一种基于行为分析的用户筛选方法与流程

1.本技术涉及信息技术领域，具体而言，涉及一种基于行为分析的用户筛选方法。


背景技术：

2.利用大数据基于构建用户信息数据采集网络，并对采集的用户信息数据进行集中处理分析，然后基于分析结果优化相应的服务内容，可以有效的提高服务提供端的服务质量。
3.服务提供短在优化服务内容时，可以针对用户建议或者是用户投诉等一些敏感行为数据进行定向优化。然而，敏感行为数据中一般存在噪声数据，现有技术在筛选出对应的用户对象时，准确度往往不高。


技术实现要素：

4.为了解决上述的至少一个技术问题，本技术采用的技术方案如下：
5.本技术提供一种基于行为分析的用户筛选方法，所述方法包括：
6.分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各所述敏感行为向量的敏感行为类型；
7.读取用于指示所述多个敏感行为向量中任意两个敏感行为相互组合的组合概率的组合配置信息，并根据所述组合配置信息及各所述敏感行为类型，对所述多个敏感行为向量进行两两组合，得到所述敏感用户行为数据的敏感行为组合信息；
8.根据各所述敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到所述敏感用户行为数据的互斥行为信息；
9.基于所述敏感行为组合信息及所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选以筛选出针对所述敏感用户行为数据的目标群体标签，并根据目标群体标签筛选出目标用户对象。
10.可选地，作为一种可能的实施方式，所述敏感行为向量包括连续域行为向量、离散域行为向量；
11.所述分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各所述敏感行为向量的敏感行为类型，包括：
12.对所述敏感用户行为数据的连续域行为向量进行离散域特征提取，得到所述连续域行为向量的离散域向量信息；
13.对所述连续域行为向量的离散域向量信息进行行为分析，得到所述连续域行为向量的敏感行为类型；
14.对所述敏感用户行为数据的离散域行为向量进行行为分析，获得所述离散域行为向量的敏感行为类型；
15.将获得的所述连续域行为向量的敏感行为类型和所述离散域行为向量的敏感行为类型进行加权合并，确定为与各所述敏感行为向量相对应的敏感行为类型。
16.可选地，作为一种可能的实施方式，所述读取用于指示所述多个敏感行为向量中任意两个敏感行为相互组合的组合概率的组合配置信息，包括：
17.读取所述多个敏感行为向量中任意两个敏感行为相互组合的关联度参数和组合度参数；其中，所述关联度参数用于表征所述两个敏感行为相互组合的关联程度，所述组合度参数用于表征所述两个敏感行为相互组合的概率；
18.将所述多个敏感行为向量中任意两个敏感行为相互组合的关联度参数和组合度参数进行加权相乘，得到所述多个敏感行为向量中任意两个敏感行为相互组合的组合配置信息。
19.可选地，作为一种可能的实施方式，所述根据所述组合配置信息及各所述敏感行为类型，对所述多个敏感行为向量进行两两组合，得到所述敏感用户行为数据的敏感行为组合信息，包括：
20.根据所述敏感用户行为数据的名额敏感行为向量的类型，分别读取所述敏感用户行为数据的每个敏感行为向量的预设比例系数；
21.根据所述预设比例系数，将所述敏感用户行为数据的多个敏感行为向量进行加权求和，得到所述敏感用户行为数据的敏感行为程度指数；
22.将所述敏感用户行为数据的多个敏感行为向量的敏感行为类型进行叉乘计算，并根据计算结果获得所述敏感用户行为数据的敏感行为类型；
23.将所述多个敏感行为向量中任意两个敏感行为相互组合的组合配置信息与所述敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数进行叉乘计算，生成所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合向量；
24.将所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合向量与所述敏感用户行为数据的敏感行为类型对应的向量进行叉乘计算，生产所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数；
25.将所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数中各向量参数进行加权求和，生成所述多个敏感行为向量中任意两个敏感行为相互组合的敏感行为组合信息；
