[发明专利]一种网络类型识别的方法、相关装置、设备及存储介质

权利要求书

1.一种网络类型识别的方法，其特征在于，包括：

获取第一无线网络所对应的待预测数据，其中，所述待预测数据包括与所述第一无线网络连接状态相关的数据，且所述待预测数据包括至少一种特征类型，所述至少一种特征类型包括所述第一无线网络的连接次数、独立连接数、连接时间、活跃状态、连接次数比例、留存人数比例以及连接次数分段中的一种或多种；

根据所述待预测数据生成待预测特征向量，其中，所述待预测特征向量与所述至少一种特征类型具有对应关系；

基于所述待预测特征向量，通过网络类型识别模型获取类别概率；

根据所述类别概率，确定所述第一无线网络所对应的目标网络类型。

2.根据权利要求1所述的方法，其特征在于，

所述连接次数包括在工作日内连接所述第一无线网络的平均连接次数，在非工作日内连接所述第一无线网络的平均连接次数，以及连接所述第一无线网络的平均连接次数的至少一种；

所述独立连接数包括在工作日内连接所述第一无线网络的平均独立连接数，在非工作日内连接所述第一无线网络的平均独立连接数，以及连接所述第一无线网络的平均独立连接数的至少一种；

所述连接时间包括所述第一无线网络的连接天数，所述第一无线网络的连接周数以及所述第一无线网络的连接月数的至少一种；

所述活跃状态包括所述第一无线网络在K个时刻所对应的活跃情况，其中，所述K为大于1的整数；

所述连接次数比例包括所述第一无线网络在至少一个时段内连接次数总和与连接数总和的比例；

所述留存人数比例包括所述第一无线网络在第一时段内独立连接数相对于第二时间段内独立连接数的留存比例；

所述连接次数分段包括所述第一无线网络在连续次数分段中的目标分段。

3.根据权利要求1所述的方法，其特征在于，所述网络类型识别模型包括决策树模型、极端梯度提升xgboost模型、随机森林模型、深度神经网络DNN模型、卷积神经网络CNN模型以及递归神经网络RNN模型中的至少一种。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述待预测特征向量，通过网络类型识别模型获取类别概率之前，所述方法还包括：

获取正样本数据集合以及负样本数据集合，其中，所述正样本数据集合包括至少一个正样本数据，每个正样本数据对应于第一标注网络类型，所述负样本数据集合包括至少一个负样本数据，每个负样本数据对应于第二标注网络类型；

根据所述正样本数据集合生成正样本特征向量集合，其中，所述正样本特征向量集合包括至少一个正样本特征向量，所述正样本特征向量与正样本数据具有对应关系；

根据所述负样本数据集合生成负样本特征向量集合，其中，所述负样本特征向量集合包括至少一个负样本特征向量，所述负样本特征向量与正样本数据具有对应关系；

基于所述正样本特征向量集合以及所述负样本特征向量集合，通过待训练网络类型识别模型获取每个正样本特征向量所对应的预测类别概率，以及每个负样本特征向量所对应的预测类别概率；

根据所述每个正样本特征向量所对应的预测类别概率、所述每个正样本数据对应于第一标注网络类型、所述每个负样本特征向量所对应的预测类别概率以及所述每个负样本数据对应于第二标注网络类型，对所述待训练网络类型识别模型的模型参数进行更新，直至满足模型训练条件，输出所述网络类型识别模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述类别概率，确定所述第一无线网络所对应的目标网络类型之后，所述方法还包括：

若所述目标网络类型为社区网络类型，则获取第二无线网络，其中，所述第二无线网络的网络类型为所述社区网络类型；

获取所述第一无线网络与所述第二无线网络之间的共有对象数量；

获取所述第一无线网络与所述第二无线网络之间的共有字符串长度；

根据所述共有对象数量以及所述共有字符串长度，确定所述第一无线网络与所述第二无线网络之间的连边权重；

若所述连边权重大于权重阈值，则将所述第一无线网络以及所述第二无线网络确定为主体网络，其中，所述主体网络对应于一个社区标识。