CN113905078A - 信息推送方法、装置、设备及可读存储介质 - Google Patents

Abstract

本申请提供一种信息推送方法、装置、设备及可读存储介质，在获取当前周期的换机用户的信息数据后，将信息数据输入第一模型中，获得信息数据中的各个数据和换机的相关性，并根据相关性获得与换机有关的特征数据，由于第一模型是根据训练剔除更换已使用终端、非预设终端的换机用户的信息数据获得的，且非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端，使得第一模型能够根据用户的信息数据输出准确输出与换机有关的特征，将换机有关的特征输入第二模型中，获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，而后根据换机概率进行信息推送，从而为用户提供准确可靠的信息。

Description

信息推送方法、装置、设备及可读存储介质

技术领域

本申请涉及大数据技术领域，尤其涉及一种信息推送方法、装置、设备及可读存储介质。

背景技术

随着互联网的快速发展，有效地将数字化科技带到每个人的生活中，例如5G技术，5G技术的发展和应用场景的多种化，使得用户能够由基础的交流向便捷化、智能化发展，从而使得用户所需的信息的种类不断增多。

由于随着5G网络的发展、5G终端的普及和用户使用习惯的不同。现有的信息推送方法无法为用户提供精确可靠的信息。

发明内容

本申请提供一种信息推送方法、装置、设备及可读存储介质，用以解决现有的信息推送方法无法为用户提高准确可靠的信息的问题。

第一方面，本申请提供一种信息推送方法，包括：

获取当前周期的换机用户的终端使用信息，所述终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种；

将所述终端使用信息输入第一模型中，获得所述终端使用信息中各个信息的换机相关性，根据所述换机相关性获得换机特征数据；所述第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，所述非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端；

将所述换机特征数据输入第二模型中，获得所述当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据所述换机概率进行信息推送。

可选的，所述方法还包括：

获取多个周期的第一换机用户的终端使用信息，从所述第一换机用户中剔除更换已使用终端和非预设终端的用户，获得第二换机用户，从所述第二换机用户中挑选出在各个周期后的第二预设时间内再次换机的第三换机用户，计算所述第三换机用户在各个周期后的第二预设时间内的实际换机率；

利用所述各个周期第二换机用户的终端使用信息对第一预设模型进行训练，将所述各个周期的第三换机用户的终端使用信息输入训练后的第一预设模型中获得所述各个周期后的第二预设时间内的第一预测换机率；

将所述第一预测换机率与所述实际换机率进行比较，若所述第一预测换机率与所述实际换机率的差值处于第一预设范围内，则将所述训练后的第一预设模型作为所述第一模型，若所述差值不在所述第一预设范围内，继续对所述第一预设模型进行训练，直至所述第一预测换机率与所述实际换机率的差值处于第一预设范围内。

可选的，所述方法还包括：

将所述各个周期的第二换机用户的终端使用信息中的目标信息之外的信息输入所述第一模型中，获得第二预测换机率，根据所述第二预测换机率和所述实际换机率获得所述目标信息的换机相关性，以获得所述终端使用信息中的各个信息的换机相关性；

根据所述终端使用信息中的各个信息的相关性获得所述各个周期的换机特征数据，利用所述各个周期的特征数据对第二预设模型进行训练，将第三换机用户的换机特征数据输入训练后的所述第二预设模型获得各个周期后的第二预设时间内的第三预测换机率；

将所述第三预测换机率与所述实际换机率比较，若所述第三预测换机率与所述实际换机率的差值处于第二预设范围内，则将所述训练后的第二预设模型作为所述第二模型，若所述差值不在所述第二预设范围，继续对所述第二预设模型进行训练，直至所述第三预测换机率与实际换机率的差值处于第二预设范围内。

