本发明专利技术公开了用户观影信息预测方法、装置、设备及存储介质，该方法包括：获取预设天数内每天的预设用户观影评价维度对应的维度值，并确定预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子；根据获取的维度值和权重因子，确定预设天数中不同时间段对应的观评价指标；将不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到预设天数对应的观影得分；根据观影得分预测用户的观影概率和流失概率。本发明专利技术可以通过用户观影概率准确的体现用户流失概率，然后基于用户流失概率对不同的用户群体进行精准分类，有利于通过细化和针对性的营销策略，为用户留存和促活提供指导和依据。和促活提供指导和依据。和促活提供指导和依据。
【技术实现步骤摘要】
用户观影信息预测方法、装置、设备及存储介质
[0001]本专利技术涉及数据分析和机器学习
，尤其涉及一种用户观影信息预测方法、装置、设备及存储介质。
技术介绍
[0002]用户是互联网企业的立业之本，如何留存和促活用户对互联网运营具有极其重要的价值和意义。用户留存就是避免用户流失，用户留存是指从正向角度让用户留下来，避免用户流失。用户促活是指促进用户的活跃度，是互联网做好一定的稳定性，是用户留存后所必不可少的一项步骤。
[0003]为了避免用户流失，运营人员通常需要对用户群体进行分群和分类，并基于分类结果制定相应的用户维护和运营策略以实现用户留存和促活。目前主要采用运营人员主观判断的手段对用户群体进行分类，掺杂了人为感情，导致用户群体分类的准确性不高。
技术实现思路
[0004]本专利技术实施例通过提供一种用户观影信息预测方法、装置、设备及存储介质，旨在解决采用运营人员主观判断的手段对用户群体进行分类，导致用户群体分类的准确性不高的技术问题。
[0005]本专利技术实施例提供了一种用户观影信息预测方法，所述用户观影信息预测方法包括：
[0006]获取预设天数内每天的预设用户观影评价维度对应的维度值，并确定所述预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子；
[0007]根据获取的所述维度值、所述预设时间衰减权重因子和所述预设节假日权重因子，确定所述预设天数中不同时间段对应的观影评价指标；
[0008]将所述不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到所述预设天数对应的观影得分；以及，
[0009]根据所述观影得分预测用户的观影概率和流失概率。
[0010]在一实施例中，所述确定所述预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子的步骤包括：
[0011]获取所述维度值对应的观影天数以及所述观影天数对应的观影日期；
[0012]根据所述观影天数确定预设时间衰减权重因子；以及，
[0013]根据所述观影日期确定预设节假日权重因子。
[0014]在一实施例中，所述根据获取的所述维度值、所述预设时间衰减权重因子和所述预设节假日权重因子，确定所述预设天数中不同时间段对应的观影评价指标的步骤包括：
[0015]根据所述预设时间衰减权重因子与不同时间段内的所述观影天数确定不同时间段对应的时间权重值；
[0016]根据所述预设节假日权重因子与不同时间段内的所述观影日期确定不同时间段
对应的节假日权重值；
[0017]对所述时间权重值、所述节假日权重值以及所述维度值进行加权运算得到不同时间段对应的观影评价指标。
[0018]在一实施例中，所述将所述不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到所述预设天数对应的观影得分的步骤包括：
[0019]采用所述全连接神经网络的隐含层对不同时间段对应的观影评价指标进行加权运算，得到所述隐含层输出的第一运算结果；
[0020]采用所述全连接神经网络的输出层对所述第一运算结果进加权运算，以得到所述输出层输出的第二运算结果；
[0021]根据所述第二运算结果确定所述观影得分。
[0022]在一实施例中，所述全连接神经网络的训练过程包括：
[0023]获取标注有标签的训练样本集，并根据所述训练样本集确定待训练神经网络；
[0024]采用所述训练样本集对所述待训练神经网络进行迭代训练；
[0025]在所述待训练神经网络的网络模型的损失函数小于或者等于预设损失阈值时，停止所述待训练神经网络的训练，并将停止训练的所述待训练神经网络保存为所述全连接神经网络。
[0026]在一实施例中，所述根据所述训练样本集确定待训练神经网络的步骤包括：
[0027]获取训练样本集中训练样本的第一数量；
[0028]根据所述第一数量确定所述待训练神经网络的输入层节点的第一个数和隐藏层节点的第二个数；
[0029]根据所述标签的第二数量确定所述待训练神经网络的输出层节点的第三个数；
[0030]根据第一个数的所述输入层节点、第二个数的所述隐藏层节点和第三个数的所述输出层节点构建所述待训练神经网络。
[0031]在一实施例中，所述根据所述观影得分预测用户的观影概率和流失概率的步骤包括：
[0032]采用预设损失函数对所述观影得分进行回归，得到所述用户的观影概率和流失概率。
[0033]此外，为实现上述目的，本专利技术还提供了一种用户观影信息预测装置，所述用户观影信息预测装置包括：
[0034]第一获取模块，用于获取预设天数内每天的预设用户观影评价维度对应的维度值，并确定所述预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子；
[0035]第二获取模块，用于根据获取的所述维度值、所述预设时间衰减权重因子和所述预设节假日权重因子，确定所述预设天数中不同时间段对应的观影评价指标；
[0036]数据处理模块，用于将所述不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到所述预设天数对应的观影得分；
[0037]数据预测模块，用于根据所述观影得分预测用户的观影概率和流失概率。
[0038]此外，为实现上述目的，本专利技术还提供了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用户观影信息预测程序，所
述用户观影信息预测程序被所述处理器执行时实现上述的用户观影信息预测方法的步骤。
[0039]此外，为实现上述目的，本专利技术还提供了一种存储介质，其上存储有用户观影信息预测程序，所述用户观影信息预测程序被处理器执行时实现上述的用户观影信息预测方法的步骤。
[0040]本专利技术实施例中提供的一种用户观影信息预测方法、装置、设备及存储介质的技术方案，至少具有如下技术效果或优点：
[0041]本专利技术通过采用获取预设天数内每天的预设用户观影评价维度对应的维度值，并确定预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子，根据获取的维度值以及预设时间衰减权重因子和预设节假日权重因子，确定预设天数中不同时间段对应的观影评价指标，将不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到预设天数对应的观影得分，根据观影得分预测用户的观影概率，以及通过用户的观影概率准确的体现用户的流失概率，然后基于用户的流失概率对不同的用户群体进行精准分类，有利于通过细化和针对性的营销策略，为用户留存和促活提供指导和依据，解决采用运营人员主观判断的手段对用户群体进行分类，导致用户群体分类的准确性不高的技术问题。
附图说明
[0042]图1为本专利技术实施例方案涉及的硬件运行环境的结构示意图；
[0043]图2为本专利技术用户观影信息预测方法的一实施例的流程示意图；
[0044]图3为全连接神经网络的网络结构示意图；...
【技术保护点】
【技术特征摘要】
1.一种用户观影信息预测方法，其特征在于，所述用户观影信息预测方法包括：获取预设天数内每天的预设用户观影评价维度对应的维度值，并确定所述预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子；根据获取的所述维度值、所述预设时间衰减权重因子和所述预设节假日权重因子，确定所述预设天数中不同时间段对应的观影评价指标；将所述不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到所述预设天数对应的观影得分；以及，根据所述观影得分预测用户的观影概率和流失概率。2.如权利要求1所述的方法，其特征在于，所述确定所述预设用户观影评价维度对应的预设时间衰减权重因子和预设节假日权重因子的步骤包括：获取所述维度值对应的观影天数以及所述观影天数对应的观影日期；根据所述观影天数确定预设时间衰减权重因子；以及，根据所述观影日期确定预设节假日权重因子。3.如权利要求2所述的方法，其特征在于，所述根据获取的所述维度值、所述预设时间衰减权重因子和所述预设节假日权重因子，确定所述预设天数中不同时间段对应的观影评价指标的步骤包括：根据所述预设时间衰减权重因子与不同时间段内的所述观影天数确定不同时间段对应的时间权重值；根据所述预设节假日权重因子与不同时间段内的所述观影日期确定不同时间段对应的节假日权重值；对所述时间权重值、所述节假日权重值以及所述维度值进行加权运算得到不同时间段对应的观影评价指标。4.如权利要求1所述的方法，其特征在于，所述将所述不同时间段对应的观影评价指标输入预先训练的全连接神经网络，得到所述预设天数对应的观影得分的步骤包括：采用所述全连接神经网络的隐含层对不同时间段对应的观影评价指标进行加权运算，得到所述隐含层输出的第一运算结果；采用所述全连接神经网络的输出层对所述第一运算结果进加权运算，以得到所述输出层输出的第二运算结果；根据所述第二运算结果确定所述观影得分。5.如权利要求1所述的方法，其特征在于，所述全连接神经网络的训练过程包括：获取标注有标签的训练样本集，并根据所述训练样本集确定待训练神经网络；采用所述训练样本集对...
【专利技术属性】
技术研发人员：邓理平，
申请(专利权)人：深圳市傲天科技股份有限公司，
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。