【技术实现步骤摘要】
本申请涉及数据处理领域，尤其涉及一种用户流失预测方法、装置、设备及介质。
技术介绍
1、部分宽带用户在办理运营商宽带业务后，由于对资费价格或网络质量等原因在网络到期时不再进行续期。为保持运营商宽带业务的良好发展和稳定的营业收入，需要对潜在的流失用户进行挽留并进行相应的网络优化工作。
2、目前，针对潜在宽带流失用户的挽留主要由营业人员或维护人员在用户宽带到期决定要宽带拆机时进行口头挽留和安抚。但是，现有的口头挽留方案不能对拆机用户进行预测，对潜在宽带流失用户的挽留成功率较低，且需要耗费时间成本和人工成本。因此，如何有效地对潜在流失用户的进行预测是当前需要解决的问题。
技术实现思路
1、本申请提供一种用户流失预测方法、装置、设备及介质，用以实现对潜在流失用户有效地预测。
2、一方面，本申请提供一种用户流失预测方法，包括：获取待预测用户的画像数据；其中，画像数据包括不同属性对应的属性赋值；将画像数据输入至第一模型中进行隐藏层特征升维和非线性转化，以及进行特征分离，获得多个分离特征；依次将多个分离特征进行隐藏层特征提取，获得多个初始提取特征，并将多个提取特征进行特征拼接，获得第一特征数据；将第一特征数据输入至第二模型中进行卷积层特征提取，输出第二特征数据；其中，在第二模型中对第一特征数据进行多次卷积层特征提取，且在卷积层特征提取中至少存在两个不同大小的卷积核；将第二提取特征输入至第三模型中进行流失预测，确定待预测用户的流失预测结果；其中第三模型中包括包含1个神经元的
3、在一种可能的实现方式中，依次将多个分离特征进行隐藏层特征提取，获得多个初始提取特征，包括：依次将每个分离特征进行包含m个神经元的隐藏层升维和非线性转化，获得对应的升维特征；其中，不同分离特征对应的m个神经元的权重值不同，m为正整数；依次将每个升维特征进行包含n个神经元的隐藏层降维和非线性转化，获得对应的降维特征，并根据多个降维特征确定多个初始提取特征；其中，不同升维特征对应的n个神经元的权重值不同，n为正整数，且n小于m。
4、在一种可能的实现方式中，将第一特征数据输入至第二模型中进行卷积层特征提取，输出第二特征数据，包括：将第一特征数据转化为a×a的第一矩阵；其中a为正整数；在第二模型的第一卷积层中对第一矩阵进行包括c个卷积核为b×b的卷积层特征提取和非线性转化，获得第一提取矩阵；其中b和c均为正整数，且c为a的大于1的倍数；对第一提取矩阵进行特征分离，获得多个第二矩阵；在第二模型的第二卷积层中对每个第二矩阵进行卷积层特征提取，获得对应的第二提取矩阵；对多个第二提取矩阵进行特征拼接，获得第三矩阵；在第二模型的第三卷积层中对第三矩阵进行卷积层特征提取，获得第三提取矩阵，并根据第三提取矩阵输出第二特征数据。
5、在一种可能的实现方式中，在第二模型的第二卷积层中对每个第二矩阵进行卷积层特征提取，获得对应的第二提取矩阵，包括：在第二模型的第二卷积层中对每个第二矩阵进行卷积核为d×d的卷积层特征提取和非线性转化，以及进行卷积核为e×e的卷积层特征提取和非线性转化，获得对应的第二提取矩阵；其中不同的第二矩阵对应的d×d的卷积核权重值，以及对应的e×e的卷积核权重值不同；其中d和e均为正整数。
6、在一种可能的实现方式中，方法还包括：获取多个用户的历史特征数据；其中历史特征数据包括多个用户的画像数据和流失状态；依次将每个用户的历史特征数据中的画像数据输入第一模型、第二模型、第三模型，输出流失预测结果；并根据该用户的历史特征数据中的流失状态，判断流失预测结果是否有效；若流失预测结果有效，则结束该用户的历史特征数据的训练；若流失预测结果无效，则调整第一模型中神经元的权重值以及第二模型中的卷积核的权重值，并返回执行将该用户的历史特征数据中的画像数据输入第一模型、第二模型、第三模型，输出流失预测结果，直至结束该用户的历史特征数据的训练。
7、另一方面，本申请提供一种用户流失预测装置，包括：获取模块，用于获取待预测用户的画像数据；其中，画像数据包括不同属性对应的属性赋值；转化模块，用于将画像数据输入至第一模型中进行隐藏层特征升维和非线性转化，并进行特征分离，获得多个分离特征；依次将多个分离特征进行隐藏层特征提取，获得多个初始提取特征，并将多个提取特征进行特征拼接，获得第一特征数据；提取模块，用于将第一特征数据输入至第二模型中进行卷积层特征提取，输出第二特征数据；其中，在第二模型中对第一特征数据进行多次卷积层特征提取，且在卷积层特征提取中至少存在两个不同大小的卷积核；预测模块，用于将第二提取特征输入至第三模型中进行流失预测，确定待预测用户的流失预测结果；其中第三模型中包括包含1个神经元的输出层。
8、在一种可能的实现方式中，转化模块，用于：依次将每个分离特征进行包含m个神经元的隐藏层升维和非线性转化，获得对应的升维特征；其中，不同分离特征对应的m个神经元的权重值不同，m为正整数；依次将每个升维特征进行包含n个神经元的隐藏层降维和非线性转化，获得对应的降维特征，并根据多个降维特征确定多个初始提取特征；其中，不同升维特征对应的n个神经元的权重值不同，n为正整数，且n小于m。
9、在一种可能的实现方式中，提取模块，用于：将第一特征数据转化为a×a的第一矩阵；其中a为正整数；在第二模型的第一卷积层中对第一矩阵进行包括c个卷积核为b×b的卷积层特征提取和非线性转化，获得第一提取矩阵；其中b和c均为正整数，且c为a的大于1的倍数；对第一提取矩阵进行特征分离，获得多个第二矩阵；在第二模型的第二卷积层中对每个第二矩阵进行卷积层特征提取，获得对应的第二提取矩阵；对多个第二提取矩阵进行特征拼接，获得第三矩阵；在第二模型的第三卷积层中对第三矩阵进行卷积层特征提取，获得第三提取矩阵，并根据第三提取矩阵输出第二特征数据。
10、另一方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现如上的方法。
11、另一方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上的方法。
12、本申请的用户流失预测方法、装置、设备及介质中，通过获取包括不同属性对应的属性赋值的待预测用户的画像数据，并将画像数据输入至第一模型中进行隐藏层特征升维和非线性转化，以及进行特征分离，获得多个分离特征；依次将多个分离特征进行隐藏层特征提取，获得多个初始提取特征，并将多个提取特征进行特征拼接，获得第一特征数据；在第二模型中通过对第一特征数据的卷积层提取后，在第三模型中进行流失预测，可确定待预测用户的流失预测结果。本方案能够有效地对潜在流失用户进行预测。
本文档来自技高网...【技术保护点】
1.一种用户流失预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述依次将所述多个分离特征进行隐藏层特征提取，获得多个初始提取特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述第一特征数据输入至第二模型中进行卷积层特征提取，输出第二特征数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述在所述第二模型的第二卷积层中对每个第二矩阵进行卷积层特征提取，获得对应的第二提取矩阵，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
6.一种用户流失预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，转化模块，用于：
8.根据权利要求6所述的装置，其特征在于，提取模块，用于：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储
...【技术特征摘要】
1.一种用户流失预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述依次将所述多个分离特征进行隐藏层特征提取，获得多个初始提取特征，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述第一特征数据输入至第二模型中进行卷积层特征提取，输出第二特征数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述在所述第二模型的第二卷积层中对每个第二矩阵进行卷积层特征提取，获得对应的第二提取矩阵，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
6.一...
【专利技术属性】
技术研发人员：孟庆鲁，李纪欣，
申请(专利权)人：中国联合网络通信集团有限公司，
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。