CN112085114A - 线上线下身份匹配方法、装置、设备及存储介质 - Google Patents

线上线下身份匹配方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112085114A
CN112085114A CN202010964254.0A CN202010964254A CN112085114A CN 112085114 A CN112085114 A CN 112085114A CN 202010964254 A CN202010964254 A CN 202010964254A CN 112085114 A CN112085114 A CN 112085114A
Authority
CN
China
Prior art keywords
node
offline
online
cluster
line
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.)
Granted
Application number
CN202010964254.0A
Other languages
English (en)
Other versions
CN112085114B (zh
Inventor
李冰
倪骏
黄刚
盛丽兰
王要超
田甜
郑申俊
俞山青
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.)
Hangzhou Chinaoly Technology Co ltd
Original Assignee
Hangzhou Chinaoly 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 Hangzhou Chinaoly Technology Co ltd filed Critical Hangzhou Chinaoly Technology Co ltd
Priority to CN202010964254.0A priority Critical patent/CN112085114B/zh
Publication of CN112085114A publication Critical patent/CN112085114A/zh
Application granted granted Critical
Publication of CN112085114B publication Critical patent/CN112085114B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种线上线下身份匹配方法、装置、设备及存储介质，涉及信息匹配技术领域。该方法包括：对线上用户集群进行聚类，得到多个线上聚类簇；对线下用户集群进行聚类，得到多个线下聚类簇；确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离；根据第一节点的簇中心距离、第二节点的簇中心距离和簇之间距离，采用预先训练的身份模型进行处理，得到第一节点与第二节点的身份匹配结果。本申请可实现线上用户和线下用户身份信息的准确匹配。

Description

线上线下身份匹配方法、装置、设备及存储介质
技术领域
本发明涉及信息匹配技术领域，具体而言，涉及一种线上新下身份匹配方法、装置、设备及存储介质。
背景技术
随着网络的发展，因特网似乎是完全虚拟的另一个世界，几乎每个人都默认了线上万象的虚拟性；几乎每个人都热衷于线上人生的游戏性；几乎每个人都忽略了线上虚拟身份现实化的必要性。然而，随着网络数据库营销的势如破竹、网络实名制的日益渐增、物联网的蓄势待发，虚拟的线上和真实的线下逐渐实现着无缝链接。尤其是针对公共安全领域，随着互联网的兴起，新型网络犯罪层出不穷，安全部门对于用户线上线下身份匹配的需求也越来越大。
因此，如何对线上用户和线下用户进行身份匹配，显得格外重要。
发明内容
本发明的目的在于，提供一种线上线下身份匹配方法、装置、设备及存储介质，以实现线上用户和线下用户身份的准确匹配。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种线上线下身份匹配方法，所述方法包括：
对线上用户集群进行聚类，得到多个线上聚类簇，其中，每个线上聚类簇中的一个节点用于指示一个线上用户的一个线上身份特征；
对线下用户集群进行聚类，得到多个线下聚类簇，其中，每个线下聚类簇中的一个节点用于指示一个线下用户的一个线下身份特征；
确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离；
根据所述第一节点的簇中心距离、所述第二节点的簇中心距离，以及所述簇之间距离，采用预先训练的身份模型进行处理，得到所述第一节点与所述第二节点的身份匹配结果；所述身份匹配结果用于指示所述第一节点对应的线下用户和所述第二节点对应的线上用户是否匹配。
可选的，所述对线上用户集群进行聚类，得到多个线上聚类簇，包括：
将所述线上用户集群，以预设的多种线上身份特征作为线上节点，构建线上节点网络；
对所述线上节点网络中的每个线上节点聚合邻居节点，得到新的线上节点，所述新的线上节点为所述每个线上节点的邻居节点的集合；
根据多个所述新的线上节点重新构建线上节点网络；
对所述重新构建的线上节点网络中的线上节点进行聚类，得到所述多个线上聚类簇，一个线上聚类簇内线上节点的节点属性相同，不同线上聚类簇内线上节点的节点属性不相同。
可选的，所述根据多个所述新的节点重新构建线上节点网络，包括：
将多个所述新的线上节点，分别按照预先设置的多个线上节点属性进行连边，得到所述重新构建的线上节点网络，所述重新构建的线上节点网络中同一连边上的线上节点对应同一线上节点属性。
可选的，所述对线下用户集群进行聚类，得到多个线下聚类簇，包括：
将所述线下用户集群，以预设的多种线下身份特征作为线下节点，构建线下节点网络；
对所述线下节点网络中的每个线下节点聚合邻居节点，得到新的线下节点，所述新的线下节点为所述每个线下节点的邻居节点的集合；
根据多个所述新的线下节点重新构建线下节点网络；
对所述重新构建的线下节点网络中的线下节点进行聚类，得到所述多个线下聚类簇，一个线下聚类簇内线下节点的节点属性相同，不同线下聚类簇内线下节点的节点属性不相同。
可选的，所述根据多个所述新的线下节点重新构建线下节点网络，包括：
将多个所述新的线下节点，分别按照预先设置的多下线上节点属性进行连边，得到所述重新构建的线下节点网络，所述重新构建的线下节点网络中同一连边上的线下节点对应同一线下节点属性。
可选的，所述确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离，包括：
根据所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇中已知身份匹配的节点，确定所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离。
