CN106022505A - 一种预测用户离网的方法及装置 - Google Patents

Abstract

本发明实施例提供一种预测用户离网的方法及装置，涉及移动通信和数据挖掘技术领域，对用户离网情况进行提前预测，以便在用户离网之前，采用必要的挽留措施，降低电信运营商的经济损失。所述方法包括：获取至少一个用户中每个用户的多维度行为数据，将用户的多维度行为数据作为预设的预测模型的输入变量，用于确定用户是否离网的变量作为预测模型的输出变量，对所述预测模型进行模型训练，根据训练后的所述预测模型，对待测用户进行离网预测。

Description

一种预测用户离网的方法及装置

技术领域

本发明涉及移动通信和数据挖掘技术领域，尤其涉及一种预测用户离网的方法及装置。

背景技术

随着电信行业的发展，目前，对于多数用户来说，他们会根据自身的需求选择电信运营商，且在选择电信运营商之后，也会由于电信运营商的服务质量和自身的需求变化等各种因素，有可能会重新选择其他运营商，也就是，原本属于电信运营商A的用户，可能会放弃电信运营商A的服务而成为电信运营商B的用户，这种现象为用户转网现象，对电信运营商A而言，用户离开该电信网络，即用户离网。

由于用户离网直接导致电信运营商利润下降，所以，提前预测用户离网，以便于在用户离网前，对离网用户采取必要的挽留措施，提高挽留客户的成功率，成为电信运营商关注的焦点和亟待解决的问题。

发明内容

本发明的实施例提供一种预测用户离网的方法及装置，实现对用户离网情况进行提前预测，以便在用户离网之前，采用必要的挽留措施，降低电信运营商的经济损失。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明实施例提供一种预测用户离网的方法，所述方法可以包括：

获取多个用户中每个用户的多维度行为数据，将用户的多维度行为数据作为输入变量预设的预测模型的输入变量，用于确定用户是否离网的变量作为预测模型的输出变量，对该预测模型进行训练，待训练成功后，基于该预测模型对用户是否离网进行预测。

如此，可以借助于经用户的多维度行为数据训练出来的预测模型，提前实现对离网用户的预测，以便在用户离网之前，采用必要的挽留措施留住客户。

其中，上述用户的多维度行为数据为影响用户离网的数据，可以包括下述至少一种数据：用户属性、用户的套餐特征、用户访问业务特征、用户体验值、用户的关键字搜索特征、用户的策反联系情况、用户的投诉情况、用户上网频度、用户对特定网站的访问统计。

预设的预测模型可以为基于神经网络算法的模型、基于决策树的模型、基于线性算法的模型、基于支持向量机SVM的模型中的任一种模型。

可选的，在第一方面的一种可实现方式中，对预测模型进行模型训练可以包括：

将用户的多维度行为数据输入所述预测模型，计算得出所述输出变量的取值，将计算得出所述输出变量的取值与所述用户的真实离网结果相比较，得到误差，根据所述误差调整所述预测模型、以及迭代进行计算、比较和调整，直到所述误差满足预定值或者迭代次数达到预设最大次数，则表示模型训练完成。

可选的，在第一方面的又一种可实现方式中，基于线性算法的模型的模型参数可以包括：影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值；

当所述预测模型为所述基于线性算法的模型时，根据训练后的预测模型，对用户进行离网预测可以包括：

将用户的多维度用户行为数据作为输入变量，输入所述基于线性算法的模型中，

根据影响用户离网的用户行为数据对应的权重，获得输入的用户的多维度用户行为数据对应的权重，

将获得的权重进行相加；

若相加后的权重大于权重阈值，则输出用户离网；

若相加后的权重小于等于权重阈值，则输出用户不离网。

其中，用户行为数据对应的权重用于表示：该用户行为数据对用户离网的影响程度，权重阈值为判定用户是否离网的分界线。

如此，可以利用权重以及权重阈值这两种模型参数来预测用户离网，实现简单，易于操作。

进一步可选的，当预测模型训练好之后，为了提高预测模型预测的准确性，在第一方面的再一种可实现方式中，还可以采用测试数据集对预测模型进行评估和调优，具体实现如下：

获取包含历史存储的已离网用户和未离网用户的多维度行为数据的测试数据集，利用该测试数据集、以及下述至少一项评价指标来评价训练后的所述预测模型的预测结果：准确率、覆盖率、在所有实际为离网的样本中被正确判断为离网的比率、以及在所有实际为离网的样本中被错误判断为流失的比率，基于所述评价来调整优化所述预测模型，或者从多个经训练的预测模型中选出最优的预测模型。

