The invention relates to a method and device for extracting characteristic information of a target object. The method includes: obtaining the corresponding packet attribute vectors of at least two virtual items packets of the target object, obtaining the object attribute vector of the target object, training at least two packet attribute vectors corresponding to each of at least two virtual item packets, and obtaining the corresponding eigenvectors of at least two virtual item packets, and to the same. Two virtual object packets corresponding to each other and the object's object attribute vector are trained to obtain the importance scores of at least two virtual item packets, according to the corresponding eigenvectors of at least two virtual item packages and the corresponding importance of at least two virtual items packets. The feature information of the target object is extracted, and the difference between the users of different attributes in the use of virtual items is fully considered, thus the accuracy of the extraction of the feature information is improved.
【技术实现步骤摘要】
目标对象的特征信息提取方法及装置
本专利技术涉及网络应用
,特别涉及一种目标对象的特征信息提取方法及装置。
技术介绍
随着网络应用技术的发展,越来越多的用户使用社交网络应用中的虚拟物品包来赠送或接受货币、积分、网络游戏中的装备以及虚拟宠物等资源。随着用户使用虚拟物品包的行为的不断增多,虚拟物品包的使用行为在用户的网络行为中所占的比重也越来越高,相应的,通过提取单个用户或群组用户使用虚拟物品包的行为的特征信息,来对单个用户或群组进行分析,比如对用户或群组进行分类,也越来越受到网络服务商的重视。在相关技术中,网络服务商的服务器在提取单个用户或群组用户使用虚拟物品包的行为的特征信息时,对于一个用户或者群组,通常会统计该用户或群组对应的虚拟物品包的各项属性的属性信息,比如数量、总资源数、平均资源数以及资源数方差等等,再由服务器的管理人员从上述各项属性的属性信息中人工确定出异常的属性信息,作为对应的用户或群组的特征信息。在上述提取特征信息的过程中,需要管理人员人工确定提取用户或群组使用虚拟物品包的哪些属性,这对管理人员的人工经验的要求很高,导致特征信息提取的准确性较低。
技术实现思路
为了解决现有技术中需要管理人员人工确定提取用户或群组使用虚拟物品包的哪些属性,对管理人员的人工经验的要求高,导特征信息提取的准确性较低的问题,本专利技术实施例提供了一种目标对象的特征信息提取方法及装置,技术方案如下:第一方面,提供了一种目标对象的特征信息提取方法,所述方法包括:获取目标对象的至少两个虚拟物品包各自对应的包属性向量,并获取所述目标对象的对象属性向量,所述包属性向量中的每 ...
【技术保护点】
