用户属性预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了用户属性预测方法、装置、计算机设备及存储介质，方法包括：收集包含用户app安装列表以及用户属性的用户日志，并过滤异常日志；对用户app安装列表中基于不同用户属性的各app安装频次进行统计，计算基于不同用户属性的app安装频次的差值，获取差值超过预设阈值的app并作为分类app，依据所述分类app构建稀疏矩阵，得到特征数据；利用所述特征数据对分类模型进行训练，得到训练好的分类模型；获取目标用户的app安装列表，从中筛选出分类app，并将所述分类app送入所述分类模型进行预测，得到目标用户的属性。通过本发明专利技术，可以实现基于用户所安装的app，对用户属性进行高效率的预测，并且预测准确率高。

【技术实现步骤摘要】
用户属性预测方法、装置、计算机设备及存储介质
本专利技术涉及预测
，特别涉及用户属性预测方法、装置、计算机设备及存储介质。
技术介绍
传统移动应用程序(mobileapplication，简称mobileapp、apps)，或手机应用程序、移动应用程序、手机app等，是指设计给智能手机、平板电脑和其他移动设备上运行的应用程序。随着移动互联网的发展以及智能电子设备的普及，人们随身携带的电子设备上几乎都安装上了app，这些app为人们日常的工作生活提供了极大的便利。对于不同特点的人群而言，其所偏好的app也各不相同，例如男性可能偏好新闻类、军事类、运动类的app，女性可能偏好购物类、亲子类、美妆类的app，青少年可能偏好游戏类、学习类的app，所以基于用户所安装的app实际上是可以预测用户的属性的，但现有技术还不具有这一功能，或者准确性还不够高。
技术实现思路
本专利技术的目的是提供用户属性预测方法、装置、计算机设备及存储介质，旨在解决现有用户属性预测方法准确性不足的问题。第一方面，本专利技术实施例提供一种本文档来自技高网...

【技术保护点】
1.一种基于app的用户属性预测方法，其特征在于，包括：/n收集包含用户app安装列表以及用户属性的用户日志，并过滤异常日志；/n对用户app安装列表中基于不同用户属性的各app安装频次进行统计，计算基于不同用户属性的app安装频次的差值，获取差值超过预设阈值的app并作为分类app，依据所述分类app构建稀疏矩阵，得到特征数据；/n利用所述特征数据对分类模型进行训练，得到训练好的分类模型；/n获取目标用户的app安装列表，从中筛选出分类app，并将所述分类app送入所述分类模型进行预测，得到目标用户的属性。/n

【技术特征摘要】
1.一种基于app的用户属性预测方法，其特征在于，包括：
收集包含用户app安装列表以及用户属性的用户日志，并过滤异常日志；
对用户app安装列表中基于不同用户属性的各app安装频次进行统计，计算基于不同用户属性的app安装频次的差值，获取差值超过预设阈值的app并作为分类app，依据所述分类app构建稀疏矩阵，得到特征数据；
利用所述特征数据对分类模型进行训练，得到训练好的分类模型；
获取目标用户的app安装列表，从中筛选出分类app，并将所述分类app送入所述分类模型进行预测，得到目标用户的属性。


2.根据权利要求1所述的基于app的用户属性预测方法，其特征在于，所述属性为性别、年龄或爱好。


3.根据权利要求1所述的基于app的用户属性预测方法，其特征在于，所述对用户app安装列表中基于不同用户属性的各app安装频率进行统计，计算基于不同用户属性的app安装频率的差值，获取差值超过预设阈值的app并作为分类app，包括：
对所有用户的app安装列表中的app进行分类统计，获取基于每一用户属性的各app安装频次；
计算基于不同用户属性的各app安装频次的差值；
获取所述差值超过预设阈值的app并作为分类app。


4.根据权利要求3所述的基于app的用户属性预测方法，其特征在于，所述获取所述差值超过预设阈值的app并作为分类app，包括：
将基于不同用户属性的各app安装频次的差值进行归一化，得到相差比例；
将所述相差比例超过预设阈值的app作为分类app。


5.根据权利要求4所述的基于app的用户属性预测方法，其特征在于，所述依据所述分类app构建稀疏矩阵，得到特征数据，包括：
根据分类app对应的相差比例计算分类app的权重，其中相差比例越高，权重越大，相差比例越低，权重越小；
依据所述分类app的权重构建稀疏矩阵，得到特征数据。

【专利技术属性】
技术研发人员：赵星，林肯，
申请(专利权)人：深圳墨世科技有限公司，
类型：发明
国别省市：广东;44