CN115293273A - 用户画像的生成方法、用户画像模型的训练方法及装置 - Google Patents
用户画像的生成方法、用户画像模型的训练方法及装置 Download PDFInfo
- Publication number
- CN115293273A CN115293273A CN202210964444.1A CN202210964444A CN115293273A CN 115293273 A CN115293273 A CN 115293273A CN 202210964444 A CN202210964444 A CN 202210964444A CN 115293273 A CN115293273 A CN 115293273A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- operation behavior
- sample
- behavior data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种用户画像的生成方法、用户画像模型的训练方法及装置,可以应用于数据处理技术领域和金融科技领域。该用户画像的生成方法包括:响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,操作行为数据是由反向代理服务器对原始操作行为数据进行流量复制处理得到的,原始操作行为数据包括与操作行为相关联的统一资源标识符,原始操作行为数据包括多个类别的数据;基于操作行为数据对目标用户进行用户行为分析,得到目标用户的用户行为标签结果,其中,用户行为标签结果包括与原始操作行为数据的多个类别各自对应的分类概率值;根据用户行为标签结果,生成目标用户的用户画像。
Description
技术领域
本公开涉及数据处理技术领域和金融科技领域,更具体地,涉及一种用户画像的生成方法、用户画像模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
随着数据处理技术的发展,通常采用用户画像来实现基于数据的广告投放、精准营销、个性化推荐、风控检测、产品设计和数据分析。用户画像是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:无法避免对原有代码进行埋点改造,容易影响原有业务。
发明内容
有鉴于此,本公开提供了一种用户画像的生成方法、用户画像模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一个方面,提供了一种用户画像的生成方法,包括:
响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,上述操作行为数据是由上述反向代理服务器对原始操作行为数据进行流量复制处理得到的,上述反向代理服务器用于将上述操作行为信息转发至服务器,上述原始操作行为数据包括与上述操作行为相关联的统一资源标识符,上述原始操作行为数据包括多个类别的数据;
基于上述操作行为数据对上述目标用户进行用户行为分析,得到上述目标用户的用户行为标签结果,其中,上述用户行为标签结果包括与上述原始操作行为数据的上述多个类别各自对应的分类概率值;以及
根据上述用户行为标签结果,生成上述目标用户的用户画像。
根据本公开的实施例,在上述响应于目标用户针对目标链接的操作行为,获取来自于网关的操作行为数据之前,用户画像的生成方法还包括:
设置上述反向代理服务器的配置信息,其中,上述反向代理服务器包括Nginx服务器,上述配置信息包括源站点配置信息、复制请求体配置信息和复制站点配置信息,上述配置信息用于实现对上述原始操作行为数据进行流量复制处理。
根据本公开的实施例,上述操作行为数据的类别包括以下之中至少两项:终端设备类型数据、用户区域数据、访问来源数据、停留时长数据、浏览深度数据、浏览轨迹数据、优惠券偏好数据、商品偏好数据、分享偏好数据、消费偏好数据和直播关注程度数据。
根据本公开的实施例,上述基于上述操作行为数据对上述目标用户进行用户行为分析,得到上述目标用户的用户行为标签结果包括:
确定上述操作行为数据的目标类别;
根据上述目标类别,调用与上述目标类别对应的目标任务;以及
利用上述目标任务,对与上述目标类别对应的操作行为数据进行处理,得到与上述目标类别对应的上述用户行为标签结果。
根据本公开的实施例,在上述基于上述操作行为数据对上述目标用户进行用户行为分析,得到上述目标用户的用户行为标签结果之前,用户画像的生成方法还包括:
对上述操作行为数据进行数据清洗操作,得到清洗后的操作行为数据,其中,上述数据清洗操作包括以下之中至少一项:切词处理操作、停用词去除操作和敏感词过滤操作。
根据本公开的实施例,上述操作行为数据还包括上述目标用户的地址标识。
根据本公开的实施例,在上述根据上述用户行为标签结果,生成上述目标用户的用户画像之后,上述方法还包括:
将上述用户画像和上述地址标识关联存储至分布式数据库中,以便于根据上述用户画像为与上述地址标识对应的上述目标用户进行推荐。
根据本公开的一个方面,提供了一种用户画像模型的训练方法,包括:
响应于样本用户针对样本链接的样本操作行为,获取来自于反向代理服务器的样本操作行为数据,其中,上述样本操作行为数据是由上述反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,上述反向代理服务器用于将上述操作行为信息转发至服务器,上述原始样本操作行为数据包括与上述样本操作行为相关联的样本统一资源标识符,上述原始样本操作行为数据包括多个类别的数据;
利用上述用户画像模型对上述样本操作行为数据进行处理,得到上述样本用户的样本用户行为标签结果,其中,上述样本用户行为标签结果包括与上述原始样本操作行为信息的上述多个类别各自对应的样本分类概率值;
根据上述样本用户的上述样本用户行为标签结果和真实用户行为标签结果,得到损失函数值;以及
根据上述损失函数值调整上述用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
根据本公开的另一个方面,提供了一种用户画像的生成装置,包括:
第一获取模块,用于响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,上述操作行为数据是由上述反向代理服务器对原始操作行为数据进行流量复制处理得到的,上述反向代理服务器用于将上述操作行为信息转发至服务器,上述原始操作行为数据包括与上述操作行为相关联的统一资源标识符,上述原始操作行为数据包括多个类别的数据;
用户行为分析模块,用于基于上述操作行为数据对上述目标用户进行用户行为分析,得到上述目标用户的用户行为标签结果,其中,上述用户行为标签结果包括与上述原始操作行为数据的上述多个类别各自对应的分类概率值;以及
生成模块,用于根据上述用户行为标签结果,生成上述目标用户的用户画像。
根据本公开的另一个方面,提供了一种用户画像模型的训练装置,包括:
第二获取模块,用于响应于样本用户针对样本链接的样本操作行为,获取来自于反向代理服务器的样本操作行为数据,其中,上述样本操作行为数据是由上述反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,上述反向代理服务器用于将上述操作行为信息转发至服务器,上述原始样本操作行为数据包括与上述样本操作行为相关联的样本统一资源标识符,上述原始样本操作行为数据包括多个类别的数据;
第一获得模块,用于利用上述用户画像模型对上述样本操作行为数据进行处理,得到上述样本用户的样本用户行为标签结果,其中,上述样本用户行为标签结果包括与上述原始样本操作行为信息的上述多个类别各自对应的样本分类概率值;
第二获得模块,用于根据上述样本用户的上述样本用户行为标签结果和真实用户行为标签结果,得到损失函数值;以及
调整模块,用于根据上述损失函数值调整上述用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
根据本公开的另一个方面,提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当上述一个或多个指令被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如本公开所述的方法。
根据本公开的另一个方面,提供了一种计算机可读存储介质,其上存储有可执行指令,上述可执行指令被处理器执行时使处理器实现如本公开所述的方法。
根据本公开的另一个方面,提供了一种计算机程序产品,上述计算机程序产品包括计算机可执行指令,上述计算机可执行指令在被执行时用于实现如本公开所述的方法。
根据本公开的实施例,通过获取来自于反向代理服务器的操作行为数据,基于操作行为数据对目标用户进行用户行为分析,得到目标用户的用户行为标签结果,并根据用户行为标签结果,生成目标用户的用户画像。基于上述技术手段,由于操作行为数据是由反向代理服务器对原始操作行为数据进行流量复制处理得到的,因而至少部分地克服了相关技术中无法避免对原有代码进行埋点改造,容易影响原有业务的技术问题,可以在不影响原有业务的情况下获取目标用户针对目标链接的操作行为数据,提高了用户画像生成的适用性和实时性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用用户画像的生成方法和用户画像模型的训练方法的系统架构;
图2示意性示出了根据本公开实施例的用户画像的生成方法的流程图;
图3示意性示出了根据本公开实施例的用户画像的生成过程的示例示意图;
图4示意性示出了根据本公开实施例的用户画像模型的训练方法的流程图;
图5示意性示出了根据本公开实施例的用户画像模型的训练过程的示例示意图;
图6示意性示出了根据本公开的实施例的用户画像的生成装置的框图;
图7示意性示出了根据本公开的实施例的用户画像模型的训练装置的框图;以及
图8示意性示出了根据本公开实施例的适于实现用户画像的生成方法和用户画像模型的训练方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
由于通过用户行为画像系统进行数据采集需要对前端代码和后端代码进行埋点改造,而改造后需要对新程序进行测试和版本更新,耗费时间成本和人力成本。
此外,基于用户行为画像系统的数据采集,会增加系统数据的传输量、加大系统的负载,因而会导致高并发系统的负载风险增加。
为了至少部分地解决相关技术中存在的技术问题,本公开提供了一种用户画像的生成方法、用户画像模型的训练方法及装置,可以应用于数据处理技术领域和金融科技领域。该用户画像的生成方法包括:响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,操作行为数据是由反向代理服务器对原始操作行为数据进行流量复制处理得到的,原始操作行为数据包括与操作行为相关联的统一资源标识符,原始操作行为数据包括多个类别的数据;基于操作行为数据对目标用户进行用户行为分析,得到目标用户的用户行为标签结果,其中,用户行为标签结果包括与原始操作行为数据的多个类别各自对应的分类概率值;根据用户行为标签结果,生成目标用户的用户画像。