1.一种目标对象的特征信息提取方法,其特征在于,所述方法包括:获取目标对象的至少两个虚拟物品包各自对应的包属性向量,并获取所述目标对象的对象属性向量,所述包属性向量中的每个元素指示对应的虚拟物品包的一种属性,所述对象属性向量中的每个元素指示所述目标对象的一种属性;通过第一机器训练模型对所述至少两个虚拟物品包各自对应的包属性向量进行机器训练,获得所述至少两个虚拟物品包各自对应的特征向量;通过第二机器训练模型对所述至少两个虚拟物品包各自对应的特征向量以及所述目标对象的对象属性向量进行机器训练,获得所述至少两个虚拟物品包各自对应的重要性分数;根据所述至少两个虚拟物品包各自对应的特征向量以及所述至少两个虚拟物品包各自对应的重要性分数,提取所述目标对象的特征信息。
【技术特征摘要】
1.一种目标对象的特征信息提取方法,其特征在于,所述方法包括:获取目标对象的至少两个虚拟物品包各自对应的包属性向量,并获取所述目标对象的对象属性向量,所述包属性向量中的每个元素指示对应的虚拟物品包的一种属性,所述对象属性向量中的每个元素指示所述目标对象的一种属性;通过第一机器训练模型对所述至少两个虚拟物品包各自对应的包属性向量进行机器训练,获得所述至少两个虚拟物品包各自对应的特征向量;通过第二机器训练模型对所述至少两个虚拟物品包各自对应的特征向量以及所述目标对象的对象属性向量进行机器训练,获得所述至少两个虚拟物品包各自对应的重要性分数;根据所述至少两个虚拟物品包各自对应的特征向量以及所述至少两个虚拟物品包各自对应的重要性分数,提取所述目标对象的特征信息。2.根据权利要求1所述的方法,其特征在于,所述第一机器训练模型为循环神经网络模型,所述通过第一机器训练模型对所述至少两个虚拟物品包各自对应的包属性向量进行机器训练,获得所述至少两个虚拟物品包各自对应的特征向量,包括:按照所述至少两个虚拟物品包的时间顺序,将所述至少两个虚拟物品包各自对应的包属性向量依次输入所述循环神经网络模型进行机器训练,获得所述至少两个虚拟物品包各自对应的特征向量。3.根据权利要求2所述的方法,其特征在于,所述循环神经网络模型包括第一循环神经网络模型和第二循环神经网络模型,所述按照所述至少两个虚拟物品包的时间顺序,将所述至少两个虚拟物品包各自对应的包属性向量依次输入所述循环神经网络模型进行机器训练,获得所述至少两个虚拟物品包各自对应的特征向量,包括:按照所述至少两个虚拟物品包各自对应的时间从先到后的顺序,将所述至少两个虚拟物品包各自对应的包属性向量依次输入所述第一循环神经网络模型进行机器训练,获得所述至少两个虚拟物品包各自对应的第一部分特征向量;按照所述至少两个虚拟物品包各自对应的时间从后到先的顺序,将所述至少两个虚拟物品包各自对应的包属性向量依次输入所述第二循环神经网络模型进行机器训练,获得所述至少两个虚拟物品包各自对应的第二部分特征向量;对于所述至少两个虚拟物品包中的任一虚拟物品包,将所述虚拟物品包的第一部分特征向量和所述虚拟物品包的第二部分特征向量进行拼接,获得所述虚拟物品包的特征向量。4.根据权利要求2所述的方法,其特征在于,所述循环神经网络模型为长短记忆循环神经网络模型或者门限循环神经网络。5.根据权利要求1所述的方法,其特征在于,所述第二机器训练模型为注意力机制模型,所述通过第二机器训练模型对所述至少两个虚拟物品包各自对应的特征向量以及所述目标对象的对象属性向量进行机器训练,获得所述至少两个虚拟物品包各自对应的重要性分数,包括:将所述目标对象的对象属性向量以及所述至少两个虚拟物品包各自对应的特征向量输入所述注意力机制模型,获得所述至少两个虚拟物品包各自对应的重要性数值;对所述至少两个虚拟物品包各自对应的重要性数值进行归一化,获得所述至少两个虚拟物品包各自对应的重要性分数。6.根据权利要求1所述的方法,其特征在于,所述根据所述至少两个虚拟物品包各自对应的特征向量以及所述至少两个虚拟物品包各自对应的重要性分数,提取所述目标对象的特征信息,包括:根据所述至少两个虚拟物品包各自对应的重要性分数对所述至少两个虚拟物品包各自对应的特征向量进行加权求和,将加权求和获得的向量提取为所述目标对象的特征信息;或者,按照对应的重要性分数从高到低的顺序对所述至少两个虚拟物品包各自对应的特征向量进行排序,将排序后的前j个特征向量的平均值提取为所述目标对象的特征信息,1≤j≤n,且j、n为整数,且n为所述至少两个虚拟物品的个数。7.根据权利要求1至6任一所述的方法,其特征在于,所述方法还包括:将所述目标对象的特征信息输入机器分类模型,获得所述目标对象的分类信息,所述目标对象的分类信息用于指示所述目标对象对应的类别。8.根据权利要求7所述的方法,其特征在于,所述方法还包括:获取所述目标对象的实际类别;根据...
【专利技术属性】
技术研发人员:户保田,陈谦,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。