CN113190749A - 用于确定对象属性的方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种用于确定对象属性的方法及装置、电子设备和介质，涉及人工智能技术领域，尤其涉及深度学习、智能推荐技术。实现方案为：对目标对象的地理位置信息进行编码，得到第一特征；对地理位置信息和目标对象的历史行为信息进行联合编码，得到第二特征；将第一特征和第二特征输入预设的目标属性判断模型；以及根据目标属性判断模型的输出结果，确定目标对象的属性。

Description

用于确定对象属性的方法及装置、电子设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、智能推荐技术，具体涉及一种用于确定对象属性的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

识别对象的属性有利于向对象进行个性化推荐。例如，对象可以是用户，如果识别出用户具有某种目标属性，则可以向用户推荐与该目标属性相关的内容或服务。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于确定对象属性的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于确定对象属性的方法，该方法包括：对目标对象的地理位置信息进行编码，得到第一特征；对地理位置信息和目标对象的历史行为信息进行联合编码，得到第二特征；将第一特征和第二特征输入预设的目标属性判断模型；以及根据目标属性判断模型的输出结果，确定目标对象的属性。

根据本公开的另一方面，提供了一种用于确定对象属性的装置，该装置包括：第一特征提取模块，被配置为对目标对象的地理位置信息进行编码，得到第一特征；第二特征提取模块，被配置为对地理位置信息和目标对象的历史行为信息进行联合编码，得到第二特征；输入模块，被配置为将第一特征和第二特征输入预设的目标属性判断模型；以及判断模块，被配置为根据目标属性判断模型的输出结果，确定目标对象的属性。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器。该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质。该计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序。该计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，基于目标对象的地理位置信息和历史行为信息来确定目标对象的属性。通过对地理位置信息单独进行编码，可以提取出目标对象的地理位置特征，即第一特征；通过对地理位置信息和历史行为信息进行联合编码，可以提取出地理位置信息和历史行为信息的组合特征，即第二特征。所提取出的第一特征是对目标对象的地理位置信息的高度概括，第二特征可以表达地理位置信息与历史行为信息之间的相互作用。通过将第一特征和第二特征输入预设的目标属性判断模型，能够充分挖掘出地理位置信息、历史行为信息与目标对象属性的深层的、潜在的关联性，从而准确地确定目标对象的属性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的用于确定对象属性的方法的流程图；

图2示出了根据本公开的实施例的示例性分类树的结构图；

图3示出了根据本公开的实施例的示例性目标属性判断模型的结构图；

图4示出了根据本公开的实施例的用于确定对象属性的装置的结构框图；以及

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

识别对象的属性有利于向对象进行个性化推荐。对象例如可以是用户。如果识别出用户具有某种目标属性，则可以向用户推荐或不推荐与该目标属性相关的内容或服务。

在一些示例中，目标属性可以是用户对某类产品或服务的倾向性，如果识别出用户具有这种倾向性，则可以向用户推荐同类的产品或服务。目标属性也可以是用户与某类产品或服务的契合性，如果识别出用户与某类产品或服务相契合，则可以向用户推荐该类产品或服务。例如，若识别出用户为某类产品或服务的优质客户(用户具有优质性)，则可以向用户推荐该类产品或服务。

在另一些示例中，目标属性还可以是用户的异常性(例如，在网络平台上进行欺诈、套利、刷单等不合规行为的用户对于该网络平台来说具有异常性)。如果识别出用户具有异常性，则可以拒绝向用户提供服务。

为了更好地向用户提供个性化推荐服务，本公开提供了一种用于确定对象属性的技术方案，该方案涉及人工智能技术领域，尤其涉及深度学习、智能推荐技术，具体涉及一种用于确定对象属性的方法、装置、电子设备、计算机可读存储介质和计算机程序产品，用以准确地确定目标对象的属性。更具体地，用于准确判断目标对象是否具有目标属性。

