[發(fā)明專利]狀態(tài)預(yù)測(cè)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201711349699.2
• 申請(qǐng)日: 2017-12-15
• 公開（公告）號(hào): CN107832581B
• 公開（公告）日: 2022-02-18
• 發(fā)明（設(shè)計(jì)）人: 胡瑞華
• 申請(qǐng)（專利權(quán)）人: 百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司
• 主分類號(hào): G06V10/774
• 分類號(hào): G06V10/774;G06N20/00
• 代理公司: 北京清亦華知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 宋合成

1.一種狀態(tài)預(yù)測(cè)方法，其特征在于，包括以下步驟：

對(duì)目標(biāo)用戶進(jìn)行采樣；

從采樣得到的目標(biāo)用戶中，識(shí)別出在采樣時(shí)刻已流失用戶和未流失用戶；其中，已流失用戶為采樣時(shí)刻之前的目標(biāo)時(shí)長(zhǎng)內(nèi)未執(zhí)行目標(biāo)行為的用戶，未流失用戶為采樣時(shí)刻之前的目標(biāo)時(shí)長(zhǎng)內(nèi)執(zhí)行過所述目標(biāo)行為的用戶；

根據(jù)在采樣時(shí)刻已流失用戶的賬戶信息，生成負(fù)樣本，并根據(jù)在采樣時(shí)刻未流失用戶的賬戶信息，生成正樣本和驗(yàn)證樣本；

根據(jù)所述負(fù)樣本和所述正樣本，對(duì)用于預(yù)測(cè)在所述采樣時(shí)刻之后用戶流失狀態(tài)的決策樹模型進(jìn)行訓(xùn)練；

將所述驗(yàn)證樣本輸入經(jīng)過訓(xùn)練的決策樹模型，以得到預(yù)測(cè)流失狀態(tài)；

若根據(jù)所述驗(yàn)證樣本的預(yù)測(cè)流失狀態(tài)與實(shí)際流失狀態(tài)計(jì)算得到的準(zhǔn)召率不小于閾值，確定所述決策樹模型訓(xùn)練完成；其中，實(shí)際流失狀態(tài)，是根據(jù)所述采樣時(shí)刻之后的所述目標(biāo)時(shí)長(zhǎng)內(nèi)用戶是否執(zhí)行過所述目標(biāo)行為確定的，以及，通過調(diào)整所述目標(biāo)時(shí)長(zhǎng)來對(duì)所述決策樹模型進(jìn)行重復(fù)訓(xùn)練，其中，若根據(jù)所述驗(yàn)證樣本的預(yù)測(cè)流失狀態(tài)與實(shí)際流失狀態(tài)計(jì)算得到的準(zhǔn)召率小于閾值，調(diào)整所述目標(biāo)時(shí)長(zhǎng)的取值；

根據(jù)調(diào)整后的目標(biāo)時(shí)長(zhǎng)，重新識(shí)別采樣時(shí)刻的已流失用戶和未流失用戶；

根據(jù)重新識(shí)別的已流失用戶的賬戶信息，重新生成負(fù)樣本，并根據(jù)重新識(shí)別的未流失用戶的賬戶信息，重新生成正樣本和驗(yàn)證樣本；

根據(jù)重新生成的負(fù)樣本和重新生成的正樣本，對(duì)所述決策樹模型進(jìn)行重新訓(xùn)練；

根據(jù)訓(xùn)練完成的所述決策樹模型，進(jìn)行用戶流失狀態(tài)的預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的狀態(tài)預(yù)測(cè)方法，其特征在于，所述將所述驗(yàn)證樣本輸入經(jīng)過訓(xùn)練的決策樹模型，以得到預(yù)測(cè)流失狀態(tài)之后，還包括：

若所述驗(yàn)證樣本的預(yù)測(cè)流失狀態(tài)與實(shí)際流失狀態(tài)相同，調(diào)整所述決策樹模型的模型參數(shù)；其中，若所述決策樹模型為基于梯度上升的xgboost的決策樹，所述模型參數(shù)包括最小優(yōu)化損失函數(shù)、正負(fù)樣本均衡性參數(shù)、迭代權(quán)重、迭代次數(shù)、樹的最大深度和用于判定有效數(shù)據(jù)的度量參數(shù)中的至少一個(gè)；

根據(jù)所述負(fù)樣本和所述正樣本，對(duì)所述決策樹模型進(jìn)行重新訓(xùn)練。

3.根據(jù)權(quán)利要求1-2任一項(xiàng)所述的狀態(tài)預(yù)測(cè)方法，其特征在于，所述目標(biāo)用戶為活躍用戶；所述對(duì)目標(biāo)用戶進(jìn)行采樣之前，還包括：

從全部用戶中，識(shí)別出活躍用戶；其中，所述活躍用戶為執(zhí)行過目標(biāo)行為的用戶；所述目標(biāo)行為包括購(gòu)買行為、瀏覽行為和續(xù)費(fèi)行為中的至少一個(gè)。

4.根據(jù)權(quán)利要求1-2任一項(xiàng)所述的狀態(tài)預(yù)測(cè)方法，其特征在于，所述根據(jù)所述負(fù)樣本和所述正樣本，對(duì)用于預(yù)測(cè)在所述采樣時(shí)刻之后用戶流失狀態(tài)的決策樹模型進(jìn)行訓(xùn)練，包括：

對(duì)所述負(fù)樣本和所述正樣本進(jìn)行特征提取；

將所述負(fù)樣本的特征和所述正樣本的特征作為所述決策樹模型的輸入，并將流失狀態(tài)或未流失狀態(tài)作為所述決策樹的分類輸出結(jié)果，采用xgboost算法，對(duì)所述決策樹模型執(zhí)行訓(xùn)練過程。

5.根據(jù)權(quán)利要求4所述的狀態(tài)預(yù)測(cè)方法，其特征在于，所述對(duì)所述負(fù)樣本和所述正樣本進(jìn)行特征提取，包括：

對(duì)所述負(fù)樣本和所述正樣本均進(jìn)行特征提取，得到屬性特征和行為特征；其中，所述屬性特征包括：賬戶有效狀態(tài)、賬戶開戶地和賬戶運(yùn)營(yíng)主體中的至少一個(gè)；所述行為特征包括：總消費(fèi)額、總點(diǎn)擊量、賬戶余額、最近消費(fèi)距離所述采樣時(shí)刻的天數(shù)。

6.根據(jù)權(quán)利要求1-2任一項(xiàng)所述的狀態(tài)預(yù)測(cè)方法，其特征在于，所述根據(jù)訓(xùn)練完成的所述決策樹模型，進(jìn)行用戶流失狀態(tài)的預(yù)測(cè)之后，還包括：

若目標(biāo)用戶預(yù)測(cè)流失狀態(tài)為將流失，生成用于指示對(duì)所述目標(biāo)用戶進(jìn)行維護(hù)的任務(wù)；

任務(wù)下發(fā)后，獲取任務(wù)執(zhí)行過程中確定的所述目標(biāo)用戶實(shí)際流失狀態(tài)；

根據(jù)所述目標(biāo)用戶實(shí)際流失狀態(tài)和所述目標(biāo)用戶的預(yù)測(cè)流失狀態(tài)，確定所述決策樹模型的準(zhǔn)確性。