CN116663556A - 基于图神经网络的人群画像构建方法、装置、设备及介质 - Google Patents
基于图神经网络的人群画像构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116663556A CN116663556A CN202310694316.4A CN202310694316A CN116663556A CN 116663556 A CN116663556 A CN 116663556A CN 202310694316 A CN202310694316 A CN 202310694316A CN 116663556 A CN116663556 A CN 116663556A
- Authority
- CN
- China
- Prior art keywords
- user
- node
- features
- feature
- aggregation
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 title claims abstract description 35
- 230000002776 aggregation Effects 0.000 claims abstract description 61
- 238000004220 aggregation Methods 0.000 claims abstract description 61
- 238000012937 correction Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及用户画像技术,揭露了一种基于图神经网络的人群画像构建方法,包括:获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;对所述用户节点进行特征提取,得到节点特征;对相邻用户的所述节点特征进行特征聚合,得到聚合特征;将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。本发明还提出一种基于图神经网络的人群画像构建装置、电子设备以及存储介质。本发明可以提高金融用户特征信息收集的全面性。
Description
技术领域
本发明涉及用户画像技术领域,尤其涉及一种基于图神经网络的人群画像构建方法、装置、电子设备及计算机可读存储介质。
背景技术
人群画像是金融商业领域中的基础技术,随着人群画像技术的兴起,有效的人群画像可以支持挖掘用户潜在属性,在保险商品推荐、银行用户留存、用户差异化等金融经营场景有着广泛应用。人群画像技术采取金融用户的个体信息来构建描述性特征,并基于这些特征作分析及建模,进而赋予金融用户相应画像的标签。现有人群画像技术对金融用户描述性特征的收集完备性较低,由于金融用户描述性特征的缺失,基于算法所推断的金融用户画像标签准确率也会降低,从而导致得到错误的用户标签,影响下游经济场景的应用效果。
综上所述,现有的人群画像构建技术存在金融用户特征信息收集不够全面的问题。
发明内容
本发明提供一种基于图神经网络的人群画像构建方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决用户特征信息收集不够全面的问题。
为实现上述目的,本发明提供的一种基于图神经网络的人群画像构建方法,包括:
获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
对所述用户节点进行特征提取,得到节点特征;
对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
可选地,所述对所述用户节点进行特征提取,得到节点特征,包括:
获取每个所述用户节点的文本信息,对所述文本信息进行分词处理,得到每个节点对应的文本标识序列;
将所述文本标识序列输入到预设的语义识别模型中,得到初始节点特征;
对所述初始节点特征进行汇聚计算,得到所述节点特征。
可选地,所述根据所述用户数据构造用户关联图,得到用户节点,包括:
获取所述用户数据之间的数据关系,将所述数据关系作为所述用户关联图的边;
在所述用户关联图的边之间***所述数据关系对应的用户,得到所述用户关联图的节点。
可选地,所述对相邻用户的所述节点特征进行特征聚合,得到聚合特征,包括:
将相邻的所述节点特征进行组合,得到组合特征;
对所述组合特征进行聚合迭代,得到所述迭代特征;
将所述迭代特征与所述节点特征进行拼接得到聚合特征。
可选地,所述对所述组合特征进行聚合迭代,得到所述迭代特征,包括:
将所述组合特征与所述组合特征对应的节点特进行向量拼接,得到拼接向量;
对所述拼接向量进行均值计算,得到均值向量;
将所述均值向量输入到预设的卷积网络中,在卷积层中进行聚合计算得到聚合特征。
可选地,所述将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征,包括:
对所述聚合特征与所述聚合特征对应的节点特征进行相关性计算,得到相关系数;
利用所述相关系数对所述节点特征进行注意力计算,得到注意力系数;
根据所述注意力系数对所述聚合特征对应的节点特征进行加权求和,得到修正特征。
可选地,所述将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像,包括:
获取事实标签,根据所述事实标签对所述修正特征进行分类,得到多个用户标签集;
计算所述修正特征的权重,根据所述修正特征的权重对所述用户标签集进行打分计算,得到所述用户标签集对应的用户标签分数;
根据所述用户标签分数对所述用户标签进行筛选,得到所述用户画像。
为了解决上述问题,本发明还提供一种基于图神经网络的人群画像构建装置,所述装置包括:
用户节点生成模块,用于获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
特征提取模块,用于对所述用户节点进行特征提取,得到节点特征;
特征聚合模块,用于对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
修正特征生成模块,用于将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
用户画像生成模块,用于将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于图神经网络的人群画像构建方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图神经网络的人群画像构建方法。
本发明实施例提出了一种基于图神经网络的人群画像构建方法,将用户节点的聚合特征与聚合特征对应的节点特征进行加权计算,得到修正特征,弥补了用户节点特征缺失的缺陷,提高了用户节点特征收集的完备性;修正特征考虑了用户节点的相邻用户群体属性,得到的用户标签更加精准;通过根据所述用户数据构造用户关联图,可以清晰明确的整理分析出用户数据之间的联系和逻辑关系,提高节点特征提取的准确性,从而增加用户画像标签的准确率。因此本发明提出的基于图神经网络的人群画像构建方法、装置、电子设备及计算机可读存储介质,可以解决进行金融用户特征信息收集不够全面的问题。
附图说明
图1为本发明一实施例提供的基于图神经网络的人群画像构建方法的流程示意图;
图2为本发明一实施例提供的对所述用户节点进行特征提取,得到节点特征的流程示意图;
图3为本发明一实施例提供的对相邻用户的所述节点特征进行特征聚合,得到聚合特征的流程示意图;
图4为本发明一实施例提供的基于图神经网络的人群画像构建装置的功能模块图;
图5为本发明一实施例提供的实现所述基于图神经网络的人群画像构建方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于图神经网络的人群画像构建方法。所述基于图神经网络的人群画像构建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于图神经网络的人群画像构建方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于图神经网络的人群画像构建方法的流程示意图。在本实施例中,所述基于图神经网络的人群画像构建方法包括:
S1、获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
本发明实施例中,所述用户数据为实际经济应用场景中的目标客户相关交易信息及相关支付行为信息,例如在财务数据分析这个应用场景中,所述用户数据为交易账户及交易数据等。
本发明实施例中,所述根据所述用户数据构造用户关联图,得到用户节点,包括:
获取所述用户数据之间的数据关系,将所述数据关系作为所述用户关联图的边;
在所述用户关联图的边之间***所述数据关系对应的用户,得到所述用户关联图的节点。
本发明实施例中,所述数据关系就是金融用户数据之间的逻辑,例如,用户名与用户年龄就是一对一数据关系;所述用户关联图就是分析用户数据之间逻辑关系的一个表示方法;例如,针对财务数据分析这个应用场景,可以利用PaySim(移动货币模拟器)生成的合成数据集进行所述用户关联图的构建,将每个金融用户的交易账户作为节点,每条交易是两个节点之间的连边;其中,每个节点的属性包括邮箱、电话等,边的属性包括交易金额,交易类型等。
S2、对所述用户节点进行特征提取,得到节点特征;
请参阅图2所示,本发明实施例中,所述对所述用户节点进行特征提取,得到节点特征,包括:
S21、获取每个所述用户节点的文本信息,对所述文本信息进行分词处理,得到每个节点对应的文本标识序列;
S22、将所述文本标识序列输入到预设的语义识别模型中,得到初始节点特征;
S23、对所述初始节点特征进行汇聚计算,得到所述节点特征。
本发明实施例中,所述文本信息在不同的经济应用场景中的含义是有差别的,可以包括银行业务的查询语句、金融新闻的文本标题等;本发明实施例可以利用词典分词算法进行分词处理,词典分词算法就是按照一定策略将待分析的文本信息与预设的词典***中的词条进行匹配,若在所述词典***中找到某个字符串,则匹配成功;所述文本标识序列是由多个分词序列拼接而成,因为每个文本信息进行分词处理都会产生多个分词序列,例如文本信息A进行分词得到分词1及分词2,分词1对应标识S1,分词2对应标识S2,对标识进行有序拼接得到文本信息A的文本标识序列为S1S2。
本发明实施例中,所述预设的语义识别模型是一种词嵌入生成器,可以对输入的文本标识序列进行嵌入向量生成,并对生成的嵌入向量进行编码训练得到所述初始节点特征;汇聚计算特征汇聚是指对每一维特征取最大值或者平均值,可以获得所述初始节点特征的不变形特征表达。
S3、对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
请参阅图3所示,本发明实施例中,所述对相邻用户的所述节点特征进行特征聚合,得到聚合特征,包括:
S31、将相邻的所述节点特征进行组合,得到组合特征;
S32、对所述组合特征进行聚合迭代,得到所述迭代特征;
S33、将所述迭代特征与所述节点特征进行拼接得到聚合特征。
本发明实施例中,组合就是将一个节点特征与该节点特征相邻的其他节点特征进行组合;所述组合特征是基于对每个所述用户节点特征进行节点采样,例如,设需要的相邻所述节点特征为N,即采样数据为N,则若所述用户节点特征数少于N,则采用有放回的抽样方法,直到采样出N个节点特征,若所述用户节点特征数大于N,则采用无放回的抽样,得到N个节点特征。
本发明实施例中,对所述组合特征进行聚合迭代,得到所述迭代特征,包括:
将所述组合特征与所述组合特征对应的节点特进行向量拼接,得到拼接向量;
对所述拼接向量进行均值计算,得到均值向量;
将所述均值向量输入到预设的卷积网络中,在卷积层中进行聚合计算得到聚合特征。
本发明实施例中,所述预设的卷积网络就是对所述均值向量从高维向量聚合成为低维向量;均值计算就是将多个拼接向量按照每一维度分别求平均值,例如,将三个向量[1,2,3,4],[2,3,4,5],[3,4,5,6]进行均值计算得到的结果为[2,3,4,5]。
S4、将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
本发明实施例中,所述将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征,包括:
对所述聚合特征与所述聚合特征对应的节点特征进行相关性计算,得到相关系数;
利用所述相关系数对所述节点特征进行注意力计算,得到注意力系数;
根据所述注意力系数对所述聚合特征对应的节点特征进行加权求和,得到修正特征。
本发明实施例中,可以利用下式对所述聚合特征与所述聚合特征对应的节点特征进行相关性计算:
eij=f(whi||whij)
其中,eij为第i个节点特征与所述节点特征对应的第j个聚合特征之间的注意力系数;w为预设的共享参数;hij为第i个节点特征对应的第j个聚合特征;hi为第i个节点特征;f为预设的映射函数。
S5、将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
本发明实施例中,所述将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像,包括:
获取事实标签,根据所述事实标签对所述修正特征进行分类,得到多个用户标签集;
计算所述修正特征的权重,根据所述修正特征的权重对所述用户标签集进行打分计算,得到所述用户标签集对应的用户标签分数;
根据所述用户标签分数对所述用户标签进行筛选,得到所述用户画像。
本发明实施例中,所述修正特征的权重是对所述修正特征进行加权平均值计算得到的;所述事实标签是由实际应用场景中的金融用户数据决定的,例如,针对财务数据分析这个应用场景,所述事实标签可以为金融用户的交易次数、交易类型、风险等级等。
本发明实施例中,可以利用下式根据所述修正特征对应的权重对所述用户标签集进行打分计算:
score=x1*y1+x2*y2+…+xn*yn
其中,score表示所述用户标签分数,xn表示第n个所述修正特征;yn表示第n个所述修正特征对应的权重。
本发明实施例中,对所述用户标签进行筛选是根据预设的标签分数阈值,当所述用户标签分数超过所述标签分数阈值时,将所述用户标签确定为所述用户画像的组成标签,统计合并所有的组成标签得到所述用户画像。
本发明提出了一种基于图神经网络的人群画像构建方法,将金融用户的用户节点的聚合特征与聚合特征对应的节点特征进行加权计算,得到修正特征,弥补了用户节点特征缺失的缺陷,提高了用户节点特征收集的完备性;修正特征考虑了用户节点的相邻用户群体属性,得到的用户标签更加精准;通过根据所述用户数据构造用户关联图,可以清晰明确的整理分析出金融用户的用户数据之间的联系和逻辑关系,提高节点特征提取的准确性,从而增加用户画像标签的准确率。因此本发明提出的基于图神经网络的人群画像构建方法,可以解决金融用户特征信息收集不够全面的问题。
如图4所示,是本发明一实施例提供的基于图神经网络的人群画像构建装置的功能模块图。
本发明所述基于图神经网络的人群画像构建装置100可以安装于电子设备中。根据实现的功能,所述基于图神经网络的人群画像构建装置100可以包括用户节点生成模块101、特征提取模块102、特征聚合模块103、修正特征生成模块104及用户画像生成模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述用户节点生成模块101,用于获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
所述特征提取模块102,用于对所述用户节点进行特征提取,得到节点特征;
所述特征聚合模块103,用用于对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
所述修正特征生成模块104,用于将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
所述用户画像生成模块105,用于将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
详细地,本发明实施例中所述基于图神经网络的人群画像构建装置100中所述的各模块在使用时采用与附图中所述的基于图神经网络的人群画像构建方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于图神经网络的人群画像构建方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于图神经网络的人群画像构建程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图神经网络的人群画像构建程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于图神经网络的人群画像构建程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于图神经网络的人群画像构建程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
对所述用户节点进行特征提取,得到节点特征;
对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
对所述用户节点进行特征提取,得到节点特征;
对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于图神经网络的人群画像构建方法,其特征在于,所述方法包括:
获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
对所述用户节点进行特征提取,得到节点特征;
对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
2.如权利要求1所述的基于图神经网络的人群画像构建方法,其特征在于,所述对所述用户节点进行特征提取,得到节点特征,包括:
获取每个所述用户节点的文本信息,对所述文本信息进行分词处理,得到每个节点对应的文本标识序列;
将所述文本标识序列输入到预设的语义识别模型中,得到初始节点特征;
对所述初始节点特征进行汇聚计算,得到所述节点特征。
3.如权利要求1所述的基于图神经网络的人群画像构建方法,其特征在于,所述根据所述用户数据构造用户关联图,得到用户节点,包括:
获取所述用户数据之间的数据关系,将所述数据关系作为所述用户关联图的边;
在所述用户关联图的边之间***所述数据关系对应的用户,得到所述用户关联图的节点。
4.如权利要求1所述的基于图神经网络的人群画像构建方法,其特征在于,所述对相邻用户的所述节点特征进行特征聚合,得到聚合特征,包括:
将相邻的所述节点特征进行组合,得到组合特征;
对所述组合特征进行聚合迭代,得到所述迭代特征;
将所述迭代特征与所述节点特征进行拼接得到聚合特征。
5.如权利要求4所述的基于图神经网络的人群画像构建方法,其特征在于,所述对所述组合特征进行聚合迭代,得到所述迭代特征,包括:
将所述组合特征与所述组合特征对应的节点特进行向量拼接,得到拼接向量;
对所述拼接向量进行均值计算,得到均值向量;
将所述均值向量输入到预设的卷积网络中,在卷积层中进行聚合计算得到聚合特征。
6.如权利要求1所述的基于图神经网络的人群画像构建方法,其特征在于,所述将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征,包括:
对所述聚合特征与所述聚合特征对应的节点特征进行相关性计算,得到相关系数;
利用所述相关系数对所述节点特征进行注意力计算,得到注意力系数;
根据所述注意力系数对所述聚合特征对应的节点特征进行加权求和,得到修正特征。
7.如权利要求1至6中任一项所述的基于图神经网络的人群画像构建方法,其特征在于,所述将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像,包括:
获取事实标签,根据所述事实标签对所述修正特征进行分类,得到多个用户标签集;
计算所述修正特征的权重,根据所述修正特征的权重对所述用户标签集进行打分计算,得到所述用户标签集对应的用户标签分数;
根据所述用户标签分数对所述用户标签进行筛选,得到所述用户画像。
8.一种基于图神经网络的人群画像构建装置,其特征在于,所述装置包括:
用户节点生成模块,用于获取用户数据,根据所述用户数据构造用户关联图,得到用户节点;
特征提取模块,用于对所述用户节点进行特征提取,得到节点特征;
特征聚合模块,用于对相邻用户的所述节点特征进行特征聚合,得到聚合特征;
修正特征生成模块,用于将所述聚合特征与所述聚合特征对应的节点特征进行加权计算,得到修正特征;
用户画像生成模块,用于将所述修正特征表示为所述节点的用户标签,对所述用户标签进行归一化计算,得到用户画像。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于图神经网络的人群画像构建方法。
10.一种计算机可读存储介质,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中任意一项所述的基于图神经网络的人群画像构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694316.4A CN116663556A (zh) | 2023-06-12 | 2023-06-12 | 基于图神经网络的人群画像构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694316.4A CN116663556A (zh) | 2023-06-12 | 2023-06-12 | 基于图神经网络的人群画像构建方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663556A true CN116663556A (zh) | 2023-08-29 |
Family
ID=87722289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310694316.4A Pending CN116663556A (zh) | 2023-06-12 | 2023-06-12 | 基于图神经网络的人群画像构建方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663556A (zh) |
-
2023
- 2023-06-12 CN CN202310694316.4A patent/CN116663556A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN114398557B (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN112328657A (zh) | 特征衍生方法、装置、计算机设备及介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN116681082A (zh) | 离散文本语义分段方法、装置、设备及存储介质 | |
CN113704474B (zh) | 银行网点设备操作指引生成方法、装置、设备及存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113157853B (zh) | 问题挖掘方法、装置、电子设备及存储介质 | |
CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
WO2023178798A1 (zh) | 图像分类方法、装置、设备及介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113806540B (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN115114408A (zh) | 多模态情感分类方法、装置、设备及存储介质 | |
CN116663556A (zh) | 基于图神经网络的人群画像构建方法、装置、设备及介质 | |
CN113626605A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN115098644B (zh) | 图像与文本匹配方法、装置、电子设备及存储介质 | |
CN112214556B (zh) | 标签生成方法、装置、电子设备及计算机可读存储介质 | |
CN114723488B (zh) | 课程推荐方法、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 |