[发明专利]活跃状态的预测方法以及活跃度阈值的确定方法

权利要求书

1.一种活跃状态的预测方法，其特征在于，包括：

获取对象在历史时间段内访问业务所产生的访问特征数据；

根据所述访问特征数据与所述对象访问所述业务的时间间隔之间的关联关系，确定所述对象在预测期内的各个预测时间段的活跃概率，其中，所述活跃概率用于表征所述对象在所述预测时间段之前访问所述业务、并在所述预测时间段内再次访问所述业务的概率，所述预测期是历史时间段之后的一段时间；

基于所述对象在所述预测期内的各个预测时间段的活跃概率，确定所述对象在所述预测期内的活跃预测时间段的个数期望值，其中，所述活跃预测时间段为所述对象再次访问所述业务的预测时间段；

比较所述活跃预测时间段的个数期望值与所述对象对应的第一阈值，并根据比较结果确定所述对象在所述预测期内的活跃状态，其中，所述第一阈值用于表征所述预测期内的所述活跃预测时间段的个数阈值；

其中，基于所述对象在所述预测期内的各个预测时间段的活跃概率，确定所述对象在所述预测期内的活跃预测时间段的个数期望值包括：计算每个预测时间段的活跃概率与所述预测时间段之前的所有预测时间段的活跃概率之和，得到所述预测时间段的累积活跃概率；分别基于所述预测期内的各个预测时间段的累积活跃概率，计算在所述预测期内的每个预测时间段之后的预测时间段内所述对象再次访问所述业务的概率，其中，用1减去各个预测时间段对应的累积活跃概率，得到各个预测时间段之后再次访问业务的概率；以所述预测期内的各个预测时间段为横坐标，以所述对象在所述每个预测时间段之后的预测时间段内再次访问所述业务的概率为纵坐标，生成所述对象在所述预测期内的第一活跃曲线；根据所述第一活跃曲线，确定所述对象在所述预测期内的所述活跃预测时间段的个数期望值。

2.根据权利要求1所述的活跃状态的预测方法，其特征在于，根据所述访问特征数据与所述对象访问所述业务的时间间隔之间的关联关系，确定所述对象在预测期内的各个预测时间段的活跃概率包括：

将所述访问特征数据输入至多任务神经网络模型进行分析，得到所述对象在所述预测期内的各个预测时间段的所述活跃概率，其中，所述多任务神经网络模型由以下训练数据进行训练得到：第一样本对象在第一历史预测期内访问所述业务的访问状态、所述第一样本对象在所述第一历史预测期内相邻两次访问所述业务的间隔时长、以及所述第一样本对象在所述第一历史预测期之前的访问特征数据，其中，所述访问状态用于表示所述第一样本对象是否发生再次访问所述业务的行为。

3.根据权利要求1所述的活跃状态的预测方法，其特征在于，根据所述第一活跃曲线，确定所述对象在所述预测期内的所述活跃预测时间段的个数期望值包括：

计算所述第一活跃曲线与所述第一活跃曲线对应的横坐标轴以及纵坐标轴围成的面积，得到目标数值，其中，所述目标数值表征所述对象在所述预测期内的不活跃预测时间段的个数期望值；

计算所述预测期内包含的预测时间段的个数与所述目标数值的差值，得到所述对象在所述预测期内的所述活跃预测时间段的个数期望值。

4.根据权利要求2所述的方法，其特征在于，根据比较结果确定所述对象在所述预测期内的活跃状态包括：

在所述比较结果指示所述活跃预测时间段的个数期望值大于或等于所述第一阈值时，确定所述对象处于活跃状态；

在所述比较结果指示所述活跃预测时间段的个数期望值小于所述第一阈值时，确定所述对象处于非活跃状态。