[发明专利]用户召回分析方法、装置、设备及存储介质

权利要求书

1.一种用户召回分析方法，其特征在于，所述用户召回分析方法包括：

获取初始用户数据，对所述初始用户数据进行预处理，得到预处理后的数据，并从所述预处理后的数据中提取出目标用户数据，所述目标用户数据包括用户行为数据和用户情感数据；

调用预置的流失概率预测模型，对所述目标用户数据进行流失概率的预测，得到用户流失概率；

调用预置的聚类算法，对所述目标用户数据和所述用户流失概率进行分析，得到用户流失原因信息，并根据所述用户流失原因信息确定用户召回策略；

获取基于所述用户召回策略的用户流失数据和用户召回结果，基于所述用户流失数据和所述用户召回结果，对所述用户召回策略进行评估和优化，得到优化后的用户召回策略。

2.根据权利要求1所述的用户召回分析方法，其特征在于，所述获取初始用户数据，对所述初始用户数据进行预处理，得到预处理后的数据，并从所述预处理后的数据中提取出目标用户数据，所述目标用户数据包括用户行为数据和用户情感数据包括：

获取初始用户数据，调用预置的插补算法，对所述初始用户数据中的缺失值进行填充，并对填充后的初始用户数据进行异常值过滤和重复值过滤，得到预处理后的数据；

从所述预处理后的数据中提取用户行为数据，所述用户行为数据包括预设时间范围内用户的行为类型数据和行为发生时间数据；

从所述预处理后的数据中提取用户对话记录数据，调用预置的深度网络模型，对所述用户对话记录数据进行特征提取，得到用户情绪特征；

按照预置的情感类别对所述用户情绪特征进行分类，得到用户情感数据，将所述用户行为数据和所述用户情感数据合并，得到目标用户数据。

3.根据权利要求1所述的用户召回分析方法，其特征在于，所述调用预置的流失概率预测模型，对所述目标用户数据进行流失概率的预测，得到用户流失概率包括：

调用预置的流失概率预测模型，对所述目标用户数据进行流失概率的预测，得到初始流失概率；

调用预置的极端梯度提升算法，基于所述目标用户数据对所述流失概率预测模型进行训练，得到训练后的流失概率预测模型，调用所述训练后的流失概率预测模型，对所述初始流失概率进行修正，得到用户流失概率。

4.根据权利要求3所述的用户召回分析方法，其特征在于，所述调用预置的极端梯度提升算法，对所述流失概率预测模型进行训练，得到训练后的流失概率预测模型，调用所述训练后的流失概率预测模型，对所述初始流失概率进行修正，得到用户流失概率包括：

对所述目标用户数据进行过滤和清洗处理，得到输入参数；

调用预置的极端梯度提升算法，对所述输入参数进行预置次数的分类树结构训练和预测，得到预测结果；

对所述流失概率预测模型进行基于所述预测结果的拟合处理，得到训练后的流失概率预测模型；

调用所述训练后的流失概率预测模型，对所述初始流失概率进行修正，得到用户流失概率。

5.根据权利要求1所述的用户召回分析方法，其特征在于，所述调用预置的聚类算法，对所述目标用户数据和所述用户流失概率进行分析，得到用户流失原因信息，并根据所述用户流失原因信息确定用户召回策略包括：

调用预置的聚类算法，对所述目标用户数据进行解析，得到用户流失原因信息；

调用预置的数据分类算法，对所述用户流失原因信息进行分类，得到流失原因标签信息；

获取所述用户流失概率达到预设阈值的初始用户标签信息，通过所述流失原因标签信息，对所述初始用户标签信息进行更新，得到目标用户标签信息；

基于所述目标用户标签信息确定用户召回策略，所述用户召回策略包括发放优惠券和消息推送。