所述用户的匹配必然率,其中,所述匹配必然率用于表示用户获取到所述数据对象集中的数据对象的级别;
根据所述匹配必然率为用户分配所述数据对象。
一种基于用户行为的对象分配装置,所述装置包括:
功能生成模块,用于根据预设展示频次,在用户操作界面上生成功能模块;
标识生成模块,用于响应用户滑动和/或点击的联动操作,并根据所述联动操作生成基于所述功能模块的标识操作符;
对象确定模块,用于根据所述标识操作符确定与所述联动操作对应的数据对象集;
概率获取模块,用于获取所述用户的匹配必然率,其中,所述匹配必然率用于表示用户获取到所述数据对象集中的数据对象的级别;
对象匹配模块,用于根据所述匹配必然率为用户分配所述数据对象。
一种计算机设备,包括存储器和处理器,以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于用户行为的对象分配方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于用户行为的对象分配方法的步骤。
上述基于用户行为的对象分配方法、装置、计算机设备和存储介质,通过基于用户行为数据,为每一个用户生成一个局部异常因子,用于表示该用户为异常的值,并根据该异常值对用户进行分类,并为每一类的每一个用户生成至少一个匹配必然率,并响应用户的操作调取对应的数据对象集,根据与该数据对象对应的匹配必然率给用户匹配数据对象,实现对不同异常用户进行准确数据监控,限制某一功能模块上不同异常用户活动量、得到对应的数据对象集中数据对象的概率,提高对异常用户处理的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为基于用户行为的对象分配方法的应用环境示意图;
图2为基于用户行为的对象分配方法的流程示意图;
图3为另一实施例的的流程示意图;
图4为图3另一实施例的流程示意图;
图5为图2另一实施例的流程示意图;
图6为基于用户行为的对象分配装置的示意图;
图7为一个实施例中计算机设备的示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同;本文中在申请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,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本申请的目的、技术方案及优点更加清楚明白,下面结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。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。
本发明实施例提供的基于用户行为的对象分配方法,可以应用于如图1所示的应用环境中。其中,该应用环境可以包括终端102、网络以及服务端104,网络用于在终端102和服务端104之间提供通信链路介质,网络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102通过网络与服务端104交互,以接收或发送消息等。终端102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102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、MP3播放器(Moving Picture Experts Group AudioLayer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务端104可以是提供各种服务的服务器,例如对终端102上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于用户行为的对象分配方法一般由服务端/终端执行,相应地,基于用户行为的对象分配装置一般设置于服务端/终端设备中。本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
应该理解,图1中的终端、网络和服务端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。
