用于生成用户留存时间的方法、装置、电子设备和介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成用户留存时间的方法、装置、电子设备和介质。
背景技术
目前,提供应用的企业越来越关注在未来预定时间内用户使用应用的时间,也即用户留存时间。用户的留存时间的确定侧面反映了应用的受欢迎程度。然而,目前用户留存时间的确定方法存在繁琐、效率低等问题。由此,需要相对简便、有效的方法来确定用户留存时间。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成用户留存时间的方法、装置、电子设备和介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种用于生成用户留存时间的方法,该方法包括:对获得的用户特征的数据进行预处理;将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。
第二方面,本公开的一些实施例提供了一种用于生成用户留存时间的装置,装置包括:处理单元,被配置成对获得的用户特征的数据进行预处理;生成单元,被配置成将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中所描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过对获得的用户特征的数据进行预处理,来去除上述数据的单位限制,将其转化为无量纲的纯数值。然后利用深度学习网络来有效的地预估用户在未来预定时间的留存情况。此预估方法为开发人员对应用的管理提供了巨大的便利,侧面提高了用户体验。其中,上述深度学习网络加入了随机失活来防止某个特征的过拟合。多层全连接网络用于学习用户在历史预设时间段中使用应用的特征,有助于提高对留存情况预估的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1-2是根据本公开的一些实施例的用于生成用户留存时间的方法的多个应用场景的示意图;
图3是根据本公开的用于生成用户留存时间的方法的一些实施例的流程图;
图4是根据本公开的一些实施例的用于生成用户留存时间的方法的一个应用场景的示意图;
图5是根据本公开的用于生成用户留存时间的方法的另一些实施例的流程图;
图6是根据本公开的用于生成用户留存时间的方法的另一些实施例的深度网络的模型训练图;
图7是根据本公开的用于生成用户留存时间的装置的一些实施例的结构示意图;
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1-2是根据本公开一些实施例的用于生成用户留存时间的方法的多个应用场景的示意图。
如图1所示,作为示例,计算设备102可以通过设备101获得用户特征的数据1031。然后,如图2所示,计算设备102可以对获得的用户特征的数据1031进行预处理,得到预处理后的数据1032。之后,计算设备102可以将预处理后的数据1032输入至预先训练的深度学习网络104,得到在未来预定时间内用户使用应用的时间105,其中,上述深度学习网络包括多层全连接网络。
需要说明的是,上述计算设备102可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1和图2中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图3,示出了根据本公开的用于生成用户留存时间的方法的一些实施例的流程300。该用于生成用户留存时间的方法,包括以下步骤:
步骤301,对获得的用户特征的数据进行预处理。
在一些实施例中,用于确定用户留存时间的方法的执行主体(例如图1所示的计算设备102)可以通过各种方式对获得的用户特征的数据进行预处理。在这里,用户特征可以是对用户的操作行为进行描述的特征。其中,对于数据的预处理可以包括但不限于以下至少一项:数据标准化,数据归一化,数据二值化,独热编码。作为示例,可以对获得的用户特征的数据进行数据归一化,从而把用户特征的数据的取值限定在规定范围内。通过上述预处理,可以实现多种目的,例如侧面提升模型的精确度。
在一些实施例的一些可选的实现方式中,上述用户特征可以包括但不限于以下至少一项:上述用户停留时间超过预定时间的应用上显示的文章数目,上述用户使用上述应用的时间,上述用户目标时间段内打开上述应用的次数,上述用户是否使用账号登陆过应用,上述用户点击应用上显示的文章的篇数,上述应用推送给上述用户的文章篇数,上述用户完整阅读应用上显示的文章的篇数,上述用户在上述应用内操作的次数,上述用户分享应用上显示的文章的篇数。
在一些实施例的一些可选的实现方式中,对获得的用户特征的数据进行预处理,可以包括将上述用户特征的数据进行数据标准化。其中,上述数据标准化后的数据分布符合标准正态分布,即均值为0,标准差为1。上述标准化的转化函数为X=(x-μ)/σ,其中,X为标准化后的数据,x为标准化之前的用户特征数据,μ为上述用户特征数据的均值,σ为上述用户特征数据的标准差。作为示例,对于上述用户停留时间超过预定时间的文章数目,在所有用户群体上统计其均值为37,标准差为48。将数据输入到模型之前,会将这个数据减去37,再除以48,之后将得到的数据输入至深度学习网络中。
