CN114416505A - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents
一种数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114416505A CN114416505A CN202111679765.9A CN202111679765A CN114416505A CN 114416505 A CN114416505 A CN 114416505A CN 202111679765 A CN202111679765 A CN 202111679765A CN 114416505 A CN114416505 A CN 114416505A
- Authority
- CN
- China
- Prior art keywords
- user
- application program
- time
- nth
- duration
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 130
- 230000008569 process Effects 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 206010063659 Aversion Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Abstract
本发明提供了一种数据处理方法、装置、电子设备及存储介质。通过本申请，借助流失时长获取模型、用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据可以将预测用户流失的情况具体到流失时长，相比于当前的只能预测用户是否流失的方案，本申请的方案可以将预测用户流失的情况精确到流失时长，预测粒度更细。如此可以根据预测的流失时长来针对性地对用户采取合适的召回策略，以提高召回策略能够达到召回用户再次使用应用程序的目的的可能性，以尽可能地避免流失用户，进而尽可能地避免给应用程序的厂商带来损失。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
近年来，随着计算机技术的快速发展，应用程序越来越多，对于互联网中的应用程序的厂商来说，市场竞争处于白热化的阶段且竞争越来越大，应用程序的厂商对用户对应用程序的留存情况也越来越重视。
但是，应用程序仍旧会流失一些用户，而给应用程序的厂商带来损失。
发明内容
本申请示出了一种数据处理方法、装置、电子设备及存储介质。
第一方面，本申请示出了一种数据处理方法，应用于终端，所述终端中安装有应用程序，所述方法包括：
获取用户在第N次使用所述应用程序的场景中使用完毕所述应用程序的情况下，获取所述用户在第N次使用所述应用程序的过程中对所述应用程序的第N操控行为数据、所述用户在第N次使用所述应用程序的过程中所述终端的第N硬件状态数据以及所述用户的用户属性数据，N为正整数；
将所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据输入已训练的流失时长获取模型中，以使所述流失时长获取模型根据所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据，预测所述用户在第N次使用完毕所述应用程序之后所述用户对所述应用程序的流失时长并输出所述流失时长，所述流失时长包括所述用户在第N次使用所述应用程序的场景中使用完毕所述应用程序时的第N完毕时刻与预测的所述用户第N+1次开始使用所述应用程序时的第N+1开始时刻之间的第一时间间隔；
获取流失时长获取模型输出的所述流失时长；
在所述流失时长大于预设时长的情况下，至少根据所述流失时长获取用于召回所述用户的召回策略；
在所述第N完毕时刻之后且与所述第N完毕时刻之间距离第二时间间隔的情况下，在所述终端的屏幕上显示所述召回策略。
在一个可选的实现方式中，所述方法还包括：
获取样本用户在历史过程中每一次使用所述应用程序的过程中分别对所述应用程序的样本操控行为数据、所述样本用户在历史过程中每一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据、所述样本用户的样本用户属性数据以及所述样本用户在历史过程中每一次使用完毕所述应用程序时的样本完毕时刻；
对于所述样本用户在历史过程中任意相邻的两次使用所述应用程序，计算在历史过程中所述相邻的两次使用完毕所述应用程序时的完毕时刻之间样本时间间隔；
根据所述相邻的两次的靠前一次使用所述应用程序的过程中所述样本用户对所述应用程序的样本操控行为数据、所述样本时间间隔、在靠前一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据以及所述样本用户属性数据，生成所述样本用户在靠前一次使用所述应用程序的过程对应的训练数据。
使用所述样本用户在历史过程中每一次使用所述应用程序的过程分别对应的训练数据对模型训练，直至模型中的参数收敛，从而得到所述流失时长获取模型。
在一个可选的实现方式中，所述方法还包括：
获取所述用户实际第N+1次开始使用所述应用程序时的第N+1开始时刻；
获取所述第N完毕时刻与实际第N+1次开始使用所述应用程序时的第N+1开始时刻之间的实际时间间隔；
在所述实际时间间隔小于所述第一时间间隔的情况下，根据所述第一时间间隔、所述实际时间间隔、所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据优化所述流失时长获取模型，
在一个可选的实现方式中，所述至少根据所述流失时长获取用于召回所述用户的召回策略，包括：
在事先设置的、流失时长区间与召回策略之间的对应关系中，查找与所述流失时长所在的流失时长区间对应的召回策略；
其中，召回策略包括奖励资源，在所述对应关系中，越长的流失时长区间对应的奖励资源的力度越大，越短的流失时长区间对应的奖励资源的力度越小。
在一个可选的实现方式中，所述至少根据所述流失时长获取用于召回所述用户的召回策略，包括：
至少将所述第N操控行为数据以及所述流失时长输入召回策略获取模型中，以使所述召回策略获取模型至少根据所述第N操控行为数据以及所述流失时长获取用于召回所述用户的召回策略，并输出所述召回策略；
获取所述召回策略获取模型输出的所述召回策略。
在一个可选的实现方式中，所述方法还包括：
在所述终端的屏幕上显示所述召回策略的情况下，若所述用户未根据所述召回策略再次使用所述应用程序，根据所述用户未根据所述召回策略再次使用所述应用程序的结果、所述第N操控行为数据、所述流失时长以及所述召回策略优化所述召回策略获取模型。
第二方面，本申请示出了一种数据处理装置，应用于终端，所述终端中安装有应用程序，所述装置包括：
第一获取模块，用于获取用户在第N次使用所述应用程序的场景中使用完毕所述应用程序的情况下，获取所述用户在第N次使用所述应用程序的过程中对所述应用程序的第N操控行为数据、所述用户在第N次使用所述应用程序的过程中所述终端的第N硬件状态数据以及所述用户的用户属性数据，N为正整数；
输入模块，用于将所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据输入已训练的流失时长获取模型中，以使所述流失时长获取模型根据所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据，预测所述用户在第N次使用完毕所述应用程序之后所述用户对所述应用程序的流失时长并输出所述流失时长，所述流失时长包括所述用户在第N次使用所述应用程序的场景中使用完毕所述应用程序时的第N完毕时刻与预测的所述用户第N+1次开始使用所述应用程序时的第N+1开始时刻之间的第一时间间隔；
第二获取模块，用于获取流失时长获取模型输出的所述流失时长；
第三获取模块，用于在所述流失时长大于预设时长的情况下，至少根据所述流失时长获取用于召回所述用户的召回策略；
显示模块，用于在所述第N完毕时刻之后且与所述第N完毕时刻之间距离第二时间间隔的情况下，在所述终端的屏幕上显示所述召回策略。
在一个可选的实现方式中，所述装置还包括：
第四获取模块，用于获取样本用户在历史过程中每一次使用所述应用程序的过程中分别对所述应用程序的样本操控行为数据、所述样本用户在历史过程中每一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据、所述样本用户的样本用户属性数据以及所述样本用户在历史过程中每一次使用完毕所述应用程序时的样本完毕时刻；
计算模块，用于对于所述样本用户在历史过程中任意相邻的两次使用所述应用程序，计算在历史过程中所述相邻的两次使用完毕所述应用程序时的完毕时刻之间样本时间间隔；
生成模块，用于根据所述相邻的两次的靠前一次使用所述应用程序的过程中所述样本用户对所述应用程序的样本操控行为数据、所述样本时间间隔、在靠前一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据以及所述样本用户属性数据，生成所述样本用户在靠前一次使用所述应用程序的过程对应的训练数据；
训练模块，用于使用所述样本用户在历史过程中每一次使用所述应用程序的过程分别对应的训练数据对模型训练，直至模型中的参数收敛，从而得到所述流失时长获取模型。
在一个可选的实现方式中，所述装置还包括：
第五获取模块，用于获取所述用户实际第N+1次开始使用所述应用程序时的第N+1开始时刻；
第六获取模块，用于获取所述第N完毕时刻与实际第N+1次开始使用所述应用程序时的第N+1开始时刻之间的实际时间间隔；
优化模块，用于在所述实际时间间隔小于所述第一时间间隔的情况下，根据所述第一时间间隔、所述实际时间间隔、所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据优化所述流失时长获取模型，
在一个可选的实现方式中，所述第三获取模块包括：
查找单元，用于在事先设置的、流失时长区间与召回策略之间的对应关系中，查找与所述流失时长所在的流失时长区间对应的召回策略；
其中，召回策略包括奖励资源，在所述对应关系中，越长的流失时长区间对应的奖励资源的力度越大，越短的流失时长区间对应的奖励资源的力度越小。
在一个可选的实现方式中，所述第三获取模块包括：
输入单元，用于至少将所述第N操控行为数据以及所述流失时长输入召回策略获取模型中，以使所述召回策略获取模型至少根据所述第N操控行为数据以及所述流失时长获取用于召回所述用户的召回策略，并输出所述召回策略；
获取单元，用于获取所述召回策略获取模型输出的所述召回策略。
在一个可选的实现方式中，述第三获取模块还包括：
优化单元，用于在所述终端的屏幕上显示所述召回策略的情况下，若所述用户未根据所述召回策略再次使用所述应用程序，根据所述用户未根据所述召回策略再次使用所述应用程序的结果、所述第N操控行为数据、所述流失时长以及所述召回策略优化所述召回策略获取模型。
第三方面，本申请示出了一种电子设备，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行如第一方面所述的数据处理方法。
第四方面，本申请示出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的数据处理方法。
第五方面，本申请示出了一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的数据处理方法。
本申请提供的技术方案可以包括以下有益效果：
在本申请中，获取用户在第N次使用应用程序的场景中使用完毕应用程序的情况下，获取用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据。N为正整数。将第N操控行为数据、第N硬件状态数据以及用户属性数据输入已训练的流失时长获取模型中，以使流失时长获取模型根据第N操控行为数据、第N硬件状态数据以及用户属性数据，预测用户在第N次使用完毕应用程序之后用户对应用程序的流失时长并输出流失时长，流失时长包括用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与预测的用户第N+1次开始使用应用程序时的第N+1开始时刻之间的第一时间间隔。获取流失时长获取模型输出的流失时长。在流失时长大于预设时长的情况下，至少根据流失时长获取用于召回用户的召回策略。在第N完毕时刻之后、且与第N完毕时刻之间距离第二时间间隔的情况下，在终端的屏幕上显示召回策略。
通过本申请，借助流失时长获取模型、用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据可以将预测用户流失的情况具体到流失时长，相比于当前的只能预测用户是否流失的方案，本申请的方案可以将预测用户流失的情况精确到流失时长，预测粒度更细。如此可以根据预测的流失时长来针对性地对用户采取合适的召回策略，以提高召回策略能够达到召回用户再次使用应用程序的目的的可能性，以尽可能地避免流失用户，进而尽可能地避免给应用程序的厂商带来损失。
另外，在预测用户对应用程序的流失时长时，结合了终端的硬件状态数据以及用户的用户属性数据可以进一步地提高预测的流失时长的精准度，例如，
例如，终端较卡顿或者网络带宽较差的情况下，应用程序往往会卡顿，例如应用程序中的页面加载时长较长，导致用户可能会因此而比较反感应用程序，考虑这些情况可以提高预测的流失时长的精准度。
再例如，虽然应用程序卡顿，但是老年人耐心更强，空闲时间更多，使得老年人因此反感应用程序的程度更低，而年轻人耐心更弱，空闲时间更少，使得年轻人因此反感应用程序的程度更高。
再例如，对于性能较差的终端，用户对终端的性能往往有心理准备，用户往往也能接收应用程序卡顿的情况，而对于性能较差的设备，用户往往不能接收应用程序卡顿的情况。
因此，结合终端的硬件状态数据以及用户的用户属性数据可以进一步地提高预测的流失时长的精准度。
附图说明
图1是本申请的一种数据处理方法的步骤流程图。
图2是本申请的一种数据处理装置的结构框图。
图3是本申请的一种电子设备的框图。
图4是本申请的一种电子设备的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，示出了本申请的一种数据处理方法的步骤流程图，该方法应用于终端，终端中安装有应用程序，该方法具体可以包括如下步骤：
在步骤S101中，获取用户在第N次使用应用程序的场景中使用完毕应用程序的情况下，获取用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据。N为正整数。
在本申请中，终端的硬件状态数据包括终端的网络带宽、终端CPU(CentralProcessing Unit，中央处理器)利用率以及内存利用率等。
用户可以包括终端的持有者等，用户的用户属性数据包括用户的年龄、性别、所在地域、学历以及职业等。
用户在使用应用程序的过程中对应用程序的操控行为数据包括：用户查看应用程序中的页面的查看时长、用户对应用程序中的内容的评论次数、用户在应用程序中与其他用户交互的次数、用户在应用程序中点赞的次数、用户收藏应用程序中的内容的收藏次数、用户举报应用程序中的内容的举报次数、用户反对应用程序中的内容的反对次数、用户投诉应用程序中的内容的投诉次数、用户关注应用程序中的实体(例如其他用户等)的关注次数以及用户查看应用程序中的内容(例如页面等)的查看完成比例等等。
当然，用户在使用应用程序的过程中对应用程序的操控行为数据还可以包括其他的行为数据等，在此不一一详述。
在步骤S102中，将第N操控行为数据、第N硬件状态数据以及用户属性数据输入已训练的流失时长获取模型中，以使流失时长获取模型根据第N操控行为数据、第N硬件状态数据以及用户属性数据，预测用户在第N次使用完毕应用程序之后用户对应用程序的流失时长并输出流失时长，流失时长包括用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与预测的用户第N+1次开始使用应用程序时的第N+1开始时刻之间的第一时间间隔。
在本申请中，事先可以训练流失时长获取模型，例如，可以获取样本用户在历史过程中每一次使用应用程序的过程中分别对应用程序的样本操控行为数据、样本用户在历史过程中每一次使用应用程序的过程中应用程序所在的样本终端的样本硬件状态数据、样本用户的样本用户属性数据以及样本用户在历史过程中每一次使用完毕应用程序时的样本完毕时刻。
对于样本用户在历史过程中任意相邻的两次使用应用程序，计算在历史过程中该相邻的两次使用完毕应用程序时的完毕时刻之间样本时间间隔。
然后根据该相邻的两次的靠前一次使用应用程序的过程中样本用户对应用程序的样本操控行为数据、该样本时间间隔、在靠前一次使用应用程序的过程中应用程序所在的样本终端的样本硬件状态数据以及样本用户属性数据，生成样本用户在靠前一次使用应用程序的过程对应的训练数据。
再使用样本用户在历史过程中每一次使用应用程序的过程分别对应的训练数据对模型训练，直至模型中的参数收敛，从而得到流失时长获取模型。
模型包括卷积神经网络以及循环神经网络等。
如此，在本步骤中，在需要预测用户在第N次使用完毕应用程序之后用户对应用程序的流失时长时，可以将第N操控行为数据、第N硬件状态数据以及用户属性数据输入已训练的流失时长获取模型中，以使流失时长获取模型根据第N操控行为数据、第N硬件状态数据以及用户属性数据，预测用户在第N次使用完毕应用程序之后用户对应用程序的流失时长并输出流失时长。
在步骤S103中，获取流失时长获取模型输出的流失时长。
在步骤S104中，在流失时长大于预设时长的情况下，至少根据流失时长获取用于召回用户的召回策略。
预设时长可以根据实际情况而定，例如3天、5天或者7天等，本申请对此不加以限定。
有时候，在流失时长较短的情况下，往往可以理解为一种正常现象，例如，用户往往不是时时刻刻都在使用应用程序，而是间隔的使用应用程序，用户在使用应用程序之后，如果用户依赖应用程序，则短时间内会再次使用应用程序，例如，在用户喜欢使用应用程序网上购物的情况下，如果第一天用户使用应用程序网上购物，则第二天、第三天或者第四天用户往往也会使用应用程序网上购物，也即，用户往往短时间内会再次使用应用程序，这样对于应用程序而言，针对这个用户是不存在流失问题的，如此，可以不用对用户采取召回的措施。
而在流失时长较长的情况下，往往可能不是正常现象，例如，虽然用户不是时时刻刻都在使用应用程序，而是间隔的使用应用程序，但是用户在使用应用程序之后，如果长时间都不会再使用应用程序，则说明用户往往不依赖应用程序，这样对于应用程序而言，针对这个用户可能是存在流失问题的，如此，需要对用户采取召回的措施，避免用户流失。
如此，在流失时长大于预设时长的情况下，可以至少根据流失时长获取用于召回用户的召回策略。或者，在流失时长小于或等于预设时长的情况下，可以结束流程。
在步骤S105中，在第N完毕时刻之后、且与第N完毕时刻之间距离第二时间间隔的情况下，在终端的屏幕上显示召回策略。
第二时间间隔可以大于第一时间间隔，也可以小于第一时间间隔，只要是为了避免用户在第N次使用完毕应用程序之后立刻就输出召回策略而导致用户对应用程序厌烦而降低用户体验的情况发生。
例如，第二时间间隔可以为1天或者2天等。
在本申请中，获取用户在第N次使用应用程序的场景中使用完毕应用程序的情况下，获取用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据。N为正整数。将第N操控行为数据、第N硬件状态数据以及用户属性数据输入已训练的流失时长获取模型中，以使流失时长获取模型根据第N操控行为数据、第N硬件状态数据以及用户属性数据，预测用户在第N次使用完毕应用程序之后用户对应用程序的流失时长并输出流失时长，流失时长包括用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与预测的用户第N+1次开始使用应用程序时的第N+1开始时刻之间的第一时间间隔。获取流失时长获取模型输出的流失时长。在流失时长大于预设时长的情况下，至少根据流失时长获取用于召回用户的召回策略。在第N完毕时刻之后、且与第N完毕时刻之间距离第二时间间隔的情况下，在终端的屏幕上显示召回策略。
通过本申请，借助流失时长获取模型、用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据可以将预测用户流失的情况具体到流失时长，相比于当前的只能预测用户是否流失的方案，本申请的方案可以将预测用户流失的情况精确到流失时长，预测粒度更细。如此可以根据预测的流失时长来针对性地对用户采取合适的召回策略，以提高召回策略能够达到召回用户再次使用应用程序的目的的可能性，以尽可能地避免流失用户，进而尽可能地避免给应用程序的厂商带来损失。
另外，在预测用户对应用程序的流失时长时，结合了终端的硬件状态数据以及用户的用户属性数据可以进一步地提高预测的流失时长的精准度。
例如，终端较卡顿或者网络带宽较差的情况下，应用程序往往会卡顿，例如应用程序中的页面加载时长较长，导致用户可能会因此而比较反感应用程序，考虑这些情况可以提高预测的流失时长的精准度。
再例如，虽然应用程序卡顿，但是老年人耐心更强，空闲时间更多，使得老年人因此反感应用程序的程度更低，而年轻人耐心更弱，空闲时间更少，使得年轻人因此反感应用程序的程度更高。
再例如，对于性能较差的终端，用户对终端的性能往往有心理准备，用户往往也能接收应用程序卡顿的情况，而对于性能较差的设备，用户往往不能接收应用程序卡顿的情况。
因此，结合终端的硬件状态数据以及用户的用户属性数据可以进一步地提高预测的流失时长的精准度。
然而，有时候，在终端的屏幕上显示召回策略之前，用户可能会再次使用应用程序(例如由于要网上购物或者网上交友等原因再次使用应用程序)，例如，在终端上启动应用程序并使用应用程序，本次是在终端上第N+1次启动应用程序并且是第N+1次使用应用程序。
在这种情况下，用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与用户实际第N+1次开始使用应用程序时的第N+1开始时刻之间的实际时间间隔就小于用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与预测的用户第N+1次开始使用应用程序时的第N+1开始时刻之间的第一时间间隔。
可见，实际时间间隔与使用流失时长获取模型预测的流失时长(第一时间间隔不同)，因此，使用流失时长获取模型预测的流失时长不准确。
其中，使用流失时长获取模型预测的流失时长不准确可能是因为流失时长获取模型本身的预测准确率低。
因此，可以提高流失时长获取模型本身的预测准确率，进而提高之后使用流失时长获取模型预测的流失时长的准确率。
流失时长包括用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与预测的用户第N+1次开始使用应用程序时的第N+1开始时刻之间的第一时间间隔。
具体地，获取用户实际第N+1次开始使用应用程序时的第N+1开始时刻。
获取用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与用户实际第N+1次开始使用应用程序时的第N+1开始时刻之间的实际时间间隔。
在实际时间间隔小于第一时间间隔的情况下，根据第一时间间隔、实际时间间隔、第N操控行为数据、第N硬件状态数据以及用户属性数据优化流失时长获取模型。
在本申请一个实施例中，召回策略包括奖励资源、用户感兴趣的信息或文案等。奖励资源包括红包奖励、升级降低以及权限奖励等。
召回策略还包括网络信息推送以及短信推送等，推送的信息可以包括优惠券、购物车中的商品的降价通知等，且推送的信息中还包括有页面对应的链接等。
可以划分多个流失时长区间，不同的流失时长区间不重合，对于任意一个流失时长区间，可以设置适用于该流失时长区间的奖励资源，流失时长越长的用户对应用程序的依赖程度或者喜好程度越低，召回难度越大，因此，越长的流失时长区间对应的奖励资源的力度可以越大(例如红包数额越大、升级幅度越高或者权限开放地越多等)，流失时长越短的用户对应用程序的依赖程度或者喜好程度相对越高，召回难度相对越小，因此，越短的流失时长区间对应的奖励资源的力度越小(例如红包数额越小、升级幅度越低或者权限开放地越少等)。然后将该流失时长区间与适用于该流失时长区间的奖励资源存储在流失时长区间与召回策略之间的对应关系中，对于其他每一个流失时长区间，同样如此。
因此，在至少根据流失时长获取用于召回用户的召回策略时，可以在事先设置的、流失时长区间与召回策略之间的对应关系中，查找与预测的流失时长所在的流失时长区间对应的召回策略。
在另一个实施例中，事先可以训练召回策略获取模型。
例如，可以获取样本用户在历史过程中每一次使用应用程序的过程中分别对应用程序的样本操控行为数据，样本用户在历史过程中每一次使用应用程序的过程中应用程序所在的样本终端的样本硬件状态数据、样本用户的样本用户属性数据以及样本用户在历史过程中每一次使用完毕应用程序时的样本完毕时刻。
使用流失时长获取模型根据样本操控行为数据、样本硬件状态数据以及样本用户属性数据预测用户在历史过程中每一次使用完毕应用程序之后的样本流失时长。
然后使用样本用户在历史过程中每一次使用应用程序的过程中分别对应用程序的样本操控行为数据、用户在历史过程中每一次使用完毕应用程序之后的样本流失时长以及标注召回策略对模型训练，直至模型中的参数收敛，从而得到召回策略获取模型。
模型包括卷积神经网络以及循环神经网络等。
如此，在至少根据流失时长获取用于召回用户的召回策略时，可以至少将第N操控行为数据以及预测的流失时长输入召回策略获取模型中，以使召回策略获取模型至少根据第N操控行为数据以及预测的流失时长获取用于召回用户的召回策略，并输出召回策略。然后获取召回策略获取模型输出的召回策略。
在终端的屏幕上显示召回策略(例如，召回策略可以以链接的形式出现，点击该链接之后可以启动应用程序并跳转至奖励资源对应的页面等)的情况下，若用户根据召回策略再次使用应用程序(例如，用户点击该链接以启动应用程序并跳转至奖励资源对应的页面)，则说明此次的召回策略往往是精准地，达到了召回用户的目的。
然而，若用户未根据召回策略再次使用应用程序(例如，用户未点击该链接)，则说明此次的召回策略往往是不精准地，未达到召回用户的目的。则可以根据用户未根据召回策略再次使用应用程序的结果、第N操控行为数据、流失时长以及召回策略优化召回策略获取模型。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本申请所必须的。
参照图2，示出了本申请的一种数据处理装置的结构框图，应用于终端，所述终端中安装有应用程序，所述装置包括：
第一获取模块11，用于获取用户在第N次使用所述应用程序的场景中使用完毕所述应用程序的情况下，获取所述用户在第N次使用所述应用程序的过程中对所述应用程序的第N操控行为数据、所述用户在第N次使用所述应用程序的过程中所述终端的第N硬件状态数据以及所述用户的用户属性数据，N为正整数；
输入模块12，用于将所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据输入已训练的流失时长获取模型中，以使所述流失时长获取模型根据所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据，预测所述用户在第N次使用完毕所述应用程序之后所述用户对所述应用程序的流失时长并输出所述流失时长，所述流失时长包括所述用户在第N次使用所述应用程序的场景中使用完毕所述应用程序时的第N完毕时刻与预测的所述用户第N+1次开始使用所述应用程序时的第N+1开始时刻之间的第一时间间隔；
第二获取模块13，用于获取流失时长获取模型输出的所述流失时长；
第三获取模块14，用于在所述流失时长大于预设时长的情况下，至少根据所述流失时长获取用于召回所述用户的召回策略；
显示模块15，用于在所述第N完毕时刻之后且与所述第N完毕时刻之间距离第二时间间隔的情况下，在所述终端的屏幕上显示所述召回策略。
在一个可选的实现方式中，所述装置还包括：
第四获取模块，用于获取样本用户在历史过程中每一次使用所述应用程序的过程中分别对所述应用程序的样本操控行为数据、所述样本用户在历史过程中每一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据、所述样本用户的样本用户属性数据以及所述样本用户在历史过程中每一次使用完毕所述应用程序时的样本完毕时刻；
计算模块，用于对于所述样本用户在历史过程中任意相邻的两次使用所述应用程序，计算在历史过程中所述相邻的两次使用完毕所述应用程序时的完毕时刻之间样本时间间隔；
生成模块，用于根据所述相邻的两次的靠前一次使用所述应用程序的过程中所述样本用户对所述应用程序的样本操控行为数据、所述样本时间间隔、在靠前一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据以及所述样本用户属性数据，生成所述样本用户在靠前一次使用所述应用程序的过程对应的训练数据；
训练模块，用于使用所述样本用户在历史过程中每一次使用所述应用程序的过程分别对应的训练数据对模型训练，直至模型中的参数收敛，从而得到所述流失时长获取模型。
在一个可选的实现方式中，所述装置还包括：
第五获取模块，用于获取所述用户实际第N+1次开始使用所述应用程序时的第N+1开始时刻；
第六获取模块，用于获取所述第N完毕时刻与实际第N+1次开始使用所述应用程序时的第N+1开始时刻之间的实际时间间隔；
优化模块，用于在所述实际时间间隔小于所述第一时间间隔的情况下，根据所述第一时间间隔、所述实际时间间隔、所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据优化所述流失时长获取模型，
在一个可选的实现方式中，所述第三获取模块包括：
查找单元，用于在事先设置的、流失时长区间与召回策略之间的对应关系中，查找与所述流失时长所在的流失时长区间对应的召回策略；
其中，召回策略包括奖励资源，在所述对应关系中，越长的流失时长区间对应的奖励资源的力度越大，越短的流失时长区间对应的奖励资源的力度越小。
在一个可选的实现方式中，所述第三获取模块包括：
输入单元，用于至少将所述第N操控行为数据以及所述流失时长输入召回策略获取模型中，以使所述召回策略获取模型至少根据所述第N操控行为数据以及所述流失时长获取用于召回所述用户的召回策略，并输出所述召回策略；
获取单元，用于获取所述召回策略获取模型输出的所述召回策略。
在一个可选的实现方式中，述第三获取模块还包括：
优化单元，用于在所述终端的屏幕上显示所述召回策略的情况下，若所述用户未根据所述召回策略再次使用所述应用程序，根据所述用户未根据所述召回策略再次使用所述应用程序的结果、所述第N操控行为数据、所述流失时长以及所述召回策略优化所述召回策略获取模型。
在本申请中，获取用户在第N次使用应用程序的场景中使用完毕应用程序的情况下，获取用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据。N为正整数。将第N操控行为数据、第N硬件状态数据以及用户属性数据输入已训练的流失时长获取模型中，以使流失时长获取模型根据第N操控行为数据、第N硬件状态数据以及用户属性数据，预测用户在第N次使用完毕应用程序之后用户对应用程序的流失时长并输出流失时长，流失时长包括用户在第N次使用应用程序的场景中使用完毕应用程序时的第N完毕时刻与预测的用户第N+1次开始使用应用程序时的第N+1开始时刻之间的第一时间间隔。获取流失时长获取模型输出的流失时长。在流失时长大于预设时长的情况下，至少根据流失时长获取用于召回用户的召回策略。在第N完毕时刻之后、且与第N完毕时刻之间距离第二时间间隔的情况下，在终端的屏幕上显示召回策略。
通过本申请，借助流失时长获取模型、用户在第N次使用应用程序的过程中对应用程序的第N操控行为数据、用户在第N次使用应用程序的过程中终端的第N硬件状态数据以及用户的用户属性数据可以将预测用户流失的情况具体到流失时长，相比于当前的只能预测用户是否流失的方案，本申请的方案可以将预测用户流失的情况精确到流失时长，预测粒度更细。如此可以根据预测的流失时长来针对性地对用户采取合适的召回策略，以提高召回策略能够达到召回用户再次使用应用程序的目的的可能性，以尽可能地避免流失用户，进而尽可能地避免给应用程序的厂商带来损失。
另外，在预测用户对应用程序的流失时长时，结合了终端的硬件状态数据以及用户的用户属性数据可以进一步地提高预测的流失时长的精准度，例如，
例如，终端较卡顿或者网络带宽较差的情况下，应用程序往往会卡顿，例如应用程序中的页面加载时长较长，导致用户可能会因此而比较反感应用程序，考虑这些情况可以提高预测的流失时长的精准度。
再例如，虽然应用程序卡顿，但是老年人耐心更强，空闲时间更多，使得老年人因此反感应用程序的程度更低，而年轻人耐心更弱，空闲时间更少，使得年轻人因此反感应用程序的程度更高。
再例如，对于性能较差的终端，用户对终端的性能往往有心理准备，用户往往也能接收应用程序卡顿的情况，而对于性能较差的设备，用户往往不能接收应用程序卡顿的情况。
因此，结合终端的硬件状态数据以及用户的用户属性数据可以进一步地提高预测的流失时长的精准度。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
可选的，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
图3是本申请示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收到的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播操作信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图4是本申请示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。
参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种数据处理方法，其特征在于，应用于终端，所述终端中安装有应用程序，所述方法包括：
获取用户在第N次使用所述应用程序的场景中使用完毕所述应用程序的情况下，获取所述用户在第N次使用所述应用程序的过程中对所述应用程序的第N操控行为数据、所述用户在第N次使用所述应用程序的过程中所述终端的第N硬件状态数据以及所述用户的用户属性数据，N为正整数；
将所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据输入已训练的流失时长获取模型中，以使所述流失时长获取模型根据所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据，预测所述用户在第N次使用完毕所述应用程序之后所述用户对所述应用程序的流失时长并输出所述流失时长，所述流失时长包括所述用户在第N次使用所述应用程序的场景中使用完毕所述应用程序时的第N完毕时刻与预测的所述用户第N+1次开始使用所述应用程序时的第N+1开始时刻之间的第一时间间隔；
获取流失时长获取模型输出的所述流失时长；
在所述流失时长大于预设时长的情况下，至少根据所述流失时长获取用于召回所述用户的召回策略；
在所述第N完毕时刻之后且与所述第N完毕时刻之间距离第二时间间隔的情况下，在所述终端的屏幕上显示所述召回策略。
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：
获取样本用户在历史过程中每一次使用所述应用程序的过程中分别对所述应用程序的样本操控行为数据、所述样本用户在历史过程中每一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据、所述样本用户的样本用户属性数据以及所述样本用户在历史过程中每一次使用完毕所述应用程序时的样本完毕时刻；
对于所述样本用户在历史过程中任意相邻的两次使用所述应用程序，计算在历史过程中所述相邻的两次使用完毕所述应用程序时的完毕时刻之间样本时间间隔；
根据所述相邻的两次的靠前一次使用所述应用程序的过程中所述样本用户对所述应用程序的样本操控行为数据、所述样本时间间隔、在靠前一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据以及所述样本用户属性数据，生成所述样本用户在靠前一次使用所述应用程序的过程对应的训练数据；
使用所述样本用户在历史过程中每一次使用所述应用程序的过程分别对应的训练数据对模型训练，直至模型中的参数收敛，从而得到所述流失时长获取模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述用户实际第N+1次开始使用所述应用程序时的第N+1开始时刻；
获取所述第N完毕时刻与实际第N+1次开始使用所述应用程序时的第N+1开始时刻之间的实际时间间隔；
在所述实际时间间隔小于所述第一时间间隔的情况下，根据所述第一时间间隔、所述实际时间间隔、所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据优化所述流失时长获取模型。
4.根据权利要求1所述的方法，其特征在于，所述至少根据所述流失时长获取用于召回所述用户的召回策略，包括：
在事先设置的、流失时长区间与召回策略之间的对应关系中，查找与所述流失时长所在的流失时长区间对应的召回策略；
其中，召回策略包括奖励资源，在所述对应关系中，越长的流失时长区间对应的奖励资源的力度越大，越短的流失时长区间对应的奖励资源的力度越小。
5.根据权利要求1所述的方法，其特征在于，所述至少根据所述流失时长获取用于召回所述用户的召回策略，包括：
至少将所述第N操控行为数据以及所述流失时长输入召回策略获取模型中，以使所述召回策略获取模型至少根据所述第N操控行为数据以及所述流失时长获取用于召回所述用户的召回策略，并输出所述召回策略；
获取所述召回策略获取模型输出的所述召回策略。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述终端的屏幕上显示所述召回策略的情况下，若所述用户未根据所述召回策略再次使用所述应用程序，根据所述用户未根据所述召回策略再次使用所述应用程序的结果、所述第N操控行为数据、所述流失时长以及所述召回策略优化所述召回策略获取模型。
7.一种数据处理装置，其特征在于，应用于终端，所述终端中安装有应用程序，所述装置包括：
第一获取模块，用于获取用户在第N次使用所述应用程序的场景中使用完毕所述应用程序的情况下，获取所述用户在第N次使用所述应用程序的过程中对所述应用程序的第N操控行为数据、所述用户在第N次使用所述应用程序的过程中所述终端的第N硬件状态数据以及所述用户的用户属性数据，N为正整数；
输入模块，用于将所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据输入已训练的流失时长获取模型中，以使所述流失时长获取模型根据所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据，预测所述用户在第N次使用完毕所述应用程序之后所述用户对所述应用程序的流失时长并输出所述流失时长，所述流失时长包括所述用户在第N次使用所述应用程序的场景中使用完毕所述应用程序时的第N完毕时刻与预测的所述用户第N+1次开始使用所述应用程序时的第N+1开始时刻之间的第一时间间隔；
第二获取模块，用于获取流失时长获取模型输出的所述流失时长；
第三获取模块，用于在所述流失时长大于预设时长的情况下，至少根据所述流失时长获取用于召回所述用户的召回策略；
显示模块，用于在所述第N完毕时刻之后且与所述第N完毕时刻之间距离第二时间间隔的情况下，在所述终端的屏幕上显示所述召回策略。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第四获取模块，用于获取样本用户在历史过程中每一次使用所述应用程序的过程中分别对所述应用程序的样本操控行为数据、所述样本用户在历史过程中每一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据、所述样本用户的样本用户属性数据以及所述样本用户在历史过程中每一次使用完毕所述应用程序时的样本完毕时刻；
计算模块，用于对于所述样本用户在历史过程中任意相邻的两次使用所述应用程序，计算在历史过程中所述相邻的两次使用完毕所述应用程序时的完毕时刻之间样本时间间隔；
生成模块，用于根据所述相邻的两次的靠前一次使用所述应用程序的过程中所述样本用户对所述应用程序的样本操控行为数据、所述样本时间间隔、在靠前一次使用所述应用程序的过程中所述应用程序所在的样本终端的样本硬件状态数据以及所述样本用户属性数据，生成所述样本用户在靠前一次使用所述应用程序的过程对应的训练数据；
训练模块，用于使用所述样本用户在历史过程中每一次使用所述应用程序的过程分别对应的训练数据对模型训练，直至模型中的参数收敛，从而得到所述流失时长获取模型。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第五获取模块，用于获取所述用户实际第N+1次开始使用所述应用程序时的第N+1开始时刻；
第六获取模块，用于获取所述第N完毕时刻与实际第N+1次开始使用所述应用程序时的第N+1开始时刻之间的实际时间间隔；
优化模块，用于在所述实际时间间隔小于所述第一时间间隔的情况下，根据所述第一时间间隔、所述实际时间间隔、所述第N操控行为数据、所述第N硬件状态数据以及所述用户属性数据优化所述流失时长获取模型。
10.根据权利要求7所述的装置，其特征在于，所述第三获取模块包括：
查找单元，用于在事先设置的、流失时长区间与召回策略之间的对应关系中，查找与所述流失时长所在的流失时长区间对应的召回策略；
其中，召回策略包括奖励资源，在所述对应关系中，越长的流失时长区间对应的奖励资源的力度越大，越短的流失时长区间对应的奖励资源的力度越小。
11.根据权利要求7所述的装置，其特征在于，所述第三获取模块包括：
输入单元，用于至少将所述第N操控行为数据以及所述流失时长输入召回策略获取模型中，以使所述召回策略获取模型至少根据所述第N操控行为数据以及所述流失时长获取用于召回所述用户的召回策略，并输出所述召回策略；
获取单元，用于获取所述召回策略获取模型输出的所述召回策略。
12.根据权利要求11所述的装置，其特征在于，所述第三获取模块还包括：
优化单元，用于在所述终端的屏幕上显示所述召回策略的情况下，若所述用户未根据所述召回策略再次使用所述应用程序，根据所述用户未根据所述召回策略再次使用所述应用程序的结果、所述第N操控行为数据、所述流失时长以及所述召回策略优化所述召回策略获取模型。
13.一种电子设备，其特征在于，包括：处理器、存储器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，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的数据处理方法的步骤。
14.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111679765.9A CN114416505A (zh) | 2021-12-31 | 2021-12-31 | 一种数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111679765.9A CN114416505A (zh) | 2021-12-31 | 2021-12-31 | 一种数据处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114416505A true CN114416505A (zh) | 2022-04-29 |
Family
ID=81271286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111679765.9A Pending CN114416505A (zh) | 2021-12-31 | 2021-12-31 | 一种数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114416505A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796890A (zh) * | 2022-11-07 | 2023-03-14 | 首约科技(北京)有限公司 | 流失用户的召回方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动（北京）科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
| CN108369665A (zh) * | 2015-12-10 | 2018-08-03 | 爱维士软件有限责任公司 | （移动）应用程序使用流失的预测 |
| CN109299961A (zh) * | 2017-07-24 | 2019-02-01 | 北京嘀嘀无限科技发展有限公司 | 防止用户流失的方法及装置、设备和存储介质 |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| CN113536104A (zh) * | 2020-10-10 | 2021-10-22 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111679765.9A patent/CN114416505A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108369665A (zh) * | 2015-12-10 | 2018-08-03 | 爱维士软件有限责任公司 | （移动）应用程序使用流失的预测 |
| CN109299961A (zh) * | 2017-07-24 | 2019-02-01 | 北京嘀嘀无限科技发展有限公司 | 防止用户流失的方法及装置、设备和存储介质 |
| CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动（北京）科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
| CN109636446A (zh) * | 2018-11-16 | 2019-04-16 | 北京奇虎科技有限公司 | 用户流失预测方法、装置及电子设备 |
| CN113536104A (zh) * | 2020-10-10 | 2021-10-22 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796890A (zh) * | 2022-11-07 | 2023-03-14 | 首约科技(北京)有限公司 | 流失用户的召回方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3316527A1 (en) | Method and device for managing notification messages | |
| CN108268322B (zh) | 内存优化的方法、装置及计算机可读存储介质 | |
| CN107193606B (zh) | 应用分发方法及装置 | |
| CN110674343A (zh) | 账户信息的处理方法、装置、服务器以及终端 | |
| CN110691268A (zh) | 一种消息发送方法、装置、服务器、移动终端及存储介质 | |
| CN112464096A (zh) | 一种信息处理方法及装置 | |
| CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
| CN109246184B (zh) | 一种时间信息获取方法、装置和可读存储介质 | |
| CN114416505A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN113868467A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN111177521A (zh) | 一种查询词分类模型的确定方法和装置 | |
| CN106775662B (zh) | 推送消息的显示方法及装置 | |
| EP3190555A1 (en) | Method for operating a display device and display | |
| US20170169467A1 (en) | Information push method and device | |
| CN111353796B (zh) | 一种流量渠道的质量判断方法和装置 | |
| CN109542297B (zh) | 提供操作引导信息的方法、装置及电子设备 | |
| CN108012258B (zh) | 虚拟sim卡的数据流量管理方法、装置、终端及服务器 | |
| CN110968492A (zh) | 信息处理方法及装置、存储介质 | |
| CN113259995B (zh) | 信息处理方法、装置及存储介质 | |
| CN114422854A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN108737523B (zh) | 应用模块与账户的关联方法、关联装置、硬件装置和介质 | |
| CN111104605A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
| CN107766722B (zh) | 一种应用软件安装处理方法、装置及电子设备 | |
| CN113946353B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN111681118B (zh) | 一种数据处理方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |