[发明专利]预测用户概率的方法、装置和计算机设备

说明书

本申请涉及人工智能领域，揭示了预测用户概率的方法，包括：按照业务属性确认数据分析周期；搜集指定时间段内各用户的行为表现数据；将所有用户的行为表现数据输入无监督学习模型，依据预设的聚类群数量进行聚类分析，得到预设的聚类群数量对应的各聚类群；根据各聚类群建立监督学习的分类模型并进行训练，得到预测用户流失概率的模型；根据待分析用户的行为表现数据，通过预测用户流失概率的模型，得到待分析用户流失概率的预测结果。通过在监督学习的二分类模型前，加入无监督学习模型，可以对具有相似行为特征的用户进行聚类，并将聚类结果用于监督学习的二分类模型的训练过程，提高二分类模型预测用户流失预警的预测精准度。

技术领域

本申请涉及人工智能领域，特别是涉及到预测用户概率的方法、装置和计算机设备。

背景技术

对于客户群的流失分析，现在通过数据挖掘和机器学习建模的方法来预测可能流失的客户群，并对这部分客户群进行适当的干预，以防过度流失。但在实际场景中，由于客户流失的原因各不相同，不同流失动因的情况下，流失客户的行为表现也各不相同。现有数据挖掘和机器学习建模，多通过监督学习实现，只能输出客户在未来发生流失的概率，无法识别出客户流失的动因，不能对流失客户进行更精准地识别，更无法对客户流失给予相应的预防策略。

发明内容

本申请的主要目的为提供预测用户概率的方法，旨在解决现有预测用户概率不精准的技术问题。

本申请提出一种预测用户概率的方法，包括：

按照业务属性确认数据分析周期；

搜集指定时间段内各用户的行为表现数据，其中，所述指定时间段属于所述数据分析周期内的连续时间段；

将所有用户的行为表现数据输入无监督学习模型，依据预设的聚类群数量进行聚类分析，得到所述预设的聚类群数量对应的各聚类群；

根据各所述聚类群建立监督学习的分类模型并进行训练，得到预测用户流失概率的模型；

根据待分析用户的行为表现数据，通过所述预测用户流失概率的模型，得到所述待分析用户流失概率的预测结果。

优选地，所述根据各所述聚类群建立监督学习的分类模型并进行训练，得到预测用户流失概率的模型的步骤，包括：

判断所有用户的行为表现数据对应的数据量是否超过预设数据量；

若是，则创建与各所述聚类群分别对应的二分类模型；

通过指定聚类群中的数据，训练与所述指定聚类群对应的二分类模型，其中，所述指定聚类群属于各所述聚类群中的任一聚类群；

按照所述指定聚类群对应的二分类模型的训练方式，训练得到各所述聚类群分别对应的二分类模型；

将各所述聚类群分别对应的二分类模型，作为预测用户流失概率的模型。

优选地，所述根据待分析用户的行为表现数据，通过所述预测用户流失概率的模型，得到所述待分析用户流失概率的预测结果的步骤，包括：

将所述待分析用户的行为表现数据，输入所述无监督学习模型，得到所述待分析用户的行为表现数据对应的指定聚类标签；

根据所述指定聚类标签，确定与所述指定聚类标签匹配的指定二分类模型；

将所述待分析用户的行为表现数据输入至所述指定二分类模型中；

将所述指定二分类模型的输出结果，作为所述待分析用户流失概率的预测结果。

优选地，所述判断所有用户的行为表现数据对应的数据量是否超过预设数据量的步骤之后，包括：

若否，则获取各所述聚类群分别对应的聚类标签；