26.将所述敏感用户行为数据的敏感行为程度指数与所述敏感用户行为数据的敏感行为组合信息进行组合，将组合得到的向量作为所述敏感用户行为数据的敏感行为组合信息。
27.可选地，作为一种可能的实施方式，所述根据各所述敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到所述敏感用户行为数据的互斥行为信息，包括：
28.将所述敏感行为向量的敏感行为类型输入到预先训练完成的卷积神经网络进行处理，并获得所述卷积神经网络输出的各所述敏感行为向量对应的互斥行为关系；
29.在预先构建的关系图谱中对各所述敏感行为向量的互斥行为关系进行信息映射，得到所述敏感用户行为数据的互斥行为信息；其中，所述关系图谱中包含有互斥行为关系与相应的互斥行为信息的映射关系。
30.可选地，作为一种可能的实施方式，所述基于所述敏感行为组合信息及所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选，以筛选出针对所述敏感用户行为数据的目标群体标签，包括：
31.根据所述敏感行为组合信息，对所述敏感用户行为数据的用户群体标签进行筛选，获得针对所述敏感用户行为数据的第一用户群体标签；
32.根据所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选，以获得针对所述敏感用户行为数据的第二用户群体标签；
33.将所述第一用户群体标签与所述第二用户群体标签进行求交集处理，得到用于指示针对所述敏感用户行为数据的用户群体标签的目标群体标签。
34.可选地，作为一种可能的实施方式，所述方法应用于用户行为信息采集网络，所述用户行为信息采集网络包括行为信息管理设备和多个行为信息分析设备；
35.获得所述敏感用户行为数据的步骤，包括：
36.所述行为信息管理设备将用户行为数据库中具有同一个行为类型标签的至少一个用户行为数据包，确定为目标用户行为数据；
37.将每个所述目标用户行为数据上传至第一数据处理容器中，根据时间戳标签处理所述第一数据处理容器中的每个所述目标用户行为数据，得到目标用户行为分析结果；
38.若任一个所述目标用户行为分析结果中具有预设的敏感行为信息，则将每个所述目标用户行为数据对应的行为分析结果均更新为预设的敏感行为信息，根据每个所述目标用户行为数据对应的预设的敏感行为信息更新所述第一数据处理容器的容器参数，得到第二数据处理容器；
39.在所述第二数据处理容器合法性验证通过时，在所述第二数据处理容器对每个所述目标用户行为数据以及对应的预设的敏感行为信息进行敏感行为记录，得到敏感用户行为数据。
40.可选地，作为一种可能的实施方式，所述行为信息管理设备将用户行为数据库中具有同一个行为类型标签的至少一个用户行为数据包，确定为目标用户行为数据，包括：
41.所述行为信息管理设备从用户行为数据库中筛选出初始用户行为数据包；其中，所述初始用户行为数据包具有预设的行为类型标签和初始行为参数；
42.将所述初始用户行为数据包保存至所述预设的行为类型标签对应的行为类型数据暂存数组中，得到待处理行为类型数据暂存数组；
43.若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数匹配率大于预设的第一匹配阈值，则将所述待处理行为类型数据暂存数组中的用户行为数据包，确定为目标用户行为数据；
44.若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率小于或等于所述第一匹配阈值，且所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率大于预设的第二匹配阈值，则从所述用户行为数据库中再次筛选出具有所述预设的行为类型标签的用户行为数据包；其中，所述第一匹配阈值大于所述第二匹配阈值；
45.若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率小于或等于所述第二匹配阈值，则将所述待处理行为类型数据暂存数组中的用户行为数据包重新保存至所述用户行为数据库中，并删除所述待处理行为类型数据暂存数组。
46.可选地，作为一种可能的实施方式，每个所述目标用户行为数据中均具有处理优
先级；
47.所述将每个所述目标用户行为数据上传至第一数据处理容器中，包括：
48.根据每个所述目标用户行为数据中具有的处理优先级，将所有的所述目标用户行为数据存入数据缓存队列；
49.将所述数据缓存队列中的目标用户行为数据依次上传至第一数据处理容器中。
50.可选地，作为一种可能的实施方式，所述根据时间戳标签处理所述第一数据处理容器中的每个所述目标用户行为数据，得到目标用户行为分析结果，包括：
51.按序读取所述第一数据处理容器中所有目标用户行为数据，针对所有目标用户行为数据中的第m个目标用户行为数据，对所述第m个目标用户行为数据进行分析处理，得到所述第m个目标用户行为数据对应的行为分析结果；其中，m为正整数；
52.若所述第m个目标用户行为数据对应的行为分析结果不包含有预设的敏感行为信息，则继续对所述第一数据处理容器中的第m+1个目标用户行为数据进行分析处理；
53.若所述第m+1个目标用户行为数据对应的行为分析结果中包括有预设的敏感行为信息，则将所述第一数据处理容器中所有的目标用户行为数据各自对应的行为分析结果，均确定为预设的敏感行为信息，并将每个所述目标用户行为数据分别对应的行为分析结果作为目标用户行为分析结果。
54.可选地，作为一种可能的实施方式，所述根据每个所述目标用户行为数据对应的预设的敏感行为信息更新所述第一数据处理容器的容器参数，得到第二数据处理容器，包括：
55.根据每个所述目标用户行为数据对应的预设的敏感行为信息得到敏感数据信息标签；
56.利用所述敏感数据信息标签将所述第一数据处理容器的元数据信息中保存的正常信息标签进行替换，得到第二数据处理容器。
57.可选地，作为一种可能的实施方式，所述方法还包括：
58.将所述第一数据处理容器中保存的数据在信息验证网络中组播给所有的用户信息验证设备；其中，所述用户信息验证设备用于对所述第一数据处理容器中的每个所述目标用户行为数据进行验证，并根据每个所述目标用户行为数据对应的行为分析结果更新所述第一数据处理容器的容器参数，得到第三数据处理容器；
59.将所述第二数据处理容器的容器参数在实时信息验证网络中组播给所有的所述用户信息验证设备，且接收所述用户信息验证设备发送的所述第三数据处理容器的容器参数，将所述第三数据处理容器的容器参数确定为目标容器参数；
60.若所述第二数据处理容器的容器参数与所述目标容器参数相同，则确定所述第二数据处理容器合法性验证通过。
61.本技术提供的一种基于行为分析的用户筛选方法，通过分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各敏感行为向量的敏感行为类型；然后读取用于指示多个敏感行为向量中任意敏感行为向量组合概率的组合配置信息，并根据组合配置信息及各所述敏感行为类型，对多个敏感行为向量进行两两组合，得到该敏感用户行为数据的敏感行为组合信息；再根据各敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到该敏感用户行为数据的互斥行为信息；基于敏感行为组合信息及互斥行为信息，对
该敏感用户行为数据的用户群体标签进行筛选，以筛选出针对该敏感用户行为数据的目标群体标签，以根据该目标群体标签筛选出目标用户对象；如此，能够提高目标群体标签筛选的准确性，进而提高筛选目标用户对象时的准确性。
62.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
63.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
64.图1为本技术提供的一种基于行为分析的用户筛选方法的流程图。
具体实施方式
65.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术的一些实施例中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术的组件可以以各种不同的配置来布置和设计。
66.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术选定的一些实施例。基于本技术中的一部分实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
67.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
68.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
69.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
70.请参阅图1，图1为本技术提供的一种基于行为分析的用户筛选方法的流程图，所述用户筛选方法包括以下步骤：
71.步骤101，分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各所述敏感行为向量的敏感行为类型。
72.步骤102，读取用于指示所述多个敏感行为向量中任意两个敏感行为相互组合的
组合概率的组合配置信息，并根据所述组合配置信息及各所述敏感行为类型，对所述多个敏感行为向量进行两两组合，得到所述敏感用户行为数据的敏感行为组合信息。
73.步骤103，根据各所述敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到所述敏感用户行为数据的互斥行为信息。
74.步骤104，基于所述敏感行为组合信息及所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选以筛选出针对所述敏感用户行为数据的目标群体标签，并根据目标群体标签筛选出目标用户对象。
75.本技术提供的上述技术方案，通过分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各敏感行为向量的敏感行为类型；然后读取用于指示多个敏感行为向量中任意敏感行为向量组合概率的组合配置信息，并根据组合配置信息及各所述敏感行为类型，对多个敏感行为向量进行两两组合，得到该敏感用户行为数据的敏感行为组合信息；再根据各敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到该敏感用户行为数据的互斥行为信息；基于敏感行为组合信息及互斥行为信息，对该敏感用户行为数据的用户群体标签进行筛选，以筛选出针对该敏感用户行为数据的目标群体标签，以根据该目标群体标签筛选出目标用户对象；如此，能够提高目标群体标签筛选的准确性，进而提高筛选目标用户对象时的准确性。
76.可选地，作为一种可能的实施方式，所述敏感行为向量包括连续域行为向量、离散域行为向量；
77.在执行步骤101以分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各所述敏感行为向量的敏感行为类型时，可以先对所述敏感用户行为数据的连续域行为向量进行离散域特征提取，得到所述连续域行为向量的离散域向量信息；然后对所述连续域行为向量的离散域向量信息进行行为分析，得到所述连续域行为向量的敏感行为类型；接着对所述敏感用户行为数据的离散域行为向量进行行为分析，获得所述离散域行为向量的敏感行为类型；接下来将获得的所述连续域行为向量的敏感行为类型和所述离散域行为向量的敏感行为类型进行加权合并，确定为与各所述敏感行为向量相对应的敏感行为类型。
78.另外，在执行步骤102以读取用于指示所述多个敏感行为向量中任意两个敏感行为相互组合的组合概率的组合配置信息时，可以先读取所述多个敏感行为向量中任意两个敏感行为相互组合的关联度参数和组合度参数；其中，所述关联度参数用于表征所述两个敏感行为相互组合的关联程度，所述组合度参数用于表征所述两个敏感行为相互组合的概率；然后将所述多个敏感行为向量中任意两个敏感行为相互组合的关联度参数和组合度参数进行加权相乘，得到所述多个敏感行为向量中任意两个敏感行为相互组合的组合配置信息。
79.并且，在执行步骤102以根据所述组合配置信息及各所述敏感行为类型，对所述多个敏感行为向量进行两两组合，得到所述敏感用户行为数据的敏感行为组合信息时，可以先根据所述敏感用户行为数据的名额敏感行为向量的类型，分别读取所述敏感用户行为数据的每个敏感行为向量的预设比例系数；然后根据所述预设比例系数，将所述敏感用户行为数据的多个敏感行为向量进行加权求和，得到所述敏感用户行为数据的敏感行为程度指数；接下来将所述敏感用户行为数据的多个敏感行为向量的敏感行为类型进行叉乘计算，
并根据计算结果获得所述敏感用户行为数据的敏感行为类型；接着将所述多个敏感行为向量中任意两个敏感行为相互组合的组合配置信息与所述敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数进行叉乘计算，生成所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合向量；然后将所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合向量与所述敏感用户行为数据的敏感行为类型对应的向量进行叉乘计算，生产所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数；接下来将所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数中各向量参数进行加权求和，生成所述多个敏感行为向量中任意两个敏感行为相互组合的敏感行为组合信息；然后将所述敏感用户行为数据的敏感行为程度指数与所述敏感用户行为数据的敏感行为组合信息进行组合，将组合得到的向量作为所述敏感用户行为数据的敏感行为组合信息。
80.可选地，作为一种可能的实施方式，在执行步骤103以根据各所述敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到所述敏感用户行为数据的互斥行为信息时，可以先将所述敏感行为向量的敏感行为类型输入到预先训练完成的卷积神经网络进行处理，并获得所述卷积神经网络输出的各所述敏感行为向量对应的互斥行为关系；然后，在预先构建的关系图谱中对各所述敏感行为向量的互斥行为关系进行信息映射，得到所述敏感用户行为数据的互斥行为信息；其中，所述关系图谱中包含有互斥行为关系与相应的互斥行为信息的映射关系。
81.可选地，作为一种可能的实施方式，在执行步骤104以基于所述敏感行为组合信息及所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选，以筛选出针对所述敏感用户行为数据的目标群体标签时，可以先根据所述敏感行为组合信息，对所述敏感用户行为数据的用户群体标签进行筛选，获得针对所述敏感用户行为数据的第一用户群体标签；然后，根据所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选，以获得针对所述敏感用户行为数据的第二用户群体标签；接下来，将所述第一用户群体标签与所述第二用户群体标签进行求交集处理，得到用于指示针对所述敏感用户行为数据的用户群体标签的目标群体标签。
82.可选地，作为一种可能的实施方式，所述方法可以应用于用户行为信息采集网络，所述用户行为信息采集网络包括行为信息管理设备和多个行为信息分析设备；获得所述敏感用户行为数据的方式可以采用以下方案：
83.所述行为信息管理设备将用户行为数据库中具有同一个行为类型标签的至少一个用户行为数据包，确定为目标用户行为数据；
84.将每个所述目标用户行为数据上传至第一数据处理容器中，根据时间戳标签处理所述第一数据处理容器中的每个所述目标用户行为数据，得到目标用户行为分析结果；
85.若任一个所述目标用户行为分析结果中具有预设的敏感行为信息，则将每个所述目标用户行为数据对应的行为分析结果均更新为预设的敏感行为信息，根据每个所述目标用户行为数据对应的预设的敏感行为信息更新所述第一数据处理容器的容器参数，得到第二数据处理容器；
86.在所述第二数据处理容器合法性验证通过时，在所述第二数据处理容器对每个所述目标用户行为数据以及对应的预设的敏感行为信息进行敏感行为记录，得到敏感用户行
为数据。
87.示例性地，作为一种可能的实施方式，所述行为信息管理设备将用户行为数据库中具有同一个行为类型标签的至少一个用户行为数据包，确定为目标用户行为数据，包括：
88.所述行为信息管理设备从用户行为数据库中筛选出初始用户行为数据包；其中，所述初始用户行为数据包具有预设的行为类型标签和初始行为参数；
89.将所述初始用户行为数据包保存至所述预设的行为类型标签对应的行为类型数据暂存数组中，得到待处理行为类型数据暂存数组；
90.若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数匹配率大于预设的第一匹配阈值，则将所述待处理行为类型数据暂存数组中的用户行为数据包，确定为目标用户行为数据；
91.若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率小于或等于所述第一匹配阈值，且所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率大于预设的第二匹配阈值，则从所述用户行为数据库中再次筛选出具有所述预设的行为类型标签的用户行为数据包；其中，所述第一匹配阈值大于所述第二匹配阈值；
92.若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率小于或等于所述第二匹配阈值，则将所述待处理行为类型数据暂存数组中的用户行为数据包重新保存至所述用户行为数据库中，并删除所述待处理行为类型数据暂存数组。
93.可选地，作为一种可能的实施方式，每个所述目标用户行为数据中均具有处理优先级；
94.所述将每个所述目标用户行为数据上传至第一数据处理容器中，包括：
95.根据每个所述目标用户行为数据中具有的处理优先级，将所有的所述目标用户行为数据存入数据缓存队列；
96.将所述数据缓存队列中的目标用户行为数据依次上传至第一数据处理容器中。
97.可选地，作为一种可能的实施方式，所述根据时间戳标签处理所述第一数据处理容器中的每个所述目标用户行为数据，得到目标用户行为分析结果，包括：
98.按序读取所述第一数据处理容器中所有目标用户行为数据，针对所有目标用户行为数据中的第m个目标用户行为数据，对所述第m个目标用户行为数据进行分析处理，得到所述第m个目标用户行为数据对应的行为分析结果；其中，m为正整数；
99.若所述第m个目标用户行为数据对应的行为分析结果不包含有预设的敏感行为信息，则继续对所述第一数据处理容器中的第m+1个目标用户行为数据进行分析处理；
100.若所述第m+1个目标用户行为数据对应的行为分析结果中包括有预设的敏感行为信息，则将所述第一数据处理容器中所有的目标用户行为数据各自对应的行为分析结果，均确定为预设的敏感行为信息，并将每个所述目标用户行为数据分别对应的行为分析结果作为目标用户行为分析结果。
101.可选地，作为一种可能的实施方式，所述根据每个所述目标用户行为数据对应的预设的敏感行为信息更新所述第一数据处理容器的容器参数，得到第二数据处理容器，包括：
102.根据每个所述目标用户行为数据对应的预设的敏感行为信息得到敏感数据信息标签；
103.利用所述敏感数据信息标签将所述第一数据处理容器的元数据信息中保存的正常信息标签进行替换，得到第二数据处理容器。
104.可选地，作为一种可能的实施方式，所述方法还包括：
105.将所述第一数据处理容器中保存的数据在信息验证网络中组播给所有的用户信息验证设备；其中，所述用户信息验证设备用于对所述第一数据处理容器中的每个所述目标用户行为数据进行验证，并根据每个所述目标用户行为数据对应的行为分析结果更新所述第一数据处理容器的容器参数，得到第三数据处理容器；
106.将所述第二数据处理容器的容器参数在实时信息验证网络中组播给所有的所述用户信息验证设备，且接收所述用户信息验证设备发送的所述第三数据处理容器的容器参数，将所述第三数据处理容器的容器参数确定为目标容器参数；
107.若所述第二数据处理容器的容器参数与所述目标容器参数相同，则确定所述第二数据处理容器合法性验证通过。
108.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的一些实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
109.也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
110.也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
111.另外，在本技术的一些实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
112.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术的一些实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
113.以上所述仅为本技术的部分实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
114.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在
不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于行为分析的用户筛选方法，其特征在于，所述方法包括：分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各所述敏感行为向量的敏感行为类型；读取用于指示所述多个敏感行为向量中任意两个敏感行为相互组合的组合概率的组合配置信息，并根据所述组合配置信息及各所述敏感行为类型，对所述多个敏感行为向量进行两两组合，得到所述敏感用户行为数据的敏感行为组合信息；根据各所述敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到所述敏感用户行为数据的互斥行为信息；基于所述敏感行为组合信息及所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选以筛选出针对所述敏感用户行为数据的目标群体标签，并根据目标群体标签筛选出目标用户对象。2.如权利要求1所述的方法，其特征在于，所述敏感行为向量包括连续域行为向量、离散域行为向量；所述分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各所述敏感行为向量的敏感行为类型，包括：对所述敏感用户行为数据的连续域行为向量进行离散域特征提取，得到所述连续域行为向量的离散域向量信息；对所述连续域行为向量的离散域向量信息进行行为分析，得到所述连续域行为向量的敏感行为类型；对所述敏感用户行为数据的离散域行为向量进行行为分析，获得所述离散域行为向量的敏感行为类型；将获得的所述连续域行为向量的敏感行为类型和所述离散域行为向量的敏感行为类型进行加权合并，确定为与各所述敏感行为向量相对应的敏感行为类型。3.如权利要求1所述的方法，其特征在于，所述读取用于指示所述多个敏感行为向量中任意两个敏感行为相互组合的组合概率的组合配置信息，包括：读取所述多个敏感行为向量中任意两个敏感行为相互组合的关联度参数和组合度参数；其中，所述关联度参数用于表征所述两个敏感行为相互组合的关联程度，所述组合度参数用于表征所述两个敏感行为相互组合的概率；将所述多个敏感行为向量中任意两个敏感行为相互组合的关联度参数和组合度参数进行加权相乘，得到所述多个敏感行为向量中任意两个敏感行为相互组合的组合配置信息。4.如权利要求1所述的方法，其特征在于，所述根据所述组合配置信息及各所述敏感行为类型，对所述多个敏感行为向量进行两两组合，得到所述敏感用户行为数据的敏感行为组合信息，包括：根据所述敏感用户行为数据的名额敏感行为向量的类型，分别读取所述敏感用户行为数据的每个敏感行为向量的预设比例系数；根据所述预设比例系数，将所述敏感用户行为数据的多个敏感行为向量进行加权求和，得到所述敏感用户行为数据的敏感行为程度指数；将所述敏感用户行为数据的多个敏感行为向量的敏感行为类型进行叉乘计算，并根据
计算结果获得所述敏感用户行为数据的敏感行为类型；将所述多个敏感行为向量中任意两个敏感行为相互组合的组合配置信息与所述敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数进行叉乘计算，生成所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合向量；将所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合向量与所述敏感用户行为数据的敏感行为类型对应的向量进行叉乘计算，生产所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数；将所述多个敏感行为向量中任意两个敏感行为相互组合的初始组合配置参数中各向量参数进行加权求和，生成所述多个敏感行为向量中任意两个敏感行为相互组合的敏感行为组合信息；将所述敏感用户行为数据的敏感行为程度指数与所述敏感用户行为数据的敏感行为组合信息进行组合，将组合得到的向量作为所述敏感用户行为数据的敏感行为组合信息。5.如权利要求1所述的方法，其特征在于，所述根据各所述敏感行为类型，对所述多个敏感行为向量进行互斥分析，得到所述敏感用户行为数据的互斥行为信息，包括：将所述敏感行为向量的敏感行为类型输入到预先训练完成的卷积神经网络进行处理，并获得所述卷积神经网络输出的各所述敏感行为向量对应的互斥行为关系；在预先构建的关系图谱中对各所述敏感行为向量的互斥行为关系进行信息映射，得到所述敏感用户行为数据的互斥行为信息；其中，所述关系图谱中包含有互斥行为关系与相应的互斥行为信息的映射关系。6.如权利要求1所述的方法，其特征在于，所述基于所述敏感行为组合信息及所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选，以筛选出针对所述敏感用户行为数据的目标群体标签，包括：根据所述敏感行为组合信息，对所述敏感用户行为数据的用户群体标签进行筛选，获得针对所述敏感用户行为数据的第一用户群体标签；根据所述互斥行为信息，对所述敏感用户行为数据的用户群体标签进行筛选，以获得针对所述敏感用户行为数据的第二用户群体标签；将所述第一用户群体标签与所述第二用户群体标签进行求交集处理，得到用于指示针对所述敏感用户行为数据的用户群体标签的目标群体标签。7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法应用于用户行为信息采集网络，所述用户行为信息采集网络包括行为信息管理设备和多个行为信息分析设备；获得所述敏感用户行为数据的步骤，包括：所述行为信息管理设备将用户行为数据库中具有同一个行为类型标签的至少一个用户行为数据包，确定为目标用户行为数据；将每个所述目标用户行为数据上传至第一数据处理容器中，根据时间戳标签处理所述第一数据处理容器中的每个所述目标用户行为数据，得到目标用户行为分析结果；若任一个所述目标用户行为分析结果中具有预设的敏感行为信息，则将每个所述目标用户行为数据对应的行为分析结果均更新为预设的敏感行为信息，根据每个所述目标用户行为数据对应的预设的敏感行为信息更新所述第一数据处理容器的容器参数，得到第二数据处理容器；
在所述第二数据处理容器合法性验证通过时，在所述第二数据处理容器对每个所述目标用户行为数据以及对应的预设的敏感行为信息进行敏感行为记录，得到敏感用户行为数据。8.根据权利要求7所述的方法，其特征在于，所述行为信息管理设备将用户行为数据库中具有同一个行为类型标签的至少一个用户行为数据包，确定为目标用户行为数据，包括：所述行为信息管理设备从用户行为数据库中筛选出初始用户行为数据包；其中，所述初始用户行为数据包具有预设的行为类型标签和初始行为参数；将所述初始用户行为数据包保存至所述预设的行为类型标签对应的行为类型数据暂存数组中，得到待处理行为类型数据暂存数组；若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数匹配率大于预设的第一匹配阈值，则将所述待处理行为类型数据暂存数组中的用户行为数据包，确定为目标用户行为数据；若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率小于或等于所述第一匹配阈值，且所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率大于预设的第二匹配阈值，则从所述用户行为数据库中再次筛选出具有所述预设的行为类型标签的用户行为数据包；其中，所述第一匹配阈值大于所述第二匹配阈值；若所述待处理行为类型数据暂存数组中的用户行为数据包的行为参数与所述初始行为参数的匹配率小于或等于所述第二匹配阈值，则将所述待处理行为类型数据暂存数组中的用户行为数据包重新保存至所述用户行为数据库中，并删除所述待处理行为类型数据暂存数组。9.根据权利要求7所述的方法，其特征在于，每个所述目标用户行为数据中均具有处理优先级；所述将每个所述目标用户行为数据上传至第一数据处理容器中，包括：根据每个所述目标用户行为数据中具有的处理优先级，将所有的所述目标用户行为数据存入数据缓存队列；将所述数据缓存队列中的目标用户行为数据依次上传至第一数据处理容器中。10.根据权利要求7所述的方法，其特征在于，所述根据时间戳标签处理所述第一数据处理容器中的每个所述目标用户行为数据，得到目标用户行为分析结果，包括：按序读取所述第一数据处理容器中所有目标用户行为数据，针对所有目标用户行为数据中的第m个目标用户行为数据，对所述第m个目标用户行为数据进行分析处理，得到所述第m个目标用户行为数据对应的行为分析结果；其中，m为正整数；若所述第m个目标用户行为数据对应的行为分析结果不包含有预设的敏感行为信息，则继续对所述第一数据处理容器中的第m+1个目标用户行为数据进行分析处理；若所述第m+1个目标用户行为数据对应的行为分析结果中包括有预设的敏感行为信息，则将所述第一数据处理容器中所有的目标用户行为数据各自对应的行为分析结果，均确定为预设的敏感行为信息，并将每个所述目标用户行为数据分别对应的行为分析结果作为目标用户行为分析结果。

技术总结
本申请提出一种基于行为分析的用户筛选方法，涉及信息技术领域，通过分别对敏感用户行为数据的多个敏感行为向量进行行为分析，得到对应各敏感行为向量的敏感行为类型；然后读取用于指示多个敏感行为向量中任意敏感行为向量组合概率的组合配置信息，并根据组合配置信息及各敏感行为类型，对多个敏感行为向量进行两两组合，得到该敏感用户行为数据的敏感行为组合信息；再根据各敏感行为类型，对多个敏感行为向量进行互斥分析，得到该敏感用户行为数据的互斥行为信息；以基于敏感行为组合信息及互斥行为信息筛选出针对该敏感用户行为数据的目标群体标签，以根据该目标群体标签筛选出目标用户对象；如此，能够提高筛选目标用户对象时的准确性。对象时的准确性。对象时的准确性。


技术研发人员：张有栋 张家驹 张辉 叶俊荣 刘峰 郭赢 蒋兵
受保护的技术使用者：张有栋
技术研发日：2022.02.10
技术公布日：2022/5/25