CN108932625B - 用户行为数据的分析方法、装置、介质和电子设备 - Google Patents

Abstract

本发明提供了一种用户行为数据的分析方法、装置、介质和电子设备。该分析方法包括：获取用户行为的样本数据；基于所述用户行为的样本数据，获得所述样本数据的特征集；根据所述样本数据的特征集，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析。本发明的技术方案能够提高自动实现对用户的筛选，提高了用户筛选的准确度，进而在一定程度上能够提高用户转化率，降低用户流失的几率。

Description

用户行为数据的分析方法、装置、介质和电子设备

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种用户行为数据的分析方法、装置、介质和电子设备。

背景技术

随着技术的发展，网上商城已经得到了广泛普及，对于网上商城的运营人员来说，如何提高用户转化率是一个重要问题。

目前，通用的做法是由运营人员凭经验来选择用户，并根据这些用户的信息生成相应的促销信息，然后将促销信息推送给用户。由于这种做法需要运营人员参与，并凭借经验在系统中筛选用户，因此不仅工作量较大，而且还存在用户筛选不准确等问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种用户行为数据的分析方法、装置、介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的第一方面，提供了一种用户行为数据的分析方法，包括：获取用户行为的样本数据；基于所述用户行为的样本数据，获得所述样本数据的特征集；根据所述样本数据的特征集，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析。

在本发明的一些实施例中，基于前述方案，获取用户行为的样本数据的步骤，包括：获取用户的历史浏览数据和历史订单数据；根据所述历史浏览数据和所述历史订单数据，生成用户的浏览及订单明细信息；根据所述浏览及订单明细信息，生成所述用户行为的样本数据。

在本发明的一些实施例中，基于前述方案，基于所述用户行为的样本数据，获得所述样本数据的特征集的步骤，包括：对所述用户行为的样本数据进行分类聚合，以得到所述样本数据的特征集。

在本发明的一些实施例中，基于前述方案，根据所述样本数据的特征集，通过逻辑回归算法进行模型训练的步骤，包括：从所述特征集包含的特征字段中选取第一预定数量个特征字段；根据选取出的预定数量个特征字段，从所述特征集中获取第二预定数量的特征数据；基于获取到的所述特征数据，通过逻辑回归算法进行模型训练。

在本发明的一些实施例中，基于前述方案，从所述特征集包含的特征字段中选取第一预定数量个特征字段的步骤，包括：确定所述特征集包含的各个特征字段的重要性级别；根据所述各个特征字段的重要性级别由高到低的顺序，从所述特征集包含的特征字段中选取所述第一预定数量个特征字段。

在本发明的一些实施例中，基于前述方案，确定所述特征集包含的各个特征字段的重要性级别的步骤，包括：从所述特征集中选取部分特征数据；基于所述部分特征数据，通过随机森林算法确定所述特征集包含的各个特征字段的重要性级别。

在本发明的一些实施例中，基于前述方案，基于获取到的所述特征数据，通过逻辑回归算法进行模型训练的步骤，包括：将获取到的所述特征数据进行随机打乱；将随机打乱后的所述特征数据分为训练数据和验证数据；根据所述训练数据和所述验证数据，通过逻辑回归算法进行模型训练。

在本发明的一些实施例中，基于前述方案，根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析的步骤，包括：从所述用户行为的样本数据中获取在预定时间内进行了浏览但并未下单的样本数据；根据获取到的在所述预定时间内进行了浏览但并未下单的样本数据，获得特征字段的值；根据获得的特征字段的值，调用所述逻辑回归模型进行计算，得到目标用户群。

在本发明的一些实施例中，基于前述方案，还包括：向所述目标用户群发送推送消息。

在本发明的一些实施例中，基于前述方案，所述用户行为的样本数据包括第一类样本数据和第二类样本数据，所述第一类样本数据包括用户在预定时间内进行了浏览并下单的数据，所述第二类样本数据包括用户在预定时间内进行了浏览但并未下单的数据。

根据本发明的第二方面，提供了一种用户行为数据的分析装置包括：第一获取单元，用于获取用户行为的样本数据；第二获取单元，用于基于所述用户行为的样本数据，获得所述样本数据的特征集；模型训练单元，用于根据所述样本数据的特征集，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；处理单元，用于根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析。

