1.本公开涉及计算机和通信
技术领域：
：，具体而言，涉及用户分类的划分方法及装置、计算机可读存储介质和电子设备。
背景技术：
：：2.忠诚用户是指用户对某一特定产品或服务产生了好感，进而重复使用的一类用户。而忠诚用户的战略意义已被许多企业所认识。目前业务中使用的“忠诚用户”的划分一般是依靠用户一段时间内的使用频次。对忠诚用户的早期研究大都基于使用行为，将连续3次以上的重复使用定义为忠诚。3.需要说明的是，在上述
背景技术：
：部分公开的信息仅用于加强对本公开的背景的理解，因此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。技术实现要素：4.本公开实施例提供用户分类的划分方法及装置、计算机可读存储介质和电子设备，能够实现用户分类的划分。5.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。6.根据本公开的一个方面，提供一种用户分类的划分方法，包括：7.在获得用户授权时，获取第一时间段内的多个用户行为信息，其中，每个用户行为信息均包括用户识别码、每次行为涉及的产品品类、每次行为的时间和每次行为所使用资源的信息；8.根据所述多个用户行为信息获取每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息；9.根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值，或根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值；10.将所述多个用户中的，所述第一品类的最近行为的时间小于等于最近行为的时间阈值、行为次数大于等于行为次数阈值和行为所使用总资源的信息大于等于行为所使用总资源的信息阈值的用户确认为所述第一品类的一级用户。11.在一个实施例中，根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值包括：12.根据所述多个用户中每个用户的第一品类的最近行为的时间、行为次数通过聚类的方法获取所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值；13.根据所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值确定所述多个用户的第一品类的行为所使用总资源的信息阈值。14.在一个实施例中，根据所述多个用户中每个用户的第一品类的最近行为的时间、行为次数通过聚类的方法获取所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值包括：15.根据所述多个用户中每个用户的第一品类的最近行为的时间和行为次数通过聚类的方法将所述多个用户划分为4个区域；16.以所述4个区域中，平均行为次数最高的区域的最小用户行为次数为行为次数阈值；17.以所述4个区域中，平均行为次数第二高的区域的用户最近行为的时间中间值为最近行为的时间阈值。18.在一个实施例中，根据所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值确定所述多个用户的第一品类的行为所使用总资源的信息阈值包括：19.根据所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值，划分出第一类用户和第二类用户；20.根据所述第一类用户和所述第二类用户分布图确定所述多个用户的行为所使用总资源的信息阈值。21.在一个实施例中，根据所述第一类用户和所述第二类用户分布图确定所述多个用户的行为所使用总资源的信息阈值包括：22.根据所述第一类用户的行为所使用总资源的信息和行为所使用总资源的信息的占比形成第一分布图；23.根据所述第二类用户的行为所使用总资源的信息和行为所使用总资源的信息的占比形成第二分布图；24.以所述第一分布图和所述第二分布图的边界曲线的交点为所述多个用户的第一品类的行为所使用总资源的信息阈值。25.在一个实施例中，根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值包括：26.所述多个用户中每个用户的第一品类的行为次数都等于1时，将所述多个用户的第一品类的行为次数阈值也设为1，将所述多个用户的第一品类的最近行为的时间都设为l，且将所述多个用户的第一品类的最近行为的时间阈值也设为l，其中，l为大于等于0的正数；27.根据所述多个用户行为信息获取所述第一品类的同一二级品类下的其他三级品类的总数量和所述其他三级品类的每一品类的行为所使用资源的总信息和行为所使用总资源的信息阈值；28.根据所述第一品类的同一二级品类下的其他三级品类的总数量和所述其他三级品类的每一品类的行为所使用资源的总信息和行为所使用总资源的信息阈值获取所述多个用户的第一品类的行为所使用总资源的信息阈值。29.在一个实施例中，方法还包括：30.根据用户标识去除所述多个用户中的异常用户。31.根据本公开的一个方面，提供一种用户分类的划分装置，包括：32.第一获取模块，配置为在获得用户授权时，获取第一时间段内的多个用户行为信息，其中，每个用户行为信息均包括用户识别码、每次行为涉及的产品品类、每次行为的时间和每次行为所使用资源的信息；33.第二获取模块，配置为根据所述多个用户行为信息获取每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息；34.第三获取模块，配置为根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值，或根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值；35.确定模块，配置为将所述多个用户中的，所述第一品类的最近行为的时间小于等于最近行为的时间阈值、行为次数大于等于行为次数阈值和行为所使用总资源的信息大于等于行为所使用总资源的信息阈值的用户确认为所述第一品类的一级用户。36.根据本公开的一个方面，提供一种电子设备，包括：37.一个或多个处理器；38.存储装置，配置为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时，使得所述一个或多个处理器实现如上实施例中任一项所述的方法。39.根据本公开的一个方面，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如上实施例中任一项所述的方法。40.本公开提出了一种方法，融合最近行为时间、行为次数、行为所使用总资源的信息(rf-m模型)，对用户进行交叉视角下的划分，突破传统方法只考虑单一指标的局限性，划分的结果更具有参考意义。41.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和解释性的，并不能限制本公开。附图说明42.以下附图描述了本发明的某些说明性实施方式，其中相同的附图标记表示相同的元件。这些描述的实施方式将是本公开的示例性实施方式，而不是以任何方式进行限制。43.图1示出了可以应用本公开实施方式的用户分类的划分方法的示例性系统架构的示意图；44.图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图；45.图3示意性示出了根据本公开的一实施方式的用户分类的划分方法的流程图；46.图4示出了本公开一个实施例的用户分类的划分操作系统结构示意图；47.图5示出了本公开一个实施例的用户分类的划分方法的流程示意图；48.图6是本公开一个实施例的r、f数据分布图；49.图7是本公开一个实施例的r、f数据聚类之后的示意分布图；50.图8是本公开一个实施例的r、f数据聚类之后的阈值划分示意分布图；51.图9是本公开一个实施例的优质用户、非优质用户m分布图；52.图10是本公开一个实施例的行为次数阈值示意图；53.图11示意性示出了根据本公开的一实施方式的用户分类的划分装置的框图；54.图12示意性示出了根据本公开的另一个实施方式的用户分类的划分装置的方框图；55.图13示意性示出了根据本公开的另一个实施方式的用户分类的划分装置的方框图。具体实施方式56.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。57.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方式中。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方式的充分理解。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。58.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。59.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。60.图1示出了可以应用本公开实施方式的用户分类的划分方法的示例性系统架构100的示意图。61.如图1所示，系统架构100可以包括终端101、102、103中的一种或多种，网络104和服务器105。网络104是用以在终端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。62.应该理解，图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。63.工作人员可以使用终端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101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机、数字电影放映机等等。64.服务器105可以是提供各种服务的服务器。例如工作人员通过终端103(也可以是终端101或102)向服务器发送用户分类的划分请求时，服务器105在获得用户授权时，获取第一时间段内的多个用户行为信息，其中，每个用户行为信息均包括用户识别码、每次行为涉及的产品品类、每次行为的时间和每次行为所使用资源的信息；根据所述多个用户行为信息获取每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息；根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值，或根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值；将所述多个用户中的，所述第一品类的最近行为的时间小于等于最近行为的时间阈值、行为次数大于等于行为次数阈值和行为所使用总资源的信息大于等于行为所使用总资源的信息阈值的用户确认为所述第一品类的一级用户。服务器105可以将用户分类的划分结果显示于终端103或其他终端，进而工作人员或其他人员可以基于终端上显示的内容查看用户分类的划分的结果。65.又如终端103(也可以是终端101或102)可以是智能电视、vr(virtualreality，虚拟现实)/ar(augmentedreality，增强现实)头盔显示器、或者其上安装有导航、网约车、即时通讯、视频应用程序(application，app)等的移动终端例如智能手机、平板电脑等，工作人员可以通过该智能电视、vr/ar头盔显示器或者该导航、网约车、即时通讯、视频app提出用户分类的划分请求，服务器105可以获取用户分类的划分结果。服务器105可以将获取的用户分类的划分结果返回给该或其他智能电视、vr/ar头盔显示器或者该导航、网约车、即时通讯、视频app，进而通过该智能电视、vr/ar头盔显示器或者该导航、网约车、即时通讯、视频app，将获取的用户分类的划分结果进行显示。66.图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。67.需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。68.如图2所示，计算机系统200包括中央处理单元(cpu，centralprocessingunit)201，其可以根据存储在只读存储器(rom，read-onlymemory)202中的程序或者从储存部分208加载到随机访问存储器(ram，randomaccessmemory)203中的程序而执行各种适当的动作和处理。在ram203中，还存储有系统操作所需的各种程序和数据。cpu201、rom202以及ram203通过总线204彼此相连。输入/输出(i/o)接口205也连接至总线204。69.以下部件连接至i/o接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(crt，cathoderaytube)、液晶显示器(lcd，liquidcrystaldisplay)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如lan(localareanetwork，局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至i/o接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。70.特别地，根据本公开的实施方式，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(cpu)201执行时，执行本技术的方法和/或装置中限定的各种功能。71.需要说明的是，本公开所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom(erasableprogrammablereadonlymemory，可擦除可编程只读存储器)或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机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、电线、光缆、rf(radiofrequency，射频)等等，或者上述的任意合适的组合。72.附图中的流程图和框图，图示了按照本公开各种实施方式的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所框选的功能也可以以不同于附图中所框选的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。73.描述于本公开实施方式中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。74.作为另一方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储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电子设备执行时，使得该电子设备实现如下述实施方式中所述的方法。例如，所述的电子设备可以实现如图3各个步骤。75.相关技术中，例如可以采用机器学习方法、深度学习方法等进行用户分类的划分，不同方法适用的范围不同。76.图3示意性示出了根据本公开的一实施方式的用户分类的划分方法的流程图。本公开实施方式的方法步骤可以由终端或服务器执行，或由终端和服务器交互执行，例如，可以由上述图1中的服务器105执行，但本公开并不限定于此。77.在步骤s310中，在获得用户授权时，获取第一时间段内的多个用户行为信息，其中，每个用户行为信息均包括用户识别码、每次行为涉及的产品品类、每次行为的时间和每次行为所使用资源的信息。78.在该步骤中，服务器在获得用户授权时，获取第一时间段内的多个用户行为(例如，消费)信息，其中，每个用户行为信息均包括用户识别码(pin,personalidentificationnumber)、每次行为涉及的产品品类、每次行为的时间和每次行为所使用资源的信息(所使用资源的信息例如，所消费的金额)。79.在一个实施例中，第一时间段可以为任意的一段时间，例如1个月，1年或2年等。80.本公开实施方式中，终端可以以各种形式来实施。例如，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personaldigitalassistant，pda)、便捷式媒体播放器(portablemediaplayer，pmp)、用户分类的划分装置、可穿戴设备、智能手环、计步器、机器人、无人驾驶车等移动终端，以及诸如数字tv(television，电视机)、台式计算机等固定终端。81.在步骤s320中，根据所述多个用户行为信息获取每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息(消费的总金额)。82.在该步骤中，服务器根据所述多个用户行为信息获取每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息。83.在一个实施例中，第一品类可以是任意一种产品品类，品类可以包括一级类目、二级类目、三级类目的划分，如电脑办公-电子设备-显示器等。84.在步骤s330中，根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值，或根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值。85.在该步骤中，服务器根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值，或根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值。86.在步骤s340中，将所述多个用户中的，所述第一品类的最近行为的时间小于等于最近行为的时间阈值、行为次数大于等于行为次数阈值和行为所使用总资源的信息大于等于行为所使用总资源的信息阈值的用户确认为所述第一品类的一级用户。87.在该步骤中，服务器将所述多个用户中的，所述第一品类的最近行为的时间小于等于最近行为的时间阈值、行为次数大于等于行为次数阈值和行为所使用总资源的信息大于等于行为所使用总资源的信息阈值的用户确认为所述第一品类的一级用户(一级用户例如为，忠诚用户)。88.其中，最近行为的时间小于等于最近行为的时间阈值是指：最近行为的时间与最近行为的时间阈值相比，距离分类时间更近或一样近。89.本公开中，融合最近使用时间、使用次数、行为所使用总资源的信息(rf-m模型)，对用户进行交叉视角下的划分，突破传统方法只考虑单一指标的局限性，划分的结果更具有参考意义。90.在rfm模型当中，r(rencency)是指最近一次使用时间，f(frequency)是指一段时间内的使用次数，m(monetary)是指一段时间内的行为所使用资源的信息。91.(一)以下介绍分类的划分方法中的聚类方法的具体实施方式：92.在一个实施例中，根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值包括：93.根据所述多个用户中每个用户的第一品类的最近行为的时间、行为次数通过聚类的方法获取所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值；94.根据所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值确定所述多个用户的第一品类的行为所使用总资源的信息阈值。95.在一个实施例中，根据所述多个用户中每个用户的第一品类的最近行为的时间、行为次数通过聚类的方法获取所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值包括：96.根据所述多个用户中每个用户的第一品类的最近行为的时间和行为次数通过聚类的方法将所述多个用户划分为4个区域；97.以所述4个区域中，平均行为次数最高的区域的最小用户行为次数为行为次数阈值；98.以所述4个区域中，平均行为次数第二高的区域的用户最近行为的时间中间值为最近行为的时间阈值。99.在一个实施例中，根据所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值确定所述多个用户的第一品类的行为所使用总资源的信息阈值包括：100.根据所述多个用户的第一品类的最近行为的时间阈值和行为次数阈值，划分出第一类用户(例如，优质用户)和第二类用户(例如非优质用户)；101.根据所述第一类用户和所述第二类用户分布图确定所述多个用户的行为所使用总资源的信息阈值。102.在一个实施例中，根据所述第一类用户和所述第二类用户分布图确定所述多个用户的行为所使用总资源的信息阈值包括：103.根据所述第一类用户的行为所使用总资源的信息和行为所使用总资源的信息的占比形成第一分布图；104.根据所述第二类用户的行为所使用总资源的信息和行为所使用总资源的信息的占比形成第二分布图；105.以所述第一分布图和所述第二分布图的边界曲线的交点为所述多个用户的第一品类的行为所使用总资源的信息阈值。106.(二)以下介绍分类的划分方法中的特殊品类产品的分类方法的具体实施方式：107.在一个实施例中，根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值包括：108.所述多个用户中每个用户的第一品类的行为次数都等于1时，将所述多个用户的第一品类的行为次数阈值也设为1，将所述多个用户的第一品类的最近行为的时间都设为l，且将所述多个用户的第一品类的最近行为的时间阈值也设为l，其中，l为大于等于0的正数；109.根据所述多个用户行为信息获取所述第一品类的同一二级品类下的其他三级品类的总数量和所述其他三级品类的每一品类的行为所使用资源的总信息和行为所使用总资源的信息阈值；110.根据所述第一品类的同一二级品类下的其他三级品类的总数量和所述其他三级品类的每一品类的行为所使用资源的总信息和行为所使用总资源的信息阈值获取所述多个用户的第一品类的行为所使用总资源的信息阈值。111.在一个实施例中，根据所述第一品类的同一二级品类下的其他三级品类的总数量和所述其他三级品类的每一品类的行为所使用资源的总信息和行为所使用总资源的信息阈值获取所述多个用户的第一品类的行为所使用总资源的信息阈值包括：112.根据以下公式获得所述第一品类的行为所使用总资源的信息阈值：[0113][0114]其中，m为待计算的所述第一品类的m阈值(行为所使用总资源的信息阈值)；[0115]n为与所述第一品类同一二级品类下，其它三级品类的总数量；[0116]gmvi为品类i的分值总额(行为所使用资源的总信息)；[0117]gmvj为品类j的分值总额；[0118]mi为其他三级品类中的品类i的m阈值(行为所使用总资源的信息阈值)。[0119]在一个实施例中，方法还包括：根据用户标识去除所述多个用户中的异常用户。异常用户如刷单用户、企业购用户、分销用户等。[0120](三)以下结合具体步骤，对本技术的分类方法进行详细描述：[0121]现有技术中，将连续3次以上的重复使用定义为一级用户(忠诚用户)。但是实际运营中，产品品类繁多，复用(重复消费)周期不同，这样的“一刀切”方法无法在不同品类上自适应。例如：产品品类用户复用频次偏高，而慢销产品如裸钻、翡翠等品类用户复用频次往往很小。而且此方法只考虑了用户的使用频次，而实际的用户分类的判别往往也在行为所使用资源的信息、最近使用时间等方面上体现。本公开引入多模型(从rfm和聚类两个方面)融合的算法进行多品类下的用户分类划分。建立rfm模型，从多视角的交叉层次将用户分类。并且结合大平台特定的用户营销需求，在整个平台几千种品类下，用无监督学习(例如聚类)的方式，在各个品类下自适应地去识别忠实用户。[0122]本公开引入rf-m模型对用户进行交叉视角下的划分，克服现有一级(忠诚)用户识别方法只考虑复购的单一指标的局限性。相较于传统用户划分策略，本公开创新地融合无监督学习，使得模型在不同品类下能自适应地识别一级用户。避免“一刀切”方案在不同品类中出现的精确度损失。[0123]传统策略只能逐场景产出划分结果，本发明优化系统性能，能够一次性获取几千个品类下的用户划分阈值，达到批量处理多品类大量用户分群的效果，大大提升用户划分速度。[0124]图4示出了本公开一个实施例的用户分类的划分操作系统结构示意图。参考图4，包括：[0125]数据集成：从大数据集市抽取电商平台的订单数据、产品数据，并将抓取到的数据集成到hadoop(分布式系统基础架构)中进行存储。清理干扰数据，对企业采购订单等影响模型结果的数据予以剔除。[0126]数据计算：进行自适应计算，通过无监督学习的方式，学习品类下每个用户在不同视角下的标签。用户pin(用户识别码)的信息会跟其所有使用(消费)过的品类匹配，同时订单详情也与品类-用户的组合相关联。因此对不同品类下的数据，可以进行分布式计算。[0127]数据处理：进行数据分布校验，识别因数据分布集中在同一观察值，造成打标结果异常的特殊品类。将这种所有用户f值相同的品类转移到特殊品类处理步骤，对特殊品类下的用户重新打标。[0128]业务交付：将模型批量计算的几千个品类下的用户划分结果存储在hadoop中。在实际业务中，可通过判断用户实际使用行为与品类rfm模型计算阈值的关系，判断用户属于哪一细分运营类型，从而获取细分运营场景下的用户群pin包。[0129]本公开系统设计将rfm模型与无监督学习结合，实现可以多视角自适应并批量处理的模型改进。在rfm模型当中，r(rencency)是指最近一次使用(消费)时间，f(frequency)是指一段时间内的使用(消费)次数，m(monetary)是指一段时间内的行为所使用总资源的信息(消费总金额)。这三个视角分别代描述了用户的时效性、活跃度、价值贡献度。如图4所示，本操作系统设计了5个模块：数据集成、数据计算、数据处理、业务交付和系统管理，方案详细描述如下：[0130]在数据集成步骤，划分系统从大数据集市获取订单、用户、品类(品类例如食品、饮料和家电等)等数据，集成到hadoop上存储。对数据进行清理，由于除品类普通用户外，还存在一些特殊用户，如刷单用户、企业购用户、分销用户等。以刷单用户为例，此类用户的特点是时效性高、活跃度高、价值贡献也很高，但不是一个真正意义上一级的用户，因此本公开需要把此类用户去掉，保留最真实的普通数据进行识别。特殊用户在其他系统中已经进行标记，本技术不考虑如何分辨和获取，直接根据标记识别和使用。[0131]下一步将集合好的数据流转到划分系统的数据计算和数据处理步骤。基于订单宽表取一段时间(例如，两年)内的用户pin、使用时间、行为所使用资源的信息，计算用户r、f、m值，得到品类、用户、r、f、m维度数据。rf阶段中，根据用户r、f数据进行聚类，区分出优质用户(第一类用户)和非优质用户(第二类用户)，定出r、f阈值。m阶段中，将优质用户、非优质用户的m数据做柱状图，根据其类高斯分布定出m阈值。下一步系统将计算完成的数据转到特殊品类识别步骤：前几步已经确定r、f、m阈值，但有些品类所有用户的使用频次均为1次，那么忠实用户判别在使用频次这个维度上没有区分性，则使用频次不再参与忠实用户的判别，这类品类必须特殊处理。最后一步识别打标步骤，根据品类的r、f、m，判断每个用户是否是忠实用户(一级用户)。具体流程如图5。图5示出了本公开一个实施例的用户分类的划分方法的流程示意图。[0132]集成后的数据表结构如下所示，时间跨度例如为两年，例如自2019-01至2020-12：[0133][0134][0135]rf阶段：根据业务认知，用户是有生命周期的，一级用户应属于高价值用户，即近期有使用，使用频率较高。图6是本公开一个实施例的r、f数据分布图。r、f数据分布如图6，左下角：近期有使用，使用频率低，为潜力用户。左上角：近期有使用，使用频率高，为高价值用户。右下角：近期无使用，使用频率低，为预流失用户。图6中，r单位为次，f单位为天。[0136]图7是本公开一个实施例的r、f数据聚类之后的示意分布图。[0137]根据业务，用户的角色是有流动性的，基于r、f数据将用户分成四个区域，效果如图7，横坐标为r纵坐标为f，r单位为次，f单位为天。“第一区域”部分为高价值用户。[0138]图8是本公开一个实施例的r、f数据聚类之后的阈值划分示意分布图。[0139]图8已经将用户分为优质用户(第一区域)及非优质用户(非第一区域的区域)，以此来确定r、f阈值。如图8所示，第一区域下边界直线q即为f的阈值；确定第三区域中点，过第三区域中点垂直于x轴的直线p即为r的阈值。[0140]m阶段：第二步已经获取到品类的r、f阈值，r《＝r、f》＝f即为优质用户，其余为非优质用户。图9是本公开一个实施例的优质用户、非优质用户m分布图。获取二者的m数据，经观察发现优质用户的m分布和非优质用户的m分布存在明显不同(以图9为例，非优质用户m取值0～400，优质用户m取值200～800)，效果如图9所示。图10是本公开一个实施例的行为次数阈值示意图。将优质用户的m和非优质用户的m做柱状图，发现图大致服从偏态分布，如图10所示，非优质用户(第二分布图)、优质用户(第一分布图)，以所述第一分布图和所述第二分布图的边界曲线的交点为所述多个用户的第一品类的行为所使用总资源的信息阈值，即交点a即为m的阈值。图10横坐标单位为元，纵坐标单位为行为所使用资源的信息的占比。[0141]特殊品类处理步骤：存在一些特殊品类，如所有用户的使用频次均为1次，那么忠实用户判别在使用频次这个维度上没有区分性，则使用频次不再参与忠实用户的判别，这类品类必须特殊处理。处理的方式是，在m上进行区分，利用同一二级品类下的其他三级品类进行填充，这么处理的原因是同一二级品类下的品类比较相似，具体公式见下：[0142][0143]m：待计算的特殊品类m阈值(行为所使用总资源的信息阈值)；[0144]n：与特殊品类同一二级品类下，其它三级品类的总数量；[0145]gmvi：品类i的分值总额(行为所使用资源的总信息)；[0146]gmvj：品类j的分值总额；[0147]mi：其他三级品类中的品类i的m阈值(行为所使用总资源的信息阈值)。[0148]识别打标步骤：经过系统中的rf阶段、m阶段和特殊品类处理步骤，已将各级品类的r、f、m阈值全部确定。若用户满足r《＝r，f》＝f，m》＝m条件，则判定为忠实用户(一级用户)，否则为非忠实用户。不同于以往方案要对每个分析场景逐一产出划分结果，本系统能够批量地计算得到几千个细分品类场景下的全量用户打标结果，并推送至应用端提供业务随时提取用户pin包。[0149]反馈循环：用户可以通过可视化用户分群图像，掌握不同用户群体在该品类下的分布形态和用户群体比例。对于局部用户打标效果与实际业务存在一定偏差，或用户群体比例不均衡的情形，可以进行阈值优化调整。例如对群体边界点进行平滑处理或直接调整阈值基准点。从而反向给系统模型输入业务认知，形成动态反馈循环。[0150]用户划分角度，本公开融合rf-m模型和聚类算法，对用户进行交叉视角下的划分，突破传统方法只考虑单一指标的局限性。不同品类的用户使用频次，行为所使用资源的信息各异。利用无监督学习的特性，在不同特性的品类下自适应地取得划分阈值。提供反馈机制，每一次的划分都对下一次有系统优化提升。本发明集成数据读取、计算、存储、应用功能，系统地批量处理几千个品类下的用户划分方案，并直接输出给应用端品类-用户pin-用户打标的结果。传统划分方案流程是逐个场景下按用户活跃度和贡献度，手工制定划分规则。改进后的方案更适用于电商等大规模用户分层营销的场景，大大提升系统生产效率。[0151]图11示意性示出了根据本公开的一实施方式的用户分类的划分装置的框图。本公开实施方式提供的用户分类的划分装置1100可以设置在服务器端或终端上，或者部分设置在终端上，部分设置在服务器端上，例如，可以设置在图1中的服务器105，但本公开并不限定于此。[0152]本公开实施方式提供的用户分类的划分装置1100可以包括第一获取模块1110、第二获取模块1120、第三获取模块1130和确定模块1140。[0153]其中，第一获取模块，配置为在获得用户授权时，获取第一时间段内的多个用户行为信息，其中，每个用户行为信息均包括用户识别码、每次行为涉及的产品品类、每次行为的时间和每次行为所使用资源的信息；[0154]第二获取模块，配置为根据所述多个用户行为信息获取每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息；[0155]第三获取模块，配置为根据每个用户的第一品类的最近行为的时间、行为次数和行为所使用总资源的信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值，或根据每个用户的第一品类的最近行为的时间、行为次数和所述多个用户行为信息获取所述多个用户的第一品类的最近行为的时间阈值、行为次数阈值和行为所使用总资源的信息阈值；[0156]确定模块，配置为将所述多个用户中的，所述第一品类的最近行为的时间小于等于最近行为的时间阈值、行为次数大于等于行为次数阈值和行为所使用总资源的信息大于等于行为所使用总资源的信息阈值的用户确认为所述第一品类的一级用户。[0157]根据本公开的装置实施方式，融合最近行为时间、行为次数、行为所使用总资源的信息(rf-m模型)，对用户进行交叉视角下的划分，突破传统方法只考虑单一指标的局限性。[0158]图12示意性示出了根据本公开的另一个实施方式的用户分类的划分装置1200的方框图。[0159]如图12所示，除了图11实施方式描述的第一获取模块1110、第二获取模块1120、第三获取模块1130和确定模块1140之外，该用户分类的划分装置1200还包括显示模块1210。[0160]具体地，显示模块1210在确定模块1140确定用户分类后，向工作人员显示用户分类的划分结果。[0161]在该用户分类的划分装置1200中，通过显示模块1210可以显示用户分类的划分结果。[0162]图13示意性示出了根据本公开的另一个实施方式的用户分类的划分装置1300的方框图。[0163]如图13所示，除了图11实施方式描述的第一获取模块1110、第二获取模块1120、第三获取模块1130和确定模块1140之外，用户分类的划分装置1300还包括存储模块1310。[0164]具体地，存储模块1310用于对用户分类的划分过程中的数据进行存储，以方便后续调用和参考。[0165]可以理解的是第一获取模块1110、第二获取模块1120、第三获取模块1130、确定模块1140、显示模块1210和存储模块1310可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施方式，第一获取模块1110、第二获取模块1120、第三获取模块1130、确定模块1140、显示模块1210和存储模块1310的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。或者，第一获取模块1110、第二获取模块1120、第三获取模块1130、确定模块1140、显示模块1210和存储模块1310的至少一个可以至少被部分地实现为计算机程序模块，当该程序被计算机运行时，可以执行相应模块的功能。[0166]应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块、单元和子单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块、单元和子单元的特征和功能可以在一个模块、单元和子单元中具体化。反之，上文描述的一个模块、单元和子单元的特征和功能可以进一步划分为由多个模块、单元和子单元来具体化。[0167]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，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、触控终端、或者网络设备等)执行根据本公开实施方式的方法。[0168]本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。[0169]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来限制。当前第1页12当前第1页12