CN112163571B - 电子设备使用者的属性识别方法、装置、设备及存储介质 - Google Patents
电子设备使用者的属性识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112163571B CN112163571B CN202011182516.4A CN202011182516A CN112163571B CN 112163571 B CN112163571 B CN 112163571B CN 202011182516 A CN202011182516 A CN 202011182516A CN 112163571 B CN112163571 B CN 112163571B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- equipment
- stress
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 131
- 230000008859 change Effects 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 126
- 238000012549 training Methods 0.000 claims description 59
- 238000003062 neural network model Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 13
- 230000001537 neural effect Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000003825 pressing Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 206010012335 Dependence Diseases 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241000792765 Minous Species 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000015041 syndromic microphthalmia 10 Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种电子设备使用者的属性识别方法、装置、设备及存储介质,属于计算机技术领域。所述方法包括:获取电子设备在使用过程中产生的设备受力传感数据以及电子设备在使用过程中产生的用户操作行为数据;对设备受力传感数据进行受力变化特征的提取处理,以得到受力变化特征;对用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征;基于受力变化特征和使用者操作特征分别对应的时间戳标签,对受力变化特征和使用者操作特征进行特征融合识别处理,得到使用者的用户属性。本申请通过采集设备受力传感数据和用户操作行为数据,得出设备的受力变化特征和使用者操作特征以判断用户属性,提升属性识别准确度,降低识别复杂度。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种电子设备使用者的属性识别方法、装置、设备及存储介质。
背景技术
随着计算机与互联网技术的发展,未成年人沉迷网络游戏、过度消费等现象值得高度关注。
相关技术中,往往采取实名认证等技术手段识别未成年用户。在实名认证方式下,用户需要输入身份证进行实名认证,实名认证依赖用户输入身份证信息,未成人常常偷偷拿父母的身份证进行认证。
通过相关技术进行未成年用户识别,往往识别准确度低。
发明内容
本申请实施例提供了一种电子设备使用者的属性识别方法、装置、设备及存储介质,能够提高用户属性识别的准确度。所述技术方案如下:
根据本申请实施例的一个方面,提供了一种电子设备使用者的属性识别方法,所述方法包括:
获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据;其中,所述设备受力传感数据用于反映所述电子设备的受力状态,所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作;
对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,所述受力变化特征用于反映所述电子设备的受力变化情况;
对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况;
基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签,对所述受力变化特征和所述使用者操作特征进行特征融合识别处理,得到所述使用者的用户属性。
根据本申请实施例的一个方面,提供了一种电子设备使用者的属性识别装置,所述装置包括:
数据获取模块,获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据;其中,所述设备受力传感数据用于反映所述电子设备的受力状态,所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作;
传感特征提取模块,用于对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,所述受力变化特征用于反映所述电子设备的受力变化情况;
操作行为分析模块,用于对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况;
用户属性确定模块,用于基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签,对所述受力变化特征和所述使用者操作特征进行特征融合识别处理,得到所述使用者的用户属性。
根据本申请实施例的一个方面,提供了一种计算机设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述电子设备使用者的属性识别方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述电子设备使用者的属性识别方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,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电子设备使用者的属性识别方法。
本申请实施例提供的技术方案可以带来如下有益效果:
通过采集两方面的数据来识别用户属性,一是设备受力传感数据,二是用户执行操作数据,从设备受力传感数据中可以得知设备的受力变化情况,从用户执行操作数据可以得知使用者在设备上的操作执行情况,用户年龄、用户性别以及用户机型等用户属性上的差异都会在设备受力传感数据和用户执行操作数据产生一定的特征,这是无法刻意避开的操作使用特点,因此可根据受力变化情况以及操作执行情况判断用户属性,能够在很大程度上提升用户属性识别的准确度。
并且,本申请实施例提供的技术方案无需再进行额外的识别,很大程度上降低识别复杂度,更无需用户配合,提升应用对用户的友好性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的应用程序运行环境的示意图;
图2是本申请一个实施例提供的电子设备使用者的属性识别方法的流程图;
图3示例性示出了一种生成左/右操作数据序列的示意图;
图4示例性示出了一种特征提取处理的示意图;
图5是本申请一个实施例提供的设备受力传感数据和用户操作行为数据的采集方法的流程图;
图6示例性示出了一种控制数据记录的数据格式的示意图;
图7是本申请一个实施例提供的未成年用户识别系统的工作示意图;
图8是本申请一个实施例提供的用户属性预测模型的训练方法的流程图;
图9示例性示出了一生成式对抗网络的示意图;
图10是本申请一个实施例提供的电子设备使用者的属性识别装置的框图;
图11是本申请另一个实施例提供的电子设备使用者的属性识别装置的框图;
图12是本申请一个实施例提供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。
首先,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
未成年防沉迷系统:青少年沉迷网络游戏的主要诱因是大多数网络游戏都设置了经验值增长和虚拟物品奖励功能,需要获得上述奖励,主要靠长时间在线累计获得,因而导致部分青少年沉迷其中。网络游戏防沉迷系统就是针对上述未成年人沉迷网络游戏的诱因,利用技术手段对未成年人在线游戏时间予以限制。
传感器:主要指加速传感器,陀螺仪,重力传感器等智能设备所拥有的传感器。
梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC):在声音处理领域中,梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(melscale)的对数能量频谱的线性变换。梅尔频率倒谱系数就是组成梅尔频率倒谱的系数。
神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。
