CN112560702A - 用户兴趣画像生成方法、装置、电子设备及介质 - Google Patents
用户兴趣画像生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112560702A CN112560702A CN202011503497.0A CN202011503497A CN112560702A CN 112560702 A CN112560702 A CN 112560702A CN 202011503497 A CN202011503497 A CN 202011503497A CN 112560702 A CN112560702 A CN 112560702A
- Authority
- CN
- China
- Prior art keywords
- user interest
- target
- parameters
- target person
- video stream
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009471 action Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 208000033986 Device capturing issue Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- User Interface Of Digital Computer (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
Abstract
本公开实施例中提供了一种用户兴趣画像生成方法、装置、电子设备及介质，属于图像处理技术领域，具体包括：采集预设区域对应的目标视频流；根据目标视频流生成目标人员对应的行动模型，其中，行动数据包括目标人员的轨迹参数和时间参数；将轨迹参数映射到预设区域对应的二维地图内，并根据时间参数生成目标参数；根据目标参数训练得到用户兴趣模型；根据用户兴趣模型建立目标人员对应的用户兴趣画像。通过本公开的方案，通过将视频流中目标人员的轨迹参数映射到二维地图内，并结合时间参数生成目标参数，再据此训练模型，从而能自动生成目标人员对于预设区域内的感兴趣区域，形成用户兴趣画像，提高了用户兴趣画像生成的效率和精准度。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种用户兴趣画像生成方法、装置、电子设备及介质。
背景技术
目前，在当今社会，人工智能正在越来越多的领域发挥着巨大的作用，针对于人流量大的场景，需要对场景内人员定义或识别，而现有的方法大多是人力统计，或者是基于摄像头的视角去分析用户行为，只能做到一个用户当前状态下的行为采集，然后通过不断积累通过统计学的方式去学习出用户对某些商品是否感兴趣。这种方法会导致无法捕捉用户在什么环境和浏览哪些商品下做出的与商品的互动，缺少了用户做出行为的既定条件约束，导致统计效率和精度较差。
可见，亟需一种对用户信息统计效率高，且能精准生成用户兴趣画像的用户兴趣画像生成方法。
发明内容
有鉴于此，本公开实施例提供一种用户兴趣画像生成方法、装置、电子设备及介质，至少部分解决现有技术中针对用户生成兴趣画像效率和精准度较低的问题。
第一方面，本公开实施例提供了一种用户兴趣画像生成方法，包括：
采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；
根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；
将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；
根据所述目标参数训练得到用户兴趣模型；
根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。
根据本公开实施例的一种具体实现方式，所述根据所述目标视频流生成所述目标人员对应的行动模型的步骤，包括：
利用所述目标视频流内包含所述目标人员的全部图像训练卷积神经网络，得到所述行动模型。
根据本公开实施例的一种具体实现方式，所述根据所述目标参数训练得到用户兴趣模型的步骤，包括：
利用所述目标参数训练循环神经网络，得到所述用户兴趣模型。
根据本公开实施例的一种具体实现方式，所述根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像的步骤之后，所述方法还包括：
当接收到所述目标人员的触发信号时，将所述触发信号存储至所述用户兴趣画像。
根据本公开实施例的一种具体实现方式，所述根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像的步骤之后，所述方法还包括：
获取调整参数；
根据所述调整参数更新所述用户兴趣画像。
根据本公开实施例的一种具体实现方式，所述将所述触发信号存储至所述用户兴趣画像，或者，所述根据所述调整参数更新所述用户兴趣画像的步骤之后，所述方法还包括：
当检测到所述目标人员进入所述预设区域内，提取所述目标人员对应的用户兴趣画像；
根据所述用户兴趣画像生成接待方案。
第二方面，本公开实施例提供了一种用户兴趣画像生成装置，包括：
采集模块，用于采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；
生成模块，根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；
映射模块，用于将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；
训练模块，用于根据所述目标参数训练得到用户兴趣模型；
建立模块，用于根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。
根据本公开实施例的一种具体实现方式，所述生成模块还用于：
利用所述目标视频流内包含所述目标人员的全部图像训练卷积神经网络，得到所述行动模型。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的用户兴趣画像生成方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的用户兴趣画像生成方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的用户兴趣画像生成方法。
本公开实施例中的用户兴趣画像生成方案，包括：采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；根据所述目标参数训练得到用户兴趣模型；根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。通过本公开的方案，通过将视频流中目标人员的轨迹参数映射到二维地图内，并结合时间参数生成目标参数，再据此训练模型，从而能自动生成目标人员对于预设区域内的感兴趣区域，形成用户兴趣画像，提高了用户兴趣画像生成的效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
图1为本公开实施例提供的一种用户兴趣画像生成方法的流程示意图；
图2为本公开实施例提供的一种用户兴趣画像生成方法涉及的一种具体实施方式的流程示意图；
图3为本公开实施例提供的一种用户兴趣画像生成装置的结构示意图；
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
目前，在当今社会，人工智能正在越来越多的领域发挥着巨大的作用，针对于人流量大的场景，需要对场景内人员定义或识别，而现有的方法大多是人力统计，或者是基于摄像头的视角去分析用户行为，只能做到一个用户当前状态下的行为采集，然后通过不断积累通过统计学的方式去学习出用户对某些商品是否感兴趣。这种方法会导致无法捕捉用户在什么环境和浏览哪些商品下做出的与商品的互动，缺少了用户做出行为的既定条件约束，导致统计效率和精度较差。本公开实施例提供一种用户兴趣画像生成方法，所述方法可以应用于商场、景区等人员流量大的场景内的用户兴趣信息收集与统计过程中。
参见图1，为本公开实施例提供的一种种用户兴趣画像生成方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；
具体实施时，电子设备可以内置有图像采集模块，或者外接图像采集装置，所述图像采集模块或者所述外接图像采集装置用于采集所述预设区域的视频，形成视频流，所述预设区域可以为待检测场景例如商场、景点等所述目标人员活动的场景。
S102，根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；
具体实施时，可以将所述目标视频流利用深度学习网络等工具生成所述目标人员对应的行动模型，所述行动模型可以包括所述目标人员的轨迹参数和所述时间参数，用于表示所述目标人员在所述预设区域内的移动路线，所述时间参数用于表示所述目标人员在所述预设区域内移动时的序列关系。
S103，将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；
考虑到若仅根据所述目标视频流的内容进行统计，然后通过统计学的方式去学习出用户对某些商品是否感兴趣，会导致无法捕捉所述目标人员在什么环境和浏览哪些商品下做出的与商品的互动，从而影响测量精度。还可以将所述轨迹参数映射到所述预设区域对应的二维地图内，例如，所述预设区域为商场，则可以根据商场内商品的陈列位置建立所述二维地图，在将所述轨迹参数映射到所述二维地图后，结合所述时间参数生成所述目标参数，所述目标参数用于表示所述目标人员到达每个商品区域的时刻以及停留时间。
S104，根据所述目标参数训练得到用户兴趣模型；
得到所述目标参数后，可以根据所述目标参数结合学习网络等，训练得到所述用户兴趣模型，以使得后续能自动识别视频数据。
S105，根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。
可以根据所述用户兴趣模型输出所述目标人员对应的用户兴趣画像，以便于后续操作。例如，在商场中可以输出每个人员对应的用户兴趣画像，获取每个人员的喜欢以便于后续的采购量统计。
本实施例提供的用户兴趣画像生成方法，通过将视频流中目标人员的轨迹参数映射到二维地图内，并结合时间参数生成目标参数，再据此训练模型，从而能自动生成目标人员对于预设区域内的感兴趣区域，形成用户兴趣画像，提高了用户兴趣画像生成的效率和精准度。
在上述实施例的基础上，步骤S102所述的，根据所述目标视频流生成所述目标人员对应的行动模型，包括：
利用所述目标视频流内包含所述目标人员的全部图像训练卷积神经网络，得到所述行动模型。
例如，可以选用所述卷积神经网络进行训练，将所述目标视频流内包含所述目标人员的全部图像输入主干网络Backbone，经过Backbone之后得到三个分支，分别为人体分类器，人体框坐标偏移，以及用于跟踪的特征，分别通过softmax损失函数，L1损失函数以及cos损失函数用于训练，最终得到所述行动模型。
可选的，步骤S104所述的，根据所述目标参数训练得到用户兴趣模型，包括：
利用所述目标参数训练循环神经网络，得到所述用户兴趣模型。
具体实施时，考虑到所述目标参数存在序列性，在训练过程中可能会出现梯度消失和梯度爆炸的问题，可以将所述目标参数输入所述循环神经网络，得到所述用户兴趣模型。
在上述实施例的基础上，步骤S105所述的，根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像之后，所述方法还包括：
当接收到所述目标人员的触发信号时，将所述触发信号存储至所述用户兴趣画像。
具体实施时，可以在接收到所述目标人员对应的触发信号例如支付信息、商品购买记录等时，将所述触发信号存储至所述用户兴趣图像内，以使得所述用户兴趣图像的精度更高。
可选的，步骤S105所述的，所述根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像之后，所述方法还包括：
获取调整参数；
根据所述调整参数更新所述用户兴趣画像。
具体实施时，考虑到商场或者景点等场景的人流量或者人员类型在不同情况下也会不同，可以获取例如日期、节假日、商场活动通知等作为所述调整参数，然后根据所述调整参数更新所述用户兴趣画像，以提高所述用户兴趣画像的统计精度。
进一步的，所述将所述触发信号存储至所述用户兴趣画像，或者，所述根据所述调整参数更新所述用户兴趣画像的步骤之后，所述方法还包括：
当检测到所述目标人员进入所述预设区域内，提取所述目标人员对应的用户兴趣画像；
根据所述用户兴趣画像生成接待方案。
具体实施时，当进一步更新所述用户兴趣画像后，当所述目标人员再次进入所述预设区域时，或者，所述目标人员进入其他调用所述目标人员对应的用户兴趣画像的场景时，可以先识别所述目标人员，然后根据所述目标人员的人脸图像等提取所述目标人员对应的用户兴趣画像，并根据所述用户兴趣画像生成接待方案。
在一种具体实施方式中，如图2所示，生成商场内目标人员的用户兴趣画像时，可以通过采集摄像头下的视频流，然后经过分析得到所述目标人员的轨迹参数和时间参数，然后训练得到所述用户兴趣模型，然后再结合所述目标人员的人脸人体数据建立所述用户兴趣画像并存入数据库。
与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种用户兴趣画像生成装置30，包括：
采集模块301，用于采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；
生成模块302，根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；
映射模块303，用于将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；
训练模块304，用于根据所述目标参数训练得到用户兴趣模型；
建立模块305，用于根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。
进一步的，所述生成模块302还用于：
利用所述目标视频流内包含所述目标人员的全部图像训练卷积神经网络，得到所述行动模型。
图3所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的用户兴趣画像生成方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的用户兴趣画像生成方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的用户兴趣画像生成方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，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。
特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开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。
上述计算机可读介质可以是上述电子设备中所包含的；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，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，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，使得该电子设备可以执行上述方法实施例的相关步骤。
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。
描述于本公开实施例中所涉及到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。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用户兴趣画像生成方法，其特征在于，包括：
采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；
根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；
将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；
根据所述目标参数训练得到用户兴趣模型；
根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标视频流生成所述目标人员对应的行动模型的步骤，包括：
利用所述目标视频流内包含所述目标人员的全部图像训练卷积神经网络，得到所述行动模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标参数训练得到用户兴趣模型的步骤，包括：
利用所述目标参数训练循环神经网络，得到所述用户兴趣模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像的步骤之后，所述方法还包括：
当接收到所述目标人员的触发信号时，将所述触发信号存储至所述用户兴趣画像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像的步骤之后，所述方法还包括：
获取调整参数；
根据所述调整参数更新所述用户兴趣画像。
6.根据权利要求5所述的方法，其特征在于，所述将所述触发信号存储至所述用户兴趣画像，或者，所述根据所述调整参数更新所述用户兴趣画像的步骤之后，所述方法还包括：
当检测到所述目标人员进入所述预设区域内，提取所述目标人员对应的用户兴趣画像；
根据所述用户兴趣画像生成接待方案。
7.一种用户兴趣画像生成装置，其特征在于，包括：
采集模块，用于采集预设区域对应的目标视频流，其中，所述目标视频流中包含目标人员的视频；
生成模块，根据所述目标视频流生成所述目标人员对应的行动模型，其中，所述行动数据包括所述目标人员的轨迹参数和时间参数；
映射模块，用于将所述轨迹参数映射到所述预设区域对应的二维地图内，并根据所述时间参数生成目标参数；
训练模块，用于根据所述目标参数训练得到用户兴趣模型；
建立模块，用于根据所述用户兴趣模型建立所述目标人员对应的用户兴趣画像。
8.根据权利要求7所述的装置，其特征在于，所述生成模块还用于：
利用所述目标视频流内包含所述目标人员的全部图像训练卷积神经网络，得到所述行动模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的用户兴趣画像生成方法。
10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-6中任一项所述的用户兴趣画像生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503497.0A CN112560702A (zh) | 2020-12-17 | 2020-12-17 | 用户兴趣画像生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503497.0A CN112560702A (zh) | 2020-12-17 | 2020-12-17 | 用户兴趣画像生成方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560702A true CN112560702A (zh) | 2021-03-26 |
Family
ID=75063546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011503497.0A Pending CN112560702A (zh) | 2020-12-17 | 2020-12-17 | 用户兴趣画像生成方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560702A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150287083A1 (en) * | 2014-04-03 | 2015-10-08 | Vungle, Inc. | Systems and methods for providing advertising services to devices |
| US20180189550A1 (en) * | 2015-03-21 | 2018-07-05 | Mine One Gmbh | Facial signature methods, systems and software |
| CN108614896A (zh) * | 2018-05-10 | 2018-10-02 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的银行大厅客户动线轨迹刻画系统及方法 |
| CN109087162A (zh) * | 2018-07-05 | 2018-12-25 | 杭州朗和科技有限公司 | 数据处理方法、系统、介质和计算设备 |
| CN110111143A (zh) * | 2019-04-28 | 2019-08-09 | 上海二三四五移动科技有限公司 | 一种建立移动端用户画像的控制方法以及控制装置 |
| CN110364146A (zh) * | 2019-08-23 | 2019-10-22 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、语音识别设备及存储介质 |
| CN110874780A (zh) * | 2018-09-01 | 2020-03-10 | 昆山炫生活信息技术股份有限公司 | 基于大数据统计的景区游玩系统及推荐方法 |
| CN111127057A (zh) * | 2018-10-31 | 2020-05-08 | 上海掌门科技有限公司 | 一种多维用户画像恢复方法 |
| CN111325186A (zh) * | 2020-03-23 | 2020-06-23 | 上海依图网络科技有限公司 | 视频处理方法、装置、介质及系统 |
| CN111639968A (zh) * | 2020-05-25 | 2020-09-08 | 腾讯科技（深圳）有限公司 | 轨迹数据处理方法、装置、计算机设备以及存储介质 |
| WO2020232616A1 (zh) * | 2019-05-20 | 2020-11-26 | 深圳市欢太科技有限公司 | 信息推荐方法、装置、电子设备以及存储介质 |
-
2020
- 2020-12-17 CN CN202011503497.0A patent/CN112560702A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150287083A1 (en) * | 2014-04-03 | 2015-10-08 | Vungle, Inc. | Systems and methods for providing advertising services to devices |
| US20180189550A1 (en) * | 2015-03-21 | 2018-07-05 | Mine One Gmbh | Facial signature methods, systems and software |
| CN108614896A (zh) * | 2018-05-10 | 2018-10-02 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的银行大厅客户动线轨迹刻画系统及方法 |
| CN109087162A (zh) * | 2018-07-05 | 2018-12-25 | 杭州朗和科技有限公司 | 数据处理方法、系统、介质和计算设备 |
| CN110874780A (zh) * | 2018-09-01 | 2020-03-10 | 昆山炫生活信息技术股份有限公司 | 基于大数据统计的景区游玩系统及推荐方法 |
