CN111275245A - 潜在转网用户识别方法、系统、消息推送方法、装置和介质 - Google Patents
潜在转网用户识别方法、系统、消息推送方法、装置和介质 Download PDFInfo
- Publication number
- CN111275245A CN111275245A CN202010029916.5A CN202010029916A CN111275245A CN 111275245 A CN111275245 A CN 111275245A CN 202010029916 A CN202010029916 A CN 202010029916A CN 111275245 A CN111275245 A CN 111275245A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- network switching
- user
- learning model
- potential 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种潜在转网用户识别方法、系统、消息推送方法、装置和介质，所述潜在转网用户识别方法包括获取用户的XDR话单，根据所述XDR话单获取模型特征维表，以及将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率等步骤。所述潜在转网用户识别方法主要通过机器学习模型来完成识别过程，由于所使用的机器学习模型由计算机设备自动运行，因此无需人工干预识别过程，识别结果具有较高的准确率和稳定性；识别过程所用的XDR话单来自信令数据，具有较高的覆盖度，容易对各种类型的转网进行预测。本发明广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域，尤其是一种潜在转网用户识别方法、系统、消息推送方法、装置和介质。
背景技术
在多个运营商参与市场竞争的情况下，转网行为普遍存在。所述转网是指用户放弃购买一个运营商提供的通信服务，转而购买另一运营商提供的通信服务。随着一些运营商提供了携号转网的政策，转网行为的发生次数正在逐渐加大。
用户的转网行为导致了作为被转出方的运营商的用户流失，将对运营商产生不利影响，因此每个运营商都需要对用户的转网行为制定合适的应对措施，其中对未实行转网行为但具有转网倾向的潜在转网用户进行保有营销，可以取得较为显著的效果，这依赖于对存量用户中的潜在转网用户进行识别。现有技术中，主要是靠有经验的工作人员进行人工分析和标记，效率低下且出错率高。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种潜在转网用户识别方法、系统、消息推送方法、装置和介质。
一方面，本发明实施例中包括一种潜在转网用户识别方法，包括以下步骤：
获取用户的XDR话单；
根据所述XDR话单获取模型特征维表；所述模型特征维表中包括多个模型特征及其相应的数值；
将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率。
进一步地，所述获取用户群的XDR话单这一步骤，具体包括：
获取用户的信令数据；
对所述信令数据进行编解码，从而获取XDR话单；
对所述XDR话单进行清洗处理。
进一步地，所述对所述XDR话单进行清洗处理这一步骤，具体包括以下至少一项：
检测和填补所述XDR话单中的空缺值；
对所述XDR话单中的图片流量进行噪声消除；
删除所述XDR话单中的负值和/或极大值；
对所述XDR话单中的部分或全部数据进行离散化处理。
进一步地，所述信令数据包括宽带通信信令和移动通信信令。
进一步地，所述机器学习模型经过如下训练步骤：
构建包含正样本和负样本的样本数据集；所述正样本包括已转网用户的XDR话单，所述负样本包括留网用户的XDR话单；
对所述样本数据集进行不放回抽样，从而生成训练集；
使用所述训练集对所述机器学习模型进行训练。
进一步地，所述机器学习模型经过如下测试步骤：
对所述样本数据集进行不放回抽样，从而生成测试集；
将所述测试集输入到所述机器学习模型；
所述机器学习模型的输出结果进行评估，确定相应的查准率、查全率和/或F值；
对所述机器学习模型在各工作参数进行遍历，选取对应最优查准率、查全率和/或F值的工作参数。
另一方面，本发明实施例中还包括一种潜在转网用户识别系统，包括：
第一模块，用于获取用户的XDR话单；
第二模块，用于根据所述XDR话单获取模型特征维表；所述模型特征维表中包括多个模型特征及其相应的数值；
第三模块，用于将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率。
另一方面，本发明实施例中还包括一种消息推送方法，包括以下步骤：
通过权利要求1-6任一项所述的潜在转网用户识别方法，识别出潜在转网用户以及相应的转网概率；
向目标潜在转网用户推送消息；所述目标潜在转网用户具有大于预设阈值的转网概率。
另一方面，本发明实施例中还包括一种装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行本发明实施例所述潜在转网用户识别和/或消息推送方法。
