CN110602207A - 基于离网预测推送信息的方法、装置、服务器和存储介质 - Google Patents
基于离网预测推送信息的方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN110602207A CN110602207A CN201910864712.0A CN201910864712A CN110602207A CN 110602207 A CN110602207 A CN 110602207A CN 201910864712 A CN201910864712 A CN 201910864712A CN 110602207 A CN110602207 A CN 110602207A
- Authority
- CN
- China
- Prior art keywords
- grid
- user
- prediction
- probability
- network
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于离网预测推送信息的方法、装置、服务器和存储介质。该基于离网预测推送信息的方法包括：获取样本数据，所述样本数据包括用户的多维度行为数据；提取所述行为数据的行为特征；基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；判断所述离网概率是否大于第一阈值；如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。达到了根据用户的离网趋势推送消息以对用户挽留的效果。
Description
技术领域
本发明实施例涉及大数据处理领域，尤其涉及一种基于离网预测推送信息的方法、装置、服务器和存储介质。
背景技术
随着计算机技术和互联网技术的迅速发展，利用计算机和互联网预测用户的离网概率并进行挽留也越来越重要。
在行业发展前中期，运营商主要以获得用户为出发点，不断地想办法吸引新的用户来提高收入，但如今情况发生改变，通信行业发展速度非常快，市场很快趋于饱和，想要获得一个新用户难度不断增大，相反要留住一个已有的用户难度就会小很多。据估计，获得一个新用户的成本是保留一个原用户成本的5倍以上，因此如何留住原用户，如何及早的发现用户的离网趋势并且提供符合用户需求的各种优惠政策是各大运营商要集中力量解决的问题。
然而，目前部分运营商只是集中与如何针对用户信息建立预测模型，也没有根据预测结果对用户进行挽留。
发明内容
本发明实施例提供一种基于离网预测推送信息的方法、装置、服务器和存储介质，以实现根据用户的离网趋势推送消息以对用户挽留的效果。
第一方面，本发明实施例提供了一种基于离网预测推送信息的方法，包括：
获取样本数据，所述样本数据包括用户的多维度行为数据；
提取所述行为数据的行为特征；
基于所述行为特征通过离网预测模型得到离网预测结果；
基于所述离网预测结果通过离网概率模型得到离网概率；
判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
可选的，所述离网预测结果包括预测流失和预测不流失；所述基于所述离网预测结果通过离网概率模型得到离网概率，包括：
对所述离网预测结果为预测流失的用户通过离网概率模型计算离网概率。
可选的，所述离网预测模型为弹性网回归模型。
可选的，所述离网概率模型为生存分析模型。
可选的，所述基于预设的用户挽留规则进行第一信息推送，包括：
在所述行为特征中分析得到用户的离网特征，所述预设的用户挽留规则为不同离网特征对应的不同优惠方案；
基于所述离网特征以对应的优惠方案对用户进行第一信息推送。
可选的，在所述基于所述行为特征通过离网预测模型得到离网预测结果之前，包括：
将用户划分为不同的用户群；
基于所述用户群建立不同的所述离网预测模型。
可选的，在所述基于所述行为特征通过离网预测模型得到离网预测结果之前，包括：
验证所述离网预测模型的准确度；
如果所述离网预测模型的准确度大于第二阈值，则基于所述行为特征通过离网预测模型得到离网预测结果；
如果所述离网预测模型的准确度不大于第二阈值，则重新建立所述离网预测模型。
第二方面，本发明实施例提供了一种基于离网预测推送信息的装置，包括：
获取模块，用于获取样本数据，所述样本数据包括用户的多维度行为数据；
提取模块，用于提取所述行为数据的行为特征；
计算模块，用于基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；
判断模块，用于判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
第三方面，本发明实施例提供了一种服务器，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本发明任意实施例所述的基于离网预测推送信息的方法。
第四方面，本发明实施例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如本发明任意实施例所述的基于离网预测推送信息的方法。
