CN116664184A - 基于联邦学习的客户流失预测方法及装置 - Google Patents

基于联邦学习的客户流失预测方法及装置 Download PDF

Info

Publication number
CN116664184A
CN116664184A CN202310943807.8A CN202310943807A CN116664184A CN 116664184 A CN116664184 A CN 116664184A CN 202310943807 A CN202310943807 A CN 202310943807A CN 116664184 A CN116664184 A CN 116664184A
Authority
CN
China
Prior art keywords
target
client
model
data
training
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.)
Granted
Application number
CN202310943807.8A
Other languages
English (en)
Other versions
CN116664184B (zh
Inventor
张欢
刘大畅
宋昊阳
张正初
赵子龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Southern Planning & Designing Institute Of Telecom Consultation Co ltd
Original Assignee
Guangdong Southern Planning & Designing Institute Of Telecom Consultation Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Southern Planning & Designing Institute Of Telecom Consultation Co ltd filed Critical Guangdong Southern Planning & Designing Institute Of Telecom Consultation Co ltd
Priority to CN202310943807.8A priority Critical patent/CN116664184B/zh
Publication of CN116664184A publication Critical patent/CN116664184A/zh
Application granted granted Critical
Publication of CN116664184B publication Critical patent/CN116664184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于联邦学习的客户流失预测方法及装置，该方法包括：构建训练数据组；根据所有外部训练客户数据，对外部数据分析模型进行训练，得到目标外部数据分析模型并确定对应的外部数据分析参数；根据所有内部训练客户数据，对内部数据分析模型进行训练，得到目标内部数据分析模型并确定对应的内部数据分析参数；根据所有外部数据分析参数以及所有内部数据分析参数，对客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；采集客户数据集合；将客户数据集合输入至目标流失预测模型，得到客户流失预测结果。可见，实施本发明能够有利于提高对客户流失进行预测的准确性，以及能够有利于提高对客户流失进行预测的效率。

Description

基于联邦学习的客户流失预测方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于联邦学习的客户流失预测方法及装置。
背景技术
随着互联网技术的飞速发展，基于互联网的商业也随之发展，电子商务的竞争也越来越激烈。对于电商商户而言，如何维持稳定的客源是商店营业和收益的重要一部分，客户流失对商户利润的影响巨大，所以当前客户流失问题也受到了各大商户的广泛关注。目前，对于客户流失的预测问题基于是通过人为将购买数据以及历史售卖数据进行对比，并基于对比结果进行客户流失的预测。但是，这种基于人为的客户流失预测方法存在准确性低下以及效率低下的问题。可见，提供一种新的客户流失预测方法以提高客户流失预测的准确性和效率显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种基于联邦学习的客户流失预测方法及装置，能够有利于提高对客户流失进行预测的准确性，以及能够有利于提高对客户流失进行预测的效率。
为了解决上述技术问题，本发明第一方面公开了一种基于联邦学习的客户流失预测方法，所述方法包括：
构建训练数据组，所述训练数据组包括外部训练客户数据和内部训练客户数据；
根据所有所述外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型，并确定所述目标外部数据分析模型对应的外部数据分析参数；
根据所有所述内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型，并确定所述目标内部数据分析模型对应的内部数据分析参数；
根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；
采集客户数据集合；所述客户数据集合包括至少一位客户的客户数据组，每个所述客户的客户数据组包括该客户的外部数据以及该客户的内部数据；
将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果。
作为一种可选的实施方式，在本发明第一方面中，所述将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果之后，所述方法还包括：
确定与所述客户流失预测结果相匹配的至少一个第一目标客户；
对于每个第一目标客户，根据该第一目标客户的客户数据组，分析该第一目标客户的流失因子；其中，每个所述第一目标客户的流失因子包括该第一目标客户对应的流失原因；
获取每个所述第一目标客户在预设历史时长段内的使用数据；
对于每个所述第一目标客户，根据该第一目标客户的流失因子以及该第一目标客户在所述预设历史时长段内的使用数据，确定该第一目标客户的挽留参数，并根据该第一目标客户的挽留参数，对该第一目标客户执行与该第一目标客户的挽留参数相匹配的挽留操作。
作为一种可选的实施方式，在本发明第一方面中，所述将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果之后，所述方法还包括：
根据所述客户流失预测结果，确定每个所述客户的流失概率，并根据每个所述客户的流失概率，从所有所述客户中确定出至少一位第二目标客户；其中，所述第二目标客户的流失概率低于预设的流失概率阈值；
根据每个所述第二目标客户的客户数据组，对于每个所述第二目标客户，确定该第二目标客户的特征信息；
根据所有所述第二目标客户的特征信息，生成导向推荐信息，并向所有所述客户中除所有所述第二目标客户以外的所有剩余客户发送所述导向推荐信息；
其中，所述导向推荐信息至少包括产品推荐信息、服务推荐信息、应用推荐信息中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述对于每个所述目标客户，根据该目标客户的流失因子以及该目标客户在所述预设历史时长段内的使用数据，确定该目标客户的挽留参数，包括：
对于每个所述目标客户，根据该目标客户的流失因子以及该目标客户在所述预设历史时长段内的使用数据，确定该目标客户的使用习惯信息；
对于每个所述目标客户，根据该目标客户的使用习惯信息，生成该目标客户的挽留参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型之后，所述方法还包括：
确定所述目标流失预测模型中每个模型参数的参数稳定权重，以及每个所述模型参数的参数稳定值；
基于所述目标流失预测模型中的每个所述模型参数的参数稳定权重以及每个所述模型参数的参数稳定值，计算所述目标流失预测模型的模型稳定值；
判断所述目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值；
当判断出所述目标流失预测模型的所述模型稳定值小于预设的所述模型稳定阈值时，从所述目标流失预测模型中的所有所述模型参数中确定出待调整参数，以及确定每个所述待调整参数的参数稳定权重更新系数；
对于每个所述待调整参数，根据该待调整参数的参数稳定权重更新系数，对该待调整参数的参数稳定权重执行更新操作，以更新该待调整参数，并重新触发执行所述的基于所述目标流失预测模型中的每个所述模型参数的参数稳定权重以及每个所述模型参数的参数稳定值，计算所述目标流失预测模型的模型稳定值以及判断所述目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作。
作为一种可选的实施方式，在本发明第一方面中，所述采集客户数据集合之后，所述方法还包括：
