CN114782764B - 一种用户画像的生成方法、装置、计算机设备及存储介质 - Google Patents
一种用户画像的生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114782764B CN114782764B CN202210710568.7A CN202210710568A CN114782764B CN 114782764 B CN114782764 B CN 114782764B CN 202210710568 A CN202210710568 A CN 202210710568A CN 114782764 B CN114782764 B CN 114782764B
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- feature list
- user
- tag
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及用户画像技术领域，尤其是一种用户画像的生成方法、装置、计算机设备及存储介质，其中，所述方法包括：获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像；可知，能够通过特征图像化，使得通过模型选取适当的用户特征，避免有效用户的有效特征被删除，导致用户的画像不准确。
Description
技术领域
本发明涉及用户画像技术领域，尤其涉及一种用户画像的生成方法、装置、计算机设备及存储介质。
背景技术
随着人工智能技术的发展，使用人工智能技术在各个领域均得到了应用，尤其是对用户的画像方面，通过人工智能方式对用户画出准确的画像。
在现有技术中，大部分的用户特征是基于IV值或者饱和度等参数，来删选特征，以保证确定出用户画像，但是现有技术中存在将部分有效特征删除，导致用户画像的不准确的问题。
因此，如何全面而有效地的获取用户特征，以使得准确的获取用户画像，是目前本领域技术人员亟需解决的技术问题。
发明内容
针对上述技术问题，本发明保护了一种用户画像的生成方法，所述方法包括：
获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；
根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；
将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
本发明还保护了一种用户画像的生成装置，所述装置包括：
特征获取模块，所述特征获取模块用于获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；
图像生成模块，所述图像生成模块根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；
画像获取模块，所述画像获取模块用于将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
本发明保护了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的用户画像的生成方法。
本发明保护了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的用户画像的生成方法。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的一种用户画像的生成方法、装置、计算机设备及存储介质可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：
本发明的一种用户画像的生成方法、装置、计算机设备及存储介质，其中，所述方法包括：获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像；可知，能够通过特征图像化，使得通过模型选取适当的用户特征，避免有效用户的有效特征被删除，导致用户的画像不准确。
此外，将特征在空间上的按照一定方式排序，使得更加符合卷神经网络模型的选取特征的方式，以更有效和 全面的选取有效特征，提高用户画像的准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
图1为本发明实施例一提供的一种用户画像的生成方法的流程图；
图2为本发明实施例一提供的S100步骤的流程图；
图3为本发明实施例一提供的另一S100步骤的流程图；
图4为本发明实施例一提供的S200步骤的流程图；
图5为本发明实施例二提供的一种用户画像的生成装置的结构示意图；
图6为本发明实施例二提供的模块100的结构示意图；
图7为本发明实施例二提供的另一模块100的结构示意图；
图8为本发明实施例二提供的模块200的结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种获取目标位置的数据处理系统的具体实施方式及其功效，详细说明如后。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
如图1所示，本实施例一提供了一种用户画像的生成方法，所述方法包括：
S100、获取目标用户的第一目标特征列表和目标用户的第二目标特征列表。
如图2所述，所述方法还通过如下步骤获取第一目标特征列表：
S11、获取目标用户的标签特征列表。
S13、根据目标用户的标签特征列表，获取目标用户对应的第一标签特征列表和第二标签特征列表，其中，所述第一标签特征列表中标签特征为二分类的标签特征，所述第二标签特征列表中标签特征为多分类的标签特征。
S15、对所述第二标签特征列表进行处理，获取到目标用户对应的第三标签特征列表，其中，第三标签特征列表为二分类特征的标签特征列表，本领域技术人员知晓，采取现有技术中任意一种将多分类特征转换成二分类特征的方法，在此不再赘述。
S17、根据所述第一标签特征列表和所述第三标签特征列表，构建成第一目标特征列表。
进一步地，所述第一标签特征列表中标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
进一步地，所述第三标签特征列表中标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
如图3所述，所述方法还通过如下步骤获取第二目标特征列表：
S21、获取目标用户的非标签特征列表。
S23、根据目标用户的非标签特征列表，获取目标用户对应的第一非标签特征列表和第二非标签特征列表，其中，第一非标签特征列表中非标签特征为二分类的非标签特征，第二非标签特征列表中非标签特征为多分类的非标签特征。
S25、对所述第二非标签特征列表进行处理，获取到目标用户对应的第三非标签特征列表，其中，第三非标签特征列表为二分类特征的非标签特征列表，本领域技术人员知晓，采取现有技术中任意一种将多分类特征转换成二分类特征的方法，在此不再赘述。
S27、根据所述第一非标签特征列表和所述第三非标签特征列表，构建成第二目标特征列表。
进一步地，所述第一非标签特征列表中非标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
进一步地，所述第三非标签特征列表中非标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
上述，能够将特征值均转换成0或1，便于根据目标特征矩阵，生成目标特征图像，使得后续的目标特征图像通过卷积神经网络模型处理，得到更加准确的特征和用户画像。
S200、根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像。
如图4所示，根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像的步骤还包括如下步骤：
S201、根据所述第一目标特征列表和所述第二目标特征列表，确定出目标特征矩阵。
具体地，所述目标特征矩阵为MxN矩阵。
优选地，M=N，其中，M符合如下条件：
进一步地，所述第一目标特征是指所述第一目标特征列表中特征。
进一步地，所述第二目标特征是指所述第二目标特征列表中特征。
在一个具体的实施例中，S201步骤中还包括如下步骤：
S2011、获取所述第一目标特征列表中第一目标特征的特征类型；
S2013、根据第一目标特征的特征类型，将相同特征类型的第一目标特征的特征值插入在所述目标特征矩阵的同一行；
S2015、获取所述第二目标特征列表中第二目标特征的特征类型；
S2017、根据第二目标特征的特征类型，将相同特征类型的第二目标特征的特征值插入在所述目标特征矩阵的同一行；
其中，第二目标特征对应的行数不低于第一目标特征对应的行数。
上述，与相同特征类型的特征未进行聚集进行比对，能够在目标特征矩阵对相同特征类型的特征进行聚集，进而使得后续的目标特征图像通过卷积神经网络模型处理，得到更加准确的特征和用户画像。
S203、根据目标特征矩阵，生成目标特征矩阵对应的映射图像，其中，所述目标特征矩阵中目标特征坐标与所述映射图像中映射像素点坐标相对应。
S205、当所述目标特征矩阵中目标特征对应的特征值为第一预设特征值时，将目标特征对应的映射像素点的RGB值设置为第一RGB值。
S207、当所述目标特征矩阵中目标特征对应的特征值为第二预设特征值时，将目标特征对应的映射像素点的RGB值设置为第二RGB值。
具体地，所述第一预设特征值与所述第二预设特征值不一致且所述第一RGB值与所述第二RGB值不一致；其中，当第一预设特征值为1时，第二预设特征值为0，同时，第一RGB值为255且第二RGB值为0；当第一预设特征值为0时，第二预设特征值为1，同时第一RGB值为0且第二RGB值为255。
S209、将已设置RGB值的映射图像作为目标特征图像。
上述，通过目标特征矩阵生成目标特征图像，使得根据目标特征图像，生成用户画像，避免有效用户的有效特征被删除，导致用户的画像不准确。
S300、将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
具体地，所述卷积神经网络模型为ResNet模型，本领域技术人员知晓，通过ResNet模型，确定用户画像的方法，在此不再赘述。
本实施例一提供了一种用户画像的生成方法、装置、计算机设备及存储介质，其中，所述方法包括：获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像；可知，能够通过特征图像化，使得通过模型选取适当的用户特征，避免有效用户的有效特征被删除，导致用户的画像不准确。
此外，将特征在空间上的按照一定方式排序，使得更加符合卷神经网络模型的选取特征的方式，以更有效和 全面的选取有效特征，提高用户画像的准确性。
如图5所示，本实施例二提供了一种用户画像的生成装置，所述装置包括：
特征获取模块100，所述特征获取模块用于获取目标用户的第一目标特征列表和目标用户的第二目标特征列表。
如图6所示，所述特征获取模块100包括：
标签特征获取模块11，所述标签特征获取模块用于获取目标用户的标签特征列表。
第一执行模块13，所述第一执行模块用于根据目标用户的标签特征列表，获取目标用户对应的第一标签特征列表和第二标签特征列表，其中，所述第一标签特征列表中标签特征为二分类的标签特征，所述第二标签特征列表中标签特征为多分类的标签特征。
第二执行模块15，所述第二执行模块用于对所述第二标签特征列表进行处理，获取到目标用户对应的第三标签特征列表，其中，第三标签特征列表为二分类特征的标签特征列表，本领域技术人员知晓，采取现有技术中任意一种将多分类特征转换成二分类特征的方法，在此不再赘述。
第一构建模块17，所述第一构建模块用于根据所述第一标签特征列表和所述第三标签特征列表，构建成第一目标特征列表。
进一步地，所述第一标签特征列表中标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
进一步地，所述第三标签特征列表中标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
如图7所述，所述特征获取模块100包括：
非标签特征获取模块21，所述非标签特征获取模块用于获取目标用户的非标签特征列表。
第三执行模块23，所述第三执行模块用于根据目标用户的非标签特征列表，获取目标用户对应的第一非标签特征列表和第二非标签特征列表，其中，第一非标签特征列表中非标签特征为二分类的非标签特征，第二非标签特征列表中非标签特征为多分类的非标签特征。
第四执行模块25，所述第四执行模块用于对所述第二非标签特征列表进行处理，获取到目标用户对应的第三非标签特征列表，其中，第三非标签特征列表为二分类特征的非标签特征列表，本领域技术人员知晓，采取现有技术中任意一种将多分类特征转换成二分类特征的方法，在此不再赘述。
第二构建模块27，所述第二构建模块用于根据所述第一非标签特征列表和所述第三非标签特征列表，构建成第二目标特征列表。
进一步地，所述第一非标签特征列表中非标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
进一步地，所述第三非标签特征列表中非标签特征的特征值转化成0或者1，本领域技术人员知晓，将二分类特征的特征值转换成0或1的方法，在此不再赘述。
上述，能够将特征值均转换成0或1，便于根据目标特征矩阵，生成目标特征图像，使得后续的目标特征图像通过卷积神经网络模型处理，得到更加准确的特征和用户画像。
图像生成模块200，所述图像生成模块用于根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像。
如图8所示，所述图像生成模块200包括：
目标特征矩阵获取模块201，所述目标特征矩阵获取模块用于根据所述第一目标特征列表和所述第二目标特征列表，确定出目标特征矩阵。
具体地，所述目标特征矩阵为MxN矩阵。
优选地，M=N，其中，M符合如下条件：
进一步地，所述第一目标特征是指所述第一目标特征列表中特征。
进一步地，所述第二目标特征是指所述第二目标特征列表中特征。
在一个具体的实施例中，所述目标特征矩阵获取模块还包括：
第一特征类型获取模块，所述第一特征类型获取模块用于获取所述第一目标特征列表中第一目标特征的特征类型；
第五执行模块，所述第五执行模块用于根据第一目标特征的特征类型，将相同特征类型的第一目标特征的特征值插入在所述目标特征矩阵的同一行；
第二特征类型获取模块，所述第二特征类型获取模块用于获取所述第二目标特征列表中第二目标特征的特征类型；
第六执行模块，所述第六执行模块用于根据第二目标特征的特征类型，将相同特征类型的第二目标特征的特征值插入在所述目标特征矩阵的同一行；
其中，第二目标特征对应的行数不低于第一目标特征对应的行数。
上述，与相同特征类型的特征未进行聚集进行比对，能够在目标特征矩阵对相同特征类型的特征进行聚集，进而使得后续的目标特征图像通过卷积神经网络模型处理，得到更加准确的特征和用户画像。
映射图像获取模块203，所述映射图像获取模块用于根据目标特征矩阵，生成目标特征矩阵对应的映射图像，其中，所述目标特征矩阵中目标特征坐标与所述映射图像中映射像素点坐标相对应。
第一设置模块205，所述第一设置模块用于当所述目标特征矩阵中目标特征对应的特征值为第一预设特征值时，将目标特征对应的映射像素点的RGB值设置为第一RGB值。
第二设置模块207，所述第二设置模块用于当所述目标特征矩阵中目标特征对应的特征值为第二预设特征值时，将目标特征对应的映射像素点的RGB值设置为第二RGB值。
具体地，所述第一预设特征值与所述第二预设特征值不一致且所述第一RGB值与所述第二RGB值不一致；其中，当第一预设特征值为1时，第二预设特征值为0，同时，第一RGB值为255且第二RGB值为0；当第一预设特征值为0时，第二预设特征值为1，同时第一RGB值为0且第二RGB值为255。
目标特征图像获取模块209，所述目标特征图像获取模块用于将已设置RGB值的映射图像作为目标特征图像。
上述，通过目标特征矩阵生成目标特征图像，使得根据目标特征图像，生成用户画像，避免有效用户的有效特征被删除，导致用户的画像不准确。
画像获取模块300，所述画像获取模块用于将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
具体地，所述卷积神经网络模型为ResNet模型，本领域技术人员知晓，通过ResNet模型，确定用户画像的方法，在此不再赘述。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；
根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；
将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；
根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；
将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种用户画像的生成方法，其特征在于，所述方法包括：
获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；
其中，所述方法还通过如下步骤获取第一目标特征列表：
获取目标用户的标签特征列表；
根据目标用户的标签特征列表，获取目标用户对应的第一标签特征列表和第二标签特征列表，其中，第一标签特征列表中标签特征为二分类的标签特征，第二标签特征列表中标签特征为多分类的标签特征；
对所述第二标签特征列表进行处理，获取到目标用户对应的第三标签特征列表；
根据所述第一标签特征列表和所述第三标签特征列表，构建成第一目标特征列表；
其中，所述方法还通过如下步骤获取第二目标特征列表：
获取目标用户的非标签特征列表；
根据目标用户的非标签特征列表，获取目标用户对应的第一非标签特征列表和第二非标签特征列表，其中，第一非标签特征列表中非标签特征为二分类的非标签特征，第二非标签特征列表中非标签特征为多分类的非标签特征；
对所述第二非标签特征列表进行处理，获取到目标用户对应的第三非标签特征列表；
根据所述第一非标签特征列表和所述第三非标签特征列表，构建成第二目标特征列表；
根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；
将所述目标用户的特征图像输入至预设的卷积神经网络模型中，获取到目标用户的用户画像。
2.根据权利要求1所述的用户画像的生成方法，其特征在于，根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像的步骤还包括如下步骤：
根据所述第一目标特征列表和所述第二目标特征列表，确定出目标特征矩阵；
根据目标特征矩阵，生成目标特征矩阵对应的映射图像，其中，所述目标特征矩阵中目标特征坐标与所述映射图像中映射像素点坐标相对应；
当所述目标特征矩阵中目标特征对应的特征值为第一预设特征值时，将目标特征对应的映射像素点的RGB值设置为第一RGB值；
当所述目标特征矩阵中目标特征对应的特征值为第二预设特征值时，将目标特征对应的映射像素点的RGB值设置为第二RGB值；
将已设置RGB值的映射图像作为目标特征图像。
3.根据权利要求1所述的用户画像的生成方法，其特征在于，所述神经网络模型为ResNet模型。
4.一种用户画像的生成装置，其特征在于，所述装置包括：
特征获取模块，所述特征获取模块用于获取目标用户的第一目标特征列表和目标用户的第二目标特征列表；
其中，所述特征获取模块包括：
标签特征获取模块，所述标签特征获取模块用于获取目标用户的标签特征列表；
第一执行模块，所述第一执行模块用于根据目标用户的标签特征列表，获取目标用户对应的第一标签特征列表和第二标签特征列表，其中，第一标签特征列表中标签特征为二分类的标签特征，第二标签特征列表中标签特征为多分类的标签特征；
第二执行模块，所述第二执行模块用于对所述第二标签特征列表进行处理，获取到目标用户对应的第三标签特征列表；
第一构建模块，所述第一构建模块用于根据所述第一标签特征列表和所述第三标签特征列表，构建成第一目标特征列表；
其中，所述特征获取模块包括：
非标签特征获取模块，所述非标签特征获取模块用于获取目标用户的非标签特征列表；
第三执行模块，所述第三执行模块用于根据目标用户的非标签特征列表，获取目标用户对应的第一非标签特征列表和第二非标签特征列表，其中，第一非标签特征列表中非标签特征为二分类的非标签特征，第二非标签特征列表中非标签特征为多分类的非标签特征；
