CN115423040A - 互动营销平台的用户画像识别方法及ai*** - Google Patents
互动营销平台的用户画像识别方法及ai*** Download PDFInfo
- Publication number
- CN115423040A CN115423040A CN202211200463.3A CN202211200463A CN115423040A CN 115423040 A CN115423040 A CN 115423040A CN 202211200463 A CN202211200463 A CN 202211200463A CN 115423040 A CN115423040 A CN 115423040A
- Authority
- CN
- China
- Prior art keywords
- user
- portrait
- vector
- service behavior
- adjusting
- 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
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
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/1734—Details of monitoring file system events, e.g. by the use of hooks, filter drivers, logs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
- G06F16/1815—Journaling file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例提供的互动营销平台的用户画像识别方法及AI***,通过对选定用户的业务行为日志进行业务行为描述向量挖掘得到选定用户的业务行为描述向量,再依据选定用户的业务行为描述向量对临时用户画像进行调整,从而得到选定用户的最终用户画像,本发明实施例采用临时用户画像获取选定用户的最终用户画像,在具有模板指示的情况下,使得选定用户的最终用户画像偏离性低,效率和精确性高。
Description
技术领域
本申请涉及业务营销、人工智能领域,具体而言,涉及一种互动营销平台的用户画像识别方法及AI***。
背景技术
随着互联网的高速发展,各种互联网运营平台通过对其平台上的用户的行为***台而言,例如电商品台、视频平台、阅读平台等,海量的用户每天会产生大量的业务行为数据,而用户的需求和业务倾向往往是动态变化的,因此需要对大量的业务行为数据进行及时高效地分析处理,得到对应阶段性的用户画像。而目前对于海量的业务行为数据进行分析和画像描绘效率和准确性还很吃力,需要多样化的解决方案。
发明内容
本发明的目的在于提供一种互动营销平台的用户画像识别方法及AI***,以提升用户画像的描绘效率和准确性。
本申请实施例是这样实现的:
第一方面,本申请实施例提供了一种互动营销平台的用户画像识别方法,应用于互动营销平台,该互动营销平台与业务终端设备通信连接,该方法包括:获取业务终端设备发送的选定用户的业务行为日志;对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量;依据选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像。
本申请实施例中,通过对选定用户的业务行为日志进行业务行为描述向量挖掘得到选定用户的业务行为描述向量,再依据选定用户的业务行为描述向量对临时用户画像进行调整,从而得到选定用户的最终用户画像,本发明实施例采用临时用户画像获取选定用户的最终用户画像,具有模板指示的情况下,获得的选定用户的最终用户画像可以保证偏离性低,精确性高。
作为一种可行的实施方式,对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量,包括:通过画像生成模型中的向量挖掘模块对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量;依据选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像,包括:通过画像生成模型中的画像调整单元依据向量挖掘模块产生的选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像。
本申请实施例中,通过画像生成模型对业务行为日志进行业务行为描述向量挖掘并根据业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像,该重新描绘的过程通过人工智能模型执行,效率高,解放了人力。
作为一种可行的实施方式,向量挖掘模块包括多个依次连接的归类分析单元以及多个依次连接的识别优化单元,画像调整单元包括多个依次连接的调整单元,每个调整单元对应一个识别优化单元;通过画像生成模型中的向量挖掘模块对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量,包括:通过多个依次连接的归类分析单元对业务行为日志进行归类分析,并通过多个识别优化单元对归类分析单元生成的结果进行识别优化,得到每个所述识别优化单元关于选定用户的业务行为描述向量;通过画像生成模型中的画像调整单元依据向量挖掘模块产生的选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像,包括:对于画像调整单元中的首个调整单元,通过和调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对临时用户画像进行调整,得到调整单元对应的调整临时用户画像;对于首个调整单元之外的每一调整单元,通过和每个调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对前一个调整单元产生的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像;其中,最末一个调整单元获得的调整临时用户画像作为选定用户的最终用户画像。
本申请实施例中,画像调整单元接收从向量挖掘模块输出的不同维度的业务行为描述向量,然后对临时用户画像进行阶段性地调整,令产生的最终用户画像的各画像维度下的代表标签表征得准确可靠。
作为一种可行的实施方式,每个调整单元包括业务行为描述向量挖掘单元以及分析单元,对于画像调整单元中的首个调整单元,通过和调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对临时用户画像进行调整,得到调整单元对应的调整临时用户画像,包括:通过调整单元的业务行为描述向量挖掘单元,对临时用户画像和与调整单元对应的识别优化单元产生的选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到调整单元针对选定用户的业务行为完善描述向量;通过调整单元的分析单元依据业务行为完善描述向量对临时用户画像进行调整,得到后一个调整单元进行第二业务行为描述向量挖掘和调整中运用的调整临时用户画像;对于首个调整单元之外的每一调整单元,通过和每一调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对前一个调整单元产生的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像,包括:通过调整单元的业务行为描述向量挖掘单元,对前一个调整单元获得的业务行为完善描述向量和调整临时用户画像、和与调整单元对应的识别优化单元产生的选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到调整单元针对选定用户的业务行为完善描述向量;通过调整单元的分析单元依据业务行为完善描述向量对前一个调整单元获得的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像。
本申请实施例中,基于业务行为描述向量挖掘单元对业务行为描述向量和临时用户画像,或前一个调整单元产生的调整临时用户画像,进行业务行为描述向量挖掘,得到选定用户的业务行为完善描述向量,如此,调整获得的最终用户画像更加精确可靠。
作为一种可行的实施方式,该方法中,还包括对画像生成模型的调校过程,该调校过程包括如下步骤:获取包含选定用户的业务行为日志样本;通过画像生成模型依据业务行为日志样本和事先生成的临时用户画像,得到选定用户的多个调校用户画像,多个调校用户画像包括画像调整单元中各个调整单元产生的调校用户画像;依据多个调校用户画像确定代价值loss1;基于代价值loss1调节画像生成模型的模型系数。
本申请上述实施例中,通过依据多个调校用户画像获得代价值loss1,让得到的代价值准确可靠。
作为一种可行的实施方式,每个调校用户画像的描绘体系由多个调校画像维度组成,依据多个调校用户画像确定代价值loss1,包括:针对每个调校用户画像,依据调校用户画像的描绘体系中各调校画像维度的代表标签和画像维度样本的代表标签之间的矢量差代价值,画像维度样本为选定用户的实际用户画像的描绘体系中的画像维度;以及,获取调校用户画像每个调校画像维度的规范化代价值,规范化代价值与每个调校画像维度之间的调整内容关联;通过各个调校用户画像对应的矢量差代价值和规范化代价值,得到代价值loss1。
本申请实施例中,通过获取矢量差代价值和规范化代价值,可以衡量各个层次的画像修正情形,令获取到的代价值loss1精确可靠。
作为一种可行的实施方式,通过各个调校用户画像对应的矢量差代价值和规范化代价值,获得代价值loss1,包括:针对每个调校用户画像,将调校用户画像对应的矢量差代价值和规范化代价值进行合并,得到调校用户画像的代价值;将各个调校用户画像的代价值求和,得到代价值loss1;其中,各个调校用户画像的规范化代价值相应的权值和预设参考条件反向关联,预设参考条件包括以下条件中的至少一个:获取调校用户画像的调校循环轮数;获取到调校用户画像的调整单元在画像调整单元中的顺次。
本申请实施例中,采用了变化的规范化方式,使得模型从画像框架上(即画像维度上)开始训练,然后在各个画像维度的具体构成上进行训练,模型的学习是渐进式地,有助于学习的精度和可靠性。
作为一种可行的实施方式,上述方法还包括:通过画像生成模型得到业务行为日志样本对于选定用户的行为向量聚类识别结果,行为向量聚类识别结果依据向量挖掘模块中最末一个识别优化单元产生的选定用户的业务行为描述向量获取;依据行为向量聚类识别结果以及业务行为日志样本关于选定用户的实际行为向量聚类识别结果,获得代价值loss2;基于代价值loss1调节画像生成模型的模型系数,包括:通过代价值loss1和代价值loss2调节画像生成模型的系数。
本申请实施例中,依照联合行为向量聚类识别结果相应的代价值loss2,调节画像生成模型的系数,使得更新后的画像生成模型能更准确地挖掘业务行为描述向量。
作为一种可行的实施方式,该方法还包括:通过画像生成模型得到各个行为向量聚类对应的矢量域差值,矢量域差值依据向量挖掘模块中最末一个识别优化单元产生的选定用户的业务行为描述向量获取;依据矢量域差值和业务行为日志样本关于选定用户的实际矢量域差值,得到代价值loss3;基于代价值loss1调节画像生成模型的模型系数,包括:通过代价值loss1、代价值loss2和代价值loss3获得期望代价值;基于期望代价值调节画像生成模型的模型系数。
本申请实施例中,依照联合矢量域差值对应的代价值loss3调节画像生成模型的模型系数,使得更新后的画像生成模型可以更加精确地挖掘业务行为描述向量。
作为一种可行的实施方式,通过画像生成模型依据业务行为日志样本和事先生成的临时用户画像,得到选定用户的多个调校用户画像之后,该方法还可以包括:对画像调整单元最末一个调整单元产生的调校用户画像进行整合操作,整合操作包括以下操作中的至少一个:对所述调校用户画像的画像维度进行维度向量统一对所述调校用户画像的画像维度卷积操作;将基于整合操作后的调校用户画像作为后一轮调校的预设临时用户画像,以对画像生成模型进行调校。
本申请实施例中,通过对最末一个调整单元产生的调校用户画像进行整合操作,并将整合操作后的调校用户画像作为后一轮调校的预设临时用户画像,对画像生成模型进行调校,可以自主地描绘出针对选定用户的临时用户画像。
作为一种可行的实施方式,该方法还可以包括:当画像生成模型的代价值符合事先设定的标准,将画像调整单元中最末一个调整单元产生的调校用户画像作为临时用户画像。
本申请实施例中,不但可以对画像生成模型进行调校,还可以获取选定用户对应的临时用户画像,帮助后面的调校可以对照选定用户的样本经验,从而增加最终用户画像的精确可靠。
作为一种可行的实施方式,该方法还可以包括用户画像的存储过程:获取最终用户画像和最终用户画像对应的联合分析信息;其中,联合分析信息包括最终用户画像对应的业务行为日志的获取时间和产生业务行为日志的第一选定用户的区域归属特征;确定最终用户画像与对比用户画像集合中的每个对比用户画像的标签匹配度,并通过联合分析信息和每个对比用户画像的联合对比分析信息,得到最终用户画像与每个对比用户画像的完善匹配度;其中,完善匹配度用于从标签指示信息和时域交集情况两方面一起衡量用户画像的匹配度;基于最终用户画像与对比用户画像集合中的每个对比用户画像的标签匹配度和完善匹配度,确定和最终用户画像对应的目标对比用户画像;将最终用户画像更新为新的对比用户画像,然后在对比用户画像集合中构建最终用户画像和预存的目标对比用户画像对应的目标用户画像类型的映射。
本申请实施例中,通过事先构建对比用户画像集合,在对拟进行保存的最终用户画像进行保存时,和对比用户画像集合中的对比用户画像进行对比,如果确定出和拟存储的用户画像相匹配的对比用户画像,则将用户画像保存在对比用户画像集合中,同时构建映射关系方便取用,实现了用户画像的按类保存。
第二方面,本申请实施例提供一种AI***,包括相互连接的处理器和存储器,存储器存储有计算机程序,当处理器运行该计算机程序时,执行上述第一方面提供的方法。
