调查问卷的处理方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种调查问卷的处理方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网技术的不断发展，越来越多的用户在使用互联网时，向供应商提供的服务提出了更高的要求，供应商为了满足用户体验、完善服务设计，进而通过与用户之间建立联系，以征求用户意见，从而达到对服务不断进行完善的目的。
3.在现有技术中，供应商在制作好调查问卷后，将调查问卷投放至用户终端以使得用户答复，在答复完成之后，供应商端获取答复结果，相关人员对答复结果进行筛选，以得到可用的调查问卷的答复结果。
4.然而，由于调查问卷中的题目数量众多，或/和参与调查问卷的用户数量较多导致的答复结果数量较大，使得人工的筛选方式效率较低。


技术实现要素：

5.有鉴于此，本技术提供了一种调查问卷的处理方法、装置、电子设备及存储介质，以克服调查问卷中的题目数量众多，或/和参与调查问卷的用户数量较多导致的答复结果数量较大，而人工的筛选有效答复问卷的方式的效率较低的问题。
6.本技术实施例第一方面提供了一种调查问卷的处理方法，该方法包括：
7.获取调研用户针对调查问卷中各个题目的答复结果，所述调查问卷包括至少一个题目；
8.将所述调查问卷的各个题目对应的调研用户的游戏特征数据分别输入至预先生成的第一模型，以获得所述调查问卷中各个题目的预测结果，所述第一模型是根据各个题目对应的至少一个用户的游戏特征数据分别训练得到的；
9.根据所述调查问卷中各个题目的预测结果，确定所述调研用户针对各个题目的答复结果是否有效，以保留所述调查问卷中的有效答复结果或剔除所述调查问卷中的无效答复结果。
10.本技术实施例第二方面提供了一种调查问卷的处理装置，该处理装置包括：
11.获取模块，用于获取调研用户针对调查问卷中各个题目的答复结果，所述调查问卷包括至少一个题目；
12.确定模块，用于将所述调查问卷的各个题目对应的调研用户的游戏特征数据分别输入至预先生成的第一模型，以获得所述调查问卷中各个题目的预测结果，所述第一模型是根据各个题目对应的至少一个用户的游戏特征数据分别训练得到的；
13.处理模块，用于根据所述调查问卷中各个题目的预测结果，确定所述调研用户针对各个题目的答复结果是否有效，以保留所述调查问卷中的有效答复结果或剔除所述调查问卷中的无效答复结果。
14.本技术实施例第三方面还提供了一种电子设备，包括：处理器、存储器；
15.所述存储器存储计算机执行指令；
16.所述处理器执行所述计算机执行指令，使得所述电子设备执行如上述第一方面中所述的调查问卷的处理方法。
17.本技术实施例第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述第一方面中所述的调查问卷的处理方法。
18.本技术实施例所提供的技术方案，通过获取调研用户针对调查问卷中各个题目的答复结果，调查问卷包括至少一个题目，并将调查问卷的各个题目对应的调研用户的游戏特征数据分别输入至预先生成的第一模型，以获得调查问卷中各个题目的预测结果，第一模型是根据各个题目对应的至少一个用户的游戏特征数据分别训练得到的，之后根据调查问卷中各个题目的预测结果，确定调研用户针对各个题目的答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。在该技术方案中，以题目对应的用户的游戏特征数据来训练预测调查问卷的可能结果的模型出发，实现对符合期望的答复结果的判断，避免了用户恶意或随意填写调查问卷的情况，进而节约了人工对已作答的调查问卷的繁琐挑拣识别过程，提高了调查问卷的回收效率。
附图说明
19.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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性的前提下，还可以根据这些附图获得其他的附图。
20.图1为本技术实施例提供的调查问卷的处理的应用场景示意图；
21.图2为本技术实施例提供的调查问卷的处理方法实施例一的流程示意图；
22.图3为本技术实施例提供的调查问卷的处理方法实施例二的流程示意图；
23.图4为本技术实施例提供的调查问卷的处理方法实施例三的流程示意图；
24.图5为本技术实施例提供的调查问卷的处理方法实施例四的流程示意图；
25.图6为本技术实施例提供的调查问卷的处理方法实施例五的流程示意图；
26.图7为本技术实施例提供的调查问卷的处理方法实施例六的流程示意图；
27.图8为本技术实施例提供的调查问卷的处理方法实施例七的流程示意图；
28.图9为本技术实施例提供的调查问卷的处理装置的示意图；
29.图10为本技术实施例提供的电子设备的结构示意图。
具体实施方式
30.为了使本领域的技术人员能够更好的理解本技术的技术方案，下面结合本技术实施例中的附图，对本技术进行清楚、完整地描述。但本技术能够以很多不同于上述描述的其他方式进行实施，因此，基于本技术提供的实施例，本领域普通技术人员在不经过创造性劳动的情况下，所获得的所有其他实施例，都应属于本技术保护的范围。
