潜在用户的预测方法及设备与流程

1.本技术实施例涉及大数据分析技术领域，尤其涉及一种潜在用户的预测方法及设备。


背景技术：

2.在电子商务领域，用户在电商平台上选购商品的过程中，通常伴随着浏览、收藏、加入购物车、购买等各种操作行为，通过分析这些操作行为，可以预测用户的购物习惯、偏好或需求，然后基于预测结果来有针对性的向潜在用户推荐商品，可以为用户提供更好的购物体验。
3.在传统技术中，一般是根据用户的历史操作行为，通过统计、回归分析等传统机器学习方式来挖掘、预测可能购买某种商品的潜在用户。
4.然而，传统技术仅仅只考虑了用户整体的历史操作行为，并未从时间和操作顺序上对用户操作行为加以区分，导致预测结果不够准确。


技术实现要素：

5.本技术实施例提供一种潜在用户的预测方法及设备，可以有效提升潜在用户预测结果的准确性。
6.第一方面，本技术实施例提供了一种潜在用户的预测方法，该方法包括：
7.根据第一时间段内多个用户对各个商品品类的第一历史行为数据，确定所述各个商品品类对应的各种用户行为对待预测商品品类的第一影响权重；
8.根据第二时间段内所述多个用户对各个商品品类的第二历史行为数据，确定所述各个商品品类对应的各种用户行为序列对所述待预测商品品类的第二影响权重；
9.根据所述第一影响权重与所述第二影响权重，确定所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重，并根据所述目标影响权重，在所述多个用户中确定所述待预测商品品类对应的潜在用户。
10.在一种可行的实施方式中，所述确定所述各个商品品类对应的各种用户行为对待预测商品品类的第一影响权重，包括：
11.对所述第一历史行为数据中所述各个商品品类对应的各种用户行为进行聚合，得到聚合结果，所述聚合结果包括一二维矩阵，所述二维矩阵的第一维度为各个所述用户的用户标识，第二维度为各个商品品类对应的各种用户行为；
12.将所述聚合结果输入预设的深度神经网络(deep neural networks，dnn)模型进行训练，确定出所述第一影响权重。
13.在一种可行的实施方式中，所述确定所述各个商品品类对应的各种用户行为序列对所述待预测商品品类的第二影响权重，包括：
14.分别对所述第二历史行为数据中所述各个商品品类在不同采样时间段内对应的各种用户行为进行聚合，得到聚合结果，所述聚合结果包括一三维矩阵，所述三维矩阵的第
一维度为各个所述用户的用户标识，第二维度为各个商品品类对应的各种用户行为，第三维度为所述采样时间段；
15.将所述聚合结果输入预设的时间递归神经网络(long short-term memory，lstm)模型进行训练，确定出所述第二影响权重。
16.在一种可行的实施方式中，所述用户行为序列由所述第二时间段内当前商品品类对应的用户行为按照时间顺序排列形成；所述第一时间段包含所述第二时间段，且所述第二时间段的时长小于所述第一时间段的时长。
17.在一种可行的实施方式中，所述根据所述第一影响权重与所述第二影响权重，确定所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重，包括：
18.将所述第一影响权重与所述第二影响权重输入预设的全连接神经网络层，得到所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重。
19.在一种可行的实施方式中，所述在所述多个用户中确定所述待预测商品品类对应的潜在用户之后，还包括：
20.向所述潜在用户在线推送所述待预测商品品类的商品，并采集所述潜在用户的行为数据；
21.将采集到的所述潜在用户的行为数据保存至所述数据库，并更新所述数据库；
22.基于更新后的所述数据库，重新确定所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重，直至重新确定的所述目标影响权重大于或等于预设阈值。
23.第二方面，本技术实施例提供了潜在用户的预测装置，该装置包括：
24.第一训练模块，用于根据第一时间段内多个用户对各个商品品类的第一历史行为数据，根据所述第一历史行为数据，确定所述各个商品品类对应的各种用户行为对待预测商品品类的第一影响权重；
25.第二训练模块，用于根据第二时间段内所述多个用户对各个商品品类的第二历史行为数据，根据所述第二历史行为数据，确定所述各个商品品类对应的各种用户行为序列对所述待预测商品品类的第二影响权重；
26.处理模块，用于根据所述第一影响权重与所述第二影响权重，确定所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重；
27.预测模块，用于根据所述目标影响权重，在所述多个用户中确定所述待预测商品品类对应的潜在用户。
28.在一种可行的实施方式中，所述第一训练模块具体用于：
29.对所述第一历史行为数据中所述各个商品品类对应的各种用户行为进行聚合，得到聚合结果，所述聚合结果包括一二维矩阵，所述二维矩阵的第一维度为各个所述用户的用户标识，第二维度为各个商品品类对应的各种用户行为；
30.将所述聚合结果输入预设的dnn模型进行训练，确定出所述第一影响权重。
31.在一种可行的实施方式中，所述第二训练模块具体用于：
32.分别对所述第二历史行为数据中所述各个商品品类在不同采样时间段内对应的各种用户行为进行聚合，得到聚合结果，所述聚合结果包括一三维矩阵，所述三维矩阵的第一维度为各个所述用户的用户标识，第二维度为各个商品品类对应的各种用户行为，第三
维度为所述采样时间段；
33.将所述聚合结果输入预设的lstm模型进行训练，确定出所述第二影响权重。
34.在一种可行的实施方式中，所述处理模块具体用于：
35.将所述第一影响权重与所述第二影响权重输入预设的全连接神经网络层，得到所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重。
36.在一种可行的实施方式中，还包括实践测试模块，用于：
37.在所述多个用户中确定所述待预测商品品类对应的潜在用户之后，向所述潜在用户在线推送所述待预测商品品类的商品，并采集所述潜在用户的行为数据；
38.将采集到的所述潜在用户的行为数据保存至所述数据库，并更新所述数据库；
39.基于更新后的所述数据库，重新确定所述各个商品品类对应的各种用户行为对所述待预测商品品类的目标影响权重，直至重新确定的所述目标影响权重大于或等于预设阈值。
40.第三方面，本技术实施例提供了一种电子设备，包括：至少一个处理器和存储器；
41.所述存储器存储计算机执行指令；
42.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面提供的潜在用户的预测方法。
43.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面提供的潜在用户的预测方法。
44.本技术实施例所提供的潜在用户的预测方法及设备，在用户整体历史行为的基础上，考虑用户最近一段时间的用户行为和行为顺序，从而得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，进而准确预测出待预测商品品类对应的潜在用户，提升潜在用户预测结果的准确性。
附图说明
45.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对本技术实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
46.图1为本技术实施例提供的一种潜在用户的预测方法的流程示意图；
47.图2为本技术实施例中所提供的一种深度学习神经网络模型示意图；
48.图3为本技术实施例提供的另一种潜在用户的预测方法的流程示意图；
49.图4为本技术实施例中提供的一种潜在用户的预测装置的程序模块示意图；
50.图5为本技术实施例中提供的一种电子设备的硬件结构示意图。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员
在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。此外，虽然本技术中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
52.需要说明的是，本技术中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本技术的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
53.本技术中说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换，例如能够根据本技术实施例图示或描述中给出那些以外的顺序实施。
54.此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
55.本技术中使用的术语“模块”，是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
56.本技术的技术方案中，所涉及的用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
57.在电子商务领域，目前都需要进行精细化的精准营销，即寻找有高购买潜力的用户进行针对性的营销，那么如何准确、有效得寻找到高购买潜力的用户就成了目前亟需解决的技术问题。
58.用户在电商平台上选购商品的过程中，通常伴随着浏览、收藏、加入购物车、购买等各种操作行为，通过深入分析这些操作行为，可以预测用户的购物习惯、偏好或购物需求，然后基于预测结果来有针对性的向用户推荐商品，可以为提升商品的销量，同时为用户提供更好的购物体验。
59.在传统技术中，一般是根据用户的历史操作行为，通过统计、回归分析等传统机器学习方式来挖掘、预测可能购买某种商品的潜在用户。
60.然而，在实际情况中，操作时间越近的用户行为对预测结果的影响越大；另外，用户行为存在一定的前后关联性，且用户行为的顺序会显著影响最后的预测结果，而目前的技术只是宏观的考虑用户的整体历史行为，没有从时间和操作顺序上对用户行为加以区分，导致预测结果不够准确。
61.面对上述技术问题，本技术实施例中提供了一种用户购买行为预测方法，该方法提供了一种新的深度学习神经网络模型用于预测高潜用户，在考虑用户整体历史行为的基础上，对用户最近一段时间的用户行为和行为顺序使用专门的模型进行单独计算，从而得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，进而准确预测出待预测商品品类对应的潜在用户，提升潜在用户预测结果的准确性。下面采用详细的实施例进行详细说明。
