【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 ...
【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
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。