用于使用机器学习模型识别倾向的方法、系统和计算机程序产品与流程

本公开大体上涉及识别倾向，并且在非限制性实施例或方面中，涉及用于使用机器学习模型识别倾向的系统、方法和计算机程序产品。

背景技术：

1、机器学习模型可以用于分析数据并识别其中的倾向，从而可以使用模型生成预测。存在若干不同类别的机器学习模型，如受监督模型和无监督模型，并且在这些类别内存在各种特定类型的模型。机器学习模型的每个类别和类型都可能具有自己的优势和劣势。

技术实现思路

1、因此，提供了改进的用于使用机器学习模型识别倾向的方法、系统和计算机程序产品。

2、根据非限制性实施例或方面，提供了一种计算机实施的方法，包括：利用至少一个处理器将第一组数据输入到第一机器学习模型中，所述第一组数据包括与第一群组的用户相关联的第一段数据及与第二群组的用户相关联的第二段数据，所述第一段数据用所述第一群组的第一标识符标记，所述第二段数据用所述第二群组的第二标识符标记，所述第一段数据和所述第二段数据包括多个参数；对于所述第二群组中的每一用户，基于所述第一段数据和所述第二段数据，利用至少一个处理器并基于所述第一机器学习模型生成基于所述第二群组中的所述用户和所述第一群组中的用户的表示之间的相似度的第一相似度得分；基于所述第一段数据和所述第二段数据，利用至少一个处理器并基于所述第一机器学习模型生成所述多个参数中的每一参数的相关性得分；基于与生成所述第一相似度得分的相关性，利用至少一个处理器并基于所述第一机器学习模型确定所述多个参数的子集；利用至少一个处理器将所述多个参数的所述子集、第二组数据和第三组数据输入到第二机器学习模型中，所述第二组数据包括用于所述第二群组的所述用户的所述多个参数的所述子集，所述第三组数据包括用于所述第一群组的所述用户的所述多个参数的所述子集；基于所述第二组数据，利用至少一个处理器并基于所述第二机器学习模型生成空间划分数据结构，所述空间划分数据结构表示所述第二群组中的每个所述用户；对于所述第一群组中的每一用户，基于所述第三组数据和所述空间划分数据结构，利用至少一个处理器确定所述第一群组中的所述用户的表示和所述第二群组中的至少一个用户的表示之间的至少一个特征距离；对于所述第二群组中的每一用户，基于所述至少一个特征距离，利用至少一个处理器并基于所述第二机器学习模型生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的第二相似度得分；以及对于所述第二群组中的每一用户，基于所述第一相似度得分和所述第二相似度得分，利用至少一个处理器生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的整体相似度得分。

3、在一些非限制性实施例或方面中，所述第一群组中的所述用户可以基本上由信用卡用户组成，并且所述第二群组中的所述用户可以基本上由借记卡用户组成。

4、在一些非限制性实施例或方面中，所述第一机器学习模型可以包括xgboost分类器算法，并且所述第二机器学习模型可以包括k-d树算法。

5、在一些非限制性实施例或方面中，所述第一机器学习模型可以包括受监督机器学习模型，并且所述第二机器学习模型可以包括无监督机器学习模型。

6、在一些非限制性实施例或方面中，生成所述第一相似度得分可以包括所述第一机器学习模型进行以下操作：将所述第一段数据和第二段数据的第一子集输入到多个决策树中的第一决策树中，其中所述第一决策树可以生成第一预测；将所述第一段数据和第二段数据的第二子集输入到所述多个决策树中的第二决策树中，其中所述第二决策树可以生成第二预测；以及基于所述第一预测和所述第二预测，生成所述第一相似度得分。

7、在一些非限制性实施例或方面中，所述计算机实施的方法可以包括：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，利用至少一个处理器确定所述群组；以及响应于确定所述群组，利用至少一个处理器向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

8、在一些非限制性实施例或方面中，所述第一组数据、所述第二组数据和所述第三组数据可以包括与由所述第一和第二群组中的用户进行的电子支付交易相关联的历史交易数据。

9、在一些非限制性实施例或方面中，所述计算机实施的方法可以包括：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，利用至少一个处理器确定所述群组；对于所述群组中的每一用户，基于与所述群组中的每一用户相关联的历史交易数据，利用至少一个处理器生成参与度得分；以及利用至少一个处理器向与所述群组中具有满足阈值的参与度得分的每一用户相关联的用户装置自动发送优惠消息。

10、在一些非限制性实施例或方面中，所述计算机实施的方法可以包括：对于所述第二群组中的每一用户，基于与所述第二群组中的每一用户相关联的历史交易数据，利用至少一个处理器生成参与度得分，其中所述第二群组中的每一用户的所述整体相似度得分可以基于所述参与度得分而生成；所述计算机实施的方法还可以包括：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，利用至少一个处理器确定所述群组；以及响应于确定所述群组，利用至少一个处理器向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

11、在一些非限制性实施例或方面中，与所述第二群组中的每一用户相关联的所述历史交易数据可以包括以下至少一项：用户支出值、用户支出频率、用户支出一致性、用户支出多样性或其任何组合。

12、根据非限制性实施例或方面，提供了一种系统，所述系统包括至少一个处理器，所述至少一个处理器被配置成：将第一组数据输入到第一机器学习模型中，所述第一组数据包括与第一群组的用户相关联的第一段数据及与第二群组的用户相关联的第二段数据，所述第一段数据用所述第一群组的第一标识符标记，所述第二段数据用所述第二群组的第二标识符标记，所述第一段数据和所述第二段数据包括多个参数；对于所述第二群组中的每一用户，基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成基于所述第二群组中的所述用户和所述第一群组中的用户的表示之间的相似度的第一相似度得分；基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成所述多个参数中的每一参数的相关性得分；基于与生成所述第一相似度得分的相关性，基于所述第一机器学习模型确定所述多个参数的子集；将所述多个参数的所述子集、第二组数据和第三组数据输入到第二机器学习模型中，所述第二组数据包括用于所述第二群组的所述用户的所述多个参数的所述子集，所述第三组数据包括用于所述第一群组的所述用户的所述多个参数的所述子集；基于所述第二组数据，基于所述第二机器学习模型生成空间划分数据结构，所述空间划分数据结构表示所述第二群组中的每个所述用户；对于所述第一群组中的每一用户，基于所述第三组数据和所述空间划分数据结构，确定所述第一群组中的所述用户的表示和所述第二群组中的至少一个用户的表示之间的至少一个特征距离；对于所述第二群组中的每一用户，基于所述至少一个特征距离，基于所述第二机器学习模型生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的第二相似度得分；以及对于所述第二群组中的每一用户，基于所述第一相似度得分和所述第二相似度得分，生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的整体相似度得分。

13、在一些非限制性实施例或方面中，所述第一群组中的所述用户可以基本上由信用卡用户组成，并且所述第二群组中的所述用户可以基本上由借记卡用户组成。

14、在一些非限制性实施例或方面中，所述第一机器学习模型可以包括xgboost分类器算法，并且所述第二机器学习模型可以包括k-d树算法。

15、在一些非限制性实施例或方面中，所述第一机器学习模型可以包括受监督机器学习模型，并且所述第二机器学习模型可以包括无监督机器学习模型。

16、在一些非限制性实施例或方面中，生成所述第一相似度得分可以包括所述第一机器学习模型进行以下操作：将所述第一段数据和第二段数据的第一子集输入到多个决策树中的第一决策树中，其中所述第一决策树可以生成第一预测；将所述第一段数据和第二段数据的第二子集输入到所述多个决策树中的第二决策树中，其中所述第二决策树可以生成第二预测；以及基于所述第一预测和所述第二预测，生成所述第一相似度得分。

17、在一些非限制性实施例或方面中，所述至少一个处理器可被配置成：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

18、在一些非限制性实施例或方面中，所述第一组数据、所述第二组数据和所述第三组数据可以包括与由所述第一和第二群组中的用户进行的电子支付交易相关联的历史交易数据。

19、在一些非限制性实施例或方面中，所述至少一个处理器可被配置成：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；对于所述群组中的每一用户，基于与所述群组中的每一用户相关联的历史交易数据，生成参与度得分；以及向与所述群组中具有满足阈值的参与度得分的每一用户相关联的用户装置自动发送优惠消息。

20、在一些非限制性实施例或方面中，所述至少一个处理器可被配置成：对于所述第二群组中的每一用户，基于与所述第二群组中的每一用户相关联的历史交易数据，生成参与度得分，其中所述第二群组中的每一用户的所述整体相似度得分可以基于所述参与度得分而生成；所述至少一个处理器还可被配置成：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

21、在一些非限制性实施例或方面中，与所述第二群组中的每一用户相关联的所述历史交易数据可以包括以下至少一项：用户支出值、用户支出频率、用户支出一致性、用户支出多样性或其任何组合。

22、根据非限制性实施例或方面，提供了一种包括至少一个非暂时性计算机可读介质的计算机程序产品，所述至少一个非暂时性计算机可读介质包括程序指令，所述程序指令在由至少一个处理器执行时使所述至少一个处理器：将第一组数据输入到第一机器学习模型中，所述第一组数据包括与第一群组的用户相关联的第一段数据及与第二群组的用户相关联的第二段数据，所述第一段数据用所述第一群组的第一标识符标记，所述第二段数据用所述第二群组的第二标识符标记，所述第一段数据和所述第二段数据包括多个参数；对于所述第二群组中的每一用户，基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成基于所述第二群组中的所述用户和所述第一群组中的用户的表示之间的相似度的第一相似度得分；基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成所述多个参数中的每一参数的相关性得分；基于与生成所述第一相似度得分的相关性，基于所述第一机器学习模型确定所述多个参数的子集；将所述多个参数的所述子集、第二组数据和第三组数据输入到第二机器学习模型中，所述第二组数据包括用于所述第二群组的所述用户的所述多个参数的所述子集，所述第三组数据包括用于所述第一群组的所述用户的所述多个参数的所述子集；基于所述第二组数据，基于所述第二机器学习模型生成空间划分数据结构，所述空间划分数据结构表示所述第二群组中的每个所述用户；对于所述第一群组中的每一用户，基于所述第三组数据和所述空间划分数据结构，确定所述第一群组中的所述用户的表示和所述第二群组中的至少一个用户的表示之间的至少一个特征距离；对于所述第二群组中的每一用户，基于所述至少一个特征距离，基于所述第二机器学习模型生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的第二相似度得分；以及对于所述第二群组中的每一用户，基于所述第一相似度得分和所述第二相似度得分，生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的整体相似度得分。

23、在一些非限制性实施例或方面中，所述第一群组中的所述用户可以基本上由信用卡用户组成，并且所述第二群组中的所述用户可以基本上由借记卡用户组成。

24、在一些非限制性实施例或方面中，所述第一机器学习模型可以包括xgboost分类器算法，并且所述第二机器学习模型可以包括k-d树算法。

25、在一些非限制性实施例或方面中，所述第一机器学习模型可以包括受监督机器学习模型，并且所述第二机器学习模型可以包括无监督机器学习模型。

26、在一些非限制性实施例或方面中，生成所述第一相似度得分可以包括所述第一机器学习模型进行以下操作：将所述第一段数据和第二段数据的第一子集输入到多个决策树中的第一决策树中，其中所述第一决策树可以生成第一预测；将所述第一段数据和第二段数据的第二子集输入到所述多个决策树中的第二决策树中，其中所述第二决策树可以生成第二预测；以及基于所述第一预测和所述第二预测，生成所述第一相似度得分。

27、在一些非限制性实施例或方面中，所述程序指令可以使所述至少一个处理器：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

28、在一些非限制性实施例或方面中，所述第一组数据、所述第二组数据和所述第三组数据可以包括与由所述第一和第二群组中的用户进行的电子支付交易相关联的历史交易数据。

29、在一些非限制性实施例或方面中，所述程序指令可以使所述至少一个处理器：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；对于所述群组中的每一用户，基于与所述群组中的每一用户相关联的历史交易数据，生成参与度得分；以及向与所述群组中具有满足阈值的参与度得分的每一用户相关联的用户装置自动发送优惠消息。

30、在一些非限制性实施例或方面中，所述程序指令可以使所述至少一个处理器：对于所述第二群组中的每一用户，基于与所述第二群组中的每一用户相关联的历史交易数据，生成参与度得分，其中所述第二群组中的每一用户的所述整体相似度得分可以基于所述参与度得分而生成；其中所述程序指令还可使所述至少一个处理器：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

31、在一些非限制性实施例或方面中，与所述第二群组中的每一用户相关联的所述历史交易数据可以包括以下至少一项：用户支出值、用户支出频率、用户支出一致性、用户支出多样性或其任何组合。

32、在以下编号条款中阐述另外的非限制性实施方案或方面：

33、条款1：一种计算机实施的方法，包括：利用至少一个处理器将第一组数据输入到第一机器学习模型中，所述第一组数据包括与第一群组的用户相关联的第一段数据及与第二群组的用户相关联的第二段数据，所述第一段数据用所述第一群组的第一标识符标记，所述第二段数据用所述第二群组的第二标识符标记，所述第一段数据和所述第二段数据包括多个参数；对于所述第二群组中的每一用户，基于所述第一段数据和所述第二段数据，利用至少一个处理器并基于所述第一机器学习模型生成基于所述第二群组中的所述用户和所述第一群组中的用户的表示之间的相似度的第一相似度得分；基于所述第一段数据和所述第二段数据，利用至少一个处理器并基于所述第一机器学习模型生成所述多个参数中的每一参数的相关性得分；基于与生成所述第一相似度得分的相关性，利用至少一个处理器并基于所述第一机器学习模型确定所述多个参数的子集；利用至少一个处理器将所述多个参数的所述子集、第二组数据和第三组数据输入到第二机器学习模型中，所述第二组数据包括用于所述第二群组的所述用户的所述多个参数的所述子集，所述第三组数据包括用于所述第一群组的所述用户的所述多个参数的所述子集；基于所述第二组数据，利用至少一个处理器并基于所述第二机器学习模型生成空间划分数据结构，所述空间划分数据结构表示所述第二群组中的每个所述用户；对于所述第一群组中的每一用户，基于所述第三组数据和所述空间划分数据结构，利用至少一个处理器确定所述第一群组中的所述用户的表示和所述第二群组中的至少一个用户的表示之间的至少一个特征距离；对于所述第二群组中的每一用户，基于所述至少一个特征距离，利用至少一个处理器并基于所述第二机器学习模型生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的第二相似度得分；以及对于所述第二群组中的每一用户，基于所述第一相似度得分和所述第二相似度得分，利用至少一个处理器生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的整体相似度得分。

34、条款2：根据条款1所述的计算机实施的方法，其中所述第一群组中的所述用户基本上由信用卡用户组成，并且所述第二群组中的所述用户基本上由借记卡用户组成。

35、条款3：根据条款1或2所述的计算机实施的方法，其中所述第一机器学习模型包括xgboost分类器算法，并且所述第二机器学习模型包括k-d树算法。

36、条款4：根据条款1至3中任一项所述的计算机实施的方法，其中所述第一机器学习模型包括受监督机器学习模型，并且所述第二机器学习模型包括无监督机器学习模型。

37、条款5：根据条款1至4中任一项所述的计算机实施的方法，其中生成所述第一相似度得分包括所述第一机器学习模型进行以下操作：将所述第一段数据和第二段数据的第一子集输入到多个决策树中的第一决策树中，其中所述第一决策树生成第一预测；将所述第一段数据和第二段数据的第二子集输入到所述多个决策树中的第二决策树中，其中所述第二决策树生成第二预测；以及基于所述第一预测和所述第二预测，生成所述第一相似度得分。

38、条款6：根据条款1至5中任一项所述的计算机实施的方法，还包括：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，利用至少一个处理器确定所述群组；以及响应于确定所述群组，利用至少一个处理器向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

39、条款7：根据条款1至6中任一项所述的计算机实施的方法，其中所述第一组数据、所述第二组数据和所述第三组数据包括与由所述第一和第二群组中的用户进行的电子支付交易相关联的历史交易数据。

40、条款8：根据条款1至7中任一项所述的计算机实施的方法，还包括：基于包括来自所述第二群组的多个用户中的群组中的每个所述用户的所述整体相似度得分满足阈值，利用至少一个处理器确定所述群组；对于所述群组中的每一用户，基于与所述群组中的每一用户相关联的历史交易数据，利用至少一个处理器生成参与度得分；以及利用至少一个处理器向与所述群组中具有满足阈值的参与度得分的每一用户相关联的用户装置自动发送优惠消息。

41、条款9：根据条款1至8中任一项所述的计算机实施的方法，还包括：对于所述第二群组中的每一用户，基于与所述第二群组中的每一用户相关联的历史交易数据，利用至少一个处理器生成参与度得分，其中所述第二群组中的每一用户的所述整体相似度得分基于所述参与度得分而生成；所述计算机实施的方法还包括：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，利用至少一个处理器确定所述群组；以及响应于确定所述群组，利用至少一个处理器向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

42、条款10：根据条款1至9中任一项所述的计算机实施的方法，其中与所述第二群组中的每一用户相关联的所述历史交易数据包括以下至少一项：用户支出值、用户支出频率、用户支出一致性、用户支出多样性或其任何组合。

43、条款11：一种系统，所述系统包括至少一个处理器，所述至少一个处理器被配置成：将第一组数据输入到第一机器学习模型中，所述第一组数据包括与第一群组的用户相关联的第一段数据及与第二群组的用户相关联的第二段数据，所述第一段数据用所述第一群组的第一标识符标记，所述第二段数据用所述第二群组的第二标识符标记，所述第一段数据和所述第二段数据包括多个参数；对于所述第二群组中的每一用户，基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成基于所述第二群组中的所述用户和所述第一群组中的用户的表示之间的相似度的第一相似度得分；基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成所述多个参数中的每一参数的相关性得分；基于与生成所述第一相似度得分的相关性，基于所述第一机器学习模型确定所述多个参数的子集；将所述多个参数的所述子集、第二组数据和第三组数据输入到第二机器学习模型中，所述第二组数据包括用于所述第二群组的所述用户的所述多个参数的所述子集，所述第三组数据包括用于所述第一群组的所述用户的所述多个参数的所述子集；基于所述第二组数据，基于所述第二机器学习模型生成空间划分数据结构，所述空间划分数据结构表示所述第二群组中的每个所述用户；对于所述第一群组中的每一用户，基于所述第三组数据和所述空间划分数据结构，确定所述第一群组中的所述用户的表示和所述第二群组中的至少一个用户的表示之间的至少一个特征距离；对于所述第二群组中的每一用户，基于所述至少一个特征距离，基于所述第二机器学习模型生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的第二相似度得分；以及对于所述第二群组中的每一用户，基于所述第一相似度得分和所述第二相似度得分，生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的整体相似度得分。

44、条款12：根据条款11所述的系统，其中所述第一群组中的所述用户基本上由信用卡用户组成，并且所述第二群组中的所述用户基本上由借记卡用户组成。

45、条款13：根据条款11或12所述的系统，其中所述第一机器学习模型包括xgboost分类器算法，并且所述第二机器学习模型包括k-d树算法。

46、条款14：根据条款11至13中任一项所述的系统，其中所述第一机器学习模型包括受监督机器学习模型，并且所述第二机器学习模型包括无监督机器学习模型。

47、条款15：根据条款11至14中任一项所述的系统，其中生成所述第一相似度得分包括所述第一机器学习模型进行以下操作：将所述第一段数据和第二段数据的第一子集输入到多个决策树中的第一决策树中，其中所述第一决策树生成第一预测；将所述第一段数据和第二段数据的第二子集输入到所述多个决策树中的第二决策树中，其中所述第二决策树生成第二预测；以及基于所述第一预测和所述第二预测，生成所述第一相似度得分。

48、条款16：根据条款11至15中任一项所述的系统，所述至少一个处理器被配置成：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

49、条款17：根据条款11至16中任一项所述的系统，其中所述第一组数据、所述第二组数据和所述第三组数据包括与由所述第一和第二群组中的用户进行的电子支付交易相关联的历史交易数据。

50、条款18：根据条款11至17中任一项所述的系统，所述至少一个处理器被配置成：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；对于所述群组中的每一用户，基于与所述群组中的每一用户相关联的历史交易数据，生成参与度得分；以及向与所述群组中具有满足阈值的参与度得分的每一用户相关联的用户装置自动发送优惠消息。

51、条款19：根据条款11至18中任一项所述的系统，所述至少一个处理器被配置成：对于所述第二群组中的每一用户，基于与所述第二群组中的每一用户相关联的历史交易数据，生成参与度得分，其中所述第二群组中的每一用户的所述整体相似度得分基于所述参与度得分而生成；所述至少一个处理器还被配置成：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

52、条款20：根据条款11至19中任一项所述的系统，其中与所述第二群组中的每一用户相关联的所述历史交易数据包括以下至少一项：用户支出值、用户支出频率、用户支出一致性、用户支出多样性或其任何组合。

53、条款21：一种计算机程序产品，所述计算机程序产品包括至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质包括程序指令，所述程序指令在由至少一个处理器执行时使所述至少一个处理器：将第一组数据输入到第一机器学习模型中，所述第一组数据包括与第一群组的用户相关联的第一段数据及与第二群组的用户相关联的第二段数据，所述第一段数据用所述第一群组的第一标识符标记，所述第二段数据用所述第二群组的第二标识符标记，所述第一段数据和所述第二段数据包括多个参数；对于所述第二群组中的每一用户，基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成基于所述第二群组中的所述用户和所述第一群组中的用户的表示之间的相似度的第一相似度得分；基于所述第一段数据和所述第二段数据，基于所述第一机器学习模型生成所述多个参数中的每一参数的相关性得分；基于与生成所述第一相似度得分的相关性，基于所述第一机器学习模型确定所述多个参数的子集；将所述多个参数的所述子集、第二组数据和第三组数据输入到第二机器学习模型中，所述第二组数据包括用于所述第二群组的所述用户的所述多个参数的所述子集，所述第三组数据包括用于所述第一群组的所述用户的所述多个参数的所述子集；基于所述第二组数据，基于所述第二机器学习模型生成空间划分数据结构，所述空间划分数据结构表示所述第二群组中的每个所述用户；对于所述第一群组中的每一用户，基于所述第三组数据和所述空间划分数据结构，确定所述第一群组中的所述用户的表示和所述第二群组中的至少一个用户的表示之间的至少一个特征距离；对于所述第二群组中的每一用户，基于所述至少一个特征距离，基于所述第二机器学习模型生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的第二相似度得分；以及对于所述第二群组中的每一用户，基于所述第一相似度得分和所述第二相似度得分，生成表示所述第二群组中的所述用户和所述第一群组中的用户的表示之间的所述相似度的整体相似度得分。

54、条款22：根据条款21所述的计算机程序产品，其中所述第一群组中的所述用户基本上由信用卡用户组成，并且所述第二群组中的所述用户基本上由借记卡用户组成。

55、条款23：根据条款21或22所述的计算机程序产品，其中所述第一机器学习模型包括xgboost分类器算法，并且所述第二机器学习模型包括k-d树算法。

56、条款24：根据条款21至23中任一项所述的计算机程序产品，其中所述第一机器学习模型包括受监督机器学习模型，并且所述第二机器学习模型包括无监督机器学习模型。

57、条款25：根据条款21至24中任一项所述的计算机程序产品，其中生成所述第一相似度得分包括所述第一机器学习模型进行以下操作：将所述第一段数据和第二段数据的第一子集输入到多个决策树中的第一决策树中，其中所述第一决策树生成第一预测；将所述第一段数据和第二段数据的第二子集输入到所述多个决策树中的第二决策树中，其中所述第二决策树生成第二预测；以及基于所述第一预测和所述第二预测，生成所述第一相似度得分。

58、条款26：根据条款21至25中任一项所述的计算机程序产品，其中所述程序指令使所述至少一个处理器：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

59、条款27：根据条款21至26中任一项所述的计算机程序产品，其中所述第一组数据、所述第二组数据和所述第三组数据包括与由所述第一和第二群组中的用户进行的电子支付交易相关联的历史交易数据。

60、条款28：根据条款21至27中任一项所述的计算机程序产品，其中所述程序指令使所述至少一个处理器：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；对于所述群组中的每一用户，基于与所述群组中的每一用户相关联的历史交易数据，生成参与度得分；以及向与所述群组中具有满足阈值的参与度得分的每一用户相关联的用户装置自动发送优惠消息。

61、条款29：根据条款21至28中任一项所述的计算机程序产品，其中所述程序指令使所述至少一个处理器：对于所述第二群组中的每一用户，基于与所述第二群组中的每一用户相关联的历史交易数据，生成参与度得分，其中所述第二群组中的每一用户的所述整体相似度得分基于所述参与度得分而生成；其中所述程序指令还使所述至少一个处理器：基于包括来自所述第二群组的多个用户的群组中的每个所述用户的所述整体相似度得分满足阈值，确定所述群组；以及响应于确定所述群组，向与所述群组中的每一用户相关联的用户装置自动发送优惠消息。

62、条款30：根据条款21至29中任一项所述的计算机程序产品，其中与所述第二群组中的每一用户相关联的所述历史交易数据包括以下至少一项：用户支出值、用户支出频率、用户支出一致性、用户支出多样性或其任何组合。

63、在参考附图考虑以下描述和所附权利要求书时，本公开的这些和其它特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见，所有附图形成本说明书的部分，其中相似附图标记在各图中标示对应部分。然而，应明确地理解，图式仅出于说明和描述目的，并非旨在作为所公开主题的限制的定义。