CN112148981A - 同人识别方法、装置、设备和存储介质 - Google Patents
同人识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112148981A CN112148981A CN202011052993.9A CN202011052993A CN112148981A CN 112148981 A CN112148981 A CN 112148981A CN 202011052993 A CN202011052993 A CN 202011052993A CN 112148981 A CN112148981 A CN 112148981A
- Authority
- CN
- China
- Prior art keywords
- information data
- user information
- undirected
- unique identifier
- connected graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 20
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000001341 grazing-angle X-ray diffraction Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 241000854350 Enicospilus group Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (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)
Abstract
本发明实施例涉及一种同人识别方法、装置、设备和存储介质,其中所述方法包括:获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;给所述无向连通图中的每一个连通子图分配唯一标识符。本发明实施例通过利用无向连通图实现同人识别,能够将同一用户在公司全域的行为特征串联在一起,消除数据孤岛,不仅易理解、易落地,而且还可扩展性强、计算成本低,有效地解决了现有技术存在的识别过程繁琐、技术实现门槛高以及可落地性差的问题,具有较高的推广应用价值。
Description
技术领域
本发明实施例涉及大数据处理技术领域,尤其涉及一种同人识别方法、装置、设备和存储介质。
背景技术
随着互联网技术的日渐成熟,人们的消费和行为习惯发生了巨大的变化,人们连入互联网的方式也呈多元发展。在日常生活中,用户可以随时随地的通过手机APP、PC、微信小程序、H5、O2O中的任意一种方式去连入某公司不同域的业务***,使得用户能够浏览、查询或咨询相关感兴趣的内容。相应的,该公司不同域的业务***中就会产生同一个用户的不同行为特征数据。在未进行处理前,这些行为特征数据彼此之间可能是孤立的,不仅无法利用起来,而且还不便于管理,所以出于加强数据管理的目的,很多公司会建立以“人”为中心的“一人一档”数据管理业务,简单来说就是会将各种业务***中的行为特征数据进行汇聚起来,然后将同一个用户在该公司全域的行为特征数据串联在一起,消除数据孤岛。这个过程需要应用到同人识别技术,也就是需要从大量的行为特征数据中快速确定哪些行为特征数据是属于同一个用户的。目前,现有技术中,业界较多的是通过MapReduce以置信度为基础,再通过多轮迭代收敛的方式来实现同人识别的。MapReduce是一种编程模型,用于大规模数据集(大于1TB)的并行运算。概念“Map(映射)”和“Reduce(归约)”是它们的主要思想,都是从函数式编程语言里借来的,还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下,将自己的程序运行在分布式***上。然而,采用这种方式进行的同人识别存在诸多弊端,比如实现过程较为繁琐、技术实现的门槛较高、可落地性较差等等。
因此,对现有的同人识别技术进行改进,以克服上述缺陷,或者是研究一种全新的同人识别技术就显得非常有必要。
发明内容
本发明实施例公开了一种同人识别方法、装置、设备和存储介质,能够引导车辆行驶,进而提高用户驾车到达目的地的效率。
第一方面,提供了一种同人识别方法,所述方法包括:
获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;
依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;
给所述无向连通图中的每一个连通子图分配唯一标识符。
进一步地,所述同人识别方法中,在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,所述方法还包括:
周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系;
将新增的所述用户信息数据作为新的节点添加到所述无向连通图中;
依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接;
给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符;
判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;
若是,则按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
进一步地,所述同人识别方法中,所述按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符的步骤包括:
从所述两个或多个唯一标识符中选择分配时间最早的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中选择分配时间最晚的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中随机选择一个作为最终的唯一标识符。