其中,终端102通过网络与服务端104进行通信。终端102根据预设展示频次在用户操作界面上生成功能模块,并响应用户的联动操作,根据联动操作生成对应的标识操作符。根据标识操作符从服务端104获取对应的数据对象集,并获取与数据对象集对应的用户匹配必然率。然后终端102通过匹配必然率为用户分配数据对象集中的对象。其中,终端102和服务端104之间通过网络进行连接,该网络可以是有线网络或者无线网络,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务端104可以用独立的服务器或者是多个组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于用户行为的对象分配方法,以该方法应用于图1中的终端为例进行说明,在实现时,终端可以是安装有某APP的移动终端,比如手机、平板电脑等,可以包括以下步骤:
步骤202,根据预设展示频次,在用户操作界面上生成功能模块。
用户操作界面可以是应用软件用于与用户交互的图形界面,其中包括一个或多个功能模块。功能模块是应用软件不同功能模块的API接口,在用户操作界面上可以以虚拟图形的形式显示。比如进入某活动中心的API接口,在应用软件上可以以一个虚拟的图形表现,以便于用户操作。
预设展示频次是终端控制功能模块在用户的用户操作界面上生成频率的参数,初始值可以是每日一次、每日两次……具体根据业务需要而定,但后续可以根据该用户的用户行为数据进行控制。
功能模块是终端上应用软件上的API接口,比如进入某活动中心的API接口。在用户终端上,例如手机应用软件上可以以一个虚拟的虚拟图形表示,以便于用户交互操作。
步骤204,响应用户滑动和/或点击的联动操作,根据联动操作生成基于功能模块的标识操作符。
滑动和/或点击的联动操作,可以是用户通过手指或者触控笔等滑动屏幕和/或点击屏幕的触发操作,用户在不同功能模块上不同位置的不同触发操作可能会有不同的响应结果。例如在列表模块,用户的滑动操作会得到列表滚动的响应结果;转盘转动页面,用户点击转动控件,有转盘转动的响应结果。
本实施例以用户点击转盘控件的触发操作为例,当用户点击转盘控件会生成一个标识操作符。标识操作符,用于表示用户所在的系统模块,例如,可以是权益模块、产品信息模块或者活动奖励模块等等。
步骤206,根据标识操作符确定与联动操作对应的数据对象集。
数据对象集是数据对象的集合,比如,用户特权领取集,里面包含若干项用户特权,比如卡券、打折券、礼品卡、用户等级提升卡等以虚拟形式存在的数据对象。
进一步地,数据对象集中还可以包括增加对应功能模块在用户界面上展示频次、增加用户参与其他活动的权限、增加用户参与某活动的优惠值、为用户生成VIP权限特征等等的数据对象。
比如,当该用户被分配到增加该功能模块在应用界面上展示频次的数据对象,则可以在应用界面上生成提示信息:很抱歉,您未获得该卡券,但会增加您进入该功能模块的机会,或者,您未获得该卡券,但当您下次参加该活动时,会为您打折等等,诸如此类。
若该用户被分配到减少对应功能模块在用户界面上展示频次的数据对象,则会提示用户:很抱歉,您未能中奖。
进一步地,当用户被匹配到增加对应功能模块的在用户界面上展示频次的数据对象,服务端还会根据增加展示频次的多少更新预设展示频次。通过该种方式,不需要调整用户的匹配必然率,但是增加用户参与或者进入功能模块的概率,能够增加用户粘性,从而获取到更多用户行为数据,根据用户行为数据对用户进行异常分析,实现对用户更准确的处理的目的。
步骤208,获取用户的匹配必然率,其中,匹配必然率用于表示用户获取到数据对象集中的数据对象的级别。
每个功能模块对应一个API接口,每个使用该功能模块的用户都有一个获得该功能模块对应的数据对象集中数据对象的匹配必然率,该用户可以同时存在对应不同功能模块的匹配必然率。
步骤210,根据匹配必然率为用户分配数据对象。
对于某一数据对象,根据匹配必然率限定用户获得该数据对象的概率,可以实现对不同类型的用户进行实时精准控制和处理的目的,降低明显处于异常范围内的用户获得某数据对象的概率,降低用户在该类功能模块上的活动量,降低终端冗余数据处理量,提高数据对象精准匹配,达到减少发布方损失的目的。
上述基于用户行为的对象分配方法中,通过基于用户行为数据,为每一个用户生成一个局部异常因子,用于表示该用户为异常的值,并根据该异常值对用户进行分类,并为每一类的每一个用户生成至少一个匹配必然率,并响应用户的操作调取对应的数据对象集,根据与该数据对象对应的匹配必然率给用户匹配数据对象,实现限制某一功能模块上不同异常用户活动量、得到对应的数据对象集中数据对象的概率,解决对异常用户处理不准确的技术问题。
在一个实施例中,如图3所示,在步骤208之前,还包括:
步骤302,从用户数据库获取与所述数据对象集对应用户的用户行为数据。