可选的，所述获取多个周期的第一换机用户的终端使用信息，从所述第一换机用户中剔除更换已使用终端或者非预设终端的用户，获得第二换机用户，具体包括：

分别对比各个周期内用户的终端的识别码，获取各个周期内终端的识别码发生变化的用户，作为第一换机用户；

将所述第一换机用户中各个周期的识别码分别与各个周期对应的上一周期内的识别码进行比较，将重复出现的识别码对应的第一换机用户剔除；

根据所述识别码剔除所述第一预设时间外、所述第一预设时间内预设类型的终端对应的用户，获得所述第二换机用户。

可选的，在获取第二换机用户之后，所述方法还包括：

对所述第二换机用户进行筛选，去除与换机预测无关的异常用户；

相应地，所述利用所述各个周期第二换机用户的信息对第一预设模型进行训练，具体包括：

将去除与换机预测无关的异常用户的第二换机用户的信息对第一预设模型进行训练。

可选的，所述对所述第二换机用户进行筛选，去除与换机预测无关的异常用户，具体包括：

将第二换机用户的多个周期的业务属性信息的均值和方差输入孤立森林算法中，输出异常值，所述异常值用于指示与换机预测的相关性；

将所述异常值与异常阈值进行比较，若所述异常值大于所述异常阈值，则将所述异常值对应的用户去除。

可选的，所述周期为一个月，所述第一预设时间为当前周期的前三年，所述第二预设时间为三个月。

可选的，所述利用所述各个周期的特征信息对第二预设模型进行训练，具体包括：

采用随机森林算法利用所述各个周期的特征信息对第二预设模型进行训练。

第二方面，本申请提供一种信息推送装置，包括：

第一获取模块，用于获取当前周期的换机用户的终端使用信息，所述终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种；

第二获取模块，用于将所述终端使用信息输入第一模型中，获得所述终端使用信息中各个信息的换机相关性，根据所述换机相关性获得换机特征数据；所述第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，所述非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端；

推送模块，用于将所述换机特征数据输入第二模型中，获得所述当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据所述换机概率进行信息推送。

第三方面，本申请提供一种电子设备，包括：存储器和处理器；

存储器用于存储指令；处理器用于调用存储器中的指令执行第一方面及第一方面任一种可能的设计中的信息推送方法。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当电子设备的至少一个处理器执行该计算机指令时，电子设备执行第一方面及第一方面任一种可能的设计中的信息推送方法。

第五方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机指令，当电子设备的至少一个处理器执行该计算机指令时，电子设备执行第一方面及第一方面任一种可能的设计中的信息推送方法。

本申请提供的信息推送方法，在获取当前周期的换机用户的信息数据后，将信息数据输入第一模型中，获得信息数据中的各个数据和换机的相关性，并根据相关性获得与换机有关的特征数据，由于第一模型是根据训练剔除更换已使用终端、非预设终端的换机用户的信息数据获得的，且非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端，使得第一模型能够根据用户的信息数据输出准确输出与换机有关的特征，将换机有关的特征输入第二模型中，获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，而后根据换机概率进行信息推送，从而为用户提供准确可靠的信息。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的一种信息推送方法的场景示意图；

图2为本申请一实施例提供的一种信息推送方法的流程图；

图3为本申请一实施例提供的一种信息推送方法的流程图；

图4为本申请一实施例提供的一种信息推送方法的流程图；

图5为本申请一实施例提供的一种信息推送装置的结构示意图；

图6为本申请一实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。

随着互联网技术的发展，5G技术应运而生，5G技术有效地将数字化科技带到了人们的生活中。随着5G技术的发展和应用场景的多样化，用户的需求由基础的社交、娱乐向便捷化、智能化、互动体验等方向发展，基于VR/AR的沉浸式娱乐、全景高清直播、海量流媒体等视频类业务成为5G场景下的典型应用场景。在不断建设5G网络、发展5G业务的同时，5G终端的发展尤为重要。

但是由于(1)对市场不了解：自建厅终端运营人员对周边市场用户的终端品牌、机型、价位偏好等情况不了解；(2)未找到真正需要换机的用户：自建厅作为被动渠道，进入自建厅的用户的规模有限，虽然通过外呼方式能够引导部分用户进入自建厅，但是外呼选择的用户不精准；(3)无法查询其他自建厅库存：自建厅经常面临用户所需产品的型号没有库存的情况，且无法查询其他自建厅的库存情况；(4)对用户不了解：仅凭用户的套餐、语音、流量等信息无法判断该用户的5G终端的偏好。

因此，现有的终端换机模型无法为用户提供准确可靠的信息。

针对上述问题，本申请提出一种信息推送方法，首先获取当前周期的换机用户的终端使用信息，终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种。而后，将终端使用信息输入第一模型中，获得终端使用信息中的各个信息的换机相关性，根据换机相关性获得换机特征数据。随后，将换机特征数据输入第二模型中，获得当前周期的换机用户在当前周期偶的第二预设时间内的换机概率，根据换机概率进行信息推送。由于第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端，能够减小换机可能性较小的用户对模型的影响，提高模型的训练效果，从而提高模型的预测结果，为用户提高准确可靠的信息。

下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1示出了本申请一实施例提供的一种信息推送方法的场景示意图。服务器101获取当前周期的换机用户的终端使用信息，终端使用信息包括：基本属性细腻些、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种。而后，服务器101将终端使用信息输入第一模型中，获得终端使用信息中的各个信息的换机相关性，随后根据换机相关性获得换机特征数据。随后，将换机特征数据输入第二模型中，获得当前周期的换机用户在当前周期第二预设时间内的换机概率，根据换机概率向客户端102推送信息。客户端102接收服务器101推送的信息，根据该信息确定是否换机。

图2示出了本申请一实施例提供的一种信息推送的方法的流程图。在图1所示实施例的基础上，如图2所示，以服务器为执行主体，本实施例的方法可以包括如下步骤：

S101、获取当前周期的换机用户的终端使用信息，终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种。

基本属性信息可以包括用户的ID、性别、年龄、状态、在网时长、用户价值等级、上一终端使用时长、换机周期、换机次数、品牌偏好、使用品牌集合、使用型号集合、当前周期的型号占比、型号占比变化率等。

业务属性信息可以包括用户常驻小区出账收入、套餐名称、套餐月租、产品大类、是否融合业务、融合业务类型、是否三无(当前周期无通话、无语音、无流量)、是否极低(当月通话时长≤5分钟、使用流量≤3M、短信数量≤4条)等。

终端信息包括可以：终端品牌、终端型号、终端系统、终端价格、终端处理器型号、终端像素大小、终端电池容量大小、终端上市时间、终端使用时长、终端屏幕尺寸、终端内存大小、终端存储空间大小、终端的IMEI(International Mobile Equipment Identity，国际移动设备识别码)、是否智能机、是否双卡槽机、联通终端类型、硬件终端类型、定制终端类型、开放网络类型、是否合约、合约类型、距离合约到期时间时长、

上网行为信息可以包括是否搜索手机终端、语音交往圈个数、总语音通话次数三个月均值、总语音通话次数、国际漫游不含港澳台语音通话次数三个月均值、国际漫游不含港澳台语音通话次数、主叫通话时长三个月均值、主叫通话时长、总流量、总流量、总流量三个月均值、国际漫游不含港澳台三个月均值、国际漫游不含港澳台流量、2G流量、2G流量三个月均值、3G流量、3G流量三个月均值、4G流量、4G流量三个月均值、出账费三个月均值、出账费、语音出账费三个月均值、语音出账费、流量出账费三个月均值、流量出账费、短信出账费三个月均值、短信出账费、语音饱和度、流量饱和度、当月缴费金额、当月缴费次数、欠费金额、语音活跃天数、上网天数、流量基站个数、语音基站个数、手机阅读使用时长、手机阅读使用天数三个月均值、手机阅读使用流量、手机游戏使用时长、手机游戏使用天数三个月均值、手机游戏使用流量、手机音频使用时长、手机音频使用天数三个月均值、手机音频使用流量、手机视频使用时长、手机视频使用天数三个月均值、手机视频使用流量、新闻资讯使用时长、新闻资讯使用天数三个月均值、新闻资讯使用流量、通信社交使用时长、通信社交使用天数三个月均值、通信社交使用流量、生活服务使用时长、生活服务使用天数三个月均值、生活服务使用流量、网上购物使用时长、网上购物使用天数三个月均值、网上购物使用流量、手机金融使用时长、手机金融使用天数三个月均值、手机金融使用流量、电子支付使用时长、电子支付使用天数三个月均值、电子支付使用流量、app使用偏好、上网偏好。此处的三个月可以理解为当前周期后的第二预设时间，当前周期为一个月，第二预设时间为三个月。

位置信息可以包括用户常驻小区、上网位置等。

S102、将终端使用信息输入第一模型中，获得终端使用信息中的各个信息的换机相关性，根据换机相关性获得换机特征数据。

第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的。

换机用户是指当前周期内使用终端的国际移动设备识别码发生变化的用户，由于国际移动终端设备识别码用于在移动电话网络中识别每一部独立的手机等移动通信设备，每一移动通信设备具有唯一的国际移动设备识别码，因而可以理解的是，当用户的使用终端的国际移动设备识别码发生变化时表示用户更换使用终端。

从该周期内更换使用终端的换机用户中剔除更换已使用终端和非预设终端的换机用户，非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端。

更换已使用终端的换机用户可以理解为更换二手或老旧款终端的用户，具体的可以根据将该周期的国际移动设备识别码和该周期的上一周期的国际移动设备识别码进行比较，将该周期和该周期的上一周期均出现的国际移动设备识别码对应的终端作为二手或老旧款终端，将该二手或老旧款终端对应的用户作为更换已使用终端的换机用户。

更换非预设终端的换机用户即更换第一预设时间外的终端以及第一预设时间内非预设类型的终端，第一预设时间可以为三年，第一预设时间外的终端可以理解为更换三年前上市较早的终端，第一预设时间内非预设类型的终端可以理解为三年内在售的非华为、荣耀、小米、oppo、vivo、苹果等品牌的终端。

在进行模型训练时利用使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息，能够减小换机可能性较小的用户对模型的影响，提高模型的训练效果。

将终端使用信息输入第一模型之后，获得终端使用信息中的各个信息的换机相关性，即各个信息对于换机的特征重要性，相关性越大，表明该信息对换机的影响越大，相关性越小，表明该信息对换机的影响越小。而后，可以根据换机相关性获得换机特征数据，例如，可以将换机相关性由高到低进行排序，取排序靠前的信息作为换机特征数据，也可以将高于阈值的换机相关性对应的信息作为换机特征数据。

S103、将换机特征数据输入第二模型中，获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据换机概率进行信息推送。

第二模型是利用各个周期的剔除更换已使用终端和非预设终端的换机用户的换机特征数据进行训练获得的。将当前周期的换机用户输入第二模型中后，第二模型输出当前周期的换机用户在当前周期后的第二预设时间内的换机概率，当前周期可以为一个月，第二预设时间可以为三个月，则当前周期后的第二预设时间为当前周期后的三个月。通过第二模型输出换机概率后，根据换机概率进行信息推送，例如，当换机用户的换机概率超过70％时，对换机用户进行信息推送，还可以在当换机用户的换机概率低于30％时，放弃对该换机用户进行信息推送。

本申请提供的信息推送方法，将当前周期的换机用户的终端使用信息输入第一模型中，获得各个信息的换机相关性，根据换机相关性获得换机特征数据。而后将换机特征数据输入第二模型中，获得换机概率，并根据换机概率进行信息推送。第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端，能够减小换机可能性较小的用户对模型的影响，提高模型的训练效果，从而提高模型的预测结果，为用户提高准确可靠的信息。

图3示出了本申请一实施例提供的一种信息推送方法的流程图。如图3所示，本实施例的方法可以包括如下步骤：

S201、获取多个周期的第一换机用户的终端使用信息，从第一换机用户中剔除更换已使用终端和非预设终端的用户，获得第二换机用户，从第二换机用户中挑选出在各个周期后的第二预设时间内再次换机的第三换机用户，计算第三换机用户在各个周期后的第二预设时间内的实际换机率。

第一换机用户是指在一个周期内国际移动设备识别码发生变化的用户，一个周期可以为一个月等。例如，分别对比各个周期内用户的终端的识别码，获取各个周期内终端的识别码发生变化的用户，作为第一换机用户，识别码例如为国际移动设备识别码。而后，将第一换机用户中各个周期的识别码分别与各个周期对应的上一周期内的识别码进行比较，将在当前周期个当前周期上一周期内重复出现的第一换机用户剔除，从而剔除各个周期内更换已使用终端的换机用户。再根据识别码剔除第一预设时间外、第一预设时间内预设类型的终端对应的用户，获得第二换机用户。多个周期例如可以为八个周期。

从第一换机用户中剔除更换已使用终端和非预设终端的用户，获得第二换机用户后，将第二换机用户的终端使用信息作为模型的训练集。而后，从第二换机用户中挑选出各个周期后的第二预设时间内再次换机的第三换机用户，计算第三换机用户在各个周期后的第二预设时间内的实际换机率，实际换机率即为第三换机用户占第二换机用户的比例。

参考表1所示，第二换机用户的终端使用信息包括：账期、用户id、业务类型、城市名称、渠道名称、渠道类型、性别、年龄、用户状态、在网时长、用户价值等级、用户常驻小区出账用户等等。每一个终端使用信息具有对应的字段名称和类型。

表1终端使用信息和字段

作为一种实现方式，在获得第二换机用户之后，还可以对第二换机用户进行筛选，去除与换机预测无关的异常用户。

本实施例，可以将第二换机用户的多个周期的业务属性信息的均值和方差输入孤立森林算法中，输出异常值，异常值用于指示与换机预测的相关性。随后，可以将异常值与异常阈值进行比较，若异常值大于异常阈值，则将异常值对应的用户去除。

具体的，将第二换机用户第二预设时间内的年龄、网龄、历史换机次数、总使用流量、通话时长、套餐费、通话收入和总出账收入的均值和方差作为数据样本，输入孤立森林中，孤立森林由100个孤立树组成，每个孤立树位二叉树结构，最高深度设为8层，随机依次选取256个样本点放入孤立树的根节点，将数据样本从根节点归类到最终所属叶子节点过程的分割次数，记为路径长度。对100个孤立树集体位样本数据生成的路径长度取平均值，并进行归一化处理，获得平均路径长度，平均路径长度用于指示样本的异常，可以将平均路径长度记为异常值，若样本的平均路径长度接近0，则样本的异常值较大，将异常值与异常阈值进行比较，将异常值大于异常阈值的样本视为异常点，从而能够去除与换机预测无关的异常用户。

S202、利用各个周期第二换机用户的终端使用信息对第一预设模型进行训练，将各个周期的第三换机用户的终端使用信息输入训练后的第一预设模型中获得各个周期后的第二预设时间内的第一预测换机率。

在对第一预设模型进行训练时，将各个周期第二换机用户的终端使用信息对应的字段作为第一预设模型的输入参数，每一终端使用信息具有对应的字段。

作为一种实现方式，周期的数量例如包括八个，记为第一周期、第二周期、第三周期、第四周期、第五周期、第六周期、第七周期和第八周期。预设周期例如可以为三个周期。利用第一周期、第二周期、第三周期、第四周期、第五周期的第二换机用户的终端使用信息对第一预设模型进行训练，将第一周期的第三换机用户的终端使用信息输入训练后的第一预设模型中，获得第二周期、第三周期和第四周期的预测换机概率，可以将第二周期、第三周期和第四周期的预测换机概率加和求平均值作为第一周期后的第二预设时间内的第一预测换机率。同样的可以获得第二周期、第三周期、第四周期和第五周期后的第二预设时间内的第一预测换机概率。

S203、将第一预测换机概率与实际换机率进行比较，若第一预测换机率与实际换机率的差值处于第一预设范围内，则将训练后的第一预设模型作为第一模型，若不一致，继续对第一预设模型进行训练，直至第一预测换机率与实际换机率的差值处于第一预设范围内。

在步骤S201中，获得第三换机用户在各个周期后的第二预设时间内的实际换机率，例如获得第一周期、第二周期、第三周期、第四周期、第五周期、第六周期、第七周期和第八周期的实际换机率。而后将第二周期、第三周期和第四周期的实际换机率加和求平均值作为第一周期后的第二预设时间内的实际换机率，将第三周期、第四周期和第五周期的实际换机率加和求平均值作为第二周期后的第二预设时间内的实际换机率，将第四周期、第五周期和第六周期的实际换机率加和求平均值作为第三周期后的第二预设时间内的实际换机率，将第六周期、第七周期、第八周期的实际换机率加和求平均值作为第五周期后的第二预设时间内的实际换机率。

在步骤S202中，获得第三换机用户在各个周期后的第二预设时间内的第一预测换机概率。

将第一周期后的第二预设时间内的第一预测换机率和实际换机率进行比较，将第二周期后的第二预设时间内的第一预测换机率和实际换机率进行比较，将第三周期后的第二预设时间内的第一预测换机率和实际换机率进行比较，将第四周期后的第二预设时间内的第一预测换机率和实际换机率进行比较，将第五周期后的第二预设时间内的第一预测换机率和实际换机率进行比较，若各个周期后的第二预设时间内的第一预测换机率和实际换机率的差值在第一预设范围内，则将训练后的第一预设模型作为第一模型，若第一预测换机率和实际换机率的差值不在第一预设范围内，继续利用其他周期的第二换机用户的终端使用信息对第一预设模型进行训练，直至第一预测换机率与实际换机率的差值处于第一预设范围内。

S204、获取当前周期的换机用户的终端使用信息，终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种。

筛选出当前周期内国际移动设备识别码发生变化的用户，获取该用户的终端使用信息，终端使用信息可以包括基本属性信息、业务属性信息、终端使用信息、上网行为信息和位置信息等。

S205、将终端使用信息输入第一模型中，获得终端使用信息中各个信息的换机相关性，根据换机相关性获得换机特征数据。

获得第一模型和当前周期的换机用户的终端使用信息后，将当前周期的换机用户的终端使用信息输入第一模型中，获得终端使用信息中各个信息的换机相关性，而后根据换机相关性挑选出对换机影响较大的信息，获得换机特征数据。

S206、将换机特征数据输入第二模型中，获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据换机概率进行信息推送。

获得换机特征数据之后，将换机特征数据输入第二模型中，从而获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，例如获得未来三个月的换机概率。随后根据换机概率确定如何对换机用户进行信息推送，例如对换机概率较大的换机用户进行信息推送。

本申请提供的信息推送方法，通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息对模型进行训练，而后将模型输出的预测换机概率与实际换机概率进行比较，将预测换机概率与实际换机概率的差值处于预设范围内时的训练模型作为第一模型，能够减小换机可能性较小的用户对模型的影响，提高模型的训练效果，从而提高模型的预测结果。

图4示出了本申请一实施例提供的一种信息推送方法的流程图。如图4所示，本实施例的方法可以包括如下步骤：

S301、获取多个周期的第一换机用户的终端使用信息，从第一换机用户中剔除更换已使用终端和非预设终端的用户，获得第一换机用户，从第二换机用户中挑选出各个周期后的第二预设时间内的再次换机的第三换机用户，计算第三换机用户在各个周期后的第二预设时间内的实际换机率。

其中，步骤S302与图3实施例中的步骤S202实现方式类似，本实施例此处不再赘述。

S302、利用各个周期第二换机用户的终端使用信息对第一预设模型进行训练，将各个周期的第三换机用户的终端使用信息输入训练后的第一预设模型中获得各个周期后的第二预设时间内的第一预测换机率。

其中，步骤S302与图3实施例中的步骤S202实现方式类似，本实施例此处不再赘述。

S303、将第一预测换机率与实际换机率进行比较，若第一预测换机率与实际换机率的差值处于第一预设范围内，则将训练后的第一预设模型作为第一模型，若差值不在第一预设范围内，继续对第一预设模型进行训练，直至第一预测换机率与实际换机率的差值处于第一预设范围内。

其中，步骤S302与图3实施例中的步骤S203实现方式类似，本实施例此处不再赘述。

S304、将各个周期的第二换机用户的终端使用信息中的目标信息之外的信息输入第一模型中，获得第二预测换机率，根据第二预测换机率和实际换机率获得目标信息的换机相关性，以获得终端使用信息中的各个信息的换机相关性。

将第二换机用户的终端使用信息中的目标信息之外的其他信息输入第一模型中，获得第二预测换机率，第二预测换机率是根据终端使用信息中除目标信息之外的其他信息获得的，将第二预测换机率与实际换机率进行比较后，若第二预测换机率与实际换机率相差越大，则该目标特征对模型预测的影响越大。将终端使用信息中各个信息依次作为目标信息，从而获得各个信息对模型预测的影响，即终端使用信息中的各个信息的换机相关性，换机相关性可以用特征重要性表示，特征重要性越大表示该特征对换机的影响越大。

参考表2所示，表2示出了根据第一模型获得的部分信息对换机的影响，即部分信息的特征重要性。

表2特征重要性和终端使用信息

S305、根据终端使用信息中的各个信息的相关性获得各个周期的换机特征数据，利用各个周期的特征数据对第二预设模型进行训练，将第三换机用户的换机特征数据输入训练后的第二预设模型获得各个周期后的第二预设时间内的第三预测换机率。

根据第一模型获得终端使用信息的各个信息的相关性之后，根据相关性获得换机特征数据，例如将特征重要性大于阈值的信息数据作为换机特征数据，或者将特征重要性由高到低依次排序取前27位的信息数据作为换机特征数。而后，将各个周期的第二换机用户的特征数据作为第二预设模型的训练集，对第二预设模型进行训练，可以采用随机森林算法对第二预设模型进行训练。

随后，将各个周期的第三换机用户的换机特征数据输入训练后的第二预设模型中获得各个周期后的第二预设时间内的第三预测换机率。

S306、将第三预测换机率与实际换机率进行比较，若第三预测换机率与实际换机率的差值处于第二预设范围内，则将训练后的第二预设模型作为第二模型，若差值不在第二预设范围内，继续对第二预设模型进行训练，直至第三预测换机率与实际换机率的差值处于第二预设范围内。

将第一周期后的第二预设时间内的第三预测换机率和实际换机率进行比较，将第二周期后的第二预设时间内的第三预测换机率和实际换机率进行比较，将第三周期后的第二预设时间内的第三预测换机率和实际换机率进行比较，将第四周期后的第二预设时间内的第三预测换机率和实际换机率进行比较，将第五周期后的第二预设时间内的第三预测换机率和实际换机率进行比较，若各个周期后的第二预设时间内的第三预测换机率和实际换机率的差值在第二预设范围内，则将训练后的第二预设模型作为第一模型，若第三预测换机率和实际换机率的差值不在第二预设范围内，继续利用其他周期的第二换机用户的换机特征数据对第二预设模型进行训练，直至第三预测换机率与实际换机率的差值处于第二预设范围内。

S307、获取当前周期的换机用户的终端使用信息，终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种。

S308、将终端使用信息输入第一模型中，获得终端使用信息中各个信息的换机相关性，根据换机相关性获得换机特征数据。

S309、将换机特征数据输入第二模型中，获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据换机概率进行信息推送。

其中，步骤S307与图1实施例中的步骤S101实现方式类似，步骤S308与图1实施例中的步骤S102类似，步骤S309与图1实施例中的步骤S103类似本实施例此处不再赘述。

本申请提供的信息推送方法，利用换机特征数据对第二预设模型进行训练，获得第二模型，排除对换机影响较小的特征，减小模型的运算量，提高模型的预测效果。

图5示出了本申请一实施例提供的一种信息推送装置的结构示意图，如图5所示，本实施例的信息推送装置10包括：

第一获取模块11，用于获取当前周期的换机用户的终端使用信息，终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种；

第二获取模块，用于将终端使用信息输入第一模型中，获得终端使用信息中各个信息的换机相关性，根据换机相关性获得换机特征数据；第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端；

推送模块，用于将换机特征数据输入第二模型中，获得当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据换机概率进行信息推送。

本申请实施例提供的信息推送装置10，可执行上述方法实施例，其具体实现原理和技术效果，可参见上述方法实施例，本实施例此处不再赘述。

图6示出了本申请实施例提供的一种电子设备的硬件结构示意图。如图6所示，该电子设备20，用于实现上述任一方法实施例中对应于电子设备的操作，本实施例的电子设备20可以包括：存储器21，处理器22和通信接口23。

存储器21，用于存储计算机指令。该存储器21可能包含高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。

处理器22，用于执行存储器存储的计算机指令，以实现上述实施例中的……方法。具体可以参见前述方法实施例中的相关描述。该处理器22可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

可选地，存储器21既可以是独立的，也可以跟处理器22集成在一起。当存储器21是独立于处理器22之外的器件时，电子设备20还可以包括总线。该总线用于连接存储器21和处理器22。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

通信接口23，可以与处理器21连接。处理器22可以控制通信接口23来实现信息的接收和发送的功能。

本实施例提供的电子设备可用于执行上述的信息推送方法，其实现方式和技术效果类似，本实施例此处不再赘述。

本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，计算机指令被处理器执行时用于实现上述的各种实施方式提供的方法。

本申请还提供一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质中读取该计算机指令，至少一个处理器执行该计算机指令使得设备实施上述的各种实施方式提供的方法。

本申请实施例还提供一种芯片，该芯片包括存储器和处理器，所述存储器用于存储计算机指令，所述处理器用于从所述存储器中调用并运行所述计算机指令，使得安装有所述芯片的设备执行如上各种可能的实施方式中所述的方法。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (11)

1.一种信息推送方法，其特征在于，所述方法包括：

获取当前周期的换机用户的终端使用信息，所述终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种；

将所述终端使用信息输入第一模型中，获得所述终端使用信息中各个信息的换机相关性，根据所述换机相关性获得换机特征数据；所述第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，所述非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端；

将所述换机特征数据输入第二模型中，获得所述当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据所述换机概率进行信息推送。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个周期的第一换机用户的终端使用信息，从所述第一换机用户中剔除更换已使用终端和非预设终端的用户，获得第二换机用户，从所述第二换机用户中挑选出在各个周期后的第二预设时间内再次换机的第三换机用户，计算所述第三换机用户在各个周期后的第二预设时间内的实际换机率；

利用所述各个周期第二换机用户的终端使用信息对第一预设模型进行训练，将所述各个周期的第三换机用户的终端使用信息输入训练后的第一预设模型中获得所述各个周期后的第二预设时间内的第一预测换机率；

将所述第一预测换机率与所述实际换机率进行比较，若所述第一预测换机率与所述实际换机率的差值处于第一预设范围内，则将所述训练后的第一预设模型作为所述第一模型，若所述差值不在所述第一预设范围内，继续对所述第一预设模型进行训练，直至所述第一预测换机率与所述实际换机率的差值处于第一预设范围内。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将所述各个周期的第二换机用户的终端使用信息中的目标信息之外的信息输入所述第一模型中，获得第二预测换机率，根据所述第二预测换机率和所述实际换机率获得所述目标信息的换机相关性，以获得所述终端使用信息中的各个信息的换机相关性；

根据所述终端使用信息中的各个信息的相关性获得所述各个周期的换机特征数据，利用所述各个周期的特征数据对第二预设模型进行训练，将第三换机用户的换机特征数据输入训练后的所述第二预设模型获得各个周期后的第二预设时间内的第三预测换机率；

将所述第三预测换机率与所述实际换机率比较，若所述第三预测换机率与所述实际换机率的差值处于第二预设范围内，则将所述训练后的第二预设模型作为所述第二模型，若所述差值不在所述第二预设范围，继续对所述第二预设模型进行训练，直至所述第三预测换机率与实际换机率的差值处于第二预设范围内。

4.根据权利要求2所述的方法，其特征在于，所述获取多个周期的第一换机用户的终端使用信息，从所述第一换机用户中剔除更换已使用终端或者非预设终端的用户，获得第二换机用户，具体包括：

分别对比各个周期内用户的终端的识别码，获取各个周期内终端的识别码发生变化的用户，作为第一换机用户；

将所述第一换机用户中各个周期的识别码分别与各个周期对应的上一周期内的识别码进行比较，将重复出现的识别码对应的第一换机用户剔除；

根据所述识别码剔除所述第一预设时间外、所述第一预设时间内预设类型的终端对应的用户，获得所述第二换机用户。

5.根据权利要求2所述的方法，其特征在于，在获取第二换机用户之后，所述方法还包括：

对所述第二换机用户进行筛选，去除与换机预测无关的异常用户；

相应地，所述利用所述各个周期第二换机用户的信息对第一预设模型进行训练，具体包括：

将去除与换机预测无关的异常用户的第二换机用户的信息对第一预设模型进行训练。

6.根据权利要求5所述的方法，其特征在于，所述对所述第二换机用户进行筛选，去除与换机预测无关的异常用户，具体包括：

将第二换机用户的多个周期的业务属性信息的均值和方差输入孤立森林算法中，输出异常值，所述异常值用于指示与换机预测的相关性；

将所述异常值与异常阈值进行比较，若所述异常值大于所述异常阈值，则将所述异常值对应的用户去除。

7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述周期为一个月，所述第一预设时间为当前周期的前三年，所述第二预设时间为三个月。

8.根据权利要求3所述的方法，其特征在于，所述利用所述各个周期的特征信息对第二预设模型进行训练，具体包括：

采用随机森林算法利用所述各个周期的特征信息对第二预设模型进行训练。

9.一种信息推送装置，其特征在于，所述装置，包括：

第一获取模块，用于获取当前周期的换机用户的终端使用信息，所述终端使用信息包括：基本属性信息、业务属性信息、终端信息、上网行为信息和位置信息中的一种或多种；

第二获取模块，用于将所述终端使用信息输入第一模型中，获得所述终端使用信息中各个信息的换机相关性，根据所述换机相关性获得换机特征数据；所述第一模型是通过使用剔除更换已使用终端和非预设终端的换机用户的终端使用信息进行训练获得的，所述非预设终端包括第一预设时间外的终端以及第一预设时间内非预设类型的终端；

推送模块，用于将所述换机特征数据输入第二模型中，获得所述当前周期的换机用户在当前周期后的第二预设时间内的换机概率，根据所述换机概率进行信息推送。

10.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至8中任意一项所述的信息推送方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，所述计算机指令被处理器执行时用于实现如权利要求1至8中任一项所述的信息推送方法。

Images