CN114186741A - 一种对象流失预测方法、装置、电子设备及存储介质 - Google Patents
一种对象流失预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114186741A CN114186741A CN202111514780.8A CN202111514780A CN114186741A CN 114186741 A CN114186741 A CN 114186741A CN 202111514780 A CN202111514780 A CN 202111514780A CN 114186741 A CN114186741 A CN 114186741A
- Authority
- CN
- China
- Prior art keywords
- intention
- data
- attrition
- intent
- identified
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种对象流失预测方法、装置、电子设备及存储介质。该对象流失预测方法,具体可以包括以下步骤:获取待识别对象的对象关联数据;将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图;根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。本发明实施例的技术方案能够提高对象流失预测的准确率,从而减少对象的流失,降低对象流失造成的损失。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种对象流失预测方法、装置、电子设备及存储介质。
背景技术
随着科技的不断发展,同行业之间的竞争压力越来越大,每个公司都在面临着对象的流失,如实体企业的企业员工的流失,实体企业的企业供应商的流失,或软件企业的应用程序用户的流失等。对象流失的问题不仅会影响每个公司的盈亏,也关系着整个行业的发展。
现有的对象流失预测方法主要是提取对象数据后,采用某一种预置对象流失预测模型(如决策树、神经网络等),对对象数据进行数据挖掘,并最终输出对象即将流失的概率。但是现有的对象流失预测方法的对象流失预测准确率低,无法精准预测可能流失的对象,无法有效降低对象流失的损失。
发明内容
本发明实施例提供一种对象流失预测方法、装置、电子设备及存储介质,能够提高对象流失预测的准确率,从而减少对象的流失,降低对象流失造成的损失。
第一方面,本发明实施例提供了一种对象流失预测方法,包括:
获取待识别对象的对象关联数据;
将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图;
根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。
第二方面,本发明实施例还提供了一种对象流失预测装置,包括:
对象关联数据获取模块,用于获取待识别对象的对象关联数据;
对象意图获取模块,用于将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图;
流失概率确定模块,用于根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的对象流失预测方法。
第四方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的对象流失预测方法。
本发明实施例通过获取待识别对象的对象关联数据,并将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图,从而根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率,解决现有的对象流失预测方法的对象流失预测准确率低的问题,能够提高对象流失预测的准确率,从而减少对象的流失,降低对象流失造成的损失。
附图说明
图1是本发明实施例一提供的一种对象流失预测方法的流程图;
图2是本发明实施例二提供的一种对象流失预测方法的流程图;
图3是本发明实施例二提供的长短期记忆模型学习网核心循环单元结构图;
图4是本发明实施例三提供的一种对象流失预测方法的具体示例流程图;
图5是本发明实施例四提供的一种对象流失预测装置的示意图;
图6是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
本发明实施例的技术方案中,所涉及用户个人信息(如人脸信息、语音信息等)的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例一
图1是本发明实施例一提供的一种对象流失预测方法的流程图,本实施例可适用于精准预测对象流失的情况,该方法可以由对象流失预测装置执行,该装置可以通过软件和/或硬件的方式实现,并一般可以直接集成在执行本方法的电子设备中,该电子设备可以是终端设备,也可以是服务器设备,本发明实施例并不对执行对象流失预测方法的电子设备的类型进行限定。具体的,如图1所示,该对象流失预测方法具体可以包括如下步骤:
S110、获取待识别对象的对象关联数据。
其中,待识别对象可以是需要进行识别的,可以存在流失意图的任意类型的对象,例如可以是企业员工,也可以是应用程序用户,或者还可以是企业供应商等,本发明实施例对此并不进行限制。对象关联数据可以是与待识别对象相关联的任意数据,例如可以是企业员工的反馈意见或出勤记录等,也可以是应用程序用户的用户评论或用户聊天信息等,或者还可以是企业供应商的合作数据或价格浮动等,本发明实施例对此并不进行限制。
