CN113570391B - 基于人工智能的社群划分方法、装置、设备及存储介质 - Google Patents
基于人工智能的社群划分方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113570391B CN113570391B CN202111121955.9A CN202111121955A CN113570391B CN 113570391 B CN113570391 B CN 113570391B CN 202111121955 A CN202111121955 A CN 202111121955A CN 113570391 B CN113570391 B CN 113570391B
- Authority
- CN
- China
- Prior art keywords
- user
- group
- users
- attribute
- similarity
- 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 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 142
- 230000015654 memory Effects 0.000 claims description 23
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013475 authorization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能，提供一种基于人工智能的社群划分方法、装置、设备及存储介质。该方法能够采集每个群体用户的属性特征及行为特征，根据行为特征的多个采集来源及预设规则生成每个群体用户与多个采集来源的关系得分，根据任一关系得分在多个关系得分中的游走概率生成游走路径，对属性特征进行离散化处理，得到属性向量，对游走路径进行向量化处理，得到行为向量，基于回归模型分析属性向量及行为向量，得到多个用户对的用户相似度，根据多个用户相似度及群体用户生成用户关系图，对用户关系图进行划分，得到多个目标群体。本发明能够提高目标群体的划分准确性。此外，本发明还涉及区块链技术，所述多个目标群体可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的社群划分方法、装置、设备及存储介质。
背景技术
为了提升活动体验和转化率，通常需要对客户做类型划分，以适配各种活动主题。目前，通常直接根据客户的个人基础属性对客户进行分组，而忽略客户在人际关系中产生的人群相似度，导致无法准确的为客户进行分组。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的社群划分方法、装置、设备及存储介质，能够提高目标群体的划分准确性。
一方面，本发明提出一种基于人工智能的社群划分方法，所述基于人工智能的社群划分方法包括：
当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；
根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分；
根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径；
对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；
基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；
根据多个所述用户相似度及所述群体用户生成用户关系图；
根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
根据本发明优选实施例，所述根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径包括：
对于每个群体用户，从多个所述关系得分中提取该群体用户与每个采集来源的用户关系得分；
计算多个所述用户关系得分的总和，得到用户总分，并计算每个用户关系得分在所述用户总分中的比值，得到每个群体用户与所述多个采集来源的用户概率；
对于每个采集来源，从多个所述关系得分中提取该采集来源与每个群体用户的来源关系得分；
计算多个所述来源关系得分的总和，得到来源总分，并计算每个来源关系得分在所述来源总分中的比值，得到每个采集来源与多个所述群体用户的来源概率；
将多个所述群体用户及所述多个采集来源作为图谱节点，所述用户概率作为每个群体用户游走至每个采集来源的第一游走概率，及所述来源概率作为每个采集来源游走至每个群体用户的第二游走概率构建游走图谱；
以每个群体用户为起点，根据所述游走概率从大至小的顺序在所述游走图谱中进行游走处理，直至达到预设条件，得到所述游走路径。
根据本发明优选实施例，所述对所述属性特征进行离散化处理，得到每个群体用户的属性向量包括：
确定所述属性特征所对应的第一标签；
获取所述第一标签的多个预设范围；
从所述多个预设范围中筛选出所述属性特征所在的范围作为目标范围；
将所述目标范围所对应的范围分数作为离散结果；
根据所述属性特征的特征重要度从大至小的顺序拼接所述离散结果，得到所述属性向量。
根据本发明优选实施例，所述基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户包括：
从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值；
对于每个用户对，根据每个用户对的任意两个属性向量计算所述用户对的第一相似度，并计算所述第一相似度与所述属性权值的乘积，得到所述用户对的属性相似度；
根据每个用户对的任意两个行为向量计算所述用户对的第二相似度，并计算所述第二相似度与所述行为权值的乘积，得到所述用户对的行为相似度；
计算所述属性相似度与所述行为相似度的总和，得到所述用户相似度。
根据本发明优选实施例，在从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值之前，所述方法还包括：
确定所述属性特征所对应的第一标签，并确定所述行为特征所对应的第二标签；
基于所述第一标签及所述第二标签从样本集中获取样本用户在所述第一标签上的第一用户信息及在所述第二标签上的第二用户信息，所述样本集中存储有所述样本用户在多个标签下的离散数据；
获取所述样本用户的用户价值分；
基于预先构建的学习器分析所述第一用户信息及所述第二用户信息，得到预测分；
调整所述学习器中的设定值，直至所述用户价值分与所述预测分的差值不再降低，得到所述回归模型。
根据本发明优选实施例，所述根据多个所述用户相似度及所述群体用户生成用户关系图包括：
从多个所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度；
将所述目标相似度所对应的用户对中的任意两个群体用户确定为目标用户；
将每个群体用户作为用户节点，所述目标相似度作为所述目标用户的相似权值构建所述用户关系图。
根据本发明优选实施例，所述根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体包括：
对于每个群体用户，在所述用户关系图中根据所述相似权值从大至小的顺序进行节点游走，得到多个初始群体；
基于第一预设编码规则对每个初始群体中的首位用户进行编码，得到多个群组编码，并基于第二预设编码规则对每个初始群体中的其余用户进行编码，得到多个组内编码；