本发明实施例通过获取样本数据，所述样本数据包括用户的多维度行为数据；提取所述行为数据的行为特征；基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；判断所述离网概率是否大于第一阈值；如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送，解决了不能根据用户的离网趋势推送消息以对用户挽留的问题，实现了根据用户的离网趋势推送消息以对用户挽留的效果。
附图说明
图1是本发明实施例一提供的一种基于离网预测推送信息的方法的流程示意图；
图2是本发明实施例二提供的一种基于离网预测推送信息的方法的流程示意图；
图3是本发明实施例三提供的一种基于离网预测推送信息的装置的结构示意图；
图4是本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“批量”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1是本发明实施例一提供的一种基于离网预测推送信息的方法的流程示意图，本实施例可适用于对运营商的用户进行挽留的场景，该方法可以由基于离网预测推送信息的装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图1所示，本发明实施例一提供的基于离网预测推送信息的方法包括：
S110、获取样本数据，所述样本数据包括用户的多维度行为数据。
其中，样本数据是指用户在日常使用通信功能的过程中产生的数据。在本实施例中，样本数据是指业务运营支撑系统(operation support system)数据。具体的，样本数据的数据来源可以是各大手机厂商或运营商的呼叫细节记录(Call Details RecordDatabase)数据、固网数据、和手机APP数据等。可以通过前置机的处理，存入数据仓库工具(HIVE)中，以进行离网预测。
行为数据是指在样本数据中与用户离网相关的数据。具体的，行为数据可以包括用户个人信息、账户消费、通话、用户关注服务等数据。多维度是指行为数据的多样化。
S120、提取所述行为数据的行为特征。
其中，行为特征是指在行为数据中，与用户使用体验相关的特征。行为特征包括用户年龄、性别、合约期、账户类型、每月支付金额、总支付金额、账户余额、通话时间、通话质量、用户停机次数等特征。示例性的，用户个人信息此行为数据可以包括用户年龄、性别、合约期、账户类型等行为特征。
S130、基于所述行为特征通过离网预测模型得到离网预测结果。
其中，离网预测模型是指用来预测用户是否离网的模型。具体的，离网预测模型可以使用现有的一些模型作为离网预测模型。离网预测结果是指离网预测模型预测该用户是否会离网。可选的，离网预测结果可以包括预测流失和预测不流失等结果，此处不作限制。具体的，行为特征通过离网预测模型计算后得到一个具体的离网数值，设置一个数值阈值以判断用户流失和用户不流失。当通过离网预测模型计算得到的离网数值大于数值阈值时，则判断该用户为流失用户。可选的，也可当通过离网预测模型计算得到的离网数值小于数值阈值时，则判断该用户为流失用户。此处对于如何通过离网预测模型得到离网预测结果的具体方式不作限定。
S140、基于所述离网预测结果通过离网概率模型得到离网概率。
其中，离网概率模型是指用来判断用户离网的概率的模型。具体的，可以对于预测流失和预测不流失两种预测结果，即流失用户和不流失用户都通过离网概率模型计算离网概率。优选的，只需要针对离网预测结果为预测流失的用户计算离网概率，以降低服务器的资源利用率。
S150、如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
其中，第一阈值是指用于判断是否需要对用户进行挽留的阈值。用户挽留规则是指对离网概率大于第一预设阈值的用户进行的规则。第一信息是指与用户挽留规则相关的信息。推送是指将第一信息告知用户。具体的，可以通过发送短信或微信公众号等方式告知用户。具体的，用户挽留规则针对不同的离网原因采取对应的措施。
本发明实施例的技术方案，通过获取样本数据，所述样本数据包括用户的多维度行为数据；提取所述行为数据的行为特征；基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；判断所述离网概率是否大于第一阈值；如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。从样本数据提取的行为特征进行计算，得到用户的离网概率，当用户的离网概率大于第一阈值时推送优惠条件给用户，达到根据用户的离网趋势推送消息以对用户挽留的效果。
实施例二
图2是本发明实施例二提供的一种基于离网预测推送信息的流程图。本实施例是在上述技术方案的进一步细化，适用于对运营商的用户进行挽留的场景，该方法可以由基于离网预测推送信息的装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图2所示，本发明实施例二提供的基于离网预测推送信息的方法包括：
S210、获取样本数据，所述样本数据包括用户的多维度行为数据。
其中，样本数据是指用户在日常使用通信功能的过程中产生的数据。在本实施例中，样本数据是指业务运营支撑系统(operation support system)数据。具体的，样本数据的数据来源可以是各大手机厂商或运营商的呼叫细节记录(Call Details RecordDatabase)数据、固网数据、和手机APP数据等。可以通过前置机的处理，存入数据仓库工具(HIVE)中，以进行离网预测。