在本发明实施例中,获取待识别对象的对象关联数据,以进一步根据对象关联数据确定待识别对象的对象意图。示例性的,获取待识别对象的对象关联数据可以是获取企业员工的反馈意见或出勤记录等,也可以是获取应用程序用户的用户评论或用户聊天信息等,或者还可以是获取企业供应商的合作数据或价格浮动等,本发明实施例对此并不进行限制。需要说明的是,本发明实施例对待识别对象的对象关联数据的获取方式并不进行限制,只要能够获取到即可。
S120、将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图。
其中,意图识别模型可以是用于识别待识别对象的流失意图的模型,例如可以是卷积神经网络模型、递归神经网络模型、长短期记忆模型或深度信念网络模型等,本发明实施例对此并不进行限制。对象意图可以是待识别对象的意图,例如可以是企业员工的员工离职意图,也可以是应用程序用户的用户流失意图,或者还可以是企业供应商的供应商停止合作意图等,本发明实施例对此并不进行限制。
在本发明实施例中,在获取待识别对象的对象关联数据之后,可以进一步将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图,从而可以进一步确定待识别对象的流失概率。具体的,预先训练的意图识别模型可以是根据已知对象意图的对象关联数据对初始的意图识别模型进行训练后得到的模型。
S130、根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。
其中,对象意图关联数据可以是能够反映对象的对象流失意图的相关数据。示例性的,如果企业员工的对象意图是员工离职意图,则对象意图关联数据可以是与员工离职对应的反馈意见等。如果应用程序用户的对象意图是用户流失意图,则对象意图关联数据可以是与用户流失对应的用户聊天信息等。如果企业供应商的对象意图是供应商停止合作意图,则对象意图关联数据可以是与供应商停止合作对应的合作数据等。本发明实施例对对象意图关联数据的具体数据内容并不进行限制,只要能够反映对象的对象流失意图即可。流失概率可以用于预测待识别对象流失的可能性。可以理解的是,待识别对象的流失概率越大,待识别对象流失的可能性越大。相应的,待识别对象的流失概率越小,待识别对象流失的可能性越小。
本发明实施例中,在将待识别对象的对象关联数据输入至预先训练的意图识别模型中,并通过意图识别模型获取待识别对象的对象意图之后,可以进一步根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率,从而根据待识别对象的流失概率预测对象是否会流失。
本实施例的技术方案,通过获取待识别对象的对象关联数据,并将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图,从而根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率,解决现有的对象流失预测方法的对象流失预测准确率低的问题,能够提高对象流失预测的准确率,从而减少对象的流失,降低对象流失造成的损失。
实施例二
图2是本发明实施例二提供的一种对象流失预测方法的流程图,本实施例是对上述各技术方案的进一步细化,给出了获取待识别对象的对象关联数据,将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图,根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率的多种具体可选的实现方式。本实施例中的技术方案可以与上述一个或多个实施例中的各个可选方案结合。如图2所示,该方法可以包括如下步骤:
S210、获取流失对象的第一对象样本数据。
其中,流失对象可以是已经流失的对象,例如可以是离职的企业员工,流失的应用程序用户,或停止合作的企业供应商等,本发明实施例对此并不进行限制。需要说明的是,本发明实施例中的流失对象可以是留存较长一段时间后流失的对象,而不是未留存或留存时间较短而流失的对象。示例性的,如果流失对象是应用程序用户,则流失对象可以是使用应用程序一段时间以上(如两个星期,或两个星期以上)的用户,而不是仅体验几天就不使用应用程序的用户,也不是仅在应用程序注册的应用程序用户。这样设置的好处是:剔除短暂留存的流失对象,避免因短暂留存的流失对象的自身因素造成的对象流失影响对象意图分类的分析,能够更准确的分析因外在因素造成的对象流失的对象意图分类。第一对象样本数据可以是流失对象的一个样本数据,例如可以是流失对象的文本样本数据,也可以是流失对象的视频文本数据,或者还可以是流失对象的语音文本数据等,本发明实施例对此并不进行限制。
在本发明实施例中,获取流失对象的第一对象样本数据,以对第一对象样本数据进行解析。具体的,获取流失对象的第一对象样本数据可以获取预设时间段的流失对象的第一对象样本数据,也可以是获取设定数量的流失对象的第一对象样本数据等,本发明实施例对此并不进行限制。
S220、对所述流失对象的第一对象样本数据进行解析,得到至少一种对象意图分类。
其中,对象意图分类可以是对流失对象的流失意图进行的分类。示例性的,如果流失对象是离职的企业员工,则对象意图分类可以是工资低、待遇差或者加班等。如果流失对象是流失的应用程序用户,则对象意图分类可以是体验差、广告多或没时间等。如果流失对象是停止合作的企业供应商,则对象意图分类可以是价格低或付款不及时等。本发明实施例对对象意图分类的具体分类方式并不进行限制。
