CN113827981A - 一种基于朴素贝叶斯的游戏流失用户预测方法和系统 - Google Patents

一种基于朴素贝叶斯的游戏流失用户预测方法和系统 Download PDF

Info

Publication number
CN113827981A
CN113827981A CN202110946657.7A CN202110946657A CN113827981A CN 113827981 A CN113827981 A CN 113827981A CN 202110946657 A CN202110946657 A CN 202110946657A CN 113827981 A CN113827981 A CN 113827981A
Authority
CN
China
Prior art keywords
user
game
user record
class
data
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
Application number
CN202110946657.7A
Other languages
English (en)
Inventor
黄晓鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Electronic Soul Network Technology Co Ltd
Original Assignee
Hangzhou Electronic Soul Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Electronic Soul Network Technology Co Ltd filed Critical Hangzhou Electronic Soul Network Technology Co Ltd
Priority to CN202110946657.7A priority Critical patent/CN113827981A/zh
Publication of CN113827981A publication Critical patent/CN113827981A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于朴素贝叶斯的游戏流失用户预测方法，该方法包括：通过数据库操作模块从游戏数据库中获取多个维度的第一用户记录数据；通过预处理模块对第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；通过标签模块对第二用户记录数据添加流失标签或非流失标签；基于第二用户记录数据进行模型训练得到朴素贝叶斯模型；通过朴素贝叶斯模型预测游戏用户是否会流失。通过本申请，解决了相关技术中无法准确高效的对游戏流失用户进行预测的问题，提升了用户流失预测的准确性和效率，同时，也节约了人力成本。

Description

一种基于朴素贝叶斯的游戏流失用户预测方法和系统
技术领域
本申请涉及游戏开发技术领域，特别是涉及一种基于朴素贝叶斯的游戏流失用户预测方法和系统。
背景技术
随着电子竞技行业的发展，越来越多游戏出现，其中许多爆款游戏有大量的游戏玩家。游戏开发者希望延长玩家的游戏生命周期，为此希望能够根据玩家的行为来预测判断该玩家是否会流失。
在相关技术中，普遍采用人工统计分析的方法或者通过较为简单的机器学习进行流失预测。但是，采用统计分析方法，在用户基数较大时，存在效率低和人力成本较高的问题；采用简单机器学习进行流失预测的方法，也存在准确性和可扩展性较低的问题。
目前针对相关技术中无法准确高效的对游戏流失用户进行预测的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于朴素贝叶斯的游戏流失用户预测方法、系统、和计算机设备，以至少解决相关技术中无法准确高效的对游戏流失用户进行预测的问题。
第一方面，本申请实施例提供了一种基于朴素贝叶斯的游戏流失用户预测方法，所述方法包括：
通过数据库操作模块从游戏数据库中获取多个维度的第一用户记录数据；
通过预处理模块对所述第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；
通过标签模块对所述第二用户记录数据添加流失标签或非流失标签；
基于所述第二用户记录数据进行模型训练得到朴素贝叶斯模型；
通过所述朴素贝叶斯模型预测游戏用户是否会流失，若是，将所述游戏用户添加至所述游戏数据库中的流失预测结果表。
在其中一些实施例中，所述基于所述第二用户记录进行训练得到朴素贝叶斯模型包括：
按照预设比例，将所述第二用户记录数据划分为训练数据集和测试数据集；
基于所述训练数据集进行模型训练得到第一朴素贝叶斯模型；
基于所述测试数据集对所述第一朴素贝叶斯模型的预测效果进行测试；
在所述测试的结果指示为合格的情况下，将所述第一朴素贝叶斯模型保存为所述朴素贝叶斯模型。
在其中一些实施例中，所述基于所述训练集数据进行模型训练得到第一朴素贝叶斯模型包括：
初始化朴素贝叶斯模型架构；
依据所述流失标签和所述非流失标签将所述训练集数据划分为流失样本类和非流失样本类；
计算所述流失样本类和所述非流失样本类的类先验概率以及类条件概率，其中，所述类条件概率是从多个维度计算得到的；
通过argmax函数，根据所述类条件概率和所述类条件概率，计算所述训练数据集中每个样本数据所属的类标签，根据所述类标签输出用户为流失用户或非流失用户。
在其中一些实施例中，通过如下公式计算所述类先验概率：
Figure BDA0003216316520000021
其中，P(c)是类先验概率，D为所述训练数据集，Dc为类别为c的训练数据集，|Dc|为类别为C的数据集的记录条数，|D|为数据集D的记录条数。
在其中一些实施例中，通过如下公式计算计算所述训练数据集中每个样本数据所属的类标签：
Figure BDA0003216316520000022
其中，P(c)是类先验概率，P(Xi|c)为类条件概率。
在其中一些实施例中，所述第一用户记录数据包括：用户ID、用户级别、总在线时长、第一预设时间段在线时长、第一预设时间段登录天数、第一预设时间段登录次数、第二预设时间段在线时长、第二预设时间段登录天数、第二预设时间段登录次数、首次登录时间、最后登录时间、首次付费时间、最后付费时间、第一预设时间段付费次数、第一预设时间付费金额、第二预设时间段付费次数、第二预设时间段付费金额、是否为工作室用户、第一预设时间段游戏次数、第一预设时间段胜利次数、第一预设时间段游戏时长、第一预设时间段游戏天数、第二预设时间段游戏次数、第二预设时间段游戏时长和第二预设时间段游戏天数，其中，所述第一预设时间段包括且大于所述第二预设时间段。
在其中一些实施例中，所述通过预处理模块对所述第一用户记录数据执行格式转换包括：
将所述第一用户记录数据转换成为预设格式；
对所述第一用户记录数据进行向量化表示，并根据每个维度的缺失值进行缺失值补充；
根据预设异常值判定规则，判断并修正所述第一用户记录数据中的异常值；
将所述第一用户记录数据中的整形数据转换为浮点型数据。
在其中一些实施例中，所述通过预处理模块对所述第一用户记录执行冗余剔除包括：
通过Python语言环境下的seaborn包获取所述用户记录数据在所有维度下的相关性热力图；
根据所述相关性热力图，确定相关性大于预设相关性阈值的维度数据，剔除其中的不必要维度。
第二方面，本申请实施例提供了一种基于朴素贝叶斯的游戏流失用户预测系统，所述系统包括：数据库模块、预处理模块、标签模块和朴素贝叶斯模型；
所述数据库操作模块用于从游戏数据库中获取多个维度的第一用户记录数据；
所述预处理数据用于对所述第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；
所述标签模块用于对所述第二用户记录数据添加流失标签或非流失标签；
所述朴素贝叶斯模型用于基于所述第二用户记录数据进行模型训练，以及预测游戏用户是否会流失，若是，将所述游戏用户添加至所述游戏数据库中的流失预测结果表。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的方法。
相比于相关技术，本申请实施例提供的基于朴素贝叶斯的游戏流失用户预测方法，通过获取多个维度的用户记录数据，在对该用户记录数据进行格式转换、冗余剔除和标记之后，基于该用户记录数据进行模型训练得到朴素贝叶斯模型，通过该模型进行游戏流失用户的预测。解决了相关技术中人工方法存在的人力成本高，效率低以及简单机器学习方法存在的准确性和可扩展性较低的问题，提升用户流失预测的准确性和效率，同时也节约了人力成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于朴素贝叶斯的游戏流失用户方法的应用环境示意图；
图2是根据本申请实施例的一种基于朴素贝叶斯的游戏流失用户预测方法的流程图；
图3是根据本申请实施例的训练朴素贝叶斯模型的流程图；
图4是根据本申请实施例的一种基于朴素贝叶斯的游戏流失用户预测系统的结构框图；
图5是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请实施例提供的基于朴素贝叶斯的游戏流失用户预测方法，可以应用在如图1所示的应用环境中，图1是根据本申请实施例的基于朴素贝叶斯的游戏流失用户方法的应用环境示意图。如图1所示，终端10与服务器11通过网络进行通信。用户通过终端10发送访问流量至服务器11，终端10上安装有各种类型的应用，如游戏应用。玩家在登录游戏应用之后，会产生多个维度的用户记录数据。服务器11从终端10获取该用户记录数据，对该用户记录数据进行处理之后用于模型训练，得到朴素贝叶斯模型。最后通过该模型对流失用户进行预测。需要说明的是，本实施例中的终端10可以是智能手机、平板电脑、台式电脑、笔记本电脑和智能可穿戴设备，服务器11可以是独立的服务器或者是多个服务器组成的集群。
本申请提供了一种基于朴素贝叶斯的游戏流失用户预测方法，图2是根据本申请实施例的一种基于朴素贝叶斯的游戏流失用户预测方法的流程图，如图2所示，该流程包括如下步骤：
S201，通过数据库操作模块从游戏数据库中获取多个维度的第一用户记录数据；该游戏数据库中存储有游戏用户自注册之后的所有相关数据，例如，登录信息、等级信息、经验信息、充值信息和好友信息等。数据库操作模块由开发人员依据需求设计，其属于本领域技术人员的惯用手段，例如，通过Python的configparser包读取ini配置文件中的数据库的参数，来实现读入用户记录表中的用户记录。需要说明的是，本申请实施例中基于多个维度的用户记录数据进行后续模型训练，能够得到具有较好效果的预测模型；
S202，通过预处理模块对第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；由于上述第一用户记录数据可能来源在不同的平台且并不能直接用于模型训练，因此，需要对该第一用户记录数据进行格式转换，包括转换为朴素贝叶斯模型可识别的格式、向量化表示、缺失值补充、异常值修正和数据类型转换等。另外，冗余剔除是指，将相关性非常高的维度中一些不必要的维度剔除，以提升模型的训练效率；
S203，通过标签模块对第二用户记录数据添加流失标签或非流失标签；可选的，通过截止天数和流失判断天数结合的方式来添加流失标签或非流失标签，例如，用于训练的第一用户记录数据的截止天数是n，流失判断天数为7，则可以将自n+1天至n+7天内登陆次数为0的用户标记为流失用户，反之，则标记为非流失用户；
S204，基于第二用户记录数据进行模型训练得到朴素贝叶斯模型；需要说明的是，朴素贝叶斯算法是一种基于贝叶斯定理和特征条件假设的分类算法。由于该具有严谨的数学理论基础，以及稳定的分类概率，还具有对缺失数据不敏感的优点，因此采用该算法训练得到的模型具有较好的预测效果；
S205，通过朴素贝叶斯模型预测游戏用户是否会流失，若是，将游戏用户添加至游戏数据库中的流失预测结果表。其中，朴素贝叶斯模型的预测原理为：通过将数据集中的样本分为A、B、C……N若干个类，在实际预测时，计算待预测样本分别属于上述每个类的概率，之后，通过将该待预测样本划分到概率最大的一个类中，以实现分类预测。在本实施例中，在模型的输出层输出预测结果，该预测结果即指示该用户是否会成为流失用户，进一步的，对于其中的流失用户，将其添加至游戏数据库中的流失预测记录表。
通过上述步骤S201至S205，相比较于相关技术中的游戏用户流失预测方法，本申请实施例中通过获取多个维度的用户记录数据，在对该用户记录数据进行格式转换、冗余剔除和标记之后，基于该数据进行模型训练得到朴素贝叶斯模型。最后通过朴素贝叶斯模型进行流失用户的预测。通过本申请实施例，解决了相关技术中无法准确高效的对游戏流失用户进行预测的问题，提升了用户流失预测的准确性和效率，同时也节约了人力成本。
在其中一些实施例中，图3是根据本申请实施例的训练朴素贝叶斯模型的流程图，如图3所示，该流程包括如下步骤：
S301，按照预设比例，将第二用户记录数据划分为训练数据集和测试数据集；其中，该训练集数据用于模型训练，该测试集数据用户检测训练结束之后模型的预测效果，该预设比例可以是训练集7：测试集3；可选的，通过sklearn.model_selection.train_test_split对数据集进行划分；
S302，基于训练数据集进行模型训练得到第一朴素贝叶斯模型；
S303，基于测试数据集对朴素贝叶斯模型的预测效果进行测试；
S304，在测试的结果指示为合格的情况下，将第一朴素贝叶斯模型保存为朴素贝叶斯模型。
在其中一些实施例中，可选的，调用Python的sklearn.naive_bayes的GaussianNB。利用训练集进行模型训练，得到第一朴素贝叶斯模型包括：
初始化朴素贝叶斯模型架构；
依据流失标签和非流失标签将训练集数据划分为流失样本类和非流失样本类，其中，对于流失样本类中的用户记录数据添加标记1，对于非流失样本类中的用户记录数据添加标记0；
计算流失样本类和非流失样本类的类先验概率以及类条件概率，其中，由于朴素贝叶斯在训练和预测时需要训练数据的各个维度相互独立，因此，首先需要分别计算各个维度上的类条件概率，其次，再计算总的类条件概率。例如，一项用户数据包括(1.2.3)三个维度，首先分别计算各个维度上的类条件概率P(x1|c)、P(x2|c)和P(x3|c)，其次根据P(x|c)＝P(x1|c)*P(x2|c)*P(x3|c)计算总的类条件概率；
进一步的，通过argmax函数，根据类条件概率和多个维度上的类条件概率，计算训练数据集中每个样本数据所属的类标签。需要说明的是，argmax是一种是对函数求参数或集合的函数，例如，当argmax函数中存在另一个函数y＝f(x)时，若有结果x0＝argmax(f(x))，则表示当函数f(x)取x＝x0的时候，得到f(x)取值范围的最大值；同样的，若有多个点使得f(x)取得相同的最大值，那么argmax(f(x))的结果就是一个点集。
在其中一些实施例中，通过如下公式1计算类先验概率：
公式1：
Figure BDA0003216316520000071
其中，P(c)是类先验概率，D为所述训练数据集，Dc为类别为c的训练数据集，|Dc|为类别为C的数据集的记录条数，|D|为数据集D的记录条数。
本实施例中，类条件概率的确定过程包括：
对于用户记录数据中的离散型维度，通过如下公式2计算该维度的类条件概率：
公式2：
Figure BDA0003216316520000081
其中，i表示维度，Dc，xi表示表示类别为c的数据集Dc中，第i个维度取值为xi的数据集；
进一步的，对于用户记录中的连续性维度，可以假设其服从高斯分布，并进一步的假设如下公式3成立：
公式3：
Figure BDA0003216316520000082
其中，μc，i，
Figure BDA0003216316520000083
为类别C的数据集中，第i个维度的方差均值。
再进一步的，上述公式3可变换为如下公式4：
Figure BDA0003216316520000084
在获得类先验概率和类条件概率之后，通过如下公式5计算用户数据中样本对应的类标签：
公式5：
Figure BDA0003216316520000085
需要说明的是，在模型训练过程中，由于计算概率时需要使用连乘，如果其中某项为0，则最后计算的结果也为0。显然这是不合理的，因此通过如下公式5和公式6，对概率采用拉普拉斯修正做平滑处理。
公式5：
Figure BDA0003216316520000086
公式6：
Figure BDA0003216316520000087
在其中一些实施例中，第一用户记录数据包括：用户ID、用户级别、总在线时长、第一预设时间段在线时长、第一预设时间段登录天数、第一预设时间段登录次数、第二预设时间段在线时长、第二预设时间段登录天数、第二预设时间段登录次数、首次登录时间、最后登录时间、首次付费时间、最后付费时间、第一预设时间段付费次数、第一预设时间付费金额、第二预设时间段付费次数、第二预设时间段付费金额、是否为工作室用户、第一预设时间段游戏次数、第一预设时间段胜利次数、第一预设时间段游戏时长、第一预设时间段游戏天数、第二预设时间段游戏次数、第二预设时间段游戏时长和第二预设时间段游戏天数，其中，第一预设时间段包括且大于第二预设时间段。可选的，该第一预设时间段可以设置为14天，该第二预设时间段可以设置为7天。
在其中一些实施例中，通过预处理模块对第一用户记录数据执行格式转换包括：将用户记录数据转换成为预设格式，其中，该预设格式可以是dataframe格式；进一步的，进行向量化表示，根据第一用户数据中每个维度的缺失值对预设格式记录数据进行缺失值补充；另外，根据预设异常值判定规则修正预设格式记录数据中的异常值；以及将用户记录数据中的整形数据转换为浮点型数据。
在其中一些实施例中，通过预处理模块对第一用户记录执行冗余剔除包括：通过Python语言环境下的seaborn包获取用户记录数据在所有维度下的相关性热力图；根据相关性热力图，确定相关性满足预设相关性阈值的维度数据，剔除其中的不必要维度。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种基于朴素贝叶斯的游戏流失用户预测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的一种基于朴素贝叶斯的游戏流失用户预测系统的结构框图，如图4所示，该系统包括：数据库模块41、预处理模块42、标签模块43和朴素贝叶斯模型44；
数据库操作模块41用于从游戏数据库中获取多个维度的第一用户记录数据；
预处理模块42用于对第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；
标签模块43用于对第二用户记录数据添加流失标签或非流失标签；
朴素贝叶斯模型44用于基于第二用户记录数据进行模型训练，以及预测游戏用户是否会流失，若是，将游戏用户添加至游戏数据库中的流失预测结果表。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的基于朴素贝叶斯的游戏流失用户预测方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于朴素贝叶斯的游戏流失用户预测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于朴素贝叶斯的游戏流失用户预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图5是根据本申请实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种基于朴素贝叶斯的游戏流失用户预测方法，数据库用于存储数据。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于朴素贝叶斯的游戏流失用户预测方法，其特征在于，所述方法包括：
通过数据库操作模块从游戏数据库中获取多个维度的第一用户记录数据；
通过预处理模块对所述第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；
通过标签模块对所述第二用户记录数据添加流失标签或非流失标签；
基于所述第二用户记录数据进行模型训练得到朴素贝叶斯模型；
通过所述朴素贝叶斯模型预测游戏用户是否会流失，若是，将所述游戏用户添加至所述游戏数据库中的流失预测结果表。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第二用户记录进行训练得到朴素贝叶斯模型包括：
按照预设比例，将所述第二用户记录数据划分为训练数据集和测试数据集；
基于所述训练数据集进行模型训练得到第一朴素贝叶斯模型；
基于所述测试数据集对所述第一朴素贝叶斯模型的预测效果进行测试；
在所述测试的结果指示为合格的情况下，将所述第一朴素贝叶斯模型保存为所述朴素贝叶斯模型。
3.根据权利要求2所述的方法，其特征在于，所述基于所述训练集数据进行模型训练得到第一朴素贝叶斯模型包括：
初始化朴素贝叶斯模型架构；
依据所述流失标签和所述非流失标签将所述训练集数据划分为流失样本类和非流失样本类；
计算所述流失样本类和所述非流失样本类的类先验概率以及类条件概率，其中，所述类条件概率是从多个维度计算得到的；
通过argmax函数，根据所述类条件概率和所述类条件概率，计算所述训练数据集中每个样本数据所属的类标签，根据所述类标签输出用户为流失用户或非流失用户。
4.根据权利要求3所述的方法，其特征在于，通过如下公式计算所述类先验概率：
Figure FDA0003216316510000011
其中，P(c)是类先验概率，D为所述训练数据集，Dc为类别为c的训练数据集，|Dc|为类别为C的数据集的记录条数，|D|为数据集D的记录条数。
5.根据权利要求3所述的方法，其特征在于，通过如下公式计算计算所述训练数据集中每个样本数据所属的类标签：
Figure FDA0003216316510000021
其中，P(c)是类先验概率，P(Xi|c)为类条件概率。
6.根据权利要求1所述的方法，其特征在于，所述第一用户记录数据包括：用户ID、用户级别、总在线时长、第一预设时间段在线时长、第一预设时间段登录天数、第一预设时间段登录次数、第二预设时间段在线时长、第二预设时间段登录天数、第二预设时间段登录次数、首次登录时间、最后登录时间、首次付费时间、最后付费时间、第一预设时间段付费次数、第一预设时间付费金额、第二预设时间段付费次数、第二预设时间段付费金额、是否为工作室用户、第一预设时间段游戏次数、第一预设时间段胜利次数、第一预设时间段游戏时长、第一预设时间段游戏天数、第二预设时间段游戏次数、第二预设时间段游戏时长和第二预设时间段游戏天数，其中，所述第一预设时间段包括且大于所述第二预设时间段。
7.根据权利要求1所述方法，其特征在于，所述通过预处理模块对所述第一用户记录数据执行格式转换包括：
将所述第一用户记录数据转换成为预设格式；
对所述第一用户记录数据进行向量化表示，并根据每个维度的缺失值进行缺失值补充；
根据预设异常值判定规则，判断并修正所述第一用户记录数据中的异常值；
将所述第一用户记录数据中的整形数据转换为浮点型数据。
8.根据权利要求1所述的方法，其特征在于，所述通过预处理模块对所述第一用户记录执行冗余剔除包括：
通过Python语言环境下的seaborn包获取所述用户记录数据在所有维度下的相关性热力图；
根据所述相关性热力图，确定相关性大于预设相关性阈值的维度数据，剔除其中的不必要维度。
9.一种基于朴素贝叶斯的游戏流失用户预测系统，其特征在于，所述系统包括：数据库模块、预处理模块、标签模块和朴素贝叶斯模型；
所述数据库操作模块用于从游戏数据库中获取多个维度的第一用户记录数据；
所述预处理数据用于对所述第一用户记录执行格式转换和冗余剔除之后生成第二用户记录数据；
所述标签模块用于对所述第二用户记录数据添加流失标签或非流失标签；
所述朴素贝叶斯模型用于基于所述第二用户记录数据进行模型训练，以及预测游戏用户是否会流失，若是，将所述游戏用户添加至所述游戏数据库中的流失预测结果表。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的方法。
CN202110946657.7A 2021-08-17 2021-08-17 一种基于朴素贝叶斯的游戏流失用户预测方法和系统 Pending CN113827981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110946657.7A CN113827981A (zh) 2021-08-17 2021-08-17 一种基于朴素贝叶斯的游戏流失用户预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110946657.7A CN113827981A (zh) 2021-08-17 2021-08-17 一种基于朴素贝叶斯的游戏流失用户预测方法和系统

Publications (1)

Publication Number Publication Date
CN113827981A true CN113827981A (zh) 2021-12-24

Family

ID=78960691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110946657.7A Pending CN113827981A (zh) 2021-08-17 2021-08-17 一种基于朴素贝叶斯的游戏流失用户预测方法和系统

Country Status (1)

Country Link
CN (1) CN113827981A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932474A (zh) * 2024-03-22 2024-04-26 山东核电有限公司 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609708A (zh) * 2017-09-25 2018-01-19 广州赫炎大数据科技有限公司 一种基于手机游戏商店的用户流失预测方法及系统
CN110059756A (zh) * 2019-04-23 2019-07-26 东华大学 一种基于多目标优化的多标签分类系统
CN111783873A (zh) * 2020-06-30 2020-10-16 中国工商银行股份有限公司 基于增量朴素贝叶斯模型的用户画像方法及装置
CN112070310A (zh) * 2020-09-10 2020-12-11 腾讯科技（深圳）有限公司 基于人工智能的流失用户预测方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609708A (zh) * 2017-09-25 2018-01-19 广州赫炎大数据科技有限公司 一种基于手机游戏商店的用户流失预测方法及系统
CN110059756A (zh) * 2019-04-23 2019-07-26 东华大学 一种基于多目标优化的多标签分类系统
CN111783873A (zh) * 2020-06-30 2020-10-16 中国工商银行股份有限公司 基于增量朴素贝叶斯模型的用户画像方法及装置
CN112070310A (zh) * 2020-09-10 2020-12-11 腾讯科技（深圳）有限公司 基于人工智能的流失用户预测方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932474A (zh) * 2024-03-22 2024-04-26 山东核电有限公司 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10339177B2 (en) Method and a system for verifying facial data
CN110598845B (zh) 数据处理方法、装置、计算机设备和存储介质
US11704500B2 (en) Techniques to add smart device information to machine learning for increased context
CN111414946B (zh) 基于人工智能的医疗影像的噪声数据识别方法和相关装置
WO2013125482A1 (ja) 文書評価装置、文書評価方法、及びコンピュータ読み取り可能な記録媒体
CN113827977A (zh) 一种基于bp神经网络的游戏流失用户预测方法和系统
CN113538070A (zh) 用户生命价值周期检测方法、装置和计算机设备
CN113827981A (zh) 一种基于朴素贝叶斯的游戏流失用户预测方法和系统
CN113827979A (zh) 基于LightGBM的游戏流失用户预测方法和系统
CN116662538A (zh) 基于多任务学习的文本摘要生成方法、装置、设备及介质
CN110851600A (zh) 基于深度学习的文本数据处理方法及装置
CN115756821A (zh) 在线任务处理模型训练、任务处理方法及装置
CN115409111A (zh) 命名实体识别模型的训练方法和命名实体识别方法
US20220148298A1 (en) Neural network, computation method, and recording medium
CN112906728B (zh) 一种特征比对方法、装置及设备
CN109165097B (zh) 一种数据处理方法以及数据处理装置
US20200110635A1 (en) Data processing apparatus and method
CN114048392B (zh) 多媒体资源推送方法、装置、电子设备及存储介质
CN113743448B (zh) 模型训练数据获取方法、模型训练方法和装置
JP6947460B1 (ja) プログラム、情報処理装置、及び方法
CN116957668A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN115204263A (zh) 一种模型的更新方法、装置及设备
CN115712810A (zh) 具有精确预测因子的支持向量逻辑回归方法及存储介质
CN117436930A (zh) 对象流失预测方法和装置、电子设备及存储介质
CN114218354A (zh) 文本分析方法、装置、计算机设备及存储介质

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