第四执行模块，所述第四执行模块用于对所述第二非标签特征列表进行处理，获取到目标用户对应的第三非标签特征列表；
第二构建模块，所述第二构建模块用于根据所述第一非标签特征列表和所述第三非标签特征列表，构建成第二目标特征列表；
图像生成模块，所述图像生成模块用于根据所述目标用户的第一目标特征列表和所述目标用户的第二目标特征列表，生成目标用户的目标特征图像；
画像获取模块，所述画像获取模块用于将所述目标用户的特征图像输入至预设的神经网络模型中，获取到目标用户的用户画像。
5.根据权利要求4所述的用户画像的生成装置，其特征在于，所述图像生成模块还包括：
目标特征矩阵获取模块，所述目标特征矩阵获取模块用于根据所述第一目标特征列表和所述第二目标特征列表，确定出目标特征矩阵；
映射图像获取模块，所述映射图像获取模块用于根据目标特征矩阵，生成目标特征矩阵对应的映射图像，其中，所述目标特征矩阵中目标特征坐标与所述映射图像中映射像素点坐标相对应；
第一设置模块，所述第一设置模块用于当所述目标特征矩阵中目标特征对应的特征值为第一预设特征值时，将目标特征对应的映射像素点的RGB值设置为第一RGB值；
第二设置模块，所述第二设置模块用于当所述目标特征矩阵中目标特征对应的特征值为第二预设特征值时，将目标特征对应的映射像素点的RGB值设置为第二RGB值；
目标特征图像获取模块，所述目标特征图像获取模块用于将已设置RGB值的映射图像作为目标特征图像。
6.根据权利要求4所述的用户画像的生成装置，其特征在于，所述神经网络模型为ResNet模型。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的用户画像的生成方法。
8.一种计算机可读存储介质，所述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3中任意一项所述的用户画像的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710568.7A CN114782764B (zh) | 2022-06-22 | 2022-06-22 | 一种用户画像的生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710568.7A CN114782764B (zh) | 2022-06-22 | 2022-06-22 | 一种用户画像的生成方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782764A CN114782764A (zh) | 2022-07-22 |
| CN114782764B true CN114782764B (zh) | 2022-09-30 |
Family
ID=82422201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210710568.7A Active CN114782764B (zh) | 2022-06-22 | 2022-06-22 | 一种用户画像的生成方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782764B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018227823A1 (zh) * | 2017-06-16 | 2018-12-20 | 华为技术有限公司 | 一种生成用户画像的方法和终端 |
| CN109934619A (zh) * | 2019-02-13 | 2019-06-25 | 北京三快在线科技有限公司 | 用户画像标签建模方法、装置、电子设备及可读存储介质 |
| CN112257650A (zh) * | 2020-11-04 | 2021-01-22 | 南京领行科技股份有限公司 | 一种乘客画像方法、装置、存储介质及电子设备 |
| WO2021196097A1 (zh) * | 2020-04-01 | 2021-10-07 | 深圳市欢太科技有限公司 | 用户画像列表构建方法、装置、服务器以及存储介质 |
| CN114548315A (zh) * | 2022-03-02 | 2022-05-27 | 东南大学 | 基于改进半监督技术的电力居民用户画像建立方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114201516B (zh) * | 2020-09-03 | 2024-06-11 | 腾讯科技（深圳）有限公司 | 一种用户画像构建的方法、信息推荐的方法以及相关装置 |
| CN113344184B (zh) * | 2021-06-03 | 2023-05-30 | 网易（杭州）网络有限公司 | 用户画像预测方法、装置、终端和计算机可读存储介质 |
-
2022
- 2022-06-22 CN CN202210710568.7A patent/CN114782764B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018227823A1 (zh) * | 2017-06-16 | 2018-12-20 | 华为技术有限公司 | 一种生成用户画像的方法和终端 |
| CN109934619A (zh) * | 2019-02-13 | 2019-06-25 | 北京三快在线科技有限公司 | 用户画像标签建模方法、装置、电子设备及可读存储介质 |
| WO2021196097A1 (zh) * | 2020-04-01 | 2021-10-07 | 深圳市欢太科技有限公司 | 用户画像列表构建方法、装置、服务器以及存储介质 |
| CN112257650A (zh) * | 2020-11-04 | 2021-01-22 | 南京领行科技股份有限公司 | 一种乘客画像方法、装置、存储介质及电子设备 |
| CN114548315A (zh) * | 2022-03-02 | 2022-05-27 | 东南大学 | 基于改进半监督技术的电力居民用户画像建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| Research on Recommendation system based on user portrait;Tiantian Wu 等;《2020 IEEE International Conference on Artificial Intelligence and Information Systems (ICAIIS)》;20200911;全文 * |
| 基于多源异构就业大数据的雇主用户画像关键技术研究;李利杰 等;《电子元器件与信息技术》;20211130;第5卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782764A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241903B (zh) | 样本数据清洗方法、装置、计算机设备及存储介质 | |
| CN109063742B (zh) | 蝴蝶识别网络构建方法、装置、计算机设备及存储介质 | |
| CN109493400B (zh) | 手写样本生成方法、装置、计算机设备及存储介质 | |
| CN110942012A (zh) | 图像特征提取方法、行人重识别方法、装置和计算机设备 | |
| CN111598213B (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
| CN112766485B (zh) | 命名实体模型的训练方法、装置、设备及介质 | |
| CN112286934A (zh) | 数据库表导入方法、装置、设备及介质 | |
| CN112381153A (zh) | 票据分类的方法、装置和计算机设备 | |
| CN114626524A (zh) | 目标业务网络确定方法、业务处理方法及装置 | |
| CN114782764B (zh) | 一种用户画像的生成方法、装置、计算机设备及存储介质 | |
| CN112541739B (zh) | 问答意图分类模型的测试方法、装置、设备及介质 | |
| CN111639523A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| JPWO2015068417A1 (ja) | 画像照合システム、画像照合方法およびプログラム | |
| CN112905895B (zh) | 相似项目推荐方法、装置、设备及介质 | |
| CN110991473A (zh) | 图像样本的特征选择方法、装置、计算机设备及存储介质 | |
| CN114742990A (zh) | 基于人工智能的目标检测方法、装置、设备及存储介质 | |
| CN113139590B (zh) | 时间序列数据的降维方法、装置、计算机设备和存储介质 | |
| CN113986245A (zh) | 基于halo平台的目标代码生成方法、装置、设备及介质 | |
| CN111475404B (zh) | 基于用例网络的测试方法、装置和计算机设备和存储介质 | |
| CN112307230B (zh) | 一种数据存储的方法、及其数据获取方法、装置 | |
| CN114764854A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110717925B (zh) | 前景遮罩提取方法、装置、计算机设备及存储介质 | |
| CN117934049B (zh) | 多层级成本计算优化方法、装置、电子设备及存储介质 | |
| CN110457700B (zh) | 短文本描述方法和装置 | |
| US20220092759A1 (en) | Comparison method and modeling method for chip product, device and storage medium |
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 |