在本发明实施例中,在获取流失对象的第一对象样本数据之后,可以进一步对流失对象的第一对象样本数据进行解析,以得到至少一种对象意图分类。具体的,对流失对象的第一对象样本数据进行解析可以是获取第一对象样本数据中出现的各种意图,并根据第一对象样本数据中的各种意图进行分类。可以理解的是,对象意图分类可以是在第一对象样本数据中出现频率较高的一个或多个意图的分类。
S230、获取待识别对象的对象关联数据。
S240、获取各所述对象意图分类对应的流失对象的第二对象样本数据以及不包括各所述对象意图分类的非流失对象的第三对象样本数据。
其中,第二对象样本数据可以是流失对象的另一个与各对象意图分类对应的样本数据,例如可以是与各对象意图分类对应的文本样本数据,也可以是与各对象意图分类对应的视频样本数据,或者还可以是与各对象意图分类对应的音频样本数据等,本发明实施例对此并不进行限制。非流失对象可以是没有流失的对象。需要说明的是,本发明实施例中的非流失对象是较稳定的对象。示例性的,如果非流失对象是企业员工,则非流失对象可以是入职半年以上的企业员工。如果非流失对象是应用程序用户,则非流失对象可以是使用应用程序半年至一年的用户。如果非流失对象是企业供应商,则非流失对象可以是合作一年以上的企业供应商。第三对象样本数据可以是非流失对象中不包括各对象意图分类的样本数据,例如可以是不包括各对象意图分类的文本样本数据,也可以是不包括各对象意图分类的视频样本数据,或者还可以是不包括各对象意图分类的音频样本数据等,本发明实施例对此并不进行限制。
在本发明实施例中,在对流失对象的第一对象样本数据进行解析,得到至少一种对象意图分类之后,可以进一步获取各对象意图分类对应的流失对象的第二对象样本数据,并获取不包括各对象意图分类的非流失对象的第三对象样本数据,以根据第二对象样本数据和第三对象样本数据训练意图识别模型。
S250、根据所述第二对象样本数据和所述第三对象样本数据训练所述意图识别模型。
在本发明实施例中,在获取各对象意图分类对应的流失对象的第二对象样本数据,并获取不包括各对象意图分类的非流失对象的第三对象样本数据之后,可以进一步根据第二对象样本数据和第三对象样本数据训练意图识别模型,以通过意图识别模型获取待识别对象的对象意图。可以理解的是,通过第二对象样本数据和第三对象样本数据对意图识别模型进行训练,丰富了样本类型和样本特征,可以提高意图识别模型的准确性,从而获取更准确的待识别对象的对象意图。
可选的,意图识别模型可以包括策略输出模型和长短期记忆模型;相应的,根据第二对象样本数据和第三对象样本数据训练意图识别模型,可以包括:将第二对象样本数据和第三对象样本数据输入至策略输出模型,得到目标表示策略;将目标表示策略作为样本数据输入至长短期记忆模型,以训练长短期记忆模型。
其中,策略输出模型可以是将样本数据转换为机器语言的模型,例如可以是将文本样本数据转换为机器语言的模型,也可以是将视频样本数据转换为机器语言的模型,或者还可以是将语音样本数据转换为机器语言的模型等,本发明实施例对此并不进行限制。目标表示策略可以是用机器语言的表示形式来表示样本数据的表示策略。
具体的,在获取各对象意图分类对应的流失对象的第二对象样本数据,并获取不包括各对象意图分类的非流失对象的第三对象样本数据之后,可以进一步将第二对象样本数据和第三对象样本数据输入至策略输出模型,以将第二对象样本数据和第三对象样本数据转换成目标表示策略,从而将目标表示策略作为样本数据输入至长短期记忆模型,进行实现对长短期记忆模型的训练。
示例性的,图3是本发明实施例二提供的长短期记忆模型学习网核心循环单元结构图,如图3所示,长短期记忆模型在接收到t时刻的输入数据和t-1时刻的输出数据之后,通过“遗忘门层”确定被神经元遗忘的数据,在每个神经元状态输出0~1之间的数字;其中,“1”表示“完全保留这个数据”,“0”表示“完全遗忘这个数据”。通过“输入门层”确定在神经元细胞中保存的信息;其中,通过Sigmoid函数层确定需要更新的数值,再通过tanh函数层生成一个新的候选数值。将t-1时刻的神经元状态ht-1更新为t时刻的神经元状态ht,再通过“输出门层”确定输出的数据,这个输出是建立在神经元状态的基础上的,但是有一个滤波器;其中,通过Sigmoid函数层决定哪一部分的神经元状态需要被输出,再让神经元状态经过tanh函数(让输出值变为-1~1之间)层并且乘上Sigmoid函数门限的输出,即可以得到长短期记忆模型输出的数据,也即t时刻的输出数据。
S260、将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图。
S270、根据所述待识别对象的对象意图确定所述待识别对象的目标对象意图分类。
其中,目标对象意图分类可以是各对象意图分类中的一个目标分类。
在本发明实施例中,在将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图之后,可以进一步根据待识别对象的对象意图确定待识别对象的目标对象意图分类。示例性的,如果待识别对象的对象意图是企业员工的离职意图,则可以根据企业员工的离职意图确定企业员工的意图分类,如工资低或加班等。如果待识别对象的对象意图是应用程序用户的流失意图,则可以根据应用程序用户的流失意图确定应用程序用户的意图分类,如体验差或广告多等。如果待识别对象的对象意图是企业供应商的停止合作意图,则可以根据企业供应商的停止合作意图确定企业供应商的意图分类,如价格低或付款不及时等。
S280、获取所述目标对象意图分类的意图关联数据总数作为所述对象意图关联数据。
其中,意图关联数据总数可以是待识别对象的对象关联数据中与目标对象意图分类相关的数据的总数。示例性的,如果待识别对象的对象关联数据中包括5条与目标对象意图分类相关的数据,则意图关联数据总数为5。
在本发明实施例中,在根据待识别对象的对象意图确定待识别对象的目标对象意图分类之后,可以进一步获取目标对象意图分类的意图关联数据总数作为对象意图关联数据。具体的,可以获取设定时间段的目标对象意图分类的意图关联数据总数作为对象意图关联数据,从而对设定时间段内待识别对象的流失意图进行预测。
S290、确定所述目标对象意图分类的目标意图权重。
其中,目标意图权重可以是对象意图分类中每个目标对象意图分类对应的权重。可以理解的是,每个目标对象意图分类的权重可以不同,也可以相同,本发明实施例对此并不进行限制。
在本发明实施例中,在获取目标对象意图分类的意图关联数据总数作为对象意图关联数据之后,可以进一步确定目标对象意图分类的目标意图权重,以根据目标对象意图分类、意图关联数据总数、目标意图权重以及对象关联数据确定待识别对象的流失概率。
S2100、根据所述目标对象意图分类、所述意图关联数据总数、所述目标意图权重以及所述对象关联数据确定所述待识别对象的流失概率。
在本发明实施例中,在确定目标对象意图分类的目标意图权重之后,可以进一步根据目标对象意图分类、意图关联数据总数、目标意图权重以及对象关联数据确定待识别对象的流失概率,从而根据待识别对象的流失概率预测待识别对象是否会流失。
可选的,根据目标对象意图分类、意图关联数据总数、目标意图权重以及对象关联数据确定待识别对象的流失概率,可以包括:基于如下公式确定待识别对象的流失概率:
具体的,根据目标对象意图分类、意图关联数据总数、目标意图权重以及对象关联数据确定待识别对象的流失概率,可以是根据上述公式确定待识别对象的流失概率,其中n可以取值为4。
需要说明的是,图2仅是一种实现方式的示意图,本发明实施例并不对S230和S240-S260之间的执行顺序进行限定,也即,可以先执行S230再执行S240-S260,也可以先执行S240-S260再执行S230,或者S230和S240-S260还可以同步进行。
本实施例的技术方案,通过获取流失对象的第一对象样本数据,并对流失对象的第一对象样本数据进行解析,得到至少一种对象意图分类,再获取待识别对象的对象关联数据,获取各对象意图分类对应的流失对象的第二对象样本数据,并获取不包括各对象意图分类的非流失对象的第三对象样本数据,根据第二对象样本数据和第三对象样本数据训练意图识别模型,从而将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图,再根据待识别对象的对象意图确定待识别对象的目标对象意图分类,获取目标对象意图分类的意图关联数据总数作为对象意图关联数据,并确定目标对象意图分类的目标意图权重,从而根据目标对象意图分类、意图关联数据总数、目标意图权重以及对象关联数据确定待识别对象的流失概率,解决现有的对象流失预测方法的对象流失预测准确率低的问题,能够提高对象流失预测的准确率,从而减少对象的流失,降低对象流失造成的损失。
实施例三
本发明实施例以游戏用户流失预测应用场景为例具体说明,在游戏领域,用户的流失率研究是整个游戏产品分析中最为核心的研究之一,用户流失率严重影响整个游戏的运营生态,对整个游戏中玩家具有负面传播效应。一个健康的游戏产品运营生态,必须保证游戏玩家长期稳定参与游戏内各种活动。因此,游戏用户流失预测对游戏的运营具有重要意义。图4是本发明实施例三提供的一种对象流失预测方法的具体示例流程图,如图4所示,具体可以包括以下步骤:
Step1:分析游戏流失用户在游戏社交过程的意图标准分类(也即对象意图分类)。通过对游戏产品中历史流失用户(也即流失对象)在退游前两周的聊天文本信息(也即第一对象样本数据)进行分析,可以得到历史流失用户有关退游倾向的聊天内容表达意图主要集中在:(1)退游,(2)体验差,(3)高消费,(4)没时间,(5)太难不会玩。因此,随机获取1000位历史流失用户的聊天文本信息进行分析,可以进一步确定在退游前,聊天内容中具有“退游”、“体验差”意图倾向的历史流失用户,在10日内放弃游戏的占比约98.4%;聊天内容具有“没时间”意图倾向的历史流失用户,在两周内放弃游戏的占比约96.2%;聊天内容中具有“高消费”,“太难不会玩”意图倾向的历史流失用户,在两周内容退出游戏的占比约68.1%。
Step2:数据准备。基于Step1用户聊天内容退游意图标准分类,可以随机选择游戏用户(也即非流失对象)与游戏流失用户各1000位,时间跨度为最近两周的聊天内容,并筛选游戏流失用户的5类退游倾向的聊天内容各1w句(也即第二对象样本数据)和游戏用户的无退游倾向的聊天内容5w句(也即第三对象样本数据),作为本次学习的语料。
Step3:文本分类学习网络设计。因游戏内聊天文本内容具有语法结构不规范、文本内容短等特点,可以通过各类游戏聊天文本以及公开新闻类语料训练基于字符的文本表示模型(也即策略输出模型)(如Bert模型),作为学习网络的文本表示策略(也即目标表示策略);再构建长短期记忆模型(也即LSTM学习网络);其中,针对聊天文本内容短的特点,网络学习输入的文本序列长度(sequence length)可以为140;特征维度(featuresdimension)可以为200。最后基于Step2的学习预料训练文本退游意图分类模型(也即意图识别模型)。
Step4:实时文本意图识别。基于Step3训练的文本退游意图分类模型,实现对待识别游戏玩家(也即待识别对象)聊天内容的实时识别。
Step5:制定预测机制。根据待识别游戏玩家每天发送消息总数(也即对象关联数据),各类退游意图信息频次(也即意图关联数据总数)等每天计算用户退游意图热度(也即待识别对象的流失概率)。热度计算公式如下:
其中,Ci∈{退游,体验差,高消费,没时间,太难不会玩};表示对应Ci的热力权重值;SF表示待识别用户一天内的发言总数;freq(Ci)表示在指定时间跨度内的对应意图类别的发言文本总数;n可以取值为4。
具体的,热力权重值与Step1中意图倾向的占比相对应,也即可以分别为{0.984,0.984,0.962,0.681,0.681}。可以理解的是,总发言数的对数避免因权重的影响衰减过多,主要起“减震”的作用,因为聊天发言总数具有随机性,而且随着发言量增加会减弱退游倾向的热度。
Step6:当Hot值大于等于0.2时,可执行预测。
上述技术方案,根据游戏用户在体验游戏过程中所产生的社交文本内容,对文本内容的情感倾向跟踪分析,实现流失用户的预测,并针对大概率流失用户实现预测,从而实现早预测、早干预的流失用户维护机制。
实施例四
图5是本发明实施例四提供的一种对象流失预测装置的示意图,如图5所示,所述装置包括:对象关联数据获取模块510、对象意图获取模块520以及流失概率确定模块530,其中:
对象关联数据获取模块510,用于获取待识别对象的对象关联数据;
对象意图获取模块520,用于将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图;
流失概率确定模块530,用于根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。
本实施例的技术方案,通过获取待识别对象的对象关联数据,并将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图,从而根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率,解决现有的对象流失预测方法的对象流失预测准确率低的问题,能够提高对象流失预测的准确率,从而减少对象的流失,降低对象流失造成的损失。
可选的,对象关联数据获取模块510可以具体用于:获取流失对象的第一对象样本数据;对所述流失对象的第一对象样本数据进行解析,得到至少一种对象意图分类。
可选的,对象意图获取模块520可以具体用于:获取各所述对象意图分类对应的流失对象的第二对象样本数据以及不包括各所述对象意图分类的非流失对象的第三对象样本数据;根据所述第二对象样本数据和所述第三对象样本数据训练所述意图识别模型。
可选的,所述意图识别模型可以包括策略输出模型和长短期记忆模型;相应的,对象意图获取模块520可以进一步用于:将所述第二对象样本数据和所述第三对象样本数据输入至所述策略输出模型,得到目标表示策略;将所述目标表示策略作为样本数据输入至所述长短期记忆模型,以训练所述长短期记忆模型。
可选的,流失概率确定模块530可以具体用于:根据所述待识别对象的对象意图确定所述待识别对象的目标对象意图分类;获取所述目标对象意图分类的意图关联数据总数作为所述对象意图关联数据;确定所述目标对象意图分类的目标意图权重;根据所述目标对象意图分类、所述意图关联数据总数、所述目标意图权重以及所述对象关联数据确定所述待识别对象的流失概率。
可选的,流失概率确定模块530可以进一步用于:基于如下公式确定所述待识别对象的流失概率:
可选的,所述待识别对象可以包括应用程序用户;所述对象意图可以包括用户流失意图。
上述对象流失预测装置可执行本发明任意实施例所提供的对象流失预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的对象流失预测方法。
由于上述所介绍的对象流失预测装置为可以执行本发明实施例中的对象流失预测方法的装置,故而基于本发明实施例中所介绍的对象流失预测方法,本领域所属技术人员能够了解本实施例的对象流失预测装置的具体实施方式以及其各种变化形式,所以在此对于该对象流失预测装置如何实现本发明实施例中的对象流失预测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中对象流失预测方法所采用的装置,都属于本申请所欲保护的范围。
实施例五
图6是本发明实施例五提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18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,图形加速端口,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。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备12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、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,实现本发明实施例所提供的对象流失预测方法,包括:获取待识别对象的对象关联数据;将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图;根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率。
实施例六
本发明实施例六还提供一种存储计算机程序的计算机存储介质,所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的对象流失预测方法,包括:获取待识别对象的对象关联数据;将待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过意图识别模型获取待识别对象的对象意图;根据待识别对象的对象意图、对象意图关联数据以及对象关联数据确定待识别对象的流失概率。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory,ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory,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。在本文件中,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。
计算机可读的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。计算机可读的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,包括但不限于无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,所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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种对象流失预测方法,其特征在于,包括:
获取待识别对象的对象关联数据;
将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图;
根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。
2.根据权利要求1所述的方法,其特征在于,在所述获取待识别对象的对象关联数据之前,还包括:
获取流失对象的第一对象样本数据;
对所述流失对象的第一对象样本数据进行解析,得到至少一种对象意图分类。
3.根据权利要求2所述的方法,其特征在于,在所述将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图之前,还包括:
获取各所述对象意图分类对应的流失对象的第二对象样本数据以及不包括各所述对象意图分类的非流失对象的第三对象样本数据;
根据所述第二对象样本数据和所述第三对象样本数据训练所述意图识别模型。
4.根据权利要求3所述的方法,其特征在于,所述意图识别模型包括策略输出模型和长短期记忆模型;
所述根据所述第二对象样本数据和所述第三对象样本数据训练所述意图识别模型,包括:
将所述第二对象样本数据和所述第三对象样本数据输入至所述策略输出模型,得到目标表示策略;
将所述目标表示策略作为样本数据输入至所述长短期记忆模型,以训练所述长短期记忆模型。
5.根据权利要求2所述的方法,其特征在于,所述根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率,包括:
根据所述待识别对象的对象意图确定所述待识别对象的目标对象意图分类;
获取所述目标对象意图分类的意图关联数据总数作为所述对象意图关联数据;
确定所述目标对象意图分类的目标意图权重;
根据所述目标对象意图分类、所述意图关联数据总数、所述目标意图权重以及所述对象关联数据确定所述待识别对象的流失概率。
7.根据权利要求1-6任一所述的方法,其特征在于,所述待识别对象包括应用程序用户;所述对象意图包括用户流失意图。
8.一种对象流失预测装置,其特征在于,包括:
对象关联数据获取模块,用于获取待识别对象的对象关联数据;
对象意图获取模块,用于将所述待识别对象的对象关联数据输入至预先训练的意图识别模型中,以通过所述意图识别模型获取所述待识别对象的对象意图;
流失概率确定模块,用于根据所述待识别对象的对象意图、对象意图关联数据以及所述对象关联数据确定所述待识别对象的流失概率。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的对象流失预测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的对象流失预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514780.8A CN114186741A (zh) | 2021-12-13 | 2021-12-13 | 一种对象流失预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514780.8A CN114186741A (zh) | 2021-12-13 | 2021-12-13 | 一种对象流失预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186741A true CN114186741A (zh) | 2022-03-15 |
Family
ID=80604581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111514780.8A Pending CN114186741A (zh) | 2021-12-13 | 2021-12-13 | 一种对象流失预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742144A (zh) * | 2022-04-02 | 2022-07-12 | 中国建设银行股份有限公司 | 对象流失概率的确定方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-13 CN CN202111514780.8A patent/CN114186741A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742144A (zh) * | 2022-04-02 | 2022-07-12 | 中国建设银行股份有限公司 | 对象流失概率的确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3129745C (en) | Neural network system for text classification | |
US11080304B2 (en) | Feature vector profile generation for interviews | |
CN111339255B (zh) | 目标情感分析的方法、模型训练方法、介质和设备 | |
CN112270379A (zh) | 分类模型的训练方法、样本分类方法、装置和设备 | |
CN110874716A (zh) | 面试测评方法、装置、电子设备及存储介质 | |
CN111709630A (zh) | 语音质检方法、装置、设备及存储介质 | |
US20230027526A1 (en) | Method and apparatus for classifying document based on attention mechanism and semantic analysis | |
CN114416943B (zh) | 对话模型的训练方法、装置、电子设备及存储介质 | |
CN110427454A (zh) | 文本情绪分析方法及装置、电子设备和非暂态存储介质 | |
Li et al. | CoAnnotating: Uncertainty-guided work allocation between human and large language models for data annotation | |
CN114186741A (zh) | 一种对象流失预测方法、装置、电子设备及存储介质 | |
CN110826327A (zh) | 情感分析方法、装置、计算机可读介质及电子设备 | |
Mathur et al. | Monopoly: Financial prediction from monetary policy conference videos using multimodal cues | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
Huang et al. | Predicting well-being using short ecological momentary audio recordings | |
CN115393094A (zh) | 预测模型的训练方法、数据分析方法、装置以及介质 | |
CN113627155A (zh) | 一种数据筛选方法、装置、设备及存储介质 | |
Zhang et al. | Probabilistic verb selection for data-to-text generation | |
CN114117017A (zh) | 会话信息提取方法、系统、设备及存储介质 | |
CN111681670B (zh) | 信息识别方法、装置、电子设备及存储介质 | |
Song et al. | Inferring association between alcohol addiction and defendant's emotion based on sound at court | |
La et al. | Improving reading comprehension step by step using Online-Boost text readability classification system | |
CN113051396A (zh) | 文档的分类识别方法、装置和电子设备 | |
August et al. | Exploring the Effect of Author and Reader Identity in Online Story Writing: the STORIESINTHEWILD Corpus. | |
KR102646075B1 (ko) | 학교생활기록부의 인공지능 평가를 이용한 진학 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
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 |