[发明专利]一种群体用户画像获取方法、装置、电子设备及存储介质

权利要求书

1.一种群体用户画像获取方法，其特征在于，所述方法包括：

基于用户的万维网WEB日志数据，提取对应的用户特征；

基于提取出的至少一个用户中的每个用户对应的用户特征，对所述至少一个用户进行聚类，得到每个类别对应的群体用户画像。

2.根据权利要求1所述的群体用户画像获取方法，其特征在于，所述基于用户的WEB日志数据，提取对应的用户特征，包括：

基于用户的WEB日志数据，确定用户访问过的网页的网页文本；

基于所述用户访问过的网页的网页文本，提取对应的用户特征。

3.根据权利要求1所述的群体用户画像获取方法，其特征在于，在所述基于用户的WEB日志数据，提取对应的用户特征时，包括：

基于所述WEB日志数据中的用户标识信息，确定提取出的用户特征对应的用户。

4.根据权利要求3所述的群体用户画像获取方法，其特征在于，所述基于所述WEB日志数据中的用户标识信息，确定WEB日志数据对应的用户，包括：

基于所述WEB日志数据中的网际协议IP地址信息，确定所述WEB日志数据对应的至少一个用户；

和/或，

基于所述WEB日志数据中的操作系统信息，确定所述WEB日志数据对应的至少一个用户。

5.根据权利要求1所述的群体用户画像获取方法，其特征在于，在所述基于用户的WEB日志数据，提取对应的用户特征之前，所述方法还包括：

通过以下至少一种方式对所述WEB日志数据进行数据清洗：

将所述WEB日志数据中后缀不满足设定条件的WEB日志数据转换为后缀满足设定条件的WEB日志数据；

删除所述WEB日志数据中状态码不符合设定条件的WEB日志数据；

删除所述WEB日志数据中内容存在缺失的WEB日志数据；

删除所述WEB日志数据中与其他WEB日志数据的内容存在重复的WEB日志数据。

6.根据权利要求1所述的群体用户画像获取方法，其特征在于，所述基于用户的WEB日志数据，提取对应的用户特征，包括：

基于用户的WEB日志数据中对应的每个网页文本中的每个词的逆文本频率IDF的平方，确定所述每个网页文本中的每个词的词频-逆文本频率TF-IDF值；

基于所述每个网页文本中的每个词的TF-IDF值，提取对应的用户特征。

7.根据权利要求6所述的群体用户画像获取方法，其特征在于，所述确定所述每个网页文本中的每个词的TF-IDF值，包括：

设置第一权重大于第二权重；其中，

所述第一权重表征位于所述每个网页文本的标题和/或首段位置的词的权重；所述第二权重表征除对应第一权重的词之外其他词的权重。

8.一种群体用户画像获取装置，其特征在于，所述装置包括：

提取单元，用于基于用户的WEB日志数据，提取对应的用户特征；

聚类单元，用于基于提取出的至少一个用户中的每个用户对应的用户特征，对所述至少一个用户进行聚类，得到每个类别对应的群体用户画像。

9.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，

所述处理器用于运行所述计算机程序时，执行权利要求1-7任一项所述方法的步骤。

10.一种存储介质，其上存有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。