一种用户活跃度的预测方法、装置及其应用方法和系统的制作方法
【技术领域】
[0001] 本发明设及互联网技术领域，尤其设及一种用户活跃度的预测方法、装置及其应 用方法和系统。
【背景技术】
[0002] 随着科学技术的不断发展，电子技术也得到了飞速的发展，电子产品的种类也越 来越多，人们也享受到了科技发展带来的各种便利。现在人们可W通过各种类型的移动终 端，享受随着科技发展带来的舒适生活。例如，智能手机、平板电脑等移动终端已经成为人 们生活中一个重要的组成部分，用户可W使用智能手机、平板电脑等移动终端来听音乐、玩 游戏等等，W减轻现代快节奏生活所带来的压力。
[0003] 通常情况下，电子设备都具备网络访问功能，电子设备通过和网络服务器的交互 实现网络访问，并接收网络服务器提供的各种数据，其中，基于用户访问各个网站或者APP， 各个网站或者APP能从中获得相关收益。故而，活跃用户对于网站或者APP而言至关重要，现 有技术中往往只能对当前时间内用户是否活跃或者流失进行统计，存在着无法对用户将来 的活跃情况进行预测的技术问题。
【发明内容】
[0004] 鉴于上述问题，提出了本发明W便提供一种克服上述问题或者至少部分地解决上 述问题的用户活跃度的预测方法、装置及其应用方法和系统。
[0005] 第一方面，本发明实施例提供一种用户活跃度的预测方法，包括：
[0006] 获得终端采集的用户预设时间内的Μ种特征数据，Μ为正整数；
[0007] 基于所述Μ种特征数据中每种特征数据的特征参数，生成所述用户的用户向量； [000引将所述用户向量输入逻辑回归模型，获得所述逻辑回归模型的输出结果作为在所 述预设时间段之后所述用户对预定网络访问对象的用户活跃度值；
[0009] 其中，所述逻辑回归模型基于多组采样样本进行逻辑回归训练获得，所述多组采 样样本中的每组采样样本包含采样用户的所述Μ种特征数据;所述多组采样样本包含正样 本和负样本，在采样时间之后的预设时间段内，所述正样本中的采样用户在所述预定网络 访问对象的用户活跃度满足第一预设活跃度条件;在所述采样时间之后的预设时间段内， 所述负样本中的采样用户在所述预定网络访问对象的用户活跃度值不满足所述第一预设 活跃度条件。
[0010] 可选的，所述逻辑回归模型通过W下方式获得：
[0011] 获得多组采样样本，所述多组采样样本中的每组采样样本包含采样用户W及所述 采样用户的所述Μ种特征数据；
[0012] 从所述多组采样样本中分别确定出正样本和负样本；
[0013] 采用所述正样本和所述负样本进行逻辑回归训练，进而获得所述逻辑回归模型。
[0014] 可选的，所述Μ种特征数据包括:用户行为特征类别、终端特征类别、用户个人特征 类别中至少一个类别下的特征数据。
[0015] 可选的，所述用户行为特征类别包括:清理行为数据、访问应用程序的行为数据、 下载应用程序的行为数据、点击应用程序的行为数据中的至少一种行为数据。
[0016] 可选的，所述终端特征类别包括:安装应用程序的数量、安装应用程序的名称、安 装应用程序的版本、系统版本、内存参数、流量参数中的至少一种终端特征。
[0017] 可选的，所述用户个人特征类别包括:性别、年龄、职业、所在地、教育背景中的至 少一种用户个人特征。
[0018] 可选的，所述预定网络访问对象包括:预定应用程序或者预定网站。
[0019] 第二方面，本发明实施例提供一种用户活跃度的预ii方法，包括：
[0020] 获得终端采集的用户预设时间内的Μ种特征数据，Μ为正整数；
[0021 ]将所述Μ种特征数据发送至网络服务器，W供所述网络服务器基于所述Μ特征数据 确定出所述用户的用户向量并将所述用户向量输入逻辑回归模型，进而获得所述逻辑回归 模型的输出结果作为在所述预设时间段之后所述用户对预定网络访问对象的用户活跃度 值；
[0022] 其中，所述逻辑回归模型基于多组采样样本进行逻辑回归训练获得，所述多组采 样样本中的每组采样样本包含采样用户的所述Μ种特征数据;所述多组采样样本包含正样 本和负样本，在采样时间之后的预设时间段内，所述正样本中的采样用户在所述预定网络 访问对象的用户活跃度满足第一预设活跃度条件;在所述采样时间之后的预设时间段内， 所述负样本中的采样用户在所述预定网络访问对象的用户活跃度值不满足所述第一预设 活跃度条件。
[0023] 可选的，所述Μ种特征数据包括:用户行为特征类别、终端特征类别、用户个人特征 类别中至少一个类别下的特征数据。
[0024] 可选的，所述用户行为特征类别包括:清理行为数据、访问应用程序的行为数据、 下载应用程序的行为数据、点击应用程序的行为数据中的至少一种行为数据。
[0025] 可选的，所述终端特征类别包括:安装应用程序的数量、安装应用程序的名称、安 装应用程序的版本、系统版本、内存参数、流量参数中的至少一种终端特征。
[0026] 可选的，所述用户个人特征类别包括:性别、年龄、职业、所在地、教育背景中的至 少一种用户个人特征。
[0027] 可选的，所述预定网络访问对象包括:预定应用程序或者预定网站。
[0028] 第Ξ方面，本发明实施例提供一种基于用户活跃度的信息推送方法，包括：
[0029] 基于本发明任一实施例所介绍的用户活跃度的预测方法，确定出第一用户针对所 述预定网络访问对象的所述用户活跃度值；
[0030] 基于所述第一用户的所述用户活跃度值，判断所述预设时间段后所述第一用户是 否成为所述预定网络访问对象的流失用户；
[0031] 如果所述第一用户将成为所述流失用户，通过所述第一用户的终端向所述第一用 户产生第一推送信息。
[0032] 可选的，在所述向所述第一用户产生第一推送信息之前，所述方法还包括：
[0033] 获取所述第一用户访问网络过程中的历史访问记录；
[0034] 基于所述历史访问记录确定出所述第一用户的兴趣特征；
[0035] 基于所述第一用户的兴趣特征确定出所述第一推送信息。
[0036] 可选的，所述历史访问记录为所述用户基于所述预定网络访问对象访问网络所获 得历史访问记录。
[0037] 可选的，在所述向所述第一用户产生第一推送信息之前，所述方法还包括：
[0038] 基于所述第一用户与其他用户的所述Μ种特征数据确定出与所述第一用户的用户 相似度值大于预设相似度值的推荐用户；
[0039] 确定所述推荐用户的兴趣特征；
[0040] 基于所述推荐用户的兴趣特征确定出所述第一推送信息。
[0041] 可选的，所述基于所述第一用户的所述活跃度值，判断所述预设时间段后所述第 一用户是否成为所述预定网络访问对象的流失用户，包括：
[0042] 判断所述用户活跃度值是否小于预设阔值；
[0043] 在所述用户活跃度值小于所述预设阔值时，确定在所述预定时间段后所述第一用 户将成为所述预定网络访问对象的流失用户。
[0044] 第四方面，本发明实施例提供一种基于用户活跃度的信息推送方法，包括：
[0045] 基于本发明任一实施例所介绍的用户活跃度的预测方法，确定出第二用户针对所 述预定网络访问对象的所述用户活跃度值；
[0046] 基于所述第二用户的所述用户活跃度值，判断所述预设时间段后所述第一用户是 否为所述预定网络访问对象的活跃用户；
[0047] 如果所述预设时间段后所述第二用户是否为所述预定网络访问对象的活跃用户， 确定所述预设时间段内所述第二用户针对所述预定网络访问对象的活跃数据；
[0048] 基于所述活跃数据，判断所述第二用户针对所述预定网络访问对象的持续活跃时 长是否大于预设持续活跃时长；
[0049] 在所述持续活跃时长大于所述预设活跃时长时，通过所述第二用户的终端向所述 第二用户发送第二推送信息。
[0050] 可选的，所述活跃数据包括W下数据中的至少一种数据：
[0051] 所述第二用户访问所述预定网络访问对象的连续访问天数;或者
[0052] 所述第二用户访问预设时间段内访问所述网络访问对象的访问总次数;或者
[0053] 所述第二用户访问预设时间段内访问所述网络访问对象的访问总时长。
[0054] 可选的，所述判断所述第二用户针对所述预定网络访问对象的持续活跃时长是否 大于预设持续活跃时长，包括：
[0055] 判断所述第二用户访问所述预定网络访问对象的持续访问天数是否大于预设天 数;或者
[0056] 判断所述第二用户访问所述预定网络访问对象的访问总次数是否大于预设次数； 或者
[0057] 判断所述第二用户访问所述预定网络访问对象的访问总时长是否大于预设时长。
[0058] 第五方面，本发明实施例提供一种用户活跃度的预测装置，包括：
[0059] 第一获得模块，用于获得终端采集的用户预设时间内的Μ种特征数据，Μ为正整数；
[0060] 生成模块，用于基于所述Μ种特征数据中每种特征数据的特征参数，生成所述用户 的用户向量；
[0061] 第二获得模块，用于将所述用户向量输入逻辑回归模型，获得所述逻辑回归模型 的输出结果作为在所述预设时间段之后所述用户对预定网络访问对象的用户活跃度值；
[0062] 其中，所述逻辑回归模型基于多组采样样本进行逻辑回归训练获得，所述多组采 样样本中的每组采样样本包含采样用户的所述Μ种特征数据;所述多组采样样本包含正样 本和负样本，在采样时间之后的预设时间段内，所述正样本中的采样用户在所述预定网络 访问对象的用户活跃度满足第一预设活跃度条件;在所述采样时间之后的预设时间段内， 所述负样本中的采样用户在所述预定网络访问对象的用户活跃度值不满足所述第一预设 活跃度条件。
[0063] 可选的，所述装置还包括：
[0064] 第Ξ获得模块，用于获得多组采样样本，所述多组采样样本中的每组采样样本包 含采样用户W及所述采样用户的所述Μ种特征数据；
[0065] 第一确定模块，用于从所述多组采样样本中分别确定出正样本和负样本；
[0066] 训练模块，用于采用所述正样本和所述负样本进行逻辑回归训练，进而获得所述 逻辑回归模型。
[0067] 可选的，所述Μ种特征数据包括:用户行为特征类别、终端特征类别、用户个人特征 类别中至少一个类别下的特征数据。
[0068] 可选的，所述用户行为特征类别包括:清理行为数据、访问应用程序的行为数据、 下载应用程序的行为数据、点击应用程序的行为数据中的至少一种行为数据。
[0069] 可选的，所述终端特征类别包括:安装应用程序的数量、安装应用程序的名称、安 装应用程序的版本、系统版本、内存参数、流量参数中的至少一种终端特征。
[0070] 可选的，所述用户个人特征类别包括:性别、年龄、职业、所在地、教育背景中的至 少一种用户个人特征。
[0071] 可选的，所述预定网络访问对象包括:预定应用程序或者预定网站。
[0072] 第六方面，本发明实施例提供一种用户活跃度的预测装置，包括：
[0073] 第四获得模块，用于获得终端采集的用户预设时间内的Μ种特征数据，Μ为正整数；
[0074] 发送模块，用于将所述Μ种特征数据发送至网络服务器，W供所述网络服务器基于 所述Μ特征数据确定出所述用户的用户向量并将所述用户向量输入逻辑回归模型，进而获 得所述逻辑回归模型的输出结果作为在所述预设时间段之后所述用户对预定网络访问对 象的用户活跃度值；
[0075] 其中，所述逻辑回归模型基于多组采样样本进行逻辑回归训练获得，所述多组采 样样本中的每组采样样本包含采样用户的所述Μ种特征数据;所述多组采样样本包含正样 本和负样本，在采样时间之后的预设时间段内，所述正样本中的采样用户在所述预定网络 访问对象的用户活跃度满足第一预设活跃度条件;在所述采样时间之后的预设时间段内， 所述负样本中的采样用户在所述预定网络访问对象的用户活跃度值不满足所述第一预设 活跃度条件。
[0076] 可选的，所述Μ种特征数据包括:用户行为特征类别、终端特征类别、用户个人特征 类别中至少一个类别下的特征数据。
[0077] 可选的，所述用户行为特征类别包括:清理行为数据、访问应用程序的行为数据、 下载应用程序的行为数据、点击应用程序的行为数据中的至少一种行为数据。
[0078] 可选的，所述终端特征类别包括:安装应用程序的数量、安装应用程序的名称、安 装应用程序的版本、系统版本、内存参数、流量参数中的至少一种终端特征。
[0079