CN111860655B - 用户的处理方法、装置和设备 - Google Patents
用户的处理方法、装置和设备 Download PDFInfo
- Publication number
- CN111860655B CN111860655B CN202010714569.XA CN202010714569A CN111860655B CN 111860655 B CN111860655 B CN 111860655B CN 202010714569 A CN202010714569 A CN 202010714569A CN 111860655 B CN111860655 B CN 111860655B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- users
- identified
- training
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 178
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000006399 behavior Effects 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 25
- 238000010845 search algorithm Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 12
- 230000003993 interaction Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Selective Calling Equipment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种用户的处理方法、装置和设备，该方法包括：获取至少两个待识别用户的属性特征；利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户；根据目标关联用户，确定目标待识别用户所属的目标用户组，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。本申请提供的用户的处理方法、装置和设备，能够减少用户的处理装置的运算量，提高确定目标待识别用户所属的目标用户组的效率。
Description
技术领域
本申请实施例涉及数据处理技术领域，尤其涉及一种用户的处理方法、装置和设备。
背景技术
物联网和智能家居时代的到来，家庭用户逐渐增多，互联网宽带服务、智能设备、智慧家庭等相互融合的家庭互联网解决方案将成为热点。在这种背景下，迫切需要利用大数据能力，整合多源数据，通过数据挖掘从多个用户中识别出属于同一家庭的用户，然后有针对性的向其推送信息，开展家庭产品服务，提升家庭用户的使用体验。
现有技术中，是通过待识别用户的通话网络图，确定与该待识别用户所对应的用户属于同一家庭的其他用户的用户信息，然而，通话网络图通常比较复杂，且存在较多无效号码，例如商家、快递员等号码，数据量较大且复杂，导致用户的识别效率较低。
发明内容
本申请提供一种用户的处理方法、装置和设备，能够提高确定与待识别用户属于同一家庭的目标用户组的效率。
第一方面，本申请提供一种用户的处理方法，包括：获取至少两个待识别用户的属性特征；利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户；根据目标关联用户，确定目标待识别用户所属的目标用户组，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。
可选的，根据目标关联用户，确定目标待识别用户所属的目标用户组，包括：根据目标关联用户，确定关系网络图；根据关系网络图，确定目标待识别用户所属的目标用户组。
通过该方法能够进一步提高确定目标待识别用户所属的目标用户组的效率。
可选的，属性特征包括如下特征中的至少一种：待识别用户对应的用户的基本属性特征、用户的消费行为特征、用户的通信行为特征、用户的上网行为特征、用户使用终端的行为特征、用户所在位置信息特征。
通过上述属性特征能够全面的描述用户的特性，能够增强用户之间的差异性，进而能够提高确定目标用户组的准确性。
可选的，还包括：根据目标待识别用户所属的目标用户组，向目标用户组内的至少一个用户推送第一消息，该第一消息用于提醒使用者对用户的相关信息进行设置。
该方法通过根据目标待识别用户所属的目标用户组，向目标用户组内的至少一个用户推送用于提醒使用者对用户的相关信息进行设置的第一消息，以使使用者能够及时了解选择适合自己的消息并对其对应的用户进行设置，提升使用者的使用体验。
第二方面，本申请提供一种模型训练方法，包括：获取多个用户的属性特征；根据多个属性特征，确定多个训练样本，多个训练样本中包括经过标识的用户，以及未标识的用户，经过标识的用户包括具有关联关系的用户；根据多个训练样本，对初始训练模型进行训练，得到目标训练模型。
该方法通过获取多个用户的属性特征，并根据多个属性特征，确定出多个训练样本，其中，多个训练样本中包括经过标识的用户，以及未标识的用户，经过标识的用户包括具有关联关系的用户，再根据多个训练样本，对初始训练模型进行训练，得到目标训练模型，能够在有标识的样本数较少的情况下，通过半监督学习的方式训练得到目标训练模型，提高了模型训练的准确性和泛化能力。
可选的，根据多个训练样本，对初始训练模型进行训练，得到目标训练模型，包括：根据多个训练样本，对初始训练模型进行训练，得到第一训练模型；通过网格搜索算法对第一训练模型的参数进行处理，得到目标训练模型。
通过该方法能够优化目标训练模型的参数，提升目标训练模型的准确性。
可选的，该方法还包括：根据多个属性特征，确定多个测试样本，测试样本中包括未标识的用户；相应的，通过网格搜索算法对第一训练模型的参数进行处理，得到目标训练模型，包括：通过网格搜索算法对第一训练模型的参数进行处理，得到第二训练模型；将多个测试样本输入第二训练模型，得到目标训练模型。
因为用户标识为空值的样本数量较多，因此能够提供大量的测试样本，通过该方法将大量的测试样本输入第二训练模型，对模型进行测试，进而能够及时发现模型存在的问题，对模型及时进行优化，使的最终训练得到的目标训练模型的准确性更高。
第三方面，本申请提供一种用户的处理装置，包括：
