The invention discloses a method and device for identifying user relationship, belonging to the field of network technology. By using the user relationship classification model which is trained by the user's attribute information and the interactive information between users, the user can recognize the identified user. Because the model is trained on the basis of the user's attribute information and the interactive information between the users, the user relationship classification model can be used. Enough to express the accurate relationship between users, thus achieving the purpose of identifying the relationship between users, and identifying the high accuracy of the user relationship, which is beneficial to the subsequent and targeted application of the relationship between users, and provides a powerful basis for business operation.
【技术实现步骤摘要】
识别用户关系的方法及装置
本专利技术涉及网络
,特别涉及一种识别用户关系的方法及装置。
技术介绍
随着网络技术的发展,用户之间的网络业务也越来越频繁,很多网络业务使用到用户之间的关系,如在百度百科中,一个名人的介绍网页中,会有和该名人存在用户关系的另一个人的链接,点击该链接,用户可以进入另一个人的介绍网页。因此如何识别用户之间的关系成为一项关键技术。目前,用户之间的关系的识别方法可以是,通过网络爬虫,将特定网站上的网页抓取下来,然后提取其中的结构化和半结构化的信息,用预先设定的正则表达式去获取网站中的人物信息和其他信息(如工作信息、家庭信息等),然后处理上述信息,与预设的用户关系类型进行匹配。例如,在网站中获取到演员A和演员B出演同一部电影,服务器处理信息时可以得到演员A和演员B工作信息相同的信息,通过此信息与预设的用户关系类型进行匹配,而预设的用户关系类型中,同事关系定义为工作信息相同,因此服务器将演员A和演员B之间的关系识别为同事。在实现本专利技术的过程中,专利技术人发现现有技术至少存在以下问题:基于上述识别方法,只能查询到出名人物的信息,因此只能确定出名人物之间的关系类型,导致可以确定关系类型的用户具有局限性。
技术实现思路
为了解决现有技术的问题,本专利技术实施例提供了一种识别用户关系的方法及装置。所述技术方案如下:第一方面,提供了一种训练模型的方法,所述方法包括:获取初始用户关系分类模型,所述初始用户关系分类模型包括:初始CNN模型、初始RNN模型、初始全连接神经网络模型和softmax算法模块;其中,所述初始CNN模型以及所述初始RNN模型的 ...
【技术保护点】
1.一种训练模型的方法,其特征在于,所述方法包括:获取初始用户关系分类模型,所述初始用户关系分类模型包括:初始卷积神经网络CNN模型、初始循环神经网络RNN模型、初始全连接神经网络模型和柔性最大值传输函数softmax算法模块;其中,所述初始CNN模型以及所述初始RNN模型的输出端分别与所述初始全连接神经网络模型的输入端连接,所述初始全连接神经网络模型的输出端与所述softmax算法模块连接;获取多个样本用户的样本数据,每两个样本用户的样本数据包括第一样本用户和第二样本用户的属性信息、第一样本用户和第二样本用户之间的交互信息、以及第一样本用户和第二样本用户之间的已知用户关系;基于所述多个样本用户的样本数据对所述初始用户关系模型进行训练,得到所述用户关系分类模型。
【技术特征摘要】
1.一种训练模型的方法,其特征在于,所述方法包括:获取初始用户关系分类模型,所述初始用户关系分类模型包括:初始卷积神经网络CNN模型、初始循环神经网络RNN模型、初始全连接神经网络模型和柔性最大值传输函数softmax算法模块;其中,所述初始CNN模型以及所述初始RNN模型的输出端分别与所述初始全连接神经网络模型的输入端连接,所述初始全连接神经网络模型的输出端与所述softmax算法模块连接;获取多个样本用户的样本数据,每两个样本用户的样本数据包括第一样本用户和第二样本用户的属性信息、第一样本用户和第二样本用户之间的交互信息、以及第一样本用户和第二样本用户之间的已知用户关系;基于所述多个样本用户的样本数据对所述初始用户关系模型进行训练,得到所述用户关系分类模型。2.根据权利要求1所述的方法,其特征在于,所述基于所述多个样本用户的样本数据对所述初始用户关系模型进行训练,得到所述用户关系分类模型包括:将所述第一样本用户的属性信息和所述第二样本用户的属性信息,输入初始CNN模型,分别得到第一向量和第二向量,所述第一向量用于表示所述第一样本用户的属性特征,所述第二向量用于表示第二样本用户的属性特征;将所述第一样本用户和第二样本用户之间的交互信息,输入所述初始RNN模型,得到第三向量,所述第三向量用于表示所述第一样本用户和所述第二样本用户之间的亲密度;将所述第一向量和所述第二向量,以及所述第三向量,输入所述初始全连接神经网络模型,得到第四向量,所述第四向量用于表示所述第一样本用户的属性特征、所述第二样本用户的属性特征和所述第一样本用户和所述第二样本用户之间的亲密度;将第四向量输入所述softmax算法模块,得到第五向量,所述第五向量用于表示所述第一样本用户和第二样本用户之间的估计用户关系的权重;将第五向量中权重最大的维数对应的用户关系,确定为第一样本用户和第二样本用户之间的估计用户关系;根据所述估计用户关系和所述已知用户关系之间的误差,调整初始CNN模型、初始RNN模型、初始全连接神经网络模型中的算法参数;输入其它样本用户的样本数据,重复上述处理过程,对初始CNN模型、初始RNN模型、初始全连接神经网络模型中的算法参数进行调整,使得所述初始用户关系分类模型输出的所述估计用户关系与所述已知用户关系之间的误差最小,得到所述用户关系分类模型;所述用户关系分类模型用于确定待识别的两个用户之间的用户关系。3.根据权利要求1所述的方法,其特征在于,所述初始CNN模型的卷积核的列数与所述属性信息的量化值位数相等。4.一种识别用户关系的方法,其特征在于,所述方法包括:确定待识别的第一用户和第二用户;获取所述第一用户和所述第二用户的属性信息,以及第一用户和第二用户之间的交互信息;根据用户关系分类模型、所述第一用户和所述第二用户的属性信息、以及第一用户和第二用户之间的交互信息,确定所述第一用户和所述第二用户之间的用户关系;其中,所述用户关系分类模型基于多个样本用户的属性信息、交互信息以及已知用户关系训练得到。5.根据权利要求4所述的方法,其特征在于,所述用户关系分类模型的训练方法包括:获取初始用户关系分类模型,所述初始用户关系分类模型包括:初始CNN模型、初始RNN模型、初始全连接神经网络模型和softmax算法模块;其中,所述初始CNN模型以及所述初始RNN模型的输出端分别与所述初始全连接神经网络模型的输入端连接,所述初始全连接神经网络模型的输出端与所述softmax算法模块连接;获取多个样本用户的样本数据,每两个样本用户的样本数据包括第一样本用户和第二样本用户的属性信息、第一样本用户和第二样本用户之间的交互信息、以及第一样本用户和第二样本用户之间的已知用户关系;基于所述多个样本用户的样本数据对所述初始用户关系模型进行训练,得到所述用户关系分类模型。6.根据权利要求5所述的方法,其特征在于,所述基于所述多个样本用户的样本数据对所述初始用户关系模型进行训练,得到所述用户关系分类模型包括:将所述第一样本用户的属性信息和所述第二样本用户的属性信息,输入初始CNN模型,分别得到第一向量和第二向量,所述第一向量用于表示所述第一样本用户的属性特征,所述第二向量用于表示第二样本用户的属性特征;将所述第一样本用户和第二样本用户之间的交互信息,输入所述初始RNN模型,得到第三向量,所述第三向量用于表示所述第一样本用户和所述第二样本用户之间的亲密度;将所述第一向量和所述第二向量,以及所述第三向量,输入所述初始全连接神经网络模型,得到第四向量,所述第四向量用于表示所述第一样本用户的属性特征、所述第二样本用户的属性特征和所述第一样本用户和所述第二样本用户之间的亲密度;将第四向量输入所述softmax算法模块,得到第五向量,所述第五向量用于表示所述第一样本用户和第二样本用户之间的估计用户关系的权重;将第五向量中权重最大的维数对应的用户关系,确定为第一样本用户和第二样本用户之间的估计用户关系;根据所述估计用户关系和所述已知用户关系之间的误差,调整初始CNN模型、初始RNN模型、初始全连接神经网络模型中的算法参数;输入其它样本用户的样本数据,重...
【专利技术属性】
技术研发人员:黎新,
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。