CN115619245A - 一种基于数据降维方法的画像构建和分类方法及系统 - Google Patents
一种基于数据降维方法的画像构建和分类方法及系统 Download PDFInfo
- Publication number
- CN115619245A CN115619245A CN202210991590.3A CN202210991590A CN115619245A CN 115619245 A CN115619245 A CN 115619245A CN 202210991590 A CN202210991590 A CN 202210991590A CN 115619245 A CN115619245 A CN 115619245A
- Authority
- CN
- China
- Prior art keywords
- portrait
- user
- data
- target user
- feature vector
- 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 90
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 230000009467 reduction Effects 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 52
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000000556 factor analysis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数据降维方法的画像构建和分类方法及系统。方法包括:获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;根据每个所述画像特征生成对应的画像特征向量;根据每个所述画像特征向量生成所述目标用户的画像特征向量集;将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。本发明的方案能够对用户画像进行精确构建,从而解决现有技术对用户画像构建不全面的问题,从而通过用户画像进行全面且完善的数据分析。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于数据降维方法的画像构建和分类方法及系统。
背景技术
用户画像作为建立于一系列真实的用户行为数据之上的目标用户模型,已经成功应用于多个领域。用户画像能够利用数据客观真实的反映用户的行为轨迹、习惯特点等,为各领域的数据分析提供了技术支撑。
当前对于用户画像的构建方法是收集并整理数据,开展用户画像建模,构建用户画像。
通过上述方法进行画像构建依赖于数据来源,数据的收集与整理成本较高,且需要进行后期干预,对用户画像进行完善的工作较为复杂,从而可能造成用户画像的构建不全面的现象,无法通过用户画像进行全面且完善的数据分析。
发明内容
本发明提供了一种基于数据降维方法的画像构建和分类方法及系统,以解决用户画像的构建不全面,无法通过用户画像进行全面且完善的数据分析的问题。
根据本发明的一方面,提供了一种基于数据降维方法的画像构建和分类方法,包括:
获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;
根据每个所述画像特征生成对应的画像特征向量;
根据每个所述画像特征向量生成所述目标用户的画像特征向量集;
将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。
可选的,该方法还包括:
对每个所述用户画像执行:
确定当前用户画像对应的安全分析场景;
获取与所述安全分析场景对应的评估规则;
根据所述当前用户画像以及所述评估规则,确定所述目标用户在所述安全分析场景中的评分值;
根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户。
可选的,在所述根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户之后,该方法还包括:
若所述目标用户为所述异常用户,对所述目标用户进行用户行为数据的监控;
在确定所述用户行为数据满足与所述安全分析场景匹配的异常行为条件时,对所述目标用户进行用户行为预警。
可选的,在所述获取所述目标用户的至少一个用户画像之后,该方法还包括:
按照所述用户画像,对至少两个用户进行用户聚类,得到至少一个用户群体;
获取与安全分析场景匹配的标准用户画像,并根据各用户群体的聚类中心,以及所述标准用户画像,在各所述用户群体中识别异常用户群体;
根据所述异常用户群体里中包括的用户数量,确定与所述安全分析场景匹配的异常事件的发生概率。
可选的,所述用户画像分类模型,通过如下方式训练:
获取训练样本数据;
将所述训练样本数据输入至预先建立的分类模型;
对所述分类模型进行优化训练,确定所述分类模型的模型参数,得到所述用户画像分类模型。
可选的,所述获取训练样本数据,包括:
配置数据获取任务;
根据所述数据获取任务,从源用户画像数据集中提取属于同一目标用户的全部维度画像衡量信息;
根据预设数据模板,从所述全部维度画像衡量信息中筛选目标维度画像衡量信息,生成与目标用户匹配的标准训练样本数据;
其中,所述预设数据模板包括训练样本身份标识及与训练样本匹配的多维度画像衡量信息标识。
