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

CN112950239B - 用于生成用户信息的方法、装置、设备和计算机可读介质 - Google Patents

用于生成用户信息的方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN112950239B
CN112950239B CN201911171383.8A CN201911171383A CN112950239B CN 112950239 B CN112950239 B CN 112950239B CN 201911171383 A CN201911171383 A CN 201911171383A CN 112950239 B CN112950239 B CN 112950239B
Authority
CN
China
Prior art keywords
user
rule
behavior data
data
grade
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.)
Active
Application number
CN201911171383.8A
Other languages
English (en)
Other versions
CN112950239A (zh
Inventor
王巍
刘俊旺
陈品竹
韩笑跃
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.)
Multipoint Shenzhen Digital Technology Co ltd
Original Assignee
Multipoint Shenzhen Digital Technology 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 Multipoint Shenzhen Digital Technology Co ltd filed Critical Multipoint Shenzhen Digital Technology Co ltd
Priority to CN201911171383.8A priority Critical patent/CN112950239B/zh
Publication of CN112950239A publication Critical patent/CN112950239A/zh
Application granted granted Critical
Publication of CN112950239B publication Critical patent/CN112950239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例公开了一种用于生成用户信息的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：采集用户的实时行为数据；定期将用户实时行为数据汇总成为用户历史行为数据；通过规则引擎设置用户的等级变更规则；加载用户的历史行为数据，将用户历史行为数据与规则库里的用户等级变更规则匹配，将匹配成功的用户历史行为数据以及用户等级变更结果生成样本数据；利用样本数据，对深度学习全链接神经网络模型进行训练；将用户实时行为数据输入到深度学习全链接神经网络模型，生成用户等级信息。该实施方式实现了用户等级信息的预测，整个过程不需要人为参与，省时省力。

Description

用于生成用户信息的方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于生成用户信息的方法、装置、设备和计算机可读介质。
背景技术
在互联网的各种用户活动中，如何利用大数据来提升效率是极为重要的课题。其中会员等级、会员权益是常用的增加用户粘性，提升网站效益的方法。会员等级、会员权益是指用户通过达到特定条件后而获得特权。等级越高的用户所享受的权益越优质。所以一个良好的用户等级体系，可以实现用户粘性和平台价值的提升。现有用户等级体系的变更是通过数据库业务表的方式进行管理。如果增加或者修改用户的等级变更条件时，需要变更数据库字段或者程序才能实现。很难做到通过只修改配置的方式实现规则的变更。整个过程需要人为参与，耗时耗力。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成用户信息的方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种用于生成用户信息的方法，包括：采集用户的实时行为数据，以及将上述实时行为数据存储到用户实时行为数据库中；定期将上述用户实时行为数据汇总成为用户历史行为数据，以及将上述用户历史行为数据存储到历史数据库中；通过规则引擎设置用户的等级变更规则，以及将上述用户的上述等级变更规则存储到规则库里；加载用户的历史行为数据，将其上述用户历史行为数据与规则库里的上述用户等级变更规则匹配，将匹配成功的上述用户历史行为数据以及用户等级变更结果生成样本数据；将利用上述样本数据，对深度学习全链接神经网络模型进行训练；将上述用户实时行为数据输入到上述深度学习全链接神经网络模型，生成上述用户的用户等级信息。
