一种用户流失预测方法、装置、设备及介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种用户流失预测方法、装置、设备以及计算机可读存储介质。


背景技术：

2.随着信息技术的不断发展，用户是各种应用中的重要资源。随着用户对于投资理财关注度的不断提高，很多用户将原本存入银行的资金转而去购买理财产品，从而造成了银行的用户流失。
3.对于银行来说，预测用户的流失十分重要。通过提前预测出潜在的流失客户，可以针对潜在的流失客户定制营销策略，或者，也可以根据用户的流失趋势进行业务调整，避免用户流失造成损失。
4.因此，亟需一种用户流失预测方法。


技术实现要素：

5.本技术提供了一种用户流失预测方法。该方法可以实现用户流失的准确预测。本技术还提供了上述方法对应的装置、设备以及介质。
6.第一方面，本技术提供了一种用户流失预测方法，该方法包括：
7.获取包括时间信息的用户数据；
8.将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户数据进行预测，获得用户流失预测结果。
9.在一些可能的实现方式中，所述用户流失预测模型通过以下方式训练获得：
10.获取包括时间信息的用户训练数据和用户流失历史数据；
11.通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户训练数据进行预测，获得用户流失训练预测结果；
12.根据所述用户流失训练预测结果与用户流失历史数据更新所述用户流失预测模型的参数。
13.在一些可能的实现方式中，所述包括时间信息的用户数据包括：预设时间内用户的全部交易行为以及对应时间。
14.在一些可能的实现方式中，所述用户数据还包括：用户的基本信息数据。
15.在一些可能的实现方式中，所述将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户数据进行预测，获得用户流失预测结果，包括：
16.将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元获得第一输出，将所述第一输出经过注意力机制模块获得注意力概率分布，将所述注意力概率分布进行处理获得第二输出，将所述第二输出输入全连接层获得第三输出，将所述第三输出通过激活函数对所述用户数据进行预测，获得用户流失预测结果。
17.在一些可能的实现方式中，所述注意力机制模块位于所述用户流失预测模型的隐藏层。
18.在一些可能的实现方式中，所述方法还包括：
19.根据所述用户流失预测结果定制针对性服务。
20.第二方面，本技术提供了一种用户流失预测装置，该装置包括：
21.通信模块，用于获取包括时间信息的用户数据；
22.预测模块，用于将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户数据进行预测，获得用户流失预测结果。
23.在一些可能的实现方式中，所述用户流失预测模型通过用户流失预测模型训练装置获得，该用户流失预测模型训练装置用于：
24.获取包括时间信息的用户训练数据和用户流失历史数据；
25.通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户训练数据进行预测，获得用户流失训练预测结果；
26.根据所述用户流失训练预测结果与用户流失历史数据更新所述用户流失预测模型的参数。
27.在一些可能的实现方式中，所述包括时间信息的用户数据包括：预设时间内用户的全部交易行为以及对应时间。
28.在一些可能的实现方式中，所述用户数据还包括：用户的基本信息数据。
29.在一些可能的实现方式中，预测模块具体用于：
30.将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元获得第一输出，将所述第一输出经过注意力机制模块获得注意力概率分布，将所述注意力概率分布进行处理获得第二输出，将所述第二输出输入全连接层获得第三输出，将所述第三输出通过激活函数对所述用户数据进行预测，获得用户流失预测结果。
31.在一些可能的实现方式中，所述注意力机制模块位于所述用户流失预测模型的隐藏层。
32.在一些可能的实现方式中，该装置还包括：
33.定制模块，用于根据所述用户流失预测结果定制针对性服务。
34.第三方面，本技术提供一种设备，设备包括处理器和存储器。处理器、存储器进行相互的通信。处理器用于执行存储器中存储的指令，以使得设备执行如第一方面或第一方面的任一种实现方式中的用户流失预测方法。
35.第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，指令指示设备执行上述第一方面或第一方面的任一种实现方式所述的用户流失预测方法。
36.第五方面，本技术提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述第一方面或第一方面的任一种实现方式所述的用户流失预测方法。
37.本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
38.从以上技术方案可以看出，本技术实施例具有以下优点：
39.本技术提供了一种用户流失预测方法，该方法通过获取包括时间信息的用户数据，然后将该用户数据输入至用户流失预测模型，通过用户流失预测模型的门控循环单元和注意力机制模块对用户数据进行预测，获得用户流失预测结果。如此，可以通过包括时间信息的用户数据对用户流失进行预测，由于用户数据包括时间信息，因此可以基于时间特征进行预测，提高模型的准确性。并且，该用户流失预测模型引入注意力机制，可以突出关键特征的重要程度，从而进一步提高用户流失预测的准确性。
附图说明
40.为了更清楚地说明本技术实施例的技术方法，下面将对实施例中所需使用的附图作以简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1为本技术实施例提供的一种用户流失预测方法的流程示意图；
42.图2为本技术实施例提供的一种用户流失预测模型示意图；
43.图3为本技术实施例提供的一种用户流失预测模型中数据流向的示意图；
44.图4为本技术实施例提供的一种用户流失预测模型的训练方法的流程示意图；
45.图5为本技术实施例提供的一种用户流失预测装置的结构示意图。
具体实施方式
46.下面将结合本技术中的附图，对本技术提供的实施例中的方案进行描述。
47.本技术实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
48.首先对本技术实施例中所涉及到的一些技术术语进行介绍。
49.用户资源是各项业务中的重要资源。随着用户对于投资理财的关注度越来越高，以及互联网让用户购买理财产品的过程变得更容易。很多用户将存入银行的闲置钱去购买理财产品，对于银行来说造成了客户流失。
50.因此，对于银行来说，提前预测出潜在的流失客户，进而防止因客户流失而引发的经营危机，是商业银行在面临激烈竞争中的一项重要举措。
51.通常情况下，大多数传统方法采取追溯法来解决客户流失问题，即通过比较开展营销活动前后客户的状态来确定用户流失情况，从而制定相应的营销策略，过程繁琐、耗时长、效率低且成本高。并且，这种方式较为滞后。
52.有鉴于此，本技术提供了一种用户流失预测方法，该方法可以由电子设备执行。电子设备是指具有数据处理能力的设备，例如可以是服务器，或者是终端。其中，终端包括但不限于身份标识系统、智能手机、平板电脑、笔记本电脑、个人数字助理(personal digital assistant，pda)等。服务器可以是云服务器，例如是中心云计算集群中的中心服务器，或者是边缘云计算集群中的边缘服务器。当然，服务器也可以是本地数据中心中的服务器。本地数据中心是指用户直接控制的数据中心。
53.具体地，电子设备获取包括时间信息的用户数据，然后将该用户数据输入至用户流失预测模型，通过用户流失预测模型的门控循环单元和注意力机制模块对用户数据进行
预测，获得用户流失预测结果。如此，可以通过包括时间信息的用户数据对用户流失进行预测，由于用户数据包括时间信息，因此可以基于时间特征进行预测，提高模型的准确性。并且，该用户流失预测模型引入注意力机制，可以突出关键特征的重要程度，从而进一步提高用户流失预测的准确性。
54.为了便于理解，下面结合附图对本技术实施例提供的用户流失预测方法进行具体介绍。
55.参见图1所示的用户流失预测方法的流程图，该方法包括：
56.s102：电子设备获取包括时间信息的用户数据。
57.其中，包括时间信息的用户数据包括预设时间内用户的全部交易行为以及对应时间。用户数据还包括用户的基本信息数据。
58.具体地，包括时间信息的用户数据包括：用户的基本信息数据和预设时间内用户的全部交易行为以及对应时间。用户的基本信息数据包括用户年龄、用户职业等。用户的全部交易行为包括资产数据变更、理财数据变更、借贷数据变更、交易数据变更等数据。预设时间内用户的全部交易行为以及对应时间包括：用户资产数据变更以及对应时间，用户购买理财对应时间，用户借款对应时间，以及用户交易对应时间等。其中，预设时间可以为一年，也可以为两年，也可以为用户开户起至现在。
59.需要说明的是，该本方案中对于用户数据的获取均是在获取用户明确同意之后进行的。
60.s104：电子设备将用户数据输入用户流失预测模型，通过该用户流失预测模型的门控循环单元和注意力机制模块对用户数据进行预测，获得用户流失预测结果。
61.其中，该用户流失预测模型的框架可以如图2所示，用户数据包括基本属性、资产数据、理财数据、借贷数据以及交易数据。图中t1、t2、...、tn为用户数据经过预处理之后的用户数据。将预处理后的用户数据输入至门控循环单元(gate recurrent unit，gru)网络中，经过计算之后获得对应的输出h1、h2、...、hn，记为第一输出。
62.门控循环单元网络是长期短期记忆(long short-term memory，lstm)网络的一种具有较好效果的变体，相比于lstm网络少了一个门结构，结构更简单，可以用于解决循环神经网络(recurrent neural network,rnn)中长依赖的问题。lstm中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值。而在gru模型中只有两个门：更新门和重置门。
63.在本实施例中，可以在用户流失预测模型中增加注意力机制模块，如图3所示，以突出用户流失的关键信息。具体地，可以在隐藏层引入注意力机制，即attention模块。将第一输出(hi)经过注意力机制模块获得注意力概率分布。具体地，在i时刻，如公式(1)所示，计算i时刻前输入的注意力概率分布值ei。
64.ei＝wi*tanh(wi*hi bi) (1)
65.其中，wi和wi表示第i时刻的权重系数矩阵，bi表示第i时刻相应的偏移量。
66.进一步地，attention模块的输出yi(第二输出)可以通过公式(2)计算获得：
67.yi＝∑ai*hi
ꢀꢀ
(2)
68.其中，ai表示系数，可以通过公式(3)计算获得：
69.ai＝exp(ei)/∑exp(ei)
ꢀꢀ
(3)
70.将attention模块的第二输出yi通过全连接层fc后得到第三输出，然后利用激活函数对第三输出进行计算，获得用户流失预测结果。
71.在一些可能的实现方式中，该方法还包括：
72.s106：电子设备根据用户流失预测结果定制针对性服务。
73.由于可以通过以上步骤获得用户流失预测结果，可以定制针对性服务以减少用户流失。其中用户流失预测结果中可以包括即将流失的用户群体，也可以包括某一用户即将流失的概率，或者该用户即将流失的时间。
74.其中，用户流失预测模型可以通过如图4所示的方式训练获得。参见图4所示的用户流失预测模型训练方法的流程图，该训练方法包括：
75.s402：电子设备获取包括时间信息的用户训练数据和用户流失历史数据。
76.其中，包括时间信息的用户训练数据和用户流失历史数据为该模型的训练数据。包括时间信息的用户训练数据可以为包括用户的基本信息数据以及预设时间内用户的全部交易行为以及对应时间的数据。用户流失历史数据可以为用户是否流失的数据。
77.在一些可能的实现方式中，可以通过用户账户内容确定用户是否流失。例如用户账户余额清空，或者用户在一年之内账户变动为0等。
78.可以将训练数据按照7:2:1的比例进行划分，7/10可以为训练集，2/10可以为验证集，1/10可以为测试集。使用训练集训练用户流失预测模型，在每轮训练结束后使用验证集验证该用户流失预测模型。当准确率到达预设阈值时，停止训练，获得训练完成的用户流失预测模型。
79.s404：电子设备通过用户流失预测模型的门控循环单元和注意力机制模块对用户训练数据进行预测，获得用户流失训练预测结果。
80.具体地，如图3所示，将所述用户训练数据输入用户流失预测模型，通过用户流失预测模型的门控循环单元获得第一训练输出hi，将第一训练输出经过注意力机制模块获得训练注意力概率分布ei，将训练注意力概率分布经过处理获得第二训练输出yi，将第二训练输出yi输入全连接层获得第三训练输出，将所述第三训练输出通过激活函数对所述用户数据进行预测，获得用户流失训练预测结果。
81.s406：电子设备根据用户流失训练预测结果与用户流失历史数据更新用户流失预测模型的参数。
82.训练数据中包括用户训练数据和用户流失历史数据，可以将用户训练数据作为该用户流失预测模型的输入，通过该用户流失预测模型的输出与用户流失历史数据，更新该预测模型的参数。具体地，根据该用户流失预测模型的输出与用户流失历史数据的损失函数，更新该用户流失预测模型的参数。
83.基于以上内容的描述，本技术提供了一种用户流失预测方法，该方法通过电子设备获取包括时间信息的用户数据，然后将该用户数据输入至用户流失预测模型，通过用户流失预测模型的门控循环单元和注意力机制模块对用户数据进行预测，获得用户流失预测结果。如此，可以通过包括时间信息的用户数据对用户流失进行预测，由于用户数据包括时间信息，因此可以基于时间特征进行预测，提高模型的准确性。并且，该用户流失预测模型引入注意力机制，可以突出关键特征的重要程度，从而进一步提高用户流失预测的准确性。
84.与上述方法实施例相对应的，本技术还提供了一种用户流失预测装置，参见图5所
示，该装置500包括：通信模块502和预测模块504。
85.通信模块，用于获取包括时间信息的用户数据；
86.预测模块，用于将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户数据进行预测，获得用户流失预测结果。
87.在一些可能的实现方式中，所述用户流失预测模型通过用户流失预测模型训练装置获得，该用户流失预测模型训练装置用于：
88.获取包括时间信息的用户训练数据和用户流失历史数据；
89.通过所述用户流失预测模型的门控循环单元和注意力机制模块对所述用户训练数据进行预测，获得用户流失训练预测结果；
90.根据所述用户流失训练预测结果与用户流失历史数据更新所述用户流失预测模型的参数。
91.在一些可能的实现方式中，所述包括时间信息的用户数据包括：预设时间内用户的全部交易行为以及对应时间。
92.在一些可能的实现方式中，所述用户数据还包括：用户的基本信息数据。
93.在一些可能的实现方式中，预测模块具体用于：
94.将所述用户数据输入用户流失预测模型，通过所述用户流失预测模型的门控循环单元获得第一输出，将所述第一输出经过注意力机制模块获得注意力概率分布，将所述注意力概率分布进行处理获得第二输出，将所述第二输出输入全连接层获得第三输出，将所述第三输出通过激活函数对所述用户数据进行预测，获得用户流失预测结果。
95.在一些可能的实现方式中，所述注意力机制模块位于所述用户流失预测模型的隐藏层。
96.在一些可能的实现方式中，该装置还包括：
97.定制模块，用于根据所述用户流失预测结果定制针对性服务。
98.本技术提供一种设备，用于实现操作指令的验证方法。所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令，以使得设备执行用户流失预测方法。
99.本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在设备上运行时，使得设备执行上述用户流失预测方法。
100.本技术提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述用户流失预测方法。
101.另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
102.通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专
用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术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可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本技术各个实施例所述的方法。
103.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
104.所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。