本技术属于人工智能领域，尤其涉及一种用户类别的确定方法、装置、设备及计算机存储介质。
背景技术：
1、目前对于资费满意度的评估方法包括诸多方面，主要包括不限量套餐被限速、漫游超套餐、4g超套餐、资费敏感等几个方面。现有技术中，主要通过满意度调查问卷的方式，或者通过以往经验，设定识别规则来识别资费不满意用户。
2、但是，基于满意度调差问卷的方式识别资费不满意用户的准确度不高，而且难以实时跟进，不能及时识别出资费不满意用户；基于经验规则来识别不满意用户的方式，是基于固有经验设定的识别规则，只能覆盖资费不满意用户的局部特征信息，进而导致识别出的资费不满意用户准确度较低。
技术实现思路
1、本技术实施例提供一种用户类别的确定方法、装置、设备及计算机存储介质，通过用户类别对应的第一预测分类模型可以实时识别资费不满意用户，及时识别出资费不满意用户，而且多个类别的第一预测分类模型可以覆盖资费不满意用户的全部特征信息，提高了资费不满意用户识别的准确度。
2、第一方面，本技术实施例提供一种用户类别的确定方法，包括：
3、获取第一用户的第一特征信息和第一用户的第一类别；
4、从第一预测分类模型中确定与第一类别对应的目标预测分类模型，目标预测分类模型包括多个第二类别判别条件；
5、将第一特征信息输入至目标预测分类模型，通过将第一特征信息与多个第二类别判断条件进行对比，得到分类结果，分类结果包括第一用户是否为资费不满意用户的信息。
6、在一个可能实现的实施例中，还包括：
7、在第一用户为资费不满意用户的情况下，获取第一用户的流量信息和语音信息；
8、按照分析规则信息对流量信息和语音信息进行分析，得到第一用户为资费不满意用户的分析信息。
9、在一个可能实现的实施例中，在将第一特征信息输入至目标预测分类模型之前，方法还包括：
10、获取第二用户的第二特征信息和第三用户的第三特征信息，第二用户包括资费不满意用户，第三用户包括资费满意用户；
11、根据第一类别判别条件对第二特征信息进行聚类，计算每个类别中第二用户的第二特征信息与聚类中心的第二特征信息之间的距离，利用距离更新第一类别判别条件，在距离的和小于预设值的情况下，确定第二用户的第一类别判别条件，得到聚类结果；聚类结果包括第二特征信息对应的第二用户的类别和类别的第一数量；
12、利用随机森林算法，根据聚类结果构建第一数量的决策树；利用目标第二用户的第二特征信息和第三特征信息训练目标决策树，对比目标决策树对于目标第二用户和第三用户的预测结果，以及目标第二用户和第三用户的实际类别，确定目标决策树的查准率；
13、利用查准率更新目标决策树的多个第二类别判别条件，在查准率大于第一阈值的情况下，确定目标决策树为第一预测分类模型，第一预测分类模型包括多个第二类别判别条件，目标第二用户为聚类结果中任意一个类别的用户。
14、在一个可能实现的实施例中，还包括：
15、利用逻辑回归算法，根据聚类结果构建第一预测分类模型；利用目标第二用户的第二特征信息和第三特征信息训练第一预测分类模型，对比第一预测分类模型对于目标第二用户和第三用户的预测结果，以及目标第二用户和第三用户的实际类别，确定第一预测分类模型的准确率；
16、利用准确率更新第一预测分类模型的多个第二类别判别条件，在准确率大于第一阈值的情况下，得到训练好的第一预测分类模型。
17、在一个可能实现的实施例中，在获取第二用户的第二特征信息之前，方法还包括：
18、获取第二用户的第四特征信息，第四特征信息包括多个特征字段和特征字段的特征值；
19、计算第一目标特征字段的字段值的方差和相关系数，第一目标特征字段为多个特征字段中的任意一个；
20、在方差小于第二阈值，或者相关系数大于第三阈值的情况下，删除第一目标特征字段和第一目标特征字段的特征值，得到第二特征信息。
21、在一个可能实现的实施例中，在方差小于第二阈值，或者相关系数大于第三阈值的情况下，删除第一目标特征字段和第一目标特征字段的特征值，得到第二特征信息，包括：
22、在方差小于第二阈值，或者相关系数大于第三阈值的情况下，删除第一目标特征字段和第一目标特征字段的特征值，得到第五特征信息；
23、对第五特征信息进行标准化，得到第二特征信息。
24、在一个可能实现的实施例中，在利用目标第二用户的第二特征信息和第三特征信息训练第一预测分类模型，对比第一预测分类模型对于目标第二用户和第三用户的预测结果，以及目标第二用户和第三用户的实际类别，确定第一预测分类模型的准确率之后，方法还包括：
25、确定第二特征信息和第三特征信息中的特征字段对查准率的影响程度；
26、删除影响程度小于第四阈值的第二目标特征字段，得到目标第二用户的第六特征信息和第三用户的第七特征信息；
27、利用第六特征信息和第七特征信息训练目标决策树，对比目标决策树对于目标第二用户和第三用户的预测结果和目标第二用户和第三用户的实际类别，确定目标决策树的查准率。
28、第二方面，本技术实施例提供了一种用户类别的确定装置，包括：
29、获取模块，用于获取第一用户的第一特征信息和第一用户的第一类别；
30、确定模块，用于从第一预测分类模型中确定与第一类别对应的目标预测分类模型，目标预测分类模型包括多个第二类别判别条件；
31、对比模块，用于将第一特征信息输入至目标预测分类模型，通过将第一特征信息与多个第二类别判断条件进行对比，得到分类结果，分类结果包括第一用户是否为资费不满意用户的信息。
32、第三方面，本技术实施例提供了一种电子设备，设备包括：
33、处理器以及存储有计算机程序指令的存储器；
34、处理器执行计算机程序指令时实现上述任意一项的在用户类别的确定方法。
35、第四方面，本技术实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述任意一项的用户类别的确定方法。
36、第五方面，本技术实施例提供了一种计算机程序产品，其特征在于，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任意一项的用户类别的确定方法。
37、本技术实施例的用户类别的确定方法、装置、设备及计算机存储介质，该方法包括：获取第一用户的第一特征信息和第一用户的第一类别；从第一预测分类模型中确定与第一类别对应的目标预测分类模型，目标预测分类模型包括多个第二类别判别条件；将第一特征信息输入至目标预测分类模型，通过将第一特征信息与多个第二类别判断条件进行对比，得到分类结果，分类结果包括第一用户是否为资费不满意用户的信息。如此通过用户类别对应的第一预测分类模型可以实时识别资费不满意用户，及时识别出资费不满意用户，而且多个类别的第一预测分类模型可以覆盖资费不满意用户的全部特征信息，提高了资费不满意用户识别的准确度。
1.一种用户类别的确定方法，其特征在于，包括：
2.根据权利要求1所述的用户类别的确定方法，其特征在于，还包括：
3.根据权利要求1所述的用户类别的确定方法，其特征在于，在将所述第一特征信息输入至目标预测分类模型之前，所述方法还包括：
4.根据权利要求3所述的用户类别的确定方法，其特征在于，还包括：
5.根据权利要求3或4所述的用户类别的确定方法，其特征在于，在获取第二用户的第二特征信息之前，所述方法还包括：
6.根据权利要求5所述的用户类别的确定方法，其特征在于，所述在所述方差小于第二阈值，或者所述相关系数大于第三阈值的情况下，删除所述第一目标特征字段和所述第一目标特征字段的特征值，得到所述第二特征信息，包括：
7.根据权利要求3所述的用户类别的确定方法，其特征在于，在利用所述目标第二用户的第二特征信息和所述第三特征信息训练所述第一预测分类模型，对比所述第一预测分类模型对于所述目标第二用户和所述第三用户的预测结果，以及所述目标第二用户和所述第三用户的实际类别，确定所述第一预测分类模型的准确率之后，所述方法还包括：
8.一种用户类别的确定装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的用户类别的确定方法。
