[发明专利]用户流失预测方法和装置

权利要求书

1.一种用户流失预测方法，其特征在于，包括：

对用户数据进行分类，所述用户数据被标记为已流失用户和未流失用户；

从用户数据的各个类别中分别抽取部分用户数据；

根据抽取的用户数据的特征训练分类模型，获得分类器；

采用所述分类器预测待测用户是否会流失。

2.根据权利要求1所述的方法，其特征在于，所述对用户数据进行分类包括：

根据用户数据中与用户流失相关的特征，采用聚类的方法对用户数据进行分类。

3.根据权利要求1所述的方法，其特征在于，所述从用户数据的各个类别中抽取部分用户数据包括：

从用户数据的各个类别中分别抽取预设比例的用户数据。

4.根据权利要求1所述的方法，其特征在于，所述根据抽取的用户数据的特征训练分类模型，获得分类器包括：

从所述抽取的用户数据中随机选择若干组用户数据；

采用选择的若干组用户数据分别训练决策树模型；

将所述采用选择的若干组用户数据训练得到的若干决策树共同作为分类器。

5.根据权利要求1所述的方法，其特征在于，所述根据抽取的用户数据的特征训练分类模型包括：

统计抽取的用户数据中各个特征的所有取值的种类；

如果特征的所有取值的种类大于预设值，将所述特征的每个取值分别作为抽取的用户数据的新的特征，并且删除所述所有取值的种类大于预设值的特征；

根据处理后的抽取的用户数据的特征训练分类模型。

6.根据权利要求1或5所述的方法，其特征在于，所述根据抽取的用户数据的特征训练分类模型包括：

从所述抽取的用户数据中，采用套索算法选择特征；

根据抽取的用户数据的所述选择的特征训练分类模型。

7.根据权利要求1所述的方法，其特征在于，采用以下方法获得标记的用户数据：

获取第一时间单元中的具有若干特征的用户数据；

根据所述第一时间单元中的用户数据在第二时间单元是否流失的状态，标记所述第一时间单元中的用户数据；

其中，第一时间单元为第二时间单元的相邻在先时间单元。

8.一种用户流失预测装置，其特征在于，包括：

用户数据分类模块，用于对用户数据进行分类，所述用户数据被标记为已流失用户和未流失用户；

用户数据抽取模块，用于从用户数据的各个类别中分别抽取部分用户数据；

模型训练模块，用于根据抽取的用户数据的特征训练分类模型，获得分类器；

用户流失预测模块，用于采用所述分类器预测待测用户是否会流失。

9.根据权利要求8所述的装置，其特征在于，所述用户数据分类模块进一步用于根据用户数据中与用户流失相关的特征，采用聚类的方法对用户数据进行分类。

10.根据权利要求8所述的装置，其特征在于，所述用户数据抽取模块进一步用于从用户数据的各个类别中分别抽取预设比例的用户数据。

11.根据权利要求8所述的装置，其特征在于，所述模型训练模块包括：

分组数据抽取单元，用于从所述抽取的用户数据中随机选择若干组用户数据；

决策树训练单元，用于采用选择的若干组用户数据分别训练决策树模型；

分类器形成单元，用于将所述采用选择的若干组用户数据训练得到的若干决策树共同作为分类器。

12.根据权利要求8所述的装置，其特征在于，所述模型训练模块包括：

特征取值种类统计单元，用于统计抽取的用户数据中各个特征的所有取值的种类；

特征转换单元，用于当特征的所有取值的种类大于预设值时，将所述特征的每个取值分别作为抽取的用户数据的新的特征，并且删除所述所有取值的种类大于预设值的特征；

第一模型训练单元，用于根据处理后的抽取的用户数据的特征训练分类模型。

13.根据权利要求8或12所述的装置，其特征在于，所述模型训练模块包括：

特征选择单元，用于从所述抽取的用户数据中，采用套索算法选择特征；

第二模型训练单元，用于根据抽取的用户数据的所述选择的特征训练分类模型。

14.根据权利要求8所述的装置，其特征在于，还包括用户数据获取模块，所述用户数据获取模块包括：

用户数据获取单元，用于获取第一时间单元中的具有若干特征的用户数据；

用户数据标记单元，用于根据所述第一时间单元中的用户数据在第二时间单元是否流失的状态，标记所述第一时间单元中的用户数据；

其中，第一时间单元为第二时间单元的相邻在先时间单元。