基于多维度时序特征数据矩阵的服务提供方法及装置

技术领域

本申请涉及计算机信息处理领域，具体而言，涉及一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法、装置、电子设备及计算机可读介质。

背景技术

用户行为数据，是指用户在某项产品内进行各种操作产生的数据。用户在什么时间、什么地点以何种交互方式(访问/浏览/点击等)进行了某种操作。作为用户的一个强烈的行为表征，通过用户行为数据对用户画像进行刻画一直是技术关注热点。基于用户行为数据能够勾画用户的全生命周期的用户画像。

但是，目前对用户行为数据的挖掘的主要方式是人工，需要投入的人力较多，并且人工挖掘的特征比较依赖对业务的经验，现在经常是从可解释的规则出发来加工数据。对时序数据的加工方法往往是选取不同的时间窗口，对这个时间窗口内的信息进行各种聚合，如近3月内的次数、平均、最大、最小等。还可在此基础上进一步衍生，如不同时间窗口中的比值(例如近3月/近6月次数)，同一时间窗口不同口径的比值(例如近3月非官方机构数/官方机构数)等。这样的方式虽然理论上可以衍生出非常多特征，但是实际应用时特征筛选工作负担较重，需要剔除掉其中大部分相关性较弱的特征，而且受限于专家的经验认知。

因此，需要一种新的基于多维度时序特征数据矩阵生成用户画像的服务提供方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本申请提供一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法、装置、电子设备及计算机可读介质，能够准确快速全面的生成用户画像，进而为用户提供互联网服务，提升系统安全性，保障因素安全、提升服务性能。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请的一方面，提出一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法，该方法包括：获取用户的操作数据；按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；为所述多维度数据矩阵中每个维度的时序数据确定位置编码；将带有位置编码的多维度数据矩阵输入特征提取模型中；特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；通过所述多组特征数据生成所述用户的时序特征数据；根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务。

可选地，特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据，包括：所述特征提取模型中的多个机器翻译层，通过编码器和解码器循环将前一个神经元的状态传递到后续神经元中，以提取所述多维度数据矩阵中多个维度的时序数据之间的顺序及关联，生成多组特征数据。

可选地，通过所述多组特征数据生成所述用户的时序特征数据，包括：所述特征提取模型中的多个全局平均池化层，对当前层的所述多组特征数据进行下采样并将其传递到上一层中，生成多个采样数据；将所述多个采样数据进行拼接以生成所述用户的时序特征数据。

可选地，按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵，包括：按照预设类别将所述操作数据中的时序数据分为多个数据组；一个数据组对应于所述多维度数据矩阵的一个维度；将每个数据组中的时序数据进行序列转化，生成所述多维度数据矩阵。

可选地，将每个数据组中的时序数据进行序列转化，生成所述多维度数据矩阵，包括：将时序数据中的分类变量转化为数值型编码以进行类别序列转化；对时序数据中的非分类变量进行数值序列转化；将每组数据中序列转化后的时序数据进行拼接以生成所述多维度数据矩阵。

可选地，还包括：提取每个类别对应的序列长度阈值；根据所述长度阈值对所述操作数据中的时序数据进行填充或删除。

可选地，根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务，包括：获取用户的基础信息；通过所述基础信息生成基础特征数据；根据用户的基础特征数据和所述时序特征数据为所述用户确定用户画像；根据所述用户画像为所述用户提供互联网服务。

可选地，获取用户的操作数据，包括：由第三方数据库获取用户的原始数据，所述原始数据中包含多个类别的时序数据和非时序数据；根据业务场景确定时间范围和目标类别；根据所述时间范围和所述目标类别对所述原始数据进行筛选，生成所述操作数据。

可选地，为所述多维度数据矩阵中每个维度的时序数据确定位置编码，包括：根据时序数据对应的时间和当前时间的时间差为所述多维度时序矩阵中每个维度的时序数据确定位置编码。

可选地，将带有位置编码的多维度数据矩阵输入特征提取模型中，包括：将用户操作数据中的非时序数据进行序列转化，生成非时序数组；将带有位置编码的多维度数据矩阵和所述非时序数组输入特征提取模型中。

根据本申请的一方面，提出一种基于多维度时序特征数据矩阵生成用户画像的服务提供装置，该装置包括：数据模块，用于获取用户的操作数据；矩阵模块，用于按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；位置模块，用于为所述多维度数据矩阵中每个维度的时序数据确定位置编码；输入模块，用于将带有位置编码的多维度数据矩阵输入特征提取模型中；提取模块，用于特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；特征模块，用于通过所述多组特征数据生成所述用户的时序特征数据；服务模块，用于根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务。

根据本申请的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本申请的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本申请的基于多维度时序特征数据矩阵生成用户画像的服务提供方法、装置、电子设备及计算机可读介质，通过获取用户的操作数据；按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；为所述多维度数据矩阵中每个维度的时序数据确定位置编码；将带有位置编码的多维度数据矩阵输入特征提取模型中；特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；通过所述多组特征数据生成所述用户的时序特征数据；根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务的方式，能够准确快速全面的生成用户画像，进而为用户提供互联网服务，提升系统安全性，保障因素安全、提升服务性能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。

附图说明

通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的流程图。

图2是根据另一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的示意图。

图3是根据另一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的示意图。

图4是根据另一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的示意图。

图5是根据另一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的示意图。

图6是根据另一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的流程图。

图7是根据一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

图1是根据一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的流程图。基于多维度时序特征数据矩阵生成用户画像的服务提供方法10至少包括步骤S102至S114。

如图1所示，在S102中，获取用户的操作数据。可例如，由第三方数据库获取用户的原始数据，所述原始数据中包含多个类别的时序数据和非时序数据；根据业务场景确定时间范围和目标类别；根据所述时间范围和所述目标类别对所述原始数据进行筛选，生成所述操作数据。

在本申请实施例中，用户可为个人用户或者企业用户，用户操作数据可为用户的操作行为数据，可例如为个人用户或企业用户的页面操作数据、业务访问时长、业务访问频率等，对于企业用户的用户操作数据，在此进行举例说明，比如，某个短视频APP需要进行广告位竞拍，在每次短视频即将进行播放广告时，需要各个企业用户选择是否竞拍该广告位投放广告，此时，由于竞拍撮合的时间极短，只能够通过设定的程序来进行广告位竞拍，获取该企业用户对于广告位的竞拍信息即获取企业用户的用户操作数据，同理，业务访问时长和业务访问频率也可以理解为企业用户设定的程序进行的业务访问信息，用户信息的具体内容可根据实际应用场景确定，在此不做限制。

在一个实际的应用场景中，以企业用户为例，获取企业用户在平台内的业务的访问数据，或者，在系统内的数据访问信息或数据操作信息，作为操作数据的原始数据，进而进行后续的处理。还可根据不同的应用场景提取不同时间范围内或者不同类别的原始数据。以个人用户为例，在为个人用户的安全情况进行评价时，可提取90天内的、和数据服务相关的原始数据，比如用户是否违规下载数据或者获取数据。在对用户的喜好特征进行评价时，可提取一年内的、和购物相关的原始数据。

在S104中，按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵。可按照预设类别将所述操作数据中的时序数据分为多个数据组；一个数据组对应于所述多维度数据矩阵的一个维度；将每个数据组中的时序数据进行序列转化，生成所述多维度数据矩阵。

在S106中，为所述多维度数据矩阵中每个维度的时序数据确定位置编码。可根据时序数据对应的时间和当前时间的时间差为所述多维度时序矩阵中每个维度的时序数据确定位置编码。

可通过Transformer深度学习模型进行计算，由于深度学习模型Transformer的自注意力机制(self attention)架构没有使用序列的时序信息，因此事件发生日期和观察点之间的时间差无法描述。在本申请中，通过位置编码(Positional embedding，或者Positional encoding)将时序信息加到模型计算中，以完善深度学习模型Transformer的的时序计算功能。

如果将时间差以天数计，可能取值的类别过多，造成位置编码参数过多，优选的，可以选用缩放的系数，缩小范围，在一个具体的应用中，天数范围在0～800天，可乘以0.1，范围缩小到0～80。将位置编码加到特征(即Categorical embedding和数值特征拼接的结果)上，以便在深度学习模型计算时引入时序特征。

位置编码的矩阵计算公式为：

其中d是特征维数。i是行(时序维)，取值为1～n的整数，n为时序长度。2j表示偶数列，2j+1表示奇数列(特征维)。

在S108中，将带有位置编码的多维度数据矩阵输入特征提取模型中。将用户操作数据中的非时序数据进行序列转化，生成非时序数组；将带有位置编码的多维度数据矩阵和所述非时序数组输入特征提取模型中。

可通过Transformer深度学习模型中多个机器翻译层(Transformer Layer)的堆叠实现特征提取的功能。Transformer Layer的结构如图2所示。单个时序数据的特征提取模型(Feature Extractor)如图3所示。对几组时序数据Transformer Layer的输出接全连接层并拼接，再叠Transformer Layer。或者用交叉注意力机制(cross attention)提取不同时序数据之间的关联关系。再分别对几组时序数据用全局平均池化层(global averagepooling)进行下采样，之后对对数据进行拼接，再接若干全连接层(MLP)，最后接输出层，例如分类问题，就用神经元数量为类别数的全连接层(softmax激活函数)。

在S110中，特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据。更具体的，所述特征提取模型中的多个机器翻译层，通过编码器和解码器循环将之前的神经元的状态传递到后续的神经元中，以提取所述多维度数据矩阵中多个维度的时序数据之间的顺序及关联，生成多组特征数据。

在本申请实施例中，可通过Transformer深度学习模型提取多维度数据矩阵中时序数据之间的顺序及关联生成多组特征数据。如图4所示，Transformer基于注意力的架构，最长路径(序列中的信息从x1传到xn的距离)是O(1)，即一步就可以看到整个序列，比RNN类神经网络O(n)的最长路径以及CNN的O(n/k)的最长路径有优势(k为窗口大小)。因此即使是时间较久远的信息也可以通过attention机制抓取，适用于较长的时序。这样对于信贷历史较长的情况也是适用的，例如与早期的信贷行为相比，近期的信贷行为突变，可以通过attention机制尝试提取相应特征。

在S112中，通过所述多组特征数据生成所述用户的时序特征数据。所述特征提取模型中的多个全局平均池化层，对当前层的所述多组特征数据进行下采样并将其传递到上一层中，生成多个采样数据；将所述多个采样数据进行拼接以生成所述用户的时序特征数据。

在本申请的实施例中，过Transformer深度学习模型的整体网络架构如图5所示。在一个数据服务场景中，网络底层输入时序数据，可包括查询序列、数据获取序列、数据上传序列，可以再加其他时序数据、非时序数据，可包括用户基础信息。时序数据中有分类变量，如查询原因，转为数值型的编码(整数)后再用类别特征提取(Categoricalembedding)，得到相对低维稠密的特征，然后再和数值特征进行拼接。

更近一步的，在模型训练过程中，超参数调优，如transformer(翻译模块)块的个数，multi-head attention(多头注意力机制)的head(头)数，全连接层神经元个数，剔除比例，嵌入层输出维数等。可以根据经验设定合适的范围，然后用KerasTuner等工具调参。

训练神经网络，优化器可以用Adam，RMSprop等梯度下降方法。保存输出层及输出层前若干层(如倒数第二层的全连接层)的结果作为特征。

可以使用上述神经网络提取的特征，并同时加入其他维度的特征一起训练XGBoost、逻辑回归等模型。也可以用神经网络输出层的得分作为一个子分和其他维度的特征一起训练模型。

在S114中，根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务。可获取用户的基础信息；通过所述基础信息生成基础特征数据；根据用户的基础特征数据和所述时序特征数据为所述用户确定用户画像；根据所述用户画像为所述用户提供互联网服务。

根据本申请的基于多维度时序特征数据矩阵生成用户画像的服务提供方法，通过获取用户的操作数据；按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；为所述多维度数据矩阵中每个维度的时序数据确定位置编码；将带有位置编码的多维度数据矩阵输入特征提取模型中；特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；通过所述多组特征数据生成所述用户的时序特征数据；根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务的方式，能够准确快速全面的生成用户画像，进而为用户提供互联网服务，提升系统安全性，保障因素安全、提升服务性能。

根据本申请的基于多维度时序特征数据矩阵生成用户画像的服务提供方法，利用Transformer中的编码器进行时序特征提取，根据数据学习出的特征与根据人的经验加工特征的方式不同，可以提取难以从经验总结和发现的一些特征。并且和人工特征的相关性较低，可以与其形成互补。由于Transformer的并行度是O(n)，而RNN因为时序性并行度为O(1)，本申请使用Transformer的并行度高，可方便简单的用GPU、TPU增速。本申请使用Transformer的特征区分能力较好。由于特征是基于神经网络根据样本表现的y标签训练所得(有监督学习)，所以，本申请选用的Transformer模型区分能力较好，可以简化建模时的特征筛选工作。

应清楚地理解，本申请描述了如何形成和使用特定示例，但本申请的原理不限于这些示例的任何细节。相反，基于本申请公开的内容的教导，这些原理能够应用于许多其它实施例。

图6是根据另一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供方法的流程图。图6所示的流程60是对图1所示的流程中S104“按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵”的详细描述。

如图6所示，在S602中，按照预设类别将所述操作数据中的时序数据分为多个数据组。按照不同的应用场景和类别将时序数据分为多个数据组。

在数据服务场景中，还可提取报告中的时序特征，包括近2年内的查询记录，数据获取信息明细中的各类数据、数据使用记录，每条明细记录下有近5年的数据下载记录。同时做必要的数据清洗和聚合，例如缺失值填充，异常值截断，数值变量归一化，分类变量转为数值编码等。

近5年的数据下载记录可以将各明细记录聚合，如每个月的数据下载量，得到近60个月的时序数据。时序数据中事件的发生日期，如查询日期、账户开通日期、数据下载月份和数据下载量等，可以处理为和观察点之间的时间差。除了时序特征，也可以加入其他静态数据、汇总数据等，如基本信息、违规获取数据等信息，作为可选的一项输入，再与时序模块的中间输出结果合并。

在S604中，一个数据组对应于所述多维度数据矩阵的一个维度。

在S606中，将每个数据组中的时序数据进行序列转化，生成所述多维度数据矩阵。

在一个实施例中，可将时序数据中的分类变量转化为数值型编码以进行类别序列转化；对时序数据中的非分类变量进行数值序列转化；将每组数据中序列转化后的时序数据进行拼接以生成所述多维度数据矩阵。

由于时序数据中有分类变量，如查询原因，转为数值型的编码(整数)后再用通过类别转化(Categorical embedding)操作得到相对低维稠密的特征，然后和数值特征进行拼接。

由于各个样本的时序数据是长短不一的，可设定一个最大长度max_length，超出最大长度的数据截断。其中，最大长度可以设置为样本中最长序列的长度，尽量不做截断，以免早期信息的丢失。不足最大长度的数据用零进行填充，以将序列长度补齐到max_length。

在一个实施例中，在零填充之后，可通过Padding mask操作消除零填充的对整体数据的影响，可例如，在模型计算中，设置零填充之后的数据的注意力分数为0。

在S608中，根据所述长度阈值对所述操作数据中的时序数据进行填充或删除。可提取每个类别对应的序列长度阈值，从而进行填充

在实际应用场景中，Transformer计算复杂度较高，与序列长度n的平方成正比。Transformer有各种变体，主要是在多头注意力机制上进行优化，降低计算复杂度，可采用其他的注意力记住进行优化，可例如为：local attention(本地注意力机制)，truncatedattention(删减注意力机制)，big bird attention(稀疏注意力机制)，linformerattention(线性注意力机制)等。

在实际应用场景中，用户安全报告的时序数据可能会很长，可以达到上千。由于transformer计算复杂度较高，而并行度好，一般可通过GPU、TPU来训练。如果受设备限制，训练时间过长，也可以考虑用双向RNN+attention，用RNN在所有时间步的最终层隐状态，作为attention的键和值。这里的RNN指擅长记忆的LSTM，GRU等。

在实际应用场景中，提取时序数据时，可以按需采用不同的时序序列，例如将数据下载信息和数据上传信息分为不同的时序数据，增加后付费缴费记录的时序数据等。时序数据之外的输入也可增加。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图7是根据一示例性实施例示出的一种基于多维度时序特征数据矩阵生成用户画像的服务提供装置的框图。如图7所示，基于多维度时序特征数据矩阵生成用户画像的服务提供装置70包括：数据模块702，矩阵模块704，位置模块706，输入模块708，提取模块710，特征模块712，服务模块714。

数据模块702用于获取用户的操作数据；

矩阵模块704用于按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；

位置模块706用于为所述多维度数据矩阵中每个维度的时序数据确定位置编码；

输入模块708用于将带有位置编码的多维度数据矩阵输入特征提取模型中；

提取模块710用于特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；

特征模块712用于通过所述多组特征数据生成所述用户的时序特征数据；

服务模块714用于根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务。

提取模块710，具体用于所述特征提取模型中的多个机器翻译层，通过编码器和解码器循环将之前的神经元的状态传递到后续的神经元中，以提取所述多维度数据矩阵中多个维度的时序数据之间的顺序及关联，生成多组特征数据。

特征模块712，具体用于所述特征提取模型中的多个全局平均池化层，对当前层的所述多组特征数据进行下采样并将其传递到上一层中，生成多个采样数据；将所述多个采样数据进行拼接以生成所述用户的时序特征数据。

矩阵模块704，具体用于按照预设类别将所述操作数据中的时序数据分为多个数据组；一个数据组对应于所述多维度数据矩阵的一个维度；将每个数据组中的时序数据进行序列转化，生成所述多维度数据矩阵。

矩阵模块704，具体用于将时序数据中的分类变量转化为数值型编码以进行类别序列转化；对时序数据中的非分类变量进行数值序列转化；将每组数据中序列转化后的时序数据进行拼接以生成所述多维度数据矩阵。

矩阵模块704，还用于提取每个类别对应的序列长度阈值；根据所述长度阈值对所述操作数据中的时序数据进行填充或删除。

服务模块714，具体用于获取用户的基础信息；通过所述基础信息生成基础特征数据；根据用户的基础特征数据和所述时序特征数据为所述用户确定用户画像；根据所述用户画像为所述用户提供互联网服务。

数据模块702，具体用于由第三方数据库获取用户的原始数据，所述原始数据中包含多个类别的时序数据和非时序数据；根据业务场景确定时间范围和目标类别；根据所述时间范围和所述目标类别对所述原始数据进行筛选，生成所述操作数据。

位置模块706，具体用于根据时序数据对应的时间和当前时间的时间差为所述多维度时序矩阵中每个维度的时序数据确定位置编码。

输入模块708，具体用于将用户操作数据中的非时序数据进行序列转化，生成非时序数组；将带有位置编码的多维度数据矩阵和所述非时序数组输入特征提取模型中。

根据本申请的基于多维度时序特征数据矩阵生成用户画像的服务提供装置，通过获取用户的操作数据；按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；为所述多维度数据矩阵中每个维度的时序数据确定位置编码；将带有位置编码的多维度数据矩阵输入特征提取模型中；特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；通过所述多组特征数据生成所述用户的时序特征数据；根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务的方式，能够准确快速全面的生成用户画像，进而为用户提供互联网服务，提升系统安全性，保障因素安全、提升服务性能。

如图8所示，本发明实施例提供了一种电子设备，包括处理器810、通信接口820、存储器830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信；

存储器830，用于存放计算机程序；

处理器810，用于执行存储器830上所存放的程序时，实现上述任一实施例的基于视频表情动作的数据配给权限调整方法。

本发明实施例提供的电子设备，处理器810通过执行存储器830上所存放的程序获取目标的数据配给初始权限和访问信息；通过所述访问信息确定视频文本内容；与所述目标建立实时视频链接，并依据所述视频连接展示所述视频文本内容以生成视频数据；对所述视频数据中用户的表情动作进行识别以确定其对应的权限调整系数；根据所述初始权限和所述权限调整系数对所述用户的数据配给权限进行调整。

通信接口820用于上述电子设备与其他设备之间的通信。

存储器830可以包括随机存取存储器830(RandomAccessMemory，简称RAM)，也可以包括非易失性存储器830(non-volatilememory)，例如至少一个磁盘存储器830。

本发明实施例提供了一种计算机可读存储介质，计算机可读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，以实现上述任一实施例的基于多维度时序特征数据矩阵生成用户画像的服务提供方法。可例如，获取用户的操作数据；按照预设类别提取所述操作数据中的时序数据生成多维度数据矩阵；为所述多维度数据矩阵中每个维度的时序数据确定位置编码；将带有位置编码的多维度数据矩阵输入特征提取模型中；特征提取模型基于位置编码和深度学习功能提取所述多维度数据矩阵中时序数据之间的顺序及关联，生成多组特征数据；通过所述多组特征数据生成所述用户的时序特征数据；根据所述时序特征数据确定所述用户的用户画像以为所述用户提供互联网服务。

以上具体地示出和描述了本申请的示例性实施例。应可理解的是，本申请不限于这里描述的详细结构、设置方式或实现方法；相反，本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。