CN116450925A - 基于人工智能的用户关系分析方法及系统 - Google Patents
基于人工智能的用户关系分析方法及系统 Download PDFInfo
- Publication number
- CN116450925A CN116450925A CN202211686306.8A CN202211686306A CN116450925A CN 116450925 A CN116450925 A CN 116450925A CN 202211686306 A CN202211686306 A CN 202211686306A CN 116450925 A CN116450925 A CN 116450925A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- feature
- vector
- preset
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 186
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000002457 bidirectional effect Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域，公开了一种基于人工智能的用户关系分析方法及系统，用于提高用户关系分析的准确率。所述方法包括：根据第一用户匹配策略对第一用户进行用户推荐匹配并获取第一用户数据；将第一用户数据输入第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取多个第二用户数据，并分别将多个第二用户数据输入第二用户特征分析模型进行用户特征分析，得到第二用户特征；根据第一用户特征和第二用户特征生成用户关联向量；将用户关联向量输入用户关系分析模型进行用户关系分析，得到关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于人工智能的用户关系分析方法及系统。
背景技术
随着计算机技术的高速发展，交流沟通的线上化已经逐渐风靡全球，线上应用程序已经成为现代社会人们日常生活和工作进行有效沟通和交流的重要方式。目前，用户注册账号之后亟需找到与自己有相似爱好的好友，可以提升用户对应用程序的粘度。
但是现有方案通常是随机推送，由用户自主选择是否符合用户的个人喜好，这种用户推送匹配方案没有针对用户进行个性化推送，进而导致了现有方案的准确率低。
发明内容
本发明提供了一种基于人工智能的用户关系分析方法及系统，用于提高用户关系分析的准确率。
本发明第一方面提供了一种基于人工智能的用户关系分析方法，所述基于人工智能的用户关系分析方法包括：根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取所述第一用户在用户推荐匹配过程中对应的第一用户数据；将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量；将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
可选的，在本发明第一方面的第一种实现方式中，所述将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征，包括：对所述第一用户数据进行特征提取，得到特征指标数据集，其中，所述特征指标数据集包括：点击数据、观看数据、在线时间数据和账号关注数据；对所述特征指标数据集进行特征聚类，得到所述第一用户数据对应的初始特征聚类结果；按照预设数据增强规则对所述初始特征聚类结果进行数据增强，得到目标特征聚类结果；调用预置的第一用户特征分析模型对所述目标特征聚类结果进行用户特征识别，得到多个用户特征信息；对所述多个用户特征信息进行拼接，得到初始用户特征，并对所述初始用户特征进行特征集群处理，得到第一用户特征。
可选的，在本发明第一方面的第二种实现方式中，所述获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征，包括：从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据；分别对所述多个第二用户数据进行用户属性提取，得到多个用户属性数据；分别将所述多个用户属性数据输入预置的第二用户特征分析模型，其中，所述第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；通过所述三层卷积网络对所述用户属性数据进行卷积特征提取，得到卷积特征数据；通过所述特征编码网络对所述卷积特征数据进行特征编码运算，得到编码特征数据；通过所述特征解码网络对所述编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量，包括：计算所述第一用户特征对应的第一特征指标值，计算每个第二用户的第二用户特征所对应的第二特征指标值；根据所述每个第二用户对应的第二特征指标值计算第三特征指标值；根据所述第一特征指标值、所述第二特征指标值以及所述第三特征指标值生成向量编码规则；根据所述向量编码规则对所述第一用户特征和每个第二用户对应的第二用户特征进行向量编码，得到所述第一用户与每个第二用户对应的用户关联向量。
可选的，在本发明第一方面的第四种实现方式中，所述将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度，包括：将所述用户关联向量输入预置的用户关系分析模型，其中，所述用户关系分析模型包括：第一双向循环神经网络、第二双向循环神经网络和全连接网络；通过所述第一双向循环神经网络对所述用户关联向量进行向量转换，得到目标关联向量；将所述目标关联向量输入所述第二双向循环神经网络进行向量重构，得到目标重构向量；对所述目标重构向量和所述用户关联向量进行向量融合，得到目标融合向量；将所述目标融合向量输入所述全连接网络进行关联度计算，得到每个第二用户与第一用户对应的关联度。
可选的，在本发明第一方面的第五种实现方式中，所述根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配，包括：根据每个第二用户与第一用户对应的关联度对所述多个第二用户进行用户推荐顺序排序，得到目标推荐序列；根据所述目标推荐序列对所述第一用户匹配策略进行用户匹配策略融合，生成第二用户匹配策略；根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
可选的，在本发明第一方面的第六种实现方式中，所述基于人工智能的用户关系分析方法还包括：计算所述多个第二用户与所述第一用户的距离数据，得到多个距离数据；计算所述多个距离数据的距离均值，并计算每个距离数据和所述距离均值对应的距离差值；判断所述距离差值是否超过预设倍数值；若是，则从所述多个第二用户中选取一个第二用户与所述第一用户进行推荐匹配；若否，则从所述多个第二用户中选取多个第二用户与所述第一用户进行推荐匹配。
