群体分类方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种群体分类方法、装置、设备及存储介质。

背景技术

目前，在对用户群体进行分类时，通常采用现有的分类算法或者聚类算法对用户信息进行聚类分析，然而，这种方案无法应对存在缺失的用户信息的场景，导致无法准确的对用户群体进行分类。

发明内容

鉴于以上内容，有必要提供一种群体分类方法、装置、设备及存储介质，能够解决因存在缺失的用户信息而导致无法准确的对用户群体进行分类的技术问题。

一方面，本发明提出一种群体分类方法，所述群体分类方法包括：

获取用户群体中多个用户的用户特征信息；

根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵；

对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵；

根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵；

基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵，并基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵；

基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵；

基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型。

根据本发明优选实施例，所述根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵包括：

对所述用户特征信息进行量化处理，得到每个用户在多个所述预设特征标签上的信息值；

根据每个用户所对应的信息值构建所述群体矩阵；

根据所述群体矩阵及所述预设数值所对应的行向量，生成所述群体增广矩阵。

根据本发明优选实施例，所述对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵包括：

对所述群体矩阵进行拆解，得到第一拆解矩阵及第二拆解矩阵；

对所述第一拆解矩阵进行增广处理，得到所述初始映射矩阵；

对所述第二拆解矩阵的转置矩阵进行增广处理，得到所述初始特征矩阵。

根据本发明优选实施例，所述根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵包括：

识别所述缺失信息在所述第一拆解矩阵的第一表征位置，并将所述第一拆解矩阵中除所述第一表征位置外的矩阵位置确定为第二表征位置；

基于第一配置数值，对所述第一拆解矩阵中与所述第一表征位置对应的元素进行替换，并基于第二配置数值，对所述第一拆解矩阵中与所述第二表征位置对应的元素进行替换，得到所述第一掩码矩阵；

识别所述缺失信息在所述第二拆解矩阵的第三表征位置，并将所述第二拆解矩阵中除所述第三表征位置外的矩阵位置确定为第四表征位置；

基于所述第一配置数值，对所述第二拆解矩阵中与所述第三表征位置对应的元素进行替换，并基于所述第二配置数值，对所述第二拆解矩阵中与所述第四表征位置对应的元素进行替换，得到所述第二掩码矩阵。

根据本发明优选实施例，所述基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵包括：

对所述群体矩阵的转置矩阵进行增广处理，得到所述目标矩阵；

识别出所述第一掩码矩阵中与所述第二配置数值对应的目标行数及目标列数；

基于所述目标行数及所述目标列数，从所述初始特征矩阵中提取特征列，并基于所述目标行数及所述目标列数，从所述目标矩阵中提取目标列；

对所述特征列及所述目标列进行非负最小二乘法运算，得到所述中间映射矩阵。

根据本发明优选实施例，所述基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵包括：

计算所述中间映射矩阵与所述中间特征矩阵的乘积，得到所述关系矩阵；

计算所述关系矩阵与所述群体矩阵的均方根误差；

基于所述均方根误差对所述中间特征矩阵进行调整，直至所述均方根误差最小，得到所述目标特征矩阵。

根据本发明优选实施例，所述基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型包括：

若所述目标特征矩阵的矩阵行数大于预设行数阈值，从所述目标特征矩阵中获取每个用户所对应的多个用户类型；

对于每个用户，若所述多个用户类型的类型种类有多个，统计相同的类型种类所对应的用户类型的类型数量；

将取值最大的类型数量所对应的用户类型确定为该用户的群体类型。

另一方面，本发明还提出一种群体分类装置，所述群体分类装置包括：

获取单元，用于获取用户群体中多个用户的用户特征信息；

构建单元，用于根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵；

增广单元，用于对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵；

所述构建单元，还用于根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵；

计算单元，用于基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵，并基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵；

调整单元，用于基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵；

分类单元，用于基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型。

另一方面，本发明还提出一种电子设备，所述电子设备包括：

存储器，存储计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现所述群体分类方法。

另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述群体分类方法。

由以上技术方案可以看出，本申请通过构建所述第一掩码矩阵及所述第二掩码矩阵，能够规避所述用户特征信息存在缺失信息而带来的影响，通过所述用户特征信息的非缺失值对所述中间映射矩阵及所述中间特征矩阵的分解更新及调整，能够提高所述目标特征矩阵的生成准确性，从而提高所述用户群体的分类准确性。

附图说明

图1是本发明群体分类方法的较佳实施例的流程图。

图2是本发明中目标特征矩阵的一种结构示意图。

图3是本发明中目标特征矩阵的另一种结构示意图。

图4是本发明群体分类装置的较佳实施例的功能模块图。

图5是本发明实现群体分类方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，是本发明群体分类方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

所述群体分类方法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。

所述群体分类方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。

所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。

所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

101，获取用户群体中多个用户的用户特征信息。

在本发明的至少一个实施例中，所述用户群体可以由某个区域中所有的常住用户或者户籍用户等所构成的群体。所述多个用户是指所述用户群体中的内部用户，所述多个用户可以包括多个年龄阶段的用户。

所述用户特征信息是指每个用户在预设特征标签上所对应的信息，其中，所述预设特征标签可以包括，但不限于：年龄、职业、兴趣等标签。

在本发明的至少一个实施例中，所述电子设备从与所述用户群体所对应的数据库中获取每个用户在多个所述预设特征标签上所对应的信息作为所述用户特征信息。

102，根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵。

在本发明的至少一个实施例中，所述预设数值可以根据实际需求设定，为了避免所述预设数值对所述多个用户的分类的影响，所述群体增广矩阵中的多个预设数值相等，例如，所述多个预设数值都为0。

所述群体矩阵是指对所述用户群体所对应的用户特征信息的表征。例如，所述多个用户的用户数量为n，所述预设特征标签的标签数量为m，则所述群体矩阵的表示形式为m*n。

在本发明的至少一个实施例中，所述电子设备根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵包括：

对所述用户特征信息进行量化处理，得到每个用户在多个所述预设特征标签上的信息值；

根据每个用户所对应的信息值构建所述群体矩阵；

根据所述群体矩阵及所述预设数值所对应的行向量，生成所述群体增广矩阵。

例如，所述群体矩阵的表示形式为m*n，所述预设数值所对应的行向量为1*n，则所述群体增广矩阵的表示形式为(m+1)*n。

通过构建取值相等的预设数值作为所述行向量，能够避免因取值不等的预设数值对所述多个用户的分类的影响，进而通过所述行向量对所述群体矩阵进行增广，能够避免因存在所述用户特征信息中存在缺失信息而造成无法对所述多个用户进行分类。

103，对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵。

在本发明的至少一个实施例中，所述初始映射矩阵及所述初始特征矩阵分别是指对所述群体矩阵进行拆解增广处理后所得到的矩阵。

在本发明的至少一个实施例中，所述电子设备对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵包括：

对所述群体矩阵进行拆解，得到第一拆解矩阵及第二拆解矩阵；

对所述第一拆解矩阵进行增广处理，得到所述初始映射矩阵；

对所述第二拆解矩阵的转置矩阵进行增广处理，得到所述初始特征矩阵。

例如，所述第一拆解矩阵的表征形式为m*k，所述第二拆解矩阵的表征形式为k*m，经增广处理，得到所述初始映射矩阵的表征形式为(m+1)*k，所述初始特征矩阵的表征形式为(n+k)*k。

104，根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵。

在本发明的至少一个实施例中，所述缺失信息是指所述电子设备无法获取任一用户在所述预设特征标签上的信息。

在本发明的至少一个实施例中，所述电子设备根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵包括：

识别所述缺失信息在所述第一拆解矩阵的第一表征位置，并将所述第一拆解矩阵中除所述第一表征位置外的矩阵位置确定为第二表征位置；

基于第一配置数值，对所述第一拆解矩阵中与所述第一表征位置对应的元素进行替换，并基于第二配置数值，对所述第一拆解矩阵中与所述第二表征位置对应的元素进行替换，得到所述第一掩码矩阵；

