本发明涉及大数据处理与挖掘，尤其涉及一种用户匹配方法、装置、电子设备和计算机可读介质。
背景技术：
1、目前，针对b端客户全生命周期的智能化增长系统相对比较匮乏，对b端客户的维护运营动作集中在销售过程管控的范畴，即客户经理主观判断客户增长情况或流失节点，并通过线下拜访的形式对客户进行触达、对客户进行挖潜或挽回。部分智能化增长系统主要通过搭建机器学习回归模型或时间序列模型的方式判断客户是否即将到达某一营销节点，从而给予客户经理相应的动作指导，解决存量客户单点问题。
2、现有技术主要存在三个问题：一、无法对客户提前进行针对性干预动作，造成客户流失和营销时机的浪费；二、缺乏对客户触达进行智能化调度，客户与客户经理的绑定关系相对固定，拜访时间也相对随机，缺乏对客户与客户经理进行最优化匹配与拜访时间的动态最优化调度，造成拜访效果低下和人力浪费；三是缺乏对客户进行多维度的分析，造成干预动作不明确，不能针对性解决客户问题。
技术实现思路
1、有鉴于此，本发明实施例提供一种用户匹配方法、装置、电子设备和计算机可读介质，以解决缺乏对客户与客户经理进行最优化匹配，导致拜访效果低下和人力浪费的技术问题。
2、为实现上述目的，根据本发明实施例的一个方面，提供了一种用户匹配方法，包括：
3、对于每个维度，将各个第一用户的画像数据和各个第二用户的综合数据输入所述维度对应的增量计算模型，从而分别得到所述各个第一用户对所述各个第二用户执行所述维度对应的目标操作带来的发单增量值；其中，所述综合数据包括以下至少一种：画像数据、业务数据、时间数据、物流数据、访问流量数据、行为数据；
4、对于每个第二用户，将各个维度下所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的发单增量值相加，从而分别得到所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的增量值；
5、根据所述各个第二用户对所述各个第二用户执行目标操作带来的增量值，确定所述各个第一用户与所述各个第二用户的一一匹配关系，以使全局的总增量值最大。
6、可选地，所述维度对应的增量计算模型采用如下方法训练得到：
7、构建训练样本集，并采用回归模型进行有监督学习，从而构建得到所述维度对应的增量计算模型；其中，所述训练样本集包括各个第一用户的画像数据，各个第二用户的综合数据、所述维度对应的特征数据和发单量，以及，各个第二用户的综合数据和发单量。
8、可选地，构建训练样本集，并采用回归模型进行有监督学习，从而构建得到所述维度对应的增量计算模型，包括：
9、构建训练样本集，并采用双学习器的学习方式对回归模型进行有监督学习，训练得到两个子增量模型，从而构建得到所述维度对应的增量计算模型。
10、可选地，构建训练样本集，并采用t-learner方式对回归模型进行有监督学习，训练得到两个子增量模型，从而构建得到所述维度对应的增量计算模型，包括：
11、构建第一训练样本集，并采用回归模型进行有监督学习，从而训练得到第一子增量模型；其中，所述第一训练样本集包括各个第一用户的画像数据，各个第二用户的综合数据、所述维度对应的特征数据和发单量；
12、构建第二训练样本集，并采用回归模型进行有监督学习，从而训练得到第二子增量模型；其中，所述第二训练样本集包括各个第二用户的综合数据和发单量；
13、根据所述第一子增量模型和所述第二子增量模型构建得到所述维度对应的增量计算模型。
14、可选地，对于每个维度，将各个第一用户的画像数据和各个第二用户的综合数据输入所述维度对应的增量计算模型，从而分别得到所述各个第一用户对所述各个第二用户执行所述维度对应的目标操作带来的发单增量值，包括：
15、对于每个维度、每个第一用户以及每个第二用户，将所述第一用户的画像数据和所述第二用户的综合数据输入所述第一子增量模型，从而输出所述第一用户对所述第二用户执行所述维度对应的目标操作带来的第一预测发单量；
16、对于每个维度以及每个第二用户，将所述第二用户的综合数据输入所述第二子增量模型，从而输出所述第一用户不对所述第二用户执行所述维度对应的目标操作带来的第二预测发单量；
17、将所述第一预测发单量减去所述第二预测发单量，从而得到所述第一用户对所述第二用户执行了所述维度对应的目标操作带来的发单增量值。
18、可选地，对于每个第二用户，将各个维度下所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的发单增量值相加，从而分别得到所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的增量值，包括：
19、对于每个第一用户以及每个第二用户，将各个维度下所述第一用户对所述第二用户执行所述各个维度对应的目标操作带来的发单增量值相加，从而得到所述第一用户对所述第二用户执行所述各个维度对应的目标操作带来的增量值。
20、可选地，根据所述各个第二用户对所述各个第二用户执行目标操作带来的增量值，确定所述各个第一用户与所述各个第二用户的一一匹配关系，以使全局的总增量值最大，包括：
21、根据所述各个第二用户对所述各个第二用户执行目标操作带来的增量值，并采用匈牙利算法进行求解，从而求解出所述各个第一用户与所述各个第二用户的一一匹配关系，以使全局的总增量值最大。
22、另外，根据本发明实施例的另一个方面，提供了一种用户匹配装置，包括：
23、第一计算模块，用于对于每个维度，将各个第一用户的画像数据和各个第二用户的综合数据输入所述维度对应的增量计算模型，从而分别得到所述各个第一用户对所述各个第二用户执行所述维度对应的目标操作带来的发单增量值；其中，所述综合数据包括以下至少一种：画像数据、业务数据、时间数据、物流数据、访问流量数据、行为数据；
24、第二计算模块，用于对于每个第二用户，将各个维度下所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的发单增量值相加，从而分别得到所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的增量值；
25、匹配模块，用于根据所述各个第二用户对所述各个第二用户执行目标操作带来的增量值，确定所述各个第一用户与所述各个第二用户的一一匹配关系，以使全局的总增量值最大。
26、可选地，所述装置还包括训练模块，用于训练所述维度对应的增量计算模型；其中，所述维度对应的增量计算模型采用如下方法训练得到：
27、构建训练样本集，并采用回归模型进行有监督学习，从而构建得到所述维度对应的增量计算模型；其中，所述训练样本集包括各个第一用户的画像数据，各个第二用户的综合数据、所述维度对应的特征数据和发单量，以及，各个第二用户的综合数据和发单量。
28、可选地，所述训练模块还用于：
29、构建训练样本集，并采用双学习器的学习方式对回归模型进行有监督学习，训练得到两个子增量模型，从而构建得到所述维度对应的增量计算模型。
30、可选地，所述训练模块还用于：
31、构建第一训练样本集，并采用回归模型进行有监督学习，从而训练得到第一子增量模型；其中，所述第一训练样本集包括各个第一用户的画像数据，各个第二用户的综合数据、所述维度对应的特征数据和发单量；
32、构建第二训练样本集，并采用回归模型进行有监督学习，从而训练得到第二子增量模型；其中，所述第二训练样本集包括各个第二用户的综合数据和发单量；
33、根据所述第一子增量模型和所述第二子增量模型构建得到所述维度对应的增量计算模型。
34、可选地，所述第一计算模块还用于：
35、对于每个维度、每个第一用户以及每个第二用户，将所述第一用户的画像数据和所述第二用户的综合数据输入所述第一子增量模型，从而输出所述第一用户对所述第二用户执行所述维度对应的目标操作带来的第一预测发单量；
36、对于每个维度以及每个第二用户，将所述第二用户的综合数据输入所述第二子增量模型，从而输出所述第一用户不对所述第二用户执行所述维度对应的目标操作带来的第二预测发单量；
37、将所述第一预测发单量减去所述第二预测发单量，从而得到所述第一用户对所述第二用户执行了所述维度对应的目标操作带来的发单增量值。
38、可选地，所述第二计算模块还用于：
39、对于每个第一用户以及每个第二用户，将各个维度下所述第一用户对所述第二用户执行所述各个维度对应的目标操作带来的发单增量值相加，从而得到所述第一用户对所述第二用户执行所述各个维度对应的目标操作带来的增量值。
40、可选地，所述匹配模块还用于：
41、根据所述各个第二用户对所述各个第二用户执行目标操作带来的增量值，并采用匈牙利算法进行求解，从而求解出所述各个第一用户与所述各个第二用户的一一匹配关系，以使全局的总增量值最大。
42、根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
43、一个或多个处理器；
44、存储装置，用于存储一个或多个程序，
45、当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。
46、根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
47、根据本发明实施例的另一个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
48、上述发明中的一个实施例具有如下优点或有益效果：因为采用对于每个第二用户，将各个维度下各个第一用户对第二用户执行各个维度对应的目标操作带来的发单增量值相加，从而分别得到各个第一用户对第二用户执行各个维度对应的目标操作带来的增量值，然后根据各个第二用户对各个第二用户执行目标操作带来的增量值，确定各个第一用户与各个第二用户的一一匹配关系，以使全局的总增量值最大的技术手段，所以克服了现有技术中缺乏对客户与客户经理进行最优化匹配的技术问题。本发明实施例通过增量计算模型计算出各个第一用户对各个第二用户执行各个维度对应的目标操作带来的增量值，并求解出全局总增量值最大的匹配关系，对第一用户和第二用户进行智能匹配，从而智能调度第一用户资源。本发明实施例不但使得整体拜访效率最高、拜访收益最大，而且可以对第二用户进行多维度的分析，准确找出最佳的目标动作，从而针对性解决第二客户的问题，提升客户留存，增加客户发单量。
49、上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
1.一种用户匹配方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述维度对应的增量计算模型采用如下方法训练得到：
3.根据权利要求2所述的方法，其特征在于，构建训练样本集，并采用回归模型进行有监督学习，从而构建得到所述维度对应的增量计算模型，包括：
4.根据权利要求3所述的方法，其特征在于，构建训练样本集，并采用t-learner方式对回归模型进行有监督学习，训练得到两个子增量模型，从而构建得到所述维度对应的增量计算模型，包括：
5.根据权利要求4所述的方法，其特征在于，对于每个维度，将各个第一用户的画像数据和各个第二用户的综合数据输入所述维度对应的增量计算模型，从而分别得到所述各个第一用户对所述各个第二用户执行所述维度对应的目标操作带来的发单增量值，包括：
6.根据权利要求1所述的方法，其特征在于，对于每个第二用户，将各个维度下所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的发单增量值相加，从而分别得到所述各个第一用户对所述第二用户执行所述各个维度对应的目标操作带来的增量值，包括：
7.根据权利要求1所述的方法，其特征在于，根据所述各个第二用户对所述各个第二用户执行目标操作带来的增量值，确定所述各个第一用户与所述各个第二用户的一一匹配关系，以使全局的总增量值最大，包括：
8.一种用户匹配装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