获取模块，用于获取至少两个待识别用户的属性特征。
确定模块，用于利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户。
该确定模块，还用于根据目标关联用户，确定目标待识别用户所属的目标用户组，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。
可选的，该确定模块，具体用于根据目标关联用户，确定关系网络图；根据关系网络图，确定目标待识别用户所属的目标用户组。
可选的，属性特征包括如下特征中的至少一种：待识别用户对应的用户的基本属性特征、用户的消费行为特征、用户的通信行为特征、用户的上网行为特征、用户使用终端的行为特征、用户所在位置信息特征。
可选的，还包括：推送模块，用于根据目标待识别用户所属的目标用户组，向目标用户组内的至少一个用户推送第一消息，该第一消息用于提醒使用者对用户的相关信息进行设置。
第四方面，本申请提供一种模型训练装置，包括：
获取模块，用于获取多个用户的属性特征。
确定模块，用于根据多个属性特征，确定多个训练样本，多个训练样本中包括经过标识的用户，以及未标识的用户，经过标识的用户包括具有关联关系的用户。
处理模块，用于根据多个训练样本，对初始训练模型进行训练，得到目标训练模型。
可选的，该处理模块，具体用于根据多个训练样本，对初始训练模型进行训练，得到第一训练模型，通过网格搜索算法对第一训练模型的参数进行处理，得到目标训练模型。
可选的，该确定模块，还用于根据多个属性特征，确定多个测试样本，测试样本中包括未标识的用户。
相应的，该处理模块，具体用于通过网格搜索算法对第一训练模型的参数进行处理，得到第二训练模型，将多个测试样本输入第二训练模型，得到目标训练模型。
第五方面，本申请提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第一方面的可选方式的方法或者第二方面或第二方面的可选方式的方法。
第六方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面或第一方面的可选方式的方法或者第二方面或第二方面的可选方式的方法。
本申请提供的用户的处理方法、装置和设备，通过获取至少两个待识别用户的属性特征，然后利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定出具有关联关系的目标关联用户，进而能够缩小确定目标待识别用户所属的目标用户组的范围；进一步的，再根据目标关联用户，确定目标待识别用户所属的目标用户组，能够减少用户的处理装置的运算量，提高确定目标待识别用户所属的目标用户组的效率。
附图说明
图1为本申请提供的一种用户的处理方法的应用场景示意图；
图2为本申请提供的一种用户的处理方法的流程示意图；
图3为本申请提供的另一种用户的处理方法的流程示意图；
图4为本申请提供的一种关系网络图的示意图；
图5为本申请提供的一种模型训练方法的流程示意图；
图6为本申请提供的一种用户的处理装置；
图7为本申请提供的一种模型训练装置；
图8为本申请提供的电子设备的一种结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。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。
物联网和智能家居时代的到来，家庭用户逐渐增多，互联网宽带服务、智能设备、智慧家庭等相互融合的家庭互联网解决方案将成为热点。在这种背景下，迫切需要利用大数据能力，整合多源数据，通过数据挖掘从多个用户中识别出属于同一家庭的用户，然后有针对性的向其推送信息，开展家庭产品服务，提升家庭用户的使用体验。
现有的确定目标用户组的方法是通过待识别用户的通话网络图确定该待识别用户所属的目标用户组。然而，通话网络图往往比较复杂，且往往存在较多无效号码，例如商家、快递员等号码，数据量较大且复杂，导致确定目标用户组的效率较低。
由于用户在使用运营商服务过程会中产生大量数据，例如，用户在使用语音通话服务的过程中会产生通话详单，具体可以包括通话时长、通话次数、通话交互用户数、话费等数据；用户在使用数据流量上网的过程中会产生流量详单，具体可包括用户上网行为偏好、流量费用等数据，这些数据都能够从一定方面表现出用户的特有属性特征，因此如果在确定用户所属的目标用户组时，能够充分考虑用户的属性特征，则能够提高确定目标用户组的准确性；其次，通过上述用户的属性特征，还可以降低确定用户所属的目标用户组的数据量，提高确定目标用户组的效率。
基于此，本申请提出了通过获取至少两个待识别用户的属性特征，然后利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定出具有关联关系的目标关联用户，进而能够缩小确定目标待识别用户所属的目标用户组的范围；进一步的，再根据目标关联用户，确定目标待识别用户所属的目标用户组，能够减少用户的处理装置的运算量，提高确定目标待识别用户所属的目标用户组的效率。
图1为本申请提供的一种用户的处理方法的应用场景示意图，用户的处理装置能够执行本申请提出的用户的处理方法，如图1所示，在该应用场景中，用户的处理装置11与多个用户终端设备12通信连接。
其中，用户的处理装置11可以是服务器或者终端设备的部分或者全部，用于执行本申请提出的用户的处理方法。具体的，可以用于获取至少两个待识别用户的属性特征，再利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户，并根据目标关联用户，确定目标待识别用户所属的目标用户组，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。
用户终端设备12可以是手机等移动终端设备，使用者可以通过该用户终端设备12拨打电话、或者浏览网页、使用应用程序、收发信息等。相应的，用户的处理装置11还可以通过采集并分析使用者在用户终端设备12上的相关操作获取待识别用户的属性特征。进一步的，用户的处理装置11还可以向目标用户组内的至少一个用户所对应的用户终端设备12推送第一消息，以提醒使用者对用户的相关信息进行设置。例如，提醒使用者更换手机套餐等。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请提供的一种用户的处理方法的流程示意图，该方法的执行主体为用户的处理装置，该装置可以是服务器或者终端设备的部分或者全部，如图2所示，该方法包括：