需要说明的是，在本公开的技术方案中，所涉及的目标对象信息(例如用户的地理位置信息、历史行为信息)的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。并且，目标对象信息在被获取、存储和应用的过程中均经过了脱敏处理(即匿名化处理)。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开实施例的用于确定对象属性的方法100的流程图。方法100可以在电子设备中执行，即，方法100的执行主体可以是电子设备。更具体地，在一些实施例中，电子设备可以是任何类型的固定式计算设备，包括但不限于服务器计算机、个人台式计算机等。在另一些实施例中，电子设备也可以是任何类型的移动式计算设备，包括但不限于便携式移动计算机、移动电话、智能可穿戴设备(例如智能手表、智能眼镜)等。在一些实施例中，电子设备执行方法100，确定目标对象的属性之后，可以将该目标对象的属性的确定结果发送至推荐服务器，以便推荐服务器基于该确定结果来向目标对象提供个性化推荐服务。用于执行方法100的电子设备的实施例将于下文中进行详述。

如图1所示，方法100包括：

步骤110、对目标对象的地理位置信息进行编码，得到第一特征；

步骤120、对地理位置信息和目标对象的历史行为信息进行联合编码，得到第二特征；

步骤130、将第一特征和第二特征输入预设的目标属性判断模型；以及

步骤140、根据目标属性判断模型的输出结果，确定目标对象的属性。

根据本公开的实施例，可以基于目标对象的地理位置信息和历史行为信息来确定目标对象的属性。通过对地理位置信息单独进行编码，可以提取出目标对象的地理位置特征，即第一特征；通过对地理位置信息和历史行为信息进行联合编码，可以提取出地理位置信息和历史行为信息的组合特征，即第二特征。所提取出的第一特征是对目标对象的地理位置信息的高度概括，第二特征可以表达地理位置信息与历史行为信息之间的相互作用。通过将第一特征和第二特征输入预设的目标属性判断模型，能够充分挖掘出地理位置信息、历史行为信息与目标对象属性的深层的、潜在的关联性，从而准确地确定目标对象的属性。

以下详细描述方法100的各个步骤。

参考图1，在步骤110中，对目标对象的地理位置信息进行编码，得到第一特征。

需要说明的是，在本公开的实施例中，目标对象(即用户)的地理位置信息基于用户的授权和同意而被获取、存储以及使用。并且，地理位置信息在被获取、存储以及使用的过程中均经过了脱敏处理(即匿名化处理)。

在一些情况中，目标对象例如可以是用户，目标属性与用户的地理位置信息具有一定的关联。

例如，在一些场景中，与某类产品或服务相契合的用户(即优质客户)可能在地理位置方面呈现出一些特点。例如，对于保险服务商来说，人身保险服务的优质客户可能是出险概率较低，即不太可能发生生命健康方面的危险或意外的用户。这部分用户可能较少出现在医院或者危险场所，较少在户外、野外活动，地理位置变动(例如跨省变动)不频繁。即，用户(目标对象)与某类产品或服务的契合性和优质性(目标属性)与其地理位置信息具有一定的关联。

又例如，在网络平台中，可能存在一些不法分子利用脚本大量注册账户，或者大量盗取正常用户的账户，这些账户即为异常用户。由不法分子控制的异常用户可能会在某段时间某一地点集中登录，呈现为短期内的地理位置聚集特性。即，用户(目标对象)的异常性(目标属性)与其地理位置信息具有一定的关联。

考虑到目标属性与目标对象的地理位置信息的关联性，步骤110通过对目标对象的地理位置信息进行编码来提取出第一特征，以便在后续步骤130、140中根据第一特征来确定目标对象的属性。更具体地，根据第一特征来判断目标对象是否具有目标属性。

根据一些实施例，为了准确确定目标对象的当前状态，即确定目标对象当前的属性，步骤110中的目标对象的地理位置信息可以是目标对象最近一段时间内的地理位置信息，例如最近6个月或最近3个月的地理位置信息。