本发明第二方面提供了一种基于人工智能的用户关系分析系统，所述基于人工智能的用户关系分析系统包括：获取模块，用于根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取所述第一用户在用户推荐匹配过程中对应的第一用户数据；分析模块，用于将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；处理模块，用于获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；生成模块，用于根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量；计算模块，用于将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；匹配模块，用于根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
可选的，在本发明第二方面的第一种实现方式中，所述分析模块具体用于：对所述第一用户数据进行特征提取，得到特征指标数据集，其中，所述特征指标数据集包括：点击数据、观看数据、在线时间数据和账号关注数据；对所述特征指标数据集进行特征聚类，得到所述第一用户数据对应的初始特征聚类结果；按照预设数据增强规则对所述初始特征聚类结果进行数据增强，得到目标特征聚类结果；调用预置的第一用户特征分析模型对所述目标特征聚类结果进行用户特征识别，得到多个用户特征信息；对所述多个用户特征信息进行拼接，得到初始用户特征，并对所述初始用户特征进行特征集群处理，得到第一用户特征。
可选的，在本发明第二方面的第二种实现方式中，所述处理模块具体用于：从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据；分别对所述多个第二用户数据进行用户属性提取，得到多个用户属性数据；分别将所述多个用户属性数据输入预置的第二用户特征分析模型，其中，所述第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；通过所述三层卷积网络对所述用户属性数据进行卷积特征提取，得到卷积特征数据；通过所述特征编码网络对所述卷积特征数据进行特征编码运算，得到编码特征数据；通过所述特征解码网络对所述编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
可选的，在本发明第二方面的第三种实现方式中，所述生成模块具体用于：计算所述第一用户特征对应的第一特征指标值，计算每个第二用户的第二用户特征所对应的第二特征指标值；根据所述每个第二用户对应的第二特征指标值计算第三特征指标值；根据所述第一特征指标值、所述第二特征指标值以及所述第三特征指标值生成向量编码规则；根据所述向量编码规则对所述第一用户特征和每个第二用户对应的第二用户特征进行向量编码，得到所述第一用户与每个第二用户对应的用户关联向量。
可选的，在本发明第二方面的第四种实现方式中，所述计算模块具体用于：将所述用户关联向量输入预置的用户关系分析模型，其中，所述用户关系分析模型包括：第一双向循环神经网络、第二双向循环神经网络和全连接网络；通过所述第一双向循环神经网络对所述用户关联向量进行向量转换，得到目标关联向量；将所述目标关联向量输入所述第二双向循环神经网络进行向量重构，得到目标重构向量；对所述目标重构向量和所述用户关联向量进行向量融合，得到目标融合向量；将所述目标融合向量输入所述全连接网络进行关联度计算，得到每个第二用户与第一用户对应的关联度。
可选的，在本发明第二方面的第五种实现方式中，所述匹配模块具体用于：根据每个第二用户与第一用户对应的关联度对所述多个第二用户进行用户推荐顺序排序，得到目标推荐序列；根据所述目标推荐序列对所述第一用户匹配策略进行用户匹配策略融合，生成第二用户匹配策略；根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
可选的，在本发明第二方面的第六种实现方式中，所述基于人工智能的用户关系分析系统还包括：判断模块，用于计算所述多个第二用户与所述第一用户的距离数据，得到多个距离数据；计算所述多个距离数据的距离均值，并计算每个距离数据和所述距离均值对应的距离差值；判断所述距离差值是否超过预设倍数值；若是，则从所述多个第二用户中选取一个第二用户与所述第一用户进行推荐匹配；若否，则从所述多个第二用户中选取多个第二用户与所述第一用户进行推荐匹配。
本发明提供的技术方案中，根据第一用户匹配策略对第一用户进行用户推荐匹配并获取第一用户数据；将第一用户数据输入第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取多个第二用户数据，并分别将多个第二用户数据输入第二用户特征分析模型进行用户特征分析，得到第二用户特征；根据第一用户特征和第二用户特征生成用户关联向量；将用户关联向量输入用户关系分析模型进行用户关系分析，得到关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配，本发明通过对第一用户进行特征分析，然后再对多个第二用户进行特征分析，通过两者的特征分析结果进行用户匹配策略改进，使得用户推荐匹配的准确率更高，进而提高了用户关系分析的准确率。
附图说明
图1为本发明实施例中基于人工智能的用户关系分析方法的一个实施例示意图；
图2为本发明实施例中基于人工智能的用户关系分析方法的另一个实施例示意图；
图3为本发明实施例中基于人工智能的用户关系分析系统的一个实施例示意图；
图4为本发明实施例中基于人工智能的用户关系分析系统的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的用户关系分析方法及系统，用于提高用户关系分析的准确率。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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于人工智能的用户关系分析方法的一个实施例包括：
101、根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取第一用户在用户推荐匹配过程中对应的第一用户数据；
可以理解的是，本发明的执行主体可以为基于人工智能的用户关系分析系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，确定获取的第一用户匹配策略对应的第一用户之间的用户匹配关系信息，针对第一用户中的每一个第一用户，基于确定的用户匹配关系信息，在该第一用户以外的其它第一用户中确定出该第一用户对应的待推荐第一用户，将该第一用户的用户推荐请求信息发送给该第一用户对应的待推荐第一用户，并获取第一用户在用户推荐匹配过程中对应的第一用户数据。
102、将第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；
具体的，服务器对用户特征进行提取，服务器通过预置的网络搜索引擎接收到预设终端传递过来的用户历史特征信息后，服务器在历史用户特征基础上，对第一用户特征做出预测分析，进一步的，服务器对用户特征预测分析后，确定对应的第一用户特征。
103、获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；
具体的，服务器将采集的待推荐的多个第二用户和用户信息上传到数据处理终端，服务器通过该数据处理终端中的待推荐的多个第二用户与存储的历史用户数据的进行比较分析，服务器根据比较分析结果确定多个第二用户匹配的历史用户数据，根据历史用户数据的特征信息以及用户信息获得该历史用户数据的历史特征信息以及根据用户信息分类的匹配情况进行用户特征分析，得到每个第二用户对应的第二用户特征，本申请步骤中，历史特征信息统计快速、准确，同时，匹配统计覆盖面广。
104、根据第一用户特征和每个第二用户对应的第二用户特征生成第一用户与每个第二用户对应的用户关联向量；
具体的，分别提取待确定关联性的多个第二用户的关联度向量，利用预先训练的关联度模型将关联度向量进行计算得到关联度，基于关联度对待确定关联性的多个第二用户分别生成预确定关联关系，根据预确定关联关系，对待确定关联性的各组用户，分别利用预测模型对关联度向量进行计算，生成第一用户与每个第二用户对应的用户关联向量，可以提高确定用户的关联性的准确性。
105、将用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；
具体的，获取用户关联向量，根据用户关联向量生成第一用户的用户关系识别数据宽表，根据用户关系识别函数和用户关系识别数据宽表，每个第二用户与第一用户对应的关联度。
106、根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配。
具体的，服务器根据每个第二用户与第一用户对应的关联度对预设用户匹配策略进行实时调整得到实时用户匹配策略，基于实时用户匹配策略对接收到的第一用户的接口请求参数进行分析得到参数分析结果，根据从预置业务系统的功能中匹配的参数分析结果对应的目标功能对第一用户进行策略分配，生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配。
本发明实施例中，根据第一用户匹配策略对第一用户进行用户推荐匹配并获取第一用户数据；将第一用户数据输入第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取多个第二用户数据，并分别将多个第二用户数据输入第二用户特征分析模型进行用户特征分析，得到第二用户特征；根据第一用户特征和第二用户特征生成用户关联向量；将用户关联向量输入用户关系分析模型进行用户关系分析，得到关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配，本发明通过对第一用户进行特征分析，然后再对多个第二用户进行特征分析，通过两者的特征分析结果进行用户匹配策略改进，使得用户推荐匹配的准确率更高，进而提高了用户关系分析的准确率。
请参阅图2，本发明实施例中基于人工智能的用户关系分析方法的另一个实施例包括：
201、根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取第一用户在用户推荐匹配过程中对应的第一用户数据；
202、将第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；
具体的，对第一用户数据进行特征提取，得到特征指标数据集，其中，特征指标数据集包括：点击数据、观看数据、在线时间数据和账号关注数据；对特征指标数据集进行特征聚类，得到第一用户数据对应的初始特征聚类结果；按照预设数据增强规则对初始特征聚类结果进行数据增强，得到目标特征聚类结果；调用预置的第一用户特征分析模型对目标特征聚类结果进行用户特征识别，得到多个用户特征信息；对多个用户特征信息进行拼接，得到初始用户特征，并对初始用户特征进行特征集群处理，得到第一用户特征。
其中，获取第一用户数据与标准指标数据集，分别按不同预设规则对第一用户数据与标准指标数据集进行处理，得到特征指标数据集，将处理后的第一用户数据与标准指标数据集，对特征指标数据集进行特征聚类，得到第一用户数据对应的初始特征聚类结果，其中，提取初始特征聚类结果，计算特征向量的皮尔森相关系数矩阵，利用单因素方差分析和相关特征选择方法从皮尔森相关系数矩阵中提取目标特征，并进行多模态谱聚类，得到第一用户数据对应的初始特征聚类结果，提高了聚类准确性。按照预设数据增强规则对初始特征聚类结果进行数据增强，得到目标特征聚类结果，其中，服务器使用辅助数据对初始特征聚类结果进行预设格式通道叠加，将经过预设格式通道叠加得到的数据，确定为生成的增强数据，得到目标特征聚类结果；调用预置的第一用户特征分析模型对目标特征聚类结果进行用户特征识别，得到多个用户特征信息；对多个用户特征信息进行拼接，得到初始用户特征，并对初始用户特征进行特征集群处理，得到第一用户特征。
203、获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；
具体的，从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据；分别对多个第二用户数据进行用户属性提取，得到多个用户属性数据；分别将多个用户属性数据输入预置的第二用户特征分析模型，其中，第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；通过三层卷积网络对用户属性数据进行卷积特征提取，得到卷积特征数据；通过特征编码网络对卷积特征数据进行特征编码运算，得到编码特征数据；通过特征解码网络对编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
其中，服务器从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据，
服务器采集作为提取对象的第二用户数据和该第二用户数据设为获得目标的用户特征作为目标类型，根据目标类型计算提取对象的数据的项目和值的范围，根据用户数据和第二用户数据数据计算与项目对应的提取对象数据，根据提取对象数据和第二用户数据数据，得到多个用户属性数据，分别将多个用户属性数据输入预置的第二用户特征分析模型，其中，第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；通过三层卷积网络对用户属性数据进行卷积特征提取，得到卷积特征数据；通过特征编码网络对卷积特征数据进行特征编码运算，得到编码特征数据；通过特征解码网络对编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
其中，在通过三层卷积网络对用户属性数据进行卷积特征提取时，服务器获取用户属性数据；对用户属性数据进行综合预处理，并在三层卷积神经网络一次自编码器中进行基于卷积神经网络的特征提取，得到卷积特征数据。
204、计算第一用户特征对应的第一特征指标值，计算每个第二用户的第二用户特征所对应的第二特征指标值；
205、根据每个第二用户对应的第二特征指标值计算第三特征指标值；
206、根据第一特征指标值、第二特征指标值以及第三特征指标值生成向量编码规则；
207、根据向量编码规则对第一用户特征和每个第二用户对应的第二用户特征进行向量编码，得到第一用户与每个第二用户对应的用户关联向量；
具体的，服务器计算第一用户特征对应的第一特征指标值，计算每个第二用户的第二用户特征所对应的第二特征指标值，进而根据当前第二特征指标值获取至少一个向量编码标识，确定至少一个编码特征，每个编码特征包括多个向量编码标识，根据编码特征中包含的多个向量编码标识确定编码策略；并针对每个编码策略进行编码策略配置，根据第一特征指标值、第二特征指标值以及第三特征指标值生成向量编码规则，最终服务器、根据向量编码规则对第一用户特征和每个第二用户对应的第二用户特征进行向量编码，得到第一用户与每个第二用户对应的用户关联向量。
208、将用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；
具体的，将用户关联向量输入预置的用户关系分析模型，其中，用户关系分析模型包括：第一双向循环神经网络、第二双向循环神经网络和全连接网络；通过第一双向循环神经网络对用户关联向量进行向量转换，得到目标关联向量；将目标关联向量输入第二双向循环神经网络进行向量重构，得到目标重构向量；对目标重构向量和用户关联向量进行向量融合，得到目标融合向量；将目标融合向量输入全连接网络进行关联度计算，得到每个第二用户与第一用户对应的关联度。
其中，服务器将用户关联向量输入预置的用户关系分析模型，进一步的，服务器通过第一双向循环神经网络对用户关联向量进行向量转换，得到目标关联向量，具体的，服务器接收用户关联向量被乘数和用户关联向量乘数；将用户关联向量被乘数和用户关联向量乘数转换成第二较低的基础系统，以形成经转换的用户关联向量被乘数和经转换的用户关联向量乘数；通过流水线的第一执行单元将经转换的用户关联向量被乘数与经转换的用户关联向量乘数进行相乘以形成乘法结果，得到目标关联向量；将目标关联向量输入第二双向循环神经网络进行向量重构，得到目标重构向量；对目标重构向量和用户关联向量进行向量融合，得到目标融合向量；将目标融合向量输入全连接网络进行关联度计算，得到每个第二用户与第一用户对应的关联度。
209、根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配。
具体的，根据每个第二用户与第一用户对应的关联度对多个第二用户进行用户推荐顺序排序，得到目标推荐序列；根据目标推荐序列对第一用户匹配策略进行用户匹配策略融合，生成第二用户匹配策略；根据第二用户匹配策略对第一用户进行用户推荐匹配。
其中，获取每个第二用户与第一用户对应的关联度服务器解析每个第二用户与第一用户对应的关联度，确定目标用户的行为序列，行为序列至少包括目标用户执行设定行为的对象对应的对象序列，对象序列中的对象按照目标用户执行设定行为的时间顺序排列，服务器确定待推荐的目标对象与行为序列相应的行为特征，行为特征至少表示目标对象与行为序列的匹配程度，服务器根据行为特征，确定目标对象针对目标用户的推荐排序值，得到目标推荐序列；根据目标推荐序列对第一用户匹配策略进行用户匹配策略融合，生成第二用户匹配策略；根据第二用户匹配策略对第一用户进行用户推荐匹配。
可选的，计算多个第二用户与第一用户的距离数据，得到多个距离数据；计算多个距离数据的距离均值，并计算每个距离数据和距离均值对应的距离差值；判断距离差值是否超过预设倍数值；若是，则从多个第二用户中选取一个第二用户与第一用户进行推荐匹配；若否，则从多个第二用户中选取多个第二用户与第一用户进行推荐匹配。
其中，服务器计算多个第二用户与第一用户的距离数据，得到多个距离数据，并根据用户位置信息表达方式，计算多个距离数据之间的相对位置，并计算每个距离数据和距离均值对应的距离差值；判断距离差值是否超过预设倍数值，若是，则从多个第二用户中选取一个第二用户与第一用户进行推荐匹配，若否，则从多个第二用户中选取多个第二用户与第一用户进行推荐匹配。
本发明实施例中，根据第一用户匹配策略对第一用户进行用户推荐匹配并获取第一用户数据；将第一用户数据输入第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取多个第二用户数据，并分别将多个第二用户数据输入第二用户特征分析模型进行用户特征分析，得到第二用户特征；根据第一用户特征和第二用户特征生成用户关联向量；将用户关联向量输入用户关系分析模型进行用户关系分析，得到关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配，本发明通过对第一用户进行特征分析，然后再对多个第二用户进行特征分析，通过两者的特征分析结果进行用户匹配策略改进，使得用户推荐匹配的准确率更高，进而提高了用户关系分析的准确率。
上面对本发明实施例中基于人工智能的用户关系分析方法进行了描述，下面对本发明实施例中基于人工智能的用户关系分析系统进行描述，请参阅图3，本发明实施例中基于人工智能的用户关系分析系统一个实施例包括：
获取模块301，用于根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取所述第一用户在用户推荐匹配过程中对应的第一用户数据；
分析模块302，用于将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；
处理模块303，用于获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；
生成模块304，用于根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量；
计算模块305，用于将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；
匹配模块306，用于根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
本发明实施例中，根据第一用户匹配策略对第一用户进行用户推荐匹配并获取第一用户数据；将第一用户数据输入第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取多个第二用户数据，并分别将多个第二用户数据输入第二用户特征分析模型进行用户特征分析，得到第二用户特征；根据第一用户特征和第二用户特征生成用户关联向量；将用户关联向量输入用户关系分析模型进行用户关系分析，得到关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配，本发明通过对第一用户进行特征分析，然后再对多个第二用户进行特征分析，通过两者的特征分析结果进行用户匹配策略改进，使得用户推荐匹配的准确率更高，进而提高了用户关系分析的准确率。
请参阅图4，本发明实施例中基于人工智能的用户关系分析系统另一个实施例包括：
获取模块301，用于根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取所述第一用户在用户推荐匹配过程中对应的第一用户数据；
分析模块302，用于将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；
处理模块303，用于获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；
生成模块304，用于根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量；
计算模块305，用于将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；
匹配模块306，用于根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
可选的，所述分析模块302具体用于：对所述第一用户数据进行特征提取，得到特征指标数据集，其中，所述特征指标数据集包括：点击数据、观看数据、在线时间数据和账号关注数据；对所述特征指标数据集进行特征聚类，得到所述第一用户数据对应的初始特征聚类结果；按照预设数据增强规则对所述初始特征聚类结果进行数据增强，得到目标特征聚类结果；调用预置的第一用户特征分析模型对所述目标特征聚类结果进行用户特征识别，得到多个用户特征信息；对所述多个用户特征信息进行拼接，得到初始用户特征，并对所述初始用户特征进行特征集群处理，得到第一用户特征。
可选的，所述处理模块303具体用于：从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据；分别对所述多个第二用户数据进行用户属性提取，得到多个用户属性数据；分别将所述多个用户属性数据输入预置的第二用户特征分析模型，其中，所述第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；通过所述三层卷积网络对所述用户属性数据进行卷积特征提取，得到卷积特征数据；通过所述特征编码网络对所述卷积特征数据进行特征编码运算，得到编码特征数据；通过所述特征解码网络对所述编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
可选的，所述生成模块304具体用于：计算所述第一用户特征对应的第一特征指标值，计算每个第二用户的第二用户特征所对应的第二特征指标值；根据所述每个第二用户对应的第二特征指标值计算第三特征指标值；根据所述第一特征指标值、所述第二特征指标值以及所述第三特征指标值生成向量编码规则；根据所述向量编码规则对所述第一用户特征和每个第二用户对应的第二用户特征进行向量编码，得到所述第一用户与每个第二用户对应的用户关联向量。
可选的，所述计算模块305具体用于：将所述用户关联向量输入预置的用户关系分析模型，其中，所述用户关系分析模型包括：第一双向循环神经网络、第二双向循环神经网络和全连接网络；通过所述第一双向循环神经网络对所述用户关联向量进行向量转换，得到目标关联向量；将所述目标关联向量输入所述第二双向循环神经网络进行向量重构，得到目标重构向量；对所述目标重构向量和所述用户关联向量进行向量融合，得到目标融合向量；将所述目标融合向量输入所述全连接网络进行关联度计算，得到每个第二用户与第一用户对应的关联度。
可选的，所述匹配模块306具体用于：根据每个第二用户与第一用户对应的关联度对所述多个第二用户进行用户推荐顺序排序，得到目标推荐序列；根据所述目标推荐序列对所述第一用户匹配策略进行用户匹配策略融合，生成第二用户匹配策略；根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
可选的，所述基于人工智能的用户关系分析系统还包括：
判断模块307，用于计算所述多个第二用户与所述第一用户的距离数据，得到多个距离数据；计算所述多个距离数据的距离均值，并计算每个距离数据和所述距离均值对应的距离差值；判断所述距离差值是否超过预设倍数值；若是，则从所述多个第二用户中选取一个第二用户与所述第一用户进行推荐匹配；若否，则从所述多个第二用户中选取多个第二用户与所述第一用户进行推荐匹配。
本发明实施例中，根据第一用户匹配策略对第一用户进行用户推荐匹配并获取第一用户数据；将第一用户数据输入第一用户特征分析模型进行用户特征分析，得到第一用户特征；获取多个第二用户数据，并分别将多个第二用户数据输入第二用户特征分析模型进行用户特征分析，得到第二用户特征；根据第一用户特征和第二用户特征生成用户关联向量；将用户关联向量输入用户关系分析模型进行用户关系分析，得到关联度；根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据第二用户匹配策略对第一用户进行用户推荐匹配，本发明通过对第一用户进行特征分析，然后再对多个第二用户进行特征分析，通过两者的特征分析结果进行用户匹配策略改进，使得用户推荐匹配的准确率更高，进而提高了用户关系分析的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于人工智能的用户关系分析系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于人工智能的用户关系分析设备进行详细描述。
本发明实施例还提供的一种基于人工智能的用户关系分析设备，该基于人工智能的用户关系分析设备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(centralprocessingunits，CPU)(例如，一个或一个以上处理器)和存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于人工智能的用户关系分析设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在基于人工智能的用户关系分析设备上执行存储介质中的一系列指令操作。
基于人工智能的用户关系分析设备还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如WindowsServe，MacOSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，基于人工智能的用户关系分析设备结构并不构成对基于人工智能的用户关系分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于人工智能的用户关系分析设备，所述基于人工智能的用户关系分析设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于人工智能的用户关系分析方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于人工智能的用户关系分析方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以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，本发明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全部或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)执行本发明各个实施例所述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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的用户关系分析方法，其特征在于，所述基于人工智能的用户关系分析方法包括：
根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取所述第一用户在用户推荐匹配过程中对应的第一用户数据；
将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；
获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；
根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量；
将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；
根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
2.根据权利要求1所述的基于人工智能的用户关系分析方法，其特征在于，所述将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征，包括：
对所述第一用户数据进行特征提取，得到特征指标数据集，其中，所述特征指标数据集包括：点击数据、观看数据、在线时间数据和账号关注数据；
对所述特征指标数据集进行特征聚类，得到所述第一用户数据对应的初始特征聚类结果；
按照预设数据增强规则对所述初始特征聚类结果进行数据增强，得到目标特征聚类结果；
调用预置的第一用户特征分析模型对所述目标特征聚类结果进行用户特征识别，得到多个用户特征信息；
对所述多个用户特征信息进行拼接，得到初始用户特征，并对所述初始用户特征进行特征集群处理，得到第一用户特征。
3.根据权利要求1所述的基于人工智能的用户关系分析方法，其特征在于，所述获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征，包括：
从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据；
分别对所述多个第二用户数据进行用户属性提取，得到多个用户属性数据；
分别将所述多个用户属性数据输入预置的第二用户特征分析模型，其中，所述第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；
通过所述三层卷积网络对所述用户属性数据进行卷积特征提取，得到卷积特征数据；
通过所述特征编码网络对所述卷积特征数据进行特征编码运算，得到编码特征数据；
通过所述特征解码网络对所述编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
4.根据权利要求1所述的基于人工智能的用户关系分析方法，其特征在于，所述根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量，包括：
计算所述第一用户特征对应的第一特征指标值，计算每个第二用户的第二用户特征所对应的第二特征指标值；
根据所述每个第二用户对应的第二特征指标值计算第三特征指标值；
根据所述第一特征指标值、所述第二特征指标值以及所述第三特征指标值生成向量编码规则；
根据所述向量编码规则对所述第一用户特征和每个第二用户对应的第二用户特征进行向量编码，得到所述第一用户与每个第二用户对应的用户关联向量。
5.根据权利要求1所述的基于人工智能的用户关系分析方法，其特征在于，所述将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度，包括：
将所述用户关联向量输入预置的用户关系分析模型，其中，所述用户关系分析模型包括：第一双向循环神经网络、第二双向循环神经网络和全连接网络；
通过所述第一双向循环神经网络对所述用户关联向量进行向量转换，得到目标关联向量；
将所述目标关联向量输入所述第二双向循环神经网络进行向量重构，得到目标重构向量；
对所述目标重构向量和所述用户关联向量进行向量融合，得到目标融合向量；
将所述目标融合向量输入所述全连接网络进行关联度计算，得到每个第二用户与第一用户对应的关联度。
6.根据权利要求1所述的基于人工智能的用户关系分析方法，其特征在于，所述根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配，包括：
根据每个第二用户与第一用户对应的关联度对所述多个第二用户进行用户推荐顺序排序，得到目标推荐序列；
根据所述目标推荐序列对所述第一用户匹配策略进行用户匹配策略融合，生成第二用户匹配策略；
根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
7.根据权利要求1所述的基于人工智能的用户关系分析方法，其特征在于，所述基于人工智能的用户关系分析方法还包括：
计算所述多个第二用户与所述第一用户的距离数据，得到多个距离数据；
计算所述多个距离数据的距离均值，并计算每个距离数据和所述距离均值对应的距离差值；
判断所述距离差值是否超过预设倍数值；
若是，则从所述多个第二用户中选取一个第二用户与所述第一用户进行推荐匹配；
若否，则从所述多个第二用户中选取多个第二用户与所述第一用户进行推荐匹配。
8.一种基于人工智能的用户关系分析系统，其特征在于，所述基于人工智能的用户关系分析系统包括：
获取模块，用于根据预置的第一用户匹配策略对第一用户进行用户推荐匹配，并获取所述第一用户在用户推荐匹配过程中对应的第一用户数据；
分析模块，用于将所述第一用户数据输入预置的第一用户特征分析模型进行用户特征分析，得到第一用户特征；
处理模块，用于获取待推荐的多个第二用户所对应的多个第二用户数据，并分别将所述多个第二用户数据输入预置的第二用户特征分析模型进行用户特征分析，得到每个第二用户对应的第二用户特征；
生成模块，用于根据所述第一用户特征和每个第二用户对应的第二用户特征生成所述第一用户与每个第二用户对应的用户关联向量；
计算模块，用于将所述用户关联向量输入预置的用户关系分析模型进行用户关系分析，得到每个第二用户与第一用户对应的关联度；
匹配模块，用于根据每个第二用户与第一用户对应的关联度生成第二用户匹配策略，并根据所述第二用户匹配策略对所述第一用户进行用户推荐匹配。
9.根据权利要求8所述的基于人工智能的用户关系分析系统，其特征在于，所述分析模块具体用于：
对所述第一用户数据进行特征提取，得到特征指标数据集，其中，所述特征指标数据集包括：点击数据、观看数据、在线时间数据和账号关注数据；
对所述特征指标数据集进行特征聚类，得到所述第一用户数据对应的初始特征聚类结果；
按照预设数据增强规则对所述初始特征聚类结果进行数据增强，得到目标特征聚类结果；
调用预置的第一用户特征分析模型对所述目标特征聚类结果进行用户特征识别，得到多个用户特征信息；
对所述多个用户特征信息进行拼接，得到初始用户特征，并对所述初始用户特征进行特征集群处理，得到第一用户特征。
10.根据权利要求8所述的基于人工智能的用户关系分析系统，其特征在于，所述处理模块具体用于：
从预置的用户数据库中查询待推荐的多个第二用户所对应的多个第二用户数据；
分别对所述多个第二用户数据进行用户属性提取，得到多个用户属性数据；
分别将所述多个用户属性数据输入预置的第二用户特征分析模型，其中，所述第二用户特征分析模型包括：三层卷积网络、特征编码网络和特征解码网络；
通过所述三层卷积网络对所述用户属性数据进行卷积特征提取，得到卷积特征数据；
通过所述特征编码网络对所述卷积特征数据进行特征编码运算，得到编码特征数据；
通过所述特征解码网络对所述编码特征数据进行特征解码处理，得到每个第二用户对应的第二用户特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686306.8A CN116450925B (zh) | 2022-12-27 | 2022-12-27 | 基于人工智能的用户关系分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686306.8A CN116450925B (zh) | 2022-12-27 | 2022-12-27 | 基于人工智能的用户关系分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116450925A true CN116450925A (zh) | 2023-07-18 |
| CN116450925B CN116450925B (zh) | 2023-12-15 |
Family
ID=87134450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211686306.8A Active CN116450925B (zh) | 2022-12-27 | 2022-12-27 | 基于人工智能的用户关系分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116450925B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040083232A1 (en) * | 2002-10-25 | 2004-04-29 | Christopher Ronnewinkel | Association learning for automated recommendations |
| CN102831202A (zh) * | 2012-08-08 | 2012-12-19 | 中兴通讯股份有限公司 | 一种向社交网站用户推送推荐好友的方法和系统 |
| US20140244742A1 (en) * | 2013-02-26 | 2014-08-28 | PortAura Group | Method and system for providing recommendations using location information |
| CN105608179A (zh) * | 2015-12-22 | 2016-05-25 | 百度在线网络技术（北京）有限公司 | 确定用户标识的关联性的方法和装置 |
| US20160307101A1 (en) * | 2013-12-13 | 2016-10-20 | Tencent Technology (Shenzhen) Company Limited | Method, device, and server for friend recommendation |
| CN106886559A (zh) * | 2016-12-28 | 2017-06-23 | 浙江浙大网新集团有限公司 | 同时融入好友特征和相似用户特征的协同过滤方法 |
| CN108055646A (zh) * | 2017-05-19 | 2018-05-18 | 上海掌门科技有限公司 | 一种用于推荐用户的方法与设备 |
| CN111767466A (zh) * | 2020-09-01 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 基于人工智能的推荐信息推荐方法、装置及电子设备 |
| US20210065218A1 (en) * | 2019-01-14 | 2021-03-04 | Boe Technology Group Co., Ltd. | Information recommendation method and device, and storage medium |
| CN112861009A (zh) * | 2021-03-01 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 基于人工智能的媒体账号推荐方法、装置及电子设备 |
| CN113961813A (zh) * | 2021-10-29 | 2022-01-21 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
| WO2022095893A1 (zh) * | 2020-11-09 | 2022-05-12 | 北京京东拓先科技有限公司 | 生成推荐信息的方法、装置 |
| WO2022105129A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
| CN114780852A (zh) * | 2022-04-29 | 2022-07-22 | 西北大学 | 一种基于双向编码和状态复用的序列推荐算法 |
| CN114817683A (zh) * | 2022-05-27 | 2022-07-29 | 未鲲(上海)科技服务有限公司 | 一种信息推荐方法、装置、计算机设备及存储介质 |
| CN115330357A (zh) * | 2022-10-09 | 2022-11-11 | 深圳市奇见科技有限公司 | 智能立体车库数据管理方法、装置、设备及存储介质 |
-
2022
- 2022-12-27 CN CN202211686306.8A patent/CN116450925B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040083232A1 (en) * | 2002-10-25 | 2004-04-29 | Christopher Ronnewinkel | Association learning for automated recommendations |
| CN102831202A (zh) * | 2012-08-08 | 2012-12-19 | 中兴通讯股份有限公司 | 一种向社交网站用户推送推荐好友的方法和系统 |
| US20150215421A1 (en) * | 2012-08-08 | 2015-07-30 | ZTE CORPORATION a corporation | Method and system for pushing recommended friend to user of social network |
| US20140244742A1 (en) * | 2013-02-26 | 2014-08-28 | PortAura Group | Method and system for providing recommendations using location information |
| US20160307101A1 (en) * | 2013-12-13 | 2016-10-20 | Tencent Technology (Shenzhen) Company Limited | Method, device, and server for friend recommendation |
| CN105608179A (zh) * | 2015-12-22 | 2016-05-25 | 百度在线网络技术（北京）有限公司 | 确定用户标识的关联性的方法和装置 |
| CN106886559A (zh) * | 2016-12-28 | 2017-06-23 | 浙江浙大网新集团有限公司 | 同时融入好友特征和相似用户特征的协同过滤方法 |
| CN108055646A (zh) * | 2017-05-19 | 2018-05-18 | 上海掌门科技有限公司 | 一种用于推荐用户的方法与设备 |
| US20210065218A1 (en) * | 2019-01-14 | 2021-03-04 | Boe Technology Group Co., Ltd. | Information recommendation method and device, and storage medium |
| CN111767466A (zh) * | 2020-09-01 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 基于人工智能的推荐信息推荐方法、装置及电子设备 |
| WO2022095893A1 (zh) * | 2020-11-09 | 2022-05-12 | 北京京东拓先科技有限公司 | 生成推荐信息的方法、装置 |
| WO2022105129A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
| CN112861009A (zh) * | 2021-03-01 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 基于人工智能的媒体账号推荐方法、装置及电子设备 |
| CN113961813A (zh) * | 2021-10-29 | 2022-01-21 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
| CN114780852A (zh) * | 2022-04-29 | 2022-07-22 | 西北大学 | 一种基于双向编码和状态复用的序列推荐算法 |
| CN114817683A (zh) * | 2022-05-27 | 2022-07-29 | 未鲲(上海)科技服务有限公司 | 一种信息推荐方法、装置、计算机设备及存储介质 |
| CN115330357A (zh) * | 2022-10-09 | 2022-11-11 | 深圳市奇见科技有限公司 | 智能立体车库数据管理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 吴勘;: "角色模型的粗集-模糊聚类分析方法", 计算机工程与应用, no. 11, pages 31 - 34 * |
| 顾启航: "跨社交网络用户匹配方法的设计与实现", 中国优秀硕士学位论文全文数据库信息科技辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116450925B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106484777B (zh) | 一种多媒体数据处理方法以及装置 | |
| CN109800307B (zh) | 产品评价的分析方法、装置、计算机设备及存储介质 | |
| CN110401545B (zh) | 聊天群组创建方法、装置、计算机设备和存储介质 | |
| CN112035599B (zh) | 基于垂直搜索的查询方法、装置、计算机设备及存储介质 | |
| CN111970400B (zh) | 骚扰电话识别方法及装置 | |
| CN116719520B (zh) | 代码生成方法及装置 | |
| CN113064980A (zh) | 一种智能问答方法、装置、计算机设备及存储介质 | |
| CN113516340A (zh) | 一种智能工单的推送方法和装置 | |
| CN112989829B (zh) | 一种命名实体识别方法、装置、设备及存储介质 | |
| CN117349406A (zh) | 基于大数据的专利信息检索系统及方法 | |
| CN111782782B (zh) | 智能客服的咨询回复方法、装置、计算机设备和存储介质 | |
| CN116450925B (zh) | 基于人工智能的用户关系分析方法及系统 | |
| CN117574915A (zh) | 基于多方数据源的公共数据平台及其数据分析方法 | |
| CN115294682B (zh) | 智能门锁的数据管理方法、装置、设备及存储介质 | |
| CN114936326A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
| CN116303963A (zh) | 智慧ai平台的用户反馈分析方法及系统 | |
| CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
| CN114566295A (zh) | 线上问诊方法、装置、设备及存储介质 | |
| CN114663194A (zh) | 产品信息推荐方法、装置、计算机设备及存储介质 | |
| Guillermo et al. | Content-based Fashion Recommender System Using Unsupervised Learning | |
| Cupek et al. | Improving KPI based performance analysis in discrete, multi-variant production | |
| CN112149424A (zh) | 语义匹配方法、装置、计算机设备和存储介质 | |
| CN111090723A (zh) | 一种基于知识图谱的电网安全生产内容推荐方法 | |
| CN115827821B (zh) | 一种基于资讯信息的判断策略生成方法及系统 | |
| CN116702059B (zh) | 一种基于物联网的智能生产车间管理系统 |
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 |