第二方面，本公开的一些实施例提供了用于生成用户信息的装置，包括：数据采集模块：被配置成采集用户的实时行为数据，以及将上述实时行为数据存储到实时行为数据库中；历史数据汇总模块：被配置成定期将上述实时行为数据汇总成为用户的历史行为数据，以及将上述历史行为数据存储到历史数据库中；规则设置模块：被配置成通过规则引擎设置用户的等级变更规则，以及将上述等级变更规则存储到规则库里；样本数据生成模块：被配置成加载用户的上述历史行为数据，将上述历史行为数据与规则库里的上述等级变更规则匹配，将匹配成功的上述历史行为数据以及用户等级变更结果生成样本数据，存储到样本数据库中；模型训练模块：被配置成利用上述样本数据，对深度学习全链接神经网络模型进行训练；用户信息生成模块：被配置成将上述实时行为数据输入到上述深度学习全链接神经网络模型，生成用户等级信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，上述程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过采集用户的实时数据并定期将实时数据转为历史数据；而后将历史数据与规则引擎中设置的用户等级变更规则相匹配，将匹配成功的用户历史行为数据以及用户等级变更结果生成样本数据输入深度学习全链接神经网络模型进行训练；最后将用户实时行为数据输入全链接神经网络模型生成用户等级信息。这样可以建立良好的用户等级体系，发现潜在的高等级用户，以及实现用户粘性和平台价值的提升。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的用于生成用户信息方法的一个应用场景的示意图；
图2是根据本公开的用于生成用户信息的方法的一些实施例的流程图；
图3是根据本公开的一些实施例的样本数据生成模块的结构示意图；
图4是根据本公开的一些实施例的模型训练模块的结构示意图；
图5是根据本公开的用户信息生成装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本申请。
图1是根据本公开一些实施例的用于生成用户信息的方法的一个应用场景的示意图。
如图1所示，用户可以在终端设备101、102和103上浏览商品、收藏商品、下单购买等等。通过网络104，服务器105可以接收到用户的数据并进行存储、计算等一系列处理。当用户A在单次访问商品网站时会产生实时行为数据，实时行为数据包括以下至少一种：浏览商品详情页次数、收藏商品次数、访问下单金额等。例如：用户A在10月1号浏览了某件商品7次、收藏该商品3次、下单金额400元；用户A在10月5号浏览了某件商品5次、收藏该商品1次、下单金额500元…。上述用户A在10月1号和10月5号产生的实时行为数据被存储在服务器105的实时数据库中。服务器105会定期将上述实时数据库中的数据汇总到历史数据库中。通过服务器105中的规则引擎设置用户等级变更规则，如设置规则1：月浏览商品10次，用户等级可升级或者变更为等级2。当10月31号服务器105统计用户A在10月份产生的行为数据即历史行为数据，得到如下结果：用户A累计浏览商品次数是12次，累计收藏商品4次，累计下单金额为900元。将用户A在十月份的历史记录与规则引擎中设置的用户等级变更规则相匹配，满足设置规则1，则将用户等级变更为等级2。将用户A在十月份的历史数据和用户变更后的等级2一起生成样本数据，作为示例，设置等级变更结果为Y，x1是单次商品浏览次数，x2是单次收藏商品次数，x3是单次下单金额，那么10月份的两条样本数据为：x1＝7、x2＝3、x3＝400、Y＝2，x1＝5、x2＝1、x3＝500、Y＝2，利用上述两条样本数据对深度学习全链接神经网络模型进行训练。在11月份时当用户B访问商品网站时，该用户B产生了实时行为数据：浏览了6次商品，收藏了2次，下单金额200元，即x1＝6、x2＝2、x3＝200，那么将用户B产生的上述实时行为数据输入到上述训练过的深度学习全链接神经网络模型，则会生成或者预测到用户等级信息为2，即输出等级变更结果Y＝2。
可以理解的是，终端设备101可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。应该理解，图1中的终端设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备。
继续参考图2，示出了根据本公开的一些实施例的用于生成用户信息方法的流程200。该用于生成用户信息的方法，包括以下步骤：
步骤201，采集用户的实时行为数据，以及将上述实时行为数据存储到用户实时行为数据库中。
在一些实施例中，执行主体(例如，图1中示出的手机或者终端设备)采集用户的实时行为数据，以及将上述实时行为数据存储到用户实时行为数据库中。其中，实时是某事发生、发展过程中的同一时间，那么实时行为数据是用户发生行为的同时产生的数据。实时行为数据包括但不限于：浏览商品数量、收藏商品数量、下单金额、将商品加入购物车等。而用户实时行为数据库是存储用户实时行为数据的数据库，其可以采用各种类型的数据库。将上述采集的实时行为数据按照数据类别逐一存储到实时行为数据库中或者给同一用户设置一个标签，将同一用户的实时行为数据一起存储到实时行为数据库中。
步骤202，定期将上述用户实时行为数据汇总成为用户历史行为数据，以及将上述用户历史行为数据存储到历史数据库中。
