本发明专利技术提供一种用户的离网预测方法、装置、电子设备及存储介质，该方法包括：获取用户的在网特征，其中，所述在网特征为预设的与离网预测相关联的特征；将所述在网特征输入到离网预测模型，得到由所述离网预测模型输出的预测结果，所述预测结果用于表征用户离网的概率。本发明专利技术提供的用户的离网预测方法、装置、电子设备及存储介质，通过采用基于大数据训练得到的离网预测模型对待预测用户的在网特征进行分析，提前预测用户是否将要离网，便于是否采取合适的措施进行挽留，进一步减少用户流失。失。失。
【技术实现步骤摘要】
用户的离网预测方法、装置、电子设备及存储介质
[0001]本专利技术涉及通信
，尤其涉及一种用户的离网预测方法、装置、电子设备及存储介质。
技术介绍
[0002]携号转网业务开展以来，用户流失是运营商都面临的严重问题。而用户的消费是运营商收入的主要来源，对潜在离网用户的识别挽留也愈发重要。从目前来看，各运营商仍是通过人工外呼及查询网元级指标两种方法确认用户离网的原因：
[0003]1)运营商收到用户的离网请求短信后，通过人工外呼的方式，确认用户离网原因。这种方法与用户的主观感知相关性较强，经常出现用户两次调研描述不一致的情况，对于后续的修复挽留动作指导性较差，且目前有携转倾向的用户较多，需要的外呼人力资源较大；
[0004]2)用户申请或确认离网后，根据用户常驻区域周边的网元级网络指标，确认用户离网原因。这种方法仅能确认因网络质量导致离网的用户，且由于网元级指标覆盖范围较广，不能对单用户的网络感知进行精准定位。
[0005]同时，以上两种方法，均为用户明确表示要离网或已离网后进行的分析，未能事先预测识别出潜在的离网用户，并提前采取措施，以实现挽留用户的效果。
技术实现思路
[0006]针对现有技术存在的问题，本专利技术提供一种用户的离网预测方法、装置、电子设备及存储介质。
[0007]第一方面，本专利技术提供一种用户的离网预测方法，包括：
[0008]获取用户的在网特征，其中，所述在网特征为预设的与离网预测相关联的特征；
[0009]将所述在网特征输入到离网预测模型，得到由所述离网预测模型输出的预测结果，所述预测结果用于表征用户离网的概率；
[0010]其中，所述离网预测模型为将根据用户的在网特征样本和在网特征对应的离网标签作为输入，通过机器学习训练得到的，用于对用户的在网特征进行离网预测的模型。
[0011]在一个实施例中，所述获取用户的在网特征，包括：
[0012]获取用户的在网数据，以及确定在网特征项对应的统计规则；
[0013]根据所述在网数据和所述统计规则确定用户的在网特征。
[0014]在一个实施例中，所述方法还包括离网预测模型的构建步骤，所述构建步骤包括：
[0015]获取各样本的在网特征，根据各样本的在网特征分别划分出第一预设数目的在网特征集；
[0016]确定第一预设数目的核函数，以及确定回归函数；其中，各核函数的输出值作为回归函数的输入值，回归函数的输出值作为样本对应的离网标签；
[0017]将各样本的第一预设数目的在网特征集输入到对应的核函数进行训练，并将各核
函数的输出值输入到回归函数中进行训练，得到训练好的各核函数和回归函数，将训练好的各核函数和回归函数结合作为离网预测模型。
[0018]在一个实施例中，将各样本的第一预设数目的在网特征集输入到对应的核函数进行训练，得到训练好的各核函数，包括：
[0019]将各样本的第一预设数目的在网特征集输入到对应的核函数中，采用极大极小公式进行训练，得到训练好的各核函数；
[0020]其中，极大极小公式包括：
[0021][0022]其中，Y为包含各样本的离网标签的对角型矩阵，λ为正则化项的超参数，β为各个核矩阵的权系数，γ为一个正样本和负样本的数据，正样本为离网样本，负样本为在网样本；β
r
是第r核矩阵的权系数，K
r
是第r核矩阵，R与第一预设数目的值相同，θ为正样本和负样本的成对组合的集合。
[0023]第二方面，本专利技术提供一种用户的离网预测装置，包括：
[0024]获取模块，用于获取用户的在网特征，其中，所述在网特征为预设的与离网预测相关联的特征；
[0025]预测模块，用于将所述在网特征输入到离网预测模型，得到由所述离网预测模型输出的预测结果，所述预测结果用于表征用户离网的概率；
[0026]其中，所述离网预测模型为将根据用户的在网特征样本和在网特征对应的离网标签作为输入，通过机器学习训练得到的，用于对用户的在网特征进行离网预测的模型。
[0027]第三方面，本专利技术提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述用户的离网预测方法的步骤。
[0028]第四方面，本专利技术提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述用户的离网预测方法的步骤。
[0029]本专利技术提供的用户的离网预测方法、装置、电子设备及存储介质，通过采用基于大数据训练得到的离网预测模型对待预测用户的在网特征进行分析，提前预测用户是否将要离网，便于是否采取合适的措施进行挽留，进一步减少用户流失。
附图说明
[0030]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0031]图1是本专利技术提供的用户的离网预测方法的流程示意图；
[0032]图2是本专利技术提供的离网预测模型的训练过程示意图；
[0033]图3是本专利技术提供的用户的离网预测装置的结构示意图；
[0034]图4是本专利技术提供的电子设备的结构示意图；
具体实施方式
[0035]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0036]下面结合图1
‑
图4描述本专利技术的用户的离网预测方法、装置、电子设备及存储介质。
[0037]图1示出了本专利技术一种用户的离网预测方法的流程示意图，参见图1，该方法包括：
[0038]11、获取用户的在网特征，其中，在网特征为预设的与离网预测相关联的特征；
[0039]12、将在网特征输入到离网预测模型，得到由离网预测模型输出的预测结果，预测结果用于表征用户离网的概率；其中，离网预测模型为将根据用户的在网特征样本和在网特征对应的离网标签作为输入，通过机器学习训练得到的，用于对用户的在网特征进行离网预测的模型。
[0040]针对步骤11和步骤12，需要说明的是，在本专利技术中，用户A办理移动通信运营商B的通信业务，则说明用户A入网移动通信运营商B，即入网。若用户A停办移动通信运营商B的通信业务或将通信业务转移到移动通信运营商C上(如携号转网)，则说明用户A离网移动通信运营商B，即离网。
[0041]由此可知，在本专利技术中，入网后的用户称为在网用户。离网后的用户称为离网用户。
[0042]由于该方法用于对在网用户是本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户的离网预测方法，其特征在于，包括：获取用户的在网特征，其中，所述在网特征为预设的与离网预测相关联的特征；将所述在网特征输入到离网预测模型，得到由所述离网预测模型输出的预测结果，所述预测结果用于表征用户离网的概率；其中，所述离网预测模型为将根据用户的在网特征样本和在网特征对应的离网标签作为输入，通过机器学习训练得到的，用于对用户的在网特征进行离网预测的模型。2.根据权利要求1所述的用户的离网预测方法，其特征在于，所述获取用户的在网特征，包括：获取用户的在网数据，以及确定在网特征项对应的统计规则；根据所述在网数据和所述统计规则确定用户的在网特征。3.根据权利要求1所述的用户的离网预测方法，其特征在于，所述方法还包括离网预测模型的构建步骤，所述构建步骤包括：获取各样本的在网特征，根据各样本的在网特征分别划分出第一预设数目的在网特征集；确定第一预设数目的核函数，以及确定回归函数；其中，各核函数的输出值作为回归函数的输入值，回归函数的输出值作为样本对应的离网标签；将各样本的第一预设数目的在网特征集输入到对应的核函数进行训练，并将各核函数的输出值输入到回归函数中进行训练，得到训练好的各核函数和回归函数，将训练好的各核函数和回归函数结合作为离网预测模型。4.根据权利要求3所述的用户的离网预测方法，其特征在于，将各样本的第一预设数目的在网特征集输入到对应的核函数进行训练，得到训练好的各核函数，包括：将各样本的第一预设数目的在网特征集输入到对应的核函数中，采用极大极小公式进行训练，得到训练好的各核函数；其中，极大极小公式包括：其中，Y为包含各样本的离网标签的对角型矩阵，λ为正则化项的超参数，β为各个核矩阵的权系数，γ为一个正样本和负样本的数据，正样本为离网样本，负样本为在网样本；β
r
是第r核矩阵的权系数，K
r
是第r核矩阵，R与第一预设数目的值相同，θ为正样本和负样本的成对组合的集合。5.一种用户的离网预测装置，其特征在于，包括：获取模块，用于获取用户的在网特征，其中，所述在网特征为预设的与离网预测相关联的特征；预测模块，用于将所述在网特征输入到离网预测模型，得到由...
【专利技术属性】
技术研发人员：王倩茹，张晴，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。