用户流失预测方法及系统技术方案

本申请公开了一种用户流失预测方法，该方法包括：选取第一用户集，采集所述第一用户集的用户在线操作行为数据和登录行为数据，构建训练用户样本；对所述训练用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量；根据所得到的序列化特征向量进行用户流失预测模型的训练；利用训练好的所述用户流失预测模型对未来用户流失情况进行预测。本申请还公开了一种用户流失预测系统、电子装置和计算机可读存储介质。由此，能够适用于游戏领域的用户流失预测场景，并且提高了模型预测的准确性。并且提高了模型预测的准确性。并且提高了模型预测的准确性。

【技术实现步骤摘要】
用户流失预测方法及系统


[0001]本申请涉及数据分析
，尤其涉及一种用户流失预测方法、系统、电子装置及计算机可读存储介质。

技术介绍

[0002]近些年，吸引新用户的成本越来越高，如何让存量用户拥有更好的用户体验，精准预知用户的负面情绪，从而针对性的改进产品，有效降低用户的流失率，成为一个更有用的手段。
[0003]目前针对用户历史行为构建特征时，一般直接使用常用机器学习模型(例如树模型、逻辑回归等)进行建模，模型倾向于进行用户横向特征比较，而忽略了对于用户自身历史行为的变化趋势的学习，用户行为学习不足。

技术实现思路

[0004]本申请的主要目的在于提出一种用户流失预测方法、系统、电子装置及计算机可读存储介质，旨在解决如何更好地学习用户行为，更加准确地预测流失用户的问题。
[0005]为实现上述目的，本申请实施例提供了一种用户流失预测方法，所述方法包括：
[0006]选取第一用户集，采集所述第一用户集的用户在线操作行为数据和登录行为数据，构建训练用户样本；
[0007]对所述训练用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量；
[0008]根据所得到的序列化特征向量进行用户流失预测模型的训练；
[0009]利用训练好的所述用户流失预测模型对未来用户流失情况进行预测。
[0010]可选地，所述方法还包括：
[0011]选取第二用户集，采集所述第二用户集的用户在线操作行为数据和登录行为数据，构建测试用户样本；
[0012]对所述测试用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量；以及
[0013]在所述进行用户流失预测模型的训练之后，根据所述测试用户样本的序列化特征向量对所述用户流失预测模型进行效果评估。
[0014]可选地，所述第一用户集为第一历史时段登录过的用户，所述构建训练用户样本包括：
[0015]将所述第一用户集的用户在所述第一历史时段的在线操作行为和登录行为作为训练用户样本。
[0016]可选地，所述对所述训练用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量包括：
[0017]对所述训练用户样本中的用户在线操作行为数据进行序列化转化和特征向量化
处理，得到用户在线操作行为特征向量；
[0018]对所述用户在线操作行为特征向量按预设规则配置不同的权重；
[0019]根据所述训练用户样本中的用户登录行为数据，按预设统计周期分时间段统计用户在线时长，并进行序列化转化，得到用户在线时长特征向量。
[0020]可选地，所述对所述训练用户样本中的用户在线操作行为数据进行特征向量化处理包括：
[0021]采用onehot向量对所述用户在线操作行为数据进行编码。
[0022]可选地，所述按预设统计周期分时间段统计用户在线时长，并进行序列化转化包括：
[0023]按照所述预设统计周期划分多个时间段，统计所述训练用户样本中每个用户各个时间段的在线时长；
[0024]将所述在线时长按所述时间段进行分组；
[0025]将同一分组的所述在线时长放入一个序列中。
[0026]可选地，所述根据所得到的序列化特征向量进行用户流失预测模型的训练包括：
[0027]将带有权重的所述用户在线操作行为特征向量和所述用户在线时长特征向量作为输入，将第三历史时段的用户流失情况数据作为输出，对所述用户流失预测模型进行训练。
[0028]可选地，所述利用训练好的所述用户流失预测模型对未来用户流失情况进行预测包括：
[0029]将第四历史时段的用户在线操作行为特征向量和用户在线时长特征向量输入所述用户流失预测模型，输出第二未来时段所述用户的流失概率预测值。
[0030]可选地，所述方法还包括：
[0031]当预测出用户会流失时，生成干预策略，以在第一未来时段内根据所述干预策略对所述用户进行干预。
[0032]此外，为实现上述目的，本申请实施例还提供一种用户流失预测系统，所述系统包括：
[0033]采集模块，用于选取第一用户集，采集所述第一用户集的用户在线操作行为数据和登录行为数据，构建训练用户样本；
[0034]处理模块，用于对所述训练用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量；
[0035]训练模块，用于根据所得到的序列化特征向量进行用户流失预测模型的训练；
[0036]预测模块，用于利用训练好的所述用户流失预测模型对未来用户流失情况进行预测。
[0037]为实现上述目的，本申请实施例还提供一种电子装置，所述电子装置包括：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流失预测程序，所述用户流失预测程序被所述处理器执行时实现如上述的用户流失预测方法。
[0038]为实现上述目的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有用户流失预测程序，所述用户流失预测程序被处理器执行时实现如上述的用户流失预测方法。
[0039]本申请实施例提出的用户流失预测方法、系统、电子装置及计算机可读存储介质，通过对用户在线操作行为序列进行建模，增加了用户历史行为之间的相关性，给模型判断提供更多用户自身信息；对用户分时段在线时长进行建模，学习用户不同时间段的潜在登录习惯，从而给模型类别判断提供信息；并且对用户行为序列采用了按权重的卷积操作，为不同天、不同顺序、不同类别的行为分配不同的权重，从而能够更好的学习到用户行为之间的隐藏信息。因此，本申请可以适用于游戏领域的用户流失预测场景，并且提高了模型预测的准确性，有效提升了预测效果。
附图说明
[0040]图1为实现本申请各个实施例的一种应用环境架构图；
[0041]图2为本申请第一实施例提出的一种用户流失预测方法的流程图；
[0042]图3为图2中步骤S202的细化流程示意图；
[0043]图4为本申请第一实施例中一种数据收集和模型训练过程的另一种形式的流程示意图；
[0044]图5为本申请第二实施例提出的一种用户流失预测方法的流程图；
[0045]图6为本申请第三实施例提出的一种电子装置的硬件架构示意图；
[0046]图7为本申请第四实施例提出的一种用户流失预测系统的模块示意图；
[0047]图8为本申请第五实施例提出的一种用户流失预测系统的模块示意图。
具体实施方式
[0048]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本文档来自技高网...

【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：选取第一用户集，采集所述第一用户集的用户在线操作行为数据和登录行为数据，构建训练用户样本；对所述训练用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量；根据所得到的序列化特征向量进行用户流失预测模型的训练；利用训练好的所述用户流失预测模型对未来用户流失情况进行预测。2.根据权利要求1所述的用户流失预测方法，其特征在于，所述方法还包括：选取第二用户集，采集所述第二用户集的用户在线操作行为数据和登录行为数据，构建测试用户样本；对所述测试用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量；以及在所述进行用户流失预测模型的训练之后，根据所述测试用户样本的序列化特征向量对所述用户流失预测模型进行效果评估。3.根据权利要求1或2所述的用户流失预测方法，其特征在于，所述第一用户集为第一历史时段登录过的用户，所述构建训练用户样本包括：将所述第一用户集的用户在所述第一历史时段的在线操作行为和登录行为作为训练用户样本。4.根据权利要求1所述的用户流失预测方法，其特征在于，所述对所述训练用户样本中的用户在线操作行为数据和登录行为数据分别进行处理，得到对应的序列化特征向量包括：对所述训练用户样本中的用户在线操作行为数据进行序列化转化和特征向量化处理，得到用户在线操作行为特征向量；对所述用户在线操作行为特征向量按预设规则配置不同的权重；根据所述训练用户样本中的用户登录行为数据，按预设统计周期分时间段统计用户在线时长，并进行序列化转化，得到用户在线时长特征向量。5.根据权利要求4所述的用户流失预测方法，其特征在于，所述对所述训练用户样本中的用户在线操作行为数据进行特征向量化处理包括：采用onehot向量对所述用户在线操作行为数据进行编码。6.根据权利要求4所述的用户流失预测方法，其特征在于，所述按预设统计周期分时间段统计用户在线时长，并进行序列化转化包括...

【专利技术属性】
技术研发人员：贺坤，
申请(专利权)人：上海幻电信息科技有限公司，
类型：发明
国别省市：