候选用户推荐方法、装置、电子设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种候选用户推荐方法、装置、电子设备及存储介质。


背景技术：

2.教学过程中教师为提高学生的学习兴趣以及增添教学乐趣，可以通过设置丰富的奖项来激励学生积极参与学习竞赛，从而达到提升学生内驱力的目的，因此，确定获奖人员显得尤为重要。
3.现有技术中，通常基于教师个人的主观意向来选择获奖人选，比如本周表现最好的学生是通过竞赛成绩排名来选择的，或是通过竞赛排名进步名次来选择的。
4.但是，采用上述主观意向的评奖方法，不可以迅速合理的对奖项进行分配，还额外增加教师的工作强度。


技术实现要素：

5.本技术提供一种候选用户推荐方法、装置、电子设备及存储介质，用于解决采用主观意向进行评奖，存在奖项分配不合理，效率慢，且工作强度大的问题。
6.第一方面，本技术提供一种候选用户推荐方法，所述方法包括：
7.接收待推荐奖项的处理请求，所述待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；
8.根据所述待推荐奖项的处理请求，确定与所述目标场景的标签对应的目标场景，并获取与所述目标场景匹配的目标推荐模式；
9.采用所述目标推荐模式，获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户。
10.可选的，在接收待推荐奖项的处理请求之前，所述方法还包括：
11.接收显示标签请求，并根据所述显示标签请求显示多个应用场景的标签；
12.响应于第二类用户的选择操作，生成包含待应用的目标场景的标签的处理请求；所述选择操作用于从所述多个应用场景的标签中确定待应用的目标场景的标签。
13.可选的，所述目标推荐模式包括：主观推荐模式，画像分析法模式和层次分析法模式；获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，包括：
14.若采用的所述目标推荐模式为主观推荐模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为排序规则，并基于所述排序规则获取的目标数据为第一类用户群的测试成绩；
15.若采用的所述目标推荐模式为画像分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为用户画像构建规则，并基于所述用户画像构建规
则获取的目标数据为第一类用户群的指标数据；所述指标数据包括信息画像数据、行为画像数据和分群画像数据；所述信息画像数据为表述第一类用户学习能力的数据，所述行为画像数据为表述第一类用户日常行为的数据，所述分群画像数据为表述第一类用户对应身份的数据；
16.若采用的所述目标推荐模式为层次分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为层次模型构建规则，并基于所述层次模型构建规则获取的目标数据为第一类用户群的指标数据所占的比重值；所述层次模型构建规则为基于层次分析法的用户画像构建规则。
17.可选的，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户，包括：
18.当确定所述推荐规则为排序规则，所述目标数据为第一类用户群的测试成绩时，则按照特定的顺序算法，将所述测试成绩进行排序，获取位于前n位的测试成绩，并确定所述前n位的测试成绩对应的第一类用户为候选用户；其中，n为大于或等于1的正整数；
19.当确定所述推荐规则为用户画像构建规则，所述目标数据为第一类用户群的指标数据时，则利用预定义算法计算所述指标数据对应的每一个第一类用户评分值，并基于所述评分值从所述第一类用户群中确定候选用户；
20.当确定所述推荐规则为层次模型构建规则，所述目标数据为第一类用户群的指标数据所占的比重值时，则针对每一个第一类用户，基于所述待推荐的奖项的标识将所述第一类用户对应的所述比重值进行维度划分，得到多个维度的比重值，基于所述多个维度的比重值构建判断矩阵，并利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户。
21.可选的，所述层次分析法包括层次单排序法和层次总排序法；所述权重向量包括第一权重向量和第二权重向量；利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户，包括：
22.利用所述层次单排序法和所述判断矩阵计算各个维度的第一权重向量；
23.基于所述指标数据在第一类用户中所占的比重值进行维度划分，得到多个判断矩阵，并利用所述层次总排序法和所述多个判断矩阵计算第一类用户的第二权重向量；
24.计算每一个第一类用户对应的所述第一权重向量和所述第二权重向量的乘积，得到第一类用户群的权重值，基于所述权重值从所述第一类用户群中确定候选用户。
25.可选的，所述方法还包括：
26.对所述判断矩阵进行一致性检验；
27.当所述判断矩阵未通过一致性检验时，则调整所述判断矩阵中的比重值，直至所述判断矩阵通过一致性检验。
28.可选的，所述方法还包括：
29.响应于第二类用户的触控操作，显示候选用户的获奖情况，并基于所述获奖情况生成分享链接；
30.获取所述候选用户的联系方式，并基于所述联系方式向所述候选用户对应的终端设备发送所述分享链接。
31.第二方面，本技术还提供一种候选用户推荐装置，所述装置包括：
32.接收模块，用于接收待推荐奖项的处理请求，所述待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；
33.第一确定模块，用于根据所述待推荐奖项的处理请求，确定与所述目标场景的标签对应的目标场景，并获取与所述目标场景匹配的目标推荐模式；
34.第二确定模块，用于采用所述目标推荐模式，获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户。
35.第三方面，本技术还一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
36.所述存储器存储计算机执行指令；
37.所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的方法。
38.第四方面，本技术还一种计算机可读存储介质，所述计算机可读存储介质存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
39.综上所述，本技术提供一种候选用户推荐方法、装置、电子设备及存储介质，可以通过接收待推荐奖项的处理请求，待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；进一步的，根据待推荐奖项的处理请求，确定与目标场景的标签对应的目标场景，并获取与目标场景匹配的目标推荐模式；进一步的，采用目标推荐模式，获取与待推荐的奖项的标识和待推荐的类型对应的推荐规则，并基于推荐规则获取所需的第一类用户群对应的目标数据，根据推荐规则和目标数据从第一类用户群中确定候选用户，这样，可以适用于多种场景，灵活性高，且可以迅速合理的对奖项分配给候选用户，提高效率的同时减少工作强度。
附图说明
40.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