可选的,在获取所述目标用户的至少一个用户画像之后,该方法还包括:
根据所述用户画像,确定所述用户画像分类模型的预测精确率及召回率;
根据所述精确率及召回率,返回执行获取训练样本数据,将所述训练样本数据输入至预先建立的预测模型的操作,迭代更新所述用户画像分类模型的模型参数,直至所述精确率及召回率达到预设阈值。
根据本发明的另一方面,提供了一种基于数据降维方法的画像构建和分类系统,包括:
画像维度获取单元,用于获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;
画像特征向量生成单元,用于根据每个所述画像特征生成对应的画像特征向量;
画像特征向量集生成单元,用于根据每个所述画像特征向量生成所述目标用户的画像特征向量集;
用户画像获取单元,将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的基于数据降维方法的画像构建和分类方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于数据降维方法的画像构建和分类方法。
本发明实施例的技术方案,通过获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;根据每个所述画像特征生成对应的画像特征向量,根据每个所述画像特征向量生成所述目标用户的画像特征向量集;将画像特征向量集输入至预先训练的用户画像分类模型中,获取所述目标用户的至少一个用户画像,本发明的方案能够对用户画像进行精确构建,从而解决现有技术对用户画像构建不全面的问题,从而通过用户画像进行全面且完善的数据分析。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明实施例一提供的一种基于数据降维方法的画像构建和分类方法的流程图;
图2为本发明实施例二提供的一种异常用户识别方法的流程图;
图3为本发明实施例三提供的一种异常事件发生概率确定方法的流程图;
图4为本发明实施例四提供的一种用户画像分类模型的训练方法的流程图;
图5为本发明实施例五提供的一种基于数据降维方法的画像构建和分类系统的结构示意图;
图6是实现本发明实施例的一种基于数据降维方法的画像构建和分类方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
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、产品或设备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
图1为本发明实施例一提供的一种基于数据降维方法的画像构建和分类方法的流程图,本实施例可适用于对用户的画像进行构建的情况,该方法可以由基于数据降维方法的画像构建和分类系统来执行,该基于数据降维方法的画像构建和分类方法系统可以采用硬件和/或软件的形式实现,该基于数据降维方法的画像构建和分类系统可配置于服务器中。如图1所示,该方法包括:
S110、获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征。
其中,人物画像即真实人物的虚拟代表,是一种建立在真实数据基础之上的目标人物模型。人物画像采取大数据技术全方位、立体化地收集人物数据。人物画像是以大数据技术为基础,提取出与人物相关的信息全貌,从人物的海量数据可以勾勒出一个完整的人物刻画信息。
画像维度为刻画用户画像的多个维度,画像维度可以包括:身份特征、属性归类、不良记录、时空轨迹、关系网络、未来倾向、行业属性等等。画像特征可以是指每种画像维度下,对目标用户进行具体描述的项目,比如,身份特征包括姓名、性别、年龄和职业等。
S120、根据每个所述画像特征生成对应的画像特征向量。
S130、根据每个所述画像特征向量生成所述目标用户的画像特征向量集。
其中,画像特征向量可以是画像特征的数字表示形式。画像特征向量集可以是包含多个画像特征向量的集合,目标用户在各画像维度下对应的信息均可以转换为匹配的画像特征向量,即,目标用户可以具有多个匹配的画像特征向量。
将画像特征为画像特征向量可以通过数据降维的方式,数据降维指的是采用某种映射方法,将原高维空间中的数据点映射到低维度的空间中,在本发明实施例中,数据降维的应用为将各画像特征对应的信息表示为有限维度的向量的形式。
S140、将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。
其中,用户画像分类模型可以通过大量训练样本经过至少一轮的训练获得,该用户画像分类模型可以基于深度学习构建,基于手动或者自动的方式,创建和更新画像功能。可选的,模型可以选用K-means模型。K-means 模型为典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标。
本发明实施例的技术方案,通过获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;根据每个所述画像特征生成对应的画像特征向量,根据每个所述画像特征向量生成所述目标用户的画像特征向量集;将画像特征向量集输入至预先训练的用户画像分类模型中,获取所述目标用户的至少一个用户画像,本发明的方案能够对用户画像进行精确构建,从而解决现有技术对用户画像构建不全面的问题,从而通过用户画像进行全面且完善的数据分析。
实施例二
图2为本发明实施例二提供的一种异常用户识别方法的流程图,本实施例在上述实施例的基础上进一步增加技术特征。如图2所示,该方法包括:
