本發(fā)明涉及計算機，特別是涉及一種基于多源數(shù)據(jù)的目標人群獲取方法、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著網(wǎng)絡(luò)技術(shù)的大力發(fā)展，用戶使用終端設(shè)備獲取各種通信服務(wù)、互聯(lián)網(wǎng)服務(wù)等各種信息服務(wù)。然而，一些對用戶的財產(chǎn)產(chǎn)生危害的危險互聯(lián)網(wǎng)行為也隨之產(chǎn)生并日趨嚴重，呈現(xiàn)多樣化、隱蔽性高等特點，從而會對用戶的信息和/或財產(chǎn)安全產(chǎn)生潛在的危險。因此，如果能夠準確識別出這種危險互聯(lián)網(wǎng)行為易感人群并進行預(yù)警，在一定程度上能夠?qū)ξｋU互聯(lián)網(wǎng)行為起到預(yù)防作用。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

2、本發(fā)明實施例提供一種基于多源數(shù)據(jù)的目標人群獲取方法，所述方法包括如下步驟：

3、s100，獲取候選用戶的互聯(lián)網(wǎng)興趣特征數(shù)據(jù)和互聯(lián)網(wǎng)行為特征數(shù)據(jù)對應(yīng)的第一預(yù)測值y1和第二預(yù)測值y2以及社會屬性數(shù)據(jù)，其中，所述第一預(yù)測值y1為表征基于互聯(lián)網(wǎng)興趣特征數(shù)據(jù)預(yù)測對應(yīng)的候選用戶為目標人群的概率，所述第二預(yù)測值y2為表征基于互聯(lián)網(wǎng)行為特征數(shù)據(jù)預(yù)測對應(yīng)的候選用戶為目標人群的概率；

4、s200，獲取所述候選用戶的目標特征的第一權(quán)重，所述目標特征包括所述第一預(yù)測值、所述第二預(yù)測值和所述社會屬性數(shù)據(jù)；

5、s300，基于所述目標特征的第一權(quán)重獲取初始標度值集，并基于所述初始標度值集獲取所述目標特征的初始判斷矩陣；

6、s400，對當前的判斷矩陣進行一致性檢驗，如果通過，執(zhí)行s500；否則，對當前標度值集進行調(diào)整，并基于調(diào)整后的標度值集調(diào)整所述當前的判斷矩陣，并執(zhí)行s400；

7、s500，基于當前的判斷矩陣獲取目標特征的第二權(quán)重，并基于所述目標特征和對應(yīng)的第二權(quán)重獲取候選用戶的目標值；執(zhí)行s600；

8、s600，如果所述候選用戶的目標值大于設(shè)定閾值，則將所述候選用戶設(shè)置為目標人群。

9、可選地，s300具體包括：

10、s301，將所述目標特征的第一權(quán)重按照升序或者降序的方式進行排序，得到第一權(quán)重序列l(wèi)＝{l1，l2，……，lp，……，lq}，lp為l中的第p個權(quán)重，p的取值為1到q，q為l中的權(quán)重數(shù)量；

11、s302，獲取初始標度系數(shù)f0＝d1q/(smax-1)，d1q＝∣△l1-△lq∣，smax為預(yù)設(shè)標度集中的最大標度值；

12、s303，獲取l中第k個權(quán)重lk和第g個權(quán)重lk+1之間的標度值skg＝[∣△lk-△lg∣/f0]+1，[]表示取整，k和g的取值為1到q-1，并且k≠g；形成初始標度值集s0＝{skg}；

13、s304，基于s0，構(gòu)建所述目標特征的初始判斷矩陣。

14、可選地，在s400中，對當前標度值集進行調(diào)整，并基于調(diào)整后的標度值集調(diào)整所述當前的判斷矩陣，具體包括：

15、s401，如果(sc-△b)＞s2，執(zhí)行s402，否則，退出當前控制程序；sc為當前標度值集中的最大標度值，△b為相鄰兩個標度值之間的標度差，s2為預(yù)設(shè)標度值集中的第二小的標度值；

16、s402，獲取當前標度系數(shù)fc＝d1q/(sc-△b-1)；

17、s403，獲取lk和lk+1之間的調(diào)整標度值sckg＝[∣△lk-△lg∣/fc]+1；得到調(diào)整后的標度值集sc＝{sckg}；

18、s404，基于sc，調(diào)整當前的判斷矩陣。

19、可選地，所述預(yù)設(shè)標度值集為{1，2，……，9}。

20、可選地，所述互聯(lián)網(wǎng)興趣特征數(shù)據(jù)為app安裝數(shù)據(jù)，所述互聯(lián)網(wǎng)行為特征數(shù)據(jù)為金融交易數(shù)據(jù)。

21、可選地，所述第一預(yù)測值和第二預(yù)測值基于線性回歸模型或者xgboost模型獲取。

22、可選地，所述第一權(quán)重基于xgboost模型獲取。

23、可選地，所述第一權(quán)重通過xgboost模型和專家經(jīng)驗獲取。

24、本發(fā)明實施例還提供一種非瞬時性計算機可讀存儲介質(zhì)，所述存儲介質(zhì)中存儲有至少一條指令或至少一段程序，其特征在于，所述至少一條指令或所述至少一段程序由處理器加載并執(zhí)行以實現(xiàn)前述方法。

25、本發(fā)明實施例還提供一種電子設(shè)備，包括處理器和前述的非瞬時性計算機可讀存儲介質(zhì)。

26、本發(fā)明至少具有以下有益效果：

27、本發(fā)明實施例提供的基于多源數(shù)據(jù)的目標人群獲取方法，能夠基于候選用戶的互聯(lián)網(wǎng)興趣特征數(shù)據(jù)、互聯(lián)網(wǎng)行為特征數(shù)據(jù)以及社會屬性數(shù)據(jù)，構(gòu)建判斷矩陣來獲取候選用戶為目標人群的概率，能夠準確的識別出目標人群。

技術(shù)特征：

1.一種基于多源數(shù)據(jù)的目標人群獲取方法，其特征在于，所述方法包括如下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，s300具體包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，在s400中，對當前標度值集進行調(diào)整，并基于調(diào)整后的標度值集調(diào)整所述當前的判斷矩陣，具體包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)標度值集為{1，2，……，9}。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述互聯(lián)網(wǎng)興趣特征數(shù)據(jù)為app安裝數(shù)據(jù)，所述互聯(lián)網(wǎng)行為特征數(shù)據(jù)為金融交易數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一預(yù)測值和第二預(yù)測值基于線性回歸模型或者xgboost模型獲取。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一權(quán)重基于xgboost模型獲取。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一權(quán)重通過xgboost模型和專家經(jīng)驗獲取。

9.一種非瞬時性計算機可讀存儲介質(zhì)，所述存儲介質(zhì)中存儲有至少一條指令或至少一段程序，其特征在于，所述至少一條指令或所述至少一段程序由處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1-8中任意一項的所述方法。

10.一種電子設(shè)備，其特征在于，包括處理器和權(quán)利要求9中所述的非瞬時性計算機可讀存儲介質(zhì)。

技術(shù)總結(jié)
本發(fā)明提供了一種基于多源數(shù)據(jù)的目標人群獲取方法，包括：獲取候選用戶的互聯(lián)網(wǎng)興趣特征數(shù)據(jù)和互聯(lián)網(wǎng)行為特征數(shù)據(jù)對應(yīng)的第一預(yù)測值和第二預(yù)測值以及社會屬性數(shù)據(jù)；獲取候選用戶的目標特征的第一權(quán)重；基于目標特征的第一權(quán)重獲取初始標度值集，并基于初始標度值集獲取目標特征的初始判斷矩陣；對當前的判斷矩陣進行一致性檢驗，如果通過，基于當前的判斷矩陣獲取目標特征的第二權(quán)重，并獲取候選用戶的目標值；否則，對當前標度值集進行調(diào)整，并基于調(diào)整后的標度值集調(diào)整當前的判斷矩陣，對當前的判斷矩陣進行一致性檢驗；如果候選用戶的目標值大于設(shè)定閾值，則將候選用戶設(shè)置為目標人群。本發(fā)明能夠準確的識別出目標人群。

技術(shù)研發(fā)人員：龐照允,董霖,王姣平,李怡靜,孫勇韜
受保護的技術(shù)使用者：杭州云深科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23