【技术实现步骤摘要】
一种应用程序价值预测方法及装置
本申请涉及互联网
,尤其涉及一种应用程序价值预测方法及装置。
技术介绍
目前,随着移动互联网的快速发展,同时,为用户带来便利的应用程序也给更多的应用开发者带来更多盈利的机会,各应用开发者推出各自的应用程序,用户将根据各自的实际需求在智能手机中安装相应的应用程序,例如,工具类应用、游戏类应用、视频类应用、即时通信类应用等等。当前,由于应用开发者对应用程序的价值进行合理预估,能够有效地指导应用开发者的商业决策、研发投入和推广投入,现有技术中提供了一种应用程序价值预测方法,主要是由专业人员根据应用程序的使用需求量和应用程序运行期间获得的资源收益进行人为预测。由此可知,基于现有技术确定出的应用程序的预估价值存在准确度低、参考性差的问题,无法实现对应用程序的商业决策、研发投入和推广投入起到准确地指导作用。
技术实现思路
本申请实施例的目的是提供一种应用程序价值预测方法及装置,以提高应用程序价值预测的准确度,进而实现对应用程序的商业决策、研发投入和推广投入起到准确地指导作用。为解决上述技术问题,本申请实施例是这样实现的:本申请实施例提供了一种应用程序价值预测方法,包括:获取目标应用的各激活用户的第一特征向量,其中,所述第一特征向量包括:用户静态属性、用户行为特征、激活渠道特征、用户激活特征、用户所使用移动终端的属性信息中至少一种;针对每个所述激活用户,利用第一预测模型基于与该激活用户对应的所述第一特征向量,确定所述激活用户使用所述目标应用的生命周期;获取所述激活用户在所述生命周期内各目标时间对应的第二特征向量,其中,所述第二特征向量包 ...
【技术保护点】
1.一种应用程序价值预测方法,其特征在于,包括:获取目标应用的各激活用户的第一特征向量,其中,所述第一特征向量包括:用户静态属性、用户行为特征、激活渠道特征、用户激活特征、用户所使用移动终端的属性信息中至少一种;针对每个所述激活用户,利用第一预测模型基于与该激活用户对应的所述第一特征向量,确定所述激活用户使用所述目标应用的生命周期;获取所述激活用户在所述生命周期内各目标时间对应的第二特征向量,其中,所述第二特征向量包括:用户静态属性、收益来源特征、上下文特征、激活渠道特征、用户激活特征中至少一种;针对每个所述目标时间,利用第二预测模型基于与该目标时间对应的所述第二特征向量,确定所述激活用户在该目标时间内所贡献的资源收益;针对每个所述激活用户,根据该激活用户的所述生命周期内各所述目标时间对应的所述资源收益,确定所述激活用户对所述目标应用所贡献的资源收益累计值;根据各所述激活用户对应的所述资源收益累计值,确定所述目标应用的预估价值。
【技术特征摘要】
1.一种应用程序价值预测方法,其特征在于,包括:获取目标应用的各激活用户的第一特征向量,其中,所述第一特征向量包括:用户静态属性、用户行为特征、激活渠道特征、用户激活特征、用户所使用移动终端的属性信息中至少一种;针对每个所述激活用户,利用第一预测模型基于与该激活用户对应的所述第一特征向量,确定所述激活用户使用所述目标应用的生命周期;获取所述激活用户在所述生命周期内各目标时间对应的第二特征向量,其中,所述第二特征向量包括:用户静态属性、收益来源特征、上下文特征、激活渠道特征、用户激活特征中至少一种;针对每个所述目标时间,利用第二预测模型基于与该目标时间对应的所述第二特征向量,确定所述激活用户在该目标时间内所贡献的资源收益;针对每个所述激活用户,根据该激活用户的所述生命周期内各所述目标时间对应的所述资源收益,确定所述激活用户对所述目标应用所贡献的资源收益累计值;根据各所述激活用户对应的所述资源收益累计值,确定所述目标应用的预估价值。2.根据权利要求1所述的方法,其特征在于,所述第一预测模型是通过如下方式训练得到的:获取样本用户使用预设应用产生的第一训练样本数据,其中,所述第一训练样本数据包括:每个样本用户的第一特征向量与留存周期之间的对应关系;将所述第一训练样本数据输入至Cox比例风险回归模型,基于所述第一训练样本数据求解得到针对第一特征向量的权重矩阵;根据所述针对第一特征向量的权重矩阵更新所述Cox比例风险回归模型的模型参数,得到更新后的第一预测模型。3.根据权利要求1所述的方法,其特征在于,所述利用第一预测模型基于与该激活用户对应的所述第一特征向量,确定所述激活用户使用所述目标应用的生命周期,包括:利用Cox比例风险回归模型根据与该激活用户对应的所述第一特征向量,确定所述激活用户的流失时刻;根据所述激活用户的激活时间和所述流失时刻,确定所述激活用户使用所述目标应用的生命周期。4.根据权利要求3所述的方法,其特征在于,所述利用Cox比例风险回归模型根据与该激活用户对应的所述第一特征向量,确定所述激活用户的流失时刻,包括:根据第一公式和所述第一特征向量,确定所述激活用户的流失风险系数;其中,λ(t|Xi)表示激活用户i在激活时长为t的流失风险系数、Xi表示激活用户i对应的第一特征向量、λ0(t)表示初始流失风险系数、β表示第一特征向量Xi的权重矩阵;根据第二公式和所述流失风险系数,确定所述激活用户的流失时刻;其中,Li(β)表示激活用户i的用户流失概率、λ(Ti|Xi)表示激活用户i在激活时长为Ti的流失风险系数、表示流失时刻大于Ti的样本用户的流失风险系数之和、Ti表示Li(β)=1时激活用户i的流失时刻、Tj表示Lj(β)=1时激活用户j的流失时刻、Xj表示激活用户j对应的特征向量。5.根据权利要求1所述的方法,其特征在于,所述第二预测模型是通过如下方式训练得到的:获取样本用户使用预设应用产生的第二训练样本数据,其中,所述第二训练样本数据包括:每个样本用户的第二特征向量与单位时间针对预设应用所贡献的资源收益之间的对应关系;利用机器学习方法基于所述第二训练样本数据,训练得到针对第二特征向量的权重矩阵;根据所述针对第二特征向量的权重矩阵更新第二预设模型的模型参数,得到更新后的第二预测模型。6.根据权利要求1所述的方法,其特征在于,所述获取所述激活用户在所述生命周期内各目标时间对应的第二特征向量,包括:针对每个目标时间,判断所述目标时间是否早于当前时间;若是,则将所述目标时间对应的实际特征向量确定为该目标时间对应的第二特征向量;若否,获取在该目标时间之前指定时间段内的多个参考特征向量,其中,所述多个参考特征向量包括:实际特征向量和/或理论特征向量;以及根据所述目标时间对应的所述多个参考特征向量,确定所述激活用户在所述生命周期内该目标时间对应的第二特征向量。7.根据权利要求6所述的方法,其特征在于,所述利用第二预测模型基于与该目标时间对应的所述第二特征向量,确定所述激活用户在该目标时间内所贡献的资源收益,包括:根据与目标时间对应的所述第二特征向量和线性公式Y=WX+b,计算得到所述激活用户在该目标时间内所贡献的资源收益;其中,Y表示激活用户在该目标时间内所贡献的资源收益,X表示与目标时间对应的第二特征向量,W表示针对第二特征向量...
【专利技术属性】
技术研发人员:王长路,蔡馥励,李涛,
申请(专利权)人:麒麟合盛网络技术股份有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。