[发明专利]高粘性用户流失预测方法、装置及计算机可读存储介质

说明书

本发明提供一种高粘性用户流失预测方法、装置及计算机可读存储介质，通过基于高粘性用户而非全部用户的行为特征数据筛选出具有代表性的重要特征数据，再基于高粘性用户的重要特征数据构建流失预测模型，利用所述流失预测模型对被测高粘性用户的流失情况进行预测；从而克服了现有技术中利用所有用户的所有行为参数构建预测模型所导致的建模过程和模型本身较为复杂、及流失预测准确性不高的问题，有效地简化了流失预测模型结构，提高流失预测模型的构建效率、用户流失预测效率和流失预测的准确性。

技术领域

本发明涉及互联网技术领域，尤其涉及用户流失预测技术领域。

背景技术

随着直播行业的飞速发展，各个直播平台之间的竞争日益激烈，导致用户流失形势严峻，对直播平台造成直接的经济损失，不利于平台的长期发展。因此，为了缓解用户流失的情况，有必要通过机器学习算法分析用户的行为，建立用户流失识别模型，定位潜在的流失用户，以制定维系策略挽回潜在流失用户。

但是，目前的用户流失识别模型的建立基本都是直接采用用户的所有行为参数作为模型的输入变量，而用户的行为趋于多样化和复杂化，且变化迅速，这必然导致用户的行为参数类型较多。而且，实际上，其中的部分行为参数并没有对模型预测潜在的流失用户做出贡献，即其作为模型的输入变量所产生的意义是微乎其微的，很有可能还会降低模型对用户流失预测的准确性。因此，直接采用用户的所有行为参数作为模型的输入变量的这一方式，会导致建模过程和模型本身较为复杂，且模型对用户流失预测的准确性不高。

另外，目前的用户流失识别模型都是针对平台中的所有用户进行流失预测，然而，新用户本身就存在较高的流失率，如果也将新用户的行为参数也作为模型的输入变量，会进一步影响模型对用户流失预测的准确性。

发明内容

基于此，本发明提供一种高粘性用户流失预测方法、装置及计算机可读存储介质。

根据本发明实施例的第一方面，本发明提供了一种高粘性用户流失预测方法，包括：

获取已流失高粘性用户和未流失高粘性用户；

根据所有高粘性用户的流失状态和预设周期内的行为特征数据筛选得到重要特征数据；

根据所有高粘性用户的流失状态和重要特征数据构建得到流失预测模型；

通过流失预测模型预测被测高粘性用户的流失状态，输出预测结果。

由此，本发明通过基于高粘性用户而非全部用户的行为特征数据筛选出具有代表性的重要特征数据，再基于高粘性用户的重要特征数据构建流失预测模型，利用所述流失预测模型对被测高粘性用户的流失情况进行预测；从而克服了现有技术中利用所有用户的所有行为参数构建预测模型所导致的建模过程和模型本身较为复杂、及流失预测准确性不高的问题，有效地简化了流失预测模型结构，提高流失预测模型的构建效率、用户流失预测效率和流失预测的准确性。

可选地，所述获取已流失高粘性用户和未流失高粘性用户，具体包括以下步骤：

根据用户的注册天数及在第一预设时间段内的访问天数获得高粘性用户；根据获得的高粘性用户在第二预设时间段内的访问天数获得已流失高粘性用户和未流失高粘性用户。

通过对已流失高粘性用户和未流失高粘性用户的获取步骤的限定，先依据已流失和未流失的高粘性用户的共有特性，统一获取高粘性用户；再依据已流失和未流失的高粘性用户的各自特性，实现将高粘性用户划分为未流失和已流失两种类别，不仅有利于简化已流失和未流失的高粘性用户的获取步骤，提高对两者的获取效率，而且也保证了获取得到的已流失和未流失的高粘性用户的准确度。

可选地，所述预测周期包括互不重叠的至少两个采集周期。通过此处对预测周期的限定，将高粘性用户多个不同时间段内的行为特征数据都作为相对独立的数据而应用到特征数据筛选中，进一步提高重要特征数据筛选的全面性和准确性，为后续构建流失预测模型奠定了更好的基础。