根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码；
计算每个序列编码中与该序列编码中的群组编码相同的组内编码的数量与该群组编码的数量之和作为每个初始群体的群组数量，并计算所述多个序列编码中与所述多个群组编码相同的组内编码的数量与所述多个群组编码的数量之和作为序列群组总量；
统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的编码总量；
统计每个序列编码中所述群组编码、所述组内编码与终止编码的序列长度，并统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的序列总长；
根据下列公式计算每个初始群体的平均编码长度，包括：
其中，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述编码总量的比值，
是指第
个初始群体中的序列长度与所述序列总长的比值；
根据所述相似权值从小至大的顺序调整所述多个初始群体中的群体用户，直至所述平均编码长度不再降低，得到所述多个目标群体。
另一方面，本发明还提出一种基于人工智能的社群划分装置，所述基于人工智能的社群划分装置包括：
采集单元，用于当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；
生成单元，用于根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分；
所述生成单元，还用于根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径；
处理单元，用于对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；
分析单元，用于基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；
所述生成单元，还用于根据多个所述用户相似度及所述群体用户生成用户关系图；
划分单元，用于根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的社群划分方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的社群划分方法。
由以上技术方案可以看出，本发明根据所述关系得分能够准确生成所述群体用户的游走路径，提高了行为向量的准确性，即准确的生成了用于表征群体用户的关系紧密度特征的行为向量，进而利用从所述回归模型中提取到的特征权值能够准确的确定出用户对的用户相似度，提高用户关系图的准确性。此外，本发明结合群体用户的属性特征及人际关系特征对所述群体用户进行群体划分，能够准确的生成多个目标群体，从而有利于提高群体用户的需求预测的准确性。
附图说明
图1是本发明基于人工智能的社群划分方法的较佳实施例的流程图。
图2是本发明基于人工智能的社群划分装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的社群划分方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于人工智能的社群划分方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于人工智能的社群划分方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)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。
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、机器人技术、生物识别技术、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。
所述基于人工智能的社群划分方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算（CloudComputing）的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征。
在本发明的至少一个实施例中，所述社群划分请求携带的信息包括，但不限于：指示所述待处理群体的标识等。
所述待处理群体是指需要进行社群划分的群体，所述待处理群体中包括有多个群体用户。其中，这里所表述的社群是指包含有多个用户的群体。
所述属性特征是指所述群体用户的个人属性信息，例如，所述属性特征包括所述群体用户的年龄、职业、爱好等。
所述行为特征是指所述群体用户针对任一事件的个人行为信息，例如，所述行为特征包括所述群体用户接受活动邀请的情况。
在本发明的至少一个实施例中，所述电子设备根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征包括：
解析所述社群划分请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取社群标识，并将与所述社群标识对应的群体确定为所述待处理群体；
当接收到所述待处理群体中任一群体用户的授权结果时，获取所述任一群体用户的用户标识；
根据所述用户标识采集所述属性特征及所述行为特征。
其中，所述社群标识用于指示所述待处理社群。
通过所述社群标识能够准确的确定出所述待处理群体，进而通过所述授权结果能够确保所述属性特征及所述行为特征的采集合法性。
S11，根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分。
在本发明的至少一个实施例中，所述多个采集来源是指与所述群体用户针对任一事件产生所述行为特征的用户。例如，采集来源：甲，群体用户：乙，行为特征：电话沟通时长达60分钟。
可以理解的是，根据采集来源的不同，每个群体用户对应有多个所述关系得分。
所述预设规则可以根据需求设定。例如，预设规则001可以包括：用户-采集来源电话沟通60分钟-80分钟。预设规则002可以包括：采集来源为用户提供阅读建议的数量为8-10。
所述关系得分用于表征所述群体用户与所述采集来源的关系紧密度。
在本发明的至少一个实施例中，所述电子设备根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分包括：
对于每个群体用户的行为特征，从所述多个采集来源中确定该行为特征的目标来源；
从所述预设规则中选取与该行为特征匹配的信息作为目标信息；
获取所述目标信息所对应的分数，得到该群体用户与所述目标来源在该行为特征上的目标分数；
并计算该群体用户与所述目标来源在其他行为特征上的特征分数，并计算所述目标分数与所述特征分数的总和，得到该群体用户与所述目标来源的关系得分。
其中，所述目标来源是指该行为特征所获取到的具体来源。
所述其他行为特征是指除该行为特征外的该群体用户与所述目标来源的行为。
例如，采集来源：甲，群体用户：乙，行为特征A：电话沟通时长达60分钟，经与多个预设规则比较，确定该行为特征A与预设规则001（用户-采集来源电话沟通60分钟-80分钟）匹配，则目标信息为：预设规则001中的信息，经获取，得到该目标信息所对应的分数为2分，则群体用户乙与采集来源甲在行为特征A上的关系得分为2分。
通过行为特征与预设规则的匹配关系，能够准确的确定出与该行为特征所对应的分数，从而能够准确的确定出所述关系得分。
