用户画像更新方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种用户画像更新方法、装置、设备及存储介质，包括：根据网上行为日志确定用户的行为序列向量；根据行为序列向量和对应的行为特征序列空间向量确定向量差异性，行为特征序列空间向量用于表征用户在预设历史时长内的行为特征；根据向量差异性对用户的画像标签特征进行更新。本发明专利技术能够根据用户的行为序列向量与表征用户在预设历史时长内行为特征的行为特征序列空间向量之间的向量差异性来更新用户的画像标签特征，降低了对画像标签特征的更新频率，节省了用户的画像标签计算和挖掘过程中的冗余计算，从而提高了计算资源的利用率，在不降低画像标签精确度的同时，降低了计算成本。低了计算成本。低了计算成本。

【技术实现步骤摘要】
用户画像更新方法、装置、设备及存储介质


[0001]本专利技术涉及大数据
，尤其涉及一种用户画像更新方法、装置、设备及存储介质。

技术介绍

[0002]目前，一般基于DPI(Deep Packet Inspection)设备通过对网络的关键点处的流量和报文内容进行检测分析来形成用户画像的标签体系，虽然DPI解析和计算能够尽可能全面地捕获用户行为信息或减小用户行为信息的丢失，但是需要投入大量的计算资源，导致计算资源的利用率低。

技术实现思路

[0003]本专利技术的主要目的在于提供了一种用户画像更新方法、装置、设备及存储介质，旨在解决现有技术中计算资源的利用率低的技术问题。
[0004]为实现上述目的，本专利技术提供了一种用户画像更新方法，所述方法包括以下步骤：
[0005]根据网上行为日志确定用户的行为序列向量；
[0006]根据所述行为序列向量和对应的行为特征序列空间向量确定向量差异性，所述行为特征序列空间向量用于表征所述用户在预设历史时长内的行为特征；
[0007]根据所述向量差异性对所述用户的画像标签特征进行更新。
[0008]可选地，所述根据所述向量差异性对所述用户的画像标签特征进行更新，包括：
[0009]在所述向量差异性大于预设差异阈值的情况下，将所述行为序列向量和所述向量差异性发送至画像系统；
[0010]通过所述画像系统根据所述行为序列向量和所述向量差异性对所述用户的画像标签特征进行更新。
[0011]可选地，所述根据所述向量差异性对所述用户的画像标签特征进行更新，还包括：
[0012]在所述向量差异性小于或等于预设差异阈值的情况下，舍弃所述行为序列向量。
[0013]可选地，所述根据网上行为日志确定用户的行为序列向量，包括：
[0014]从网上行为日志中解析用户标识、活跃应用和网上行为记录；
[0015]根据所述用户标识、所述活跃应用和所述网上行为记录生成用户的行为序列向量。
[0016]可选地，所述根据网上行为日志确定用户的行为序列向量之前，还包括：
[0017]根据历史网上行为日志生成第一历史行为序列向量并接收多个第二历史行为序列向量，所述第二历史行为序列用于表征用户在其他漫游区域的网上行为特征；
[0018]根据所述第一历史行为序列向量、所述多个第二历史行为序列向量和滑动时间窗口生成向量矩阵集合；
[0019]根据所述向量矩阵集合生成用户的行为特征序列空间向量。
[0020]可选地，所述根据所述第一历史行为序列向量、所述多个第二历史行为序列向量
和滑动时间窗口生成向量矩阵集合，包括：
[0021]根据所述多个第二历史行为序列向量中的用户标识将所述多个第二历史行为序列向量中的数据更新至所述第一历史行为序列向量，获得聚合行为序列向量；
[0022]根据滑动时间窗口和所述聚合行为序列向量生成向量矩阵集合。
[0023]可选地，所述根据所述向量矩阵集合生成用户的行为特征序列空间向量，包括：
[0024]通过所述向量矩阵集合训练深度学习模型，并在训练后的深度学习模型符合训练结束条件的情况下，获得预设深度学习模型；
[0025]通过所述预设深度学习模型预测输出用户的行为特征序列空间向量。
[0026]此外，为实现上述目的，本专利技术还提出一种用户画像更新装置，所述装置包括：
[0027]向量确定模块，用于根据网上行为日志确定用户的行为序列向量；
[0028]差异确定模块，用于根据所述行为序列向量和对应的行为特征序列空间向量确定向量差异性，所述行为特征序列空间向量用于表征所述用户在预设历史时长内的行为特征；
[0029]更新模块，用于根据所述向量差异性对所述用户的画像标签特征进行更新。
[0030]此外，为实现上述目的，本专利技术还提出一种用户画像更新设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户画像更新程序，所述用户画像更新程序配置为实现如上文所述的用户画像更新方法的步骤。
[0031]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有用户画像更新程序，所述用户画像更新程序被处理器执行时实现如上文所述的用户画像更新方法的步骤。
[0032]本专利技术根据网上行为日志确定用户的行为序列向量；根据所述行为序列向量和对应的行为特征序列空间向量确定向量差异性，所述行为特征序列空间向量用于表征所述用户在预设历史时长内的行为特征；根据所述向量差异性对所述用户的画像标签特征进行更新。本专利技术能够根据用户的行为序列向量与表征用户在预设历史时长内行为特征的行为特征序列空间向量之间的向量差异性来更新用户的画像标签特征，降低了对画像标签特征的更新频率，节省了用户的画像标签计算和挖掘过程中的冗余计算，从而提高了计算资源的利用率，在不降低画像标签精确度的同时，降低了计算成本。
附图说明
[0033]图1是本专利技术实施例方案涉及的硬件运行环境的用户画像更新设备的结构示意图；
[0034]图2为本专利技术用户画像更新方法第一实施例的流程示意图；
[0035]图3为本专利技术用户画像更新方法第二实施例的流程示意图；
[0036]图4为本专利技术用户画像更新方法第三实施例的流程示意图；
[0037]图5为本专利技术用户画像更新装置第一实施例的结构框图。
[0038]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0039]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0040]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的用户画像更新设备结构示意图。
[0041]如图1所示，该用户画像更新设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless
‑
Fidelity，WI
‑
FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的非易失性存储器(Non
‑
Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0042]本领域技术人员可以理解，图1中示出的结构并不构成对用户画像更新设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户画像更新方法，其特征在于，所述方法包括：根据网上行为日志确定用户的行为序列向量；根据所述行为序列向量和对应的行为特征序列空间向量确定向量差异性，所述行为特征序列空间向量用于表征所述用户在预设历史时长内的行为特征；根据所述向量差异性对所述用户的画像标签特征进行更新。2.如权利要求1所述的方法，其特征在于，所述根据所述向量差异性对所述用户的画像标签特征进行更新，包括：在所述向量差异性大于预设差异阈值的情况下，将所述行为序列向量和所述向量差异性发送至画像系统；通过所述画像系统根据所述行为序列向量和所述向量差异性对所述用户的画像标签特征进行更新。3.如权利要求1所述的方法，其特征在于，所述根据所述向量差异性对所述用户的画像标签特征进行更新，还包括：在所述向量差异性小于或等于预设差异阈值的情况下，舍弃所述行为序列向量。4.如权利要求1
‑
3任一项所述的方法，其特征在于，所述根据网上行为日志确定用户的行为序列向量，包括：从网上行为日志中解析用户标识、活跃应用和网上行为记录；根据所述用户标识、所述活跃应用和所述网上行为记录生成用户的行为序列向量。5.如权利要求1
‑
3任一项所述的方法，其特征在于，所述根据网上行为日志确定用户的行为序列向量之前，还包括：根据历史网上行为日志生成第一历史行为序列向量并接收多个第二历史行为序列向量，所述第二历史行为序列用于表征用户在其他漫游区域的网上行为特征；根据所述第一历史行为序列向量、所述多个第二历史行为序列向量和滑动时间窗口生成向量矩阵集合；根据所述向量矩阵集...

【专利技术属性】
技术研发人员：刘亮，徐鑫，丁雪莲，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：