一种客户筛选方法、装置、电子设备和存储介质

技术领域

本申请涉及金融科技技术领域，具体而言，涉及一种客户筛选方法、装置、电子设备和存储介质。

背景技术

金融业务场景客群营销的关键点在于针对不同金融产品或活动，结合不同的渠道和位置，找到最适合的目标受众客群。

目前针对不同的金融业务进行客户筛选的过程中，大多采用人工筛选的方式或单一指标进行自动筛选。

近年来随着机器学习以及数据挖掘技术的发展，大量机器学习模型被应用于金融科技技术领域用于目标客户筛选。但是，目前的模型应用过程中并没有充分考虑金融领域的用户和其他领域的用户的不同之处，导致筛选效率较低。

发明内容

本申请实施例的目的在于提供一种客户筛选方法，能够充分利用银行用户的历史数据，结合机器学习模型对用户历史数据中的行为数据进行挖掘，筛选出银行业务的目标用户。

本申请实施例提供了一种客户筛选方法，包括：

构建相似度评分预测模型；

获取多个用户对多个目标链接的行为数据，所述行为数据包括：点击数据和关注数据；

获取用户的浏览数据；

根据用户的浏览数据生成用户的浏览行为模式；

获取多个用户的多个目标链接的偏好数据；

根据所述多个用户的行为数据和偏好数据生成多个用户的行为序列；

将所述多个用户的行为序列输入相似度评分预测模型，获取多个用户的相似度评分；

根据所述多个用户的相似度评分在所述多个用户中确定目标客户。

在上述实现过程中，与现有技术不同的是，本申请实施例获取的是用户的行为数据、浏览行为模式和偏好数据，基于行为数据、浏览行为模式和偏好数据生成每个用户的行为序列，将行为序列输入相似度评分预测模型，基于相似度评分预测模型的输出效果判断用户是否是目标客户。行为数据包括了用户具体的行为，能够反映客户对某一业务或者产品的感兴趣程度，通过利用相似度评分预测模型对行为数据进行分析，能够在银行的多个潜在客户中筛选出某一业务的目标客户。提高了客群经营中目标客群的精准度，有效解决了高价值长尾客群的转化问题，降低了业务人员的运营成本，使得客户能够接收到最感兴趣的活动和产品信息，降低了客户的反感度，提高了客户的黏性与忠诚度。该优化方案最大程度的帮助运营人员解决了产品活动与客群适配的问题，提高了产品的购买与活动营收，实现了产能的提高。

进一步地，所述获取多个用户对多个目标链接的行为数据，包括：

获取多个用户对多个第一目标链接的点击数据；

获取多个用户对多个第二目标链接的关注数据。

在上述实现过程中，行为数据包括，不同的链接具有不同的功能，用于面对用户不同的需求，因此，通过对用户行为以及模型研究分析，用户的行为数据主要包括点击数据和关注数据，获取多个用户对多个目标链接的行为数据包括多个用户对第一目标链接的点击数据和多个用户对第二目标链接的关注数据。通过对用户行为数据的充分挖掘并应用于模型上，从用户中筛选出目标客户。

进一步地，所述根据所述多个用户的行为数据、所述浏览行为模式和偏好数据生成行为序列，包括：

根据所述多个用户的点击数据生成第一行为序列；

根据所述多个用户的关注数据生成第二行为序列；

根据所述多个用户的浏览行为模式生成第三行为序列；

根据所述多个用户的偏好数据生成第四行为序列；

根据所述第一行为序列、所述第二行为序列、所述第三行为序列和第四行为序列生成每个用户的行为序列。

在上述实现过程中，行为数据具有多种，不同种类的行为均在不同的程度上反映了潜在用户在某个业务的感兴趣程度，分别将用户的不同的行为数据、浏览行为模式和偏好数据生成对应的行为序列，再根据行为序列生成每个用户的行为序，从而能够在多个潜在客户中筛选出目标客户。

进一步地，所述将所述多个用户的行为序列输入相似度评分预测模型，获取多个用户的相似度评分，包括：

获取每个用户的画像、每个用户的统计指标特征；

将每个用户的行为序列、每个用户的画像和每个用户的统计指标特征输入所述相似度评分预测模型，得到所述每个用户的相似度评分。

在上述实现过程中，通过将每个用户的行为序列、每个用户的画像和每个用户的统计指标特征输入所述相似度评分预测模型，对用户的数据进行充分挖掘，从而得到目标客户。

进一步地，所述构建相似度评分预测模型，包括：

获取分类模型；

将具有第三行为数据的用户行为序列作为正样本，将具有具有第四行为数据的用户的行为序列作为负样本对分类模型进行训练，得到所述相似度评分预测模型。

在上述实现过程中，通过将已成交客户作为正样本，将非已成交客户作为负样本对分类模型进行训练，使得训练后的相似度评分预测模型具有在潜在客户中筛选目标客户的能力。

进一步地，所述获取多个用户对多个目标链接的行为数据，包括：

获取每个用户的行为数据的发生时间；

根据每个用户的行为数据发生时间生成每个用户的行为序列。

在上述实现过程中，通过对数据进行挖掘，将不同的行为数据的作为考虑因素，根据每个用户的行为数据发生时间生成每个用户的行为序列，每个用户的行为序列隐含包括了用户执行不同动作的时间，将该行为数据输入相似度评分预测模型，能够对潜在用户进行精准挖掘。

进一步地，所述根据所述第一行为序列、所述第二行为序列、所述第三行为序列和第四行为序列生成每个用户的行为序列，包括：

获取第一行为序列的权重、第二行为序列的权重、第三行为序列的权重和第四行为序列的权重；

根据所述第一行为序列的权重、第二行为序列的权重、第三行为序列的权重、第四行为序列的权重、第一行为序列、第二行为序列、第三行为序列和第四行为序列生成每个用户的行为序列。

在上述实现过程中，行为数据具有多种，不同种类的行为均在不同的程度上反映了潜在用户在某个业务的感兴趣程度，分别根据用户的不同的行为数据、浏览行为模式和偏好数据及其对应的权重生成对应的行为序列，再根据行为序列生成每个用户的行为序列，从而能够在多个潜在客户中筛选出目标客户。

第二方面，本申请实施例提供一种客户筛选装置，包括：

模型构建模块，用于构建相似度评分预测模型；

行为数据获取模块，用于获取多个用户对多个目标链接的行为数据，所述行为数据包括：点击数据和关注数据；

浏览数据获取模块，用于获取用户的浏览数据；

行为模块获取模块，用于根据用户的浏览数据生成用户的浏览行为模式；

偏好数据获取模块，用于获取多个用户的多个目标链接的偏好数据；

行为序列生成模块，用于根据所述多个用户的行为数据和偏好数据生成多个用户的行为序列；

相似度评分获取模块，用于将所述多个用户的行为序列输入相似度评分预测模型，获取多个用户的相似度评分；

目标客户确定模块，用于根据所述多个用户的相似度评分在所述多个用户中确定目标客户。

在上述实现过程中，与现有技术不同的是，本申请实施例获取的是用户的行为数据、浏览行为模式和偏好数据，基于行为数据、浏览行为模式和偏好数据生成每个用户的行为序列，将行为序列输入相似度评分预测模型，基于相似度评分预测模型的输出效果判断用户是否是目标客户。行为数据包括了用户具体的行为，能够反映客户对某一业务或者产品的感兴趣程度，通过利用相似度评分预测模型对行为数据进行分析，能够在银行的多个潜在客户中筛选出某一业务的目标客户。提高了客群经营中目标客群的精准度，有效解决了高价值长尾客群的转化问题，降低了业务人员的运营成本，使得客户能够接收到最感兴趣的活动和产品信息，降低了客户的反感度，提高了客户的黏性与忠诚度。该优化方案最大程度的帮助运营人员解决了产品活动与客群适配的问题，提高了产品的购买与活动营收，实现了产能的提高。

第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。

第四方面，本申请实施例提供的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指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。

本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。

为使本申请的上述目的、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申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，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为本申请实施例提供的客户筛选方法的流程示意图；

图2为本申请实施例提供的客户筛选的方法的另一流程示意图；

图3为本申请实施例提供的客户筛选装置的结构示意图；

图4为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

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。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

金融业务场景客群营销的关键点在于针对不同金融产品或活动，结合不同的渠道和位置，找到最适合的目标受众客群。

目前针对不同的金融业务进行客户筛选的过程中，大多采用人工筛选的方式或单一指标进行自动筛选。

近年来随着机器学习以及数据挖掘技术的发展，大量机器学习模型被应用于金融科技技术领域用于目标客户筛选。但是，目前的模型应用过程中并没有充分考虑金融领域的用户和其他领域的用户的不同之处，导致筛选效率较低。

本申请实施例的目的在于提供一种客户筛选方法、装置，能够充分利用银行用户的历史数据，结合机器学习模型对用户历史数据中的行为数据进行挖掘，筛选出银行业务的目标用户。

实施例1

本申请实施例提供一种客户筛选方法，可应用于服务器中，用于实现任务处理。其中，服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能采样点设备等基础云计算服务的云服务器。参见图1，方法包括：

S1：构建相似度评分预测模型；

相似度评分预测模型可以是XGBoost模型。

XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。它在Gradient Boosting框架下实现机器学习算法。XGBoost提供并行树提升，可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境上运行，并且可以解决数十亿个示例之外的问题。

S2：获取多个用户对多个目标链接的行为数据，所述行为数据包括：点击数据和关注数据；

上述实施例中，用户可以是某个银行APP的所有用户，也可以是某个业务中的用户，也可以是某个分行的所有用户，也可以是银行的所有用户，也可以是某个业务初步筛选出的潜在客户，本申请实施例在此不做具体限定。

S3：获取用户的浏览数据；

S4：根据用户的浏览数据生成用户的浏览行为模式；

S5：获取多个用户的多个目标链接的偏好数据；

S6：根据所述多个用户的行为数据、所述浏览行为模式和偏好数据生成多个用户的行为序列；

S7：将所述多个用户的行为序列输入相似度评分预测模型，获取多个用户的相似度评分；

S8：根据所述多个用户的相似度评分在所述多个用户中确定目标客户。

其中，点击数据即客户历史已经发生的行为数据，如点击产品、浏览产品详情页、购买产品等行为。

关注数据即客户在决策之前的相关数据，通过关注数据来寻找人群，转化率会比较高，因为行为意向人群往往已经达到了转化前的最后一步的关键时刻，此时对意向人群进行营销，效果往往很明显。如搜索关联产品、关注相关资讯、参与相关话题等行为。

偏好数据即具有某种偏好或者属于某种类型的人群往往会更倾向于购买某款产品，行为偏好数据会保证营销方案在客群覆盖规模和精准度之间达到最优平衡。

如：理财偏好、贷款偏好、商品优惠券偏好等。

示例性地，当用户购买理财产品超过预设次数时，可以判定用户具有理财偏好，当用户具有贷款行为时，判定用户具有贷款偏好，当用户领取商品优惠券超过预设次数时，判定用户具有商品优惠券偏好。

行为模式数据：即通过分析消费者的行为与时间、空间的关系，以及一系列行为之间的时空关系，总结出的具有一定规律的行为表现，通过这些行为序列预测相关行为。如：弹窗行为模式、瀑布流行为模式、晚上8点浏览行为模式等。

弹窗行为模式指的是用户在浏览数据时有较大可能性点击弹窗式出现的新闻以及相关产品推荐的行为模式。

瀑布流行为模式指的是用户在浏览信息时不断滑动屏幕以此获取更多信息的行为模式。

晚上8点行为模式指的是用户有较大可能性在晚上8点开始浏览信息。

在一些实施例中，当用户以某种方式浏览信息超过预设次数时，可以判定该用户具有该种行为模式。

上述实施例中，多种行为模式之间并不是互斥的，也就是说，一个用户可以同时具备以上几种行为模式。

在上述实现过程中，与现有技术不同的是，本申请实施例获取的是用户的行为数据、浏览行为模式和偏好数据，基于行为数据、浏览行为模式和偏好数据生成每个用户的行为序列，将行为序列输入相似度评分预测模型，基于相似度评分预测模型的输出效果判断用户是否是目标客户。行为数据包括了用户具体的行为，能够反映客户对某一业务或者产品的感兴趣程度，通过利用相似度评分预测模型对行为数据进行分析，能够在银行的多个潜在客户中筛选出某一业务的目标客户。提高了客群经营中目标客群的精准度，有效解决了高价值长尾客群的转化问题，降低了业务人员的运营成本，使得客户能够接收到最感兴趣的活动和产品信息，降低了客户的反感度，提高了客户的黏性与忠诚度。该优化方案最大程度的帮助运营人员解决了产品活动与客群适配的问题，提高了产品的购买与活动营收，实现了产能的提高。

进一步地，进一步地，所述获取多个用户对多个目标链接的行为数据，包括：

获取多个用户对多个第一目标链接的点击数据；

获取多个用户对多个第二目标链接的关注数据。

在上述实现过程中，行为数据包括，不同的链接具有不同的功能，用于面对用户不同的需求，因此，通过对用户行为以及模型研究分析，用户的行为数据主要包括点击数据和关注数据，获取多个用户对多个目标链接的行为数据包括多个用户对第一目标链接的点击数据和多个用户对第二目标链接的关注数据。通过对用户行为数据的充分挖掘并应用于模型上，从用户中筛选出目标客户。