S12，根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径。
在本发明的至少一个实施例中，所述游走概率是指任一群体用户与其余群体用户的紧密程度。所述游走概率包括每个群体用户游走至每个采集来源的第一游走概率及每个采集来源游走至每个群体用户的第二游走概率。
所述游走路径中包括多个群体用户。
在本发明的至少一个实施例中，所述电子设备根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径包括：
对于每个群体用户，从多个所述关系得分中提取该群体用户与每个采集来源的用户关系得分；
计算多个所述用户关系得分的总和，得到用户总分，并计算每个用户关系得分在所述用户总分中的比值，得到每个群体用户与所述多个采集来源的用户概率；
对于每个采集来源，从多个所述关系得分中提取该采集来源与每个群体用户的来源关系得分；
计算多个所述来源关系得分的总和，得到来源总分，并计算每个来源关系得分在所述来源总分中的比值，得到每个采集来源与多个所述群体用户的来源概率；
将多个所述群体用户及所述多个采集来源作为图谱节点，所述用户概率作为每个群体用户游走至每个采集来源的第一游走概率，及所述来源概率作为每个采集来源游走至每个群体用户的第二游走概率构建游走图谱；
以每个群体用户为起点，根据所述游走概率从大至小的顺序在所述游走图谱中进行游走处理，直至达到预设条件，得到所述游走路径。
其中，所述预设条件包括，但不限于：所述游走路径的游走长度大于或者等于预设长度，所述游走路径中没有加入其余图谱节点。
所述用户概率是指从多个所述群体用户的角度出发，多个所述群体用户与每个采集来源的关系紧密度概率。
所述来源概率是指从所述多个采集来源的角度出发，所述多个采集来源与每个群体用户的关系紧密度概率。
通过多个所述关系得分，能够准确的确定出所述用户概率及所述来源概率，从而基于所述用户概率及所述来源概率能够准确的构建出所述游走图谱，进而提高游走路径的准确性。
S13，对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量。
在本发明的至少一个实施例中，所述属性向量用于表征所述群体用户的属性特征，所述行为向量用于表征任一群体用户与其余群体的紧密关系。
在本发明的至少一个实施例中，所述电子设备对所述属性特征进行离散化处理，得到每个群体用户的属性向量包括：
确定所述属性特征所对应的第一标签；
获取所述第一标签的多个预设范围；
从所述多个预设范围中筛选出所述属性特征所在的范围作为目标范围；
将所述目标范围所对应的范围分数作为离散结果；
根据所述属性特征的特征重要度从大至小的顺序拼接所述离散结果，得到所述属性向量。
其中，所述第一标签是指所述属性特征所属的标签，例如，所述属性特征为：25岁，相应地，所述第一标签为：年龄。
所述多个预设范围可以根据实际需求设定。
所述特征重要度可以根据多个样本用户的相关信息训练得出。
通过所述第一标签，能够准确的确定出所述多个预设范围，从而提高所述属性特征的离散准确性，进一步的，利用所述特征重要度能够提高所述属性向量的表征能力。
S14，基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户。
在本发明的至少一个实施例中，所述用户相似度兼具有所述群体用户的属性相似度及行为相似度。
在本发明的至少一个实施例中，所述电子设备基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户包括：
从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值；
对于每个用户对，根据每个用户对的任意两个属性向量计算所述用户对的第一相似度，并计算所述第一相似度与所述属性权值的乘积，得到所述用户对的属性相似度；
根据每个用户对的任意两个行为向量计算所述用户对的第二相似度，并计算所述第二相似度与所述行为权值的乘积，得到所述用户对的行为相似度；
计算所述属性相似度与所述行为相似度的总和，得到所述用户相似度。
其中，所述属性相似度是指所述任意两个群体用户在属性特征上的相似度。
所述行为相似度是指所述任意两个群体用户在行为特征上的相似度。
通过上述实施方式，能够从所述回归模型中提取所述属性权值及行为权值，从而提高所述属性相似度及所述行为相似度的准确性，有利于所述用户相似度的确定。
具体地，在从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值之前，所述方法还包括：
确定所述属性特征所对应的第一标签，并确定所述行为特征所对应的第二标签；
基于所述第一标签及所述第二标签从样本集中获取样本用户在所述第一标签上的第一用户信息及在所述第二标签上的第二用户信息，所述样本集中存储有所述样本用户在多个标签下的离散数据；
获取所述样本用户的用户价值分；
基于预先构建的学习器分析所述第一用户信息及所述第二用户信息，得到预测分；
调整所述学习器中的设定值，直至所述用户价值分与所述预测分的差值不再降低，得到所述回归模型。
其中，所述设定值是指与所述属性权值及所述行为权值初始化时所对应的数值。可以理解的是，所述设定值的数量与所述属性权值及所述行为权值的总量相同。
通过所述用户价值分与所述预测分的差值对所述学习器中设定值的调整，能够确保所述回归模型的准确性。
S15，根据多个所述用户相似度及所述群体用户生成用户关系图。
在本发明的至少一个实施例中，所述用户关系图用于指示多个所述群体用户之间的紧密关系。
在本发明的至少一个实施例中，所述电子设备根据多个所述用户相似度及所述群体用户生成用户关系图包括：
从多个所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度；
将所述目标相似度所对应的用户对中的任意两个群体用户确定为目标用户；
将每个群体用户作为用户节点，所述目标相似度作为所述目标用户的相似权值构建所述用户关系图。
其中，所述预设阈值可以根据所述用户分类请求中的分类需求确定。
所述目标用户是指所述用户相似度大于所述预设阈值的用户对中的任意两个群体用户。
通过所述预设阈值与所述用户相似度的比较，能够剔除掉用户相似度较低的群体用户之间的关系，从而能够生成仅具备用户相似度较高的群体用户之间的关系，不仅能够避免无关用户之间的关系对群体划分的干扰，还能够减少运算量，提高所述多个目标群体的划分效率。
S16，根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
在本发明的至少一个实施例中，每个目标群体中的群体用户具有较高的相似度。
需要强调的是，为进一步保证上述多个目标群体的私密和安全性，上述多个目标群体还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体包括：
对于每个群体用户，在所述用户关系图中根据所述相似权值从大至小的顺序进行节点游走，得到多个初始群体；
基于第一预设编码规则对每个初始群体中的首位用户进行编码，得到多个群组编码，并基于第二预设编码规则对每个初始群体中的其余用户进行编码，得到多个组内编码；
根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码；
计算每个序列编码中与该序列编码中的群组编码相同的组内编码的数量与该群组编码的数量之和作为每个初始群体的群组数量，并计算所述多个序列编码中与所述多个群组编码相同的组内编码的数量与所述多个群组编码的数量之和作为序列群组总量；
