本發(fā)明涉及用戶畫像領(lǐng)域，尤其涉及一種人機交互構(gòu)建用戶畫像聚類計算方法。

背景技術(shù)：

用戶畫像，即用戶信息標(biāo)簽化，就是通過收集與分析用戶社會屬性、生活習(xí)慣、行為等主要信息的數(shù)據(jù)之后，完美地抽象出一個用戶的全貌。用戶畫像為企業(yè)提供了足夠的信息基礎(chǔ)，能夠幫助企業(yè)快速找到精準(zhǔn)用戶群體以及用戶需求等更為廣泛的反饋信息。其中，屬性是進行用戶畫像所需要統(tǒng)計的維度，如性別下的男和女，年齡下的少年、青年、中年、老年，收入等級下的貧困，中低，中等，富裕等。

現(xiàn)有技術(shù)中用戶畫像方法主要有兩種：通過用戶的注冊信息直接畫出用戶畫像的方法；對用戶的行為進行監(jiān)測，而后為用戶打上各種標(biāo)簽，后臺工作人員利用個人經(jīng)驗對所有標(biāo)簽進行分析推導(dǎo)得出用戶畫像的方法。

但現(xiàn)有技術(shù)過于依賴后臺工作人員個人因素會導(dǎo)致得到的用戶畫像結(jié)果的差異性很大，同時也很難避免噪音標(biāo)簽對用戶畫像的干擾，而且也沒有考慮到標(biāo)簽的時效性，導(dǎo)致最終得到的用戶畫像不夠精確。

技術(shù)實現(xiàn)要素：

本發(fā)明提供的人機交互構(gòu)建用戶畫像聚類計算方法，通過精確計算行為分值，比較后確定其行為屬性，從而獲得用戶畫像，既保證了時效性，又能得到更加精確的用戶畫像。

本發(fā)明提供的技術(shù)方案為：

一種人機交互構(gòu)建用戶畫像聚類計算方法，包括：

步驟一：獲取用戶發(fā)送的基于自然情景的語句，采用閾值語音降噪算法對輸入語句進行濾波降噪，并從用戶下達給機器人指令中提取代表用戶特征的關(guān)鍵詞作為特征標(biāo)簽，并給每個特征標(biāo)簽賦予初始分值和初始加權(quán)值，全部特征標(biāo)簽的集合構(gòu)成標(biāo)簽數(shù)據(jù)庫；

步驟二：根據(jù)一段時間內(nèi)為用戶打上的每一種標(biāo)簽的數(shù)量、使用頻率和使用時間、利用推導(dǎo)規(guī)則從標(biāo)簽推導(dǎo)出的屬性、推導(dǎo)規(guī)則的邏輯強度值，確定每一種標(biāo)簽推導(dǎo)出的各種屬性的行為分值；

步驟三：將其中一種標(biāo)簽推導(dǎo)出的其中一種屬性的行為分值與預(yù)定閾值進行對比，判斷是否能夠確定用戶屬性包含所述其中一種屬性，若否，則利用所述行為分值連同其他標(biāo)簽下的對應(yīng)于所述其中一種屬性的行為分值推算聯(lián)合行為屬性閾值，通過聯(lián)合行為屬性閾值判斷是否能夠確定用戶屬性包含所述其中一種屬性；

步驟四：通過多個語義化的用戶屬性來還原用戶的全貌，完成用戶畫像。

優(yōu)選的是，所述用戶畫像信息為描述包括所述用戶個性、特點和行為特征的信息。

優(yōu)選的是，所述步驟二之前，還包括建立標(biāo)簽規(guī)則庫：

提供標(biāo)簽、屬性、以及標(biāo)簽和屬性之間的推導(dǎo)規(guī)則；

根據(jù)所述標(biāo)簽和屬性之間的推導(dǎo)規(guī)則的強弱設(shè)置相應(yīng)的邏輯強度值。

優(yōu)選的是，所述行為分值為：

其中，I_i為對應(yīng)標(biāo)記為i屬性的行為分值，L_i0為初始分值，ω_io為初始加權(quán)值，m為標(biāo)簽數(shù)量，f為標(biāo)簽使用頻率。

優(yōu)選的是，還包括獲得并存儲終端的上報信息，包括：

獲得終端通過軟件開發(fā)包SDK方式傳輸?shù)脑瓷蠄笮畔?，或者獲得終端通過JS代碼方式傳輸?shù)脑瓷蠄笮畔ⅲ?/p>

對所述源上報信息進行篩選獲得上報信息；

將所述上報信息與預(yù)設(shè)標(biāo)識符關(guān)聯(lián)存儲。

優(yōu)選的是，還包括：基于所述關(guān)聯(lián)存儲的標(biāo)識信息，調(diào)整機器人的指令推送比重。

優(yōu)選的是，所述步驟三中聯(lián)合行為屬性閾值為：

I_i為對應(yīng)標(biāo)簽為i屬性的行為分值，I_i+1為其他標(biāo)簽為i+1屬性的行為分值

優(yōu)選的是，所述語音降噪算法，包括：

a，通過端點檢測將語音幀區(qū)分為靜音幀和語音幀；

b，對于靜音幀，計算當(dāng)前幀的功率譜值作為噪聲功率譜估計值，對于語音幀，計算語音噪聲功率譜估計值；

c，將語音幀的功率譜減去噪聲功率譜估計值，得到降噪后的語音功率譜；

d，根據(jù)降噪后的語音功率譜得出降噪后的語音幀。

優(yōu)選的是，所述語音噪聲功率譜估計值計算公式為：

其中，I為噪聲功率譜能量；閾值n為噪音信號的幀號；j＝1^-5為轉(zhuǎn)換系數(shù)，e為自然常數(shù)；π為圓周率；f_c為噪音信號的頻率；τ(t)＝0.03t²+0.6t+0.1；t為分解尺度，1≤t≤4。

本發(fā)明的有益效果

本發(fā)明提供的人機交互構(gòu)建用戶畫像聚類計算方法，通過精確計算行為分值，比較后確定其行為屬性，從而獲得用戶畫像，既保證了時效性，又能得到更加精確的用戶畫像。

附圖說明

圖1為本發(fā)明所述的人機交互構(gòu)建用戶畫像聚類計算方法的流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步的詳細說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實施。

如圖1所示，本發(fā)明提供的人機交互構(gòu)建用戶畫像聚類計算方法，包括以下步驟：

步驟一：檢測用戶行為，并從用戶下達給機器人指令中提取代表用戶特征的關(guān)鍵詞作為特征標(biāo)簽，并給每個特征標(biāo)簽賦予初始分值L_i0和初始加權(quán)值ω_io，全部特征標(biāo)簽的集合構(gòu)成標(biāo)簽數(shù)據(jù)庫；

步驟二：根據(jù)一段時間內(nèi)為用戶打上的每一種標(biāo)簽的數(shù)量m、使用頻率f和使用時間t、利用推導(dǎo)規(guī)則從標(biāo)簽推導(dǎo)出的屬性、推導(dǎo)規(guī)則的邏輯強度值，確定每一種標(biāo)簽推導(dǎo)出的各種屬性的行為分值；

其中，I_i為對應(yīng)標(biāo)記為i屬性的行為分值，L_i0為初始分值，ω_io為初始加權(quán)值，m為標(biāo)簽數(shù)量，f為標(biāo)簽使用頻率；

步驟三：將其中一種標(biāo)簽推導(dǎo)出的其中一種屬性的行為分值與預(yù)定閾值進行對比，

當(dāng)時，則判斷是否能夠確定用戶屬性包含該屬性；

當(dāng)時，則利用所述行為分值連同其他標(biāo)簽下的對應(yīng)于所述其中一種屬性的行為分值推算聯(lián)合行為屬性閾值，其中

為聯(lián)合屬性行為閾值，I_i為對應(yīng)標(biāo)簽為i屬性的行為分值，I_i+1為其他標(biāo)簽為i+1屬性的行為分值，

當(dāng)時，確定用戶屬性包含所述該屬性，若否則不包含該屬性，其中為聯(lián)合屬性行為閾值平均值，

步驟四：通過多個語義化的用戶屬性來還原用戶的全貌，完成用戶畫像。優(yōu)選的是，所述用戶畫像信息為描述包括所述用戶個性、特點和行為特征的信息。

在另一實施例中，步驟S200之前，還包括建立標(biāo)簽規(guī)則庫；提供標(biāo)簽、屬性、以及標(biāo)簽和屬性之間的推導(dǎo)規(guī)則；根據(jù)所述標(biāo)簽和屬性之間的推導(dǎo)規(guī)則的強弱設(shè)置相應(yīng)的邏輯強度值。

在另一實施例中，還包括獲得并存儲終端的上報信息，包括：獲得終端通過軟件開發(fā)包SDK方式傳輸?shù)脑瓷蠄笮畔ⅲ蛘攉@得終端通過JS代碼方式傳輸?shù)脑瓷蠄笮畔?；對源上報信息進行篩選獲得上報信息；將上報信息與預(yù)設(shè)標(biāo)識符關(guān)聯(lián)存儲，并關(guān)聯(lián)存儲的標(biāo)識信息，調(diào)整機器人的指令推送比重。

實施以人際交互式用戶畫像計算過程為例，作進一步說明：

首先，檢測用戶行為，并從用戶下達給機器人指令中提取代表用戶特征的關(guān)鍵詞作為特征標(biāo)簽，并給每個特征標(biāo)簽賦予初始分值L_i0和初始加權(quán)值ω_io，全部特征標(biāo)簽的集合構(gòu)成標(biāo)簽數(shù)據(jù)庫；標(biāo)簽群還可以是由多個子標(biāo)簽群構(gòu)成，不同的子標(biāo)簽群與不同維度的屬性相對應(yīng)，例如：用戶年齡子標(biāo)簽群與用戶年齡維度屬性相對應(yīng)、用戶消指令喜好子標(biāo)簽群與用戶指令喜好維度屬性相對應(yīng)等，由用戶各個不同維度的屬性共同構(gòu)成了用戶畫像；

然后，根據(jù)一段時間內(nèi)為用戶打上的標(biāo)簽“恐龍”的數(shù)量m、使用頻率f和使用時間t、利用推導(dǎo)規(guī)則從標(biāo)簽“恐龍”推導(dǎo)出的屬性為“兒童”、，確定標(biāo)簽“恐龍”推導(dǎo)出屬性“兒童”的行為分值I_i，并將其與預(yù)定閾值進行對比，當(dāng)時，則確定用戶為兒童。

當(dāng)當(dāng)對應(yīng)于用戶年齡屬性下的的標(biāo)簽“恐龍”的參考值小于或等于閾值時，則引入用戶的同樣對應(yīng)于兒童的標(biāo)簽“機器人”作為第二標(biāo)簽，

用標(biāo)簽“恐龍”推導(dǎo)出屬性“兒童”的行為分值I_i連同“機器人”推導(dǎo)出屬性“兒童”的行為分值I_i+1推算聯(lián)合行為屬性閾值

當(dāng)時，確定用戶屬性包含兒童屬性，若否，則不包含該屬性，其中為聯(lián)合屬性行為閾值平均值。

若時，則引入第三標(biāo)簽“皮球”共同確定屬性，且確定用戶為兒童；若屬性參考疊加值仍小于預(yù)定閾值，則依次類推，引入用戶的對應(yīng)于兒童的新的標(biāo)簽作為第四標(biāo)簽、第五標(biāo)簽…，直到所述各標(biāo)簽的參照值加權(quán)求和所得的值大于閾值，則確定用戶為兒童。

在另一實施例中，閾值語音降噪算法，包括：

a，通過端點檢測將語音幀區(qū)分為靜音幀和語音幀；

b，對于靜音幀，計算當(dāng)前幀的功率譜值作為噪聲功率譜估計值，對于語音幀，計算語音噪聲功率譜估計值；

c，將語音幀的功率譜減去噪聲功率譜估計值，得到降噪后的語音功率譜；

d，根據(jù)降噪后的語音功率譜得出降噪后的語音幀。

語音噪聲功率譜估計值計算公式為：

其中，I為噪聲功率譜能量；閾值n為噪音信號的幀號；j＝1^-5為轉(zhuǎn)換系數(shù)，e為自然常數(shù)；π為圓周率；f_c為噪音信號的頻率；τ(t)＝0.03t²+0.6t+0.1；t為分解尺度，1≤t≤4。

通過多個語義化的用戶屬性來還原用戶的全貌，完成用戶畫像，用戶畫像信息為描述包括所述用戶個性、特點和行為特征的信息。

本發(fā)明提供的人機交互構(gòu)建用戶畫像聚類計算方法，通過精確計算行為分值，比較后確定其行為屬性，從而獲得用戶畫像，既保證了時效性，又能得到更加精確的用戶畫像。

盡管本發(fā)明的實施方案已公開如上，但其并不僅僅限于說明書和實施方式中所列運用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對于熟悉本領(lǐng)域的人員而言，可容易地實現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細節(jié)和這里示出與描述的圖例。