CN112365046A - 用户信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

用户信息生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN112365046A
CN112365046A CN202011242612.3A CN202011242612A CN112365046A CN 112365046 A CN112365046 A CN 112365046A CN 202011242612 A CN202011242612 A CN 202011242612A CN 112365046 A CN112365046 A CN 112365046A
Authority
CN
China
Prior art keywords
user
target
score
user data
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011242612.3A
Other languages
English (en)
Inventor
高海明
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202011242612.3A priority Critical patent/CN112365046A/zh
Publication of CN112365046A publication Critical patent/CN112365046A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例公开了用户信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：生成表征目标用户相关的第一用户数据是否合理的信息；响应于该信息为该第一用户数据合理，基于该第一用户数据、与该第一用户数据对应的第一权重、与该目标用户相关的第二用户数据和与该第二用户数据对应的第二权重，生成与该目标用户对应的预测分数；基于该预测分数，生成表征该目标用户是否为参与该目标应用中展示的该目标活动的真实用户的信息。该实施方式可以准确、有效的确定参与目标应用中展示的目标活动的用户的真实性。

Description

用户信息生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用户信息生成方 法、装置、电子设备和计算机可读介质。
背景技术
目前，存在大量虚假用户利用手中的大量手机号、身份证信息、 银行卡信息直接参与到目标应用中显示的目标活动，除此之外，还存 在使用机器人造成虚假点击量。给营销方造成大量的经济成本、机会 成本、时间成本的损失。现有方法常常采用人工检索的方法来确定参 与目标应用中显示的目标活动中的用户是否为真实用户。
然而，当采用上述方式确定真实用户时，经常会存在如下技术问 题：
第一，对于用户数据中各个类型的数据重要程度没有充分考虑。
第二，检索太过于繁琐，不能够准确、有效的确定用户的真实性。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后 面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识 要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要 求的保护的技术方案的范围。
本公开的一些实施例提出了用户信息生成方法、装置、设备和计 算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或 多项。
第一方面，本公开的一些实施例提供了一种用户信息生成方法， 该方法包括：生成表征目标用户相关的第一用户数据是否合理的信息； 响应于上述信息为上述第一用户数据合理，基于上述第一用户数据、与 上述第一用户数据对应的第一权重、与上述目标用户相关的和与上述第 二用户数据对应的第二权重，生成与上述目标用户对应的预测分数，其 中，上述预测分数表征上述目标用户为参与目标应用中目标活动的真实 用户的概率，上述第一权重和上述第二权重是不断变换的；基于上述预 测分数，生成表征上述目标用户是否为参与上述目标应用中展示的上述 目标活动的真实用户的信息。
第二方面，本公开的一些实施例提供了一种用户信息生成装置， 装置包括：第一生成单元，被配置成生成表征目标用户相关的第一用户 数据是否合理的信息；第二生成单元，被配置成响应于上述信息为上述 第一用户数据合理，基于上述第一用户数据、与上述第一用户数据对应 的第一权重、与上述目标用户相关的第二用户数据和与上述第二用户数 据对应的第二权重，生成与上述目标用户对应的预测分数，其中，上述 预测分数表征上述目标用户为参与目标应用中目标活动的真实用户的概 率，上述第一权重和上述第二权重是不断变换的；第三生成单元，被配 置成基于上述预测分数，生成表征上述目标用户是否为参与上述目标应 用中展示的上述目标活动的真实用户的信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个 或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个 程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面 中任一的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上 存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一 的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些 实施例的用户信息生成方法可以准确确定参与目标应用中展示的目标 活动的用户的真实性。具体来说，发明人发现，造成确定参与目标应 用中展示的目标活动的用户的真实性不够精确的原因在于：对于用户 的数据(第一用户数据和第二用户数据)之间的重要程度没有充分的考虑。作为示例，目标用户的身份标识信息的重要程度大于目标用户所 使用的设备信息。基于此，本公开的一些实施例的用户信息生成方法 对于第一用户数据和第二用户数据分配对应的权重，以此来展现第一 用户数据和第二用户数据的重要程度。进而，该实施方式可以准确、 有效的确定参与目标应用中展示的目标活动的用户的真实性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其 他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附 图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元 素不一定按照比例绘制。
图1是本公开的一些实施例的用户信息生成方法的一个应用场景 图的示意图；
图2是根据本公开的用户信息生成方法一些实施例的流程图；
图3是根据本公开的用户信息生成方法的另一些实施例的流程图；
图4是本公开的一些实施例的用户信息生成方法对应的生成预测 分数和第二分数集合的示意图；
图5是根据本公开的用户信息生成装置的一些实施例的结构示意 图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意 图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示 了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形 式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供 这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本 公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护 范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发 明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的 特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不 同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单 元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而 非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出， 否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称 仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限 制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的用户信息生成方法的一个应用场景 图的示意图。
如图1所示，电子设备101可以首先生成表征目标用户相关的第一 用户数据是否合理的信息102。作为示例，上述表征目标用户相关的第一 用户数据是否合理的信息102可以是第一用户数据合理。然后，响应于 上述信息102为上述第一用户数据合理，根据上述第一用户数据103、与 上述第一用户数据103对应的第一权重104、与上述目标用户相关的第二 用户数据105和与上述第二用户数据105对应的第二权重106，生成与上 述目标用户对应的预测分数107。其中，上述预测分数107表征上述目标 用户为参与目标应用中展示的目标活动的真实用户的概率，上述第一权 重104和上述第二权重106是不断变换的。作为示例，上述第一用户数 据103可以是“姓名：孙**，手机号码：154******148，身份证号：154*********562”。上述第一权重可以是“0.6”。上述第二用户数据105 可以是：“使用目标应用时长：145h，参与目标活动时长：11h，使用设 备信息：安卓操作系统”。上述第二权重可以是0.4。上述预测分数107 可以是“85分”。最后，根据上述预测分数107，生成表征上述目标用户 是否为参与上述目标应用中展示的上述目标活动的真实用户的信息108。 作为示例，上述表征上述目标用户是否为参与上述目标应用中展示的上 述目标活动的真实用户的信息108可以是“目标用户为参与目标应用中 展示的目标活动的真实用户”。
需要说明的是，用户信息生成方法可以是由电子设备101来执行。 上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时， 可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成 单个服务器或单个终端设备。当电子设备101体现为软件时，可以实 现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成 单个软件或软件模块。在此不做具体限定。
应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现 需要，可以具有任意数目的电子设备。
继续参考图2，示出了根据本公开的用户信息生成方法的一些实施 例的流程200。该用户信息生成方法，包括以下步骤：
步骤201，生成表征目标用户相关的第一用户数据是否合理的信息。
在一些实施例中，投放信息生成的执行主体(例如图1所示的电 子设备101)可以生成表征目标用户相关的第一用户数据是否合理的信 息。其中，上述第一用户数据可以是与目标用户相关的一部分数据。确 定数据是否合理可以理解为与上述目标用户相关的对应数据是否为一一 对应的。上述目标用户是已确定的待确定真实性的用户。作为示例，上述执行主体可以接收来自相关技术人员传入的第一用户数据分析信息作 为表征目标用户相关的第一用户数据是否合理的信息。
在一些实施例的一些可选的实现方式中，第一用户数据为目标用户 的身份标识信息。作为示例，上述第一用户数据可以包括但不限于以下 至少一项：目标用户的姓名信息，目标用户的是身份证号码信息，目标 用户的手机号码信息。以及上述生成表征目标用户相关的第一用户数据 是否合理的信息可以包括以下步骤：
第一步，对上述第一用户数据进行数据维度处理，得到第一向量。 作为示例，可以利用主成分分析方法(PCA，Principal Component Analysis) 对上述第一用户数据进行数据维度处理。
第二步，将上述第一向量输入至预先训练的用户信息确认网络，得 到表征上述目标用户相关的第一用户数据是否合理的信息。其中，上述 用户信息确认网络可以是以下之一：线性回归网络，卷积神经网络 Convolutional Neural Networks,CNN)，全连接网络，支持向量机(Support Vector Machine,SVM)。
可选的，上述对上述第一用户数据进行数据维度处理，得到第一向 量可以包括以下步骤：
第一步，对上述第一用户数据中离散型数据进行词嵌入，得到离散 处理结果。其中，上述词嵌入可以是把一个维数为所有词的数量的高维 空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射 为实数域上的向量。
第二步，将上述第一用户数据中连续型数据输入至预先训练的卷积 神经网络，得到连续数据向量。
第三步，将上述连续数据向量输入至数据拉平层，得到连续处理结 果。
第四步，将上述连续处理结果和上述离散处理结果进行拼接，得到 上述第一向量。
步骤202，响应于上述信息为上述第一用户数据合理，基于上述第 一用户数据、与上述第一用户数据对应的第一权重、与上述目标用户相 关的第二用户数据和与上述第二用户数据对应的第二权重，生成与上述 目标用户对应的预测分数。
