数据处理方法、装置、计算机设备和存储介质

本申请涉及计算机技术领域，特别是涉及一种数据处理方法、装置、计算机设备和存储介质。

在目标应用的促申完(促进完成用户资料的申请)经营过程中，为了促进更多的目标应用注册用户提交申请资料，传统的方案一般是，筛选出全量的已注册未申请的用户，进行全覆盖的营销促达。或者，筛选出注册后一定时间内还未完成申请的用户，进行营销促达。然而，由于筛选出的目标用户进行全覆盖，可能有些本来就会申请的用户发出高成本的优惠券，增加运营成本，有些申请意愿低下的用户由于促销力度不够，不愿意完成申请，这样花费了成本又没有达到预期目标。

基于此，有必要针对上述技术问题，提供一种数据处理方法、装置、计算机设备和存储介质，能够根据目标用户的目标用户注册信息得到目标用户完成目标应用注册并提交申请资料的概率，根据概率向目标用户发送相应的用户共享资源，以使得目标用户完成用户资源共享申请，使得用户资源共享申请能够精准地向相应用户推送，促进用户完成相应的用户资源共享申请。

一种数据处理方法，该方法包括：

获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户；

获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的；

将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数；

根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

在其中一个实施例中，目标用户注册信息包括多个用户注册特征变量，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，包括：将各用户注册特征变量输入至目标神经网络模型中，目标神经网络模型根据各用户注册特征变量判断是否符合各目标注册特征变量，根据判断结果计算得到目标用户对应的目标申请意愿分数。

在其中一个实施例中，根据目标申请意愿分数向目标用户发送目标用户共享资源，包括：获取第一预设申请意愿分数阈值和第二预设申请意愿分数阈值，第一预设申请意愿分数阈值大于第二预设申请意愿分数阈值，在目标申请意愿分数大于等于第一预设申请意愿分数阈值时，向目标用户发送第一目标数值的第一目标用户共享资源，并发送信息至目标用户，在目标申请意愿分数大于第二预设申请意愿分数阈值且小于第一预设申请意愿分数阈值时，向目标用户发送第二目标数值的第二目标用户共享资源，并发送信息至目标用户，第一目标用户共享资源和第二目标用户共享资源属于不同类型的用户共享资源，在目标申请意愿分数小于第二预设申请意愿分数时，向目标用户发送第三目标数值的第二目标用户共享资源，并通过人工智能设备与目标用户进行交互，第三目标数值大于第二目标数值。

在其中一个实施例中，目标神经网络模型的构建步骤包括：获取大量训练样本数据，训练样本数据包括各目标注册特征变量，计算各目标注册特征变量对应的基尼系数，根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型。

在其中一个实施例中，计算各目标注册特征变量对应的基尼系数,包括：从各目标注册特征变量中确定当前注册特征变量，获取训练样本数据中当前注册特征变量对应的当前注册特征变量集，以及训练样本数据中非当前注册特征变量对应的非当前注册特征变量集，计算当前注册特征变量集中类别为目标类别的第一概率，以及计算非当前注册特征变量集中类别为目标类别的第二概率，根据训练样本数据集的总数目、当前注册特征变量集的总数目、非当前注册特征变量集的总数目、第一概率和第二概率计算得到当前注册特征变量对应的当前基尼系数。

在其中一个实施例中，根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型，包括：将各基尼系数按照升序顺序排列，得到排列后的各基尼系数，将最小基尼系数对应的目标注册特征变量确定为目标神经网络模型的起始节点，根据排列后的各基尼系数确定起始节点连接的下一目标注册特征变量，以此类推，得到树状结构的目标神经网络模型。

在其中一个实施例中，目标用户注册信息为目标用户注册时间、目标用户下载目标应用渠道、目标用户首次登录时间、目标用户点击申请按钮时间、目标应用激活时间、目标用户人脸识别时间、目标用户最后一次打开目标应用时间、目标应用打开次数、目标用户阅读目标应用协议时间、目标用户所使用的设备品牌以及目标用户手机号归属地中的至少一种。