示例性地，序列的形式可以是向量形式，当前用户对应的向量的长度为8，初始时向量中的所有元素都为0，向量中的每一个元素对应用户的一个行为，当用户满足执行了具有该行为时，该元素置1。具体地，假设当前第一用户对应的向量在初始时为[0，0，0，0，0，0，0，0]，第一个元素代表用户点击了目标页面，当第一用户点击了目标页面时，该向量为[1，0，0，0，0，0，0，0]。

可以理解的是，序列除了是向量形式，还可以是其他形式，本申请实施例对此不做限定。

在上述实现过程中，行为数据包括，不同的链接具有不同的功能，用于面对用户不同的需求，因此，通过对用户行为以及模型研究分析，用户的行为数据主要包括点击数据和关注数据，获取多个用户对多个目标链接的行为数据包括多个用户对第一目标链接的点击数据和多个用户对第二目标链接的关注数据。通过对用户行为数据的充分挖掘并应用于模型上，从用户中筛选出目标客户。

进一步地，所述根据所述多个用户的行为数据、所述浏览行为模式和偏好数据生成行为序列，包括：

根据所述多个用户的点击数据生成第一行为序列；

根据所述多个用户的关注数据生成第二行为序列；

根据所述多个用户的浏览行为模式生成第三行为序列；

根据所述多个用户的偏好数据生成第四行为序列；

根据所述第一行为序列、所述第二行为序列、所述第三行为序列和第四行为序列生成每个用户的行为序列。

进一步地，所述根据所述第一行为序列、所述第二行为序列、所述第三行为序列和第四行为序列生成每个用户的行为序列，包括：

获取第一行为序列的权重、第二行为序列的权重、第三行为序列的权重和第四行为序列的权重；

根据所述第一行为序列的权重、第二行为序列的权重、第三行为序列的权重、第四行为序列的权重、第一行为序列、第二行为序列、第三行为序列和第四行为序列生成每个用户的行为序列。

在上述实现过程中，行为数据具有多种，不同种类的行为均在不同的程度上反映了潜在用户在某个业务的感兴趣程度，分别根据用户的不同的行为数据、浏览行为模式和偏好数据及其对应的权重生成对应的行为序列，再根据行为序列生成每个用户的行为序列，从而能够在多个潜在客户中筛选出目标客户。

示例性地，采用点击数据、关注数据、偏好数据和行为模式数据分别生成序列，结果锁数据对应点击商品序列、I

其中，

在上述实现过程中，行为数据具有多种，不同种类的行为均在不同的程度上反映了潜在用户在某个业务的感兴趣程度，分别将用户的不同的行为数据、浏览行为模式和偏好数据生成对应的行为序列，再根据行为序列生成每个用户的行为序，从而能够在多个潜在客户中筛选出目标客户。

在一些实施例中，将所述行为序列输入相似度评分预测模型，得到目标客户的步骤，包括：

获取每个用户的画像、每个用户的统计指标特征；

将每个用户的行为序列、每个用户的画像和每个用户的统计指标特征输入所述相似度评分预测模型，得到所述目标客户。

上述实施例中，用户的画像包括：性别、年龄、资产水平等，统计指标特征包括：本周登录指定APP的次数、购买指定产品的个数、订单的金额等。

示例性地，参见图2，将用户点击数据、关注数据、偏好数据和行为模式模式对应的序列和对应的权重相乘并进行编码，得到加权行为序列特征、将用户画像特征、用户的统计指标特征输入到相似度评分预测模型，得到该用户的评分，根据该用户的评分判断该用户是否是目标客户。

在一些实施例中，预先设定阈值，当该用户的分数值超过预设阈值时，则判定该用户是目标客户。

在上述实现过程中，通过将每个用户的行为序列、每个用户的画像和每个用户的统计指标特征输入所述相似度评分预测模型，对用户的数据进行充分挖掘，从而得到目标客户。

在一些实施例中，所述构建相似度评分预测模型，包括：

获取分类模型；

将具有第三行为数据的用户行为序列作为正样本，将具有具有第四行为数据的用户的行为序列作为负样本对分类模型进行训练，得到所述相似度评分预测模型。

在一些实施例中，还可以将种子客群的行为序列作为正样本，将非种子客群的行为序列作为负样本。

在一些实施例中，第三行为数据是历史拒绝购买行为数据；第四行为数据是历史确认购买行为数据。

种子客群是预先判定的具有较高成交可能性和/或已经成交目标产品的客户，非种子客群是具有明确拒绝倾向和/或预先判定的具有较高可能性明确拒绝的客户。

上述实施例中，目标产品可以是金融产品等。

在一些实施例中，还可以将已成交客户的画像、指标特征等信息作为训练样本对评分模型进行训练。

在上述实现过程中，通过将已成交客户作为正样本，将非已成交客户作为负样本对模型进行训练，使得训练后的相似度评分预测模型具有在潜在客户中筛选目标客户的能力。

在一些实施例中，所述获取多个用户对多个目标链接的行为数据，包括：

获取每个用户的行为数据的发生时间；

根据每个用户的行为数据发生时间生成每个用户的行为序列。

示例性地，为点击不同网页的行为赋予不同的数值，点击第一目标页面的行为赋值为1，点击第二目标页面的行为赋值为2，点击第三目标页面的行为赋值为3。当用户依次点击第一目标页面、第二目标页面和第三目标页面时，对应生成的序列为[1，2，3]，当用户依次电机第二目标页面、第一目标页面和第三目标页面时，对应生成的序列为[2，1，3]。

在上述实现过程中，通过对数据进行挖掘，将不同的行为数据的作为考虑因素，根据每个用户的行为数据发生时间生成每个用户的行为序列，每个用户的行为序列隐含包括了用户执行不同动作的时间，将该行为数据输入相似度评分预测模型，能够对潜在用户进行精准挖掘。

实施例2

图3出示了本申请提供一种客户筛选装置的示意性结构框图，应理解，该装置执行的方法和上述方法实施例对应，能够执行前述的方法涉及的步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。具体地，该装置包括：

模型构建模块1，用于构建相似度评分预测模型；

行为数据获取模块2，用于获取多个用户对多个目标链接的行为数据，所述行为数据包括：点击数据和关注数据；

浏览数据获取模块3，用于获取用户的浏览数据；

行为模块获取模块4，用于根据用户的浏览数据生成用户的浏览行为模式；

偏好数据获取模块5，用于获取多个用户的多个目标链接的偏好数据；

行为序列生成模块6，用于根据所述多个用户的行为数据和偏好数据生成多个用户的行为序列；

相似度评分获取模块7，用于将所述多个用户的行为序列输入相似度评分预测模型，获取多个用户的相似度评分；

目标客户确定模块8，用于根据所述多个用户的相似度评分在所述多个用户中确定目标客户。

在一些实施例中，行为数据获取模块2还用于获取多个用户对多个第一目标链接的点击数据；

获取多个用户对多个第二目标链接的关注数据。

在一些实施例中，行为序列生成模块6还用于根根据所述多个用户的点击数据生成第一行为序列；

根据所述多个用户的关注数据生成第二行为序列；

根据所述多个用户的浏览行为模式生成第三行为序列；

根据所述多个用户的偏好数据生成第四行为序列；

根据所述第一行为序列、所述第二行为序列、所述第三行为序列和第四行为序列生成每个用户的行为序列。

在一些实施例中，相似度评分获取模块7还用于获取每个用户的画像、每个用户的统计指标特征；

将每个用户的行为序列、每个用户的画像和每个用户的统计指标特征输入所述相似度评分预测模型，得到所述每个用户的相似度评分。

在一些实施例中，装置还包括：训练模块，用于将具有第三行为数据的用户行为序列作为正样本，将具有具有第四行为数据的用户的行为序列作为负样本对分类模型进行训练，得到所述相似度评分预测模型。

在一些实施例中，行为序列生成模块6还用于获取每个用户的行为数据的发生时间；

根据每个用户的行为数据发生时间生成每个用户的行为序列。

本申请还提供一种电子设备，请参见图4，图4为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器41、通信接口42、存储器43和至少一个通信总线44。其中，通信总线44用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口42用于与其他节点设备进行信令或数据的通信。处理器41可以是一种集成电路芯片，具有信号的处理能力。

上述的处理器41可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器41也可以是任何常规的处理器等。

存储器43可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。存储器43中存储有计算机可读取指令，当计算机可读取指令由处理器41执行时，电子设备可以执行上述方法实施例涉及的各个步骤。

可选地，电子设备还可以包括存储控制器、输入输出单元。

存储器43、存储控制器、处理器41、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线44实现电性连接。处理器41用于执行存储器43中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。

输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是，但不限于，鼠标和键盘等。

可以理解，图4所示的结构仅为示意，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有指令，当指令在计算机上运行时，计算机程序被处理器执行时实现方法实施例的方法，为避免重复，此处不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法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，所述模块、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方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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)执行本申请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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。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。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。