本公开涉及计算机技术领域，尤其涉及一种数据处理方法及装置、电子设备及计算机可读存储介质。
背景技术：
在保险业务中，因为无主用户没有对应的保险代理人，所以保险代理人无法有针对性地获取无主用户的行为数据和购买倾向等信息，保险代理人对无主用户的用户行为和购买倾向等信息掌握不足而且不及时，导致保险代理人的工作效率低，使得无主用户的客户满意度不高，用户体验较差。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现要素：
本发明提供一种数据处理方法、装置、设备及存储介质，该方法快速、准确地为无主用户匹配合适的目标代理人，可以提高信息的匹配度。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
本公开实施例提供一种数据处理方法，包括：服务端获取用户端发送的无主用户的行为数据；所述服务端根据所述无主用户的行为数据，获得所述无主用户的标签；所述服务端根据所述无主用户的标签，确定所述无主用户和各有主用户的相似度；所述服务端根据所述无主用户和各有主用户的相似度，从各有主用户中确定所述无主用户的目标有主用户；所述服务端获取所述目标有主用户对应的代理人；所述服务端根据所述无主用户和各目标有主用户的相似度，确定各代理人和所述无主用户的关联度参考值；所述服务端根据所述关联度参考值，从各代理人中确定所述无主用户的目标代理人；所述服务端将所述无主用户的行为数据发送给所述目标代理人对应的目标代理端。
在本公开一些示例性实施例中，上述方法还包括：获取各有主用户的业务数据和行为数据；利用各有主用户的业务数据和行为数据，获得各有主用户的事实属性标签；通过决策树分类算法对各有主用户的业务数据和行为数据进行处理，获得各有主用户的预测标签；根据各有主用户的事实属性标签和预测标签，构建用户标签体系。
在本公开一些示例性实施例中，根据所述无主用户的标签，确定所述无主用户和多个有主用户的相似度，包括：从所述用户标签体系获取各有主用户对应的标签向量；根据所述无主用户的标签和所述用户标签体系，确定所述无主用户对应的标签向量；确定所述无主用户对应的标签向量和各有主用户对应的标签向量之间的余弦相似度；确定所述无主用户对应的标签向量和各有主用户对应的标签向量之间的皮尔逊相关系数；根据所述余弦相似度和所述皮尔逊相关系数，确定所述无主用户和各有主用户的相似度。
在本公开一些示例性实施例中，上述方法还包括：根据所述用户标签体系，构建所述无主用户的用户画像；将所述无主用户的用户画像发送至所述目标代理端。
在本公开一些示例性实施例中，上述方法还包括：通过二分类算法对各有主用户的购买产品数据进行处理，获得各有主用户的产品数据矩阵；根据各有主用户的产品数据矩阵，确定产品相似度矩阵；获取所述无主用户的购买产品数据；根据所述产品相似度矩阵和所述无主用户的购买产品数据，获得所述无主用户的推荐产品；将所述无主用户的推荐产品发送给所述目标代理端。
在本公开一些示例性实施例中，上述方法还包括：获取所述目标代理端发送的统计数据，其中，所述统计数据包括所述无主用户的购买产品数据；根据所述统计数据，确定所述无主用户的转化率。
在本公开一些示例性实施例中，根据所述无主用户和各有主用户的相似度，确定目标有主用户，包括：基于k近邻算法，根据所述无主用户和各有主用户的相似度，从多个有主用户中获得k个目标有主用户。
本公开实施例提供一种数据处理装置，包括：数据获取模块，用于服务端获取用户端发送的无主用户的行为数据；标签获得模块，用于所述服务端根据所述无主用户的行为数据，获得所述无主用户的标签；相似度确定模块，用于所述服务端根据所述无主用户的标签，确定所述无主用户和各有主用户的相似度；用户确定模块，用于所述服务端根据所述无主用户和各有主用户的相似度，从各有主用户中确定所述无主用户的目标有主用户；代理人确定模块，用于所述服务端获取所述目标有主用户对应的代理人；关联度确定模块，用于所述服务端根据所述无主用户和各目标有主用户的相似度，确定各代理人和所述无主用户的关联度参考值；目标代理人确定模块，用于所述服务端根据所述关联度参考值，从各代理人中确定所述无主用户的目标代理人；数据发送模块，用于所述服务端将所述无主用户的行为数据发送给所述目标代理人对应的目标代理端。