一种数据处理装置，该装置包括：

第一获取模块，用于获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户；

第二获取模块，用于获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的；

输入模块，用于将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数；

发送模块，用于根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：

获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户；

获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的；

将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数；

根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户；

获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的；

将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数；

根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

上述数据处理方法、装置、计算机设备和存储介质，获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户，获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。因此，能够根据目标用户的目标用户注册信息得到目标用户完成目标应用注册并提交申请资料的概率，根据概率向目标用户发送相应的用户共享资源，以使得目标用户完成用户资源共享申请，使得用户资源共享申请能够精准地向相应用户推送，促进用户完成相应的用户资源共享申请。

图1为一个实施例中数据处理方法的应用环境图；

图2为一个实施例中数据处理方法的流程示意图；

图2A为一个实施例中目标神经网络模型的结构示意图；

图3为一个实施例中目标用户共享资源发送步骤的流程示意图；

图4为一个实施例中目标神经网络模型的构建步骤的流程示意图；

图5为一个实施例中基尼系数计算步骤的流程示意图；

图6为一个实施例中目标神经网络模型确定步骤的流程示意图；

图6A为一个实施例中目标神经网络模型的结构示意图；

图7为一个实施例中结合申完意愿模型的促申完的流程示意图；

图8为一个实施例中数据处理装置的结构框图；

图9为一个实施例中计算机设备的内部结构图；

图10为一个实施例中计算机设备的内部结构图。

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集来实现。

具体地，终端102获取目标用户对应的目标用户注册信息，目标用户为已完成注册并未完成用户资源共享申请的用户，并发送至服务器104。服务器104获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

在另一个实施例中，终端102获取目标用户对应的目标用户注册信息，目标用户为已完成注册并未完成用户资源共享申请的用户，获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

在一个实施例中，如图2所示，提供了一种数据处理方法，以该方法应用于图1中的终端或服务器为例进行说明，包括以下步骤：

步骤202，获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户。

其中，目标用户是已完成目标应用的用户注册但是未完成用户资源共享申请的用户，所谓用户资源共享申请是完成用户资源共享的用户资料申请，用户资源共享例如借款、贷款，用户资源共享申请例如借款申请、贷款申请等，而目标应用是与用户资源共享相关的应用，例如借款应用app，贷款应用app等。

其中，目标用户注册信息是与目标用户注册相关的信息，目标用户在完成目标应用的用户注册时产生的数据都可以确定为目标用户注册信息。

在一个实施例中，目标用户注册信息为目标用户注册时间、目标用户下载目标应用渠道、目标用户首次登录时间、目标用户点击申请按钮时间、目标应用激活时间、目标用户人脸识别时间、目标用户最后一次打开目标应用时间、目标应用打开次数、目标用户阅读目标应用协议时间、目标用户所使用的设备品牌以及目标用户手机号归属地中的至少一种。

其中，目标用户注册时间是目标用户完成注册的日期，目标用户下载目标应用渠道是目标用户从哪个渠道下载该目标应用的，例如，安卓应用商城、ios应用商城等。

其中，目标用户首次登录时间是目标用户首次登录目标应用的时间，目标应用的相关页面可设置有申请按钮控件，可通过触发操作该申请按钮控件进行申请触发事件，而目标用户点击申请按钮时间就是指目标用户点击目标应用上的申请按钮的时间。

其中，目标应用激活时间是目标应用的激活时间，即目标应用的真正使用时间，目标应用下载好后，可能并不是立马激活，可能等需要使用的时候才激活。

其中，目标用户人脸识别时间是目标用户在完成目标应用的人脸识别的时间，目标用户最后一次打开目标应用时间是目标用户在预设时间段内最后一次打开目标应用的时间，预设时间段内可以根据实际业务需求、实际产品需求或应用场景进行确定得到。

其中，目标应用打开次数可以是目标应用在预设时间段内打开目标应用的总次数，预设时间段内可以根据实际业务需求、产品需求或应用场景进行确定得到。

其中，目标应用可提供用户阅读目标应用协议，当目标用户完成目标用户阅读目标应用协议后，方可完成相应的操作，因此，目标用户阅读目标应用协议时间是指目标用户完成目标应用提供的目标应用协议的时间。

