基于机器学习的用户筛选方法及相关设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于机器学习的用户筛选方法及相关设备。


背景技术：

2.在日益激烈的市场竞争中，服务提供方所提供的服务或产品的质量是用户做出是否使用该服务或产品的决定时候的重要参考指标，该服务提供方往往根据客户对该服务或产品的评价再进行回访，以期望改进和提高自身的服务或产品的质量来获得更多的复购率和用户量。而现有技术的方式是定期通过人工过滤用户对服务或产品的评价数据，以获得能够进行回访的用户去提高达到获得更多的复购率和用户量的目的。
3.但现有技术也存在着明显的技术缺陷。第一方面，随着服务提供方的业务快速增长，单位时间内所产生的用户评价数据相对于人工处理团队来说是海量的，不仅需要高成本维持一个人数庞大的人工处理团队，而且人工处理团队的处理速度是远远跟不上用户评价数据的增长速度和人工评价数据的变化情况的。第二方面，使用人工处理团队筛选用户评价数据后决定是否需要回访用户的方式存在较大的主观成分，同时人为因素在去做判定的过程中也会存在较大的误差。第三方面，根据用户对历史回访操作的反馈信息，回访操作也存在最佳回访时间窗口，而由于人工处理团队的处理效率不足的原因，会使得错过很多用户的最佳回访时间窗口。


技术实现要素：

4.本技术实施例提供一种基于机器学习的用户筛选方法、装置、计算机设备及存储介质，以解决现有技术中通过人工进行客户筛选导致处理效率低下和人主观因素产生误差的问题。
5.本技术的第一方面，提供一种基于机器学习的用户筛选方法，包括：
6.根据目标业务的用户筛选需求，从系统中获取目标用户集合和目标训练数据集合，其中，所述目标用户集合包含用户个人信息，所述目标训练数据集合包含所述用户个人信息对应的用户历史评价数据；
7.根据所述用户筛选需求中包含的筛选特征属性的集合从所述目标训练数据中获取目标用户历史评价数据，将所述目标用户历史评价数据添加至待分析用户数据集合，其中，所述目标用户历史评价数据包含所述筛选特征属性的不同取值；
8.根据预设第一信息熵公式计算所述待分析用户数据集合的第一集合信息熵，根据预设第二信息熵公式计算所述待分析用户数据集合中每个所述筛选特征属性的第一条件熵；
9.根据所述第一集合信息熵、每个所述筛选特征属性的第一条件熵以及预设第一信息增益公式计算每个所述筛选特征属性的信息增益，并将信息增益最大的所述筛选特征属性作为当前决策树的根节点，并将所述当前决策节点对应的所述筛选特征属性和对应的所
述用户历史评价数据从所述待分析用户数据集合中移除；
10.循环处理所述待分析用户数据集合中剩余的所述筛选特征属性和所述用户历史评价数据，并将所述剩余的所述筛选特征属性根据每次所述信息增益的大小依次作为所述根节点的子孙叶子节点，直至所述待分析用户数据集合中的所述筛选特征属性都被移除，得到目标用户筛选决策树模型；
11.接收待筛选的目标用户评价数据集合，将所述目标用户评价数据集合输入所述目标用户筛选决策树模型，输出目标用户筛选结果。
12.本技术的第二方面，提供一种基于机器学习的用户筛选装置，包括：
13.第一数据获取模块，用于根据目标业务的用户筛选需求，从系统中获取目标用户集合和目标训练数据集合，其中，所述目标用户集合包含用户个人信息，所述目标训练数据集合包含所述用户个人信息对应的用户历史评价数据；
14.第二数据获取模块，用于根据所述用户筛选需求中包含的筛选特征属性的集合从所述目标训练数据中获取目标用户历史评价数据，将所述目标用户历史评价数据添加至待分析用户数据集合，其中，所述目标用户历史评价数据包含所述筛选特征属性的不同取值；
15.第一数据计算模块，用于根据预设第一信息熵公式计算所述待分析用户数据集合的第一集合信息熵，根据预设第二信息熵公式计算所述待分析用户数据集合中每个所述筛选特征属性的第一条件熵；
16.第二数据计算模块，用于根据所述第一集合信息熵、每个所述筛选特征属性的第一条件熵以及预设第一信息增益公式计算每个所述筛选特征属性的信息增益，并将信息增益最大的所述筛选特征属性作为当前决策树的根节点，并将所述当前决策节点对应的所述筛选特征属性和对应的所述用户历史评价数据从所述待分析用户数据集合中移除；
17.用户筛选决策树模型模块，用于循环处理所述待分析用户数据集合中剩余的所述筛选特征属性和所述用户历史评价数据，并将所述剩余的所述筛选特征属性根据每次所述信息增益的大小依次作为所述根节点的子孙叶子节点，直至所述待分析用户数据集合中的所述筛选特征属性都被移除，得到目标用户筛选决策树模型；
18.用户筛选结果模块，用于接收待筛选的目标用户评价数据集合，将所述目标用户评价数据集合输入所述目标用户筛选决策树模型，输出目标用户筛选结果。
19.本技术的第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器学习的用户筛选方法的步骤。
20.本技术的第四方面，提供一种计算机可读存储介质，所述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基于机器学习的用户筛选方法的步骤。
21.上述基于机器学习的用户筛选方法、装置、计算机设备及存储介质，不仅提高了服务提供方对用户评价的处理效率，而且去除了对用户评价数据处理过程中效率低下、主观成分高、易产生人为误差等人为因素产生的问题。
附图说明
22.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。
23.图1是本技术一实施例中基于机器学习的用户筛选方法的一应用环境示意图；
24.图2是本技术一实施例中基于机器学习的用户筛选方法的一流程图；
25.图3是本技术另一实施例中基于机器学习的用户筛选方法的一流程图；
26.图4是本技术一实施例中基于机器学习的用户筛选装置的结构示意图；
27.图5是本技术一实施例中计算机设备的一示意图；
28.图6是本技术一实施例中待分析用户数据集合的示意图。
具体实施方式
29.下面将结合本技术实施例中的附图，对本技术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他实施例，都属于本技术保护的范围。
30.本技术提供的基于机器学习的用户筛选方法，可应用在如图1的应用环境中，其中，计算机设备可以但不限于各种个人计算机、笔记本电脑，计算机设备还可以是服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。可以理解的是图1中的计算机设备的数量仅仅是示意性的，可以根据实际需求进行任意数量的扩展。
31.在一实施例中，如图2所示，提供一种基于机器学习的用户筛选方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤s101至s106：
32.s101、根据目标业务的用户筛选需求，从系统中获取目标用户集合和目标训练数据集合，其中，所述目标用户集合包含用户个人信息，所述目标训练数据集合包含所述用户个人信息对应的用户历史评价数据。
33.其中，所述用户历史评价数据不仅包括目标服务或目标产品的用户在使用所述目标服务或目标产品后产生的服务评价数据或产品评价数据，还包括在产生所述服务评价数据或产品评价数据之后所述用户在回访过程中产生的其他评价关联数据。所述其他评价关联数据能够反应出对应的回访过程的质量和回访回报率，即所述其他评价关联数据对应的回访过程是否是一次高质量的回访，以及是否能够通过所述回访过程获取更多的复购或更好的评价等正面回访效果。具体地，所述服务评价数据或所述产品评价数据在实际的应用过程中包括但不限于：文本类型评价数据、图片类型评价数据、视频类型评价数据、语音类型评价数据、第三方来源数据等。所述其他评价关联数据在实际的应用过程中包括但不限于：申请便捷度、响应时效、使用时效、用户态度等。所述申请便捷度是指能够通过用户提供的联系方式或通过其他途径获得的联系方式与用户建立回访过程的难易程度，所述相应时效是指在对目标用户发起建立回访过程请求之后该目标用户对回访过程请求的相应时效，所述使用时效是指用户对所述目标服务或所述目标产品产生的服务评价数据或产品评价数据的时效性，所述用户态度是指在对用户进行回访过程中该用户所表现出来的态度情况
