[发明专利]用户留存预测方法及装置

说明书

本发明公开了一种用户留存预测方法及装置，涉及人工智能技术领域，其中该方法包括：获取用户数据；所述用户数据包括用户个人数据、用户登录数据、用户交易数据；根据用户数据生成用户登录行为序列、用户交易行为序列和衍生特征数据；所述衍生特征数据包括根据用户登录数据确定的用户特征数据；将用户个人数据、衍生特征数据输入融合树模型，输出用户在未来预设天数内的每一天是否会登录的判断结果；所述融合树模型对多种决策树模型融合训练得到；将用户个人数据、用户登录行为序列、用户交易行为序列、衍生特征数据和所述判断结果输入时间序列模型，输出用户在未来预设天数内的每一天登录的概率值。本发明可以提高用户留存预测的准确度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种用户留存预测方法及装置。需要说明的是，本发明用户留存预测方法及装置可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本发明用户留存预测方法及装置的应用领域不做限定。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

留存率是一个互联网产品最核心的指标，是一个互联网产品留住用户的能力，利用留存率可以了解用户，分析用户流失，从而提升产品服务质量。众多实践证明，提升用户留存率，减少用户流失，对于任何一家企业来说都是非常重要的。随着互联网的高速发展，对于企业来说，用户留存也逐渐成为了反映企业及产品核心竞争力的关键要素。

现有技术中用户留存预测的方法主要有基于快照视图预测用户留存、基于同期群视图预测用户留存以及基于随机森林分类原理预测用户留存等方法，这些方法基本是利用历史用户留存数据的变化规律、变化趋势进行预测分析，存在预测准确度较低的问题。

发明内容

本发明实施例提供一种用户留存预测方法，用以提高用户留存预测准确度，该方法包括：

获取用户数据；所述用户数据包括用户个人数据、用户登录数据、用户交易数据；

根据用户数据生成用户登录行为序列、用户交易行为序列和衍生特征数据；所述衍生特征数据包括根据用户登录数据确定的用户特征数据；

将用户个人数据、衍生特征数据输入融合树模型，输出用户在未来预设天数内的每一天是否会登录的判断结果；所述融合树模型根据历史用户个人数据、历史衍生特征数据和历史用户在历史预设天数内的每一天是否登录的实际结果对多种决策树模型融合训练得到；

将用户个人数据、用户登录行为序列、用户交易行为序列、衍生特征数据和所述判断结果输入时间序列模型，输出用户在未来预设天数内的每一天登录的概率值；所述时间序列模型根据历史用户登录行为序列、历史用户交易行为序列、历史用户在历史预设天数内的每一天是否登录的实际结果和历史用户在历史预设天数内的每一天登录的概率值对卷积神经网络CNN模型训练得到。

本发明实施例还提供一种用户留存预测装置，用以提高用户留存预测准确度，该装置包括：

数据获取模块，用于获取用户数据；所述用户数据包括用户个人数据、用户登录数据、用户交易数据；

数据处理模块，用于根据用户数据生成用户登录行为序列、用户交易行为序列和衍生特征数据；所述衍生特征数据包括根据用户登录数据确定的用户特征数据；

融合树模型处理模块，用于将用户个人数据、衍生特征数据输入融合树模型，输出用户在未来预设天数内的每一天是否会登录的判断结果；所述融合树模型根据历史用户个人数据、历史衍生特征数据和历史用户在历史预设天数内的每一天是否登录的实际结果对多种决策树模型融合训练得到；