一种基于用户行为的用户身份识别方法及其电器设备

摘要

本发明提供了一种基于用户行为的用户身份识别方法及其电器设备，本发明的技术方案通过给用户行为数据贴上行为标签，所述行为标签包括行为身份属性和身份权重，将预设时间区间内的所有行为标签中相同的身份属性的身份权重相加求和，分别得到不同身份属性所对应的用户身份置信值；根据用户身份识别表判断用户身份置信值是否超过置信阈值，进而实现身份识别，具有更加精确，更加优化，更加合理的有益技术效果。

说明书

技术领域

本发明涉及一种身份识别领域，特别是涉及一种基于用户行为的用户身份识别方法及其电器设备。

背景技术

用户购买了电器设备后，为了有针对性的给用户提供更优质服务，最好是能够识别用户的身份。

虽然现有技术已经存在通过用户行为数据与用户行为数据库中的用户行为数据进行对比，通过判断相似度来识别用户身份。然而，传统的身份判断方法存在收集用户信息不全面，导致分析用户身份不精确的缺陷。

发明内容

本发明的目的在于提供一种更加精确的基于用户行为的用户身份识别方法。为实现该目标，本发明的技术方案如下：

一种基于用户行为的用户身份识别方法，包括：

获取用户行为数据；

给用户行为数据贴上行为标签，所述行为标签包括行为身份属性和身份权重；

将预设时间区间内的所有行为标签中相同的身份属性的身份权重相加求和，分别得到不同身份属性所对应的用户身份置信值；

根据用户身份识别表判断用户身份置信值是否超过置信阈值，其中，所述用户身份识别表包括用户身份属性和与用户身份属性相对应的特征阀值。

优选的，所述用户行为数据包括用户行为事件，所述用户行为事件包括行为时间和行为名称。

优选的，所述用户行为数据与所述行为标签通过用户行为标签表进行关联，所述，所述用户行为标签表包括用户行为数据和与用户行为数据相对应的行为标签。

优选的，述获取用户行为数据包括监测步骤和筛选步骤，所述监测步骤实时采集用户行为数据，所述筛选步骤是在采集的用户数据中筛选出能够表征用户身份的用户行为数据。

优选的，采用机器学习算法代替用户行为标签表，来实现给用户行为数据贴标签。

优选的，若用户身份置信值超过特征阀值，则给用户贴上身份标签，所述身份标签包括至少一个身份属性。

本发明还提供了一种能够更加精确识别用户身份的电器设备，所述电器设备采用上述方法进行用户身份识别。

优选的，所述电器设备为空调。

优选的，所述身份属性包括是否为上班族、性别。

优选的，所述用户行为数据包括关闭空调的事件和该事件发生的时间。

相对于现有技术，本发明的有益技术效果在于，本发明的技术方案通过给用户行为数据贴上行为标签，所述行为标签包括行为身份属性和身份权重，将预设时间区间内的所有行为标签中相同的身份属性的身份权重相加求和，分别得到不同身份属性所对应的用户身份置信值；根据用户身份识别表判断用户身份置信值是否超过置信阈值，进而实现身份识别，具有更加精确、更加优化，更加合理的有益技术效果。

附图说明

图1是本发明的用户身份识别方法的流程图。

具体实施方式

实施例一

参照图1所述，本实施例的基于用户行为的用户身份识别方法包括：

获取用户行为数据；采集到用户行为数据后，在数据层进行加工，提取出表征用户行为的数据集，去除重复数据，错误数据，异常数据等，进行数据类型划分，最终获取到能够表征用户身份的用户行为数据。用户行为数据的类型是多样的，例如当用户操作空调时，用户行为数据可以包括各风挡的运行时间占比，各模式下的运行时间占比，静音开关的运行时间占比，室内环境温度的变化，超强模式的运行时间占比，以及各时段用户的行为进行分析，包括开关机次数，各模式调节的变化次数，设定环境温度的设置变化。

给用户行为数据贴上行为标签，所述行为标签包括行为身份属性和身份权重；身份属性包括上班族、男性、女性、老人、小孩等，不同的用户行为数据对应的身份属性的权重不同，权重越大，表明该用户行为与用户身份的关联性越大。身份权重的分配可以根据历史数据预先设定。

将预设时间区间内的所有行为标签中相同的身份属性的身份权重相加求和，分别得到不同身份属性所对应的用户身份置信值；

根据用户身份识别表判断最大的用户身份置信值是否超过置信阈值，其中，所述用户身份识别表包括用户身份属性和与用户身份属性相对应的特征阀值。

所述用户行为数据包括用户行为事件，所述用户行为事件包括行为时间和行为名称。

所述用户行为数据与所述行为标签通过用户行为标签表进行关联，所述，所述用户行为标签表包括用户行为数据和与用户行为数据相对应的行为标签。

所述获取用户行为数据包括监测步骤和筛选步骤，所述监测步骤实时采集用户行为数据，所述筛选步骤是在采集的用户数据中筛选出能够表征用户身份的用户行为数据。

若用户身份置信值超过特征阀值，则给用户贴上身份标签，所述身份标签包括身份属性。

实施例二

一种电器设备，所述电器设备采用实施例一所述的方法进行用户身份识别。

作为优选实施例，所述电器设备为空调，所述空调采用实施例一所述的方法进行用户身份识别流程具体如下。

获取用户行为数据，作为优选实施例，所述用户行为数据包括用户行为事件，所述用户行为事件包括行为时间和行为名称。

例如，如果用户行为时间为用户早上7点关闭空调，那么行为名称为关闭空调，发生时间为早上7点。

给用户行为数据贴上行为标签，所述行为标签包括行为身份属性和身份权重；

例如，如果获取到早上7点检测到用户关闭空调的行为数据，则给该用户行为数据贴上身份属性为上班族，身份权重为x1的行为标签。同理，如果获取到用户将空调设置为超强模式的行为数据，则给该用户行为数据贴上身份属性为男性，身份权重为y1。

将预设时间区间内的所有行为标签中相同的身份属性的身份权重相加求和，分别得到不同身份属性所对应的用户身份置信值；

例如，设时间区间为星期一至星期天，将一个星期内的属性为上班族的所有行为标签中的身份权重相加求和，得到用户身份置信值q(x)＝x1+x2+x3...+xn，其中，xn为身份属性为上班族的行为标签的身份权重,q(x)为身份属性为上班族的所有行为标签中的身份权重之和。同理，将一个星期内的属性为男性族的所有行为标签中的身份权重相加求和，得到用户身份置信值q(y)＝y1+y2+y3...+yn，其中，yn为身份属性为男性的行为标签的身份权重,q(y)为身份属性为男性的所有行为标签中的身份权重之和。

根据用户身份识别表判断最大的用户身份置信值是否超过置信阈值，其中，所述用户身份识别表包括用户身份属性和与用户身份属性相对应的特征阀值。

若用户身份置信值超过特征阀值，则给用户贴上身份标签，所述身份标签包括身份属性。

例如，设在用户身份识别表中，与“上班族”这一身份属性对应的特征阀值为Q(x)，与“男性”这一身份属性对应的特征阀值为Q(y)，如果q(x)大于Q(x)，则判断用户身份为上班族，如果还满足q(y)大于Q(y)，则判断用户身份为男性，那么就可以给用户贴上男性上班族的身份标签。

作为优选实施例，所述用户行为数据与所述行为标签通过用户行为标签表进行关联，所述用户行为标签表包括用户行为数据和与用户行为数据相对应的行为标签。这样只要识别出了用户行为，就能通过查表找到与其对应的行为标签，能够快、准确地给用户行为数据贴上对应的行为标签。

例如，早上7点关闭空调这一用户行为事件与身份属性为上班族，身份权重为x1的行为标签是之间的对应关系是预先设定好的，具体通过用户行为标签表进行关联，当获取到指定的用户行为数据后，通过查表获取相对应的行为标签。

所述获取用户行为数据包括监测步骤和筛选步骤，所述监测步骤实时采集用户行为数据，所述筛选步骤是在采集的用户数据中筛选出能够表征用户身份的用户行为数据。

实施例三

在实施例一基础上，实施例三提供了一种基于用户行为的用户身份识别方法，其中，实施例三的方法采用机器学习算法代替实施例一中的方法的用户行为标签表，来实现给用户行为数据贴标签。所述机器学习算法可以是神经网络学习算法。

实施例四

同理，在实施例二的基础上，实施例四提供了一种电器设备，该电器设备在进行用户身份身份过程中，采用机器学习算法代替实施例一种的方法的用户行为标签表，来实现给用户行为数据贴标签。

以上所述实施例仅用于理解本发明的技术方案，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域技术人员来说，在不脱离本发明构思的前提下做出的改变都属于本发明的保护范围。