数据。例如，某一保险服务商在某一金融科技服务平台中的提供了汽车保险产品及服务，则该汽车保险产品及服务的用户能够对该汽车保险产品及服务、该保险服务商、以及改金融科技服务平台作为文字类型的评价、和/或图片类型的评价、和/或视频类型的评价、和/或语音类型的评价，更能够在其他社交平台发布相应的关联性评价数据，而该金融科技服务平台和该保险服务商能够根据该用户发布的关于己方的评论数据对该用户发起回访流程，并记录与该用户进行回访沟通过程中该用户的相应时效、该用户的语言语气数据、该用户的情绪数据等其他评价关联数据。
34.进一步地，在实际的应用场景中，一般根据目标业务的业务特征，以及需要根据用户评价数据进行数据分析的分析需求，对已经获取的用户评论数据进行先一步的数据筛选处理。具体地，所述根据目标业务的用户筛选需求，从系统中获取目标用户集合和目标训练数据集合之后还包括：首先，根据所述目标业务的用户筛选需求，从所述目标训练数据集合中确定目标结果数据属性。然后，将所述目标训练数据集合输入预设的用户评价数据分析模型，输出提取的用户评价数据特征属性集合，以及每个所述用户评价数据特征属于与所述目标结果数据属性的第一关联度评分。其中，该用户评价数据分析模型能够处理的用户评价数据类型包括但不限于：文本数据类型、图片数据类型、语音数据类型、视频数据类型、其他格式文件类型(例如邮件文件类型)，相应地，所述用户评价数据分析模型包含了文本数据处理模块、图片数据处理模块、语音数据处理模块、视频数据处理模块、以及其他格式文件处理模块，对于具体的各个类型数据处理模块的具体实现细节由于不是本技术实施例的核心部分故在此不再赘述。最后，若所述第一关联度评分在预设关联度评分阈值范围内，则将所述第一关联度评分对应的目标结果数据属性添加至所述用户筛选需求中包含的筛选特征属性的集合。因为所述目标业务的用户筛选需求并不是在完全基于所述目标训练数据集合提出的，所以所述目标业务的用户筛选需求包含的所述目标结果数据属性可能存在语义表达上的误差，故通过预设的用户评价数据分析模型获取与所述目标结果数据属性有较高关联度的用户评价数据特征数据以消除前述的语义表达上的误差，同时也使得所述目标结果数据属性与目标训练数据集合的关联性提高，进而使得最后产生的用户筛选决策树的各个特征属性叶子界面的筛选作用更加明显。例如，某一金融科技服务平台的保险服务商产生了通过用户对已经提供的汽车保险产品及服务产生的用户评价查找有寿险类产品或服务意向的目标用户，则目标用户筛选结果是对寿险类产品或服务有意向的用户信息，而用户评价数据分析模型需要根据输入的汽车保险产品及服务评价输出寿险类产品或服务意向相关的用户评价数据特征属性。
35.s102、根据所述用户筛选需求中包含的筛选特征属性的集合从所述目标训练数据中获取目标用户历史评价数据，将所述目标用户历史评价数据添加至待分析用户数据集合，其中，所述目标用户历史评价数据包含所述筛选特征属性的不同取值。
36.s103、根据预设第一信息熵公式计算所述待分析用户数据集合的第一集合信息熵，根据预设第二信息熵公式计算所述待分析用户数据集合中每个所述筛选特征属性的第一条件熵。
37.进一步地，所述第一信息熵公式如下：
[0038][0039]
其中，k表示用户筛选的类别，d表示所述待分析用户数据集合，ck表示在k类别下的数据集合，h(d)表示第一集合信息熵。
[0040]
如图6所示，使用所述第一信息熵公式计算图6所示的待分析用户数据集合的第一集合信息熵为：
[0041][0042]
进一步地，所述第二信息熵公式如下：
[0043][0044]
其中，其中，a表示所述用户筛选特征属性，i表示所述用户筛选特征属性为a时候的第i个取值，n表示所述用户筛选特征属性为a时候的取值的数据总数量，di表示所述用户筛选特征属性为a时候第i个取值时的子数据集，h(d|a)表示用户筛选特征属性为a时候的第一条件熵。
[0045]
如图6所示，使用所述第二信息熵公式计算图6所示的申请便捷度的第一条件信息熵：
[0046][0047][0048][0049][0050][0051][0052]
其中，a1表示按照申请便捷度对所述待分析用户数据集合进行划分，所述申请便捷度的取值分别为1、2、3、4、5。
[0053]
s104、根据所述第一集合信息熵、每个所述筛选特征属性的第一条件熵以及预设第一信息增益公式计算每个所述筛选特征属性的信息增益，并将信息增益最大的所述筛选特征属性作为当前决策树的根节点，并将所述当前决策节点对应的所述筛选特征属性和对应的所述用户历史评价数据从所述待分析用户数据集合中移除。
[0054]
进一步地，所述第一信息增益公式如下：
[0055]
g(d,a)＝h(d)-h(d|a)
[0056]
其中，g(d,a)表示所述用户筛选特征属性为a时候对应的信息增益。
[0057]
如图6所示，使用所述第一信息增益公式计算图6所示的申请便捷度的信息增益：
[0058]
g(d|a1)＝h(d)-h(d|a1)＝0.934-0.684＝0.25
[0059]
图6中相应时效、使用时效、用户态度的信息增益计算过程在此不再赘述。
[0060]
s105、循环处理所述待分析用户数据集合中剩余的所述筛选特征属性和所述用户历史评价数据，并将所述剩余的所述筛选特征属性根据每次所述信息增益的大小依次作为所述根节点的子孙叶子节点，直至所述待分析用户数据集合中的所述筛选特征属性都被移除，得到目标用户筛选决策树模型。
[0061]
进一步地，所述得到目标用户筛选决策树模型之后还包括：首先，根据用户筛选决策树模型的测试需求，从系统中获取目标测试用户集合和目标测试数据集合。然后，将所述目标测试用户集合和所述目标测试数据集合输入所述目标用户筛选决策树模型，得到所述目标用户筛选决策树模型的第一测试结果。最后，根据所述第一测试结果和预设的决策树优化方法优化所述目标用户筛选决策树模型。
[0062]
s106、接收待筛选的目标用户评价数据集合，将所述目标用户评价数据集合输入所述目标用户筛选决策树模型，输出目标用户筛选结果。
[0063]
图3是本技术另一实施例的基于机器学习的用户筛选方法的流程示意图。需要注意的是，若有实质上相同的结果，本技术的方法并不以图3所示的流程顺序为限。如图3所示，该基于机器学习的用户筛选方法包括如下步骤s201至s207：
[0064]
s201、根据目标业务的用户筛选需求，从系统中获取目标用户集合和目标训练数据集合，其中，所述目标用户集合包含用户个人信息，所述目标训练数据集合包含所述用户个人信息对应的用户历史评价数据。
[0065]
s202、根据所述用户筛选需求中包含的筛选特征属性的集合从所述目标训练数据中获取目标用户历史评价数据，将所述目标用户历史评价数据添加至待分析用户数据集合，其中，所述目标用户历史评价数据包含所述筛选特征属性的不同取值。
[0066]
s203、根据预设第一信息熵公式计算所述待分析用户数据集合的第一集合信息熵，根据预设第二信息熵公式计算所述待分析用户数据集合中每个所述筛选特征属性的第一条件熵。
[0067]
s204、根据所述第一集合信息熵、每个所述筛选特征属性的第一条件熵以及预设第一信息增益公式计算每个所述筛选特征属性的信息增益，并将信息增益最大的所述筛选特征属性作为当前决策树的根节点，并将所述当前决策节点对应的所述筛选特征属性和对应的所述用户历史评价数据从所述待分析用户数据集合中移除。
[0068]
s205、循环处理所述待分析用户数据集合中剩余的所述筛选特征属性和所述用户历史评价数据，并将所述剩余的所述筛选特征属性根据每次所述信息增益的大小依次作为所述根节点的子孙叶子节点，直至所述待分析用户数据集合中的所述筛选特征属性都被移除，得到目标用户筛选决策树模型。
[0069]
s206、将所述第一集合信息熵、所述第一条件熵、所述信息增益、所述决策树对应的叶子节点、以及所述决策树模型上传至区块链。
[0070]
s207、接收待筛选的目标用户评价数据集合，将所述目标用户评价数据集合输入
所述目标用户筛选决策树模型，输出目标用户筛选结果。
[0071]
其中，在步骤s206中，分别基于所述第一集合信息熵、所述第一条件熵、所述信息增益、所述决策树对应的叶子节点、以及所述决策树模型得到对应的摘要信息，具体来说，摘要信息由所述第一集合信息熵、所述第一条件熵、所述信息增益、所述决策树对应的叶子节点、以及所述决策树模型进行散列得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证所述第一集合信息熵、所述第一条件熵、所述信息增益、所述决策树对应的叶子节点、以及所述决策树模型是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0072]
其他步骤具体参见第一实施例的说明，在此不进行一一赘述。
[0073]
本技术提供的基于机器学习的用户筛选方法，通过获取目标用户集合和目标训练数据集合，所述目标训练数据集合包含用户历史评价数据；根据筛选特征属性的集合统计所述用户历史评价数据，得到待分析用户数据集合；计算所述待分析用户数据集合的第一集合信息熵、以及每个所述筛选特征属性的第一条件熵；计算每个所述筛选特征属性的信息增益，将信息增益最大的所述筛选特征属性作为当前决策树的叶子节点；循环处理剩余的所述筛选特征属性和所述用户历史评价数据，得到目标用户筛选决策树模型；将接收的待筛选目标用户评价数据集合输入所述目标用户筛选决策树模型，输出目标用户筛选结果。不仅提高了服务提供方对用户评价的处理效率，去除了对用户评价数据处理过程中效率低下、主观成分高、易产生人为误差等人为因素产生的问题，还能够使用机器学习的处理方式提高处理效率后以获得最佳用户回访时间，进一步地在该最佳用户回访时间内获得更多的复购率和更有益于平台的正面评价。
[0074]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0075]
在一实施例中，提供一种基于机器学习的用户筛选装置100，该基于机器学习的用户筛选装置100与上述实施例中基于机器学习的用户筛选方法一一对应。如图4所示，该基于机器学习的用户筛选装置100包括第一数据获取模块11、第二数据获取模块12、第一数据计算模块13、第二数据计算模块14、用户筛选决策树模型模块15和用户筛选结果模块16。各功能模块详细说明如下：
[0076]
第一数据获取模块11，用于根据目标业务的用户筛选需求，从系统中获取目标用户集合和目标训练数据集合，其中，所述目标用户集合包含用户个人信息，所述目标训练数据集合包含所述用户个人信息对应的用户历史评价数据；
[0077]
第二数据获取模块12，用于根据所述用户筛选需求中包含的筛选特征属性的集合从所述目标训练数据中获取目标用户历史评价数据，将所述目标用户历史评价数据添加至待分析用户数据集合，其中，所述目标用户历史评价数据包含所述筛选特征属性的不同取值；
[0078]
第一数据计算模块13，用于根据预设第一信息熵公式计算所述待分析用户数据集合的第一集合信息熵，根据预设第二信息熵公式计算所述待分析用户数据集合中每个所述筛选特征属性的第一条件熵；
[0079]
第二数据计算模块14，用于所述第一集合信息熵、每个所述筛选特征属性的第一条件熵以及根据预设第一信息增益公式计算每个所述筛选特征属性的信息增益，并将信息增益最大的所述筛选特征属性作为当前决策树的根节点，并将所述当前决策节点对应的所述筛选特征属性和对应的所述用户历史评价数据从所述待分析用户数据集合中移除；
[0080]
第一循环处理模块15，用于循环处理所述待分析用户数据集合中剩余的所述筛选特征属性和所述用户历史评价数据，并将所述剩余的所述筛选特征属性根据每次所述信息增益的大小依次作为所述根节点的子孙叶子节点，直至所述待分析用户数据集合中的所述筛选特征属性都被移除，得到目标用户筛选决策树模型；
[0081]
用户筛选结果模块16，用于接收待筛选的目标用户评价数据集合，将所述目标用户评价数据集合输入所述目标用户筛选决策树模型，输出目标用户筛选结果。
[0082]
进一步地，所述第一数据计算模块13还包括：
[0083]
第一信息熵计算子模块，用于根据如下公式计算所述第一集合信息熵：
[0084][0085]
其中，k表示用户筛选的类别，d表示所述待分析用户数据集合，ck表示在k类别下的数据集合，h(d)表示第一集合信息熵。进一步地，所述第一数据计算模块13还包括：
[0086]
第二信息熵计算子模块，用于根据如下公式计算所述筛选特征属性的第一条件熵：
[0087][0088]
其中，a表示所述用户筛选特征属性，i表示所述用户筛选特征属性为a时候的第i个取值，n表示所述用户筛选特征属性为a时候的取值的数据总数量，di表示所述用户筛选特征属性为a时候第i个取值时的子数据集，h(d|a)表示用户筛选特征属性为a时候的第一条件熵。
[0089]
进一步地，所述第二数据计算模块14还包括：
[0090]
第一信息增益计算子模块，用于根据如下公式计算所述用户筛选特征属性对应的信息增益：
[0091]
g(d,a)＝h(d)-h(d|a)
[0092]
其中，g(d,a)表示所述用户筛选特征属性为a时候对应的信息增益。
[0093]
进一步地，所述第一数据获取模块11还包括：
[0094]
目标结果数据属性子模块，用于根据所述目标业务的用户筛选需求，从所述目标训练数据集合中确定目标结果数据属性；
[0095]
第一关联度评分子模块，用于将所述目标训练数据集合输入预设的用户评价数据分析模型，输出提取的用户评价数据特征属性集合，以及每个所述用户评价数据特征属于与所述目标结果数据属性的第一关联度评分；
[0096]
筛选特征属性添加子模块，用于若所述第一关联度评分在预设关联度评分阈值范围内，则将所述第一关联度评分对应的目标结果数据属性添加至所述用户筛选需求中包含的筛选特征属性的集合。
[0097]
进一步地，所述用户筛选决策树模型模块15还包括：
[0098]
测试数据获取子模块，用于根据用户筛选决策树模型的测试需求，从系统中获取目标测试用户集合和目标测试数据集合；
[0099]
第一测试结果子模块，用于将所述目标测试用户集合和所述目标测试数据集合输入所述目标用户筛选决策树模型，得到所述目标用户筛选决策树模型的第一测试结果；
[0100]
决策树模块优化子模块，用于根据所述第一测试结果和预设的决策树优化方法优化所述目标用户筛选决策树模型。
[0101]
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，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模块，本技术中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
[0102]
关于基于机器学习的用户筛选装置的具体限定可以参见上文中对于基于机器学习的用户筛选方法的限定，在此不再赘述。上述基于机器学习的用户筛选装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0103]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于机器学习的用户筛选方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器学习的用户筛选方法。
[0104]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于机器学习的用户筛选方法的步骤，例如图2所示的步骤s101至步骤s106及该方法的其它扩展和相关步骤的延伸，和/或如图3所示的步骤s201至步骤s207及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于机器学习的用户筛选装置的各模块/单元的功能，例如图4所示模块11至模块16的功能。为避免重复，这里不再赘述。
[0105]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0106]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
[0107]
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
[0108]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于机器学习的用户筛选方法的步骤，例如图2所示的步骤s101至步骤s106及该方法的其它扩展和相关步骤的延伸，和/或如图3所示的步骤s201至步骤s207及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于机器学习的用户筛选装置的各模块/单元的功能，例如图4所示模块11至模块16的功能。为避免重复，这里不再赘述。
[0109]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0110]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0111]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。