本公开实施例提供一种电子设备，包括：至少一个处理器；存储装置，用于存储至少一个程序，当至少一个程序被至少一个处理器执行时，使得至少一个处理器实现上述任一种方法。
本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一种方法。
本公开一些实施例提供的数据处理方法，通过建立无主用户的标签来计算无主用户和各有主用户的相似度，可以提高相似度计算的准确性；进一步地，通过相似度来确定无主用户对应的目标有主用户，并将从目标有主用户的代理人中确定该无主用户的目标代理人，可以减少数据计算量，提高数据处理效率，且提高了无主用户和目标代理人的匹配准确率。此外，服务端可以接收用户端发送的无主用户的行为数据，并将该无主用户的行为数据发送给目标代理人的目标代理端，便于目标代理人快速、准确地获得无主用户的信息和数据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了可以应用本公开实施例的数据处理方法的示例性系统架构的示意图。
图2是根据一示例性实施方式示出的一种数据处理方法的流程图。
图3是根据一示例性实施方式示出的另一种数据处理方法的流程图。
图4是根据一示例性实施方式示出的另一种数据处理方法的流程图。
图5是根据一示例性实施方式示出的另一种数据处理方法的流程图。
图6是根据一示例性实施方式示出的一种数据处理装置的框图。
图7是根据一示例性实施方式示出的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的数据处理方法的示例性系统架构的示意图。
如图1所示，该系统架构可以包括用户端101、服务端102和代理端103。其中，用户端101和服务端102、用户端101和代理端103、服务端102和代理端103之间均可以通过网络通信。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户端101和代理端103可以是终端设备，终端设备可以智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，本公开对此不做限制。
用户端101可以通过数据接口、数据库etl(extracttransformload，数据仓库技术)方式数据抽取、消息队列推送等方式提供元数据。其中，元数据可以指用户数据的相关管理信息，例如存储位置、日期等等；本公开实施例中，元数据可以指用户产生的原始数据，包括行为数据、身份信息等数据。
服务端102可以是提供各种服务的服务器，服务器可以对接收到的数据进行分析等处理，并将处理结果反馈给终端设备。服务器可以是一个实体的服务器，还可以为多个服务器组成的服务器集群，还可以是云端服务器，根据实际需要，可以具有任意数目的终端设备、网络和服务器。
服务端102例如可以通过数据库同步、接口和rmq(rangeminimum/maximumquery，区间最值查询)等方式获取数据，服务端102例如可以使用hadoop(分布式系统基础架构)大数据处理系统 springboot(斯普瑞布特框架)；服务端102例如可以进行数据存储、数据抽取、多维度分析、数据聚合和ai识别，服务端102例如可以获得用户行为数据、用户保单数据、活动参与数据、用户健康数据等等。其中，服务端102可以利用关联分析、聚类分析等算法以及olap(onlineanalyticalprocessing，联机分析处理)多维度分析方法进行数据之间的关联度和相关性分析，可以提高数据分析的实时性和高并发支持性。服务端102还可以对业务数据通过实时数据流的分析得出结果数据，并对结果数据进行缓存，可以提高服务的抗压能力和计算的实时问题。
用户端101例如可以向服务端102发送无主用户的行为数据；服务端102例如可以获取用户端101发送的无主用户的行为数据；服务端102例如可以根据无主用户的行为数据，获得无主用户的标签；服务端102例如可以根据无主用户的标签，确定无主用户和各有主用户的相似度；服务端102例如可以根据无主用户和各有主用户的相似度，从各有主用户中确定无主用户的目标有主用户；服务端获取目标有主用户对应的代理人；服务端102例如可以根据无主用户和各目标有主用户的相似度，确定各代理人和无主用户的关联度参考值；服务端102例如可以根据关联度参考值，从各代理人中确定无主用户的目标代理人；服务端102例如可以将无主用户的行为数据发送给目标代理人对应的目标代理端103；目标代理端103例如可以接收服务端102发送的无主用户的行为数据，代理人可以根据目标代理端103的无主用户的行为数据，向无主用户对应的用户端101推荐产品。目标代理端103可以向服务端102发送数据跟踪反馈，服务端102可以根据反馈的数据调整数据处理的策略。
应该理解，图1中的用户端、服务端和代理端的数目仅仅是示意性的，根据实际需要，可以具有任意数目的用户端、服务端和代理端。
图2是根据一示例性实施方式示出的一种数据处理方法的流程图。如图2所示，本公开实施例提供的数据处理方法可以包括以下步骤。
在步骤s201中，服务端获取用户端发送的无主用户的行为数据。
本公开实施例中，无主用户可以为没有代理人的用户，无主用户的行为数据可以包括无主用户在用户端浏览保险推送的数据，点击查询保单的数据、无主用户在用户端点击领取红利的数据和无主用户在用户端提交理赔申请的数据等等。
本公开实施例中，用户在用户端经过实名认证后，用户端可以将该用户标记为无主用户或有主用户，同时，用户端可以跟踪该用户在用户端的行为轨迹。
本公开实施例中，用户端也可以向服务端发送有主用户的业务数据，有主用户可以为有代理人的用户，有主用户的业务数据可以包括有主用户购买的产品信息、有主用户购买的时间信息等等。
本公开实施例中，服务端也可以获取运营活动中的数据，运营活动包括但不限于线上推广活动、线下推广活动等等。
在步骤s202中，服务端根据无主用户的行为数据，获得无主用户的标签。
其中，标签可以包括但不限于年龄、地区、兴趣爱好、收入水平、保险种类、养老等等。
例如，服务端可以根据无主用户的浏览保险推送的数据，获得无主用户的想了解的保险种类。
本公开实施例中，服务端可以利用预先构建的用户标签体系，根据无主用户的行为数据和用户标签体系中的数据与标签的对应关系，获得无主用户的标签。
在步骤s203中，服务端根据无主用户的标签，确定无主用户和各有主用户的相似度。
本公开实施例中，服务端可以将无主用户的标签转化为标签向量，根据无主用户的标签向量和各有主用户的标签向量，计算无主用户和各有主用户的相似度。其中，各有主用户的标签向量可以预先存储在服务端，也可以根据各有主用户的标签转化得到。
在步骤s204中，服务端根据无主用户和各有主用户的相似度，从各有主用户中确定无主用户的目标有主用户。
本公开实施例中，服务端可以根据无主用户和各有主用户的相似度，从各有主用户中选取相似度较大的k个有主用户作为该无主用户的目标有主用户。其中，k为大于或等于1的整数。
在示例性实施例中，可以基于k近邻算法，根据所述无主用户和各有主用户的相似度，从多个有主用户中获得k个目标有主用户。
其中，k近邻算法是一种机器学习算法，可以将有主用户作为训练数据集的实例，将无主用户作为输入的实例，可以在训练数据集中找到与无主用户实例最邻近的k个有主用户实例，即目标有主用户。
在步骤s205中，服务端获取目标有主用户对应的代理人。
本公开实施例中，代理人包括但不限于保险代理人。
本公开实施例中，服务端可以根据预先存储的有主用户的信息，获取目标有主用户对应的代理人。
本公开实施例中，服务端可以将有主用户的业务数据和行为数据按照预设规则存储，可以提取有主用户的数据特征，结构化处理各种业务数据和行为数据，对各种业务数据和行为数据进行过滤、内容填充和聚合，产出有主用户的结果数据。其中，预设规则可以按照用户行为埋点数据的事件标识、事件名称、事件标签及其他属性设置。
本公开实施例中，服务端可以基于数据仓库按照主题的方式对业务数据和行为数据进行提取、过滤后进行存储。
在步骤s206中，服务端根据无主用户和各目标有主用户的相似度，确定各代理人和无主用户的关联度参考值。
本公开实施例中，服务端可以将代理人相同的目标有主用户的相似度累加，作为该代理人与该无主用户的关联度参考值。
例如，目标有主用户为甲、乙、丙、丁，甲、丙对应的代理人均为a，乙、丁对应的代理人均为b，那么，可以将甲和无主用户的相似度与丙和无主用户的相似度相加，作为代理人a和无主用户的关联度参考值；可以将乙和无主用户的相似度与丁和无主用户的相似度相加，作为代理人b和无主用户的关联度参考值。
在步骤s207中，服务端根据关联度参考值，从各代理人中确定无主用户的目标代理人。
本公开实施例中，服务端可以选择与无主用户的关联度参考值最大的代理人作为该无主用户的目标代理人；服务端也可以选择与无主用户的关联度参考值较大的多个代理人作为该无主用户的目标代理人。
在步骤s208中，服务端将无主用户的行为数据发送给目标代理人对应的目标代理端。
本公开实施例中，服务端可以将该无主用户的行为数据发送给目标代理人对应的目标代理端，目标代理人可以在目标代理端查看该无主用户的行为数据。
本公开实施例中，服务端还可以对无主用户的行为数据进行处理，生成用户行为报告，并将无主用户的用户行为报告发送给目标代理端。
本公开实施例中，服务端还可以基于大数据，构建用户的行为轨迹，通过在用户端和前端埋点，实时采集用户行为数据，并关联后台个人信息，根据算法及时的推送给目标代理人，大大提高了代理人掌握用户行为和使用偏好的及时性，同时丰富了用户行为信息维度。
本公开实施例提供的数据处理方法，通过建立无主用户的标签来计算无主用户和各有主用户的相似度，可以提高相似度计算的准确性；进一步地，通过相似度来确定无主用户对应的目标有主用户，并将从目标有主用户的代理人中确定该无主用户的目标代理人，可以减少数据计算量，提高数据处理效率，且提高了无主用户和目标代理人的匹配准确率。此外，服务端可以接收用户端发送的无主用户的行为数据，并将该无主用户的行为数据发送给目标代理人的目标代理端，便于目标代理人快速、准确地获得无主用户的信息和数据。
本公开实施例提供的数据处理方法还可以提高工作效率，提升代理人的工作热情和满意度，提升用户的满意度。
图3是根据一示例性实施方式示出的另一种数据处理方法的流程图。本公开实施例提供的数据处理方法可以由图1中的服务端执行，但本公开并不限定于此。
如图3所示，本公开实施例提供的数据处理方法可以包括以下步骤。
在步骤s301中，获取各有主用户的业务数据和行为数据。
本公开实施例中，服务端可以从各有主用户对应的用户端获取各有主用户的业务数据和行为数据，也可以从运营活动中获取各有主用户的业务数据和行为数据。
在步骤s302中，利用各有主用户的业务数据和行为数据，获得各有主用户的事实属性标签。
其中，事实属性标签例如可以包括姓名、性别、年龄等。
本公开实施例中，可以从各有主用户的业务数据和行为数据中直接获得各有主用户的事实属性标签。
在步骤s303中，通过决策树分类算法对各有主用户的业务数据和行为数据进行处理，获得各有主用户的预测标签。
其中，预测标签可以为无法直接从用户的业务数据和行为数据中获得的标签。例如，预测标签可以为消费等级。
例如，服务端可以根据用户查询期满保单的记录，预测无主用户下次购买保单的时间。
本公开实施例中，决策树分类算法可以根据给定的数据集构建决策树模型，使用该决策树模型可以对实例进行分类。
本公开实施例中，例如可以基于各有主用户的样本数据，对样本数据中不同的字段进行标注，训练获得用户消费评估模型，可以使用该消费评估模型，对各有主用户的消费等级进行预测。其中，各有主用户的样本数据可以包括多个维度的数据，例如，手机型号、汽车资产等；用户消费评估模型可以是一种决策树模型。
在步骤s304中，根据各有主用户的事实属性标签和预测标签，构建用户标签体系。
本公开实施例中，可以根据各有主用户的事实属性标签和预测标签，构建用户标签体系，该用户标签体系可以包括用户的各种数据与标签的对应关系。
在示例性实施例中，上述数据处理方法还可以包括：根据用户标签体系，构建无主用户的用户画像；将无主用户的用户画像发送至目标代理端。
本公开实施例中，可以根据用户标签体系中用户的各种数据与标签的对应关系，确定无主用户对应的各标签，利用无主用户对应的各标签，构建该无主用户的用户画像。
本公开实施例中，可以将无主用户的用户画像发送至目标代理端，也可以将无主用户的行为数据和用户画像一起发送至目标代理端，便于目标代理人查看。
图4是根据一示例性实施方式示出的另一种数据处理方法的流程图。图4所示的数据处理方法进一步提供了服务端如何根据无主用户的标签，确定无主用户和各有主用户的相似度，也即提供了上述步骤s203的一种实施例。
如图4所示，步骤s203可以包括以下步骤。
在步骤s2031中，从用户标签体系获取各有主用户对应的标签向量。
本公开实施例中，用户标签体系可以包括不同用户在不同属性下对应的标签向量。
本公开实施例中，可以根据各有主用户的标签，从用户标签体系中获取各有主用户对应的标签向量。
在步骤s2032中，根据无主用户的标签和用户标签体系，确定无主用户对应的标签向量。
本公开实施例中，可以根据无主用户的标签和用户标签体系中各标签与标签向量的对应关系，确定无主用户对应的标签向量。
在步骤s2033中，确定无主用户对应的标签向量和各有主用户对应的标签向量之间的余弦相似度。
本公开实施例中，无主用户对应的标签向量和各有主用户对应的标签向量之间的余弦相似度可以根据以下公式确定：
其中，x表示无主用户对应的标签向量，y表示有主用户对应的标签向量，xi表示无主用户在第i个属性下对应的标签向量，yi表示有主用户在第i个属性下对应的标签向量，i为大于或等于1的整数，c(x,y)表示无主用户对应的标签向量和有主用户对应的标签向量之间的余弦相似度。
在步骤s2034中，确定无主用户对应的标签向量和各有主用户对应的标签向量之间的皮尔逊相关系数。
本公开实施例中，无主用户对应的标签向量和各有主用户对应的标签向量之间的皮尔逊相关系数可以根据以下公式确定：
其中，p(x,y)表示无主用户对应的标签向量和有主用户对应的标签向量之间的皮尔逊相关系数，n表示属性个数，n为大于或等于1的整数。
在步骤s2035中，根据余弦相似度和皮尔逊相关系数，确定无主用户和各有主用户的相似度。
本公开实施例中，可以将无主用户对应的标签向量和有主用户对应的标签向量之间的余弦相似度和皮尔逊相关系数加权求和，将求和结果作为无主用户和有主用户的相似度。
图5是根据一示例性实施方式示出的另一种数据处理方法的流程图。本公开实施例提供的数据处理方法可以由图1中的服务端执行，但本公开并不限定于此。
如图5所示，本公开实施例提供的数据处理方法可以包括以下步骤。
在步骤s501中，通过二分类算法对各有主用户的购买产品数据进行处理，获得各有主用户的产品数据矩阵。
其中，产品可以包括但不限于保险产品。
本公开实施例中，各有主用户的购买产品数据可以从各有主用户的业务数据中获得。
本公开实施例中，可以通过二分类算法对各有主用户的购买产品数据进行分类，并按照one-hot(独热编码)方法进行赋值，例如，可以用1表示购买，0表示未购买，获得各有主用户的产品数据矩阵。
在步骤s502中，根据各有主用户的产品数据矩阵，确定产品相似度矩阵。
本公开实施例中，可以根据各有主用户的产品数据矩阵，确定各产品的产品相似度矩阵。
例如，可以根据余弦相似度或者皮尔逊相关系数的方法确定各产品的产品相似度矩阵。
在步骤s503中，获取无主用户的购买产品数据。
本公开实施例中，服务端可以从无主用户对应的用户端获取无主用户的购买产品数据，也可以从运营活动中获取无主用户的购买产品数据。
在步骤s504中，根据产品相似度矩阵和无主用户的购买产品数据，获得无主用户的推荐产品。
本公开实施例中，可以将无主用户的购买产品数据转化为多维向量，根据产品相似度矩阵，选取与无主用户的购买产品数据的多维向量相似度较高的产品作为该无主用户的推荐产品。
在步骤s505中，将无主用户的推荐产品发送给目标代理端。
本公开实施例中，可以将无主用户的推荐产品发送给目标代理端，也可以将无主用户的行为数据和推荐产品一起发送给目标代理端，便于目标代理人查看并向无主用户对应的用户端推荐产品。
在示例性实施例中，数据处理方法还可以包括获取目标代理端发送的统计数据，其中，统计数据包括无主用户的购买产品数据；根据统计数据，确定无主用户的转化率。
本公开实施例中，目标代理端可以根据服务端发送的无主用户的推荐产品，向无主用户对应的用户端发送推荐产品的产品信息，目标代理端可以获得无主用户对应的用户端的反馈信息，该反馈信息可以包括无主用户是否购买该推荐产品、购买该推荐产品的时间等等。目标代理端可以将该反馈信息进行处理，生成统计数据，并将该统计数据发送至服务端，该统计数据可以包括各无主用户购买各推荐产品的信息。服务端通过对该统计数据进行处理，计算各无主用户的转化率。根据各无主用户的转化率，服务端可以判断推荐产品的准确性，服务端可以根据推荐产品的准确性，调整推荐产品的策略，优化系统功能。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图6是根据一示例性实施方式示出的一种数据处理装置的框图。
如图6所示，数据处理装置600可以包括：数据获取模块601、标签获得模块602、相似度确定模块603、用户确定模块604、代理人确定模块605、关联度确定模块606、目标代理人确定模块607和数据发送模块608。
其中，数据获取模块601可以用于服务端获取用户端发送的无主用户的行为数据；标签获得模块602可以用于服务端根据无主用户的行为数据，获得无主用户的标签；相似度确定模块603可以用于服务端根据无主用户的标签，确定无主用户和各有主用户的相似度；用户确定模块604可以用于服务端根据无主用户和各有主用户的相似度，从各有主用户中确定无主用户的目标有主用户；代理人确定模块605可以用于服务端获取目标有主用户对应的代理人；关联度确定模块606可以用于服务端根据无主用户和各目标有主用户的相似度，确定各代理人和无主用户的关联度参考值；目标代理人确定模块607可以用于服务端根据关联度参考值，从各代理人中确定无主用户的目标代理人；数据发送模块608可以用于服务端将无主用户的行为数据发送给目标代理人对应的目标代理端。
在示例性实施例中，数据处理装置600还可以包括：有主用户数据获取模块，可以用于获取各有主用户的业务数据和行为数据；事实属性标签获得模块，可以用于利用各有主用户的业务数据和行为数据，获得各有主用户的事实属性标签；预测标签获得模块，可以用于通过决策树分类算法对各有主用户的业务数据和行为数据进行处理，获得各有主用户的预测标签；标签体系构建模块，可以用于根据各有主用户的事实属性标签和预测标签，构建用户标签体系。
在示例性实施例中，相似度确定模块603可以包括：标签向量获取单元，可以用于从用户标签体系获取各有主用户对应的标签向量；标签向量确定单元，可以用于根据无主用户的标签和用户标签体系，确定无主用户对应的标签向量；余项相似度确定单元，可以用于确定无主用户对应的标签向量和各有主用户对应的标签向量之间的余弦相似度；皮尔逊相关系数确定单元，可以用于确定无主用户对应的标签向量和各有主用户对应的标签向量之间的皮尔逊相关系数；相似度确定单元，可以用于根据余弦相似度和皮尔逊相关系数，确定无主用户和各有主用户的相似度。
在示例性实施例中，数据处理装置600还可以包括：用户画像构建模块，可以用于根据用户标签体系，构建无主用户的用户画像；用户画像发送模块，可以用于将无主用户的用户画像发送至目标代理端。
在示例性实施例中，数据处理装置600还可以包括：产品数据矩阵获得模块，可以用于通过二分类算法对各有主用户的购买产品数据进行处理，获得各有主用户的产品数据矩阵；产品相似度矩阵确定模块，可以用于根据各有主用户的产品数据矩阵，确定产品相似度矩阵；购买产品数据获取模块，可以用于获取无主用户的购买产品数据；推荐产品获得模块，可以用于根据产品相似度矩阵和无主用户的购买产品数据，获得无主用户的推荐产品；推荐产品发送模块，可以用于将无主用户的推荐产品发送给无主用户的目标代理人。
在示例性实施例中，数据处理装置600还可以包括：统计数据获取模块，可以用于获取目标代理端发送的统计数据，其中，统计数据包括无主客户的购买产品数据；转化率确定模块，可以用于根据统计数据，确定无主客户的转化率。
在示例性实施例中，用户确定模块604可以包括：用户获取单元，可以用于基于k近邻算法，根据无主用户和各有主用户的相似度，从多个有主用户中获得k个目标有主用户。
需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图7是根据一示例性实施方式示出的一种电子设备的结构示意图。需要说明的是，图7示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取用户端发送的无主用户的行为数据；根据无主用户的行为数据，获得无主用户的标签；根据无主用户的标签，确定无主用户和各有主用户的相似度；根据无主用户和各有主用户的相似度，从各有主用户中确定无主用户的目标有主用户；获取目标有主用户对应的代理人；根据无主用户和各目标有主用户的相似度，确定各代理人和无主用户的关联度参考值；根据关联度参考值，从各代理人中确定无主用户的目标代理人；将无主用户的行为数据发送给目标代理人对应的目标代理端。