可选的，所述根据所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇中已知身份匹配的节点，确定所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离，包括：
确定已知身份匹配的每个线上用户在所述第一节点所在的线上聚类簇中对应的线上节点，和所述第一节点所在的线上聚类簇的簇中心的第一距离；
确定已知身份匹配的每个线下用户在所述第二节点所在的线下聚类簇中对应的线下节点，和所述第二节点所在的线下聚类簇的簇中心的第二距离；
根据至少一个线上用户对应的所述第一距离，和至少一个线下用户对应的所述第二距离，计算所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离。
第二方面，本申请实施例还提供了一种线上线下身份匹配装置，所述装置包括：
第一聚类模块，用于对线上用户集群进行聚类，得到多个线上聚类簇，其中，每个线上聚类簇中的一个节点用于指示一个线上用户的一个线上身份特征；
第二聚类模块，用于对线下用户集群进行聚类，得到多个线下聚类簇，其中，每个线下聚类簇中的一个节点用于指示一个线下用户的一个线下身份特征；
计算模块，用于确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离；
判断模块，用于根据所述第一节点的簇中心距离、所述第二节点的簇中心距离，以及所述簇之间距离，采用预先训练的身份模型进行处理，得到所述第一节点与所述第二节点的身份匹配结果；所述身份匹配结果用于指示所述第一节点对应的线上用户和所述第二节点对应的线下用户是否匹配。
可选的，所述第一聚类模块包括：
第一网络构建子模块，用于将所述线上用户集群，以预设的多种线上身份特征作为线上节点，构建线上节点网络；
第一聚合子模块，用于对所述线上节点网络中的每个线上节点聚合邻居节点，得到新的线上节点，所述新的线上节点为所述每个线上节点的邻居节点的集合；
第二网络构建子模块，用于根据多个所述新的线上节点重新构建线上节点网络；
第一聚类子模块，用于对所述重新构建的线上节点网络中的线上节点进行聚类，得到所述多个线上聚类簇，一个线上聚类簇内线上节点的节点属性相同，不同线上聚类簇内线上节点的节点属性不相同。
可选的，第二网络构建子模块具体用于将多个所述新的线上节点，分别按照预先设置的多个线上节点属性进行连边，得到所述重新构建的线上节点网络，所述重新构建的线上节点网络中同一连边上的线上节点对应同一线上节点属性。
可选的，所述第二聚类模块包括：
第三网络构建子模块，用于将所述线下用户集群，以预设的多种线下身份特征作为线下节点，构建线下节点网络；
第二聚合子模块，用于对所述线下节点网络中的每个线下节点聚合邻居节点，得到新的线下节点，所述新的线下节点为所述每个线下节点的邻居节点的集合；
第四网络构建子模块，用于根据多个所述新的线下节点重新构建线下节点网络；
第二聚类子模块，用于对所述重新构建的线下节点网络中的线下节点进行聚类，得到所述多个线下聚类簇，一个线下聚类簇内线下节点的节点属性相同，不同线下聚类簇内线下节点的节点属性不相同。
可选的，第四网络构建子模块具体用于将多个所述新的线下节点，分别按照预先设置的多下线上节点属性进行连边，得到所述重新构建的线下节点网络，所述重新构建的线下节点网络中同一连边上的线下节点对应同一线下节点属性。
可选的，计算模块具体用于根据所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇中已知身份匹配的节点，确定所述第一节点所在线下聚类簇和所述第二节点所在的线下聚类簇的距离。
可选的，计算模块具体用于确定已知身份匹配的每个线上用户在所述第一节点所在的线上聚类簇中对应的线上节点，和所述第一节点所在的线上聚类簇的簇中心的第一距离；确定已知身份匹配的每个线下用户在所述第二节点所在的线下聚类簇中对应的线下节点，和所述第二节点所在的线下聚类簇的簇中心的第二距离；根据至少一个线上用户对应的所述第一距离，和至少一个线下用户对应的所述第二距离，计算所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离。
第三方面，本申请实施例还提供一种计算机设备，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述线上线下身份匹配方法。
第四方面，本申请实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述线上线下身份匹配方法。
本申请的有益效果是：本申请通过对线上用户集群和线下用户集群分别进行聚类，得到多个线上聚类簇和多个线下聚类簇，计算第一节点所在的线上聚类簇和第二节点所在的线下聚类簇的簇之间距离，通过预先训练的身份模型对第一节点的簇中心距离、第二节点的簇中心距离，以及簇之间距离进行处理，得到第一节点和第二节点的身份匹配结果。本申请所提供的方案，可实现线上用户和线下用户身份的准确匹配。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种线上线下身份匹配方法的流程示意图；
图2为本申请实施例提供的一种线上线下身份匹配方法的流程示意图；
图2A为本申请实施例提供的线上节点网络的结构示意图；
图3为本申请实施例提供的一种线上线下身份匹配方法的流程示意图；
图3A为本申请实施例提供的线下节点网络的结构示意图；
图4为本申请实施例提供的一种线上线下身份匹配方法的流程示意图；
图5为本申请实施例提供的一种线上线下身份匹配装置的结构示意图；
图6为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为实现线上用户和线下用户的身份匹配，本申请实施例提供了下述多种可能的实现方式。如下结合附图对进行示例的解释说明。
需要指出的是，本申请所提供的各线上线下身份匹配方法，可由安装并运行有身份匹配应用的计算机设备实现，该计算机设备可以为服务器，可以为客户端设备，本申请不对此进行限制。
图1为本申请实施例提供的一种线上线下身份匹配方法的流程示意图；如图1所示，该方法包括：
S1：对线上用户集群进行聚类，得到多个线上聚类簇，其中，每个线上聚类簇中的一个节点用于指示一个线上用户的一个线上身份特征。
具体地，线上用户集群由多个线上用户的身份信息构成，每个线上用户的身份信息可能包括：点赞视频类型、评论视频类型、收藏视频类型等。
在可能的实现方式中，可对线上用户集群中每个线上用户的身份信息进行特征识别，根据识别的特征进行聚类，得到多个线上聚类簇。
每个线上聚类簇中包括多个节点，每个线上聚类簇中的多个节点对应的线上用户的线上身份特征属于一类特征。其中，每个线上聚类簇中的每个节点是一个线上用户的特征向量，可用于指示一个线上用户的一个线上身份特征。
具体地，将每个线上用户的线上身份特征以线上节点的形式表示，每个节点可以具有多种节点属性，将每个线上用户对应的线上节点按照不同的节点属性进行聚类，每个线上节点按照节点属性可以聚类到不同的簇中，得到多个线上聚类簇，每个线上聚类簇内线上节点的节点属性相同，不同线上聚类簇内线上节点的节点属性不同。
在本申请实施例的应用中，线上用户的节点属性有线上用户的点赞视频类型、评论视频类型、收藏视频类型等，在其它的应用中，线上用户也有其它的节点属性，在此不做限制。
S2：对线下用户集群进行聚类，得到多个线下聚类簇，其中，每个线下聚类簇中的一个节点用于指示一个线下用户的一个线下身份特征。
具体地，线下用户集群由多个线下用户的身份信息构成，每个线下用户的身份信息可能包括：职业、居住小区、学校等信息。
在可能的实现方式中，可对线下用户集群中每个线下用户的身份信息进行特征识别，根据识别的特征进行聚类，得到多个线下聚类簇。
每个线下聚类簇中包括多个节点，每个线下聚类簇中的多个节点对应线下用户的线下身份特征属于一类特征。其中，每个线下聚类簇中的每个节点是一个线下用户的特征向量，可用于指示一个线下用户的一个线下身份特征。
具体地，将每个线下用户的线下身份特征以线下节点的形式表示，每个节点可以具有多种节点属性，将每个线下用户对应的线下节点按照不同的节点属性进行聚类，每个线下节点按照节点属性可以聚类到不同的簇中，得到多个线下聚类簇，每个线下聚类簇内线下节点的节点属性相同，不同线下聚类簇内线下节点的节点属性不同。
在本申请实施例的应用中，线下用户的节点属性有线下用户居住地、学校、职业等，在其他的应用中，线下用户也有其它的节点属性，在此不做限制。
S3：确定预设的第一节点所在的线上聚类簇和预设的第二节点所在的线下聚类簇的簇之间距离。
具体地，预设的第一节点可以为待匹配的线上用户对应的线上节点，预设的第二节点可以为待匹配的线下用户对应的线下节点。待匹配的线上用户对应的线上节点可能包括至少一个线上节点，用于指示线上用户的至少一个线上身份特征。待匹配的线下用户对应的线下节点可能包括至少一个线下节点，用于指示线下用户的至少一个线下身份特征。
示例的，根据该第一节点所在的线上聚类簇中各线上节点的特征向量，以及该第二节点所在的线下聚类簇中各线下节点的特征向量，采用预设的距离算法，得到该簇之间距离。
其中，距离算法例如可以为最小距离法、最大距离法、或者平均距离法，当然也可以为其他的距离算法，本申请在此不再赘述。具体采用哪种计算簇之间距离的方法，以实际应用过程中的需要为准。
S4：根据第一节点的簇中心距离、第二节点的簇中心距离，以及簇之间距离，采用预先训练的身份匹配模型进行处理，得到第一节点与第二节点的身份匹配结果；身份匹配结果用于指示第一节点对应的线上用户和第二节点对应的线下用户是否匹配。
其中，第一节点的簇中心距离为所述第一节点与第一节点所在的线上聚类簇的中心之间的距离，第二节点的簇中心距离为所述第二节点与所述第二节点所在的线上聚类簇中心之间的距离。簇之间距离为采用上述S3计算得到的距离。
在本申请实施例中，预先训练的身份匹配模型是神经网络模型，其可以是根据预设的样本数据集，基于预设的分类器进行模型训练，得到的模型，其中，该样本数据集包括：多个样本用户组，每个样本用户组包括：一个样本线上用户和一个样本线下用户，且，该每个样本用户组还具有：样本线上用户和样本线下用户是否匹配的标注信息。
在可能的实现方式中，可对该样本数据集中的样本线上用户进行聚类，得到多个样本线上聚类簇，对该样本数据集中的样本线下用户进行聚类，得到多个样本线下聚类簇。确定预设的第一样本节点所在的样本线上聚类簇与预设的第二样本节点所在的样本线下聚类簇的簇之间距离。将第一样本节点的簇中心距离、第二样本节点的簇中心距离、簇之间距离送入身份匹配模型进行处理，判断第一样本节点对应的样本线上用户和第二样本节点对应的样本线下用户身份是否匹配。
该身份匹配模型应用了预设的分类函数，或分类器，例如softmax函数。如采用softmax函数，将身份匹配模型的输出映射到(0,1)区间内，表示该样本线上用户和样本线下用户是否匹配的概率。
在可能的实现方式中，该身份匹配模型训练的具体实施例为：
采用预设的初始模型对预设的第一样本节点所在的样本线上聚类簇与预设的第二样本节点所在的样本线下聚类簇的簇之间距离、第一样本节点的簇中心距离、第二样本节点的簇中心距离进行处理，得到第一样本节点的最终矩阵向量和第二样本节点的最终矩阵向量，将该第一样本节点的最终矩阵向量和第二样本节点的最终矩阵向量送入softmax函数进行分类，得到关于第一样本节点对应的线上用户和第二样本节点对应的线下用户身份匹配的概率值，基于该身份匹配的概率值，以及预设的标注信息，采用预设的损失函数计算损失函数值。基于该损失函数值对上述初始模型的参数进行调整，直至，基于调整后的模型得到的损失函数值最小，或者，损失函数值不再继续下降，则得到身份匹配模型。
本发明实施例通过对线上用户集群和线下用户集群分别进行聚类，得到多个线上聚类簇和多个线下聚类簇，计算第一节点所在的线上聚类簇和第二节点所在的线下聚类簇的簇之间距离，通过预先训练的身份模型对第一节点的簇中心距离、第二节点的簇中心距离、簇之间距离进行处理，得到第一节点和第二节点是否身份匹配的结果。
在本申请实施例中，由于线上用户集群和线下用户集群较为复杂，所以用节点指示线上用户的线上身份特征和线下用户的线下身份特征，以便对线上用户集群和线下用户集群进行聚类，可以更好的分析线上用户和线下用户之间的身份匹配情况。通过预先训练的身份模型对第一节点的簇中心距离、第二节点的簇中心距离、簇之间距离进行处理，以使得第一节点对应的线上用户和第二节点对应的线下用户是否匹配的结果更为准确。
本申请实施例提供的线上线下身份匹配方法，还可以对身份匹配结果进行输出并进行展示，可以使操作人员更直观地了解第一节点对应的线上用户和第二节点对应的线下用户之间的匹配结果。
在上述图1所示的线上线下身份匹配方法的基础上，本申请实施例还提供一种上述S1可能的实现方式。图2示出了本申请实施例的一种线上线下身份匹配方法的流程示意图，参考图2，上述步骤S1还包括：
S11：将线上用户集群，以预设的多种线上身份特征作为线上节点，构建线上节点网络。
具体地，线上用户集群中的每个线上用户具有至少一个身份信息，对线上用户的每个身份信息进行特征识别，以节点指示线上用户的线上身份特征，每个线上用户的一个身份信息对应一个线上节点，对线上节点对应的线上用户的线上身份特征属于一类特征的线上节点进行连边，构建线上节点网络，线上用户的线上身份特征不属于同一类特征的线上节点不能进行连边。
在本申请实施例中，例如，线上用户A具有两个线上节点：线上节点1和线上节点2，线上节点1用于指示线上用户A点赞视频类型为A的线上身份特征，线上节点2用于指示线上用户A评论视频类型为B的线上身份特征；线上用户B具有两个线上节点：线上节点3和线上节点4，线上节点3用于指示线上用户A点赞视频类型为A的线上身份特征，线上节点4用于指示线上用户B收藏视频类型为A的线上身份特征；线上用户C具有两个线上节点：线上节点5和线上节点6，线上节点5用于指示线上用户C评论视频类型为B的线上身份特征，线上节点6用于指示线上用户C收藏视频类型为A的线上身份特征，则线上节点1和线上节点3以点赞视频类型为A的线上身份特征进行连边，线上节点2和线上节点5以评论视频类型为B的线上身份特征进行连边，线上节点4和线上节点6以收藏视频类型为A的线上身份特征进行连边，形成线上节点网络，图2A示出了线上节点网络的结构示意图，具体的连边方式以实际的节点属性为准，本申请不做限制。
S12：对线上节点网络中的每个线上节点聚合邻居节点，得到新的线上节点，新的线上节点为每个线上节点的邻居节点的集合。
具体地，线上节点网络中的每个线上节点是线上用户的特征向量，聚合邻居节点的过程是将邻居节点的特征信息汇聚至该线上节点的过程，聚合公式为
Figure BDA0002681401530000141
Figure BDA0002681401530000142
为聚合邻居节点之后得到的新的线上节点，
Figure BDA0002681401530000143
为聚合前的邻居节点，Ni代表每个线上节点的邻居节点，W为权重矩阵，一般由经验人为设置，σ为非线性激活函数。
S13：根据多个新的线上节点重新构建线上节点网络。
具体地，对多个新的线上节点按照S11中构建线上节点网络的方法重新构建线上节点网络，与S11不同之处在于，S11中线上用户的线上身份特征属于一类特征的线上节点均要进行连边，对所有的线上身份特征均要进行节点的连边，而本次构建线上节点网络，选择所有线上身份特征中的一种或几种，对属于该类线上身份特征对应的线上节点进行连边。
S14：对重新构建的线上节点网络中的线上节点进行聚类，得到多个线上聚类簇，一个线上聚类簇内线上节点的节点属性相同，不同线上聚类簇内线上节点的节点属性不相同。
具体地，线上节点具有节点属性，线上节点的节点属性与该线上节点对应的线上用户的线上身份特征对应，将节点属性相同的节点进行聚类，得到多个线上聚类簇，每个线上聚类簇内的线上节点的节点属性相同，不同线上聚类簇内的线上节点的节点属性不相同。由于每个线上用户具有至少一个身份信息，每个线上用户根据其线上身份特征具有至少一个线上节点，以节点属性进行聚类，每个线上用户处于至少一个线上聚类簇中。
在本申请实施例中，例如，线上聚类簇1中的节点属性为点赞视频类型为A，线上聚类簇2中的节点属性为点赞视频类型为B，线上聚类簇3中的节点属性为评论视频类型为A，线上聚类簇4的节点属性为评论视频类型为B，线上聚类簇5的节点属性为收藏视频类型为A，线上聚类簇6的节点属性为收藏视频类型为B，因此，线上节点1和线上节点3处于线上聚类簇1中，线上节点2和线上节点5处于线上聚类簇4中，线上节点4处于线上聚类簇5中，从而，线上用户A分别处于线上聚类簇1和线上聚类簇4中，线上用户B分别处于线上聚类簇1和线上聚类簇5中，线上用户C处于线上聚类簇4中。
进一步的，上述S13包括：将多个新的线上节点，分别按照预先设置的多个线上节点属性进行连边，得到重新构建的线上节点网络，重新构建的线上节点网络中同一连边上的线上节点对应同一线上节点属性。
具体地，线上节点的节点属性与该线上节点对应的线上用户的线上身份特征对应，预先设置的线上节点属性为人为设置的所有线上用户的线上身份特征对应的节点属性中的至少一种，例如仅以点赞视频类型，或/和，评论视频类型对节点进行连边。具体选择何种节点属性进行连边，以实际需要为准，本申请不做限制。
在上述图1所示示的线上线下身份匹配方法的基础上，本申请实施例还提供一种上述S2可能的实现方式。图3示出了本申请实施例的一种线上线下身份匹配方法的流程示意图，参考图3，上述步骤S2还包括：
S21：将线下用户集群，以预设的多种线下身份特征作为线下节点，构建线下节点网络。
具体地，线下用户集群中的每个线下用户具有至少一个身份信息，对线下用户的每个身份信息进行特征识别，以节点指示线下用户的线下身份特征，每个线下用户的一个身份信息对应一个线下节点，对线下节点对应的线下用户的线上身份特征属于一类特征的线下节点进行连边，构建线下节点网络，线下用户的线下身份特征不属于同一类特征的线下节点不能进行连边。
在本申请实施例中，例如，线下用户A具有两个线下节点：线下节点1和线下节点2，线上节点1下用于指示线下用户A的职业为a的线下身份特征，线下节点2用于指示线下用户A的居住小区为b的线下身份特征；线下用户B具有两个线下节点：线下节点3和线下节点4，线下节点3用于指示线下用户B的居住小区为b的线下身份特征，线下节点4用于指示线下用户B的学校为a的线下身份特征；线下用户C具有两个线下节点：线下节点5和线下节点6，线下节点5用于指示线下用户C的职业为a的线下身份特征，线下节点6用于指示线下用户C的学校为c的线下身份特征，则线下节点1和线下节点5以职业为a的线下身份特征进行连边，线下节点2和线下节点3以居住小区为b的线下身份特征进行连边，线下节点4和线下节点6以学校为a的线下身份特征进行连边，形成线下节点网络，图3A示出了线下节点网络的结构示意图，具体的连边方式以实际的节点属性为准，本申请不做限制。
S22：对线下节点网络中的每个线下节点聚合邻居节点，得到新的线下节点，新的线下节点为每个线下节点的邻居节点的集合。
具体地，线下节点网络中的每个线下节点是线下用户的特征向量，聚合邻居节点的过程是将邻居节点的特征信息汇聚至该线下节点的过程，具体地聚合邻居节点的方法与S12中线上节点的聚合方式相同，在此不做赘述。
S23：根据多个新的线下节点重新构建线下节点网络。
具体地，对多个新的线下节点重新构建线下节点网络的方式与S13中根据多个新的线上节点重新构建线上节点网络的方式相同，在此不做赘述。
S24：对重新构建的线下节点网络中的线下节点进行聚类，得到多个线下聚类簇，一个线下聚类簇内线下节点的节点属性相同，不同线下聚类簇内线下节点的节点属性不相同。
具体地，线下节点具有节点属性，线下节点的节点属性与该线下节点对应的线下用户的线上身份特征对应，将节点属性相同的节点进行聚类，得到多个线下聚类簇，每个线下聚类簇内的线下节点的节点属性相同，不同线下聚类簇内的线下节点的节点属性不相同。由于每个线下用户具有至少一个身份信息，每个线下用户根据其线下身份特征具有至少一个线下节点，以节点属性进行聚类，每个线下用户处于至少一个线下聚类簇中。
在本申请实施例中，例如，线下聚类簇1中的节点属性为职业为a，线下聚类簇2中的节点属性为职业为b，线下聚类簇3中的节点属性为居住小区为a，线下聚类簇4的节点属性为居住小区为b，线下聚类簇5的节点属性为学校为a，线下聚类簇6的节点属性为学校为b，因此，线下节点1和线下节点5处于线下聚类簇1中，线下节点2和线下节点3处于线下聚类簇4中，线下节点4处于线下聚类簇5中，从而，线下用户A分别处于线下聚类簇1和线下聚类簇4中，线下用户B分别处于线下聚类簇4和线下聚类簇5中，线下用户C处于线下聚类簇1中。
进一步的，上述S23包括：将多个所述新的线下节点，分别按照预先设置的多下线上节点属性进行连边，得到所述重新构建的线下节点网络，所述重新构建的线下节点网络中同一连边上的线下节点对应同一线下节点属性。
具体地，线下节点的节点属性与该线下节点对应的线下用户的线下身份特征对应，预先设置的线下节点属性为人为设置的所有线下用户的线下身份特征对应的节点属性中的至少一种，例如仅以职业，或/和，居住小区对节点进行连边。具体选择何种节点属性进行连边，以实际需要为准，本申请不做限制。
进一步的，上述S3包括：根据第一节点所在的线上聚类簇和第二节点所在的线下聚类簇中已知身份匹配的节点，确定第一节点所在的线上聚类簇和第二节点所在的线下聚类簇的距离。
具体的，第一节点所在的线上聚类簇中和第二节点所在的线下聚类簇中具有n个线上用户与n个线下用户身份已经匹配，这n个线上用户在线上聚类簇的节点向量及所在线上聚类簇的簇中心节点向量已知，这n个线下用户在线下聚类簇的节点向量及所在线下聚类簇的簇中心节点向量已知，计算这n个线上用户的线上节点向量与所在线上聚类簇的簇中心节点向量的距离矩阵C1，计算这n个线下用户的线下节点向量与所在线下聚类簇的簇中心节点向量的距离矩阵C2，则该线上聚类簇和线下聚类簇的距离为
Figure BDA0002681401530000191
在一种可能的实施例中，待匹配的线上用户对应的线上节点包括p个线上节点，对应p个线上聚类簇；待匹配的线下用户对应的线下节点包括q个线下节点，对应q个线下聚类簇；则p个线上聚类簇和q个线下聚类簇的距离为
Figure BDA0002681401530000192
Spq为第p个线上聚类簇到第q个线下聚类簇的距离。
本申请实施例还提供一种上述根据第一节点所在的线上聚类簇和第二节点所在的线下聚类簇中已知身份匹配的节点，确定第一节点所在的线上聚类簇和第二节点所在的线下聚类簇的距离的可能实现方式。图4示出了本申请实施例的一种线上线下身份匹配方法的流程示意图，如图4所示，根据第一节点所在的线上聚类簇和第二节点所在的线下聚类簇中已知身份匹配的节点，确定第一节点所在的线上聚类簇和第二节点所在的线下聚类簇的距离，包括：
S31：确定已知身份匹配的每个线上用户在所述第一节点所在的线上聚类簇中对应的线上节点，和第一节点所在的线上聚类簇的簇中心的第一距离。
具体的，第1个线上用户与簇中心的距离为
Figure BDA0002681401530000201
第n个线上用户与簇中心的距离为
Figure BDA0002681401530000202
S32：确定已知身份匹配的每个线下用户在所述第二节点所在的线下聚类簇中对应的线下节点，和第二节点所在的线下聚类簇的簇中心的第二距离。
具体的，第1个线下用户与簇中心的距离为
Figure BDA0002681401530000203
第n个线下用户和簇中心的距离为
Figure BDA0002681401530000204
S33：根据至少一个线上用户对应的第一距离，和至少一个线下用户对应的第二距离，计算第一节点所在的线上聚类簇和第二节点所在的线下聚类簇的距离。
具体的，对于n个身份匹配的线上用户和线下用户，n个线上用户对应的第一距离为距离矩阵
Figure BDA0002681401530000205
n个线下用户对应的第二距离为距离矩阵
Figure BDA0002681401530000206
在一种可能的实施例中，待匹配的线上用户包括p个对应的线上节点，对应p个线上聚类簇，第p个线上节点与第p个线上聚类簇的簇中心距离为
Figure BDA0002681401530000207
p个线上节点与p个线上聚类簇的簇中心距离矩阵
Figure BDA0002681401530000208
待匹配的线下用户包括q个对应的线下节点，对应q个线下聚类簇，第q个线下节点与第q个线下聚类簇的簇中心距离为
Figure BDA0002681401530000211
q个线下节点与q个线下聚类簇的簇中心距离矩阵
Figure BDA0002681401530000212
p个线上节点与p个线上聚类簇的簇中心距离矩阵D1、q个线下节点与q个线下聚类簇的簇中心距离矩阵D2、簇之间距离矩阵S输入至预先训练的身份模型进行处理，得到节点p的矩阵向量Rp＝S·D1·D2，节点q的矩阵向量
Figure BDA0002681401530000213
根据节点p的矩阵向量和节点q的矩阵向量得到关于待匹配的线上用户和线下用户是否身份匹配的结果。
综上所述，本申请实施例提供一种线上线下身份匹配方法，通过对线上用户、线下用户分别进行网络学习其特征向量，并根据不同的线上身份特征、线下身份特征对线上用户和线下用户的特征向量进行聚类，通过深度学习模型对线上线下用户进行身份匹配，能够准确给出线上用户和线下用户身份匹配的概率。
下述对用以执行的本申请所提供的线上线下身份匹配方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图5示出了本申请实施例提供的一种线上线下身份匹配装置的结构示意图，如图5所示，该线上线下身份匹配装置包括：
第一聚类模块100，用于对线上用户集群进行聚类，得到多个线上聚类簇，其中，每个线上聚类簇中的一个节点用于指示一个线上用户的一个线上身份特征；
第二聚类模块200，用于对线下用户集群进行聚类，得到多个线下聚类簇，其中，每个线下聚类簇中的一个节点用于指示一个线下用户的一个线下身份特征；
计算模块300，用于确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离；
判断模块400，用于根据所述第一节点的簇中心距离、所述第二节点的簇中心距离，以及所述簇之间距离，采用预先训练的身份模型进行处理，得到所述第一节点与所述第二节点的身份匹配结果；所述身份匹配结果用于指示所述第一节点对应的线上用户和所述第二节点对应的线下用户是否匹配。
在一种具体实施方式中，该第一聚类模块100包括：
第一网络子模块：用于将所述线上用户集群，以预设的多种线上身份特征作为线上节点，构建线上节点网络；
第一聚合子模块，用于对所述线上节点网络中的每个线上节点聚合邻居节点，得到新的线上节点，所述新的线上节点为所述每个线上节点的邻居节点的集合；
第二网络子模块，用于根据多个所述新的线上节点重新构建线上节点网络；
第一聚类子模块，用于对所述重新构建的线上节点网络中的线上节点进行聚类，得到所述多个线上聚类簇，一个线上聚类簇内线上节点的节点属性相同，不同线上聚类簇内线上节点的节点属性不相同。
在一种具体实施方式中，该第二聚类模块200包括：
第三网络子模块，用于将所述线下用户集群，以预设的多种线下身份特征作为线下节点，构建线下节点网络；
第二聚合子模块，用于对所述线下节点网络中的每个线下节点聚合邻居节点，得到新的线下节点，所述新的线下节点为所述每个线下节点的邻居节点的集合；
第四网络子模块，用于根据多个所述新的线下节点重新构建线下节点网络；
第二聚类子模块，用于对所述重新构建的线下节点网络中的线下节点进行聚类，得到所述多个线下聚类簇，一个线下聚类簇内线下节点的节点属性相同，不同线下聚类簇内线下节点的节点属性不相同。
在一种具体实施方式中，第四网络构建子模块具体用于将多个所述新的线下节点，分别按照预先设置的多下线上节点属性进行连边，得到所述重新构建的线下节点网络，所述重新构建的线下节点网络中同一连边上的线下节点对应同一线下节点属性。
在一种具体实施方式中，计算模块300具体用于根据所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇中已知身份匹配的节点，确定所述第一节点所在线下聚类簇和所述第二节点所在的线下聚类簇的距离。
在一种具体实施方式中，计算模块300具体用于确定已知身份匹配的每个线上用户在所述第一节点所在的线上聚类簇中对应的线上节点，和所述第一节点所在的线上聚类簇的簇中心的第一距离；确定已知身份匹配的每个线下用户在所述第二节点所在的线下聚类簇中对应的线下节点，和所述第二节点所在的线下聚类簇的簇中心的第二距离；根据至少一个线上用户对应的所述第一距离，和至少一个线下用户对应的所述第二距离，计算所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图6为本申请实施例提供的计算机设备的示意图，该计算机设备500包括：存储器501、处理器502。存储器501和处理器502通过总线连接。
存储器501用存储有处理器502可执行的计算机程序，处理器502调用存储器501存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种存储介质，存储介质上存储有计算机程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种线上线下身份匹配方法，其特征在于，所述方法包括：
对线上用户集群进行聚类，得到多个线上聚类簇，其中，每个线上聚类簇中的一个节点用于指示一个线上用户的一个线上身份特征；
对线下用户集群进行聚类，得到多个线下聚类簇，其中，每个线下聚类簇中的一个节点用于指示一个线下用户的一个线下身份特征；
确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离；
根据所述第一节点的簇中心距离、所述第二节点的簇中心距离，以及所述簇之间距离，采用预先训练的身份匹配模型进行处理，得到所述第一节点与所述第二节点的身份匹配结果；其中，所述第一节点的簇中心距离为所述第一节点与所述第一节点所在的线上聚类簇的中心之间的距离，所述第二节点的簇中心距离为所述第二节点与所述第二节点所在的线上聚类簇中心之间的距离；所述身份匹配结果用于指示所述第一节点对应的线上用户和所述第二节点对应的线下用户是否匹配。
2.根据权利要求1所述的方法，其特征在于，所述对线上用户集群进行聚类，得到多个线上聚类簇，包括：
将所述线上用户集群，以预设的多种线上身份特征作为线上节点，构建线上节点网络；
对所述线上节点网络中的每个线上节点聚合邻居节点，得到新的线上节点，所述新的线上节点为所述每个线上节点的邻居节点的集合；
根据多个所述新的线上节点重新构建线上节点网络；
对所述重新构建的线上节点网络中的线上节点进行聚类，得到所述多个线上聚类簇，一个线上聚类簇内线上节点的节点属性相同，不同线上聚类簇内线上节点的节点属性不相同。
3.根据权利要求2所述的方法，其特征在于，所述根据多个所述新的线上节点重新构建线上节点网络，包括：
将多个所述新的线上节点，分别按照预先设置的多个线上节点属性进行连边，得到所述重新构建的线上节点网络，所述重新构建的线上节点网络中同一连边上的线上节点对应同一线上节点属性。
4.根据权利要求1所述的方法，其特征在于，所述对线下用户集群进行聚类，得到多个线下聚类簇，包括：
将所述线下用户集群，以预设的多种线下身份特征作为线下节点，构建线下节点网络；
对所述线下节点网络中的每个线下节点聚合邻居节点，得到新的线下节点，所述新的线下节点为所述每个线下节点的邻居节点的集合；
根据多个所述新的线下节点重新构建线下节点网络；
对所述重新构建的线下节点网络中的线下节点进行聚类，得到所述多个线下聚类簇，一个线下聚类簇内线下节点的节点属性相同，不同线下聚类簇内线下节点的节点属性不相同。
5.根据权利要求4所述的方法，其特征在于，所述根据多个所述新的线下节点重新构建线下节点网络，包括：
将多个所述新的线下节点，分别按照预先设置的多下线上节点属性进行连边，得到所述重新构建的线下节点网络，所述重新构建的线下节点网络中同一连边上的线下节点对应同一线下节点属性。
6.根据权利要求1-5任一所述的方法，其特征在于，所述确定预设的第一节点所在线下聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离，包括：
根据所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇中已知身份匹配的节点，确定所述第一节点所在线下聚类簇和所述第二节点所在的线下聚类簇的距离。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇中已知身份匹配的节点，确定所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离，包括：
确定已知身份匹配的每个线上用户在所述第一节点所在的线上聚类簇中对应的线上节点，和所述第一节点所在的线上聚类簇的簇中心的第一距离；
确定已知身份匹配的每个线下用户在所述第二节点所在的线下聚类簇中对应的线下节点，和所述第二节点所在的线下聚类簇的簇中心的第二距离；
根据至少一个线上用户对应的所述第一距离，和至少一个线下用户对应的所述第二距离，计算所述第一节点所在的线上聚类簇和所述第二节点所在的线下聚类簇的距离。
8.一种线上线下身份匹配装置，其特征在于，所述装置包括：
第一聚类模块，用于对线上用户集群进行聚类，得到多个线上聚类簇，其中，每个线上聚类簇中的一个节点用于指示一个线上用户的一个线上身份特征；
第二聚类模块，用于对线下用户集群进行聚类，得到多个线下聚类簇，其中，每个线下聚类簇中的一个节点用于指示一个线下用户的一个线下身份特征；
计算模块，用于确定预设的第一节点所在的线上聚类簇与预设的第二节点所在的线下聚类簇的簇之间距离；
判断模块，用于根据所述第一节点的簇中心距离、所述第二节点的簇中心距离，以及所述簇之间距离，采用预先训练的身份模型进行处理，得到所述第一节点与所述第二节点的身份匹配结果；所述身份匹配结果用于指示所述第一节点对应的线上用户和所述第二节点对应的线下用户是否匹配。
9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的线上线下身份匹配方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-7任一项所述的线上线下身份匹配方法。
CN202010964254.0A 2020-09-14 2020-09-14 线上线下身份匹配方法、装置、设备及存储介质 Active CN112085114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010964254.0A CN112085114B (zh) 2020-09-14 2020-09-14 线上线下身份匹配方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010964254.0A CN112085114B (zh) 2020-09-14 2020-09-14 线上线下身份匹配方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112085114A true CN112085114A (zh) 2020-12-15
CN112085114B CN112085114B (zh) 2024-07-12

Family

ID=73736328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010964254.0A Active CN112085114B (zh) 2020-09-14 2020-09-14 线上线下身份匹配方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112085114B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030110181A1 (en) * 1999-01-26 2003-06-12 Hinrich Schuetze System and method for clustering data objects in a collection
US20120284275A1 (en) * 2011-05-02 2012-11-08 Srinivas Vadrevu Utilizing offline clusters for realtime clustering of search results
US8626835B1 (en) * 2010-10-21 2014-01-07 Google Inc. Social identity clustering
CN104462318A (zh) * 2014-12-01 2015-03-25 国家电网公司 一种多网络中相同人名的身份识别方法及装置
US20150156208A1 (en) * 2013-12-02 2015-06-04 Airbnb, Inc. Identity and Trustworthiness Verification Using Online and Offline Components
US20160117595A1 (en) * 2013-07-11 2016-04-28 Huawei Technologies Co., Ltd. Information recommendation method and apparatus in social media
CN107741953A (zh) * 2017-09-14 2018-02-27 平安科技（深圳）有限公司 社交平台用户的现实关系匹配方法、装置及可读存储介质
CN108280368A (zh) * 2018-01-22 2018-07-13 北京腾云天下科技有限公司 一种线上数据和线下数据的关联方法及计算设备
CN108763466A (zh) * 2018-05-29 2018-11-06 武汉大学 基于位置实体的跨媒体用户身份匹配方法
CN109241202A (zh) * 2018-09-11 2019-01-18 杭州飞弛网络科技有限公司 一种基于聚类的陌生人社交用户匹配方法和系统
WO2019080404A1 (zh) * 2017-10-25 2019-05-02 平安科技（深圳）有限公司 跨社交平台用户匹配方法、数据处理装置及可读存储介质
CN110443300A (zh) * 2019-08-01 2019-11-12 北京知呱呱科技服务有限公司 一种聚类算法中簇数量确定方法、系统、设备及存储介质
CN110533085A (zh) * 2019-08-12 2019-12-03 大箴(杭州)科技有限公司 同人识别方法及装置、存储介质、计算机设备
WO2019232891A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 用户画像获取方法、装置、计算机设备以及存储介质
CN111259931A (zh) * 2020-01-09 2020-06-09 支付宝(杭州)信息技术有限公司 一种用户分组以及活跃度确定方法及系统
CN111459922A (zh) * 2020-02-17 2020-07-28 平安科技（深圳）有限公司 用户识别方法、装置、设备及存储介质
CN111553390A (zh) * 2020-04-09 2020-08-18 深圳壹账通智能科技有限公司 用户分类方法、装置、计算机设备和存储介质
CN111599346A (zh) * 2020-05-19 2020-08-28 科大讯飞股份有限公司 一种说话人聚类方法、装置、设备及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030110181A1 (en) * 1999-01-26 2003-06-12 Hinrich Schuetze System and method for clustering data objects in a collection
US8626835B1 (en) * 2010-10-21 2014-01-07 Google Inc. Social identity clustering
US20120284275A1 (en) * 2011-05-02 2012-11-08 Srinivas Vadrevu Utilizing offline clusters for realtime clustering of search results
US20160117595A1 (en) * 2013-07-11 2016-04-28 Huawei Technologies Co., Ltd. Information recommendation method and apparatus in social media
US20150156208A1 (en) * 2013-12-02 2015-06-04 Airbnb, Inc. Identity and Trustworthiness Verification Using Online and Offline Components
CN104462318A (zh) * 2014-12-01 2015-03-25 国家电网公司 一种多网络中相同人名的身份识别方法及装置
CN107741953A (zh) * 2017-09-14 2018-02-27 平安科技（深圳）有限公司 社交平台用户的现实关系匹配方法、装置及可读存储介质
WO2019080404A1 (zh) * 2017-10-25 2019-05-02 平安科技（深圳）有限公司 跨社交平台用户匹配方法、数据处理装置及可读存储介质
CN108280368A (zh) * 2018-01-22 2018-07-13 北京腾云天下科技有限公司 一种线上数据和线下数据的关联方法及计算设备
CN108763466A (zh) * 2018-05-29 2018-11-06 武汉大学 基于位置实体的跨媒体用户身份匹配方法
WO2019232891A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 用户画像获取方法、装置、计算机设备以及存储介质
CN109241202A (zh) * 2018-09-11 2019-01-18 杭州飞弛网络科技有限公司 一种基于聚类的陌生人社交用户匹配方法和系统
CN110443300A (zh) * 2019-08-01 2019-11-12 北京知呱呱科技服务有限公司 一种聚类算法中簇数量确定方法、系统、设备及存储介质
CN110533085A (zh) * 2019-08-12 2019-12-03 大箴(杭州)科技有限公司 同人识别方法及装置、存储介质、计算机设备
CN111259931A (zh) * 2020-01-09 2020-06-09 支付宝(杭州)信息技术有限公司 一种用户分组以及活跃度确定方法及系统
CN111459922A (zh) * 2020-02-17 2020-07-28 平安科技（深圳）有限公司 用户识别方法、装置、设备及存储介质
CN111553390A (zh) * 2020-04-09 2020-08-18 深圳壹账通智能科技有限公司 用户分类方法、装置、计算机设备和存储介质
CN111599346A (zh) * 2020-05-19 2020-08-28 科大讯飞股份有限公司 一种说话人聚类方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
杨奕卓;于洪涛;黄瑞阳;刘正铭;: "基于融合表示学习的跨社交网络用户身份匹配", 计算机工程 *
杨奕卓;于洪涛;黄瑞阳;刘正铭;: "基于融合表示学习的跨社交网络用户身份匹配", 计算机工程, no. 09, 15 September 2018 (2018-09-15), pages 51 - 57 *
郑束蕾;杨春雷;李瑛;王成舜;: "基于聚类分析和判别分析的地图用户分类研究", 测绘与空间地理信息 *
郑束蕾;杨春雷;李瑛;王成舜;: "基于聚类分析和判别分析的地图用户分类研究", 测绘与空间地理信息, no. 04, 25 April 2015 (2015-04-25), pages 24 - 26 *

Also Published As

Publication number Publication date
CN112085114B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN110472090B (zh) 基于语义标签的图像检索方法以及相关装置、存储介质
CN107066616B (zh) 用于账号处理的方法、装置及电子设备
CN111931062A (zh) 一种信息推荐模型的训练方法和相关装置
CN111667022A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN113435509B (zh) 基于元学习的小样本场景分类识别方法及系统
CN112231592B (zh) 基于图的网络社团发现方法、装置、设备以及存储介质
CN109766454A (zh) 一种投资者分类方法、装置、设备及介质
CN111259952A (zh) 异常用户识别方法、装置、计算机设备及存储介质
CN113407784A (zh) 一种基于社交网络的社团划分方法、系统及存储介质
CN111090807A (zh) 一种基于知识图谱的用户识别方法及装置
CN116303963A (zh) 智慧ai平台的用户反馈分析方法及系统
CN111475744A (zh) 一种基于集成学习的个性化位置推荐方法
Jeyasudha et al. An intelligent centrality measures for influential node detection in COVID-19 environment
CN111667018A (zh) 一种对象聚类的方法、装置、计算机可读介质及电子设备
CN112085114A (zh) 线上线下身份匹配方法、装置、设备及存储介质
CN113705247B (zh) 主题模型效果评估方法、装置、设备、存储介质和产品
CN113807370A (zh) 数据处理方法、装置、设备、存储介质及计算机程序产品
CN111784381B (zh) 基于隐私保护和som网络的电力客户细分方法及系统
CN112950222A (zh) 资源处理异常检测方法、装置、电子设备及存储介质
Luo et al. Fréchet-Statistics-Based Change Point Detection in Dynamic Social Networks
CN113516524A (zh) 用于推送信息的方法和装置
CN115712837A (zh) 数据处理方法、装置、电子设备及存储介质
CN112488767B (zh) 一种客户群体划分方法及装置
CN113468389B (zh) 一种基于特征序列比对的用户画像建立方法和装置
CN116541611A (zh) 一种面向社交网的网络传销团体检测方法和系统

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
CB02 Change of applicant information

Country or region after: China

Address after: 310000 room 1408, building 2, Caizhi Shunfeng innovation center, No. 99, housheng street, Gongshu District, Hangzhou City, Zhejiang Province

Applicant after: HANGZHOU CHINAOLY TECHNOLOGY CO.,LTD.

Address before: 2 / F, building A04, 9 Jiusheng Road, Jianggan District, Hangzhou City, Zhejiang Province 310000

Applicant before: HANGZHOU CHINAOLY TECHNOLOGY CO.,LTD.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant