CN114764480A - 群组类型识别方法、装置、计算机设备及介质 - Google Patents
群组类型识别方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN114764480A CN114764480A CN202110002127.7A CN202110002127A CN114764480A CN 114764480 A CN114764480 A CN 114764480A CN 202110002127 A CN202110002127 A CN 202110002127A CN 114764480 A CN114764480 A CN 114764480A
- Authority
- CN
- China
- Prior art keywords
- user
- user nodes
- graph
- target
- nodes
- 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 83
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims description 72
- 238000012216 screening Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 73
- 238000005516 engineering process Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/16—Arrangements for providing special services to substations
- H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
- H04L12/185—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast with management of multicast group membership
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种群组类型识别方法、装置、计算机设备及介质,属于计算机技术领域。该方法包括:获取第一目标图的第一图结构特征和所述第一目标图中多个第一用户节点的第一用户特征;对所述第一图结构特征和多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数;根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点;对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型。该方法根据筛选出的重要的用户节点的用户特征和图结构特征来对目标群组进行识别,提高了识别准确率。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种群组类型识别方法、装置、计算机设备及介质。
背景技术
随着计算机技术和即时通信应用的发展,能够基于即时通信应用建立多种类型的群组,例如家庭群、工作群、美食群等类型的群组,如何对群组类型进行识别,已成为亟待解决的技术问题。
相关技术中,根据获取的群组中的多个用户标识对应的用户信息,来确定该群组的类型。其中,用户信息包括用户头像、用户标签、年龄、性别等信息。但是,这种根据用户信息来确定群组类型的方式,数据量较少,确定的群组类型准确率较低。
发明内容
本申请实施例提供了一种群组类型识别方法、装置、计算机设备及介质,提高了群组类型的识别准确率。所述技术方案如下:
一方面,提供了一种群组类型识别方法,所述方法包括:
获取第一目标图的第一图结构特征和所述第一目标图中多个第一用户节点的第一用户特征,所述第一用户节点为所述目标群组中的用户标识对应的节点,所述第一目标图为根据所述多个第一用户节点之间的关联关系构建的;
对所述第一图结构特征和多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数,所述注意力参数用于表示所述第一用户节点在所述第一目标图中的重要程度;
根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点,所述多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数;
对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型,所述第二目标图为根据所述多个第二用户节点之间的关联关系构建的。
在一种可能实现方式中,图结构特征包括多个用户节点中任两个用户节点之间的关联度特征,所述获取第一目标图的图结构特征和所述第一目标图中多个第一用户节点的第一用户特征,包括:
获取所述目标群组中任两个用户标识的共同出现次数,所述共同出现次数是指在多个参考时间段内基于所述任两个用户标识共同在所述目标群组中发布内容的次数;
根据所述共同出现次数,确定所述任两个用户标识之间的关联度特征,所述关联度特征与所述共同出现次数呈正相关关系。
在另一种可能实现方式中,所述根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点,包括:
将所述多个第一用户节点的数量与参考比例相乘,得到参考数量;
将所述多个第一用户节点的注意力参数按照从大到小的顺序排列,选取排列在前面的参考数量个注意力参数,将选取出的注意力参数对应的第一用户节点作为选取出的所述多个第二用户节点。
在另一种可能实现方式中,用户特征包括用户行为特征和用户属性特征,所述获取第一目标图的图结构特征和所述第一目标图中多个第一用户节点的第一用户特征,包括:
获取用户社交网络,所述用户社交网络包括已注册的多个用户标识;
根据所述用户社交网络,获取所述目标群组中的多个用户标识的用户行为特征;
根据所述目标群组中的多个用户标识对应的用户画像信息,获取所述目标群组中的多个用户标识的用户属性特征。
另一方面,提供了一种群组类型识别装置,所述装置包括:
特征获取模块,用于获取第一目标图的第一图结构特征和所述第一目标图中多个第一用户节点的第一用户特征,所述第一用户节点为所述目标群组中的用户标识对应的节点,所述第一目标图为根据所述多个第一用户节点之间的关联关系构建的;
第一注意力获取模块,用于对所述第一图结构特征和多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数,所述注意力参数用于表示所述第一用户节点在所述第一目标图中的重要程度;
第一筛选模块,用于根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点,所述多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数;
类型识别模块,用于对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型,所述第二目标图为根据所述多个第二用户节点之间的关联关系构建的。
在一种可能实现方式中,所述装置还包括:
特征调整模块,用于根据所述第二图结构特征,对所述多个第二用户节点的第一用户特征进行调整,得到所述多个第二用户节点的第二用户特征;
第二注意力获取模块,用于对所述第二图结构特征和多个第二用户特征进行处理,得到所述第二目标图中每个第二用户节点的注意力参数;
第二筛选模块,用于根据得到的多个注意力参数,从所述多个第二用户节点中选取出多个第三用户节点,所述多个第三用户节点对应的注意力参数大于其他第二用户节点对应的注意力参数。
在另一种可能实现方式中,所述类型识别模块,用于对所述多个第二用户节点的第一用户特征、所述第二图结构特征、所述多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到所述目标群组的群组类型,所述第三目标图为根据所述多个第三用户节点之间的关联关系构建的。
在另一种可能实现方式中,所述类型识别模块,包括:
第一融合单元,用于对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行融合,得到第一融合特征;
第二融合单元,用于对所述多个第三用户节点的第二用户特征和所述第三图结构特征进行融合,得到第二融合特征;
类型识别单元,用于对所述第一融合特征和所述第二融合特征进行识别,得到所述目标群组的群组类型。
在另一种可能实现方式中,所述第一融合单元,用于:
根据所述第二用户节点的数量,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行求平均处理,得到所述多个第二用户节点对应的平均用户特征;
将所述平均用户特征与所述多个第二用户节点的第一用户特征中的最大用户特征进行拼接,得到所述第一融合特征。
在另一种可能实现方式中,所述类型识别单元,用于:
对所述第一融合特征和所述第二融合特征进行拼接,得到所述目标群组对应的拼接特征;
对所述拼接特征进行识别,得到所述目标群组的群组类型。
在另一种可能实现方式中,群组类型识别模型包括第一注意力网络、第一筛选网络和识别网络,
所述第一注意力获取模块,用于调用所述第一注意力网络,对所述第一图结构特征和所述多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数;
所述第一筛选模块,用于调用所述第一筛选网络,根据得到的多个注意力参数,从所述多个第一用户节点中选取出所述多个第二用户节点;
所述类型识别模块,用于调用所述识别网络,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行识别,得到所述目标群组的群组类型。
在另一种可能实现方式中,所述群组类型识别模型还包括第一卷积网络、第二注意力网络和第二筛选网络,所述装置还包括:
特征调整模块,用于调用所述第一卷积网络,根据所述第二图结构特征,对所述多个第二用户节点的第一用户特征进行调整,得到所述多个第二用户节点的第二用户特征;
第二注意力获取模块,用于调用所述第二注意力网络,对所述第二图结构特征和多个第二用户特征进行处理,得到所述第二目标图中每个第二用户节点的注意力参数;
第二筛选模块,用于调用所述第二筛选网络,根据得到的多个注意力参数,从所述多个第二用户节点中选取出多个第三用户节点,所述多个第三用户节点对应的注意力参数大于其他第二用户节点对应的注意力参数。
在另一种可能实现方式中,所述类型识别模块,用于调用所述识别网络,对所述多个第二用户节点的第一用户特征、所述第二图结构特征、所述多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到所述目标群组的群组类型,所述第三目标图为根据所述多个第三用户节点之间的关联关系构建的。
在另一种可能实现方式中,所述群组类型识别模型还包括第一融合网络和第二融合网络,所述类型识别模块,包括:
第一融合单元,用于调用所述第一融合网络,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行融合,得到第一融合特征;
第二融合单元,用于调用所述第二融合网络,对所述多个第三用户节点的第二用户特征和所述第三图结构特征进行融合,得到第二融合特征;
类型识别单元,用于调用所述识别网络,对所述第一融合特征和所述第二融合特征进行识别,得到所述目标群组的群组类型。
在另一种可能实现方式中,所述群组类型识别模型还包括拼接网络,所述类型识别单元,用于:
调用所述拼接网络,对所述第一融合特征和所述第二融合特征进行拼接,得到所述目标群组对应的拼接特征;
调用所述识别网络,对所述拼接特征进行识别,得到所述目标群组的群组类型。
在另一种可能实现方式中,所述群组类型识别模型的训练过程包括:
获取样本群组的样本类型、样本图的样本图结构特征和所述样本目标图中多个样本用户节点的样本用户特征,所述样本用户节点为所述样本用户标识对应的节点,所述样本图为根据样本群组中的多个样本用户标识之间的关联关系构建的;
调用所述群组类型识别模型,对所述样本图结构特征和所述多个样本用户节点的样本用户特征进行识别,得到所述样本群组的预测类型;
根据所述样本类型和所述预测类型之间的差异,训练所述群组类型识别模型。
在另一种可能实现方式中,所述第一筛选网络,用于:
将所述多个第一用户节点的数量与参考比例相乘,得到参考数量;
将所述多个第一用户节点的注意力参数按照从大到小的顺序排列,选取排列在前面的参考数量个注意力参数,将选取出的注意力参数对应的第一用户节点作为选取出的所述多个第二用户节点。
在另一种可能实现方式中,图结构特征包括多个用户节点中任两个用户节点之间的关联度特征,所述特征获取模块,用于:
获取所述目标群组中任两个用户标识的共同出现次数,所述共同出现次数是指在多个参考时间段内基于所述任两个用户标识共同在所述目标群组中发布内容的次数;
根据所述共同出现次数,确定所述任两个用户标识之间的关联度特征,所述关联度特征与所述共同出现次数呈正相关关系。
在另一种可能实现方式中,用户特征包括用户行为特征和用户属性特征,所述特征获取模块,用于:
获取用户社交网络,所述用户社交网络包括已注册的多个用户标识;
根据所述用户社交网络,获取所述目标群组中的多个用户标识的用户行为特征;
根据所述目标群组中的多个用户标识对应的用户画像信息,获取所述目标群组中的多个用户标识的用户属性特征。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以实现如上述方面所述的群组类型识别方法中所执行的操作。
另一方面,提供了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条计算机程序,所述至少一条计算机程序由处理器加载并执行,以实现如上述方面所述的群组类型识别方法中所执行的操作。
另一方面,提供了一种计算机程序产品或计算机程序,所述计算机程序产品或所述计算机程序包括计算机程序代码,所述计算机程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取所述计算机程序代码,处理器执行所述计算机程序代码,使得所述计算机设备实现如上述方面所述的群组类型识别方法中所执行的操作。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的方法,考虑图结构特征和用户节点特征,来获取每个第一用户节点的注意力参数,与相关技术中仅获取用户信息相比,增多了信息量,使得到的注意力参数能够更加准确地反映用户节点在图结构中的重要程度,从而在根据参考注意力参数对多个第一用户节点进行筛选时,能够准确选取出较为重要的用户节点,根据这些重要的用户节点的用户特征和图结构特征来对目标群组进行识别,以提高识别准确率,同时将不重要的用户节点丢弃能够减少处理的数据量,提高处理速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请实施例的一些实施例,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他的附图。
图1是本申请实施例提供的一种群组类型识别方法的流程图;
图2是本申请实施例提供的一种群组类型识别模型的结构示意图;
图3是本申请实施例提供的另一种群组类型识别模型的结构示意图;
图4是本申请实施例提供的另一种群组类型识别模型的结构示意图;
图5是本申请实施例提供的另一种群组类型识别方法的流程图;
图6是本申请实施例提供的另一种群组类型识别模型的结构示意图;
图7是本申请实施例提供的一种群组类型识别装置的结构示意图;
图8是本申请实施例提供的另一种群组类型识别装置的结构示意图;
图9是本申请实施例提供的一种终端的结构示意图;
图10是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念,但除非特别说明,这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说,在不脱离本申请的范围的情况下,可以将第一用户节点称为第二用户节点,将第二用户节点称为第一用户节点。
本申请所使用的术语“至少一个”、“多个”、“每个”、“任一”等,至少一个包括一个、两个或两个以上,多个包括两个或两个以上,每个是指对应的多个中的每一个,任一是指多个中的任意一个。举例来说,多个用户节点包括3个用户节点,而每个用户节点是指这3个用户节点中的每一个用户节点,任一是指这3个用户节点中的任意一个,可以是第一个,可以是第二个,也可以是第三个。
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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。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、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。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习等技术,具体通过如下实施例进行说明。
本申请实施例提供的群组类型识别方法,可以应用于群组类型识别场景下。例如,在即时通信应用中,出于对用户隐私及用户财产安全的考虑,采用本申请实施例提供的群组类型识别方法,识别目标群组是否是敏感群组,如果确定目标群组是敏感群组,则对目标群组进行封群处理或其他处理,以避免对用户造成损失。
本申请实施例提供的方法应用于计算机设备,该计算机设备为终端或服务器。可选地,终端为便携式、袖珍式、手持式等多种类型的终端,如手机、计算机、平板电脑等。服务器是独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式系统,或者是提供云服务、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、CDN(ContentDelivery Network,内容分发网络)、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。
图1是本申请实施例提供的一种群组类型识别方法的流程图。本申请实施例的执行主体为计算机设备。参见图1,该方法包括以下步骤:
101、获取第一目标图的第一图结构特征和第一目标图中多个第一用户节点的第一用户特征。
本申请实施例中,以包括多个用户标识的目标群组为例进行说明。
其中,第一用户节点为目标群组中的用户标识对应的节点,第一目标图为根据多个第一用户节点之间的关联关系构建的。
在一种可能实现方式中,如果多个第一用户节点为目标群组中的全部用户标识对应的用户节点,即多个第一用户节点是未进行筛选的,则第一目标图为初始目标图;如果多个第一用户节点为目标群组中的部分用户标识对应的用户节点,即多个第一用户节点已经是筛选之后得到的,则第一目标图为筛选之后得到的目标图。
其中,第一图结构特征用于描述第一目标图,该第一目标图中包括多个第一用户节点以及该多个第一用户节点之间的连接线,任两个第一用户节点之间的连接线表示该任两个第一用户节点之间具有关联关系。第一用户特征用于描述用户标识对应的用户,该第一用户特征包括用户行为特征或用户属性特征中的至少一种。
102、对第一图结构特征和多个第一用户特征进行处理,得到第一目标图中每个第一用户节点对应的注意力参数。
其中,注意力参数用于表示第一用户节点在第一目标图中的重要程度,也即是表示该第一用户节点对应的用户标识在目标群组中的重要程度。用户标识在目标群组中的重要程度与注意力参数呈正相关关系。例如,对于目标群组中的群主、管理员等用户来说,在目标群组中较为重要,这些用户对应的用户节点的注意力参数也会较大。
103、根据得到的多个注意力参数,从多个第一用户节点中选取出多个第二用户节点。
其中,多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数。
本申请实施例中,对多个第一用户节点进行筛选,从多个第一用户节点中选取出对应的注意力参数较大的多个第二用户节点,后续根据这些注意力参数较大的第二用户节点来进行处理,从而在处理过程中丢弃一些不重要的信息,保证在减少数据量的同时,减少对重要信息的损失。
104、对多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到目标群组的群组类型。
其中,第二目标图是根据多个第二用户节点之间的关联关系构建的,第二图结构特征用于描述该第二目标图。第二目标图是第一目标图的子图,该第二目标图中包括多个第二用户节点以及该多个第二用户节点之间的连接线,第二目标图中多个第二用户节点之间的连接线与该多个第二用户节点在第一目标图中的连接线相同。
其中,群组类型是指目标群组所属的类型,根据不同的划分标准,可以得到不同的群组类型。例如,根据目标群组中的用户标识对应的用户的职业,可以划分工作群组和非工作群组;根据目标群组中的用户标识对应的用户之间是否是亲戚关系,可以划分家庭群组和非家庭群组;根据目标群组中的用户标识对应的用户在目标群组中的行为是否属于敏感行为,可以划分敏感群组和非敏感群组。例如,敏感行为包括涉及色情、赌博、诈骗等行为。
本申请实施例提供的方法,考虑图结构特征和用户节点特征,来获取每个第一用户节点的注意力参数,与相关技术中仅获取用户信息相比,增多了信息量,使得到的注意力参数能够更加准确地反映用户节点在图结构中的重要程度,从而在根据参考注意力参数对多个第一用户节点进行筛选时,能够准确选取出较为重要的用户节点,根据这些重要的用户节点的用户特征和图结构特征来对目标群组进行识别,以提高识别准确率,同时将不重要的用户节点丢弃能够减少处理的数据量,提高处理速度。
在一种可能实现方式中,计算机设备调用群组类型识别模型,来识别目标群组的群组类型,下面先对群组类型识别模型的模型结构进行说明。
图2是本申请实施例提供的一种群组类型识别模型的结构示意图。参见图2,该群组类型识别模型包括输入网络201、第一注意力网络202、第一筛选网络203和识别网络204。其中,输入网络201与第一注意力网络202连接,第一注意力网络202与第一筛选网络203连接,第一筛选网络203与识别网络204连接。
其中,输入网络201用于获取输入的图结构特征和用户特征,第一注意力网络202用于获取每个用户节点的注意力参数,第一筛选网络203用于根据获取的注意力参数,筛选出重要的用户节点,识别网络204用于根据筛选出的用户节点的用户特征以及对应的图结构特征来识别群组类型。
在一种可能实现方式中,参见图3,群组类型识别模型还包括第一卷积网络205、第二注意力网络206、第二筛选网络207和拼接网络208。其中,第一卷积网络205与第一筛选网络203和第二注意力网络206连接,第二注意力网络206与第二筛选网络207连接,第二筛选网络207与识别网络204连接,拼接网络208与第一筛选网络203、第二筛选网络207和识别网络204连接。
其中,第一卷积网络205用于对第一筛选网络203筛选出的比较重要的用户节点的用户特征进行进一步处理,第二注意力网络206用于获取筛选出的每个用户节点的注意力参数,第二筛选网络207用于根据获取的注意力参数,对筛选出的用户节点进行进一步筛选,拼接网络208用于对第一筛选网络203筛选出的用户节点的用户特征与第二筛选网络207再次筛选出的用户节点的用户特征进行拼接。
上述可能实现方式中是以对用户节点进行两次筛选为例进行说明,在另一种可能实现方式中,能够对用户节点进行三次、四次甚至更多次数的筛选,从而获取更多的信息量。例如,参见图4,采用三个注意力网络、三个筛选网络对用户节点进行三次筛选。其中,拼接网络用于对三个筛选网络筛选出的用户节点的用户特征进行拼接。
另外,在一种可能实现方式中,在第一注意力网络之前也可以有卷积网络,即对输入的用户特征和图结构特征先进行卷积处理,第一注意力网络根据卷积处理后的用户特征和图结构特征进行获取注意力参数。
下面通过图5所示的实施例,对调用群组类型识别模型来识别目标群组的类型进行说明。
图5是本申请实施例提供的一种群组类型识别方法的流程图。本申请实施例的执行主体为计算机设备。参见图5,该方法包括以下步骤:
501、根据目标群组中的多个用户标识之间的关联关系构建第一目标图。
本申请实施例以第一目标图为最初构建的目标图为例进行说明。
本申请实施例中,根据目标群组中的多个用户标识构建对应的用户节点,再根据多个用户标识之间的关联关系将多个用户节点连接在一起构成第一目标图,该第一目标图为同构图,即第一目标图中仅包括用户节点这一种类型的节点,且用户节点之间根据同种类型的关联关系进行连接,也即是第一目标图中的连接线为同一类型的连接线。
其中,任两个用户节点之间的关联关系根据该任两个用户节点之间的关联度特征确定,该关联度特征用于表示任两个用户节点对应的用户之间的亲密程度。
在一种可能实现方式中,获取目标群组中任两个用户标识的共同出现次数,根据共同出现次数,确定任两个用户标识之间的关联度特征。其中,共同出现次数是指在多个参考时间段内基于任两个用户标识共同在目标群组中发布内容的次数,关联度特征与共同出现次数呈正相关关系,即共同出现次数越大,则两个用户标识之间的关联度越大,共同出现次数越小,则两个用户标识之间的关联度越小。可选地,直接将共同出现次数作为关联度特征。
例如,参考时间段为5分钟,对于任两个用户,确定这两个用户在5分钟内是否都在目标群组中发言,如果都发言了,则这两个用户对应的共同出现次数加1,如果只有一个用户发言,或者两个用户都没有发言,则共同出现次数不增加。其中,两个用户如果共同在目标群组中进行发言,则表示这两个用户之间交流较多,两个用户之间比较亲密,因此能够根据共同出现次数来确定关联度特征。
在一种可能实现方式中,考虑到有可能存在偶然情况会使两个用户同时在目标群组中发言,因此还需要确定共同出现次数是否小于参考次数,响应于共同出现次数小于参考次数,将共同出现次数设置为0,从而避免偶然情况。例如,目标群组中的群主发布一条消息,该目标群组中的其他用户可能都会回复这条消息,此时目标群组中的很多用户都会同时发言,但是这些同时发言的用户之间可能关系并不亲密。
需要说明的是,本申请实施例中仅是以第一目标图为同构图为例进行说明,在另一实施例中,第一目标图还可以为异构图,例如,第一目标图中包括用户节点及用户类型节点,用户节点之间根据同种类型的关联关系进行连接,用户节点与用户类型节点之间根据用户节点对应的用户所属的类型进行连接。
502、获取第一目标图的第一图结构特征和第一目标图中多个第一用户节点的第一用户特征。
其中,第一图结构特征用于表示该第一目标图中的多个用户节点及该多个用户节点之间的关联关系,第一图结构特征包括多个用户节点中任两个用户节点之间的关联度特征。第一用户特征包括用户行为特征和用户属性特征,用户行为特征用于表示用户的历史行为,用户属性特征用于表示用户自身的属性。
在一种可能实现方式中,获取用户社交网络,根据该用户社交网络,获取目标群组中的多个用户标识的用户行为特征。其中,用户社交网络包括已注册的多个用户标识。
可选地,采用图嵌入方式,来根据用户社交网络获取用户标识的用户行为特征。其中,图嵌入用于将图中的每个节点表示为低维空间的一个稠密向量,将得到的该稠密向量作为节点的特征信息,图嵌入的核心思想是保留图结构的内在结构属性,即在向量空间中保持图中连接的节点彼此靠近。例如,图嵌入的方法包括DeepWalk(一种生成网络中节点表示的方法)以及Node2Vec(一种生成网络中节点向量的模型)等节点嵌入方法。
以Deepwalk节点嵌入方法为例,根据用户社交网络,从图中的每个用户节点出发,根据用户社交网络以及用户连线权重,随机游走多条轨迹,将全部游走出的轨迹作为语料库输入到word2vec词向量嵌入模型,通过word2vec词向量嵌入模型进行处理,最终得到每个用户节点的用户行为特征。
在一种可能实现方式中,根据目标群组中的多个用户标识对应的用户画像信息,获取目标群组中的多个用户标识的用户属性特征。其中,用户画像信息包括用户头像、用户发布的动态信息、用户年龄、性别、用户所处的地理位置等信息。
在一种可能实现方式中,采用向量表示第一用户特征,采用矩阵表示多个第一用户特征,即将多个第一用户特征拼接在一起,构成一个矩阵。例如,矩阵中的某一行或者某一列表示一个第一用户节点的第一用户特征。
在一种可能实现方式中,采用矩阵表示第一图结构特征,矩阵中的每个位置的元素表示对应的两个用户节点之间的关联关系。例如,矩阵中第三行第四列的元素表示第三个用户节点和第四个用户节点之间的关联关系。例如,采用下述公式获取任两个第一用户节点之间的关联关系:
Aij=log(Cij);
其中,Aij表示第i个第一用户节点与第j个用户节点之间的关联关系,Cij第i个第一用户节点对应的用户标识与第j个用户节点对应的用户标识的共同出现次数。
503、调用第一注意力网络,对第一图结构特征和多个第一用户特征进行处理,得到第一目标图中每个第一用户节点对应的注意力参数。
第一注意力网络为至少一个GNN(Graph Neural Network,图神经网络)。采用下述任一种公式,获取注意力参数:
Z=σ(GNN(X,A));
Z=σ(GNN(X,A+A2));
Z=σ(GNN2(σ(GNN1(X,A)),A));
其中,Z表示注意力参数,X表示多个第一用户特征,A表示第一图结构特征,σ为参考数值,GNN(·)表示对第一用户特征和第一图结构特征进行卷积处理,m表示第m个GNN。其中,Z、X和A为矩阵。
上述第一个和第二个公式中使用了一个GNN,上述第三个公式中使用了两个GNN,上述第四个公式中使用了M个GNN。上述第三个公式中两个GNN依次连接,即先采用第一个GNN进行一次处理,再采用第二个GNN在第一次处理的基础上进行第二次处理,得到注意力参数。上述第四个公式中M个GNN分别对第一用户特征和第一图结构特征进行处理,对处理得到的M个注意力参数求平均,得到最终的注意力参数。
504、调用第一筛选网络,根据得到的多个注意力参数,从多个第一用户节点中选取出多个第二用户节点,根据多个第二用户节点之间的关联关系构建第二目标图。
其中,多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数。
在一种可能实现方式中,调用第一筛选网络,将多个第一用户节点的数量与参考比例相乘,得到参考数量,将多个第一用户节点的注意力参数按照从大到小的顺序排列,选取排列在前面的参考数量个注意力参数,将选取出的注意力参数对应的第一用户节点作为选取出的多个第二用户节点。选取出多个第二用户节点之后,根据选取出的多个第二用户节点之间的关联关系构成第二目标图。
可选地,采用下述公式来获取多个第二用户节点的第一用户特征和第二目标图的第二图结构特征:
X′=Xidx,:;Al=Aidx,idx;
其中,X′表示多个第二用户节点的第一用户特征,Xidx,:表示从多个第一用户节点的第一用户特征中选取第二用户节点的第一用户特征,Al表示第二图结构特征,Aidx,idx表示从第一图结构特征中选取出多个第二用户节点对应的关联关系。
可选地,考虑到注意力参数的大小,采用下述公式对多个第二用户节点的第一用户特征进行调整,得到调整后的第一用户特征:
Xl=X′⊙Z;
其中,Xl表示调整后的第一用户特征,Z表示多个第二用户节点的注意力参数,⊙表示按位乘积,即将每个第二用户节点的第一用户特征与对应的注意力参数相乘。
需要说明的是,本申请实施例仅是以对用户节点进行多次筛选为例进行说明,在另一实施例中,如果仅是对用户节点进行一次筛选,则选取出多个第二用户节点之后,直接根据多个第二用户节点的用户特征和构建第二目标图的第二图结构特征,来得到目标群组的群组类型,不再执行后续步骤。
505、调用第一卷积网络,根据第二图结构特征,对多个第二用户节点的第一用户特征进行调整,得到多个第二用户节点的第二用户特征。
第一卷积网络为GCN(Graph Convolutional Networks,图卷积网络),采用下述公式来确定卷积处理后的第二用户特征:
Xl+1=σ(AlXlWl+1);
其中,Xl+1表示多个第二用户节点的第二用户特征,Xl表示多个第二用户节点的第一用户特征,Al表示第二图结构特征,Wl+1表示第一卷积网络中的模型参数。
506、调用第二注意力网络,对第二图结构特征和多个第二用户特征进行处理,得到第二目标图中每个第二用户节点的注意力参数。
507、调用第二筛选网络,根据得到的多个注意力参数,从多个第二用户节点中选取出多个第三用户节点,根据多个第三用户节点之间的关联关系构建第三目标图。
步骤506-步骤507的实施方式与上述步骤503-步骤504的实施方式同理,在此不再赘述。
508、调用识别网络,对多个第二用户节点的第一用户特征、第二图结构特征、多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到目标群组的群组类型。
在一种可能实现方式中,为了减小识别网络处理的数据量,先对多个第二用户节点的第一用户特征和第二图结构特征进行融合,得到第一融合特征;对多个第三用户节点的第二用户特征和第三图结构特征进行融合,得到第二融合特征;调用识别网络,对第一融合特征和第二融合特征进行识别,得到目标群组的群组类型。
在一种可能实现方式中,根据第二用户节点的数量,对多个第二用户节点的第一用户特征和第二图结构特征进行求平均处理,得到多个第二用户节点对应的平均用户特征;将平均用户特征与多个第二用户节点的第一用户特征中的最大用户特征进行拼接,得到第一融合特征。
例如,采用下述公式获取第一融合特征:
其中,s表示第一融合特征,N表示第二用户节点的数量,xi表示第i个第二用户节点的第一用户特征和与其他第二用户节点之间的关联关系,||表示对前面的特征和后面的特征进行拼接。
同理,对于第三用户节点的第二用户特征和第三图结构特征,根据第三用户节点的数量,对多个第三用户节点的第二用户特征和第三图结构特征进行求平均处理,得到多个第三用户节点对应的平均用户特征;将平均用户特征与多个第三用户节点的第二用户特征中的最大用户特征进行拼接,得到第二融合特征。
在一种可能实现方式中,对第一融合特征和第二融合特征进行拼接,得到目标群组对应的拼接特征,对该拼接特征进行识别,得到目标群组对应的群组类型。其中,拼接特征即为表示目标群组的特征。
在一种可能实现方式中,参见图6所示的模型结构示意图,群组类型识别模型还包括第一融合网络、第二融合网络和拼接网络,即调用第一融合网络,对多个第二用户节点的第一用户特征和第二图结构特征进行融合,得到第一融合特征;调用第二融合网络,对多个第三用户节点的第二用户特征和第三图结构特征进行融合,得到第二融合特征;调用拼接网络,对第一融合特征和第二融合特征进行拼接,得到目标群组对应的拼接特征;调用识别网络,对拼接特征进行识别,得到目标群组的群组类型。
以确定目标群组是否为敏感群组为例进行说明,在一种可能实现方式中,识别网络可以为分类器,该分类器包括多层感知机,识别网络的输出为0或1,如果识别网络的输出为0,则表示目标群组不是敏感群组,如果识别网络的输出为1,则表示目标群组是敏感群组。例如,采用下述公式确定识别网络的输出值:
在另一种可能实现方式中,识别网络的输出为概率,如果输出的概率大于参考概率,则表示目标群组为敏感群组,如果输出的概率不大于参考概率,则表示目标群组不是敏感群组。
本申请实施例提供的方法,考虑图结构特征和用户节点特征,来获取每个第一用户节点的注意力参数,与相关技术中仅获取用户信息相比,增多了信息量,使得到的注意力参数能够更加准确地反映用户节点在图结构中的重要程度,从而在根据参考注意力参数对多个第一用户节点进行筛选时,能够准确选取出较为重要的用户节点,根据这些重要的用户节点的用户特征和图结构特征来对目标群组进行识别,以提高识别准确率,同时将不重要的用户节点丢弃能够减少处理的数据量,提高处理速度。
并且,本申请实施例中,对用户节点进行多次筛选,得到不同层次的用户特征和图结构特征,在对目标群组进行识别时,考虑不同层次的用户特征和图结构特征,进一步提高了识别准确率。
在一种可能实现方式中,在采用群组类型识别模型之前,需要先训练群组类型识别模型,群组类型识别模型的训练过程包括:获取样本群组的样本类型、样本图的样本图结构特征和样本目标图中多个样本用户节点的样本用户特征;调用群组类型识别模型,对样本图结构特征和多个样本用户节点的样本用户特征进行识别,得到样本群组的预测类型;根据样本类型和预测类型之间的差异,训练群组类型识别模型。其中,样本用户节点为样本用户标识对应的节点,样本图为根据样本群组中的多个样本用户标识之间的关联关系构建的。
例如,采用平方误差来训练群组类型识别模型:
可选地,调用群组类型识别模型,识别得到目标群组的群组类型之后,能够采用目标群组继续训练该群组类型识别模型。
在一种可能实现方式中,对于确定目标群组是否是敏感群组这一应用场景,相关技术中,采用关键词过滤技术,确定用户发布的内容中是否包括敏感词汇,如果包括敏感词汇则认为该目标群组属于敏感群组,但是如果用户采用其他非敏感词汇代替对应的敏感词汇,则采用关键词过滤技术无法检测出来,也就不能够确定是否是敏感词汇,对目标群组的识别准确率较低。在另一种相关技术中,采用用户举报的方式,即用户对目标群组进行举报后,由技术人员再进行人工复核,确定目标群组是否属于敏感群组,但是这种方式依赖于用户的举报,受到用户举报行为的影响,对目标群组的识别准确率也较低。本申请实施例提供的方式与上述两种相关技术相比较,不受用户所使用的词汇和用户举报行为的影响,能够直接根据目标群组中多个用户节点之间的关联关系,以及用户节点的用户特征来对目标群组进行识别,提高了识别准确率。
在另一种相关技术中,采用池化函数来读取目标群组中的全部用户节点的信息,但是当用户节点较多时,采用池化函数难以读出全部的信息,会导致丢失大量信息,并且用户节点越多,处理速度也会越慢。而本申请中能够根据注意力参数对用户节点进行筛选,只需对筛选出的用户节点的信息进行读出即可,且根据注意力参数的大小能够保证保留重要的节点的信息,不会导致丢失大量信息,且在保证信息量的同时,提高了处理速度。
图7是本申请实施例提供的一种群组类型识别装置的结构示意图。参见图7,该装置包括:
特征获取模块701,用于获取第一目标图的第一图结构特征和第一目标图中多个第一用户节点的第一用户特征,第一用户节点为目标群组中的用户标识对应的节点,第一目标图为根据多个第一用户节点之间的关联关系构建的;
第一注意力获取模块702,用于对第一图结构特征和多个第一用户特征进行处理,得到第一目标图中每个第一用户节点对应的注意力参数,注意力参数用于表示第一用户节点在第一目标图中的重要程度;
第一筛选模块703,用于根据得到的多个注意力参数,从多个第一用户节点中选取出多个第二用户节点,多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数;
类型识别模块704,用于对多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到目标群组的群组类型,第二目标图为根据多个第二用户节点之间的关联关系构建的。
本申请实施例提供的装置,考虑图结构特征和用户节点特征,来获取每个第一用户节点的注意力参数,与相关技术中仅获取用户信息相比,增多了信息量,使得到的注意力参数能够更加准确地反映用户节点在图结构中的重要程度,从而在根据参考注意力参数对多个第一用户节点进行筛选时,能够准确选取出较为重要的用户节点,根据这些重要的用户节点的信息来对目标群组进行识别,以提高识别准确率,同时将不重要的用户节点丢弃能够减少处理的数据量,提高处理速度。
在一种可能实现方式中,参见图8,该装置还包括:
特征调整模块705,用于根据第二图结构特征,对多个第二用户节点的第一用户特征进行调整,得到多个第二用户节点的第二用户特征;
第二注意力获取模块706,用于对第二图结构特征和多个第二用户特征进行处理,得到第二目标图中每个第二用户节点的注意力参数;
第二筛选模块707,用于根据得到的多个注意力参数,从多个第二用户节点中选取出多个第三用户节点,多个第三用户节点对应的注意力参数大于其他第二用户节点对应的注意力参数。
在另一种可能实现方式中,类型识别模块704,用于对多个第二用户节点的第一用户特征、第二图结构特征、多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到目标群组的群组类型,第三目标图为根据多个第三用户节点之间的关联关系构建的。
在另一种可能实现方式中,参见图8,类型识别模块704,包括:
第一融合单元7041,用于对多个第二用户节点的第一用户特征和第二图结构特征进行融合,得到第一融合特征;
第二融合单元7042,用于对多个第三用户节点的第二用户特征和第三图结构特征进行融合,得到第二融合特征;
类型识别单元7043,用于对第一融合特征和第二融合特征进行识别,得到目标群组的群组类型。
在另一种可能实现方式中,参见图8,第一融合单元7041,用于:
根据第二用户节点的数量,对多个第二用户节点的第一用户特征和第二图结构特征进行求平均处理,得到多个第二用户节点对应的平均用户特征;
将平均用户特征与多个第二用户节点的第一用户特征中的最大用户特征进行拼接,得到第一融合特征。
在另一种可能实现方式中,参见图8,类型识别单元7043,用于:
对第一融合特征和第二融合特征进行拼接,得到目标群组对应的拼接特征;
对拼接特征进行识别,得到目标群组的群组类型。
在另一种可能实现方式中,参见图8,群组类型识别模型包括第一注意力网络、第一筛选网络和识别网络,
第一注意力获取模块702,用于调用第一注意力网络,对第一图结构特征和多个第一用户特征进行处理,得到第一目标图中每个第一用户节点对应的注意力参数;
第一筛选模块703,用于调用第一筛选网络,根据得到的多个注意力参数,从多个第一用户节点中选取出多个第二用户节点;
类型识别模块704,用于调用识别网络,对多个第二用户节点的第一用户特征和第二图结构特征进行识别,得到目标群组的群组类型。
在另一种可能实现方式中,群组类型识别模型还包括第一卷积网络、第二注意力网络和第二筛选网络,参见图8,该装置还包括:
特征调整模块705,用于调用第一卷积网络,根据第二图结构特征,对多个第二用户节点的第一用户特征进行调整,得到多个第二用户节点的第二用户特征;
第二注意力获取模块706,用于调用第二注意力网络,对第二图结构特征和多个第二用户特征进行处理,得到第二目标图中每个第二用户节点的注意力参数;
第二筛选模块707,用于调用第二筛选网络,根据得到的多个注意力参数,从多个第二用户节点中选取出多个第三用户节点,多个第三用户节点对应的注意力参数大于其他第二用户节点对应的注意力参数。
在另一种可能实现方式中,类型识别模块704,用于调用识别网络,对多个第二用户节点的第一用户特征、第二图结构特征、多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到目标群组的群组类型,第三目标图为根据多个第三用户节点之间的关联关系构建的。
在另一种可能实现方式中,群组类型识别模型还包括第一融合网络和第二融合网络,参见图8,类型识别模块704,包括:
第一融合单元7041,用于调用第一融合网络,对多个第二用户节点的第一用户特征和第二图结构特征进行融合,得到第一融合特征;
第二融合单元7042,用于调用第二融合网络,对多个第三用户节点的第二用户特征和第三图结构特征进行融合,得到第二融合特征;
类型识别单元7043,用于调用识别网络,对第一融合特征和第二融合特征进行识别,得到目标群组的群组类型。
在另一种可能实现方式中,群组类型识别模型还包括拼接网络,参见图8,类型识别单元7043,用于:
调用拼接网络,对第一融合特征和第二融合特征进行拼接,得到目标群组对应的拼接特征;
调用识别网络,对拼接特征进行识别,得到目标群组的群组类型。
在另一种可能实现方式中,群组类型识别模型的训练过程包括:
获取样本群组的样本类型、样本图的样本图结构特征和样本目标图中多个样本用户节点的样本用户特征,样本用户节点为样本用户标识对应的节点,样本图为根据样本群组中的多个样本用户标识之间的关联关系构建的;
调用群组类型识别模型,对样本图结构特征和多个样本用户节点的样本用户特征进行识别,得到样本群组的预测类型;
根据样本类型和预测类型之间的差异,训练群组类型识别模型。
在另一种可能实现方式中,参见图8,第一筛选网络703,用于:
将多个第一用户节点的数量与参考比例相乘,得到参考数量;
将多个第一用户节点的注意力参数按照从大到小的顺序排列,选取排列在前面的参考数量个注意力参数,将选取出的注意力参数对应的第一用户节点作为选取出的多个第二用户节点。
在另一种可能实现方式中,图结构特征包括多个用户节点中任两个用户节点之间的关联度特征,参见图8,特征获取模块701,用于:
获取目标群组中任两个用户标识的共同出现次数,共同出现次数是指在多个参考时间段内基于任两个用户标识共同在目标群组中发布内容的次数;
根据共同出现次数,确定任两个用户标识之间的关联度特征,关联度特征与共同出现次数呈正相关关系。
在另一种可能实现方式中,用户特征包括用户行为特征和用户属性特征,参见图8,特征获取模块701,用于:
获取用户社交网络,用户社交网络包括已注册的多个用户标识;
根据用户社交网络,获取目标群组中的多个用户标识的用户行为特征;
根据目标群组中的多个用户标识对应的用户画像信息,获取目标群组中的多个用户标识的用户属性特征。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供的群组类型识别装置在识别群组类型时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的群组类型识别装置与群组类型识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条计算机程序,该至少一条计算机程序由处理器加载并执行,以实现上述实施例的群组类型识别方法中所执行的操作。
可选地,该计算机设备提供为终端。图9是本申请实施例提供的一种终端900的结构示意图。该终端900可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
终端900包括有:处理器901和存储器902。
处理器901可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(ProgrammableLogic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器901可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。在一些实施例中,处理器901还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器902可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器902中的非暂态的计算机可读存储介质用于存储至少一条计算机程序,该至少一条计算机程序用于被处理器901所执行以实现本申请中方法实施例提供的群组类型识别方法。
在一些实施例中,终端900还可选包括有:外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。具体地,外围设备包括:射频电路904、显示屏905、摄像头组件906、音频电路907、定位组件908和电源909中的至少一种。
外围设备接口903可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器901和存储器902。在一些实施例中,处理器901、存储器902和外围设备接口903被集成在同一芯片或电路板上;在一些其他实施例中,处理器901、存储器902和外围设备接口903中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路904用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路904将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路904包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路904可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路904还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏905用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏905是触摸显示屏时,显示屏905还具有采集在显示屏905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器901进行处理。此时,显示屏905还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏905可以为一个,设置在终端900的前面板;在另一些实施例中,显示屏905可以为至少两个,分别设置在终端900的不同表面或呈折叠设计;在另一些实施例中,显示屏905可以是柔性显示屏,设置在终端900的弯曲表面上或折叠面上。甚至,显示屏905还可以设置成非矩形的不规则图形,也即异形屏。显示屏905可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(OrganicLight-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件906用于采集图像或视频。可选地,摄像头组件906包括前置摄像头和后置摄像头。前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件906还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路907可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器901进行处理,或者输入至射频电路904以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端900的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器901或射频电路904的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路907还可以包括耳机插孔。
定位组件908用于定位终端900的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件908可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯定位系统或欧盟的伽利略定位系统的定位组件。
电源909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。当电源909包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于:加速度传感器911、陀螺仪传感器912、压力传感器913、指纹传感器914、光学传感器915以及接近传感器916。
加速度传感器911可以检测以终端900建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器911可以用于检测重力加速度在三个坐标轴上的分量。处理器901可以根据加速度传感器911采集的重力加速度信号,控制显示屏905以横向视图或纵向视图进行用户界面的显示。加速度传感器911还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器912可以检测终端900的机体方向及转动角度,陀螺仪传感器912可以与加速度传感器911协同采集用户对终端900的3D动作。处理器901根据陀螺仪传感器912采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器913可以设置在终端900的侧边框和/或显示屏905的下层。当压力传感器913设置在终端900的侧边框时,可以检测用户对终端900的握持信号,由处理器901根据压力传感器913采集的握持信号进行左右手识别或快捷操作。当压力传感器913设置在显示屏905的下层时,由处理器901根据用户对显示屏905的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器914用于采集用户的指纹,由处理器901根据指纹传感器914采集到的指纹识别用户的身份,或者,由指纹传感器914根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器901授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器914可以被设置在终端900的正面、背面或侧面。当终端900上设置有物理按键或厂商Logo时,指纹传感器914可以与物理按键或厂商Logo集成在一起。
光学传感器915用于采集环境光强度。在一个实施例中,处理器901可以根据光学传感器915采集的环境光强度,控制显示屏905的显示亮度。具体地,当环境光强度较高时,调高显示屏905的显示亮度;当环境光强度较低时,调低显示屏905的显示亮度。在另一个实施例中,处理器901还可以根据光学传感器915采集的环境光强度,动态调整摄像头组件906的拍摄参数。
接近传感器916,也称距离传感器,设置在终端900的前面板。接近传感器916用于采集用户与终端900的正面之间的距离。在一个实施例中,当接近传感器916检测到用户与终端900的正面之间的距离逐渐变小时,由处理器901控制显示屏905从亮屏状态切换为息屏状态;当接近传感器916检测到用户与终端900的正面之间的距离逐渐变大时,由处理器901控制显示屏905从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图9中示出的结构并不构成对终端900的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
可选地,该计算机设备提供为服务器。图10是本申请实施例提供的一种服务器的结构示意图,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central Processing Units,CPU)1001和一个或一个以上的存储器1002,其中,存储器1002中存储有至少一条计算机程序,该至少一条计算机程序由处理器1001加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条计算机程序,该至少一条计算机程序由处理器加载并执行,以实现上述实施例的群组类型识别方法中所执行的操作。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机程序代码,该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码,处理器执行该计算机程序代码,使得计算机设备实现上述实施例的群组类型识别方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请实施例的可选实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种群组类型识别方法,其特征在于,所述方法包括:
获取第一目标图的第一图结构特征和所述第一目标图中多个第一用户节点的第一用户特征,所述第一用户节点为所述目标群组中的用户标识对应的节点,所述第一目标图为根据所述多个第一用户节点之间的关联关系构建的;
对所述第一图结构特征和多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数,所述注意力参数用于表示所述第一用户节点在所述第一目标图中的重要程度;
根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点,所述多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数;
对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型,所述第二目标图为根据所述多个第二用户节点之间的关联关系构建的。
2.根据权利要求1所述的方法,其特征在于,所述根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点之后,所述方法还包括:
根据所述第二图结构特征,对所述多个第二用户节点的第一用户特征进行调整,得到所述多个第二用户节点的第二用户特征;
对所述第二图结构特征和多个第二用户特征进行处理,得到所述第二目标图中每个第二用户节点的注意力参数;
根据得到的多个注意力参数,从所述多个第二用户节点中选取出多个第三用户节点,所述多个第三用户节点对应的注意力参数大于其他第二用户节点对应的注意力参数。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型,包括:
对所述多个第二用户节点的第一用户特征、所述第二图结构特征、所述多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到所述目标群组的群组类型,所述第三目标图为根据所述多个第三用户节点之间的关联关系构建的。
4.根据权利要求3所述的方法,其特征在于,所述对所述多个第二用户节点的第一用户特征、所述第二图结构特征、所述多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到所述目标群组的群组类型,包括:
对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行融合,得到第一融合特征;
对所述多个第三用户节点的第二用户特征和所述第三图结构特征进行融合,得到第二融合特征;
对所述第一融合特征和所述第二融合特征进行识别,得到所述目标群组的群组类型。
5.根据权利要求4所述的方法,其特征在于,所述对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行融合,得到第一融合特征,包括:
根据所述第二用户节点的数量,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行求平均处理,得到所述多个第二用户节点对应的平均用户特征;
将所述平均用户特征与所述多个第二用户节点的第一用户特征中的最大用户特征进行拼接,得到所述第一融合特征。
6.根据权利要求4所述的方法,其特征在于,所述对所述第一融合特征和所述第二融合特征进行识别,得到所述目标群组的群组类型,包括:
对所述第一融合特征和所述第二融合特征进行拼接,得到所述目标群组对应的拼接特征;
对所述拼接特征进行识别,得到所述目标群组的群组类型。
7.根据权利要求1所述的方法,其特征在于,群组类型识别模型包括第一注意力网络、第一筛选网络和识别网络,所述对所述第一图结构特征和多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数,包括:
调用所述第一注意力网络,对所述第一图结构特征和所述多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数;
所述根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点,包括:
调用所述第一筛选网络,根据得到的多个注意力参数,从所述多个第一用户节点中选取出所述多个第二用户节点;
所述对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型,包括:
调用所述识别网络,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行识别,得到所述目标群组的群组类型。
8.根据权利要求7所述的方法,其特征在于,所述群组类型识别模型还包括第一卷积网络、第二注意力网络和第二筛选网络,所述调用所述第一筛选网络,根据得到的多个注意力参数,从所述多个第一用户节点中选取出所述多个第二用户节点之后,所述方法还包括:
调用所述第一卷积网络,根据所述第二图结构特征,对所述多个第二用户节点的第一用户特征进行调整,得到所述多个第二用户节点的第二用户特征;
调用所述第二注意力网络,对所述第二图结构特征和多个第二用户特征进行处理,得到所述第二目标图中每个第二用户节点的注意力参数;
调用所述第二筛选网络,根据得到的多个注意力参数,从所述多个第二用户节点中选取出多个第三用户节点,所述多个第三用户节点对应的注意力参数大于其他第二用户节点对应的注意力参数。
9.根据权利要求8所述的方法,其特征在于,所述调用所述识别网络,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行识别,得到所述目标群组的群组类型,包括:
调用所述识别网络,对所述多个第二用户节点的第一用户特征、所述第二图结构特征、所述多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到所述目标群组的群组类型,所述第三目标图为根据所述多个第三用户节点之间的关联关系构建的。
10.根据权利要求9所述的方法,其特征在于,所述群组类型识别模型还包括第一融合网络和第二融合网络,所述调用所述识别网络,对所述多个第二用户节点的第一用户特征、所述第二图结构特征、所述多个第三用户节点的第二用户特征和第三目标图的第三图结构特征进行识别,得到所述目标群组的群组类型,包括:
调用所述第一融合网络,对所述多个第二用户节点的第一用户特征和所述第二图结构特征进行融合,得到第一融合特征;
调用所述第二融合网络,对所述多个第三用户节点的第二用户特征和所述第三图结构特征进行融合,得到第二融合特征;
调用所述识别网络,对所述第一融合特征和所述第二融合特征进行识别,得到所述目标群组的群组类型。
11.根据权利要求10所述的方法,其特征在于,所述群组类型识别模型还包括拼接网络,所述调用所述识别网络,对所述第一融合特征和所述第二融合特征进行识别,得到所述目标群组的群组类型,包括:
调用所述拼接网络,对所述第一融合特征和所述第二融合特征进行拼接,得到所述目标群组对应的拼接特征;
调用所述识别网络,对所述拼接特征进行识别,得到所述目标群组的群组类型。
12.根据权利要求7-11任一项所述的方法,其特征在于,所述群组类型识别模型的训练过程包括:
获取样本群组的样本类型、样本图的样本图结构特征和所述样本目标图中多个样本用户节点的样本用户特征,所述样本用户节点为所述样本用户标识对应的节点,所述样本图为根据样本群组中的多个样本用户标识之间的关联关系构建的;
调用所述群组类型识别模型,对所述样本图结构特征和所述多个样本用户节点的样本用户特征进行识别,得到所述样本群组的预测类型;
根据所述样本类型和所述预测类型之间的差异,训练所述群组类型识别模型。
13.一种群组类型识别装置,其特征在于,所述装置包括:
特征获取模块,用于获取第一目标图的第一图结构特征和所述第一目标图中多个第一用户节点的第一用户特征,所述第一用户节点为所述目标群组中的用户标识对应的节点,所述第一目标图为根据所述多个第一用户节点之间的关联关系构建的;
第一注意力获取模块,用于对所述第一图结构特征和多个第一用户特征进行处理,得到所述第一目标图中每个第一用户节点对应的注意力参数,所述注意力参数用于表示所述第一用户节点在所述第一目标图中的重要程度;
第一筛选模块,用于根据得到的多个注意力参数,从所述多个第一用户节点中选取出多个第二用户节点,所述多个第二用户节点对应的注意力参数大于其他第一用户节点对应的注意力参数;
类型识别模块,用于对所述多个第二用户节点的第一用户特征和第二目标图的第二图结构特征进行识别,得到所述目标群组的群组类型,所述第二目标图为根据所述多个第二用户节点之间的关联关系构建的。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以实现如权利要求1至12任一权利要求所述的群组类型识别方法中所执行的操作。
15.一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至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行,以实现如权利要求1至12任一权利要求所述的群组类型识别方法中所执行的操作。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002127.7A CN114764480A (zh) | 2021-01-04 | 2021-01-04 | 群组类型识别方法、装置、计算机设备及介质 |
JP2023519589A JP2023544022A (ja) | 2021-01-04 | 2021-12-27 | グループタイプの識別方法、装置、コンピュータ機器及びコンピュータプログラム |
PCT/CN2021/141553 WO2022143505A1 (zh) | 2021-01-04 | 2021-12-27 | 群组类型识别方法、装置、计算机设备及介质 |
US17/963,919 US11916853B2 (en) | 2021-01-04 | 2022-10-11 | Group type identification method and apparatus, computer device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002127.7A CN114764480A (zh) | 2021-01-04 | 2021-01-04 | 群组类型识别方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764480A true CN114764480A (zh) | 2022-07-19 |
Family
ID=82260211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110002127.7A Pending CN114764480A (zh) | 2021-01-04 | 2021-01-04 | 群组类型识别方法、装置、计算机设备及介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11916853B2 (zh) |
JP (1) | JP2023544022A (zh) |
CN (1) | CN114764480A (zh) |
WO (1) | WO2022143505A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680633B (zh) * | 2023-05-06 | 2024-01-26 | 国网四川省电力公司广安供电公司 | 基于多任务学习的异常用户检测方法、系统及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130055099A1 (en) * | 2011-08-22 | 2013-02-28 | Rose Yao | Unified Messaging System with Integration of Call Log Data |
US10305758B1 (en) * | 2014-10-09 | 2019-05-28 | Splunk Inc. | Service monitoring interface reflecting by-service mode |
US10592534B2 (en) * | 2016-02-16 | 2020-03-17 | Microsoft Technology Licensing Llc | Automated aggregation of social contact groups |
CN107770049A (zh) * | 2017-10-23 | 2018-03-06 | 林楚莲 | 一种被邀请用户获取群组信息的方法及系统 |
US10565229B2 (en) * | 2018-05-24 | 2020-02-18 | People.ai, Inc. | Systems and methods for matching electronic activities directly to record objects of systems of record |
CN110083791B (zh) * | 2019-05-05 | 2020-04-24 | 北京三快在线科技有限公司 | 目标群组检测方法、装置、计算机设备及存储介质 |
CN111738628B (zh) * | 2020-08-14 | 2020-12-08 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
-
2021
- 2021-01-04 CN CN202110002127.7A patent/CN114764480A/zh active Pending
- 2021-12-27 JP JP2023519589A patent/JP2023544022A/ja active Pending
- 2021-12-27 WO PCT/CN2021/141553 patent/WO2022143505A1/zh unknown
-
2022
- 2022-10-11 US US17/963,919 patent/US11916853B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20230031045A1 (en) | 2023-02-02 |
US11916853B2 (en) | 2024-02-27 |
JP2023544022A (ja) | 2023-10-19 |
WO2022143505A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN112966124B (zh) | 知识图谱对齐模型的训练方法、对齐方法、装置及设备 | |
CN112989767B (zh) | 医学词语标注方法、医学词语映射方法、装置及设备 | |
CN111243668A (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
CN111739517A (zh) | 语音识别方法、装置、计算机设备及介质 | |
CN111753498A (zh) | 文本处理方法、装置、设备及存储介质 | |
CN112052354A (zh) | 视频推荐方法、视频展示方法、装置及计算机设备 | |
CN113569042A (zh) | 文本信息分类方法、装置、计算机设备及存储介质 | |
CN111914180A (zh) | 基于图结构的用户特征确定方法、装置、设备及介质 | |
CN112561084B (zh) | 特征提取方法、装置、计算机设备及存储介质 | |
CN113821658A (zh) | 对编码器进行训练的方法、装置、设备及存储介质 | |
CN113570510A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112287070A (zh) | 词语的上下位关系确定方法、装置、计算机设备及介质 | |
CN114764480A (zh) | 群组类型识别方法、装置、计算机设备及介质 | |
CN113987326B (zh) | 资源推荐方法、装置、计算机设备及介质 | |
CN113569822B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN112070586B (zh) | 基于语义识别的物品推荐方法、装置、计算机设备及介质 | |
CN114328815A (zh) | 文本映射模型的处理方法、装置、计算机设备及存储介质 | |
CN114817709A (zh) | 排序方法、装置、设备及计算机可读存储介质 | |
CN114297493A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN112560472B (zh) | 一种识别敏感信息的方法及装置 | |
CN113139614A (zh) | 特征提取方法、装置、电子设备及存储介质 | |
CN114328948A (zh) | 文本标准化模型的训练方法、文本标准化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40071952 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |