[发明专利]基于循环神经网络的用户转保预测方法、装置以及设备

权利要求书

1.一种基于循环神经网络的用户转保预测方法，其特征在于，所述方法包括：

获取用户行为数据，其中，所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据，所述目标系统动作是指与所述用户相关的系统动作；

将所述用户行为数据划分为训练数据和预测数据；

按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子；

基于所述训练时间切片因子对预设的循环神经网络进行训练，以得到目标循环神经网络；

将所述预测时间切片因子输入至所述目标循环神经网络进行分析，以得到预测结果，其中，所述预测结果用于表示所述用户是否转保。

2.根据权利要求1所述的基于循环神经网络的用户转保预测方法，其特征在于，所述按照预设的时间切片因子转换规则将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子之后，所述基于所述训练时间切片因子对预设的循环神经网络进行训练，以得到目标循环神经网络之前，所述方法还包括：

将所述训练时间切片因子与预设的时间切片因子模板进行比对，以确定出缺失时间切片因子；

按照预设的数值确定方式确定出所述缺失时间切片因子中的数值；将所述缺失时间切片因子添加至所述训练时间切片因子，并触发执行所述基于所述训练时间切片因子对预设的循环神经网络进行训练，以得到目标循环神经网络的步骤。

3.根据权利要求2所述的基于循环神经网络的用户转保预测方法，其特征在于，所述按照预设的数值确定方式确定出所述缺失时间切片因子中的数值，包括：

确定所述缺失时间切片因子对应的数据类型，其中，所述缺失时间切片因子对应的数据类型为离散数据或者连续数据；

当所述缺失时间切片因子对应的数据类型为离散数据时，按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值；

当所述缺失时间切片因子对应的数据类型为连续数据时，按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值。

4.根据权利要求3所述的基于循环神经网络的用户转保预测方法，其特征在于，所述按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值，包括：

获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值；

计算所述缺失时间切片因子对应的每种数值的出现次数；

将出现次数最大的数值确定为所述缺失时间切片因子中的数值。

5.根据权利要求3所述的基于循环神经网络的用户转保预测方法，其特征在于，所述按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值，包括：

获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值；

计算所有的所述缺失时间切片因子对应的数值的平均值；

将所述平均值确定为所述缺失时间切片因子中的数值。

6.根据权利要求3-5任一项所述的基于循环神经网络的用户转保预测方法，其特征在于，所述确定所述缺失时间切片因子对应的数据类型，包括：

查询所述时间切片因子模板，以获得所述缺失时间切片因子对应的数据类型，或者，

获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值；

计算所有的所述缺失时间切片因子对应的数值中不同的数值的个数；

判断所述个数是否大于等于预设的个数阈值；

当判断出所述个数大于等于所述个数阈值时，确定所述缺失时间切片因子对应的数据类型为连续数据；

当判断出所述个数未大于等于所述个数阈值时，确定所述缺失时间切片因子对应的数据类型为离散数据。