CN116541731A - 网络行为数据的处理方法、装置和设备 - Google Patents
网络行为数据的处理方法、装置和设备 Download PDFInfo
- Publication number
- CN116541731A CN116541731A CN202310612047.2A CN202310612047A CN116541731A CN 116541731 A CN116541731 A CN 116541731A CN 202310612047 A CN202310612047 A CN 202310612047A CN 116541731 A CN116541731 A CN 116541731A
- Authority
- CN
- China
- Prior art keywords
- cluster
- behavior
- sub
- determining
- user
- 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
- 238000003672 processing method Methods 0.000 title description 11
- 230000006399 behavior Effects 0.000 claims abstract description 376
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000002776 aggregation Effects 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005065 mining Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种网络行为数据的处理方法、装置和设备,本公开涉及人工智能领域,具体涉及自然语言处理、深度学习技术等,可应用在智慧政务场景下。具体实现方案为:获取具有目标意图的多个用户标识各自对应的网络行为序列;针对每个用户标识,对用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇;对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;从多个聚类集合中确定出与目标意图有关的目标聚类集合。由此,提出了一种通过对具有目标意图的多个用户标识各自对应的网络行为序列进行挖掘,以得到与目标意图有关的行为数据的方式,准确确定出了与意图有关的行为级别上的数据。
Description
技术领域
本公开涉及人工智能领域,具体涉及自然语言处理、深度学习技术等,可应用在智慧政务场景下,尤其涉及网络行为数据的处理方法、装置和设备。
背景技术
目前,在海量的网络行为数据,如何快速挖掘出与目标意图(例如写作意图)相关的行为数据,对于后续基于挖掘出的与目标意图相关的行为数据,来确定待评估用户是否具有该目标意图是十分重要的。
发明内容
本公开提供了一种用于网络行为数据的处理方法、装置和设备。
根据本公开的一方面,提供了一种网络行为数据的处理方法,包括:获取具有目标意图的多个用户标识各自对应的网络行为序列;针对每个用户标识,对所述用户标识对应的网络行为序列进行聚类处理,以得到所述用户标识对应的行为簇;对所有所述用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;从所述多个聚类集合中确定出与所述目标意图有关的目标聚类集合。
根据本公开的另一方面,提供了一种网络行为数据的处理装置,包括:获取模块,用于获取具有目标意图的多个用户标识各自对应的网络行为序列;第一聚类模块,用于针对每个用户标识,对所述用户标识对应的网络行为序列进行聚类处理,以得到所述用户标识对应的行为簇;第二聚类模块,用于对所有所述用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;确定模块,用于从所述多个聚类集合中确定出与所述目标意图有关的目标聚类集合。
根据本公开的另一方面,提供了一种电子设备,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指令,所述指令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公开的网络行为数据的处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开实施例公开的网络行为数据的处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本公开的网络行为数据的处理方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是用来实现本公开实施例的网络行为数据的处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的网络行为数据的处理方法、装置和设备。
图1是根据本公开第一实施例的示意图。
如图1所示,该网络行为数据的处理方法可以包括:
步骤101,获取具有目标意图的多个用户标识各自对应的网络行为序列。
