CN114430489A - 一种虚拟道具的补偿方法以及相关设备 - Google Patents
一种虚拟道具的补偿方法以及相关设备 Download PDFInfo
- Publication number
- CN114430489A CN114430489A CN202011181525.1A CN202011181525A CN114430489A CN 114430489 A CN114430489 A CN 114430489A CN 202011181525 A CN202011181525 A CN 202011181525A CN 114430489 A CN114430489 A CN 114430489A
- Authority
- CN
- China
- Prior art keywords
- loss
- user
- user group
- users
- influence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000014759 maintenance of location Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 239000003550 marker Substances 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 108010014173 Factor X Proteins 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000012260 Accidental injury Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种虚拟道具的补偿方法及相关设备，用于在降低误识别用户的流失率的同时，减少直播平台的支出。该方法包括：在误识别用户群中选取用户数量相等的用户组A和用户组B，并对用户组A中的用户进行道具补偿；根据在预设时长后用户组A和用户组B中用户的留存信息，对用户组A和用户组B中的用户进行流失标记；获得第一流失特征在用户组A和用户组B中对各流失标记的影响差异，并根据影响差异获得对用户补偿与否，对具备第一流失特征的用户的第一影响力；获得第一流失特征的取值对用户流失的第二影响力；获得目标用户补偿与否的流失差异度；若流失差异度大于流失异常度阈值，则确定对目标用户进行虚拟道具补偿。
Description
技术领域
本申请涉及信息处理技术领域，尤其涉及一种虚拟道具的补偿方法以及相关设备。
背景技术
在直播平台中，存在一些具有一定风险的用户，这些用户从事薅羊毛、刷人气等不正当行为，会被平台的一些策略识别出，从而限制用户账号的这些行为。然而，任何策略都不能保证没有任何误识别，被误判的用户会反馈其功能受限。对于这部分用户，如果不采取一些补偿的措施，那么很可能造成用户的流失。
通常来讲，解决该问题的方法是将所有确定误识别的用户一视同仁，给予相同的补偿；或者根据用户等级，对高等级用户给予更高的补偿。传统方法的主要问题在于对于有些用户忠诚度较高误识别之后无需太多补偿也不会流失，而对于一些对误识别敏感的用户需要及时给予补偿，因此不能将用户等同对待。因此如何保障在降低误识别用户的流失率的同时，减少直播平台的支出，增加平台的收益，是一个值得考虑的问题。
发明内容
本申请实施例提供了一种虚拟道具的补偿方法及相关设备，可以在降低误识别用户的流失率的同时，减少直播平台的支出并增加收益。
本申请实施例的第一方面提供了一种虚拟道具的补偿方法，包括：在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
可选地，所述根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异包括：通过以下公式获得所述影响差异：
其中，所述X用于表示所述第一流失特征，所述Y用于表示所述流失标记，所述y用于表示所述流失标记的取值，y的取值集合是{L,S}，所述L用于表示已流失，所述S用于表示未流失，所述dif(pA(Y＝y),pB(Y＝y)|X)用于表示第一流失特征X在所述用户组A和所述用户组B中对所述各流失标记的影响差异，所述pA(Y＝y)用于表示所述实验组A中流失标记为y的概率，所述pB(Y＝y)用于表示所述实验组B中流失标记为y的概率，所述pA(Y＝y|X＝x)用于表示所述第一流失特征X取值为x时，流失标记为y在所述实验组A中的概率；所述pB(Y＝y|X＝x)用于表示所述第一流失特征X取值为x时，流失标记为y在所述实验组B中的概率。
可选地，所述根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力包括：通过以下公式获得所述第一影响力：
其中，所述I(X)用于表示所述第一影响力，所述N是所述实验组A和所述实验组B的总用户数，所述N(Y＝y)用于表示所述实验组A和所述实验组B中流失标记取值为y的用户数。
可选地，所述根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力包括：通过以下公式获得所述第二影响力：
gap(X＝x)＝pB(Y＝L|X＝x)-pA(Y＝L|X＝x)；其中，所述gap(X＝x)用于表示所述第二影响力，所述pA(Y＝L|X＝x)用于表示所述第一流失特征取值为x时，所述实验组A中流失标记为L的用户的概率，所述pB(Y＝L|X＝x)用于表示所述第一流失特征取值为x时，所述实验组B中流失标记为L的用户的概率。
可选地，所述根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度包括：根据以下公式获得所述流失差异度：
可选的，所述方法还包括：通过以下公式获得所述pA(Y＝y|X＝x)：
pA(Y＝y|X＝x)＝F/g；其中，F用于表示所述实验组A中所述第一流失特征取值为x且流失标记为y的用户数，所述g用于表示所述实验组A中所述第一流失特征取值为x的总用户。
可选的，所述方法还包括：
通过以下公式获得所述pA(Y＝L|X＝x)：
pA(Y＝L|X＝x)＝f/g；
其中，f用于表示所述实验组A中所述第一流失特征取值为x且流失标记为L的用户数，所述g用于表示所述实验组A中所述第一流失特征取值为x的总用户。
本申请实施例第二方面提供了一种补偿预装置，包括：选取单元，用于在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；标记单元，用于根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；获得单元，用于根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；所述获得单元还用于根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；所述获得单元还用于根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；补偿单元，用于若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
综上，可以看出，本申请提供的实施例中，在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。通过本申请实施例，通过比对对用户进行补偿的用户组A和不对用户进行补偿的用户组B，根据流失特征的不同确定两个组的用户流失率，再结合流失率确定流失特征取值对用户流失的影响力以及是否补偿对用户流失的影响力，将两者结确定合目标用户补偿与否的流失差异度，使得可以根据用户的流失特征个性化地给予补偿，可以在降低误识别用户的流失率的同时，减少直播平台的支出。
附图说明
图1为本申请实施例提供的一种可能的虚拟道具的补偿方法的流程示意图；
图2为本申请实施例提供的一种可能的补偿装置的实施例示意图；
图3为本申请实施例提供的一种可能的补偿装置的硬件结构示意图；
图4为本申请实施例提供的一种可能的电子设备的实施例示意图；
图5为本申请实施例提供的一种可能的计算机可读存储介质的实施例示意图。
具体实施方式
本申请实施例提供了一种虚拟道具的补偿方法及相关设备，通过比对对用户进行补偿的用户组A和不对用户进行补偿的用户组B，根据流失特征的不同确定两个组的用户流失率，再结合流失率确定流失特征取值对用户流失的影响力以及是否补偿对用户流失的影响力，将两者结确定合目标用户补偿与否的流失差异度，使得可以在降低误识别用户的流失率的同时，减少直播平台的支出并增加收益。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
请参阅图1，为本申请实施例提供的一种可能的虚拟道具的补偿方法的流程图，需要说明的是，本方案的执行主体为补偿装置，该补偿装置可以包含在直播平台的服务器中，或者与直播平台的服务器分离，具体此处不做限定。因此本方案具体包括：
101、在误识别用户群中选取用户数量相等的用户组A和用户组B，并对用户组A中的用户进行道具补偿；
当直播平台的一些策略错误识别了用户的正规行为，导致用户的功能受限时，被误判的用户向平台客服提交投诉，通过客服反馈到系统并同步到平台的风控系统中，风控人员将对用户的行为、设备等方面进行全面异常核查，确认其没有问题后被认为是误识别用户，以得到误识别用户群，并对该误识别用户群中的用户进行平台虚拟道具的补偿。其中，误识别用户群中的用户都具备流失特征，即会导致误识别用户流失的一些因素。本实施例中，该流失特征可以至少包括以下四种：1、用户被限制行为的场景数；2、用户活跃天数中被限制行为的天数；3、用户的等级；4、用户充值金额。选取上述特征的原因是：用户被限制的场景数和天数可以反映出对用户的误伤程度，而用户等级和充值金额反映的是用户的价值，误伤程度越高、用户的价值越大越可能造成用户的流失。需要说明的是，实际应用中，流失特征还可以包括其他特征，例如用户的注册年数、用户的平台金币等，具体此处不做限定。另外，针对上述特征要素的选择，并非人为主观因素的选取，而是符合自然规律、能顾更加真实的体现用户流失的选取。
为了获取补偿敏感特征，本申请实施例中需要进行测试。在误识别用户群中选取两组误识别用户：用户组A和用户组B，这两组用户数量相等，对于用户组A中的用户在确认误识别后立即进行发送道具补偿，而对于用户组B中的用户在确认误识别后不采取任何补偿。
102、根据在预设时长后用户组A和用户组B中用户的留存信息，对用户组A和用户组B中的用户进行流失标记；
在预设时长后，例如7天后，观测用户组A和用户组B的用户留存情况，对用户组A和用户组B中的用户进行流失标记，流失标记包括已流失和未流失。例如这7天内，用户仍然在平台有观看或打赏等活动，那么认为该用户没有被流失，于是打上未流失的标记；反之，则打上流失的标签。
103、获得第一流失特征在用户组A和用户组B中对各流失标记的影响差异；
在对用户组A和用户组B的用户进行流失标记后，根据第一流失特征在不同取值下，用户组A和用户组B的用户留存概率，获得第一流失特征在用户组A和用户组B中对各流失标记的影响差异，其中第一流失特征为流失特征中的任一特征。具体可以通过以下公式获得该影响差异：
其中，X用于表示第一流失特征；
Y用于表示流失标记，y用于表示流失标记的取值，y的取值集合是{L,S}，L用于表示已流失，S用于表示未流失；
dif(pA(Y＝y),pB(Y＝y)|X)用于表示第一流失特征X在用户组A和用户组B中对各流失标记的影响差异，pA(Y＝y)用于表示实验组A中流失标记为y的概率，pB(Y＝y)用于表示实验组B中流失标记为y的概率；
pA(Y＝y|X＝x)用于表示第一流失特征X取值为x时，流失标记为y在实验组A中的概率，获得方法是用户组A中特征因素X取值为x且标签为y的用户数除以实验组A特征X取值为x的总用户数,即获得公式可以为pA(Y＝y|X＝x)＝F/g，其中，F用于表示所述实验组A中所述第一流失特征取值为x且流失标记为y的用户数，所述g用于表示所述实验组A中所述第一流失特征取值为x的总用户；
pB(Y＝y|X＝x)用于表示第一流失特征X取值为x时，流失标记为y在实验组B中的概率，获得方法是用户组B中特征因素X取值为x且标签为y的用户数除以实验组B特征X取值为x的总用户数。
上述公式的原理是：获得第一流失特征X的取值在不同用户组在对标记Y的影响差异dif(pA(Y),pB(Y)|X)。由于标记的取值可以是多个，因此将上述影响差异根据标记的取值写成求和的形式。对于标记取值y，第一流失特征X的取值在不同用户组的影响差异是dif(pA(Y＝y),pB(Y＝y)|X)，同时考虑不同标记对总差异的影响不同，使用标记取值用户占比作为加总的权重。这样获得的好处是，对具备流失特征的用户进行补偿与否，所导致的用户流失的影响差异，若对具备流失特征的用户不补偿时，用户还是留存，则不需要对该用户进行补偿，就可以减少平台的支出。
104、根据影响差异获得，对用户补偿与否对具备第一流失特征的用户的第一影响力；
在获得得到影响差异后，根据影响差异获得对用户补偿与否，对具备第一流失特征的用户的第一影响力，具体可以通过以下公式获得第一影响力：
其中，I(X)用于表示第一影响力；
N是实验组A和实验组B的总用户数，N(Y＝y)用于表示实验组A和实验组B中流失标记取值为y的用户数。
上述公式的原理是：对于特定标记的影响差异，采用
获得在两组实验中的特征取值分布差异。采用上述方式获得分布差异的原理是取值分布的差异可以采用分布对数差异的期望来进行获得，该期望可以表示为E(logpA(Y＝y|X)-logpB(Y＝y|X))，因此得到该期望就是
这样获得的好处是，对用户是否补偿，是否会影响到具备第一流失特征的用户的流失，如果补偿了，用户不流失；而不补偿，用户流失了，则需要对用户进行补偿来保留用户，以提高后续平台的收益。
105、根据第一流失特征在不同取值下用户组A和用户组B中用户的流失概率，获得第一流失特征的取值对用户流失的第二影响力；
对于每个流失特征，还需要获得流失特征取值对流失可能性之间的关系，因此，根据第一流失特征在不同取值下用户组A和用户组B中用户的流失概率，获得第一流失特征的取值对用户流失的第二影响力。具体可以通过以下公式获得该第二影响力：
gap(X＝x)＝pB(Y＝L|X＝x)-pA(Y＝L|X＝x)；
其中，gap(X＝x)用于表示第二影响力；
pA(Y＝L|X＝x)用于表示第一流失特征取值为x时，实验组A中流失标记为L的用户的概率，其计算方法是用户组A中第一流失特征X取值为x且标记为L(流失)的用户数除以用户组A第一流失特征X取值为x的总用户数，公式可以表达为pA(Y＝L|X＝x)＝f/g，其中，f用于表示实验组A中第一流失特征取值为x且流失标记为L的用户数，g用于表示实验组A中第一流失特征取值为x的总用户；
pB(Y＝L|X＝x)用于表示第一流失特征取值为x时，实验组B中流失标记为L的用户的概率，其计算方法是用户组B中第一流失特征X取值为x且标记为L(流失)的用户数除以用户组B中第一流失特征X取值为x的总用户数。
该计算第二影响力的公式的原理是：第一流失特征X取值对用户流失的影响度可以通过不同用户组在第一流失特征取值x时流失的概率差异来进行衡量。用户组A是补偿过的用户，因此若该第一流失特征取值对流失有影响的话，那么相对于没有补偿的用户组B用户，其流失的可能性会小一些，因此可以通过概率差异来衡量该影响。这样计算的好处是，当获得了流失特征取值的不同时，已经补偿的用户组和未补偿的用户组的流失概率，这样就可以知道流失特征的取值对用户流失的影响力，进而在后面的计算中，可以知道当流失特征的值很大时是否还需要对用户进行补偿，以及补偿的程度，以更加减少平台的损失，提高平台收益。
106、根据第一影响力和第二影响力获得目标用户补偿与否的流失差异度；
在得到第一影响力和第二影响力后，根据两者获得目标用户补偿与否的流失差异度，具体计算公式可以如下：
其中，du用于表示对目标用户u补偿与否的流失差异度，gap(X＝xu)用于表示第一流失特征取值为xu时的第二影响力，I(X)用于表示第一影响力。
该公式的原理为，流失差异度越大的用户说明对补偿越敏感，不补偿的话，该用户流失的可能性非常大，因此对于这种用户需要给予一定的补偿来留住。需要说明的是，第一影响力表示的是，是否补偿对具备第一流失特征的用户的影响；第二影响力表示的是，第一流失特征的取值对用户流失的影响，为便于理解，假设第一流失特征是用户被限制行为的天数，那第一影响力表示的就是补偿与否对于被限制行为的用户的影响，第二影响力表示的就是被限制行为多少天会导致用户流失，因此，结合这两方面得到对用户补偿与否的流失差异度更加准确。
107、若流失差异度大于流失异常度阈值，则确定对目标用户进行虚拟道具补偿。
在得到目标用户补偿与否的流失差异度后，将该流失差异度与流失异常度阈值进行比较，若大于流失异常度阈值，则对该目标用户进行虚拟道具补偿；反之则不需要进行补偿。其中，对目标用户进行虚拟道具补偿的数量和流失差异度是成正向关的，例如可以根据流失差异度按照固定倍数补偿平台虚拟道具。
需要说明的是，影响流失异常度阈值的因素有：补偿的预算，预算越大那么流失异常度阈值越低，使得更多的误识别用户得到补偿；反之则调大该阈值。
为便于更好的理解本方案，将举例对本方案的实现进行说明：
假设用户组A和用户组B各取100人，在用户组A中流失用户40人，用户组B中流失用户70人。取第一流失特征X，其特征取值x可能有三种1、2、3，在用户组A和用户组B中，第一流失特征X的取值分布分别是：
用户组A：
特征取值x＝1：共40人，流失20人；
特征取值x＝2：共30人，流失10人；
特征取值x＝3：共30人，流失10人；
用户组B：
特征取值x＝1：共50人，流失40人；
特征取值x＝2：共20人，流失15人；
特征取值x＝3：共30人，流失15人；
根据上述信息，可以计算得到：
N(Y＝L)＝40+70＝110
N(Y＝S)＝60+30＝90
N＝200；
pA(Y＝L|X＝1)＝20/40＝0.5
pA(Y＝L|X＝2)＝10/30＝0.33
pA(Y＝L|X＝3)＝10/30＝0.33；
pA(Y＝S|X＝1)＝20/40＝0.5
pA(Y＝S|X＝2)＝20/30＝0.67
pA(Y＝S|X＝3)＝20/30＝0.67；
pB(Y＝L|X＝1)＝40/50＝0.8
pB(Y＝L|X＝2)＝15/20＝0.75
pB(Y＝L|X＝3)＝15/30＝0.5；
pA(Y＝S|X＝1)＝10/50＝0.2
pA(Y＝S|X＝2)＝5/20＝0.25
pA(Y＝S|X＝3)＝15/30＝0.5；
于是：
获得每个第一流失特征的取值对流失的影响度：
gap(X＝1)＝pB(Y＝L|X＝1)-pA(Y＝L|X＝1)＝0.8-0.5＝0.3
gap(X＝2)＝pB(Y＝L|X＝2)-pA(Y＝L|X＝2)＝0.75-0.33＝0.42
gap(X＝3)＝pB(Y＝L|X＝3)-pA(Y＝L|X＝3)＝0.5-0.33＝0.17
假设目标用户u有两个流失特征，包括第一流失特征X和第二流失特征Y，并获得得到I(Y)＝0.125，即目标用户u的流失特征取值是X＝1,Y＝2，且gap(Y＝2)＝0.25，那么：du＝0.847*0.3+0.125*0.25＝0.285。
若流失异常度阈值为0.2，由于目标用户u补偿与否的流失差异度大于该阈值，因此需要对该目标用户进行补偿。
本申请实施例中，根据用户的特征因素个性化地给予补偿，既可以保证误识别的用户尽量不流失，也能够节省平台的支出。
上面对本申请实施例中虚拟道具的补偿方法进行了描述，下面对本申请实施例中的补偿装置进行描述。
请参阅图2，本申请实施例中补偿装置的一个实施例，该补偿装置包括：
选取单元201，用于在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；
标记单元202，用于根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；
计算单元203，用于根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；
所述计算单元203还用于根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；
所述计算单元203还用于根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；
补偿单元204，用于若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
上面图2从模块化功能实体的角度对本申请实施例中的补偿装置进行了描述，下面从硬件处理的角度对本申请实施例中的补偿装置进行详细描述，请参阅图3，本申请实施例中的直播间的推荐装置300一个实施例，包括：
输入装置301、输出装置302、处理器303和存储器304(其中处理器303的数量可以一个或多个，图3中以一个处理器303为例)。在本申请的一些实施例中，输入装置301、输出装置502、处理器303和存储器304可通过总线或其它方式连接，其中，图3中以通过总线连接为例。
其中，通过调用存储器304存储的操作指令，处理器303，用于执行如下步骤：
在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；
根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；
根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；
根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；
根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；
若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
通过调用存储器304存储的操作指令，处理器303，还用于执行图1对应的实施例中的任一方式。
请参阅图4，图4为本申请实施例提供的电子设备的实施例示意图。
如图4所示，本申请实施例提供了一种电子设备，包括存储器410、处理器420及存储在存储器420上并可在处理器420上运行的获得机程序411，处理器420执行计算机程序411时实现以下步骤：
在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；
根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；
根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；
根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；
根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；
若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
在具体实施过程中，处理器420执行计算机程序411时，可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例中一种补偿装置所采用的设备，故而基于本申请实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍，只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
请参阅图5，图5为本申请实施例提供的一种计算机可读存储介质的实施例示意图。
如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现如下步骤：
在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；
根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；
根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；
根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；
根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；
若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
在具体实施过程中，该计算机程序511被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的风电场数字化平台设计的方法中的流程。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本申请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全部或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)执行本申请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、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，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，以上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该，或者对其中部分技术特征进行等同替换；而这些修该或者替换，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精神和范围。
Claims (10)
1.一种虚拟道具的补偿方法，其特征在于，包括：
在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；
根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；
根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；
根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；
根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；
若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
2.根据权利要求1所述的方法，其特征在于，所述根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异包括：
通过以下公式获得所述影响差异：
其中，所述X用于表示所述第一流失特征，所述Y用于表示所述流失标记，所述y用于表示所述流失标记的取值，y的取值集合是{L,S}，所述L用于表示已流失，所述S用于表示未流失，所述dif(pA(Y＝y),pB(Y＝y)|X)用于表示第一流失特征X在所述用户组A和所述用户组B中对所述各流失标记的影响差异，所述pA(Y＝y)用于表示所述实验组A中流失标记为y的概率，所述pB(Y＝y)用于表示所述实验组B中流失标记为y的概率，所述pA(Y＝y|X＝x)用于表示所述第一流失特征X取值为x时，流失标记为y在所述实验组A中的概率；所述pB(Y＝y|X＝x)用于表示所述第一流失特征X取值为x时，流失标记为y在所述实验组B中的概率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力包括：
通过以下公式获得所述第一影响力：
其中，所述I(X)用于表示所述第一影响力，所述N是所述实验组A和所述实验组B的总用户数，所述N(Y＝y)用于表示所述实验组A和所述实验组B中流失标记取值为y的用户数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力包括：
通过以下公式获得所述第二影响力：
gap(X＝x)＝pB(Y＝L|X＝x)-pA(Y＝L|X＝x)；
其中，所述gap(X＝x)用于表示所述第二影响力，所述pA(Y＝L|X＝x)用于表示所述第一流失特征取值为x时，所述实验组A中流失标记为L的用户的概率，所述pB(Y＝L|X＝x)用于表示所述第一流失特征取值为x时，所述实验组B中流失标记为L的用户的概率。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度包括：
根据以下公式获得所述流失差异度：
其中，du用于表示对所述目标用户u补偿与否的流失差异度，所述gap(X＝xu)用于表示所述第一流失特征取值为xu时的第二影响力，所述I(X)用于表示所述第一影响力。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
通过以下公式获得所述pA(Y＝y|X＝x)：
pA(Y＝y|X＝x)＝F/g；
其中，F用于表示所述实验组A中所述第一流失特征取值为x且流失标记为y的用户数，所述g用于表示所述实验组A中所述第一流失特征取值为x的总用户。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
通过以下公式获得所述pA(Y＝L|X＝x)：
pA(Y＝L|X＝x)＝f/g；
其中，f用于表示所述实验组A中所述第一流失特征取值为x且流失标记为L的用户数，所述g用于表示所述实验组A中所述第一流失特征取值为x的总用户。
8.一种补偿装置，其特征在于，包括：
选取单元，用于在误识别用户群中选取用户数量相等的用户组A和用户组B，并对所述用户组A中的用户进行道具补偿，所述用户组B中的用户为不进行道具补偿的用户，所述误识别用户群中的用户都具备流失特征；
标记单元，用于根据在预设时长后所述用户组A和所述用户组B中用户的留存信息，对所述用户组A和所述用户组B中的用户进行流失标记，所述流失标记包括已流失和未流失；
获得单元，用于根据第一流失特征在不同取值下，所述用户组A和所述用户组B的用户留存概率，获得所述第一流失特征在用户组A和用户组B中对所述各流失标记的影响差异，并根据所述影响差异获得对用户补偿与否，对具备所述第一流失特征的用户的第一影响力，其中，所述第一流失特征为所述流失特征中的任一特征；
所述获得单元还用于根据所述第一流失特征在不同取值下，所述用户组A和所述用户组B中用户的流失概率，获得所述第一流失特征的取值对用户流失的第二影响力；
所述获得单元还用于根据所述第一影响力和所述第二影响力获得目标用户补偿与否的流失差异度，所述目标用户为所述误识别用户群中除所述用户组A和所述用户组B的任一用户；
补偿单元，用于若所述流失差异度大于流失异常度阈值，则确定对所述目标用户进行虚拟道具补偿，其中，对所述目标用户补偿的数量与所述目标用户的流失差异度正相关。
9.一种电子设备，包括存储器、处理器，其特征在于，所述处理器用于执行存储器中存储的获得机管理类程序时实现如权利要求1至7中任意一项所述的虚拟道具的补偿方法的步骤。
10.一种获得机可读存储介质，其上存储有获得机管理类程序，其特征在于：所述获得机管理类程序被处理器执行时实现如权利要求1至7中任意一项所述的虚拟道具的补偿方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011181525.1A CN114430489A (zh) | 2020-10-29 | 2020-10-29 | 一种虚拟道具的补偿方法以及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011181525.1A CN114430489A (zh) | 2020-10-29 | 2020-10-29 | 一种虚拟道具的补偿方法以及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114430489A true CN114430489A (zh) | 2022-05-03 |
Family
ID=81310176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011181525.1A Pending CN114430489A (zh) | 2020-10-29 | 2020-10-29 | 一种虚拟道具的补偿方法以及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114430489A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080263410A1 (en) * | 2007-04-17 | 2008-10-23 | Mittal Avinash C | Method and apparatus for testing of enterprise systems |
| CN101999134A (zh) * | 2008-04-11 | 2011-03-30 | 微软公司 | 普遍存在的基于意图的顾客激励方案 |
| CN102016900A (zh) * | 2008-04-25 | 2011-04-13 | 微软公司 | 用于早期采用并保留资金源来为奖励项目提供资金的模型 |
| US20120053990A1 (en) * | 2008-05-07 | 2012-03-01 | Nice Systems Ltd. | System and method for predicting customer churn |
| CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
| CN108364195A (zh) * | 2018-02-09 | 2018-08-03 | 腾讯科技（深圳）有限公司 | 用户留存概率预测方法、装置、预测服务器及存储介质 |
| CN108492146A (zh) * | 2018-03-30 | 2018-09-04 | 口口相传(北京)网络技术有限公司 | 基于用户关联行为的优惠值计算方法、服务端及客户端 |
| US20180307720A1 (en) * | 2017-04-20 | 2018-10-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for learning-based group tagging |
| CN108765010A (zh) * | 2018-05-29 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 用户留存概率预测方法、装置、预测服务器及存储介质 |
| CN109151600A (zh) * | 2018-10-19 | 2019-01-04 | 武汉斗鱼网络科技有限公司 | 一种特效缺失的补偿方法、装置、服务器及存储介质 |
| 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 |
| CN109840790A (zh) * | 2017-11-28 | 2019-06-04 | 腾讯科技（深圳）有限公司 | 用户流失的预测方法、装置及计算机设备 |
| CN110213606A (zh) * | 2019-05-30 | 2019-09-06 | 上海云甫智能科技有限公司 | 一种直播平台内容推荐方法及系统 |
| CN110930192A (zh) * | 2019-11-22 | 2020-03-27 | 携程旅游信息技术（上海）有限公司 | 用户流失预测方法、系统、设备和存储介质 |
| CN110956297A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 一种流失概率的预测处理方法及装置 |
| US20200134648A1 (en) * | 2017-07-24 | 2020-04-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for preventing user churn |
| CN111144949A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 奖励数据发放方法、装置、计算机设备及存储介质 |
| CN111260382A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种流失概率的预测处理方法及装置 |
| CN111417975A (zh) * | 2020-01-13 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 用于个性化优惠的方法和系统 |
| US20200267449A1 (en) * | 2019-02-15 | 2020-08-20 | Rovi Guides, Inc. | Churn analysis and methods of intervention |
-
2020
- 2020-10-29 CN CN202011181525.1A patent/CN114430489A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080263410A1 (en) * | 2007-04-17 | 2008-10-23 | Mittal Avinash C | Method and apparatus for testing of enterprise systems |
| CN101999134A (zh) * | 2008-04-11 | 2011-03-30 | 微软公司 | 普遍存在的基于意图的顾客激励方案 |
| CN102016900A (zh) * | 2008-04-25 | 2011-04-13 | 微软公司 | 用于早期采用并保留资金源来为奖励项目提供资金的模型 |
| US20120053990A1 (en) * | 2008-05-07 | 2012-03-01 | Nice Systems Ltd. | System and method for predicting customer churn |
| CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
| US20180307720A1 (en) * | 2017-04-20 | 2018-10-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for learning-based group tagging |
| US20200134648A1 (en) * | 2017-07-24 | 2020-04-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for preventing user churn |
| CN109840790A (zh) * | 2017-11-28 | 2019-06-04 | 腾讯科技（深圳）有限公司 | 用户流失的预测方法、装置及计算机设备 |
| CN108364195A (zh) * | 2018-02-09 | 2018-08-03 | 腾讯科技（深圳）有限公司 | 用户留存概率预测方法、装置、预测服务器及存储介质 |
| CN108492146A (zh) * | 2018-03-30 | 2018-09-04 | 口口相传(北京)网络技术有限公司 | 基于用户关联行为的优惠值计算方法、服务端及客户端 |
| CN108765010A (zh) * | 2018-05-29 | 2018-11-06 | 腾讯科技（深圳）有限公司 | 用户留存概率预测方法、装置、预测服务器及存储介质 |
| CN110956297A (zh) * | 2018-09-26 | 2020-04-03 | 北京嘀嘀无限科技发展有限公司 | 一种流失概率的预测处理方法及装置 |
| CN109151600A (zh) * | 2018-10-19 | 2019-01-04 | 武汉斗鱼网络科技有限公司 | 一种特效缺失的补偿方法、装置、服务器及存储介质 |
| 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 |
| CN111260382A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种流失概率的预测处理方法及装置 |
| US20200267449A1 (en) * | 2019-02-15 | 2020-08-20 | Rovi Guides, Inc. | Churn analysis and methods of intervention |
| CN110213606A (zh) * | 2019-05-30 | 2019-09-06 | 上海云甫智能科技有限公司 | 一种直播平台内容推荐方法及系统 |
| CN110930192A (zh) * | 2019-11-22 | 2020-03-27 | 携程旅游信息技术（上海）有限公司 | 用户流失预测方法、系统、设备和存储介质 |
| CN111144949A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 奖励数据发放方法、装置、计算机设备及存储介质 |
| CN111417975A (zh) * | 2020-01-13 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 用于个性化优惠的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614238B (zh) | 一种目标对象识别方法、装置、系统及可读存储介质 | |
| KR20190113924A (ko) | 채점 모델을 구축하고 사용자 신용을 평가하기 위한 방법 및 디바이스 | |
| CN107146160B (zh) | 投保客户健康状况分析方法及服务器 | |
| CN109257617B (zh) | 一种确定直播平台中嫌疑用户的方法以及相关设备 | |
| US11620406B2 (en) | Information processing device, information processing method, and recording medium | |
| CN112565422B (zh) | 一种对电力物联网故障数据的识别方法、系统和存储介质 | |
| CN109359802B (zh) | 逆选择风险确定方法、系统、计算机设备及存储介质 | |
| CN116739759A (zh) | 基于订单风险识别的资产资金匹配方法、装置及设备 | |
| CN109413439B (zh) | 一种确定嫌疑用户的方法及相关设备 | |
| EP2172861A1 (en) | System and method for predicting rare events | |
| CN114430489A (zh) | 一种虚拟道具的补偿方法以及相关设备 | |
| CN117217743A (zh) | 智能支付通道路由方法、装置、计算机设备和存储介质 | |
| CN111476657A (zh) | 信息推送方法、装置及系统 | |
| KR20140090483A (ko) | 건강정보의 군집화 방법 | |
| US8751286B2 (en) | Loss distribution calculation system, loss distribution calculation method and loss distribution calculation-use program | |
| CN107545347B (zh) | 用于防控风险的属性确定方法、装置及服务器 | |
| Zhang et al. | Integrated synteny-and similarity-based inference on the polyploidization–fractionation cycle | |
| CN111681090A (zh) | 业务系统的账号分组方法、装置、终端设备及存储介质 | |
| CN109670976B (zh) | 特征因子确定方法及设备 | |
| CN112734210A (zh) | 一种智能分案方法及系统 | |
| CN113205117B (zh) | 社区划分方法、装置、计算机设备及存储介质 | |
| CN112261018B (zh) | 异常对象的检测方法及装置、存储介质、电子装置 | |
| CN110610200B (zh) | 车商分类方法、装置、计算机设备及存储介质 | |
| CN113257363B (zh) | 一种系谱的校正方法及装置 | |
| CN114549028A (zh) | 一种干预用户行为的方法以及相关设备 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240621 |