进一步地,所述同人识别方法中,在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,所述方法还包括:
依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度;
根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
第二方面,提供了一种同人识别装置,所述装置包括:
第一获取模块,用于获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;
构建模块,用于依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;
第一分配模块,用于给所述无向连通图中的每一个连通子图分配唯一标识符。
进一步地,所述同人识别装置还包括:
第二获取模块,用于在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系;
添加模块,用于将新增的所述用户信息数据作为新的节点添加到所述无向连通图中;
关联模块,用于依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接;
第二分配模块,用于给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符;
判断模块,用于判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;若是,则按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
进一步地,所述同人识别装置中,所述判断模块包括判断子模块,所述判断子模块用于:
从所述两个或多个唯一标识符中选择分配时间最早的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中选择分配时间最晚的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中随机选择一个作为最终的唯一标识符。
进一步地,所述同人识别装置还包括:
分析模块,用于在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度;
服务模块,用于根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
第三方面,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一所述的同人识别方法。
第四方面,提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令由计算机处理器执行,以实现如上任一所述的同人识别方法。
与现有技术相比,本发明实施例具有以下有益效果:
通过利用无向连通图实现同人识别,能够将同一用户在公司全域的行为特征串联在一起,消除数据孤岛,不仅易理解、易落地,而且还可扩展性强、计算成本低,有效地解决了现有技术存在的识别过程繁琐、技术实现门槛高以及可落地性差的问题,具有较高的推广应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例一提供的一种同人识别方法的流程示意图;
图2是本发明实施例一中无向连通图构建过程的示意图;
图3是本发明实施例二提供的一种同人识别方法的流程示意图;
图4是本发明实施例二中无向连通图构建过程的示意图;
图5是本发明实施例二中无向连通图构建过程的示意图;
图6是本发明实施例三提供的一种同人识别方法的流程示意图;
图7是本发明实施例四提供的一种同人识别装置的功能模块示意图;
图8是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
本发明实施例公开了一种同人识别方法、装置、设备和存储介质,能够快速高效地实现同人识别,提供一个用户维度完整的信息视图,以更好地支持用户画像、潜客挖掘引擎等下游需求。
下面将结合附图和实施例对本发明的技术方案作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
有鉴于上述现有的同人识别存在的缺陷,本发明人基于从事大数据算法处理多年丰富的实务经验及专业知识,并配合学理的运用,积极加以研究创新,以期创设一种易理解、易落地、可扩展性强以及计算成本低的同人识别方法,使其更具有实用性。在经过不断的研究、设计并反复试作及改进后,终于创设出确具实用价值的本发明。
请参阅图1,图1是本发明实施例公开的一种同人识别方法的流程示意图。如图1所示,该同人识别方法可以包括以下步骤:
S101、获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系。
需要说明的是,所述用户信息数据指的是用户的标识ID(比如设备ID、手机号码、IP地址等),当然根据需要还可以包括浏览时间、浏览内容等。
由于同一个用户的业务数据可以通过手机APP、PC、微信小程序、H5、O2O等方式连入公司不同域的业务***,然后每个业务***都会给该用户一个标识ID去区分不同用户,那么该用户在不同域的业务***中就会存在多个不同的标识ID,为了消除数据孤岛,本实施例需要将该用户在公司全域的用户信息数据串联在一起。
另外,海量的数据里必然会存在除我们需要的数据之外的杂质,因此在获取到数据后,我们需要对数据进行清洗,以去除噪声,才能保证数据的可靠性。一般来说,噪音的清洗方式很多,比如分箱法、聚类法和回归法,不同的去噪方法具有不同的优势,且也均基本能够对数据中存在的噪音进行全方位的清理,但由于现有技术中已多有实现,且也不是本实施例的设计重点,在此就不再一一赘述。
S102、依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系。
需要说明的是,本实施例先将所有用户信息数据一一看成是无向连通图上的节点,若任意两个用户信息数据之间存在关联关系,则将存在关联关系的两个用户信息数据在无向连通图上的所对应的节点用一条无向边进行连接,从而形成一个完整的无向连通图结构。
