WO2020135420A1 - 对用户进行分类的方法和装置 - Google Patents

对用户进行分类的方法和装置 Download PDF

Info

Publication number
WO2020135420A1
WO2020135420A1 PCT/CN2019/127930 CN2019127930W WO2020135420A1 WO 2020135420 A1 WO2020135420 A1 WO 2020135420A1 CN 2019127930 W CN2019127930 W CN 2019127930W WO 2020135420 A1 WO2020135420 A1 WO 2020135420A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
interactive
target user
record data
behavior record
Prior art date
Application number
PCT/CN2019/127930
Other languages
English (en)
French (fr)
Inventor
俞颖晔
Original Assignee
杭州海康威视数字技术股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 杭州海康威视数字技术股份有限公司 filed Critical 杭州海康威视数字技术股份有限公司
Publication of WO2020135420A1 publication Critical patent/WO2020135420A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • 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

Definitions

  • the present disclosure relates to the technical field of data analysis, and in particular to a method and device for classifying users.
  • each user can be surveyed in the form of a questionnaire, and users can answer the questions in the questionnaire one by one. Relevant personnel will collect the completed questionnaires for recycling, and then classify users based on the answers to the questions in the questionnaire. Users belonging to the same classification category have similar attributes. Furthermore, in the future, things that meet the attributes of different users can be recommended for different users in a targeted manner.
  • a method for classifying users including:
  • the determining user characteristic data corresponding to the target user based on the target user's behavior record data and the other user's behavior record data includes:
  • user characteristic data corresponding to the target user is determined.
  • the determining user characteristic data corresponding to the target user based on the user relationship network includes:
  • the determining user characteristic data corresponding to the target user based on the user relationship network includes:
  • the determining user characteristic data corresponding to the target user based on the target user's behavior record data and the other user's behavior record data includes:
  • the behavior record data of the target user For each interactive user of the at least one interactive user, in the behavior record data of the target user, obtain behavior record data corresponding to the interaction behavior of the target user and the interactive user, and the target user's Non-interactive behavior record data, and from the interactive user behavior record data, obtain the behavior record data corresponding to the interactive behavior of the interactive user and the target user, and the non-interactive behavior record data of the interactive user, as Related action record data between the target user and the interactive user, based on the related action record data, determining interactive feature data corresponding to the interactive user;
  • the average value of the interactive feature data corresponding to all interactive users is determined as the user feature data corresponding to the target user.
  • the determining user characteristic data corresponding to the target user based on the target user's behavior record data and the other user's behavior record data includes:
  • the intermediate user feature data corresponding to the target user Based on the intermediate user feature data corresponding to the target user, the intermediate user feature data corresponding to each interactive user, and the feature weights corresponding to the target user and each interactive user, determine the weighted average of each intermediate user feature data As user characteristic data corresponding to the target user.
  • an apparatus for classifying users includes:
  • the acquisition module is used to acquire the behavior record data of the target user and the behavior record data of other users associated with the target user;
  • a determining module configured to determine user characteristic data corresponding to the target user based on the target user's behavior record data and the other user's behavior record data;
  • the classification module is used to input user feature data corresponding to the target user into the user classification network model to obtain user classification information corresponding to the target user.
  • the determination module is configured to:
  • user characteristic data corresponding to the target user is determined.
  • the determination module is configured to:
  • the determination module is configured to:
  • the determination module is configured to:
  • the behavior record data of the target user For each interactive user of the at least one interactive user, in the behavior record data of the target user, obtain behavior record data corresponding to the interaction behavior of the target user and the interactive user, and the target user's Non-interactive behavior record data, and from the interactive user behavior record data, obtain the behavior record data corresponding to the interactive behavior of the interactive user and the target user, and the non-interactive behavior record data of the interactive user, as Related action record data between the target user and the interactive user, based on the related action record data, determining interactive feature data corresponding to the interactive user;
  • the average value of the interactive feature data corresponding to all interactive users is determined as the user feature data corresponding to the target user.
  • the determination module is configured to:
  • a computer device Based on the intermediate user feature data corresponding to the target user, the intermediate user feature data corresponding to each interactive user, and the feature weights corresponding to the target user and each interactive user, determine the weighted average of each intermediate user feature data As user characteristic data corresponding to the target user.
  • the computer device includes a processor, a communication interface, a memory, and a communication bus, where:
  • the processor, the communication interface, and the memory complete communication with each other through the communication bus;
  • the memory is used to store computer programs
  • the processor is used to execute the program stored on the memory to implement the above method for classifying users.
  • a computer-readable storage medium in which a computer program is stored, and when the computer program is executed by a processor, the above method for classifying users is implemented.
  • the behavior record data of the target user and the behavior record data of other users associated with the target user can be obtained and the behavior record data can be extracted
  • the user's characteristic data can be used to determine the user classification information corresponding to the target user based on the user's characteristic data and the user classification network model.
  • Fig. 1 is a schematic flowchart of a method for classifying users according to an exemplary embodiment
  • Fig. 2 is a schematic flowchart of a method for classifying users according to an exemplary embodiment
  • Fig. 3 is a schematic structural diagram of an apparatus for classifying users according to an exemplary embodiment
  • Fig. 4 is a schematic structural diagram of a computer device according to an exemplary embodiment.
  • a piece of behavior record data may be generated accordingly. For example, when user A makes a call to user B, for the user corresponding to user A, a record of the behavior of making a call to user B at a certain time will be generated. Or, when user A makes a purchase online, for the user corresponding to user A, a piece of behavior record data of a certain shopping site spending a certain amount of money on a certain day will be generated. Or alternatively, user A and user C watch a movie together. For the user corresponding to user A, a record of behavior data of a certain movie theater and someone watching a certain movie at a certain time will be generated.
  • certain attributes of the user are often reflected in his personal behavior or interaction with other people.
  • the occupation of user A is a teacher, and user A often uses the phone number corresponding to user A to call user B who is also a teacher to communicate, etc.
  • user A makes an online purchase, he often uses the user A's corresponding
  • the shopping account buys some books, stationery and other supplies; and, user A often purchases two or more literary movie tickets through the ticket purchasing account corresponding to user A.
  • the user A can be classified according to the personal behavior of the user A or the behavior generated by interacting with other people, for example, determining that the user A belongs to a teacher, a policeman or a doctor.
  • An exemplary embodiment of the present disclosure provides a method for classifying users. As shown in FIG. 1, the processing flow of the method may include the following steps:
  • Step S110 Obtain the behavior record data of the target user and the behavior record data of other users associated with the target user.
  • a behavior record database may be established, and a large number of users' behavior record data are stored in the behavior record database. These user behavior record data can be obtained from the network, or can be collected through a dedicated device.
  • element information such as event information, time when the event occurred, and location where the event occurred can be recorded. If the event is a personal event, such as taking a vehicle, other users may not be recorded in the behavior record data. If the event is an interaction type event, such as user A calling user B, user B can be recorded in the behavior record data.
  • Step S120 Determine user characteristic data corresponding to the target user based on the target user's behavior record data and other user's behavior record data.
  • the user characteristic data corresponding to the target user may be determined based on the target user's behavior record data and other user's behavior record data.
  • a user relationship network can be constructed based on the target user's behavior record data and other user's behavior record data, and based on the user relationship network, user feature data corresponding to the target user can be extracted.
  • the user relationship network may be a homogeneous relationship network or a heterogeneous relationship network. Specifically, you can choose to build a homogenous relationship network or a heterogeneous relationship network according to the application scenario of classification processing and the data situation of the behavior record data.
  • Step S130 Input user feature data corresponding to the target user into the user classification network model to obtain user classification information corresponding to the target user.
  • the user classification network model may be trained in advance, and the user classification network model may be a classifier, which may include a deep classification network model and a machine learning model.
  • the user classification network model may be a classifier, which may include a deep classification network model and a machine learning model.
  • the user feature data corresponding to the target user may include different types of feature data.
  • four different types of user feature data corresponding to the target user are introduced.
  • the user feature data corresponding to the four different types of target users may include basic feature data, spatio-temporal feature data, fusion feature data, and community feature data.
  • Step S120 may include: determining the interaction relationship between the target user and other users based on the target user's behavior record data and other user's behavior record data; establishing a user relationship network based on the user's interaction relationship; based on the user Relationship network to determine the user characteristic data corresponding to the target user.
