用户分类的方法和装置与流程
本发明涉及计算机技术领域，尤其涉及一种用户分类的方法和装置。
背景技术：
关系网络是一种由节点和边构成的数据结构。在关系网络中，实体相当于网络中的节点，实体间的关联关系构成了整个网络结构。实体之间的连接存在不同强度的关联性，连接较为紧密的部分可以被看成一个社区，其内部的节点之间有较为紧密的连接，而在两个社区间则相对连接较为稀疏，这便称为社区划分。关系网络可用于描述人类社交属性、机构间关联关系、互联网用户群体分析等领域。
通过合理构建关系网络，进而通过社区划分的方法识别社区内用户群体的用户类别，对企业具有重要意义。
技术实现要素：
有鉴于此，本发明实施例提供一种用户分类的方法和装置，通过根据用户的行为数据和属性数据构建用户关系网络，能够降低弱关联关系的用户被划分至同一个社区的可能，提升社区划分的纯度和精度，提高用户分类识别的准确性。
为实现上述目的，根据本发明实施例的一个方面，提供了一种用户分类的方法，包括：
根据每个用户的行为数据和属性数据构建用户关系网络；
根据所述用户关系网络的网络结构以及所述用户关系网络中每个节点的属性信息，将所有用户划分为多个社区；
根据所述社区内每个节点的属性信息确定所述社区的属性信息，根据所述社区的网络结构和属性信息确定所述社区内用户的用户类别。
可选地，根据每个用户的行为数据和属性数据构建用户关系网络，包括：
根据任意两个用户的行为数据确定所述任意两个用户之间的边权重关系，以每个所述用户作为一个节点、用户之间的边权重关系作为边构建基础关系网络；
根据每个所述用户的属性数据确定所述用户的属性特征向量，以所述用户的属性特征向量作为所述基础关系网络中对应节点的属性信息，得到所述用户关系网络。
可选地，根据任意两个用户的行为数据确定所述任意两个用户之间的边权重关系，包括：
根据任意两个用户的行为数据确定所述任意两个用户之间是否存在介质关联；若否，则将所述任意两个用户之间的边权重关系式设置为第一权重；若是，则调增所述第一权重。
可选地，所述介质关联包括以下至少之一：
所述任意两个用户之间存在相同的行为对象；所述任意两个用户具有相同的ip；所述任意两个用户具有相同的联系方式；所述任意两个用户具有相同的地址。
可选地，根据所述用户关系网络的网络结构以及所述用户关系网络中每个节点的属性信息，将所有用户划分为多个社区，包括：
以所述用户关系网络中的每个节点分别作为一个社区；对于任一社区，执行如下步骤：
根据所述任一社区的网络结构确定所述任一社区的模块度，根据所述任一社区的属性信息确定所述任一社区的属性相似度，根据所述模块度和所述属性相似度确定所述任一社区的社区一致度；
根据所述用户关系网络的网络结构确定所述任一社区分别与每个邻居社区合并后的合并后模块度，根据所述任一社区与每个邻居社区的属性信息确定所述任一社区分别与每个邻居社区合并后的合并后属性相似度，根据所述合并后模块度和所述合并后属性相似度确定所述任一社区分别与每个邻居社区合并后的合并后社区一致度；
根据所述社区一致度和所述合并后社区一致度，确定社区一致度增量，判断是否存在大于0的社区一致度，若是，则将所述任一社区并入最大的社区一致度增量所对应的邻居社区。
可选地，根据所述模块度和所述属性一致度确定所述任一社区的社区一致度，包括：
对所述模块度和所述属性一致度进行加权求和，以加权求和得到的结果作为所述任一社区的社区一致度。
可选地，根据所述社区的网络结构和属性信息确定所述社区内用户的用户类别，包括：
根据所述社区的网络结构确定所述社区的结构特征向量，根据所述社区的属性信息确定所述社区的属性特征向量，将所述结构特征向量和所述属性特征向量输入预训练的分类模型，根据所述分类模型的输出确定所述社区内用户的用户类别。
根据本发明实施例的第二方面，提供一种用户分类的装置，包括：
网络构建模块，根据每个用户的行为数据和属性数据构建用户关系网络；
社区划分模块，根据所述用户关系网络的网络结构以及所述用户关系网络中每个节点的属性信息，将所有用户划分为多个社区；
分类识别模块，根据所述社区内每个节点的属性信息确定所述社区的属性信息，根据所述社区的网络结构和属性信息确定所述社区内用户的用户类别。
可选地，所述网络构建模块根据每个用户的行为数据和属性数据构建用户关系网络，包括：
根据任意两个用户的行为数据确定所述任意两个用户之间的边权重关系，以每个所述用户作为一个节点、用户之间的边权重关系作为边构建基础关系网络；
根据每个所述用户的属性数据确定所述用户的属性特征向量，以所述用户的属性特征向量作为所述基础关系网络中对应节点的属性信息，得到所述用户关系网络。
可选地，所述网络构建模块根据任意两个用户的行为数据确定所述任意两个用户之间的边权重关系，包括：
根据任意两个用户的行为数据确定所述任意两个用户之间是否存在介质关联；若否，则将所述任意两个用户之间的边权重关系式设置为第一权重；若是，则调增所述第一权重。
可选地，所述介质关联包括以下至少之一：
所述任意两个用户之间存在相同的行为对象；所述任意两个用户具有相同的ip；所述任意两个用户具有相同的联系方式；所述任意两个用户具有相同的地址。
可选地，所述社区划分模块根据所述用户关系网络的网络结构以及所述用户关系网络中每个节点的属性信息，将所有用户划分为多个社区，包括：
以所述用户关系网络中的每个节点分别作为一个社区；对于任一社区，执行如下步骤：
根据所述任一社区的网络结构确定所述任一社区的模块度，根据所述任一社区的属性信息确定所述任一社区的属性相似度，根据所述模块度和所述属性相似度确定所述任一社区的社区一致度；
根据所述用户关系网络的网络结构确定所述任一社区分别与每个邻居社区合并后的合并后模块度，根据所述任一社区与每个邻居社区的属性信息确定所述任一社区分别与每个邻居社区合并后的合并后属性相似度，根据所述合并后模块度和所述合并后属性相似度确定所述任一社区分别与每个邻居社区合并后的合并后社区一致度；
根据所述社区一致度和所述合并后社区一致度，确定社区一致度增量，判断是否存在大于0的社区一致度，若是，则将所述任一社区并入最大的社区一致度增量所对应的邻居社区。
可选地，所述社区划分模块根据所述模块度和所述属性一致度确定所述任一社区的社区一致度，包括：
对所述模块度和所述属性一致度进行加权求和，以加权求和得到的结果作为所述任一社区的社区一致度。
可选地，所述分类识别模块根据所述社区的网络结构和属性信息确定所述社区内用户的用户类别，包括：
根据所述社区的网络结构确定所述社区的结构特征向量，根据所述社区的属性信息确定所述社区的属性特征向量，将所述结构特征向量和所述属性特征向量输入预训练的分类模型，根据所述分类模型的输出确定所述社区内用户的用户类别。
根据本发明实施例的第三方面，提供一种用户分类的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
上述发明中的一个实施例具有如下优点或有益效果：通过根据用户的行为数据和属性数据构建用户关系网络，能够降低弱关联关系的用户被划分至同一个社区的可能，提升社区划分的纯度和精度，提高用户分类识别的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例的用户分类的方法的主要流程的示意图；
图2是本发明可选实施例中用户分类的方法的主要流程的示意图；
图3是本发明实施例的用户分类的装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
根据本发明实施例的一个方面，提供了一种用户分类的方法。
图1是本发明实施例的用户分类的方法的主要流程的示意图，如图1所示，用户分类的方法，包括：步骤s101、步骤s102和步骤s103。
步骤s101，根据每个用户的行为数据和属性数据构建用户关系网络。
用户行为数据是指与用户行为有关的数据。以电商领域为例，用户行为可以是用户在电商平台的浏览、购买、收藏、点击、关注等行为。以银行领域为例，用户行为可以是用户在银行购买或赎回理财、缴纳电费、办理新业务等行为。属性数据是指反映用户属性的数据。用户的属性数据可以包括用户的性别、姓名、年龄、偏好、学历、籍贯、手机号等基础属性特征，也可以包括用户历史最长购买品类、最常用收货地址等历史偏好属性特征，还可以包括使用同一ip或手机号等介质产生行为的账号个数。
