CN113051406A - 一种人物属性预测方法、装置、服务器及可读存储介质 - Google Patents

Abstract

本申请实施例适用于数据处理技术领域，提供了一种人物属性预测方法、装置、服务器及可读存储介质，该方法包括以下步骤：获取未知用户的第一特征信息，将第一特征信息输入至预设的预测模型中，得到未知用户的第一人物属性，其中，预测模型包括已知用户，已知用户对应有第二人物属性，第二人物属性为已知的人物属性。可见，本申请实施例中，通过已知用户对应的已知人物属性去预测未知人物的未知的人物属性，而不用根据未知人物自身的动态特征去预测未知人物的未知的人物属性，从而达到准确预测未知人物属性的效果。

Description

一种人物属性预测方法、装置、服务器及可读存储介质

技术领域

本申请属于数据处理技术领域，尤其涉及一种人物属性预测方法、装置、服务器及可读存储介质。

背景技术

现有的人物属性预测都是利用人物自身的特征（例如行为特征）来预测人物的属性，但是人物自身的特征大多数是动态特征，这样导致预测的人物属性不够准确。

发明内容

有鉴于此，本申请实施例提供了一种人物属性预测方法、装置、服务器及可读存储介质，以解决现有技术中预测人物属性不够准确的问题。

本申请实施例的第一方面提供了一种人物属性预测方法，包括：

获取未知用户的第一特征信息；

将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的第一人物属性，其中，所述预测模型包括已知用户，所述已知用户对应有第二人物属性，所述第二人物属性为已知的人物属性。

在第一方面的一种可能的实现方式中，将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的人物属性，包括：

根据所述第一特征信息计算出所述未知用户的第一映射值，其中，所述第一映射值用于表征所述第一特征信息在低维稠密向量空间中的向量值；

将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户，其中，所述预设的知识图谱存储有已知用户，每个所述已知用户对应有一个第二映射值，所述第二映射值是根据每个所述已知用户的第二特征值计算得到的，所述第二映射值用于表征第二特征信息在低维稠密向量空间中的向量值；

将与所述未知用户关联的已知用户的第二人物属性作为所述未知用户的第一人物属性。

在第一方面的一种可能的实现方式中，根据所述第一特征信息计算出所述未知用户的第一映射值，包括：

对所述第一特征信息进行向量化处理，得到第一向量值；

对所述第一向量值进行嵌入处理，得到所述第一映射值。

在第一方面的一种可能的实现方式中，将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户之前，还包括：

获取已知用户的第二特征信息；

根据所述第二特征信息构建所述预设的知识图谱。

在第一方面的一种可能的实现方式中，根据所述第二特征信息构建所述预设的知识图谱，包括：

根据所述第二特征信息确定所述已知用户之间的关联关系；

根据所述已知用户以及所述已知用户之间的关联关系，生成所述预设的知识图谱；

计算所述预设的知识图谱中每个已知用户对应的第二映射值，并在所述知识图谱中标记每个所述已知用户对应的第二映射值。

在第一方面的一种可能的实现方式中，计算所述预设的知识图谱中每个已知用户对应的第二映射值，并在所述知识图谱中标记每个所述已知用户对应的第二映射值，包括：

对所述第二特征值进行向量化处理，得到第二向量值；

对所述第二向量值进行嵌入处理，得到初始映射值；

根据所述初始映射值计算出上下文映射值；

将所述初始映射值和所述上下文映射值输入到预设的RNN神经网络模型，得到所述已知用户对应的第二映射值。

在第一方面的一种可能的实现方式中，将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户，包括：

计算所述第一映射值与所述第二映射值之间的相似度；

将相似度大于相似度阈值的已知用户作为与所述未知用户关联的已知用户。

本申请实施例的第二方面提供了一种，包括：

第一获取模块，获取未知用户的第一特征信息；

预测模块，用于将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的第一人物属性，其中，所述预测模型包括已知用户，所述已知用户对应有第二人物属性，所述第二人物属性为已知的人物属性。

在第二方面的一种可能的实现方式中，所述预测模块包括：

计算子模块，用于根据所述第一特征信息计算出所述未知用户的第一映射值，其中，所述第一映射值用于表征所述第一特征信息在低维稠密向量空间中的向量值；

关联子模块，用于将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户，其中，所述预设的知识图谱存储有已知用户，每个所述已知用户对应有一个第二映射值，所述第二映射值是根据每个所述已知用户的第二特征值计算得到的，所述第二映射值用于表征第二特征信息在低维稠密向量空间中的向量值；

确定子模块，用于将与所述未知用户关联的已知用户的第二人物属性作为所述未知用户的第一人物属性。

在第二方面的一种可能的实现方式中，所述计算子模板包括：

第一向量话化处理单元，用于对所述第一特征信息进行向量化处理，得到第一向量值；

第一嵌入处理单元，用于对所述第一向量值进行嵌入处理，得到所述第一映射值。

在第二方面的一种可能的实现方式中，所述装置还包括：

第二获取模块，用于获取已知用户的第二特征信息；

构建模块，用于根据所述第二特征信息构建所述预设的知识图谱。

在一种可能的实现方式中，所述构建模块包括：

确定子模块，用于根据所述第二特征信息确定所述已知用户之间的关联关系；

生成子模块，用于根据所述已知用户以及所述已知用户之间的关联关系，生成所述预设的知识图谱；

计算子模块，用于计算所述预设的知识图谱中每个已知用户对应的第二映射值，并在所述知识图谱中标记每个所述已知用户对应的第二映射值。

在第二方面的一种可能的实现方式中，所述计算子模块包括：

第二向量化处理单元，用于对所述第二特征值进行向量化处理，得到第二向量值；

第二嵌入处理单元，用于对所述第二向量值进行嵌入处理，得到初始映射值；

计算单元，用于根据所述初始映射值计算出上下文映射值；

处理单元，用于将所述初始映射值和所述上下文映射值输入到预设的RNN神经网络模型，得到所述已知用户对应的第二映射值。

在第二方面的一种可能的实现方式中，所述处理单元包括：

相似度计算模块，用于计算所述第一映射值与所述第二映射值之间的相似度；

确定模块，用于将相似度大于相似度阈值的已知用户作为与所述未知用户关联的已知用户

本申请实施例的第三方面提供了一种服务器，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述方法的各个步骤。

本申请实施例的第四方面提供了一种可读存储介质，包括：可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述方法的各个步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例中，通过已知用户对应的已知人物属性去预测未知人物的未知的人物属性，而不用根据未知人物自身的动态特征去预测未知人物的未知的人物属性，从而达到准确预测未知人物属性的效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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他的附图。

图1是本申请实施例提供的人物属性预测方法的流程示意图；

图2是本申请实施例提供的图1中步骤S102的具体流程示意图；

图3是本申请实施例提供的图2中步骤S201的具体流程示意图；

图4是本申请实施例提供的图1中步骤S102之前的流程示意图；

图5是本申请实施例提供的图4中步骤S402的具体实现流程示意图；

图6是本申请实施例提供的图5中步骤S503的具体流程示意图；

图7是本申请实施例提供的图1中步骤S202的具体流程示意图；

图8是本申请实施例提供的人物属性预测装置的结构示意图；

图9是本申请实施例提供的服务器的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

需说明的是，本申请可以对人物属性进行预测，具体的应用场景可以根据已确定身份的目标人物查找未确定身份的目标人物，例如，在警察确定出不法份子之后，可以根据该不法份子的属性对预测出其它不法份子，从给警察后续确定出其它的不法份子提供参考。

参见图1，为本申请实施例提供的人物属性预测方法的流程示意图，该方法应用于服务器，其中，服务器可以是云服务器等计算设备，该方法包括以下步骤：

步骤S101、获取未知用户的第一特征信息。

其中，第一特征信息可以是未知用户的职业、年龄、学校、参与的组织、朋友、亲属、职位、所属公司等。

步骤S102、将第一特征信息输入至预设的预测模型中，得到未知用户的第一人物属性。

具体应用中，参见图2，为本申请实施例提供的一种人物属性预测方法的图1中步骤S102的具体流程示意图，将第一特征信息输入至预设的预测模型中，得到未知用户的人物属性，包括：

步骤S201、根据第一特征信息计算出未知用户的第一映射值，其中，第一映射值用于表征第一特征信息在低维稠密向量空间中的向量值。

可以理解的是，人物的特征信息是多个维度并且比较稀疏的，所以需要将人物的特征信息映射到低维稠密向量空间，方便后续对人物的特征信息进行处理。

作为示例而非限定，如图3所示，为本申请实施例提供的图2中步骤S201的具体流程示意图，根据第一特征信息计算出未知用户的第一映射值，包括：

步骤S301、对第一特征信息进行向量化处理，得到第一向量值。

其中，向量化处理的方式包括但是不限于onehot编码、word2vec编码等。

步骤S302、对第一向量值进行嵌入处理，得到第一映射值。

示例性地，对第一向量值进行嵌入处理，得到第一映射值的过程可以是：

采用TransE的方法，该方法的主要思想是使head向量和relation向量的和尽可能靠近tail向量。其中，head向量，relation向量和tail向量分别指三元组中从左到右的数据，例如（张三，朋友，李四）,张三是head向量，朋友是relation向量，李四是tail向量。TransE中定义一个距离函数用来衡量head向量＋relation向量与tail向量之间的距离，一个正确的知识三元组应该满足 h+ r =(约等于) t，而错误的知识三元组则不满足。