  • At least one user group having an interactive relationship may be determined based on the target user's behavior record data and other user's behavior record data; the two users included in the at least one user group are determined to be two network nodes, and Connect two network nodes belonging to the same user group to establish a user relationship network; based on the user relationship network, determine the user characteristic data corresponding to the target user.
  • At least one user group having an interactive relationship may be determined. For example, user A makes a call to user B, user A makes a call to user C, user B makes a call to user D, etc.
  • User A and user B have an interactive relationship, and they can be regarded as a user group 01, and so on, user A
  • There is an interactive relationship with user C they can be used as a user group 02
  • there is an interactive relationship between user B and user D they can be used as a user group 03.
  • two users included in at least one user group may be determined as two network nodes, and two network nodes belonging to the same user group may be connected to obtain a user relationship network.
  • user characteristic data corresponding to the target user can be determined based on the user relationship network.
  • the user characteristic data includes network structure characteristic data
  • the step of determining the user characteristic data corresponding to the target user based on the user relationship network may include: determining the network structure characteristic data of the user relationship network as the user characteristic data corresponding to the target user.
  • statistical calculation may be performed on the edges between the network nodes in the user relationship network and the network nodes with connection relationships to obtain the network structure characteristic data of the user relationship network.
  • the network structure characteristic data such as the first-order degree, second-order degree, cluster coefficient, neighbor coefficient, degree centrality, intermediary, in-degree centrality, out-degree centrality, embedding (embedding) characteristics of the user relationship network can be determined.
  • the network structure characteristic data corresponding to point A in the user relationship network is taken as an example for description.
  • the network structure characteristic data corresponding to other network nodes in the user relationship network is determined in a similar way to point A, and the network structure corresponding to other network nodes
  • the determination method of the feature data please refer to the determination method of the network structure feature data corresponding to point A.
  • Point A may be used as the network node corresponding to the target user described in the method provided in the embodiments of the present disclosure.
  • the first-order degree may be the number of first-order neighbor network nodes directly connected to point A. For example, there are 4 first-order neighbor network nodes at point A, and the first-order degree of point A is 4.
  • the second-order degree may be the number of neighbor network nodes directly connected to the first-order neighbor network nodes at point A.
  • the cluster coefficient can be calculated by 2M/K(K-1). Where K is the first-order degree of point A, and M is the number of edges between each first-order neighbor network node of point A.
  • the neighbor coefficient may be the number of network nodes that have a connection relationship between the first-order neighbor network nodes at point A.
  • Degree centrality can be determined in the following way. First, determine the difference between the number of edges between point A and each first-order neighbor network node and 1, and then determine the quotient of the first-order degree of point A divided by the difference as the degree of centrality.
  • In-degree centrality can be determined in the following manner.
  • the edges in the user relationship network may have directions, and the in-degree centrality of point A may be the number of edges entering point A.
  • Outgoing degree centrality can be determined in the following way.
  • the edges in the user relationship network can have directions, and the out-degree centrality of point A can be the number of edges starting from point A.
  • the network structure characteristic data corresponding to other network nodes in the user relationship network is determined in a similar way to point A.
  • the determination method of network structure characteristic data corresponding to other network nodes please refer to the determination method of the network structure characteristic data corresponding to point A, here No longer.
  • the first-order degree, second-order degree, cluster coefficient, neighbor coefficient, degree centrality, intermediary, in-degree centrality, out-degree centrality, embedding features, etc. in the above 1) to 9) can be used as the network structure of the user relationship network
  • Feature data is user feature data corresponding to the target user.
  • Step S120 may include: determining at least one interactive user that has an interactive relationship with the target user based on the target user's behavior record data and other user's behavior record data; for each interactive user in the at least one interactive user, the target Obtain the behavior record data corresponding to the interactive behavior of the target user and the interactive user and the non-interactive behavior record data of the target user from the user's behavior record data, and obtain the interaction between the interactive user and the target user in the interactive user's behavior record data The behavior record data corresponding to the behavior and the non-interactive behavior record data of the interactive user are used as the related behavior record data between the target user and the interactive user. Based on the related behavior record data, the interactive feature data corresponding to the interactive user are determined; all interactive users The average value of the corresponding interactive feature data is determined as the user feature data corresponding to the target user.
  • At least one interactive user having an interactive relationship with the target user may be determined based on the target user's behavior record data and other user's behavior record data.
  • the target user's non-interactive behavior record data and the interactive user's non-interactive behavior record data can be determined from the target user's behavior record data and other user's behavior record data , Behavior record data corresponding to the interactive behavior of the target user and the interactive user, and behavior record data corresponding to the interactive behavior of the interactive user and the target user.
  • A place, time, event
  • A, B place, time, event
  • B place, time, event
  • A, B place, time, event
  • a and B are two different users, A is the target user, and B is the interactive user.
  • a (location, time, event) may be the target user's non-interactive behavior record data.
  • a and B (location, time, event) may be behavior record data corresponding to the interaction behavior of the target user and the interactive user, or behavior record data corresponding to the interaction behavior of the interactive user and the target user.
  • B (location, time, event) can be the interactive user's non-interactive behavior record data.
  • the related behavior record data between the target user and the interactive user can be sorted in chronological order to obtain the behavior sequence between the target user and the interactive user. For example, A (place, time, event)-"A, B (place, time, event)-"B (place, time, event)-"A, B (place, time, event).
  • the associated user characteristic data between the target user and the interactive user may be determined.
  • the characteristics of the behavior sequence between the target user and the interactive user can be extracted from the three dimensions of time, space (location) and event, as the associated user characteristic data between the target user and the interactive user. Specifically, it can be statistically calculated the time interval between each element in the sequence, the time span between the first element and the last element in the sequence, the number of occurrences of different locations in the sequence, and the number of occurrences of different events in the sequence.
  • three-dimensional intersection features can be constructed.
  • the above method may be repeatedly performed until the associated user characteristic data between the target user and all interactive users are determined.
  • A, B feature 1, feature 2, feature 3
  • A, C feature 1, feature 2, feature 3
  • A is the target user
  • B and C are two interactive users.
  • embedding feature extraction algorithms such as LSTM (Long Short-Term Memory, Long-Short-Term Memory Network) and RNN (Recurrent Neural Network) can be used to extract the embedding of the behavior sequence between the target user and the interactive user feature.
  • LSTM Long Short-Term Memory, Long-Short-Term Memory Network
  • RNN Recurrent Neural Network
  • the sum value of the associated user feature data between the target user and all interactive users can be determined, and the quotient of the sum value divided by the number of interactive users can be determined as the user feature data corresponding to the target user.
  • the user characteristic data corresponding to the target user is calculated by formula 1.
  • Fea mean (A) is the user characteristic data corresponding to the target user A.
  • Fea(A, B), Fea(A, C), Fea(A, F), Fea(A, G) are the related user characteristic data between the target user A and the interactive users B, C, F, G, etc. .
  • n is the number of interactive users.
  • Step S120 may include: determining at least one interactive user having an interactive relationship with the target user based on the target user's behavior record data and other user's behavior record data; based on the target user's behavior record data, and at least one interactive user's Behavior record data to determine the interaction relationship between the target user and at least one interactive user; based on the interaction relationship between users, establish a user relationship network; based on the user relationship network and label propagation algorithm, determine the target user and each interactive user Corresponding feature weights; based on the target user's behavior record data and other user's behavior record data, determine the intermediate user feature data corresponding to the target user and the intermediate user feature data corresponding to each interactive user; based on the target user's corresponding intermediate The user characteristic data, the intermediate user characteristic data corresponding to each interactive user and the characteristic weight corresponding to the target user and each interactive user, and determine the weighted average of each intermediate user characteristic data as the user characteristic data corresponding to the target user.
  • the basic feature data and the spatio-temporal feature data can be extracted by the two methods described above, and then the two different types of feature data can be stitched and combined to obtain the intermediate user feature data corresponding to the target user.
  • the above method can be repeated, and intermediate user characteristic data corresponding to at least one interactive user can be obtained. Since some behaviors of the interactive user can also affect the behavior of the target user, some attributes of the interactive user are also possessed by the target user. Therefore, at least one interactive user who has influence on the behavior of the target user can correspond to the characteristics of the intermediate user
  • the data and the intermediate user feature data corresponding to the target user are fused to determine the user feature data corresponding to the target user.