需要说明的是,本公开实施例提供的用户画像的生成方法和用户画像模型的训练方法和装置可用于数据处理技术领域和金融科技领域,例如应用于用户画像的生成。本公开实施例提供的用户画像的生成方法和用户画像模型的训练方法和装置也可用于除数据处理技术领域和金融科技领域之外的任意领域,例如应用于信息推荐。本公开实施例提供的用户画像的生成方法和用户画像模型的训练方法和装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的可以应用用户画像的生成方法和用户画像模型的训练方法的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,反向代理服务器104和服务器105。终端设备101、102、103和反向代理服务器104,反向代理服务器104和服务器105彼此之间可以通过网络进行通信,网络可以包括各种连接类型,例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过反向代理服务器104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
反向代理服务器104可以包括Nginx服务器。Nginx服务器可以将相应数据保存在磁盘缓存中,使用缓存数据来响应客户端的请求。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用户画像的生成方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的用户画像的生成装置也可以设置于终端设备101、102、或103中。
备选地,本公开实施例所提供的用户画像的生成方法一般也可以由服务器105执行。相应地,本公开实施例所提供的用户画像的生成装置一般可以设置于服务器105中。本公开实施例所提供的用户画像的生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用户画像的生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
需要说明的是,本公开实施例所提供的用户画像模型的训练方法一般可以由服务器105执行。相应地,本公开实施例所提供的用户画像模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的用户画像模型的训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用户画像模型的训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
备选地,本公开实施例所提供的用户画像模型的训练方法一般也可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的用户画像模型的训练装置也可以设置于终端设备101、102、或103中。
应该理解,图1中的终端设备、反向代理服务器和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、反向代理服务器和服务器。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的用户画像的生成方法的流程图。
如图2所示,该用户画像的生成方法200包括操作S210~S230。
在操作S210,响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,操作行为数据是由反向代理服务器对原始操作行为数据进行流量复制处理得到的,反向代理服务器用于将操作行为信息转发至服务器,原始操作行为数据包括与操作行为相关联的统一资源标识符,原始操作行为数据包括多个类别的数据。
在操作S220,基于操作行为数据对目标用户进行用户行为分析,得到目标用户的用户行为标签结果,其中,用户行为标签结果包括与原始操作行为数据的多个类别各自对应的分类概率值。
在操作S230,根据用户行为标签结果,生成目标用户的用户画像。
根据本公开的实施例,目标链接可以指从一个网页指向一个目标的连接关系,所指向的目标可以是另一个网页,也可以是相同网页上的不同位置,还可以是图片、电子邮件地址、文件或应用程序等。
根据本公开的实施例,目标用户针对目标链接的操作行为可以包括点击、悬浮和语音控制等。目标用户可以基于针对目标链接进行的操作行为,通过Web应用防护系统(WebApplication Firewall,WAF)和反向代理服务器访问后端与目标链接相关联的应用程序。
根据本公开的实施例,在目标用户针对目标链接进行操作行为之后,可以得到与操作行为相关联的统一资源标识符(Uniform Resource Identifier,URI),统一资源标识符可以包括统一资源定位系统(Uniform Resource Locator,URL)和统一资源名(UniformResource Name,URN)。
根据本公开的实施例,可以将与操作行为相关联的统一资源标识符作为原始操作行为数据。在得到原始操作行为数据之后,反向代理服务器可以对原始操作行为数据进行流量复制处理,得到操作行为数据。
根据本公开的实施例,原始操作行为数据和操作行为数据均包括多个类别的数据。操作行为数据的类别可以包括以下之中至少两项:终端设备类型数据、用户区域数据、访问来源数据、停留时长数据、浏览深度数据、浏览轨迹数据、优惠券偏好数据、商品偏好数据、分享偏好数据、消费偏好数据和直播关注程度数据。
