用户转化率预测方法及装置、计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种用户转化率预测方法及装置、计算机可读存储介质，其中，所述一种用户转化率预测方法，包括步骤：响应于对任一用户的转化率的预测指令，将所述用户的行为序列划分为第一行为序列和第二行为序列；所述行为序列为按照时间顺序由第一个行为事件至最后一个行为事件的序列；所述第一行为序列为第一个行为事件至第c％行为事件之间的序列，所述第二行为序列为第c％行为事件至最后一个行为事件之间的序列；其中，1≤c≤100；将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征输入一预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测。

【技术实现步骤摘要】
用户转化率预测方法及装置、计算机可读存储介质
本专利技术涉及机器学习领域，尤其涉及一种用户转化率预测方法及装置、计算机可读存储介质。
技术介绍
用户的APP行为记录了用户基本信息，也记录了在APP上的关键行为动作，这些行为动作表征的是用户潜意识的行为模式或者个人偏好。对APP进行数据分析挖掘的评价指标有常规数据指标监控(如新用户量)、渠道分析或流量分析、APP页面的广告点击率(CTR：Click-Through-Rate)、用户的核心转化率(一般在有付费相关的功能中也称为付费率、购买率，如游戏或电商或知识付费，有的APP也将用户从非注册用户到注册等用户作为转化率)、用户使用时长、用户流失率等。指标中的CTR是目前研究较为火热、应用较多的一个领域，而对于直接产生费用流量的APP而言，付费率或购买率是运营团队关注的核心，如何准确预测转化率对于运营思路及APP功能和UI更新都有重要意义。用户转化率通常的采用的研究方法有以下两种：1)将其看成一个推荐系统，根据用户的历史购买行为，计算与购买过此种商品的用户相似的其他用户，并以相似度对其他用户进行排序，选取top作为正样本(预测其会购买)；2)将其看成一个用户分群或分层问题，将所有用户根据RFM(Recency、Frequency、Monetary)等常用用户价值模型进行分层，将用户划分到不同的群体，然后以“高价值的群体转化率较高”作为预测结果；对于短期用户这个特殊的用户群体，以上的现有方案存在以下几个问题：在第一种方案中作为推荐系统预测用户转化率一般也是将用户购买过哪些物品，或者哪些物品被哪群相似用户购买过(包括user-based和item-based)，其没有充分利用用户在APP内的行为序列。而这些行为序列实际表征了用户的潜在行为模式和使用习惯，而要使用用户的行为序列，需要在APP端做数据埋点进行用户行为采集。而对于第二种方案，用户分层或分群是以用户的基本属性或充值行为作为依据，如在付费或充值的场景下，RFM的三个指标分别指的是用户最近一次充值距今时长、用户的付费频率、用户的付费金额。采用该种方案进行转化率预测时，并没有考虑用户在APP中的注册时长及用户的活跃度，而这两个特征可以用于表征用户对APP的熟悉程度。随着熟悉程度的递增，用户的行为模式会逐渐稳定，而熟悉程度较低的用户，其行为模式会有较大弹性空间。而对于熟悉程度较低的用户，有的用户还没有产生过消费行为，有的用户产生过多次消费行为，第二种模型中不存在如何促进未付费过的用户产生首次付费行为以及促进产生过付费行为的用户继续为其感兴趣的产品继续产生消费行为。这两方面的解决方案一般通过产品或运营人员通过短信或消息推送的方式发送消息进行促销，针对性差，并且会影响用户体验。除此之外，如果用户在成为短期用户的过程中没有被正确引导，极有可能成为流失用户或僵尸用户。
技术实现思路
本专利技术实施例提供一种用户转化率预测方法及装置、计算机可读存储介质，能有效解决现有行为序列清洗方法存在单一化的问题，能有效预测用户转化率，从而针对性地正确引导潜质用户，避免潜质用户成为流失用户或僵尸用户。。本专利技术一实施例提供一种用户转化率预测方法，包括步骤：响应于对任一用户的转化率的预测指令，将所述用户的行为序列划分为第一行为序列和第二行为序列；所述行为序列为按照时间顺序由第一个行为事件至最后一个行为事件的序列；所述第一行为序列为第一个行为事件至第c％行为事件之间的序列，所述第二行为序列为第c％行为事件至最后一个行为事件之间的序列；其中，1≤c≤100；将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征输入一预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测。与现有技术相比，本专利技术实施例公开的***方法通过***作为上述方案的改进，所述用户转化率预测方法还包括步骤：响应于对预测模型的训练指令，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征对所述预测模型进行训练。作为上述方案的改进，所述用户为一应用程序的短期用户，所述短期用户为注册时长大于a天、小于或者等于人均注册时长且对所述应用程序的功能事件的点击发生率在b％以内的用户；其中，1≤a≤100，1≤b≤100。作为上述方案的改进，所述预测模型基于LightGBM、XGBoost、CatBoost或BGDT建立。作为上述方案的改进，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征输入一预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测具体为：当所述用户在当前时刻前未发生过付费行为，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征输入所述预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测；当所述用户在当前时刻前发生过付费行为，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征、N个付费行为作为N个特征输入所述预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测；其中，所述N个付费行为位于所述第二行为序列中。作为上述方案的改进，所述将所述用户的行为序列划分为第一行为序列和第二行为序列前还包括步骤：对所述用户的行为序列进行清洗。作为上述方案的改进，所述对所述用户的行为序列进行清洗具体为：根据所述行为序列中每一行为事件在所述行为序列中出现的次数向量、出现次数的排名向量以及事件权重计算所述行为事件的流出事件向量；将所述行为序列中每一行为事件的流出事件向量按从大到小进行排序，清洗掉所述行为序列中排序为Rt％末位的行为事件，保留所述行为序列中1-Rt％的行为事件；其中，1≤Rt≤100。作为上述方案的改进，根据所述行为序列中每一行为事件在所述行为序列中出现的次数向量、出现次数的排名向量以及事件权重计算所述行为事件的流出事件向量具体为：当所述用户在当前时刻前未发生过付费行为，通过以下公式计算所述行为事件的流出事件向量：H1＝C1*Rk1+Wt其中，H1为所述行为事件的流出事件向量；C1为所述行为事件在所述行为序列中出现的次数向量，Rk1为所述行为事件在所述行为序列中出现次数的排名向量，Wt为所述行为事件的事件权重向量；其中，当所述行为事件与付费行为相关时，Wt＝1；当所述行为事件与付费行为无关时，Wt＝0。当所述用户在当前时刻前未发生过付费行为，通过以下公式计算所述行为事件的流出事件向量：H2＝C2*Rk2+P其中，H1为所述行为事件的流出事件向量；C1为所述行为事件在所述行为序列中出现的次数向量，Rk1为所述行为事件在所述行为序列中出现次数的排名向量，P为所述行为事件归一化后的付费向量。本专利技术另一实施例对应提供了一种用户转化率预测装置，包括：行为序列划分模块，用于响应于对任一用户的转化率的预测指令，将所述用户的行为序列划分为第一行为序列和第二行为序列；所述行为序列为按照时间顺序由第一个行为事件至最后一个行为事件的序列；所述第一行为序列为第一个行为事件至第c％行为事件之间的序列，所述第二行为序列为第c％行为事件至最后一个行为事件之间的序列；其中，1≤c≤100；转化率预测模块，用于将本文档来自技高网...

【技术保护点】
1.一种用户转化率预测方法，其特征在于，包括步骤：响应于对任一用户的转化率的预测指令，将所述用户的行为序列划分为第一行为序列和第二行为序列；所述行为序列为按照时间顺序由第一个行为事件至最后一个行为事件的序列；所述第一行为序列为第一个行为事件至第c％行为事件之间的序列，所述第二行为序列为第c％行为事件至最后一个行为事件之间的序列；其中，1≤c≤100；将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征输入一预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测。

【技术特征摘要】
1.一种用户转化率预测方法，其特征在于，包括步骤：响应于对任一用户的转化率的预测指令，将所述用户的行为序列划分为第一行为序列和第二行为序列；所述行为序列为按照时间顺序由第一个行为事件至最后一个行为事件的序列；所述第一行为序列为第一个行为事件至第c％行为事件之间的序列，所述第二行为序列为第c％行为事件至最后一个行为事件之间的序列；其中，1≤c≤100；将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征输入一预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测。2.如权利要求1所述的用户转化率预测方法，其特征在于，所述用户转化率预测方法还包括步骤：响应于对预测模型的训练指令，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个或多个特征对所述预测模型进行训练。3.如权利要求1所述的用户转化率预测方法，其特征在于，所述用户为一应用程序的短期用户，所述短期用户为注册时长大于a天、小于或者等于人均注册时长且对所述应用程序的功能事件的点击发生率在b％以内的用户；其中，1≤a≤100，1≤b≤100。4.如权利要求1所述的用户转化率预测方法，其特征在于，所述预测模型基于LightGBM、XGBoost、CatBoost或BGDT建立。5.如权利要求1所述的用户转化率预测方法，其特征在于，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征输入一预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测具体为：当所述用户在当前时刻前未发生过付费行为时，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征输入所述预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测；当所述用户在当前时刻前发生过付费行为时，将所述第一行为序列的整体作为一个特征、第二行为序列中的每一行为事件作为一个特征或多个特征、N个付费行为作为N个特征输入所述预设预测模型中，根据所述预测模型的输出结果对所述用户的转化率进行预测；其中，所述N个付费行为位于所述第二行为序列中。6.如权利要求1所述的用户转化率预测方法，其特征在于，所述将所述用户的行为序列划分为第一行为序列和第二行为序列前还包括步骤：对所述用户的行为序列进行清洗。7.如权利要求6所述的用户转化率预测方法，其特征在于，所述对所述用户的行为序列进行清洗具体为：根据所述行为序列中...

【专利技术属性】
技术研发人员：徐骄，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44