[发明专利]用户识别方法、装置、存储介质和处理器

说明书

本发明公开了一种用户识别方法、装置、存储介质和处理器。其中，该方法包括：获取用户的多维特征信息；将多维特征信息转换为多维数组，其中，多维数组中的数值处于预定取值区间内；根据预定机器学习模型对多维数组进行分析，识别多维数组对应的用户类型，其中，该预定机器学习模型为通过机器学习对至少一组训练数据进行训练得到的，每组训练数据包括：多维数组和多维数组对应的用户类型。本发明解决了传统机器学习算法在进行用户分类时特征提取困难、不准确，学习效率低下，且容易过拟合的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种用户识别方法、装置、存储介质和处理器。

背景技术

在大数据背景下，可以根据用户的历史信息进行分析，并根据分析结果构建精确的用户分类，分析用户的消费能力，向用户推荐用户感兴趣的商品，从而进行有针对性的商品销售。

传统的用户分类过程数据特征提取困难、不准确，学习效率低下、易于过拟合。

针对上述传统机器学习算法在进行用户分类时特征提取困难、不准确，学习效率低下，且容易过拟合的问题，目前尚未提出有效的解决方案。

针对上述传统机器学习算法在进行用户分类时特征提取困难、不准确，学习效率低下，且容易过拟合的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用户识别方法、装置、存储介质和处理器，以至少解决传统机器学习算法在进行用户分类时特征提取困难、不准确，学习效率低下，且容易过拟合的技术问题。

根据本发明实施例的一个方面，提供了一种用户识别方法，包括：获取用户的多维特征信息；将所述多维特征信息转换为多维数组，其中，所述多维数组中的数值处于预定取值区间内；根据预定机器学习模型对所述多维数组进行分析，识别所述多维数组对应的用户类型，其中，所述预定机器学习模型为通过机器学习对至少一组训练数据进行训练得到的，每组所述训练数据包括：多维数组和多维数组对应的用户类型。

进一步地，所述多维特征信息包括：第一特征信息、第二特征信息和第三特征信息，将所述多维特征信息转换为多维数组包括：根据所述第一特征信息和所述第二特征信息确定所述多维数组的平面尺寸；根据所述第三特征信息确定所述多维数组的深度。

进一步地，获取用户的多维特征信息包括：获取所述用户的历史活跃数据，其中，所述历史活跃数据至少包括：时间信息、特征类型、和用户在不同时间，针对不同特征类型的多个特征参数；过滤所述历史活跃数据中的无效数据，并筛选所述特征参数，得到所述多维特征信息。

进一步地，获取所述用户的历史活跃数据之后，所述方法还包括：根据所述时间信息和所述特征参数的统计分布特征对所述历史活跃数据进行归一化处理，得到归一化数据，其中，所述归一化数据用于表示所述用户基于同一时间线，针对不同特征类型的特征参数。

根据本发明实施例的另一个方面，还提供了一种用户识别装置，包括：获取单元，用于获取用户的多维特征信息；转换单元，用于将所述多维特征信息转换为多维数组，其中，所述多维数组中的数值处于预定取值区间内；识别单元，用于根据预定机器学习模型对所述多维数组进行分析，识别所述多维数组对应的用户类型，其中，所述预定机器学习模型为通过机器学习对至少一组训练数据进行训练得到的，每组所述训练数据包括：多维数组和多维数组对应的用户类型。

进一步地，所述多维特征信息包括：第一特征信息、第二特征信息和第三特征信息，所述转换单元包括：第一确定模块，用于根据所述第一特征信息和所述第二特征信息确定所述多维数组的平面尺寸；第二确定模块，用于根据所述第三特征信息确定所述多维数组的深度。