数据处理方法、装置、存储介质及电子设备与流程

1.本发明涉及数据处理领域，特别是涉及一种数据处理方法、装置、存储介质及电子设备。


背景技术：

2.随着中国民用航空的快速发展，选择民航出行的用户越来越多，因而对用户进行价值分析是十分必要的。
3.目前对用户进行价值分析最常用的方法是基于rfm模型进行分类处理，即按照设定的标准为每个用户的r、f和m特征进行打分，r为最近一次消费，f为消费频率，m为消费金额，分值的大小取决于偏好，用户的潜在价值越大，打的分数就越高。rfm模型在进行用户价值分类时是按每个特征各自的得分高低进行分类的，即rfm模型是按照每个特征得分的高低进行排列组合，具有8个类别，每个用户根据3个特征对应的分值的高低得到对应的类别。
4.但是，rfm模型在进行用户分类时仅考虑了3个特征，特征维度较少，进而会导致各类别之间的界限不清晰，且每个类别的用户不存在显著的特点，因此基于rfm模型对用户进行价值分析的准确度较低。


技术实现要素：

5.针对上述技术问题，本发明采用的技术方案为：根据本公开的一方面，提供了一种数据处理方法，包括：获取目标用户的第一事件集h={h1,h2,h3,...,hn}，hi=(di,pi,ti)，i=1,2,...,n；其中，hi为第i个第一事件，di为第i个第一事件对应的第一事件参数，pi为第i个第一事件对应的第二事件参数，ti为第i个第一事件对应的事件完成时间，t1＜t2＜t3＜...＜tn≤t
now
，t
now
为当前时间；根据当前时间t
now
和基准时间t0，从h中确定第一事件子集h1={h
n-a+1
,h
n-a+2
,h
n-a+3
,...,hn}；其中，t0≤t
n-a+1
＜t
n-a+2
＜t
n-a+3
＜...＜tn≤t
now
，a为对应的事件完成时间在t0和t
now
之间的第一事件的数量；根据当前时间t
now
和基准时间t0，获取目标用户的第二事件集m={m1,m2,m3,...,mz}；其中，mj为第j个第二事件，j=1,2,...,z；确定目标用户对应的用户特征向量f=(a,d,p/a,z,t
now-t1,t
now-tn)；其中，d为第三事件参数， d=∑
ni=n-a+1di
，p为第四事件参数，p=∑
ni=n-a+1
pi；根据f，在若干候选类别标识中，确定出目标类别标识。
6.根据本公开的另一方面，还提供了一种数据处理装置，包括：第一获取模块，用于获取目标用户的第一事件集h={h1,h2,h3,...,hn}，hi=(di,pi,ti)，i=1,2,...,n；其中，hi为第i个第一事件，di为第i个第一事件对应的第一事件参数，pi为第i个第一事件对应的第二事件参数，ti为第i个第一事件对应的事件完成时间，t1＜t2＜t3＜...＜tn≤t
now
，t
now
为当前时间；
第一确定模块，用于根据当前时间t
now
和基准时间t0，从h中确定第一事件子集h1={h
n-a+1
,h
n-a+2
,h
n-a+3
,...,hn}；其中，t0≤t
n-a+1
＜t
n-a+2
＜t
n-a+3
＜...＜tn≤t
now
，a为对应的事件完成时间在t0和t
now
之间的第一事件的数量；第二获取模块，用于根据当前时间t
now
和基准时间t0，获取目标用户的第二事件集m={m1,m2,m3,...,mz}；其中，mj为第j个第二事件，j=1,2,...,z；第二确定模块，用于确定目标用户对应的用户特征向量f=(a,d,p/a,z,t
now-t1,t
now-tn)；其中，d为第三事件参数，d=∑
ni=n-a+1di
，p为第四事件参数，p=∑
ni=n-a+1
pi；第三确定模块，用于根据f，在若干候选类别标识中，确定出目标类别标识。
7.根据本公开的另一方面，还提供了一种非瞬时性计算机可读存储介质，存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现上述数据处理方法。
8.根据本公开的另一方面，还提供了一种电子设备，包括处理器和上述非瞬时性计算机可读存储介质。
9.本发明至少具有以下有益效果：在对目标用户进行价值分类时，是基于目标用户对应的特征a、d、p/a、z、t
now-t1和t
now-tn得到目标用户对应的目标类别标识，上述特征是从h、h1和m中分别确定的，即目标用户的分类考虑了更多维度的特征，可以使目标用户对应的特征与其他用户对应的特征的区分度较大，从而基于目标用户的特征可以更加精准的从若干候选类别标识中确定目标用户对应的目标类别标识，可以提高对目标用户进行价值分析的准确度。
附图说明
10.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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发明的一些实施例，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他的附图。
11.图1为本发明实施例提供的数据处理的流程图。
具体实施方式
12.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
13.本发明实施例提供了一种数据处理方法，其中，该方法可以由以下任意一项或其任意组合完成：终端、服务器、其他具备处理能力的设备，本发明实施例对此不作限定。
14.本发明实施例以服务器为例，下面将参照图1所示的数据处理的流程图，对数据处理方法进行介绍。
15.该方法包括以下步骤：步骤s200，获取目标用户的第一事件集h={h1,h2,h3,...,hn}，hi=(di,pi,ti)，i=1,2,...,n。
16.其中，hi为第i个第一事件，di为第i个第一事件对应的第一事件参数，pi为第i个第一事件对应的第二事件参数，ti为第i个第一事件对应的事件完成时间，t1＜t2＜t3＜...＜tn≤t
now
，t
now
为当前时间。
17.在一种可能的实施方式中，第一事件可以设置为接送机的订单，第一事件参数可以设置为接送机的车行驶的里程，第二事件参数可以设置为花费金额。服务器可以通过目标用户的用户标识，获取h，h中的每一第一事件的事件完成时间为当前时间或者当前时间以前的时间。
18.步骤s400，根据当前时间t
now
和基准时间t0，从h中确定第一事件子集h1={h
n-a+1
,h
n-a+2
,h
n-a+3
,...,hn}。
19.其中，t0≤t
n-a+1
＜t
n-a+2
＜t
n-a+3
＜...＜tn≤t
now
，a为对应的事件完成时间在t0和t
now
之间的第一事件的数量。
20.在一种可能的实施方式中，可以确定以t0为时间起点、t
now
为时间终点的目标时间段，并从h中确定对应的事件完成时间在目标时间段之内的第一事件，以得到h1。例如，t0为与t
now
间隔时间为一年的历史时间点，则目标时间段为过去一年。
21.步骤s600，根据当前时间t
now
和基准时间t0，获取目标用户的第二事件集m={m1,m2,m3,...,mz}。
22.其中，mj为第j个第二事件，j=1,2,...,z，第二事件为第一事件的关联事件。
23.在一种可能的实施方式中，第二事件可以设置为航班行程。服务器可以根据目标用户的用户标识，获取发生在目标时间段内的每一第二事件，以得到m。
24.步骤s800，确定目标用户对应的用户特征向量f=(a,d,p/a,z,t
now-t1,t
now-tn)。
25.其中，d为第三事件参数，d=∑
ni=n-a+1di
，p为第四事件参数，p=∑
ni=n-a+1
pi。
26.在一种可能的实施方式中，第三事件参数可以设置为在目标时间段内完成的第一事件对应的第一事件参数和，第四事件参数可以设置为在目标时间段内完成的第一事件对应的第二事件参数和。服务器根据h，h1和m，可以得到f。
27.步骤s1000，根据f，在若干候选类别标识中，确定出目标类别标识。
28.在一种可能的实施方式中，候选类别标识为用于表示用户价值的标识，例如，候选类别标识可以设置为5个，分别为第一标识、第二标识、第三标识、第四标识和第五标识，第一标识为高价值的用户对应的标识，第二标识为低价值的用户对应的标识，第三标识为高潜力的用户对应的标识，第四标识为中潜力的用户对应的标识，第五标识为低潜力的用户对应的标识。根据f，在若干候选类别标识中确定出目标用户对应的目标类别标识。
29.因此，在对目标用户进行价值分类时，是基于目标用户对应的特征a、d、p/a、z、t
now-t1和t
now-tn得到目标用户对应的目标类别标识，上述特征是从h、h1和m中分别确定的，即目标用户的分类考虑了更多维度的特征，可以使目标用户对应的特征与其他用户对应的特征的区分度较大，从而基于目标用户的特征可以更加精准的从若干候选类别标识中确定目标用户对应的目标类别标识，可以提高对目标用户进行价值分析的准确度。
30.可选的，该方法还包括步骤s700，步骤s700包括以下步骤：步骤s710，获取若干候选特征信息。
31.步骤s720，根据若干候选特征信息，获取若干参考用户对应的候选特征参数集w={w1,w2,w3,...,wv}，wk=(wk1,wk2,wk3,...,wkh)，k=1,2,...,v。
32.其中，wk为第k个候选特征信息对应的参数组，v为候选特征信息的数量；wkg为第g个参考用户对应第k个候选特征信息的参数，g=1,2,...,h，h为参考用户的数量。
33.步骤s730，确定w中每两个参数组之间的相关系数。
34.其中，每一相关系数用于表示对应的两个候选特征信息之间的相关性，每一相关系数均符合如下条件：；其中，1≤x≤v，1≤y≤v，x≠y，pearson
xy
为wx和wy之间的相关系数，wx
av
=(∑
hg=1
wxg)/h,wy
av
=(∑
hg=1
wyg)/h。
35.步骤s740，根据若干相关系数对w中的若干参数组进行聚类处理，得到若干聚类组。
36.其中，聚类处理的聚类条件为相关系数大于第一阈值，每一聚类组包括至少一个参数组。
37.步骤s750，根据预设的第一筛选规则，将每一聚类组中的一个参数组确定为第一参数组，得到第一参数组集。
38.步骤s760，根据预设的第二筛选规则，将第一参数组集中的至少部分第一参数组确定为第二参数组，得到第二参数组集。
39.步骤s770，将第二参数组集中每一第二参数组对应的候选特征信息分别作为一个目标特征信息，得到目标特征信息集。
40.其中，目标特征信息集包括第一目标特征信息、第二目标特征信息、第三目标特征信息、第四目标特征信息、第五目标特征信息和第六目标特征信息。
41.在一种可能的实施方式中，服务器获取若干候选特征信息，若干候选特征信息不仅包括对应的事件完成时间在t0和t
now
之间的第一事件的数量、在目标时间段内完成的第一事件对应的第一事件参数和、在目标时间段内完成的第一事件对应的第二事件参数的平均值、目标时间段内第二事件发生的数量、历史第一次完成第一事件的时间与当前时间的时间差和最近一次完成第一事件的时间与当前时间的时间差，还可以包括最近一次下单第一事件的时间与t
now
的时间差、最近一次访问下单第一事件的页面的时间与t
now
的时间差、最近一次访问下单第一事件的应用程序的时间与t
now
的时间差、最近一次在应用程序上询问第一事件的金额的时间与t
now
的时间差、目标时间段内访问下单第一事件的页面的次数、目标时间段内访问下单第一事件的应用程序的次数和近一年在应用程序上询问第一事件对应的第二事件参数的次数等。
42.然后根据每一参考用户的用户标识和每一候选特征信息，获取每一参考用户的每一候选特征信息对应的参数，以得到w；例如，任一参考用户最近一次访问下单接送机的页面的时间与t
now
的时间差为4天，该参考用户为第3个参考用户，最近一次访问下单接送机的页面的时间与t
now
的时间差为第9个候选特征信息，则w中的w93=4。
43.再确定w中每两个不同的参数组的相关系数，并根据若干相关系数对w中的v个参数组进行聚类处理，该聚类处理可以为层次聚类或划分聚类等，本发明实施例对具体的聚类方式不作限定，聚类处理可以得到若干聚类组。
44.接着可以对每一聚类组按照第一筛选规则进行筛选，得到第一参数组集，再对第
一参数组集按照第二筛选规则进行筛选处理，得到第二参数组集，最终可以根据第二参数组集确定目标特征信息集，目标特征信息集包括第一目标特征信息、第二目标特征信息、第三目标特征信息、第四目标特征信息、第五目标特征信息和第六目标特征信息，其中，第一目标特征信息可以设置为对应的事件完成时间在t0和t
now
之间的第一事件的数量，第二目标特征信息可以设置为在目标时间段内完成的第一事件对应的第一事件参数和，第三目标特征信息可以设置为在目标时间段内完成的第一事件对应的第二事件参数的平均值，第四目标特征信息可以设置为目标时间段内第二事件发生的数量，第五目标特征信息可以设置为历史第一次完成第一事件的时间与当前时间的时间差，第六目标特征信息可以设置为最近一次完成第一事件的时间与当前时间的时间差。
45.基于此，上述步骤s800包括：根据h、h1、m和目标特征信息集，确定目标用户对应的用户特征向量f=(a,d,p/a,z,t
now-t1,t
now-tn)。
46.其中，a为第一目标特征信息对应的参数，d为第二目标特征信息对应的参数，p/a为第三目标特征信息对应的参数，z为第四目标特征信息对应的参数，t
now-t1为第五目标特征信息对应的参数，t
now-tn为第六目标特征信息对应的参数。
47.在一种可能的实施方式中，根据目标特征信息集可以得到f对应的6个目标特征信息，再根据h、h1和m确定每一目标特征信息对应的参数，即可以得到f。
48.因此，通过每两个候选特征信息之间的相关系数对候选特征信息进行筛选得到目标特征信息集，可以使目标特征信息集中的不同的目标特征信息之间相关性较小，进而进行目标用户的分类时考虑的特征区分度较大，特征更为多样化，进而可以提高确定目标用户对应的目标类别标识的准确度。
49.可选的，上述步骤s750包括：根据预设的配置文件，将每一聚类组中对应的影响系数最大的参数组均作为第一参数组；根据每一第一参数组，得到第一参数组集；其中，配置文件用于存储每一候选特征信息对应的影响系数，影响系数越大表示对应的候选特征信息与第一事件的相关性越高。
50.在一种可能的实施方式中，配置文件预先存储于服务器中，在得到若干聚类组后，可以根据配置文件得到每一聚类组对应的第一参数组，以得到第一参数组集。
51.可选的，第一参数组集中的第一参数组按对应的影响系数由小至大的顺序进行排列，基于此，上述步骤s760包括：获取目标数量；根据影响系数由小至大的规则，依次从第一参数组集中获取数量与目标数量相同的第一参数组作为第二参数组，以得到第二参数组集。
52.在一种可能的实施方式中，目标数量设置为6，将第一参数组集的前6个第一参数组中的每一第一参数组均作为第二参数组，以得到第二参数组集。
53.可选的，步骤s720包括：根据若干候选特征信息，获取若干参考用户对应的原始参数集q；对q进行预处理，得到若干参考用户对应的候选特征参数集w={w1,w2,w3,...,
wv}；预处理包括标准化处理。
54.在一种可能的实施方式中，可以根据若干候选特征信息，获取q，q={q1,q2,q3,...,qv}，qk=(qk1,qk2,qk3,...,qkh)；其中，qk为第k个候选特征信息对应的原始参数组，v为候选特征信息的数量；qkg为第g个参考用户对应第k个候选特征信息的原始参数，g=1,2,...,h，h为参考用户的数量，基于预处理包括标准化处理，wkg可以满足如下条件：wkg=(qk
g-qk
av
)/qk
var
；其中，qk
av
为第k个候选特征信息对应的若干原始参数的平均值，qk
var
为第k个候选特征信息对应的若干原始参数的标准差。
55.因此，w中的每个参数均是经过标准化处理的，可以使不同的候选特征信息对应的参数的数值符合统一标准，平衡每一候选特征信息对目标特征信息选择的影响比重，提高目标特征信息选择的准确度。
56.可选的，预处理还包括降噪处理和缺失值填补处理。
57.在一种可能的实施方式中，在得到q以后，q中有部分噪声数据，可以通过箱线图查看q中的数据分布，得到噪声数据的位置，然后对噪声数据进行降噪处理，得到降噪处理以后的q，接着对降噪处理以后的q采用指标中心度量的方法进行缺失值填补处理，即使用与缺失数据同属性的中位数进行填充，得到缺失值填补处理后的q，再对缺失值填补处理后的q进行标准化处理，可以得到w。
58.可选的，该方法还包括步骤s900，步骤s900可以包括以下步骤：步骤s910，获取分类模型。
59.其中，分类模型为采用k均值聚类算法的模型。
60.步骤s920，确定分类模型的初始k值。
61.其中，初始k值等于目标特征信息集中目标特征信息的数量。
62.步骤s930，根据w，确定训练样本集w
tra
={w
tra
1,w
tra
2,w
tra
3,...,w
tra
h}，w
tra
g=(w1g,w2g,w3g,...,wug)。
63.其中，w
tra
g为第g个参考用户对应的训练样本，训练样本的数量与参考用户的数量相同且均为h，wsg为第g个参考用户的第s个目标特征信息对应的参数，s=1,2,...,u，u为目标特征信息集中目标特征信息的数量。
64.步骤s940，根据初始k值，将w
tra
输入至分类模型中进行训练，得到目标分类模型和对应的训练结果；若训练结果符合设定条件，则将初始k值确定为目标k值；目标k值为目标分类模型对应的候选类别标识的数量。
65.在一种可能的实施方式中，可以获取分类模型并将目标特征信息集中目标特征信息的数量作为分类模型的初始k值，然后获取w
tra
并将w
tra
输入至分类模型中进行训练并调整分类模型的参数，直至分类模型对应的损失函数小于预设的损失阈值，此时可以得到目标分类模型和训练结果，训练结果可以用于展示每一候选类别标识对应的参考用户的数量和每一目标特征信息对应的参考用户的数量，基于训练结果可以验证得知每一候选类别标识对应的目标特征信息均为清楚的，即说明目标分类模型得到的不同类别的参考用户特征区分度较大，即目标分类模型的分类效果较好。
66.基于此，上述步骤s1000可以包括：将f输入至目标分类模型中，得到目标类别标识。
67.在一种可能的实施方式中，将f输入至目标分类模型中，可以直接得到目标类别标
识，该目标类别标识为若干候选类别标识中的一个。
68.可选的，该方法还采用如下处理得到目标分类模型：获取分类模型；其中，分类模型为采用k均值聚类算法的模型；根据分类模型对应的sse曲线确定若干k值；根据每一k值和分类模型，确定每一k值对应的候选分类模型；每一k值为对应的候选分类模型对应的候选类别标识的数量。
69.基于每一候选分类模型进行聚类处理，得到每一候选分类模型对应的聚类效果图；每一聚类效果图用于展示对应的候选分类模型的每一候选类别标识对应的参考用户的数量和每一目标特征信息对应的参考用户的数量；将每一候选分类模型对应的聚类效果图进行对比，将聚类效果图最优的候选分类模型作为初始目标分类模型；对初始目标分类模型进行训练，得到目标分类模型。
70.例如，可以获取分类模型和分类模型对应的sse曲线，通过sse曲线，可以确定k值等于4、5或6，进而可以确定k值为4的第一候选分类模型、k值为5的第二候选分类模型和k值为6的第三候选分类模型，将第一候选分类模型、第二候选分类模型和第三候选分类模型对应的聚类效果图进行对比，可以得知第二候选分类模型的聚类效果图最优，即第二候选分类模型为初始目标分类模型，对其进行训练后即可得到目标分类模型。
71.本发明实施例提供了一种数据处理装置，该装置用于实现上述数据处理方法。数据处理装置包括：第一获取模块，第一确定模块，第二获取模块，第二确定模块，第三确定模块。
72.第一获取模块，用于获取目标用户的第一事件集h={h1,h2,h3,...,hn}，hi=(di,pi,ti)，i=1,2,...,n；其中，hi为第i个第一事件，di为第i个第一事件对应的第一事件参数，pi为第i个第一事件对应的第二事件参数，ti为第i个第一事件对应的事件完成时间，t1＜t2＜t3＜...＜tn≤t
now
，t
now
为当前时间；第一确定模块，用于根据当前时间t
now
和基准时间t0，从h中确定第一事件子集h1={h
n-a+1
,h
n-a+2
,h
n-a+3
,...,hn}；其中，t0≤t
n-a+1
＜t
n-a+2
＜t
n-a+3
＜...＜tn≤t
now
，a为对应的事件完成时间在t0和t
now
之间的第一事件的数量；第二获取模块，用于根据当前时间t
now
和基准时间t0，获取目标用户的第二事件集m={m1,m2,m3,...,mz}；其中，mj为第j个第二事件，j=1,2,...,z；第二确定模块，用于确定目标用户对应的用户特征向量f=(a,d,p/a,z,t
now-t1,t
now-tn)；其中，d为第三事件参数，d=∑
ni=n-a+1di
，p为第四事件参数，p=∑
ni=n-a+1
pi；第三确定模块，用于根据f，在若干候选类别标识中，确定出目标类别标识。
73.可选的，装置还包括筛选模块，筛选模块用于：获取若干候选特征信息；根据若干候选特征信息，获取若干参考用户对应的候选特征参数集w={w1,w2,w3,...,wv}，wk=(wk1,wk2,wk3,...,wkh)，k=1,2,...,v；其中，wk为第k个候选特征信息对应的参数组，v为候选特征信息的数量；wkg为第g个参考用户对应第k个候选特征信息的参数，g=1,2,...,h，h为参考用户的数量；确定w中每两个参数组之间的相关系数；每一相关系数用于表示对应的两个候选
特征信息之间的相关性，每一相关系数均符合如下条件：；其中，1≤x≤v，1≤y≤v，x≠y，pearson
xy
为wx和wy之间的相关系数，wx
av
=(∑
hg=1
wxg)/h,wy
av
=(∑
hg=1
wyg)/h；根据若干相关系数对w中的若干参数组进行聚类处理，得到若干聚类组；聚类处理的聚类条件为相关系数大于第一阈值，每一聚类组包括至少一个参数组；根据预设的第一筛选规则，将每一聚类组中的一个参数组确定为第一参数组，得到第一参数组集；根据预设的第二筛选规则，将第一参数组集中的至少部分第一参数组确定为第二参数组，得到第二参数组集；将第二参数组集中每一第二参数组对应的候选特征信息分别作为一个目标特征信息，得到目标特征信息集；目标特征信息集包括第一目标特征信息、第二目标特征信息、第三目标特征信息、第四目标特征信息、第五目标特征信息和第六目标特征信息；第二确定模块用于：根据h、h1、m和目标特征信息集，确定目标用户对应的用户特征向量f=(a,d,p/a,z,t
now-t1,t
now-tn)；其中，a为第一目标特征信息对应的参数，d为第二目标特征信息对应的参数，p/a为第三目标特征信息对应的参数，z为第四目标特征信息对应的参数，t
now-t1为第五目标特征信息对应的参数，t
now-tn为第六目标特征信息对应的参数。
74.可选的，筛选模块用于：根据预设的配置文件，将每一聚类组中对应的影响系数最大的参数组均作为第一参数组；根据每一第一参数组，得到第一参数组集；其中，配置文件用于存储每一候选特征信息对应的影响系数，影响系数越大表示对应的候选特征信息与第一事件的相关性越高。
75.可选的，第一参数组集中的第一参数组按对应的影响系数由小至大的顺序进行排列；筛选模块用于：获取目标数量；根据影响系数由小至大的规则，依次从第一参数组集中获取数量与目标数量相同的第一参数组作为第二参数组，以得到第二参数组集。
76.可选的，筛选模块用于：根据若干候选特征信息，获取若干参考用户对应的原始参数集q；对q进行预处理，得到若干参考用户对应的候选特征参数集w={w1,w2,w3,...,wv}；预处理包括标准化处理。
77.可选的，预处理还包括降噪处理和缺失值填补处理。
78.可选的，装置还包括模型确定模块，模型确定模块用于：
获取分类模型；分类模型为采用k均值聚类算法的模型；确定分类模型的初始k值；初始k值等于目标特征信息集中目标特征信息的数量；根据w，确定训练样本集w
tra
={w
tra
1,w
tra
2,w
tra
3,...,w
tra
h}，w
tra
g=(w1g,w2g,w3g,...,wug)；其中，w
tra
g为第g个参考用户对应的训练样本，训练样本的数量与参考用户的数量相同且均为h，wsg为第g个参考用户的第s个目标特征信息对应的参数，s=1,2,...,u，u为目标特征信息集中目标特征信息的数量；根据初始k值，将w
tra
输入至分类模型中进行训练，得到目标分类模型和对应的训练结果；若训练结果符合设定条件，则将初始k值确定为目标k值；目标k值为目标分类模型对应的候选类别标识的数量；第三确定模块用于：将f输入至目标分类模型中，得到目标类别标识。
79.本发明实施例中，在对目标用户进行价值分类时，是基于目标用户对应的特征a、d、p/a、z、t
now-t1和t
now-tn得到目标用户对应的目标类别标识，上述特征是从h、h1和m中分别确定的，即目标用户的分类考虑了更多维度的特征，可以使目标用户对应的特征与其他用户对应的特征的区分度较大，从而基于目标用户的特征可以更加精准的从若干候选类别标识中确定目标用户对应的目标类别标识，可以提高对目标用户进行价值分析的准确度。
80.本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
81.本发明的实施例还提供了一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
82.虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。