根据本公开的实施例,可以基于操作行为数据对目标用户进行用户行为分析,得到用户行为标签结果,该用户行为标签结果可以用于表征与原始操作行为数据的多个类别各自对应的标签分类值,该标签分类值可以用于表征不同类别的分类概率值。
根据本公开的实施例,可以根据用户行为标签结果,生成目标用户的用户画像。用户画像可以指根据用户的属性、用户偏好、生活习惯和用户行为等信息抽象出来的标签化用户模型。用户画像可以用于描述用户,以方便计算机处理。
根据本公开的实施例,通过获取来自于反向代理服务器的操作行为数据,基于操作行为数据对目标用户进行用户行为分析,得到目标用户的用户行为标签结果,并根据用户行为标签结果,生成目标用户的用户画像。基于上述技术手段,由于操作行为数据是由反向代理服务器对原始操作行为数据进行流量复制处理得到的,因而至少部分地克服了相关技术中无法避免对原有代码进行埋点改造,容易影响原有业务的技术问题,可以在不影响原有业务的情况下获取目标用户针对目标链接的操作行为数据,提高了用户画像生成的适用性和实时性。
下面参考图3,对根据本发明实施例的用户画像的生成方法200做进一步说明。
根据本公开的实施例,用户画像的生成方法200还可以包括如下操作。
设置反向代理服务器的配置信息,其中,反向代理服务器包括Nginx服务器,配置信息包括源站点配置信息、复制请求体配置信息和复制站点配置信息,配置信息用于实现对原始操作行为数据进行流量复制处理。
根据本公开的实施例,Nginx服务器中的ngx_http_mirror_module模块可以提供流量复制功能。目标用户针对目标链接的操作行为所生成的原始操作行为数据可以通过该模块进行流量复制,从而得到操作行为数据。
根据本公开的实施例,可以设置源站点配置信息、复制请求体配置信息和复制站点配置信息,以实现对原始操作行为数据进行流量复制处理。在设置源站点配置信息的过程中可以通过复制请求体配置信息来启用复制请求体,并可以基于复制站点配置信息将流量复制到复制站点。
根据本公开的实施例,通过设置反向代理服务器的配置信息,由于配置信息包括源站点配置信息、复制请求体配置信息和复制站点配置信息,可以实现对原始操作行为数据进行流量复制处理,避免了对原有代码进行埋点改造的资源消耗,提高了操作行为数据获取的实时性和准确性。
根据本公开的实施例,用户画像的生成方法200还可以包括如下操作。
对操作行为数据进行数据清洗操作,得到清洗后的操作行为数据,其中,数据清洗操作包括以下之中至少一项:切词处理操作、停用词去除操作和敏感词过滤操作。
根据本公开的实施例,可以将获取到的操作行为数据存储至分布式文件系统系统(Hadoop Distributed File System,HDFS),通过对操作行为数据进行数据清洗操作,得到清洗后的操作行为数据,以供后续对目标用户进行用户行为分析,得到用户行为标签结果。
根据本公开的实施例,操作行为数据的类别包括以下之中至少两项:终端设备类型数据、用户区域数据、访问来源数据、停留时长数据、浏览深度数据、浏览轨迹数据、优惠券偏好数据、商品偏好数据、分享偏好数据、消费偏好数据和直播关注程度数据。
根据本公开的实施例,操作S220可以包括如下操作。
确定操作行为数据的目标类别。根据目标类别,调用与目标类别对应的目标任务。利用目标任务,对与目标类别对应的操作行为数据进行处理,得到与目标类别对应的用户行为标签结果。
根据本公开的实施例,可以基于Spark Streaming计算框架、Flink计算框架或Storm计算框架对操作行为数据进行实时处理。
根据本公开的实施例,由于不同类别的操作行为数据的处理流程不同,因此,可以确定操作行为数据的目标类别,并调用与目标类别对应的目标任务,以便于利用目标任务,对与目标类别对应的操作行为数据进行处理,得到与目标类别对应的用户行为标签结果。
例如,目标任务A用于处理浏览深度数据,目标任务B用于处理浏览轨迹数据,目标任务C用于处理消费偏好数据。在确定操作行为数据的目标类别包括浏览深度数据、浏览轨迹数据和消费偏好数据的情况下,可以调用目标任务A来处理浏览深度数据,得到与浏览深度数据对应的分类概率值a;可以调用目标任务B来处理浏览轨迹数据,得到与浏览轨迹数据对应的分类概率值b;可以调用目标任务C来处理消费偏好数据,得到与消费偏好数据对应的分类概率值c。在此情况下,用户行为标签结果可以包括分类概率值a、分类概率值b和分类概率值c,可以根据用户行为标签结果,生成目标用户的用户画像。
根据本公开的实施例,由于能够根据目标类别,调用对应的目标任务,对操作行为数据进行处理,得到与目标类别对应的用户行为标签结果,因而提高了用户行为标签分析的效率和准确性。
根据本公开的实施例,操作行为数据还包括目标用户的地址标识。
根据本公开的实施例,用户画像的生成方法200还可以包括如下操作。
将用户画像和地址标识关联存储至分布式数据库中,以便于根据用户画像为与地址标识对应的目标用户进行推荐。
根据本公开的实施例,操作行为数据还可以包括目标用户的地址标识,地址标识可以用于标识目标用户的地址信息。可以将用户行为标签结果、用户画像和地址标识关联存储至分布式数据库中,以供数据营销或第三方系统使用。
根据本公开的实施例,可以根据用户画像在防诈骗和反洗钱方面进行实时阻断。备选地,也可以根据用户画像在客户营销方面进行营销推荐。
图3示意性示出了根据本公开实施例的用户画像的生成过程的示例示意图。
如图3所示,响应于目标用户针对目标链接的操作行为,可以生成原始操作行为数据301,原始操作行为数据301包括与操作行为相关联的统一资源标识符。可以由反向代理服务器对原始操作行为数据301进行流量复制处理得到操作行为数据302。
可以确定操作行为数据302的目标类别303,根据目标类别303,调用与目标类别303对应的目标任务304。可以利用目标任务304,对与目标类别303对应的操作行为数据302进行处理,得到目标用户的用户行为标签结果305。可以根据目标用户的用户行为标签结果305,生成目标用户的用户画像306。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他用户画像的生成方法,只要能够生成用户画像即可。
图4示意性示出了根据本公开实施例的用户画像模型的训练方法的流程图。
如图4所示,该用户画像模型的训练方法400包括操作S410~S440。
在操作S410,响应于样本用户针对样本链接的样本操作行为,获取来自于反向代理服务器的样本操作行为数据,其中,样本操作行为数据是由反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,反向代理服务器用于将操作行为信息转发至服务器,原始样本操作行为数据包括与样本操作行为相关联的样本统一资源标识符,原始样本操作行为数据包括多个类别的数据。
在操作S420,利用用户画像模型对样本操作行为数据进行处理,得到样本用户的样本用户行为标签结果,其中,样本用户行为标签结果包括与原始样本操作行为信息的多个类别各自对应的样本分类概率值。
在操作S430,根据样本用户的样本用户行为标签结果和真实用户行为标签结果,得到损失函数值。
在操作S440,根据损失函数值调整用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
根据本公开的实施例,样本链接可以指从一个网页指向一个目标的连接关系,所指向的目标可以是另一个网页,也可以是相同网页上的不同位置,还可以是图片、电子邮件地址、文件或应用程序等。
根据本公开的实施例,样本用户针对样本链接的样本操作行为可以包括点击、悬浮和语音控制等。样本用户可以基于针对样本链接进行的样本操作行为,通过Web应用防护系统和反向代理服务器访问后端与样本链接相关联的应用程序。
根据本公开的实施例,在样本用户针对样本链接进行样本操作行为之后,可以得到与样本操作行为相关联的样本统一资源标识符,样本统一资源标识符可以包括样本统一资源定位系统和样本统一资源名。
根据本公开的实施例,可以将与样本操作行为相关联的样本统一资源标识符作为原始样本操作行为数据。在得到原始样本操作行为数据之后,反向代理服务器可以对原始样本操作行为数据进行流量复制处理,得到样本操作行为数据。
根据本公开的实施例,原始样本操作行为数据和样本操作行为数据均可以包括多个类别的数据。样本操作行为数据的类别可以包括以下之中至少两项:样本终端设备类型数据、样本用户区域数据、样本访问来源数据、样本停留时长数据、样本浏览深度数据、样本浏览轨迹数据、样本优惠券偏好数据、样本商品偏好数据、样本分享偏好数据、样本消费偏好数据和样本直播关注程度数据。
根据本公开的实施例,在利用用户画像模型对样本操作行为数据进行处理之前,可以对样本操作行为数据进行数据清洗操作,得到清洗后的样本操作行为数据。数据清洗操作包括以下之中至少一项:切词处理操作、停用词去除操作和敏感词过滤操作。
根据本公开的实施例,可以利用用户画像模型对样本操作行为数据进行处理,得到样本用户的样本用户行为标签结果,该样本用户行为标签结果可以用于表征与原始样本操作行为数据的多个类别各自对应的样本标签分类值,该样本标签分类值可以用于表征不同类别的样本分类概率值。
根据本公开的实施例,用户画像模型的模型结构可以根据实际业务需求进行配置,在此不作限定。例如,用户画像模型可以包括特征提取模块和分类模块。特征提取模块可以包括以下至少之一:卷积神经网络模型和基于Transformer(即转换器)的编码器。分类模块可以包括以下至少之一:支持向量机模型(Support Vector Machine,SVM)、决策树模型(DecisionTree,DT)、随机森林(Random Forests,RF)模型和梯度提升模型(GradientBoosting,GB)等。
根据本公开的实施例,可以基于损失函数,根据样本用户的样本用户行为标签结果和真实用户行为标签结果,得到损失函数值。可以根据损失函数值调整用户画像模型的模型参数,直至满足预定条件。
例如,可以根据反向传播算法或随机梯度下降算法,调整用户画像模型的模型参数,直至满足预定条件。将在满足预定条件的情况下得到的用户画像模型确定为经训练的用户画像模型。预定条件可以包括损失函数值收敛和训练轮次达到最大训练轮次中的至少一项。
根据本公开的实施例,损失函数可以包括以下至少之一:交叉熵损失函数(CrossEntropy Loss)、铰链损失函数(Hinge Loss)或指数损失函数(Exponential Loss)等。
根据本公开的实施例,通过获取来自于反向代理服务器的样本操作行为数据,利用用户画像模型对样本操作行为数据进行处理,得到样本用户行为标签结果,根据样本用户的样本用户行为标签结果和真实用户行为标签结果,得到损失函数值,并根据损失函数值调整用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。基于上述技术手段,由于样本操作行为数据是由反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,因而至少部分地克服了相关技术中无法避免对原有代码进行埋点改造,容易影响原有业务的技术问题,可以在不影响原有业务的情况下获取样本用户针对样本链接的样本操作行为数据,实现了利用用户画像模型来识别多种类别的操作行为数据,降低了模型部署成本。
下面参考图5,对根据本发明实施例的用户画像模型的训练方法400做进一步说明。
图5示意性示出了根据本公开实施例的用户画像模型的训练过程的示例示意图。
