信息處理方法及裝置的制造方法
【專利摘要】本公開實施例提供了一種信息處理方法及裝置，所示方法包括以下步驟：提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息；根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別；訓練與每個聚類類別對應的分類模型；判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型；當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。本公開提供的方法，能夠構(gòu)建用于對未知類別的用戶進行分類目標聚類類別和目標分類模型，先聚類再建模，有效過濾掉難以區(qū)別類別的用戶，減少噪音，分類準確度高。
【專利說明】
信息處理方法及裝置
技術領域
[0001 ]本公開涉及大數(shù)據(jù)技術領域，尤其涉及一種信息處理方法及裝置。
【背景技術】
[0002]當前的用戶屬性類別提取一般采用調(diào)查問卷、或者注冊用戶、或者數(shù)據(jù)交換等方式獲得部分樣本數(shù)據(jù)，在提取到用戶特征后，會通過有監(jiān)督的分類算法訓練數(shù)據(jù)模型，數(shù)據(jù)模型訓練完后，可以通過構(gòu)建的數(shù)據(jù)模型預測未知屬性的用戶的用戶屬性類別。
[0003]然而，互聯(lián)網(wǎng)的用戶數(shù)據(jù)非常繁雜，可能會存在不同類別的用戶具有極為相似的特征，比如某些視頻用戶，雖然有男有女，但他們共同喜好某幾個類型的視頻，這樣可能會造成分類不準確;在有些用戶的特征極為稀疏、而所有用戶總的特征維度很大的情況時，對于一個用戶可能大部分都是缺失特征，這也可能會影響分類的準確率。

【發(fā)明內(nèi)容】

[0004]為克服相關技術中存在的問題，本公開提供一種信息處理方法及裝置。
[0005]根據(jù)本公開實施例的第一方面，提供一種信息處理方法，包括:
[0006]提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息；
[0007]根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別；
[0008]訓練與每個聚類類別對應的分類模型；
[0009]判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型；
[0010]當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。
[0011 ] 可選地，所述方法還包括:
[0012]當不存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，調(diào)整在將多個用戶劃分聚類類別時劃分的聚類類別的數(shù)量，直至存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0013]可選地，所述方法還包括:
[0014]當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，將分類準確度小于預設準確度閾值的分類模型中的用戶確定為無效用戶。
[0015]可選地，所述方法還包括:
[0016]獲取網(wǎng)絡中多個用戶的用戶特征信息，以及，每個用戶的標注屬性信息；
[0017]利用多個用戶的用戶特征信息訓練分類模型；
[0018]利用多個用戶的標注屬性信息測試每個分類模型；
[0019]根據(jù)測試結(jié)果，確定分類模型的分類準確度；
[0020]將所有分類模型準確度的平均值確定為預設準確度閾值。
[0021]根據(jù)本公開實施例的第二方面，提供一種信息處理方法，包括:
[0022]獲取待分類用戶瀏覽的媒體內(nèi)容中的用戶特征信息；
[0023]根據(jù)所述用戶特征信息，將多個預設聚類類別中與所述待分類用戶對應的預設聚類類別確定為目標聚類類別；
[0024]利用與目標聚類類別對應的預設分類模型對目標用戶進行分類。
[0025]根據(jù)本公開實施例的第三方面，提供一種信息處理裝置，包括:
[0026]第一獲取模塊，用于提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息；
[0027]劃分模塊，用于根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別；
[0028]第一訓練模塊，用于訓練與每個聚類類別對應的分類模型；
[0029]判斷模塊，用于判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類豐旲型;
[0030]第一確定模塊，用于當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。
[0031]可選地，所述裝置還包括:
[0032]調(diào)整模塊，用于當不存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，調(diào)整在將多個用戶劃分聚類類別時劃分的聚類類別的數(shù)量，直至存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0033]可選地，所述裝置還包括:
[0034]第二確定模塊，用于當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，將分類準確度小于預設準確度閾值的分類模型中的用戶確定為無效用戶。
[0035]可選地，所述裝置還包括:
[0036]第二獲取模塊，用于獲取網(wǎng)絡中多個用戶的用戶特征信息，以及，每個用戶的標注屬性信息；
[0037]第二訓練模塊，用于利用多個用戶的用戶特征信息訓練分類模型；
[0038]測試模塊，用于利用多個用戶的標注屬性信息測試每個分類模型；
[0039]第三確定模塊，用于根據(jù)測試結(jié)果，確定分類模型的分類準確度；
[0040]第四確定模塊，用于將所有分類模型準確度的平均值確定為預設準確度閾值。
[0041]根據(jù)本公開實施例的第四方面，提供一種信息處理裝置，包括:
[0042]第三獲取模塊，用于獲取待分類用戶瀏覽的媒體內(nèi)容中的用戶特征信息；
[0043]第五確定模塊，用于根據(jù)所述用戶特征信息，將多個預設聚類類別中與所述待分類用戶對應的預設聚類類別確定為目標聚類類別；
[0044]分類模塊，用于利用與目標聚類類別對應的預設分類模型對目標用戶進行分類。
[0045]本公開的實施例提供的技術方案可以包括以下有益效果:
[0046]本公開通過提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息;根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別；訓練與每個聚類類別對應的分類模型；判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型；當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。
[0047]本公開提供的該方法，能夠利用多個用戶的用戶特征信息訓練分類模型，并在訓練得到的多個分類模型中選擇滿足準確度要求和數(shù)量要求的分類模型作為目標分類模型，以及將與每個目標分類模型對應的聚類類別作為目標聚類類別，以便利用目標聚類類別和目標分類模型可以對未知類別的用戶進行分類，先聚類再建模，有效過濾掉難以區(qū)別類別的用戶，減少噪音，分類準確度高。
[0048]應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。
【附圖說明】
[0049]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實施例，并與說明書一起用于解釋本發(fā)明的原理。
[0050]圖1是根據(jù)一示例性實施例示出的一種信息處理方法的一種流程圖；
[0051 ]圖2是根據(jù)一示例性實施例示出的一種信息處理方法的另一種流程圖；
[0052]圖3是根據(jù)一示例性實施例示出的一種信息處理方法的另一種流程圖；
[0053]圖4是根據(jù)一示例性實施例示出的一種信息處理方法的另一種流程圖；
[0054]圖5是根據(jù)一示例性實施例示出的一種信息處理方法的另一種流程圖；
[0055]圖6是根據(jù)一示例性實施例示出的一種信息處理裝置的結(jié)構(gòu)圖。
【具體實施方式】
[0056]這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本發(fā)明相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。
[0057]如圖1所示，在本公開的一個實施例中，提供一種信息處理方法，包括以下步驟。
[0058]在步驟SlOl中，提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息。
[0059]在該步驟中，可以提取預設數(shù)量個用戶利用終端應用瀏覽媒體內(nèi)容的記錄，由于每個媒體內(nèi)容一般會預先設置有一些標簽信息，如導演、演員、年份、類型和劇情等等，因此可以獲取媒體內(nèi)容的標簽信息作為用戶特征，每個用戶特征信息中可以包括多個用戶特征，根據(jù)用戶特征信息可以確定用戶畫像，用戶畫像包括基本的用戶興趣行為標簽(比如喜歡的明星，喜歡的品牌等)，也包括用戶屬性(比如地域、年齡、性別、文化、職業(yè)、收入、生活習慣、消費習慣等)等。
[0060]在步驟S102中，根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別。
[0061]在該步驟中，可以利用K-means聚類算法、根據(jù)用戶特征信息對用戶進行聚類，將存在交集的用戶特征信息對應的用戶劃分為一個聚類類別，例如，用戶A的用戶特征信息A中包括張藝謀和胡歌，用戶B的用戶特征信息B中包括霍建華和胡歌，用戶C的用戶特征信息C中包括櫻桃小丸子和水冰月，那么可以將用戶A和用戶B劃分到一個聚類類別中，這里的聚類類別是將用戶進行粗粒度的分類得到的分類類別。
[0062]在步驟S103中，訓練與每個聚類類別對應的分類模型。
