用于实现事件用户维护的方法、装置和设备与流程

本公开涉及计算机技术，尤其是涉及一种用于实现事件用户维护的方法、用于实现事件用户维护的装置、存储介质以及电子设备。

背景技术：

在一些领域中，系统中某种事件的发生，往往需要被重视，即某种事件的发生通常具有较好的关注价值。例如，商机(即商业机会)即属于系统中具有一定关注价值的事件。一个更具体的例子，在房产领域中，房产经纪人可以通过将系统中的商机转化为带客户实地看房等行为，而最终实现房源的成交。

对系统中发生事件的用户(即事件用户)进行维护，通常对多方都有利。例如，在房产领域，对系统中的事件用户进行维护，有利于使事件用户获得更好的服务，有利于使房产经纪人有针对性的为事件用户提供服务，并有利于减少事件用户流失的现象，从而有利于提高用户执行转委托等目标行为的概率，并有利于提高系统的价值(如商机价值等)。如何有针对性的对系统中的事件用户进行维护，是一个值得关注的技术问题。

技术实现要素：

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种用于实现事件用户维护的方法、用于实现事件用户维护的装置、存储介质以及电子设备。

根据本公开实施例的一个方面，提供一种用于实现事件用户维护的方法，包括：将事件用户集合中的符合维护条件的事件用户作为待维护事件用户；其中的事件用户是指在执行预定事件操作之后的预定时间段内，未执行目标行为的用户；获取所述待维护事件用户的多个召回物料；根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，从所述多个召回物料中选取候选物料；将所述待维护事件用户的信息和所述候选物料的信息，提供给所述待维护事件用户的维护方。

在本公开一实施方式中，所述将事件用户集合中的符合维护条件的事件用户作为待维护事件用户，包括：对事件用户集合中的各事件用户分别进行流失率预测，并将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户；和/或，判断事件用户集合中的各事件用户的兴趣物料是否对应有变动信息，并将判断结果为对应有变动信息的事件用户，作为待维护事件用户。

在本公开又一实施方式中，所述对事件用户集合中的各事件用户分别进行流失率预测，并将预测出的流失率符合预定流失率条件的用户，作为待维护事件用户，包括：获取事件用户集合中的各事件用户的用户特征；将事件用户集合中的各事件用户的用户特征，分别作为输入，提供给流失率预测模型，经由所述流失率预测模型对输入的各用户特征分别进行流失率预测处理，根据所述流失率预测模型的输出，获得预测出的各事件用户的流失率；将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户。

在本公开再一实施方式中，所述获取事件用户集合中的各事件用户的用户特征，包括：针对事件用户集合中的任一事件用户，获取该事件用户的用户画像以及基于该事件用户在第一预定时间范围内的历史行为形成的行为特征；其中，所述用户画像和行为特征形成用户特征。

在本公开再一实施方式中，所述流失率预测模型的训练过程包括：从第一训练样本集合中获取多个用户特征样本；将所述多个用户特征样本分别作为输入，提供给待训练流失率预测模型，经由所述待训练流失率预测模型对输入的各用户特征样本分别进行流失率预测处理，根据所述待训练流失率预测模型的输出，获得预测出的各用户特征样本的流失率；根据所述预测出的各用户特征样本的流失率和各用户特征样本的流失标注信息，调整所述待训练流失率预测模型的模型参数；其中，所述用户特征样本的流失标注信息是根据用户特征样本所对应的用户在发生预定事件之后的第二预定时间范围内，是否存在历史行为设置的。

在本公开再一实施方式中，所述判断事件用户集合中的各事件用户的兴趣物料是否对应有变动信息，并将判断结果为对应有变动信息的事件用户，作为待维护事件用户，包括：针对事件用户集合中的任一事件用户，判断该事件用户的兴趣物料在至少一预定属性维度上是否对应有变动信息，若判断结果为该事件用户的兴趣物料在至少一预定属性维度上对应有变动信息，则将该事件用户作为待维护事件用户。

在本公开再一实施方式中，所述获取所述待维护事件用户的多个召回物料，包括：根据所述待维护事件用户的用户画像，获取所述待维护事件用户的多个召回物料；和/或，根据所述待维护事件用户的历史行为所对应的物料的至少一属性，获取所述待维护事件用户的多个召回物料。

在本公开再一实施方式中，所述根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，从所述多个召回物料中选取候选物料，包括：针对任一召回物料，根据该召回物料的物料标识、召回物料对应的变动信息以及召回物料的属性，形成该召回物料的物料特征。

在本公开再一实施方式中，所述根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，从所述多个召回物料中选取候选物料，包括：根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，预测所述待维护事件用户分别对各召回物料的兴趣度；根据所述各召回物料的兴趣度的排序，确定候选物料。

在本公开再一实施方式中，所述根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，预测所述待维护事件用户分别对各召回物料的兴趣度，包括：对所述待维护事件用户的用户特征和所述多个召回物料的物料特征，分别进行维度压缩处理；针对任一召回物料，将维度压缩处理后的待维护事件用户的用户特征和维度压缩处理后的该召回物料的物料特征分别作为输入，提供给兴趣度预测模型，经由所述兴趣度预测模型对所述输入进行兴趣度预测处理，并根据所述兴趣度预测模型的输出，获得所述待维护事件用户对该召回物料的兴趣度。

在本公开再一实施方式中，所述经由所述兴趣度预测模型对所述输入进行兴趣度预测处理，包括：经由兴趣度预测模型对所述维度压缩处理后的用户特征以及维度压缩处理后的该召回物料的物料标识进行注意力处理，获得用户特征中的各维特征各自对应的权值；经由所述兴趣度预测模型根据所述权值，对所述维度压缩处理后的用户特征的各维特征分别进行加权计算处理；经由所述兴趣度预测模型对用户特征中的相同类型的特征的加权计算处理结果进行合并；经由所述兴趣度预测模型对由所述合并结果和该召回物料的维度压缩后的物料特征形成的拼接特征，进行逻辑回归处理，且所述逻辑回归处理结果被作为所述兴趣度预测模型的输出。

在本公开再一实施方式中，所述兴趣度预测模型的训练过程包括：从第二训练样本集合中获取多个训练样本；将所述多个训练样本分别作为输入，提供给待训练兴趣度预测模型，经由所述待训练兴趣度预测模型对输入的各训练样分别进行兴趣度预测处理，根据所述待训练兴趣度预测模型的输出，获得预测出的各训练样本的兴趣度；根据所述预测出的各训练样本的兴趣度和各训练样本的标注信息，调整所述待训练兴趣度预测模型的模型参数；其中，所述训练样本的标注信息是根据提供给用户的物料是否被用户查看设置的。

根据本公开实施例的另一个方面，提供了一种用于实现事件用户维护的装置，该装置包括：获取用户模块，用于将事件用户集合中的符合维护条件的事件用户作为待维护事件用户；其中的事件用户是指在执行预定事件操作之后的预定时间段内，未执行目标行为的用户；获取物料模块，用于获取所述待维护事件用户的多个召回物料；筛选物料模块，用于根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，从所述多个召回物料中选取候选物料；信息提供模块，用于将所述待维护事件用户的信息和所述候选物料的信息，提供给所述待维护事件用户的维护方。

在本公开一实施方式中，所述获取用户模块，包括：第一子模块，用于对事件用户集合中的各事件用户分别进行流失率预测，并将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户；和/或，第二子模块，用于判断事件用户集合中的各事件用户的兴趣物料是否对应有变动信息，并将判断结果为对应有变动信息的事件用户，作为待维护事件用户。

在本公开又一实施方式中，所述第一子模块，包括：第一单元，用于获取事件用户集合中的各事件用户的用户特征；第二单元，用于将事件用户集合中的各事件用户的用户特征，分别作为输入，提供给流失率预测模型，经由所述流失率预测模型对输入的各用户特征分别进行流失率预测处理，根据所述流失率预测模型的输出，获得预测出的各事件用户的流失率；第三单元，用于将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户。

在本公开再一实施方式中，所述第一单元进一步用于：针对事件用户集合中的任一事件用户，获取该事件用户的用户画像以及基于该事件用户在第一预定时间范围内的历史行为形成的行为特征；其中，所述用户画像和行为特征形成用户特征。

在本公开再一实施方式中，所述装置还包括：第一训练模块，用于：从第一训练样本集合中获取多个用户特征样本；将所述多个用户特征样本分别作为输入，提供给待训练流失率预测模型，经由所述待训练流失率预测模型对输入的各用户特征样本分别进行流失率预测处理，根据所述待训练流失率预测模型的输出，获得预测出的各用户特征样本的流失率；根据所述预测出的各用户特征样本的流失率和各用户特征样本的流失标注信息，调整所述待训练流失率预测模型的模型参数；其中，所述用户特征样本的流失标注信息是根据用户特征样本所对应的用户在发生预定事件之后的第二预定时间范围内，是否存在历史行为设置的。

在本公开再一实施方式中，所述第二子模块进一步用于：针对事件用户集合中的任一事件用户，判断该事件用户的兴趣物料在至少一预定属性维度上是否对应有变动信息，若判断结果为该事件用户的兴趣物料在至少一预定属性维度上对应有变动信息，则将该事件用户作为待维护事件用户。

在本公开再一实施方式中，所述获取物料模块包括：第三子模块，用于根据所述待维护事件用户的用户画像，获取所述待维护事件用户的多个召回物料；和/或，第四子模块，用于根据所述待维护事件用户的历史行为所对应的物料的至少一属性，获取所述待维护事件用户的多个召回物料。

在本公开再一实施方式中，所述筛选物料模块包括：第五子模块，用于针对任一召回物料，根据该召回物料的物料标识、召回物料对应的变动信息以及召回物料的属性，形成该召回物料的物料特征。

在本公开再一实施方式中，所述筛选物料模块，包括：第六子模块，用于根据所述待维护事件用户的用户特征和所述多个召回物料的物料特征，预测所述待维护事件用户分别对各召回物料的兴趣度；第七子模块，用于根据所述各召回物料的兴趣度的排序，确定候选物料。

在本公开再一实施方式中，所述第六子模块包括：第四单元，用于对所述待维护事件用户的用户特征和所述多个召回物料的物料特征，分别进行维度压缩处理；第五单元，用于针对任一召回物料，将维度压缩处理后的待维护事件用户的用户特征和维度压缩处理后的该召回物料的物料特征分别作为输入，提供给兴趣度预测模型，经由所述兴趣度预测模型对所述输入进行兴趣度预测处理，并根据所述兴趣度预测模型的输出，获得所述待维护事件用户对该召回物料的兴趣度。

在本公开再一实施方式中，所述第五单元进一步用于：经由兴趣度预测模型对所述维度压缩处理后的用户特征以及维度压缩处理后的该召回物料的物料标识进行注意力处理，获得用户特征中的各维特征各自对应的权值；经由所述兴趣度预测模型根据所述权值，对所述维度压缩处理后的用户特征的各维特征分别进行加权计算处理；经由所述兴趣度预测模型对用户特征中的相同类型的特征的加权计算处理结果进行合并；经由所述兴趣度预测模型对由所述合并结果和该召回物料的维度压缩后的物料特征形成的拼接特征，进行逻辑回归处理，且所述逻辑回归处理结果被作为所述兴趣度预测模型的输出。

在本公开再一实施方式中，所述装置还包括：第二训练模块，用于从第二训练样本集合中获取多个训练样本；将所述多个训练样本分别作为输入，提供给待训练兴趣度预测模型，经由所述待训练兴趣度预测模型对输入的各训练样分别进行兴趣度预测处理，根据所述待训练兴趣度预测模型的输出，获得预测出的各训练样本的兴趣度；根据所述预测出的各训练样本的兴趣度和各训练样本的标注信息，调整所述待训练兴趣度预测模型的模型参数；其中，所述训练样本的标注信息是根据提供给用户的物料是否被用户查看设置的。

基于本公开上述实施例提供的一种用于实现事件用户维护的方法和装置，通过利用维护条件，从事件用户集合中选取待维护事件用户，可以实现以事件用户的实际情况为基础，对事件用户集合中的各事件用户进行区别对待，有利于实现使挑选出的事件用户为当前最需要进行维护的事件用户这一目的；通过为待维护事件用户确定召回物料，并从召回物料选取出候选物料，有利于获得待维护事件用户当前最感兴趣的物料；通过将待维护事件用户的信息和候选物料的信息均提供给维护方，有利于使维护方可以有针对性的为待维护事件用户提供相应的维护服务。由此可知，本公开提供的技术方案有利于使事件用户获得更好的服务，有利于使维护方及时且有针对性的为事件用户提供服务，有利于减少事件用户流失的现象，从而有利于提高目标行为的发生概率，并有利于提高系统的价值(如商机价值等)。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1为本公开的适用场景的一个实施例的示意图；

图2为本公开的用于实现事件用户维护的方法一个实施例的流程图；

图3为本公开的筛选出待维护事件用户的一实施例的流程图；

图4为本公开的流失率预测模型的训练过程一实施例的流程图；

图5为本公开的训练概率预测模型一实施例的流程图；

图6为本公开的兴趣度预测模型一实施例的结构示意图；

图7为本公开的兴趣度预测模型进行兴趣度预测处理一实施例的流程图；

图8为本公开的兴趣度预测模型的训练过程一实施例的流程图；

图9为本公开的用于实现事件用户维护的装置一个实施例的结构示意图；

图10为本公开一示例性实施例提供的电子设备的结构图。

具体实施方式

下面将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本公开实施例中，“多个”可以指两个或者两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本公开中术语“和/或”，仅是一种描述关联对象的关联关系，表示可以存在三种关系，如a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本公开的实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或者专用计算系统环境或配置一起操作。适于与终端设备、计算机系统或者服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施。在分布式云计算环境中，任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

本公开概述

在实现本公开的过程中，发明人发现，目前，对事件用户的维护，通常具有较强的随机性。例如，维护方定时或者不定时的从事件用户池中随机选取一个或者多个事件用户，并对其选取出的事件用户进行维护。这种随机性较强的维护方式，较容易产生事件用户流失的现象，从而不利于促使用户执行转委托等目标行为，不利于提高系统的价值。

示例性概述

本公开提供的用于实现事件用户维护的技术的应用场景的一个例子，如图1所示。

图1中，本公开可以定时(如每天的零点等)或不定时的对事件用户池100中的所有事件用户(如图1中的事件用户100-1、事件用户100-2、……以及事件用户100-n，其中，n为大于1的整数)进行筛选。本公开可以将筛选出的所有事件用户分别作为待维护事件用户(如图1中的待维护事件用户101-1、待维护事件用户101-2、……以及待维护事件用户101-m，其中，m为小于或者等于n的整数)，放入待维护事件用户池101中。之后，本公开可以为待维护事件用户池101中的每一个待维护事件用户分别准备相应的物料信息，为任一待维护事件用户准备的物料信息通常包括：该待维护事件用户最有可能感兴趣的至少一物料的信息。

本公开可以根据预先设定的事件用户与维护方之间的关联关系，将待维护事件用户池101中的所有待维护事件用户及其相应的物料信息，分别提供给相应的维护方，如图1中的维护方102-1、维护方102-2、……以及维护方102-n(其中的n1为大于1的整数)。各维护方可以根据待维护事件用户对应的物料信息，对待维护事件用户提供维护服务。例如，对于任一维护方而言，维护方可以利用即时通讯应用等工具，与其待维护事件用户进行文字或者语音联系，并可以向待维护事件用户发送相应的物料信息，有利于使待维护事件用户可以获取其感兴趣的物料信息，使待维护事件用户得到更好的服务，从而有利于避免事件用户的流失。

在维护方对待维护事件用户维护后，待维护事件用户重新成为事件用户，即待维护事件用户离开待维护事件用户池101，进入事件用户池100中。

示例性方法

图2为本公开的用于实现事件用户维护的方法一个实施例的流程图。图2所示的实施例的方法包括：s200、s201、s202以及s203。下面对各步骤分别进行说明。

s200、将事件用户集合中的符合维护条件的事件用户作为待维护事件用户。

本公开中的事件用户可以是指在执行预定事件操作之后的预定时间段内，未执行目标行为的用户。更具体而言，本公开中的事件用户可以是指在针对物料执行预定事件操作之后的预定时间段内，未针对物料执行目标行为的用户。本公开中的物料可以是指用户所需的标的物。本公开中的预定事件操作可以是指产生预定事件的操作，例如，产生商机的操作等。本公开中的目标行为可以是指维护方期望用户执行的行为等，例如，目标行为可以为基于物料委托行为或者基于物料的成交行为等。本公开可以根据实际需求确定物料、预定事件操作以及目标行为等的具体表现形式。

本公开中的事件用户集合可以称为事件用户池。本公开中的维护条件可以根据实际需求设置，例如，可以基于提升事件用户针对物料发生目标行为的概率这一目的，设置维护条件。本公开对此不作限定。

s201、获取待维护事件用户的多个召回物料。

本公开中的召回物料可以是指基于预设召回规则，从多个物料(如系统当前所包含的所有物料等)中初步选取出的物料。也就是说，针对任一待维护事件用户而言，本公开可以根据预设召回规则，获得该待维护事件用户的多个召回物料。预设召回规则可以根据实际需求设置，本公开不限制预设召回规则所包含的具体内容。

s202、根据待维护事件用户的用户特征和多个召回物料的物料特征，从多个召回物料中选取候选物料。

本公开中的用户特征可以是指用于描述用户所具有的特点的信息。用户特征可以为向量形式，即用户特征可以称为用户特征向量。在一个例子中，用户特征可以包括用户基础特征以及用户行为特征等。

本公开中的物料特征可以是指用于描述物料所具有的特点的信息。物料特征可以为向量形式，即物料特征可以称为物料特征向量。在一个例子中，物料特征可以包括物料基础特征以及物料变动特征等。物料变动特征可以是指从物料的属性维度上描述物料变动的信息，物料变动特征也可以是指与物料的某一属性维度上相关的其他物料变动的信息。

本公开从召回物料中选取出的候选物料通常是：最有可能符合待维护事件用户的需求的物料。也就是说，本公开可以根据待维护事件用户的用户特征和多个召回物料的物料特征，从多个召回物料中筛选出最有可能符合待维护事件用户的需求的物料，并将筛选出的物料作为候选物料。可以认为，本公开是基于待维护事件用户的用户特征分别与各召回物料的物料特征之间的关联关系，从多个召回物料中选取候选物料。

s203、将待维护事件用户的信息和候选物料的信息，提供给待维护事件用户的维护方。

本公开中的待维护事件用户的信息可以包括：用于唯一表征一个待维护事件用户的信息，如待维护事件用户的标识。待维护事件用户的信息还可以包括：用户的偏好、用户有意向的物料以及用户的历史行为所涉及到的物料等信息。本公开对待维护事件用户的信息所包含的具体内容不作限定。

本公开中的候选物料的信息可以包括：用于唯一表征一个物料的信息，如候选物料的标识。候选物料的信息还可以包括：候选物料的链接地址、候选物料的图片以及候选物料的文字描述等信息。如果候选物料为多个，则所有候选物料的信息可以形成列表。另外，每一个候选物料的信息均可以为物料卡片(也可以称为物料名片)的形式。本公开对候选物料的信息所包含的具体内容以及候选物料的信息的具体表现形式不作限定。

本公开中的维护方可以基于其接收到的待维护事件用户的信息，采用即时通讯应用等工具，发起与待维护事件用户的交流，并基于其接收到的候选物料的信息，向待维护事件用户推送至少一候选物料的信息，以便于为待维护事件用户提供最有可能使待维护事件用户感兴趣的物料。

本公开通过利用维护条件，从事件用户集合中选取待维护事件用户，可以实现以事件用户的实际情况为基础，对事件用户集合中的各事件用户进行区别对待，有利于实现使挑选出的事件用户为当前最需要进行维护的事件用户这一目的；通过为待维护事件用户确定召回物料，并从召回物料选取出候选物料，有利于获得待维护事件用户当前最感兴趣的物料；通过将待维护事件用户的信息和候选物料的信息均提供给维护方，有利于使维护方可以有针对性的为待维护事件用户提供相应的维护服务。由此可知，本公开提供的技术方案有利于使事件用户获得更好的服务，有利于使维护方及时且有针对性的为事件用户提供服务，有利于减少事件用户流失的现象，从而有利于提高转委托等目标行为的发生概率，并有利于提高系统的价值(如商机价值等)。

在一个可选示例中，本公开可以将流失可能性较高的事件用户作为待维护事件用户。即本公开中的维护条件可以为基于流失率的维护条件(也可以称为预定流失率条件)。例如，维护条件可以具体为流失率达到或者超过预定流失率等。

可选的，本公开可以定时或者不定时的对事件用户集合中的每一个事件用户分别进行流失率预测，从而获得预测出的每一个事件用户的流失率；之后，对每一个事件用户的流失率分别进行是否达到或者超过预定流失率的判断，如果一个事件用户的流失率达到或者超过预定流失率，则本公开可以将该事件用户作为待维护事件用户，如果一个事件用户的流失率未达到或者未超过预定流失率，则本公开不会将该事件用户作为待维护事件用户。本公开可以采用预先成功训练的流失率预测模型，来预测事件用户集合中的每一个事件用户的流失率。具体预测过程可以参见下述针对图3的描述。

本公开通过预测事件用户的流失率，并利用预定流失率条件来选取待维护事件用户，有利于使维护方及时的针对高流失率的事件用户进行维护，从而有利于及时降低高流失率的事件用户的流失风险，从而有利于提高转委托等目标行为的发生概率，并有利于提升系统的价值(如商机价值等)。

可选的，本公开可以定时或者不定时的判断事件用户集合中的每一个事件用户的兴趣物料是否对应有变动信息，如果针对一事件用户的判断结果为该事件用户的兴趣物料对应有变动信息，则本公开将该事件用户作为待维护事件用户，如果针对一事件用户的判断结果为该事件用户的兴趣物料未对应有变动信息，则本公开不会将该事件用户作为待维护事件用户。本公开中的兴趣物料可以是指事件用户感兴趣的物料。

可选的，本公开中的兴趣物料对应的变动信息可以是指：兴趣物料的一属性(如价格等属性)的取值发生变化的信息，也可以是指与兴趣物料的一属性(如价格或者地理位置区域等属性)相关的其他物料存在变化的信息。例如，与兴趣物料处于同一地理位置区域的其他物料的价格发生变化等。再例如，兴趣物料所在的位置区域产生了新物料等。上述兴趣物料的属性以及与兴趣物料的一属性相关的其他物料的变化，可以根据本公开应用的具体领域的实际情况设置，本公开对此不作限定。

可选的，针对事件用户集合中的任一事件用户，本公开可以判断该事件用户的兴趣物料在至少一预定属性维度(如价格或者地理位置区域等)上是否对应有变动信息，如果判断结果为该事件用户的兴趣物料在至少一预定属性维度上对应有变动信息，则将该事件用户作为待维护事件用户，如果判断结果为该事件用户的兴趣物料在预定属性维度上未对应有变动信息，则不会将该事件用户作为待维护事件用户。本公开中的预定属性维度可以根据兴趣物料的具体情况来确定，本公开对此不作限定。

一个例子，假设事件用户的兴趣物料为事件用户感兴趣的房源，且预定属性维度为房源价格维度，在上述假设情况下，本公开可以在检测到事件用户感兴趣的房源的自身价格发生变化时，将该事件用户列为待维护事件用户。

再一个例子，假设事件用户的兴趣物料为事件用户感兴趣的房源，且预定属性维度为地理位置维度，在上述假设情况下，本公开可以在检测到事件用户感兴趣的房源所在的地理位置的附近小区发生新房源推出这一变化时，将该事件用户列为待维护事件用户。本公开也可以在检测到事件用户感兴趣的房源所在的小区发生新房源推出这一变化时，将该事件用户列为待维护事件用户。

又一个例子，假设事件用户的兴趣物料为事件用户感兴趣的房源，且预定属性维度为房源价格维度和地理位置维度，在上述假设情况下，本公开可以在检测到事件用户感兴趣的房源所在的地理位置的附近小区的房源发生价格变化时，将该事件用户列为待维护事件用户。本公开也可以在检测到事件用户感兴趣的房源所在的小区的其他房源发生价格变化时，将该事件用户列为待维护事件用户。

本公开通过将兴趣物料对应有变动信息的事件用户作为待维护事件用户，尤其是将兴趣物料的预定属性维度上对应有变动信息的事件用户作为待维护事件用户，使维护方在对待维护事件用户进行维护时，可以及时的将相应的变动信息(尤其是在价格维度、或者地理位置维度等方面的重要变动信息)提供给事件用户，从而有利于为事件用户提供更丰富的信息服务，进而有利于提高用户执行目标行为的概率。

在一个可选示例中，本公开利用流失率预测模型对事件用户集合中的事件用户进行待维护事件用户的筛选的一个例子如图3所示。

图3中，s300、获取事件用户集合中的各事件用户的用户特征。

可选的，本公开中的用户特征可以包括：用户画像和用户行为特征。也就是说，针对事件用户集合中的任一事件用户而言，本公开可以通过获取该事件用户的用户画像以及该事件用户的用户行为特征，而获得该事件用户的用户特征。

本公开中的用户画像可以是指用户自身的基础信息。例如，用户画像可以包括：性别、年龄区间、住址、年收入区间以及基于物料的用户偏好等。基于物料的用户偏好通常与物料的具体表现形式相关。例如，在物料为房源的情况下，本公开中的基于物料的用户偏好可以包括：房源业务线(如新房业务线或者二手房业务线等)偏好、房源类型(如别墅类型、高层类型或者低层类型等)偏好、房源价格区间偏好、房源所在区域偏好、房源户型偏好等。

本公开中的用户行为特征可以是指在第一预定时间范围内，基于用户在系统中的搜索、浏览以及与会话方(如房产经纪人等会话方)聊天等历史操作，所形成的信息。例如，用户在最近一段时间范围(如最近n天等)内，在系统中的历史操作所形成的信息。

可选的，本公开可以根据业务数据，形成事件用户的用户画像以及用户行为特征。本公开不限定获得事件用户的用户特征的具体实现方式。

本公开通过获取事件用户的用户画像和用户行为特征，可以使用户特征较为全面的反映出事件用户的特点，从而有利于提高流失率预测的准确性。

s301、将事件用户集合中的各事件用户的用户特征，分别作为输入，提供给流失率预测模型。

可选的，本公开提供给流失率预测模型的用户特征可以为向量形式。本公开的流失率预测模型可以采用lr(logisticregression，逻辑回归)模型、gdbt+lr(gradientboostingdecisiontree，梯度提升决策树)模型，或者深度神经网络等实现。其中的深度神经网络如wide&deep(宽度和深度)模型等。本公开对流失率预测模型的具体表现形式不作限定。本公开的流失率预测模型的训练过程可以参见下述针对图4的描述。