识别所述缺失信息在所述第二拆解矩阵的第三表征位置，并将所述第二拆解矩阵中除所述第三表征位置外的矩阵位置确定为第四表征位置；

基于所述第一配置数值，对所述第二拆解矩阵中与所述第三表征位置对应的元素进行替换，并基于所述第二配置数值，对所述第二拆解矩阵中与所述第四表征位置对应的元素进行替换，得到所述第二掩码矩阵。

其中，所述第一配置数值可以设置为0，所述第二配置数值可以设置为1。

通过构建所述第一掩码矩阵及所述第二掩码矩阵，能够辅助所述电子设备快速识别出非缺失值，提高所述中间映射矩阵及所述中间特征矩阵的生成效率。

105，基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵，并基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵。

在本发明的至少一个实施例中，所述目标矩阵是指对所述群体矩阵的转置矩阵进行增广处理后所得到的矩阵，例如，所述群体矩阵的表现形式为m*n，则所述目标矩阵的表现形式为(n+k)*m。

所述中间映射矩阵及所述中间特征矩阵分别是指所述群体矩阵存在缺失值的情况下所拆解生成的矩阵。

在本发明的至少一个实施例中，所述电子设备基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵包括：

对所述群体矩阵的转置矩阵进行增广处理，得到所述目标矩阵；

识别出所述第一掩码矩阵中与所述第二配置数值对应的目标行数及目标列数；

基于所述目标行数及所述目标列数，从所述初始特征矩阵中提取特征列，并基于所述目标行数及所述目标列数，从所述目标矩阵中提取目标列；

对所述特征列及所述目标列进行非负最小二乘法运算，得到所述中间映射矩阵。

通过所述第二配置数值能够快速提取出所述特征列及所述目标列，从而提高所述中间映射矩阵的生成效率。

在本发明的至少一个实施例中，所述电子设备基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵包括：

识别出所述第二掩码矩阵中与所述第二配置数值对应的初始行数及初始列数；

基于所述初始行数及所述初始列数，从所述初始映射矩阵中提取映射行，并基于所述初始行数及所述初始列数，从所述群体增广矩阵中提取群体行；

对所述映射行及所述群体行进行非负最小二乘法运算，得到所述中间特征矩阵。

106，基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵。

在本发明的至少一个实施例中，所述关系矩阵是指所述中间映射矩阵与所述中间特征矩阵的乘积。

所述目标特征矩阵是指所述关系矩阵与所述群体矩阵的均方根误差最小时所对应的调整后的中间特征矩阵。所述目标特征矩阵的表现形式为k*n，其中，n表示所述多个用户的用户数量，k表示群体类型的类型数量。如图2所示，图2是本发明中目标特征矩阵的一种结构示意图。其中，所述目标特征矩阵的表现形式为3*n，所述目标特征矩阵中包括n个用户的群体类型及3种群体类型，具体来说，图2中用户1所对应的群体类型为类型B，用户2所对应的群体类型为类型A，用户3所对应的群体类型为类型C，用户n所对应的群体类型为类型C。

在本发明的至少一个实施例中，所述电子设备基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵包括：

计算所述中间映射矩阵与所述中间特征矩阵的乘积，得到所述关系矩阵；

计算所述关系矩阵与所述群体矩阵的均方根误差；

基于所述均方根误差对所述中间特征矩阵进行调整，直至所述均方根误差最小，得到所述目标特征矩阵。

通过上述实施方式，能够对所述中间特征矩阵进行迭代调整至所述均方根误差最小，提高所述目标特征矩阵的准确性。

107，基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型。

需要强调的是，为进一步保证上述群体类型的私密和安全性，上述群体类型还可以存储于一区块链的节点中。

在本发明的至少一个实施例中，所述群体类型可以包括，但不限于：运动类、购物类等。

在本发明的至少一个实施例中，所述电子设备基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型包括：

若所述目标特征矩阵的矩阵行数大于预设行数阈值，从所述目标特征矩阵中获取每个用户所对应的多个用户类型；

对于每个用户，若所述多个用户类型的类型种类有多个，统计相同的类型种类所对应的用户类型的类型数量；

将取值最大的类型数量所对应的用户类型确定为该用户的群体类型。

其中，所述预设行数阈值通常设定为1。

如图3所示，图3是本发明中目标特征矩阵的另一种结构示意图。图3中用户1所对应的用户类型有群体类型A和群体类型C两种，由于所述用户1在所述群体类型A的类型数量最大，因此，所述用户1所对应的群体类型为所述群体类型A，依照上述实施例，对其他用户进行类型识别，得到所述用户2所对应的群体类型为所述群体类型C，所述用户3所对应的群体类型为所述群体类型B，所述用户n所对应的群体类型为所述群体类型B。

通过上述实施方式，能够在所述目标特征矩阵的矩阵行数大于预设行数阈值，及任一用户的多个用户类型的类型种类有多个时，准确的确定出每个用户的群体类型。

在其他实施例中，若所述目标特征矩阵的矩阵行数等于所述预设行数阈值，则将所述目标特征矩阵中每个矩阵元素所对应的类型确定为每个用户的群体类型。

通过上述实施方式，能够直接的确定出所述群体类型。

由以上技术方案可以看出，本申请通过构建所述第一掩码矩阵及所述第二掩码矩阵，能够规避所述用户特征信息存在缺失信息而带来的影响，通过所述用户特征信息的非缺失值对所述中间映射矩阵及所述中间特征矩阵的分解更新及调整，能够提高所述目标特征矩阵的生成准确性，从而提高所述用户群体的分类准确性。

如图4所示，是本发明群体分类装置的较佳实施例的功能模块图。所述群体分类装置11包括获取单元110、构建单元111、增广单元112、计算单元113、调整单元114及分类单元115。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

获取单元110获取用户群体中多个用户的用户特征信息。

在本发明的至少一个实施例中，所述用户群体可以由某个区域中所有的常住用户或者户籍用户等所构成的群体。所述多个用户是指所述用户群体中的内部用户，所述多个用户可以包括多个年龄阶段的用户。

所述用户特征信息是指每个用户在预设特征标签上所对应的信息，其中，所述预设特征标签可以包括，但不限于：年龄、职业、兴趣等标签。

在本发明的至少一个实施例中，所述获取单元110从与所述用户群体所对应的数据库中获取每个用户在多个所述预设特征标签上所对应的信息作为所述用户特征信息。

构建单元111根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵。

在本发明的至少一个实施例中，所述预设数值可以根据实际需求设定，为了避免所述预设数值对所述多个用户的分类的影响，所述群体增广矩阵中的多个预设数值相等，例如，所述多个预设数值都为0。

所述群体矩阵是指对所述用户群体所对应的用户特征信息的表征。例如，所述多个用户的用户数量为n，所述预设特征标签的标签数量为m，则所述群体矩阵的表示形式为m*n。

在本发明的至少一个实施例中，所述构建单元111根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵包括：

对所述用户特征信息进行量化处理，得到每个用户在多个所述预设特征标签上的信息值；

根据每个用户所对应的信息值构建所述群体矩阵；

根据所述群体矩阵及所述预设数值所对应的行向量，生成所述群体增广矩阵。

例如，所述群体矩阵的表示形式为m*n，所述预设数值所对应的行向量为1*n，则所述群体增广矩阵的表示形式为(m+1)*n。

通过构建取值相等的预设数值作为所述行向量，能够避免因取值不等的预设数值对所述多个用户的分类的影响，进而通过所述行向量对所述群体矩阵进行增广，能够避免因存在所述用户特征信息中存在缺失信息而造成无法对所述多个用户进行分类。

增广单元112对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵。

在本发明的至少一个实施例中，所述初始映射矩阵及所述初始特征矩阵分别是指对所述群体矩阵进行拆解增广处理后所得到的矩阵。

在本发明的至少一个实施例中，所述增广单元112对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵包括：