统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的编码总量；
统计每个序列编码中所述群组编码、所述组内编码与终止编码的序列长度，并统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的序列总长；
根据下列公式计算每个初始群体的平均编码长度，包括：
其中，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述编码总量的比值，
是指第
个初始群体中的序列长度与所述序列总长的比值；
根据所述相似权值从小至大的顺序调整所述多个初始群体中的群体用户，直至所述平均编码长度不再降低，得到所述多个目标群体。
其中，所述第一预设编码规则用于对位于序列首位的节点进行编码，所述第二预设编码规则用于对位于序列其余位置的节点进行编码，所述其余位置是指除序列首位外的其他位置。所述第一预设编码规则与所述第二预设编码规则对同一节点的编码不同，所述第一预设编码规则与所述第二预设编码规则对不同节点的编码可能相同。例如，节点A的群组编码为001，节点A的组内编码为010，节点B的群组编码为100，节点B的组内编码可以为001。
每个群组编码用于表征所述序列编码的起始游走节点，所述预设终止编码表征所述序列编码的终止游走节点，表示所述多个初始群体已终止编码。例如，所述预设终止编码可以为X。所述序列编码用于表征所述初始群体。
例如，初始群体的数量为5，每个初始群体中有10个用户，对每个初始群体中的首位用户进行编码，得到群组编码，则每个初始群体对应有1个群组编码，群组编码的数量为5，对每个初始群体中的其余用户进行编码，得到多个组内编码，则每个初始群体对应有1组组内编码，每组组内编码的数量为9，根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码，因此，5个初始群体对应有5个序列编码。
进一步地，序列编码A中的群组编码为001、组内编码为001、0001、00001、预设终止编码为X，序列编码B中的群组编码为010、组内编码为001、010、011、预设终止编码为X，序列编码C中的群组编码为011、组内编码为0000、0001、预设终止编码为X，那么对于序列编码A所对应的初始群体的群组数量为2，序列编码B所对应的初始群体的群组数量为2，序列编码C所对应的初始群体的群组数量为1。
另外，与群组编码001相同的组内编码的数量为2，加上群组编码001自身，则数量为3，与群组编码010相同的组内编码的数量为1，加上群组编码010自身，则数量为2，与群组编码011相同的组内编码的数量为1，加上群组编码011自身，则数量为2，因此，所述序列群组总量为3+2+2=7。
更进一步地，序列编码A-C的编码总量为5+5+4=14。
通过上述实施方式，能够准确的确定出所述初始群体的平均编码长度，进而根据所述平均编码长度对所述初始群体中的群体用户进行调整，提高所述多个目标群体的划分准确性。
由以上技术方案可以看出，本发明根据所述关系得分能够准确生成所述群体用户的游走路径，提高了行为向量的准确性，即准确的生成了用于表征群体用户的关系紧密度特征的行为向量，进而利用从所述回归模型中提取到的特征权值能够准确的确定出用户对的用户相似度，提高用户关系图的准确性。此外，本发明结合群体用户的属性特征及人际关系特征对所述群体用户进行群体划分，能够准确的生成多个目标群体，从而有利于提高群体用户的需求预测的准确性。
如图2所示，是本发明基于人工智能的社群划分装置的较佳实施例的功能模块图。所述基于人工智能的社群划分装置11包括采集单元110、生成单元111、处理单元112、分析单元113、划分单元114、确定单元115、获取单元116及调整单元117。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到社群划分请求时，采集单元110根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征。
在本发明的至少一个实施例中，所述社群划分请求携带的信息包括，但不限于：指示所述待处理群体的标识等。
所述待处理群体是指需要进行社群划分的群体，所述待处理群体中包括有多个群体用户。其中，这里所表述的社群是指包含有多个用户的群体。
所述属性特征是指所述群体用户的个人属性信息，例如，所述属性特征包括所述群体用户的年龄、职业、爱好等。
所述行为特征是指所述群体用户针对任一事件的个人行为信息，例如，所述行为特征包括所述群体用户接受活动邀请的情况。
在本发明的至少一个实施例中，所述采集单元110根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征包括：
解析所述社群划分请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取社群标识，并将与所述社群标识对应的群体确定为所述待处理群体；
当接收到所述待处理群体中任一群体用户的授权结果时，获取所述任一群体用户的用户标识；
根据所述用户标识采集所述属性特征及所述行为特征。
其中，所述社群标识用于指示所述待处理社群。
通过所述社群标识能够准确的确定出所述待处理群体，进而通过所述授权结果能够确保所述属性特征及所述行为特征的采集合法性。
生成单元111根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分。
在本发明的至少一个实施例中，所述多个采集来源是指与所述群体用户针对任一事件产生所述行为特征的用户。例如，采集来源：甲，群体用户：乙，行为特征：电话沟通时长达60分钟。
可以理解的是，根据采集来源的不同，每个群体用户对应有多个所述关系得分。
所述预设规则可以根据需求设定。例如，预设规则001可以包括：用户-采集来源电话沟通60分钟-80分钟。预设规则002可以包括：采集来源为用户提供阅读建议的数量为8-10。
所述关系得分用于表征所述群体用户与所述采集来源的关系紧密度。
在本发明的至少一个实施例中，所述生成单元111根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分包括：
对于每个群体用户的行为特征，从所述多个采集来源中确定该行为特征的目标来源；
从所述预设规则中选取与该行为特征匹配的信息作为目标信息；
获取所述目标信息所对应的分数，得到该群体用户与所述目标来源在该行为特征上的目标分数；
并计算该群体用户与所述目标来源在其他行为特征上的特征分数，并计算所述目标分数与所述特征分数的总和，得到该群体用户与所述目标来源的关系得分。
其中，所述目标来源是指该行为特征所获取到的具体来源。
所述其他行为特征是指除该行为特征外的该群体用户与所述目标来源的行为。
例如，采集来源：甲，群体用户：乙，行为特征A：电话沟通时长达60分钟，经与多个预设规则比较，确定该行为特征A与预设规则001（用户-采集来源电话沟通60分钟-80分钟）匹配，则目标信息为：预设规则001中的信息，经获取，得到该目标信息所对应的分数为2分，则群体用户乙与采集来源甲在行为特征A上的关系得分为2分。
通过行为特征与预设规则的匹配关系，能够准确的确定出与该行为特征所对应的分数，从而能够准确的确定出所述关系得分。
所述生成单元111根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径。
在本发明的至少一个实施例中，所述游走概率是指任一群体用户与其余群体用户的紧密程度。所述游走概率包括每个群体用户游走至每个采集来源的第一游走概率及每个采集来源游走至每个群体用户的第二游走概率。
