一种预测用户离网的方法及装置的制造方法
【技术领域】
[0001] 本发明实施例涉及通信技术领域，尤其涉及一种预测用户离网的方法及装置。
【背景技术】
[0002] 对于多数基于入网服务的企业来说，预测用户未来是否离网及其离网的主要原因 至关重要。例如，电信运营商非常关必其在网用户未来是否可能离网及离网的时间和原因， 然后利用送些结果针对性的为可能离网的用户进行维系和挽留活动，从而保障存量用户的 价值，持续为电信运营商提供稳定的利润。通常，运营商希望能够提前一段时间预测出用户 离网的倾向，从而有足够的时间来维系和挽留用户。
[0003] 现有的预测用户离网的技术，主要是基于用户早期的业务消费特征数据，送些数 据可W来自用户的账单、话单等，例如：用户每天的通话时长、每天使用的数据流量、发送的 短信条数、每月消费金额等。而送些数据对用户离网特征刻画的不够全面，常常不能准确地 预测出用户未来的离网状况，例如，用户可能在离网前的半年内，每天的通话时长、每天使 用的数据流量、发送的短信条数、每月消费金额变化不大，送样就很难预测半年后用户的状 态。
【发明内容】
[0004] 有鉴于此，本发明实施例提供了一种预测用户离网的方法及装置，能够提高用户 离网预测的准确度。
[0005] 第一方面，本发明实施例提供的预测用户离网的方法，包括：
[0006] 获取用户在第一预置时间段内的业务消费特征数据、位置活动特征数据及社交网 络特征数据，所述位置活动特征数据指的是所述用户在所述第一预置时间段内与各个基站 通信的相关数据，所述社交网络特征数据指的是在所述第一预置时间段内所述用户与社交 网络中的其他用户通信的相关数据；
[0007] 将获取的所述业务消费特征数据、所述位置活动特征数据及所述社交网络特征数 据输入预先训练好的分类器进行计算并输出计算结果，所述计算结果为所述用户的离网预 测结果。
[0008] 结合第一方面，在第一方面的第一种实施方式中，所述获取用户在第一预置时间 段内的位置活动特征数据包括：
[0009] 从位置活动特征矩阵中抽取所述用户的位置活动特征数据，所述位置活动特征矩 阵为在所述第一预置时间段内各个用户与各个基站通信的相关数据构成的矩阵。
[0010] 结合第一方面，或第一方面的第一种实施方式，在第一方面的第二种实施方式中， 所述获取用户在第一预置时间段内的社交网络特征数据包括：
[0011] 从社交网络特征矩阵中抽取所述用户的社交网络特征数据，所述社交网络特征矩 阵为在所述第一预置时间段内所述社交网络中各个用户相互通信的相关数据构成的矩阵。
[0012] 结合第一方面，或第一方面的第一种实施方式，或第一方面的第二种实施方式，在 第一方面的第Η种实施方式中，在获取用户在第一预置时间段内的业务消费特征数据、位 置活动特征数据及社交网络特征数据之后，所述方法还包括：
[0013] 将所述位置活动特征数据的维度降低到预设维度，W及根据所述社交网络特征数 据计算所述用户在所述社交网络中的影响力；
[0014] 所述将获取的所述业务消费特征数据、所述位置活动特征数据及所述社交网络特 征数据输入预先训练好的分类器进行计算并输出计算结果包括：
[0015] 将所述业务消费特征数据、降低到预设维度的位置活动特征数据及计算所得的所 述用户在所述社交网络中的影响力输入到预先训练好的分类器进行计算并输出计算结果。
[0016] 结合第一方面的第Η种实施方式，在第一方面的第四种实施方式中，所述将所述 业务消费特征数据、降低到预设维度的位置活动特征数据及计算所得的所述用户在所述社 交网络中的影响力输入到预先训练好的分类器进行计算的过程中，所述业务消费特征数据 越大，所述用户离网的概率越低；所述用户在所述社交网络中的影响力越大，所述用户离网 的概率越低；当所述用户与同一网络中的不同基站通信时，所述用户与网络中通信质量越 差的基站通信的相关数据越小，所述用户离网的概率越低，当所述用户与不同网络中的基 站通信时，与所述用户通信的相关数据越大的基站，所述用户离开其所在的网络的概率越 低。
[0017] 结合第一方面，或第一方面的第一种实施方式，或第一方面的第二种实施方式，或 第一方面的第Η种实施方式，或第一方面的第四种实施方式，在第一方面的第五种实施方 式中，在获取用户在第一预置时间段内的业务消费特征数据、位置活动特征数据及社交网 络特征数据之前，所述方法还包括训练所述分类器，具体方法如下：
[0018] 将各个用户在第二预置时间段内的业务消费特征数据、位置活动特征数据及社交 网络特征数据作为所述分类器的第一输入，将所述各个用户当前的网络状态作为所述分类 器的第二输入，利用预设的算法对输入所述分类器的第一输入及第二输入进行训练得到所 述分类器，所述第二预置时间段大于所述第一预置时间段，所述预设的算法包括：随机森林 算法、支持向量机算法、深层神经网络算法及逻辑回归算法。
[0019] 本发明实施例第二方面提供了一种预测用户离网的装置，包括：
[0020] 获取单元，用于获取用户在第一预置时间段内的业务消费特征数据、位置活动特 征数据及社交网络特征数据，所述位置活动特征数据指的是所述用户在所述第一预置时间 段内与各个基站通信的相关数据，所述社交网络特征数据指的是在所述第一预置时间段内 所述用户与社交网络中的其他用户通信的相关数据；
[0021] 处理单元，用于将所述获取单元获取的所述业务消费特征数据、所述位置活动特 征数据及所述社交网络特征数据输入预先训练好的分类器进行计算并输出计算结果，所述 计算结果为所述用户的离网预测结果。
[0022] 结合第二方面，在第二方面的第一种实施方式中，所述获取单元获取所述用户在 第一预置时间段内的位置活动特征数据包括：
[0023] 所述获取单元从位置活动特征矩阵中抽取所述用户的位置活动特征数据，所述位 置活动特征矩阵为在所述第一预置时间段内各个用户与各个基站通信的相关数据构成的 矩阵。
[0024] 结合第二方面，或第二方面的第一种实施方式，在第二方面的第二种实施方式中， 所述获取单元获取所述用户在第一预置时间段内的社交网络特征数据包括：
[0025] 所述获取单元从社交网络特征矩阵中抽取所述用户的社交网络特征数据，所述社 交网络特征矩阵为在所述第一预置时间段内所述社交网络中各个用户相互通信的相关数 据构成的矩阵。
[0026] 结合第二方面，或第二方面的第一种实施方式，或第二方面的第二种实施方式，在 第二方面的第Η种实施方式中，所述处理单元包括：
[0027] 第一处理子单元，用于将所述获取单元获取的所述位置活动特征数据的维度降低 到预设维度；
[0028] 第二处理子单元，用于根据所述获取单元获取的所述社交网络特征数据计算所述 用户在所述社交网络中的影响力；
[0029] 第Η处理子单元，用于将所述业务消费特征数据、降低到预设维度的位置活动特 征数据及计算所得的所述用户在所述社交网络中的影响力输入到预先训练好的分类器进 行计算并输出计算结果。
[0030] 结合第二方面的第Η种实施方式，在第二方面的第四种实施方式中，在所述第Η 处理子单元将所述业务消费特征数据、降低到预设维度的位置活动特征数据及计算所得的 所述用户在所述社交网络中的影响力输入到预先训练好的分类器进行计算的过程中，所述 业务消费特征数据越大，所述用户离网的概率越低；所述用户在所述社交网络中的影响力 越大，所述用户离网的概率越低；当所述用户与同一网络中的不同基站通信时，所述用户与 网络中通信质量越差的基站通信的相关数据越小，所述用户离网的概率越低，当所述用户 与不同网络中的基站通信时，与所述用户通信的相关数据越大的基站，所述用户离开其所 在的网络的概率越低。
[0031] 结合第二方面，或第二方面的第一种实施方式，或第二方面的第二种实施方式，或 第二方面的第Η种实施方式，或第二方面的第四种实施方式，在第二方面的第五种实施方 式中，所述装置还包括分类器训练单元，用于训练所述分类器，所述分类器训练单元具体用 于：
[0032] 将各个用户在第二预置时间段内的业务消费特征数据、位置活动特征数据及社交 网络特征数据作为所述分类器的第一输入，将所述各个用户当前的网络状态作为所述分类 器的第二输入，利用预设的算法对输入所述分类器的第一输入及第二输入进行训练得到所 述分类器，所述第二预置时间段大于所述第一预置时间段，所述预设的算法包括：随机森林 算法、支持向量机算法、深层神经网络算法及逻辑回归算法。从W上技术方案可W看出，本 发明实施例具有W下优点：
[0033] 本发明实施例中，获取用户的业务消费特征数据、位置活动特征数据及社交网络 特征数据，将送Η类数据输入到分类器对用户进行离网预测。相较于现有技术中只用用户 的业务消费特征数据对用户的离网特征进行刻画的方法，本发明实施例新增了用户的位置 活动特征数据及社交网络特征数据，利用送Η类数据对用户离网特征进行了全面的刻画， 根据送Η类数据对用户进行离网预测，预测结果更加可靠准确。
【附图说明】
[0034] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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W根据送些附图获得其他的附图。
[0035] 图1为本发明预测用户离网的方法一个实施例示意图；
[0036] 图2为本发明预测用户离网的方法另一实施例示意图；
[0037] 图3为本发明预测用户离网的装置一个实施例示意图；
[0038] 图4为本发明预测用户离网的装置另一实施例示意图；