其中,需要说明的是,上述网络行为数据的处理方法的执行主体为网络行为数据的处理装置,该网络行为数据的处理装置可以由软件和/或硬件的方式实现,该实施例中的网络行为数据的处理装置可以为电子设备,或者,可以配置在电子设备中。
其中,本示例实施例中电子设备可以包括但不限于终端设备和服务器等设备,该实施例对电子设备不作限定。
其中,本示例中的目标意图可以为任意的一种意图,例如,目标意图可以为长尾意图,其中,长尾意图是指一种分布没有那么广泛的意图。
在一些示例中,可获取具有该目标意图的多个用户标识,并获取每个用户标识对应的网络行为序列。
其中,网络行为序列中的一种可能获得方式可以为:针对每个用户标识,获取该用户标识在指定时间之前的预设时间段内的多个网络行为数据,并按照各个网络行为数据的发生时间点的时间先后顺序,对多个网络行为数据进行排序,以得到该用户标识所对应的网络行为序列。
其中,上述指定时间是根据实际应用需求而设置的任意一个时间点,例如,指定时间可以为当前时间点,或者,指定时间可以为2022年12月21日0点等,该实施例对此不作具体限定。
其中,预设时间段是预先设置的一个时间段,例如,预设时间段可以为一个月、7天、3个月、半年等,在实际应用中,可根据实际应用需求来设置该预设时间段的取值,该实施例对此不作具体限定。
步骤102,针对每个用户标识,对用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇。
在一些示例性的实施方式中,针对每个用户标识,可基于预设的聚类算法,对该用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇。
在一些示例性的实施方式中,针对每个用户标识,可确定该用户标识对应的网络行为序列中各个网络行为数据之间的相似度,并基于相似度,对该用户标识的网络行为序列中网络行为数据进行聚类处理,以得到用户标识对应的行为簇。
其中,网络行为数据是指对应用户标识所对应的用户在网络中所产生的行为数据。
步骤103,对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合。
在一些示例中,在确定每个用户标识对应的行为簇后,可对所有用户标识对应的行为簇进行聚类处理,以将相似的行为簇聚合到一个聚类集合中。
其中,需要说明的是,本示例中聚类集合中包括多个行为簇,并且,聚类集合中各个行为簇之间的相似度大于预设相似度阈值。
其中,预设相似度阈值是根据实际需求而设置的相似度的临界值。
步骤104,从多个聚类集合中确定出与目标意图有关的目标聚类集合。
其中,目标聚类集合是从多个聚类集合中所确定出的满足预设条件的聚类集合。
其中,预设条件可以为用户关注度大于预设关注度阈值,或者,用户关注较高的前M位,其中,M为大于或者等于1的整数。
其中,可以理解的是,目标聚类集合中包括与目标意图有关的多个网络行为数据。
本公开实施例提供的网络行为数据的处理方法,获取具有目标意图的多个用户标识各自对应的网络行为序列;针对每个用户标识,对用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇;对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;从多个聚类集合中确定出与目标意图有关的目标聚类集合。由此,提出了一种通过对具有目标意图的多个用户标识各自对应的网络行为序列进行挖掘,以得到与目标意图有关的行为数据的方式,准确确定出了与意图有关的行为级别上的数据。
在一些示例性的实施方式中,在网络行为序列包括按照时间顺序排列的N个网络行为文本数据的情况下,为了可以清楚理解是如何对用户标识对应的网络行为序列中的网络行为数据进行聚类处理,以得到用户标识对应的行为簇的过程,下面结合图2对该过程进行示例性描述。
图2是根据本公开第二实施例的示意图。
如图2所示,该网络行为数据的处理方法可以包括:
步骤201,获取具有目标意图的多个用户标识各自对应的网络行为序列。
其中,需要说明的是,关于步骤201的具体实现方式,可参见本公开实施例的相关描述,此处不再赘述。
步骤202,针对每个用户标识,根据用户标识所对应的网络行为序列,生成用户标识所对应的行为子簇序列,其中,行为子簇序列中的每个行为子簇包含一个网络行为文本数据。
其中,网络行为文本数据是指对应用户标识所对应的用户在网络行为过程中所产生的各种文本数据,例如,网络行为文本数据可以包括但不限于对应用户标识所对应的用户的搜索内容、评论内容、聊天内容、论坛内容等。其中,可以理解的是,可从网络行为数据中提取出网络行为文本数据,即,网络行为数据中包括网络行为文本数据。
步骤203,将行为子簇序列中第i个行为子簇作为中间行为子簇,其中,i的初始值为1。
步骤204,确定中间行为子簇与行为子簇序列中第i+1个行为子簇之间的相似度。
其中,本示例中的相似度可以包括但不限于词频统计相似度,词法相似度,句法相似度以及语义相似度等。
在一些示例中,可确定中间行为子簇所对应的语义表示向量和行为子簇序列中第i+1个行为子簇的语义表示向量,并根据中间行为子簇所对应的语义表示向量和行为子簇序列中第i+1个行为子簇的语义表示向量,来确定中间行为子簇和行为子簇序列中第i+1个行为子簇之间的语义相似度。
步骤205,在相似度大于或者等于预设相似度阈值的情况下,将第i+1个行为子簇添加到中间行为子簇中。
步骤206,在相似度小于预设相似度阈值,并且中间行为子簇中行为子簇的数量大于1的情况下,将中间行为子簇作为行为簇。
步骤207,在相似度小于预设相似度阈值,并且中间行为子簇中行为子簇的数量等于1的情况下,将第i+1个行为子簇作为中间行为子簇。
步骤208,在i小于N-1的情况下,对i进行加1处理,并跳转至步骤204。
步骤209,在i等于N-1的情况下,将当前所得到的中间行为子簇作为行为簇。
例如,对于用户标识A,其所对应的网络行为序列为{q_A1,q_A2,q_A3,...,q_An},其中,q_Aj表示用户标识A的用户在第A个时间点上所对应的网络行为文本数据,其中,j的取值为1至n的整数。对应地,可将网络行为序列中每个网络行为文本数据作为一个簇,以形成该用户标识A所对应的行为子簇序列,行为子簇序列表示为{Q_A1,Q_A2,Q_A3,...,Q_An},其中,Q_Aj表示行为子簇序列中第j个行为子簇。对行为子簇序列进行聚类的一种可能方式为:
步骤1、将行为子簇序列中第i个行为子簇作为中间行为子簇,其中,i的初始值为1。
步骤2、确定中间行为子簇与行为子簇序列中第i+1个行为子簇之间的相似度。
具体地,在确中间行为子簇与行为子簇序列中第i+1个行为子簇之间的相似度时,在确定中间行为子簇中仅包括一个网络行为文本数据的情况下,可直接计算该中间行为子簇和第i+1个行为子簇之间的相似度。
在确定中间行为子簇中包括多个网络行为文本数据的情况下,可将中间行为子簇中的多个网络行为文本数据进行拼接处理,以得到拼接文本数据,并根据拼接文本数据和第i+1个行为子簇来确定中间行为子簇和第i+1个行为子簇之间的相似度。
另外,在确定中间行为子簇中包括多个网络行为文本数据的情况下,可确定中间行为子簇中多个网络行为文本数据各自对应的文本表示向量,并将多个网络行为文本数据各自对应的文本表示向量进行聚合处理,并将聚合所得到的聚合表示向量作为中间行为子簇的表示向量,并基于中间行为子簇的表示向量和第i+1个行为子簇的表示向量,来确定中间行为子簇和第i+1个行为子簇之间的相似度。
步骤3、根据该相似度确定是否将第i+1个行为子簇添加到中间行为子簇中。
具体地,在该相似度大于或者等于预设相似度阈值的情况下,可将第i+1个行为子簇添加到中间行为子簇中,并在i小于N-1的情况下,对i进行加1处理,并重复步骤2和步骤3继续对后一个行为子簇处理,直至计算到行为子簇序列中最后一个行为子簇。
在该相似度小于预设相似度阈值,并且中间行为子簇中行为子簇的数量大于1的情况下,将中间行为子簇作为行为簇,然后,在i小于N-1的情况下,对i进行加1处理,并重复步骤2和步骤3继续对后一个行为子簇处理,直至计算到行为子簇序列中最后一个行为子簇。
在该相似度小于预设相似度阈值,并且中间行为子簇中行为子簇的数量等于1的情况下,将第i+1个行为子簇作为中间行为子簇,并在i小于N-1的情况下,对i进行加1处理,并重复步骤2和步骤3继续对后一个行为子簇处理,直至计算到行为子簇序列中最后一个行为子簇。
步骤210,对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合。
在一些示例中,对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合的一种可能实现方式为:对所有用户标识对应的行为簇进行聚合处理,以得到聚合处理结果,并基于预设的聚类算法,对聚合处理结果中的行为簇进行聚类处理,以得到多个聚类集合。
其中,预设的聚类算法可以包括但不限于k-means、带噪声的密度的空间聚类DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等。
在一些示例中,在对所有用户标识对应的行为簇进行聚合处理,以得到聚合处理结果,可确定聚合处理结果中各个行为簇之间的相似度,并根据聚合处理结果中各个行为簇之间的相似度,对聚合处理结果中的行为簇进行聚类,以得到多个聚类集合。由此,将比较相近的行为簇聚类到一个聚类集合中。
步骤211,从多个聚类集合中确定出与目标意图有关的目标聚类集合。
在本示例中,从多个聚类集合中确定出与目标意图有关的目标聚类集合的一种可能实现方式为:确定多个聚类集合各自对应的用户关注度;按照用户关注度从高到低的顺序,对多个聚类集合进行排序处理,以得到排序结果;将排序结果中排序在前M位的聚类集合作为与目标意图有关的目标聚类集合,其中,M为大于或者等于1的整数。由此,将多个聚类集合中用户关注度较高的聚类集合作为与该目标意图有关的目标聚类集合。
在本示例中,针对每个用户标识,结合该用户标识所对应的网络行为序列中各相邻两个网络行为文本数据之间的相似度,对该用户标识所对应的网络行为序列中的网络行为文本数据进行聚类,以准确得到该用户标识所对应的行为簇。
基于上述实施例的基础上,为了进一步准确得到该用户标识所对应的行为簇,还可以将行为子簇序列中未添加到任何中间行为子簇中的行为子簇作为行为簇。
在一些示例性的实施方式中,为了可以清楚理解是如何对用户标识对应的网络行为序列中的网络行为数据进行聚类处理,以得到用户标识对应的行为簇的过程,下面结合图3对该过程进行示例性描述。
图3是根据本公开第三实施例的示意图。
如图3所示,该网络行为数据的处理方法可以包括:
步骤301,获取具有目标意图的多个用户标识各自对应的网络行为序列。
步骤302,针对每个用户标识,对用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇。
步骤303,对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合。
其中,需要说明的是,关于步骤301至步骤303的具体实现方式,可参见本公开实施例的相关描述,此处不再赘述。
步骤304,确定多个聚类集合各自对应的用户关注度。
在一些示例中,在不同应用场景中,可通过多种方式确定多个聚类集合各自对应的用户关注度,示例性说明如下:
作为一种示例,针对每个聚类集合,确定聚类集合中行为簇的总数;根据聚类集合中行为簇的总数,确定聚类集合对应的用户关注度。由此,基于结合对应聚类集合中行为簇的总数,准确确定出了聚类集合对应的用户关注度。
具体地,针对每个聚类集合,可对该聚类集合中的行为簇进行统计,以得到该聚类集合中行为簇的总数。
其中,可以理解的是,该聚类集合中行为簇的总数越多,说明具有该目标意图的用户对该聚类集合的关注度比较结果,因此,该聚类集合所对应的用户关注度越高,反之则相反。
作为另一种示例,针对每个聚类集合,确定该聚类集合中网络行为数据的总数;根据该聚类集合中网络行为数据的总数,确定该聚类集合对应的用户关注度。由此,准确确定出了该聚类集合所对应的用户关注度。
在一些示例中,针对每个聚类集合,确定该聚类集合中网络行为数据的总数的一种可能实现方式为:针对每个聚类集合,针对该聚类集合中的每个行为簇,确定每个行为簇中网络行为数据的个数;对每个行为簇中网络行为数据的个数进行求和处理,以得到该聚类集合中各个行为簇中网络行为数据的个数。
作为一种示例,根据该聚类集合中网络行为数据的总数,确定该聚类集合对应的用户关注度。
步骤305,按照用户关注度从高到低的顺序,对多个聚类集合进行排序处理,以得到排序结果。
步骤306,将排序结果中排序在前M位的聚类集合作为与目标意图有关的目标聚类集合,其中,M为大于或者等于1的整数。
在本示例中,在对所有用户标识所对应的行为簇进行聚类得到多个聚类集合后,基于每个聚类集合的用户关注度,按照用户关注度从高到低的顺序,对多个聚类集合进行排序,并从排序结果中选择出排序比较靠前的聚类集合作为与目标意图有的目标聚类集合,从而可准确挖掘出与目标意图有关的行为数据,方便后续基于挖掘出的与目标意图有关的行为数据进行后续处理。
为了实现上述实施例,本公开实施例还提供一种网络行为数据的处理装置。
图4是根据本公开第四实施例的示意图。
如图4所示,该网络行为数据的处理装置400可以包括:获取模块401、第一聚类模块402、第二聚类模块403和确定模块404,其中:
获取模块401,用于获取具有目标意图的多个用户标识各自对应的网络行为序列。
第一聚类模块402,用于针对每个用户标识,对用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇。
第二聚类模块403,用于对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合。
确定模块404,用于从多个聚类集合中确定出与目标意图有关的目标聚类集合。
其中,需要说明的是,前述对网络行为数据的处理方法实施例的解释说明也适用于本实施例,本实施对此不再赘述。
本公开实施例的网络行为数据的处理装置,获取具有目标意图的多个用户标识各自对应的网络行为序列;针对每个用户标识,对用户标识对应的网络行为序列进行聚类处理,以得到用户标识对应的行为簇;对所有用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;从多个聚类集合中确定出与目标意图有关的目标聚类集合。由此,提出了一种通过对具有目标意图的多个用户标识各自对应的网络行为序列进行挖掘,以得到与目标意图有关的行为数据的方式,准确确定出了与意图有关的行为级别上的数据。
在本公开的一个实施例中,图5是根据本公开第五实施例的示意图,如图5所示,该网络行为数据的处理装置500可以包括:获取模块501、第一聚类模块502、第二聚类模块503和确定模块504,其中,确定模块504可以包括:第一确定单元5041、排序单元5042和第二确定单元5043。
其中,需要说明的是,关于获取模块501的详细描述请参考图4所示实施例中获取模块401的说明,此处不再进行描述。
在本公开的一个实施例中,网络行为序列包括按照时间顺序排列的N个网络行为文本数据,其中,N为大于1的整数,第一聚类模块502,具体用于:针对每个用户标识,根据用户标识所对应的网络行为序列,生成用户标识所对应的行为子簇序列,其中,行为子簇序列中的每个行为子簇包含一个网络行为文本数据;将行为子簇序列中第i个行为子簇作为中间行为子簇,其中,i的初始值为1;确定中间行为子簇与行为子簇序列中第i+1个行为子簇之间的相似度;在相似度大于或者等于预设相似度阈值的情况下,将第i+1个行为子簇添加到中间行为子簇中;在相似度小于预设相似度阈值,并且中间行为子簇中行为子簇的数量大于1的情况下,将中间行为子簇作为行为簇;在相似度小于预设相似度阈值,并且中间行为子簇中行为子簇的数量等于1的情况下,将第i+1个行为子簇作为中间行为子簇;在i小于N-1的情况下,对i进行加1处理,并跳转至确定中间行为簇与行为子簇序列中第i+1个行为子簇之间的相似度的步骤;在i等于N-1的情况下,将当前所得到的中间行为子簇作为行为簇。
在本公开的一个实施例中,第一聚类模块502,具体还用于:
将行为子簇序列中未添加到任何中间行为子簇中的行为子簇作为行为簇。
在本公开的一个实施例中,第二聚类模块503,具体用于:对所有用户标识对应的行为簇进行聚合处理,以得到聚合处理结果;确定聚合处理结果中各个行为簇之间的相似度;根据聚合处理结果中各个行为簇之间的相似度,对聚合处理结果中的行为簇进行聚类,以得到多个聚类集合。
在本公开的一个实施例中,确定模块504,包括:
第一确定单元5041,用于确定多个聚类集合各自对应的用户关注度;
排序单元5042,用于按照用户关注度从高到低的顺序,对多个聚类集合进行排序处理,以得到排序结果;
第二确定单元5043,用于将排序结果中排序在前M位的聚类集合作为与目标意图有关的目标聚类集合,其中,M为大于或者等于1的整数。
在公开的一个实施例中,第一确定单元5041,具体用于:针对每个聚类集合,确定聚类集合中行为簇的总数;根据聚类集合中行为簇的总数,确定聚类集合对应的用户关注度。
在公开的一个实施例中,第一确定单元5041,具体用于:针对每个聚类集合,确定聚类集合中网络行为数据的总数;根据聚类集合中网络行为数据的总数,确定聚类集合对应的用户关注度。
其中,需要说明的是,前述对网络行为数据的处理方法实施例的解释说明也适用于本实施例中的网络行为数据的处理装置,此处不再赘述。
本公开的技术方案中,所涉及的网络行为数据的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。
如图6所示,该电子设备600可以包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
计算单元601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。计算单元601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计算单元、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。计算单元601执行上文所描述的各个方法和处理,例如网络行为数据的处理方法。例如,在一些实施例中,网络行为数据的处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的网络行为数据的处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行网络行为数据的处理方法。
本文中以上描述的装置和技术的各种实施方式可以在数字电子电路装置、集成电路装置、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上装置的装置(SOC)、复杂可编程逻辑设备(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装置上执行和/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,可以从存储装置、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装置、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行装置、装置或设备使用或与指令执行装置、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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、或半导体装置、装置或设备,或者上述内容的任何合适组合。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,可以在计算机上实施此处描述的装置和技术,该计算机具有: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计算机。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。
可以将此处描述的装置和技术实施在包括后台部件的计算装置(例如,作为数据服务器)、或者包括中间件部件的计算装置(例如,应用服务器)、或者包括前端部件的计算装置(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装置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装置中。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)来将装置的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机装置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("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器可以是云服务器,也可以为分布式装置的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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,本发公开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,只要能够实现本公开公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种网络行为数据的处理方法,包括:
获取具有目标意图的多个用户标识各自对应的网络行为序列;
针对每个用户标识,对所述用户标识对应的网络行为序列进行聚类处理,以得到所述用户标识对应的行为簇;
对所有所述用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;
从所述多个聚类集合中确定出与所述目标意图有关的目标聚类集合。
2.根据权利要求1所述的方法,其中,所述网络行为序列包括按照时间顺序排列的N个网络行为文本数据,其中,N为大于1的整数,所述针对每个用户标识,对所述用户标识对应的网络行为序列进行聚类处理,以得到所述用户标识对应的行为簇,包括:
针对每个用户标识,根据所述用户标识所对应的网络行为序列,生成所述用户标识所对应的行为子簇序列,其中,所述行为子簇序列中的每个行为子簇包含一个网络行为文本数据;
将所述行为子簇序列中第i个行为子簇作为中间行为子簇,其中,i的初始值为1;
确定所述中间行为子簇与所述行为子簇序列中第i+1个行为子簇之间的相似度;
在所述相似度大于或者等于预设相似度阈值的情况下,将所述第i+1个行为子簇添加到所述中间行为子簇中;
在所述相似度小于预设相似度阈值,并且所述中间行为子簇中行为子簇的数量大于1的情况下,将所述中间行为子簇作为所述行为簇;
在所述相似度小于预设相似度阈值,并且所述中间行为子簇中行为子簇的数量等于1的情况下,将所述第i+1个行为子簇作为所述中间行为子簇;
在所述i小于N-1的情况下,对所述i进行加1处理,并跳转至确定所述中间行为簇与所述行为子簇序列中第i+1个行为子簇之间的相似度的步骤;
在所述i等于N-1的情况下,将当前所得到的中间行为子簇作为所述行为簇。
3.根据权利要求2所述的方法,其中,所述方法还包括:
将所述行为子簇序列中未添加到任何中间行为子簇中的行为子簇作为所述行为簇。
4.根据权利要求1所述的方法,其中,所述对所有所述用户标识对应的行为簇进行聚类处理,以得到多个聚类集合,包括:
对所有所述用户标识对应的行为簇进行聚合处理,以得到聚合处理结果;
确定所述聚合处理结果中各个行为簇之间的相似度;
根据所述聚合处理结果中各个行为簇之间的相似度,对所述聚合处理结果中的行为簇进行聚类,以得到多个聚类集合。
5.根据权利要求1所述的方法,其中,所述从所述多个聚类集合中确定出与所述目标意图有关的目标聚类集合,包括:
确定所述多个聚类集合各自对应的用户关注度;
按照所述用户关注度从高到低的顺序,对所述多个聚类集合进行排序处理,以得到排序结果;
将所述排序结果中排序在前M位的聚类集合作为与所述目标意图有关的目标聚类集合,其中,M为大于或者等于1的整数。
6.根据权利要求5所述的方法,其中,所述确定所述多个聚类集合各自对应的用户关注度,包括:
针对每个聚类集合,确定所述聚类集合中行为簇的总数;
根据所述聚类集合中行为簇的总数,确定所述聚类集合对应的用户关注度。
7.根据权利要求5所述的方法,其中,所述确定所述多个聚类集合各自对应的用户关注度,包括:
针对每个聚类集合,确定所述聚类集合中网络行为数据的总数;
根据所述聚类集合中网络行为数据的总数,确定所述聚类集合对应的用户关注度。
8.一种网络行为数据的处理装置,包括:
获取模块,用于获取具有目标意图的多个用户标识各自对应的网络行为序列;
第一聚类模块,用于针对每个用户标识,对所述用户标识对应的网络行为序列进行聚类处理,以得到所述用户标识对应的行为簇;
第二聚类模块,用于对所有所述用户标识对应的行为簇进行聚类处理,以得到多个聚类集合;
确定模块,用于从所述多个聚类集合中确定出与所述目标意图有关的目标聚类集合。
9.根据权利要求8所述的装置,其中,所述网络行为序列包括按照时间顺序排列的N个网络行为文本数据,其中,N为大于1的整数,所述第一聚类模块,具体用于:
针对每个用户标识,根据所述用户标识所对应的网络行为序列,生成所述用户标识所对应的行为子簇序列,其中,所述行为子簇序列中的每个行为子簇包含一个网络行为文本数据;
将所述行为子簇序列中第i个行为子簇作为中间行为子簇,其中,i的初始值为1;
确定所述中间行为子簇与所述行为子簇序列中第i+1个行为子簇之间的相似度;
在所述相似度大于或者等于预设相似度阈值的情况下,将所述第i+1个行为子簇添加到所述中间行为子簇中;
在所述相似度小于预设相似度阈值,并且所述中间行为子簇中行为子簇的数量大于1的情况下,将所述中间行为子簇作为所述行为簇;
在所述相似度小于预设相似度阈值,并且所述中间行为子簇中行为子簇的数量等于1的情况下,将所述第i+1个行为子簇作为所述中间行为子簇;
在所述i小于N-1的情况下,对所述i进行加1处理,并跳转至确定所述中间行为簇与所述行为子簇序列中第i+1个行为子簇之间的相似度的步骤;
在所述i等于N-1的情况下,将当前所得到的中间行为子簇作为所述行为簇。
10.根据权利要求9所述的装置,其中,所述第一聚类模块,具体还用于:
将所述行为子簇序列中未添加到任何中间行为子簇中的行为子簇作为所述行为簇。
11.根据权利要求8所述的装置,其中,所述第二聚类模块,具体用于:
对所有所述用户标识对应的行为簇进行聚合处理,以得到聚合处理结果;
确定所述聚合处理结果中各个行为簇之间的相似度;
根据所述聚合处理结果中各个行为簇之间的相似度,对所述聚合处理结果中的行为簇进行聚类,以得到多个聚类集合。
12.根据权利要求8所述的装置,其中,所述确定模块,包括:
第一确定单元,用于确定所述多个聚类集合各自对应的用户关注度;
排序单元,用于按照所述用户关注度从高到低的顺序,对所述多个聚类集合进行排序处理,以得到排序结果;
第二确定单元,用于将所述排序结果中排序在前M位的聚类集合作为与所述目标意图有关的目标聚类集合,其中,M为大于或者等于1的整数。
13.根据权利要求12所述的装置,其中,所述第一确定单元,具体用于:
针对每个聚类集合,确定所述聚类集合中行为簇的总数;
根据所述聚类集合中行为簇的总数,确定所述聚类集合对应的用户关注度。
14.根据权利要求12所述的装置,其中,所述第一确定单元,具体用于:
针对每个聚类集合,确定所述聚类集合中网络行为数据的总数;
根据所述聚类集合中网络行为数据的总数,确定所述聚类集合对应的用户关注度。
15.一种电子设备,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指令,所述指令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中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612047.2A CN116541731A (zh) | 2023-05-26 | 2023-05-26 | 网络行为数据的处理方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612047.2A CN116541731A (zh) | 2023-05-26 | 2023-05-26 | 网络行为数据的处理方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116541731A true CN116541731A (zh) | 2023-08-04 |
Family
ID=87446979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612047.2A Pending CN116541731A (zh) | 2023-05-26 | 2023-05-26 | 网络行为数据的处理方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541731A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006088251A (ja) * | 2004-09-22 | 2006-04-06 | Toshiba Corp | ユーザ行動誘発システム及びその方法 |
JP2014106661A (ja) * | 2012-11-27 | 2014-06-09 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ状態予測装置及び方法及びプログラム |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN109376065A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 一种用户行为热区分析方法、装置和电子设备 |
CN110197402A (zh) * | 2019-06-05 | 2019-09-03 | 中国联合网络通信集团有限公司 | 基于用户群的用户标签分析方法、装置、设备和存储介质 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN114612246A (zh) * | 2021-11-30 | 2022-06-10 | 腾讯数码(天津)有限公司 | 对象集合识别方法、装置、计算机设备及存储介质 |
CN114764437A (zh) * | 2021-01-04 | 2022-07-19 | 阿里巴巴集团控股有限公司 | 用户意图识别方法、装置以及电子设备 |
CN115129984A (zh) * | 2022-06-28 | 2022-09-30 | 上海二三四五网络科技有限公司 | 一种基于用户行为序列的双聚类热门推荐方法及装置 |
CN115329195A (zh) * | 2022-08-16 | 2022-11-11 | 北京百度网讯科技有限公司 | 基于人工智能的意图挖掘方法、装置、设备及存储介质 |
CN116089616A (zh) * | 2023-02-16 | 2023-05-09 | 阳光保险集团股份有限公司 | 主题文本获取方法、装置、设备及存储介质 |
-
2023
- 2023-05-26 CN CN202310612047.2A patent/CN116541731A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006088251A (ja) * | 2004-09-22 | 2006-04-06 | Toshiba Corp | ユーザ行動誘発システム及びその方法 |
JP2014106661A (ja) * | 2012-11-27 | 2014-06-09 | Nippon Telegr & Teleph Corp <Ntt> | ユーザ状態予測装置及び方法及びプログラム |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN109376065A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 一种用户行为热区分析方法、装置和电子设备 |
CN110197402A (zh) * | 2019-06-05 | 2019-09-03 | 中国联合网络通信集团有限公司 | 基于用户群的用户标签分析方法、装置、设备和存储介质 |
CN114764437A (zh) * | 2021-01-04 | 2022-07-19 | 阿里巴巴集团控股有限公司 | 用户意图识别方法、装置以及电子设备 |
CN114612246A (zh) * | 2021-11-30 | 2022-06-10 | 腾讯数码(天津)有限公司 | 对象集合识别方法、装置、计算机设备及存储介质 |
CN115129984A (zh) * | 2022-06-28 | 2022-09-30 | 上海二三四五网络科技有限公司 | 一种基于用户行为序列的双聚类热门推荐方法及装置 |
CN115329195A (zh) * | 2022-08-16 | 2022-11-11 | 北京百度网讯科技有限公司 | 基于人工智能的意图挖掘方法、装置、设备及存储介质 |
CN116089616A (zh) * | 2023-02-16 | 2023-05-09 | 阳光保险集团股份有限公司 | 主题文本获取方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
AKO A. JAAFAR ET AL: "Service selection model based on user intention and context", 《JOURNAL OF KING SAUD UNIVERSITY – COMPUTER AND INFORMATION SCIENCES》, vol. 35, no. 4, 31 March 2023 (2023-03-31), pages 209 - 223 * |
刘洪伟 等: "基于用户浏览行为的兴趣识别管理模型", 《数据分析与知识发现》, no. 2, 28 February 2018 (2018-02-28), pages 74 - 85 * |
张霞 等: "一种基于用户查询意图的聚类分析算法", 《电脑知识与技术》, vol. 8, no. 14, 31 May 2012 (2012-05-31), pages 3388 - 3390 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749344B (zh) | 信息推荐方法、装置、电子设备、存储介质及程序产品 | |
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
CN114444619B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
CN110096605B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN114244795B (zh) | 一种信息的推送方法、装置、设备及介质 | |
CN113408280B (zh) | 负例构造方法、装置、设备和存储介质 | |
CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
CN117743577A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN113868254B (zh) | 图数据库中的实体节点去重方法、设备和存储介质 | |
CN116541731A (zh) | 网络行为数据的处理方法、装置和设备 | |
CN114417856A (zh) | 文本的稀疏编码方法、装置及电子设备 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN114357180A (zh) | 知识图谱的更新方法及电子设备 | |
CN116244413B (zh) | 新意图确定方法、设备和存储介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
CN112818167B (zh) | 实体检索方法、装置、电子设备及计算机可读存储介质 | |
CN115033701B (zh) | 文本向量生成模型训练方法、文本分类方法及相关装置 | |
CN113204667B (zh) | 音频标注模型的训练与音频标注的方法、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 |