62.参照图1，图1为本技术实施例提供的一种潜在用户的预测方法的流程示意图。如图1所示，该潜在用户的预测方法包括：
63.s101、根据第一时间段内多个用户对各个商品品类的第一历史行为数据，确定各
个商品品类对应的各种用户行为对待预测商品品类的第一影响权重。
64.在本技术实施例中，可以由终端设备或者服务器实时采集所有或多个用户在购物平台上的操作行为数据，该操作行为数据包括但不限于：浏览、收藏、加入购物车、购买、分享、搜索某种商品的操作行为。
65.在一种可行的实施方式中，将采集到的多个用户的操作行为数据保存在预置的数据库中。
66.可选的，可以将采集到的多个用户的操作行为数据存储在hadoop集群。
67.其中，hadoop是一种分布式系统基础架构，可以进行高速运算和存储。具体的，hadoop实现了一个分布式文件系统(distributed file system)，其中一个组件是hdfs(hadoop distributed file system)。hdfs有高容错性的特点，并且设计用来部署在低廉的硬件上；而且它提供高吞吐量来访问应用程序的数据，适合有着超大数据集的应用程序。
68.在一些实施例中，可以通过hive数据读取的方式，从hadoop集群中获取最近第一时间段内多个用户对各个商品品类的第一历史行为数据，然后根据该第一历史行为数据，确定各个商品品类对应的各种用户行为对待预测商品品类的第一影响权重。
69.其中，上述第一时间段可以是从开始采集用户行为的时刻开始至当前时刻结束。或者，上述第一时间段也可以根据预设时长来确定，例如最近一年、最近两年等，本技术实施例中不做限制。
70.为了更好的理解本技术实施例，假设待预测商品为手机，则通过上述第一历史行为数据，确定各个商品品类对应的各种用户行为，如添加衣服至购物车、购买耳机、收藏手机等对用户购买手机的影响权重。
71.可以理解的是，手机属于电子产品，因此用户收藏手机的行为对用户购买手机的影响权重较大，其次是购买耳机的行为，而添加衣服至购物车的行为对用户购买手机的影响权重较小。
72.s102、根据第二时间段内多个用户对各个商品品类的第二历史行为数据，确定各个商品品类对应的各种用户行为序列对待预测商品品类的第二影响权重。
73.其中，上述用户行为序列由第二时间段内当前商品品类对应的用户行为按照时间顺序排列形成。
74.可以理解的是，在实际情况中，操作时间越近的用户行为对预测结果的影响越大；另外，用户行为存在一定的前后关联性，且用户行为的顺序会显著影响最后的预测结果。
75.例如，当用户对某一个商品先后存在浏览、收藏、加购物车的行为时，用户大概率会购买该商品因此；当用户对某一个商品先后存在浏览、收藏、取消收藏的行为时，大概率不会购买该商品。
76.再例如，用户三天前收藏耳机的行为操作，比前三十天收藏耳机的行为操作对用户购买耳机的影响权重大。
77.其中，上述第一时间段包含上述第二时间段，且第二时间段的时长小于第一时间段的时长。
78.示例性的，当第一时间段为最近的一年时，第二时间段可以为最近的一个月。
79.为了更好的理解本技术实施例，假设待预测商品为手机，则通过上述第二历史行为数据，确定各个商品品类对应的各种用户行为序列，如浏览耳机、收藏耳机等用户行为序
列，然后确定这些用户行为序列对购买手机的影响权重。
80.s103、根据第一影响权重与第二影响权重，确定各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，并根据目标影响权重，在多个用户中确定待预测商品品类对应的潜在用户。
81.在一些实施例中，可以通过一个全连接神经网络层，将上述第一影响权重与第二影响权重进行聚合，得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重。
82.在一些实施例中，上述目标影响权重包括各个商品品类对应的各种用户行为对待预测商品品类的影响权重，与各个商品品类对应的各种用户行为序列对待预测商品品类的影响权重。
83.在一些实施例中，可以根据上述第一历史行为数据与目标影响权重，利用softmax分类器，将上述多个用户分为两类，一类为待预测商品品类对应的潜在用户，另一类为待预测商品品类对应的非潜在用户。
84.本技术实施例所提供的潜在用户的预测方法，在用户整体历史行为的基础上，考虑用户最近一段时间的用户行为和行为顺序，从而得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，进而准确预测出待预测商品品类对应的潜在用户，提升潜在用户预测结果的准确性。
85.基于上述实施例中所描述的内容，在一种可行的实施方式中，在数据库中获取到最近第一时间段内多个用户对各个商品品类的第一历史行为数据后，对第一历史行为数据中各个商品品类对应的各种用户行为进行聚合，得到聚合结果，该聚合结果包括一二维矩阵，该二维矩阵的第一维度为各个用户的用户标识，第二维度为各个商品品类对应的各种用户行为。
86.针对用户历史上对全部商品的浏览、关注、加购物车、购买等操作行为，按商品品类 操作类型进行聚合，全部用户形成一个用户标识*特征的二维矩阵，其中，一个特征标识表示一种商品品类对应的一种用户行为，例如“收藏衣服”即可以作为一个特征。
87.在一些实施例在，可以将上述二维矩阵输入到一个4层的dnn模型，根据第一历史行为数据进行训练，得到各个品类特征对对待预测商品品类的第一影响权重。
88.在一种可行的实施方式中，在数据库中获取最近第二时间段内多个用户对各个商品品类的第二历史行为数据后，可以分别对第二历史行为数据中各个商品品类在不同采样时间段内对应的各种用户行为进行聚合，得到聚合结果，该聚合结果包括一三维矩阵，该三维矩阵的第一维度为各个用户的用户标识，第二维度为各个商品品类对应的各种用户行为，第三维度为采样时间段。
89.可以理解的是，时间越近的用户行为对预测结果的影响越大，于是，用户最近历史行为根据时间远近可形成一个用户行为序列，使用lstm模型对该用户行为序列进行处理，就可以得到不同时间远近的用户行为对待预测商品品类的第二影响权重。
90.示例性的，可以将最近一段时间(如30天)的用户行为，按天为粒度，以行为类型为特征进行聚合统计，得到一个用户*特征*日期的三维矩阵，然后输入到lstm模型中进行训练，确定出用户最近一段时间的用户行为序列对待预测商品品类的第二影响权重。
91.在一些实施例中，将第一影响权重与第二影响权重聚合到一起，并通过一个全连
接神经网络层，聚合成统一的目标影响权重，该目标影响权重包含全部特征对待预测商品品类的影响权重。
92.在一些实施例中，可以根据上述第一历史行为数据与目标影响权重，利用softmax分类器，将上述多个用户分为两类，一类为待预测商品品类对应的潜在用户，另一类为待预测商品品类对应的非潜在用户。
93.为了更好的理解本技术实施例，参照图2，图2为本技术实施例中所提供的一种深度学习神经网络模型示意图。
94.本技术一些实施例中，dnn模型包括输入层、隐藏层1、隐藏层2及输出层，f1、f2、
……
、fn为dnn模型的输入数据，r1、r2为dnn模型的输出数据。
95.lstm模型的第一步是确定从节点状态中丢弃哪些信息，该判定由称为“遗忘门层”的西格玛(sigmoid)层决定，它查看ht和dt，并为单元状态ct中的每个数字输出0到1之间的数字。1代表“完全保持这个”，而0代表“完全摆脱这个”。
96.其中，最近第二时间段为最近30天时，dt-30可以理解为最近第30天，ht-30和dt-30可以理解为最近第30天的用户行为数据；dt-29可以理解为最近第29天，ht-29和dt-29可以理解为最近第29天的用户行为数据；
……
，dt-1可以理解为最近第1天，ht-1和dt-1可以理解为最近第1天的用户行为数据。
97.本技术实施例所提供的潜在用户的预测方法，结合dnn和lstm神经网络模型，在用户整体历史行为的基础上，考虑用户最近一段时间的用户行为和行为顺序，从而得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，进而准确预测出待预测商品品类对应的潜在用户，提升潜在用户预测结果的准确性。
98.基于上述实施例中所描述的内容，参照图3，图3为本技术实施例提供的另一种潜在用户的预测方法的流程示意图。如图3所示，该潜在用户的预测方法包括：
99.在数据库中获取最近第一时间段内多个用户对各个商品品类的第一历史行为数据，以及最近第二时间段内所述多个用户对各个商品品类的第二历史行为数据。
100.通过dnn和lstm神经网络模型进行模型训练，确定各个商品品类对应的各种用户行为对待预测商品品类的第一影响权重，以及各个商品品类对应的各种用户行为序列对待预测商品品类的第二影响权重，根据第一影响权重与第二影响权重，确定出各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重。
101.根据上述第一历史行为数据与目标影响权重，在多个用户中确定待预测商品品类对应的潜在用户。
102.进行实践测试，即向潜在用户在线推送待预测商品品类的商品，并采集潜在用户的行为数据。
103.将采集到的潜在用户的行为数据保存至数据库，并更新数据库。
104.基于更新后的所述数据库，重新确定各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，直至重新确定的目标影响权重大于或等于预设阈值。
105.本技术实施例所提供的潜在用户的预测方法，在用户整体历史行为的基础上，考虑用户最近一段时间的用户行为和行为顺序，从而得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，进而准确预测出待预测商品品类对应的潜在用户，提升潜在用户预测结果的准确性。
106.基于上述实施例中所描述的内容，本技术实施例中还提供一种潜在用户的预测装置。参照图4，图4为本技术实施例中提供的一种潜在用户的预测装置的程序模块示意图，该潜在用户的预测装置包括：
107.第一训练模块401，用于根据第一时间段内多个用户对各个商品品类的第一历史行为数据，确定各个商品品类对应的各种用户行为对待预测商品品类的第一影响权重。
108.第二训练模块402，用于根据第二时间段内多个用户对各个商品品类的第二历史行为数据，确定各个商品品类对应的各种用户行为序列对待预测商品品类的第二影响权重。
109.其中，所述用户行为序列由所述第二时间段内当前商品品类对应的用户行为按照时间顺序排列形成；所述第一时间段包含所述第二时间段，且所述第二时间段的时长小于所述第一时间段的时长。
110.处理模块403，用于根据第一影响权重与所述第二影响权重，确定各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重。
111.预测模块404，用于根据目标影响权重，在多个用户中确定待预测商品品类对应的潜在用户。
112.本技术实施例所提供的潜在用户的预测装置，在用户整体历史行为的基础上，考虑用户最近一段时间的用户行为和行为顺序，从而得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，进而准确预测出待预测商品品类对应的潜在用户，提升潜在用户预测结果的准确性。
113.在一种可行的实施方式中，第一训练模块401具体用于：
114.对第一历史行为数据中各个商品品类对应的各种用户行为进行聚合，得到聚合结果，该聚合结果包括一二维矩阵，所述二维矩阵的第一维度为各个用户的用户标识，第二维度为各个商品品类对应的各种用户行为。
115.将上述聚合结果输入预设的dnn模型进行训练，确定出第一影响权重。
116.在一种可行的实施方式中，第二训练模块402具体用于：
117.分别对第二历史行为数据中各个商品品类在不同采样时间段内对应的各种用户行为进行聚合，得到聚合结果，所述聚合结果包括一三维矩阵，所述三维矩阵的第一维度为各个所述用户的用户标识，第二维度为各个商品品类对应的各种用户行为，第三维度为所述采样时间段。
118.将上述聚合结果输入预设的lstm模型进行训练，确定出第二影响权重。
119.在一种可行的实施方式中，处理模块403具体用于：
120.将第一影响权重与第二影响权重输入预设的全连接神经网络层，得到各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重。
121.在一种可行的实施方式中，还包括实践测试模块，用于：
122.在多个用户中确定待预测商品品类对应的潜在用户之后，向潜在用户在线推送待预测商品品类的商品，并采集潜在用户的行为数据；将采集到的潜在用户的行为数据保存至数据库，并更新数据库；基于更新后的数据库，重新确定各个商品品类对应的各种用户行为对待预测商品品类的目标影响权重，直至重新确定的目标影响权重大于或等于预设阈值。
123.需要说明的是，本技术实施例中第一训练模块401、第二训练模块402、处理模块403、预测模块404具体执行的内容可以参阅图1至图3所示实施例中相关内容，此处不做赘述。
124.进一步的，基于上述实施例中所描述的内容，本技术实施例中还提供了一种用户设备，该用户设备包括至少一个处理器和存储器；其中，存储器存储计算机执行指令；上述至少一个处理器执行存储器存储的计算机执行指令，以实现如上述实施例中描述的潜在用户的预测方法的各个步骤，本实施例此处不再赘述。
125.为了更好的理解本技术实施例，参照图5，图5为本技术实施例提供的一种电子设备的硬件结构示意图。
126.如图5所示，本实施例的电子设备50包括：处理器501以及存储器502；其中：
127.存储器502，用于存储计算机执行指令；
128.处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中描述的潜在用户的预测方法的各个步骤，本实施例此处不再赘述。
129.可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。
130.当存储器502独立设置时，该设备还包括总线503，用于连接所述存储器502和处理器501。
131.进一步的，基于上述实施例中所描述的内容，本技术实施例中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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，以实现如上述实施例中描述的潜在用户的预测方法的各个步骤，本实施例此处不再赘述。
132.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
133.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
134.另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
135.上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文：processor)执行本技术各个实施例所述方法的部分步骤。
136.应理解，上述处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，
简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
137.存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
138.总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
139.上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
140.一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
141.本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
142.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。