[发明专利]移动终端换机预测方法、装置、设备及可读存储介质

说明书

本发明公开了一种移动终端换机预测方法、装置、设备及可读存储介质，获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one‑hot编码特征，生成第一特征；对第一特征进行特征组合，生成第二特征，并将第一特征及第二特征合并；采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；构建样本权值函数，并对模型损失函数进行优化；基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。本发明技术方案具有表征能力强、成本低、预测准确且鲁棒性强的优点，可便于运营商精准向用户营销手机，具有较高的商业价值。

技术领域

本发明涉及大数据技术领域，特别涉及一种移动终端换机预测方法、装置、设备及可读存储介质。

背景技术

随着我国移动网络的的发展，4G、5G技术的普及，智能手机市场发展迅猛。智能手机的普及已经势不可挡，手机在人们日常生活中扮演这越来越重要的角色，通信、消费、学习等各个领域都离不开手机，手机俨然成为生活必需品。手机终端换机市场份额现如今变得巨大，用户换机频率明显增强，运营商如何利用自己掌握的海量用户业务数据，精准向用户营销手机成为运营商拓展市场的战略中心。

现有的技术中，主要从两个层面研究用户换机模型，第一种是采用传统的数据分析手段，构建用户画像；第二种是采用机器学习手段，构建用户换机模型。相比较第一种方式，第二种方式更加具有针对性，输出用户是否置换手机以及相应的换机概率，是主流的换机模型构建方式。

但是，现有的换机模型构建过程中，仍然存在着许多问题。第一，采用机器学习手段构建模型，需要人工构建表征能力强的特征，但是不同的业务场景要求构建不同的人工特征，人工成本过高。第二，构建的人工特征最终不一定有效，在数据量较大的情况下，验证特征的有效性又会耗费较多的时间。第三，换机数据中，置换手机的用户人群数量远远少于非换机人群的数量，样本类别分布不均衡，样本权值默认一致，如果采用默认的优化损失函数的方式，会降低模型在少数类的泛化能力。

发明内容

本发明要解决的技术问题是如何提供一种成本低、预测准确、泛化能力强的移动终端换机预测方法、装置、设备及可读存储介质。

一方面，为了解决上述技术问题，本发明的技术方案为：

一种移动终端换机预测方法，包括步骤：

S10：获取业务数据，构建RandomForst和XGBOOST模型，将样本在模型的叶子节点位置变换成one-hot编码特征，生成第一特征；

S20：对所述第一特征进行特征组合，生成第二特征，并将所述第一特征及所述第二特征合并；

S30：采用集成过滤法对合并后的特征进行选择，剔除表征能力差的特征；

S40：构建样本权值函数，并对模型损失函数进行优化；

S50：基于bagging框架来构建逻辑回归随机森林，通过模型进行移动终端的换机预测。

优选地，步骤S10包括：

S11：对原始数据进行清洗、缺失值插补、异常值剔除；

S12：采用交叉验证法和嵌入特征法构建RandomForst以及XGBOOST模型；

S13：利用RandomForst以及XGBOOST模型对原始数据进行预测，预测每一个样本在各自模型的叶子节点的位置；

S14：根据样本在RandomForst以及XGBOOST模型叶子节点的位置，构建多个one-hot向量，然后将多个one-hot向量合并成一个新的向量。