离网预测关怀方法、装置、设备及计算机可读存储介质与流程

1.本发明涉及通信技术领域，尤其涉及一种离网预测关怀方法、装置、设备以及计算机可读存储介质。


背景技术：

2.现有技术对于用户离网的预测采用的方法是：基于用户特征采用机器学习算法构建离网用户识别模型，具体的：以离网用户作为正样本，当前未离网用户作为负样本。首先整合两类用户特定时间段内各种行为特征，将其作为模型输入，用于训练模型。然后将训练好的模型参数保存，针对未知用户调用该模型进行预测，输出相应的离网概率值，最后将该值与预先设定好的概率阈值相比较，确定用户是否为潜在离网用户。然而，上述方法由于将模型参数固化，旧的模型参数无法在线更新，因此不能很好的拟合新产生的样本，从而使得获取到的预测结果的准确实用性较低。


技术实现要素：

3.本发明的主要目的在于提供一种离网预测关怀方法、装置、设备及计算机可读存储介质，旨在解决如何提高用户离网预测的实用性，降低用户离网概率的技术问题。
4.为实现上述目的，本发明提供一种离网预测关怀方法，包括以下步骤：
5.实时获取训练集中训练账户的所有显著特征，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型；
6.若存在待测账户，则将所述待测账户输入至所述预测模型进行模型训练，以获取所述待测账户的离网概率和账户类型；
7.根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略，输出所述关怀策略。
8.可选地，实时获取训练集中训练账户的所有显著特征的步骤，包括：
9.基于预设比例实时获取训练集中离网账户的所有第一属性特征和未离网账户的所有第二属性特征，其中所述训练账户包括离网账户和未离网账户；
10.确定各所述第二属性特征和各所述第一属性特征之间的相关度值，检测各所述相关度值中是否存在大于预设相关度值的目标相关度值；
11.若存在目标相关度值，则根据所述目标相关度值对各所述第一属性特征进行筛选，以构建显著特征。
12.可选地，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型的步骤，包括：
13.确定各所述显著特征对应的维度向量，根据各所述维度向量计算各所述显著特征对应的损失梯度函数值；
14.根据各所述损失梯度函数对预设的样本训练模型进行训练，以获取预测模型。
15.可选地，根据各所述维度向量计算各所述显著特征对应的损失梯度函数值的步
骤，包括：
16.遍历各所述维度向量，根据预设的学习率计算公式和遍历的维度向量计算学习率；
17.根据所述学习率对预设的样本训练模型中的特征维度权重进行更新，根据更新后的特征维度权重计算遍历的维度向量对应的损失梯度函数值。
18.可选地，根据更新后的特征维度权重计算遍历的维度向量对应的损失梯度函数值的步骤，包括：
19.根据预设的激活函数计算更新后的特征维度权重对应的预测概率值；
20.获取所述遍历的维度向量对应的遍历账户的目标类型，根据所述目标类型和所述预测概率值计算所述遍历的维度向量对应的损失梯度函数值。
21.可选地，获取所述遍历的维度向量对应的遍历账户的目标类型，根据所述目标类型和所述预测概率值计算所述遍历的维度向量对应的损失梯度函数值的步骤，包括：
22.根据所述训练账户中的所有离网账户和未离网账户构建账户类型对照表，并基于所述账户类型对照表确定所述遍历的维度向量对应的目标类型；
23.将所述目标类型和所述预测概率值输入至预设的损失梯度函数公式进行计算，以得到所述遍历的维度向量对应的损失梯度函数值。
24.可选地，根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略的步骤，包括：
25.检测所述离网概率是否大于预设离网概率；
26.若所述离网概率大于预设离网概率，则根据预设的账户类型策略对照表确定和所述账户类型匹配的匹配类型，并将所述匹配类型对应的策略作为所述待测账户对应的关怀策略。
27.此外，为实现上述目的，本发明还提供一种离网预测关怀装置，包括：
28.获取单元，用于实时获取训练集中训练账户的所有显著特征，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型；
29.训练单元，用于若存在待测账户，则将所述待测账户输入至所述预测模型进行模型训练，以获取所述待测账户的离网概率和账户类型；
30.输出单元，用于根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略，输出所述关怀策略。
31.此外，为实现上述目的，本发明还提供一种离网预测关怀设备，离网预测关怀设备包括存储器、处理器及存储在存储器上并可在处理器上运行的离网预测关怀程序，离网预测关怀程序被处理器执行时实现如上述的离网预测关怀方法的步骤。
32.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有离网预测关怀程序，离网预测关怀程序被处理器执行时实现如上述的离网预测关怀方法的步骤。
33.本发明通过根据实时获取训练集中训练账户的所有显著特征对样本训练模型训练，得到预测模型，若存在待测账户时，根据预测模型确定待测账户的离网概率和账户类型，从而避免了现有技术中只能固化模型参数，根据固化的模型参数进行预测，导致最终获取到的预测结果的准确实用性较低的现象发生，提高了用户离网预测的实用性，并且通过
根据预测的离网概率和账户类型确定关怀策略，并输出关怀策略，从而可以实现在确定待测账户有较大离网概率时，能根据关怀策略进行挽回，降低了用户进行离网的概率。
附图说明
34.图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图；
35.图2为本发明离网预测关怀方法第一实施例的流程示意图；
36.图3为本发明离网预测关怀装置的装置单元示意图；
37.图4为本发明离网预测关怀方法中各个模块的流程示意图；
38.图5为本发明离网预测关怀方法中离网预测的流程示意图；
39.图6为本发明离网预测关怀方法中显著特征构建的流程示意图。
40.本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
41.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
42.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
43.本发明实施例终端为离网预测关怀设备。
44.如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
45.可选地，终端还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端设备移动到耳边时，关闭显示屏和/或背光。当然，终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
46.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
47.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及离网预测关怀程序。
48.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的离网预测关怀程序，并执行以下操作：
49.实时获取训练集中训练账户的所有显著特征，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型；
50.若存在待测账户，则将所述待测账户输入至所述预测模型进行模型训练，以获取
所述待测账户的离网概率和账户类型；
51.根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略，输出所述关怀策略。
52.参照图2，本发明提供一种离网预测关怀方法，在离网预测关怀方法的第一实施例中，离网预测关怀方法包括以下步骤：
53.步骤s10，实时获取训练集中训练账户的所有显著特征，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型；
54.由于目前在进行用户离网预测时，存在模型参数无法在线更新，且预测结果无法高效地指导生产实践。因此在本实施例中，是将新产生的离网用户作为样板训练已有的模型，使得模型的参数在原来的基础上进行迭代更新。再根据业务部门的实际营销政策将用户进行分级分类，以辅助运营人员进行对应的关怀策略。
55.并且在本实施例中，可以如图4所示，包括数据采集模块、指标定义模块、预测分析模块和用户运营模块。其中，数据采集模块用于获取当前已离网和部分未离网用户，将该部分用户作为预测分析模块的输入；指标定义模块结合业务经验以及特征工程，挖掘出影响用户离网的正负向因子，构建特征宽表；预测分析模块利用正负样本及其特征训练模型，并将模型保存，针对输入的待预测用户，输出其相应的离网概率和分类；用户运营模块将预测分析模块输出的离网用户按照用户分类采取针对性的关怀措施，成功的用户，其离网概率降低，成为高稳态用户，而关怀失败进而离网的用户，通过数据采集模块用于模型的下阶段训练。
56.也就是在本实施例中，可以实时采集训练集中历史时间段(如上月)有通信行为且离网用户和上月有通信行为但未离网用户，并将离网用户和未离网用户都作为训练账户。并且需要说明的是，可以先设置离网用户和未离网用户的比例，并根据该比例和离网用户的数量采集未离网用户。
57.再获取训练账户的所有显著特征。即可以将影响用户离网的因素划分为基本属性、业务使用属性、交往圈属性、消费能力属性、产品订购和退订属性、客户满意度属性、异网渗透属性等。根据这些因素来构建指标，并进行数据清洗、数据填充等操作，再对连续性指标进行分箱处理和相关性分析，以得到显著特征。其中，潜在离网用户识别模型部分显著特征如下表1所示。
[0058][0059]
表1
[0060]
再根据各个显著特征对提前设置好的样板训练模型进行在线训练，以得到预测模型。
[0061]
也就是假设x
t
∈rd表示第t个训练样本，y
t
∈{0,1}表示第t个样本的分类。g
t，i
表示第t个样本的第i维向量，因此给定逻辑回归算法权重w
t
，预测概率值p
t
＝σ(w
t
，x
t
)，其中σ(a)＝1/(1 exp(-a))为激活函数，则逻辑回归算法的损失函数为：
[0062]
∫
t
(w
t
)＝-y
t
logp
t-(1-y
t
)log(1-p
t
)；
[0063]
对应的梯度函数为：
[0064][0065]
其中，每个显著特征的学习率都是单独计算的，其学习率的计算公式可以为：
[0066][0067]
并且，α的值需要根据训练集规模和特征数量进行调节的，β通常取1。而且特征权重w的更新公式为：
[0068][0069]
其中，λ1*sgn(zi)表示l1正则项，λ1表示l1正则项系数，λ2表示l2正则项系数，zi和ni初始化为0。
[0070]
并根据计算得到的损失函数和梯度函数对样板训练模型进行在线迭代训练，以得到预测模型。
[0071]
步骤s20，若存在待测账户，则将所述待测账户输入至所述预测模型进行模型训练，以获取所述待测账户的离网概率和账户类型；
[0072]
当经过判断发现存在待测账户时，可以将待测账户输入至预测模型中进行模型训
练，根据模型训练的结果确定离网概率和待测账户的账户类型，即可以对待测账户进行分类处理。其中，潜在离网用户分类如下表2所示。
[0073][0074][0075]
表2
[0076]
步骤s30，根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略，输出所述关怀策略。
[0077]
在确定待测账户的离网概率和账户类型后，可以将其发送到用户运营模块，而用户运营模块接收到具有潜在离网倾向的用户及其对应的分类(即账户类型)后，会采用待测账户对应的关怀策略对用户进行关怀。也就是在本实施例中，用户运营模块可以包括用户
画像层、精确营销层和触客渠道。其中用户画像层是按照用户特征对其进行定性或者定量的描述。前述已经将潜在离网用户进行分类，而在用户画像层可以很方便地选取不同类别的用户生成运营的目标用户群，一方面可以探索用户群之间的差异甚至用户之间的差异，另一方面也可以根据用户群特征采用对应的关怀政策。用户画像层末端通常对接若干触客渠道。用户画像层实现的功能还包括：规则配置、用户选择、客群探索、客群创建、客群推送等。精确营销层是根据用户呈现的特征配置合适的政策，从而保证实现营销的目标。触客渠道可以为手机营业厅等。在本实施例中，预测分析模块将潜在离网用户及其对应分类输入到用户运营模块中的用户画像层并定期更新，业务人员配置营销客群并将其推送至精确营销层，在精确营销层给客群制定相应的营销政策，最后推送到各种渠道进行营销。
[0078]
在本实施例中，通过采用在线学习算法，定期将新产生的离网用户作为样板训练模型，能够保证模型参数在线更新，即以上一次模型训练后的参数为基础继续训练，模型参数自动迭代，从而减少重复模型学习的计算开销。并且在本实施例中不仅构建了离网用户识别模型，还将潜在离网用户分级分类，保障模型能够直接应用于生产时间，提高业务人员的工作效率。
[0079]
此外，为辅助理解用户离网预测的过程，下面进行举例说明。例如，如图5所示，ftrl算法模块根据批训练样本进行模型训练，更新判别函数并保存参数，且对模型参数进行模型调用。若存在待预测用户，则通过模型预测是否离网，若否，则确定待预测用户为非离网用户。若是，则根据用户运营模块确定对应的关怀策略，并执行关怀策略。需要说明的是，ftrl算法模块循环读取批训练样本进行模型训练，且每次训练过程都是在前次基础上进行，模型参数也在此前基础上更新，从而保障模型的稳定性和高效性。模型训练完成后会将模型参数保存，针对待预测用户调用该模型的参数进行预测，得出待预测用户的离网概率，对于潜在离网用户则进入用户运营模块，非潜在用户则不做处理。
[0080]
在本实施例中，通过根据实时获取训练集中训练账户的所有显著特征对样本训练模型训练，得到预测模型，若存在待测账户时，根据预测模型确定待测账户的离网概率和账户类型，从而避免了现有技术中只能固化模型参数，根据固化的模型参数进行预测，导致最终获取到的预测结果的准确实用性较低的现象发生，提高了用户离网预测的实用性，并且通过根据预测的离网概率和账户类型确定关怀策略，并输出关怀策略，从而可以实现在确定待测账户有较大离网概率时，能根据关怀策略进行挽回，降低了用户进行离网的概率。
[0081]
进一步地，基于上述本发明的第一实施例，提出本发明离网预测关怀方法的第二实施例，在本实施例中，上述实施例步骤s10，实时获取训练集中训练账户的所有显著特征的步骤的细化，包括：
[0082]
步骤a，基于预设比例实时获取训练集中离网账户的所有第一属性特征和未离网账户的所有第二属性特征，其中所述训练账户包括离网账户和未离网账户；
[0083]
在本实施例中，在获取显著特征时，需要根据提前设置的预设比例(如1:1)实时获取训练集中离网账户的属性特征和未离网账户的属性特征。并将离网账户的属性特征作为第一属性特征。将未离网账户的属性特征作为第二属性特征。其中训练账户包括离网账户和未离网账户，离网为用户由于某种原因与运营商解除服务关系，不再接受运营商提供的各项服务的现象。
[0084]
步骤b，确定各所述第二属性特征和各所述第一属性特征之间的相关度值，检测各
所述相关度值中是否存在大于预设相关度值的目标相关度值；
[0085]
在获取到各个第一属性特征和第二属性特征后，可以对所有的第一属性特征和第二属性特征进行分箱处理，并进行相关性分析，计算相关度值。其中相关度值的计算公式为：
[0086]rxy
＝s
xy
/s
x
sy；
[0087]
其中，r
xy
为第一属性特征x和第二属性特征y之间的相关度值。s
xy
表示协方差。s
x
表示第一属性特征x的标准差。sy表示第二属性特征y的标准差。
[0088]
并在计算得到所有的相关度值后，会检测各个相关度值中是否存在大于预设相关度值(用户提前设置的任意相关度值，如0.85)的目标相关度值，根据不同的检测结果执行不同的操作。
[0089]
步骤c，若存在目标相关度值，则根据所述目标相关度值对各所述第一属性特征进行筛选，以构建显著特征。
[0090]
当经过判断发现存在大于预设相关度值的目标相关度值，则确定目标相关度值对应的特征，并将其筛选掉，最终得到的特征作为显著特征。若不存在目标相关度值，则直接根据目标相关度值、所有的第一属性特征和第二属性特征构建显著特征。即对第二属性特征进行筛选，将和第一属性特征相关度较小的作为一个显著特征。也就是显著特征是离网账户和未离网账户之间，离网账户所具有的明显特征。并且在构建显著特征时，可以如图6所示，先在数据集中进行样本标注，并确定影响离网因素，包括基本属性，交往圈属性，异网渗透属性，消费能力属性，客户满意度属性，业务使用属性，产品订购/退订属性，再进行特征工程构建，即根据数据集中的各个影响离网因素提取原始数据，并进行数据清洗(包括异常数据样本采样)、特征转化(包括缺失值填充、哑元化、分箱、标准化)，再进行特征选择(相关性分析、iv值筛选)，并将得到的显著特征作为训练数据。
[0091]
在本实施例中，通过根据预设比例获取离网账户的所有第一属性特征和未离网账户的所有第二属性特征，并计算两者之间的相关度，若在各个相关度中存在大于预设相关度的目标相关度，则根据目标相关度间筛选，以构建显著特征，从而保障了获取到的显著特征的有效性。
[0092]
进一步地，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型的步骤，包括：
[0093]
步骤d，确定各所述显著特征对应的维度向量，根据各所述维度向量计算各所述显著特征对应的损失梯度函数值；
[0094]
在本实施例中，在构建预测模型时，可以直接确定各个显著特征对应的维度向量。其中，每个显著特征都具有一个与之对应的维度向量。因此可以计算各个维度向量对应的损失梯度函数值，并将其作为各个显著特征对应的损失梯度函数值。其中，损失梯度函数包含损失函数值和梯度函数值。
[0095]
步骤e，根据各所述损失梯度函数对预设的样本训练模型进行训练，以获取预测模型。
[0096]
再根据计算得到的所有损失梯度函数对提前设置好的的样本训练模型进行迭代训练，以得到预测模型。其中，样本训练模型可以是根据已离网账户进行模型训练得到的。
[0097]
在本实施例中，通过确定各个显著特征对应的维度向量，并根据各个维度向量计
算损失梯度函数，再对样本训练模型进行训练，以得到预测模型，从而保障了获取到的预测模型的有效性。
[0098]
具体地，根据各所述维度向量计算各所述显著特征对应的损失梯度函数值的步骤，包括：
[0099]
步骤f，遍历各所述维度向量，根据预设的学习率计算公式和遍历的维度向量计算学习率；
[0100]
在计算损失梯度函数时，可以遍历各个维度向量，并根据提前设置好的学习率计算公式和遍历的维度向量计算学习率(即遍历的维度向量对应的学习率)。其中，学习率计算公式为：
[0101][0102]
α的值需要根据训练集规模和特征数量确定，β取1。g
s，i
表示第s个样本(即未离网账户或离网账户)的第i向量。η
t，i
表示第t个样本的第i向量的学习率。
[0103]
步骤g，根据所述学习率对预设的样本训练模型中的特征维度权重进行更新，根据更新后的特征维度权重计算遍历的维度向量对应的损失梯度函数值。
[0104]
在计算得到学习率后，可以根据学习率对提前设置好的样本训练模型汇总的特征维度权重进行更新，并将更新后的特征维度权重输入至提前设置好的损失函数公式和梯度函数公式进行计算，得到遍历的维度向量对应的损失梯度函数值。
[0105]
在本实施例中，通过遍历各个维度向量，根据学习率计算公式和遍历的维度向量计算学习率，再根据学习率对特征维度权重进行更新，再计算损失函数值，从而保障了获取到的损失函数值的有效性。
[0106]
具体地，根据更新后的特征维度权重计算遍历的维度向量对应的损失梯度函数值的步骤，包括：
[0107]
步骤h，根据预设的激活函数计算更新后的特征维度权重对应的预测概率值；
[0108]
并且在本实施例中，预测概率值是可以根据提前设置的激活函数进行计算得到的，即确定第t个训练样本和第t个样本的权重后，就可以进行激活函数计算，以得到更新后的特征维度权重对应的预测概率值。
[0109]
其中，预测概率值p
t
＝σ(w
t
，x
t
)，其中σ(a)＝1/(1 exp(-a))为激活函数。w
t
表示第t个样本的权重。x
t
表示第t个样本。而在本实施例中，样本可以为显著特征对应的训练账户。
[0110]
步骤k，获取所述遍历的维度向量对应的遍历账户的目标类型，根据所述目标类型和所述预测概率值计算所述遍历的维度向量对应的损失梯度函数值。
[0111]
确定当前遍历的的维度向量对应的遍历账户的账户类型(如高价值非捆绑类型、网络不稳定类型和资费不满意类型等)，并将其作为目标类型。然后再根据计算得到的预测概率值和目标类型依次计算遍历的维度向量对应损失函数值和梯度函数值。而损坏函数值和梯度函数值的计算公式可以如上述第一实施例所示，在此不做阐述。并将计算得到的损失函数值和梯度函数值作为遍历的维度向量对应的损失梯度函数值。
[0112]
在本实施例中，通过根据激活函数计算预测概率值，并确定遍历账户的目标类型，再根据预测概率值和目标类型计算损失函数值，从而保障了获取到的损失函数值的有效
性。
[0113]
具体地，获取所述遍历的维度向量对应的遍历账户的目标类型，根据所述目标类型和所述预测概率值计算所述遍历的维度向量对应的损失梯度函数值的步骤，包括：
[0114]
步骤x，根据所述训练账户中的所有离网账户构建账户类型对照表，并基于所述账户类型对照表确定所述遍历的维度向量对应的目标类型；
[0115]
在本实施例中，可以确定训练账户中的所有离网账户，并对各个离网账户进行类型划分，如将离网账户划分为高价值非捆绑、网络不稳定、资费不满意、异网宽带、投诉不满意、异网双卡、异网高话务、异网集团、流量超套和语音超套等账户类型。并对各个账户类型设置各自对应的识别规则。然后再将遍历的维度向量对应的账户和各个识别规则进行匹配。若存在和遍历的维度向量对应的账户匹配的识别规则，则将其匹配的识别规则对应的账户类型作为目标类型。
[0116]
步骤y，将所述目标类型和所述预测概率值输入至预设的损失梯度函数公式进行计算，以得到所述遍历的维度向量对应的损失梯度函数值。
[0117]
在得到目标类型和预测概率值后，可以直接将目标类型和预测概率值输入至提前设置的损失函数公式和梯度函数公式，以计算得到遍历的维度向量对应的损失函数和梯度函数。并将其损失函数和梯度函数作为遍历的维度向量对应的损失梯度函数值。
[0118]
在本实施例中，通过根据所有离网账户构建账户类型对照表，根据账户类型对照表确定遍历的维度向量对应的目标类型，并根据目标类型和预测概率值计算损失梯度函数值，从而保障了获取到的损失函数梯度值的准确性。
[0119]
进一步地，根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略的步骤，包括：
[0120]
步骤m，检测所述离网概率是否大于预设离网概率；
[0121]
在本实施例中，当计算得到待测账户的离网概率后，需要确定离网概率是否大于预设离网概率(用户提前设置的任意离网概率)，若大于，则确定待测账户为潜在离网账户。若小于或等于，则确定待测账户为正常账户，可以不做其他修改调整。
[0122]
步骤n，若所述离网概率大于预设离网概率，则根据预设的账户类型策略对照表确定和所述账户类型匹配的匹配类型，并将所述匹配类型对应的策略作为所述待测账户对应的关怀策略。
[0123]
当经过判断发现离网概率大于预设离网概率时，可以将待测账户的账户类型和提前设置的账户类型策略对照表(包含有各个历史账户类型，及其对应的处理策略)进行匹配。若存在和账户类型匹配的历史账户类型，则将其作为匹配类型，并将账户类型策略对照表中匹配类型对应的处理策略(即策略)作为待测账户的关怀策略，并执行此关怀策略。
[0124]
在本实施例中，通过在确定离网概率大于预设离网概率时，确定和账户类型策略对照表中和账户类型匹配的匹配类型，并将其对应的策略作为关怀策略，从而保障了获取到的关怀策略的准确有效性。
[0125]
需要说明的是，在本实施例中，是基于在线学习思想并利用ftrl算法构建潜在离网用户识别模型，该模型能利用不断产生的新样本在线训练模型已有参数，能提高模型的泛化能力。并且在本实施例中，通过分析影响用户离网的主要因素，将用户进行分类，有利于业务人员针对不同类型用户因群施策，高效完成离网用户关怀工作。
[0126]
此外，参照图3，本发明实施例还提供一种离网预测关怀装置，包括：
[0127]
获取单元a10，用于实时获取训练集中训练账户的所有显著特征，根据各所述显著特征对预设的样本训练模型进行训练，以获取预测模型；
[0128]
训练单元a20，用于若存在待测账户，则将所述待测账户输入至所述预测模型进行模型训练，以获取所述待测账户的离网概率和账户类型；
[0129]
输出单元a30，用于根据所述离网概率和所述账户类型确定所述待测账户对应的关怀策略，输出所述关怀策略。
[0130]
可选地，获取单元a10，用于：
[0131]
基于预设比例实时获取训练集中离网账户的所有第一属性特征和未离网账户的所有第二属性特征，其中所述训练账户包括离网账户和未离网账户；
[0132]
确定各所述第二属性特征和各所述第一属性特征之间的相关度值，检测各所述相关度值中是否存在大于预设相关度值的目标相关度值；
[0133]
若存在目标相关度值，则根据所述目标相关度值对各所述第一属性特征进行筛选，以构建显著特征。
[0134]
可选地，获取单元a10，用于：
[0135]
确定各所述显著特征对应的维度向量，根据各所述维度向量计算各所述显著特征对应的损失梯度函数值；
[0136]
根据各所述损失梯度函数对预设的样本训练模型进行训练，以获取预测模型。
[0137]
可选地，获取单元a10，用于：
[0138]
遍历各所述维度向量，根据预设的学习率计算公式和遍历的维度向量计算学习率；
[0139]
根据所述学习率对预设的样本训练模型中的特征维度权重进行更新，根据更新后的特征维度权重计算遍历的维度向量对应的损失梯度函数值。
[0140]
可选地，获取单元a10，用于：
[0141]
根据预设的激活函数计算更新后的特征维度权重对应的预测概率值；
[0142]
获取所述遍历的维度向量对应的遍历账户的目标类型，根据所述目标类型和所述预测概率值计算所述遍历的维度向量对应的损失梯度函数值。
[0143]
可选地，获取单元a10，用于：
[0144]
根据所述训练账户中的所有离网账户和未离网账户构建账户类型对照表，并基于所述账户类型对照表确定所述遍历的维度向量对应的目标类型；
[0145]
将所述目标类型和所述预测概率值输入至预设的损失梯度函数公式进行计算，以得到所述遍历的维度向量对应的损失梯度函数值。
[0146]
可选地，输出单元a30，用于：
[0147]
检测所述离网概率是否大于预设离网概率；
[0148]
若所述离网概率大于预设离网概率，则根据预设的账户类型策略对照表确定和所述账户类型匹配的匹配类型，并将所述匹配类型对应的策略作为所述待测账户对应的关怀策略。
[0149]
其中，离网预测关怀装置的各个功能单元实现的步骤可参照本发明离网预测关怀方法的各个实施例，此处不再赘述。
[0150]
此外，本发明还提供一种离网预测关怀设备，所述终端包括：存储器、处理器、及存储在所述存储器上的离网预测关怀程序，所述处理器用于执行所述离网预测关怀程序，以实现上述离网预测关怀方法各实施例的步骤。
[0151]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述离网预测关怀方法各实施例的步骤。
[0152]
本发明计算机可读存储介质具体实施方式与上述离网预测关怀方法各实施例基本相同，在此不再赘述。
[0153]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0154]
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。
[0155]
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上述实施例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如上所述的一个存储介质(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，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0156]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。