作为示例,对获得的用户特征的数据中的“用户停留时间超过预定时间的应用上显示的文章数目:50”这项数据进行预处理,处理过程如下:第一步,将数据数值减去37,得到数值13;第二步,将得到的数值13除以标准差48,得到结果0.271;第三步,将得到的结果作为预处理后的数据。
步骤302,将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间。
在一些实施例中,上述执行主体可以将经过上述步骤301预处理过的用户特征的数据输入至上述预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。上述深度学习网络的输入可以是预定数量用户历史预设时间段中使用应用的数据,输出可以是未来预定时间用户使用应用的数据。作为示例,上述深度学习网络可以是循环神经网络(Recurrent Neural Network,RNN),也可以是长短期记忆网络(Long Short-Term Memory networks,LSTM)。在这里,深度学习网络可以是含有多层隐藏层的网络结构。含有多层隐藏层的深度学习网络可以极大提高深度学习网络的学习能力。除此之外,深度学习网络采用多对一的网络结构。多对一的网络结构指得是网络结构有多个输入和一个输出。
在一些实施例的一些可选的实现方式中,用户在历史预设时间段中使用应用的特征的数据较为庞大,使用包含多层全连接网络的深度学习网络可以全面的学习用户在历史预设时间段中的特征。通过对用户的特征的全面分析、学习,可以提高对用户使用应用的时间的预估的准确性。利用多层全连接网络提升了留存情况预估的任务性能,使得生成的未来预定时间内用户使用应用的时间更加符合实际情况。
作为示例,在图4的应用场景中,计算设备102首先对获得的用户特征的数据4011进行预处理,得到预处理后的数据4012。然后,计算设备102可以将上述预处理后的数据4012输入至预先训练的深度学习网络,得到未来预定时间内用户使用应用的时间402。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过对获得的用户特征的数据进行预处理,来去除上述数据的单位限制,将其转化为无量纲的纯数值。然后利用深度学习网络来有效的地预估用户在未来预定时间的留存情况。此预估方法为开发人员对应用的管理提供了巨大的便利,侧面提高了用户体验。其中,上述深度学习网络加入了随机失活来防止某个特征的过拟合。多层全连接网络用于学习用户在历史预设时间段中使用应用的特征,有助于提高对留存情况预估的准确度。
继续参考图5,示出了根据本公开的用于生成用户留存时间的方法的另一些实施例的流程500。该用于生成用户留存时间的方法,包括以下步骤:
步骤501,对获得的用户特征的数据进行预处理。
在一些实施例中,步骤501的具体实现及所带来的技术效果可以参考图3对应的那些实施例中的步骤301,在此不再赘述。
步骤502,将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间。
其中,步骤502包括以下子步骤:
步骤5021,将预处理后的数据输入至深度学习网络的卷积层,得到第一输出结果。
在一些实施例中,深度学习网络包括卷积层、第一全连接网络和第二全连接网络。上述执行主体可以将经过上述步骤501预处理过的用户特征的数据输入至上述卷积层,得到第一输出结果。上述卷积层可以是时间级的一维卷积层,作用在于降低数据维度,用于学习相邻的预定数目天的用户使用应用的数据特征。
在一些实施例的一些可选的实现方式中,利用时间级的卷积层可以学习预定数目天的数据特征,可以避免时间过于久远的数据对留存情况预估任务的造成误差影响。时间级的卷积层还可以学习相邻的预定数目天的数据特征,由此,在生成用户使用应用的时间的过程中可以学习到用户在相邻几天的习惯特征。例如,用户在某几天使用应用的时间长于平均使用时间。由此,可以大大提高留存情况预估任务的容错性。
步骤5022,将第一输出结果输入至深度学习网络的第一全连接网络。
在一些实施例中,上述执行主体可以将上述第一输出结果输入至上述第一全连接网络。上述第一全连接网络作用在于提升数据维度,用于提取更多的用户特征信息。在这里,上述第一全连接网络中激活层采用的激活函数可以是线性整流函数(RectifiedLinear Unit,ReLU)。上述第一全连接网络中可以采用随机失活(dropout)以防止过拟合。具体地,上述第一全连接网络中采用随机失活可以是在训练过程中丢弃第一全连接网络中隐藏层中的一定比例的神经元。在验证过程中,所有的神经元会全部保留,不再丢弃。
步骤5023,对第一全连接网络的输出结果进行数据重新组织,得到第二输出结果。
