【技术实现步骤摘要】
本专利技术涉及数据处理，特别涉及一种基于ai模型进行用户画像的处理方法和装置。
技术介绍
1、用户画像是指按用户的行为习惯对其进行分类，并在每个类别中给出对应的等级信息，因此用户画像实际就是用户的类型+等级。常规处理用户画像的方式都是依靠人工方式进行处理，例如：1）在新增用户时，先由前端业务人员对新增用户进行行为数据调研，再由后台的业务主管根据调研数据和人工经验对用户进行初始画像并上报；2）在用户维护过程中，定期由前端业务人员通过用户回访或由信息工程师通过数据跟踪持续获得用户的日常行为数据并保存，再由后台的业务主管根据最近时段的用户行为跟踪数据和人工经验对用户的类型+等级信息是否发生变化进行判断，如果发生变化则更新对应的用户画像信息；3）各服务领域的业务提供方（诸如金融服务领域、保险服务领域、电信服务领域）对于不同画像特征（不同类型+等级）的用户会定制不同的用户任务计划，并由一个业务主管连通多个业务人员进行实施，具体实施时先由每个业务人员执行不同的子任务计划、并在任务执行完成时基于当次的执行状况（主要是用户侧的类反应）对本次任务进行打分反馈，并在所有业务人员都完成反馈后再由业务主管根据所有反馈信息对当前用户的用户画像是否需要更新进行判断。这种以各级业务主管为核心的人工画像方式的局限性比较明显：任务处理的实时性差、效率低。而本专利技术要解决的技术问题就是如何通过人工智能模型（artificial intelligence，ai）来提高用户画像的实时性和处理效率。
技术实现思路
1、本
2、为实现上述目的，本专利技术实施例第一方面提供了一种基于ai模型进行用户画像的处理方法，所述方法包括：
3、对用户行为向量、用户行为时序张量、用户任务反馈向量和用户标签分类向量的数据结构进行配置；并构建三类用于进行用户标签分类的人工智能模型，分别为第一分类模型、第二分类模型和第三分类模型；并基于预设的存量用户数据库对所述第一、第二和第三分类模型进行训练；所述第一分类模型用于根据输入的所述用户行为向量进行用户标签类型预测处理得到对应的所述用户标签分类向量；所述第二分类模型用于根据输入的所述用户行为时序张量进行用户标签类型预测处理得到对应的所述用户标签分类向量；所述第三分类模型用于根据输入的所述用户任务反馈向量进行用户标签类型预测处理得到对应的所述用户标签分类向量；
4、对所述第一、第二和第三分类模型完成训练后，使用所述第一分类模型处理用户初始画像；并使用所述第二分类模型处理用户跟踪画像；并使用所述第三分类模型处理基于任务反馈的用户画像调整。
5、优选的，所述用户行为向量为一个形状为1×w1的一维向量，向量长度w1为一个大于或等于1的整数；所述用户行为向量包括w1个行为类型等级；每个所述行为类型等级对应一个行为类型；每个所述行为类型对应一个行为等级取值范围；每个所述行为等级取值范围包括多个行为等级取值；每个所述行为等级取值为一个大于零的整数；每个所述行为类型等级为对应的所述行为类型对应的所述行为等级取值范围中的一个所述行为等级取值；所述用户行为向量对应的所有所述行为类型的所述行为等级取值的总数与所述向量长度w1匹配；
6、所述用户行为时序张量为一个形状为h×w2的二维张量，张量高度h为一个大于1的整数，张量宽度w2为一个大于或等于2的整数，w2=1+w1；所述用户行为时序张量由h个用户行为时序向量组成；所述用户行为时序向量由一个时间戳和一个与当前时间戳对应的所述用户行为向量组成；
7、所述用户任务反馈向量为一个形状为1×w3的一维向量，向量长度w3为一个大于或等于1的整数；所述用户任务反馈向量包括w3个任务类型反馈等级；每个所述任务类型反馈等级对应一个任务类型；每个所述任务类型对应一个任务反馈等级取值范围；每个所述任务反馈等级取值范围包括多个任务反馈等级取值；每个所述任务反馈等级取值为一个大于零的整数；所述任务类型反馈等级为对应的所述任务类型对应的所述任务反馈等级取值范围中的一个所述任务反馈等级取值；所述用户任务反馈向量对应的所有所述任务类型的所述任务反馈等级取值的总数与所述向量长度w3匹配；