神经网络可以是由神经单元(简称“神经元”)组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,W为权重,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为G和D。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
损失函数。在训练深度神经网络的过程中,因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有过程,即为深度神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
反向传播算法,神经网络可以采用误差反向传播(Back Propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
本申请技术方案涉及人工智能技术领域,下面对此进行介绍说明。
AI(Artificial Intelligence,人工智能)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
ML(Machine Learning,机器学习)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术的研究和进步,人工智能技术在多个领域展开研究和应用,下述应用程序运行环境中的计算机设备,可以设置有基于AI技术训练的用户属性识别模块,可以执行本申请提供的电子设备使用者的属性识别方法,能够提高用户属性识别的准确度。
请参考图1,其示出了本申请一个实施例提供的应用程序运行环境的示意图。该应用程序运行环境可以包括:终端10和服务器20。
终端10可以是诸如手机、平板电脑、游戏主机、多媒体播放设备、可穿戴设备、PC(Personal Computer,个人计算机)、手持便携式游戏设备等电子设备。终端10中可以安装应用程序的客户端。
在本申请实施例中,上述应用程序可以是具有娱乐功能的应用程序,例如任何能够提供虚拟环境,以供用户代入和操作的虚拟对象在该虚拟环境中进行活动的应用程序。典型地,该应用程序为游戏应用程序,如第三人称射击游戏(Third-Personal ShootingGame,TPS)、第一人称射击游戏(First-Person Shooting Game,FPS)、多人在线战术竞技(Multiplayer Online Battle Arena,MOBA)游戏、大逃杀生存(Battle Royale,BR)游戏和多人枪战类生存游戏,等等。当然,除了游戏应用程序之外,其它类型的应用程序中也可以向用户展示虚拟对象,并给虚拟对象提供相应的功能。例如,虚拟现实(Virtual Reality,VR)类应用程序、增强现实(Augmented Reality,AR)类应用程序、三维地图程序、仿真程序、社交类应用程序、互动娱乐类应用程序等,本申请实施例对此不作限定。对于未成年用户,往往需要限制未成年用户使用上述娱乐性较强的应用程序。为了实现限制未成年用户使用的功能,需要先识别用户是否是未成年用户,因此相关应用程序采取包括实名认证、人脸识别、大数据画像或者语音识别的方法去识别未成年用户,并且限制未成年人的使用时长、添加付费功能,来达到防止未成年用户沉迷娱乐性应用的目的。实名认证的方式需要用户输入身份证进行实名认证,未成人常常偷偷拿父母的身份证进行认证。人脸识别的方式要求用户进行人脸识别,在游戏结束后进行检测,体验较差同时存在滞后性。大数据画像通过收集多个维度的用户数据,使用一些规则进行大数据画像,准确度较低。语音识别通过游戏过程中收集用户语音信息,才用机器学习或者深度学习的模型进行预测是否为为成年人。可选地,终端10中运行有上述应用程序的客户端。在一些实施例中,上述应用程序是基于三维的虚拟环境引擎开发的应用程序,比如该虚拟环境引擎是Unity引擎,该虚拟环境引擎能够构建三维的虚拟环境、虚拟对象和虚拟道具等,给用户带来更加沉浸式的游戏体验。
服务器20用于为终端10中的应用程序的客户端提供后台服务。例如,服务器20可以是上述应用程序的后台服务器。服务器20可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。可选地,服务器20同时为多个终端10中的应用程序提供后台服务。
可选地,终端10和服务器20之间可通过网络30进行互相通信。
本申请实施例提供的电子设备使用者的属性识别方法,各步骤的执行主体可以是服务器20,也可以是终端10(如终端10中运行的应用程序的客户端),还可以是由终端10和服务器20交互配合执行。为了便于说明,在下述方法实施例中,仅以各步骤的执行主体为计算机设备进行介绍说明,但对此不构成限定。
请参考图2,其示出了本申请一个实施例提供的电子设备使用者的属性识别方法的流程图。该方法可以包括以下几个步骤(201~204):
步骤201,获取电子设备在使用过程中产生的设备受力传感数据以及电子设备在使用过程中产生的用户操作行为数据。
设备受力传感数据用于反映设备的受力状态。设备受力传感数据是设备中的传感器在设备使用过程中采集到的数据。
可选地,设备受力传感数据包括加速度传感数据、角速度传感数据、重力传感数据以及对应的时间戳标签。上述加速度传感数据是加速传感器采集到的反映设备在不同维度上的加速度信息的数据。可选地,加速度传感数据包括加速传感器在坐标系中在x、y、z轴上的数值。上述角速度传感数据是陀螺仪采集到的反映设备在不同维度上的角速度的数据。可选地,角速度传感数据包括陀螺仪在坐标系中在x、y、z轴上的数值。上述重力传感数据是重力传感器采集到的反映设备所受重力在不同维度上的重力分量的数据。可选地,重力传感数据包括重力传感器在坐标系中在x、y、z轴上的数值。可选地,重力传感器数据用于消除加速度传感数据中由重力产生的加速度,从而可以得到用户施加的作用力的加速度,消除重力影响。
上述时间戳标签记录有设备传感器采集设备受力传感数据时的采集时间。
用户操作行为数据用于反映设备的使用者所执行的操作。用户操作行为数据是设备记录的使用者在人机交互过程中操控设备产生的操作数据,可以理解为设备接收到的操作命令信息。
可选地,用户操作行为数据包括操作触发位置数据、触控面积数据、触控压力数据以及对应的时间戳标签。
可选地,在设备具有触摸屏的情况下,操作触发位置包括触控位置,相应地,操作触发位置数据包括触屏坐标数据,即触屏位置在坐标系中在x、y轴上的坐标值。可选地,操作触发位置数据也包括光标触发位置数据,可以理解为用户通过鼠标或者遥控控制光标时光标在坐标系中的位置坐标数据。
触控面积数据反映用户作用于设备的触控面积大小。例如,用户手指与设备触摸屏之间的接触面积。
触控压力数据反映用户操作设备时对设备所受压力的大小。例如,设备触摸屏所受来自用户操作所产生的压力的大小。
本方案基于采集用户使用应用过程中的重力传感器,陀螺仪传感器,加速传感器,屏幕压感,屏幕按压面积,按压位置等数据,具有无感知及实时性好的特点。
在示例性实施例中,用户操作行为数据包括左操作序列与右操作序列。可选地,对用户操作行为数据中各操作触发位置的位置分布数据进行位置判定处理,将用户操作行为数据划分为左手操作数据与右手操作数据。
基于左手操作数据,得到左操作数据序列;基于右手操作数据,得到右操作数据序列。左手操作数据是用户左手操作设备产生的用户操作行为数据;右手操作数据是用户右手操作设备产生的用户操作行为数据。可选地,按照时间顺序及其数据分布,对左手操作数据进行排列,生成左操作数据序列。可选地,按照时间顺序,对右手操作数据进行排列,生成右操作数据序列。
在游戏场景下,大多数用户是使用左右手同时操作设备。例如,将智能手机横屏放置,左右手同时触控触摸屏进行操作。又例如,用户左手控制键盘,右手控制鼠标进行操作。此时有必要将用户操作行为数据划分为用户左手的操作数据与用户右手的操作数据。
在一个示例中,如图3所示,其示例性示出了一种生成左/右操作数据序列的示意图。图3(a)示出了三个数据切片的多指触屏操作数据序列的示意图,图3(b)示出了由三个切片合并的左操作序列以及右操作序列的示意图。其中,每个竖线30表示数据切片31的开始时刻,触屏操作数据包括多个触屏操作事件,例如点击操作事件32,长按操作事件33,图中坐标轴横轴表示时间,纵轴表示事件标号。按照触屏操作事件对应的操作触发位置坐标,可将触屏操作数据划分为图b中的左操作序列34与右操作序列35。
步骤202,对设备受力传感数据进行受力变化特征的提取处理,以得到受力变化特征。
可选地,对设备受力传感数据进行受力变化特征的提取处理,可以简单理解为提取设备受力传感数据的频域特征数据。
在示例性实施例中,对设备受力传感数据进行受力变化分析处理,得到设备受力传感数据的频域特征数据。受力变化分析处理是获取设备受力传感数据的频域信息,得到的频域特征数据用于反映设备受力传感数据的变化频率信息,频域特征数据包括设备受力传感数据对应的梅尔频率倒谱系数。
可选地,在特征提取处理之前,将陀螺仪在坐标系中在x、y、z轴上的数值转换为在球坐标系中各个维度上的数值,将陀螺仪在球坐标系中各个维度上的数值同样作为特征提取处理的数据基础。
可选地,以数据切片为单位,对设备受力传感数据进行特征提取处理。有关数据切片的详细介绍见下文实施例,此处可简单理解为一段时间内采集的设备受力传感数据。通过将设备受力传感数据进行离散傅里叶变换处理,得到设备受力传感数据的频域特征数据。可选地,频域特征数据包括加速度传感数据、角速度传感数据以及重力传感数据中在坐标系中各个维度的分量在频域上的特征数据。例如,对单个数据切片中加速度在x轴上的分量进行离散傅里叶变换处理,得到加速度在x轴上的分量的梅尔频率倒谱系数。