所述游走路径中包括多个群体用户。
在本发明的至少一个实施例中，所述生成单元111根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径包括：
对于每个群体用户，从多个所述关系得分中提取该群体用户与每个采集来源的用户关系得分；
计算多个所述用户关系得分的总和，得到用户总分，并计算每个用户关系得分在所述用户总分中的比值，得到每个群体用户与所述多个采集来源的用户概率；
对于每个采集来源，从多个所述关系得分中提取该采集来源与每个群体用户的来源关系得分；
计算多个所述来源关系得分的总和，得到来源总分，并计算每个来源关系得分在所述来源总分中的比值，得到每个采集来源与多个所述群体用户的来源概率；
将多个所述群体用户及所述多个采集来源作为图谱节点，所述用户概率作为每个群体用户游走至每个采集来源的第一游走概率，及所述来源概率作为每个采集来源游走至每个群体用户的第二游走概率构建游走图谱；
以每个群体用户为起点，根据所述游走概率从大至小的顺序在所述游走图谱中进行游走处理，直至达到预设条件，得到所述游走路径。
其中，所述预设条件包括，但不限于：所述游走路径的游走长度大于或者等于预设长度，所述游走路径中没有加入其余图谱节点。
所述用户概率是指从多个所述群体用户的角度出发，多个所述群体用户与每个采集来源的关系紧密度概率。
所述来源概率是指从所述多个采集来源的角度出发，所述多个采集来源与每个群体用户的关系紧密度概率。
通过多个所述关系得分，能够准确的确定出所述用户概率及所述来源概率，从而基于所述用户概率及所述来源概率能够准确的构建出所述游走图谱，进而提高游走路径的准确性。
处理单元112对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量。
在本发明的至少一个实施例中，所述属性向量用于表征所述群体用户的属性特征，所述行为向量用于表征任一群体用户与其余群体的紧密关系。
在本发明的至少一个实施例中，所述处理单元112对所述属性特征进行离散化处理，得到每个群体用户的属性向量包括：
确定所述属性特征所对应的第一标签；
获取所述第一标签的多个预设范围；
从所述多个预设范围中筛选出所述属性特征所在的范围作为目标范围；
将所述目标范围所对应的范围分数作为离散结果；
根据所述属性特征的特征重要度从大至小的顺序拼接所述离散结果，得到所述属性向量。
其中，所述第一标签是指所述属性特征所属的标签，例如，所述属性特征为：25岁，相应地，所述第一标签为：年龄。
所述多个预设范围可以根据实际需求设定。
所述特征重要度可以根据多个样本用户的相关信息训练得出。
通过所述第一标签，能够准确的确定出所述多个预设范围，从而提高所述属性特征的离散准确性，进一步的，利用所述特征重要度能够提高所述属性向量的表征能力。
分析单元113基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户。
在本发明的至少一个实施例中，所述用户相似度兼具有所述群体用户的属性相似度及行为相似度。
在本发明的至少一个实施例中，所述分析单元113基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户包括：
从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值；
对于每个用户对，根据每个用户对的任意两个属性向量计算所述用户对的第一相似度，并计算所述第一相似度与所述属性权值的乘积，得到所述用户对的属性相似度；
根据每个用户对的任意两个行为向量计算所述用户对的第二相似度，并计算所述第二相似度与所述行为权值的乘积，得到所述用户对的行为相似度；
计算所述属性相似度与所述行为相似度的总和，得到所述用户相似度。
其中，所述属性相似度是指所述任意两个群体用户在属性特征上的相似度。
所述行为相似度是指所述任意两个群体用户在行为特征上的相似度。
通过上述实施方式，能够从所述回归模型中提取所述属性权值及行为权值，从而提高所述属性相似度及所述行为相似度的准确性，有利于所述用户相似度的确定。
具体地，在从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值之前，确定单元115确定所述属性特征所对应的第一标签，并确定所述行为特征所对应的第二标签；
获取单元116基于所述第一标签及所述第二标签从样本集中获取样本用户在所述第一标签上的第一用户信息及在所述第二标签上的第二用户信息，所述样本集中存储有所述样本用户在多个标签下的离散数据；
所述获取单元116获取所述样本用户的用户价值分；
分析单元113基于预先构建的学习器分析所述第一用户信息及所述第二用户信息，得到预测分；
调整单元117调整所述学习器中的设定值，直至所述用户价值分与所述预测分的差值不再降低，得到所述回归模型。
其中，所述设定值是指与所述属性权值及所述行为权值初始化时所对应的数值。可以理解的是，所述设定值的数量与所述属性权值及所述行为权值的总量相同。
通过所述用户价值分与所述预测分的差值对所述学习器中设定值的调整，能够确保所述回归模型的准确性。
所述生成单元111根据多个所述用户相似度及所述群体用户生成用户关系图。
在本发明的至少一个实施例中，所述用户关系图用于指示多个所述群体用户之间的紧密关系。
在本发明的至少一个实施例中，所述生成单元111根据多个所述用户相似度及所述群体用户生成用户关系图包括：
从多个所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度；
将所述目标相似度所对应的用户对中的任意两个群体用户确定为目标用户；
将每个群体用户作为用户节点，所述目标相似度作为所述目标用户的相似权值构建所述用户关系图。
其中，所述预设阈值可以根据所述用户分类请求中的分类需求确定。
所述目标用户是指所述用户相似度大于所述预设阈值的用户对中的任意两个群体用户。
通过所述预设阈值与所述用户相似度的比较，能够剔除掉用户相似度较低的群体用户之间的关系，从而能够生成仅具备用户相似度较高的群体用户之间的关系，不仅能够避免无关用户之间的关系对群体划分的干扰，还能够减少运算量，提高所述多个目标群体的划分效率。
划分单元114根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
在本发明的至少一个实施例中，每个目标群体中的群体用户具有较高的相似度。
需要强调的是，为进一步保证上述多个目标群体的私密和安全性，上述多个目标群体还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述划分单元114根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体包括：
对于每个群体用户，在所述用户关系图中根据所述相似权值从大至小的顺序进行节点游走，得到多个初始群体；
基于第一预设编码规则对每个初始群体中的首位用户进行编码，得到多个群组编码，并基于第二预设编码规则对每个初始群体中的其余用户进行编码，得到多个组内编码；
根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码；
计算每个序列编码中与该序列编码中的群组编码相同的组内编码的数量与该群组编码的数量之和作为每个初始群体的群组数量，并计算所述多个序列编码中与所述多个群组编码相同的组内编码的数量与所述多个群组编码的数量之和作为序列群组总量；
统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的编码总量；
统计每个序列编码中所述群组编码、所述组内编码与终止编码的序列长度，并统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的序列总长；
根据下列公式计算每个初始群体的平均编码长度，包括：
其中，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述编码总量的比值，
是指第
个初始群体中的序列长度与所述序列总长的比值；
根据所述相似权值从小至大的顺序调整所述多个初始群体中的群体用户，直至所述平均编码长度不再降低，得到所述多个目标群体。
其中，所述第一预设编码规则用于对位于序列首位的节点进行编码，所述第二预设编码规则用于对位于序列其余位置的节点进行编码，所述其余位置是指除序列首位外的其他位置。所述第一预设编码规则与所述第二预设编码规则对同一节点的编码不同，所述第一预设编码规则与所述第二预设编码规则对不同节点的编码可能相同。例如，节点A的群组编码为001，节点A的组内编码为010，节点B的群组编码为100，节点B的组内编码可以为001。
每个群组编码用于表征所述序列编码的起始游走节点，所述预设终止编码表征所述序列编码的终止游走节点，表示所述多个初始群体已终止编码。例如，所述预设终止编码可以为X。
所述序列编码用于表征所述初始群体。
例如，初始群体的数量为5，每个初始群体中有10个用户，对每个初始群体中的首位用户进行编码，得到群组编码，则每个初始群体对应有1个群组编码，群组编码的数量为5，对每个初始群体中的其余用户进行编码，得到多个组内编码，则每个初始群体对应有1组组内编码，每组组内编码的数量为9，根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码，因此，5个初始群体对应有5个序列编码。
进一步地，序列编码A中的群组编码为001、组内编码为001、0001、00001、预设终止编码为X，序列编码B中的群组编码为010、组内编码为001、010、011、预设终止编码为X，序列编码C中的群组编码为011、组内编码为0000、0001、预设终止编码为X，对于序列编码A所对应的初始群体的群组数量为2，序列编码B所对应的初始群体的群组数量为2，序列编码C所对应的初始群体的群组数量为1。
另外，与群组编码001相同的组内编码的数量为2，加上群组编码001自身，则数量为3，与群组编码010相同的组内编码的数量为1，加上群组编码010自身，则数量为2，与群组编码011相同的组内编码的数量为1，加上群组编码011自身，则数量为2，因此，所述序列群组总量为3+2+2=7。
更进一步地，序列编码A-C的编码总量为5+5+4=14。
通过上述实施方式，能够准确的确定出所述初始群体的平均编码长度，进而根据所述平均编码长度对所述初始群体中的群体用户进行调整，提高所述多个目标群体的划分准确性。
由以上技术方案可以看出，本发明根据所述关系得分能够准确生成所述群体用户的游走路径，提高了行为向量的准确性，即准确的生成了用于表征群体用户的关系紧密度特征的行为向量，进而利用从所述回归模型中提取到的特征权值能够准确的确定出用户对的用户相似度，提高用户关系图的准确性。此外，本发明结合群体用户的属性特征及人际关系特征对所述群体用户进行群体划分，能够准确的生成多个目标群体，从而有利于提高群体用户的需求预测的准确性。
如图3所示，是本发明实现基于人工智能的社群划分方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如基于人工智能的社群划分程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成采集单元110、生成单元111、处理单元112、分析单元113、划分单元114、确定单元115、获取单元116及调整单元117。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡（SmartMedia Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡（Trans-flash Card）等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种基于人工智能的社群划分方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；
根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分；
根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径；
对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；
基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；
根据多个所述用户相似度及所述群体用户生成用户关系图；
根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；
根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分；
根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径；
对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；
基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；
根据多个所述用户相似度及所述群体用户生成用户关系图；
根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于人工智能的社群划分方法，其特征在于，所述基于人工智能的社群划分方法包括：
当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；
根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分，所述多个采集来源是指与所述群体用户针对任一事件产生所述行为特征的用户；
根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径，包括：对于每个群体用户，从多个所述关系得分中提取该群体用户与每个采集来源的用户关系得分；计算多个所述用户关系得分的总和，得到用户总分，并计算每个用户关系得分在所述用户总分中的比值，得到每个群体用户与所述多个采集来源的用户概率；对于每个采集来源，从多个所述关系得分中提取该采集来源与每个群体用户的来源关系得分；计算多个所述来源关系得分的总和，得到来源总分，并计算每个来源关系得分在所述来源总分中的比值，得到每个采集来源与多个所述群体用户的来源概率；将多个所述群体用户及所述多个采集来源作为图谱节点，所述用户概率作为每个群体用户游走至每个采集来源的第一游走概率，及所述来源概率作为每个采集来源游走至每个群体用户的第二游走概率，并构建游走图谱；以每个群体用户为起点，根据所述第一游走概率及所述第二游走概率从大至小的顺序在所述游走图谱中进行游走处理，直至达到预设条件，得到所述游走路径；
对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；