对第一向量值进行嵌入处理，得到第一映射值的过程还可以是：

采用TransE的方法，该方法的主要思想在两个不同的空间，即实体空间和关系空间中建立实体和关系的模型，并在对应的空间关系中进行转换。对于三元组（head,relation,tail），将实体空间中的实体通过一个矩阵M投影到关系空间中，分别得到headR,tailR,然后有headR+ r =(约等于) tailR，经过矩阵Ｍ投影后使得持有关系的head和tail实体靠近，而不持有关系的实体相互原理。

对第一向量值进行嵌入处理，得到第一映射值的过程更可以是：

TransH方案主要是为了解决TransE中的多对一、一对多、多对多关系中，会发生不同的实体具有相同或者相似的向量。该方案的基本思想是对每一个关系定义一个超平面Wr,和一个关系向量dr。hr，tr是h,t在Wr上的投影，这里要求正确的三元组需要满足hr +dr = tr。这样使得同一实体在不同的关系中的意义不同，同时不同实体在同一关系中的意义也可以相同。

在一种可能的实现方式中，如图4所示，为本申请实施例提供的图1中步骤S102之前的流程示意图，将第一映射值输入至预设的知识图谱，得到与未知用户关联的已知用户之前，还包括：

步骤S401、获取已知用户的第二特征信息。

其中，第二特征信息可以是已知用户的职业、年龄、学校、参与的组织、朋友、亲属、职位、所属公司等。

步骤S402、根据第二特征信息构建预设的知识图谱。

示例性地，如图5所示，为本申请实施例提供的图4中步骤S402的具体实现流程示意图，根据第二特征信息构建预设的知识图谱，包括：

步骤S501、根据第二特征信息确定已知用户之间的关联关系。

其中，关联关系可以是指两个已知用户的特征信息之间的内容重叠程度，例如，分别构建两个特征信息之间的字符矩阵，计算两个字符矩阵之间的相似度，若相似度大于相似度阈值则确定两个已知用户之间的关联关系，若相似度小于相似度阈值则确定两个已知用户之间不存在关联关系。

步骤S502、根据已知用户以及已知用户之间的关联关系，生成预设的知识图谱。

步骤S503、计算预设的知识图谱中每个已知用户对应的第二映射值，并在知识图谱中标记每个已知用户对应的第二映射值。

具体地，如图6所示，为本申请实施例提供的图5中步骤S503的具体流程示意图，计算预设的知识图谱中每个已知用户对应的第二映射值，并在知识图谱中标记每个已知用户对应的第二映射值，包括：

步骤S601、对第二特征值进行向量化处理，得到第二向量值。

其中，向量化处理的方式包括但是不限于onehot编码、word2vec编码等。

步骤S602、对第二向量值进行嵌入处理，得到初始映射值。

示例性地，对第二向量值进行嵌入处理，得到初始映射值的过程可以是：

采用TransE的方法，该方法的主要思想是使head向量和relation向量的和尽可能靠近tail向量。其中，head向量，relation向量和tail向量分别指三元组中从左到右的数据，例如（张三，朋友，李四）,张三是head向量，朋友是relation向量，李四是tail向量。TransE中定义一个距离函数用来衡量head向量＋relation向量与tail向量之间的距离，一个正确的知识三元组应该满足 h+ r =(约等于) t，而错误的知识三元组则不满足。

对第二向量值进行嵌入处理，得到初始映射值的过程还可以是：

采用TransE的方法，该方法的主要思想在两个不同的空间，即实体空间和关系空间中建立实体和关系的模型，并在对应的空间关系中进行转换。对于三元组（head,relation,tail），将实体空间中的实体通过一个矩阵M投影到关系空间中，分别得到headR,tailR,然后有headR+ r =(约等于) tailR，经过矩阵Ｍ投影后使得持有关系的head和tail实体靠近，而不持有关系的实体相互原理。

