[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

权利要求书

1.一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，其特征在于，采用分类模型，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。

2.如权利要求1所述的改进的迁移学习框架下的首购用户精细化流失预判方法，其特征在于，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；

在观测对象中，将流失用户定义为：＞90天没来订购，返回1：流失，否则0：留存；

(2)数据组织

以用户每天消费为最小消费粒度，计算形成如下格式的数据指标：

第n日消费No.	相关指标	简单衍生指标1	时序衍生指标2
n＝1	√	√	-
n＞1	√	√	√

(3)迁移学习

将单用户订购次数＞1的所有订单记录集定义为辅助数据集Data_Sup；订购次数＝1的数据集为源数据集Data_Src或目标数据集，通过如下步骤，在源数据集的基础上，借助于辅助数据集完成对源数据的知识迁移：

Step1：维度集Dim＝Dim_Sup∩Dim_Src，其中：Dim_Sup为辅助数据的计算维度，Dim_Src为源数据的计算维度；

Step2：将Data_Sup和Data_Src两者合并起来的数据集Data作为数据样本集Smp；亦即，数据样本集为辅助数据集和源数据集的并集：

Smp＝Data_Sup∪Data_Src，

其中：Data_Sup为辅助数据集，Data_Src为源数据集；

Step3：将数据样本集Smp划分为训练数据集Train_Smp、和测试数据集Test_Smp；其中，训练数据集Train_Smp占75-80％，测试数据集Test_Smp占20-25％；

Step4：通过PCA，将维度集Dim映射到一个低维子空间，即：Dim＝＞DimP，其中：DimP为Dim映射在低维子空间中的因子；

Step5：DimP＝＞Dim’，其中：Dim’为相对目标Y的重要因子；

Step6：模型训练在训练集Train_Smp中，以Dim’为输入、Train_Y为输出，使用分类模型，采用改进的TrAdaboost集成框架训练建模，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Train_Y＝h_f(DIM′)；其中：在改进的TrAdaboost集成框架中训练建模时，经多次迭代，逐步修正，最终亦获得每个辅助样本的价值权重即样本权重；

Step7：通过使用Step6获得的最终的分类器h_f(DIM′)在Test_Smp中的目标数据集对所得的流失预判模型进行预测，h_f(DIM′)＝＞DataT_Y；其中，DataT_Y是根据函数h_f(DIM′)计算得到的输出结果，根据这个预测结论再加以评估，最终分类器的评估值作为对最终模型的评价；

步骤二、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

使用上述步骤一构建并训练好的流失预判模型h_f(DIM′)，去对下个月新首购用户数据Data_New进行预测，获得流失预判结论，给后续新的首购用户打上流失预判标签；

步骤三、形成营销应用建议及规则自动化设计方法

采用可理解的决策树，对经步骤一建模后的训练样本，结合步骤一产出的样本权重，进行营销建模；再对营销建模后，根据根据模型产出的用户流失规则而梳理形成的多个细分群，以人数为X轴、流失率为Y轴，进行用户流失矩阵划分，得到用户流失矩阵划分图；结合用户流失矩阵划分图中的不同区域，对各自区域内的规则下的用户，形成对应的营销策略；结合规则内容进一步确定营销手段；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。