一种影响用户留存的特征评估方法及装置
文献发布时间:2023-06-19 10:41:48
技术领域
本申请实施例涉及数据处理技术,尤其涉及一种影响用户留存的特征评估方法及装置。
背景技术
在互联网行业中,用户在某段时间内开始使用应用,经过一段时间后,仍然继续使用应用的被认作是留存,这部分用户占当时新增用户的比例即是留存率。留存的概念可以用来分析应用或者网站的服务效果,判断应用或者网站是否能够留住用户。留存率反映的实际上是一种转化率,即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。在一般情况下,如果平台方不采取增加留存率的行动,新用户的留存率会处于一个比较低的水平。因此,平台方需要采取针对性的措施来增加用户的留存率。
发明内容
本申请提供一种影响用户留存的特征评估方法及装置,以评估出影响用户留存的关键因素,从而采取针对性的措施来增加用户的留存率。
第一方面,本申请实施例提供了一种影响用户留存的特征评估方法,所述方法包括:
根据多个指定特征变量,采集当前平台中各账户的对应的指定特征值;
获取各账户的留存信息,所述留存信息用于反映当前账户是否为留存账户;
根据采集的所述指定特征值,确定干预变量;
结合所述留存信息采用因果推断算法,确定所述干预变量对用户留存的因果效应。
第二方面,本申请实施例还提供了一种影响用户留存的特征评估装置,所述装置包括:
指定特征值采集模块,用于根据多个指定特征变量,采集当前平台中各账户的对应的指定特征值;
留存信息获取模块,用于获取各账户的留存信息,所述留存信息用于反映当前账户是否为留存账户;
干预变量确定模块,用于根据采集的所述指定特征值,确定干预变量;
因果效应确定模块,用于结合所述留存信息采用因果推断算法,确定所述干预变量对用户留存的因果效应。
第三方面,本申请实施例还提供了一种电子设备,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,所述处理器执行所述程序时实现上述的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法。
本申请具有如下有益效果:
在本实施例中,当从历史数据中采集到当前平台中各账户的对应的指定特征值以及各账户的留存信息以后,可以采用因果推断算法,确定单一特征对用户留存的因果效应,并根据各特征对用户留存的因果效应找到影响用户留存的关键因素,通过这些关键因素来辅助平台方进行针对性运营,可以提高用户的留存率。
附图说明
图1是本申请实施例一提供的一种影响用户留存的特征评估方法实施例的流程图;
图2是本申请实施例一提供的一种确定干预变量对用户留存的因果效应的方法实施例的流程图;
图3是本申请实施例二提供的一种影响用户留存的特征评估装置实施例的结构框图;
图4是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例一提供的一种影响用户留存的特征评估方法实施例的流程图,本实施例可以应用于服务器中,具体可以包括如下步骤:
步骤110,根据多个指定特征变量,采集当前平台中各账户的对应的指定特征值。
在一种实施方式中,指定特征变量可以为平台方根据先验知识指定的、对用户留存有一定影响的特征变量,也可以是根据实际的业务需求设定的特征变量,本实施例对此不作限制。
例如,针对直播平台而言,指定特征变量可以包括但不限于:语言特征、国家特征、注册特征、年龄特征、性别特征、设备信息、运营商信息、网络信息等。其中,语言特征用于描述用户的使用语言;国家特征用于描述用户注册资料上的国家(地区)信息;注册特征用于描述用户是否注册;年龄特征用于描述用户的年龄;性别特征用于描述用户的性别信息;设备信息用于描述用户使用的终端型号(如手机型号);运营商信息用于描述用户使用的网络的运营商信息;网络信息用于描述用户经常使用的网络类型。
根据指定特征变量,可以从历史数据中采集当前平台中各账户对应的指定特征值。例如,对应于语言特征的特征值可以包括汉语、英语、法语、德语、阿拉伯语等;对应于国家特征的特征值可以包括中国、美国、英国、德国、俄罗斯等;对应于注册特征的特征值可以包括注册、访客等;对应于年龄特征的特征值可以包括成年、未成年等;对应于性别特征的特征值可以包括男性、女性等;对应于设备信息的特征值可以包括具体的设备型号;对应于运营商信息的特征值可以包括移动、联通、电信等具体的运营商;对应于网络信息的特征值可以包括2g-4g、WI-FI等。
在一种实施例中,当采集到当前平台中各账户的一系列的指定特征值以后,可以将这些指定特征值组成特征矩阵,例如,特征矩阵可以用X表示,X的维度可以是dimX=(n,p),其中,n是当前平台中的账户的数量,p是单个账户的指定特征值的数量,可以采用p
为了便于后续的拟合,在一种示例中,可以将指定特征变量的取值(即指定特征值)采用数值0或1来表达,例如,在进行数据采集时,可以以选项或列表的形式确定指定特征值,比如,若指定特征变量为语言特征,则在语言特征下可以包括多个语言候选项,各个候选项中包括“是”和“否”两种选项,当选定为“是”时,则对应的指定特征值为“1”;当选定为“否”时,则对应的指定特征值为“0”。
步骤120,获取各账户的留存信息,所述留存信息用于反映当前账户是否为留存账户。
在实际中,平台方可以根据实际业务需求或者根据经验来定义用户留存判断规则,从而可以根据该留存判断规则来确定各账户的留存信息,即判断各账户是否为留存账户。例如,若留存判断规则的设定可以是设定一个时间段,如果账户注册后,在该时间段内没有登录记录,则判定为该账户为流失账户,否则,如果该账户在该时间段内有登录记录,则判定该账户为留存账户。比如,如果某个账户在注册后15天内没有登录,则判定该账户没有留存。
在一种示例中,留存信息可以用y表示,y的取值可以为数值0或1,如果y
步骤130,根据采集的所述指定特征值,确定干预变量。
本实施例的目标是从历史数据中分析出任一单一变量对留存提高的影响,而该单一变量就是本实施例所言的干预变量,又称为主要变量,即所关心的(即需要探究的)、对目标效用(即用户留存)有影响的变量。
干预变量可以用T表示,其取值可以为0或1,当T=1时代表“接受干预”,当T=0时代表“不接受干预”。
在一种实施方式中,步骤130进一步可以包括如下步骤:
从所述多个指定特征变量中确定目标指定特征变量;从所述目标指定特征变量对应的一个或多个指定特征值中确定一个目标指定特征值,生成干预变量。
在该步骤中,干预变量与指定特征变量并不是一个等价的关系,干预变量可以根据某一个指定特征变量中的一个特征取值生成。在本实施例中,目标指定特征变量为所关心的指定特征变量,目标指定特征值为该目标指定特征变量的所有指定特征值中的其中一个。
例如,假设目标指定特征变量p
T
T
步骤140,结合所述留存信息采用因果推断算法,确定所述干预变量对用户留存的因果效应。
在本实施例中,将用户留存作为目标效用变量U,根据因果推断算法来确定当前所关心的干预变量T对目标效用变量U的因果效应,即,干预变量T的变化对目标效用变量U的影响程度。
在一种实施方式中,如图2所示,步骤140进一步可以包括如下步骤:
步骤140-1,根据所述干预变量,获取接受干预的账户对应的第一观测变量值,以及,获取不接受干预的账户对应的第二观测变量值。
在该步骤中,当确定干预变量T以后,可以根据该干预变量判断当前平台的各个账户在真实情况下属于接受干预的账户还是不接受干预的账户。接受干预的账户就是满足T=1的账户,不接受干预的账户就是满足T=0的账户。例如,若T为“是否说汉语(1代表说汉语,0代表不说汉语)”,接受干预的账户就是说汉语的账户(T=1),不接受干预的账户就是不说汉语的账户(T=0)。
各账户的观测变量值(包括第一观测变量值以及第二观测变量值)可以理解为在真实情况下,各账户对应于目标效用变量的变量值,在本实施例中,是“用户留存”的这个目标效用变量的变量值,即“是否留存”。例如,对于T
步骤140-2,确定所述接受干预的账户在不接受干预情况下的第一预测变量值,以及,确定所述不接受干预的账户在接受干预情况下的第二预测变量值。
在一种实施例中,本实施例的因果推断算法是基于Rubin框架下的算法,因果推断的思路和“反事实推理”有着紧密的联系,对于某个接受干预的账户(T=1)来说,该干预对于目标效用变量的因果效应与该账户在未接受干预(T=0)下目标效用变量的取值相关。反之亦然,对于某个不接受干预的账户(T=0)来说,该干预对于目标效用变量的因果效应与该账户在接受干预(T=1)下目标效用变量的取值相关,这样可以排除其变量的干扰。但是,在实际中,对于单个账户而言,通常只能观测到真实发生的其接受干预或者不接受干预的其中一个,而不能同时观测到两者。因此,在本步骤中,可以对不能观测到的另一种情况进行预测,得到对应的预测变量值。
具体的,对于接受干预的账户而言,能观测到的真实情况是其接受干预时的目标效用变量值,即对于其不接受干预的反事实情况是观测不到的,因此可以预测该账户在不接受干预情况下的目标效用变量值(即第一预测变量值)。相应地,对于不接受干预的账户而言,能观测到的真实情况是其不接受干预时的目标效用变量值,即对于其接受干预的情况是观测不到的,因此可以预测该账户在接受干预情况下的目标效用变量值(即第二预测变量值)。
在一种实施方式中,可以采用机器模型来模拟反事实推理,得到第一预测变量值以及第二预测变量值,则步骤140-2进一步可以包括如下步骤:
步骤140-2-1,将所有接受干预的账户组织成实验样本集合,以及,将所有不接受干预的账户组织成对照样本集合。
在该实施例中,可以将接受干预的账户(T
在一种示例中,实验样本集合中除了可以包括接受干预的账户以外,还可以包括各接受干预的账户对应的指定特征值以及留存信息。相似的,实验样本集合中除了可以包括不接受干预的账户以外,还可以包括各不接受干预的账户对应的指定特征值以及留存信息。
步骤140-2-2,根据所述实验样本集合训练第一机器模型,以及,根据所述对照样本集合训练第二机器模型。
在该步骤中,实验样本集合用于训练第一机器模型,对照样本集合用于训练第二机器模型。
在一种实施方式中,第一机器模型可以采用如下方式得到:
根据所述干预变量,从协变量中选定目标协变量,所述协变量包括:所述指定特征变量中除所述干预变量对应的指定特征变量以外的、其他指定特征变量;基于所述实验样本集合中各账户的目标协变量对应的变量值以及该账户的留存信息,采用预设的机器学习算法训练第一机器模型。
具体的,实验样本集合中可以包括干预变量以及协变量及对应的变量值。协变量是为了干预变量有因果效应解释而引入的,希望引入之后,非混杂性假设成立。协变量是指除了干预变量和目标效用变量外、和研究相关的变量。在本实施例中,协变量可以包括:指定特征变量中除干预变量对应的指定特征变量以外的、其他指定特征变量。也可以理解为,特征矩阵X可以分为干预变量和协变量,即
在实际中,当前干预变量对应的目标指定特征变量中,除目标指定特征值以外的其他指定特征值生成的变量也属于协变量。例如,若T
当确定协变量以后,可以从中选取一个协变量作为目标协变量,对于实验样本集合,可以将该集合中各账户的目标协变量对应的变量值以及该账户的留存信息作为样本数据,采用预设的机器学习算法训练对应于所述目标协变量的第一机器模型,训练的目标是在给定目标协变量的情况下,通过学习各账户的目标协变量对应的变量值与该账户的留存信息的关联关系,估计干预变量在接受干预情况下的目标变量值。
在其他实施例中,目标协变量也可以不止一个,而是多个,或者全部的协变量,具体可以根据实际业务需求来确定训练目标,本实施例对此不作限定。
在一种例子中,预设的机器学习算法可以包括有监督学习方法,例如线性回归、随机森林、支持向量机、XGBOOST等。
对于第二机器模型的训练方法,与第一机器模型的训练方法是类似的,对于对照样本集合,可以将该集合中各账户的目标协变量对应的变量值以及该账户的留存信息作为样本数据,采用预设的机器学习算法训练第二机器模型,训练的目标是在给定目标协变量的情况下,通过学习各账户的目标协变量对应的变量值与该账户的留存信息的关联关系,估计干预变量在不接受干预情况下的目标变量值。
在本实施例中,第一机器模型用于在给定目标协变量时,估计账户在接受干预的情况下的目标变量值,在一种示例中,第一机器模型可以定义为:μ
第二机器模型用于在给定目标协变量时,估计账户在不接受干预的情况下的目标变量值,在一种示例中,第二机器模型可以定义为:μ
步骤140-2-3,采用所述第二机器模型预测所述实验样本集合中各账户在不接受干预情况下的第一预测变量值。
在该步骤中,对于实验样本集合来说,各样本在接受干预情况下的目标变量值是可观测的,而各样本在不接受干预情况下的目标变量值是缺失的,因此,本实施例可以采用第二机器模型来预测实验样本集合中各账户在给定目标协变量的情况下、不接受干预的第一预测变量值。具体的,可以分别将实验样本集合中各账户的目标协变量的变量值输入至第二机器模型,由第二机器模型进行预测处理,输出各账户对应的第一预测变量值。
步骤140-2-4,采用所述第一机器模型预测所述对照样本集合中各账户在接受干预情况下的第二预测变量值。
在该步骤中,对于对照样本集合来说,各样本在不接受干预情况下的目标变量值是可观测的,而各样本在接受干预情况下的目标变量值是缺失的,因此,本实施例可以采用第一机器模型来预测对照样本集合中各账户在给定目标协变量的情况下、接受干预的第二预测变量值。具体的,可以分别将对照样本集合中各账户的目标协变量的变量值输入至第一机器模型,由第一机器模型进行预测处理,输出各账户对应的第二预测变量值。
在一种实施例中,当第二机器模型预测得到实验样本集合中各账户在不接受干预情况下的第一预测变量值,以及,第一机器模型预测得到对照样本集合中各账户在接受干预情况下的第二预测变量值以后,为了便于数据的拟合,减少模型输出数据的误差,可以对第一预测变量值以及第二预测变量值进行误差处理,例如,分别为第一预测变量值以及第二预测变量值添加对应的误差项。则接受干预的账户在不接受干预情况下的第一预测变量值可以表示为:U(0)=μ
步骤140-3,根据所述第一观测变量值以及所述第一预测变量值,确定所述接受干预的账户的第一因果效应。
在该步骤中,当获得实验样本集合中各实验样本在接受干预与不接受干预两种情况的目标变量值(即第一观测变量值以及第一预测变量值)以后,可以计算这两种情况下目标变量值的差异,这个差异可以作为在给定目标协变量时,该样本的干预变量对目标效用变量的因果效应。在本实施例中,就是计算当前账户的第一观测变量值与第一预测变量值的差值,作为第一因果效应。
例如,各实验样本的第一因果效应可以表示为:
在其他实施例中,第一因果效应还可以表示为计算当前账户的第一观测变量值与第一预测变量值的差值的期望,即E[D
步骤140-4,根据所述第二观测变量值以及所述第二预测变量值,确定所述不接受干预的账户的第二因果效应。
在该步骤中,当获得对照样本集合中各对照样本在接受干预与不接受干预两种情况的目标变量值(即第二预测变量值以及第二观测变量值)以后,可以计算这两种情况下目标变量值的差异,这个差异可以作为在给定目标协变量时,该样本的干预变量对目标效用变量的因果效应。在本实施例中,就是计算当前账户的第二预测变量值与第二观测变量值的差值,作为第二因果效应。
例如,各对照样本的第二因果效应可以表示为:
在其他实施例中,第二因果效应还可以表示为计算当前账户的第二观测变量值与第二预测变量值的差值的期望,即E[D
步骤140-5,根据各账户的第一因果效应或第二因果效应,确定所述干预变量对用户留存的因果效应。
当各个账户的第一因果效应或第二因果效应确定下来以后,则可以结合各个账户的第一因果效应或第二因果效应确定干预变量对用户留存的因果效应。
在一种实施方式中,步骤140-5进一步可以包括如下步骤:
步骤140-5-1,计算所有第一因果效应的平均值,作为所述实验样本集合的第一平均因果效应。
在该步骤中,当获得实验样本集合中各样本(即接受干预的账户)的第一因果效应以后,则可以计算实验样本集合中各样本的第一因果效应的平均值,作为该实验样本集合在给定目标协变量的情况下的第一平均因果效应,该第一平均因果效应可以理解为在给定目标协变量时T=1对U的平均因果效应。
步骤140-5-2,计算所有第二因果效应的平均值,作为所述对照样本集合的第二平均因果效应。
在该步骤中,当获得对照样本集合中各样本(即不接受干预的账户)的第二因果效应以后,则可以计算对照样本集合中各样本的第二因果效应的平均值,作为该对照样本集合在给定目标协变量的情况下的第二平均因果效应,该第二平均因果效应可以理解为在给定目标协变量时T=0对U的平均因果效应。
需要说明的是,在步骤140-5-1及步骤140-5-2中,是通过计算集合中的因果效应的平均值来确定平均因果效应的,在其他实施例中,也可以通过计算集合中的因果效应的平均期望来确定平均因果效应,本实施例对此不作限制。
步骤140-5-3,确定倾向值,所述倾向值用于反映给定目标协变量的情况下,用户接受干预的概率。
在该实施例中,倾向值也可以称为账户接受干预的概率,其可以定义为e(x)=P(T=1|X=x),即,在真实场景下,当给定目标协变量X=x时,预测用户接受干预的概率,并且,T在给定X=x的情况下服务参数e(x)的伯努利分布,也就是T~Bern(e(X))。
在一种实施方式中,可以采用如下方式确定倾向值:
将所述目标协变量的变量值输入至已训练的概率模型中,由所述概率模型输出在所述目标协变量下预测的用户接受干预的概率,作为倾向值。
在该实施例中,可以预先训练概率模型,该概率模型的训练目标是预测给定目标协变量时接受干预的概率。然后可以将当前的目标协变量的变量值输入至该概率模型中,并获取概率模型输出的概率值作为倾向值。
步骤140-5-4,以所述倾向值作为权重,对所述第一平均因果效应以及所述第二平均因果效应进行加权计算,获得在给定目标协变量下所述干预变量对用户留存的因果效应。
在该步骤中,得到倾向值以后,可以以倾向值为权重,对第一平均因果效应以及第二平均因果效应进行加权计算,得到在给定目标协变量下当前干预变量对用户留存的因果效应,可以采用如下公式表示:
τ(x)=e(x)τ
其中,e(x)为倾向值,τ
在一种实施方式中,如果指定了多个目标协变量,即在目标协变量有多个的情况下,步骤140-5还可以包括如下步骤:
计算各目标协变量对应的因果效应的平均期望,获得所述干预变量对用户留存的因果效应。
在该实施例中,如果目标协变量有多个,若要确定当前干预变量对用户留存的因果效应,则可以对该多个目标协变量对应的因果效应作平均期望计算,最后得到干预变量对用户留存的因果效应。在一种实施方式中,当
干预变量有多个时,本实施例还可以包括如下步骤:
根据各干预变量对用户留存的因果效应,选取因果效应最大的干预变量,作为影响用户留存的关键因素。
在该实施例中,当指定有多个干预变量时,在获得每个干预变量对用户留存的因果效应以后,可以按照因果效应的大小对多个干预变量进行排序,排序的结果可以输入至后续的匹配算法中用来帮助计算总效用,也可以为人工匹配提供依据。
进一步的,还可以根据排序的结果从中筛选出因果效应最大的一个或多个干预变量,作为对用户留存影响最大的关键因素,从而可以根据该筛选出的干预变量制定针对性的运营策略,以提高用户的留存率。
在本实施例中,当从历史数据中采集到当前平台中各账户的对应的指定特征值以及各账户的留存信息以后,可以采用因果推断算法,确定单一特征对用户留存的因果效应,并根据各特征对用户留存的因果效应找到影响用户留存的关键因素,通过这些关键因素来辅助平台方进行针对性运营,可以提高用户的留存率。
实施例二
图3为本申请实施例二提供的一种影响用户留存的特征评估装置实施例的结构框图,可以包括如下模块:
指定特征值采集模块310,用于根据多个指定特征变量,采集当前平台中各账户的对应的指定特征值;
留存信息获取模块320,用于获取各账户的留存信息,所述留存信息用于反映当前账户是否为留存账户;
干预变量确定模块330,用于根据采集的所述指定特征值,确定干预变量;
因果效应确定模块340,用于结合所述留存信息采用因果推断算法,确定所述干预变量对用户留存的因果效应。
在一种实施方式中,干预变量确定模块330具体用于:
从所述多个指定特征变量中确定目标指定特征变量;
从所述目标指定特征变量对应的一个或多个指定特征值中确定一个目标指定特征值,生成干预变量。
在一种实施方式中,因果效应确定模块340进一步可以包括如下子模块:
观测变量值获取子模块,用于根据所述干预变量,获取接受干预的账户对应的第一观测变量值,以及,获取不接受干预的账户对应的第二观测变量值;
预测变量值确定子模块,用于确定所述接受干预的账户在不接受干预情况下的第一预测变量值,以及,确定所述不接受干预的账户在接受干预情况下的第二预测变量值;
第一因果效应确定子模块,用于根据所述第一观测变量值以及所述第一预测变量值,确定所述接受干预的账户的第一因果效应;
第二因果效应确定子模块,用于根据所述第二观测变量值以及所述第二预测变量值,确定所述不接受干预的账户的第二因果效应;
用户留存因果效应确定子模块,用于根据各账户的第一因果效应或第二因果效应,确定所述干预变量对用户留存的因果效应。
在一种实施方式中,所述预测变量值确定子模块进一步可以包括如下单元:
样本集合组织单元,用于将所有接受干预的账户组织成实验样本集合,以及,将所有不接受干预的账户组织成对照样本集合;
模型训练单元,用于根据所述实验样本集合训练第一机器模型,以及,根据所述对照样本集合训练第二机器模型;
模型预测单元,用于采用所述第二机器模型预测所述实验样本集合中各账户在不接受干预情况下的第一预测变量值;以及,采用所述第一机器模型预测所述对照样本集合中各账户在接受干预情况下的第二预测变量值。
在一种实施方式中,所述模型训练单元具体用于:
根据所述干预变量,从协变量中选定目标协变量,所述协变量包括:所述指定特征变量中除所述干预变量对应的指定特征变量以外的、其他指定特征变量;
基于所述实验样本集合中各账户的目标协变量对应的变量值以及该账户的留存信息,采用预设的机器学习算法训练第一机器模型。
在一种实施方式中,所述第一因果效应确定子模块具体用于:
计算所述第一观测变量值与所述第一预测变量值的差值,作为所述第一因果效应。
在一种实施方式中,所述用户留存因果效应确定子模块进一步可以包括如下单元:
第一平均因果效应计算单元,用于计算所有第一因果效应的平均值,作为所述实验样本集合的第一平均因果效应;
第二平均因果效应计算单元,用于计算所有第二因果效应的平均值,作为所述对照样本集合的第二平均因果效应;
倾向值确定单元,用于确定倾向值,所述倾向值用于反映给定目标协变量的情况下,用户接受干预的概率;
加权计算单元,用于以所述倾向值作为权重,对所述第一平均因果效应以及所述第二平均因果效应进行加权计算,获得在给定目标协变量下所述干预变量对用户留存的因果效应。
在一种实施方式中,所述倾向值确定单元具体用于:
将所述目标协变量的变量值输入至已训练的概率模型中,由所述概率模型输出在所述目标协变量下预测的用户接受干预的概率,作为倾向值。
在一种实施方式中,若所述目标协变量有多个,则所述用户留存因果效应确定子模块还用于:
计算各目标协变量对应的因果效应的平均期望,获得所述干预变量对用户留存的因果效应。
在一种实施方式中,当所述干预变量有多个时,所述装置还可以包括如下模块:
关键因素确定模块,用于根据各干预变量对用户留存的因果效应,选取因果效应最大的干预变量,作为影响用户留存的关键因素。
需要说明的是,本申请实施例所提供的上述影响用户留存的特征评估装置可执行本申请实施例一所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
图4为本申请实施例三提供的一种电子设备的结构示意图,如图4所示,该电子设备包括处理器410、存储器420、输入装置430和输出装置440;电子设备中处理器410的数量可以是一个或多个,图4中以一个处理器410为例;电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的方法。
存储器420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;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例四
本申请实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由服务器的处理器执行时用于执行实施例一中任一实施例中的方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本申请各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
- 一种影响用户留存的特征评估方法及装置
- 一种电力用户停电影响评估方法、装置及存储介质