对第二向量值进行嵌入处理，得到初始映射值的过程更可以是：

TransH方案主要是为了解决TransE中的多对一、一对多、多对多关系中，会发生不同的实体具有相同或者相似的向量。该方案的基本思想是对每一个关系定义一个超平面Wr,和一个关系向量dr。hr，tr是h,t在Wr上的投影，这里要求正确的三元组需要满足hr +dr = tr。这样使得同一实体在不同的关系中的意义不同，同时不同实体在同一关系中的意义也可以相同。

步骤S603、根据初始映射值计算出上下文映射值。

可以理解的是，知识图谱中的每个实体已经得到实体的映射值。利用图谱之间的连接关系计算每个实体的临近实体的映射值进行相加平均，作为该实体的上下文映射值;利用三元组（张三，朋友，李四）和（张三，同事，王五）等等，当计算实体“张三”的映射值时，不但需要考虑实体“张三”本身的映射值，还需要考虑实体“李四”和“王五”等相邻近实体的映射值，将临近实体的映射值进行加权平均，共同组成该实体的上下文映射值。

步骤S604、将初始映射值和上下文映射值输入到预设的RNN神经网络模型，得到已知用户对应的第二映射值。

可以理解的是，将知识图谱的实体的初始映射值、上下文映射值进行累加得到一个新的二维矩阵，再将该二维矩阵进行卷积、池化得到最终的第二映射值。

步骤S202、将第一映射值输入至预设的知识图谱，得到与未知用户关联的已知用户。

其中，预设的知识图谱存储有已知用户，每个已知用户对应有一个第二映射值，第二映射值是根据每个已知用户的第二特征值计算得到的，第二映射值用于表征第二特征信息在低维稠密向量空间中的向量值，每个已知用户对应有一个第二人物属性。

具体应用中，如图7所示，为本申请实施例提供的图1中步骤S102的具体流程示意图，将第一映射值输入至预设的知识图谱，得到与未知用户关联的已知用户，包括：

步骤S701、计算第一映射值与第二映射值之间的相似度。

其中，相似度的计算方式包括但是不限于编辑距离、汉明距离、欧式距离、余弦相似度等计算方式。

步骤S702、将相似度大于相似度阈值的已知用户作为与未知用户关联的已知用户。

步骤S203、将与未知用户关联的已知用户的第二人物属性作为未知用户的第一人物属性。

例如，已知用户的人物属性为不法分子，当确定该未知用户与该已知用户关联，那么该未知用户的人物属性也是不法分子。

本申请实施例中，通过已知用户对应的已知人物属性去预测未知人物的未知的人物属性，而不用根据未知人物自身的动态特征去预测未知人物的未知的人物属性，从而达到准确预测未知人物属性的效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

下面将对本申请实施例提供的一种人物属性预测装置进行介绍说明。本实施例的方法装置与上述方法相互对应。

图8是本申请实施例提供的一种人物属性预测装置的结构示意图，该装置可以具体集成于服务器，该装置可以包括：

第一获取模块81，获取未知用户的第一特征信息；

预测模块82，用于将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的第一人物属性，其中，所述预测模型包括已知用户，所述已知用户对应有第二人物属性，所述第二人物属性为已知的人物属性。

在一种可能的实现方式中，所述预测模块包括：

计算子模块，用于根据所述第一特征信息计算出所述未知用户的第一映射值，其中，所述第一映射值用于表征所述第一特征信息在低维稠密向量空间中的向量值；

关联子模块，用于将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户，其中，所述预设的知识图谱存储有已知用户，每个所述已知用户对应有一个第二映射值，所述第二映射值是根据每个所述已知用户的第二特征值计算得到的，所述第二映射值用于表征第二特征信息在低维稠密向量空间中的向量值；

确定子模块，用于将与所述未知用户关联的已知用户的第二人物属性作为所述未知用户的第一人物属性。

在一种可能的实现方式中，所述计算子模板包括：

第一向量话化处理单元，用于对所述第一特征信息进行向量化处理，得到第一向量值；

第一嵌入处理单元，用于对所述第一向量值进行嵌入处理，得到所述第一映射值。

在一种可能的实现方式中，所述装置还包括：

第二获取模块，用于获取已知用户的第二特征信息；

构建模块，用于根据所述第二特征信息构建所述预设的知识图谱。

在一种可能的实现方式中，所述构建模块包括：

确定子模块，用于根据所述第二特征信息确定所述已知用户之间的关联关系；

生成子模块，用于根据所述已知用户以及所述已知用户之间的关联关系，生成所述预设的知识图谱；

计算子模块，用于计算所述预设的知识图谱中每个已知用户对应的第二映射值，并在所述知识图谱中标记每个所述已知用户对应的第二映射值。

在一种可能的实现方式中，所述计算子模块包括：

第二向量化处理单元，用于对所述第二特征值进行向量化处理，得到第二向量值；

第二嵌入处理单元，用于对所述第二向量值进行嵌入处理，得到初始映射值；

计算单元，用于根据所述初始映射值计算出上下文映射值；

处理单元，用于将所述初始映射值和所述上下文映射值输入到预设的RNN神经网络模型，得到所述已知用户对应的第二映射值。

在一种可能的实现方式中，所述处理单元包括：

相似度计算模块，用于计算所述第一映射值与所述第二映射值之间的相似度；

确定模块，用于将相似度大于相似度阈值的已知用户作为与所述未知用户关联的已知用户。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图9是本申请实施例提供的服务器9的示意图。如图9所示，该实施例的服务器9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述方法实施例中的步骤。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述服务器9中的执行过程。

所述服务器9可以是云端服务器等计算设备。所述服务器9可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是服务器9的示例，并不构成对服务器9的限定，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，例如所述服务器9还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述服务器9的内部存储单元，例如服务器9的硬盘或内存。所述存储器91也可以是所述服务器9的外部存储设备，例如所述服务器9上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器91还可以既包括所述服务器9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述服务器9所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人物属性预测方法，其特征在于，该方法包括：

获取未知用户的第一特征信息；

将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的第一人物属性，其中，所述预测模型包括已知用户，所述已知用户对应有第二人物属性，所述第二人物属性为已知的人物属性。

2.如权利要求1所述的人物属性预测方法，其特征在于，将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的人物属性，包括：

根据所述第一特征信息计算出所述未知用户的第一映射值，其中，所述第一映射值用于表征所述第一特征信息在低维稠密向量空间中的向量值；

将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户，其中，所述预设的知识图谱存储有已知用户，每个所述已知用户对应有一个第二映射值，所述第二映射值是根据每个所述已知用户的第二特征值计算得到的，所述第二映射值用于表征第二特征信息在低维稠密向量空间中的向量值；

将与所述未知用户关联的已知用户的第二人物属性作为所述未知用户的第一人物属性。

3.如权利要求2所述的人物属性预测方法，其特征在于，根据所述第一特征信息计算出所述未知用户的第一映射值，包括：

对所述第一特征信息进行向量化处理，得到第一向量值；

对所述第一向量值进行嵌入处理，得到所述第一映射值。

4.如权利要求2所述的人物属性预测方法，其特征在于，将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户之前，还包括：

获取已知用户的第二特征信息；

根据所述第二特征信息构建所述预设的知识图谱。

5.如权利要求4所述的人物属性预测方法，其特征在于，根据所述第二特征信息构建所述预设的知识图谱，包括：

根据所述第二特征信息确定所述已知用户之间的关联关系；

根据所述已知用户以及所述已知用户之间的关联关系，生成所述预设的知识图谱；

计算所述预设的知识图谱中每个已知用户对应的第二映射值，并在所述知识图谱中标记每个所述已知用户对应的第二映射值。

6.如权利要求5所述的人物属性预测方法，其特征在于，计算所述预设的知识图谱中每个已知用户对应的第二映射值，并在所述知识图谱中标记每个所述已知用户对应的第二映射值，包括：

对所述第二特征值进行向量化处理，得到第二向量值；

对所述第二向量值进行嵌入处理，得到初始映射值；

根据所述初始映射值计算出上下文映射值；

将所述初始映射值和所述上下文映射值输入到预设的RNN神经网络模型，得到所述已知用户对应的第二映射值。

7.如权利要求2至6任一项所述的人物属性预测方法，其特征在于，将所述第一映射值输入至预设的知识图谱，得到与所述未知用户关联的已知用户，包括：

计算所述第一映射值与所述第二映射值之间的相似度；

将相似度大于相似度阈值的已知用户作为与所述未知用户关联的已知用户。

8.一种人物属性预测装置，其特征在于，该装置包括：

第一获取模块，获取未知用户的第一特征信息；

预测模块，用于将所述第一特征信息输入至预设的预测模型中，得到所述未知用户的第一人物属性，其中，所述预测模型包括已知用户，所述已知用户对应有第二人物属性，所述第二人物属性为已知的人物属性。

9.服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，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至7任一项所述。

10.可读存储介质，所述可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的各个步骤。

Images