CN115423049A - 一种价值评价模型的训练方法、价值评价方法及电子设备 - Google Patents

Abstract

本申请提供一种价值评价模型的训练方法、价值评价方法及电子设备，涉及互联网技术领域。首先，电子设备基于样本用户的多维度特征，采用熵权法计算该多维度特征中的每种维度特征对应的权重，实现维度特征的自动赋权。之后，该电子设备可以基于每种维度特征对应的权重，以及该样本用户的多维度特征，对TOPSIS算法模型进行训练，得到价值评价模型，该价值评价模型可以输出用户的用户价值评价结果，实现用户价值的评价。并且，由于该价值评价模型中的每种维度特征对应的权重是基于客观数据计算得到的，而不是依赖人工经验设置的，从而可以保证确定的用户价值的可靠性，进而目标业务系统可以基于用户的用户价值准确地为该用户提供差异化服务。

Description

一种价值评价模型的训练方法、价值评价方法及电子设备

技术领域

本申请涉及互联网技术领域，尤其涉及一种价值评价模型的训练方法、价值评价方法及电子设备。

背景技术

通常情况下，新零售（new retailing）业务会根据用户的特征将用户分成不同的用户群，进而制定不同的产品推荐策略、不同的营销策略以及不同的服务策略来满足其差异化需求，充分发挥每个层级用户的价值，达成产品目标，并可以提高用户购物体验。

目前，为了实现对用户价值的评价，电子设备可以基于相关专家依赖自身经验设置的特征所对应的权重以及样本用户的特征数据，创建评分卡模型，以利用该评分卡模型评价用户价值。然而，由于评分卡模型中的特征对应的权重依赖人工经验，主观性较大，从而导致利用该评分卡模型确定的用户价值的可靠性较低，用户的差异化需求可能无法得到有效满足。

发明内容

有鉴于此，本申请提供了一种价值评价模型的训练方法、价值评价方法及电子设备，提高确定用户价值的可靠性。

第一方面，本申请提供一种价值评价模型的训练方法，该价值评价模型用于评价使用第一应用APP的用户的用户价值，该用户价值用于第一APP对应的业务系统对使用该第一APP的用户进行业务推荐。在创建该价值评价模型时，该电子设备可以获取该第一APP的n个用户中每个用户的多维度特征；其中，该n个用户中一个用户的多维度特征包括：对应用户的账户活跃度、用户消费忠诚度、用户消费能力、用户社交活跃度和用户风险程度中的至少两个。这里该n个用户为样本用户。

该电子设备可以根据该n个用户的多维度特征，采用熵权法计算多维度特征中的每种维度特征对应的第一权重，每个第一权重用于指示对应维度特征对用户价值的影响程度。

该电子设备可以根据该n个用户的多维度特征，结合该多维度特征中每种维度特征对应的第一权重，采用TOPSIS法得到该价值评价模型。

本申请中，电子设备通过利用样本用户的多维度特征以及熵权法计算该多维度特征中的每种维度特征对应的第一权重，实现维度特征的自动赋权，且维度特征对应的第一权重是基于客观数据计算得到的，而不是基于人工确定的，具有客观性，从而使得基于该维度特征对应的第一权重得到的价值评价模型可以更加准确地评价用户价值，保证用户价值评价的可靠性以及准确性，从而可以使业务系统可以更加准确地为用户提供差异化服务。

在一种可能的设计中，当得到价值评价模型之后，电子设备可以利用该价值评价模型评价任意用户的用户价值。具体的，该电子设备采集第一用户的多维度特征，该第一用户是使用该第一APP的任一个用户。该电子设备将该第一用户的多维度特征输入至该价值评价模型，并获取该价值评价模型输出的该第一用户的用户价值评价结果，实现用户价值的准确评价，从而使得该第一APP对应的业务系统可以更加准确地对该第一用户进行业务推荐。

在一种可能的实现方式中，上述多维度特征包括第一维度特征值，该第一维度特征值为该账户活跃度、该用户消费忠诚度、该用户消费能力、该用户社交活跃度或者该用户风险程度的任一维度的特征。

一种示例中，上述第一APP的n个用户中每个用户的多维度特征可以是该第一APP对应的业务系统提供的。

另一种示例中，上述第一APP的n个用户中每个用户的多维度特征可以是该电子设备计算得到的。具体的，该电子设备可以从该业务系统获取该n个用户中每个用户使用该第一APP的多种指标信息；其中，该多种指标信息与该第一维度特征值相关，用于确定该第一维度特征值。

该电子设备可以根据该n个用户的多种指标信息，采用该熵权法计算多个第二权重；其中，该多个第二权重与该多种指标信息一一对应，每个第二权重用于指示对应指标信息对该第一维度特征值的影响程度；

该电子设备可以根据该n个用户的多种指标信息，结合该多种指标信息中每种指标信息对应的第二权重，采用该TOPSIS法得到第一特征评价模型，该第一特征评价模型用于评价使用第一应用APP的用户的该第一维度特征值。

本申请中，电子设备通过利用样本用户的第一维度特征值对应的多种指标信息以及熵权法计算该多种指标信息中的每种指标信息对应的第而权重，实现维度特征中的指标的自动赋权，且指标对应的第二权重是基于客观数据计算得到的，而不是基于人工确定的，具有客观性，从而使得基于该第二权重得到的第一特征评价模型可以更加准确地评价用户的第一维度特征值。并且，通过创建第一特征评价模型可以实现第一维度特征值快速获取。

在一种可能的实现方式中，上述多种指标信息包括最近一次登录时间、预设时段内登录频次、访问第一预设类型商品的次数和最近一次访问该第一预设类型商品的时间中的至少一种，该第一维度特征值为该账户活跃度；或者，

该多种指标信息包括最近一次购买时间、预设时段内购买次数、购买的商品种类中的至少一种，该第一维度特征值为该用户消费忠诚度；或者，

该多种指标信息包括历史平均单次消费金额、单次最高消费金额和用户收入预测值、用户年龄预测值中的至少一种，该第一维度特征值为该用户消费能力；或者，

该多种指标信息包括月平均签到次数、预设时段内发帖数量、该预设时段内直播间登录次数和该预设时段内直播间发言次数中的至少一种，该第一维度特征值为该用户社交活跃度；或者，

该多种指标信息包括用户信誉等级、用户风险等级、预设时段内违规次数和预设时段内发生异常行为的次数中的至少一种，该第一维度特征值为该用户风险程度。

本申请中，不同维度特征对应不同指标信息，保证指标类型的丰富性，且存在部分指标信息不会受到季节性、商品特征、节假日事件、促销活动、用户生命周期、该用户为黄牛等因素的影响，可以保证用户价值评价的可靠性。

在一种可能的实现方式中，该电子设备可以利用第一特征评价模型确定用户的第一维度特征值。具体的，该电子设备可以采集第二用户使用该第一APP的多种指标信息，该第二用户是使用该第一APP的任一个用户。该电子设备可以将该第二用户的多种指标信息输入至该第一特征评价模型，并获取该第一特征评价模型输出的该第二用户的第一维度特征值，实现用户的第一维度特征值的快速准确获取。

在一种可能的实现方式中，在获取该第一APP的n个用户中每个用户的多维度特征之后，根据该n个用户的多维度特征，采用熵权法计算多个第一权重之前，电子设备可以对该多维度特征进行归一化处理，得到归一化后的多维度特征x_ij；其中，该x_ij为归一化后的该n个用户中第i个用户的多维度特征中的第j种维度特征的实际值，i在{1,2,……，n}中依次取值，j在{1,2,……，m}中依次取值，m为该多维度特征的维度数量，该归一化处理用于统一该多维度特征的度量衡。

相应的，电子设备在计算第一权重时，该电子设备可以根据归一化后的n个用户的多维度特征，采用该熵权法计算该多个第一权重。

本申请中，通过对样本用户的多维度特征进行归一化处理，实现多维度特征的度量衡的统一，使得维度特征之间具有可比性，从而可以保证第一权重计算的准确性。

示例性的，上述对多维度特征进行归一化处理的过程可以包括：

对于该多维度特征中的正向维度特征，该电子设备可以基于采用公式二十五：

，计算归一化后的该第i个用户的第j种维 度特征x_ij。其中，r_ij表示归一化前的第i个用户第j种维度特征。这里的第j种维度特征指示 正向维度特征，该正向维度特征的取值越大，越有利用提升用户价值。

对于该多维度特征中的负向维度特征，该电子设备可以基于采用公式二十六：

，计算归一化后的该第i个用户的第j种维度 特征x_ij。这里的第j种维度特征指示负向维度特征，该负向维度特征的取值越小，越有利用 提升用户价值。

其中，上述g为预设固定系数，其可以为接近1的值，比如，0.998或者0.999等。

本申请中，通过对多维度特征的正向维度特征和负向维度特征分别按照不同公式进行归一化，保证维度特征归一化的正确性，使得归一化的维度特征值处于0到1之间，从而使得不同维度特征之间存在可比性。

在一种可能的实现方式中，该根据归一化后的n个用户的多维度特征，采用该熵权法计算该多个第一权重，包括：

上述电子设备可以采用公式一：

公式一

计算该归一化后的n个用户的多维度特征中、第i个用户的第j种维度特征的比重 P_ij；其中，

；

该电子设备可以采用公式二：

公式二

计算该第j种维度特征的信息熵值e_j；其中，该公式二是香农信息熵公式，

；

该电子设备可以采用公式三：

公式三

计算该第一权重

。

本申请中，电子设备通过公式一、公式二和公式三实现各维度特征对应的第一权重的准确计算，实现维度特征的自动赋权。

在一种可能的实现方式中，在该获取该第一APP的n个用户中每个用户的多维度特征之后，该根据该n个用户的多维度特征，结合该多维度特征中每种维度特征对应的第一权重，采用TOPSIS法得到该价值评价模型之前，电子设备可以将该多维度特征转化为极大型特征；其中，该极大型特征所指示的数值越大，越有利于提升用户价值；用于计算该价值评价模型的该多维度特征是转为该极大型特征的多维度特征；

其中，该多维度特征包括以下三种特征中的至少一种：极小型特征、中间型特征和区间型特征；该极小型特征所指示的数值越小，越有利于提升用户价值；该中间型特征所指示的数值在一个中间值时，最有利于提升用户价值；该区间型特征所指示的数值在第一预设区间内时，最有利于提升用户价值。

本申请中，电子设备通过对多维度特征进行极大型特征的转化处理，实现维度特征的正向转化，使得用户价值的评价方向均是正向的，保证用户价值评价准确性。

在一种可能的实现方式中，将该多维度特征中的极小型特征转化为该极大型特征，包括：

上述电子设备可以采用公式四：

y_ij=Max¹-r_ij 公式四

将该多维度特征中的该极小型特征转化为该极大型特征；其中，该Max¹为该极小型特征的理论最大值，该r_ij为该n个用户中第i个用户的多维度特征中的第j种维度特征的实际值，该y_ij是该r_ij转化后的极大型特征，i在{1,2,……，n}中依次取值，j从{1,2,……，m}中取值，m为该多维度特征的维度数量；

其中，将该多维度特征中的中间型特征转化为该极大型特征，包括：

该电子设备可以采用公式五：

公式五

将该多维度特征中的该中间型特征转化为该极大型特征；其中，该|r_ij-r_best|为该r_ij与该r_best之间的差的绝对值，该max{|r_ij-r_best|}表示i在{1,2,……，n}中依次取值，该|r_ij-r_best|的最大值；

其中，将该多维度特征中的区间型特征转化为该极大型特征，包括：

该电子设备可以采用公式六：

公式六

将该多维度特征中的该区间型特征转化为该极大型特征；其中，该a为第一预设区间的下限值，该b为第一预设区间的上限值；

其中，该中间型特征或者该区间型特征的取值为该r_best时，最有利于提升用户价值。

本申请中，电子设备通过公式四、公式五和公式六实现将非极大型特征转化为极大型特征，实现极大型特征的成功转化。

在一种可能的实现方式中，在该将该多维度特征转化为极大型特征之后，上述电子设备可以对转为该极大型特征的多维度特征进行标准化处理，得到标准化后的多维度特征。其中，该标准化处理用于统一该多维度特征影响该用户价值的评价标准；用于计算该价值评价模型的该多维度特征是标准化后的多维度特征。

在本申请中，电子设备通过对多维度特征进行标准化处理，实现影响用户价值的评价标准的统一，从而保证用户价值评价的准确性。

在一种可能的实现方式中，该对转为该极大型特征的多维度特征进行标准化处理，得到标准化后的多维度特征，包括：

该电子设备可以采用公式七、公式八和公式九：

公式七

公式八

公式九

对该转为该极大型特征的多维度特征进行标准化处理，得到标准化后的多维度特征Z；

其中，该Y是转为该极大型特征的多维度特征组成的矩阵，z_ij是标准化后的该n个用户中第i个用户的多维度特征中的第j种维度特征的实际值，y_ij是转化后的极大型特征。这里的转化后的极大型特征y_ij表示通过上述公式转化得到的极大型特征以及多维度特征中原有极大型特征，也就是该多维度特征中的原有极大型特征也可以理解为转化后的极大型特征。该Z是标准化后的多维度特征组成的矩阵。

本申请中，电子设备可以通过上述公式七、公式八和公式九实现多维度特征的标准化处理。

在一种可能的实现方式中，上述根据该n个用户的多维度特征，结合该多维度特征中每种维度特征对应的第一权重，采用TOPSIS法得到该价值评价模型的过程可以包括：

上述电子设备根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第一差异值；其中，该n个第一差异值与该n个用户一一对应，每个第一差异值为一个用户的用户评价值与最优评价值之间的差异值；

该电子设备根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第二差异值；其中，该n个第二差异值与该n个用户一一对应，每个第二差异值为一个用户的用户评价值与最差评价值之间的差异值；

该电子设备基于该n个第一差异值和该n个第二差异值，得到该价值评价模型。

本申请中，通过将用户的用户价值的评价，也就是分类问题，转化为用户分别与最优评价值以及最差评价值之间的距离问题，从而可以根据距离准确地评价用户价值的高低。

在一种可能的实现方式中，在根据标准化后的多维度特征，以及每种维度特征对 应的第一权重，计算n个第一差异值之前，上述电子设备可以获取该标准化后的多维度特征 中，每个用户的多维度特征中特征值的最大值Z⁺和最小值Z^-；其中，

，

，

为

中的最大值；

，

，

为

中的 最小值。

相应的，上述根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第一差异值的过程可以包括：

采用公式十：

公式十

计算该n个用户中第i个用户的第一差异值

；其中，该W_j是第j种维度特征对应的 第一权重；

上述根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第二差异值的过程可以包括：

采用公式十一：

公式十一

计算该n个用户中第i个用户的第二差异值

。

本申请中，电子设备可以基于公式十计算样本用户中的每个用户与最优评价值之间的距离，并基于公式十一计算样本用户中的每个用户与最差评价值之间的距离。

在一种可能的实现方式中，上述基于该n个第一差异值和该n个第二差异值，得到该价值评价模型的过程可以包括：

该电子设备采用公式十二：

公式十二

计算得到该价值评价模型S_i。

本申请中，通过利用用户与最差评价值之间的距离以及用户与最优评价值之间的距离创建价值评价模型，使得电子设备可以利用该价值评价模型准确地确定用户价值是高还是低，实现用户价值的准确评价。

在一种可能的实现方式中，在上述将该第一用户的多维度特征输入至价值评价模型之前，电子设备可以将该第一用户的多维度特征转化为极大型特征；其中，该极大型特征所指示的数值越大，越有利于提升用户价值。

相应的，该电子设备将转为该极大型特征的该第一用户的多维度特征输入至该价值评价模型。

本申请中，电子设备通过先对第一用户的多维度特征进行极大型特征转化处理，之后，将转为该极大型特征的该第一用户的多维度特征输入至该价值评价模型，便于该价值评价模型评价该第一用户的用户价值。

在一种可能的实现方式中，电子设备在对第一用户的多维度特征进行极大型特征转化处理后，还可以对转为该极大型特征的该第一用户的多维度特征进行标准化处理，得到标准化后的该第一用户的多维度特征。

相应的，该电子设备将转为该标准化后的该第一用户的多维度特征输入至该价值评价模型。

本申请中，电子设备通过先对第一用户的多维度特征进行标准化处理，之后，将标准化后的该第一用户的多维度特征输入至该价值评价模型，便于该价值评价模型评价该第一用户的用户价值，保证用户价值评价的准确性。

在一种可能的实现方式中，在上述从该业务系统获取该n个用户中每个用户使用该第一APP的多种指标信息之后，根据该n个用户的多种指标信息，采用该熵权法计算多个第二权重之前，电子设备可以对该多种指标信息进行归一化处理，得到归一化后的多种指标信息c_uv；其中，该c_uv为归一化后的该n个用户中第u个用户的多种指标信息中的第v种指标信息的实际值，u在{1,2,……，n}中依次取值，v在{1,2,……，M}中依次取值，M为该多种指标信息的种类数量，该归一化处理用于统一该多种指标信息的度量衡；

相应的，该电子设备在计算第二权重时，该电子设备可以根据归一化后的n个用户的多种指标信息，采用该熵权法计算该多个第二权重。

本申请中，通过对样本用户的第一维度特征值对应的多种指标信息进行归一化处理，实现多种指标信息的度量衡的统一，使得指标之间具有可比性，从而可以保证第二权重计算的准确性。

在一种可能的实现方式中，上述根据归一化后的n个用户的多种指标信息，采用该熵权法计算该多个第二权重，包括：

采用公式十三：

公式十三

计算该归一化后的n个用户的多种指标信息中、第u个用户的第v种指标信息的比 重Q_uv；其中，

；

采用公式十四：

公式十四

计算该第v种指标信息的信息熵值e_v；其中，该公式十四是香农信息熵公式，

；

采用公式十五：

公式十五

计算该第二权重w_v。

本申请中，电子设备通过公式十三、公式十四和公式十五实现各指标信息对应的第而权重的准确计算，实现指标的自动赋权。

在一种可能的实现方式中，在该从该业务系统获取该n个用户中每个用户使用该第一APP的多种指标信息之后，该根据该n个用户的多种指标信息，结合该多种指标信息中每种指标信息对应的第二权重，采用该TOPSIS法得到第一特征评价模型之前，该方法还包括：

将该多种指标信息转化为极大型指标；其中，该极大型指标所指示的数值越大，越有利于提升第一维度特征值；用于计算该第一特征评价模型的该多种指标信息是转为该极大型指标的多种指标信息；

其中，该多种指标信息包括以下三种指标中的至少一种：极小型指标、中间型指标和区间型指标；该极小型指标所指示的数值越小，越有利于提升第一维度特征值；该中间型指标所指示的数值在一个中间值，最有利于提升第一维度特征值；该区间型指标所指示的数值在一定区间内，最有利于提升第一维度特征值。

本申请中，电子设备通过对第一维度特征值对应的多种指标信息进行极大型特征的转化处理，实现指标的正向转化，使得第一维度特征值的评价方向均是正向的，保证第一维度特征值评价准确性。

在一种可能的实现方式中，将该多种指标信息中的极小型指标转化为该极大型指标，包括：

采用公式十六：

f_uv=Max²-R_uv 公式十六

将该多种指标信息中的该极小型指标转化为该极大型指标；其中，该Max²为该极小型指标的理论最大值，该R_uv为该n个用户中第u个用户的多种指标信息中的第v种指标信息的实际值，该f_uv是该R_uv转化后的极大型指标，u在{1,2,……，n}中依次取值，v从{1,2,……，M}中取值，M为该多种指标信息的种类数量；

其中，将该多种指标信息中的中间型指标转化为该极大型指标，包括：

采用公式十七：

公式十七

将该多种指标信息中的该中间型指标转化为该极大型指标；其中，该|R_uv-R_best|为该R_uv与该R_best之间的差的绝对值，该max{|R_uv-R_best|}表示u在{1,2,……，n}中依次取值，该|R_uv-R_best|的最大值；

其中，将该多种指标信息中的区间型指标转化为该极大型指标，包括：

采用公式十八：

公式十八

将该多种指标信息中的该区间型指标转化为该极大型指标；其中，该A为第二预设区间的下限值，该B为第二预设区间的上限值；

其中，该中间型指标或者该区间型指标的取值为该R_best时，第一维度特征值最有利于提升用户价值。

本申请中，电子设备通过公式十六、公式十七和公式十八实现将非极大型指标转化为极大型指标，实现极大型指标的成功转化。

在一种可能的实现方式中，在该将该多种指标信息转化为极大型指标之后，上述电子设备可以对转为该极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息；

其中，该标准化处理用于统一该多种指标信息影响该第一维度特征值的评价标准；用于计算该第一特征评价模型的该多种指标信息是标准化后的多种指标信息。

在本申请中，电子设备通过对上述多种指标信息进行标准化处理，实现影响第一维度特征值的评价标准的统一，从而保证第一维度特征值评价的准确性。

在一种可能的实现方式中，上述对转为该极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息的过程可以包括：

该电子设备可以采用公式十九、公式二十和公式二十一：

公式十九

公式二十

公式二十一

对该转为该极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息H；

其中，该F是转为该极大型指标的多种指标信息组成的矩阵，h_uv是该f_uv标准化后的指标信息，该H是标准化后的多种指标信息组成的矩阵。

本申请中，电子设备可以通过上述公式十九、公式二十和公式二十一实现多种指标信息的标准化处理。

在一种可能的实现方式中，上述根据该n个用户的多种指标信息，结合该多种指标信息中每种指标信息对应的第二权重，采用该TOPSIS法得到第一特征评价模型的过程可以包括：

上述电子设备可以根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第三差异值；其中，该n个第三差异值与该n个用户一一对应，每个第三差异值为一个用户的第一维度特征值与最优特征值之间的差异值；

该电子设备可以根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第四差异值；其中，该n个第四差异值与该n个用户一一对应，每个第四差异值为一个用户的第一维度特征值与最差特征值之间的差异值；

该电子设备可以基于该n个第三差异值和该n个第四差异值，得到该第一特征评价模型。

本申请中，通过将用户的第一维度特征值的评价，转化为用户分别与最优特征值以及最差特征值之间的距离问题，从而可以根据距离准确地评价第一维度特征值的高低。

在一种可能的实现方式中，在该根据标准化后的多种指标信息，以及每种指标信 息对应的第二权重，计算n个第三差异值之前，电子设备可以获取该标准化后的多种指标信 息中，每个用户的多种指标信息中指标的最大值H⁺和最小值H^-；其中，

，

，

为

中的最大值；

，

，

为

中的最小值；h_nv表示标准化后的该n个用户中的第n个用户的第v种 指标信息。

相应的，上述根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第三差异值的过程可以包括：

采用公式二十二：

公式二十二

计算该n个用户中第u个用户的第三差异值

；其中，该w_v是第v种指标信息对应的 第二权重；

上述根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第四差异值的过程可以包括：

采用公式二十三：

公式二十三

计算该n个用户中第u个用户的第四差异值

。

本申请中，电子设备可以基于公式二十二计算样本用户中的每个用户与最优特征值之间的距离，并基于公式二十三计算样本用户中的每个用户与最差特征值之间的距离。

在一种可能的实现方式中，上述基于该n个第三差异值和该n个第四差异值，得到该第一特征评价模型的过程包括：

该电子设备采用公式二十四：

公式二十四

计算得到该第一特征评价模型s_u。

本申请中，通过利用用户与最差特征值之间的距离以及用户与最优特征值之间的距离创建第一特征评价模型，使得电子设备可以利用该第一特征评价模型准确地确定第一维度特征值是高还是低，实现第一维度特征值的准确评价。

在一种可能的实现方式中，在得到上述第二用户的多种指标信息之后，且将该第二用户的多种指标信息输入至上述第一特征评价模型之前，电子设备可以将该第二用户的多种指标信息转化为极大型指标；其中，该极大型指标所指示的数值越大，越有利用提升第一维度特征值；

相应的，电子设备可以将转为该极大型指标后的该第二用户的多种指标信息输入至第一特征评价模型，以确定该第二用户的第一维度特征值。

本申请中，电子设备对第二用户的多种指标信息进行极大型指标转化处理，实现指标信息的正向转化，便于第一特征评价模型评估第二用户的第一维度特征值。

在一种可能的实现方式中，上述电子设备在将该第二用户的多种指标信息转化为极大型指标后，可以继续对转为该极大型指标后的该第二用户的多种指标信息进行标准化处理，得到标准化后的该第二用户的多种指标信息。并且，该电子设备可以将该标准化后的该第二用户的多种指标信息输入至上述第一特征评价模型，以确定该第二用户的第一维度特征值。

本申请中，通过对第二用户的多种指标信息进行标准化处理，可以同一多种指标信息的评价标准，便于该第一特征评价模型基于标准化后的该第二用户的多种指标信息确定该第二用户的第一维度特征值，实现用户的第一维度特征值的准确确定。

第二方面，本申请提供一种价值评价方法，电子设备获取第一用户的用户数据，所述第一用户是使用第一APP的任一个用户；将所述第一用户的用户数据作为输入，运行上述价值评价模型，得到所述第一用户的用户价值评价结果；其中，所述用户价值评价结果用于所述第一APP对应的业务系统对所述第一用户进行业务推荐。

第三方面，本申请提供一种电子设备，所述电子设备包括显示屏、存储器和一个或多个处理器；所述显示屏、所述存储器和所述处理器耦合；所述显示屏用于显示所述处理器生成的图像，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述处理器执行所述计算机指令时，使得所述电子设备执行如上第一方面及其任一种可能的实现方式所述的方法。

第四方面，本申请提供一种电子设备，所述电子设备包括显示屏、存储器和一个或多个处理器；所述显示屏、所述存储器和所述处理器耦合；所述显示屏用于显示所述处理器生成的图像，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述处理器执行所述计算机指令时，使得所述电子设备执行如上第二方面所述的方法。

第五方面，本申请提供一种计算机可读存储介质，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如上第一方面及其任一种可能的实现方式所述的方法。

第六方面，本申请提供一种计算机可读存储介质，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如上第二方面所述的方法。

第七方面，本申请提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行如上第一方面及其任一种可能的实现方式所述的方法。

第八方面，本申请提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行如上第二方面所述的方法。

可以理解地，上述第二方面所述的价值评价方法，第三方面、第四方面所述的电子设备，第五方面、第六方面所述的计算机可读存储介质，第七方面、第八方面所述的计算机程序产品所能达到的有益效果，可参考第一方面及其任一种可能的实现方式中的有益效果，此处不再赘述。

附图说明

图1为本申请实施例提供的一种模型创建的流程示意图一；

图2为本申请实施例提供的一种用户价值评价的示意图；

图3为本申请实施例提供的一种模型创建以及使用的流程示意图一；

图4为本申请实施例提供的一种电子设备的结构示意图；

图5为本申请实施例提供的一种模型创建以及使用的流程示意图二；

图6为本申请实施例提供的一种模型创建的流程示意图二；

图7为本申请实施例提供的一种模型创建以及使用的流程示意图三。

具体实施方式

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

为了满足不同用户的差异化需求，电子设备需要评价用户的用户价值，也就是确定用户的等级，以使目标业务系统可以为不同等级的用户制定不同的产品推荐策略、营销策略、服务策略等，也就是为不同等级的用户提供差异化服务，提高用户的购物效率，从而可以提高用户体验。示例性的，该目标业务系统可以包括推荐系统、营销系统、客服系统、售后系统等。

在一些实施例中，电子设备在评价用户的用户价值时，可以利用评分卡模型评价用户的价值。具体的，如图1所示，首先，该电子设备可以获取训练样本用户的特征数据。之后，该电子设备对该训练样本用户的特征数据进行探索性数据分析（exploratory dataanalysis，EDA），得到训练样本用户的分析数据。该探索性数据分析主要过程包括对数据进行清洗，对数据进行描述，查看数据的分布，比较数据之间的关系，对数据进行总结等。

之后，该电子设备可以对该训练样本用户的分析数据进行预处理，得到预处理后的训练样本用户数据。例如，该预处理为去除该训练样本用户的分析数据中的异常数据（如存在空值等数据）。

之后，相关人员可以对预处理后的训练样本用户数据中的特征进行筛选，以去除与用户价值明显不相关的特征。电子设备从训练样本用户数据中去除筛选的特征对应的特征数据，得到筛选后的训练样本数据。

之后，电子设备可以利用该训练后的训练样本用户数据对逻辑回归（logisticregression，LR）模型进行训练，并利用验证样本用户数据对训练后的LR模型进行验证，以测试该训练后的LR模型的用户价值评价的准确率。当准确率较高时，表明可以结束训练，电子设备可以将该训练后的LR模型作为评分卡模型，该评分卡模型可以用于评估用户价值。

当该准确率较低时，该电子设备继续对该训练后的LR模型进行训练。

之后，该电子设备在获取到用户的特征数据时，表明需评价该用户的用户价值，则该电子设备可以将该用户的特征数据作为输入，运行该评分卡模型，并获取该评分卡模型输出的用户价值评估结果。该评分卡模型的复杂度较低，对于一些场景下（评估用户价值所利用的特征类型的数量较少），电子设备可以利用评分卡模型实现用户价值的快速评价。但由于该评分卡模型中的特征对应的权重是相关人员依赖自身经验设置的，主观性较大，使得利用该评分卡模型确定的用户价值的可靠性较低。并且当特征的类型数量较多时，需要人工一一为特征赋权，难度较大，导致利用该评分卡模型确定的用户价值的准确性较低，从而造成目标业务系统无法准确地为用户提供差异化服务，使得用户的差异化需求得不到满足，降低用户消费体验。

在另一些实施例中，电子设备在评价用户的用户价值时，可以利用RFM（recencyfrequency monetary）算法模型评价用户的价值。具体的，电子设备可以先获取使用指定应用（application，APP）的多个用户的三个维度下的消费特征。该三个维度分别为R（最近一次消费时间）、F（消费频率）和M（累计消费金额）。这里一个维度下的消费特征的数量为1个。

之后，该电子设备将该多个用户的三个维度下的消费特征输入至RFM算法模型中，该RFM算法模型基于该多个用户的三个维度下的消费特征，计算各个维度对应的消费特征的平均值。

之后，该RFM算法模型对于该多个用户中的每个用户，按照如图2所示的用户价值等级划分规则，依次将该用户的各个维度对应的消费特征与对应维度的消费特征的平均值进行比较，确定该用户的用户价值等级，实现用户价值的评价。

示例性的，如上述图2所示，上述RFM算法模型确定的用户价值等级可以包括重要价值客户、一般价值用户、重要发展用户、一般发展客户、重要保持客户、一般保持客户、重要挽留客户、一般挽留客户等。该RFM算法模型在确定用户价值等级时，核心原理是基于三个基本假设条件，用户最近一次消费事件离得越久就越有流失风险、用户的消费频率越高越忠诚、用户购买金额越高越有价值。然而，用户的消费事件（即用户的消费特征）容易受到季节性、商品特征、节假日事件、促销活动、用户生命周期、该用户为黄牛等因素的影响。因此，RMF算法模型在评价用户的用户价值时，容易受到季节性、商品特征、节假日事件、促销活动、用户生命周期、黄牛等因素的影响，从而导致RMF算法模型失效，进而造成用户价值的评价准确性较低。

为了提高RFM算法模型评价用户价值的准确性，可以优化RFM算法模型。如季节性、节假日事件本质上都与时间有关，因此，当用户的消费时间与季节性、节假日事件有关时，该RFM算法模型需要为消费特征打上时间标签，以表明该消费特征与季节性、节假日事件相关，使得RFM算法模型在评价用户的用户价值时，利用用户的不存在时间标签的消费特征和存在时间标签的消费特征共同评价用户的用户价值，导致利用该RFM算法模型评价用户价值的过程较为复杂，降低了用户价值的评价效率。并且，可以对RFM算法模型的维度下的消费特征进行细化，例如，由原先三个维度增加到5个维度，由原先一个消费特征增加到5个消费特征，以及由原先每种消费特征存在2种划分情况增加每种消费特征存在5种划分情况，总共存在5×5×5=125种划分情况。虽然可以在一定程度上降低季节性、节假日事件等要素的影响，但导致用户价值划分时的会出现的情况大大增加（例如，由图2所示的8种增加至125种），导致用户价值分类的难度增加了。

因此，为了降低用户价值的划分情况的数量，可以在该RFM算法模型增加聚类算法，该聚类算法用于对消费特征进行聚类。简单来说，该聚类算法可以将多个消费特征聚类为一个特征。虽然可以降低所需划分的数量，降低用户价值分类的难度，但会大大增加该RFM算法模型的复杂度，进而会降低通过RFM算法模型评价用户价值的效率。

因此，针对上述问题，本申请提出一种用于评价用户价值的价值评价模型。如图3所示，在创建该价值评价模型时，首先，第一APP对应的各个业务系统分别向电子设备发送其采集用户数据。

之后，该电子设备基于各个业务系统的用户数据确定样本用户在不同场景下的特征数据，每个场景对应的至少一个维度特征，实现用户的多维度特征的确定。

例如，该业务系统可以包括电商系统、社交系统和风控系统。该电子设备基于电商系统发送的用户的电商数据确定样本用户在电商场景下特征数据（或称为电商维度特征），也就是确定样本用户在电商场景下的维度特征（如账户活跃度、用户消费忠诚度和用户消费能力）。并且该电子设备基于社交系统发送的用户社交数据确定样本用户在社交场景下的特征数据（或称为社交维度特征），也就是确定样本用户在社交场景下的维度特征（如用户社交活跃度）。以及该电子设备基于风控系统发送的用户风控数据确定样本用户在风控场景下的特征数据（或称为风控维度特征），也就是确定样本用户在电商场景下的维度特征（如用户风险程度）。

其中，该账户活跃度通过用户在第一APP的访问频次体现。该用户消费忠诚度通过用户在第一APP的消费频次体验。该用户消费能力通过用户在第一APP的消费金额体现。该用户社交活跃度通过用户在第一APP的发帖、发言频次体验。该用户风险程度指示用户的风险情况，其可以通过用户在第一APP内发生不符合规范的行为的频次体现。

之后，该电子设备可以对于每个场景，基于样本用户在该场景下的维度特征以及熵权法，计算该场景下的维度特征所对应的第一权重。

之后，该电子设备基于该样本用户的多维度特征以及各个维度特征对应的第一权重，对优劣解距离（technique for order preference by similarity to an idealsolution，TOPSIS）算法模型进行离线训练，得到训练好的TOPSIS算法模型，该训练好的TOPSIS算法模型便为能够评价用户价值的价值评价模型。

之后，当需要评价第一APP的用户的用户价值时，该第一APP的各个业务系统可以向该电子设备发送对应业务系统中的全量用户的最新数据。

之后，该电子设备基于该全量用户的最新数据确定该全量用户中的各个用户的多维度特征，并将该全量用户中的各个用户的多维度特征输入至上述价值评价模型，以使该价值评价模型对全量用户中的各个用户的多维度特征进行离线分析，得到该各个用户的价值评价结果，实现用户价值的评价。

之后，该电子设备获取该价值评价模型输出的该各个用户的价值评价结果，并向目标业务系统推送该各个用户的价值评价结果，以使目标业务系统基于不同用户的价值评价结果为用户提供精准服务，满足用户的差异化需求，从而可以提高用户的购物体验。例如，如上述图3所示，该目标业务系统可以包括推荐系统、营销系统、客服系统和售后系统。

由于本申请是基于电商、社交和风控等场景下的维度特征创建价值评价模型的，考虑到用户的各种属性特征，降低季节性、商品特征、节假日事件、促销活动、用户生命周期、该黄牛等因素对用户价值评价的影响，可以有效避免价值评价模型失效，保证该价值评价模型确定用户价值的准确性。并且，各种维度特征对应的权重是基于熵权法以及样本用户的数据计算得到的，也就是基于客观数据计算得到的，而不是相关专家直接凭借自身经验设置的，从而可以提高维度特征对应的权重的准确性，进而可以提高价值评价模型的确定用户价值的可靠性以及准确性，使得目标业务系统可以基于用户的用户价值精准地为其提供差异化服务，提高用户的购物效率以及购物体验。

示例性的，上述电子设备可以是台式电脑、笔记本电脑、服务器等具备数据处理能力的设备。具体的，该电子设备可以为该第一APP对应的服务器。本申请实施例对该电子设备的具体形态不作特殊限制。

示例性的，图4示出了电子设备200的结构示意图。如图4所示，电子设备200可以包括处理器210，外部存储器接口220，内部存储器221，通用串行总线(universal serialbus，USB)接口230，充电管理模块211，电源管理模块212，电池213，天线1，天线2，移动通信模块240，无线通信模块250，音频模块270，扬声器270A，受话器270B，麦克风270C，耳机接口270D，传感器模块280，按键290，马达291，指示器292，摄像头293，显示屏294，以及用户标识模块(subscriber identification module，SIM)卡接口295等。

可以理解的是，本发明实施例示意的结构并不构成对电子设备200的具体限定。在本申请另一些实施例中，电子设备200可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器210可以包括一个或多个处理单元，例如：处理器210可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，存储器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

其中，控制器可以是电子设备200的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。

处理器210中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器210中的存储器为高速缓冲存储器。该存储器可以保存处理器210刚用过或循环使用的指令或数据。如果处理器210需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器210的等待时间，因而提高了系统的效率。

在一些实施例中，处理器210可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit，I2C)接口，集成电路内置音频(inter-integrated circuitsound，I2S)接口，脉冲编码调制(pulse code modulation，PCM)接口，通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口，移动产业处理器接口(mobile industry processor interface，MIPI)，通用输入输出(general-purposeinput/output，GPIO)接口，用户标识模块(subscriber identity module，SIM)接口，和/或通用串行总线(universal serial bus，USB)接口等。

可以理解的是，本发明实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对电子设备200的结构限定。在本申请另一些实施例中，电子设备200也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

充电管理模块211用于从充电器接收充电输入。其中，充电器可以是无线充电器，也可以是有线充电器。在一些有线充电的实施例中，充电管理模块211可以通过USB接口230接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块211可以通过电子设备200的无线充电线圈接收无线充电输入。充电管理模块211为电池213充电的同时，还可以通过电源管理模块212为电子设备供电。

电子设备200的无线通信功能可以通过天线1，天线2，移动通信模块240，无线通信模块250，调制解调处理器以及基带处理器等实现。

天线1和天线2用于发射和接收电磁波信号。电子设备200中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用，以提高天线的利用率。例如：可以将天线1复用为无线局域网的分集天线。在另外一些实施例中，天线可以和调谐开关结合使用。

移动通信模块240可以提供应用在电子设备200上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块240可以包括至少一个滤波器，开关，功率放大器，低噪声放大器(low noise amplifier，LNA)等。移动通信模块240可以由天线1接收电磁波，并对接收的电磁波进行滤波，放大等处理，传送至调制解调处理器进行解调。移动通信模块240还可以对经调制解调处理器调制后的信号放大，经天线1转为电磁波辐射出去。在一些实施例中，移动通信模块240的至少部分功能模块可以被设置于处理器210中。在一些实施例中，移动通信模块240的至少部分功能模块可以与处理器210的至少部分模块被设置在同一个器件中。

调制解调处理器可以包括调制器和解调器。其中，调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后，被传递给应用处理器。应用处理器通过音频设备(不限于扬声器270A，受话器270B等)输出声音信号，或通过显示屏294显示图像或视频。在一些实施例中，调制解调处理器可以是独立的器件。在另一些实施例中，调制解调处理器可以独立于处理器210，与移动通信模块240或其他功能模块设置在同一个器件中。

无线通信模块250可以提供应用在电子设备200上的包括无线局域网(wirelesslocal area networks，WLAN)(如无线保真(wireless fidelity，Wi-Fi)网络)，蓝牙(bluetooth，BT)，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。无线通信模块250可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块250经由天线2接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器210。无线通信模块250还可以从处理器210接收待发送的信号，对其进行调频，放大，经天线2转为电磁波辐射出去。

电子设备200通过GPU，显示屏294，以及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏294和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器210可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。

显示屏294用于显示图像，视频等。显示屏294包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，LCD)，有机发光二极管(organic light-emittingdiode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的，AMOLED)，柔性发光二极管(flex light-emittingdiode，FLED)，Miniled，MicroLed，Micro-oLed，量子点发光二极管(quantum dot lightemitting diodes，QLED)等。在一些实施例中，电子设备200可以包括1个或N个显示屏294，N为大于1的正整数。

电子设备200可以通过ISP，摄像头293，视频编解码器，GPU，显示屏294以及应用处理器等实现拍摄功能。

外部存储器接口220可以用于连接外部存储卡，例如Micro SD卡，实现扩展电子设备200的存储能力。

内部存储器221可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器210通过运行存储在内部存储器221的指令，从而执行电子设备200的各种功能应用以及数据处理。内部存储器221可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储电子设备200使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器221可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。

电子设备200可以通过音频模块270，扬声器270A，受话器270B，麦克风270C，耳机接口270D，以及应用处理器等实现音频功能。例如音乐播放，录音等。

按键290包括开机键，音量键等。按键290可以是机械按键。也可以是触摸式按键。

指示器292可以是指示灯，可以用于指示充电状态，电量变化，也可以用于指示消息，未接来电，通知等。

传感器模块280可以包括压力传感器，陀螺仪传感器，气压传感器，磁传感器，加速度传感器，距离传感器，接近光传感器，指纹传感器，温度传感器，触摸传感器，环境光传感器，骨传导传感器等。

电子设备为了实现对用户价值的评价，可以基于样本用户的多维度特征数据，训练得到能够确定的用户价值的价值评价结果的价值评价模型，以供该电子设备可以利用该价值评价模型，确定第一APP的用户的用户价值评价结果，也就是通过多维度对用户价值进行综合评价，提高用户价值评价的准确性。并且，在电子设备将该第一APP的用户的用户价值评价结果推送至该目标业务系统时，该目标业务系统可以基于该第一APP的用户的用户价值评价结果准确地为该第一APP的用户提供差异化服务，提高用户体验。

本申请实施例提供的价值评价模型的训练方法以及使用方法可以应用到用户分层、分类的场景中，也就是可以应用到需要结合用户特征对用户进行分层或分类的场景中。

下面结合两个实施例介绍价值评价模型的训练部分以及使用部分。其中，价值评价模型的训练部分可以通过实施例一介绍，该价值评价模型的使用部分可以通过实施例二介绍。

实施例一

本申请实施例提供一种价值评价模型的训练方法。在该实施例中，电子设备利用样本用户数据对评价模型（如TOPSIS）进行训练，得到训练好的价值评价模型。该价值评价模型能够准确地评价第一APP的用户的用户价值。具体的，该价值评价模型的训练方法可以分为两个阶段。该两个阶段分别为样本数据（如上述样本用户的多维度特征数据）准备阶段和样本数据训练模型阶段。其中，该样本数据准备阶段可以包括如图5所示的S101。该样本数据训练模型阶段可以包括如图5所示的S102-S103。

S101、电子设备获取第一APP的n个用户中每个用户的多维度特征。

示例性的，上述n为正整数。该n个用户中一个用户的多维度特征包括：对应用户的账户活跃度、用户消费忠诚度、用户消费能力、用户社交活跃度和用户风险程度中的至少两个。该n个用户可以为样本用户。

其中，上述样本用户的多维度特征可以通过以下两种实施方式中的任意一种实施方式确定。

在一种实施方式中，上述样本用户的多维度特征可以是该第一APP对应的业务系统直接提供的。具体的，该电子设备可以接收该第一APP对应的各个业务系统发送的对应场景下的维度特征，实现样本用户的多维度特征的快速获取。例如，该第一APP对应的业务系统包括电商系统、社交系统和风控系统。该电商系统向该电子设备发送电商场景下的维度特征（如上述账户活跃度、用户消费忠诚度、用户消费能力）。该社交系统可以向该电子设备发送社交场景下的维度特征（如上述用户社交活跃度）该风控系统可以向该电子设备发送风控场景下的维度特征（如上述用户风险程度）。

在另一种实施方式中，上述样本用户的多维度特征可以是该电子设备通过利用第一APP对应的各个业务系统提供的对应场景下的指标信息计算得到的。下面将以电子设备确定多维度特征中的第一维度特征值为例，介绍电子设备确定该样本用户的多维度特征的方法。该第一维度特征值可以为该账户活跃度、用户消费忠诚度、该用户消费能力、该用户社交活跃度或者该用户风险程度的任一维度的特征。

首先，该第一维度特征值对应的业务系统通过埋点采集使用该第一APP中的该业务系统对应的业务的各个用户的基础信息（如用户标识等）、行为数据（如用户点击了什么按钮、浏览了什么界面，浏览的界面是从什么界面跳转的）等信息。之后，该电商系统可以定时对各个用户的基础信息、行为数据进行聚类分析，得到各个用户的第一维度特征值对应的指标信息。

以上述第一维度特征值是账户活跃度为例。如图6所示，该账户活跃度对应的指标信息可以包括最近一次登录时间、预设时段内登录频次、访问第一预设类型商品的次数和最近一次访问第一预设类型商品的时间中的至少一种。相应的，该账户活跃度对应的业务系统为电商系统，该业务系统对应的业务为电商业务。该第一预设类型和预设时段均可以根据实际需求设置，该第一预设类型可以包括至少一种类型，该预设时段可以包括至少一个时段。例如，预设时段包括最近7天、最近30天。

以上述第一维度特征值是用户消费忠诚度为例。该用户消费忠诚度对应的指标信息可以包括最近一次购买时间、预设时段内购买次数、购买的商品种类中的至少一种。相应的，该用户消费忠诚度对应的业务系统可以为电商系统，该业务系统对应的业务为电商业务。

以上述第一维度特征值是用户消费能力为例。该用户消费能力对应的指标信息可以包括历史平均单次消费金额、单次最高消费金额和用户收入预测值、用户年龄预测值中的至少一种。相应的，该用户消费能力对应的业务系统可以为电商系统，该业务系统对应的业务为电商业务。

以上述第一维度特征值是用户社交活跃度为例。上述用户社交活跃度对应的指标信息可以包括月平均签到次数、预设时段内发帖数量、预设时段内直播间登录次数和预设时段内直播间发言次数中的至少一种。相应的，该用户社交活跃度对应的业务系统可以为社交系统，该业务系统对应的业务为社交业务。

以上述第一维度特征值是用户风险程度为例。该用户风险程度对应的指标信息可以包括多种指标信息包括用户信誉等级、用户风险等级、预设时段内违规次数和预设时段内发生异常行为的次数中的至少一种。相应的，该用户社交活跃度对应的业务系统可以为风控系统，该业务系统对应的业务为风控业务。

之后，上述第一维度特征值对应的业务系统向上述电子设备发送上述各个用户的第一维度特征值对应的指标信息。

之后，该电子设备接收该各个用户的第一维度特征值对应的指标信息，并基于该各个用户的第一维度特征值对应的指标信息确定样本用户的第一维度特征值对应的指标信息。

示例性的，该电子设备可以将该各个用户直接作为样本用户。或者当该各个用户对应的用户数量较多时，如第一维度特征值对应的业务系统发送的是该业务系统中的全量用户时，为了提高数据处理效率，也即为了提高价值评价模型的训练效率，该电子设备可以从该第一维度特征值对应的业务系统发送的所有用户中选取一定比例（如20%）的用户，并将选取的用户作为样本用户。

之后，对于该第一维度特征值对应的指标信息中的每种指标信息，上述电子设备基于熵权法以及样本用户的该第一维度特征值对应的指标信息，计算该种指标信息对应的第二权重，实现维度特征对应的指标所对应的权重的计算，而无需依赖相关人员的经验设置的，保证指标对应的权重的准确性。该种指标信息对应的第二权重指示对应指标信息对该第一维度特征值的影响程度，当指标信息对应的第二权重越高，该指标信息对第一维度特征值的影响程度越高。

之后，该电子设备基于该第一维度特征值对应的所有指标信息以及该所有指标信息中的各个指标信息对应的第二权重，采用第一TOPSIS算法模型，即对该第一TOPSIS算法模型进行离线训练，得到相应的第一特征评价模型。该第一特征评价模型可以用于确定使用该第一维度特征值对应的业务系统的用户的第一维度特征值。

需要说明的是，上述第一APP的数量可以为一个或多个。例如，多维度特征包括账户活跃度、用户消费忠诚度、用户消费能力、用户社交活跃度和用户风险程度。一方面，第一APP为综合类应用，其同时具备电商业务、社交业务以及风控业务，也就是一个第一APP对应的业务系统便包括电商系统、社交系统和风控系统。另一方面，该第一APP仅存在电商业务、社交业务以及风控业务中的一种或两种业务，例如，一种该第一APP仅存在电商业务、社交业务以及风控业务中的一种，因此，上述第一APP实际包括三种APP，分别为存在电商业务的APP（如商城等）、存在社交业务的APP（如直播APP）以及存在风控业务的APP，但这三种APP存在相同的用户，因此，电子设备可以将三种APP的用户数据（如上述多维度特征、指标信等）进行匹配，得到多个同一用户的数据。

在一些实施例中，由于第一维度特征值对应的所有指标信息中的各个指标信息对应的衡量单位可能不同，例如，第一维度特征值为用户消费忠诚度，用户消费忠诚度对应的指标信息包括最近一次购买时间、预设时间段内购买次数和购买的商品种类。该最近一次购买时间的衡量单位为时间单位，该预设时间段内购买次数的衡量单位为数量单位，该购买的商品中类为类型单位。因此，为了消除指标之间的量纲影响，使不同指标之间具有可比性，需要使用统一单位衡量评估各个指标信息，则上述电子设备在基于熵权法以及样本用户的该第一维度特征值对应的所有指标信息计算该所有指标信息中的每种指标信息对应的第二权重之前，该电子设备可以对该样本用户的第一维度特征值对应的所有指标信息进行归一化处理，得到该归一化后的样本用户的第一维度特征值对应的指标信息，以统一所有指标信息的度量衡。

其中，电子设备对样本用户的第一维度特征值对应的所有指标信息进行归一化处理的过程可以参考下文介绍的电子设备对样本用户的多维度特征进行归一化处理的过程，在此，先不对该电子设备对样本用户的第一维度特征值对应的所有指标信息进行归一化处理的过程进行阐述。

示例性的，上述指标信息可以包括指标名称对应的指标值。对于上述第一维度特征值对应的每种指标信息，上述电子设备基于熵权法以及样本用户的该第一维度特征值对应的指标信息，计算该种指标信息对应的第二权重的过程如下：

首先，该电子设备可以采用公式十三：

公式十三

计算上述样本用户中的第u个用户的第一维度特征值对应的第v种指标信息的比 重Q_uv；该c_uv为归一化后的该第u个用户的第一维度特征值对应的第v种指标值，该n为样本 用户的数量。其中，

。

之后，该电子设备可以采用公式十四：

公式十四

计算该第一维度特征值对应的第v种指标信息的信息熵值e_v；其中，该公式十四是 香农信息熵公式，

；

之后，该电子设备可以将第一维度特征值对应的第v种指标信息的信息熵值e_v转换为该第v种指标信息的熵权信息，得到该第v种指标信息，即该第v种指标名称对应的第二权重。具体的，该电子设备可以采用公式十五：

公式十五

计算该第一维度特征值对应的第v种指标信息对应的第二权重w_v。

上面介绍了基于归一化后的样本用户的第一维度特征值对应的指标信息确定该第一维度特征值对应的各个指标信息所对应的第二权重的过程，当然，该电子设备也可以直接利用该样本用户的第一维度特征值对应的指标信息，基于上述公式十三、公式十四和公式十五，确定该第一维度特征值对应的各个指标信息，只不过需要将上述公式十三、公式十四和公式十五中的归一化后的指标信息（如上述c_uv）替换为未进行归一化的指标信息。

在一些实施例中，由于第一维度特征值对应的所有指标信息中可能存在指标信息属于极小型指标，也可能存在指标信息属于中间型指标，也可能存在指标信息属于区间型指标。其中，该极小型指标指示的数值越小，越有利于提升第一维度特征值，也就越有利于提升用户价值。例如，预设时段内违规次数越小越好，预设时段内发生异常行为也是越小越好。

该中间型指标所指示的数值在一个中间值，最有利于提升第一维度特征值，也就是最利于提升用户价值。简单来说，人的PH值为7时最佳，该PH值便为中间型指标。

该区间型指标所指示的数值在一定区间内，最有利于提升第一维度特征值，也就是最利于提升用户价值。例如，预设时段内发帖数量、用户收入预测值偏高或偏低均不合适，当预设时段内发帖数量、用户收入预测值属于一个中间区间时，该预设时段内发帖数量、用户收入预测值便为最佳值。

考虑到一般评价人的价值时，一般都是正向评价，因此，上述电子设备在基于熵权法以及样本用户的该第一维度特征值对应的所有指标信息计算该所有指标信息中的每种指标信息对应的第二权重之前，该电子设备可以将该第一维度特征值对应的所有指标信息统一转化为极大型指标，该极大型指标指示的数值越大，该第一维度特征值的取值越有利于提升用户价值，实现指标的正向转化，从而便于用户价值的评估。

示例性的，上述样本用户的第一维度特征值对应的所有指标信息存在极小型指标。该电子设备可以将极小型指标转化为极大型指标。具体的，该电子设备可以采用公式十六：f_uv=Max²-R_uv，将该极小型指标转化为极大型指标。其中，该Max²为该极小型指标的理论最大值，该R_uv为该样本用户中的第u个用户的第一维度特征值对应的第v种指标信息的实际值（即第v种指标名称对应的指标值），该f_uv是该R_uv转化后的极大型指标，u在{1,2,……，n}中依次取值，v属于{1,2,……，M}中的值，M为第一维度特征值对应的所有指标信息的种类数据；这里第v种指标信息指示极小型指标。

上述样本用户的第一维度特征值对应的所有指标信息存在中间型指标。该电子设 备可以将中间型指标转化为极大型指标。具体的，该电子设备可以采用公式十七：

，将该中间型指标转化为极大型指标。其中，|R_uv-R_best|为该R_uv与该 R_best之间的差的绝对值，也就是表示第i个用户的第一维度特征值对应的第v种指标信息指 示的实际值与该第v种指标名称所对应的最佳值之间的差值的绝对值。该max{|R_uv-R_best|} 表示u在{1,2,……，n}中依次取值的过程中，该|R_uv-R_best|的最大值。这里的第v种指标信息 指示中间型指标。

上述样本用户的第一维度特征值对应的所有指标信息存在区间型指标。该电子设 备可以将区间型指标转化为极大型指标。具体的，该电子设备可以采用公式十八：

，将该区间型指标转化为极大型指标。其中，A为该第v 种指标信息对应的第二预设区间下限值，该B为该第v种指标信息对应的第二预设区间上限 值。这里第v种指标信息指示区间型指标。

其中，上述第v种指标信息指示的指标名称所对应的最佳值R_best表示当该第v种指标信息指示的指标值为该R_best时，最有利用提升该第一维度特征值。该R_best可以是相关人员预先设置的。

可以理解的是，上述该电子设备将该第一维度特征值对应的所有指标信息统一转化为极大型指标的过程可以在电子设备对该第一维度特征值对应的所有指标信息进行归一化处理之前进行。相应的，该电子设备先将该第一维度特征值对应的所有指标信息统一转化为极大型指标。之后，该电子设备将第一维度特征值对应的所有极大型指标进行归一化处理。该所有极大型指标可以包括转为极大型指标的指标信息以及该第一维度特征值对应的指标信息中的原有极大型指标信息。

在一些实施例中，当第一维度特征值对应的所有指标信息的数量为多个时，基于多个指标信息可能无法直接评价第一维度特征值的高低，也就无法评价用户价值的高低，例如，当第一维度特征值对应的用户信誉等级较高，预设时段内违规次数较多时，无法直接评价用户的用户风险程度是高还是低。因此，可以统一该第一维度特征值对应的多种指标信息影响该第一维度特征值的评价标准，从而便于第一维度特征值的评价。

示例性的，上述电子设备可以对上述样本用户的第一维度特征值对应的多种指标信息进行标准化处理，得到标准化后的该样本用户的第一维度特征值对应的多种指标信息。

在一些实现方式中，上述标准化处理可以是电子设备在将该第一维度特征值对应的多种指标信息转化为极大型指标之后进行的。例如，首先，电子设备将样本用户的第一维度特征值对应的多种指标信息转化为极大型指标，得到该样本用户的第一维度特征值对应的所有极大型指标。之后，该电子设备可以对该所有极大型指标进行标准化处理，得到标准化后的该样本用户的第一维度特征值对应的多种指标信息。之后，该电子设备基于标准化后的该样本用户的第一维度特征值对应的多种指标信息确定该第一维度特征值对应的第一特征评价模型。

具体的，该电子设备可以采用下面公式十九、公式二十和公式二十一对该转为极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息H；

公式十九

公式二十

公式二十一

其中，该F是转为极大型指标的多种指标信息组成的矩阵，例如，f_nM表示转为极大型指标的该样本用户中的第n个用户的第一维度特征值中的第M种指标信息。该h_uv是标准化后的f_uv，即该h_uv是标准化后的该样本用户中的第u个用户的第一维度特征值中的第v种指标信息。该H是标准化后的多种指标信息组成的矩阵。例如，h_nM表示标准化后的该样本用户中的第n个用户的第一维度特征值中的第M种指标信息。

在该实现方式中，上述电子设备可以基于标准化后的该样本用户的第一维度特征值对应的多种指标信息确定该第一维度特征值对应的第一特征评价模型。具体的，首先，该电子设备可以根据该标准化后的样本用户的第一维度特征值对应的多种指标信息，以及每种指标信息对应的第二权重，计算每个样本用户对应的第三差异值。该样本用户对应的第三差异值表示该样本用户的第一维度特征值与最优特征值之间的差异值，即该样本用户与该第一维度特征值对应的最优特征之间的距离。

以及，该电子设备可以根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算每个样本用户对应的第四差异值。其中，该样本用户对应的第四差异值表示该样本用户的第一维度特征值与最差特征值之间的差异值，即该样本用户与该第一维度特征值对应的最差特征之间的距离。

之后，该电子设备可以基于各个样本用户的第三差异值和第四差异值，得到该第一维度特征值对应的第一特征评价模型。

示例性的，上述电子设备可以根据该标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算每个样本用户对应的第三差异值以及第四差异值的过程可以包括：

首先，该电子设备可以获取所有样本用户的第一维度特征值对应的标准化后的多 个指标信息中的指标的最大值H⁺和最小值H^-；其中，

，

，

为

中的最大值，

表示标准化 后的该所有样本用户的第一维度特征值对应的第v种指标信息中的最大值。h_nv表示标准化 后的该样本用户中的第n个用户的第一维度特征值对应的第v种指标信息。

，

，

为

中的最小值，该

表示标准化后的该所有样本用户的第一维度特征 值对应的第v种指标信息中的最小值。

之后，该电子设备可以采用公式二十二：

计算该样本用户 中的第u个用户的第三差异值

；其中，该w_v是该第v种指标信息对应的第二权重。

以及，该电子设备可以采用公式二十三：

计算该样本用户 中的第u个用户的第四差异值

。

相应的，上述电子设备基于各个样本用户的第三差异值和第四差异值，得到该第 一维度特征值对应的第一特征评价模型的过程可以为：该电子设备采用公式二十四：

计算得到该第一维度特征值对应的第一特征评价模型s_u。该第一维度特征值 对应的第一特征评价模型可以用于确定使用该第一维度特征值对应的业务（即第一APP）的 用户的第一维度特征值。

需要说明的是，上述介绍的对第一维度特征值对应的指标信息进行标准化处理、极大型指标转化处理、归一化处理的执行顺序仅为一种示例，该归一化处理、极大型指标转化处理只需在电子设备计算第一维度特征值对应的所有指标信息中的每种指标信息对应的第二权重之前进行即可，以及该标准化处理仅需在电子设备确定该第一维度特征值对应的第一特征评价模型之前进行即可。且该标准化处理、极大型指标转化处理以及归一化处理均是可选执行过程，也即电子设备可以执行该标准化处理、极大型指标转化处理、归一化处理中的一个或多个处理过程。例如，该电子设备可以先对样本用户的第一维度特征值对应的多个指标信息（如所有指标信息）进行极大型指标转化处理，以实现指标的正向转化。

之后，该电子设备可以对该样本用户的第一维度特征值对应的所有极大型指标信息进行标准化，得到标准化后的样本用户的第一维度特征值对应的指标信息，以统一评价标准。

之后，该电子设备可以对该标准化后的样本用户的第一维度特征值对应的指标信息进行归一化，得到归一化后的样本用户的第一维度特征值对应的指标信息，以统一度量衡。

之后，该电子设备利用归一化后的样本用户的第一维度特征值对应的指标信息计算该多种指标信息中的各个指标信息对应的第二权重。

之后，该电子设备可以基于标准化后的样本用户的第一维度特征值对应的指标信息以及该各个指标信息对应的第二权重，计算该第一维度特征值对应的第一特征评价模型。

当然，该电子设备也可以不执行该标准化处理、极大型指标转化处理、归一化处理。只不过该电子设备执行该标准化处理、极大型指标转化处理、归一化处理，可以存在如上所述的对应处理过程的效果。

上面介绍了样本数据准备过程，下面将继续介绍利用样本数据训练得到价值评价模型的过程。

S102、该电子设备根据n个用户的多维度特征，采用熵权法计算多个第一权重。其中，多个第一权重与多维度特征一一对应，每个第一权重用于指示对应维度特征对用户价值评价结果的影响程度。

S103、该电子设备根据n个用户的多维度特征，结合多维度特征中每种维度特征对应的第一权重，采用优劣解距离法得到价值评价模型。

示例性的，该电子设备可以基于样本用户的多维度特征以及多维度特征中的各个维度特征对应的第一权重，对第二TOPSIS算法模型进行训练，得到训练后的TOPSIS算法模型，也即得到价值评价模型。

示例性的，维度特征对应的第一权重越大，该维度特征对用户价值评价结果的影响程度越大。该维度特征对应的第一权重越小，该维度特征对用户价值评价结果的影响程度越小。

其中，上述多维度特征中的各个维度特征对应的第一权重的确定过程与上述介绍的确定第一维度特征值（即维度特征）对应的各个指标信息对应的第二权重的过程类似。下面将继续介绍确定该各个维度特征对应的第一权重的过程。

在一些实施例，不同维度特征对应的衡量单位可能不同，为了消除维度特征之间的量纲影响，使不同维度特征之间具有可比性，需要使用统一单位衡量评估各个维度特征，则上述电子设备在基于熵权法计算各个维度特征对应的第一权重之前，该电子设备可以对该样本用户的多维度特征进行归一化处理，把指标的绝对值转化为相对值，得到该样本用户的归一化后的多维度特征，以统一所有维度特征的度量衡。

其中，电子设备在对样本用户的多维度特征进行归一化处理时，对于该多维度特 征中的正向维度特征，该电子设备可以基于采用公式二十五：

，计算归一化后的该样本用户中的第i个用 户的第j种维度特征，其中，x_ij表示归一化后的第i个用户第j种维度特征，r_ij表示归一化前 的第i个用户第j种维度特征。这里的第j种维度特征指示正向维度特征，该正向维度特征的 取值越大，越有利用提升用户价值。

对于该多维度特征中的负向维度特征，该电子设备可以基于采用公式二十六：

，计算归一化后的该样本用户中的第i个用 户的第j种维度特征，其中，x_ij表示归一化后的第i个用户第j种维度特征。这里的第j种维度 特征指示负向维度特征，该负向维度特征的取值越小，越有利用提升用户价值。

上述g为预设固定系数，其可以为接近1的值。比如，0.998或者0.999等。

相应的，该电子设备可以基于该样本用户的归一化的多维度特征，利用熵权法计算各个维度特征对应的第一权重。

示例性的，对于上述各个维度特征，该电子设备基于熵权法以及样本用户的该维度特征，计算该维度特征对应的第一权重的过程如下：

首先，该电子设备可以采用公式一：

，计算该样本用户中的第i个用户 的第j种维度特征的比重P_ij。其中，

。该第j种维度特征为该多维度特征中的一个 维度特征。x_ij表示归一化后的第i个用户第j种维度特征。

之后，该电子设备基于公式二：

，计算该第j种维度特征的信 息熵值e_j。其中，该公式二是香农信息熵公式，

。

之后，该电子设备可以公式三：

，计算该第j种维度特征对应的第 一权重

。

上面介绍了基于归一化后的样本用户的多维度特征确定该多维度特征中的各个维度特征对应的第一权重的过程，当然，该电子设备也可以直接利用该样本用户的多维度特征，基于上述公式一、公式二和公式三，确定该各个多维度特征，只不过需要将上述公式一中的归一化后的维度特征替换为未进行归一化的维度特征。

在一些实施例中，由于多维度特征可能存在维度特征属于极小型特征，也可能存在维度特征属于中间型特征，也可能存在维度特征属于区间型特征。其中，该极小型特征指示的数值越小，越有利于提升用户价值。该中间型特征所指示的数值在一个中间值时，最有利于提升用户价值。该区间型指标所指示的数值在一定区间内，最有利于提升用户价值。

考虑到一般评价人的价值时，一般都是正向评价，因此，上述电子设备在基于熵权法计算多个第一权重之前，该电子设备可以将该多维度特征统一转化为极大型特征，该极大型特所指示的数值越大，越有利于提升用户价值，实现特征的正向转化，从而便于用户价值的评估。相应的，基于熵权法计算维度特征对应的第一权重时所利用的维度特征可以是极大型特征。

示例性的，上述样本用户的多维度特征可以包括极小型特征。具体的，该电子设备可以采用公式四：y_ij=Max¹-r_ij，将极小型特征转化为极大型特征；该Max¹为该极小型特征的理论最大值，该r_ij为样本用户中第i个用户的多维度特征中的第j种维度特征的实际值，这里第j种维度特征为极小型特征。该y_ij是该x_ij转化后的极大型特征，i在{1,2,……，n}中依次取值，j从{1,2,……，m}中依次取值，m为该多维度特征的维度数量。例如，多维度特征包括账户活跃度、用户消费忠诚度、用户消费能力、用户社交活跃度和用户风险程度，则该m为5。这里第j种维度特征为极小型特征。

上述样本用户的多维度特征存在中间型特征。该电子设备可以将中间型特征转化 为极大型特征。具体的，电子设备可以采用公式五：

，将该多维度特征中 的中间型指标转化为极大型指标，其中，|r_ij-r_best|为r_ij与r_best之间的差的绝对值，也就是 表示第i个用户的第j种维度特征指示的实际值与该第j种维度特征所对应的最佳值之间的 差值的绝对值。max{|r_ij-r_best|}表示i在{1,2,……，n}中依次取值过程中，该|r_ij-r_best|的 最大值。这里第j种维度特征为中间型特征。

上述样本用户的多维度特征存在区间型特征。该电子设备可以将区间型特征转化 为极大型特征。具体的，电子设备可以采用公式六：

，将 上述多维度特征中的区间型特征转化为极大型特征；其中，a为该第j种维度特征对应的第 一预设区间的下限值，b为该第j种维度特征对应的第一预设区间的上限值；这里第j种维度 特征为区间型特征。

其中，当第j种维度特征为中间型特征或者区间型特征时，且该第j种维度特征的取值为r_best时，第j种维度特征的取值最有利于提升用户价值，也就是用户价值最高。

可以理解的是，上述该电子设备将该多维度特征统一转化为极大型特征的过程可以在电子设备对该多维度特征进行归一化处理之前进行。相应的，该电子设备先将该多维度特征统一转化为极大型特征。之后，该电子设备将多维度特征对应的所有极大型特征进行归一化处理。该所有极大型特征可以包括转化为极大型特征的维度特征以及该多维度特征对应的原有极大型特征。

在一些实施例中，考虑到综合利用多个维度特征可能无法直接评价用户价值的高低，例如，当用户对应的账户活跃度较高，用户消费能力较低，无法直接评价用户价值是高还是低。因此，可以统一该多维度特征影响该用户价值的评价标准，便于用户价值的评估。

示例性的，上述电子设备可以对上述样本用户的多维度特征进行标准化处理，得到该样本用户的标准化后的多维度特征。

在一些实现方式中，上述标准化处理可以是电子设备在将该多维度特征转化为极大型特征之后，且在确定价值评价模型之前进行的。例如，首先，电子设备可以将样本用户的多维度特征转化为极大型特征，得到该样本用户的该多维度特征对应的所有极大型特征。之后，该电子设备可以对该样本用户的所有极大型特征进行标准化处理，得到标准化后的该样本用户的多维度特征。之后，该电子设备基于标准化后的该样本用户的多维度特征，采用TOPSIS法得到价值评价模型。

具体的，该电子设备可以采用下面采用公式七、公式八和公式九对该样本用户的所有极大型特征进行标准化处理，得到标准化后的该样本用户的多维度特征Z；

公式七

公式八

公式九

其中，上述Y是转为极大型特征的多维度特征组成的矩阵。例如，y_nm表示样本用户中的第n个用户的指示极大型特征的第m维特征的实际值。z_ij是标准化后的y_ij，该Z是各个样本用户的标准化后的多维度特征组成的矩阵。

在该实现方式中，上述电子设备可以基于该样本用户的标准化后的多维度特征确定上述价值评价模型。具体的，首先，该电子设备可以根据标准化后的该样本用户的多维度特征，以及每种维度特征对应的第一权重，计算每个样本用户对应的第一差异值。该样本用户对应的第一差异值表示该样本用户的用户价值与最优评价值之间的差异值，即该样本用户与最优评价之间的距离。

以及，该电子设备可以根据该样本用户的标准化后的多维度特征，以及每种维度特征对应的第一权重，计算每个样本用户对应的第二差异值。其中，该样本用户对应的第二差异值表示该样本用户的第一维度特征值与最差评价值之间的差异值，即该样本用户与最差评价之间的距离。

之后，该电子设备可以基于各个样本用户的第一差异值和第二差异值，得到该价值评价模型。

示例性的，上述电子设备可以根据该样本用户的标准化后的多维度特征，以及每种维度特征对应的第一权重，计算每个样本用户的第一差异值以及第二差异值的过程可以包括：

首先，该电子设备可以获取所有样本用户的标准化后的多维度特征中，每个样本 用户的多维度特征中特征值的最大值Z⁺和最小值Z^-；其中，

，

，

为

中的最大值，

表示该所有样本 用户的标准化后的第j种维度特征中的最大值。

，

，

为

中的最小值，

表示该所有样本 用户的标准化后的第j种维度特征中的最小值。该Z_nj表示样本用户中的第n个用户的标准化 后的第j种维度特征指示的实际值。

之后，该电子设备可以采用公式十：

，计算该样本用户中 的第i个用户的第一差异值

。其中，该W_j是第j种维度特征对应的第一权重。该z_ij表示标 准化后的该第i个用户的第j种维度特征指示的实际值。

以及该电子设备可以采用公式十一：

，计算该样本用户中 的第i个用户的第二差异值

。

相应的，上述电子设备基于各个样本用户的第一差异值以及第二差异值，得到价 值评价模型的过程可以为：该电子设备采用公式十二：

计算得到该价值评价模型S_i。该价值评价模型可以用于确定用户的用户价值。

需要说明的是，上述介绍对多维度特征进行标准化处理、极大型特征转化处理、归一化处理的执行顺序仅为一种示例，该归一化处理、极大型特征转化处理只需在电子设备计算各维度特征对应的第一权重之前进行即可，以及该标准化处理仅需在电子设备确定价值评价模型之前进行即可。且该标准化处理、极大型特征转化处理以及归一化处理均是可选执行过程，也即电子设备可以执行该标准化处理、极大型特征转化处理、归一化处理中的一个或多个处理过程。例如，首先，该电子设备可以先对样本用户的多维度特征进行极大型特征转化处理，以实现特征的正向转化。

之后，该电子设备可以对该样本用户的所有极大型特征分别进行标准化，得到标准化后的该样本用户的多维度特征，以实现用户价值评价标准的统一。

之后，该电子设备可以对标准化后的该样本用户的多维度特征进行归一化处理，得到归一化后的该样本用户的多维度特征，以实现维度特征的度量衡的统一。

之后，该电子设备利用该归一化后的该样本用户的多维度特征计算该多维度特征中的各种维度特征对应的第一权重。

之后，该电子设备可以基于该标准化后的该样本用户的多维度特征以及该各种维度特征对应的第一权重，计算该价值评价模型。

当然，该电子设备也可以不执行该标准化处理、极大型特征转化处理、归一化处理。只不过该电子设备执行该标准化处理、极大型特征转化处理、归一化处理，可以存在如上所述的对应处理过程的效果。

在本申请实施例中，上述第一维度特征值对应的第一特征评价模型中的指标对应的第二权重是基于熵权法计算得到的，即是基于大量样本用户的该第一维度特征值对应的多种指标信息计算得到的，实现了指标的自动赋权，而不是依赖相关人员经验设置的，保证第二权重的客观性，从而可以保证在应用该第一特征评价模型确定用户的第一维度特征值时，可以保证确定的第一维度特征值的准确性以及可靠性。并且，该第一特征评价模型是通过样本用户的第一维度特征值对应的多种指标信息学习确定各种指标信息对应的权重的，实现了无监督学习。

同理，上述价值评价模型中的各维度特征对应的第一权重是基于熵权法计算得到的，即是基于大量样本用户的多维度特征计算得到的，实现了维度特征的自动赋权，而不是依赖相关人员经验设置的，保证了第一权重的客观性，从而可以保证在应用该价值评价模型评价用户价值时，可以保证用户价值的评价准确性以及可靠性。并且该价值评价模型评价用户价值过程较为简单，计算量较小，因此，该价值评价模型的复杂度较低，从而可以提高应用该价值评价模型评价用户价值的效率，实现用户价值的快速评价。并且，该价值评价模型是通过样本用户的多维度特征学习确定各种维度特征对应的权重的，实现了无监督学习。

下面将结合图7，介绍本申请提供的一种可能的价值评价模型创建和使用过程。该价值评价模型创建过程可以包括数据准备过程、数据处理过程、维度特征值计算过程和价值评价模型确定过程。

其中，数据准备过程具体为：首先，对于第一APP对应的各个业务系统，该业务系统获取该业务系统中的埋点数据。之后，该业务系统基于该业务系统对应的维度特征以及该维度特征对应的指标对该埋点数据进行离线聚合，得到用户的该维度特征对应的指标信息。之后，该业务系统从该用户的该维度特征对应的指标信息中选取连续预设天数的数据，得到样本用户的该维度特征对应的指标信息，也即得到训练样本数据。该连续预设天数N1至少包括该业务系统对应的商品的销售周期。例如，第一APP为商城，该商城主要销售手机，新型号的手机上线天数为M1天，上线后的促销天数为K1天，N＞M1＞K1。换言之，该连续预设天数至少包括新型号的产品上线天数对应的日期，该上线天数对应的日期为在从一个新产品上线后，截止到下一个新产品上线这段日期。

之后，该业务系统向电子设备发送该样本用户的该维度特征对应的指标信息，即发送训练样本数据。

接着，上述数据处理过程可以包括：首先，该电子设备对样本用户的各维度特征对应的指标信息进行极大型指标转化处理，得到该样本用户的各维度特征对应的所有极大型指标。

之后，该电子设备对该样本用户的各维度特征对应的所有极大型指标进行标准化处理，得到标准化后的样本用户的各维度特征对应的指标信息。

之后，该电子设备对该标准化后的用户的各维度特征对应的指标信息进行归一化处理，得到归一化后的样本用户的各维度特征对应的指标信息。

之后，对于每种维度特征，该电子设备基于归一化后的样本用户的该种维度特征对应的指标信息，计算该种维度特征对应的各指标信息所对应的第二权重。

接着，上述维度特征值计算过程可以包括：该电子设备基于该种维度特征对应的各指标信息所对应的第二权重以及标准化后的样本用户的该种维度特征对应的指标信息，结合熵权法以及优劣解距离法，确定该种维度特征对应的特征评价模型，即确定该种维度特征对应的维度特征值，实现相应场景下的维度特征值的评价。

接着，上述价值评价模型确定过程可以包括：该电子设备可以基于各场景下的维度特征值，结合熵权法以及优劣解距离法，确定价值评价模型，该价值评价模型可以用于评价用户价值。

之后，电子设备便可以使用价值评价模型确定业务系统中的全量用户的用户价值，以使目标业务系统可以基于该全量用户中的各个用户的用户价值进行分层业务推荐，例如，推荐产品。

在一些实施例中，上述业务系统在得到样本用户的维度特征对应的指标信息后，相关人员或者该业务系统基于相关筛选规则，可以对维度特征对应的指标信息进行筛选，以去除不相关的指标，降低数据计算量。或者，该电子设备在得到样本用户的维度特征对应的指标信息后，相关人员或者该业务系统基于相关筛选规则，可以对维度特征对应的指标信息进行筛选。

在一些实施例中，电子设备在得到维度特征对应的各指标信息所对应的第二权重后，电子设备可以去除第二权重较小（如小于预设权重值）的指标，该第二权重较小的指标表明该指标与评价维度特征值的相关性较小，也就是与用户价值的评价相关性较小。

实施例二

本申请实施例提供一种价值评价方法。在得到上述价值评价模型后，上述电子设备可以利用该价值评价模型，确定第一APP的用户的用户价值，保证用户价值确定的准确性，从而在电子设备将该第一APP的用户的用户价值评价结果推送至目标业务系统后，该目标业务系统可以基于该第一APP的用户的用户价值评价结果准确地为该第一APP的用户提供差异化服务。具体的，该价值评价方法，即该价值评价模型的使用部分可以包括上述图5中的S104-S105。

S104、上述电子设备采集第一用户的多维度特征，该第一用户是使用第一APP的任一个用户。

在本申请实施例中，在电子设备训练得到上述价值评价模型后，该第一APP对应的业务系统可以定时向该电子设备发送该业务系统中的用户（即第一用户）的相关数据，以使该电子设备可以基于该价值评价模型确定该各个第一用户的用户价值。例如，该第一APP对应的业务系统为社交系统，该社交系统中的用户指示使用该社交系统对应的社交业务（如论坛、直播等业务）的用户。该社交系统每天早上8点向该电子设备发送的用户的最新相关数据。

在一种示例中，上述第一APP对应的业务系统发送的第一用户的相关数据可以直接包括该第一用户的多维度特征。也就是说，该第一用户的多维度特征是该第一APP对应的业务系统直接提供的，使得该电子设备可以直接利用该第一用户的多维度特征确定该第一用户的用户价值，实现用户价值的快速评价。

在另一种示例中，上述第一APP对应的业务系统发送的第一用户的相关数据可以包括第一用户的各种维度特征对应的指标信息。例如，该第一APP对应的业务系统包括电商系统、社交系统和风控系统。该电商系统向该电子设备发送该电商系统中的用户的账户活跃度对应的各种指标信息、用户消费忠诚度对应的各种指标信息以及用户消费能力对应的各种指标信息。这里的电商系统对应的APP便为上述第一APP。

该社交系统向该电子设备发送该社交系统中的用户的社交活跃度对应的各种指标信息。这里的社交系统对应的APP便为上述第一APP。该风控系统向该电子设备发送该风控系统中的用户的风险程度对应的各种指标信息。这里的风控系统对应的APP便为上述第一APP。

在该示例中，该电子设备在接收到用户（即上述第一用户）的各种维度特征对应的指标信息后，对于各种维度特征，该电子设备可以将该用户的该种维度特征对应的指标信息作为输入，运行该种维度特征对应的特征评价模型，得到该用户的该种维度特征对应的维度特征值，实现用户的多维度特征快速评价。例如，该种维度特征为第一维度特征。该电子设备将该用户的第一维度特征对应的各种指标信息输入至该第一维度特征对应的第一特征评价模型中，该第一特征评价模型基于该用户的第一维度特征对应的各种指标信息所对应的权重，计算用户的第一维度特征值，并输出该用户的第一维度特征值，以使电子设备可以获得该用户的第一维度特征值。

在一些实施例中，由于维度特征对应的所有指标信息中可能存在指标信息属于极小型指标，也可能存在指标信息属于中间型指标，也可能存在指标信息属于区间型指标，评价方向不统一。考虑到一般评价人的价值时，一般都是正向评价，因此，上述电子设备在将上述用户的各种维度特征对应的指标信息作为对应特征评价模型的输入之前，对于每种维度特征，该电子设备可以将该用户的该种维度特征对应的指标信息转化为极大型指标，得到该用户的该种维度特征对应的所有极大型指标。

其中，电子设备将该种维度特征对应的指标信息转化为极大型指标的过程与上述电子设备将第一维度特征值对应的指标信息转化为极大型指标的过程类型，在此，不再对其进行赘述。

在一些实施例中，该电子设备在得到该用户的该种维度特征对应的所有极大型指标信息后，可以将该用户的该种维度特征对应的所有极大型指标信息输入至该种维度特征对应的特征评价模型。

在一些实施例中，当维度特征对应的所有指标信息的数量为多个时，基于多个指标信息可能无法直接评价第一维度特征值的高低，也就无法评价用户价值的高低。因此，可以统一该维度特征对应的多种指标信息影响该维度特征的评价标准。相应的，该电子设备可以对该用户的该种维度特征对应的指标信息进行标准化处理，得到标准化后的该用户的该种维度特征对应的指标信息。

其中，电子设备对该用户的该种维度特征对应的指标信息进行标准化处理的过程与上述电子设备对样本用户的第一维度特征值对应的指标信息进行标准化处理的过程类型，在此，不再对其进行赘述。

在该实施例中，上述对该用户的该种维度特征对应的指标信息进行标准化处理的过程可以是电子设备在对将该用户的该种维度特征对应的指标信息转化为极大型指标之后进行的，也就是该电子设备对该用户的该种维度特征对应的所有极大型指标进行标准化处理。

在该实施例中，电子设备在得到标准化后的该用户的该种维度特征对应的指标信息后，该电子设备可以将该标准化后的该用户的该种维度特征对应的指标信息输入至该种维度特征对应的特征评价模型，以使该特征评价模型基于该标准化后的该用户的该种维度特征对应的指标信息以及该种维度特征对应的各种指标信息所对应的第二权重，计算该用户中的各个用户的第三差异值和第四差异值，并利用该各个用户的第三差异值和第四差异值计算该各个用户的该种维度特征对应的维度特征值。

需要说明的是，该电子设备对维度特征对应的指标信息执行的标准化处理、极大型指标转化处理的顺序与实施例一中对第一维度特征值对应的指标信息执行的标准化处理、极大型指标转化处理的顺序一致。并且在特征评价模型创建阶段如果执行了标准化处理，则在特征评价模型创建阶段也需要对维度特征对应的指标信息进行标准化处理。以及在特征评价模型创建阶段如果执行了极大型指标转化处理，则在特征评价模型创建阶段也需要对维度特征对应的指标信息进行极大型指标转化处理，即对指标信息的处理过程一致。

S105、该电子设备将该第一用户的多维度特征作为输入，运行上述价值评价模型，得到该第一用户的用户价值评价结果；其中，该用户价值评价结果用于目标业务系统对第一用户进行业务推荐。

示例性的，上述目标业务系统可以包括推荐系统、营销系统、客服系统和售后系统中的一个或多个。具体的，该目标业务系统可以为第一APP对应的业务系统。

在本申请实施例中，该电子设备在得到各个第一用户的多维度特征后，将该各个第一用户的多维度特征输入至该价值评价模型中，以使该价值评价模型可以基于各个第一用户的多维度特征，计算各个第一用户的第一差异值和第二差异值，并利用各个第一用户的第一差异值和第二差异值计算各个第一用户的用户价值，得到各个第一用户的价值评价结果。

在一些实施例中，上述价值评价结果可以包括用户价值指示的具体数值。例如，该 价值评价模型为

，电子设备通过将第一用户的第一差异值和第二差异值代入 至该价值评价模型中，可以计算得到一个数值，该数值便为该第一用户的用户价值。

在另一些实施例中，上述价值评级结果可以包括用户价值等级。例如，该价值评价模型在计算第一用户的用户价值后，确定该用户价值所属的预设价值范围，并将与该用户价值所属的预设价值范围对应的等级作为该第一用户的用户价值等级。

示例性的，上述用户价值等级可以为白金、白、灰和黑这四个等级中的一种。当然，相关人员也可以根据需求将用户价值等级划分为其它数量或类型的等级，本申请不对其限制。

在一些实施例中，该电子设备在得到第一用户的多维度特征之后，也可以对该多维度特征进行极大化特征转化处理和/或标准化处理。例如，电子设备可以对该第一用户的多维度特征进行极大化特征转化处理。之后，该电子设备可以对该第一用户的所有极大化特征进行标准化处理，得到标准化后的该第一用户的多维度特征。之后，该电子设备可以将该标准化后的该第一用户的多维度特征输入至上述价值评价模型中。

其中，电子设备对第一用户的多维度特征进行极大化特征转化处理的过程与上述实施例一介绍的电子设备对样本用户的多维度特征进行极大化特征转化处理的过程类似。以及电子设备对第一用户的多维度特征进行标准化处理的过程与上述实施例一介绍的电子设备对样本用户的多维度特征进行标准化处理的过程类似。

需要说明的是，该电子设备对该第一用户的多维度特征执行的标准化处理、极大型特征转化处理的顺序与实施例一中对样本用户的多维度特征执行的标准化处理、极大型特征转化处理的顺序一致。并且在价值评价模型创建阶段如果执行了标准化处理，则在价值评价模型创建阶段也需要对多维度特征进行标准化处理。以及在价值评价模型创建阶段如果执行了极大型特征转化处理，则在特征评价模型创建阶段也需要对维度特征对应的多维度特征进行极大型特征转化处理，即对多维度特征的处理过程一致。

在本申请实施例中，上述价值评价模型在评价用户的用户价值时，也就是在对用户进行分类时，确定该用户与最优评价之间的距离（即上述第一差异值）以及确定该用户与最差评价之间的距离（即上述第二差异值），该最优评价对应的用户价值最高，该最差评价对应的用户价值最低，因此，该价值评价模型可以基于用户的该第一差异值和该第二差异值客观地评价用户的用户价值，保证用户价值评价的可靠性以及准确性。

本申请实施例还提供一种计算机可读存储介质，该计算机存储介质包括计算机指令，当计算机指令在上述电子设备上运行时，使得该电子设备执行上述方法实施例中的各个功能或者步骤。

本申请实施例还提供一种计算机程序产品，包括计算机程序，当计算机程序在电子设备上运行时，使得电子设备执行上述方法实施例中的各个功能或者步骤。

通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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装置，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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，在本申请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，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例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个设备（可以是单片机，芯片等）或处理器（processor）执行本申请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、移动硬盘、只读存储器（read only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上内容，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，任何在本申请揭露的技术范围内的变化或替换，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所述权利要求的保护范围为准。

Claims (30)

1.一种价值评价模型的训练方法，其特征在于，所述价值评价模型用于评价使用第一应用APP的用户的用户价值，所述用户价值用于第一APP对应的业务系统对使用所述第一APP的用户进行业务推荐；所述方法包括：

获取所述第一APP的n个用户中每个用户的多维度特征；其中，所述n个用户中一个用户的多维度特征包括：对应用户的账户活跃度、用户消费忠诚度、用户消费能力、用户社交活跃度和用户风险程度中的至少两个；

根据所述n个用户的多维度特征，采用熵权法计算多个第一权重；其中，所述多个第一权重与所述多维度特征一一对应，每个第一权重用于指示对应维度特征对用户价值的影响程度；

根据所述n个用户的多维度特征，结合所述多维度特征中每种维度特征对应的第一权重，采用优劣解距离TOPSIS法得到所述价值评价模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采集第一用户的多维度特征，所述第一用户是使用所述第一APP的任一个用户；

将所述第一用户的多维度特征作为输入，运行所述价值评价模型，得到所述第一用户的用户价值评价结果；其中，所述用户价值评价结果用于所述第一APP对应的业务系统对所述第一用户进行业务推荐。

3.根据权利要求1或2所述的方法，其特征在于，所述多维度特征包括第一维度特征值，所述第一维度特征值为所述账户活跃度、所述用户消费忠诚度、所述用户消费能力、所述用户社交活跃度或者所述用户风险程度的任一维度的特征；

所述获取所述第一APP的n个用户中每个用户的多维度特征，包括：

从所述业务系统获取所述n个用户中每个用户使用所述第一APP的多种指标信息；其中，所述多种指标信息与所述第一维度特征值相关，用于确定所述第一维度特征值；

根据所述n个用户的多种指标信息，采用所述熵权法计算多个第二权重；其中，所述多个第二权重与所述多种指标信息一一对应，每个第二权重用于指示对应指标信息对所述第一维度特征值的影响程度；

根据所述n个用户的多种指标信息，结合所述多种指标信息中每种指标信息对应的第二权重，采用所述TOPSIS法得到第一特征评价模型，所述第一特征评价模型用于评价使用第一应用APP的用户的所述第一维度特征值。

4.根据权利要求3所述的方法，其特征在于，

所述多种指标信息包括最近一次登录时间、预设时段内登录频次、访问第一预设类型商品的次数和最近一次访问所述第一预设类型商品的时间中的至少一种，所述第一维度特征值为所述账户活跃度；或者，

所述多种指标信息包括最近一次购买时间、预设时段内购买次数、购买的商品种类中的至少一种，所述第一维度特征值为所述用户消费忠诚度；或者，

所述多种指标信息包括历史平均单次消费金额、单次最高消费金额和用户收入预测值、用户年龄预测值中的至少一种，所述第一维度特征值为所述用户消费能力；或者，

所述多种指标信息包括月平均签到次数、预设时段内发帖数量、所述预设时段内直播间登录次数和所述预设时段内直播间发言次数中的至少一种，所述第一维度特征值为所述用户社交活跃度；或者，

所述多种指标信息包括用户信誉等级、用户风险等级、预设时段内违规次数和预设时段内发生异常行为的次数中的至少一种，所述第一维度特征值为所述用户风险程度。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

采集第二用户使用所述第一APP的多种指标信息，所述第二用户是使用所述第一APP的任一个用户；

将所述第二用户的多种指标信息作为输入，运行所述第一特征评价模型，得到所述第二用户的第一维度特征值。

6.根据权利要求1所述的方法，其特征在于，在所述获取所述第一APP的n个用户中每个用户的多维度特征之后，所述根据所述n个用户的多维度特征，采用熵权法计算多个第一权重之前，所述方法还包括：

对所述多维度特征进行归一化处理，得到归一化后的多维度特征x_ij；其中，所述x_ij为归一化后的所述n个用户中第i个用户的多维度特征中的第j种维度特征的实际值，i在{1,2,……，n}中依次取值，j在{1,2,……，m}中依次取值，m为所述多维度特征的维度数量，所述归一化处理用于统一所述多维度特征的度量衡；

其中，所述根据所述n个用户的多维度特征，采用熵权法计算多个第一权重，包括：

根据归一化后的n个用户的多维度特征，采用所述熵权法计算所述多个第一权重。

7.根据权利要求6所述的方法，其特征在于，所述根据归一化后的n个用户的多维度特征，采用所述熵权法计算所述多个第一权重，包括：

采用公式一：

公式一

计算所述归一化后的n个用户的多维度特征中、第i个用户的第j种维度特征的比重P_ij； 其中，

；

采用公式二：

公式二

计算所述第j种维度特征的信息熵值e_j；其中，所述公式二是香农信息熵公式，

；

采用公式三：

公式三

计算所述第一权重

。

8.根据权利要求6或7所述的方法，其特征在于，在所述获取所述第一APP的n个用户中每个用户的多维度特征之后，所述根据所述n个用户的多维度特征，结合所述多维度特征中每种维度特征对应的第一权重，采用优劣解距离TOPSIS法得到所述价值评价模型之前，所述方法还包括：

将所述多维度特征转化为极大型特征；其中，所述极大型特征所指示的数值越大，越有利于提升用户价值；用于计算所述价值评价模型的所述多维度特征是转为所述极大型特征的多维度特征；

其中，所述多维度特征包括以下三种特征中的至少一种：极小型特征、中间型特征和区间型特征；所述极小型特征所指示的数值越小，越有利于提升用户价值；所述中间型特征所指示的数值在一个中间值时，最有利于提升用户价值；所述区间型特征所指示的数值在第一预设区间内时，最有利于提升用户价值。

9.根据权利要求8所述的方法，其特征在于，将所述多维度特征中的极小型特征转化为所述极大型特征，包括：

采用公式四：

y_ij=Max¹-r_ij 公式四

将所述多维度特征中的所述极小型特征转化为所述极大型特征；其中，所述Max¹为所述极小型特征的理论最大值，所述r_ij为所述n个用户中第i个用户的多维度特征中的第j种维度特征的实际值，所述y_ij是所述r_ij转化后的极大型特征，i在{1,2,……，n}中依次取值，j从{1,2,……，m}中取值，m为所述多维度特征的维度数量；

其中，将所述多维度特征中的中间型特征转化为所述极大型特征，包括：

采用公式五：

公式五

将所述多维度特征中的所述中间型特征转化为所述极大型特征；其中，所述|r_ij-r_best|为所述r_ij与所述r_best之间的差的绝对值，所述max{|r_ij-r_best|}表示i在{1,2,……，n}中依次取值，所述|r_ij-r_best|的最大值；

其中，将所述多维度特征中的区间型特征转化为所述极大型特征，包括：

采用公式六：

公式六

将所述多维度特征中的所述区间型特征转化为所述极大型特征；其中，所述a为第一预设区间的下限值，所述b为第一预设区间的上限值；

其中，所述中间型特征或者所述区间型特征的取值为所述r_best时，最有利于提升用户价值。

10.根据权利要求9所述的方法，其特征在于，在所述将所述多维度特征转化为极大型特征之后，所述方法还包括：

对转为所述极大型特征的多维度特征进行标准化处理，得到标准化后的多维度特征；

其中，所述标准化处理用于统一所述多维度特征影响所述用户价值的评价标准；用于计算所述价值评价模型的所述多维度特征是标准化后的多维度特征。

11.根据权利要求10所述的方法，其特征在于，所述对转为所述极大型特征的多维度特征进行标准化处理，得到标准化后的多维度特征，包括：

采用公式七、公式八和公式九：

公式七

公式八

公式九

对所述转为所述极大型特征的多维度特征进行标准化处理，得到标准化后的多维度特征Z；

其中，所述Y是指示极大型特征的多维度特征组成的矩阵，z_ij是标准化后的所述n个用户中第i个用户的多维度特征中的第j种维度特征的实际值，所述Z是标准化后的多维度特征组成的矩阵。

12.根据权利要求11所述的方法，其特征在于，所述根据所述n个用户的多维度特征，结合所述多维度特征中每种维度特征对应的第一权重，采用优劣解距离TOPSIS法得到所述价值评价模型，包括：

根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第一差异值；其中，所述n个第一差异值与所述n个用户一一对应，每个第一差异值为一个用户的用户评价值与最优评价值之间的差异值；

根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第二差异值；其中，所述n个第二差异值与所述n个用户一一对应，每个第二差异值为一个用户的用户评价值与最差评价值之间的差异值；

基于所述n个第一差异值和所述n个第二差异值，得到所述价值评价模型。

13.根据权利要求12所述的方法，其特征在于，在所述根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第一差异值之前，所述方法还包括：

获取所述标准化后的多维度特征中，每个用户的多维度特征中特征值的最大值Z⁺和最 小值Z^-；其中，

，

，

为

中的最大值；

，

，

为

中的最小值；

所述根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第一差异值，包括：

采用公式十：

公式十

计算所述n个用户中第i个用户的第一差异值

；其中，所述W_j是第j种维度特征对应的 第一权重；

所述根据标准化后的多维度特征，以及每种维度特征对应的第一权重，计算n个第二差异值，包括：

采用公式十一：

公式十一

计算所述n个用户中第i个用户的第二差异值

。

14.根据权利要求13所述的方法，其特征在于，所述基于所述n个第一差异值和所述n个第二差异值，得到所述价值评价模型，包括：

采用公式十二：

公式十二

计算得到所述价值评价模型S_i。

15.根据权利要求2所述的方法，其特征在于，在所述将所述第一用户的多维度特征作为输入，运行所述价值评价模型，得到所述第一用户的用户价值评价结果之前，所述方法还包括：

将所述第一用户的多维度特征转化为极大型特征；其中，所述极大型特征所指示的数值越大，越有利于提升用户价值；

其中，作为所述价值评价模型输入的是转为所述极大型特征的所述第一用户的多维度特征。

16.根据权利要求15所述的方法，其特征在于，所述方法还包括：

对转为所述极大型特征的所述第一用户的多维度特征进行标准化处理，得到标准化后的所述第一用户的多维度特征；

其中，作为所述价值评价模型输入的是标准化后的所述第一用户的多维度特征。

17.根据权利要求3所述的方法，其特征在于，在所述从所述业务系统获取所述n个用户中每个用户使用所述第一APP的多种指标信息之后，所述根据所述n个用户的多种指标信息，采用所述熵权法计算多个第二权重之前，所述方法还包括：

对所述多种指标信息进行归一化处理，得到归一化后的多种指标信息c_uv；其中，所述c_uv为归一化后的所述n个用户中第u个用户的多种指标信息中的第v种指标信息的实际值，u在{1,2,……，n}中依次取值，v在{1,2,……，M}中依次取值，M为所述多种指标信息的种类数量，所述归一化处理用于统一所述多种指标信息的度量衡；

其中，所述根据所述n个用户的多种指标信息，采用所述熵权法计算多个第二权重，包括：

根据归一化后的n个用户的多种指标信息，采用所述熵权法计算所述多个第二权重。

18.根据权利要求17所述的方法，其特征在于，所述根据归一化后的n个用户的多种指标信息，采用所述熵权法计算所述多个第二权重，包括：

采用公式十三：

公式十三

计算所述归一化后的n个用户的多种指标信息中、第u个用户的第v种指标信息的比重 Q_uv；其中，

；

采用公式十四：

公式十四

计算所述第v种指标信息的信息熵值e_v；其中，所述公式十四是香农信息熵公式，

；

采用公式十五：

公式十五

计算所述第二权重w_v。

19.根据权利要求17所述的方法，其特征在于，在所述从所述业务系统获取所述n个用户中每个用户使用所述第一APP的多种指标信息之后，所述根据所述n个用户的多种指标信息，结合所述多种指标信息中每种指标信息对应的第二权重，采用所述TOPSIS法得到第一特征评价模型之前，所述方法还包括：

将所述多种指标信息转化为极大型指标；其中，所述极大型指标所指示的数值越大，越有利于提升第一维度特征值；用于计算所述第一特征评价模型的所述多种指标信息是转为所述极大型指标的多种指标信息；

其中，所述多种指标信息包括以下三种指标中的至少一种：极小型指标、中间型指标和区间型指标；所述极小型指标所指示的数值越小，越有利于提升第一维度特征值；所述中间型指标所指示的数值在一个中间值，最有利于提升第一维度特征值；所述区间型指标所指示的数值在一定区间内，最有利于提升第一维度特征值。

20.根据权利要求19所述的方法，其特征在于，将所述多种指标信息中的极小型指标转化为所述极大型指标，包括：

采用公式十六：

f_uv=Max²-R_uv 公式十六

将所述多种指标信息中的所述极小型指标转化为所述极大型指标；其中，所述Max²为所述极小型指标的理论最大值，所述R_uv为所述n个用户中第u个用户的多种指标信息中的第v种指标信息的实际值，所述f_uv是所述R_uv转化后的极大型指标，u在{1,2,……，n}中依次取值，v从{1,2,……，M}中取值，M为所述多种指标信息的种类数量；

其中，将所述多种指标信息中的中间型指标转化为所述极大型指标，包括：

采用公式十七：

公式十七

将所述多种指标信息中的所述中间型指标转化为所述极大型指标；其中，所述|R_uv-R_best|为所述R_uv与所述R_best之间的差的绝对值，所述max{|R_uv-R_best|}表示u在{1,2,……，n}中依次取值，所述|R_uv-R_best|的最大值；

其中，将所述多种指标信息中的区间型指标转化为所述极大型指标，包括：

采用公式十八：

公式十八

将所述多种指标信息中的所述区间型指标转化为所述极大型指标；其中，所述A为第二预设区间的下限值，所述B为第二预设区间的上限值；

其中，所述中间型指标或者所述区间型指标的取值为所述R_best时，第一维度特征值最有利于提升用户价值。

21.根据权利要求20所述的方法，其特征在于，在所述将所述多种指标信息转化为极大型指标之后，所述方法还包括：

对转为所述极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息；

其中，所述标准化处理用于统一所述多种指标信息影响所述第一维度特征值的评价标准。

22.根据权利要求21所述的方法，其特征在于，所述对转为所述极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息，包括：

采用公式十九、公式二十和公式二十一：

公式十九

公式二十

公式二十一

对所述转为所述极大型指标的多种指标信息进行标准化处理，得到标准化后的多种指标信息H；

其中，所述F是转为所述极大型指标的多种指标信息组成的矩阵，h_uv是所述f_uv标准化后的指标信息，所述H是标准化后的多种指标信息组成的矩阵。

23.根据权利要求22所述的方法，其特征在于，所述根据所述n个用户的多种指标信息，结合所述多种指标信息中每种指标信息对应的第二权重，采用所述TOPSIS法得到第一特征评价模型，包括：

根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第三差异值；其中，所述n个第三差异值与所述n个用户一一对应，每个第三差异值为一个用户的第一维度特征值与最优特征值之间的差异值；

根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第四差异值；其中，所述n个第四差异值与所述n个用户一一对应，每个第四差异值为一个用户的第一维度特征值与最差特征值之间的差异值；

基于所述n个第三差异值和所述n个第四差异值，得到所述第一特征评价模型。

24.根据权利要求23所述的方法，其特征在于，在所述根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第三差异值之前，所述方法还包括：

获取所述标准化后的多种指标信息中，每个用户的多种指标信息中指标的最大值H⁺和 最小值H^-；其中，

，

，

为

中的最大值；

，

，

为

中的最小值；h_nv表示标准 化后的所述n个用户中的第n个用户的第v种指标信息；

所述根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第三差异值，包括：

采用公式二十二：

公式二十二

计算所述n个用户中第u个用户的第三差异值

；其中，所述w_v是第v种指标信息对应的 第二权重；

所述根据标准化后的多种指标信息，以及每种指标信息对应的第二权重，计算n个第四差异值，包括：

采用公式二十三：

公式二十三

计算所述n个用户中第u个用户的第四差异值

。

25.根据权利要求24所述的方法，其特征在于，所述基于所述n个第三差异值和所述n个第四差异值，得到所述第一特征评价模型，包括：

采用公式二十四：

公式二十四

计算得到所述第一特征评价模型s_u。

26.根据权利要求5所述的方法，其特征在于，在所述将所述第二用户的多种指标信息作为输入，运行所述第一特征评价模型，得到所述第二用户的第一维度特征值之前，所述方法还包括：

将所述第二用户的多种指标信息转化为极大型指标；其中，所述极大型指标所指示的数值越大，越有利用提升第一维度特征值；

其中，作为所述第一特征评价模型输入的是转为所述极大型指标后的所述第二用户的多种指标信息。

27.根据权利要求26所述的方法，其特征在于，所述方法还包括：

对转为所述极大型指标后的所述第二用户的多种指标信息进行标准化处理，得到标准化后的所述第二用户的多种指标信息；

其中，作为所述第一特征评价模型输入的是标准化后的所述第二用户的多种指标信息。

28.一种价值评价方法，其特征在于，包括：

获取第一用户的用户数据，所述第一用户是使用第一APP的任一个用户；

将所述第一用户的用户数据作为输入，运行权利要求1-27中任一项所述的价值评价模型，得到所述第一用户的用户价值评价结果；其中，所述用户价值评价结果用于所述第一APP对应的业务系统对所述第一用户进行业务推荐。

29.一种电子设备，其特征在于，所述电子设备包括显示屏、存储器和一个或多个处理器；所述显示屏、所述存储器和所述处理器耦合；所述显示屏用于显示所述处理器生成的图像，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述处理器执行所述计算机指令时，使得所述电子设备执行如权利要求1至27中任一项所述的价值评价模型的训练方法或者如权利要求28所述的价值评价方法。

30.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1至27中任一项所述的价值评价模型的训练方法或者如权利要求28所述的价值评价方法。

Images