在一些实施例中，响应于上述信息为上述第一用户数据合理，上述 执行主体可以根据上述第一用户数据、与上述第一用户数据对应的第一 权重、与上述目标用户相关的第二用户数据和与上述第二用户数据对应 的第二权重，生成与上述目标用户对应的预测分数。其中，上述预测分 数表征上述目标用户为参与目标应用中展示的目标活动的真实用户的概 率，上述第一权重和上述第二权重是不断变换的。上述第二用户数据可 以是与上述目标用户相关的一部分数据。上述第一权重和上述第二权重 表征着上述第一用户数据和上述第二用户数据的重要程度。初始第一权 重的数值和初始第二权重的数值是通过相关技术人员依据过往数据和凭 借经验预估出来的。上述第一权重和上述第二权重随着用户数据(即， 第一用户数据和第二用户数据)的数量不断增多而不断更变的。
作为示例，上述执行主体可以将上述第一用户数据与上述第一权重 的乘积结果和上述第二用户数据与上述第二权重的乘积结果输入至回归 数中，得到上述预测分数。
在一些实施例的一些可选的实现方式中，上述第二用户数据包括： 上述目标用户使用的设备信息，上述目标用户使用的上述目标应用的相 关信息，上述目标用户参与上述目标活动的相关信息。作为示例，上述 目标用户使用的设备信息可以是目标使用的设备型号和对应的操作系统 信息。上述目标用户使用的上述目标应用的相关信息可以包括但不限于 以下至少一项：目标用户在上述目标应用的注册时长，目标用户在上述 目标应用的使用时间，目标用户在上述目标应用的上线时间，目标用户 在上述目标应用的下线时间。上述目标用户参与上述目标活动的相关信 息可以包括但不限于以下至少一项：目标用户参与上述目标活动的时长， 目标用户参与上述目标活动的名字标识。以及上述响应于上述信息为上 述第一用户数据合理，基于上述第一用户数据、与上述第一用户数据对 应的第一权重、与上述目标用户相关的第二用户数据和与上述第二用户 数据对应的第二权重，生成与上述目标用户对应的预测分数可以包括以 下步骤：
第一步，响应于上述信息为上述第一用户数据合理，对上述第二用 户数据进行数据维度处理，生成第二向量。其中，上述第二向量的数据 维度与上述第一向量的数据维度相同。
第二步，确定上述第一向量与上述第一权重的第一相乘结果和上述 第二向量与上述第二权重的第二相乘结果。
第三步，将上述第一相乘结果和上述第二相乘结果输入至预先训练 的第一分数预测网络中，得到第一分数作为上述预测分数。上述第一分 数预测网络表征着上述第一相乘结果，上述第二相乘结果与上述预测分 数之间的对应关系。上述第一分数预测网络可以是机器学习网络或深度 学习网络。可选的，上述第一权重和上述第二权重作为参数变量随着上 述第一分数预测网络的训练不断变换。
步骤203，基于上述预测分数，生成表征上述目标用户是否为参与 上述目标应用中展示的上述目标活动的真实用户的信息。
在一些实施例中，上述执行主体可以根据上述预测分数，生成表征 上述目标用户是否为参与上述目标应用中展示的上述目标活动的真实用 户的信息。作为示例，响应于上述预测分数大于或等于预先设定的阈 值，则生成表征目标用户为参与上述目标应用中展示的上述目标活动的 真实用户的信息。响应于上述预测分数小于预先设定的阈值，则生成目 标用户不是为参与上述目标应用中展示的上述目标活动的真实用户的信 息。
由上述一些实施例可以得到，通过本公开的一些实施例的用户信 息生成方法可以准确确定参与目标应用中展示的目标活动的用户的真 实性。具体来说，发明人发现，造成确定参与目标应用中展示的目标 活动的用户的真实性不够精确的原因在于：对于用户的数据(第一用户 数据和第二用户数据)之间的重要程度没有充分的考虑。作为示例，目标用户的身份标识信息的重要程度大于目标用户所使用的设备信息。 基于此，本公开的一些实施例的用户信息生成方法对于第一用户数据 和第二用户数据分配对应的权重，以此来展现第一用户数据和第二用 户数据的重要程度。进而，该实施方式可以准确、有效的确定参与目 标应用中展示的目标活动的用户的真实性。
继续参考图3，示出了根据本公开的用户信息生成方法的另一些实 施例的流程300。该用户信息生成方法，包括以下步骤：
步骤301，生成表征目标用户相关的第一用户数据是否合理的信息。
步骤302，响应于上述信息为上述第一用户数据合理，基于上述第 一用户数据、与上述第一用户数据对应的第一权重、与上述目标用户相 关的第二用户数据和与上述第二用户数据对应的第二权重，生成与上述 目标用户对应的预测分数。
在一些实施例中，步骤301-302的具体实现及所带来的技术效果 可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。
步骤303，将上述第一相乘结果和上述第二相乘结果输入至预先训 练的至少一个第二分数预测网络，得到第二分数集合。
在一些实施例中，执行主体可以将上述第一相乘结果和上述第二相 乘结果输入至预先训练的至少一个第二分数预测网络，得到第二分数集 合。其中，上述至少一个第二分数预测网络中各个第二分数预测网络可 以是神经网络或机器学习网络。
步骤304，响应于上述预测分数大于或等于预先设定的阈值，对上 述预测分数和上述第二分数集合中各个第二分数分配对应权重。
在一些实施例中，响应于上述预测分数大于或等于预先设定的阈 值，上述执行主体可以对上述预测分数和上述第二分数集合中各个第二 分数分配对应权重。
步骤305，确定上述预测分数、上述第二分数集合与上述对应的权 重之间的加权和，得到相加数值。
在一些实施例中，上述执行主体可以确定上述预测分数、上述第二 分数集合与上述对应的权重之间的加权和，得到相加数值。
步骤306，基于上述相加数值，生成上述表征上述目标用户是否为 参与上述目标应用中展示的上述目标活动的真实用户的信息。
在一些实施例中，上述执行主体可以根据上述相加数值，生成上述 表征上述目标用户是否为参与上述目标应用中展示的上述目标活动的真 实用户的信息。作为示例，响应于上述相加数值大于或等于预先设定的 阈值，则生成表征目标用户为参与上述目标应用中展示的上述目标活动 的真实用户的信息。响应于上述相加数值小于预先设定的阈值，则生成 目标用户不是为参与上述目标应用中展示的上述目标活动的真实用户的 信息。
在一些实施例的一些可选的实现方式中，根据上述表征上述目标用 户是否为参与上述目标应用中展示的上述目标活动的真实用户的信息， 对上述第一分数预测网络和上述至少一个第二分数预测网络进行重新训 练，得到再次训练的第一分数预测网络和上述至少一个第二分数预测网 络。作为示例，将上述目标用户数据和上述表征上述目标用户是否为参 与上述目标应用中展示的上述目标活动的真实用户的信息作为上述第一 分数预测网络和上述至少一个第二分数预测网络的训练数据样本来再次 训练，得到再次训练的第一分数预测网络和上述至少一个第二分数预测 网络。
作为示例，如图4所示，首先，对第一用户数据401进行数据维度 处理，得到第一向量404。同样，可以对第二用户数据402进行数据维度 处理，得到第二向量405。然后，将第一权重403与第一向量404进行相 乘，得到第一相乘结果407。同样，第二向量405与第二权重406进行相 乘，得到第二相乘结果408。最后，将第一相乘结果407和第二相乘结果 408输入至预先训练的第一分数预测网络409，得到第一分数411作为预 测分数。同样，将第一相乘结果407和第二相乘结果408输入至至少一 个第二分数预测网络410，得到第二分数集合412。其中，至少一个第二 分数预测网络410包括：第二分数预测网络4101，第二分数预测网络 4102，第二分数预测网络4103。上述第二分数集合412包括：第二分数 4121，第二分数4122，第二分数4123。