对采集到所述客户数据集合中所包括的所有客户数据执行分类操作，得到每个所述客户数据的数据类型，所述数据类型包括外部数据类型或者内部数据类型；
基于每个所述客户数据的数据类型，对于每个所述客户数据，对该客户数据赋予类别标签，以使该客户数据存在与其相对应的类别标签；
对所有所述客户数据执行预处理操作，以更新所有所述客户数据，并触发执行所述的将所有所述客户数据输入至所述目标流失预测模型，得到客户流失预测结果的操作；
其中，所述预处理操作包括数据清洗操作、数据剔除操作、数据填充操作、数据加密操作、数据拟合操作中的一种或多种。
作为一种可选的实施方式，在本发明第一方面中，所述根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型，包括：
根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型；
从所述训练数据组中抽取至少一个目标训练数据；
对于每个所述目标训练数据，将该目标训练数据输入至所述预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；
基于每个所述目标训练数据对应的损失参数，确定所述预训练流失预测模型的模型损失参数；
判断所述模型损失参数是否满足预设的模型迭代条件；
当判断出所述模型损失参数满足预设的所述模型迭代条件时，将所述预训练流失预测模型确定为目标流失预测模型；
当判断出所述模型损失参数不满足预设的所述模型迭代条件时，重新触发执行所述的从所述训练数据组中抽取至少一个目标训练数据；对于每个所述目标训练数据，将该目标训练数据输入至所述预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；基于每个所述目标训练数据对应的损失参数，确定所述预训练流失预测模型的模型损失参数；判断所述模型损失参数是否满足预设的模型迭代条件的操作。
本发明第二方面公开了一种基于联邦学习的客户流失预测装置，所述装置包括：
构建模块，用于构建训练数据组，所述训练数据组包括外部训练客户数据和内部训练客户数据；
训练模块，用于根据所有所述外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型；
确定模块，用于确定所述目标外部数据分析模型对应的外部数据分析参数；
所述训练模块，还用于根据所有所述内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型；
所述确定模块，还用于确定所述目标内部数据分析模型对应的内部数据分析参数；
更新模块，用于根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；
采集模块，用于采集客户数据集合；所述客户数据集合包括至少一位客户的客户数据组，每个所述客户的客户数据组包括该客户的外部数据以及该客户的内部数据；
输入模块，用于将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块，还用于在所述输入模块将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果之后，确定与所述客户流失预测结果相匹配的至少一个第一目标客户；
所述装置还包括：
分析模块，用于对于每个第一目标客户，根据该第一目标客户的客户数据组，分析该第一目标客户的流失因子；其中，每个所述第一目标客户的流失因子包括该第一目标客户对应的流失原因；
获取模块，用于获取每个所述第一目标客户在预设历史时长段内的使用数据；
所述确定模块，还用于对于每个所述第一目标客户，根据该第一目标客户的流失因子以及该第一目标客户在所述预设历史时长段内的使用数据，确定该第一目标客户的挽留参数；
执行模块，用于根据该第一目标客户的挽留参数，对该第一目标客户执行与该第一目标客户的挽留参数相匹配的挽留操作。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块，还用于在所述输入模块将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果之后，根据所述客户流失预测结果，确定每个所述客户的流失概率，并根据每个所述客户的流失概率，从所有所述客户中确定出至少一位第二目标客户；其中，所述第二目标客户的流失概率低于预设的流失概率阈值；根据每个所述第二目标客户的客户数据组，对于每个所述第二目标客户，确定该第二目标客户的特征信息；
所述装置还包括：
生成模块，用于根据所有所述第二目标客户的特征信息，生成导向推荐信息；
发送模块，用于向所有所述客户中除所有所述第二目标客户以外的所有剩余客户发送所述导向推荐信息；
其中，所述导向推荐信息至少包括产品推荐信息、服务推荐信息、应用推荐信息中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块对于每个所述目标客户，根据该目标客户的流失因子以及该目标客户在所述预设历史时长段内的使用数据，确定该目标客户的挽留参数的具体方式包括：
对于每个所述目标客户，根据该目标客户的流失因子以及该目标客户在所述预设历史时长段内的使用数据，确定该目标客户的使用习惯信息；
对于每个所述目标客户，根据该目标客户的使用习惯信息，生成该目标客户的挽留参数。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块，还用于在所述更新模块根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型之后，确定所述目标流失预测模型中每个模型参数的参数稳定权重，以及每个所述模型参数的参数稳定值；
所述装置还包括：
计算模块，用于基于所述目标流失预测模型中的每个所述模型参数的参数稳定权重以及每个所述模型参数的参数稳定值，计算所述目标流失预测模型的模型稳定值；
判断模块，用于判断所述目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值；
所述确定模块，还用于当所述判断模块判断出所述目标流失预测模型的所述模型稳定值小于预设的所述模型稳定阈值时，从所述目标流失预测模型中的所有所述模型参数中确定出待调整参数，以及确定每个所述待调整参数的参数稳定权重更新系数；
所述更新模块，还用于对于每个所述待调整参数，根据该待调整参数的参数稳定权重更新系数，对该待调整参数的参数稳定权重执行更新操作，以更新该待调整参数，并重新触发所述计算模块执行所述的基于所述目标流失预测模型中的每个所述模型参数的参数稳定权重以及每个所述模型参数的参数稳定值，计算所述目标流失预测模型的模型稳定值以及触发所述判断模块执行所述的判断所述目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作。
作为一种可选的实施方式，在本发明第二方面中，所述执行模块，还用于在所述采集模块采集客户数据集合之后，对采集到所述客户数据集合中所包括的所有客户数据执行分类操作，得到每个所述客户数据的数据类型，所述数据类型包括外部数据类型或者内部数据类型；
所述装置还包括：
标签模块，用于基于每个所述客户数据的数据类型，对于每个所述客户数据，对该客户数据赋予类别标签，以使该客户数据存在与其相对应的类别标签；
所述执行模块，还用于对所有所述客户数据执行预处理操作，以更新所有所述客户数据，并触发所述输入模块执行所述的将所有所述客户数据输入至所述目标流失预测模型，得到客户流失预测结果的操作；
其中，所述预处理操作包括数据清洗操作、数据剔除操作、数据填充操作、数据加密操作、数据拟合操作中的一种或多种。
作为一种可选的实施方式，在本发明第二方面中，所述更新模块根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型的具体方式包括：
根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型；
从所述训练数据组中抽取至少一个目标训练数据；
对于每个所述目标训练数据，将该目标训练数据输入至所述预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；
基于每个所述目标训练数据对应的损失参数，确定所述预训练流失预测模型的模型损失参数；
判断所述模型损失参数是否满足预设的模型迭代条件；
当判断出所述模型损失参数满足预设的所述模型迭代条件时，将所述预训练流失预测模型确定为目标流失预测模型；
当判断出所述模型损失参数不满足预设的所述模型迭代条件时，重新触发执行所述的从所述训练数据组中抽取至少一个目标训练数据；对于每个所述目标训练数据，将该目标训练数据输入至所述预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；基于每个所述目标训练数据对应的损失参数，确定所述预训练流失预测模型的模型损失参数；判断所述模型损失参数是否满足预设的模型迭代条件的操作。
本发明第三方面公开了另一种基于联邦学习的客户流失预测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于联邦学习的客户流失预测方法。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于联邦学习的客户流失预测方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，构建训练数据组；根据所有外部训练客户数据，对外部数据分析模型进行训练，得到目标外部数据分析模型并确定对应的外部数据分析参数；根据所有内部训练客户数据，对内部数据分析模型进行训练，得到目标内部数据分析模型并确定对应的内部数据分析参数；根据所有外部数据分析参数以及所有内部数据分析参数，对客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；采集客户数据集合；将客户数据集合输入至目标流失预测模型，得到客户流失预测结果。可见，实施本发明能够有利于提高对客户流失进行预测的准确性，以及能够有利于提高对客户流失进行预测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例公开的一种基于联邦学习的客户流失预测方法的流程示意图；
图2是本发明实施例公开的另一种基于联邦学习的客户流失预测方法的流程示意图；
图3是本发明实施例公开的一种基于联邦学习的客户流失预测装置的结构示意图；
图4是本发明实施例公开的另一种基于联邦学习的客户流失预测装置的结构示意图；
图5是本发明实施例公开的又一种基于联邦学习的客户流失预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于联邦学习的客户流失预测方法及装置，能够有利于提高对客户流失进行预测的准确性，以及能够有利于提高对客户流失进行预测的效率。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于联邦学习的客户流失预测方法的流程示意图。其中，图1所描述的基于联邦学习的客户流失预测方法可以应用于基于联邦学习的客户流失预测装置中，也可以应用于基于联邦学习的客户流失预测的云端服务器或本地服务器，本发明实施例不做限定。如图1所示，该基于联邦学习的客户流失预测方法可以包括以下操作：
101、构建训练数据组。
本发明实施例中，训练数据组包括外部训练客户数据和内部训练客户数据。
本发明实施例中，可选的，构建训练组可以包括以下过程：根据多个客户的外部客户数据以及内部客户数据，将所有客户的外部客户数据确定为外部训练客户数据，以及将所有客户的内部客户数据确定为内部训练客户数据，并基于所有外部训练客户数据和所有内部训练客户数据构建训练数据组。
102、根据所有外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型，并确定目标外部数据分析模型对应的外部数据分析参数。
本发明实施例中，可选的，根据所有外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型，包括：
将所有外部训练客户数据输入至预先确定出的外部数据分析模型进行训练，得到初始外部数据分析模型；
计算初始外部数据分析模型的损失值，判断初始外部数据分析模型的损失值是否小于等于预设的损失阈值；
当判断出初始外部数据分析模型的损失值小于等于预设的损失阈值时，将初始数据分析模型确定为目标外部数据分析模型；
当判断出初始外部数据分析模型的损失值大于预设的损失阈值时，重新触发执行将所有外部训练客户数据输入至预先确定出的外部数据分析模型进行训练，得到初始外部数据分析模型以及计算初始外部数据分析模型的损失值，判断初始外部数据分析模型的损失值是否小于等于预设的损失阈值的操作。
本发明实施例中，可选的，外部数据分析参数的数量为至少一个；具体的，外部数据分析参数的数量可以为一个，也可以为多个，本发明实施例不做具体限定。
本发明实施例中，可选的，外部数据分析参数可以为目标外部数据分析模型中所包括的模型参数。
103、根据所有内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型，并确定目标内部数据分析模型对应的内部数据分析参数。
本发明实施例中，可选的，根据所有内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型，包括：
将所有内部训练客户数据输入至预先确定出的内部数据分析模型进行训练，得到初始内部数据分析模型；
计算初始内部数据分析模型的损失值，判断初始内部数据分析模型的损失值是否小于等于预设的损失阈值；
当判断出初始内部数据分析模型的损失值小于等于预设的损失阈值时，将初始数据分析模型确定为目标内部数据分析模型；
当判断出初始内部数据分析模型的损失值大于预设的损失阈值时，重新触发执行将所有内部训练客户数据输入至预先确定出的内部数据分析模型进行训练，得到初始内部数据分析模型以及计算初始内部数据分析模型的损失值，判断初始内部数据分析模型的损失值是否小于等于预设的损失阈值的操作。
本发明实施例中，可选的，内部数据分析参数的数量为至少一个；具体的，内部数据分析参数的数量可以为一个，也可以为多个，本发明实施例不做具体限定。
本发明实施例中，可选的，内部数据分析参数可以为目标内部数据分析模型中所包括的模型参数。
104、根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型。
本发明实施例中，可选的，目标模型参数的数量为至少一个；具体的，目标模型参数的数量可以为一个，也可以为多个，本发明实施例不做具体限定。
本发明实施例中，可选的，目标模型参数包括预先确定出的客户流失预测模型中的目标外部分析参数和/或目标内部分析参数。
105、采集客户数据集合。
本发明实施例中，客户数据集合包括至少一位客户的客户数据组，每个客户的客户数据组包括该客户的外部数据以及该客户的内部数据。
本发明实施例中，可选的，每个客户的外部数据包括该客户的供应数据、该客户的企业数据、该客户与其他客户之间的关联关系数据、该客户的信用数据中的一种或多种；每个客户的内部数据包括该客户的消费数据、该客户的产品存储数据、该客户的客户名称数据、该客户的联系方式数据中的一种或多种。
本发明实施例中，可选的，采集客户数据集合可以是实时采集的，也可以是按照预设的时间段定时采集的，还可以是在需要进行客户流失预测时进行采集的，本发明实施例不做具体限定。
106、将客户数据集合输入至目标流失预测模型，得到客户流失预测结果。
本发明实施例中，可选的，将客户数据集合输入至目标流失预测模型，得到客户流失预测结果，包括：
将客户数据集合中所包括的所有客户的外部数据以及所有客户的内部数据输入至目标流失预测模型中，得到预测输出结果，并将预测输出结果确定为客户流失预测结果。
本发明实施例中，可选的，客户流失预测结果包括每个客户的流失预测概率。
可见，实施图1所描述的基于联邦学习的客户流失预测方法能够通过构建包括外部训练客户数据和内部训练客户数据的训练数据组，并基于外部训练客户数据对外部数据分析模型进行训练，得到目标外部数据分析模型并确定对应的外部数据分析参数，以及基于内部训练客户数据对内部数据分析模型进行训练，得到目标内部数据分析模型并确定对应的内部数据分析参数，根据所有外部数据分析参数以及所有内部数据分析参数对客户流失预测模型中的目标模型参数进行更新以得到目标流失预测模型，并将采集到的客户数据集合输入至目标流失预测模型中得到客户流失预测结果，能够基于联邦学习分别对外部数据分析模型以及内部数据分析模型进行训练，并提取对应的外部数据分析参数和内部数据分析参数并对客户流失预测模型中的参数进行更新，能够提高确定外部数据分析参数以及内部数据分析参数的准确性和可靠性，从而有利于提高对客户流失预测模型中的目标模型参数进行更新以得到目标流失预测模型的准确性和可靠性，进而再将采集到的客户数据集合输入到目标流失预测模型中，能够有利于提高得到客户流失预测结果的效率，以及有利于提高得到客户流失预测结果的准确性和效率。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于联邦学习的客户流失预测方法的流程示意图。其中，图2所描述的基于联邦学习的客户流失预测方法可以应用于基于联邦学习的客户流失预测装置中，也可以应用于基于联邦学习的客户流失预测的云端服务器或本地服务器，本发明实施例不做限定。如图2所示，该基于联邦学习的客户流失预测方法可以包括以下操作：
201、构建训练数据组。
202、根据所有外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型，并确定目标外部数据分析模型对应的外部数据分析参数。
203、根据所有内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型，并确定目标内部数据分析模型对应的内部数据分析参数。
204、根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型。
205、采集客户数据集合。
206、将客户数据集合输入至目标流失预测模型，得到客户流失预测结果。
本发明实施例中，针对步骤201-步骤206的详细描述，请参照实施例一中针对步骤101-步骤106的其它描述，本发明实施例不再赘述。
207、确定与客户流失预测结果相匹配的至少一个第一目标客户。
本发明实施例中，可选的，确定与客户流失预测结果相匹配的至少一个第一目标客户，包括：
根据客户流失预测结果，确定每个客户的流失预测概率；
将流失预测概率大于等于预设的预测概率阈值的所有客户确定为第一目标客户。
208、对于每个第一目标客户，根据该第一目标客户的客户数据组，分析该第一目标客户的流失因子。
本发明实施例中，每个第一目标客户的流失因子包括该第一目标客户对应的流失原因。
本发明实施例中，可选的，每个第一目标客户的流失因子的数量为至少一个。进一步可选的，每个第一目标客户的流失因子包括价格影响因子、发货时长影响因子、产品数量影响因子、产品质量影响因子、支付方式影响因子中的一种或多种。
209、获取每个第一目标客户在预设历史时长段内的使用数据。
本发明实施例中，可选的，预设历史时长段可以是历史1年内、历史3个月内、历史6个月内等，具体的历史时长段在本发明实施例中不做具体限定。
本发明实施例中，可选的，每个第一目标客户的使用数据包括该第一目标客户的使用时长数据、该第一目标客户的使用频率数据、该第一目标客户的使用产品数据、该第一目标客户的使用消费数据、该第一目标客户的使用价格数据、该第一目标客户的使用次数数据中的一种或多种。
210、对于每个第一目标客户，根据该第一目标客户的流失因子以及该第一目标客户在预设历史时长段内的使用数据，确定该第一目标客户的挽留参数，并根据该第一目标客户的挽留参数，对该第一目标客户执行与该第一目标客户的挽留参数相匹配的挽留操作。
本发明实施例中，可选的，每个第一目标客户的挽留参数包括该第一目标客户的挽留操作、该第一目标客户的挽留信息、该第一目标客户的挽留时刻、该第一目标客户的挽留时长中的一种或多种。
本发明实施例中，可选的，不同的第一目标客户对应的挽留参数可以是相同的，也可以是不同的，本发明实施例不做具体限定。
可见，实施图2所描述的基于联邦学习的客户流失预测方法能够确定与客户流失预测结果相匹配的至少一个第一目标客户，根据每个第一目标客户的客户数据租，分析该第一目标客户的流失因子，并获取每个第一目标客户在预设历史时长段内的使用数据，根据每个第一目标客户的流失因子以及使用数据确定挽留参数，并对每个第一目标客户执行与其对应的挽留参数相匹配的挽留操作，能够基于客户流失预测结果针对性地对每个第一目标客户执行对应的挽留操作，有利于提高对客户流失预测结果执行相匹配的挽留操作的针对性和准确性，有利于提高对流失概率较高的客户进行挽留的成功率，有利于提高对客户的留存率。
在一个可选的实施例中，将客户数据集合输入至目标流失预测模型，得到客户流失预测结果之后，该方法还包括：
根据客户流失预测结果，确定每个客户的流失概率，并根据每个客户的流失概率，从所有客户中确定出至少一位第二目标客户；其中，第二目标客户的流失概率低于预设的流失概率阈值；
根据每个第二目标客户的客户数据组，对于每个第二目标客户，确定该第二目标客户的特征信息；
根据所有第二目标客户的特征信息，生成导向推荐信息，并向所有客户中除所有第二目标客户以外的所有剩余客户发送导向推荐信息；
其中，导向推荐信息至少包括产品推荐信息、服务推荐信息、应用推荐信息中的至少一种。
在该可选的实施例中，可选的，第二目标客户的数量可以为一个，也可以为多个，本发明实施例不做具体限定。
在该可选的实施例中，可选的，第二目标客户的流失概率低于预设的流失概率阈值；也即，第二目标客户为稳定性较高的客户。
在该可选的实施例中，可选的，根据每个第二目标客户的客户数据组，对于每个第二目标客户，确定该第二目标客户的特征信息，包括：
对于每个第二目标客户，根据该第二目标客户的客户数据组，从该第二目标客户的外部数据以及该第二目标客户的内部数据提取出目标外部数据以及目标内部数据，其中，目标外部数据的数据权重高于预设的权重阈值，目标内部数据的数据权重高于预设的权重阈值；
对于每个第二目标客户，根据该第二目标客户的目标外部数据以及该第二目标客户的目标内部数据，生成该第二目标客户的特征信息；
其中，每个第二目标客户的特征信息包括该第二目标客户的使用频率特征信息、使用产品特征信息、使用次数特征信息、使用次数特征信息中的一种或多种。
在该可选的实施例中，可选的，根据所有第二目标客户的特征信息，生成导向推荐信息，包括：
根据所有第二目标客户的特征信息，确定所有第二目标客户的共同特征信息；其中，共同特征信息为每个第二目标客户均相同的特征信息；
根据共同特征信息，生成导向推荐信息。
在该可选的实施例中，可选的，向所有客户中除所有第二目标客户以外的所有剩余客户发送导向推荐信息，包括：
向所有客户中除所有第二目标客户以外的所有剩余客户对应的移动终端发送导向推荐信息；和/或
向所有客户中除所有第二目标客户以外的所有剩余客户对应的用户终端发送导向推荐信息；
其中，移动终端包括智能手机、智能平板电脑、智能手表、智能眼镜、智能耳机中的一种或多种；用户终端包括PC端、笔记本电脑、PDA中的一种或多种。
可见，实施该可选的实施例能够根据客户流失预测结果确定每个客户的流失概率并从所有客户中确定出第二目标客户，根据每个第二目标客户的客户数据租，确定每个第二目标客户的特征信息，根据所有第二目标客户的特征信息生成导向推荐信息，并向所有客户中除所有第二目标客户以外的所有剩余客户发送导向推荐信息，能够根据现有的稳定性较高的第二目标客户的特征信息生成导向推荐信息进而向其他客户推送，能够有利于提高生成导向推荐信息的准确性和智能性，并且有利于提高除所有第二目标客户以外的所有剩余客户接收到导向推荐信息并进行购买或使用的概率，进而还有利于提高挽留客户的成功率。
在另一个可选的实施例中，对于每个目标客户，根据该目标客户的流失因子以及该目标客户在预设历史时长段内的使用数据，确定该目标客户的挽留参数，包括：
对于每个目标客户，根据该目标客户的流失因子以及该目标客户在预设历史时长段内的使用数据，确定该目标客户的使用习惯信息；
对于每个目标客户，根据该目标客户的使用习惯信息，生成该目标客户的挽留参数。
在该可选的实施例中，可选的，对于每个目标客户，根据该目标客户的流失因子以及该目标客户在预设历史时长段内的使用数据，确定该目标客户的使用习惯信息，包括：
对于每个目标客户，将该目标客户的流失因子以及该目标客户在预设历史时长段内的使用数据输入至预先确定出的使用习惯确定模型，得到模型输出结果，并根据模型输出结果，确定该目标客户的使用习惯信息；
其中，根据模型输出结果，确定该目标客户的使用习惯信息，包括：
将模型输出结果确定为该目标客户的使用习惯信息。
在该可选的实施例中，可选的，每个目标客户的使用习惯信息包括该目标客户的使用时长习惯信息、该目标客户的使用时刻习惯信息、该目标客户的使用产品习惯信息、该目标客户的使用服务习惯信息中的一种或多种。
在该可选的实施例中，可选的，举例来说，当某一目标客户的使用习惯信息用于表示该目标客户的习惯是需要将隔离霜和防晒霜混合后涂上皮肤的，则生成该目标客户的挽留参数中包括一款同时具有隔离霜的功能以及防晒霜功能的产品，并向该目标客户推送该产品以实现挽留该目标客户。
可见，实施该可选的实施例能够根据每个目标客户的流失因子以及每个目标在预设历史时长段内的使用数据确定使用习惯信息，并且根据每个目标客户的使用习惯信息生成该目标客户的挽留参数，能够针对性地确定出每个目标客户的使用习惯信息进而针对性地生成每个目标客户的挽留参数，有利于提高确定每个目标客户对应的挽留参数的精准性和可靠性，以及有利于提高对每个目标客户执行对应的挽留操作的准确性和可靠性，进而有利于提高对目标客户进行挽留的成功率，还有利于提高目标客户的使用舒适度和体验感。
在又一个可选的实施例中，根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型之后，该方法还包括：
确定目标流失预测模型中每个模型参数的参数稳定权重，以及每个模型参数的参数稳定值；
基于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值；
判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值；
当判断出目标流失预测模型的模型稳定值小于预设的模型稳定阈值时，从目标流失预测模型中的所有模型参数中确定出待调整参数，以及确定每个待调整参数的参数稳定权重更新系数；
对于每个待调整参数，根据该待调整参数的参数稳定权重更新系数，对该待调整参数的参数稳定权重执行更新操作，以更新该待调整参数，并重新触发执行基于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值以及判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作。
在该可选的实施例中，可选的，基于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值，包括：
对于目标流失预测模型中的每个模型参数，根据该模型参数的参数稳定权重以及该模型参数的参数稳定值，计算该模型参数的参数稳定权重与该模型参数的参数稳定值之间的乘积，并根据该乘积确定该模型参数的参数稳定值；
根据所有模型参数的参数稳定值，计算目标流失预测模型的模型稳定值。
在该可选的实施例中，可选的，当判断出目标流失预测模型的模型稳定值大于等于预设的模型稳定阈值时，可以结束本流程。
在该可选的实施例中，可选的，从目标流失预测模型中的所有模型参数中确定出待调整参数，以及确定每个待调整参数的参数稳定权重更新系数，包括：
从目标流失预测模型中的所有模型参数中确定出参数稳定值低于预设的稳定阈值的待调整参数；
对于每个待调整参数，在预先确定出的参数权重更新数据库中确定出与该待调整参数相匹配的参数权重更新数据，并根据该待调整参数相匹配的参数权重更新数据确定该待调整参数的参数稳定权重更新系数。
可见，实施该可选的实施例能够确定目标流失预测模型中每个模型参数的参数稳定权重以及参数稳定值并计算目标流失预测模型的模型稳定值，判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值，若是，则确定待调整参数以及确定每个待调整参数的参数稳定权重更新系数，并对每个待调整参数执行更新操作，并重新触发执行于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值以及判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作，能够基于每个模型参数的参数稳定权重以及参数稳定值计算每个模型参数的参数稳定值进而计算得到目标流失预测模型的模型稳定值，能够有利于提高计算每个模型参数的参数稳定值的精准性和可靠性进而有利于提高计算目标流失预测模型的模型稳定值，以及当判断出目标流失预测模型的模型稳定值小于模型稳定阈值时，根据每个待调整参数的参数稳定权重更新系数对每个待调整参数执行更新操作，能够实现针对性地对每个待调整参数执行更新操作的准确性和可靠性，有利于提高待调整参数的更新准确性和可靠性，从而有利于提高目标流失预测模型的稳定性，进而有利于提高基于目标流失预测模型对客户流失进行预测的准确性和稳定性。
在又一个可选的实施例中，采集客户数据集合之后，该方法还包括：
对采集到客户数据集合中所包括的所有客户数据执行分类操作，得到每个客户数据的数据类型，数据类型包括外部数据类型或者内部数据类型；
基于每个客户数据的数据类型，对于每个客户数据，对该客户数据赋予类别标签，以使该客户数据存在与其相对应的类别标签；
对所有客户数据执行预处理操作，以更新所有客户数据，并触发执行将所有客户数据输入至目标流失预测模型，得到客户流失预测结果的操作；
其中，预处理操作包括数据清洗操作、数据剔除操作、数据填充操作、数据加密操作、数据拟合操作中的一种或多种。
在该可选的实施例中，可选的，基于每个客户数据的数据类型，对于每个客户数据，对该客户数据赋予类别标签，以使该客户数据存在与其相对应的类别标签，包括：
对于每个客户数据，当该客户数据的数据类型为外部数据类型时，对该客户数据赋予外部数据类型标签，以使该客户数据存在外部数据类型的类别标签；当该客户数据的数据类型为内部数据类型时，对该客户数据赋予内部数据类型标签，以使该客户数据存在内部数据类型的类别标签。
在该可选的实施例中，可选的，对所有客户数据执行预处理操作，以更新所有客户数据，包括：
判断所有客户数据中是否存在重复数据，当判断出所有客户数据中存在重复数据时，对所有客户数据执行数据剔除操作；和/或
判断所有客户数据中是否存在缺失数据，当判断出所有客户数据中存在缺失数据时，对于每个缺失数据，获取该缺失数据对应的上下文数据，并基于该缺失数据对应的上下文数据，对该缺失数据执行数据填充操作；和/或
判断所有客户数据中是否存在待加密数据，当判断出所有客户数据中存在待加密数据时，对所有待加密数据执行数据加密操作。
可见，实施该可选的实施例能够才采集客户数据集合之后对所有客户数据执行分类操作得到每个客户数据的数据类型，并基于每个客户数据的数据类型对该客户数据赋予类别标签，并对所有客户数据执行预处理操作以更新所有客户数据，并触发执行将所有客户数据输入至目标流失预测模型，得到客户流失预测结果的操作，能够对每个客户数据均执行分类操作并赋予类别标签，有利于提高后续对所有客户数据执行预处理操作的效率和便捷性，并且能够在将所有客户数据输入至目标流失预测模型得到客户流失预测结果之前，先对所有客户数据执行预处理操作，有利于提高得到客户流失预测结果的准确性，以及还有利于提高得到客户流失预测结果的效率。
在又一个可选的实施例中，根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型，包括：
根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型；
从训练数据组中抽取至少一个目标训练数据；
对于每个目标训练数据，将该目标训练数据输入至预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；
基于每个目标训练数据对应的损失参数，确定预训练流失预测模型的模型损失参数；
判断模型损失参数是否满足预设的模型迭代条件；
当判断出模型损失参数满足预设的模型迭代条件时，将预训练流失预测模型确定为目标流失预测模型；
当判断出模型损失参数不满足预设的模型迭代条件时，重新触发执行的从训练数据组中抽取至少一个目标训练数据；对于每个目标训练数据，将该目标训练数据输入至预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；基于每个目标训练数据对应的损失参数，确定预训练流失预测模型的模型损失参数；判断模型损失参数是否满足预设的模型迭代条件的操作。
在该可选的实施例中，可选的，根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型，包括：
根据所有外部数据分析参数以及所有内部数据分析参数，从预先确定出的客户流失预测模型中与所有外部数据分析参数以及所有内部数据分析参数不相同的目标模型参数，并根据所有外部数据分析参数以及所有内部数据分析参数对所有目标模型参数进行更新以得到与训练流失预测模型。
在该可选的实施例中，可选的，目标训练数据可以为外部数据，也可以为内部数据，具体的目标训练数据的数据类型本发明实施例不做具体限定。
在该可选的实施例中，可选的，基于每个目标训练数据对应的损失参数，确定预训练流失预测模型的模型损失参数，包括：
基于每个目标训练数据对应的损失参数，计算所有目标训练数据对应的损失参数总和，并将所有目标训练数据对应的损失参数总和确定为预训练流失预测模型的模型损失参数。
在该可选的实施例中，可选的，判断模型损失参数是否满足预设的模型迭代条件，包括：
根据模型损失参数确定模型损失值，判断模型损失值是否小于预设的模型损失阈值；
当判断出模型损失值小于预设的模型损失阈值时，确定模型损失参数满足预设的模型迭代条件；
当判断出模型损失值大于等于预设的模型损失阈值时，确定模型损失参数不满足预设的模型迭代条件。
可见，实施该可选的实施例能够根据所有外部数据分析参数以及所有内部数据分析参数对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型，并基于抽取出的目标训练数据对预训练流失预测模型进行训练得到对应的预训练输出结果进而得到该目标训练数据对应的损失参数，基于所有目标训练数据对应的损失参数确定预训练流失预测模型的模型损失参数，判断模型损失参数是否满足预设的模型迭代条件，若满足则将预训练流失预测模型确定为目标流失预测模型，若不满足则重新对预训练流失预测模型进行训练直至其满足预设的模型迭代条件，能够根据所有外部数据分析参数以及所有内部数据分析参数对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型，并计算预训练流失预测模型的模型损失参数，判断模型损失参数是否满足预设的模型迭代条件，若不满足则继续训练，若满足则将预训练流失预测模型确定为目标流失预测模型，能够有利于提高得到目标流失预测模型的准确性和可靠性，有利于提高基于目标流失预测模型得到客户流失预测结果的准确性和效率。
实施例三
请参阅图3，图3是本发明实施例公开的一种基于联邦学习的客户流失预测装置的结构示意图。如图3所示，该基于联邦学习的客户流失预测装置可以包括：
构建模块301，用于构建训练数据组，训练数据组包括外部训练客户数据和内部训练客户数据；
训练模块302，用于根据所有外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型；
确定模块303，用于确定目标外部数据分析模型对应的外部数据分析参数；
训练模块302，还用于根据所有内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型；
确定模块303，还用于确定目标内部数据分析模型对应的内部数据分析参数；
更新模块304，用于根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；
采集模块305，用于采集客户数据集合；客户数据集合包括至少一位客户的客户数据组，每个客户的客户数据组包括该客户的外部数据以及该客户的内部数据；
输入模块306，用于将客户数据集合输入至目标流失预测模型，得到客户流失预测结果。
可见，实施图3所描述的装置能够通过构建包括外部训练客户数据和内部训练客户数据的训练数据组，并基于外部训练客户数据对外部数据分析模型进行训练，得到目标外部数据分析模型并确定对应的外部数据分析参数，以及基于内部训练客户数据对内部数据分析模型进行训练，得到目标内部数据分析模型并确定对应的内部数据分析参数，根据所有外部数据分析参数以及所有内部数据分析参数对客户流失预测模型中的目标模型参数进行更新以得到目标流失预测模型，并将采集到的客户数据集合输入至目标流失预测模型中得到客户流失预测结果，能够基于联邦学习分别对外部数据分析模型以及内部数据分析模型进行训练，并提取对应的外部数据分析参数和内部数据分析参数并对客户流失预测模型中的参数进行更新，能够提高确定外部数据分析参数以及内部数据分析参数的准确性和可靠性，从而有利于提高对客户流失预测模型中的目标模型参数进行更新以得到目标流失预测模型的准确性和可靠性，进而再将采集到的客户数据集合输入到目标流失预测模型中，能够有利于提高得到客户流失预测结果的效率，以及有利于提高得到客户流失预测结果的准确性和效率。
在一个可选的实施例中，确定模块303，还用于在输入模块306将客户数据集合输入至目标流失预测模型，得到客户流失预测结果之后，确定与客户流失预测结果相匹配的至少一个第一目标客户；
如图4所示，该装置还包括：
分析模块307，用于对于每个第一目标客户，根据该第一目标客户的客户数据组，分析该第一目标客户的流失因子；其中，每个第一目标客户的流失因子包括该第一目标客户对应的流失原因；
获取模块308，用于获取每个第一目标客户在预设历史时长段内的使用数据；
确定模块303，还用于对于每个第一目标客户，根据该第一目标客户的流失因子以及该第一目标客户在预设历史时长段内的使用数据，确定该第一目标客户的挽留参数；
执行模块309，用于根据该第一目标客户的挽留参数，对该第一目标客户执行与该第一目标客户的挽留参数相匹配的挽留操作。
可见，实施图4所描述的装置能够确定与客户流失预测结果相匹配的至少一个第一目标客户，根据每个第一目标客户的客户数据租，分析该第一目标客户的流失因子，并获取每个第一目标客户在预设历史时长段内的使用数据，根据每个第一目标客户的流失因子以及使用数据确定挽留参数，并对每个第一目标客户执行与其对应的挽留参数相匹配的挽留操作，能够基于客户流失预测结果针对性地对每个第一目标客户执行对应的挽留操作，有利于提高对客户流失预测结果执行相匹配的挽留操作的针对性和准确性，有利于提高对流失概率较高的客户进行挽留的成功率，有利于提高对客户的留存率。
在另一个可选的实施例中，如图4所示，确定模块303，还用于在输入模块将客户数据集合输入至目标流失预测模型，得到客户流失预测结果之后，根据客户流失预测结果，确定每个客户的流失概率，并根据每个客户的流失概率，从所有客户中确定出至少一位第二目标客户；其中，第二目标客户的流失概率低于预设的流失概率阈值；根据每个第二目标客户的客户数据组，对于每个第二目标客户，确定该第二目标客户的特征信息；
该装置还包括：
生成模块310，用于根据所有第二目标客户的特征信息，生成导向推荐信息；
发送模块311，用于向所有客户中除所有第二目标客户以外的所有剩余客户发送导向推荐信息；
其中，导向推荐信息至少包括产品推荐信息、服务推荐信息、应用推荐信息中的至少一种。
可见，实施图4所描述的装置能够根据客户流失预测结果确定每个客户的流失概率并从所有客户中确定出第二目标客户，根据每个第二目标客户的客户数据租，确定每个第二目标客户的特征信息，根据所有第二目标客户的特征信息生成导向推荐信息，并向所有客户中除所有第二目标客户以外的所有剩余客户发送导向推荐信息，能够根据现有的稳定性较高的第二目标客户的特征信息生成导向推荐信息进而向其他客户推送，能够有利于提高生成导向推荐信息的准确性和智能性，并且有利于提高除所有第二目标客户以外的所有剩余客户接收到导向推荐信息并进行购买或使用的概率，进而还有利于提高挽留客户的成功率。
在又一个可选的实施例中，如图4所示，确定模块303对于每个目标客户，根据该目标客户的流失因子以及该目标客户在预设历史时长段内的使用数据，确定该目标客户的挽留参数的具体方式包括：
对于每个目标客户，根据该目标客户的流失因子以及该目标客户在预设历史时长段内的使用数据，确定该目标客户的使用习惯信息；
对于每个目标客户，根据该目标客户的使用习惯信息，生成该目标客户的挽留参数。
可见，实施图4所描述的装置能够根据每个目标客户的流失因子以及每个目标在预设历史时长段内的使用数据确定使用习惯信息，并且根据每个目标客户的使用习惯信息生成该目标客户的挽留参数，能够针对性地确定出每个目标客户的使用习惯信息进而针对性地生成每个目标客户的挽留参数，有利于提高确定每个目标客户对应的挽留参数的精准性和可靠性，以及有利于提高对每个目标客户执行对应的挽留操作的准确性和可靠性，进而有利于提高对目标客户进行挽留的成功率，还有利于提高目标客户的使用舒适度和体验感。
在又一个可选的实施例中，如图4所示，确定模块303，还用于在更新模块304根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型之后，确定目标流失预测模型中每个模型参数的参数稳定权重，以及每个模型参数的参数稳定值；
该装置还包括：
计算模块312，用于基于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值；
判断模块313，用于判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值；
确定模块303，还用于当判断模块313判断出目标流失预测模型的模型稳定值小于预设的模型稳定阈值时，从目标流失预测模型中的所有模型参数中确定出待调整参数，以及确定每个待调整参数的参数稳定权重更新系数；
更新模块304，还用于对于每个待调整参数，根据该待调整参数的参数稳定权重更新系数，对该待调整参数的参数稳定权重执行更新操作，以更新该待调整参数，并重新触发计算模块312执行基于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值以及触发判断模块313执行判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作。
可见，实施图4所描述的装置能够确定目标流失预测模型中每个模型参数的参数稳定权重以及参数稳定值并计算目标流失预测模型的模型稳定值，判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值，若是，则确定待调整参数以及确定每个待调整参数的参数稳定权重更新系数，并对每个待调整参数执行更新操作，并重新触发执行于目标流失预测模型中的每个模型参数的参数稳定权重以及每个模型参数的参数稳定值，计算目标流失预测模型的模型稳定值以及判断目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作，能够基于每个模型参数的参数稳定权重以及参数稳定值计算每个模型参数的参数稳定值进而计算得到目标流失预测模型的模型稳定值，能够有利于提高计算每个模型参数的参数稳定值的精准性和可靠性进而有利于提高计算目标流失预测模型的模型稳定值，以及当判断出目标流失预测模型的模型稳定值小于模型稳定阈值时，根据每个待调整参数的参数稳定权重更新系数对每个待调整参数执行更新操作，能够实现针对性地对每个待调整参数执行更新操作的准确性和可靠性，有利于提高待调整参数的更新准确性和可靠性，从而有利于提高目标流失预测模型的稳定性，进而有利于提高基于目标流失预测模型对客户流失进行预测的准确性和稳定性。
在又一个可选的实施例中，如图4所示，执行模块309，还用于在采集模块305采集客户数据集合之后，对采集到客户数据集合中所包括的所有客户数据执行分类操作，得到每个客户数据的数据类型，数据类型包括外部数据类型或者内部数据类型；
该装置还包括：
标签模块314，用于基于每个客户数据的数据类型，对于每个客户数据，对该客户数据赋予类别标签，以使该客户数据存在与其相对应的类别标签；
执行模块309，还用于对所有客户数据执行预处理操作，以更新所有客户数据，并触发输入模块306执行将所有客户数据输入至目标流失预测模型，得到客户流失预测结果的操作；
其中，预处理操作包括数据清洗操作、数据剔除操作、数据填充操作、数据加密操作、数据拟合操作中的一种或多种。
可见，实施图4所描述的装置能够才采集客户数据集合之后对所有客户数据执行分类操作得到每个客户数据的数据类型，并基于每个客户数据的数据类型对该客户数据赋予类别标签，并对所有客户数据执行预处理操作以更新所有客户数据，并触发执行将所有客户数据输入至目标流失预测模型，得到客户流失预测结果的操作，能够对每个客户数据均执行分类操作并赋予类别标签，有利于提高后续对所有客户数据执行预处理操作的效率和便捷性，并且能够在将所有客户数据输入至目标流失预测模型得到客户流失预测结果之前，先对所有客户数据执行预处理操作，有利于提高得到客户流失预测结果的准确性，以及还有利于提高得到客户流失预测结果的效率。
在又一个可选的实施例中，如图4所示，更新模块304根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型的具体方式包括：
根据所有外部数据分析参数以及所有内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型；
从训练数据组中抽取至少一个目标训练数据；
对于每个目标训练数据，将该目标训练数据输入至预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；
基于每个目标训练数据对应的损失参数，确定预训练流失预测模型的模型损失参数；
判断模型损失参数是否满足预设的模型迭代条件；
当判断出模型损失参数满足预设的模型迭代条件时，将预训练流失预测模型确定为目标流失预测模型；
当判断出模型损失参数不满足预设的模型迭代条件时，重新触发执行从训练数据组中抽取至少一个目标训练数据；对于每个目标训练数据，将该目标训练数据输入至预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；基于每个目标训练数据对应的损失参数，确定预训练流失预测模型的模型损失参数；判断模型损失参数是否满足预设的模型迭代条件的操作。
可见，实施图4所描述的装置能够根据所有外部数据分析参数以及所有内部数据分析参数对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型，并基于抽取出的目标训练数据对预训练流失预测模型进行训练得到对应的预训练输出结果进而得到该目标训练数据对应的损失参数，基于所有目标训练数据对应的损失参数确定预训练流失预测模型的模型损失参数，判断模型损失参数是否满足预设的模型迭代条件，若满足则将预训练流失预测模型确定为目标流失预测模型，若不满足则重新对预训练流失预测模型进行训练直至其满足预设的模型迭代条件，能够根据所有外部数据分析参数以及所有内部数据分析参数对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型，并计算预训练流失预测模型的模型损失参数，判断模型损失参数是否满足预设的模型迭代条件，若不满足则继续训练，若满足则将预训练流失预测模型确定为目标流失预测模型，能够有利于提高得到目标流失预测模型的准确性和可靠性，有利于提高基于目标流失预测模型得到客户流失预测结果的准确性和效率。
实施例四
请参阅图5，图5是本发明实施例公开的又一种基于联邦学习的客户流失预测装置的结构示意图。如图5所示，该基于联邦学习的客户流失预测装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或本发明实施例二所描述的基于联邦学习的客户流失预测方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或本发明实施例二所描述的基于联邦学习的客户流失预测方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于联邦学习的客户流失预测方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于联邦学习的客户流失预测方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种基于联邦学习的客户流失预测方法，其特征在于，所述方法包括：
构建训练数据组，所述训练数据组包括外部训练客户数据和内部训练客户数据；
根据所有所述外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型，并确定所述目标外部数据分析模型对应的外部数据分析参数；
根据所有所述内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型，并确定所述目标内部数据分析模型对应的内部数据分析参数；
根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；
采集客户数据集合；所述客户数据集合包括至少一位客户的客户数据组，每个所述客户的客户数据组包括该客户的外部数据以及该客户的内部数据；
将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果。
2.根据权利要求1所述的基于联邦学习的客户流失预测方法，其特征在于，所述将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果之后，所述方法还包括：
确定与所述客户流失预测结果相匹配的至少一个第一目标客户；
对于每个第一目标客户，根据该第一目标客户的客户数据组，分析该第一目标客户的流失因子；其中，每个所述第一目标客户的流失因子包括该第一目标客户对应的流失原因；
获取每个所述第一目标客户在预设历史时长段内的使用数据；
对于每个所述第一目标客户，根据该第一目标客户的流失因子以及该第一目标客户在所述预设历史时长段内的使用数据，确定该第一目标客户的挽留参数，并根据该第一目标客户的挽留参数，对该第一目标客户执行与该第一目标客户的挽留参数相匹配的挽留操作。
3.根据权利要求2所述的基于联邦学习的客户流失预测方法，其特征在于，所述将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果之后，所述方法还包括：
根据所述客户流失预测结果，确定每个所述客户的流失概率，并根据每个所述客户的流失概率，从所有所述客户中确定出至少一位第二目标客户；其中，所述第二目标客户的流失概率低于预设的流失概率阈值；
根据每个所述第二目标客户的客户数据组，对于每个所述第二目标客户，确定该第二目标客户的特征信息；
根据所有所述第二目标客户的特征信息，生成导向推荐信息，并向所有所述客户中除所有所述第二目标客户以外的所有剩余客户发送所述导向推荐信息；
其中，所述导向推荐信息至少包括产品推荐信息、服务推荐信息、应用推荐信息中的至少一种。
4.根据权利要求2或3所述的基于联邦学习的客户流失预测方法，其特征在于，所述对于每个所述目标客户，根据该目标客户的流失因子以及该目标客户在所述预设历史时长段内的使用数据，确定该目标客户的挽留参数，包括：
对于每个所述目标客户，根据该目标客户的流失因子以及该目标客户在所述预设历史时长段内的使用数据，确定该目标客户的使用习惯信息；
对于每个所述目标客户，根据该目标客户的使用习惯信息，生成该目标客户的挽留参数。
5.根据权利要求4所述的基于联邦学习的客户流失预测方法，其特征在于，所述根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型之后，所述方法还包括：
确定所述目标流失预测模型中每个模型参数的参数稳定权重，以及每个所述模型参数的参数稳定值；
基于所述目标流失预测模型中的每个所述模型参数的参数稳定权重以及每个所述模型参数的参数稳定值，计算所述目标流失预测模型的模型稳定值；
判断所述目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值；
当判断出所述目标流失预测模型的所述模型稳定值小于预设的所述模型稳定阈值时，从所述目标流失预测模型中的所有所述模型参数中确定出待调整参数，以及确定每个所述待调整参数的参数稳定权重更新系数；
对于每个所述待调整参数，根据该待调整参数的参数稳定权重更新系数，对该待调整参数的参数稳定权重执行更新操作，以更新该待调整参数，并重新触发执行所述的基于所述目标流失预测模型中的每个所述模型参数的参数稳定权重以及每个所述模型参数的参数稳定值，计算所述目标流失预测模型的模型稳定值以及判断所述目标流失预测模型的模型稳定值是否小于预设的模型稳定阈值的操作。
6.根据权利要求1所述的基于联邦学习的客户流失预测方法，其特征在于，所述采集客户数据集合之后，所述方法还包括：
对采集到所述客户数据集合中所包括的所有客户数据执行分类操作，得到每个所述客户数据的数据类型，所述数据类型包括外部数据类型或者内部数据类型；
基于每个所述客户数据的数据类型，对于每个所述客户数据，对该客户数据赋予类别标签，以使该客户数据存在与其相对应的类别标签；
对所有所述客户数据执行预处理操作，以更新所有所述客户数据，并触发执行所述的将所有所述客户数据输入至所述目标流失预测模型，得到客户流失预测结果的操作；
其中，所述预处理操作包括数据清洗操作、数据剔除操作、数据填充操作、数据加密操作、数据拟合操作中的一种或多种。
7.根据权利要求1所述的基于联邦学习的客户流失预测方法，其特征在于，所述根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型，包括：
根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到预训练流失预测模型；
从所述训练数据组中抽取至少一个目标训练数据；
对于每个所述目标训练数据，将该目标训练数据输入至所述预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；
基于每个所述目标训练数据对应的损失参数，确定所述预训练流失预测模型的模型损失参数；
判断所述模型损失参数是否满足预设的模型迭代条件；
当判断出所述模型损失参数满足预设的所述模型迭代条件时，将所述预训练流失预测模型确定为目标流失预测模型；
当判断出所述模型损失参数不满足预设的所述模型迭代条件时，重新触发执行所述的从所述训练数据组中抽取至少一个目标训练数据；对于每个所述目标训练数据，将该目标训练数据输入至所述预训练流失预测模型，得到该目标训练数据对应的预训练输出结果，计算该目标训练数据与该目标训练数据对应的预训练输出结果之间的损失，得到该目标训练数据对应的损失参数；基于每个所述目标训练数据对应的损失参数，确定所述预训练流失预测模型的模型损失参数；判断所述模型损失参数是否满足预设的模型迭代条件的操作。
8.一种基于联邦学习的客户流失预测装置，其特征在于，所述装置包括：
构建模块，用于构建训练数据组，所述训练数据组包括外部训练客户数据和内部训练客户数据；
训练模块，用于根据所有所述外部训练客户数据，对预先确定出的外部数据分析模型进行训练，得到目标外部数据分析模型；
确定模块，用于确定所述目标外部数据分析模型对应的外部数据分析参数；
所述训练模块，还用于根据所有所述内部训练客户数据，对预先确定出的内部数据分析模型进行训练，得到目标内部数据分析模型；
所述确定模块，还用于确定所述目标内部数据分析模型对应的内部数据分析参数；
更新模块，用于根据所有所述外部数据分析参数以及所有所述内部数据分析参数，对预先确定出的客户流失预测模型中的目标模型参数进行更新，得到目标流失预测模型；
采集模块，用于采集客户数据集合；所述客户数据集合包括至少一位客户的客户数据组，每个所述客户的客户数据组包括该客户的外部数据以及该客户的内部数据；
输入模块，用于将所述客户数据集合输入至所述目标流失预测模型，得到客户流失预测结果。
9.一种基于联邦学习的客户流失预测装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于联邦学习的客户流失预测方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于联邦学习的客户流失预测方法。
CN202310943807.8A 2023-07-31 2023-07-31 基于联邦学习的客户流失预测方法及装置 Active CN116664184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310943807.8A CN116664184B (zh) 2023-07-31 2023-07-31 基于联邦学习的客户流失预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310943807.8A CN116664184B (zh) 2023-07-31 2023-07-31 基于联邦学习的客户流失预测方法及装置

Publications (2)

Publication Number Publication Date
CN116664184A true CN116664184A (zh) 2023-08-29
CN116664184B CN116664184B (zh) 2024-01-12

Family

ID=87722795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310943807.8A Active CN116664184B (zh) 2023-07-31 2023-07-31 基于联邦学习的客户流失预测方法及装置

Country Status (1)

Country Link
CN (1) CN116664184B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348914A (zh) * 2019-07-19 2019-10-18 中国银行股份有限公司 客户流失数据分析方法及装置
CN110837931A (zh) * 2019-11-08 2020-02-25 中国农业银行股份有限公司 客户流失预测方法、装置及存储介质
CN110889724A (zh) * 2019-11-22 2020-03-17 北京明略软件系统有限公司 客户流失预测方法、装置、电子设备和存储介质
CN112862546A (zh) * 2021-04-25 2021-05-28 平安科技（深圳）有限公司 用户流失预测方法、装置、计算机设备及存储介质
CN113724010A (zh) * 2021-09-01 2021-11-30 吉林亿联银行股份有限公司 客户流失预测方法及装置
CN114358854A (zh) * 2022-01-12 2022-04-15 平安普惠企业管理有限公司 客户流失预警方法、装置、设备及存储介质
CN115099928A (zh) * 2022-06-21 2022-09-23 中国银行股份有限公司 流失客户识别方法及装置
CN115619448A (zh) * 2022-11-03 2023-01-17 平安科技（深圳）有限公司 用户流失预测方法、装置、计算机设备及存储介质
CN115730947A (zh) * 2022-11-30 2023-03-03 中国银行股份有限公司 银行客户流失预测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348914A (zh) * 2019-07-19 2019-10-18 中国银行股份有限公司 客户流失数据分析方法及装置
CN110837931A (zh) * 2019-11-08 2020-02-25 中国农业银行股份有限公司 客户流失预测方法、装置及存储介质
CN110889724A (zh) * 2019-11-22 2020-03-17 北京明略软件系统有限公司 客户流失预测方法、装置、电子设备和存储介质
CN112862546A (zh) * 2021-04-25 2021-05-28 平安科技（深圳）有限公司 用户流失预测方法、装置、计算机设备及存储介质
CN113724010A (zh) * 2021-09-01 2021-11-30 吉林亿联银行股份有限公司 客户流失预测方法及装置
CN114358854A (zh) * 2022-01-12 2022-04-15 平安普惠企业管理有限公司 客户流失预警方法、装置、设备及存储介质
CN115099928A (zh) * 2022-06-21 2022-09-23 中国银行股份有限公司 流失客户识别方法及装置
CN115619448A (zh) * 2022-11-03 2023-01-17 平安科技（深圳）有限公司 用户流失预测方法、装置、计算机设备及存储介质
CN115730947A (zh) * 2022-11-30 2023-03-03 中国银行股份有限公司 银行客户流失预测方法及装置

Also Published As

Publication number Publication date
CN116664184B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN112084383B (zh) 基于知识图谱的信息推荐方法、装置、设备及存储介质
US20200082810A1 (en) System and method for mapping a customer journey to a category
US12033068B2 (en) Method and device for cash advance recognition
CN111666351A (zh) 基于用户行为数据的模糊聚类系统
CN110362446B (zh) 移动应用异常操作监测方法、装置、存储介质及电子设备
CN110162518B (zh) 数据分组方法、装置、电子设备及存储介质
CN116541610B (zh) 一种推荐模型的训练方法及装置
CN112784039A (zh) 一种分配在线客服的方法、装置和存储介质
CN109816534B (zh) 融资租赁产品推荐方法、装置、计算机设备和存储介质
CN111210332A (zh) 贷后管理策略生成方法、装置及电子设备
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
CN115018190A (zh) 逾期行为预测方法及装置、存储介质及电子设备
CN117114901A (zh) 基于人工智能的投保数据处理方法、装置、设备及介质
CN116664184B (zh) 基于联邦学习的客户流失预测方法及装置
CN112100491A (zh) 基于用户数据的信息推荐方法、装置、设备及存储介质
CN112258368A (zh) 政务事项的处理方法和装置
CN115408606A (zh) 保险信息推送方法、装置、存储介质及计算机设备
CN112328899B (zh) 信息处理方法、信息处理装置、存储介质与电子设备
CN112634061B (zh) 一种用户数据处理方法及装置
CN113220947A (zh) 对事件特征进行编码的方法和装置
CN113779241A (zh) 信息获取方法及装置、计算机可读存储介质、电子设备
CN113297467A (zh) 推荐方法、装置及计算机存储介质
JP7457839B2 (ja) 標準決済指図の自動選択のためのシステムおよび方法
CN111882339A (zh) 预测模型训练及响应率预测方法、装置、设备及存储介质
CN112950392A (zh) 信息展示方法、后验信息确定方法及装置及相关设备

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
GR01 Patent grant
GR01 Patent grant