CN111078742A - 用户分类模型训练方法、用户分类方法及装置 - Google Patents

Abstract

本申请提供了用户分类模型训练方法、用户分类方法及装置，其中，该方法包括：在对用户分类模型进行训练的时候，通过获取的多个样本用户中的每个样本用户在预设时间段内的用户数据，生成所述每个样本用户的特征数据，后基于各个所述样本用户的特征数据，以及每个所述样本用户对应的性别标签，训练得到所述用户分类模型，该方法中，所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息，通过学习不同性别的用户对不同应用程序的使用特征，进而完成对用户分类模型的训练，使得用户分类模型具有更高的分类准确度。

Description

用户分类模型训练方法、用户分类方法及装置

技术领域

本申请涉及机器学习技术领域，尤其是涉及一种用户分类模型训练方法、用户分类方法及装置。

背景技术

在现有技术中，通常可以采用二分类模型对不同用户群体进行性别分类。二分类模型属于线性回归模型，是利用输入的大批量的样本数据，输出每个样本数据可以被分配到某一类别下的概率，达到对样本数据进行分类的目的。

随着移动设备的广泛应用，可以使用移动设备在广告活动下的行为数据作为特征，并对特征加以不同的权重来进行表征，由此以用户性别为依据对样本数据进行分类。

但是，现有的二分类模型对于一些相关性较强的特征的分类准确性差。

发明内容

有鉴于此，本申请的至少提供一种用户分类模型训练方法、用户分类方法及装置，可以对用户性别进行分类，使得数字营销的目标更为精准，提高投资回报率。

第一方面，本申请实施例提供了一种用户分类模型训练方法，包括：

获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签；

基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；

基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

一种可选实施方式中，所述应用程序安装信息包括下述一种或者多种：

各个应用程序被安装到所述终端设备中的时间、用户在所述预设时间段内使用各个应用程序的频率，各个所述应用程序的分类。

一种可选实施方式中，所述样本特征数据，还包括：

所述样本用户对所述终端设备中的至少一个应用程序所推送的历史推送信息，和/或所述样本对所述历史推送信息进行操作的操作信息；

所述历史推送信息包括下述一种或者多种：所推送信息的内容、所推送信息的所属行业、所推送信息的分类、所推送信息的推送媒体、推送信息的分发平台；

所述操作信息包括下述一种或者多种：对所推送的历史推送信息的点击操作、对所推送的历史推送信息的转发操作、以及所述操作信息对应的时间戳信息。

一种可选实施方式中，在所述基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据之后，包括：

基于每个所述样本用户的所述用户数据，对所述每个样本用户的特征数据进行数据清洗。

一种可选实施方式中，所述数据清洗，包括：

基于移动设备应用程序的安装信息，过滤安装与卸载的时间间隔低于预设时间阈值的移动设备应用程序的安装信息，和/或，无效的推送消息；

所述无效的推送消息包括：样本用户未对其进行操作的推送消息。

一种可选实施方式中，所述基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型，包括：

将各个所述样本用户的特征数据进行随机分组，得到模型训练集与模型验证集；

基于所述模型训练集，以及所述模型训练集中各个样本用户的特征数据对应的性别标签，对基础分类模型进行训练，得到初步完成训练的用户分类模型；

基于所述模型验证集，以及所述模型验证集中各个样本用户的特征数据对应的性别标签，对所述初步完成训练的用户分类模型进行验证，并在验证通过后，得到所述用户分类模型。

第二方面，本申请实施例提供了一种用户分类方法，包括：

获取待分类样本用户在第二预设时间段内的待分类样本用户数据；

基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；

将每个所述待分类样本用户的特征数据输入至通过第一方面中任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

