[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114742154A - 生成用户画像的方法、设备、电子设备及存储介质 - Google Patents

生成用户画像的方法、设备、电子设备及存储介质 Download PDF

Info

Publication number
CN114742154A
CN114742154A CN202210374651.1A CN202210374651A CN114742154A CN 114742154 A CN114742154 A CN 114742154A CN 202210374651 A CN202210374651 A CN 202210374651A CN 114742154 A CN114742154 A CN 114742154A
Authority
CN
China
Prior art keywords
touch
user
operation data
interval
time period
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
Application number
CN202210374651.1A
Other languages
English (en)
Inventor
张世泽
陶建容
范长杰
胡志鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Netease Hangzhou Network Co Ltd
Original Assignee
Netease Hangzhou Network Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Netease Hangzhou Network Co Ltd filed Critical Netease Hangzhou Network Co Ltd
Priority to CN202210374651.1A priority Critical patent/CN114742154A/zh
Publication of CN114742154A publication Critical patent/CN114742154A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]

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)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请提供的一种生成用户画像的方法、设备、电子设备及存储介质，包括：获取第一触控操作数据和第二触控操作数据，第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；根据第一触控操作数据和第二触控操作数据获得用户的触摸表征参数的得分；根据触摸表征参数的得分和预训练的用户画像预测模型，获得用户的用户画像。本申请通过用户在应用中的触摸频率、间隔及位移等参数，更为准确的对用户操作能力、用户水平进行评估，从而精准的对用户进行分类，最终在信息筛选、应用推荐、组队匹配等等领域为用户提供更为精准的服务，提升整体的用户体验。

Description

生成用户画像的方法、设备、电子设备及存储介质
技术领域
本申请涉及电子信息技术领域，尤其涉及一种生成用户画像的方法、设备、电子设备及存储介质。
背景技术
随着智能手机的普及，移动互联网的发展，手机游戏已逐渐占据了游戏市场的主要部分。为了给用户带来更好的游戏体验，用户画像相关技术得到了广泛的关注。用户画像技术通过一系列日志来分析、建模用户的兴趣偏好、水平能力等，是个性化推荐、匹配等业务的基础。
用户画像技术一般通过对用户一系列日志来分析、建模用户的兴趣偏好等进行用户的分类，其中，传统的用户能力评估往往基于用户对局结算数据来进行。但这种评估方式，场景受限同时、不够直观。受到用户游玩结果的直接影响，对用户操作能力评估不够准确，最终导致在进行推荐匹配等业务时给用户带来较差的用户体验。
发明内容
有鉴于此，本申请提出一种生成用户画像的方法、设备、电子设备及存储介质，以提高对用户操作能力评估的准确性，精准分类用户，最终提高用户的用户体验。
基于上述目的，本申请提供了一种生成用户画像的方法，包括：
获取第一触控操作数据和第二触控操作数据，其中，所述第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，所述第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；
根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分；
根据所述触摸表征参数的得分和预训练的用户画像预测模型，获得所述用户的用户画像。
在一些实施方式中，所述触控表征参数包括以下至少一项：
触摸频率、触摸间隔、触摸位移。
在一些实施方式中，所述方法包括：
根据所述第一触控操作数据，计算对应的第一触摸频率、第一触摸间隔及第一触摸位移；
根据所述第二触控操作数据，计算对应的第二触摸频率、第二触摸间隔及第二触摸位移；
结合预设的第一权重及第二权重，通过所述第一触摸频率及所述第二触摸频率计算所述触摸频率，通过所述第一触摸间隔及所述第二触摸间隔计算所述触摸间隔，通过所述第一触摸位移及所述第二触摸位移计算所述触摸位移。
在一些实施方式中，所述获取第一触控操作数据和第二触控操作数据，包括：获取操作全程时间段及操作密集时间段的第一触控操作数据和第二触控操作数据；其中，所述操作密集时间段为在所述操作全程时间段中进行特定长度时间段的选取，确定选出的时间段中对应的触控操作数据的数量超过设定阈值的时间段为所述操作密集时间段；
所述方法包括：
根据所述操作全程时间段对应的触控操作数据对所述触摸频率进行计算，根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算。
在一些实施方式中，所述根据所述操作全程时间段对应的触控操作数据对所述触摸频率进行计算，包括：
确定所述操作全程时间段内对应的触控操作数据的触摸次数，根据所述触摸次数与所述操作全程时间段的总时长的比值确定所述触摸频率。
在一些实施方式中，所述根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算，包括：
确定所述操作密集时间段对应的触控操作数据的起始时间及结束时间，根据所述起始时间及所述结束时间对所述触摸间隔进行计算。
在一些实施方式中，所述根据所述起始时间及所述结束时间对所述触摸间隔进行计算，具体为：
Figure BDA0003589812690000021
其中，Score触摸间隔为触摸间隔，n为操作密集时间段内触控操作数据的总个数，TimeStarti+1为第i+1次触控操作数据的起始时间，TimeEndi为第i次触控操作数据的结束时间。
在一些实施方式中，所述根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算，包括：
确定所述操作密集时间段对应的触控操作数据的起始位置及结束位置，根据所述起始位置及所述结束位置对所述触摸位移进行计算。
在一些实施方式中，所述根据所述起始位置及所述结束位置对所述触摸位移进行计算，具体为：
Figure BDA0003589812690000031
其中，Score触摸位移为触摸位移，n为操作密集时间段内触控操作数据的总个数，
Figure BDA0003589812690000032
为第i次触控操作数据的结束位置坐标，
Figure BDA0003589812690000033
为第i+1次触控操作数据的起始位置坐标，
Figure BDA0003589812690000034
表示计算两点
Figure BDA0003589812690000035
与
Figure BDA0003589812690000036
距离的函数。
在一些实施方式中，所述根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分，包括：
确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数；
根据所述触摸频率、所述触摸间隔及所述触摸位移分别结合对应的所述调整权重，与所述调整参数进行加和得到所述用户的触摸表征参数的得分。
在一些实施方式中，所述确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数，包括：
获取历史数据测试集，建立线性回归模型，以计算所述调整权重及所述调整参数；
所述调整权重，具体为，
Figure BDA0003589812690000037
其中，k为调整权重，m为历史数据测试集中测试样本的总个数，yi为第i个测试样本的操作水平，xi为第i个测试样本的摸频率、触摸间隔及触摸位移组成的向量，
Figure BDA0003589812690000041
为全部xi的均值；
所述调整参数，具体为，
Figure BDA0003589812690000042
其中，b为调整参数。
基于同一构思，本申请还提供了一种用户画像设备，包括：
获取模块，用于获取第一触控操作数据和第二触控操作数据，其中，所述第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，所述第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；
计算模块，用于根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分；
确定模块，用于根据所述触摸表征参数的得分和预训练的用户画像预测模型，获得所述用户的用户画像。
基于同一构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任一项所述的方法。
基于同一构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机实现如上任一项所述的方法。
从上面所述可以看出，本申请提供的一种生成用户画像的方法、设备、电子设备及存储介质，包括：获取第一触控操作数据和第二触控操作数据，第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；根据第一触控操作数据和第二触控操作数据获得用户的触摸表征参数的得分；根据触摸表征参数的得分和预训练的用户画像预测模型，获得用户的用户画像。本申请通过确定用户在应用中的触摸频率、触摸间隔及触摸位移等参数，通过这些参数能够更为准确的对用户操作能力进行评估，以此能够更为有效的对用户水平进行评估，从而精准的对用户进行分类，最终在信息筛选、应用推荐、组队匹配等等领域为用户提供更为精准的服务，提升整体的用户体验。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提出的一种生成用户画像的方法的流程示意图；
图2为本申请实施例提出的一种用户画像设备的结构示意图；
图3为本申请实施例提出的电子设备结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本说明书进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件、物件或者方法步骤涵盖出现在该词后面列举的元件、物件或者方法步骤及其等同，而不排除其他元件、物件或者方法步骤。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，用户画像技术通过一系列日志来分析、建模用户的兴趣偏好、水平能力等，是个性化推荐等业务的基础。其中，手机游戏场景下用户操作水平的建模尤为重要，直接支撑了基于用户水平的应用匹配、信息推荐等业务。传统的用户水平估计往往基于用户对局结算，如对战胜利、对战净胜分等。但这一方式不能足够直观地描述用户水平。传统的用户能力评估往往基于用户对局结算数据来进行。如用户对局胜场数，用户段位等级，用户对局中的统计数据(如击杀数等)。用户能力评估结果往往被应用在匹配、推荐等系统中，常用的基于这些对局结算数据的匹配算法有ELO、TrueSkill等。一般流程为：1)根据用户现有段位等统计数据，为用户匹配队友、对手，进行对局游戏；2)用户进行对局；3)根据用户对局结算结果(是否胜利，用户表现等)，结合ELO、TrueSkill算法更新用户能力评估分数。但是，仅基于对局结算数据来进行用户能力评估，场景受限。仅在有用户对局、对局结果产生的场景(玩法)下，才可进行用户能力评估。仅基于对局结算数据来进行用户能力评估，不够直观。用户的对局结果，如是否胜利，击杀数量等并不能够直观地刻画用户操作水平，即使操作水平非常好也可能因为各种原因(如队友较差、敌人针对等)导致对局结果的数据上表现不好，从而使能力评估与用户实际能力不符。最终产生较差的游戏体验。