根据一些实施例，地理位置信息包括地理位置的标识信息和目标对象出现在该地理位置的第一频率。地理位置的标识信息是能够标识该地理位置的文本信息，包括但不限于地理位置的名称、简称、文本代号等。第一频率例如可以是目标对象在某一时间段内出现在该地理位置的频次与目标对象在该时间段内出现在所有地理位置的频次之和的比值。例如，目标对象可以是用户，在某时间段内，用户在地理位置A出现了3次，在地理位置B出现了5次，在地理位置C出现了2次，则用户出现在地理位置A的第一频率为3/(3+5+2)＝0.3，类似地，用户出现在地理位置B、地理位置C的第一频率分别为0.5和0.2。相应地，用户的地理位置信息可以是(地理位置A，0.3)，(地理位置B，0.5)以及(地理位置C，0.2)。

地理位置例如可以是省、市、县(区)、乡等行政区域，也可以是诸如医院、机场、火车站等地点类型。由于地理位置的取值非常多样，且不同对象(用户)的地理位置差异较大，如果以独热(one-hot)编码来表示不同对象(用户)的地理位置信息，会导致地理位置信息的维度较大，呈现稀疏特性，某些地理位置的数据覆盖量(用户出现在该地理位置的频次或频率)很少，不具有代表性和可学习性。因此，在步骤110中，对地理位置信息进行编码，以降低数据维度，从中提取出具有代表性的地理位置特征，即第一特征。

根据一些实施例，可以按照以下步骤来对地理位置信息进行编码，得到第一特征：将地理位置的标识信息输入预设的文本向量化模型，以使文本向量化模型输出地理位置的标识信息对应的特征向量；以及将该特征向量与第一频率进行拼接，得到第一特征。

在本公开的实施例中，“拼接”指的是将多个向量或数值合并为一个向量。相应地，将特征向量与第一频率进行拼接，即将特征向量与第一频率合并为一个向量。

在本公开的实施例中，地理位置的标识信息通常为文本类型的数据。通过将地理位置的标识信息输入预设的文本向量化模型，可以得到该地理位置的标识信息对应的数值类型的特征向量，特征向量是地理位置的标识信息的向量化语义表示。基于特征向量生成第一特征，可以将多维、稀疏的地理位置信息转化为维度更小的、稠密的向量特征，有利于提高后续步骤(即步骤130、140)确定目标对象的属性的计算速度和准确率。

文本向量化模型可以是任意能够将文本转化为数值向量的模型，例如文心(英文名称：ERNIE)模型、word2vec模型、GloVe模型等。根据一些实施例，为了提高文本向量化模型的编码效果，可以采用相关领域的文本对该文本向量化模型进行训练或微调。例如，可以基于已标注的地理位置信息样本(即已标注该地理位置信息所属的对象是否具有目标属性)来对文本向量化模型进行训练或微调。

在步骤120中，对地理位置信息和目标对象的历史行为信息进行联合编码，得到第二特征。

需要说明的是，在本公开的实施例中，与目标对象的地理位置信息类似地，目标对象(即用户)的历史行为信息也是基于用户的授权和同意而被获取、存储以及使用的。并且，历史行为信息在被获取、存储以及使用的过程中均经过了脱敏处理(即匿名化处理)。

在一些情况中，目标对象例如可以是用户，目标属性与用户的历史行为信息具有一定的关联。

例如，在一些场景中，与某类产品或服务相契合的用户(即优质客户)可能在历史行为方面呈现出一些特点。例如，保险服务商来说，保险服务的优质客户可能是购买能力和风险意识较强的用户。这部分用户可能会有更频繁、更高额的消费行为，或者更高水平的受教育行为。即，用户(目标对象)与某类产品或服务的契合性和优质性(目标属性)与其历史行为信息具有一定的关联。

又例如，在社交平台中，可能存在一些账号，其不是被真人使用，而是由程序控制来传播广告、虚假消息等垃圾信息，这些账号即为异常用户。这些异常用户可能具有同一时刻发布多条消息、连续发布多条内容相同或相似的消息、与其他异常用户互相关注等行为。即，用户(目标对象)的异常性(目标属性)与其历史行为信息具有一定的关联。

