用户引导方法、装置、计算机设备以及存储介质与流程

本公开涉及计算机技术领域，具体而言，涉及一种用户引导方法、装置、计算机设备以及存储介质。

背景技术：

对于完成课程报名的多个用户，由于每个用户对课程的实际参与意向是不同的，通常需要教育机构通过对报名用户进行回访沟通来预估多个用户针对目标课程的参与情况。然而，回访沟通的方式所需要的人工成本较高且效率较低，也无法获得较准确的信息。

技术实现要素：

本公开实施例至少提供一种用户引导方法、装置、计算机设备以及存储介质。

第一方面，本公开实施例提供了一种用户引导方法，所述方法包括：

获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据；

根据每个所述待测用户的特征数据和训练好的意向预测模型，确定每个所述待测用户针对所述目标课程的目标参与意向度；

根据每个所述待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式。

在一种可能的实施方式中，所述特征数据包括下述至少一种数据：

所述待测用户针对所述目标课程的订单特征数据、所述待测用户针对报名过的预设课程的下单特征数据、所述待测用户针对报名过的预设课程的学习行为特征数据、所述待测用户与教育机构的沟通特征数据、以及所述待测用户基于课程应用的交互特征数据。

在一种可能的实施方式中，所述获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据，包括：

获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的原始数据；

对所述原始数据进行预设特征处理，得到每个所述待测用户的特征数据，其中，所述预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

在一种可能的实施方式中，所述意向预测模型包括数据融合子模型和多个初步预测子模型，其中，所述多个初步预测子模型中各初步预测子模型的类型不同；

所述根据每个所述待测用户的特征数据和训练好的意向预测模型，确定每个所述待测用户针对目标课程的目标参与意向度，包括：

将每个所述待测用户的特征数据分别输入多个所述初步预测子模型，分别得到每个所述待测用户针对所述目标课程的多个初步参与意向度；

将每个所述待测用户对应的多个初步参与意向度输入到所述数据融合子模型，得到每个所述待测用户针对所述目标课程的目标参与意向度。

在一种可能的实施方式中，所述初步预测子模型包括随机森林模型、自适应增强模型、多层感知模型和极端随机树模型中的一种。

在一种可能的实施方式中，所述根据每个所述待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式，包括：

按照对应的所述目标参与意向度从高到低的顺序，对所述多个待测用户进行排序；

基于各个所述待测用户的名次、以及不同的意向集合对应的用户名次区间，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式；

其中，各所述意向集合对应引导方式的引导力度不同，用户名次区间越靠前的所述意向集合所对应的引导方式的引导力度越弱。

在一种可能的实施方式中，所述方法还包括：

针对每个所述意向集合，向该意向集合中的所述待测用户推送与该意向集合的引导方式对应引导消息；

其中，所述引导消息包含的消息内容，与所述引导消息对应的所述引导方式的引导力度相匹配。

在一种可能的实施方式中，通过以下步骤训练得到参与意向预测模型：

获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据；

根据每个所述样本用户的样本特征数据和待训练的意向预测模型，确定每个所述样本用户针对所述样本课程的样本目标参与意向度；

根据每个所述样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述样本用户所属的意向集合；

确定至少一个所述意向集合的实际到课率与对应的期望到课率的差值，并基于所述差值调整所述待训练的意向预测模型的参数，完成一次训练；

经过对所述待训练的参与意向预测模型的多轮训练，得到所述训练好的参与意向预测模型。

在一种可能的实施方式中，所述获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据，包括：

获取预设历史时间段内进行课程报名的多个样本用户中每个样本用户的原始样本数据；

对所述原始样本数据进行预设特征处理，得到每个所述样本用户的样本特征数据，其中，所述预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

在一种可能的实施方式中，所述根据每个所述样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述样本用户所属的意向集合，包括：

按照对应的所述样本目标参与意向度从高到低的顺序，对所述多个样本用户进行排序；

基于各个所述样本用户的名次、以及不同的意向集合对应的用户名次区间，确定每个所述样本用户所属的意向集合；

其中，各所述意向集合对应的期望到课率不同，用户名次区间越靠前的所述意向集合所对应的期望到课率越高。

第二方面，本公开实施例提供了一种用户引导装置，所述装置包括：

数据获取模块，用于获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据；

意向预测模块，用于根据每个所述待测用户的特征数据和训练好的意向预测模型，确定每个所述待测用户针对所述目标课程的目标参与意向度；

数据分类模块，用于根据每个所述待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式。

在一种可能的实施方式中，所述特征数据包括下述至少一种数据：

所述待测用户针对所述目标课程的订单特征数据、所述待测用户针对报名过的预设课程的下单特征数据、所述待测用户针对报名过的预设课程的学习行为特征数据、所述待测用户与教育机构的沟通特征数据、以及所述待测用户基于课程应用的交互特征数据。

在一种可能的实施方式中，所述数据获取模块在用于获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据时，具体用于：

获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的原始数据；

对所述原始数据进行预设特征处理，得到每个所述待测用户的特征数据，其中，所述预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