| CN111127057A (zh) * | 2018-10-31 | 2020-05-08 | 上海掌门科技有限公司 | 一种多维用户画像恢复方法 |
| CN110111143A (zh) * | 2019-04-28 | 2019-08-09 | 上海二三四五移动科技有限公司 | 一种建立移动端用户画像的控制方法以及控制装置 |
| WO2020232616A1 (zh) * | 2019-05-20 | 2020-11-26 | 深圳市欢太科技有限公司 | 信息推荐方法、装置、电子设备以及存储介质 |
| CN110364146A (zh) * | 2019-08-23 | 2019-10-22 | 腾讯科技（深圳）有限公司 | 语音识别方法、装置、语音识别设备及存储介质 |
| CN111325186A (zh) * | 2020-03-23 | 2020-06-23 | 上海依图网络科技有限公司 | 视频处理方法、装置、介质及系统 |
| CN111639968A (zh) * | 2020-05-25 | 2020-09-08 | 腾讯科技（深圳）有限公司 | 轨迹数据处理方法、装置、计算机设备以及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| YU ZHENG等: "Deep CNN-Assisted Personalized Recommendation over Big Data for Mobile Wireless Networks", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》, vol. 2019, 24 April 2019 (2019-04-24), pages 1 - 16 * |
| 丁瑞峰: "基于深度神经网络的个性化兴趣点推荐方法研究", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 2018, 15 December 2018 (2018-12-15), pages 138 - 1983 * |
| 张宇等: "大数据环境下移动用户画像的构建方法研究", 《中国信息化》, no. 04, 20 April 2020 (2020-04-20), pages 65 - 68 * |
| 徐潇洁等: "基于数据驱动的智慧图书馆服务框架研究", 《图书馆学研究》, no. 22, 25 November 2018 (2018-11-25), pages 37 - 43 * |
| 赵俊杰: "基于顾客行为的数据采集及分析系统设计与实现", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 2020, 15 February 2020 (2020-02-15), pages 140 - 865 * |
| 邱雪: "基于移动数据的用户语义画像及可视化", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 2018, 15 March 2018 (2018-03-15), pages 136 - 1032 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101305B (zh) | 多路图像处理方法、装置及电子设备 | |
| CN107084740B (zh) | 一种导航方法和装置 | |
| CN110189394B (zh) | 口型生成方法、装置及电子设备 | |
| CN110287816B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
| CN110930220A (zh) | 一种显示方法、装置、终端设备及介质 | |
| CN111310815A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN110347875B (zh) | 一种视频场景分类方法、装置、移动终端及存储介质 | |
| CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
| CN111222509A (zh) | 目标检测方法、装置及电子设备 | |
| CN111246196B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
| CN115861884A (zh) | 复杂场景下视频多目标跟踪方法、系统、设备及介质 | |
| CN111710017A (zh) | 展示方法、装置和电子设备 | |
| CN111191556A (zh) | 人脸识别方法、装置及电子设备 | |
| CN113163135B (zh) | 视频的动画添加方法、装置、设备及介质 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN111586295B (zh) | 图像生成方法、装置和电子设备 | |
| CN111445499B (zh) | 用于识别目标信息的方法及装置 | |
| CN109871465B (zh) | 一种时间轴计算方法、装置、电子设备及存储介质 | |
| CN115460353B (zh) | 教学跟踪摄像设备配置方法、装置、电子设备及介质 | |
| CN111401229A (zh) | 视觉小目标自动标注方法、装置及电子设备 | |
| CN112990017B (zh) | 一种智慧城市大数据分析方法及监控系统 | |
| CN114584709B (zh) | 变焦特效的生成方法、装置、设备及存储介质 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN112560702A (zh) | 用户兴趣画像生成方法、装置、电子设备及介质 | |
| CN110879975B (zh) | 人员流量检测方法、装置及电子设备 |
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 |