在本公开的实施例中，可以认为历史行为信息、地理位置信息之间没有信息内容重叠，二者分别从不同的角度与目标属性相关联。

考虑到目标属性与目标对象的历史行为信息的关联性，并且为了表达地理位置信息与历史行为信息之间的相互作用和组合特性(例如在针对保险服务识别用户优质性的应用场景中，组合特性可以是较少出现在医院且频繁消费)，挖掘地理位置信息以及历史行为信息与目标属性之间的关联性，以便更准确地确定目标对象的属性，步骤120通过对目标对象的地理位置信息和历史行为信息进行联合编码来提取出第二特征，以便在后续步骤130、140中根据第二特征来确定目标对象的属性。更具体地，判断目标对象是否具有目标属性。

根据一些实施例，为了准确确定目标对象的当前状态，即确定目标对象当前的属性，步骤120中的目标对象的历史行为信息可以是目标对象最近一段时间内的历史行为信息，例如最近6个月或最近3个月的历史行为信息。

根据一些实施例，可以按照以下步骤122-126来对地理位置信息和历史行为信息进行联合编码，以得到第二特征：

步骤122、确定地理位置信息和历史行为信息的符号表示；

步骤124、将符号表示分别输入预设的多个分类树中；以及

步骤126、根据多个分类树中的每一个分类树的输出类别，确定第二特征。

根据一些实施例，地理位置信息包括地理位置的标识信息和目标对象出现在该地理位置的第一频率(可以参考上文步骤110的相关描述)。历史行为信息包括行为的类型和目标对象出现该行为的第二频率。行为的类型例如可以是浏览网页(上网)、消费、使用某个或某些应用(App)、信息搜索等，但不限于此。第二频率例如可以是目标对象在某一时间段内出现该行为的频次与目标对象在该时间段内出现的所有行为或同类型行为的频次之和的比值。例如，目标对象可以是用户，在某段时间内，用户在00:00:00-11:59:59时段上网的行为出现了3次，在12:00:00-23:59:59时段上网的行为出现了5次，消费2次，则用户在00:00:00-11:59:59时段上网的行为的第二频率可以是该行为的频次与所有行为的频次之和的比值，即3/(3+5+2)＝0.3，也可以是该行为的频次与所有同类型行为(即上网行为)的频次之和的比值，即3/(3+5)＝0.375。以第二频率为相应行为的频次与所有行为的频次之和的比值为例，在上述示例中，用户的历史行为信息可以是(00:00:00-11:59:59时段上网，0.3)，(12:00:00-23:59:59时段上网，0.5)以及(消费，0.2)。

根据一些实施例，可以预设每一种地理位置的标识信息以及每一种行为的类型对应的符号，一个符号用于唯一标识一种地理位置或者行为。例如，地理位置共有三种，即地理位置A、地理位置B和地理位置C；行为共有两种，即行为A和行为B，可以设置地理位置A、地理位置B、地理位置C、行为A、行为B对应的符号分别为001、002、003、004、005。

可以理解，上述符号仅为一个示例。实践中，可以将地理位置的标识信息和行为的类型设置为任意符号，只要每一种地理位置和每一种行为均有对应的符号，且每种符号均唯一对应于一种地理位置或一种行为即可。

根据一些实施例，在步骤122中，可以将地理位置的标识信息对应的第一预设符号、第一频率、行为的类型对应的第二预设符号和第二频率进行拼接，得到地理位置信息和历史行为信息的符号表示。

将第一预设符号、第一频率、第二预设符号和第二频率进行拼接，即将第一预设符号、第一频率、第二预设符号和第二频率合并为一个向量。

例如，地理位置信息为(地理位置A，0.3)，历史行为信息为(行为B，0.5)，地理位置A对应的符号(即第一预设符号)为001，行为B对应的符号(即第二预设符号)为005，则可以将第一预设符号001、第一频率0.3、第二预设符号005、第二频率0.5进行拼接，得到符号表示(001,0.3；005,0.5)。

在通过步骤122得到地理位置信息和历史行为信息的符号表示后，执行步骤124，将符号表示分别输入预设的多个分类树中。

步骤124中的多个分类树可以是任意类型、任意数量。例如，多个分类树例如可以是XGBoost、随机森林、GBDT等树模型；分类树的数量例如可以是50、100等。并且，多个分类树可以具有不同的结构(例如具有不同的深度、不同的叶节点数量等)。具体地，多个分类树可以通过已标注的符号表示样本(即已标注符号样本所对应的对象是否具有目标属性)训练得出。