S103、给所述无向连通图中的每一个连通子图分配唯一标识符。
需要说明的是,在无向连通图中,当所有存在关联关系的节点连接了无向边后,原本相互之间独立的节点便形成了一个个连通子图。一个连通子图里可能存在两个或多个具有无向边的节点,也可能只存在一个节点,但每一个连通子图里的所有节点均视为同一个用户通过不同连入方式在公司不同域的业务***中留下的行为轨迹。
出于便于区别不同的连通子图的目的,本实施例将通过GID生成器给每个连通子图赋予一个稳定、唯一、持久的GID(Group ID即组ID),用来标识每个连通子图。具体的,在GID生成过程中可能涉及新增、融合等操作,其中融合指的是原本独立的两连通子图存在关联关系后合并成一个连通子图,从而将两个GID整合为一个GID的操作。本实施例的所有操作历史都能完整追溯,为后续的数据分析挖掘提供精准统一的视图。
为了更加清晰的展现本发明实施例的方案实施过程,下面以一具体实例进行详细介绍。
如图2,假设业务从2020年06月01日开始,当天从APP的日志、CRM数据表、网页日志、手机绑定关系等渠道获取到d1、d3、ls1、ls2、ls3、m2、u1、u2这8条用户信息数据及对应的6条关联关系,其中,d代表设备(device),ls代表从网页端登录各个平台的用户唯一标识,m代表手机号,u代表用户ID。
通过基于该8条用户信息数据及对应的6条关联关系构建无向连通图,我们可以看到其中d3和ls3暂时是孤立节点,d1、u1、m2、ls1彼此连通,ls2、u2彼此连通,因此,这一天有四个连通子图,GID生成器分别为这4个连通子图分配唯一标识符,即GID:
G1(d1,u1,m2,ls1),G2(ls2,u2),G3(d3),G4(ls3);
如此,同一用户在公司不同域的所有业务***的所有行为都可以用同一个GID,比如G1,来表示,这样可以将用户的行为串联起来,为后续数据分析挖掘提供上帝视角。
本发明实施例提供一种同人识别方法,通过利用无向连通图实现同人识别,能够将同一用户在公司全域的行为特征串联在一起,消除数据孤岛,不仅易理解、易落地,而且还可扩展性强、计算成本低,有效地解决了现有技术存在的识别过程繁琐、技术实现门槛高以及可落地性差的问题,具有较高的推广应用价值。
实施例二
请参阅图3,图3是本发明实施例公开的另一种同人识别方法的流程示意图。本实施例在实施例一提供的技术方案的基础上,在给所述无向连通图中的每一个连通子图分配唯一标识符之后,对该方法做了进一步优化。与上述各实施例相同或相应的术语的解释在此不再赘述,具体的,本实施例提供的的方法还可以包括如下步骤:
周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系;
将新增的所述用户信息数据作为新的节点添加到所述无向连通图中;
依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接;
给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符;
判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;
若是,则按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
基于上述优化,如图3所示,本实施例提供的一种同人识别方法,具体可以包括如下步骤:
S201、获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系。
S202、依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系。
S203、给所述无向连通图中的每一个连通子图分配唯一标识符。
S204、周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系。
需要说明的是,公司不同域的业务***中每天都会新增一些用户信息数据,该些用户信息数据需要定时进行维护,即需要归类到无向连通图中。其中,获取的周期时长可以为一小时、十二小时、一天,本申请中对周期时长的取值不加以限定。
S205、将新增的所述用户信息数据作为新的节点添加到所述无向连通图中。
需要说明的是,周期获取的新增数据中可能存在已经归类好的用户信息数据和/或关联关系,因此需要先将已经归类好的用户信息数据和/或关联关系进行剔除,以得到未归类的用户信息数据和/或关联关系,然后需要将该些未归类数据进行整合。具体的,先将未归类的用户信息数据作为新的节点添加到所述无向连通图中。
S206、依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接。
需要说明的是,在将未归类的用户信息数据作为新的节点添加到所述无向连通图中后,根据未归类的关联关系,需要将无向连通图中存在关联关系的节点通过无向边连接,使得无向连通图中原本孤立的由单一节点组成的较小的连通子图合并到较大的连通子图中,或者是两个或多个较大的连通子图融合为一个更大的连通子图。
S207、给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符。
需要说明的是,未分配GID的连通子图指的是由新增的用户信息数据和/或关联关系组成的连通子图。同样的,通过GID生成器给该新增的连通子图赋予一个稳定、唯一、持久的GID,以标识该连通子图。
S208、判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;若是,则执行步骤S209,若否,则结束本流程。
需要说明的是,由于原本孤立的连通子图均具有对应的一个GID,则在合并后的连通子图中会存在多个GID,这非常不便于后续的数据整合与分析,因此只需要保留其中一个GID。
S209、按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
在本实施例中,具体关于保留哪一个GID是可选择的,比如根据GID的分配时间(生成时间)或遵从某种既定逻辑。
优选的,所述步骤S209可进一步包括如下步骤:
