目标用户识别方法及装置制造方法及图纸

本说明书实施例提供目标用户识别方法及装置，其中，所述目标对象处理方法包括获取用户的用户基础特征、所述用户的关联用户、所述用户的关联应用程序；根据所述用户与所述关联用户的关联关系，以及所述用户与所述关联应用程序的关联关系，构建关系知识图谱；将所述关系知识图谱输入图神经网络模型，获得所述用户的向量表征；将所述用户的用户基础特征以及所述用户的目标向量表征输入识别模型，获得所述用户是否为目标用户的识别结果。用户是否为目标用户的识别结果。用户是否为目标用户的识别结果。

【技术实现步骤摘要】
目标用户识别方法及装置


[0001]本说明书实施例涉及计算机
，特别涉及一种目标用户识别方法。

技术介绍

[0002]在贷款的营销定价场景中，结合专家经验与实验数据分析发现，在外部有贷款行为的竞对人群自身存在很强的资金需求，那么对这一类人群进行营销能够带来较大的收益。但是判断某用户是否为竞对用户，目前只能通过用户主动授权平台查征信获得相关信息，然而这样的征信数据相对于整体人群来说量级是很少的。对于未授权查征信的人群中的竞对用户就有可能会被忽略而未被营销。因此，如何在无法获取用户的征信数据的情况下，判断用户是否为竞对人群成了目前急需要解决的技术问题。

技术实现思路

[0003]有鉴于此，本说明书施例提供了一种目标用户识别方法。本说明书一个或者多个实施例同时涉及一种目标用户识别装置，一种计算设备，一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
[0004]根据本说明书实施例的第一方面，提供了一种目标用户识别方法，包括：
[0005]获取用户的用户基础特征、所述用户的关联用户、所述用户的关联应用程序；
[0006]根据所述用户与所述关联用户的关联关系，以及所述用户与所述关联应用程序的关联关系，构建关系知识图谱；
[0007]将所述关系知识图谱输入图神经网络模型，获得所述用户的向量表征；
[0008]将所述用户的用户基础特征以及所述用户的目标向量表征输入识别模型，获得所述用户是否为目标用户的识别结果。
[0009]根据本说明书实施例的第二方面，提供了一种图神经网络模型训练方法，包括：
[0010]获取多个样本用户中每个样本用户的关联用户、所述每个样本用户的关联应用程序；
[0011]根据所述每个样本用户与所述每个样本用户的关联用户的关联关系，以及所述每个样本用户与所述每个样本用户的关联应用程序的关联关系，构建样本关系知识图谱，其中，样本关系知识图谱包括用户节点和程序节点；
[0012]确定所述样本关系知识图谱中所述用户节点的特征矩阵、所述用户节点的每条边的关系矩阵、每个关系矩阵的权重矩阵以及所述用户节点与所述程序节点的交互特征；
[0013]根据所述特征矩阵、所述关系矩阵、所述权重矩阵以及所述交互特征对图神经网络模型进行训练，获得所述图神经网络模型。
[0014]根据本说明书实施例的第三方面，提供了一种目标用户识别装置，包括：
[0015]第一获取模块，被配置为获取用户的用户基础特征、所述用户的关联用户、所述用户的关联应用程序；
[0016]第一图谱构建模块，被配置为根据所述用户与所述关联用户的关联关系，以及所
述用户与所述关联应用程序的关联关系，构建关系知识图谱；
[0017]向量表征获得模块，被配置为将所述关系知识图谱输入图神经网络模型，获得所述用户的向量表征；
[0018]识别模块，被配置为将所述用户的用户基础特征以及所述用户的目标向量表征输入识别模型，获得所述用户是否为目标用户的识别结果。
[0019]根据本说明书实施例的第四方面，提供了一种图神经网络模型训练装置，包括：
[0020]第四获取模块，被配置为获取多个样本用户中每个样本用户的关联用户、所述每个样本用户的关联应用程序；
[0021]第四图谱构建模块，被配置为根据所述每个样本用户与所述每个样本用户的关联用户的关联关系，以及所述每个样本用户与所述每个样本用户的关联应用程序的关联关系，构建样本关系知识图谱，其中，样本关系知识图谱包括用户节点和程序节点；
[0022]特征获得模块，被配置为确定所述样本关系知识图谱中所述用户节点的特征矩阵、所述用户节点的每条边的关系矩阵、每个关系矩阵的权重矩阵以及所述用户节点与所述程序节点的交互特征；
[0023]第三训练模块，被配置为根据所述特征矩阵、所述关系矩阵、所述权重矩阵以及所述交互特征对图神经网络模型进行训练，获得所述图神经网络模型。
[0024]根据本说明书实施例的第五方面，提供了一种计算设备，包括：
[0025]存储器和处理器；
[0026]所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述目标用户识别方法的步骤。
[0027]根据本说明书实施例的六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述目标用户识别方法的步骤。
[0028]本说明书一个实施例实现了一种目标用户识别方法及装置，其中，所述目标对象处理方法包括获取用户的用户基础特征、所述用户的关联用户、所述用户的关联应用程序；根据所述用户与所述关联用户的关联关系，以及所述用户与所述关联应用程序的关联关系，构建关系知识图谱；将所述关系知识图谱输入图神经网络模型，获得所述用户的向量表征；将所述用户的用户基础特征以及所述用户的目标向量表征输入识别模型，获得所述用户是否为目标用户的识别结果。
[0029]具体的，所述目标用户识别方法为结合图谱的目标用户(即竞对人群)识别方案，充分利用关系数据构建的关系知识图谱，基于用户的从关联用户、关联应用程序的特征作为目标用户的缺失特征的补充，从而准确的识别出竞对人群。
附图说明
[0030]图1是本说明书一个实施例提供的一种目标用户识别方法的流程图；
[0031]图2是本说明书一个实施例提供的一种目标用户识别方法中关系知识图谱的结构示意图；
[0032]图3是本说明书一个实施例提供的一种目标用户识别方法中RCF
‑
GCN图神经网络模型的结构示意图；
[0033]图4是本说明书一个实施例提供的一种目标用户识别方法中识别模型的具体识别
过程示意图；
[0034]图5是本说明书一个实施例提供的一种目标用户识别方法应用在竞对用户识别场景中的具体处理过程示意图；
[0035]图6是本说明书一个实施例提供的一种图神经网络模型训练方法的流程图；
[0036]图7是本说明书一个实施例提供的一种目标用户识别装置的结构示意图；
[0037]图8是本说明书一个实施例提供的一种图神经网络模型训练装置的结构示意图；
[0038]图9是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
[0039]在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
[0040]在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标用户识别方法，包括：获取用户的用户基础特征、所述用户的关联用户、所述用户的关联应用程序；根据所述用户与所述关联用户的关联关系，以及所述用户与所述关联应用程序的关联关系，构建关系知识图谱；将所述关系知识图谱输入图神经网络模型，获得所述用户的向量表征；将所述用户的用户基础特征以及所述用户的目标向量表征输入识别模型，获得所述用户是否为目标用户的识别结果。2.根据权利要求1所述的目标用户识别方法，所述图神经网络模型的训练步骤如下：获取多个样本用户中每个样本用户的关联用户、所述每个样本用户的关联应用程序；根据所述每个样本用户与所述每个样本用户的关联用户的关联关系，以及所述每个样本用户与所述每个样本用户的关联应用程序的关联关系，构建样本关系知识图谱，其中，样本关系知识图谱包括用户节点和程序节点；确定所述样本关系知识图谱中所述用户节点的特征矩阵、所述用户节点的每条边的关系矩阵、每个关系矩阵的权重矩阵以及所述用户节点与所述程序节点的交互特征；根据所述特征矩阵、所述关系矩阵、所述权重矩阵以及所述交互特征对图神经网络模型进行训练，获得所述图神经网络模型。3.根据权利要求2所述的目标用户识别方法，所述确定所述样本关系知识图谱中所述用户节点的特征矩阵、所述用户节点的每条边的关系矩阵、每个关系矩阵的权重矩阵以及所述用户节点与所述程序节点的交互特征，包括：将所述每个样本用户、所述每个样本用户的关联用户作为所述样本关系知识图谱的所述用户节点，以及将所述每个样本用户的关联应用程序作为所述样本关系知识图谱的所述程序节点，并确定所述样本关系知识图谱中所述用户节点以及所述程序节点的特征矩阵；将所述每个样本用户与所述每个样本用户的关联用户形成的不同类型的边作为所述用户节点的边，并为所述用户节点的每条边配置不同的关系矩阵；通过注意力机制确定所述每个关系矩阵的权重矩阵；以及根据所述用户节点的特征矩阵、所述关系矩阵、所述权重矩阵以及以及所述程序节点的特征矩阵确定所述用户节点与所述程序节点的交互特征。4.根据权利要求3所述的目标用户识别方法，所述根据所述用户节点的特征矩阵、所述关系矩阵、所述权重矩阵以及以及所述程序节点的特征矩阵确定所述用户节点与所述程序节点的交互特征，包括：根据所述用户节点的特征矩阵、所述关系矩阵以及所述权重矩阵通过第一聚合算法进行计算，获得所述用户节点的向量表征；根据所述程序节点的特征矩阵通过第二聚合算法进行计算，获得所述程序节点的向量表征；将所述用户节点的向量表征与所述程序节点的向量表征进行交互处理，获得所述用户节点与所述程序节点的交互特征。5.根据权利要求4所述的目标用户识别方法，所述根据所述特征矩阵、所述关系矩阵、所述权重矩阵以及所述交互特征对图神经网络模型进行训练，获得所述图神经网络模型，包括：
基于所述用户节点的向量表征、以及所述用户节点与所述程序节点的交互特征，获得所述每个样本用户的目标向量表征；确定所述多个样本用户中的有标签的样本用户和无标签的样本用户，根据所述有标签的样本用户的目标向量表征、所述无标签的样本用户的目标向量表征以及所述有标签的样本用户的样本标签对图神经网络模型进行训练，获得所述图神经网络模型。6.根据权利要求5所述的目标用户识别方法，所述根据所述有标签的样本用户的目标向量表征、所述无标签的样本用户的目标向量表征以及所述有标签的样本用户的样本标签对图神经网络模型进行训练，包括：根据所述有标签的样本用户的目标向量表征以及所述有标签的样本用户的样本标签，获得有标签的样本的初始损失函数；确定与所述有标签的样本用户关联的无标签的样本用户、以及与所述有标签的样本用户无关联的无标签的样本用户；根据所述与所述有标签的样本用户关联的无标签的样本用户的目标向量表征、所述与所述有标签的样本用户无关联的无标签的样本用户的目标向量表征、所述有标签的样本用户的样本标签，获得无标签的样本的初始损失函数；根据所述有标签的样本的初始损失函数和所述无标签的样本的初始损失函数，获得图神经网络模型的目标损失函数，并基于所述每个样本用户的目标向量表征以及所述目标损失函数对所述图神经网络模型进行训练。7.根据权利要求1所述的目标用户识别方法，所述识别模型的训练步骤如下：获取多个样本用户中每个样本用户的用户基础特征、每个样本用户的关联用户、所述每个样本用户的关联应用程序；根据所述每个样本用户与所述每个样本用户的关联用户的关联关系，以及所述每个样本用户与所述每个样本用户的关联应用程序的关联关系，构建样本关系知识图谱；将所述样本关系知识图谱输入所述图神经网络模型，获得所述每个样本用户的目标向量表征；根据所述每个样本用户的用户基础特征以及所述所述每个样本用户的向量表征对所述识别模型进行训练。8.根据权利要求1所述的目标用户识别方法，所述根据所述用户与所述关联用户的关联关系，以及所述用户与所述关联应用程序的关联关系，构建关系知识图谱，包括：将所述用户、所述用户的关联用户、所述用户的关联应用程序为节点，将所述用户与所述关联用户的关联关系、所述用户与所述关联应用程序的关联关系为边，根据所述节点和所述边构建关系知识图谱。9.一种图神经网络模型训练方法，包括：获取多个样本用户中每个样本用户的关联用户、所述每个样本用户的关联应用程序；根据所述每个样本用户与所述每个样本用户的关联用户的关联关系，以及所述每个样本用户与所述每个样本用户的关联应用程序的关联...

【专利技术属性】
技术研发人员：陈颖，谢世明，元凌峰，强思维，张珺，高源，佟家弼，李鹏宇，
申请(专利权)人：浙江网商银行股份有限公司，
类型：发明
国别省市：