随后，在步骤126中，根据多个分类树中的每一个分类树的输出类别，确定第二特征。

根据一些实施例，每个分类树包括多个叶节点，每个叶节点对应于一个类别。在步骤126中，根据多个分类树中的每一个分类树的输出类别，确定多个分类树的叶节点的编码值；以及将多个分类树的叶节点的编码值进行拼接，得到第二特征。具体地，在确定多个分类树的叶节点的编码值时，可以将输出类别对应的叶节点的编码值设置为1，其他叶节点的编码值设置为0。

图2示出了根据本公开实施例的三个分类树210、220、230的结构图。如图2所示，分类树210的深度为3(即包括三层)，包括三个叶节点，即L1、L2、L3；分类树220的深度为2，包括两个叶节点，即L4、L5；分类树230的深度为3，包括四个叶节点，即L6、L7、L8、L9。在图2中，P(x)表示符号x对应的地理位置或行为出现的频率。

例如，目标对象的地理位置信息和历史行为信息的符号表示为s＝(001，0.03；002，0.001；003，0.022；004，0.007)，其中，符号001、002、003、004分别表示地理位置A、地理位置B、行为C、行为D，数值0.03、0.001、0.022、0.007分别为地理位置A、地理位置B、行为C、行为D对应的频率。

将符号表示s分别输入分类树210、220、230中。符号表示s被输入分类树210后，在节点T1处，判断是否P(001)>0.01，即判断符号001对应的地理位置或行为出现的频率是否大于0.01。由于在符号表示s中，符号001对应的频率为0.03，大于0.01，因此节点T1处的判断结果为是(Y)，进入节点T2。在节点T2处，判断是否P(003)<0.03，判断结果为是(Y)，到达叶节点L1，即，分类树210的输出类别对应于叶节点L1。相应地，将叶节点L1的编码值设置为1，将其他叶节点，即叶节点L2和L3的编码值设置为0。

类似地，分类树220的输出类别对应于叶节点L4，将叶节点L4的编码值设置为1，将叶节点L5的编码值设置为0。分类树230的输出类别对应于叶节点L7，将叶节点L7的编码值设置为1，将叶节点L6、L8、L9的编码值设置为0。

随后，将分类树210、22、230的各叶节点的编码值进行拼接，即将叶节点L1-L9的编码值进行拼接，得到第二特征为：100100100。

需要说明的是，步骤120与步骤110之间没有严格的执行顺序。例如，步骤120可以在步骤110之后执行，也可以在步骤110之前执行，或者与步骤110并行执行。

在方法100中，考虑到目标对象的历史行为信息通常已经比较稠密，不像地理位置信息那样呈现明显的稀疏性，因此方法100没有单独对历史行为信息进行编码。可以理解，在其他实施例中，也可以单独对历史行为信息进行编码。

另外，需要说明的是，尽管目标对象的历史行为信息通常比较稠密，但对地理位置信息和历史行为信息进行联合编码所生成的第二特征却是一个稀疏的向量。例如，由图2可见，在采用多个分类树来对地理位置信息和历史行为信息进行联合编码时，每个分类树对应的编码值的数量与其所包括的叶节点的数量相同，但其中仅有一个编码值(即输出类别对应的叶节点的编码值)为1，其他编码值均为0，导致最后得到的第二特征中有大量的值为0，即呈现稀疏性。

在通过步骤110、120得到地理位置信息的第一特征，以及地理位置信息和历史行为信息的第二特征后，执行步骤130。

在步骤130中，将第一特征和第二特征输入预设的目标属性判断模型。

目标属性判断模型可以是任意分类模型，例如神经网络、支持向量机、逻辑回归模型等。根据一些实施例，目标属性判断模型可以通过已标注的第一特征、第二特征样本(即已标注第一特征、第二特征对应的对象是否具有目标属性)训练得出。

根据一些实施例，目标属性判断模型可以是广度与深度模型(Wide&Deep模型)，其包括广度模块、深度模块以及回归模块，广度模块和深度模块的输出为回归模块的输入。相应地，在步骤130中，将第一特征输入深度模块，将第二特征输入广度模块。

具体地，广度模块可以是线性逻辑回归(Logistic Regression，LR)结构，深度模块可以是多层神经网络(Multi-Layer Perceptron，MLP)结构。

例如，图3示出了目标属性判断模型300的结构图，模型300为广度与深度模型，其包括深度模块310、广度模块320和回归模块330。深度模块310的输入为通过步骤110得到的第一特征，广度模块320的输入为通过步骤120得到的第二特征。深度模块310、广度模块320分别与回归模块330相连，二者的输出为回归模块330的输入。回归模块330的输出即为模型300的输出结果。

参见上文步骤110的相关描述，第一特征是一个稠密的向量，将第一特征输入深度模块，可以由深度模块来对第一特征进行深层处理(例如采用多个卷积层来对第一特征进行卷积处理)，提取出第一特征中的关键信息，挖掘出第一特征与目标属性的深层次的、潜在的关联性。深度模块用于对第一特征进行深层处理，具有较强的泛化能力，但其记忆能力较弱。

参见上文步骤120的相关描述，虽然历史行为信息比较稠密，但将地理位置信息和历史行为信息编码得出的第二特征是一个稀疏的向量。将第二特征输入广度模块，可以由广度模块来对第二特征中的各个数值进行加权组合。广度模块具有较强的记忆能力，但其无法挖掘深层特征，泛化能力较弱。

回归模块分别与深度模块和广度模块相连，用于根据深度模块和广度模块的输出来计算对象具有目标属性的概率。例如，回归模块可以通过加权的方式将深度模块和广度模块的输出组合在一起，再通过逻辑损失函数(logistic loss function)来计算对象具有目标属性的概率。

通过将深度模块和广度模块相结合，可以使得目标属性判断模型同时具备良好的记忆能力和泛化能力，提高对象是否具有目标属性的判断准确率。

在通过步骤130将第一特征和第二特征输入目标属性判断模型后，可以得到目标属性判断模型的输出结果。

随后，在步骤140中，根据目标属性判断模型的输出结果，确定目标对象的属性。

根据一些实施例，如上文所述，目标属性判断模型可以是包括广度模块、深度模块以及回归模块的广度与深度模型(Wide&Deep模型)，该模型的回归模块输出对象具有目标属性的概率。相应地，在步骤140中，根据回归模块输出的目标对象具有目标属性的概率来判断目标对象是否具有目标属性。例如，可以设置一个概率阈值，若回归模块输出的概率大于该概率阈值，则判断目标对象具有目标属性；若回归模块输出的概率小于等于该概率阈值，则判断目标对象不具有目标属性。概率阈值例如可以设置为0.5或其他数值。

根据本公开的实施例，还提供一种用于确定对象属性的装置，用于执行上述的任一用于确定对象属性的方法。

图4示出了根据本公开的实施例的用于确定对象属性的装置400的结构框图。如图4所示，装置400包括：

第一特征提取模块410，可以被配置为对目标对象的地理位置信息进行编码，得到第一特征；

第二特征提取模块420，可以被配置为对上述地理位置信息和目标对象的历史行为信息进行联合编码，得到第二特征；

输入模块430，可以被配置为将第一特征和第二特征输入预设的目标属性判断模型；以及

判断模块440，可以被配置为根据目标属性判断模型的输出结果，确定目标对象的属性。

根据本公开的实施例，基于目标对象的地理位置信息和历史行为信息来确定目标对象的属性。通过对地理位置信息单独进行编码，可以提取出目标对象的地理位置特征，即第一特征；通过对地理位置信息和历史行为信息进行联合编码，可以提取出地理位置信息和历史行为信息的组合特征，即第二特征。所提取出的第一特征是对目标对象的地理位置信息的高度概括，第二特征可以表达地理位置信息与历史行为信息之间的相互作用。通过将第一特征和第二特征输入预设的目标属性判断模型，能够充分挖掘出地理位置信息、历史行为信息与目标对象属性的深层的、潜在的关联性，从而准确地确定目标对象的属性。

根据一些实施例，地理位置信息包括地理位置的标识信息和目标对象出现在该地理位置的第一频率。相应地，第一特征提取模块410进一步包括：

文本向量化单元，可以被配置为将地理位置的标识信息输入预设的文本向量化模型，以使文本向量化模型输出地理位置的标识信息对应的特征向量；以及

拼接单元，可以被配置为将上述特征向量与第一频率进行拼接，得到第一特征。

根据一些实施例，第二特征提取模块420进一步包括：

表示单元，可以被配置为确定地理位置信息和历史行为信息的符号表示；

输入单元，可以被配置为将上述符号表示分别输入预设的多个分类树中；以及

特征提取单元，可以被配置为根据上述多个分类树中的每一个分类树的输出类别，确定第二特征。

根据一些实施例，地理位置信息包括地理位置的标识信息和目标对象出现在该地理位置的第一频率，历史行为信息包括行为的类型和目标对象出现该行为的第二频率。相应地，表示单元进一步被配置为将地理位置的目标对象对应的第一预设符号、第一频率、行为的类型对应的第二预设符号和第二频率进行拼接，得到符号表示。

根据一些实施例，每个分类树包括多个叶节点，每个叶节点对应于一个类别。相应地，特征提取单元进一步包括：

叶节点编码子单元，被配置为根据多个分类树中的每一个分类树的输出类别，确定多个分类树的叶节点的编码值；以及

拼接子单元，被配置为将多个分类树的叶节点的编码值进行拼接，得到第二特征。

根据一些实施例，目标属性判断模型包括深度模块、广度模块以及回归模块，深度模块和广度模块的输出为回归模块的输入。相应地，输入模块430进一步包括：

深度输入单元，被配置为将第一特征输入深度模块；以及

广度输入单元，被配置为将第二特征输入广度模块。

判断模块440进一步被配置为根据回归模块输出的目标对象具有目标属性的概率来判断该目标对象是否具有目标属性。

应当理解，图4中所示装置400的各个模块可以与参考图1描述的方法100中的各个步骤相对应。并且，装置400的各个模块所包括的单元、子单元可以与方法100中的各个步骤的具体实施方式相对应。由此，上面针对方法100描述的操作、特征和优点同样适用于装置400及其包括的模块、单元以及子单元。为了简洁起见，某些操作、特征和优点在此不再赘述。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。例如，上面描述的第一特征提取模块410和第二特征提取模块420在一些实施例中可以组合成单个模块。

还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，第一特征提取模块410、第二特征提取模块420、输入模块430、判断模块440中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(CentralProcessing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital SignalProcessor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元505、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元505可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本公开的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (15)

1.一种用于确定对象属性的方法，包括：

对目标对象的地理位置信息进行编码，得到第一特征；

对所述地理位置信息和所述目标对象的历史行为信息进行联合编码，得到第二特征；

将所述第一特征和所述第二特征输入预设的目标属性判断模型；以及

根据所述目标属性判断模型的输出结果，确定所述目标对象的属性。

2.根据权利要求1所述的方法，其中，所述地理位置信息包括地理位置的标识信息和目标对象出现在所述地理位置的第一频率；

所述对目标对象的地理位置信息进行编码，得到第一特征包括：

将所述地理位置的标识信息输入预设的文本向量化模型，以使所述文本向量化模型输出所述地理位置的标识信息对应的特征向量；以及

将所述特征向量与所述第一频率进行拼接，得到所述第一特征。

3.根据权利要求1或2所述的方法，其中，所述对所述地理位置信息和所述目标对象的历史行为信息进行联合编码，得到第二特征包括：

确定所述地理位置信息和所述历史行为信息的符号表示；

将所述符号表示分别输入预设的多个分类树中；以及

根据所述多个分类树中的每一个分类树的输出类别，确定所述第二特征。

4.根据权利要求3所述的方法，其中，所述地理位置信息包括地理位置的标识信息和目标对象出现在所述地理位置的第一频率，所述历史行为信息包括行为的类型和目标对象出现所述行为的第二频率；

所述确定所述地理位置信息和所述历史行为信息的符号表示包括：

将所述地理位置的标识信息对应的第一预设符号、所述第一频率、所述行为的类型对应的第二预设符号和所述第二频率进行拼接，得到所述符号表示。

5.根据权利要求3或4所述的方法，其中，每个所述分类树包括多个叶节点，每个叶节点对应于一个类别；

所述根据所述多个分类树中的每一个分类树的输出类别，确定所述第二特征包括：

根据所述多个分类树中的每一个分类树的输出类别，确定所述多个分类树的叶节点的编码值；以及

将所述多个分类树的叶节点的编码值进行拼接，得到所述第二特征。

6.根据权利要求1-5中任一项所述的方法，其中，所述目标属性判断模型包括深度模块、广度模块以及回归模块，所述深度模块和所述广度模块的输出为所述回归模块的输入；

所述将所述第一特征和所述第二特征输入预设的目标属性判断模型包括：

将所述第一特征输入所述深度模块；以及

将所述第二特征输入所述广度模块；

所述根据所述目标属性判断模型的输出结果，确定所述目标对象的属性包括：

根据所述回归模块输出的所述目标对象具有目标属性的概率来判断所述目标对象是否具有目标属性。

7.一种用于确定对象属性的装置，包括：

第一特征提取模块，被配置为对目标对象的地理位置信息进行编码，得到第一特征；

第二特征提取模块，被配置为对所述地理位置信息和所述目标对象的历史行为信息进行联合编码，得到第二特征；

输入模块，被配置为将所述第一特征和所述第二特征输入预设的目标属性判断模型；以及

判断模块，被配置为根据所述目标属性判断模型的输出结果，确定所述目标对象的属性。

8.根据权利要求7所述的装置，其中，所述地理位置信息包括地理位置的标识信息和目标对象出现在所述地理位置的第一频率；

所述第一特征提取模块进一步包括：

文本向量化单元，被配置为将所述地理位置的标识信息输入预设的文本向量化模型，以使所述文本向量化模型输出所述地理位置的标识信息对应的特征向量；以及

拼接单元，被配置为将所述特征向量与所述第一频率进行拼接，得到所述第一特征。

9.根据权利要求7或8所述的装置，其中，所述第二特征提取模块进一步包括：

表示单元，被配置为确定所述地理位置信息和所述历史行为信息的符号表示；

输入单元，被配置为将所述符号表示分别输入预设的多个分类树中；以及

特征提取单元，被配置为根据所述多个分类树中的每一个分类树的输出类别，确定所述第二特征。

10.根据权利要求9所述的装置，其中，所述地理位置信息包括地理位置的标识信息和目标对象出现在所述地理位置的第一频率，所述历史行为信息包括行为的类型和目标对象出现所述行为的第二频率；

所述表示单元进一步被配置为将所述地理位置的标识信息对应的第一预设符号、所述第一频率、所述行为的类型对应的第二预设符号和所述第二频率进行拼接，得到所述符号表示。

11.根据权利要求9或10所述的装置，其中，每个所述分类树包括多个叶节点，每个叶节点对应于一个类别；

所述特征提取单元进一步包括：

叶节点编码子单元，被配置为根据所述多个分类树中的每一个分类树的输出类别，确定所述多个分类树的叶节点的编码值；以及

拼接子单元，被配置为将所述多个分类树的叶节点的编码值进行拼接，得到所述第二特征。

12.根据权利要求7-11中任一项所述的装置，其中，所述目标属性判断模型包括深度模块、广度模块以及回归模块，所述深度模块和所述广度模块的输出为所述回归模块的输入；

所述输入模块进一步包括：

深度输入单元，被配置为将所述第一特征输入所述深度模块；以及

广度输入单元，被配置为将所述第二特征输入所述广度模块；

所述判断模块进一步被配置为根据所述回归模块输出的所述目标对象具有目标属性的概率来判断所述目标对象是否具有目标属性。

13.一种电子设备，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权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。

Images