CN110020360A - 用户行为特征提取的方法,***及服务器 - Google Patents
用户行为特征提取的方法,***及服务器 Download PDFInfo
- Publication number
- CN110020360A CN110020360A CN201711099502.4A CN201711099502A CN110020360A CN 110020360 A CN110020360 A CN 110020360A CN 201711099502 A CN201711099502 A CN 201711099502A CN 110020360 A CN110020360 A CN 110020360A
- Authority
- CN
- China
- Prior art keywords
- user behavior
- data
- characteristic
- server
- processing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种用户行为特征提取的方法,***及服务器。涉及计算机信息处理领域,该方法包括:实时获取用户行为相关信息;对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;以及将所述特征数据发送至指定端。本申请公开的用户行为特征提取的方法,***及服务器,能够解决现有技术中用户特征提取处理中延时高、实时性差的问题。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用户行为特征提取的方法,***及服务器。
背景技术
在保险、金融、电商等拥有庞大用户群体的业务***中,用户行为数据可以为相关决策提供支持,更及时地获取用户行为信息,无疑为分析用户行为提供良好保障,同时也方便业务***更加及时的使用用户行为数据,为用户提供更精准的定制化服务,比如,用户爱好、兴趣推荐、用户行为限制、用户权利提升等。实时***(例如Web***)在一定程度上可以获得用户行为的实时数据,但仅限于那些非常简单的用户行为提取,如果要做大规模数据计算,实时***无法支撑。对于拥有大规模用户群体,大规模用户行为的行业,实时***完全不能满足用户行为特征提取的需求。
实时数据库可以存储用户行为数据,但实时数据库受到单机物理条件限制和数据库本身对数量量级的限制,无法实现大规模数据计算。离线数据库,虽然可以完成非常复杂的计算任务,但实时性非常弱,而且任务失败代价高。如果某个计算任务失败,可能导致下游的所有任务无法按期执行,重新执行失败的任务,会导致下游任务执行完成时间延后,对依赖失败任务计算结果的业务会受到极大影响。
因此,需要一种新的用户行为特征提取的方法,***及服务器。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种用户行为特征提取的方法,***及服务器,能够解决现有技术中用户特征提取处理中延时高、实时性差的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用户行为特征提取的方法,该方法包括:实时获取用户行为相关信息;对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;以及将所述特征数据发送至指定端。
在本公开的一种示例性实施例中,所述对所述用户行为相关信息进行实时数据处理,以生成用户行为数据,包括:通过Storm Spout组件对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据。
在本公开的一种示例性实施例中,所述通过Storm Spout组件对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据,包括:通过Storm Spout组件对所述用户行为相关信息进行数据校验处理,生成第一数据;通过Storm Spout组件对所述第一数据进行格式化处理,以生成第二数据;以及通过Storm Spout组件对所述第二数据进行封装处理,以生成所述用户行为数据。
在本公开的一种示例性实施例中,所述对所述用户行为数据进行实时特征处理,获取特征数据,包括:通过Storm Bolt组件对所述用户行为数据进行实时特征处理,获取所述特征数据。
在本公开的一种示例性实施例中,所述通过Storm Bolt组件对所述用户行为数据进行实时特征处理,获取所述特征数据,包括:确定用户行为特征类别;通过Storm Bolt组件将所述用户行为数据按照所述用户行为特征类别分别进行处理,生成特征类别数据;以及通过Storm Bolt组件将所述特征类别数据进行汇总处理,实时生成所述特征数据。
在本公开的一种示例性实施例中,所述实时获取用户行为相关信息,包括:通过数据源服务器实时获取用户行为相关信息。
在本公开的一种示例性实施例中,所述数据源服务器,包括:消息队列服务器,Kafka服务器,内存数据库服务器。
在本公开的一种示例性实施例中,所述将所述特征数据发送至指定端,包括:将所述特征数据发送至数据库服务器。
在本公开的一种示例性实施例中,所述数据库服务器,包括:实时数据库服务器,离线数据库服务器,数据存储中间件服务器。
根据本发明的一方面,提出一种用户行为特征提取的***,该***包括:数据源服务器,用于实时获取用户行为相关信息;Strom集群服务器,用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;以及数据库服务器,用于存储所述特征数据。
在本公开的一种示例性实施例中,所述Strom集群服务器,包括:Storm Spout组件,用于对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据;以及Storm Spout组件,用于对所述用户行为相关信息进行数据校验处理,生成第一数据。
根据本发明的一方面,提出一种服务器,包括:Strom集群服务器,用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;所述Strom集群服务器,包括:Storm Spout组件,用于对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据;以及Storm Spout组件,用于对所述用户行为相关信息进行数据校验处理,生成第一数据。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现如上文中的方法。
根据本发明的用户行为特征提取的方法,***及服务器,能够解决现有技术中用户特征提取处理中延时高、实时性差的问题。
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的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户行为特征提取的方法的***框图。
图2是根据一示例性实施例示出的一种用户行为特征提取的方法的流程图。
图3是根据另一示例性实施例示出的一种用户行为特征提取的方法的流程图。
图4是根据另一示例性实施例示出的一种用户行为特征提取的方法的流程图。
图5是根据一示例性实施例示出的一种用户行为特征提取的***的框图。
图6是根据另一示例性实施例示出的一种用户行为特征提取的***的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语「及/或」包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种用户行为特征提取的方法的***框图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的购物类网站的数据提供实时分析,并将处理结果反馈给终端设备或其他服务器设备。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种用户行为特征提取的方法的流程图。
如图2所示,在S202中,实时获取用户行为相关信息。在本申请中,用户行为定义为:特指用户在金融、电商场景下所做的动作、行为,比如下单、取消订单、浏览商品、加入购物车、投诉等。可例如,通过数据源服务器实时获取用户行为相关信息。数据源服务器,包括:消息队列服务器,Kafka服务器,内存数据库服务器。数据源是存储用户原始行为数据的服务器,或服务器集群,这些服务器上可以有多种方式存储数据,数据源的作用是存储用户行为的原始数据,并允许其他服务器获取这些数据。
其中,消息队列服务器是可以存储消息的数据容器,一条用户行为数据就是一条消息,它可以存放在消息队列中。Kafka是一种高吞吐量的分布式发布订阅消息***,它可以处理消费者规模的网站中的所有动作流数据。这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。内存数据库服务器是将数据放在内存中直接操作的数据库,它利用内存的读写速度比磁盘快、内存是随机访问而磁盘是顺序访问这两个特点,将数据保存在内存中,在内存中模仿建立表结构和索引结构并针对内存特性进行优化,相比从磁盘上访问,内存数据库能够提高应用的性能。
在S204中,对所述用户行为相关信息进行实时数据处理,以生成用户行为数据。可例如,通过Storm Spout组件对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据。Storm是一种分布式计算框架,可以处理非常复杂的流式计算。Storm集群是含有多台服务器,每台服务器上都部署有Storm,它们一起进行分布式计算,计算能力强,可以执行复杂的计算任务。它的功能是从数据源获取用户行为数据,提取用户行为特征,最后将提取到的用户行为特征发送给数据库。消息源Spout是Storm的Topology中的消息生产者,是Storm的核心组件之一,Storm Spout是数据源和Storm连接的纽带,为了增强Storm的计算能力,Spout通常有很多个,采用多线程并行读取数据源的方式处理数据。
在S206中,对所述用户行为数据进行实时特征处理,获取特征数据。在本申请中,用户行为特征被定义为:是“用户行为”在某些维度上的累积表现,比如,用户在某天取消订单的次数,用户在1个月内,浏览同一种商品的次数等。可例如,通过Storm Bolt组件对所述用户行为数据进行实时特征处理,获取所述特征数据。Storm Bolt用于处理Storm中的数据,Storm可以保证每个Spout发射的消息会被所有的Bolt完全处理。
在S208中,将所述特征数据发送至指定端。可例如,通过Storm的最后一级Bolt将所述特征数据发送至数据库服务器以进行储存。数据库服务器,包括:实时数据库服务器,离线数据库服务器,数据存储中间件服务器。数据库服务器上主要部署数据库,它的作用是接收Storm提交的用户行为特征,并将这些特征数据保存、更新到数据库中,同时允许其他***查询这些数据。这里的数据库可以是实时数据库(如:MySQL、SQL Server、内存数据库等),也可以是离线数据库(如:Hive、HBase等),还可以是其他数据存储中间件(如:消息队列、Kafka等)。
实时数据库可以存储用户行为数据,比如MySQL、Oracle等,这些数据库的数据响应都非常快,但实时数据库由于不是分布式计算,受到单机物理条件限制和数据库本身对数量量级的限制,也无法实现大规模数据计算、完成用户行为特征提取任务。
离线数据库,比如Hive,这是完成数据挖掘、数据分析、机器学习模型等任务的主要工具之一。Hive和分布式计算存储框架Hadoop结合,可以存储海量数据。由于采用分布式计算,Hive可以运行大规模SQL计算任务(对应Hadoop的Map、Reduce任务)。为用户行为特征提取、分析、加工等业务提供方便。
根据本发明的用户行为特征提取的方法,利用Storm集群服务器实时处理用户行为数据,并提取行为特征,然后发送给其他的数据库进行储存调用的方式,能够解决现有技术中用户特征提取处理中延时高、实时性差的问题。通过Storm集群服务器可以更快、更及时的获取用户行为特征,为后面的决策提供非常有价值的数据支持。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据一示例性实施例示出的一种用户行为特征提取的方法的流程图。图3是对图2中S204的示例性描述。
其中,在S302中,通过Storm Spout组件对所述用户行为相关信息进行数据校验处理,生成第一数据。数据源中包含多种用户行为数据,一条数据包含一个用户行为,比如,在电商交易中,用户取消一个订单,这就是一个用户行为,用户行为数据存放在数据源服务器或服务器集群中,这些数据都来自实时的生产***。这些数据的包含不同的格式,不能直接由Storm处理,需要对这些用户行为数据进行数据校验处理。以验证用户行为相关信息是否是垃圾数据,是否是Storm可以处理的数据等,对于不符合条件的数据,不允许其进入Storm计算流程。
在S304中,通过Storm Spout组件对所述第一数据进行格式化处理,以生成第二数据。数据源中的用户行为信息可能包含很多其他无用数据,需要剔除这些数据,例如,如果提取的用户行为特征是用户当天取消订单的次数,那么必须的数据是订单号、用户ID、取消订单的时间,而取消订单的原因、取消订单的客户端串号、取消订单的IP地址等都是无用数据,应将这些数据删除。另外,数据源中的数据不能直接被Storm识别,需要将这些数据转换成Storm可以识别的数据对象。
在S306中,通过Storm Spout组件对所述第二数据进行封装处理,以生成所述用户行为数据。
根据本发明的用户行为特征提取的方法,利用Storm Spout组件实时处理用户行为数据,生成标准格式数据的方式,能够可以更快、更及时的获取用户行为特征数据,并为后续处理提供保证。
图4是根据另一示例性实施例示出的一种用户行为特征提取的方法的流程图。图4是对图2中S206的示例性描述。
其中,在S402中,确定用户行为特征类别。Storm Spout将单条用户行为数据处理后,将该数据发送给第1级Storm Bolt处理器,从第1级Bolt开始,需要按照相应维度提取用户行为特征。可例如首先确定用户行为特征的种类,可例如“用户每天下单的次数”就是用户的一个行为特征种类。还可例如,“用户每天登陆次数”也可作为用户的一个行为特征种类,本发明不以此为限。在以下的实施例中,以用户每天下单的次数为例,来说明StormBolt的工作流程。
在S404中,通过Storm Bolt组件将所述用户行为数据按照所述用户行为特征类别分别进行处理,生成特征类别数据。可例如,在本实施例中,包含2级Bolt对以上数据进行处理,还可例如根据实际情况需要选用不同数量的等级对数据进行处理,本申请不以此为限。
第1级Bolt按时间维度,分别处理不同日期的用户订单数据,处理结果就是当天所有用户下单的所有记录(包括不同用户ID的用户),并将下单日期、用户名、订单编号数据发送给第2级Bolt,其中同一批次数据中,下单日期全部相同;
第2级Bolt按用户ID维度,统计同一个用户ID下有多少不同的订单,处理结果是下单日期、用户名(已经去重)、订单数量,并将这些数据发送给第3级Bolt。
在S406中,通过Storm Bolt组件将所述特征类别数据进行汇总处理,实时生成所述特征数据。通过第3级Bolt组件汇总所有来自第2级Bolt的数据,并得出最终的用户在指定日期内下单的次数,即期望的用户行为特征数据。
根据本发明的用户行为特征提取的方法,利用Storm Bolt组件实时处理用户行为信息,生成行为特征数据的方式,能够实时获取用户行为特征数据。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图5是根据一示例性实施例示出的一种用户行为特征提取的***的框图。
数据源服务器502用于实时获取用户行为相关信息。
Strom集群服务器504用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据。
数据库服务器506用于存储所述特征数据。
其中,所述Strom集群服务器504包括:Storm Spout组件,用于对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据;以及Storm Spout组件,用于对所述用户行为相关信息进行数据校验处理,生成第一数据。
根据本发明的用户行为特征提取的装置,利用Storm集群服务器实时处理用户行为数据,并提取行为特征,然后发送给其他的数据库进行储存调用的方式,能够解决现有技术中用户特征提取处理中延时高、实时性差的问题。通过Storm集群服务器可以更快、更及时的获取用户行为特征,为后面的决策提供非常有价值的数据支持。
图6是根据一示例性实施例示出的一种用户行为特征提取的***的框图。
其中,数据源服务器502包括多个数据源,用于实时获取用户行为相关信息。
Strom集群服务器504包括一个层级中的数个Storm Spout组件,以及数个层级中的数个Storm Bolt组件,用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据。
数据库服务器506用于存储所述特征数据。
根据一示例性,本申请提供一个Strom集群服务器,用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;所述Strom集群服务器,包括:Storm Spout组件,用于对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据;以及Storm Spout组件,用于对所述用户行为相关信息进行数据校验处理,生成第一数据。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本发明的这种实施方式的电子设备200。图7显示的电子设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2,3,4中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
图8示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:实时获取用户行为相关信息;对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;以及将所述特征数据发送至指定端。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的用户行为特征提取的方法,***及服务器具有以下优点中的一个或多个。
根据一些实施例,本发明的用户行为特征提取的方法,***及服务器能够保证用户行为数据的完整性。Storm本身的机制(如失败重发、成功确认等)可以保证每条用户行为数据必被处理一次,而且也只被处理一次,不会丢失数据,也不会重复处理数据。
根据一些实施例,本发明的用户行为特征提取的方法,***及服务器,对用户行为特征提取能力强。Storm是分布式计算框架,可以将复杂的任务拆分成较小任务,并由Storm集群,按实际情况进行多线程并行计算,缩短计算时间,增强Storm处理数据的能力,可以完成非常复杂的数据计算任务。
根据一些实施例,本发明的用户行为特征提取的方法,***及服务器,能够提升用户行为特征提取的实时性。克服Hive数据库在提取用户行为特征时,计算缓慢的缺点,实时计算、输出用户的累积行为特征。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如「上」、「第一」、「第二」及「一」等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (14)
1.一种用户行为特征提取的方法,其特征在于,包括:
实时获取用户行为相关信息;
对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;
对所述用户行为数据进行实时特征处理,获取特征数据;以及
将所述特征数据发送至指定端。
2.如权利要求1所述的方法,其特征在于,所述对所述用户行为相关信息进行实时数据处理,以生成用户行为数据,包括:
通过Storm Spout组件对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据。
3.如权利要求2所述的方法,其特征在于,所述通过Storm Spout组件对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据,包括:
通过Storm Spout组件对所述用户行为相关信息进行数据校验处理,生成第一数据;
通过Storm Spout组件对所述第一数据进行格式化处理,以生成第二数据;以及
通过Storm Spout组件对所述第二数据进行封装处理,以生成所述用户行为数据。
4.如权利要求1所述的方法,其特征在于,所述对所述用户行为数据进行实时特征处理,获取特征数据,包括:
通过Storm Bolt组件对所述用户行为数据进行实时特征处理,获取所述特征数据。
5.如权利要求4所述的方法,其特征在于,所述通过Storm Bolt组件对所述用户行为数据进行实时特征处理,获取所述特征数据,包括:
确定用户行为特征类别;
通过Storm Bolt组件将所述用户行为数据按照所述用户行为特征类别分别进行处理,生成特征类别数据;以及
通过Storm Bolt组件将所述特征类别数据进行汇总处理,实时生成所述特征数据。
6.如权利要求1所述的方法,其特征在于,所述实时获取用户行为相关信息,包括:
通过数据源服务器实时获取用户行为相关信息。
7.如权利要求6所述的方法,其特征在于,所述数据源服务器,包括:
消息队列服务器,Kafka服务器,内存数据库服务器。
8.如权利要求1所述的方法,其特征在于,所述将所述特征数据发送至指定端,包括:
将所述特征数据发送至数据库服务器。
9.如权利要求8所述的方法,其特征在于,所述数据库服务器,包括:
实时数据库服务器,离线数据库服务器,数据存储中间件服务器。
10.一种用户行为特征提取的***,其特征在于,包括:
数据源服务器,用于实时获取用户行为相关信息;
Strom集群服务器,用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;以及
数据库服务器,用于存储所述特征数据。
11.如权利要求10所述的***,其特征在于,所述Strom集群服务器,包括:
Storm Spout组件,用于对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据;以及
Storm Spout组件,用于对所述用户行为相关信息进行数据校验处理,生成第一数据。
12.一种服务器,其特征在于,包括:
Strom集群服务器,用于对所述用户行为相关信息进行实时数据处理,以生成用户行为数据;对所述用户行为数据进行实时特征处理,获取特征数据;
所述Strom集群服务器,包括:
Storm Spout组件,用于对所述用户行为相关信息进行实时数据处理,以生成所述用户行为数据;以及
Storm Spout组件,用于对所述用户行为相关信息进行数据校验处理,生成第一数据。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711099502.4A CN110020360A (zh) | 2017-11-09 | 2017-11-09 | 用户行为特征提取的方法,***及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711099502.4A CN110020360A (zh) | 2017-11-09 | 2017-11-09 | 用户行为特征提取的方法,***及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020360A true CN110020360A (zh) | 2019-07-16 |
Family
ID=67186764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711099502.4A Pending CN110020360A (zh) | 2017-11-09 | 2017-11-09 | 用户行为特征提取的方法,***及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020360A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581305A (zh) * | 2020-05-18 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 特征处理方法、装置、电子设备和介质 |
CN111784353A (zh) * | 2020-07-02 | 2020-10-16 | 北京白龙马云行科技有限公司 | 实时特征计算方法、订单风险预测方法、装置及订单*** |
CN112541669A (zh) * | 2020-12-10 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 风险识别方法、***及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407017A (zh) * | 2016-10-31 | 2017-02-15 | 华南理工大学 | 面向rfid的复杂事件规则动态调度与数据恢复方法 |
CN106910082A (zh) * | 2015-12-23 | 2017-06-30 | 北京奇虎科技有限公司 | 一种调取广告进行推送的方法和装置 |
CN107070890A (zh) * | 2017-03-10 | 2017-08-18 | 北京市天元网络技术股份有限公司 | 一种通信网优***中的流数据处理装置及通信网优*** |
CN107193831A (zh) * | 2016-03-15 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置 |
-
2017
- 2017-11-09 CN CN201711099502.4A patent/CN110020360A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910082A (zh) * | 2015-12-23 | 2017-06-30 | 北京奇虎科技有限公司 | 一种调取广告进行推送的方法和装置 |
CN107193831A (zh) * | 2016-03-15 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置 |
CN106407017A (zh) * | 2016-10-31 | 2017-02-15 | 华南理工大学 | 面向rfid的复杂事件规则动态调度与数据恢复方法 |
CN107070890A (zh) * | 2017-03-10 | 2017-08-18 | 北京市天元网络技术股份有限公司 | 一种通信网优***中的流数据处理装置及通信网优*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581305A (zh) * | 2020-05-18 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 特征处理方法、装置、电子设备和介质 |
CN111581305B (zh) * | 2020-05-18 | 2023-08-08 | 抖音视界有限公司 | 特征处理方法、装置、电子设备和介质 |
CN111784353A (zh) * | 2020-07-02 | 2020-10-16 | 北京白龙马云行科技有限公司 | 实时特征计算方法、订单风险预测方法、装置及订单*** |
CN111784353B (zh) * | 2020-07-02 | 2024-01-30 | 北京白龙马云行科技有限公司 | 实时特征计算方法、订单风险预测方法、装置及订单*** |
CN112541669A (zh) * | 2020-12-10 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 风险识别方法、***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3267377B1 (en) | Identifying network security risks | |
US9501778B2 (en) | Delivering personalized recommendations that relate to transactions on display | |
US8843646B2 (en) | Multi-desktop interaction using nested remote desktop sessions | |
KR20200083934A (ko) | 시각적인 블록체인 브라우저 | |
CN108984714A (zh) | 页面渲染方法、装置、电子设备及计算机可读介质 | |
US11613008B2 (en) | Automating a process using robotic process automation code | |
CN110083660A (zh) | 一种同步数据的方法、装置、介质和电子设备 | |
CN103477319A (zh) | 移动设备上的文件搜索 | |
US20210136121A1 (en) | System and method for creation and implementation of data processing workflows using a distributed computational graph | |
CN109614318A (zh) | 自动化测试方法、装置、电子设备及计算机可读介质 | |
Saxena et al. | Practical real-time data processing and analytics: distributed computing and event processing using Apache Spark, Flink, Storm, and Kafka | |
CN107480277A (zh) | 用于网站日志采集的方法及装置 | |
CN104254846A (zh) | 用于电子设备的基于内容的导航 | |
Britvin et al. | Client-server system for parsing data from web pages | |
US9313284B2 (en) | Smart posting with data analytics and semantic analysis to improve a message posted to a social media service | |
CN110020360A (zh) | 用户行为特征提取的方法,***及服务器 | |
CN109087138A (zh) | 数据处理方法及***、计算机***和可读存储介质 | |
CN110020124A (zh) | 用于相关产品挖掘的方法及装置 | |
CN110020273A (zh) | 用于生成热力图的方法、装置以及*** | |
KR20200119176A (ko) | 웹 트래픽 데이터를 처리 및 관리하는 시스템, 장치 및 방법 | |
CA3152810A1 (en) | Connecting web publisher inventory to programmatic exchanges without third-party cookies | |
CN109544392B (zh) | 用于保险订单处理的方法、***、设备以及介质 | |
US20160162814A1 (en) | Comparative peer analysis for business intelligence | |
CN111488386B (zh) | 数据查询方法和装置 | |
KR102276230B1 (ko) | 유한 상태기계 생성 방법, 유한 상태기계 운영 방법, 이를 수행하는 서버 및 컴퓨터 프로그램 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |