CN116431912A - 用户画像推送方法及装置 - Google Patents
用户画像推送方法及装置 Download PDFInfo
- Publication number
- CN116431912A CN116431912A CN202310344878.6A CN202310344878A CN116431912A CN 116431912 A CN116431912 A CN 116431912A CN 202310344878 A CN202310344878 A CN 202310344878A CN 116431912 A CN116431912 A CN 116431912A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- information
- target user
- sample
- 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 37
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000013135 deep learning Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000008451 emotion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F16/90—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
- G06F16/953—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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及数据处理技术领域,提供一种用户画像推送方法及装置。所述方法包括:在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。本申请实施例提供的用户画像推送方法,能够快速推送新增用户的用户画像,提高获取到的用户画像的及时性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种用户画像推送方法及装置。
背景技术
随着经济的发展,金融理财产品也越来越多种多样。为向用户有效地进行金融理财产品的推荐,通常会根据用户的基本信息,如人像信息、交易信息以及渠道信息等,来生成用户的用户画像,以根据该用户画像来确定响应的金融理财产品进行推荐。而对于新增用户,需要快速推送其用户画像,以方便客服人员及时知晓新增用户可能感兴趣的金融理财产品与新增用户进行沟通。若在添加新增用户时,客服人员无法及时获取到用户画像,会导致客服人员无法针对性地进行金融理财产品的推荐,导致错失金融理财产品的推荐时机。因此,如何及时推送新增用户的用户画像,以提高获取到的用户画像的及时性,是当前继续解决的技术问题。
发明内容
本申请旨在至少解决相关技术中存在的技术问题之一。为此,本申请提出一种用户画像推送方法,能够快速推送新增用户的用户画像,提高获取到的用户画像的及时性。
本申请还提出一种用户画像推送装置。
本申请还提出一种电子设备。
本申请还提出一种计算机可读存储介质。
根据本申请第一方面实施例的用户画像推送方法,包括:
在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
本申请实施例提供的用户画像推送方法,通过在接收到好友请求时,根据发送好友请求的目标用户的目标用户信息,获取与目标用户信息对应的目标客户号后,在好友请求验证通过时,将目标用户信息添加至好友列表,并将根据目标客户号确定的用户画像,推送至好友列表中对应目标用户信息的信息栏,使得在添加新增的目标用户后,便可及时通过好友列表中的信息栏查看该新增的目标用户的用户画像,从而提高获取到的用户画像的及时性。
根据本申请的一个实施例,根据所述目标客户号,确定所述目标用户的用户画像,包括:
根据所述目标客户号,从记录有各客户号与各用户特征信息的映射关系的第二数据表中,获取所述目标用户的目标用户特征信息;
根据所述目标用户特征信息,确定所述目标用户的用户画像。
根据本申请的一个实施例,根据所述目标用户特征信息,确定所述目标用户的用户画像,包括:
将所述目标用户特征信息输入训练好的深度学习神经网络中,获取所述目标用户对应的潜力等级;
根据所述潜力等级,确定所述目标用户的用户画像;
其中,所述深度学习神经网络由各特征样本训练得到,所述特征样本与所述目标用户特征信息的数据类型一致。
根据本申请的一个实施例,还包括:
从各所述特征样本中,获取对应同一预设潜力等级的各目标样本;
将各所述目标样本依次输入所述深度学习神经网络进行训练,每次训练后均调整所述深度学习神经网络的损失函数,直至每次所述目标样本输入所述深度学习神经网络后,输出的所述潜力等级为所述预设潜力等级。
根据本申请的一个实施例,调整所述深度学习神经网络的损失函数,包括:
获取输入所述深度学习神经网络的当前目标样本,与各所述特征样本中各剩余样本的第一余弦相似度;
根据各所述第一余弦相似度,以及所述当前目标样本与各负样本信息之间的各第二余弦相似度,调整所述损失函数;
其中,所述剩余样本为各所述特征样本中除所述当前目标样本外的特征样本;
所述负样本信息为各所述特征样本中与所述当前目标样本对应不同预设潜力等级的特征样本。
根据本申请的一个实施例,还包括:
获取与所述目标用户的聊天文本信息;
对所述聊天文本信息进行向量转换,获取所述聊天文本信息的句向量;
根据所述句向量,获取所述聊天文本信息的文本情感类型的概率,以根据所述文本情感类型的概率,更新所述信息栏。
根据本申请的一个实施例,所述目标用户信息包括用户姓名。
根据本申请第二方面实施例的用户画像推送装置,包括:
用户信息获取模块,用于在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
用户画像推送模块,用于确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
根据本申请第三方面实施例的电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现上述任一实施例所述的用户画像推送方法。
根据本申请第四方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的用户画像推送方法。
根据本申请第五方面实施例的计算机程序产品,包括:所述计算机程序被处理器执行时实现如上述任一实施例所述的用户画像推送方法。
本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
通过在接收到好友请求时,根据发送好友请求的目标用户的目标用户信息,获取与目标用户信息对应的目标客户号后,在好友请求验证通过时,将目标用户信息添加至好友列表,并将根据目标客户号确定的用户画像,推送至好友列表中对应目标用户信息的信息栏,使得在添加新增的目标用户后,便可及时通过好友列表中的信息栏查看该新增的目标用户的用户画像,从而提高获取到的用户画像的及时性。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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用户画像推送方法的流程示意图;
图2是本申请实施例中对图1的用户画像推送方法中的用户画像的确定做进一步细化的流程示意图;
图3是本申请实施例中对图2的用户画像推送方法中的用户画像的确定做进一步细化的流程示意图;
图4是本申请实施例中对图3的用户画像推送方法中的损失函数的调整做进一步细化的流程示意图;
图5是本申请又一实施例提供的用户画像推送方法的流程示意图;
图6是本申请实施例提供的用户画像推送装置的结构示意图;
图7是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面,将通过几个具体的实施例对本申请实施例提供的用户画像推送方法及装置进行详细介绍和说明。
在一实施例中,提供了一种用户画像推送方法,该方法应用于终端设备,用于进行用户画像的推送。其中,终端设备可以是用户终端,用户终端可以是台式终端或便携式终端,如台式电脑、笔记本电脑等,服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能采样点设备等基础云计算服务的云服务器。
如图1所示,本实施例提供的一种用户画像推送方法包括:
步骤101,在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
步骤102,确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
通过在接收到好友请求时,根据发送好友请求的目标用户的目标用户信息,获取与目标用户信息对应的目标客户号后,在好友请求验证通过时,将目标用户信息添加至好友列表,并将根据目标客户号确定的用户画像,推送至好友列表中对应目标用户信息的信息栏,使得在添加新增的目标用户后,便可及时通过好友列表中的信息栏查看该新增的目标用户的用户画像,从而提高获取到的用户画像的及时性。
在一实施例中,终端设备可通过需实名认证的客户端接收新增的目标用户通过相同的客户端发送的好友请求,该客户端中,用户账号需为用户的手机号码,用户名需为用户的真实姓名。这样,当目标用户通过该客户端发送好友请求时,好友请求中即包括用户号码以及用户姓名等用户的基本信息。
当接收到该好友请求时,表示有新的目标用户存在,此时终端设备可对该好友请求进行解析,从该好友请求中,获取目标用户的目标用户信息。其中,该目标用户信息可以包括用户号码以及用户姓名等用户的基本信息。
在获取到目标用户的目标用户信息后,将该目标用户信息,与预先存储有各用户信息与各客户号的映射关系的第一数据表进行匹配。其中,客户号可以是指用户关联的理财金融产品的账号。当从第一数据表中,查找到与该目标用户信息对应的客户号时,即可将该客户号确定为目标客户号。
在确定目标客户号后,当好友验证通过时,将该目标用户信息添加至好友列表,同时触发用户画像的确定流程,以根据该目标客户号确定目标用户的用户画像。如将目标客户号,与记录有各客户号与各用户画像的映射关系的映射表中,查找与该目标客户号对应的用户画像,作为目标用户的用户画像。
而为使获取到的用户画像更为准确,在一实施例中,如图2所示,根据所述目标客户号,确定所述目标用户的用户画像,包括:
步骤201,根据所述目标客户号,从记录有各客户号与各用户特征信息的映射关系的第二数据表中,获取所述目标用户的目标用户特征信息;
步骤202,根据所述目标用户特征信息,确定所述目标用户的用户画像。
在一实施例中,终端设备预先存储有记录有各客户号与各用户特征信息的映射关系的第二数据表。其中,用户特征信息为特征信息集合,包括用户的浏览数据、互动信息、兴趣爱好以及KYC数据等。在获取到目标用户的目标客户号后,即可将该目标客户号与第二数据表进行匹配,以从该第二数据表中获取与目标客户号对应的用户特征信息作为目标用户特征信息。
在获取到目标用户特征信息后,即可将该目标用户特征信息,作为目标用户的用户画像。
为进一步提高用户画像的针对性,在一实施例中,如图3所示,根据所述用户特征信息,确定所述目标用户的用户画像,包括:
步骤301,将所述目标用户特征信息输入训练好的深度学习神经网络中,获取所述目标用户对应的潜力等级;
步骤302,根据所述潜力等级,确定所述目标用户的用户画像;
其中,所述深度学习神经网络由各特征样本训练得到,所述特征样本与所述目标用户特征信息的数据类型一致。
在一实施例中,在获取到目标用户的目标用户特征信息后,即可将该目标用户特征信息,输入训练好的深度学习神经网络中。该深度学习神经网络可以是卷积神经网络CNN、递归神经网络RNN以及生成对抗网络(GAN)等神经网络中的至少一种。
其中,对于深度学习神经网络的训练,是通过将已指定了预设潜力等级的各用户特征信息作为特征样本,然后将各特征样本依次输入深度学习神经网络进行训练后得到。
对于深度学习神经网络的训练,示例性的,假设各特征样本为(a1,a2,……an),a1预先设定的预设潜力等级为p5,a2预先设定的预设潜力等级为p2……an预先设定的预设潜力等级为p3,则先将a1输入深度学习神经网络,获取输出的潜力等级。若该潜力等级为p3,则与a1对应的潜力等级p5不同,此时则调整深度学习神经网络的损失函数,然后在输入下一个特征样本a2;若输出的潜力等级为p5,则与a1对应的潜力等级p5相同,则直接输入下一个特征样本a2。
为提高深度学习神经网络的潜力等级分类效果,在一实施例中,由于每个特征样本均存在对应的预设潜力等级,因此对深度学习神经网络的训练时,可先将各特征样本进行分类,即将对应同一预设潜力等级的各特征样本作为同一类,此时属于同一类的各特征样本即为各目标样本。
在获取同一类的各目标样本后,将各目标样本依次输入深度学习神经网络,获取深度学习神经网络输出的潜力等级。然后将该潜力等级与这一类目标样本对应的预设潜力等级进行匹配,判断两者是否相同。若不同,则调整深度学习神经网络的损失函数,然后继续输入下一个目标样本进行训练,直至每一个目标样本输入深度学习神经网络后,输出的潜力等级均与这一类目标样本对应的预设潜力等级相同。
为进一步提高深度学习神经网络进行潜力等级分类的准确度,在一实施例中,如图4所示,调整所述深度学习神经网络的损失函数,包括:
步骤401,获取输入所述深度学习神经网络的当前目标样本,与各所述特征样本中各剩余样本的第一余弦相似度;
步骤402,根据各所述第一余弦相似度,以及所述当前目标样本与各负样本信息之间的各第二余弦相似度,调整所述损失函数;
其中,所述剩余样本为各所述特征样本中除所述当前目标样本外的特征样本;
所述负样本信息为各所述特征样本中与所述当前目标样本对应不同预设潜力等级的特征样本。
在一实施例中,假设各特征样本中共包括N个预设潜力等级的样本信息,各目标样本的数量为k,各目标样本中,输入深度学习神经网络的当前目标样本为i,则将目标样本中除当前目标样本i的目标样本,作为各剩余样本j,然后将当前目标样本i,与各剩余样本j分别组成正样本对,从而可得到k-1个正样本对(i,j)。在得到k-1个正样本对(i,j)后,计算每个正样本对(i,j)的第一余弦相似度,从而得到与各正样本对(i,j)一一对应的各第一余弦相似度。同时,将当前目标样本为i,与各特征样本中与该当前目标样本为i对应的预设潜力等级不同的负样本信息x,即各特征样本中除k个目标样本外的N-k个负样本信息x分别组成负样本对,从而可得到(N-1)*k个负样本对(i,x)。在得到(N-1)*k个负样本对(i,x)后,计算每个负样本对(i,x)的第二余弦相似度,从而得到与各负样本对(i,x)一一对应的各第二余弦相似度。
