[发明专利]基于深度学习的用户画像分类方法、装置、设备及介质

说明书

本发明涉及人工智能领域，揭露一种基于深度学习的用户画像分类方法、装置、电子设备以及存储介质，所述方法包括：获取待分类用户画像的用户数据，并对用户数据进行预处理，得到目标数据；采集待分类用户画像的相似用户画像，并提取相似用户画像的相似用户特征；将目标数据和相似用户特征作为模型数据输入至预设的用户分类模型中，以利用用户分类模型中的时序记忆网络检测模型数据的时序关联特征；利用用户分类模型中的注意力机制网络提取时序关联特征的信息语义序列，根据信息语义序列，利用用户分类模型中的卷积网络识别模型数据的数据类别，并根据数据类别，确定待分类用户画像的用户类别。本发明可以提高用户画像分类的准确性。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于深度学习的用户画像分类方法、装置、电子设备以及存储介质。

背景技术

用户画像可以理解为是对现实世界中用户的建模，通过用户画像可以利用一些高度概括、容易理解的特征去描述用户，从而可以更为方便的描述用户，但通常用户画像涉及的用户维度较为广阔和复杂，因此，如何实现用户画像的类别准确定位，保障用户画像的准确定位分析显得尤为重要。

目前，用户画像分类通常是根据用户画像中的画像特征，采用集成学习分类器实现画像类别分析，但通过集成学习分类器在生成基分类器集群时会产生部分用户画像分类结果雷同的冗余个体，导致集群差异性下降，造成用户画像类别不平衡的现象，从而会影响用户画像分类的准确性。

发明内容

为了解决上述问题，本发明提供了一种基于深度学习的用户画像分类方法、装置、电子设备以及存储介质，可以提高用户画像分类的准确性。

第一方面，本发明提供了一种基于深度学习的用户画像分类方法，包括：

获取待分类用户画像的用户数据，并对所述用户数据进行预处理，得到目标数据；

采集所述待分类用户画像的相似用户画像，并提取所述相似用户画像的相似用户特征；

将所述目标数据和所述相似用户特征作为模型数据输入至预设的用户分类模型中，以利用所述用户分类模型中的时序记忆网络检测所述模型数据的时序关联特征；

利用所述用户分类模型中的注意力机制网络提取所述时序关联特征的信息语义序列，根据所述信息语义序列，利用所述用户分类模型中的卷积网络识别所述模型数据的数据类别，并根据所述数据类别，确定所述待分类用户画像的用户类别。

在第一方面的一种可能实现方式中，所述对所述用户数据进行预处理，得到目标数据，包括：

提取所述用户数据中每个数据的数据字段，根据所述数据字段，识别所述用户数据中每个数据的数据属性；

将所述数据属性与预设的业务属性表进行匹配，并将匹配成功的所述数据属性对应数据作为所述目标数据。

在第一方面的一种可能实现方式中，所述采集所述待分类用户画像的相似用户画像，包括：

获取所述待分类用户画像的用户属性，对所述用户属性进行筛选，并构建筛选后的所述用户属性的分支属性；

采集所述分支属性的历史用户画像，计算所述历史用户画像中每个用户画像的相似用户评分；

选取所述相似用户评分大于预设评分的用户画像作为所述相似用户画像。

在第一方面的一种可能实现方式中，所述利用所述用户分类模型中的时序记忆网络检测所述模型数据的时序关联特征，包括：

利用所述时序记忆网络中的输入门计算所述模型数据的状态值，并利用所述时序记忆网络中的投影层对所述状态值进行降维，得到降维状态值；

利用所述时序记忆网络中的遗忘门计算所述模型数据的激活值，并利用所述时序记忆网络中的投影层对所述降维状态值进行激活值进行降维，得到降维激活值；