[发明专利]一种基于多维数据的肖像建模方法和装置

说明书

本发明提供了一种基于多维数据的肖像建模方法和装置，通过所述方法包括：获得用户历史数据；清洗所述历史数据，将所述历史数据分为行为数据和文本数据；对所述行为数据进行带权均值漂移算法进行聚类，获得第一结果；对所述文本数据进行分词处理和特征加权处理；训练分类器，对所述分词处理和特征加权处理后的文本数据进行分类器分类，获得第二结果；根据所述第一结果和所述第二结果，生成标签值；根据所述标签值，更新或输出肖像数据。解决现有技术中历史数据维度较多时会影响肖像建模的技术问题，达到了通过对用户的多维历史消费数据进行预处理和数据挖掘，形成相应量化标签，多维度的标签数据通过进一步数学分析得到用户的肖像的技术效果。

技术领域

本发明涉及肖像建模技术领域，尤其涉及一种基于多维数据的肖像建模方法和装置。

背景技术

用户肖像，肖像建模通常包含Profile和Persona两种建模类型，本申请中专指Profile类型的肖像建模。Profile类型的肖像建模更多被运营和数据分析师使用，它是各类描述用户数据的变量集合。国内外对用户肖像建模的技术研究主要集中在对统计分析、机器学习的技术在某一业务领域的结合实现，本申请基于用户历史消费数据和其评价数据等多维数据提出了一种建模方法。

发明内容

本发明实施例提供了一种基于多维数据的肖像建模方法和装置，解决了现有技术中历史数据维度较多时会影响标签内容，从而影响肖像建模的技术问题。

鉴于上述问题，提出了本申请实施例以便提供一种基于多维数据的肖像建模方法和装置。

第一方面，本发明提供了一种基于多维数据的肖像建模方法，所述方法包括：获得用户历史数据；清洗所述历史数据，将所述历史数据分为行为数据和文本数据；对所述行为数据进行带权均值漂移算法进行聚类，获得第一结果；对所述文本数据进行分词处理和特征加权处理；训练分类器，对所述分词处理和特征加权处理后的文本数据进行分类器分类，获得第二结果；根据所述第一结果和所述第二结果，生成标签值；根据所述标签值，更新或输出肖像数据。

优选的，所述对所述行为数据进行带权均值漂移算法进行聚类，获得第一结果，包括：输入所述行为数据；获得带宽值；获得数据点权值函数；判断所述行为数据是否存在未遍历点；如果所述行为数据不存在未遍历点，则聚类完成。

优选的，所述方法还包括：如果所述行为数据存在未遍历点，随机选择未遍历的行为数据；计算所述未遍历的行为数据飘移向量M_h；根据所述飘移向量移动重心点；判断所述重心点是否满足收敛条件；如果所述重心点满足所述收敛条件，则聚类完成。

优选的，所述方法还包括：给定d维空间的n个所述行为数据的数据点集X，那么对于空间中的任意数据点x的漂移向量基本形式可以表示为：

其中，M_h表示漂移向量；w(x_i)为每个数据点x_i的带权项；S_k表示的是数据点集X的点p到x的欧氏距离小于n维空间中带宽r的数据点，即：

S_h(x)＝{y：||y-x||＜rⁿ}

每次漂移过程后的新重心为x＝x+M_h；通过重复求解漂移向量及进行漂移使得重心最后收敛于空间中的k个点。

优选的，所述对所述文本数据进行分词处理和特征加权处理，包括：

其中，TF(w,d)为所述文本数据中的词语w在所述文本数据d中的词语频率，N_c为所述文本数据中的评论条目总数，DF_c为包含所述词语w的评论条目的总数，N为所述文本数据分词结果中所有词的数目，N_w为词w总数目。