具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种用户画像生成方法。所述用户画像生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述用户画像生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的用户画像生成方法的流程示意图。在本实施例中，所述用户画像生成方法包括：

S1、获取用户数据，识别所述用户数据的数据类型，并采用所述数据类型对应内容识别方法对所述用户数据进行内容识别，得到数据内容。

本发明实施例中，所述用户数据可以为用户产生的数据，或者与用户相关的数据。例如，用户的购物记录，用户的招聘简历，用户的旅行视频等。

本发明实施例可从预先构建的用于存储所述用户数据的数据库、网络缓存或区块链节点中抓取该用户数据。

本发明其中一个实际应用场景中，所述用户数据中包含多种数据类型的数据，例如，以图像形式进行存储的照片简历，以视频形式进行存储的用户视频，或者以数据表形式进行存储的用户网页浏览记录等。

本发明其中一个实施例中，所述识别所述用户数据的数据类型，包括：提取所述用户数据中各数据的数据类型字段；根据所述数据类型字段，在预设的标准类型表中进行检索，得到所述数据类型字段对应的数据类型。

详细地，可采用预设的具有数据类型字段提取功能的python语句提取用户数据中各数据的数据类型字段，所述数据类型字段为用户数据中，用于标识每个数据的数据类型的字段。

具体地，所述标准类型表中包含多种数据类型字段，及每种数据类型字段对应的数据类型，所述标准类型表可由用户预先上传。

本发明实施例根据数据类型选取不同的处理方式对用户数据进行内容识别。

本发明可选实施例中，对于用户数据中文本形式的部分利用NLP(NaturalLanguage Processing，自然语言处理)、HMM(Hidden Markov Model，隐马尔科夫模型)等具有文本分析功能的技术手段进行内容识别，以获取用户数据中文本形式的部分对应的数据内容；对于用户数据中图像形式的部分利用OCR(Optical Character Recognition，光学字符识别)等具有图像分析功能的技术手段进行内容识别，以获取用户数据图像形式的部分对应的数据内容；对于用户数据中视频形式的部分利用ASR(Automatic SpeechRecognition，自动语音识别)和OCR等具有语音分析功能和图像分析功能的技术手段结合进行内容识别，以获取用户数据视频形式的部分对应的数据内容。

例如，用户数据中包含数据1、数据2和数据3，其中，数据1的数据类型字段为文本类型字段，则利用NLP、HMM等具有文本分析功能的技术手段进行内容识别，以获取用户数据中文本形式的部分对应的数据内容；数据2的数据类型字段为图像类型字段，则利用OCR等具有图像分析功能的技术手段进行内容识别，以获取用户数据图像形式的部分对应的数据内容；数据3的数据类型字段为视频类型字段，则利用ASR和OCR等具有语音分析功能和图像分析功能的技术手段结合进行内容识别，以获取用户数据视频形式的部分对应的数据内容。

本发明实施例通过根据数据类型对用户数据进行内容识别，有利于提高获取每种数据类型对应的数据内容的精确性。

S2、根据所述数据内容，利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析，得到每个所述用户变量的第一结果。

本发明实施例中，所述用户变量为生成用户画像时需要使用的与用户相关的信息，例如，用户年龄、用户性别、用户职业等。所述用户变量可由用户预先选定。

本发明实施例中，可利用预先训练的第一神经网络分别根据所述数据内容对至少两个预设的用户变量进行分析，以分别得到不同用户变量对应的第一结果。例如，用户的购物记录对应的数据内容为数据内容A，所述数据内容A包括：用户购买的物品为青年服饰和计算机基础算法入门书籍；当预设的用户变量为用户年龄和用户职业时，可通过所述数据内容A中“青年服饰”分析出用户的年龄可能为20至30岁，通过所述数据内容A中“计算机基础算法入门书籍”分析出用户的职业可能为实习程序员。

详细地，所述第一结果包括根据数据内容对用户变量进行分析后，得出的关于用户变量的结果，例如，当用户变量为用户年龄时，所述第一结果可以为用户的年龄区间(如20-30岁)，或者，可以为用户年龄的预计数值(如27岁)。

本发明其中一个实施例中，所述第一卷积神经网络包括但不限于贝叶斯卷积神经网络、逻辑回归卷积神经网络。

本实施例中，参图2所示，所述预先训练的第一神经网络的训练过程包括：

S21、获取基础训练数据，利用所述基础训练数据对所述第一神经网络进行第一预设次数的迭代训练，得到所述第一神经网络输出的训练结果；

S22、获取用户对所述训练结果的反馈数据；

S23、利用所述反馈数据和所述所述基础训练数据共同对所述第一神经网络进行第二预设次数的迭代训练，得到训练完成的第一神经网络。

详细地，所述第一预设次数和所述第二预设次数可以相同。

具体地，第一卷积神经网络的训练数据包括基础训练数据和增量训练数据，该基础数据包含预构建的多份数据内容，以及该数据内容对应的用户变量的真实值；该增量训练数据包含将基础训练数据输入第一卷积神经网络中训练后，获取第一卷积神经网络对用户变量的预测值，获取用户对该预测值的反馈数据，将这些反馈数据作为增量训练数据(例如，增量训练数据中某个数据为基础训练数据及用户对该基础训练数据对应的预测值的反馈数据)。

本实施中，用户的反馈数据用于对基础训练数据的预测值进行纠正或确认，从而优化和丰富训练样本，以训练出更精确的第一卷积神经网络，提高根据数据内容对用户变量进行第一次用户属性分析，获取的第一结果的精确度。

本发明实施例中，所述根据所述数据内容，利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析，得到每个所述用户变量的第一结果，包括：

利用所述第一神经网络对所述用户变量进行向量转换，得到用户向量，及对所述数据内容进行特征提取及向量转换，得到内容向量；

利用预设关系函数计算所述用户向量和所述内容向量之间的关联值；

从所述内容向量中选取所述关联值大于预设阈值的目标向量；

利用预设的激活函数对所述目标向量和所述用户向量进行激活运算，得到每个所述用户变量的第一结果。

详细地，可通过所述第一神经网络对所述数据内容进行池化、卷积等操作，实现对所述数据内容的特征提取；并利用word2vec或NLP(Natural Language Processing，自然语言处理)等技术对所述用户变量和数据内容进行特征提取的结果进行向量转换，得到用户向量和内容向量，进而根据用户向量和内容向量进行分析，得到每个所述用户变量的第一结果。

具体地，所述预设关系函数包括余弦距离函数、欧式距离函数等，所述激活函数包括但不限于sigmod激活函数、softmax激活函数。

例如，存在用户的购物记录的数据内容A对应的内容向量，和用户的网页浏览记录的数据内容B对应的内容向量，以及用户年龄对应的用户向量和用户职业对应的用户向量；利用预设关系函数计算所述用户向量和所述内容向量之间的关联值可得，数据内容A对应的内容向量与用户年龄对应的用户向量之间的关联值为80，数据内容A对应的内容向量与用户职业对应的用户向量之间的关联值为10，数据内容B对应的内容向量与用户年龄对应的用户向量之间的关联值为20，数据内容B对应的内容向量与用户职业对应的用户向量之间的关联值为90，当预设阈值为70，则可确定用户年龄对应的用户向量为数据内容A对应的内容向量的目标向量，用户职业对应的用户向量为数据内容B对应的内容向量的目标向量；进而，利用所述激活函数对用户年龄对应的用户向量和数据内容A对应的内容向量进行激活运算，得到用户年龄(用户变量)的第一结果,利用所述激活函数对用户职业对应的用户向量和数据内容B对应的内容向量进行激活运算，得到用户职业(用户变量)的第一结果。

S3、将所述第一结果作为所述第一神经网络的参数对所述用户变量进行第二次用户属性分析，得到所述用户变量的第二结果。

本发明其中一个实际应用场景中，由于数据内容中的数据均来自于同一用户，因此，数据内容中的不同数据之间存在一定的关联，因此，本发明实施例将所述第一结果作为参数对用户变量进行分析，以对第一结果进行调整，得到更加精确的第二结果。

本发明实施例中，参图3所示，所述将所述第一结果作为所述第一神经网络的参数对所述用户变量进行第二次用户属性分析，得到所述用户变量的第二结果，包括：

S31、依次从所述用户变量中选取目标变量；

S32、将所述用户变量中除所述目标变量外的其余用户变量对应的第一结果进行参数转换，得到结果参数；

S33、利用所述结果参数对所述第一神经网络进行参数赋值；

S34、利用参数赋值后的第一神经网络对所述目标变量进行分析，得到所述目标变量对应的第二结果。

详细地，可利用具有参数转换功能的计算机语句对所述用户变量中除所述目标变量外的其余用户变量对应的第一结果进行参数转换，例如，将所述用户变量中除所述目标变量外的其余用户变量对应的第一结果进行编码，得到编码数据形式的结果参数。

具体地，所述利用参数赋值后的第一神经网络对所述目标变量进行分析的步骤，与步骤S2中利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析的步骤一致，在此不做赘述。

所述第二结果为所述第一结果的修正值。例如，第一结果中包括用户的年龄为20至30岁，用户的职业为实习程序员，当选取用户年龄为目标变量时，则将第一结果“用户职业为实习程序员”及所述数据内容一起作为数据内容输入至所述第一神经网络中，分析后将第一结果中“用户的年龄为20至30岁”修正为第二结果：用户年龄为20至25岁。

本发明实施例通过将第一结果作为参数对用户变量进行第二次用户属性分析，可实现对第一次用户属性分析得到的第一结果进行修正，以提高生成的第二结果的精确度。

S4、根据所述第二结果构建所述用户变量的变量子集，并利用预先训练的第二神经网络对所述变量子集进行数据融合，得到用户画像。

本发明实施例中，为了提高生成的用户画像的精确度，可获取多个数据内容，且每个数据内容均会得出多个用户变量对应的第二结果，进而根据每个数据内容生成的第二结果构建包含所有用户变量的变量子集，并利用预先训练的第二神经网络对所述变量子集进行数据融合，得到用户画像。

例如，存在数据内容A生成的第二结果包括：用户年龄q，用户职业w年工作经验的程序员；数据内容B生成的第二结果包括：用户年龄e，用户职业为r年工作经验的程序员，则将数据内容A和数据内容B对应的第二结果汇集，并生成所述第二结果的子集。例如，子集1为(用户年龄q，用户职业为w，数据内容B)，子集2为(用户年龄e，用户职业w，r年工作经验的程序员)等。

本发明实施例中，所述根据所述第二结果构建所述用户变量的变量子集，包括：

将所有目标变量对应的第二结果汇集为用户变量集合；

按照不同的预设数量对所述用户变量集合中的第二结果进行多次分组，将每次分组得到的结果作为所述变量子集。

详细地，所述预设数量通常小于等于所述用户变量几个中第二结果的个数。

例如，用户变量集合为{a，b，c}，按照预设数量1对所述用户变量集合进行分组，得到变量子集{a}、{b}和{c}，按照预设数量2对所述用户变量集合进行分组，得到变量子集{a，b}、{b，c}和{a，c}，按照预设数量3对所述用户变量集合进行分组，得到变量子集{a，b，c}。

本发明另一实施例中，还可采用预设的子集生成算法对所述用户变量合进行运算，以生成所述用户变量的变量子集，所述子集生成算法包括但不限于增量法、位向量法和二进制法。

进一步地，本发明实施例利用预先训练的第二神经网络对所述变量子集进行分析，以实现结合不同数据内容对应的第二结果生成用户画像，其中，所述第二神经网络与所述第一神经网络的训练过程相同，在此不做赘述。

本发明实施例中，所述利用预先训练的第二神经网络对所述变量子集进行数据融合，得到用户画像，包括：

依次从所述变量子集中选取目标子集；

将所述变量子集中除所述目标子集外的其余变量子集对应的第二结果，以及所述目标子集中用户变量对应的数据内容输入至所述第二神经网络中进行分析，得到第三结果；

对所述第三结果进行向量转化，得到结果向量；

利用预设的数据聚合算法将所述结果向量中每个向量进行拼接，得到用户画像。

详细地，所述将所述变量子集中除所述目标子集外的其余变量子集对应的第二结果，以及所述目标子集中用户变量对应的数据内容输入至所述第二神经网络中进行分析的步骤，与步骤S2中利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析的步骤一致，在此不做赘述。

所述对所述第三结果进行向量转化的步骤，与步骤2中对所述用户变量进行向量转换的步骤一致，在此不做赘述。

具体地，所述第三结果为所述第二结果的修正值。

例如，存在变量子集Y和变量子集Z，其中，变量子集Y中包括根据数据内容A生成的第二结果：用户年龄为20至25岁，用户职业为3年工作经验的程序员；变量子集Z中包括根据数据内容B生成的第二结果：用户年龄为20至23岁，用户职业为1年工作经验的程序员；当选取变量子集Y为目标子集时，则将所述变量子集Z中的第二结果(用户年龄为20至23岁，用户职业为1年工作经验的程序员)和所述变量子集Y中第二结果的用户变量对应的数据内容(用户购买的物品为青年服饰和计算机基础算法入门书籍)输入至所述第二神经网络进行分析，得到第三结果：用户年龄为22岁，用户职业为1.5年工作的程序员。

本实施例中，可通过预设的数据聚合算法将所述第三结果进行数据融合，得到所述用户画像，所述数据聚合算法包括但不限于：BIRCH算法、DBSCAN算法、CLRANS算法等。

例如，存在第三结果用户年龄为22岁，用户职业为1.5年工作的程序员，则利用数据融合算法分别将“用户年龄为22岁”转换为第一向量，将“用户职业为1.5年工作的程序员”转换为第二向量，并将第一向量与第二向量进行组合，以实现对第三结果的数据融合，得到用户画像。

本发明实施例通过对不同数据类型的用户数据进行识别，实现了基于多源数据生成用户画像，提高用户画像的精确度；对不同的用户变量进行第一次用户属性分析，并将结果值作为参数对用户变量进行第二次用户属性分析，提高了分析结果的精确性，并通过构建分析结果的子集，将分析结果融合为用户画像，进而提高了生成的用户画像的精确度。因此本发明提出的用户画像生成方法，可以解决对资源生成的标签的精确度较低的问题。

如图4所示，是本发明一实施例提供的用户画像生成装置的功能模块图。

本发明所述用户画像生成装置100可以安装于电子设备中。根据实现的功能，所述用户画像生成装置100可以包括内容识别模块101、第一分析模块102、第二分析模块103及用户画像生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述内容识别模块101，用于获取用户数据，识别所述用户数据的数据类型，并采用所述数据类型对应内容识别方法对所述用户数据进行内容识别，得到数据内容；

所述第一分析模块102，用于根据所述数据内容，利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析，得到每个所述用户变量的第一结果；

所述第二分析模块103，用于将所述第一结果作为所述第一神经网络的参数对所述用户变量进行第二次用户属性分析，得到所述用户变量的第二结果；

所述用户画像生成模块104，用于根据所述第二结果构建所述用户变量的变量子集，并利用预先训练的第二神经网络对所述变量子集进行数据融合，得到用户画像。

详细地，本发明实施例中所述用户画像生成装置100中所述的各模块在使用时采用与上述图1至图3中所述的用户画像生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现用户画像生成方法的电子设备的结构示意图。

述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如前端监控程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行前端监控程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如前端监控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的用户画像生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取用户数据，识别所述用户数据的数据类型，并采用所述数据类型对应内容识别方法对所述用户数据进行内容识别，得到数据内容；

根据所述数据内容，利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析，得到每个所述用户变量的第一结果；

将所述第一结果作为所述第一神经网络的参数对所述用户变量进行第二次用户属性分析，得到所述用户变量的第二结果；

根据所述第二结果构建所述用户变量的变量子集，并利用预先训练的第二神经网络对所述变量子集进行数据融合，得到用户画像。

具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取用户数据，识别所述用户数据的数据类型，并采用所述数据类型对应内容识别方法对所述用户数据进行内容识别，得到数据内容；

根据所述数据内容，利用预先训练的第一神经网络对至少两个预设的用户变量进行第一次用户属性分析，得到每个所述用户变量的第一结果；

将所述第一结果作为所述第一神经网络的参数对所述用户变量进行第二次用户属性分析，得到所述用户变量的第二结果；

根据所述第二结果构建所述用户变量的变量子集，并利用预先训练的第二神经网络对所述变量子集进行数据融合，得到用户画像。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。