31.需要说明的是，本技术的权利要求书、说明书及附图中的术语“第一”、“第二”、“第
三”等是用于区别类似的对象，并不用于描述特定的顺序或先后次序。这样使用的数据在适当情况下是可以互换的，以便于本文所描述的本技术的实施例，能够以除了在本文图示或描述的内容以外的顺序实施。此外，术语“包括”、“具有”以及他们的变形形式，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.在介绍本技术的实施例之前，首先对本技术涉及的专业名词和背景技术进行解释说明：
33.用户画像：一种勾画目标用户、联系用户诉求与设计方向的有效工具。用户画像将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供针对性的服务。
34.常见的用户画像方式有：群体定量分类、聚类分析、定性访谈等。
35.随着互联网技术的不断发展，越来越多的用户在使用互联网时，对供应商提供的服务的要求不断增加，为了提升用户体验、完善服务设计，供应商与用户之间建立联系，以征求用户意见，供应商对服务不断进行完善。
36.以游戏服务为例，为了完善游戏设计、提升玩家游戏体验，在游戏厂商与玩家之间建立直接或间接的沟通，得到玩家对游戏的看法是十分重要的。目前，游戏厂商通常选择在游戏系统中向玩家发放由用户研究员设计的专题问卷的方式获得玩家的相关信息。
37.现有技术方案主要存在以下不足：
38.1)、虽然问卷中存在触发条件，某些问题需由前置问题特定选项触发(例如，问卷中某个前置问题设置为“您是否经常购买皮肤”，当用户选择“是”时，触发“您经常购买的皮肤是否是传说级皮肤”)；
39.这种触发方式可生成问卷多样性受限于触发条件的组合数，其灵活性和多样性不足，且丧失了调查问卷的针对性。
40.2)、在系统回收问卷后，需要技术人员额外花时间手工剔除影响调研结果的无效问题或问卷，费时费力；
41.3)、当无效问卷过多时，需要再次(至少一次)安排问卷调研，增加有效信息的获取成本。
42.本技术针对上述技术问题，发明人发现：在现有技术中，针对问卷的发放没有针对性，从而降低了问卷的有效性，如果能够在发放问卷时，将问卷进行标签标注，将该问卷发放给该标签相对应的用户，便可以提高问卷的有效性。进一步的，为了防止用户的问卷答复只是为了走流程而获取一些奖励，可以采用大数据的方式获取该用户所属标签对应的一个或多个用户的特征数据，生成能够对该用户问卷答复的有效性进行判别的模型，以实现对问卷有效性的判断，从而仅保留有效的调查问卷，进而避免人工挑选无效问卷时遇到繁重工作量的情况。
43.在上述现有技术存在的问题基础上，图1为本技术实施例提供的调查问卷的处理的应用场景示意图，用以解决上述技术问题。如图1所示，该应用场景示意图包括：终端设备11和电子设备12。
44.其中，终端设备11的数量可以是一个或多个，也即用户账号数量可以是一个或多
个；终端设备11可以是手机、电脑、平板、智能手表等具有显示功能的设备。
45.以游戏服务为例，电子设备12可以是为在终端设备11上安装的某种游戏应用提供服务的网端设备。
46.在一种可能的实现中，技术人员为了提高游戏应用对用户的体验感，例如，购物推荐体验，此时将购物频次较多作为标签。电子设备11就可以在用户画像数据库中读取玩家标签，将匹配到的购物频次较多的玩家作为购物推荐对应的调查问卷的发放对象，即调研用户。
47.进一步的，该调研用户对应的终端可以是终端设备11，电子设备12将调查问卷发送至在终端设备11上，调研用户在答复之后，终端设备11将答复结果返回至电子设备12上。
48.电子设备12中预先记录有该调查问卷的预测结果，利用该预测结果与答复结果进行比对，从而实现对该次调查问卷的有效性判断。
49.应理解：上述应用场景仅为示例，并非对本技术的限定，此外，该应用场景中未披露的内容参见下述实施例。
50.下面通过具体实施例对本技术的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
51.图2为本技术实施例提供的调查问卷的处理方法实施例一的流程示意图。如图2所示，该调查问卷的处理方法可以包括如下步骤：
52.步骤21、获取调研用户针对调查问卷中各个题目的答复结果。
53.在本步骤中，需要对调研用户填写的调查问卷对应的答复结果的有效性进行判断，首先需要获取调查问卷中各个题目的。
54.其中，每个调查问卷包括至少一个题目，而各个题目的答复结果为调研用户填写调查问卷所得到的问题答案，可以是调查问卷中调研用户在回答问题时的选项，可以是单选、多选，也可以是开放式问题的答复文本。
55.步骤22、将调查问卷的各个题目对应的调研用户的特征数据分别输入至预先生成的第一模型，以获得调查问卷中各个题目的预测结果。
56.其中，该第一模型是根据各个题目对应的至少一个用户的游戏特征数据分别训练得到的。
57.在本步骤中，为了实现预测结果与答复结果的比对，需要将答复结果对应的题目对应的调研用户的特征数据分别输入至预先生成的第一模型，以得到该题目的预测结果。
58.可选的，在实现上，对于同一个题目(问题)，需要的模型输入为该题目对应的至少一个用户的游戏特征数据，输出为该题目的选项，以构造出第一模型，在使用时，获取该调研用户的游戏特征数据，将该调研用户的游戏数据特征输入至第一模型，得到该题目可能的选项，即预测结果。
59.在一种可能的实现中，以商品是否满意的题目为例，调研用户的游戏特征数据可以是是否参与/购买、首次参与距离首发间隔、使用/参与频次、最近是否参与/使用，最后一次使用/参与距今时间等数据。
60.可选的，训练该第一模型时可以采用机器学习算法，例如，分类算法。
61.在一种可能的实现中，以对新活动或商品是否满意问题的答案预测为例：
62.该题目的预测结果可以排序并表示：非常满意(60％)，一般满意(20％)、一般(10％)、不满意(10％)。
63.在另一种可能的实现中，以建议类开放性问题(如，请给该活动提出建议)为例：
64.该题目的预测结果可以排序并表示：正/负两类，或者，正/负/中立三类。
65.例1，正可以表示：有建议；中可以表示：没有建议；负可以表示：胡乱作答。
66.例2，正可以表示：积极建议；中可以表示：中肯建议；负可以表示：消极建议。
67.步骤23、根据调查问卷中各个题目的预测结果，确定调研用户针对各个题目的答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。
68.在本步骤中，在电子设备收到答复结果后，需要判断该答复结果是否有效，也即是否为调研用户认真作答之后的结果，之后对该答复结果采取保留处理或者剔除处理。
69.可选的，调研用户针对各个题目的答复结果与该调研用户对应的调查问卷中各个题目的预测结果进行比较，以确定出该各个题目的答复结果是否有效。
70.在一种可能的实现中，若答复结果符合预测结果的预设期望，确定该答复结果有效，保留该有效答复结果。
71.在另一种可能的实现中，若答复结果不符合预测结果的预设期望，则需要进行下一步的判断，以确定保留或者剔除该答复结果，该过程由下述实施例给出，此处不再赘述。
72.进一步的，保留不包含无效答复结果的调查问卷，或剔除包含无效答复结果的调查问卷。
73.本技术实施例所提供的技术方案，该方法通过获取调研用户针对调查问卷中各个题目的答复结果，调查问卷包括至少一个题目，并将调查问卷的各个题目对应的调研用户的游戏特征数据分别输入至预先生成的第一模型，以获得调查问卷中各个题目的预测结果，第一模型是根据各个题目对应的至少一个用户的游戏特征数据分别训练得到的，之后根据调查问卷中各个题目的预测结果，确定调研用户针对各个题目的答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。在在该技术方案中，以题目对应的用户的游戏特征数据来训练预测调查问卷的可能结果的模型出发，实现对符合期望的答复结果的判断，避免了用户恶意或随意填写调查问卷的情况，进而节约了人工对已作答的调查问卷的繁琐挑拣识别过程，提高了调查问卷的回收效率。
74.在上述实施例的基础上，图3为本技术实施例提供的调查问卷的处理方法实施例二的流程示意图。如图3所示，在步骤21之前，该调查问卷的处理方法还可以包括如下步骤：
75.步骤31、基于用户画像，确定调研用户的用户标签。
76.在本步骤中，为了增加调查问卷的有效性、以及针对性，首先需要确定出调研用户的用户标签，即调查问卷需要向哪一类用户进行投放，以获得反馈。
77.可选的，用户画像数据库中的用户画像可以用聚类分析结合定性访谈，数据定量分析等技术手段绘制，即标示了用户对应的用户标签。
78.例如，表1为本技术实施例提供的调研用户的用户标签示意表，如表1所示：
79.表1：
80.[0081][0082]
步骤32、在题库中抽取用户标签一致的问卷标签对应的题目，生成调查问卷。
[0083]
在本步骤中，题库中预先存储有多个题目，每个题目有相应的问卷标签，继而从问卷的题库中抽取用户标签一致的问卷标签对应的题目，生成调查问卷。
[0084]
可选的，作为一种举例，表2为本技术实施例提供的问卷标签对应的题目，如表2所示：
[0085]
表2：
[0086]
问卷标签题目编号宝妈1、3、5、8、9、11、
……
易购男装2、3、6、9、16、
……
易购电器1、6、9、8、7、2、3易购酒类3、5、6、12、25、45活跃玩家48、69、58、44、96新注册用户5、9、11、16、17、
……
[0087]
进一步的，抽取与用户标签一致的问卷标签对应的题目，以表1中的用户1(调研用户)为例，则抽取的问卷标签为：宝妈、易购男装和易购电器，对应的题目编号为：1、3、5、8、9、11、2、6、16、7、
……
。
[0088]
可选的，抽取规则可以是随机抽取、也可以是按照奇数编号抽取、也可以是抽取不常用的题目，而抽取的数量也可以随意设定。
[0089]
具体的，可以是编号靠前的9道题目、11道题目、或20道题目等，奇数编号的任意9道题目、12道题目、或20道题目等等，进而，由这些抽取中的题目生成调查问卷。
[0090]
其中，每个标签可以对应多个题目，一个题目也可以对应多个标签，其对应关系没有限制。
[0091]
步骤33、向调研用户推送调查问卷。
[0092]
在本步骤中，在上述步骤生成调查问卷之后，向该调研用户推送调查问卷。
[0093]
可选的，在整个方案的实施过程中，调研用户的数量可以是一个或多个(也即，调查问卷向多个用户发放)，此处以3个调研用户为例进行说明推送。表3为调查问卷推送的示例，如表3所示：
[0094]
表3：
[0095]
[0096]
进一步的，电子设备侧在生成调查问卷后，向调研用户推送调查问卷，调研用户选择填写调查问卷后，调查问卷以一定的规则排列在调研用户的终端设备的图形用户界面上，进而由调研用户进行作答。
[0097]
在一种可能的实现中，图形用户界面的每一页展示10个题目，当调查问卷中的题目多于10个则展示多页，不多于10个展示在一页。
[0098]
本技术实施例所提供的技术方案，基于用户画像，确定调研用户的用户标签，在题库中抽取用户标签一致的问卷标签对应的题目，生成调查问卷，向调研用户推送调查问卷。在该技术方案中，通过向调研用户推送与该调研用户的用户标签一致的问卷标签对应的题目，提高了调查问卷投放的针对性，提高了调查问卷的答复结果的可靠性。
[0099]
下面对第一模型的构建及应用进行简单的介绍：
[0100]
图4为本技术实施例提供的调查问卷的处理方法实施例三的流程示意图。如图4所示，该调查问卷的处理还包括如下步骤：
[0101]
步骤41、获取题目对应的至少一个用户的游戏特征数据。
[0102]
在本步骤中，从游戏数据、游戏日志等信息中获取题目对应的问卷标签提取与问卷标签一致的至少一个用户的游戏特征数据，从而为后续第一模型的构建提供训练的数据。
[0103]
可选的，作为一种举例，表4为不同的题目对应需要获取的游戏特征数据的示例，如表4所示：
[0104]
表4：
[0105]
题目至少一个用户的游戏特征数据商品是否满意是否购买、每季度购买次数
……
新活动是否满意首次参与首发活动的间隔时间长度
……
是否喜欢购买电子产品每季度购买次数、最近30天是否购买
……
是否活跃玩家最近30天登陆次数、流量使用情况
……
[0106]
在一种可能的实现中，以对新活动或商品是否满意问题的答案预测为例：
[0107]
提取是否参与或购买、首次参与距离首发间隔、使用或参与频次、最近是否参与或使用，最后一次使用或参与距今等数据作为游戏特征数据。
[0108]
在另一种可能的实现中，以建议类开放性问题(如，请给该活动提出建议)为例：
[0109]
提取玩家参与频次、玩家获胜占比、近期是否参加、流失时间、是否回流等游戏数据作为游戏特征数据。
[0110]
步骤42、根据至少一个用户的游戏特征数据训练机器学习算法模型，得到第一模型。
[0111]
在本步骤中，第一模型为某个题目的指定模型，作用为：用多个用户的游戏特征数据归类出该题目的输出结果，在后续使用时，输入某个用户的游戏特征数据，可以得到指定的预测结果。
[0112]
可选的，作为一种举例，表5为游戏特征数据在训练后的输出结果的示例，如表5所示(该题目为购买瓶装水的频率高低)：
[0113]
表5：
[0114][0115][0116]
其中，训练后的特征可以是判断的分类结果的判断标准。
[0117]
可选的，在第一模型的生成过程中，可以利用至少一个用户的游戏特征数据，利用归类算法对游戏特征数据进行归类，每个归类区间对应不同的分类结果，在后续输入某个用户的游戏特征数据后，可以得到分类结果，即预测结果。
[0118]
在一种可能的实现中，游戏日志中可以提供丰富的玩家的行为数据，大数据工程师选择不同的数据和算法进行尝试，训练得到不同的模型，然后对模型进行评估得到预测最为准确的模型，即作为第一模型。
[0119]
具体的，行为数据作为游戏特征数据，构建训练集、测试集-》用不同的算法、训练得到模型-》测试集测试看效果-》调整特征-》得到模型-》测试看效果-》重复直到得到一个比较好的模型。
[0120]
步骤43、将该题目对应的调研用户的游戏特征数据输入至第一模型中，得到该题目的预测结果。
[0121]
在本步骤中，为了实现预测结果与答复结果的比对，需要将题目对应的调研用户的游戏特征数据输入至第一模型中，可以同用训练后的特征与该游戏特征数据进行比较，以得到该题目的预测结果。
[0122]
可选的，作为一种举例，表6为用户的游戏特征数据与对应的预测结果的示例，如表6所示(应理解：表6中的用户为做调查问卷的用户，针对不同题目的一些预测结果)：
[0123]
表6：
[0124][0125]
应理解：针对一个题目，第一模型是利用至少一个该题目对应的用户的游戏特征数据训练得到的，该模型能够判断出什么样的数据特征得到什么样的可能的选项。
[0126]
比如“您最喜欢的时装是哪一件？”实际上第一模型需要做的是利用当前玩家的行为数据推测得到该当前玩家最喜欢的时装标识。
[0127]
因此，用至少一个用户的数据训练得到第一模型，该第一模型在输入指定的特征
会得到指定的结果。预测结果的过程就是找到题目对应的解答过程，提取做问卷的调研用户的数据，确定得到模型需要的特征数据，把调研用户的特征数据输入模型，便得到该调研玩家在这个题目可能的选择(即预测结果)。
[0128]
在一种可能的实现中，以上述对新活动或商品是否满意问题的答案预测为例：
[0129]
该题目的预测结果可以排序并表示：非常满意(60％)，一般满意(20％)、一般(10％)、不满意(10％)。
[0130]
在另一种可能的实现中，以上述建议类开放性问题(如，请给该活动提出建议)为例：
[0131]
该题目的预测结果可以排序并表示：正/负两类，或者，正/负/中立三类。
[0132]
例1，正可以表示：有建议；中可以表示：没有建议；负可以表示：胡乱作答。
[0133]
例2，正可以表示：积极建议；中可以表示：中肯建议；负可以表示：消极建议。
[0134]
本技术实施例所提供的技术方案，通过获取题目对应的至少一个用户的游戏特征数据，根据至少一个用户的游戏特征数据训练机器学习算法模型，得到第一模型，之后将该题目对应的调研用户的游戏特征数据输入至第一模型中，得到该题目的预测结果。在该技术方案中，通过利用多个用户的游戏特征数据，对模型进行训练，增加了该模型在后续利用调研用户的游戏特征数据进行预测时的准确率，也为后续有效答复结果的判断提供了依据。
[0135]
在上述实施例的基础上，调查问卷中可以包含以下一种或多种类型的题目：
[0136]
1)、单选；
[0137]
具体的，一个题目的选项可以是一个。
[0138]
2)、多选；
[0139]
具体的，一个题目的选项可以是至少两个。
[0140]
3)、开放式。
[0141]
具体的，一个题目的答复内容由用户自己补充，没有选项。
[0142]
进一步的，图5为本技术实施例提供的调查问卷的处理方法实施例四的流程示意图。如图5所示，对上述步骤23中若答复结果符合预测结果的预设期望，确定该答复结果有效，保留该有效答复结果进行说明。
[0143]
在该步骤中，由于预测结果是采用打有该用户标签的用户的游戏特征数据训练好的模型得到的，可以更大程度的反映该类用户标签对应的用户的行为，其能够提高答复结果的有效性，此时，将答复结果和预测结果进行对比，判断答复结果落于预测结果的预设期望之中，确定该次调查问卷的答复结果有效，进而可以依据该答复结果对调查问卷对应的服务进行完善和改进。
[0144]
可选的，预设期望可以是预测结果中可能性较高的选项。
[0145]
在一种可能的实现中，预测结果可以是70％(按键灵敏度设置较低)、20％(按键灵敏度设置适中)、5％(按键灵敏度设置较高)、5％(按键灵敏度设置太高)，将预测结果的预设期望为前两项，即答复结果为按键灵敏度设置较低或按键灵敏度设置适中，则认为调查问卷的答复结果有效；若答复结果为后几项，则需要进一步判断答复结果是否可用，在后续实施例中给出。
[0146]
下述可能的实现方式没有前后顺序，针对题目的类型不同所触发的可能不同：
[0147]
第1、题目的答复结果的类型为单选：
[0148]
示例性的，对比答复结果是否命中预测结果中的概率靠前的集合(也即，预设期望为概率靠前的x个选项，其中，x为大于或等于1的正整数)。
[0149]
可选的，作为一种举例，表7为不同题目输入至第一模型后得到预测结果的排序及对应的预设期望的示例一，如表7所示(以x为前2个选项为例)：
[0150]
表7：
[0151][0152]
即，在预测结果为70％(非常满意)、20％(满意)、5％(一般)、5％(不满意)，此时当预测结果的前2个选项中的任一个与答复结果一致时，便说明调查问卷的答复结果有效，并保留该有效答复结果。
[0153]
第2、题目的答复结果的类型为多选：
[0154]
示例性的，对比答复结果是否不命中预测结果中的概率靠后的集合(也即预设期望不包括概率靠后的y个选项，其中，y为大于或等于1的正整数)。
[0155]
可选的，作为一种举例，表8为不同题目输入至第一模型后得到预测结果的排序及对应的预设期望的示例二，如表8所示(以y为后1个选项为例)：
[0156]
表8：
[0157][0158]
即，预测结果是70％(好玩)、15％(满意)、10％(会推荐给别人)、5％(不好玩)，此时当预测结果的后y(例如，1)个选项与答复结果中的任一个选项不重合时，便说明调查问卷的答复结果有效，并保留该有效答复结果。
[0159]
第3、题目的答复结果的类型为开放式：
[0160]
示例性的，首先利用语句分词(如jieba分词)对答复结果进行分词，得到分词结果，并利用预设的自定义停用词表剔除分词结果中的停用词，得到目标结果，之后将目标结果输入至机器学习算法(如开放源代码的版本控制系统(subversion，svn))构建的模型(即第二模型)，得到用户的答案情感。
[0161]
可选的，将目标结果输入至第二模型，得到答案情感，该第二模型用于确定调研用户在开放式题目中表达的感情，若答案情感与预测结果中的表述情感一致，确定答复结果有效。
[0162]
进一步的，比对答案情感与预测结果的预设期望是否一致。
[0163]
在一种可能的实现中，预测结果可以是正的情感，对答复结果进行处理后得到用
户的答案情感也为正，则说明调查问卷的答复结果有效。
[0164]
本技术实施例所提供的技术方案，通过对调查问卷中题目类型的划分为单选、多选、或/和开放式，从而针对不同的题目类型，设置有不同的判定方式，更加准确地实现了对调研用户的答复结果是否为有效答复结果的判别。
[0165]
在上述实施例的基础上，图6为本技术实施例提供的调查问卷的处理方法实施例五的流程示意图。如图6所示，对上述步骤23中若答复结果不符合预测结果的预设期望，如何确定调查问卷的答复结果有效进行说明。
[0166]
可选的，针对答复结果不符合预测结果的预设期望的情况，可以执行以下步骤：
[0167]
步骤61、获取答复结果对应的题目在调查问卷中已作答的次数。
[0168]
在本步骤中，为了避免调研用户的随意答题(例如，为了获得系统发放的答题奖励而随意填写)，在判定出答复结果不符合预测结果的预设期望时，此时可以将题目再次添加至调查问卷，以使得调研用户再次对该题目进行回复，来考量调研用户是否随意答题。
[0169]
此时，获取不符合预测结果的预设期望的答复结果对应的题目已经作答的次数。
[0170]
在一种可能的实现中，获取到答复结果对应的题目在调查问卷中已作答的次数为1。
[0171]
步骤62、若次数小于或等于次数阈值，将不符合预测结果的预设期望的答复结果对应的题目中的选项次序重新调整。
[0172]
在本步骤中，为了避免同一个题目在调查问卷中出现的次数过多，造成用户的情绪波动，此时设置一个次数阈值，限定同一个题目在调查问卷中出现的次数。
[0173]
进一步的，当次数小于或等于次数阈值时，为了避免调研用户随意填写、以及增加调研用户的体验，将题目中的选项次序进行重新调整。
[0174]
可选的，作为一种举例，表9为题目已出现次数和次数阈值的示意，如表9所示：
[0175]
表9：
[0176]
题目编号已作答的次数次数阈值是否调整选项次序z13是q43否
[0177]
即，次数阈值可以是3，接上述步骤举例，其中1小于3，调整答复结果对应的题目中的选项次序。
[0178]
例如，题目对应的选项内容为“满意、一般、不满意”，此时调整为“不满意、满意、一般”。
[0179]
步骤63、将调整选项次序后的题目补充至调查问卷中的待投放列表，以使调研用户再次答复。
[0180]
在本步骤中，将调整选次序后的题目补充至调查问卷中的待投放列表，以使得再次投放给调研用户，以使得调研用户再次作答，以便于后续该题目的答复结果的有效判断。
[0181]
本技术实施例所提供的技术方案，通过获取答复结果对应的题目在调查问卷中已作答的次数，若次数小于或等于次数阈值，将不符合预测结果的预设期望的答复结果对应的题目中的选项次序重新调整，将调整选项次序后的题目补充至调查问卷中的待投放列表，以使调研用户再次答复。在该技术方案中，将不确定是否有效的答复结果对应的题目的选项次序进行调整，重新投放给用户，能够为后续更加准确地确定出答复结果是否有效提
供参考。
[0182]
在上述实施例的基础上，图7为本技术实施例提供的调查问卷的处理方法实施例六的流程示意图。如图7所示，在步骤61之后，该调查问卷的处理方法还可以包括如下步骤：
[0183]
其中，该实施例为：次数大于次数阈值的情况下，根据不符合预测结果的预设期望的答复结果对应的题目的所有答复结果，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。
[0184]
步骤71、当次数大于次数阈值，将不符合预测结果的预设期望的答复结果对应的题目的选项分别转换为等间隔序列数字表示，得到不同选项对应的数字。
[0185]
在本步骤中，为了保证同一个题目的答复结果是否可靠，将该题目对应的选项分别转换为等间隔序列数字表示，得到不同选项对应的数字。
[0186]
在一种可能的实现中，题目z的选项可以是u、v、w。
[0187]
在一种可能的实现中，题目q的选项可以是u、v、w、e。
[0188]
可选的，作为一种举例，表10为不同题目对应的所有答复结果的示例，如表10所示：
[0189]
表10：
[0190]
题目编号该题目的选项换算后的数字zu、v、w1、2、3qu、v、w、e1、2、3、4
[0191]
也即，针对题目z，其选项u对应1、选项v对应2、选项w对应3；针对题目q，其选项u对应1、选项v对应2、选项w对应3、选项e对应4。
[0192]
步骤72、根据所有答复结果所指选项对应的数字，确定出所有答复结果所指选项对应的数字的方差。
[0193]
在本步骤中，针对一个题目，当已作答的次数大于次数阈值的情况下，将该已作答的题目的答复结果所指选项对应的数字统计出来，并求得这些数字的方差。
[0194]
其中，方差用来度量各个数字和所有数字的均值间的偏离程度，也即表示同一问题的多个答复结果的变化程度，根据上述多个数字，得到多个数字的方差。
[0195]
在一种可能的实现中，题目z的3次已作答的选项对应的数字分别为1、2、3，其方差约为0.67。
[0196]
在一种可能的实现中，题目q的3次已作答的选项对应的数字分别为4、4、4或者1、1、1，其方差均为0。
[0197]
步骤73、根据方差和容忍阈值，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。
[0198]
在本步骤中，当偏离程度大于容忍阈值，即表示不符合预测结果的预设期望的所有答复结果无效；当偏离程度不大于容忍阈值，即表示不符合预测结果的预设期望的所有答复结果有效。
[0199]
在一种可能的实现中，容忍阈值设置为0.1，题目q的所有答复结果所指选项对应的数字的方差为0，而0小于0.1，则调研用户表达了真实想法，标记为有效答复结果，以保留该有效答复结果。
[0200]
在一种可能的实现中，容忍阈值设置为0.1，题目z的所有答复结果方差为0.67，而
0.67大于0.1，则调研用户未表达了真实想法，标记为无效答复结果，剔除该无效答复结果。
[0201]
本技术实施例所提供的技术方案，通过当次数大于次数阈值，将不符合预测结果的预设期望的答复结果对应的题目的选项分别转换为等间隔序列数字表示，得到不同选项对应的数字，根据所有答复结果所指选项对应的数字，确定出所有答复结果所指选项对应的数字的方差，根据方差和容忍阈值，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。该技术方案中，利用同一问题的所有答复结果之间的变化程度，判定用户针对同一题目的真实想法，可以更加准确的确定出该问题的答复是否有效，完成影响调研结果的脏数据的自动剔除，有效提升了调查问卷的有效性，大幅提升调查问卷回收的工作效率。
[0202]
在上述实施例的基础上，图8为本技术实施例提供的调查问卷的处理方法实施例七的流程示意图。对整个方案的流程进行举例，如图8所示，该调查问卷的处理方法包括如下步骤：
[0203]
第1步、开始；
[0204]
第2步、从用户画像数据库中提取用户标签；
[0205]
第3步、判断该用户标签是否与问卷标签一致，若是，执行第4步；若否，执行第17步；
[0206]
第4步、获取该标签对应的模型；
[0207]
第5步、从数据库中提取调研用户最近满足挑拣的时间区间内的游戏特征数据；
[0208]
第6步、将该游戏特征数据输入模型，得到预测结果；
[0209]
其中，第一模型是基于至少一个玩家的游戏特征数据训练得到的。
[0210]
第7步、利用一定规则将题目投放于该调研用户；
[0211]
第8步、等待完成问卷(是否完成并点击翻页)；
[0212]
第9步、比对预测结果与答复结果是否存在偏差，若是，执行第10步；若否，执行第12步；
[0213]
第10步、判断该题目出现的次数是否未超过次数阈值，若是，执行第11步；若否，执行第12步；
[0214]
第11步、改变该题目的选项次数，再次投放该题目；
[0215]
第12步、等着上述过程执行结束，回收所有题目及对应的答复结果；
[0216]
第13步、对比存在偏差的答复结果，确定存在偏差的答复结果对应的数字的方差；
[0217]
第14步、判断该方差是否小于容忍阈值，若是，执行第15步；若否，执行第16步；
[0218]
第15步、标注为有效答复结果，执行第17步；
[0219]
第16步、标注为无效答复结果；
[0220]
第17步、结束。
[0221]
本技术实施例所提供的技术方案，其有益效果参见上述实施例。
[0222]
在上述方法实施例的基础上，图9为本技术实施例提供的调查问卷的处理装置的示意图，如图9所示，该调查问卷的处理装置包括：获取模块91、确定模块92和处理模块93。
[0223]
获取模块91，用于获取调研用户针对调查问卷中各个题目的答复结果，调查问卷包括至少一个题目；
[0224]
确定模块92，用于将调查问卷的各个题目对应的调研用户的游戏特征数据分别输
入至预先生成的第一模型，以获得调查问卷中各个题目的预测结果，第一模型是根据各个题目对应的至少一个用户的游戏特征数据分别训练得到的；
[0225]
处理模块93，用于根据调查问卷中各个题目的预测结果，确定调研用户针对各个题目的答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。
[0226]
在本技术实施例一种可能的设计中，处理模块93，具体用于：
[0227]
若答复结果符合预测结果的预设期望，确定答复结果有效，保留有效答复结果；
[0228]
或，
[0229]
若答复结果不符合预测结果的预设期望，获取答复结果对应的题目在调查问卷中已作答的次数；
[0230]
若次数大于次数阈值，根据不符合预测结果的预设期望的答复结果对应的题目的所有答复结果，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。
[0231]
在该种可能的设计中，处理模块93根据不符合预测结果的预设期望的答复结果对应的题目的所有答复结果，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果，具体用于：
[0232]
将不符合预测结果的预设期望的答复结果对应的题目的选项分别转换为等间隔序列数字表示，得到不同选项对应的数字；
[0233]
根据所有答复结果所指选项对应的数字，确定出所有答复结果所指选项对应的数字的方差；
[0234]
根据方差和容忍阈值，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果。
[0235]
可选的，处理模块93，根据方差和容忍阈值，确定答复结果是否有效，以保留调查问卷中的有效答复结果或剔除调查问卷中的无效答复结果，具体用于：
[0236]
若方差小于容忍阈值，确定不符合预测结果的预设期望的所有答复结果有效，保留有效答复结果；
[0237]
若方差大于或等于容忍阈值，确定不符合预测结果的预设期望的所有答复结果无效，将无效答复结果剔除。
[0238]
可选的，处理模块93，还用于：
[0239]
若次数小于或等于次数阈值，将不符合预测结果的预设期望的答复结果对应的题目中的选项次序重新调整；
[0240]
将调整选项次序后的题目补充至调查问卷中的待投放列表，以使调研用户再次答复。
[0241]
在本技术实施例另一种可能的设计中，调查问卷中的题目的答复结果为单选的类型，预设期望为：命中预测结果中概率大小排序的前x个集合，x为大于0的整数；
[0242]
处理模块93在答复结果符合预测结果的预设期望，确定调查问卷的答复结果有效，保留有效答复结果，具体用于：
[0243]
若答复结果命中预测结果中概率大小排序的前x个集合，确定答复结果有效，保留有效答复结果。
[0244]
在本技术实施例再一种可能的设计中，调查问卷中的题目的答复结果为多选的类型，预设期望为：不命中预测结果中概率大小排序的后y个集合，y为大于0的整数；
[0245]
处理模块93在答复结果符合预测结果的预设期望，确定调查问卷的答复结果有效，保留有效答复结果，具体用于：
[0246]
若答复结果不命中预测结果中概率大小排序的后y个集合，确定答复结果有效，保留有效答复结果。
[0247]
在本技术实施例还一种可能的设计中，调查问卷中的题目的答复结果为开放式的类型，预设期望为：与预测结果中的表述情感一致；
[0248]
处理模块93在答复结果符合预测结果的预设期望，确定调查问卷的答复结果有效，保留有效答复结果，具体用于：
[0249]
利用语句分词对题目的答复结果进行分词，得到分词结果；
[0250]
利用预设的自定义停用词表剔除分词结果中的停用词，得到目标结果；
[0251]
将目标结果输入至第二模型，得到答案情感，第二模型用于确定调研用户在开放式的题目中表达的感情；
[0252]
若答案情感与预测结果中的表述情感一致，确定答复结果有效，保留有效答复结果。
[0253]
在本技术实施例又一种可能的设计中，在处理模块93，还用于：
[0254]
基于用户画像，确定调研用户的用户标签；
[0255]
在题库中抽取用户标签一致的问卷标签对应的题目，生成调查问卷；
[0256]
推送模块，用于向调研用户推送调查问卷。
[0257]
在本技术实施例又一种可能的设计中，获取模块91，还用于获取题目对应的至少一个用户的游戏特征数据；
[0258]
处理模块93，还用于根据至少一个用户的游戏特征数据训练机器学习算法模型，得到第一模型。
[0259]
本技术实施例提供的调查问卷的处理装置，可用于执行上述实施例中调查问卷的处理方法对应的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0260]
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0261]
图10为本技术实施例提供的电子设备的结构示意图。如图10所示，该电子设备可以包括：处理器101、存储器102及存储在该存储器102上并可在处理器101上运行的计算机程序指令。
[0262]
处理器101执行存储器102存储的计算机执行指令，使得处理器101执行上述实施例中的方案。处理器101可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列
fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0263]
存储器102通过系统总线与处理器101连接并完成相互间的通信，存储器102用于存储计算机程序指令。
[0264]
可选的，该电子设备的结构还包括：收发器103，该收发器103通过系统总线与处理器101连接并完成相互间的通信。
[0265]
在实现上，该收发器103可以对应图9所示实施例中的获取模块91和推送模块。
[0266]
系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0267]
本技术实施例提供的电子设备，可用于执行上述实施例中调查问卷的处理方法对应的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0268]
本技术实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中调查问卷的处理方法的技术方案。
[0269]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在电子设备上运行时，使得电子设备执行上述实施例中调查问卷的处理方法的技术方案。
[0270]
上述的计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用电子设备能够存取的任何可用介质。
[0271]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
[0272]
本技术虽然以较佳实施例公开如上，但其并不是用来限定本技术，任何本领域技术人员在不脱离本技术的精神和范围内，都可以做出可能的变动和修改，因此本技术的保护范围应当以本技术权利要求所界定的范围为准。