  • At least one interactive user having an interactive relationship with the target user may be determined based on the target user's behavior record data and other user's behavior record data. Then, the target user and all users in at least one interactive user who have an interactive relationship may be connected to establish a user relationship network. Based on the user relationship network and the pageRank (tag propagation) algorithm, the feature weights corresponding to the target user and at least one interactive user are determined. The characteristic weights corresponding to the target user and at least one interactive user respectively indicate the importance of each user in the user relationship network. If any user and other users have more intensive interactions, then any one user is very large To a certain extent, the corresponding feature weight is relatively large.
  • a product of intermediate user feature data corresponding to the target user and corresponding feature weights may be determined, and a product of intermediate user feature data corresponding to at least one interactive user and corresponding feature weights may be determined.
  • the quotient of the sum of all products divided by the total number of target users and at least one interactive user can be determined as the user characteristic data corresponding to the target user.
  • the sum of all products can also be directly determined as the user characteristic data corresponding to the target user.
  • the fusion strategy can be adjusted adaptively to improve the accuracy of classifying the target users.
  • fusion feature data can also be extracted in other ways. For example, through structure2vec (a data processing algorithm), GCN (Graph Convolutional Neural Network, graph convolutional neural network), GNN (Graph Neural Network, graph neural network), GeniePath (a graph neural network with an adaptive receiving path) Network) algorithm, etc., to fuse a variety of feature data to determine the user feature data corresponding to the target user.
  • GCN Graph Convolutional Neural Network, graph convolutional neural network
  • GNN Graph Neural Network, graph neural network
  • GeniePath a graph neural network with an adaptive receiving path
  • the following will introduce the method of fusing various feature data through structure2vec algorithm to determine the user feature data corresponding to the target user.
  • the structure2vec algorithm can also correspond to two different fusion strategies.
  • the first way can be achieved by formula 2.
  • Formula 2 determines the user feature data corresponding to the target user by averaging the user feature data of at least one interactive user.
  • ⁇ is a constant
  • W (t) is the feature weight corresponding to each interactive user
  • N(i) is the number of interactive users
  • Formula 3 determines the user feature data corresponding to the target user by summing the user feature data of at least one interactive user.
  • ⁇ is a constant
  • W (t) is the feature weight corresponding to each interactive user
  • N(i) is the number of interactive users
  • Formula 4 determines the user characteristic data corresponding to the target user by normalizing the user characteristic data of at least one interactive user.
  • ⁇ is a constant
  • W (t) is the feature weight corresponding to each interactive user
  • N(i) is the number of interactive users
  • N(j) is the number of user feature data
  • the step of determining the user characteristic data corresponding to the target user may include: dividing the user relationship network based on the community discovery algorithm to obtain multiple sub-user relationship networks; determining the target sub-user relationship network to which the target user belongs; obtaining the target The community attribute information corresponding to the sub-user relationship network is used as the user characteristic data corresponding to the target user.
  • the user relationship network is a user relationship network containing a large number of users, and can be based on community discovery algorithms such as Louvain (a community discovery algorithm), MNMF (a community discovery algorithm), and ComE (a community discovery algorithm) Algorithms, etc., divide the user relationship network to obtain multiple sub-user relationship networks.
  • the target sub-user relationship network to which the target user belongs can be determined.
  • community attribute information corresponding to the target sub-user relationship network can be obtained as user characteristic data corresponding to the target user.
  • the community attribute information may be information such as the characteristics of the community, the nature of the community, the label of the community, and the identification of the community.
  • User feature data can include basic feature data, spatio-temporal feature data, fusion feature data, and community feature data. Through the above feature data, users can be described from multiple angles. When the angle of description is more, the data described is more sufficient. , The more the user characteristic data can reflect the characteristics of the user, and the classification of the user determined based on the user characteristic data is more accurate.
  • the behavior record data of the target user and the behavior record data of other users associated with the target user can be obtained and the behavior record data can be extracted
  • the user's characteristic data can be used to determine the user classification information corresponding to the target user based on the user's characteristic data and the user classification network model.
  • an exemplary embodiment of the present disclosure provides a method for classifying users. As shown in FIG. 2, the processing flow of the method may include the following steps:
  • Step S210 Analyze the behavior record data of the target user and the behavior record data of other users, and determine to construct a homogeneous relationship network or a heterogeneous relationship network.
  • step S220 regardless of whether the homogeneous network or the heterogeneous network is constructed, four different types of user feature data such as basic feature data, spatio-temporal feature data, fusion feature data, and community feature data of the target user can be determined.
  • Step S230 After determining four different types of user feature data of the target user, such as basic feature data, spatio-temporal feature data, fusion feature data and community feature data, these four different types of user feature data can be fused to obtain User characteristic data corresponding to the fused target user.
  • Step S240 processing the user feature data corresponding to the fused target user through a feature engineering processing method, such as performing feature selection and feature extraction on the user feature data corresponding to the fused target user to retain useful user features Data, clearing out valuable user characteristic data.
  • a feature engineering processing method such as performing feature selection and feature extraction on the user feature data corresponding to the fused target user to retain useful user features Data, clearing out valuable user characteristic data.
  • step S250 it is judged by experience whether the deep classification network model or the machine learning model is used to classify the target user based on user feature data corresponding to the target user after feature engineering processing.
  • step S260 user feature data corresponding to the target user after feature engineering processing may be input into the deep classification network model or the machine learning model to obtain user classification information corresponding to the target user.
  • the value of the feature data is higher, and thus the accuracy of the determined user classification information can be improved.
  • the behavior record data of the target user and the behavior record data of other users associated with the target user can be obtained and the behavior record data can be extracted
  • the user's characteristic data can be used to determine the user classification information corresponding to the target user based on the user's characteristic data and the user classification network model.
  • the apparatus includes:
  • the obtaining module 210 is used to obtain the behavior record data of the target user and the behavior record data of other users associated with the target user;
  • the determining module 220 is configured to determine user characteristic data corresponding to the target user based on the target user's behavior record data and the other user's behavior record data;
  • the classification module 230 is configured to input user characteristic data corresponding to the target user into the user classification network model to obtain user classification information corresponding to the target user.
  • the determination module 220 is configured to:
  • user characteristic data corresponding to the target user is determined.
  • the determination module 220 is configured to:
  • the determination module 220 is configured to:
  • the determination module 220 is configured to:
  • the behavior record data of the target user For each interactive user of the at least one interactive user, in the behavior record data of the target user, obtain behavior record data corresponding to the interaction behavior of the target user and the interactive user, and the target user's Non-interactive behavior record data, and from the interactive user behavior record data, obtain the behavior record data corresponding to the interactive behavior of the interactive user and the target user, and the non-interactive behavior record data of the interactive user, as Related action record data between the target user and the interactive user, based on the related action record data, determining interactive feature data corresponding to the interactive user;
  • the average value of the interactive feature data corresponding to all interactive users is determined as the user feature data corresponding to the target user.
  • the determination module 220 is configured to:
  • the intermediate user feature data corresponding to the target user Based on the intermediate user feature data corresponding to the target user, the intermediate user feature data corresponding to each interactive user, and the feature weights corresponding to the target user and each interactive user, determine the weighted average of each intermediate user feature data As user characteristic data corresponding to the target user.
  • the behavior record data of the target user and the behavior record data of other users associated with the target user can be obtained and the behavior record data can be extracted
  • the user's characteristic data can be used to determine the user classification information corresponding to the target user based on the user's characteristic data and the user classification network model.
  • the device for classifying users provided in the above embodiments only uses the division of the above functional modules as an example for classifying users.
  • the above functions can be allocated by different The functional module is completed, that is, the internal structure of the computer device is divided into different functional modules to complete all or part of the functions described above.
  • the device for classifying users provided in the above embodiments belongs to the same concept as the method embodiment for classifying users. For the specific implementation process, see the method embodiments, and details are not described here.
  • FIG. 4 shows a schematic structural diagram of a computer device 1900 provided by an exemplary embodiment of the present disclosure.
  • the computer device 1900 may have a relatively large difference due to different configuration or performance, and may include one or more central processing units (CPU) 1910 and one or more memories 1920. Wherein, at least one instruction is stored in the memory 1920, and the at least one instruction is loaded and executed by the processor 1910 to implement the method for classifying users described in the foregoing embodiments.
  • CPU central processing units

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种对用户进行分类的方法和装置，属于数据分析技术领域。所述方法包括：获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据（S110）；基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的用户特征数据（S120）；将目标用户对应的用户特征数据输入到用户分类网络模型中，得到目标用户对应的用户分类信息（S130）。通过该方法，可以获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。

Description

对用户进行分类的方法和装置
本申请要求于2018年12月24日提交的申请号为201811584209.1、发明名称为“对用户进行分类的方法和装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本公开是关于数据分析技术领域，尤其是关于一种对用户进行分类的方法和装置。
背景技术
在相关技术中，在给不同用户推荐一些事物之前，例如在给不同的用户推荐工作、电影、音乐、文章等事物之前，首先可以了解每个用户的属性特质，这样可以有针对性地为不同用户推荐符合不同用户的属性特质的事物。
为了了解到每个用户的属性特质，可以通过调查问卷的形式对每个用户进行调研，用户可以对调查问卷的问题一一进行回答。相关人员将填写完毕后的调查问卷进行回收，然后基于问卷中的问题的答案，对用户进行分类，属于同一分类类别的用户，具有相似的属性特质。进而，后续可以有针对性地为不同用户推荐符合不同用户的属性特质的事物。
在实现本公开的过程中，发明人发现至少存在以下问题：
并非每个用户都愿意配合对调查问卷的问题一一进行回答，对于那些拒绝对回答问题的用户，就无法对他们进行分类。
发明内容
为了克服相关技术中存在的问题，本公开提供了以下技术方案：
根据本公开实施例的第一方面，提供一种对用户进行分类的方法，所述方法包括：
获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据， 确定所述目标用户对应的用户特征数据；
将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
可选地，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
可选地，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
可选地，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
可选地，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的 互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
可选地，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
根据本公开实施例的第二方面，提供一种对用户进行分类的装置，所述装置包括：
获取模块，用于获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
确定模块，用于基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
分类模块，用于将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
可选地，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
可选地，所述确定模块，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。根据本公开实施例的第三方面，提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中：
所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序，以实现上述对用户进行分类的方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述对用户进行分类的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过本公开实施例提供的方法，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。在附图中：
图1是根据一示例性实施例示出的一种对用户进行分类的方法的流程示意图；
图2是根据一示例性实施例示出的一种对用户进行分类的方法的流程示意 图；
图3是根据一示例性实施例示出的一种对用户进行分类的装置的结构示意图；
图4是根据一示例性实施例示出的一种计算机设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
随着社会的发展，人们的行为越来越离不开各种电子设备。当用户基于电子设备产生行为时，相应地可能会产生一条行为记录数据。例如，当用户A给用户B打电话时，对于用户A对应的用户，会产生一条在某时拨打电话给用户B的行为记录数据。或者，当用户A在网上购物时，对于用户A对应的用户，会产生一条在某天某购物网站花费一定金额购买某物的行为记录数据。再或者，用户A和用户C一起看电影，对于用户A对应的用户，会产生一条在某天某时某电影院和某人看某电影的行为记录数据等。
在社会生活中，用户的某些属性特质往往体现在他的个人行为或者和其他人的互动行为中。例如，用户A的职业是教师，用户A经常会通过用户A对应的电话号码和同为教师的用户B打电话进行沟通交流等；同时，用户A在网上购物时，经常会通过用户A对应的购物账号购买一些书本、文具等用品；并且，用户A经常会通过用户A对应的购票账号购买两张或者以上的文艺类的电影票。基于此，可以通过用户A的个人行为或者和其他人互动产生的行为，对用户A进行分类，例如确定用户A属于教师、警察或者医生等。接着，可以针对用户A所属的类别，为用户A推荐工作、电影、音乐、文章或者进行其他操作等。在本公开实施例提供的方法中，将介绍对用户进行分类的方法，通过对用 户进行分类的方式以达到对持有用户的用户进行分类的目的。
本公开一示例性实施例提供了一种对用户进行分类的方法，如图1所示，该方法的处理流程可以包括如下的步骤：
步骤S110，获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据。
在实施中，可以建立行为记录数据库，在行为记录数据库中存储有大量用户的行为记录数据。这些用户的行为记录数据，可以是从网络上获取到的，也可以是通过专用的设备采集到的等。
在用户的行为记录数据中，可以记录有事件信息、发生事件的时间、发生事件的地点等要素信息。如果事件是个人类型事件，如乘坐交通工具，则行为记录数据中可以不记录其他用户。如果事件是互动类型事件，如用户A给用户B打电话，则行为记录数据中可以记录用户B。
步骤S120，基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的用户特征数据。
在实施中，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的用户特征数据。例如，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，构建用户关系网络，基于用户关系网络，提取目标用户对应的用户特征数据。其中，用户关系网络可以同构关系网络，也可以是异构关系网络。具体可以根据分类处理的应用场景、以及行为记录数据的数据情况，选择构建同构关系网络或者异构关系网络。
步骤S130，将目标用户对应的用户特征数据输入到用户分类网络模型中，得到目标用户对应的用户分类信息。
在实施中，可以预先训练用户分类网络模型，用户分类网络模型可以是分类器，可以包括深度分类网络模型以及机器学习模型。在应用中，可以根据目标用户对应的用户特征数据的数据复杂度，选择使用深度分类网络模型还是机器学习模型对目标用户进行分类。如果目标用户对应的用户特征数据较为复杂，则可以选择使用深度分类网络模型，否则可以选择使用机器学习模型，这样，得到的用户分类信息的准确度较高。
可选地，目标用户对应的用户特征数据可以包括不同类型的特征数据，在 本公开实施例提供的方法中，介绍提取四种不同类型的目标用户对应的用户特征数据方式。当然，还可以有更多的方式用于提取更多不同类型的目标用户对应的用户特征数据。其中，四种不同类型的目标用户对应的用户特征数据可以包括基础特征数据、时空特征数据、融合特征数据和社区特征数据。