基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；
根据多个所述用户相似度及所述群体用户生成用户关系图；
根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
2.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述对所述属性特征进行离散化处理，得到每个群体用户的属性向量包括：
确定所述属性特征所对应的第一标签；
获取所述第一标签的多个预设范围；
从所述多个预设范围中筛选出所述属性特征所在的范围作为目标范围；
将所述目标范围所对应的范围分数作为离散结果；
根据所述属性特征的特征重要度从大至小的顺序拼接所述离散结果，得到所述属性向量。
3.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户包括：
从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值；
对于每个用户对，根据每个用户对的任意两个属性向量计算所述用户对的第一相似度，并计算所述第一相似度与所述属性权值的乘积，得到所述用户对的属性相似度；
根据每个用户对的任意两个行为向量计算所述用户对的第二相似度，并计算所述第二相似度与所述行为权值的乘积，得到所述用户对的行为相似度；
计算所述属性相似度与所述行为相似度的总和，得到所述用户相似度。
4.如权利要求3所述的基于人工智能的社群划分方法，其特征在于，在从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值之前，所述方法还包括：
确定所述属性特征所对应的第一标签，并确定所述行为特征所对应的第二标签；
基于所述第一标签及所述第二标签从样本集中获取样本用户在所述第一标签上的第一用户信息及在所述第二标签上的第二用户信息，所述样本集中存储有所述样本用户在多个标签下的离散数据；
获取所述样本用户的用户价值分；
基于预先构建的学习器分析所述第一用户信息及所述第二用户信息，得到预测分；
调整所述学习器中的设定值，直至所述用户价值分与所述预测分的差值不再降低，得到所述回归模型。
5.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述根据多个所述用户相似度及所述群体用户生成用户关系图包括：
从多个所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度；
将所述目标相似度所对应的用户对中的任意两个群体用户确定为目标用户；
将每个群体用户作为用户节点，所述目标相似度作为所述目标用户的相似权值构建所述用户关系图。
6.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体包括：
对于每个群体用户，在所述用户关系图中根据所述相似权值从大至小的顺序进行节点游走，得到多个初始群体；
基于第一预设编码规则对每个初始群体中的首位用户进行编码，得到多个群组编码，并基于第二预设编码规则对每个初始群体中的其余用户进行编码，得到多个组内编码；
根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码；
计算每个序列编码中与该序列编码中的群组编码相同的组内编码的数量与该群组编码的数量之和作为每个初始群体的群组数量，并计算所述多个序列编码中与所述多个群组编码相同的组内编码的数量与所述多个群组编码的数量之和作为序列群组总量；
统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的编码总量；
统计每个序列编码中所述群组编码、所述组内编码与终止编码的序列长度，并统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的序列总长；
根据下列公式计算每个初始群体的平均编码长度，包括：
其中，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述序列群组总量的比值，
是指第
个初始群体中的群组数量与所述编码总量的比值，
是指第
个初始群体中的序列长度与所述序列总长的比值；
根据所述相似权值从小至大的顺序调整所述多个初始群体中的群体用户，直至所述平均编码长度不再降低，得到所述多个目标群体。
7.一种基于人工智能的社群划分装置，其特征在于，所述基于人工智能的社群划分装置包括：
采集单元，用于当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；
生成单元，用于根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分，所述多个采集来源是指与所述群体用户针对任一事件产生所述行为特征的用户；
所述生成单元，还用于根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径，包括：对于每个群体用户，从多个所述关系得分中提取该群体用户与每个采集来源的用户关系得分；计算多个所述用户关系得分的总和，得到用户总分，并计算每个用户关系得分在所述用户总分中的比值，得到每个群体用户与所述多个采集来源的用户概率；对于每个采集来源，从多个所述关系得分中提取该采集来源与每个群体用户的来源关系得分；计算多个所述来源关系得分的总和，得到来源总分，并计算每个来源关系得分在所述来源总分中的比值，得到每个采集来源与多个所述群体用户的来源概率；将多个所述群体用户及所述多个采集来源作为图谱节点，所述用户概率作为每个群体用户游走至每个采集来源的第一游走概率，及所述来源概率作为每个采集来源游走至每个群体用户的第二游走概率，并构建游走图谱；以每个群体用户为起点，根据所述第一游走概率及所述第二游走概率从大至小的顺序在所述游走图谱中进行游走处理，直至达到预设条件，得到所述游走路径；
处理单元，用于对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；
分析单元，用于基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；
所述生成单元，还用于根据多个所述用户相似度及所述群体用户生成用户关系图；
划分单元，用于根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至6中任意一项所述的基于人工智能的社群划分方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的基于人工智能的社群划分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111121955.9A CN113570391B (zh) | 2021-09-24 | 2021-09-24 | 基于人工智能的社群划分方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111121955.9A CN113570391B (zh) | 2021-09-24 | 2021-09-24 | 基于人工智能的社群划分方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570391A CN113570391A (zh) | 2021-10-29 |
| CN113570391B true CN113570391B (zh) | 2022-02-01 |
