一种基于大数据的用户画像构建系统及方法与流程

1.本发明涉及人工智能相关技术领域，具体涉及一种基于大数据的用户画像构建系统及方法。


背景技术：

2.用户画像用于开展业务时，针对用户的兴趣点进行推荐，提高用户体验，过去由于人工采集数据的艰难，很难发展，而近年来随着大数据和人工智能的不断发展，构建用户画像逐渐被重视。
3.目前的用户画像一般而言是通过大数据对用户的多方面标签信息采集构建画像，但是现有技术中由于采集构建用户画像的方法提供的为广泛的数据，针对性较弱，导致存在用户画像信息个体化程度较低的技术问题。


技术实现要素：

4.本技术实施例通过提供了一种基于大数据的用户画像构建系统及方法，解决了现有技术中由于采集构建用户画像的方法提供的为广泛的数据，针对性较弱，导致存在用户画像信息个体化程度较低的技术问题。
5.鉴于上述问题，本技术实施例提供了一种基于大数据的用户画像构建系统及方法。
6.第一方面，本技术实施例提供了一种基于大数据的用户画像构建系统，其中，所述系统包括：第一获得单元，用于对第一业务场景进行场景要素提取，获得第一业务场景要素集；第二获得单元，用于通过所述第一业务场景要素集，获得第一画像数据采集维度；第三获得单元，用于获得第一用户基本信息，其中，所述第一用户待构建用户画像的用户；第四获得单元，用于将所述第一用户基本信息和所述第一画像数据采集维度输入第一用户标签采集模型，获得第一标签集合；第五获得单元，用于遍历所述第一标签集合和所述第一业务场景要素集进行关联度分析，获得第一分析结果；第六获得单元，用于根据所述第一分析结果对所述第一标签集合进行权重分配，获得第二标签集合；第一构建单元，用于通过所述第二标签集合，构建第一用户画像信息。
7.另一方面，本技术实施例提供了一种基于大数据的用户画像构建方法，其中，所述方法包括：对第一业务场景进行场景要素提取，获得第一业务场景要素集；通过所述第一业务场景要素集，获得第一画像数据采集维度；获得第一用户基本信息，其中，所述第一用户待构建用户画像的用户；将所述第一用户基本信息和所述第一画像数据采集维度输入第一用户标签采集模型，获得第一标签集合；遍历所述第一标签集合和所述第一业务场景要素集进行关联度分析，获得第一分析结果；根据所述第一分析结果对所述第一标签集合进行权重分配，获得第二标签集合；通过所述第二标签集合，构建第一用户画像信息。
8.第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面
任一项所述方法的步骤。
9.第四方面，本技术实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
10.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
11.由于采用了通过对业务场景要素进行采集，确定用户画像信息的采集维度，进一步的将用户基本信息和用户画像信息的采集维度输入基于大数据构建的智能化模型进行用户标签信息采集，再根据采集到标签和场景要素的关联度进行权重分配，将处理后的标签信息添加进用户画像信息的技术方案，基于业务场景要素确定数据采集维度，采集之后再根据关联度对标签信息分配权重，使得确定的用户画像契合于当前业务场景，达到了得到个体化程度较高的用户画像的技术效果。
12.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
13.图1为本技术实施例提供了一种基于大数据的用户画像构建方法流程示意图；
14.图2为本技术实施例提供了一种基于大数据的用户画像构建方法中第二业务场景要素集的处理方法流程示意图；
15.图3为本技术实施例提供了一种基于大数据的用户画像构建系统结构示意图；
16.图4为本技术实施例示例性电子设备的结构示意图。
17.附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第六获得单元16，第一构建单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
18.本技术实施例通过提供了一种基于大数据的用户画像构建系统及方法，解决了现有技术中由于采集构建用户画像的方法提供的为广泛的数据，针对性较弱，导致存在用户画像信息个体化程度较低的技术问题，基于业务场景要素确定数据采集维度，采集之后再根据关联度对标签信息分配权重，使得确定的用户画像契合于当前业务场景，达到了得到个体化程度较高的用户画像的技术效果。
19.申请概述
20.用户画像用于开展业务时，针对用户的兴趣点进行推荐，提高用户体验，过去由于人工采集数据的艰难，很难发展，而近年来随着大数据和人工智能的不断发展，构建用户画像逐渐被重视。目前的用户画像一般而言是通过大数据对用户的多方面标签信息采集构建画像，但是现有技术中由于采集构建用户画像的方法提供的为广泛的数据，针对性较弱，导致存在用户画像信息个体化程度较低的技术问题。
21.针对上述技术问题，本技术提供的技术方案总体思路如下：
22.本技术实施例通过提供了一种基于大数据的用户画像构建系统及方法，由于采用了通过对业务场景要素进行采集，确定用户画像信息的采集维度，进一步的将用户基本信
息和用户画像信息的采集维度输入基于大数据构建的智能化模型进行用户标签信息采集，再根据采集到标签和场景要素的关联度进行权重分配，将处理后的标签信息添加进用户画像信息的技术方案，基于业务场景要素确定数据采集维度，采集之后再根据关联度对标签信息分配权重，使得确定的用户画像契合于当前业务场景，达到了得到个体化程度较高的用户画像的技术效果。
23.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
24.实施例一
25.如图1所示，本技术实施例提供了一种基于大数据的用户画像构建方法，其中，所述方法包括：
26.s100：对第一业务场景进行场景要素提取，获得第一业务场景要素集；
27.具体而言，所述第一业务场景指的是需要使用用户画像的业务场景，示例性地：电商推荐界面、新闻推荐界面等；所述第一业务场景要素集指的是对冗杂的第一业务场景进行降维，得到的表征第一业务场景的数据量较小的代表性数据。
28.降维方式举不设限制的一例：使用基于主成分分析构建的特征提取器进行处理，其中，主成分分析指的是对原本冗杂的变量进行降维处理，得到的新的变量可以表征原本冗杂的变量的整体信息，同时由于较少的数据量，使得数据调用和处理速度较快，通过特征提取器对第一业务场景进行主成分分析，提取出第一业务场景要素集，使用降维后的数据量较少的数据表征第一业务场景，便于后步快速调用和数据处理。
29.s200：通过所述第一业务场景要素集，获得第一画像数据采集维度；
30.进一步的，基于所述通过所述第一业务场景要素集，获得第一画像数据采集维度，步骤s200包括：
31.s210：对所述第一业务场景要素进行聚类分析，获得第一聚类结果；
32.s220：根据所述第一聚类结果，生成所述第一画像数据采集维度。
33.具体而言，所述第一画像采集维度指的是根据第一业务场景要素集中包含的类别进而确定的构建用户画像限定的采集数据维度，示例性地：若是第一业务场景要素集为电商平台，则采集的维度大的方向为：用户在大数据中的买卖交易记录；细致的方向为：不同商品的购买习惯，例如不同季节的不同购买次数等。
34.进一步的，优选维度设定方式为，基于聚类分析进行确定，聚类分析指的是将相近的事物或数据归结为一类，将不同的事物或数据归结为两类，相近程度阈值由工作人员自行设定；所述第一聚类结果指的是对第一业务场景要素进行聚类分析得到的结果，采用层级聚类直到划分到预设层级的数据为准，层级聚类举不设限制的一例：若是第一业务场景要素集为电商平台，则一级聚类为大方向的聚类，包括但不限于用户在大数据中的买卖交易记录、用户在大数据中的浏览记录等大方向；二级聚类为细致方向的聚类，包括但不限于：不同商品的购买习惯，例如不同季节的不同购买次数、浏览次数，不同年龄段的购买习惯等。其中，预设层级为用户画像构建工作人员可自行设定的层级数。
35.通过第一画像数据采集维度对用户画像的信息采集维度进行限定，一者可以降低大面积采集数据的冗杂性，二者可以限定采集契合于第一业务场景要素集的数据，进而提高最后构建画像的个体化程度。
36.s300：获得第一用户基本信息，其中，所述第一用户为待构建用户画像的用户；
37.具体而言，所述第一用户基本信息指的是表征用户身份信息、年龄信息、地域信息等基本的标签信息；所述第一用户为待构建用户画像的用户。通过对第一用户的基本信息进行确定，为针对第一用户进行用户画像设定更进一步限定的构建范围，即从符合第一画像数据采集维度的数据中进一步确定符合第一用户基本信息的画像标签信息，提高了用户画像对第一用户的适用程度。
38.s400：将所述第一用户基本信息和所述第一画像数据采集维度输入第一用户标签采集模型，获得第一标签集合；
39.具体而言，所述第一用户标签采集模型指的是基于大数据结合神经网络模型构建的对构建第一用户画像信息进行数据采集的模型，构建思想为：通过基于大数据联立多方参与方，参与方主要为包括第一用户活动轨迹的平台、工厂、商户、企业等，原本多个参与方之间是处于数据孤岛的状态，但是通过大数据将多个参与方进行联立，打破数据孤岛，使得多方数据可以进行共享，而为了避免多个参与方内部的隐私信息泄露，在每一个参与方都基于神经网络模型构建一个对第一用户的标签信息进行采集的智能化模型，为了避免参与方隐私数据泄露，对每个智能化模型的参数按照预设加密方式进行加密。
40.进一步，构建一个具有公信力的协作系统，其为唯一可对预设加密方式进行解密的系统，通过协作系统拟合所有的加密数据，拟合之后的数据不再具有参与方的隐私信息，进而将拟合后的数据返回至各个参与方的模型，对模型进行更新，进而得到的模型即为第一用户标签采集模型，可在大数据中对所有参与方和第一用户相关的数据进行采集，经过集合了所有参与方的模型参数的第一用户标签采集模型可对第一用户的标签信息进行全面完整的采集，采集的数据记为：第一标签集合，进而为构建和第一用户契合度较高的用户画像提供数据基础。
41.s500：遍历所述第一标签集合和所述第一业务场景要素集进行关联度分析，获得第一分析结果；
42.具体而言，所述关联度分析指的是评估通过第一用户标签采集模型采集的第一标签集合中的每一个标签和第一业务场景要素集的关联程度的过程。进一步的，关联度评估方式优选为通过某个标签在第一业务场景要素集中的出现频率，出现方式包括但不限于：购买、浏览、点击等，出现频率越高则关联度越高。
43.所述第一分析结果指的是通过对第一标签集合和第一业务场景要素集进行关联度分析得到的表征每一个标签和第一业务场景要素集的关联度的信息，优选的以列表的形式将标签和关联度一一对应进行存储，得到多组标签-关联度数据，便于后步信息反馈处理。
44.s600：根据所述第一分析结果对所述第一标签集合进行权重分配，获得第二标签集合；
45.进一步的，基于所述根据所述第一分析结果对所述第一标签集合进行权重分配，获得第二标签集合，步骤s600包括：
46.s610：基于所述第一分析结果对所述第一标签集合序列化调整，获得第一标签集合序列化数据；
47.s620：遍历所述第一标签集合序列化数据对所述第一标签集合进行权重分配，获
得所述第二标签集合，其中，权重之和等于1。
48.s700：通过所述第二标签集合，构建第一用户画像信息。
49.具体而言，权重分配指的是根据第一分析结果中的关联度信息对第一标签集合进行权重分配的过程，所述第二标签集合指的是基于第一分析结果对第一标签集合进行权重分配之后的结果，优选的权重分配方式为：
50.所述序列化调整指的是按照关联度大小将第一分析结果中的标签信息按照从大到小的顺序进行排序；所述第一标签集合序列化数据指的是对第一标签集合基于第一分析结果序列化调整之后的结果；进一步的，所述第二标签集合指的是遍历第一标签集合序列化数据对第一标签集合进行权重分配得到的结果，按照如下公式进行权重分配
[0051][0052]
其中，n表示第n个标签，wn表示第n个标签的权重，mn表示第n个标签的关联度，表示所有标签关联度之和，可见权重之和为1。
[0053]
更进一步的，通过将第二标签集合作为第一用户画像信息的标识信息，即可生成第一用户画像信息，得到的第一用户画像信息在第一业务场景中适用程度较高，减少了数据筛选过程，提高了数据处理效率和用户画像的准确性。
[0054]
进一步的，基于所述将所述第一用户基本信息和所述第一画像数据采集维度输入第一用户标签采集模型，获得第一标签集合，之前步骤s400包括：
[0055]
s410：获得第一下载指令；
[0056]
s420：通过所述第一下载指令，从第一协作系统下载标签采集初始模型；
[0057]
s430：获得第一数据集，对所述标签采集初始模型进行训练，获得第一训练模型，其中，所述第一数据集包括多组用户基本信息和采集维度数据；
[0058]
s440：对所述第一训练模型进行参数提取并加密，获得第一模型参数；
[0059]
s450：将所述第一模型参数、第二模型参数直到第n模型参数上传至所述第一协作系统进行拟合，获得第一拟合结果，其中，所述第一模型参数、所述第二模型参数直到所述第n模型参数分别属于第一参与方、第二参与方直到第n参与方；
[0060]
s460：通过所述第一拟合结果对所述第一训练模型进行更新，获得所述第一用户标签采集模型。
[0061]
具体而言，第一用户标签采集模型的详细构建过程如下：
[0062]
所述标签采集初始模型指的是基于神经网络框架构建的待训练模型；所述第一协作系统指的是拟合数据的云端协作系统；所述第一下载指令指的是在接收到用户画像的构建指令，控制本地系统从第一协作系统下载标签采集初始模型的信号。进一步的，所述第一数据集指的是用来对标签采集初始模型进行训练构建的训练数据，包括多组用户基本信息和采集维度数据，将用户基本信息和采集维度数据作为输入数据集进行无监督训练。
[0063]
所述第一训练模型指的是第一参与方基于上述思想构建的智能化模型，所述第一模型参数指的是第一参与方对第一训练模型的模型参数提取加密之后的结果；所述第一拟合结果指的是在第一协作系统中，得到第一模型参数、第二模型参数直到第n模型参数进行拟合之后的结果，将拟合后的模型参数返回至各个参与方，对各自的本地模型进行参数更
新，即可得到第一用户标签采集模型，进而可以在不知各参与方隐私信息的基础上对第一用户标签进行采集，通过加密过程保证了信息交互的安全性。
[0064]
进一步的，基于所述获得第一数据集，对所述标签采集初始模型进行训练，获得第一训练模型，步骤s430包括：
[0065]
s431：将所述第一数据集划分为k-2：1：1比例，将k-2比例的数据设为第一训练数据集，将1比例的数据设为第一迭代数据集，将1比例的数据设为第一验证数据集；
[0066]
s432：通过所述第一训练数据集、所述第一迭代数据集和所述第一验证数据集，构建所述第一训练模型。
[0067]
具体而言，第一训练模型、第二训练模型直到第n训练模型的训练具体过程为：将第一数据集划分为k-2：1：1比例，即将第一数据集划分划分为k等份，将其中k-2比例设为第一训练数据集，将剩余两份分别设为第一迭代数据集和第一验证数据集。
[0068]
所述第一训练数据集、第一迭代数据集和第一验证数据集指的是用来构建第一训练模型的数据，不同的参与方的数据都不同、第二参与方的具有第二训练数据，第二迭代数据，第二验证数据、第n参与方具有第n训练数，第n迭代数据，第n验证数据。
[0069]
所述训练数据集指的是构建模型训练数据；所述迭代数据指的是用来验证模型稳定的数据；所述验证数据指的是当模型达到预设准确率用来验证模型泛化能力的数据集。通过第一训练数据集、第一迭代数据集和第一验证数据集，构建所述第一训练模型；第二训练数据，第二迭代数据，第二验证数据构建第二训练模型；第n训练数，第n迭代数据，第n验证数据构建第n训练模型。通过迭代训练保证模型输出准确性，通过验证数据集保证模型的泛化能力。
[0070]
进一步的，如图2所示，所述方法还包括步骤s800：
[0071]
s810：对第二业务场景进行场景要素提取，获得第二业务场景要素集，其中，所述第二业务场景进行场景和所述第一业务场景进行场景不同；
[0072]
s820：对所述第二业务场景要素集和所述第一业务场景要素集求交集，获得第一要素交集；
[0073]
s830：基于所述第一要素交集对所述第二业务场景要素集进行要素筛除。
[0074]
具体而言，所述第二业务场景指的是和第一业务场景具有交叉的业务场景；所述第二业务场景要素集指的是对第二业务场景进行主成分分析得到的结果；所述第一交集要素指的是第二业务场景要素集和第一业务场景要素集的交集要素；由于第一要素交集对应的第一用户标签信息已经采集，因此在构建第一用户针对于第二业务场景的用户画像时，可以直接取用，因此将第一要素交集从第二业务场景要素集进行筛除，可提高针对于第二业务场景的用户画像的构建效率。
[0075]
综上所述，本技术实施例所提供的一种基于大数据的用户画像构建系统及方法具有如下技术效果：
[0076]
1.本技术实施例通过提供了一种基于大数据的用户画像构建系统及方法，由于采用了通过对业务场景要素进行采集，确定用户画像信息的采集维度，进一步的将用户基本信息和用户画像信息的采集维度输入基于大数据构建的智能化模型进行用户标签信息采集，再根据采集到标签和场景要素的关联度进行权重分配，将处理后的标签信息添加进用户画像信息的技术方案，基于业务场景要素确定数据采集维度，采集之后再根据关联度对
标签信息分配权重，使得确定的用户画像契合于当前业务场景，达到了得到个体化程度较高的用户画像的技术效果。
[0077]
实施例二
[0078]
基于与前述实施例中一种基于大数据的用户画像构建方法相同的发明构思，如图3所示，本技术实施例提供了一种基于大数据的用户画像构建系统，其中，所述系统包括：
[0079]
第一获得单元11，用于对第一业务场景进行场景要素提取，获得第一业务场景要素集；
[0080]
第二获得单元12，用于通过所述第一业务场景要素集，获得第一画像数据采集维度；
[0081]
第三获得单元13，用于获得第一用户基本信息，其中，所述第一用户待构建用户画像的用户；
[0082]
第四获得单元14，用于将所述第一用户基本信息和所述第一画像数据采集维度输入第一用户标签采集模型，获得第一标签集合；
[0083]
第五获得单元15，用于遍历所述第一标签集合和所述第一业务场景要素集进行关联度分析，获得第一分析结果；
[0084]
第六获得单元16，用于根据所述第一分析结果对所述第一标签集合进行权重分配，获得第二标签集合；
[0085]
第一构建单元17，用于通过所述第二标签集合，构建第一用户画像信息。
[0086]
进一步的，所述系统还包括：
[0087]
第七获得单元，用于对所述第一业务场景要素进行聚类分析，获得第一聚类结果；
[0088]
第一生成单元，用于根据所述第一聚类结果，生成所述第一画像数据采集维度。
[0089]
进一步的，所述系统还包括：
[0090]
第八获得单元，用于获得第一下载指令；
[0091]
第九获得单元，用于通过所述第一下载指令，从第一协作系统下载标签采集初始模型；
[0092]
第十获得单元，用于获得第一数据集，对所述标签采集初始模型进行训练，获得第一训练模型，其中，所述第一数据集包括多组用户基本信息和采集维度数据；
[0093]
第十一获得单元，用于对所述第一训练模型进行参数提取并加密，获得第一模型参数；
[0094]
第一拟合单元，用于将所述第一模型参数、第二模型参数直到第n模型参数上传至所述第一协作系统进行拟合，获得第一拟合结果，其中，所述第一模型参数、所述第二模型参数直到所述第n模型参数分别属于第一参与方、第二参与方直到第n参与方；
[0095]
第十二获得单元，用于通过所述第一拟合结果对所述第一训练模型进行更新，获得所述第一用户标签采集模型。
[0096]
进一步的，所述系统还包括：
[0097]
第一设定单元，用于将所述第一数据集划分为k-2：1：1比例，将k-2比例的数据设为第一训练数据集，将1比例的数据设为第一迭代数据集，将1比例的数据设为第一验证数据集；
[0098]
第二构建单元，用于通过所述第一训练数据集、所述第一迭代数据集和所述第一
验证数据集，构建所述第一训练模型。
[0099]
进一步的，所述系统还包括：
[0100]
第十三获得单元，用于对第二业务场景进行场景要素提取，获得第二业务场景要素集，其中，所述第二业务场景进行场景和所述第一业务场景进行场景不同；
[0101]
第十四获得单元，用于对所述第二业务场景要素集和所述第一业务场景要素集求交集，获得第一要素交集；
[0102]
第一筛除单元，用于基于所述第一要素交集对所述第二业务场景要素集进行要素筛除。
[0103]
进一步的，所述系统还包括：
[0104]
第十五获得单元，用于基于所述第一分析结果对所述第一标签集合序列化调整，获得第一标签集合序列化数据；
[0105]
第十六获得单元，用于遍历所述第一标签集合序列化数据对所述第一标签集合进行权重分配，获得所述第二标签集合，其中，权重之和等于1。
[0106]
实施例三
[0107]
基于与前述实施例中一种基于大数据的用户画像构建方法相同的发明构思，本技术实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一任一项所述的方法。
[0108]
示例性电子设备
[0109]
下面参考图4来描述本技术实施例的电子设备。
[0110]
基于与前述实施例中一种基于大数据的用户画像构建方法相同的发明构思，本技术实施例还提供了一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
[0111]
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0112]
处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。
[0113]
通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran),无线局域网(wireless local area networks，wlan)，有线接入网等。
[0114]
存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或
存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
[0115]
其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术上述实施例提供的一种基于大数据的用户画像构建方法。
[0116]
可选的，本技术实施例中的计算机执行指令也可以称之为应用程序代码，本技术实施例对此不作具体限定。
[0117]
本技术实施例通过提供了一种基于大数据的用户画像构建系统及方法，由于采用了通过对业务场景要素进行采集，确定用户画像信息的采集维度，进一步的将用户基本信息和用户画像信息的采集维度输入基于大数据构建的智能化模型进行用户标签信息采集，再根据采集到标签和场景要素的关联度进行权重分配，将处理后的标签信息添加进用户画像信息的技术方案，基于业务场景要素确定数据采集维度，采集之后再根据关联度对标签信息分配权重，使得确定的用户画像契合于当前业务场景，达到了得到个体化程度较高的用户画像的技术效果。
[0118]
本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
[0119]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0120]
本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微
控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0121]
本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0122]
尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。