如图5所示,响应于样本用户针对样本链接的样本操作行为,可以生成原始样本操作行为数据501,原始样本操作行为数据501包括与样本操作行为相关联的样本统一资源标识符。可以由反向代理服务器对原始样本操作行为数据501进行流量复制处理得到样本操作行为数据502。
可以利用用户画像模型503对样本操作行为数据502进行处理,得到样本用户的样本用户行为标签结果504。可以将样本用户的样本用户行为标签结果504和样本用户的真实用户行为标签结果505输入至损失函数506,得到损失函数值507。可以根据损失函数值507调整用户画像模型503的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他用户画像模型的训练方法,只要能够训练得到用户画像模型即可。
图6示意性示出了根据本公开的实施例的用户画像的生成装置的框图。
如图6所示,用户画像的生成装置600可以包括第一获取模块601、用户行为分析模块602和生成模块603。
第一获取模块601,用于响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,操作行为数据是由反向代理服务器对原始操作行为数据进行流量复制处理得到的,反向代理服务器用于将操作行为信息转发至服务器,原始操作行为数据包括与操作行为相关联的统一资源标识符,原始操作行为数据包括多个类别的数据。
用户行为分析模块602,用于基于操作行为数据对目标用户进行用户行为分析,得到目标用户的用户行为标签结果,其中,用户行为标签结果包括与原始操作行为数据的多个类别各自对应的分类概率值。
生成模块603,用于根据用户行为标签结果,生成目标用户的用户画像。
根据本公开的实施例,用户画像的生成装置600还可以包括设置模块。
设置模块,用于设置反向代理服务器的配置信息,其中,反向代理服务器包括Nginx服务器,配置信息包括源站点配置信息、复制请求体配置信息和复制站点配置信息,配置信息用于实现对原始操作行为数据进行流量复制处理。
根据本公开的实施例,操作行为数据的类别包括以下之中至少两项:终端设备类型数据、用户区域数据、访问来源数据、停留时长数据、浏览深度数据、浏览轨迹数据、优惠券偏好数据、商品偏好数据、分享偏好数据、消费偏好数据和直播关注程度数据。
根据本公开的实施例,用户行为分析模块602可以包括确定单元、调用单元和处理单元。
确定单元,用于确定操作行为数据的目标类别;
调用单元,用于根据目标类别,调用与目标类别对应的目标任务;以及
处理单元,用于利用目标任务,对与目标类别对应的操作行为数据进行处理,得到与目标类别对应的用户行为标签结果。
根据本公开的实施例,用户画像的生成装置600还可以包括清洗模块。
清洗模块,用于对操作行为数据进行数据清洗操作,得到清洗后的操作行为数据,其中,数据清洗操作包括以下之中至少一项:切词处理操作、停用词去除操作和敏感词过滤操作。
根据本公开的实施例,操作行为数据还包括目标用户的地址标识。
根据本公开的实施例,用户画像的生成装置600还可以包括存储模块。
存储模块,用于将用户画像和地址标识关联存储至分布式数据库中,以便于根据用户画像为与地址标识对应的目标用户进行推荐。
图7示意性示出了根据本公开的实施例的用户画像模型的训练装置的框图。
如图7所示,用户画像模型的训练装置700可以包括第二获取模块701、第一获得模块702、第二获得模块703和调整模块704。
第二获取模块701,用于响应于样本用户针对样本链接的样本操作行为,获取来自于反向代理服务器的样本操作行为数据,其中,样本操作行为数据是由反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,反向代理服务器用于将操作行为信息转发至服务器,原始样本操作行为数据包括与样本操作行为相关联的样本统一资源标识符,原始样本操作行为数据包括多个类别的数据;
第一获得模块702,用于利用用户画像模型对样本操作行为数据进行处理,得到样本用户的样本用户行为标签结果,其中,样本用户行为标签结果包括与原始样本操作行为信息的多个类别各自对应的样本分类概率值;
第二获得模块703,用于根据样本用户的样本用户行为标签结果和真实用户行为标签结果,得到损失函数值;以及
调整模块704,用于根据损失函数值调整用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块601、用户行为分析模块602、生成模块603、第二获取模块701、第一获得模块702、第二获得模块703和调整模块704中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获取模块601、用户行为分析模块602、生成模块603、第二获取模块701、第一获得模块702、第二获得模块703和调整模块704中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块601、用户行为分析模块602、生成模块603、第二获取模块701、第一获得模块702、第二获得模块703和调整模块704中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中用户画像的生成装置部分与本公开的实施例中用户画像的生成方法部分是相对应的,用户画像的生成装置部分的描述具体参考用户画像的生成方法部分,在此不再赘述。本公开的实施例中用户画像模型的训练装置部分与本公开的实施例中用户画像模型的训练方法部分是相对应的,用户画像模型的训练装置部分的描述具体参考用户画像模型的训练方法部分,在此不再赘述。
图8示意性示出了根据本公开实施例的适于实现用户画像的生成方法和用户画像模型的训练方法的电子设备的框图。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,根据本公开实施例的计算机电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分809加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的用户画像的生成方法和用户画像模型的训练方法。
在该计算机程序被处理器801执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分809被下载和安装,和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种用户画像的生成方法,包括:
响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,所述操作行为数据是由所述反向代理服务器对原始操作行为数据进行流量复制处理得到的,所述反向代理服务器用于将所述操作行为信息转发至服务器,所述原始操作行为数据包括与所述操作行为相关联的统一资源标识符,所述原始操作行为数据包括多个类别的数据;
基于所述操作行为数据对所述目标用户进行用户行为分析,得到所述目标用户的用户行为标签结果,其中,所述用户行为标签结果包括与所述原始操作行为数据的所述多个类别各自对应的分类概率值;以及
根据所述用户行为标签结果,生成所述目标用户的用户画像。
2.根据权利要求1所述的方法,还包括,在所述响应于目标用户针对目标链接的操作行为,获取来自于网关的操作行为数据之前:
设置所述反向代理服务器的配置信息,其中,所述反向代理服务器包括Nginx服务器,所述配置信息包括源站点配置信息、复制请求体配置信息和复制站点配置信息,所述配置信息用于实现对所述原始操作行为数据进行流量复制处理。
3.根据权利要求1或2所述的方法,其中,所述操作行为数据的类别包括以下之中至少两项:终端设备类型数据、用户区域数据、访问来源数据、停留时长数据、浏览深度数据、浏览轨迹数据、优惠券偏好数据、商品偏好数据、分享偏好数据、消费偏好数据和直播关注程度数据。
4.根据权利要求3所述的方法,其中,所述基于所述操作行为数据对所述目标用户进行用户行为分析,得到所述目标用户的用户行为标签结果包括:
确定所述操作行为数据的目标类别;
根据所述目标类别,调用与所述目标类别对应的目标任务;以及
利用所述目标任务,对与所述目标类别对应的操作行为数据进行处理,得到与所述目标类别对应的所述用户行为标签结果。
5.根据权利要求1所述的方法,还包括,在所述基于所述操作行为数据对所述目标用户进行用户行为分析,得到所述目标用户的用户行为标签结果之前:
对所述操作行为数据进行数据清洗操作,得到清洗后的操作行为数据,其中,所述数据清洗操作包括以下之中至少一项:切词处理操作、停用词去除操作和敏感词过滤操作。
6.根据权利要求1所述的方法,其中,所述操作行为数据还包括所述目标用户的地址标识;
所述方法还包括,在所述根据所述用户行为标签结果,生成所述目标用户的用户画像之后:
将所述用户画像和所述地址标识关联存储至分布式数据库中,以便于根据所述用户画像为与所述地址标识对应的所述目标用户进行推荐。
7.一种用户画像模型的训练方法,包括:
响应于样本用户针对样本链接的样本操作行为,获取来自于反向代理服务器的样本操作行为数据,其中,所述样本操作行为数据是由所述反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,所述反向代理服务器用于将所述操作行为信息转发至服务器,所述原始样本操作行为数据包括与所述样本操作行为相关联的样本统一资源标识符,所述原始样本操作行为数据包括多个类别的数据;
利用所述用户画像模型对所述样本操作行为数据进行处理,得到所述样本用户的样本用户行为标签结果,其中,所述样本用户行为标签结果包括与所述原始样本操作行为信息的所述多个类别各自对应的样本分类概率值;
根据所述样本用户的所述样本用户行为标签结果和真实用户行为标签结果,得到损失函数值;以及
根据所述损失函数值调整所述用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
8.一种用户画像的生成装置,包括:
第一获取模块,用于响应于目标用户针对目标链接的操作行为,获取来自于反向代理服务器的操作行为数据,其中,所述操作行为数据是由所述反向代理服务器对原始操作行为数据进行流量复制处理得到的,所述反向代理服务器用于将所述操作行为信息转发至服务器,所述原始操作行为数据包括与所述操作行为相关联的统一资源标识符,所述原始操作行为数据包括多个类别的数据;
用户行为分析模块,用于基于所述操作行为数据对所述目标用户进行用户行为分析,得到所述目标用户的用户行为标签结果,其中,所述用户行为标签结果包括与所述原始操作行为数据的所述多个类别各自对应的分类概率值;以及
生成模块,用于根据所述用户行为标签结果,生成所述目标用户的用户画像。
9.一种用户画像模型的训练装置,包括:
第二获取模块,用于响应于样本用户针对样本链接的样本操作行为,获取来自于反向代理服务器的样本操作行为数据,其中,所述样本操作行为数据是由所述反向代理服务器对原始样本操作行为数据进行流量复制处理得到的,所述反向代理服务器用于将所述操作行为信息转发至服务器,所述原始样本操作行为数据包括与所述样本操作行为相关联的样本统一资源标识符,所述原始样本操作行为数据包括多个类别的数据;
