CN110585726B - 用户召回方法、装置、服务器及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种用户召回方法、装置、服务器及计算机可读存储介质，属于计算机技术领域。所述方法包括：通过确定目标运营资源，即可以确定目标召回模型，将获取到的多个待召回用户与目标召回模型对应的用户数据，输入到目标召回模型，可以得到多个待召回用户对应的群体标签，进而可以为多个待召回用户分别配置个性化奖励资源和曝光文案中至少一项，进而生成对应的召回信息，并通过目标运营资源，向多个待召回用户分别发送对应的召回信息，来实现对流失用户的召回。本申请可以对多个待召回用户进行用户群体的划分，有针对性地向待召回用户发送召回信息，提高召回信息的吸引力，保证召回效果，提高召回率。

Description

用户召回方法、装置、服务器及计算机可读存储介质

技术领域

本申请涉及计算机技术领域，特别涉及一种用户召回方法、装置、服务器及计算机可读存储介质。

背景技术

随着计算机技术和电子产品的不断发展，大众休闲娱乐逐渐走向多元化，游戏成为一种非常重要的休闲娱乐方式。游戏更新换代的速度日益加快，流失用户在整体注册用户中所占的比重会越来越大，流失用户召回是保证游戏稳定运营的重要手段。

目前主要采用的用户召回方法主要是通过应用程序(Application，APP)消息弹窗的方式，来将活动信息发送给流失用户，进而实现流失用户的召回。

在实现本申请的过程中，发明人发现现有技术至少存在以下问题：

采用APP消息弹窗来召回流失用户时，向不同的流失用户发送的活动信息内容完全相同，但不同的流失用户的游戏偏好会有所不同，因而，对部分用户来说，活动信息吸引力较小，召回效果较差。

发明内容

本申请实施例提供了一种用户召回方法、装置、服务器及计算机可读存储介质，可以解决相关技术中活动信息吸引力较小，召回效果较差的问题。所述技术方案如下：

一方面，提供了一种用户召回方法，该方法包括：

确定目标运营资源；

获取多个待召回用户与目标召回模型对应的用户数据，将该多个待召回用户的用户数据输入该目标召回模型，由该目标召回模型输出该多个待召回用户对应的群体标签，该目标召回模型与该目标运营资源对应；

根据该多个待召回用户对应的群体标签，为该多个待召回用户分别生成对应的召回信息，该召回信息用于指示与群体标签对应的个性化奖励资源和曝光文案中至少一项；

通过该目标运营资源，向该多个待召回用户分别发送对应的召回信息。

在一种可能的实现方式中，该多个待召回用户与目标召回模型对应的用户数据包括：该多个待召回用户的状态属性数据和行为数据中至少一项。

在一种可能的实现方式中，所述将该多个待召回用户的用户数据输入该目标召回模型之前，该方法还包括：

获取多个样本用户的状态属性数据和行为数据中至少一项；

根据该多个样本用户的状态属性数据和行为数据中至少一项，确定多个用户群体以及每个用户群体的群体标签，每个用户群体包括至少一个样本用户；

基于该多个用户群体以及该群体标签，创建分类模型，将该分类模型作为该目标召回模型。

在一种可能的实现方式中，该目标运营资源为应用程序消息弹窗。

一方面，提供了一种用户召回方法，该方法包括：

确定目标运营资源；

获取多个用户与目标召回模型对应的用户数据，将该多个用户的用户数据输入该目标召回模型，通过该目标召回模型基于该多个用户的用户数据确定多个目标用户，该目标召回模型与该目标运营资源对应；

通过该目标运营资源，向该多个目标用户发送召回信息。

在一种可能的实现方式中，该多个用户与目标召回模型对应的用户数据包括：该多个用户的属性数据、行为数据中至少一项以及该多个用户回流情况历史数据。

在一种可能的实现方式中，所述将该多个用户的用户数据输入该目标召回模型之前，该方法还包括：

获取多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据；

通过随机森林算法，将该多个样本用户的属性数据、行为数据中至少一项作为自变量，将该用户回流情况历史数据作为因变量进行模型训练，得到该第一分类预测模型，将该第一分类预测模型作为该目标召回模型。

在一种可能的实现方式中，该目标运营资源为短信。

在一种可能的实现方式中，该多个用户与目标召回模型对应的用户数据包括：该多个待召回用户与活跃用户之间的关系链数据、特定模式中该多个待召回用户与活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个待召回用户与活跃用户在同一个模式的历史参与情况。

在一种可能的实现方式中，所述将该多个用户的用户数据输入该目标召回模型之前，该方法还包括：

获取多个样本用户与样本活跃用户之间的关系链数据、特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项以及预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况；

通过随机森林算法，将特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项作为自变量，将该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况作为因变量进行模型训练，得到该第二分类预测模型，将该第二分类预测模型作为该目标召回模型。

在一种可能的实现方式中，该多个用户与目标召回模型对应的用户数据包括：该多个用户的在线时间历史数据。

在一种可能的实现方式中，所述向该多个目标用户发送召回信息包括：

向该多个目标用户发送召回提示信息，该召回提示信息用于指示该目标用户对第二用户进行召回。

一方面，提供了一种用户召回装置，该装置包括：

运营资源确定模块，用于确定目标运营资源；

数据获取模块，用于获取多个待召回用户与目标召回模型对应的用户数据，该目标召回模型与该目标运营资源对应；

模型处理模块，用于将该多个待召回用户的用户数据输入该目标召回模型，由该目标召回模型输出该多个待召回用户对应的群体标签；

生成模块，用于根据该多个待召回用户对应的群体标签，为该多个待召回用户分别生成对应的召回信息，该召回信息用于指示与群体标签对应的个性化奖励资源和曝光文案中至少一项；

发送模块，用于通过该目标运营资源，向该多个待召回用户分别发送对应的召回信息。

在一种可能的实现方式中，该数据获取模块，还用于获取多个样本用户的状态属性数据和行为数据中至少一项；

该装置还包括：

标签确定模块，用于根据该多个样本用户的状态属性数据和行为数据中至少一项，确定多个用户群体以及每个用户群体的群体标签，每个用户群体包括至少一个样本用户；

创建模块，用于基于该多个用户群体以及该群体标签，创建分类模型，将该分类模型作为该目标召回模型。

在一种可能的实现方式中，该装置还包括：

配置模块，用于根据该多个用户对应的群体标签，为该多个用户分别配置对应的个性化奖励资源和曝光文案中至少一项；

该生成模块，还用于根据该多个用户对应的个性化奖励资源和曝光文案中至少一项，生成召回信息。

一方面，提供了一种用户召回装置，该装置包括：

运营资源确定模块，用于确定目标运营资源；

数据获取模块，用于获取多个用户与目标召回模型对应的用户数据，该目标召回模型与该目标运营资源对应；

模型处理模块，用于将该多个用户的用户数据输入该目标召回模型，通过该目标召回模型基于该多个用户的用户数据确定多个目标用户；

发送模块，用于通过该目标运营资源，向该多个目标用户发送召回信息。

在一种可能的实现方式中，该数据获取模块，还用于获取多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据；

该装置还包括：

第一模型训练模块，用于通过随机森林算法，将该多个样本用户的属性数据、行为数据中至少一项作为自变量，将该用户回流情况历史数据作为因变量进行模型训练，得到该第一分类预测模型，将该第一分类预测模型作为该目标召回模型。

在一种可能的实现方式中，该装置还包括：

概率值计算模块，用于基于该第一分类预测模型，计算该多个用户的预测回流概率值；

用户获取模块，用于按照该多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的用户作为该多个目标用户。

在一种可能的实现方式中，该数据获取模块，还用于获取多个样本用户与样本活跃用户之间的关系链数据、特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项以及预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况；

该装置还包括：

第二模型训练模块，还用于通过随机森林算法，将特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项作为自变量，将该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况作为因变量进行模型训练，得到该第二分类预测模型，将该第二分类预测模型作为该目标召回模型。

在一种可能的实现方式中，该概率值计算模块，还用于基于该第二分类预测模型，计算该多个用户的预测回流概率值；

该装置还包括：

第一用户获取模块，用于按照该多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的第一用户；

该用户确定模块，还用于将获取到的第一用户的活跃好友确定为该多个目标用户。

在一种可能的实现方式中，该装置还包括：

相似度计算模块，用于通过该相似度模型对该多个用户的在线时间历史数据和多个活跃用户的在线时间历史数据之间进行相似度计算，得到确定多个用户的相似度系数；

该装置还包括：

第二用户获取模块，用于按照该多个用户的相似度系数从大到小的顺序，获取排序顺序位于前目标位的第二用户；

该用户确定模块，还用于将获取到的第二用户的活跃好友确定为该多个目标用户。

在一种可能的实现方式中，该发送模块，还用于向该多个目标用户发送召回提示信息，该召回提示信息用于指示该目标用户对第二用户进行召回。

一方面，提供了一种服务器，该服务器包括一个或多个处理器和一个或多个存储器，该一个或多个存储器中存储有至少一条程序代码，该程序代码由该一个或多个处理器加载并执行以实现该用户召回方法所执行的操作。

一方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条程序代码，该程序代码由处理器加载并执行以实现该用户召回方法所执行的操作。

通过确定目标运营资源，即可以确定目标召回模型，将获取到的多个待召回用户与目标召回模型对应的用户数据，输入到目标召回模型，可以得到多个待召回用户对应的群体标签，进而可以为多个待召回用户分别配置个性化奖励资源和曝光文案中至少一项，进而生成对应的召回信息，并通过目标运营资源，向多个待召回用户分别发送对应的召回信息，来实现对流失用户的召回。通过上述方案，可以对多个待召回用户进行用户群体的划分，有针对性地向待召回用户发送召回信息，提高召回信息的吸引力，保证召回效果，提高召回率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种用户召回方法的实施环境示意图；

图2是本申请实施例提供的一种用户召回方法的***架构图；

图3是本申请实施例提供的一种用户召回方法的流程图；

图4是本申请实施例提供的一种用户分群比例示意图；

图5是本申请实施例提供的一种基于APP消息弹窗进行用户召回的方法流程示意图；

图6是本申请实施例提供的一种专项和非专项回流率对比分析示意图；

图7是本申请实施例提供的一种专项和非专项历期回流率效果分析示意图；

图8是本申请实施例提供的一种社交平台上的用户召回活动的界面示意图；

图9是本申请实施例提供的一种活动流程及干预策略示意图；

图10是本申请实施例提供的一种组建小队的活动界面示意图；

图11是本申请实施例提供的一种用户召回效果对比图；

图12是本申请实施例提供的一种用户召回方法的流程图；

图13是本申请实施例提供的一种基于短信进行用户召回的方法流程示意图；

图14是本申请实施例提供的一种用户召回方法的流程图；

图15是本申请实施例提供的一种利用亲密度模型进行用户召回的方法流程示意图；

图16是本申请实施例提供的一种用户召回方法的流程图；

图17是本申请实施例提供的一种利用相似度模型进行用户召回的方法流程示意图；

图18是本申请实施例提供的一种羁绊玩法的活动界面示意图；

图19是本申请实施例提供的一种推荐列表组队成功率示意图；

图20是本申请实施例提供的一种小队同玩羁绊玩法次数的概率示意图；

图21是本申请实施例提供的一种用户召回装置示意图；

图22是本申请实施例提供的一种用户召回装置示意图；

图23是本申请实施例提供的一种终端设备的结构示意图；

图24是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

为了便于理解本申请实施例的技术过程，下面对本申请实施例所涉及的一些名词进行解释：

聚类模型：聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集(subset)，这样让在同一个子集中的成员对象都有相似的一些属性。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

随机森林算法：在机器学习中，随机森林是一个包含多个决策树的分类器，其输出的类别由个别树输出的类别的众数决定。

余弦相似性：通过测量两个向量的夹角的余弦值来度量它们之间的相似性，0度角的余弦值是1，而其他任何角度的余弦值都不大于1，并且其最小值是-1。

本申请实施例所提供的运营资源也即是目标召回渠道，该运营资源可以为APP消息弹窗、短信、利用社交关系进行用户召回等中的任意一种。其中，利用APP消息弹窗进行用户召回时采用的目标召回模型可以为聚类模型，该聚类模型即可以作为分类模型；利用短信进行用户召回时采用的目标召回模型可以为第一分类预测模型；利用社交关系进行用户召回时采用的目标召回模型可以为亲密度模型或相似度模型，该亲密度模型既可以作为第二分类预测模型。

本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：

图1是本申请实施例提供的一种用户召回方法的实施环境示意图，参见图1，该实施环境包括：终端设备101和服务器102。

终端设备101可以通过无线网络或有线网络与服务器102相连。终端设备101可以是台式计算机、便携式计算机和膝上型计算机等中的至少一种。相关技术人员可以使用该终端设备101来发起用户召回流程，终端设备101可以对输入其中的用户数据进行处理，示意性的，终端设备101可以在有用户召回需要时，自动获取用户数据并对该用户数据进行处理，还可以由相关技术人员将用户数据输入到该终端设备中，进而对该用户数据进行处理，本申请对用户数据的获取方式不加以限定。

终端设备101可以泛指多个终端设备中的一个，本实施例仅以终端设备101来举例说明。本领域技术人员可以知晓，上述终端设备的数量可以更多或更少。比如上述终端设备可以仅为几个，或者上述终端设备为几十个或几百个，或者更多数量，本申请实施例对终端设备的数量和设备类型不加以限定。

服务器102可以为多台服务器、云计算平台和虚拟化中心中的至少一种，可选地，上述各个服务器的数量可以更多或更少，本申请实施例对此不加以限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。可选地，服务器102还可以维护有至少一种用户信息数据库，例如用户行为信息数据库、用户属性信息数据库等，分别用于存储用户行为信息和用户身份信息。

当该用户召回方法应用在游戏应用中时，参见图2所示的***架构，可以根据服务器的具体功能对其进行划分，该服务器102可以包括游戏日志服务器、数据处理服务器、运营资源服务器、数据挖掘模型服务器和用户干预服务器。其中，该游戏日志服务器用于获取用户的行为日志，该数据处理服务器用于对游戏数据进行处理，该运营资源服务器用于确定目标运营资源，并根据该目标运营资源确定运营活动类型，该数据挖掘模型服务器用于根据运营活动类型，对输入的数据进行算法处理，输出包含多个用户的数据存储形式，例如该数据存储形式可以为用户包、用户排序列表或好友列表等任一种形式，该用户干预服务器用于根据输出结果对用户进行筛选。

本申请提供的方法可以通过多种方式来进行用户召回，图3是本申请实施例提供的一种用户召回方法的流程图，该图3对应的实施例提供的用户召回方法，是通过对用户进行群体划分，为具有不同群体标签的用户配置个性化奖励资源或曝光文案，并通过APP消息弹窗的方式将指示个性化奖励资源或曝光文案的召回信息发送给目标用户，来实现用户召回。参见图3，该方法包括：

301、服务器获取多个样本用户的状态属性数据和行为数据中至少一项。

需要说明的是，该样本用户是指应用程序的注册用户中距离上一次登录时间的时间间隔超过预设时长的用户。通过获取到的该类用户的用户数据，并采用这些用户数据，可以学习到这类用户在应用程序中的行为特性。

该状态属性数据可以为用户在应用程序中的付费能力、活跃度等，该行为数据可以为用户在应用程序中的用户偏好等。服务器可以通过获取该多个样本用户的状态属性数据和行为数据中的至少一种，来实现后续对模型的训练，本申请实施例对具体获取哪种数据类型不加以限定。

可选地，服务器在获取多个样本用户的状态属性数据和行为数据中至少一项之后，该服务器还可以对该多个样本用户的状态属性数据和行为数据中至少一项进行数据处理，通过数据处理过程，可以使得处理后的数据能够形式统一，以便于后续模型训练的实现，且排除了错误数据，并且，还能够对数据特征进行进一步突出，例如，该数据处理的具体过程可以包括缺失值处理、异常值处理、相关性分析、特征归一化、特征离散化等中的至少一种，本申请实施例对具体采用哪种数据处理方式不加以限定。

