CN107908742A - 用于输出信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：通过获取目标用户的至少一种人属性特征，再根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型，最后输出所确定的用户类型。该实施方式有效利用了用户的人属性特征来预测用户在预设属性下的用户类型，提高了信息输出的内容丰富性。

Description

用于输出信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于输出信息的方法和装置。

背景技术

随着互联网以及数据挖掘技术的发展，目前存在对用户的互联网相关数据进行数据挖掘所得到的各种用户特征信息。

发明内容

本申请实施例提出了用于输出信息的方法和装置。

第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：获取目标用户的至少一种人属性特征；根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型；输出所确定的用户类型。

在一些实施例中，至少一种人属性特征包括以下至少一项：自然人属性特征和网络行为特征，网络行为特征包括以下至少一项：电子地图导航特征、兴趣画像特征、地址特征、常用应用特征、信用评分特征和网络搜索主题特征。

在一些实施例中，根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型，包括：将所获取的至少一种人属性特征导入预先训练的用户类型确定模型，得到目标用户在预设属性下的用户类型，其中，用户类型确定模型用于表征至少一种人属性特征与用户类型之间的对应关系。

在一些实施例中，用户类型包括第一用户类型和第二用户类型。

在一些实施例中，根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型，包括：将所获取的至少一种人属性特征导入预先训练的车辆事故发生频率计算模型，得到目标用户的预测车辆事故发生频率，其中，车辆事故发生频率计算模型用于表征至少一种人属性特征与车辆事故发生频率之间的对应关系；响应于确定预测车辆事故发生频率大于预设车辆事故发生频率阈值，确定目标用户在预设属性下的用户类型为第一用户类型；响应于确定预测车辆事故发生频率不大于预设车辆事故发生频率阈值，确定目标用户在预设属性下的用户类型为第二用户类型。

在一些实施例中，根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型，包括：将所获取的至少一种人属性特征导入预先训练的车辆事故赔付率计算模型，得到目标用户的预测车辆事故赔付率，其中，车辆事故赔付率计算模型用于表征至少一种人属性特征与车辆事故赔付率之间的对应关系；响应于确定预测车辆事故赔付率大于预设车辆事故赔付率阈值，确定目标用户在预设属性下的用户类型为第一用户类型；响应于确定预测车辆事故赔付率不大于预设车辆事故赔付率阈值，确定目标用户在预设属性下的用户类型为第二用户类型。

在一些实施例中，用户类型确定模型是通过如下第一训练步骤训练得到的：获取初始用户类型确定模型和预先确定的第一样本数据集合，其中，第一样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户在预设属性下的用户类型；利用机器学习方法，以第一样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户在预设属性下的用户类型作为相应的输出数据，训练初始用户类型确定模型；将训练后的初始用户类型确定模型确定为预先训练的用户类型确定模型。

在一些实施例中，车辆事故发生频率计算模型是通过如下第二训练步骤训练得到的：获取初始车辆事故发生频率计算模型和预先确定的第二样本数据集合，其中，第二样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故发生频率；利用机器学习方法，以第二样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故发生频率作为相应的输出数据，训练初始车辆事故发生频率计算模型；将训练后的初始车辆事故发生频率计算模型确定为预先训练的车辆事故发生频率计算模型。

在一些实施例中，车辆事故赔付率计算模型是通过如下第三训练步骤训练得到的：获取初始车辆事故赔付率计算模型和预先确定的第三样本数据集合，其中，第三样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故赔付率；利用机器学习方法，以第三样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故赔付率作为相应的输出数据，训练初始车辆事故赔付率计算模型；将训练后的初始车辆事故赔付率计算模型确定为预先训练的车辆事故赔付率计算模型。

第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：获取单元，配置用于获取目标用户的至少一种人属性特征；确定单元，配置用于根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型；输出单元，配置用于输出所确定的用户类型。

在一些实施例中，至少一种人属性特征包括以下至少一项：自然人属性特征和网络行为特征，网络行为特征包括以下至少一项：电子地图导航特征、兴趣画像特征、地址特征、常用应用特征、信用评分特征和网络搜索主题特征。

在一些实施例中，确定单元进一步配置用于：将所获取的至少一种人属性特征导入预先训练的用户类型确定模型，得到目标用户在预设属性下的用户类型，其中，用户类型确定模型用于表征至少一种人属性特征与用户类型之间的对应关系。

