CN108322780A - 平台用户行为的预测方法、存储介质和终端 - Google Patents
平台用户行为的预测方法、存储介质和终端 Download PDFInfo
- Publication number
- CN108322780A CN108322780A CN201810068480.3A CN201810068480A CN108322780A CN 108322780 A CN108322780 A CN 108322780A CN 201810068480 A CN201810068480 A CN 201810068480A CN 108322780 A CN108322780 A CN 108322780A
- Authority
- CN
- China
- Prior art keywords
- user
- predicted
- main broadcaster
- platform
- days
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种平台用户行为的预测方法,包括:获取与采样主播关联的采样用户的第一采样数据,并提取第一特征数据;获取所述采样用户的第二采样数据,并提取第二特征数据;根据所述第一特征数据和第二特征数据,建立预测模型,所述预测模型表征所述第一特征数据和第二特征数据的对应关系;获取与待预测主播关联的待预测用户的待预测数据,并提取第一特征数据;将待预测数据的第一特征数据导入所述预测模型,得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数。该技术方案能够实现在直播平台中,对平台用户行为进行预测,以便作出应对策略。本发明还提供一种存储介质和终端。
Description
技术领域
本发明涉及计算机技术领域,具体而言,本发明涉及一种平台用户行为的预测方法、存储介质和终端。
背景技术
网络主播是一个综合能力很强的职业,一个优秀的网络主播一个人常常面对线上数以千万的观众,并实时与在线用户交流互动。随着网络主播行业的蓬勃发展,视频直播行业的推动,网络主播的分类以及直播的形式越来越丰富。由于直播行业的飞速发展,各个直播平台之间的竞争日益激烈,导致使用直播平台的用户流动性强,其直接影响直播平台的经济效益。其中,影响直播平台用户流动性最直接的是直播平台中的网络主播。当直播平台中,一些影响力较大的网络主播流失时,容易导致直播平台用户被网络主播所带走。因此,如果能在网络主播流失之前,预测直播平台用户行为,从而判断直播平台用户是否会被带走,即可在网络主播流失的前期采取相应的策略,降低直播平台用户被网络主播带走的几率。
发明内容
本发明提出一种平台用户行为的预测方法、存储介质和终端,用以实现在直播平台中,对平台用户行为进行预测,以便作出应对策略。
第一方面,本发明提供一种平台用户行为的预测方法,包括步骤:
获取采样主播停播前第一预置时长内,与所述采样主播关联的采样用户的第一采样数据,并提取采样用户在直播平台的第一特征数据;
获取所述采样主播停播后第二预置时长内,所述采样用户的第二采样数据,并提取采样用户观看所述平台的留存天数的第二特征数据;
根据所述第一特征数据和第二特征数据,建立预测模型,所述预测模型表征所述第一特征数据和第二特征数据的对应关系;
获取预测日前所述第一预置时长内,与待预测主播关联的待预测用户的待预测数据,并提取待预测用户在直播平台的第一特征数据;
将待预测数据的第一特征数据导入所述预测模型,得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数。
结合第一方面,本发明在第一方面的第一种实施方式中,所述得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数之后,还包括步骤:
判断所述留存天数是否大于预设值,若是,得出所述待预测用户为留存用户,若否,得出所述待预测用户为流失用户。
结合第一方面的第一种实施方式,本发明在第一方面的第二种实施方式中,所述判断所述留存天数是否大于预设值之后,还包括步骤:
统计全部待预测用户中流失用户的占比和/或数量;
根据所述占比和/或数量,得出所述待预测主播的价值。
结合第一方面,本发明在第一方面的第三种实施方式中,与所述采样主播关联的采样用户,为观看所述采样主播所在平台的天数达预设值以上、观看所述采样主播所属类别直播的天数最多、且观看所述采样主播的天数最多的用户;与待预测主播关联的待预测用户为观看所述平台的天数达预设值以上、观看所述待预测主播所属类别直播的天数最多、且观看所述待预测主播的天数最多的用户。
结合第一方面,本发明在第一方面的第四种实施方式中,所述第一预置时长与第二预置时长一致。
结合第一方面,本发明在第一方面的第五种实施方式中,所述提取采样用户在直播平台的第一特征数据的项目包括:观看平台的天数、日均观看平台的时长、观看采样主播所属类别直播的天数、日均观看采样主播所属类别直播的时长、观看采样主播的天数、日均观看采样主播的时长、(观看平台的天数-观看采样主播的天数)、(总观看采样主播的时长/总观看平台的时长)、是否订阅采样主播、订阅其他主播的个数、是否有采样主播的粉丝勋章、有其他主播的粉丝勋章个数、用户等级;
所述提取待预测用户在直播平台的第一特征数据的项目包括:观看平台的天数、日均观看平台的时长、观看待预测主播所属类别直播的天数、日均观看待预测主播所属类别直播的时长、观看待预测主播的天数、日均观看待预测主播的时长、(观看平台的天数-观看待预测主播的天数)、(总观看待预测主播的时长/总观看平台的时长)、是否订阅待预测主播、订阅其他主播的个数、是否有待预测主播的粉丝勋章、有其他主播的粉丝勋章个数、用户等级。
结合第一方面,本发明在第一方面的第六种实施方式中,所述预测模型采用决策树算法、逻辑回归算法、贝叶斯算法中的一种算法建立。
结合第一方面的第六种实施方式中,本发明在第一方面的第七种实施方式中,所述根据所述第一特征数据和第二特征数据,建立预测模型,包括步骤:
将所述第一特征数据和第二特征数据导入决策树的数据包中,得到基础模型;
将所述第一特征数据和第二特征数据分别分为训练数据和测试数据,采用所述训练数据训练所述基础模型,得到最优的基础模型;所述基础模型包括对应所述第一特征数据和第二特征数据的最优阈值指标;
