CN111190967B - 用户多维度数据处理方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种用户多维度数据处理方法、装置、电子设备及计算机可读介质。该方法包括：将用户的多维度数据按照维度进行拆分，生成多个数据单元；基于所述多个数据单元确定多个用户特征子模型；将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；以及基于所述多个特征值确定用户特征。本公开涉及的用户多维度数据处理方法、装置、电子设备及计算机可读介质，根据用户数据的特征确定其对应的机器学习模型，能够获取准确的用户特征分析结果。

Description

用户多维度数据处理方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种用户多维度数据处理方法、装置、电子设备及计算机可读介质。

背景技术

机器学习现如今在各个人工智能研究领域中已经得到了极大的发展，在当今大部分的应用场景中，人们都可以很方便的找到适合于自身问题的机器学习模型。对于机器学习模型的一般应用来说，用户首先确定某一个类别或者算法的机器学习模型，然后根据用户想解决的特定问题，用户输入特定的数据，机器学习模型建立特定的任务，然后通过特定的数据来对机器学习进行训练，在训练结束后，得到适用于某一个特定任务的机器学习模型。通常情况下，即使用同一个机器学习模型的算法，但是用不同的数据训练得到的机器学习模型是完全不同的。

特征工程是利用数据领域的相关知识来创建能够使机器学习算法达到最佳性能的特征的过程。对于常见的用户特征提取而言，特征工程常见的做法是，获取原始用户数据；然后利用数据处理技术，从这些数据中获取、处理和提取有意义的特征和属性生成多维度用户数据。特征工程变量数据在提取之后，会将多维度用户数据输入到机器学期模型中，机器学习模型基于这些数据进行运算，特征工程变量数据的处理时间的和准确度极大的影响整个机器学习模型的计算时间和计算准度，对于同一批用户数据，不同的特征工作生成的多维度用户数据不同，从而得到的机器学习模型也不相同，最终的用户特征结果也不相同。如何尽量减小由不同的特征工程数据处理带来的结果差异，是目前亟待解决的问题之一。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种用户多维度数据处理方法、装置、电子设备及计算机可读介质，根据用户数据的特征确定其对应的机器学习模型，能够获取准确的用户特征分析结果。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种用户多维度数据处理方法，该方法包括：将用户的多维度数据按照维度进行拆分，生成多个数据单元；基于所述多个数据单元确定多个用户特征子模型；将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；以及基于所述多个特征值确定用户特征。

可选地，还包括：基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。

可选地，基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型，包括：将历史用户的多维度数据照维度进行拆分，生成多个历史数据单元；基于所述多个历史数据单元的特征确定多个机器学习模型；通过所述多个历史数据单元分别对所述多个机器学习模型进行训练生成所述多个用户特征子模型。

可选地，基于所述多个历史数据单元的特征确定多个机器学习模型，包括：对历史数据单元的数据特征进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据分布进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据状态进行分析，以确定其对应的机器学习模型。

可选地，将用户的多维度数据按照维度进行拆分，生成多个数据单元，包括：将用户的多维度数据按照维度进行拆分，生成多个用户数据；以及将所述多个用户数据进行数据处理生成所述多个数据单元。

可选地，基于所述多个数据单元确定多个用户特征子模型，包括：确定所述多个数据单元的多个属性特性，以及基于属性特性由特征模型库中筛选出所述多个用户特征子模型。

可选地，将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征子模型中，生成多个特性值，包括：将数据单元输入到其对应的用户特征子模型中；以及用户特征子模型基于所述数据单元中的数据进行计算，生成所述数据单元对应的特征值。

可选地，基于所述多个特征值确定用户特征，包括：将所述多个特征值输入到用户特征模型中以确定用户特征。

可选地，还包括：通过历史用户的多个特征值和机器学习模型生成所述用户特征模型。

可选地，通过历史用户的多个特征值和机器学习模型生成所述用户特征模型，包括：将历史上已进行落地转化的用户对应的多个特征值作为正向标签数据；将历史上未进行落地转化的用户对应的多个特征值作为负向标签数据；通过所述正向标签数据与所述负向标签数据对机器学习模型进行训练生成所述用户特征模型。

根据本公开的一方面，提出一种用户多维度数据处理装置，该装置包括：拆分模块，用于将用户的多维度数据按照维度进行拆分，生成多个数据单元；单元模块，用于基于所述多个数据单元确定多个用户特征子模型；输入模块，用于将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；特征模块，用于基于所述多个特征值确定用户特征。

可选地，还包括：子模型训练模块，用于基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。

可选地，所述子模型训练模块，还用于将历史用户的多维度数据照维度进行拆分，生成多个历史数据单元；基于所述多个历史数据单元的特征确定多个机器学习模型；通过所述多个历史数据单元分别对所述多个机器学习模型进行训练生成所述多个用户特征子模型。

可选地，所述子模型训练模块，包括：模型确定单元，用于对历史数据单元的数据特征进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据分布进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据状态进行分析，以确定其对应的机器学习模型。

可选地，进行拆分，生成多个用户数据；以及处理单元，用于将所述多个用户数据进行数据处理生成所述多个数据单元。

可选地，所述单元模块，包括：筛选单元，用于确定所述多个数据单元的多个属性特性，以及基于属性特性由特征模型库中筛选出所述多个用户特征子模型。

可选地，所述输入模块，包括：输入单元，用于将数据单元输入到其对应的用户特征子模型中；以及计算单元，用于用户特征子模型基于所述数据单元中的数据进行计算，生成所述数据单元对应的特征值。

可选地，所述特征模块，还用于将所述多个特征值输入到用户特征模型中以确定用户特征。

可选地，还包括：模型训练单元，用于通过历史用户的多个特征值和机器学习模型生成所述用户特征模型。

可选地，所述模型训练单元，还用于将历史上已进行落地转化的用户对应的多个特征值作为正向标签数据；将历史上未进行落地转化的用户对应的多个特征值作为负向标签数据；通过所述正向标签数据与所述负向标签数据对机器学习模型进行训练生成所述用户特征模型。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的用户多维度数据处理方法、装置、电子设备及计算机可读介质，将用户的多维度数据按照维度进行拆分，生成多个数据单元；基于所述多个数据单元确定多个用户特征子模型；将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；以及基于所述多个特征值确定用户特征的方式，根据用户数据的特征确定其对应的机器学习模型，能够获取准确的用户特征分析结果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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。

图1是根据一示例性实施例示出的一种用户多维度数据处理方法及装置的***框图。

图2是根据一示例性实施例示出的一种用户多维度数据处理方法的流程图。

图3是根据另一示例性实施例示出的一种用户多维度数据处理方法的流程图。

图4是根据另一示例性实施例示出的一种用户多维度数据处理方法的示意图。

图5是根据一示例性实施例示出的一种用户多维度数据处理装置的框图。

图6是根据一示例性实施例示出的一种电子设备的框图。

图7是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种用户多维度数据处理方法及装置的***框图。

如图1所示，***架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上所存储的用户多维度数据进行分析的后台管理服务器。后台管理服务器可以对接收到的用户多维度数据进行分析等处理，并将处理结果(用户特征)反馈给管理员。

服务器105可例如将用户的多维度数据按照维度进行拆分，生成多个数据单元；服务器105可例如基于所述多个数据单元确定多个用户特征子模型；服务器105可例如将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；服务器105可例如基于所述多个特征值确定用户特征。

服务器105还可例如基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。

服务器105还可例如通过历史用户的多个特征值和机器学习模型生成所述用户特征模型。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的用户多维度数据处理方法可以由服务器105执行，相应地，用户多维度数据处理装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种用户多维度数据处理方法的流程图。用户多维度数据处理方法20至少包括步骤S202至S208。

如图2所示，在S202中，将用户的多维度数据按照维度进行拆分，生成多个数据单元。其中，用户的多维度数据可包括用户的基本信息、用户的行为数据、用户的状态数据等等，其中，在用户的基本信息中，可包括用户的年龄、职业、收入、地址等等多个维度；更进一步的，在用户的行为数据中，可包括用户在不同平台上的操作行为数据；用户的状态数据可包括用户的注册状态、用户的借款状态、用户还款状态、用户欠款状态等等。

在一个实施例中，可将用户的多维度数据按照维度进行拆分，生成多个用户数据；以及将所述多个用户数据进行数据处理生成所述多个数据单元。上述每一个用户数据都可以作为用户数据的一个维度，将用户的多维度数据拆分成多个数据单元。

其中，用户多维度数据可通过第三方数据源获取，还可通过预订平台上用户信息的积累，本公开不一次为限。

在S204中，基于所述多个数据单元确定多个用户特征子模型。包括：确定所述多个数据单元的多个属性特性，以及基于属性特性由特征模型库中筛选出所述多个用户特征子模型。

其中，还包括，基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。

多个用户特征子模型中每个用户特征子模型都有自己的特征标识，每个数据单元也有自己的特征标识，基于特征标识，为每个数据单元确定其对应的用户特征子模型。

在一个实施例中，特征标识可包括“兴趣特征”、“年龄特征”、“职业特征”、“信用特征”、“活跃度特征”等等。

在S206中，将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值。包括：将数据单元输入到其对应的用户特征子模型中；以及用户特征子模型基于所述数据单元中的数据进行计算，生成所述数据单元对应的特征值。

在S208中，基于所述多个特征值确定用户特征。包括：将所述多个特征值输入到用户特征模型中以确定用户特征。其中，可通过历史用户的多个特征值和机器学习模型生成所述用户特征模型。

在一个实施例中，通过历史用户的多个特征值和机器学习模型生成所述用户特征模型，包括：将历史上已进行落地转化的用户对应的多个特征值作为正向标签数据；将历史上未进行落地转化的用户对应的多个特征值作为负向标签数据；通过所述正向标签数据与所述负向标签数据对机器学习模型进行训练生成所述用户特征模型。

值得一提的是，用户特征模型还可通过用户的其他特征进行辅助训练，在关注用户落地转化时，可将用户落地转化数据引入，协同训练；在关注用户信用时，可将用户信用数据引入模型训练中，本公开不以此为限。

根据本公开的用户多维度数据处理方法，将用户的多维度数据按照维度进行拆分，生成多个数据单元；基于所述多个数据单元确定多个用户特征子模型；将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；以及基于所述多个特征值确定用户特征的方式，根据用户数据的特征确定其对应的机器学习模型，能够获取准确的用户特征分析结果。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种用户多维度数据处理方法的流程图。图3所示的流程是对“基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型”的详细描述。

如图3所示，在S302中，将历史用户的多维度数据照维度进行拆分，生成多个历史数据单元。

在S304中，基于所述多个历史数据单元的特征确定多个机器学习模型。

在一个实施例中，可包括：对历史数据单元的数据特征进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据分布进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据状态进行分析，以确定其对应的机器学习模型。

机器学习模型按照可使用的数据类型分为监督学习和无监督学习两大类。监督学习主要包括用于分类和用于回归的模型：

1)分类：线性分类器(如LR)、支持向量机(SVM)、朴素贝叶斯(NB)、K近邻(KNN)、决策树(DT)、集成模型(RF/GDBT等)

2)回归：线性回归、支持向量机(SVM)、K近邻(KNN)、回归树(DT)、集成模型(ExtraTrees/RF/GDBT)

2.无监督学习主要包括：数据聚类(K-means)/数据降维(PCA)等等。

在S306中，通过所述多个历史数据单元分别对所述多个机器学习模型进行训练生成所述多个用户特征子模型。

可根据不同的数据单元的特征，为其确定对应的机器学习模型。

可例如，可通过属性为“用户状态特征”这类用户数据单元对随机森林(RandomForest:)模型进行训练，其中，随机森林是决策树的随机集成，一定程度上改善了其容易被攻击的弱点。适用于数据维度不太高(几十)又想达到较高准确性的时候。不需要调整太多参数，适合在不知道适用什么方法的时候先用下。

可例如，可通过属性为“用户信用特征”这类用户数据单元对支持向量机模型进行训练，其中，支持向量机是一类按监督学***面尽量保持样本间的间距，抗攻击能力强。

可例如，可通过属性为“用户操作特征”这类用户数据单元对马尔科夫模型进行训练。马尔科夫模型主要用于通过前面的状态预测后面的状态。

还可通过其他的机器学习模型进行训练以生成多个用户特征子模型，本公开不以此为限。

图4是根据另一示例性实施例示出的一种用户多维度数据处理方法的示意图。

如图4的架构所示，用户的多维度数据先进行拆分，然后分别输入其对应的用户特征子模型中，用户特征子模型经过计算，数据该维度用户数据对应的子特征值，然后再将多个子特征值输入到用户特征模型中，以确定最终的用户特征值。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种用户多维度数据处理装置的框图。如图5所示，用户多维度数据处理装置50包括：拆分模块502，单元模块504，输入模块506，特征模块508，子模型训练模块510，模型训练模块512。

拆分模块502用于将用户的多维度数据按照维度进行拆分，生成多个数据单元；所述拆分模块502包括：维度单元，用于将用户的多维度数据按照维度进行拆分，生成多个用户数据；以及处理单元，用于将所述多个用户数据进行数据处理生成所述多个数据单元。

单元模块504用于基于所述多个数据单元确定多个用户特征子模型；所述单元模块504包括：筛选单元，用于确定所述多个数据单元的多个属性特性，以及基于属性特性由特征模型库中筛选出所述多个用户特征子模型。

输入模块506用于将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；所述输入模块506包括：输入单元，用于将数据单元输入到其对应的用户特征子模型中；以及计算单元，用于用户特征子模型基于所述数据单元中的数据进行计算，生成所述数据单元对应的特征值。

特征模块508用于基于所述多个特征值确定用户特征。所述特征模块508还用于将所述多个特征值输入到用户特征模型中以确定用户特征。

子模型训练模块510用于基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。所述子模型训练模块510还用于将历史用户的多维度数据照维度进行拆分，生成多个历史数据单元；基于所述多个历史数据单元的特征确定多个机器学习模型；通过所述多个历史数据单元分别对所述多个机器学习模型进行训练生成所述多个用户特征子模型。

所述子模型训练模块510包括：模型确定单元，用于对历史数据单元的数据特征进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据分布进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据状态进行分析，以确定其对应的机器学习模型。

模型训练模块512用于通过历史用户的多个特征值和机器学习模型生成所述用户特征模型。所述模型训练模块512还用于将历史上已进行落地转化的用户对应的多个特征值作为正向标签数据；将历史上未进行落地转化的用户对应的多个特征值作为负向标签数据；通过所述正向标签数据与所述负向标签数据对机器学习模型进行训练生成所述用户特征模型。

根据本公开的用户多维度数据处理装置，将用户的多维度数据按照维度进行拆分，生成多个数据单元；基于所述多个数据单元确定多个用户特征子模型；将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；以及基于所述多个特征值确定用户特征的方式，根据用户数据的特征确定其对应的机器学习模型，能够获取准确的用户特征分析结果。

图6是根据一示例性实施例示出的一种电子设备的框图。

下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2，图3中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：将用户的多维度数据按照维度进行拆分，生成多个数据单元；基于所述多个数据单元确定多个用户特征子模型；将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，生成多个特性值；以及基于所述多个特征值确定用户特征。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (12)

1.一种用户多维度数据处理方法，其特征在于，包括：

将用户的多维度数据按照维度进行拆分生成多个用户数据，将多个用户数据进行数据处理而生成多个数据单元，用户的多维度数据包括用户的基本信息、用户在不同平台上的操作行为数据、用户的状态数据；

基于所述多个数据单元确定多个用户特征子模型，包括：每个数据单元具有自己的特征标识，每个用户特征子模型具有自己的特征标识，基于特征标识，确定多个数据单元的多个属性特性以及基于属性特性由特征模型库中筛选出多个用户特征子模型；

将所述多个数据单元中的每一个数据单元分别输入到其对应的用户特征子模型中，用户特征子模型基于数据单元中的数据进行计算，生成多个数据单元对应的多个特性值；以及

将所述多个特性值输入到用户特征模型中，基于所述多个特性值确定用户特征；所述用户特征模型通过历史用户的多个特性值和机器学习模型、以及引入的用户落地转化数据和用户信用数据辅助训练生成。

2.如权利要求1所述的方法，其特征在于，还包括：

基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。

3.如权利要求2所述的方法，其特征在于，基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型，包括：

将历史用户的多维度数据照维度进行拆分，生成多个历史数据单元；

基于所述多个历史数据单元的特征确定多个机器学习模型；

通过所述多个历史数据单元分别对所述多个机器学习模型进行训练生成所述多个用户特征子模型。

4.如权利要求3所述的方法，其特征在于，基于所述多个历史数据单元的特征确定多个机器学习模型，包括：

对历史数据单元的数据特征进行分析，以确定其对应的机器学习模型；和/或

对历史数据单元的数据分布进行分析，以确定其对应的机器学习模型；和/或

对历史数据单元的数据状态进行分析，以确定其对应的机器学习模型。

5.如权利要求1所述的方法，其特征在于，通过历史用户的多个特性值和机器学习模型生成所述用户特征模型，包括：

将历史上已进行落地转化的用户对应的多个特性值作为正向标签数据；

将历史上未进行落地转化的用户对应的多个特性值作为负向标签数据；

通过所述正向标签数据与所述负向标签数据对机器学习模型进行训练生成所述用户特征模型。

6.一种用户多维度数据处理装置，其特征在于，包括：

拆分模块，包括：维度单元，用于将用户的多维度数据按照维度进行拆分生成多个用户数据，处理单元，用于将多个用户数据进行数据处理生成多个数据单元，用户的多维度数据包括用户的基本信息、用户在不同平台上的操作行为数据、用户的状态数据；

单元模块，用于基于所述多个数据单元确定多个用户特征子模型，包括筛选单元，用于基于特征标识确定多个数据单元的多个属性特性以及基于属性特性由特征模型库中筛选出所述多个用户特征子模型，其中，每个数据单元具有自己的特征标识，每个用户特征子模型具有自己的特征标识；

输入模块，包括：输入单元，用于将多个数据单元中的每一个数据单元分别输入到其对应的用户特征模型中，以及，计算单元，用于通过用户特征子模型基于数据单元中的数据进行计算，生成多个数据单元对应的多个特性值；

特征模块，用于将所述多个特性值输入到用户特征模型中确定用户特征；

模型训练模块，用于通过历史用户的多个特性值和机器学习模型、以及引入的用户落地转化数据和用户信用数据辅助训练生成所述用户特征模型。

7.如权利要求6所述的装置，其特征在于，还包括：

子模型训练模块，用于基于历史用户的多维度数据与多个机器学习模型生成所述多个用户特征子模型。

8.如权利要求7所述的装置，其特征在于，所述子模型训练模块，还用于

将历史用户的多维度数据照维度进行拆分，生成多个历史数据单元；基于所述多个历史数据单元的特征确定多个机器学习模型；通过所述多个历史数据单元分别对所述多个机器学习模型进行训练生成所述多个用户特征子模型。

9.如权利要求8所述的装置，其特征在于，所述子模型训练模块，包括：

模型确定单元，用于对历史数据单元的数据特征进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据分布进行分析，以确定其对应的机器学习模型；和/或对历史数据单元的数据状态进行分析，以确定其对应的机器学习模型。

10.如权利要求6所述的装置，其特征在于，所述模型训练模块，还用于将历史上已进行落地转化的用户对应的多个特性值作为正向标签数据；将历史上未进行落地转化的用户对应的多个特性值作为负向标签数据；通过所述正向标签数据与所述负向标签数据对机器学习模型进行训练生成所述用户特征模型。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。