换机倾向预测方法、装置、设备及存储介质与流程

本申请涉及信息处理，尤其涉及一种换机倾向预测方法、装置、设备及存储介质。

背景技术：

1、智能手机、手表等iot设备的终端业务已经成为电信运营商的战略核心，对于运营商而言，终端业务不仅可以提升运营端收入，提升用户价值，预测用户换机行为可以帮助运营商向用户精准推荐相关终端活动，有助于强化运营商机套网融合发展，有效提高省内dou和网络流量占比，从而有效促进用户价值提升；还可以通过终端合约等维系用户在网，减少用户流失。因此，如何精准预测用户换机行为成为一个亟待解决的问题。

2、现有的换机预测使用用户的静态数据进行预测，如用户自然属性、换机记录、终端属性等，忽略了用户的动态行为特征，然而用户的动态行为特征往往能够反映用户在换机前的使用情况。因此，导致目前的换机预测方法预测得到的换机概率准确率低。

技术实现思路

1、本申请的主要目的在于提供一种换机倾向预测方法、装置、设备及存储介质，旨在解决现有技术中换机预测准确率低的技术问题。

2、为实现上述目的，本申请提供一换机倾向预测方法，应用于服务端，所述换机倾向预测方法包括：

3、通过lstm网络和注意力机制对目标用户的时间序列数据进行向量表征，得到目标向量表征，所述时间序列数据包括通话时长序列数据、流量序列数据；

4、获取所述目标用户的静态数据，对所述静态数据进行向量表示，得到静态特征向量；

5、将所述静态特征向量和所述目标向量表征进行堆叠，形成全特征编码向量，将预设的用户多分片模块计算出的所述全特征编码向量的概率，确定为所述目标用户的目标换机概率。

6、可选地，所述通过lstm网络和注意力机制对目标用户的时间序列数据进行向量表征，得到目标向量表征的步骤，包括：

7、通过lstm网络对目标用户的时间序列数据进行处理，输出所述时间序列数据对应的隐状态向量；

8、基于注意力机制中的多头注意力机制对所述隐状态向量进行向量表征，得到至少一个目标向量表征，所述多注意力机制中包括至少一个多头注意力机制层。

9、可选地，所述基于注意力机制中的多头注意力机制对所述隐状态向量进行向量表征，得到至少一个目标向量表征的步骤，包括：

10、将所述隐状态向量输入至所述多头注意力机制层中，得到所述时间序列数据对应的至少一个时间序列数据向量；

11、所述至少一个时间序列数据向量经过对应的第一全连接层，得到至少一个初始向量表征；

12、将至少一个所述初始向量表征进行堆叠，堆叠后的向量经过第一全连接网络，得到所述目标向量表征。

13、可选地，所述获取所述目标用户的静态数据，对所述静态数据进行向量表示，得到静态特征向量的步骤，包括：

14、获取所述目标用户的静态数据，所述静态数据包括用户自然属性、终端属性、用户历史换机记录；

15、对所述静态数据用embedding向量进行编码，得到静态特征向量。

16、可选地，所述将所述静态特征向量和所述目标向量表征进行堆叠，形成全特征编码向量，将预设的用户多分片模块计算出的所述全特征编码向量的概率，确定为所述目标用户的目标换机概率的步骤，包括：

17、将所述静态特征向量和所述目标向量表征进行堆叠，形成全特征编码向量；

18、将所述全特征编码向量输入至预设的用户多分片模块中，计算出当前分片方式下的分片换机概率；

19、根据所述分片换机概率和第二全连接网络，确定所述目标换机概率。

20、可选地，所述用户多分片模块中包括至少一个子分片，每个所述子分片具有至少一个分类类别；

21、所述将所述全特征编码向量输入至预设的用户多分片模块中，计算出当前分片方式下的用户换机概率的步骤，包括：

22、将所述全特征编码向量输入至所述子分片中，通过第三全连接网络，计算出所述目标用户归属于目标分类类别的归属概率；

23、经过第四全连接网络，计算出所述目标分类类别对应的换机概率；

24、基于所述归属概率、所述换机概率与预设的算法规则，计算出所述分片换机概率。

25、可选地，所述根据所述分片换机概率和第二全连接网络，确定所述目标换机概率的步骤，包括：

26、将至少一个所述分片换机概率拼接，得到分片概率向量；

27、获取所述第二全连接网络的权重矩阵，基于所述分片概率向量经过所述第二全连接网络与所述权重矩阵，得到出目标换机概率。

28、本申请还提供一种换机倾向预测装置，所述换机倾向预测装置包括：

29、向量表征模块，用于通过lstm网络和注意力机制对目标用户的时间序列数据进行向量表征，得到目标向量表征，所述时间序列数据包括通话时长序列数据、流量序列数据；

30、数据获取模块，用于获取所述目标用户的静态数据，对所述静态数据进行向量表示，得到静态特征向量；

31、换机预测模块，用于将所述静态特征向量和所述目标向量表征进行堆叠，形成全特征编码向量，将预设的用户多分片模块计算出的所述全特征编码向量的概率，确定为所述目标用户的目标换机概率。

32、本申请还提供一换机倾向预测设备，所述换机倾向预测设备包括：存储器、处理器以及存储在存储器上的用于实现所述换机倾向预测方法的程序，

33、所述存储器用于存储实现所述换机倾向预测方法的程序；

34、所述处理器用于执行实现所述换机倾向预测方法的程序，以实现上述所述换机倾向预测方法的步骤。

35、本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的换机倾向预测方法的步骤。

36、本申请提供的一种换机倾向预测方法、装置、设备及存储介质，与现有技术的换机预测方法预测得到的换机概率准确率低相比，在本申请中，通过lstm网络和注意力机制对目标用户的时间序列数据进行向量表征，得到目标向量表征，所述时间序列数据包括通话时长序列数据、流量序列数据；获取所述目标用户的静态数据，对所述静态数据进行向量表示，得到静态特征向量；将所述静态特征向量和所述目标向量表征进行堆叠，形成全特征编码向量，将预设的用户多分片模块计算出的所述全特征编码向量的概率，确定为所述目标用户的目标换机概率。因此，采用了lstm和注意力机制的表征方式，所学习到的向量相较于lstm而言，在考虑全局的同时，能够关注到目标用户换机的重点信息，更好的表征原有的时间序列数据。并且通过用户多分片模块计算不同分片下用户的换机概率，能更好地表征用户在换机时，其考虑因素的不同，提高了用户换机倾向预测的准确性。

技术特征：

1.一种换机倾向预测方法，其特征在于，所述换机倾向预测方法包括：

2.如权利要求1所述的换机倾向预测方法，其特征在于，所述通过lstm网络和注意力机制对目标用户的时间序列数据进行向量表征，得到目标向量表征的步骤，包括：

3.如权利要求2所述的换机倾向预测方法，其特征在于，所述基于注意力机制中的多头注意力机制对所述隐状态向量进行向量表征，得到至少一个目标向量表征的步骤，包括：

4.如权利要求1所述的换机倾向预测方法，其特征在于，所述获取所述目标用户的静态数据，对所述静态数据进行向量表示，得到静态特征向量的步骤，包括：

5.如权利要求1所述的换机倾向预测方法，其特征在于，所述将所述静态特征向量和所述目标向量表征进行堆叠，形成全特征编码向量，将预设的用户多分片模块计算出的所述全特征编码向量的概率，确定为所述目标用户的目标换机概率的步骤，包括：

6.如权利要求5所述的换机倾向预测方法，其特征在于，所述用户多分片模块中包括至少一个子分片，每个所述子分片具有至少一个分类类别；

7.如权利要求5所述的换机倾向预测方法，其特征在于，所述根据所述分片换机概率和第二全连接网络，确定所述目标换机概率的步骤，包括：

8.一种换机倾向预测装置，其特征在于，所述换机倾向预测装置包括：

9.一种换机倾向预测设备，其特征在于，所述换机倾向预测设备包括：存储器、处理器以及存储在存储器上并可在所述处理器上运行的换机倾向预测程序，所述换机倾向预测程序配置为实现如权利要求1至7中任一项所述的换机倾向预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有换机倾向预测程序，所述换机倾向预测程序配置为实现如权利要求1至7中任一项所述的换机倾向预测方法的步骤。

技术总结
本申请公开了一种换机倾向预测方法、装置、设备及存储介质，方法包括：通过LSTM网络和注意力机制对目标用户的时间序列数据进行向量表征，得到目标向量表征；获取目标用户的静态数据，对静态数据进行向量表示，得到静态特征向量；将静态特征向量和目标向量表征进行堆叠，形成全特征编码向量，将预设的用户多分片模块计算出的全特征编码向量的概率，确定为目标用户的目标换机概率。因此，采用了LSTM和注意力机制的表征方式，能够关注到目标用户换机的重点信息，更好的表征原有的时间序列数据。并且通过用户多分片模块计算不同分片下用户的换机概率，能更好地表征用户在换机时，其考虑因素的不同，提高了用户换机倾向预测的准确性。

技术研发人员：陈澜涛,肖亮,刘聪,蒋健,纪春芳,李伟,赵宇翔,陈逸雪,王恬,毛思颖
受保护的技术使用者：中国移动通信集团浙江有限公司
技术研发日：
技术公布日：2024/1/15