[发明专利]改进的迁移学习框架下的首购用户精细化流失预判方法

说明书

本发明公开了一种改进的迁移学习框架下的首购用户精细化流失预判方法。该方法采用分类模型通过改进的TrAdaboost算法框架的样本权重调整策略，有效强化有价值的样本、弱化无效样本，得到更精准的流失预判模型；该方法对流失预判的准确率更高。该方法结合模型训练中获得的记录权重，采用结合权重的可理解的决策树进行模型训练，再次将流失用户梳理成群，更进一步提取出优质客户中具备带动力的种子用户，通过流失用户矩阵划分出大致的营销策略；再结合规则内容进一步确定营销手段和线索优化路径；结合人工在可执行、可达、成本可接受等视角筛选之后，提取需要定期反复运行的策略及规则，固化在系统中，实现自动化营销。

技术领域

本发明属于迁移学习技术领域，涉及一种将迁移学习应用于首次订购用户精细化流失预判的方法，特别涉及一种改进的迁移学习框架下的首购用户精细化流失预判方法，亦即，一种基于改进的TrAdaboost迁移学习的首购用户精细化流失预判方法。

背景技术

在竞争日益激烈的情形下，留住一个老客户远比吸引一个新用户更有价值。有效地预测、挽留流失用户，对企业的生存与发展具有极其重要的意义。例如，在某国际机票搜索平台提供的订单数据中，仅发生过1次订购的用户占61.64％，但其流失率(80.43％)远高于发生多次订购的用户的流失(52.98％)。因此，在已解决了多次订购用户流失预判的情况下，有效地对首购用户进行流失预判也变得尤为重要。

现有的首购用户流失预判方法，存在以下缺陷：在仅有订单数据的情况下，首购用户存在着同一用户行为记录过少的短板；面对这种情况，一般采取人工界定和建模两种方式在首购用户群中聚焦可能流失的用户群，缺点如下：

1)、人工界定的规则过于简单化，也更依赖于行业经验；

2)、将首购用户中仅有的数据进行建模——流失预判准确率的提升会陷入瓶颈。

比如，申请号为20190903150442的专利申请，是采用Lookalike相似度对样本进行了粗略的切割，其更多的是偏向人的主观性而设置，认为和源域内容相似的辅助样本是适合迁移的样本，而做的相对主观的切割。该方法对首购用户流失预判的准确率提升的贡献不是很高。

发明内容

本发明的目的在于，克服现有技术的不足，提供一种改进的迁移学习框架下的首购用户精细化流失预判方法，亦即，一种基于改进的TrAdaboost迁移学习的首购用户精细化流失预判方法。

本发明的目的是通过以下技术方案实现的：

本发明一种改进的迁移学习框架下的首购用户精细化流失预判方法，亦即，一种基于改进的TrAdaboost迁移学习的首购用户精细化流失预判方法，该方法如下：采用分类模型(如C5决策树)，通过基于样本的迁移学习改进的TrAdaboost算法框架的样本权重调整策略，有效地强化有价值的样本、弱化无效样本，得到更为精准的流失预判模型；针对新的首购用户，使用已经训练好的流失预判模型预测用户是否会流失；结合模型训练中获得的记录权重，采用结合权重的可理解的决策树(如Chaid决策树)进行模型训练，再次将流失用户梳理成群，更进一步提取出优质客户中具备带动力的种子用户，通过流失用户矩阵划分出大致的营销策略；结合规则内容进一步确定营销手段和线索优化路径；结合人工在可执行、可达、成本可接受等视角筛选之后，提取需要定期反复运行的策略及规则，将它们固化在系统中，实现这部分内容的自动化营销。

本发明的基于改进的TrAdaboost迁移学习的首购用户精细化流失预判方法，具体包括如下步骤：

步骤一、采用基于改进的TrAdaboost迁移学习的模型训练方法进行建模，得到流失预判模型；

(1)数据获取

获取订购记录，将预设时间段内发生过订购行为的用户作为观测对象，观测对象中需要滤除最近一个生命周期内刚进来的新用户，然后将观测对象所有历史订单行为作为初始训练数据，