其中，目标用户所使用的设备品牌以及目标用户手机号归属地都是与目标用户相关的用户信息，目标用户所使用的设备品牌包括现有的设备拼单。

步骤204，获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的。

其中，这里的目标用户神经模型是用来评估目标用户对应的目标用户资源共享申请意愿程度的，即目标用户神经网络模型是用来预测目标用户完成目标用户资源共享申请的可能性。其中，目标神经网络模型可以是已训练好的决策树模型，即可以是树状的神经网络模型结构。目标神经网络模型的网络结构由各目标注册特征变量构建得到，目标注册特征变量是通过对大量的训练用户注册信息进行特征提取得到的。

步骤206，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数。

具体地，将目标用户的目标用户注册信息确定为目标神经网络模型的输入数据，目标神经网络模型接收到目标用户注册信息后，根据目标用户注册信息进行预测，具体可以是，将目标用户注册信息与目标神经网络模型中的目标注册特征变量进行判断，根据判断结果得到目标用户对应的目标申请意愿分数。

其中，将目标用户注册信息与目标神经网络模型中的目标注册特征变量进行判断具体可以是，根据目标注册特征变量从目标用户注册信息中提取匹配的目标用户注册特征变量，再根据目标用户注册特征变量与目标神经网络模型的目标用户注册信息是否匹配，得到目标用户对应的目标申请意愿分数。

在一个实施例中，目标用户注册信息包括多个用户注册特征变量，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，包括：将各用户注册特征变量输入至目标神经网络模型中，目标神经网络模型根据各用户注册特征变量判断是否符合各目标注册特征变量，根据判断结果计算得到目标用户对应的目标申请意愿分数。

其中，如果目标用户注册信息包括多个用户注册特征变量，可以将各个用户注册特征变量一起输入至目标神经网络模型中，目标神经网络模型根据各用户注册特征变量判断是否符合目标神经网络模型中的各目标注册特征变量，根据判断结果来计算目标用户对应的目标申请意愿分数。

其中，目标申请意愿分数可以以以下公式计算得到：

其中，Gj为目标神经网络模型当前叶子节点的左侧节点树的一阶导数之和，Hj为当前叶子节点的左侧节点树的二阶导数之和，λ为当前步长，γ为引入新叶子节点引入的复杂度代价，T为目标神经网络模型中总叶子节点的个数。其中，当前叶子节点是目标神经网络模型中总叶子节点中的任意一个。

例如，如图2A所示，图2A示出一个实施例中目标神经网络模型的结构示意图，目标神经网络模型中包括2个目标注册特征变量，分别为用户注册时间是否是今天(2021年7月30日)和用户首登时间是否是今天(2021年7月30日)，而目标用户注册信息包括2个用户注册特征变量，分别为目标用户注册时间是2021年7月28日，和用户首登时间是2021年7月30日，将2个用户注册特征变量输入至目标神经网络模型中，由于目标用户注册时间并不是今天，即输入的用户注册特征变量与目标注册特征变量不匹配，因此，计算出目标用户对应的目标申请意愿分数为-0.1分。

步骤208，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

其中，目标申请意愿分数是体现目标用户对于申请用户资源共享的一种手段，目标申请意愿分数越高，说明该目标用户对于申请用户资源共享的意愿比较强烈，反之，目标申请意愿分数越低，说明该目标用户对于申请用户资源共享的意愿比较低。因此，可以根据目标资源共享意愿分数向目标用户发送不同的目标用户共享资源，通过目标用户共享资源吸引目标用户完成用户资源共享申请。其中，目标用户共享资源可以是一定数值的资源共享券，或者是一定数值的资源转移券，目标用户共享资源例如，优惠券、积分等。

上述数据处理方法中，获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户，获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

因此，能够根据目标用户的目标用户注册信息得到目标用户完成目标应用注册并提交申请资料的概率，根据概率向目标用户发送相应的用户共享资源，以使得目标用户完成用户资源共享申请，使得用户资源共享申请能够精准地向相应用户推送，促进用户完成相应的用户资源共享申请。

在一个实施例中，如图3所示，根据目标申请意愿分数向目标用户发送目标用户共享资源，包括：

步骤302，获取第一预设申请意愿分数阈值和第二预设申请意愿分数阈值，第一预设申请意愿分数阈值大于第二预设申请意愿分数阈值。

步骤304，在目标申请意愿分数大于等于第一预设申请意愿分数阈值时，向目标用户发送第一目标数值的第一目标用户共享资源，并发送信息至目标用户。

其中，第一预设申请意愿分数阈值和第二预设申请意愿分数阈值是用来划分目标申请意愿分数所隶属于哪个分布区间，第一预设申请意愿分数阈值和第二预设申请意愿分数阈值可根据实际业务需求、产品需求或实际应用场景进行确定得到。其中，第一预设申请意愿分数阈值大于第二预设申请意愿分数阈值。

具体地，将目标申请意愿分数与第一预设申请意愿分数阈值和第二预设申请意愿分数阈值进行比较，如果目标申请意愿分数大于等于第一预设申请意愿分数阈值时，说明目标用户对于申请用户资源共享的意愿比较强烈，可发送第一目标数值的第一目标用户共享资源至目标用户，并向目标用户发送信息提醒。其中，目标用户对于申请用户资源共享的意愿比较强烈，因此，可以发送较小数值的第一目标用户共享资源去吸引目标用户，例如20积分。

步骤306，在目标申请意愿分数大于第二预设申请意愿分数阈值且小于第一预设申请意愿分数阈值时，向目标用户发送第二目标数值的第二目标用户共享资源，并发送信息至目标用户，第一目标用户共享资源和第二目标用户共享资源属于不同类型的用户共享资源。

步骤308，在目标申请意愿分数小于第二预设申请意愿分数时，向目标用户发送第三目标数值的第二目标用户共享资源，并通过人工智能设备与目标用户进行交互，第三目标数值大于第二目标数值。

具体地，将目标申请意愿分数与第一预设申请意愿分数阈值和第二预设申请意愿分数阈值进行比较，如果目标申请意愿分数大于第二预设申请意愿分数阈值且小于第一预设申请意愿分数阈值时，说明目标用户对于申请用户资源共享的意愿中等，可以发送数值较大的第二目标数值的第二目标用户共享资源，并向目标用户发送信息提醒。其中，第一目标用户共享资源和第二目标用户共享资源属于不同类型的用户共享资源，第二目标用户共享资源可以是更加吸引目标用户的用户共享资源。例如，第一目标用户共享资源可以是积分，第二目标用户共享资源可以是优惠券。

进一步地，如果目标申请意愿分数小于第二预设申请意愿分数时，说明目标用户对于申请用户资源共享的意愿比较小，因此，可以发送数值较大且更有吸引力类型的第二目标用户共享资源至目标用户，并通过人工智能设备与目标用户进行交互，例如，人工外呼。其中，因为目标申请意愿分数小于第二预设申请意愿分数的目标用户的意愿比较低，因此需要数值更大的用户共享资源吸引目标用户。例如，第二目标数值的第二目标用户共享资源可以是10元优惠券，第三目标数值的第三目标用户共享资源可以是20元优惠券。

在一个实施例中，如图4所示，目标神经网络模型的构建步骤包括：

步骤402，获取大量训练样本数据，训练样本数据包括各目标注册特征变量。

步骤404，计算各目标注册特征变量对应的基尼系数。

步骤406，根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型。

其中，可以根据实际业务需求、产品需求或者实际应用场景从大数据中采集相关的用户数据作为训练样本数据，其中，训练样本数据还可以从目标应用的历史数据中采集得到的，目标应用可以是与实际业务相关的应用。其中，训练样本数据中可以包括各目标注册特征变量，这里的目标注册特征变量可以从训练样本数据中提取全部特征变量，也可以根据实际业务、实际应用场景提取部分匹配的特征变量确定为目标注册特征变量。其中，各目标注册特征变量可以是但不限于，用户注册时间是否是目标时间(今天)、用户首登时间是否是目标时间(今天)以及用户是否点击过申请按钮等。

进一步地，可以通过基尼系数的计算方式计算各目标注册特征变量对应的基尼系数，这里基尼系数是一种用来判断各目标注册特征变量之间的连接关系的常用指标，可以通过训练样本数据的总数目、当前注册特征变量集的总数目、非当前注册特征变量的总数目以及当前注册特征变量集中类别为目标类别所占的概率、非当前注册特征变量集中类别为目标类别所占的概率计算得到当前注册特征变量的基尼系数，以此类推，计算得到各目标注册特征变量对应的基尼系数。其中，当前注册特征变量是各目标注册特征变量中的随机一个。

最后，可根据各基尼系数确定各目标注册特征变量之间的连接关系，由连接好的各目标注册特征变量组成目标神经网络模型。

在一个实施例中，如图5所示，计算各目标注册特征变量对应的基尼系数,包括：

步骤502，从各目标注册特征变量中确定当前注册特征变量，获取训练样本数据中当前注册特征变量对应的当前注册特征变量集，以及训练样本数据中非当前注册特征变量对应的非当前注册特征变量集。

步骤504，计算当前注册特征变量集中类别为目标类别的第一概率，以及计算非当前注册特征变量集中类别为目标类别的第二概率。

步骤506，根据训练样本数据集的总数目、当前注册特征变量集的总数目、非当前注册特征变量集的总数目、第一概率和第二概率计算得到当前注册特征变量对应的当前基尼系数。

其中，当前注册特征变量可以是各目标注册特征变量中任意一个，获取训练样本数据中当前注册特征变量的当前注册特征变量集，当前注册特征变量集代表训练样本数据中特征为当前注册特征变量的总数目。非当前注册特征变量集是训练样本数据中除了当前注册特征变量集之外的总数目。

其中，目标类别可以是根据实际业务需求或实际产品需求进行确定得到的，目标类别可以是已完成申请，计算当前注册特征变量集中类别为目标类别的数据占当前注册特征变量集的第一概率，以及计算非当前注册特征变量集中类别为目标类别的数据占非当前注册特征变量集的第二概率。

进一步地，根据训练样本数据集的总数目、当前注册特征变量集的总数目、非当前注册特征变量集的总数目、第一概率和第二概率计算得到当前注册特征变量的当前基尼系数，再获取下一个目标注册特征变量，将下一个目标注册特征变量确定为当前注册特征变量，返回执行步骤获取训练样本数据中当前注册特征变量的当前注册特征变量集，直至计算得到各目标注册特征变量对应的基尼系数。

其中，当前基尼系数的计算可以如以下公式所示：

其中，D代表训练样本数据集，A代表当前注册特征变量(比如用户注册时间是否是目标时间)，|D1|代表样本中特征为A的样本集的量，即当前注册特征变量集，|D2|代表样本中特征为非A的样本集的量，即非当前注册特征变量集，k代表目标类别的数量，Pkd1代表样本集D1中类别为k的概率，Pkd2代表样本集D2中类别为k的概率，G(D,A)计算的结构代表样本量D中特征为A的GINI系数。其中，类别为k代表已完成申请。

以如下表格中的某两个特征变量为例子，分别计算出用户注册时间是否是目标时间按以及用户首登时间是否是目标时间的GINI(基尼)系数。

表格中全量样本为10个，用户注册时间是目标时间的样本为6个，其中已完成申请的有5个，用户注册时间不是目标时间的为4个，已完成申请人数为0。用户首登时间是目标时间的样本量为5个，其中已完成申请的2个，用户首登时间不是目标时间的样本为5个，其中已完成申请的3个。按照上述公式计算：

特征变量a的GINI系数：

G(D，a)＝6/10*(5/6*1/6*2)+4/10*(0/4*4/4*2)＝0.17。

特征变量b的GINI系数：

G(D，b)＝5/10*(2/5*3/5)+5/10*(3/5*2/5)＝0.24。

在一个实施例中，如图6所示，根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型，包括：

步骤602，将各基尼系数按照升序顺序排列，得到排列后的各基尼系数。

步骤604，将最小基尼系数对应的目标注册特征变量确定为目标神经网络模型的起始节点。

步骤606，根据排列后的各基尼系数确定起始节点连接的下一目标注册特征变量，以此类推，得到树状结构的目标神经网络模型。

其中，在得到各目标注册特征变量对应的基尼系数，将各基尼系数按照升序顺序排列，得到排列后的各基尼系数。其中，可以将基尼系数最小的目标注册特征变量确定为目标神经网络模型的起始节点，按照排列后的各基尼系数，将排在最小基尼系数后面的目标注册特征变量确定为起始节点连接的下一目标注册特征变量，以此类推，得到由各目标注册特征变量组成的树状的目标神经网络模型。

例如，目标注册特征变量A、目标注册特征变量B和目标注册特征变量C对应的基尼系数分别为0.17、0.35和0.24，得到排列后的基尼系数为：0.17、0.24和0.35，将最小基尼系数对应的目标注册特征变量A确定为起始节点，将目标注册特征变量C确定为目标注册特征变量A的下一节点，将目标注册特征变量B确定为目标注册特征变量C的下一节点，组成树状的目标神经网络模型，具体如图6A所示，图6A示出一个实施例中目标神经网络模型的结构示意图。

在一个具体的实施例中，提供了一种数据处理方法，具体包括以下步骤：

1、获取大量训练样本数据，训练样本数据包括各目标注册特征变量。

2、计算各目标注册特征变量对应的基尼系数。

2-1、从各目标注册特征变量中确定当前注册特征变量，获取训练样本数据中当前注册特征变量对应的当前注册特征变量集，以及训练样本数据中非当前注册特征变量对应的非当前注册特征变量集。

2-2、计算当前注册特征变量集中类别为目标类别的第一概率，以及计算非当前注册特征变量集中类别为目标类别的第二概率。

2-3、根据训练样本数据集的总数目、当前注册特征变量集的总数目、非当前注册特征变量集的总数目、第一概率和第二概率计算得到当前注册特征变量对应的当前基尼系数。

3、根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型。

3-1、将各基尼系数按照升序顺序排列，得到排列后的各基尼系数。

3-2、将最小基尼系数对应的目标注册特征变量确定为目标神经网络模型的起始节点。

3-3、根据排列后的各基尼系数确定起始节点连接的下一目标注册特征变量，以此类推，得到树状结构的目标神经网络模型。

4、获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户，其中目标用户注册信息为目标用户注册时间、目标用户下载目标应用渠道、目标用户首次登录时间、目标用户点击申请按钮时间、目标应用激活时间、目标用户人脸识别时间、目标用户最后一次打开目标应用时间、目标应用打开次数、目标用户阅读目标应用协议时间、目标用户所使用的设备品牌以及目标用户手机号归属地中的至少一种。

5、获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的。

6、将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数。

6-1、目标用户注册信息包括多个用户注册特征变量，将各用户注册特征变量输入至目标神经网络模型中，目标神经网络模型根据各用户注册特征变量判断是否符合各目标注册特征变量，根据判断结果计算得到目标用户对应的目标申请意愿分数。

7、根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

7-1、获取第一预设申请意愿分数阈值和第二预设申请意愿分数阈值，第一预设申请意愿分数阈值大于第二预设申请意愿分数阈值。

7-2、在目标申请意愿分数大于等于第一预设申请意愿分数阈值时，向目标用户发送第一目标数值的第一目标用户共享资源，并发送信息至目标用户。

7-3、在目标申请意愿分数大于第二预设申请意愿分数阈值且小于第一预设申请意愿分数阈值时，向目标用户发送第二目标数值的第二目标用户共享资源，并发送信息至目标用户，第一目标用户共享资源和第二目标用户共享资源属于不同类型的用户共享资源。

7-4、在目标申请意愿分数小于第二预设申请意愿分数时，向目标用户发送第三目标数值的第二目标用户共享资源，并通过人工智能设备与目标用户进行交互，第三目标数值大于第二目标数值。

在一个具体的促申完应用场景中，如图7所示，图7示出一个实施例中结合申完意愿模型的促申完的流程示意图，在当前用户注册完成后，获取当前用户对应的当前用户注册信息，等待30分钟后，调用申完意愿模型，通过申完意愿模型根据当前用户注册信息对当前用户进行评分，得到当前用户的当前申完意愿分，根据当前申完意愿分向当前用户发送相应的营销券，例如当前申完意愿分大于0.7时，可能给当前用户发送20积分和营销短信，当前申完意愿分小于0.3的时候，可能需要通过人工外呼方式与用户建立沟通，告诉当前用户可以领取20元现金优惠券等。当前申完意愿分大于等于0.3且小于0.7时，可能给当前用户发送10元优惠券和营销短信。

因此，通过申完意愿模型输出每个用户的申完意愿分，然后根据分数的分布区间，进行差异化的营销。比如申完意愿高的用户，可能只需要发20积分和一条营销短信。对于申完意愿低的用户需要发放金额高点的优惠券，通过人工外呼的方式与客户沟通，引导客户来提交申请资料，申完之后可以领取多少奖励，以达到促申完的目的。其中，通过申完意愿模型实时计算用户的申完意愿分，达到差异化营销或个性化营销的目的，减少运营成本，增加经营策略的准确性和灵活性。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种数据处理装置800，包括：第一获取模块802、第二获取模块804、输入模块806和发送模块808，其中：