如此，可以根据测试数据集对预测模型的测试结果，对该预测模型进行模型参数调整和优化，以便获得更优、准确度更高的预测模型。

第二方面，本发明还提供一种预测用户离网的装置，用于执行第一方面所述的方法，所述装置可以包括：

获取单元，用于获取多个用户中每个用户的多维度行为数据；

模型训练单元，用于将用户的多维度行为数据作为输入变量预设的预测模型的输入变量，用于确定用户是否离网的变量作为预测模型的输出变量，对该预测模型进行训练；

离网预测单元，用于根据所述模型训练单元训练后的所述预测模型，对待测用户进行离网预测。

其中，上述各单元的具体执行过程可参见第一方面中的过程，在此不再一一赘述。

需要说明的是，需要说明的是，第二方面所述的预测用户离网的装置可以设置在运营商分析系统的任一计算机中，也可以独立于任何设备设置在运营商分析系统中，同时，上述获取单元可以为预测用户离网的装置中的通信接口，模型训练单元、离网预测单元可以为预测用户中离网的装置单独设立的处理器，也可以集成在预测用户离网的装置的某一个处理器中实现，此外，也可以以程序代码的形式存储于预测用户离网的装置的存储器中，由预测用户离网的装置的某一个处理器调用并执行以上模型训练单元、离网预测单元的功能。这里所述的处理器可以是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路(Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。

由上可知，本发明实施例提供一种预测用户离网的方法及装置，获取至少一个用户中每个用户的多维度行为数据，将用户的多维度行为数据作为预设的预测模型的输入变量，用于确定用户是否离网的变量作为预测模型的输出变量，对所述预测模型进行模型训练，根据训练后的所述预测模型，对待测用户进行离网预测。如此，可以借助于经用户的多维度行为数据训练出来的预测模型，提前实现对离网用户的预测，以便在用户离网之前，采用必要的挽留措施留住客户。

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简单地介绍，显而易见地，下面描述中的附图仅仅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预测用户离网的原理框图；

图2为本发明实施例提供的预测用户离网的装置10的结构图；

图3为本发明实施例提供的预测用户离网的方法的流程图；

图4为本发明实施例提供的预测用户离网的装置20的结构图。

具体实施方式

本发明的核心思想是：预先获取历史存储的影响用户离网的多种用户行为数据，根据这些行为数据对预设的用于判定用户离网的预测模型进行训练，采用训练好的预测模型对用户的离网行为进行提前预测，以便在用户离网之前，对该用户采用必要的维挽措施，帮助运行商挽留住用户。

下面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、完整的描述，显然，所描述的实施例仅仅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作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为本发明提供的预测用户离网的原理框图，如图1所示，可以先从运营商分析系统进行用户行为数据抽取，对抽取到的用户行为数据进行处理得到建模所需的基础数据，然后拿着处理后的数据预设的预测模型进行训练，得到用于预测用户离网的预测模型，最后，将模型应用到用户离网预测中，预测未来概率较高的离网用户，对该用户采用相应的挽留措施，此外，可理解的是，为了提高预测模型的预测准确性，如图1所示，还可以采用历史存储的离网用户的行为数据对训练好的预测模型进行模型验证。

上述预测用户离网的过程可以由预测用户离网的装置来实现，且该预测用户的装置可以位于运营商分析系统中，如可以位于运营商分析系统中的某一服务器中，也可以独立于运营商分析系统中的任一设备，单独存在于运营商分析系统之中。

例如，图2为本发明实施例提供的预测用户离网的装置10的结构图，用于执行本发明所提供的预测用户离网的方法，如图2所示，所述预测用户离网的装置10可以包括：处理器1011、通信接口1012、存储器1013、以及至少一个通信总线1014，通信总线1014用于实现这些装置之间的连接和相互通信；

处理器1011可能是一个中央处理器(Central Processing Unit，简称为CPU)，也可以是特定集成电路(Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器(Digital Signal Processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)。

通信接口1012可用于与外部网元之间进行数据交互。

存储器1013，可以是易失性存储器(Volatile Memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(Non-Volatile Memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(Flash Memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合。

通信总线1014可以分为地址总线、数据总线、控制总线等，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

具体的，处理器1011可以用于：从运营商分析系统的数据库中，通过通信接口1012读取至少一个用户中每个用户的多维度行为数据，将读取到的多维度用户行为数据作为预设的预测模型的输入变量，用于判定用户是否离网的变量作为预测模型的出入变量，对预测模型进行模型训练；

利用训练好的预测模型，对当前接入该运营商的用户进行离网预测，预测该用户的是否离网，进而将用户未来的离网情况反馈给运营人员，供运营人员针对可能离网的用户给出相应的维挽措施。

其中，由于在实际应用中，用户离网原因种类复杂且维度多，因此，在本发明实例中，为了提高用户离网预测的准确性，需要从多个维度捕获用户行为数据，根据这些用户行为数据从多方面综合预测用户离网情况；

可选的，根据实际应用中影响用户离网的因素，本发明实施例提供的多维度行为数据包含包括但不限于下述任意一种或多种行为数据：

用户属性、用户的套餐特征、用户访问业务特征、用户体验值、用户的关键字搜索特征、用户的策反联系情况、用户的投诉情况、用户上网频度、用户对特定网站的访问统计。

需要说明的是，因为在实际应用中，每个用户的上网情况是不同，所以，每个用户的多维度行为数据的种类可以是相同的，也可以是不同的。例如，影响用户1离网的用户行为数据可能为：用户1属性、用户1的套餐特征、用户1访问业务特征、用户1的投诉情况，而对于用户2而言，在用户2使用该运营商的网络的过程中，虽然没有投诉情况，但是最终也会离网，则影响用户2离网的用户行为数据可能为：用户2属性、用户2的套餐特征、用户2访问业务特征、用户2体验值、用户2的关键字搜索特征，是存在用户2的投诉情况这一用户行为数据的。

所述预设的预测模型包括但不限于下述任一种模型：基于神经网络算法的模型、基于决策树的模型、基于线性算法的模型、基于支持向量机(SupportVector Machine，SVM)的模型。

且上述预测模型的输出变量可能为具有两个可能取值的变量，这两个取值分别对应用户将会离网和用户将会不离网。

进一步可选的，所述处理器1011还可以用于：获取测试数据集，利用所述测试数据集、以及下述至少一项评价指标来评价训练后的所述预测模型的预测结果：准确率、覆盖率、在所有实际为离网的样本中被正确判断为离网的比率、以及在所有实际为离网的样本中被错误判断为流失的比率；

基于所述评价来调整优化所述预测模型，或者从多个经训练的预测模型中选出最优的预测模型。

如此，可以借助于经用户的多维度行为数据训练出来的预测模型，提前实现对离网用户的预测，以便在用户离网之前，采用必要的挽留措施留住客户。

为了便于描述，以下实施例一以步骤的形式示出并详细描述了本发明提供的预测用户离网的过程，其中，示出的步骤也可以在一组可执行指令的计算机系统中执行。此外，虽然在图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

图3为本发明实施例提供的一种预测用户离网的方法的流程图，可以由图2所示的预测用户离网的装置10执行，如图3所示，所述预测用户离网的方法可以包括以下步骤：

S101：获取样本数据，所述样本数据包含：至少一个用户中每个用户的多维度行为数据。

可选的，可以从运行商分析系统中的数据库中读取历史存储的、一段时间内的、多个用户的多维度行为数据，将读取到的数据作为样本数据。

其中，上述多个用户可以包括离网用户和不离网用户，多维度行为数据可以为直接或间接导致用户离网的因素，可以包括但不限于下述多种行为数据：用户属性、用户的套餐特征、用户访问业务特征、用户体验值、用户的关键字搜索特征、用户的策反联系情况、用户的投诉情况、用户上网频度、用户对特定网站的访问统计。

用户属性可以包括：用户的年龄、性别、职业、学历等。

用户的套餐特征可以包括：用户使用的套餐类型。

用户访问业务特征，即为用户喜好，可以包括：用户经常访问的统一资源定位符(Uniform Resource Location，URL)类型，比如电商、游戏、财经等等。

用户体验值(Quality of Experience，QoE)，是指用户对设备、网络和系统、应用或业务的质量和性能的主观感受，可以包括视频卡顿、语音服务质量(Quality of Service，QoS)值等。

用户的关键字搜索特征可以包括：用户是否搜索过“哪个带宽质量好”、“最便宜宽带”、“宽带服务差”、“宽带服务好”、“宽带优惠”等特征字。

用户的策反联系情况可以为：用户是否被动其他用户的离网建议(这个数据比较难获取，需要直接从客户处获得)。

用户的投诉情况为：该用户是否投诉过该运行商。

用户上网频度可以为：该用户集中上网的时间段上网的次数，或者统计一天内上网的时间长度。

用户对特定网站的访问统计可以为：用户是否访问过不同与该用户目前使用的运营商网络的其他运营商网络。

可理解的是，随着通信技术的发展和人们需求的变化，影响用户离网的因素很可能会发生变化，所以，本领域的技术人员还可以根据具体情况收集实施例中没有提及到的其他影响用户离网的用户行为数据作为样本数据，即多维度行为数据包括但不限于上述几种行为数据。

S102：将样本数据作为预设的预测模型的输入变量，对预测模型进行模型训练，所述预测模型的输出变量为：用于确定用户是否离网的变量。

可选的，将样本数据作为预设的预测模型的输入变量，对预测模型进行模型训练可以包括：

将样本数据中用户的多维度行为数据输入预测模型，计算得到预测模型的输出变量的取值；

将计算得出的输出变量的取值与用户的真实离网情况进行比较，得到误差；

根据该误差调整预测模型，以及迭代进行上述的计算、和调整过程，直到该误差满足预定值或者迭代次数达到预定最大次数；

其中，预定值、预定最大次数可以由技术人员根据具体的应用环境来设置，可选的，预定值可以设置为零。

S103：根据训练后的所述预测模型，对待测用户进行离网预测。

可选的，可以直接将用户的多维度行为数据输入训练后的预测模型，得到用户是否离网的结果。

可理解的是，在预测用户离网的这个问题中，预测问题是一个二分类问题，即离网或不离网，对于这样一个二分类的预测问题，可以采用多种算法来建立一个输出变量为用户离网或用户不离网两种情况的预测模型，这些算法包括但不限于：神经网络、决策树、SVM或线性算法等，其中，神经网络可以为反向传播(Back Propagation，BP)神经网络。应当理解的是，本领域的技术人员还可以根据具体的应用环境以及其他相关背景选取本发明实施例中没有提及到的其他预测模型，即预设的预测模型包括但不限于上述算法的模型。

其中，基于线性算法的模型为较简单的预测模型，其模型参数可以包括：影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值，所述用户行为数据对应的权重可以用于表示：该用户行为数据对用户离网的影响程度，权重阈值可以为：用户是否离网的分界线；通常情况下，技术人员可以将影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重的总和设置为1。

当所述预测模型为所述基于线性算法的模型时，所述根据训练后的所述预测模型，对待测用户进行离网预测具体可以包括：

将所述待测用户的多维度用户行为数据作为输入变量，输入所述基于线性算法的模型中，

根据预设的影响用户离网的用户行为数据对应的权重，获得输入的待测用户用户的多维度用户行为数据对应的权重，

将获得的权重进行相加；

若相加后的权重大于权重阈值，则输出待测用户离网；

若相加后的权重小于等于权重阈值，则输出待测用户用户不离网。

例如，若影响用户离网的用户行为数据包括用户行为数据1：用户属性、用户行为数据2：用户套餐特征、用户行为数据3：用户访问业务特征、用户行为数据4：用户体验值、用户行为数据5：用户的关键字搜索特征、用户行为数据6：用户的投诉情况、用户行为数据7：用户上网频度，可以预先分别设定这七个用户行为数据的权重值m1、m2、m3、m4、m5、m6、m7，且m1+m2+m3+m4+m5+m6+m7＝1；

此时，若待测用户1的用户行为数据仅涉及：用户行为数据1：用户属性、用户行为数据3：用户访问业务特征、用户行为数据5：用户的关键字搜索特征，则用户1的用户行为数据对应的权重值仅为：m1、m3、m5，用户1的离网值为：M＝m1+m3+m5；

判断用户离网值M是否大于权重阈值T，如果M大于T，则判定该用户1将要离网，否则用户1将不离网。

可理解的是，若预测模型为上述基于线性算法的模型，则在对该预测模型进行训练的过程中，根据误差来调整预测模型可以包括：根据该误差来调整基于线性算法的模型中影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值中至少一项。

此外，基于神经网络算法的模型、基于决策树算法的模型、基于SVM算法的模型为本领域较成熟的算法模型，在此不再对各个算法模型详细赘述。可理解的是，在对这些算法模型的训练过程中，与上述基于线性算法的模型训练中需调整影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值中至少一项不同，这些算法模型需要调整其中的至少一项模型参数值，例如，当预测模型为基于神经网络算法的模型时，根据误差来调整预测模型可以包括：根据该误差来调整基于神经网络算法的模型的输入变量的数量、隐层的数量、隐层神经网元的数量、隐层的传递函数、以及输出层的传递函数中的至少一项，其中，调整隐层的传递函数还包括调整各个神经元的权系数。

进一步可选的，在得到经训练的预测模型后，为了提高预测模型的预测准确性，还可以采用测试集对该预测模型进行模型评估和调优，所述测试集为历史存储的已离网用户和未离网用户的多维度行为数据，且每个用户的多维度行为数据与该用户的离网情况相对应，具体实现如下：

获取测试数据集；

利用所述测试数据集、以及下述至少一项评价指标来评价训练后的所述预测模型的预测结果：准确率、覆盖率、在所有实际为离网的样本中被正确判断为离网的比率、以及在所有实际为离网的样本中被错误判断为流失的比率；

基于所述评价来调整优化所述预测模型，或者从多个经训练的预测模型中选出最优的预测模型。

其中，准确率＝预测为离网且实际离网/(预测为离网且实际离网+预测为离网且实际未离网)；准确率越高，预测模型的预测效果越好；

覆盖率＝预测为离网且实际离网/(预测为离网且实际离网+预测未离网且实际离网)；覆盖率越高，预测模型的预测效果越好。

TPR：在所有实际为离网的用户中，被正确地判断为离网的比率，TPRTP/(TP+FN)；FPR：在所有实际为非离网的用户中，被错误地判断为离网的比率，FPR＝FP/(FP+TN)。其中，TP是被正确地判断为离网的用户，(TP+FN)是所有实际为离网的用户；FP是被错误地判断为离网的用户，(FP+TN)是所有实际为非离网的用户。

可理解的是，采用测试集对该预测模型进行模型调优可以指对该预测模型中的一些模型参数值进行重新设置等等。

例如，运营商可以采集一段时间内1000个用户的多维度行为数据，将其中的400个用户的多维度行为数据作为样本数据进行预测模型训练，得到三组最优的用户离网预测模型，然后，在利用剩余的600个用户的多维度行为数据作为样本输入训练好的预测模型中，输出得到用户离网情况，对比用户实际离网情况，得到各个预测模型的准确率、覆盖率，将这三组预测模型的准确率、覆盖率分别进行对比，可选出最优的一组作为最终的预测模型。

由上可知，本发明实施例提供一种预测用户离网的方法，获取至少一个用户中每个用户的多维度行为数据，将用户的多维度行为数据作为预设的预测模型的输入变量，用于确定用户是否离网的变量作为预测模型的输出变量，对所述预测模型进行模型训练，根据训练后的所述预测模型，对待测用户进行离网预测。如此，可以借助于经用户的多维度行为数据训练出来的预测模型，提前实现对离网用户的预测，以便在用户离网之前，采用必要的挽留措施留住客户。

根据本发明实施例，本发明下述实施例还提供了一种预测用户离网的装置20，优选地用于实现上述方法实施例中的方法。

实施例二

图4为本发明实施例提供一种预测用户离网的装置20的结构图，如图4所示，所述装置20可以包括：

获取单元201，用于获取样本数据，所述样本数据包含：至少一个用户中每个用户的多维度行为数据。

其中，用户的多维度行为数据包含下述任意一种或多种行为数据：

用户属性、用户的套餐特征、用户访问业务特征、用户体验值、用户的关键字搜索特征、用户的策反联系情况、用户的投诉情况、用户上网频度、用户对特定网站的访问统计。

模型训练单元202，用于将所述获取单元201获取到的样本数据作为预设的预测模型的输入变量，对所述预测模型进行模型训练，所述预测模型的输出变量为：用于确定用户是否离网的变量。

离网预测单元203，用于根据所述模型训练单元202训练后的所述预测模型，对待测用户进行离网预测。

其中，预设的预测模型为可以为下述任一种模型：

基于神经网络算法的模型、基于决策树的模型、基于线性算法的模型、基于支持向量机SVM的模型。

进一步的，模型训练单元202，具体可以用于：

将用户的多维度行为数据输入所述预测模型，计算得出所述输出变量的取值；

将计算得出所述输出变量的取值与所述用户的真实离网结果相比较，得到误差；

根据所述误差调整所述预测模型，以及迭代进行上述计算、比较和调整步骤，直到所述误差满足预定值或者迭代次数达到预设最大次数。

当所述预测模型为基于线性算法的模型，且其模型参数可以包括：影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值时，所述离网预测单元203具体可以用于：

将所述待测用户的多维度用户行为数据作为输入变量，输入所述基于线性算法的模型中，

根据影响用户离网的用户行为数据对应的权重，获得输入的待测用户的多维度用户行为数据对应的权重，

将获得的权重进行相加；

若相加后的权重大于权重阈值，则输出所述待测用户离网；

若相加后的权重小于等于权重阈值，则输出所述待测用户不离网。

进一步的可选的，为了提高预测模型的预测准确性，所述获取单元201还可以用于：获取测试数据集；

如图4所示，所述预测用户离网的装置10还可以包括：

模型评估单元204，用于利用所述测试数据集、以及下述至少一项评价指标来评价训练后的所述预测模型的预测结果：准确率、覆盖率、在所有实际为离网的样本中被正确判断为离网的比率、以及在所有实际为离网的样本中被错误判断为流失的比率；

基于所述评价来调整优化所述预测模型，或者从多个经训练的预测模型中选出最优的预测模型。

由上可知，本发明实施例提供一种预测用户离网的装置，获取至少一个用户中每个用户的多维度行为数据，将用户的多维度行为数据作为预设的预测模型的输入变量，用于确定用户是否离网的变量作为预测模型的输出变量，对所述预测模型进行模型训练，根据训练后的所述预测模型，对待测用户进行离网预测。如此，可以借助于经用户的多维度行为数据训练出来的预测模型，提前实现对离网用户的预测，以便在用户离网之前，采用必要的挽留措施留住客户。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的单元和系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元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。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元可以集成在一个处理单元中，也可以是各个单元单独物理，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单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件(例如处理器)来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等。

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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (14)

1.一种预测用户离网的方法，其特征在于，包括：

获取样本数据，所述样本数据包含：至少一个用户中每个用户的多维度行为数据；

将所述样本数据作为预设的预测模型的输入变量，对所述预测模型进行模型训练，所述预测模型的输出变量为：用于确定用户是否离网的变量；

根据训练后的所述预测模型，对待测用户进行离网预测。

2.根据权利要求1所述的方法，其特征在于，所述每个用户的多维度行为数据包含下述任意一种或多种行为数据：

用户属性、用户的套餐特征、用户访问业务特征、用户体验值、用户的关键字搜索特征、用户的策反联系情况、用户的投诉情况、用户上网频度、用户对特定网站的访问统计。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述样本数据作为预设的预测模型的输入变量，对所述预测模型进行模型训练，包括：

a、将用户的多维度行为数据输入所述预测模型，计算得出所述输出变量的取值；

b、将计算得出所述输出变量的取值与所述用户的真实离网结果相比较，得到误差；

c、根据所述误差调整所述预测模型；

迭代进行步骤a、b和c，直到所述误差满足预定值或者迭代次数达到预设最大次数。

4.根据权利要求3所述的方法，其特征在于，所述预设的预测模型为下述任一种模型：

基于神经网络算法的模型、基于决策树的模型、基于线性算法的模型、基于支持向量机SVM的模型。

5.根据权利要求4所述的方法，其特征在于，所述基于线性算法的模型的模型参数包括：影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值，所述用户行为数据对应的权重用于表示：该用户行为数据对用户离网的影响程度，所述权重阈值用于确定用户是否离网；

当所述预测模型为所述基于线性算法的模型时，所述根据训练后的所述预测模型，对待测用户进行离网预测包括：

将所述待测用户的多维度用户行为数据作为输入变量，输入所述基于线性算法的模型中，

根据影响用户离网的用户行为数据对应的权重，获得输入的待测用户的多维度用户行为数据对应的权重，

将获得的权重进行相加；

若相加后的权重大于权重阈值，则输出所述待测用户离网；

若相加后的权重小于等于权重阈值，则输出所述待测用户不离网。

6.根据权利要求5所述的方法，其特征在于，当所述预测模型为基于线性算法的模型时，所述根据所述误差来调整所述预测模型包括：

根据所述误差调整所述影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重，以及所述权重阈值中的至少一项。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取测试数据集；

利用所述测试数据集、以及下述至少一项评价指标来评价训练后的所述预测模型的预测结果：准确率、覆盖率、在所有实际为离网的样本中被正确判断为离网的比率、以及在所有实际为离网的样本中被错误判断为流失的比率；

基于所述评价来调整优化所述预测模型，或者从多个经训练的预测模型中选出最优的预测模型。

8.一种预测用户离网的装置，其特征在于，包括：

获取单元，用于获取样本数据，所述样本数据包含：至少一个用户中每个用户的多维度行为数据；

模型训练单元，用于将所述获取单元获取到的样本数据作为预设的预测模型的输入变量，对所述预测模型进行模型训练，所述预测模型的输出变量为：用于确定用户是否离网的变量；

离网预测单元，用于根据所述模型训练单元训练后的所述预测模型，对待测用户进行离网预测。

9.根据权利要求8所述的装置，其特征在于，所述每个用户的多维度行为数据包含下述任意一种或多种行为数据：

用户属性、用户的套餐特征、用户访问业务特征、用户体验值、用户的关键字搜索特征、用户的策反联系情况、用户的投诉情况、用户上网频度、用户对特定网站的访问统计。

10.根据权利要求8或9所述的装置，其特征在于，所述模型训练单元，具体用于：

a、将用户的多维度行为数据输入所述预测模型，计算得出所述输出变量的取值；

b、将计算得出所述输出变量的取值与所述用户的真实离网结果相比较，得到误差；

c、根据所述误差调整所述预测模型；

迭代进行步骤a、b和c，直到所述误差满足预定值或者迭代次数达到预设最大次数。

11.根据权利要求10所述的装置，其特征在于，所述预设的预测模型为下述任一种模型：

基于神经网络算法的模型、基于决策树的模型、基于线性算法的模型、基于支持向量机SVM的模型。

12.根据权利要求11所述的装置，其特征在于，所述基于线性算法的模型的模型参数包括：影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重、以及权重阈值，所述用户行为数据对应的权重用于表示：该用户行为数据对用户离网的影响程度，所述权重阈值用于确定用户是否离网；

当所述预测模型为基于线性算法的模型时，所述离网预测单元具体用于：

将所述待测用户的多维度用户行为数据作为输入变量，输入所述基于线性算法的模型中，

根据影响用户离网的用户行为数据对应的权重，获得输入的待测用户的多维度用户行为数据对应的权重，

将获得的权重进行相加；

若相加后的权重大于权重阈值，则输出所述待测用户离网；

若相加后的权重小于等于权重阈值，则输出所述待测用户不离网。

13.根据权利要求12所述的装置，其特征在于，当所述预测模型为基于线性算法的模型时，所述模型训练单元具体用于：

根据所述误差调整所述影响用户离网的所有种用户行为数据中每种用户行为数据对应的权重，、以及所述权重阈值中的至少一项。

14.根据权利要求8所述的装置，其特征在于，

所述获取单元，还用于：获取测试数据集；

所述预测用户离网的装置，还包括：

模型评估单元，用于利用所述测试数据集、以及下述至少一项评价指标来评价训练后的所述预测模型的预测结果：准确率、覆盖率、在所有实际为离网的样本中被正确判断为离网的比率、以及在所有实际为离网的样本中被错误判断为流失的比率；

基于所述评价来调整优化所述预测模型，或者从多个经训练的预测模型中选出最优的预测模型。