[发明专利]基于人工智能的流失用户预测方法、装置及电子设备

权利要求书

1.一种基于人工智能的流失用户预测方法，其特征在于，包括：

通过用户流失模型的流失参数和流失率分类阈值，对参与业务的用户样本进行是否是所述业务的流失用户的分类处理，根据得到的预测类别与所述用户样本的标记类别之间的差异，对所述用户流失模型的流失参数以及流失率分类阈值进行更新；

通过更新后的所述用户流失模型的流失参数和流失率分类阈值，对目标用户进行是否是所述业务潜在的流失用户的分类处理。

2.根据权利要求1所述的流失用户预测方法，其特征在于，还包括：

对参与业务的多个用户样本进行抽取处理，得到训练集以及测试集；

其中，所述训练集用于对所述用户流失模型的流失参数以及流失率分类阈值进行更新；

所述通过更新后的所述用户流失模型的流失参数和流失率分类阈值，对目标用户进行是否是所述业务潜在的流失用户的分类处理之前，还包括：

通过更新后的所述用户流失模型的流失参数和流失率分类阈值，对所述测试集中的测试用户样本进行是否是所述业务的流失用户的分类处理，根据得到的预测类别与所述测试用户样本的标记类别之间的差异，确定流失用户分类效果指标；

当所述流失用户分类效果指标大于流失用户指标阈值时，确定所述用户流失模型更新完成。

3.根据权利要求2所述的流失用户预测方法，其特征在于，

所述对参与业务的用户样本进行是否是所述业务的流失用户的分类处理，根据得到的预测类别与所述用户样本的标记类别之间的差异，对所述用户流失模型的流失参数以及流失率分类阈值进行更新，包括：

对所述训练集中的训练用户样本进行是否是所述业务的流失用户的分类处理，根据得到的预测类别与所述训练用户样本的标记类别之间的差异，对所述用户流失模型的流失参数、流失率分类阈值、以及抽取比例进行更新；

其中，所述抽取比例用于对所述多个用户样本进行抽取处理；

所述流失用户预测方法还包括：

当所述流失用户分类效果指标小于或等于所述流失用户指标阈值时，根据更新后的所述抽取比例对所述多个用户样本重新进行抽取处理和训练，直至得到的新的流失用户分类效果指标大于所述流失用户指标阈值。

4.根据权利要求3所述的流失用户预测方法，其特征在于，所述根据得到的预测类别与所述训练用户样本的标记类别之间的差异，对所述用户流失模型的流失参数、流失率分类阈值、以及抽取比例进行更新，包括：

针对所述训练集中的每个训练用户样本，对所述训练用户样本的预测类别与标记类别之间的差异进行损失计算处理，根据损失计算处理得到的损失值在所述用户流失模型中进行反向传播，并

在反向传播的过程中，对所述用户流失模型的流失参数进行更新；

确定所述训练集中预测类别与标记类别不同的训练用户样本的数量、与所述训练集中训练用户样本的总数量之间的比值，以作为分类误差率，并

根据所述分类误差率，对所述用户流失模型的流失率分类阈值及所述抽取比例进行更新。

5.根据权利要求4所述的流失用户预测方法，其特征在于，所述根据所述分类误差率，对所述用户流失模型的流失率分类阈值及所述抽取比例进行更新，包括：

确定将1减去所述分类误差率得到的结果、与所述分类误差率之间的相除结果；

对所述相除结果进行对数处理，并将对数处理的结果与设定系数之间的第一乘积结果，作为更新后的所述抽取比例；

确定所述流失率分类阈值与更新后的所述抽取比例之间的第二乘积结果，并将所述流失率分类阈值减去所述第二乘积结果，得到更新后的所述流失率分类阈值。