[发明专利]一种用户流失预测方法、装置及可读存储介质

说明书

本发明实施例公开了一种用户流失预测方法、装置及可读存储介质。该方法包括：设备对样本向量进行训练以得到第一预测模型，再根据第一预测模型生成样本向量中多个特征样本的重要性排名，并获取重要性排名中前k个特征样本的交叉特征，根据交叉特征和样本向量更新第一预测模型得到最终的预测模型后，设备将待预测用户的第二训练特征输入到更新后的第一预测模型以预测待预测用户下一次登入目标应用距离这一次登入目标应用的时间。采用本申请实施例，能够提高预测模型的准确度，实现对用户流失的预测。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种用户流失预测方法、装置及可读存储介质。

背景技术

很多的网络服务以及在线游戏都面临了在开始的几分钟或几小时内出现大量用户流失的情况，为了减少用户流失，可以对用户的流失进行预测，从而为不同的用户制定不同的策略，提高用户的游戏体验。

现有的流失预测方法多采用核心指标波动或者采用逻辑回归、决策树等方法，核心指标主要指游戏时长、关卡失败率等发生较大变动时则认为用户即将流失，逻辑回归、决策树主要指根据用户历史行为利用逻辑回归或者决策树来进行预测用户是否即将流失。然而，这两种方式覆盖面较窄，预测准确度不高。因此，如何更精准地预测用户流失情况是本技术领域人员正在研究的问题。

发明内容

本发明实施例公开了一种用户流失预测方法、装置及可读存储介质，能够实现对用户流失的预测，并提高预测模型的准确度。

第一方面，本发明实施例提供了一种用户流失预测方法，该方法包括：

对样本向量进行训练以得到第一预测模型，其中，所述样本向量包括多个特征样本，所述多个特征样本中每个特征样本包括第一训练特征和用户标签，所述第一训练特征为在预设用户的原始数据中提取的特征，所述原始数据包括画像数据和操作目标应用时的行为数据；所述用户标签用于描述所述预设用户下一次登入所述目标应用距离这一次登入所述目标应用的时间，所述第一预测模型用于对所述多个特征样本的重要性进行排名；

根据所述第一预测模型生成所述样本向量中多个特征样本的重要性排名，并获取所述重要性排名中前k个特征样本的交叉特征，所述交叉特征为所述前k个特征样本进行数学运算所得到的特征；

根据所述交叉特征和所述样本向量更新所述第一预测模型；

从待预测用户在登入所述目标应用的预设时段内的所述原始数据中提取第二训练特征，将所述第二训练特征输入到更新后的所述第一预测模型，以预测所述待预测用户下一次登入所述目标应用距离这一次登入所述目标应用的时间。

在上述方法中，设备对样本向量进行训练以得到第一预测模型，再根据第一预测模型生成样本向量中多个特征样本的重要性排名，并获取重要性排名中前k个特征样本的交叉特征，根据交叉特征和样本向量更新第一预测模型得到最终的预测模型，以预测待预测用户下一次登入目标应用距离这一次登入目标应用的时间；这种通过获取特征重要性排名中前k个特征样本的交叉特征来训练模型的方式，能够扩大重要特征的覆盖率，从而提高预测模型的准确度，实现对用户流失的预测。

基于第一方面，在其中一种可选的实现方式中，所述对样本向量进行训练以得到第一预测模型，包括：

获取样本向量；

根据所述样本向量生成训练集，并训练所述训练集以得到第一预测模型；其中，所述训练集中包括多个特征样本，所述多个特征样本中的每个特征样本为所述样本向量中的特征样本。

这种实现方式通过对获取的样本向量进行再次筛选，提高了特征样本的质量，从而提高模型的准确度。

基于第一方面，在其中一种可选的实现方式中，所述根据所述样本向量生成训练集，包括：