另一方面，本发明实施例中还包括一种介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明实施例所述潜在转网用户识别和/或消息推送方法。
本发明的有益效果是：实施例中所述的潜在转网用户识别方法主要通过机器学习模型来完成识别过程，由于所使用的机器学习模型由计算机设备自动运行，因此无需人工干预识别过程，识别结果具有较高的准确率和稳定性；识别过程所用的XDR话单来自信令数据，具有较高的覆盖度，容易对各种类型的转网进行预测。
附图说明
图1为实施例中所述潜在转网用户识别方法的流程图。
具体实施方式
本实施例中，可由一个运营商来执行所述潜在转网用户识别方法。在多个运营商可以共享用户数据的情况下，也可以先由多个运营商将各自拥有的用户数据集合在一起，然后对这些用户数据来执行所述潜在转网用户识别方法。
参照图1，本实施例中，所述潜在转网用户识别方法包括以下步骤S1-S3：
S1.这一步骤由以下步骤S101-S103组成：
S301.获取用户的信令数据；考虑到目前运营商普遍提供综合通信服务，即既提供宽带通信服务，又提供移动通信服务，因此所获取的信令数据包括宽带通信信令以及2/3/4/5G等移动通信信令；
S302.对所述信令数据进行编解码，从而获取XDR话单；
S303.对所述XDR话单进行清洗处理；所述清洗处理包括：检测和填补所述XDR话单中的空缺值，具体地，在检测出所述XDR话单中的空缺值之后，用“0”来对空缺值进行填补；对所述XDR话单中的图片流量进行噪声消除，具体地，对所述XDR话单中的图片流量的特征进行检测，将特征更倾向于其他流量的图片流量标记为其他流量；删除所述XDR话单中的负值和/或极大值；以及对所述XDR话单中的部分或全部数据进行离散化处理等。
S2.根据所述XDR话单获取模型特征维表；所述模型特征维表中包括多个模型特征及其相应的数值；例如，所述模型特征维表可以包括表1所示的内容：
表1
S3.将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率。
所述机器学习模型可以是有监督的学习模型，例如线性分类器、支持向量机、朴素贝叶斯、K近邻、决策树、集成模型等。本实施例中，在执行步骤S3之前，对所述机器学习模型执行训练步骤P1-P3：
P1.构建包含正样本和负样本的样本数据集；所述正样本包括已转网用户的XDR话单，所述负样本包括留网用户的XDR话单；
在获取负样本时，可以根据用户在最近一段时间的消费金额、通话量等关键数据，根据经验判断用户留网的可能性，如果用户留网的可能性足够大，那么将该用户标定为留网用户；还可以结合或单独通过调查问卷等方式，确定用户的留网意向，如果用户的留网意向足够坚定，那么将该用户标定为留网用户；如果用户与运营商签订了不可撤销的消费合约，那么无论用户是否实际使用运营商提供的服务，也可以视为用户留网，那么将该用户标定为留网用户；在获取负样本时，还可以根据用户留网的可能性，对用户进行分级，不同级别的用户分别对应不同的留网概率；
P2.对所述样本数据集进行不放回抽样，从而生成训练集；
P3.使用所述训练集对所述机器学习模型进行训练。
在P1-P3所进行的训练步骤的基础上，还对所述机器学习模型执行测试步骤P4-P7：
P4.对所述样本数据集进行不放回抽样，从而生成测试集；
P5.将所述测试集输入到所述机器学习模型；
P6.所述机器学习模型的输出结果进行评估，确定相应的查准率、查全率和/或F值；其中，
公式中各参数的含义分别为：
TP：预测为1(Positive)，实际也为1(Truth)(预测对了)的输出结果的数量；
TN：预测为0(Negative)，实际也为0(Negative)(预测对了)的输出结果的数量；
FP：预测为1(Positive)，实际为0(Negative)(预测错了)的输出结果的数量；
FN：预测为0(Negative)，实际为1(Positive)(预测错了)的输出结果的数量。
P7.对所述机器学习模型在各工作参数进行遍历，也就是将所述机器学习模型分别设置在不同的工作参数，然后分别执行步骤P5和P6以获取每组工作参数对应的查准率、查全率和/或F值，单独考虑查准率、查全率或F值中的一个，或者考虑查准率、查全率和F值中任意两个或三个的加权平均数，从而选择出最优的查准率、查全率和/或F值组合，将所述机器学习模型设置为对应的工作参数。
通过执行本实施例中所述的潜在转网用户识别方法，可以达到以下效果：
由于所使用的机器学习模型由计算机设备自动运行，因此无需人工干预识别过程，识别结果具有较高的准确率和稳定性；
识别过程所用的XDR话单来自信令数据，具有较高的覆盖度，容易对各种类型的转网进行预测，例如从第一运营商的移动通信服务转网至第二运营商的宽带通信服务，从第一运营商的宽带通信服务转网至第二运营商的宽带通信服务，从第一运营商的宽带通信服务转网至第二运营商的移动通信服务，以及从第一运营商的移动通信服务转网至第二运营商的移动通信服务等。
在执行所述潜在转网用户识别方法的基础上，还可以根据所述潜在转网用户识别方法的识别结果，进一步执行一种消息推送方法。首先，执行本实施例所述的潜在转网用户识别方法，识别出潜在转网用户以及相应的转网概率；检查每个潜在转网用户的转网概率与预设阈值之间的大小关系，如果一个潜在转网用户的转网概率大于预设阈值，那么就将这个潜在转网用户标定为目标潜在转网用户，向所有识别出的目标潜在转网用户发送营销信息。营销信息的内容可以是提供一定的优惠，以吸引用户留网。
在执行所述潜在转网用户识别方法的基础上执行的消息推送方法，可以有针对性地对潜在转网用户推送营销消息，实现更有效的保有营销。
本实施例中的潜在转网用户识别系统包括：
第一模块，用于获取用户的XDR话单；
第二模块，用于根据所述XDR话单获取模型特征维表；所述模型特征维表中包括多个模型特征及其相应的数值；
第三模块，用于将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率。
所述第一模块、第二模块和第三模块可以是具有相应功能的软件模块或硬件模块。所述潜在转网用户识别系统可以执行实施例所述潜在转网用户识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还包括一种存储介质和装置，所述存储介质和装置中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述潜在转网用户识别方法和/或消息推送方法。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开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。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读介质在计算机程序中实现，其中如此配置的介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像系统、装置通信等等。本发明的各方面可以以存储在非暂时性介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入介质、RAM、ROM等，使得其可由可编程计算机读取，当介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种潜在转网用户识别方法，其特征在于，包括以下步骤：
获取用户的XDR话单；
根据所述XDR话单获取模型特征维表；所述模型特征维表中包括多个模型特征及其相应的数值；
将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率。
2.根据权利要求1所述的方法，其特征在于，所述获取用户群的XDR话单这一步骤，具体包括：
获取用户的信令数据；
对所述信令数据进行编解码，从而获取XDR话单；
对所述XDR话单进行清洗处理。
3.根据权利要求2所述的方法，其特征在于，所述对所述XDR话单进行清洗处理这一步骤，具体包括以下至少一项：
检测和填补所述XDR话单中的空缺值；
对所述XDR话单中的图片流量进行噪声消除；
删除所述XDR话单中的负值和/或极大值；
对所述XDR话单中的部分或全部数据进行离散化处理。
4.根据权利要求2或3所述的方法，其特征在于，所述信令数据包括宽带通信信令和移动通信信令。
5.根据权利要求1所述的方法，其特征在于，所述机器学习模型经过如下训练步骤：
构建包含正样本和负样本的样本数据集；所述正样本包括已转网用户的XDR话单，所述负样本包括留网用户的XDR话单；
对所述样本数据集进行不放回抽样，从而生成训练集；
使用所述训练集对所述机器学习模型进行训练。
6.根据权利要求5所述的方法，其特征在于，所述机器学习模型经过如下测试步骤：
对所述样本数据集进行不放回抽样，从而生成测试集；
将所述测试集输入到所述机器学习模型；
所述机器学习模型的输出结果进行评估，确定相应的查准率、查全率和/或F值；
对所述机器学习模型在各工作参数进行遍历，选取对应最优查准率、查全率和/或F值的工作参数。
7.一种潜在转网用户识别系统，其特征在于，包括：
第一模块，用于获取用户的XDR话单；
第二模块，用于根据所述XDR话单获取模型特征维表；所述模型特征维表中包括多个模型特征及其相应的数值；
第三模块，用于将所述模型特征维表输入到机器学习模型中，获取所述机器学习模型输出的潜在转网用户以及相应的转网概率。
8.一种消息推送方法，其特征在于，包括以下步骤：
通过权利要求1-6任一项所述的潜在转网用户识别方法，识别出潜在转网用户以及相应的转网概率；
向目标潜在转网用户推送消息；所述目标潜在转网用户具有大于预设阈值的转网概率。
9.一种装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-6以及权利要求8任一项所述方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-6以及权利要求8任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010029916.5A CN111275245A (zh) | 2020-01-13 | 2020-01-13 | 潜在转网用户识别方法、系统、消息推送方法、装置和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010029916.5A CN111275245A (zh) | 2020-01-13 | 2020-01-13 | 潜在转网用户识别方法、系统、消息推送方法、装置和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111275245A true CN111275245A (zh) | 2020-06-12 |
Family
ID=71003032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010029916.5A Pending CN111275245A (zh) | 2020-01-13 | 2020-01-13 | 潜在转网用户识别方法、系统、消息推送方法、装置和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275245A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153636A (zh) * | 2020-10-29 | 2020-12-29 | 浙江鸿程计算机系统有限公司 | 一种基于机器学习预测电信业用户携号转出的方法 |
| CN112418653A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种基于机器学习算法的携号转网潜客识别系统及方法 |
| CN114900553A (zh) * | 2022-04-28 | 2022-08-12 | 中国联合网络通信集团有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN115396329A (zh) * | 2022-08-10 | 2022-11-25 | 中国联合网络通信集团有限公司 | 目标异网号码的确定方法、装置、设备及存储介质 |
Citations (7)
| 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 |
| 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 |
| CN109543734A (zh) * | 2018-11-14 | 2019-03-29 | 中国联合网络通信集团有限公司 | 用户画像方法及装置、存储介质 |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| 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 |
| CN109886755A (zh) * | 2019-03-04 | 2019-06-14 | 深圳微品致远信息科技有限公司 | 一种基于进化算法的通讯用户流失预测方法及系统 |
| CN110602207A (zh) * | 2019-09-12 | 2019-12-20 | 北京红山信息科技研究院有限公司 | 基于离网预测推送信息的方法、装置、服务器和存储介质 |
-
2020
- 2020-01-13 CN CN202010029916.5A patent/CN111275245A/zh active Pending
Patent Citations (7)
| 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 |
| 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 |
| CN109543734A (zh) * | 2018-11-14 | 2019-03-29 | 中国联合网络通信集团有限公司 | 用户画像方法及装置、存储介质 |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| 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 |
| CN109886755A (zh) * | 2019-03-04 | 2019-06-14 | 深圳微品致远信息科技有限公司 | 一种基于进化算法的通讯用户流失预测方法及系统 |
| CN110602207A (zh) * | 2019-09-12 | 2019-12-20 | 北京红山信息科技研究院有限公司 | 基于离网预测推送信息的方法、装置、服务器和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 闫国良: "移动客户离网组合预测模型研究" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153636A (zh) * | 2020-10-29 | 2020-12-29 | 浙江鸿程计算机系统有限公司 | 一种基于机器学习预测电信业用户携号转出的方法 |
| CN112418653A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种基于机器学习算法的携号转网潜客识别系统及方法 |
| CN114900553A (zh) * | 2022-04-28 | 2022-08-12 | 中国联合网络通信集团有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN114900553B (zh) * | 2022-04-28 | 2023-04-25 | 中国联合网络通信集团有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN115396329A (zh) * | 2022-08-10 | 2022-11-25 | 中国联合网络通信集团有限公司 | 目标异网号码的确定方法、装置、设备及存储介质 |
| CN115396329B (zh) * | 2022-08-10 | 2023-12-08 | 中国联合网络通信集团有限公司 | 目标异网号码的确定方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275245A (zh) | 潜在转网用户识别方法、系统、消息推送方法、装置和介质 | |
| CN104541293A (zh) | 用于客户端-云行为分析器的架构 | |
| CN109684047A (zh) | 事件处理方法、装置、设备和计算机存储介质 | |
| CN111816312B (zh) | 基于模型解释的健康状态检测方法、设备及可读存储介质 | |
| CN109726763B (zh) | 一种信息资产识别方法、装置、设备及介质 | |
| CN108573337B (zh) | 作业分配 | |
| CN110490651B (zh) | 信息推送方法、装置、设备及计算机可读存储介质 | |
| CN108633310A (zh) | 基于类别的执行调度 | |
| 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 | |
| CN108830833A (zh) | 工件识别项目的在线评估方法、服务器及终端 | |
| US11699097B2 (en) | Machine learning model with conditional execution of multiple processing tasks | |
| US20230333720A1 (en) | Generating presentation information associated with one or more objects depicted in image data for display via a graphical user interface | |
| US11379442B2 (en) | Self-learning database issue remediation tool | |
| CN105162931A (zh) | 一种通信号码的分类方法及装置 | |
| CN111476349A (zh) | 一种模型测试方法及服务器 | |
| CN107306419A (zh) | 一种端到端质量评估方法和装置 | |
| CN110969261A (zh) | 基于加密算法的模型构建方法及相关设备 | |
| CN115564301A (zh) | 一种激活卡人数值预测方法、装置及计算机设备 | |
| CN112055010B (zh) | 二维码图片拦截方法、装置、电子设备及存储介质 | |
| CN114900835A (zh) | 恶意流量智能检测方法、装置及存储介质 | |
| CN114663709A (zh) | 一种应急污水处理方法、装置及设备 | |
| CN113780580A (zh) | 基于机器学习的数据分析方法、装置、设备及存储介质 | |
| JP7198181B2 (ja) | 通信品質分析システム、通信品質分析方法 | |
| CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
| CN113794682A (zh) | 一种工业物联网入侵检测智能体训练方法、装置及设备 |
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: Peng Siyu Inventor after: Zheng Tao Inventor after: Ding Xiaoli Inventor after: Huang Dan Inventor before: Peng Siyu Inventor before: Zheng Tao Inventor before: Ding Xiaoli Inventor before: Huang Dan |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510630 room 1101, building 1, No.16 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province (office use only) Applicant after: Guangdong Yitong Lianyun Intelligent Information Co.,Ltd. Address before: 510630 building 1101, No.16 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: YITONG CENTURY INTERNET OF THINGS RESEARCH INSTITUTE (GUANGZHOU) Co.,Ltd. |