用户生命价值周期检测方法、装置和计算机设备制造方法及图纸

本申请涉及一种用户生命价值周期检测方法、装置、计算机设备和存储介质。获取用户账号对应的行为数据；将该行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。小了用户LTV检测的误差。小了用户LTV检测的误差。

【技术实现步骤摘要】
用户生命价值周期检测方法、装置和计算机设备


[0001]本申请涉及移动应用
，特别是涉及一种用户生命价值周期检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着移动设备的全方面覆盖，移动应用市场得到了迅速的发展。目前为止App Store和Google Play Store的移动应用都有上百万个。尽管移动应用数量激增，但是用户实际使用的应用数量却在缓慢下降，数据显示用户在更少的应用上花费更多的时间。除了留住现有用户，还需要使用高效、精准的推广方法获取新用户。对于一款应用来说，获取新用户的方式很多，如：广告投放、商城推荐、好友推荐等，其中广告投放获得的新用户占全部新用户的70％左右。广告投放需要可控的成本，合理的选择渠道，精准的检测用户LTV(Lifetime Value，生命周期价值)，从而最大化投入产出比。
[0003]传统的用户LTV检测方法采用拟合法，拟合用户LTV随时间的变化函数，进而检测用户LTV。
[0004]但是拟合法不能准确的得到用户的LTV函数，因此检测的用户LTV误差较大。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够准确检测用户生命价值周期的用户生命价值周期检测方法、装置、计算机设备和存储介质。
[0006]一种用户生命价值周期检测方法，该方法包括：
[0007]获取用户账号对应的行为数据；
[0008]将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
[0009]若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
[0010]若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据训练得到。
[0011]在其中一个实施例中，获取用户账号对应的行为数据之后还包括：对该用户账号对应的行为数据进行预处理，得到预处理后的用户账号的行为数据。
[0012]在其中一个实施例中，对该用户账号对应的行为数据进行预处理，包括：将该用户账号的行为数据按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；将该非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；将该数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
[0013]在其中一个实施例中，该用户账号对应的行为数据包括：用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息。
[0014]在其中一个实施例中，该分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据该正样本和负样本对初始分类模型进行训练，得到训练好的分类模型。
[0015]在其中一个实施例中，该预测模型的训练过程包括：获取训练样本，该训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及该样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
[0016]在其中一个实施例中，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV，包括：根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到该用户账号对应的用户的生命价值周期LTV。
[0017]一种用户生命价值周期预测装置，该装置包括：
[0018]获取模块，用于获取用户账号对应的行为数据；
[0019]分类模块，用于将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
[0020]第一确定模块，用于若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
[0021]第二确定模块，用于若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据训练得到。
[0022]一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
[0023]一种用户生命价值周期检测方法，该方法包括：
[0024]获取用户账号对应的行为数据；
[0025]将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
[0026]若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
[0027]若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据训练得到。
[0028]一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0029]一种用户生命价值周期检测方法，该方法包括：
[0030]获取用户账号对应的行为数据；
[0031]将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类
型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
[0032]若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
[0033]若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据训练得到。
[0034]上述用户生命价值周期检测方法、装置、计算机设备和存储介质，获取用户账号对应的行为数据；将用户账号的行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。
附图说明...

【技术保护点】

【技术特征摘要】
1.一种用户生命价值周期检测方法，其特征在于，所述方法包括：获取用户账号对应的行为数据；将所述用户账号的行为数据输入训练好的分类模型，得到所述用户账号对应的用户类型；所述分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若所述用户类型为所述第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定所述用户账号对应的用户的生命价值周期LTV；若所述用户类型为所述第二用户类型，将所述用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，所述预测模型是基于属于第二用户类型的历史行为数据训练得到。2.根据权利要求1所述的方法，其特征在于，所述获取用户账号对应的行为数据之后还包括：对所述用户账号对应的行为数据进行预处理，得到预处理后的用户账号的行为数据。3.根据权利要求2所述的方法，其特征在于，所述对所述用户账号对应的行为数据进行预处理，包括：将所述用户账号的行为数据按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；将所述非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；将所述数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。4.根据权利要求1所述的方法，其特征在于，所述用户账号对应的行为数据包括：用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息。5.根据权利要求1所述的方法，其特征在于，所述分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据所述正样本和负样本对初始分类模...

【专利技术属性】
技术研发人员：李炜铭，
申请(专利权)人：深圳市九九互动科技有限公司，
类型：发明
国别省市：