[0063]在該步驟中，可以分別利用每個聚類類別中的用戶特征信息訓練至少一個分類模型，這里的分類模型可以為SVM分類模型，訓練得到的分類模型可以進一步對用戶進行分類，例如:聚類類別為70年代和80年代時，則訓練出的分類模型可以分別對70年代的男和女進行分類，或者對80年代的本科以上學歷或本科以下學歷進行分類等等。
[0064]在步驟S104中，判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0065]在該步驟中，可以判斷是否存在分類準確度大于預設準確度閾值的分類模型，但存在時，可以進一步判斷分類準確度大于預設準確度閾值的分類模型的數(shù)量是否為預設數(shù)量個，預設數(shù)量個可以根據(jù)需要設定，如5個、10個等等。
[0066]當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，在步驟S105中，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。
[0067]本公開實施例提供的該方法，可以利用多個用戶的用戶特征信息訓練分類模型，并在訓練得到的多個分類模型中選擇滿足準確度要求和數(shù)量要求的分類模型作為目標分類模型，以及將與每個目標分類模型對應的聚類類別作為目標聚類類別，利用目標聚類類別和目標分類模型可以對未知類別的用戶進行分類，先聚類再建模，有效過濾掉難以區(qū)別類別的用戶，減少噪音，分類準確度高。
[0068]如圖2所示，在本公開的一個實施例中，所述方法包括以下步驟。
[0069]在步驟SlOl中，提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息。
[0070]在步驟S102中，根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別。
[0071]在步驟S103中，訓練與每個聚類類別對應的分類模型。
[0072]在步驟S104中，判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0073]當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，在步驟S105中，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。
[0074]當不存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，在步驟S201中，調(diào)整在將多個用戶劃分聚類類別時劃分的聚類類別的數(shù)量，直至存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0075]在該步驟中，可以在不存在分類準確度大于預設準確度閾值的分類模型，或者數(shù)量較少時，調(diào)整劃分聚類類別時的聚類類別的數(shù)量，例如，當劃分的聚類類別的數(shù)量為5個時，不存在分類準確度大于預設準確度閾值的分類模型，則可以增加分類類別的數(shù)量，如增加到10個等，當劃分的聚類類別的數(shù)量為5個，預設數(shù)量個為3個時，至存在I個分類準確度大于預設準確度閾值的分類模型，則也可以增加分類類別的數(shù)量，如增加到8個等。
[0076]本公開實施例提供的該方法，能夠在得到的分類模型的數(shù)量不滿足數(shù)量要求或者準確度要求時，可以調(diào)整劃分的聚類類別的數(shù)量，保證訓練處的分類模型滿足預設條件，保證用戶分類正常進行。
[0077]如圖3所示，在本公開的一個實施例中，所述方法還包括:
[0078]在步驟SlOl中，提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息。
[0079]在步驟S102中，根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別。
[0080]在步驟S103中，訓練與每個聚類類別對應的分類模型。
[0081]在步驟S104中，判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0082]當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，在步驟S105中，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別；
[0083]在步驟S301中，將分類準確度小于預設準確度閾值的分類模型中的用戶確定為無效用戶。
[0084]在該步驟中，由于在實際應用中可能會存在一些用戶特征信息中的每個用戶特征可以歸屬于不同的聚類類型中，或者已被分到不同的聚類類別中，但是其他特征極為相似的用戶特征的用戶，對于這種情況，可以過濾掉這些用戶，將這些用戶確定為我們不感興趣的無效用戶。
[0085]本公開實施例提供的該方法，能夠濾除噪音用戶，增加分類準確度。
[0086]如圖4所示，在本公開的又一實施例中，所述方法還包括以下步驟。
[0087]在步驟S401中，獲取網(wǎng)絡中多個用戶的用戶特征信息，以及，每個用戶的標注屬性
?目息O
[0088]在該步驟中，可以獲取網(wǎng)絡中的多個用戶樣本用戶，獲取這些樣本用戶的用戶特征信息，并可以獲取人為為這些樣本用戶設置的標注屬性信息。
[0089]在步驟S402中，利用多個用戶的用戶特征信息訓練分類模型。
[0090]在該步驟中，可以將多個用戶的用戶特征信息首先進行聚類，再分別對每個聚類類別訓練分類模型，也可以直接根據(jù)多個用戶的用戶特征信息訓練分類模型。
[0091]在步驟S403中，利用多個用戶的標注屬性信息測試每個分類模型。
[0092]在該步驟中，由于標注屬性信息可以為準確的參考實例，所以可以利用標注屬性信息測試每個分類模型，具體地，可以將用戶的用戶特征信息輸入到訓練好的分類模型中，之后看分類模型得到的分類結(jié)果是否與標注屬性信息一致。
[0093]在步驟S404中，根據(jù)測試結(jié)果，確定分類模型的分類準確度。
[0094]在該步驟中，可以統(tǒng)計每個分類模型得到的分類結(jié)果與標注屬性信息一致的測試結(jié)果占所有測試結(jié)果的比率，可以將這個比率作為分類模型的分類準確度。
[0095]在步驟S405中，將所有分類模型準確度的平均值確定為預設準確度閾值。
[0096]本公開實施例提供的該方法，能夠精確的確定預設準確度閾值，便于將預設準確度閾值確定為分類模型是否滿足預設條件的參照標準。
[0097]如圖5所示，在本公開的又一實施例中，提供一種信息處理方法，包括以下步驟。
[0098]在步驟S501中，獲取待分類用戶瀏覽的媒體內(nèi)容中的用戶特征信息。
[0099]在該步驟中，待分類用戶即為未知類別的用戶，可以獲取待分類用戶利用終端應用瀏覽媒體內(nèi)容的記錄，可以獲取媒體內(nèi)容的標簽信息作為用戶特征，每個用戶特征信息中可以包括多個用戶特征。
[0100]在步驟S502中，根據(jù)所述用戶特征信息，將多個預設聚類類別中與所述待分類用戶對應的預設聚類類別確定為目標聚類類別。
[0101]在該步驟中，可以采用將用戶特征信息與目標聚類類別進行比對等方式，再根據(jù)比對結(jié)果將用戶分類到一個目標聚類類別中。
[0102]在步驟S503中，利用與目標聚類類別對應的預設分類模型對目標用戶進行分類。
[0103]在該步驟中，可以將待分類用戶的用戶特征信息輸入到與目標聚類類別對應的預設分類模型中，將預設分類模型輸入的分類結(jié)果確定為用戶的分類。
[0104]本公開實施例提供的該方法，能夠?qū)ξ粗诸惖挠脩暨M行分類，便于根據(jù)未知分類的用戶的用戶特征信息對用戶進行分類，進而便于向用戶推薦可能感興趣的媒體內(nèi)容等。
[0105]如圖6所示，在本公開的又一實施例中，提供一種信息處理裝置，包括:第一獲取模塊601、劃分模塊602、第一訓練模塊603、判斷模塊604和第一確定模塊605。
[0106]第一獲取模塊601，用于提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息；
[0107]劃分模塊602，用于根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別；
[0108]第一訓練模塊603，用于訓練與每個聚類類別對應的分類模型；
[0109]判斷模塊604，用于判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型；
[0110]第一確定模塊605，用于當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。
[0111]在本公開的又一實施例中，所述裝置還包括:
[0112]調(diào)整模塊，用于當不存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，調(diào)整在將多個用戶劃分聚類類別時劃分的聚類類別的數(shù)量，直至存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。
[0113]在本公開的又一實施例中，所述裝置還包括:
[0114]第二確定模塊，用于當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，將分類準確度小于預設準確度閾值的分類模型中的用戶確定為無效用戶。
[0115]在本公開的又一實施例中，所述裝置還包括:
[0116]第二獲取模塊，用于獲取網(wǎng)絡中多個用戶的用戶特征信息，以及，每個用戶的標注屬性信息；
[0117]第二訓練模塊，用于利用多個用戶的用戶特征信息訓練分類模型；
[0118]測試模塊，用于利用多個用戶的標注屬性信息測試每個分類模型；
[0119]第三確定模塊，用于根據(jù)測試結(jié)果，確定分類模型的分類準確度；
[0120]第四確定模塊，用于將所有分類模型準確度的平均值確定為預設準確度閾值。
[0121 ]在本公開的又一實施例中，提供一種信息處理裝置，包括:
[0122]第三獲取模塊，用于獲取待分類用戶瀏覽的媒體內(nèi)容中的用戶特征信息；
[0123]第五確定模塊，用于根據(jù)所述用戶特征信息，將多個預設聚類類別中與所述待分類用戶對應的預設聚類類別確定為目標聚類類別；
[0124]分類模塊，用于利用與目標聚類類別對應的預設分類模型對目標用戶進行分類。
[0125]本領域技術人員在考慮說明書及實踐這里公開的發(fā)明后，將容易想到本發(fā)明的其它實施方案。本申請旨在涵蓋本發(fā)明的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本發(fā)明的一般性原理并包括本公開未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本發(fā)明的真正范圍和精神由所附的權(quán)利要求指出。
[0126]應當理解的是，本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進行各種修改和改變。本發(fā)明的范圍僅由所附的權(quán)利要求來限制。
【主權(quán)項】
1.一種信息處理方法，其特征在于，包括: 提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息； 根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別； 訓練與每個聚類類別對應的分類模型； 判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型； 當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。2.根據(jù)權(quán)利要求1所述的信息處理方法，其特征在于，所述方法還包括: 當不存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，調(diào)整在將多個用戶劃分聚類類別時劃分的聚類類別的數(shù)量，直至存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。3.根據(jù)權(quán)利要求1所述的信息處理方法，其特征在于，所述方法還包括: 當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，將分類準確度小于預設準確度閾值的分類模型中的用戶確定為無效用戶。4.根據(jù)權(quán)利要求1所述的信息處理方法，其特征在于，所述方法還包括: 獲取網(wǎng)絡中多個用戶的用戶特征信息，以及，每個用戶的標注屬性信息； 利用多個用戶的用戶特征信息訓練分類模型； 利用多個用戶的標注屬性信息測試每個分類模型； 根據(jù)測試結(jié)果，確定分類模型的分類準確度； 將所有分類模型準確度的平均值確定為預設準確度閾值。5.一種信息處理方法，其特征在于，包括: 獲取待分類用戶瀏覽的媒體內(nèi)容中的用戶特征信息； 根據(jù)所述用戶特征信息，將多個預設聚類類別中與所述待分類用戶對應的預設聚類類別確定為目標聚類類別； 利用與目標聚類類別對應的預設分類模型對目標用戶進行分類。6.一種信息處理裝置，其特征在于，包括: 第一獲取模塊，用于提取多個用戶瀏覽的媒體內(nèi)容中的用戶特征信息； 劃分模塊，用于根據(jù)用戶特征信息將多個用戶劃分為至少一個聚類類別； 第一訓練模塊，用于訓練與每個聚類類別對應的分類模型； 判斷模塊，用于判斷是否存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型； 第一確定模塊，用于當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，確定分類準確度大于預設準確度閾值的分類模型為目標分類模型，以及，與每個所述目標分類模型對應的用類為目標聚類類別。7.根據(jù)權(quán)利要求6所述的信息處理裝置，其特征在于，所述裝置還包括: 調(diào)整模塊，用于當不存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，調(diào)整在將多個用戶劃分聚類類別時劃分的聚類類別的數(shù)量，直至存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型。8.根據(jù)權(quán)利要求6所述的信息處理裝置，其特征在于，所述裝置還包括: 第二確定模塊，用于當存在預設數(shù)量個分類準確度大于預設準確度閾值的分類模型時，將分類準確度小于預設準確度閾值的分類模型中的用戶確定為無效用戶。9.根據(jù)權(quán)利要求6所述的信息處理裝置，其特征在于，所述裝置還包括: 第二獲取模塊，用于獲取網(wǎng)絡中多個用戶的用戶特征信息，以及，每個用戶的標注屬性信息； 第二訓練模塊，用于利用多個用戶的用戶特征信息訓練分類模型； 測試模塊，用于利用多個用戶的標注屬性信息測試每個分類模型； 第三確定模塊，用于根據(jù)測試結(jié)果，確定分類模型的分類準確度； 第四確定模塊，用于將所有分類模型準確度的平均值確定為預設準確度閾值。10.一種信息處理裝置，其特征在于，包括: 第三獲取模塊，用于獲取待分類用戶瀏覽的媒體內(nèi)容中的用戶特征信息； 第五確定模塊，用于根據(jù)所述用戶特征信息，將多個預設聚類類別中與所述待分類用戶對應的預設聚類類別確定為目標聚類類別； 分類模塊，用于利用與目標聚類類別對應的預設分類模型對目標用戶進行分類。
【文檔編號】G06F17/30GK105868243SQ201510925734
【公開日】2016年8月17日
【申請日】2015年12月14日
【發(fā)明人】劉戀
【申請人】樂視網(wǎng)信息技術（北京）股份有限公司