关系网络是一种由节点和边构成的数据结构，网络中的每个节点代表一个用户，两个节点之间的边代表用户之间的关联关系。实际应用过程中，为了降低网络构建的计算量以及提高构建出的关系网络的时效性，可以采集预设时段内用户的行为数据和属性数据，例如一天内的行为数据和属性数据。
在一些可选的实施例中，可以根据用户的行为数据和属性数据确定包含该用户的行为特征和属性特征的综合特征向量，根据每个用户的综合特征向量构建用户关系网络。在另一些可选的实施例中，根据每个用户的行为数据和属性数据构建用户关系网络包括：根据任意两个用户的行为数据确定该任意两个用户之间的边权重关系，以每个用户作为一个节点、用户之间的边权重关系作为边构建基础关系网络；根据每个用户的属性数据确定该用户的属性特征向量，以该用户的属性特征向量作为基础关系网络中对应节点的属性信息，得到用户关系网络。本实施例能够在保证后续社区划分精度的基础上降低后续步骤的计算量，提高用户分类的效率。
可选地，根据任意两个用户的行为数据确定该任意两个用户之间的边权重关系包括：根据任意两个用户的行为数据确定该任意两个用户之间是否存在介质关联；若否，则将该任意两个用户之间的边权重关系式设置为第一权重；若是，则调增第一权重。介质指使两个用户之间发生关联的对象。可选地，介质关联包括以下至少之一：该任意两个用户之间存在相同的行为对象或ip、该任意两个用户具有相同的联系方式、该任意两个用户具有相同的地址。
示例性地，默认两个用户之间的边权重为0，即第一权重为0。根据以下关联关系确定用户之间的边权重a∈rn*n：用户i、j浏览或点击或购买同一商品，则a(i，j)＝a(i，j)+1；用户i、j使用过同一ip，则a(i，j)＝a(i，j)+1；用户i、j使用同一手机号，则a(i，j)＝a(i，j)+1；用户i、j使用同一地址收货，则a(i，j)＝a(i，j)+1。a(i，j)越大，说明用户i、j之间的共同行为越多，用户i、j之间的关系越紧密。
在根据每个用户的属性数据确定该用户的属性特征向量时，可以将该用户的各个属性转换为数值，得到该用户的属性向量。
步骤s102，根据用户关系网络的网络结构以及用户关系网络中每个节点的属性信息，将所有用户划分为多个社区。
在用户关系网络中，用户相当于网络图中的节点，用户间的关联关系构成了节点之间的边。用户之间的连接存在不同强度的关联性，连接较为紧密的部分可以被看成一个社区，其内部的节点之间有较为紧密的连接，而在两个社区间则相对连接较为稀疏，这便称为社区划分。本步骤中，将具有相似行为特征和属性特征的用户划分至相同的社区。
给定用户关系网络g＝{v，a，f}，其中v＝{v1，v2，v3...，vn}，为用户节点集合，n为节点个数，a∈rn*n为用户间边权重矩阵，f∈rl*n为节点属性信息，每个节点具备l维的特征属性信息。社区划分目标为寻找一个划分c＝{c1，c2，c3...cx}。ci∈{1，2，..x}表示节点i所属的社区，x为社区个数。节点划分c满足v＝∪i＝1，2...xset(vc＝i)，即所有社区包含节点的并集等于全图节点集合，且满足任意子划分交集为空(即社区之间节点不重叠)。通过图节点划分使得结构信息以及属性信息的一致性最大化，即同一社区内用户邻接关系紧密且属性相似度高，不同社区间的连通性弱且节点之间的属性信息差异较大。
结构一致性描述同一社区内用户在行为模式的相似性，可以采用模块度或者介数描述社区的结构一致性。采用模块度衡量社区划分的结构一致性，其定义为：
其中，m为边权重之和，ki为与节点i相连的边权重之和，aij为节点i，j之间的边权重，ci表示节点i所属的社区。δ(ci，cj)函数特性使得只有当i，j节点同属同一个社区时才会有模块度值，因此可以将模块度计算只聚焦于同一社区内的计算，基于此模块度可以进行如下推导：
其中，∑in表示社区c内各个节点之间的边权重之和，表征社区内结构的紧密程度；∑tot为两个部分数值之和，其一为∑in，另一部分为与社区c内的节点相连的边权重之和。
模块度的物理意义是衡量社区内与社区外节点边关系紧密程度的差值，通过优化全局模块度目标函数，可以得到结构一致性高的社区划分。q的取值范围为[-1，1)，q值越大社区划分结构一致性越高。
属性一致度描述同一社区内用户的属性信息的相似性。同一社区内的节点往往具备相似的属性，例如收货归属地、品类偏好等。设f∈rl*n为图g节点属性集合，为n个l维的特征向量。社区划分的属性一致性可以定义为：
其中，n为关系网络图中的节点个数，d(f)描述节点属性集合f的整体不一致性，可以通过计算每个l维的特征向量与节点属性集合f的中心点g之间的距离(例如欧式距离、余弦距离、汉明距离等)来刻画；
同理由于δ(ci，cj)的函数特性，同质性s可以只关注社区内的计算，因此可以做如下推导：
其中，∑dout为社区c内节点与节点属性集合f的中心点g之间的欧式距离之和，∑din为社区c内部节点两两之间的欧式距离之和。同质性的物理含义是衡量社区内节点属性与社区外节点的属性距离，以及社区内部两两距离之和，其取值范围为[-1，1)。通过最大化s可以得到内部属性小、外部属性差异大的社区。
在进行社区划分时，寻求q和s最大化，即，寻求社区一致度最大化。社区一致度是与模块度和属性一致度正相关的指标值，根据模块度和属性一致度确定社区一致度的方式可以根据实际情况进行选择性设定，例如以二者的加和与预设数值相加，得到社区一致度。可选地，对模块度和属性一致度进行加权求和，以加权求和得到的结果作为社区的社区一致度。
示例性地，给定图顶点集合v＝{v1，v2，v3...，vn}，求解社区划分c＝{c1，c2，c3...cn}，表示节点i所属的社区，使得社区划分一致度e最大，即maximizee(c)＝(1-α)q(c)+αs(c)st.ci∈{0，1，2，..x}。其中，α调节结构与属性一致性的权重。
一致性最大值求解是典型的离散组合最优化问题，其求解是np-hard问题。np(non-deterministicpolynomial)是指非确定性多项式，np-hard指所有np问题都能在多项式时间复杂度内归约到的问题。暴力穷举是指数复杂度，因此实际求解过程中可以采用近似求解方案。可选地，采用贪心局部最优思想对目标函数进行求解，算法默认将每个节点作为一个社区，然后迭代执行如下步骤：
步骤一：对于任一社区：根据该任一社区的网络结构确定该任一社区的模块度，根据该任一社区的属性信息确定该任一社区的属性相似度，根据模块度和属性相似度确定该任一社区的社区一致度；根据用户关系网络的网络结构确定该任一社区分别与每个邻居社区合并后的合并后模块度，根据该任一社区与每个邻居社区的属性信息确定该任一社区分别与每个邻居社区合并后的合并后属性相似度，根据合并后模块度和合并后属性相似度确定任一社区分别与每个邻居社区合并后的合并后社区一致度；根据社区一致度和合并后社区一致度，确定社区一致度增量；
步骤二：判断是否存在大于0的社区一致度，若是，则将该任一社区并入最大的社区一致度增量所对应的邻居社区。本步骤意在将一个社区内的节点加入能够使社区一致度e(c)提升最大的邻居社区中。
本实施例中迭代遍历每个社区(包括合并后形成的新社区)至收敛，收敛条件可以选择性设定，例如迭代次数大于设定的次数阈值，或者迭代至所有社区内包含的节点不再变化。每次合并得到的新社区与其他社区之间的边的权重为合并前两个社区内所有原始节点与该其他社区之间的边权重之和。节点合并之后形成的新社区的属性信息，可以是社区内各个节点的属性信息的平均值，也可以是社区内各个节点的属性信息的最大值、中数、期望值等。本发明实施例对合并后新社区的属性信息的确定方式不作具体限定。
示例性地，遍历节点vi∈v，计算节点vi分配到其邻居节点所在的社区一致度e(c)，计算分配前与分配后的一致度变化δe，并记录δe最大的那个邻居节点，如果maxδe＞0，则把节点vi分配至δe最大的那个邻居节点所在的社区cmaxe，否则保持不变。将社区cmaxe内所有节点压缩成一个新节点，更新节点属性为社区内各个节点属性的平均值，更新节点权重为社区内各个节点之间的边权重之和。重复上述步骤进行循环迭代，直至所有社区内包含的节点不再变化，此时迭代收敛，整个关系网络的一致性不再发生变化。
本发明实施例采用贪心局部最优思想对目标函数进行求解，能够大大简化计算量，提高社区划分的效率，进而提高用户分类的效率。
步骤s103，根据社区内每个节点的属性信息确定该社区的属性信息，根据社区的网络结构和属性信息确定该社区内用户的用户类别。
根据社区的网络结构和属性信息确定该社区内用户的用户类别的方式可以选择性设定，例如人为判断。可选地，根据社区的网络结构和属性信息确定该社区内用户的用户类别，包括：根据社区的网络结构确定社区的结构特征向量，根据社区的属性信息确定社区的属性特征向量，将结构特征向量和属性特征向量输入预训练的分类模型，根据分类模型的输出确定社区内用户的用户类别。分类模型的网络结构可以根据实际情况进行选择，例如无监督学习、有监督学习的网络结构。可选地，采用有监督机器学习xgb模型完成用户类别的识别。
示例性地，首先进行社区特征加工。社区特征主要包含两个方面：结构特征以及属性特征。结构特征定义为：社区内节点个数、社区内边权重之和、社区内节点度平均值、社区内三角计数(社区内各个节点之间构成的三角形的数量)。属性特征定义为：社区内节点属性的平均值或最大值。然后就那些用户类别书别。完成特征加工及社区标注形成样本集，采用有监督模型xgb(extremegradientboosting)分类器对社区特征进行分类训练，形成分类模型，从而完成社区划分。采用有监督分类器代替人工分类规则，能够提升用户分类的准确率。
图2是本发明可选实施例中用户分类的方法的主要流程的示意图。如图2所示，用户分类的方法主要包括图结构初始化、社区划分以及分类识别几个部分。图结构初始化的过程，就是构建与户关系网络的过程。社区划分主要包括部分：(1)节点移动，此部分主要是计算一个社区与每个邻居社区合并前后的社区一致度，以确定合并前后的社区一致度增量。相关内容参见步骤s102中的介绍此处不再赘述。(2)社区合并，此部分主要判断是否存在大于0的社区一致度增量，并在存在时将步骤一中正在遍历的社区与最大的社区一致度增量所对应的邻居社区合并，相关内容参见步骤s102中的描述，此处不再赘述。(3)社区一致度收敛，也即判断再执行上述步骤(1)和(2)前后，各个社区及其内包括的节点是否发生改变。若不发生改变则输出社区划分的结果，进入分类识别的部分；若发生改变，则继续迭代执行步骤(1)-(2)并在步骤(2)之后进行社区一致性收敛的判断。在分类识别部分，识别某个社区内用户的用户类别，或者识别每个社区内用户的类别。当然，也可以筛选划分得到的各个社区中属于特定用户类别的社区。
实际应用过程中，可以仅根据用户的行为数据或者属性数据构建用户关系网络，但是这种方式构建的用户关系网络存在准确性差的问题。以电商领域中单独根据用户的行为数据构建用户关系网络为例，网络中的节点存在丰富的属性信息，如用户的年龄、性别、活跃程度、活跃时间、品类偏好等。单独依据用户的行为数据构建用户关系网络时，上述属性信息均未得到有效应用，进而导致识别精确率和召回率不够的问题，正常用户很可能因为与异常用户浏览了同一页面、购买了同一商品等行为而产生关联关系，而仅使用用户行为数据构建网络、仅基于网络图的结构信息作为社区划分的依据，这种用户识别方法存在误识别可能，为保障正常用户体验不受影响，在定义异常社区时人工设计的异常社区识别规则会比较谨慎，因此会牺牲异常召回率，重点保障异常识别的精确率。本发明实施例根据用户的行为数据和属性数据构建用户关系网络，使得用户关系网络中的每个节点携带节点属性信息，能够降低后续步骤中将弱关联关系的用户划分至同一个社区的可能，提升社区划分的纯度和精度，提高用户分类识别的准确性。
本发明实施例的方法不仅可以用于发现异常聚集的社区，控制异常聚集的社区对电商平台造成的损失，还可以用户筛选特定用户类别的社区、了解用户类别的分布情况等场景。
根据本发明实施例的第二方面，提供一种实现上述方法的装置。
图3是本发明实施例的用户分类的装置的主要模块的示意图，如图3所示，用户分类的装置300包括：
网络构建模块301，根据每个用户的行为数据和属性数据构建用户关系网络；
社区划分模块302，根据所述用户关系网络的网络结构以及所述用户关系网络中每个节点的属性信息，将所有用户划分为多个社区；
分类识别模块303，根据所述社区内每个节点的属性信息确定所述社区的属性信息，根据所述社区的网络结构和属性信息确定所述社区内用户的用户类别。
可选地，所述网络构建模块根据每个用户的行为数据和属性数据构建用户关系网络，包括：
根据任意两个用户的行为数据确定所述任意两个用户之间的边权重关系，以每个所述用户作为一个节点、用户之间的边权重关系作为边构建基础关系网络；
根据每个所述用户的属性数据确定所述用户的属性特征向量，以所述用户的属性特征向量作为所述基础关系网络中对应节点的属性信息，得到所述用户关系网络。
可选地，所述网络构建模块根据任意两个用户的行为数据确定所述任意两个用户之间的边权重关系，包括：
根据任意两个用户的行为数据确定所述任意两个用户之间是否存在介质关联；若否，则将所述任意两个用户之间的边权重关系式设置为第一权重；若是，则调增所述第一权重。
可选地，所述介质关联包括以下至少之一：
所述任意两个用户之间存在相同的行为对象；所述任意两个用户具有相同的ip；所述任意两个用户具有相同的联系方式；所述任意两个用户具有相同的地址。
可选地，所述社区划分模块根据所述用户关系网络的网络结构以及所述用户关系网络中每个节点的属性信息，将所有用户划分为多个社区，包括：
以所述用户关系网络中的每个节点分别作为一个社区；对于任一社区，执行如下步骤：
根据所述任一社区的网络结构确定所述任一社区的模块度，根据所述任一社区的属性信息确定所述任一社区的属性相似度，根据所述模块度和所述属性相似度确定所述任一社区的社区一致度；
根据所述用户关系网络的网络结构确定所述任一社区分别与每个邻居社区合并后的合并后模块度，根据所述任一社区与每个邻居社区的属性信息确定所述任一社区分别与每个邻居社区合并后的合并后属性相似度，根据所述合并后模块度和所述合并后属性相似度确定所述任一社区分别与每个邻居社区合并后的合并后社区一致度；
根据所述社区一致度和所述合并后社区一致度，确定社区一致度增量，判断是否存在大于0的社区一致度，若是，则将所述任一社区并入最大的社区一致度增量所对应的邻居社区。
可选地，所述社区划分模块根据所述模块度和所述属性一致度确定所述任一社区的社区一致性，包括：
对所述模块度和所述属性一致性进行加权求和，以加权求和得到的结果作为所述任一社区的社区一致性。
可选地，所述分类识别模块根据所述社区的网络结构和属性信息确定所述社区内用户的用户类别，包括：
根据所述社区的网络结构确定所述社区的结构特征向量，根据所述社区的属性信息确定所述社区的属性特征向量，将所述结构特征向量和所述属性特征向量输入预训练的分类模型，根据所述分类模型的输出确定所述社区内用户的用户类别。
根据本发明实施例的第三方面，提供一种用户分类的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
图4示出了可以应用本发明实施例的用户分类的方法或用户分类的装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的用户分类的方法一般由服务器405执行，相应地，用户分类的装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：网络构建模块，社区划分模块，分类识别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，网络构建模块还可以被描述为“将所有用户划分为多个社区的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据每个用户的行为数据和属性数据构建用户关系网络；根据用户关系网络的网络结构以及用户关系网络中每个节点的属性信息，将所有用户划分为多个社区；根据社区内每个节点的属性信息确定该社区的属性信息，根据社区的网络结构和属性信息确定该社区内用户的用户类别。
根据本发明实施例的技术方案，通过根据用户的行为数据和属性数据构建用户关系网络，能够降低弱关联关系的用户被划分至同一个社区的可能，提升社区划分的纯度和精度，提高用户分类识别的准确性。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！