本發(fā)明涉及數(shù)據(jù)處理技術領域，具體涉及一種用戶流失預測模型生成方法及相關裝置。

背景技術：

隨著互聯(lián)網(wǎng)業(yè)務的發(fā)展，應用程序的數(shù)量越來越多，隨之出現(xiàn)的是，應用程序的用戶流失現(xiàn)象。為實現(xiàn)用戶的留存，需要分析出用戶流失狀況，輔助應用程序的改進和更新。

現(xiàn)有分析用戶流失狀況的方式，主要是對應用程序產(chǎn)生的海量用戶行為數(shù)據(jù)進行定期抽取，然后將定期抽取的用戶行為數(shù)據(jù)導入到預先訓練好的用戶流失預測模型中，基于用戶流失預測模型對定期抽取的用戶行為數(shù)據(jù)進行預測分析，得到用戶流失預測結果。

然而，現(xiàn)有技術中的用戶行為數(shù)據(jù)可能會與預先訓練好的用戶流失預測模型不適配，導致預先訓練好的用戶流失預測模型無法對用戶行為數(shù)據(jù)進行預測分析，或者存在得到的用戶流失預測結果不準確的問題。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明實施例提供一種用戶流失預測模型生成方法及相關裝置，解決了現(xiàn)有技術中用戶行為數(shù)據(jù)可能會與預先訓練好的用戶流失預測模型不適配，導致預先訓練好的用戶流失預測模型無法對用戶行為數(shù)據(jù)進行預測分析，或者存在得到的用戶流失預測結果不準確的問題。

為實現(xiàn)上述目的，本發(fā)明實施例提供如下技術方案：

一種用戶流失預測模型生成方法，所述方法包括：

讀取用戶行為日志中的用戶行為數(shù)據(jù)；

判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；

如果所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配，則依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

一種用戶流失預測模型生成裝置，所述裝置包括：

用戶行為數(shù)據(jù)讀取模塊，用于讀取用戶行為日志中的用戶行為數(shù)據(jù)；

數(shù)據(jù)特性判斷模塊，用于判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；

用戶流失預測模型訓練模塊，用于在所述數(shù)據(jù)特性判斷模塊判斷出所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

基于上述技術方案，本發(fā)明實施例中公開了一種用戶流失預測模型生成方法及相關裝置，所述方法包括：讀取用戶行為日志中的用戶行為數(shù)據(jù)；判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；如果所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配，則依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。由此可知，本發(fā)明實施例中在用戶行為數(shù)據(jù)的數(shù)據(jù)特性與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，會依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，解決了現(xiàn)有技術中用戶行為數(shù)據(jù)可能會與預先訓練好的用戶流失預測模型不適配，導致的預先訓練好的用戶流失預測模型無法對用戶行為數(shù)據(jù)進行預測分析，或者存在得到的用戶流失預測結果不準確的問題。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種用戶流失預測模型生成方法流程圖；

圖2為本發(fā)明實施例提供的另一種用戶流失預測模型生成方法流程圖；

圖3為本發(fā)明實施例提供的又一種用戶流失預測模型生成方法流程圖；

圖4為本發(fā)明實施例提供的一種用戶流失預測模型生成裝置的結構框圖；

圖5為本發(fā)明實施例提供的一種用戶流失預測模型生成裝置的硬件結構框圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

圖1為本發(fā)明實施例提供的一種用戶流失預測模型生成方法流程圖，該方法可應用于服務器，參照圖1，所述方法可以包括：

步驟S100、讀取用戶行為日志中的用戶行為數(shù)據(jù)；

需要說明的是，在用戶與應用程序進行交互的過程中，會產(chǎn)生大量的用戶行為日志，用戶行為日志中記錄有用戶與應用程序進行交互過程中產(chǎn)生的用戶行為數(shù)據(jù)，例如：游戲玩家在操作各類手機游戲或電腦游戲過程中產(chǎn)生的玩家行為日志，玩家行為日志中記錄有玩家在游戲運行過程中產(chǎn)生的各種玩家行為數(shù)據(jù)。

本發(fā)明實施例中讀取用戶行為日志中記錄的用戶與應用程序進行交互過程中產(chǎn)生的用戶行為數(shù)據(jù)，用于對用戶流失進行預測。

步驟S110、判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；如果否，則執(zhí)行步驟S120；如果是，則依據(jù)訓練用戶流失預測模型所用的預定數(shù)據(jù)特性，訓練得到預定用戶流失預測模型；

需要說明的是，本發(fā)明實施例中，用戶行為數(shù)據(jù)的數(shù)據(jù)特性可以指的是數(shù)據(jù)結構，或者是數(shù)據(jù)統(tǒng)計特征，用戶行為數(shù)據(jù)的數(shù)據(jù)結構指的是用戶行為數(shù)據(jù)的數(shù)據(jù)屬性，具體可以為：用戶行為數(shù)據(jù)中各個字段的名稱、字段類型或者字段之間的相互依賴關系等，本發(fā)明實施例不做具體限定。用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征指的是用戶行為數(shù)據(jù)中各個字段對應字段值的數(shù)據(jù)統(tǒng)計特征，具體可以為：字段值的均值、方差、協(xié)方差、存在依賴關系的字段對應字段值間的相關系數(shù)、協(xié)方差等，本發(fā)明實施例不做具體限定。

相應的，本發(fā)明實施例中，判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配包括：判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)結構是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)結構相匹配；和/或；判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)統(tǒng)計特征相匹配。當上述至少任意一種情況不匹配時，則判定數(shù)據(jù)環(huán)境發(fā)生了變化，需要對用戶流失預測模型進行調(diào)節(jié)；否則，判定數(shù)據(jù)環(huán)境未發(fā)生變化，仍然可以采用預定用戶流失預測模型對用戶行為數(shù)據(jù)進行用戶流失預測分析。

需要說明的是，本發(fā)明實施例中，所述判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配還包括：判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與預先訓練的用戶流失預測模型的數(shù)據(jù)特性相匹配。

本發(fā)明實施例中判斷用戶行為數(shù)據(jù)的數(shù)據(jù)特性是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配的過程，是為了判斷用戶行為數(shù)據(jù)是否與預定數(shù)據(jù)特性訓練出的預定用戶流失預測模型相匹配，所述預定用戶流失預測模型可以為一種預定用戶流失預測函數(shù)，則本發(fā)明實施例中具體可以是判斷用戶行為數(shù)據(jù)是否與預定用戶流失預測函數(shù)相匹配。

步驟S120、依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

當用戶行為數(shù)據(jù)的數(shù)據(jù)特性與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，說明預定數(shù)據(jù)特性對應的預定用戶流失預測模型無法從用戶行為數(shù)據(jù)中預測出用戶流失預測結果，所以本發(fā)明實施例中，則依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，用以對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果。

本發(fā)明實施例中公開了一種用戶流失預測模型生成方法，所述方法包括：讀取用戶行為日志中的用戶行為數(shù)據(jù)；判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；如果所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配，則依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。由此可知，本發(fā)明實施例中在用戶行為數(shù)據(jù)的數(shù)據(jù)特性與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，會依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，解決了現(xiàn)有技術中用戶行為數(shù)據(jù)可能會與預先訓練好的用戶流失預測模型不適配，導致的預先訓練好的用戶流失預測模型無法對用戶行為數(shù)據(jù)進行預測分析，或者存在得到的用戶流失預測結果不準確的問題。而且，本發(fā)明實施例中，依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型的過程中，無需人工參與，具有自適應性和靈活性，提高了工作效率。

本發(fā)明實施例提供了另一種用戶流失預測模型生成方法流程圖，該方法可應用于服務器，參照圖2，所述方法可以包括：

步驟S200、讀取用戶行為日志中的用戶行為數(shù)據(jù)；

步驟S210、判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；如果否，則執(zhí)行步驟S220；如果是，則執(zhí)行步驟S240；

步驟S220、依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型；

需要說明的是，本發(fā)明實施例中，依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型可以采用如下兩種具體的方式：

方式一：將所述用戶行為數(shù)據(jù)加入到用戶流失預測模型訓練池中；依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，對預先訓練的用戶流失預測模型中的參數(shù)進行訓練調(diào)節(jié)，生成滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。例如：采用邏輯回歸算法作為用戶流失預測模型，則需要依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，對預先訓練的邏輯回歸算法中的參數(shù)進行訓練調(diào)節(jié)，得到調(diào)整后的參數(shù)，作為邏輯回歸算法的各特征權重值。

方式二：將所述用戶行為數(shù)據(jù)加入到用戶流失預測模型訓練池中；依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，進行用戶流失預測模型訓練，生成滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。例如：依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，進行用戶流失預測模型訓練，生成新的滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的算法，用來對用戶流失進行預測。

步驟S230、通過所述滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果；

本發(fā)明實施例中，將用戶行為數(shù)據(jù)輸入到用戶流失預測模型中，進行用戶流失預測分析，獲得用戶流失預測結果后，用以對用戶流失狀況進行分析，之后，將該次得到的用戶行為數(shù)據(jù)的數(shù)據(jù)特性進行保存，用于下次進行數(shù)據(jù)特性比對。至此一輪用戶流失預測工作完成，將用戶流失預測模型程序置入休眠狀態(tài)，等待執(zhí)行下一輪用戶流失預測任務。

步驟S240、依據(jù)訓練用戶流失預測模型所用的預定數(shù)據(jù)特性，訓練得到預定用戶流失預測模型；

步驟S250、通過預定用戶流失預測模型，對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果。

本發(fā)明實施例中在用戶行為數(shù)據(jù)的數(shù)據(jù)特性與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，會依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，通過所述滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果，解決了現(xiàn)有技術中用戶行為數(shù)據(jù)可能會與預先訓練好的用戶流失預測模型不適配，導致的預先訓練好的用戶流失預測模型無法對用戶行為數(shù)據(jù)進行預測分析，或者存在得到的用戶流失預測結果不準確的問題。

本發(fā)明實施例提供了又一種用戶流失預測模型生成方法流程圖，該方法可應用于服務器，參照圖3，所述方法可以包括：

步驟S300、獲取應用程序運行過程中產(chǎn)生的用戶行為日志；

需要說明的是，本發(fā)明實施例中可以采用監(jiān)聽的方式獲取應用程序運行過程中產(chǎn)生的用戶行為日志，具體的，可以在流失預測平臺設置一監(jiān)聽接口，用于監(jiān)聽數(shù)據(jù)倉庫中的用戶行為日志的寫入。

步驟S310、判斷獲取到的用戶行為日志的數(shù)量是否達到預設數(shù)量值，如果是，則執(zhí)行步驟S320；否則繼續(xù)進行判斷；

可選的，當監(jiān)聽接口監(jiān)聽到用戶行為日志的數(shù)量達到了預設數(shù)量值時，則執(zhí)行步驟S320。由于用戶行為日志的數(shù)量只有達到了預設數(shù)量值時，才能夠獲取用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征，本發(fā)明實施例中的預設數(shù)量值可以由技術人員依據(jù)經(jīng)驗進行設定，本發(fā)明實施例中不做具體限定。

步驟S320、讀取獲取到的用戶行為日志中的用戶行為數(shù)據(jù)；

步驟S330、判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)結構是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)結構相匹配；如果是，則執(zhí)行步驟S340；如果否，則執(zhí)行步驟S350；

具體可以判斷用戶行為數(shù)據(jù)的數(shù)據(jù)結構中各個字段的名稱、字段類型或者字段之間的相互依賴關系等是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)結構相匹配。

可選的，本發(fā)明實施例中可以判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)結構是否與預先訓練的用戶流失預測模型的數(shù)據(jù)結構相匹配。

步驟S340、判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)統(tǒng)計特征相匹配；如果否，則執(zhí)行步驟S350；如果是，則執(zhí)行步驟S380；

具體可以判斷用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征中字段值的均值、方差、協(xié)方差、存在依賴關系的字段對應字段值間的相關系數(shù)、協(xié)方差等是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)統(tǒng)計特征相匹配。

可選的，本發(fā)明實施例中可以判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征是否與預先訓練的用戶流失預測模型的數(shù)據(jù)統(tǒng)計特征相匹配。

步驟S350、將所述用戶行為數(shù)據(jù)加入到用戶流失預測模型訓練池中；

步驟S360、依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)結構以及數(shù)據(jù)統(tǒng)計特征，對預先訓練的用戶流失預測模型中的參數(shù)進行訓練調(diào)節(jié)，生成滿足用戶行為數(shù)據(jù)的數(shù)據(jù)結構以及數(shù)據(jù)統(tǒng)計特征的用戶流失預測模型；

步驟S370、通過所述滿足用戶行為數(shù)據(jù)的數(shù)據(jù)結構以及數(shù)據(jù)統(tǒng)計特征的用戶流失預測模型，對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果；

步驟S380、通過預定用戶流失預測模型，對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果。

下面，以一個具體的基于游戲大數(shù)據(jù)預測用戶流失應用場景詳細說明本發(fā)明實施例中公開的上述用戶流失預測模型生成方法：

通過分布式計算服務器集群，建立用戶流失預測平臺，通過用戶日志監(jiān)聽接口監(jiān)聽數(shù)據(jù)倉庫中的海量玩家日志；假設數(shù)據(jù)倉庫中的歷史數(shù)據(jù)結構包含活躍時長、游戲內(nèi)收入、游戲內(nèi)資源消耗三個字段，流失預測平臺采用的預定用戶流失預測模型為邏輯回歸算法。

當監(jiān)聽到新入庫的日志數(shù)量達到預設閾值后，觸發(fā)用戶流失預測任務。首先用戶流失預測平臺對新入庫的日志的用戶行為數(shù)據(jù)結構進行分析，并與歷史用戶行為數(shù)據(jù)結構進行比對后，發(fā)現(xiàn)和歷史用戶行為數(shù)據(jù)結構保持相同，仍然是同樣的字段。然后統(tǒng)計分析這三個字段各自對應的字段值的均值和方差，發(fā)現(xiàn)和歷史數(shù)據(jù)統(tǒng)計特征相比，變化不大，變化幅度沒有超過預設幅度值(例如設置20％)，此時判定數(shù)據(jù)環(huán)境沒有發(fā)生變化，則直接將新數(shù)據(jù)輸入到預定用戶流失預測模型(邏輯回歸算法)中進行用戶流失預測并輸出用戶流失預測結果。之后，將用戶流失預測模型程序置入休眠狀態(tài)，通過用戶日志監(jiān)聽接口繼續(xù)監(jiān)聽新進日志，等待足夠數(shù)量日志到來時啟動下一輪流失預測任務。

當用戶日志監(jiān)聽接口監(jiān)聽到下一輪新入庫的用戶日志數(shù)量達到預設閾值后，用戶流失預測平臺分析新入庫的用戶日志的數(shù)據(jù)結構以及數(shù)據(jù)統(tǒng)計特征，發(fā)現(xiàn)這批數(shù)據(jù)結構中多了一個玩家充值金額的字段，則判斷數(shù)據(jù)結構發(fā)生了變化，并且，歷史數(shù)據(jù)結構包含的活躍時長、游戲內(nèi)收入以及游戲內(nèi)資源消耗三個字段各自對應的均值和方差和歷史數(shù)據(jù)統(tǒng)計特征相比，超出了預設幅度值；用戶流失預測平臺將這批數(shù)據(jù)導入用戶流失預測模型訓練池中進行訓練，從而自動修正用戶流失預測模型的參數(shù)，之后利用參數(shù)修正過的用戶流失預測模型再對新入庫的用戶日志的數(shù)據(jù)進行用戶流失預測分析，并輸出用戶流失預測結果。

下面對本發(fā)明實施例提供的用戶流失預測模型生成裝置進行介紹，下文描述的用戶流失預測模型生成裝置可與上文用戶流失預測模型生成方法相互對應參照。

圖4為本發(fā)明實施例提供的用戶流失預測模型生成裝置的結構框圖，參照圖4，該用戶流失預測模型生成裝置可以包括：

用戶行為數(shù)據(jù)讀取模塊100，用于讀取用戶行為日志中的用戶行為數(shù)據(jù)；

數(shù)據(jù)特性判斷模塊110，用于判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；

用戶流失預測模型訓練模塊120，用于在所述數(shù)據(jù)特性判斷模塊判斷出所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

所述用戶行為數(shù)據(jù)讀取模塊包括：

用戶行為日志獲取模塊，用于獲取應用程序運行過程中產(chǎn)生的用戶行為日志；

用戶行為數(shù)據(jù)讀取模塊，用于當所述用戶行為日志獲取模塊獲取到的用戶行為日志的數(shù)量達到預設數(shù)量值時，讀取獲取到的用戶行為日志中的用戶行為數(shù)據(jù)。

所述數(shù)據(jù)特性判斷模塊包括：

數(shù)據(jù)特性判斷子模塊，用于判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與預先訓練的用戶流失預測模型的數(shù)據(jù)特性相匹配。

所述數(shù)據(jù)特性判斷模塊包括：

數(shù)據(jù)結構判斷模塊，用于判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)結構是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)結構相匹配。

所述數(shù)據(jù)特性判斷模塊包括：

數(shù)據(jù)統(tǒng)計特征判斷模塊，用于判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)統(tǒng)計特征是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)統(tǒng)計特征相匹配。

所述用戶流失預測模型訓練模塊包括：

第一用戶行為數(shù)據(jù)加入模塊，用于將所述用戶行為數(shù)據(jù)加入到用戶流失預測模型訓練池中；

用戶流失預測模型參數(shù)訓練模塊，用于依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，對預先訓練的用戶流失預測模型中的參數(shù)進行訓練調(diào)節(jié)，生成滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

所述用戶流失預測模型訓練模塊包括：

第二用戶行為數(shù)據(jù)加入模塊，用于將所述用戶行為數(shù)據(jù)加入到用戶流失預測模型訓練池中；

用戶流失預測模型訓練子模塊，用于依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，進行用戶流失預測模型訓練，生成滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

還包括：

用戶流失預測分析模塊，用于通過所述滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，對所述用戶行為日志中的用戶行為數(shù)據(jù)進行用戶流失預測分析，獲得用戶流失預測結果。

可選的，用戶流失預測模型生成裝置可以為硬件設備，上文描述的模塊可以設置于用戶流失預測模型生成裝置內(nèi)的功能模塊。圖5示出了用戶流失預測模型生成裝置的硬件結構框圖，參照圖5，用戶流失預測模型生成裝置可以包括：處理器1，通信接口2，存儲器3和通信總線4；其中處理器1、通信接口2、存儲器3通過通信總線4完成相互間的通信；可選的，通信接口2可以為通信模塊的接口，如GSM模塊的接口；

處理器1，用于執(zhí)行程序；存儲器3，用于存放程序；程序可以包括程序代碼，所述程序代碼包括計算機操作指令；

處理器1可能是一個中央處理器CPU，或者是特定集成電路ASIC(Application Specific Integrated Circuit)，或者是被配置成實施本發(fā)明實施例的一個或多個集成電路；存儲器3可能包含高速RAM存儲器，也可能還包括非易失性存儲器(non-volatile memory)，例如至少一個磁盤存儲器。

其中，程序可具體用于：

讀取用戶行為日志中的用戶行為數(shù)據(jù)；

判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；

如果所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配，則依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。

綜上所述：

本發(fā)明實施例中公開了一種用戶流失預測模型生成方法，所述方法包括：讀取用戶行為日志中的用戶行為數(shù)據(jù)；判斷所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，是否與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性相匹配；如果所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配，則依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型。由此可知，本發(fā)明實施例中在用戶行為數(shù)據(jù)的數(shù)據(jù)特性與訓練用戶流失預測模型所用的預定數(shù)據(jù)特性不匹配的情況下，會依據(jù)所述用戶行為數(shù)據(jù)的數(shù)據(jù)特性，訓練得到滿足用戶行為數(shù)據(jù)的數(shù)據(jù)特性的用戶流失預測模型，解決了現(xiàn)有技術中用戶行為數(shù)據(jù)可能會與預先訓練好的用戶流失預測模型不適配，導致的預先訓練好的用戶流失預測模型無法對用戶行為數(shù)據(jù)進行預測分析，或者存在得到的用戶流失預測結果不準確的問題。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

專業(yè)人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。

結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(RAM)、內(nèi)存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或技術領域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

對所公開的實施例的上述說明，使本領域?qū)I(yè)技術人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。