CN102609786B - 一种预测用户离网的方法和装置 - Google Patents

Abstract

本发明公开了一种预测用户离网的方法，包括分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；记录所述注册用户的所有的操作；将所述的注册用户操作进行汇总，计算用户平均活跃值；判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势，若是，确定为离网用户，若否，则返回步骤分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值。本发明还公开了一种预测用户离网的装置。本发明提出一种用户行为挖掘方式，配合一定的算法，计算用户的基准活跃度，从用户活跃度的趋向，提前预知用户离网的可能，使运营人员能够作出相应的补救措施。

Description

一种预测用户离网的方法和装置

技术领域

本发明涉及互联网技术领域，更具体地说，涉及一种预测用户离网的方法、装置。

背景技术

随着社会信息化以及网络的不断发展，网站运营人员常常需要了解用户在和网站交互过程中表现出的行为。

目前的社交网站离网分析，一般是使用用户登录时间进行判断，比如某用户超过三个月没有登录，可以判断该用户已经离网了。但是这种方式有一个弊端，首先虽然基本可以判断该用户已经离网了，但是该用户的其他行为我们无法预测到，比如用户可能已经投奔其他网站了；或者爱上了更新鲜的事物，使其对原来的浏览的内容没有兴趣了；或者这个用户因为网站的某项功能他特别不喜欢，从而离开，这些也是无法统计的。

现有电信业普遍使用的链型挖掘方式，来挖掘用户上网行为，只适合扁平的业务架构，无法满足社交网站用户的多维操作方式。

发明内容

为了解决以上的技术问题，本发明提供了一种预测用户离网的方法和装置。

本发明公开了一种预测用户离网的方法，包括：

分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；

记录所述注册用户的所有的操作；

将所述的注册用户操作进行汇总,计算用户平均活跃值；

判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势,若是,确定为离网意向用户,若否,则返回步骤分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；

其中，所述的矩阵式站点元素表包括横向列和纵向列，所述横向列为用户行为分类，所述的纵向列为至少一个站点功能集合分类。

优选的，所述用户平均活跃值计算方法是：设用户平均活跃值为H_d,其中d为日期,设∑为元素值之和,设T为使用平均值算法对所有用户的∑计算出的估值,设n为用户操作数目，则

优选的，还包括复位站点元素表内的元素的初始值。

优选的，所述的计算用户平均活跃值包括：网络为多集群的服务器分布，需要先汇总数据，然后再进行计算。

优选的，所述的用户行为分类包括：浏览、发表、评论、分享、删除；所述的站点功能集合分类包括：新鲜事、相册、日志、好友，BLOG。

一种预测用户离网的装置，用于上述方法,包括：

元素表分配单元,用于分配矩阵式站点元素表给登录的注册用户,设定各元素值的初始值；

用户操作记录单元,与所述的元素表分配单元相连,用于记录所述注册用户的所有的操作；

平均活跃值计算单元,与所述的用户操作记录单元相连,用于将所述的注册用户操作进行汇总,计算用户平均活跃值并保存；

用户行为趋势判断单元,与所述的平均活跃值计算单元相连,判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势；

其中，所述的矩阵式站点元素表包括横向列和纵向列，所述的横向列为用户行为分类，所述的纵向列为至少一个站点功能集合分类。

优选的，所述平均活跃值计算单元采用如下公式计算用户平均活跃值H_d：其中d为日期,设∑为元素值之和,设T为使用平均值算法对所有用户的∑计算出的估值,设n为用户操作数目，则

优选的，还包括设置于所述的平均活跃值计算单元及下降趋势判断单元之间的元素值复位单元，用于复位站点元素表的元素的初始值。

优选的，所述的计算用户平均活跃值包括：网络为多集群的服务器分布，需要先汇总数据，然后再进行计算。

优选的，所述的用户行为分类包括：浏览、发表、评论、分享、删除；所述的站点功能集合分类包括：新鲜事、相册、日志、好友、BLOG。

实施本发明的一种预测用户离网的方法和装置，具有以下有益的技术效果：本发明的一种预测用户离网的方法，提出一种用户行为挖掘方式，配合相应的算法，计算用户的基准活跃度，从用户活跃度的趋向，提前预知用户离网的可能，方便运营人员能够作出相应的补救措施。

附图说明

图1是本发明实施例1的流程图；

图2为本发明实施例行为矩阵元素表初始图；

图3为本发明行为用户操作网站后矩阵元素表图；

图4为本发明实施例2的流程图；

图5为本发明施例一种预测用户离网的装置结构方框图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

本发明的目的在于提出一种用户行为挖掘方式，配合相应的算法，计算用户的基准活跃度，从用户活跃度的趋向，提前预知用户离网的可能，使运营人员能够作出相应的补救措施。

本发明使用了现有的卡尔曼滤波算法计算出每日各单元的平均值，然后使用极限算法分析用户行为趋势。当然也可以用其他算法计算出每日各单元的平均值和分析用户行为趋势.

卡尔曼滤波：卡尔曼滤波的一个典型实例是从一组有限的，包含噪声的，对物***置的观察序列(可能有偏差)预测出物体的位置的坐标及速度。

卡尔曼滤波算法可以有很好的降噪效果，提高本发明的所计算的用户平均活跃值的准确性，使得本发明获得的用户趋势比较精确。

为了解决以上的技术问题，本发明提供了一种预测用户离网的方法和装置。

实施例1，请参阅图1，本发明公开了一种预测用户离网的方法，包括：

S1.分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；

本实施例的矩阵式站点元素表包括横向列和纵向列，横向列为用户行为分类，用户行为分类包括：浏览、发表、评论、分享、删除，纵向列为至少一个站点功能集合分类，站点功能集合分类包括：新鲜事、相册、日志、好友、BLOG。

具体的实现方式的首先把一个社交网站的所有操作设定为一个用户行为矩阵，纵向列以用户行为(浏览、发表、更新)分类，横向以一个或多个站点相同性质功能集合为(新鲜事、相册)分类，每个元素代表当前用户行为与站点功能的交集，如图2所示，初始值为0；如图3所示，用户每做一个操作，对应操作的元素值自增1。

S2.记录所述注册用户的所有的操作；

本实施例可以用日志记录的形式记录注册用户的操作，也可以用其他常用形式记录组侧用户的操作。

S3.将所述的注册用户操作进行汇总,计算用户平均活跃值；

具体的对用户的所有操作，都进行日志记录，每日把用户操作的日志汇总至统计服务器，统计服务器每日对日志进行过滤和统计，最终计算出用户的活跃值。

S4.判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势,若是,确定为离网,若否,则返回S1。

本发明的计算用户平均活跃值的一种计算方法是：设用户平均活跃值为H_d,其中d为日期,设∑为元素值之和,设T为使用平均值算法对所有用户的∑计算出的估值,设n为用户操作数目，则

其中平均值算法具体是卡尔曼滤波算法。

由于各业务的用户访问及请求操作量各有差异，因此把功能组或功能组集合与用户行为的交界元素集合设定为一个单元，单元内部的元素值之和为∑，使用卡尔曼滤波算法对所有用户的∑计算出估值T，当前用户的∑与T值之比为当前用户的活跃指数，设用户当天的各单元平均活跃指数为A，统计当前用户在一段时间内A值的趋向，需要使用滤波算法过滤掉用户偶尔不上线的情况，若呈递减状，则可判断为离网意向用户，并需要通知运营人员作出相关措施。

实施例2

如图4所示，本实施例与实施例1不同之处还包括

S31:复位站点元素表内的元素值初始值。可以是每日凌晨时候进行复位，也可以是其他时间进行复位。

在后台设置一个网站元素配置表，每个元素可以设置横向分类和纵向分类，用户每天登陆前台，自动为其分配一个临时的站点元素表，以数组方式记录，每个元素的初始值为0，缓存在服务器上，每天每个用户有且仅有一个元素数组，用户进行的每一步操作，更新该元素的值，每天凌晨对当日所有用户的数据进行统一保存，并清空缓存，对多集群的服务器分布，需要先汇总数据，然后再进行计算。设定一个固定时间，对数据进行整理和计算。

如图3，作为本发明的一个例子，图3为乐园的局部模块元素，假设a为新鲜事业务，b为相册业务，A为浏览行为，B为操作行为，即相对应的M21为浏览新鲜事，M22为评论新鲜事，M23为分享新鲜事，M31为浏览相册，M32为上传图片，M33为修改封面，假设第一天aA区域TaA值为10，aB区域TaB值为5，bA区域TbA值为8，bB区域TbB值为3，某用户∑aA为6、∑aB为1、∑bA为3，∑bB为0，则用户第一天的活跃指数为

$\frac{\frac{6}{10}+\frac{1}{5}+\frac{3}{8}+\frac{0}{3}}{4}=0.29375,$

第二天aA区域TaA值为13，aB区域TaB值为4，bA区域TbA值为6，bB区域TbB值为4，该用户∑aA为6、∑aB为1、∑bA为3，∑bB为0，则用户第一天的活跃指数为

$\frac{\frac{6}{13}+\frac{1}{4}+\frac{3}{6}+\frac{0}{4}}{4}=0.30288,$

如此类推，当该用户的活跃指数呈持续下降趋势时，可判断该用户为即将离网用户。

本发明能够***用户离网的倾向，并可通过数据得出每个局部模块所参与的用户的多少，以及某些活动的实际效果。本发明研究的是用户的行为趋势，增加或者删除某个局部模块，不会对实际数据带来负面的影响，局部模块越多越能够表现出用户的实际行为趋向。

实施例4，请参阅图5、一种预测用户离网的装置，用于实现上述的方法,包括：

元素表分配单元10、用户操作记录单元20、平均活跃值计算单元30、下降趋势判断单元40、元素值复位单元。

元素表分配单元10用于分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；

本实施例的矩阵式站点元素表包括横向列和纵向列，横向列为用户行为分类，用户行为分类包括：浏览、发表、评论、分享、删除，纵向列为至少一个站点功能集合分类，站点功能集合分类包括：新鲜事、相册、日志、好友、BLOG。

具体的实现方式的首先把一个社交网站的所有操作设定为一个用户行为矩阵，纵向列以用户行为(浏览、发表、更新)分类，横向以一个或多个站点相同性质功能集合为(新鲜事、相册)分类，每个元素代表当前用户行为与站点功能的交集，如图2所示，初始值为0；如图3所示，用户每做一个操作，对应操作的元素值自增1。

用户操作记录单元20,与元素表分配单元10相连,用于记录所述注册用户的所有的操作；本实施例可以用日志记录的形式记录注册用户的操作，也可以用其他常用形式记录组侧用户的操作。

平均活跃值计算单元30,与用户操作记录单元20相连,用于将所述的注册用户操作进行汇总,计算用户平均活跃值；

具体的对用户的所有操作，都进行日志记录，每日把用户操作的日志汇总至统计服务器，统计服务器每日对日志进行过滤和统计，最终计算出用户的活跃值；

下降趋势判断单元40,与平均活跃值计算单元30相连,用于判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势,若是,确定为离网,若否,则返回元素表分配单元10。

本发明的计算用户平均活跃值的一种计算方法是：设用户平均活跃值为H_d,其中d为日期,设∑为元素值之和,设T为使用平均值算法对所有用户的∑计算出的估值,设n为用户操作数目，则

其中平均值算法具体是卡尔曼滤波算法。

由于各业务的用户访问及请求操作量各有差异，因此把功能组或功能组集合与用户行为的交界元素集合设定为一个单元，单元内部的元素值之和为∑，使用卡尔曼滤波算法对所有用户的∑计算出估值T，当前用户的∑与T值之比为当前用户的活跃指数，设用户当天的各单元平均活跃指数为A，统计当前用户在一段时间内A值的趋向，需要使用滤波算法过滤掉用户偶尔不上线的情况，若呈递减状，则可判断为离网意向用户，并需要通知运营人员作出相关措施。

如图4所示，本实施例与实施例1不同之处还包括复位站点元素表内的元素值初始值。可以是每日凌晨时候进行复位，也可以是其他时间进行复位。

在后台设置一个网站元素配置表，每个元素可以设置横向分类和纵向分类，用户每天登陆前台，自动为其分配一个临时的站点元素表，以数组方式记录，每个元素的初始值为0，缓存在服务器上，每天每个用户有且仅有一个元素数组，用户进行的每一步操作，更新该元素的值，每天凌晨对当日所有用户的数据进行统一保存，并清空缓存，对多集群的服务器分布，需要先汇总数据，然后再进行计算。设定一个固定时间，对数据进行整理和计算。

较佳地实施例，还包括设置有元素值复位单元(图中为示出)，用于定时复位站点元素表内的元素值，可以是每日凌晨进行复位操作，所述的计算用户平均活跃值包括：若网络为多集群的服务器分布，需要先汇总数据，然后再进行计算，所述的横向列为用户行为分类，包括：浏览、发表、评论、分享、删除，所述的纵向列为至少一个站点功能集合分类，包括：新鲜事、相册、日志、好友、BLOG。

实施本发明的一种预测用户离网的方法和装置，具有以下有益的技术效果：

本发明提出一种用户行为挖掘方式，配合一定的算法，计算用户的基准活跃度，从用户活跃度的趋向，提前预知用户离网的可能，使运营人员能够作出相应的补救措施。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种预测用户离网的方法，其特征在于，包括：

分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；

记录所述注册用户的所有的操作；

将所述的注册用户操作进行汇总,计算用户平均活跃值；

判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势,若是,确定为离网意向用户,若否,则返回步骤分配矩阵式站点元素表给登录的注册用户，设置各元素的初始值；

其中，所述的矩阵式站点元素表包括横向列和纵向列，所述横向列为用户行为分类，所述的纵向列为至少一个站点功能集合分类。

2.如权利要求1所述的预测用户离网的方法，其特征在于，所述用户平均活跃值计算方法是：设用户平均活跃值为H_d,其中d为日期,设Σ为元素值之和,设T为使用平均值算法对所有用户的Σ计算出的估值,设n为用户操作数目，则 $H_d=\frac{\frac{{\mathrm{\Σ}}_1}{T_1}+\frac{{\mathrm{\Σ}}_2}{T_2}+\frac{{\mathrm{\Σ}}_3}{T_3}+...+\frac{{\mathrm{\Σ}}_n}{T_n}}{n}.$

3.如权利要求1所述的预测用户离网的方法，其特征在于，还包括复位站点元素表内的元素的初始值。

4.如权利要求1所述的预测用户离网的方法，其特征在于，所述的计算用户平均活跃值包括：网络为多集群的服务器分布，需要先汇总数据，然后再进行计算。

5.如权利要求1所述的预测用户离网的方法，其特征在于，所述的用户行为分类包括：浏览、发表、评论、分享、删除；所述的站点功能集合分类包括：新鲜事、相册、日志、好友，BLOG。

6.一种预测用户离网的装置，用于实现权利要求1所述的方法,其特征在于，包括：

元素表分配单元,用于分配矩阵式站点元素表给登录的注册用户,设定各元素值的初始值；

用户操作记录单元,与所述的元素表分配单元相连,用于记录所述注册用户的所有的操作；

平均活跃值计算单元,与所述的用户操作记录单元相连,用于将所述的注册用户操作进行汇总,计算用户平均活跃值并保存；

用户行为趋势判断单元,与所述的平均活跃值计算单元相连,判断预定时间段内多个不同的用户平均活跃值是否呈下降的趋势；

其中，所述的矩阵式站点元素表包括横向列和纵向列，所述的横向列为用户行为分类，所述的纵向列为至少一个站点功能集合分类。

7.如权利要求6所述的预测用户离网的装置，其特征在于，所述平均活跃值计算单元采用如下公式计算用户平均活跃值H_d：其中d为日期,设Σ为元素值之和,设T为使用平均值算法对所有用户的Σ计算出的估值,设n为用户操作数目，则 $H_d=\frac{\frac{{\mathrm{\Σ}}_1}{T_1}+\frac{{\mathrm{\Σ}}_2}{T_2}+\frac{{\mathrm{\Σ}}_3}{T_3}+...+\frac{{\mathrm{\Σ}}_n}{T_n}}{n}.$

8.如权利要求7所述的预测用户离网的装置，其特征在于，还包括设置于所述的平均活跃值计算单元及下降趋势判断单元之间的元素值复位单元，用于复位站点元素表的元素的初始值。

9.如权利要求7所述的预测用户离网的装置，其特征在于，所述的计算用户平均活跃值包括：网络为多集群的服务器分布，需要先汇总数据，然后再进行计算。

10.如权利要求7所述的预测用户离网的装置，其特征在于，所述的用户行为分类包括：浏览、发表、评论、分享、删除；所述的站点功能集合分类包括：新鲜事、相册、日志、好友、BLOG。