CN111461188B - 一种目标业务控制方法、装置、计算设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，提供一种目标业务控制方法、装置、计算设备及存储介质，用于提高确定对象分类的准确性。该方法包括：根据目标对象在基准周期内的对象特征数据，获得目标对象在基准周期内留存的条件下，在目标周期内留存的第一条件概率，和在目标对象基准周期内流失的条件下，在目标周期内留存的第二条件概率；根据第一留存概率对第一条件概率进行调整，并根据第一流失概率对第二条件概率进行调整；根据调整后的第一条件概率和调整后的第二条件概率获得目标对象在目标周期内的目标留存概率；根据目标留存概率，获得目标对象在目标周期内是否留存于目标业务的分类结果；根据分类结果执行目标业务关联的业务逻辑。

Description

一种目标业务控制方法、装置、计算设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种目标业务控制方法、装置、计算设备及存储介质。

背景技术

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能推荐领域等。在智能推荐领域，可以利用人工智能模型去预测用户在下个时间段内针对业务的行为，以便为用户提供更有针对性的业务等。

目前，通常是根据用户的用户特征数据以及人工智能模型，预测该用户在下个时间段内是否会继续该业务，但是这种方式过于依赖用户特征数据，预测出的用户分类准确性不高。

发明内容

本申请实施例提供一种目标业务控制方法、装置、计算设备及存储介质，用于提高用户分类结果的准确性。

第一方面，提供一种目标业务控制方法，包括：

获得在基准周期内各目标对象中，留存目标业务的目标对象的第一留存概率，以及流失目标业务的目标对象的第一流失概率；

根据目标对象在基准周期内的对象特征数据，获得目标对象在所述基准周期内留存的条件下，在所述目标周期内留存的第一条件概率，和在所述目标对象基准周期内流失的条件下，在所述目标周期内留存的第二条件概率；

根据所述第一留存概率对所述第一条件概率进行调整，并根据所述第一流失概率对所述第二条件概率进行调整；

根据调整后的第一条件概率和调整后的第二条件概率获得目标对象在所述目标周期内的目标留存概率；

根据所述目标留存概率，获得目标对象在所述目标周期内是否留存于所述目标业务的分类结果；

根据所述分类结果执行所述目标业务关联的业务逻辑。

第二方面，提供一种目标业务控制装置，包括：

概率获得模块，用于获得在基准周期内各目标对象中，留存目标业务的目标对象的第一留存概率，以及流失目标业务的目标对象的第一流失概率，以及根据目标对象在基准周期内的对象特征数据，获得目标对象在所述基准周期内留存的条件下，在所述目标周期内留存的第一条件概率，和在所述目标对象基准周期内流失的条件下，在所述目标周期内留存的第二条件概率；

调整模块，用于根据所述第一留存概率对所述第一条件概率进行调整，并根据所述第一流失概率对所述第二条件概率进行调整；

分类获得模块，用于根据调整后的第一条件概率和调整后的第二条件概率获得目标对象在所述目标周期内的目标留存概率，以及根据所述目标留存概率，获得目标对象在所述目标周期内是否留存于所述目标业务的分类结果；

业务逻辑执行模块，用于根据所述分类结果执行所述目标业务关联的业务逻辑。

在一种可能的实施例中，所述基准周期为所述目标周期的上一个业务周期；以及，

第一留存概率和第一流失概率是通过在所述基准周期内各目标对象是否留存于目标业务的分类标签确定的。

在一种可能的实施例中，所述调整模块具体用于：

根据所述第一留存概率对所述第一条件概率进行加权，并根据所述第一流失概率对所述第二条件概率进行加权。

在一种可能的实施例中，所述业务逻辑执行模块具体用于执行如下之一：

若目标对象在所述目标周期内留存，向目标对象发送登录所述目标业务的登录邀请；

根据目标对象针对所述登录邀请的操作，监测目标对象在所述目标周期内针对所述目标业务的登录状态；或

若目标对象在所述目标周期内留存，则向目标对象推送所述目标业务关联的物品推荐信息。

在一种可能的实施例中，所述目标留存概率是通过概率模型确定的，所述概率模型是通过如下步骤训练得到的：

获取训练集和验证集；其中，训练集包括各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，验证集包括各样本对象在基准周期内是否留存于目标业务的分类标签；

根据各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，确定样本对象在所述参考周期内留存的条件下，在所述基准周期内留存的第三条件概率，和样本对象在所述参考周期内流失的条件下，在所述基准周期内留存的第四条件概率，以及在参考周期内各样本对象中，留存目标业务的样本对象的第二留存概率，以及流失目标业务的样本对象的第二流失概率；

根据第二留存概率，第二流失概率，第三条件概率，第四条件概率，获得目标对象是否留存与基准周期内的预测分类结果；以及，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数；

根据概率模型的评价指标，调整概率模型的模型参数，当所述概率模型的评价指标满足预设指标时，获得已训练的概率模型；其中，概率模型的评价指标是根据验证集，以及预测分类结果确定的。

在一种可能的实施例中，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数，包括：

将所述第三条件概率，第四条件概率以及参考周期内的对象特征数据输入预设概率分布函数，获得概率模型的模型参数；其中，所述概率分布函数项采用逻辑回归函数。

在一种可能的实施例中，所述训练集中包括所述基准周期内留存的样本对象与流失的样本对象，在基准周期内留存的样本对象与流失的样本对象的比例满足第一预设比例，所述验证集中包括所述基准周期内留存的样本对象与流失的样本对象，在基准周期内留存的样本对应与流失的样本对象的比例满足第二预设比例。

