【技术实现步骤摘要】
一种用户流失预测方法、装置、电子设备及可读存储介质
[0001]本申请属于信息处理
，尤其涉及一种用户流失预测方法、装置、电子设备及可读存储介质。
技术介绍
[0002]目前，随着计算机技术的快速发展，应用平台越来越多，人们对平台用户的留存情况也越来越重视。例如，影视类应用平台推出会员业务，会员享有更广泛的权限。由于各种原因，每个月的会员都会有一部分的流失。为实现用户的留存，需要分析出用户流失状况，精准地预测的流失行为具有重要的商业价值。
[0003]但是，目前用户流失预测方法的准确度不高，无法满足日益增长的预测需求。
技术实现思路
[0004]本申请实施例提供一种用户流失预测方法、装置、设备及可读存储介质，能够解决目前用户流失预测方法的准确度不高的问题。
[0005]第一方面，本申请实施例提供一种用户流失预测方法，该方法包括：
[0006]获取用户数据，用户数据包括用户行为的第一时序特征矩阵数据和第一非时序特征矩阵数据；
[0007]将第一时序特征矩阵数据和第一非时序特...
【技术保护点】
【技术特征摘要】
1.一种用户流失预测方法，其特征在于，所述方法包括：获取用户数据，所述用户数据包括用户行为的第一时序特征矩阵数据和第一非时序特征矩阵数据；将所述第一时序特征矩阵数据和所述第一非时序特征矩阵数据输入预设的隐特征的混合多模态流失预测模型，通过所述隐特征的混合多模态流失预测模型计算所述用户流失的第一概率；其中，所述隐特征的混合多模态流失预测模型是基于历史用户数据的隐特征矩阵数据、预设的特征权重、预设的时间因子权重和预设的隐特征权重训练得到；所述隐特征矩阵数据是基于所述历史用户数据的第二时序特征矩阵数据和第二非时序特征矩阵数据生成的隐特征矩阵数据；基于所述用户流失的第一概率确定目标时间段内流失用户数据。2.根据权利要求1所述的方法，其特征在于，所述获取用户数据包括：获取原始用户数据；对所述原始用户数据进行词向量提取、满足预设条件数据的剔除，以及流失标签的提取，得到所述用户数据。3.根据权利要求2所述的方法，其特征在于，所述用户数据包括用户播放行为数据、BO域数据和业务平台数据；所述对所述原始用户数据进行词向量提取、满足预设条件数据的剔除，以及流失标签的提取，得到所述用户数据，包括：提取所述用户播放行为数据的词向量提取得到第一时序特征矩阵；剔除满足预设条件的所述BO域数据得到用户数据的第一非时序特征矩阵；提取所述业务平台数据中所述用户的流失标签得到第一标签特征矩阵数据；分别将所述第一标签特征矩阵数据分别与所述第一时序特征矩阵、所述第一非时序特征矩阵进行矩阵连接得到所述用户数据。4.根据权利要求1至3任一项所述的方法，其特征在于，在所述将所述第一时序特征矩阵数据和所述第一非时序特征矩阵数据输入预设的隐特征的混合多模态流失预测模型，通过所述隐特征的混合多模态流失预测模型计算所述用户流失的第一概率之前，所述方法包括：获取所述历史用户数据，所述历史用户数据包括历史用户播放行为数据、历史BO域数据和历史业务平台数据；提取所述历史用户播放行为数据词向量得到第二时序特征矩阵；剔除满足预设条件的所述历史BO域数据得到用户数据的第二非时序特征矩阵；提取所述历史业务平台数据中所述用户的流失标签得到第二标签特征矩阵数据；分别将所述第二标签特征矩阵数据分别与所述第二时序特征矩阵、所述第二非时序特征矩阵进行矩阵连接得到所述历史用户数据的第二时序特征矩阵数据和第二非时序特征矩阵数据；采用自然语言处理算法分别对所述第二时序特征矩阵数据和所述第二非时序特征矩阵数据进行处理，得到各特征间具有联系的隐特征矩阵数据；基于所述隐特征矩阵数据、所述预设的特征权重、所述预设的时间因子权重和所述预设的隐特征权重训练得到所述隐特征的混合多模态流失预测模型。5.根据权利要求4所述的方法，其特征在于，所述隐特征矩阵数据包括第一K维隐特征
矩阵数据和所述第二K维隐特征矩阵数据；所述采用自然语言处理算法分别对所述第二时序特征矩阵数据和所述第二非时序特征矩阵数据进行处理，得到各特征间具有联系的隐特征矩阵数据，包括：采用自然语言处理算法分别对所述第二时序特征矩阵数据进行处理，得到反映所述第二时序特征矩阵数据中各特征内在联系的第一K维隐特征矩阵；其中，第一K维隐特征矩阵包括所述第二时序特征矩阵数据和第一d维隐特征值，所述第一d维隐特征值为所述第二时序特征矩阵数据中的d维隐特征值；采用自然语言处理算法分别对所述第二非时序特征矩阵数据进行处理，反映所述第二非时序特征矩阵数据中各特征内在联系的第二K维隐特征矩阵；其中，...
【专利技术属性】
技术研发人员：王毅成，胡治满，于亚洲，闫帅，陶和平，姚刚，李军，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
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。