从所述两个或多个唯一标识符中选择分配时间最早的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中选择分配时间最晚的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中随机选择一个作为最终的唯一标识符。
需要说明的是,以分配时间为例,由于每个GID的分配是有先后顺序的,因此我们可以遵从先分配则优先等级高的逻辑,规定在后续的连通子图合并过程中,从诸多的GID中选择分配时间最早的,也即优先等级最高的GID作为最早的GID。
为了更加清晰的展现本发明实施例的方案实施过程,下面将在实施例一所举实例的基础上进行进一步的完善。
先假设实施例一所举实例中GID的分配时间从早到晚依次为:G1、G2、G3、G4;
如图4,2020年06月02日新增的节点及关联关系为:(d3,u3),(m5),(ls3,u2),现需要将这些节点加到前一天固化下来的无向连通图中。
首先,由于新增了(d3,u3)这条无向边的关联关系,无向连通图中的d3不再是孤立的节点,且由于d3已经有了GID,即G3,因此不再分配新的GID,而是复用已有的G3,即得G3(d3,u3);
其次,由于新增了(ls3,u2)这条无向边的关联关系,ls3也不再是孤立节点,但ls3在前一天就已经出现过,且已分配有GID,即G4,因此此时面临着G2(ls2,u2)和G4(ls3)合并的问题。示例性的,由于G2的分配时间早于G4,则为了让GID尽量稳定,当G2需要与G4合并时,将留下分配时间更早的G2作为连通子图(ls2,u2,ls3)的GID;
最后,由于新增的m5在这一天没有别的节点与之存在关联关系,因此暂时将其作为孤立节点至于无向连通图中,然后GID生成器为这个节点分配GID,即得G5(m5)这一个连通子图;
如此,这一天同人识别的结果是:G1(d1,u1,m2,ls1),G2(ls2,u2,ls3),G3(d3,u3),G5(m5);
如图5,2020年06月03日新增的节点及关联关系为:(ls1,u2),(m5,u3),(ls3,u7),(d6,u6),现需要将这些节点加到前一天固化下来的无向连通图中。
首先,依据(ls1,u2)这一条关联关系可将G1(d1,u1,m2,ls1)和G2(ls2,u2,ls3)这两个连通子图融合成一个更大的连通子图,G1的分配时间比G2早,所以留下G1作为融合后的连通子图(d1,u1,m2,ls1,ls2,u2,ls3)的GID;
其次,(m5,u3)这一条关联关系可将G3(d3,u3)这个连通子图和原本是孤立节点的G5(m5)融合成一个更大的连通子图,G3的分配时间比G5早,所以留下G3作为融合后的连通子图(m5,u3,d3)的GID;
再者,对于(ls3,u7)这条关联关系,由于ls3已经是连通子图G1的节点,因此新增的节点u7将加入G1中;
最后,对于(d6,u6)这条关联关系,d6和u6均为新增的节点,GID生成器将为这2个节点分配新的GID,即G6(d6,u6);
如此,这一天同人识别的结果是:G1(d1,u1,m2,ls1,ls2,u2,ls3,u7),G3(m5,u3,d3),G6(d6,u6)。
本发明实施例除了具备实施例一的有益效果之外,还解决了在初始之日起每天都会存在的新增数据的归类问题,即通过定期将新增的用户信息数据和/或关联关系合并到先前固化下来的无向连通图中,可使得每个人的所有行为轨迹最终都尽量地整合到一个连通子图中,可提升数据分析的准确性。
实施例三
请参阅图6,图6是本发明实施例公开的另一种同人识别方法的流程示意图。本实施例在实施例一提供的技术方案的基础上,在给所述无向连通图中的每一个连通子图分配唯一标识符之后,对该方法做了进一步优化。与上述各实施例相同或相应的术语的解释在此不再赘述,具体的,本实施例提供的的方法还可以包括如下步骤:
依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度;
根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
基于上述优化,如图6所示,本实施例提供的一种同人识别方法,具体可以包括如下步骤:
S301、获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系。
S302、依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系。
S303、给所述无向连通图中的每一个连通子图分配唯一标识符。
S304、依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度。
需要说明的是,如果通过对用户的行为轨迹进行统计分析得知一个用户近期较为频繁的以各种连入方式访问公司不同域的业务***,则说明该用户是感兴趣的,因此可列为高度可成交客户进行对待。
S305、根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
需要说明的是,关于什么样的感兴趣程度推送何种内容信息或提供何种客户服务的做法,具体可以采用阈值匹配的方式,即当感兴趣程度达到某个阈值时,执行该阈值所对应的客服操作,比如推送购车优惠消息、最近网点和/或人工客服电话联系。
本发明实施例除了具备实施例一的有益效果之外,还由于分析了用户的行为轨迹,能够获悉用户的感兴趣程度,使得可更有针对性的进行内容推送和客户服务,提高了用户的使用体验。
实施例四
请参阅附图7,为本发明实施例六提供的一种同人识别装置的功能模块示意图,该装置适用于执行本发明实施例提供的同人识别方法。该装置具体包含如下功能模块:
第一获取模块41,用于获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;
构建模块42,用于依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;
第一分配模块43,用于给所述无向连通图中的每一个连通子图分配唯一标识符。
优选的,上述装置还包括:
第二获取模块,用于在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系;
添加模块,用于将新增的所述用户信息数据作为新的节点添加到所述无向连通图中;
关联模块,用于依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接;
第二分配模块,用于给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符;
判断模块,用于判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;若是,则按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
优选的,上述装置中,所述判断模块包括判断子模块,所述判断子模块用于:
从所述两个或多个唯一标识符中选择分配时间最早的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中选择分配时间最晚的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中随机选择一个作为最终的唯一标识符。
优选的,上述装置还包括:
分析模块,用于在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度;
服务模块,用于根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
本发明实施例提供一种同人识别装置,通过利用无向连通图实现同人识别,能够将同一用户在公司全域的行为特征串联在一起,消除数据孤岛,不仅易理解、易落地,而且还可扩展性强、计算成本低,有效地解决了现有技术存在的识别过程繁琐、技术实现门槛高以及可落地性差的问题,具有较高的推广应用价值。
上述装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图8为本发明实施例五提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12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8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,计算机设备12还可以通过网络适配器20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。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图8中未示出,可以结合计算机设备12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。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的同人识别方法。
也即,所述处理单元执行所述程序时实现:获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;给所述无向连通图中的每一个连通子图分配唯一标识符。
实施例六
本发明实施例六提供了一种计算机可读存储介质,其上存储有计算机可执行指令,该指令被处理器执行时实现如本申请所有发明实施例提供的同人识别方法:
也即,所述处理单元执行所述程序时实现:获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;给所述无向连通图中的每一个连通子图分配唯一标识符。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种同人识别方法,其特征在于,所述方法包括:
获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;
依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;
给所述无向连通图中的每一个连通子图分配唯一标识符。
2.根据权利要求1所述的同人识别方法,其特征在于,在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,所述方法还包括:
周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系;
将新增的所述用户信息数据作为新的节点添加到所述无向连通图中;
依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接;
给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符;
判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;
若是,则按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
3.根据权利要求2所述的同人识别方法,其特征在于,所述按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符的步骤包括:
从所述两个或多个唯一标识符中选择分配时间最早的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中选择分配时间最晚的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中随机选择一个作为最终的唯一标识符。
4.根据权利要求1所述的同人识别方法,其特征在于,在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,所述方法还包括:
依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度;
根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
5.一种同人识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取各个业务域的用户信息数据及各个所述用户信息数据之间的关联关系;
构建模块,用于依据所述用户信息数据及所述关联关系构建无向连通图,所述无向连通图中的每一个节点对应一个所述用户信息数据,每一条无向边对应一个所述关联关系;
第一分配模块,用于给所述无向连通图中的每一个连通子图分配唯一标识符。
6.根据权利要求5所述的同人识别装置,其特征在于,所述装置还包括:
第二获取模块,用于在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,周期性获取各个业务域新增的用户信息数据及各个所述用户信息数据之间新增的关联关系;
添加模块,用于将新增的所述用户信息数据作为新的节点添加到所述无向连通图中;
关联模块,用于依据新增的所述关联关系将所述无向连通图中彼此关联的所述用户信息数据通过所述无向边相连接;
第二分配模块,用于给所述无向连通图中未分配唯一标识符的连通子图分配唯一标识符;
判断模块,用于判断所述无向连通图中是否存在具有两个或多个唯一标识符的连通子图;若是,则按照设定规则从所述两个或多个唯一标识符中选择其中一个作为最终的唯一标识符。
7.根据权利要求6所述的同人识别装置,其特征在于,所述判断模块包括判断子模块,所述判断子模块用于:
从所述两个或多个唯一标识符中选择分配时间最早的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中选择分配时间最晚的一个作为最终的唯一标识符;
或者,
从所述两个或多个唯一标识符中随机选择一个作为最终的唯一标识符。
8.根据权利要求5所述的同人识别装置,其特征在于,所述装置还包括:
分析模块,用于在所述给所述无向连通图中的每一个连通子图分配唯一标识码的步骤之后,依据用户信息数据的生成时间,对每一个连通子图所对应的用户的行为轨迹进行统计分析,以确定每一个用户的感兴趣程度;
服务模块,用于根据所述感兴趣程度,向对应的用户推送对应的内容信息或提供对应的客户服务。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~4中任一项所述的同人识别方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令由计算机处理器执行,以实现如权利要求1~4中任一项所述的同人识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011052993.9A CN112148981A (zh) | 2020-09-29 | 2020-09-29 | 同人识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011052993.9A CN112148981A (zh) | 2020-09-29 | 2020-09-29 | 同人识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112148981A true CN112148981A (zh) | 2020-12-29 |
Family
ID=73894310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011052993.9A Pending CN112148981A (zh) | 2020-09-29 | 2020-09-29 | 同人识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148981A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328888A (zh) * | 2021-05-31 | 2021-08-31 | 上海明略人工智能(集团)有限公司 | 一种私域流量id处理方法、***、介质及设备 |
CN113486218A (zh) * | 2021-09-06 | 2021-10-08 | 北京世纪好未来教育科技有限公司 | 一种数据处理方法、装置、电子设备和存储介质 |
CN115730251A (zh) * | 2022-12-06 | 2023-03-03 | 贝壳找房(北京)科技有限公司 | 关系识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902977A (zh) * | 2014-03-31 | 2014-07-02 | 华为技术有限公司 | 基于Gabor二值模式的人脸识别方法及装置 |
US8972398B1 (en) * | 2011-02-28 | 2015-03-03 | Google Inc. | Integrating online search results and social networks |
CN108985954A (zh) * | 2018-07-02 | 2018-12-11 | 武汉斗鱼网络科技有限公司 | 一种建立各标识的关联关系的方法以及相关设备 |
CN110533085A (zh) * | 2019-08-12 | 2019-12-03 | 大箴(杭州)科技有限公司 | 同人识别方法及装置、存储介质、计算机设备 |
KR20200010658A (ko) * | 2018-06-29 | 2020-01-31 | 한양대학교 산학협력단 | 동일인 인식 방법, 이를 이용하는 컴퓨팅 시스템, 및 프로그램 |
CN110825919A (zh) * | 2018-07-23 | 2020-02-21 | 阿里巴巴集团控股有限公司 | Id数据处理方法和装置 |
CN110929173A (zh) * | 2019-12-05 | 2020-03-27 | 深圳前海微众银行股份有限公司 | 同人识别方法、装置、设备及介质 |
CN111444350A (zh) * | 2020-03-20 | 2020-07-24 | 支付宝(杭州)信息技术有限公司 | 预测用户的身份标签的方法及装置和电子设备 |
-
2020
- 2020-09-29 CN CN202011052993.9A patent/CN112148981A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8972398B1 (en) * | 2011-02-28 | 2015-03-03 | Google Inc. | Integrating online search results and social networks |
CN103902977A (zh) * | 2014-03-31 | 2014-07-02 | 华为技术有限公司 | 基于Gabor二值模式的人脸识别方法及装置 |
KR20200010658A (ko) * | 2018-06-29 | 2020-01-31 | 한양대학교 산학협력단 | 동일인 인식 방법, 이를 이용하는 컴퓨팅 시스템, 및 프로그램 |
CN108985954A (zh) * | 2018-07-02 | 2018-12-11 | 武汉斗鱼网络科技有限公司 | 一种建立各标识的关联关系的方法以及相关设备 |
CN110825919A (zh) * | 2018-07-23 | 2020-02-21 | 阿里巴巴集团控股有限公司 | Id数据处理方法和装置 |
CN110533085A (zh) * | 2019-08-12 | 2019-12-03 | 大箴(杭州)科技有限公司 | 同人识别方法及装置、存储介质、计算机设备 |
CN110929173A (zh) * | 2019-12-05 | 2020-03-27 | 深圳前海微众银行股份有限公司 | 同人识别方法、装置、设备及介质 |
CN111444350A (zh) * | 2020-03-20 | 2020-07-24 | 支付宝(杭州)信息技术有限公司 | 预测用户的身份标签的方法及装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
吴梅梅: "《机器学习算法及其应用》", 31 May 2020, 机械工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328888A (zh) * | 2021-05-31 | 2021-08-31 | 上海明略人工智能(集团)有限公司 | 一种私域流量id处理方法、***、介质及设备 |
CN113486218A (zh) * | 2021-09-06 | 2021-10-08 | 北京世纪好未来教育科技有限公司 | 一种数据处理方法、装置、电子设备和存储介质 |
CN113486218B (zh) * | 2021-09-06 | 2021-12-14 | 北京世纪好未来教育科技有限公司 | 一种数据处理方法、装置、电子设备和存储介质 |
CN115730251A (zh) * | 2022-12-06 | 2023-03-03 | 贝壳找房(北京)科技有限公司 | 关系识别方法 |
CN115730251B (zh) * | 2022-12-06 | 2024-06-07 | 贝壳找房(北京)科技有限公司 | 关系识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148981A (zh) | 同人识别方法、装置、设备和存储介质 | |
US11074299B2 (en) | Identifying relationships of interest of entities | |
CN103729250B (zh) | 用于选择被配置为满足一组要求的数据节点的方法和*** | |
CN105989523B (zh) | 用于分析的基于策略的数据收集处理及协商的方法与*** | |
CN111368013B (zh) | 基于多账户的统一标识方法、***、设备和存储介质 | |
CN107807932B (zh) | 一种基于路径枚举的层级数据管理方法和*** | |
US20190286482A1 (en) | Smart reduce task scheduler | |
JP2023546040A (ja) | データ処理方法、装置、電子機器、及びコンピュータプログラム | |
Vafopoulos | Being, space, and time on the Web | |
CN114448726B (zh) | 一种基于多重身份的权限管理方法及装置 | |
JP7410040B2 (ja) | 仮想エージェント・システムにおけるクエリ認識レジリエンシの判断 | |
Inoue et al. | Analysis of cooperative research and development networks on Japanese patents | |
CN111127232B (zh) | 兴趣圈发现方法、装置、服务器和介质 | |
CN115516441A (zh) | 用于实体的多个唯一标识符的多值主键 | |
US20170344454A1 (en) | Determining dynamic statistics based on key value patterns | |
CN113760521A (zh) | 一种虚拟资源的分配方法和装置 | |
CN107169005A (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN113486218B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN116204114A (zh) | 物理存储空间的可扩展性 | |
CN113761102B (zh) | 数据处理方法、装置、服务器、***和存储介质 | |
CN112148461A (zh) | 应用的调度方法、装置 | |
CN113722007A (zh) | Vpn分支设备的配置方法、装置及*** | |
CN109783559A (zh) | 房产交易数据的获取方法、装置、电子设备以及存储介质 | |
CN112767042B (zh) | 一种群组生成方法、装置、电子设备及存储介质 | |
US20230177193A1 (en) | Conditional access to data |
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 |