CN108537587A - 流失用户预警方法、装置、计算机可读存储介质和服务器 - Google Patents
流失用户预警方法、装置、计算机可读存储介质和服务器 Download PDFInfo
- Publication number
- CN108537587A CN108537587A CN201810291395.3A CN201810291395A CN108537587A CN 108537587 A CN108537587 A CN 108537587A CN 201810291395 A CN201810291395 A CN 201810291395A CN 108537587 A CN108537587 A CN 108537587A
- Authority
- CN
- China
- Prior art keywords
- user
- feature vector
- lost
- target
- loss
- 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.)
- Pending
Links
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种流失用户预警方法、装置、计算机可读存储介质和服务器,以解决现有技术中缺乏能够准确判断用户是否会流失的方法的问题。所述的方法包括步骤:获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息;基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量;将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练Wide And Deep模型生成,用于表征特征向量与预测值之间的关联关系;若目标用户的预测值大于预设阈值,判定目标用户为流失用户。本发明实施例实现了对用户是否会流失的准确判断。
Description
技术领域
本发明涉及计算机技术领域,具体而言,本发明涉及一种流失用户预警方法、装置、计算机可读存储介质和服务器。
背景技术
对于一个产品来说,访问用户就是生命线。然而由于各种各样的原因,每段时间总是会有访问用户流失,即访问用户不再访问该产品,造成极大的经济损失。在产品的运营过程中,为了减少用户流失,需要预先判断用户流失的可能性,然后对于流失可能性高的用户通过消息推送,礼包投放等方式进行挽留。因此,亟需一种能够准确判断用户是否会流失的方法。
发明内容
本发明针对现有方式的缺点,提出一种流失用户预警方法、装置、计算机可读存储介质和服务器,以实现对用户是否会流失的准确判断。
本发明的实施例根据第一个方面,提供了一种流失用户预警方法,包括步骤:
获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息;
基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量;
将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练Wide AndDeep模型生成,用于表征特征向量与预测值之间的关联关系;
若目标用户的预测值大于预设阈值,判定目标用户为流失用户。
在一个实施例中,所述流失用户预测模型通过以下步骤生成:
获取在第一预设时间访问所述指定目标的各个样本用户,其中,所述第一预设时间为第二统计日期与流失周期的差值;
生成用于指示各个样本用户是否为流失用户的标识;
生成各个样本用户的特征向量;
将各个样本用户的特征向量和各自的标识输入Wide And Deep模型中进行训练,生成流失用户预测模型。
在一个实施例中,所述生成各个样本用户的特征向量,包括:
获取各个第一用户在所述第二统计日期的用户属性信息以及对所述指定目标的访问信息;
基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量;
将各个第一用户的特征向量和各个样本用户进行关联,生成各个样本用户的特征向量。
在一个实施例中,所述基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量,包括:
对各个第一用户的用户属性信息分别进行one-hot编码,生成各个第一用户的属性特征向量;
对各个第一用户的访问信息分别进行依次排列,生成各个第一用户的行为特征向量;
由各个第一用户的属性特征向量和行为特征向量构成各个第一用户的特征向量。
在一个实施例中,各个第一用户的用户属性信息包括用户来源渠道、用户设备型号、用户年龄、用户性别和用户所属地区中的任意一项或者任意组合;各个第一用户的访问信息包括用户累计访问所述指定目标的次数、用户累计访问所述指定目标的时长、用户最近一次访问所述指定目标的时长、用户在所述指定目标中累计活跃天数,以及用户第一次登陆所述指定目标距离所述第二统计日期的天数中的任意一项或者任意组合。
在一个实施例中,所述将各个样本用户的特征向量和各自的标识输入Wide AndDeep模型中进行训练,生成流失用户预测模型,包括:
通过预设算法求解预先构建的损失函数最小时Wide And Deep模型的模型参数,基于求解的所述Wide And Deep模型的模型参数得到流失用户预测模型;
其中,所述损失函数为与各个样本用户的预测值和标识有关的函数,各个样本用户的预测值为与所述Wide And Deep模型的模型参数和各个样本用户的特征向量有关的变量。
在一个实施例中,所述预设阈值通过以下步骤生成:
获取在第二预设时间访问所述指定目标的各个流失用户,其中,所述第二预设时间为第三统计日期与所述流失周期的差值;
生成各个流失用户的特征向量;
将各个流失用户的特征向量输入所述流失用户预测模型中,得到各个流失用户的预测值;
对各个流失用户的预测值求均值,得到基线输出值;
将所述基线输出值与预设值相乘,得到预设阈值。
本发明的实施例根据第二个方面,还提供了一种流失用户预警装置,包括:
信息获取模块,用于获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息;
特征向量生成模块,用于基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量;
预设值获得模块,用于将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练Wide And Deep模型生成,用于表征特征向量与预测值之间的关联关系;
判断模块,用于在目标用户的预测值大于预设阈值时,判定目标用户为流失用户。
本发明的实施例根据第三个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的流失用户预警方法。
本发明的实施例根据第四个方面,还提供了一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任意一项所述的流失用户预警方法。
上述的流失用户预警方法、装置、计算机可读存储介质和服务器,根据目标用户的用户属性信息和访问信息生成目标用户的特征向量,将该特征向量输入流失用户预测模型中得到该目标用户的预测值,进而在该预测值大于预设阈值时判定目标用户为流失用户,实现了对用户是否会流失的准确判断,为在指定目标日常运营中,对流失可能性高的用户进行定向挽留提供基础数据支撑。
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为本发明一个实施例的流失用户预测模型生成方法的流程示意图;
图2为本发明一个实施例的特征向量生成方法的流程示意图;
图3为本发明一个实施例的流失用户预警方法的流程示意图;
图4为本发明一个实施例的流失用户预警装置的结构示意图;
图5为本发明一个实施例的服务器的结构示意图。
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。应该进一步理解的是,这里使用的“第一”、“第二”和“第三”仅用于区别同一技术特征,并不对该技术特征的数量和顺序等进行限定。
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,这里所使用的服务器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。
有必要先对本发明的应用场景及其原理进行如下的先导性说明。
本发明实施例提供的方案可以应用在应用商店的场景中,用户通过本发明实施例提供的方案可以准确判断应用商店访问用户是否流失,从而对流失用户通过消息推送,礼包投放等方式进行挽留。本发明实施例提供的方案也可以应用在具体APP(Application,应用程序)的场景中,用户通过本发明实施例提供的方案可以准确判断该具体APP访问用户是否流失,从而对流失用户通过消息推送,礼包投放等方式进行挽留。本发明实施例提供的方案也可以应用在网站的场景中,例如多媒体观看网站等,用户通过本发明实施例提供的方案可以准确判断该网站访问用户是否流失,从而对流失用户通过消息推送,礼包投放等方式进行挽留。本发明实施例提供的方案还可以应用在其它需要对用户进行流失判断的场景中,本发明并不对此做出限定。
本发明实施例通过流失用户预测模型实现对用户是否流失的准确判断,因此本发明实施例提供的技术方案分两部分构成:第一部分利用各个样本用户的特征向量和标识进行Wide And Deep模型训练,生成流失用户预测模型;第二部分利用训练好的流失用户预测模型判断目标用户是否为流失用户。
下面按照流失用户预测模型生成、使用流失用户预测模型进行流失用户预警的顺序对本发明实施例进行详细介绍。
第一部分:流失用户预测模型生成
如图1所示,在一个实施例中,所述流失用户预测模型通过以下步骤生成:
S110、获取在第一预设时间访问所述指定目标的各个样本用户,其中,所述第一预设时间为第二统计日期与流失周期的差值。
样本用户为在第一预设时间访问过指定目标的用户。流失用户的定义是距离统计日期N天内没有回访的用户。参照该定义,流失周期为N,第一预设时间为第二统计日期与N的差值,其中,本发明中,第二统计日期指的是获取用户数据进行Wide And Deep模型训练的日期。假设第二统计日期为当前日期T,流失周期为90天,则第一预设时间为T-90。
指定目标可以是应用商店、具体APP或者网站等。将在第一预设时间访问指定目标的用户作为样本用户,进行后续的数据收集。
S120、生成用于指示各个样本用户是否为流失用户的标识。
标识用于表征用户是否为流失用户,具体形式可以根据用户实际需要进行设置。例如,采用数值1表征用户为流失用户,采用数值0表征用户为留存用户。又例如,采用数值1表征用户为留存用户,采用数值0表征用户为流失用户等等。应当理解,本发明并不对标识的形式进行限定。
在生成标识时,可选的,计算在第一预设时间的指定目标访问用户在第一预设时间之后到第二统计日期的时间里有没有访问记录。若有访问记录,表明该用户为留存用户,采用用于指示用户为留存用户的标识。如没有访问记录,表明该用户为流失用户,采用用于指示用户为流失用户的标识。
为了方便后续的处理,还可以将各个样本用户划分为正样本和负样本。具体划分的方法可以根据实际需要进行确定。例如,将流失用户设为第一预设时间的正样本,将留存用户设为第一预设时间的负样本。又例如,将流失用户设为第一预设时间的负样本,将留存用户设为第一预设时间的正样本。
以一个例子进行说明。假设第二统计日期为当前日期T,第一预设时间为T-90,计算T-90的应用商店访问用户在T-89到T的时间里有没有访问记录,对于有访问记录的用户设为T-90时间点的正样本,没有访问的用户设为T-90时间点的负样本。
S130、生成各个样本用户的特征向量。
特征向量用于标识用户的属性。在一个实施例中,如图2所示,所述生成各个样本用户的特征向量,包括:
S1301、获取各个第一用户在所述第二统计日期的用户属性信息以及对所述指定目标的访问信息。
各个第一用户可以仅包含各个样本用户,也可以除各个样本用户外还包含其它用户。在第二统计日期的对指定目标的访问信息指的是在第二统计日期之前对指定目标的历史访问信息。获取各个第一用户在第二统计日期的用户属性信息和访问信息即是收集生成模型特征的原始数据。模型特征为Wide And Deep模型输入的特征向量。
Wide And Deep模型是由Wide模型和Deep模型进行融合后的模型,其中,Wide模型是大规模离散特征LR(Logistic regression,逻辑回归)模型,Deep模型是连续变量DNN(Deep Neural Network,深层神经网络)模型。因此,模型特征的原始数据收集也对应两部分组成:Wide部分的模型特征的原始数据-用户属性信息,Deep部分的模型特征的原始数据-访问信息。下面介绍用户属性信息和访问信息具体包含的内容。
可选的,各个第一用户的用户属性信息包括用户来源渠道、用户设备型号、用户年龄、用户性别和用户所属地区中的任意一项或者任意组合。用户来源渠道指的是用户通过何种方式获得指定目标并进行访问,例如,用户通过百度搜索检索到指定目标,则用户来源渠道为百度搜索。用户设备型号为用户访问指定目标所用设备的型号,例如,用户通过手机访问指定目标,则用户设备型号为该手机的型号。用户年龄为用户在第二统计日期时的年龄。用户性别包括男、女和中性。用户所属地区指的是用户所在的地理位置,例如在某一个城市等,可以通过用户所用设备所在的地理位置确定用户所属的地区,也可以是用户自行输入的地区。应当理解,本发明并不对用户属性信息的具体内容进行限定,用户属性信息还可以包含其它用户属性。
可选的,各个第一用户的访问信息包括用户累计访问所述指定目标的次数、用户累计访问所述指定目标的时长、用户最近一次访问所述指定目标的时长、用户在所述指定目标中累计活跃天数,以及用户第一次登陆所述指定目标距离所述第二统计日期的天数中的任意一项或者任意组合。
以指定目标为应用商店为例,各个第一用户的访问信息包括:用户累计访问应用商店次数;用户累计访问应用商店时长,单位可以为分钟;用户最近一次访问应用商店的访问时长,单位可以为分钟;用户在应用商店中累计活跃天数;用户第一次登录距离当前日期的天数。
应当理解,本发明并不对访问信息的具体内容进行限定,访问信息还可以包含其它行为信息。
S1302、基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量。
用户属性信息生成Wide部分的模型特征,访问信息生成Deep部分的模型特征。可以分别设置用户属性信息的模型特征生成方式以及访问信息的模型特征生成方式,由两部分的模型特征获得最终的特征向量。
在一个实施例中,所述基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量,包括:
S1302a、对各个第一用户的用户属性信息分别进行one-hot编码,生成各个第一用户的属性特征向量。
各个第一用户的属性特征向量为Wide部分的模型特征。在一个实施例中,针对每个第一用户的用户属性信息,进行one-hot编码包括:将该第一用户可能出现的各个用户属性信息放到一个集合D中;按照各个用户属性信息在集合D中的排列顺序对各个用户属性信息进行编号,假设集合D有n个元素,那么每个用户属性信息的序号在1到n之间;初始化一个n维向量Xw,将该n维向量Xw中对于用户存在的用户属性信息对应序号位设置为1,其余位设置为0。
例如:某用户u的用户属性信息包括:渠道来源是“百度搜索”,手机型号是“oppoR9”,年龄是“24岁”,性别是“男”,所属城市是“广州”。那么用户属性信息向量,也即是原始特征向量originalFeature为:originalFeature={百度搜索,oppo R9,24岁,男,广州}。“百度搜索”对应序号为1,“oppo R9”对应序号为3,“24岁”对应序号为4,“男”对应的序号为5,“广州”对应的序号为6。那么one-hot编码为:
Xw=(1,0,1,1,1,1,0,0,...,0)
S1302b、对各个第一用户的访问信息分别进行依次排列,生成各个第一用户的行为特征向量。
各个第一用户的行为特征向量为Deep部分的模型特征。针对每一个用户的访问信息,具体实施时,可以初始化一个M维的向量Xd,依次把该第一用户的M个访问信息的值填到各个维度上,生成该第一用户的行为特征向量。
例如:某用户u,累计访问应用商店次数为8次,累计访问应用商店时长100分钟,用户最近一次访问应用商店的访问时长为12分钟,用户在应用商店中累计活跃天数为6天,用户第一次登录距离当前日期的天数为20。那么Deep模型特征为:
Xd=(8,100,12,6,20)。
S1302c、由各个第一用户的属性特征向量和行为特征向量构成各个第一用户的特征向量。
得到属性特征向量和行为特征向量后,就可以由该属性特征向量和该行为特征向量得到第一用户的特征向量。
S1303、将各个第一用户的特征向量和各个样本用户进行关联,生成各个样本用户的特征向量。
由于需要确定各个样本用户的特征向量,因此需要将各个第一用户的特征向量和各个样本用户进行关联,也即是从各个第一用户的特征向量中提取出各个样本用户的特征向量。可选的,可以通过用户的设备标识将各个第一用户的特征向量和各个样本用户进行关联,得到各个样本用户的特征向量,也即是各个样本用户对应的模型特征。
例如,第二统计日期为当前日期T,第一预设时间为T-90,计算T-90的正样本和负样本,收集T时间点的用户模型特征,把T时间点的用户模型特征与T-90的正负样本通过用户的设备标识关联起来,得到正负样本对应的模型特征。
应当理解,本发明并不限制于上述生成各个第一用户的特征向量的方式,用户也可以直接收集各个样本用户在第二统计日期的用户属性信息以及对指定目标的访问信息,基于各个样本用户的用户属性信息以及对指定目标的访问信息生成各个样本用户的特征向量。
S140、将各个样本用户的特征向量和各自的标识输入Wide And Deep模型中进行训练,生成流失用户预测模型。
Wide And Deep模型是由Wide模型和Deep模型进行融合后的模型,其中,Wide模型是大规模离散特征LR(Logistic regression,逻辑回归)模型,Deep模型是连续变量DNN(Deep Neural Network,深层神经网络)模型。下面对Wide模型、Deep模型以及Wide AndDeep模型的定义进行介绍。
1、Wide模型定义
Wide采用LR模型:
Yw=f(Xwww+bw)
其中,ww是高维向量,维度等于特征量n,bw是常数项,ww、bw表示模型参数;f为逻辑斯蒂函数,f(x)=1/(1+e-x);Xw为模型特征。
2、Deep模型定义
以一个具体实例对Deep模型的定义进行介绍。应当理解,本发明并不限制于该种结构的Deep模型,还可以是其它结构的Deep模型。
假设Deep部分的DNN模型有1个输入层,2个隐藏层,1个输出层,其中输入层是5维的向量,隐藏层是10维的向量,输出层为1维的向量。
模型参数的定义:
wi:i=1是3*10矩阵,表示输入层到隐藏层的连接权重;i=2,3是10*10的矩阵,表示隐藏层的与下一个隐藏连接的权重系数;
w:10*1的矩阵,表示最后一个隐藏层与输出层连接的权重系数;
bi:1*10的矩阵,表示每个隐藏层的偏置系数;
b:1*1的矩阵,表示输出层的偏置参数;
logistisc(l):逻辑斯蒂函数,例如:
f(L):表示隐藏层的输出函数,其中L是多维度向量,该函数会把L中每个元素带入逻辑斯蒂函数进行变换,最终逻辑斯蒂变换后的多维度向量。
例如:L=(1,2,…,50)那么
YD:是一个数值,是用于预测用户是否流失的预测值;
各层关系如下:
第一层隐藏层:L1=f(Xdw1+b1)
第二层隐藏层:L2=f(L1w2+b2)
输出层:YD=f(L2w+b)
3、Wide And Deep模型定义
Wide And Deep模型,即Wide-Deep融合模型,是把Wide模型与Deep模型融合在一起。Wide模型部分是大规模离散特征的LR算法,该部分擅长记忆。Deep模型部分是DNN算法,该部分擅长泛化。为了把这两个优点融合起来,用Deep的输出层与Wide的逻辑斯蒂回归模型组合起来,表达式如下:
Wide-Deep融合模型:YWD=f([L2,Xw][w,ww]+b)
其中,[A,B]表示把A向量和B向量合并变为一个向量,合并的向量维度等于A向量维度加B向量维度。例如A=(1,2),而B=(3,4,5),那么[A,B]=(1,2,3,4,5)。
在一个实施例中,所述将各个样本用户的特征向量和各自的标识输入Wide AndDeep模型中进行训练,生成流失用户预测模型,包括:
通过预设算法求解预先构建的损失函数最小时Wide And Deep模型的模型参数,基于求解的所述Wide And Deep模型的模型参数得到流失用户预测模型;
其中,所述损失函数为与各个样本用户的预测值和标识有关的函数,各个样本用户的预测值为与所述Wide And Deep模型的模型参数和各个样本用户的特征向量有关的变量。
假设T表示第二统计日期,m表示第(T-流失周期)天的样本数量;(Xi,yi)表示第(T-流失周期)天的样本用户i的模型特征Xi,以及用于指示样本用户是否流失的标识yi;Yi表示Wide And Deep模型预测用户流失的值,也即是YWD,那么损失函数为:
把所有Yi按照上面的计算表达式展开,通过预设算法求解损失函数los最小时对应解w1,w2,b1,b2,w,b,ww,该解即为Wide And Deep模型的模型参数。
预设算法可以根据实际需要进行选取,例如,预设算法为梯度下降法,那么根据梯度下降法求解损失函数los的具体过程为:
第1步:把模型所有参数统一记到一个集合,假设记为θ={θi},随机给定一组在0-1之间,设为θ(0),初始化迭代步数k=0;
第2步:迭代计算
其中ρ用于控制收敛速度,可选的,取0.01
第3步:判断是否收敛
如果那么就返回θ(k+1),否则回到第2步继续计算,其中α是一个很小的值,可以取α=0.01·ρ。
至此就生成流失用户预测模型,以应用于后续的目标用户是否为流失用户的判断。
第二部分:使用流失用户预测模型进行流失用户预警
如图3所示,在一个实施例中,一种流失用户预警方法,包括步骤:
S210、获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息。
目标用户为待进行流失预警分析的用户。第一统计日期指的是获取目标用户数据进行流失预警分析的日期,可以与第二统计日期相同,也可以与第二统计日期不相同。在第一统计日期的对指定目标的访问信息指的是在第一统计日期之前对指定目标的历史访问信息。
可选的,目标用户的用户属性信息包括用户来源渠道、用户设备型号、用户年龄、用户性别和用户所属地区中的任意一项或者任意组合。用户来源渠道指的是用户通过何种方式获得指定目标并进行访问,例如,用户通过百度搜索检索到指定目标,则用户来源渠道为百度搜索。用户设备型号为用户访问指定目标所用设备的型号,例如,用户通过手机访问指定目标,则用户设备型号为该手机的型号。用户年龄为用户在第二统计日期时的年龄。用户性别包括男、女和中性。用户所属地区指的是用户所在的地理位置,例如在某一个城市等,可以通过用户所用设备所在的地理位置确定用户所属的地区,也可以是用户自行输入的地区。应当理解,本发明并不对用户属性信息的具体内容进行限定,用户属性信息还可以包含其它用户属性。
可选的,目标用户的访问信息包括用户累计访问所述指定目标的次数、用户累计访问所述指定目标的时长、用户最近一次访问所述指定目标的时长、用户在所述指定目标中累计活跃天数,以及用户第一次登陆所述指定目标距离所述第一统计日期的天数中的任意一项或者任意组合。应当理解,本发明并不对访问信息的具体内容进行限定,访问信息还可以包含其它行为信息。
S220、基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量。
在一个实施例中,所述基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量,包括:
S2201、对目标用户的用户属性信息进行one-hot编码,生成目标用户的属性特征向量;
S2202、对目标用户的访问信息进行依次排列,生成目标用户的行为特征向量;
S2203、由目标用户的属性特征向量和行为特征向量构成目标用户的特征向量。
S230、将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练WideAnd Deep模型生成,用于表征特征向量与预测值之间的关联关系。
将目标用户的特征向量输入事先训练好的流失用户预测模型中,该流失用户预测模型就可以输出该目标用户的预测值。例如,设给定一个用户u,通过前面介绍的方法提取用户u的在第一统计日期下的模型输入特征,也即是特征向量,然后把特征向量输入到流失用户预测模型中,得到预测值Y。
S240、若目标用户的预测值大于预设阈值,判定目标用户为流失用户。
预测阈值用于确定目标用户是否为流失用户,因此其准确性会影响判断结果的准确性。为了实现目标用户的准确判断,在一个实施例中,所述预设阈值通过以下步骤生成:
S2001、获取在第二预设时间访问所述指定目标的各个流失用户,其中,所述第二预设时间为第三统计日期与所述流失周期的差值;
S2002、生成各个流失用户的特征向量;
S2003、将各个流失用户的特征向量输入所述流失用户预测模型中,得到各个流失用户的预测值;
S2004、对各个流失用户的预测值求均值,得到基线输出值;
S2005、将所述基线输出值与预设值相乘,得到预设阈值。
流失用户可以采用上述训练Wide And Deep模型时所收集的标识为流失用户的样本用户,此时第三统计日期和第二统计日期相同。也可以重新收集流失用户,此时第三统计日期与第二统计日期不相同。以采用训练Wide And Deep模型时所收集的流失用户为例,如果在训练Wide And Deep模型时划分了正样本和负样本,其中,正样本为流失用户,则可以提取所有正样本的特征向量,把所有正样本的特征向量输入到训练好的流失用户预测模型中,得到所有正样本的预测值,然后计算均值,作为流失用户的基线输出值,然后将该基线输出值与预设值相乘,得到预设阈值。其中,预设值可以根据实际需要进行设置,可选的,预设值设置为0.5,基线输出值base可以根据下述公式确定:
如果目标用户的预测值大于预设阈值,判定目标用户为流失用户,否则,判定目标用户为留存用户。
以预设值为0.5为例,如果目标用户的预测值Y大于0.5*base,那么就判断为流失用户,否则判断为留存用户。
基于同一发明构思,本发明还提供一种流失用户预警装置,下面结合附图对本发明装置的具体实施方式进行详细介绍。
如图4所示,在一个实施例中,一种流失用户预警装置,包括:
信息获取模块210,用于获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息;
特征向量生成模块220,用于基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量;
预设值获得模块230,用于将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练Wide And Deep模型生成,用于表征特征向量与预测值之间的关联关系;
判断模块240,用于在目标用户的预测值大于预设阈值时,判定目标用户为流失用户。
在一个实施例中,还包括与预设值获得模块230相连的流失用户预测模型生成模块,流失用户预测模型生成模块用于执行以下操作:
获取在第一预设时间访问所述指定目标的各个样本用户,其中,所述第一预设时间为第二统计日期与流失周期的差值;
生成用于指示各个样本用户是否为流失用户的标识;
生成各个样本用户的特征向量;
将各个样本用户的特征向量和各自的标识输入Wide And Deep模型中进行训练,生成流失用户预测模型。
在一个实施例中,流失用户预测模型生成模块通过以下方式生成各个样本用户的特征向量:
获取各个第一用户在所述第二统计日期的用户属性信息以及对所述指定目标的访问信息;
基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量;
将各个第一用户的特征向量和各个样本用户进行关联,生成各个样本用户的特征向量。
在一个实施例中,流失用户预测模型生成模块通过以下方式生成各个第一用户的特征向量:
对各个第一用户的用户属性信息分别进行one-hot编码,生成各个第一用户的属性特征向量;
对各个第一用户的访问信息分别进行依次排列,生成各个第一用户的行为特征向量;
由各个第一用户的属性特征向量和行为特征向量构成各个第一用户的特征向量。
在一个实施例中,各个第一用户的用户属性信息包括用户来源渠道、用户设备型号、用户年龄、用户性别和用户所属地区中的任意一项或者任意组合;各个第一用户的访问信息包括用户累计访问所述指定目标的次数、用户累计访问所述指定目标的时长、用户最近一次访问所述指定目标的时长、用户在所述指定目标中累计活跃天数,以及用户第一次登陆所述指定目标距离所述第二统计日期的天数中的任意一项或者任意组合。
在一个实施例中,流失用户预测模型生成模块通过以下方式生成流失用户预测模型:
通过预设算法求解预先构建的损失函数最小时Wide And Deep模型的模型参数,基于求解的所述Wide And Deep模型的模型参数得到流失用户预测模型;
其中,所述损失函数为与各个样本用户的预测值和标识有关的函数,各个样本用户的预测值为与所述Wide And Deep模型的模型参数和各个样本用户的特征向量有关的变量。
在一个实施例中,还包括与判断模块240相连的预设阈值生成模块,所述预设阈值生成模块用于执行以下操作:
获取在第二预设时间访问所述指定目标的各个流失用户,其中,所述第二预设时间为第三统计日期与所述流失周期的差值;
生成各个流失用户的特征向量;
将各个流失用户的特征向量输入所述流失用户预测模型中,得到各个流失用户的预测值;
对各个流失用户的预测值求均值,得到基线输出值;
将所述基线输出值与预设值相乘,得到预设阈值。
上述流失用户预警装置的其它技术特征与上述流失用户预警方法的技术特征相同,在此不予赘述。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的流失用户预警方法。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(EraSable ProgrammableRead-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSableProgrammable 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。
本发明实施例还提供一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任意一项所述的流失用户预警方法。
图5为本发明服务器的结构示意图,包括处理器320、存储装置330、输入单元340以及显示单元350等器件。本领域技术人员可以理解,图5示出的结构器件并不构成对所有服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储装置330可用于存储应用程序310以及各功能模块,处理器320运行存储在存储装置330的应用程序310,从而执行设备的各种功能应用以及数据处理。存储装置330可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储装置包括但不限于这些类型的存储装置。本发明所公开的存储装置330只作为例子而非作为限定。
输入单元340用于接收信号的输入,以及接收目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息。输入单元340可包括触控面板以及其它输入设备。触控面板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上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、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350可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元350可采用液晶显示器、有机发光二极管等形式。处理器320是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储装置330内的软件程序和/或模块,以及调用存储在存储装置内的数据,执行各种功能和处理数据。
在一实施方式中,服务器包括一个或多个处理器320,以及一个或多个存储装置330,一个或多个应用程序310,其中所述一个或多个应用程序310被存储在存储装置330中并被配置为由所述一个或多个处理器320执行,所述一个或多个应用程序310配置用于执行以上实施例所述的流失用户预警方法。
上述的流失用户预警方法、装置、计算机可读存储介质和服务器,根据目标用户的用户属性信息和访问信息生成目标用户的特征向量,将该特征向量输入流失用户预测模型中得到该目标用户的预测值,进而在该预测值大于预设阈值时判定目标用户为流失用户,实现了对用户是否会流失的准确判断,为在指定目标日常运营中,对流失可能性高的用户进行定向挽留提供基础数据支撑。
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。
应该理解的是,在本发明各实施例中的各功能单元可集成在一个处理模块中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
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)
1.一种流失用户预警方法,其特征在于,包括步骤:
获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息;
基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量;
将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练Wide And Deep模型生成,用于表征特征向量与预测值之间的关联关系;
若目标用户的预测值大于预设阈值,判定目标用户为流失用户。
2.根据权利要求1所述的流失用户预警方法,其特征在于,所述流失用户预测模型通过以下步骤生成:
获取在第一预设时间访问所述指定目标的各个样本用户,其中,所述第一预设时间为第二统计日期与流失周期的差值;
生成用于指示各个样本用户是否为流失用户的标识;
生成各个样本用户的特征向量;
将各个样本用户的特征向量和各自的标识输入Wide And Deep模型中进行训练,生成流失用户预测模型。
3.根据权利要求2所述的流失用户预警方法,其特征在于,所述生成各个样本用户的特征向量,包括:
获取各个第一用户在所述第二统计日期的用户属性信息以及对所述指定目标的访问信息;
基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量;
将各个第一用户的特征向量和各个样本用户进行关联,生成各个样本用户的特征向量。
4.根据权利要求3所述的流失用户预警方法,其特征在于,所述基于各个第一用户的用户属性信息和访问信息,生成各个第一用户的特征向量,包括:
对各个第一用户的用户属性信息分别进行one-hot编码,生成各个第一用户的属性特征向量;
对各个第一用户的访问信息分别进行依次排列,生成各个第一用户的行为特征向量;
由各个第一用户的属性特征向量和行为特征向量构成各个第一用户的特征向量。
5.根据权利要求3所述的流失用户预警方法,其特征在于,各个第一用户的用户属性信息包括用户来源渠道、用户设备型号、用户年龄、用户性别和用户所属地区中的任意一项或者任意组合;各个第一用户的访问信息包括用户累计访问所述指定目标的次数、用户累计访问所述指定目标的时长、用户最近一次访问所述指定目标的时长、用户在所述指定目标中累计活跃天数,以及用户第一次登陆所述指定目标距离所述第二统计日期的天数中的任意一项或者任意组合。
6.根据权利要求2所述的流失用户预警方法,其特征在于,所述将各个样本用户的特征向量和各自的标识输入Wide And Deep模型中进行训练,生成流失用户预测模型,包括:
通过预设算法求解预先构建的损失函数最小时Wide And Deep模型的模型参数,基于求解的所述Wide And Deep模型的模型参数得到流失用户预测模型;
其中,所述损失函数为与各个样本用户的预测值和标识有关的函数,各个样本用户的预测值为与所述Wide And Deep模型的模型参数和各个样本用户的特征向量有关的变量。
7.根据权利要求1至6任意一项所述的流失用户预警方法,其特征在于,所述预设阈值通过以下步骤生成:
获取在第二预设时间访问所述指定目标的各个流失用户,其中,所述第二预设时间为第三统计日期与所述流失周期的差值;
生成各个流失用户的特征向量;
将各个流失用户的特征向量输入所述流失用户预测模型中,得到各个流失用户的预测值;
对各个流失用户的预测值求均值,得到基线输出值;
将所述基线输出值与预设值相乘,得到预设阈值。
8.一种流失用户预警装置,其特征在于,包括:
信息获取模块,用于获取目标用户在第一统计日期的用户属性信息以及对指定目标的访问信息;
特征向量生成模块,用于基于所述目标用户的用户属性信息和访问信息,生成所述目标用户的特征向量;
预设值获得模块,用于将所述目标用户的特征向量输入预先生成的流失用户预测模型中,得到所述目标用户的预测值,其中,所述流失用户预测模型由各个样本用户的特征向量训练Wide And Deep模型生成,用于表征特征向量与预测值之间的关联关系;
判断模块,用于在目标用户的预测值大于预设阈值时,判定目标用户为流失用户。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任意一项所述的流失用户预警方法。
10.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任意一项所述的流失用户预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810291395.3A CN108537587A (zh) | 2018-04-03 | 2018-04-03 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810291395.3A CN108537587A (zh) | 2018-04-03 | 2018-04-03 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537587A true CN108537587A (zh) | 2018-09-14 |
Family
ID=63482315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810291395.3A Pending CN108537587A (zh) | 2018-04-03 | 2018-04-03 | 流失用户预警方法、装置、计算机可读存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537587A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214937A (zh) * | 2018-09-27 | 2019-01-15 | 上海远眸软件有限公司 | 保险理赔智能反欺诈判定方法和系统 |
CN109658149A (zh) * | 2018-12-14 | 2019-04-19 | 万翼科技有限公司 | 供应商的流失预警方法、服务器及存储介质 |
CN109767045A (zh) * | 2019-01-17 | 2019-05-17 | 北京腾云天下科技有限公司 | 一种流失用户的预测方法、装置、计算设备及介质 |
CN109948649A (zh) * | 2019-02-04 | 2019-06-28 | 复旦大学 | 面向数据开放共享的软件访问行为数据特征表示方法 |
CN110472192A (zh) * | 2019-07-23 | 2019-11-19 | 平安科技(深圳)有限公司 | 评价指标提取方法、装置、存储介质和服务器 |
CN110634018A (zh) * | 2019-08-30 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种流失用户的特征刻画方法、识别方法及相关装置 |
CN111127185A (zh) * | 2019-11-25 | 2020-05-08 | 北京明略软件系统有限公司 | 信贷欺诈识别模型构建方法及装置 |
CN111242659A (zh) * | 2018-11-28 | 2020-06-05 | 顺丰科技有限公司 | 客户件量预测方法和装置、异动客户预警方法和装置 |
CN111435357A (zh) * | 2019-01-15 | 2020-07-21 | 杭州海康威视数字技术股份有限公司 | 加油站客户流失预测方法、装置、电子设备及存储介质 |
CN111652661A (zh) * | 2020-08-04 | 2020-09-11 | 索信达(北京)数据技术有限公司 | 一种手机客户端用户流失预警处理方法 |
CN112036919A (zh) * | 2019-06-03 | 2020-12-04 | 北京市商汤科技开发有限公司 | 数据处理方法、装置及存储介质 |
CN112070533A (zh) * | 2020-08-28 | 2020-12-11 | 上海连尚网络科技有限公司 | 一种用于预测用户留存的方法与设备 |
CN112668812A (zh) * | 2021-03-16 | 2021-04-16 | 西南石油大学 | 产量确定方法、确定装置、计算机可读存储介质和处理器 |
CN112685674A (zh) * | 2020-12-30 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种影响用户留存的特征评估方法及装置 |
CN112837099A (zh) * | 2021-02-05 | 2021-05-25 | 深圳市欢太科技有限公司 | 潜在流失用户识别方法、装置、存储介质及电子设备 |
CN113657635A (zh) * | 2020-05-12 | 2021-11-16 | 中国移动通信集团湖南有限公司 | 一种预测通信用户流失的方法及电子设备 |
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN117618918A (zh) * | 2024-01-25 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165270B2 (en) * | 2000-12-20 | 2015-10-20 | International Business Machines Corporation | Predicting likelihood of customer attrition and retention measures |
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 |
CN106997493A (zh) * | 2017-02-14 | 2017-08-01 | 云数信息科技(深圳)有限公司 | 基于多维度数据的彩票用户流失预测方法及其系统 |
CN107566358A (zh) * | 2017-08-25 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 一种风险预警提示方法、装置、介质及设备 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 状态预测方法和装置 |
-
2018
- 2018-04-03 CN CN201810291395.3A patent/CN108537587A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165270B2 (en) * | 2000-12-20 | 2015-10-20 | International Business Machines Corporation | Predicting likelihood of customer attrition and retention measures |
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 |
CN106997493A (zh) * | 2017-02-14 | 2017-08-01 | 云数信息科技(深圳)有限公司 | 基于多维度数据的彩票用户流失预测方法及其系统 |
CN107566358A (zh) * | 2017-08-25 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 一种风险预警提示方法、装置、介质及设备 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 状态预测方法和装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214937A (zh) * | 2018-09-27 | 2019-01-15 | 上海远眸软件有限公司 | 保险理赔智能反欺诈判定方法和系统 |
CN111242659A (zh) * | 2018-11-28 | 2020-06-05 | 顺丰科技有限公司 | 客户件量预测方法和装置、异动客户预警方法和装置 |
CN109658149A (zh) * | 2018-12-14 | 2019-04-19 | 万翼科技有限公司 | 供应商的流失预警方法、服务器及存储介质 |
CN111435357B (zh) * | 2019-01-15 | 2023-08-08 | 杭州海康威视数字技术股份有限公司 | 加油站客户流失预测方法、装置、电子设备及存储介质 |
CN111435357A (zh) * | 2019-01-15 | 2020-07-21 | 杭州海康威视数字技术股份有限公司 | 加油站客户流失预测方法、装置、电子设备及存储介质 |
CN109767045A (zh) * | 2019-01-17 | 2019-05-17 | 北京腾云天下科技有限公司 | 一种流失用户的预测方法、装置、计算设备及介质 |
CN109948649A (zh) * | 2019-02-04 | 2019-06-28 | 复旦大学 | 面向数据开放共享的软件访问行为数据特征表示方法 |
CN109948649B (zh) * | 2019-02-04 | 2023-03-24 | 复旦大学 | 面向数据开放共享的软件访问行为数据特征表示方法 |
CN112036919A (zh) * | 2019-06-03 | 2020-12-04 | 北京市商汤科技开发有限公司 | 数据处理方法、装置及存储介质 |
CN110472192A (zh) * | 2019-07-23 | 2019-11-19 | 平安科技(深圳)有限公司 | 评价指标提取方法、装置、存储介质和服务器 |
CN110472192B (zh) * | 2019-07-23 | 2022-04-15 | 平安科技(深圳)有限公司 | 评价指标提取方法、装置、存储介质和服务器 |
CN110634018A (zh) * | 2019-08-30 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种流失用户的特征刻画方法、识别方法及相关装置 |
CN111127185A (zh) * | 2019-11-25 | 2020-05-08 | 北京明略软件系统有限公司 | 信贷欺诈识别模型构建方法及装置 |
CN113657635B (zh) * | 2020-05-12 | 2023-10-27 | 中国移动通信集团湖南有限公司 | 一种预测通信用户流失的方法及电子设备 |
CN113657635A (zh) * | 2020-05-12 | 2021-11-16 | 中国移动通信集团湖南有限公司 | 一种预测通信用户流失的方法及电子设备 |
CN111652661A (zh) * | 2020-08-04 | 2020-09-11 | 索信达(北京)数据技术有限公司 | 一种手机客户端用户流失预警处理方法 |
CN112070533A (zh) * | 2020-08-28 | 2020-12-11 | 上海连尚网络科技有限公司 | 一种用于预测用户留存的方法与设备 |
CN112685674A (zh) * | 2020-12-30 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种影响用户留存的特征评估方法及装置 |
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN112837099A (zh) * | 2021-02-05 | 2021-05-25 | 深圳市欢太科技有限公司 | 潜在流失用户识别方法、装置、存储介质及电子设备 |
CN112837099B (zh) * | 2021-02-05 | 2024-03-19 | 深圳市欢太科技有限公司 | 潜在流失用户识别方法、装置、存储介质及电子设备 |
CN112668812B (zh) * | 2021-03-16 | 2021-06-01 | 西南石油大学 | 产量确定方法、确定装置、计算机可读存储介质和处理器 |
CN112668812A (zh) * | 2021-03-16 | 2021-04-16 | 西南石油大学 | 产量确定方法、确定装置、计算机可读存储介质和处理器 |
CN117618918A (zh) * | 2024-01-25 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
CN117618918B (zh) * | 2024-01-25 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 虚拟场景处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537587A (zh) | 流失用户预警方法、装置、计算机可读存储介质和服务器 | |
CN109191240A (zh) | 一种进行商品推荐的方法和装置 | |
CN108921221A (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN109871428A (zh) | 用于确定文本相关度的方法、装置、设备和介质 | |
CN107368519A (zh) | 一种契合用户兴趣变化的协同处理方法及系统 | |
CN109582876A (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN110490625A (zh) | 用户偏好确定方法及装置、电子设备、存储介质 | |
Wright et al. | Artfid: Quantitative evaluation of neural style transfer | |
CN107609563A (zh) | 图片语义描述方法及装置 | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
CN110197404A (zh) | 可降低流行度偏差的个性化长尾商品推荐方法和系统 | |
CN106649276B (zh) | 标题中核心产品词的识别方法以及装置 | |
CN105740448B (zh) | 面向话题的多微博时序文摘方法 | |
CN110490686A (zh) | 一种基于时间感知的商品评分模型构建、推荐方法及系统 | |
CN109460519A (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN115423535A (zh) | 基于市场先验大数据的产品采购方法、装置、设备及介质 | |
CN107705199A (zh) | 特征计算代码的生成方法和装置 | |
CN111126495A (zh) | 模型训练方法、信息预测方法、装置、存储介质及设备 | |
CN109325806A (zh) | 一种用户信息的处理方法及装置 | |
CN110489593A (zh) | 视频的话题处理方法、装置、电子设备及存储介质 | |
CN106844550A (zh) | 一种虚拟化平台操作推荐方法及装置 | |
CN104008204A (zh) | 一种动态的多维情境感知电影推荐系统及其实现方法 | |
Roy et al. | Tips: Text-induced pose synthesis |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200422 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 510640 Guangdong city of Guangzhou province Whampoa Tianhe District Road No. 163 Xiping Yun Lu Yun Ping square B radio tower 15 layer self unit 02 Applicant before: GUANGZHOU UC NETWORK TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |