电子设备使用者的属性识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种电子设备使用者的属性识别方法、装置、设备及存储介质，属于计算机技术领域。所述方法包括：获取电子设备在使用过程中产生的设备受力传感数据以及电子设备在使用过程中产生的用户操作行为数据；对设备受力传感数据进行受力变化特征的提取处理，以得到受力变化特征；对用户操作行为数据进行使用者操作行为的分析处理，以得到使用者操作特征；基于受力变化特征和使用者操作特征分别对应的时间戳标签，对受力变化特征和使用者操作特征进行特征融合识别处理，得到使用者的用户属性。本申请通过采集设备受力传感数据和用户操作行为数据，得出设备的受力变化特征和使用者操作特征以判断用户属性，提升属性识别准确度，降低识别复杂度。

【技术实现步骤摘要】
电子设备使用者的属性识别方法、装置、设备及存储介质
本申请涉及计算机
，特别涉及一种电子设备使用者的属性识别方法、装置、设备及存储介质。
技术介绍
随着计算机与互联网技术的发展，未成年人沉迷网络游戏、过度消费等现象值得高度关注。相关技术中，往往采取实名认证等技术手段识别未成年用户。在实名认证方式下，用户需要输入身份证进行实名认证，实名认证依赖用户输入身份证信息，未成人常常偷偷拿父母的身份证进行认证。通过相关技术进行未成年用户识别，往往识别准确度低。
技术实现思路
本申请实施例提供了一种电子设备使用者的属性识别方法、装置、设备及存储介质，能够提高用户属性识别的准确度。所述技术方案如下：根据本申请实施例的一个方面，提供了一种电子设备使用者的属性识别方法，所述方法包括：获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据；其中，所述设备受力传感数据用于反映所述电子设备的受力状态，所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作；对所述设备受力传感数据进行受力变化特征的提取处理，以得到所述受力变化特征，所述受力变化特征用于反映所述电子设备的受力变化情况；对所述用户操作行为数据进行使用者操作行为的分析处理，以得到使用者操作特征，所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况；基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签，对所述受力变化特征和所述使用者操作特征进行特征融合识别处理，得到所述使用者的用户属性。根据本申请实施例的一个方面，提供了一种电子设备使用者的属性识别装置，所述装置包括：数据获取模块，获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据；其中，所述设备受力传感数据用于反映所述电子设备的受力状态，所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作；传感特征提取模块，用于对所述设备受力传感数据进行受力变化特征的提取处理，以得到所述受力变化特征，所述受力变化特征用于反映所述电子设备的受力变化情况；操作行为分析模块，用于对所述用户操作行为数据进行使用者操作行为的分析处理，以得到使用者操作特征，所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况；用户属性确定模块，用于基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签，对所述受力变化特征和所述使用者操作特征进行特征融合识别处理，得到所述使用者的用户属性。根据本申请实施例的一个方面，提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述电子设备使用者的属性识别方法。根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述电子设备使用者的属性识别方法。根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述电子设备使用者的属性识别方法。本申请实施例提供的技术方案可以带来如下有益效果：通过采集两方面的数据来识别用户属性，一是设备受力传感数据，二是用户执行操作数据，从设备受力传感数据中可以得知设备的受力变化情况，从用户执行操作数据可以得知使用者在设备上的操作执行情况，用户年龄、用户性别以及用户机型等用户属性上的差异都会在设备受力传感数据和用户执行操作数据产生一定的特征，这是无法刻意避开的操作使用特点，因此可根据受力变化情况以及操作执行情况判断用户属性，能够在很大程度上提升用户属性识别的准确度。并且，本申请实施例提供的技术方案无需再进行额外的识别，很大程度上降低识别复杂度，更无需用户配合，提升应用对用户的友好性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，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是本申请一个实施例提供的应用程序运行环境的示意图；图2是本申请一个实施例提供的电子设备使用者的属性识别方法的流程图；图3示例性示出了一种生成左/右操作数据序列的示意图；图4示例性示出了一种特征提取处理的示意图；图5是本申请一个实施例提供的设备受力传感数据和用户操作行为数据的采集方法的流程图；图6示例性示出了一种控制数据记录的数据格式的示意图；图7是本申请一个实施例提供的未成年用户识别系统的工作示意图；图8是本申请一个实施例提供的用户属性预测模型的训练方法的流程图；图9示例性示出了一生成式对抗网络的示意图；图10是本申请一个实施例提供的电子设备使用者的属性识别装置的框图；图11是本申请另一个实施例提供的电子设备使用者的属性识别装置的框图；图12是本申请一个实施例提供的计算机设备的结构框图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。首先，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。未成年防沉迷系统：青少年沉迷网络游戏的主要诱因是大多数网络游戏都设置了经验值增长和虚拟物品奖励功能，需要获得上述奖励，主要靠长时间在线累计获得，因而导致部分青少年沉迷其中。网络游戏防沉迷系统就是针对上述未成年人沉迷网络游戏的诱因，利用技术手段对未成年人在线游戏时间予以限制。传感器：主要指加速传感器，陀螺仪，重力传感器等智能设备所拥有的传感器。梅尔频率倒谱系数(MelFrequencyCepstrumCoefficient，MFCC)：在声音处理领域中，梅尔频率倒谱(Mel-FrequencyCepstrum)是基于声音频率的非线性梅尔刻度(melscale)的对数能量频谱的线性变换。梅尔频率倒谱系数就是组成梅尔频率倒谱的系数。神经网络(NeuralNetworks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络可以是由神经单元(简称“神经元”)组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：其中，s＝1、2、……n，n为大于1的自然数，W为权重，Ws本文档来自技高网...

【技术保护点】
1.一种电子设备使用者的属性识别方法，其特征在于，所述方法包括：/n获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据；其中，所述设备受力传感数据用于反映所述电子设备的受力状态，所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作；/n对所述设备受力传感数据进行受力变化特征的提取处理，以得到所述受力变化特征，所述受力变化特征用于反映所述电子设备的受力变化情况；/n对所述用户操作行为数据进行使用者操作行为的分析处理，以得到使用者操作特征，所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况；/n基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签，对所述受力变化特征和所述使用者操作特征进行特征融合识别处理，得到所述使用者的用户属性。/n

【技术特征摘要】
1.一种电子设备使用者的属性识别方法，其特征在于，所述方法包括：
获取电子设备在使用过程中产生的设备受力传感数据以及所述电子设备在所述使用过程中产生的用户操作行为数据；其中，所述设备受力传感数据用于反映所述电子设备的受力状态，所述用户操作行为数据反映所述使用者在所述电子设备上所执行的操作；
对所述设备受力传感数据进行受力变化特征的提取处理，以得到所述受力变化特征，所述受力变化特征用于反映所述电子设备的受力变化情况；
对所述用户操作行为数据进行使用者操作行为的分析处理，以得到使用者操作特征，所述使用者操作特征用于反映所述使用者在所述电子设备上的操作执行情况；
基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签，对所述受力变化特征和所述使用者操作特征进行特征融合识别处理，得到所述使用者的用户属性。


2.根据权利要求1所述的方法，其特征在于，所述基于所述受力变化特征和所述使用者操作特征分别对应的时间戳标签，对所述受力变化特征和所述使用者操作特征进行特征融合识别处理，得到所述使用者的用户属性，包括：
获取所述受力变化特征和所述使用者操作特征分别对应的时间戳标签；
基于所述时间戳标签之间的对应关系，对所述受力变化特征与所述使用者操作特征进行特征融合处理，得到特征组合数据，所述特征组合数据包括按照所述时间戳标签对齐的所述受力变化特征与所述使用者操作特征；
对所述特征组合数据进行特征识别处理，以得到所述使用者的用户属性。


3.根据权利要求2所述的方法，其特征在于，所述对所述特征组合数据进行特征识别处理，以得到所述使用者的用户属性，包括：
调用用户属性预测模型对所述特征组合数据进行属性预测处理，得到所述使用者的用户属性预测分；
在所述用户属性预测分满足分数规则的情况下，确定所述使用者的所述用户属性。


4.根据权利要求3所述的方法，其特征在于，所述用户属性预测模型的训练过程如下：
获取多个训练样本，所述训练样本包括样本数据和标签数据，所述样本数据包括样本用户的设备受力传感数据和用户操作行为数据，所述标签数据包括所述样本用户的用户属性；
基于所述训练样本，对神经网络模型进行对抗训练，更新所述神经网络模型的模型参数，所述神经网络模型包括生成网络和判别网络，所述生成网络用于在对所述训练样本进行修改处理的基础上生成模拟样本，所述判别网络用于判别所述训练样本以及所述模拟样本；
对训练得到的判别网络进行模型组合处理，生成所述用户属性预测模型。


5.根据权利要求4所述的方法，其特征在于，所述生成网络包括用户身份数据生成网络、用户年龄数据生成网络以及用户机型数据生成网络，所述判别网络包括用户身份判别网络、用户年龄判别网络以及用户机型判别网络；
所述基于所述训练样本，对神经网络模型进行对抗训练，更新所述神经网络模型的模型参数，包括：
获取所述训练样本的特征组合数据；
分别调用所述用户身份数据生成网络、所述用户年龄数据生成网络以及所述用户机型数据生成网络对所述训练样本的特征组合数据进行数据生成处理，得到难以区分用户个人身份的样本生成数据、难以区分用户是否为未成年人的样本生成数据以及难以区分用户所用设备类型的样本生成数据；其中，所述用户身份数据生成网络用于生成难以区分用户个人身份的样本生成数据，所述用户年龄数据生成网络用于生成难以区分用户是否为未成年人的样本生成数据，所述用户机型数据生成网络用于生成难以区分用户所用设备类型的样本生成数据；
调用所述用户身份判别网络、用户年龄判别网络以及用户机型判别网络分别对所述难以区分用户个人身份的样本生成数据、所述难以区分用户是否为未成年人的样本生成数据以及所述难以区分用户所用设备类型的样本生成数据进行数据判别处理，得到判别结果；其中，所述用户身份判别网络用于判别数据是否为用户身份标签指定的用户所产生的数据，所述用户年龄判别网络用于判别数据是否为年龄标签指定的用户所产生的数据，所述用户机型判别网络用于判别数据是否为机型标签指定的设备所产生的数据；
基于所述判别结果，更新所述神经网络模型中各生成网络与各判别网络的模型参数。


6.根据权利要求1所述的方法，其特征在于，所述对所述用户操作行为数据进行使用者操作行为的分析处理，以得到使用者操作特征，包括：
分别在时域上和频域上对所述用户操作行为数据进行使用者操作行为的分析处理，以得到所述用户操作行为数据的时域统计特征和频域统计特征，所述时域统计特征用于体现所述操作执行情况在时域上的特征，所述频域统计特征用于体现所述操作执行情况在频域上的特征；
对所述用户操作行为数据中的操作触发位置进行位置变化统计处理，得到操作变换信息，所述操作变换信息用于反映所述使用者执行的操作在不同触发位置之间的转移情况；
其中，所述使用者操作特征包括所述时域统计特征、所述频域统计特征和所述操作变换信息。


7.根据权利要求6所述的方法，其特征在于，所述对所述用户操作行为数据中的操作触发位置进行位置变化统计处理，得到操作变换信息，包括：
获取至少一个参考位置；
对所述操作触发位置与所述至少一个参考位置分别进行距离对比处理，得到所述操作触发位置对应的目标参考位置；
基于各操作触发位置对应的目标参考位置与时间戳标签，对所述各操作触发位置进行所述位置变化统计处理，生成操作状态矩阵，所述操作状态矩阵用于记录所述操作变化信息；
其中，所述操作状态矩阵的行表示上一状态下操作触发位置对应的目标参考位置，所述操作状态矩阵的列表示当前状态下操作触发位置对应的目标参考位...

【专利技术属性】
技术研发人员：黄伟旭，徐森圣，倪晓臻，白琨，曹誉仁，郭子毅，黄泽丰，庄灿杰，陈奋，徐亚兵，王庆，
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