S201、获取至少两个待识别用户的属性特征。
用户的处理装置获取待识别用户的属性特征时，可以是通过分析用户在使用运营商服务过程中产生的数据，来获取用户的待识别用户的属性特征。例如，通过分析用户在一段时间内的通话的天数、通话的次数、通话的时长、收发短信的次数，以及用户分别在忙时、闲时、节假日、工作日进行通话的天数、通话的次数、通话的时长、收发短信的次数等得到用于反映用户之间交互的频繁程度和交互时间的分布情况的用户的通信行为特征。
当然，待识别用户的属性特征，还可以是用户的处理装置通过实体或者虚拟的存储介质获取的；或者是使用者通过用户的处理装置的人机交互界面输入的。
待识别用户的属性特征可以包括用户的基本属性特征，例如用户的性别和年龄等；还可以包括用户的消费行为特征、用户的通信行为特征、用户的上网行为特征、用户使用终端的行为特征、用户所在位置信息特征等。
S202、利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户。
具体的，利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户可以是将两个待识别用户的属性特征输入训练好的目标训练模型中，确定出这两个待识别用户之间是否存在关联关系；也可以是将多个待识别用户的属性特征输入训练好的目标训练模型中，确定出多个待识别用户中哪两个待识别用户之间存在关联关系。示例性的，两个用户之间存在关联关系可以是这两个用户之间通信频率较高、通信时间较长、两个用户之间存在互相缴费等情况的发生等，其表明这两个用户之间存在密切的联系。具体的，这两个用户的使用者可能是亲人、恋人、朋友、同学、同事等等，其存在联系较为紧密的关系。
S203、根据目标关联用户，确定目标待识别用户所属的目标用户组。
其中，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。
目标用户组可以包括至少两个用户，目标用户组中的所有用户之间存在紧密联系，例如，目标用户组可以包括父母子女，或者兄弟姐妹，或者男女朋友等。
本申请通过获取至少两个待识别用户的属性特征，然后利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定出具有关联关系的目标关联用户，进而能够缩小确定目标待识别用户所属的目标用户组的范围；进一步的，再根据目标关联用户，确定目标待识别用户所属的目标用户组，能够减少用户的处理装置的运算量，提高确定目标待识别用户所属的目标用户组的效率。
下面针对S203中如何根据目标关联用户，确定目标待识别用户所属的目标用户组的过程，做进一步详细说明。
图3为本申请提供的另一种用户的处理方法的流程示意图，该方法的执行主体为用户的处理装置，该装置可以是服务器或者终端设备的部分或者全部，如图3所示，该方法包括：
S301、获取至少两个待识别用户的属性特征。
用户的处理装置如何获取至少两个待识别用户的属性特征，可参见S201，在此不做赘述。
可选的，属性特征包括如下特征中的至少一种：待识别用户对应的用户的基本属性特征、用户的消费行为特征、用户的通信行为特征、用户的上网行为特征、用户使用终端的行为特征、用户所在位置信息特征。
具体的，待识别用户对应的用户的基本属性特征可以包括用户的年龄、性别等信息。
用户的消费行为特征可以包括用户在一段时间内的缴费情况、语音消费情况、流量消费情况等。
用户的通信行为特征，用于反映用户之间交互的频繁程度和交互时间的分布情况。其可以通过分析用户在一段时间内的通话的天数、通话的次数、通话的时长、收发短信的次数，以及用户分别在忙时、闲时、节假日、工作日进行通话的天数、通话的次数、通话的时长、收发短信的次数等得到。
用户的上网行为特征用于反映用户上网行为的偏好情况，可以通过分析用于在一段时间内使用软件的情况、浏览网页的次数、浏览网页的时长、流量使用情况等得到。
用户使用终端的行为特征用于反映使用者更换用户终端设备的情况，可以通过分析用户终端使用信息得到。
用户所在位置信息特征用于反映用户所在位置，其可以通过分析用户在一段时间内，分别在忙时、闲时、节假日、工作日等时间段内所处位置的经纬度或者与用户终端设备通信的基站的信息来确定。具体的，可以通过对用户对应的移网深度分组检测技术(Deeppacket Inspection，DPI)数据进行解析，获取用户使用应用程序(Application，APP)上网的时间和用户所处的经纬度的信息；也可以通过用户信令数据来获取用户交互基站的位置区编码(location area code，lac)、小区识别(Cell Identity，ci)，并关联基站工参码表，获取用户交互基站的经纬度，并将其作为用户位置信息。
S302、利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户。
S302与S202相似，具体描述可参见S202，在此不做赘述。
S303、根据目标关联用户，确定关系网络图。
图4为本申请提供的一种关系网络图的示意图，如图4所示，关系网络图中，任意两个用户之间存在关联关系。其中，关系网络图可以抽象为一个由节点的集合V，以及边的集合E组成的图G＝(V,E)，节点数记作n＝|V|，边数记作m＝|E|，图中每个节点代表一个用户，节点与节点之间的边代表用户间存在关联关系。例如，用户A分别与用户B、用户C、用户D、用户F之间存在关联关系，用户B与用户A和用户C之间存在关联关系等等。
S304、根据关系网络图，确定目标待识别用户所属的目标用户组。
其中，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。
根据关系网络图，确定目标待识别用户所属的目标用户组，可以通过社区发现算法(GN算法)来实现。GN算法是一个经典的社区发现算法，属于分裂的层次聚类算法，其基本思想是不断的删除网络图中具有相对于所有源节点的最大的边介数的边，然后，再重新计算网络图中剩余的边的相对于所有源节点的边介数，重复这个过程，直到网络图中，所有边都被删除。边介数是指网络图中经过每条边的最短路径的数目。具体的，GN算法的实现过程包括：
(1)计算关系网络图中各个节点对之间最短路径，得到边的边介数。
(2)从(1)的计算结果中删除边介数最大的边，若边介数最大的边有多条，随机删除其中一条边。
(3)更新关系网络图中所有节点之间的最短路径，得到剩余的边的边介数。
