CN114625442A - 冷启动推荐方法、装置、电子设备及可读存储介质 - Google Patents

冷启动推荐方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114625442A
CN114625442A CN202210283460.4A CN202210283460A CN114625442A CN 114625442 A CN114625442 A CN 114625442A CN 202210283460 A CN202210283460 A CN 202210283460A CN 114625442 A CN114625442 A CN 114625442A
Authority
CN
China
Prior art keywords
user
registered
registration
behavior information
cold start
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
CN202210283460.4A
Other languages
English (en)
Inventor
姚宏志
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.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management 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 Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202210283460.4A priority Critical patent/CN114625442A/zh
Publication of CN114625442A publication Critical patent/CN114625442A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种冷启动推荐方法，包括：构建用户注册行为收集事件集合，基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合，利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果，利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，基于所述分类结果对所述待注册用户进行冷启动推荐。此外，本发明还涉及区块链技术，所述分类结果可存储在区块链的节点中。本发明还提出一种冷启动推荐装置、电子设备以及可读存储介质。本发明可以解决冷启动推荐准确率较低的问题。

Description

冷启动推荐方法、装置、电子设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种冷启动推荐方法、装置、电子设备及可读存储介质。
背景技术
在缺乏基于应用场景相关的用户有价值数据的时候，如何进行有效的推荐被称为：“冷启动问题”。冷启动问题是推荐系统必须面对的问题。目前一般主流的冷启动策略分为以下三类：1.基于规则的冷启动过程；2.丰富冷启动过程中可获得的用户和物品特征；3.利用主动学习、迁移学习和“探索与利用”机制。
现有技术的问题是，新用户注册属于标准流程，新用户注册信息属于静态特征无法直接用于推荐冷启动，并且用户和物品特征难以准确获得，基于规则和主动学习等机制的冷启动推荐难以适应新的注册用户，同时难以识别恶意注册，使得冷启动推荐的准确率较低。
发明内容
本发明提供一种冷启动推荐方法、装置、电子设备及可读存储介质，其主要目的在于解决冷启动推荐准确率较低的问题。
为实现上述目的，本发明提供的一种冷启动推荐方法，包括：
构建用户注册行为收集事件集合；
基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果；
基于所述分类结果对所述待注册用户进行冷启动推荐。
可选地，所述构建用户注册行为收集事件集合，包括：
构建多个注册行为事件类型；
利用Key-Value的形式构建所述多个注册行为事件类型的多个埋点事件，并汇总构建完成所有埋点事件，得到所述用户注册行为收集事件集合。
可选地，所述基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合，包括：
利用所述用户注册行为收集事件集合中的点击类事件收集所述待注册用户的点击行为信息；
利用所述用户注册行为收集事件集合中的浏览类事件收集所述待注册用户的浏览行为信息；
利用所述用户注册行为收集事件集合中的曝光类事件收集所述待注册用户的曝光行为信息；
汇总所述点击行为信息、所述浏览行为信息及所述曝光行为信息得到所述注册行为信息集合。
可选地，所述利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，包括：
判断所述浏览行为信息是否满足预设的浏览时长阈值；
若所述浏览行为信息不满足所述浏览时长阈值，则执行确定所述待注册用户为恶意注册；
若所述浏览行为信息满足所述浏览时长阈值，则执行判断所述待注册用户的IP地址是否为已注册IP；
若所述待注册用户的IP地址为已注册IP，则执行确定所述待注册用户为恶意注册；
若所述待注册用户的IP地址不为已注册IP，则执行确定所述待注册用户为非恶意注册。
可选地，所述利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，包括：
获取已注册用户的历史注册行为信息集合；
利用K-Means聚类算法对所述历史注册行为信息集合进行聚类，得到多个聚类簇，并将所述多个聚类簇作为分类类型；
对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果。
可选地，所述对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果，包括：
对所述注册行为信息集合中的行为信息进行向量归一化处理，得到行为向量；
计算所述行为向量与所述分类类型中各聚类簇的欧氏距离；
确定所述欧氏距离最小的聚类簇对应的分类类型作为所述分类结果。
可选地，所述基于所述分类结果对所述待注册用户进行冷启动推荐，包括：
将所述分类结果中历史用户点击次数最多的信息推送至所述待注册用户。
为了解决上述问题，本发明还提供一种冷启动推荐装置，所述装置包括：
行为收集事件构建模块，用于构建用户注册行为收集事件集合；
行为信息收集模块，用于基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
恶意注册判断模块，用于利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
冷启动推荐模块，用于利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，基于所述分类结果对所述待注册用户进行冷启动推荐。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的冷启动推荐方法。
为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的冷启动推荐方法。
本发明通过构建用户注册行为收集事件集合，并基于用户注册行为收集事件集合收集待注册用户的注册行为信息集合，可以最大化的收集用户行为信息，通过使用注册行为信息来进行恶意注册判断，提高了恶意注册识别的准确率。同时，利用恶意注册结果及注册行为信息集合对待注册用户进行类型分类，通过注册行为信息进行分类，可以从标准化的用户注册流程中最大化的提取用户的行为数据，并根据分类结果对待注册用户进行冷启动推荐，提高对用户冷启动推荐的准确率。因此本发明提出的冷启动推荐方法、装置、电子设备及计算机可读存储介质，可以解决冷启动推荐准确率较低的问题。
附图说明
图1为本发明一实施例提供的冷启动推荐方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为图1中另一个步骤的详细实施流程示意图；
图6为图5中其中一个步骤的详细实施流程示意图；
图7为本发明一实施例提供的冷启动推荐装置的功能模块图；
图8为本发明一实施例提供的实现所述冷启动推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种冷启动推荐方法。所述冷启动推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述冷启动推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的冷启动推荐方法的流程示意图。在本实施例中，所述冷启动推荐方法包括以下步骤S1-S5：
S1、构建用户注册行为收集事件集合。
本发明实施例中，所述用户注册行为收集事件是指用于收集用户在注册页面中的行为数据，所述用户注册行为收集事件可以通过前端埋点进行构建。例如，注册页面中，所述用户注册行为收集事件集合可以包括点击类事件、浏览类事件及曝光类事件等。
详细地，参照图2所示，所述构建用户注册行为收集事件集合，包括以下步骤S10-S11：
S10、构建多个注册行为事件类型；
S11、利用Key-Value的形式构建所述多个注册行为事件类型的多个埋点事件，并汇总构建完成所有埋点事件，得到所述用户注册行为收集事件集合。
本发明实施例中，Key-Value形式的埋点设计规则是指，一个Key为某个事件，可以对应一个或者多个Value对应事件的值。例如，事件类型为点击类事件(Click)，Key包括Page和Info bar，其中，Key为Page时的Value为进Enter及Jump，分别表示进入登录页面记录一次，跳转其他页面记录一次；Key为Info bar时的Value为ActivityA及ActivityB，分别表示选中信息栏A记录一次，选中信息栏B记录一次。
本发明一可选实施例中，所述用户注册行为收集事件集合包括点击类事件、浏览类事件及曝光类事件。
本发明实施例中，通过构建事件类型来创建多个埋点事件，提高了注册行为事件收集的灵活性及准确率。
S2、基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合。
本发明实施例中，所述待注册用户的注册行为信息集合是指用户在注册页面的行为信息，包括：1、用户注册时填写信息的顺序；2、填写某个信息栏的时间信息(停顿时间、填写时间等)；3、填写过程是否有跳转行为。
具体地，参照图3所示，所述基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合，包括以下步骤S20-S23：
S20、利用所述用户注册行为收集事件集合中的点击类事件收集所述待注册用户的点击行为信息；
S21、利用所述用户注册行为收集事件集合中的浏览类事件收集所述待注册用户的浏览行为信息；
S22、利用所述用户注册行为收集事件集合中的曝光类事件收集所述待注册用户的曝光行为信息；
S23、汇总所述点击行为信息、所述浏览行为信息及所述曝光行为信息得到所述注册行为信息集合。
其中，所述点击行为信息记录了用户的点击页面某个对象触发的顺序，所述浏览行为信息包括用户的浏览时长、填写某个信息栏的填写时间等，所述曝光行为信息记录了页面被用户浏览的次数。
本发明一可选实施例中，由于用户注册阶段属于标准流程，新用户注册信息属于静态特征无法直接用于冷启动推荐，通过行为事件收集用户的注册行为信息，可以提高对新用户分析的准确率。
S3、利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果。
本发明实施例中，所述恶意注册判断是指判断待注册用户为真实用户或者为机器批量注册。
详细地，参照图4所示，所述利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，包括以下步骤S30-S34：
S30、判断所述浏览行为信息是否满足预设的浏览时长阈值；
若所述浏览行为信息不满足所述浏览时长阈值，则执行S31、确定所述待注册用户为恶意注册；
若所述浏览行为信息满足所述浏览时长阈值，则执行S32、判断所述待注册用户的IP地址是否为已注册IP；
若所述待注册用户的IP地址为已注册IP，则执行S33、确定所述待注册用户为恶意注册；
若所述待注册用户的IP地址不为已注册IP，则执行S34、确定所述待注册用户为非恶意注册。
本发明实施例中，由于机器恶意注册的时长会更短，因此通过设置浏览时长阈值(例如30～60秒)，可以对恶意注册的用户进行识别，并且判断用户的IP地址是否为已注册IP，对于已注册IP，确定为恶意注册。本发明通过对用户的行为信息及IP进行双重验证，可以提高对恶意注册用户识别的准确率。
S4、利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果。
本发明实施例中，所述类型分类是指利用历史用户的行为数据对新的待注册用户进行分类。
具体地，参照图5所示，所述利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，包括以下步骤S40-S42：
S40、获取已注册用户的历史注册行为信息集合；
S41、利用K-Means聚类算法对所述历史注册行为信息集合进行聚类，得到多个聚类簇，并将所述多个聚类簇作为分类类型；
S42、对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果。
本发明实施例中，所述K-Means聚类算法是一种无监督的聚类算法，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个聚类簇(即K个类别)，让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。例如，金融领域中，通过聚类可以得到分类类型：“高风险用户”、“中风险用户”、“低风险用户”等。
详细地，参照图6所示，所述对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果，包括以下步骤S420-S422：
S420、对所述注册行为信息集合中的行为信息进行向量归一化处理，得到行为向量；
S421、计算所述行为向量与所述分类类型中各聚类簇的欧氏距离；
S422、确定所述欧氏距离最小的聚类簇对应的分类类型作为所述分类结果。
办发明另一可选实施例中，将所述注册行为信息集合添加进历史注册行为信息集合，并再次执行得到新的分类类型。
本发明实施例中，通过聚类算法对历史用户进行分类，并将新的待注册用户和历史用户进行匹配，基于历史用户可以将新的待注册用户进行有效分类，从而提高冷启动推荐的准确率。
S5、基于所述分类结果对所述待注册用户进行冷启动推荐。
本发明实施例中，基于对新的待注册用户的分类结果，可以根据相似历史用户针对推荐场景的推荐结果，用于新用户的冷启动推荐。例如，金融领域中，待注册用户的分类结果为“中风险用户”，则将“中风险用户”类型的推荐结果推送给待注册用户。
详细地，所述基于所述分类结果对所述待注册用户进行冷启动推荐，包括：
将所述分类结果中历史用户点击次数最多的信息推送至所述待注册用户。
本发明实施例中，以金融领域为例，将“中风险用户”类型的历史用户点击次数最多的产品信息“XXX基金1号”推送给待注册用户。
本发明通过构建用户注册行为收集事件集合，并基于用户注册行为收集事件集合收集待注册用户的注册行为信息集合，可以最大化的收集用户行为信息，通过使用注册行为信息来进行恶意注册判断，提高了恶意注册识别的准确率。同时，利用恶意注册结果及注册行为信息集合对待注册用户进行类型分类，通过注册行为信息进行分类，可以从标准化的用户注册流程中最大化的提取用户的行为数据，并根据分类结果对待注册用户进行冷启动推荐，提高对用户冷启动推荐的准确率。因此本发明提出的冷启动推荐方法，可以解决冷启动推荐准确率较低的问题。
如图7所示，是本发明一实施例提供的冷启动推荐装置的功能模块图。
本发明所述冷启动推荐装置100可以安装于电子设备中。根据实现的功能，所述冷启动推荐装置100可以包括行为收集事件构建模块101、行为信息收集模块102、恶意注册判断模块103及冷启动推荐模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述行为收集事件构建模块101，用于构建用户注册行为收集事件集合；
所述行为信息收集模块102，用于基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
所述恶意注册判断模块103，用于利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
所述冷启动推荐模块104，用于利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，基于所述分类结果对所述待注册用户进行冷启动推荐。
详细地，所述冷启动推荐装置100各模块的具体实施方式如下：
步骤一、构建用户注册行为收集事件集合。
本发明实施例中，所述用户注册行为收集事件是指用于收集用户在注册页面中的行为数据，所述用户注册行为收集事件可以通过前端埋点进行构建。例如，注册页面中，所述用户注册行为收集事件集合可以包括点击类事件、浏览类事件及曝光类事件等。
详细地，所述构建用户注册行为收集事件集合，包括：
构建多个注册行为事件类型；
利用Key-Value的形式构建所述多个注册行为事件类型的多个埋点事件，并汇总构建完成所有埋点事件，得到所述用户注册行为收集事件集合。
本发明实施例中，Key-Value形式的埋点设计规则是指，一个Key为某个事件，可以对应一个或者多个Value对应事件的值。例如，事件类型为点击类事件(Click)，Key包括Page和Info bar，其中，Key为Page时的Value为进Enter及Jump，分别表示进入登录页面记录一次，跳转其他页面记录一次；Key为Info bar时的Value为ActivityA及ActivityB，分别表示选中信息栏A记录一次，选中信息栏B记录一次。
本发明一可选实施例中，所述用户注册行为收集事件集合包括点击类事件、浏览类事件及曝光类事件。
本发明实施例中，通过构建事件类型来创建多个埋点事件，提高了注册行为事件收集的灵活性及准确率。
步骤二、基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合。
本发明实施例中，所述待注册用户的注册行为信息集合是指用户在注册页面的行为信息，包括：1、用户注册时填写信息的顺序；2、填写某个信息栏的时间信息(停顿时间、填写时间等)；3、填写过程是否有跳转行为。
具体地，所述基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合，包括：
利用所述用户注册行为收集事件集合中的点击类事件收集所述待注册用户的点击行为信息；
利用所述用户注册行为收集事件集合中的浏览类事件收集所述待注册用户的浏览行为信息；
利用所述用户注册行为收集事件集合中的曝光类事件收集所述待注册用户的曝光行为信息；
汇总所述点击行为信息、所述浏览行为信息及所述曝光行为信息得到所述注册行为信息集合。
其中，所述点击行为信息记录了用户的点击页面某个对象触发的顺序，所述浏览行为信息包括用户的浏览时长、填写某个信息栏的填写时间等，所述曝光行为信息记录了页面被用户浏览的次数。
本发明一可选实施例中，由于用户注册阶段属于标准流程，新用户注册信息属于静态特征无法直接用于冷启动推荐，通过行为事件收集用户的注册行为信息，可以提高对新用户分析的准确率。
步骤三、利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果。
本发明实施例中，所述恶意注册判断是指判断待注册用户为真实用户或者为机器批量注册。
详细地，所述利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，包括：
判断所述浏览行为信息是否满足预设的浏览时长阈值；
若所述浏览行为信息不满足所述浏览时长阈值，则执行确定所述待注册用户为恶意注册；
若所述浏览行为信息满足所述浏览时长阈值，则执行判断所述待注册用户的IP地址是否为已注册IP；
若所述待注册用户的IP地址为已注册IP，则执行确定所述待注册用户为恶意注册；
若所述待注册用户的IP地址不为已注册IP，则执行确定所述待注册用户为非恶意注册。
本发明实施例中，由于机器恶意注册的时长会更短，因此通过设置浏览时长阈值(例如30～60秒)，可以对恶意注册的用户进行识别，并且判断用户的IP地址是否为已注册IP，对于已注册IP，确定为恶意注册。本发明通过对用户的行为信息及IP进行双重验证，可以提高对恶意注册用户识别的准确率。
步骤四、利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果。
本发明实施例中，所述类型分类是指利用历史用户的行为数据对新的待注册用户进行分类。
具体地，所述利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，包括：
获取已注册用户的历史注册行为信息集合；
利用K-Means聚类算法对所述历史注册行为信息集合进行聚类，得到多个聚类簇，并将所述多个聚类簇作为分类类型；
对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果。
本发明实施例中，所述K-Means聚类算法是一种无监督的聚类算法，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个聚类簇(即K个类别)，让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。例如，金融领域中，通过聚类可以得到分类类型：“高风险用户”、“中风险用户”、“低风险用户”等。
详细地，所述对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果，包括：
对所述注册行为信息集合中的行为信息进行向量归一化处理，得到行为向量；
计算所述行为向量与所述分类类型中各聚类簇的欧氏距离；
确定所述欧氏距离最小的聚类簇对应的分类类型作为所述分类结果。
办发明另一可选实施例中，将所述注册行为信息集合添加进历史注册行为信息集合，并再次执行利用K-Means聚类算法对所述历史注册行为信息集合进行聚类，得到新的分类类型。
本发明实施例中，通过聚类算法对历史用户进行分类，并将新的待注册用户和历史用户进行匹配，基于历史用户可以将新的待注册用户进行有效分类，从而提高冷启动推荐的准确率。
步骤五、基于所述分类结果对所述待注册用户进行冷启动推荐。
本发明实施例中，基于对新的待注册用户的分类结果，可以根据相似历史用户针对推荐场景的推荐结果，用于新用户的冷启动推荐。例如，金融领域中，待注册用户的分类结果为“中风险用户”，则将“中风险用户”类型的推荐结果推送给待注册用户。
详细地，所述基于所述分类结果对所述待注册用户进行冷启动推荐，包括：
将所述分类结果中历史用户点击次数最多的信息推送至所述待注册用户。
本发明实施例中，以金融领域为例，将“中风险用户”类型的历史用户点击次数最多的产品信息“XXX基金1号”推送给待注册用户。
本发明通过构建用户注册行为收集事件集合，并基于用户注册行为收集事件集合收集待注册用户的注册行为信息集合，可以最大化的收集用户行为信息，通过使用注册行为信息来进行恶意注册判断，提高了恶意注册识别的准确率。同时，利用恶意注册结果及注册行为信息集合对待注册用户进行类型分类，通过注册行为信息进行分类，可以从标准化的用户注册流程中最大化的提取用户的行为数据，并根据分类结果对待注册用户进行冷启动推荐，提高对用户冷启动推荐的准确率。因此本发明提出的冷启动推荐装置，可以解决冷启动推荐准确率较低的问题。
如图8所示，是本发明一实施例提供的实现冷启动推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如冷启动推荐程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如冷启动推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如冷启动推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图8仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图8示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的冷启动推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：
构建用户注册行为收集事件集合；
基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果；
基于所述分类结果对所述待注册用户进行冷启动推荐。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
构建用户注册行为收集事件集合；
基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果；
基于所述分类结果对所述待注册用户进行冷启动推荐。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
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。
本发明实施例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。
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。
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。系统权利要求中陈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 (10)

1.一种冷启动推荐方法，其特征在于，所述方法包括：
构建用户注册行为收集事件集合；
基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果；
基于所述分类结果对所述待注册用户进行冷启动推荐。
2.如权利要求1所述的冷启动推荐方法，其特征在于，所述构建用户注册行为收集事件集合，包括：
构建多个注册行为事件类型；
利用Key-Value的形式构建所述多个注册行为事件类型的多个埋点事件，并汇总构建完成所有埋点事件，得到所述用户注册行为收集事件集合。
3.如权利要求2中所述的冷启动推荐方法，其特征在于，所述基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合，包括：
利用所述用户注册行为收集事件集合中的点击类事件收集所述待注册用户的点击行为信息；
利用所述用户注册行为收集事件集合中的浏览类事件收集所述待注册用户的浏览行为信息；
利用所述用户注册行为收集事件集合中的曝光类事件收集所述待注册用户的曝光行为信息；
汇总所述点击行为信息、所述浏览行为信息及所述曝光行为信息得到所述注册行为信息集合。
4.如权利要求3所述的冷启动推荐方法，其特征在于，所述利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，包括：
判断所述浏览行为信息是否满足预设的浏览时长阈值；
若所述浏览行为信息不满足所述浏览时长阈值，则执行确定所述待注册用户为恶意注册；
若所述浏览行为信息满足所述浏览时长阈值，则执行判断所述待注册用户的IP地址是否为已注册IP；
若所述待注册用户的IP地址为已注册IP，则执行确定所述待注册用户为恶意注册；
若所述待注册用户的IP地址不为已注册IP，则执行确定所述待注册用户为非恶意注册。
5.如权利要求1所述的冷启动推荐方法，其特征在于，所述利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，包括：
获取已注册用户的历史注册行为信息集合；
利用K-Means聚类算法对所述历史注册行为信息集合进行聚类，得到多个聚类簇，并将所述多个聚类簇作为分类类型；
对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果。
6.如权利要求5所述的冷启动推荐方法，其特征在于，所述对非恶意注册的待注册用户对应的注册行为信息集合进行类型聚类，并将聚类得到的分类类型作为所述分类结果，包括：
对所述注册行为信息集合中的行为信息进行向量归一化处理，得到行为向量；
计算所述行为向量与所述分类类型中各聚类簇的欧氏距离；
确定所述欧氏距离最小的聚类簇对应的分类类型作为所述分类结果。
7.如权利要求1至6中任一项所述的冷启动推荐方法，其特征在于，所述基于所述分类结果对所述待注册用户进行冷启动推荐，包括：
将所述分类结果中历史用户点击次数最多的信息推送至所述待注册用户。
8.一种冷启动推荐装置，其特征在于，所述装置包括：
行为收集事件构建模块，用于构建用户注册行为收集事件集合；
行为信息收集模块，用于基于所述用户注册行为收集事件集合收集待注册用户的注册行为信息集合；
恶意注册判断模块，用于利用所述注册行为信息集合对所述待注册用户进行恶意注册判断，得到恶意注册结果；
冷启动推荐模块，用于利用所述恶意注册结果及所述注册行为信息集合对所述待注册用户进行类型分类，得到分类结果，基于所述分类结果对所述待注册用户进行冷启动推荐。
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计算机程序，所述计算机程序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如权利要求1至7中任意一项所述的冷启动推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的冷启动推荐方法。
CN202210283460.4A 2022-03-22 2022-03-22 冷启动推荐方法、装置、电子设备及可读存储介质 Pending CN114625442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210283460.4A CN114625442A (zh) 2022-03-22 2022-03-22 冷启动推荐方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210283460.4A CN114625442A (zh) 2022-03-22 2022-03-22 冷启动推荐方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114625442A true CN114625442A (zh) 2022-06-14

Family

ID=81904098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210283460.4A Pending CN114625442A (zh) 2022-03-22 2022-03-22 冷启动推荐方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114625442A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110043842A (ko) * 2009-10-22 2011-04-28 성균관대학교산학협력단 사용자 적응형 추천 시스템
CN102946319A (zh) * 2012-09-29 2013-02-27 焦点科技股份有限公司 网络用户行为信息分析系统及其分析方法
US20160078489A1 (en) * 2014-09-15 2016-03-17 Verizon Patent And Licensing Inc. Systems and Methods of Using Social Media Data to Personalize Media Content Recommendations
CN109582418A (zh) * 2018-11-21 2019-04-05 平安科技（深圳）有限公司 用户行为数据收集方法、装置、计算机装置、存储介质
CN111105263A (zh) * 2018-10-29 2020-05-05 北京奇虎科技有限公司 一种用户识别方法、装置、电子设备和存储介质
CN111523035A (zh) * 2020-04-24 2020-08-11 上海异势信息科技有限公司 App浏览内容的推荐方法、装置、服务器和介质
CN111556059A (zh) * 2020-04-29 2020-08-18 深圳壹账通智能科技有限公司 异常检测方法、异常检测装置及终端设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110043842A (ko) * 2009-10-22 2011-04-28 성균관대학교산학협력단 사용자 적응형 추천 시스템
CN102946319A (zh) * 2012-09-29 2013-02-27 焦点科技股份有限公司 网络用户行为信息分析系统及其分析方法
US20160078489A1 (en) * 2014-09-15 2016-03-17 Verizon Patent And Licensing Inc. Systems and Methods of Using Social Media Data to Personalize Media Content Recommendations
CN111105263A (zh) * 2018-10-29 2020-05-05 北京奇虎科技有限公司 一种用户识别方法、装置、电子设备和存储介质
CN109582418A (zh) * 2018-11-21 2019-04-05 平安科技（深圳）有限公司 用户行为数据收集方法、装置、计算机装置、存储介质
CN111523035A (zh) * 2020-04-24 2020-08-11 上海异势信息科技有限公司 App浏览内容的推荐方法、装置、服务器和介质
CN111556059A (zh) * 2020-04-29 2020-08-18 深圳壹账通智能科技有限公司 异常检测方法、异常检测装置及终端设备

Similar Documents

Publication Publication Date Title
CN111949708B (zh) 基于时序特征提取的多任务预测方法、装置、设备及介质
CN112231586A (zh) 基于迁移学习的课程推荐方法、装置、设备及介质
CN111860377A (zh) 基于人工智能的直播方法、装置、电子设备及存储介质
CN111950621A (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
WO2023272862A1 (zh) 基于网络行为数据的风控识别方法、装置、电子设备及介质
CN113886204A (zh) 用户行为数据收集方法、装置、电子设备及可读存储介质
CN114185776A (zh) 应用程序的大数据埋点方法、装置、设备及介质
CN113592605A (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN116362684A (zh) 一种基于图书馆集群的图书管理方法、装置、设备及存储介质
CN113282854A (zh) 数据请求响应方法、装置、电子设备及存储介质
CN114756669A (zh) 问题意图的智能分析方法、装置、电子设备及存储介质
CN114862140A (zh) 基于行为分析的潜力评估方法、装置、设备及存储介质
CN111950707A (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN114662005A (zh) 用户行为轨迹的消息推送方法、装置、设备及存储介质
CN115203364A (zh) 软件故障反馈处理方法、装置、设备及可读存储介质
CN111859985B (zh) Ai客服模型测试方法、装置、电子设备及存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN114518993A (zh) 基于业务特征的系统性能监控方法、装置、设备及介质
CN114610980A (zh) 基于网络舆情的黑产识别方法、装置、设备及存储介质
CN114722280A (zh) 基于用户画像的课程推荐方法、装置、设备及存储介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质
CN113434660A (zh) 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN114625442A (zh) 冷启动推荐方法、装置、电子设备及可读存储介质
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质
CN113486266B (zh) 页面标签添加方法、装置、设备及存储介质

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