获取对象流失预测模型的方法、装置、存储介质及设备与流程

1.本发明涉及模型预测领域，具体而言，涉及一种获取对象流失预测模型的方法、装置、存储介质及设备。


背景技术：

2.目前，很多企业每月都有大量中小型企业客户流失，该客户群体数量庞大且大部分无专职客户经理维护，缺乏相应的营销管理和挽留措施。事实上，维护一个老客户带来的收益往往比新客户要高，且维护的成本比发掘新客户更低，因此企业在存量对公客户的挽留维护和需求挖掘上还有很大空间。
3.现有技术中，对公客户流失管理主要依据专家经验，判断客户金融资产为0时，出具流失客户清单，上述方法紧在客户流失后进行记录处理，并未提前预知客户的流失倾向，并及时采取相应的挽留措施，进而导致客户资金外流的情况发生。
4.在客户流失预测方面，现有技术主要基于adaboost预测方式，但上述方法在数据不平衡的情况下，容易导致客户分类精度下降的问题，进而影响客户流失预测效果。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种获取对象流失预测模型的方法、装置、存储介质及设备，以至少解决现有技术中的客户流失预测方式存在客户流失预测不准确的技术问题。
7.根据本发明实施例的一个方面，提供了一种获取对象流失预测模型的方法，包括：获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；使用上述多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型。
8.可选地，上述方法还包括：获取在历史时间段内的多个上述对象行为样本，以及与上述对象行为样本对应的对象流失数据；按照上述对象流失数据对上述对象行为样本进行赋值得到上述样本标签，其中，上述样本标签用于描述上述对象行为样本的流失表现方式。
9.可选地，使用上述多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型，包括：将上述对象行为样本和上述样本标签作为上述神经网络模型的输入，并采用梯度提升树算法进行监督学习训练上述神经网络模型，得到上述对象流失预测模型。
10.可选地，在使用上述多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型之后，上述方法还包括：获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；将上述对象行为数据输入至上述对象流失预测模型；接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象；若预测得到上述目标对象为上述预测流失对象，则输出告警信息。
11.可选地，获取目标对象的对象行为数据包括：从目标数据库表中查询得到待识别
对象的所有行为数据，其中，上述所有行为数据包括：第一行为数据和第二行为数据，上述第二行为数据为待转换数据格式的数据；对上述第二行为数据进行数据转换处理，得到转换后的第三行为数据，其中，上述数据转换处理的方式包括如下至少之一：非数值数据转换为数值数据、日期数据转换为数值数据、非结构化数据转为结构化数据；将上述第一行为数据和第三行为数据进行合并处理，得到上述对象行为数据。
12.根据本发明实施例的另一方面，还提供了一种对象流失预测方法，包括：获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；将上述对象行为数据输入至对象流失预测模型，其中，上述对象流失预测模型为使用多组标签数据通过机器学习训练神经网络模型得到的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：样本结算量、样本结算账户状态；接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象。
13.根据本发明实施例的另一方面，还提供了一种获取对象流失预测模型的装置，包括：第一获取模块，用于获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；训练模块，用于使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型。
14.根据本发明实施例的另一方面，还提供了一种对象流失预测装置，包括：第二获取模块，用于获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；输入模块，用于将上述对象行为数据输入至对象流失预测模型，其中，上述对象流失预测模型为使用多组标签数据通过机器学习训练神经网络模型得到的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：样本结算量、样本结算账户状态；接收模块，用于接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象。
15.根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的获取对象流失预测模型的方法，或者上述的对象流失预测方法。
16.根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的获取对象流失预测模型的方法，或者上述的对象流失预测方法。
17.在本发明实施例中，通过获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型，达到了基于神经网络模型获取对象流失预测模型的目的，从而实现了提高客户流失预测准确性的技术效果，进而解决了现有技术中的客户流失预测方式存在客户流失预测不准确的技术问题。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
19.图1是根据本发明实施例的一种获取对象流失预测模型的方法的流程图；
20.图2是根据本发明实施例的一种可选的模型训练评分结果的对比示意图；
21.图3是根据本发明实施例的一种可选的神经网络模型训练示意图；
22.图4是根据本发明实施例的一种可选的获取对象流失预测模型的方法的流程图；
23.图5是根据本发明实施例的另一种可选的获取对象流失预测模型的方法的示意图；
24.图6是根据本发明实施例的另一种可选的获取对象流失预测模型的方法的示意图；
25.图7是根据本发明实施例的一种获取对象流失预测模型的方法的流程图；
26.图8是根据本发明实施例的一种获取对象流失预测模型的装置的结构示意图；
27.图9是根据本发明实施例的一种对象流失预测装置的结构示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：
31.one
‑
hot编码：又称为一位有效编码，将分类变量作为二进制向量的表示。首先要将分类至映射到整数，然后每个整数值被表示为二进制向量。
32.实施例1
33.根据本发明实施例，提供了一种获取对象流失预测模型的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
34.图1是根据本发明实施例的一种获取对象流失预测模型的方法的流程图，如图1所示，该方法包括如下步骤：
35.步骤s102，获取多组标签数据；
36.步骤s104，使用上述多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型。
37.可选的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；上述对象可以但不限于为金融机构或者银联系统等的客户或者用户。
38.在本发明实施例中，通过获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型，达到了基于神经网络模型获取对象流失预测模型的目的，从而实现了提高客户流失预测准确性的技术效果，进而解决了现有技术中的客户流失预测方式存在客户流失预测不准确的技术问题。
39.在一种可选的实施例中，上述方法还包括：
40.步骤s202，获取在历史时间段内的多个上述对象行为样本，以及与上述对象行为样本对应的对象流失数据；
41.步骤s204，按照上述对象流失数据对上述对象行为样本进行赋值得到上述样本标签。
42.可选的，上述样本标签用于描述上述对象行为样本的流失表现方式，基于上述流失表现方式将上述样本标签定义为：客户(即对象)转为非活跃或准长期不动户,最近交易日期大于6个月；客户的主要账户销户，其中，上述账户销户对象可以但不限于包括基本户、结算户、一般户、临时户；客户在银行上个月有存款、贷款，次月降为0。
43.在一种可选的实施例中，使用上述多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型，包括：
44.步骤s302，将上述对象行为样本和上述样本标签作为上述神经网络模型的输入，并采用梯度提升树算法进行监督学习训练上述神经网络模型，得到上述对象流失预测模型。
45.可选的，图2示出了在1％，10％和100％的数据量下使用不同算法进行模型训练的评分结果，如图2所示，综合来看，基于梯度提升树(gbdt)算法训练得到的神经网络模型的效果要优于基于adaboost算法或lr算法训练得到的神经网络模型。
46.可选的，将上述训练好的神经网络模型的输出结果作为新的特征加入数据集中，其中，上述数据集中包含上述对象行为样本和上述样本标签，再将新的数据集送入线性回归模型进行最终的模型训练，以此提高神经网络模型的性能，具体过程如图3所示。
47.作为一种可选的实施例，图4是根据本发明实施例的一种可选的获取对象流失预测模型的方法的流程图，如图4所示，在使用上述多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型之后，上述方法还包括：
48.步骤s402，获取目标对象的对象行为数据；
49.步骤s404，将上述对象行为数据输入至上述对象流失预测模型；
50.步骤s406，接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象；
51.步骤s408，若预测得到上述目标对象为上述预测流失对象，则输出告警信息。
52.可选的，上述对象行为数据可以但不限于包括：结算量、结算账户状态。
53.作为一种可选的实施例，图5是根据本发明实施例的另一种可选的获取对象流失预测模型的方法的流程图，如图5所示，获取目标对象的对象行为数据包括：
54.步骤s502，从目标数据库表中查询得到待识别对象的所有行为数据，其中，上述所有行为数据包括：第一行为数据和第二行为数据，上述第二行为数据为待转换数据格式的数据；
55.步骤s504，对上述第二行为数据进行数据转换处理，得到转换后的第三行为数据；
56.步骤s506，将上述第一行为数据和第三行为数据进行合并处理，得到上述对象行为数据。
57.可选的，上述行为数据可以但不限于包括：对公客户基本信息、账户信息、金融资产、融资信息、结算信息、产品持有情况、贡献信息、中间业务收入、客户标签、客户行为等信息。并且上述每个行为数据至少包括一项数据信息，例如，上述对公客户基本信息可以但不限于包括：客户类型、行业、企业规模、经济性质、员工人数、注册资本、创建日期等，涉及对公客户表。
58.可选的，上述数据转换处理的方式包括如下至少之一：非数值数据转换为数值数据、日期数据转换为数值数据、非结构化数据转为结构化数据。
59.可选的，对上述公客户基本信息进行数据转换处理，例如，将客户类型、行业、企业规模、经济性质、员工人数、注册资本、创建日期等对于客户企业规模等标签类数据进行one
‑
hot编码，表1示出了一种可选的将客户企业规模进行one
‑
hot编码的实施例，通过one
‑
hot编码对客户企业规模信息进行转换，用5列0、1编码的标志字段来区分客户企业规模，5列中有且仅有1列为1，以达到便于机器学习识别客户企业的规模字段的目的。
60.表1
61.客户其他小型微型中型大型a00001b00010
62.作为一种可选的实施例，表2示出了一种创建时间转换的数据转换方式，如表2所示，将不同客户的创建时间转换成已创建天数的表现形式。
63.表2
64.客户创建时间已创建天数(与2021
‑
05
‑
01比较数值)a2021
‑
03
‑
0161b2021
‑
04
‑
0130
65.作为一种可选的实施例，表3示出了一种员工人数转换的数据转换方式，如表3所示，对不同规模的员工人数进行范围划分，并对上述范围进行赋值处理，以小数字代替大规模数字。
66.表3
67.客户员工人数字典a1001(100人以下)
b5002(100
‑
500)c12003(500
‑
3000)d50004(3000
‑
10000)c100005(10000以上)
68.需要说明的是，当前时间客户的资产情况、交易记录变化和衍生出的其他动态信息也反映了当前客户的客户状况。表4示出了对金融资产进行数据转换处理的方法，即计算当月金融资产相较于上月变动的百分比。
69.表4
[0070][0071]
可选的，对上述金融资产信息进行数据转换处理，例如，对公客户资产信息包含当前客户持有的金融产品信息，如金融产品总额、各类别存款、法人理财、基金、国债、贵金属、第三方存管等产品余额以及近三个月差值。
[0072]
可选的，对上述融资信息进行数据转换处理，例如，上述融资信息包含客户下当前各类融资余额、授信额度，由此组合多月份融资余额和授信额度比例变化，体现融资信息变化连续性特征等。
[0073]
可选的，对上述结算信息进行数据转换处理，例如，上述结算信息统计了客户结算信息，账户数、产品持有标识、交易笔数和金额。如资金流入/出笔数、资金流入/流出总金额、收付款笔数和金额等。
[0074]
可选的，对上述近期交易往来进行数据转换处理，例如，虑到近期客户交易行为特征，包含最近三个月借贷方使用渠道数、月均借贷方交易金额和笔数、各细分渠道交易金额和笔数、借方交易金额最大最小值差、借贷方交易笔数最大最小值等。
[0075]
作为一种可选的实施例，图6是根据本发明实施例的另一种可选的获取对象流失预测模型的方法的示意图，如图6所示，上述方法包括：确定业务场景，其中，上述确定业务场景可以但不限于包括确定业务目标、业务可行性研究、制定建模思路及计划；选取模型构建的影响要素；基于上述影响要素获取原始数据，其中，上述获取原始数据可以但不限于包括：收集原始数据、对上述原始数据进行探索；验证上述原始数据的质量；对上述原始数据进行格式转换处理，得到处理后的数据，其中，上述格式转换处理可以但不限于包括选择数据、清洗数据、加工数据；基于上述处理后的数据选择并训练预测模型，包括：选择建模技术、构建模型、验证模型；对上述预测模型进行评估，包括：业务结果评估、建模过程评估、以及基于评估结果作出决策；在模型评估结果达到要求的情况下模型即可上线，在此过程中需要基于模型评估结果制定部署计划，与预测模型进行监控和维护，并进行模型资产的总结。
[0076]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0077]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0078]
实施例2
[0079]
根据本发明实施例，还提供了一种对象流失预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0080]
图7是根据本发明实施例的一种获取对象流失预测模型的方法的流程图，如图7所示，该方法包括如下步骤：
[0081]
步骤s602，获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；
[0082]
步骤s604，将上述对象行为数据输入至对象流失预测模型；
[0083]
步骤s606，接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象。
[0084]
可选的，上述对象流失预测模型为使用多组标签数据通过机器学习训练神经网络模型得到的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：样本结算量、样本结算账户状态。
[0085]
需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0086]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0087]
实施例3
[0088]
根据本发明实施例，还提供了一种用于实施上述获取对象流失预测模型的方法的装置实施例，图8是根据本发明实施例的一种获取对象流失预测模型的装置的结构示意图，如图8所示，上述获取对象流失预测模型的装置，包括：第一获取模块700、训练模块702，其中：
[0089]
上述第一获取模块700，用于获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；上述训练模块702，用于使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型。
[0090]
在本发明实施例中，通过第一获取模块700，用于获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；训练模块702，用于使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型，达到了基于神经网络模型获取对象流失预测模型的目的，从而实现了提高客户流失预测准确性的技术效果，进而解决了现有技术中的客户流失预测方式存在客户流失预测不准确的技术问题。
[0091]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
[0092]
此处需要说明的是，上述第一获取模块700、训练模块702对应于实施例1中的步骤s102至步骤s104，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
[0093]
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
[0094]
上述的获取对象流失预测模型的装置还可以包括处理器和存储器，上述第一获取模块700、训练模块702等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0095]
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0096]
根据本技术实施例，还提供了一种非易失性存储介质的实施例。可选地，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种获取对象流失预测模型的方法。
[0097]
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。
[0098]
可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失
数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型。
[0099]
根据本技术实施例，还提供了一种处理器的实施例。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种获取对象流失预测模型的方法。
[0100]
根据本技术实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的获取对象流失预测模型的方法步骤的程序。
[0101]
可选地，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取多组标签数据，其中，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：结算量和结算账户状态；使用多组标签数据通过机器学习训练神经网络模型，得到对象流失预测模型。
[0102]
根据本技术实施例，还提供了一种电子设备的实施例，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行上述任意一种的获取对象流失预测模型的方法。
[0103]
实施例4
[0104]
根据本发明实施例，还提供了一种用于实施上述对象流失预测方法的装置实施例，图9是根据本发明实施例的一种对象流失预测装置的结构示意图，如图9所示，上述对象流失预测装置，包括：第二获取模块800、输入模块802、接收模块804，其中：
[0105]
上述第二获取模块800，用于获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；上述输入模块802，用于将上述对象行为数据输入至对象流失预测模型，其中，上述对象流失预测模型为使用多组标签数据通过机器学习训练神经网络模型得到的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：样本结算量、样本结算账户状态；上述接收模块804，用于接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象。
[0106]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
[0107]
此处需要说明的是，上述第二获取模块800、输入模块802、接收模块804对应于实施例1中的步骤s602至步骤s606，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
[0108]
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
[0109]
上述的获取对象流失预测模型的装置还可以包括处理器和存储器，上述第二获取模块800、输入模块802、接收模块804等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0110]
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0111]
根据本技术实施例，还提供了一种非易失性存储介质的实施例。可选地，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种对象流失预测方法。
[0112]
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。
[0113]
可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；将上述对象行为数据输入至对象流失预测模型，其中，上述对象流失预测模型为使用多组标签数据通过机器学习训练神经网络模型得到的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：样本结算量、样本结算账户状态；接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象。
[0114]
根据本技术实施例，还提供了一种处理器的实施例。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种对象流失预测方法。
[0115]
根据本技术实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种对象流失预测方法步骤的程序。
[0116]
可选地，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标对象的对象行为数据，其中，上述对象行为数据包括：结算量、结算账户状态；将上述对象行为数据输入至对象流失预测模型，其中，上述对象流失预测模型为使用多组标签数据通过机器学习训练神经网络模型得到的，上述多组标签数据中的每组数据包括：对象行为样本，以及按照对象流失数据对上述对象行为样本进行赋值得到的样本标签，其中，上述对象行为样本包括：样本结算量、样本结算账户状态；接收上述对象流失预测模型输出的预测结果，其中，上述预测结果用于描述上述目标对象是否为预测流失对象。
[0117]
根据本技术实施例，还提供了一种电子设备的实施例，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行上述任意一种对象流失预测方法。
[0118]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0119]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0120]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互
之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0121]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0122]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0123]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的非易失性存储介质包括：u盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。