根据本发明的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述的用户行为数据的分析方法。

根据本发明的第四方面，提供了一种电子设备，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时，使得所述一个或多个处理器实现如上述第一方面所述的用户行为数据的分析方法。

在本发明的一些实施例所提供的技术方案中，通过基于样本数据的特征集和逻辑回归算法进行模型训练，得到逻辑回归模型，进而通过逻辑回归模型来对用户的行为进行分析，使得能够根据用户的行为数据找到目标用户群，如即将流失的用户，进而能够采取相应的措施，比如向目标用户群推送促销信息等。可见，本发明实施例的技术方案能够提高自动实现对用户的筛选，提高了用户筛选的准确度，进而在一定程度上能够提高用户转化率，降低用户流失的几率。

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。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。在附图中：

图1示意性示出了根据本发明的实施例的用户行为数据的分析方法的流程图；

图2示意性示出了图1中所示的步骤S14的一种具体实现过程的流程图；

图3示意性示出了根据本发明的实施例的用户行为数据的分析系统的架构图；

图4示意性示出了根据本发明的实施例的生成特征值的流程图；

图5示意性示出了根据本发明的实施例的特征值选取的流程图；

图6示意性示出了根据本发明的实施例的模型训练的流程图；

图7示意性示出了根据本发明的实施例的查找即将流失的用户的流程图；

图8示意性示出了根据本发明的实施例的促销推送流程图；

图9示意性示出了根据本发明的实施例的用户行为数据的分析装置的框图；

图10示意性示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示意性示出了根据本发明的实施例的用户行为数据的分析方法的流程图。

参照图1，根据本发明的实施例的用户行为数据的分析方法，包括：

步骤S10，获取用户行为的样本数据。

根据本发明的示例性实施例，步骤S10包括：获取用户的历史浏览数据和历史订单数据；根据所述历史浏览数据和所述历史订单数据，生成用户的浏览及订单明细信息；根据所述浏览及订单明细信息，生成所述用户行为的样本数据。

在本发明的实施例中，所述用户行为的样本数据包括第一类样本数据和第二类样本数据，所述第一类样本数据包括用户在预定时间内进行了浏览并下单的数据，所述第二类样本数据包括用户在预定时间内进行了浏览但并未下单的数据。

需要说明的是，第一类样本数据可以称之为正样本数据，第二类样本数据可以称之为负样本数据，即获取到的用户行为的样本数据需要包含正样本数据和负样本数据。

步骤S12，基于所述用户行为的样本数据，获得所述样本数据的特征集。

根据本发明的示例性实施例，步骤S12具体包括：对所述用户行为的样本数据进行分类聚合，以得到所述样本数据的特征集。

步骤S14，根据所述样本数据的特征集，通过逻辑回归算法进行模型训练，以得到逻辑回归模型。

根据本发明的示例性实施例，如图2所示，步骤S14具体包括：

步骤S142，从所述特征集包含的特征字段中选取第一预定数量个特征字段。

根据本发明的示例性实施例，步骤S142包括：确定所述特征集包含的各个特征字段的重要性级别；根据所述各个特征字段的重要性级别由高到低的顺序，从所述特征集包含的特征字段中选取所述第一预定数量个特征字段。

需要说明的是，由于特征集包含的特征字段个数可能较多，而且有些特征字段并不是特别重要，因此可以挑选出重要性级别较高的部分特征字段，这样既能够提高算法效率，也能够确保得到较合适的逻辑回归模型。

在本发明的实施例中，确定所述特征集包含的各个特征字段的重要性级别的步骤，包括：从所述特征集中选取部分特征数据；基于所述部分特征数据，通过随机森林算法确定所述特征集包含的各个特征字段的重要性级别。

步骤S144，根据选取出的预定数量个特征字段，从所述特征集中获取第二预定数量的特征数据。

需要说明的是，第二预定数量的特征数据中需要包含正特征数据和负特征数据，优选地，正特征数据和负特征数据的比例可以控制在1:1～1:2之间。

步骤S146，基于获取到的所述特征数据，通过逻辑回归算法进行模型训练。

根据本发明的示例性实施例，步骤S146包括：将获取到的所述特征数据进行随机打乱；将随机打乱后的所述特征数据分为训练数据和验证数据；根据所述训练数据和所述验证数据，通过逻辑回归算法进行模型训练。

