客户端用户流失预测方法、装置、设备及存储介质与流程

1.本说明书涉及大数据处理技术领域，尤其是涉及一种客户端用户流失预测方法、装置、设备及存储介质。


背景技术：

2.伴随着金融科技的快速发展，手机银行等金融客户端已逐步代替业务网点，成为金融交易的关键渠道。因此预测金融客户端的用户是否为潜在的易流失用户，对于金融机构而言具有重要意义。
3.目前的金融客户端用户流失预测方法一般采用决策树、梯度提升树(gbdt)等机器决策模型进行预测，然而，这些机器决策模型容易过拟合、不易泛化、丢失特征等问题，从而导致其预测准确率不高。


技术实现要素：

4.本说明书实施例的目的在于提供一种客户端用户流失预测方法、装置、设备及存储介质，以提高客户端用户流失预测的预测准确率。
5.为达到上述目的，一方面，本说明书实施例提供了一种客户端用户流失预测方法，包括：
6.获取目标用户的用户属性特征及所述目标用户在多个指定历史时段的用户行为特征；
7.将所述用户行为特征及所述多个指定历史时段的自适应权重，输入预训练的用户流失预测模型的第一特征池化网络，生成自适应用户行为特征；
8.将所述用户属性特征及所述自适应用户行为特征，输入所述用户流失预测模型的第一特征拼接网络，获得拼接特征；
9.将所述拼接特征输入所述用户流失预测模型的第一全连接残差网络，获得升维特征；
10.将所述升维特征输入所述用户流失预测模型的第一逻辑回归输出网络，获得所述目标用户的流失概率；
11.根据所述流失概率识别所述目标用户是否为流失用户。
12.本说明书实施例的客户端用户流失预测方法中，所述用户流失预测模型预先通过以下方式训练得到：
13.基于多个用户的用户属性特征及所述多个用户在多个指定历史时段的用户行为特征形成样本集；
14.以所述样本集为输入训练目标网络模型，得到所述用户流失预测模型；其中，所述目标网络模型包括：
15.自适应权重网络，其根据所述样本集中的用户行为特征生成多个指定历史时段的权重系数；
16.第二特征池化网络，其将所述样本集中的用户行为特征及所述自适应权重网络输出的权重系数进行特征池化，得到自适应用户行为特征；
17.第二特征拼接网络，其将所述样本集中的用户属性特征及所述第二特征池化网络输出的自适应用户行为特征，进行特征拼接；
18.第二全连接残差网络，其对所述第二特征拼接网络输出的拼接特征进行特征升维；
19.第二逻辑回归输出网络，其根据所述第二全连接残差网络输出的升维特征输出用户的流失概率；当所述第二逻辑回归输出网络的输出满足预设条件时，将所述目标网络模型中除所述自适应权重网络之外的部分作为用户流失预测模型。
20.本说明书实施例的客户端用户流失预测方法中，当所述第二逻辑回归输出网络的输出满足预设条件时，将所述自适应权重网络输出的多个指定历史时段的权重系数，作为所述多个指定历史时段最终的自适应权重。
21.本说明书实施例的客户端用户流失预测方法中，所述自适应权重网络包括：
22.全连接层，其根据多个指定历史时段的用户行为特征输出权重向量；
23.softmax输出层，其将所述全连接层输出的权重向量进行归一化处理，输出归一化的权重向量。
24.本说明书实施例的客户端用户流失预测方法中，所述根据多个指定历史时段的用户行为特征输出权重向量，包括：
25.根据公式αi'＝h
t
·
relu(w
·fi
b')输出权重向量；
26.其中，αi'表示第i个指定历史时段的权重，h
t
表示全连接层到softmax层的权重向量转置，relu表示作为激活函数的relu函数，w表示全连接层的权重矩阵，fi表示第i个指定历史时段的用户行为特征，b'表示全连接层的偏值。
27.本说明书实施例的客户端用户流失预测方法中，将所述全连接层输出的权重向量进行归一化处理，获得归一化的权重向量，包括：
28.根据公式输出归一化的权重向量；
29.其中，αi表示第i个指定历史时段的归一化权重，exp(αi')表示以自然常数为底，且以αi'为指数的指数函数。
30.本说明书实施例的客户端用户流失预测方法中，所述第一逻辑回归输出网络表示为
31.其中，f(x)表示用户x的流失概率，w表示逻辑回归层的权重向量，b表示偏置系数。
32.本说明书实施例的客户端用户流失预测方法中，所述多个指定历史时段包括：最近一周、最近一个月以及最近三个月。
33.另一方面，本说明书实施例还提供了一种客户端用户流失预测装置，包括：
34.获取模块，用于获取目标用户的用户属性特征及所述目标用户在多个指定历史时段的用户行为特征；
35.生成模块，用于将所述用户行为特征及所述多个指定历史时段的自适应权重，输入预训练的用户流失预测模型的第一特征池化网络，生成自适应用户行为特征；
36.拼接模块，用于将所述用户属性特征及所述自适应用户行为特征，输入所述用户流失预测模型的第一特征拼接网络，获得拼接特征；
37.升维模块，用于将所述拼接特征输入所述用户流失预测模型的第一全连接残差网络，获得升维特征；
38.预测模块，用于将所述升维特征输入所述用户流失预测模型的第一逻辑回归输出网络，获得所述目标用户的流失概率；
39.确定模块，用于根据所述流失概率识别所述目标用户是否为流失用户。
40.另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
41.另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
42.另一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
43.由以上本说明书实施例提供的技术方案可见，本说明书实施例由于充分考虑了用户属性特征、用户在不同时间段的行为特征、以及不同时间段行为特征的影响权重，并进行了特征融合，从而可以充分挖掘出表征用户流失情况的关键性特征，最终提高了用户流失预测的准确率，并且由于本说明书实施例的用户流失预测模型中采用了全连接残差网络等结构，其泛化性更强。
附图说明
44.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
45.图1示出了本说明书一些实施例中的客户端用户流失预测系统的示意图；
46.图2示出了本说明书一些实施例中客户端用户流失预测方法的流程图；
47.图3示出了本说明书一些实施例中客户端用户流失预测的示意图；
48.图4示出了本说明书一些实施例中训练用户流失预测模型的示意图；
49.图5示出了本说明书一些实施例中的自适应权重网络的结构示意图；
50.图6示出了图5所示自适应权重网络中全连接层的结构示意图；
51.图7示出了本说明书一些实施例中全连接残差网络(resnet18)的单个残差网络单元的示意图；
52.图8示出了本说明书一些实施例中客户端用户流失预测装置的结构框图；
53.图9示出了本说明书一些实施例中计算机设备的结构框图。
54.【附图标记说明】
55.10、数据源；
56.20、预测设备；
57.81、获取模块；
58.82、生成模块；
59.83、拼接模块；
60.84、升维模块；
61.85、预测模块；
62.86、确定模块；
63.902、计算机设备；
64.904、处理器；
65.906、存储器；
66.908、驱动机构；
67.910、输入/输出接口；
68.912、输入设备；
69.914、输出设备；
70.916、呈现设备；
71.918、图形用户接口；
72.920、网络接口；
73.922、通信链路；
74.924、通信总线。
具体实施方式
75.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
76.本说明书实施例涉及客户端的用户流失预测技术。其中，客户端一般是指客户端软件(例如app等)。用户流失是指用户对客户端的使用贡献下降明显。比如，以手机银行为例，如果用户在手机银行的活跃度降低、用户在手机银行的资产明显下降、用户注销了手机银行账户等用户行为，均可以视为用户流失。应当注意的是，虽然在本说明书一些实施例中以手机银行等金融客户端为例进行举例说明。但是，本说明书实施例的用户流失预测技术显然也可以应用于其他客户端的用户流失预测。
77.参考图1所示，本说明书实施例的客户端用户流失预测系统可以包括数据源10和预测设备20。数据源10用于为预测设备20提供用户数据。一些实施例中，数据源10可以为一个或多个。例如，在一实施例中，数据源10可以为一个或多个业务系统或数据库。预测设备20可以基于数据源10提供的用户数据，预测用户是否为流失用户。具体的，预测设备20可以从数据源10提供的用户数据中，获取目标用户的用户属性特征及所述目标用户在多个指定历史时段的用户行为特征；将所述用户行为特征及所述多个指定历史时段的自适应权重，输入预训练的用户流失预测模型的第一特征池化网络，生成自适应用户行为特征；将所述用户属性特征及所述自适应用户行为特征，输入所述用户流失预测模型的第一特征拼接网络，获得拼接特征；将所述拼接特征输入所述用户流失预测模型的第一全连接残差网络，获