对所述群体矩阵进行拆解，得到第一拆解矩阵及第二拆解矩阵；

对所述第一拆解矩阵进行增广处理，得到所述初始映射矩阵；

对所述第二拆解矩阵的转置矩阵进行增广处理，得到所述初始特征矩阵。

例如，所述第一拆解矩阵的表征形式为m*k，所述第二拆解矩阵的表征形式为k*m，经增广处理，得到所述初始映射矩阵的表征形式为(m+1)*k，所述初始特征矩阵的表征形式为(n+k)*k。

所述构建单元111根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵。

在本发明的至少一个实施例中，所述缺失信息是指所述电子设备无法获取任一用户在所述预设特征标签上的信息。

在本发明的至少一个实施例中，所述构建单元111根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵包括：

识别所述缺失信息在所述第一拆解矩阵的第一表征位置，并将所述第一拆解矩阵中除所述第一表征位置外的矩阵位置确定为第二表征位置；

基于第一配置数值，对所述第一拆解矩阵中与所述第一表征位置对应的元素进行替换，并基于第二配置数值，对所述第一拆解矩阵中与所述第二表征位置对应的元素进行替换，得到所述第一掩码矩阵；

识别所述缺失信息在所述第二拆解矩阵的第三表征位置，并将所述第二拆解矩阵中除所述第三表征位置外的矩阵位置确定为第四表征位置；

基于所述第一配置数值，对所述第二拆解矩阵中与所述第三表征位置对应的元素进行替换，并基于所述第二配置数值，对所述第二拆解矩阵中与所述第四表征位置对应的元素进行替换，得到所述第二掩码矩阵。

其中，所述第一配置数值可以设置为0，所述第二配置数值可以设置为1。

通过构建所述第一掩码矩阵及所述第二掩码矩阵，能够辅助所述电子设备快速识别出非缺失值，提高所述中间映射矩阵及所述中间特征矩阵的生成效率。

计算单元113基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵，并基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵。

在本发明的至少一个实施例中，所述目标矩阵是指对所述群体矩阵的转置矩阵进行增广处理后所得到的矩阵，例如，所述群体矩阵的表现形式为m*n，则所述目标矩阵的表现形式为(n+k)*m。

所述中间映射矩阵及所述中间特征矩阵分别是指所述群体矩阵存在缺失值的情况下所拆解生成的矩阵。

在本发明的至少一个实施例中，所述计算单元113基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵包括：

对所述群体矩阵的转置矩阵进行增广处理，得到所述目标矩阵；

识别出所述第一掩码矩阵中与所述第二配置数值对应的目标行数及目标列数；

基于所述目标行数及所述目标列数，从所述初始特征矩阵中提取特征列，并基于所述目标行数及所述目标列数，从所述目标矩阵中提取目标列；

对所述特征列及所述目标列进行非负最小二乘法运算，得到所述中间映射矩阵。

通过所述第二配置数值能够快速提取出所述特征列及所述目标列，从而提高所述中间映射矩阵的生成效率。

在本发明的至少一个实施例中，所述计算单元113基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵包括：

识别出所述第二掩码矩阵中与所述第二配置数值对应的初始行数及初始列数；

基于所述初始行数及所述初始列数，从所述初始映射矩阵中提取映射行，并基于所述初始行数及所述初始列数，从所述群体增广矩阵中提取群体行；

对所述映射行及所述群体行进行非负最小二乘法运算，得到所述中间特征矩阵。

调整单元114基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵。

在本发明的至少一个实施例中，所述关系矩阵是指所述中间映射矩阵与所述中间特征矩阵的乘积。

所述目标特征矩阵是指所述关系矩阵与所述群体矩阵的均方根误差最小时所对应的调整后的中间特征矩阵。所述目标特征矩阵的表现形式为k*n，其中，n表示所述多个用户的用户数量，k表示群体类型的类型数量。如图2所示，图2是本发明中目标特征矩阵的一种结构示意图。其中，所述目标特征矩阵的表现形式为3*n，所述目标特征矩阵中包括n个用户的群体类型及3种群体类型，具体来说，图2中用户1所对应的群体类型为类型B，用户2所对应的群体类型为类型A，用户3所对应的群体类型为类型C，用户n所对应的群体类型为类型C。

在本发明的至少一个实施例中，所述调整单元114基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵包括：

计算所述中间映射矩阵与所述中间特征矩阵的乘积，得到所述关系矩阵；

计算所述关系矩阵与所述群体矩阵的均方根误差；

基于所述均方根误差对所述中间特征矩阵进行调整，直至所述均方根误差最小，得到所述目标特征矩阵。

通过上述实施方式，能够对所述中间特征矩阵进行迭代调整至所述均方根误差最小，提高所述目标特征矩阵的准确性。

分类单元115基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型。

需要强调的是，为进一步保证上述群体类型的私密和安全性，上述群体类型还可以存储于一区块链的节点中。

在本发明的至少一个实施例中，所述群体类型可以包括，但不限于：运动类、购物类等。

在本发明的至少一个实施例中，所述分类单元115基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型包括：

若所述目标特征矩阵的矩阵行数大于预设行数阈值，从所述目标特征矩阵中获取每个用户所对应的多个用户类型；

对于每个用户，若所述多个用户类型的类型种类有多个，统计相同的类型种类所对应的用户类型的类型数量；

将取值最大的类型数量所对应的用户类型确定为该用户的群体类型。

其中，所述预设行数阈值通常设定为1。

如图3所示，图3是本发明中目标特征矩阵的另一种结构示意图。图3中用户1所对应的用户类型有群体类型A和群体类型C两种，由于所述用户1在所述群体类型A的类型数量最大，因此，所述用户1所对应的群体类型为所述群体类型A，依照上述实施例，对其他用户进行类型识别，得到所述用户2所对应的群体类型为所述群体类型C，所述用户3所对应的群体类型为所述群体类型B，所述用户n所对应的群体类型为所述群体类型B。

通过上述实施方式，能够在所述目标特征矩阵的矩阵行数大于预设行数阈值，及任一用户的多个用户类型的类型种类有多个时，准确的确定出每个用户的群体类型。

在其他实施例中，若所述目标特征矩阵的矩阵行数等于所述预设行数阈值，则将所述目标特征矩阵中每个矩阵元素所对应的类型确定为每个用户的群体类型。

通过上述实施方式，能够直接的确定出所述群体类型。

由以上技术方案可以看出，本申请通过构建所述第一掩码矩阵及所述第二掩码矩阵，能够规避所述用户特征信息存在缺失信息而带来的影响，通过所述用户特征信息的非缺失值对所述中间映射矩阵及所述中间特征矩阵的分解更新及调整，能够提高所述目标特征矩阵的生成准确性，从而提高所述用户群体的分类准确性。

如图5所示，是本发明实现群体分类方法的较佳实施例的电子设备的结构示意图。

在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如群体分类程序。

本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。

所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。

示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、构建单元111、增广单元112、计算单元113、调整单元114及分类单元115。

所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。

所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。

所述电子设备1集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种群体分类方法，所述处理器13可执行所述计算机可读指令从而实现：

获取用户群体中多个用户的用户特征信息；

根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵；

对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵；

根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵；

基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵，并基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵；

基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵；

基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型。

具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，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。

所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：

获取用户群体中多个用户的用户特征信息；

根据所述用户特征信息及预设数值构建群体增广矩阵，所述群体增广矩阵包括群体矩阵；

对所述群体矩阵进行拆解增广处理，得到初始映射矩阵及初始特征矩阵；

根据所述用户特征信息在预设特征标签上的缺失信息构建所述初始映射矩阵的第一掩码矩阵及所述初始特征矩阵的第二掩码矩阵；

基于所述第一掩码矩阵计算所述群体矩阵所对应的目标矩阵及所述初始特征矩阵，得到中间映射矩阵，并基于所述第二掩码矩阵计算所述初始映射矩阵及所述群体增广矩阵，得到中间特征矩阵；

基于所述群体矩阵及所述中间映射矩阵与所述中间特征矩阵的关系矩阵调整所述中间特征矩阵，得到目标特征矩阵；

基于所述目标特征矩阵对所述多个用户进行分类，得到每个用户的群体类型。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。