41.图1为本技术实施例提供的一种应用候选用户推荐方法的系统界面示意图；
42.图2为本技术实施例提供的一种候选用户推荐方法的流程示意图；
43.图3为本技术实施例提供的一种进行小组竞赛的流程示意图；
44.图4为本技术实施例提供的一种开始游戏竞赛并设置积分奖罚规则的界面示意图；
45.图5为本技术实施例提供的一种竞赛小组匹配的界面示意图；
46.图6为本技术实施例提供的一种上传预赛成绩的界面示意图；
47.图7为本技术实施例提供的一种竞赛小组比拼的界面示意图；
48.图8为本技术实施例提供的一种测验赛程回顾海报的界面示意图；
49.图9为本技术实施例提供的一种利用用户画像构建规则获取指标数据的流程示意图；
50.图10为本技术实施例提供的一种层次模型构建规则的结构示意图；
51.图11为本技术实施例提供的一种应用层次分析法模式的流程示意图；
52.图12为本技术实施例提供的一种具体的候选用户推荐方法的流程示意图；
53.图13为本技术实施例提供的一种候选用户推荐装置的结构示意图；
54.图14为本技术实施例提供的一种电子设备的结构示意图。
55.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
56.为了便于清楚描述本技术实施例的技术方案，在本技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一设备和第二设备仅仅是为了区分不同的设备，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
57.需要说明的是，本技术中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
58.本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。
59.教学过程中教师为提高学生的学习兴趣以及增添教学乐趣，会通过设置丰富的奖项来激励学生积极参与学习竞赛，从而达到提升学生内驱力的目的，因此，确定获奖人员显得尤为重要。
60.一种可能的实现方式中，由于缺少完善的推荐方法，教师一般会根据个人的主观意向来选择获奖人选，比如本周表现最好的学生是通过竞赛成绩排名来选择的，或是通过竞赛排名进步名次来选择的。
61.但是，这样的选择方式不仅会干扰奖项的公平合理性，还会使教师工作时间增长，进一步来说，不合理的评奖标准不但会导致学生的学习成果反馈不准确，而且还会影响成绩较为落后的学生的积极性。
62.需要说明的是，教学中采用的主观意向的评奖方法，教师在分配时可能无法综合地对学生表现进行评价，且缺乏数据化的分配参考标准，因此，一个公平且合理的获奖候选学生推荐机制需要借助科学的分析方法和系统的数据处理。
63.针对上述问题，本技术提供一种候选用户推荐方法，可以适用于不同的应用场景，通过接收待推荐奖项的处理请求，确定与符合当时情况的目标场景，并获取与目标场景匹
配的目标推荐模式，进一步的，采取该目标推荐模式下对应的推荐规则，并获取所需的一系列在该目标场景下对应的目标数据，利用目标数据和推荐规则进行计算处理，进而系统会自动提供对应奖项的候选用户，并快速合理的生成候选用户名单，因此，可以公平且迅速合理的对奖项进行分配，还可以减少工作强度。
64.可以理解的是，上述候选用户推荐方法应用于教学场景中，通过综合考虑到学生多个方面的表现，如考虑到学生的预赛成绩、决赛成绩、表扬标签分数等目标数据，使得推荐奖项公平合理，也可以顾全到所有参与比赛的学生最新学习动向，如学生的最新测验成绩、课堂表现、作业完成情况等，使得学生学习成果得到及时准确的反馈，且通过使用上述候选用户推荐方法进行候选学生推荐，可以缩短教师选择获奖学生的时间，让评奖流程有迹可循，有法可依。
65.示例性的，图1为本技术实施例提供的一种应用候选用户推荐方法的系统界面示意图，如图1所示，所述应用候选用户推荐方法应用于教学场景中，执行主体为终端设备，该终端设备中安装有候选用户推荐方法的系统，以进行竞赛游戏为例，具体的，如图1中a所示，在学生进行学习竞赛后，教师基于终端设备上传学生的决赛测验成绩并提交。其中学号为选填项，姓名和成绩为必填项，如教师填写姓名列和成绩列，为刘**的成绩为89，进一步的，教师点击“保存成绩”按钮，则系统根据得到的学生决赛成绩数据，计算出一系列相关数据，如小组决赛平均分/平均排名，班级决赛平均分等，相应的，系统界面跳转到图1中b所示，系统应用于候选用户推荐方法计算出候选获奖学生、候选获奖学生对应的得奖加分明细以及待推荐的奖项，且教师可根据系统智能推荐候选获奖学生，手动设置相应的学生进行加分，如可以为“永无止境”、“声名显赫”以及“恨铁不成钢”对应的奖项，分别设置对应的学生以及积分，其中，如“永无止境”对应“+0.5”个点评积分，对应的学生有“安*”和“超*”，具体的，本技术实施例对设置的每个奖项不作具体限定，可以为任意点评积分，也可以是其他内容。
66.进一步的，在生成候选获奖学生后，响应于教师的触控操作，系统可以显示决赛揭榜页，用于查看小组排名和各奖项加分的获奖学生，如图1中c所示，为小组排名的界面示意图，如图1中d所示，为获奖学生获得奖项加分情况的界面示意图。
67.需要说明的是，候选用户推荐方法除了应用于教学场景中，也可以应用到其他场景中，如运动竞赛等，本技术对此不作具体限定。
68.上述终端设备可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(radio access network，简称ran)与一个或多个核心网设备进行通信，无线终端可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。再例如，无线终端还可以是个人通信业务(personal communication service，简称pcs)电话、无绳电话、会话发起协议(session initiation protocol，简称sip)话机、无线本地环路(wireless local loop，简称wll)站、个人数字助理(personal digital assistant，简称pda)等设备。无线终端也可以称为系统、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobile station)、移动台(mobile)、远程站(remote station)、远程终端(remote terminal)、接入
终端(access terminal)、用户终端(user terminal)、用户代理(user agent)、用户设备(user device or user equipment)，在此不作限定。可选的，上述终端设备可以是智能手机、平板电脑等设备。
69.下面以具体地实施例对本技术的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
70.图2为本技术实施例提供的一种候选用户推荐方法的流程示意图，如图2所示，所述候选用户推荐方法包括如下步骤：
71.s201、接收待推荐奖项的处理请求，所述待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群。
72.本技术实施例中，类型可以用于对不同场合的奖项进行区分，一种类型可以对应多种奖项，如运动类型、教学类型等，运动类型可以有跑步最快的奖项、跳绳最多的奖项等，教学类型可以有进步最快的奖项、本周表现最好的奖项等；奖项的标识为每一奖项对应的标识号，每一奖项都有相应的标识号；标签可以指的是不同应用场景下对应的关键字标签，根据选定的标签可以确定相应的目标场景，如标签为“一天”、“测验成绩”等，则确定的目标场景为基于一天内的测验成绩生成候选获奖用户；第一类用户群可以指的是学生群，也可以为其他用户群，如游戏竞赛的用户群、运动员等，本技术对此不作具体限定。
73.需要说明的是，待推荐的类型、待推荐的奖项的标识、待应用的目标场景的标签、待选的第一类用户群为响应于第二类用户的触控操作进行选择好的类型、奖项的标识、目标场景的标签以及第一类用户群，如选择的为教学类型，奖项的标识为1(对应本次测验成绩最好)，标签为“一天”、“测验成绩”，学号为1-10的学生，本技术实施例对选择的具体内容不作限定，以上仅是示例说明。
74.其中，第二类用户可以指的是教师或者其他管理人员，本技术实施例对此不作具体限定。
75.s202、根据所述待推荐奖项的处理请求，确定与所述目标场景的标签对应的目标场景，并获取与所述目标场景匹配的目标推荐模式。
76.本技术实施例中，目标推荐模式可以有多种，不同的应用场景对应有不同的推荐模式，如所述推荐模式可以有主观推荐模式，画像分析法模式和层次分析法模式等，而在基于一天内的测验成绩生成候选获奖用户的目标场景下，可以匹配的目标推荐模式为主观推荐模式，即系统根据测验成绩从高到低进行排序便可以获取候选获奖学生名单。
77.在本步骤中，响应于第二类用户的触控操作，终端设备生成待推荐奖项的处理请求。进一步的，终端设备根据待推荐奖项的处理请求，确定与目标场景的标签对应的目标场景，如确定的目标场景为本周内表现最好的候选用户。
78.需要说明的是，本技术实施例对目标推荐模式对应的种类不作限定，一个目标场景可以匹配有多个推荐模式，但是，系统会自动匹配一个最适合的推荐模式为目标推荐模式，相应的，也可以人为选择在该目标场景对应的目标推荐模式，本技术实施例对此不作具体限定。
79.s203、采用所述目标推荐模式，获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，根
据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户。
80.本技术实施例中，推荐规则可以包括一系列预定义的算法，用于计算评分数据或进行数据处理，进而评判出候选用户，不同的推荐模式对应有不同的推荐规则，如画像分析法模式对应有用户画像构建规则、层次分析法模式对应有层次模型构建规则等，本技术实施例对推荐模式对应的推荐规则不作具体限定，如层次分析法模式也可以对应有层次模型构建规则和用户画像构建规则两种规则，在利用这两种规则计算得到分析结果后，可以选取最优，也可以综合考虑，如利用加权平均法对分析结果进行处理等，本技术实施例对此不作具体限定。
81.在本步骤中，基于推荐规则获取所需的第一类用户群对应的目标数据，所述目标数据为适用于该推荐规则和目标场景下的数据，如目标场景为本周内表现最好的候选用户，则获取的推荐规则可以为画像分析法模式，相应的，对应的目标数据为一周内用户的历史数据，包括预赛成绩、竞赛成绩、表扬标签分数等，本技术实施例对目标数据对应的具体内容不作限定。
82.进一步的，根据画像分析法模式对应的推荐规则和一周内用户的历史数据进行计算处理，得到分析结果，进而利用分析结果从第一类用户群中确定候选用户。
83.因此，本技术实施例提供一种候选用户推荐方法，可以通过接收待推荐奖项的处理请求，确定与目标场景的标签对应的目标场景，并获取与目标场景匹配的目标推荐模式；进一步的，采用目标推荐模式，获取与待推荐的奖项的标识和待推荐的类型对应的推荐规则，并基于推荐规则获取所需的第一类用户群对应的目标数据，根据推荐规则和目标数据从第一类用户群中确定候选用户，这样，候选用户推荐方法可以适用于多种场景进行候选用户的获取，灵活性高，且可以迅速合理的对奖项分配给候选用户，提高效率的同时减少工作强度。
84.可选的，以教学场景为例，在系统进行候选用户推荐方法推荐候选学生前，可以进行竞赛小组的分配，并获取待选第一类用户群对应的应用数据，该应用数据可以通过小组竞赛获取，具体的，图3为本技术实施例提供的一种进行小组竞赛的流程示意图，以第一类用户群为学生群为例，如图3所示，小组竞赛的整体流程包括如下步骤：
85.步骤1：教师提前分配好班级学生小组，进入测验游戏页面，点击竞赛开始按钮，设置积分奖罚规则后，开始竞赛游戏。示例性的，图4为本技术实施例提供的一种开始游戏竞赛并设置积分奖罚规则的界面示意图；如图4中a所示，教师可以提前分配好班级学生小组，操作终端设备进入测验游戏页面，进一步的，点击竞赛开始按钮，如点击“双轮争霸赛”框中的开始按钮，跳转至图4中b所示的界面，教师通过设置积分奖罚规则后，点击“保存并开始竞赛”按钮，开始竞赛游戏。
86.步骤2：竞赛游戏开始后，进入小组比拼页面，系统将自动为所有小组进行两两配对，展开比拼。若班级小组为单数，则有一组会和全班进行比拼。示例性的，图5为本技术实施例提供的一种竞赛小组匹配的界面示意图；如图5所示，系统可以通过利用竞赛小组分配处理方法对班级学生小组进行分配，为每一学生小组匹配对决小组，如图5所示的界面，为“好好学习队”匹配的对决小组为“天天向上队”，可以理解的是，相应的也为其他学生小组匹配对决小组，在此不一一赘述。
87.步骤3：教师基于终端设备上传学生预赛测验成绩并提交，其中学号为选填项，姓
名和成绩为必填项。示例性的，图6为本技术实施例提供的一种上传预赛成绩的界面示意图，如图6所示，教师填写姓名列和成绩列，如王**的成绩为95。
88.步骤4：系统根据步骤3得到的学生预赛成绩数据，计算出预赛小组平均分/平均排名，班级预赛平均分，根据平均分高低划分小组分别进入竞赛游戏上位区和下位区。
89.具体的，两两比拼的小组，通过比较小组平均分，高的则进入竞赛游戏上位区，低的则进入竞赛游戏下位区。若平均分相同，则比较平均排名(小组成员排名之和/小组参试人数)，排名值更低的进入上位区，高的则进入下位区；若平均分和平均排名都相同，则和全班平均分对比，大于或等于全班平均分，则两队均进入上位区，否则进入下位区。
90.示例性的，图7为本技术实施例提供的一种竞赛小组比拼的界面示意图，如图7所示，根据平均分的高低将竞赛小组划分进入竞赛游戏上位区和下位区，如上位区有“好好学习队”、“冲刺向前！！”、“南波湾”和“努力，突破自我！”，下位区有“天天向上队”、“对对对，全都对”、“勇夺第一”和“全班”，需要说明的是，本技术实施例对每个小组的队名不作具体限定，以上仅是示例说明。
91.需要说明的是，也可以不将小组进行上、下位区的划分，直接进行步骤5即可，本技术实施例对此不作具体限定。
92.步骤5：教师基于终端设备上传学生的决赛测验成绩并提交。其中学号为选填项，姓名和成绩为必填项。
93.步骤6：系统根据步骤5得到的学生决赛成绩数据，计算出小组决赛平均分/平均排名，班级决赛平均分。根据步骤4得出的竞赛游戏上、下位区，优先对上位区小组进行决赛排名，先以平均分进行排名，相同则比较平均排名，平均排名也相同则并列名次；下位区同上位区排名规则，在此不再赘述，进而得出小组总排名顺序。
94.步骤7：系统根据步骤6得到的数据利用候选用户推荐方法计算出团队得奖和个人得奖加分明细，特别奖项(特别奖项可以包括永无止境、声名显赫、恨铁不成钢等)，教师可根据系统智能推荐学生名单，手动设置学生进行加分。
95.步骤8：进入决赛揭榜页，查看小组排名和各奖项加分的学生。
96.步骤9：系统生成测验赛程回顾海报，可供教师进行下载。示例性的，图8为本技术实施例提供的一种测验赛程回顾海报的界面示意图，如图8所示，为生成的各个小组测验赛程回顾海报的界面示意图。
97.因此，应用本技术提供的候选用户推荐方法可以快速合理的生成候选学生名单，还可以减少教师的工作量，缩短教师选择获奖学生的时间，由此可实现推荐候选获奖学生的公平合理。
98.可选的，在接收待推荐奖项的处理请求之前，所述方法还包括：
99.接收显示标签请求，并根据所述显示标签请求显示多个应用场景的标签；
100.响应于第二类用户的选择操作，生成包含待应用的目标场景的标签的处理请求；所述选择操作用于从所述多个应用场景的标签中确定待应用的目标场景的标签。
101.本技术实施例中，系统可以显示一系列的标签选项供第二类用户进行选择，在第二类用户基于终端设备选择相应的标签选项后，系统自动确定对应的目标场景，如用户在不确定某个场景下需要使用什么推荐模式时，可以选择相应的符合该场景的标签，以使系统自动确定符合该场景的目标场景以及匹配该目标场景的目标推荐模式。
102.示例性的，接收显示标签请求，系统可以显示的标签有“一周”、“一天”“一年”、“测验成绩”、“综合表现”、“最好”、“最差”等，进一步的，第二类用户基于终端设备选择以上任意标签，响应于第二类用户的选择操作，系统生成包含待应用的目标场景的标签的处理请求，如为包含待应用的目标场景的标签“一周”、“综合表现”、“最好”的处理请求用户。
103.可选的，本技术也可以让第二类用户进行主观判断选择相应的目标推荐模式，并不需要生成包含待应用的目标场景的标签的处理请求，本技术实施例对此不作具体限定。
104.因此，本技术实施例基于系统根据一些标签确定目标场景，不需要第二类用户进行主观判断进行选择，提高了选择推荐模式的合理性，其中，每一目标场景对应有相应的推荐模式。
105.可选的，所述目标推荐模式包括：主观推荐模式，画像分析法模式和层次分析法模式；获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，包括：
106.若采用的所述目标推荐模式为主观推荐模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为排序规则，并基于所述排序规则获取的目标数据为第一类用户群的测试成绩；
107.若采用的所述目标推荐模式为画像分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为用户画像构建规则，并基于所述用户画像构建规则获取的目标数据为第一类用户群的指标数据；所述指标数据包括信息画像数据、行为画像数据和分群画像数据；所述信息画像数据为表述第一类用户学习能力的数据，所述行为画像数据为表述第一类用户日常行为的数据，所述分群画像数据为表述第一类用户对应身份的数据；
108.若采用的所述目标推荐模式为层次分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为层次模型构建规则，并基于所述层次模型构建规则获取的目标数据为第一类用户群的指标数据所占的比重值；所述层次模型构建规则为基于层次分析法的用户画像构建规则。
109.示例性的，以选择的奖项为第一名(本次测验成绩最好的人)为例，则采用的目标推荐模式为主观推荐模式，进一步的，系统可以获取本次参与竞赛所有人的测验成绩，并将测验成绩从高到低进行排序，以确定获奖学生名单。
110.若采用的目标推荐模式为画像分析法模式，则获取相应的推荐规则为用户画像构建规则，进一步的，获取第一类用户群的指标数据，图9为本技术实施例提供的一种利用用户画像构建规则获取指标数据的流程示意图，如图9所示，通过信息画像、行为画像、分群画像三个维度进行学生画像，并利用学生画像分析得出对应的信息画像数据、行为画像数据和分群画像数据，上述数据可以包含不同的数据标签，具体的，统计各数据标签对应所需要的数据，即为目标数据。
111.如信息画像数据对应的数据标签有竞赛成绩，则信息画像数据包括：预赛成绩、决赛成绩、成绩提升系数和排名提升系数，其中，设学生预赛成绩为m，决赛成绩为n，进步系数为p，那么成绩提升系数即为p＝((n-m)*100％)/m；设学生预赛排名为m，决赛排名为n，进步系数为p，那么排名提升系数即为p＝((n-m)*100％)/m。
112.行为画像数据对应的数据标签有标签点评，则行为画像数据包括：表扬标签、待改
进标签、课堂表现、作业完成情况等；分群画像数据对应的数据标签有学生性格和师徒关系，则分群画像数据包括：是否为师傅/小组长，所带徒弟人数等。
113.若采用的目标推荐模式为层次分析法模式，则获取相应的推荐规则为层次模型构建规则，进一步的，获取第一类用户群的指标数据所占的比重值，所述比重值为基于标度方法获取的上述指标数据对于选择最终的候选用户的重要性，对应为两个指标数据对应的标度之间的比值；所述标度方法为提前定义好的标度，每一标度对应有相应的比重，如表1所示：
114.表1
[0115][0116][0117]
可选的，所述层次模型构建规则可以为基于层次分析法的用户画像构建规则，也可以是基于熵值法，因子分析法等的用户画像构建规则，本技术实施例对此不作具体限定。
[0118]
因此，本技术实施例可以提供多种方式进行推荐，灵活性高，可选择性多，可以满足不同应用场景。
[0119]
可选的，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户，包括：
[0120]
当确定所述推荐规则为排序规则，所述目标数据为第一类用户群的测试成绩时，则按照特定的顺序算法，将所述测试成绩进行排序，获取位于前n位的测试成绩，并确定所述前n位的测试成绩对应的第一类用户为候选用户；其中，n为大于或等于1的正整数；
[0121]
当确定所述推荐规则为用户画像构建规则，所述目标数据为第一类用户群的指标数据时，则利用预定义算法计算所述指标数据对应的每一个第一类用户评分值，并基于所述评分值从所述第一类用户群中确定候选用户；
[0122]
当确定所述推荐规则为层次模型构建规则，所述目标数据为第一类用户群的指标数据所占的比重值时，则针对每一个第一类用户，基于所述待推荐的奖项的标识将所述第一类用户对应的所述比重值进行维度划分，得到多个维度的比重值，基于所述多个维度的比重值构建判断矩阵，并利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户。
[0123]
本技术实施例中，特定的顺序算法可以指的是从大到小、从小到大或者将前两次的数据相减，进行大小排序等的算法，本技术实施例对特定的算法不作具体限定，其可以用于排序，且根据排序确定候选用户即可。
[0124]
预定义算法可以指的是提前定义好的用于计算第一类用户评分值的算法，可以是
平均算法、加权平均算法、求和算法等，本技术实施例对此不作具体限定，以平均算法为例，系统根据得到的指标数据等比例的计算出每个用户的画像打分，并根据画像打分从高到低进行排序，得出候选用户。
[0125]
示例性的，在建立层次模型构建规则时，需要考虑以下三个问题：
[0126]
1.想要推荐的目标奖项(待推荐的奖项)是什么？(目标层)
[0127]
2.推荐的准则或者说指标是什么？如是根据什么来评价学生的优良？(准则层)
[0128]
3.为了得到所述目标奖项对应的候选用户有哪些可选的方案？(方案层)
[0129]
进一步的，基于目标层、准则层和方案层构建层次模型构建规则，图10为本技术实施例提供的一种层次模型构建规则的结构示意图，如图10所示，以本周表现最好的学生为例，目标层为：选择推荐奖项人选，准则层为赛成绩、决赛成绩、表扬标签分数、待改进标签分数与是否为师傅/小组长，方案层为学生1、学生2和学生3，进一步的，利用向量算法计算第二层(准则层)对第一层(目标层)的权重向量、第三层(方案层)对第二层每一元素(准则)的权重向量，基于所述权重向量确定该候选用户，进而构建层次模型构建规则。
[0130]
在本步骤中，基于多个维度的比重值构建判断矩阵，包括如下步骤：确定了准则层的n个因素(指标)，c＝{c1，c2，c3，...，cn}，如预赛成绩、决赛成绩、表扬标签分数等，进一步的，比较因素对目标层的影响程度，确定在该层中相对于某一准则所占的比重值，用a
ij
表示ci因素相对于cj因素的比较结果，则判断矩阵为：
[0131][0132]
通过拆解层次指标，将构建的判断矩阵进行两两配对，形成指标间的量化权重，如表2所示，表2为构建完成了准则层的判断矩阵对应的数据。
[0133]
表2
[0134][0135]
需要说明的是，由于综合各因素比较存在难度，所以先进行两两指标之间的比较，而表2内的数据(比重值)为举例说明，本技术实施例对此不作具体限定，两两指标之间的重要程度可以修改。
[0136]
因此，本技术实施例可以适用多种场景，选择推荐模式多样化，尤其在层次分析法模式下，系统可以根据每个学生的竞赛成绩、小组内师徒身份、点评标签加减分情况等指标数据多方位的对学生进行画像并基于层次模型构建规则得到候选用户权重的判断矩阵，并根据判断矩阵计算候选用户的权重向量，进而确定候选用户，可以综合考虑到用户的多个
方面的表现，使得推荐获奖用户更加公平。
[0137]
可选的，所述层次分析法包括层次单排序法和层次总排序法；所述权重向量包括第一权重向量和第二权重向量；利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户，包括：
[0138]
利用所述层次单排序法和所述判断矩阵计算各个维度的第一权重向量；
[0139]
基于所述指标数据在第一类用户中所占的比重值进行维度划分，得到多个判断矩阵，并利用所述层次总排序法和所述多个判断矩阵计算第一类用户的第二权重向量；
[0140]
计算每一个第一类用户对应的所述第一权重向量和所述第二权重向量的乘积，得到第一类用户群的权重值，基于所述权重值从所述第一类用户群中确定候选用户。
[0141]
本技术实施例中，层次单排序法可以指的是针对上一层某元素将本层中所有元素两两评比，并开展层次排序的方法，即根据构建的判断矩阵，求解各个指标的权重。具体步骤如下：
[0142]
(1)将判断矩阵的每列进行列向量归一化。
[0143]
示例性的，以判断矩阵a为例，a是一个三阶的矩阵，进行列向量归一化，即用每一列的数除以列和，如1
÷
(1+1/2+1/6)得到0.6。
[0144]
(2)将列向量归一化后的各元素按行求和，即进行行和归一化。
[0145]
所述行和归一化就是将每行的数相加除以每行的个数，第一行就是0.6+0.615+0.545的和除以行的个数3，可以得到0.587，以此类推得到权向量ω。如以下公式所示：
[0146][0147]
(3)将求和结果进行标准化。
[0148]
具体的，根据最大特征值法，设矩阵a的特征值为λ，aω＝λω，其中，ω是λ对应的特征向量。
[0149]
用步骤(2)计算得出的ω＝(0.587，0.324，0.089)
t
乘以三阶矩阵a，得到的积[1.769、0.974、0.268]分别去除以矩阵的阶数，如除以3，得到λ的值。如以下公式所示：
[0150][0151]
层次总排序法可以指的是为了得到层次结构中某层元素对于总体目标组合权重和它们与上层元素的相互影响，利用该层所有利用层次单排序法得到的结果，计算出该层元素的组合权重的方法。
[0152]
在本步骤中，利用层次单排序法和表2对应的判断矩阵计算各个维度的第一权重向量为：ω＝(2.112，2.787，1.021，0.66，0.252)
t
，最大特征根λ＝5.183。
[0153]
可以理解的是，在计算得出了第二层(准则层)对第一层(目标层)的第一权重向量后，进一步的，需要计算的是第三层(方案层)对第二层每一元素(准则)的第二权重向量。
[0154]
具体的，基于指标数据在第一类用户中所占的比重值进行维度划分，得到多个判
断矩阵，以图10为例，方案层有p1，p2，p3三种方案，则基于三种方案(学生)的预赛成绩，决赛成绩，表扬标签，待改进标签，师徒身份可以构成5个三阶矩阵。
[0155]
如第一个三阶矩阵由p1的预赛成绩与p2，p3的预赛成绩对比所成，如表3所示：
[0156]
表3
[0157]
预赛成绩学生1学生2学生3学生111/31/5学生2311/3学生3531
[0158]
类似的，以决赛成绩，表扬标签，待改进标签，师徒身份构造其余4个三阶矩阵，分别如表4-表7所示：
[0159]
表4
[0160]
决赛成绩学生1学生2学生3学生111/31/5学生2311/3学生3531
[0161]
表5
[0162]
表扬标签分数学生1学生2学生3学生1137学生21/313学生31/71/31
[0163]
表6
[0164]
待改进标签分数学生1学生2学生3学生1122学生21/211学生31/231
[0165]
表7
[0166]
是否为师傅或组长学生1学生2学生3学生111/21/2学生2211学生3211
[0167]
通过表3-表7生成的五个判断矩阵，每个判断矩阵均利用层次单排序法计算得出第三层(方案层)对第二层每一元素(准则层)的第二权重向量，由此可求得各属性的最大特征值和相应的特征向量。
[0168]
第一权重向量和第二权重向量对应的结果分别如表8和表9所示：
[0169]
表8
[0170][0171][0172]
表9
[0173][0174]
根据表8和表9对应的结果，可以计算出p1对总目标的权重值，即利用p1与p2，p3的预赛成绩，决赛成绩，表扬标签，待改进标签，师徒身份权重值去乘以五阶矩阵a的权向量，得到在目标层的权重值。
[0175]
如p1学生a的权值为：0.105
×
2.112+0.669
×
1.021+0.5
×
0.66+0.105
×
2.787+0.2
×
0.252＝1.5778。
[0176]
同理可以计算得出p2和p3学生权值分别为：1.7777和3.4762。通过比较得出1.5778《1.7777《3.4762，则学生3应推荐为本周表现最好的学生。
[0177]
需要说明的是，本技术实施例中，层析分析法模式中使用了学生用户画像和层次分析法，层次分析法是一种定性和定量相结合的、系统化的、层次化的分析方法，可以将一个复杂的目标决策问题，如评选本周表现最好的学生作为一个系统，将目标分解为多个目标或准则，通过定性指标进行相关计算，以作为多方案优化决策依据的系统方法；即将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。
[0178]
因此，本技术实施例通过层次单排序法和层次总排序法获得每个第一类用户的推荐权重，清楚呈现各层、各准则与各要素的关系，简化评估程序，计算过程简单易懂，易于编程，且可以实现推荐候选用户的公平合理。
[0179]
可选的，所述方法还包括：
[0180]
对所述判断矩阵进行一致性检验；
[0181]
当所述判断矩阵未通过一致性检验时，则调整所述判断矩阵中的比重值，直至所述判断矩阵通过一致性检验。
[0182]
本技术实施例中，由于客观事物的复杂性以及对事物判断比较时的模糊性，难以构造出完全一致的比较矩阵，因此，需要对判断矩阵进行一致性检验，所述一致性检验是指允许判断矩阵有一定的不一致的范围。
[0183]
具体的，对判断矩阵进行一致性检验包括如下步骤：
[0184]
(1)根据预定义公式计算判断矩阵的一致性指标ci，定义一致性指标的公式如下：
[0185][0186]
其中，ci＝0时，说明判断矩阵有完全的一致性；ci接近于0时，说明判断矩阵有满意的一致性；ci越大，说明判断矩阵不一致越严重。
[0187]
(2)在检验判断矩阵是否具有满意的一致性时，还需将ci和随机一致性指标ri进行比较，得出检验系数cr，cr的计算公式如下：
[0188][0189]
其中，随机一次性指标ri可以参照表10所示数据，如果cr《0.1，说明判断矩阵通过一致性检验，否则就不具有满意一致性，即没有通过一致性检验。
[0190]
表10
[0191]
n123456789101112131415ri000.520.891.121.261.361.411.461.491.521.541.561.581.59
[0192]
示例性的，以表2对应的判断矩阵为例，ci＝(5.183-5)/(5-1)＝0.045，ri＝1.12，则cr＝0.045/1.12＝0.040《0.1，说明判断矩阵通过一致性检验。
[0193]
类似的，方案层判断矩阵汇总结果如表11所示：
[0194]
表11
[0195][0196][0197]
示例性的，在构造层次分析法时，需要进行一致性检验，图11为本技术实施例提供的一种应用层次分析法模式的流程示意图；如图11所示，包括如下步骤：
[0198]
步骤a：确定指标体系并构建判断矩阵，即利用第一类用户群的指标数据所占的比重值构建判断矩阵，执行步骤b。
[0199]
步骤b：利用层次单排序法和判断矩阵计算第一权重向量，并对判断矩阵进行一致性检验，若满足一致性检验，则执行步骤c，若不满足一致性检验，则执行步骤d。
[0200]
步骤c：基于指标数据在第一类用户中所占的比重值进行维度划分，得到多个判断矩阵，并利用层次总排序法和多个判断矩阵计算第二权重向量，并对多个判断矩阵进行一致性检验，若满足一致性检验，则得到分析结果，若不满足一致性检验，则执行步骤d。
[0201]
步骤d：调整判断矩阵，即修改判断矩阵中的比重值，本技术实施例对修改的具体数值不作限定，其根据应用场景修改。
[0202]
因此，本技术实施例借助一致性检验来确保权重向量的准确性，提高了构建判断矩阵的合理性。
[0203]
需要说明的是，上述表格中的数据，如表1-表11中的数据仅是示例说明，本技术实施例对此不作具体限定，其可以根据不同的应用场景改变。
[0204]
可选的，所述方法还包括：
[0205]
响应于第二类用户的触控操作，显示候选用户的获奖情况，并基于所述获奖情况生成分享链接；
[0206]
获取所述候选用户的联系方式，并基于所述联系方式向所述候选用户对应的终端设备发送所述分享链接。
[0207]
本技术实施例中，候选用户对应的终端设备可以指的是候选用户自身的终端设备或与候选用户有关联关系的用户的终端设备，如学生或者家长的手机，本技术实施例对此不作具体限定。
[0208]
示例性的，以图8为例，在生成的各个小组测验赛程回顾海报后，生成该海报的分享链接，并向各个小组中成员对应的终端设备发送该分享链接，其中，该海报包括候选用户的获奖情况以及排名等，本技术实施例对海报中包含的内容不作具体限定。
[0209]
因此，本技术实施例可以方便更多用户及时了解第一类用户的获奖情况，提高第一类用户的积极性。
[0210]
结合上述实施例，图12为本技术实施例提供的一种具体的候选用户推荐方法的流程示意图；如图12所示，以教学场景为例，所述候选用户推荐方法的具体执行步骤如下：
[0211]
步骤a：打开设置特别奖罚获得者弹窗，显示待推荐奖项如下：奖项一：声名显赫(本周表现最好的人)，奖项二：永无止境(进步最快的人)，奖项三：恨铁不成钢(考得很差)，下面以声名显赫(本周表现最好的人)为例。
[0212]
步骤b：选择推荐候选学生方式，其中，教师可选择候选获奖学生推荐模式，也可以系统自动确定候选获奖学生推荐模式，如图2所示实施例。
[0213]
步骤c：若采用主观推荐模式，则系统根据竞赛成绩从高到低进行排序候选获奖学生名单，教师可以根据排序主观选择获奖学生。
[0214]
步骤d：若采用画像分析法模式，则系统根据学生画像结果计算候选获奖学生顺序，即系统根据历史数据，通过三个维度进行学生画像分析，分别是信息画像、行为画像和分群画像，进一步的，通过学生画像获得以下关键标签：预赛成绩、决赛成绩、表扬标签分数、待改进标签分数、是否为师傅/组长，根据得到的学生画像的关键标签等比例的计算出每个学生的画像打分，系统根据画像打分从高到低进行排序，得出候选获奖学生名单，教师根据推荐候选获奖学生名单进行选择。
[0215]
步骤e：若采用画像分析+层次分析法模式，则系统根据学生画像和层析分析法得出推荐学生顺序，即系统根据步骤d得到的学生画像标签，运用层次分析法将与决策总是相关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析，为教师提供特别奖项候选学生名单，教师根据推荐候选获奖学生名单进行选择。
[0216]
因此，本技术实施例提供三种可推荐模式进行候选用户的确定，极大地提高了应
用的灵活性，在教学场景中，可以方便教师在教学过程中更快速合理的给予学生对应的奖项，同时可根据教学场景的变化选择合适的推荐方式。
[0217]
在前述实施例中，对本技术实施例提供的候选用户推荐方法进行了介绍，而为了实现上述本技术实施例提供的方法中的各功能，作为执行主体的电子设备可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和设计约束条件。
[0218]
例如，图13为本技术实施例提供的一种候选用户推荐装置的结构示意图，所述装置包括：接收模块1301，第一确定模块1302和第二确定模块1303，其中，所述接收模块1301，用于接收待推荐奖项的处理请求，所述待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；
[0219]
所述第一确定模块1302，用于根据所述待推荐奖项的处理请求，确定与所述目标场景的标签对应的目标场景，并获取与所述目标场景匹配的目标推荐模式；
[0220]
所述第二确定模块1303，用于采用所述目标推荐模式，获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户。
[0221]
可选的，在接收待推荐奖项的处理请求之前，所述装置还包括标签选择模块，所述标签选择模块，用于：
[0222]
接收显示标签请求，并根据所述显示标签请求显示多个应用场景的标签；
[0223]
响应于第二类用户的选择操作，生成包含待应用的目标场景的标签的处理请求；所述选择操作用于从所述多个应用场景的标签中确定待应用的目标场景的标签。
[0224]
可选的，所述目标推荐模式包括：主观推荐模式，画像分析法模式和层次分析法模式；所述第二确定模块1303包括获取单元和确定单元，所述获取单元，用于：
[0225]
若采用的所述目标推荐模式为主观推荐模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为排序规则，并基于所述排序规则获取的目标数据为第一类用户群的测试成绩；
[0226]
若采用的所述目标推荐模式为画像分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为用户画像构建规则，并基于所述用户画像构建规则获取的目标数据为第一类用户群的指标数据；所述指标数据包括信息画像数据、行为画像数据和分群画像数据；所述信息画像数据为表述第一类用户学习能力的数据，所述行为画像数据为表述第一类用户日常行为的数据，所述分群画像数据为表述第一类用户对应身份的数据；
[0227]
若采用的所述目标推荐模式为层次分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为层次模型构建规则，并基于所述层次模型构建规则获取的目标数据为第一类用户群的指标数据所占的比重值；所述层次模型构建规则为基于层次分析法的用户画像构建规则。
[0228]
可选的，所述确定单元，用于：
[0229]
当确定所述推荐规则为排序规则，所述目标数据为第一类用户群的测试成绩时，
则按照特定的顺序算法，将所述测试成绩进行排序，获取位于前n位的测试成绩，并确定所述前n位的测试成绩对应的第一类用户为候选用户；其中，n为大于或等于1的正整数；
[0230]
当确定所述推荐规则为用户画像构建规则，所述目标数据为第一类用户群的指标数据时，则利用预定义算法计算所述指标数据对应的每一个第一类用户评分值，并基于所述评分值从所述第一类用户群中确定候选用户；
[0231]
当确定所述推荐规则为层次模型构建规则，所述目标数据为第一类用户群的指标数据所占的比重值时，则针对每一个第一类用户，基于所述待推荐的奖项的标识将所述第一类用户对应的所述比重值进行维度划分，得到多个维度的比重值，基于所述多个维度的比重值构建判断矩阵，并利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户。
[0232]
可选的，所述层次分析法包括层次单排序法和层次总排序法；所述权重向量包括第一权重向量和第二权重向量；所述确定单元，具体用于：
[0233]
利用所述层次单排序法和所述判断矩阵计算各个维度的第一权重向量；
[0234]
基于所述指标数据在第一类用户中所占的比重值进行维度划分，得到多个判断矩阵，并利用所述层次总排序法和所述多个判断矩阵计算第一类用户的第二权重向量；
[0235]
计算每一个第一类用户对应的所述第一权重向量和所述第二权重向量的乘积，得到第一类用户群的权重值，基于所述权重值从所述第一类用户群中确定候选用户。
[0236]
可选的，所述装置还包括检验模块，所述检验模块，用于：
[0237]
对所述判断矩阵进行一致性检验；
[0238]
当所述判断矩阵未通过一致性检验时，则调整所述判断矩阵中的比重值，直至所述判断矩阵通过一致性检验。
[0239]
可选的，所述装置还包括分享模块，所述分享模块，用于：
[0240]
响应于第二类用户的触控操作，显示候选用户的获奖情况，并基于所述获奖情况生成分享链接；
[0241]
获取所述候选用户的联系方式，并基于所述联系方式向所述候选用户对应的终端设备发送所述分享链接。
[0242]
本技术实施例提供的一种候选用户推荐装置的具体实现原理和效果可以参见上述实施例对应的相关描述和效果，此处不做过多赘述。
[0243]
本技术实施例还提供了一种电子设备的结构示意图，图14为本技术实施例提供的一种电子设备的结构示意图，如图14所示，该电子设备可以包括：处理器1401以及与所述处理器通信连接的存储器1402；该存储器1402存储计算机执行指令；该处理器1401执行该存储器1402存储的计算机执行指令，使得该处理器1401执行上述任一实施例所述的方法。
[0244]
其中，存储器1402和处理器1401可以通过总线1403连接。
[0245]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序执行指令，计算机执行指令被处理器执行时用于实现如本技术前述任一实施例中的所述的方法。
[0246]
本技术实施例还提供了一种运行指令的芯片，该芯片用于执行如本技术前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
[0247]
本技术实施例还提供了一种计算机程序产品，该程序产品包括计算机程序，该计
算机程序被处理器执行时可实现如本技术前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
[0248]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，例如多个模块或组件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。
[0249]
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。
[0250]
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。
[0251]
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)或处理器执行本技术各个实施例所述方法的部分步骤。
[0252]
应理解，上述处理器可以是中央处理单元(central processing unit，简称cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(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。
[0253]
存储器可能包含高速随机存取存储器(random access memory，简称ram)，也可能还包括非不稳定的存储器(non-volatile memory，简称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。
[0254]
总线可以是工业标准体系结构(industry standard architecture，简称isa)总线、外部设备互连(peripheral component interconnect，简称pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称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。
[0255]
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(static random-access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称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。
[0256]
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。
[0257]
以上所述，仅为本技术实施例的具体实施方式，但本技术实施例的保护范围并不局限于此，任何在本技术实施例揭露的技术范围内的变化或替换，都应涵盖在本技术实施例的保护范围之内。因此，本技术实施例的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种候选用户推荐方法，其特征在于，所述方法包括：接收待推荐奖项的处理请求，所述待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；根据所述待推荐奖项的处理请求，确定与所述目标场景的标签对应的目标场景，并获取与所述目标场景匹配的目标推荐模式；采用所述目标推荐模式，获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户。2.根据权利要求1所述的方法，其特征在于，在接收待推荐奖项的处理请求之前，所述方法还包括：接收显示标签请求，并根据所述显示标签请求显示多个应用场景的标签；响应于第二类用户的选择操作，生成包含待应用的目标场景的标签的处理请求；所述选择操作用于从所述多个应用场景的标签中确定待应用的目标场景的标签。3.根据权利要求1所述的方法，其特征在于，所述目标推荐模式包括：主观推荐模式，画像分析法模式和层次分析法模式；获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，包括：若采用的所述目标推荐模式为主观推荐模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为排序规则，并基于所述排序规则获取的目标数据为第一类用户群的测试成绩；若采用的所述目标推荐模式为画像分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为用户画像构建规则，并基于所述用户画像构建规则获取的目标数据为第一类用户群的指标数据；所述指标数据包括信息画像数据、行为画像数据和分群画像数据；所述信息画像数据为表述第一类用户学习能力的数据，所述行为画像数据为表述第一类用户日常行为的数据，所述分群画像数据为表述第一类用户对应身份的数据；若采用的所述目标推荐模式为层次分析法模式，则获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则为层次模型构建规则，并基于所述层次模型构建规则获取的目标数据为第一类用户群的指标数据所占的比重值；所述层次模型构建规则为基于层次分析法的用户画像构建规则。4.根据权利要求3所述的方法，其特征在于，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户，包括：当确定所述推荐规则为排序规则，所述目标数据为第一类用户群的测试成绩时，则按照特定的顺序算法，将所述测试成绩进行排序，获取位于前n位的测试成绩，并确定所述前n位的测试成绩对应的第一类用户为候选用户；其中，n为大于或等于1的正整数；当确定所述推荐规则为用户画像构建规则，所述目标数据为第一类用户群的指标数据时，则利用预定义算法计算所述指标数据对应的每一个第一类用户评分值，并基于所述评分值从所述第一类用户群中确定候选用户；当确定所述推荐规则为层次模型构建规则，所述目标数据为第一类用户群的指标数据所占的比重值时，则针对每一个第一类用户，基于所述待推荐的奖项的标识将所述第一类
用户对应的所述比重值进行维度划分，得到多个维度的比重值，基于所述多个维度的比重值构建判断矩阵，并利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户。5.根据权利要求4所述的方法，其特征在于，所述层次分析法包括层次单排序法和层次总排序法；所述权重向量包括第一权重向量和第二权重向量；利用层次分析法和所述判断矩阵计算第一类用户的权重向量，基于计算得到的第一类用户群对应的所述权重向量从所述第一类用户群中确定候选用户，包括：利用所述层次单排序法和所述判断矩阵计算各个维度的第一权重向量；基于所述指标数据在第一类用户中所占的比重值进行维度划分，得到多个判断矩阵，并利用所述层次总排序法和所述多个判断矩阵计算第一类用户的第二权重向量；计算每一个第一类用户对应的所述第一权重向量和所述第二权重向量的乘积，得到第一类用户群的权重值，基于所述权重值从所述第一类用户群中确定候选用户。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：对所述判断矩阵进行一致性检验；当所述判断矩阵未通过一致性检验时，则调整所述判断矩阵中的比重值，直至所述判断矩阵通过一致性检验。7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：响应于第二类用户的触控操作，显示候选用户的获奖情况，并基于所述获奖情况生成分享链接；获取所述候选用户的联系方式，并基于所述联系方式向所述候选用户对应的终端设备发送所述分享链接。8.一种候选用户推荐装置，其特征在于，所述装置包括：接收模块，用于接收待推荐奖项的处理请求，所述待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；第一确定模块，用于根据所述待推荐奖项的处理请求，确定与所述目标场景的标签对应的目标场景，并获取与所述目标场景匹配的目标推荐模式；第二确定模块，用于采用所述目标推荐模式，获取与所述待推荐的奖项的标识和所述待推荐的类型对应的推荐规则，并基于所述推荐规则获取所需的第一类用户群对应的目标数据，根据所述推荐规则和所述目标数据从所述第一类用户群中确定候选用户。9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-7中任一项所述的方法。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存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。

技术总结
本申请涉及数据处理技术领域，提供一种候选用户推荐方法、装置、电子设备及存储介质，方法包括：接收待推荐奖项的处理请求，待推荐奖项的处理请求包括：待推荐的类型，待推荐的奖项的标识，待应用的目标场景的标签和待选的第一类用户群；根据待推荐奖项的处理请求，确定与目标场景的标签对应的目标场景，并获取与目标场景匹配的目标推荐模式；采用目标推荐模式，获取与待推荐的奖项的标识和待推荐的类型对应的推荐规则，并基于推荐规则获取所需的第一类用户群对应的目标数据，根据推荐规则和目标数据从第一类用户群中确定候选用户，这样，可以迅速合理的对奖项分配给候选用户，提高效率的同时减少工作强度。率的同时减少工作强度。率的同时减少工作强度。


技术研发人员：董晓涵 李泽 王文俊 蔡益平
受保护的技术使用者：浙江海亮科技有限公司
技术研发日：2023.06.28
技术公布日：2023/10/5