本发明实施例涉及数据处理技术领域，尤其涉及一种投诉用户的预测方法和装置。
背景技术：
大型电商的用户数量可以达到亿级，而其中投诉用户的数量极少。如何从海量的用户中识别出有投诉风险的用户是非常重要的。
目前，识别潜在投诉用户的常用方法是基于业务行为的识别方法。根据业务经验，总结出有投诉风险的用户的业务行为。进而，根据业务行为从海量用户中筛选出有投诉风险的用户。比如，可能的业务行为是“下单后3天内未发货，且联系客服次数大于2次”。可以从海量用户中查询符合此条件的用户，作为投诉风险用户。
但是，上述的识别方法，一方面依赖于人工的业务经验。而依赖业务经验总结规则的过程耗时费力，而且，总结出的业务规则有限，难以较好地覆盖投诉用户。另一方面，需要对所有用户的数据进行处理，导致投诉用户预测的准确性和效率很低。
技术实现要素：
本发明实施例提供一种投诉用户的预测方法和装置，提升了投诉用户预测的准确性和效率。
第一方面，本发明实施例提供一种投诉用户的预测方法，包括：
获取预设时长内的历史用户数据；
根据所述历史用户数据从预设场景中确定至少一个投诉场景，并建立每个所述投诉场景的投诉用户分类器；其中，所述投诉场景的用户投诉率高于所述预设场景中非投诉场景的用户投诉率；
获取待处理的用户数据；
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户。
可选的，所述根据所述历史用户数据从预设场景中确定至少一个投诉场景，包括：
在所述历史用户数据中，获取所述预设场景中每个场景的历史用户数据集合；
根据每个场景的历史用户数据集合，获取每个场景的用户投诉率；
将所述预设场景分别对应的用户投诉率按照从大到小的顺序排序，将前n个场景确定为所述至少一个投诉场景；其中，n为正整数。
可选的，所述建立每个所述投诉场景的投诉用户分类器，包括：
根据所述投诉场景的历史用户数据集合，获取所述投诉场景的用户集合；所述用户集合包括根据所述历史用户数据集合确定的所有投诉用户；
在所述投诉场景的历史用户数据集合中，获取所述用户集合包括的每个用户的数据，构成所述投诉场景的数据集合；
将所述投诉场景的数据集合作为投诉用户分类器的输入特征，将用户的投诉概率作为投诉用户分类器的输出特征，对投诉用户分类器进行训练，建立所述投诉场景的投诉用户分类器。
可选的，所述用户集合还包括根据所述历史用户数据集合确定的所有非投诉用户中的部分非投诉用户。
可选的，所述利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户，包括：
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率；
获取所述至少一个投诉场景的权重值；
根据所述至少一个投诉场景的权重值和每个所述用户分别在所述至少一个投诉场景中的投诉概率，获取每个所述用户的投诉概率总值；
根据每个所述用户的投诉概率总值，获取潜在的投诉用户。
可选的，所述利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率，包括：
在所述用户数据中，获取每个投诉场景的用户数据集合；
针对每个投诉场景，利用所述投诉场景的投诉用户分类器对所述投诉场景的用户数据集合进行处理，获取所述用户数据集合中每个用户在所述投诉场景中的投诉概率。
可选的，还包括：
若第一投诉场景的用户数据集合中不包括第一用户，则将所述第一用户在所述第一投诉场景中的投诉概率确定为0。
可选的，所述投诉场景的用户投诉率大于或者等于预设阈值。
第二方面，本发明实施例提供一种投诉用户的预测装置，包括：
第一获取模块，用于获取预设时长内的历史用户数据；
建模模块，用于根据所述历史用户数据从预设场景中确定至少一个投诉场景，并建立每个所述投诉场景的投诉用户分类器；其中，所述投诉场景的用户投诉率高于所述预设场景中非投诉场景的用户投诉率；
第二获取模块，用于获取待处理的用户数据；
预测模块，用于利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户。
可选的，所述建模模块具体用于：
在所述历史用户数据中，获取所述预设场景中每个场景的历史用户数据集合；
根据每个场景的历史用户数据集合，获取每个场景的用户投诉率；
将所述预设场景分别对应的用户投诉率按照从大到小的顺序排序，将前n个场景确定为所述至少一个投诉场景；其中，n为正整数。
可选的，所述建模模块具体用于：
根据所述投诉场景的历史用户数据集合，获取所述投诉场景的用户集合；所述用户集合包括根据所述历史用户数据集合确定的所有投诉用户；
在所述投诉场景的历史用户数据集合中，获取所述用户集合包括的每个用户的数据，构成所述投诉场景的数据集合；
将所述投诉场景的数据集合作为投诉用户分类器的输入特征，将用户的投诉概率作为投诉用户分类器的输出特征，对投诉用户分类器进行训练，建立所述投诉场景的投诉用户分类器。
可选的，所述用户集合还包括根据所述历史用户数据集合确定的所有非投诉用户中的部分非投诉用户。
可选的，所述预测模块具体用于：
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率；
获取所述至少一个投诉场景的权重值；
根据所述至少一个投诉场景的权重值和每个所述用户分别在所述至少一个投诉场景中的投诉概率，获取每个所述用户的投诉概率总值；
根据每个所述用户的投诉概率总值，获取潜在的投诉用户。
可选的，所述预测模块具体用于：
在所述用户数据中，获取每个投诉场景的用户数据集合；
针对每个投诉场景，利用所述投诉场景的投诉用户分类器对所述投诉场景的用户数据集合进行处理，获取所述用户数据集合中每个用户在所述投诉场景中的投诉概率。
可选的，所述预测模块还用于：
若第一投诉场景的用户数据集合中不包括第一用户，则将所述第一用户在所述第一投诉场景中的投诉概率确定为0。
可选的，所述投诉场景的用户投诉率大于或者等于预设阈值。
第三方面，本发明实施例提供一种投诉用户的预测装置，包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中存储的指令，以执行本发明第一方面任一实现方式提供的方法。
第四方面，本发明实施例提供一种存储介质，包括：可读存储介质和计算机程序，所述计算机程序用于实现本发明第一方面任一实现方式提供的方法。
本发明实施例提供一种投诉用户的预测方法和装置，通过预设时长内的历史用户数据确定投诉场景以及每个投诉场景的投诉用户分类器，提升了确定投诉场景以及建立投诉用户分类器的准确率，从而，根据每个投诉场景分别对应的投诉用户分类器对待处理的用户数据进行处理，可以获取潜在的投诉用户，避免依赖于人工经验，提升了投诉用户预测的准确性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的投诉用户的预测方法的一种流程图；
图2为本发明实施例提供的投诉用户的预测方法的另一种流程图；
图3为本发明实施例提供的获取用户的投诉概率总值的原理示意图；
图4为本发明实施例提供的投诉用户的预测装置的一种结构示意图；
图5为本发明实施例提供的投诉用户的预测装置的另一种结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的投诉用户的预测方法的一种流程图。本实施例提供的投诉用户的预测方法，执行主体可以为投诉用户的预测装置。如图1所示，本实施例提供的投诉用户的预测方法，可以包括：
s101、获取预设时长内的历史用户数据。
其中，历史用户数据为与用户在电商平台的业务行为相关的数据，本实施例对历史用户数据包括的具体内容不做限定。可选的，历史用户数据可以包括但不限于下列中的至少一项：用户在电商平台上的商品浏览数据、订单数据、物流数据、评论数据等。商品浏览数据可以反映出用户浏览的商品的类型、价格、浏览时间、浏览次数等信息。订单数据可以反映出用户交易成功或者交易失败的商品的类型、价格、数量等信息。评论数据可以包括但不限于用户对商品的反馈信息、用户与客服的沟通信息、投诉信息等。物流数据可以反映出用户购买商品过程中商品的发货时间、运输时间、配送时间等信息。
其中，本实施例对预设时长的具体数值不做限定。
s102、根据历史用户数据从预设场景中确定至少一个投诉场景，并建立每个投诉场景的投诉用户分类器。
其中，投诉场景的用户投诉率高于预设场景中非投诉场景的用户投诉率。
具体的，预先设置多个预设场景，本实施例对预设场景的数量和分类不做限定。例如，预设场景可以包括但不限于：发货场景、退货场景、配送场景、订单场景、商家服务场景等等。根据预设时长内的历史用户数据可以在多个预设场景中确定至少一个投诉场景，建立每个投诉场景的投诉用户分类器。投诉场景的投诉用户分类器，用于输出用户在该投诉场景中的投诉概率。通过历史用户数据确定用户投诉率较高的投诉场景以及每个投诉场景的投诉用户分类器，提升了确定投诉场景以及建立投诉用户分类器的准确率。
其中，投诉场景的用户投诉率高于非投诉场景的用户投诉率。本实施例对于投诉场景的个数不做限定。
可选的，为了进一步提升确定投诉场景的准确率，投诉场景的用户投诉率可以大于或者等于预设阈值。本实施例对于预设阈值的具体取值不做限定。
可选的，每个预设场景的用户投诉率可以为历史用户数据中该预设场景下的投诉数量与所有预设场景的投诉数量的和的比值，具体通过公式一表示。其中，mk表示第k个预设场景的投诉数量，ik表示第k个预设场景的用户投诉率。t表示预设场景的个数，t为大于1的整数。
可选的，每个预设场景的用户投诉率可以为该预设场景下的投诉用户的数量与所有预设场景的投诉用户的数量的和的比值，具体通过公式二表示。其中，nk表示第k个预设场景的投诉用户的数量，jk表示第k个预设场景的用户投诉率。t表示预设场景的个数，t为大于1的整数。
s103、获取待处理的用户数据。
其中，待处理的用户数据包括的内容可以参见上述历史用户数据，原理相似，此处不再赘述。
s104、利用至少一个投诉场景分别对应的投诉用户分类器对用户数据进行处理，获取潜在的投诉用户。
可见，本实施例提供的投诉用户的预测方法，利用预设时长内的历史用户数据确定投诉场景以及每个投诉场景的投诉用户分类器，提升了确定投诉场景以及建立投诉用户分类器的准确率，从而，根据每个投诉场景分别对应的投诉用户分类器对待处理的用户数据进行处理，可以获取潜在的投诉用户，避免依赖于人工经验，提升了投诉用户预测的准确性和效率。
可选的，s102中，根据历史用户数据从预设场景中确定至少一个投诉场景，可以包括：
在历史用户数据中，获取预设场景中每个场景的历史用户数据集合。
根据每个场景的历史用户数据集合，获取每个场景的用户投诉率。
将预设场景分别对应的用户投诉率按照从大到小的顺序排序，将前n个场景确定为至少一个投诉场景。其中，n为正整数。
具体的，每个预设场景对应有历史用户数据集合，该历史用户数据集合包括预设时长内的历史用户数据中与该预设场景相关的数据。根据每个预设场景的历史用户数据集合，分别得到每个预设场景的用户投诉率。通过对多个预设场景的用户投诉率进行排序，从而可以确定投诉场景。
下面通过示例进行说明。假设，预设场景包括发货场景、退货场景、物流场景、订单场景、商家服务场景。n等于2。根据预设时长内的历史用户数据，获取每个场景的历史用户数据集合，并获取发货场景、退货场景、物流场景、订单场景、商家服务场景的用户投诉率分别为10％、40％、25％、5％、20％。对用户投诉率按照从大到小的顺序排序后，可以确定2个投诉场景为退货场景和物流场景。
通过将用户投诉率从大大小排序的前n个场景确定为投诉场景，进一步提升了确定投诉场景的准确率。
可选的，s102中，建立每个投诉场景的投诉用户分类器，可以包括：
根据投诉场景的历史用户数据集合，获取投诉场景的用户集合。用户集合包括根据历史用户数据集合确定的所有投诉用户。
在投诉场景的历史用户数据集合中，获取用户集合包括的每个用户的数据，构成投诉场景的数据集合。
将投诉场景的数据集合作为投诉用户分类器的输入特征，将用户的投诉概率作为投诉用户分类器的输出特征，对投诉用户分类器进行训练，建立投诉场景的投诉用户分类器。
下面以投诉场景为物流场景作为示例进行说明。
假设，根据物流场景的历史用户数据集合，获得物流场景的用户集合包括200个投诉用户。此外，还可以根据物流场景的历史用户数据集合确定物流场景的非投诉用户为1000个。在物流场景的历史用户数据集合中，获取200个投诉用户的数据，构成物流场景的数据集合。将这200个投诉用户的数据作为物流场景的投诉用户分类器的输入特征，将每个投诉用户的投诉概率作为投诉用户分类器的输出特征，对物流场景的投诉用户分类器进行训练，从而建立投诉场景的投诉用户分类器。
通过每个投诉场景的投诉用户的数据训练该场景下的投诉用户分类器，针对每个投诉场景分别训练，提升了每个投诉场景的投诉用户分类器的准确性。
可选的，投诉场景的用户集合还可以包括根据历史用户数据集合确定的所有非投诉用户中的部分非投诉用户。
还以上述物流场景作为示例。根据物流场景的历史用户数据集合确定非投诉用户为1000个。那么，物流场景的用户集合除了包括200个投诉用户外，还可以包括1000个非投诉用户中的部分用户。本实施例对于包括的非投诉用户的具体数量不做限定。
可选的，若投诉场景为n个，n为正整数，第k个投诉场景的用户集合包括的用户数量可以为pk r×(poolk-pk)。其中，pk表示第k个投诉场景的投诉用户数量，poolk表示第k个投诉场景的所有用户的数量，所有用户包括投诉用户和非投诉用户，r表示抽取概率，r大于等于0且小于1。需要说明，对于n个投诉场景，不同的投诉场景的r的取值可以相同，也可以不同。
本实施例提供一种投诉用户的预测方法，包括：获取预设时长内的历史用户数据，根据历史用户数据从预设场景中确定至少一个投诉场景，并建立每个投诉场景的投诉用户分类器，获取待处理的用户数据，利用至少一个投诉场景分别对应的投诉用户分类器对用户数据进行处理，获取潜在的投诉用户。本实施例提供的投诉用户的预测方法，利用预设时长内的历史用户数据确定投诉场景以及每个投诉场景的投诉用户分类器，进而根据每个投诉场景的投诉用户分类器获取潜在的投诉用户，避免依赖于人工经验，提升了投诉用户预测的准确性和效率。
图2为本发明实施例提供的投诉用户的预测方法的另一种流程图。本实施例在上述图1所示实施例的基础上，提供了s104的一种具体实现方式。如图2所示，利用至少一个投诉场景分别对应的投诉用户分类器对用户数据进行处理，获取潜在的投诉用户，可以包括：
s201、利用至少一个投诉场景分别对应的投诉用户分类器对用户数据进行处理，获取用户数据中每个用户分别在至少一个投诉场景中的投诉概率。
s202、获取至少一个投诉场景的权重值。
s203、根据至少一个投诉场景的权重值和每个用户分别在至少一个投诉场景中的投诉概率，获取每个用户的投诉概率总值。
s204、根据每个用户的投诉概率总值，获取潜在的投诉用户。
下面结合图3进行示例性说明。图3为本发明实施例提供的获取用户的投诉概率总值的原理示意图。假设，投诉场景的数量为n，n为正整数。n个投诉场景的投诉用户分类器分别称为投诉用户分类器1～投诉用户分类器n。获取待处理的用户数据后，利用投诉用户分类器1～投诉用户分类器n对用户数据进行处理。对于用户数据中的每个用户，投诉用户分类器1～投诉用户分类器n分别输出该用户在对应投诉场景中的投诉概率。比如，在图3中，对于一个用户来说，利用投诉用户分类器1可以获得该用户在第1个投诉场景的投诉概率p1，利用投诉用户分类器2可以获得该用户在第2个投诉场景的投诉概率p2，以此类推，利用投诉用户分类器n可以获得该用户在第n个投诉场景的投诉概率pn。然后，根据n个投诉场景的权重值和每个用户分别在n个投诉场景中的投诉概率，获取每个用户的投诉概率总值。比如，在图3中，n个投诉场景的权重值表示为w1～wn。对于一个用户来说，该用户的投诉概率总值可以表示为p1*w1 p2*w2 … pn*wn。在获得用户数据中的每个用户的投诉概率总值后，可以根据每个用户的投诉概率总值获取潜在的投诉用户。
可见，由于至少一个投诉场景分别对应的投诉用户分类器是根据历史数据获得的，准确率较高，通过至少一个投诉场景分别对应的投诉用户分类器对待处理的用户数据进行处理，可以获得待处理的用户数据中每个用户的投诉概率总值，进而获取潜在的投诉用户，避免了依赖人工经验，提升了获取潜在投诉用户的准确率和效率。
可选的，s201中，利用至少一个投诉场景分别对应的投诉用户分类器对用户数据进行处理，获取用户数据中每个用户分别在至少一个投诉场景中的投诉概率，可以包括：
在用户数据中，获取每个投诉场景的用户数据集合。
针对每个投诉场景，利用投诉场景的投诉用户分类器对投诉场景的用户数据集合进行处理，获取用户数据集合中每个用户在投诉场景中的投诉概率。
具体的，每个投诉场景对应有用户数据集合，该用户数据集合包括待处理的用户数据中与该投诉场景相关的数据。根据每个投诉场景的投诉用户分类器对该投诉场景的用户数据集合进行处理，可以分别得到每个投诉场景中每个用户的投诉概率。
可选的，本实施例提供的投诉用户的预测方法，还可以包括：
若第一投诉场景的用户数据集合中不包括第一用户，则将第一用户在第一投诉场景中的投诉概率确定为0。
例如，对于用户a，如果发货场景的用户数据集合中不包括用户a，则用户a在发货场景中的投诉概率为0。
本实施例提供一种投诉用户的预测方法，具体提供了利用至少一个投诉场景分别对应的投诉用户分类器获取潜在的投诉用户的一种实施方式。通过至少一个投诉场景分别对应的投诉用户分类器对待处理的用户数据进行处理，可以获得待处理的用户数据中每个用户的投诉概率总值，进而获取潜在的投诉用户，避免了依赖人工经验，提升了获取潜在投诉用户的准确率，也提升了获取潜在投诉用户的处理效率。
图4为本发明实施例提供的投诉用户的预测装置的一种结构示意图。本实施例提供的投诉用户的预测装置，用于执行本发明实施例提供的投诉用户的预测方法。如图4所示，本实施例提供的投诉用户的预测装置，可以包括：
第一获取模块41，用于获取预设时长内的历史用户数据；
建模模块42，用于根据所述历史用户数据从预设场景中确定至少一个投诉场景，并建立每个所述投诉场景的投诉用户分类器；其中，所述投诉场景的用户投诉率高于所述预设场景中非投诉场景的用户投诉率；
第二获取模块43，用于获取待处理的用户数据；
预测模块44，用于利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户。
可选的，所述建模模块42具体用于：
在所述历史用户数据中，获取所述预设场景中每个场景的历史用户数据集合；
根据每个场景的历史用户数据集合，获取每个场景的用户投诉率；
将所述预设场景分别对应的用户投诉率按照从大到小的顺序排序，将前n个场景确定为所述至少一个投诉场景；其中，n为正整数。
可选的，所述建模模块42具体用于：
根据所述投诉场景的历史用户数据集合，获取所述投诉场景的用户集合；所述用户集合包括根据所述历史用户数据集合确定的所有投诉用户；
在所述投诉场景的历史用户数据集合中，获取所述用户集合包括的每个用户的数据，构成所述投诉场景的数据集合；
将所述投诉场景的数据集合作为投诉用户分类器的输入特征，将用户的投诉概率作为投诉用户分类器的输出特征，对投诉用户分类器进行训练，建立所述投诉场景的投诉用户分类器。
可选的，所述用户集合还包括根据所述历史用户数据集合确定的所有非投诉用户中的部分非投诉用户。
可选的，所述预测模块44具体用于：
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率；
获取所述至少一个投诉场景的权重值；
根据所述至少一个投诉场景的权重值和每个所述用户分别在所述至少一个投诉场景中的投诉概率，获取每个所述用户的投诉概率总值；
根据每个所述用户的投诉概率总值，获取潜在的投诉用户。
可选的，所述预测模块44具体用于：
在所述用户数据中，获取每个投诉场景的用户数据集合；
针对每个投诉场景，利用所述投诉场景的投诉用户分类器对所述投诉场景的用户数据集合进行处理，获取所述用户数据集合中每个用户在所述投诉场景中的投诉概率。
可选的，所述预测模块44还用于：
若第一投诉场景的用户数据集合中不包括第一用户，则将所述第一用户在所述第一投诉场景中的投诉概率确定为0。
可选的，所述投诉场景的用户投诉率大于或者等于预设阈值。
本实施例提供的投诉用户的预测装置，用于执行本发明实施例提供的投诉用户的预测方法，技术原理相似，此处不再赘述。
图5为本发明实施例提供的投诉用户的预测装置的另一种结构示意图。本实施例提供的投诉用户的预测装置，用于执行本发明实施例提供的投诉用户的预测方法。如图5所示，本实施例提供的信息处理设备，可以包括：处理器51和存储器52。存储器52，用于存储程序指令。处理器51，用于调用存储器52中存储的程序指令以实现本发明实施例提供的投诉用户的预测方法，技术原理相似，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
1.一种投诉用户的预测方法，其特征在于，包括：
获取预设时长内的历史用户数据；
根据所述历史用户数据从预设场景中确定至少一个投诉场景，并建立每个所述投诉场景的投诉用户分类器；其中，所述投诉场景的用户投诉率高于所述预设场景中非投诉场景的用户投诉率；
获取待处理的用户数据；
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史用户数据从预设场景中确定至少一个投诉场景，包括：
在所述历史用户数据中，获取所述预设场景中每个场景的历史用户数据集合；
根据每个场景的历史用户数据集合，获取每个场景的用户投诉率；
将所述预设场景分别对应的用户投诉率按照从大到小的顺序排序，将前n个场景确定为所述至少一个投诉场景；其中，n为正整数。
3.根据权利要求2所述的方法，其特征在于，所述建立每个所述投诉场景的投诉用户分类器，包括：
根据所述投诉场景的历史用户数据集合，获取所述投诉场景的用户集合；所述用户集合包括根据所述历史用户数据集合确定的所有投诉用户；
在所述投诉场景的历史用户数据集合中，获取所述用户集合包括的每个用户的数据，构成所述投诉场景的数据集合；
将所述投诉场景的数据集合作为投诉用户分类器的输入特征，将用户的投诉概率作为投诉用户分类器的输出特征，对投诉用户分类器进行训练，建立所述投诉场景的投诉用户分类器。
4.根据权利要求3所述的方法，其特征在于，所述用户集合还包括根据所述历史用户数据集合确定的所有非投诉用户中的部分非投诉用户。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户，包括：
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率；
获取所述至少一个投诉场景的权重值；
根据所述至少一个投诉场景的权重值和每个所述用户分别在所述至少一个投诉场景中的投诉概率，获取每个所述用户的投诉概率总值；
根据每个所述用户的投诉概率总值，获取潜在的投诉用户。
6.根据权利要求5所述的方法，其特征在于，所述利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率，包括：
在所述用户数据中，获取每个投诉场景的用户数据集合；
针对每个投诉场景，利用所述投诉场景的投诉用户分类器对所述投诉场景的用户数据集合进行处理，获取所述用户数据集合中每个用户在所述投诉场景中的投诉概率。
7.一种投诉用户的预测装置，其特征在于，包括：
第一获取模块，用于获取预设时长内的历史用户数据；
建模模块，用于根据所述历史用户数据从预设场景中确定至少一个投诉场景，并建立每个所述投诉场景的投诉用户分类器；其中，所述投诉场景的用户投诉率高于所述预设场景中非投诉场景的用户投诉率；
第二获取模块，用于获取待处理的用户数据；
预测模块，用于利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取潜在的投诉用户。
8.根据权利要求7所述的装置，其特征在于，所述建模模块具体用于：
在所述历史用户数据中，获取所述预设场景中每个场景的历史用户数据集合；
根据每个场景的历史用户数据集合，获取每个场景的用户投诉率；
将所述预设场景分别对应的用户投诉率按照从大到小的顺序排序，将前n个场景确定为所述至少一个投诉场景；其中，n为正整数。
9.根据权利要求8所述的装置，其特征在于，所述建模模块具体用于：
根据所述投诉场景的历史用户数据集合，获取所述投诉场景的用户集合；所述用户集合包括根据所述历史用户数据集合确定的所有投诉用户；
在所述投诉场景的历史用户数据集合中，获取所述用户集合包括的每个用户的数据，构成所述投诉场景的数据集合；
将所述投诉场景的数据集合作为投诉用户分类器的输入特征，将用户的投诉概率作为投诉用户分类器的输出特征，对投诉用户分类器进行训练，建立所述投诉场景的投诉用户分类器。
10.根据权利要求7-9任一项所述的装置，其特征在于，所述预测模块具体用于：
利用所述至少一个投诉场景分别对应的投诉用户分类器对所述用户数据进行处理，获取所述用户数据中每个用户分别在所述至少一个投诉场景中的投诉概率；
获取所述至少一个投诉场景的权重值；
根据所述至少一个投诉场景的权重值和每个所述用户分别在所述至少一个投诉场景中的投诉概率，获取每个所述用户的投诉概率总值；
根据每个所述用户的投诉概率总值，获取潜在的投诉用户。
11.一种投诉用户的预测装置，其特征在于，包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中存储的指令，以执行如权利要求1至6任一项所述的方法。
12.一种存储介质，其特征在于，包括：可读存储介质和计算机程序，所述计算机程序用于实现如权利要求1至6任一项所述的方法。
技术总结