[发明专利]一种基于云边协同的用户画像构建方法和系统

权利要求书

1.一种基于云边协同的用户画像构建方法，其特征在于，所述方法包括：

从源数据中筛选出静态数据和动态数据；

根据所述静态数据，通过云端构建静态标签；

从所述动态数据中筛选建模数据，通过云端构建模型；

将云端的模型下发到边端；

根据所述动态数据和所述模型，通过边端构建动态标签；

将所述动态标签传输到所述云端的用户画像标签库存储。

2.根据权利要求1所述的用户画像构建方法，其特征在于，所述方法还包括构建行为标签和协查标签的方法：

从源数据中筛选出行为数据和外部协查数据；

根据所述行为数据构建行为标签，并将所述行为标签传输到云端存储；

根据所述外部协查数据构建协查标签，并将所述协查标签传输到云端存储。

3.根据权利要求2所述的用户画像构建方法，其特征在于，通过云端建模构建标签的方法：

从所述边端的源数据中筛选出建模数据，所述建模数据包括以下数据之一或它们的组合：动态数据、行为数据和外部协查数据；

从所述建模数据中提取特征数据，并将特征数据发送给云端；

所述云端根据所述特征数据建立特征集；

在云端中选用建模算法，利用所述特征集进行训练，获得模型；

将所述模型发送给边端；

边端通过所述模型对所述特征数据进行分析，获得标签，并将标签及其标签值发送给云端。

4.根据权利要求3所述的用户画像构建方法，其特征在于，所述边端提取特征的方法包括：

对建模数据中的缺失值和异常值进行处理；

将处理后的建模数据进行特征工程处理，所述特征工程处理包括以下任一操作或它们的组合：

特征筛选、特征衍生、特征无量纲化和特征降维。

5.根据权利要求3所述的用户画像构建方法，其特征在于，所述建模算法包括分类算法、聚类算法或自然语言算法：

所述分类算法包括以下算法之一：决策树分类算法、神经网络分类算法、支持向量机分类算法、随机森林算法、逻辑回归算法和XGBoost算法；

所述聚类算法包括以下算法之一：K-means聚类算法和DBSCAN聚类算法；

所述自然语言算法包括以下算法之一：LDA算法、TF-IDF和TEXT-RANK算法。

6.根据权利要求5所述的用户画像构建方法，其特征在于，通过分类算法构建模型的方法包括：

步骤301：从所述特征集的建模数据中筛选特征；

步骤302：采用主观分析和客观评价相结合的分析方法,确定特征的权重，并根据所述权重对所筛选的特征进行选择；

步骤303：根据所选择的特征，为建模数据打标签；

步骤304：判断所述建模数据是否为离散型；

若否，执行步骤305：将建模数据离散化，并为数据映射离散值，执行步骤306；

若是，执行步骤306：将离散型建模数据或离散化的建模数据向量化，获得数据集；

步骤307：将数据集拆分为训练集和测试集；

步骤308：基于分类算法，利用训练集进行训练，获得分类模型；

步骤309：利用测试集对分类模型进行验证、评估和迭代。

7.根据权利要求5所述的用户画像构建方法，其特征在于，通过自然语言算法构建模型的方法包括：

从源数据中筛选出文本信息，获得文本特征集；

基于自然语言算法，利用文本特征集进行训练，获得主题模型和关键词模型结合的两层模型，所述主题模型采用LDA算法，所述关键词模型采用TF-IDF或TEXT-RANK算法。

8.根据权利要求5所述的用户画像构建方法，其特征在于，通过聚类算法构建模型的方法包括：

从所述特征集的建模数据中筛选特征；

将所筛选的特征进行降维和标准化，获得聚类数据集；

选择聚类算法，利用聚类数据集进行训练和评估，获得聚类模型。