CN117592618A - 一种活跃用户预测方法、装置、服务器和存储介质 - Google Patents
一种活跃用户预测方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN117592618A CN117592618A CN202311735988.1A CN202311735988A CN117592618A CN 117592618 A CN117592618 A CN 117592618A CN 202311735988 A CN202311735988 A CN 202311735988A CN 117592618 A CN117592618 A CN 117592618A
- Authority
- CN
- China
- Prior art keywords
- user
- active
- time
- type
- preset time
- 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 55
- 230000000694 effects Effects 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种活跃用户预测方法、装置、服务器和存储介质,涉及数据监测领域,该方法包括:根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别;根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数;根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,预测模型基于神经网络结构构建完成。本发明实施例的技术方案,不但提高了活跃用户预测结果的准确性,同时,获取到各个用户的预测活跃时长,扩展了活跃用户的预测范围,提升了活跃用户的预测精度。
Description
技术领域
本发明涉及数据监测领域,尤其涉及一种活跃用户预测方法、装置、服务器和存储介质。
背景技术
伴随着软件技术的不断发展,各种各样的应用程序(Application,APP)出现在人们视野中,而对应用程序中活跃用户数量的预测,也成为了数据监测技术的重要分支。
现有技术中,通常是将用户的历史登陆信息,输入到预训练完成的预测模型中,以根据用户的历史登录信息,预测其在未来一段时间内是否会使用当前应用程序,进而获取未来一段时间内的活跃用户数量。
然而,这样的预测方式,获取到的活跃用户数量往往存在较大误差,无法准确预测各个用户的实际登录结果,且仅能预测各个用户是否存在登录行为,预测功能较为单一。
发明内容
本发明提供了一种活跃用户预测方法、装置、服务器及存储介质,以解决活跃用户数量预测结果误差较大的问题。
根据本发明的一方面,提供了一种活跃用户预测方法,包括:
根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别;
根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数;
根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,所述预测模型基于神经网络结构构建完成。
所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。
所述根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数,包括:若第一突发事件已发生,获取所述第一突发事件在第一预设时间内的衰减因子,并根据所述第一突发事件的衰减因子获取对应用户的活跃影响系数;若第二突发事件未发生,获取所述第二突发事件在第一预设时间内的触发概率,并根据所述第二突发事件的触发概率获取对应用户的活跃影响系数。
所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测登录次数、每次登录的起始登录时刻以及登录持续时间。
所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:获取第一类型用户;其中,所述第一类型用户的登录次数大于等于第一数量阈值,且每次登录的间隔时间均小于等于第一时间阈值;根据第一类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第一类型预测模型,获取第一类型用户在第一预设时间内的预测活跃时间;其中,所述第一类型预测模型基于循环神经网络结构构建。
所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:获取第二类型用户;其中,所述第二类型用户的登录次数小于第二数量阈值,且每次登录的间隔时间均大于第二时间阈值;根据第二类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第二类型预测模型,获取第二类型用户在第一预设时间内的预测活跃时间;其中,所述第二类型预测模型基于注意力神经网络结构构建。
所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:获取第三类型用户;其中,所述第三类型用户为除所述第一类型用户以及第二类型用户之外的其它用户;根据第三类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第三类型预测模型,获取第三类型用户在第一预设时间内的预测活跃时间;其中,所述第三类型预测模型基于卷积神经网络结构构建。
根据本发明的另一方面,提供了一种活跃用户预测装置,包括:
