CN113837727B - 事件提醒方法、装置、设备及介质 - Google Patents

Abstract

本申请实施例公开了一种事件提醒方法、装置、设备及介质。其中，本申请涉及人工智能技术，该方法包括：获取目标用户关于待处理的目标事件的属性信息集合，识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；获取第一目标属性信息的统计特征，根据第一目标属性信息的统计特征对第一目标属性信息进行分组处理，得到多个属性信息组；根据多个属性信息组内的属性信息，确定多个属性信息组中每个属性信息组的属性权重；根据多个属性信息组中每个属性信息组的属性权重，以及第二目标属性信息选择对目标用户进行提醒的目标提醒策略，采用目标提醒策略对目标用户进行催收。采用本申请，可提高提醒准确度。

Description

事件提醒方法、装置、设备及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种事件提醒方法、装置、设备及介质。

背景技术

随着人们生活节奏加快，用户每天需要处理的事件也随之增加，用于对待处理事件进行提醒的移动办公平台运用而生，被广泛用于金融、企业、教育机构、政府机关等领域场景，能够有效提升用户的事件处理效率。移动办公平台通常是对用户的待处理事件的期限进行实时监控，当时间达到待处理事件的期限时，对用户进行提醒，实践中发现，这种提醒方式的准确度比较低，容易导致待处理事件被延误。例如，当时间到达该待处理事件的期限时，如果该用户在上班途中等场景情况下，显然该用户无法对该待处理事件进行处理，因此，这时对该用户的提醒属于无效提醒；当该用户有时间或精力处理该事件时，又未对该用户进行及时提醒，造成待处理事件被延误。

发明内容

本申请实施例提供一种事件提醒方法、装置、设备及介质，提高提醒准确度。

第一方面，本申请实施例提供了一种事件提醒方法，该方法包括：

获取目标用户关于待处理的目标事件的属性信息集合；

从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；

根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

第二方面，本申请实施例提供了一种事件提醒装置，该装置包括:

获取模块，用于获取目标用户关于待处理的目标事件的属性信息集合；

识别模块，用于从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

分组模块，用于获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

确定模块，用于根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；

选择模块，用于根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

第三方面，本申请实施例提供了一种电子设备，该设备包括:处理器，适于实现一条或一条以上指令；以及，

计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如下步骤：

获取目标用户关于待处理的目标事件的属性信息集合；

从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；

根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

第四方面，本申请实施例提供了一种计算机可读存储介质，包括：所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如下步骤：

获取目标用户关于待处理的目标事件的属性信息集合；

从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；

根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

本申请中，通过获取目标用户关于待处理的目标事件的属性信息集合，从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。进一步，通过获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重，即将属性信息组内的多个变量映射为一个属性权重，也就是说，通过将大量属于连续变量的属性信息映射为少量的属性权重，可以大大减少需要处理的数据量，进而，可以节省电子设备的处理资源，可缩短对属性信息的处理时间，进而，提高对属性信息进行处理的效率。然后，结合所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理，可实现根据目标用户的实际情况，为目标用户定制(即选择)提醒策略，有利于提高提醒准确度。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种事件提醒方法的流程示意图；

图2是本申请实施例提供的一种事件提醒方法的流程示意图；

图3是本申请实施例提供的一种事件提醒装置的结构示意图；

图4是本申请另一实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例可以基于人工智能技术对相关的借款信息进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

请参见图1，是本申请实施例提供的一种事件提醒方法的流程示意图，本申请实施例由电子设备来执行，该电子设备可以是指服务器或终端设备，此处上述电子设备具体可以是一台独立的服务器、或由若干台服务器组成的服务器集群、或云计算中心、平板电脑、笔记本电脑、掌上电脑、智能音响、移动互联网设备(MID，mobile internet device)等等。其中，如图1所示，该事件提醒方法包括以下步骤S101～S105。

S101、获取目标用户关于待处理的目标事件的属性信息集合。

本申请中，电子设备可以获取目标用户关于待处理的目标事件的属性信息集合；例如，在金融贷款场景中，目标用户可以是指借款后未按期归还的用户，目标事件是指还贷款，属性信息集合包括该目标用户的多种属性信息，该多种属性信息包括目标用户的基本用户信息和借款信息，用户基本信息包括目标用户的住址、年龄、职业以及工作年限等等中的一项或多项，借款信息包括该目标用户的借款次数、每次的借款数量、已经还款数量等等中的一项或多项。

例如，在办公场景中，该目标用户可以是具有待处理的目标事件的工作人员，该目标事件可以是指工作内容，如发邮件、开会、审批材料、查看邮件等等，属性信息集合包括该目标用户的基本用户信息和工作信息，如用户基本信息包括目标用户的住址、年龄、职业以及工作年限、用户的位置信息等等中的一项或多项，工作信息包括该目标用户的工作时间、目标事件的期限、重要等级中的一项或多项。

S102、从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。

本申请中，该属性信息集合中通常包括属于连续变量的属性信息和属于离散变量的属性信息，属于连续变量的第一目标属性信息是指数据量大于数据量阈值，且数据类型为数值类型的属性信息。例如，在金融贷款场景中，属于连续变量的属性信息包括该目标用户每次的借款数量、已经还款数量等等中的一项或多项。属于离散变量的第二目标属性信息是指数据量小于或等于数据量阈值，或者，数据类型为非数值类型的属性信息，如属于离散变量的第二目标属性信息包括目标用户的借款次数、还款次数、住址、年龄、职业以及工作年限等等中的一项或多项。因此，电子设备可以根据属性信息的数据特征，从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；属性信息的数据特征包括如下的任一项或两项：数据类型、数据量。

可选的，步骤S102包括：获取所述属性信息集合中每种属性信息所包含的数据量，从所述属性信息集合筛选出数据量大于数据量阈值的属性信息，作为候选属性信息；获取所述候选属性信息的数据类型，将数据类型为数值类型的候选属性信息确定为属于连续变量的第一目标属性信息，将数据类型为非数值类型的候选属性信息确定为属于离散变量的第二目标属性信息，或者，将所述属性信息集合数据量小于或等于所述数据量阈值的属性信息，作为属于离散变量的第二目标属性信息。

电子设备可以根据属性信息的数据量以及数据类型，来识别属性信息集合中属于连续变量的属性信息，以及属于离散变量的属性信息。具体的，电子设备可以将数据量大于数据量阈值，且数据类型为数值类型的属性信息作为属于连续变量的属性信息，将数据量小于数据量阈值，或数据类型非数值类型的属性信息作为属于离散变量的属性信息。数据量可以是指属性信息中所包括的变量的个数，每种属性信息中包括多个变量，数值类型的属性信息可以是指由数字所构成的属性信息，非数值类型的属性信息可以是指由文字、字母等所构成的属性信息。

S103、获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组。

电子设备可以获取该第一目标属性信息的统计特征，第一目标属性信息的统计特征包括变量变化率以及变量差值，变量变化率用于反映第一目标属性信息中的变量之间的变化快慢，变量差值用于反映第一目标属性信息中的最大变量与最小变量之间的差值。由于属于连续变量的属性信息的数据量比较大，因此，如果对属于连续变量的结了属性信息进行一一分析，需要占用电子设备大量时间资源以及电子设备的处理资源，因此，电子设备可以根据所述第一目标属性信息的统计特征确定对该第一目标属性信息进行分组的分组策略，采用分组策略对所述第一目标属性信息进行分组处理，得到多个属性信息组。通过对第一目标属性信息进行分组处理，可减少需要处理的数据量，进而，可以节省电子设备的处理资源，提高对属性信息进行处理的效率。

需要说明的是，分组策略包括等距分组策略和等频分组策略，等距分组策略是指：各个属性信息组内的最大变量与最小变量之间的差值相同或近似相同；等频分组策略是指：各个属性信息组内的变量数量相同或近似相同。

S104、根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重。

本申请中，电子设备可以根据该多个属性信息组内的属性信息(即变量)，确定该多个属性信息组中每个属性信息组的属性权重；也就是说，将各个属性信息组内的多个变量映射得到一个变量(即属性权重)，这样可以大大减少需要处理的数据量，进而，可以节省电子设备的处理资源，提高对属性信息进行处理的效率。

可选的，上述S104包括：获取各个属性信息组内的属性信息(即变量)之间的总和，将该总和作为各个属性信息组的属性权重。例如，属性信息为借款数量，某一属性信息组为[2,3,6,8,5]，该属性信息分组内的属性信息之间的总和为24，因此，可以将12确定为属性信息组的属性权重。

可选的，上述S104包括：电子设备可以获取各个属性信息组内的属性信息(即变量)之间的总和，以及各个属性信息组内的变量数量；根据各个属性信息组内的变量数量与各个属性信息组内的属性信息(即变量)之间的总和，确定各个属性信息组的属性信息的平均值，将该平均值确定为各个属性信息组的属性权重。例如，属性信息为借款数量，某一属性信息组为[2,3,6,8,5]，该属性信息分组内的属性信息之间的总和为24，该属性信息分组内的变量数量为5，因此，该属性信息分组的属性信息的平均值为4.8，可以将4.8确定为属性信息组的属性权重。

可选的，上述S104包括：电子设备可以获取各个属性信息组内的最大变量和最小变量，根据该最大变量和最小变量确定各个属性信息组的属性权重，例如，可以将该最大变量或最小变量确定各个属性信息组的属性权重，或者，可以将该最大变量与最小变量之间的和确定各个属性信息组的属性权重。

S105、根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

本申请中，电子设备可以根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息确定目标用户的事件处理意图，例如，在金融贷款场景中，该事件处理意图用于反映目标用户的还款能力以及是否具有还款意愿；根据该目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。也就是说，对目标用户的实际情况进行分析，为目标用户选择合适的提醒策略，这样有利于提高提醒准确度，这样有利于提高催收效率。

例如，在办公场景中，该事件处理意图用于反映目标用户是否满足事件处理条件以及是否具有处理意愿；根据该目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。也就是说，对目标用户的实际情况进行分析，为目标用户选择合适的提醒策略，这样有利于提高提醒准确度。本申请中，通过获取目标用户关于待处理的目标事件的属性信息集合，从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。进一步，通过获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重，即将属性信息组内的多个变量映射为一个属性权重，也就是说，通过将大量属于连续变量的属性信息映射为少量的属性权重，可以大大减少需要处理的数据量，进而，可以节省电子设备的处理资源，可缩短对属性信息的处理时间，进而，提高对属性信息进行处理的效率。然后，结合所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理，可实现根据目标用户的实际情况，为目标用户定制(即选择)提醒策略，有利于提高提醒准确度。

请参见图2，是本申请实施例提供的另一种事件提醒方法的流程示意图，本申请实施例由电子设备来执行，该事件提醒方法包括以下步骤S201～S207。

S201、获取所述目标用户在第一时间段内的属性信息，以及时间滑动窗口。

S202、按照所述时间滑动窗口获取所述目标用户在第二时间段内的属性信息；所述第二时间段与所述第一时间段之间具有重叠的时间点。

S203、根据所述第一时间段内的属性信息和所述第二时间段内的属性信息生成所述目标用户关于待处理的目标事件的属性信息集合。

在步骤S201～S203中，电子设备可以获取目标用户在第一时间段内的属性信息，以及时间滑动窗口，然后，按照时间滑动窗口获取该目标用户在第二时间段内的属性信息，第一时间段与第二时间段之间具有重叠的时间点。例如，第一时间段为2016年的1-8月，时间滑动窗口为4个月，则第二时间段为2016年的4-12月，即第一时间段与第二时间段之间重叠的时间点为4-8月。进一步，可以根据该第一时间段内的属性信息和第二时间段内的属性信息生成该目标用户关于待处理的目标事件的属性信息集合。通过时间滑动窗口获取目标用户的属性信息，有利于确定目标用户在不同时时间段内的细微变化，为确定目标用户的提醒策略提供更多信息量，进而，提高提醒准确度。

S204、从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。

S205、获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组。

可选的，所述第一目标属性信息的统计特征包括变量变化率；步骤S205可包括：获取属于所述第一目标属性信息的每两个变量之间的差值，以及属于所述第一目标属性信息的变量数量；基于属于所述第一目标属性信息的每两个变量之间的差值和属于所述第一目标属性信息的变量数量，确定所述第一目标属性信息的变量变化率；若所述第一目标属性信息的变量变化率大于变化率阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；若所述第一目标属性信息的变量变化率小于或等于所述变化率阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

当统计特征包括第一目标属性信息的变量变化率，电子设备可以获取第一目标属性信息中每两个变量之间的差值以及第一目标属性信息中的变量数量；将每两个变量之间的差值的总和与变量数量之间的比值，作为第一目标属性信息的变化率。如果第一目标属性信息的变量变化率大于变化率阈值，表明第一目标属性信息的变量的分布比较分散；则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多组变量。如果第一目标属性信息的变量变化率小于或等于变化率阈值，表明第一目标属性信息的变量的分布比较聚集；则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多组变量。通过根据变量变化率对第一目标属性信息进行分组处理，可有效避免出现有些组的变量比较多，某些组的变量比较少的不均衡情况。

可选的，所述第一目标属性信息的统计特征包括变量差值，步骤S205可包括：从属于所述第一目标属性信息的变量中提取出最大变量和最小变量；将所述最大变量与所述最小变量之间的差值确定为变量差值；若所述变量差值大于差值阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；若所述变量差值小于或等于所述差值阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

在第一目标属性信息中的变量数量一定的情况下，变量差值越大，表明第一目标属性信息的变量分布比较分散，变量差值越小，表明第一目标属性信息的变量分布越聚集；因此，电子设备可以根据变量差值对第一目标属性信息的变量进行分组处理。具体的，电子设备可以从属于所述第一目标属性信息的变量中提取出最大变量和最小变量；将所述最大变量与所述最小变量之间的差值确定为变量差值。若所述变量差值大于差值阈值，表明第一目标属性信息的变量分布比较分散，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多组变量。若所述变量差值小于或等于所述差值阈值，表明第一目标属性信息的变量的分布比较聚集；则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多组变量。通过第一目标属性信息的变量差值对第一目标属性信息的变量进行分组处理，可有效避免出现有些组的变量比较多，某些组的变量比较少的不均衡情况。

可选的，所述采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：对所述第一目标属性信息的变量进行排序，得到排序后的变量；根据所述第一目标属性信息中的最大变量与最小变量之间的差值，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的最大变量与最小变量之间的差值位于差值范围内。

可选的，所述采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：对所述第一目标属性信息的变量进行排序，得到排序后的变量；根据所述第一目标属性信息的变量数量，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的变量数量相同。

S206、根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重。

S207、根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

可选的，所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息属于所述目标用户在多个时间段内的属性信息；上述步骤S207包括：采用目标意图识别模型对所述多个属性信息组中每个属性信息组的属性权重，以及第二目标属性信息进行差异识别，得到所述目标用户在所述多个时间段的属性差异；采用目标意图识别模型根据所述目标用户在所述多个时间段的属性差异对所述目标用户进行事件处理预测，得到所述目标用户的事件处理意图；根据所述目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略。

电子设备可以采用目标意图识别模型对该多个属性信息组中每个属性信息组的属性权重进行差异识别，得到属性权重差异信息，该属性权重差异信息用于反映第一目标属性信息的变化趋势，例如，该第一目标属性信息为借款数量，该属性权重差异信息用于反映目标用户的借款数量的变化趋势为增长趋势或下降趋势。然后，采用目标意图识别模型对目标用户在多个时间段内的第二目标属性信息进行差异识别，得到第二属性差异信息，第二属性差异信息用于反映第二目标属性信息在多个时间段内的变化趋势，例如，该第二目标属性信息为工作年限，第二属性差异信息用于反映目标用户的工作年限的变化趋势为增长趋势或未发生变化。进一步，将该属性权重差异信息和第二属性差异信息确定为该目标用户在多个时间段内的属性差异，该目标用户在多个时间段内的属性差异用于反映该目标用户的借款属性的变化趋势，该目标用户的属性信息的变化趋势在一定程度上可用于反映目标用户的还款能力以及该目标用户的还款意愿。因此，可以采用目标意图识别模型根据所述目标用户在所述多个时间段的属性差异对所述目标用户进行事件处理预测，得到所述目标用户的事件处理意图；根据所述目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略。通过根据目标用户的事件处理意图选择对该目标用户进行提醒的目标提醒策略，有利于为目标用户制定合适的提醒策略，提高提醒准确度。

例如，在金融贷款场景中，提醒策略包括电话催收(即电话提醒)、代理机构辅助催收(即代理机构辅助提醒)、向法院诉讼催收(即法院提醒)，如果目标用户的事件处理意图位于第一事件处理意图等级(事件处理意图极低)，表明目标用户还款意愿比较低，或不具备还款能力，可以选择向法院诉讼提醒策略作为该目标用户的目标提醒策略，以便法院可以对该目标用户的财产进行抵押等操作；如果目标用户的事件处理意图位于第二事件处理意图等级(事件处理意图中等)，表明目标用户具有一定的还款意愿和还款能力，可以选择代理机构辅助提醒策略作为该目标用户的目标提醒策略，以便可以通过代理机构及时追回借款；如果目标用户的事件处理意图位于第三事件处理意图等级(事件处理意图高)，表明目标用户具有还款意愿和还款能力，可以选择电话提醒策略作为该目标用户的目标提醒策略，这样可以确保催收效率的情况下，不需要外界辅助，可以降低催收成本。

例如，在办公场景中，提醒策略包括及时提醒(或强提醒)、延期提醒(或弱提醒)，如果目标用户的事件处理意图位于第一事件处理意图等级(事件处理意图极低)，表明目标用户不满足事件处理条件，或该目标用户处理该事件的意愿比较低，则可以采用延期提醒方式进行提醒，即在该目标用户的实际处理意图比较高时，才对该目标用户进行提醒。如果目标用户的事件处理意图位于第二事件处理意图等级(事件处理意图中等)，表明目标用户满足目标事件处理的条件，以及具有一定的事件处理意愿，可以采用及时提醒策略作为目标提醒策略，有利于目标用户对目标事件进行及时处理。如果目标用户的事件处理意图位于第三事件处理意图等级(事件处理意图高)，表明目标用户满足目标事件处理的条件，以及事件处理意愿比较高，可以采用及时提醒策略作为目标提醒策略，有利于目标用户对目标事件进行及时处理。强提醒可以是指多种提醒方式结合，如震动、弹屏、闪屏、声音中的多种，弱提醒是指一种不打扰目标用户的一种提醒方式，如弹屏。可选的，获取样本用户的样本属性信息集合，以及所述样本用户的标注事件处理意图；所述样本属性信息集合包括所述样本用户的多种属性信息；从所述样本属性信息集合中识别出属于连续变量的第一样本属性信息，以及属于离散变量的第二样本属性信息。获取所述第一样本属性信息的统计特征，根据所述第一样本属性信息的统计特征对所述第一样本属性信息进行分组处理，得到多个样本属性信息组；根据所述多个样本属性信息组内的属性信息，确定所述多个样本属性信息组中每个属性信息组的属性权重；根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型。

电子设备可以获取样本用户的样本属性信息集合，以及所述样本用户的标注事件处理意图，样本用户可以是指在历史时间段内存在借款的用户，该样本用户的标注事件处理意图可以是指根据该样本用户的借款时间以及还款时间确定的，或者，该样本用户的标注事件处理意图可以是指根据该样本用户被催收的次数等确定的。进一步，根据每种属性信息中的数据量以及数据类型，从所述样本属性信息集合中识别出属于连续变量的第一样本属性信息，以及属于离散变量的第二样本属性信息。然后，获取所述第一样本属性信息的统计特征，根据所述第一样本属性信息的统计特征对所述第一样本属性信息进行分组处理，得到多个样本属性信息组；根据所述多个样本属性信息组内的属性信息，确定所述多个样本属性信息组中每个属性信息组的属性权重；根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型。通过对所述第一样本属性信息进行分组处理，相当于对第一样本属性信息进行离散化处理，第二样本属性信息属于离散变量，因此，通过采用离散变量(即所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息)对候选意图识别模型进行调整，得到目标意图识别模型，有利于提高目标意图识别模型的鲁棒性和稳定性、以及运算效率。

可选的，所述根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型，包括：采用所述候选意图识别模型根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息对所述样本用户进行事件处理预测，得到所述样本用户的预测事件处理意图；根据所述预测事件处理意图和所述标注事件处理意图确定所述候选意图识别模型的意图预测误差；根据所述意图预测误差对所述候选意图识别模型进行调整，得到所述目标意图识别模型。

电子设备可以采用所述候选意图识别模型根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息对所述样本用户进行事件处理预测，得到所述样本用户的预测事件处理意图；如果该预测事件处理意图与标注事件处理意图相同或相似，表明候选意图识别模型的预测准确度比较高；如果该预测事件处理意图与标注事件处理意图差异比较大，表明候选意图识别模型的预测准确度比较低。因此，可根据所述预测事件处理意图和所述标注事件处理意图确定所述候选意图识别模型的意图预测误差；根据所述意图预测误差对所述候选意图识别模型进行调整，得到所述目标意图识别模型。通过对候选意图识别模型进行调整，有利于提高目标意图识别模型的准确度，以及稳定性。

例如，该意图预测误差大于误差阈值，表明该候选意图识别模型的准确度比较低，因此，可以根据该意图预测误差对该候选意图识别模型进行调整，得到目标意图识别模型；如果该意图预测误差小于或等于误差阈值，表明该候选意图识别模型的准确度比较高，可以将该候选意图识别模型作为目标意图识别模型。

需要说明的是，该目标意图识别模型可以是指基于直方图算法(LightGBM)的还款识别模型、基于预排序算法XGBoost的还款识别模型等等，其中，基于直方图算法(LightGBM)的还款识别模型有以下两个优点：(1)内存占用更小：直方图算法不仅不需要额外存储预排序的结果，而且可以只保存特征离散化后的值；(2)计算代价更小：预排序算法XGBoost每遍历一个特征值就需要计算一次分裂的增益，而直方图算法LightGBM不需要，直接降低时间成本。lightGBM在传统的GBDT算法上进行了优化，能够在不降低准确率的条件下加快GBDT模型的训练速度，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。lightGBM采用单边梯度采样Gradient-based One-Side Sampling(GOSS)：使用GOSS可以减少大量只具有小梯度的数据实例，这样在计算信息增益的时候只利用剩下的具有高梯度的数据就可以了，相比XGBoost遍历所有特征值节省了不少时间和空间上的开销。

本申请中，通过获取目标用户关于待处理的目标事件的属性信息集合，从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。进一步，通过获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重，即将属性信息组内的多个变量映射为一个属性权重，也就是说，通过将大量属于连续变量的属性信息映射为少量的属性权重，可以大大减少需要处理的数据量，进而，可以节省电子设备的处理资源，可缩短对属性信息的处理时间，进而，提高对属性信息进行处理的效率。然后，结合所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理，可实现根据目标用户的实际情况，为目标用户定制(即选择)提醒策略，有利于提高提醒准确度。

请参见图3，是本申请实施例提供的一种事件提醒装置的结构示意图，如图3所示，本实施例中事件提醒装置包括：获取模块301、识别模块302、分组模块303以及确定模块304、选择模块305以及调整模块306。

获取模块，用于获取目标用户关于待处理的目标事件的属性信息集合；

识别模块，用于从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

分组模块，用于获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

确定模块，用于根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；

选择模块，用于根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

可选的，所述获取模块获取目标用户关于待处理的目标事件的属性信息集合，包括：

获取所述目标用户在第一时间段内的属性信息，以及时间滑动窗口；

按照所述时间滑动窗口获取所述目标用户在第二时间段内的属性信息；所述第二时间段与所述第一时间段之间具有重叠的时间点；

根据所述第一时间段内的属性信息和所述第二时间段内的属性信息生成所述目标用户关于待处理的目标事件的属性信息集合。

可选的，识别模块从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息，包括：

获取所述属性信息集合中每种属性信息所包含的数据量；

从所述属性信息集合筛选出数据量大于数据量阈值的属性信息，作为候选属性信息；

获取所述候选属性信息的数据类型；

将数据类型为数值类型的候选属性信息确定为属于连续变量的第一目标属性信息；

将数据类型为非数值类型的候选属性信息确定为属于离散变量的第二目标属性信息，或者，将所述属性信息集合数据量小于或等于所述数据量阈值的属性信息，作为属于离散变量的第二目标属性信息。

可选的，所述第一目标属性信息的统计特征包括变量变化率；所述分组模块获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，包括：

获取属于所述第一目标属性信息的每两个变量之间的差值，以及属于所述第一目标属性信息的变量数量；

基于属于所述第一目标属性信息的每两个变量之间的差值和属于所述第一目标属性信息的变量数量，确定所述第一目标属性信息的变量变化率；

若所述第一目标属性信息的变量变化率大于变化率阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；

若所述第一目标属性信息的变量变化率小于或等于所述变化率阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

可选的，所述第一目标属性信息的统计特征包括变量差值，所述分组模块获取所述第一目标属性信息的统计特征，根据所述统计特征对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

从属于所述第一目标属性信息的变量中提取出最大变量和最小变量；

将所述最大变量与所述最小变量之间的差值确定为变量差值；

若所述变量差值大于差值阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；

若所述变量差值小于或等于所述差值阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

可选的，所述分组模块采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

对所述第一目标属性信息的变量进行排序，得到排序后的变量；

根据所述第一目标属性信息中的最大变量与最小变量之间的差值，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的最大变量与最小变量之间的差值位于差值范围内；

所述采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

对所述第一目标属性信息的变量进行排序，得到排序后的变量；

根据所述第一目标属性信息的变量数量，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的变量数量相同。

可选的，所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息属于所述目标用户在多个时间段内的属性信息；

所述选择模块根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，包括：

采用目标意图识别模型对所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息进行差异识别，得到所述目标用户在所述多个时间段的属性差异；

采用目标意图识别模型根据所述目标用户在所述多个时间段的属性差异对所述目标用户进行事件处理预测，得到所述目标用户的事件处理意图；

根据所述目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略。

可选的，调整模块，用于：获取样本用户的样本属性信息集合，以及所述样本用户的标注事件处理意图；所述样本属性信息集合包括所述样本用户的多种属性信息；

从所述样本属性信息集合中识别出属于连续变量的第一样本属性信息，以及属于离散变量的第二样本属性信息；

获取所述第一样本属性信息的统计特征，根据所述第一样本属性信息的统计特征对所述第一样本属性信息进行分组处理，得到多个样本属性信息组；

根据所述多个样本属性信息组内的属性信息，确定所述多个样本属性信息组中每个属性信息组的属性权重；

根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型。

可选的，所述调整模块根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型，包括：

采用所述候选意图识别模型根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息对所述样本用户进行事件处理预测，得到所述样本用户的预测事件处理意图；

根据所述预测事件处理意图和所述标注事件处理意图确定所述候选意图识别模型的意图预测误差；

根据所述意图预测误差对所述候选意图识别模型进行调整，得到所述目标意图识别模型。

本申请中，通过获取目标用户关于待处理的目标事件的属性信息集合，从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。进一步，通过获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重，即将属性信息组内的多个变量映射为一个属性权重，也就是说，通过将大量属于连续变量的属性信息映射为少量的属性权重，可以大大减少需要处理的数据量，进而，可以节省电子设备的处理资源，可缩短对属性信息的处理时间，进而，提高对属性信息进行处理的效率。然后，结合所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理，可实现根据目标用户的实际情况，为目标用户定制(即选择)提醒策略，有利于提高提醒准确度。

请参见图4，是本申请实施例提供的一种电子设备的结构示意图，如图4所示的本实施例中的电子设备可以包括：一个或多个处理器21；一个或多个输入装置22，一个或多个输出装置23和存储器24。上述处理器21、输入装置22、输出装置23和存储器24通过总线25连接。

所处理器21可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入装置22可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出装置23可以包括显示器(LCD等)、扬声器等，输出装置23可以输出校正处理后的数据表。

该存储器24可以包括只读存储器和随机存取存储器，并向处理器21提供指令和数据。存储器24的一部分还可以包括非易失性随机存取存储器，存储器24用于存储计算机程序，所述计算机程序包括程序指令，处理器21用于执行存储器24存储的程序指令，以用于执行一种事件提醒方法，即用于执行以下操作：

获取目标用户关于待处理的目标事件的属性信息集合；

从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；

根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

可选的，处理器21用于执行存储器24存储的程序指令，以用于执行获取目标用户关于待处理的目标事件的属性信息集合，包括：

获取所述目标用户在第一时间段内的属性信息，以及时间滑动窗口；

按照所述时间滑动窗口获取所述目标用户在第二时间段内的属性信息；所述第二时间段与所述第一时间段之间具有重叠的时间点；

根据所述第一时间段内的属性信息和所述第二时间段内的属性信息生成所述目标用户关于待处理的目标事件的属性信息集合。

可选的，处理器21用于执行存储器24存储的程序指令，以用于执行从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息，包括：

获取所述属性信息集合中每种属性信息所包含的数据量；

从所述属性信息集合筛选出数据量大于数据量阈值的属性信息，作为候选属性信息；

获取所述候选属性信息的数据类型；

将数据类型为数值类型的候选属性信息确定为属于连续变量的第一目标属性信息；

将数据类型为非数值类型的候选属性信息确定为属于离散变量的第二目标属性信息，或者，将所述属性信息集合数据量小于或等于所述数据量阈值的属性信息，作为属于离散变量的第二目标属性信息。

可选的，所述第一目标属性信息的统计特征包括变量变化率；所述处理器21用于执行存储器24存储的程序指令，以用于执行，获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，包括：

获取属于所述第一目标属性信息的每两个变量之间的差值，以及属于所述第一目标属性信息的变量数量；

基于属于所述第一目标属性信息的每两个变量之间的差值和属于所述第一目标属性信息的变量数量，确定所述第一目标属性信息的变量变化率；

若所述第一目标属性信息的变量变化率大于变化率阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；

若所述第一目标属性信息的变量变化率小于或等于所述变化率阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

可选的，所述第一目标属性信息的统计特征包括变量差值，所述获取所述第一目标属性信息的统计特征，处理器21用于执行存储器24存储的程序指令，以用于执行根据所述统计特征对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

从属于所述第一目标属性信息的变量中提取出最大变量和最小变量；

将所述最大变量与所述最小变量之间的差值确定为变量差值；

若所述变量差值大于差值阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；

若所述变量差值小于或等于所述差值阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

可选的，处理器21用于执行存储器24存储的程序指令，以用于执行采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

对所述第一目标属性信息的变量进行排序，得到排序后的变量；

根据所述第一目标属性信息中的最大变量与最小变量之间的差值，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的最大变量与最小变量之间的差值位于差值范围内；

所述采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

对所述第一目标属性信息的变量进行排序，得到排序后的变量；

根据所述第一目标属性信息的变量数量，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的变量数量相同。

可选的，所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息属于所述目标用户在多个时间段内的属性信息；

处理器21用于执行存储器24存储的程序指令，以用于执行根据所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，包括：

采用目标意图识别模型对所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息进行差异识别，得到所述目标用户在所述多个时间段的属性差异；

采用目标意图识别模型根据所述目标用户在所述多个时间段的属性差异对所述目标用户进行事件处理预测，得到所述目标用户的事件处理意图；

根据所述目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略。

可选的，处理器21用于执行存储器24存储的程序指令，以用于执行：

获取样本用户的样本属性信息集合，以及所述样本用户的标注事件处理意图；所述样本属性信息集合包括所述样本用户的多种属性信息；

从所述样本属性信息集合中识别出属于连续变量的第一样本属性信息，以及属于离散变量的第二样本属性信息；

获取所述第一样本属性信息的统计特征，根据所述第一样本属性信息的统计特征对所述第一样本属性信息进行分组处理，得到多个样本属性信息组；

根据所述多个样本属性信息组内的属性信息，确定所述多个样本属性信息组中每个属性信息组的属性权重；

根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型。

可选的，处理器21用于执行存储器24存储的程序指令，以用于执行根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型，包括：

采用所述候选意图识别模型根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息对所述样本用户进行事件处理预测，得到所述样本用户的预测事件处理意图；

根据所述预测事件处理意图和所述标注事件处理意图确定所述候选意图识别模型的意图预测误差；

根据所述意图预测误差对所述候选意图识别模型进行调整，得到所述目标意图识别模型。

本申请中，通过获取目标用户关于待处理的目标事件的属性信息集合，从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息。进一步，通过获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重，即将属性信息组内的多个变量映射为一个属性权重，也就是说，通过将大量属于连续变量的属性信息映射为少量的属性权重，可以大大减少需要处理的数据量，进而，可以节省电子设备的处理资源，可缩短对属性信息的处理时间，进而，提高对属性信息进行处理的效率，相当于提高提醒准确度。然后，结合所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理，可实现根据目标用户的实际情况，为目标用户定制(即选择)提醒策略，有利于提高提醒准确度。

本申请实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如图1及图2实施例中所示的事件提醒生成方法。

所述计算机可读存储介质可以是前述任一实施例所述的电子设备的内部存储单元，例如控制设备的硬盘或内存。所述计算机可读存储介质也可以是所述控制设备的外部存储设备，例如所述控制设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述计算机可读存储介质还可以既包括所述控制设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述控制设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

作为示例，上述计算机可读存储介质可被部署在一个计算机设备上执行，或者被部署位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的控制设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的控制设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例是示意性的，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。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种事件提醒方法，其特征在于，包括：

获取目标用户关于待处理的目标事件的属性信息集合；

从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息属于所述目标用户在多个时间段内的属性信息；

采用目标意图识别模型对所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息进行差异识别，得到所述目标用户在所述多个时间段的属性差异；

采用目标意图识别模型根据所述目标用户在所述多个时间段的属性差异对所述目标用户进行事件处理预测，得到所述目标用户的事件处理意图；

根据所述目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

2.根据权利要求1所述的方法，其特征在于，所述获取目标用户关于待处理的目标事件的属性信息集合，包括：

获取所述目标用户在第一时间段内的属性信息，以及时间滑动窗口；

按照所述时间滑动窗口获取所述目标用户在第二时间段内的属性信息；所述第二时间段与所述第一时间段之间具有重叠的时间点；

根据所述第一时间段内的属性信息和所述第二时间段内的属性信息生成所述目标用户关于待处理的目标事件的属性信息集合。

3.根据权利要求1所述的方法，其特征在于，所述第一目标属性信息的统计特征包括变量变化率；所述获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组，包括：

获取属于所述第一目标属性信息的每两个变量之间的差值，以及属于所述第一目标属性信息的变量数量；

基于属于所述第一目标属性信息的每两个变量之间的差值和属于所述第一目标属性信息的变量数量，确定所述第一目标属性信息的变量变化率；

若所述第一目标属性信息的变量变化率大于变化率阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；

若所述第一目标属性信息的变量变化率小于或等于所述变化率阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

4.根据权利要求1所述的方法，其特征在于，所述第一目标属性信息的统计特征包括变量差值，所述获取所述第一目标属性信息的统计特征，根据所述统计特征对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

从属于所述第一目标属性信息的变量中提取出最大变量和最小变量；

将所述最大变量与所述最小变量之间的差值确定为变量差值；

若所述变量差值大于差值阈值，则采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组；

若所述变量差值小于或等于所述差值阈值，则采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组。

5.根据权利要求3或4所述的方法，其特征在于，所述采用等距分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

对所述第一目标属性信息的变量进行排序，得到排序后的变量；

根据所述第一目标属性信息中的最大变量与最小变量之间的差值，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的最大变量与最小变量之间的差值位于差值范围内；

所述采用等频分组策略对所述第一目标属性信息的变量进行分组处理，得到多个属性信息组，包括：

对所述第一目标属性信息的变量进行排序，得到排序后的变量；

根据所述第一目标属性信息的变量数量，对所述排序后的变量进行分组，得到多个属性信息组；所述多个属性信息组中每组变量中的变量数量相同。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取样本用户的样本属性信息集合，以及所述样本用户的标注事件处理意图；所述样本属性信息集合包括所述样本用户的多种属性信息；

从所述样本属性信息集合中识别出属于连续变量的第一样本属性信息，以及属于离散变量的第二样本属性信息；

获取所述第一样本属性信息的统计特征，根据所述第一样本属性信息的统计特征对所述第一样本属性信息进行分组处理，得到多个样本属性信息组；

根据所述多个样本属性信息组内的属性信息，确定所述多个样本属性信息组中每个属性信息组的属性权重；

根据所述多个样本属性信息组中每个属性信息组的属性权重，以及所述第二样本属性信息、所述标注事件处理意图对候选意图识别模型进行调整，得到所述目标意图识别模型。

7.一种事件提醒装置，其特征在于，包括：

获取模块，用于获取目标用户关于待处理的目标事件的属性信息集合；

识别模块，用于从所述属性信息集合中识别出属于连续变量的第一目标属性信息，以及属于离散变量的第二目标属性信息；

分组模块，用于获取所述第一目标属性信息的统计特征，根据所述第一目标属性信息的统计特征对所述第一目标属性信息进行分组处理，得到多个属性信息组；

确定模块，用于根据所述多个属性信息组内的属性信息，确定所述多个属性信息组中每个属性信息组的属性权重；所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息属于所述目标用户在多个时间段内的属性信息；

选择模块，用于采用目标意图识别模型对所述多个属性信息组中每个属性信息组的属性权重，以及所述第二目标属性信息进行差异识别，得到所述目标用户在所述多个时间段的属性差异； 采用目标意图识别模型根据所述目标用户在所述多个时间段的属性差异对所述目标用户进行事件处理预测，得到所述目标用户的事件处理意图；根据所述目标用户的事件处理意图选择对所述目标用户进行提醒的目标提醒策略，采用所述目标提醒策略提醒所述目标用户对所述目标事件进行处理。

8.一种电子设备，其特征在于，包括：

处理器，适于实现一条或一条以上指令；以及，

计算机可读存储介质，所述计算机可读存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如权利要求1-6任一项所述的事件提醒方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如权利要求1-6任一项所述的事件提醒方法。