第一获取模块802，用于获取目标用户对应的目标用户注册信息，所述目标用户为已完成注册未完成用户资源共享申请的用户。

第二获取模块804，用于获取已训练好的目标神经网络模型，其中，所述目标神经网络模型是基于各目标注册特征变量构建得到的。

输入模块806，用于将所述目标用户注册信息输入至所述目标神经网络模型中，通过所述目标神经网络模型根据所述目标用户注册信息进行预测，得到所述目标用户对应的目标申请意愿分数。

发送模块808，用于根据所述目标申请意愿分数向所述目标用户发送目标用户共享资源，以使得所述目标用户根据所述目标用户共享资源完成用户资源共享申请。

在一个实施例中，目标用户注册信息包括多个用户注册特征变量，输入模块806将各所述用户注册特征变量输入至所述目标神经网络模型中，所述目标神经网络模型根据各所述用户注册特征变量判断是否符合各所述目标注册特征变量，根据判断结果计算得到所述目标用户对应的目标申请意愿分数。

在一个实施例中，发送模块808获取第一预设申请意愿分数阈值和第二预设申请意愿分数阈值，所述第一预设申请意愿分数阈值大于所述第二预设申请意愿分数阈值，在所述目标申请意愿分数大于等于所述第一预设申请意愿分数阈值时，向所述目标用户发送第一目标数值的第一目标用户共享资源，并发送信息至所述目标用户，在所述目标申请意愿分数大于所述第二预设申请意愿分数阈值且小于所述第一预设申请意愿分数阈值时，向所述目标用户发送第二目标数值的第二目标用户共享资源，并发送信息至所述目标用户，所述第一目标用户共享资源和所述第二目标用户共享资源属于不同类型的用户共享资源，在所述目标申请意愿分数小于所述第二预设申请意愿分数时，向所述目标用户发送第三目标数值的第二目标用户共享资源，并通过人工智能设备与所述目标用户进行交互，所述第三目标数值大于所述第二目标数值。

在一个实施例中，数据处理装置800获取大量训练样本数据，所述训练样本数据包括各目标注册特征变量，计算各所述目标注册特征变量对应的基尼系数，根据各所述基尼系数确定各所述目标注册特征变量之间的连接关系，根据连接关系连接各所述目标注册特征变量，得到所述目标神经网络模型。

在一个实施例中，数据处理装置800从各所述目标注册特征变量中确定当前注册特征变量，获取所述训练样本数据中所述当前注册特征变量对应的当前注册特征变量集，以及所述训练样本数据中非当前注册特征变量对应的非当前注册特征变量集，计算所述当前注册特征变量集中类别为目标类别的第一概率，以及计算所述非当前注册特征变量集中类别为目标类别的第二概率，根据所述训练样本数据集的总数目、所述当前注册特征变量集的总数目、所述非当前注册特征变量集的总数目、所述第一概率和所述第二概率计算得到所述当前注册特征变量对应的当前基尼系数。

在一个实施例中，数据处理装置800将各所述基尼系数按照升序顺序排列，得到排列后的各所述基尼系数，将最小基尼系数对应的目标注册特征变量确定为所述目标神经网络模型的起始节点，根据所述排列后的各所述基尼系数确定所述起始节点连接的下一目标注册特征变量，以此类推，得到树状结构的目标神经网络模型。

关于数据处理装置的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标神经网络模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9或图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户，获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

在一个实施例中，目标用户注册信息包括多个用户注册特征变量，处理器执行计算机程序时还实现以下步骤：将各用户注册特征变量输入至目标神经网络模型中，目标神经网络模型根据各用户注册特征变量判断是否符合各目标注册特征变量，根据判断结果计算得到目标用户对应的目标申请意愿分数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一预设申请意愿分数阈值和第二预设申请意愿分数阈值，第一预设申请意愿分数阈值大于第二预设申请意愿分数阈值，在目标申请意愿分数大于等于第一预设申请意愿分数阈值时，向目标用户发送第一目标数值的第一目标用户共享资源，并发送信息至目标用户，在目标申请意愿分数大于第二预设申请意愿分数阈值且小于第一预设申请意愿分数阈值时，向目标用户发送第二目标数值的第二目标用户共享资源，并发送信息至目标用户，第一目标用户共享资源和第二目标用户共享资源属于不同类型的用户共享资源，在目标申请意愿分数小于第二预设申请意愿分数时，向目标用户发送第三目标数值的第二目标用户共享资源，并通过人工智能设备与目标用户进行交互，第三目标数值大于第二目标数值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取大量训练样本数据，训练样本数据包括各目标注册特征变量，计算各目标注册特征变量对应的基尼系数，根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：从各目标注册特征变量中确定当前注册特征变量，获取训练样本数据中当前注册特征变量对应的当前注册特征变量集，以及训练样本数据中非当前注册特征变量对应的非当前注册特征变量集，计算当前注册特征变量集中类别为目标类别的第一概率，以及计算非当前注册特征变量集中类别为目标类别的第二概率，根据训练样本数据集的总数目、当前注册特征变量集的总数目、非当前注册特征变量集的总数目、第一概率和第二概率计算得到当前注册特征变量对应的当前基尼系数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各基尼系数按照升序顺序排列，得到排列后的各基尼系数，将最小基尼系数对应的目标注册特征变量确定为目标神经网络模型的起始节点，根据排列后的各基尼系数确定起始节点连接的下一目标注册特征变量，以此类推，得到树状结构的目标神经网络模型。

在一个实施例中，提供了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以下步骤：获取目标用户对应的目标用户注册信息，目标用户为已完成注册未完成用户资源共享申请的用户；获取已训练好的目标神经网络模型，其中，目标神经网络模型是基于各目标注册特征变量构建得到的，将目标用户注册信息输入至目标神经网络模型中，通过目标神经网络模型根据目标用户注册信息进行预测，得到目标用户对应的目标申请意愿分数，根据目标申请意愿分数向目标用户发送目标用户共享资源，以使得目标用户根据目标用户共享资源完成用户资源共享申请。

在一个实施例中，目标用户注册信息包括多个用户注册特征变量，处理器执行计算机程序时还实现以下步骤：将各用户注册特征变量输入至目标神经网络模型中，目标神经网络模型根据各用户注册特征变量判断是否符合各目标注册特征变量，根据判断结果计算得到目标用户对应的目标申请意愿分数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一预设申请意愿分数阈值和第二预设申请意愿分数阈值，第一预设申请意愿分数阈值大于第二预设申请意愿分数阈值，在目标申请意愿分数大于等于第一预设申请意愿分数阈值时，向目标用户发送第一目标数值的第一目标用户共享资源，并发送信息至目标用户，在目标申请意愿分数大于第二预设申请意愿分数阈值且小于第一预设申请意愿分数阈值时，向目标用户发送第二目标数值的第二目标用户共享资源，并发送信息至目标用户，第一目标用户共享资源和第二目标用户共享资源属于不同类型的用户共享资源，在目标申请意愿分数小于第二预设申请意愿分数时，向目标用户发送第三目标数值的第二目标用户共享资源，并通过人工智能设备与目标用户进行交互，第三目标数值大于第二目标数值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取大量训练样本数据，训练样本数据包括各目标注册特征变量，计算各目标注册特征变量对应的基尼系数，根据各基尼系数确定各目标注册特征变量之间的连接关系，根据连接关系连接各目标注册特征变量，得到目标神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：从各目标注册特征变量中确定当前注册特征变量，获取训练样本数据中当前注册特征变量对应的当前注册特征变量集，以及训练样本数据中非当前注册特征变量对应的非当前注册特征变量集，计算当前注册特征变量集中类别为目标类别的第一概率，以及计算非当前注册特征变量集中类别为目标类别的第二概率，根据训练样本数据集的总数目、当前注册特征变量集的总数目、非当前注册特征变量集的总数目、第一概率和第二概率计算得到当前注册特征变量对应的当前基尼系数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各基尼系数按照升序顺序排列，得到排列后的各基尼系数，将最小基尼系数对应的目标注册特征变量确定为目标神经网络模型的起始节点，根据排列后的各基尼系数确定起始节点连接的下一目标注册特征变量，以此类推，得到树状结构的目标神经网络模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。