对于损失函数的调整,可以是将各第一余弦相似度,以及各第二余弦相似度输入损失函数运算模型
其中,i表示所述当前目标样本,j表示所述剩余样本,sim(zi,zj)表示所述第一余弦相似度,τ为温度系数,x表示所述负样本信息,sim(zi,zx)表示所述当前目标样本与所述负样本信息之间的第二余弦相似度,N表示预设潜力等级的数量,k表示每个预设潜力等级的样本数量,n表示各所述第一余弦相似度的数量。
在完成对深度学习神经网络的训练后,即可将目标用户的目标用户特征信息,输入该训练好的深度学习神经网络,以得到该目标用户对应的潜力等级,从而将该潜力等级作为目标用户的用户画像。或者,将该潜力等级与目标用户特征信息进行组合,作为目标用户的用户画像。
在确定用户的用户画像后,即可将该用户画像推送至好友列表中对应目标用户信息的信息栏,使得客服人员可通过信息栏直接进行目标用户的用户画像的查看,方便客服人员在与目标用户进行沟通时,能够实时浏览其用户画像进行针对性的金融理财产品推荐。
为进一步提高用户画像的准确度,在一实施例中,如图5所示,还包括:
步骤501,获取与所述目标用户的聊天文本信息;
步骤502,对所述聊天文本信息进行向量转换,获取所述聊天文本信息的句向量;
步骤503,根据所述句向量,获取所述聊天文本信息的文本情感类型,以根据所述文本情感类型,更新所述信息栏。
在一实施例中,在将目标用户添加至好友列表后,实时检测目标用户发送的聊天文本信息。在获取到聊天文本信息后,可先对获取到的聊天文本信息进行分词,以将聊天文本信息分为若干个词,然后通过TextRank算法将进行分割,以对聊天文本信息进行分词和词性标注处理,并过滤掉停用词,只保留指定词性的单词,如名词、动词、数字和形容词,保留的单词为候选关键词。然后,对各候选关键词进行向量转换,获取聊天文本信息中各候选关键词的词向量,然后对聊天文本信息中各候选关键词的词向量进行拼接,得到聊天文本信息的句向量。
在获取到聊天文本信息的句向量后,将该聊天文本信息的句向量输入到预先训练的语言模型中,以获取聊天文本信息的文本情感类型的概率。其中,语言模型可以是textCNN模型。文本情感类型可以包括正面情感和负面情感。语言模型可通过大量的文本信息样本训练得到。
在得到聊天文本信息的文本情感类型的概率后,即可将文本情感类型的概率添加至信息栏中,以使客服人员能够及时知晓当前目标用户的情绪,方便与目标用户进行沟通。
下面对本申请提供的用户画像推送装置进行描述,下文描述的用户画像推送装置与上文描述的用户画像推送方法可相互对应参照。
在一实施例中,如图6所示,提供了一种用户画像推送装置,包括:
用户信息获取模块210,用于在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
用户画像推送模块220,用于确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
通过在接收到好友请求时,根据发送好友请求的目标用户的目标用户信息,获取与目标用户信息对应的目标客户号后,在好友请求验证通过时,将目标用户信息添加至好友列表,并将根据目标客户号确定的用户画像,推送至好友列表中对应目标用户信息的信息栏,使得在添加新增的目标用户后,便可及时通过好友列表中的信息栏查看该新增的目标用户的用户画像,从而提高获取到的用户画像的及时性。
在一实施例中,用户画像推送模块220具体用于:
根据所述目标客户号,从记录有各客户号与各用户特征信息的映射关系的第二数据表中,获取所述目标用户的目标用户特征信息;
根据所述目标用户特征信息,确定所述目标用户的用户画像。
在一实施例中,用户画像推送模块220具体用于:
将所述目标用户特征信息输入训练好的深度学习神经网络中,获取所述目标用户对应的潜力等级;
根据所述潜力等级,确定所述目标用户的用户画像;
其中,所述深度学习神经网络由各特征样本训练得到,所述特征样本与所述目标用户特征信息的数据类型一致。
在一实施例中,用户画像推送模块220还用于:
从各所述特征样本中,获取对应同一预设潜力等级的各目标样本;
将各所述目标样本依次输入所述深度学习神经网络进行训练,每次训练后均调整所述深度学习神经网络的损失函数,直至每次所述目标样本输入所述深度学习神经网络后,输出的所述潜力等级为所述预设潜力等级。
在一实施例中,用户画像推送模块220具体用于:
获取输入所述深度学习神经网络的当前目标样本,与各所述特征样本中各剩余样本的第一余弦相似度;
根据各所述第一余弦相似度,以及所述当前目标样本与各负样本信息之间的各第二余弦相似度,调整所述损失函数;
其中,所述剩余样本为各所述特征样本中除所述当前目标样本外的特征样本;
所述负样本信息为各所述特征样本中与所述当前目标样本对应不同预设潜力等级的特征样本。
在一实施例中,用户画像推送模块220还用于:
获取与所述目标用户的聊天文本信息;
对所述聊天文本信息进行向量转换,获取所述聊天文本信息的句向量;
根据所述句向量,获取所述聊天文本信息的文本情感类型的概率,以根据所述文本情感类型的概率,更新所述信息栏。
在一实施例中,所述目标用户信息包括用户姓名。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)810、通信接口(Communication Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序,以执行用户画像推送方法,例如包括:
在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种存储介质,存储介质包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的用户画像推送方法,例如包括:
在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种用户画像推送方法,其特征在于,包括:
在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
2.根据权利要求1所述的用户画像推送方法,其特征在于,根据所述目标客户号,确定所述目标用户的用户画像,包括:
根据所述目标客户号,从记录有各客户号与各用户特征信息的映射关系的第二数据表中,获取所述目标用户的目标用户特征信息;
根据所述目标用户特征信息,确定所述目标用户的用户画像。
3.根据权利要求2所述的用户画像推送方法,其特征在于,根据所述目标用户特征信息,确定所述目标用户的用户画像,包括:
将所述目标用户特征信息输入训练好的深度学习神经网络中,获取所述目标用户对应的潜力等级;
根据所述潜力等级,确定所述目标用户的用户画像;
其中,所述深度学习神经网络由各特征样本训练得到,所述特征样本与所述目标用户特征信息的数据类型一致。
4.根据权利要求3所述的用户画像推送方法,其特征在于,还包括:
从各所述特征样本中,获取对应同一预设潜力等级的各目标样本;
将各所述目标样本依次输入所述深度学习神经网络进行训练,每次训练后均调整所述深度学习神经网络的损失函数,直至每次所述目标样本输入所述深度学习神经网络后,输出的所述潜力等级为所述预设潜力等级。
5.根据权利要求4所述的用户画像推送方法,其特征在于,调整所述深度学习神经网络的损失函数,包括:
获取输入所述深度学习神经网络的当前目标样本,与各所述特征样本中各剩余样本的第一余弦相似度;
根据各所述第一余弦相似度,以及所述当前目标样本与各负样本信息之间的各第二余弦相似度,调整所述损失函数;
其中,所述剩余样本为各所述特征样本中除所述当前目标样本外的特征样本;
所述负样本信息为各所述特征样本中与所述当前目标样本对应不同预设潜力等级的特征样本。
6.根据权利要求1所述的用户画像推送方法,其特征在于,还包括:
获取与所述目标用户的聊天文本信息;
对所述聊天文本信息进行向量转换,获取所述聊天文本信息的句向量;
根据所述句向量,获取所述聊天文本信息的文本情感类型的概率,以根据所述文本情感类型的概率,更新所述信息栏。
7.根据权利要求1-6所述的用户画像推送方法,其特征在于,所述目标用户信息包括用户姓名。
8.一种用户画像推送装置,其特征在于,包括:
用户信息获取模块,用于在接收到好友请求时,根据发送所述好友请求的目标用户的目标用户信息,从记录有各用户信息与各客户号的映射关系的第一数据表中,获取与所述目标用户信息对应的目标客户号;
用户画像推送模块,用于确定所述好友请求验证通过,将所述目标用户信息添加至好友列表,并根据所述目标客户号,确定所述目标用户的用户画像,以将所述用户画像推送至所述好友列表中对应所述目标用户信息的信息栏。
9.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的用户画像推送方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的用户画像推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344878.6A CN116431912A (zh) | 2023-03-29 | 2023-03-29 | 用户画像推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344878.6A CN116431912A (zh) | 2023-03-29 | 2023-03-29 | 用户画像推送方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116431912A true CN116431912A (zh) | 2023-07-14 |
Family
ID=87092004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310344878.6A Pending CN116431912A (zh) | 2023-03-29 | 2023-03-29 | 用户画像推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116431912A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076660A (zh) * | 2023-10-16 | 2023-11-17 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
-
2023
- 2023-03-29 CN CN202310344878.6A patent/CN116431912A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076660A (zh) * | 2023-10-16 | 2023-11-17 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN117076660B (zh) * | 2023-10-16 | 2024-01-26 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11194965B2 (en) | Keyword extraction method and apparatus, storage medium, and electronic apparatus | |
CN108153901B (zh) | 基于知识图谱的信息推送方法和装置 | |
WO2022041979A1 (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN107463704B (zh) | 基于人工智能的搜索方法和装置 | |
US11232140B2 (en) | Method and apparatus for processing information | |
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
CN106874441B (zh) | 智能问答方法和装置 | |
US11620321B2 (en) | Artificial intelligence based method and apparatus for processing information | |
CN107256267A (zh) | 查询方法和装置 | |
CN106095845B (zh) | 文本分类方法和装置 | |
CN110298029B (zh) | 基于用户语料的好友推荐方法、装置、设备及介质 | |
CN109992781B (zh) | 文本特征的处理方法、装置和存储介质 | |
CN108268450B (zh) | 用于生成信息的方法和装置 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN110990533A (zh) | 确定查询文本所对应标准文本的方法及装置 | |
CN111639162A (zh) | 信息交互方法和装置、电子设备和存储介质 | |
CN106803092B (zh) | 一种标准问题数据的确定方法及装置 | |
CN112052297A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116431912A (zh) | 用户画像推送方法及装置 | |
CN113051384B (zh) | 基于对话的用户画像抽取方法及相关装置 | |
CN113821587A (zh) | 文本相关性确定方法、模型训练方法、装置及存储介质 | |
US20180336527A1 (en) | Offline computation of partial job recommendation scores | |
CN110209804B (zh) | 目标语料的确定方法和装置、存储介质及电子装置 | |
CN116318974A (zh) | 站点风险识别方法、装置、计算机可读介质及电子设备 | |
US20160196266A1 (en) | Inferring seniority based on canonical titles |
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 |