易访用户的挖掘方法、装置、终端设备及存储介质

技术领域

本申请属于无线通信技术领域，尤其涉及一种易访用户的挖掘方法、装置、终端设备及存储介质。

背景技术

目前，电信行业通常采用人工随机回访的形式对用户的满意度进行调研，但在运营商用户基数大的情况下，回访难度大，而且浪费大量的时间和人力，所以电信企业利用大数据建模找出愿意接受调研电话的用户(即易访用户)，以提高回访成功率，具体的，常用的大数据建模方式为将与用户相关的通信数据笼统地进行简单筛选后输入至人工预先建立的模型，存在用户满意度评价维度单一以及模型构建效率低的问题，从而导致易访用户挖掘的准确度较低且效率不高的问题。

综上，如何提高易访用户挖掘的准确度和挖掘效率，已经成为无线通信技术领域亟待解决的技术问题。

发明内容

本申请的主要目的在于提供一种易访用户的挖掘方法、装置、终端设备及存储介质。旨在提高易访用户挖掘的准确度。

为了实现上述目的，本申请提供一种易访用户的挖掘方法，所述易访用户的挖掘方法包括以下步骤：

对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据；

从所述第二通信数据中提取所述待测用户的第一呼叫特征，并基于所述第一呼叫特征生成所述待测用户的第一特征数据集，其中，所述第一呼叫特征包括所述待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长；

将所述第一特征数据集输入至目标神经网络模型，以得到所述待测用户的第一易访概率得分，其中，所述目标神经网络模型为以第二易访概率得分为训练标签，以第二特征数据集为输入数据对预先自动构建的初始神经网络模型进行训练得到；

在所述第一易访概率得分大于预设分值的情况下，确定所述待测用户为易访用户。

可选地，在所述对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗的步骤之前，所述方法还包括：

获取待测用户的个人信息数据表、通话记录数据表和话单数据表；

基于所述待测用户的身份标识将所述个人信息数据表、通话记录数据表和话单数据表进行关联，以生成包含所述个人信息数据表、所述通话记录数据表和所述话单数据表的第一通信数据。

可选地，在所述基于所述待测用户的身份标识将所述个人信息数据表、通话记录数据表和话单数据表进行关联的步骤之前，所述方法还包括：

确定所述个人信息数据表、所述通话记录数据表和所述话单数据表中的特征字段，并计算所述特征字段与预设标准字段之间的相似度；

检测所述相似度是否大于预设相似度；

若检测到所述相似度大于所述预设相似度，则将所述特征字段替换为所述预设标准字段。

可选地，所述基于所述第一呼叫特征生成所述待测用户的第一特征数据集的步骤，包括：

基于预设的代码逻辑确定所述预设标准字段的赋值规则；

基于所述赋值规则对所述第一呼叫特征赋予代码标签，以生成所述待测用户的第一特征数据集。

可选地，所述对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据的步骤，包括：

对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行去重处理和异常值去除处理，得到第二通信数据。

可选地，所述方法还包括：

基于目标用户的第二特征数据集构建所述初始神经网络模型，其中，所述目标用户为已知第二易访概率得分的易访用户和不满意用户；

将所述第二特征数据集作为训练样本输入至所述初始神经网络模型，以得到所述目标用户的第三易访概率得分；

基于所述初始神经网络模型的损失函数比对所述第二易访概率得分和所述第三易访概率得分，得到比对结果；

基于所述比对结果对所述初始神经网络模型的参数进行优化，以得到所述目标神经网络模型。

可选地，所述基于目标用户的第二特征数据集构建所述初始神经网络模型的步骤，包括：

将目标用户的第二特征数据集中的第二呼叫特征的数量作为所述初始神经网络模型的输入层节点数量；

将所述第二呼叫特征代入预设的第一激活函数，得到所述初始神经网络模型的隐藏层节点数量；

将所述第二呼叫特征代入预设的第二激活函数，得到所述初始神经网络模型的输出层节点数量；

基于所述输入层节点数量、所述隐藏层节点数量和所述输出层节点数量，构建所述初始神经网络模型。

此外，为实现上述目的，本申请还提供一种易访用户的挖掘装置，所述易访用户的挖掘装置包括以下步骤：

数据清洗模块，用于对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据；

特征提取模块，用于从所述第二通信数据中提取所述待测用户的第一呼叫特征，并基于所述第一呼叫特征生成所述待测用户的第一特征数据集，其中，所述第一呼叫特征包括所述待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长；

模型计算模块，用于将所述第一特征数据集输入至目标神经网络模型，以得到所述待测用户的第一易访概率得分，其中，所述目标神经网络模型为以第二易访概率得分为训练标签，以第二特征数据集为输入数据对预先自动构建的初始神经网络模型进行训练得到；

确定模块，用于在所述第一易访概率得分大于预设分值的情况下，确定所述待测用户为易访用户。

此外，为实现上述目的，本申请还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的易访用户的挖掘程序，所述终端设备的易访用户的挖掘程序被所述处理器执行时实现如上所述的易访用户的挖掘方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有易访用户的挖掘程序，所述易访用户的挖掘程序被处理器执行时实现如上所述的易访用户的挖掘方法的步骤。

本申请实施例通过获取包含了待测用户的个人信息数据表、通话记录数据表和话单数据表的通信数据，即第一通信数据，对第一通信数据进行数据清洗，得到清洗后的数据，即第二通信数据，然后从第二通信数据中提取待测用户的呼叫特征，其中，该呼叫特征为待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长，然后基于上述呼叫特征生成包特征数据集，即第一特征数据集，将该第一特征数据集作为目标神经网络模型的输入，通过该目标神经网络模型基于输入数据集输出待测用户的易访概率得分，其中，该目标神经网络模型是以易访概率得分为训练标签，以特征数据集为输入特征对预先自动构建的初始神经网络模型进行训练得到的，在该易访概率得分大于预设分值的情况下，确定当前待测用户为易访用户。如此，相比于传统用户满意度评价维度单一的易访用户挖掘方式，本申请通过对待测用户的相关通信数据进行自动化数据清洗，以保证通信数据的完整性和准确性，然后从清洗后的通信数据中提取用户与电信企业进行通话时生成的各类数据，并输入到训练好的神经网络模型中，以在多维度上提高模型的准确性和可解释性，从而提高易访用户挖掘的准确度，另外，相比于传统人工构建神经网络模型以进行易访用户挖掘的方式，本申请中的初始神经网络模型是自动构建的，实现了模型构建的自动化，从而提高易访用户挖掘的挖掘效率。

附图说明

图1是本申请实施例方案涉及的终端设备硬件运行环境的设备结构示意图；

图2为本申请易访用户的挖掘方法第一实施例的步骤流程示意图；

图3为本申请易访用户的挖掘方法的一实施例所涉及的易访用户的挖掘流程示意图；

图4为本申请易访用户的挖掘方法的一实施例所涉及的挖掘算法架构示意图；

图5为本申请易访用户的挖掘装置一实施例的功能模块示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，图1为本申请实施例方案涉及终端设备的硬件运行环境的设备结构示意图。

需要说明的是，本申请实施例涉及无线通信技术领域的终端设备。具体地，该终端设备可以是智能手机、PC(PerSonal Computer，个人计算机)、平板电脑、便携计算机等等。

如图1所示，该终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(DiSplay)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及易访用户的挖掘程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的易访用户的挖掘程序，并执行如下操作：

对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据；

从所述第二通信数据中提取所述待测用户的第一呼叫特征，并基于所述第一呼叫特征生成所述待测用户的第一特征数据集，其中，所述第一呼叫特征包括所述待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长；

将所述第一特征数据集输入至目标神经网络模型，以得到所述待测用户的第一易访概率得分，其中，所述目标神经网络模型为以第二易访概率得分为训练标签，以第二特征数据集为输入数据对预先自动构建的初始神经网络模型进行训练得到；

在所述第一易访概率得分大于预设分值的情况下，确定所述待测用户为易访用户。

进一步地，在所述对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗的操作之前，处理器1001还可以用于调用存储器1005中存储的易访用户的挖掘程序，执行以下操作：

获取待测用户的个人信息数据表、通话记录数据表和话单数据表；

基于所述待测用户的身份标识将所述个人信息数据表、通话记录数据表和话单数据表进行关联，以生成包含所述个人信息数据表、所述通话记录数据表和所述话单数据表的第一通信数据。

进一步地，在所述基于所述待测用户的身份标识将所述个人信息数据表、通话记录数据表和话单数据表进行关联的操作之前，处理器1001还可以用于调用存储器1005中存储的易访用户的挖掘程序，执行以下操作：

确定所述个人信息数据表、所述通话记录数据表和所述话单数据表中的特征字段，并计算所述特征字段与预设标准字段之间的相似度；

检测所述相似度是否大于预设相似度；

若检测到所述相似度大于所述预设相似度，则将所述特征字段替换为所述预设标准字段。

进一步地，所述基于所述第一呼叫特征生成所述待测用户的第一特征数据集的操作包括：

基于预设的代码逻辑确定所述预设标准字段的赋值规则；

基于所述赋值规则对所述第一呼叫特征赋予代码标签，以生成所述待测用户的第一特征数据集。

进一步地，所述对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据的操作包括：

对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行去重处理和异常值去除处理，得到第二通信数据。

进一步地，处理器1001还可以用于调用存储器1005中存储的易访用户的挖掘程序，执行以下操作：

基于目标用户的第二特征数据集构建所述初始神经网络模型，其中，所述目标用户为已知第二易访概率得分的易访用户和不满意用户；

将所述第二特征数据集作为训练样本输入至所述初始神经网络模型，以得到所述目标用户的第三易访概率得分；

基于所述初始神经网络模型的损失函数比对所述第二易访概率得分和所述第三易访概率得分，得到比对结果；

基于所述比对结果对所述初始神经网络模型的参数进行优化，以得到所述目标神经网络模型。

进一步地，所述基于目标用户的第二特征数据集构建所述初始神经网络模型的操作包括：

将目标用户的第二特征数据集中的第二呼叫特征的数量作为所述初始神经网络模型的输入层节点数量；

将所述第二呼叫特征代入预设的第一激活函数，得到所述初始神经网络模型的隐藏层节点数量；

将所述第二呼叫特征代入预设的第二激活函数，得到所述初始神经网络模型的输出层节点数量；

基于所述输入层节点数量、所述隐藏层节点数量和所述输出层节点数量，构建所述初始神经网络模型。

基于上述的结构，提出易访用户的挖掘方法的各个实施例。

请参照图2，图2为本申请易访用户的挖掘方法第一实施例的流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，本申请易访用户的挖掘方法当然也可以以不同于此处的顺序执行所示出或描述的步骤。在本实施例中，易访用户的挖掘方法的执行主体可以是车辆、个人电脑、智能手机等设备，在本实施例中并不做限制，以下为便于描述，省略执行主体进行各实施例的阐述。所述易访用户的挖掘方法包括：

步骤S10，对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据；

在本实施例中，终端设备获取到待测用户的个人信息数据表、通话记录数据表和话单数据表，并对包含了个人信息数据表、通话记录数据表和话单数据表的通信数据(以下称为第一通信数据以示区分)进行数据清洗，得到清洗后的通信数据(以下称为第二通信数据以示区分)。

进一步地，在一种可行的实施例中，在上述步骤S10之前，本申请易访用户的挖掘方法，还可以包括：

步骤A10，获取待测用户的个人信息数据表、通话记录数据表和话单数据表；

在本实施例中，终端设备在沙盒环境下从沙盒数据源中获取待测用户的个人信息数据表、通话记录数据表和话单数据表。

在一可行的实施方式中，终端设备在沙盒环境中建立与生产环境下的各地域的数据源配套的沙盒数据源，然后从沙盒数据源系统中提取待测用户的个人信息以及使用情况数据表(即上述个人信息数据表)、通话记录数据表和用户话单数据表(即上述话单数据表)。

在另一可行的实施方式中，上述个人信息数据表中的详细字段及其含义如下表格所示：

上述通话记录数据表中的详细字段及其含义如下表格所示：

上述用户话单数据表中的详细字段及其含义如下表格所示：

/>

需要说明的是，由于易访用户挖掘的需求往往来源于不同区域，数据源与数据分析端之间的数据共享、传输的安全问题需要重点关注。本专利设计智能沙盒机制，针对任务与角色的关联来实现更精细化的访问权限控制，该机制可以限制不同用户对不同敏感数据的访问权限，从而避免数据被恶意用户或者未经授权的第三方访问和窃取，对运营商源表具有一定的保护作用。

在另一可行的实施方式中，本申请提出一种基于易访用户特点的任务型访问控制算法，以下简称为ACTRAR(Access ib le Users Task Access Contro l)算法，该ACTRAR算法可以执行以下步骤：定义任务和角色，即定义系统中所有可能的任务和角色，并为每个任务分配一个或多个角色；根据任务需求分配角色，即当一个任务需要被执行时，系统需要根据任务的需求动态地为该任务分配一个或多个角色；验证访问权限，即当一个用户试图访问某个资源时，系统需要验证该用户是否被分配了相应的角色，并且该角色是否被授权访问该资源；动态调整访问权限，即当一个任务需要被修改或撤销时，系统需要动态地调整相应角色的访问权限；审计和日志记录，即系统需要记录每个用户对资源的访问记录，以便在出现问题时进行审计和调查。通过以上步骤，ACTAR算法可以实现更为精细化的访问控制，同时也可以支持任务级别的访问控制，从而提高沙盒系统本身的灵活性、安全性。另外，ACTAR算法还可以在沙盒中对易访数据源进行加密处理，具体的，加密过程包括：选择加密算法:根据数据的机密性和性能需求选择对称加密算法；生成密钥:根据选择的加密算法，生成对应的密钥。对称加密算法使用同一个密钥进行加解密；加密数据:使用生成的密钥，对需要加密的数据进行加密操作；存储密钥和加密后的数据：将生成的密钥和加密后的数据存储在沙盒环境中，以保证数据的机密性和完整性；解密数据：算法运行或需要访问加密后的数据时，使用相应的密钥对数据进行解密操作；销毁密钥：在加解密操作完成后，及时销毁密钥，以保证密钥的安全性。通过上述加密步骤，可以在沙盒环境中保障数据本身的安全性，同时防止敏感数据被未授权的用户访问和泄露。

需要说明的是，上述算法任务包括：数据导入任务，该任务的角色为各域数据管理员，负责从运营支撑系统、计费系统、呼叫中心系统等数据系统中提取用户的个人信息以及使用情况数据表、通话记录数据表和用户话单数据表；数据清洗任务，该任务的角色为ETL(Extract ion-Transformat ion-Load ing,数据的抽取、转换、加载)数据工程师，负责对提取的数据进行清洗和处理，以确保数据的准确性和完整性，通过去重、填充缺失值、异常值处理等操作，辅助后续的数据关联和分析，同时，还需要根据业务需求进行数据转换和归一化处理，以便更好地应用于模型训练和系统应用；数据特征提取任务，该任务的角色为特征算法工程师，负责从清洗后的数据中提取相关的特征，包括用户个人信息、使用情况、满意度评价等特征，以便后续的分析和挖掘；模型训练任务，该任务的角色为模型训练工程师，根据特征和目标变量(易访用户和不满意用户)选择合适的算法模型，负责利用挖掘出的用户数据。预测满意度用户易访群体及其不满意原因，并自动匹配维系策略；系统维护任务，该任务的角色为系统运维工程师，负责对系统进行维护和管理，以保证系统的正常运行和数据的安全性。如此，本申请针对任务与角色的关联来实现更精细化的访问权限控制，该机制可以限制不同用户对不同敏感数据的访问权限，从而避免数据被恶意用户或者未经授权的第三方访问和窃取。

示例性地，在上述数据特征提取任务中，对于用户回访情况特征，可以按照使用时间、使用频率、通话时长等指标，将用户进行分类。根据用户分类结果，选择合适的特征，如通话时长、充值金额、使用频率等特征，负责计算已有回访用户数据进行模型训练；对于用户终端型号特征，可根据用户终端型号数据的特点，选择合适的特征，如终端品牌、型号名称、操作系统版本等特征，负责计算用户终端型号数据进行模型训练；对于用户话费使用情况特征，可根据话费使用情况数据的特点，选择合适的特征，例如话费余额、套餐使用情况、通话短信记录等特征，负责计算用户话费使用情况数据进行模型训练。

如此，本申请通过智能沙盒技术实现电信企业各数据源系统(包括运营商运营支撑系统、计费系统和呼叫中心系统)之间数据的加密传输及加密预处理，以保障系统数据不断源、不出盒，并且可以对敏感信息进行保护，同时实时监控沙盒中数据的访问情况，及时发现和处理异常访问行为，从而提高本申请中数据处理的安全性。

步骤A20，基于所述待测用户的身份标识将所述个人信息数据表、通话记录数据表和话单数据表进行关联，以生成包含所述个人信息数据表、所述通话记录数据表和所述话单数据表的第一通信数据。

在本实施例中，终端设备基于待测用户的身份标识将待测用户的个人信息数据表、通话记录数据表和话单数据表进行关联，并生成包含个人信息数据表、通话记录数据表和话单数据表的第一通信数据。

在一可行的实施方式中，由于终端设备从沙盒数据源获取各数据表时，可能同时获取多个用户的数据表且数据表来源于不同的数据源，所以有必要将每个用户的相关数据表进行绑定，即根据待测用户的USER_ID和日期将该用户的通话记录、用户话单数据表与个人信息数据表进行关联，从而获得更详细的用户行为数据，包括每个用户的通话时长、呼叫次数、异网通话次数、异网通话时长、短信条数等信息。

本申请通过将用户的个人信息、通话记录和用户话单数据表关联可以实现更全面的用户行为分析。通过对这些数据进行分析，更好地了解用户的行为模式，从而制定更加精准的电话外呼策略。同时，通过关联用户的个人信息数据表，可以更好地了解不同人群的偏好和行为，从而实现更加个性化的电话外呼推荐。

进一步地，在一种可行的实施例中，在上述步骤A20之前，本申请易访用户的挖掘方法，还可以包括：

步骤B10，确定所述个人信息数据表、所述通话记录数据表和所述话单数据表中的特征字段，并计算所述特征字段与预设标准字段之间的相似度；

在本实施例中，终端设备确定待测用户的个人信息数据表、通话记录数据表和话单数据表中的特征字段，并计算该特征字段与预设标准字段之间的相似度。

步骤B20，检测所述相似度是否大于预设相似度；

在本实施例中，终端设备检测特征字段与预设标准字段之间的相似度是否大于预设相似度。

步骤B30，若检测到所述相似度大于所述预设相似度，则将所述特征字段替换为所述预设标准字段。

在本实施例中，终端设备若检测到特征字段与预设标准字段之间的相似度大于预设相似度，则建立特征字段与预设标准字段之间的映射关系，基于该映射关系将特征字段替换为预设标准字段。

在一可行的实施方式中，因为不同地市的运营商可能会使用不同的系统或者数据表，导致字段名称或者字段数据类型不一致。为了使这些数据能够统一处理，需要将这些不同数据源或数据表中的字段进行映射，以便进行数据清洗、关联或特征工程等操作。根据用户个人信息以及使用情况数据表、通话记录数据表、用户话单数据表,采用以下步骤设计可视化柔性配置界面，以实现数据智能化映射：步骤一，确定数据映射需求，在易访用户数据映射的场景下，需要将地市上传的易访用户数据表中的字段映射标准的易访用户数据表及字段；步骤二，设计数据映射界面，根据数据映射需求，使用流程图设计可视化界面，选择包括数据源选择、字段映射、数据预览等功能；步骤三，实现数据源选择功能，在界面中添加数据源选择功能，让用户选择需要进行数据映射的数据源或数据表；步骤四，基于自然语言处理算法引擎实现字段泛映射；步骤五，字段映射修正，在界面中添加数据预览功能，且展示泛映射字段，使用可交互的表格等控件来实现字段映射，让用户将算法映射不准确的字段从源表中拖拽到目标数据表中，实现字段映射修正；步骤六，保存映射关系，最后需要将映射关系保存下来，以便在以后的操作中使用。将映射关系保存到数据库中，方便以后使用和修改。其中，在上述步骤四中，首先对数据进行预处理，将易访用户涉及来源、目标字段内容，进行分词和词干提取，转换为可以输入到NLP(Neuro-Linguistic Programming,神经语言程序学)模型中的结构化数据，然后训练NLP模型，使用基于词向量Word2Vec。将数据源中的字段和目标系统中的字段，使用余弦相似度等方法来计算它们之间的相似性。计算源表中的每个字段和目标系统中的每个字段之间的余弦相似度，如果源表跟目标表两个字段之间的相似度超过设定的阈值，则将其映射到目标表中的相应字段，最后，映射字段，通过计算源表中每个字段与目标系统中字段的相似性，将源表中的字段映射到目标系统中的相应字段。并使用阈值来确定相似性的阈值，以确定字段是否映射到目标系统中的特定字段。需要说明的是，上述目标系统中的字段和目标表中的字段即为上述预设标准字段。

如此，本申请通过设计了一套可视化柔性配置系统，通过NLP词向量实现不同地市的运营商数据字段名称、字段数据类型自动化泛映射，实现了数据的归一化处理，保证数据的准确性。

进一步地，在一种可行的实施例中，上述步骤S10，可以包括：

步骤S101，对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行去重处理和异常值去除处理，得到第二通信数据。

在本实施例中，终端设备对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行去重处理以及异常值去除处理，得到清洗后的第二通信数据。

在一可行的实施方式中，终端设备根据具体字段的清洗规则配置自动清洗脚本，实现自动化的数据清洗功能，详细清洗方法如下表格所示：

/>

另外，部分复杂业务的自动清洗规则为：对于“入网时长_月”字段，排除掉值为负数或非数字的数据，对于数值较大的异常值可以进行缩放或截断处理；对于“宽带带宽”字段，排除掉值为空或非数字的数据，对于不在合理范围内的数值可以进行缩放或截断处理；对于“ARPU”字段，排除掉值为空或非数字的数据，对于数值较大或较小的异常值可以进行缩放或截断处理；对于“异网通话次数”和“异网通话时长”字段，排除掉值为负数或非数字的数据；对于“流量ZD”字段，排除掉值为空或非数字的数据，对于数值较大或较小的异常值可以进行缩放或截断处理；对于“对端是否为手机”字段，将值为“是”、“1”、“true”等转换为数字1，将值为“否”、“0”、“false”等转换为数字0。

步骤S20，从所述第二通信数据中提取所述待测用户的第一呼叫特征，并基于所述第一呼叫特征生成所述待测用户的第一特征数据集，其中，所述第一呼叫特征包括所述待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长；

在本实施例中，终端设备从第二通信数据中提取出待测用户的呼入特征(以下称为第一呼入特征以示区分)和外呼特征(以下称为第一外呼特征以示区分)，并基于第一呼叫特征生成待测用户的特征数据集(以下称为第一特征数据集以示区分)，其中，第一呼叫特征包括所述待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长。

在一可行的实施方式中，上述第一呼叫特征包括呼入特征和外呼特征，根据业务需求，本申请需要选择与预测目标相关的特征集，这些特征包括呼出类型、外呼时长、外呼拒接次数、外呼中断次数等，并将被用于构建预测模型。具体的，上述外呼特征包含的特征字段为：类型，表示数据类型为呼入或呼出；外呼时长，表示电话呼叫时长，数据类型为字符串；外呼拒接，表示电话呼叫外呼拒接次数，初始值为0；外呼60秒中断，表示电话呼叫在60秒内被中断次数，初始值为0；外呼60至120秒，表示电话呼叫在60秒至120秒之间被中断次数，初始值为0；外呼120秒以上，表示电话呼叫在120秒以上时长的次数，初始值为0；号码，表示电话号码；最大外呼时长，表示每个号码的最长外呼时长；外呼总次数，表示每个号码的外呼总次数；外呼拒接次数，表示每个号码的外呼拒接次数；外呼60秒中断次数，表示每个号码的外呼在60秒内被中断次数；外呼60至120秒中断次数，表示每个号码的外呼在60秒至120秒之间被中断次数；外呼120秒以上次数，表示每个号码的外呼在120秒以上时长的次数；外呼成功率，表示每个号码的外呼成功率，等于外呼120秒以上次数除以外呼总次数；外呼60秒中断率，表示每个号码的外呼60秒中断率，等于外呼60秒中断次数除以外呼总次数。同理，上述呼入特征包含的特征字段有：类型；呼入时长；呼入拒接；呼入60秒中断；呼入60至120秒；呼入120秒以上；号码；最大呼入时长；呼入总次数；呼入拒接次数；呼入60秒中断次数；呼入60至120秒中断次数；呼入120秒以上次数；呼入成功率；呼入60秒中断率。

进一步地，在一种可行的实施例中，上述步骤S20中，“基于所述第一呼叫特征生成所述待测用户的第一特征数据集”的步骤，可以包括：

步骤S201，基于预设的代码逻辑确定所述预设标准字段的赋值规则；

在本实施例中，终端设备基于预设的代码逻辑确定替换成预设标准字段的特征字段对应的赋值规则。

在一可行的实施方式中，针对每个特征字段的赋值规则为：呼叫类型，如果是呼出，则为1，否则为0；呼叫时段：如果呼叫时间在上午8点至下午6点之间，则为1，否则为0；呼叫号码前缀，如果号码前缀为400，则为1，否则为0；通话时长，如果通话时长小于10秒，则为0，否则为通话时长(以秒为单位)；通话状态，如果通话状态为已接通，则为1，否则为0；呼叫次数，如果呼叫次数小于等于3次，则为呼叫次数，否则为3；呼叫持续时间，如果呼叫持续时间小于等于30秒，则为呼叫持续时间，否则为30秒；拨号时长，如果拨号时长小于等于5秒，则为0，否则为拨号时长(以秒为单位)；呼出地区，如果呼出地区为北京市，则为1，否则为0；呼叫时间与客户注册时间差，如果呼叫时间在客户注册时间之前，则为负数，否则为呼叫时间与客户注册时间的时间差(以小时为单位)；客户行业，如果客户所属行业为金融业，则为1，否则为0；客户注册时间：将客户注册时间转换为距离现在的天数；通话次数，如果通话次数小于等于5次，则为通话次数，否则为5；通话时段，如果通话时间在上午9点至下午5点之间，则为1，否则为0；通话类型，如果通话类型为呼出，则为1，否则为0。

步骤S202，基于所述赋值规则对所述第一呼叫特征赋予代码标签，以生成所述待测用户的第一特征数据集。

在本实施例中，终端设备基于赋值规则对第二通信数据中提取出的呼入特征和外呼特征赋予代码标签，以生成包含呼入特征、外呼特征以及呼入特征和外呼特征各自的代码标签的数据集，即上述第一特征数据集。

在一可行的实施方式中，终端设备读取原始数据集，即上述第二通信数据，获取每条数据的呼叫类型、呼叫时间、呼叫号码等信息。对于呼叫类型特征，根据规则逻辑判断是否为呼出，如果是则赋值为1，否则赋值为0。对于呼叫时段特征，根据规则逻辑判断呼叫时间是否在上午8点至下午6点之间，如果是则赋值为1，否则赋值为0。对于呼叫号码前缀特征，根据规则逻辑判断号码前缀是否为400，如果是则赋值为1，否则赋值为0。对于通话时长特征，根据规则逻辑判断通话时长是否小于10秒，如果是则赋值为0，否则赋值为通话时长的秒数。对于通话状态特征，根据规则逻辑判断通话状态是否为已接通，如果是则赋值为1，否则赋值为0。然后将提取出的所有规则特征存储在新的数据集中，每个数据样本包含呼叫类型、呼叫时段、呼叫号码前缀、通话时长、通话状态等特征。

如此，本申请通过筛选呼出类型的外呼特征、统计呼入类型数据的呼入特征、根据本专利设计的规则提取对应的逻辑、从原始数据集中提取相应特征值以存储在新的数据集中，实现特征的算法特征的智能化自动提取。

步骤S30，将所述第一特征数据集输入至目标神经网络模型，以得到所述待测用户的第一易访概率得分，其中，所述目标神经网络模型为以第二易访概率得分为训练标签，以第二特征数据集为输入数据对预先自动构建的初始神经网络模型进行训练得到；

在本实施例中，终端设备将第一特征数据集输入至预先训练好的目标神经网络模型，通过该目标神经网络模型输出待测用户的易访概率得分(以下称为第一易访概率得分以示区分)，其中目标神经网络模型为以第二易访概率得分为训练标签，以第二特征数据集为输入数据对预先自动构建的初始神经网络模型进行训练得到。

在一种可行的实施方式中，终端设备利用目标神经网络模型计算待测用户的易访概率得分，具体的，通过目标神经网络模型基于输入的待测用户的呼入特征和外呼特征按照预设的模型计算逻辑，为待测用户打分，得出的易访概率得分用于表征待测用户的回访成功率，即，易访概率得分越高，待测用户的回访成功率越高。

步骤S40，在所述第一易访概率得分大于预设分值的情况下，确定所述待测用户为易访用户。

在本实施例中，终端设备在检测到待测用户的易访概率得分大于预设分值的情况下，确定待测用户为易访用户。

在一可行的实施方式中，在易访概率得分的范围为0至100时，上述预设分值可以设置为80，另外，在终端设备确定当前待测用户为易访用户之后，本申请还可以将易访用户的信息输出，具体的，本申请设计了一个简洁美观的用户界面，包含数据展示的图表和操作按钮，以及数据下载的链接或按钮；将用户易访概率得分数据传递到界面中，可以通过调用API或者直接传递数据文件的方式实现；使用数据可视化工具展示用户易访概率得分数据，可以选择合适的图表类型，如柱状图、折线图或饼图等；在界面中添加操作按钮，如筛选按钮、排序按钮或导出数据按钮等，以方便用户操作和使用数据；在界面中添加数据下载链接或按钮，地市运营商用户可以通过点击链接或按钮下载数据文件，可以选择常见的数据格式，如CSV或Exce l格式。

在另一可行的实施方式中，如图3所示，易访用户的挖掘流程示意图，首先，将电信企业各地域供应商的运营支撑系统、计费系统和呼叫中心系统映射到智能沙盒系统中，对应建立了沙盒环境下的运营支撑系统、计费系统和呼叫中心系统，然后从沙盒环境下的运营支撑系统获取基于用户的个人信息以及使用情况数据表，从沙盒环境下的计费系统获取用户的通话记录情况数据表，从沙盒环境下的呼叫中心系统获取用户的用户话单数据表，然后对获取到的各个数据表进行一体化柔性上云配置，即对各数据表中的数据进行自动化清洗、关联和算法特征配置，以基于处理后的数据进行数智化建模和调参，得到目标神经网络模型，以通过目标神经网络模型输出各用户的得分，从而确定易访用户，完成易访用户的挖掘。

在本实施例中，本申请易访用户的挖掘方法通过在沙盒环境下从沙盒数据源中获取待测用户的个人信息数据表、通话记录数据表和话单数据表；确定待测用户的个人信息数据表、通话记录数据表和话单数据表中的特征字段，并计算该特征字段与预设标准字段之间的相似度，检测特征字段与预设标准字段之间的相似度是否大于预设相似度，若检测到特征字段与预设标准字段之间的相似度大于预设相似度，则建立特征字段与预设标准字段之间的映射关系，基于该映射关系将特征字段替换为预设标准字段；基于待测用户的身份标识将待测用户的个人信息数据表、通话记录数据表和话单数据表进行关联，并生成包含个人信息数据表、通话记录数据表和话单数据表的第一通信数据；对第一通信数据进行去重处理和异常值去除处理，得到第二通信数据；从第二通信数据中提取出待测用户的第一呼叫特征，并基于预设的代码逻辑确定替换成预设标准字段的特征字段对应的赋值规则，然后基于赋值规则对第二通信数据中提取出的呼入特征和外呼特征赋予代码标签，以生成包含呼入特征、外呼特征以及呼入特征和外呼特征各自的代码标签的数据集，即上述第一特征数据集；将第一特征数据集输入至预先训练好的目标神经网络模型，通过该目标神经网络模型输出待测用户的第一易访概率得分；在检测到待测用户的易访概率得分大于预设分值的情况下，确定待测用户为易访用户。

如此，本申请通过获取获取包含了待测用户的个人信息数据表、通话记录数据表和话单数据表的通信数据，即第一通信数据，对第一通信数据进行数据清洗，得到清洗后的数据，即第二通信数据，然后从第二通信数据中提取待测用户的呼叫特征，其中，该呼叫特征为待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长，然后基于上述呼叫特征生成包特征数据集，即第一特征数据集，将该第一特征数据集作为目标神经网络模型的输入，通过该目标神经网络模型基于输入数据集输出待测用户的易访概率得分，其中，该目标神经网络模型是以易访概率得分为训练标签，以特征数据集为输入特征对预先自动构建的初始神经网络模型进行训练得到的，在该易访概率得分大于预设分值的情况下，确定当前待测用户为易访用户。如此，相比于传统用户满意度评价维度单一的易访用户挖掘方式，本申请通过对待测用户的相关通信数据进行自动化数据清洗，以保证通信数据的完整性和准确性，然后从清洗后的通信数据中提取用户与电信企业进行通话时生成的各类数据，并输入到训练好的神经网络模型中，以在多维度上提高模型的准确性和可解释性，从而提高易访用户挖掘的准确度，另外，该神经网络模型是通过对自动构建的初始神经网络模型中进行模型训练得到的，实现了模型构建的自动化，从而提高易访用户挖掘的挖掘效率。

进一步地，基于上述本申请易访用户的挖掘方法的第一实施例，提出本申请易访用户的挖掘方法的第二实施例。

在本实施例中，本申请易访用户的挖掘方法，还可以包括：

步骤C10，基于目标用户的第二特征数据集构建所述初始神经网络模型，其中，所述目标用户为已知第二易访概率得分的易访用户和不满意用户；

在本实施例中，终端设备基于目标用户的特征数据集(以下称为第二特征数据集)构建初始神经网络模型，其中，目标用户为已知的易访用户和不满意用户，且该目标用户的易访概率得分(以下称为第二易访概率得分)是已知的。

在一可行的实施方式中，终端设备从沙盒环境中的各数据源获取已知易访概率得分的相关通信数据，并对该通信数据进行数据清洗、特征字段关联以及特征提取，得到包含该目标用户的呼入特征、外呼特征以及呼入特征和外呼特征各自的代码标签的数据特征集，即上述第二特征数据集。

进一步地，在一种可行的实施例中，上述步骤C10，可以包括：

步骤C101，将目标用户的第二特征数据集中的第二呼叫特征的数量作为所述初始神经网络模型的输入层节点数量；

在本实施例中，终端设备计算目标用户的第二特征数据集中呼入特征(以下称为第二呼入特征以示区分)和外呼特征(以下称为第二外呼特征以示区分)的数量，将该数量作为初始神经网络模型的输入层节点数量。

在一可行的实施方式中，终端设备在对初始神经网络模型对网络机构进行设计时，可以根据特征数据集中的特征和目标用户的实际得分，设计输入层、隐藏层和输出层的节点数量、激活函数等。其中，输入层节点数量等于输入特征的数量。

步骤C102，将所述第二呼叫特征代入预设的第一激活函数，得到所述初始神经网络模型的隐藏层节点数量；

在本实施例中，终端设备将目标用户的第二呼叫特征代入到预设的隐藏层激活函数(以下称为第一激活函数以示区分)中，将第一激活函数的结果作为初始神经网络模型的隐藏层节点数量。

步骤C103，将所述第二呼叫特征代入预设的第二激活函数，得到所述初始神经网络模型的输出层节点数量；

在本实施例中，终端设备将目标用户的第二呼叫特征代入到预设的输出层激活函数(以下称为第二激活函数以示区分)中，将第二激活函数的结果作为初始神经网络模型的输出层节点数量。

在一可行的实施方式中，隐藏层和输出层都需要使用激活函数，由于隐藏层的特征的代码标识为正整数(比如0或者1)，所以将ReLU函数作为隐藏层的激活函数。由于输出层的特征点代码标识为实数(比如外呼成功率)，所以将s igmoid函数作为输出层的激活函数。将输入层的特征代入到隐藏层和输出层各自对应的激活函数中，即可分别得到隐藏层节点数量和输出层节点数量。

步骤C104，基于所述输入层节点数量、所述隐藏层节点数量和所述输出层节点数量，构建所述初始神经网络模型。

在本实施例中，终端设备基于输入层节点数量、隐藏层节点数量和输出层节点数量，构建初始神经网络模型。

在一可行的实施方式中，假设初始神经网络模型的输入层共10个节点，分别对应于外呼时长、外呼拒接、外呼60秒中断、外呼60至120秒、外呼120秒以上、号码、最大外呼时长_feature、外呼总次数、外呼60秒中断次数、外呼60至120秒中断次数。隐藏层共128个节点，使用ReLU作为激活函数。输出层共3个节点，分别对应于最大外呼时长_feature、外呼总次数和外呼成功率，使用ReLU和s igmoid作为激活函数。则可以根据已有的易访用户数据特征，建立模型，对新的用户数据进行预测，并输出预测结果。

在另一可行的实施方式中，终端设备将运营商数据中的用户信息输入到模型中，得到每个用户的易访概率得分，根据得分对用户进行排序，得分越高的用户易访概率越大，可以将用户根据得分分为不同的组别，例如高、中、低三个组别，以便于后续的电话外呼策略制定。

步骤C20，将所述第二特征数据集作为训练样本输入至所述初始神经网络模型，以得到所述目标用户的第三易访概率得分；

在本实施例中，终端设备将第二特征数据集作为训练样本输入至预先构建的初始神经网络模型中，通过该初始网络模型输出目标用户的易访概率得分(以下称为第三易访概率得分以示区分)。

在一可行的实施方式中，终端设备将预处理后的特征数据集作为输入，将目标输出作为标签，其中，该目标输出即目标用户的实际得分，使用神经网络算法对模型进行训练。训练过程中需要设置损失函数、优化算法、学习率等超参数，并通过交叉验证等方法进行调参。

步骤C30，基于所述初始神经网络模型的损失函数比对所述第二易访概率得分和所述第三易访概率得分，得到比对结果；

在本实施例中，终端设备基于初始神经网络模型对损失函数比对第二易访概率得分和第三易访概率得分，即比对真实值与预测值，得到比对结果。

在一可行的实施方式中，上述损失函数的公式为：

J(w)＝(-1/m)*|sum(yi*log(h(xi))+(1-yi)*log(1-h(xi)))]dw

＝(1/m)*[sum((h(xi)-yi)*xi)]

其中，J(w)表示损失函数，w表示模型参数，m表示样本数量，xi表示第i个样本的特征向量，yi表示第i个样本的标签，h(xi)表示模型对第i个样本的预测值。dw表示损失函数对w的梯度。

步骤C40，基于所述比对结果对所述初始神经网络模型的参数进行优化，以得到所述目标神经网络模型。

在本实施例中，终端设备基于真实值与预测值的比对结果对初始神经网络模型的参数进行优化，以得到最佳的目标神经网络模型。

在一可行的实施方式中，本申请可以通过前向传播或者反向传播的方式对初始神经网络模型的参数进行优化，具体的上述初始神经网络模型的前向传播公式可以表示为：

z(l+1)＝W(l)×a(l)+b(l)a(l+1)＝g(z(l+1))

其中，l表示层数，W(l)表示第l层到第l+1层的权重矩阵，a(l)表示第l层的输出向量，b(l)表示第l+1层的偏置向量，g表示激活函数，z(l+1)表示第l+1层的加权和，a(l+1)表示第l+1层的输出向量。

上述初始神经网络模型的前向传播公式可以表示为：

delta(l)＝g

＝delta(l)|

其中，delta(l)表示第l层的误差向量，g'(z(l))表示激活函数g的导数，⊙表示元素乘积，dW(l)表示第l层到第l+1层的权重矩阵的梯度，db(l)表示第l+1层的偏置向量的梯度。本申请将训练好的模型用于预测新的数据，根据模型输出的结果进行决策、优化和改进。

在一可行的实施方式中，如图4所示，挖掘算法架构示意图，总共包括9个功能模块，其中，数据源功能模块用于确定影响用户回访成功率的用户通信数据所在的数据源；智能沙盒机制功能模块用于限制不同用户对不同敏感数据的访问权限；数据接入功能模块用于进行数据采集、数据传输和数据入库；柔性上云配置功能模块用于建立各地域数据源中的特征字段与标准字段之间的映射关系；数据自动清洗功能模块用于对从数据源获取的数据进行去重和异常值去除处理；数据自动关联功能模块用于关联同一用户的各个数据表；特征算法建立功能模块用于将数据表中的特征赋予代码标签；数智化建模和调参功能模块用于建立初始神经网络模型并调整模型参数，以得到最优模型；易访用户输出功能模块用于输出易访用户。

在本实施例中，本申请易访用户的挖掘方法通过计算目标用户的第二特征数据集中第二呼叫特征的数量，将该数量作为初始神经网络模型的输入层节点数量；将目标用户的第二呼叫特征代入到预设的第一激活函数中，将第一激活函数的结果作为初始神经网络模型的隐藏层节点数量；将目标用户的第二呼叫特征代入到预设的第二激活函数中，将第二激活函数的结果作为初始神经网络模型的输出层节点数量；基于输入层节点数量、隐藏层节点数量和输出层节点数量，构建初始神经网络模型；将第二特征数据集作为训练样本输入至预先构建的初始神经网络模型中，通过该初始网络模型输出目标用户的第三易访概率得分；基于初始神经网络模型对损失函数比对第二易访概率得分和第三易访概率得分，即比对真实值与预测值，得到比对结果；基于真实值与预测值的比对结果对初始神经网络模型的参数进行优化，以得到最佳的目标神经网络模型。

如此，本申请设计了神经网络结构，根据已有的易方用户数据特征智能化模型，对新的用户数据进行预测，并输出易访满意度用户的结果。实现移动运营商易访用户的高效挖掘，而且整套流程可视化、易操作。

此外，本申请实施例还提供一种易访用户的挖掘装置。

请参照图5，图5为本申请易访用户的挖掘装置一实施例的功能模块示意图，如图5所示，本申请易访用户的挖掘装置包括：

数据清洗模块10，用于对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行数据清洗，得到第二通信数据；

特征提取模块20，用于从所述第二通信数据中提取所述待测用户的第一呼叫特征，并基于所述第一呼叫特征生成所述待测用户的第一特征数据集，其中，所述第一呼叫特征包括所述待测用户与电信企业进行通话时的呼叫类型、呼叫时段、呼叫号码和通话时长；

模型计算模块30，用于将所述第一特征数据集输入至目标神经网络模型，以得到所述待测用户的第一易访概率得分，其中，所述目标神经网络模型为以第二易访概率得分为训练标签，以第二特征数据集为输入数据对预先自动构建的初始神经网络模型进行训练得到；

确定模块40，用于在所述第一易访概率得分大于预设分值的情况下，确定所述待测用户为易访用户。

进一步地，本申请易访用户的挖掘装置，还包括：

获取模块，用于获取待测用户的个人信息数据表、通话记录数据表和话单数据表；

数据关联模块，用于基于所述待测用户的身份标识将所述个人信息数据表、通话记录数据表和话单数据表进行关联，以生成包含所述个人信息数据表、所述通话记录数据表和所述话单数据表的第一通信数据。

进一步地，本申请易访用户的挖掘装置，还包括：

相似度计算模块，用于确定所述个人信息数据表、所述通话记录数据表和所述话单数据表中的特征字段，并计算所述特征字段与预设标准字段之间的相似度；

检测模块，用于检测所述相似度是否大于预设相似度；

字段替换模块，用于若检测到所述相似度大于所述预设相似度，则将所述特征字段替换为所述预设标准字段。

进一步地，特征提取模块20，包括：

规则确定单元，用于基于预设的代码逻辑确定所述预设标准字段的赋值规则；

赋值单元，用于基于所述赋值规则对所述第一呼叫特征赋予代码标签，以生成所述待测用户的第一特征数据集。

进一步地，数据清洗模块10，包括：

数据清洗单元，用于对包含待测用户的个人信息数据表、通话记录数据表和话单数据表的第一通信数据进行去重处理和异常值去除处理，得到第二通信数据。

进一步地，本申请易访用户的挖掘装置，还包括：

模型构建模块，用于基于目标用户的第二特征数据集构建所述初始神经网络模型，其中，所述目标用户为已知第二易访概率得分的易访用户和不满意用户；

输入模块，用于将所述第二特征数据集作为训练样本输入至所述初始神经网络模型，以得到所述目标用户的第三易访概率得分；

比对模块，用于基于所述初始神经网络模型的损失函数比对所述第二易访概率得分和所述第三易访概率得分，得到比对结果；

优化模块，用于基于所述比对结果对所述初始神经网络模型的参数进行优化，以得到所述目标神经网络模型。

进一步地，模型构建模块，包括：

第一设置单元，用于将目标用户的第二特征数据集中的第二呼叫特征的数量作为所述初始神经网络模型的输入层节点数量；

第二设置单元，用于将所述第二呼叫特征代入预设的第一激活函数，得到所述初始神经网络模型的隐藏层节点数量；

第三设置单元，用于将所述第二呼叫特征代入预设的第二激活函数，得到所述初始神经网络模型的输出层节点数量；

模型构建单元，用于基于所述输入层节点数量、所述隐藏层节点数量和所述输出层节点数量，构建所述初始神经网络模型。

本申请还提供一种计算机存储介质，该计算机存储介质上存储有易访用户的挖掘程序，上述易访用户的挖掘程序被处理器执行时实现如以上任一项实施例所述的易访用户的挖掘程序方法的步骤。

本申请计算机存储介质的具体实施例与上述本申请易访用户的挖掘程序方法各实施例基本相同，在此不作赘述。

本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如以上任一项实施例所述的本申请易访用户的挖掘方法的步骤，在此不作赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是TWS耳机等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。