画像构建方法、画像构建装置、电子设备及存储介质

摘要

本申请实施例提供了一种画像构建方法、画像构建装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取目标成长数据，目标成长数据为目标用户的学习成长的数据；对目标成长数据进行数据过滤处理，得到目标数据；通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；根据权重值对目标用户进行成长评分计算，得到综合评分值；根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像。本申请实施例能够提高画像构建的准确性。

说明书

技术领域

本申请涉及人工智能技术领域，尤其涉及一种画像构建方法、画像构建装置、电子设备及存储介质。

背景技术

目前，大多数画像构建方法依赖于目标用户的基础数据来构建用户画像，而基础数据常常无法覆盖多种业务场景，往往会造成画像不完整的问题，从而影响画像构建的准确性，因此，如何提高画像构建的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种画像构建方法、画像构建装置、电子设备及存储介质，旨在提高画像构建的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种画像构建方法，所述方法包括：

获取目标成长数据，所述目标成长数据为目标用户的学习成长的数据；

对所述目标成长数据进行数据过滤处理，得到目标数据；

通过预设的标签预测模型对所述目标数据进行预测处理，得到所述目标用户的目标画像标签；

根据所述目标画像标签对预设画像属性进行权重计算，得到每一所述预设画像属性对应的权重值；

根据所述权重值对所述目标用户进行成长评分计算，得到综合评分值；

根据所述权重值和所述综合评分值对所述预设画像属性进行画像构建处理，得到目标用户画像。

在一些实施例，所述标签预测模型包括嵌入层、卷积层、聚类层以及预测层，所述通过预设的标签预测模型对所述目标数据进行预测处理，得到所述目标用户的目标画像标签的步骤，包括：

通过所述嵌入层对所述目标数据进行词嵌入处理，得到目标嵌入向量；

通过所述卷积层对所述目标嵌入向量进行实体特征提取，得到目标实体特征；

通过所述聚类层对所述目标实体特征进行整合处理，得到中心实体特征；

通过所述预测层的预设函数对所述中心实体特征进行标签概率计算，得到标签概率值；

根据所述标签概率值确定所述目标画像标签。

在一些实施例，所述根据所述目标画像标签对预设画像属性进行权重计算，得到每一所述预设画像属性对应的权重值的步骤，包括：

获取预设的关系映射表，所述关系映射表存储有预设画像标签和预设画像属性，所述预设画像标签与所述预设画像属性之间具有映射关系；

从所述预设画像标签提取出所述目标画像标签；

从所述关系映射表提取出所述目标画像标签与所述预设画像属性之间的映射数据；

根据所述映射数据对所述预设画像属性进行权重计算，得到所述权重值。

在一些实施例，所述根据所述权重值对所述目标用户进行成长评分计算，得到综合评分值的步骤，包括：

根据预设的数据维度对所述目标成长数据进行分值提取，得到每一所述数据维度对应的目标评分值；

对所述目标评分值进行最大最小值归一化处理，得到目标纯量分值；

根据预设公式对所述目标纯量分值和所述权重值进行加权计算，得到所述综合评分值。

在一些实施例，所述根据所述权重值和所述综合评分值对所述预设画像属性进行画像构建处理，得到目标用户画像的步骤，包括：

根据所述目标成长数据对候选背景数据进行筛选处理，得到目标背景数据；

根据所述权重值和所述综合评分值对所述预设画像属性进行布局处理，得到初始用户画像；

通过所述目标背景数据和所述初始用户画像进行画面重构，得到所述目标用户画像。

在一些实施例，所述根据所述权重值和所述综合评分值对所述预设画像属性进行画像构建处理，得到目标用户画像的步骤之后，所述方法包括：

获取预设的候选布局界面；

根据所述目标成长数据对候选颜色数据进行筛选处理，得到目标颜色数据；

通过所述目标颜色数据和所述目标用户画像对所述候选布局界面进行画面重构，得到目标布局界面；

根据预设的第一周期参数更新所述目标布局界面，以展示所述目标用户画像。

在一些实施例，所述根据所述权重值和所述综合评分值对所述预设画像属性进行画像构建处理，得到目标用户画像的步骤之后，所述方法包括：

根据预设的第二周期参数对所述目标用户画像进行信息提取，得到当前成长报告；

对所述当前成长报告进行复核处理，得到复核结果；

根据所述复核结果将所述当前成长报告发送至目标平台和/或输出异常提示信息。

为实现上述目的，本申请实施例的第二方面提出了一种画像构建装置，所述装置包括：

数据获取模块，用于获取目标成长数据，所述目标成长数据为目标用户的学习成长的数据；

数据过滤模块，用于对所述目标成长数据进行数据过滤处理，得到目标数据；

预测模块，用于通过预设的标签预测模型对所述目标数据进行预测处理，得到所述目标用户的目标画像标签；

权重计算模块，用于根据所述目标画像标签对预设画像属性进行权重计算，得到每一所述预设画像属性对应的权重值；

评分计算模块，用于根据所述权重值对所述目标用户进行成长评分计算，得到综合评分值；

画像构建模块，用于根据所述权重值和所述综合评分值对所述预设画像属性进行画像构建处理，得到目标用户画像。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的画像构建方法、画像构建装置、电子设备及存储介质，其获取目标成长数据，目标成长数据为目标用户的学习成长的数据；并对目标成长数据进行数据过滤处理，得到目标数据，相较于相关技术中的基础数据，目标用户的学习成长的数据的获取来源更广，能够满足多种业务场景的需求，提高了数据的适用性和全面性，通过数据过滤处理的方式能够剔除不相关数据以及异常数据，从而提高数据的准确性。进一步地，通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；能够直观地通过画像标签来对目标用户的画像进行定义。最后，根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；根据权重值对目标用户进行成长评分计算，得到综合评分值，能够对不同的画像属性的占比情况进行统计，清楚地反映出目标用户的成长偏向，最后，根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像，能够较为清楚地反映出目标用户在不同属性上的偏向情况，也可以反映出目标用户的综合成长情况，使得目标用户画像更具有参考性，提高了构建的目标用户画像的准确性。

附图说明

图1是本申请实施例提供的画像构建方法的流程图；

图2是图1中的步骤S103的流程图；

图3是图1中的步骤S104的流程图；

图4是图1中的步骤S105的流程图；

图5是图1中的步骤S106的流程图；

图6是本申请实施例提供的画像构建方法的另一流程图；

图7是本申请实施例提供的画像构建方法的另一流程图；

图8是本申请实施例提供的画像构建装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

用户画像：又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待的数据转化联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性，能代表产品的主要受众和目标群体。

数据清洗(Data cleaning)：是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值、缺失值等。与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。

数据去重：指的是找到数据文件集合中重复的数据并将其删除，只保存唯一的数据单元，从而消除冗余数据。数据去重包括完全去重和不完全去重。完全去重指的是消除完全重复的数据，完全重复的数据指的是数据表记录字段值完全一样的数据。不完全去重指的是在数据清洗中，所有字段值都相等的重复值是一定要剔除的。

聚类(Clustering)：是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类的数据尽量分离。聚类是一种无监督学习(Unsupervised Learning)方法。

UI界面：由多个不同的基本视觉元素组成的。它们通过图形的组合、色彩的搭配、材质和风格的统一、合理的布局构成一个完整的界面效果。

目前，大多数画像构建方法依赖于目标用户的基础数据来构建用户画像，而基础数据常常无法覆盖多种业务场景，往往会造成画像不完整的问题，从而影响画像构建的准确性，因此，如何提高画像构建的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种画像构建方法、画像构建装置、电子设备及存储介质，旨在提高画像构建的准确性。

本申请实施例提供的画像构建方法、画像构建装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的画像构建方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的画像构建方法，涉及人工智能技术领域。本申请实施例提供的画像构建方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现画像构建方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的画像构建方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取目标成长数据，目标成长数据为目标用户的学习成长的数据；

步骤S102，对目标成长数据进行数据过滤处理，得到目标数据；

步骤S103，通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；

步骤S104，根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；

步骤S105，根据权重值对目标用户进行成长评分计算，得到综合评分值；

步骤S106，根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像。

本申请实施例所示意的步骤S101至步骤S106，通过获取目标成长数据，目标成长数据为目标用户的学习成长的数据；并对目标成长数据进行数据过滤处理，得到目标数据，相较于相关技术中的基础数据，目标用户的学习成长的数据的获取来源更广，能够满足多种业务场景的需求，提高了数据的适用性和全面性，通过数据过滤处理的方式能够剔除不相关数据以及异常数据，从而提高数据的准确性。进一步地，通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；能够直观地通过画像标签来对目标用户的画像进行定义。最后，根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；根据权重值对目标用户进行成长评分计算，得到综合评分值，能够对不同的画像属性的占比情况进行统计，清楚地反映出目标用户的成长偏向，最后，根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像，能够较为清楚地反映出目标用户在不同属性上的偏向情况，也可以反映出目标用户的综合成长情况，使得目标用户画像更具有参考性，提高了构建的目标用户画像的准确性。

在一些实施例的步骤S101中，目标成长数据可以从不同的场景和不同的维度获取，具体地，以学生作为目标用户为例，基于不同场景的数据采集可以涵盖校园各个业务场景的数据，包括但不限于包括校园活动、校园学习、校园娱乐、校园互动等的学习成长数据，例如，包括德、智、体、美、劳这几方面的学习成长的数据。基于不同维度的数据采集可以涵盖到校园各个平台的数据，包括但不限于包括教务平台、智慧校园平台、教学平台的学生课堂行为数据，学生考勤数据，学生考试数据等等。

进一步地，在具体的数据采集过程中，可以通过平台对接、后台批量导入或者效率工具上传等多种方式来进行数据采集，这一方式能够使得采集到的数据能够覆盖到多个业务场景，使得目标成长数据具备较好的多样性和全面性。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的目标个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

在一些实施例的步骤S102中，为了提高数据的准确性，需要对目标成长数据进行数据过滤处理。具体地，先通过回归函数对目标成长数据进行数据清洗，即利用回归函数将目标成长数据由数据形式转化为图像形式，进而对图像进行光滑处理，将目标成长数据拟合到一个多维面，从而消除噪声数据，得到初始数据。进一步地，对初始数据进行数据去重，剔除到相同的初始数据，得到目标数据，通过这一方式能够剔除不相关数据以及异常数据，从而提高数据的准确性。

在一些实施例的步骤S103之前，画像构建方法还包括预先训练标签预测模型，标签预测模型可以基于BERT模型和卷积神经网络模型构建而成，其中，标签预测模型包括嵌入层、卷积层、聚合层以及预测层，嵌入层用于对输入数据进行词嵌入处理，将输入数据转化为向量形式，得到嵌入向量，卷积层用于对嵌入向量进行特征提取，捕捉输入数据的实体特征，并输出重要性较高的实体特征。聚类层用于根据预设的聚类算法将相关性较高的实体特征聚合到同一类。预测层用于通过预设函数对不同类的实体特征进行预测处理，得到每一类实体特征的概率分布情况，从而根据概率分布情况确定出目标画像标签。

请参阅图2，在一些实施例中，标签预测模型包括嵌入层、卷积层、聚类层以及预测层，步骤S103可以包括但不限于包括步骤S201至步骤S205：

步骤S201，通过嵌入层对目标数据进行词嵌入处理，得到目标嵌入向量；

步骤S202，通过卷积层对目标嵌入向量进行实体特征提取，得到目标实体特征；

步骤S203，通过聚类层对目标实体特征进行整合处理，得到中心实体特征；

步骤S204，通过预测层的预设函数对中心实体特征进行标签概率计算，得到标签概率值；

步骤S205，根据标签概率值确定目标画像标签。

在一些实施例的步骤S201中，通过嵌入层对目标数据进行词嵌入处理，将目标数据从文本形式转化为向量形式，得到目标嵌入向量。

在一些实施例的步骤S202中，通过卷积层对目标嵌入向量进行特征提取，捕捉目标嵌入向量的实体特征，并对提取到的实体特征进行上采样处理，得到目标实体特征。

在一些实施例的步骤S203中，通过聚类层将目标实体特征转化为向量形式，得到目标实体向量。基于K-means算法对目标实体向量进行聚类处理，具体地，选取任意数量的目标实体向量作为初始聚类中心，并为每一初始聚类中心预先分配一个对应的类，然后计算每一作为初始聚类中心的目标实体向量与每一初始聚类中心之间的欧式距离，根据目标实体向量与初始聚类中心之间的距离值，则将目标实体向量归类到距离值最小的初始聚类中心所在的类，通过这一方式能够得到多个以初始聚类中心为中心点的类。进一步地，根据每一类中的目标实体向量的分布情况，重新确定该类的目标聚类中心，即计算每两个目标实体向量之间的距离值，选取使该类的距离值之和最小的目标实体向量作为该类的目标聚类中心，并将这一目标聚类中心对应的目标实体向量作为中心实体特征。

在一些实施例的步骤S204中，预设函数为softmax函数，通过softmax函数能够创建中心实体特征属于每一预设画像标签的概率分布，实现对中心实体特征的标签概率计算，得到标签概率值，需要说明的是，这里的标签概率值以向量形式表示，将softmax函数输出的概率向量作为每一预设画像标签对应的标签概率值。

在一些实施例的步骤S205中，由于概率值的大小可以表征出目标数据属于每个预设画像标签的可能性，因此，可以选取标签概率值最大的预设画像标签作为目标画像标签。

请参阅图3，在一些实施例中，步骤S104可以包括但不限于包括步骤S301至步骤S304：

步骤S301，获取预设的关系映射表，关系映射表存储有预设画像标签和预设画像属性，预设画像标签与预设画像属性之间具有映射关系；

步骤S302，从预设画像标签提取出目标画像标签；

步骤S303，从关系映射表提取出目标画像标签与预设画像属性之间的映射数据；

步骤S304，根据映射数据对预设画像属性进行权重计算，得到权重值。

在一些实施例的步骤S301中，获取预设的关系映射表，其中，关系映射表存储有预设画像标签和预设画像属性，且预设画像标签和预设画像属性之间具有映射关系。需要说明的是，这种映射关系可以是一对一或者一对多的形式。例如，预设画像标签为年龄信息、学历信息、学习成长信息等等，预设画像属性包括兴趣爱好、健康指标、基础属性、行为特征以及学习成绩等等。

在一些实施例的步骤S302中，由于目标画像标签是预设画像标签中的某一个，则可以方便地根据目标画像标签的标签名称或者标签值从预设画像标签中提取到相同的画像标签。

在一些实施例的步骤S303中，当确定预设画像标签中的哪个标签为目标画像标签之后，则可以直接从关系映射表中提取出和这一预设画像标签对应的预设画像属性以及两者的映射关系数据。例如，根据目标画像标签遍历关系映射表，提取出目标画像标签与预设画像属性之间的映射数据，其中，该映射数据包括目标画像标签、预设画像属性、目标画像标签和预设画像属性的相关度。

在一些实施例的步骤S304中，提取映射数据中的目标画像标签和预设画像属性的相关度，通过对这一系列的相关度进行求和处理，得到总相关度，并将每一相关度与总相关度进行除法运算，得到每一预设画像属性的占比情况，将这一比值作为预设画像属性的权重值。

例如，目标画像标签对应有四个预设画像属性(A、B、C、D)，且目标画像标签与这四个预设画像属性的相关度分别为0.6、0.4、0.75、0.2。则总相关度为0.6+0.4+0.75+0.2＝1.95，通过除法运算得到每一预设画像属性的权重值分别为A＝0.6/1.95＝0.31；B＝0.4/1.95＝0.21；C＝0.75/1.95＝0.38；D＝0.2/1.95＝0.1。

请参阅图4，在一些实施例中，步骤S105可以包括但不限于包括步骤S401至步骤S403：

步骤S401，根据预设的数据维度对目标成长数据进行分值提取，得到每一数据维度对应的目标评分值；

步骤S402，对目标评分值进行最大最小值归一化处理，得到目标纯量分值；

步骤S403，根据预设公式对目标纯量分值和权重值进行加权计算，得到综合评分值。

在一些实施例的步骤S401中，预设的数据维度涵盖到校园各个平台的数据，包括但不限于包括教务平台、智慧校园平台、教学平台，目标成长数据包括学生课堂行为数据，学生考勤数据，学生考试数据等等，提取每一数据维度对应的目标成长数据的目标评分值。

在一些实施例的步骤S402中，对每一数据维度对应的目标评分值进行量化处理，具体地，将每一数据维度对应的目标评分值转化到同一量纲下，例如，对目标评分值中的等级分值、综合表现分值等等进行归一化处理，得到目标纯量分值，其中，该归一化处理可以是最大最小值归一化处理。具体地，将上述数据维度的各项原始特征值数据线性化的方法转换到[Xmin..Xmax]的范围，公式表示如公式(1)所示：

通过这一方式可以实现对目标成长数据的等比例缩放，其中，Xnorm为归一化之后的目标纯量分值，X为目标评分值，Xmax、Xmin分别为目标评分值的最大值和最小值。

在一些实施例的步骤S403中，预设公式可以表示如公式(2)所示，通过预设公式可以方便地计算出综合评分值y。

其中，x1，x2，…，xn为每个数据维度的目标纯量分值，w1,w2，…，wn为每个预设画像属性的权重值。

通过上述的目标评分值和综合评分值可以较为方便地分析出目标对象的总体得分情况，对不同阶段、不同维度的得分进行分数比对，分析出目标用户的薄弱点，从而对不同的画像属性的占比情况进行统计，清楚地反映出目标用户的成长偏向。

请参阅图5，在一些实施例中，步骤S106可以包括但不限于包括步骤S501至步骤S503：

步骤S501，根据目标成长数据对候选背景数据进行筛选处理，得到目标背景数据；

步骤S502，根据权重值和综合评分值对预设画像属性进行布局处理，得到初始用户画像；

步骤S503，通过目标背景数据和初始用户画像进行画面重构，得到目标用户画像。

在一些实施例的步骤S501中，从目标成长数据中提取目标用户对应的背景关键词，根据背景关键词对候选背景数据进行筛选处理，选取包含该背景关键词的背景特征，将这一背景特征作为目标背景数据。以学生作为目标用户为例，目标成长数据中包含该学生所在的学校、年级以及班级等数据，基于该学生所在的学校、年级以及班级，从候选背景数据选取出对应的背景特征，背景特征可以是某一纯色特征(如红色等)，将这一背景特征作为目标背景数据，该目标背景数据可以用于作为目标用户画像的背景图像。

在一些实施例的步骤S502中，根据权重值的大小，对不同的预设画像属性进行降序排列，得到画像属性序列。根据画像属性序列依次将预设画像属性填充至预设的布局面板中，其中，布局面板可以反映出不同预设画像属性的比重情况，例如，布局面板可以是圆形块、六维图、柱状图等形式，通过布局面板来反映出不同预设画像属性的分布情况和占比情况，得到初始用户画像。

在一些实施例的步骤S503中，提取目标背景数据中的像素特征，将这一像素特征作为背景图像，将初始用户画像作为前景图像，将背景图像与前景图像进行图像融合，实现画面重构，得到目标用户画像，其中，目标用户画像可以反映出目标用户的基础属性、行为特征、兴趣爱好以及营养特征等多种信息。目标用户画像能够较为清楚地反映出目标用户在不同属性上的偏向情况，也可以反映出目标用户的综合成长情况，提高了画像构建的准确性。

请参阅图6，在一些实施例，在步骤S106之后，画像构建方法可以包括但不限于包括步骤S601至步骤S604：

步骤S601，获取预设的候选布局界面；

步骤S602，根据目标成长数据对候选颜色数据进行筛选处理，得到目标颜色数据；

步骤S603，通过目标颜色数据和目标用户画像对候选布局界面进行画面重构，得到目标布局界面；

步骤S604，根据预设的第一周期参数更新目标布局界面，以展示目标用户画像。

在一些实施例的步骤S601中，从布局界面模板库中获取预设的候选布局界面，其中，候选布局界面为UI界面，该UI界面可以用于图像、文字等的展示。使文本、图像等能够变得可视化，以便目标对象进行观察，这里的目标对象可以是观察员、目标用户或者其他人员，不做限制。

在一些实施例的步骤S602中，从目标成长数据中提取目标用户对应的颜色关键词，根据颜色关键词对候选颜色数据进行筛选处理，选取包含该颜色关键词的颜色特征，将这一颜色特征作为布局界面的底色。以学生作为目标用户为例，目标成长数据中包含该学生所在的学校、年级以及班级、学校的类型、学校的logo等数据，基于该学生所在的学校、年级以及班级，从候选颜色数据选取出对应的颜色特征，该颜色特征可以是某一纯色特征(如红色等)或者是颜色组合特征，将这一颜色特征作为布局界面的底色，得到目标颜色数据。

在一些实施例的步骤S603中，提取目标颜色数据中的像素特征，将这一像素特征作为布局界面的底色，将目标用户画像作为前景图像，将布局界面的底色与目标用户画像进行融合处理，实现画面重构，得到目标布局界面。

在一些实施例的步骤S604中，第一周期参数可以根据实际业务需求进行设置，不做限制。为了在固定时间内提高目标用户画像的展示效率，可以将第一周期参数设置为5秒，即每间隔5秒对目标布局界面进行更新处理，以展示出不同目标用户的目标用户画像，实现对目标用户的目标用户画像的观测效率。

请参阅图7，在一些实施例中，在步骤S106之后，画像构建方法还可以包括但不限于包括步骤S701至步骤S703：

步骤S701，根据预设的第二周期参数对目标用户画像进行信息提取，得到当前成长报告；

步骤S702，对当前成长报告进行复核处理，得到复核结果；

步骤S703，根据复核结果将当前成长报告发送至目标平台和/或输出异常提示信息。

在一些实施例的步骤S701中，第二周期参数可以根据实际业务需求进行设置，不做限制。为了更好地监测目标用户的目标用户画像的变化情况，可以将第二周期参数设置为一周或者一个月。例如，每间隔一周时间对目标用户画像进行信息提取，获取目标用户的当前成长数据，并将当前成长数据输入到预设的报告模板中，得到当前成长报告。

在一些实施例的步骤S702中，可以通过人工方式对当前成长报告进行复核，根据预设的核查规则来确定当前成长报告的数据是否存在异常，从而生成复核结果。另外，也可以根据上一阶段的成长报告与当前成长报告进行对比分析，得到成长数据的偏差情况，根据成长数据的偏差情况生成复核结果。在其他实施例中，也可以采用其他方式来对当前成长报告进行复核处理，得到复核结果，不限于此。

在一些实施例的步骤S703中，若复核结果无异常，则将当前成长报告发送至目标平台，其中，目标平台可以是当前的主流平台(如智慧校园、微信、公众号等等)，也可以是其他固定的第三方，以使不同的人员能够从目标平台上查阅目标对象的当前成长报告；若复核结果存在异常，则输出异常提示信息到管理员，以使管理员对异常数据进行定位和排查，并及时对当前成长报告进行数据修正，从而提高数据处理的效率。

本申请实施例的画像构建方法，其通过获取目标成长数据，目标成长数据为目标用户的学习成长的数据；并对目标成长数据进行数据过滤处理，得到目标数据，相较于相关技术中的基础数据，目标用户的学习成长的数据的获取来源更广，能够满足多种业务场景的需求，提高了数据的适用性和全面性，通过数据过滤处理的方式能够剔除不相关数据以及异常数据，从而提高数据的准确性。进一步地，通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；能够直观地通过画像标签来对目标用户的画像进行定义。最后，根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；根据权重值对目标用户进行成长评分计算，得到综合评分值，能够对不同的画像属性的占比情况进行统计，清楚地反映出目标用户的成长偏向，最后，根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像，能够较为清楚地反映出目标用户在不同属性上的偏向情况，也可以反映出目标用户的综合成长情况，使得目标用户画像更具有参考性，提高了构建的目标用户画像的准确性。

请参阅图8，本申请实施例还提供一种画像构建装置，可以实现上述画像构建方法，该装置包括：

数据获取模块801，用于获取目标成长数据，目标成长数据为目标用户的学习成长的数据；

数据过滤模块802，用于对目标成长数据进行数据过滤处理，得到目标数据；

预测模块803，用于通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；

权重计算模块804，用于根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；

评分计算模块805，用于根据权重值对目标用户进行成长评分计算，得到综合评分值；

画像构建模块806，用于根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像。

在一些实施例中，标签预测模型包括嵌入层、卷积层、聚类层以及预测层，预测模块803包括：

嵌入单元，用于通过嵌入层对目标数据进行词嵌入处理，得到目标嵌入向量；

实体提取单元，用于通过卷积层对目标嵌入向量进行实体特征提取，得到目标实体特征；

整合单元，用于通过聚类层对目标实体特征进行整合处理，得到中心实体特征；

概率计算单元，用于通过预测层的预设函数对中心实体特征进行标签概率计算，得到标签概率值；

标签确定单元，用于根据标签概率值确定目标画像标签。

在一些实施例中，权重计算模块804包括：

表获取单元，用于获取预设的关系映射表，关系映射表存储有预设画像标签和预设画像属性，预设画像标签与预设画像属性之间具有映射关系；

标签提取单元，用于从预设画像标签提取出目标画像标签；

映射数据提取单元，用于从关系映射表提取出目标画像标签与预设画像属性之间的映射数据；

计算单元，用于根据映射数据对预设画像属性进行权重计算，得到权重值。

在一些实施例中，评分计算模块805包括：

分值提取单元，用于根据预设的数据维度对目标成长数据进行分值提取，得到每一数据维度对应的目标评分值；

归一化单元，用于对目标评分值进行最大最小值归一化处理，得到目标纯量分值；

加权计算单元，用于根据预设公式对目标纯量分值和权重值进行加权计算，得到综合评分值。

在一些实施例中，画像构建模块806包括：

背景筛选单元，用于根据目标成长数据对候选背景数据进行筛选处理，得到目标背景数据；

画像布局单元，用于根据权重值和综合评分值对预设画像属性进行布局处理，得到初始用户画像；

画像重构单元，用于通过目标背景数据和初始用户画像进行画面重构，得到目标用户画像。

在一些实施例中，画像构建装置还包括展示模块，具体包括：

界面获取单元，用于获取预设的候选布局界面；

颜色筛选单元，用于根据目标成长数据对候选颜色数据进行筛选处理，得到目标颜色数据；

界面重构单元，用于通过目标颜色数据和目标用户画像对候选布局界面进行画面重构，得到目标布局界面；

展示单元，用于根据预设的第一周期参数更新目标布局界面，以展示目标用户画像。

在一些实施例中，画像构建装置还包括输出模块，具体包括：

信息提取单元，用于根据预设的第二周期参数对目标用户画像进行信息提取，得到当前成长报告；

复核单元，用于对当前成长报告进行复核处理，得到复核结果；

输出单元，用于根据复核结果将当前成长报告发送至目标平台和/或输出异常提示信息。

该画像构建装置的具体实施方式与上述画像构建方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述画像构建方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的画像构建方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述画像构建方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的画像构建方法、画像构建装置、电子设备及存储介质，其通过获取目标成长数据，目标成长数据为目标用户的学习成长的数据；并对目标成长数据进行数据过滤处理，得到目标数据，相较于相关技术中的基础数据，目标用户的学习成长的数据的获取来源更广，能够满足多种业务场景的需求，提高了数据的适用性和全面性，通过数据过滤处理的方式能够剔除不相关数据以及异常数据，从而提高数据的准确性。进一步地，通过预设的标签预测模型对目标数据进行预测处理，得到目标用户的目标画像标签；能够直观地通过画像标签来对目标用户的画像进行定义。最后，根据目标画像标签对预设画像属性进行权重计算，得到每一预设画像属性对应的权重值；根据权重值对目标用户进行成长评分计算，得到综合评分值，能够对不同的画像属性的占比情况进行统计，清楚地反映出目标用户的成长偏向，最后，根据权重值和综合评分值对预设画像属性进行画像构建处理，得到目标用户画像，能够较为清楚地反映出目标用户在不同属性上的偏向情况，也可以反映出目标用户的综合成长情况，使得目标用户画像更具有参考性，提高了构建的目标用户画像的准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。