[发明专利]用户解约行为的预测方法及其系统

说明书

本申请公开了一种用户解约行为的预测方法及其系统。本说明书实施例提供一种用户解约行为的预测方法，包括：抽取预设历史时间段内用户数据中行为序列特征和除该行为序列特征之外的其他特征生成训练样本；将该行为序列特征的训练样本输入到长短期记忆网络模型进行训练，将该其他特征的训练样本输入到深度神经网络模型进行训练；将训练好的该长短期记忆网络模型和该深度神经网络模型组成预测模型，其中该长短期记忆网络模型的输出与该神经网络模型的输入连接；根据该预测模型预测在约用户的解约行为结果。

技术领域

本说明书涉及互联网领域。

背景技术

在一些互联网产品中，除了需要吸引新用户签约，还要在老用户解约流失之前提前预测老用户的解约意向，并采取相关应对措施(例如投放权益广告)活跃老用户来进行挽回。目前的一些消费预测系统，大都采用机器学习模型(如：LR，GBDT)，但预测的准确率不够高。

发明内容

本说明书提供了一种用户解约行为的预测方法及其系统，在避免大量的人工抽取特征工程的同时，能够更精准地预测出高概率解约用户群。

本申请公开了一种用户解约行为的预测方法，包括：

抽取预设历史时间段内用户数据中行为序列特征和除所述行为序列特征之外的其他特征，生成训练样本；

将所述行为序列特征的训练样本输入到长短期记忆网络模型进行训练，将所述其他特征的训练样本输入到深度神经网络模型进行训练；

将训练好的所述长短期记忆网络模型和所述深度神经网络模型组成预测模型，其中所述长短期记忆网络模型的输出与所述神经网络模型的输入连接；

根据所述预测模型预测在约用户的解约行为结果。

在一个优选例中，所述抽取预设历史时间段内用户数据中行为序列特征和除所述行为序列特征之外的其他特征生成训练样本，进一步包括：

抽取预设历史时间段内的用户数据中行为序列特征得到对应的行为序列数据；

抽取该预设历史时间段内的用户数据中除所述行为序列特征之外的其他特征得到对应的其他特征数据，并基于所述其他特征中每个特征维度的一个或多个特征组，对每个特征组的特征数据进行预处理得到对应每个特征组的嵌入向量；

根据所述行为序列数据和所述对应每个特征组的嵌入向量得到所述训练样本。

在一个优选例中，所述行为序列数据至少包括以下任意一个或多个：在应用程序商店的交易次数序列、签约状态序列、解约次数序列。

在一个优选例中，所述其他特征包括基本属性特征维度、业务场景特征维度和安全属性特征维度中的一个或多个；

所述基本属性特征维度包括基础画像属性特征组、财富属性特征组、位置属性特征组、购买属性特征组、兴趣偏好属性特征组、搜索查询属性特征组、营销信息敏感度属性特征组中的一个或多个；

所述业务场景特征维度包括在支付平台内的签约平台公众号的访问评论行为特征组、对应用程序商店需求及感兴趣程度特征组、与签约平台的签约活跃程度特征组中的一个或多个；

所述安全属性特征维度包括信贷业务开通情况特征组、解约次数特征组中的一个或多个。

在一个优选例中，根据所述预测模型预测在约用户的解约行为结果之后，还包括：

将所述在约用户根据所述解约行为结果中的解约概率按照从高到低排序，根据排序结果选取用户投放到投放平台。

在一个优选例中，所述深度神经网络模型为三层深度神经网络模型。

在一个优选例中，所述训练样本设有标签，所述标签为用户是否会解约。