在一些实施例中,上述执行主体可以对上述第一全连接网络的输出结果进行数据重新组织(reshape),得到第二输出结果。数据重新组织是对数据的维度进行调整。进行上述数据重新组织的目的在于保证前后数据维度的一致。
步骤5024,将第二输出结果输入至深度学习网络的第二全连接网络,输出在未来预定时间内用户使用应用的时间。
在一些实施例中,上述执行主体将上述第二输出结果输入至上述深度学习网络的第二全连接网络,输出在未来预定时间内用户使用应用的时间,其中,上述第二全连接网络在训练过程中采用了随机失活。上述第二全连接网络可以包括多层全连接层和激活函数层。最后,数据经过上述第二全连接网络,归一到0-1之间。在这里,0-1之间的数字表征着用户在未来预定时间内使用天数的比例。
从图5中可以看出,与图3对应的一些实施例的描述相比,图5对应的一些实施例中的确定用户留存时间的方法的流程500更加精准突出了深度学习网络中包含了卷积层和多层全连接层的结构和每层网络的具体实现步骤。由此,这些实施例描述的方案可以更大化的体现使用深度学习网络的多层全连接网络来精准确定在未来用户使用应用的时间的优势。
继续参考图6,示出了根据本公开的用于生成用户留存时间的方法的另一些实施例的深度学习网络的模型训练图600,该用于生成用户留存时间的方法的网络模型的训练,包括:
第一步,设置批次的数量(batch_size)为512。
即每次输入512个用户特征的数据用于训练。每个用户使用50天的历史特征,可以得到的初始特征为50*9。因此在输入层601的数据为3维矩阵,数据维度为512*50*9。
第二步,将输入层601的数据输入至卷积层602,得到第一输出结果。
上述第一输出结果的数据维度为512*36*9。
第三步,将上述第一输出结果输入至第一全连接网络603,得到输出结果的数据维度为512*128*9。对第一全连接网络的输出结果进行数据重新组织,得到第二输出结果。第二输出结果的数据维度为512*1152,如附图标记604所示。
第四步,将上述第二输出结果输入至第二全连接网络605,输出第二全连接网络的输出结果,上述输出结果的数据为512*4,输出结果表征用户在预定时间内使用用户的时间。
在这里,网络模型的训练的优化器可以包括但不限于以下至少一项:批量梯度下降(BGD,Batch Gradient Descent),随机梯度下降(SGD,Stochastic Gradient Descent),小批量梯度下降法(MBGD,Mini-batch Gradient Descent),动量优化算法(Momentum),自适应学习率优化算法(AdaGrad,Adaptive Gradient Algorithm),自适应学习率优化算法(Adam,Adam optimization algorithm)。除此之外,网络模型的训练的学习率可以是0.01。在深度学习网络的模型训练阶段可以加入随机失活(dropout)层,在验证阶段可以去掉随机失活层。
继续参考图7,作为对上述各图上述方法的实现,本公开提供了一种用于生成用户留存时间的装置的一些实施例,这些装置实施例与图3上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,一些实施例的用于生成用户留存时间的装置700包括:处理单元701和生成单元702。其中,处理单元701,被配置成对获得的用户特征的数据进行预处理;生成单元702,被配置成将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。
在一些实施例的一些可选的实现方式中,处理单元701可以进一步被配置成:对上述用户特征的数据进行数据标准化,其中,上述数据标准化后的数据分布符合标准正态分布。
在一些实施例的一些可选的实现方式中,上述深度学习网络包括卷积层、第一全连接网络和第二全连接网络。
在一些实施例的一些可选的实现方式中,上述生成单元702可以进一步被配置成:将预处理后的数据输入至上述卷积层,得到第一输出结果;将上述第一输出结果输入至第一全连接网络,其中,在上述深度学习网络的模型训练过程中,在上述第一全连接网络中采用了随机失活;对上述第一全连接网络的输出结果进行数据重新组织,得到第二输出结果。
在一些实施例的一些可选的实现方式中,上述生成单元702可以进一步被配置成:将上述第二输出结果输入至上述第二全连接网络,输出在未来预定时间内用户使用应用的时间,其中,上述第二全连接网络在训练过程中采用了随机失活。
在一些实施例的一些可选的实现方式中,上述用户特征包括以下至少一项:上述用户停留时间超过预定时间的应用上显示的文章数目,上述用户使用上述应用的时间,上述用户目标时间段内打开上述应用的次数,上述用户是否使用账号登陆过应用,上述用户点击应用上显示的文章的篇数,上述应用推送给上述用户的文章篇数,上述用户完整阅读应用上显示的文章的篇数,上述用户在上述应用内操作的次数,上述用户分享应用上显示的文章的篇数。
可以理解的是,该装置700中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;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该电子设备执行时,使得该电子设备:对获得的用户特征的数据进行预处理;将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。
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公开的一些实施例的操作的计算机程序代码,上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服务器上执行。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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中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,例如,可以描述为:一种处理器包括处理单元和生成单元。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,例如,处理单元还可以被描述为“对获得的用户特征的数据进行预处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种用于生成用户留存时间的方法,包括:对获得的用户特征的数据进行预处理;将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。
根据本公开的一个或多个实施例,上述对获得的用户特征的数据进行预处理,包括:对上述用户特征的数据进行数据标准化,其中,上述数据标准化后的数据分布符合标准正态分布。
根据本公开的一个或多个实施例,上述深度学习网络包括卷积层、第一全连接网络和第二全连接网络。
根据本公开的一个或多个实施例,上述将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,包括:将预处理后的数据输入至上述卷积层,得到第一输出结果;将上述第一输出结果输入至第一全连接网络,其中,在上述深度学习网络的模型训练过程中,在上述第一全连接网络中采用了随机失活;对上述第一全连接网络的输出结果进行数据重新组织,得到第二输出结果。
根据本公开的一个或多个实施例,上述将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,包括:将上述第二输出结果输入至上述第二全连接网络,输出在未来预定时间内用户使用应用的时间,其中,上述第二全连接网络在训练过程中采用了随机失活。
根据本公开的一个或多个实施例,上述用户特征包括以下至少一项:上述用户停留时间超过预定时间的应用上显示的文章数目,上述用户使用上述应用的时间,上述用户目标时间段内打开上述应用的次数,上述用户是否使用账号登陆过应用,上述用户点击应用上显示的文章的篇数,上述应用推送给上述用户的文章篇数,上述用户完整阅读应用上显示的文章的篇数,上述用户在上述应用内操作的次数,上述用户分享应用上显示的文章的篇数。
根据本公开的一个或多个实施例,提供了一种用于生成用户留存时间的装置,包括:处理单元,被配置成对获得的用户特征的数据进行预处理;生成单元,被配置成将预处理后的数据输入至预先训练的深度学习网络,输出在未来预定时间内用户使用应用的时间,其中,上述深度学习网络包括多层全连接网络。
根据本公开的一个或多个实施例,上述对获得的用户特征的数据进行预处理,包括:对上述用户特征的数据进行数据标准化,其中,上述数据标准化后的数据分布符合标准正态分布。
根据本公开的一个或多个实施例,上述深度学习网络包括卷积层、第一全连接网络和第二全连接网络。
根据本公开的一个或多个实施例,上述生成单元可以进一步被配置成:将预处理后的数据输入至上述卷积层,得到第一输出结果;将上述第一输出结果输入至第一全连接网络,其中,在上述深度学习网络的模型训练过程中,在上述第一全连接网络中采用了随机失活;对上述第一全连接网络的输出结果进行数据重新组织,得到第二输出结果。
根据本公开的一个或多个实施例,上述生成单元可以进一步被配置成:将上述第二输出结果输入至上述第二全连接网络,输出在未来预定时间内用户使用应用的时间,其中,上述第二全连接网络在训练过程中采用了随机失活。
根据本公开的一个或多个实施例,上述用户特征包括以下至少一项:上述用户停留时间超过预定时间的应用上显示的文章数目,上述用户使用上述应用的时间,上述用户目标时间段内打开上述应用的次数,上述用户是否使用账号登陆过应用,上述用户点击应用上显示的文章的篇数,上述应用推送给上述用户的文章篇数,上述用户完整阅读应用上显示的文章的篇数,上述用户在上述应用内操作的次数,上述用户分享应用上显示的文章的篇数。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。