CN108665321A - 高粘性用户流失预测方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种高粘性用户流失预测方法、装置及计算机可读存储介质，通过基于高粘性用户而非全部用户的行为特征数据筛选出具有代表性的重要特征数据，再基于高粘性用户的重要特征数据构建流失预测模型，利用所述流失预测模型对被测高粘性用户的流失情况进行预测；从而克服了现有技术中利用所有用户的所有行为参数构建预测模型所导致的建模过程和模型本身较为复杂、及流失预测准确性不高的问题，有效地简化了流失预测模型结构，提高流失预测模型的构建效率、用户流失预测效率和流失预测的准确性。

Description

高粘性用户流失预测方法、装置及计算机可读存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及用户流失预测技术领域。

背景技术

随着直播行业的飞速发展，各个直播平台之间的竞争日益激烈，导致用户流失形势严峻，对直播平台造成直接的经济损失，不利于平台的长期发展。因此，为了缓解用户流失的情况，有必要通过机器学习算法分析用户的行为，建立用户流失识别模型，定位潜在的流失用户，以制定维系策略挽回潜在流失用户。

但是，目前的用户流失识别模型的建立基本都是直接采用用户的所有行为参数作为模型的输入变量，而用户的行为趋于多样化和复杂化，且变化迅速，这必然导致用户的行为参数类型较多。而且，实际上，其中的部分行为参数并没有对模型预测潜在的流失用户做出贡献，即其作为模型的输入变量所产生的意义是微乎其微的，很有可能还会降低模型对用户流失预测的准确性。因此，直接采用用户的所有行为参数作为模型的输入变量的这一方式，会导致建模过程和模型本身较为复杂，且模型对用户流失预测的准确性不高。

另外，目前的用户流失识别模型都是针对平台中的所有用户进行流失预测，然而，新用户本身就存在较高的流失率，如果也将新用户的行为参数也作为模型的输入变量，会进一步影响模型对用户流失预测的准确性。

发明内容

基于此，本发明提供一种高粘性用户流失预测方法、装置及计算机可读存储介质。

根据本发明实施例的第一方面，本发明提供了一种高粘性用户流失预测方法，包括：

获取已流失高粘性用户和未流失高粘性用户；

根据所有高粘性用户的流失状态和预设周期内的行为特征数据筛选得到重要特征数据；

根据所有高粘性用户的流失状态和重要特征数据构建得到流失预测模型；

通过流失预测模型预测被测高粘性用户的流失状态，输出预测结果。

由此，本发明通过基于高粘性用户而非全部用户的行为特征数据筛选出具有代表性的重要特征数据，再基于高粘性用户的重要特征数据构建流失预测模型，利用所述流失预测模型对被测高粘性用户的流失情况进行预测；从而克服了现有技术中利用所有用户的所有行为参数构建预测模型所导致的建模过程和模型本身较为复杂、及流失预测准确性不高的问题，有效地简化了流失预测模型结构，提高流失预测模型的构建效率、用户流失预测效率和流失预测的准确性。

可选地，所述获取已流失高粘性用户和未流失高粘性用户，具体包括以下步骤：

根据用户的注册天数及在第一预设时间段内的访问天数获得高粘性用户；根据获得的高粘性用户在第二预设时间段内的访问天数获得已流失高粘性用户和未流失高粘性用户。

通过对已流失高粘性用户和未流失高粘性用户的获取步骤的限定，先依据已流失和未流失的高粘性用户的共有特性，统一获取高粘性用户；再依据已流失和未流失的高粘性用户的各自特性，实现将高粘性用户划分为未流失和已流失两种类别，不仅有利于简化已流失和未流失的高粘性用户的获取步骤，提高对两者的获取效率，而且也保证了获取得到的已流失和未流失的高粘性用户的准确度。

可选地，所述预测周期包括互不重叠的至少两个采集周期。通过此处对预测周期的限定，将高粘性用户多个不同时间段内的行为特征数据都作为相对独立的数据而应用到特征数据筛选中，进一步提高重要特征数据筛选的全面性和准确性，为后续构建流失预测模型奠定了更好的基础。

可选地，重要特征数据通过特征选取模型根据所有高粘性用户的流失状态和预设周期内的行为特征数据筛选得到。通过利用特征选取模型实现重要特征数据的筛选，有利于提高重要特征数据的筛选效率和筛选准确性。

可选地，所述特征选取模型通过计算行为特征数据的重要系数或行为特征数据在任两采集周期之间内的数值变化率的重要系数，筛选得到重要特征数据。

可选地，所述通过流失预测模型预测被测高粘性用户的流失状态，输出预测结果，包括：

获取被测高粘性用户在所述预设周期内的重要特征数据；

流失预测模型处理被测高粘性用户的重要特征数据，输出预测结果。

由此通过基于被测高粘性用户在预设周期内的重要特征数据实现预测，有利于提高流失预测模型对被测高粘性用户的预测准确性和预测效率。

可选地，所述行为特征数据包括访问次数、观看主播数、观看品类数、发言次数、送礼次数、充值订单数和充值金额中的至少3种数据。

根据本发明实施例的第二方面，与前述高粘性用户流失预测方法对应，本发明还提供了一种高粘性用户流失预测装置，其包括存储器和处理器；所述存储器存储有多条指令，所述多条指令可由所述处理器加载并执行前述任一项所述的高粘性用户流失预测方法。

可选地，本发明的高粘性用户流失预测装置还包括显示器；所述显示器显示由所述处理器输出的预测结果。通过增设显示器，有利于预测结果的直观显示。

根据本发明实施例的第三方面，本发明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，所述程序被处理器执行时实现前述任一项所述的高粘性用户流失预测方法。

由于本发明的高粘性用户流失预测装置和计算机可读存储介质都涵盖了本发明的高粘性用户流失预测方法，故本发明的高粘性用户流失预测装置和计算机可读存储介质都包括前述高粘性用户流失预测方法所产生的有益技术效果，在此不再赘述。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法的流程图；

图2是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中的步骤S11的流程图；

图3是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中的步骤S12的流程图；

图4是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中在预测周期内获得的各用户的行为特征数据的流程示意图；

图5是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中利用训练集中的所有高粘性用户的行为特征数据构建特征选取模型时的流程示意图；

图6是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中，特征选取模型筛选得到重要特征数据的流程示意图；

图7是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中，流失预测模型预测被测高粘性用户的流失状态的流程图；

图8是本发明根据一示例性实施例示出的一种高粘性用户流失预测装置的结构框图；

图9是本发明根据另一示例性实施例示出的一种高粘性用户流失预测装置的结构框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在直播用户流失预测技术领域中，无论是新注册用户还是老用户，要对用户流失情况进行预测时，都是直接采用所有用户的所有行为参数作为构建模型的特征参数，实现流失预测模型的构建。然而，新用户本身就存在较高的流失率，故将新用户的行为参数也作为构建模型的指标，明显会影响构建而成的流失预测模型对用户流失预测的准确性。并且，用户的部分行为参数在实际上并没有对预测用户流失情况做出贡献，但相关技术仍将其作为构建模型的特征参数，则不仅进一步影响预测模型对用户流失预测的准确性，而且还导致建模过程和模型本身较为复杂。

基于此，为克服利用所有用户的所有行为参数构建预测模型所导致的建模过程和模型本身较为复杂、及流失预测准确性不高的问题，本发明提供了一种高粘性用户流失预测方法，通过基于高粘性用户而非全部用户的行为特征数据筛选出具有代表性的重要特征数据，再基于高粘性用户的重要特征数据构建流失预测模型，利用所述流失预测模型对被测高粘性用户的流失情况进行预测；从而克服了现有技术中利用所有用户的所有行为参数构建预测模型所导致的建模过程和模型本身较为复杂、及流失预测准确性不高的问题，有效地简化了流失预测模型结构，提高流失预测模型的构建效率、用户流失预测效率和流失预测的准确性。

在本实施例中，本发明主要应用于对直播平台的高粘性用户的流失情况的预测。其中，高粘性用户指的是：在平台注册超过90天且在近3个月内的访问天数刚满或超过30天的用户。近3个月指的是流失预测当日前3个月。

然而，在其它变形实施例中，本发明还可以应用于直播平台外的其他平台如视频观看平台或游戏平台或学习平台上的高粘性用户流失情况的预测，此时，需要结合当前应用平台的高粘性用户行为特性而适应性地改变用户行为特征数据类型。对于高粘性用户的定义，还可以根据实际情况而改变相关数据和/或采用其他特征性数据，例如，将注册满100天且近2个月内视频观看时长超过500分钟的用户定义为高粘性用户。

接下来，以在直播平台注册刚超过90天且在近3个月内的访问天数刚满或超过30天的用户为高粘性用户为例，对本发明所提供的高粘性用户流失预测方法进行说明。

图1是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法的流程图，如图1所示，本实施例高粘性用户流失预测方法包括以下步骤S1～S4：

S1：获取已流失高粘性用户和未流失高粘性用户。

本实施例中，所述步骤S1具体包括以下步骤S11～S12：

S11：根据用户的注册天数及在第一预设时间段内的访问天数获得高粘性用户。

图2是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中的步骤S11的流程图，如图2所示，步骤S11具体包括步骤：获取各已注册用户的注册天数和在第一预设时间段内的访问天数，选取注册天数大于预设注册天数阈值且第一预设时间段内的访问天数大于或等于第一预设访问天数阈值的用户，从而获得高粘性用户。

从前述本实施例对高粘性用户的定义可知，所述预设注册天数阈值为90，所述第一预设时间段为近3个月即流失预测当日前3个月，所述第一预设访问天数阈值为30。

S12：根据获得的高粘性用户在第二预设时间段内的访问天数获得已流失高粘性用户和未流失高粘性用户。

图3是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中的步骤S12的流程图，如图3所示，步骤S12具体包括步骤：获取各高粘性用户在第二预设时间段内的访问天数，选取第二预设时间段内的访问天数大于或等于第二预设访问天数阈值的高粘性用户作为未流失高粘性用户，并选取访问天数小于第二预设访问天数阈值的高粘性用户作为已流失高粘性用户。

本实施例中，已流失高粘性用户指的是：高粘性用户距离其最近一次登录当天刚满或超过30天未登录；未流失高粘性用户指的是：高粘性用户在距离其最近一次登录当天的30天内(不包括第30天)，再次登录。此时，所述第二预设时间段为近30天即流失预测当日前30天，所述第二预设访问天数阈值为1。

本实施例中，用户及用户信息如注册天数、访问天数、和行为特征数据都可从用户所属平台的服务器中获取。

在一实施例中，为保证正负样本的均衡性，以减少由于正负样本不均衡而产生的运算偏差和预测偏差，并为流失预测模型的构建奠定更好的基础，优选地，所述步骤S1中已流失高粘性用户和未流失高粘性用户的数量相同。然而，实际操作中，在难以获取相同数量的已流失高粘性用户和未流失高粘性用户时，可适当调整已流失高粘性用户和未流失高粘性用户的获取数量，最好使两者的获取数量比值往1靠近。

S2：根据所有高粘性用户的流失状态和预设周期内的行为特征数据筛选得到重要特征数据。

所述步骤S2中，流失状态包括未流失和已流失这两种状态。行为特征数据包括至少3个不同类型的数据，如为用户进行访问、观看、互动、付费等行为所产生的数据，包括访问次数、观看主播数、观看品类数、发言次数、送礼次数、充值订单数和充值金额中的至少3种数据或全部数据。而重要特征数据包含的数据属于行为特征数据所包含的数据范围，且重要特征数据包含的数据数量少于特征数据包含的数据数量。

然而，在其它变形实施例中，行为特征数据可以在包括前述几种类型的数据的前提下，还包括除前述数据外的其他与用户行为特征相关的数据；或者可以选取前述其中几种数据，或者可以选取前述其中几种数据并结合其他于用户行为特征相关的数据。其中，其他与用户行为特征相关的数据指的是与用户流失与否相关的数据，可根据市场调研或业务经验或实验过程得到，在此不赘述。

本实施例中，所述预测周期包括互不重叠的至少两个采集周期。例如，预测周期包括流失预测当日前30天(不含第30天)、前30～60天(含第30天且不含第60天)和前60～90天(含第60天且不含第90天)这三个采集周期。

然而，在其它变形实施例中，所述预测周期可以仅为一个采集周期，如，预测周期为流失预测当日前100天内的一个采集周期。

本实施例中，所述步骤S2的重要特征数据是通过特征选取模型根据各用户的流失状态和预设周期内的行为特征数据筛选得到，具体包括以下步骤S21～S22。

S21：根据所有高粘性用户的流失状态和预设周期内的行为特征数据构建特征选取模型。

本实施例中，在构建特征选取模型前，将所有高粘性用户划分为训练集和测试集。所述特征选取模型通过决策树算法根据训练集的所有用户在各个采集周期内的行为特征数据构建而成，且所述特征选取模型通过对测试集的所有用户在各个采集周期内的行为特征数据进行验证而实现进一步优化。本实施例中的特征选取模型本质上是一种决策树模型。其中，特征选取模型的构建过程和优化的原理与现有决策树模型的构建过程和优化原理相同，故不赘述。

而在其它变形实施例中，还可以通过构建逻辑回归模型或SVM模型的方法根据训练集的所有用户在各个采集周期内的行为特征数据实现对特征选取模型的构建。

在步骤S21中，用户预设周期内的行为特征数据指的是，各用户在各采集周期内的行为特征数据，且任一采集周期中的所有行为特征数据分别与另一采集周期中的所有行为特征数据一一对应。例如，如果在一采集周期中获取的行为特征数据包括访问次数、观看主播数和发言次数，则在其它采集周期中获取的行为特征数据也包括访问次数、观看主播数和发言次数。

另外，本发明是将用户在预设周期内的行为特征数据都作为独立的参数构建特征选取模型的，例如，图4是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中在预测周期内获得的各用户的行为特征数据的流程示意图，图5是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中利用训练集中的所有高粘性用户的行为特征数据构建特征选取模型时的流程示意图，如图4所示，假设预设周期由3个采集周期组成，且在各采集周期内获取的行为特征数据包括8个行为数据，则在预设周期内获得的各用户的行为数据一共有8×3个，即获得的各用户的行为数据的数量为24个。如图5所示，在模型构建时，假设共有1千个高粘性用户，则这1千个用户的这24个数据都作为构建特征选取模型用的参数。

在一实施例中，训练集和测试集的已流失高粘性用户和未流失高粘性用户的数量都相同。然而，实际操作中，在难以将相同数量的已流失高粘性用户和未流失高粘性用户分配于训练集或测试集时，可适当调整已流失高粘性用户和未流失高粘性用户的获取数量，最好使两者的获取数量比值往1靠近。

在一实施例中，训练集的用户总量与测试集的用户总量的比例为7:3。

S22：特征选取模型通过计算行为特征数据的重要系数，选取重要系数比预设重要阈值大的行为数据，这些行为数据即为筛选得到的重要特征数据。

图6是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中，特征选取模型筛选得到重要特征数据的流程的示意图，如图6所示，步骤S22中，通过输入所有高粘性用户在各采集周期的行为特征数据中的所有行为数据到特征选取模型中，经特征选取模型运算，最终筛选得到包含多个重要行为数据的重要特征数据。

在步骤S21中的特征选取模型为决策树模型的情况下，所述重要系数指的是特征选取模型对各行为数据运算后，输出的feature_importance值。则可知，重要系数的值小于1，则重要阈值也小于1，且重要阈值可根据实际情况设定，如设定为0.05。

在另一示例性实施例中，特征选取模型实现筛选得到重要特征数据的方法为：特征选取模型通过计算各行为数据在任两采集周期之间内的数值变化率的重要系数，选取重要系数比预设重要阈值大的数值变化率所对应的行为数据，这些行为数据即为筛选得到的重要特征数据。其中，在特征选取模型为决策树模型的情况下，所述重要系数指的是特征选取模型对各数值变化率运算后，输出的feature_importance值。同前述，重要系数的值小于1，则重要阈值也小于1，且重要阈值可根据实际情况设定，如设定为0.05。另外，各行为数据在任两采集周期之间内的数值变化率指的是一个行为数据在其中一采集周期的数值相对另一采集周期的数值减少或增加了多少，例如，一个用户在一采集周期内观看视频的时长为200分钟，在另一采集周期内观看视频的时长为1000分钟，则该用户在两个采集周期之内的观看视频时长的数值变化率为(200－1000)÷1000＝﹣0.8或(1000-200)÷200＝4。则可知，数值变化率的计算方式有两种，在进行数值变化率的计算时，应统一使用一种计算方式，例如，预设周期包括距离流失预测当日由近到远的第一采集周期、第二采集周期和第三采集周期；则在一示例性实施例中，统一的计算方式可以为：计算第一采集周期的各行为数据分别相对于第二采集周期和第三采集周期的相应行为数据的数值变化率，计算第二采集周期的各行为数据相对于第三采集周期的相应行为数据的数值变化率。

S3：根据所有高粘性用户的流失状态和重要特征数据构建得到流失预测模型。

本实施例中，流失预测模型的构建和优化原理与前述特征选取模型的构建和优化原理基本相同，其中，相同之处在此不赘述，而不同之处在于：步骤S3中的流失预测模型的构建所依据的数据为经过特征选取模型筛选得到的重要特征数据，且步骤S3中的流失预测模型是通过提升树算法根据所有高粘性用户的流失状态和重要特征数据构建得到的一种提升树模型。

然而，在其它变形实施例中，也可以通过构建逻辑回归模型或SVM模型的方法根据所有高粘性用户的流失状态和重要特征数据实现对流失预测模型的构建。

S4：通过流失预测模型预测被测高粘性用户的流失状态，输出预测结果。图7是本发明根据一示例性实施例示出的一种高粘性用户流失预测方法中，流失预测模型预测被测高粘性用户的流失状态的流程图；如图7所示，步骤S4具体包括以下步骤S41～S42：

S41：获取被测高粘性用户在所述预设周期内的重要特征数据。

由于通过步骤S1和S2已经得知高粘性用户的特性及其重要特征数据所包含的行为数据，故在步骤S41中，只需要依据已经得知的重要特征数据的所包含的行为特征，在预设周期内获取被测高粘性用户中相同的行为数据，将获得的多个行为数据作为重要特征数据，或者将计算得到的各行为数据在任两采集周期内的数值变化率作为重要特征数据即可。

S42：流失预测模型处理被测高粘性用户的重要特征数据，输出预测结果；具体包括以下步骤S421～S423。

S421：将被测高粘性用户的重要特征数据中的所有行为数据输入到流失预测模型中，通过流失预测模型计算得到被测高粘性用户的流失概率。

S422：判断被测高粘性用户的流失概率是否大于预设的流失概率阈值，若是，则判断被测高粘性用户为潜在流失用户，若否，则判断被测高粘性用户为非潜在流失用户。

在步骤S422中，流失概率阈值可根据实际情况设定。

S423：输出预测结果。

在步骤S423中，预测结果包括流失概率、预测状态和高粘性用户信息中的至少一种。其中，预测状态包括非潜在流失和潜在流失两种状态，例如，当判定被测高粘性用户为非潜在流失用户时，相应的预测状态可以为非潜在流失。高粘性用户信息包括用户名、用户级别及用户标签中的至少一种。

与前述高粘性用户流失预测方法对应，本发明还提供了一种高粘性用户流失预测装置，图8是本发明根据一示例性实施例示出的一种高粘性用户流失预测装置的结构框图，如图8所示，本发明的装置5包括存储器51和处理器52。所述存储器51存储有多条指令，所述多条指令可由所述处理器52加载并执行以上高粘性用户流失预测方法。

在一实施例中，图9是本发明根据另一示例性实施例示出的一种高粘性用户流失预测装置的结构框图，如图9所示，本发明的装置还包括一显示器53；所述显示器53显示由所述处理器52输出的预测结果。

在一实施例中，本发明的装置还包括一无线通信模块和/或蓝牙模块；所述无线通信模块和/或蓝牙模块将由处理器输出的预测结果发送至显示终端。

在一实施例中，本发明的高粘性用户流失预测装置可为一种具有数据处理功能、数据存储功能和数据收发功能的电子设备，该电子设备可以为计算机设备或移动端设备，且该电子设备的存储器存储有多条指令，该电子设备的处理器可加载并根据所述多条指令执行以上高粘性用户流失预测方法。

在示例性实施例中，本发明还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由装置的处理器执行完成以上高粘性用户流失预测方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)，CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (10)

1.一种高粘性用户流失预测方法，其特征在于，包括：

获取已流失高粘性用户和未流失高粘性用户；

根据所有高粘性用户的流失状态和预设周期内的行为特征数据筛选得到重要特征数据；

根据所有高粘性用户的流失状态和重要特征数据构建得到流失预测模型；

通过流失预测模型预测被测高粘性用户的流失状态，输出预测结果。

2.根据权利要求1所述的方法，其特征在于，所述获取已流失高粘性用户和未流失高粘性用户，具体包括以下步骤：

根据用户的注册天数及在第一预设时间段内的访问天数获得高粘性用户；根据获得的高粘性用户在第二预设时间段内的访问天数获得已流失高粘性用户和未流失高粘性用户。

3.根据权利要求1或2所述的方法，其特征在于，所述预测周期包括互不重叠的至少两个采集周期。

4.根据权利要求3所述的方法，其特征在于，重要特征数据通过特征选取模型根据所有高粘性用户的流失状态和预设周期内的行为特征数据筛选得到。

5.根据权利要求4所述的方法，其特征在于，所述特征选取模型通过计算行为特征数据的重要系数或行为特征数据在任两采集周期之间内的数值变化率的重要系数，筛选得到重要特征数据。

6.根据权利要求4或5所述的方法，其特征在于，所述通过流失预测模型预测被测高粘性用户的流失状态，输出预测结果，包括：

获取被测高粘性用户在所述预设周期内的重要特征数据；

流失预测模型处理被测高粘性用户的重要特征数据，输出预测结果。

7.根据权利要求1所述的方法，其特征在于，所述行为特征数据包括访问次数、观看主播数、观看品类数、发言次数、送礼次数、充值订单数和充值金额中的至少3种数据。

8.一种高粘性用户流失预测装置，其特征在于，包括存储器和处理器；所述存储器存储有多条指令，所述多条指令可由所述处理器加载并执行权利要求1～7任一项所述的高粘性用户流失预测方法。

9.根据权利要求8所述的装置，其特征在于，还包括显示器；所述显示器显示由所述处理器输出的预测结果。

10.一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，所述程序被处理器执行时实现权利要求1～7任一项所述的高粘性用户流失预测方法。