结合上述实际情况，本申请实施例提出了一种用户分类方案，通过确定用户在应用中的触摸频率、触摸间隔及触摸位移等参数，通过这些参数能够更为准确的对用户操作能力进行评估，以此能够更为有效的对用户水平进行评估，从而精准的对用户进行分类，最终在信息筛选、应用推荐、组队匹配等等领域为用户提供更为精准的服务，提升整体的用户体验。
如图1所示，为本申请提出的一种生成用户画像的方法的流程示意图，该方法具体包括：
步骤101，获取第一触控操作数据和第二触控操作数据，其中，所述第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，所述第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据。
针对大部分存在的触控操作屏幕，用户往往以左右手分别来操控左右屏幕区域，如一般的左屏“控制方向区域”，右屏“控制技能区域”。因此，在本步骤中，对于用户的触控操作数据的获取，也针对不同的触控区域分别进行。在具体的实施例中，第一触控区域和第二触控区域分别为屏幕的左侧和右侧部分。在可选的实施例中，第一触控区域和第二触控区域也可以使预先设定的不同区域。
触控操作数据即为用户的触控操作的相关信息，例如触控的开始时间、结束时间、触控开始位置、触控结束位置、触控点停留时间以及触控移动相关数据等等。每一条触控操作数据对应用户的一个触控操作行为，其可以记录该触控行为的全部相关特性数据或记录事先设定的需要的该触控行为的部分相关特性数据。当然，触控操作数据还可以包括用户在特征时间段内的触控总体数据，例如：用户在特征时间段内进行触控操作的总个数、总的触控接触时间、触控移动长度等等相关数据。
步骤102，根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分。
在本步骤中，通过步骤101得到的触控操作数据可以计算对应特征时间段内的触摸频率、触摸间隔及触摸位移。特征时间段为用户在使用特定或不特定的应用程序时，在其使用该应用程序时的一段时间或整段时间。例如：用户在进行游戏应用的使用时，特征时间段可以是该用户使用该游戏应用的整段时间，也可以是用户游玩一局游戏的时间，还可以是用户在一局游戏中的特定时间段(如操作密集的时间段、游戏定义的关键时间段等等)等等。具体的特征时间段可以根据具体的应用场景进行具体的设置。
其中，触摸频率为用户在一定时间段进行有效触控的频率，一般可以通过触摸次数与时间的比值进行统计，对于手机、Pad等触控设备其一般是两只手同时可以进行触控操作，进而还可以分别统计两个手的触控频率，之后为了直观表示触摸频率，可以对两只手的触控频率分别赋予各自的权重以此最终得到综合的触摸频率。触摸间隔为用户在一定时间段进行有效的相邻两次触控间的平均间隔，其一般通过间隔时间来表示，与触摸频率相类似，其同样可以分别统计两个手的触摸间隔，之后通过赋予相对应的权重来得到综合的触摸间隔。触摸位移为用户在一定时间段进行有效的相邻两次触控间的平均间隔位移，其一般通过间隔长度来表示。举例来说，即为前一次触控的结束位置与后一次触控的起始位置之间的距离间隔。与触摸频率相类似，其同样可以分别统计两个手的触摸位移，之后通过赋予相对应的权重来得到综合的触摸位移。
在具体的实施例中，一般的触摸频率是统计的全局的整体触摸频率，其对应的时间段可以为用户使用应用程序的全部时间，或是用户使用应用程序特定功能的全部时间。例如在游戏领域，用户游玩一个游戏一种玩法的一局时间，如FPS游戏用户进行一场对抗游戏的时间，针对整场对抗游戏时间，分别统计两只手的触摸频率，最终加权得到综合的触摸频率。而触摸间隔及触摸位移，由于用户在使用应用程序的全部时间内、或是用户使用应用程序特定功能的全部时间内，用户操作是不均衡的，例如在FPS游戏中用户只有在发生对抗时其操作才会较为密集，而在其他赶路或隐藏等时间段内其操作则较为稀疏，从而为了能够真实的反应用户的操作水平，一般需要对用户操作密集时间段内的触摸间隔及触摸位移进行统计，省略操作较为稀疏时间段内的触摸间隔及触摸位移。操作密集时间段可以根据具体的应用场景具体设置，例如根据事先定义将两个及以上不同阵营或队列的用户操纵角色，在相距一定距离内维持一定时间段后，进入操作密集时间段；或是通过统计整局用户的操作，在时间轴上设定一个特定时长的时间窗，通过移动时间窗框定一组组触控数据，将这些组触控数据中触摸次数前特定名次的几组触控数据对应的时间窗作为操作密集时间段；或是将这些组触控数据中触摸次数前10％的几组触控数据对应的时间窗作为操作密集时间段等等。之后，由于触摸频率与触摸间隔、触摸位移对应的时间段可能并不相同，例如触摸频率可能对应一局游戏的时间，而触摸间隔、触摸位移对应一局游戏时间内多个操作密集时间段，从而可以通过确定一局游戏的时间有多少个操作密集时间段，进而进行触摸间隔、触摸位移的平均数的统计，从而最终反应整局游戏用户的触摸频率、触摸间隔及触摸位移。
在具体的实施例中，触摸频率可以通过触摸次数与时间的比值进行计算。触摸间隔可以通过统计时间段内所有相邻两个触控间的时间间隔与该时间段内的触控次数的比较进行计算。触摸位移可以通过统计时间段内所有相邻两个触控间的位移间距与该时间段内的触控次数的比较进行计算。
在本步骤中，触摸频率、触摸间隔及触摸位移可以直接进行加权，并结合调整参数得到最终的用户的操作水平，其中调整参数为一个具体的数字。操作水平可以是一个得分、一个对应的评级等等。之后根据这个操作水平可以对用户进行最终的分类划分。
在具体的实施例中，可以分别给予触摸频率、触摸间隔及触摸位移不同的权重，也可以直接进行响应的计算。其中，给予权重的方案中，各自对应的权重可以通过事先的人为设定进行给予，同时设定调整参数。也可以通过数学模型的计算确定各自的权重及调整参数。例如通过大量确定的操作水平及对应的触摸频率、触摸间隔及触摸位移组成训练集，进行线性回归数学模型的构建，并最终输出调整参数及触摸频率、触摸间隔及触摸位移各自对应的权重。
步骤103，根据所述触摸表征参数的得分和预训练的用户画像预测模型，获得所述用户的用户画像。
在本步骤中，通过步骤102得到的触摸表征参数的得分，与预先训练好的用户画像模型进行匹配，获得所述用户的用户画像。最终输出该画像，用以存储、展示、使用或再加工该画像。根据不同的应用场景和实施需要，具体的对于该画像的输出方式可以灵活选择。
例如，对于本实施例的方法在单一设备上执行的应用场景，可以将该画像直接在当前设备的显示部件(显示器、投影仪等)上以显示的方式输出，使得当前设备的操作者能够从显示部件上直接看到该画像的内容。
又如，对于本实施例的方法在多个设备组成的系统上执行的应用场景，可以将该画像通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)发送至系统内的其他作为接收方的预设设备上，即同步终端上，以使得同步终端可以对其进行后续处理。可选的，该同步终端可以是预设的服务器，服务器一般设置在云端，作为数据的处理和存储中心，其能够对该用户画像进行存储和分发；其中，分发的接收方是终端设备，这些终端设备的持有者或操作者可以是当前用户、应用程序的管理人员、应用程序的推广人员等等。
再如，对于本实施例的方法在多个设备组成的系统上执行的应用场景时，可以将该用户画像通过任意的数据通信方式直接发送至预设的终端设备，终端设备可以是前述段落列举中的一种或多种。
在具体的实施例中，可以将用户的用户画像发送给下游的应用推荐系统或是应用内的组队匹配系统等等，以针对用户的操作水平进行适合的应用程序推荐、广告推荐或应用内功能推荐等等，在应用内进行水平相当或队列间水平相当的组队匹配等等。还可以根据用户的用户画像确定特定的用户或用户组。
从上面所述可以看出，本申请实施例的一种生成用户画像的方法，包括：获取第一触控操作数据和第二触控操作数据，其中，所述第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，所述第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分；根据所述触摸表征参数的得分和预训练的用户画像预测模型，获得所述用户的用户画像。本申请通过确定用户在应用中的触摸频率、触摸间隔及触摸位移等参数，通过这些参数能够更为准确的对用户操作能力进行评估，以此能够更为有效的对用户水平进行评估，从而精准的对用户进行分类，最终在信息筛选、应用推荐、组队匹配等等领域为用户提供更为精准的服务，提升整体的用户体验。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本申请实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在一个可选的示例性实施例中，所述触控操作数据，包括：左手触控操作数据及右手触控操作数据；所述根据所述触控操作数据对触摸频率、触摸间隔及触摸位移进行计算，包括：根据所述左手触控操作数据，计算对应的左手触摸频率、左手触摸间隔及左手触摸位移；根据所述右手触控操作数据，计算对应的右手触摸频率、右手触摸间隔及右手触摸位移；结合预设的左手权重及右手权重，通过所述左手触摸频率及所述右手触摸频率计算所述触摸频率，通过所述左手触摸间隔及所述右手触摸间隔计算所述触摸间隔，通过所述左手触摸位移及所述右手触摸位移计算所述触摸位移。以此准确统计用户的触控操作数据。
在本实施例中，由于触控操作一般对应两手的操作数据，从而可以将全部的触控操作数据分为左手的和右手的。进而分别统计左手的触摸频率、触摸间隔及触摸位移以及右手的触摸频率、触摸间隔及触摸位移。之后，由于每只手对应的功能键位等的不同，需要对左右手的触控操作数据赋予想适应的权重才能更好的体现用户的综合操作水平，从而可以通过预设的左手权重及右手权重对左右手的触控数据进行加权，最终得到综合的触摸频率、触摸间隔及触摸位移。
Figure BDA0003589812690000111
其中，Score触摸频率为触摸频率，Score触摸间隔为触摸间隔，Score触摸位移为触摸位移，ω左′及ω右′分别表示左手及右手触摸频率对应的权重，ω左″及ω右″分别表示左手及右手触摸间隔对应的权重，ω左″′及ω右″′分别表示左手及右手触摸位移对应的权重，Score左手触摸频率及Score右手触摸频率为左手触摸频率及右手触摸频率，Score左手触摸间隔及Score右手触摸间隔为左手触摸间隔及右手触摸间隔，Score左手触摸位移及Score右手触摸位移为左手触摸位移及右手触摸位移。
在具体应用场景中，触摸频率、触摸间隔及触摸位移三者对应的左手权重和/或右手权重可以是相同的也可以是不同的，可以根据具体的应用场景进行具体的调整。每个权重可以根据事先的人为设定进行设置，也可以通过建立对应的数学模型进行训练，以此计算出对应的每个权重值。
在一个可选的示例性实施例中，所述特征时间段，包括：操作全程时间段及操作密集时间段；其中，所述操作密集时间段为在所述操作全程时间段中进行特定长度时间段的选取，确定选出的时间段中对应的触控操作数据的数量超过设定阈值的时间段为所述操作密集时间段；所述根据所述触控操作数据对触摸频率、触摸间隔及触摸位移进行计算，包括：根据所述操作全程时间段对应的触控操作数据对所述触摸频率进行计算，根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算。以此能够更为真实的反应用户的操作水平。
在本实施例中，由于触摸间隔及触摸位移两个数据只有反应用户在激烈对抗或频繁操作时的数据才能更准确的反应该用户的真实的反应能力、操作能力等真实的操作水平，从而一般不以全程时间进行统计。进而可以在操作全程时间段内选取一个或多个操作密集时间段，操作密集时间段的选取方式可以是在操作全程时间段内设置一个特定时长的时间窗，使时间窗在这个时间段内移动，框定出多段时间，框定出的时间段可以相互不重叠，也可以相互有重叠。统计这些时间段内的用户操作次数，之后通过选取操作次数超过一定阈值的时间段为操作密集时间段，或是选取操作次数排行前特定名次或排名前特定比例的时间段为操作密集时间段。
之后，通过操作全程时间段计算触摸频率，通过操作密集时间段计算触摸间隔及触摸位移。
在一个可选的示例性实施例中，所述根据所述触控操作数据对触摸频率进行计算，包括：确定所述操作全程时间段内对应的触控操作数据的触摸次数，根据所述触摸次数与所述操作全程时间段的总时长的比值确定所述触摸频率。以此来准确计算触摸频率。
在本实施例中，通过统计操作全程时间段内的全部有效的触摸次数，通过该触摸次数与操作全程时间段的时长的比值来确定触摸频率。
Figure BDA0003589812690000121
其中，Score触摸频率为触摸频率，Count触摸次数为有效的触摸次数，Time为操作全程时间段对应的总时长。
在具体实施例中，可以通过分别统计左右手的触摸频率，再结合各自对应的权重，来综合得到一个整体的触摸频率，以此反应用户真实的整体触摸频率。如用户在一局对战或一次完整玩法游玩过程内的触摸频率。一般来说，用户的操作越多，可以认为其策略越复杂，相应的水平更高。
在一个可选的示例性实施例中，所述根据所述触控操作数据对触摸间隔进行计算，包括：确定所述操作密集时间段对应的触控操作数据的起始时间及结束时间，根据所述起始时间及所述结束时间对所述触摸间隔进行计算。以此来准确计算触摸间隔。
在本实施例中，由于触摸间隔是两次触控之间的时间间隔，从而可以根据每两次相邻的触控之间的时间间隔，来计算整体的触摸间隔。其具体可以为：
Figure BDA0003589812690000122
其中，Score触摸间隔为触摸间隔，n为操作密集时间段内触控操作数据的总个数，TimeStarti+1为第i+1次触控操作数据的起始时间，TimeEndi为第i次触控操作数据的结束时间。
在本实施例中，在操作密集时间段内发生了n次触控，则产生了n-1个间隔，从而根据前一触控的结束时间(TimeEndi)与后一触控的开始时间(TimeStarti+1)的差值确定该次间隔的间隔时间，统计完所有间隔时间后除以间隔数n-1即可生成Score触摸间隔。
在具体实施例中，可以通过分别统计左右手的触摸间隔，再结合各自对应的权重，来综合得到一个整体的触摸间隔，以此反应用户真实的整体触摸间隔。
在一个可选的示例性实施例中，所述根据所述触控操作数据对触摸位移进行计算，包括：确定所述操作密集时间段对应的触控操作数据的起始位置及结束位置，根据所述起始位置及所述结束位置对所述触摸位移进行计算。以此来准确计算触摸位移。
在本实施例中，由于触摸位移是两次触控之间的距离位移，从而可以根据每两次相邻的触控中，前一触控的结束位置与后一触控的开始位置确定两次触控间用户移动了多少距离，来计算整体的触摸位移。其具体可以为：
Figure BDA0003589812690000131
其中，Score触摸位移为触摸位移，n为操作密集时间段内触控操作数据的总个数，
Figure BDA0003589812690000132
为第i次触控操作数据的结束位置坐标，
Figure BDA0003589812690000133
为第i+1次触控操作数据的起始位置坐标，
Figure BDA0003589812690000134
表示计算两点
Figure BDA0003589812690000135
与
Figure BDA0003589812690000136
距离的函数。
在本实施例中，在操作密集时间段内发生了n次触控，则产生了n-1个间隔，从而根据前一触控操作的结束位置
Figure BDA0003589812690000137
与后一触控操作的开始位置
Figure BDA0003589812690000138
来确定两者之间的偏移量，统计完所有偏移量后除以间隔数n-1即可生成Score触摸位移。
在具体实施例中，可以通过分别统计左右手的触摸位移，再结合各自对应的权重，来综合得到一个整体的触摸位移，以此反应用户真实的整体触摸位移。
通过计算触摸间隔及触摸位移，能够很好的反应用户在操作密集时间段内的反应能力及操作灵活度，从而可以在这两个维度上反应用户的操作水平，使最终计算出的操作水平能够更为贴近用户真实的操作水平。
在一个可选的示例性实施例中，所述根据所述触摸频率、所述触摸间隔及所述触摸位移确定所述用户的操作水平，包括：确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数；根据所述触摸频率、所述触摸间隔及所述触摸位移分别结合对应的所述调整权重，与所述调整参数进行加和得到所述操作水平。
在本实施例中，调整权重反应对应参数在进行操作水平计算时的占比情况。调整参数为一个用于调整的具体的数字。两者可以是事先设定好的，也可以是根据模型计算得到的。对于操作水平的计算可以具体表示为：
y＝kx+b
其中，y表示操作水平，k为调整权重，k＝[ω触摸频率，ω触摸间隔，ω触摸位移]，ω触摸频率表示触摸频率的调整权重，ω触摸间隔表示触摸间隔的调整权重，ω触摸位移表示触摸位移的调整权重，x为具体的触摸频率、触摸间隔及触摸位移，x＝[Score触摸频率，Score触摸间隔，Score触摸位移]，b为调整参数。将本式展开后可得：y＝ω触摸频率×Score触摸频率+ω触摸间隔×Score触摸间隔+ω触摸位移×Score触摸位移+b。
在具体实施方式中，k和b的值可以根据事先的设定进行获取，其可以人为根据经验等对这两个参数进行设定。还可以在积累到大量数据之后，通过建立回归模型等方式进行这两个参数的计算。即基于大量用户的数据(触摸间隔、触摸位移、触摸频率、及对应的用户操作水平)，使用机器学习方法得到回归模型，之后即可对新的用户进行操作水平的评估，即给出新用户在一段时间的触摸间隔、触摸位移及触摸频率，输入回归模型即可得到新用户的操作水平数值。回归模型可以包含多层感知机(MLP，multi-layer perceptron)，线性回归，多项式回归，决策树回归等。即，所述确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数，包括：获取历史数据测试集，建立线性回归模型，以计算所述调整权重及所述调整参数。
在具体实施例中，以线性回归为例，建立的线性回归模型为：
y＝ω触摸频率×Score触摸频率+ω触摸间隔×Score触摸间隔+ω触摸位移×Score触摸位移+b
即，y＝kx+b，线性回归模型需要完成的任务，即给出大量x与y的数据，推出使误差函数最小的k与b的值。在本实施例中，即首先要获取一批数据，即一批用户的触摸间隔、触摸位移、触摸频率，以及这批用户的操作水平。根据这些数据，推出ω触摸频率、ω触摸间隔、ω触摸位移、b的值。
在具体应用场景中，如使用最小二乘法求解，则损失函数为
Figure BDA0003589812690000151
其中，xi、yi表示数据集中第i条数据，依次表示其(触摸间隔、触摸位移、触摸频率)与操作水平，该式即希望学到的回归模型在已知数据集上的总平方误差最小：
Figure BDA0003589812690000152
最终可得的调整权重及调整参数，具体为：
Figure BDA0003589812690000153
其中，k为调整权重，m为历史数据测试集中测试样本的总个数，yi为第i个测试样本的操作水平，xi为第i个测试样本的摸频率、触摸间隔及触摸位移组成的向量，
Figure BDA0003589812690000154
为全部xi的均值。
Figure BDA0003589812690000155
其中，b为调整参数。
基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种用户分类设备。
参考图2，所述用户分类设备，包括：
获取模块210，用于获取用户在特征时间段内的触控操作数据。
计算模块220，用于根据所述触控操作数据对触摸频率、触摸间隔及触摸位移进行计算。
确定模块230，用于根据所述触摸频率、所述触摸间隔及所述触摸位移确定所述用户的操作水平，根据所述操作水平确定所述用户的用户画像。
为了描述的方便，描述以上设备时以功能分为各种模块分别描述。当然，在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的设备用于实现前述实施例中相应的用户分类方法，并且具有相应的用户分类方法实施例的有益效果，在此不再赘述。
在一个可选的示例性实施例中，所述触控操作数据，包括：左手触控操作数据及右手触控操作数据；
所述计算模块220，还用于：
根据所述左手触控操作数据，计算对应的左手触摸频率、左手触摸间隔及左手触摸位移；
根据所述右手触控操作数据，计算对应的右手触摸频率、右手触摸间隔及右手触摸位移；
结合预设的左手权重及右手权重，通过所述左手触摸频率及所述右手触摸频率计算所述触摸频率，通过所述左手触摸间隔及所述右手触摸间隔计算所述触摸间隔，通过所述左手触摸位移及所述右手触摸位移计算所述触摸位移。
在一个可选的示例性实施例中，所述特征时间段，包括：操作全程时间段及操作密集时间段；其中，所述操作密集时间段为在所述操作全程时间段中进行特定长度时间段的选取，确定选出的时间段中对应的触控操作数据的数量超过设定阈值的时间段为所述操作密集时间段；
所述计算模块220，还用于：
根据所述操作全程时间段对应的触控操作数据对所述触摸频率进行计算，根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算。
在一个可选的示例性实施例中，所述计算模块220，还用于：
确定所述操作全程时间段内对应的触控操作数据的触摸次数，根据所述触摸次数与所述操作全程时间段的总时长的比值确定所述触摸频率。
在一个可选的示例性实施例中，所述计算模块220，还用于：
确定所述操作密集时间段对应的触控操作数据的起始时间及结束时间，根据所述起始时间及所述结束时间对所述触摸间隔进行计算。
在一个可选的示例性实施例中，所述计算模块220，根据所述触控操作数据对触摸间隔进行计算，具体为：
Figure BDA0003589812690000171
其中，Score触摸间隔为触摸间隔，n为操作密集时间段内触控操作数据的总个数，TimeStarti+1为第i+1次触控操作数据的起始时间，TimeEndi为第i次触控操作数据的结束时间。
在一个可选的示例性实施例中，所述计算模块220，还用于：
确定所述操作密集时间段对应的触控操作数据的起始位置及结束位置，根据所述起始位置及所述结束位置对所述触摸位移进行计算。
在一个可选的示例性实施例中，所述计算模块220，所述根据所述触控操作数据对触摸位移进行计算，具体为：
Figure BDA0003589812690000172
其中，Score触摸位移为触摸位移，n为操作密集时间段内触控操作数据的总个数，
Figure BDA0003589812690000173
为第i次触控操作数据的结束位置坐标，
Figure BDA0003589812690000174
为第i+1次触控操作数据的起始位置坐标，
Figure BDA0003589812690000175
表示计算两点
Figure BDA0003589812690000176
与
Figure BDA0003589812690000177
距离的函数。
在一个可选的示例性实施例中，所述确定模块230，还用于：
确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数；
根据所述触摸频率、所述触摸间隔及所述触摸位移分别结合对应的所述调整权重，与所述调整参数进行加和得到所述操作水平。
在一个可选的示例性实施例中，所述确定模块230，还用于：
获取历史数据测试集，建立线性回归模型，以计算所述调整权重及所述调整参数；
所述调整权重，具体为，
Figure BDA0003589812690000181