第三方面，提供一种计算设备，包括：

至少一个处理器，以及

与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任一项所述的方法。

第四方面，提供一种存储介质，所述存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面中任一项所述的方法。

由于本申请实施例采用上述技术方案，至少具有如下技术效果：

本申请实施例中，由于结合了基准周期内目标对象的留存概率和流失概率，以及目标对象在基准周期内的对象特征数据，获得的目标留存概率不仅与目标对象自身相关，还与目标对象在基准周期内的数据相关，使得获得的目标留存概率更符合实际应用场景，更准确。且，本申请实施例能够实现对目标对象是否留存进行自动预测，能够为控制目标业务提供对应的数据基础。

附图说明

图1为相关技术的预测目标用户分类的过程示意图；

图2为相关技术的预测出的目标用户的目标留存概率的分布示意图；

图3为本申请实施例提供的一种目标业务控制设备的结构示意图；

图4为本申请实施例提供的一种目标业务控制方法的应用场景示意图；

图5为本申请实施例提供的训练概率模型的过程示意图；

图6为本申请实施例提供的概率模型输出的留存概率分布示意图；

图7为本申请实施例提供的一种目标业务控制方法的交互示意图；

图8为本申请实施例提供的一种目标业务控制方法的过程示意图；

图9为本申请实施例提供的一种目标业务的登录邀请的界面示意图；

图10为本申请实施例提供的一种目标业务控制装置的结构示意图；

图11为本申请实施例提供的一种计算设备的结构示意图。

具体实施方式

为了更好的理解本申请实施例提供的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。

下面对本申请实施例涉及的专有名词进行介绍。

人工智能(Artificial Intelligence，AI)：是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning,ML)：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

目标对象：泛指目标业务服务的对象，对象具体可能是用户。用户可以是一类群体，比如人、或事物等，事物比如自动车辆等。比如目标业务为导航业务，那么目标对象可以是人，也可以是自动驾驶车辆。目标业务不同，目标对象的群体可能有所不同。比如目标业务为游戏业务，注册该游戏业务的每个用户都可以视为目标对象，比如目标业务为外卖业务，注册该外卖业务的每个用户可以视为目标对象。本申请实施例中主要以目标对象为目标用户为例进行示例说明。

业务周期：是指根据不同的业务需要，以时间长度为单位对业务划分的周期。例如在一些业务控制中，经常周期性的根据之前的业务数据对业务特性做出预测，例如在游戏业务中，预测每天登陆游戏业务的目标对象的数量。

目标周期：泛指业务周期中的某个特定周期，例如需要确定针对目标业务的分类结果的某个业务周期。比如需要预测目标对象在2019年3月2日的分类结果，那么3月2日这天可以理解为目标周期。

基准周期：与目标周期关联的一个业务周期。基准周期的时长与目标周期的时长可以不相同，也可以相同。基准周期可以是在目标周期之前的一个业务周期，具体可以是目标周期之前的上一个业务周期。针对不同业务周期，每个目标周期关联的基准周期可能是不完全相同的。基准周期可以为与目标周期内留存于目标业务的目标对象的数量趋势相同或相似的业务周期。比如针对在连续两个业务周期内留存目标业务的目标对象数量的变化趋势小于预设变化趋势，目标周期对应的基准周期可以是上一业务周期，具体例如目标周期为2019年3月2日，那么基准周期可以是2019年3月2日。比如针对在间隔但特定的两个业务周期内留存目标业务的目标对象数量的变化趋势小于预设变化趋势，目标周期对应的基准周期可以是另一间隔但特定的业务周期，具体例如目标周期为2019年5月1日，那么基准周期可以是2018年5月1日。

对象特征数据：是指根据对象在目标业务场景下相关的对象特征确定出的数据，数据的形式可以是具体数字，向量或矩阵等。对象特征具体包括对象属性信息，对象在目标业务下产生的行为数据。对象属性信息例如对象年龄、性别等。行为数据包括对象在目标业务的不同方面产生的行为数据。以目标业务为游戏业务为例，行为数据包括登录方面，对象在游戏业务中的登录时长，在游戏业务中的登录次数，在游戏业务中连续登录天数等，以及在充值方面下，对象在游戏业务中的充值金额，在游戏业务中的充值次数，在游戏业务中的每用户平均收入(Average Revenue Per User，ARPU)等，以及在游戏变现方面下，对象在游戏业务中的游戏经验值、游戏胜率等。对象特征数据可以是这些对象特征指标化后的数据，也可以是对这些对象特征进行嵌入学习之后得到的特征向量等。

参考周期：与基准周期关联的一个业务周期。参考周期的时长与基准周期的时长可以不相同，也可以相同。参考周期可以是在基准周期之前的一个业务周期，具体可以是目标周期之前的上一个业务周期。针对不同业务周期，每个基准周期关联的参考周期可能是不完全相同的。参考周期可以为与基准周期内留存于目标业务的目标对象的数量趋势相同或相似的业务周期。

留存：是指目标对象在业务周期使用目标业务，这里的使用可以理解为目标对象针对目标业务的特定操作，对应的特定操作不同，那么留存具体表示的含义也不同，比如特定操作为登录，那么目标对象在业务周期继续登录目标业务则可以视为留存，比如特定操作为进行游戏操作，那么目标对象在业务周期内进行游戏则可以视为留存。

流失：是指目标对象在业务周期内不使用目标业务，这里的不使用与前面的使用相对，比如特定操作为登录，那么目标对象不登录目标业务，则视为流失，比如特定操作为进行游戏操作，那么目标对象在业务周期内不进行游戏则可以视为流失。

留存概率：是指在业务周期内，留存于目标业务的目标对象与多个目标对所对应的比例。

流失概率：是指在业务周期内，流失目标业务的目标对象与多个目标对象所对应的比例。

正样本：是指在业务周期内留存的样本对象。

负样本：是指在业务周期内流失的样本对象。

下面对本申请实施例涉及的相关技术进行介绍。

请参照图1，表示一种相关技术涉及的人工智能模型的预测用户分类的示意图，下面结合图1对相关技术进行示例介绍。

服务器100获取各用户在T周期内在各个方面的用户特征数据(features)，具体包括图1中的X1，X2…Xn，服务器100根据各用户特征数据训练人工智能模型，根据训练得到的人工智能模型预测T+1周期的用户针对该目标业务的分类结果。

该方式过度依赖于用户特征数据，导致分类结果的可参考性不大，另外，由于依赖于用户特征数据，一旦训练样本中正样本和负样本的比例失衡，极容易导致预测结果出现较大偏差。另外，这种方式很难将分类概率比较集中的样本进行有效分离，导致确定出的分类概率较为集中，导致对目标用户进行分类得到的分类结果准确性不高。

请参照图2，表示相关技术获得的用户分类的概率分布示意图，图2中x可以理解为用户的对象特征数据，p可以表示确定出用户的留存概率。图2中坐标轴上的各个点表示确定出的各用户的留存概率分布，可以从图2中看出利用相关技术确定出的分类概率分布较为集中，很难准确地确定各个用户的分类。

鉴于此，本申请发明人提供一种目标业务控制方法，该方法在确定目标对象在目标周期是否留存于目标业务的分类结果时，确定目标对象在基准周期内留存的情况下，该目标对象在目标周期内留存的第一条件概率，以及确定目标对象在基准周期内留存的情况下，该目标对象在目标周期内留存的第二条件概率，根据基准周期内的留存概率对第一条件概率进行加权，根据基准周期内的流失概率对第二条件概率进行加权，从而获得目标对象在目标周期内的目标留存概率，根据目标留存概率，确定目标对象的分类结果。在实际应用场景中，目标对象在目标周期是否留存于该业务不仅与用户自身相关，还受到其他目标对象的影响，本申请发明人提供的方法结合对象特征数据、基准周期内的各目标业务的留存概率和流失概率，更符合实际应用场景，使得确定出的目标留存概率更准确。

下面对本申请实施例涉及的应用场景进行示例说明。

本申请实施例提供的方案涉及人工智能的机器学习技术，具体通过如下实施例进行说明：

请参照图3，表示执行本申请实施例中的目标业务控制方法的目标业务控制设备300的结构示意图，该目标业务控制设备300包括一个或多个输入设备301、一个或多个处理器302、一个或多个存储器303和一个或多个输出设备304。

输入设备301用于提供输入接口，以获取外界设备/用户输入的输入待分类的目标对象标识等。在获得目标对象标识之后，输入设备301将该目标对象标识发送给处理器302，处理器302利用存储器303中存储的程序指令，确定目标对象标识在目标周期的分类，获得目标对象的分类结果，利用该分类结果执行对应的业务逻辑。

其中，输入设备301可以包括但不限于物理键盘、功能键、轨迹球、鼠标、触摸屏、操作杆等中的一种或多种。处理器302可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等。存储器303可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器103也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard diskdrive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器303是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器303可以是上述存储器的组合。输出设备304例如显示器、扬声器和打印机等等。

在可能的实施例中，目标业务控制设备300可以是用户端设备，也可以是服务端设备。用户端设备可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统(PCS)设备、个人导航设备、个人数字助理(PDA)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。还可预见到的是，目标业务控制设备300能够支持任意类型的针对用户的接口(例如可穿戴设备)或服务等。服务端设备可以是各种服务提供的服务器、大型计算设备等。服务器可以是一个或多个服务器。服务器也可以是实体服务器或虚拟服务器等。

在一种可能的应用场景中，请参照图4，表示一种应用场景示意图，该应用场景包括服务器401和多个终端设备402。服务器401作为目标业务控制设备300，该服务器401可以是目标业务对应的后台服务器，也可以是第三方服务对应的服务器401。各个对象可以通过终端设备402访问服务器401，比如各个对象可以通过终端设备402中的客户端访问服务器401，服务器401通过该客户端支持各个对象的目标业务的功能。客户端可以是网页客户端或预先安装在终端设备402中的客户端。

服务器401通过前文论述方法，在确定出目标对象的目标留存概率之后，可以根据目标留存概率，获得目标对象在目标周期内留存于目标业务的分类结果。

场景示例一，以服务器401为目标业务对应的后台服务器为例，由于目标对象在之前已经使用或体验过目标业务，服务器401能够获得该目标对象的标识或者是该目标对象关联的终端设备402的标识，因此当服务器401确定目标对象在目标周期内属于留存对象时，可以向目标对象关联的终端设备402发送登录目标业务的登录邀请，响应于目标对象针对登录邀请的操作，监测目标对象在目标周期针对目标业务的登录状态。

或者例如，当目标对象在目标周期属于留存对象时，向目标对象推送目标业务关联的物品推荐信息，具体比如目标对象经常玩游戏中的模式一，可以向目标对象推送该游戏业务中的模式一。

场景示例二，以服务器401为导航业务对应的后台服务器为例，目标对象为自动驾驶车辆为例，服务器401可以通过前文论述方法确定自动驾驶车辆在目标周期内的留存概率之后，可以向自动驾驶车辆发送对应的登录邀请，以使得自动驾驶车辆能够快速使用该导航业务。

基于图3论述的应用场景，下面对本申请实施例涉及的目标业务控制方法涉及的原理进行介绍。下面分三个部分对原理进行介绍。

第一部分，构建概率模型：

S1.1.1，定义目标对象在基准周期留存的条件下，目标对象在目标周期留存的第一条件概率，以及定义目标对象在基准周期流失的条件下，目标对象在目标周期留存的第二条件概率；

S1.1.2，利用概率分布函数，表示第一条件概率和第二条件概率；

S1.1.3，利用基准周期的第一留存概率对第一条件概率进行调整，以及利用基准周期内的第一流失概率对第二条件概率进行调整；

S1.1.4，根据调整后的第一条件概率和调整后的第二条件概率，获得目标对象在目标周期的预测留存概率。

S1.1.1中，目标对象在基准周期要么留存，要么流失，因此，目标对象在基准周期留存的条件下，在目标周期内也留存的第一条件概率，与目标对象在基准周期流失的条件下，在目标周期内留存的第二条件概率之和也就是该目标对象在目标周期内留存的概率。

S1.1.2中，概率分布函数例如二点分布，二项分布、指数分布以及正态分布等。

作为一种实施例，概率分布函数可以采用逻辑回归函数，一种逻辑回归函数的表达式如下：

其中，w_t表示概率模型的一个模型参数，表示在目标周期内的对象特征数据。

以逻辑回归函数作为概率分布函数，不仅符合目标业务的留存目标对象的分布要求，逻辑回归函数会拉大对象数据特征之间的区别，使得以该逻辑回归函数获得的条件概率之间的差距相对增大，进而使得获得的各个目标对象的留存概率分布更加分散，利于提高获得的对象的分类结果的准确性。

以第一条件概率为例，第一条件概率实际上属于一个联合概率，不仅包括在目标周期内的对象特征数据的情况下，还包括在目标对象在基准周期留存的条件下，因此，需要对上述式(1)进行调整，调整比如可以对上述式(1)中增加一些权重参数，从而获得第一条件概率P1对应的表达式。以此类推，可以获得第二条件概率P2的表达式。

另外，假设各个目标对象是均匀分布的，可以确定出在基准周期内目标对象留存的第二留存概率，以及确定在基准周期内目标对象流失的第二流失概率，第二留存概率和第二流失概率可以参照前文论述的内容，此次不再赘述。

在获得第一条件概率、第二条件概率、第二留存概率和第二流失概率之后，可以执行S1.1.3，具体调整第一条件概率和第二条件概率的方式示例如下：

方式一：

根据第二留存概率对第一条件概率进行加权，获得调整后的第一条件概率；以及，根据第二流失概率对第二条件概率进行加权，获得调整后的第二条件概率。

方式二：

确定第二留存概率和第一条件概率的算术平均值，获得调整后的第一条件概率；以及，确定第二流失概率和第二条件概率的算术平均值，获得调整后的第二条件概率。

S1.1.4中，对调整后的第一条件概率和调整后的第二条件概率进行求和，获得目标对象在目标周期的预测留存概率。一种预测留存概率的表达式如下：

如果第一条件概率和第二条件概率分别以上述公式(1)表达，则可以获得目标对象的预测留存概率的公式如下：

其中，w_y也表示基准周期的分类结果对目标周期的分类结果的贡献值。

目标对象的预测流失概率和预测流失概率相加之和为1，与获得预测留存概率同理，可以获得目标对象的预测流失概率的公式如下：

根据上述过程，获得预测留存概率，也相当于构建了概率模型，概率模型的具体表达可以参照公式(3)和公式(4)。

第二部分，获取训练集和验证集：

在构建概率模型之后，获取至少一个训练集和至少一个验证集。一个训练集可以理解为一次训练过程中使用的样本集合，一个验证集可以理解位一次验证过程中使用的样本集合。每个训练集包括各样本对象在参考周期内的对象特征数据，各样本对象是否留存于参考周期内的分类标签，以及各样本对象是否留存于基准周期内的分类标签。每个验证集包括各样本对象是否留存于基准周期内的分类标签。

作为一种实施例，训练集和验证集中包括的多个样本对象可以是部分或完全相同的样本对象。

作为一种实施例，训练集中包括参考周期内的正样本数量和负样本数据，且参考周期内的正样本数量和负样本数量的比例满足第一预设比例，以及验证集中包括基准周期内的正样本数量和负样本数量，且基准周期内的正样本数量和负样本数量的比值满足第二预设比例。第一预设比例和第二预设比例可以是取值相同，也可以取值不同。

该实施例中设定训练集和验证集中包含的正负样本的比例，可以使得正负样本相对均衡，利于提高后续训练出的概率模型的准确性。

第三部分，利用训练集，训练概率模型。

请参照图5，表示一种训练概率模型的过程示意图，该训练过程具体包括：

S501，获得各样本对象的预测分类结果，以及概率模型的模型参数。

S1.2.1，基于训练集，确定第二留存概率，第二流失概率，第三条件概率，第四条件概率。

由于训练集中包括参考周期内的各样本对象的分类标签，根据这些分类标签，自然可以确定出参考周期内留存的样本对象，以及流失的样本对象，进而可以确定出参考周期内各样本对象留存的第二留存概率，以及参考周期内各样本对象流失的第二流失概率。

另外，训练集中还包括基准周期内个样本对象的分类标签，因此，可以确定在样本对象在参考周期内留存的情况下，在基准周期内也留存的第三条件概率，以及样本对象在参考周期内流失的情况下，在基准周期内也留存的第四条件概率。

S 1.2.2，基于第二留存概率，第二流失概率，第三条件概率，第四条件概率，确定出预测分类结果。

根据S1.2.1的步骤，能确定出每个样本对象对应的第二留存概率，第二流失概率，第三条件概率，第四条件概率，然后基于第二留存概率对第三条件概率进行调整，以及基于第二流失概率对第四条件概率进行调整；再基于调整的第三条件概率，以及调整后的第四条件概率，获得该样本对象的预测分类结果。依次类推，可以获得各样本对象对应的预测分类结果。其中，调整的方式可以参照前文论述的内容，此处不再赘述。

S1.2.3，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数。

概率模型如前文公式(3)的形式，将已经获得的第三条件概率，第四条件概率，以及参考周期内的对象特征数据等输入到概率分布函数中，反推出概率分布函数中的模型参数。

作为一种实施例，S1.2.2和S1.2.3的执行顺序可以是任意的。

S502，根据预测分类结果以及验证集，调整概率模型的模型参数。

根据各样本对象的预测分类结果，与各样本对象在基准周期内的分类标签之间的误差，不断调整概率模型的模型参数。

根据预测分类结果，以及样本对象在基准周期内的分类标签，确定概率模型的评估指标。评估指标例如可以是查全率和/或查准率。查全率可以是预测分类结果为正样本的数量与验证集的分类标签中涉及的样本对象的总数量的比值。查准率可以是预测分类结果为正样本的数量与验证集中分类标签中正样本的数量的比值。朝着增加查全率和查准率的方向，调整概率模型的模型参数，重复上述步骤S 501和S502。

S503，当优化后的概率模型达到评估指标时，获得已训练的概率模型。

重复执行S501～S502的步骤，当概率模型的评估指标满足预设指标时，获得已训练的概率模型。

本申请实施例通过概率模型预测出多个目标对象对应的留存概率的分布示意图可以参照图6所示，图6中x可以理解为用户的对象特征数据，p可以表示确定出用户的留存概率，图6坐标轴上的各点表示确定出的用户的留存概率。从图6可以看出，本申请实施例中的概率模型获得的概率分布较为分散，利于更准确地对目标用户进行分类。相较于前文论述的相关技术的人工智能模型，本申请实施例与相关技术中的模型的评估指标的比较如下表1所示：

表1

方法	查全率(％)	查准率(％)
			相关技术	87.35	81.47
本申请实施例	91.05	83.27

在获得已训练的概率模型之后，可以使用该已训练的概率模型实现目标业务控制方法。

作为一种实施例，前文训练概率模型的设备可以是其他设备，当其他设备训练得到概率模型之后，可以将已训练的概率模型所对应的配置文件发送给目标业务控制设备100，在目标业务控制设备100获得配置文件之后，执行目标业务控制方法。当然也可以是前文论述的目标业务控制设备100训练该概率模型。在目标业务控制设备100获得已训练的概率模型之后，就可以根据该已训练的概率模型实现目标业务控制方法。

下面基于图4论述的示例场景一，对本申请实施例涉及的目标业务控制方法进行示例说明。

请参照图7，表示一种目标业务控制方法的交互图，图7中以目标业务控制设备100为服务器401为例，该方法具体包括：

S701，服务器401获得在基准周期内各目标对象中，留存目标业务的目标对象的第一留存概率，以及流失目标业务的目标对象的第一流失概率。

可以预先配置服务器401控制目标业务的业务周期，服务器401根据预先配置的业务周期周期性地确定各个业务周期对应的留存概率以及流失概率，当需要确定目标周期内各目标对象对应的分类结果时，可以调用该目标周期对应的基准周期内的第一留存概率和第一流失概率。

或者，在工作人员开启服务器401之后，服务器401根据之前的历史日志，历史日志具体包括个目标对象针对目标业务的行为数据等，获取目标对象在基准周期内的对象特征数据，以及在基准周期内的分类标签等。请参照图8，表示确定目标对象分类的过程示意图，在获得基准周期内的分类标签(如图8中的Z1和Z2所示)之后，可以分类标签从而确定目标周期关联的基准周期的第一留存概率以及第一流失概率。

其中，第一留存概率和第一流失概率的具体获取方式可以参照前文论述的内容，此处不再赘述。

S702，服务器401根据目标对象在基准周期内的对象特征数据，第一留存概率，以及第一流失概率，获得目标对象在目标周期内的目标留存概率。

具体的，请继续参照图8，服务器401将目标对象在基准周期内的对象特征数据(如图8中的X1，X2…Xn所示)输入概率模型中的概率分布函数项，获得第一条件概率和第二条件概率。服务器401根据第一留存概率对第一条件概率进行调整，并根据第一流失概率对第二条件概率进行调整，具体调整方式可以参照前文论述的方式一和方式二，此处不再赘述。

服务器401根据调整后的第一条件概率和调整后的第二条件概率获得目标对象在目标周期内的目标留存概率。

服务器401根据目标留存概率，获得目标对象在目标周期内是否留存于目标业务的分类结果。可以是目标对象在目标周期内的目标留存概率大于预设阈值时，该目标对象在目标周期则分类为留存目标，也可以理解为该目标对象在目标周期内留存。可以是目标对象在目标周期内的目标留存概率小于或等于预设阈值时，该目标对象在目标周期则分类为流失目标，也可以理解为该目标对象在目标周期内流失。预设阈值可以是预先设定的，比如可以设置为0.5，也可以是根据该概率模型的概率分布情况设定的。

作为一种实施例，在预测出各个目标对象的分类结果之后，可以确定该目标业务的业务流失率，业务流失率可以是用在目标周期内流失的目标对象的数量与总的注册对象的数量的比值来表示。当业务流失率低于设定值时，向工作人员关联的设备发送业务流失提醒。

S703，若目标对象在目标周期内留存，向终端设备402发送登录目标业务的登录邀请。

登录邀请用于邀请用户登录业务。登录邀请可以包括提供邀请目标对象登录目标业务的便捷接口，该便捷接口可以是以链接的形式表示。展示登录邀请的方式很多种，例如展示在通知栏、短信、应用通知消息中或第三方应用通知消息中等。

比如请参照图9，目标对象在开启该目标业务对应的客户端的通知提醒，登录邀请可以以新消息通知的方式显示在终端设备402上，或者比如向目标对象关联的终端设备402发送短信通知等。登录邀请例如图9中所示的“一起来参与游戏……”的通知消息。

该实施例中，向预测为留存的目标对象发送登录邀请，能够及时推行目标对象登录，以避免流失目标对象，提高目标对象对目标业务的黏性。

S704，终端设备402响应于目标对象针对登录邀请的操作，生成登录业务请求。

例如，目标对象在接收到登录邀请之后，可以点击该登录邀请，终端设备402响应于该目标对象的点击操作，生成登录业务请求，登录业务请求用于请求登录目标业务。

S705，终端设备402将登录业务请求发送给服务器401。

S706，服务器401根据该登录业务请求，向终端设备402提供业务服务，并监测目标对象在目标周期内针对目标业务的登录状态。

服务器401接收该登录业务请求之后，通过与终端设备402的后续交互，为目标对象提供业务服务。服务器401同时根据登录业务请求，确定该目标对象的登录状态，登录状态可以包括目标对象是否登录目标业务，以及目标对象登录目标业务的时长等。

在S703～S706所示的实施例中，由于服务器401会根据目标对象是否留存于目标业务的需求，如果确定目标对象在目标周期流程留存于目标业务，可以向目标对象发送登录邀请，目标对象无需从多个软件应用中查找目标业务所对应的软件应用，利于目标对象快速登录目标业务，且，有利于提醒目标对象进入该目标业务，提高目标业务的用户黏性。

S707，若目标对象在目标周期内留存，则向目标对象推送目标业务关联的物品推荐信息。

如果目标对象在目标周期内为留存，服务器401可以根据该目标对象的用户画像，向目标对象推送该目标业务涉及的物品推荐信息。这些被推荐的物品可以是目标对象在目标业务内所喜爱的物品，比如游戏业务中，目标对象偏好游戏模式一，如果确定目标对象在目标周期内留存，可以向目标对象推送该模式一。或者比如购物业务中，目标对象偏好电子类商品，可以向目标对象推送这些电子类商品。

作为一种实施例，S703～S706和S707为可选的两部分。

作为一种实施例，服务器401可以任意执行S703～S706和S707中的一种，或可以均执行S703～S706和S707。

针对图4论述的示例场景二，各个目标对象也就是各个自动驾驶车辆，服务器401确定出各个自动驾驶车辆是否留存于目标业务，具体确定方式可以参照前文论述的内容，此处不再赘述。在服务器401确定出各个自动驾驶车辆是否留存于目标业务之后，同样可以向各个自动驾驶车辆发送登录目标业务的登录邀请，以提高自动驾驶车辆使用目标业务的效率。

基于同一发明构思，本申请实施例提供一种目标业务控制装置，请参照图10，该装置1000包括：

概率获得模块1001，用于获得在基准周期内各目标对象中，留存目标业务的目标对象的第一留存概率，以及流失目标业务的目标对象的第一流失概率，以及根据目标对象在基准周期内的对象特征数据，获得目标对象在基准周期内留存的条件下，在目标周期内留存的第一条件概率，和在目标对象基准周期内流失的条件下，在目标周期内流失的第二条件概率；

调整模块1002，用于根据第一留存概率对第一条件概率进行调整，并根据第一流失概率对第二条件概率进行调整；

分类获得模块1003，用于根据调整后的第一条件概率和调整后的第二条件概率获得目标对象在目标周期内的目标留存概率，以及根据目标留存概率，获得目标对象在目标周期内是否留存于目标业务的分类结果；

业务逻辑执行模块1004，用于根据分类结果执行目标业务关联的业务逻辑。

在一种可能的实施例中，基准周期为目标周期的上一个业务周期；以及，

第一留存概率和第一流失概率是通过在基准周期内各目标对象是否留存于目标业务的分类标签确定的。

在一种可能的实施例中，调整模块1002具体用于：

根据第一留存概率对第一条件概率进行加权，并根据第一流失概率对第二条件概率进行加权。

在一种可能的实施例中，业务逻辑执行模块1004具体用于执行如下之一：

若目标对象在目标周期内留存，向目标对象发送登录目标业务的登录邀请；

根据目标对象针对登录邀请的操作，监测目标对象在目标周期内针对目标业务的登录状态；或

若目标对象在目标周期内留存，则向目标对象推送目标业务关联的物品推荐信息。

在一种可能的实施例中，目标留存概率是通过概率模型确定的，概率模型是通过如下步骤训练得到的：

获取训练集和验证集；其中，训练集包括各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，验证集包括各样本对象在基准周期内是否留存于目标业务的分类标签；

根据各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，确定样本对象在参考周期内留存的条件下，在基准周期内留存的第三条件概率，和样本对象在参考周期内流失的条件下，在基准周期内留存的第四条件概率，以及在参考周期内各样本对象中，留存目标业务的样本对象的第二留存概率，以及流失目标业务的样本对象的第二流失概率；

根据第二留存概率，第二流失概率，第三条件概率，第四条件概率，获得目标对象是否留存与基准周期内的预测分类结果；以及，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数；

根据概率模型的评价指标，调整概率模型的模型参数，当概率模型的评价指标满足预设指标时，获得已训练的概率模型；其中，概率模型的评价指标是根据验证集，以及预测分类结果确定的。

在一种可能的实施例中，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数，包括：

将第三条件概率，第四条件概率以及参考周期内的对象特征数据输入预设概率分布函数，获得概率模型的模型参数；其中，概率分布函数项采用逻辑回归函数。

在一种可能的实施例中，训练集中包括基准周期内留存的样本对象与流失的样本对象，留存的样本对象与流失的样本对象的比例满足第一预设比例，验证集中包括基准周期内留存的样本对象与流失的样本对象，在基准周期内留存的样本对应与流失的样本对象的比例满足第二预设比例。

基于同一发明构思，本申请实施例还提供了一种计算设备1100。该计算设备相当于前文中的服务器401。

请参照图11，计算设备1100以通用计算设备的形式表现。计算设备110的组件可以包括但不限于：至少一个处理器1110、至少一个存储器1120、连接不同系统组件(包括处理器1110和存储器1120)的总线1130。

总线1130表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、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。

存储器1120可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1121和/或高速缓存存储器1122，还可以进一步包括只读存储器(ROM)1123。

存储器1120还可以包括具有一组(至少一个)程序模块1125的程序/实用工具1126，这样的程序模块1125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。处理器1110用于执行存储器1120存储的程序指令等实现前文论述的目标业务控制方法。处理器1110也可以用于执行存储器1120存储的程序指令等实现前文论述的目标业务控制设备300的功能。

计算设备1100也可以与一个或多个外部设备1140(例如键盘、指向设备等)通信，还可与一个或者多个使得终端设备402能与计算设备1100交互的设备通信，和/或与使得该计算设备1100能与一个或多个其它设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，计算设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与用于计算设备1100的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

基于同一发明构思，本申请实施例提供一种存储介质，该存储介质存储有计算机指令，当计算机指令在计算机上运行时，使得计算机执行前文论述的目标业务控制方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (12)

1.一种目标业务控制方法，其特征在于，包括：

获得在基准周期内各目标对象中，留存目标业务的目标对象的第一留存概率，以及流失目标业务的目标对象的第一流失概率；

根据目标对象在基准周期内的对象特征数据，获得目标对象在所述基准周期内留存的条件下，在所述目标周期内留存的第一条件概率，和在所述目标对象基准周期内流失的条件下，在所述目标周期内留存的第二条件概率；

根据所述第一留存概率对所述第一条件概率进行调整，并根据所述第一流失概率对所述第二条件概率进行调整；

根据调整后的第一条件概率、调整后的第二条件概率、以及概率模型，获得目标对象在所述目标周期内的目标留存概率；

根据所述目标留存概率，获得目标对象在所述目标周期内是否留存于所述目标业务的分类结果；

根据所述分类结果执行所述目标业务关联的业务逻辑；

其中，所述概率模型是通过如下步骤训练得到的：

获取训练集和验证集；其中，训练集包括各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，验证集包括各样本对象在基准周期内是否留存于目标业务的分类标签；

根据各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，确定样本对象在所述参考周期内留存的条件下，在所述基准周期内留存的第三条件概率，和样本对象在所述参考周期内流失的条件下，在所述基准周期内留存的第四条件概率，以及在参考周期内各样本对象中，留存目标业务的样本对象的第二留存概率，以及流失目标业务的样本对象的第二流失概率；

基于第二留存概率对第三条件概率进行调整，以及基于第二流失概率对第四条件概率进行调整；基于调整的第三条件概率，以及调整后的第四条件概率，获得该样本对象是否留存于基准周期内的预测分类结果；以及，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数；

根据概率模型的评价指标，调整概率模型的模型参数，当所述概率模型的评价指标满足预设指标时，获得已训练的概率模型；其中，概率模型的评价指标是根据验证集，以及预测分类结果确定的。

2.如权利要求1所述的方法，其特征在于，所述基准周期为所述目标周期的上一个业务周期；以及，

第一留存概率和第一流失概率是通过在所述基准周期内各目标对象是否留存于目标业务的分类标签确定的。

3.如权利要求1所述的方法，其特征在于，根据所述第一留存概率对所述第一条件概率进行调整，并根据所述第一流失概率对所述第二条件概率进行调整，包括：

根据所述第一留存概率对所述第一条件概率进行加权，并根据所述第一流失概率对所述第二条件概率进行加权。

4.如权利要求1所述的方法，其特征在于，根据所述分类结果执行所述目标业务关联的业务逻辑，至少包括如下之一：

若目标对象在所述目标周期内留存，向目标对象发送登录所述目标业务的登录邀请；

根据目标对象针对所述登录邀请的操作，监测目标对象在所述目标周期内针对所述目标业务的登录状态；或

若目标对象在所述目标周期内留存，则向目标对象推送所述目标业务关联的物品推荐信息。

5.如权利要求1所述的方法，其特征在于，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数，包括：

将所述第三条件概率，第四条件概率以及参考周期内的对象特征数据输入预设概率分布函数，获得概率模型的模型参数；其中，所述概率分布函数项采用逻辑回归函数。

6.如权利要求5所述的方法，其特征在于，所述训练集中包括所述基准周期内留存的样本对象与流失的样本对象，在基准周期内留存的样本对象与流失的样本对象的比例满足第一预设比例，所述验证集中包括所述基准周期内留存的样本对象与流失的样本对象，在基准周期内留存的样本对象与流失的样本对象的比例满足第二预设比例。

7.一种目标业务控制装置，其特征在于，包括：

概率获得模块，用于获得在基准周期内各目标对象中，留存目标业务的目标对象的第一留存概率，以及流失目标业务的目标对象的第一流失概率，以及根据目标对象在基准周期内的对象特征数据，获得目标对象在所述基准周期内留存的条件下，在所述目标周期内留存的第一条件概率，和在所述目标对象基准周期内流失的条件下，在所述目标周期内留存的第二条件概率；

调整模块，用于根据所述第一留存概率对所述第一条件概率进行调整，并根据所述第一流失概率对所述第二条件概率进行调整；

分类获得模块，用于根据调整后的第一条件概率、调整后的第二条件概率和概率模型，获得目标对象在所述目标周期内的目标留存概率，以及根据所述目标留存概率，获得目标对象在所述目标周期内是否留存于所述目标业务的分类结果；

业务逻辑执行模块，用于根据所述分类结果执行所述目标业务关联的业务逻辑；

其中，所述概率模型是通过如下步骤训练得到的：

获取训练集和验证集；其中，训练集包括各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，验证集包括各样本对象在基准周期内是否留存于目标业务的分类标签；

根据各样本对象在参考周期内是否留存于目标业务的分类标签，参考周期内的对象特征数据，以及基准周期内是否留存于目标业务的分类标签，确定样本对象在所述参考周期内留存的条件下，在所述基准周期内留存的第三条件概率，和样本对象在所述参考周期内流失的条件下，在所述基准周期内留存的第四条件概率，以及在参考周期内各样本对象中，留存目标业务的样本对象的第二留存概率，以及流失目标业务的样本对象的第二流失概率；

根据第二留存概率对第三条件概率进行调整，以及基于第二流失概率对第四条件概率进行调整；基于调整后的第三条件概率，以及调整后的第四条件概率，获得样本对象是否留存于基准周期内的预测分类结果；以及，根据第三条件概率，第四条件概率，以及参考周期内的对象特征数据，获得概率模型的模型参数；

根据概率模型的评价指标，调整概率模型的模型参数，当所述概率模型的评价指标满足预设指标时，获得已训练的概率模型；其中，概率模型的评价指标是根据验证集，以及预测分类结果确定的。

8.如权利要求7所述的装置，其特征在于，所述基准周期为所述目标周期的上一个业务周期；以及，

所述第一留存概率和所述第一流失概率是通过在所述基准周期内各目标对象是否留存于目标业务的分类标签确定的。

9.如权利要求8所述的装置，其特征在于，所述调整模块具体用于：

根据所述第一留存概率对所述第一条件概率进行加权，并根据所述第一流失概率对所述第二条件概率进行加权。

10.如权利要求7所述的装置，其特征在于，所述业务逻辑执行模块具体用于执行如下之一：

若目标对象在所述目标周期内留存，向目标对象发送登录所述目标业务的登录邀请；

根据目标对象针对所述登录邀请的操作，监测目标对象在所述目标周期内针对所述目标业务的登录状态；或

若目标对象在所述目标周期内留存，则向目标对象推送所述目标业务关联的物品推荐信息。

11.一种计算设备，其特征在于，包括：

至少一个处理器，以及

与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1~6中任一项所述的方法。

12.一种存储介质，其特征在于，所述存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1~6中任一项所述的方法。