数据处理方法、装置、服务器及存储介质与流程

本发明实施例涉及信息技术处理领域，特别涉及一种数据处理方法、装置、服务器及存储介质。
背景技术：
：随着互联网技术的发展，市面上提供商品服务的应用层出不穷。为了保持应用对于用户市场的占有率，控制用户不流失，运营人员需要根据不同用户的商品操作行为对不同用户合理调配商品服务资源。然而发明人发现相关技术中存在如下问题：相关技术中，通常是对每个用户进行建模来预测用户的商品操作行为，建模操作工作量庞大，预测过程中耗时耗费巨大；且仅通过每个用户在历史一段时间内的商品操作行为来预测用户在未来一段时间的下单行为，预测结果的准确程度较低。技术实现要素：本发明实施方式的目的在于提供一种数据处理方法、装置、服务器及存储介质，有效提升了预测商品操作频次的准确程度。为解决上述技术问题，本发明的实施方式提供了一种数据处理方法，包括：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。本发明的实施方式还提供了一种数据处理方法，包括：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。本发明的实施方式还提供了一种数据处理装置，包括：获取模块，用于获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；预测模块，根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。本发明的实施方式还提供了一种数据处理装置，包括：数据获取模块，用于获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；频次预测模块，用于根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；阶段预测模块，用于根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。本发明的实施方式还提供了服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。本发明的实施方式还提供了服务器，包括：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的数据处理方法。本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的数据处理方法。本发明实施方式相对于现有技术而言，获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；也就是说，本实施方式中除了通过历史商品操作记录对商品操作频次进行预测，还将实际生活中多种会影响商品操作的特征信息(如商品操作策略信息、天气信息、节假日标志信息等，均会影响用户是否进行商品操作行为)，也作为预测商品操作频次的输入，从而使得预测得到的商品操作频次更为贴近实际生活中的商品操作行为，有效提升了预测商品操作频次的准确程度。另外，预设的用于预测商品操作频次的预测模型也是根据用户的历史商品操作记录和历史的特征信息训练得到的，也就是参考了多种维度的特征信息进行模型训练，使得模型训练的参考数据较为丰富，训练得到的预测模型能够较为真实准确地对商品操作频次进行预测，预测得到的商品操作频次的可参考价值较高。另外，在所述获取所述目标用户的历史商品操作记录后，还包括：根据所述目标用户的历史商品操作记录获取表征商品操作频次的特征数据；所述根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述特征数据和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的表征商品操作频次的特征数据和历史的特征信息训练得到；本实施方式中，将历史商品操作记录进行数据处理，将处理后得到的特征数据作为预测商品操作频次的输入，而不是直接将一条条历史商品操作记录作为预测模型的输入，有效减轻了预测模型在工作时的运转负荷量，也提高了预测模型的工作效率。另外，所述表征商品操作频次的特征数据，包括历史商品操作趋势；所述历史商品操作趋势通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作频次；根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势；将所述每组的商品操作趋势的集合作为所述历史商品操作趋势；本实施方式中提供了一种处理历史商品操作记录的方式，即根据历史商品操作记录，计算以周为单位的商品操作趋势，从而能够反映用户在一周内的商品操作行为变化趋势；本质上是考虑到用户的商品操作行为具有周期性的特性，对用户的商品操作行为特征进行了提取，避免了单纯使用商品操作时间进行预测时累积误差而导致的预测结果不准确的问题。另外，所述根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势，包括：根据预设的滑动窗口依次对每组内的商品操作频次取数，其中，所述每组的商品操作频次按所述商品操作频次对应的日期顺序排序；计算所述滑动窗口依次所取的商品操作频次的指标值，直至所述滑动窗口取完每组内的商品操作频次；将所述每组内的商品操作频次的指标值的集合作为所述每组的商品操作趋势，其中，所述每组内的商品操作频次的指标值按所述滑动窗口所取的商品操作频次的顺序排序集合。另外，所述表征商品操作频次的特征数据，包括历史商品操作均值；所述历史商品操作均值通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作次数；根据所述每组内各日期的商品操作次数计算所述每组的商品操作均值；将所述每组的商品操作均值的集合作为所述历史商品操作均值；本实施方式中提供了一种处理历史商品操作记录的方式，即根据历史商品操作记录，计算以周为单位的商品操作均值，从而能够反映用户在一周内的商品操作行为变化情况；本质上是考虑到用户的商品操作行为具有周期性的特性，对用户的商品操作行为特征进行了提取，避免了单纯使用商品操作时间进行预测时累积误差而导致的预测结果不准确的问题。另外，所述商品操作策略信息包括以下之一或任意组合：代金券信息、代金币信息、集点卡信息、红包信息；本实施方式中的商品操作策略信息具体指营销类信息，由于营销策略及商品操作产生的消费金额对于用户是否进行商品操作的影响较大，因此商品操作策略信息包括代金券信息、代金币信息、集点卡信息、红包信息等涉及营销策略及商品操作金额有关的信息，能够使得对于商品操作频次预测的准确程度更高。另外，所述天气信息包括以下之一或其组合：温度信息及气候信息；所述节假日标识信息用于标识所述日期是否为节假日；由于温度信息、天气信息及节假日标识信息对于用户是否进行商品操作的影响较大，因此将上述信息作为特征信息的一种，能够使得对于商品操作频次预测的准确程度更高。另外，所述特征信息具体为：通过独热编码方式编码的特征信息；独热编码(one-hot编码)是一种一位有效编码，通过独热编码方式编码特征信息，便于对离散数据进行处理，能够更好地解决数据挖掘对特征信息样本分类的问题，且对特征信息包含的特征进行了扩充。另外，所述预测模型由若干个机器学习模型组成；所述通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述目标用户的历史商品操作记录和实时的特征信息，获取各所述机器学习模型输出的商品操作频次；根据各所述机器学习模型输出的商品操作频次，确定所述目标用户的商品操作频次；也就是说，本实施方式中输出的商品操作频次是通过集成融合的机器学习模型得到的，应用集成融合的模型有利于后续研究模型学习曲线及模型权重参数，且应用集成融合的模型有利于指数级地降低模型输出的错误率，即有效提升了输出商品操作频次的准确程度。附图说明图1是根据本发明第一实施方式中数据处理方法的流程图；图2是根据本发明第二实施方式中数据处理方法的流程图；图3是根据本发明第二实施方式中获取历史商品操作趋势的流程图；图4是根据本发明第二实施方式中获取历史商品操作均值的流程图；图5是根据本发明第三实施方式中数据处理方法的流程图；图6是根据本发明第四实施方式中数据处理方法的流程图；图7是根据本发明第五实施方式中数据处理装置的结构方框图；图8是根据本发明第六实施方式中数据处理装置的结构方框图；图9是根据本发明第七实施方式中服务器的结构方框图；图10是根据本发明第八实施方式中服务器的结构方框图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。本发明第一实施方式涉及一种数据处理方法，本实施方式中的商品操作，可以理解为通过购物应用软件、外卖应用软件等进行的下单操作；本实施方式中的数据处理方法具体流程如图1所示，具体包括：步骤101，获取目标用户的历史商品操作记录和实时的特征信息；步骤102，根据历史商品操作记录和实时的特征信息，通过预设的预测模型，对目标用户的商品操作频次进行预测。本实施方式中，获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；也就是说，本实施方式中除了通过历史商品操作记录对商品操作频次进行预测，还将实际生活中多种会影响商品操作的特征信息(如商品操作策略信息、天气信息、节假日标志信息等，均会影响用户是否进行商品操作行为)，也作为预测商品操作频次的输入，从而使得预测得到的商品操作频次更为贴近实际生活中的商品操作行为，有效提升了预测商品操作频次的准确程度。另外，预设的用于预测商品操作频次的预测模型也是根据用户的历史商品操作记录和历史的特征信息训练得到的，也就是参考了多种维度的特征信息进行模型训练，使得模型训练的参考数据较为丰富，训练得到的预测模型能够较为真实准确地对商品操作频次进行预测，预测得到的商品操作频次的可参考价值较高。下面将商品操作作为下单操作，对本实施方式的数据处理方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。在步骤101中，获取目标用户的历史商品操作记录和实时的特征信息。本实施方式中，目标用户具体指将要预期其在未来一段时间段下单频次的用户，目标用户的历史商品操作记录具体指目标用户在以当前时间为起始点往前一段历史时间段内的商品操作记录；例如，对于目标用户a，获取目标用户a在过去三个月内的商品操作记录，作为目标用户a的历史商品操作记录。由于用户通常具有一定的消费行为习惯，因此通过历史商品操作记录来预测未来的商品操作频次的可参考价值较高。本实施方式中，获取实时的特征信息，包括获取目标用户实时的商品操作策略信息、实时的天气信息及实时的节假日标识信息；其中，目标用户实时的商品操作策略信息，具体指用于在用户下单时抵扣消费金额的优惠信息或是在用户下单时给予其他优惠的优惠信息，例如，商品操作策略信息可包括以下信息之一或任意组合:代金券信息、代金币信息、集点卡信息、红包信息；其中，代金券信息具体可指当前用户账户下拥有的代金券的剩余数量，代金币信息具体可指当前用户账户下拥有的代金币的剩余数量，等等。由于上述多种类的优惠信息，对于用户是否进行下单操作具有较大的影响(例如当对用户的优惠信息的优惠力度较大时，用户会倾向于进行下单操作；但当对用户的优惠信息的优惠力度较小时，用户可能会因下单性价比不高而不进行下单操作)，因此获取商品操作策略信息作为预测商品操作频次的输入，使得预测商品操作频次的准确程度更高。另外，关于获取实时的特征信息中的天气信息和节假日标识信息，与期望预测的商品操作频次的时间段有关；具体地说，若期望预测的是未来一周内目标用户的商品操作频次，则获取在未来一周内预测的天气信息，及未来一周内各日期的节假日标识信息；其中，未来一周内的天气信息可通过已知的天气预报情况获取，可包括以下信息之一或任意组合：温度信息及气候信息(例如，具体的温度数值、晴天气候、雨雪气候、大风气候等)；未来一周内各日期的节假日标识信息用于标识各日期是否为节假日(例如未来一周内的工作日的节假日标识信息为0，周末的节假日标识信息为1)。由于天气信息与节假日标识信息，也对于用户是否进行下单操作具有较大的影响(例如当天气晴好适宜外出时，用户进行下单操作的可能性较小；当天气恶劣不适宜外出时，用户进行下单操作的可能性较大；节假日时，用户进行线下购物或自主烹饪的时间较为充裕，则进行下单操作的可能性较小；非节假日时，用户忙于工作，则进行下单操作的可能性较大)，因此获取天气信息及节假日信息为预测商品操作频次的输入，使得预测商品操作频次的准确程度更高。步骤102，根据历史商品操作记录和实时的特征信息，通过预设的预测模型，对目标用户的商品操作频次进行预测，也就是说，将步骤101中获取的目标用户的历史商品操作记录和实时的特征信息，作为预设的预测模型的输入，得到预测模型输出的目标用户的商品操作频次；预设的预测模型可以是机器学习模型。在一个实例中，期望预测的是未来一周内目标用户a的商品操作频次，对于预设的预测模型的输入为：目标用户a在过去三个月内的商品操作记录、当前目标用户a账户下拥有的代金券剩余数量和代金币剩余数量、未来一周内预测的天气信息、未来一周内各日期的节假日标识信息；则预设的预测模型输出的是目标用户a在未来一周内的商品操作频次，可以理解为输出的是目标用户a在未来一周内每一天的商品操作频次(共7个商品操作频次数值)。在实际应用中，也可在得到目标用户a在在未来一周内每一天的商品操作频次(共7个商品操作频次数值)后，可取7个商品操作频次数值的指标值(平均值或其中的最大值)，作为目标用户a在未来一周内的总商品操作频次。本实施方式中，预测的用于预测商品操作频次的预测模型，是根据用户的历史商品操作记录和历史的特征信息训练得到的机器学习模型。需要说明的是，训练预测模型时使用的用户的历史商品操作记录，为多个用户的历史商品操作记录(需要说明的是，存在历史商品操作记录的用户作为正样本，不存在历史商品操作记录的用户作为负样本；负样本也作为训练模型的素材)，用户的数量越多，则用于训练的用户的历史商品操作记录越丰富，从而使得模型能够在丰富的数据环境中进行训练，以提高训练后的预测模型输出的准确程度，且训练得到的预测模型能够适用于范围较广的用户群体。另外，训练预测模型时使用的历史的特征信息，与多个用户的历史商品操作记录对应的历史时间段有关；具体地说，若训练预测模型时使用的是多个用户在过往历史三个月内的历史商品操作记录，则获取的历史的特征信息为过往历史三个月内的特征信息，例如：获取上述多个用户在过往历史三个月内进行商品操作记录时使用代金券的情况(用户是否使用代金券进行商品操作及使用代金券的数额等)、使用代金币的情况(用户是否使用代金币进行商品操作及使用代金币的数额等)、使用红包的情况(用户是否使用红包进行商品操作及使用红包的数额等)、集点卡的情况(用户是否拥有集点卡及是否使用集点卡等)等；获取过往历史三个月内每天的天气信息(可包括以下信息之一或任意组合：温度信息及气候信息)；获取过往历史三个月内每天的节假日标识信息。也就是说，在训练预测模型时，通过多个维度的特征信息来尽可能的复现用户的历史商品操作行为，使得训练后的预测模型的预测效果贴近实际情况。本实施方式相对于现有技术而言，获取实时的特征信息，包括获取目标用户实时的商品操作策略信息、实时的天气信息及实时的节假日标识信息；其中，目标用户实时的商品操作策略信息，具体指用于在用户下单时抵扣消费金额的优惠信息或是在用户下单时给予其他优惠的优惠信息，例如，商品操作策略信息可包括以下信息之一或任意组合:代金券信息、代金币信息、集点卡信息、红包信息；其中，代金券信息具体可指当前用户账户下拥有的代金券的剩余数量，代金币信息具体可指当前用户账户下拥有的代金币的剩余数量，等等。由于上述多种类的优惠信息，对于用户是否进行下单操作具有较大的影响(例如当对用户的优惠信息的优惠力度较大时，用户会倾向于进行下单操作；但当对用户的优惠信息的优惠力度较小时，用户可能会因下单性价比不高而不进行下单操作)，因此获取商品操作策略信息作为预测商品操作频次的输入，使得预测商品操作频次的准确程度更高。本发明第二实施方式涉及一种数据处理方法，第二实施方式中提供了两种对历史商品操作记录进行数据处理的方式。本实施方式中将商品操作作为下单操作进行说明，本实施方式中的数据处理方法如图2所示，下面对图2的流程做具体说明：步骤201，获取目标用户的历史商品操作记录和实时的特征信息；此步骤与步骤101大致相同，此处不再赘述。步骤202，根据目标用户的历史商品操作记录获取表征商品操作频次的特征数据；具体地说，本步骤中对获取到的目标用户的历史商品操作记录进行了数据处理，得到用于表征商品操作频次的特征数据，将处理后得到的特征数据作为预测商品操作频次的输入，而不是直接将一条条历史商品操作记录作为预测模型的输入，有效减轻了预测模型在工作时的运转负荷量；同时，预设的训练模型也是通过处理后的多个用户的历史商品操作记录训练得到的。本步骤中提供了两种对历史商品操作记录进行数据处理的方式，下面结合流程图对两种数据处理方式进行具体说明。第一种方式中，得到的用于表征商品操作频次的特征数据可以指历史商品操作趋势，获取历史商品操作趋势的流程图如图3所示，包括：子步骤301，对历史时间段的各日期分组。具体地说，对获取到的目标用户的历史商品操作记录对应的历史时间段按日期进行分组，同组内的日期具有相同的星期标识，此处的星期标识可以理解为周一、周二……周日共7个星期标识。例如，获取到目标用户在过去一个月内的历史商品操作记录，过去一个月共有30天(1至30号)，将1至30号划分为7组(周一组、周二组……周日组)，周一组内包括4个日期(3号、10号、17号、24号)，周二组内包括4个日期(4号、11号、18号、25号)……周日组内包括5个日期(2号、9号、16号、23号、30号)。子步骤302，获取每组内各日期的商品操作频次。具体地说，本步骤中各日期的商品操作频次等于各日期内下单操作的总次数除以1(即等于各日期内下单操作的总次数)，例如，在周一组内，用户在3号共有1次下单操作，则3号的商品操作频次为1；用户在10号共有2次下单操作，则10号的商品操作频次为2，等等。每组内各日期的商品操作频次，按照商品操作频次对应的日期顺序排序，例如，周一组内4个日期(3号、10号、17号、24号)的商品操作频次也按照3号、10号、17号、24号的顺序排序。子步骤303，根据预设的滑动窗口依次对每组内的商品操作频次取数，计算滑动窗口依次所取的商品操作频次的指标值，直至滑动窗口取完每组内的商品操作频次。具体地说，预设一定长度的滑动窗口，按照每组内按日期顺序排序的商品操作频次取数，并计算每一次滑动窗口所取的商品操作频次的指标值，直至滑动窗口取完组内所有的商品操作频次；本步骤中的滑动窗口的长度可根据实际需求自行设置，不做具体的限制；本步骤中计算指标值，可以理解为计算平均值或计算和值等，不做具体的限制。例如，预设滑动窗口的长度为3，通过滑动窗口对周一组内的商品操作频次取数，周一组内的商品操作频次如下表排列：则预设的滑动窗口依次取商品操作频次的结果为：(1,2,1)；(2,1,1)；(1,1,2)；(1,2,0)；(2,0,1)计算滑动窗口依次所取的商品操作频次的平均值为：(1+2+1)/3；(2+1+1)/3；(1+1+2)/3；(1+2+0)/3；(2+0+1)/3即周一组内的商品操作频次的指标值依次为：4/3，4/3,4/3,1,1子步骤304，将每组内的商品操作频次的指标值的集合作为每组的商品操作趋势。具体地说，将计算得到的每组内的商品操作频次的指标值按滑动窗口所取的商品操作频次的顺序进行排序，按顺序进行排序的指标值的集合即为每组的商品操作趋势。例如，将步骤303中得到的周一组内的商品操作频次的指标值按顺序进行排序集合，得到周一组的商品操作趋势为：4/3→4/3→4/3→1→1由上述周一组的商品操作趋势可知，用户在周一的下单操作行为有逐渐减少的趋势。子步骤305，将每组的商品操作趋势的集合作为历史商品操作趋势。具体地说，由于根据星期标识将历史时间段内的日期分为了7组，因此将7组商品操作趋势的集合作为历史商品操作趋势，即历史商品操作趋势包括周一组的商品操作趋势至周日组的商品操作趋势，历史商品操作趋势为用于表征商品操作频次的特征数据。以上为第一种对历史商品操作记录进行数据处理的方式；第二种方式中，得到的用于表征商品操作频次的特征数据可以指历史商品操作均值，获取历史商品操作均值的流程图如图4所示，包括：子步骤401，对历史时间段的各日期分组。此步骤中，同组内日期具有相同的星期标识，此步骤与步骤301大致相同，此处不再赘述。子步骤402，获取每组内各日期的商品操作次数。具体地说，本步骤中直接获取各日期内下单操作的总次数即可，无需进行其他计算。例如，周一组内，用户在3号的下单操作的总次数为1，在10号的下单操作的总次数为2……等等。子步骤403，根据每组内各日期的商品操作次数计算每组的商品操作均值。具体地说，每组的商品操作均值根据每组内各日期的商品操作次数的总和和每组内的总天数计算得到。例如，周一组内的商品操作次数如下表排列：则周一组内各日期的商品操作次数的总和为：(1+2+1+1+2+0+1+1+0)＝9次周一组内的总天数为：9天则周一组内的商品操作均值为：9/9＝1子步骤404，将每组的商品操作均值的集合作为历史商品操作均值。具体地说，由于根据星期标识将历史时间段内的日期分为了7组，因此将7组商品操作均值的集合作为历史商品操作均值，即历史商品操作均值包括周一组的商品操作均值至周日组的商品操作均值，历史商品操作均值为用于表征商品操作频次的特征数据。例如，历史商品操作均值包括的周一组至周日组的商品操作均值为：1,1,8/7,1,2,1/3,2/3，同样也可以大致反映用户在一周内进行下单操作行为的变化趋势。需要说明的是，第二种方式中也可根据每组内各日期的商品操作次数来计算每组的商品操作和值，作为后续使用的特征数据，不做具体的限制。本实施方式中，通过星期标识来分组获取表征商品操作频次的特征数据，实际上是对用户的下单行为特征进行了提取，也是考虑到用户的下单行为具有周期性的这一特性；由于单纯采用下单时间与下单行为进行预测时，会随着时间的推移不断累积误差，从而造成预测结果的失效，因此采用采用上述两种方式，避免了时间跨度的累积误差而导致的预测结果不准确的问题。在对历史商品操作记录进行数据处理得到用于表征商品操作频次的特征数据后，执行步骤203：步骤203，根据特征数据和实时的特征信息，通过预设的预测模型，对目标用户的商品操作频次进行预测。具体地说，将特征数据和实时的特征信息作为预测模型的输入，从而预测模型无需对单独成条的历史商品操作记录进行数据处理，而可直接根据输入的商品操作趋势来输出预测的未来一段时间的商品操作趋势，有效减轻了预测模型在工作时的运转负荷量，也提高了预测模型的工作效率。此步骤与步骤102大致相同，此处不再赘述。本实施方式相对于现有技术而言，将处理历史商品操作记录后得到的特征数据作为预测模型的输入，从而预测模型无需对单独成条的历史商品操作记录进行数据处理，有效减轻了预测模型在工作时的运转负荷量，也提高了预测模型的工作效率。另外，根据星期标识分组计算历史商品操作趋势或历史商品操作均值，以大致反映用户在一周内进行下单操作行为的变化情况，实际上是对用户的下单行为特征进行了提取，也是考虑到用户的下单行为具有周期性的这一特性；由于单纯采用下单时间与下单行为进行预测时，会随着时间的推移不断累积误差，从而造成预测结果的失效，因此采用采用上述两种方式，避免了时间跨度的累积误差而导致的预测结果不准确的问题。本发明第三实施方式涉及一种数据处理方法，本发明第三实施方式与第一实施方式或第二实施方式大致相同，在本发明第三实施方式中，特征信息以编码的方式体现；预测模型由若干个机器学习模型组成。本实施方式中将商品操作作为下单操作进行说明，本发明第三实施方式中数据处理方法如图5所示，下面对图5的流程作具体说明：步骤501，获取目标用户的历史商品操作记录和实时的特征信息；具体地说，本实施方式中的特征信息可以编码的方式体现，例如通过独热编码的方式进行编码；此处说明的特征信息既指用于预测下单频次时对预测模型输入的特征信息，也指训练预测模型时输入的特征信息。其中，独热编码，即one-hot编码、一位有效编码，主要是采用n位状态寄存器来对n个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效，即保证每个样本中的单个特征只有1位处于状态1，其余位都是状态0；独热编码解决了对离散数据不好处理的问题，能够更好地解决数据挖掘对特征信息样本分类的问题，且在一定程度上起到了扩充特征的作用。在一个实例中，对于特征信息中包括的商品操作策略信息，可通过如下方式编码：当在预测模型预测阶段时，商品操作策略信息包括代金券信息与代金币信息；其中，代金券信息具体指当前用户账户下拥有的代金券的剩余数量，代金券的剩余数量可编码为如下表所示：或是，代金券信息具体指当前用户账户下是否拥有处于有效期内的代金券，若当前用户账户下拥有处于有效期内的代金券，则编码为1；若当前用户账户下不拥有处于有效期内的代金券，则编码为0。在预测模型预测阶段时，代金币信息的编码规则与方式可类似参考如上代金券信息的方便进行设置。当在预测模型训练阶段，商品操作策略信息包括代金券信息、代金币信息、集点卡信息、红包信息；其中，代金券信息具体指用户是否使用代金券进行下单，若用户使用了代金券进行下单，则编码为1；若用户未使用代金券进行下单，则编码为0；代金券信息还包括用户下单时使用的代金券的数额，代金券的使用数额可编码为如下表所示：代金券使用数额独热编码10001200103010041000或是，当代金券的使用数额大于3时编码为1，当代金券的使用数额小于3时编码为0。在预测模型训练阶段时，代金币信息、集点卡信息及红包信息的编码规则与方式可类似参考如上代金券信息的方便进行设置。在一个实例中，对于特征信息中包括的天气信息，可通过如下方式编码：天气信息包括温度信息及气候信息；温度信息及气候信息又可细分为如下几个维度的特征：温度、天气现象、起风程度、适宜外出程度等，其中，对温度特征可编码为如下表所示：温度独热编码温度≥30℃100030℃＞温度＞15℃010015℃≥温度＞0℃00100℃≥温度0001对天气现象特征可编码为如下表所示：对起风程度特征可编码为如下表所示：起风程度独热编码大风程度100微风程度010无风程度001对适宜外出程度特征可编码为如下表所示：适宜外出程度独热编码适宜外出1000一般适宜外出0100不适宜外出0010非常不适宜外出0001将上述若干个维度的特征的独热编码进行结合，可得到具体某一日期下天气信息的编码如下表所示：天气信息独热编码晴天/20℃/微风/适宜外出10001000101000阴天/10℃/大风/不适宜外出01000101000010雨雪/0℃/大风/非常不适宜外出00100011000001在一个实例中，对于特征信息中包括的节假日标识信息，可通过如下方式编码：当具体某一日期为节假日时，则编码为1；当具体某一日期不为节假日时，则编码为0。需要说明的是，本实施方式也可结合第二实施方式进行实施；结合第二实施方式中的对历史商品操作记录的数据处理，对于用户在某一日期的历史商品操作记录及历史的特征信息，可如下表所示：也就是说，将上述数字化的历史商品操作记录和特征信息作为对预测模型的输入，便于机器学习模型的机器学习算法进行数据的处理计算。本步骤中的其他部分与步骤101大致相同，此处不再赘述。步骤502，根据历史商品操作记录和实时的特征信息，获取各机器学习模型输出的商品操作频次；步骤503，根据各机器学习模型输出的商品操作频次，确定目标用户的商品操作频次。具体地说，本实施方式中的预测模型是由若干个机器学习模型组合而成的，若干个机器学习模型都是经过用户的历史商品操作记录和历史的特征信息训练得到的，输出的结果均是对目标用户的商品操作频次的预测值。将获取到的目标用户的历史商品操作记录和实时的特征信息分别输入至组成预测模型的每个机器学习模型中去，分别得到每个机器学习模型输出的对目标用户的商品操作频次的预测值；本实施方式中，对每个机器学习模型输出的商品操作频次的预测值取平均值，将得到的平均商品操作频次确定为预测的目标用户的商品操作频次。通过这种应用集成融合多个模型的方式，有利于后续研究各模型的学习曲线及各模型的模型权重参数；且应用集成融合的模型进行预测有利于指数级地降低模型输出的错误率，即有效提升了输出商品操作频次的准确程度。在实际应用中，若干个机器学习模型可包括lr模型、xgboost模型、randomforest模型及svr模型等。本实施方式相对于现有技术而言，对特征信息进行了编码等数字化的处理后，再作为对预测模型的输入，便于机器学习模型的机器学习算法进行数据的处理计算；且预测模型是由多个机器学习模型集成融合的，有利于后续研究各模型的学习曲线及各模型的模型权重参数；且应用集成融合的模型进行预测有利于指数级地降低模型输出的错误率，即有效提升了输出商品操作频次的准确程度。本发明第四实施方式涉及一种数据处理方法。本实施方式中的数据处理方法具体流程如图6所示，具体包括：步骤601，获取目标用户的历史商品操作记录和实时的特征信息；此步骤与步骤101大致相同，此处不再赘述。步骤602，根据历史商品操作记录和实时的特征信息，通过预设的预测模型，对目标用户的商品操作频次进行预测；此步骤与步骤102大致相同，此处不再赘述。步骤603，根据预测的目标用户的商品操作频次，获取目标用户所处的生命周期阶段。本实施方式中，根据第一实施方式、第二实施方式或第三实施方式中预测得到的目标用户的商品操作频次，进行目标用户所处生命周期阶段的判断；本实施方式中的生命周期，可以理解为用户从开始使用本申请中提供的商品服务至不再使用商品服务的全过程；根据用户使用行为，可将用户的生命周期划分为四个阶段：进入期，稳定期，衰退期和流失期；针对处于不同生命周期阶段的用户，需要提供不同的商品服务策略，以增加用户粘度；因此本实施方式中通过预测得到的用户在未来一段时间内的商品操作频次来判断用户所处的生命周期阶段，以便进行后续的运营服务工作。下面对本实施方式的数据处理方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。第一种方式具体为通过比较预测的目标用户的商品操作频次，与预设的商品操作频次阈值的大小，来确定预测目标用户所处的生命周期阶段。由于通常根据用户使用行为，将用户的生命周期划分为四个阶段：进入期，稳定期，衰退期和流失期，则分别为上述四个阶段设置商品操作频次阈值；阈值大小可根据运营人员的实际运营经验及需求进行确定。在比较预测的目标用户的商品操作频次与预设的商品操作频次阈值的大小时，可获取预测的目标用户的商品操作频次的指标值，与预设的商品操作频次阈值进行比较，例如，在得到目标用户a在在未来一周内共7个商品操作频次数值后，可取7个商品操作频次数值的平均值，作为目标用户a在未来一周内的总商品操作频次，与预设的商品操作频次阈值进行比较；由于处于进入期的用户的商品操作频次处于上升趋势，因此可预设进入期的商品操作频次阈值为一个可表征进入期的用户最低商品操作频次的数值，则当目标用户a在未来一周内的总商品操作频次大于进入期的商品操作频次阈值，可大致判定目标用户a目前处于进入期；其他生命周期阶段的判断规则与此类似。本方式在实际应用中较为容易实现，通过预设的阈值能较易地对处于不同生命周期阶段的用户进行快速划分。第二种方式具体为通过比较预测的目标用户的商品操作频次，与历史的商品操作频次的大小，来确定预测目标用户所处的生命周期阶段。例如，在得到目标用户a在在未来一周内共7个商品操作频次数值后，可取7个商品操作频次数值的平均值，作为目标用户a在未来一周内的总商品操作频次；同时，获取目标用户a在过去一周内的总商品操作频次，与目标用户a在未来一周内的总商品操作频次进行比较，可根据比较结果获知目标用户a的商品操作频次的变化趋势，从而判断目标用户a所处的生命周期阶段；由于处于进入期的用户的商品操作频次处于上升趋势，因此当目标用户a在未来一周内的总商品操作频次大于在过去一周内的总商品操作频次，则可大致判定目标用户a目前处于进入期；由于处于衰退期的用户的商品操作频次处于下降趋势，因此当目标用户a在未来一周内的总商品操作频次小于在过去一周内的总商品操作频次，则可大致判定目标用户a目前处于衰退期；其他生命周期阶段的判断规则与此类似。本方式中，进行比较的双方均是同一目标用户的商品操作频次，在比较判断的结果上更能体现出目标用户的商品操作频次变化趋势，从而使得判断得到的生命周期阶段更为准确。本实施方式相对于现有技术而言，根据第一实施方式、第二实施方式或第三实施方式中预测得到的目标用户的商品操作频次，进行目标用户所处生命周期阶段的判断，从而能够便于运营方根据目标用户所处的生命周期阶段提前对目标用户规划实施针对性的服务策略，以提升目标用于对运营方提供的商品服务的黏性和认知度，培养目标用户的商品操作行为习惯，有助于控制运营成本。本发明第五实施方式涉及一种数据处理装置，如图7所示，包括：获取模块701和预测模块702。获取模块701，用于获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；预测模块702，根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。在一个实例中，获取模块701还用于在获取所述目标用户的历史商品操作记录后，还包括：根据所述目标用户的历史商品操作记录获取表征商品操作频次的特征数据；所述根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述特征数据和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的表征商品操作频次的特征数据和历史的特征信息训练得到。在一个实例中，获取模块701获取的所述表征商品操作频次的特征数据，包括历史商品操作趋势；所述历史商品操作趋势通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作频次；根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势；将所述每组的商品操作趋势的集合作为所述历史商品操作趋势。在一个实例中，获取模块701根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势，包括：根据预设的滑动窗口依次对每组内的商品操作频次取数，其中，所述每组的商品操作频次按所述商品操作频次对应的日期顺序排序；计算所述滑动窗口依次所取的商品操作频次的指标值，直至所述滑动窗口取完每组内的商品操作频次；将所述每组内的商品操作频次的指标值的集合作为所述每组的商品操作趋势，其中，所述每组内的商品操作频次的指标值按所述滑动窗口所取的商品操作频次的顺序排序集合。在一个实例中，获取模块701获取的所述表征商品操作频次的特征数据，包括历史商品操作均值；所述历史商品操作均值通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作次数；根据所述每组内各日期的商品操作次数计算所述每组的商品操作均值；将所述每组的商品操作均值的集合作为所述历史商品操作均值。在一个实例中，获取模块701获取的所述商品操作策略信息包括以下之一或任意组合：代金券信息、代金币信息、集点卡信息、红包信息。在一个实例中，获取模块701获取的所述天气信息包括以下之一或其组合：温度信息及气候信息；所述节假日标识信息用于标识所述日期是否为节假日。在一个实例中，获取模块701获取的所述特征信息具体为：通过独热编码方式编码的特征信息。在一个实例中，预测模块702使用的所述预测模型由若干个机器学习模型组成；所述通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述目标用户的历史商品操作记录和实时的特征信息，获取各所述机器学习模型输出的商品操作频次；根据各所述机器学习模型输出的商品操作频次，确定所述目标用户的商品操作频次。不难发现，本实施方式为与第一实施方式、第二实施方式或第三实施方式的相对应的装置实施例，本实施方式可与第一实施方式第二实施方式或第三实施方式互相配合实施。第一实施方式第二实施方式或第三实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应的，本实施方式中提到的相关技术细节也可应用在第一实施方式第二实施方式或第三实施方式中。值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。本发明第六实施方式涉及一种数据处理装置，如图8所示，包括：数据获取模块801，频次预测模块802和阶段预测模块803。数据获取模块801，用于获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；频次预测模块802，用于根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；阶段预测模块803，用于根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。在一个实例中，阶段预测模块803根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段，包括：获取所述预测的所述目标用户的商品操作频次的指标值；根据所述商品操作频次的指标值与预设的生命周期阶段阈值的比较结果，判断所述目标用户所处的生命周期阶段。在一个实例中，阶段预测模块803根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段，包括：获取所述预测的所述目标用户的商品操作频次的指标值，及历史的所述目标用户的商品操作频次的指标值；根据所述商品操作频次的指标值与历史的所述目标用户的商品操作频次的指标值的比较结果，判断所述目标用户所处的生命周期阶段。需要说明的是，本实施方式中的数据获取模块801与第五实施方式中的获取模块701的功能大致相同；本实施方式中的频次预测模块802与第第五实施方式中的预测模块702的功能大致相同，此处不再赘述。不难发现，本实施方式为与第四实施方式相对应的装置实施例，本实施方式可与第四实施方式互相配合实施。第四实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应的，本实施方式中提到的相关技术细节也可应用在第四实施方式中。值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。本发明第七实施方式涉及一种服务器，如图9所示，该服务器包括至少一个处理器901；以及，与至少一个处理器901通信连接的存储器902；以及，与数据处理装置通信连接的通信组件903，通信组件903在处理器901的控制下接收和发送数据；其中，存储器902存储有可被至少一个处理器901执行的指令，指令被至少一个处理901执行以实现：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。具体地，该数据处理装置包括：一个或多个处理器901以及存储器902，图9中以一个处理器901为例。处理器901、存储器902可以通过总线或者其他方式连接，图9中以通过总线连接为例。存储器902作为一种计算机可读存储介质，可用于存储计算机软件程序、计算机可执行程序以及模块。处理器901通过运行存储在存储器902中的计算机软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述数据处理方法。存储器902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、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储902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、或其他非易失性固态存储器件。在一些实施方式中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器902中，当被一个或者多个处理器901执行时，执行上述任意方法实施方式中的数据处理方法。上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。在本实施方式中，获取实时的特征信息，包括获取目标用户实时的商品操作策略信息、实时的天气信息及实时的节假日标识信息；其中，目标用户实时的商品操作策略信息，具体指用于在用户下单时抵扣消费金额的优惠信息或是在用户下单时给予其他优惠的优惠信息，例如，商品操作策略信息可包括以下信息之一或任意组合:代金券信息、代金币信息、集点卡信息、红包信息；其中，代金券信息具体可指当前用户账户下拥有的代金券的剩余数量，代金币信息具体可指当前用户账户下拥有的代金币的剩余数量，等等。由于上述多种类的优惠信息，对于用户是否进行下单操作具有较大的影响(例如当对用户的优惠信息的优惠力度较大时，用户会倾向于进行下单操作；但当对用户的优惠信息的优惠力度较小时，用户可能会因下单性价比不高而不进行下单操作)，因此获取商品操作策略信息作为预测商品操作频次的输入，使得预测商品操作频次的准确程度更高。本发明第八实施方式涉及一种服务器，如图10所示，该服务器包括至少一个处理器001；以及，与至少一个处理器001通信连接的存储器002；以及，与数据处理装置通信连接的通信组件003，通信组件003在处理器001的控制下接收和发送数据；其中，存储器002存储有可被至少一个处理器001执行的指令，指令被至少一个处理001执行以实现：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。具体地，该数据处理装置包括：一个或多个处理器001以及存储器002，图10中以一个处理器001为例。处理器001、存储器002可以通过总线或者其他方式连接，图10中以通过总线连接为例。存储器002作为一种计算机可读存储介质，可用于存储计算机软件程序、计算机可执行程序以及模块。处理器001通过运行存储在存储器002中的计算机软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述数据处理方法。存储器002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、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储002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、或其他非易失性固态存储器件。在一些实施方式中，存储器002可选包括相对于处理器001远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器002中，当被一个或者多个处理器001执行时，执行上述任意方法实施方式中的数据处理方法。上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。在本实施方式中，根据预测得到的目标用户的商品操作频次，进行目标用户所处生命周期阶段的判断，从而能够便于运营方根据目标用户所处的生命周期阶段提前对目标用户规划实施针对性的服务策略，以提升目标用于对运营方提供的商品服务的黏性和认知度，培养目标用户的商品操作行为习惯，有助于控制运营成本。本发明第九实施方式涉及一种计算机可读存储介质例，即，本领域技术人员可以理解，实现上述数据处理方法实施例中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序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(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。本申请实施例公开了a1.一种数据处理方法，包括：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。a2.如a1所述的数据处理方法，在所述获取所述目标用户的历史商品操作记录后，还包括：根据所述目标用户的历史商品操作记录获取表征商品操作频次的特征数据；所述根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述特征数据和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的表征商品操作频次的特征数据和历史的特征信息训练得到。a3.如a2所述的数据处理方法，所述表征商品操作频次的特征数据，包括历史商品操作趋势；所述历史商品操作趋势通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作频次；根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势；将所述每组的商品操作趋势的集合作为所述历史商品操作趋势。a4.如a3所述的数据处理方法，所述根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势，包括：根据预设的滑动窗口依次对每组内的商品操作频次取数，其中，所述每组的商品操作频次按所述商品操作频次对应的日期顺序排序；计算所述滑动窗口依次所取的商品操作频次的指标值，直至所述滑动窗口取完每组内的商品操作频次；将所述每组内的商品操作频次的指标值的集合作为所述每组的商品操作趋势，其中，所述每组内的商品操作频次的指标值按所述滑动窗口所取的商品操作频次的顺序排序集合。a5.如a2所述的数据处理方法，所述表征商品操作频次的特征数据，包括历史商品操作均值；所述历史商品操作均值通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作次数；根据所述每组内各日期的商品操作次数计算所述每组的商品操作均值；将所述每组的商品操作均值的集合作为所述历史商品操作均值。a6.如a1所述的数据处理方法，所述商品操作策略信息包括以下之一或任意组合：代金券信息、代金币信息、集点卡信息、红包信息。a7.如a1所述的数据处理方法，所述天气信息包括以下之一或其组合：温度信息及气候信息；所述节假日标识信息用于标识所述日期是否为节假日。a8.如a1至a7任一项所述的数据处理方法，所述特征信息具体为：通过独热编码方式编码的特征信息。a9.如a1所述的数据处理方法，所述预测模型由若干个机器学习模型组成；所述通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述目标用户的历史商品操作记录和实时的特征信息，获取各所述机器学习模型输出的商品操作频次；根据各所述机器学习模型输出的商品操作频次，确定所述目标用户的商品操作频次。本申请实施例公开了b1.一种数据处理方法，包括：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。b2.如b1所述的数据处理方法，所述根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段，包括：获取所述预测的所述目标用户的商品操作频次的指标值；根据所述商品操作频次的指标值与预设的生命周期阶段阈值的比较结果，判断所述目标用户所处的生命周期阶段。b3.如b1所述的数据处理方法，所述根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段，包括：获取所述预测的所述目标用户的商品操作频次的指标值，及历史的所述目标用户的商品操作频次的指标值；根据所述商品操作频次的指标值与历史的所述目标用户的商品操作频次的指标值的比较结果，判断所述目标用户所处的生命周期阶段。本申请实施例公开了c1.一种数据处理装置，包括：获取模块，用于获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；预测模块，根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。c2.如c1所述的数据处理装置，在所述获取所述目标用户的历史商品操作记录后，还包括：根据所述目标用户的历史商品操作记录获取表征商品操作频次的特征数据；所述根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述特征数据和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的表征商品操作频次的特征数据和历史的特征信息训练得到。c3.如c2所述的数据处理装置，所述表征商品操作频次的特征数据，包括历史商品操作趋势；所述历史商品操作趋势通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作频次；根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势；将所述每组的商品操作趋势的集合作为所述历史商品操作趋势。c4.如c3所述的数据处理装置，所述根据所述每组内各日期的商品操作频次计算所述每组的商品操作趋势，包括：根据预设的滑动窗口依次对每组内的商品操作频次取数，其中，所述每组的商品操作频次按所述商品操作频次对应的日期顺序排序；计算所述滑动窗口依次所取的商品操作频次的指标值，直至所述滑动窗口取完每组内的商品操作频次；将所述每组内的商品操作频次的指标值的集合作为所述每组的商品操作趋势，其中，所述每组内的商品操作频次的指标值按所述滑动窗口所取的商品操作频次的顺序排序集合。c5.如c2所述的数据处理装置，所述表征商品操作频次的特征数据，包括历史商品操作均值；所述历史商品操作均值通过以下方式得到：对历史时间段内的各日期进行分组；其中，同组内日期具有相同的星期标识；获取每组内各日期的商品操作次数；根据所述每组内各日期的商品操作次数计算所述每组的商品操作均值；将所述每组的商品操作均值的集合作为所述历史商品操作均值。c6.如c1所述的数据处理装置，所述商品操作策略信息包括以下之一或任意组合：代金券信息、代金币信息、集点卡信息、红包信息。c7.如c1所述的数据处理装置，所述天气信息包括以下之一或其组合：温度信息及气候信息；所述节假日标识信息用于标识所述日期是否为节假日。c8.如c1至c7任一项所述的数据处理装置，所述特征信息具体为：通过独热编码方式编码的特征信息。c9.如c1所述的数据处理装置，所述预测模型由若干个机器学习模型组成；所述通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测，包括：根据所述目标用户的历史商品操作记录和实时的特征信息，获取各所述机器学习模型输出的商品操作频次；根据各所述机器学习模型输出的商品操作频次，确定所述目标用户的商品操作频次。本申请实施例公开了d1.一种数据处理装置，包括：数据获取模块，用于获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；频次预测模块，用于根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；阶段预测模块，用于根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。d2.如d1所述的数据处理装置，所述根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段，包括：获取所述预测的所述目标用户的商品操作频次的指标值；根据所述商品操作频次的指标值与预设的生命周期阶段阈值的比较结果，判断所述目标用户所处的生命周期阶段。d3.如d1所述的数据处理装置，所述根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段，包括：获取所述预测的所述目标用户的商品操作频次的指标值，及历史的所述目标用户的商品操作频次的指标值；根据所述商品操作频次的指标值与历史的所述目标用户的商品操作频次的指标值的比较结果，判断所述目标用户所处的生命周期阶段。本申请实施例公开了e1.一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到。e2.如e1所述的服务器，所述至少一个处理器能够执行：a2至a9任一项所述的数据处理方法。本申请实施例公开了f1.一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取目标用户的历史商品操作记录和实时的特征信息；其中，所述特征信息包括以下之一或其任意组合：商品操作策略信息、天气信息及节假日标识信息；根据所述历史商品操作记录和所述实时的特征信息，通过预设的用于预测商品操作频次的预测模型，对所述目标用户的商品操作频次进行预测；其中，所述预测模型根据用户的历史商品操作记录和历史的特征信息训练得到；根据预测的所述目标用户的商品操作频次，获取所述目标用户所处的生命周期阶段。f2.如f1所述的服务器，所述至少一个处理器能够执行：b2至b3任一项所述的数据处理方法。本申请实施例公开了g1.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现a1-a9任一项所述的数据处理方法。本申请实施例公开了h1.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现b1-b3任一项所述的数据处理方法。当前第1页12