数据收集及分析方法、装置、电子设备及存储介质

摘要

本发明涉及数据分析技术，揭露了一种数据收集及分析方法，包括：在原始页面中添加会话窗口，从所述会话窗口中获取会话数据，利用会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及用户历史数据构建原始矩阵，利用所述会话数据及预设的类别矩阵生成增强类别矩阵，利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，对所述会话数据进行数据分类，得到用户产品类别信息，根据用户产品类别信息及用户类别矩阵得到用户分析矩阵。此外，本发明还涉及区块链技术，所述用户分析矩阵可存储于区块链的节点。本发明还提出一种数据收集及分析装置、电子设备以及计算机可读存储介质。本发明可以解决数据分析准确性较低的问题。

说明书

技术领域

本发明涉及数据分析技术领域，尤其涉及一种数据收集及分析方法、装置、电子设备及计算机可读存储介质。

背景技术

用户数据(Customer Information)是指用户喜好、用户细分、用户需求、用户联系方式等一些关于用户的基本资料。科学的用户数据分析是凝聚用户、促进企业业务发展的重要保障。通过用户数据分析，可以实现用户数据利用的最大化和最优化。目前通过下述方法对用户数据进行分析：1、手动打电话或通过微信发消息给客户，和客户沟通的过程中人工抽象出用户喜欢的因素，对用户数据进行分析。2、利用大数据技术，通过对用户历史数据进行打标签的方法，对用户根据标签进行分类及评价，从而对用户数据进行分析。

现有技术存在以下缺陷：1、通过员工的经验判断客户信息，主观性较强，无数据依据。2、对于部分领域，比如金融领域，通过对用户历史数据进行打标签的方法得到的数据分析结果准确率较低。

发明内容

本发明提供一种数据收集及分析方法、装置及计算机可读存储介质，其主要目的在于解决数据分析准确性较低的问题。

为实现上述目的，本发明提供的一种数据收集及分析方法，包括：

在原始页面中添加会话窗口；

从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵；

提取所述会话数据中的增强属性，根据所述增强属性及预设的类别矩阵生成增强类别矩阵；

利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。

可选地，所述在原始页面中添加会话窗口，包括：

识别原始页面的产品信息，根据所述产品信息获取对应的产品会话窗口；

根据所述产品会话窗口生成会话链接，根据所述会话链接生成标识，并将所述标识添加至所述原始页面中。

可选地，所述从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，包括：

获取所述会话窗口的即时会话信息，并识别出所述会话窗口的用户信息；

将所述产品信息、所述即时会话信息及所述会话窗口的用户信息相关联，得到会话数据；

利用所述用户信息查找预设的历史数据库，提取所述用户信息下的用户历史数据。

可选地，所述根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵，包括：

利用所述预构建的语言提取模型提取所述会话数据及用户历史数据的产品关键词，并基于所述产品关键词得到用户对于产品的用户偏好值；

对所述用户偏好值进行矩阵排列，得到所述原始矩阵。

可选地，所述根据所述增强属性及预设的类别矩阵生成增强类别矩阵，包括：

利用预设的语言处理算法提取所述会话数据中的关键词；

将所述关键词作为所述会话数据中产品信息的增强属性；

将所述增强属性汇总在所述类别矩阵中，得到所述增强类别矩阵。

可选地，所述利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵，包括：

利用语言提取模型对所述会话数据进行数据分类，得到用户对于产品类别的偏好信息，并将所述偏好信息作为所述用户产品类别信息；

将所述用户产品类别信息与所述用户类别矩阵中的对应数据进行相乘，得到用户对产品类别的偏好评分，汇总所述偏好评分得到所述用户分析矩阵。

可选地，所述根据所述用户产品类别信息及所述用户类别矩阵得到用户评分矩阵之后，所述方法还包括：

从所述用户分析矩阵中获取每个用户的用户偏好评分；

根据所述用户偏好评分向用户推荐预设数量的产品。

为了解决上述问题，本发明还提供一种数据收集及分析装置，所述装置包括：

窗口添加模块，用于在原始页面中添加会话窗口；

原始矩阵构建模块，用于从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵；

类别矩阵增强模块，用于提取所述会话数据中的增强属性，根据所述增强属性及预设的类别矩阵生成增强类别矩阵；

数据分析模块，用于利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的数据收集及分析方法。

为了解决上述问题，本发明还提供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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的数据收集及分析方法。

本发明通过从所述会话窗口中获取会话数据，并根据预构建的语言提取模型、所述会话数据及用户历史数据构建原始矩阵，所述原始矩阵的数据更加丰富，提高了数据分析的准确度。并且利用所述会话数据来对预设的类别矩阵进行属性增强，得到所述增强类别矩阵，同时利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，再根据所述会话数据中的用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。所述用户分析矩阵充分利用了会话数据集用户历史数据，使得数据分析结果更加准确。因此本发明提出的数据收集及分析方法、装置、电子设备及计算机可读存储介质，可以解决数据分析准确性较低的问题。

附图说明

图1为本发明一实施例提供的数据收集及分析方法的流程示意图；

图2为图1中其中一个步骤的详细实施流程示意图；

图3为图1中另一个步骤的详细实施流程示意图；

图4为图1中另一个步骤的详细实施流程示意图；

图5为图1中另一个步骤的详细实施流程示意图；

图6为本发明一实施例提供的数据收集及分析装置的功能模块图；

图7为本发明一实施例提供的实现所述数据收集及分析方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种数据收集及分析方法。所述数据收集及分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述数据收集及分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的数据收集及分析方法的流程示意图。在本实施例中，所述数据收集及分析方法包括：

S1、在原始页面中添加会话窗口。

本发明实施例中，所述原始页面可以为不同领域的产品页面。比如，金融领域中，所述原始页面可以为各种贷款产品页面、理财产品页面及信托产品页面等。所述会话窗口是指和客服人员联系的临时窗口，所述会话窗口可以为QQ、微信等会话窗口。

较佳地，参考图2所示，所述在原始页面中添加会话窗口，包括：

S10、识别原始页面的产品信息，根据所述产品信息获取对应的产品会话窗口；

S11、根据所述产品会话窗口生成会话链接，根据所述会话链接生成标识，并将所述标识添加至所述原始页面中。

其中，所述产品会话窗口是指可以和不同类型产品的客服进行临时会话的窗口，比如，所述原始页面为理财产品页面时，获取理财产品客服对应的会话窗口。所述标识可以为数字、文字及图片等，用户通过点击所述标识，进入所述会话窗口。

详细地，所述从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，包括：

获取所述会话窗口的即时会话信息，并识别出所述会话窗口的用户信息；

将所述产品信息、所述即时会话信息及所述会话窗口的用户信息相关联，得到会话数据；

利用所述用户信息查找预设的历史数据库，提取所述用户信息下的用户历史数据。

其中，所述即时会话信息可以为IM(Instant Messaging，即时通讯)会话数据，所述IM会话数据是指两人或多人使用网络进行实时沟通的文字消息等。比如，所述产品信息为A理财产品时，将A理财产品与会话窗口的用户信息及即时会话信息相关联，得到用户关于A理财产品的会话数据。

本发明实施例通过在所述原始页面中添加会话窗口，可以利用所述会话窗口收集即时数据，便于数据分析。

S2、从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵。

本发明实施例中，所述预构建的语言提取模型可以是一个Bert(BidirectionalEncoder Representation from Transformers)预训练模型。

较佳地，所述根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵之前，还包括：

利用预设的外部训练样本训练预构建的第一语言模型；

将所述第一语言模型的参数作为预构建的第二语言模型的初始化参数，并利用预设的内部训练样本训练所述第二语言模型，得到所述语言提取模型。

其中，所述外部训练样本可以为从大数据平台和区块链节点获取的产品偏好信息，所述内部训练样本可以为各业务领域的产品偏好信息，比如，真实场景下的用户对银行各类产品的偏好信息。所述第一语言模型及所述第二语言模型均可以为Bert训练模型。

详细地，参照图3所示，所述根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵，包括：

S20、利用所述预构建的语言提取模型提取所述会话数据及用户历史数据的产品关键词，并基于所述产品关键词得到用户对于产品的用户偏好值；

S21、对所述用户偏好值进行矩阵排列，得到所述原始矩阵。

其中，所述用户历史数据包括用户的购买信息、点击信息等。所述原始矩阵可以为一个m*n矩阵，其中m行代表用户user1、user2、user3…userM，n列代表产品item1、item2、item3…itemN。比如，提取用户对于A理财产品的产品关键词“考虑”、“一般”等词，得到用户对于A理财产品的用户偏好值。所述原始矩阵中的数据表示用户对该产品的偏好信息。所述原始矩阵由于通过对所述用户会话数据及用户历史数据进行数据分析而得到，因此是一个稠密矩阵，所述稠密矩阵是指在矩阵中，非0数值占大多数时，则称该矩阵为稠密矩阵，所述稠密矩阵中的数据更加丰富，因此更利于数据分析。

进一步地，本发明实施例中的原始矩阵，通过预构建的语言提取模型及所述用户会话数据、用户历史数据进行构建，数据更加丰富，提高了数据分析的准确度。

S3、提取所述会话数据中的增强属性，根据所述增强属性及预设的类别矩阵生成增强类别矩阵。

本发明实施例中，所述预设的类别矩阵可以为各种产品的类别信息表，所述预设的类别矩阵可以为k*n矩阵，其中，k行表示类别class1、class2、class3…classK,n列代表产品item1、item2、item3…itemN。

详细地，参照图4所示，所述根据所述增强属性及预设的类别矩阵生成增强类别矩阵，包括：

S30、利用预设的语言处理算法提取所述会话数据中的关键词；

S31、将所述关键词作为所述会话数据中产品信息的增强属性；

S32、将所述增强属性汇总在所述类别矩阵中，得到所述增强类别矩阵。

进一步地，所述利用预设的语言处理算法提取所述会话数据中的关键词，包括：

将所述会话数据中的文本进行分词处理，并除去停用词，得到分词结果；

从所述分词结果中挑选出一个或者多个关键词。

其中，本发明实施例中所述预设的语言处理算法可以是目前已公开的TextRank、基于语义的关键词提取算法等。比如，对包含A理财产品会话数据进行关键词提取，获取“随时用钱”关键词，将所述关键词扩展为A理财产品的增强属性，并将所述增强属性添加至A理财产品的类别中。本发明实施例中，所述原始类别矩阵为k*n矩阵时，所述增强类别矩阵也为k*n矩阵，其中，k行表示增强后的类别class’1、class’2、class’3…class’K，n列代表产品item1、item2、item3…itemN。

进一步地，本发明实施通过提取所述用户会话数据中的增强属性，根据所述增强属性及所述类别矩阵生成增强类别矩阵，所述增强类别矩阵中的信息更加丰富，加强了数据分析的准确性。

S4、利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。

本发明实施例中，所述用户原始矩阵为m*n矩阵，所述增强类别矩阵为k*n矩阵时，利用矩阵的运算法则计算出的所述用户类别矩阵为m*k矩阵，其中m行表示m个用户，k列表示k种类别。

详细地，参阅图5所示，所述利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵，包括：

S40、利用语言提取模型对所述会话数据进行数据分类，得到用户对于产品类别的偏好信息，并将所述偏好信息作为所述用户产品类别信息；

S41、将所述用户产品类别信息与所述用户类别矩阵中的对应数据进行相乘，得到用户对产品类别的偏好评分，汇总所述偏好评分得到所述用户分析矩阵。

其中，本发明实施例中通过提取会话数据中的关键词来确定用户对于产品的偏好信息。比如，提取用户关于A理财产品的关键词“一般”，来确定用户对于A理财产品的对应偏好。

进一步地，所述根据所述用户产品类别信息及所述用户类别矩阵得到用户评分矩阵之后，所述方法还包括：

从所述用户分析矩阵中获取每个用户的用户偏好评分；

根据所述用户偏好评分向用户推荐预设数量的产品。

其中，所述预设数量可以为K个，根据所述用户偏好评分，向用户推荐评分靠前的top K个产品。

本发明实施例中，利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，并且利用所述语言提取模型提取用户会话数据中的用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到的用户评分矩阵，可以更准确的反应用户的偏好。

本发明通过从所述会话窗口中获取会话数据，并根据预构建的语言提取模型、所述会话数据及用户历史数据构建原始矩阵，所述原始矩阵的数据更加丰富，提高了数据分析的准确度。并且利用所述会话数据来对预设的类别矩阵进行属性增强，得到所述增强类别矩阵，同时利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，再根据所述会话数据中的用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。所述用户分析矩阵充分利用了会话数据集用户历史数据，使得数据分析结果更加准确。因此本发明实施可以解决数据分析准确性较低的问题。

如图6所示，是本发明一实施例提供的数据收集及分析装置的功能模块图。

本发明所述数据收集及分析装置100可以安装于电子设备中。根据实现的功能，所述数据收集及分析装置100可以包括窗口添加模块101、原始矩阵构建模块102、类别矩阵增强模块103及数据分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述窗口添加模块101，用于在原始页面中添加会话窗口。

本发明实施例中，所述原始页面可以为不同领域的产品页面。比如，金融领域中，所述原始页面可以为各种贷款产品页面、理财产品页面及信托产品页面等。所述会话窗口是指和客服人员联系的临时窗口，所述会话窗口可以为QQ、微信等会话窗口。

较佳地，所述窗口添加模块101通过下述操作添加会话窗口：

识别原始页面的产品信息，根据所述产品信息获取对应的产品会话窗口；

根据所述产品会话窗口生成会话链接，根据所述会话链接生成标识，并将所述标识添加至所述原始页面中。

其中，所述产品会话窗口是指可以和不同类型产品的客服进行临时会话的窗口，比如，所述原始页面为理财产品页面时，获取理财产品客服对应的会话窗口。所述标识可以为数字、文字及图片等，用户通过点击所述标识，进入所述会话窗口。

详细地，所述窗口添加模块101通过下述操作获取用户历史数据：

获取所述会话窗口的即时会话信息，并识别出所述会话窗口的用户信息；

将所述产品信息、所述即时会话信息及所述会话窗口的用户信息相关联，得到会话数据；

利用所述用户信息查找预设的历史数据库，提取所述用户信息下的用户历史数据。

其中，所述即时会话信息可以为IM(Instant Messaging，即时通讯)会话数据，所述IM会话数据是指两人或多人使用网络进行实时沟通的文字消息等。比如，所述产品信息为A理财产品时，将A理财产品与会话窗口的用户信息及即时会话信息相关联，得到用户关于A理财产品的会话数据。

本发明实施例通过在所述原始页面中添加会话窗口，可以利用所述会话窗口收集即时数据，便于数据分析。

所述原始矩阵构建模块102，用于从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵。

本发明实施例中，所述预构建的语言提取模型可以是一个Bert(BidirectionalEncoder Representation from Transformers)预训练模型。

较佳地，所述原始矩阵构建模块102构建原始矩阵之前，还包括：

利用预设的外部训练样本训练预构建的第一语言模型；

将所述第一语言模型的参数作为预构建的第二语言模型的初始化参数，并利用预设的内部训练样本训练所述第二语言模型，得到所述语言提取模型。

其中，所述外部训练样本可以为从大数据平台和区块链节点获取的产品偏好信息，所述内部训练样本可以为各业务领域的产品偏好信息，比如，真实场景下的用户对银行各类产品的偏好信息。所述第一语言模型及所述第二语言模型均可以为Bert训练模型。

详细地，所述原始矩阵构建模块102通过下述操作构建原始矩阵：

利用所述预构建的语言提取模型提取所述会话数据及用户历史数据的产品关键词，并基于所述产品关键词得到用户对于产品的用户偏好值；

对所述用户偏好值进行矩阵排列，得到所述原始矩阵。

其中，所述用户历史数据包括用户的购买信息、点击信息等。所述原始矩阵可以为一个m*n矩阵，其中m行代表用户user1、user2、user3…userM，n列代表产品item1、item2、item3…itemN。比如，提取用户对于A理财产品的产品关键词“考虑”、“一般”等词，得到用户对于A理财产品的用户偏好值。所述原始矩阵中的数据表示用户对该产品的偏好信息。所述原始矩阵由于通过对所述用户会话数据及用户历史数据进行数据分析而得到，因此是一个稠密矩阵，所述稠密矩阵是指在矩阵中，非0数值占大多数时，则称该矩阵为稠密矩阵，所述稠密矩阵中的数据更加丰富，因此更利于数据分析。

进一步地，本发明实施例中的原始矩阵，通过预构建的语言提取模型及所述用户会话数据、用户历史数据进行构建，数据更加丰富，提高了数据分析的准确度。

所述类别矩阵增强模块103，用于提取所述会话数据中的增强属性，根据所述增强属性及预设的类别矩阵生成增强类别矩阵。

本发明实施例中，所述预设的类别矩阵可以为各种产品的类别信息表，所述预设的类别矩阵可以为k*n矩阵，其中，k行表示类别class1、class2、class3…classK,n列代表产品item1、item2、item3…itemN。

详细地，所述类别矩阵增强模块103通过下述操作生成增强类别矩阵：

利用预设的语言处理算法提取所述会话数据中的关键词；

将所述关键词作为所述会话数据中产品信息的增强属性；

将所述增强属性汇总在所述类别矩阵中，得到所述增强类别矩阵。

进一步地，所述类别矩阵增强模块103通过下述操作提取所述会话数据中的关键词：

将所述会话数据中的文本进行分词处理，并除去停用词，得到分词结果；

从所述分词结果中挑选出一个或者多个关键词。

其中，本发明实施例中所述预设的语言处理算法可以是目前已公开的TextRank、基于语义的关键词提取算法等。比如，对包含A理财产品会话数据进行关键词提取，获取“随时用钱”关键词，将所述关键词扩展为A理财产品的增强属性，并将所述增强属性添加至A理财产品的类别中。本发明实施例中，所述原始类别矩阵为k*n矩阵时，所述增强类别矩阵也为k*n矩阵，其中，k行表示增强后的类别class’1、class’2、class’3…class’K，n列代表产品item1、item2、item3…itemN。

进一步地，本发明实施通过提取所述用户会话数据中的增强属性，根据所述增强属性及所述类别矩阵生成增强类别矩阵，所述增强类别矩阵中的信息更加丰富，加强了数据分析的准确性。

所述数据分析模块104，用于利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。

本发明实施例中，所述用户原始矩阵为m*n矩阵，所述增强类别矩阵为k*n矩阵时，利用矩阵的运算法则计算出的所述用户类别矩阵为m*k矩阵，其中m行表示m个用户，k列表示k种类别。

详细地，所述数据分析模块104通过下述操作得到用户分析矩阵：

利用语言提取模型对所述会话数据进行数据分类，得到用户对于产品类别的偏好信息，并将所述偏好信息作为所述用户产品类别信息；

将所述用户产品类别信息与所述用户类别矩阵中的对应数据进行相乘，得到用户对产品类别的偏好评分，汇总所述偏好评分得到所述用户分析矩阵。

其中，本发明实施例中通过提取会话数据中的关键词来确定用户对于产品的偏好信息。比如，提取用户关于A理财产品的关键词“一般”，来确定用户对于A理财产品的对应偏好。

进一步地，所述数据分析模块104得到用户评分矩阵之后还包括：

从所述用户分析矩阵中获取每个用户的用户偏好评分；

根据所述用户偏好评分向用户推荐预设数量的产品。

其中，所述预设数量可以为K个，根据所述用户偏好评分，向用户推荐评分靠前的top K个产品。

本发明实施例中，利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，并且利用所述语言提取模型提取用户会话数据中的用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到的用户评分矩阵，可以更准确的反应用户的偏好。

如图7所示，是本发明一实施例提供的实现数据收集及分析方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如数据收集及分析程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据收集及分析程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如数据收集及分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的数据收集及分析程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

在原始页面中添加会话窗口；

从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵；

提取所述会话数据中的增强属性，根据所述增强属性及预设的类别矩阵生成增强类别矩阵；

利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

在原始页面中添加会话窗口；

从所述会话窗口中获取会话数据，利用所述会话数据获取用户历史数据，根据预构建的语言提取模型、所述会话数据及所述用户历史数据构建原始矩阵；

提取所述会话数据中的增强属性，根据所述增强属性及预设的类别矩阵生成增强类别矩阵；

利用所述原始矩阵及所述增强类别矩阵计算出用户类别矩阵，利用所述语言提取模型对所述会话数据进行数据分类，得到用户产品类别信息，根据所述用户产品类别信息及所述用户类别矩阵得到用户分析矩阵。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，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。

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。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述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模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。