S210、确定当前用户画像对应的安全分析场景。
其中,安全分析场景为指对目标用户进行画像构建所处的场景,比如,对于研判类服务场景,基于大数据分析挖掘,对目标用户实现积分预警模型、全要素分析工具、社交网络分析、隐性重点人挖掘、治安态势分析等相关等级。
S220、获取与所述安全分析场景对应的评估规则。
其中,评估规则可以是指在某个属性下对目标用户的评估规则,例如,对目标用户的各画像维度加权求和。不同安全分析场景下,对用户的评估规则存在区别。比如,在研判类服务场景,积分预警模型、全要素分析工具、社交网络分析、隐性重点人挖掘、治安态势分析分别据哟不同的评估规则及权重。
S230、根据所述当前用户画像以及所述评估规则,确定所述目标用户在所述安全分析场景中的评分值。
其中,评分值可以表示在安全分析场景中,目标用户的异常程度。评分值越大,表示该目标用户在当前安全分析场景中异常程度越高,反之,评分值越小,表示该目标用户在当前安全分析场景中的异常程度越低。
在本发明实施例中,可以根据目标用户的用户画像,以及获取的评估规则,计算目标用户在安全分析场景中的评分值。
S240、根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户。
其中,其中,可以通过设置阈值,根据阈值和评分值的对比关系确定目标用户是否为异常用户。阈值可以是指评分值对应于非异常用户的上限值,通过对指定的画像进行评分值计算,当画像的评分值超过上限值时,确定目标用户为安全分析场景下的异常用户。
在本发明实施例二中,在所述根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户之后,该方法还包括:
若所述目标用户为所述异常用户,对所述目标用户进行用户行为数据的监控;
在确定所述用户行为数据满足与所述安全分析场景匹配的异常行为条件时,对所述目标用户进行用户行为预警。
其中,可以对异常用户对应的安全分析场景中的画像实体设置关注,当特定实体的属性变化或者行为触发预设规则的阈值时,触发报警,将告警信息推送给相关的管理人员,推送的方式包括警报、弹屏、短信和邮件等,可以对重点对象监控。针对画像数据结果,可以提供针对化的画像服务功能,可以形成以下积累业务服务:
通用类服务:在大数据提供的数据资源基础上,结合分布式计算、可视化分析和展现等技术,可实现画像得综合查询、搜索引擎、数据比对、布控预警、分类统计等常用功能,以及画像异常分析、相关性分析等挖掘功能。
研判类服务:基于大数据分析挖掘,实现积分预警模型、全要素分析工具、社交网络分析、隐性重点人挖掘、治安态势分析等综合情报研判功能。
智能类服务:综合情报研判功能,实现案件多维分析、任务异常预警、人员智能画像、人员亲密度模型分析等功能。
实施例三
图3为本发明实施例三提供的一种异常事件发生概率确定方法的流程图,如图3所示,该方法包括:
S310、按照所述用户画像,对至少两个用户进行用户聚类,得到至少一个用户群体。
其中,人物画像分类的目的是要对不同用户进行风险等级分类。人物画像分类基本原理是以不同的风险等级标准为中心,基于相似性进行统计分析,将具有相似特征的用户进行聚集,生成若干个用户群体或用户簇。构建群体用户画像群的方法一般有反馈算法、多维分析、聚类算法、过滤算法、加权算法等。用户画像等级构建的一般流程。
S320、获取与安全分析场景匹配的标准用户画像,并根据各用户群体的聚类中心,以及所述标准用户画像,在各所述用户群体中识别异常用户群体。
S330、根据所述异常用户群体里中包括的用户数量,确定与所述安全分析场景匹配的异常事件的发生概率。
其中,异常用户群体指多个用户群体中,满足异常群体条件的某个或者某些用户群体。标准用户画像指的是用户在安全分析场景中的应有画像,标准用户画像可以根据异常用户群体中的用户的画像来得到,比如,计算两两用户的用户画像之间的相似性,将具有邻居用户最多的用户所对应的用户画像确定为标准用户画像。通过各用户的画像对各用户进行聚类,从而得到多个用户群体,并获取各用户群体的聚类中心。根据与安全分析场景匹配的标准用户画像与各聚类中心,从各用户群体中识别异常用户群体。进而可以根据异常用户群体中的用户数量在安全分析场景中当前全部用户数量中所占比重,预测与安全分析场景匹配的异常事件的发生概率。
实施例四
图4为本发明实施例四提供的一种用户画像分类模型的训练方法的流程图,如图4所示,该方法包括:
S410、获取训练样本数据。
其中,训练样本数据包括多个画像特征的画像特征样本数据、用户特征样本数据、手工和自动标注的数据集;
配置数据获取任务,进行文本原文自动获取;
对文本数据进行语义分析,并通过分词拆解原文,经过过滤库过滤掉非元数据关键词,提取所有可能是针对物品或用户的元数据关键词,存入大数据模块样本库。
S420、将所述训练样本数据输入至预先建立的分类模型。
S430、对所述分类模型进行优化训练,确定所述分类模型的模型参数,得到所述用户画像分类模型。
其中,模型参数可以是指预先建立的预测模型的参数,例如,画像特征预测项和画像特征预测数量等。可以通过大量训练样本数据,训练预先建立的预测模型,确定该预测模型的模型参数,从而得到用户画像分类模型。
在本发明实施例四中,获取训练样本数据,包括:
配置数据获取任务;
根据所述数据获取任务,从源用户画像数据集中提取属于同一目标用户的全部维度画像衡量信息;
根据预设数据模板,从所述全部维度画像衡量信息中筛选目标维度画像衡量信息,生成与目标用户匹配的标准训练样本数据;
其中,所述预设数据模板包括训练样本身份标识及与训练样本匹配的多维度画像衡量信息标识。
数据获取任务可以是指从预先构建的数据库中获取训练样本数据这一操作所对应的任务。源用户画像数据集可以是指预先构建的用户属性数据库,源用户画像数据集可以包含用户在历史时间内的全部画像特征数据,并且该源用户画像数据集可以根据预设时间间隔不断进行更新。标准训练样本数据可以是指与当前训练模型所需数据格式匹配的数据。训练样本身份标识例如可以是“年龄”“性别”等标识。
具体的,可以根据模型所需数据的格式配置相应的数据获取任务,根据该数据获取任务,从源用户画像数据集中提取属于同一目标用户的全部维度画像衡量信息,根据数据获取任务中的预设数据模板,从全部维度画像衡量信息中筛选目标维度画像衡量信息,对预设数据模板的训练样本身份标识及与训练样本匹配的多维度画像衡量信息标识进行填充,生成标准训练样本数据。
在本发明实施例四中,在获取所述目标用户的至少一个用户画像之后,该方法还包括:
根据所述用户画像,确定所述用户画像分类模型的预测精确率及召回率;
根据所述精确率及召回率,返回执行获取训练样本数据,将所述训练样本数据输入至预先建立的预测模型的操作,迭代更新所述用户画像分类模型的模型参数,直至所述精确率及召回率达到预设阈值。
其中,根据画像分类结果和使用反馈,对画像纠错、模型进行优化,更新画像数据,该过程是一个迭代优化的过程。
本发明各实施例中得到的画像通过画像库进行存储,画像库构建方法环节为:用户画像数据的建立,画像模型的建立,画像输出和画像库更新等。数据建立是最重要的环节,数据通常有几种,一是对用户本身信息的收集,比如用户注册时填写的个人信息、身份、职业、地理位置等;二是基于用户经常访问的的物品信息对用户画像数据进行构建,基于二者关联信息建立画像,三是与现有的国家大数据平台关联,大数据平台包括电信数据、时空数据、社会数据等。基于多个维度的数据,建立基于知识图谱的画像模型,形成综合画像数据,将生成的画像数据更新到画像库。
此外,还可以通过业务库存储数据画像相关联的业务等。业务库用于维护系统内数据画像构建资料,为使用用户提供业务案例参考资料,系统提供多种类的实战业务案例。
用户画像实现勾画目标用户、用户特征的有效工具,将用户、物品的每个具体信息抽象成标签,利用这些标签将用户形象具体化,从而为用户提供有针对性的业务服务。业务库一组面向数据画像分析任务而创建的专用数据分析组件,通过将通用的数据画像、知识库等进行组合编排,构建业务方案,实现用户画像、物品画像、用户风险等级判断等综合业务;形成的业务库以对外进行发布、共享重用。
此外,还可以通过知识库实现数据画像的结果和知识的管理,用于存储实体的相关知识。知识库分为两大功能模块,首先是实现已有画像相关知识的接入,其次构建知识库,画像刻画和分析过程中的生成相关知识信息,并且不断丰富数据画像相关知识。
知识库存储厂商自身知识库和国际通用开源情报的基础库,包括 openioc或者stix,知识库主要存储元数据相关知识。知识库构建系统架构分为:实体类标签上传、表达体系定义、多源数据获取、消歧融合和图谱构建与展示五个步骤。通过上述步骤所构成的系统,能够利用用户上传的数据文档,自动读取其中信息,并依据用户需求定义出相关数据之间的关系,将实体属性与用户上传数据间的映射关系显示出来供用户核实,进而构建知识库;将生成的知识不断的丰富到知识库。
知识库管理功能可以通过交互、调用等方式,实现对业务执行过程画像库、业务库、知识库、情报库等查询,进而完成输出等功能。展示功能基于自定义组件编排实现展示风格设置,实现对外提供向导式模型调用可视化界面等功能。系统基于可视化技术实现查询结果的自定义设置,基于图元组件的形式展示业务结果。
画像库之间还可以进行关联性分析,将画像库和已有的画像库进行比较、交叉验证,实现相互补充功能。关联分析的原理:将不同系统中的画像信息转化成高维向量描述,然后基于向量间的相关性实现画像间的关联分析。挖掘不同系统间画像的关联性或者相关性,实现新建系统与现有系统的画像数据的相互印证、补充、更新等,进而实现辅助决策。
画像关联分析可以转化为高维向量数据间的相似性分析问题。基于据数据分类分析,数据拟合分析,数据回归分析,数据关联分析,数据特征聚类分析等常见的数据挖掘算法等,实现高维目标数据分析,进而实现对高维数据集合的关联性分析计算。
实施例五
图5为本发明实施例五提供的一种基于数据降维方法的画像构建和分类系统的结构示意图。如图5所示,该系统包括:
画像维度获取单元510,用于获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;
画像特征向量生成单元520,用于根据每个所述画像特征生成对应的画像特征向量;
画像特征向量集生成单元530,用于根据每个所述画像特征向量生成所述目标用户的画像特征向量集;
用户画像获取单元540,将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。
可选的,用户画像获取单元540,还用于对每个所述用户画像执行:
确定当前用户画像对应的安全分析场景;
获取与所述安全分析场景对应的评估规则;
根据所述当前用户画像以及所述评估规则,确定所述目标用户在所述安全分析场景中的评分值;
根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户。
可选的,用户画像获取单元540在所述根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户之后,还用于执行:
若所述目标用户为所述异常用户,对所述目标用户进行用户行为数据的监控;
在确定所述用户行为数据满足与所述安全分析场景匹配的异常行为条件时,对所述目标用户进行用户行为预警。
如图5所示,该系统还包括:用户聚类单元550。
用户聚类单元550,用于执行:
按照所述用户画像,对至少两个用户进行用户聚类,得到至少一个用户群体;
获取与安全分析场景匹配的标准用户画像,并根据各用户群体的聚类中心,以及所述标准用户画像,在各所述用户群体中识别异常用户群体;
根据所述异常用户群体里中包括的用户数量,确定与所述安全分析场景匹配的异常事件的发生概率。
如图5所示,该系统还包括:用户画像分类模型训练单元560。
用户画像分类模型训练单元560,用于执行:
获取训练样本数据;
将所述训练样本数据输入至预先建立的分类模型;
对所述分类模型进行优化训练,确定所述分类模型的模型参数,得到所述用户画像分类模型。
可选的,用户画像分类模型训练单元560在执行所述获取训练样本数据时,具体执行:
配置数据获取任务;
根据所述数据获取任务,从源用户画像数据集中提取属于同一目标用户的全部维度画像衡量信息;
根据预设数据模板,从所述全部维度画像衡量信息中筛选目标维度画像衡量信息,生成与目标用户匹配的标准训练样本数据;
其中,所述预设数据模板包括训练样本身份标识及与训练样本匹配的多维度画像衡量信息标识。
可选的,用户画像获取单元540,在执行获取所述目标用户的至少一个用户画像之后,还用于执行:
根据所述用户画像,确定所述用户画像分类模型的预测精确率及召回率;
根据所述精确率及召回率,返回执行获取训练样本数据,将所述训练样本数据输入至预先建立的预测模型的操作,迭代更新所述用户画像分类模型的模型参数,直至所述精确率及召回率达到预设阈值。
本发明实施例所提供的基于数据降维方法的画像构建和分类系统可执行本发明任意实施例所提供的基于数据降维方法的画像构建和分类方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等) 和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器 (RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元 (GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于数据降维方法的画像构建和分类方法。
在一些实施例中,基于数据降维方法的画像构建和分类方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13 并由处理器11执行时,可以执行上文描述的基于数据降维方法的画像构建和分类方法的一个或多个步骤。备选地,在其他实施例中,处理器11 可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于数据降维方法的画像构建和分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于数据降维方法的画像构建和分类方法,其特征在于,包括:
获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;
根据每个所述画像特征生成对应的画像特征向量;
根据每个所述画像特征向量生成所述目标用户的画像特征向量集;
将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。
2.根据权利要求1所述的方法,其特征在于,进一步包括:
对每个所述用户画像执行:
确定当前用户画像对应的安全分析场景;
获取与所述安全分析场景对应的评估规则;
根据所述当前用户画像以及所述评估规则,确定所述目标用户在所述安全分析场景中的评分值;
根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户。
3.根据权利要求2所述的方法,其特征在于,在所述根据所述评分值确定所述目标用户是否为所述安全分析场景下的异常用户之后,进一步包括:
若所述目标用户为所述异常用户,对所述目标用户进行用户行为数据的监控;
在确定所述用户行为数据满足与所述安全分析场景匹配的异常行为条件时,对所述目标用户进行用户行为预警。
4.根据权利要求1所述的方法,其特征在于,在所述获取所述目标用户的至少一个用户画像之后,进一步包括:
按照所述用户画像,对至少两个用户进行用户聚类,得到至少一个用户群体;
获取与安全分析场景匹配的标准用户画像,并根据各用户群体的聚类中心,以及所述标准用户画像,在各所述用户群体中识别异常用户群体;
根据所述异常用户群体里中包括的用户数量,确定与所述安全分析场景匹配的异常事件的发生概率。
5.根据权利要求1所述的方法,其特征在于,所述用户画像分类模型,通过如下方式训练:
获取训练样本数据;
将所述训练样本数据输入至预先建立的分类模型;
对所述分类模型进行优化训练,确定所述分类模型的模型参数,得到所述用户画像分类模型。
6.根据权利要求5所述的方法,其特征在于,所述获取训练样本数据,包括:
配置数据获取任务;
根据所述数据获取任务,从源用户画像数据集中提取属于同一目标用户的全部维度画像衡量信息;
根据预设数据模板,从所述全部维度画像衡量信息中筛选目标维度画像衡量信息,生成与目标用户匹配的标准训练样本数据;
其中,所述预设数据模板包括训练样本身份标识及与训练样本匹配的多维度画像衡量信息标识。
7.根据权利要求1所述的方法,其特征在于,在获取所述目标用户的至少一个用户画像之后,进一步包括:
根据所述用户画像,确定所述用户画像分类模型的预测精确率及召回率;
根据所述精确率及召回率,返回执行获取训练样本数据,将所述训练样本数据输入至预先建立的预测模型的操作,迭代更新所述用户画像分类模型的模型参数,直至所述精确率及召回率达到预设阈值。
8.一种基于数据降维方法的画像构建和分类系统,其特征在于,包括:
画像维度获取单元,用于获取目标用户对应的至少一个画像维度,其中,每个所述画像维度中包括至少一个画像特征;
画像特征向量生成单元,用于根据每个所述画像特征生成对应的画像特征向量;
画像特征向量集生成单元,用于根据每个所述画像特征向量生成所述目标用户的画像特征向量集;
用户画像获取单元,将所述画像特征向量集输入预先训练的画像分类模型中,得到所述目标用户的至少一个用户画像。
9.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权利要求1-7中任一项所述的基于数据降维方法的画像构建和分类方法。
10.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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于数据降维方法的画像构建和分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991590.3A CN115619245A (zh) | 2022-08-18 | 2022-08-18 | 一种基于数据降维方法的画像构建和分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991590.3A CN115619245A (zh) | 2022-08-18 | 2022-08-18 | 一种基于数据降维方法的画像构建和分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619245A true CN115619245A (zh) | 2023-01-17 |
Family
ID=84856853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210991590.3A Pending CN115619245A (zh) | 2022-08-18 | 2022-08-18 | 一种基于数据降维方法的画像构建和分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619245A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705337A (zh) * | 2023-08-07 | 2023-09-05 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种健康数据采集及智能分析方法 |
-
2022
- 2022-08-18 CN CN202210991590.3A patent/CN115619245A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116705337A (zh) * | 2023-08-07 | 2023-09-05 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种健康数据采集及智能分析方法 |
CN116705337B (zh) * | 2023-08-07 | 2023-10-27 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种健康数据采集及智能分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN110390465A (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
CN110909165A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN108241867B (zh) | 一种分类方法及装置 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN113051324A (zh) | 基于大数据的用户画像构建方法、装置及存储介质 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN113762703A (zh) | 确定企业画像的方法和装置、计算设备和存储介质 | |
US11847599B1 (en) | Computing system for automated evaluation of process workflows | |
CN116955856A (zh) | 信息展示方法、装置、电子设备以及存储介质 | |
CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN115034762A (zh) | 一种岗位推荐方法、装置、存储介质、电子设备及产品 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
CN113987026A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN114610953A (zh) | 一种数据分类方法、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 |