可选的，本公开提供给流失率预测模型的用户特征可以为稀疏向量，也可以为维度压缩处理后的用户特征。

s302、经由流失率预测模型对输入的各用户特征分别进行流失率预测处理。

可选的，本公开的流失率预测模型对输入的用户特征进行的流失率预测处理可以认为是一个二分类处理。即流失率预测模型的流失率预测处理可以为预测输入的用户特征所对应的流失概率和不流失概率的处理。流失概率和不流失概率的和可以为1。

s303、根据流失率预测模型的输出，获得预测出的各事件用户的流失率。

可选的，本公开可以将流失率预测模型针对一事件用户的用户特征输出的概率中的流失概率，作为流失率预测模型预测出的该事件用户的流失率。

s304、将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户。

可选的，本公开中的预定流失率条件可以为预测出的流失率超过预定流失率(如0.7)。本公开可以对流失率预测模型针对每一个事件用户预测出的流失率分别进行判断，如果一个事件用户的流失率超过预定流失率(如0.7)，则可以将该事件用户从事件用户池中移出，并将该事件用户加入到待维护事件用户池中；如果一个事件用户的流失率未超过预定流失率(如0.7)，则不会将该事件用户从事件用户池中移出，也不会将该事件用户加入到待维护事件用户池中。

本公开通过利用流失率预测模型对各事件用户的用户特征进行流失率预测处理，有利于便捷准确的获得各事件用户的流失率；通过利用预定流失率条件对各事件用户的流失率进行判断，有利于将流失率较高的事件用户作为待维护事件用户，从而有利于准确的挑选出待维护事件用户，尽可能的避免事件用户的流失。

在一个可选示例中，本公开对流失率预测模型的训练过程的一个例子如图4所示。

图4中，s400、从第一训练样本集合中获取多个用户特征样本。

可选的，本公开的用户特征样本可以是根据历史业务数据形成的。第一训练样本集合中的每一个用户特征样本均设置有流失标注信息。流失标注信息的取值可以为第一值或者第二值，其中的第一值(如1)表示流失，其中的第二值(如0)表示未流失。具体的，对于任一用户特征样本而言，如果该用户特征样本所对应的用户在发生预定事件之后的第二预定时间范围内，执行了一历史行为(如执行了浏览物料详情页面或者与会话方聊天的行为或者点击了推送的链接等行为)，则可以将该用户特征样本的标注信息设置为第二值，如果该用户特征样本所对应的用户在发生预定事件之后的第二预定时间范围内，未执行任何历史行为，则可以将该用户特征样本的流失标注信息设置为第一值。

一个具体例子，本公开可以根据系统中的t-t1日至t日之间的历史业务数据，形成一用户的用户特征样本，并根据系统中的t+1日至t+t2日之间的历史业务数据，形成该用户特征样本的流失标注信息。例如，针对一用户而言，如果该用户在t日产生了事件(如商机等)，而成为事件用户(如商机用户等)，则本公开可以根据系统中的t-t1日至t日之间的历史业务数据，形成该用户的行为特征，该用户的行为特征和该用户的用户画像形成该用户的用户特征样本(该用户的用户画像的生成方式，在此不再详细说明)。本公开可以根据t+1日至t+t2日之间的历史业务数据，判断该用户是否在t+1日至t+t2日执行了浏览物料详情页面或者与会话方聊天的行为或者点击了推送的链接等历史行为，如果判断结果为执行了相应的历史行为，则可以将该用户的用户特征样本的流失标注信息设置为第二值(如0)，即确定该用户未流失，如果上述判断结果为未执行任何历史行为，则可以将该用户的用户特征样本的流失标注信息设置为第一值(如1)，即确定该用户流失。流失标注信息被设置为第二值的用户特征样本，可以认为是正样本，流失标注信息被设置为第一值的用户特征样本，可以认为是负样本。

可选的，本公开中的用户特征样本通常为向量形式的用户特征样本。本公开可以根据待训练流失预测模型的批处理数量从第一训练样本集合中一次获取多个用户特征样本。而且，每次从第一训练样本集合中获取到的所有用户特征样本中的正样本数量和负样本数量，通常基本相同。

s401、将多个用户特征样本分别作为输入，提供给待训练流失率预测模型。

s402、经由待训练流失率预测模型对输入的各用户特征样本分别进行流失率预测处理。

s403、根据待训练流失率预测模型的输出，获得预测出的各用户特征样本的流失率。

s404、根据模型预测出的各用户特征样本的流失率和各用户特征样本的流失标注信息，调整待训练流失率预测模型的模型参数。

可选的，本公开可以根据预先设置的损失函数对待训练流失率预测模型输出的各概率值和相应的用户特征样本的流失标注信息进行损失计算，并将损失计算的结果在该待训练流失率预测模型中进行传播，以调整该待训练流失率预测模型的模型参数。待训练流失率预测模型的模型参数可以包括二叉树的结构参数或者神经网络的权值矩阵等。

可选的，在针对该待训练流失率预测模型的训练达到预定迭代条件时，本次针对该待训练流失率预测模型的训练过程结束，否则，重复上述图4所示的流程。

可选的，本公开中的预定迭代条件可以包括：根据待训练流失率预测模型针对测试集中的测试样本输出获得的预测结果的准确性达到预定要求。在待训练流失率预测模型针对测试集中的测试样本的输出获得的预测结果的准确性达到预定要求的情况下，本次对该待训练流失率预测模型成功训练完成。本公开中的预定迭代条件还可以包括：对一待训练流失率预测模型进行训练，所使用的第一训练样本集合中的用户特征样本的数量已经达到预定数量要求等。在使用的用户特征样本的数量达到预定数量要求，然而，在该流失率预测模型针对测试集中的测试样本的输出获得的预测结果的准确性并未达到预定要求的情况下，本次对该待训练流失率预测模型并未训练成功。成功训练完成的流失率预测模型可以用于预测上述实施例中的用户特征对应的流失率。

本公开通过利用用户在发生预定事件之后的第二预定时间范围内，是否执行历史行为，来设置用户特征样本的流失标注信息的取值，可以快速且便捷的获得大量的用户特征样本，有利于避免人工标注现象，从而有利于提高流失率预测模型的训练效率，并有利于降低流失率预测模型的训练成本。

在一个可选示例中，本公开可以利用预先设置的召回策略，获得待维护事件用户的多个召回物料。召回策略可以根据实际需求设置，且召回策略可以表现为模型的形式。

在一个例子中，本公开可以根据待维护事件用户的用户画像，获取待维护事件用户的多个召回物料。例如，本公开可以计算一物料的物料特征与待维护事件用户的用户画像的相似度，并根据计算出的相似度以及预设相似度阈值等，确定该物料是否可以被作为召回物料。

在另一个例子中，本公开可以根据待维护事件用户的历史行为所对应的物料的至少一属性，获取待维护事件用户的多个召回物料。例如，本公开可以根据待维护事件用户经常浏览的物料的价格区间、物料的类别标签以及物料所在地理位置区域等属性确定召回物料。

可选的，本公开在确定待维护事件用户的召回物料时，也可以考虑物料在系统中的当前热度以及物料在系统中的挂牌时间等因素。本公开对获得待维护事件用户的多个召回物料的具体实现过程，不做限定。

本公开通过利用用户画像以及物料的属性等，确定待维护事件用户的召回物料，有利于获得更符合待维护事件用户意向的召回物料。

在一个可选示例中，本公开在从待维护事件用户的多个召回物料中选取候选物料的过程中，需要获得每一个召回物料的物料特征。本公开中的召回物料的物料特征可以包括：物料标识、物料变动信息以及物料的属性特征等。例如，针对任一召回物料而言，本公开可以先获取该召回物料的物料标识、召回物料对应的变动信息以及召回物料的属性特征等，并利用该召回物料的物料标识、召回物料对应的变动信息以及召回物料的属性特征，形成该召回物料的物料特征。其中的召回物料的物料标识可以采用向量的形式表示，在当前系统包含的物料的数量较多的情况下，物料标识通常为稀疏向量的形式，例如，假设当前系统包含100个物料，则召回物料的物料标识可以为100维的向量。本公开中的召回物料对应的变动信息同样可以采用向量的形式表示，且召回物料对应的变动信息可以根据实际需求设置。例如，召回物料对应的变动信息可以包括：召回物料自身的价格变动信息、召回物料所在地理位置区域附近推出新的物料的信息、召回物料被带看的信息以及召回物料所在地理位置区域附近的物料的价格变动信息等。本公开中的召回物料的属性特征可以包括：物料的类别、价格以及地理位置等。本公开对召回物料对应的变动信息所包含的具体内容以及召回物料的属性所包含的具体内容不作限定。

本公开通过利用物料标识、物料变动信息以及物料的属性特征等形成召回物料的物料特征，有利于更加全面的描述召回物料，从而有利于使从多个召回物料中选取出的候选物料更符合待维护事件用户的意向。

在一个可选示例中，本公开可以根据待维护事件用户对每一个召回物料的兴趣度，从所有召回物料中选取候选物料。具体的，本公开可以根据待维护事件用户的用户特征和多个召回物料的物料特征，预测待维护事件用户分别对各召回物料的兴趣度，然后，再根据各召回物料的兴趣度的排序，确定候选物料。本公开可以采用预先成功训练的兴趣度预测模型，来预测待维护事件用户对各召回物料的兴趣度，本公开可以根据候选物料的预定选取数量，选取兴趣度最高的一个或者多个召回物料作为候选物料。本公开通过预测待维护事件用户对各召回物料的兴趣度，有利于使选取出的候选物料为更符合待维护事件用户的意向的物料，从而有利于避免待维护事件用户的流失。

在一个可选示例中，本公开利用兴趣度预测模型预测待维护事件用户对召回物料的兴趣度的一个例子如图5所示。

图5中，s500、对待维护事件用户的用户特征和多个召回物料的物料特征，分别进行维度压缩处理。

可选的，本公开对用户特征的维度压缩处理可以是指对用户特征在特征维度上的压缩处理。本公开对召回物料的物料特征的维度压缩处理可以认为是对物料特征在特征维度上的压缩处理。本公开可以采用预先设置的模型，实现对用户特征和物料特征进行维度压缩处理。例如，将用户特征作为输入，提供给预先设置的第一模型(如一编码器等)，并根据该第一模型的输出，获得压缩处理后的用户特征。压缩处理前的用户特征的每一维通常具有具体的含义，而压缩处理后的用户特征的每一维通常没有具体的含义。再例如，将物料特征作为输入，提供给预先设置的第二模型(如另一编码器等)，并根据该第二模型的输出，获得压缩处理后的物料特征。同样的，压缩处理前的物料特征的每一维通常具有具体的含义，而压缩处理后的物料特征的每一维通常没有具体的含义。

s501、针对任一召回物料，将维度压缩处理后的待维护事件用户的用户特征和维度压缩处理后的该召回物料的物料特征分别作为输入，提供给兴趣度预测模型。

s502、经由兴趣度预测模型对输入进行兴趣度预测处理，并根据兴趣度预测模型的输出，获得待维护事件用户对该召回物料的兴趣度。

可选的，本公开中的兴趣度预测模型针对每一个输入均输出0-1区间的一位小数，该小数即表示待维护事件用户对输入对应的召回物料的兴趣度，兴趣度越接近0，表示待维护事件用户对召回物料越不感兴趣，兴趣度越接近1，表示待维护事件用户对召回物料越感兴趣。

本公开通过对待维护事件用户的用户特征和召回物料的物料特征，进行压缩处理，并利用兴趣度预测模型预测待维护事件用户对召回物料的兴趣度，有利于便捷准确的获得待维护事件用户对召回物料的兴趣度，从而有利于便捷准确的从召回物料中选取出待维护事件用户最感兴趣的候选物料。

在一个可选示例中，本公开中的兴趣度预测模型的一个例子如图6所示。图6中的兴趣度预测模型600包括：注意力层601、乘加计算层602、至少一激活层603(如图6中示出了两个relu(rectifiedlinearunit，修正线性单元)层)以及逻辑回归层604。其中的注意力层601可以用于基于注意力机制，确定出输入的用户特征中的各个维度各自对应的权值。其中的乘加计算层602可以用于将输入的用户特征中的各个维度的特征分别与其对应的权值进行相乘运算，并基于同类特征相加的原则，将相乘运算的结果进行相加处理。其中的激活层603可以用于对相加处理结果进行线性变换。其中的逻辑回归层604可以用于对线性变换的结果进行分类处理。利用图6所示的兴趣度预测模型600对输入进行兴趣度预测处理的一个过程可以如图7所示。

图7中，s700、经由兴趣度预测模型对维度压缩处理后的用户特征以及维度压缩处理后的该召回物料的物料标识进行注意力处理，获得用户特征中的各维特征各自对应的权值。

可选的，如果压缩处理后的用户特征包括n维，则本公开可以获得n个权值，压缩处理后的用户特征中的每一维特征对应一个权值。

s701、经由兴趣度预测模型根据上述权值，对维度压缩处理后的用户特征的各维特征分别进行加权计算处理。

可选的，本公开可以将压缩处理后的用户特征中的每一维特征分别与其对应的权值进行相乘运算，从而获得n个运算结果。

s702、经由兴趣度预测模型对用户特征中的相同类型的特征的加权计算处理结果进行合并。

可选的，如果压缩处理后的两维特征具有相同的类型，例如，均为户型类型的特征等，则可以将这两维特征的加权计算处理结果进行相加，从而最终获得的相加结果与特征的类型数量相同。如果一维特征(如用户标识)不存在相同的类型，则该维特征的相加结果与相加前相同。也就是说，本公开中的乘加计算层所执行的操作包括：相乘操作以及相加操作。

s703、经由兴趣度预测模型对由合并结果和该召回物料的维度压缩后的物料特征形成的拼接特征，进行逻辑回归处理，该逻辑回归处理结果被作为兴趣度预测模型的输出。

可选的，对应任一召回物料而言，本公开中的兴趣度预测模型可以将用户特征的合并结果与该召回物料的维度压缩后的物料特征中物料基础特征以及物料变动特征进行拼接处理，形成拼接特征。该拼接特征可以先被提供给激活层，最后一层激活层的输出被提供给逻辑回归层，进行逻辑回归处理。逻辑回归处理的结果即为兴趣度预测模型的输出。兴趣度预测模型可以针对每一个输入分别生成一个属于预定取值区间(如0-1)的概率值，该概率值即为相应的召回物料对应的兴趣度，也即待维护事件用户对相应的召回物料发生兴趣的可能性。

本公开通过对维度压缩处理后的用户特征以及维度压缩处理后的该召回物料的物料标识进行注意力处理，可以确定出用户特征中的各维特征分别对待维护事件用户对召回物料的兴趣度的影响，从而通过利用乘加计算以及逻辑回归处理，有利于提高预测出的兴趣度的准确度。

在一个可选示例中，本公开对兴趣度预测模型的训练过程的一个例子如图8所示。

图8中，s800、从第二训练样本集合中获取多个训练样本。

可选的，本公开的训练样本可以是根据历史业务数据形成的。第二训练样本集合中的每一个训练样本均设置有兴趣标注信息。兴趣标注信息的取值可以为第一值或者第二值，其中的第一值(如1)表示感兴趣，其中的第二值(如0)表示不感兴趣。例如，对于任一训练样本而言，如果该训练样本所对应的用户在发生预定事件之后，向该用户推送相应的物料信息(例如，系统向用户推送物料广告，或者，在用户与服务方的聊天过程中，服务方向用户推送物料卡片等)，而用户浏览了上述推送的物料信息(如点击了物料广告或者物料卡片等)，则可以将该训练样本的兴趣标注信息设置为第一值，如果该训练样本所对应的用户在发生预定事件之后，向该用户推送相应的物料信息，而用户未浏览上述推送的物料信息，则可以将该训练样本的兴趣标注信息设置为第二值。

一个具体例子，本公开可以根据系统中的t’-t1’日至t’日之间的历史业务数据，形成一用户的训练样本，并根据系统中的t’+1日至t’+t2’日之间的历史业务数据，形成该训练样本的兴趣标注信息。例如，针对一用户而言，如果该用户在t’日产生了事件(如商机等)，而成为事件用户(如商机用户等)，则本公开可以根据系统中的t’-t1’日至t’日之间的历史业务数据，形成该用户的行为特征，该用户的行为特征和该用户的用户画像形成该用户的用户特征样本(该用户的用户画像的生成方式，在此不再详细说明)。本公开可以根据t’+1日至t’+t2’日之间的历史业务数据，判断该用户是否在t’+1日至t’+t2’日执行了点击系统推送的物料广告或者物料卡片等历史行为，如果判断结果为执行了相应的历史行为，则可以将该用户的训练样本的兴趣标注信息设置为第一值(例如，1)，即确定该用户对推送的物料信息感兴趣，如果判断结果为未执行相应的历史行为，则可以将该用户的训练样本的兴趣标注信息设置为第二值(如0)，即确定该用户对系统推送的物料信息不感兴趣。兴趣标注信息被设置为第一值的训练样本，可以认为是正样本，兴趣标注信息被设置为第二值的训练样本，可以认为是负样本。

可选的，本公开可以根据待训练兴趣预测模型的批处理数量从第二训练样本集合中获取多个训练样本。而且，每次从第二训练样本集合中获取到的所有训练样本中的正样本数量和负样本数量，通常基本相同。

s801、将多个训练样本分别作为输入，提供给待训练兴趣度预测模型。

s802、经由待训练兴趣度预测模型对输入的各训练样分别进行兴趣度预测处理。这里的兴趣度预测处理可以包括：注意力处理、乘加计算处理、激活处理以及逻辑回归处理等。在此不再详细说明。

s803、根据待训练兴趣度预测模型的输出，获得预测出的各训练样本的兴趣度。

s804、根据上述预测出的各训练样本的兴趣度和各训练样本的兴趣标注信息，调整待训练兴趣度预测模型的模型参数。

可选的，本公开可以根据预先设置的损失函数对待训练兴趣度预测模型输出的各概率值和相应训练样本的兴趣度标注信息进行损失计算，并将损失计算的结果在该待训练兴趣度预测模型中进行传播，以调整该待训练兴趣度预测模型的模型参数。待训练兴趣度预测模型的模型参数可以包括二叉树的结构参数或者神经网络的权值矩阵等。

可选的，在针对该待训练兴趣度预测模型的训练达到预定迭代条件时，本次针对该待训练兴趣度预测模型的训练过程结束。

可选的，本公开中的预定迭代条件可以包括：根据待训练兴趣度预测模型针对测试集中的测试样本输出获得的预测结果的准确性达到预定要求。在待训练兴趣度预测模型针对测试集中的测试样本的输出获得的预测结果的准确性达到预定要求的情况下，本次对该待训练兴趣度预测模型成功训练完成。本公开中的预定迭代条件还可以包括：对一待训练兴趣度预测模型进行训练，所使用的第二训练样本集合中的训练样本的数量已经达到预定数量要求等。在使用的训练样本的数量达到预定数量要求，然而，在该兴趣度预测模型针对测试集中的测试样本的输出获得的预测结果的准确性并未达到预定要求的情况下，本次对该待训练兴趣度预测模型并未训练成功。成功训练完成的兴趣度预测模型可以用于预测上述实施例中的待维护事件用户特征对各召回物料的兴趣度。

本公开通过利用用户在发生预定事件之后，是否针对系统推送的物料信息执行了点击行为，来设置训练样本的兴趣标注信息的取值，可以快速且便捷的获得大量的训练样本，有利于避免人工标注现象，从而有利于提高兴趣度预测模型的训练效率，并有利于降低兴趣度预测模型的训练成本。

示例性装置

图9为本公开的用于实现事件用户维护的装置一个实施例的结构示意图。该实施例的装置可用于实现本公开上述各方法实施例。

如图9所示，本实施例的装置主要包括：获取用户模块900、获取物料模块901、筛选物料模块902以及信息提供模块903。可选的，该实施例的装置还可以包括：第一训练模块904和第二训练模块905。

获取用户模块900用于将事件用户集合中的符合维护条件的事件用户作为待维护事件用户。

可选的，事件用户可以是指在执行预定事件操作之后的预定时间段内，未执行目标行为的用户。获取用户模块900可以包括：第一子模块9001和第二子模块9002中的至少一个。其中的第一子模块9001可以用于对事件用户集合中的各事件用户分别进行流失率预测，并将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户。其中的第二子模块9002可以用于判断事件用户集合中的各事件用户的兴趣物料是否对应有变动信息，并将判断结果为对应有变动信息的事件用户，作为待维护事件用户。例如，针对事件用户集合中的任一事件用户，第二子模块9002判断该事件用户的兴趣物料在至少一预定属性维度上是否对应有变动信息，若判断结果为该事件用户的兴趣物料在至少一预定属性维度上对应有变动信息，则第二子模块9002将该事件用户作为待维护事件用户。

可选的，第一子模块9001可以包括：第一单元90011、第二单元90012以及第三单元90013。其中的第一单元90011可以用于获取事件用户集合中的各事件用户的用户特征。例如，针对事件用户集合中的任一事件用户，第一单元90011可以获取该事件用户的用户画像以及基于该事件用户在第一预定时间范围内的历史行为形成的行为特征；其中的用户画像和行为特征形成用户特征。其中的第二单元90012可以用于将事件用户集合中的各事件用户的用户特征，分别作为输入，提供给流失率预测模型，经由流失率预测模型对输入的各用户特征分别进行流失率预测处理，根据流失率预测模型的输出，获得预测出的各事件用户的流失率。其中的第三单元90013可以用于将预测出的流失率符合预定流失率条件的事件用户，作为待维护事件用户。

获取物料模块901用于获取待维护事件用户的多个召回物料。

可选的，获取物料模块901可以包括：第三子模块9011以及第四子模块9012中的至少一个。其中的第三子模块9011可以用于根据待维护事件用户的用户画像，获取待维护事件用户的多个召回物料。其中的第四子模块9012可以用于根据待维护事件用户的历史行为所对应的物料的至少一属性，获取待维护事件用户的多个召回物料。

筛选物料模块902用于根据待维护事件用户的用户特征和多个召回物料的物料特征，从多个召回物料中选取候选物料。

可选的，筛选物料模块902可以包括：第五子模块9021、第六子模块9022以及第七子模块9023。其中的第五子模块9021可以用于针对任一召回物料，根据该召回物料的物料标识、召回物料对应的变动信息以及召回物料的属性，形成该召回物料的物料特征。其中的第六子模块9022可以用于根据待维护事件用户的用户特征和多个召回物料的物料特征，预测待维护事件用户分别对各召回物料的兴趣度。其中的第七子模块9023用于根据各召回物料的兴趣度的排序，确定候选物料。

可选的，上述第六子模块9022可以包括：第四单元90221和第五单元90222。其中的第四单元90221可以用于对待维护事件用户的用户特征和多个召回物料的物料特征，分别进行维度压缩处理。其中的第五单元90222用于针对任一召回物料，将维度压缩处理后的待维护事件用户的用户特征和维度压缩处理后的该召回物料的物料特征分别作为输入，提供给兴趣度预测模型，经由兴趣度预测模型对输入进行兴趣度预测处理，并根据兴趣度预测模型的输出，获得待维护事件用户对该召回物料的兴趣度。例如，第五单元90222可以包括兴趣度预测模型，经由兴趣度预测模型对维度压缩处理后的用户特征以及维度压缩处理后的该召回物料的物料标识进行注意力处理，获得用户特征中的各维特征各自对应的权值；经由兴趣度预测模型根据所述权值，对维度压缩处理后的用户特征的各维特征分别进行加权计算处理；经由兴趣度预测模型对用户特征中的相同类型的特征的加权计算处理结果进行合并；经由兴趣度预测模型对由合并结果和该召回物料的维度压缩后的物料特征形成的拼接特征，进行逻辑回归处理，且逻辑回归处理结果被作为兴趣度预测模型的输出。

信息提供模块903用于将待维护事件用户的信息和候选物料的信息，提供给待维护事件用户的维护方。

第一训练模块904用于从第一训练样本集合中获取多个用户特征样本，将多个用户特征样本分别作为输入，提供给待训练流失率预测模型，经由待训练流失率预测模型对输入的各用户特征样本分别进行流失率预测处理，第一训练模块904根据待训练流失率预测模型的输出，获得预测出的各用户特征样本的流失率；第一训练模块904根据预测出的各用户特征样本的流失率和各用户特征样本的流失标注信息，调整待训练流失率预测模型的模型参数。其中的用户特征样本的流失标注信息是根据用户特征样本所对应的用户在发生预定事件之后的第二预定时间范围内，是否存在历史行为设置的。

第二训练模块905用于从第二训练样本集合中获取多个训练样本，将多个训练样本分别作为输入，提供给待训练兴趣度预测模型，经由待训练兴趣度预测模型对输入的各训练样分别进行兴趣度预测处理，第二训练模块905根据待训练兴趣度预测模型的输出，获得预测出的各训练样本的兴趣度；第二训练模块905根据预测出的各训练样本的兴趣度和各训练样本的标注信息，调整待训练兴趣度预测模型的模型参数；其中，训练样本的标注信息是根据提供给用户的物料是否被用户查看设置的。

上述各模块及其包括的子模块具体执行的操作可以参见上述方法实施例中针对图2-图8的描述，在此不再详细说明。

示例性电子设备

下面参考图10来描述根据本公开实施例的电子设备。图10示出了根据本公开实施例的电子设备的框图。如图10所示，电子设备101包括一个或多个处理器1011和存储器1012。

处理器1011可以是中央处理单元(cpu)或者具有用于实现事件用户维护的能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备101中的其他组件以执行期望的功能。

存储器1012可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器，例如，可以包括：随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器，例如，可以包括：只读存储器(rom)、硬盘以及闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1011可以运行所述程序指令，以实现上文所述的本公开的各个实施例的用于实现事件用户维护的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备101还可以包括：输入装置1013以及输出装置1014等，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。此外，该输入设备1013还可以包括例如键盘、鼠标等等。该输出装置1014可以向外部输出各种信息。该输出设备1014可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图10中仅示出了该电子设备101中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备101还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于实现事件用户维护的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于实现事件用户维护的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列举)可以包括：具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备以及系统。诸如“包括”、“包含、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述，以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言，是非常显而易见的，并且在此定义的一般原理可以应用于其他方面，而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。