第一获得模块,用于利用所述用户画像模型对所述样本操作行为数据进行处理,得到所述样本用户的样本用户行为标签结果,其中,所述样本用户行为标签结果包括与所述原始样本操作行为信息的所述多个类别各自对应的样本分类概率值;
第二获得模块,用于根据所述样本用户的所述样本用户行为标签结果和真实用户行为标签结果,得到损失函数值;以及
调整模块,用于根据所述损失函数值调整所述用户画像模型的模型参数,直至满足预定结束条件,得到经训练的用户画像模型。
10.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至6中任一项或权利要求7所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,所述可执行指令被处理器执行时使处理器实现权利要求1至6中任一项或权利要求7所述的方法。
12.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现权利要求1至6中任一项或权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964444.1A CN115293273A (zh) | 2022-08-10 | 2022-08-10 | 用户画像的生成方法、用户画像模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964444.1A CN115293273A (zh) | 2022-08-10 | 2022-08-10 | 用户画像的生成方法、用户画像模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293273A true CN115293273A (zh) | 2022-11-04 |
Family
ID=83828043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964444.1A Pending CN115293273A (zh) | 2022-08-10 | 2022-08-10 | 用户画像的生成方法、用户画像模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293273A (zh) |
-
2022
- 2022-08-10 CN CN202210964444.1A patent/CN115293273A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109388548B (zh) | 用于生成信息的方法和装置 | |
CN109359194B (zh) | 用于预测信息类别的方法和装置 | |
CN111107048A (zh) | 一种钓鱼网站检测方法、装置和存储介质 | |
US10120888B2 (en) | Automated task execution based on task criteria | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
EP3844645A1 (en) | System and method for providing customer specified webpage configuration | |
CN113393299A (zh) | 推荐模型训练方法、装置、电子设备和存储介质 | |
CN113779240A (zh) | 信息识别方法、装置、计算机系统及可读存储介质 | |
CN108932640B (zh) | 用于处理订单的方法和装置 | |
CN113128773B (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN115357761A (zh) | 链路追踪方法、装置、电子设备及存储介质 | |
CN113507419B (zh) | 流量分发模型的训练方法、流量分发方法及装置 | |
CN114358147A (zh) | 异常账户识别模型的训练方法、识别方法、装置及设备 | |
JP7170689B2 (ja) | 出力装置、出力方法及び出力プログラム | |
CN116155628B (zh) | 网络安全检测方法、训练方法、装置、电子设备和介质 | |
US20190042653A1 (en) | Automatic identification of user information | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN114218283A (zh) | 异常检测方法、装置、设备、介质 | |
CN115293273A (zh) | 用户画像的生成方法、用户画像模型的训练方法及装置 | |
CN114490130A (zh) | 消息订阅方法、装置、电子设备及存储介质 | |
CN113391988A (zh) | 流失用户留存的方法、装置、电子设备及存储介质 | |
CN113609018A (zh) | 测试方法、训练方法、装置、设备、介质和程序产品 | |
CN114301713A (zh) | 风险访问检测模型的训练方法、风险访问检测方法及装置 | |
CN114117227A (zh) | 一种运营维护方法、系统、电子设备及存储介质 | |
CN113515713B (zh) | 网页缓存策略生成方法及装置、网页缓存方法及装置 |
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 |