本申请实施例提供的互动营销平台的用户画像识别方法及AI***,通过对选定用户的业务行为日志进行业务行为描述向量挖掘得到选定用户的业务行为描述向量,再依据选定用户的业务行为描述向量对临时用户画像进行调整,从而得到选定用户的最终用户画像,本发明实施例采用临时用户画像获取选定用户的最终用户画像,在具有模板指示的情况下,使得选定用户的最终用户画像偏离性低,效率和精确性高。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是根据本申请的一些实施例所示的一种互动营销平台的用户画像识别方法的流程图。
图2是本申请实施例提供的用户画像识别装置的架构示意图。
图3是根据本申请的一些实施例所示的一种AI***中硬件和软件组成的示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
本申请实施例中互动营销平台的用户画像识别方法的执行主体为互动营销平台,互动营销平台中包含与业务终端设备通信连接的电子设备,电子设备可以包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,电子设备可单独运行来实现本申请,也可接入网络并通过与网络中的其他电子设备的交互操作来实现本申请。其中,电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。其中,业务终端设备可以是包括但不限于电脑、智能手机、PAD等,用户通过业务终端设备进行操作,产生业务行为数据并形成业务行为日志,业务行为日志的具体内容不做限定。
本申请实施例提供了一种互动营销平台的用户画像识别方法,该方法应用于电子设备,如图1所示,该方法包括:
步骤10:获取业务终端设备发送的选定用户的业务行为日志。
本申请实施例中,业务行为日志是业务终端设备收集的选定用户的交互行为数据构成的集合,例如对于电商场景而言,业务行为日志是选定用户在电商平台的相关行为数据的集合,例如商品浏览、链接点击、商品购买、商品评价、交互会话等,容易理解,业务行为日志中的业务行为数据可以是针对选定用户在预设的采集周期中获取的数据,该预设的周期可以根据实际情况而设定,本申请实施例对此不做限定。其中,选定用户即需要进行针对性用户画像描绘的用户。另外,对于其他应用场景,业务行为日志可以是其他业务行为数据的集合,例如,对于短视频平台用户,业务行为日志可以是用户浏览视频的浏览记录、互动记录和交易记录等,此处不再对其他应用场景及其对应的行为数据进行举例说明。
本申请实施例中,用户画像为用以描述用户需求的工具,其表现形式为一系列画像维度下的标签的集合,通过不同画像维度及对应的标签信息量化用户的特征属性,抽象出用户的需求信息。其中,关于画像维度,可以根据具体需要进行配置,举例而言,对于电商场景,画像维度可以包括用户个体属性和行为属性,其中,个体属性可以细化为年龄、性别、地域、受教育程度、职业、收入、生活习惯、消费习惯等,行为属性可以细化为商品种类、活跃频率、商品倾向、产品驱动、使用习惯、产品消费等。以上仅进行了电商场景的用户画像举例,容易理解,对于其他应用场景,可以根据产品或服务的推广中心进行适应性地维度设计本申请对此不做限定。
步骤20:对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量。
本申请实施例中,对业务行为日志进行业务行为描述向量挖掘,可以采用事先调校好的画像生成模型对业务行为日志进行业务行为描述向量挖掘,业务行为描述向量是能够体现业务行为的特征的矢量结果。
步骤30:依据选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像。
本申请实施例中,将选定用户的业务行为描述向量作为对临时用户画像的调整因子,依据该调整因子对临时用户画像进行调整。其中,临时用户画像可以是针对选定用户而事先生成的,临时用户画像可以认为是一个用户画像模板,其不代表选定用户的真实用户画像,经过选定用户的业务行为描述向量对临时用户画像进行调整后,使之成为选定用户的真实用户画像。依据选定用户的业务行为描述向量对临时用户画像进行调整,具体可以为依据选定用户的业务行为描述向量对目标临时用户画像进行调整,目标临时用户画像是针对选定用户事先生成的。
以上步骤10-30通过对选定用户的业务行为日志进行业务行为描述向量挖掘得到选定用户的业务行为描述向量,再依据选定用户的业务行为描述向量对临时用户画像进行调整,从而得到选定用户的最终用户画像,其中,通过临时用户画像获取选定用户的最终用户画像,在具有模板指示的情况下,使得选定用户的最终用户画像偏离性低,精确性高。
作为一种实施方式,步骤20具体可以包括以下步骤:
通过画像生成模型中的向量挖掘模块对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量。步骤30具体包括以下步骤:通过画像生成模型中的画像调整单元依据向量挖掘模块产生的选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像。通过画像生成模型对业务行为日志进行业务行为描述向量挖掘并通过选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像,该重新描绘的过程通过人工智能模型执行,效率高,解放了人力。
作为一种实施方式,向量挖掘模块包括多个依次连接的归类分析单元以及多个依次连接的识别优化单元。画像调整单元包括多个依次连接的调整单元,其中,每个调整单元对应一个识别优化单元。
作为一种实施方式,通过画像生成模型中的向量挖掘模块对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量的过程可以包括:通过多个依次连接的归类分析单元对业务行为日志进行归类分析,并通过多个识别优化单元对归类分析单元生成的结果进行识别优化,得到每个识别优化单元对于选定用户的业务行为描述向量。其中,向量挖掘模块可以是具备残差连接的UNet或SegNet构造。归类分析单元是一种encoder,具体可以包括卷积层、池化层和BN层,卷积层获取业务行为日志中数据的特征,池化层对数据进行下采样,然后经由BN层进行归一化,完成归类分析。对应的,识别优化单元是一种decoder,用于将归类分析得到的特征信息进行识别优化,先对特征信息进行上采样,再进行卷积操作,完善特征信息,填补归类分析单元的池化过程形成的信息缺失。其中,归类分析单元和识别优化单元中的卷积层的算法相同。
通过画像生成模型中的画像调整单元依据向量挖掘模块产生的选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像的过程可以包括:
针对画像调整单元中的首个调整单元,通过和调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对临时用户画像进行调整,得到调整单元对应的调整临时用户画像。
对于画像调整单元中首个调整单元之外的每一调整单元,通过和每一调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对前一个调整单元产生的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像。其中,最末一个调整单元获得的调整临时用户画像作为选定用户的最终用户画像。
画像调整单元接收从向量挖掘模块不同维度的业务行为描述向量,然后对临时用户画像进行阶段性地调整,令产生的最终用户画像的各画像维度下的代表标签表征得更加准确可靠。
具体而言,各个调整单元包括业务行为描述向量挖掘单元和分析单元。通过调整单元的业务行为描述向量挖掘单元,对临时用户画像和与调整单元对应的识别优化单元产生的选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到调整单元针对选定用户的业务行为完善描述向量。同时,通过调整单元的分析单元依据业务行为完善描述向量对前一个调整单元获得的调整临时用户画像进行调整,得到该调整单元对应的调整临时用户画像。上述向量挖掘模块和画像调整单元均为卷积网络。
作为一种实施范式,首个归类分析单元包括一个或多个卷积层,通过首个归类分析单元得到多通道业务描述向量,不是首个的归类分析单元各包含一个或多个卷积层合一个maxpool层。其中,不是最末一个的识别优化单元包含一个或多个卷积层,一个反卷积层和一个Self-Attention层。其中,首个归类分析单元表示没有和其连接的前一个归类分析单元的归类分析单元,而最末一个识别优化单元表示没有和其连接的后一个归类分析单元的归类分析单元。将N通道业务行为描述向量加载到首个识别优化单元的Self-Attention层,再把Self-Attention层生成的结果加载至反卷积层,最后将获得的结果加载至卷积层,根据在识别优化单元中加入Self-Attention层,可以帮助模型突出再次生成的业务行为描述向量,同时阻抑无关业务行为描述向量,此处所提及的模型突出再次生成的业务行为描述向量是对业务行为日志进行业务行为描述向量挖掘获得的选定用户的业务行为描述向量,无关业务行为描述向量是对业务行为日志进行业务行为描述向量挖掘获得的与选定用户没有关联的业务行为描述向量。
画像调整单元可以包括N个调整单元,,可以在顶层特征维度上设置多个调整单元,即多个调整单元和向量挖掘模块中最末一个识别优化单元相匹配,从而能够将信息完全利用。画像调整单元接收源于向量挖掘模块不同维度的业务行为描述向量,再对临时用户画像进行阶段性地调整,令产生的最终用户画像的各画像维度下的代表标签表征得准确可靠。
本申请实施例中,首个调整单元的业务行为描述向量挖掘单元包括pooling层、加强层和分析层,对于首个调整单元中pooling层,其输入为对应识别优化单元的Self-Attention层生成的结果和临时用户画像,pooling层对Self-Attention层生成的结果和临时用户画像采样,得到选定用户的业务行为描述向量的采样结果,加强层通过临时用户画像对采样结果进行增强,在此基础上,分析层再进行调整分析,得到选定用户的业务行为完善描述向量。选定用户的该业务行为完善描述向量为对临时用户画像调整时的调整系数。分析单元将选定用户的业务行为完善描述向量和临时用户画像融合后即获得调整单元对应的调整临时用户画像。
除首个调整单元外的调整单元的业务行为描述向量挖掘单元中,pooling层的输入为前一个调整单元产生的调整临时用户画像和对应识别优化单元的Self-Attention层生成的结果。除首个调整单元外的调整单元中业务行为描述向量挖掘单元的pooling层通过前一个调整单元产生的调整临时用户画像和对应识别优化单元的Self-Attention层生成的结果进行采样,得到选定用户的业务行为描述向量的采样结果,加强层通过前一个调整单元中加强层输出和前一个调整单元产生的调整临时用户画像,对该pooling层的输出结果进行加强,然后,该调整单元的分析层依据该加强层的输出得到选定用户的业务行为完善描述向量。分析单元将本个调整单元的分析层产生的选定用户的业务行为完善描述向量和前一个调整单元产生的调整临时用户画像融合后获得本个调整单元对应的调整临时用户画像。将最末一个调整单元产生的调整临时用户画像确定为选定用户的最终用户画像。首个调整单元即没有和其相连的前一个调整单元的调整单元。最末一个调整单元即没有和其相连的后一个调整单元的调整单元。通过业务行为描述向量挖掘单元对业务行为描述向量和临时用户画像或前一个调整单元产生的调整临时用户画像进行业务行为描述向量挖掘,得到选定用户的业务行为完善描述向量,从而令调整获得的最终用户画像准确可靠。
作为一些实施方式,向量挖掘模块中最末一个识别优化单元后,可以连接聚类识别层以及矢量域差值获取层。通过聚类识别层获取该业务行为日志对于选定用户的行为向量聚类识别结果,以及通过矢量域差值获取层获取业务行为日志中各个行为向量聚类结果中的行为向量和行为向量聚类结果的中心行为向量(即具备代表性的行为向量)间的矢量差值。
作为一种实施方式,画像生成模型中的画像调整单元为多个,多个画像调整单元与向量挖掘模块连接,不同的画像调整单元收集业务行为描述向量对选定用户中不同的层次进行用户画像修正。将业务行为日志加载到画像生成模型,画像生成模型中的各画像调整单元输出选定用户各个层次维度对应的用户画像,将各层次维度的最终用户画像合并,得到选定用户的最终用户画像。
本申请实施例提供的互动营销平台的用户画像识别方法还包括对画像生成模型的调校过程,包括以下步骤:
步骤100:获取选定用户的业务行为日志样本。
步骤200:通过画像生成模型依据业务行为日志样本和事先生成的临时用户画像,得到选定用户的多个调校用户画像,多个调校用户画像包括画像调整单元中各个调整单元产生的调校用户画像。
步骤300:依据多个调校用户画像确定代价值loss1。
每个调校用户画像的描绘体系由多个调校画像维度组成。其中,调校画像维度可以参照前述关于用户画像维度的介绍。
作为一种实施方式,获取代价值loss1的过程可以包括:针对每个调校用户画像,依据调校用户画像的描绘体系中各调校画像维度的代表标签与画像维度样本的代表标签之间的矢量差代价值。画像维度样本为选定用户的实际用户画像的描绘体系中的画像维度。可选的,业务行为日志样本可以注解各行为向量聚类识别的实际结果,通过聚类得到的某一向量集合构成用户画像的一画像维度下的标签集合,其中,矢量结果突出的某一标签可以作为代表标签。
以及,获取调校用户画像上各调校画像维度的规范化代价值。规范化代价值与各调校画像维度之间的调整内容关联。通过获取规范化代价,为代价函数赋予限制,规范接下来的循环迭代,防止模型自我膨胀和过拟合,对代价函数增加一个限制条件,限制较高次的参数值过大,作为一些实施方式,规范化代价值可以包括以下内容:标签数量代价、标签长度代价和标签方向代价,其中,标签数量代价和维度中标签的数量关联,用于规范超出预设数量范围区间的标签数量,保证调校用户画像中画像维度的标签数量保持在合理范围;标签长度代价用于规范调校画像维度中标签长度超过预设长度的标签长度,使得画像维度中的标签长度具有归一性;因为同一用户的同一画像维度中的画像标签表征的倾向性往往是一致的,不会有大的偏差,标签方向代价用于规范画像维度中标签的矢量方向偏离目标方向的标签方向,保证画像维度的统一性,该目标方向例如是同一画像维度中所有标签的方向均值。相应的权值作为一种实施方式,可以为标签数量代价、标签长度代价和标签方向代价分别赋予相应的权值,然后加权求和获得上述规范化代价值。再通过各调校用户画像对应的矢量差代价值和规范化代价值,得到代价值loss1。具体而言,针对每个调校用户画像,将调校用户画像对应的矢量差代价值和规范化代价值进行合并,得到该调校用户画像的代价值。再将各调校用户画像的代价值求和,得到代价值loss1。其中,每个调校用户画像的规范化代价值相应的权值与预设参考条件反向关联。预设参考条件包括以下条件中的至少一个:获取调校用户画像的调校循环轮数;获取到调校用户画像的调整单元在画像调整单元中的顺次。调校循环轮数的获取可以是将代价值loss1调节画像生成模型中的数值加上一得到的数值。规范化项的权值不能过大或过小,多小则画像维度不均衡,过大,则调校用户画像的细节缺失,本申请实施例中采用了变化的规范化方式,使得模型从画像框架上(即画像维度上)开始训练,然后在各个画像维度的具体构成上进行训练,模型的学习是渐进式地,有助于学习的精度和可靠性。
通过获取矢量差代价值和规范化代价值,可以衡量多方面的修正情形,令获取到的代价值loss1精确度高。
作为一种实施方式,互动营销平台的用户画像识别方法中画像生成模型的调校过程还可包括:
通过画像生成模型获得业务行为日志样本中选定用户的行为向量聚类识别结果。行为向量聚类识别结果依据向量挖掘模块中最末一个识别优化单元产生的选定用户的业务行为描述向量得到,行为向量聚类识别结果是对挖掘得到的用户行为描述向量进行聚类后得到的结果,容易理解,该结果的个数可以为多个。之后依据行为向量聚类识别结果和业务行为日志样本关于选定用户的实际行为向量聚类识别结果,得到代价值loss2。画像生成模型中向量挖掘模块中最末一个识别优化单元后,还可耦合聚类识别层,通过聚类识别层可以获取业务行为日志关于选定用户的行为向量聚类识别结果。代价值loss2涉及到的代价类型不做限定,例如交叉熵代价。联合行为向量聚类识别结果相应的代价值loss2调节画像生成模型的模型系数,使得模型能更准确地挖掘用户行为描述向量。
作为一种实施方式,画像生成模型的调校过程还可包括:
通过画像生成模型获取各行为向量聚类对应的矢量域差值。画像生成模型中向量挖掘模块中最末一个识别优化单元后还耦合矢量域差值获取层,通过矢量域差值获取层可以获取业务行为日志中各个行为向量聚类结果中的行为向量和行为向量聚类结果的中心行为向量间的矢量差值。再依据矢量域差值和业务行为日志样本对于选定用户的实际矢量域差值,获得代价值loss3。例如,代价值loss3为L1代价,联合矢量域差值对应的代价值loss3调节画像生成模型的模型系数,使得模型能更准确地挖掘用户行为描述向量。
步骤400:基于代价值loss1调节画像生成模型的模型系数。
作为一些实施方式,基于代价值loss1调节画像生成模型的模型系数。作为另一些实施方式,通过代价值loss1和代价值loss2调节画像生成模型的模型系数。作为其他的实施方式,通过代价值loss1和代价值loss3调节画像生成模型的模型系数。又或者在其他实施方式中,通过代价值loss1、代价值loss2和代价值loss3调节画像生成模型的模型系数。
例如,通过代价值loss1、代价值loss2和代价值loss3,得到期望代价值,再基于期望代价值调节画像生成模型的模型系数。其中,期望代价值的计算方式可以参考以下公式:
D为期望代价值;A3为代价值loss3;A2为代价值loss2、A1为代价值loss1;C为第一个调整单元产生的调校用户画像对应的矢量差代价值;G为第一个调整单元产生的调校用户画像对应的规范化代价值;n为画像调整单元中的调整单元的顺次;a、b、c分别为对应代价值分配的权值;G1为标签数量代价;G2为标签长度代价;G3为标签方向代价,d、e、f为对应代价值分配的权值。
实际应用中,依据样本调校各业务行为日志样本对应的选定用户全部行为的行为向量聚类识别结果得到代价值loss2,依据样本调校各业务行为日志样本对应的选定用户全部行为的矢量域差值得到代价值loss3,依据样本调校各业务行为日志样本对应的选定用户全部行为的调校用户画像得到代价值loss1。基于代价值loss1、代价值loss2和代价值loss3获取期望代价值,再基于期望代价值调节画像生成模型的模型系数。
实际应用中,可能画像生成模型包含多个和向量挖掘模块连接的画像调整单元,此时,逐一按序调校画像调整单元和其中一个向量挖掘模块连接获得的网络。当第一个画像调整单元和向量挖掘模块构建而成的网络对应的代价值符合事先设定的标准时,继续调校下一个画像调整单元和向量挖掘模块构建而成的网络,循环之下直到全部画像调整单元和向量挖掘模块构建而成的网络的代价值符合事先设定的标准,例如代价值满足预设代价值。
作为一些实施方式,步骤200后还可以包括:对画像调整单元最末一个调整单元产生的调校用户画像进行整合操作。整合操作包括以下操作中的至少一个:对调校用户画像的画像维度进行维度向量统一;对调校用户画像的画像维度卷积操作。维度向量统一化的过程为设置一个参考向量,然后优化画像维度中全部维度向量向该参考向量趋近完成统一。画像维度卷积操作可以是利用现有算法进行卷积操作,例如加一平滑算法。再将基于整合操作后的调校用户画像确定为后一轮调校的预设临时用户画像对画像生成模型进行调校。通过将本轮最末一个调整单元产生的调校用户画像经过整合操作确定为后一轮调校的预设临时用户画像,在调校的过程中反复修正更新,以适应各个选定用户的临时用户画像。
本申请实施例中,通过对最末一个调整单元产生的调校用户画像进行整合操作,将整合后的调校用户画像确定为后一轮调校的预设临时用户画像,对画像生成模型进行调校,可以灵活建立匹配各种选定用户的临时用户画像。
作为一种实施方式,当画像生成模型的代价值符合事先设定的标准时,将画像调整单元中最末一个调整单元产生的调校用户画像作为临时用户画像。换言之,将画像调整单元中最末一个调整单元产生的调校用户画像作为步骤30中用于依据选定用户的业务行为描述向量得到选定用户的最终用户画像的目标临时用户画像。事先设定的标准可以为画像生成模型的代价值不大于预设代价值,上述过程可以对画像生成模型进行调校,同时还可以获取选定用户对应的临时用户画像,帮助后面的调校可以对照选定用户的样本经验,从而增加最终用户画像的精确可靠。
作为一些实施方式,获取到最终用户画像后,本申请实施例提供的用户画像识别方法还可以包括将用户画像分类存储的步骤,包括:
步骤40:获取最终用户画像和最终用户画像对应的联合分析信息,其中,联合分析信息包括最终用户画像对应的业务行为日志的获取时间和产生业务行为日志的第一选定用户的区域归属特征;确定最终用户画像与对比用户画像集合中的每个对比用户画像的标签匹配度,并通过联合分析信息和每个对比用户画像的联合对比分析信息,得到最终用户画像与每个对比用户画像的完善匹配度;其中,完善匹配度用于从标签指示信息和时域交集情况两方面一起衡量用户画像的匹配度;基于最终用户画像与对比用户画像集合中的每个对比用户画像的标签匹配度和完善匹配度,确定和最终用户画像对应的目标对比用户画像;将最终用户画像更新为新的对比用户画像,然后在对比用户画像集合中构建最终用户画像和预存的目标对比用户画像对应的目标用户画像类型的映射。
在产品或服务的推送时,往往是针对一类用户画像的用户进行推送,那么,合理地将用户画像进行按类存储是增加后续高效推送的前提,上述步骤40,通过标签层面和时域层面进行归类分析,确定匹配的目标对比用户画像,并在确定到时,将最终用户画像存储在对比用户画像对应的位置并建立映射信息,归类合理性和准确性高。
其中,通过联合分析信息和每个对比用户画像的联合对比分析信息,确定最终用户画像与每个对比用户画像的完善匹配度的步骤,可以包括:对于每个对比用户画像,基于联合分析信息和对比用户画像的联合对比分析信息,确定关于最终用户画像与该对比用户画像的联合分析特征;其中,联合分析特征表示最终用户画像与该对比用户画像的获取时间和选定用户之间的联系;对于各个对比用户画像,通过最终用户画像和该对比用户画像的标签指示信息,确定关于最终用户画像与该对比用户画像的标签特征;对于每个对比用户画像,通过最终用户画像与该对比用户画像的联合分析特征和标签特征,确定最终用户画像与该对比用户画像的完善匹配度。
作为一种实施方式,联合分析特征包括以下特征的一个或多个:第一选定用户与产生该对比用户画像的第二选定用户之间的区域跨度(所在位置之间的距离)、最终用户画像和该对比用户画像的获取时间间的差值以及第一选定用户与第二选定用户之间的关联预测度;其中,关联预测度表示第一选定用户和第二选定用户之间存在关联关系的概率。标签特征包括以下各个特征中的一个或多个:最终用户画像和对比用户画像的标签匹配度、最终用户画像和对比用户画像的特定画像维度特征,其中,特定画像维度特征包括目标画像维度中的标签向量。
在一些实施方式中,即使画像的标签共性程度高,但是因为画像对应的选定用户的所在地域差异大,或者分析时间跨度大,用户画像也不适宜划分到一个集合中,而本申请通过选定用户之间的区域跨度用户画像的获取时间差,能够综合时域信息进行画像匹配度的考量,而非仅仅从画像的标签共性进行衡量,增加了画像分类存储的合理性和准确性。
综上所述,本申请实施例提供的互动营销平台的用户画像识别方法,通过对选定用户的业务行为日志进行业务行为描述向量挖掘得到选定用户的业务行为描述向量,再依据选定用户的业务行为描述向量对临时用户画像进行调整,从而得到选定用户的最终用户画像,本发明实施例采用临时用户画像获取选定用户的最终用户画像,在具有模板指示的情况下,使得选定用户的最终用户画像偏离性低,精确性高。
基于与图1中所示方法相同的原理,本申请实施例中还提供了一种用户画像识别装置10,如图2所示,该装置10包括:
获取模块11,用于获取业务终端设备发送的选定用户的业务行为日志。
挖掘模块12,用于对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量;
画像获取模块113,用于依据选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像。
其中,挖掘模块12具体用于:通过画像生成模型中的向量挖掘模块对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量;依据选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像,包括:通过画像生成模型中的画像调整单元,依据向量挖掘模块产生的选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像。向量挖掘模块包括多个依次连接的归类分析单元以及多个依次连接的识别优化单元,画像调整单元包括多个依次连接的调整单元,每个调整单元对应一个识别优化单元;通过画像生成模型中的向量挖掘模块对业务行为日志进行业务行为描述向量挖掘,得到选定用户的业务行为描述向量,包括:通过多个依次连接的归类分析单元对业务行为日志进行归类分析,并通过多个识别优化单元对归类分析单元生成的结果进行识别优化,得到每个识别优化单元针对选定用户的业务行为描述向量;通过画像生成模型中的画像调整单元依据向量挖掘模块产生的选定用户的业务行为描述向量对临时用户画像进行调整,得到选定用户的最终用户画像,包括:对于画像调整单元中的首个调整单元,通过和调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对临时用户画像进行调整,得到调整单元对应的调整临时用户画像;对于首个调整单元之外的每个调整单元,通过和每个调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对前一个调整单元产生的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像;其中,最末一个调整单元获得的调整临时用户画像被确定为选定用户的最终用户画像。每个调整单元包括业务行为描述向量挖掘单元和分析单元,对于画像调整单元中的首个调整单元,通过和调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对临时用户画像进行调整,得到调整单元对应的调整临时用户画像,包括:通过调整单元的业务行为描述向量挖掘单元,对临时用户画像和与调整单元对应的识别优化单元产生的选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到调整单元针对选定用户的业务行为完善描述向量;通过调整单元的分析单元依据业务行为完善描述向量对临时用户画像进行调整,得到后一个调整单元进行第二业务行为描述向量挖掘和调整中运用的调整临时用户画像;对于首个调整单元之外的每个调整单元,通过和每个调整单元对应的识别优化单元产生的选定用户的业务行为描述向量,对前一个调整单元产生的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像,包括:通过调整单元的业务行为描述向量挖掘单元,对前一个调整单元获得的业务行为完善描述向量和调整临时用户画像、和与调整单元对应的识别优化单元产生的选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到调整单元针对选定用户的业务行为完善描述向量;通过调整单元的分析单元依据业务行为完善描述向量对前一个调整单元获得的调整临时用户画像进行调整,得到调整单元对应的调整临时用户画像。
上述实施例从虚拟模块的角度介绍了用户画像识别装置10,下述从实体模块的角度介绍一种电子设备——AI***,具体如下所示:
本申请实施例提供了一种AI***,如图3所示,AI***100包括:处理器101和存储器103。其中,处理器101和存储器103相连,如通过总线102相连。可选地,AI***100还可以包括收发器104。需要说明的是,实际应用中收发器104不限于一个,该AI***100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU,通用处理器,GPU,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线102可包括一通路,在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器103用于存储执行本申请方案的应用程序代码,并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种AI***,本申请实施例中的AI***包括:一个或多个处理器;存储器;一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序被处理器执行时,执行上述提供的方法。本申请所提供的技术方案,通过对选定用户的业务行为日志进行业务行为描述向量挖掘得到选定用户的业务行为描述向量,再依据选定用户的业务行为描述向量对临时用户画像进行调整,从而得到选定用户的最终用户画像,本发明实施例采用临时用户画像获取选定用户的最终用户画像,在具有模板指示的情况下,使得选定用户的最终用户画像偏离性低,精确性高。
本申请实施例提供了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,当计算机程序在处理器上运行时,使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种互动营销平台的用户画像识别方法,其特征在于,应用于互动营销平台,所述互动营销平台与业务终端设备通信连接,所述方法包括:
获取所述业务终端设备发送的选定用户的业务行为日志;
对所述业务行为日志进行业务行为描述向量挖掘,得到所述选定用户的业务行为描述向量;
依据所述选定用户的业务行为描述向量对临时用户画像进行调整,得到所述选定用户的最终用户画像。
2.根据权利要求1所述的方法,其特征在于,所述对所述业务行为日志进行业务行为描述向量挖掘,得到所述选定用户的业务行为描述向量,包括:
通过画像生成模型中的向量挖掘模块对所述业务行为日志进行业务行为描述向量挖掘,得到所述选定用户的业务行为描述向量;
所述依据所述选定用户的业务行为描述向量对临时用户画像进行调整,得到所述选定用户的最终用户画像,包括:
通过所述画像生成模型中的画像调整单元,依据所述向量挖掘模块产生的选定用户的业务行为描述向量对所述临时用户画像进行调整,得到所述选定用户的最终用户画像。
3.根据权利要求2所述的方法,其特征在于,所述向量挖掘模块包括多个依次连接的归类分析单元以及多个依次连接的识别优化单元,所述画像调整单元包括多个依次连接的调整单元,每个所述调整单元对应一个所述识别优化单元;
所述通过画像生成模型中的向量挖掘模块对所述业务行为日志进行业务行为描述向量挖掘,得到所述选定用户的业务行为描述向量,包括:
通过所述多个依次连接的归类分析单元对所述业务行为日志进行归类分析,并通过多个识别优化单元对所述归类分析单元生成的结果进行识别优化,得到每个所述识别优化单元针对所述选定用户的业务行为描述向量;
所述通过所述画像生成模型中的画像调整单元依据所述向量挖掘模块产生的选定用户的业务行为描述向量对所述临时用户画像进行调整,得到所述选定用户的最终用户画像,包括:
对于所述画像调整单元中的首个所述调整单元,通过和所述调整单元对应的识别优化单元产生的所述选定用户的业务行为描述向量,对所述临时用户画像进行调整,得到所述调整单元对应的调整临时用户画像;
对于所述首个调整单元之外的每个所述调整单元,通过和每个所述调整单元对应的识别优化单元产生的所述选定用户的业务行为描述向量,对前一个所述调整单元产生的调整临时用户画像进行调整,得到所述调整单元对应的调整临时用户画像;其中,最末一个所述调整单元获得的调整临时用户画像被确定为所述选定用户的最终用户画像。
4.根据权利要求3所述的方法,其特征在于,每个所述调整单元包括业务行为描述向量挖掘单元和分析单元,所述对于所述画像调整单元中的首个所述调整单元,通过和所述调整单元对应的识别优化单元产生的所述选定用户的业务行为描述向量,对所述临时用户画像进行调整,得到所述调整单元对应的调整临时用户画像,包括:
通过所述调整单元的业务行为描述向量挖掘单元,对所述临时用户画像和与所述调整单元对应的识别优化单元产生的所述选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到所述调整单元针对所述选定用户的业务行为完善描述向量;
通过所述调整单元的分析单元依据所述业务行为完善描述向量对所述临时用户画像进行调整,得到后一个调整单元进行第二业务行为描述向量挖掘和调整中运用的调整临时用户画像;
所述对于所述首个调整单元之外的每个所述调整单元,通过和每个所述调整单元对应的识别优化单元产生的所述选定用户的业务行为描述向量,对前一个所述调整单元产生的调整临时用户画像进行调整,得到所述调整单元对应的调整临时用户画像,包括:
通过所述调整单元的业务行为描述向量挖掘单元,对前一个所述调整单元获得的业务行为完善描述向量和所述调整临时用户画像、和与所述调整单元对应的识别优化单元产生的所述选定用户的业务行为描述向量进行业务行为描述向量挖掘,得到所述调整单元针对所述选定用户的业务行为完善描述向量;
通过所述调整单元的分析单元依据所述业务行为完善描述向量对前一个所述调整单元获得的调整临时用户画像进行调整,得到所述调整单元对应的调整临时用户画像。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括对所述画像生成模型的调校过程,所述调校过程包括以下步骤:
获取所述选定用户的业务行为日志样本;
通过所述画像生成模型依据所述业务行为日志样本和事先生成的临时用户画像,得到所述选定用户的多个调校用户画像,所述多个调校用户画像包括所述画像调整单元中各个所述调整单元产生的调校用户画像;
依据所述多个调校用户画像确定代价值loss1;
基于所述代价值loss1调节所述画像生成模型的模型系数;
每个所述调校用户画像的描绘体系由多个调校画像维度组成,所述依据所述多个调校用户画像确定代价值loss1,包括:
针对每个所述调校用户画像,依据所述调校用户画像的描绘体系中各调校画像维度的代表标签与画像维度样本的代表标签之间的矢量差代价值,其中,所述画像维度样本为所述选定用户的实际用户画像的描绘体系中的画像维度;
以及,获取所述调校用户画像的每个调校画像维度的规范化代价值,所述规范化代价值与每个所述调校画像维度之间的调整内容关联;
通过各个所述调校用户画像对应的所述矢量差代价值和所述规范化代价值,得到所述代价值loss1。
6.根据权利要求5所述的方法,其特征在于,所述通过各个所述调校用户画像对应的所述矢量差代价值和所述规范化代价值,获得所述代价值loss1,包括:
针对每个所述调校用户画像,将所述调校用户画像对应的所述矢量差代价值和所述规范化代价值进行合并,得到所述调校用户画像的代价值;
将各个所述调校用户画像的代价值求和,得到所述代价值loss1;
其中,各个所述调校用户画像的规范化代价值相应的权值和预设参考条件反向关联,所述预设参考条件包括以下条件中的至少一个:获取所述调校用户画像的调校循环轮数;获取到所述调校用户画像的调整单元在所述画像调整单元中的顺次;
所述方法还包括:
通过所述画像生成模型得到所述业务行为日志样本对于所述选定用户的行为向量聚类识别结果,所述行为向量聚类识别结果依据所述向量挖掘模块中最末一个识别优化单元产生的选定用户的业务行为描述向量获取;
依据所述行为向量聚类识别结果以及所述业务行为日志样本对于所述选定用户的实际行为向量聚类识别结果,获得代价值loss2;
所述基于所述代价值loss1调节所述画像生成模型的模型系数,包括:
通过所述代价值loss1和代价值loss2调节所述画像生成模型的系数。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
通过所述画像生成模型得到各个所述行为向量聚类对应的矢量域差值,所述矢量域差值依据所述向量挖掘模块中最末一个所述识别优化单元产生的选定用户的业务行为描述向量获取;
依据所述矢量域差值和所述业务行为日志样本关于所述选定用户的实际矢量域差值,得到代价值loss3。
8.根据权利要求7所述的方法,其特征在于,所述基于所述代价值loss1调节所述画像生成模型的模型系数,包括:
通过所述代价值loss1、所述代价值loss2和所述代价值loss3获得期望代价值;
基于所述期望代价值调节所述画像生成模型的模型系数。
9.根据权利要求8所述的方法,其特征在于,所述通过所述画像生成模型依据所述业务行为日志样本和事先生成的临时用户画像,得到所述选定用户的多个调校用户画像之后,所述方法还包括:
对所述画像调整单元最末一个所述调整单元产生的调校用户画像进行整合操作,所述整合操作包括以下操作中的至少一个:对所述调校用户画像的画像维度进行维度向量统一;对所述调校用户画像的画像维度卷积操作;
将基于所述整合操作后的调校用户画像作为后一轮调校的预设临时用户画像,对所述画像生成模型进行调校;
当所述画像生成模型的代价值符合事先设定的标准时,将所述画像调整单元中最末一个所述调整单元产生的调校用户画像作为所述临时用户画像。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述最终用户画像和所述最终用户画像对应的联合分析信息;其中,所述联合分析信息包括所述最终用户画像对应的业务行为日志的获取时间和产生所述业务行为日志的第一选定用户的区域归属特征;
确定所述最终用户画像与对比用户画像集合中的每个对比用户画像的标签匹配度,并通过所述联合分析信息和每个对比用户画像的联合对比分析信息,得到所述最终用户画像与每个对比用户画像的完善匹配度;其中,所述完善匹配度用于从标签指示信息和时域交集情况两方面一起衡量用户画像的匹配度;
基于所述最终用户画像与对比用户画像集合中的每个对比用户画像的标签匹配度和完善匹配度,确定和所述最终用户画像对应的目标对比用户画像;
将所述最终用户画像更新为新的对比用户画像,然后在所述对比用户画像集合中构建所述最终用户画像和预存的所述目标对比用户画像对应的目标用户画像类型的映射。
11.一种AI***,其特征在于,包括相互连接的处理器和存储器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200463.3A CN115423040A (zh) | 2022-09-29 | 2022-09-29 | 互动营销平台的用户画像识别方法及ai*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200463.3A CN115423040A (zh) | 2022-09-29 | 2022-09-29 | 互动营销平台的用户画像识别方法及ai*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423040A true CN115423040A (zh) | 2022-12-02 |
Family
ID=84206741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211200463.3A Pending CN115423040A (zh) | 2022-09-29 | 2022-09-29 | 互动营销平台的用户画像识别方法及ai*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423040A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860836A (zh) * | 2022-12-07 | 2023-03-28 | 广东南粤分享汇控股有限公司 | 一种基于用户行为大数据分析的电商服务推送方法及*** |
CN117726359A (zh) * | 2024-02-08 | 2024-03-19 | 成都纳宝科技有限公司 | 一种互动营销方法、***和设备 |
-
2022
- 2022-09-29 CN CN202211200463.3A patent/CN115423040A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860836A (zh) * | 2022-12-07 | 2023-03-28 | 广东南粤分享汇控股有限公司 | 一种基于用户行为大数据分析的电商服务推送方法及*** |
CN115860836B (zh) * | 2022-12-07 | 2023-09-26 | 广东南粤分享汇控股有限公司 | 一种基于用户行为大数据分析的电商服务推送方法及*** |
CN117726359A (zh) * | 2024-02-08 | 2024-03-19 | 成都纳宝科技有限公司 | 一种互动营销方法、***和设备 |
CN117726359B (zh) * | 2024-02-08 | 2024-04-26 | 成都纳宝科技有限公司 | 一种互动营销方法、***和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171260B (zh) | 一种图片识别方法及*** | |
CN110704730B (zh) | 基于大数据的产品数据推送方法、***及计算机设备 | |
CN115423040A (zh) | 互动营销平台的用户画像识别方法及ai*** | |
CN111797320B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110555451A (zh) | 信息识别方法和装置 | |
CN110708285B (zh) | 流量监控方法、装置、介质及电子设备 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN112508456A (zh) | 食品安全风险评估方法、***、计算机设备及存储介质 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN110929764A (zh) | 图片审核方法和装置,电子设备及存储介质 | |
CN114997916A (zh) | ***的预测方法、***、电子设备和存储介质 | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN111259975B (zh) | 分类器的生成方法及装置、文本的分类方法及装置 | |
CN116863116A (zh) | 基于人工智能的图像识别方法、装置、设备及介质 | |
CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN111459990B (zh) | 对象处理方法、***及计算机可读存储介质和计算机设备 | |
CN113779116A (zh) | 对象排序方法、相关设备及介质 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN112070530A (zh) | 广告预估模型的上线评估方法及相关装置 | |
CN114510638B (zh) | 信息处理方法、装置、设备、存储介质及程序产品 | |
CN114048392B (zh) | 多媒体资源推送方法、装置、电子设备及存储介质 |
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 |