其中，k为调整权重，m为历史数据测试集中测试样本的总个数，yi为第i个测试样本的操作水平，xi为第i个测试样本的摸频率、触摸间隔及触摸位移组成的向量，
Figure BDA0003589812690000182
为全部xi的均值；
所述调整参数，具体为，
Figure BDA0003589812690000183
其中，b为调整参数。
基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的用户分类方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的用户分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的用户分类方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的用户分类方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种生成用户画像的方法，其特征在于，所述方法包括：
获取第一触控操作数据和第二触控操作数据，其中，所述第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，所述第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；
根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分；
根据所述触摸表征参数的得分和预训练的用户画像预测模型，获得所述用户的用户画像。
2.根据权利要求1所述的方法，其特征在于，所述触控表征参数包括以下至少一项：
触摸频率、触摸间隔、触摸位移。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
根据所述第一触控操作数据，计算对应的第一触摸频率、第一触摸间隔及第一触摸位移；
根据所述第二触控操作数据，计算对应的第二触摸频率、第二触摸间隔及第二触摸位移；
结合预设的第一权重及第二权重，通过所述第一触摸频率及所述第二触摸频率计算所述触摸频率，通过所述第一触摸间隔及所述第二触摸间隔计算所述触摸间隔，通过所述第一触摸位移及所述第二触摸位移计算所述触摸位移。
4.根据权利要求2所述的方法，其特征在于，所述获取第一触控操作数据和第二触控操作数据，包括：获取操作全程时间段及操作密集时间段的第一触控操作数据和第二触控操作数据；其中，所述操作密集时间段为在所述操作全程时间段中进行特定长度时间段的选取，确定选出的时间段中对应的触控操作数据的数量超过设定阈值的时间段为所述操作密集时间段；
所述方法包括：
根据所述操作全程时间段对应的触控操作数据对所述触摸频率进行计算，根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算。
5.根据权利要求4所述的方法，其特征在于，所述根据所述操作全程时间段对应的触控操作数据对所述触摸频率进行计算，包括：
确定所述操作全程时间段内对应的触控操作数据的触摸次数，根据所述触摸次数与所述操作全程时间段的总时长的比值确定所述触摸频率。
6.根据权利要求4所述的方法，其特征在于，所述根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算，包括：
确定所述操作密集时间段对应的触控操作数据的起始时间及结束时间，根据所述起始时间及所述结束时间对所述触摸间隔进行计算。
7.根据权利要求6所述的方法，其特征在于，所述根据所述起始时间及所述结束时间对所述触摸间隔进行计算，具体为：
Figure FDA0003589812680000021
其中，Score触摸间隔为触摸间隔，n为操作密集时间段内触控操作数据的总个数，TimeStarti+1为第i+1次触控操作数据的起始时间，TimeEndi为第i次触控操作数据的结束时间。
8.根据权利要求4所述的方法，其特征在于，所述根据所述操作密集时间段对应的触控操作数据对所述触摸间隔及所述触摸位移进行计算，包括：
确定所述操作密集时间段对应的触控操作数据的起始位置及结束位置，根据所述起始位置及所述结束位置对所述触摸位移进行计算。
9.根据权利要求8所述的方法，其特征在于，所述根据所述起始位置及所述结束位置对所述触摸位移进行计算，具体为：
Figure FDA0003589812680000022
其中，Score触摸位移为触摸位移，n为操作密集时间段内触控操作数据的总个数，
Figure FDA0003589812680000023
为第i次触控操作数据的结束位置坐标，
Figure FDA0003589812680000024
为第i+1次触控操作数据的起始位置坐标，
Figure FDA0003589812680000025
表示计算两点
Figure FDA0003589812680000026
与
Figure FDA0003589812680000027
距离的函数。
10.根据权利要求2所述的方法，其特征在于，所述根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分，包括：
确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数；
根据所述触摸频率、所述触摸间隔及所述触摸位移分别结合对应的所述调整权重，与所述调整参数进行加和得到所述用户的触摸表征参数的得分。
11.根据权利要求10所述的方法，其特征在于，所述确定所述触摸频率、所述触摸间隔及所述触摸位移分别对应的调整权重，并确定调整参数，包括：
获取历史数据测试集，建立线性回归模型，以计算所述调整权重及所述调整参数；
所述调整权重，具体为，
Figure FDA0003589812680000031
其中，k为调整权重，m为历史数据测试集中测试样本的总个数，yi为第i个测试样本的操作水平，xi为第i个测试样本的摸频率、触摸间隔及触摸位移组成的向量，
Figure FDA0003589812680000032
为全部xi的均值；
所述调整参数，具体为，
Figure FDA0003589812680000033
其中，b为调整参数。
12.一种用户画像设备，其特征在于，包括：
获取模块，用于获取第一触控操作数据和第二触控操作数据，其中，所述第一触控操作数据为用户针对终端屏幕的第一触控区域操作所生成的数据，所述第二触控操作数据为用户针对所述终端屏幕的第二触控区域操作所生成的数据；
计算模块，用于根据所述第一触控操作数据和所述第二触控操作数据获得所述用户的触摸表征参数的得分；
确定模块，用于根据所述触摸表征参数的得分和预训练的用户画像预测模型，获得所述用户的用户画像。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至11任一项所述的方法。
14.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机实现权利要求1至11任一项所述的方法。
CN202210374651.1A 2022-04-11 2022-04-11 生成用户画像的方法、设备、电子设备及存储介质 Pending CN114742154A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210374651.1A CN114742154A (zh) 2022-04-11 2022-04-11 生成用户画像的方法、设备、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210374651.1A CN114742154A (zh) 2022-04-11 2022-04-11 生成用户画像的方法、设备、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114742154A true CN114742154A (zh) 2022-07-12

Family

ID=82281220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210374651.1A Pending CN114742154A (zh) 2022-04-11 2022-04-11 生成用户画像的方法、设备、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114742154A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117180730A (zh) * 2023-09-08 2023-12-08 广州火石传娱科技有限公司 一种应用于图像定位的玩具枪系统处理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117180730A (zh) * 2023-09-08 2023-12-08 广州火石传娱科技有限公司 一种应用于图像定位的玩具枪系统处理方法及系统
CN117180730B (zh) * 2023-09-08 2024-03-19 广州火石传娱科技有限公司 一种应用于图像定位的玩具枪系统处理方法及系统

Similar Documents

Publication Publication Date Title
JP6145387B2 (ja) ユーザマッチング方法およびシステム
CN109460793A (zh) 一种节点分类的方法、模型训练的方法及装置
US10395646B2 (en) Two-stage training of a spoken dialogue system
CN106022505A (zh) 一种预测用户离网的方法及装置
US20190351334A1 (en) Method, device and system for game difficulty assessment
CN108322317A (zh) 一种账号识别关联方法及服务器
CN108305005A (zh) 学习竞赛中的竞赛对象匹配方法以及装置
KR20160117097A (ko) 추정필터를 이용한 교육 성과 예측 방법 및 시스템
CN111260449B (zh) 一种模型训练的方法、商品推荐的方法、装置及存储介质
CN104239421B (zh) 一种推送应用到终端的方法和系统
JP2017153783A (ja) ゲームにおけるユーザのマッチング方法およびマッチングシステム
CN114742154A (zh) 生成用户画像的方法、设备、电子设备及存储介质
TWI843883B (zh) 提供一或多組圖形參數之方法、執行用以實施該方法之程式的電腦以及包含用以執行該方法之指令的非暫時性電腦可讀媒體
KR101288476B1 (ko) 보상 아이템 제공 방법 및 서버
US20210291046A1 (en) Providing Video Game Content to an Online Connected Game
KR20150114169A (ko) 학습형 스포츠 분석 시스템
CN112245934A (zh) 虚拟场景应用中虚拟资源的数据分析方法、装置及设备
CN113780415B (zh) 基于小程序游戏的用户画像生成方法、装置、设备及介质
US20150170035A1 (en) Real time personalization and categorization of entities
CN113952730A (zh) 数据处理方法、装置、电子设备、存储介质及计算机产品
CN113098974A (zh) 一种确定设备数量的方法、服务器及存储介质
CN114797115A (zh) 信息推荐方法、设备、电子设备及存储介质
CN111694753A (zh) 一种应用程序测试方法、装置及计算机存储介质
CN118267717B (zh) 关卡难度的调整方法、设备及计算机可读存储介质
CN110851724A (zh) 基于自媒体号等级的文章推荐方法及相关产品

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