【技术实现步骤摘要】
本专利技术涉及数据监测领域，尤其涉及一种活跃用户预测方法、装置、服务器和存储介质。
技术介绍
1、伴随着软件技术的不断发展，各种各样的应用程序(application，app)出现在人们视野中，而对应用程序中活跃用户数量的预测，也成为了数据监测技术的重要分支。
2、现有技术中，通常是将用户的历史登陆信息，输入到预训练完成的预测模型中，以根据用户的历史登录信息，预测其在未来一段时间内是否会使用当前应用程序，进而获取未来一段时间内的活跃用户数量。
3、然而，这样的预测方式，获取到的活跃用户数量往往存在较大误差，无法准确预测各个用户的实际登录结果，且仅能预测各个用户是否存在登录行为，预测功能较为单一。
技术实现思路
1、本专利技术提供了一种活跃用户预测方法、装置、服务器及存储介质，以解决活跃用户数量预测结果误差较大的问题。
2、根据本专利技术的一方面，提供了一种活跃用户预测方法，包括：
3、根据用户属性信息对各个用户进行分类，以获取各个用户的用户类别；
4、根据各个用户类别的活跃事件集合，获取第一预设时间内各个用户的活跃影响系数；
5、根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间；其中，所述预测模型基于神经网络结构构建完成。
6、所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。
7、所述根据各个用户类别的
8、所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测登录次数、每次登录的起始登录时刻以及登录持续时间。
9、所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：获取第一类型用户；其中，所述第一类型用户的登录次数大于等于第一数量阈值，且每次登录的间隔时间均小于等于第一时间阈值；根据第一类型用户的历史登陆信息和活跃影响系数，通过预先训练完成的第一类型预测模型，获取第一类型用户在第一预设时间内的预测活跃时间；其中，所述第一类型预测模型基于循环神经网络结构构建。
10、所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：获取第二类型用户；其中，所述第二类型用户的登录次数小于第二数量阈值，且每次登录的间隔时间均大于第二时间阈值；根据第二类型用户的历史登陆信息和活跃影响系数，通过预先训练完成的第二类型预测模型，获取第二类型用户在第一预设时间内的预测活跃时间；其中，所述第二类型预测模型基于注意力神经网络结构构建。
11、所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：获取第三类型用户；其中，所述第三类型用户为除所述第一类型用户以及第二类型用户之外的其它用户；根据第三类型用户的历史登陆信息和活跃影响系数，通过预先训练完成的第三类型预测模型，获取第三类型用户在第一预设时间内的预测活跃时间；其中，所述第三类型预测模型基于卷积神经网络结构构建。
12、根据本专利技术的另一方面，提供了一种活跃用户预测装置，包括：
13、用户类别获取模块，用于根据用户属性信息对各个用户进行分类，以获取各个用户的用户类别；
14、系数获取执行模块，用于根据各个用户类别的活跃事件集合，获取第一预设时间内各个用户的活跃影响系数；
15、活跃时间预测模块，用于根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间；其中，所述预测模型基于神经网络结构构建完成。
16、根据本专利技术的另一方面，提供了一种服务器，所述服务器包括：
17、至少一个处理器；以及
18、与所述至少一个处理器通信连接的存储器；其中，
19、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的活跃用户预测方法。
20、根据本专利技术的另一方面，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计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例的活跃用户预测方法。
21、本专利技术实施例的技术方案，首先根据用户属性信息对各个用户进行分类处理，以获取各个用户的用户类别，然后根据各个用户类别的活跃事件集合，获取第一预设时间内各个用户的活跃影响系数，最后根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，不但提高了活跃用户预测结果的准确性，同时，获取到各个用户的预测活跃时长，扩展了活跃用户的预测范围，提升了活跃用户的预测精度。
22、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种活跃用户预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。
3.根据权利要求2所述的方法，其特征在于，所述根据各个用户类别的活跃事件集合，获取第一预设时间内各个用户的活跃影响系数，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在
8.一种活跃用户预测装置，其特征在于，包括：
9.一种服务器，其特征在于，所述服务器包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的活跃用户预测方法。
...【技术特征摘要】
1.一种活跃用户预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述活跃事件集合包括触发时间固定的常规事件和触发时间不固定的突发事件。
3.根据权利要求2所述的方法，其特征在于，所述根据各个用户类别的活跃事件集合，获取第一预设时间内各个用户的活跃影响系数，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据各个用户的历史登陆信息和活跃影响系数，通过预先训练完成的预测模型，获取各个用户在第一预设时间内的预测活跃时间...
【专利技术属性】
技术研发人员：王定波，张乾坤，关声涛，聂林，沈圆辉，黄耀明，李光辉，吴佩泽，田湘岚，江家伟，车濡均，
申请(专利权)人：南方电网数字电网集团信息通信科技有限公司，
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。