本公开的实施例解决了背景技术提及的技术问题二“检索太过于 繁琐，不能够准确、有效的确定用户的真实性”。不能够准确、有效的 确定用户的真实性的原因往往如下：现有方法常常采用人工检索的方 法来确定参与目标应用中显示的目标活动中的用户是否为真实用户导 致人为分析不够准确。为了达到这一效果，本公开引入了第一分数预 测网络和至少一个第二分数预测网络。进而，对应的第一分数预测网 络的输出(预测分数)和至少一个第二分数预测网络的输出(第二分 数集合)之间的权衡来准确、有效的确定目标用户的真实性。
继续参考图5，作为对上述各图上述方法的实现，本公开提供了 一种用户信息生成装置的一些实施例，这些装置实施例与图2上述的 那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的用户信息生成装置500包括：第一生 成单元501、第二生成单元502和第三生成单元503。其中，第一生成 单元501，被配置成生成表征目标用户相关的第一用户数据是否合理的 信息。第二生成单元502，被配置成响应于上述信息为上述第一用户数 据合理，基于上述第一用户数据、与上述第一用户数据对应的第一权重、 与上述目标用户相关的第二用户数据和与上述第二用户数据对应的第二 权重，生成与上述目标用户对应的预测分数，其中，上述预测分数表征 上述目标用户为参与目标应用中目标活动的真实用户的概率，上述第一 权重和上述第二权重是不断变换的。第三生成单元503，被配置成基于 上述预测分数，生成表征上述目标用户是否为参与上述目标应用中展示 的上述目标活动的真实用户的信息。
在一些实施例的一些可选实现方式中，上述第一用户数据为目标用 户的身份标识信息。第一生成单元501可以进一步被配置成：对上述第 一用户数据进行数据维度处理，得到第一向量；将上述第一向量输入至 预先训练的用户信息确认网络，得到表征上述目标用户相关的第一用户 数据是否合理的信息。
在一些实施例的一些可选实现方式中，第一生成单元501可以进 一步被配置成：对上述第一用户数据中离散型数据进行词嵌入，得到离 散处理结果；将上述第一用户数据中连续型数据输入至预先训练的卷积 神经网络，得到连续数据向量；将上述连续数据向量输入至数据拉平层， 得到连续处理结果；将上述连续处理结果和上述离散处理结果进行拼接， 得到上述第一向量。
在一些实施例的一些可选实现方式中，上述第二用户数据包括：上 述目标用户使用的设备信息，上述目标用户使用的上述目标应用的相关 信息，上述目标用户参与上述目标活动的相关信息。第二生成单元502 可以进一步被配置成：响应于上述信息为上述第一用户数据合理，对上 述第二用户数据进行数据维度处理，生成第二向量，其中，上述第二向量的数据维度与上述第一向量的数据维度相同；确定上述第一向量与上 述第一权重的第一相乘结果和上述第二向量与上述第二权重的第二相乘 结果；将上述第一相乘结果和上述第二相乘结果输入至预先训练的第一 分数预测网络中，得到第一分数作为上述预测分数。
在一些实施例的一些可选实现方式中，第三生成单元503可以进 一步被配置成：将上述第一相乘结果和上述第二相乘结果输入至预先训 练的至少一个第二分数预测网络，得到第二分数集合；基于上述预测分 数和上述第二分数集合，生成表征上述目标用户是否为参与上述目标应 用中展示的上述目标活动的真实用户的信息。
在一些实施例的一些可选实现方式中，第三生成单元503可以进 一步被配置成：响应于上述预测分数大于或等于预先设定的阈值，对上 述预测分数和上述第二分数集合中各个第二分数分配对应权重；确定上 述预测分数、上述第二分数集合与上述对应的权重之间的加权和，得到 相加数值；基于上述相加数值，生成上述表征上述目标用户是否为参与 上述目标应用中展示的上述目标活动的真实用户的信息。
在一些实施例的一些可选实现方式中，上述装置还包括训练单元。 上述训练单元可以被配置成基于上述表征上述目标用户是否为参与上 述目标应用中展示的上述目标活动的真实用户的信息，对上述第一分数 预测网络和上述至少一个第二分数预测网络进行重新训练，得到再次训 练的第一分数预测网络和上述至少一个第二分数预测网络。
在一些实施例的一些可选实现方式中，上述第一权重和上述第二 权重作为参数变量随着上述第一分数预测网络的训练不断变换。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方 法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及 产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘 述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电 子设备(例如图1的电子设备)600的结构示意图。图6示出的电子 设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来 任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、 图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的 程序或者从存储装置608加载到随机访问存储器(RAM)603中的程 序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备 600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线 604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸 板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607； 包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置 609可以允许电子设备600与其他设备进行无线或有线通信以交换数 据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是， 并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或 更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据 需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程 可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种 计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该 计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一 些实施例中，该计算机程序可以通过通信装置609从网络上被下载和 安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计 算机程序被处理装置601执行时，执行本公开的一些实施例的方法中 限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以 是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任 意组合。计算机可读存储介质例如可以是——但不限于——电、磁、 光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的 组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有 一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储 器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器 件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施 例中，计算机可读存储介质可以是任何包含或存储程序的有形介质， 该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。 而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中 或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序 代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信 号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是 计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号 介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使 用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以 用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等 等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP (HyperText TransferProtocol，超文本传输协议)之类的任何当前已知 或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字 数据通信(例如，通信网络)互连。通信网络的示例包括局域网 (“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端 网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网 络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独 存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或 者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该 电子设备：生成表征目标用户相关的第一用户数据是否合理的信息；响 应于上述信息为上述第一用户数据合理，基于上述第一用户数据、与上 述第一用户数据对应的第一权重、与上述目标用户相关的第二用户数据 和与上述第二用户数据对应的第二权重，生成与上述目标用户对应的预 测分数，其中，上述预测分数表征上述目标用户为参与目标应用中目标 活动的真实用户的概率，上述第一权重和上述第二权重是不断变换的； 基于上述预测分数，生成表征上述目标用户是否为参与上述目标应用中展示的上述目标活动的真实用户的信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开 的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向 对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过 程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可 以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一 个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、 或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中， 远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域 网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例 如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、 方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码 的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实 现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实 现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。 例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时 也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是， 框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现， 或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现， 也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中， 例如，可以描述为：一种处理器包括第一生成单元、第二生成单元、 第三生成单元。其中，这些单元的名称在某种情况下并不构成对该单 元本身的限定，例如，第一生成单元还可以被描述为“生成表征目标用 户相关的第一用户数据是否合理的信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部 件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件 包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标 准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种用户信息生成方法， 包括：生成表征目标用户相关的第一用户数据是否合理的信息；响应于 上述信息为上述第一用户数据合理，基于上述第一用户数据、与上述第 一用户数据对应的第一权重、与上述目标用户相关的第二用户数据和与 上述第二用户数据对应的第二权重，生成与上述目标用户对应的预测分 数，其中，上述预测分数表征上述目标用户为参与目标应用中目标活动 的真实用户的概率，上述第一权重和上述第二权重是不断变换的；基于 上述预测分数，生成表征上述目标用户是否为参与上述目标应用中展示 的上述目标活动的真实用户的信息。
根据本公开的一个或多个实施例，上述第一用户数据为目标用户的 身份标识信息；以及上述生成表征目标用户相关的第一用户数据是否合 理的信息，包括：对上述第一用户数据进行数据维度处理，得到第一向 量；将上述第一向量输入至预先训练的用户信息确认网络，得到表征上 述目标用户相关的第一用户数据是否合理的信息。
根据本公开的一个或多个实施例，上述对上述第一用户数据进行数 据维度处理，得到第一向量，包括：对上述第一用户数据中离散型数据 进行词嵌入，得到离散处理结果；将上述第一用户数据中连续型数据输 入至预先训练的卷积神经网络，得到连续数据向量；将上述连续数据向 量输入至数据拉平层，得到连续处理结果；将上述连续处理结果和上述离散处理结果进行拼接，得到上述第一向量。
根据本公开的一个或多个实施例，上述第二用户数据包括：上述目 标用户使用的设备信息，上述目标用户使用的上述目标应用的相关信息， 上述目标用户参与上述目标活动的相关信息；以及上述响应于上述信息 为上述第一用户数据合理，基于上述第一用户数据、与上述第一用户数 据对应的第一权重、与上述目标用户相关的第二用户数据和与上述第二 用户数据对应的第二权重，生成与上述目标用户对应的预测分数，包括： 响应于上述信息为上述第一用户数据合理，对上述第二用户数据进行数 据维度处理，生成第二向量，其中，上述第二向量的数据维度与上述第 一向量的数据维度相同；确定上述第一向量与上述第一权重的第一相乘 结果和上述第二向量与上述第二权重的第二相乘结果；将上述第一相乘 结果和上述第二相乘结果输入至预先训练的第一分数预测网络中，得到 第一分数作为上述预测分数。
根据本公开的一个或多个实施例，上述基于上述预测分数，生成表 征上述目标用户是否为参与上述目标应用中展示的上述目标活动的真实 用户的信息，包括：将上述第一相乘结果和上述第二相乘结果输入至预 先训练的至少一个第二分数预测网络，得到第二分数集合；基于上述预 测分数和上述第二分数集合，生成表征上述目标用户是否为参与上述目 标应用中展示的上述目标活动的真实用户的信息。
根据本公开的一个或多个实施例，上述基于上述预测分数和上述第 二分数集合，生成表征上述目标用户是否为参与上述目标应用中展示的 上述目标活动的真实用户的信息，包括：响应于上述预测分数大于或等 于预先设定的阈值，对上述预测分数和上述第二分数集合中各个第二分 数分配对应权重；确定上述预测分数、上述第二分数集合与上述对应的 权重之间的加权和，得到相加数值；基于上述相加数值，生成上述表征 上述目标用户是否为参与上述目标应用中展示的上述目标活动的真实用 户的信息。
根据本公开的一个或多个实施例，上述方法还包括：基于上述表征 上述目标用户是否为参与上述目标应用中展示的上述目标活动的真实用 户的信息，对上述第一分数预测网络和上述至少一个第二分数预测网络 进行重新训练，得到再次训练的第一分数预测网络和上述至少一个第二 分数预测网络。
根据本公开的一个或多个实施例，上述第一权重和上述第二权重作 为参数变量随着上述第一分数预测网络的训练不断变换。
根据本公开的一个或多个实施例，提供了一种用户信息生成装置， 包括：第一生成单元，被配置成生成表征目标用户相关的第一用户数据 是否合理的信息；第二生成单元，被配置成响应于上述信息为上述第一 用户数据合理，基于上述第一用户数据、与上述第一用户数据对应的第 一权重、与上述目标用户相关的第二用户数据和与上述第二用户数据对 应的第二权重，生成与上述目标用户对应的预测分数，其中，上述预测 分数表征上述目标用户为参与目标应用中目标活动的真实用户的概率， 上述第一权重和上述第二权重是不断变换的；第三生成单元，被配置成 基于上述预测分数，生成表征上述目标用户是否为参与上述目标应用中 展示的上述目标活动的真实用户的信息。
根据本公开的一个或多个实施例，上述第一用户数据为目标用户的 身份标识信息。第一生成单元可以进一步被配置成：对上述第一用户数 据进行数据维度处理，得到第一向量；将上述第一向量输入至预先训练 的用户信息确认网络，得到表征上述目标用户相关的第一用户数据是否 合理的信息。
根据本公开的一个或多个实施例，第一生成单元可以进一步被配 置成：对上述第一用户数据中离散型数据进行词嵌入，得到离散处理结 果；将上述第一用户数据中连续型数据输入至预先训练的卷积神经网络， 得到连续数据向量；将上述连续数据向量输入至数据拉平层，得到连续 处理结果；将上述连续处理结果和上述离散处理结果进行拼接，得到上 述第一向量。
根据本公开的一个或多个实施例，上述第二用户数据包括：上述目 标用户使用的设备信息，上述目标用户使用的上述目标应用的相关信息， 上述目标用户参与上述目标活动的相关信息。第二生成单元可以进一步 被配置成：响应于上述信息为上述第一用户数据合理，对上述第二用户 数据进行数据维度处理，生成第二向量，其中，上述第二向量的数据维 度与上述第一向量的数据维度相同；确定上述第一向量与上述第一权重 的第一相乘结果和上述第二向量与上述第二权重的第二相乘结果；将上 述第一相乘结果和上述第二相乘结果输入至预先训练的第一分数预测网 络中，得到第一分数作为上述预测分数。
根据本公开的一个或多个实施例，第三生成单元可以进一步被配 置成：将上述第一相乘结果和上述第二相乘结果输入至预先训练的至少 一个第二分数预测网络，得到第二分数集合；基于上述预测分数和上述 第二分数集合，生成表征上述目标用户是否为参与上述目标应用中展示 的上述目标活动的真实用户的信息。
根据本公开的一个或多个实施例，第三生成单元可以进一步被配 置成：响应于上述预测分数大于或等于预先设定的阈值，对上述预测分 数和上述第二分数集合中各个第二分数分配对应权重；确定上述预测分 数、上述第二分数集合与上述对应的权重之间的加权和，得到相加数值； 基于上述相加数值，生成上述表征上述目标用户是否为参与上述目标应 用中展示的上述目标活动的真实用户的信息。
根据本公开的一个或多个实施例，上述装置还包括训练单元。上 述训练单元可以被配置成基于上述表征上述目标用户是否为参与上述 目标应用中展示的上述目标活动的真实用户的信息，对上述第一分数预 测网络和上述至少一个第二分数预测网络进行重新训练，得到再次训练 的第一分数预测网络和上述至少一个第二分数预测网络。
根据本公开的一个或多个实施例，上述第一权重和上述第二权重作 为参数变量随着上述第一分数预测网络的训练不断变换。
根据本公开的一个或多个实施例，提供了一种电子设备，包括： 一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个 或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如 上述任一实施例描述的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质， 其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一 实施例描述的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的 说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范 围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵 盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进 行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例 中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成 的技术方案。

Claims (11)

1.一种用户信息生成方法，包括：
生成表征目标用户相关的第一用户数据是否合理的信息；
响应于所述信息为所述第一用户数据合理，基于所述第一用户数据、与所述第一用户数据对应的第一权重、与所述目标用户相关的第二用户数据和与所述第二用户数据对应的第二权重，生成与所述目标用户对应的预测分数，其中，所述预测分数表征所述目标用户为参与目标应用中展示的目标活动的真实用户的概率，所述第一权重和所述第二权重是不断变换的；
基于所述预测分数，生成表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息。
2.根据权利要求1所述的方法，其中，所述第一用户数据为目标用户的身份标识信息；以及
所述生成表征目标用户相关的第一用户数据是否合理的信息，包括：
对所述第一用户数据进行数据维度处理，得到第一向量；
将所述第一向量输入至预先训练的用户信息确认网络，得到表征所述目标用户相关的第一用户数据是否合理的信息。
3.根据权利要求2所述的方法，其中，所述对所述第一用户数据进行数据维度处理，得到第一向量，包括：
对所述第一用户数据中离散型数据进行词嵌入，得到离散处理结果；
将所述第一用户数据中连续型数据输入至预先训练的卷积神经网络，得到连续数据向量；
将所述连续数据向量输入至数据拉平层，得到连续处理结果；
将所述连续处理结果和所述离散处理结果进行拼接，得到所述第一向量。
4.根据权利要求2所述的方法，其中，所述第二用户数据包括：所述目标用户使用的设备信息，所述目标用户使用的所述目标应用的相关信息，所述目标用户参与所述目标活动的相关信息；以及
所述响应于所述信息为所述第一用户数据合理，基于所述第一用户数据、与所述第一用户数据对应的第一权重、与所述目标用户相关的第二用户数据和与所述第二用户数据对应的第二权重，生成与所述目标用户对应的预测分数，包括：
响应于所述信息为所述第一用户数据合理，对所述第二用户数据进行数据维度处理，生成第二向量，其中，所述第二向量的数据维度与所述第一向量的数据维度相同；
确定所述第一向量与所述第一权重的第一相乘结果和所述第二向量与所述第二权重的第二相乘结果；
将所述第一相乘结果和所述第二相乘结果输入至预先训练的第一分数预测网络中，得到第一分数作为所述预测分数。
5.根据权利要求4所述的方法，其中，所述基于所述预测分数，生成表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息，包括：
将所述第一相乘结果和所述第二相乘结果输入至预先训练的至少一个第二分数预测网络，得到第二分数集合；
基于所述预测分数和所述第二分数集合，生成表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息。
6.根据权利要求5所述的方法，其中，所述基于所述预测分数和所述第二分数集合，生成表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息，包括：
响应于所述预测分数大于或等于预先设定的阈值，对所述预测分数和所述第二分数集合中各个第二分数分配对应权重；
确定所述预测分数、所述第二分数集合与所述对应的权重之间的加权和，得到相加数值；
基于所述相加数值，生成所述表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息。
7.根据权利要求5所述的方法，其中，所述方法还包括：
基于所述表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息，对所述第一分数预测网络和所述至少一个第二分数预测网络进行重新训练，得到再次训练的第一分数预测网络和所述至少一个第二分数预测网络。
8.根据权利要求4所述的方法，其中，所述第一权重和所述第二权重作为参数变量随着所述第一分数预测网络的训练不断变换。
9.一种用户信息生成装置，包括：
第一生成单元，被配置成生成表征目标用户相关的第一用户数据是否合理的信息；
第二生成单元，被配置成响应于所述信息为所述第一用户数据合理，基于所述第一用户数据、与所述第一用户数据对应的第一权重、与所述目标用户相关的第二用户数据和与所述第二用户数据对应的第二权重，生成与所述目标用户对应的预测分数，其中，所述预测分数表征所述目标用户为参与目标应用中展示的目标活动的真实用户的概率，所述第一权重和所述第二权重是不断变换的；
第三生成单元，被配置成基于所述预测分数，生成表征所述目标用户是否为参与所述目标应用中展示的所述目标活动的真实用户的信息。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202011242612.3A 2020-11-09 2020-11-09 用户信息生成方法、装置、电子设备和计算机可读介质 Pending CN112365046A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011242612.3A CN112365046A (zh) 2020-11-09 2020-11-09 用户信息生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011242612.3A CN112365046A (zh) 2020-11-09 2020-11-09 用户信息生成方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN112365046A true CN112365046A (zh) 2021-02-12

Family

ID=74509200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011242612.3A Pending CN112365046A (zh) 2020-11-09 2020-11-09 用户信息生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112365046A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064927A (zh) * 2021-03-24 2021-07-02 深圳市道通科技股份有限公司 客户筛选方法、装置、电子设备及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228042A (zh) * 2016-07-15 2016-12-14 乐视控股（北京）有限公司 用户识别方法及装置
CN107358075A (zh) * 2017-07-07 2017-11-17 四川大学 一种基于层次聚类的虚假用户检测方法
CN109242522A (zh) * 2017-07-11 2019-01-18 深圳乐信软件技术有限公司 目标用户识别模型建立、目标用户识别方法及装置
US10242019B1 (en) * 2014-12-19 2019-03-26 Experian Information Solutions, Inc. User behavior segmentation using latent topic detection
CN110610378A (zh) * 2019-08-14 2019-12-24 深圳壹账通智能科技有限公司 产品需求分析方法、装置、计算机设备和存储介质
CN111199473A (zh) * 2019-12-16 2020-05-26 北京淇瑀信息科技有限公司 基于交易记录信息的反作弊方法、装置和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10242019B1 (en) * 2014-12-19 2019-03-26 Experian Information Solutions, Inc. User behavior segmentation using latent topic detection
CN106228042A (zh) * 2016-07-15 2016-12-14 乐视控股（北京）有限公司 用户识别方法及装置
CN107358075A (zh) * 2017-07-07 2017-11-17 四川大学 一种基于层次聚类的虚假用户检测方法
CN109242522A (zh) * 2017-07-11 2019-01-18 深圳乐信软件技术有限公司 目标用户识别模型建立、目标用户识别方法及装置
CN110610378A (zh) * 2019-08-14 2019-12-24 深圳壹账通智能科技有限公司 产品需求分析方法、装置、计算机设备和存储介质
CN111199473A (zh) * 2019-12-16 2020-05-26 北京淇瑀信息科技有限公司 基于交易记录信息的反作弊方法、装置和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张仰森;郑佳;唐安杰;: "基于多特征融合的微博用户权威度定量评价方法", 电子学报, no. 11, 15 November 2017 (2017-11-15), pages 2800 - 2809 *
徐昕虹;张保稳;孔凌宇;孔国栋;: "一种论坛的网络用户信用评价体系", 信息安全与通信保密, no. 01, 10 January 2013 (2013-01-10), pages 60 - 62 *
方明;方意;: "一种新型智能僵尸粉甄别方法", 计算机工程, no. 04, 15 April 2013 (2013-04-15), pages 190 - 193 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064927A (zh) * 2021-03-24 2021-07-02 深圳市道通科技股份有限公司 客户筛选方法、装置、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
EP3523759B1 (en) Image processing neural networks with separable convolutional layers
CN109981787B (zh) 用于展示信息的方法和装置
CN109829432B (zh) 用于生成信息的方法和装置
CN110688528A (zh) 生成视频的分类信息的方法、装置、电子设备和介质
CN111061956A (zh) 用于生成信息的方法和装置
CN112650841A (zh) 信息处理方法、装置和电子设备
CN111354345B (zh) 生成语音模型和语音识别的方法、装置、设备以及介质
CN110084317B (zh) 用于识别图像的方法和装置
CN111340221A (zh) 神经网络结构的采样方法和装置
CN113505206B (zh) 基于自然语言推理的信息处理方法、装置和电子设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN110765752A (zh) 试题的生成方法、装置、电子设备及计算机可读存储介质
CN117236805B (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
KR20210046129A (ko) 학습 콘텐츠 추천 방법 및 장치
WO2024152686A1 (zh) 确定资源信息的推荐指标的方法、装置、设备、存储介质及计算机程序产品
CN109840072A (zh) 信息处理方法和装置
CN109598344A (zh) 模型生成方法和装置
CN112365046A (zh) 用户信息生成方法、装置、电子设备和计算机可读介质
CN110347973B (zh) 用于生成信息的方法和装置
WO2023125000A1 (zh) 内容输出方法、装置、计算机可读介质及电子设备
CN111797822A (zh) 文字对象评价方法、装置和电子设备
CN116843991A (zh) 模型训练方法、信息生成方法、装置、设备和介质
CN113240323B (zh) 基于机器学习的水平评测方法、装置及相关设备
CN111949860B (zh) 用于生成相关度确定模型的方法和装置
CN111754984B (zh) 文本选取的方法、装置、设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination