[发明专利]训练方法、用户欠费离网预测方法及装置

说明书

本公开实施例公开了训练方法、用户欠费离网预测方法及装置，通过建立用户欠费离网预测模型，并通过上述训练方法对建立的用户欠费离网预测模型进行训练，可以得到训练后的用户欠费离网预测模型。这样可以通过训练后的用户欠费离网预测模型，来预测用户在未来(例如，数月后)是否会欠费离网，以得到存在欠费离网可能性的高风险用户。之后，可以利用监控单元在实际业务发生时对高风险用户进行监控，可以有效地提高对高风险用户进行限制的效率。大大降低了移动通信用户的欠费离网率，减少了移动通信运营商的坏账。

技术领域

本公开涉及通信技术领域，特别涉及训练方法、用户欠费离网预测方法及装置。

背景技术

随着移动通信技术的发展，移动通信用户的数量也急剧增加。然而，当某些欠费用户的欠费数额很大时，很可能部分用户不再进行充值，而是放弃使用该移动通信业务，即所谓的欠费离网。当大量的移动通信用户出现欠费离网情况时，将导致移动通信用户的欠费离网率呈上升趋势，从而给运营商造成大量的坏账，对移动通信运营商的经济效益产生了比较大的影响。然而，目前主要是依据工作人员对移动通信用户的历史数据进行分析，确定出潜在的欠费离网用户。而通过工作人员对历史数据进行分析，容易因工作人员主观判断导致确定的潜在欠费离网用户不准确，同时增加了人工的工作量。

发明内容

本公开提供的训练方法、用户欠费离网预测方法及装置，用以预测出潜在的欠费离网用户，降低移动通信运营商的坏账。

本公开实施例提供的训练方法，包括：

建立基于机器学习算法的用户欠费离网预测模型，并依次将所述用户欠费离网预测模型中的欠费离网阈值设置为不同的初始数值；

针对每个所述初始数值，将预先确定出的训练集输入到所述欠费离网阈值设置为所述初始数值时的用户欠费离网预测模型中，输出所述初始数值对应的预测值；所述训练集包括正类样本集和负类样本集；

根据每个所述初始数值对应的预测值，从所述初始数值中确定目标数值；

将所述用户欠费离网预测模型中的欠费离网阈值设置为所述目标数值，得到训练后的用户欠费离网预测模型。

基于上述实施例，本公开实施例的有益效果如下：

通过建立用户欠费离网预测模型，并通过上述训练方法对建立的用户欠费离网预测模型进行训练，可以得到训练后的用户欠费离网预测模型。这样可以通过训练后的用户欠费离网预测模型，来预测用户在未来(例如，数月后)是否会欠费离网，以得到存在欠费离网可能性的高风险用户。之后，可以利用监控单元在实际业务发生时对高风险用户进行监控，可以有效地提高对高风险用户进行限制的效率。大大降低了移动通信用户的欠费离网率，减少了移动通信运营商的坏账。

在一些示例中，所述根据每个所述初始数值对应的预测值，从所述初始数值中确定目标数值，包括：

根据每个所述初始数值对应的预测值，确定ROC曲线；

根据所述ROC曲线，从所述初始数值中确定所述目标数值。

在一些示例中，所述根据每个所述初始数值对应的预测值，确定ROC曲线，包括：

根据每个所述初始数值对应的预测值，确定每个所述初始数值对应的召回率和误报率；

根据每个所述初始数值对应的召回率和误报率，绘制所述ROC曲线；

所述目标数值为所述ROC曲线中最左侧处的召回率和误报率对应的初始数值。

在一些示例中，所述确定训练集包括：

获取正类样本和负样本的基本信息；其中，所述基本信息包括：用户通信信息、月消费金额信息、套餐订购信息、历史停复机记录信息；