CN110415036B - 用户等级的确定方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种用户等级的确定方法、系统、计算机设备和存储介质。方法包括：获取待评估用户的个人信息；对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；获取分类模型输出的预测分数；获取待评估用户的历史价值分数，历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的；对待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；根据合成分数确定待评估用户的用户等级，通过这种方法将机器学习算法和大数据进行融合，解决了用户侧考虑面少，规则粗糙的问题，可以全面且精确的预估用户的价值，大幅度的提升了用户价值预估的准确率。

Description

用户等级的确定方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种用户等级的确定方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，各个企业均开发了各自的应用软件、网站或小程序等，随着也会积累大量的用户。由于每个企业的战略和商业模式不同，那么企业对于用户的服务项目也不同，为了实现对用户价值精准预估，各个企业都采取了多种方案。

现有技术中，均采取的方案是通过获取用户的属性和动作，运用人工的历史经验总结出一套用户筛选规则，从而粗略的预估用户的价值，从而根据预估出来的用户价值对用户采取不同的处理策略。

然而，这种用户价值的预估方法对于用户的判断不够准确，仅运用了少量的用户属性和动作来预估用户的价值，且通过人工经验总结出来的规则较为粗糙，导致用户价值的预估准确率较低，且运用人工经验的方式预估也导致效率很低，成本人工很高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高用户价值预估准确率的用户等级的确定方法、装置、计算机设备和存储介质。

一种用户等级的确定方法，所述方法包括：

获取待评估用户的个人信息；

对所述个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；

获取所述分类模型输出的预测分数；

获取所述待评估用户的历史价值分数，所述历史价值分数是根据所述待评估用户的个人信息按照预定规则计算得到的；

对所述待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；

根据所述合成分数确定所述待评估用户的用户等级。

一种用户等级的确定装置，所述装置包括：

个人信息获取模块，用于获取待评估用户的个人信息；

模型预测模块，对所述个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；获取所述分类模型输出的预测分数；

用户价值分数确定模块，用于获取所述待评估用户的历史价值分数，所述历史价值分数是根据所述待评估用户的个人信息按照预定规则计算得到的；对所述待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；

等级确定模块，用于根据所述合成分数确定所述待评估用户的用户等级。

一种计算机设备，包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待评估用户的个人信息；

对所述个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；

获取所述分类模型输出的预测分数；

获取所述待评估用户的历史价值分数，所述历史价值分数是根据所述待评估用户的个人信息按照预定规则计算得到的；

对所述待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；

根据所述合成分数确定所述待评估用户的用户等级。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待评估用户的个人信息；

对所述个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；

获取所述分类模型输出的预测分数；

获取所述待评估用户的历史价值分数，所述历史价值分数是根据所述待评估用户的个人信息按照预定规则计算得到的；

对所述待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；

根据所述合成分数确定所述待评估用户的用户等级。

上述用户等级的确定方法、装置、计算机设备和存储介质，通过获取到待评估用户的个人信息，并对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中，使用分类模型对待评估用户的价值分数进行预测，服务器在获取到分类模型的预测分数后，可以对待评估用户的预测分数及待评估用户对应的历史价值分数进行加权求和，以得到合成分数，并根据合成分数确定待评估用户的用户等级，这种用户等级及价值的确认方法，将机器学习算法和大数据进行融合，解决了用户侧考虑面少，规则粗糙的问题，可以全面且精确的预估用户的价值，大幅度的提升了用户价值预估的准确率。

附图说明

图1为一个实施例中用户等级的确定方法的应用环境图；

图2为一个实施例中用户等级的确定方法的流程示意图；

图3为一个实施例中在步骤206之前还包括的步骤的流程示意图；

图4为另一个实施例中步骤304的流程示意图；

图5为另一个实施例中将每一组的置信度付费率与付费率均值进行对比，对每一组的用户价值分数进行调整的步骤的流程示意图；

图6为另一个实施例中用户等级的确定方法的流程示意图；

图7为一个实施例中用户等级的确定装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的用户等级的确定方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。用户通过终端102注册登录，并填写个人资料等信息，服务器104可通过网络通信获取到终端102上传的用户个人资料以及社交行为记录等个人信息，并可以对这些个人信息进行特征提取后，输入至训练好的分类模型中进行用户价值分数的预测。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种用户等级的确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤201，获取待评估用户的个人信息。

待评估用户是指待确认其对应的用户价值及等级的用户。个人信息是与每一个用户对应的信息，个人信息可以是指用户在特定应用软件或网站上填写的个人资料，比如特定应用是珍爱网时，则个人信息可以是指用户在珍爱网APP或网站上填写的个人资料，包括年龄，性别、收入、学历、身高、体重等基础资料属性。进一步的，为了提高对每一个用户描述的准确性和完整性，个人信息可以包括用户的个人资料，用户的社交行为记录及用户的诚信信息。社交行为记录是指用户在特定应用软件或网站上的动作记录，比如发邮件、打招呼、点赞，评论、发动态、浏览别人资料、看直播等。诚信信息是指特定应用软件或网站对用户进行监控确定的用户是否有不诚信动态的信息，比如同一个IP下注册的用户账号数是否有多个，若是有，则这些属于同一个IP下注册的用户账号都存在不诚信的行为，或者软件或网站自建立的网警系统可以对用户的行为进行判断，以确定该用户是否有不诚信的行为，比如，用户在与其他用户发送消息时，是否有涉及到如贷款、打款、裸聊、约炮等敏感词。软件或网站的网警系统一般更为复杂，此处不再过多描述。可以通过其网警系统对用户的诚信与否进行判定，甚至可以根据用户的种种行为确定每个用户的诚信评分。

步骤202，对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中。

步骤203，获取分类模型输出的预测分数。

投入实际使用的分类模型是经过预先训练得到的，训练好的分类模型可以有效准确的对用户的价值进行预测。服务器在获取到待评估用户的个人信息后，可以先对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中，通过分类模型根据特征对待评估用户的价值分数进行预测，可以得到一个对应的预测分数。服务器可以获取到训练好的分类模型输出的与待评估用户对应的预测分数。

步骤204，获取待评估用户的历史价值分数，历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的。

步骤205，对待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数。

步骤206，根据合成分数确定待评估用户的用户等级。

进一步的，服务器还可以获取到待评估用户的历史价值分数，将训练好的分类模型输出的针对待评估用户的预测分数及历史价值分数进行加权求和，即可得到合成分数，可将合成分数确定为待评估用户的用户价值分数。历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的。比如，可以根据业务需求制定一套分数评估标准，可以根据用户的个人资料等个人信息给用户的价值分数进行评估。一般情况下，历史价值分数针对于非当天注册的用户，因此在确定用户的历史价值分数时，可以获取到用户的历史个人资料，并根据资料对用户的历史价值分数进行一个确定。而针对当天注册的用户，则可以直接通过分类模型对用户的价值分数进行一个预估。计算出了用户的历史价值分数后，可以将历史价值分数与模型输出的预测分数进行结合，以求得的结合分数作为待评估用户的价值分数，并根据该合成分数确定待评估用户的用户等级。

用户等级用于评判用户的付费可能性，当某一个用户的用户等级越高时，代表该用户的付费可能性越高，反之，当某一个用户的用户等级较低时，则代表该用户的付费可能性较低。当然，用户等级低的用户并不代表该用户的付费可能性为0，用户等级低代表的是系统根据用户的各种信息确定了一个用户价值分数后，判定该用户的用户等级较低。当业务需求变更时，用户等级代表的含义也可以有所改变，这可以依据业务需求进行变更。

在确定了待评估用户的用户等级后，可以根据用户等级对待评估用户进行分配。在一个实施例中，假设企业为珍爱网，那么针对珍爱网希望提高用户付费率的业务需求，可以将用户等级高的用户，即根据用户价值分数表明其付费可能性较高的用户优先分配至业务员，以使业务员尽快跟进对该用户的服务项目，进一步的提高该用户的付费率。

上述用户等级的确定方法中，通过获取到待评估用户的个人信息，并对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中，使用分类模型对待评估用户的价值分数进行预测，服务器在获取到分类模型的预测分数后，可以对待评估用户的预测分数及待评估用户对应的历史价值分数进行加权求和，以得到合成分数，并根据合成分数确定待评估用户的用户等级，这种用户等级及价值的确认方法，将机器学习算法和大数据进行融合，解决了用户侧考虑面少，规则粗糙的问题，可以全面且精确的预估用户的价值，大幅度的提升了用户价值预估的准确率。

在一个实施例中，如图3所示，在步骤206之前，上述用户等级的确定方法还包括以下步骤：

步骤301，获取预定时间段内的已分配用户的个人信息和付费金额。

在将分类模型的预测分数与历史价值分数进行结合确定的合成分数作为待评估用户的价值分数后，还可以进一步通过分数微调模块对待评估用户的价值分数进行调整。具体的，服务器可以获取到预定时间段内的已分配用户的个人信息和付费金额，已分配用户是指在此之前已经分配至业务人员进行跟进服务的用户。假设将预设时间段设置为30天，则服务器将会获取到30天前的用户分配数据，包括已分配用户的数量、每一个已分配用户的个人信息和付费金额。个人信息可以是指用户在特定应用软件或网站上填写的个人资料，包括年龄，性别、收入、学历、身高、体重等基础资料属性。个人信息也可以包括用户的个人资料、用户的社交行为记录及用户的诚信信息等多维度的信息。付费金额是指该特定应用软件或网站设定的付费项目，用户是否参与且参与后成功付费的金额。

步骤302，根据付费金额确定全部已分配用户的总计付费金额，并计算得到已分配用户的付费金额均值和付费率均值。

在得到了每一个已分配用户的付费金额后，即可将每一个已分配用户的付费金额相加，计算出全部的已分配用户的总计付费金额，从而可以计算得到已分配用户的付费金额均值和付费率均值。即，总计付费金额s＝用户1的付费金额+用户2的付费金额+…+用户n的付费金额，付费金额均值＝总计付费金额s/已分配用户人数n，付费率均值＝x/n，其中x是指在n个已分配用户中有付费的用户人数。

步骤303，依次将每一个已分配用户的个人信息输入至预先训练好的分类模型中，获取分类模型输出的历史预测分数。

步骤304，按照历史预测分数的大小将已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度。

步骤305，将每一组的付费率置信度与付费率均值进行对比，对每一组的已分配用户的用户价值分数进行调整。

在获取到已分配用户的个人信息后，可以依次将每一个已分配用户的个人信息输入至预先训练好的分类模型中，通过分类模型对每一个已分配用户的价值分数进行预测。具体的，是将已分配用户的个人信息先进行特征提取，将提取得到的特征输入至分类模型中以使分类模型进行用户价值分数的预测，可以将分类模型针对已分配用户进行用户价值预测得到的分数称之为历史预测分数。

在服务器获取到每一个已分配用户的历史预测分数后，可以按照历史预测分数的大小，将已分配用户等分成N组。假设已分配用户的总数为S，则每一组包含的已分配用户的数量为S/N。然后，可以使用P分布的方式，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度，并将每一组的付费率置信度与付费率均值进行对比，根据对比的情况对每一组的已分配用户的用户价值分数进行调整。

在一个实施例中，如图4所示，步骤304包括：

步骤401，按照历史预测分数的大小将已分配用户等分成N组。

步骤402，获取已分配用户的渠道来源信息。

步骤403，根据渠道来源信息将每一组中的已分配用户细分为Y个渠道组。

步骤404，根据每一个渠道组中已分配用户的付费情况确定每一个渠道组的渠道置信度付费率。

步骤405，根据每一个渠道组中已分配用户的历史预测分数确定每一个渠道组的历史预测分数均值。

在本实施例中，可以按照历史预测分数的大小将已分配用户等分成N组，并可以进一步的根据每一个已分配用户的渠道来源信息再进行细分。因此，服务器可以获取到每一个已分配用户的渠道来源信息，并根据已分配用户的渠道来源信息将每一组进行进一步的细化，假设全部的已分配用户来源的渠道有Y个，则针对已经分成N组了的已分配用户，再将每一个组细分为Y个渠道组。同样的，可以采取P分步的方式，根据每一个渠道组中已分配用户的付费情况可以计算出每一个渠道组的渠道置信度付费率。同时，也可以根据每一个渠道组中包含的已分配用户的历史预测分数计算出每一个渠道组的历史预测分数均值，每一个渠道组的历史预测分数均值＝渠道用户分值M/渠道人数Q，其中渠道用户分值M是将该渠道组内包含的每一个已分配用户的历史预测分数相加得到的总数，渠道人数Q则是指该渠道组内包含的已分配用户的人数。

在一个实施例中，如图5所示，将每一组的置信度付费率与付费率均值进行对比，对每一组的用户价值分数进行调整的步骤，包括：

步骤501，获取每一个渠道的渠道置信度付费率与付费率均值的差值，作为渠道付费率差值。

步骤502，当渠道置信度付费率高于付费率均值时，根据付费率差值上调渠道组的历史预测分数均值。

步骤503，当渠道置信度付费率低于付费率均值时，根据付费率差值下调渠道组的历史预测分数均值。

步骤504，将调整后的历史预测分数均值作为渠道对应的渠道价值分数。

在对已分配用户进行渠道划分，并计算得到每一个渠道组的历史预测分数均值后，可以根据每一个渠道组的历史预测分数均值及渠道置信度付费率对该渠道对应的渠道价值分数进行调整。具体的，按照历史预测分数的大小将已分配用户等分成N组后，可以根据每一组的用户付费率和用户价值的平均分数拟合出一条二元曲线图，并根据该二元曲线图的分布拆分出各个渠道组对应的分布，即确定每一个渠道组的渠道置信度付费率。同时，为了保证数据的准确性，可以将获取到的预设时间段的已分配用户的数量放大至数据库中包含的所有用户的同等量级。因此，在将每一组的付费率置信度与付费率均值进行对比时，其实就是将每一个渠道组的渠道置信度付费率与付费率均值进行对比。

服务器可以预先获取到每一个渠道的渠道置信度付费率与付费率均值的差值，并将此差值称之为渠道付费率差值。将每一个渠道组的渠道置信度付费率与付费率均值进行对比，当渠道置信度付费率高于付费率均值时，说明来自于该渠道组的用户的付费率是较高的，即来自于该渠道组的用户的付费可能性更高，故应当提高该渠道组的用户的价值分数，可以根据付费率差值上调渠道组的历史预测分数均值，即可以将该渠道组的历史预测分数均值进行上调，上调的数值为付费率差值。当渠道置信度付费率低于付费率均值时，说明来自于该渠道组的用户的付费率是较低的，即来自于该渠道组的用户的付费可能性较低，故应当降低该渠道组的用户的价值分数，可以根据付费率差值下调渠道组的历史预测分数均值，即可以将该渠道组的历史预测分数均值进行下调，下调的值为付费率差值，在根据渠道付费率差值对每一个渠道组对应的历史预测分数均值进行调整后，可以将调整后的历史预测分数均值作为渠道对应的渠道价值分数，即将调整后的渠道组的历史预测分数均值作为该渠道组最终确定的价值分数。

也就是说，假设渠道组1的历史预测分数均值为Z1，且渠道组1的渠道置信度付费率与付费率均值的差值，即渠道组1的渠道付费率差值为X1。当渠道置信度付费率高于付费率均值时，对渠道组1的历史预测分数均值进行上调，调整后的渠道组1的历史预测分数均值＝Z1+X1；当渠道组1的渠道置信度付费率低于付费率均值时，对渠道组1的历史预测分数均值进行下调，调整后的渠道组1的历史预测分数均值＝Z1-X1。

在一个实施例中，根据调整后的用户价值分数更新所述合成分数的步骤，包括：获取待评估用户的渠道来源信息；根据待评估用户的渠道来源信息获取对应的渠道价值分数；根据渠道价值分数对待评估用户的合成分数进行更新调整，得到待评估用户的最终价值分数；根据最终价值分数确定待评估用户的用户等级。

将每一个渠道组的渠道置信度付费率与付费率均值进行对比，并对每个渠道组对应的历史预测分数均值进行调整，并最终确定了每一个渠道组对应的渠道价值分数后，可以根据每一个待预估用户的渠道来源对待预估用户的用户价值分数进行调整，即对待预估用户的合成分数进行调整。具体的，服务器可以获取到待评估用户的渠道来源信息，并根据待评估用户的渠道来源信息获取到预制对应的渠道组的渠道价值分数。服务器可以根据渠道价值分数对待评估用户的合成分数进行更新调整，从而可以得到待评估用户的最终价值分数，并可以根据最终价值分数确定待评估用户的用户等级。

在根据渠道价值分数对待评估用户的合成分数进行更新调整时，可以按照预先设置的调整规则，比如结合用户的个人资料，社交记录及诚信信息等多维度信息制定一系列完整的调整方案，从而可以根据设定的调整方案及渠道价值分数对待评估用户的合成分数进行更新调整，调整后的合成分数即可作为该待评估用户的最终价值分数。

在一个实施例中，如图6所示，也提供了一种用户等级的确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤601，获取待评估用户的个人信息。

步骤602，对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中。

步骤603，获取分类模型输出的预测分数。

步骤604，获取待评估用户的历史价值分数，历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的。

步骤605，对待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数。

步骤606，获取预定时间段内的已分配用户的个人信息和付费金额。

步骤607，根据付费金额确定全部已分配用户的总计付费金额，并计算得到已分配用户的付费金额均值和付费率均值。

步骤608，依次将每一个已分配用户的个人信息输入至预先训练好的分类模型中，获取分类模型输出的历史预测分数。

步骤609，按照历史预测分数的大小将已分配用户等分成N组。

步骤610，获取已分配用户的渠道来源信息。

步骤611，根据渠道来源信息将每一组中的已分配用户细分为Y个渠道组。

步骤612，根据每一个渠道组中已分配用户的付费情况确定每一个渠道组的渠道置信度付费率。

步骤613，根据每一个渠道组中已分配用户的历史预测分数确定每一个渠道组的历史预测分数均值。

步骤614，获取每一个渠道的渠道置信度付费率与付费率均值的差值，作为渠道付费率差值。

步骤615，当渠道置信度付费率高于付费率均值时，根据付费率差值上调渠道组的历史预测分数均值。

步骤616，当渠道置信度付费率低于付费率均值时，根据付费率差值下调渠道组的历史预测分数均值。

步骤617，将调整后的历史预测分数均值作为渠道对应的渠道价值分数。

步骤618，获取待评估用户的渠道来源信息。

步骤619，根据待评估用户的渠道来源信息获取对应的渠道价值分数。

步骤620，根据渠道价值分数对待评估用户的合成分数进行更新调整，得到待评估用户的最终价值分数。

步骤621，根据最终价值分数确定待评估用户的用户等级。

服务器在获取到待评估用户的个人信息后，可以先对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中，通过分类模型根据特征对待评估用户的价值分数进行预测，可以得到一个对应的预测分数。服务器可以获取到训练好的分类模型输出的与待评估用户对应的预测分数。服务器还可以获取到待评估用户的历史价值分数，将训练好的分类模型输出的针对待评估用户的预测分数及历史价值分数进行加权求和，即可得到合成分数，合成分数可以认为是待评估用户的初步价值分数，还可以对该分数进行调整。

进一步的，还可以通过分数微调模块对待评估用户的价值分数进行调整，服务器可以获取到预定时间段内的已分配用户的个人信息和付费金额，可将每一个已分配用户的付费金额相加，计算出全部的已分配用户的总计付费金额，从而可以计算得到已分配用户的付费金额均值和付费率均值。服务器在获取到已分配用户的个人信息后，可以将已分配用户的个人信息先进行特征提取，将提取得到的特征输入至分类模型中以使分类模型进行用户价值分数的预测，可以将分类模型针对已分配用户进行用户价值预测得到的分数称之为历史预测分数。

在服务器获取到每一个已分配用户的历史预测分数后，可以按照历史预测分数的大小，将已分配用户等分成N组，并可以进一步的根据每一个已分配用户的渠道来源信息再进行细分。因此，服务器可以获取到每一个已分配用户的渠道来源信息，并根据已分配用户的渠道来源信息将每一组进行进一步的细化，假设全部的已分配用户来源的渠道有Y个，则针对已经分成N组了的已分配用户，再将每一个组细分为Y个渠道组。同样的，可以采取P分步的方式，根据每一个渠道组中已分配用户的付费情况可以计算出每一个渠道组的渠道置信度付费率。同时，也可以根据每一个渠道组中包含的已分配用户的历史预测分数计算出每一个渠道组的历史预测分数均值。

具体的，按照历史预测分数的大小将已分配用户等分成N组后，可以根据每一组的用户付费率和用户价值的平均分数拟合出一条二元曲线图，并根据该二元曲线图的分布拆分出各个渠道组对应的分布，即确定每一个渠道组的渠道置信度付费率。同时，为了保证数据的准确性，可以将获取到的预设时间段的已分配用户的数量放大至数据库中包含的所有用户的同等量级。因此，在将每一组的付费率置信度与付费率均值进行对比时，其实就是将每一个渠道组的渠道置信度付费率与付费率均值进行对比。

服务器可以预先获取到每一个渠道的渠道置信度付费率与付费率均值的差值，并将此差值称之为渠道付费率差值。将每一个渠道组的渠道置信度付费率与付费率均值进行对比，当渠道置信度付费率高于付费率均值时，说明来自于该渠道组的用户的付费率是较高的，即来自于该渠道组的用户的付费可能性更高，故应当提高该渠道组的用户的价值分数，可以根据付费率差值上调渠道组的历史预测分数均值，即可以将该渠道组的历史预测分数均值进行上调，上调的数值为付费率差值。当渠道置信度付费率低于付费率均值时，说明来自于该渠道组的用户的付费率是较低的，即来自于该渠道组的用户的付费可能性较低，故应当降低该渠道组的用户的价值分数，可以根据付费率差值下调渠道组的历史预测分数均值，即可以将该渠道组的历史预测分数均值进行下调，下调的值为付费率差值，在根据渠道付费率差值对每一个渠道组对应的历史预测分数均值进行调整后，可以将调整后的历史预测分数均值作为渠道对应的渠道价值分数，即将调整后的渠道组的历史预测分数均值作为该渠道组最终确定的价值分数。

然后，服务器可以获取到待评估用户的渠道来源信息，并根据待评估用户的渠道来源信息获取到预制对应的渠道组的渠道价值分数。服务器可以根据渠道价值分数对待评估用户的合成分数进行更新调整，从而可以得到待评估用户的最终价值分数，并可以根据最终价值分数确定待评估用户的用户等级。在根据渠道价值分数对待评估用户的合成分数进行更新调整时，可以按照预先设置的调整规则，比如结合用户的个人资料，社交记录及诚信信息等多维度信息制定一系列完整的调整方案，从而可以根据设定的调整方案及渠道价值分数对待评估用户的合成分数进行更新调整，调整后的合成分数即可作为该待评估用户的最终价值分数。

在一个实施例中，上述用户等级的确定方法还包括分类模型的训练步骤，包括：从数据库中选取预设数量的用户作为训练样本；获取训练样本的样本信息，样本信息包括用户的个人资料、社交行为记录及诚信信息；对样本信息进行特征提取；将提取到的特征输入至分类模型中进行训练，得到训练好的分类模型。

在将分类模型投入至实际运用之前，需要对分类模型先进行训练，得到训练好的分类模型后，再使用训练好的分类模型对用户的价值分数进行预测。在训练过程中，可以从数据库中选取预设数量的用户作为训练样本，以对分类模型进行训练。

在一个实施例中，从数据库中选取预设数量的用户作为训练样本，包括：从数据库中选取预设数量的用户的作为用户样本；根据预设业务规则对用户样本分成多个档位；将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。

在对分类模型进行训练，确定选取的样本时，可以先根据业务需求确定分类模型的变量。根据业务需求可知，企业对应的特定应用软件或网站每天新增的用户注册量较高，但业务人员在对新增的用户进行跟进服务时，可能系统分配给业务人员处理的用户只有新注册用户的十分之一，或者更低。那么，如何在众多新注册的用户和以往注册的用户中，选择对企业最有价值，即选择付费可能性更高的用户，即为需要达到的业务需求和目标。因此，分类模型的目标变量也可以对应设置为用户是否进行了付费。

针对此业务需求和目标，可以针对性的选取训练样本。可以根据预设业务规则对用户样本分成多个档位，将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。也就是说，可以根据预设的业务规则对用户进行分档，不同档位的用户代表着不同的付费可能性，即根据预设的业务规则初步判定的每个用户对应的用户价值。业务规则是指技术人员根据业务需求制定的评判规则，可以结合用户的各种信息进行确定，比如用户的工作地点，工作岗位，薪资范畴等等。比如，可以根据预设的业务规则按照用户价值从高到低的顺序将用户样本分成X、Y、Z、OUT档位，X档位的用户代表着付费可能性更高，付费金额可能更高，OUT档位的用户则代表着付费可能性较低，付费金额也可能更低。

在根据预设业务规则将用户样本分成多个档位后，可以将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。比如，可以将OUT档位的用户样本作为负样本，并将X、Y、Z档位中未被分配过的用户样本作为负样本，可以将X、Y档位中的用户样本作为正样本。还可以进一步将Z和OUT档位中分配比例低于分配阈值的用户样本作为负样本，比如将Z和OUT档位中分配比例低于1％的用户样本作为负样本。

在确定了训练样本后，可以获取到各个训练样本的样本信息，样本信息可以包括用户的个人资料、社交行为记录及诚信信息。对样本信息进行特征提取，并将提取到的特征输入至分类模型中进行训练，分类模型即可根据输入的数据自行学习并确定最佳的参数，从而可以得到训练好的分类模型。在确定分类模型的预测准确率时，即确定分类模型是否训练到合格的标准时，可以使用AUC(Area Under Curve)的方式对分类模型进行检测。也根据业务需求所对应的业务规则进行验证，比如可以根据分类模型预测出来的价值分数，从高到低进行排序，将用户均分成十个组，根据每一组中用户的付费金额进行计算出每一组用户的付费累计金额，并计算出全部用户的总付费金额，从而可以计算出每一组的累计产值比，每一组的累计产值比＝每一组的付费累计金额/总付费金额。

此处要注意的是，假设根据分类模型预测出来的价值分数，从高到低进行排序，将用户均分成十个组，分别为组1、组2、组3、…、组10，那么组1的累计产值比＝组1的付费累计金额/总付费金额，而组2的累计产值比＝(组1+组2)的付费累计金额/总付费金额，组3的累计产值比＝(组1+组2+组3)的付费累计金额/总付费金额，依次类推，因此组10的累计产值比＝(组1+组2+组3+…+组10)的付费累计金额/总付费金额＝100％。因此，当某一个组的累计产值比较高时，代表在这个组的用户所对应的价值分数及高于该价值分数的用户的付费率和付费金额均较大。所以，可看出的是，假设组4的累计产值比为70％，则用户价值分数与累计产值比是正相关的，说明分类模型预测出来价值分数是较为准确的，若是假设组4的累计产值比30％，则说明用户价值分数高的用户的付费率和付费金额都低于用户价值分数低的用户，用户价值分数与累计产值比是负相关的，说明分类模型预测出来价值分数是不准确的，需要继续对分类模型进行训练。当然，此处只是举个例子，在实际训练过程中，这一判定过程则更为复杂和严谨，而检验策略可以根据业务需求进行更新与调整，此处不再赘述。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种装置，包括：个人信息获取模块、模型预测模块和用户价值分数确定模块，其中：

个人信息获取模块701，用于获取待评估用户的个人信息。

模型预测模块702，用于对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；获取分类模型输出的预测分数。

用户价值分数确定模块703，用于获取待评估用户的历史价值分数，历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的；对待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数。

等级确定模块704，用于根据合成分数确定待评估用户的用户等级。

在一个实施例中，上述用户价值分数确定模块703还用于获取预定时间段内的已分配用户的个人信息和付费金额；根据付费金额确定全部已分配用户的总计付费金额，并计算得到已分配用户的付费金额均值和付费率均值；依次将每一个已分配用户的个人信息输入至预先训练好的分类模型中，获取分类模型输出的历史预测分数；按照历史预测分数的大小将已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度；将每一组的付费率置信度与付费率均值进行对比，对每一组的已分配用户的用户价值分数进行调整；根据调整后的用户价值分数更新合成分数。

在一个实施例中，上述用户价值分数确定模块703还用于按照历史预测分数的大小将已分配用户等分成N组；获取已分配用户的渠道来源信息；根据渠道来源信息将每一组中的已分配用户细分为Y个渠道组；根据每一个渠道组中已分配用户的付费情况确定每一个渠道组的渠道置信度付费率；根据每一个渠道组中已分配用户的历史预测分数确定每一个渠道组的历史预测分数均值。

在一个实施例中，上述用户价值分数确定模块703还用于获取每一个渠道的渠道置信度付费率与付费率均值的差值，作为渠道付费率差值；当渠道置信度付费率高于付费率均值时，根据付费率差值上调渠道组的历史预测分数均值；当渠道置信度付费率低于付费率均值时，根据付费率差值下调渠道组的历史预测分数均值；将调整后的历史预测分数均值作为渠道对应的渠道价值分数。

在一个实施例中，上述用户价值分数确定模块703还用于获取待评估用户的渠道来源信息；根据待评估用户的渠道来源信息获取对应的渠道价值分数；根据渠道价值分数对待评估用户的合成分数进行更新调整，得到待评估用户的最终价值分数；根据最终价值分数确定待评估用户的用户等级。

在一个实施例中，上述用户等级的确定装置还包括模型训练模块(图中未示出)，用于从数据库中选取预设数量的用户作为训练样本；获取训练样本的样本信息，样本信息包括用户的个人资料、社交行为记录及诚信信息；对样本信息进行特征提取；将提取到的特征输入至分类模型中进行训练，得到训练好的分类模型。

在一个实施例中，上述模型训练模块还用于从数据库中选取预设数量的用户的作为用户样本；根据预设业务规则对用户样本分成多个档位；将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。

关于用户等级的确定装置装置的具体限定可以参见上文中对于用户等级的确定方法的限定，在此不再赘述。上述用户等级的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户个人信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户等级的确定方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待评估用户的个人信息；对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；获取分类模型输出的预测分数；获取待评估用户的历史价值分数，历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的；对待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；根据合成分数确定待评估用户的用户等级。

在一个实施例中，在根据合成分数确定待评估用户的用户等级之前，处理器执行计算机程序时还实现以下步骤：获取预定时间段内的已分配用户的个人信息和付费金额；根据付费金额确定全部已分配用户的总计付费金额，并计算得到已分配用户的付费金额均值和付费率均值；依次将每一个已分配用户的个人信息输入至预先训练好的分类模型中，获取分类模型输出的历史预测分数；按照历史预测分数的大小将已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度；将每一组的付费率置信度与付费率均值进行对比，对每一组的已分配用户的用户价值分数进行调整；根据调整后的用户价值分数更新合成分数。

在一个实施例中，按照历史预测分数的大小将已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度，包括：按照历史预测分数的大小将已分配用户等分成N组；获取已分配用户的渠道来源信息；根据渠道来源信息将每一组中的已分配用户细分为Y个渠道组；根据每一个渠道组中已分配用户的付费情况确定每一个渠道组的渠道置信度付费率；根据每一个渠道组中已分配用户的历史预测分数确定每一个渠道组的历史预测分数均值。

在一个实施例中，将每一组的置信度付费率与付费率均值进行对比，对每一组的用户价值分数进行调整，包括：获取每一个渠道的渠道置信度付费率与付费率均值的差值，作为渠道付费率差值；当渠道置信度付费率高于付费率均值时，根据付费率差值上调渠道组的历史预测分数均值；当渠道置信度付费率低于付费率均值时，根据付费率差值下调渠道组的历史预测分数均值；将调整后的历史预测分数均值作为渠道对应的渠道价值分数。

在一个实施例中，根据调整后的用户价值分数更新合成分数，包括：获取待评估用户的渠道来源信息；根据待评估用户的渠道来源信息获取对应的渠道价值分数；根据渠道价值分数对待评估用户的合成分数进行更新调整，得到待评估用户的最终价值分数；根据最终价值分数确定待评估用户的用户等级。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：从数据库中选取预设数量的用户作为训练样本；获取训练样本的样本信息，样本信息包括用户的个人资料、社交行为记录及诚信信息；对样本信息进行特征提取；将提取到的特征输入至分类模型中进行训练，得到训练好的分类模型。

在一个实施例中，从数据库中选取预设数量的用户作为训练样本，包括：从数据库中选取预设数量的用户的作为用户样本；根据预设业务规则对用户样本分成多个档位；将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待评估用户的个人信息；对个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；获取分类模型输出的预测分数；获取待评估用户的历史价值分数，历史价值分数是根据待评估用户的个人信息按照预定规则计算得到的；对待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；根据合成分数确定待评估用户的用户等级。

在一个实施例中，在根据合成分数确定待评估用户的用户等级之前，计算机程序被处理器执行时还实现以下步骤：获取预定时间段内的已分配用户的个人信息和付费金额；根据付费金额确定全部已分配用户的总计付费金额，并计算得到已分配用户的付费金额均值和付费率均值；依次将每一个已分配用户的个人信息输入至预先训练好的分类模型中，获取分类模型输出的历史预测分数；按照历史预测分数的大小将已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度；将每一组的付费率置信度与付费率均值进行对比，对每一组的已分配用户的用户价值分数进行调整；根据调整后的用户价值分数更新合成分数。

在一个实施例中，按照历史预测分数的大小将已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度，包括：按照历史预测分数的大小将已分配用户等分成N组；获取已分配用户的渠道来源信息；根据渠道来源信息将每一组中的已分配用户细分为Y个渠道组；根据每一个渠道组中已分配用户的付费情况确定每一个渠道组的渠道置信度付费率；根据每一个渠道组中已分配用户的历史预测分数确定每一个渠道组的历史预测分数均值。

在一个实施例中，将每一组的置信度付费率与付费率均值进行对比，对每一组的用户价值分数进行调整，包括：获取每一个渠道的渠道置信度付费率与付费率均值的差值，作为渠道付费率差值；当渠道置信度付费率高于付费率均值时，根据付费率差值上调渠道组的历史预测分数均值；当渠道置信度付费率低于付费率均值时，根据付费率差值下调渠道组的历史预测分数均值；将调整后的历史预测分数均值作为渠道对应的渠道价值分数。

在一个实施例中，根据调整后的用户价值分数更新合成分数，包括：获取待评估用户的渠道来源信息；根据待评估用户的渠道来源信息获取对应的渠道价值分数；根据渠道价值分数对待评估用户的合成分数进行更新调整，得到待评估用户的最终价值分数；根据最终价值分数确定待评估用户的用户等级。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从数据库中选取预设数量的用户作为训练样本；获取训练样本的样本信息，样本信息包括用户的个人资料、社交行为记录及诚信信息；对样本信息进行特征提取；将提取到的特征输入至分类模型中进行训练，得到训练好的分类模型。

在一个实施例中，从数据库中选取预设数量的用户作为训练样本，包括：从数据库中选取预设数量的用户的作为用户样本；根据预设业务规则对用户样本分成多个档位；将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种用户等级的确定方法，所述方法包括：

获取待评估用户的个人信息；

对所述个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；

获取所述分类模型输出的预测分数；

获取所述待评估用户的历史价值分数，所述历史价值分数是根据所述待评估用户的个人信息按照预定规则计算得到的；

对所述待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；

根据所述合成分数确定所述待评估用户的用户等级；

其中，在所述根据所述合成分数确定所述待评估用户的用户等级之前，还包括：

获取预定时间段内的已分配用户的个人信息和付费金额；

根据所述付费金额确定全部已分配用户的总计付费金额，并计算得到所述已分配用户的付费金额均值和付费率均值；

依次将每一个已分配用户的个人信息输入至所述预先训练好的分类模型中，获取所述分类模型输出的历史预测分数；

按照所述历史预测分数的大小将所述已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度；

将每一组的付费率置信度与所述付费率均值进行对比，对每一组的已分配用户的用户价值分数进行调整；

根据调整后的用户价值分数更新所述合成分数。

2.根据权利要求1所述的方法，其特征在于，所述按照所述历史预测分数的大小将所述已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度，包括：

按照所述历史预测分数的大小将所述已分配用户等分成N组；

获取已分配用户的渠道来源信息；

根据所述渠道来源信息将每一组中的已分配用户细分为Y个渠道组；

根据每一个渠道组中已分配用户的付费情况确定每一个渠道组的渠道置信度付费率；

根据每一个渠道组中已分配用户的历史预测分数确定每一个渠道组的历史预测分数均值。

3.根据权利要求1所述的方法，其特征在于，所述将每一组的置信度付费率与所述付费率均值进行对比，对每一组的用户价值分数进行调整，包括：

获取每一个渠道的渠道置信度付费率与所述付费率均值的差值，作为渠道付费率差值；

当所述渠道置信度付费率高于所述付费率均值时，根据所述付费率差值上调所述渠道组的历史预测分数均值；

当所述渠道置信度付费率低于所述付费率均值时，根据所述付费率差值下调所述渠道组的历史预测分数均值；

将调整后的历史预测分数均值作为渠道对应的渠道价值分数。

4.根据权利要求1所述的方法，其特征在于，所述根据调整后的用户价值分数更新所述合成分数，包括：

获取所述待评估用户的渠道来源信息；

根据所述待评估用户的渠道来源信息获取对应的渠道价值分数；

根据所述渠道价值分数对所述待评估用户的合成分数进行更新调整，得到所述待评估用户的最终价值分数；

根据所述最终价值分数确定所述待评估用户的用户等级。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括分类模型的训练步骤，包括：

从数据库中选取预设数量的用户作为训练样本；

获取训练样本的样本信息，所述样本信息包括用户的个人资料、社交行为记录及诚信信息；

对所述样本信息进行特征提取；

将提取到的特征输入至分类模型中进行训练，得到训练好的分类模型。

6.根据权利要求5所述的方法，其特征在于，所述从数据库中选取预设数量的用户作为训练样本，包括：

从数据库中选取预设数量的用户的作为用户样本；

根据预设业务规则对所述用户样本分成多个档位；

将符合预设档位的用户样本及全部档位中未被分配过的用户样本作为负样本，其余用户样本作为正样本。

7.一种用户等级的确定装置，其特征在于，所述装置包括：

个人信息获取模块，用于获取待评估用户的个人信息；

模型预测模块，用于对所述个人信息进行特征提取，将提取到的特征输入至预先训练好的分类模型中；获取所述分类模型输出的预测分数；

用户价值分数确定模块，用于获取所述待评估用户的历史价值分数，所述历史价值分数是根据所述待评估用户的个人信息按照预定规则计算得到的；对所述待评估用户的预测分数及对应的历史价值分数进行加权求和，得到合成分数；

等级确定模块，用于根据所述合成分数确定所述待评估用户的用户等级；

其中，在所述根据所述合成分数确定所述待评估用户的用户等级之前方面，所述用户价值分数确定模块还用于：

获取预定时间段内的已分配用户的个人信息和付费金额；

根据所述付费金额确定全部已分配用户的总计付费金额，并计算得到所述已分配用户的付费金额均值和付费率均值；

依次将每一个已分配用户的个人信息输入至所述预先训练好的分类模型中，获取所述分类模型输出的历史预测分数；

按照所述历史预测分数的大小将所述已分配用户等分成N组，根据每一组中的已分配用户的付费金额确定每一组的付费率置信度；

将每一组的付费率置信度与所述付费率均值进行对比，对每一组的已分配用户的用户价值分数进行调整；

根据调整后的用户价值分数更新所述合成分数。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images