用戶生命價值周期檢測方法、裝置和計算機設備制造方法及圖紙

本申請涉及一種用戶生命價值周期檢測方法、裝置、計算機設備和存儲介質。獲取用戶賬號對應的行為數據；將該行為數據輸入訓練好的分類模型，得到用戶賬號對應的用戶類型；分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；若用戶類型為第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定用戶賬號對應的用戶的生命價值周期LTV；若該用戶類型為第二用戶類型，將用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。利用用戶的歷史行為數據確定用戶類型，再針對不同用戶類型分別確定用戶LTV，減小了用戶LTV檢測的誤差。小了用戶LTV檢測的誤差。小了用戶LTV檢測的誤差。

【技術實現步驟摘要】
用戶生命價值周期檢測方法、裝置和計算機設備


[0001]本申請涉及移動應用
，特別是涉及一種用戶生命價值周期檢測方法、裝置、計算機設備和存儲介質。

技術介紹

[0002]隨著移動設備的全方面覆蓋，移動應用市場得到了迅速的發展。目前為止App Store和Google Play Store的移動應用都有上百萬個。盡管移動應用數量激增，但是用戶實際使用的應用數量卻在緩慢下降，數據顯示用戶在更少的應用上花費更多的時間。除了留住現有用戶，還需要使用高效、精準的推廣方法獲取新用戶。對于一款應用來說，獲取新用戶的方式很多，如：廣告投放、商城推薦、好友推薦等，其中廣告投放獲得的新用戶占全部新用戶的70％左右。廣告投放需要可控的成本，合理的選擇渠道，精準的檢測用戶LTV(Lifetime Value，生命周期價值)，從而最大化投入產出比。
[0003]傳統的用戶LTV檢測方法采用擬合法，擬合用戶LTV隨時間的變化函數，進而檢測用戶LTV。
[0004]但是擬合法不能準確的得到用戶的LTV函數，因此檢測的用戶LTV誤差較大。

技術實現思路

[0005]基于此，有必要針對上述技術問題，提供一種能夠準確檢測用戶生命價值周期的用戶生命價值周期檢測方法、裝置、計算機設備和存儲介質。
[0006]一種用戶生命價值周期檢測方法，該方法包括：
[0007]獲取用戶賬號對應的行為數據；
[0008]將該用戶賬號的行為數據輸入訓練好的分類模型，得到該用戶賬號對應的用戶類型；該分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；
[0009]若該用戶類型為第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定該用戶賬號對應的用戶的生命價值周期LTV；
[0010]若該用戶類型為第二用戶類型，將該用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，該預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。
[0011]在其中一個實施例中，獲取用戶賬號對應的行為數據之后還包括：對該用戶賬號對應的行為數據進行預處理，得到預處理后的用戶賬號的行為數據。
[0012]在其中一個實施例中，對該用戶賬號對應的行為數據進行預處理，包括：將該用戶賬號的行為數據按照數值型和非數值型進行分類，得到數值型的行為數據和非數值型的行為數據；將該非數值型的行為數據進行特征編碼，得到編碼后的非數值型的行為數據；將該數值型的用戶賬號的行為數據和編碼后的非數值型的用戶賬號的行為數據進行合并，得到預處理后的用戶賬號的行為數據。
[0013]在其中一個實施例中，該用戶賬號對應的行為數據包括：用戶賬號的基本信息、付費信息、社交信息、游戲行為信息及其對應的游戲信息。
[0014]在其中一個實施例中，該分類模型的訓練過程包括：將屬于第一用戶類型的樣本用戶賬號及對應的歷史行為數據作為負樣本，以及將屬于第二用戶類型的樣本用戶賬號及對應的歷史行為數據作為正樣本；根據該正樣本和負樣本對初始分類模型進行訓練，得到訓練好的分類模型。
[0015]在其中一個實施例中，該預測模型的訓練過程包括：獲取訓練樣本，該訓練樣本包括屬于第二用戶類型的樣本用戶賬號對應的歷史行為數據及該樣本用戶賬號對應的用戶生命價值周期，均方根誤差作為損失函數，得到訓練好的預測模型。
[0016]在其中一個實施例中，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定該用戶賬號對應的用戶的生命價值周期LTV，包括：根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量相乘，得到該用戶賬號對應的用戶的生命價值周期LTV。
[0017]一種用戶生命價值周期預測裝置，該裝置包括：
[0018]獲取模塊，用于獲取用戶賬號對應的行為數據；
[0019]分類模塊，用于將該用戶賬號的行為數據輸入訓練好的分類模型，得到該用戶賬號對應的用戶類型；該分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；
[0020]第一確定模塊，用于若該用戶類型為第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定該用戶賬號對應的用戶的生命價值周期LTV；
[0021]第二確定模塊，用于若該用戶類型為第二用戶類型，將該用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，該預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。
[0022]一種計算機設備，包括存儲器和處理器，該存儲器存儲有計算機程序，該處理器執行該計算機程序時實現以下步驟：
[0023]一種用戶生命價值周期檢測方法，該方法包括：
[0024]獲取用戶賬號對應的行為數據；
[0025]將該用戶賬號的行為數據輸入訓練好的分類模型，得到該用戶賬號對應的用戶類型；該分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；
[0026]若該用戶類型為第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定該用戶賬號對應的用戶的生命價值周期LTV；
[0027]若該用戶類型為第二用戶類型，將該用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，該預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。
[0028]一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現以下步驟：
[0029]一種用戶生命價值周期檢測方法，該方法包括：
[0030]獲取用戶賬號對應的行為數據；
[0031]將該用戶賬號的行為數據輸入訓練好的分類模型，得到該用戶賬號對應的用戶類
型；該分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；
[0032]若該用戶類型為第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定該用戶賬號對應的用戶的生命價值周期LTV；
[0033]若該用戶類型為第二用戶類型，將該用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，該預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。
[0034]上述用戶生命價值周期檢測方法、裝置、計算機設備和存儲介質，獲取用戶賬號對應的行為數據；將用戶賬號的行為數據輸入訓練好的分類模型，得到用戶賬號對應的用戶類型；分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；若用戶類型為第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定用戶賬號對應的用戶的生命價值周期LTV；若該用戶類型為第二用戶類型，將用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。利用用戶的歷史行為數據確定用戶類型，再針對不同用戶類型分別確定用戶LTV，減小了用戶LTV檢測的誤差。
附圖說明...