采用所述测试数据测试所述最优的基础模型,得到预测模型;所述预测模型中包括基于第一特征数据与最优阈值指标的预测规则,所述预测规则所得的结果指向第二特征数据。
第二方面,本发明提供一种计算机可读的存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面中任意一种实施方式所述的平台用户行为的预测方法。
第三方面,本发明提供一种终端,包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,所述一个或多个计算机程序存储在所述存储器中;所述一个或多个计算机程序被所述一个或多个处理器执行时实现如第一方面中任意一种实施方式所述的平台用户行为的预测方法。
区别于现有技术,本发明提供的技术方案具有以下优势:
(1)本发明提供的平台用户行为的预测方法、存储介质和终端中,通过获取采样用户在采样主播停播前后的第一采样数据和第二采样数据,以提取第一特征数据和第二特征数据,从而根据提取的数据,建立平台用户行为的预测模型,用以预测与待预测主播关联的待预测用户的行为。其中,预测模型表征第一特征数据和第二特征数据的对应关系。实现了在直播平台中,对平台用户行为进行预测,以便作出应对策略。
(2)本发明提供的平台用户行为的预测方法、存储介质和终端中,基于预测出的平台用户行为进行判断,若待预测用户的留存天数大于预设值,则为留存用户;否则为流失用户。其直接对应获得与待预测主播关联的待预测用户是否会被带走的结果,便于直播平台在待预测主播流失前采取相应的策略,降低待预测用户被待预测主播带走的几率。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例一的第一个平台用户行为的预测方法流程图;
图2为本发明实施例一的第二个平台用户行为的预测方法流程图;
图3为本发明实施例三的终端框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通讯链路上,执行双向通讯的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通讯设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通讯设备;PCS(Personal Communications Service,个人通讯系统),其可以组合语音、数据处理、传真和/或数据通讯能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通讯终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本技术领域技术人员可以理解,这里所使用的远端网络设备,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。本发明的实施例中,远端网络设备、终端设备与WNS服务器之间可通过任何通讯方式实现通讯,包括但不限于,基于3GPP、LTE、WIMAX的移动通讯、基于TCP/IP、UDP协议的计算机网络通讯以及基于蓝牙、红外传输标准的近距无线传输方式。
下面结合附图对本发明所提及的平台用户行为的预测方法、存储介质和终端的具体实施方式进行详细介绍。在此,本发明的示意性实施例及其说明用于解释本发明,但不作为对本发明的限定。
实施例一
结合图1,本发明实施例提供一种平台用户行为的预测方法,包括步骤:
S01获取采样主播停播前第一预置时长内,与所述采样主播关联的采样用户的第一采样数据,并提取采样用户在直播平台的第一特征数据;
其中,所述采样主播为直播平台中已流失主播。
具体地,所述与所述采样主播关联的采样用户为观看所述采样主播所在平台的天数达预设值以上、观看所述采样主播所属类别直播的天数最多、且观看所述采样主播的天数最多的用户;其中,在本实施例中,所述第一预置时长作为预测用户行为的有效时间段,所述预设值作为评估用户行为在有效时间段内的价值指标,具体为当用户在第一预置时长内,在直播平台观看的天数达预设值以上时,该用户将被标识为核心用户。进一步地,优选所述预设值为所述第一预置时长的12-15%(所述第一预置时长和预设值均以天为计算单位)。其中,采样主播和采样用户的关联关系基于采样用户在直播平台的行为形成,以下采用表1为例进行说明:
关联项目 | 指标 | 采样用户的数据 |
观看平台的天数 | >=预设值 | >=预设值 |
观看采样主播所属类别直播的天数 | Top1 | Top1 |
观看采样主播的天数 | Top1 | Top1 |
表1采样主播与采样用户的关联关系
根据上述表1可见,挑选采样用户的规则为采样用户与采样主播存在关联关系,其中关联关系包括:1采样主播流失前所在直播平台中,采样用户观看平台的天数达预设值以上;2观看采样主播所属类别直播的天数为采样用户观看所有类别直播的天数中最多的,例如,采样主播所属类别直播为游戏中的XXX,则采样用户观看XXX直播的天数是最多的;3观看采样主播的天数为采样用户观看所有主播的天数中最多的,例如,用户在第一预置时长内曾观看主播A有17天,主播B有2天,主播C有7天,则用户观看最多天数的主播为主播A,若主播A并非为采样主播,则该用户与采样主播不存在关联关系,即不作为采样用户。
优选地,所述提取采样用户在直播平台的第一特征数据的项目包括:观看平台的天数、日均观看平台的时长、观看采样主播所属类别直播的天数、日均观看采样主播所属类别直播的时长、观看采样主播的天数、日均观看采样主播的时长、(观看平台的天数-观看采样主播的天数)、(总观看采样主播的时长/总观看平台的时长)、是否订阅采样主播、订阅其他主播的个数、是否有采样主播的粉丝勋章、有其他主播的粉丝勋章个数、用户等级。进一步地,在本实施例中,获取的采样用户包括多个,对应的第一特征数据也包括多个,下面以与采样主播A关联的采样用户A1和A2作为例子,对所述第一特征数据进行解释,如下表2:
表2采样主播A停播前第一预置时长内采样用户A1和A2的第一特征数据
根据上述表2可见,当终端从直播平台服务器中获取采样用户A1和A2的第一采样数据时,其包括多项数据,为优化并建立适用于本实施例中平台用户行为的预测的预测模型,优选所述第一采样数据中,表2所列的特征数据所包含的项目形成采样用户A1和A2的第一特征数据。由于获取的采样用户包括多个,对应包括多个第一采样数据,所以提取的第一特征数据以采样用户为提取单位,对应提取出多个第一特征数据。
S02获取所述采样主播停播后第二预置时长内,所述采样用户的第二采样数据,并提取采样用户观看所述平台的留存天数的第二特征数据;
具体地,所述第二预置时长与第一预置时长一致,为保证采样用户数据的准确性,所述采样主播优选直播平台中,已流失主播,且停播时间大于所述第二预置时长。对应获取的采样用户的第二采样数据为所述采样主播停播后的用户数据。其中,提取的第二特征数据包括观看平台的留存天数,亦即在步骤S02中,提取采样用户在采样主播停播后第二预置时长内,观看平台的留存天数作为第二特征数据,采用如下表3结合表2进行示例:
表3采样主播A停播后第二预置时长内采样用户A1和A2的第二特征数据
结合步骤S01及S02可见,在本实施例中,以流失主播作为样本建立预测模型。首先获取所述采样主播停播前第一预置时长内的采样用户的第一采样数据,并提取第一特征数据以作为建立预测模型的基础筛选数据;而后获取所述采样主播停播后第二预置时长内的采样用户的第二采样数据,并提取第二特征数据以作为建立预测模型的基础指标数据。其中,结合第一预置时长及第二预置时长可见,在本实施例中,以采样主播停播的时间作为时间节点,在时间节点的前后相同时间内,对应获取与采样主播关联的采样用户的第一采样数据和第二采样数据,并根据本实施例所提供方法,对应在第一采样数据和第二采样数据中提取所需的第一特征数据和第二特征数据,以作为建立预测模型的数据。
S03根据所述第一特征数据和第二特征数据,建立预测模型,所述预测模型表征所述第一特征数据和第二特征数据的对应关系;
具体地,所述预测模型采用决策树算法、逻辑回归算法、贝叶斯算法中的任意一种算法均可建立。在本实施例中,以下优选采用决策树算法,对建立预测模型的方法进行详细叙述。
其中,所述根据所述第一特征数据和第二特征数据,建立预测模型,包括步骤:
将所述第一特征数据和第二特征数据导入决策树的数据包中,得到基础模型;
将所述第一特征数据和第二特征数据分别分为训练数据和测试数据,采用所述训练数据训练所述基础模型,得到最优的基础模型;所述基础模型包括对应所述第一特征数据和第二特征数据的最优阈值指标;
采用所述测试数据测试所述最优的基础模型,得到预测模型;所述预测模型中包括基于第一特征数据与最优阈值指标的预测规则,所述预测规则所得的结果指向第二特征数据。
具体地,本实施例中,以决策树算法为例,对预测模型的建立过程进行解释。在采用决策树算法建立模型时,包括步骤:
下载安装决策树算法中使用的数据包
将用户数据导入数据包
将用户数据均分为训练数据和测试数据,采用训练数据训练模型,并采用测试数据评估模型的准确率。
具体地,适应于本实施例,结合表2、表3所示的例子进行说明。在下载安装数据包后,将对应于采样用户的第一特征数据以及第二特征数据导入数据包,此时得到基础模型,该基础模型初具所述第一特征数据以及第二特征数据的项目。而后,将以采样用户为单位,将所有所述第一特征数据以及第二特征数据对应分为训练数据及测试数据,例如:假设采样用户A1包括第一特征数据a1和第二特征数据a2、采样用户B包括第一特征数据b1和第二特征数据b2,此时,将采样用户A1分为测试数据,采样用户B分为训练数据时,训练数据则包括第一特征数据b1和第二特征数据b2,测试数据则包括第一特征数据a1和第二特征数据a2。
在本实施例中,所述将所述第一特征数据和第二特征数据分别对应区分为训练数据和测试数据,主要根据所述第二特征数据进行区分,由于在本实施例中,用户在第一预置时长内观看平台的天数达预设值以上则标识为核心用户,所以在区分训练数据与测试数据时,亦根据预设值对其进行区分。优选地,将采样用户中,第二特征数据达预设值以上的标识为留存用户,小于预设值的标识为流失用户,在区分为训练数据与测试数据时,其对应留存用户及流失用户的比例应为1:1。亦即,区分后的训练数据中,留存用户与流失用户的比例为1:1,测试数据中,留存用户与流失用户的比例也为1:1。更一步地,所述训练数据与测试数据占所述采样用户的比例优选为训练数据大于测试数据。亦即,训练数据中占采样用户对应的第一特征数据和第二特征数据的比例至少大于50%,其余的部分划分为测试数据。本实施例中,训练数据和测试数据的比例均可以根据实际需要进行调整,以提高预测模型的准确率。
在区分成训练数据和测试数据后,将训练数据导入所述基础模型,在导入后,将得到多个以所述基础模型为基础的初步预测模型,该初步预测模型的形成是决策树的一种算法过程,在本实施例中,挑选最优的初步预测模型作为最优的基础模型,该挑选过程以第一特征数据与第二特征数据对应的准确率为基准,以最接近第一特征数据和第二特征数据对应关系的初步预测模型为最优的基础模型。例如,在初步预测模型①中,采样用户B的第一特征数据b1经过初步预测模型后,得出预测的留存天数为X天,即将得出的留存天数X天与采样用户B的第二特征数据b2进行准确率的对比,如果此时第二特征数据b2中的留存天数亦为X天时,初步预测模型①的准确率达100%,可作为最优的基础模型。此时,最优的基础模型包括对应所述第一特征数据和第二特征数据的最优阈值指标。
在经过训练数据对基础模型的训练,得出最优的基础模型后,将测试数据导入所述最优的基础模型,由于此时最优的基础模型可能包括多个(例如有多个初步预测模型的准确率均为100%),可通过测试数据,进一步测试最优的基础模型的准确性。在此结合上述举例,表2、表3进行说明,当采样用户A1和A2作为测试数据中的一部分时,将其第一特征数据和第二特征数据导入最优的基础模型后,举例的数据如下表4:
表4采样用户A1和A2对应的特征数据导入最优的基础模型得到的预测结果
结合上述表4可见,在将测试数据导入最优的基础模型后,可得到预测留存天数,其具体表现为预测采样用户A1和A2在采样主播A停播后第二预置时长内观看平台的留存天数。通过测试数据对所述最优的基础模型进行测试后,可进一步评估得出在最优的基础模型中得出准确率最高的预测模型。在所述预测模型中,包括基于第一特征数据与最优阈值指标的预测规则,该预测规则所得的结果指向第二特征数据。
以表4为例,当将采样用户A1和A2的第一特征数据导入预测模型时,根据预测规则,将得到预测留存天数,该预测留存天数即为预测采样用户A1和A2观看平台的天数,其结果与采样用户A1和A2所具有的第二特征数据对应的真实观看平台的留存天数一致。
在本实施例中,步骤S03根据第一特征数据与第二特征数据,建立预测模型,该预测模型所对应的决策树,根据第一特征数据可得出对应指向第二特征数据的预测结果,预测结果表示为预测留存天数。
S04获取预测日前所述第一预置时长内,与待预测主播关联的待预测用户的待预测数据,并提取待预测用户在直播平台的第一特征数据;
具体地,所述与待预测主播关联的待预测用户为观看所述平台的天数达预设值以上、观看所述待预测主播所属类别直播的天数最多、且观看所述待预测主播的天数最多的用户。其中,在本实施例中,获取待预测用户数据的时长,应与形成预测模型的采样用户的数据对应的时长一致,亦即,获取的待预测数据为第一预置时长内的待预测用户的数据。由于当用户在第一预置时长内,在直播平台观看的天数达预设值以上时,该用户将被标识为核心用户,与步骤S01相适应的,步骤S04对应的预设值为所述第一预置时长的12-15%(所述第一预置时长和预设值均以天为计算单位)。进一步地,待预测主播和待预测用户的关联关系基于待预测用户在直播平台的行为形成,以下采用表5为例进行说明:
关联项目 | 指标 | 待预测用户的数据 |
观看平台的天数 | >=预设值 | >=预设值 |
观看待预测主播所属类别直播的天数 | Top1 | Top1 |
观看待预测主播的天数 | Top1 | Top1 |
表5待预测主播与待预测用户的关联关系
根据上述表5可见,挑选待预测用户的规则为待预测用户与待预测主播存在关联关系,其中,关联关系包括:1待预测主播与采样主播所在直播平台一致,待预测用户观看该平台的天数达预设值以上;2观看待预测主播所属类别直播的天数为待预测用户观看所有类别直播的天数中最多的,例如,待预测主播所属类别直播为游戏中的XXX,则待预测用户观看XXX直播的天数是最多的;3观看待预测主播的天数为待预测用户观看所有主播的天数中最多的,例如,用户在第一预置时长内,曾观看主播D有6天,主播E有1天,主播F有1天,则用户观看最多天数的主播为主播D,若主播D并非待预测主播,则该用户与待预测主播不存在关联关系,即不作为待预测用户。
优选地,在所述待预测数据中提取的第一特征数据的项目与在所述第一采样数据中提取的第一特征数据的项目相同,其具体包括:观看平台的天数、日均观看平台的时长、观看待预测主播所属类别直播的天数、日均观看待预测主播所属类别直播的时长、观看待预测主播的天数、日均观看待预测主播的时长、(观看平台的天数-观看待预测主播的天数)、(总观看待预测主播的时长/总观看平台的时长)、是否订阅待预测主播、订阅其他主播的个数、是否有待预测主播的粉丝勋章、有其他主播的粉丝勋章个数、用户等级。
S05将待预测数据的第一特征数据导入所述预测模型,得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数。
其中,所述第二预置时长与第一预置时长一致。在本步骤中,将待预测数据的第一特征数据导入所述预测模型后,将得到待预测用户在预测日后第二预置时长内预测观看平台的留存天数,该天数在预测模型中表现为预测留存天数。
在本实施例中,所述预测日为采用本实施例所提供的方法预测待预测主播所设置的时间节点,该时间节点可直接默认为执行本实施例技术方案的当天,亦可为根据预测所需,对应设置不同的时间节点。
结合图2,在本实施例中,所述得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数之后,还包括步骤:
S06判断所述留存天数是否大于预设值,若是,得出所述待预测用户为留存用户,若否,得出所述待预测用户为流失用户。
在本实施例中,由于当用户在第一预置时长内,在直播平台观看的天数达预设值以上时,该用户将被标识为核心用户,当经过预测模型预测得到的留存天数达预设值以上时,判断为留存用户,否则判断为流失用户。
经过步骤S06的判断,可直接对应获得与待预测主播关联的待预测用户是否会被带走的结果。
进一步地,所述判断所述留存天数是否大于预设值之后,还包括步骤:
统计全部待预测用户中流失用户的占比和/或数量;
根据所述占比和/或数量,得出所述待预测主播的价值。
例如,目前待预测主播包括X、Y、Z,其中,待预测主播X的流失用户占比为73%,待预测主播Y的流失用户占比为61%,待预测主播Z的流失用户占比为32%,则待预测主播的价值将为X>Y>Z。
同样的,对待预测主播的价值可根据与其关联的待预测用户在直播平台的贡献值(待预测用户在直播平台的成本)进行待预测主播的价值衡量。例如:与待预测主播关联的待预测用户包括a、b、c、d,其对应在直播平台的成本为10元、2元、37元、103元。其中待预测用户a、c经过预测模型,并判断为流失用户;待预测用户b、d经过预测模型,并判断为留存用户。对此,待预测主播的价值为69元(以留存用户所占百分比对应待预测主播的价值,单位为元)。以表6表示上述例子:
表6待预测主播价值
进一步地,还包括:根据全部待预测用户中流失用户的数量,得出所述待预测主播的价值。
例如:当待预测主播x关联的待预测用户仅包括100个,其中,流失用户有50个;待预测主播y关联的待预测用户包括10000个,其中,流失用户有1000个。此时,判断待预测主播x的价值小于待预测主播y。
优选地,所述待预测主播的价值根据全部待预测用户中流失用户的占比及数量进行衡量。
进一步地,在本实施例中,将留存用户标识为平台核心用户,将流失用户标识为主播核心用户。更进一步地,在判断所述待预测用户为流失用户之后,还包括步骤:
向所述流失用户推送所述待预测主播所属类别的直播。
该步骤目的为将原有的主播核心用户转型为平台核心用户,通过策略降低待预测用户被待预测主播带走的几率。
实施例二
在本实施例中,本发明还提供一种计算机可读的存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述的平台用户行为的预测方法。其中,所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSableProgrammable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(ElectricallyEraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器,磁盘或光盘等。
实施例三
结合图3,在本实施例中,本发明还提供一种终端,所述终端包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,所述一个或多个计算机程序存储在所述存储器中;所述一个或多个计算机程序被所述一个或多个处理器执行时实现如实施例一所述的平台用户行为的预测方法。
如图3所示,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该终端可以为包括手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑等任意终端设备,以终端为手机为例:
图3示出的是与本发明实施例提供的终端相关的手机的部分结构的框图。参考图3,手机包括:射频(Radio Frequency,RF)电路1510、存储器1520、输入单元1530、显示单元1540、传感器1550、音频电路1560、无线保真(wireless fidelity,Wi-Fi)模块1570、处理器1580、以及电源1590等部件。本领域技术人员可以理解,图3中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图3对手机的各个构成部件进行具体的介绍:
RF电路1510可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1580处理;另外,将设计上行的数据发送给基站。通常,RF电路1510包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路1510还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器1520可用于存储软件程序以及模块,处理器1580通过运行存储在存储器1520的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器1520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1530可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1530可包括触控面板1531以及其他输入设备1532。触控面板1531,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1531上或在触控面板1531附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板1531可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1580,并能接收处理器1580发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1531。除了触控面板1531,输入单元1530还可以包括其他输入设备1532。具体地,其他输入设备1532可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1540可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1540可包括显示面板1541,可选的,可以采用液晶显示器(LiquidCrystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1541。进一步的,触控面板1531可覆盖显示面板1541,当触控面板1531检测到在其上或附近的触摸操作后,传送给处理器1580以确定触摸事件的类型,随后处理器1580根据触摸事件的类型在显示面板1541上提供相应的视觉输出。虽然在图3中,触控面板1531与显示面板1541是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板1531与显示面板1541集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1550,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1541的亮度,接近传感器可在手机移动到耳边时,关闭显示面板1541和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1560、扬声器1561,传声器1562可提供用户与手机之间的音频接口。音频电路1560可将接收到的音频数据转换后的电信号,传输到扬声器1561,由扬声器1561转换为声纹信号输出;另一方面,传声器1562将收集的声纹信号转换为电信号,由音频电路1560接收后转换为音频数据,再将音频数据输出处理器1580处理后,经RF电路1510以发送给比如另一手机,或者将音频数据输出至存储器1520以便进一步处理。
Wi-Fi属于短距离无线传输技术,手机通过Wi-Fi模块1570可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图3示出了Wi-Fi模块1570,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1580是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1520内的软件程序和/或模块,以及调用存储在存储器1520内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器1580可包括一个或多个处理单元;优选的,处理器1580可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1580中。
手机还包括给各个部件供电的电源1590(比如电池),优选的,电源可以通过电源管理系统与处理器1580逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本发明实施例中,该终端所包括的处理器1080具备执行上述的实施例一所述的平台用户行为的预测方法的功能,在此不再赘述。
实施例四(应用例)
目前,直播平台希望预测出主播A在流失后,能带走的用户。在直播平台中,以已流失的主播作为采样主播(作为采样主播时,已停播达第二预置时长以上),获取与采样主播关联的采样用户的采样数据,并提取出第一特征数据和第二特征数据,建立预测模型,而后,向服务器获取与主播A关联的待预测用户的待预测数据,并提取出第一特征数据,将该数据导入预测模型,得出对应于不同的待预测用户的预测留存天数,根据预测留存天数判断出待预测用户的去留情况。对判断为流失用户的待预测用户,推送待预测主播所属类别的直播,以根据预测为流失用户的兴趣在直播平台中拓展该用户的兴趣范围。同时,可根据流失用户占待预测用户的占比和/或数量,得到待预测主播A的价值,有利于排除平台的影响考量主播A自身的价值。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种平台用户行为的预测方法,其特征在于,包括步骤:
获取采样主播停播前第一预置时长内,与所述采样主播关联的采样用户的第一采样数据,并提取采样用户在直播平台的第一特征数据;
获取所述采样主播停播后第二预置时长内,所述采样用户的第二采样数据,并提取采样用户观看所述平台的留存天数的第二特征数据;
根据所述第一特征数据和第二特征数据,建立预测模型,所述预测模型表征所述第一特征数据和第二特征数据的对应关系;
获取预测日前所述第一预置时长内,与待预测主播关联的待预测用户的待预测数据,并提取待预测用户在直播平台的第一特征数据;
将待预测数据的第一特征数据导入所述预测模型,得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数。
2.根据权利要求1所述的平台用户行为的预测方法,其特征在于,所述得到待预测用户在所述预测日后所述第二预置时长内观看所述平台的留存天数之后,还包括步骤:
判断所述留存天数是否大于预设值,若是,得出所述待预测用户为留存用户,若否,得出所述待预测用户为流失用户。
3.根据权利要求2所述的平台用户行为的预测方法,其特征在于,所述判断所述留存天数是否大于预设值之后,还包括步骤:
统计全部待预测用户中流失用户的占比和/或数量;
根据所述占比和/或数量,得出所述待预测主播的价值。
4.根据权利要求1所述的平台用户行为的预测方法,其特征在于,与所述采样主播关联的采样用户,为观看所述采样主播所在平台的天数达预设值以上、观看所述采样主播所属类别直播的天数最多、且观看所述采样主播的天数最多的用户;与待预测主播关联的待预测用户为观看所述平台的天数达预设值以上、观看所述待预测主播所属类别直播的天数最多、且观看所述待预测主播的天数最多的用户。
5.根据权利要求1所述的平台用户行为的预测方法,其特征在于,所述第一预置时长与第二预置时长一致。
6.根据权利要求1所述的平台用户行为的预测方法,其特征在于,所述提取采样用户在直播平台的第一特征数据的项目包括:观看平台的天数、日均观看平台的时长、观看采样主播所属类别直播的天数、日均观看采样主播所属类别直播的时长、观看采样主播的天数、日均观看采样主播的时长、(观看平台的天数-观看采样主播的天数)、(总观看采样主播的时长/总观看平台的时长)、是否订阅采样主播、订阅其他主播的个数、是否有采样主播的粉丝勋章、有其他主播的粉丝勋章个数、用户等级;
所述提取待预测用户在直播平台的第一特征数据的项目包括:观看平台的天数、日均观看平台的时长、观看待预测主播所属类别直播的天数、日均观看待预测主播所属类别直播的时长、观看待预测主播的天数、日均观看待预测主播的时长、(观看平台的天数-观看待预测主播的天数)、(总观看待预测主播的时长/总观看平台的时长)、是否订阅待预测主播、订阅其他主播的个数、是否有待预测主播的粉丝勋章、有其他主播的粉丝勋章个数、用户等级。
7.根据权利要求1所述的平台用户行为的预测方法,其特征在于,所述预测模型采用决策树算法、逻辑回归算法、贝叶斯算法中的一种算法建立。
8.根据权利要求7所述的平台用户行为的预测方法,其特征在于,所述根据所述第一特征数据和第二特征数据,建立预测模型,包括步骤:
将所述第一特征数据和第二特征数据导入决策树的数据包中,得到基础模型;
将所述第一特征数据和第二特征数据分别分为训练数据和测试数据,采用所述训练数据训练所述基础模型,得到最优的基础模型;所述基础模型包括对应所述第一特征数据和第二特征数据的最优阈值指标;
采用所述测试数据测试所述最优的基础模型,得到预测模型;所述预测模型中包括基于第一特征数据与最优阈值指标的预测规则,所述预测规则所得的结果指向第二特征数据。
9.一种计算机可读的存储介质,其上存储有计算机程序,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1-8中任意一项所述的平台用户行为的预测方法。
10.一种终端,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,所述一个或多个计算机程序存储在所述存储器中;所述一个或多个计算机程序被所述一个或多个处理器执行时实现如权利要求1-8中任意一项所述的平台用户行为的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810068480.3A CN108322780B (zh) | 2018-01-24 | 2018-01-24 | 平台用户行为的预测方法、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810068480.3A CN108322780B (zh) | 2018-01-24 | 2018-01-24 | 平台用户行为的预测方法、存储介质和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108322780A true CN108322780A (zh) | 2018-07-24 |
CN108322780B CN108322780B (zh) | 2020-12-25 |
Family
ID=62888005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810068480.3A Active CN108322780B (zh) | 2018-01-24 | 2018-01-24 | 平台用户行为的预测方法、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108322780B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558542A (zh) * | 2018-12-04 | 2019-04-02 | 北京达佳互联信息技术有限公司 | 一种信息质量评估方法、信息推送方法及装置 |
CN110362266A (zh) * | 2019-07-19 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 提示信息显示方法、系统、电子设备和计算机可读介质 |
CN111147936A (zh) * | 2019-12-30 | 2020-05-12 | 广州酷狗计算机科技有限公司 | 直播方法和装置 |
CN111311318A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 用户流失预警的方法、装置、设备及存储介质 |
CN111861541A (zh) * | 2020-06-12 | 2020-10-30 | 有米科技股份有限公司 | 基于带货视频的带货效果确定方法及装置 |
CN110049372B (zh) * | 2019-04-23 | 2021-07-02 | 广州虎牙信息科技有限公司 | 主播稳定留存率的预测方法、装置、设备及存储介质 |
CN113111217A (zh) * | 2021-04-22 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 播放时长预测模型的训练方法、视频推荐方法及装置 |
CN113132762A (zh) * | 2021-04-16 | 2021-07-16 | 广州虎牙科技有限公司 | 留存行为因素分析方法、装置、电子设备和可读存储介质 |
CN113256342A (zh) * | 2021-06-09 | 2021-08-13 | 广州虎牙科技有限公司 | 直播目标用户预估方法、装置、电子设备和计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187520A1 (en) * | 2008-01-23 | 2009-07-23 | Chao Liu | Demographics from behavior |
CN101620692A (zh) * | 2008-06-30 | 2010-01-06 | 上海全成通信技术有限公司 | 一种移动通信业务的客户流失分析方法 |
CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
US20150363204A1 (en) * | 2014-06-13 | 2015-12-17 | International Business Machines Corporation | Branch prediction based on correlating events |
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
CN106529727A (zh) * | 2016-11-18 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种用户流失预测模型生成方法及相关装置 |
US20170132209A1 (en) * | 2015-11-05 | 2017-05-11 | International Business Machines Corporation | Prediction And Optimized Prevention Of Bullying And Other Counterproductive Interactions In Live And Virtual Meeting Contexts |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
-
2018
- 2018-01-24 CN CN201810068480.3A patent/CN108322780B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187520A1 (en) * | 2008-01-23 | 2009-07-23 | Chao Liu | Demographics from behavior |
CN101620692A (zh) * | 2008-06-30 | 2010-01-06 | 上海全成通信技术有限公司 | 一种移动通信业务的客户流失分析方法 |
CN103854065A (zh) * | 2012-11-30 | 2014-06-11 | 西门子公司 | 一种用于客户流失预测的方法和装置 |
US20150363204A1 (en) * | 2014-06-13 | 2015-12-17 | International Business Machines Corporation | Branch prediction based on correlating events |
CN105069534A (zh) * | 2015-08-18 | 2015-11-18 | 广州华多网络科技有限公司 | 客户流失预测方法以及装置 |
US20170132209A1 (en) * | 2015-11-05 | 2017-05-11 | International Business Machines Corporation | Prediction And Optimized Prevention Of Bullying And Other Counterproductive Interactions In Live And Virtual Meeting Contexts |
CN106203679A (zh) * | 2016-06-27 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种用户流失预测方法及系统 |
CN106250403A (zh) * | 2016-07-19 | 2016-12-21 | 北京奇艺世纪科技有限公司 | 用户流失预测方法及装置 |
CN106529727A (zh) * | 2016-11-18 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种用户流失预测模型生成方法及相关装置 |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558542A (zh) * | 2018-12-04 | 2019-04-02 | 北京达佳互联信息技术有限公司 | 一种信息质量评估方法、信息推送方法及装置 |
CN110049372B (zh) * | 2019-04-23 | 2021-07-02 | 广州虎牙信息科技有限公司 | 主播稳定留存率的预测方法、装置、设备及存储介质 |
CN110362266A (zh) * | 2019-07-19 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 提示信息显示方法、系统、电子设备和计算机可读介质 |
CN111147936A (zh) * | 2019-12-30 | 2020-05-12 | 广州酷狗计算机科技有限公司 | 直播方法和装置 |
CN111311318A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 用户流失预警的方法、装置、设备及存储介质 |
CN111861541A (zh) * | 2020-06-12 | 2020-10-30 | 有米科技股份有限公司 | 基于带货视频的带货效果确定方法及装置 |
CN111861541B (zh) * | 2020-06-12 | 2024-04-19 | 有米科技股份有限公司 | 基于带货视频的带货效果确定方法及装置 |
CN113132762B (zh) * | 2021-04-16 | 2022-08-19 | 广州虎牙科技有限公司 | 留存行为因素分析方法、装置、电子设备和可读存储介质 |
CN113132762A (zh) * | 2021-04-16 | 2021-07-16 | 广州虎牙科技有限公司 | 留存行为因素分析方法、装置、电子设备和可读存储介质 |
CN113111217B (zh) * | 2021-04-22 | 2024-02-27 | 北京达佳互联信息技术有限公司 | 播放时长预测模型的训练方法、视频推荐方法及装置 |
CN113111217A (zh) * | 2021-04-22 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 播放时长预测模型的训练方法、视频推荐方法及装置 |
CN113256342A (zh) * | 2021-06-09 | 2021-08-13 | 广州虎牙科技有限公司 | 直播目标用户预估方法、装置、电子设备和计算机可读存储介质 |
CN113256342B (zh) * | 2021-06-09 | 2024-04-30 | 广州虎牙科技有限公司 | 直播目标用户预估方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108322780B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108322780A (zh) | 平台用户行为的预测方法、存储介质和终端 | |
CN109194973A (zh) | 一种多主播直播间赠送虚拟礼物的展示方法、装置及设备 | |
CN108197224A (zh) | 用户群分类方法、存储介质以及终端 | |
CN104992342B (zh) | 推广信息投放有效性确定方法、监测服务器及终端 | |
CN107948748B (zh) | 推荐视频的方法、设备、移动终端及计算机存储介质 | |
CN108322685A (zh) | 视频插帧方法、存储介质以及终端 | |
CN108123945B (zh) | 随机数据的发放方法、系统及智能终端 | |
CN106126174B (zh) | 一种场景音效的控制方法、及电子设备 | |
CN108280692A (zh) | 奖励发放方法、装置、计算机可读存储介质以及终端 | |
CN103501485B (zh) | 推送应用的方法、装置和终端设备 | |
CN107332757A (zh) | 删除推送消息的方法及相关产品 | |
CN106375774A (zh) | 一种直播间显示内容控制的方法、装置和系统 | |
CN105959482B (zh) | 一种场景音效的控制方法、及电子设备 | |
CN107835452A (zh) | 数据处理方法及相关产品 | |
CN108574778A (zh) | 投屏亮度调节方法以及相关产品 | |
CN107864401A (zh) | 一种基于直播的监控方法、装置、系统及终端设备 | |
CN106669146A (zh) | 一种选择匹配组成员的方法及装置 | |
CN107634952A (zh) | 刷量资源确定方法及装置 | |
CN108288171A (zh) | 广告插入方法、服务器及计算机可读存储介质 | |
CN108965977A (zh) | 直播礼物的展示方法、装置、存储介质、终端和系统 | |
CN109922539A (zh) | 网络连接方法及相关产品 | |
CN106791153A (zh) | 应用推送消息分类显示方法、装置及移动终端 | |
CN109379617A (zh) | 基于数据处理的多媒体文件同步播放方法、终端和介质 | |
CN109107164A (zh) | 移动终端及其游戏性能调节的方法和装置 | |
CN107577795A (zh) | 一种推荐歌曲的方法、装置和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |