[發明專利]改進的遷移學習框架下的首購用戶精細化流失預判方法

在審

• 申請號: 202110712425.5
• 申請日: 2021-06-25
• 公開（公告）號: CN113421122A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 錢虹;江元元;楊辰韻
• 申請（專利權）人: 創絡（上海）數據科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62;G06N20/20
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 肖愛華

本發明公開了一種改進的遷移學習框架下的首購用戶精細化流失預判方法。該方法采用分類模型通過改進的TrAdaboost算法框架的樣本權重調整策略，有效強化有價值的樣本、弱化無效樣本，得到更精準的流失預判模型；該方法對流失預判的準確率更高。該方法結合模型訓練中獲得的記錄權重，采用結合權重的可理解的決策樹進行模型訓練，再次將流失用戶梳理成群，更進一步提取出優質客戶中具備帶動力的種子用戶，通過流失用戶矩陣劃分出大致的營銷策略；再結合規則內容進一步確定營銷手段和線索優化路徑；結合人工在可執行、可達、成本可接受等視角篩選之后，提取需要定期反復運行的策略及規則，固化在系統中，實現自動化營銷。

技術領域

本發明屬于遷移學習技術領域，涉及一種將遷移學習應用于首次訂購用戶精細化流失預判的方法，特別涉及一種改進的遷移學習框架下的首購用戶精細化流失預判方法，亦即，一種基于改進的TrAdaboost遷移學習的首購用戶精細化流失預判方法。

背景技術

在競爭日益激烈的情形下，留住一個老客戶遠比吸引一個新用戶更有價值。有效地預測、挽留流失用戶，對企業的生存與發展具有極其重要的意義。例如，在某國際機票搜索平臺提供的訂單數據中，僅發生過1次訂購的用戶占61.64％，但其流失率(80.43％)遠高于發生多次訂購的用戶的流失(52.98％)。因此，在已解決了多次訂購用戶流失預判的情況下，有效地對首購用戶進行流失預判也變得尤為重要。

現有的首購用戶流失預判方法，存在以下缺陷：在僅有訂單數據的情況下，首購用戶存在著同一用戶行為記錄過少的短板；面對這種情況，一般采取人工界定和建模兩種方式在首購用戶群中聚焦可能流失的用戶群，缺點如下：

1)、人工界定的規則過于簡單化，也更依賴于行業經驗；

2)、將首購用戶中僅有的數據進行建?！魇ьA判準確率的提升會陷入瓶頸。

比如，申請號為20190903150442的專利申請，是采用Lookalike相似度對樣本進行了粗略的切割，其更多的是偏向人的主觀性而設置，認為和源域內容相似的輔助樣本是適合遷移的樣本，而做的相對主觀的切割。該方法對首購用戶流失預判的準確率提升的貢獻不是很高。

發明內容

本發明的目的在于，克服現有技術的不足，提供一種改進的遷移學習框架下的首購用戶精細化流失預判方法，亦即，一種基于改進的TrAdaboost遷移學習的首購用戶精細化流失預判方法。

本發明的目的是通過以下技術方案實現的：

本發明一種改進的遷移學習框架下的首購用戶精細化流失預判方法，亦即，一種基于改進的TrAdaboost遷移學習的首購用戶精細化流失預判方法，該方法如下：采用分類模型(如C5決策樹)，通過基于樣本的遷移學習改進的TrAdaboost算法框架的樣本權重調整策略，有效地強化有價值的樣本、弱化無效樣本，得到更為精準的流失預判模型；針對新的首購用戶，使用已經訓練好的流失預判模型預測用戶是否會流失；結合模型訓練中獲得的記錄權重，采用結合權重的可理解的決策樹(如Chaid決策樹)進行模型訓練，再次將流失用戶梳理成群，更進一步提取出優質客戶中具備帶動力的種子用戶，通過流失用戶矩陣劃分出大致的營銷策略；結合規則內容進一步確定營銷手段和線索優化路徑；結合人工在可執行、可達、成本可接受等視角篩選之后，提取需要定期反復運行的策略及規則，將它們固化在系統中，實現這部分內容的自動化營銷。

本發明的基于改進的TrAdaboost遷移學習的首購用戶精細化流失預判方法，具體包括如下步驟：

步驟一、采用基于改進的TrAdaboost遷移學習的模型訓練方法進行建模，得到流失預判模型；

(1)數據獲取

獲取訂購記錄，將預設時間段內發生過訂購行為的用戶作為觀測對象，觀測對象中需要濾除最近一個生命周期內剛進來的新用戶，然后將觀測對象所有歷史訂單行為作為初始訓練數據，