8、所述用户标签分类向量为一个形状为1×w4的一维向量，向量长度w4为一个大于1的整数；所述用户行为向量包括w4个用户标签预测概率；每个所述用户标签预测概率对应一个所述用户类型和一个用户等级；每个所述用户类型对应一个用户等级取值范围；每个所述用户等级取值范围包括多个用户等级取值；每个所述用户等级取值为一个大于零的整数；每个所述用户等级为对应的所述用户类型对应的所述用户等级取值范围中的一个所述用户等级取值；每个所述用户标签预测概率为对应的用户类型+用户等级的预测概率；所述用户标签分类向量对应的所有所述用户类型的所述用户等级取值的总数与所述向量长度w4匹配。
9、优选的，所述第一分类模型包括第一mlp网络和第一softmax层；所述第一mlp网络由输入层、隐藏层和输出层构成；所述第一softmax层由一个softmax函数构成；所述第一mlp网络用于对模型输入的所述用户行为向量进行特征提取得到对应的第一特征向量向所述第一softmax层发送；所述第一softmax层用于根据所述第一特征向量进行分类概率预测得到对应的所述用户标签分类向量；
10、所述第二分类模型包括第二mlp网络和第二softmax层；所述第二mlp网络由输入层、隐藏层和输出层构成；所述第二softmax层由一个softmax函数构成；所述第二mlp网络用于对模型输入的所述用户行为时序张量进行特征提取得到对应的第二特征向量向所述第二softmax层发送；所述第二softmax层用于根据所述第二特征向量进行分类概率预测得到对应的所述用户标签分类向量；
11、所述第三分类模型包括第三mlp网络和第三softmax层；所述第三mlp网络由输入层、隐藏层和输出层构成；所述第三softmax层由一个softmax函数构成；所述第三mlp网络用于对模型输入的所述用户任务反馈向量进行特征提取得到对应的第三特征向量向所述第三softmax层发送；所述第三softmax层用于根据所述第三特征向量进行分类概率预测得到对应的所述用户标签分类向量本文档来自技高网...
【技术保护点】
1.一种基于AI模型进行用户画像的处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于AI模型进行用户画像的处理方法，其特征在于，
3.根据权利要求1所述的基于AI模型进行用户画像的处理方法，其特征在于，
4.根据权利要求2所述的基于AI模型进行用户画像的处理方法，其特征在于，
5.根据权利要求4所述的基于AI模型进行用户画像的处理方法，其特征在于，所述基于预设的存量用户数据库对所述第一、第二和第三分类模型进行训练，具体包括：
6.根据权利要求5所述的基于AI模型进行用户画像的处理方法，其特征在于，所述基于所述存量用户数据库进行训练数据集构建得到对应的第一模型训练数据集、第二模型训练数据集和第三模型训练数据集，具体包括：
7.根据权利要求2所述的基于AI模型进行用户画像的处理方法，其特征在于，所述使用所述第一分类模型处理用户初始画像，具体包括：
8.根据权利要求7所述的基于AI模型进行用户画像的处理方法，其特征在于，所述使用所述第二分类模型处理用户跟踪画像，具体包括：
9
10.一种用于执行权利要求1-9任一项所述的基于AI模型进行用户画像的处理方法的装置，其特征在于，所述装置包括：AI模型准备模块和AI模型画像模块；
11.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-9任一项所述的方法。
...【技术特征摘要】
1.一种基于ai模型进行用户画像的处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于ai模型进行用户画像的处理方法，其特征在于，
3.根据权利要求1所述的基于ai模型进行用户画像的处理方法，其特征在于，
4.根据权利要求2所述的基于ai模型进行用户画像的处理方法，其特征在于，
5.根据权利要求4所述的基于ai模型进行用户画像的处理方法，其特征在于，所述基于预设的存量用户数据库对所述第一、第二和第三分类模型进行训练，具体包括：
6.根据权利要求5所述的基于ai模型进行用户画像的处理方法，其特征在于，所述基于所述存量用户数据库进行训练数据集构建得到对应的第一模型训练数据集、第二模型训练数据集和第三模型训练数据集，具体包括：
7.根据权利要求2所述的基于ai模型进行用户画像的处理方法...
【专利技术属性】
技术研发人员：刘明，
申请(专利权)人：北京博瑞彤芸科技股份有限公司，
类型：发明
国别省市：
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。