(4)重复(2)、(3)步骤一直到关系网络图中的边全部删除，即每个节点都独立成一个社区为止。其中，多个节点中的任意一个节点为待识别用户，则得到的该节点对应的社区即为该节点对应的待识别用户所属的目标用户组。
可选的，还包括：
S305、根据目标待识别用户所属的目标用户组，向目标用户组内的至少一个用户推送第一消息。
其中，第一消息用于提醒使用者对用户的相关信息进行设置。
例如，可以向目标用户组内的至少一个用户推送亲情话费套餐、家庭宽带套餐等；也可以通过分析目标用户组的相关信息，将目标用户组划分为不同的类型，然后针对不同类型的目标用户组推送相应的第一消息，以便更大限度的满足使用者的个性化需求。例如，可以通过分析目标用户组对应的用户所使用的宽带信息、手机数量等将目标用户组划分为智慧型目标用户组、标准型目标用户组和潜力型目标用户组，然后针对标准型目标用户组，可以向其推送家庭互联网产品，以增强其对互联网的认识；针对潜力型目标用户组可以向其推送家庭宽带套餐，以使其能够享受更实惠的宽带产品；针对智慧型目标用户组，可以向其推送宽带速率更高的宽带套餐，以使其能够得到更好的上网体验。
本申请通过获取至少两个待识别用户的属性特征，然后利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定出具有关联关系的目标关联用户，进而能够缩小确定目标待识别用户所属的目标用户组的范围；再根据目标关联用户，确定关系网络图，根据关系网络图，确定目标待识别用户所属的目标用户组，能够进一步提高确定目标待识别用户所属的目标用户组的效率；进一步的，还可以根据目标待识别用户所属的目标用户组，向目标用户组内的至少一个用户推送用于提醒使用者对用户的相关信息进行设置的第一消息，以使使用者能够及时了解选择适合自己的消息并对其对应的用户进行设置，提升使用者的使用体验。
下面对上述实施例中涉及的目标训练模型的建模过程进行详细说明。
图5为本申请提供的一种模型训练方法的流程示意图，该方法的执行主题为模型训练装置，该装置可以是服务器的部分或者全部，如图5所示，该方法包括：
S501、获取多个用户的属性特征。
用户在使用运营商服务过程中产生大量数据，如：用户的订购业务详单、缴费详单、通话详单、短信详单、流量详单、移网DPI、用户信令、终端更换情况等数据。通过对这些数据进行采集和描述性及探索性统计分析，可以得到每一项数据对应的空值、异常值、均值、众数、中位数、分布情况等基本信息。为提高运算的准确性和模型训练的准确性，还可以对上述任一项数据进行数据清洗与预处理，例如，剔除异常数据，采取均值、中位数、众数、补零或删除记录等方式进行空值填充等。
用户的属性特征可以包括以下特征中的至少一种：用户对应的标识、用户的基本属性特征、用户的消费行为特征、用户的通信行为特征、用户的上网行为特征、用户使用终端的行为特征、用户所在位置信息特征、用户标签。其中用户对应的标识可以是用户对应的手机号码；用户标签用于标识该用户是否订购过家庭产品，例如，是否订购过亲情套餐、主副卡套餐等，具体的，某一用户对应的用户标签为“1”时可以表示该用户订购过家庭产品，该用户对应的用户标签为空值时，表示该用户未订购过家庭产品或者不确定其是否订购过家庭产品。需要说明的是，此处使用“1”或者空值表示用户标签的方式指示用户标签的一种可能的实现形式，具体的实现形式本申请不做限制。
S502、根据多个属性特征，确定多个训练样本。
其中，多个训练样本中包括经过标识的用户，以及未标识的用户，经过标识的用户包括具有关联关系的用户。
具体的，多个训练样本包括正样本和未标识的样本。基于上述关于用户标识的示例，可以将用户标识为“1”的用户确定为正样本，也即将具有关联关系的用户确定为正样本；将用户标识为空值的用户，即未标识的用户确定为无标记样本，也即将不确定是否具有关联关系的用户确定为无标记样本。
S503、根据多个训练样本，对初始训练模型进行训练，得到目标训练模型。
传统的机器学习任务分为监督学习和无监督学习，其中监督学习所用样本有标记；无监督学习所用样本无标记。而在现实场景中，有标记样本较少，无标记样本较多是一种较为普遍的现象，因此使用监督学习和无监督学习无法得到较为准确的训练模型。为了解决这一问题，本申请实施例中采用半监督学习进行建模。半监督学习是监督学习和无监督学习相结合的一种学习方法，它结合少量有标记样本和大量无标记样本进行模型训练，能够有效提升模型的准确性和泛化能力。
本申请中，正样本的数量较少，无标记的样本的数量较多，基于此，根据多个训练样本，对初始训练模型进行训练，得到目标训练模型，可以采用基于Bagged聚类核的半监督支持向量机分类方法来实现。首先对正样本和无标记样本采用多次k均值聚类运算构造Bagged聚类核，然后对Bagged聚类核和径向基核求和，用于支持向量机的训练和分类。Bagged聚类核主要依据聚类假设，即位于高密度区域的两个点应该有相同的标记，对两两样本之间的距离或相似度进行调整，使样本间相似度更符合样本实际分布。
可选的，为了提高目标训练模型的准确性，在训练目标训练模型的过程中，根据多个训练样本，对初始训练模型进行训练，得到目标训练模型的一种可能的实现方式是：根据多个训练样本，对初始训练模型进行训练，得到第一训练模型；通过网格搜索算法对第一训练模型的参数进行处理，得到目标训练模型。
网格搜索算法是确定模型参数值的一种穷举搜索方法，即将拟合函数各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”。然后将各组合用于支持向量机训练，并使用交叉验证对模型表现进行评估。在拟合函数尝试所有参数组合后，返回一个合适的分类器，自动调整至最佳参数组合。
通过该方法能够优化目标训练模型的参数，提升目标训练模型的准确性。
可选的，为了进一步优化目标训练模型，提高目标训练模型的准确性，在上述可选内容的基础上，还可以包括：
根据多个属性特征，确定多个测试样本，测试样本中包括未标识的用户。
相应的，通过网格搜索算法对第一训练模型的参数进行处理，得到目标训练模型，可以包括：通过网格搜索算法对第一训练模型的参数进行处理，得到第二训练模型；将多个测试样本输入第二训练模型，得到目标训练模型。
测试样本对应的用户标识为空值。因为用户标识为控制的样本数量较多，因此能够提供大量的测试样本，通过将大量的测试样本输入第二训练模型，对模型进行测试，进而能够及时发现模型存在的问题，对模型及时进行优化，使的最终训练得到的目标训练模型的准确性更高。
下面通过一个示例对如何训练得到目标训练模型进行说明，具体的根据多个训练样本，采用基于Bagged聚类核的半监督支持向量机分类方法对初始训练模型进行训练，得到目标训练模型的具体实现过程可以包括如下步骤：
(1)假设正样本数量为m，无标记样本数量为n，构建一个m*(m+n)的零矩阵。其中无标记样本是所有的测试样本。
(2)采用径向基函数(Radial Basis Function，RBF)核作为支持向量机(SupportVector Machine，SVM)的核函数，分别计算正样本的核矩阵Ktrain和正样本与无标记样本所组成的测试核矩阵Ktest，则Ktrain为m*m的矩阵，Ktest为m*n的矩阵。
(3)样本集合x为由正样本和无标记样本组成的集合，对样本集合x运行N次k均值聚类算法。
(4)根据聚类结果建立Bagged核：
公式中，i＝{1,2,...,m}，k＝{1,2,...,m+n}，若xi和xk在同一类中，则C(xi)＝C(xk)返回1，否则返回0，得到的Kbag为m*(m+n)的矩阵。
(5)根据Kbag，求得由正样本构成的m*m的矩阵K′bag和由无标记样本构成的m*n的矩阵Ktestbag。
(6)对Ktrain和K′bag求和，α为权重系数，得到训练核矩阵K(xi,xj)＝αK′bag(xi,xj)+(1-α)Ktrain(xi,xj)，公式中，xi和xj是正样本，i＝{1,2,...,m},j＝{1,2,...,m}。
(7)采用核矩阵K(xi,xj)训练支持向量机，得到支持向量机分类器，即目标训练模型。
在训练支持向量机，得到支持向量机分类器的过程中，可以通过网格搜索法确定最优的模型参数，提高支持向量机分类器的准确性。
(8)对Ktest和Ktestbag求和，α为权重系数，得到测试核矩阵：K(xi,xk)′＝αKtestbag(xi,xk)+(1-α)Ktest(xi,xk)，公式中，xi为正样本，xk为无标记样本，i＝{1,2,...,m},k＝{1,2,...,m+n}。
(9)采用(7)训练得到的支持向量机分类器和(8)得到的测试核矩阵，实现对测试样本的分类，根据对测试样本的分类情况，进一步优化目标训练模型。
本申请通过获取多个用户的属性特征，并根据多个属性特征，确定出多个训练样本，其中，多个训练样本中包括经过标识的用户，以及未标识的用户，经过标识的用户包括具有关联关系的用户，再根据多个训练样本，对初始训练模型进行训练，得到目标训练模型，能够在有标识的样本数较少的情况下，通过半监督学习的方式训练得到目标训练模型，提高了模型训练的准确性和泛化能力。
图6为本申请提供的一种用户的处理装置，如图6所示，该装置包括：
获取模块61，用于获取至少两个待识别用户的属性特征。
确定模块62，用于利用目标训练模型根据至少两个待识别用户的属性特征，从至少两个待识别用户中确定具有关联关系的目标关联用户。
该确定模块62，还用于根据目标关联用户，确定目标待识别用户所属的目标用户组，目标待识别用户为至少两个待识别用户中存在关联关系的用户中的任意一个用户。
可选的，该确定模块62，具体用于根据目标关联用户，确定关系网络图；根据关系网络图，确定目标待识别用户所属的目标用户组。
可选的，属性特征包括如下特征中的至少一种：待识别用户对应的用户的基本属性特征、用户的消费行为特征、用户的通信行为特征、用户的上网行为特征、用户使用终端的行为特征、用户所在位置信息特征。
可选的，还包括：推送模块63，用于根据目标待识别用户所属的目标用户组，向目标用户组内的至少一个用户推送第一消息，该第一消息用于提醒使用者对用户的相关信息进行设置。
该用户的处理装置可以执行上述的用户的处理方法，其内容和效果可参考方法实施例部分，对此不再赘述。
图7为本申请提供的一种模型训练装置，如图7所示，该装置包括：
获取模块71，用于获取多个用户的属性特征。
确定模块72，用于根据多个属性特征，确定多个训练样本，多个训练样本中包括经过标识的用户，以及未标识的用户，经过标识的用户包括具有关联关系的用户。
处理模块73，用于根据多个训练样本，对初始训练模型进行训练，得到目标训练模型。
可选的，该处理模块73，具体用于根据多个训练样本，对初始训练模型进行训练，得到第一训练模型，通过网格搜索算法对第一训练模型的参数进行处理，得到目标训练模型。
可选的，该确定模块72，还用于根据多个属性特征，确定多个测试样本，测试样本中包括未标识的用户。
相应的，该处理模块73，具体用于通过网格搜索算法对第一训练模型的参数进行处理，得到第二训练模型，将多个测试样本输入第二训练模型，得到目标训练模型。
该模型训练装置可以执行上述的模型训练方法，其内容和效果可参考方法实施例部分，对此不再赘述。
图8为本申请提供的电子设备的一种结构示意图，如图8所示，本实施例的电子设备包括：处理器81、存储器82；处理器81与存储器82通信连接。存储器82用于存储计算机程序。处理器81用于调用存储器82中存储的计算机程序，以实现上述方法实施例中的方法。
可选地，该电子设备还包括：收发器83，用于与其他设备实现通信。
该电子设备可以执行上述的电子方法，其内容和效果可参考方法实施例部分，对此不再赘述。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述方法实施例中的方法。
该计算机可读存储介质所存储的计算机执行指令被处理器执行时能实现上述方法实施例中的方法，其内容和效果可参考方法实施例部分，对此不再赘述。
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。本申请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书指出。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书来限制。
Claims (7)
1.一种用户的处理方法，其特征在于，包括：
获取至少两个待识别用户的属性特征；
利用目标训练模型根据所述至少两个待识别用户的属性特征，从所述至少两个待识别用户中确定具有关联关系的目标关联用户；所述目标训练模型是基于Bagged聚类核的半监督支持向量机分类方法得到的；
根据所述目标关联用户，确定目标待识别用户所属的目标用户组，所述目标待识别用户为所述至少两个待识别用户中存在所述关联关系的用户中的任意一个用户；
所述根据所述目标关联用户，确定目标待识别用户所属的目标用户组，包括：
根据所述目标关联用户，确定关系网络图；
根据所述关系网络图，确定所述目标待识别用户所属的目标用户组；其中，根据所述关系网络图，确定所述目标待识别用户所属的目标用户组是通过社区发现算法中的GN算法实现的；
所述属性特征包括如下特征中的至少一种：所述待识别用户对应的用户的基本属性特征、所述用户的消费行为特征、所述用户的通信行为特征、所述用户的上网行为特征、所述用户使用终端的行为特征、所述用户所在位置信息特征。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述目标待识别用户所属的目标用户组，向所述目标用户组内的至少一个用户推送第一消息；所述第一消息用于提醒用户对所述用户的相关信息进行设置。
3.一种模型训练方法，所述方法用于如权利要求1所述的用户的处理方法中的模型训练，其特征在于，包括：
获取多个用户的属性特征；
根据多个属性特征，确定多个训练样本，所述多个训练样本中包括经过标识的用户，以及未标识的用户，所述经过标识的用户包括具有关联关系的用户；
根据所述多个训练样本，对初始训练模型进行训练，得到目标训练模型；
根据所述多个训练样本，对初始训练模型进行训练，得到目标训练模型，包括：
根据所述多个训练样本，对初始训练模型进行训练，得到第一训练模型；
通过网格搜索算法对所述第一训练模型的参数进行处理，得到所述目标训练模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据多个属性特征，确定多个测试样本，所述测试样本中包括未标识的用户；
相应的，所述通过网格搜索算法对所述第一训练模型的参数进行处理，得到所述目标训练模型，包括：
通过网格搜索算法对所述第一训练模型的参数进行处理，得到第二训练模型；
将所述多个测试样本输入所述第二训练模型，得到所述目标训练模型。
5.一种用户的处理装置，其特征在于，包括：
获取模块，用于获取至少两个待识别用户的属性特征；所述属性特征包括如下特征中的至少一种：所述待识别用户对应的用户的基本属性特征、所述用户的消费行为特征、所述用户的通信行为特征、所述用户的上网行为特征、所述用户使用终端的行为特征、所述用户所在位置信息特征；
确定模块，用于利用目标训练模型根据所述至少两个待识别用户的属性特征，从所述至少两个待识别用户中确定具有关联关系的目标关联用户；所述目标训练模型是基于Bagged聚类核的半监督支持向量机分类方法得到的；
所述确定模块，还用于根据所述目标关联用户，确定目标待识别用户所属的目标用户组，所述目标待识别用户为所述至少两个待识别用户中存在所述关联关系的用户中的任意一个用户；
所述确定模块，具体用于根据所述目标关联用户，确定关系网络图；根据所述关系网络图，确定所述目标待识别用户所属的目标用户组；其中，根据所述关系网络图，确定所述目标待识别用户所属的目标用户组是通过社区发现算法中的GN算法实现的。
6.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4中任一项所述的方法。
7.一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执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求中1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010714569.XA CN111860655B (zh) | 2020-07-23 | 2020-07-23 | 用户的处理方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010714569.XA CN111860655B (zh) | 2020-07-23 | 2020-07-23 | 用户的处理方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860655A CN111860655A (zh) | 2020-10-30 |
| CN111860655B true CN111860655B (zh) | 2023-05-30 |
Family
ID=72950814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010714569.XA Active CN111860655B (zh) | 2020-07-23 | 2020-07-23 | 用户的处理方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860655B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112737848B (zh) * | 2020-12-29 | 2022-10-28 | 青岛海尔科技有限公司 | 对象类型的确定方法、装置、存储介质及电子装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392781A (zh) * | 2017-06-20 | 2017-11-24 | 挖财网络技术有限公司 | 用户关系的识别方法、对象关系的识别方法及装置 |
| CN107438050A (zh) * | 2016-05-26 | 2017-12-05 | 北京京东尚科信息技术有限公司 | 识别网站的潜在恶意用户的方法和系统 |
| CN108171519A (zh) * | 2016-12-07 | 2018-06-15 | 阿里巴巴集团控股有限公司 | 业务数据的处理、账户识别方法及装置、计算机终端 |
| CN108520324A (zh) * | 2018-04-13 | 2018-09-11 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
| CN109344326A (zh) * | 2018-09-11 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 一种社交圈的挖掘方法和装置 |
| WO2019165388A1 (en) * | 2018-02-25 | 2019-08-29 | Graphen, Inc. | System for discovering hidden correlation relationships for risk analysis using graph-based machine learning |
| CN110647676A (zh) * | 2019-08-14 | 2020-01-03 | 平安科技（深圳）有限公司 | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 |
| CN110659799A (zh) * | 2019-08-14 | 2020-01-07 | 深圳壹账通智能科技有限公司 | 基于关系网络的属性信息处理方法、装置、计算机设备和存储介质 |
| CN110677269A (zh) * | 2018-07-03 | 2020-01-10 | 中国电信股份有限公司 | 通信用户关系的确定方法、装置和计算机可读存储介质 |
| CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
| CN111091385A (zh) * | 2019-12-13 | 2020-05-01 | 南京三百云信息科技有限公司 | 基于权重的对象识别方法、装置以及电子设备 |
| CN111177473A (zh) * | 2018-11-13 | 2020-05-19 | 杭州海康威视数字技术股份有限公司 | 人员关系分析方法、装置和可读存储介质 |
| CN111309815A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种关系图谱的处理方法、装置和电子设备 |
| CN111314102A (zh) * | 2018-12-11 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 群组识别方法、装置、电子设备及计算机可读存储介质 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| WO2020138928A1 (en) * | 2018-12-24 | 2020-07-02 | Samsung Electronics Co., Ltd. | Information processing method, apparatus, electrical device and readable storage medium |
| CN111401775A (zh) * | 2020-03-27 | 2020-07-10 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8670546B2 (en) * | 2008-10-22 | 2014-03-11 | At&T Intellectual Property I, L.P. | Systems and methods for providing a personalized communication processing service |
-
2020
- 2020-07-23 CN CN202010714569.XA patent/CN111860655B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107438050A (zh) * | 2016-05-26 | 2017-12-05 | 北京京东尚科信息技术有限公司 | 识别网站的潜在恶意用户的方法和系统 |
| CN108171519A (zh) * | 2016-12-07 | 2018-06-15 | 阿里巴巴集团控股有限公司 | 业务数据的处理、账户识别方法及装置、计算机终端 |
| CN107392781A (zh) * | 2017-06-20 | 2017-11-24 | 挖财网络技术有限公司 | 用户关系的识别方法、对象关系的识别方法及装置 |
| WO2019165388A1 (en) * | 2018-02-25 | 2019-08-29 | Graphen, Inc. | System for discovering hidden correlation relationships for risk analysis using graph-based machine learning |
| CN108520324A (zh) * | 2018-04-13 | 2018-09-11 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
| CN110677269A (zh) * | 2018-07-03 | 2020-01-10 | 中国电信股份有限公司 | 通信用户关系的确定方法、装置和计算机可读存储介质 |
| CN109344326A (zh) * | 2018-09-11 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 一种社交圈的挖掘方法和装置 |
| CN111177473A (zh) * | 2018-11-13 | 2020-05-19 | 杭州海康威视数字技术股份有限公司 | 人员关系分析方法、装置和可读存储介质 |
| CN111314102A (zh) * | 2018-12-11 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 群组识别方法、装置、电子设备及计算机可读存储介质 |
| CN111309815A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种关系图谱的处理方法、装置和电子设备 |
| WO2020138928A1 (en) * | 2018-12-24 | 2020-07-02 | Samsung Electronics Co., Ltd. | Information processing method, apparatus, electrical device and readable storage medium |
| CN110659799A (zh) * | 2019-08-14 | 2020-01-07 | 深圳壹账通智能科技有限公司 | 基于关系网络的属性信息处理方法、装置、计算机设备和存储介质 |