第三方面，本申请实施例还提供一种用户分类模型训练装置，该用户分类模型训练装置包括：第一获取模块、第一生成模块以及训练模块，其中：

所述第一获取模块，用于获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签；

所述第一生成模块，用于基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；

所述训练模块，用于基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

一种可选实施方式中，所述应用程序安装信息包括下述一种或者多种：

各个应用程序被安装到所述终端设备中的时间、用户在所述预设时间段内使用各个应用程序的频率，各个所述应用程序的分类。

一种可选实施方式中，所述样本特征数据，还包括：

所述样本用户对所述终端设备中的至少一个应用程序所推送的历史推送信息，和/或所述样本对所述历史推送信息进行操作的操作信息；

所述历史推送信息包括下述一种或者多种：所推送信息的内容、所推送信息的所属行业、所推送信息的分类、所推送信息的推送媒体、推送信息的分发平台；

所述操作信息包括下述一种或者多种：对所推送的历史推送信息的点击操作、对所推送的历史推送信息的转发操作、以及所述操作信息对应的时间戳信息。

一种可选实施方式中，所述第一生成模块，用于在所述基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据之后，包括：

基于每个所述样本用户的所述用户数据，对所述每个样本用户的特征数据进行数据清洗。

一种可选实施方式中，所述数据清洗，包括：

基于移动设备应用程序的安装信息，过滤安装与卸载的时间间隔低于预设时间阈值的移动设备应用程序的安装信息，和/或，无效的推送消息；

所述无效的推送消息包括：样本用户未对其进行操作的推送消息。

一种可选实施方式中，所述训练模块，用于基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型，包括：

将各个所述样本用户的特征数据进行随机分组，得到模型训练集与模型验证集；

基于所述模型训练集，以及所述模型训练集中各个样本用户的特征数据对应的性别标签，对基础分类模型进行训练，得到初步完成训练的用户分类模型；

基于所述模型验证集，以及所述模型验证集中各个样本用户的特征数据对应的性别标签，对所述初步完成训练的用户分类模型进行验证，并在验证通过后，得到所述用户分类模型。

第四方面，本申请实施例还提供一种用户分类装置，该用户分类装置包括：第二获取模块、第二生成模块以及确定模块，其中：

所述第二获取模块，用于获取待分类样本用户在第二预设时间段内的待分类样本用户数据；

所述第二生成模块，用于基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；

所述输入模块，用于将每个所述待分类样本用户的特征数据输入至通过第一方面任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤；

或者执行上述第二方面，或第二方面中任一种可能的实施方式中的步骤。

第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤；

或者执行上述第二方面，或第二方面中任一种可能的实施方式中的步骤。

本申请实施例提供的用户分类模型训练方法、用户分类方法及装置，在对用户分类模型进行训练的时候，通过获取的多个样本用户中的每个样本用户在预设时间段内的用户数据，生成所述每个样本用户的特征数据，后基于各个所述样本用户的特征数据，以及每个所述样本用户对应的性别标签，训练得到所述用户分类模型，该方法中，所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息，通过学习不同性别的用户对不同应用程序的使用特征，进而完成对用户分类模型的训练，使得用户分类模型具有更高的分类准确度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1示出了本申请实施例所提供的一种用户分类模型训练方法的流程图；

图2示出了本申请实施例所提供的一种用户分类方法的流程图；

图3示出了本申请实施例所提供的一种用户分类模型训练装置的结构示意图；

图4示出了本申请实施例所提供的一种用户分类装置的结构示意图；

图5示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有技术中，通常可以采用二分类模型对不同用户群体进行性别分类。二分类模型属于线性回归模型，是利用输入的大批量的样本数据，输出每个样本数据可以被分配到某类别下的概率，达到对样本数据进行分类的目的。但是，现有的二分类模型对于一些相关性较强的特征的分类准确性差，不能够满足用户分类的精准性。

本申请实施例提供的用户分类模型训练方法、用户分类方法及装置，在对用户分类模型进行训练的时候，首先，获取多个样本用户中的每个样本用户在预设时间段内的用户数据，以及每个所述样本用户对应的性别标签；之后，基于每个所述样本用户的所述用户数据，生成所述每个样本用户的特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；最后，基于各个所述样本用户的特征数据，训练得到所述用户分类模型。在本申请中，由于男性用户与女性用户针对不同的应用程序的下载数量、频率都有所不同，针对该区别可以对用户性别进行分类，提高对用户性别分类的准确性。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。

下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

本公开实施例所提供的用户分类模型训练方法以及用户分类方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该用户分类模型训练方法以及用户分类方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

下面以执行主体为计算机设备为例对本公开实施例提供的用户分类模型训练方法以及用户分类方法加以说明。

实施例一

参见图1所示，为本申请实施例一提供的一种用户分类模型训练方法的流程图，所述方法包括步骤S101～S103其中：

S101：获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签。

S102：基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息。

S103：基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

下面分别对上述S101～S103分别加以详细说明。

一：在上述S101中，获取多个样本用户，并获取每个样本用户在第一预设时间段内对应的用户数据，以及每个所述样本用户对应的性别标签。

示例性的，选取部分在预设时间段内使用移动设备的样本用户，并针对该部分样本用户对应的性别标签，即男性样本用户和女性样本用户，对该部分样本用户进行分组。

示例性的，针对分组之后的样本用户，确定男性样本用户为正样本，女性样本用户为负样本，用于后续处理。

二：在上述S102中，基于步骤S101中获取的每个所述样本用户的所述用户数据，生成所述每个样本用户的特征数据。

其中，所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息。

示例性的，所述应用程序安装信息包括下述一种或者多种：

各个应用程序被安装到所述终端设备中的时间、用户在所述预设时间段内使用各个应用程序的频率，各个所述应用程序的分类。

示例性的，针对一些移动设备应用程序，下载其应用程序的男性用户和女性用户的数量可能会有所不同，例如，针对一些美妆类应用程序，其目标用户主要为女性用户，因此，女性用户对于该应用程序的下载量可能会远远高于男性用户的下载量；针对一些格斗类的游戏应用程序，目标用户主要为男性用户，因此，男性用户对于该应用程序的下载量可能会远远高于女性用户的下载量；针对一些生活类的应用程序，比如：打车软件、外卖软件等，其男女用户的下载量差异性可能不大，由此，可以更针对性地推广对应的应用程序。

示例性的，针对某一移动设备应用程序，男性用户和女性用户的使用频率可能也有所不同，例如：针对一些购物类应用程序，男性用户和女性用户的下载量可能区别不大，但是，女性用户可能较比男性用户的使用频率更高；针对一些竞速类的游戏应用程序，男性用户和女性用户的下载量可能区别也不大，但是，男性用户可能较比男女性用户的使用频率更高，由此，也可以更针对性地推广对应的应用程序。

此外，所述样本特征数据，还包括：

所述样本用户对所述终端设备中的至少一个应用程序所推送的历史推送信息，和/或所述样本对所述历史推送信息进行操作的操作信息；

所述历史推送信息包括下述一种或者多种：所推送信息的内容、所推送信息的所属行业、所推送信息的分类、所推送信息的推送媒体、推送信息的分发平台；

所述操作信息包括下述一种或者多种：对所推送的历史推送信息的点击操作、对所推送的历史推送信息的转发操作、以及所述操作信息对应的时间戳信息。

示例性的，不同的应用程序所推送的历史推送信息所针对的目标群体有所不同，例如，一些美妆类的推送消息，对于男性用户来说，其吸引力可能较小，而女性用户则有极大可能会点击查看，从节约资源的角度来讲，该推送消息可以针对女性用户进行推送；而一些大型格斗游戏的推送消息，则可以针对男性用户进行推送。

在所述基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据之后，包括：

基于每个所述样本用户的所述用户数据，对所述每个样本用户的特征数据进行数据清洗。

其中，所述数据清洗，包括：

基于移动设备应用程序的安装信息，过滤安装与卸载的时间间隔低于预设时间阈值的移动设备应用程序的安装信息，和/或，无效的推送消息；

所述无效的推送消息包括：样本用户未对其进行操作的推送消息。

示例性的，针对某一应用程序，其安装信息中显示安装与卸载的时间间隔低于预设时间阈值，则可以认为该移动设备应用程序的安装信息无效，不对其进行任何处理。

针对应用程序所推送的历史推送信息，若样本用户未对其进行操作，则可以认为该推送信息无效，不对其进行任何处理。

示例性的，在对所述每个样本用户的特征数据进行数据清洗之后，还可以将进行数据清洗之后的所述每个样本用户的特征数据按照标准存储格式进行存储。例如：{应用1，应用2，应用3，…，应用n}等形式，方便后续的模型训练过程。

三：在上述S103中，基于步骤S102中得到的各个所述样本用户的特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

其中，将各个所述样本用户的特征数据进行随机分组，得到模型训练集与模型验证集；

基于所述模型训练集，以及所述模型训练集中各个样本用户的特征数据对应的性别标签，对基础分类模型进行训练，得到初步完成训练的用户分类模型；

基于所述模型验证集，以及所述模型验证集中各个样本用户的特征数据对应的性别标签，对所述初步完成训练的用户分类模型进行验证，并在验证通过后，得到所述用户分类模型。

基于上述研究，本申请实施例提供的一种用户分类模型训练方法。在对用户分类模型进行训练的时候，通过获取的多个样本用户中的每个样本用户在预设时间段内的用户数据，生成所述每个样本用户的特征数据，后基于各个所述样本用户的特征数据，以及每个所述样本用户对应的性别标签，训练得到所述用户分类模型，该方法中，所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息，通过学习不同性别的用户对不同应用程序的使用特征，进而完成对用户分类模型的训练，使得用户分类模型具有更高的分类准确度。

实施例二

参见图2所示，为本申请实施例二提供的一种用户分类方法的流程图，所述方法包括步骤S201～S203，其中：

S201：获取待分类样本用户在第二预设时间段内的待分类样本用户数据。

S202：基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息。

S203：将每个所述待分类样本用户的特征数据输入至通过上述任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

下面分别对上述S201～S203分别加以详细说明。

上述S201～S202的具体实现方式与上述S101～S102类似，在此不再赘述。

在上述S203中，将通过步骤S201至步骤S202得到的所述每个所述待分类样本用户的特征数据输入至通过实施例一得到的任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

得到用户分类结果之后，可以基于所述用户分类结果，确定所述待分类样本用户的最终分类结果。

其中，所述基于所述用户分类结果，确定所述待分类样本用户的最终分类结果，包括：

基于所述用户分类结果，得到所述用户分类结果的置信度；

基于所述用户分类结果的置信度和/或所述待分类样本用户在预设时间段内的用户数据的量级对所述用户分类结果进行筛选，并确定待分类样本用户的最终分类结果；

所述筛选方法包括下述一种或者多种：所述用户分类结果的置信度达到预设的用户分类结果的置信度阈值、所述待分类样本用户在预设时间段内的用户数据的量级达到所述待分类样本用户在预设时间段内的用户数据的量级阈值、对所述用户分类结果随机选取。

示例性的，选取所述用户分类结果的置信度达到预设的用户分类结果的置信度阈值的对应的用户分类结果为最终分类结果。

示例性的，还可以选取所述待分类样本用户在预设时间段内的用户数据的量级达到所述待分类样本用户在预设时间段内的用户数据的量级阈值的对应的用户分类结果为最终分类结果。

示例性的，还可以通过随机选取的方法，确定对应的用户分类结果为最终分类结果。

示例性的，其选取方法可以根据实际需要进行选择。

基于上述研究，本申请实施例提供的一种用户分类方法。获取待分类样本用户在第二预设时间段内的待分类样本用户数据；基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；用于将每个所述待分类样本用户的特征数据输入上述任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。通过不同性别的用户对不同应用程序的使用特征，并利用训练完成的用户分类模型进行用户分类，由此提高用户的分类准确度。

实施例三

参照图3所示，为本申请实施例三提供的一种用户分类模型训练装置的示意图，该用户分类模型训练装置包括：第一获取模块31、第一生成模块32以及训练模块33，其中：

第一获取模块31，用于获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签；

第一生成模块32，用于基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；

训练模块33，用于基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

基于上述研究，本申请实施例提供的一种用户分类模型训练装置。在对用户分类模型进行训练的时候，通过获取的多个样本用户中的每个样本用户在预设时间段内的用户数据，生成所述每个样本用户的特征数据，后基于各个所述样本用户的特征数据，以及每个所述样本用户对应的性别标签，训练得到所述用户分类模型，该方法中，所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息，通过学习不同性别的用户对不同应用程序的使用特征，进而完成对用户分类模型的训练，使得用户分类模型具有更高的分类准确度。

一种可能的实施方式中，所述应用程序安装信息包括下述一种或者多种：

各个应用程序被安装到所述终端设备中的时间、用户在所述预设时间段内使用各个应用程序的频率，各个所述应用程序的分类。

一种可能的实施方式中，所述样本特征数据，还包括：

所述样本用户对所述终端设备中的至少一个应用程序所推送的历史推送信息，和/或所述样本对所述历史推送信息进行操作的操作信息；

所述历史推送信息包括下述一种或者多种：所推送信息的内容、所推送信息的所属行业、所推送信息的分类、所推送信息的推送媒体、推送信息的分发平台；

所述操作信息包括下述一种或者多种：对所推送的历史推送信息的点击操作、对所推送的历史推送信息的转发操作、以及所述操作信息对应的时间戳信息。

一种可能的实施方式中，所述第一生成模块32，用于在所述基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据之后，包括：

基于每个所述样本用户的所述用户数据，对所述每个样本用户的特征数据进行数据清洗。

一种可能的实施方式中，所述数据清洗，包括：

基于移动设备应用程序的安装信息，过滤安装与卸载的时间间隔低于预设时间阈值的移动设备应用程序的安装信息，和/或，无效的推送消息；

所述无效的推送消息包括：样本用户未对其进行操作的推送消息。

一种可能的实施方式中，所述训练模块33，用于所述基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型，包括：

将各个所述样本用户的特征数据进行随机分组，得到模型训练集与模型验证集；

基于所述模型训练集，以及所述模型训练集中各个样本用户的特征数据对应的性别标签，对基础分类模型进行训练，得到初步完成训练的用户分类模型；

基于所述模型验证集，以及所述模型验证集中各个样本用户的特征数据对应的性别标签，对所述初步完成训练的用户分类模型进行验证，并在验证通过后，得到所述用户分类模型。

实施例四

参照图4所示，为本申请实施例四提供的一种用户分类装置，该用户分类装置包括：第二获取模块41、第二生成模块42、以及输入模块43，其中：

第二获取模块41，用于获取待分类样本用户在第二预设时间段内的待分类样本用户数据；

第二生成模块42，用于基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；

输入模块43，用于将每个所述待分类样本用户的特征数据输入至通过上述任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

基于上述研究，本申请实施例提供的一种用户分类装置。获取待分类样本用户在第二预设时间段内的待分类样本用户数据；基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；用于将每个所述待分类样本用户的特征数据输入上述任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。通过不同性别的用户对不同应用程序的使用特征，并利用训练完成的用户分类模型进行用户分类，由此提高用户的分类准确度。

实施例五

本申请实施例还提供了一种计算机设备500，如图5所示，为本申请实施例提供的计算机设备500结构示意图，包括：

处理器51、存储器52、和总线53；存储器52用于存储执行指令，包括内存521和外部存储器522；这里的内存521也称内存储器，用于暂时存放处理器51中的运算数据，以及与硬盘等外部存储器522交换的数据，处理器51通过内存521与外部存储器522进行数据交换，当所述计算机设备500运行时，所述处理器51与所述存储器52之间通过总线53通信，使得所述处理器51在用户态执行以下指令：

获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签；

基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；

基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

一种可能的实施方式中，处理器51执行的指令中，所述应用程序安装信息包括下述一种或者多种：

各个应用程序被安装到所述终端设备中的时间、用户在所述预设时间段内使用各个应用程序的频率，各个所述应用程序的分类。

一种可能的实施方式中，处理器51执行的指令中，所述样本特征数据，还包括：

所述样本用户对所述终端设备中的至少一个应用程序所推送的历史推送信息，和/或所述样本对所述历史推送信息进行操作的操作信息；

所述历史推送信息包括下述一种或者多种：所推送信息的内容、所推送信息的所属行业、所推送信息的分类、所推送信息的推送媒体、推送信息的分发平台；

所述操作信息包括下述一种或者多种：对所推送的历史推送信息的点击操作、对所推送的历史推送信息的转发操作、以及所述操作信息对应的时间戳信息。

一种可能的实施方式中，处理器51执行的指令中，在所述基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据之后，包括：

基于每个所述样本用户的所述用户数据，对所述每个样本用户的特征数据进行数据清洗。

一种可能的实施方式中，处理器51执行的指令中，所述数据清洗，包括：

基于移动设备应用程序的安装信息，过滤安装与卸载的时间间隔低于预设时间阈值的移动设备应用程序的安装信息，和/或，无效的推送消息；

所述无效的推送消息包括：样本用户未对其进行操作的推送消息。

一种可能的实施方式中，处理器51执行的指令中，所述基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型，包括：

将各个所述样本用户的特征数据进行随机分组，得到模型训练集与模型验证集；

基于所述模型训练集，以及所述模型训练集中各个样本用户的特征数据对应的性别标签，对基础分类模型进行训练，得到初步完成训练的用户分类模型；

基于所述模型验证集，以及所述模型验证集中各个样本用户的特征数据对应的性别标签，对所述初步完成训练的用户分类模型进行验证，并在验证通过后，得到所述用户分类模型。

所述处理器51还执行以下指令：

获取待分类样本用户在第二预设时间段内的待分类样本用户数据；

基于所述待分类用户数据，生成所述每个待分类样本用户的用户特征数据；所述用户特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；

将所述每个待分类样本用户的用户特征数据输入至上述任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的用户分类模型训练方法以及用户分类方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (11)

1.一种用户分类模型训练方法，其特征在于，该方法包括：

获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签；

基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；

基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

2.根据权利要求1所述的方法，其特征在于，所述应用程序安装信息包括下述一种或者多种：

各个应用程序被安装到所述终端设备中的时间、用户在所述预设时间段内使用各个应用程序的频率，各个所述应用程序的分类。

3.根据权利要求2所述的方法，其特征在于，所述样本特征数据，还包括：

所述样本用户对所述终端设备中的至少一个应用程序所推送的历史推送信息，和/或所述样本对所述历史推送信息进行操作的操作信息；

所述历史推送信息包括下述一种或者多种：所推送信息的内容、所推送信息的所属行业、所推送信息的分类、所推送信息的推送媒体、推送信息的分发平台；

所述操作信息包括下述一种或者多种：对所推送的历史推送信息的点击操作、对所推送的历史推送信息的转发操作、以及所述操作信息对应的时间戳信息。

4.根据权利要求1所述的方法，其特征在于，在所述基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据之后，包括：

基于每个所述样本用户的所述用户数据，对所述每个样本用户的特征数据进行数据清洗。

5.根据权利要求4所述的方法，其特征在于，所述数据清洗，包括：

基于移动设备应用程序的安装信息，过滤安装与卸载的时间间隔低于预设时间阈值的移动设备应用程序的安装信息，和/或，无效的推送消息；

所述无效的推送消息包括：样本用户未对其进行操作的推送消息。

6.根据权利要求1所述的方法，其特征在于，所述基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型，包括：

将各个所述样本用户的特征数据进行随机分组，得到模型训练集与模型验证集；

基于所述模型训练集，以及所述模型训练集中各个样本用户的特征数据对应的性别标签，对基础分类模型进行训练，得到初步完成训练的用户分类模型；

基于所述模型验证集，以及所述模型验证集中各个样本用户的特征数据对应的性别标签，对所述初步完成训练的用户分类模型进行验证，并在验证通过后，得到所述用户分类模型。

7.一种用户分类方法，其特征在于，该方法包括：

获取待分类样本用户在第二预设时间段内的待分类样本用户数据；

基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；

将每个所述待分类样本用户的特征数据输入至通过权利要求1-6任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

8.一种用户分类模型训练装置，其特征在于，包括：

第一获取模块，用于获取多个样本用户中的每个样本用户在第一预设时间段内的样本用户数据，以及每个所述样本用户对应的性别标签；

第一生成模块，用于基于每个所述样本用户的所述样本用户数据，生成所述每个样本用户的样本特征数据；所述样本特征数据包括：所述样本用户的终端设备对应的应用程序安装信息；

训练模块，用于基于各个所述样本用户的样本特征数据，以及各个所述样本用户对应的所述性别标签，训练得到所述用户分类模型。

9.一种用户分类装置，其特征在于，该方法包括：

第二获取模块，用于获取待分类样本用户在第二预设时间段内的待分类样本用户数据；

第二生成模块，用于基于所述待分类样本用户数据，生成每个所述待分类样本用户的特征数据；所述待分类样本用户的特征数据包括：所述待分类样本用户的终端设备对应的应用程序安装信息；

输入模块，用于将每个所述待分类样本用户的特征数据输入至通过权利要求1-6任意一项的用户分类模型训练方法得到的用户分类模型中，得到用户分类结果。

10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。

11.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。

Images