航旅用户分类方法、电子设备和计算机可读存储介质与流程

航旅用户分类方法、电子设备和计算机可读存储介质
【技术领域】
1.本技术涉及计算机技术领域，尤其涉及一种航旅用户分类方法、电子设备和计算机可读存储介质。


背景技术：

2.随着社会经济的快速发展，用户的出行选择越来越多元化，在航空出行过程中在app或网页内的操作也愈加复杂，往往产生大量的操作行为数据。目前，可基于用户的操作行为数据获得用户重复购买机票的概率等信息，从而判断该用户对于本app或网页的忠诚度，依据该忠诚度对用户进行分类后，可有效针对不同类型的用户进行服务。由此，培养用户忠诚度和利用准确的忠诚度进行分类尤为重要。
3.然而，目前的忠诚度判定方式中所用到的信息非常单一，未能充分利用用户的操作行为数据，其所得的忠诚度准确性不足，以此为基础对用户进行分类的结果也就同样不够准确，从而无法为用户提供适应实际需求的服务，不利于用户体验。
4.因此，如何获得准确有效的用户忠诚度进行用户分类，成为目前亟待解决的技术问题。


技术实现要素：

5.本技术实施例提供了一种航旅用户分类方法、电子设备和计算机可读存储介质，旨在解决相关技术中无法快捷便利地获得有效用户忠诚度导致用户分类不合理的技术问题。
6.第一方面，本技术实施例提供了一种航旅用户分类方法，包括：获取多个航旅用户各自在多种维度下的航旅行为关联信息；基于所述多个航旅用户各自在多种维度下的航旅行为关联信息，确定每两类所述航旅行为关联信息间的相关系数；基于每两类所述航旅行为关联信息间的相关系数，在所述多个航旅用户涉及的全部所述航旅行为关联信息中，选择目标航旅行为关联信息；对于所述所有航旅用户的每种所述目标航旅行为关联信息，执行离差标准化处理，得到所述每个航旅用户在每种所述目标航旅行为关联信息下对应的变换值；基于所述变换值和预定熵值计算方式，确定所述每个航旅用户在每种所述目标航旅行为关联信息下的权重；基于所述每个航旅用户在每种所述目标航旅行为关联信息下的所述权重和所述变换值，确定所述每个航旅用户在所述多个维度下各自的忠诚度；对所述多个航旅用户在所述多个维度下各自的忠诚度进行聚类，得到多种航旅用户类型。
7.在本技术上述实施例中，可选地，在所述基于所述多个航旅用户各自在多种维度下的航旅行为关联信息，确定每两类所述航旅行为关联信息间的相关系数之前，还包括：按照指定聚合条件对所述每个航旅用户的全部航旅行为关联信息进行聚合；基于hive sql语句对聚合结果进行变换，并将变换结果存储至hadoop分布式文件系统中的数据表中。
8.在本技术上述实施例中，可选地，还包括：对所述数据表中的所述变换结果进行预处理，以供基于预处理后的数据表确定每两类所述航旅行为关联信息间的相关系数，其中，
所述预处理包括空值填充、错误值删除、数据格式转换。
9.在本技术上述实施例中，可选地，所述基于所述多个航旅用户各自在多种维度下的航旅行为关联信息，确定每两类所述航旅行为关联信息间的相关系数，包括：针对每两类所述航旅行为关联信息中的第一类航旅行为关联信息和第二类航旅行为关联信息，分别确定所述多个航旅用户的所述第一类航旅行为关联信息和所述第二类航旅行为关联信息的协方差和标准差；基于所述协方差和所述标准差，确定所述第一类航旅行为关联信息和所述第二类航旅行为关联信息间的相关系数。
10.在本技术上述实施例中，可选地，所述基于每两类所述航旅行为关联信息间的相关系数，在所述多个航旅用户涉及的全部所述航旅行为关联信息中，选择目标航旅行为关联信息，包括：对于单种所述航旅行为关联信息，若所述单种航旅行为关联信息与其他航旅行为关联信息的相关系数小于或等于相关系数阈值，确定所述单种航旅行为关联信息为所述目标航旅行为关联信息；否则，计算所有航旅用户的所述单种航旅行为关联信息的方差，若所述方差大于或等于指定方差阈值时，确定所述单种航旅行为关联信息为所述目标航旅行为关联信息。
11.在本技术上述实施例中，可选地，所述变换值的计算方式为：
[0012][0013]
或者，
[0014][0015]
其中，n为航旅用户的总数，m为目标航旅行为关联信息的总类数，k
ij
为第i个航旅用户的第j类目标航旅行为关联信息的原始数据，max{k
.j
}表示在n个航旅用户中第j类目标航旅行为关联信息的原始数据的最大值，min{k
.j
}表示在n个航旅用户中第j类目标航旅行为关联信息的原始数据的最小值；为所述第i个航旅用户的第j类目标航旅行为关联信息为与忠诚度正相关时经离差标准化变换之后的数据，为所述第i个航旅用户的第j类目标航旅行为关联信息为与忠诚度负相关时经离差标准化变换之后的数据。
[0016]
在本技术上述实施例中，可选地，所述基于所述变换值和预定熵值计算方式，确定所述每个航旅用户在每种所述目标航旅行为关联信息下的权重，包括：对于所述每个航旅用户，确定每种所述目标航旅行为关联信息对应的变换值在全部所述目标航旅行为关联信息中的比重；基于所述比重，确定每种所述目标航旅行为关联信息的熵值；基于每种所述目标航旅行为关联信息的熵值，确定每种所述目标航旅行为关联信息的权重。
[0017]
在本技术上述实施例中，可选地，所述基于所述每个航旅用户在每种所述目标航旅行为关联信息下的所述权重和所述变换值，确定所述每个航旅用户在所述多个维度下各自的忠诚度，包括：对于所述每个航旅用户，基于每种所述目标航旅行为关联信息下的所述权重和所述变换值，确定每种所述目标航旅行为关联信息对应的子忠诚度；将任一维度下的全部所述目标航旅行为关联信息对应的子忠诚度求和，得到所述维度下的忠诚度。
[0018]
第二方面，本技术实施例提供了一种电子设备，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，所述指令被设置为用于执行上述第一方面中任一项所述的方法。
[0019]
第三方面，本技术实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述第一方面中任一项所述的方法流程。
[0020]
以上技术方案，针对相关技术中无法快捷便利地获得有效用户忠诚度导致用户分类不合理的技术问题，可通过多个维度下大量类别的航旅行为关联信息综合确定航旅用户的忠诚度，从而实现对航旅用户的有效分类，提升了忠诚度计算的准确性和自动化程度，实现航旅用户的合理分类，便于依据分类结果采取更为贴合航旅用户实际需求的服务策略，提升用户体验。
【附图说明】
[0021]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0022]
图1示出了根据本技术的一个实施例的航旅用户分类方法的流程图；
[0023]
图2示出了根据本技术的一个实施例的基于忠诚度对航旅用户进行分类的示意图；
[0024]
图3示出了根据本技术的一个实施例的电子设备的框图。
【具体实施方式】
[0025]
为了更好的理解本技术的技术方案，下面结合附图对本技术实施例进行详细描述。
[0026]
应当明确，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
[0027]
在本技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0028]
图1示出了根据本技术的一个实施例的航旅用户分类方法的流程图。
[0029]
如图1所示，该航旅用户分类方法包括：
[0030]
步骤102，获取多个航旅用户各自在多种维度下的航旅行为关联信息。
[0031]
航旅用户指的是有航空出行需求的app用户或网页用户，基于忠诚度对航旅用户进行分类时，这一忠诚度的高低用于反映航旅用户对于该app或者该网页的使用意愿高低或者说用于反映航旅用户对于该app或者该网页的依赖程度的高低。
[0032]
在计算航旅用户的忠诚度时，可从情感忠诚、行为忠诚、意识忠诚三个维度出发。
[0033]