继续参照图1，所示的用户行为数据的分析方法还包括：

步骤S16，根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析。

根据本发明的示例性实施例，步骤S16包括：从所述用户行为的样本数据中获取在预定时间内进行了浏览但并未下单的样本数据；根据获取到的在所述预定时间内进行了浏览但并未下单的样本数据，获得特征字段的值；根据获得的特征字段的值，调用所述逻辑回归模型进行计算，得到目标用户群。

在本发明的实施例中，当得到目标用户群之后，可以向所述目标用户群发送推送消息，以提高用户转化率。

以下结合图3至图8以分析用户的行为数据来查找即将流失的用户为例，详细说明本发明的技术方案。

参照图3，根据本发明的实施例的系统架构，包括：

Hadoop集群：基于hadoop(是由Apache基金会所开发的分布式系统基础架构，能对海量数据进行查询分析计算)搭建的集群，里面存储了用户对网上商城页面的历史浏览日志、以及用户的历史订单记录；

Storm(是一个分布式实时流计算框架，能做到实时的对数据进行分析计算)集群：基于strom+kafka搭建的集群，主要用于实时收集网上商城用户的页面浏览行为以及是否有实时下单的数据；

elasticsearch集群：基于elasticsearch(是基于Lucene的搜索服务器)搭建的集群，提供高效快速的搜索或者查询功能；在本发明的实施例中，elasticsearch的数据主要包括：网上商城用户是即将流失用户的可行性概率值(概率值越大越说明可能是即将流失的用户)；

jimdb集群：jimdb集群是基于redis二次开发的一个缓存服务器；这里用它存储当天用户实时的订单信息；

Spark集群：基于spark搭建的集群，主要利用它能对海量数据进行快速计算的能力，通过对“用户历史数据处理分析模块”中的数据进行即将流失用户模型建设并保留模型；

用户历史数据分析模块：该模块主要是通过编写hive的hql语言(类似数据库的SQL语言)，然后配合“Hadoop集群”中的用户页面历史浏览日志和用户历史订单表，通过对两个表的关联，首先找出正、负样本数据。其中，正样本数据可以定义为：3天内(具体数值仅为示例，并不作具体限定)浏览了网上商城，并最终下单的用户；负样本数据可以定位为：3(具体数值仅为示例，并不作具体限定)天内浏览了网上商城，没有下单的用户；

用户实时流分析模块：该模块主要是通过对网上商城Storm集群的利用，在storm中编写对应的blot代码模块(就是写java代码逻辑)；对用户实时下单进行记录，最终数据存入jimdb集群(就是redis)；

生成即将流失用户模型模块：该模块是最核心模块，该模块主要是利用spark(专为大规模数据处理而设计的快速通用的计算引擎)快速计算海量数据的能力，通过随机森林算法选取特征值，然后再利用逻辑回归算法建立即将流失用户模型；

生成即将流失用户数据模块：该模块是利用“即将流失用户模型”找出符合条件的用户数据；

促销推送模块：该模块是将相应的促销推送消息推送给(比如通过app消息、短信消息等方式进行推送)找出的符合条件的用户。

需要说明的是，上述实施例中的各个模块仅为示例，在本发明的其它实施例中，可以根据实际情况进行添加或删除。

为了找出即将流失的用户数据，需要生成一个即将流失用户模型，同时这个模型会保持持续更新，模型的生成分为三大块：生成特征值、特征值选取和模型训练，具体说明如下：

生成特征值：

参照图4，根据本发明的实施例的生成特征值的流程如下：

1、通过对存储在hadoop集群中的“用户历史浏览记录”和“用户历史订单数据”进行关联，查询出用户浏览订单明细信息。

2、通过对用户浏览订单明细信息进行分类，生成正负样本数据明细。其中，正样本数据可以定义为：3天内(具体数值仅为示例，并不作具体限定)浏览了网上商城，并最终下单的用户；负样本数据可以定位为：3(具体数值仅为示例，并不作具体限定)天内浏览了网上商城，没有下单的用户。