在一些实施例中，用户类型包括第一用户类型和第二用户类型。

在一些实施例中，确定单元进一步配置用于：将所获取的至少一种人属性特征导入预先训练的车辆事故发生频率计算模型，得到目标用户的预测车辆事故发生频率，其中，车辆事故发生频率计算模型用于表征至少一种人属性特征与车辆事故发生频率之间的对应关系；响应于确定预测车辆事故发生频率大于预设车辆事故发生频率阈值，确定目标用户在预设属性下的用户类型为第一用户类型；响应于确定预测车辆事故发生频率不大于预设车辆事故发生频率阈值，确定目标用户在预设属性下的用户类型为第二用户类型。

在一些实施例中，确定单元进一步配置用于：将所获取的至少一种人属性特征导入预先训练的车辆事故赔付率计算模型，得到目标用户的预测车辆事故赔付率，其中，车辆事故赔付率计算模型用于表征至少一种人属性特征与车辆事故赔付率之间的对应关系；响应于确定预测车辆事故赔付率大于预设车辆事故赔付率阈值，确定目标用户在预设属性下的用户类型为第一用户类型；响应于确定预测车辆事故赔付率不大于预设车辆事故赔付率阈值，确定目标用户在预设属性下的用户类型为第二用户类型。

在一些实施例中，用户类型确定模型是通过如下第一训练步骤训练得到的：获取初始用户类型确定模型和预先确定的第一样本数据集合，其中，第一样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户在预设属性下的用户类型；利用机器学习方法，以第一样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户在预设属性下的用户类型作为相应的输出数据，训练初始用户类型确定模型；将训练后的初始用户类型确定模型确定为预先训练的用户类型确定模型。

在一些实施例中，车辆事故发生频率计算模型是通过如下第二训练步骤训练得到的：获取初始车辆事故发生频率计算模型和预先确定的第二样本数据集合，其中，第二样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故发生频率；利用机器学习方法，以第二样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故发生频率作为相应的输出数据，训练初始车辆事故发生频率计算模型；将训练后的初始车辆事故发生频率计算模型确定为预先训练的车辆事故发生频率计算模型。

在一些实施例中，车辆事故赔付率计算模型是通过如下第三训练步骤训练得到的：获取初始车辆事故赔付率计算模型和预先确定的第三样本数据集合，其中，第三样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故赔付率；利用机器学习方法，以第三样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故赔付率作为相应的输出数据，训练初始车辆事故赔付率计算模型；将训练后的初始车辆事故赔付率计算模型确定为预先训练的车辆事故赔付率计算模型。

第三方面，本申请实施例提供了一种电子设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于输出信息的方法和装置，通过获取目标用户的至少一种人属性特征，再根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型，最后输出所确定的用户类型，从而有效利用了用户的人属性特征来预测用户在预设属性下的用户类型，继而提高了信息输出的内容丰富性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于输出信息的方法的一个实施例的流程图；

图3是根据本申请的用于输出信息的方法的又一个实施例的流程图；

图4是根据本申请的用于输出信息的方法的另一个实施例的流程图；

图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如车险风险预测类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的车险风险预测类应用提供支持的后台服务器。后台服务器可以对接收到的数据获取请求等数据进行分析等处理，并将处理结果(例如人属性特征)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于输出信息的方法一般由终端设备101、102、103执行，相应地，用于输出信息的装置一般设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，获取目标用户的至少一种人属性特征。

在本实施例中，用于输出信息的方法运行于其上的电子设备(例如图1所示的终端设备)可以本地或者远程地从与上述电子设备网络连接的其他电子设备(例如图1所示的服务器)获取目标用户的至少一种人属性特征。在上述电子设备本地或者与上述电子设备网络连接的其他电子设备中可以存储有目标用户的至少一种人属性特征。

在本实施例中，目标用户可以是预设用户集合中的任何一个指定的用户，且可以获取到该指定用户的人属性特征。

在本实施例中，目标用户的人属性特征是对目标用户作为人的各种属性的属性值进行特征提取后所得到的特征。例如，人的属性可以是姓名、性别、出生日期、手机号码、职业、收入、兴趣爱好、所在城市、驾驶习惯等等。作为示例，人属性特征可以是通过预先对大数据进行采集、存储、处理、分析、监控、预警等处理后所挖掘出的用户底层特征。

在本实施例的一些可选的实现方式中，上述至少一种人属性特征可以包括以下至少一项：自然人属性特征和网络行为特征。其中，自然人属性特征可以是对自然人的自然属性的属性值进行特征提取后所得到的特征。例如，自然属性可以是出生日期、性别、身体状况等人自身的生物特性相关联的属性。网络行为特征可以是对用户在网络上的行为数据进行特征提取后所得到的特征。例如，用户使用电子地图导航的数据，用户在网站中所浏览的网页和所输入的关键词，用户使用电子购物类应用的购物数据和评价数据，用户使用支付类应用的支付数据，用户在汽车相关网站中的输入信息等等。这里，网络行为特征可以包括以下至少一项：电子地图导航特征、兴趣画像特征、地址特征、常用应用特征、信用评分特征和网络搜索主题特征。可选地，其中，电子地图导航特征可以包括但不限于以下至少一项：里程数、驾车时是否疲劳、急加速频次、急减速频次、急转弯频次、城市画像、天气、逆光驾驶、道路类型、电子眼、高驾桥和路口类型。其中，里程数可以是用户在预设时间段内使用电子地图进行导航的每次导航的目的地和出发地之间的距离之和。驾车时是否疲劳可以通过用户使用电子地图进行导航的时间以及频次等进行判断后得出。急加速频次，急减速频次，急转弯频次也可以通过用户在使用电子地图进行导航的过程中用户终端的定位信息进行统计分析后得出。类似的，可以通过用户在使用电子地图进行导航的过程中的导航信息以及用户终端的定位信息得出其他电子地图导航特征。

步骤202，根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型。

在本实施例中，基于步骤201中得到的至少一种人属性特征，上述电子设备可以根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型。

在本实施例的一些可选的实现方式中，预设属性可以是上述至少一种人属性特征中的一种属性特征对应的属性。例如，当至少一种人属性特征包括年龄属性特征时，可以根据至少一种人属性特征确定用户在“年龄段”属性下的用户类型，例如，用户在“年龄段”属性下的用户类型可以包括但不限于：婴儿、幼儿、儿童、少年、青年、中年和老年。又例如，当至少一种人属性特征包括所在城市属性特征时，可以根据至少一种人属性特征确定用户在“所在城市类型”属性下的用户类型，例如，用户在“所在城市类型”属性下的用户类型可以包括但不限于：超大城市、特大城市、大城市、中等城市、小城市。

在本实施例的一些可选的实现方式中，预设属性还可以是对上述至少一种人属性特征进行分析处理后能够得到属性值的属性。例如，可以由技术人员基于对大量的至少一种人属性特征和相应的预设属性下的用户类型的统计制定对应关系表，该对应关系表中存储有至少一种人属性特征与在预设属性下的用户类型之间的对应关系。这样，上述电子设备可以在上述对应关系表中查询与目标用户的至少一种人属性特征匹配的在预设属性下的用户类型，并将所查找到的用户类型确定为目标用户在预设属性下的用户类型。又例如，也可以由技术人员基于对大量数据的统计而预先设置对至少一种人属性特征中的一个或多个数值进行数值计算的计算公式，并将所获取的目标用户的至少一种人属性特征代入该计算公式，得到目标用户在预设属性下的用户类型。

在本实施例的一些可选的实现方式中，上述电子设备还可以将所获取的至少一种人属性特征导入预先训练的用户类型确定模型，得到目标用户在预设属性下的用户类型，其中，用户类型确定模型用于表征至少一种人属性特征与用户类型之间的对应关系。例如，用户类型确定模型可以是技术人员基于对大量的至少一种人属性特征和用户在预设属性下的用户类型的统计而预先制定的、存储有多个至少一种人属性特征与用户在预设属性下的用户类型的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对至少一种人属性特征中的一个或多个数值进行数值计算以得到用于表征用户在预设属性下的用户类型的计算公式。

在本实施例的一些可选的实现方式中，上述用户类型确定模型可以是通过如下第一训练步骤训练得到的：

首先，可以获取初始用户类型确定模型和预先确定的第一样本数据集合，其中，第一样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户在预设属性下的用户类型。例如，可以人工标注用户在预设属性下的用户类型。

然后，可以利用机器学习方法，以第一样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户在预设属性下的用户类型作为相应的输出数据，训练初始用户类型确定模型。

最后，将训练后的初始用户类型确定模型确定为预先训练的用户类型确定模型。

这里，用户类型确定模型可以是各种机器学习模型，例如，可以是二分类(BinaryClassification)模型、逻辑回归(Logistic Regression)模型等等。

步骤203，输出所确定的用户类型。

在本实施例中，上述电子设备可以将步骤202中所确定的用户类型进行输出。

在本实施例的一些可选的实现方式中，可以在上述电子设备中(例如，上述电子设备的显示屏幕中)呈现所确定的用户类型。

在本实施例的一些可选的实现方式中，上述电子设备也可以将上述所确定的用户类型发送给与上述电子设备网络连接的其他电子设备中，以供上述其他电子设备接收并呈现上述所确定的用户类型。

本申请的上述实施例提供的方法通过获取目标用户的至少一种人属性特征，再根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型，最后输出所确定的用户类型，从而有效利用了用户的人属性特征来预测用户在预设属性下的用户类型，继而提高了信息输出的内容丰富性。

进一步参考图3，其示出了用于输出信息的方法的又一个实施例的流程300。该用于输出信息的方法的流程300，包括以下步骤：

步骤301，获取目标用户的至少一种人属性特征。

在本实施例中，步骤301的具体操作与图2所示的实施例中步骤201的操作基本相同，在此不再赘述。

步骤302，将所获取的至少一种人属性特征导入预先训练的车辆事故发生频率计算模型，得到目标用户的预测车辆事故发生频率。

在本实施例中，用于输出信息的方法运行于其上的电子设备(例如图1所示的终端设备)可以将步骤301中所获取的至少一种人属性特征导入预先训练的车辆事故发生频率计算模型，得到目标用户的预测车辆事故发生频率。其中，上述车辆事故发生频率计算模型用于表征至少一种人属性特征与车辆事故发生频率之间的对应关系。例如，车辆事故发生频率计算模型可以是技术人员基于对大量的至少一种人属性特征和车辆事故发生频率(例如，车辆出险频率)的统计而预先制定的、存储有多个至少一种人属性特征与车辆事故发生频率的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对至少一种人属性特征中的一个或多个数值进行数值计算以得到用于表征车辆事故发生频率的计算公式。

在本实施例的一些可选的实现方式中，上述车辆事故发生频率计算模型可以是通过如下第二训练步骤训练得到的：

首先，可以获取初始车辆事故发生频率计算模型和预先确定的第二样本数据集合，其中，上述第二样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故发生频率(例如，历史车辆出险频率)。

然后，可以利用机器学习方法，以上述第二样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故发生频率作为相应的输出数据，训练上述初始车辆事故发生频率计算模型。

最后，可以将训练后的上述初始车辆事故发生频率计算模型确定为上述预先训练的车辆事故发生频率计算模型。

这里，上述车辆事故发生频率计算模型可以是各种机器学习模型，例如，可以是逻辑回归模型。

步骤303，确定预测车辆事故发生频率是否大于预设车辆事故发生频率阈值。

在本实施例中，上述电子设备可以确定步骤302中所确定的预测车辆事故发生频率是否大于预设车辆事故发生频率阈值。如果大于，转到步骤304，如果不大于，转到步骤304’。

步骤304，确定目标用户在预设属性下的用户类型为第一用户类型。

在本实施例中，用户在预设属性下的用户类型可以包括第一用户类型和第二用户类型。作为示例，第一用户类型可以用于表征车险用户中的高风险用户，而第一用户类型可以用于表征车险用户中的低风险用户。这样，上述电子设备可以在步骤303中确定预测车辆事故发生频率大于预设车辆事故发生频率阈值的情况下，确定目标用户在预设属性下的用户类型为第一用户类型。在执行完步骤304后，转到步骤305。

步骤304’，确定目标用户在预设属性下的用户类型为第二用户类型。

在本实施例中，上述电子设备可以在步骤303中确定预测车辆事故发生频率不大于预设车辆事故发生频率阈值的情况下，确定目标用户在预设属性下的用户类型为第二用户类型。在执行完步骤304’后，转到步骤305。

