CN109272332B - 一种基于递归神经网络的客户流失预测方法 - Google Patents
一种基于递归神经网络的客户流失预测方法 Download PDFInfo
- Publication number
- CN109272332B CN109272332B CN201810870865.1A CN201810870865A CN109272332B CN 109272332 B CN109272332 B CN 109272332B CN 201810870865 A CN201810870865 A CN 201810870865A CN 109272332 B CN109272332 B CN 109272332B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- client
- layer
- customer
- 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.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 22
- 230000014759 maintenance of location Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06Q30/01—Customer relationship services
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于递归神经网络的客户流失预测方法，包括：(1)获取客户数据并对数据进行预处理；(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个T行特征构成的二维数据单元；(3)将所有用户的T行二维数据，构成模型的输入特征矩阵；(4)定义标签，构成被试数据；(5)构建混合递归神经网络，预测客户的流失；(6)将模型训练部分的客户数据经过步骤(1)‑(4)的处理后输入至所述混合递归神经网络中进行模型训练，得到混合递归神经网络模型；(7)采用混合递归神经网络模型对客户进行流失预测。本发明能够有效提高客户流失预测的准确率，同时减少客户历史数据特征工程的工作量。
Description
技术领域
本发明涉及客户关系管理领域，尤其涉及一种基于递归神经网络的客户流失预测方法。
背景技术
客户关系管理要求以客户为中心的企业文化来支持有效的市场营销、销售与服务流程，其最终目的是吸引新客户、保留旧客户以及将已有的客户转为忠实用户。研究表明，当前市场条件下，保留旧客户与挖掘新客户相比，前者能够带来更大的经济收益。近年来，人们通过利用机器学习方法来预测客户的流失，以提高企业的利润。
深度学习是一种新型的机器学习方法，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)等深度学习结构已成功应用于计算机视觉、语音识别、自然语言处理等领域。深度神经网络相比较于浅层神经网络，多出的层次为模型提供了更高的抽象层次，提高了模型的预测能力。针对复杂多变的客户关系管理环境，如何利用新型的深度学习方法对客户的流失进行高效预测，是亟待解决的问题。
发明内容
本发明的目的在于提供一种基于递归神经网络的客户流失预测方法。本发明能够提高客户流失预测的准确性。
本发明的目的能够通过以下技术方案实现：
一种基于递归神经网络的客户流失预测方法，具体步骤包括：
(1)获取客户数据，对客户数据进行预处理；
(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个由T行特征构成的二维数据单元
(3)将所有用户的T行二维数据
依次纵向拼接起来，构成输入特征矩阵
即客户数据矩阵；
(4)根据数据提供者标注的客户是否为流失客户的信息来设置每个客户的标签取值；流失客户的标签设置为1，非流失客户的标签设置为0，得到标签数据
与(3)中的输入特征矩阵相结合构成被试数据。
(5)构建混合递归神经网络，用于预测客户的流失；
(6)将模型训练部分的客户数据，经过步骤(1)-(4)的处理，将得到的被试数据输入至所构建的混合递归神经网络中进行模型训练，获得混合卷积神经网络的参数，得到用于客户流失预测的混合递归神经网络模型；
(7)将获得的客户数据依次进行步骤(1)-(3)的处理，将得到的客户数据矩阵输入到混合递归神经网络模型中进行客户流失预测。
具体地，所述步骤(1)中的预处理包括数据清洗、缺失值填充、数值化和数据归一化处理；客户数据包括客户特征信息、产品特征信息、客户的产品或业务使用信息、客户的行为和反馈信息以及每个客户的每一条客户数据的采集的时间，例如客户A的第一条客户数据是在2018年1月份采集获得的。
所述数值化是指将字符串数据转化为整数的处理。
所述数据归一化处理是将数值型特征映射到一个给定的区间当中，确保特征对模型的影响是平等的。
进一步地，所述数据归一化处理采用max-min数据归一化法，具体计算公式为：
其中，max表示数据归一化集合中的最大值，min表示数据归一化集合中的最小值，x表示数据归一化的当前值，x*表示数据归一化的归一化值。
确定时序长度T，客户u在t单位时间的信息，即特征
其中u＝1，2，...，U，t＝1，2，3，4，U为客户总数，M为“一行特征”的维度，也就是特征矩阵的列数。
具体地，所述步骤(2)中的一行特征表示某个客户u在一个单位时间的特征向量，用
表示，其中T表示总的时间单位的长度，M表示客户u在1个单位时间的特征维度。
具体地，所述步骤(4)中，只有所述被试数据中每个客户的第T行包含标签值，而该客户对应的被试数据的其他行置为空。缺省地，标签取值为0表示非流失客户，标签取值为1表示流失客户。
具体地，所述步骤(5)中构建的混合递归神经网络，从输入到输出依次为输入层、嵌入层、乘积层、递归层、第一全连接层、第二全连接层以及输出层。
更进一步地，所述输入层的输入由N个输入域组成，所述输入域对应输入特征矩阵中属于某类特征的若干列，输入特征矩阵中的所有列根据所属的特征类别不同，分为N个不同的输入域。
其中每个输入域都通过一个全连接神经网络与所述嵌入层中的一个嵌入单元相连，每个嵌入单元输出一个维度为K的嵌入向量。缺省地，K的值取10。
更进一步地，所述乘积层通过计算不同嵌入向量之间的向量乘积或者向量点乘得到相关向量。所述乘积层除了通过计算输出相关向量外，也能够直接输出嵌入向量。乘积层将得到的相关向量和嵌入向量拼接得到组合特征矩阵，然后将所述组合特征矩阵转换成包含客户、时间序列、特征的三维张量作为乘积层的输出。
更进一步地，所述递归神经网络为具有c个记忆单元的LSTM层，缺省地，c取2，LSTM输出矩阵为VR，
h取256。
更进一步地，所述第一个全连接层是全连接神经网络层，其中节点个数为n_1，缺省取值为50，激活函数为ReLU，dropout的保留概率取值为p，缺省地，p取值为0.9；其中dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，保留概率(keep_prob)则为一个神经单元保留的概率，0.9则表示该神经单元被保留的概率为0.9。
更进一步地，所述第二个全连接层是全连接神经网络层，其中节点个数为n_2，缺省取值为100，激活函数为ReLU，dropout的保留概率取值为p，缺省地，p取值为0.9。
更进一步地，所述输出层为单节点，激活函数为Sigmoid，dropout层的保留概率设置为p，缺省地，p取值为0.9。
具体地，所述递归神经网络的模型损失函数采用交叉熵。
本发明相较于现有技术，具有以下的有益效果：
1、本发明提高了客户流失预测的准确性；
2、本发明采用递归神经网络来实现用户行为预测，减少了训练预测模型的特征工程工作量，能够较好地捕捉特征之间的关联关系，自动利用序列输入的时序性信息。
附图说明
图1为一种基于递归神经网络的客户流失预测方法的具体流程图；
图2为一种基于递归神经网络的客户流失预测模型的网络结构示意图；
图3为单个状态下的LSTM结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示为一种基于递归神经网络的客户流失预测方法的具体流程图，具体步骤包括：
(1)获取客户数据，对客户数据进行预处理；
具体地，所述步骤(1)中的数据预处理包括数据清洗、缺失值填充、数值化和数据归一化处理；
具体地，所述步骤(1)中的客户数据包括客户特征信息、产品特征信息、客户的产品或业务使用信息、客户的行为和反馈信息以及每个客户的每一条客户数据的采集的时间。
更进一步地，所述数值化是指将字符串数据转化为整数的处理。
所述数据归一化处理是将数值型特征映射到一个给定的区间当中，确保特征对模型的影响是平等的。
在本实施例中，字符串类型数据采用One-Hot编码来得到数值特征数据。
所述数据归一化处理采用max-min数据归一化法，具体计算公式为：
其中，max表示数据归一化集合中的最大值，min表示数据归一化集合中的最小值，x表示数据归一化的当前值，x*表示数据归一化的归一化值。
(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个由T行特征构成的二维数据单元
所述步骤(2)中的一行特征表示某个客户u在某个单位时间的特征信息，用
表示，其中T表示总的时间单位的长度，M表示客户u在1个单位时间的特征维度。
在本实施例中，确定时序长度T为4，客户u在t单位时间的信息，即特征
其中u＝1，2，...，U，t＝1，2，3，4，U为客户总数，M为“一行特征”的维度。U、M的具体取值视实际情况而定。
(3)将所有用户的T行二维数据
依次纵向拼接起来，构成输入特征矩阵
即客户数据矩阵；
在本实施例中，将所有用户的4行特征数据再依次纵向拼接起来，构成模型的输入特征矩阵
(4)根据数据提供者标注的客户是否为流失客户的信息来设置每个客户的标签取值；得到标签数据
与(3)中的输入特征矩阵相结合构成被试数据。
在本实施例中，根据是否为流失客户来定义每个客户的标签，标签取值为yu∈{0，1}，u＝1，2，...，U，所有被试客户标签
作为流失预测模型的输入标签，其中0代表非流失客户，1代表流失客户，Y与X构成客户流失预测模型的被试数据，其中标签信息只有每个客户的第4行包含，其他行置为空。
(5)构建混合递归神经网络，用于预测客户的流失；
具体地，所述步骤(5)中构建的混合递归神经网络，从输入到输出依次为输入层、嵌入层、乘积层、递归层、第一全连接层、第二全连接层以及输出层。
如图2所示为基于递归神经网络的客户流失预测模型网络结构的示意图。在本实施例中，所构建的神经网络模型从输入到输出的组成部分如下所示：
所述输入层由若干个输入域组成，不同输入域对应特征矩阵
中某类特征的若干列，即X＝[F1，F2，...，FN]。其中，N为特征类别的个数。Fi＝[F1，i，F2，i，...，FU，i]T，
i＝1，2，...，N，si为第i类特征对应的列数，
Fu，i＝[fu，1，i，fu，2，i，fu，3，i，fu，4，i]T，
u＝1，2，...，U，其中
t＝1，2，...，4为客户u在第t个单位时间的输入域i的特征向量。
一个输入域通过全连接神经网络与一个嵌入单元相连，将其变为一个嵌入特征矩阵Ei＝[E1，i，E2，i，...，EU，i]T，
Eu，i＝[eu，1，i，eu，2，i，eu，3，i，eu，4，i]T，
为一个客户的嵌入特征单元矩阵，其中
为用户u在第t个单位时间的输入域i的嵌入向量。将得到的嵌入特征矩阵进行拼接，得到线性特征矩阵
嵌入向量之间的相互关系具体表示为：
优选地，所述相互关系可以为向量乘积或者点乘等。其中向量点乘的计算公式为：
向量点乘共有L＝N*(N-1)/2个向量对，通过向量点乘得到特征相关矩阵
将特征相关矩阵和嵌入向量矩阵拼接得到组合特征矩阵
其中L*＝10*N+L。
将组合特征矩阵VP作为输入，此时需要经过转换传给递归神经网络层，转换后的输入特征变为三维张量
递归神经网络是LSTM网络。单个状态下的LSTM的结构图如图3所示。递归神经网络输出特征矩阵VR，
LSTM的记忆单元cell个数设置为2。
将VR输入到节点个数为100的第一个全连接层得到
其中
为权重矩阵，
为偏置项，其中dropout层的保留概率设置为0.9。
将l1输入到节点个数为50的第二个全连接层得到
其中
为权重矩阵，
为偏置项，其中dropout层的保留概率设置为0.9。
将l2输入到输出层得到
其中
为权重矩阵，
为偏置项，其中dropout层的保留概率设置为0.9。
损失函数采用交叉熵，计算公式为：
其中等式右边第二项为正则化项及其系数。
(6)将模型训练部分的客户数据，经过步骤(1)-(4)的处理，将将被试数据输入至所构建的混合递归神经网络中进行模型训练，获得混合卷积神经网络的参数，得到用于客户流失预测的混合递归神经网络模型；
(7)将获得的客户数据依次进行步骤(1)-(3)的处理，将得到的客户数据矩阵输入到混合递归神经网络模型中进行客户流失预测。
在本实施例中，将目标用户历史数据信息输入混合递归神经网络模型，得到一个0～1的实数py，表示目标用户为流失用户的概率。设置阈值τ＝0.5，若是py＞τ，则目标用户为流失客户，否则为非流失客户。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.一种基于递归神经网络的客户流失预测方法，应用在客户关系管理中,其特征在于，具体步骤包括：
(1)获取客户数据，对客户数据进行预处理；
(2)将同一个客户T个时间单位的一行特征，按时间倒序依次排列，组成一个由T行特征构成的二维数据单元
(3)将所有用户的T行二维数据
依次纵向拼接起来，构成输入特征矩阵
即客户数据矩阵；
(4)根据数据提供者标注的客户是否为流失客户的信息来设置每个客户的标签取值；流失客户的标签设置为1，非流失客户的标签设置为0，得到标签数据
与步骤(3)中的输入特征矩阵相结合构成被试数据；
(5)构建混合递归神经网络，用于预测客户的流失；
(6)将模型训练部分的客户数据，经过步骤(1)-(4)的处理，将得到的被试数据输入至所构建的混合递归神经网络中进行模型训练，获得混合卷积神经网络的参数，得到用于客户流失预测的混合递归神经网络模型；
(7)将获得的客户数据依次进行步骤(1)-(3)的处理，将得到的客户数据矩阵输入到混合递归神经网络模型中进行客户流失预测；
所述步骤(5)中构建的混合递归神经网络，从输入到输出依次为输入层、嵌入层、乘积层、递归层、第一全连接层、第二全连接层以及输出层；所述输入层的输入由N个输入域组成，其中每个输入域都通过一个全连接神经网络与所述嵌入层中的一个嵌入单元相连；所述乘积层通过计算不同嵌入向量之间的向量乘积或者向量点乘得到相关向量。
2.根据权利要求1所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述步骤(1)中的数据预处理包括数据清洗、缺失值填充、数值化和数据归一化处理；
所述步骤(1)中的客户数据包括客户特征信息、产品特征信息、客户的产品或业务使用信息、客户的行为和反馈信息以及对应信息的采集时间。
3.根据权利要求2所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述数据归一化处理采用max-min数据归一化法，具体计算公式为：
其中，max表示数据归一化集合中的最大值，min表示数据归一化集合中的最小值，x表示数据归一化的当前值，x*表示数据归一化的归一化值。
4.根据权利要求1所述的一种基于递归神经网络的客户流失预测方法，其特征在于，在所述步骤(4)中，只有被试数据中每个客户的第T行包含标签取值，而该客户对应的被试数据的其他行置为空；缺省地，标签取值为0表示非流失客户，标签取值为1表示流失客户。
5.根据权利要求4所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述输入层中的输入域对应输入特征矩阵中属于某类特征的若干列，输入特征矩阵中的所有列根据所属的特征类别不同，分为N个不同的输入域；所述嵌入层中的每个嵌入单元输出一个维度为K的嵌入向量；缺省地，K的值取10。
6.根据权利要求4所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述乘积层将得到的相关向量和嵌入向量拼接得到组合特征矩阵，然后将所述组合特征矩阵转换成包含客户、时间序列、特征的三维张量作为乘积层的输出；所述乘积层除了通过计算输出相关向量，也能够直接输出嵌入向量。
7.根据权利要求4所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述第一全连接层是全连接神经网络层，节点个数为n_1，缺省取值为50，激活函数为ReLU，dropout的保留概率取值为p，缺省地，p取值为0.9；
所述第二全连接层是全连接神经网络层，节点个数为n_2，缺省取值为100，激活函数为ReLU，dropout的保留概率取值为p，缺省地，p取值为0.9；
所述输出层为单节点，激活函数为Sigmoid，dropout层的保留概率设置为p，缺省地，p取值为0.9；
所述递归神经网络的模型损失函数采用交叉熵。
8.根据权利要求1所述的一种基于递归神经网络的客户流失预测方法，其特征在于，所述步骤(4)中构建的递归神经网络为具有c个记忆单元的LSTM层，缺省地，c取2，LSTM输出矩阵为VR，
h取256。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810870865.1A CN109272332B (zh) | 2018-08-02 | 2018-08-02 | 一种基于递归神经网络的客户流失预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810870865.1A CN109272332B (zh) | 2018-08-02 | 2018-08-02 | 一种基于递归神经网络的客户流失预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109272332A CN109272332A (zh) | 2019-01-25 |
| CN109272332B true CN109272332B (zh) | 2021-06-08 |
Family
ID=65148347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810870865.1A Expired - Fee Related CN109272332B (zh) | 2018-08-02 | 2018-08-02 | 一种基于递归神经网络的客户流失预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272332B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919685B (zh) * | 2019-03-18 | 2023-08-15 | 苏州大学 | 客户流失预测方法、装置、设备及计算机可读存储介质 |
| CN110223106B (zh) * | 2019-05-20 | 2021-09-21 | 华南理工大学 | 一种基于深度学习的欺诈应用检测方法 |
| CN113077276B (zh) * | 2020-01-06 | 2024-10-01 | 阿里巴巴集团控股有限公司 | 行为数据的处理方法和系统、存储介质及处理器 |
| CN113706187A (zh) * | 2021-07-13 | 2021-11-26 | 杭州电子科技大学 | 一种基于时空图卷积的电信用户流失行为预测方法及系统 |
| CN113724010A (zh) * | 2021-09-01 | 2021-11-30 | 吉林亿联银行股份有限公司 | 客户流失预测方法及装置 |
| CN117422181B (zh) * | 2023-12-15 | 2024-04-02 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法及装置 |
| CN107203822A (zh) * | 2016-03-16 | 2017-09-26 | 上海吉贝克信息技术有限公司 | 基于Logistic回归的证券客户流失预测的方法及系统 |
| CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
| CN107844862A (zh) * | 2017-11-14 | 2018-03-27 | 泰康保险集团股份有限公司 | 订单失效预测方法、装置、介质及电子设备 |
| CN108319980A (zh) * | 2018-02-05 | 2018-07-24 | 哈工大机器人（合肥）国际创新研究院 | 一种基于gru的递归神经网络多标签学习方法 |
-
2018
- 2018-08-02 CN CN201810870865.1A patent/CN109272332B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203822A (zh) * | 2016-03-16 | 2017-09-26 | 上海吉贝克信息技术有限公司 | 基于Logistic回归的证券客户流失预测的方法及系统 |
| CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法及装置 |
| CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
| CN107844862A (zh) * | 2017-11-14 | 2018-03-27 | 泰康保险集团股份有限公司 | 订单失效预测方法、装置、介质及电子设备 |
| CN108319980A (zh) * | 2018-02-05 | 2018-07-24 | 哈工大机器人（合肥）国际创新研究院 | 一种基于gru的递归神经网络多标签学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109272332A (zh) | 2019-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272332B (zh) | 一种基于递归神经网络的客户流失预测方法 | |
| WO2021063171A1 (zh) | 决策树模型的训练方法、系统、存储介质及预测方法 | |
| CN108829763B (zh) | 一种基于深度神经网络的影评网站用户的属性预测方法 | |
| JP2021524099A (ja) | 異なるデータモダリティの統計モデルを統合するためのシステムおよび方法 | |
| CN115082147B (zh) | 一种基于超图神经网络的序列推荐方法及装置 | |
| CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
| CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
| CN111741330A (zh) | 一种视频内容评估方法、装置、存储介质及计算机设备 | |
| CN113822776B (zh) | 课程推荐方法、装置、设备及存储介质 | |
| CN113190654A (zh) | 一种基于实体联合嵌入和概率模型的知识图谱补全方法 | |
| CN111753995B (zh) | 一种基于梯度提升树的局部可解释方法 | |
| CN113222139A (zh) | 神经网络训练方法和装置、设备，及计算机存储介质 | |
| CN110245310B (zh) | 一种对象的行为分析方法、装置及存储介质 | |
| CN112115744A (zh) | 点云数据的处理方法及装置、计算机存储介质、电子设备 | |
| CN118628736A (zh) | 基于聚类思想的弱监督室内点云语义分割方法、装置及介质 | |
| Niu et al. | ALSTM: adaptive LSTM for durative sequential data | |
| CN111709766B (zh) | 一种用户行为预测方法、装置、存储介质及电子设备 | |
| CN117671278A (zh) | 电力图像数据处理方法、装置、设备、介质和程序产品 | |
| CN110580289B (zh) | 一种基于堆叠自动编码器和引文网络的科技论文分类方法 | |
| CN117194771A (zh) | 一种图模型表征学习的动态知识图谱服务推荐方法 | |
| Sunitha et al. | Political optimizer-based automated machine learning for skin lesion data | |
| CN111935259B (zh) | 目标帐号集合的确定方法和装置、存储介质及电子设备 | |
| CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
| CN115510948A (zh) | 一种基于鲁棒图分类的区块链钓鱼检测方法 | |
| CN114329065A (zh) | 视频标签预测模型的处理方法、视频标签预测方法和装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |