用于生成用户留存时间的方法、装置、设备和介质制造方法及图纸

本公开的实施例公开了一种用于生成用户留存时间的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；基于第二处理方式，对上述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；基于第三处理方式，对上述天级特征数据进行处理，生成处理后的天级特征数据；基于上述处理后的列表特征数据、上述处理后的数值特征数据和上述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。该实施方式融合多种算法确定用户在应用中留存时间，使得对用户留存时间的确定更为精准、便利。

【技术实现步骤摘要】
用于生成用户留存时间的方法、装置、设备和介质
本公开的实施例涉及计算机
，具体涉及用于生成用户留存时间的方法、装置、设备和计算机可读介质。
技术介绍
目前，提供应用的企业越来越关注在未来预定时间内用户使用应用的时间，也即用户留存时间。用户的留存时间的确定常常成为应用是否受欢迎的关键指标。目前相关的确定用户留存时间的方法通常采用采用单一算法模型，这样确定出来的结果往往与实际值存在较大偏差。
技术实现思路
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了用于生成用户留存时间的方法、装置、设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题。第一方面，本公开的一些实施例提供了一种用于生成用户留存时间的方法，该方法包括：基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；基于第二处理方式，对上述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；基于第三处理方式，对上述天级特征数据进行处理，生成处理后的天级特征数据；基于上述处理后的列表特征数据、上述处理后的数值特征数据和上述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。第二方面，本公开的一些实施例提供了一种用于生成用户留存时间的装置，装置包括：第一生成单元，被配置成基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；第二生成单元，被配置成基于第二处理方式，对上述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；第三生成单元，被配置成基于第三处理方式，对上述天级特征数据进行处理，生成处理后的天级特征数据；第四生成单元，被配置成基于上述处理后的列表特征数据、上述处理后的数值特征数据和上述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。本公开的上述各个实施例中的一个实施例具有如下有益效果：采用多种方式分别对目标用户的数值特征数据、目标用户的列表特征数据处理和目标用户的天级特征数据进行处理。最终，综合多种方式处理后的结果来对目标用户留存时间进行预估，使得到的用户留存时间更加准确。附图说明结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。图1是本公开的一些实施例的用于生成用户留存时间的一个应用场景图的示意图；图2是根据本公开的用于生成用户留存时间的方法的一些实施例的流程图；图3是根据本公开的用于生成用户留存时间的方法的另一些实施例的流程图图4是根据本公开的用于生成用户留存时间的装置的一些实施例的结构示意图；图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。下面将参考附图并结合实施例来详细说明本公开。图1是根据本公开的一些实施例的用于生成用户留存时间的方法的一个应用场景的示意图100。如图1所示，电子设备101可以将目标用户在预设时间段内的天级特征数据中的列表特征数据102使用第一处理方式105进行处理，得到处理后的列表特征数据108。作为示例，天级特征数据可以包括：目标用户在应用上所显示的性别，目标用户在应用上所显示的省份，目标用户在应用上所显示居住的城市，目标用户停留时间超过预定时间的应用上显示的文章数目，目标用户使用应用的时间，目标用户在目标时间段内打开应用的次数。其中，天级特征数据中的列表特征数据102可以包括：目标用户在应用上所显示的性别，目标用户在应用上所显示的省份，目标用户在应用上所显示居住的城市。这里，天级特征数据中的数值特征数据103可以包括：目标用户停留时间超过预定时间的应用上显示的文章数目，目标用户使用应用的时间，目标用户在目标时间段内打开应用的次数。还可以将天级特征数据中的数值特征数据103使用第二处理方式106进行处理，得到处理后的数值特征数据109。还可以将天级特征数据104使用第三处理方式107进行处理，可以得到处理后的天级特征数据110。最后，综合处理后的列表特征数据108、处理后的数值特征数据109和处理后的天级特征数据110，可以生成在4个时间段中每个时间段内用户留存时间，如附图标记111所示。例如，在7天内的用户留存时间3.5天；在28内的用户留存时间14.4天；在54天内的用户留存时间39.2天；在180天内的用户留存时间144天。可以理解的是，用于生成用户留存时间的方法可以是由上述电子设备101来执行。其中，电子设备101可以是硬件，也可以是软件。当电子设备101为硬件时，可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机、服务器等等。当电子设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。继续参考图2，示出了根据本公开的用于生成用户留存时间的方法的一些实施例的流程200。该用于生成用户留存时间的方法，包括以下步骤：步骤201，基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的本文档来自技高网...

【技术保护点】
1.一种用于生成用户留存时间的方法，包括：/n基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；/n基于第二处理方式，对所述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；/n基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据；/n基于所述处理后的列表特征数据、所述处理后的数值特征数据和所述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。/n

【技术特征摘要】
1.一种用于生成用户留存时间的方法，包括：
基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；
基于第二处理方式，对所述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；
基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据；
基于所述处理后的列表特征数据、所述处理后的数值特征数据和所述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。


2.根据权利要求1所述的方法，其中，所述对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据，包括：
将所述列表特征数据和第一派生列表特征数据拼接，得到拼接列表特征数据，其中，所述第一派生列表特征数据是通过将所述天级特征数据输入预先训练的梯度提升决策树得到的；
将所述拼接列表特征数据输入预先训练的第一深度神经网络，生成所述处理后的列表特征数据。


3.根据权利要求2所述的方法，其中，所述梯度提升决策树是基于样本列表特征数据和样本数值特征数据共同训练得到的，其中，所述样本列表特征数据是初始样本列表特征数据通过独热编码得到的。


4.根据权利要求3所述的方法，其中，所述基于第二处理方式，对所述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据，包括：
将所述数值特征数据输入预先训练的第二深度神经网络，生成所述处理后的数值特征数据。


5.根据权利要求4之一所述的方法，其中，所述基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据，包括：
将所述天级特征数据输入预先训练的分解机模型，生成所述处理后的天级特征数据。


6.根据权利要求5所述的方法，其中，所述分解机模型包括列表特征提取网络和数值特征提取网络；以及
所述基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据，包括：
将所述列表特征数据输入所述列表特征提取网络，生成第二派生列表特征数据；
将所述数值特征数据输入所述数值特征提取网络，生成派生数值特征数据；
将所述第二派生列表特征数...

【专利技术属性】
技术研发人员：孙振邦，周杰，王长虎，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11