基于设备受力传感数据的频域特征数据执行向量生成处理,得到受力传感数据特征向量。可选地,向量生成处理用于将表示设备受力传感数据的频域信息的数据进行组合,放置于向量中的固定位置上,组合生成受力传感数据特征向量。受力传感数据特征向量用于表征设备的受力变化特征。受力变化特征用于反映设备的受力变化情况。
可选地,将不同类型的传感器采集的设备受力传感数据的频域特征数据进行组合,生成受力传感数据特征向量。不同类型的用户在操作设备时,设备的受力变化情况会有不同。例如,未成年用户操作设备时,设备的受力变化较快,在频率较高的频段上的频域特征数据分布要比成年用户密集。
步骤203,对用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征。
使用者操作行为的分析处理是指针对使用者操作行为产生的用户操作行为数据所进行的数据分析处理,用于提取用户操作行为数据反映使用者操作行为的特征。
使用者操作特征用于反映使用者在设备上的操作执行情况。使用者操作特征包括时域统计特征、频域统计特征和操作变换信息。
时域统计特征用于体现操作执行情况在时域上的特征,频域统计特征用于体现操作执行情况在频域上的特征。操作变换信息用于反映使用者执行的操作在不同触发位置之间的转移情况。
在示例性实施例中,分别在时域上和频域上对用户操作行为数据进行使用者操作行为的分析处理,以得到用户操作行为数据的时域统计特征和频域统计特征。
可选地,分别对用户操作行为数据进行时域统计特征的提取处理和频域统计特征的提取处理。获取用户操作行为数据的时域统计特征和频域统计特征。时域统计特征和频域统计特征分别在时域上和频域上体现操作触发位置的变化信息、操作发生时间的变化信息、操作接触面积的变化信息、操作产生压力的变化信息。
可选地,用户操作行为数据的时域统计特征包括但不限于操作触发位置坐标差、操作事件时间差、操作接触面积差、操作产生压力差、触屏按压时长、触屏按压间隔。操作触发位置坐标差包括操作触发位置在坐标系中各维度上的分量的差值。可选地,操作事件是指操作满足预设规则确定的事件,例如在相邻的游戏动画帧之间操作位置变化满足预设的位移距离,就可认定为使拖拽操作事件,可选地,一次按压过程中可包括多个操作事件,按压可以理解为用户手指落下至抬起的过程。
可选地,频域统计特征是对操作触发位置坐标差、操作事件时间差、操作接触面积差、操作产生压力差、触屏按压时长、触屏按压间隔等时域统计特征数据,进行离散傅里叶变换得到的特征数据。
基于用户操作行为数据中的操作触发位置,得到操作变换信息。可选地,对用户操作行为数据中的操作触发位置进行位置变化统计处理,得到操作变换信息。
同样,以游戏应用为例,游戏中常有多个控制键或者控制控件,假如用户使用智能手机进行游戏,往往需要在触摸屏上点击界面中显示控件的位置,以完成游戏操控。比如,未成年用户往往喜欢连续点击射击控件,那么操作变化信息中,操作触发位置落在射击控件位置的次数较多,并且射击控件位置之间的转换次数也多,所以可以根据操作变化信息判断未成年用户,其他类型用户也可以通过操作变化信息来识别,这里不再赘述。
在示例性实施例中,上述操作变换信息可通过如下过程获得。
步骤1,获取至少一个参考位置。
上述参考位置是指根据训练集中抽样的用户操作行为数据中操作触发位置坐标进行无监督聚类求得的聚类中心,从而作为参考位置。
步骤2,对操作触发位置与至少一个参考位置分别进行距离对比处理,得到操作触发位置对应的目标参考位置。
基于操作触发位置,得到操作触发位置对应的目标参考位置。可选地,将用户操作行为数据样本中多个操作触发位置按照距离远近,将每个操作触发位置归类为离得最近的聚类中心,即得到操作触发位置对应的目标参考位置。
步骤3,基于各操作触发位置对应的目标参考位置与时间戳标签,对各操作触发位置进行位置变化统计处理,生成操作状态矩阵。
操作状态矩阵用于记录操作变化信息,操作状态矩阵的行表示上一状态下操作触发位置对应的目标参考位置,操作状态矩阵的列表示当前状态下操作触发位置对应的目标参考位置,操作状态矩阵的元素表示操作触发位置在上一状态到当前状态之间的位置转移次数。如下表1所示,其示例性示出了一种操作状态矩阵。
表1
C1 | C2 | C3 | |
C1 | 0 | 1 | 5 |
C2 | 1 | 0 | 0 |
C3 | 0 | 3 | 0 |
其中,C1、C2、C3是3个操作触发位置,由表1中数据可知,由C3转移至C2的转移次数为3次,其余表格中的数据的含义可依次推理,这里不再赘述。
在示例性实施例中,在进行上述步骤202、203之前,可先对用户操作行为数据与设备受力传感数据进行预处理。可选地,丢弃采集/上报过程中产生的异常数据。可选地,对设备受力传感数据与用户操作行为数据进行插值处理、差分处理、二次曲线平滑处理以及低通滤波处理等方法,保证数据的可用性,便于进行特征提取处理。
特征提取处理的目的是表征用户在操作过程中传感器采集的设备受力传感数据反映的设备受力变化情况,以及触屏操作的过程中的行为特征,以利于后续模型训练时区分不同属性的用户的行为。未成年用户和成年用户相比,手掌更小,反应更快,这导致在游戏过程中产生的传感器数据具有明显差异,能精准识别出未成年用户。
在一个示例中,如图4所示,其示例性示出了一种特征提取处理的示意图。首先,对数据控制记录中的设备受力传感数据与用户操作行为数据进行预处理,预处理过程包括插值处理、差分处理、二次曲线平滑处理、低通滤波处理以及异常检测处理;预处理后进行特征提取处理,得到设备受力传感数据序列的MFCC特征以及用户操作行为数据序列的时域统计特征以及频域统计特征,还有操作状态矩阵;最后进行特征组合处理,包括特征重组与特征对齐,进而生成特征数据。
步骤204,基于受力变化特征和使用者操作特征分别对应的时间戳标签,对受力变化特征和使用者操作特征进行特征融合识别处理,得到使用者的用户属性。
可选地,特征融合识别处理是指对多种特征进行识别的特征提取处理。
用户属性包括用户的基本信息,包括但不限于性别、年龄、语言、地区、机型等。确定用户属性,可以有针对性地、更好地为用户提供服务。
在示例性实施例中,上述步骤204可通过如下步骤(204a-204c)实现:
步骤204a,获取受力变化特征和使用者操作特征分别对应的时间戳标签。
步骤204b,基于时间戳标签之间的对应关系,对受力变化特征与使用者操作特征进行特征融合处理,得到特征组合数据。
特征融合处理可以理解为按照时间戳标签之间的对应关系,重组受力变化特征与使用者操作特征,得到特征组合数据。特征组合数据包括按照时间戳标签对齐的受力变化特征与使用者操作特征。
步骤204c,对特征组合数据进行特征识别处理,以得到使用者的用户属性。
基于特征组合数据,确定使用者的用户属性。
在示例性实施例中,基于受力变化特征和使用者操作特征,确定使用者为未成年用户。基于受力变化特征和使用者操作特征分别对应的时间戳标签,对受力变化特征和使用者操作特征进行特征融合识别处理,得到使用者的用户属性为未成年用户。综上所述,本申请实施例提供的技术方案,通过采集两方面的数据来识别用户属性,一是设备受力传感数据,二是用户执行操作数据,从设备受力传感数据中可以得知设备的受力变化情况,从用户执行操作数据可以得知使用者在设备上的操作执行情况,用户年龄、用户性别以及用户机型等用户属性上的差异都会在设备受力传感数据和用户执行操作数据产生一定的特征,这是无法刻意避开的操作使用特点,因此可根据受力变化情况以及操作执行情况判断用户属性,能够在很大程度上提升用户属性识别的准确度。
并且,本申请实施例提供的技术方案无需再进行额外的识别,很大程度上降低识别复杂度,更无需用户配合,提升应用对用户的友好性。
请参考图5,其示出了本申请一个实施例提供的设备受力传感数据和用户操作行为数据的采集方法的流程图。该方法可以包括以下几个步骤(501~504):
步骤501,检测是否有控制操作。若是,则执行步骤502;若否,执行步骤501。
步骤502,获取设备受力传感数据与用户操作行为数据。
设备受力传感数据包括采集设备受力传感数据的时间戳标签,用户操作行为数据包括采集用户操作行为数据的时间戳标签。
设备受力传感数据包括加速度传感数据、角速度传感数据以及重力传感数据。
用户操作行为数据包括操作触发位置数据、触控面积数据以及触控压力数据。
步骤503,根据设备受力传感数据与用户操作行为数据各自对应的时间戳标签,对设备受力传感数据与用户操作行为数据进行数据组装处理,生成二元数据组。
二元数据组包括在相同时段下采集到的设备受力传感数据与用户操作行为数据,时刻由时间戳标签确定。上述相同时段包括相同或者相近的时刻。
可选地,二元数据组的数据格式为(用户操作行为数据,设备受力传感数据),由在时间上对应或者相近的一组用户操作行为数据和设备受力传感数据。可选地,二元数据组为采集的最小数据单元。
步骤504,检测采集时长是否达到时长阈值。若是,则执行步骤505;若否,则执行步骤501。
步骤505,对采集到的至少一组二元数据组进行数据切片的生成处理。
在数据采集时长达到时长阈值的条件下,将采集到的至少一组二元数据组组合生成数据切片。
数据切片是由在预设时长内采集到的二元数据组组成的二元数据组序列。数据切片由二元组序列组合而成,通过限制采集时长得到。可选地,数据切片是数据训练和数据预测最小的数据单元。
步骤506,检测数据切片的数量是否满足数量阈值。若是,则执行步骤507;若否,则执行步骤501。
步骤507,将多个数据切片进行拼接组合处理,生成控制数据记录。
在数据切片的数量满足数量阈值的条件下,将多个数据切片组合生成控制数据记录。
控制数据记录包括设备在使用过程中采集到的设备受力传感数据和用户操作行为数据。
可选地,控制数据记录是一次上报的数据单元,组合多个切片进行上报,减少上报次数,降低上报失败的概率。
步骤508,上报控制数据记录。
在一个示例中,如图6所示,其示例性示出了一种控制数据记录的数据格式的示意图。其中,一条控制数据记录包括m个切片(切片1至切片m),切片由至少一个二元组组成,切片1包括n个二元组(二元组1至二元组n)。
以一种游戏场景为例,在用户正常游戏过程中,本方案会在智能手机采集用户输入过程中的重力传感器、加速度传感器以及陀螺仪传感器及屏幕压感等输入事件等数值,用户无需主动配合没有感知。采集数据的目的是保障采集数据的准确度,控制上报数据大小,提升数据上报的成功率。
综上所述,本申请提供的技术方案,通过将受力传感数据与执行操作数据以二元数据组的形式进行存储,将一定时间内采集的二元数据组组合成数据切片,最终将一定数量的多个数据切片组合生成数据控制记录进行上报,提升数据采集的精确度,减少上报次数,降低上报失败的概率。
请参考图7,其示出了本申请一个实施例提供的未成年用户识别系统的工作示意图。该方法可以包括以下几个步骤(701~715):
步骤701,客户端启动数据采集流程。
可选地,客户端打开时启动数据采集流程。可选地,客户端执行某一功能时时启动数据采集流程。
步骤702,客户端检测用户操作行为是否发生。若是,则执行步骤703;若否,则结束。
可选地,客户端在运行过程中实时检测用户操作行为是否发生,对用户操作行为进行监测。
步骤703,客户端获取设备受力传感数据与用户操作行为数据。
设备受力传感数据包括采集设备受力传感数据的时间戳标签,用户操作行为数据包括采集用户操作行为数据的时间戳标签。
设备受力传感数据包括但不限于加速度传感器采集到的加速度传感数据、陀螺仪采集到的角速度传感数据以及重力传感器采集到的重力传感数据。
用户操作行为数据包括操作触发位置数据、触控面积数据以及触控压力数据。
步骤704,客户端生成控制数据记录。
通过将受力传感数据与执行操作数据以二元数据组的形式进行存储,将一定时间内采集的二元数据组组合成数据切片,最终将一定数量的多个数据切片组合生成控制数据记录。对于控制数据记录的生成过程可以参考上一实施例的介绍,这里不再赘述。
步骤705,客户端向服务器发送控制数据记录。
相应地,服务器获取控制数据记录。
步骤706,服务器对控制数据记录中的设备受力传感数据进行特征提取处理,得到设备的受力变化特征。
步骤707,服务器对控制数据记录中的用户操作行为数据进行特征提取处理,得到使用者操作特征。
对数据控制记录中的设备受力传感数据与用户操作行为数据进行预处理,预处理过程包括插值处理、差分处理、二次曲线平滑处理、低通滤波处理以及异常检测处理;预处理后进行特征提取处理,得到设备受力传感数据序列的MFCC特征作为受力变化特征,以及用户操作行为数据序列的时域统计特征以及频域统计特征,还有操作状态矩阵作为使用者操作特征。
在示例性实施例中,上述步骤707之前,还可包括如下步骤:
分别对控制数据记录中的设备受力传感数据和用户操作行为数据进行预处理,得到预处理后的设备受力传感数据以及预处理后的用户操作行为数据。
上述预处理包括插值处理、差分处理、二次曲线平滑处理、低通滤波处理以及异常检测处理中的至少一种。
相应地,上述步骤706调整为如下步骤:对预处理后的设备受力传感数据进行受力变化特征的提取处理,以得到受力变化特征。
相应地,上述步骤707调整为如下步骤:对预处理后的用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征。
步骤708,服务器检测特征提取是否成功。若是,则执行步骤709;若否,则结束。
服务器不对提取失败的特征数据进行处理,降低不必要的计算量。
步骤709,服务器重组受力变化特征与使用者操作特征,得到特征组合数据。
步骤710,服务器判断是否为模型迭代场景。若是,则执行模型训练过程,包括步骤714、715;若否,则执行步骤711。
可选地,定时从训练集数据中捞取数据迭代训练用户属性预测模型,并将迭代后的用户属性预测模型推送到后台,应用于服务器中,实现算法升级,提升训练效率与识别准确度。用户在一局游戏过程中,用户使用的终端可采集多条控制数据记录并发送给服务器,每条控制数据记录在服务器经过特征提取处理,并调用用户属性预测模型预测得到单条数据的用户属性并保存数据。
步骤711,服务器调用用户属性预测模型对特征组合数据进行属性预测处理,得到使用者的用户属性预测分。
可选地,上述用户属性预测模型是基于生成式对抗网络训练的机器学习模型。
上述属性预测处理是指基于使用者的特征组合数据预测使用者的用户属性的检测处理过程。
步骤712,服务器在用户属性预测分满足分数规则的情况下,确定使用者的用户属性。
在示例性实施例中,由于依据单条控制数据记录的结果可能会存在鲁棒性较差的问题,可使用多条控制数据记录的预测结果进行综合计算确定用户属性以提升用户属性预测的准确度。
可选地,在在线方式中,上述分数规则包括对多条控制数据记录计算得到的用户属性预测分进行加权投票,根据加权投票分确定用户属性。可选地,与当前时间最接近的控制数据记录对应的权重高。
可选地,在离线方式中,对所有待评价用户的所有数据预测概率求得到标准差,得到总用户预测概率标准差;对同一用户数据的预测概率求均值,得到用户预测概率均值;最后依次对每个用户的控制数据记录使用如下公式计算得到分数:
分数=用户控制数据记录预测概率–用户预测概率均值/总用户预测概率标准差。
步骤713,输出使用者的用户帐号。
在一种可能的实施方式中,通过训练样本获得未成年人分数经验阈值,然后根据运营分数规则输出离线批量输出未成年用户的用户帐号。
下述为模型训练过程的简要步骤介绍,有关模型训练的部分参见下文实施例。
步骤714,基于训练样本对对抗式生成网络进行训练,得到用户属性预测模型。
步骤715,服务器部署用户预测模型。
在示例性实施例中,本方案以软件开发工具包(Software Development Kit,SDK)形式集成在游戏中,在特定游戏场景触发数据采集,采集满足一定时长后即可发送到后台实时检测,可依赖单次检测结果进行判定,也可依赖多次检测进行综合判定是否为未成年人。
综上所述,本申请实施例提供的技术方案,通过终端采集两方面的数据来识别用户属性,将设备受力传感数据与用户执行操作数据组合生成数据控制记录上报服务器,服务器从设备受力传感数据中可以提取反映设备受力变化情况的受力变化特征,服务器从用户执行操作数据中可以提取反映使用者在设备上的操作执行情况的操作特征,经过特征重组得到组合特征数据并调用预先训练的神经网络模型对组合特征数据进行处理,得到用户属性预测分。在用户属性预测分符合条件的情况下确定用户属性,提升了提高用户属性识别准确度,也无需再进行额外的识别,很大程度上降低识别复杂度,更无需用户配合,提升应用对用户的友好性。并且,终端仅负责采集并上报数据,在服务器侧进行特征提取与预测处理,降低终端计算量,不影响用户的正常使用。
请参考图8,其示出了本申请一个实施例提供的用户属性预测模型的训练方法的流程图。该方法可以包括以下几个步骤(801~803):
步骤801,获取多个训练样本。
训练样本包括样本数据和标签数据,样本数据包括样本用户的设备受力传感数据和用户操作行为数据,标签数据包括样本用户的用户属性。
可选地,样本数据是样本用户操控设备时采集的控制数据记录。
可选地,将不同的控制数据记录中的数据切片进行交叉组合,生成新的样本数据,以对样本进行增强,提升模型训练效果。
步骤802,基于训练样本,对神经网络模型进行对抗训练,更新神经网络模型的模型参数。
神经网络模型包括生成网络和判别网络。生成网络用于在对训练样本进行修改处理的基础上生成模拟样本,判别网络用于判别训练样本以及模拟样本。
对抗训练用于减轻无关差异在不同样本中产生的影响,无关差异包括设备差异、使用者习惯差异中的至少一种。由于用户操作本身的特征数据主要具有三种不同的差异,即用户操作个人差异,用户年龄差异,用户所用的设备差异,我们模型选用对抗生成网络(GAN)神经网络,采用机型对抗,用户身份对抗,选择未成年识别预测,目的是抹平机型差异,用户个人差异,强化未成年人和成年人的差异而忽略用户操作个人特色以及所用的设备差异,最终达到更好的区分用户年龄差异的区分度,以更精准的识别用户是否为未成年人。
生成网络包括用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络。用户身份数据生成网络用于生成难以区分用户个人身份的样本生成数据。用户年龄数据生成网络用于生成难以区分用户是否为未成年人的样本生成数据。用户机型数据生成网络用于生成难以区分用户所用设备类型的样本生成数据。可选地,上述用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络的网络结构相同,但是训练目的不同。
判别网络包括用户身份判别网络、用户年龄判别网络以及用户机型判别网络。用户身份判别网络用于判别数据是否为用户身份标签指定的用户所产生的数据。用户年龄判别网络用于判别数据是否为年龄标签指定的用户所产生的数据。用户机型判别网络用于判别数据是否为机型标签指定的设备所产生的数据。其中,每个判别网络的训练目的不同。
在示例性实施例中,上述步骤802可由如下步骤进行实现:
步骤802a,获取训练样本的特征组合数据。
步骤802b,分别调用用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络对训练样本的特征组合数据进行数据生成处理,得到难以区分用户个人身份的样本生成数据、难以区分用户是否为未成年人的样本生成数据以及难以区分用户所用设备类型的样本生成数据。
步骤802c,调用用户身份判别网络、用户年龄判别网络以及用户机型判别网络分别对难以区分用户个人身份的样本生成数据、难以区分用户是否为未成年人的样本生成数据以及难以区分用户所用设备类型的样本生成数据进行数据判别处理,得到判别结果。
步骤802d,基于判别结果,更新神经网络模型中各生成网络与各判别网络的模型参数。
可选地,每个生成网络级联用户身份判别网络、用户年龄判别网络以及用户机型判别网络。
上述用户身份数据生成网络的参数更新来自于用户身份判别网络的反向传播。调用用户身份判别网络判断用户身份数据生成网络生成的难以区分用户个人身份的样本生成数据,根据判断结果分别更新用户身份数据生成网络以及用户身份判别网络的网络参数,目的在于消除用户个人使用行为或者习惯的差异。可选地,用户年龄判别网络与用户机型判别网络在训练时不影响用户身份数据生成网络的参数更新。
上述用户年龄数据生成网络的参数更新来自于用户年龄判别网络的反向传播。调用用户年龄判别网络判断用户年龄数据生成网络生成的难以区分用户是否为未成年人的样本生成数据,根据判断结果分别更新用户年龄数据生成网络以及用户年龄判别网络的网络参数,目的在于强化用户年龄之间的差异,例如成年人与未成年人之间的差异。可选地,用户身份判别网络与用户机型判别网络在训练时不影响用户年龄数据生成网络的参数更新。
上述用户机型数据生成网络的参数更新来自于用户机型判别网络的反向传播。调用用户机型判别网络判断用户机型数据生成网络生成的难以区分用户所用设备类型的样本生成数据,根据判断结果分别更新用户机型数据生成网络与用户机型判别网络的网络参数,目的在于消除用户个人使用设备的机型的差异。可选地,用户身份判别网络与用户年龄判别网络在训练时不影响用户机型数据生成网络的参数更新。
步骤803,对训练得到的判别网络进行模型组合处理,生成用户属性预测模型。
基于训练得到的判别网络,生成用户属性预测模型。可选地,将分别与用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络级联的、参数更新后的用户年龄判别网络从上述神经网络模型中提取出来,组合成为用于预测用户属性的用户属性预测模型。可选地,在未成年人识别系统中,上述用户属性预测模型是用于预测成年人与未成年人的二分类模型。
在一个示例中,如图9所示,其示例性示出了一生成式对抗网络的示意图。其中,阶段1中的x表示控制数据记录,P代表特征提取网络,Fc代表特征组合数据构成的组合特征向量。G1代表用户身份数据生成网络,G2代表用户年龄数据生成网络,G3代表用户机型数据生成网络。F1代表G1生成的难以区分用户个人身份的样本生成数据向量。F2代表G2生成的难以区分用户是否为未成年人的样本生成数据向量。F3代表G3生成的难以区分用户所用设备类型的样本生成数据向量。D11、D21、D31分别表示与G1、G2、G3级联的用户身份判别网络,D12、D22、D32分别表示与G1、G2、G3级联的用户年龄判别网络,D13、D23、D33分别表示与G1、G2、G3级联的用户机型判别网络。阶段2中,包括随机组合各数据控制记录中的数据切片的过程,其中数据控制记录1、数据控制记录2、数据控制记录3中包括各自的数据切片,将数据控制记录1中的切片1、数据控制记录2中的切片2,数据控制记录3中的切片3进行交叉组合得到新的样本数据向量u。T1、T2、T3是对分别对切片1、切片2、切片3进行微调处理的网络。最后调用R1、R2、R3对u进行处理,R1、R2、R3表示G1、G2、G3处理经交叉组合生成的特征数据的形式。
综上所述,本申请实施例提供的技术方案,通过基于样本数据对对抗式生成网络进行对抗训练,在很大程度上抹平设备差异以及个人使用习惯差异对特征数据的影响,强化未成年人行为模式识别方法。
下述为本申请装置实施例,可用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图10,其示出了本申请一个实施例提供的装置的框图。该装置具有实现上述方法的功能。该装置1000可以包括:数据获取模块1010、传感特征提取模块1020、操作行为分析模块1030以及用户属性确定模块1040。
数据获取模块1010,用于获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据;其中,所述设备受力传感数据用于反映所述电子设备的受力状态,所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作。
传感特征提取模块1020,用于对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,所述受力变化特征用于反映所述电子设备的受力变化情况。
操作行为分析模块1030,用于对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况。
用户属性确定模块1040,用于基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签,对所述受力变化特征和所述使用者操作特征进行特征融合识别处理,得到所述使用者的用户属性。
在示例性实施例中,请参考图11,所述用户属性确定模块1040包括:时间戳获取单元1041、特征重组单元1042以及属性确定单元1043。
时间戳获取单元1041,用于获取所述受力变化特征和所述使用者操作特征分别对应的时间戳标签。
特征重组单元1042,用于基于所述时间戳标签之间的对应关系,对所述受力变化特征与所述使用者操作特征进行特征融合处理,得到特征组合数据,所述特征组合数据包括按照所述时间戳标签对齐的所述受力变化特征与所述使用者操作特征。
属性确定单元1043,用于对所述特征组合数据进行特征识别处理,以得到所述使用者的用户属性。
在示例性实施例中,所述属性确定单元1043,用于:
调用用户属性预测模型对所述特征组合数据进行属性预测处理,得到所述使用者的用户属性预测分;
在所述用户属性预测分满足分数规则的情况下,确定所述使用者的所述用户属性。
在示例性实施例中,所述用户属性预测模型的训练过程如下:
获取多个训练样本,所述训练样本包括样本数据和标签数据,所述样本数据包括样本用户的设备受力传感数据用户操作行为数据,所述标签数据包括所述样本用户的用户属性;
基于所述训练样本,对神经网络模型进行对抗训练,更新所述神经网络模型的模型参数,所述神经网络模型包括生成网络和判别网络,所述生成网络用于在对所述训练样本进行修改处理的基础上生成模拟样本,所述判别网络用于判别所述训练样本以及所述模拟样本;
对训练得到的判别网络进行模型组合处理,生成所述用户属性预测模型。
在示例性实施例中,所述生成网络包括用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络,所述判别网络包括用户身份判别网络、用户年龄判别网络以及用户机型判别网络;
所述基于所述训练样本,对神经网络模型进行对抗训练,更新所述神经网络模型的模型参数,包括:
获取所述训练样本的特征组合数据;
分别调用所述用户身份数据生成网络、所述用户年龄数据生成网络以及所述用户机型数据生成网络对所述训练样本的特征组合数据进行数据生成处理,得到难以区分用户个人身份的样本生成数据、难以区分用户是否为未成年人的样本生成数据以及难以区分用户所用设备类型的样本生成数据;其中,所述用户身份数据生成网络用于生成难以区分用户个人身份的样本生成数据,所述用户年龄数据生成网络用于生成难以区分用户是否为未成年人的样本生成数据,所述用户机型数据生成网络用于生成难以区分用户所用设备类型的样本生成数据;
调用所述用户身份判别网络、用户年龄判别网络以及用户机型判别网络分别对所述难以区分用户个人身份的样本生成数据、所述难以区分用户是否为未成年人的样本生成数据以及所述难以区分用户所用设备类型的样本生成数据进行数据判别处理,得到判别结果;其中,所述用户身份判别网络用于判别数据是否为用户身份标签指定的用户所产生的数据,所述用户年龄判别网络用于判别数据是否为年龄标签指定的用户所产生的数据,所述用户机型判别网络用于判别数据是否为机型标签指定的设备所产生的数据;
基于所述判别结果,更新所述神经网络模型中各生成网络与各判别网络的模型参数。
在示例性实施例中,请参考图11,所述操作行为分析模块1030包括:特征统计单元1031与变换统计单元1032。
特征统计单元1031,用于分别在时域上和频域上对所述用户操作行为数据进行使用者操作行为的分析处理,以得到所述用户操作行为数据的时域统计特征和频域统计特征,所述时域统计特征用于体现所述操作执行情况在时域上的特征,所述频域统计特征用于体现所述操作执行情况在频域上的特征。
变换统计单元1032,用于对所述用户操作行为数据中的操作触发位置进行位置变化统计处理,得到操作变换信息,所述操作变换信息用于反映所述使用者执行的操作在不同触发位置之间的转移情况。
其中,所述使用者操作特征包括所述时域统计特征、所述频域统计特征和所述操作变换信息。
在示例性实施例中,请参考图11,所述变换统计单元1032,用于:
获取至少一个参考位置;
对所述操作触发位置与所述至少一个参考位置分别进行距离对比处理,得到所述操作触发位置对应的目标参考位置;
基于各操作触发位置对应的目标参考位置与时间戳标签,对所述各操作触发位置进行所述位置变化统计处理,生成操作状态矩阵,所述操作状态矩阵用于记录所述操作变化信息;
其中,所述操作状态矩阵的行表示上一状态下操作触发位置对应的目标参考位置,所述操作状态矩阵的列表示当前状态下操作触发位置对应的目标参考位置,所述操作状态矩阵的元素表示操作触发位置在所述上一状态到所述当前状态之间的位置转移次数。
在示例性实施例中,所述传感特征提取模块1020,用于:
对所述设备受力传感数据进行受力变化分析处理,得到所述设备受力传感数据的频域特征数据,所述频域特征数据用于反映所述设备受力传感数据的变化频率信息,所述频域特征数据包括所述设备受力传感数据对应的梅尔频率倒谱系数;
基于所述受设备力传感数据的频域特征数据执行向量生成处理,得到受力传感数据特征向量,所述受力传感数据特征向量用于表征所述设备的受力变化特征。
在示例性实施例中,所述传感数据和所述操作数据的采集过程如下:
获取所述设备受力传感数据与所述用户操作行为数据,所述设备受力传感数据包括采集所述设备受力传感数据的时间戳标签,所述用户操作行为数据包括采集所述用户操作行为数据的时间戳标签;
根据所述设备受力传感数据与所述用户操作行为数据各自对应的时间戳标签,对所述设备受力传感数据与所述用户操作行为数据进行数据组装处理,生成二元数据组,所述二元数据组包括在相同时段下采集到的所述设备受力传感数据与所述用户操作行为数据,所述时刻由所述时间戳标签确定;
在数据采集时长达到时长阈值的条件下,对采集到的至少一组二元数据组进行数据切片的生成处理,所述数据切片是由在预设时长内采集到的所述二元数据组组成的二元数据组序列;
在所述数据切片的数量满足数量阈值的条件下,将多个数据切片进行拼接组合处理,生成控制数据记录,所述控制数据记录包括所述设备在使用过程中采集到的所述设备受力传感数据和所述用户操作行为数据;其中,所述设备受力传感数据包括加速度传感数据、角速度传感数据、重力传感数据以及对应的时间戳标签,所述用户操作行为数据包括操作触发位置数据、触控面积数据、触控压力数据以及对应的时间戳标签。
在示例性实施例中,所述装置1000还包括预处理模块,用于:
分别对所述控制数据记录中的所述设备受力传感数据和所述用户操作行为数据进行预处理,得到预处理后的设备受力传感数据以及预处理后的用户操作行为数据,所述预处理包括插值处理、差分处理、二次曲线平滑处理、低通滤波处理以及异常检测处理中的至少一种。
所述传感特征提取模块1020还用于对所述预处理后的设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征。
所述操作行为分析模块1030还用于对所述预处理后的用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征。在示例性实施例中,请参考图11,所述装置1000还包括序列区分模块1050,用于:
对所述用户操作行为数据中各操作触发位置的位置分布数据进行位置判定处理,将所述用户操作行为数据划分为左手操作数据与右手操作数据;
基于所述左手操作数据,得到左操作数据序列;
基于所述右手操作数据,得到右操作数据序列;
其中,所述用户操作行为数据包括所述左操作序列与所述右操作序列。
在示例性实施例中,用户属性确定模块1040,用于:
基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签,对所述受力变化特征和所述使用者操作特征进行特征融合识别处理,得到所述使用者的用户属性为未成年用户。
综上所述,本申请实施例提供的技术方案,通过采集两方面的数据来识别用户属性,一是设备传感数据,二是用户操作数据,从设备传感数据中可以得知设备的受力变化情况,从用户操作数据可以得知使用者在设备上的操作执行情况,用户年龄、用户性别以及用户机型等用户属性上的差异都会在设备传感数据和用户操作数据产生一定的特征,这是无法刻意避开的操作使用特点,因此可根据受力变化情况以及操作执行情况判断用户属性,能够在很大程度上提升用户属性识别的准确度。
并且,本申请实施例提供的技术方案无需再进行额外的识别,很大程度上降低识别复杂度,更无需用户配合,提升应用对用户的友好性。
请参考图12,其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可以是图1所示应用程序运行环境中的计算机设备,可用于执行上述实施例中提供的电子设备使用者的属性识别方法。具体来讲:
计算机设备1200包括中央处理单元(Central Processing Unit,CPU)1201、包括随机存取存储器(Random Access Memory,RAM)1202和只读存储器(Read Only Memory,ROM)1203的系统存储器1204,以及连接系统存储器1204和中央处理单元1201的系统总线1205。可选地,计算机设备1200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(I/O(Input/Output)系统)1206。可选地,计算机设备1200还包括用于存储操作系统1213、应用程序1214和其他程序模块1215的大容量存储设备1207。
基本输入/输出系统1206包括有用于显示信息的显示器1208和用于用户输入信息的诸如鼠标、键盘之类的输入设备1209。其中显示器1208和输入设备1209都通过连接到系统总线1205的输入输出控制器1210连接到中央处理单元1201。基本输入/输出系统1206还可以包括输入输出控制器1210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1210还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1207通过连接到系统总线1205的大容量存储控制器(未示出)连接到中央处理单元1201。大容量存储设备1207及其相关联的计算机可读介质为计算机设备1200提供非易失性存储。也就是说,大容量存储设备1207可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,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、EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,电可擦可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)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计算机存储介质不局限于上述几种。上述的系统存储器1204和大容量存储设备1207可以统称为存储器。
根据本申请的各种实施例,计算机设备1200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1200可以通过连接在系统总线1205上的网络接口单元1211连接到网络1212,或者说,也可以使用网络接口单元1211来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括计算机程序,该计算机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,以实现上述电子设备使用者的属性识别方法。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述电子设备使用者的属性识别方法。
可选地,该计算机可读存储介质可以包括:ROM(Read Only Memory,只读存储器)、RAM(Random Access Memory,随机存取记忆体)、SSD(Solid State Drives,固态硬盘)或光盘等。其中,随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory,动态随机存取存储器)。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,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电子设备使用者的属性识别方法。
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。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
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 (16)
1.一种电子设备使用者的属性识别方法,其特征在于,所述方法包括:
获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据;其中,所述设备受力传感数据用于反映所述电子设备的受力状态,所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作;
对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,所述受力变化特征用于反映所述电子设备的受力变化情况;
对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况;
基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签之间的对应关系,对所述受力变化特征和所述使用者操作特征进行重组,得到特征组合数据;对所述特征组合数据进行特征识别处理,得到所述使用者的用户属性,所述用户属性包括用户年龄、用户性别、用户机型中的至少之一。
2.根据权利要求1所述的方法,其特征在于,所述基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签之间的对应关系,对所述受力变化特征和所述使用者操作特征进行重组,得到特征组合数据;对所述特征组合数据进行特征识别处理,得到所述使用者的用户属性,包括:
获取所述受力变化特征和所述使用者操作特征分别对应的时间戳标签;
基于所述时间戳标签之间的对应关系,对所述受力变化特征与所述使用者操作特征进行特征融合处理,得到所述特征组合数据,所述特征组合数据包括按照所述时间戳标签对齐的所述受力变化特征与所述使用者操作特征;
对所述特征组合数据进行特征识别处理,以得到所述使用者的用户属性。
3.根据权利要求2所述的方法,其特征在于,所述对所述特征组合数据进行特征识别处理,以得到所述使用者的用户属性,包括:
调用用户属性预测模型对所述特征组合数据进行属性预测处理,得到所述使用者的用户属性预测分;
在所述用户属性预测分满足分数规则的情况下,确定所述使用者的所述用户属性。
4.根据权利要求3所述的方法,其特征在于,所述用户属性预测模型的训练过程如下:
获取多个训练样本,所述训练样本包括样本数据和标签数据,所述样本数据包括样本用户的设备受力传感数据和用户操作行为数据,所述标签数据包括所述样本用户的用户属性;
基于所述训练样本,对神经网络模型进行对抗训练,更新所述神经网络模型的模型参数,所述神经网络模型包括生成网络和判别网络,所述生成网络用于在对所述训练样本进行修改处理的基础上生成模拟样本,所述判别网络用于判别所述训练样本以及所述模拟样本;
对训练得到的判别网络进行模型组合处理,生成所述用户属性预测模型。
5.根据权利要求4所述的方法,其特征在于,所述生成网络包括用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络,所述判别网络包括用户身份判别网络、用户年龄判别网络以及用户机型判别网络;
所述基于所述训练样本,对神经网络模型进行对抗训练,更新所述神经网络模型的模型参数,包括:
获取所述训练样本的特征组合数据;
分别调用所述用户身份数据生成网络、所述用户年龄数据生成网络以及所述用户机型数据生成网络对所述训练样本的特征组合数据进行数据生成处理,得到难以区分用户个人身份的样本生成数据、难以区分用户是否为未成年人的样本生成数据以及难以区分用户所用设备类型的样本生成数据;其中,所述用户身份数据生成网络用于生成难以区分用户个人身份的样本生成数据,所述用户年龄数据生成网络用于生成难以区分用户是否为未成年人的样本生成数据,所述用户机型数据生成网络用于生成难以区分用户所用设备类型的样本生成数据;
调用所述用户身份判别网络、用户年龄判别网络以及用户机型判别网络分别对所述难以区分用户个人身份的样本生成数据、所述难以区分用户是否为未成年人的样本生成数据以及所述难以区分用户所用设备类型的样本生成数据进行数据判别处理,得到判别结果;其中,所述用户身份判别网络用于判别数据是否为用户身份标签指定的用户所产生的数据,所述用户年龄判别网络用于判别数据是否为年龄标签指定的用户所产生的数据,所述用户机型判别网络用于判别数据是否为机型标签指定的设备所产生的数据;
基于所述判别结果,更新所述神经网络模型中各生成网络与各判别网络的模型参数。
6.根据权利要求1所述的方法,其特征在于,所述对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,包括:
分别在时域上和频域上对所述用户操作行为数据进行使用者操作行为的分析处理,以得到所述用户操作行为数据的时域统计特征和频域统计特征,所述时域统计特征用于体现所述操作执行情况在时域上的特征,所述频域统计特征用于体现所述操作执行情况在频域上的特征;
对所述用户操作行为数据中的操作触发位置进行位置变化统计处理,得到操作变换信息,所述操作变换信息用于反映所述使用者执行的操作在不同触发位置之间的转移情况;
其中,所述使用者操作特征包括所述时域统计特征、所述频域统计特征和所述操作变换信息。
7.根据权利要求6所述的方法,其特征在于,所述对所述用户操作行为数据中的操作触发位置进行位置变化统计处理,得到操作变换信息,包括:
获取至少一个参考位置;
对所述操作触发位置与所述至少一个参考位置分别进行距离对比处理,得到所述操作触发位置对应的目标参考位置;
基于各操作触发位置对应的目标参考位置与时间戳标签,对所述各操作触发位置进行所述位置变化统计处理,生成操作状态矩阵,所述操作状态矩阵用于记录所述操作变化信息;
其中,所述操作状态矩阵的行表示上一状态下操作触发位置对应的目标参考位置,所述操作状态矩阵的列表示当前状态下操作触发位置对应的目标参考位置,所述操作状态矩阵的元素表示操作触发位置在所述上一状态到所述当前状态之间的位置转移次数。
8.根据权利要求1所述的方法,其特征在于,所述对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,包括:
对所述设备受力传感数据进行受力变化分析处理,得到所述设备受力传感数据的频域特征数据,所述频域特征数据用于反映所述设备受力传感数据的变化频率信息,所述频域特征数据包括所述设备受力传感数据对应的梅尔频率倒谱系数;
基于所述设备受力传感数据的频域特征数据执行向量生成处理,得到受力传感数据特征向量,所述受力传感数据特征向量用于表征所述设备的受力变化特征。
9.根据权利要求1所述的方法,其特征在于,所述设备受力传感数据和所述用户操作行为数据的采集过程如下:
获取所述设备受力传感数据与所述用户操作行为数据,所述设备受力传感数据包括采集所述设备受力传感数据的时间戳标签,所述用户操作行为数据包括采集所述用户操作行为数据的时间戳标签;
根据所述设备受力传感数据与所述用户操作行为数据各自对应的时间戳标签,对所述设备受力传感数据与所述用户操作行为数据进行数据组装处理,生成二元数据组,所述二元数据组包括在相同时段下采集到的所述设备受力传感数据与所述用户操作行为数据;
在数据采集时长达到时长阈值的条件下,对采集到的至少一组二元数据组进行数据切片的生成处理,所述数据切片是由在预设时长内采集到的所述二元数据组组成的二元数据组序列;
在所述数据切片的数量满足数量阈值的条件下,将多个数据切片进行拼接组合处理,生成控制数据记录,所述控制数据记录包括所述设备在使用过程中采集到的所述设备受力传感数据和所述用户操作行为数据;其中,所述设备受力传感数据包括加速度传感数据、角速度传感数据、重力传感数据以及对应的时间戳标签,所述用户操作行为数据包括操作触发位置数据、触控面积数据、触控压力数据以及对应的时间戳标签。
10.根据权利要求9所述的方法,其特征在于,所述获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据之后,还包括:
分别对所述控制数据记录中的所述设备受力传感数据和所述用户操作行为数据进行预处理,得到预处理后的设备受力传感数据以及预处理后的用户操作行为数据,所述预处理包括插值处理、差分处理、二次曲线平滑处理、低通滤波处理以及异常检测处理中的至少一种;
所述对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,包括:
对所述预处理后的设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征;
所述对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,包括:
对所述预处理后的用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征。
11.根据权利要求1至10任一项所述的方法,其特征在于,所述获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据之后,还包括:
对所述用户操作行为数据中各操作触发位置的位置分布数据进行位置判定处理,将所述用户操作行为数据划分为左手操作数据与右手操作数据;
基于所述左手操作数据,得到左操作数据序列;
基于所述右手操作数据,得到右操作数据序列;
其中,所述用户操作行为数据包括所述左操作序列与所述右操作序列。
12.根据权利要求1至10任一项所述的方法,其特征在于,所述基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签之间的对应关系,对所述受力变化特征和所述使用者操作特征进行重组,得到特征组合数据;对所述特征组合数据进行特征识别处理,得到所述使用者的用户属性,包括:
基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签之间的对应关系,对所述受力变化特征和所述使用者操作特征进行重组,得到所述特征组合数据;对所述特征组合数据进行特征识别处理,得到所述使用者的用户属性为未成年用户。
13.一种电子设备使用者的属性识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据;其中,所述设备受力传感数据用于反映所述电子设备的受力状态,所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作;
传感特征提取模块,用于对所述设备受力传感数据进行受力变化特征的提取处理,以得到所述受力变化特征,所述受力变化特征用于反映所述电子设备的受力变化情况;
操作行为分析模块,用于对所述用户操作行为数据进行使用者操作行为的分析处理,以得到使用者操作特征,所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况;
用户属性确定模块,用于基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签之间的对应关系,对所述受力变化特征和所述使用者操作特征进行重组,得到特征组合数据;对所述特征组合数据进行特征识别处理,得到所述使用者的用户属性,所述用户属性包括用户年龄、用户性别、用户机型中的至少之一。
14.一种计算机设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至12任一项所述的电子设备使用者的属性识别方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至12任一项所述的电子设备使用者的属性识别方法。
16.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,所述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所述计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行以实现如权利要求1至12任一项所述的电子设备使用者的属性识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182516.4A CN112163571B (zh) | 2020-10-29 | 2020-10-29 | 电子设备使用者的属性识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182516.4A CN112163571B (zh) | 2020-10-29 | 2020-10-29 | 电子设备使用者的属性识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163571A CN112163571A (zh) | 2021-01-01 |
CN112163571B true CN112163571B (zh) | 2024-03-05 |
Family
ID=73865161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182516.4A Active CN112163571B (zh) | 2020-10-29 | 2020-10-29 | 电子设备使用者的属性识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163571B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037631B (zh) * | 2022-05-13 | 2023-08-22 | 北京中科晶上科技股份有限公司 | 基于集群的网络仿真方法、装置和网络仿真系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109817246A (zh) * | 2019-02-27 | 2019-05-28 | 平安科技(深圳)有限公司 | 情感识别模型的训练方法、情感识别方法、装置、设备及存储介质 |
CN111798857A (zh) * | 2019-04-08 | 2020-10-20 | 北京嘀嘀无限科技发展有限公司 | 一种信息识别方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287697A (zh) * | 2018-03-19 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 行为识别、数据处理方法及装置 |
-
2020
- 2020-10-29 CN CN202011182516.4A patent/CN112163571B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109817246A (zh) * | 2019-02-27 | 2019-05-28 | 平安科技(深圳)有限公司 | 情感识别模型的训练方法、情感识别方法、装置、设备及存储介质 |
CN111798857A (zh) * | 2019-04-08 | 2020-10-20 | 北京嘀嘀无限科技发展有限公司 | 一种信息识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112163571A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240165484A1 (en) | Method and system for interactive, interpretable, and improved match and player performance predictions in team sports | |
JP7399277B2 (ja) | 情報処理方法、装置、コンピュータプログラム及び電子装置 | |
US11551479B2 (en) | Motion behavior pattern classification method, system and device | |
Hua et al. | Collaborative active visual recognition from crowds: A distributed ensemble approach | |
Frommel et al. | Towards emotion-based adaptive games: Emotion recognition via input and performance features | |
Laraba et al. | Dance performance evaluation using hidden Markov models | |
CN110347872A (zh) | 视频封面图像提取方法及装置、存储介质及电子设备 | |
CN109784015A (zh) | 一种身份鉴别方法及装置 | |
CN115438102B (zh) | 时空数据异常识别方法、装置和电子设备 | |
CN112163571B (zh) | 电子设备使用者的属性识别方法、装置、设备及存储介质 | |
WO2021147473A1 (zh) | 一种模型训练方法、内容生成方法以及相关装置 | |
CN109961152B (zh) | 虚拟偶像的个性化互动方法、系统、终端设备及存储介质 | |
Orozco et al. | Experiments in haptic-based authentication of humans | |
CN114764580A (zh) | 一种基于无穿戴设备的实时人体手势识别方法 | |
Tsaur et al. | Effective Bots’ Detection for Online Smartphone Game Using Multilayer Perceptron Neural Networks | |
CN110135372A (zh) | Vr艺术媒体交互环境下基于线性判决和svm的动作识别方法 | |
Srinivasan et al. | A supervised learning model to identify the star potential of a basketball player | |
CN117079336B (zh) | 样本分类模型的训练方法、装置、设备及存储介质 | |
CN116955598A (zh) | 事件总结文本的生成方法、装置、设备、介质及程序产品 | |
KR20240016815A (ko) | 얼굴 인식 기반 상호작용 상대방에 대한 사용자의 관계 감정 지수를 측정하는 시스템 및 방법 | |
Silva | An investigation of biometric-based user predictability in the online game League of Legends | |
KR20240016817A (ko) | 사용자의 메타버스 활동 로그에 기초하여 메타버스 속 가상 npc 아바타를 성장시키는 시스템 및 방법 | |
CN116983657A (zh) | 片段识别方法、装置、设备、存储介质及程序产品 | |
CN114358248A (zh) | 一种深度神经网络冗余可靠性度量方法、介质及设备 | |
CN116943155A (zh) | 一种游戏战队推荐方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40037789 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |