[发明专利]基于无监督学习的用户分类方法、装置、设备及存储介质

权利要求书

1.一种基于无监督学习的用户分类方法，其特征在于，包括：

获取待分类用户的第一原始特征；

将所述第一原始特征输入到无监督学习的拓扑关系确定模型中；所述拓扑关系确定模型对应有目标损失函数；所述目标损失函数根据第一特征表达式和第二特征表达式的相关度构建；所述第一特征表达式为所述第一原始特征对应的表达式，所述第二特征表达式为拓扑关系特征对应的表达式；所述拓扑关系特征用于表征所述待分类用户在用户关系图中的拓扑关系；

根据所述拓扑关系确定模型的输出，得到所述待分类用户的目标拓扑关系特征；

根据所述目标拓扑关系特征，确定所述待分类用户对应的用户类别。

2.根据权利要求1所述的方法，其特征在于，所述用户关系图中还包含有目标分类评估用户，所述目标分类评估用户为所述用户关系图中与所述待分类用户的节点相邻的节点对应的用户；

所述将所述第一原始特征输入到无监督学习的拓扑关系确定模型中的步骤之前，还包括：

获取第三特征表达式，以及所述目标分类评估用户与所述待分类用户之间的权重表达式；所述第三特征表达式为所述目标分类评估用户对应的第二原始特征的表达式；

根据所述第三特征表达式、所述权重表达式以及待确定的评估参数，得到所述无监督学习的拓扑关系确定模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第三特征表达式、所述权重表达式以及待确定的评估参数，得到所述无监督学习的拓扑关系确定模型的步骤，包括：

计算所述第三特征表达式、所述权重表达式以及所述待确定的评估参数的乘积之和，得到所述无监督学习的拓扑关系确定模型。

4.根据权利要求3所述的方法，其特征在于，所述计算所述第三特征表达式、所述权重表达式以及所述待确定的评估参数的乘积之和，得到所述无监督学习的拓扑关系确定模型的步骤，包括：

计算所述第三特征表达式、所述权重表达式以及所述待确定的评估参数的乘积之和，所得到的无监督学习的拓扑关系确定模型如下：

其中，v_i表示待分类用户对应的节点，v_j表示所述目标分类评估用户对应的节点，N表示目标分类评估用户的数量，W表示待确定的评估参数，h(v_i)表示节点v_i的第一特征表达式，h(v_j)表示节点v_j的第三特征表达式，h¹(v_i)表示节点v_i的第二特征表达式，表示所述目标分类评估用户与所述待分类用户之间的权重表达式。

5.根据权利要求4所述的方法，其特征在于，所述将所述第一原始特征输入到无监督学习的拓扑关系确定模型中的步骤，包括：

将所述第一原始特征输入到所述目标损失函数中；

最小化所述目标损失函数，得到所述待确定的评估参数的目标值；

将所述目标值输入到所述无监督学习的拓扑关系确定模型中。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一原始特征输入到无监督学习的拓扑关系确定模型中的步骤之前，还包括：

获取所述第一特征表达式和所述第二特征表达式；

根据所述相关度、所述第一特征表达式和所述第二特征表达式，构建目标损失函数。

7.根据权利要求6所述的方法，其特征在于，所述根据所述相关度、所述第一特征表达式和所述第二特征表达式，构建目标损失函数的步骤，包括：

确定所述第一特征表达式和所述第二特征表达式的互信息表达式；所述互信息表达式用于表征所述相关度；

根据所述互信息表达式，得到所述目标损失函数。

8.根据权利要求7所述的方法，其特征在于，所述根据所述互信息表达式，得到所述目标损失函数的步骤，包括：

获取所述用户关系图中各个用户对应的互信息表达式；

确定所述各个用户对应的互信息表达式的平均值表达式，将所述平均值表达式确定为所述目标损失函数。