用户类别获取模块,用于根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别;
系数获取执行模块,用于根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数;
活跃时间预测模块,用于根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,所述预测模型基于神经网络结构构建完成。
根据本发明的另一方面,提供了一种服务器,所述服务器包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的活跃用户预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例的活跃用户预测方法。
本发明实施例的技术方案,首先根据用户属性信息对各个用户进行分类处理,以获取各个用户的用户类别,然后根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数,最后根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,不但提高了活跃用户预测结果的准确性,同时,获取到各个用户的预测活跃时长,扩展了活跃用户的预测范围,提升了活跃用户的预测精度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例一提供的一种活跃用户预测方法的流程图;
图2是根据本发明实施例二提供的另一种活跃用户预测方法的流程图;
图3是根据本发明实施例三提供的又一种活跃用户预测方法的流程图;
图4是根据本发明实施例四提供的再一种活跃用户预测方法的流程图;
图5是根据本发明实施例五提供的一种活跃用户预测装置的结构示意图;
图6是实现本发明实施例的活跃用户预测方法的服务器的结构示意图。
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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例一
图1为本发明实施例一提供的一种活跃用户预测方法的流程图,本实施例可适用于根据各个用户的历史登陆信息和活跃影响系数,获取各个用户在第一预设时间内的预测活跃时间,该方法可以由活跃用户预测装置来执行,该活跃用户预测装置可以采用硬件和/或软件的形式实现,该活跃用户预测装置配置于服务器中。如图1所示,该方法包括:
S101、根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别。
用户属性信息,是从不同的分类类别下为用户设定的标签信息,其从不同维度描述了一个用户的基本信息;例如,用户属性信息可以包括年龄、性别、职业、所在区域以及登录时使用的终端设备类型等身份信息,还可以包括基于用户在当前应用程序中的浏览行为、购买行为或者操作行为(例如,是否发表过评论;是否点过赞;是否发布过文章)等用户行为为用户赋予的标签信息,由此根据用户属性信息,从一个或多个维度对用户进行分类,以确定每个用户的分类类别。
特别的,可以通过构建不同维度的筛选条件,将每个用户分配至一个指定的分类类别下,且每个用户仅对应一个分类类别;也可以通过构建的单一维度筛选条件或者多维度筛选条件,将各个用户同时分配到不同的分类类别中;可选的,在本发明实施例中,对当前应用程序的类型和功能不作具体限定,对用户类别的分类依据以及类别数量也不作具体限定。
S102、根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数。
活跃事件是导致当前应用程序的登录人数,或者各个用户的登录频次和登录时长出现显著变化的相关事件,其可能来自于该应用程序内部发布的运营活动,也可能来自该应用程序外部(例如,现实生活中)的相关事件;例如,对于一款即时通信软件而言,伴随着生活中一个热点话题的产生,其登录人数和登录时长均会出现显著增长;对于一款游戏软件而言,开启一个特定的运营活动也会带来显著的登录人数增长。
对于同一款应用程序而言,不同类别用户关注的重点内容不同,因此,不同类别用户也往往对应不同的活跃事件,而一个用户类别下的全部活跃事件即组成了该类别下的活跃事件集合,即影响该类别用户登录行为的全部事件的集合;而一个活跃事件可能对不同类别用户的影响程度不同,同一个用户类别下不同活跃事件的影响程度也可能不同,活跃影响系数即反映了一个活跃事件对一个类别用户的影响程度,该影响程度与活跃影响系数为正相关关系,即影响程度越大,活跃影响系数越大,影响程度越小,活跃影响系数越小。
各个用户类别下每个活跃事件的活跃影响系数均可以预先配置完成,而在一定的时间跨度内(即第一预设时间内),一个用户类别可能触发了多个活跃事件,此时将第一预设时间内各个活跃事件的活跃影响系数的乘积结果,作为当前时间跨度下该类别用户的活跃影响系数;特别的,如上述技术方案所述,在对用户进行分类时,一个用户可能被分配至多个类别中,如果一个用户同时对应多个类别,那么该用户的活跃影响系数,可以是全部所属类别的活跃影响系数的乘积结果或者求和结果,也可以是全部所属类别的活跃影响系数中的最大值或者平均值。
可选的,在本发明实施例中,所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。具体的,常规事件具有固定的触发时间,例如,指定的节假日,根据第一预设时间即可直接确定该时间跨度内是否存在常规事件;突发事件不具有固定的触发时间,其可能随时发生,例如,现实生活中突然发生了某个热点事件。
由于每个突发事件均具备一定的持续时间,如果第一预设时间距离当前时刻较近(即小于预设时间阈值),那么当前时刻发生的突发事件在第一预设时间内依然会影响用户的登录行为,由此可以根据实时更新的突发事件集合,获取与第一预设时间相关的突发事件,进而如上述技术方案所述,将各个事件(包括常规事件与突发事件)的活跃影响系数的乘积结果作为当前用户的活跃影响系数,由此扩展了影响用户活跃度的事件类型,提高了获取到的活跃影响系数的准确性,进而确保了获取到准确的用户活跃时间。
可选的,在本发明实施例中,所述根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数,包括:若第一突发事件已发生,获取所述第一突发事件在第一预设时间内的衰减因子,并根据所述第一突发事件的衰减因子获取对应用户的活跃影响系数;若第二突发事件未发生,获取所述第二突发事件在第一预设时间内的触发概率,并根据所述第二突发事件的触发概率获取对应用户的活跃影响系数。
具体的,如果一个突发事件(即第一突发事件)在第一预设时间之前发生,那么该突发事件会随着时间变化逐渐褪去热度,同时对用户的活跃影响也会逐渐降低,因此,可以根据第一突发事件与第一预设时间的时间起点的间隔时间,确定第一突发事件的衰减因子(例如,该衰减因子的数值为大于0且小于等于1,无衰减时即为衰减因子为1),第一突发事件的活跃影响因子与该衰减因子的乘积即为第一突发事件实际的活跃影响系数。
此外,如果该间隔时间大于预设间隔时间,则将该突发事件移出活跃事件集合,即该突发事件不会影响用户登录行为,也即不会作为活跃影响系数的获取依据,如果该间隔时间小于等于预设间隔时间,则保留该突发事件,进而如上述技术方案所述,将第一突发事件的活跃影响系数与该衰减因子的乘积,作为第一突发事件实际的活跃影响系数。
如果一个突发事件(即第二突发事件)在第一预设时间之前未发生,那么获取该突发事件可能会在第一预设时间内发生的概率(即触发概率),该触发概率可以基于历史发生频率和历史发生时间获取,也可以预先配置完成;如果触发概率小于等于预设概率阈值,同样将该突发事件移出活跃事件集合,也即该突发事件不会作为活跃影响系数的获取依据,如果触发概率大于预设概率阈值,则保留该突发事件,并将该突发事件的活跃影响系数与触发概率的乘积,作为第二突发事件实际的活跃影响系数;由此根据已发生的第一突发事件的衰减因子,以及未发生的第二突发事件的触发概率,获取对应用户的活跃影响系数,使得通过分别获取不同类型突发事件的实际活跃影响系数,进一步提高了获取到的活跃影响系数的准确性,进而确保了获取到准确的用户活跃时间。
S103、根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,所述预测模型基于神经网络结构构建完成。
预测模型是基于神经网络(Neural Networks,NNS)构建的数学模型,在预先建立的网络结构基础上,通过训练样本的训练,调整内部大量节点的连接关系,实现对特征信息的有效处理;在本发明实施例中,将一个用户的历史登陆信息以及未来一段时间(即第一预设时间)的活跃影响系数,作为输入信息,并将该用户在第一预设时间内的活跃时间作为输出信息,使该预测模型具备预测功能,即预测获取活跃时间具体时长的功能。
可选的,在本发明实施例中,所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测登录次数、每次登录的起始登录时刻以及登录持续时间。
具体的,除了直接获取每个用户在第一预设时间内的活跃时长之外,还可以通过具备不同功能的预测模型,依次获取每个用户在第一预设时间内的预测登录次数,每次登录的起始时间,以及每次登录的持续时间,也即获取每个用户在第一预设时间内,其活跃时间的具体分布结果。由此可以根据各个用户的活跃时间的具体分布结果,确定第一预设时间内各个时间段的登录人数,并以此分配服务器资源,以在满足用户登录需求的同时,实现服务器资源的合理分配,减少预留的冗余资源,提高服务器资源的利用率,避免冗余资源的出现导致资源浪费现象发生。
本发明实施例的技术方案,首先根据用户属性信息对各个用户进行分类处理,以获取各个用户的用户类别,然后根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数,最后根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,不但提高了活跃用户预测结果的准确性,同时,获取到各个用户的预测活跃时长,扩展了活跃用户的预测范围,提升了活跃用户的预测精度。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例二
图2为本发明实施例二提供的一种活跃用户预测方法的流程图,本实施例与上述实施例之间的关系在于,将第一类型用户的历史登录信息和活跃影响系数,输入至第一类型预测模型中。如图2所示,该方法包括:
S201、根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别。
S202、根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数。
S203、获取第一类型用户;其中,所述第一类型用户的登录次数大于等于第一数量阈值,且每次登录的间隔时间均小于等于第一时间阈值。
S204、根据第一类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第一类型预测模型,获取第一类型用户在第一预设时间内的预测活跃时间;其中,所述第一类型预测模型基于循环神经网络结构构建。
循环神经网络(Recurrent Neural Network,RNN),是以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点按链式连接的递归神经网络(recursive neural network),其特点在于将前后时刻输入的信息作为关联信息,保证了各次登录行为之间的连贯性。而第一类型用户不但为使用频次较高的用户,且前后登录时间具备一定的连续性;将第一类型用户的历史登陆信息和活跃影响系数,输入到循环神经网络模型时,确保了连续出现的登录行为之间的相互影响,进而针对使用频次较高的用户获取到准确的预测结果。
本发明实施例的技术方案,将登录次数大于等于第一数量阈值,且每次登录的间隔时间均小于等于第一时间阈值的第一类型用户的历史登陆信息和活跃影响系数,输入到循环神经网络模型时,确保了连续出现的登录信息之间的相互影响,进而针对使用频次较高的用户获取到准确的预测结果。
实施例三
图3为本发明实施例三提供的一种活跃用户预测方法的流程图,本实施例与上述实施例之间的关系在于,将第二类型用户的历史登录信息和活跃影响系数,输入至第二类型预测模型中。如图3所示,该方法包括:
S301、根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别。
S302、根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数。
S303、获取第二类型用户;其中,所述第二类型用户的登录次数小于第二数量阈值,且每次登录的间隔时间均大于第二时间阈值。
S304、根据第二类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第二类型预测模型,获取第二类型用户在第一预设时间内的预测活跃时间;其中,所述第二类型预测模型基于注意力神经网络结构构建。
注意力(Attention)神经网络,例如,Transformer架构的神经网络,是由多个相互堆叠的Encoder(编码)层和多个相互堆叠Decoder(解码)层组成,并通过与末端Decoder层连接的输出层输出结果,其特点在于将各次登录行为视为等距离登录行为,而并非仅将登录时间相近的登录行为视为相关性登录行为,保证了每次登录的独立性。
而第二类型用户不但为使用频次较低的用户,且前后登录时间并不具备连续性;其中,第二数量阈值小于等于第一数量阈值;第二时间阈值大于等于第一时间阈值;将第二类型用户的历史登陆信息和活跃影响系数,输入到注意力神经网络模型时,确保了多次登录行为之间的互不影响,进而针对使用频次较低的用户获取到准确的预测结果。
本发明实施例的技术方案,将登录次数小于第二数量阈值,且每次登录的间隔时间均大于第二时间阈值的第二类型用户的历史登陆信息和活跃影响系数,输入到注意力神经网络模型时,确保了多次登录行为之间的互不影响,进而针对使用频次较低的用户获取到准确的预测结果。
实施例四
图4为本发明实施例四提供的一种活跃用户预测方法的流程图,在本发明实施例中,将第三类型用户的历史登录信息和活跃影响系数,输入至第三类型预测模型。如图4所示,该方法包括:
S401、根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别。
S402、根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数。
S403、获取第三类型用户;其中,所述第三类型用户为除所述第一类型用户以及第二类型用户之外的其它用户。
S404、根据第三类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第三类型预测模型,获取第三类型用户在第一预设时间内的预测活跃时间;其中,所述第三类型预测模型基于卷积神经网络结构构建。
第三类型用户是除第一类型用户以及第二类型用户之外的剩余用户,对于一款应用程序而言,大多数用户的使用频次较为适中,且登录行为有时存在连续性,有时则间隔时间较长,即存在登录时的随机性,因此,相比较于第一类型用户和第二类型用户,第三类型用户的数量较多。
而卷积神经网络(Convolutional Neural Networks,CNN)是深度学习(DeepLearning)中包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks),其特点在于卷积运算的应用提高了登录特征的提取精度,池化层的应用则降低了登录特征的计算复杂度。因此,将第三类型用户的历史登陆信息和活跃影响系数,输入到卷积神经网络模型时,既可以简化大数据量的登录信息的计算复杂度,又可以提高登录特征不明显的登录信息的提取精度,同时加快全部用户活跃时间的获取效率。
本发明实施例的技术方案,将第三类型用户的历史登陆信息和活跃影响系数,输入到卷积神经网络模型时,既可以简化大数据量的登录信息的计算复杂度,又可以提高登录特征不明显的登录信息的提取精度,同时加快全部用户活跃时间的获取效率。
实施例五
图5是本发明实施例五所提供的一种活跃用户预测装置的结构框图,该装置具体包括:
用户类别获取模块501,用于根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别;
系数获取执行模块502,用于根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数;
活跃时间预测模块503,用于根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,所述预测模型基于神经网络结构构建完成。
本发明实施例的技术方案,首先根据用户属性信息对各个用户进行分类处理,以获取各个用户的用户类别,然后根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数,最后根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,不但提高了活跃用户预测结果的准确性,同时,获取到各个用户的预测活跃时长,扩展了活跃用户的预测范围,提升了活跃用户的预测精度。
可选的,所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。
可选的,系数获取执行模块502,具体用于若第一突发事件已发生,获取所述第一突发事件在第一预设时间内的衰减因子,并根据所述第一突发事件的衰减因子获取对应用户的活跃影响系数;若第二突发事件未发生,获取所述第二突发事件在第一预设时间内的触发概率,并根据所述第二突发事件的触发概率获取对应用户的活跃影响系数。
可选的,活跃时间预测模块503,具体用于根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测登录次数、每次登录的起始登录时刻以及登录持续时间。
可选的,活跃时间预测模块503,具体用于获取第一类型用户;其中,所述第一类型用户的登录次数大于等于第一数量阈值,且每次登录的间隔时间均小于等于第一时间阈值;根据第一类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第一类型预测模型,获取第一类型用户在第一预设时间内的预测活跃时间;其中,所述第一类型预测模型基于循环神经网络结构构建。
可选的,活跃时间预测模块503,具体用于获取第二类型用户;其中,所述第二类型用户的登录次数小于第二数量阈值,且每次登录的间隔时间均大于第二时间阈值;根据第二类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第二类型预测模型,获取第二类型用户在第一预设时间内的预测活跃时间;其中,所述第二类型预测模型基于注意力神经网络结构构建。
可选的,活跃时间预测模块503,具体用于获取第三类型用户;其中,所述第三类型用户为除所述第一类型用户以及第二类型用户之外的其它用户;根据第三类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第三类型预测模型,获取第三类型用户在第一预设时间内的预测活跃时间;其中,所述第三类型预测模型基于卷积神经网络结构构建。
上述装置可执行本发明任意实施例所提供的活跃用户预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的活跃用户预测方法。
实施例六
图6示出了可以用来实施本发明的实施例的服务器10的结构示意图。服务器旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。服务器还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,服务器10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储服务器10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
服务器10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许服务器10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如活跃用户预测方法。
在一些实施例中,活跃用户预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到异构硬件加速器上。当计算机程序加载到RAM并由处理器执行时,可以执行上文描述的活跃用户预测方法的一个或多个步骤。备选地,在其他实施例中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行活跃用户预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在异构硬件加速器上实施此处描述的系统和技术,该异构硬件加速器具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给异构硬件加速器。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种活跃用户预测方法,其特征在于,包括:
根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别;
根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数;
根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,所述预测模型基于神经网络结构构建完成。
2.根据权利要求1所述的方法,其特征在于,所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。
3.根据权利要求2所述的方法,其特征在于,所述根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数,包括:
若第一突发事件已发生,获取所述第一突发事件在第一预设时间内的衰减因子,并根据所述第一突发事件的衰减因子获取对应用户的活跃影响系数;
若第二突发事件未发生,获取所述第二突发事件在第一预设时间内的触发概率,并根据所述第二突发事件的触发概率获取对应用户的活跃影响系数。
4.根据权利要求1所述的方法,其特征在于,所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:
根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测登录次数、每次登录的起始登录时刻以及登录持续时间。
5.根据权利要求1所述的方法,其特征在于,所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:
获取第一类型用户;其中,所述第一类型用户的登录次数大于等于第一数量阈值,且每次登录的间隔时间均小于等于第一时间阈值;
根据第一类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第一类型预测模型,获取第一类型用户在第一预设时间内的预测活跃时间;其中,所述第一类型预测模型基于循环神经网络结构构建。
6.根据权利要求5所述的方法,其特征在于,所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:
获取第二类型用户;其中,所述第二类型用户的登录次数小于第二数量阈值,且每次登录的间隔时间均大于第二时间阈值;
根据第二类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第二类型预测模型,获取第二类型用户在第一预设时间内的预测活跃时间;其中,所述第二类型预测模型基于注意力神经网络结构构建。
7.根据权利要求6所述的方法,其特征在于,所述根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间,包括:
获取第三类型用户;其中,所述第三类型用户为除所述第一类型用户以及第二类型用户之外的其它用户;
根据第三类型用户的历史登陆信息和活跃影响系数,通过预先训练完成的第三类型预测模型,获取第三类型用户在第一预设时间内的预测活跃时间;其中,所述第三类型预测模型基于卷积神经网络结构构建。
8.一种活跃用户预测装置,其特征在于,包括:
用户类别获取模块,用于根据用户属性信息对各个用户进行分类,以获取各个用户的用户类别;
系数获取执行模块,用于根据各个用户类别的活跃事件集合,获取第一预设时间内各个用户的活跃影响系数;
活跃时间预测模块,用于根据各个用户的历史登陆信息和活跃影响系数,通过预先训练完成的预测模型,获取各个用户在第一预设时间内的预测活跃时间;其中,所述预测模型基于神经网络结构构建完成。
9.一种服务器,其特征在于,所述服务器包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的活跃用户预测方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的活跃用户预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311735988.1A CN117592618A (zh) | 2023-12-14 | 2023-12-14 | 一种活跃用户预测方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311735988.1A CN117592618A (zh) | 2023-12-14 | 2023-12-14 | 一种活跃用户预测方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592618A true CN117592618A (zh) | 2024-02-23 |
Family
ID=89916786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311735988.1A Pending CN117592618A (zh) | 2023-12-14 | 2023-12-14 | 一种活跃用户预测方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592618A (zh) |
-
2023
- 2023-12-14 CN CN202311735988.1A patent/CN117592618A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265979A (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
CN117592618A (zh) | 一种活跃用户预测方法、装置、服务器和存储介质 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN117010947B (zh) | 基于业务活动的nps调研方法、装置、设备及存储介质 | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
CN118245676A (zh) | 一种操作对象的推荐方法、装置、电子设备及存储介质 | |
CN117195120A (zh) | 一种检测方法、装置、设备以及存储介质 | |
CN118312663A (zh) | 一种物品信息确定方法、装置、电子设备及存储介质 | |
CN118051670A (zh) | 业务推荐方法、装置、设备和介质 | |
CN117493690A (zh) | 数据推送方法、装置、电子设备及存储介质 | |
CN118337467A (zh) | 一种基于深度学习的网络入侵检测方法、装置、设备及存储介质 | |
CN117349747A (zh) | 一种电力物联智能终端的离线故障原因分类方法 | |
CN116522158A (zh) | 数据的冷热状态预测方法、装置、电子设备及存储介质 | |
CN114186123A (zh) | 用于热点事件的处理方法、装置、设备及存储介质 | |
CN116777660A (zh) | 一种用户映射方法、装置、电子设备及存储介质 | |
CN117667488A (zh) | 人工智能算力集群的异常定位方法、装置、设备及介质 | |
CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
CN117195104A (zh) | 资源分类方法、装置、电子设备及存储介质 |
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 |