可选地，下面将介绍提取基础特征数据的方式。步骤S120可以包括：基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户和其他用户中用户之间的互动关系；基于用户之间的互动关系，建立用户关系网络；基于用户关系网络，确定目标用户对应的用户特征数据。
在实施中，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定存在互动关系的至少一个用户组；将至少一个用户组中包括的两个用户确定为两个网络节点，并且将属于同一用户组的两个网络节点进行连接，建立用户关系网络；基于用户关系网络，确定目标用户对应的用户特征数据。
首先，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定存在互动关系的至少一个用户组。例如，用户A给用户B打电话、用户A给用户C打电话、用户B给用户D打电话等，用户A和用户B存在互动关系，他们可以作为一个用户组01，以此类推，用户A和用户C存在互动关系，他们可以作为一个用户组02，用户B和用户D存在互动关系，他们可以作为一个用户组03。接着，可以将至少一个用户组中包括的两个用户确定为两个网络节点，将属于同一用户组的两个网络节点进行连接，得到一个用户关系网络。最后，可以基于用户关系网络，确定目标用户对应的用户特征数据。
可选地，用户特征数据包括网络结构特征数据，基于用户关系网络，确定目标用户对应的用户特征数据的步骤可以包括：确定用户关系网络的网络结构特征数据，作为目标用户对应的用户特征数据。
在实施中，可以对用户关系网络中的网络节点以及具有连接关系的网络节点之间的边进行统计计算，得到用户关系网络的网络结构特征数据。可以确定用户关系网络的一阶度数、二阶度数、群集系数、邻居系数、度中心性、介数、入度中心性、出度中心性、embedding(嵌入)特征等网络结构特征数据。
其中，以用户关系网络中的A点对应的网络结构特征数据为例进行说明，用户关系网络中的其他网络节点对应的网络结构特征数据的确定方式与A点类似，其他网络节点对应的网络结构特征数据的确定方式可以参见A点对应的网 络结构特征数据的确定方式。可以将A点作为本公开实施例提供的方法中所述的目标用户对应的网络节点。
1)一阶度数可以是，与A点直接相连接的一阶邻居网络节点的数量。例如A点存在4个一阶邻居网络节点，A点的一阶度数为4。
2)二阶度数可以是，与A点的一阶邻居网络节点直接相连接的邻居网络节点的数量。
3)群集系数可以通过2M/K(K-1)进行计算。其中，K为A点的一阶度数，M为A点的各一阶邻居网络节点之间的边的数量。
4)邻居系数可以为，A点的各一阶邻居网络节点之间存在连接关系的网络节点的数量。
5)度中心性可以通过下面的方式确定。首先，确定A点和各一阶邻居网络节点之间的边的数量与1的差值，接着，确定A点的一阶度数除以差值的商，作为度中心性。
6)介数可以通过下面的方式确定。首先，任意两点之间需要经过A点的所有路径，接着，确定任意两点对应的经过A点的最短路径，最后，将所有两点对应的经过A点的最短路径的数量，确定为A点的介数。
7)入度中心性可以通过下面的方式确定。用户关系网络中的边可以存在方向，A点的入度中心性可以是进入A点的边的数量。
8)出度中心性可以通过下面的方式确定。用户关系网络中的边可以存在方向，A点的出度中心性可以是从A点出发的边的数量。
9)可以通过DeepWalk(一种确定网络结构特征的算法)、node2vec(一种确定网络结构特征的算法)、LINE(Large-scale Information Network Embedding，大规模信息网络嵌入)等embedding特征提取算法，提取A点的embedding特征。
用户关系网络中的其他网络节点对应的网络结构特征数据的确定方式与A点类似，其他网络节点对应的网络结构特征数据的确定方式可以参见A点对应的网络结构特征数据的确定方式，在此不再赘述。上述1)至9)中的一阶度数、二阶度数、群集系数、邻居系数、度中心性、介数、入度中心性、出度中心性、embedding特征等可以作为用户关系网络的网络结构特征数据，也即是目标用户对应的用户特征数据。
可选地，下面将介绍提取时空特征数据的方式。步骤S120可以包括：基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户；对于至少一个互动用户中的每个互动用户，在目标用户的行为记录数据中，获取目标用户与互动用户的互动行为对应的行为记录数据，以及目标用户的非互动行为记录数据，并在互动用户的行为记录数据中，获取互动用户与目标用户的互动行为对应的行为记录数据，以及互动用户的非互动行为记录数据，作为目标用户和互动用户之间的关联行为记录数据，基于关联行为记录数据，确定互动用户对应的互动特征数据；将所有互动用户对应的互动特征数据的平均值，确定为目标用户对应的用户特征数据。
在实施中，首先，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户。接着，对于至少一个互动用户中的每个互动用户，可以在目标用户的行为记录数据、以及其他用户的行为记录数据中，确定目标用户的非互动行为记录数据、互动用户的非互动行为记录数据、目标用户与互动用户的互动行为对应的行为记录数据、以及互动用户与目标用户的互动行为对应的行为记录数据。例如，A(地点、时间、事件)；A、B(地点、时间、事件)；B(地点、时间、事件)；A、B(地点、时间、事件)。其中，A、B是两个不同的用户，A是目标用户，B是互动用户。A(地点、时间、事件)可以是目标用户的非互动行为记录数据。A、B(地点、时间、事件)可以是目标用户与互动用户的互动行为对应的行为记录数据，或者是互动用户与目标用户的互动行为对应的行为记录数据。B(地点、时间、事件)可以是互动用户的非互动行为记录数据。
接着，可以对目标用户和互动用户之间的关联行为记录数据按照时间先后顺序进行排序，得到目标用户和互动用户之间的行为序列。例如，A(地点、时间、事件)——》A、B(地点、时间、事件)——》B(地点、时间、事件)——》A、B(地点、时间、事件)。
随后，可以基于目标用户和互动用户之间的行为序列，确定目标用户和互动用户之间的关联用户特征数据。例如，可以从时间、空间(地点)和事件三个维度提取目标用户和互动用户之间的行为序列的特征，作为目标用户和互动用户之间的关联用户特征数据。具体可以是，统计计算序列中每个元素之间的时间间隔、序列中第一个元素和最后一个元素之间的时间跨度、序列中不同地 点出现的次数、序列中不同事件出现的次数等。接着，可以构建三个维度的交叉特征。
可以重复执行上述方法，直到确定目标用户和所有互动用户之间的关联用户特征数据。例如，A、B(特征1、特征2、特征3)；A、C(特征1、特征2、特征3)。其中，A是目标用户，B和C分别是两个互动用户。
除此以外，还可以通过LSTM(Long Short-Term Memory，长短期记忆网络)、RNN(Recurrent Neural Network，递归神经网络)等embedding特征提取算法，提取目标用户和互动用户之间的行为序列的embedding特征。
最后，可以确定目标用户和所有互动用户之间的关联用户特征数据的和值，将和值除以互动用户的数量的商，确定为目标用户对应的用户特征数据。通过公式1计算目标用户对应的用户特征数据。
Figure PCTCN2019127930-appb-000001
其中，Fea mean(A)为目标用户A对应的用户特征数据。Fea(A,B)、Fea(A,C)、Fea(A,F)、Fea(A,G)为目标用户A分别和互动用户B、C、F、G等之间的关联用户特征数据。n为互动用户的数量。
可选地，下面将介绍提取融合特征数据的方式。步骤S120可以包括：基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户；基于目标用户的行为记录数据、以及至少一个互动用户的行为记录数据，确定目标用户和至少一个互动用户中用户之间的互动关系；基于用户之间的互动关系，建立用户关系网络；基于用户关系网络以及标签传播算法，确定目标用户以及每个互动用户分别对应的特征权重；基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；基于目标用户对应的中间用户特征数据、每个互动用户对应的中间用户特征数据和目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为目标用户对应的用户特征数据。
在实施中，可以通过前面介绍的两种方式，提取基础特征数据以及时空特征数据，进而可以将这两种不同类型的特征数据进行拼接组合，得到目标用户对应的中间用户特征数据。可以重复上面的方法，并且得到至少一个互动用户对应的中间用户特征数据。由于互动用户的一些行为也可以对目标用户的行为 产生影响，互动用户的一些属性特质也是目标用户所拥有的，因此可以将对目标用户的行为具备影响力的至少一个互动用户对应的中间用户特征数据和目标用户对应的中间用户特征数据进行融合，以确定目标用户对应的用户特征数据。
首先，可以基于目标用户的行为记录数据、以及其他用户的行为记录数据，确定与目标用户之间存在互动关系的至少一个互动用户。接着，可以将目标用户以及至少一个互动用户中的所有用户中存在互动关系的用户进行连接，建立用户关系网络。基于用户关系网络以及pageRank(标签传播)算法，确定目标用户以及至少一个互动用户分别对应的特征权重。目标用户以及至少一个互动用户分别对应的特征权重表示的是每个用户在用户关系网络中的重要程度，如果任一用户和其他用户之间的互动行为较为密集，则该任一用户在很大程度上对应的特征权重比较大。
接着，可以确定目标用户对应的中间用户特征数据与对应的特征权重的乘积，确定至少一个互动用户对应的中间用户特征数据与对应的特征权重的乘积。最后，可以将所有乘积的总和除以目标用户以及至少一个互动用户的总数量的商，确定为目标用户对应的用户特征数据。除了上述方法以外，还可以直接将所有乘积的总和确定为目标用户对应的用户特征数据。可以基于实际应用场景，对融合策略方式进行适应性的调整，以提高对目标用户进行分类处理的准确度。
除了上述方案之外，还可以通过其他方式提取融合特征数据。例如，可以通过structure2vec(一种数据处理算法)、GCN(Graph Convolutional Neural Network，图卷积神经网络)、GNN(Graph Neural Network，图神经网络)、GeniePath(一种具有自适应接受路径的图神经网络)算法等，对多种的特征数据进行融合，确定为目标用户对应的用户特征数据。
下面将介绍通过structure2vec算法对多种的特征数据进行融合，确定为目标用户对应的用户特征数据的方式。structure2vec算法也可以对应两种不同的融合策略方式。第一种方式可以通过公式2实现。公式2是通过对至少一个互动用户的用户特征数据进行求平均值的方式，来确定目标用户对应的用户特征数据的。
Figure PCTCN2019127930-appb-000002
其中，
Figure PCTCN2019127930-appb-000003
为目标用户对应的用户特征数据，σ是常数，W (t)为每个互动用户对应的特征权重，N(i)为互动用户的数量，
Figure PCTCN2019127930-appb-000004
为每个互动用户的用户特征数 据。
第二种方式可以通过公式3实现。公式3是通过对至少一个互动用户的用户特征数据进行求和值的方式，来确定目标用户对应的用户特征数据的。
Figure PCTCN2019127930-appb-000005
其中，
Figure PCTCN2019127930-appb-000006
为目标用户对应的用户特征数据，σ是常数，W (t)为每个互动用户对应的特征权重，N(i)为互动用户的数量，
Figure PCTCN2019127930-appb-000007
为每个互动用户的用户特征数据。
下面将将介绍通过GCN算法对多种的特征数据进行融合，确定为目标用户对应的用户特征数据的方式。具体可以通过公式4实现。公式4是通过对至少一个互动用户的用户特征数据进行归一化的方式，来确定目标用户对应的用户特征数据的。
Figure PCTCN2019127930-appb-000008
其中，
Figure PCTCN2019127930-appb-000009
为目标用户对应的用户特征数据，σ是常数，W (t)为每个互动用户对应的特征权重，N(i)为互动用户的数量，N(j)为用户特征数据的数量，
Figure PCTCN2019127930-appb-000010
为每个互动用户的用户特征数据。
可选地，下面将介绍提取社区特征数据的方式。基于用户关系网络，确定目标用户对应的用户特征数据的步骤可以包括：基于社区发现算法，对用户关系网络进行划分，得到多个子用户关系网络；确定目标用户所属的目标子用户关系网络；获取目标子用户关系网络对应的社区属性信息，作为目标用户对应的用户特征数据。
在实施中，假设用户关系网络是一个包含大量用户的用户关系网络，可以基于社区发现算法如Louvain(一种社区发现算法)、MNMF(一种社区发现算法)、ComE(一种社区发现算法)算法等，对用户关系网络进行划分，得到多个子用户关系网络。接着，可以确定目标用户所属的目标子用户关系网络。最后，可以获取目标子用户关系网络对应的社区属性信息，作为目标用户对应的用户特征数据。其中，社区属性信息可以是社区的特征信息、社区的性质、社区的标签、社区的标识等信息。
用户特征数据可以包括基础特征数据、时空特征数据、融合特征数据和社区特征数据等数据，通过上述特征数据可以从多个角度对用户进行描述，当描 述的角度越多，描述的数据越充足时，用户特征数据越能体现用户的特点，进而基于用户特征数据确定出的用户的分类更加准确。
通过本公开实施例提供的方法，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
基于相同的发明构思，本公开一示例性实施例提供了一种对用户进行分类的方法，如图2所示，该方法的处理流程可以包括如下的步骤：
步骤S210，对目标用户的行为记录数据、以及其他用户的行为记录数据进行分析，确定构建同构关系网络或者异构关系网络。
步骤S220，无论构建的是同构关系网络还是异构关系网络，都可以执行确定目标用户的四种不同类型的用户特征数据如基础特征数据、时空特征数据、融合特征数据和社区特征数据。
步骤S230，在确定出目标用户的四种不同类型的用户特征数据如基础特征数据、时空特征数据、融合特征数据和社区特征数据之后，可以将这四种不同类型的用户特征数据进行融合，得到融合后的目标用户对应的用户特征数据。
步骤S240，通过特征工程处理方法，对融合后的目标用户对应的用户特征数据进行处理，如对融合后的目标用户对应的用户特征数据进行特征选择、特征抽取等处理，以保留有用的用户特征数据，清除掉没有价值的用户特征数据。
步骤S250，通过经验判断通过深度分类网络模型还是机器学习模型，基于进行特征工程处理后的目标用户对应的用户特征数据，对目标用户进行分类。
步骤S260，可以将进行特征工程处理后的目标用户对应的用户特征数据输入到深度分类网络模型或者机器学习模型中，得到目标用户对应的用户分类信息。
通过对目标用户的四种不同类型的用户特征数据进行融合处理、特征工程处理后的特征数据的价值更高，进而能提高确定出的用户分类信息的准确度。
通过本公开实施例提供的方法，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
本公开又一示例性实施例提供了一种对用户进行分类的装置，如图3所示，该装置包括：
获取模块210，用于获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
确定模块220，用于基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
分类模块230，用于将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
可选地，所述确定模块220，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
确定所述目标用户所属的目标子用户关系网络；
获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及 所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
可选地，所述确定模块220，用于：
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
基于所述用户之间的互动关系，建立用户关系网络；
基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
通过本公开实施例提供的装置，即使在用户拒绝填写调查问卷的情况下，也可获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据，并提取这些行为记录数据的用户特征数据，进而可以基于用户特征数据以及用户分类网络模型，确定目标用户对应的用户分类信息。
需要说明的是：上述实施例提供的对用户进行分类的装置在对用户进行分类时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的对用户进行分类的装置与对用户进行分类的方法实施例属于同一构思，其 具体实现过程详见方法实施例，这里不再赘述。
图4示出了本公开一个示例性实施例提供的计算机设备1900的结构示意图。该计算机设备1900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(central processing units，CPU)1910和一个或一个以上的存储器1920。其中，所述存储器1920中存储有至少一条指令，所述至少一条指令由所述处理器1910加载并执行以实现上述实施例所述的对用户进行分类的方法。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

  1. 一种对用户进行分类的方法，其特征在于，所述方法包括：
    获取目标用户的行为记录数据、以及与目标用户相关联的其他用户的行为记录数据；
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
    将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
  2. 根据权利要求1所述的方法，其特征在于，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
    基于所述用户之间的互动关系，建立用户关系网络；
    基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
  3. 根据权利要求2所述的方法，其特征在于，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
    确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
  4. 根据权利要求2所述的方法，其特征在于，所述基于所述用户关系网络，确定所述目标用户对应的用户特征数据，包括：
    基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
    确定所述目标用户所属的目标子用户关系网络；
    获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
  5. 根据权利要求1所述的方法，其特征在于，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
    对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
    将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应的用户特征数据。
  6. 根据权利要求1所述的方法，其特征在于，所述基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据，包括：
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
    基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
    基于所述用户之间的互动关系，建立用户关系网络；
    基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
    基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
  7. 一种对用户进行分类的装置，其特征在于，所述装置包括：
    获取模块，用于获取目标用户的行为记录数据、以及与目标用户相关联的 其他用户的行为记录数据；
    确定模块，用于基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的用户特征数据；
    分类模块，用于将所述目标用户对应的用户特征数据输入到用户分类网络模型中，得到所述目标用户对应的用户分类信息。
  8. 根据权利要求7所述的装置，其特征在于，所述确定模块，用于：
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户和所述其他用户中用户之间的互动关系；
    基于所述用户之间的互动关系，建立用户关系网络；
    基于所述用户关系网络，确定所述目标用户对应的用户特征数据。
  9. 根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
    确定所述用户关系网络的网络结构特征数据，作为所述目标用户对应的用户特征数据。
  10. 根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
    基于社区发现算法，对所述用户关系网络进行划分，得到多个子用户关系网络；
    确定所述目标用户所属的目标子用户关系网络；
    获取所述目标子用户关系网络对应的社区属性信息，作为所述目标用户对应的用户特征数据。
  11. 根据权利要求7所述的装置，其特征在于，所述确定模块，用于：
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
    对于所述至少一个互动用户中的每个互动用户，在所述目标用户的行为记录数据中，获取所述目标用户与所述互动用户的互动行为对应的行为记录数据，以及所述目标用户的非互动行为记录数据，并在所述互动用户的行为记录数据中，获取所述互动用户与所述目标用户的互动行为对应的行为记录数据，以及所述互动用户的非互动行为记录数据，作为所述目标用户和所述互动用户之间的关联行为记录数据，基于所述关联行为记录数据，确定所述互动用户对应的互动特征数据；
    将所有互动用户对应的互动特征数据的平均值，确定为所述目标用户对应 的用户特征数据。
  12. 根据权利要求7所述的装置，其特征在于，所述确定模块，用于：
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定与所述目标用户之间存在互动关系的至少一个互动用户；
    基于所述目标用户的行为记录数据、以及所述至少一个互动用户的行为记录数据，确定所述目标用户和所述至少一个互动用户中用户之间的互动关系；
    基于所述用户之间的互动关系，建立用户关系网络；
    基于所述用户关系网络以及标签传播算法，确定所述目标用户以及每个互动用户分别对应的特征权重；
    基于所述目标用户的行为记录数据、以及所述其他用户的行为记录数据，确定所述目标用户对应的中间用户特征数据、以及每个互动用户对应的中间用户特征数据；
    基于所述目标用户对应的中间用户特征数据、所述每个互动用户对应的中间用户特征数据和所述目标用户以及每个互动用户分别对应的特征权重，确定各中间用户特征数据的加权平均值，作为所述目标用户对应的用户特征数据。
  13. 一种计算机设备，其特征在于，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中：
    所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
    所述存储器，用于存放计算机程序；
    所述处理器，用于执行所述存储器上所存放的程序，以实现权利要求1-6任一所述的方法步骤。
  14. 一种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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
PCT/CN2019/127930 2018-12-24 2019-12-24 对用户进行分类的方法和装置 WO2020135420A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811584209.1A CN111353001B (zh) 2018-12-24 2018-12-24 对用户进行分类的方法和装置
CN201811584209.1 2018-12-24

Publications (1)

Publication Number Publication Date
WO2020135420A1 true WO2020135420A1 (zh) 2020-07-02

Family

ID=71128441

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/127930 WO2020135420A1 (zh) 2018-12-24 2019-12-24 对用户进行分类的方法和装置

Country Status (2)

Country Link
CN (1) CN111353001B (zh)
WO (1) WO2020135420A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522866B (zh) * 2020-07-03 2020-11-03 支付宝(杭州)信息技术有限公司 一种可信子图的挖掘方法、装置以及设备
CN117574286B (zh) * 2024-01-11 2024-05-24 阿里健康科技(杭州)有限公司 标签值的确定方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102769781A (zh) * 2012-07-17 2012-11-07 青岛海信传媒网络技术有限公司 推荐电视节目的方法及装置
WO2015069607A2 (en) * 2013-11-08 2015-05-14 Microsoft Technology Licensing, Llc Hierarchical statistical model for behavior prediction and classification
CN105045916A (zh) * 2015-08-20 2015-11-11 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种手机游戏推荐系统及其推荐方法
CN106934412A (zh) * 2015-12-31 2017-07-07 中国科学院深圳先进技术研究院 一种用户行为分类方法及系统
CN108280757A (zh) * 2017-02-13 2018-07-13 腾讯科技（深圳）有限公司 用户信用评估方法及装置
CN109063130A (zh) * 2018-08-02 2018-12-21 广州友米科技有限公司 基于用户行为合并展示社交分享信息的方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009043020A2 (en) * 2007-09-28 2009-04-02 The Trustees Of Dartmouth College System and method for injecting sensed presence into social networking applications
EP2384476A4 (en) * 2009-01-30 2013-01-23 Cbs Interactive Inc PERSONALIZATION MACHINE FOR CREATING A USER PROFILE
CN103412930A (zh) * 2013-08-17 2013-11-27 北京品友互动信息技术有限公司 一种互联网用户属性识别方法
CN103593393B (zh) * 2013-09-13 2017-01-04 微梦创科网络科技（中国）有限公司 基于微博互动关系挖掘社交圈的方法及装置
CN103745002B (zh) * 2014-01-24 2017-01-18 中国科学院信息工程研究所 一种基于行为特征与内容特征融合的水军识别方法及系统
CN104809132B (zh) * 2014-01-27 2018-07-31 阿里巴巴集团控股有限公司 一种获取网络主体社交关系类型的方法及装置
CN104298719B (zh) * 2014-09-23 2018-02-27 新浪网技术(中国)有限公司 基于社交行为进行用户的类别划分、广告投放方法和系统
CN104951544A (zh) * 2015-06-19 2015-09-30 百度在线网络技术（北京）有限公司 用户数据处理方法、用户数据的提供方法和系统
US11200257B2 (en) * 2016-04-25 2021-12-14 Securboration, Inc. Classifying social media users
CN107368488A (zh) * 2016-05-12 2017-11-21 阿里巴巴集团控股有限公司 一种确定用户行为偏好的方法、推荐信息的展示方法和装置
CN106548210B (zh) * 2016-10-31 2021-02-05 腾讯科技（深圳）有限公司 基于机器学习模型训练的信贷用户分类方法及装置
CN108073933B (zh) * 2016-11-08 2021-05-25 杭州海康威视数字技术股份有限公司 一种目标检测方法及装置
CN108055646B (zh) * 2017-05-19 2021-02-05 上海掌门科技有限公司 一种用于推荐用户的方法与设备
CN108197224B (zh) * 2017-12-28 2020-11-20 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN108804633B (zh) * 2018-06-01 2021-10-08 腾讯科技（深圳）有限公司 基于行为语义知识网络的内容推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102769781A (zh) * 2012-07-17 2012-11-07 青岛海信传媒网络技术有限公司 推荐电视节目的方法及装置
WO2015069607A2 (en) * 2013-11-08 2015-05-14 Microsoft Technology Licensing, Llc Hierarchical statistical model for behavior prediction and classification
CN105045916A (zh) * 2015-08-20 2015-11-11 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种手机游戏推荐系统及其推荐方法
CN106934412A (zh) * 2015-12-31 2017-07-07 中国科学院深圳先进技术研究院 一种用户行为分类方法及系统
CN108280757A (zh) * 2017-02-13 2018-07-13 腾讯科技（深圳）有限公司 用户信用评估方法及装置
CN109063130A (zh) * 2018-08-02 2018-12-21 广州友米科技有限公司 基于用户行为合并展示社交分享信息的方法

Also Published As

Publication number Publication date
CN111353001A (zh) 2020-06-30
CN111353001B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN111784455B (zh) 一种物品推荐方法及推荐设备
US10311106B2 (en) Social graph visualization and user interface
WO2018041168A1 (zh) 信息推送方法、存储介质和服务器
CN102890696B (zh) 基于社交网络的上下文排序
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
US8290818B1 (en) System for recommending item bundles
US9959563B1 (en) Recommendation generation for infrequently accessed items
US8285602B1 (en) System for recommending item bundles
US20170206276A1 (en) Large Scale Recommendation Engine Based on User Tastes
Li et al. A multi-theoretical kernel-based approach to social network-based recommendation
US8832091B1 (en) Graph-based semantic analysis of items
CN109255586B (zh) 一种面向电子政务办事的在线个性化推荐方法
CN111506820B (zh) 推荐模型、方法、装置、设备及存储介质
CN109903103B (zh) 一种推荐物品的方法和装置
US20180307733A1 (en) User characteristic extraction method and apparatus, and storage medium
US20160314145A1 (en) Using image recognition to locate resources
Gelli et al. Beyond the product: Discovering image posts for brands in social media
WO2020135420A1 (zh) 对用户进行分类的方法和装置
Akhil et al. A survey of recommender system types and its classification.
TW201903705A (zh) 用於基於種子監督學習提供推薦的系統和方法
CN112560105B (zh) 保护多方数据隐私的联合建模方法及装置
US10929905B2 (en) Method, system and machine-readable medium for online task exchange
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
CN109299368B (zh) 一种用于环境信息资源ai智能个性化推荐的方法及系统
Johari et al. The Hybrid Recommender System of the Indonesian Online Market Products using IMDb weight rating and TF-IDF

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19902647

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19902647

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19902647

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 020222)

122 Ep: pct application non-entry in european phase

Ref document number: 19902647

Country of ref document: EP

Kind code of ref document: A1