与所述数据对象集对应的用户是指操作该数据对象集对应的功能模块的用户,一般在用户进行联动操作前,终端就会根据存储在用户数据库中的用户行为数据用于计算用户相对于不同数据对象集的匹配必然率;然后当检测到某一用户的联动操作后,直接活动该用户已经计算好的匹配必然率便可。
需要强调的是,为进一步保证上述用户行为数据的私密和安全性,上述用户行为数据还可以存储于一区块链的节点中。
其中,用户数据库用于存储用户的用户行为数据以及用户的身份信息数据等。用户行为数据包括用户注册时间、在线时间、操作频次、注册时长、签到次数、总活动次数、在不同功能模块上的活动次数、活动天数等等,用户身份信息包括用户注册账号、注册地、IP地址、设备号等等,可以将这些获得的数据作为用户行为数据用于数据分析。
进一步地,为了保证用户行为数据的时效性,可以获取在预设时间段内登录系统的用户所对应的用户行为数据,不仅可以降低计算量,还使用一段时间内的用户行为数据,保证了数据的时效性,提高后续对相匹配的准确率。
具体地,预设时间段可以是一个月、也可以是两个月,具体数值根据用户所登陆的系统的类型而定。比如,对于活动比较频繁的系统,可以适当降低预设时间段的大小。
用户行为数据可以通过在用户终端埋点的方式获取,用户的每一步操作都会被以日志的形式记录,然后发送到服务端进行保存,使用时可以从服务端的用户数据库中获取。
进一步地,用户的行为数据是定时或者不定时更新到用户数据库中的,在每次对象匹配时,都可以重新获取用户更新后的用户行为数据,以保证使用尽可能实时的数据调整局部异常因子,提高数据对象匹配的准确度,并且对于不同时段流量不同的网站,在流量大的时段不定时更新,即实时进行更新用户行为数据,可以保证数据的时效性和及时性。在流量小的时段,通过定时更新数据,可以降低服务器的更新压力,减少服务器数据处理量。
进一步地,还可以对特殊用户的某行为特征的行为数据进行标记,当被标记的行为特征的特征值变化大于某一预设值时,再重新获取用户行为数据,并重新计算局部异常因子,减少计算量。例如,被标记的行为特征可以是在某一功能模块上的活动次数。这些行为特征与数据对象匹配的相关性比较大,所以标记这些行为特征的准确率高。
步骤304,对用户行为数据进行异常分析,得到每个用户的局部异常因子,其中,每一用户对应至少一个局部异常因子。
局部异常因子是根据用户的用户行为数据生成的用于标识用户活动为异常程度的值。
提取到的用户行为数据是日志数据,需要对用户行为数据进行去噪等处理后,再进行特征提取,提取得到的都是与用户行为特征对应的特征值。
例如:
注册时长:10;
签到次数:10;
总活动次数:8;
在某功能模块上的活动次数:7;
活动天数:7;
其中,用户在该权益活动的活动次数属于总活动次数,比如某APP包括活动30个,其中,比如签到、评论、转发等普通活动有4类;而权益活动,比如获得用户特权、增加参与某活动成功的权重值、能够为用户增加权益的活动等等与普通活动不一样。
当某用户的用户权益活动次数的特征值过大、而其他行为特征的特征值过小,无法满足条件,则可以为该用户的生成一个较高的局部异常因子。
根据功能模块的类别归纳用户行为数据,得到基于功能模块的活动特征数据,再通过LOF算法处理活动特征数据,得到局部异常因子。
具体地,获取功能模块对应的用户特征数据,作为用户行为数据,并计算用户行为数据的最大值和最小值;根据最大值和最小值归一化处理每一维度的用户行为数据,得到活动特征数据。
例如:
先分别取30天内某功能模块对应的用户特征数据,作为用户行为数据,计算用户签到次数、总活动次数、某权益活动次数以及活动天数四个维度的特征值的最大值Xmax和最小值Xmin,比如代表签到次数的X维度的最小值、最大值分别为Xmin,Xmax。
分别按如下公式对每个用户的所有特征值进行归一化,比如:
X=|X-Xmin|/|Xmax-Xmin|
将归一化后的数据作为活动特征数据,输入到LOF算法进行计算。其中,LOF是基于密度的算法,其最核心的部分是关于数据点密度的刻画,该算法存在以下几个概念:
K-邻近距离(k-distance):在距离数据点p最近的几个点中,第k个最近的点跟点p之间的距离称为点p的K-邻近距离,记为k-distance(p)。
可达距离(rechability distance)公式(1):
可达距离的定义跟K-邻近距离是相关的,给定参数k时,数据点p到数据点o的可达距离reach-dist(p,o)为数据点o的K-邻近距离和数据点p与点o之间的直接距离的最大值。
即:
局部可达密度(local rechability density)公式(2):局部可达密度的定义是基于可达距离的,对于数据点p,那些跟点p的距离小于等于k-distance(p)的数据点称为它的k-nearest-neighbor,记为Nk(p),数据点p的局部可达密度为它与邻近的数据点的平均可达距离的倒数,即:
局部异常因子(local outlier factor)公式(3):根据局部可达密度的定义,如果一个数据点跟其他点比较疏远的话,那么显然它的局部可达密度就小。但LOF算法衡量一个数据点的异常程度,并不是看它的绝对局部密度,而是看它跟周围邻近的数据点的相对密度。
这样做的好处是可以允许数据分布不均匀、密度不同的情况。局部异常因子即是用局部相对密度来定义的。数据点p的局部相对密度(局部异常因子)为点p的邻居们的平均局部可达密度跟数据点p的局部可达密度的比值,即:
基于活动特征数据,根据LOF算法,计算不同用户的活动特征数据之间的欧氏距离,然后计算每一个用户的局部相对密度,作为每一个用户的局部异常因子。通过LOF算法计算局部异常因子,量化了用户的异常范围,可以准确地对那些在异常范围内的用户进行对应处理。
步骤306,根据局部异常因子为用户生成与数据对象集对应的匹配必然率。
将不同的权益活动即,功能模块的用户行为数据与其他行为特征对应的用户行为数据进行组合,可以得到不同的活动特征数据,得到不同的局部异常因子,每一类局部异常因子对应一个功能模块的数据对象集,例如:
权益活动次数包括A、B、C、D,4类权益活动次数,那么便可以分别以这4类权益活动次数为主,将活动特征数据输入LOF算法计算得到不同的类权益活动次数对应的局部异常因子,然后再根据局部异常因子对该类权益活动对应的功能模块展示频次进行调整。
黄金分割法是大量实事证明比较经典有效的算法,也称为中外比,指把一条线段分割为两部分,使其中一部分与全长之比等于另一部分与这部分之比。其比值是一个无理数,取其前三位数字的近似值是0.618,所以也称为0.618法。
对于某一数据对象集,可以将用户划分为4个类型,即处理等级,同一处理等级中的用户都具有相同的匹配必然率。
具体地,若存在1000万个用户,每个用户都有局部异常因子,记为Mi,其中,i在[0,10000000]之间,按照黄金分割法,根据局部异常因子将用户分成四个处理等级,划分的取值分别是:
0~0.618*0.618*0.618~0.618*0.618~0.618~1,即0~0.236~0.382~0.618~1四段。即,M>MAXm*0.618的用户分配在[0.618,1]的段内。
以此类推,用户数量分别为S1、S2、S3、S4,其中S1+S2+S3+S4=S=10000000个。其中,MAXm为最大值的局部异常因子。
设置四个等级的匹配必然率用2倍递减,对所有用户进行控制,让S1个的用户的匹配必然率最高,S4的用户的匹配必然率最低。
具体地,调整匹配必然率的基值P,其中,基值P的初始值是0.01%,根据总用户数以及数据对象的数量决定,那么,四个段位的用户的匹配必然率分别为8*P,4*P,2*P,P。
本实施例通过根据不同权益活动的用户行为数据得到不同活动特征数据,为每一用户生成至少一项局部异常因子,实现对用户的精准分析。
在一个实施例中,如图4所示,在步骤302之前,还包括:
步骤402,标记指定的用户行为数据。
步骤404,检测标记的用户行为数据的更新信息。
步骤406,若检测到第一更新信息,则获取更新后的用户行为数据。
步骤408,根据更新后的用户行为数据更新匹配必然率。
一般选择标记的用户行为数据是用户的活动次数、在不同功能模块上的活动次数等与用户活动参与直接相关的数据,而用户的注册地址、IP地址等不用特殊标记。若检测到用户这些被标记的用户行为数据的更新信息,比如,数值单位时间内增加/减少等,皆可以认为用户行为数据已被更新,则获取更新后的用户行为数据重新计算匹配必然率。
本实施例通过定时更新/不定时更新后的用户行为数据,来更新匹配必然率,以保证对用户处理的时效性和准确性。
在一个实施例中,如图5所示,在步骤206之后,还包括:
步骤502,检测用户数据库中用户行为数据的更新信息。
步骤504,若检测到用户行为数据的更新信息,则根据更新后的用户行为数据重新计算对应用户对应数据对象集的匹配必然率。
步骤506,根据匹配必然率更新数据对象集对应功能模块的预设展示频次。
具体地,可以检测全部的用户行为数据的更新信息,也可以是检测标记后的用户行为数据的更新信息。其中,直接检测标记后的用户行为数据的更新信息能够有效地降低对冗余数据的处理量,提高数据的处理效率。
获取更新后的用户行为数据重新计算匹配必然率,然后根据该匹配必然率设定功能模块的生成频次。
具体地,将匹配必然率划分为若干个范围,并按从大到小的顺序进行排序,对于不同的范围的匹配必然率所对应的功能模块,设定一个预设展示频次,用于控制功能模块在应用操作界面上的生成频次。
本实施例通过检测用户行为数据的更新情况,获取更新后的用户行为数据对匹配必然率进行更新,然后根据更新后的匹配必然率更新功能模块在应用操作界面上的预设展示频次,提高了对不同用户的处理的精准度以及处理的实时性。
应该理解的是,虽然图2-图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种基于用户行为的对象分配装置,该基于用户行为的对象分配装置与上述实施例中基于用户行为的对象分配方法一一对应。该基于用户行为的对象分配装置包括:
功能生成模块602,用于根据预设展示频次,在用户操作界面上生成功能模块。
标识生成模块604,用于响应用户滑动和/或点击的联动操作,并根据联动操作生成基于功能模块的标识操作符。
对象确定模块606,用于根据标识操作符确定与联动操作对应的数据对象集。
概率获取模块608,用于获取用户的匹配必然率,其中,匹配必然率用于表示用户获取到数据对象集中的数据对象的级别。
对象匹配模块610,用于根据匹配必然率为用户分配数据对象。
进一步地,在概率获取模块608之前,还包括:
数据获取模块,用于从用户数据库获取用户的用户行为数据,其中,用户数据库定时和/或不定时更新用户行为数据。
数据分析模块,用于对用户行为数据进行异常分析,得到每个用户的局部异常因子,其中,每一用户对应至少一个局部异常因子。
必然率生成模块,用于根据局部异常因子生成匹配必然率。
需要强调的是,为进一步保证上述用户行为数据的私密和安全性,上述用户行为数据还可以存储于一区块链的节点中。
进一步地,数据分析模块,包括:
特征获取子模块,用于根据功能模块的类别归纳用户行为数据,得到基于功能模块的活动特征数据。
因子计算子模块,用于通过LOF算法计算活动特征数据,得到局部异常因子。
进一步地,特征获取子模块,包括:
极值获取单元,用于获取功能模块对应的用户特征数据,作为用户行为数据,并计算用户行为数据的最大值和最小值。
归一化单元,用于根据最大值和最小值归一化处理每一维度的用户行为数据,得到活动特征数据。
进一步地,对象匹配模块610,还包括:
特征标记子模块,用于标记指定的用户行为数据。
更新检测子模块,用于检测标记的用户行为数据的更新信息。
数据更新子模块,用于当指定的用户行为数据的特征值变化大于预设值时,则重新获取更新后的用户行为数据。以及
匹配更新子模块,用于根据更新后的用户行为数据更新匹配必然率。
进一步地,在对象匹配模块610之后,还包括:
更新检测模块,用于检测用户数据库中用户行为数据的更新信息。
重新计算模块,用于当检测到用户行为数据的更新信息时,则根据更新后的用户行为数据重新计算对应用户对应数据对象集的匹配必然率。以及
频次更新模块,用于根据所述匹配必然率更新所述数据对象集对应功能模块的所述预设展示频次。
上述基于用户行为的对象分配装置,通过基于用户行为数据,为每一个用户生成一个局部异常因子,用于表示该用户为异常的值,并根据该异常值对用户进行分类,并为每一类的每一个用户生成至少一个匹配必然率,并响应用户的操作调取对应的数据对象集,根据与该数据对象对应的匹配必然率给用户匹配数据对象,实现限制某一功能模块上不同异常用户活动量、得到对应的数据对象集中数据对象的概率,解决对异常用户处理不准确的技术问题。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于用户行为的对象分配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。通过基于用户行为数据,为每一个用户生成一个局部异常因子,用于表示该用户为异常的值,并根据该异常值对用户进行分类,并为每一类的每一个用户生成至少一个匹配必然率,并响应用户的操作调取对应的数据对象集,根据与该数据对象对应的匹配必然率给用户匹配数据对象,实现限制某一功能模块上不同异常用户活动量、得到对应的数据对象集中数据对象的概率,解决对异常用户处理不准确的技术问题。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中基于用户行为的对象分配方法的步骤,例如图2所示的步骤202至步骤210,或者,处理器执行计算机程序时实现上述实施例中基于用户行为的对象分配装置的各模块/单元的功能,例如图6所示模块602至模块610的功能。为避免重复,此处不再赘述。通过基于用户行为数据,为每一个用户生成一个局部异常因子,用于表示该用户为异常的值,并根据该异常值对用户进行分类,并为每一类的每一个用户生成至少一个匹配必然率,并响应用户的操作调取对应的数据对象集,根据与该数据对象对应的匹配必然率给用户匹配数据对象,实现限制某一功能模块上不同异常用户活动量、得到对应的数据对象集中数据对象的概率,解决对异常用户处理不准确的技术问题。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形、改进或者对部分技术特征进行等同替换,而这些修改或者替换,并不使相同技术方案的本质脱离本发明个实施例技术方案地精神和范畴,都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于用户行为的对象分配方法,其特征在于,所述方法包括:
根据预设展示频次,在用户操作界面上生成功能模块;
响应用户滑动和/或点击的联动操作,并根据所述联动操作生成基于所述功能模块的标识操作符;
根据所述标识操作符确定与所述联动操作对应的数据对象集;
获取所述用户的匹配必然率,其中,所述匹配必然率用于表示用户获取到所述数据对象集中的数据对象的级别;
根据所述匹配必然率为用户分配所述数据对象。
2.根据权利要求1所述的方法,其特征在于,在所述获取所述用户的匹配必然率之前,还包括:
从用户数据库获取所述用户的用户行为数据,其中,所述用户数据库定时和/或不定时更新所述用户行为数据;
对所述用户行为数据进行异常分析,得到每个用户的局部异常因子,其中,每一用户对应至少一个局部异常因子;
根据所述局部异常因子为所述用户生成与所述数据对象集对应的所述匹配必然率。
3.根据权利要求2所述的方法,其特征在于,所述对所述用户行为数据进行异常分析,得到每个用户的局部异常因子,包括:
根据功能模块的类别归纳用户行为数据,得到基于功能模块的活动特征数据;
通过LOF算法计算所述活动特征数据,得到所述局部异常因子。
4.根据权利要求3所述的方法,其特征在于,所述根据功能模块的类别归纳用户行为数据,得到基于功能模块的活动特征数据,包括:
获取所述功能模块对应的用户特征数据,作为所述用户行为数据,并计算所述用户行为数据的最大值和最小值;
根据所述最大值和最小值归一化处理每一维度的用户行为数据,得到活动特征数据。
5.根据权利要求2所述的方法,其特征在于,所述根据所述局部异常因子为所述用户生成与所述数据对象集对应的所述匹配必然率,包括:
基于所述局部异常因子,按照黄金分割法为所述用户划分为处理等级,并按照2倍递减为不同处理等级的用户生成所述匹配必然率。
6.根据权利要求2所述的方法,其特征在于,在所述从用户数据库获取与所述数据对象集对应用户的用户行为数据之前,包括:
标记指定的用户行为数据;
检测标记的用户行为数据的更新信息;
若检测到所述第一更新信息,则获取更新后的用户行为数据;并
根据更新后的用户行为数据更新所述匹配必然率。
7.根据权利要求2-6任一项所述的方法,其特征在于,在所述根据所述局部异常因子生成所述用户在所述数据对象集上的所述匹配必然率之后,还包括:
检测所述用户数据库中用户行为数据的更新信息;
若检测到所述用户行为数据的更新信息,则根据更新后的用户行为数据重新计算对应用户对应数据对象集的匹配必然率;并
根据所述匹配必然率更新所述数据对象集对应功能模块的所述预设展示频次。
8.一种基于用户行为的对象分配装置,其特征在于,包括:
功能生成模块,用于根据预设展示频次,在用户操作界面上生成功能模块;
标识生成模块,用于响应用户滑动和/或点击的联动操作,并根据所述联动操作生成基于所述功能模块的标识操作符;
对象确定模块,用于根据所述标识操作符确定与所述联动操作对应的数据对象集;
概率获取模块,用于获取所述用户的匹配必然率,其中,所述匹配必然率用于表示用户获取到所述数据对象集中的数据对象的级别;
对象匹配模块,用于根据所述匹配必然率为用户分配所述数据对象。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611739.1A CN111798272A (zh) | 2020-06-29 | 2020-06-29 | 基于用户行为的对象分配方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611739.1A CN111798272A (zh) | 2020-06-29 | 2020-06-29 | 基于用户行为的对象分配方法、装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798272A true CN111798272A (zh) | 2020-10-20 |
Family
ID=72811433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611739.1A Pending CN111798272A (zh) | 2020-06-29 | 2020-06-29 | 基于用户行为的对象分配方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798272A (zh) |
-
2020
- 2020-06-29 CN CN202010611739.1A patent/CN111798272A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108156237B (zh) | 产品信息推送方法、装置、存储介质和计算机设备 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
US8224755B2 (en) | Socially derived, graduated access control in collaboration environments | |
US20120166520A1 (en) | Determining Advertising Effectiveness Outside of a Social Networking System | |
US20140310691A1 (en) | Method and device for testing multiple versions | |
WO2020211247A1 (zh) | 账户信息的登录方法、装置、计算机设备及计算机存储介质 | |
WO2014008528A1 (en) | Method and system for secured communication of personal information | |
US10726156B1 (en) | Method and system for protecting user information in an overlay management system | |
WO2012177916A1 (en) | Business intelligence based social network with virtual data-visualization cards | |
Kobayashi et al. | A behavior authentication method using wi-fi bssids around smartphone carried by a user | |
CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
CN107707404A (zh) | 网站在线人数统计方法、装置和网站服务器 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN112632141A (zh) | 血缘分析数据的可视化方法、装置、计算机设备和介质 | |
CN103518200A (zh) | 确定网络位置的唯一访问者 | |
CN113742601A (zh) | 内容分享方法、装置、计算机设备和存储介质 | |
JP2017134750A (ja) | 認証装置、認証方法および認証プログラム | |
US10713683B2 (en) | Outlier data detection | |
CN111814064A (zh) | 基于Neo4j的异常用户处理方法、装置、计算机设备和介质 | |
CN111798272A (zh) | 基于用户行为的对象分配方法、装置、计算机设备和介质 | |
CN111046240A (zh) | 网关流量统计方法、装置、计算机设备和存储介质 | |
CN113283759B (zh) | 账户风险画像更新方法、装置、设备及存储介质 | |
CN113625991A (zh) | 一种实时指标计算的方法、系统、电子装置和存储介质 | |
CN114238806A (zh) | 页面展示方法、装置、计算机设备、存储介质和程序产品 | |
CN114461896A (zh) | 信息处理方法、信息展示方法、装置及存储介质 |
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 |