CN110489131A - 一种灰度用户选取方法及装置 - Google Patents

Abstract

本发明实施例提供一种灰度用户选取方法及装置，其中，方法包括：对目标用户数据进行标签化，获得标签化的目标用户数据；将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用启发式智能决策模型，从标签化的目标用户数据中选取灰度用户。本发明实施例能够准确地选取灰度用户，提高灰度发布的成功概率。

Description

一种灰度用户选取方法及装置

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种灰度用户选取方法及装置。

背景技术

灰度发布是指在黑与白之间，能够平滑过渡的一种发布方式。灰度发布在生产环境同时部署A(旧)与B(新)两个应用版本，让一部分用户继续使用A，另一部分用户(即灰度用户)开始用B，如果灰度用户没有意见，则逐步将所有用户都迁移到B上。灰度发布的作用在于能够控制应用版本升级的影响范围和及早获得用户反馈，提升产品质量与用户感知。合理选择灰度用户，并让他们积极参与到灰度发布的使用测试过程中，对灰度发布的成功与提升用户感知至关重要。

目前，现有的灰度用户的选取策略主要有两种：一、主动粗放式灰度用户选取策略，即基于随机或粗粒度的主观筛选；二、被动式灰度用户选取策略，即将A、B版本同时推送给所有用户，由用户选择使用版本。

但是，现有的主动粗放式灰度用户选取策略是通过随机方法或基于少量的几个维度简单地判断、抽取灰度用户，选取准确性较低；现有的被动式灰度用户选取策略是直接向全量用户同时推送新旧版本，要求用户花费时间了解区分新旧软件版本差别，易给大部分用户造成困扰，导致用户感知较差。

鉴于此，如何准确地选取灰度用户成为目前需要解决的技术问题。

发明内容

为解决上述的技术问题，本发明实施例提供一种灰度用户选取方法及装置，能够准确地选取灰度用户，以提高灰度发布的成功概率。

第一方面，本发明实施例提供一种灰度用户选取方法，包括：

对目标用户数据进行标签化，获得标签化的目标用户数据；

将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

第二方面，本发明实施例提供一种灰度用户选取装置，包括：

标签化模块，用于对目标用户数据进行标签化，获得标签化的目标用户数据；

选取模块，用于将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。

由上述技术方案可知，本发明实施例的灰度用户选取方法及装置，通过对目标用户数据进行标签化，获得标签化的目标用户数据，将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户，由此，能够准确地选取灰度用户，以提高灰度发布的成功概率。

附图说明

图1为本发明一实施例提供的一种灰度用户选取方法的流程示意图；

图2为本发明另一实施例提供的一种灰度用户选取方法的流程示意图；

图3为本发明一实施例提供的一种灰度用户选取装置的结构示意图；

图4为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

图1示出了本发明一实施例提供的灰度用户选取方法的流程示意图，如图1所示，本实施例的灰度用户选取方法如下所述。

S1、对目标用户数据进行标签化，获得标签化的目标用户数据。

可以理解的是，所述标签化是指基于标签规则将用户数据任一属性的离散属性值规约化为统一、集中的标签值。

例如，本实施例可以利用预先设置的如表1所示的标签规则，对目标用户数据进行标签化，其中，A1、A2、A3、B1和B2的取值可以根据实际情况预先设置。

表1

S2、将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

本实施例的灰度用户选取方法，通过对目标用户数据进行标签化，获得标签化的目标用户数据，将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户，由此，能够准确地选取灰度用户，以提高灰度发布的成功概率。

进一步地，在上述实施例的基础上，可参考图2，在所述步骤S1之前，本实施例所述方法还可以包括图中未示出的步骤S0：

S0、将目标用户数据进行数据清洗，剔除属性不全或属性值异常的噪声数据；

相应地，所述步骤S1可以具体为：

S1’、对数据清洗后的目标用户数据进行标签化，获得标签化的目标用户数据。

可以理解的是，将目标用户数据进行数据清洗后再进行标签化，可以提高后续利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户的结果的准确性。

进一步地，在上述实施例的基础上，在所述步骤S2之前，本实施例所述方法还可以包括图中未示出的步骤P1-P3：

P1、对样本用户数据进行标签化，利用随机算法从标签化的样本用户数据中随机抽取预设第一数量条数据，并利用启发式规则，从标签化的样本用户数据中选取预设第二数量条数据作为训练样本数据集。

可以理解的是，由于现实数据的不平衡性，如果仅采用随机算法抽取训练样本，可能导致利用所构建的启发式智能决策模型的决策过程生成的决策树质量较差，且决策过程中的随机森林算法还存在过拟合可能，进而导致错误决策。因此，本实施例通过在启发式训练样本选择过程设计了一种启发式规则，与随机算法结合选取训练样本数据集。

在具体应用中，举例来说，所述预设第一数量可以为10％·n，n为需要的灰度用户总数，所述预设第二数量可以为5％·n，所述启发式规则可以为：

预先选取m个已知与灰度用户选取强相关的属性，每个属性权重设为w_i，假设每个属性的标签值有t个，每个标签值的权重为q_j，目标函数值为C_k，则

其中，属性权重和标签值的权重均为根据实际情况预先设定的，按目标函数值C_k由大到小顺序从10％·n条随机记录中选取前5％·n条记录作为样本数据集。

可以理解的是，训练样本数据集选择过程的启发式规则可以有效规避现实数据的不平衡问题，提升了样本筛选的科学性，从而提高利用所构建的启发式智能决策模型的决策过程生成的决策树的质量，并避免随机森林算法的过拟合可能，使得决策结果更加科学准确。

P2、判断所述训练样本数据集中每一用户是否为灰度用户，补充完善所述训练样本数据集中灰度用户属性的标签值。

在具体应用中，本步骤可以通过向所述训练样本数据集中所有用户对应的用户设备同时推送新旧两个版本的应用，根据所述训练样本数据集中每一用户设备反馈的用户对所推送的新旧两个版本的应用的行为，判断用户是否为灰度用户。

具体地，可以针对所述训练样本数据集中的任一用户，若根据所述用户对应的用户设备的反馈，确定所述用户主动选择使用所推送的新版本的应用并且所述用户在使用所推送的新版本的应用后的预设时间段内没有对版本功能进行投诉(可以有建议)，则确定所述用户为灰度用户。

P3、根据补充完善后的训练样本数据集，预先构建启发式智能决策模型。

在具体应用中，举例来说，本步骤可以根据补充完善后的训练样本数据集，利用随机森林算法，预先构建启发式智能决策模型。

可以理解的是，所述步骤P1-P3是根据样本用户数据预先构建启发式智能决策模型的具体过程，利用本实施例预先构建的启发式智能决策模型，能够科学准确地决策选取灰度用户。

进一步地，在上述实施例的基础上，所述步骤S2利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户的决策过程可以包括图中未示出的步骤Q1-Q4：

Q1、所述启发式智能决策模型采用有放回的采样方式从补充完善后的训练样本数据集中选取预设第三数量条数据作为训练样本。

在具体应用中，举例来说，所述预设第三数量可以为5％·n。

Q2、从进行标签化的所有U个属性中选取u个属性，利用所选取u个属性对所述训练样本建立决策树。

具体地，所述步骤Q2可以包括:

Q21、计算当前数据集目前剩余所有属性的信息增益。

在具体应用中，所述信息增益指的是基于某个属性进行样本数据集划分前后信息熵的变化程度，可以用下面的公式表示：

其中，A表示样本的属性，Value(A)是属性A所有的标签值集合，V是A的其中一个标签值，S_V是样本S中A的值为V的样例集合。

其中，熵的概念主要是指信息的混乱程度，变量的不确定性越大，熵的值也就越大，熵的公式可以表示为：

其中，为类别u_i在样本S中出现的概率。

Q22、从所述目前剩余所有属性中选取信息增益最大的属性作为当前节点，以及划分数据集的特征标准，将属性标签值相同的训练样本划分到一个分支。

Q23、对于任一分支，若所述分支都属于灰度用户或所述分支都属于非灰度用户，则所述分支执行结束，否则对所述分支利用选定u个属性中剩余所有属性重复执行所述步骤Q21-Q21，直至没有剩余属性。

Q3、重复步骤Q1-Q2预设第四数量次，生成预设第四数量棵决策树，形成随机森林。

在具体应用中，举例来说，所述预设第四数量可以为100。

Q4、利用所述随机森林，基于大多数原则，从所述标签化的目标用户数据中选取灰度用户，直至所选取的灰度用户的数量达到需要的灰度用户总数。

本实施例的灰度用户选取方法，利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户，该启发式智能决策模型中的启发式规则有效规避了现实数据的不平衡性与随机森林算法的过拟合可能，并与决策过程的随机森林智能算法有机结合，通过更加科学地筛选训练样本集，提升决策树的训练质量，进而提高决策过程中灰度用户决策选取的准确性，能够帮助提升灰度发布的成功概率和用户感知。

图3示出了本发明一实施例提供的一种灰度用户选取装置的结构示意图，如图3所示，本实施例的灰度用户选取装置，包括：标签化模块31和选取模块32；其中：

所述标签化模块31，用于对目标用户数据进行标签化，获得标签化的目标用户数据；

所述选取模块32，用于将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

具体地，所述标签化模块31对目标用户数据进行标签化，获得标签化的目标用户数据；所述选取模块32将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

可以理解的是，所述标签化是指基于标签规则将用户数据任一属性的离散属性值规约化为统一、集中的标签值。

本实施例的灰度用户选取装置，通过对目标用户数据进行标签化，获得标签化的目标用户数据，将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户，由此，能够准确地选取灰度用户，以提高灰度发布的成功概率。

进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：

数据清洗模块，用于将目标用户数据进行数据清洗，剔除属性不全或属性值异常的噪声数据；

相应地，所述标签化模块31，可具体用于

对数据清洗后的目标用户数据进行标签化，获得标签化的目标用户数据。

可以理解的是，将目标用户数据进行数据清洗后再进行标签化，可以提高后续利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户的结果的准确性。

进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：

抽取模块，用于对样本用户数据进行标签化，利用随机算法从标签化的样本用户数据中随机抽取预设第一数量条数据，并利用启发式规则，从标签化的样本用户数据中选取预设第二数量条数据作为训练样本数据集；

判断模块，用于判断所述训练样本数据集中每一用户是否为灰度用户，补充完善所述训练样本数据集中灰度用户属性的标签值；

构建模块，用于根据补充完善后的训练样本数据集，预先构建启发式智能决策模型。

可以理解的是，由于现实数据的不平衡性，如果仅采用随机算法抽取训练样本，可能导致利用所构建的启发式智能决策模型的决策过程生成的决策树质量较差，且决策过程中的随机森林算法还存在过拟合可能，进而导致错误决策。因此，本实施例的抽取模块通过在启发式训练样本选择过程设计了一种启发式规则，与随机算法结合选取训练样本数据集。

在具体应用中，举例来说，所述预设第一数量可以为10％·n，n为需要的灰度用户总数，所述预设第二数量可以为5％·n，所述启发式规则可以为：

预先选取m个已知与灰度用户选取强相关的属性，每个属性权重设为w_i，假设每个属性的标签值有t个，每个标签值的权重为q_j，目标函数值为C_k，则

其中，属性权重和标签值的权重均为根据实际情况预先设定的，按目标函数值C_k由大到小顺序从10％·n条随机记录中选取前5％·n条记录作为样本数据集。

可以理解的是，训练样本数据集选择过程的启发式规则可以有效规避现实数据的不平衡问题，提升了样本筛选的科学性，从而提高利用所构建的启发式智能决策模型的决策过程生成的决策树的质量，并避免随机森林算法的过拟合可能，使得决策结果更加科学准确。

在具体应用中，所述判断模块可以通过向所述训练样本数据集中所有用户对应的用户设备同时推送新旧两个版本的应用，根据所述训练样本数据集中每一用户设备反馈的用户对所推送的新旧两个版本的应用的行为，判断用户是否为灰度用户。

具体地，所述判断模块可以针对所述训练样本数据集中的任一用户，若根据所述用户对应的用户设备的反馈，确定所述用户主动选择使用所推送的新版本的应用并且所述用户在使用所推送的新版本的应用后的预设时间段内没有对版本功能进行投诉(可以有建议)，则确定所述用户为灰度用户。

在具体应用中，举例来说，所述构建模块可以根据补充完善后的训练样本数据集，利用随机森林算法，预先构建启发式智能决策模型。

可以理解的是，利用本实施例所预先构建的启发式智能决策模型，能够科学准确地决策选取灰度用户。

进一步地，在上述实施例的基础上，本实施例所述选取模块32利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户的决策过程可以包括：

第一选取单元，用于所述启发式智能决策模型采用有放回的采样方式从补充完善后的训练样本数据集中选取预设第三数量条数据作为训练样本；

建立单元，用于从进行标签化的所有U个属性中选取u个属性，利用所选取u个属性对所述训练样本建立决策树

形成单元，用于重复所述选取单元和建立单元预设第四数量次，生成预设第四数量棵决策树，形成随机森林；

第二选取单元，用于利用所述随机森林，基于大多数原则，从所述标签化的目标用户数据中选取灰度用户，直至所选取的灰度用户的数量达到需要的灰度用户总数。。

在具体应用中，举例来说，所述预设第三数量可以为5％·n。

在具体应用中，所述建立单元，可具体用于

计算当前数据集目前剩余所有属性的信息增益；

从所述目前剩余所有属性中选取信息增益最大的属性作为当前节点，以及划分数据集的特征标准，将属性标签值相同的训练样本划分到一个分支；

对于任一分支，若所述分支都属于灰度用户或所述分支都属于非灰度用户，则所述分支执行结束，否则对所述分支利用选定u个属性中剩余所有属性重复执行计算当前数据集目前剩余所有属性的信息增益，从所述目前剩余所有属性中选取信息增益最大的属性作为当前节点，以及划分数据集的特征标准，将属性标签值相同的训练样本划分到一个分支的步骤，直至没有剩余属性。

在具体应用中，所述信息增益指的是基于某个属性进行样本数据集划分前后信息熵的变化程度，可以用下面的公式表示：

其中，A表示样本的属性，Value(A)是属性A所有的标签值集合，V是A的其中一个标签值，S_V是样本S中A的值为V的样例集合。

其中，熵的概念主要是指信息的混乱程度，变量的不确定性越大，熵的值也就越大，熵的公式可以表示为：

其中，为类别u_i在样本S中出现的概率。

在具体应用中，举例来说，所述预设第四数量可以为100。

本实施例的灰度用户选取装置，利用启发式智能决策模型从标签化的目标用户数据中选取灰度用户，该启发式智能决策模型中的启发式规则有效规避了现实数据的不平衡性与随机森林算法的过拟合可能，并与决策过程的随机森林智能算法有机结合，通过更加科学地筛选训练样本集，提升决策树的训练质量，进而提高决策过程中灰度用户决策选取的准确性，能够帮助提升灰度发布的成功概率和用户感知。

本实施例的灰度用户选取装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图4示出了本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器41、存储器42、总线43及存储在存储器42上并可在处理器41上运行的计算机程序；

其中，所述处理器41，存储器42通过所述总线43完成相互间的通信；

所述处理器41执行所述计算机程序时实现上述各方法实施例所提供的方法，例如包括：对目标用户数据进行标签化，获得标签化的目标用户数据；将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例所提供的方法，例如包括：对目标用户数据进行标签化，获得标签化的目标用户数据；将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置/系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。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。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种灰度用户选取方法，其特征在于，包括：

对目标用户数据进行标签化，获得标签化的目标用户数据；

将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

2.根据权利要求1所述的方法，其特征在于，在对用户数据进行标签化，获得标签化的目标用户数据之前，所述方法还包括：

将目标用户数据进行数据清洗，剔除属性不全或属性值异常的噪声数据；

相应地，所述对目标用户数据进行标签化，获得标签化的目标用户数据，包括：

对数据清洗后的目标用户数据进行标签化，获得标签化的目标用户数据。

3.根据权利要求1所述的方法，其特征在于，在将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型从所述标签化的目标用户数据中选取灰度用户之前，所述方法还包括：

对样本用户数据进行标签化，利用随机算法从标签化的样本用户数据中随机抽取预设第一数量条数据，并利用启发式规则，从标签化的样本用户数据中选取预设第二数量条数据作为训练样本数据集；

判断所述训练样本数据集中每一用户是否为灰度用户，补充完善所述训练样本数据集中灰度用户属性的标签值；

根据补充完善后的训练样本数据集，预先构建启发式智能决策模型。

4.根据权利要求3所述的方法，其特征在于，所述判断所述训练样本数据集中每一用户是否为灰度用户，包括：

向所述训练样本数据集中所有用户对应的用户设备同时推送新旧两个版本的应用；

根据所述训练样本数据集中每一用户设备反馈的用户对所推送的新旧两个版本的应用的行为，判断用户是否为灰度用户。

5.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本数据集中每一用户设备反馈的用户对所推送的新旧两个版本的应用的行为，判断用户是否为灰度用户，包括：

针对所述训练样本数据集中的任一用户，若根据所述用户对应的用户设备的反馈，确定所述用户主动选择使用所推送的新版本的应用并且所述用户在使用所推送的新版本的应用后的预设时间段内没有对版本功能进行投诉，则确定所述用户为灰度用户。

6.根据权利要求3所述的方法，其特征在于，所述根据补充完善后的训练样本数据集，预先构建启发式智能决策模型，包括：

根据补充完善后的训练样本数据集，利用随机森林算法，预先构建启发式智能决策模型。

7.一种灰度用户选取装置，其特征在于，包括：

标签化模块，用于对目标用户数据进行标签化，获得标签化的目标用户数据；

选取模块，用于将标签化的目标用户数据输入根据样本用户数据预先构建的启发式智能决策模型，利用所述启发式智能决策模型，从所述标签化的目标用户数据中选取灰度用户。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

数据清洗模块，用于将目标用户数据进行数据清洗，剔除属性不全或属性值异常的噪声数据；

相应地，所述标签化模块，具体用于

对数据清洗后的目标用户数据进行标签化，获得标签化的目标用户数据。

9.一种电子设备，其特征在于，包括：处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。