步骤305，输出所确定的用户类型。

在本实施例中，步骤305的具体操作与图2所示的实施例中步骤203的操作基本相同，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程300突出了计算预测车辆事故发生频率，以及将预测车辆事故发生频率与预设车辆事故发生频率阈值进行比较，并根据比较结果确定目标用户在预设属性下的用户类型的步骤。由此，本实施例描述的方案可以按照用户的预测车辆事故发生频率确定用户在预设属性下的用户类型，从而实现多种方式生成待输出的信息。

进一步参考图4，其示出了用于输出信息的方法的另一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，获取目标用户的至少一种人属性特征。

在本实施例中，步骤401的具体操作与图2所示的实施例中步骤201的操作基本相同，在此不再赘述。

步骤402，将所获取的至少一种人属性特征导入预先训练的车辆事故赔付率计算模型，得到目标用户的预测车辆事故赔付率。

在本实施例中，用于输出信息的方法运行于其上的电子设备(例如图1所示的终端设备)可以将步骤401中所获取的至少一种人属性特征导入预先训练的车辆事故赔付率计算模型，得到目标用户的预测车辆事故赔付率。其中，上述车辆事故赔付率计算模型用于表征至少一种人属性特征与车辆事故赔付率(例如，车险赔付率)之间的对应关系。例如，车辆事故赔付率计算模型可以是技术人员基于对大量的至少一种人属性特征和车辆事故赔付率(例如，车险赔付率)的统计而预先制定的、存储有多个至少一种人属性特征与车辆事故赔付率的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对至少一种人属性特征中的一个或多个数值进行数值计算以得到用于表征车辆事故赔付率的计算公式。

在本实施例的一些可选的实现方式中，车辆事故赔付率计算模型可以是通过如下第三训练步骤训练得到的：

首先，可以获取初始车辆事故赔付率计算模型和预先确定的第三样本数据集合，其中，上述第三样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故赔付率(例如，历史车险赔付率)。

然后，可以利用机器学习方法，以上述第三样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故赔付率作为相应的输出数据，训练上述初始车辆事故赔付率计算模型。

最后，将训练后的上述初始车辆事故赔付率计算模型确定为预先训练的车辆事故赔付率计算模型。

这里，上述车辆事故赔付率计算模型可以是各种机器学习模型，例如，可以是逻辑回归模型。

步骤403，确定预测车辆事故赔付率是否大于预设车辆事故赔付率阈值。

在本实施例中，上述电子设备可以确定步骤402中所确定的预测车辆事故赔付率是否大于预设车辆事故赔付率阈值。如果大于，转到步骤404，如果不大于，转到步骤404’。

步骤404，确定目标用户在预设属性下的用户类型为第一用户类型。

在本实施例中，用户在预设属性下的用户类型可以包括第一用户类型和第二用户类型。作为示例，第一用户类型可以用于表征车险用户中的高风险用户，而第一用户类型可以用于表征车险用户中的低风险用户。这样，上述电子设备可以在步骤403中确定预测车辆事故赔付率大于预设车辆事故赔付率阈值的情况下，确定目标用户在预设属性下的用户类型为第一用户类型。在执行完步骤404后，转到步骤405。

步骤404’，确定目标用户在预设属性下的用户类型为第二用户类型。

在本实施例中，上述电子设备可以在步骤403中确定预测车辆事故赔付率不大于预设车辆事故赔付率阈值的情况下，确定目标用户在预设属性下的用户类型为第二用户类型。在执行完步骤404’后，转到步骤405。

步骤405，输出所确定的用户类型。

在本实施例中，步骤405的具体操作与图2所示的实施例中步骤203的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400突出了计算预测车辆事故赔付率，以及将预测车辆事故赔付率与预设车辆事故赔付率阈值进行比较，并根据比较结果确定目标用户在预设属性下的用户类型的步骤。由此，本实施例描述的方案可以按照用户的预测车辆事故赔付率确定用户在预设属性下的用户类型，从而实现多种方式生成待输出的信息。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于输出信息的装置500包括：获取单元501、确定单元502和输出单元503。其中，获取单元501，配置用于获取目标用户的至少一种人属性特征；确定单元502，配置用于根据所获取的至少一种人属性特征，确定上述目标用户在预设属性下的用户类型；而输出单元503，配置用于输出所确定的用户类型。

在本实施例中，用于输出信息的装置500的获取单元501、确定单元502和输出单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述至少一种人属性特征可以包括以下至少一项：自然人属性特征和网络行为特征，上述网络行为特征可以包括以下至少一项：电子地图导航特征、兴趣画像特征、地址特征、常用应用特征、信用评分特征和网络搜索主题特征。

在本实施例的一些可选的实现方式中，上述确定单元502可以进一步配置用于：将所获取的至少一种人属性特征导入预先训练的用户类型确定模型，得到上述目标用户在上述预设属性下的用户类型，其中，上述用户类型确定模型用于表征至少一种人属性特征与用户类型之间的对应关系。

在本实施例的一些可选的实现方式中，上述用户类型可以包括第一用户类型和第二用户类型。

在本实施例的一些可选的实现方式中，上述确定单元502可以进一步配置用于：将所获取的至少一种人属性特征导入预先训练的车辆事故发生频率计算模型，得到上述目标用户的预测车辆事故发生频率，其中，上述车辆事故发生频率计算模型用于表征至少一种人属性特征与车辆事故发生频率之间的对应关系；响应于确定上述预测车辆事故发生频率大于预设车辆事故发生频率阈值，确定上述目标用户在上述预设属性下的用户类型为第一用户类型；响应于确定上述预测车辆事故发生频率不大于上述预设车辆事故发生频率阈值，确定上述目标用户在上述预设属性下的用户类型为第二用户类型。

在本实施例的一些可选的实现方式中，上述确定单元502可以进一步配置用于：将所获取的至少一种人属性特征导入预先训练的车辆事故赔付率计算模型，得到上述目标用户的预测车辆事故赔付率，其中，上述车辆事故赔付率计算模型用于表征至少一种人属性特征与车辆事故赔付率之间的对应关系；响应于确定上述预测车辆事故赔付率大于预设车辆事故赔付率阈值，确定上述目标用户在上述预设属性下的用户类型为第一用户类型；响应于确定上述预测车辆事故赔付率不大于上述预设车辆事故赔付率阈值，确定上述目标用户在上述预设属性下的用户类型为第二用户类型。

在本实施例的一些可选的实现方式中，上述用户类型确定模型可以是通过如下第一训练步骤训练得到的：获取初始用户类型确定模型和预先确定的第一样本数据集合，其中，上述第一样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户在上述预设属性下的用户类型；利用机器学习方法，以上述第一样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户在上述预设属性下的用户类型作为相应的输出数据，训练上述初始用户类型确定模型；将训练后的上述初始用户类型确定模型确定为上述预先训练的用户类型确定模型。

在本实施例的一些可选的实现方式中，上述车辆事故发生频率计算模型可以是通过如下第二训练步骤训练得到的：获取初始车辆事故发生频率计算模型和预先确定的第二样本数据集合，其中，上述第二样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故发生频率；利用机器学习方法，以上述第二样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故发生频率作为相应的输出数据，训练上述初始车辆事故发生频率计算模型；将训练后的上述初始车辆事故发生频率计算模型确定为上述预先训练的车辆事故发生频率计算模型。

在本实施例的一些可选的实现方式中，上述车辆事故赔付率计算模型可以是通过如下第三训练步骤训练得到的：获取初始车辆事故赔付率计算模型和预先确定的第三样本数据集合，其中，上述第三样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故赔付率；利用机器学习方法，以上述第三样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故赔付率作为相应的输出数据，训练上述初始车辆事故赔付率计算模型；将训练后的上述初始车辆事故赔付率计算模型确定为上述预先训练的车辆事故赔付率计算模型。

需要说明的是，本申请实施例提供的用于输出信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，输出单元还可以被描述为“输出用户类型的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标用户的至少一种人属性特征；根据所获取的至少一种人属性特征，确定目标用户在预设属性下的用户类型；输出所确定的用户类型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于输出信息的方法，包括：

获取目标用户的至少一种人属性特征；

根据所获取的至少一种人属性特征，确定所述目标用户在预设属性下的用户类型；

输出所确定的用户类型。

2.根据权利要求1所述的方法，其中，所述至少一种人属性特征包括以下至少一项：自然人属性特征和网络行为特征，所述网络行为特征包括以下至少一项：电子地图导航特征、兴趣画像特征、地址特征、常用应用特征、信用评分特征和网络搜索主题特征。

3.根据权利要求2所述的方法，其中，所述根据所获取的至少一种人属性特征，确定所述目标用户在预设属性下的用户类型，包括：

将所获取的至少一种人属性特征导入预先训练的用户类型确定模型，得到所述目标用户在所述预设属性下的用户类型，其中，所述用户类型确定模型用于表征至少一种人属性特征与用户类型之间的对应关系。

4.根据权利要求2所述的方法，其中，所述用户类型包括第一用户类型和第二用户类型。

5.根据权利要求4所述的方法，其中，所述根据所获取的至少一种人属性特征，确定所述目标用户在预设属性下的用户类型，包括：

将所获取的至少一种人属性特征导入预先训练的车辆事故发生频率计算模型，得到所述目标用户的预测车辆事故发生频率，其中，所述车辆事故发生频率计算模型用于表征至少一种人属性特征与车辆事故发生频率之间的对应关系；

响应于确定所述预测车辆事故发生频率大于预设车辆事故发生频率阈值，确定所述目标用户在所述预设属性下的用户类型为第一用户类型；

响应于确定所述预测车辆事故发生频率不大于所述预设车辆事故发生频率阈值，确定所述目标用户在所述预设属性下的用户类型为第二用户类型。

6.根据权利要求4所述的方法，其中，所述根据所获取的至少一种人属性特征，确定所述目标用户在预设属性下的用户类型，包括：

将所获取的至少一种人属性特征导入预先训练的车辆事故赔付率计算模型，得到所述目标用户的预测车辆事故赔付率，其中，所述车辆事故赔付率计算模型用于表征至少一种人属性特征与车辆事故赔付率之间的对应关系；

响应于确定所述预测车辆事故赔付率大于预设车辆事故赔付率阈值，确定所述目标用户在所述预设属性下的用户类型为第一用户类型；

响应于确定所述预测车辆事故赔付率不大于所述预设车辆事故赔付率阈值，确定所述目标用户在所述预设属性下的用户类型为第二用户类型。

7.根据权利要求3或4所述的方法，其中，所述用户类型确定模型是通过如下第一训练步骤训练得到的：

获取初始用户类型确定模型和预先确定的第一样本数据集合，其中，所述第一样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户在所述预设属性下的用户类型；

利用机器学习方法，以所述第一样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户在所述预设属性下的用户类型作为相应的输出数据，训练所述初始用户类型确定模型；

将训练后的所述初始用户类型确定模型确定为所述预先训练的用户类型确定模型。

8.根据权利要求5所述的方法，其中，所述车辆事故发生频率计算模型是通过如下第二训练步骤训练得到的：

获取初始车辆事故发生频率计算模型和预先确定的第二样本数据集合，其中，所述第二样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故发生频率；

利用机器学习方法，以所述第二样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故发生频率作为相应的输出数据，训练所述初始车辆事故发生频率计算模型；

将训练后的所述初始车辆事故发生频率计算模型确定为所述预先训练的车辆事故发生频率计算模型。

9.根据权利要求6所述的方法，其中，所述车辆事故赔付率计算模型是通过如下第三训练步骤训练得到的：

获取初始车辆事故赔付率计算模型和预先确定的第三样本数据集合，其中，所述第三样本数据集合中每个样本数据包括用户的至少一种人属性特征以及该用户的历史车辆事故赔付率；

利用机器学习方法，以所述第三样本数据集合中的每个样本数据中的用户的至少一种人属性特征作为输入数据，以该样本数据中的该用户的历史车辆事故赔付率作为相应的输出数据，训练所述初始车辆事故赔付率计算模型；

将训练后的所述初始车辆事故赔付率计算模型确定为所述预先训练的车辆事故赔付率计算模型。

10.一种用于输出信息的装置，包括：

获取单元，配置用于获取目标用户的至少一种人属性特征；

确定单元，配置用于根据所获取的至少一种人属性特征，确定所述目标用户在预设属性下的用户类型；

输出单元，配置用于输出所确定的用户类型。

11.一种电子设备，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；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。