【技術保護點】

【技術特征摘要】
1.一種用戶生命價值周期檢測方法，其特征在于，所述方法包括：獲取用戶賬號對應的行為數據；將所述用戶賬號的行為數據輸入訓練好的分類模型，得到所述用戶賬號對應的用戶類型；所述分類模型是基于第一用戶類型的歷史行為數據和第二用戶類型的歷史行為數據訓練得到；若所述用戶類型為所述第一用戶類型，根據預設屬性值和預設時段內屬于第一用戶類型的用戶數量，確定所述用戶賬號對應的用戶的生命價值周期LTV；若所述用戶類型為所述第二用戶類型，將所述用戶賬號對應的行為數據輸入到訓練好的預測模型，得到第二類用戶的LTV，所述預測模型是基于屬于第二用戶類型的歷史行為數據訓練得到。2.根據權利要求1所述的方法，其特征在于，所述獲取用戶賬號對應的行為數據之后還包括：對所述用戶賬號對應的行為數據進行預處理，得到預處理后的用戶賬號的行為數據。3.根據權利要求2所述的方法，其特征在于，所述對所述用戶賬號對應的行為數據進行預處理，包括：將所述用戶賬號的行為數據按照數值型和非數值型進行分類，得到數值型的行為數據和非數值型的行為數據；將所述非數值型的行為數據進行特征編碼，得到編碼后的非數值型的行為數據；將所述數值型的用戶賬號的行為數據和編碼后的非數值型的用戶賬號的行為數據進行合并，得到預處理后的用戶賬號的行為數據。4.根據權利要求1所述的方法，其特征在于，所述用戶賬號對應的行為數據包括：用戶賬號的基本信息、付費信息、社交信息、游戲行為信息及其對應的游戲信息。5.根據權利要求1所述的方法，其特征在于，所述分類模型的訓練過程包括：將屬于第一用戶類型的樣本用戶賬號及對應的歷史行為數據作為負樣本，以及將屬于第二用戶類型的樣本用戶賬號及對應的歷史行為數據作為正樣本；根據所述正樣本和負樣本對初始分類模...

【專利技術屬性】
技術研發人員：李煒銘，
申請(專利權)人：深圳市九九互動科技有限公司，
類型：發明
國別省市：