行为数据是指在样本数据中与用户离网相关的数据。具体的，行为数据可以包括用户个人信息、账户消费、通话、用户关注服务等数据。多维度是指行为数据的多样化。
可选的，样本数据需要先通过数据分析，经过数据分析后使得样本数据更准确。
S220、提取所述行为数据的行为特征。
其中，行为特征是指在行为数据中，与用户使用体验相关的特征。行为特征包括用户年龄、性别、合约期、账户类型、每月支付金额、总支付金额、账户余额、通话时间、通话质量、用户停机次数等特征。示例性的，用户个人信息此行为数据可以包括用户年龄、性别、合约期、账户类型等行为特征。
可选的，行为特征可以是行为数据中现有的，也可以是通过行为数据中的其他特征进行构建。具体的，个别特征对模型拟合有帮助，但原数据中不存在，需要自行构建。例如行为特征中只有合约到期日和今天的日期，但是通过合约到期日-今天的日期就能得到距离合约到期时长此行为特征。
S230、验证所述离网预测模型的准确度。
其中，准确度是指判断欲望预测模型是否有效。离网预测模型是指用来预测用户是否离网的模型。验证是指判断准确度是否大于第二阈值。第二阈值是指用来判断离网预测模型是否可以使用的阈值。具体的，利用离网预测模型预测用户是否离网时，通过离网预测模型的预测结果也不是完全准确，例如将流失的用户预测为不流失，将不流失的用户预测为流失，这些预测不准确的结果可能会造成较大的影响。准确度是指离网预测模型进行预测的准确程度。示例性的，假设预测为流失的用户共a个，其中，预测流失正确为b，预测流失错误，即不流失的用户预测为流失的个数为c，则b+c＝a；预测不流失的用户共d个，其中预测不流失正确为e，预测不流失错误，即流失的用户预测为不流失的个数为f，则f+e＝d。则准确度的计算可以是预测的准确程度，即(b+e)/(a+d)，此结果为模型的总体准确度；还可以是b/(b+f)，此结果为在真实流失的用户中，预测正确的准确度。
优选的，准确度通过b/(b+f)计算，此结果为在真实流失的用户中，预测正确的准确度，通过此方式计算的准确度越高，就能保证预测为流失的用户越准确，就能保证尽量减少把预测为流失的用户预测为不流失而没有提前对用户进行挽留，导致预测错误的用户离网。
具体的，离网预测模型可以使用现有的一些回归模型作为离网预测模型。在本实施例中，离网预测模型为弹性网回归模型。回归模型中最常见的是线性回归模型，该模型具有解释性高，稳定性好的特点。但对于多重共线性引发的过拟合现象非常敏感，严重时甚至会导致模型失效。针对这个问题，通常采用增加正则化项的方式来限制模型过于复杂，避免多重共线性，本质上是以增加偏差为代价来大幅降低方差。不同的正则化项代表着不同的模型，使用L1正则化项的模型被称为lasso回归(Least absolute shrinkage andselection operator，LASSO)回归，使用L2正则化项的模型被称为岭回归。而本文使用的弹性网(ElasticNet)回归是两者的结合。
从模型结构看，弹性网回归具有比岭回归和LASSO回归更广的适用性，可以通过调整参数r的大小来变成岭回归，LASSO回归，或是两者的结合。具体的，弹性网回归模型的准确度可以通过混淆矩阵和受试者工作特征(Receiver Operating Characteristic，ROC)曲线确定。
如果离网预测模型的准确度大于第二阈值，则执行步骤S240；如果离网预测模型的准确度不大于第二阈值，则执行步骤S250。
S240、如果所述离网预测模型的准确度大于第二阈值，则基于所述行为特征通过离网预测模型得到离网预测结果。
其中，离网预测模型是指用来预测用户是否离网的模型。离网预测结果是指离网预测模型预测该用户是否会离网。可选的，离网预测结果可以包括预测流失和预测不流失等结果，此处不作限制。具体的，行为特征通过离网预测模型计算后得到一个具体的离网数值，设置一个判断用户流失和用户不流失的数值阈值。当通过离网预测模型计算得到的离网数值大于数值阈值时，则判断该用户为流失用户。可选的，也可当通过离网预测模型计算得到的离网数值小于数值阈值时，则判断该用户为流失用户。此处对于如何通过离网预测模型得到离网预测结果的具体方式不作限定。第二阈值是指判断该离网预测模型是否适用于对用户是否流失进行预测的阈值。第二阈值的数值不作具体限制。优选的，第二阈值为0.75。
在一实施例中，由于通过离网预测模型得到一个具体的离网数值，因此可以针对离网数值划分流失等级，从而针对用户流失的可能性大小进行排序，在公司人力物力受限的条件下，有限解决最易流失的用户群体，并且推荐给用户的信息也可以针对用户的流失等级进行调整，降低用户离网的可能性。
S250、如果所述离网预测模型的准确度不大于第二阈值，则重新建立所述离网预测模型。
可选的，以离网预测模型为弹性网回归模型为例，可以通过调整λ和r的数值，λ和r的调整可以通过交叉验证来获得。
S260、基于所述离网预测结果通过离网概率模型得到离网概率。
其中，离网概率模型是指用来判断用户离网的概率的模型。具体的，可以对于预测流失和预测不流失两种预测结果，即流失用户和不流失用户都通过离网概率模型计算离网概率。优选的，只需要针对离网预测结果为预测流失的用户计算离网概率，以降低服务器的资源利用率。
可选的，离网概率模型为生存分析模型。生存分析模型是预测生物存活概率随时间的变化而变化的模型，现在也扩展至市场研究领域。离网概率模型预测用户离网的概率随时间的变化，针对离网预测模型预测出的预测流失的用户，通过离网概率模型得出离网概率。
S270、如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
其中，第一阈值是指用于判断是否需要对用户进行挽留的阈值。用户挽留规则是指对离网概率大于第一预设阈值的用户提供优惠条件以挽留用户的规则。第一信息是指包括优惠条件的信息。推送是指将第一信息告知用户。具体的，可以通过发送短信或微信公众号等方式告知用户。具体的，用户挽留规则针对不同的离网原因采取对应的措施。
在本实施例中，本步骤具体包括：
在所述行为特征中分析得到用户的离网特征，所述预设的用户挽留规则为不同离网特征对应的不同优惠方案；
基于所述离网特征以对应的优惠方案对用户进行第一信息推送。
其中，离网特征是指因为某些原因而导致离网的特征。具体的，离网特征与行为特征相关。示例性的，如果发现流失与用户总支出相关，总支出越高，流失的概率越大，则可以提取预测为流失的用户的总支出的行为特值。如果总支出高出正常值，则离网特征为总支出过高。此处对于如何分析得到用户的离网特征不作限制。优惠方案则与离网特征相关。例如，分析得到的离网特征为总支出过高，则可以提供高性价比的套餐给到该用户。
在一代替实施例中，在基于所述行为特征通过离网预测模型得到离网预测结果之前，包括：
将用户划分为不同的用户群；
基于所述用户群建立不同的所述离网预测模型。
具体的，划分的条件可以是按照年龄划分，也可以按照入网年龄划分，还可以按照职业划分。用户群是指被划分为一类的多个用户的集合。每个用户群都建立不同的离网预测模型，在使用离网预测模型进行预测时，预测的结果也会更准确。
本发明实施例的技术方案，通过获取样本数据，所述样本数据包括用户的多维度行为数据；提取所述行为数据的行为特征；基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；判断所述离网概率是否大于第一阈值；如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。从样本数据提取的行为特征进行计算，得到用户的离网概率，当用户的离网概率大于第一阈值时推送优惠条件给用户，达到根据用户的离网趋势推送消息以对用户挽留的效果。
实施例三
图3是本发明实施例三提供的一种基于离网预测推送信息的装置的结构示意图，本实施例可适用于对运营商的用户进行挽留的场景，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图3所示，本实施例提供的基于离网预测推送信息装置可以包括获取模块310、提取模块320、计算模块330和判断模块340。其中：
获取模块310，用于获取样本数据，所述样本数据包括用户的多维度行为数据；
提取模块320，用于提取所述行为数据的行为特征；
计算模块330，用于基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；
判断模块340，用于判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
可选的，所述离网预测结果包括预测流失和预测不流失；所述基于所述离网预测结果通过离网概率模型得到离网概率，包括：
对所述离网预测结果为预测流失的用户通过离网概率模型计算离网概率。
可选的，所述离网预测模型为弹性网回归模型。
可选的，所述离网概率模型为生存分析模型。
可选的，判断模块340还包括：
分析单元，用于在所述行为特征中分析得到用户的离网特征，所述预设的用户挽留规则为不同离网特征对应的不同优惠方案；
推送单元，用于基于所述离网特征以对应的优惠方案对用户进行第一信息推送。
可选的，该装置还包括：
区分模块，用于将用户划分为不同的用户群；基于所述用户群建立不同的所述离网预测模型。
可选的，该装置还包括：
验证模块，用于验证所述离网预测模型的准确度；
如果所述离网预测模型的准确度大于第二阈值，则基于所述行为特征通过离网预测模型得到离网预测结果；
如果所述离网预测模型的准确度不大于第二阈值，则重新建立所述离网预测模型。
本发明实施例所提供的基于离网预测推送信息的装置可执行本发明任意实施例所提供的基于离网预测推送信息的方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例四
图4是本发明实施例四提供的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器612的框图。图4显示的服务器612仅仅是一个示例，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4所示，服务器612以通用服务器的形式表现。服务器612的组件可以包括但不限于：一个或者多个处理器616，存储装置628，连接不同系统组件(包括存储装置628和处理器616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储装置628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。
服务器612也可以与一个或多个外部设备614(例如键盘、指向终端、显示器624等)通信，还可与一个或者多个使得用户能与该服务器612交互的终端通信，和/或与使得该服务器612能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，服务器612还可以通过网络适配器620与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器620通过总线618与服务器612的其它模块通信。应当明白，尽管图中未示出，可以结合服务器612使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器616通过运行存储在存储装置628中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种基于离网预测推送信息的方法，该方法可以包括：
获取样本数据，所述样本数据包括用户的多维度行为数据；
提取所述行为数据的行为特征；
基于所述行为特征通过离网预测模型得到离网预测结果；
基于所述离网预测结果通过离网概率模型得到离网概率；
判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
本发明实施例的技术方案，通过获取样本数据，所述样本数据包括用户的多维度行为数据；提取所述行为数据的行为特征；基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；判断所述离网概率是否大于第一阈值；如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。从样本数据提取的行为特征进行计算，得到用户的离网概率，当用户的离网概率大于第一阈值时推送优惠条件给用户，达到根据用户的离网趋势推送消息以对用户挽留的效果。
实施例五
本发明实施例五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如本发明任意实施例所提供的一种基于离网预测推送信息方法，该方法可以包括：
获取样本数据，所述样本数据包括用户的多维度行为数据；
提取所述行为数据的行为特征；
基于所述行为特征通过离网预测模型得到离网预测结果；
基于所述离网预测结果通过离网概率模型得到离网概率；
判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
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。
存储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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例的技术方案，通过获取样本数据，所述样本数据包括用户的多维度行为数据；提取所述行为数据的行为特征；基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；判断所述离网概率是否大于第一阈值；如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。从样本数据提取的行为特征进行计算，得到用户的离网概率，当用户的离网概率大于第一阈值时推送优惠条件给用户，达到根据用户的离网趋势推送消息以对用户挽留的效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于离网预测推送信息的方法，其特征在于，包括：
获取样本数据，所述样本数据包括用户的多维度行为数据；
提取所述行为数据的行为特征；
基于所述行为特征通过离网预测模型得到离网预测结果；
基于所述离网预测结果通过离网概率模型得到离网概率；
判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
2.如权利要求1所述的基于离网预测推送信息的方法，其特征在于，所述离网预测结果包括预测流失和预测不流失；所述基于所述离网预测结果通过离网概率模型得到离网概率，包括：
对所述离网预测结果为预测流失的用户通过离网概率模型计算离网概率。
3.如权利要求1所述的基于离网预测推送信息的方法，其特征在于，所述离网预测模型为弹性网回归模型。
4.如权利要求1所述的基于离网预测推送信息的方法，其特征在于，所述离网概率模型为生存分析模型。
5.如权利要求1所述的基于离网预测推送信息的方法，其特征在于，所述基于预设的用户挽留规则进行第一信息推送，包括：
在所述行为特征中分析得到用户的离网特征，所述预设的用户挽留规则为不同离网特征对应的不同优惠方案；
基于所述离网特征以对应的优惠方案对用户进行第一信息推送。
6.如权利要求1所述的基于离网预测推送信息的方法，其特征在于，在所述基于所述行为特征通过离网预测模型得到离网预测结果之前，包括：
将用户划分为不同的用户群；
基于所述用户群建立不同的所述离网预测模型。
7.如权利要求1所述的基于离网预测推送信息的方法，其特征在于，在所述基于所述行为特征通过离网预测模型得到离网预测结果之前，包括：
验证所述离网预测模型的准确度；
如果所述离网预测模型的准确度大于第二阈值，则基于所述行为特征通过离网预测模型得到离网预测结果；
如果所述离网预测模型的准确度不大于第二阈值，则重新建立所述离网预测模型。
8.一种基于离网预测推送信息的装置，其特征在于，包括：
获取模块，用于获取样本数据，所述样本数据包括用户的多维度行为数据；
提取模块，用于提取所述行为数据的行为特征；
计算模块，用于基于所述行为特征通过离网预测模型得到离网预测结果；基于所述离网预测结果通过离网概率模型得到离网概率；
判断模块，用于判断所述离网概率是否大于第一阈值；
如果所述离网概率大于所述第一阈值，则基于预设的用户挽留规则进行第一信息推送。
9.一种服务器，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，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的基于离网预测推送信息的方法。
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，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于离网预测推送信息的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910864712.0A CN110602207A (zh) | 2019-09-12 | 2019-09-12 | 基于离网预测推送信息的方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910864712.0A CN110602207A (zh) | 2019-09-12 | 2019-09-12 | 基于离网预测推送信息的方法、装置、服务器和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110602207A true CN110602207A (zh) | 2019-12-20 |
Family
ID=68859459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910864712.0A Pending CN110602207A (zh) | 2019-09-12 | 2019-09-12 | 基于离网预测推送信息的方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110602207A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275245A (zh) * | 2020-01-13 | 2020-06-12 | 宜通世纪物联网研究院(广州)有限公司 | 潜在转网用户识别方法、系统、消息推送方法、装置和介质 |
| CN113055208A (zh) * | 2019-12-27 | 2021-06-29 | 中移信息技术有限公司 | 基于迁移学习的信息识别模型的识别方法、装置、设备 |
| CN113543117A (zh) * | 2020-04-22 | 2021-10-22 | 中国移动通信集团重庆有限公司 | 携号转网用户的预测方法、装置及计算设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022505A (zh) * | 2016-04-28 | 2016-10-12 | 华为技术有限公司 | 一种预测用户离网的方法及装置 |
| CN106127566A (zh) * | 2016-06-20 | 2016-11-16 | 中国农业银行股份有限公司 | 一种数据管理方法及装置 |
| CN108039977A (zh) * | 2017-12-21 | 2018-05-15 | 广州市申迪计算机系统有限公司 | 一种基于用户上网行为的电信用户流失预测方法及装置 |
| CN109150594A (zh) * | 2018-08-02 | 2019-01-04 | 中国联合网络通信集团有限公司 | 用户离网风险预测方法和装置 |
| CN109299961A (zh) * | 2017-07-24 | 2019-02-01 | 北京嘀嘀无限科技发展有限公司 | 防止用户流失的方法及装置、设备和存储介质 |
-
2019
- 2019-09-12 CN CN201910864712.0A patent/CN110602207A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022505A (zh) * | 2016-04-28 | 2016-10-12 | 华为技术有限公司 | 一种预测用户离网的方法及装置 |
| CN106127566A (zh) * | 2016-06-20 | 2016-11-16 | 中国农业银行股份有限公司 | 一种数据管理方法及装置 |
| CN109299961A (zh) * | 2017-07-24 | 2019-02-01 | 北京嘀嘀无限科技发展有限公司 | 防止用户流失的方法及装置、设备和存储介质 |
| CN108039977A (zh) * | 2017-12-21 | 2018-05-15 | 广州市申迪计算机系统有限公司 | 一种基于用户上网行为的电信用户流失预测方法及装置 |
| CN109150594A (zh) * | 2018-08-02 | 2019-01-04 | 中国联合网络通信集团有限公司 | 用户离网风险预测方法和装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113055208A (zh) * | 2019-12-27 | 2021-06-29 | 中移信息技术有限公司 | 基于迁移学习的信息识别模型的识别方法、装置、设备 |
| CN113055208B (zh) * | 2019-12-27 | 2023-01-13 | 中移信息技术有限公司 | 基于迁移学习的信息识别模型的识别方法、装置、设备 |
| CN111275245A (zh) * | 2020-01-13 | 2020-06-12 | 宜通世纪物联网研究院(广州)有限公司 | 潜在转网用户识别方法、系统、消息推送方法、装置和介质 |
| CN113543117A (zh) * | 2020-04-22 | 2021-10-22 | 中国移动通信集团重庆有限公司 | 携号转网用户的预测方法、装置及计算设备 |
| CN113543117B (zh) * | 2020-04-22 | 2022-10-04 | 中国移动通信集团重庆有限公司 | 携号转网用户的预测方法、装置及计算设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10216558B1 (en) | Predicting drive failures | |
| US9405427B2 (en) | Adaptive user interface using machine learning model | |
| US9684634B2 (en) | Method and apparatus for evaluating predictive model | |
| AU2017101862A4 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
| CN107040397B (zh) | 一种业务参数获取方法及装置 | |
| US20200219016A1 (en) | Method for Cleaning Up Background Application, Storage Medium, and Electronic Device | |
| CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
| CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
| US9292336B1 (en) | Systems and methods providing optimization data | |
| JP2008226179A (ja) | 業務プロセス推定プログラム、業務プロセス推定方法および業務プロセス推定装置 | |
| CN110955640A (zh) | 跨系统数据文件的处理方法、装置、服务器和存储介质 | |
| CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
| US20230385048A1 (en) | Predictive recycling of computer systems in a cloud environment | |
| CN112862013A (zh) | 一种量化交易策略的问题诊断方法及装置 | |
| CN111311393A (zh) | 信用风险的评估方法、装置、服务器和存储介质 | |
| CN110780820A (zh) | 一种连续存储空间确定方法、装置及电子设备和存储介质 | |
| CN110751227A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
| CN114785616A (zh) | 数据风险检测方法、装置、计算机设备及存储介质 | |
| CN113296951A (zh) | 一种资源配置方案确定方法及设备 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| CN113656391A (zh) | 数据检测方法及装置、存储介质及电子设备 | |
| CN111045849A (zh) | 核对异常原因的识别方法、装置、服务器和存储介质 | |
| CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
| CN113064660A (zh) | 设备控制方法、装置、电子设备及存储介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Yingqiao Inventor after: Lin Yun Inventor before: Zhang Yingqiao Inventor before: Xiang Yang Inventor before: Lin Yun |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |