[發(fā)明專利]一種基于大數(shù)據(jù)的用戶軌跡智能精準預測系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910010004.0
• 申請日: 2019-01-06
• 公開（公告）號: CN109784993B
• 公開（公告）日: 2020-04-14
• 發(fā)明（設(shè)計）人: 劉泳;柯捷杰
• 申請（專利權(quán)）人: 廣州銀漢科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62;G06F17/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于大數(shù)據(jù)的用戶軌跡智能精準預測系統(tǒng)，所述系統(tǒng)包括：數(shù)據(jù)采集模塊，用于從服務器采集用戶基礎(chǔ)屬性數(shù)據(jù)和行為軌跡數(shù)據(jù)。特征標簽模塊，用于從用戶基礎(chǔ)屬性數(shù)據(jù)和行為軌跡數(shù)據(jù)中制定特征標簽。樣本分配模塊，用于使用隨機抽樣方法把樣本用戶數(shù)據(jù)分為訓練集、測試集。模型構(gòu)建模塊，用于構(gòu)建用戶軌跡智能精準預測模型。模型驗證模塊，用于使用測試集驗證用戶軌跡智能精準預測模型穩(wěn)定性。模型識別模塊，用于使用用戶軌跡智能精準預測模型預測未來一段時間內(nèi)潛在流失用戶。本發(fā)明能夠從多個維度去描述刻畫用戶，使得模型泛化能力比較強，不同版本模型準確率、召回率較高且波動性較小。

【技術(shù)領(lǐng)域】

本發(fā)明屬于網(wǎng)絡數(shù)據(jù)處理領(lǐng)域，尤其涉及一種基于大數(shù)據(jù)的用戶軌跡智能精準預測系統(tǒng)。

【背景技術(shù)】

智隨著移動互聯(lián)網(wǎng)技術(shù)的興起、智能終端的普及，人口紅利得以快速釋放，不過在人口紅利釋放完畢后，如何增加用戶粘性是待解決的問題；很多互聯(lián)網(wǎng)應用的用戶增長率越來越低，很多互聯(lián)網(wǎng)公司進入赤裸裸的用戶爭奪階段，如何盤活好現(xiàn)有存量用戶，降低用戶流失率，增加用戶粘性，延長用戶在生命周期，成為重中之重。與此同時，現(xiàn)有的流失用戶管理是用戶已經(jīng)流失了，才對其實施召回營銷策略，用戶流失時間越久，回流意愿就會越低，召回投入的沉默成本也會比較大。現(xiàn)有的用戶流失預測模型，模型泛化能力較弱，針對不同版本游戲，模型預測的準確率、召回率比較低且波動性比較大，導致預測瀕臨流失用戶不準確、瀕臨用戶量過小的問題，導致召回效果較差。本發(fā)明能夠依據(jù)實際用戶數(shù)據(jù)情況設(shè)置相應比例，模型固化簡單，模型預測準確度、穩(wěn)定性比較高。能夠預測未來一段時間內(nèi)潛在流失用戶，針對潛在流失用戶，可以提前部署以降低用戶流失率，增加用戶粘性，延長其在互聯(lián)網(wǎng)應用中的生命周期。能夠從多個維度去描述刻畫用戶，使得模型泛化能力比較強，不同版本模型準確率、召回率較高且波動性較小。

【發(fā)明內(nèi)容】

為了解決現(xiàn)有技術(shù)中的上述問題，本發(fā)明提出了一種基于大數(shù)據(jù)的用戶軌跡智能精準預測系統(tǒng)，所述系統(tǒng)包含：

所述數(shù)據(jù)采集模塊，用于從服務器采集用戶基礎(chǔ)屬性、行為軌跡數(shù)據(jù)；

特征標簽模塊，用于從用戶基礎(chǔ)屬性、行為軌跡數(shù)據(jù)中制定特征標簽；

樣本分配模塊，用于使用隨機抽樣方法把樣本用戶數(shù)據(jù)分為訓練集、測試集；

模型構(gòu)建模塊，用于通過邏輯回歸算法構(gòu)建用戶軌跡智能精準預測模型，預測用戶軌跡信息；

模型驗證模塊，用于使用測試集驗證用戶軌跡智能精準預測模型準確率、召喚率的穩(wěn)定性；

模型識別模塊，用于使用用戶軌跡智能精準預測模型預測未來一段時間內(nèi)潛在流失用戶。

本發(fā)明還提出了一種基于大數(shù)據(jù)的用戶軌跡智能精準預測方法，包括如下步驟：

步驟S1.數(shù)據(jù)采集模塊從服務器采集用戶基礎(chǔ)屬性、行為軌跡數(shù)據(jù)；

步驟S2.特征標簽模塊基于用戶基礎(chǔ)屬性、行為軌跡數(shù)據(jù)構(gòu)建特征標簽；

步驟S3:所述樣本分配模塊，用于使用隨機抽樣方法把樣本用戶數(shù)據(jù)分為訓練集、測試集；

步驟S4：模型構(gòu)建模塊通過使用邏輯回歸算法構(gòu)建用戶軌跡智能精準預測模型；

步驟S5：模型驗證模塊使用測試集驗證用戶軌跡智能精準預測模型準確率、召喚率的穩(wěn)定性；

步驟S6：模型識別模塊使用用戶軌跡智能精準預測模型預測未來一段時間內(nèi)的用戶軌跡信息。

進一步的，所述特征標簽中包括基礎(chǔ)屬性標簽和行為軌跡標簽；所述特征標簽還包括目標標簽；

所述特征標簽模塊還用于對已有基礎(chǔ)標簽和行為軌跡標簽進行去異常；