信息输出方法和装置与流程

本申请实施例涉及计算机技术领域，尤其涉及信息输出方法和装置。

背景技术：

一些服务提供商往往根据用户填写的资料或提供的证明材料，对用户的行为进行预测，得到预定义事件发生的概率，例如，金融机构会根据用户的填写的表单确定向用户提供贷款后用户违约的概率。

技术实现要素：

本申请实施例提出了信息输出方法和装置。

第一方面，本申请实施例提供了一种信息输出方法，该方法包括：获取用户请求，用户请求包括用户标识；在用户画像信息集合中查询与用户标识匹配的用户画像信息；将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与用户标识对应的事件概率信息并输出，事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，事件概率信息用于指示预定义事件发生的概率。

在本实施例中，事件概率预测模型是经由以下步骤训练得到的：获取历史订单记录集合，历史订单记录集合中的每条历史订单记录包括用户标识和用于指示预定义事件已发生的目标信息；将历史订单记录集合中不包含目标信息的历史订单记录包括的用户标识确定为正样本用户标识，历史订单记录集合中包含目标信息的历史订单记录包括的用户标识确定为负样本用户标识；将用户画像信息集合中与正样本用户标识匹配的用户画像信息确定为正样本，用户画像信息集合中与负样本用户标识匹配的用户画像信息确定为负样本，利用机器学习方法，训练得到事件概率预测模型。

在本实施例中，用户画像信息集合中的用户画像信息是经由以下步骤生成的：对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息；将至少一项特征信息输入至预先训练的用户画像信息生成模型，生成用户画像信息，用户画像信息生成模型用于表征特征信息与用户画像信息的对应关系。

在本实施例中，网络记录包括文本记录；以及对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息，包括：对预设时间段内产生的目标用户的文本记录进行语义分析，生成关键词以及关键词出现的次数。

在本实施例中，文本记录包括以下至少一项：搜索引擎记录的检索词、浏览过的网页的内容信息、社交平台发布的信息。

在本实施例中，网络记录包括待统计记录；以及对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息，包括：基于预设时间段内产生的目标用户的待统计记录，统计预先设置的待统计项的数量。

在本实施例中，待统计记录包括以下至少一项：电子商务平台的订单记录、社交平台的好友记录、社交平台的登录记录、社交平台的信息发布记录、目标页面的浏览记录。

在本实施例中，用户画像信息还包括根据预设时间段生成的时间维度信息。

在本实施例中，方法还包括：响应于所输出的事件概率信息与第一预设信息匹配，根据用户请求生成订单。

在本实施例中，方法还包括：响应于所输出的事件概率信息与第二预设信息匹配，将用户请求发送至目标设备，响应于接受到目标设备发送的订单生成指示，根据用户请求生成订单。

第二方面，本申请实施例提供了一种信息输出装置，该装置包括：获取单元，用于获取用户请求，用户请求包括用户标识；查询单元，用于在用户画像信息集合中查询与用户标识匹配的用户画像信息；输出单元，用于将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与用户标识对应的事件概率信息并输出，事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，事件概率信息用于指示预定义事件发生的概率。

在本实施例中，装置还包括事件概率预测模型训练单元，事件概率预测模型训练单元，用于：获取历史订单记录集合，历史订单记录集合中的每条历史订单记录包括用户标识和用于指示预定义事件已发生的目标信息；将历史订单记录集合中不包含目标信息的历史订单记录包括的用户标识确定为正样本用户标识，历史订单记录集合中包含目标信息的历史订单记录包括的用户标识确定为负样本用户标识；将用户画像信息集合中与正样本用户标识匹配的用户画像信息确定为正样本，用户画像信息集合中与负样本用户标识匹配的用户画像信息确定为负样本，利用机器学习方法，训练得到事件概率预测模型。

在本实施例中，装置还包括用户画像信息生成单元，用户画像信息生成单元，用于：对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息；将至少一项特征信息输入至预先训练的用户画像信息生成模型，生成用户画像信息，用户画像信息生成模型用于表征特征信息与用户画像信息的对应关系。

在本实施例中，网络记录包括文本记录；以及用户画像信息生成单元，进一步配置用于：对预设时间段内产生的目标用户的文本记录进行语义分析，生成关键词以及关键词出现的次数。

在本实施例中，文本记录包括以下至少一项：搜索引擎记录的检索词、浏览过的网页的内容信息、社交平台发布的信息。

在本实施例中，网络记录包括待统计记录；以及用户画像信息生成单元，进一步配置用于：基于预设时间段内产生的目标用户的待统计记录，统计预先设置的待统计项的数量。

在本实施例中，待统计记录包括以下至少一项：电子商务平台的订单记录、社交平台的好友记录、社交平台的登录记录、社交平台的信息发布记录、目标页面的浏览记录。

在本实施例中，用户画像信息还包括根据预设时间段生成的时间维度信息。

在本实施例中，装置还包括第一订单生成单元，第一订单生成单元，用于：响应于所输出的事件概率信息与第一预设信息匹配，根据用户请求生成订单。

在本实施例中，装置还包括第二订单生成单元，第二订单生成单元，用于：响应于所输出的事件概率信息与第二预设信息匹配，将用户请求发送至目标设备，响应于接受到目标设备发送的订单生成指示，根据用户请求生成订单。

第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的信息输出方法和装置，通过获取用户请求，而后在用户画像信息集合中查询与所述用户标识匹配的用户画像信息，最后将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与所述用户标识对应的事件概率信息并输出，从而提供了一种基于用户画像信息的预测机制，丰富了输出事件概率信息的方法。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的信息输出方法的一个实施例的流程图；

图3是根据本申请的信息输出方法的应用场景的一个示意图；

图4是训练事件概率预测模型的一种可选实现方式的流程图；

图5是根据本申请的信息输出装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的信息输出方法或信息输出装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105、106交互，以接收或发送数据等。终端设备101、102、103上可以安装有各种应用，例如购物类应用、地图类应用、支付类应用、社交类应用、网页浏览器应用、搜索引擎类应用、手机助手类应用等。

终端设备101、102、103可以是具有显示屏并且支持数据通信功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。用户可以通过终端设备101、102、103向服务器提交用户请求。

服务器105、106可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105、106可以获取用户请求，所述用户请求包括用户标识；在用户画像信息集合中查询与所述用户标识匹配的用户画像信息；将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与所述用户标识对应的事件概率信息并输出，所述事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，所述事件概率信息用于指示预定义事件发生的概率。

需要说明的是，本申请实施例所提供的信息输出方法可以由服务器105、106执行，相应地，信息输出装置可以设置于服务器105、106中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的信息输出方法的一个实施例的流程200。该信息输出方法，包括以下步骤：

步骤201，获取用户请求。

在本实施例中，信息输出方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其提交请求的终端获取用户请求。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。用户请求可以用户提交的待服务器一方进行许可或批准等处理的信息。作为示例，用户请求可以是参与活动的请求，或生成订单(贷款订单、租赁物品订单)的请求。用户请求包括用户标识，用户标识可以是用户的账号、手机号、邮箱等可以用于标识用户的信息。

步骤202，在用户画像信息集合中查询与用户标识匹配的用户画像信息。

在本实施例中，上述电子设备可以在用户画像信息集合中查询与步骤201中获取的用户请求包括的用户标识匹配的用户画像信息。用户画像信息可以包括对用户的网络记录进行处理得到的属性信息。网络记录可以是用户通过终端访问网站或使用应用时产生的数据，例如，用户的浏览记录、订单数据、物流信息以及发布的其他信息。

用户画像信息可以包含多种类型的信息，例如，用户画像信息可以包括用户年龄段、用户职业、用户行为偏好(旅游、公务员考试)、用户家庭结构(家有老人、家有小孩、家有中学生、二胎家庭)、用户消费情况(购买奢侈品次数、餐馆档次)、用户资产负债(是否有车、居住小区档次)、用户教育经历、线下特点(所在城市、用户家庭住址、工作稳定性)等。可以根据实际需要仅保留用户画像信息集合中的部分类型的用户画像信息，例如，可以仅保留用户数超过预设阈值的用户画像信息的类型，也可以定期更换用户画像信息集合中的用户画像信息的类型，防止由于模型参数泄密导致输出的信息的准确性下降。

对用户的网络记录进行处理可以采用聚类算法、预测算法、机器学习方法、自然语言处理方法、文本挖掘方法等来实现，具体到，用户经常登录篮球网站，可以知道用户喜欢的运动是篮球；用户在网络上经常购买书籍，可以知道用户喜欢读书；用户在网络上经常搜索育儿知识，可以知道用户有孩子等。

在本实施例的一些可选实现方式中，用户画像信息集合中的用户画像信息是经由以下步骤生成的：对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息；将至少一项特征信息输入至预先训练的用户画像信息生成模型，生成用户画像信息，用户画像信息生成模型用于表征特征信息与用户画像信息的对应关系。

在本实施例的一些可选实现方式中，网络记录包括文本记录；以及对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息，包括：对预设时间段内产生的目标用户的文本记录进行语义分析，生成关键词以及关键词出现的次数。

在本实现方式中，可以首先对文本记录进行切词等预处理，而后可以通过简单的词频统计、同语义词的归类得到关键词以及关键词出现的次数，也可以通过卷积神经网络或文本主题生成模型得到文本的主题分布，根据文本的主题分布确定关键词以及关键词出现的次数，文本主题生成模型可以是lda(latentdirichletallocation，隐含狄利克雷分布)模型。以此，特征信息可以表示为一个特征二元组(feature:weight)，其中，feature代表特征的类别，可以是关键词的类别，weight代表特征的权重，可以是关键词出现的次数。

在本实施例的一些可选实现方式中，文本记录包括以下至少一项：搜索引擎记录的检索词、浏览过的网页的内容信息、社交平台发布的信息。浏览过的网页的内容信息可以是浏览过的网页的标题，浏览过的网页文章的内容，浏览过的网页中图片、视频、音频的标题和标签等。社交平台发布的信息可以是发布的消息、论坛的发帖等。

在本实施例的一些可选实现方式中，网络记录包括待统计记录；以及对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息，包括：基于预设时间段内产生的目标用户的待统计记录，统计预先设置的待统计项的数量。此时，特征二元组中，feature代表特征的类别，可以是待统计项的类别，weight代表特征的权重，可以是待统计项的数量。

在本实施例的一些可选实现方式中，待统计记录包括以下至少一项：电子商务平台的订单记录、社交平台的好友记录、社交平台的登录记录、社交平台的信息发布记录、目标页面的浏览记录。电子商务平台的订单记录可以包括订单总金额，单笔订单最大金额、最小金额，订单数量等。社交平台的好友记录可以是社交平台中好友的数量。社交平台的登录记录可以是登陆的次数，登陆的频率等。目标页面的浏览记录可以是目标页面的浏览次数，目标页面可以根据实际需要进行设置，例如可以是预设网站中的页面。

在本实施例的一些可选实现方式中，用户画像信息还包括根据预设时间段生成的时间维度信息。由于部分画像信息具有时效性，增加时间维度信息可以进一步提高信息输出的准确性。

步骤203，将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与用户标识对应的事件概率信息并输出。

在本实施例中，上述电子设备可以将步骤202中查询到的用户画像信息输入预先训练的事件概率预测模型，生成与用户标识对应的事件概率信息并输出。事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，事件概率信息用于指示预定义事件发生的概率。可以是具体的概率值，也可以是等级信息，例如，大概率，中概率，小概率。预定义事件可以是用户未能履行其提交的用户请求相关承诺的事件，例如，未按期还款，未按期归还物品等违约事件。

事件概率预测模型可以是基于正负样本进行训练得到的，事件概率预测模型也可以是技术人员基于对大量的用户画像信息和事件概率信息的统计而预先制定的、存储有多个用户画像信息与事件概率信息的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对一个或多个用户画像信息进行数值计算而得到用于表征事件概率信息的计算结果的计算公式。

作为示例，对用户画像信息进行数值计算时，用户画像信息的量化规则可以根据实际需要进行设置。可以是用户画像信息包括某一属性则为1，没有则为0，或者根据不同的程度进行量化得到更丰富的数值。例如，对于表征用户家庭是否有小孩的用户画像信息，用户家中有小孩则量化值可以为1，没有则量化值可以为0，对于表征用户居住小区的情况的用户画像信息，用户居住小区为高档则量化值可以为3，普通则量化值可以为2，较差则量化值可以为1。

在本实施例的一些可选实现方式中，方法还包括：响应于所输出的事件概率信息与第一预设信息匹配，根据用户请求生成订单。第一预设信息可以是概率值的范围，具体可以根据实际需要进行设置，例如，低于百分之五。除用户标识用户请求中还可以包括其他用于生成订单的信息，具体视订单种类而定，例如，对于贷款订单，用户请求中还可以包括贷款金额信息。若输出的事件概率信息不与第一预设信息匹配，还可以生成

在本实施例的一些可选实现方式中，方法还包括：响应于所输出的事件概率信息与第二预设信息匹配，将用户请求发送至目标设备，响应于接受到目标设备发送的订单生成指示，根据用户请求生成订单。第二预设信息可以是概率值的范围，具体可以根据实际需要进行设置，例如，百分之五到百分之十五。目标设备可以是用于对用户请求进行进一步处理的设备，例如可以是工作人员所使用的设备，或运行有其他模型的设备，将用户请求发送至目标设备，可对其进行人工分析或其他维度的分析。

继续参见图3，图3是根据本实施例的信息输出方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过终端301向服务器303发送了贷款请求302。服务器303接收到贷款请求302后，提取贷款请求302包括的用户标识，并基于所提取的用户标识，在预先建立的用户画像信息数据库中查询该用户的用户画像信息304，而后将查询到的用户画像信息304输入预先训练的违约概率预测模型，生成该用户的违约概率信息306并输出。

本申请的上述实施例提供的方法通过获取用户请求，所述用户请求包括用户标识；在用户画像信息集合中查询与所述用户标识匹配的用户画像信息，用户画像信息包括对用户的网络记录进行处理得到的属性信息；将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与所述用户标识对应的事件概率信息并输出，所述事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，所述事件概率信息用于指示预定义事件发生的概率，从而提供了一种基于用户画像信息的预测机制，丰富了输出事件概率信息的方法。

进一步参考图4，其示出了是训练事件概率预测模型的一种可选实现方式的流程400。该流程400，包括以下步骤：

步骤401，获取历史订单记录集合。

在本实施例中，信息输出方法运行于其上的电子设备(例如图1所示的服务器)可以获取历史订单记录集合。历史订单记录集合中的历史订单记录可以是基于上述电子设备接收到的历史用户请求所生成的订单的记录。例如，历史用户请求为用户申请贷款的请求，历史订单记录集合中的历史订单记录可以是贷款订单的记录。历史订单记录集合中的每条历史订单记录包括用户标识和用于指示预定义事件已发生的目标信息。以贷款订单为例，预定义事件可以是违约事件，即用户在约定的时间段内未还清贷款。

步骤402，将历史订单记录集合中不包含目标信息的历史订单记录包括的用户标识确定为正样本用户标识，历史订单记录集合中包含目标信息的历史订单记录包括的用户标识确定为负样本用户标识。

在本实施例中，上述电子设备可以将步骤401中获取的历史订单记录集合中不包含目标信息的历史订单记录包括的用户标识确定为正样本用户标识，历史订单记录集合中包含目标信息的历史订单记录包括的用户标识确定为负样本用户标识。以贷款订单为例，不包含目标信息的历史订单记录，可以是未发生违约事件的订单记录，即用户在约定的时间段内还清了贷款的订单记录。包含目标信息的历史订单记录，可以是发生了违约事件的订单记录，即用户在约定的时间段内未清贷款的订单记录。

步骤403，将用户画像信息集合中与正样本用户标识匹配的用户画像信息确定为正样本，用户画像信息集合中与负样本用户标识匹配的用户画像信息确定为负样本，利用机器学习方法，训练得到事件概率预测模型。

在本实施例中，上述电子设备可以将用户画像信息集合中与步骤402中确定的正样本用户标识匹配的用户画像信息确定为正样本，用户画像信息集合中与步骤402中确定的负样本用户标识匹配的用户画像信息确定为负样本，利用机器学习方法，训练得到事件概率预测模型。机器学习方法可以是逻辑回归(logisticregression)、随机森林(randomforest)、迭代决策树(gradientboostingdecisiontree)或神经网络等，利用机器学习方法，可以将样本和特征关联起来，输入模型并迭代训练的到最终的事件概率预测模型。

上述图4所示训练事件概率预测模型的流程，通过获取历史订单记录集合，将历史订单记录集合中不包含目标信息的历史订单记录包括的用户标识确定为正样本用户标识，历史订单记录集合中包含目标信息的历史订单记录包括的用户标识确定为负样本用户标识；将用户画像信息集合中与正样本用户标识匹配的用户画像信息确定为正样本，用户画像信息集合中与负样本用户标识匹配的用户画像信息确定为负样本，利用机器学习方法，训练得到事件概率预测模型。基于真实的订单数据进行模型训练，无需额外构造样本，提升了模型训练的效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息输出装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的信息输出装置500包括：获取单元501、查询单元502、输出单元503。其中，获取单元501，用于获取用户请求，用户请求包括用户标识；查询单元502，用于在用户画像信息集合中查询与用户标识匹配的用户画像信息，用户画像信息包括对用户的网络记录进行处理得到的属性信息；输出单元503，用于将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与用户标识对应的事件概率信息并输出，事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，事件概率信息用于指示预定义事件发生的概率。

在本实施例中，信息输出装置500的获取单元501、查询单元502、输出单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。

在本实施例的一些可选实现方式中，装置还包括事件概率预测模型训练单元(图中未示出)，事件概率预测模型训练单元(图中未示出)，用于：获取历史订单记录集合，历史订单记录集合中的每条历史订单记录包括用户标识和用于指示预定义事件已发生的目标信息；将历史订单记录集合中不包含目标信息的历史订单记录包括的用户标识确定为正样本用户标识，历史订单记录集合中包含目标信息的历史订单记录包括的用户标识确定为负样本用户标识；将用户画像信息集合中与正样本用户标识匹配的用户画像信息确定为正样本，用户画像信息集合中与负样本用户标识匹配的用户画像信息确定为负样本，利用机器学习方法，训练得到事件概率预测模型。

在本实施例的一些可选实现方式中，装置还包括用户画像信息生成单元(图中未示出)，用户画像信息生成单元(图中未示出)，用于：对预设时间段内产生的目标用户的网络记录进行特征提取，生成至少一项特征信息；将至少一项特征信息输入至预先训练的用户画像信息生成模型，生成用户画像信息，用户画像信息生成模型用于表征特征信息与用户画像信息的对应关系。

在本实施例的一些可选实现方式中，网络记录包括文本记录；以及用户画像信息生成单元(图中未示出)，进一步配置用于：对预设时间段内产生的目标用户的文本记录进行语义分析，生成关键词以及关键词出现的次数。

在本实施例的一些可选实现方式中，文本记录包括以下至少一项：搜索引擎记录的检索词、浏览过的网页的内容信息、社交平台发布的信息。

在本实施例的一些可选实现方式中，网络记录包括待统计记录；以及用户画像信息生成单元(图中未示出)，进一步配置用于：基于预设时间段内产生的目标用户的待统计记录，统计预先设置的待统计项的数量。

在本实施例的一些可选实现方式中，待统计记录包括以下至少一项：电子商务平台的订单记录、社交平台的好友记录、社交平台的登录记录、社交平台的信息发布记录、目标页面的浏览记录。

在本实施例的一些可选实现方式中，用户画像信息还包括根据预设时间段生成的时间维度信息。

在本实施例的一些可选实现方式中，装置还包括第一订单生成单元(图中未示出)，第一订单生成单元(图中未示出)，用于：响应于所输出的事件概率信息与第一预设信息匹配，根据用户请求生成订单。

在本实施例的一些可选实现方式中，装置还包括第二订单生成单元(图中未示出)，第二订单生成单元(图中未示出)，用于：响应于所输出的事件概率信息与第二预设信息匹配，将用户请求发送至目标设备，响应于接受到目标设备发送的订单生成指示，根据用户请求生成订单。

本申请的上述实施例提供的装置，通过获取用户请求，所述用户请求包括用户标识；在用户画像信息集合中查询与所述用户标识匹配的用户画像信息，用户画像信息包括对用户的网络记录进行处理得到的属性信息；将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与所述用户标识对应的事件概率信息并输出，所述事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，所述事件概率信息用于指示预定义事件发生的概率，从而提供了一种基于用户画像信息的预测机制，丰富了输出事件概率信息的方法。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、查询单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取用户请求的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取用户请求，所述用户请求包括用户标识；在用户画像信息集合中查询与所述用户标识匹配的用户画像信息，用户画像信息包括对用户的网络记录进行处理得到的属性信息；将查询到的用户画像信息输入预先训练的事件概率预测模型，生成与所述用户标识对应的事件概率信息并输出，所述事件概率预测模型用于表征用户画像信息与事件概率信息的对应关系，所述事件概率信息用于指示预定义事件发生的概率。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。