[發明專利]基于用戶訪問數據的用戶畫像形成方法

有效

• 申請號: 201610935388.3
• 申請日: 2016-11-01
• 公開（公告）號: CN106599022B
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 聶琳;林倞;王青;羅思偉
• 申請（專利權）人: 中山大學
• 主分類號: G06F16/953
• 分類號: G06F16/953;G06F16/951;G06F16/9535;G06F16/35;G06F17/27
• 代理公司: 44102 廣州粵高專利商標代理有限公司
• 代理人: 林麗明

1.一種基于用戶訪問數據的用戶畫像形成方法，其特征在于：包括以下步驟：

S1.對用戶的訪問數據進行過濾，將訪問數據中無關的請求鏈接過濾掉，得到相關的訪問鏈接；

S2.使用爬蟲工具抓取相關的訪問鏈接對應的網頁，然后使用提取算法將所抓取網頁中的文本信息提取出來；

S3.使用中文分詞方法對提取出來的文本信息進行分詞處理，其中每個網頁的文本信息經過分詞處理后得到的詞匯列表存儲在一個文檔中；

S4.對網絡上公開的語料庫進行分詞處理，然后基于分詞處理后的語料庫使用詞向量技術訓練出詞向量Word2Vec，得到中文詞語的分布式表達；

S5.創建Doc2Vec模型，利用詞向量Word2Vec對Doc2Vec模型進行初始化，然后將每個文檔中的詞匯列表分別輸入至Doc2Vec模型中，文檔中的詞匯列表對Doc2Vec模型進行訓練，Doc2Vec模型的輸出為該文檔對應的網頁的分布式表達；

S6.對于每個標簽，訓練一個用于判斷分布式表達中是否帶有此標簽的判斷分類器；

S7.將步驟S5中的每個網頁的分布式表達分別輸入至各個標簽的判斷分類器中，若標簽的判斷分類器的輸出為肯定，則說明用戶的網頁訪問帶有該標簽的屬性；若標簽的判斷分類器的輸出為否定，則說明用戶的網頁訪問不帶有該標簽的屬性。

2.根據權利要求1所述的基于用戶訪問數據的用戶畫像形成方法，其特征在于：所述步驟S1中，過濾掉訪問數據中的CSS請求鏈接、圖片資源請求鏈接、js腳本資源請求鏈接。

3.根據權利要求2所述的基于用戶訪問數據的用戶畫像形成方法，其特征在于：所述步驟S1中通過正則表達式對無關的訪問進行過濾。

4.根據權利要求1所述的基于用戶訪問數據的用戶畫像形成方法，其特征在于：所述步驟S2中，使用基于文本密度的提取算法將所抓取網頁中的文本信息提取出來。

5.根據權利要求1所述的基于用戶訪問數據的用戶畫像形成方法，其特征在于：所述步驟S2中，建立一個哈希表來保存已經抓取了的頁面鏈接。

6.根據權利要求1所述的基于用戶訪問數據的用戶畫像形成方法，其特征在于：所述步驟S6中，所述判斷分類器包括訓練好的卷積神經網絡和logistic回歸二元分類器，卷積神經網絡的輸出端與logistic回歸二元分類器的輸入端連接，卷積神經網絡用于對標簽進行分類，logistic回歸二元分類器用于輸出卷積神經網絡的分類結果。