在一些实施例中，基于步骤201中得到的用户实时行为数据，上述执行主体(例如图1所示的服务器)定期将上述用户实时行为数据汇总成为用户历史行为数据，以及将上述用户历史行为数据存储到历史数据库中。其中，定期可以设置固定的时间或者固定的时间段，例如每月最后一天或者每30天就将用户实时行为数据汇总为用户历史数据。而用户历史数据是相对于用户实时数据而言的，其是用户之前的数据汇总。
作为示例，可以在每月最后一天将用户当月累积的浏览商品数量、收藏商品数量、下单总金额等数据汇总到历史数据库中。
步骤203，通过规则引擎设置用户的等级变更规则，以及将上述用户的上述等级变更规则存储到规则库里。
在一些实施例中，用于用户信息生成的方法的执行主体可以预先存储多条用户等级变更规则。其中，规则引擎是由推理引擎发展而来，是一种嵌入在应用程序中的组件。其实现了将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策。规则引擎接受数据输入，解释业务规则，并根据业务规则做出业务决策。其具体结构参见图3，其包括规则库(Rules repository)301、加载的用户历史行为数据(fact)302和规则引擎303，该规则引擎303包括规则适配器(Pattern Matcher)和规则执行模块(Agenda)。其中规则库301用于存储用户等级变更规则和规则优先级；规则适配器用于将规则库的用户等级变更规则和用户历史行为数据匹配；规则执行模块则执行用户等级变更规则。用户等级变更规则是用户在某一网站上的行为数据达到一定条件时而对用户的等级进行变更的规则。作为示例，设置规则1为：月浏览商品10次，用户等级可升级或者变更为等级2；规则2：月消费金额800，用户等级可升级为3级。上述等级变更规则可以逐条的存储在规则库里，。
步骤204，加载用户的历史行为数据，将其上述用户历史行为数据与规则库里的上述用户等级变更规则匹配，将匹配成功的上述用户历史行为数据以及用户等级变更结果生成样本数据。
在一些实施例中，上述执行主体可以加载用户的历史行为数据，将其上述用户历史行为数据与规则库里的上述用户等级变更规则匹配，将匹配成功的上述用户历史行为数据以及用户等级变更结果生成样本数据。其中，等级变更结果是将用户的等级从一个状态变更成另一个状态的结果，作为示例，将用户从等级1变更为等级2。而样本数据是用于训练模型所提供的模板数据。
作为示例，用户在十月份的累计消费为1000元，可以设定一函数来关联用户等级变更规则和用户历史行为数据，并设定该函数的输出为用户等级变更结果，通过这种方式来进行规则的匹配。当规则设置为月消费金额800，用户等级可升级为3级时，用户可以将其等级变更为3级。
步骤205，将利用上述样本数据，对深度学习全链接神经网络模型进行训练。
本公开的上述一些实施例中执行主体利用上述样本数据，对深度学习全链接神经网络模型进行训练。在一些实施例的可选方式中，如图4所示的训练过程如下：将包括用户浏览、用户搜索、用户收藏的样本数据，先进行数据清洗、数据选择、预处理、数据监控等数据处理，最后将样本数据输入深度学习全链接神经网络模型进行训练。上述深度学习全链接神经网络模型，包括：输入层、两层隐藏层、一层输出层。全链接神经网络模型包括但不限于决策树、DNN、SVM、随机深林、xgboost。
作为示例，利用上述用户A的样本数据x1＝7、x2＝3、x3＝400、Y＝2，x1＝5、x2＝1、x3＝500、Y＝2，其中，x1为一个月用户A单次浏览商品次数，x2为用户A单次收藏商品次数，x3为用户A单次下单金额，输出Y为等级变更为等级2。对深度学习全链接神经网络模型进行训练，更新模型权重，调整模型的精度，以便更好的对其他用户进行等级预测。
在一些实施例的可选实现方式，利用样本数据输入到深度学习全链接神经网络模型中进行训练，包括：对上述样本数据进行加工处理，上述加工处理方式采用以下至少一种方式：归一化、离散化、空值处理。
其中，归一化就是把所有的数据映射到同一尺度当中，因为在获取训练模型训练时，很多数据大小参差不齐，这样在进行大数计算的时候是非常消耗时间的，并且计算结果也会异常的大。另外权重分配也会不均匀，一般大的数获取到的权重可能更大。所以也许这个大的数并不是决定这个数据结果的最关键因素，结果因为数值大而变为最重要因素，这样我们预测就会出现问题。离散化是把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。空值一般表示数据未知、不适用或将在以后添加数据，所以空值处理是把上述空值删除或者摒弃等处理。对模型训练前采用上述处理方式可以提高模型的精度。
在一些实施例的可选实现方式，上述深度学习全链接神经网络模型，包括：输入层、两层隐藏层、一层输出层，隐藏层激活函数使用线性整流函数Relu函数，输出层使用归一化指数函数softmax函数，损失函数使用交叉熵函数。
步骤206，将上述用户实时行为数据输入到上述深度学习全链接神经网络模型，生成上述用户的用户等级信息。
本公开的上述一些实施例中，参见图5，例如用户实时行为数据为用户B产生的实时行为数据：浏览了6次商品，收藏了2次，下单金额200元，即x1＝6、x2＝2、x3＝200，那么将上述用户B产生的上述实时行为数据输入到上述训练过的深度学习全链接神经网络模型，则会生成用户可能的用户等级信息为2，即输出等级变更结果Y＝2。
本公开的另一些实施例中，该用于生成用户信息的方法中包括的步骤201至203上面内容已经讲过，这里不再赘述。而步骤204：将用户历史行为数据与规则库里的用户等级变更规则匹配的步骤还包括以下步骤：
步骤401，在执行规则匹配时存在规则冲突，则激活冲突的多个规则，将冲突的多个规则放入冲突集合。
在本公开的一些实施例中，上述执行主体在执行规则匹配时存在规则冲突，其中规则冲突是该用户历史数据符合多条规则，而多条规则对用户等级的变更结果不一致。作为示例，设置用户等级变更规则1：月浏览商品10次，用户等级可升级到2级；用户等级变更规则2：月消费金额800，用户等级可升级为3级。当用户B一个月的历史数据为:累计浏览商品次数是12次，累计收藏商品4次，累计下单金额为900元，这种情况下，用户历史数据满足规则1，用户B可以升级到2级，用户B历史数据满足规则2，用户B等级可以升级到3级。那么用户B既可以升级到等级2又可以升级到等级3，这就造成了冲突。冲突集合是设定一个特定区域来存储多个冲突规则。例如：将“用户B等级变更规则1：月浏览商品10次，用户等级可升级到2级；用户B等级变更规则2：月消费金额800，用户B等级可升级为3级。”专门存放在特定区域以备后续使用。
步骤402，根据规则引擎设置的规则优先级处理冲突，将激活的上述多个规则按优先级顺序放入上述规则引擎，以及根据高优先级规则将用户变更为相应的等级。
在本公开的一些实施例中，规则优先级是使用规则的优先级顺序，作为示例，上述规则2的优先级高于规则1，则使用规则2来进行用户等级结果变更。将上述多个规则按照优先级顺序放入规则引擎中的规则执行模块Agenda来执行相应的规则。例如执行规则2，将上述步骤401中的用户等级变更为3级。
步骤403，响应于规则冲突处理未完成，继续执行规则引擎中的规则冲突处理。
在本公开的一些实施例中，还有相互冲突的规则，则继续根据步骤401-402执行相应的规则冲突处理。
步骤404，响应于规则冲突处理完成，查询上述等级变更的用户数据，将上述用户的上述历史行为数据以及上述用户等级变更结果生成上述样本数据，存储到上述样本数据库中。
在一些实施例中，在规则冲突处理完成后，查询出等级变更的用户B的数据，例如等级变更的用户B及其相应的数据：包括一个月里每一条单次行为数据。将上述用户B的历史数据和其变更后的等级3一起生成样本数据，存储到样本数据库中。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种网页生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的用于生成用户信息的装置，包括：数据采集模块，采集用户的实时行为数据；实时行为数据库：存储用户的实时行为数据；历史行为数据库：存储用户的历史行为数据；规则引擎：存储用户的等级变更规则和规则优先级；样本数据生成模块，加载历史行为数据，将其与规则库里的用户等级变更规则相匹配，将匹配成功的用户历史行为数据与用户等级变更结果生成样本数据；模型训练模块，利用样本数据，对深度学习全链接神经网络模型进行训练；用户等级生成模块，将用户实时行为数据输入到模型训练模块，生成用户的用户等级信息。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备/终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例的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或者是上述两者的任意组合。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、或半导体的系统、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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的一些实施例中，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系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述用于生成用户信息的装置所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：采集用户的实时行为数据，以及将上述实时行为数据存储到用户实时行为数据库中；定期将上述用户实时行为数据汇总成为用户历史行为数据，以及将上述用户历史行为数据存储到历史数据库中；通过规则引擎设置用户的等级变更规则，以及将上述用户的上述等级变更规则存储到规则库里；加载用户的历史行为数据，将其上述用户历史行为数据与规则库里的上述用户等级变更规则匹配，将匹配成功的上述用户历史行为数据以及用户等级变更结果生成样本数据；将利用上述样本数据，对深度学习全链接神经网络模型进行训练；将上述用户实时行为数据输入到上述深度学习全链接神经网络模型，生成上述用户的用户等级信息。
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公开的一些实施例的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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括数据采集模块、历史数据汇总模块、规则设置模块、样本数据生成模块、模型训练模块、用户信息生成模块。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种用于生成用户信息的方法，包括：
采集用户的实时行为数据，以及将所述实时行为数据存储到实时行为数据库中；
定期将所述实时行为数据汇总成为用户的历史行为数据，以及将所述历史行为数据存储到历史数据库中；
通过规则引擎设置用户的等级变更规则，以及将所述等级变更规则存储到规则库里，规则库用于存储用户等级变更规则和规则优先级，用户等级变更规则是用户在某一网站上的行为数据达到一定条件时对用户的等级进行变更的规则；
加载用户的所述历史行为数据，将所述历史行为数据与规则库里的所述等级变更规则匹配，将匹配成功的所述历史行为数据以及用户等级变更结果生成样本数据，存储到样本数据库中，等级变更结果是将用户的等级从一个状态变更成另一个状态的结果；
利用所述样本数据，对深度学习全链接神经网络模型进行训练；
将所述实时行为数据输入到所述深度学习全链接神经网络模型，生成用户等级信息；
其中，所述将所述历史行为数据与规则库里的所述等级变更规则匹配，包括：
响应于执行所述等级变更规则匹配时存在冲突，则激活冲突的多个等级变更规则，将冲突的所述多个等级变更规则放入冲突集合；
根据规则引擎设置的规则优先级处理冲突，将激活的所述多个等级变更规则按优先级顺序放入所述规则引擎，以及执行高优先级等级变更规则将所述用户变更为相应的等级；
响应于冲突处理未完成，继续执行所述等级变更规则匹配；
响应于冲突处理完成，查询所述等级变更的用户数据，将所述用户的所述历史行为数据以及所述用户等级变更结果生成所述样本数据，存储到所述样本数据库中。
2.根据权利要求1所述的方法，其中，所述利用所述样本数据，对深度学习全链接神经网络模型进行训练，包括：
对所述样本数据进行加工处理，加工处理方式采用以下至少一种方式：归一化、离散化、空值处理。
3.根据权利要求1-2之一所述的方法，其中，所述深度学习全链接神经网络模型，包括：输入层、两层隐藏层、一层输出层，所述隐藏层的激活函数使用线性整流函数Relu函数，所述输出层使用归一化指数函数softmax函数，损失函数使用交叉熵函数。
4.一种用于生成用户信息的装置，包括：
数据采集模块：被配置成采集用户的实时行为数据，以及将所述实时行为数据存储到实时行为数据库中；
历史数据汇总模块：被配置成定期将所述实时行为数据汇总成为用户的历史行为数据，以及将所述历史行为数据存储到历史数据库中；规则设置模块：被配置成通过规则引擎设置用户的等级变更规则，以及将所述等级变更规则存储到规则库里，规则库用于存储用户等级变更规则和规则优先级，用户等级变更规则是用户在某一网站上的行为数据达到一定条件时对用户的等级进行变更的规则；
样本数据生成模块：被配置成加载用户的所述历史行为数据，将所述历史行为数据与规则库里的所述等级变更规则匹配，将匹配成功的所述历史行为数据以及用户等级变更结果生成样本数据，存储到样本数据库中，等级变更结果是将用户的等级从一个状态变更成另一个状态的结果；
模型训练模块：被配置成利用所述样本数据，对深度学习全链接神经网络模型进行训练；
用户信息生成模块：被配置成将所述实时行为数据输入到所述深度学习全链接神经网络模型，生成用户等级信息；
其中，样本数据生成模块还包括：
规则引擎模块：被配置执行所述等级变更规则匹配时存在冲突，则激活冲突的多个等级变更规则，将冲突的所述多个等级变更规则放入冲突集合；根据规则库里的规则优先级处理冲突，将激活的所述多个等级变更规则按优先级顺序存放，以及执行高优先级等级变更规则将所述用户变更为相应的等级；
生成模块：被配置成查询等级变更的用户数据，将所述用户的所述历史行为数据以及所述用户等级变更结果生成所述样本数据。
5.根据权利要求4所述的用于生成用户信息的装置，其中，所述深度学习全链接神经网络模型包括：输入层、两层隐藏层、一层输出层；所述隐藏层激活函数使用线性整流函数Relu函数，所述输出层使用归一化指数函数softmax函数，损失函数使用交叉熵函数。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN201911171383.8A 2019-11-26 2019-11-26 用于生成用户信息的方法、装置、设备和计算机可读介质 Active CN112950239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911171383.8A CN112950239B (zh) 2019-11-26 2019-11-26 用于生成用户信息的方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911171383.8A CN112950239B (zh) 2019-11-26 2019-11-26 用于生成用户信息的方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112950239A CN112950239A (zh) 2021-06-11
CN112950239B true CN112950239B (zh) 2024-07-16

Family

ID=76224772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911171383.8A Active CN112950239B (zh) 2019-11-26 2019-11-26 用于生成用户信息的方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112950239B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169963A (zh) * 2021-11-23 2022-03-11 苏州中仑网络科技有限公司 用于店铺隔离的数据处理方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665366A (zh) * 2018-04-27 2018-10-16 平安科技（深圳）有限公司 确定用户风险等级的方法、终端设备及计算机可读存储介质
CN108921602A (zh) * 2018-06-21 2018-11-30 华南理工大学 一种基于集成神经网络的用户购买行为预测方法
CN109146662A (zh) * 2018-07-16 2019-01-04 蜜小蜂智慧（北京）科技有限公司 一种风险控制方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596678A (zh) * 2018-05-02 2018-09-28 陈思恩 一种航空公司旅客价值计算方法
CN109741065A (zh) * 2019-01-28 2019-05-10 广州虎牙信息科技有限公司 一种支付风险识别方法、装置、设备及存储介质
CN110298574B (zh) * 2019-06-21 2023-06-13 国网辽宁省电力有限公司鞍山供电公司 一种基于卷积神经网络的用电用户缴费风险评级方法
CN110415036B (zh) * 2019-07-30 2023-05-12 深圳市珍爱捷云信息技术有限公司 用户等级的确定方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665366A (zh) * 2018-04-27 2018-10-16 平安科技（深圳）有限公司 确定用户风险等级的方法、终端设备及计算机可读存储介质
CN108921602A (zh) * 2018-06-21 2018-11-30 华南理工大学 一种基于集成神经网络的用户购买行为预测方法
CN109146662A (zh) * 2018-07-16 2019-01-04 蜜小蜂智慧（北京）科技有限公司 一种风险控制方法及装置

Also Published As

Publication number Publication date
CN112950239A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN107908740B (zh) 信息输出方法和装置
CN110298716B (zh) 信息推送方法和装置
JP2021103506A (ja) 情報を生成するための方法及び装置
CN110866040B (zh) 用户画像生成方法、装置和系统
Hogan From invisible algorithms to interactive affordances: Data after the ideology of machine learning
CN111950857A (zh) 基于业务指标的指标体系管理方法、装置以及电子设备
CN113807926A (zh) 推荐信息生成方法、装置、电子设备和计算机可读介质
Zhao et al. Comparing two machine learning approaches in predicting lupus hospitalization using longitudinal data
CN109978594B (zh) 订单处理方法、装置及介质
CN112950239B (zh) 用于生成用户信息的方法、装置、设备和计算机可读介质
CN111382365B (zh) 用于输出信息的方法和装置
CN112380476A (zh) 信息显示方法、装置和电子设备
Li et al. Persistent Community Search Over Temporal Bipartite Graphs
CN116662672A (zh) 价值对象信息发送方法、装置、设备和计算机可读介质
CN111339124B (zh) 显示数据方法、装置、电子设备和计算机可读介质
JP2024530998A (ja) ウェブデータのための機械学習支援自動タクソノミー
CN114926234A (zh) 物品信息推送方法、装置、电子设备和计算机可读介质
CN107256244A (zh) 数据处理方法和系统
CN113763112A (zh) 一种信息推送方法及装置
CN113743973A (zh) 分析市场热点趋势的方法和装置
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN118626701B (zh) 实时社交聆听数据挖掘方法、装置及电子设备
CN112949670B (zh) 用于联邦学习模型的数据集切换方法和装置
CN113240472B (zh) 理财产品推荐方法、电子设备及存储介质
CN113760178B (zh) 缓存数据处理方法、装置、电子设备和计算机可读介质

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
GR01 Patent grant
GR01 Patent grant