Family
ID=78174268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111121955.9A Active CN113570391B (zh) | 2021-09-24 | 2021-09-24 | 基于人工智能的社群划分方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570391B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114218500B (zh) * | 2021-12-14 | 2023-03-24 | 天翼爱音乐文化科技有限公司 | 用户挖掘方法、系统、装置及存储介质 |
| CN115118693A (zh) * | 2022-06-28 | 2022-09-27 | 平安银行股份有限公司 | 群组成员的数据处理方法、装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107492038A (zh) * | 2017-09-18 | 2017-12-19 | 济南浚达信息技术有限公司 | 一种基于神经网络的社区发现方法 |
| CN111198967A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于关系图谱的用户分组方法、装置及电子设备 |
| CN111311409A (zh) * | 2020-02-13 | 2020-06-19 | 腾讯云计算（北京）有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
| CN111475724A (zh) * | 2020-04-01 | 2020-07-31 | 上海硕恩网络科技股份有限公司 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
| CN112085565A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
| WO2021139074A1 (zh) * | 2020-01-08 | 2021-07-15 | 平安科技（深圳）有限公司 | 基于知识图谱的案件检索方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065837A (zh) * | 2019-12-31 | 2021-07-02 | 深信服科技股份有限公司 | 确定用户所属群组的方法、装置、电子设备和存储介质 |
-
2021
- 2021-09-24 CN CN202111121955.9A patent/CN113570391B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107492038A (zh) * | 2017-09-18 | 2017-12-19 | 济南浚达信息技术有限公司 | 一种基于神经网络的社区发现方法 |
| CN111198967A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于关系图谱的用户分组方法、装置及电子设备 |
| WO2021139074A1 (zh) * | 2020-01-08 | 2021-07-15 | 平安科技（深圳）有限公司 | 基于知识图谱的案件检索方法、装置、设备及存储介质 |
| CN111311409A (zh) * | 2020-02-13 | 2020-06-19 | 腾讯云计算（北京）有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
| CN111475724A (zh) * | 2020-04-01 | 2020-07-31 | 上海硕恩网络科技股份有限公司 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
| CN112085565A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570391A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695033B (zh) | 企业舆情分析方法、装置、电子设备及介质 | |
| CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
| CN111679949A (zh) | 基于设备指标数据的异常检测方法及相关设备 | |
| CN113570391B (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
| CN114332984B (zh) | 训练数据处理方法、装置和存储介质 | |
| US8719191B2 (en) | Training and verification using a correlated boosted entity model | |
| CN111639487A (zh) | 基于分类模型的字段抽取方法、装置、电子设备及介质 | |
| CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
| CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
| CN113268597B (zh) | 文本分类方法、装置、设备及存储介质 | |
| CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
| WO2021174923A1 (zh) | 概念词序列生成方法、装置、计算机设备及存储介质 | |
| CN114282059A (zh) | 视频检索的方法、装置、设备及存储介质 | |
| CN115496638A (zh) | 基于智慧校园的学生课程成绩分析管理方法及系统 | |
| CN115082041A (zh) | 用户信息管理方法、装置、设备及存储介质 | |
| CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
| CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
| CN112036439B (zh) | 依存关系分类方法及相关设备 | |
| CN112395401A (zh) | 自适应负样本对采样方法、装置、电子设备及存储介质 | |
| CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
| CN114581177B (zh) | 产品推荐方法、装置、设备及存储介质 | |
| CN116049678A (zh) | 特征贡献度评估方法、装置、电子设备和存储介质 | |
| CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
| CN114943474A (zh) | 研发工作量检测方法、装置、设备及存储介质 | |
| CN111696637B (zh) | 一种病历数据的质量检测方法和相关装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |