[发明专利]用户流失预测方法、装置及电子设备

权利要求书

1.一种用户流失预测方法，其特征在于，包括：

获取目标产品对应的用户历史活跃记录，并基于所述用户历史活跃记录确定出流失判断周期；

基于所述流失判断周期在所述目标产品的历史使用时段中选取目标时段，获取所述目标时段内的样本用户集合；

利用所述样本用户集合对目标机器学习模型进行训练，获得对应的流失概率预测模型；

基于所述流失判断周期在所述历史使用时段中选取预测数据获取时段，使得所述预测数据获取时段的时长等于所述流失判断周期，并获得所述预测数据获取时段内的待预测用户的特征数据；

基于待预测用户的特征数据和所述流失概率预估模型，获得针对所述待预测用户的用户流失预测结果。

2.根据权利要求1所述的用户流失预测方法，其特征在于，所述获取目标产品对应的用户历史活跃记录，并基于所述用户历史活跃记录确定出流失判断周期，包括：

基于所述用户历史活跃记录，获得所述历史使用时段内的用户累计留存率变化曲线；

基于所述用户累计留存率变化曲线获得所述流失判断周期。

3.根据权利要求2所述的用户流失预测方法，其特征在于，所述基于所述用户累计留存率变化曲线获得所述流失判断周期，包括：

从所述历史使用时段的起始时间点，按照预设时间步长获取N个待分析时段，所述N个待分析时段具有相同时长，其中，N≥2，且为正整数；

分别将每个待分析时段的截至时间点对应的累计留存率与起始时间点对应的累计留存率相减，得到对应的留存率差值；

将N个待分析时段对应的留存率差值与预设阈值进行对比，确定出小于或等于所述预设阈值的M个留存率差值，其中，M≤N，且为正整数；

从所述M个留存率差值中确定出数值最大的留存率差值，作为目标留存率差值；

将所述历史使用时段的起始时间点到所述目标留存率差值对应的起始时间点的间隔时长作为所述用户流失周期。

4.根据权利要求1所述的用户流失预测方法，其特征在于，所述基于所述流失判断周期在所述目标产品的历史使用时段中选取目标时段，获取所述目标时段内的样本用户集合，包括：

基于流失判断周期在所述目标产品的历史使用时段中选取第一目标时段和位于所述第一目标时段之后的第二目标时段，使得所述第一目标时段内的时长和所述第二目标时段内的时长都等于所述流失判断周期；

获得所述样本用户集合中的各个样本用户在所述第一目标时段中的特征数据；

根据所述第二目标时段中所述目标产品对应的用户历史活跃记录确定出样本用户集合中的各个样本用户的流失判定标签，所述流失判定标签包括未流失标签和已流失标签，其中，所述未流失标签用于表征对应的样本用户不具有流失倾向，所述已流失标签用于表征对应的样本用户具有流失倾向。

5.根据权利要求4所述的用户流失预测方法，其特征在于，所述利用所述样本用户集合对目标机器学习模型进行训练，获得对应的流失概率预测模型，包括：

利用所述样本用户集合中的各个样本用户的特征数据和所述样本用户集合中的各个样本用户的流失判定标签对所述目标机器学习模型进行训练，获得所述流失概率预测模型。

6.根据权利要求5所述的用户流失预测方法，其特征在于，所述目标机器学习模型具有两个以上；

所述利用所述样本用户集合对目标机器学习模型进行训练，获得对应的流失概率预测模型，包括：

将所述样本用户集合划分为训练集和测试集；

利用所述训练集中的各个样本用户的特征数据和所述训练集中的各个样本用户的流失判定标签对两个以上所述目标机器学习模型进行训练，获得两个以上的训练模型；

利用所述测试集分别对所述两个以上的训练模型进行测试，得到对应的测试结果；

利用预设判定指标对所述两个以上的训练模型对应的测试结果进行评估，获得评估结果最好的训练模型，作为所述流失概率预测模型。