需要说明的是，服务器还可以根据获取到的多个样本用户的状态属性数据和行为数据中至少一项，来构建数据宽表，用来存储该多个样本用户的状态属性数据和行为数据中至少一项。其中，数据宽表是指字段比较多的数据表，通常是指业务主体相关的指标、维度、属性关联在一起的一张数据库表，数据宽表的查询性能较数据表有了明显的提高，查询更加便捷。

上述步骤301是获取样本用户的用户数据的过程，对于不同的运营资源，为了针对运营资源的特性构建不同的模型，可以对于不同运营资源获取不同类型的用户数据。

302、服务器根据该多个样本用户的状态属性数据和行为数据中至少一项，确定多个用户群体以及每个用户群体的群体标签，每个用户群体包括至少一个样本用户。

在一种可能的实现方式中，服务器根据该样本用户的状态属性数据和行为数据中的至少一项，确定多个用户群体以及每个用户群体的群体聚心，将每个用户群体的群体聚心作为每个用户群体的聚类标签，将每个用户群体的聚类标签确定为每个用户群体的群体标签。上述过程可以采用聚类算法实现，本申请实施例对具体采用哪种聚类算法不加以限定。

需要说明的是，该群体聚心可以为与该用户群体中的其他用户的状态属性特征和行为特征中的至少一项相似度大致相同或相近的用户，每个用户群体的群体标签可以不同，每个用户群体中的用户可以与该用户群体的群体标签代表的用户的状态属性特征和行为特征中的至少一项相同或相似。

例如，服务器根据用户的付费能力、活跃度、游戏战斗力、玩法倾向等方面的数据，采用聚类算法，将用户划分为6个用户群体，并将这6个用户群体分别命名为平民体验型玩家、轻度偏好玩家、高活跃次核玩家、潜在次核玩家、潜在竞技玩家和高活跃核心玩家，具体用户分群比例如图4所示，图4是本申请实施例提供的一种用户分群比例示意图。根据上述6类用户的特点可以确定他们在游戏中的诉求点，具体诉求描述如表1所示：

表1

303、服务器基于该多个用户群体以及该群体标签，创建分类模型，将该分类模型作为目标召回模型。

在一种可能的实现方式中，该服务器根据多个用户群体以及每个用户群体的群体标签，将用户的状态属性数据和行为数据中的至少一项作为模型的输入，将群体标签作为模型的输出，来创建聚类模型，该聚类模型也可以称为分类模型，将创建得到的聚类模型确定为目标召回模型。

其中，本申请实施例采用聚类算法对获取到的用户数据进行处理，可以适应用户在复杂多变的游戏环境中产生的状态属性数据和行为数据，有效处理该数据类型繁多、分布差异大的状态属性数据和行为数据，提升用户分群有效性。

304、服务器在确定目标运营资源后，获取多个待召回用户与目标召回模型对应的状态属性数据和行为数据中至少一项。

其中，该待召回用户可以为应用程序的注册用户中距离上一次登录时间的时间间隔超过预设时长的用户。

需要说明的是，可以通过管理员用户设置运营资源，服务器接收到指令后，根据指令确定对应的目标运营资源，还可以由服务器根据活动信息，如活动规模、活动目的、活动成本等，自动匹配到合适的目标运营资源，本申请实施例对具体采用哪种方式确定目标资源不加以限定。

在一种可能的实现方式中，服务器可以根据已经确定的目标运营资源，对存储在其中的目标召回模型进行检测，找到适合该目标运营资源的目标召回模型，获取与该目标召回模型对应的状态属性数据和行为数据中至少一项。

305、服务器将该多个待召回用户的用户数据输入该目标召回模型，由该目标召回模型输出该多个待召回用户对应的群体标签，该目标召回模型与该目标运营资源对应。

其中，该多个待召回用户的用户数据可以为该待召回用户与目标召回模型对应的状态属性数据和行为数据中至少一项。

需要说明的是，该目标召回模型可以将输入到其中的用户数据处理为向量形式，计算该向量形式的用户数据与每个群体聚心之间的距离，进而确定该用户数据所属的用户群体及对应的群体便签，并输出对应的群体标签。

306、服务器根据该多个用户对应的群体标签，为该多个用户分别配置对应的个性化奖励资源和曝光文案中至少一项。

需要说明的是，个性化奖励资源可以为待召回用户重新登录时，***发放给该用户的奖励，例如，金币奖励、技能奖励、道具奖励等，曝光文案可以为显示在APP弹窗中用于召回用户的文案内容。

在一种可能的实现方式中，服务器可以根据该多个用户对应的群体标签，对用户进行画像，确定用户的游戏偏好，根据游戏偏好配置不同的个性化奖励资源或曝光文案，并将该个性化奖励资源或曝光文案与对应的用户标签进行关联。

307、服务器根据该多个用户对应的个性化奖励资源和曝光文案中至少一项，生成召回信息，该召回信息用于指示与群体标签对应的个性化奖励资源和曝光文案中至少一项。

在一种可能的实现方式中，服务器可以根据该多个用户对应的个性化奖励资源和曝光文案中至少一项，为带有不同群体标签的用户生成不同的召回信息，该召回信息可以指示符合不同群体标签的用户群体特征的个性化奖励资源和曝光文案。

308、服务器通过该目标运营资源，向该多个待召回用户分别发送对应的召回信息。

图5是本申请实施例提供的一种基于APP消息弹窗进行用户召回的方法流程示意图，参见图5，服务器可以通过数据准备来获取用户的状态属性数据和行为数据中至少一项，通过特征工程对获取到的数据进行数据处理，排除错误数据，突出数据特征，利用经过处理的数据进行聚类模型的构建，实现群体标签的定义，并基于该定义好的群体标签对用户群体进行筛选，向筛选出的用户发送召回信息，也即是，用户干预，该图5可以简要展示步骤302至步骤309的聚类模型构建过程和召回信息生成及发送过程。

本申请实施例提供的方案，可以基于业务逻辑制定规则筛选用户，或根据聚类模型进行用户分群，根据群体特点制定个性化的奖励礼包或曝光文案，可进而将包括该个性化的奖励礼包或曝光文案的召回信息通过消息弹窗的方式发送给用户，适用于低成本、高效率的运营活动，此类方法成本基本可以忽略不计，适合大规模的用户投放，可以提高用户体验和转化率，保证召回效果。

根据如图4所示的用户分类，经过3周6次连续投放召回信息的方式，用户回流率从2.5％提升至8.35％，提高了6.26％，参见图6，图6是本申请实施例提供的一种专项和非专项回流率对比分析示意图。通过连续16个投放周期对比，使用本申请实施例提供的方案6个投放周期的用户回流效果均高于现有方案10个周期的效果，参见图7，图7是本申请实施例提供的一种专项和非专项历期回流率效果分析示意图。

需要说明的是，还可以利用社交关系将包括配置的个性化奖励资源的召回信息发送给流失用户。例如，活动形式为活跃用户(主态)通过社交平台邀请流失好友(客态)，参见图8，图8是本申请实施例提供的一种社交平台上的用户召回活动的界面示意图，流失用户可以通过触发该图8中的立即前往按钮，实现登录回流，主客态即可领取奖励；客态登录后可与主态组成小队，增加任务***，小队成员完成对应任务后即可领取奖励。基于上述的活动形式，在活动中嵌入干预策略，活动干预策略分为三个部分，分别是好友列表推荐、任务推荐和奖励差异化，参见图9，图9是本申请实施例提供的一种活动流程及干预策略示意图，其中，好友列表推荐是指在社交平台邀请好友的环节，为每位用户推荐好友列表，点击好友头像直接分享链接，根据用户活跃标签和回流概率进行排序，优先推荐回流概率较高的流失用户以及低活跃用户；任务推荐是指小队成员每天会分配3个任务，为了提高参与任务的积极性，会结合用户偏好、任务难度、任务丰富度等因素为用户分配合适的任务，同时设定小队任务完成目标，让小队成员可以共同完成，调动小队成员团队合作；奖励差异化是指包括小队成立奖励、日奖励和周奖励三个部分，小队成功建立即可领取小队成立奖励，小队成员累计完成任务达到小队目标即可领取日奖励和周奖励，根据用户各自的需求发放差异化奖品，若与低活或回流用户成功组队则有额外激励措施。参见图10，图10是本申请实施例提供的一种组建小队的活动界面示意图。利用图9所示的方法，将干预组用户与对照组用户进行对比，干预组不同流失周期用户的回流率、活跃度、留存率均有不同程度的提升，参见图11，图11是本申请实施例提供的一种用户召回效果对比图。其中，周流失、位图流失、长期流失用户的周回流率提升幅度分别为42％、27％、28％；活跃度提升幅度分别为4％、4％、1％；留存率提升幅度分别为13％、2％、1％。具体数据如下表2所示：

表2

需要说明的是，该表2中的客态均为有活跃主态的客态，周回流率是指活动第一周回流的用户，例如，1月28日至2月3日回流的用户，次周留存率是指活动第二周依然有活跃活动的用户，例如，2月3日至2月10日依然有活跃活动的用户。

上述方案通过确定目标运营资源，即可以确定目标召回模型，将获取到的多个待召回用户与目标召回模型对应的用户数据，输入到目标召回模型，可以得到多个待召回用户对应的群体标签，进而可以为多个待召回用户分别配置个性化奖励资源和曝光文案中至少一项，进而生成对应的召回信息，并通过目标运营资源，向多个待召回用户分别发送对应的召回信息，来实现对流失用户的召回。通过上述方案，既可以保证通过APP消息弹窗进行用户召回成本较低，可以大批量发送的优点，还可以对多个待召回用户进行用户群体的划分，有针对性地向待召回用户发送召回信息，提高召回信息的吸引力，保证召回效果，提高召回率。

图12是本申请实施例提供的一种用户召回方法的流程图，该图12对应的实施例提供的用户召回方法，是通过第一分类预测模型模型计算用户的回流概率，筛选出一批回流概率较高的用户作为目标用户，通过短信方式将召回信息发送给目标用户，来实现用户召回。参见图12，该方法包括：

1201、服务器获取多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据。

需要说明的是，该属性数据、行为数据可以包括用户在某个游戏中和在不同游戏中两种情况下的付费能力、活跃度、游戏战斗力、游戏偏好等数据。服务器可以通过利用该多个样本用户的属性数据、行为数据中的至少一种和该多个样本用户的用户回流情况历史数据，来实现后续对模型的训练，本申请实施例对具体获取哪种数据类型不加以限定。

可选地，服务器在获取到该多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据之后，该服务器还可以对该多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据进行数据处理，通过数据处理过程，可以使得处理后的数据能够形式统一，以便于后续模型训练的实现，且排除了错误数据，并且，还能够对数据特征进行进一步突出，例如，该数据处理的具体过程可以包括缺失值处理、异常值处理、相关性分析、特征归一化、特征离散化等中的至少一种，本申请实施例对具体采用哪种数据处理方式不加以限定。

1202、服务器通过随机森林算法，将该多个样本用户的属性数据、行为数据中至少一项作为自变量，将该用户回流情况历史数据作为因变量进行模型训练，得到第一分类预测模型，将该第一分类预测模型作为该目标召回模型，该目标召回模型与目标运营资源对应。

在一种可能的实现方式中，该服务器可以将该多个样本用户的属性数据、行为数据中的至少一种作为自变量，将该多个样本用户的用户回流情况历史数据的二值化表示作为因变量，其中，1用于表示流失用户在预设时间内回流，0用于表示流失用户未在预设时间内回流，基于随机森林算法，来进行模型训练，得到第一分类预测模型，将得到的第一分类预测模型确定为目标召回模型。

需要说明的是，在利用随机森林算法进行模型训练时，根据流失用户在预设时间内是否回流对该多个样本用户的属性数据、行为数据中进行分类，根据分类结果，对流失用户在预设时间内回流的样本用户的属性数据、行为数据的特征进行学习，得到第一分类预测模型。

1203、服务器在确定目标运营资源后，获取该多个用户的属性数据、行为数据中至少一项以及该多个用户回流情况历史数据。

需要说明的是，可以通过管理员用户设置运营资源，服务器接收到指令后，根据指令确定对应的目标运营资源，还可以由服务器根据活动信息，如活动规模、活动目的、活动成本等，自动匹配到合适的目标运营资源，本申请实施例对具体采用哪种方式确定目标资源不加以限定。

在一种可能的实现方式中，服务器可以根据已经确定的目标运营资源，对存储在其中的目标召回模型进行检测，找到适合该目标运营资源的目标召回模型，获取与该目标召回模型对应的属性数据、行为数据中至少一项和用户回流情况历史数据。

1204、服务器将该多个用户的属性数据、行为数据中至少一项作为自变量，将该多个用户回流情况历史数据作为因变量，输入该第一分类预测模型。

1205、服务器基于该第一分类预测模型，计算该多个用户的预测回流概率值。

需要说明的是，服务器还可以对该第一分类预测模型进行优化调整，输出多个用户的预测回流概率值。

1206、服务器按照该多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的用户作为该多个目标用户。

需要说明的是，该服务器可以按照该多个用户的预测回流概率值从大到小的顺序，将排序顺序位于前目标位的用户确定为该多个目标用户，还可以按照该多个用户的预测回流概率值从大到小的顺序对该多个用户进行排序，得到用户排序表，将位于该用户排序表中前目标位的用户确定为该多个目标用户，本申请实施例对具体的确定目标用户的方式不加以限定。

1207、服务器通过该目标运营资源，向该多个目标用户发送召回信息。

图13是本申请实施例提供的一种基于短信进行用户召回的方法流程示意图，参见图13，服务器可以通过数据准备来获取用户的属性数据、行为数据中至少一项和用户回流情况历史数据，通过特征工程对获取到的数据进行数据处理，排除错误数据，突出数据特征，利用经过处理的数据进行第一分类预测模型的构建，并基于该第一分类预测模型实现对用户回流概率值的排序，进而筛选出适合该运营资源的用户，并向筛选出的用户发送召回信息，也即是，用户干预，该图13可以简要展示步骤1202至步骤1208的模型构建过程和召回信息发送过程。其中，实验策略制定是指为验证活动效果，可以在活动开始前预留一批流失用户作为对照组，对照组用户不做筛选，用于与经过筛选的实验组用户形成对照，具体可通过制定A/B测试(ABtest)实验策略，划分实验组和对照组并打上标签来实现。

在各种用户召回方式中，短信方式成本较高，但是召回信息的到达率也较高，不会出现用户无法接受到召回信息的情况，而且投放数量与活动效果息息相关，本申请实施例提供的方案，可以基于分类模型计算流失用户的回流概率从大到小，将用户进行排序，根据排序结果筛选用户，再发送召回信息，适用于追求投资回报率(Return On Investment，ROI)的运营活动，可以提高活动ROI。

图14是本申请实施例提供的一种用户召回方法的流程图，该图14对应的实施例提供的用户召回方法，是通过亲密度模型计算，筛选出一批联系紧密的好友，将流失用户的活跃好友作为目标用户，通过社交关系来实现召回信息的投放，进而实现用户召回。参见图14，该方法包括：

1401、服务器获取多个样本用户与样本活跃用户之间的关系链数据、特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况。

需要说明的是，该多个样本用户与样本活跃用户之间的关系链数据可以用于确定流失用户与现有活跃用户之间的好友关系，特定玩法中该多个样本用户与样本活跃用户的参与次数可以用于确定流失用户与现有活跃用户共同参与某种特定玩法的次数，特定玩法中该多个样本用户与样本活跃用户的参与时长可以用于确定流失用户与现有活跃用户共同参与某种特定玩法的时长，该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况可以表示预设时长内好友是否同玩，其中，特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长均可以表示流失用户与现有活跃用户的亲密度情况，特定玩法中该多个样本用户与样本活跃用户的参与次数越多，或特定玩法中该多个样本用户与样本活跃用户的参与时长越长，流失用户与现有活跃用户的亲密度越高。服务器可以通过利用该特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项以及该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况，来实现后续对模型的训练，本申请实施例对具体获取哪种数据类型不加以限定。

可选地，服务器在获取到多个样本用户与样本活跃用户之间的关系链数据、特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况之后，该服务器还可以对该多个样本用户与样本活跃用户之间的关系链数据、特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况进行数据处理，通过数据处理过程，可以使得处理后的数据能够形式统一，以便于后续模型训练的实现，且排除了错误数据，并且，还能够对数据特征进行进一步突出，例如，该数据处理的具体过程可以包括缺失值处理、异常值处理、相关性分析、特征归一化、特征离散化等中的至少一种，本申请实施例对具体采用哪种数据处理方式不加以限定。

1402、服务器通过随机森林算法，将特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项作为自变量，将该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况作为因变量进行模型训练，得到第二分类预测模型，将该第二分类预测模型作为目标召回模型，该目标召回模型与该目标运营资源对应。

在一种可能的实现方式中，该服务器可以将该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项作为自变量，该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况的二值化表示作为因变量，其中，1用于表示在预设时间内好友同玩，0用于表示在预设时间内好友没有同玩，基于随机森林算法，来进行模型训练，得到亲密度模型，该亲密度模型也可以称为第二分类预测模型，将创建得到的亲密度模型确定为目标召回模型。

1403、服务器在确定目标运营资源后，获取该多个待召回用户与活跃用户之间的关系链数据、特定模式中该多个待召回用户与活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个待召回用户与活跃用户在同一个模式的历史参与情况。

需要说明的是，该待多个待召回用户可以为应用程序的注册用户中距离上一次登录时间的时间间隔超过预设时长的用户，该活跃用户可以为与待召回用户具有好友关系、且在应用程序中活跃度较高的用户。

需要说明的是，可以通过管理员用户设置运营资源，服务器接收到指令后，根据指令确定对应的目标运营资源，还可以由服务器根据活动信息，如活动规模、活动目的、活动成本等，自动匹配到合适的目标运营资源，本申请实施例对具体采用哪种方式确定目标资源不加以限定。

在一种可能的实现方式中，服务器可以根据已经确定的目标运营资源，对存储在其中的目标召回模型进行检测，找到适合该目标运营资源的目标召回模型，获取与该目标召回模型对应的该多个待召回用户与活跃用户之间的关系链数据、特定模式中该多个待召回用户与活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个待召回用户与活跃用户在同一个模式的历史参与情况。

1404、服务器将该多个待召回用户与活跃用户之间的关系链数据、特定模式中该多个待召回用户与活跃用户的参与次数和参与时长中至少一项作为自变量，将预设时长内的该多个待召回用户与活跃用户在同一个模式的历史参与情况作为因变量，输入该第二分类预测模型。

1405、服务器基于该第二分类预测模型，计算该多个用户的预测回流概率值。

需要说明的是，服务器还可以对该第二分类预测模型进行优化调整，输出多个待召回用户的预测回流概率值。

1406、服务器按照该多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的第一用户。

需要说明的是，该服务器可以按照该多个待召回用户的预测回流概率值从大到小的顺序，将排序顺序位于前目标位的待召回用户确定为该第一用户，还可以按照该多个待召回用户的预测回流概率值从大到小的顺序对该多个待召回用户进行排序，得到用户排序表，将位于该用户排序表中前目标位的待召回用户确定为该第一用户，本申请实施例对具体的确定第一用户的方式不加以限定。

1407、服务器将获取到的第一用户的活跃好友作为该多个目标用户。

1408、服务器向该多个目标用户发送召回提示信息，该召回提示信息用于指示该目标用户对第一用户进行召回。

需要说明的是，该召回提示信息中可以包括目标用户召回流失用户后可以获得的奖励，该召回提示信息可以刺激活跃用户对回流概率较高的流失用户进行用户召回。

图15是本申请实施例提供的一种利用亲密度模型进行用户召回的方法流程示意图，参见图15，服务器可以通过数据准备来获取多个待召回用户与活跃用户之间的关系链数据、特定模式中该多个待召回用户与活跃用户的参与次数和参与时长中至少一项、预设时长内的该多个待召回用户与活跃用户在同一个模式的历史参与情况，通过特征工程对获取到的数据进行数据处理，排除错误数据，突出数据特征，利用经过处理的数据进行第二分类预测模型的构建，并基于该第二分类预测模型实现对用户回流概率值的排序，进而筛选出适合该运营资源的用户，并向筛选出的用户发送召回信息，也即是，用户干预，该图15可以简要展示步骤1402至步骤1408的模型构建过程和召回信息发送过程。其中，实验策略制定是指为验证活动效果，可以在活动开始前预留一批流失用户作为对照组，对照组用户不做筛选，用于与经过筛选的实验组用户形成对照，具体可通过制定ABTest实验策略，划分实验组和对照组并打上标签来实现。

本申请实施例提供的方案，适用于涉及社交因素的运营活动，可以通过亲密度模型计算好友之间的亲密度，以共同参与某些玩法定义亲密度，共同参与的次数或时长越高则亲密度越高，根据计算结果将用户从高到低进行排序，根据排序结果筛选用户，发送召回信息，以提高活动召回率。

图16是本申请实施例提供的一种用户召回方法的流程图，该图16对应的实施例提供的用户召回方法，是通过相似度模型计算，筛选出一批相似度较高的好友，将流失用户的活跃好友作为目标用户，通过社交关系实现召回信息的投放，进而实现用户召回。参见图16，该方法包括：

1601、服务器确定目标运营资源。

需要说明的是，本申请实施例中的目标运营资源为利用社交关系进行用户召回。

1602、服务器获取多个待召回用户和活跃用户之间的关系链数据以及该多个待召回用户和活跃用户的在线时间历史数据。

需要说明的是，该多个样本用户与样本活跃用户之间的关系链数据可以用于确定流失用户与现有活跃用户之间的好友关系，该多个待召回用户和活跃用户的在线时间历史数据可以用于确定该多个待召回用户和活跃用户的时间偏好和共同在线时长，进而确定该多个待召回用户和活跃用户的相似度，待召回用户和活跃用户的共同在线时长越长，待召回用户和活跃用户的相似度越高。服务器可以通过利用该多个待召回用户和活跃用户之间的关系链数据，该多个待召回用户和活跃用户的在线时间历史数据，来实现后续对模型的训练。

可选地，服务器在获取到该多个待召回用户和活跃用户之间的关系链数据，该多个待召回用户和活跃用户的在线时间历史数据之后，该服务器还可以将该多个待召回用户和活跃用户的在线时间历史数据处理为向量形式，便于后续的相似度计算。

1603、服务器通过相似度模型对该多个待召回用户的在线时间历史数据和多个活跃用户的在线时间历史数据之间进行相似度计算，得到多个用户的相似度系数。

在一种可能的实现方式中，该服务器可以利用目标召回模型，也即是，相似度模型，将该多个待召回用户的在线时间历史数据和多个活跃用户的在线时间历史数据作为模型的输入，基于余弦相似度算法，计算该每个待召回用户的在线时间历史数据和对应的多个活跃用户的在线时间历史数据的余弦值，并对计算得到的余弦值进行加权计算，确定最终的相似度系数，得到所有待召回用户加权计算后的相似度系数，并将该相似度系数作为该相似度模型的输出。

1604、服务器按照该多个用户的相似度系数从大到小的顺序，获取排序顺序位于前目标位的第二用户。

需要说明的是，该服务器可以按照该多个待召回用户的预测回流概率值从大到小的顺序，将排序顺序位于前目标位的待召回用户确定为该第二用户，还可以按照该多个待召回用户的预测回流概率值从大到小的顺序对该多个待召回用户进行排序，得到用户排序表，将位于该用户排序表中前目标位的待召回用户确定为该第二用户，本申请实施例对具体的确定第二用户的方式不加以限定。

1605、服务器将获取到的第二用户的活跃好友作为该多个目标用户。

1606、服务器向该多个目标用户发送召回提示信息，该召回提示信息用于指示该目标用户对第二用户进行召回。

需要说明的是，该召回提示信息中可以包括目标用户召回流失用户后可以获得的奖励，该召回提示信息可以刺激活跃用户对回流概率较高的流失用户进行用户召回。

图17是本申请实施例提供的一种利用相似度模型进行用户召回的方法流程示意图，参见图17，服务器可以通过数据准备来获取多个待召回用户的在线时间历史数据和多个活跃用户的在线时间历史数据，通过特征工程对获取到的数据进行数据处理，排除错误数据，突出数据特征，利用经过处理的数据进行相似度模型的构建，并基于该相似度模型实现对用户回流概率值的排序，进而筛选出适合该运营资源的用户，并向筛选出的用户发送召回信息，也即是，用户干预，该图17可以简要展示步骤1602至步骤1608的模型构建过程和召回信息发送过程。其中，实验策略制定是指为验证活动效果，可以在活动开始前预留一批流失用户作为对照组，对照组用户不做筛选，用于与经过筛选的实验组用户形成对照，具体可通过制定ABTest实验策略，划分实验组和对照组并打上标签来实现。

本申请实施例提供的方案，适用于涉及社交因素的运营活动，可以通过相似度模型计算好友在线时间的相似度，共同在线时长越高则相似度越高，根据计算结果将用户从高到低进行排序，根据排序结果筛选用户，发送召回信息，以提高活动召回率。

需要说明的是，上述所有发明实施例提供的模型均可以互相结合使用，下面仅以结合亲密度模型和相似度模型来进行用户召回为例进行说明，具体来讲，是利用亲密度模型和相似度模型邀请流失用户共同参与羁绊玩法为例进行说明，其中，羁绊玩法为游戏应用程序中的一种特定玩法，该用户召回方法的具体实现流程如下所述：提取用户的好友关系链数据、玩法行为数据、活跃登录行为等数据，并进行数据预处理；分别构建亲密度模型、相似度模型，输出模型排序结果；将活跃玩家(主态)随机分为四份，分别根据亲密度模型、相似度模型、活跃时间排序、随机排序(对照组)的排序规则，对其流失好友(客态)进行排序根据排序结果生成好友推荐列表；活跃玩家(主态)邀请流失好友(客态)回流，组成小队共同参与羁绊玩法，活动结束后清算羁绊玩法积分，根据积分发放奖励礼包，参见图18，图18是本申请实施例提供的一种羁绊玩法的活动界面示意图。

其中，参见图19，图19是本申请实施例提供的一种推荐列表组队成功率示意图，根据不同策略排序的好友列表中，成功与列表前10名用户成功组队的比例分别为14.53％、27.56％、39.92％、40.47％；其中按在线时间分布相似性倒序排序、按亲密度相似性倒序排序策略的组队成功率较对照组(随机排序)提升25％左右。图20是本申请实施例提供的一种小队同玩羁绊玩法次数的概率示意图，参见图20，根据不同好友列表推荐策略组成的小队，小队同玩羁绊玩法次数分别为13.31次、12.99次、14.17次、15.71次；其中按在线时间分布相似性倒序排序、按亲密度相似性倒序排序策略的同玩次数较对照组(随机排序)提升6％、18％。

本申请实施例整合了上述方案，上述四个方案可以概括为三种，方案一为利用APP消息弹窗进行用户召回，方案二为利用短信进行用户号回，方案三为利用社交关系进行用户召回，这三种方案分别适用于不同的运营资源、目标用户以及目标场景，可以提供完善、通用、高效的召回方式，上述三种方案的具体特点如下表3所示：

表3

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

图21是本申请实施例提供的一种用户召回装置示意图，参见图21，该装置包括：

运营资源确定模块2101，用于确定目标运营资源；

数据获取模块2102，用于获取多个待召回用户与目标召回模型对应的用户数据，该目标召回模型与该目标运营资源对应；

模型处理模块2103，用于将该多个待召回用户的用户数据输入该目标召回模型，由该目标召回模型输出该多个待召回用户对应的群体标签；

生成模块2104，用于根据该多个待召回用户对应的群体标签，为该多个待召回用户分别生成对应的召回信息，该召回信息用于指示与群体标签对应的个性化奖励资源和曝光文案中至少一项；

发送模块2105，用于通过该目标运营资源，向该多个待召回用户分别发送对应的召回信息。

在一种可能的实现方式中，该数据获取模块2102，还用于获取多个样本用户的状态属性数据和行为数据中至少一项；

该装置还包括：

标签确定模块，用于根据该多个样本用户的状态属性数据和行为数据中至少一项，确定多个用户群体以及每个用户群体的群体标签，每个用户群体包括至少一个样本用户；

创建模块，用于基于该多个用户群体以及该群体标签，创建分类模型，将该分类模型作为该目标召回模型。

在一种可能的实现方式中，该装置还包括：

配置模块，用于根据该多个用户对应的群体标签，为该多个用户分别配置对应的个性化奖励资源和曝光文案中至少一项；

该生成模块，还用于根据该多个用户对应的个性化奖励资源和曝光文案中至少一项，生成召回信息。

图22是本申请实施例提供的一种用户召回装置示意图，参见图22，该装置包括：

运营资源确定模块2201，用于确定目标运营资源；

数据获取模块2202，用于获取多个用户与目标召回模型对应的用户数据，该目标召回模型与该目标运营资源对应；

模型处理模,2203，用于将该多个用户的用户数据输入该目标召回模型，通过该目标召回模型基于该多个用户的用户数据确定多个目标用户；

发送模块2204，用于通过该目标运营资源，向该多个目标用户发送召回信息。

在一种可能的实现方式中，该数据获取模块2202，还用于获取多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据；

该装置还包括：

第一模型训练模块，用于通过随机森林算法，将该多个样本用户的属性数据、行为数据中至少一项作为自变量，将该用户回流情况历史数据作为因变量进行模型训练，得到该第一分类预测模型，将该第一分类预测模型作为该目标召回模型。

在一种可能的实现方式中，该装置还包括：

概率值计算模块，用于基于该第一分类预测模型，计算该多个用户的预测回流概率值；

用户获取模块，用于按照该多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的用户作为该多个目标用户。

在一种可能的实现方式中，该数据获取模块2202，还用于获取多个样本用户与样本活跃用户之间的关系链数据、特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项以及预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况；

该装置还包括：

第二模型训练模块，还用于通过随机森林算法，将特定玩法中该多个样本用户与样本活跃用户的参与次数和参与时长中至少一项作为自变量，将该预设时长内的该多个样本用户与样本活跃用户在同一个模式的历史参与情况作为因变量进行模型训练，得到该第二分类预测模型，将该第二分类预测模型作为该目标召回模型。

在一种可能的实现方式中，该概率值计算模块，还用于基于该第二分类预测模型，计算该多个用户的预测回流概率值；

该装置还包括：

第一用户获取模块，用于按照该多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的第一用户；

该用户确定模块，还用于将获取到的第一用户的活跃好友确定为该多个目标用户。

在一种可能的实现方式中，该装置还包括：

相似度计算模块，用于通过该相似度模型对该多个用户的在线时间历史数据和多个活跃用户的在线时间历史数据之间进行相似度计算，得到确定多个用户的相似度系数；

该装置还包括：

第二用户获取模块，用于按照该多个用户的相似度系数从大到小的顺序，获取排序顺序位于前目标位的第二用户；

该用户确定模块，还用于将获取到的第二用户的活跃好友确定为该多个目标用户。

在一种可能的实现方式中，该发送模块2204，还用于向该多个目标用户发送召回提示信息，该召回提示信息用于指示该目标用户对第二用户进行召回。

需要说明的是：上述实施例提供的用户召回装置在进行用户召回时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将终端设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的用户召回装置与用户召回方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述装置通过确定目标运营资源，即可以确定目标召回模型，将获取到的多个待召回用户与目标召回模型对应的用户数据，输入到目标召回模型，可以得到多个待召回用户对应的群体标签，进而可以为多个待召回用户分别配置个性化奖励资源和曝光文案中至少一项，进而生成对应的召回信息，并通过目标运营资源，向多个待召回用户分别发送对应的召回信息，来实现对流失用户的召回。通过上述方案，可以对多个待召回用户进行用户群体的划分，有针对性地向待召回用户发送召回信息，提高召回信息的吸引力，保证召回效果，提高召回率。

图23是本申请实施例提供的一种终端设备的结构示意图。该终端设备2300可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端设备2300还可能被称为用户设备、便携式终端设备、膝上型终端设备、台式终端设备等其他名称。

通常，终端设备2300包括有：一个或多个处理器2301和一个或多个存储器2302。

处理器2301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器2301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器2301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器2301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器2301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器2302可以包括一个或多个终端设备可读存储介质，该终端设备可读存储介质可以是非暂态的。存储器2302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器2302中的非暂态的终端设备可读存储介质用于存储至少一个程序代码，该至少一个程序代码用于被处理器2301所执行以实现本申请中方法实施例提供的用户召回方法。

在一些实施例中，终端设备2300还可选包括有：***设备接口2303和至少一个***设备。处理器2301、存储器2302和***设备接口2303之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口2303相连。具体地，***设备包括：射频电路2304、显示屏2305、摄像头2306、音频电路2307和电源2309中的至少一种。

***设备接口2303可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器2301和存储器2302。在一些实施例中，处理器2301、存储器2302和***设备接口2303被集成在同一芯片或电路板上；在一些其他实施例中，处理器2301、存储器2302和***设备接口2303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路2304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路2304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路2304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路2304包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路2304可以通过至少一种无线通信协议来与其它终端设备进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路2304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏2305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏2305是触摸显示屏时，显示屏2305还具有采集在显示屏2305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器2301进行处理。此时，显示屏2305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏2305可以为一个，设置终端设备2300的前面板；在另一些实施例中，显示屏2305可以为至少两个，分别设置在终端设备2300的不同表面或呈折叠设计；在再一些实施例中，显示屏2305可以是柔性显示屏，设置在终端设备2300的弯曲表面上或折叠面上。甚至，显示屏2305还可以设置成非矩形的不规则图形，也即异形屏。显示屏2305可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件2306用于采集图像或视频。可选地，摄像头组件2306包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端设备的前面板，后置摄像头设置在终端设备的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件2306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路2307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器2301进行处理，或者输入至射频电路2304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端设备2300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器2301或射频电路2304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路2307还可以包括耳机插孔。

电源2309用于为终端设备2300中的各个组件进行供电。电源2309可以是交流电、直流电、一次性电池或可充电电池。当电源2309包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端设备2300还包括有一个或多个传感器2310。该一个或多个传感器2310包括但不限于：加速度传感器2311、陀螺仪传感器2312、压力传感器2313、光学传感器2315以及接近传感器2316。

加速度传感器2311可以检测以终端设备2300建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器2311可以用于检测重力加速度在三个坐标轴上的分量。处理器2301可以根据加速度传感器2311采集的重力加速度信号，控制显示屏2305以横向视图或纵向视图进行用户界面的显示。加速度传感器2311还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器2312可以检测终端设备2300的机体方向及转动角度，陀螺仪传感器2312可以与加速度传感器2311协同采集用户对终端设备2300的3D动作。处理器2301根据陀螺仪传感器2312采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器2313可以设置在终端设备2300的侧边框和/或显示屏2305的下层。当压力传感器2313设置在终端设备2300的侧边框时，可以检测用户对终端设备2300的握持信号，由处理器2301根据压力传感器2313采集的握持信号进行左右手识别或快捷操作。当压力传感器2313设置在显示屏2305的下层时，由处理器2301根据用户对显示屏2305的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

光学传感器2315用于采集环境光强度。在一个实施例中，处理器2301可以根据光学传感器2315采集的环境光强度，控制显示屏2305的显示亮度。具体地，当环境光强度较高时，调高显示屏2305的显示亮度；当环境光强度较低时，调低显示屏2305的显示亮度。在另一个实施例中，处理器2301还可以根据光学传感器2315采集的环境光强度，动态调整摄像头组件2306的拍摄参数。

接近传感器2316，也称距离传感器，通常设置在终端设备2300的前面板。接近传感器2316用于采集用户与终端设备2300的正面之间的距离。在一个实施例中，当接近传感器2316检测到用户与终端设备2300的正面之间的距离逐渐变小时，由处理器2301控制显示屏2305从亮屏状态切换为息屏状态；当接近传感器2316检测到用户与终端设备2300的正面之间的距离逐渐变大时，由处理器2301控制显示屏2305从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图23中示出的结构并不构成对终端设备2300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图24是本申请实施例提供的一种服务器的结构示意图，该服务器2400可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器(Central Processing Units，CPU)2401和一个或多个的存储器2402，其中，所述一个或多个存储器2402中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器2401加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器2400还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器2400还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种终端设备可读存储介质，例如包括程序代码的存储器，上述程序代码可由处理器执行以完成上述实施例中的用户召回方法。例如，该终端设备可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来程序代码相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (18)

1.一种用户召回方法，其特征在于，所述方法包括：

根据活动信息，自动确定与所述活动信息匹配的目标运营资源，所述活动信息包括活动规模、活动目的和活动成本；

获取多个待召回用户与目标召回模型对应的用户数据，将所述多个待召回用户的用户数据输入所述目标召回模型，由所述目标召回模型输出所述多个待召回用户对应的群体标签，所述目标召回模型与所述目标运营资源对应；

根据所述多个待召回用户对应的群体标签，为所述多个待召回用户分别生成对应的召回信息，所述召回信息用于指示与所述群体标签对应的个性化奖励资源和曝光文案中至少一项，所述个性化奖励资源和所述曝光文案基于所述待召回用户的游戏偏好进行配置，所述待召回用户的游戏偏好通过根据多个用户对应的群体标签对用户进行画像而确定；

通过所述目标运营资源，向所述多个待召回用户分别发送对应的召回信息；

其中，创建所述目标召回模型的过程包括：

获取多个样本用户的状态属性数据和行为数据中至少一项；

对所述多个样本用户的状态属性数据和行为数据进行数据处理，得到处理后的所述多个样本用户的状态属性数据和行为数据，所述数据处理包括缺失值处理、异常值处理、相关性分析、特征归一化和/或特征离散化；

根据所述处理后的所述多个样本用户的状态属性数据和行为数据中至少一项，构建数据宽表，所述数据宽表用于存储所述处理后的所述多个样本用户的状态属性数据和行为数据中的至少一项；

根据所述处理后的所述多个样本用户的状态属性数据和行为数据中至少一项，确定多个用户群体以及每个用户群体的群体聚心，将每个所述用户群体的群体聚心作为每个所述用户群体的群体标签，每个所述用户群体包括至少一个样本用户；

根据所述多个用户群体以及每个所述用户群体的群体标签，将所述状态属性数据和所述行为数据中至少一项作为模型的输入，将所述群体标签作为模型的输出，创建所述目标召回模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个待召回用户对应的群体标签，为所述多个待召回用户分别生成对应的召回信息包括：

根据所述多个待召回用户对应的群体标签，为所述多个待召回用户分别配置对应的个性化奖励资源和曝光文案中至少一项；

根据所述多个待召回用户对应的个性化奖励资源和曝光文案中至少一项，生成所述召回信息。

3.根据权利要求1所述的方法，其特征在于，所述目标运营资源为应用程序消息弹窗。

4.一种用户召回方法，其特征在于，所述方法包括：

确定目标运营资源；

获取多个用户与目标召回模型对应的用户数据，将所述多个用户的用户数据输入所述目标召回模型，通过所述目标召回模型基于所述多个用户的用户数据确定多个目标用户，所述目标召回模型与所述目标运营资源对应，所述目标召回模型包括第二分类预测模型，所述第二分类预测模型包括亲密度模型和相似度模型；

通过所述目标运营资源，向所述多个目标用户发送召回信息；

所述通过所述目标召回模型基于所述多个用户的用户数据确定多个目标用户包括：

将所述多个用户与活跃用户之间的关系链数据、特定模式中多个待召回用户与活跃用户的参与次数和参与时长中至少一项作为自变量，将预设时长内的所述多个用户与活跃用户在同一个模式的历史参与情况作为因变量，输入所述第二分类预测模型；

基于所述亲密度模型，计算所述多个用户的预测回流概率值；按照所述多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的第一用户；将获取到的所述第一用户的活跃好友确定为所述多个目标用户；

将所述多个用户的在线时间历史数据和多个活跃用户的在线时间历史数据作为所述相似度模型的输入，基于预先相似度算法，计算每个用户的在线时间历史数据和对应的多个活跃用户的在线时间历史数据的余弦值，并对所述余弦值进行加权计算，确定所述每个用户的相似度系数；按照所述多个用户的相似度系数从大到小的顺序，获取排序顺序位于所述前目标位的第二用户；将获取到的所述第二用户的活跃好友确定为所述多个目标用户；

其中，训练得到所述亲密度模型的过程包括：

获取多个样本用户与样本活跃用户之间的关系链数据、特定玩法中所述多个样本用户与所述样本活跃用户的参与次数和参与时长中至少一项、预设时长内的所述多个样本用户与所述样本活跃用户在同一个模式的历史参与情况；

将所述多个样本用户与所述样本活跃用户的参与次数和参与时长中至少一项作为自变量，所述预设时长内的所述多个样本用户与所述样本活跃用户在同一个模式的历史参与情况的二值化表示作为因变量，进行模型训练，得到所述亲密度模型。

5.根据权利要求4所述的方法，其特征在于，所述目标召回模型为第一分类预测模型，所述通过所述目标召回模型基于所述多个用户的用户数据确定多个目标用户包括：

基于所述第一分类预测模型，计算所述多个用户的预测回流概率值；

按照所述多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的用户作为所述多个目标用户。

6.根据权利要求5所述的方法，其特征在于，所述多个用户与目标召回模型对应的用户数据包括：所述多个用户的属性数据、行为数据中至少一项以及多个用户回流情况历史数据。

7.根据权利要求5所述的方法，其特征在于，所述将所述多个用户的用户数据输入所述目标召回模型之前，所述方法还包括：

获取所述多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据；

通过随机森林算法，将所述多个样本用户的属性数据、行为数据中至少一项作为自变量，将所述用户回流情况历史数据作为因变量进行模型训练，得到所述第一分类预测模型，将所述第一分类预测模型作为所述目标召回模型。

8.根据权利要求5所述的方法，其特征在于，所述目标运营资源为短信。

9.根据权利要求4所述的方法，其特征在于，所述多个用户与目标召回模型对应的用户数据包括：所述多个用户与活跃用户之间的关系链数据、特定模式中所述多个用户与所述活跃用户的参与次数和参与时长中至少一项、预设时长内的所述多个用户与所述活跃用户在同一个模式的历史参与情况。

10.根据权利要求4所述的方法，其特征在于，所述向所述多个目标用户发送召回信息包括：

向所述多个目标用户发送召回提示信息，所述召回提示信息用于指示所述目标用户对所述第二用户进行召回。

11.一种用户召回装置，其特征在于，所述装置包括：

运营资源确定模块，用于根据活动信息，自动确定与所述活动信息匹配的目标运营资源，所述活动信息包括活动规模、活动目的和活动成本；

数据获取模块，用于获取多个待召回用户与目标召回模型对应的用户数据，所述目标召回模型与所述目标运营资源对应；

模型处理模块，用于将所述多个待召回用户的用户数据输入所述目标召回模型，由所述目标召回模型输出所述多个待召回用户对应的群体标签；

生成模块，用于根据所述多个待召回用户对应的群体标签，为所述多个待召回用户分别生成对应的召回信息，所述召回信息用于指示与所述群体标签对应的个性化奖励资源和曝光文案中至少一项，所述个性化奖励资源和所述曝光文案基于所述待召回用户的游戏偏好进行配置，所述待召回用户的游戏偏好通过根据该多个用户对应的群体标签对用户进行画像而确定；

发送模块，用于通过所述目标运营资源，向所述多个待召回用户分别发送对应的召回信息；

所述数据获取模块，还用于获取多个样本用户的状态属性数据和行为数据中至少一项；

用于执行以下步骤的模块：对所述多个样本用户的状态属性数据和行为数据进行数据处理，得到处理后的所述多个样本用户的状态属性数据和行为数据，所述数据处理包括缺失值处理、异常值处理、相关性分析、特征归一化和/或特征离散化；根据所述处理后的所述多个样本用户的状态属性数据和行为数据中至少一项，构建数据宽表，所述数据宽表用于存储所述处理后的所述多个样本用户的状态属性数据和行为数据中的至少一项；

标签确定模块，用于根据所述处理后的所述多个样本用户的状态属性数据和行为数据中至少一项，确定多个用户群体以及每个用户群体的群体聚心，将每个所述用户群体的群体聚心作为每个所述用户群体的群体标签，每个所述用户群体包括至少一个样本用户；

创建模块，用于根据所述多个用户群体以及每个所述用户群体的群体标签，将所述状态属性数据和所述行为数据中至少一项作为模型的输入，将所述群体标签作为模型的输出，创建所述目标召回模型。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

配置模块，用于根据所述多个待召回用户对应的群体标签，为所述多个待召回用户分别配置对应的个性化奖励资源和曝光文案中至少一项；

所述生成模块，还用于根据所述多个待召回用户对应的个性化奖励资源和曝光文案中至少一项，生成所述召回信息。

13.一种用户召回装置，其特征在于，所述装置包括：

运营资源确定模块，用于确定目标运营资源；

数据获取模块，用于获取多个用户与目标召回模型对应的用户数据，所述目标召回模型与所述目标运营资源对应，所述目标召回模型包括第二分类预测模型，所述第二分类预测模型包括亲密度模型和相似度模型；

模型处理模块，用于将所述多个用户的用户数据输入所述目标召回模型，通过所述目标召回模型基于所述多个用户的用户数据确定多个目标用户；

发送模块，用于通过所述目标运营资源，向所述多个目标用户发送召回信息；

概率值计算模块，用于：

将所述多个用户与活跃用户之间的关系链数据、特定模式中多个待召回用户与活跃用户的参与次数和参与时长中至少一项作为自变量，将预设时长内的所述多个用户与活跃用户在同一个模式的历史参与情况作为因变量，输入所述第二分类预测模型；

基于所述亲密度模型，计算所述多个用户的预测回流概率值；

第一用户获取模块，用于按照所述多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的第一用户；

用户确定模块，用于将获取到的所述第一用户的活跃好友确定为所述多个目标用户；

相似度计算模块，用于将所述多个用户的在线时间历史数据和多个活跃用户的在线时间历史数据作为所述相似度模型的输入，基于预先相似度算法，计算每个用户的在线时间历史数据和对应的多个活跃用户的在线时间历史数据的余弦值，并对所述余弦值进行加权计算，确定所述每个用户的相似度系数；

第二用户获取模块，用于按照所述多个用户的相似度系数从大到小的顺序，获取排序顺序位于所述前目标位的第二用户；

所述用户确定模块，还用于将获取到的所述第二用户的活跃好友确定为所述多个目标用户；

所述数据获取模块，还用于获取多个样本用户与样本活跃用户之间的关系链数据、特定玩法中所述多个样本用户与所述样本活跃用户的参与次数和参与时长中至少一项、预设时长内的所述多个样本用户与所述样本活跃用户在同一个模式的历史参与情况；

第二模型训练模块，用于将所述多个样本用户与所述样本活跃用户的参与次数和参与时长中至少一项作为自变量，所述预设时长内的所述多个样本用户与所述样本活跃用户在同一个模式的历史参与情况的二值化表示作为因变量，进行模型训练，得到所述亲密度模型。

14.根据权利要求13所述的装置，其特征在于，所述目标召回模型为第一分类预测模型，所述概率值计算模块，还用于基于所述第一分类预测模型，计算所述多个用户的预测回流概率值；

所述装置还包括：

用户获取模块，用于按照所述多个用户的预测回流概率值从大到小的顺序，获取排序顺序位于前目标位的用户作为所述多个目标用户。

15.根据权利要求14所述的装置，其特征在于，所述数据获取模块，还用于获取所述多个样本用户的属性数据、行为数据中至少一项和用户回流情况历史数据；

所述装置还包括：

第一模型训练模块，用于通过随机森林算法，将所述多个样本用户的属性数据、行为数据中至少一项作为自变量，将所述用户回流情况历史数据作为因变量进行模型训练，得到所述第一分类预测模型，将所述第一分类预测模型作为所述目标召回模型。

16.根据权利要求13所述的装置，其特征在于，所述发送模块，还用于向所述多个目标用户发送召回提示信息，所述召回提示信息用于指示所述目标用户对所述第二用户进行召回。

17.一种服务器，其特征在于，所述服务器包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求10任一项所述的用户召回方法所执行的操作。

18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现如权利要求1至权利要求10任一项所述的用户召回方法所执行的操作。

Images