以上具体地示出和描述了本发明的示例性实施方式。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
1.一种数据处理方法，其特征在于，包括：
服务端获取用户端发送的无主用户的行为数据；
所述服务端根据所述无主用户的行为数据，获得所述无主用户的标签；
所述服务端根据所述无主用户的标签，确定所述无主用户和各有主用户的相似度；
所述服务端根据所述无主用户和各有主用户的相似度，从各有主用户中确定所述无主用户的目标有主用户；
所述服务端获取所述目标有主用户对应的代理人；
所述服务端根据所述无主用户和各目标有主用户的相似度，确定各代理人和所述无主用户的关联度参考值；
所述服务端根据所述关联度参考值，从各代理人中确定所述无主用户的目标代理人；
所述服务端将所述无主用户的行为数据发送给所述目标代理人对应的目标代理端。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取各有主用户的业务数据和行为数据；
利用各有主用户的业务数据和行为数据，获得各有主用户的事实属性标签；
通过决策树分类算法对各有主用户的业务数据和行为数据进行处理，获得各有主用户的预测标签；
根据各有主用户的事实属性标签和预测标签，构建用户标签体系。
3.根据权利要求2所述的方法，其特征在于，所述服务端根据所述无主用户的标签，确定所述无主用户和各有主用户的相似度，包括：
从所述用户标签体系获取各有主用户对应的标签向量；
根据所述无主用户的标签和所述用户标签体系，确定所述无主用户对应的标签向量；
确定所述无主用户对应的标签向量和各有主用户对应的标签向量之间的余弦相似度；
确定所述无主用户对应的标签向量和各有主用户对应的标签向量之间的皮尔逊相关系数；
根据所述余弦相似度和所述皮尔逊相关系数，确定所述无主用户和各有主用户的相似度。
4.根据权利要求2所述的方法，其特征在于，还包括：
根据所述用户标签体系，构建所述无主用户的用户画像；
将所述无主用户的用户画像发送至所述目标代理端。
5.根据权利要求1所述的方法，其特征在于，还包括：
通过二分类算法对各有主用户的购买产品数据进行处理，获得各有主用户的产品数据矩阵；
根据各有主用户的产品数据矩阵，确定产品相似度矩阵；
获取所述无主用户的购买产品数据；
根据所述产品相似度矩阵和所述无主用户的购买产品数据，获得所述无主用户的推荐产品；
将所述无主用户的推荐产品发送给所述目标代理端。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取所述目标代理端发送的统计数据，其中，所述统计数据包括所述无主用户的购买产品数据；
根据所述统计数据，确定所述无主用户的转化率。
7.根据权利要求1所述的方法，其特征在于，所述服务端根据所述无主用户和各有主用户的相似度，从各有主用户中确定无主用户的目标有主用户，包括：
基于k近邻算法，根据所述无主用户和各有主用户的相似度，从多个有主用户中获得k个目标有主用户，k为大于1的正整数。
8.一种数据处理装置，其特征在于，包括：
数据获取模块，用于服务端获取用户端发送的无主用户的行为数据；
标签获得模块，用于所述服务端根据所述无主用户的行为数据，获得所述无主用户的标签；
相似度确定模块，用于所述服务端根据所述无主用户的标签，确定所述无主用户和各有主用户的相似度；
用户确定模块，用于所述服务端根据所述无主用户和各有主用户的相似度，从各有主用户中确定所述无主用户的目标有主用户；
代理人确定模块，用于所述服务端获取所述目标有主用户对应的代理人；
关联度确定模块，用于所述服务端根据所述无主用户和各目标有主用户的相似度，确定各代理人和所述无主用户的关联度参考值；
目标代理人确定模块，用于所述服务端根据所述关联度参考值，从各代理人中确定所述无主用户的目标代理人；
数据发送模块，用于所述服务端将所述无主用户的行为数据发送给所述目标代理人对应的目标代理端。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
存储装置，用于存储至少一个程序，当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1至7任一项所述的方法。
技术总结