CN108763478A - 用户隐性特征计算方法、服务器及计算机可读存储介质 - Google Patents
用户隐性特征计算方法、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108763478A CN108763478A CN201810533606.XA CN201810533606A CN108763478A CN 108763478 A CN108763478 A CN 108763478A CN 201810533606 A CN201810533606 A CN 201810533606A CN 108763478 A CN108763478 A CN 108763478A
- Authority
- CN
- China
- Prior art keywords
- user
- recessive character
- matrixes
- recessive
- lfm
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用户隐性特征计算方法,该方法包括:获取用户行为数据集;设置所需的用户隐性特征的数量;将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。本发明实施例还公开了一种服务器和计算机可读存储介质。由此,能够精确刻画用户的兴趣标签,从而为搜索、个性化推荐等业务提供数据支持。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种用户隐性特征计算方法、服务器及计算机可读存储介质。
背景技术
随着互联网技术的快速发展,个性化服务越来越成为各个企业关注的重点,互联网个性化技术可以把用户的个性化需求与相关的个性化产品和服务整合起来,从而给用户进行更加精准的个性化推荐、搜索、广告等服务。
互联网个性化服务的形态包括个性化商品推荐、个性化推送、个性化搜索等各个场景,通过相应的个性化技术,为不同的用户提供不同的服务。在各种个性化技术中比较重要的异步就是用户兴趣特征的挖掘和描述,即用户业务画像标签的挖掘。一般的用户业务画像标签的挖掘是通过用户使用的商品标签程度来刻画用户兴趣,但是往往商品标签的总数数量级为万或是数十万,单个用户往往也会达到千的级别。如果用标签总量来标示用户兴趣,则每个用户的兴趣向量维度可达上万维,其中由于与用户发生过交互的商品标签为百级、千级,则每个用户的兴趣向量大部分为0;如果每个用户仅标示最感兴趣的前n(例如n=100)个标签,则会丢失大量用户兴趣信息。
发明内容
本发明的主要目的在于提出一种用户隐性特征计算方法、服务器及计算机可读存储介质,以精确刻画用户的兴趣标签,从而为搜索、个性化推荐等业务提供数据支持。
为实现上述目的,本发明提供的一种用户隐性特征计算方法,所述方法包括步骤:
获取用户行为数据集;
设置所需的用户隐性特征的数量;及
将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
可选地,所述方法还包括步骤:
利用所述隐性特征进行用户聚类分析。
可选地,所述方法还包括步骤:
将所述隐性特征作为补充特征进行CTR预估。
可选地,所述用户行为数据集中包括一个终端应用的所有用户和所有项目,以及每个用户有过行为的项目列表。
可选地,对所述行为数据集进行LFM建模,得到对应数量的隐性特征的步骤包括:
根据所述数量,将所述行为数据集对应的R矩阵分解为用户特征矩阵P矩阵和项目特征矩阵Q矩阵,所述P矩阵中各项值Pi,j表示用户useri对分类classj的兴趣度,所述Q矩阵中各项值Qi,j表示项目itemj属于分类classi的权重,其中所述分类即为所述隐性特征。
此外,为实现上述目的,本发明还提出一种服务器,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户隐性特征计算程序,所述用户隐性特征计算程序被所述处理器执行时实现如下步骤:
获取用户行为数据集;
设置所需的用户隐性特征的数量;及
将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
可选地,所述用户隐性特征计算程序被所述处理器执行时还实现步骤:
利用所述隐性特征进行用户聚类分析。
可选地,所述用户隐性特征计算程序被所述处理器执行时还实现步骤:
将所述隐性特征作为补充特征进行CTR预估。
可选地,所述对所述行为数据集进行LFM建模,得到对应数量的隐性特征的步骤包括:
根据所述数量,将所述行为数据集对应的R矩阵分解为用户特征矩阵P矩阵和项目特征矩阵Q矩阵,所述P矩阵中各项值Pi,j表示用户useri对分类classj的兴趣度,所述Q矩阵中各项值Qi,j表示项目itemj属于分类classi的权重,其中所述分类即为所述隐性特征。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有用户隐性特征计算程序,所述用户隐性特征计算程序被处理器执行时实现如上述的用户隐性特征计算方法的步骤。
本发明提出的用户隐性特征计算方法、服务器及计算机可读存储介质,能够利用大量用户的终端APP使用行为进行用户隐性特征挖掘,得到用户的兴趣属于各个隐性特征的权重,即用户的隐性特征向量,利用此向量,可以精确刻画用户的兴趣标签,从而为搜索、个性化推荐等业务提供数据支持。
附图说明
图1为实现本发明各个实施例的一种应用环境架构图;
图2为本发明中一种移动终端的硬件结构示意图;
图3为如图2所示的移动终端的无线通信***示意图;
图4为本发明第一实施例提出的一种用户隐性特征计算方法的流程图;
图5为本发明中LFM建模的示意图;
图6为本发明第二实施例提出的一种用户隐性特征计算方法的流程图;
图7为本发明第三实施例提出的一种用户隐性特征计算方法的流程图;
图8为本发明第四实施例提出的一种服务器的模块示意图;
图9为本发明第五实施例提出的一种用户隐性特征计算***的模块示意图;
图10为本发明第六实施例提出的一种用户隐性特征计算***的模块示意图;
图11为本发明第七实施例提出的一种用户隐性特征计算***的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
请参阅图1,图1为实现本发明各个实施例的一种应用环境架构图。本发明可应用于包括,但不仅限于,服务器2、终端4、网络6的应用环境中。
其中,所述服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,该服务器2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。
所述终端4可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。
所述网络6可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication,GSM)、宽带码分多址(Wideband CodeDivision Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。所述服务器2通过所述网络6分别与一个或多个所述终端4通信连接,以进行数据传输和交互。
请参阅图2,其为本发明中一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图2中示出的移动终端结构并不构成对移动终端的限定,移动终端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。
下面结合图2对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯***)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图2示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。
进一步的,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图2中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理***与处理器110逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管图2未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络***进行描述。
请参阅图3,图3为本发明实施例提供的一种通信网络***架构图,该通信网络***为通用移动通信技术的LTE***,该LTE***包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
具体地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中,eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体)2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033,SGW(Serving Gate Way,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。其中,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035可以提供UE 201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP多媒体子***)或其它IP业务等。
虽然上述以LTE***为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于LTE***,也可以适用于其他无线通信***,例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络***等,此处不做限定。
基于上述移动终端硬件结构以及通信网络***,提出本发明方法各个实施例。
实施例一
如图4所示,本发明第一实施例提出一种用户隐性特征计算方法,该方法包括以下步骤:
S100,获取用户行为数据集。
具体地,为了对终端APP用户的行为数据进行数据挖掘,首先所述服务器2要从所述终端4中获取用户的行为数据集。可以在所述终端4的APP中进行埋点,记录用户的行为数据,然后所述终端4定期将所记录的行为数据发送至所述服务器2。所述用户行为数据集中包括所述终端APP的所有用户(user)和所有项目(item),以及每个用户有过行为的项目列表。
S102,设置所需的用户隐性特征的数量。
具体地,当需要从所述用户行为数据集中得到用户隐性特征时,首先根据需要设置所述隐性特征的数量,用于后续建模时使用。
S104,将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
具体地,根据设置的所述数量,利用LFM算法对所述行为数据集进行建模,可以得到用户隐性特征。所述LFM算法基本思想是将用户-项目评分矩阵(R矩阵)进行分解,也就是从所述行为数据集中抽取若干(所述数量的)主题或者分类,作为用户user和项目item之间的桥梁,得到相应的用户特征矩阵(P矩阵)和项目特征矩阵(Q矩阵),两个矩阵的乘积近似等于原矩阵。在LFM算法中,所述主题或分类通过机器学习得到,仅需预先设置好所述隐性特征的数据即可。所述R矩阵是user_item矩阵,R矩阵里的各项值Ri,j表示的是用户useri对项目itemj的兴趣度或是评分。所述P矩阵是user_class矩阵,矩阵中各项值Pi,j表示的是用户useri对分类classj的兴趣度。所述Q矩阵是class_item矩阵,矩阵中各项值Qi,j表示的是项目itemj属于分类classi的权重。利用常用的最小二乘或是梯度下降法即可求得所述P矩阵和Q矩阵。
参阅图5所示,为所述LFM建模的示意图。对于一个给定的用户行为数据集,使用LFM对其建模后,可以得到如图5所示的模型。此处假设所述行为数据集中有3个user、4个item、LFM建模的分类数为3。
所述P矩阵即为各个用户的兴趣矩阵,每行代表每个用户对于各个隐性特征的兴趣权重,每列代表每个隐性特征下各个用户的不同兴趣权重。所述P矩阵可以精细刻画不同的用户对不同的隐性特征的兴趣程度。
采用所述LFM算法建模得到所述隐性特征,具有以下特点:(1)不需关心具体类别的问题,可以基于用户行为统计自动进行分类;(2)不需关心分类粒度问题,通过设置所述数量即可控制粒度,设置的所述数量越多,分类粒度越细;(3)对于一个用户,并不是明确的划分到某一分类,而是计算其属于某一分类的程度,属于模糊分类;(4)可以得到每个用户属于每一个分类的权重,权重值越大,表示该用户对于该类特征越感兴趣。
本实施例提出的用户隐性特征计算方法,可以根据预设的隐性特征的数量,采用LFM算法对用户行为数据集进行建模,得到对应数量的隐性特征。
实施例二
如图6所示,本发明第二实施例提出一种用户隐性特征计算方法。在第二实施例中,所述用户隐性特征计算方法的步骤S200-S204与第一实施例的步骤S100-S104相类似,区别在于该方法还包括步骤S206。
该方法包括以下步骤:
S200,获取用户行为数据集。
具体地,为了对终端APP用户的行为数据进行数据挖掘,首先所述服务器2要从所述终端4中获取用户的行为数据集。可以在所述终端4的APP中进行埋点,记录用户的行为数据,然后所述终端4定期将所记录的行为数据发送至所述服务器2。所述用户行为数据集中包括所述终端APP的所有用户(user)和所有项目(item),以及每个用户有过行为的项目列表。
S202,设置所需的用户隐性特征的数量。
具体地,当需要从所述用户行为数据集中得到用户隐性特征时,首先根据需要设置所述隐性特征的数量,用于后续建模时使用。
S204,将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
具体地,根据设置的所述数量,利用LFM算法对所述行为数据集进行建模,可以得到用户隐性特征。所述LFM算法基本思想是将用户-项目评分矩阵(R矩阵)进行分解,也就是从所述行为数据集中抽取若干(所述数量的)主题或者分类,作为用户user和项目item之间的桥梁,得到相应的用户特征矩阵(P矩阵)和项目特征矩阵(Q矩阵),两个矩阵的乘积近似等于原矩阵(参阅图5所示)。在LFM算法中,所述主题或分类通过机器学习得到,仅需预先设置好所述隐性特征的数据即可。所述R矩阵是user_item矩阵,R矩阵里的各项值Ri,j表示的是用户useri对项目itemj的兴趣度或是评分。所述P矩阵是user_class矩阵,矩阵中各项值Pi,j表示的是用户useri对分类classj的兴趣度。所述Q矩阵是class_item矩阵,矩阵中各项值Qi,j表示的是项目itemj属于分类classi的权重。利用常用的最小二乘或是梯度下降法即可求得所述P矩阵和Q矩阵。
所述P矩阵即为各个用户的兴趣矩阵,每行代表每个用户对于各个隐性特征的兴趣权重,每列代表每个隐性特征下各个用户的不同兴趣权重。所述P矩阵可以精细刻画不同的用户对不同的隐性特征的兴趣程度。
S206,利用所述隐性特征进行用户聚类分析。
具体地,由于终端APP的隐性特征向量是基于群体用户的行为计算得到的,所以该隐性特征向量更能准确表达一个用户对某个隐性特征的喜爱程度。据此,可以将计算得到的每个用户的N维特征向量直接输入聚类模型中(例如K-means等),得到各个类簇,所述各个类族之间的用户具有高度相似性,从而完成用户聚类分析的目的。
实施例三
如图7所示,本发明第三实施例提出一种用户隐性特征计算方法。在第三实施例中,所述用户隐性特征计算方法的步骤S300-S304与第一实施例的步骤S100-S104相类似,区别在于该方法还包括步骤S306。
该方法包括以下步骤:
S300,获取用户行为数据集。
具体地,为了对终端APP用户的行为数据进行数据挖掘,首先所述服务器2要从所述终端4中获取用户的行为数据集。可以在所述终端4的APP中进行埋点,记录用户的行为数据,然后所述终端4定期将所记录的行为数据发送至所述服务器2。所述用户行为数据集中包括所述终端APP的所有用户(user)和所有项目(item),以及每个用户有过行为的项目列表。
S302,设置所需的用户隐性特征的数量。
具体地,当需要从所述用户行为数据集中得到用户隐性特征时,首先根据需要设置所述隐性特征的数量,用于后续建模时使用。
S304,将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
具体地,根据设置的所述数量,利用LFM算法对所述行为数据集进行建模,可以得到用户隐性特征。所述LFM算法基本思想是将用户-项目评分矩阵(R矩阵)进行分解,也就是从所述行为数据集中抽取若干(所述数量的)主题或者分类,作为用户user和项目item之间的桥梁,得到相应的用户特征矩阵(P矩阵)和项目特征矩阵(Q矩阵),两个矩阵的乘积近似等于原矩阵(参阅图5所示)。在LFM算法中,所述主题或分类通过机器学习得到,仅需预先设置好所述隐性特征的数据即可。所述R矩阵是user_item矩阵,R矩阵里的各项值Ri,j表示的是用户useri对项目itemj的兴趣度或是评分。所述P矩阵是user_class矩阵,矩阵中各项值Pi,j表示的是用户useri对分类classj的兴趣度。所述Q矩阵是class_item矩阵,矩阵中各项值Qi,j表示的是项目itemj属于分类classi的权重。利用常用的最小二乘或是梯度下降法即可求得所述P矩阵和Q矩阵。
所述P矩阵即为各个用户的兴趣矩阵,每行代表每个用户对于各个隐性特征的兴趣权重,每列代表每个隐性特征下各个用户的不同兴趣权重。所述P矩阵可以精细刻画不同的用户对不同的隐性特征的兴趣程度。
S306,将所述隐性特征作为补充特征进行点击通过率(Click-Through-Rate,CTR)预估。
具体地,在CTR预估中,如何构造质量较好的特征进行模型训练是一个非常重要的工作,通常需要花费大量人力去做特征工程的工作。而通过用户行为挖掘到的所述隐性特征中包含大量非线性、多维交互的特征,以此作为CTR预估中的补充特征,可以省去不少人工特征的工作。
实施例四
如图8所示,本发明第四实施例提出一种服务器2。所述服务器2包括存储器20、处理器22和用户隐性特征计算***28。
其中,所述存储器20至少包括一种类型的可读存储介质,用于存储安装于所述服务器2的操作***和各类应用软件,例如用户隐性特征计算***28的程序代码等。此外,所述存储器20还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述服务器2的总体操作。本实施例中,所述处理器22用于运行所述存储器20中存储的程序代码或者处理数据,例如运行所述用户隐性特征计算***28等。
实施例五
如图9所示,本发明第五实施例提出一种用户隐性特征计算***28。在本实施例中,所述用户隐性特征计算***28包括:
获取模块800,用于获取用户行为数据集。
具体地,为了对终端APP用户的行为数据进行数据挖掘,首先所述获取模块800要从所述终端4中获取用户的行为数据集。可以在所述终端4的APP中进行埋点,记录用户的行为数据,然后所述终端4定期将所记录的行为数据发送至所述服务器2。所述用户行为数据集中包括所述终端APP的所有用户(user)和所有项目(item),以及每个用户有过行为的项目列表。
设置模块802,用于设置所需的用户隐性特征的数量。
具体地,当需要从所述用户行为数据集中得到用户隐性特征时,所述设置模块802首先根据需要设置所述隐性特征的数量,用于后续建模时使用。
建模模块804,用于将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
具体地,根据设置的所述数量,利用LFM算法对所述行为数据集进行建模,可以得到用户隐性特征。所述LFM算法基本思想是将用户-项目评分矩阵(R矩阵)进行分解,也就是从所述行为数据集中抽取若干(所述数量的)主题或者分类,作为用户user和项目item之间的桥梁,得到相应的用户特征矩阵(P矩阵)和项目特征矩阵(Q矩阵),两个矩阵的乘积近似等于原矩阵(参阅图5所示)。在LFM算法中,所述主题或分类通过机器学习得到,仅需预先设置好所述隐性特征的数据即可。所述R矩阵是user_item矩阵,R矩阵里的各项值Ri,j表示的是用户useri对项目itemj的兴趣度或是评分。所述P矩阵是user_class矩阵,矩阵中各项值Pi,j表示的是用户useri对分类classj的兴趣度。所述Q矩阵是class_item矩阵,矩阵中各项值Qi,j表示的是项目itemj属于分类classi的权重。利用常用的最小二乘或是梯度下降法即可求得所述P矩阵和Q矩阵。
所述P矩阵即为各个用户的兴趣矩阵,每行代表每个用户对于各个隐性特征的兴趣权重,每列代表每个隐性特征下各个用户的不同兴趣权重。所述P矩阵可以精细刻画不同的用户对不同的隐性特征的兴趣程度。
实施例六
如图10所示,本发明第六实施例提出一种用户隐性特征计算***28。在本实施例中,所述用户隐性特征计算***28除了包括第五实施例中的所述获取模块800、设置模块802、建模模块804之外,还包括聚类模块806。
所述聚类模块806,用于利用所述隐性特征进行用户聚类分析。
具体地,由于终端APP的隐性特征向量是基于群体用户的行为计算得到的,所以该隐性特征向量更能准确表达一个用户对某个隐性特征的喜爱程度。据此,可以将计算得到的每个用户的N维特征向量直接输入聚类模型中(例如K-means等),得到各个类簇,所述各个类族之间的用户具有高度相似性,从而完成用户聚类分析的目的。
实施例七
如图11所示,本发明第七实施例提出一种用户隐性特征计算***28。在本实施例中,所述用户隐性特征计算***28除了包括第五实施例中的所述获取模块800、设置模块802、建模模块804之外,还包括预估模块808。
所述预估模块808,用于将所述隐性特征作为补充特征进行CTR预估。
具体地,在CTR预估中,如何构造质量较好的特征进行模型训练是一个非常重要的工作,通常需要花费大量人力去做特征工程的工作。而通过用户行为挖掘到的所述隐性特征中包含大量非线性、多维交互的特征,以此作为CTR预估中的补充特征,可以省去不少人工特征的工作。
实施例八
本发明还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有用户隐性特征计算程序,所述用户隐性特征计算程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的用户隐性特征计算方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种用户隐性特征计算方法,应用于服务器中,其特征在于,所述方法包括步骤:
获取用户行为数据集;
设置所需的用户隐性特征的数量;及
将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
2.根据权利要求1所述的用户隐性特征计算方法,其特征在于,所述方法还包括步骤:
利用所述隐性特征进行用户聚类分析。
3.根据权利要求1所述的用户隐性特征计算方法,其特征在于,所述方法还包括步骤:
将所述隐性特征作为补充特征进行CTR预估。
4.根据权利要求1-3任一项所述的用户隐性特征计算方法,其特征在于,所述用户行为数据集中包括一个终端应用的所有用户和所有项目,以及每个用户有过行为的项目列表。
5.根据权利要求1-3任一项所述的用户隐性特征计算方法,其特征在于,对所述行为数据集进行LFM建模,得到对应数量的隐性特征的步骤包括:
根据所述数量,将所述行为数据集对应的R矩阵分解为用户特征矩阵P矩阵和项目特征矩阵Q矩阵,所述P矩阵中各项值Pi,j表示用户useri对分类classj的兴趣度,所述Q矩阵中各项值Qi,j表示项目itemj属于分类classi的权重,其中所述分类即为所述隐性特征。
6.一种服务器,其特征在于,所述服务器包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户隐性特征计算程序,所述用户隐性特征计算程序被所述处理器执行时实现如下步骤:
获取用户行为数据集;
设置所需的用户隐性特征的数量;及
将所述数量作为LFM建模的分类数,对所述行为数据集进行LFM建模,得到对应数量的隐性特征。
7.根据权利要求6所述的服务器,其特征在于,所述用户隐性特征计算程序被所述处理器执行时还实现步骤:
利用所述隐性特征进行用户聚类分析。
8.根据权利要求6所述的服务器,其特征在于,所述用户隐性特征计算程序被所述处理器执行时还实现步骤:
将所述隐性特征作为补充特征进行CTR预估。
9.根据权利要求6-8任一项所述的服务器,其特征在于,所述对所述行为数据集进行LFM建模,得到对应数量的隐性特征的步骤包括:
根据所述数量,将所述行为数据集对应的R矩阵分解为用户特征矩阵P矩阵和项目特征矩阵Q矩阵,所述P矩阵中各项值Pi,j表示用户useri对分类classj的兴趣度,所述Q矩阵中各项值Qi,j表示项目itemj属于分类classi的权重,其中所述分类即为所述隐性特征。
10.一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上存储有用户隐性特征计算程序,所述用户隐性特征计算程序被处理器执行时实现如权利要求1至5中任一项所述的用户隐性特征计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533606.XA CN108763478A (zh) | 2018-05-29 | 2018-05-29 | 用户隐性特征计算方法、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533606.XA CN108763478A (zh) | 2018-05-29 | 2018-05-29 | 用户隐性特征计算方法、服务器及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108763478A true CN108763478A (zh) | 2018-11-06 |
Family
ID=64003893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533606.XA Pending CN108763478A (zh) | 2018-05-29 | 2018-05-29 | 用户隐性特征计算方法、服务器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108763478A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110152298A (zh) * | 2018-11-22 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 实现虚拟角色的装备推荐方法、装置及计算机设备 |
CN111325419A (zh) * | 2018-12-13 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 一种识别黑名单用户的方法和装置 |
CN112541407A (zh) * | 2020-08-20 | 2021-03-23 | 同济大学 | 一种基于用户服务操作流的视觉服务推荐方法 |
CN114880581A (zh) * | 2022-06-30 | 2022-08-09 | 中航信移动科技有限公司 | 用户数据处理方法、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030764A1 (en) * | 2008-07-30 | 2010-02-04 | At&T Corp. | Recommender System Utilizing Collaborative Filtering Combining Explicit and Implicit Feedback with both Neighborhood and Latent Factor Models |
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN107944026A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 一种图集个性化推荐的方法、装置、服务器和存储介质 |
-
2018
- 2018-05-29 CN CN201810533606.XA patent/CN108763478A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030764A1 (en) * | 2008-07-30 | 2010-02-04 | At&T Corp. | Recommender System Utilizing Collaborative Filtering Combining Explicit and Implicit Feedback with both Neighborhood and Latent Factor Models |
CN106022865A (zh) * | 2016-05-10 | 2016-10-12 | 江苏大学 | 一种基于评分和用户行为的商品推荐方法 |
CN107944026A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 一种图集个性化推荐的方法、装置、服务器和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110152298A (zh) * | 2018-11-22 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 实现虚拟角色的装备推荐方法、装置及计算机设备 |
CN111325419A (zh) * | 2018-12-13 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 一种识别黑名单用户的方法和装置 |
CN112541407A (zh) * | 2020-08-20 | 2021-03-23 | 同济大学 | 一种基于用户服务操作流的视觉服务推荐方法 |
CN112541407B (zh) * | 2020-08-20 | 2022-05-13 | 同济大学 | 一种基于用户服务操作流的视觉服务推荐方法 |
CN114880581A (zh) * | 2022-06-30 | 2022-08-09 | 中航信移动科技有限公司 | 用户数据处理方法、存储介质及电子设备 |
CN114880581B (zh) * | 2022-06-30 | 2022-09-16 | 中航信移动科技有限公司 | 用户数据处理方法、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268835A (zh) | 手语翻译方法、移动终端及计算机可读存储介质 | |
CN108763478A (zh) | 用户隐性特征计算方法、服务器及计算机可读存储介质 | |
CN108334539A (zh) | 对象推荐方法、移动终端及计算机可读存储介质 | |
CN107194732A (zh) | 一种应用推送方法、移动终端以及计算机可读存储介质 | |
CN107633051A (zh) | 桌面搜索方法、移动终端及计算机可读存储介质 | |
CN108573064A (zh) | 信息推荐方法、移动终端、服务器及计算机可读存储介质 | |
CN108551520A (zh) | 一种语音搜索响应方法、设备及计算机可读存储介质 | |
CN108492836A (zh) | 一种基于语音的搜索方法、移动终端及存储介质 | |
CN108600325A (zh) | 一种推送内容的确定方法、服务器和计算机可读存储介质 | |
CN108241752A (zh) | 照片显示方法、移动终端及计算机可读存储介质 | |
CN108521500A (zh) | 一种语音场景控制方法、设备及计算机可读存储介质 | |
CN107896287A (zh) | 手机号码风险监测方法及移动终端 | |
CN108984590A (zh) | 一种页面数据展示方法、终端及计算机可读存储介质 | |
CN109241079A (zh) | 问题精确检索的方法、移动终端及计算机存储介质 | |
CN108769126A (zh) | 应用推荐方法、移动终端及计算机可读存储介质 | |
CN108510264A (zh) | 支付方法、移动终端及可读存储介质 | |
CN108897846A (zh) | 信息搜索方法、设备及计算机可读存储介质 | |
CN108230104A (zh) | 应用类特征生成方法、移动终端以及可读存储介质 | |
CN115022098A (zh) | 人工智能安全靶场内容推荐方法、装置及存储介质 | |
CN107368241A (zh) | 一种信息处理方法、设备及计算机可读存储介质 | |
CN107480054A (zh) | 一种调用链数据处理方法、设备及计算机可读存储介质 | |
CN107562719A (zh) | 一种标签处理方法、设备及计算机可读存储介质 | |
CN108536869A (zh) | 一种搜索分词的方法、装置及计算机可读存储介质 | |
CN108322611A (zh) | 一种锁屏信息推送方法、设备及计算机可读存储介质 | |
CN108319498A (zh) | 一种应用程序场景推送方法、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |