用户画像生成方法、装置及计算机设备与流程

1.本发明涉及金融领域，具体而言，涉及用户画像生成方法、装置及计算机设备。


背景技术：

2.在金融领域，传统的用户画像大多采用逻辑回归算法实现二分类模型实现，然而，在相关技术中，逻辑回归算法假设了自变量同响应变量线性相关且自变量相互独立，故难以挖掘特征变量的非线性关系与特征交叉组合的信息；此外，在使用woe（weight of evidence，证据权重）编码进行数据分箱时过于依赖于人工分箱操作，因此，如何提高模型对非线性关系的挖掘，并减少人工操作的偶然性是亟待解决的问题。


技术实现要素：

3.为克服相关技术中存在的问题，本公开提供一种用户画像生成方法、装置及计算机设备。
4.根据本公开实施例的第一方面，提供一种用户画像生成方法，包括：获取目标用户的用户数据，所述用户数据包括所述目标用户的交易数据；基于直方图算法对所述用户数据进行分箱处理，得到分箱数据；将所述分箱数据输入预先训练得到的用户画像生成模块中的由多个回归树组成的树模型，得到预测特征；将所述预测特征输入所述用户画像生成模块中的逻辑回归模型，得到对应所述目标用户的用户标签，以生成至少能够表征用户信用信息的用户画像。
5.可选地，所述将所述分箱数据输入预先训练得到用户画像生成模块中的由多个回归树组成的树模型，得到预测特征包括：将所述分箱数据分别输入所述树模型中的各个回归树，得到对应每一所述回归树的预测子特征；对所述预测子特征进行组合编码，得到组合编码特征作为所述预测特征。
6.可选地，所述多个回归树中的每一回归树中包括一个或多个预测节点；对所述预测子特征进行组合编码，得到组合编码特征作为所述预测特征包括：根据每一回归树中的各个预测节点的预测值，进行独热编码得到所述组合编码特征。
7.可选地，所述方法包括：对目标用户对应的原始用户数据进行预处理操作，得到预处理后的第一用户数据，其中，所述预处理操作包括重复值处理、缺失值处理和异常值处理中的一者或多者；对所述第一用户数据进行特征衍生以及特征工程，得到所述目标用户的用户数据，其中，所述特征衍生以及特征工程包括数据汇总处理、数据统计处理和数字标签编码处理中的一者或多者。
8.可选地，所述用户画像生成模块是根据以下方式训练得到的：
获取样本数据集，所述样本数据集包括样本用户数据，以及与所述样本用户数据对应的预先标注的样本用户标签；基于直方图算法对所述样本用户数据进行分箱处理，得到样本分箱数据；根据所述样本分箱数据以及所述样本用户标签，构建所述树模型；将所述样本分箱数据输入所述树模型，得到样本预测特征；根据所述样本预测特征以及所述样本用户标签，构建所述逻辑回归模型，得到训练完成的用户画像生成模块。
9.可选地，所述根据所述样本分箱数据以及所述样本用户标签，构建所述树模型包括：根据第一样本分箱数据以及与所述第一样本分箱数据对应的第一样本用户标签，构建所述树模型中的第一回归树，并确定所述第一回归树的第一残差；根据所述样本分箱数据以及所述样本用户标签，以及所述第一残差，进行多轮迭代，构建所述树模型中的其他回归树，得到所述树模型。
10.可选地，所述根据所述样本分箱数据以及所述样本用户标签，以及所述第一残差，进行多轮迭代，构建所述树模型中的其他回归树得到所述树模型包括：重复根据下一迭代周期对应的第二样本分箱数据、所述第二样本分箱数据对应的第二样本用户标签以及上一迭代周期对应的回归树的残差，构建得到下一迭代周期的回归树的步骤；在满足预设停止迭代条件的情况下停止迭代，得到所述树模型。
11.可选地，所述方法包括：在所述树模型中的回归树的数量达到预设数量阈值的情况下，确定满足所述预设停止迭代条件；和/或，在当前迭代周期的回归树的残差小于或等于预设残差阈值的情况下，确定满足所述预设停止迭代条件。
12.根据本公开实施例的第二方面，提供一种用户画像生成装置，包括：获取模块，用于获取目标用户的用户数据，所述用户数据包括所述目标用户的交易数据；分箱模块，用于基于直方图算法对所述用户数据进行分箱处理，得到分箱数据；预测模块，用于将所述分箱数据输入预先训练得到用户画像生成模块中的由多个回归树组成的树模型，得到预测特征；生成模块，用于将所述预测特征输入所述用户画像生成模块中的逻辑回归模型，得到对应所述目标用户的用户标签，以生成至少能够表征用户信用信息的用户画像。
13.根据本公开实施例的第三方面，提供一种计算机设备，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行本公开第一方面中任意一项所述的用户画像生成方法。
14.本公开的实施例提供的技术方案可以包括以下有益效果：通过直方图算法对用户数据进行分箱处理，根据特征直方图的离散值，遍历寻找最优的分割点，对连续特征划分能力强，且泛化能力强，可以有效地处理连续特征，相比传统人工分箱操作效率更高并且避免了人工操作的偶然性，并且，基于多回归树构成的树模型对分箱数据进行处理，能够有效地
挖掘特征的非线性关系，有效地解决了特征选择和特征交叉的问题，进而能够使得最终生成得到的用于表征用户信用信息的用户画像更加准确。
15.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
16.为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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他相关的附图。
17.图1是根据一示例性实施例示出的一种用户画像生成方法的流程图；图2是根据一示例性实施例示出的一种用户画像生成模块的训练方法的流程图；图3是根据一示例性实施例示出的一种用户画像生成模块的训练方法的另一流程图；图4是根据一示例性实施例示出的一种用户画像生成模块的示意图；图5是根据一示例性实施例一种用户画像生成装置的框图；图6是根据一示例性实施例示出的一种计算机设备的结构框图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
19.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
20.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。
21.此外，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。
22.下面结合附图，对本发明的具体实施方式进行详细说明。
23.图1是根据一示例性实施例示出的一种用户画像生成方法的流程图，该方法可以应用于计算机设备，该计算机设备可以是用户终端也可以是服务器等，本公开的对此不作具体限定，如图1所示，该方法包括：s101、获取目标用户的用户数据，所述用户数据包括所述目标用户的交易数据。
24.其中，该用户数据中的交易数据具体可以包括，但不限于，用户基本信息、储蓄流水、理财交易流水、征信信息等数据。
25.值得说明的是，用户数据的获取是在得到用户授权许可和/或金融机构授权许可
的情况下才会执行的，在未获得用户授权许可的情况下，可以禁用执行主体获取用户数据的功能。并且，获取得到的用户数据可以仅用于下述用户画像的生成，例如，在获取到用户数据后，将该用户数据存储于文件沙箱中，在确定用户画像生成完成后，将该用户数据从该文件沙箱中删除。
26.s102、基于直方图算法对所述用户数据进行分箱处理，得到分箱数据。
27.其中，在步骤s102中，对该分享数据的最大分箱数量可以是256，基于直方图算法对该用户数据分箱，可以将连续变量离散化，在后续步骤s103中树模型分裂时根据分箱离散值寻找最优分割点，可以大大提高计算速度。
28.s103、将所述分箱数据输入预先训练得到的用户画像生成模块中的由多个回归树组成的树模型，得到预测特征。
29.其中，该树模型可以是lightgbm模型。每一回归树可以包括至少一个节点，每一节点均可以用于对特征进行编码，并且每一回归树的生成过程可以是一个标准的回归树生成过程，因此每一节点的分裂是一个特征选择的最优化过程，进而最后得到的预测特征包含了用户数据在多层节点中特征的交叉信息。
30.在一些可选地实施例中，该树模型中可以集成上述步骤s102中的直方图算法。
31.s104、将所述预测特征输入所述用户画像生成模块中的逻辑回归模型，得到对应所述目标用户的用户标签，以生成至少能够表征用户信用信息的用户画像。
32.其中，该逻辑回归模型可以是l1正则化的逻辑回归模型，即在该逻辑回归模型的训练过程中可以采用l1损失。用户标签可以包括高风险标签、低风险标签或者无风险标签等，进而使得相关机构可以基于该标签确定是否为该目标用户办理相应的业务。
33.可以理解的是，用户画像可以是由多个用户标签构成的，基于该用户画像中的用户标签，即可以使得该用户画像能够表征用户信用信息，例如，若该用户画像包括高风险标签，则基于该用户画像则可以确定该用户信用较低。
34.在本公开实施例中，通过直方图算法对用户数据进行分箱处理，根据特征直方图的离散值，遍历寻找最优的分割点，对连续特征划分能力强，且泛化能力强，可以有效地处理连续特征，相比传统人工分箱操作效率更高并且避免了人工操作的偶然性，并且，基于多回归树构成的树模型对分箱数据进行处理，能够有效地挖掘特征的非线性关系，有效地解决了特征选择和特征交叉的问题，进而能够使得最终生成得到的用于表征用户信用信息的用户画像更加准确。
35.在一些可选地实施例中，所述将所述分箱数据输入预先训练得到用户画像生成模块中的由多个回归树组成的树模型，得到预测特征包括：将所述分箱数据分别输入所述树模型中的各个回归树，得到对应每一所述回归树的预测子特征；对所述预测子特征进行组合编码，得到组合编码特征作为所述预测特征。
36.可以理解的是，树模型中的每一回归树的参数以及节点数等信息可以均不相同，因此对应样本数据输出的预测子特征可以是完全不同的。
37.采用上述方案，通过采集各个回归树输出的对应用户数据的预测子特征，并对各个预测特征子特征进行组合编码得到融合多个回归树预测值的预测特征，能够保证每一回归树的预测信息均能够在逻辑回归模型中得到应用，能够使得该用户画像生成模型既挖掘了非线性特征的信息，又具备线性模型的可解释性，有效地提高了用户画像生成模块的整
体预测性能。
38.进一步，所述多个回归树中的每一回归树中包括一个或多个预测节点；对所述预测子特征进行组合编码，得到组合编码特征作为所述预测特征包括：根据每一回归树中的各个预测节点的预测值，进行独热编码得到所述组合编码特征。
39.可以理解的是，回归树中的每一个预测节点可以代表一个决策路径。
40.示例地，若某一回归树a包括三个预测节点，分别是1a.年龄》=30岁；2a.年龄《30岁且收入《15000元；3a.年龄《30岁且收入》=15000元。另一决策树b包括两个预测节点，分别是1b.年龄》50岁；2b.年龄《=50岁且负债《200000元。若某一样本在回归树a落在预测节点2a上，在回归树b落在2b上，则针对回归树a的预测子特征的编码则可以是[0，1，0]，针对回归树b的预测子特征的编码则可以是[0，1]，进行独热（one-hot）编码后，则可以得到组合编码特征为[0，1，0，0，1]。
[0041]
采用上述方式，通过根据每一回归树中各个预测节点的预测值进行热度编码，能够有效地融合各个回归树针对样本的预测值，进而使得该用户画像生成模型既能够挖掘非线性特征的信息，又具备线性模型的可解释性，有效地提高了用户画像生成模块的整体预测性能。
[0042]
在一些可选地实施例中，所述方法包括：对目标用户对应的原始用户数据进行预处理操作，得到预处理后的第一用户数据，其中，所述预处理操作包括重复值处理、缺失值处理和异常值处理中的一者或多者；对所述第一用户数据进行特征衍生以及特征工程，得到所述目标用户的用户数据，其中，所述特征衍生以及特征工程包括数据汇总处理、数据统计处理和数字标签编码处理中的一者或多者。
[0043]
示例地，数据汇总处理、数据统计处理可以是将经过预处理后的大量原始流水数据中近6月的转入金额以及转出金额进行统计与汇总，进而得到该用户数据。数字标签编码处理可以是对非数值变量做label encoding（标签编码）编码处理。
[0044]
可以理解的是，原始用户数据中可能包括大量的无效数据以及可能会影响用户画像生成的冗余数据，采用上述方案，能够有效地从原始数据中剔除这些数据，进而保证了得到的用户画像更加准确，避免因为用户画像构建不准确进而造成损失。
[0045]
图2是根据一示例性实施例示出的一种用户画像生成模块的训练方法的流程图。其中，该方法的执行主体可以与图1所示的方法的执行主体相同，也可以不同，本公开对比并不限定。例如，图1所示的方法的执行主体可以是用户终端，该方法的执行主体可以是服务器，即，该服务器训练得到该用户画像生成模块后，将该用户画像生成模块发送至用户终端，以使得用户终端根据该模型执行如图1所示的方法的步骤。
[0046]
如图2所示，该方法包括：s201、获取样本数据集，所述样本数据集包括样本用户数据，以及与所述样本用户数据对应的预先标注的样本用户标签。
[0047]
s202、基于直方图算法对所述样本用户数据进行分箱处理，得到样本分箱数据。
[0048]
s203、根据所述样本分箱数据以及所述样本用户标签，构建所述树模型。
[0049]
s204、将所述样本分箱数据输入所述树模型，得到样本预测特征。
[0050]
s205、根据所述样本预测特征以及所述样本用户标签，构建所述逻辑回归模型，得到训练完成的用户画像生成模块。
[0051]
其中，在步骤s205中，可以是根据l1正则化损失构建的该逻辑回归模型。
[0052]
在一些可能的实施方式中，该方法还包括：获取验证样本集，该验证样本集可以包括验证用户数据，以及与验证用户数据对应的预先标注的验证用户标签；在步骤s205之后，根据该验证用户数据，以及该验证用户标签对该用户画像生成模块进行验证，并根据验证结果，调整该用户画像生成模块中的参数，进而得到验证后的用户画像生成模块。或者，在验证结果不满足预设条件的情况下，重新执行上述s201至步骤s205，并重新进行验证，直至验证结果满足该预设条件。
[0053]
在一些可选地实施例中，所述根据所述样本分箱数据以及所述样本用户标签，构建所述树模型包括：根据第一样本分箱数据以及与所述第一样本分箱数据对应的第一样本用户标签，构建所述树模型中的第一回归树，并确定所述第一回归树的第一残差；根据所述样本分箱数据以及所述样本用户标签，以及所述第一残差，进行多轮迭代，构建所述树模型中的其他回归树，得到所述树模型。
[0054]
可以理解的是，第一样本分箱数据可以是样本分箱数据中任一分箱中的样本集，该第一样本用户标签即为对应该样本集的标签。或者，对该分箱数据中每一分箱进行编号，第一样本分箱数据未编号为1的分箱对应的分箱数据。
[0055]
其中，该第一残差可以包括对应每一样本的残差，或者，可以是对应任意一个样本的残差，该残差即是该第一回归树对应样本的预测误差，进而，将该残差作为拟合目标，构建第二棵回归树，并将第二棵回归树的残差作为第三棵回归树的拟合目标以构建第三棵回归树，并以此类推。
[0056]
具体地，所述根据所述样本分箱数据以及所述样本用户标签，以及所述第一残差，进行多轮迭代，构建所述树模型中的其他回归树得到所述树模型包括：重复根据下一迭代周期对应的第二样本分箱数据、所述第二样本分箱数据对应的第二样本用户标签以及上一迭代周期对应的回归树的残差，构建得到下一迭代周期的回归树的步骤；在满足预设停止迭代条件的情况下停止迭代，得到所述树模型。
[0057]
可以理解的是，对应该树模型中的第n棵回归树，则是根据第n组样本分箱数据以及该样本分箱数据对应的用户标签以及第n-1棵回归树的残差构建得到的。
[0058]
采用本方案，通过构建第一回归树并至少基于该第一回归树的第一残差，通过迭代多棵回归树，可以使得经过多次迭代对该残差进行修正，减少该树模型的整体残差，进而提高该用户画像生成模块生成的用户标签的准确性。
[0059]
在另一些可选地实施例中，所述方法包括：在所述树模型中的回归树的数量达到预设数量阈值的情况下，确定满足所述预设停止迭代条件；和/或，在当前迭代周期的回归树的残差小于或等于预设残差阈值的情况下，确定满足所述预设停止迭代条件。
[0060]
其中，预设数量阈值可以是100，预设残差阈值可以是0，本公开对其具体数值不作
限定，相关技术人员可以根据其实际需求进行标定。
[0061]
即可以在构建100棵回归树的情况下，停止迭代得到相应的树模型，或者在第n棵回归树的残差为0时，停止迭代得到相应的树模型。
[0062]
采用上述方案，通过设置预设数量阈值和或预设残差阈值，能够有效地对模型训练进行约束，避免树模型中的回归树数量过多导致对用户画像的构建的计算量过大，并能够避免该树模型无法收敛导致无限迭代导致算力的浪费。
[0063]
基于以上的发明构思，本公开还提供如图3所示的根据一示例性实施例示出的一种用户画像生成模块的训练方法的另一流程图，其中，该用户画像生成模块可以是如图4所示，参照图4，该用户画像生成模块包括树模型，以及逻辑回归模型，其中，该树模型中还包括直方图算法以及独热编码算法，该树模型可以是lightgbm模型，该树模型由多棵回归树构成，即，回归树a至回归树n构成，每一回归树的根节点下可以包括至少一个预测节点，在图4中，预测节点由圆形表示。在另一些实施例中，该直方图算法可以内置于该lightgbm模型中。
[0064]
如图3所示，该方法包括：s301、获取用户原始数据以及与用户原始数据对应的标签。
[0065]
s302、对该用户原始数据进行预处理以及特征工程，得到原始的衍生特征作为样本数据集。
[0066]
其中，预处理包括重复值处理、缺失值处理和异常值处理中的一者或多者；特征工程包括数据汇总处理、数据统计处理和数字标签编码处理中的一者或多者。
[0067]
s303、将该样本数据集划分为训练集和测试集。
[0068]
其中，可以是按照十分之七为训练集，十分之三为测试集划分的。
[0069]
s304、基于直方图算法对样本集进行分箱处理，得到样本分箱数据。
[0070]
s305、根据样本分箱数据以及对应的标签，构建树模型。
[0071]
s306、根据树模型的预测结果，进行独热编码得到组合编码特征。
[0072]
s307、根据该组合编码特征以及样本分箱数据对应的标签，建立逻辑归回模型。
[0073]
其中，可以是根据l1正则化损失构建的该逻辑回归模型。
[0074]
s308、根据测试集以及对树模型以及逻辑回归模型进行测试，并根据测试结果调整，结合该树模型以及逻辑回归模型得到训练完成的用户画像生成模块。
[0075]
基于以上方式得到的用户画像生成模块具备以下优势：在由多棵回归树组成的用户画像生成模块复合模型中，每棵树生成的过程是一个标准的回归树生成过程，因此每个节点的分裂是一个特征选择的最优化过程，而最后的预测节点则包含了该样本在多层节点中特征的交叉信息，因此可以挖掘特征的非线性关系，同时也非常高效的解决了特征选择和特征交叉组合的问题。
[0076]
采用直方图算法，根据特征直方图的离散值，遍历寻找最优的分割点，对连续特征划分能力强，且泛化能力强，可以帮助逻辑回归模型处理连续特征，相比传统人工分箱操作效率更高并且避免了人工操作的偶然性。
[0077]
将树模型的预测结果编码后输入正则化逻辑回归模型中，使得该用户画像生成模型既挖掘了非线性特征的信息，又具备线性模型的可解释性，预测性能胜过单个的逻辑回归模型。
[0078]
图5是根据一示例性实施例示出的一种用户画像生成装置的框图，如图5所示，该用户画像生成装置50包括：获取模块51，用于获取目标用户的用户数据，所述用户数据包括所述目标用户的交易数据；分箱模块52，用于基于直方图算法对所述用户数据进行分箱处理，得到分箱数据；预测模块53，用于将所述分箱数据输入预先训练得到的用户画像生成模块中的由多个回归树组成的树模型，得到预测特征；生成模块54，用于将所述预测特征输入所述用户画像生成模块中的逻辑回归模型，得到对应所述目标用户的用户标签，以生成至少能够表征用户信用信息的用户画像。
[0079]
可选地，所述预测模块53，用于：将所述分箱数据分别输入所述树模型中的各个回归树，得到对应每一所述回归树的预测子特征；对所述预测子特征进行组合编码，得到组合编码特征作为所述预测特征。
[0080]
可选地，所述多个回归树中的每一回归树中包括一个或多个预测节点；所述预测模块53，还用于：根据每一回归树中的各个预测节点的预测值，进行独热编码得到所述组合编码特征。
[0081]
可选地，所述用户画像生成装置50用于：对目标用户对应的原始用户数据进行预处理操作，得到预处理后的第一用户数据，其中，所述预处理操作包括重复值处理、缺失值处理和异常值处理中的一者或多者；对所述第一用户数据进行特征衍生以及特征工程，得到所述目标用户的用户数据，其中，所述特征衍生以及特征工程包括数据汇总处理、数据统计处理和数字标签编码处理中的一者或多者。
[0082]
可选地，所述用户画像生成装置50用于：获取样本数据集，所述样本数据集包括样本用户数据，以及与所述样本用户数据对应的预先标注的样本用户标签；基于直方图算法对所述样本用户数据进行分箱处理，得到样本分箱数据；根据所述样本分箱数据以及所述样本用户标签，构建所述树模型；将所述样本分箱数据输入所述树模型，得到样本预测特征；根据所述样本预测特征以及所述样本用户标签，构建所述逻辑回归模型，得到训练完成的用户画像生成模块。
[0083]
可选地，所述用户画像生成装置50用于：根据第一样本分箱数据以及与所述第一样本分箱数据对应的第一样本用户标签，构建所述树模型中的第一回归树，并确定所述第一回归树的第一残差；根据所述样本分箱数据以及所述样本用户标签，以及所述第一残差，进行多轮迭代，构建所述树模型中的其他回归树，得到所述树模型。
[0084]
可选地，所述用户画像生成装置50用于：重复根据下一迭代周期对应的第二样本分箱数据、所述第二样本分箱数据对应的第二样本用户标签以及上一迭代周期对应的回归树的残差，构建得到下一迭代周期的回归
树的步骤；在满足预设停止迭代条件的情况下停止迭代，得到所述树模型。
[0085]
可选地，所述用户画像生成装置50用于：在所述树模型中的回归树的数量达到预设数量阈值的情况下，确定满足所述预设停止迭代条件；和/或，在当前迭代周期的回归树的残差小于或等于预设残差阈值的情况下，确定满足所述预设停止迭代条件。
[0086]
需要说明的是，前述用户画像生成装置50的实现原理可以参考前述用户画像生成方法的实现原理，在此不再赘述。应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，用户画像生成装置可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上用户画像生成方法的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0087]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个微处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。
[0088]
本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的用户画像生成方法。如图6所示，图6为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括用户画像生成装置50、存储器111、处理器112及通信单元113。
[0089]
为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。在用户画像生成装置50包括至少一个可以软件或固件（firmware）的形式存储于存储器111中或固化在计算机设备100的操作系统（operating system，os）中的软件功能模块。处理器112用于执行存储器111中存储的用户画像生成方法，例如在用户画像生成装置50所包括的软件功能模块及计算机程序等。
[0090]
本发明实施例提供一种可读存储介质，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备执行前述的用户画像生成方法。
[0091]
出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可
行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。