在一种可能的实施方式中，所述意向预测模型包括数据融合子模型和多个初步预测子模型，其中，所述多个初步预测子模型中各初步预测子模型的类型不同；

所述意向预测模块在用于根据每个所述待测用户的特征数据和训练好的意向预测模型，确定每个所述待测用户针对所述目标课程的目标参与意向度时，具体用于：

将每个所述待测用户的特征数据分别输入多个所述初步预测子模型，分别得到每个所述待测用户针对所述目标课程的多个初步参与意向度；

将每个所述待测用户对应的多个初步参与意向度输入到所述数据融合子模型，得到每个所述待测用户针对所述目标课程的目标参与意向度。

在一种可能的实施方式中，所述初步预测子模型包括随机森林模型、自适应增强模型、多层感知模型和极端随机树模型中的一种。

在一种可能的实施方式中，所述数据分类模块在用于根据每个所述待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式时，具体用于：

按照对应的所述目标参与意向度从高到低的顺序，对所述多个待测用户进行排序；

基于各个所述待测用户的名次、以及不同的意向集合对应的用户名次区间，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式；

其中，各所述意向集合对应引导方式的引导力度不同，用户名次区间越靠前的所述意向集合所对应的引导方式的引导力度越弱。

在一种可能的实施方式中，所述装置还包括消息推送模块，所述消息推送模块用于：

针对每个所述意向集合，向该意向集合中的所述待测用户推送与该意向集合的引导方式对应引导消息；

其中，所述引导消息包含的消息内容，与所述引导消息对应的所述引导方式的引导力度相匹配。

在一种可能的实施方式中，所述装置还包括模型训练模块，所述模型训练模块用于通过以下步骤训练得到参与意向预测模型：

获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据；

根据每个所述样本用户的样本特征数据和待训练的意向预测模型，确定每个所述样本用户针对所述样本课程的样本目标参与意向度；

根据每个所述样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述样本用户所属的意向集合；

确定至少一个所述意向集合的实际到课率与对应的期望到课率的差值，并基于所述差值调整所述待训练的意向预测模型的参数，完成一次训练；

经过对所述待训练的参与意向预测模型的多轮训练，得到所述训练好的参与意向预测模型。

在一种可能的实施方式中，所述模型训练模块在用于获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据时，具体用于：

获取预设历史时间段内进行课程报名的多个样本用户中每个样本用户的原始样本数据；

对所述原始样本数据进行预设特征处理，得到每个所述样本用户的样本特征数据，其中，所述预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

在一种可能的实施方式中，所述模型训练模块在用于根据每个所述样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述样本用户所属的意向集合时，具体用于：

按照对应的所述样本目标参与意向度从高到低的顺序，对所述多个样本用户进行排序；

基于各个所述样本用户的名次、以及不同的意向集合对应的用户名次区间，确定每个所述样本用户所属的意向集合；

其中，各所述意向集合对应的期望到课率不同，用户名次区间越靠前的所述意向集合所对应的期望到课率越高。

第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的用户引导方法的步骤。

第四方面，本公开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上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的用户引导方法的步骤。

本公开实施例提供的用户引导方法、装置、计算机设备以及存储介质，基于训练好的意向预测模型，通过用户的特征数据可以高效准确地预测出体现用户针对目标课程的参与意向的参与意向度，较大程度地避免了人的主观性对用户参与意向的判断造成的影响；之后还可以基于用户的参与意向度将用户划分到对应的意向集合，将每个意向集合对应的引导方式作为该意向集合的用户所需要的引导方式，以便根据对应引导方式对用户进行针对性的引导，从而既可以有效提升课程的到课率，又可以提高教育机构的工作效率。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本公开实施例提供的一种用户引导方法的流程图；

图2为本公开实施例提供的一种意向预测模型的获取过程的示意图；

图3为本公开实施例提供的一种参与意向预测模型的训练流程图；

图4为本公开实施例提供的一种参与意向预测模型的训练过程中的数据流向示意图；

图5为本公开实施例提供的一种用户引导装置的示意图之一；

图6为本公开实施例提供的一种用户引导装置的示意图之二；

图7为本公开实施例提供的一种用户引导装置的示意图之三；

图8为本公开实施例提供的计算机设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

本文中术语“和/或”，仅仅是描述一种关联关系，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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意集合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

经研究发现，对于完成课程报名的多个用户，由于每个用户对课程的实际参与意向是不同的，通常需要教育机构通过对报名用户进行回访沟通来预估多个用户针对目标课程的参与情况。然而，回访沟通的方式所需要的人工成本较高且效率较低，也无法获得较准确的信息。

基于上述研究，本公开提供了一种用户引导方法，基于训练好的意向预测模型，通过用户的特征数据可以高效准确地预测出体现用户针对目标课程的参与意向的参与意向度，较大程度地避免了人的主观性对用户参与意向的判断造成的影响；之后还可以基于用户的参与意向度将用户划分到对应的意向集合，将每个意向集合对应的引导方式作为该意向集合的用户所需要的引导方式，以便根据对应引导方式对用户进行针对性的引导，从而既可以有效提升课程的到课率，又可以提高教育机构的工作效率。

为便于对本实施例进行理解，首先对本公开实施例所公开的一种用户引导方法进行详细介绍，本公开实施例所提供的用户引导方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括终端设备、服务器或其它处理设备，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端设备、终端设备、蜂窝电话、无绳电话、个人数字助理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该用户引导方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

下面以执行主体为终端设备为例对本公开实施例提供的用户引导方法加以说明。参加图1所示，为本公开实施例提供的一种用户引导方法的流程图，所述方法包括步骤s110～s130，其中：

s110：获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据。

教育机构可以通过向用户推荐目标课程来引导用户报名参与目标课程，在本公开实施例中，可以将目标课程的报名期间的任一时间段作为待预测时间段(例如，可以将课程报名的开始时间到结束时间作为待预测时间段)，将在待预测时间段报名参与的用户作为待测用户。

以在线教育领域为例，目标课程可以是在线教育机构提供的引流课，引流课可以包括免费课或低价课。在线教育机构可以通过直播电商、页面广告和地推等渠道投放引流课的广告，从而吸引用户报名引流课。这里，可以将报名引流课的用户作为待测用户，获取多个待测用户中每个待测用户的特征数据。

该步骤所要获取的待测用户的特征数据可以包括下述至少一种数据：待测用户针对目标课程的订单特征数据、待测用户针对报名过的预设课程的下单特征数据、待测用户针对报名过的预设课程的学习行为特征数据、待测用户与教育机构的沟通特征数据、以及待测用户基于课程应用的交互特征数据。

其中，课程的订单特征数据和下单特征数据可以体现用户来源的渠道的质量、用户的消费能力、以及用户与教育机构的粘性度；学习行为特征数据和沟通特征数据可以体现用户对课程和教育机构的认可程度；交互特征数据可以体现用户对课程的认知和意愿情况。通过使用待测用户多个维度的特征数据来预测针对目标课程的参与意向，可以更加准确地预测出待测用户针对目标课程的参与意向度。

下面对每种类型的特征数据的做进一步的具体说明：

(a)待测用户进行课程报名的课程的订单特征数据

待测用户进行课程报名的课程的订单特征数据可以体现用户来源的渠道的质量、用户的消费能力、以及用户与教育机构的粘性度。课程的订单特征数据包括待测用户所报名的目标课程的订单基础属性数据，订单基础属性数据可以包括渠道情况、地域情况、渠道对应的结算方式、用户年龄和性别、订单的支付方式等维度的数据。

其中，渠道情况可以包括渠道来源信息、渠道供应商信息、渠道推广员信息和线上直播推课人员信息。地域情况包括待测用户所在的区域，具备可以包括省份、城市、区域街道等。

(b)待测用户针对报名过的预设课程的学习行为特征数据

待测用户针对报名过的预设课程的学习行为特征数据可以体现用户对课程和教育机构的认可程度。学习行为特征数据可以包括用户对应的历史直播听课情况、历史直播互动情况、历史课上小测情况、历史课后作业情况、历史课程回放情况、历史课堂上获得奖励的情况等维度的数据。

其中，历史直播听课情况包括第一节课参加的次数、总到课次数、总到课节数、总到课率、总完课次数、总完课率、平均听课时长、迟到率、早退次数和早退率等数据。

历史直播互动情况包括老师表扬次数、举手次数和连麦次数等数据。

历史课上小测情况包括小测总题数、答题时长、小测正确数和小测正确率等数据。

历史课后作业情况包括作业提交次数、作业提交率、作业正确率和作业花费平均时长等数据。

历史课程回放情况包括回放总时长、回放的课程数、每门课的回放平均次数以及课程回放总次数等数据。

历史课堂上获得奖励的情况包括获得的历史学币数量、获得的历史优秀学币数等数据(上课积极的用户可获得老师发放的学币，作为积极互动的奖励)。

(c)待测用户与教育机构的沟通特征数据

待测用户与教育机构的沟通特征数据可以体现用户对课程和教育机构的认可程度。沟通特征数据可以包括历史关注教育机构的公众号情况、基于社交软件与教育机构的聊天情况、加入教育机构的聊天群的情况、基于社交软件与教师加好友的情况、针对历史课程的评价情况、针对教育机构的应用的注册情况等维度的数据。

其中，历史关注教育机构的公众号情况包括历史关注公众号个数、当前剩余关注的公众号个数、公众号点击链接次数和点击公众号菜单次数等数据。

基于社交软件与教育机构的聊天情况包括发消息总次数、活跃的天数、发送文本消息比例、发送表情包比例和发送语音比例等数据。

加入教育机构的聊天群的情况包括历史加入的教育机构聊天群的总数、以及当前未退出的聊天群的总数。

基于社交软件与教师加好友的情况包括与用户加过好友的教师的人数、当前与用户保持好友关系的教师的人数等数据。

针对历史课程的评价情况包括历史总评价的课程数、历史总评价的次数、历史平均评论的字数、历史评价中的差评的次数等数据。

针对教育机构的应用的注册情况包括是否已注册教育机构的应用、注册教育机构之后的持续时长。

(d)待测用户针对报名过的预设课程的下单特征数据

待测用户针对报名过的预设课程的下单特征数据可以体现用户来源的渠道的质量、用户的消费能力、以及用户与教育机构的粘性度。下单特征数据可以包括待测用户针对报名过的引流课的下单数据、针对以及报名过的正价课的下单数据。

其中，引流课可以包括免费课或低价课，用户针对报名过的引流课的下单数据可以包括用户针对引流课的总报名次数、用户针对引流课中的免费课的总报名次数、用户针对引流课中的低价课的总报名次数、用户针对已报名的引流课的退课次数、用户针对已报名的引流课的取消次数等。

用户针对报名过的正价课的下单数据可以包括用户针对正价课总报名次数、用户针对已报名的正价课的退课次数、用户针对已报名的正价课的取消次数、用户针对正价课的总报名费用、用户报名过的正价课的平均报名费用、用户报名过的费用最高正价课的报名费用、以及用户针对报名过的正价课中所偏好的学科类型等。

(e)待测用户基于课程应用的交互特征数据

待测用户基于课程应用的交互特征数据可以体现用户对课程的认知和意愿情况。交互特征数据是用户使用课程应用时，基于用户的行为所产生的数据。这些数据可以包括用户针对广告页面的行为数据、用户针对课程报名页面的行为数据、用户针对课程学习页面的行为数据、以及用户在直播间中的行为数据等。

其中，用户针对广告页面的行为数据可以包括用户针对广告页面的点击次数、用户针对广告页面的点击行为所在的时间段、以及用户观看广告的时长等。

用户针对课程报名页面的行为数据包括用户登陆课程报名页面的次数、用户在课程报名页面输入联系方式(如手机号)的次数、用户在课程报名页面的支付行为的次数、用户在课程报名页面中截止到支付成功时刻所停留的时间(从用户成功登陆课程报名页面到用户成功在课程报名页面完成支付所经过的时长)、用户在课程报名页面的支付行为的时间信息等。

用户针对课程学习页面的行为数据可以包括用户针对课程学习页面的浏览次数、用户在课程学习页面的评论点击次数、用户针对课程详情页点击次数、用户在课程学习页面中针对客服的请求、用户针对课程学习页面的总浏览时长、用户每次浏览课程学习页面的平均浏览时长。

用户在直播间中的行为数据可以包括用户在平台广告直播间的进出次数、用户进入直播间的时间、用户在直播间的打赏(如送花和点赞等)次数、用户在直播间的留言次数、用户在直播间的停留时间等。

在此说明的是，上述的特征数据是待测用户的原始数据经过特征工程处理后得到的。具体地，在步骤中，需要获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的原始数据，之后对原始数据进行预设特征处理，从而得到每个待测用户的特征数据。

其中，上述的预设特征处理可以包括特征工程中的特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

其中，特征离散化处理是指，将不具备大小意义的特征通过编码进行赋值。例如，对于待测用户所在的区域和待测用户对应的渠道商这类特征，可以采用证据权重编码进行编码；对于结算方式和支付方式这类特征采用独热编码的方式进行编码。

针对缺失数据的缺失值处理是指，对待测用户不具备的特征，填充相应的数据进行代替。例如，当待测用户缺少非数值型的特征(待测用户所在的区域和待测用户对应的渠道商等)时，可以将这类特征标记为“未知”；当待测用户缺少数值型的特征(如针对引流课的总报名次数和户针对引流课中的免费课的总报名次数等)时，可以将这类特征填充为0。

针对具备相关性的数据的特征选择处理是指，对于相关性较高的至少两个特征，选择其中一个特征，删除其他的特征。

为了保证数据和特征的正确性，还需要对原始数据进行监控。数据监控可以分为针对业务数据的监控和针对特征数据的监控，其中，针对业务数据的监控是指在获取原始数据的过程中是否存在异常行为，针对特征数据的监控是指监控所获取到的原始数据的数据分布(均值、方差、分桶)是否存在异常行为。

s120：根据每个待测用户的特征数据和训练好的意向预测模型，确定每个待测用户针对目标课程的目标参与意向度。

可以将预设历史时间段内报名参与样本课程的样本用户的样本特征数据作为训练集，基于该训练集训练得到意向预测模型。意向预测模型具体的训练过程将在后续内容进行介绍。

在本公开实施例中，意向预测模型包括数据融合子模型和多个初步预测子模型，其中，多个初步预测子模型中各初步预测子模型的类型不同。因此，确定每个待测用户针对目标课程的目标参与意向度可以包括：将每个待测用户的特征数据分别输入多个初步预测子模型，分别得到每个待测用户针对目标课程的多个初步参与意向度；将每个待测用户对应的多个初步参与意向度输入到数据融合子模型，得到每个待测用户针对目标课程的目标参与意向度。

其中，初步预测子模型可以包括随机森林模型(randomforests，rf)、自适应增强(adaptiveboosting，adaboost)模型、多层感知(multilayerperceptron，mlp)模型和极端随机树(extremelyrandomizedtrees，et)模型中的一种。

初步预测子模型的具体数量可以根据的实际的设置需要而定，例如，意向预测模型包括4个初步预测子模型，4个初步预测子模型分别是随机森林模型、自适应增强模型、多层感知模型和极端随机树模型。针对任一待测用户，将该待测用户的特征数据分别输入随机森林模型、自适应增强模型、多层感知模型和极端随机树模型，得到该待测用户针对目标课程的4个初步参与意向度，之后将这4个初步参与意向度作为数据融合子模型的输入，以便通过数据融合子模型输出该待测用户针对目标课程的目标参与意向度。

数据融合子模型可以是权重分配模型，例如，数据融合子模型可以是梯度提升树(gradientboostingclassifier)模型，数据融合子模型所输出的目标参与意向度可以是多个初步参与意向度加权后的和值。

当然，数据融合子模型也可以是其他类型的模型，数据融合子模型所输出的目标参与意向度可以是多个初步参与意向度的平均值、多个初步参与意向度中的和值、多个初步参与意向度中的最小初步参与意向度、多个初步参与意向度中的最大初步参与意向度等。

s130：根据每个待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个待测用户所属的意向集合以及与意向集合对应的引导方式。

在本公开实施例中，可以预先设置意向集合的数量、每个意向集合对应的用户数占比以及每个意向集合对应的引导方式。可以理解，意向集合对应的用户数占比是指需要分配到该意向集合中的待测用户数量与待测用户的总数的比值，不同的意向集合对应的引导方式不同。基于每个意向集合对应的用户数占比，可以将对应数量的目标参与意向度相近的待测用户分配到同一个意向集合。

例如，可以预先设置3个意向集合，将3个意向集合分别为意向集合a、意向集合b和意向集合c。其中，意向集合a对应的用户占比为30％，意向集合b对应的用户占比为40％，意向集合c对应的用户占比为30％。具体可以，可以将目标参与意向度相近的30％的待测用户分配到意向集合a，将目标参与意向度相近的40％的待测用户分配到意向集合b，将目标参与意向度相近的30％的待测用户分配到意向集合c。针对任一待测用户，将该待测用户所属的意向集合的引导方式，确定为针对该待测用户的引导方式。

可选地，在确定每个待测用户所属的意向集合时，可以按照对应的目标参与意向度从高到低的顺序，对多个待测用户进行排序；基于各个待测用户的名次、以及不同的意向集合对应的用户名次区间，确定每个待测用户所属的意向集合。

继续以上述的意向集合a、意向集合b和意向集合c为例，意向集合a对应的用户名次区间包括排在前30％的名次，意向集合b对应的用户名次区间包括排在30％到70％的名次，意向集合c对应的用户名次区间包括排在后30％的名次。因此，可以将名次在前30％的待测用户分配到意向集合a，可以将名次在在30％到70％的待测用户分配到意向集合b，可以将名次在后30％的待测用户分配到意向集合c。

可以理解，待测用户针对目标课程的目标参与意向度越高，表明待测用户针对目标课程的参与意向越强，待测用户去参加目标课程的概率越大。

在意向集合a、意向集合b和意向集合c中，意向集合a中的待测用户针对目标课程的平均参与意向最强，意向集合c中的待测用户针对目标课程的平均参与意向最弱，意向集合b中的待测用户针对目标课程的平均参与意向的强度介于意向集合a对应的平均参与意向的强度和意向集合c对应的平均参与意向的强度之间。

在本公开实施例中，各意向集合对应引导方式的引导力度不同，用户名次区间越靠前的意向集合所对应的引导方式的引导力度越弱。可以理解，意向集合a对应的引导方式的引导力度最弱，意向集合c对应的引导方式的引导力度最强，意向集合b对应的引导方式的引导力度介于意向集合a对应引导力度和意向集合c对应的引导力度之间。

在本公开实施例中，在确定出每个待测用户所属的意向集合以及与意向集合对应的引导方式之后，还可以针对每个意向集合，向该意向集合中的待测用户推送与该意向集合的引导方式对应引导消息。引导消息用于提升待测用户针对目标课程的参与意向，以提高目标课程的到课率。

可以理解，引导消息包含的消息内容，与引导消息对应的引导方式的引导力度相匹配。例如，针对上述意向集合a中的待测用户，引导消息可以仅包括提示用户准时参与目标课程的内容；针对上述意向集合b中的待测用户，引导消息可以包括提示用户准时参与目标课程的内容、以及关于课程亮点的介绍等；针对上述意向集合c中的待测用户，引导消息可以包括提示用户准时参与目标课程的内容、关于课程亮点的介绍、以及历史用户针对目标课程的正向评价等。

除了上述引导方式的设置规则之外，还通过其他的规则设置引导方式。例如，用户名次区间最靠前的意向集合和用户名次区间最靠后的意向集合对应的引导方式为无需进行引导；针对其他的意向集合，可以随机抽取部分的待测用户通过电话沟通的方式进行引导。例如，对于上述的意向集合a、意向集合b和意向集合c，无需意向集合a和意向集合c进行引导，在意向集合b中随机抽取部分的待测用户通过电话沟通的方式进行引导。

在实际业务场景中，教育机构的教师可以根据每个意向集合中的用户的参与意向的特点，确定相应的教学策略。教学策略包括分班策略、与用户互加好友的策略等。同时，教育机构的运营部门可以根据每个意向集合中的用户的参与意向的特点，确定相应的运营策略，例如渠道投放策略等。

接下来介绍上述的意向预测模型的获取过程。如图2所示，为本公开实施例提供的意向预测模型的获取过程的示意图，该获取过程可以包括抽取问题、特征抽取、特征工程、模型构建和模型训练等过程。

其中，抽取问题具体指对意向预测模型抽象具体业务问题。在本公开实施例中，意向预测模型所要解决的问题是如何预测用户是否会参加目标课程，该问题属于机器学习中的有监督分类问题。由上述分析可知，需要预先对训练集中的样本用户的标签(label)进行定义，其中，训练集中的样本用户需要包括正样本用户和负样本用户。这里，正样本用户为参加过样本课程或看过样本课程回放(如历史引流课)的用户，将这类用户的标签设置为1；负样本用户为没有参加样本课程且没有看过样本课程回放的用户，将这类用户的标签设置为0。

特征抽取是指确定需要使用样本用户的哪些原始样本数据来训练意向预测模型。这里，训练意向预测模型所需要的原始样本数据可以包括样本用户针对样本课程原始订单数据、样本用户针对报名过的预设课程的原始下单数据、样本用户针对报名过的预设课程的原始学习行为数据、样本用户与教育机构的原始沟通数据、以及样本用户基于课程应用的原始交互数据至少的一项。

在此需要说明的是，需要在对应的时间段获取样本用户的对应的原始数据。例如，样本用户报名样本课程的时间为时间t0，样本课程的结束的时间为时间t1，因此，与样本用户的标签相关的数据可以在时间t1进行获取，与样本用户的标签不相关的可以在时间t0之前进行获取。

为了保证数据和特征的正确性，还需要对原始数据进行监控。数据监控可以分为针对业务数据的监控和针对特征数据的监控，其中，针对业务数据的监控是指在原始数据的产生和获取过程中是否存在异常行为，针对特征数据的监控是指监控所获取到的原始数据的数据分布(均值、方差、分桶)是否存在异常行为。

特征工程是指对获取到的样本用户的原始样本数据进行预设特征处理。预设特征处理可以包括特征工程中的特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

模型构建是指确定意向预测模型所需使用的算法和具体的模型结构。在本公开实施例中，意向预测模型可以采用stacking集成算法，stacking是一种分层模型集成框架，意向预测模型可以设置为两层，第一层可包括多个初步预测子模型，第二层为数据融合子模型。同时，为了提升模型的运算速度，还可以采用superlearner并行算法进行提速，同时设定10折交叉验证。

如前文所述，多个初步预测子模型中各初步预测子模型的类型不同，初步预测子模型可以包括随机森林模型、自适应增强模型、多层感知模型和极端随机树模型中的一种。

数据融合子模型可以是权重分配模型，例如数据融合子模型可以是梯度提升树模型，权重分配模型可以自动定义各个初步预测子模型的最佳权重，将各个初步预测子模型的输出结果的加权后的和值作为意向预测模型最终的输出结果。

上述的初步预测子模型和数据融合子模型的模型参数可以根据实际的设计需要而定，本公开实施例提供的一种针对初步预测子模型和数据融合子模型设置的模型参数如下：

随机森林模型：随机从m个特征中随机选择m1个特征，从n个样本中有放回地每次随机取n1个样本，构建d棵决策树，将它们的结果进行集成；树的数目为100棵，树的最大深度为3，决策树最大深度设置为50，且模型使用袋外估计。

自适应增强模型：使用树模型作为基分类器，树的数目设置为100棵，其他参数可以默认设置。

多层感知模型：可以设置两层隐藏层，第一层隐藏层有80个神经元，第二层有10个神经元，其中，解算机(solver)默认使用一阶优化算法adam(adaptivemomentestimation)，同时，早停法(earlystopping)设置为false。

极端随机树模型：树的数目为100棵，决策树最大深度设置为50，其他参数可以默认设置。

梯度提升树模型：树的数目为设置为1000课，使用对数似然损失函数deviance，最大特征数设置为4，决策树最大深度选择为5，子采样选择小于1的比例以减少方差，即防止过拟合。可以理解，为了避免增加样本拟合的偏差，子采样选择的比例的取值不能太低，因此可以将子采样选择的比例设置为0.8，学习率设定为0.005。

在确定出意向预测模型具体的所需使用的算法和模型结构之后，可以对意向预测模型进行训练。参照图3和图4所示，图3为本公开实施例提供的一种参与意向预测模型的训练流程图，图4为本公开实施例提供的一种参与意向预测模型的训练过程中的数据流向示意图。所述流程包括步骤s310～s340，其中：

s310：获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据。

样本用户包括正样本用户和负样本用户，该步骤获取的样本特征数据包括多个正样本用户的样本特征数据和多个负样本用户的样本特征数据。

可以理解，如图4所示，该步骤中的样本特征数据，是对特征抽取的步骤获原始样本数据进行特征工程处理之后得到的。具体地，可以获取预设历史时间段内进行课程报名的多个样本用户中每个样本用户的原始样本数据，之后对原始样本数据进行预设特征处理，得到每个样本用户的样本特征数据。如前文所述，预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

样本特征数据可以包括样本用户针对样本课程的订单特征数据、样本用户针对报名过的预设课程的下单特征数据、样本用户针对报名过的预设课程的学习行为特征数据、样本用户与教育机构的沟通特征数据、以及样本用户基于课程应用的交互特征数据之中的至少一项。这里，样本用户的每类样本特征数据，与前文中的待测用户的对应类别的特征数据的含义相同，此处不再赘述。

s320：根据每个样本用户的样本特征数据和待训练的意向预测模型，确定每个样本用户针对样本课程的样本目标参与意向度。

如前文所述，待训练的意向预测模型包括数据融合子模型和多个初步预测子模型，其中，多个初步预测子模型中各初步预测子模型的类型不同。如图3所示，假设意向预测模型包括4个初步预测子模型，4个初步预测子模型分别是随机森林模型、自适应增强模型、多层感知模型和极端随机树模型。针对任一待测用户，将该待测用户的特征数据分别输入随机森林模型、自适应增强模型、多层感知模型和极端随机树模型，得到该待测用户针对目标课程的4个样本初步参与意向度，之后将这4个样本初步参与意向度作为待训练的意向预测模型中数据融合子模型的输入，通过数据融合子模型输出该待测用户针对目标课程的样本目标参与意向度。

数据融合子模型可以是权重分配模型，例如数据融合子模型可以是梯度提升树(gradientboostingclassifier)模型，数据融合子模型所输出的样本目标参与意向度可以是多个样本初步参与意向度加权后的和值。

当然，数据融合子模型也可以是其他类型的模型，数据融合子模型所输出的目标参与意向度可以是多个样本初步参与意向度的平均值、多个样本初步参与意向度中的和值、多个样本初步参与意向度中的最小样本初步参与意向度、多个样本初步参与意向度中的最大样本初步参与意向度等。

在得到多个样本用户的样本目标参与意向度之后，需要进行模型评价，根据评价结果来调整意向预测模型的参数。具体的评价过程可以参加步骤s330和s340。

s330：根据每个样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个样本用户所属的意向集合。

在本公开实施例中，可以预先设置意向集合的数量、每个意向集合对应的用户数占比以及每个意向集合对应的期望到课率。可以理解，意向集合对应的用户数占比是指需要分配到该意向集合中的样本用户数量与样本用户的总数的比值，不同的意向集合对应的期望到课率不同。基于每个意向集合对应的用户数占比，可以将对应数量的样本目标参与意向度相近的样本用户分配到同一个意向集合。在此需要说明是，上述步骤s110至步骤s130中意向集合的数量以及每个意向集合对应的用户数占比，与本步骤中的意向集合的数量以及每个意向集合对应的用户数占比是相同的。

例如，可以预先设置3个意向集合，将3个意向集合分别为意向集合a、意向集合b和意向集合c。其中，意向集合a对应的用户占比为30％，意向集合b对应的用户占比为40％，意向集合c对应的用户占比为30％。具体地，可以将样本目标参与意向度相近的30％的样本用户分配到意向集合a，将样本目标参与意向度相近的40％的样本用户分配到意向集合b，将样本目标参与意向度相近的30％的样本用户分配到意向集合c。

可选地，在确定每个样本用户所属的意向集合时，可以按照对应的样本目标参与意向度从高到低的顺序，对多个样本用户进行排序；基于各个样本用户的名次、以及不同的意向集合对应的用户名次区间，确定每个样本用户所属的意向集合。

在此需要说明是，上述步骤s110至步骤s130中意向集合的数量以及每个意向集合对应的用户名次区间，与本步骤中的意向集合的数量以及每个意向集合对应的用户名次区间是相同的。

继续以上述的意向集合a、意向集合b和意向集合c为例，意向集合a对应的用户名次区间包括排在前30％的名次，意向集合b对应的用户名次区间包括排在30％到70％的名次，意向集合c对应的用户名次区间包括排在后30％的名次。因此，可以将名次在前30％的样本用户分配到意向集合a，可以将名次在在30％到70％的样本用户分配到意向集合b，可以将名次在后30％的样本用户分配到意向集合c。

各意向集合对应的期望到课率不同，用户名次区间越靠前的意向集合所对应的期望到课率越高。可以理解，样本用户针对样本课程的样本目标参与意向度越高，表明样本用户针对样本课程的参与意向越强，样本用户实际参加过样本课程的概率越大，因此，该样本用户所属的意向集合的期望到课率需要设置的越高。

在意向集合a、意向集合b和意向集合c中，意向集合a对应的期望到课率最高，意向集合c对应的期望到课率最低，意向集合b中对应的期望到课率介于意向集合a对应的期望到课率和意向集合c对应的期望到课率之间。例如，意向集合a对应的期望到课率为90％，意向集合b对应的期望到课率为50％，意向集合c对应的期望到课率为5％。

s340：确定至少一个意向集合的实际到课率与对应的期望到课率的差值，并基于差值调整待训练的意向预测模型的参数，完成一次训练。

可以理解，针对任意一个意向集合，该意向集合的实际到课率为该意向集合中的正样本用户的数量与该意向集合的样本用户的比值。具体来说，应当要求意向集合a的实际到课率大于对应的期望到课率，要求意向集合b实际到课率应当大于对应的期望到课率，以及要求意向集合c实际到课率应当小于对应的期望到课率。

当意向集合的数量为2时，可以确定1个或2个意向集合的实际到课率与对应的期望到课率的差值，并基于差值调整待训练的意向预测模型的参数，完成一次训练；当意向集合的数量为3个以上时，可以确定2个以上的意向集合(如意向集合a和意向集合c，或者意向集合a、意向集合b和意向集合c)的实际到课率与对应的期望到课率的差值，并基于差值调整待训练的意向预测模型的参数，完成一次训练。基于实际到课率与对应的期望到课率的差值，来确定每个意向集合的实际到课率是否符合对应的要求，若根据差值确定意向集合的实际到课率不符合对应的要求时，基于差值调整待训练的意向预测模型的参数，完成一次训练。

可以理解，通常需要对待训练的参与意向预测模型进行多轮训练(即重复执行步骤s320至步骤s340)，从而得到训练好的参与意向预测模型。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

基于同一发明构思，本公开实施例中还提供了与用户引导方法对应的用户引导装置，由于本公开实施例中的用户引导装置300解决问题的原理与本公开实施例上述用户引导方法相似，因此装置的实施可以参加方法的实施，重复之处不再赘述。

参照图5至图7所示，图5为本公开实施例提供的一种用户引导装置的示意图之一，图6为本公开实施例提供的一种用户引导装置的示意图之二，图7为本公开实施例提供的一种用户引导装置的示意图之三。如图5所示，用户引导装置500包括数据获取模块510、意向预测模块520和数据分类模块530。

数据获取模块510用于获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据。

意向预测模块520用于根据每个待测用户的特征数据和训练好的意向预测模型，确定每个待测用户针对目标课程的目标参与意向度。

数据分类模块530用于根据每个待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个待测用户所属的意向集合以及与意向集合对应的引导方式。

在一种可能的实施方式中，特征数据包括下述至少一种数据：待测用户针对目标课程的订单特征数据、待测用户针对报名过的预设课程的下单特征数据、待测用户针对报名过的预设课程的学习行为特征数据、待测用户与教育机构的沟通特征数据、以及待测用户基于课程应用的交互特征数据。

在一种可能的实施方式中，数据获取模块510在用于获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据时，具体用于：

获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的原始数据；

对原始数据进行预设特征处理，得到每个待测用户的特征数据，其中，预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

在一种可能的实施方式中，意向预测模型包括数据融合子模型和多个初步预测子模型，其中，多个初步预测子模型中各初步预测子模型的类型不同；

意向预测模块520在用于根据每个待测用户的特征数据和训练好的意向预测模型，确定每个待测用户针对目标课程的目标参与意向度时，具体用于：

将每个待测用户的特征数据分别输入多个初步预测子模型，分别得到每个待测用户针对目标课程的多个初步参与意向度；

将每个待测用户对应的多个初步参与意向度输入到数据融合子模型，得到每个待测用户针对目标课程的目标参与意向度。

在一种可能的实施方式中，初步预测子模型包括随机森林模型、自适应增强模型、多层感知模型和极端随机树模型中的一种。

在一种可能的实施方式中，数据分类模块530在用于根据每个待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个待测用户所属的意向集合以及与意向集合对应的引导方式时，具体用于：

按照对应的目标参与意向度从高到低的顺序，对多个待测用户进行排序；

基于各个待测用户的名次、以及不同的意向集合对应的用户名次区间，确定每个待测用户所属的意向集合以及与意向集合对应的引导方式；

其中，各意向集合对应引导方式的引导力度不同，用户名次区间越靠前的意向集合所对应的引导方式的引导力度越弱。

在一种可能的实施方式中，如图6所示，用户引导装置500还包括消息推送模块540，消息推送模块540用于：

针对每个意向集合，向该意向集合中的待测用户推送与该意向集合的引导方式对应引导消息；

其中，引导消息包含的消息内容，与引导消息对应的引导方式的引导力度相匹配。

在一种可能的实施方式中，如图7所示，用户引导装置500还包括模型训练模块550，模型训练模块550用于通过以下步骤训练得到参与意向预测模型：

获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据；

根据每个样本用户的样本特征数据和待训练的意向预测模型，确定每个样本用户针对样本课程的样本目标参与意向度；

根据每个样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个样本用户所属的意向集合；

确定至少一个意向集合的实际到课率与对应的期望到课率的差值，并基于差值调整待训练的意向预测模型的参数，完成一次训练；

经过对待训练的参与意向预测模型的多轮训练，得到训练好的参与意向预测模型。

在一种可能的实施方式中，模型训练模块550在用于获取预设历史时间段内报名参与样本课程的多个样本用户中每个样本用户的样本特征数据时，具体用于：

获取预设历史时间段内进行课程报名的多个样本用户中每个样本用户的原始样本数据；

对原始样本数据进行预设特征处理，得到每个样本用户的样本特征数据，其中，预设特征处理包括特征离散化处理、针对缺失数据的缺失值处理、以及针对具备相关性的数据的特征选择处理中的至少一项。

在一种可能的实施方式中，模型训练模块550在用于根据每个样本用户的样本目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个样本用户所属的意向集合时，具体用于：按照对应的样本目标参与意向度从高到低的顺序，对多个样本用户进行排序；基于各个样本用户的名次、以及不同的意向集合对应的用户名次区间，确定每个样本用户所属的意向集合；其中，各意向集合对应的期望到课率不同，用户名次区间越靠前的意向集合所对应的期望到课率越高。

关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。

对应于图1中的用户引导方法，本公开实施例还提供了一种计算机设备，如图8所示，为本公开实施例提供的计算机设备的结构示意图，计算机设备800包括处理器810、存储器820和总线830。存储器820用于存储执行指令，包括内存821和外部存储器822。这里的内存821也称内存储器，用于暂时存放处理器810中的运算数据，以及与硬盘等外部存储器822交换的数据，处理器810通过内存821与外部存储器822进行数据交换，当所述计算机设备800运行时，所述处理器810与所述存储器820之间通过总线830通信，使得所述处理器810执行以下指令：

获取待预测时间段内报名参与目标课程的多个待测用户中每个待测用户的特征数据；根据每个所述待测用户的特征数据和训练好的意向预测模型，确定每个所述待测用户针对所述目标课程的目标参与意向度；根据每个所述待测用户的目标参与意向度、以及不同的意向集合对应的用户数占比，确定每个所述待测用户所属的意向集合以及与所述意向集合对应的引导方式。

本公开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上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的用户引导方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。

本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的用户引导方法的步骤，具体可参加上述方法实施例，在此不再赘述。

其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。