其中，情感忠诚主要从航旅用户对企业理念、视觉形象认同的角度来衡量航旅用户的忠诚度，具体包括机票业务浏览次数、距离上一次浏览机票业务的天数、机票业务搜索次数、距离上一次搜索机票业务的天数等多种航旅行为关联信息。
[0034]
行为忠诚主要从航旅用户在主营业务重复购买行为的角度来衡量航旅用户的忠诚度，具体包括航旅订单维度的机票复购次数、本app或者网页购买机票并出票成功的次数、第一次在本app或者网页购买机票并出票成功之后继续在本app或者网页购买机票并出
票成功次数占第一次航旅后所有行程的比例、非首次创建订单次数、本app或者网页购买机票并出票成功的次数占用户总行程的比例等多种航旅行为关联信息。
[0035]
意识忠诚主要从航旅用户对本app或网页提供的航空出行相关增值业务服务认可或消费的角度来衡量航旅用户的忠诚度，主要包括指定业务时间段内保险业务消费次数、指定业务时间段内保险业务消费金额、指定业务时间段内用车业务消费次数、指定业务时间段内用车业务消费金额、指定业务时间段内酒店业务消费次数、指定业务时间段内酒店业务消费金额、指定业务时间段内保险业务客单价、指定业务时间段内用车业务客单价、指定业务时间段内酒店业务客单价等多种航旅行为关联信息。
[0036]
步骤104，基于所述多个航旅用户各自在多种维度下的航旅行为关联信息，确定每两类所述航旅行为关联信息间的相关系数。
[0037]
步骤106，基于每两类所述航旅行为关联信息间的相关系数，在所述多个航旅用户涉及的全部所述航旅行为关联信息中，选择目标航旅行为关联信息。
[0038]
在计算相关系数时，可采用皮尔逊相关系数计算方式，具体地，针对每两类所述航旅行为关联信息中的第一类航旅行为关联信息和第二类航旅行为关联信息，分别确定所述多个航旅用户的所述第一类航旅行为关联信息和所述第二类航旅行为关联信息的协方差和标准差，换言之，即求得全部用户的第一类航旅行为关联信息与第二类航旅行为关联信息之间的协方差和标准差。
[0039]
接着，基于所述协方差和所述标准差，确定所述第一类航旅行为关联信息和所述第二类航旅行为关联信息间的相关系数。可选地，以所述协方差和所述标准差的商作为所述第一类航旅行为关联信息和所述第二类航旅行为关联信息的相关系数。
[0040]
两类航旅行为关联信息间的相关系数代表了两类航旅行为关联信息的关联程度，该相关系数越大，两类航旅行为关联信息关联性越高，其反映的航旅用户特征越接近，反之，该相关系数越小，两类航旅行为关联信息关联性越低，其反映的航旅用户特征越独立。
[0041]
在此基础上，对于单种所述航旅行为关联信息，若所述单种航旅行为关联信息与其他航旅行为关联信息的相关系数小于或等于相关系数阈值，确定所述单种航旅行为关联信息为所述目标航旅行为关联信息；否则，计算所有航旅用户的所述单种航旅行为关联信息的方差，若所述方差大于或等于指定方差阈值时，确定所述单种航旅行为关联信息为所述目标航旅行为关联信息。
[0042]
其中，相关系数阈值指的是两类航旅行为关联信息相互独立时的最高相关系数，若所述单种航旅行为关联信息与其他航旅行为关联信息的相关系数小于或等于相关系数阈值，说明该航旅行为关联信息与其他航旅行为关联信息相互独立，即该航旅行为关联信息可独立表征航旅用户的一类明显特征。至此，可将该航旅行为关联信息筛选出来，作为实际有效的目标航旅行为关联信息，参与到后续对忠诚度的计算和使用中去。
[0043]
反之，若所述单种航旅行为关联信息与其他航旅行为关联信息的相关系数大于相关系数阈值，就无法确定该航旅行为关联信息与其他航旅行为关联信息相互独立，此时，可引入该类航旅行为关联信息下各航旅用户的数据的方差作为新的评判标准，具体来说，对于多条同时相关的航旅行为关联信息，通过方差来选出其中方差最大的一条作为目标航旅行为关联信息。具体地，对于存在相互关联的航旅行为关联信息，选取所述多个航旅用户在该航旅行为关联信息下最大方差的航旅行为关联信息，方差越大则说明该航旅行为关联信
息波动较大，可更好表征相互关联的航旅行为关联信息的特征。至此，可将该航旅行为关联信息筛选出来，作为实际有效的目标航旅行为关联信息，参与到后续对忠诚度的计算和使用中去。
[0044]
以上，通过航旅行为关联信息间的相关性和方差可有效剔除具有共线性且差异较小的航旅行为关联信息。
[0045]
步骤108，对于所述所有航旅用户的每种所述目标航旅行为关联信息，执行离差标准化处理，得到所述每个航旅用户在每种所述目标航旅行为关联信息下对应的变换值。
[0046]
具体地，所述变换值的计算方式为：
[0047][0048]
或者，
[0049][0050]
其中，n为航旅用户的总数，m为目标航旅行为关联信息的总类数，k
ij
为第i个航旅用户的第j类目标航旅行为关联信息的原始数据，max{k
.j
}表示在n个航旅用户中第j类目标航旅行为关联信息的原始数据的最大值，min{k
.j
}表示在n个航旅用户中第j类目标航旅行为关联信息的原始数据的最小值；为所述第i个航旅用户的第j类目标航旅行为关联信息为与忠诚度正相关时经离差标准化变换之后的数据，为所述第i个航旅用户的第j类目标航旅行为关联信息为与忠诚度负相关时经离差标准化变换之后的数据。
[0051]
至此，若第j类目标航旅行为关联信息与忠诚度正相关，则计算其作为其在第i个航旅用户下第j类目标航旅行为关联信息对应的变换值。反之，若第j类目标航旅行为关联信息与忠诚度负相关，则计算其作为其在第i个航旅用户下第j类目标航旅行为关联信息对应的变换值。
[0052]
越大，以及越小，说明第j类目标航旅行为关联信息与忠诚度的相关性越高，经过离差标准化处理的变换后，剔除了数据的量纲，将数据都转化成了[0，1]之间的小数，降低数据间的量级差异，统一了数据量级标准，便于获得更为准确的计算结果。
[0053]
步骤110，基于所述变换值和预定熵值计算方式，确定所述每个航旅用户在每种所述目标航旅行为关联信息下的权重。
[0054]
在获得第i个航旅用户下第j类目标航旅行为关联信息对应的变换值后，可通过熵值法继续求得第i个用户下第j类目标航旅行为关联信息对应的权重。
[0055]
具体来说，对于所述每个航旅用户，确定每种所述目标航旅行为关联信息对应的变换值在全部所述目标航旅行为关联信息中的比重，或者说，计算第i个航旅用户在第j类目标航旅行为关联信息下l
ij
(下文中统称为l
ij
)所占的比重rate
ij
，其中，
[0056][0057]
为第i个航旅用户的全部目标航旅行为关联信息的变换值的总和。
[0058]
接下来，基于所述比重rate
ij
，确定每种所述目标航旅行为关联信息的熵值cj，每种所述目标航旅行为关联信息熵值代表了每种所述目标航旅行为关联信息的紊乱程度。其中，
[0059][0060]
n为航旅用户的总数。
[0061]
最终，基于每种所述目标航旅行为关联信息的熵值cj，确定每种所述目标航旅行为关联信息的权重ωj，其中，第i个航旅用户的第j类目标航旅行为关联信息所占的权重ωj的计算方式为：
[0062][0063]
步骤112，基于所述每个航旅用户在每种所述目标航旅行为关联信息下的所述权重和所述变换值，确定所述每个航旅用户在所述多个维度下各自的忠诚度。
[0064]
具体地，对于所述每个航旅用户，基于每种所述目标航旅行为关联信息下的所述权重和所述变换值，确定每种所述目标航旅行为关联信息对应的子忠诚度。换言之，对于所述每个航旅用户，将其下的一类所述目标航旅行为关联信息下的所述权重和所述变换值相乘，即可得到该类所述目标航旅行为关联信息对应的子忠诚度。
[0065]
接着，将任一维度下的全部所述目标航旅行为关联信息对应的子忠诚度求和，得到所述维度下的忠诚度。
[0066]
具体地，对于所述每个航旅用户，将其在情感忠诚这一维度下的全部目标航旅行为关联信息的子忠诚度求和，得到该航旅用户在情感忠诚这一维度下的忠诚度。
[0067]
对于所述每个航旅用户，将其在行为忠诚这一维度下的全部目标航旅行为关联信息的子忠诚度求和，得到该航旅用户在行为忠诚这一维度下的忠诚度。
[0068]
对于所述每个航旅用户，将其在意识忠诚这一维度下的全部目标航旅行为关联信息的子忠诚度求和，得到该航旅用户在意识忠诚这一维度下的忠诚度。
[0069]
最终，可选地，将所得的所述每个航旅用户在每个维度下的忠诚度存储至python环境下的临时数据框中。
[0070]
步骤114，对所述多个航旅用户在所述多个维度下各自的忠诚度进行聚类，得到多种航旅用户类型。
[0071]
具体地，在python环境下的临时数据框中取出所有航旅用户在三个维度的忠诚度，使用贝叶斯高斯混合模型算法对这些忠诚度进行聚类。首先，尝试使用较大的聚类中心个数进行聚类，依据计算出各类权重，剔除类群权重等于0和与0的差值小于指定差值的类，得到有效聚类。
[0072]
接着，可在有效聚类中选择能够类别特征足够明显的聚类作为最终的航旅用户类型。其中，可通过用户忠诚度分布图来判断类别特征是否足够明显。
[0073]
可选地，基于情感忠诚、行为忠诚、意识忠诚三个维度，可将已获得的聚类确定为高行为忠诚度用户、高情感忠诚度用户、高意识忠诚度用户、低行为忠诚度用户、低情感忠诚度用户、低意识忠诚度用户、高忠诚度用户或低忠诚度用户等类型。其中，为聚类确定类型时，是基于该聚类下航旅用户的三个维度的忠诚度分布情况来确定的。
[0074]
这一聚类方式可有效判断数据是否属于同一分布，相比常规的k均值聚类不再限制簇类为圆形，提升聚类的效果和精度。并且，此处将熵值法与聚类相结合使用，可在计算出准确有效的忠诚度后，以计算结果对航旅用户进行合理分类。
[0075]
在一种可能的设计中，权重的计算方法包括但不限于熵值法，还可以采用层次分
析法、人工打分法、优序图法、独立性权重法、信息浓缩法等其他任何计算方式，其中，信息浓缩法包括因子分析和主成分分析。
[0076]
在一种可能的设计中，聚类方法包括但不限于贝叶斯高斯混合模型，还可以采用k均值聚类、均值漂移聚类、基于密度的聚类方法、基于概率的计算方法、高斯混合模型的最大期望聚类、层次化聚类方法等任何其他聚类方式，在此处不做限制。
[0077]
至此，每当出现新的航旅用户的数据，或已有航旅用户的新数据，均可采用上述技术方案，对于航旅用户的忠诚度和航旅用户分类进行更新。
[0078]
以上技术方案，可通过多个维度下大量类别的航旅行为关联信息综合确定航旅用户的忠诚度，从而实现对航旅用户的有效分类，提升了忠诚度计算的准确性和自动化程度，实现航旅用户的合理分类，便于依据分类结果采取更为贴合航旅用户实际需求的服务策略，提升用户体验。
[0079]
例如，基于上述分类结果，可对不同的分类进行精准营销。高行为忠诚度用户是最主要的收入来源群体，其存在出行计划时会进行浏览以及购买机票，且愿意尝试航空出行的关联服务，对于这一类别，可采用提升服务质量、推荐其他增值服务促进转化、挖掘用户价值的更为积极的营销方式。而对于高情感忠诚度用户，可推荐新功能，增强用户体验感，同时链接服务入口促进其向高行为忠诚度用户转化。对于低忠诚度用户，可以通过发送消息的方式进行召回。
[0080]
这样一来，采用航旅用户在多个维度的大量类别的航旅行为关联信息计算用户忠诚度，降低了各单一的航旅行为关联信息的主观性，通过对目标航旅行为关联信息的筛选减少了用户忠诚度计算依据与实际业务不匹配的情况。并且，使用航旅行为关联信息间的相关系数和方差来筛选目标航旅行为关联信息，可降低变量间潜在的共线性问题。另外，选用熵值法对各指标进行计算得到三个维度下各自的得分，既可以更大程度上凸显各类航旅行为关联信息的差异性，使得各航旅行为关联信息的特征体现更加明确，又能够突出各航旅行为关联信息本身对于忠诚度的影响水平。以及，选用贝叶斯高斯混合模型算法是将具有类似特征分布的航旅用户进行合理划分，提高了聚类的效果和精度，使得同分布类别的航旅用户的特征更加明确，方便后期针对每种类别的用户进行精准的服务策略匹配。
[0081]
需要补充的是，在步骤104之前还包括：按照指定聚合条件对所述每个航旅用户的全部航旅行为关联信息进行聚合；基于hive sql语句对聚合结果进行变换，并将变换结果存储至hadoop分布式文件系统中的数据表中。
[0082]
指定聚合条件包括但不限于指定时间区间、指定业务类型等，比如，可将每个航旅用户在每周内的机票业务浏览次数进行聚合，得到总次数作为一种航旅行为关联信息。最终，通过hive sql语句将大量不同表现形式的航旅行为关联信息转化为数据表形式，存储在hadoop分布式文件系统中的数据表中，便于在后续步骤中调用。
[0083]
接着，即可调用该数据表，对所述数据表中的所述变换结果进行预处理，以供基于预处理后的数据表确定每两类所述航旅行为关联信息间的相关系数，所述预处理用于对数据进行修正和简化等，使数据更为准确可靠，具体包括空值填充、错误值删除、数据格式转换等。
[0084]
结合图1示出的实施例，如图2所示，获取多个航旅用户各自在多种维度下的航旅行为关联信息，作为原始数据集。其中，情感忠诚维度下包括指标a1、
……
、指标an这n类航
旅行为关联信息，行为忠诚维度下包括指标b1、
……
、指标bn这n类航旅行为关联信息，意识忠诚维度下包括指标c1、
……
、指标cn这n类航旅行为关联信息。
[0085]
结合图1示出的忠诚度计算方式，在结合熵值法确定权重后，可得到每个航旅用户在三个维度各自的忠诚度得分。至此，再使用贝叶斯高斯混合模型进行聚类，得到用户忠诚度类别1、用户忠诚度类别2、
……
、用户忠诚度类别n。
[0086]
图3示出了本技术的一个实施例的电子设备的框图。
[0087]
如图3所示，本技术的一个实施例的电子设备300，包括至少一个存储器302；以及，与所述至少一个存储器302通信连接的处理器304；其中，所述存储器存储有可被所述至少一个处理器304执行的指令，所述指令被设置为用于执行上述任一实施例中所述的方案。因此，该电子设备300具有和上述任一实施例中相同的技术效果，在此不再赘述。
[0088]
本技术实施例的电子设备以多种形式存在，包括但不限于:
[0089]
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
[0090]
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:pda、mid和umpc设备等，例如ipad。
[0091]
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
[0092]
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
[0093]
(5)其他具有数据交互功能的电子装置。
[0094]
另外，本技术实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一实施例中所述的方法流程。
[0095]
以上结合附图详细说明了本技术的技术方案，通过本技术的技术方案，可通过多个维度下大量类别的航旅行为关联信息综合确定航旅用户的忠诚度，从而实现对航旅用户的有效分类，提升了忠诚度计算的准确性和自动化程度，实现航旅用户的合理分类，便于依据分类结果采取更为贴合航旅用户实际需求的服务策略，提升用户体验。
[0096]
应当理解，本文中使用的术语“和/或”仅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，例如，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0097]
取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0098]
以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术保护的范围之内。