| CN110647676A (zh) * | 2019-08-14 | 2020-01-03 | 平安科技（深圳）有限公司 | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 |
| CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
| CN111091385A (zh) * | 2019-12-13 | 2020-05-01 | 南京三百云信息科技有限公司 | 基于权重的对象识别方法、装置以及电子设备 |
| CN111339443A (zh) * | 2020-03-09 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 用户标签确定方法、装置、计算机设备及存储介质 |
| CN111401775A (zh) * | 2020-03-27 | 2020-07-10 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
Non-Patent Citations (8)
| Title |
|---|
| A novel trust-based community detection algorithm used in social networks;Xianhuan Chen 等;《Chaos, Solitons and Fractals》;第108卷;57-65 * |
| Community Detection and Recommender Systems;Fabio Gasparetti 等;《Encyclopeida of Social Network Analysis and Mining》;1-14 * |
| 基于文本与社交信息的用户群组识别;王中卿 等;《软件学报》;第28卷(第09期);2468-2480 * |
| 基于用户兴趣模型和社团挖掘的推荐方法研究;李鹏;《中国优秀硕士学位论文全文数据库信息科技辑》(第(2019)09期);I138-1335 * |
| 基于用户相关性的动态网络媒体数据无监督特征选择算法;任永功 等;《计算机学报》;第41卷(第07期);1517-1535 * |
| 基于移动网络位置信息的群体发现方法;刘分 等;《计算机应用研究》;第30卷(第05期);1471-1474 * |
| 社交关系挖掘研究综述;赵姝 等;《计算机学报》;第40卷(第03期);535-555 * |
| 移动通信网络位置群体关联用户挖掘;刘分 等;《计算机应用》;第33卷(第08期);2100-2103 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860655A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11361082B2 (en) | Anomalous activity detection in multi-provider transactional environments | |
| CN104933049B (zh) | 生成数字人的方法及系统 | |
| CN108280115B (zh) | 识别用户关系的方法及装置 | |
| CN113536383B (zh) | 基于隐私保护训练图神经网络的方法及装置 | |
| CN107563757B (zh) | 数据风险识别的方法及装置 | |
| WO2020192460A1 (zh) | 数据处理的方法、端侧设备、云侧设备和端云协同系统 | |
| WO2016015444A1 (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
| WO2020038100A1 (zh) | 一种特征关系推荐方法及装置、一种计算设备及存储介质 | |
| CN110555172B (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
| CN108491720B (zh) | 一种应用识别方法、系统以及相关设备 | |
| CN112214499B (zh) | 图数据处理方法、装置、计算机设备和存储介质 | |
| CN108549909B (zh) | 基于众包的对象分类方法及对象分类系统 | |
| Mengshoel et al. | Will we connect again? machine learning for link prediction in mobile social networks | |
| CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| CN106470150A (zh) | 关系链存储方法及装置 | |
| CN111611390B (zh) | 一种数据处理方法及装置 | |
| CN110399564B (zh) | 帐号分类方法和装置、存储介质及电子装置 | |
| Namdarpour et al. | Using genetic programming on GPS trajectories for travel mode detection | |
| CN111860655B (zh) | 用户的处理方法、装置和设备 | |
| Shafik et al. | Recommendation system comparative analysis: internet of things aided networks | |
| CN116805039A (zh) | 特征筛选方法、装置、计算机设备和数据扰动方法 | |
| CN113409096B (zh) | 目标对象识别方法、装置、计算机设备及存储介质 | |
| CN117216736A (zh) | 异常账号的识别方法、数据调度平台及图计算平台 | |
| Sharma et al. | Comparative Analysis of Different Algorithms in Link Prediction on Social Networks | |
| KR20220155377A (ko) | 계정의 식별방법, 식별장치, 전자 디바이스 및 컴퓨터 판독 가능한 매체 |
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 |