得升维特征；将所述升维特征输入所述用户流失预测模型的第一逻辑回归输出网络，获得所述目标用户的流失概率；根据所述流失概率识别所述目标用户是否为流失用户。
78.本说明书实施例由于充分考虑了用户属性特征、用户在不同时间段的行为特征、以及不同时间段行为特征的影响权重，并进行了特征融合，从而可以充分挖掘出表征用户流失情况的关键性特征，最终提高了用户流失预测的准确率，并且由于本说明书实施例的用户流失预测模型中采用了全连接残差网络等结构，其泛化性更强。
79.本说明书实施例提供了一种客户端用户流失预测方法，可以应用于上述的预测设备侧，参考图2所示，在一些实施例中，客户端用户流失预测方法可以包括以下步骤：
80.步骤201、获取目标用户的用户属性特征及所述目标用户在多个指定历史时段的用户行为特征。
81.目标用户即为待预测的客户端用户。研究表明，用户属性和用户行为均属于影响客户端用户流失的重要因素。因此，需要获取目标用户的属性特征和行为特征。在一些实施例中，通过对数据源提供的用户数据进行处理，可以提取出目标用户的用户属性特征和用户行为特征。
82.在一些实施例中，用户属性例如可以包括性别、年龄、证件类型、客户等级、职业类型、开通手机银行时间、所在城市、个人月收入、存款金额等。其中，用户等级可以根据用户个人信息的完善或完整度来区分。用户行为即用户使用客户端的行为(例如交易行为、浏览行为等)。
83.为了能够更充分挖掘出可表征用户流失情况的数据，可以获取不同历史时段(即多个指定历史时段)的用户行为信息。
84.例如，在一示例性实施例中，多个指定历史时段可以为最近一周、最近一个月、最近3个月三个历史时段(这里仅为示例性说明，在其他实施例中，指定历史时段可以根据需要自定义)，则这三个历史时段的用户行为可以包括：用户最近一周/最近一个月/最近三个月内的登录手机银行的次数、最后一次登录app距今的时间、查询或办理相关业务的次数(查询或交易频次)、是否预约办理在线销户、存款金额相对巨幅变化(转移的资产占总资产的比值大于某一阈值)、持有产品数等。
85.若直接提取用户最近三个月行为特征，容易忽略用户最近行为，因为时间段越近，越能反应用户真实的意图；而只提取用户最近一周的行为，则容易忽略用户习惯，比如用户习惯月初进行交易等，因此分别对最近一周/最近一个月/最近三个月的特征都进行了采集与特征提取。
86.数据源提供的用户数据一般包含数值特征数据和类别特征数据两大类。例如在手机银行场景下，典型的数值特征数据可以包括：年龄、开通手机银行时间、个人月收入、存款金额、最后一次登录app距今的时间、查询或交易频次、存款金额相对巨幅变化、持有产品数量等。典型的类别特征数据可以包括：性别、证件类型、客户等级、职业类型、所在城市、是否预约办理在线销户等。
87.由于这两类数据的特性不同，在进行特征提取之前，可以对这两类数据采用不同的预处理方式进行处理，以便于后续特征提取处理。
88.对于数值数据可以进行归一化处理，以利于加快处理速度。例如，在一些实施例中，可以根据如下公式对用户数据中的数值特征数据进行归一化处理：
[0089][0090]
式中x表示某种数值特征的具体值，min表示样本中该类特征的最小值，max表示所有样本中该类特征的最大值，并将连续性特征进行离散化，如采用“分桶策略”，区间分段策略进行离散化。
[0091]
对于类别特征可以采用one-hot等进行向量表示，如对于性别特征，[0,1]表示男，[1,0]表示女。
[0092]
此外，在进行归一化或向量表示之前，对于用户数据的缺失信息，还可以将相应位置的数值设置为所有用户中对应项的均值。
[0093]
在本说明书实施例中，获取目标用户的用户属性特征及目标用户在多个指定历史时段的用户行为特征是指：在提取目标用户的用户属性及目标用户在多个指定历史时段的用户行为的基础上，将这些用户属性、用户行为转换为对应的特征矩阵(或特征向量)，以便于后续预测处理。
[0094]
步骤202、将所述用户行为特征及所述多个指定历史时段的自适应权重，输入预训练的用户流失预测模型的第一特征池化网络，生成自适应用户行为特征。
[0095]
多个指定历史时段的自适应权重是指：多个指定历史时段中，每个指定历史时段的用户行为特征的影响权重。例如，以上文所述的多个指定历史时段为最近一周、最近一个月、最近3个月为例，对应的自适应权重可以分别表示为α1、α2、α3。
[0096]
由于这些影响权重是在先前的模型训练阶段(即通过训练目标网络模型获得用户流失预测模型)，由目标网络模型中的自适应权重网络自动学习得到，因而称之为自适应权重。与人工依据经验定义权重相比，通过这种自适应权重网络自动学习得到的自适应权重更加准确。
[0097]
结合图3所示，训练好的用户流失预测模型可以包括第一特征池化网络、第一特征拼接网络、第一全连接残差网络和第一逻辑回归输出网络。将目标用户的用户行为特征及多个指定历史时段的自适应权重，输入至第一特征池化网络后，第一特征池化网络可以将不同的指定历史时段的用户行为特征与对应的自适应权重进行特征池化，从而输出得到自适应用户行为特征。由于用户行为特征考虑到了自适应权重，因此称之为自适应用户行为特征。
[0098]
在一些实施例中，第一特征池化网络的池化操作可以表示为：
[0099]
feature
pooling
＝α1·
feature1 α2·
feature2 α3·
feature3[0100]
其中，feature
pooling
表示自适应用户行为特征，α1、α2、α3分别表示最近一周、最近一个月、最近3个月的自适应权重，feature1、feature2、feature3分别表示最近一周、最近一个月、最近3个月的用户行为特征。
[0101]
步骤203、将所述用户属性特征及所述自适应用户行为特征，输入所述用户流失预测模型的第一特征拼接网络，获得拼接特征。
[0102]
结合图3所示，通过将用户属性特征及自适应用户行为特征，输入第一特征拼接网络，可以实现特征融合，从而有利于挖掘可表征用户流失情况的特征。
[0103]
若用户属性特征表示为featu1r∈en，自适应用户行为特征表示为feature
pooling
∈rm，则拼接后获得的拼接特征可以表示为feature∈r
m n
。其中，r表示特征向量，m，n和m n表
示特征向量的维度。
[0104]
在一些实施例中，第一特征拼接网络可以通过向量拼接方式(例如concat操作等)实现拼接特征。
[0105]
步骤204、将所述拼接特征输入所述用户流失预测模型的第一全连接残差网络，获得升维特征。
[0106]
结合图3所示，将拼接特征输入第一全连接残差网络后，第一全连接残差网络可以通过多层全连接残差网络对特征向量各个维度进行充分的交叉组合，以挖掘出更多的非线性特征和组合特征，从而有利于进一步挖掘可表征用户流失情况的特征，最终可以进一步提高用户流失预测模型的表达能力。
[0107]
在本说明书实施例中，第一全连接残差网络为多层全连接残差网络。例如，在一示例性实施例中，第一全连接残差网络可以为resnet18网络(即resnet网络包含18层网络结构)。采用resnet网络可有效解决网络层数太深造成的退化问题。而且，与经典的图像特征提取网络resnet18相比，本说明书实施例中的resnet18网络中，将卷积网络替换成全连接网络。
[0108]
本说明书实施例中的resnet18网络的单个残差网络单元结构可以如图7所示。从图7中可以看出resnet残差网络在网络旁路加入了直连通道，允许保留前面网络层一定比例的输出。通过短路连接，将网络每个残差模块的输出与输入进行逐元素相加。这种操作简单而有效，没有给网络带来过多的参数量和计算量，同时加快了网络收敛的速度。采用relu激活函数可以增加网络的非线性，增强深度网络的学习能力。
[0109]
步骤205、将所述升维特征输入所述用户流失预测模型的第一逻辑回归输出网络，获得所述目标用户的流失概率。
[0110]
通过将升维特征输入所述用户流失预测模型的第一逻辑回归输出网络，可以得到目标用户的流失概率。在一些实施例中，第一逻辑回归输出网络表示为其中，f(x)表示用户x的流失概率，w表示逻辑回归层的权重向量，b表示偏置系数。在先前的模型训练阶段，当完成模型训练时，w和b即可以确定。在一实施例中，f(x)例如可以采用sigmoid函数，sigmoid函数输出值在0到1之间，因而可用于表示用户流失预测概率。
[0111]
步骤206、根据所述流失概率识别所述目标用户是否为流失用户。
[0112]
根据所述流失概率识别所述目标用户是否为流失用户是指：将目标用户的流失概率与预先设置的流失概率阈值比较；如果大于流失概率阈值，表示该目标用户为预流失用户(即将流失或具有较大流失趋势的用户)，后续可以采取一定措施进行挽留。如果不大于流失概率阈值，表示该目标用户为稳定用户。
[0113]
在本说明书实施例中，上述用户流失预测模型预先通过以下方式训练得到：
[0114]
(1)基于多个用户的用户属性特征及所述多个用户在多个指定历史时段的用户行为特征形成样本集。样本集可以按照8:2(或其他合适的比例)划分为训练数据集和测试数据集。
[0115]
(2)以所述样本集为输入训练目标网络模型，得到所述用户流失预测模型；其中，结合图4所示，目标网络模型包括：
[0116]
自适应权重网络，其根据所述样本集中的用户行为特征生成多个指定历史时段的
权重系数；
[0117]
第二特征池化网络，其将所述样本集中的用户行为特征及所述自适应权重网络输出的权重系数进行特征池化，得到自适应用户行为特征；
[0118]
第二特征拼接网络，其将所述样本集中的用户属性特征及所述第二特征池化网络输出的自适应用户行为特征，进行特征拼接；
[0119]
第二全连接残差网络，其对所述第二特征拼接网络输出的拼接特征进行特征升维；
[0120]
第二逻辑回归输出网络，其根据所述第二全连接残差网络输出的升维特征输出用户的流失概率；当所述第二逻辑回归输出网络的输出满足预设条件时，将所述目标网络模型中除所述自适应权重网络之外的部分作为用户流失预测模型。
[0121]
上述的预设条件可以是指：第二逻辑回归输出层的预测输出与真实数据的误差小于设定的误差阈值。当所述第二逻辑回归输出网络的输出满足预设条件时，可以停止训练，此时目标网络模型中除自适应权重网络之外的部分即作为用户流失预测模型；并且，将所述自适应权重网络此时输出的多个指定历史时段的权重系数，作为所述多个指定历史时段最终的自适应权重。
[0122]
本说明书实施例中，为了区分训练过程中的网络与训练完成时的网络，当所述第二逻辑回归输出网络的输出满足预设条件时，将第二逻辑回归输出网络作为第一逻辑回归输出网络，将第二特征池化网络作为第一特征池化网络；将第二特征拼接网络作为第一特征拼接网络，将第二全连接残差网络作为第一全连接残差网络。
[0123]
在训练过程中，模型的参数优化问题等价于损失函数最小化的问题。因此，在本说明书一些实施例中，第二逻辑回归输出层对应的损失函数可以采用如下所示的对数损失函数。公式如下：
[0124][0125]
上式中n是训练的批量大小，ri是第i个用户的预测流失概率，li是第i个用户的流失概率标签，若用户在现实中没有流失，则li为0，否则为1。
[0126]
一些实施例中，训练过程中的优化器可以采用随机梯度下降方法及其变体。即损失函数反向传播更新参数时，所使用的优化器可以是随机梯度下降方法及其变体adam(例如adagrad和adam等)。其中，adam同时考虑了一阶动量和二阶动量，是优化器中的集大成者，因此，adam可以作为本说明书实施例的优选。
[0127]
结合图5所示，一些实施例中，自适应权重网络可以包括全连接层和softmax输出层。全连接层可以根据多个指定历史时段的用户行为特征输出权重向量。例如，全连接层可以根据公式α'i＝h
t
·
relu(w
·fi
b')输出权重向量，例如当i＝1,2,3时，α'i＝[α'1,α'2,α'3]。其中，α'i表示第i个指定历史时段的权重，h
t
表示全连接层到softmax层的权重向量转置，relu表示作为激活函数的relu函数，w表示全连接层的权重矩阵，fi表示第i个指定历史时段的用户行为特征，b'表示全连接层的偏值。
[0128]
softmax输出层可以将所述全连接层输出的权重向量进行归一化处理，输出归一化的权重向量。softmax输出层作用是在计算过程中引入非线性，以保证权重为正值。一些
实施例中，softmax输出层可以根据公式输出归一化的权重向量；其中，αi表示第i个指定历史时段的归一化权重，exp(α'i)表示以自然常数为底，且以α'i为指数的指数函数。
[0129]
当完成模型训练时，第i个指定历史时段的行为特征(i＝1,2,3)从全连接层输出后得到权重向量[α
′1α
′2α
′3]，将其送入softmax层中，得到自适应权重系数[α1,α2,α3]。
[0130]
结合在一些实施例中，全连接层可以采用如图6所示的结构。n个输入x1,x2,...,xn经权重向量h(h＝[w1,w2,...,wn])加权求和后，再加上常数偏置b，结果通过激活函数得到神经元的输出。一些实施例中，激活函数可以采用relu函数。
[0131]
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
[0132]
与上述的客户端用户流失预测方法对应，本说明书实施例还提供了一种客户端用户流失预测装置，其可以配置于上述的预测设备上，参考图8所示，在一些实施例中，客户端用户流失预测装置可以包括：
[0133]
获取模块81，用于获取目标用户的用户属性特征及所述目标用户在多个指定历史时段的用户行为特征；
[0134]
生成模块82，用于将所述用户行为特征及所述多个指定历史时段的自适应权重，输入预训练的用户流失预测模型的第一特征池化网络，生成自适应用户行为特征；
[0135]
拼接模块83，用于将所述用户属性特征及所述自适应用户行为特征，输入所述用户流失预测模型的第一特征拼接网络，获得拼接特征；
[0136]
升维模块84，用于将所述拼接特征输入所述用户流失预测模型的第一全连接残差网络，获得升维特征；
[0137]
预测模块85，用于将所述升维特征输入所述用户流失预测模型的第一逻辑回归输出网络，获得所述目标用户的流失概率；
[0138]
确定模块86，用于根据所述流失概率识别所述目标用户是否为流失用户。
[0139]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0140]
需要说明的是，本说明书的实施例中，所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权同意且经过各方充分授权的信息和数据。
[0141]
本说明书实施例还提供一种计算机设备。如图9所示，在本说明书一些实施例中，所述计算机设备902可以包括一个或多个处理器904，诸如一个或多个中央处理单元(cpu)或图形处理器(gpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器906上并可在处理器904上运行的计算机程序，所述计算机程序被所述处理器904运行时，可以执行上述任一实施例所述的客户端用户流失预测方法的指令。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，
任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
[0142]
计算机设备902还可以包括输入/输出接口910(i/o)，其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(gui)。在其他实施例中，还可以不包括输入/输出接口910(i/o)、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
[0143]
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务端等的任何组合。
[0144]
本技术是参照本说明书一些实施例的方法、设备(系统)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器，使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
在一个典型的配置中，计算机设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0148]
内存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)。内存是计算机可读介质的示例。
[0149]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、
数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算机设备访问的信息。按照本说明书中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0150]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0151]
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0152]
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0153]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0154]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0155]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。