3、对正负样本数据进行分类聚合计算得出正负样本的正负特征值表，然后把正负特征数据存储到hadoop集群中，以方便后续流程读取该数据。

在本发明的实施例中，最终生成的正负特征值表的字段(记为Features)可以包括：user_id(用户唯一编码)，label(特征值：0/1,0代表负样本，1代表正样本)、pv(流量数)、avg_pv(平均每个商品浏览数)、view_num(浏览商品数)、add_cart_num(加到购物车次数)、rm_cart_num(从购物车移除次数)、visit_time(页面平均停留时长)、click_comment(评论点击数)、click_detail(商品明细点击数)、ask_kefu(询问客服次数)、click_good_comment(点击好评次数)、click_bad_comment(点击差评次数)、click_act_num(闪购活动点击次数)、like_num(收藏商品次数)、first_pv_to_ord(第一次浏览距离购买时间距离)、last_pv_to_ord(最后一次浏览距离购买时间距离)、first_add_to_ord(第一次加购物车距离购买时间距离)、last_add_to_ord(最后一次加购物车距离购买时间距离)、click_dep(页面点击深度)、ord_pinglv(用户闪购下单频率)、user_ord_day(用户平均下单间隔天数)、user_level(用户在闪购等级)等字段。这些字段可以根据实际情况进行新增或删除。

特征值选取：

参照图5，根据本发明的实施例的特征值选取的流程如下：

1、利用spark-sql技术，从hadoop集群中的hive表中查询出“正负特征数据”，然后返回正样本50W数据、负样本60W数据，将这110W数据保存到指定文件并存储到指定目录下。需要说明的是，此处的具体数值仅为示例，并不作具体限定。

2、读取第一步中的指定文件，然后生成随机森林算法能够识别的训练数据P。

在本发明的实施例中，训练数据的格式可以如下：[label,向量[pv,arg_pv,view_num,add_cart_num,rm_cart_num,visit_time,click_comment,click_detail,ask_kefu,click_good_comment,click_bad_comment,click_act_num,like_num,first_pv_to_ord,last_pv_to_ord,first_add_to_ord,last_add_to_ord,click_dep,ord_pinglv,user_ord_day,user_level]。

3、利用spark_sklearn中的随机森林算法对上一步中的训练数据进行训练。其中，该算法是sklearn库中封装好的api，可以直接调用，调用的类和方法如下：

forest＝RandomForestClassifier(n_estimators＝10000,random_state＝0,n_jobs＝-1)；forest.fit(训练数据P)。

在调用随机森林算法对上一步中的训练数据进行训练后，可以调用importances＝forest.feature_importances_。importances[特征字段]会输出这个“特征字段”的重要性值(0到1之间的值)，例如importances[arg_pv]＝0.53，表示arg_pv这个特征的重要程度为0.53。最后把这些重要特征值的字段值按从大到小进行排序，取最前面的16个保存到spark的内存中(同时存一份到jimdb)，待后续流程使用。需要说明的是，此处的具体数值仅为示例，并不作具体限定。

需要说明的是，上述“特征值选取”的目的主要是对初步设定的特征值进行分析，找出最重要的几个特征值进行最终的模型训练。这一过程可以一段时间(如一个月)执行一次，目的是保证能够对特征进行及时更新，同时也可以加入新的特征值。

模型训练：

参照图6，根据本发明的实施例的模型训练的流程如下：

1、从spark集群的内存中取得“选取特征值”步骤中选取出的特征字段，然后再利用spark-sql编写hql，从“Hadoop集群”中的“用户样本明细数据”表中选择只是这些特征字段的数据，然后分别选择返回50W的正样本、60W的负样本。需要说明的是，此处的具体数值仅为示例，并不作具体限定。

2、对选择的50W正样本和60W负样本进行随机打乱整合在一起，然后随机分成两大块，一块是占70％的训练数据(记为trainingSample)，一块是占30％的验证数据(记为testSample)；然后利用spark中的RDD的map功能，把选择出的数据转化为后续算法可识别的格式。具体格式类似如下：[label,向量[pv,arg_pv,view_num,add_cart_num,rm_cart_num,visit_time,click_comment,click_detail,ask_kefu,click_good_comment,click_bad_comment,click_act_num,like_num,first_pv_to_ord,last_pv_to_ord，click_dep]。需要说明的是，此处的具体数值仅为示例，并不作具体限定。

3、利用spark-MLLib中的逻辑回归算法进行模型训练，然后对训练好的逻辑回归模型(记为：LRModel)进行对验证数据的测试；重复上述过程3次，选取验证率最高的一次。然后把该模型保存到spark中(指定一个目录路径保存)。

需要说明的是，此处的具体数值仅为示例，并不作具体限定。spark-MLLib中的逻辑回归算法是spark中自带的一个模块，专门用于机器学习算法，此时用到的关键代码api如下：val LRModel＝newLogisticRegressionWithLBFGS().run(trainingSkuSample)。

查找即将流失的用户：

该过程是找到即将流失的用户，本发明实施例的依据点在于：由于之前建立的模型是基于用户购买商品和没有购买商品两类来区分的，假如对用户最近一段时间的浏览进行分析后发现该用户在模型里面被判断出来是购买用户，而他实际最近几天没有下单，那就可能认为他是即将流失的用户。

参照图7，根据本发明的实施例的查找即将流失的用户的流程如下：

1、通过spark-sql编写hql语句，从hadoop集群中通过“用户历史浏览网页数据”和“用户历史订单数据”两个表关联，找出“最近3天有浏览记录并且没有下单的用户”的明细数据，然后再把这些明细数据转换成前面所述的特征字段对应的数据值；

2、然后对转换得到的数据值进行筛选，只要存储在spark内存中的特征字段对应的值数据，即只要之前选取出的特征字段对应的值数据，将这部分数据记为Data；

3、把所述的Data数据通过spark的map方法，转换成逻辑回归模型能够识别的数据格式。在本发明的实施例中，该数据格式可以如下：

(user_id,feature),其中feature的格式类似如下[pv,arg_pv,view_num,add_cart_num,rm_cart_num,visit_time,click_comment,click_detail,ask_kefu,click_good_comment,click_bad_comment,click_act_num,like_num,first_pv_to_ord,last_pv_to_ord，click_dep]。

然后调用之前保存在spark集群中的逻辑回归模型LRModel，通过调用它的predict方法，返回0/1两个值，如果返回的是1，就代表该用户可能是即将流失的用户；然后把这个用户的user_id存储到elasticsearch集群中，方便后续流程调用。

促销推送流程：

参照图8，根据本发明的实施例的促销推送流程如下：

1、从“elasticsearch集群”中获取到即将流失的用户数据，然后基于“jimdb集群”中的数据判断这些用户是否今日已经下过订单了，如果下过订单就把该用户从即将流失的用户数据中删除；如果没有下过订单，则继续下面流程；

2、调用“促销推送模块”的接口，把user_id和折扣力度(1-10之间的数字，例如9就是优惠力度到9折的样子，这个值是运营人员设定的值)传送给“促销推送模块”，“促销推送模块”会在一段时间(如10分钟)后发送促销信息给用户。

需要说明的是，促销推送模块可以是一个单独系统，该系统可以根据输入的user_id，实时分析出该用户喜欢的促销类型，例如是满减、还是满赠、还是几免几、还是价格直降等等，然后生成一个符合折扣力度的促销信息推送给用户。

图9示意性示出了根据本发明的实施例的用户行为数据的分析装置的框图。

参照图9，根据本发明的实施例的用户行为数据的分析装置900，包括：第一获取单元902、第二获取单元904、模型训练单元906和处理单元908。

具体地，第一获取单元902用于获取用户行为的样本数据；第二获取单元904用于基于所述用户行为的样本数据，获得所述样本数据的特征集；模型训练单元906用于根据所述样本数据的特征集，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；处理单元908用于根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析。

需要说明的是，上述用户行为数据的分析装置900中包含的各模块/单元的具体细节已经在对应的用户行为数据的分析方法中进行了详细的描述，因此此处不再赘述。

下面参考图10，其示出了适于用来实现本发明实施例的电子设备的计算机系统1000的结构示意图。图10示出的电子设备的计算机系统1000仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分608加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的用户行为数据的分析方法。

例如，可以实现如图1中所示的：步骤S10，获取用户行为的样本数据；步骤S12，基于所述用户行为的样本数据，获得所述样本数据的特征集；步骤S14，根据所述样本数据的特征集，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；步骤S16，根据所述用户行为的样本数据，通过所述逻辑回归模型对用户的行为进行分析。

又如，所述的电子设备可以实现如图2，以及图4至图8中任一图所示的流程。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种用户行为数据的分析方法，其特征在于，包括：

获取用户行为的样本数据；

基于所述用户行为的样本数据，获得所述样本数据的特征集；

从所述特征集中选取部分特征数据；

基于所述部分特征数据，通过随机森林算法确定所述特征集包含的各个特征字段的重要性级别；

根据所述各个特征字段的重要性级别由高到低的顺序，从所述特征集包含的特征字段中选取第一预定数量个特征字段；

根据选取出的预定数量个特征字段，从所述特征集中获取第二预定数量的特征数据；其中，所述第二预定数量的特征数据中包含正特征数据和负特征数据，所述正特征数据和所述负特征数据的比例控制在1:1～1:2之间；所述正特征数据为在预定时间内进行了浏览并下单的数据；

基于获取到的所述特征数据，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；

从所述用户行为的样本数据中获取在预定时间内进行了浏览但并未下单的样本数据；其中，所述在预定时间内进行了浏览但并未下单的样本数据为负样本数据；

根据获取到的在所述预定时间内进行了浏览但并未下单的样本数据，获得特征字段的值；

根据获得的特征字段的值，调用所述逻辑回归模型进行计算，得到返回值，根据返回值得到目标用户群；其中，返回值为0/1，当返回值为1时，代表用户为即将流失的用户。

2.根据权利要求1所述的用户行为数据的分析方法，其特征在于，获取用户行为的样本数据的步骤，包括：

获取用户的历史浏览数据和历史订单数据；

根据所述历史浏览数据和所述历史订单数据，生成用户的浏览及订单明细信息；

根据所述浏览及订单明细信息，生成所述用户行为的样本数据。

3.根据权利要求1所述的用户行为数据的分析方法，其特征在于，基于所述用户行为的样本数据，获得所述样本数据的特征集的步骤，包括：

对所述用户行为的样本数据进行分类聚合，以得到所述样本数据的特征集。

4.根据权利要求1所述的用户行为数据的分析方法，其特征在于，基于获取到的所述特征数据，通过逻辑回归算法进行模型训练的步骤，包括：

将获取到的所述特征数据进行随机打乱；

将随机打乱后的所述特征数据分为训练数据和验证数据；

根据所述训练数据和所述验证数据，通过逻辑回归算法进行模型训练。

5.根据权利要求1所述的用户行为数据的分析方法，其特征在于，还包括：向所述目标用户群发送推送消息。

6.根据权利要求1至5中任一项所述的用户行为数据的分析方法，其特征在于，所述用户行为的样本数据包括第一类样本数据和第二类样本数据，所述第一类样本数据包括用户在预定时间内进行了浏览并下单的数据，所述第二类样本数据包括用户在预定时间内进行了浏览但并未下单的数据。

7.一种用户行为数据的分析装置，其特征在于，包括：

第一获取单元，用于获取用户行为的样本数据；

第二获取单元，用于基于所述用户行为的样本数据，获得所述样本数据的特征集；

模型训练单元，用于从所述特征集中选取部分特征数据；

基于所述部分特征数据，通过随机森林算法确定所述特征集包含的各个特征字段的重要性级别；

根据所述各个特征字段的重要性级别由高到低的顺序，从所述特征集包含的特征字段中选取第一预定数量个特征字段；

根据选取出的预定数量个特征字段，从所述特征集中获取第二预定数量的特征数据；其中，所述第二预定数量的特征数据中包含正特征数据和负特征数据，所述正特征数据和所述负特征数据的比例控制在1:1～1:2之间；所述正特征数据为在预定时间内进行了浏览并下单的数据；

基于获取到的所述特征数据，通过逻辑回归算法进行模型训练，以得到逻辑回归模型；

处理单元，用于从所述用户行为的样本数据中获取在预定时间内进行了浏览但并未下单的样本数据；其中，所述在预定时间内进行了浏览但并未下单的样本数据为负样本数据；

根据获取到的在所述预定时间内进行了浏览但并未下单的样本数据，获得特征字段的值；

根据获得的特征字段的值，调用所述逻辑回归模型进行计算，得到返回值，根据返回值得到目标用户群；其中，返回值为0/1，当返回值为1时，代表用户为即将流失的用户。

8.一种计算机可读介质，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如权利要求1至6中任一项所述的用户行为数据的分析方法。

9.一种电子设备，其特征在于，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时，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的用户行为数据的分析方法。

Images