CN111311332A - 用户数据的处理方法和装置 - Google Patents

Abstract

本发明公开了一种用户数据的处理方法和装置。其中，该方法包括：获取多个用户的用户数据，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据；使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型；基于预测结果，确定待推送的推荐信息。本发明解决了现有技术中针对平台上推荐的信息,一般采用分析用户在该平台上的历史行为来确定推荐信息，存在推荐信息不准确的技术的技术问题。

Description

用户数据的处理方法和装置

技术领域

本发明涉及电商平台领域，具体而言，涉及一种用户数据的处理方法和装置。

背景技术

随着移动互联网和大数据时代的到来，电商平台的竞争日趋白热化，而如何更精准的拉新获客和提升用户粘性成为各大平台亟需解决的两大难题。而如何在控制成本收益的情况下给客户想要的优惠或权益是制胜的关键，也是当前的一大痛点。

通常的提升用户粘性的方法是对所有用户发放优惠券来刺激用户进行消费，但该方式的成本高，且提升效果不佳。另外，现有的营销系统还根据用户平台内的历史行为来预测用户的下单概率等，并制定营销目标用户筛选的策略，以提升营销活动的效果。但方式无法考虑到用户本身的消费能力(或某类商品)，以及无法准确预估用户对平台的粘性。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用户数据的处理方法和装置，以至少解决现有技术中针对平台上推荐的信息,一般采用分析用户在该平台上的历史行为来确定推荐信息，存在推荐信息不准确的技术的技术问题。

根据本发明实施例的一个方面，提供了一种用户数据的处理方法，包括：获取多个用户的用户数据，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据；使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型；基于预测结果，确定待推送的推荐信息。

进一步地，使用机器学习算法和/或迁移学习算法得到预测模型，其中，机器学习算法包括如下至少之一：逻辑回归和XGBoost。

进一步地，用户数据的处理方法还包括：使用预测模型分析至少一个用户的用户数据，得到每个用户与不同网络平台的关联程度和每个用户的消费能力级别；基于每个用户与不同网络平台的关联程度和每个用户的消费能力级别，确定预测结果，其中，预测结果用于表征推荐模式。

进一步地，基于筛选条件筛选出目标用户作为预测结果，其中，筛选条件包括：用户与不同网络平台的关联程度超过第一阈值和/或消费能力级别超过第二阈值。

进一步地，用户数据的处理方法还包括：基于预测结果，确定需要进行推送信息的目标用户；基于目标用户的属性，从预设的多种推荐信息中筛选出不同的目标用户对应的推荐信息。

进一步地，通过如下任意一种推送方式推送推荐信息：及时通信平台、短信、电话、邮件、页面弹窗、通知消息和站内信。

进一步地，用户数据的处理方法还包括：在基于预测结果，确定待推送的推荐信息之后，将推荐信息推送至对应的目标用户；记录目标用户对推荐信息的操作行为；基于目标用户对推荐信息的操作行为，反馈推荐信息的有效性。

根据本发明实施例的另一方面，还提供了一种用户数据的处理装置，包括：获取模块，用于获取多个用户的用户数据，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据；预测模块，用于使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型；确定推荐模块，用于基于预测结果，确定待推送的推荐信息。

在本发明实施例中，采用多个模型对用户数据进行分析的方式，在获取多个用户的用户数据之后，通过使用预测模型分析至少一个用户的用户数据，得到预测结果，并基于预测结果，确定待推送的推荐信息，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型。

由上述内容可知，本申请使用用户在不同网络平台上完成订单过程中所产生的订单数据来推荐信息进行预测，相较于现有技术中的历史行为，本申请所提供的方案能够得到准确的推荐信息。另外，本申请对用户数据进行用户消费能力和用户与对应的网络平台关联程度两个方面的预测，从而使得得到的推荐信息更加准确，该过程极大节省数据和运营人员的时间成本，提高了精准营销的效果。

由此可见，本申请所提供的方案达到了预估与用户消费能力相关的推荐信息的目的，实现了提高推荐信息的准确性的技术效果，进而解决了现有技术中针对平台上推荐的信息,一般采用分析用户在该平台上的历史行为来确定推荐信息，存在推荐信息不准确的技术的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种用户数据的处理方法流程图；

图2是根据本发明实施例的一种可选的预估平台的示意图；

图3是根据本发明实施例的一种可选的二维矩阵的示意图；

图4是根据本发明实施例的一种可选的用户数据的处理方法的流程图；以及

图5是根据本发明实施例的一种用户数据的处理装置示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

用户粘性，指用户对于品牌或产品的忠诚、信任与良性体验等结合起来形成的依赖程度和再消费期望程度。

实施例1

根据本发明实施例，提供了一种用户数据的处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的用户数据的处理方法流程图，其中，图2所示的预估平台可作为本实施例的执行主体，由图2可知，预估平台包括：数据获取和处理单元、数据计算和建模单元、策略部署单元、通知推送单元和效果评估单元。

具体的，如图1所示，该方法包括如下步骤：

步骤S102，获取多个用户的用户数据，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据。

在步骤S102中，数据获取和处理单元可获取多个用户的用户数据。可选的，预估平台的数据获取和处理单元可通过互联网获取满足预设条件的不同的电商平台与信用卡的交叉用户的用户数据。其中，浏览产品的行为数据可以为用户的历史浏览行为数据，购买产品的订单行为数据可以为用户的历史下单行为数据，支付数据可以为用户的历史支付行为数据。此外，订单数据还可以包括用户的历史优惠券使用行为数据(例如，使用了几张优惠券、优惠券的优惠金额)等。

需要说明的是，上述预设条件可根据实际情况进行设定，例如，上述预设条件可以为一年消费观察期内有6个月以上动卡记录的用户。另外，为了使预估平台能够更加有针对性的为用户推荐信息，上述用户数据还可以包括用户的画像特征，其中，用户的画像特征表征了该用户区别于其他用户的特征。

步骤S104，使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型。

在步骤S104中，用户与对应的网络平台关联程度表征了用户粘性。预测结果表征了电商平台向用户推荐信息时所使用到的营销实施方式，例如，通过优惠券的方式向用户推荐产品等。

在一种可选的实施例中，预估平台的数据计算和建模单元使用机器学习算法和/或迁移学习算法得到预测模型，其中，机器学习算法包括如下至少之一：逻辑回归和XGBoost。可选的，用于预测用户消费能力的第一模型以及用于预测用户与对应的网络平台关联程度的第二模型可以使用同一种机器学习算法和/或迁移学习算法进行训练得到，也可使用不同的机器学习算法和/或迁移学习算法进行训练得到，例如，第一模型使用逻辑回归算法，第二模型使用XGBoost算法。另外，在训练第一模型的过程中，可将信用卡交叉用户的整体消费能力级别和/或对某类产品的消费能力级别作为标签；在训练第二模型的过程中，可将信用卡交叉用户与网络平台的关联程度作为标签。

可选的，数据计算和建模单元可通过实时或离线的方式来确定预测模型所使用的变量，并确定预测模型所对应的模型得分，然后不断对训练预测模型的样本数据进行更新，并对预测模型进行自动迭代，直至预测模型所对应的模型得分最高，并将模型得分最高时所对应的预测模型作为对用户数据进行分析的目标模型。

需要说明的是，模型得分的高低表征了该预测模型对用户数据进行分析所得到的预测结果的准确度，其中，模型得分越高，则预测结果的准确度越高。

在另一种可选的实施例中，数据计算和建模单元还可设置模型得分阈值，此时，可将模型得分大于模型得分阈值的预测模型作为对用户数据进行分析的目标模型。

步骤S106，基于预测结果，确定待推送的推荐信息。

在步骤S106中，在通过预测模型对用户数据进行分析得到预测结果之后，预估平台的通知推送单元可根据对不同用户的预测结果来通过不同的推荐方式向该用户推送推荐信息。例如，预估平台根据预测结果确定向用户A的用户消费能力较高，则通过优惠券的形式向用户A推荐相关产品。

基于上述步骤S102至步骤S106所限定的方案，可以获知，采用多个模型对用户数据进行分析的方式，在获取多个用户的用户数据之后，通过使用预测模型分析至少一个用户的用户数据，得到预测结果，并基于预测结果，确定待推送的推荐信息，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型。

容易注意到的是，本申请使用用户在不同网络平台上完成订单过程中所产生的订单数据来推荐信息进行预测，相较于现有技术中的历史行为，本申请所提供的方案能够得到准确的推荐信息。另外，本申请对用户数据进行用户消费能力和用户与对应的网络平台关联程度两个方面的预测，从而使得得到的推荐信息更加准确，该过程极大节省数据和运营人员的时间成本，提高了精准营销的效果。

由此可见，本申请所提供的方案达到了预估与用户消费能力相关的推荐信息的目的，实现了提高推荐信息的准确性的技术效果，进而解决了现有技术中针对平台上推荐的信息,一般采用分析用户在该平台上的历史行为来确定推荐信息，存在推荐信息不准确的技术的技术问题。

在一种可选的实施例中，在得到多个用户的用户数据之后，预估平台使用预测模型分析至少一个用户的用户数据，得到预测结果。具体的，预估平台使用预测模型分析至少一个用户的用户数据，得到每个用户与不同网络平台的关联程度和每个用户的消费能力级别，然后基于每个用户与不同网络平台的关联程度和每个用户的消费能力级别，确定预测结果，其中，预测结果用于表征推荐模式。例如，用户A与网络平台的关联程度较低，消费能力级别也比较低，此时，预估平台不向用户A推送产品；而用户B与网络平台的关联程度较高，并且消费能力级别也较高，则预估平台向用户B推送产品。

可选的，预估平台可根据用户在预设时长内使用网络平台的频率来确定用户与不同网络平台的关联程度；另外，预估平台还可根据用户在预设时长内的消费次数和/或消费金额来确定用户的消费能力级别，其中，用户在预设时长内的消费次数越多和/或消费金额越大，则用户的消费能力级别越高。

在一种可选的实施例中，预估平台可基于筛选条件筛选出目标用户作为预测结果，其中，筛选条件包括：用户与不同网络平台的关联程度超过第一阈值和/或消费能力级别超过第二阈值。

可选的，预估平台的策略部署单元可基于筛选条件筛选出目标用户作为预测结果，例如，策略部署单元可通过制定营销策略实施方案(即推荐模式)的二维矩阵，筛选出网络平台中关联程度较低，实际具有较高整体消费能力级别(或对某类产品具有较高消费能力级别)的用户，并对其进行高投入的精准营销；筛选出网络平台中关联程度较高，且整体消费能力级别(或对某类产品具有较高消费能力级别)较低的用户，对其不做营销投入。例如，图3示出了一种可选的二维矩阵的示意图，策略部署单元根据用户的消费能力级别和关联程度来确定是否对用户进行低投入、中投入、高投入，还是不营销的营销策略。

需要说明的是，预估平台的策略部署单元除通过设置阈值的方式来筛选出目标用户作为预测结果，还可通过业务规则判定条件、设置多个实验组等形式来筛选出目标用户作为预测结果。例如，预估平台筛选出满足业务规则判定条件的用户作为目标用户，或者，筛选出试验结果较高的实验组中的用户作为目标用户。

进一步地，在得到预测结果之后，预估平台的通知推送单元基于预测结果，获取待推送的推荐信息。具体的，通知推送单元首先基于预测结果，确定需要进行推送信息的目标用户，然后基于目标用户的属性，从预设的多种推荐信息中筛选出不同的目标用户对应的推荐信息。

可选的，上述目标用户的属性至少包括如下之一：黑名单用户、敏感用户、VIP用户。其中，通知推送单元针对筛选出的不同层级的用户进行相应投入的精准营销或个性化推荐等，并在推送推荐信息之前，通知推送单元根据目标用户的属性和业务规则条件来向不同的用户推送对应的推荐信息，例如，通知推送单元向VIP用户推送网络平台中最新的优惠信息，不向黑名单用户推送任何信息，向敏感用户推送其能够接收的优惠信息。

需要说明的是，在上述过程中，通知推送单元可通过如下任意一种推送方式推送推荐信息：及时通信平台、短信、电话、邮件、页面弹窗、通知消息和站内信。

更进一步的，在基于预测结果，确定待推送的推荐信息之后，预估平台的效果评估单元还可评估推荐信息推送后不同的用户的反馈信息。

可选的，通知推送单元将推荐信息推送至对应的目标用户，效果评估单元记录目标用户对推荐信息的操作行为，并基于目标用户对推荐信息的操作行为，反馈推荐信息的有效性。其中，效果评估单元可通过如下信息来确定推荐信息的有效性：触达率、点展率、下单率、客户价值、客户利润率、总成本、总收益、ROI(Return on Investment，投资回报率)等。

在一种可选的实施例中，图4示出了一种可选的用户数据的处理方法的流程图，由图4可知，预估平台在获取用户数据之后，利用XGBoost算法结合迁移学习算法来建立基于预测用户消费能力的第一模型和用于预测用户对应的网路平台关联程度的第二模型，并根据第一模型和第二模型来确定用户的消费能力和与网络平台的关联程度，来确定营销实施方案，最后业务规则对用户进行过滤，得到目标用户，进而向目标用户推送对应的推荐信息。

由上述内容可知，本申请所提供的方案通过预估平台来确定用户的整体消费能力以及平台用户粘性，可以更好地实现在控制成本收益的情况下，提高精准营销的效果，以提升平台的用户粘性。另外，采用本申请所提供的方案，可以极大节省数据和运营人员的时间成本，使工作人员更专注于方案的设计和优化。

实施例2

根据本发明实施例，还提供了一种用户数据的处理装置实施例，其中，图5是根据本发明实施例的用户数据的处理装置示意图，如图5所示，该装置包括：获取模块501、预测模块503以及确定推荐模块505。

其中，获取模块501，用于获取多个用户的用户数据，其中，用户数据至少包括：用户在不同网络平台上完成订单过程中产生的订单数据，订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据；预测模块503，用于使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型；确定推荐模块505，用于基于预测结果，确定待推送的推荐信息。

此处需要说明的是，上述获取模块501、预测模块503以及确定推荐模块505对应于上述实施例的步骤S102至步骤S106，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。

可选的，使用机器学习算法和/或迁移学习算法得到预测模型，其中，机器学习算法包括如下至少之一：逻辑回归和XGBoost。

在一种可选的实施例中，预测模块包括：子获取模块以及子确定模块。其中，子获取模块，用于使用预测模型分析至少一个用户的用户数据，得到每个用户与不同网络平台的关联程度和每个用户的消费能力级别；子确定模块，用于基于每个用户与不同网络平台的关联程度和每个用户的消费能力级别，确定预测结果，其中，预测结果用于表征推荐模式。

可选的，基于筛选条件筛选出目标用户作为预测结果，其中，筛选条件包括：用户与不同网络平台的关联程度超过第一阈值和/或消费能力级别超过第二阈值。

在一种可选的实施例中，确定推荐模块包括：确定模块以及筛选模块。其中，确定模块，用于基于预测结果，确定需要进行推送信息的目标用户；筛选模块，用于基于目标用户的属性，从预设的多种推荐信息中筛选出不同的目标用户对应的推荐信息。

可选的，通过如下任意一种推送方式推送推荐信息：及时通信平台、短信、电话、邮件、页面弹窗、通知消息和站内信。

在一种可选的实施例中，用户数据的处理装置还包括：推送模块、记录模块以及反馈模块。其中，推送模块，用于将推荐信息推送至对应的目标用户；记录模块，用于记录目标用户对推荐信息的操作行为；反馈模块，用于基于目标用户对推荐信息的操作行为，反馈推荐信息的有效性。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种用户数据的处理方法，其特征在于，包括：

获取多个用户的用户数据，其中，所述用户数据至少包括：所述用户在不同网络平台上完成订单过程中产生的订单数据，所述订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据；

使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，所述预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型；

基于所述预测结果，确定待推送的推荐信息。

2.根据权利要求1所述的方法，其特征在于，使用机器学习算法和/或迁移学习算法得到所述预测模型，其中，所述机器学习算法包括如下至少之一：逻辑回归和XGBoost。

3.根据权利要求1所述的方法，其特征在于，使用预测模型分析至少一个用户的用户数据，得到预测结果，包括：

使用所述预测模型分析至少一个用户的用户数据，得到每个用户与不同网络平台的关联程度和每个用户的消费能力级别；

基于所述每个用户与不同网络平台的关联程度和每个用户的消费能力级别，确定所述预测结果，其中，所述预测结果用于表征推荐模式。

4.根据权利要求3所述的方法，其特征在于，基于筛选条件筛选出目标用户作为所述预测结果，其中，所述筛选条件包括：用户与不同网络平台的关联程度超过第一阈值和/或所述消费能力级别超过第二阈值。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，基于所述预测结果，获取待推送的推荐信息，包括：

基于所述预测结果，确定需要进行推送信息的目标用户；

基于所述目标用户的属性，从预设的多种推荐信息中筛选出不同的目标用户对应的推荐信息。

6.根据权利要求5所述的方法，其特征在于，通过如下任意一种推送方式推送所述推荐信息：及时通信平台、短信、电话、邮件、页面弹窗、通知消息和站内信。

7.根据权利要求1所述的方法，其特征在于，在基于所述预测结果，确定待推送的推荐信息之后，所述方法还包括：

将所述推荐信息推送至对应的目标用户；

记录所述目标用户对所述推荐信息的操作行为；

基于所述目标用户对所述推荐信息的操作行为，反馈所述推荐信息的有效性。

8.一种用户数据的处理装置，其特征在于，包括：

获取模块，用于获取多个用户的用户数据，其中，所述用户数据至少包括：所述用户在不同网络平台上完成订单过程中产生的订单数据，所述订单数据包括如下至少之一：浏览产品的行为数据、购买产品的订单行为数据、支付数据；

预测模块，用于使用预测模型分析至少一个用户的用户数据，得到预测结果，其中，所述预测模型包括如下至少之一：用于预测用户消费能力的第一模型，用于预测用户与对应的网络平台关联程度的第二模型；

确定推荐模块，用于基于所述预测结果，确定待推送的推荐信息。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的用户数据的处理方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的用户数据的处理方法。

Images