CN111291936B - 产品生命周期预估模型生成方法、装置及电子设备 - Google Patents
产品生命周期预估模型生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111291936B CN111291936B CN202010108556.8A CN202010108556A CN111291936B CN 111291936 B CN111291936 B CN 111291936B CN 202010108556 A CN202010108556 A CN 202010108556A CN 111291936 B CN111291936 B CN 111291936B
- Authority
- CN
- China
- Prior art keywords
- product
- target
- target product
- life cycle
- reference data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种产品生命周期预估模型生成方法、装置及电子设备,属于计算机应用技术领域。其中,该方法包括:根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,其中,K为正整数;根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集;利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过这种产品生命周期预估模型生成方法,可以自动对用于训练产品生命周期预估模型的目标产品的样本数据进行扩充,从而节省了人力成本,提高了产品生命周期的预估效率。
Description
技术领域
本申请涉及计算机应用技术领域,尤其涉及一种产品生命周期预估模型生成方法、装置及电子设备。
背景技术
产品生命周期与企业制定产品策略以及营销策略有着直接的联系,因此合理预估产品的生命周期具有重要意义。由于生命周期的计算方式为产品每日新装量的1日留存率到360日留存率的加和,所以产品生命周期预估的核心是留存率预估。
相关技术中,由于新产品的数据特点是没有历史数据,可利用的样本数据极少,因此在对新产品的留存率进行预估时,通常通过人工的方式根据经验从历史产品的历史数据中寻找可用数据扩充样本数据,以完成对新产品的留存率预估。然而,通过人工方式扩充新产品的样本数据,效率低下,从而降低了产品生命周期的预估效率。
发明内容
本申请提出的产品生命周期预估模型生成方法、装置及电子设备,用于解决相关技术中,对新产品的生命周期进行预估时,通过人工方式扩充新产品的样本数据,效率低下,从而降低了产品生命周期的预估效率的问题。
本申请一方面实施例提出的产品生命周期预估模型生成方法,包括:根据目标产品在K日的新增用户量及留存变化率,确定所述目标产品对应的目标特征向量,其中,K为正整数;根据所述目标特征向量与各已有产品的各参考特征向量间的相似度,从所述各已有产品的历史数据中,获取参考数据集;利用所述参考数据集对预设的生命周期预估模型进行训练,生成所述目标产品对应的目标预估模型。
可选地,在第一方面实施例一种可能的实现形式中,所述根据目标产品在K日的新增用户量及留存变化率,确定所述目标产品对应的目标特征向量之前,还包括:
获取所述目标产品在K日的新增用户量及多个日留存率;
根据所述多个日留存率,计算所述目标产品的留存变化率。
可选地,在第一方面实施例另一种可能的实现形式中,所述根据所述多个日留存率,计算所述目标产品的留存变化率,包括:
根据i日留存率及j日留存率,计算所述目标产品在第i日和第j日间的留存变化率,其中,i和j分别为不同的整数。
可选地,在第一方面实施例再一种可能的实现形式中,所述确定所述目标产品对应的目标特征向量,包括:
依据预设的日新增用户量范围与权值的映射关系,确定与所述目标产品在K日的新增用户量对应的权值;
将所述权值赋值给所述目标特征向量中用于表征日新增用户量的元素。
可选地,在第一方面实施例又一种可能的实现形式中,所述确定所述目标产品对应的目标特征向量,还包括:
根据K日的节日属性,确定所述目标特征向量中用于表征日期属性的元素值。
可选地,在第一方面实施例又一种可能的实现形式中,所述参考数据集中的每个参考数据中包括一个已有产品的各日留存率;
所述获取参考数据集之后,还包括:
将各参考数据中的每个相同日留存率进行融合处理,生成训练样本集;
所述利用所述参考数据集对预设的生命周期预估模型进行训练,包括:
利用所述训练样本集对预设的生命周期预估模型进行训练。
可选地,在第一方面实施例另一种可能的实现形式中,所述将各参考数据中的每个相同日留存率进行融合处理,包括:
将各参考数据中的每个相同日留存率进行加和平均处理;
或者,
根据各参考数据对应的已有产品与目标产品的相似度,确定各参考数据的权值;
根据各参考数据的权值,将各参考数据中的每个相同日留存率进行加权平均处理。
本申请另一方面实施例提出的产品生命周期生成方法,包括:获取生命周期预估请求,所述预估请求中包括目标产品的类型及标识;根据所述目标产品的类型,确定所述目标产品对应的待预估时长;利用与所述目标产品的标识对应的目标预估模型,计算所述目标产品在所述待预估时长内的每日留存率;根据所述目标产品在所述待预估时长内的每日留存率,确定所述目标产品的生命周期。
可选地,在第二方面实施例一种可能的实现形式中,所述根据所述目标产品的类型,确定所述目标产品对应的待预估时长之前,还包括:
对各类型产品的生命周期进行统计,确定各产品类型对应的待预估时长。
本申请再一方面实施例提出的产品生命周期预估模型生成装置,包括:确定模块,用于根据目标产品在K日的新增用户量及留存变化率,确定所述目标产品对应的目标特征向量,其中,K为正整数;第一获取模块,用于根据所述目标特征向量与各已有产品的各参考特征向量间的相似度,从所述各已有产品的历史数据中,获取参考数据集;训练模块,用于利用所述参考数据集对预设的生命周期预估模型进行训练,生成所述目标产品对应的目标预估模型。
可选地,在第三方面实施例一种可能的实现形式中,所述装置,还包括:
第二获取模块,用于获取所述目标产品在K日的新增用户量及多个日留存率;
计算模块,用于根据所述多个日留存率,计算所述目标产品的留存变化率。
可选地,在第三方面实施例另一种可能的实现形式中,所述计算模块,具体用于:
根据i日留存率及j日留存率,计算所述目标产品在第i日和第j日间的留存变化率,其中,i和j分别为不同的整数。
可选地,在第三方面实施例再一种可能的实现形式中,所述确定模块,具体用于:
依据预设的日新增用户量范围与权值的映射关系,确定与所述目标产品在K日的新增用户量对应的权值;
将所述权值赋值给所述目标特征向量中用于表征日新增用户量的元素。
可选地,在第三方面实施例又一种可能的实现形式中,所述确定模块,还用于:
根据K日的节日属性,确定所述目标特征向量中用于表征日期属性的元素值。
可选地,在第三方面实施例又一种可能的实现形式中,所述参考数据集中的每个参考数据中包括一个已有产品的各日留存率;
所述装置,还包括:
融合处理模块,用于将各参考数据中的每个相同日留存率进行融合处理,生成训练样本集;
所训练模块,具体用于:
利用所述训练样本集对预设的生命周期预估模型进行训练。
可选地,在第三方面实施例另一种可能的实现形式中,所述融合处理模块,具体用于:
将各参考数据中的每个相同日留存率进行加和平均处理;
或者,
根据各参考数据对应的已有产品与目标产品的相似度,确定各参考数据的权值;
根据各参考数据的权值,将各参考数据中的每个相同日留存率进行加权平均处理。
本申请又一方面实施例提出的产品生命周期预估装置,包括:获取模块,用于获取生命周期预估请求,所述预估请求中包括目标产品的类型及标识;第一确定模块,用于根据所述目标产品的类型,确定所述目标产品对应的待预估时长;计算模块,用于利用与所述目标产品的标识对应的目标预估模型,计算所述目标产品在所述待预估时长内的每日留存率;第二确定模块,用于根据所述目标产品在所述待预估时长内的每日留存率,确定所述目标产品的生命周期。
可选地,在第四方面实施例一种可能的实现形式中,所述装置,还包括:
第三确定模块,用于对各类型产品的生命周期进行统计,确定各产品类型对应的待预估时长。
本申请又一方面实施例提出的电子设备,其包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如前所述的产品生命周期预估模型生成方法或产品生命周期预估方法。
本申请另一方面实施例提出的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如前所述的产品生命周期预估模型生成方法或产品生命周期预估方法。
本申请再一方面实施例提出的计算机程序,该程序被处理器执行时,以实现本申请实施例所述的产品生命周期预估模型生成方法或产品生命周期预估方法。
本申请实施例提供的产品生命周期预估模型生成方法、装置、电子设备、计算机可读存储介质及计算机程序,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,进而利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过目标产品已有的样本数据确定目标产品对应的目标特征向量,并根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,对目标预估模型进行训练,从而实现了自动对用于预估模型训练的目标产品的样本数据进行扩充,节省了人力成本,提高了产品生命周期的预估效率。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种产品生命周期预估模型生成方法的流程示意图;
图2为本申请实施例所提供的另一种产品生命周期预估模型生成方法的流程示意图;
图3为本申请实施例所提供的一种产品生命周期预估方法的流程示意图;
图4为本申请实施例提供的一种产品生命周期预估模型生成装置的结构示意图;
图5为本申请实施例提供的一种产品生命周期预估装置的结构示意图;
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请实施例针对相关技术中,对新产品的生命周期进行预估时,通过人工方式扩充新产品的样本数据,效率低下,从而降低了产品生命周期的预估效率的问题,提出一种产品生命周期预估模型生成方法。
本申请实施例提供的产品生命周期预估模型生成方法,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,进而利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过目标产品已有的样本数据确定目标产品对应的目标特征向量,并根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,对目标预估模型进行训练,从而实现了自动对用于预估模型训练的目标产品的样本数据进行扩充,节省了人力成本,提高了产品生命周期的预估效率。
下面参考附图对本申请提供的产品生命周期预估模型生成方法、产品生命周期预估方法、装置、电子设备、存储介质及计算机程序进行详细描述。
下面结合图1,对本申请实施例提供的产品生命周期预估模型生成方法进行详细描述。
图1为本申请实施例所提供的一种产品生命周期预估模型生成方法的流程示意图。
如图1所示,该产品生命周期预估模型生成方法,包括以下步骤:
步骤101,根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,其中,K为正整数。
其中,目标产品,是指需要进行生命周期预估的产品。比如,可以为任意的互联网产品,尤其是新上线的互联网产品。
其中,K是指目标产品上线当日至当前日期之间的任意一个日期。实际使用时,会将K处理为整数,因此K可以为正整数。比如,目标产品的上线时间为2020年1月1日,当前日期为2020年1月5日,则K可以为2020年1月1日至5日中的任意一个日期,如K为2020年1月4日,则K转换为正整数为20200104。
其中,留存变化率,是指任意两个日留存率在二维空间中对应的点所在直线的斜率;其中,上述二维空间的X轴表示日,二维空间的Y轴表示日留存率。作为一种可能的实现方式,可以根据获取的目标产品在K日的新增用户量及多个日留存率,计算留存变化率。即在本申请实施例一种可能的实现形式中,上述步骤101之前,还可以包括:
获取目标产品在K日的新增用户量及多个日留存率;
根据多个日留存率,计算目标产品的留存变化率。
其中,K日的日留存率,是指K日之后的任意一个日期上线的用户量与K日的新增用户量(Daily New Users,简称DNU)的比值。比如,K日为2020年1月1日,2020年1月1日的DNU为1000,且2020年1月1日新增的1000个用户中的500个在2020年1月2日上线,则2020年1月1日的1日留存率为0.5;相应的,2020年1月3日的留存率为2020年1月1日的2日留存率,以此类推。
在本申请实施例中,可以从对目标产品历史数据的统计数据中,获取目标产品的所有日期的DNU,及每个日期的DNU对应的多个日留存率。需要说明的是,由于目标产品通常为新产品,因此历史数据可能较少,通常只可以获取到个别日期的DNU及多个日留存率。比如,如表1所示,为获取的目标产品的样本数据,即目标产品在2019年1月25日的DNU与1日留存率、3日留存率。
表1
数据项 | 日期 | DNU | 1日留存率 | 3日留存率 |
数值 | 20190125 | 342 | 0.473684 | 0.368421 |
在获取到K日的DNU及多个日留存率之后,即可根据多个日留存率计算目标产品的留存变化率。比如,如表1中所示的一组数据,目标产品的1日留存率与3日留存率在二维空间中对应的点所在直线的斜率为:(0.368421-0.473684)/(3-1)=-0.052632,即目标产品的留存变化率为-0.052632。
作为一种可能的实现方式,可以根据多个日留存率中的任意两个日留存率,计算出这两个日期间的留存变化率,即目标产品的一个留存变化率。即在本申请实施例一种可能的实现形式中,上述根据多个日留存率,计算目标产品的留存变化率,可以包括:
根据i日留存率及j日留存率,计算目标产品在第i日和第j日间的留存变化率,其中,i和j分别为不同的整数。
在本申请实施例中,可以根据i日留存率与j日留存率,以及j与i间的差值,确定目标产品在第i日和第j日间的留存变化率。即目标产品在第i日和第j日间的留存变化率为:(Pj-Pi)/(j-i),其中,Pj为j日留存率,Pi为i日留存率。
需要说明的是,可以根据目标产品在K日的DNU对应的多个日留存率,确定出任意两个日留存率间的变化率,从而在获取的日留存率大于2个时,可以确定出目标产品的多个留存变化率。也就是说,目标产品的留存变化率的数量为多个日留存率中任意取出两个日留存率的组合数:其中,n为日留存率的数量。
在本申请实施例中,目标特征向量,可以对目标产品在K日的DNU、留存变化率进行向量表示。若K日有多个,则可以分别确定出每个K日的DNU、留存变化率对应的目标特征向量。
在本申请实施例中,目标特征向量中可以包括三类元素。其中,一类元素用于表征日期属性,一类元素用于表征DNU,一类元素用于表征留存变化率。
作为一种可能的实现方式,可以采用目标特征向量的第一个元素作为表征日期属性的元素,即可以将K作为目标特征向量第一个元素的取值;可以采用目标特征向量的第二个元素作为表征DNU的元素,即可以将K日的DNU作为目标特征向量第二个元素的取值;之后可以将目标产品的留存变化率作为目标特征向量的其他元素的取值,比如,若目标产品的留存变化率有1个,则将目标产品的留存变化率作为目标特征向量第三个元素的取值,若目标产品的留存变化率有2个,则将目标产品的留存变化率作为目标特征向量第三个和第四个元素的取值,依次类推。
举例来说,根据表1所示的数据,可以确定目标产品的留存变化率为-0.052632,从而根据表1所示的数据确定的目标产品对应的目标特征向量为[20190125,342,-0.052632]。
进一步的,由于用户在节假日和工作日对产品的使用情况可能具有较大差异,从而可以根据K日的节日属性,确定目标特征向量中表征日期属性的元素取值。即在本申请实施例一种可能的实现形式中,上述步骤103,可以包括:
根据K日的节日属性,确定目标特征向量中用于表征日期属性的元素值。
作为一种可能的实现方式,可以采用预设值表示K日的节日属性,比如,可以采用0和1表示K日的节日属性。具体的,在K日为“工作日”时,可以将“0”确定为K日的节日属性,并将“0”确定为目标特征向量中用于表征日期属性的元素值;在K日为“节假日”时,可以将“1”确定为K日的节日属性,并将“1”确定为目标特征向量中用于表征日期属性的元素值。
进一步的,还可以对DNU进行离散化处理,以将DNU从连续值划分为有限数量的分类属性。即在本申请实施例一种可能的实现形式中,上述步骤103,可以包括:
依据预设的日新增用户量范围与权值的映射关系,确定与目标产品在K日的新增用户量对应的权值;
将权值赋值给目标特征向量中用于表征日新增用户量的元素。
作为一种可能的实现方式,可以采用如表2所示的离散化机制对DNU进行离散化处理。表2示出了预设的DNU范围与权值的映射关系,从而可以根据表2与目标产品在K日的DNU,确定出目标产品在K日的DNU对应的权值,进而将目标产品在K日的DNU对应的权值,确定为目标特征向量中用于表征DNU的元素值。
表2
DNU | <4 | <15 | <50 | <100 | <400 | <1000 | <2000 | <3000 | <4000 | <5000 | >=5000 |
权值 | 10 | 9 | 8 | 7 | 6 | 5 | 4 | 3 | 2 | 1 | 0 |
举例来说,根据表1所示的数据,可以确定目标产品的留存变化率为-0.052632,2019年1月25日为“工作日”,从而可以确定目标特征向量的第一个元素取值为0,DNU为342时,对应的权值为6,从而根据表1所示的数据确定的目标产品对应的目标特征向量为[0.000000,6.000000,-0.052632]。
步骤102,根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集。
其中,参考特征向量,是指根据已有产品在各日的DUN及多个日留存率,生成的特征向量。需要说明的是,各参考特征向量的生成方式与目标产品对应的目标特征向量的生成方式相同,即可以根据已有产品的历史数据,获取历史数据中包括的各日的DUN及各日的DUN对应的多个日留存率,进而根据各日的DUN及各日的DUN对应的多个日留存率,确定出各参考特征向量。
其中,目标特征向量与参考特征向量间的相似度,可以采用目标特征向量与参考特征向量之间的向量距离进行衡量。具体的,若目标特征向量与参考特征向量间的向量距离越小,则说明目标特征向量与参考特征向量间的相似度越高;若目标特征向量与参考特征向量间的向量距离越大,则说明目标特征向量与参考特征向量间的相似度越低。
作为一种可能的实现方式,可以采用目标特征向量与参考特征向量之间的欧式距离,衡量目标特征向量与参考特征向量间的相似度,并从已有产品的历史数据中获取与目标特征向量之间的欧式距离小于距离阈值的参考数据,以构成参考数据集。
需要说明的是,在采用欧式距离衡量目标特征向量与参考特征向量之间的相似度时,参考特征向量中的元素数量需要与目标特征向量中的元素数量相同,从而,可以首先从已有产品历史数据中每个数据对应的参考特征向量中,选取出元素数量与目标特征向量的元素数量相同的参考特征向量,进而确定目标特征向量与选取出的各参考特征向量间的欧式距离。
实际使用时,距离阈值可以根据实际需要预设,本申请实施例对此不做限定。比如,距离阈值可以为0.04。
步骤103,利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。
在本申请实施例中,由于参考数据集中的每个参考数据,都是根据目标产品对应的目标特征向量与已有产品的各参考特征向量间的相似度确定的,因此参考数据集中的每个参考数据都与目标产品的历史数据具有较高的相似性。从而使得利用参考数据集训练出的目标预估模型,可以对目标产品的生命周期进行有效预测。
作为一种可能的实现方式,预设的生命周期预估模型可以通过对公式(1)所示的日留存率衰减模型进行积分得到:
其中,y为x日留存率,x为自变量,x的取值范围与目标产品的类型有关,实际使用时,可以根据具体的目标产品,确定x的取值范围,比如,x的取值范围可以为[0,360)的整数,a、b1和b2为预设的生命周期预估模型中的参数,L为生命周期,训练目标预估模型的过程即是确定a、b1和b2的具体取值的过程。
在本申请实施例中,利用参考数据集对预设的生命周期预估模型进行训练,可以将一个参考数据中包括的每个日留存率作为y值,及将每个日留存率对应的日作为x值代入公式(1),确定一组a、b1和b2的取值;或者,若一个参考数据中的日留存率的数量较少,根据一个参考数据无法确定出a、b1和b2的具体取值,则可以将多个参考数据中包括的日留存率,确定出一组a、b1和b2的取值。
需要说明的是,在确定出的a、b1和b2的取值有多组时,可以将多组a、b1和b2的平均值确定为目标预估模型中a、b1和b2的具体取值。确定出目标预估模型中a、b1和b2的具体取值之后,即可以生成目标预估模型。
本申请实施例提供的产品生命周期预估模型生成方法,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,进而利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过目标产品已有的样本数据确定目标产品对应的目标特征向量,并根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,对目标预估模型进行训练,从而实现了自动对用于预估模型训练的目标产品的样本数据进行扩充,节省了人力成本,提高了产品生命周期的预估效率。
在本申请一种可能的实现形式中,从已有产品的历史数据中获取的参考数据集,可能包括多个参考数据,从而可以将多个参考数据进行融合处理,以降低模型训练的次数和复杂度。
下面结合图2,对本申请实施例提供的产品生命周期预估模型生成方法进行进一步说明。
图2为本申请实施例所提供的另一种产品生命周期预估模型生成方法的流程示意图。
如图2所示,该产品生命周期预估模型生成方法,包括以下步骤:
步骤201,根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,其中,K为正整数。
步骤202,根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集。
上述步骤201-202的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤203,将参考数据集中各参考数据中的每个相同日留存率进行融合处理,生成训练样本集。
在本申请实施例中,若参考数据集中包含的参考数据较多,利用每个参考数据中的日留存率分别对预设的生命周期预估模型进行训练,会导致模型训练的次数较多,从而增加了模型训练的计算量和复杂度。因此,在本申请实施例一种可能的实现形式中,可以将每个参考数据中包括的相同日留存率进行融合处理,以生成包含多个融合后的日留存率的训练样本集。
举例来说,参考数据集中包括如表3所示的三个参考数据,则对每个参考数据中的每个相同日留存率进行融合处理时,可以将1日留存率a1、b1、c1进行融合,以生成融合后的1日留存率,将2日留存率a2、b2、c2进行融合,以生成融合后的2日留存率,将3日留存率a3、b3、c3进行融合,以生成融合后的3日留存率,从而生成的训练样本集中包括融合后的1日留存率、融合后的2日留存率及融合后的3日留存率三个样本数据。
表3
日期 | DNU | 1日留存率 | 2日留存率 | 3日留存率 | |
参考数据1 | A日 | M1 | a1 | a2 | a3 |
参考数据2 | B日 | M2 | b1 | b2 | b3 |
参考数据3 | C日 | M3 | c1 | c2 | c3 |
作为一种可能的实现方式,可以将各参考数据中的每个相同日留存率进行加和平均处理,以对各参考数据中的每个相同日留存率进行融合。比如,在通过加和平均处理的方式对表3中的三个参考数据进行融合时,融合后的1日留存率为N1=(a1+b1+c1)/3,融合后的2日留存率为N2=(a2+b2+c2)/3,融合后的3日留存率为N3=(a3+b3+c3)/3,即生成的训练样本集为{(x=1,y=N1),(x=2,y=N2),(x=3,y=N3)}。
作为一种可能的实现方式,还可以根据各参考数据对应的已有产品与目标产品的相似度,确定各参考数据的权值,并根据各参考数据的权值,将各参考数据中的每个相同日留存率进行加权平均处理。
需要说明的是,为保证模型训练的准确性,可以从多个已有产品的历史数据中获取用于模型训练的参考数据集,而各已有产品的类型、应用领域等可能与目标产品的相关性各有不同,从而可以根据已有产品与目标产品的相似度,确定各参考数据的权值。
具体的,已有产品与目标产品的相似度越高,该已有产品对应的参考数据的权值越高;反之,该已有产品对应的参考数据的权值越低。
举例来说,表3中的参考数据1和参考数据2是从某社交软件的历史数据中获取的,参考数据3是从某网络游戏的历史数据中获取的,而目标产品为社交软件类产品,从而可以确定参考数据1和参考数据2的权值相同,且大于参考数据3的权值。比如,可以确定参考数据1和参考数据2的权值为0.7,参考数据3的权值为0.3,从而融合后的1日留存率为N1=(0.7a1+0.7b1+0.3c1)/3,融合后的2日留存率为N2=(0.7a2+0.7b2+0.3c2)/3,融合后的3日留存率为N3=(0.7a3+0.7b3+0.3c3)/3。
步骤204,利用训练样本集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。
在本申请实施例中,对各参考数据中的每个相同日留存率进行融合处理,生成训练样本集之后,可以将训练样本集中的每个训练样本(即每组x、y值),代入预设的生命周期预估模型,以确定出预设的生命周期模型中包括的参数a、b1和b2的取值,从而生成目标产品对应的目标预估模型。
举例来说,确定出的训练样本集为{(x=1,y=N1),(x=2,y=N2),(x=3,y=N3)},从而可以将(x=1,y=N1)、(x=2,y=N2)、(x=3,y=N3)三组数据分别代入公式(1),以生成包含参数a、b1和b2的三个等式,进而根据三个等式构成的方程,计算出参数a、b1和b2的取值。
本申请实施例提供的产品生命周期预估模型生成方法,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,之后将参考数据集中各参考数据中的每个相同日留存率进行融合处理,生成训练样本集,进而利用训练样本集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,并对参考数据集中的各参考数据进行融合处理后,利用融合处理后的参考数据对目标预估模型进行训练,从而不仅实现了自动对目标产品的样本数据进行扩充,节省了人力成本,而且降低了预估模型训练的计算量和复杂度,进一步提高了产品生命周期的预估效率。
下面结合图3,对本申请实施例提供的产品生命周期预估方法进行详细描述。
图3为本申请实施例所提供的一种产品生命周期预估方法的流程示意图。
如图3所示,该产品生命周期预估方法,包括以下步骤:
步骤301,获取生命周期预估请求,预估请求中包括目标产品的类型及标识。
需要说明的是,本申请实施例的产品生命周期预估模型在训练完成之后,可以配置在任意电子设备中,以在获取到生命周期预估请求时,对目标产品的生命周期进行预估。
其中,目标产品的类型,可以根据目标产品的应用领域进行划分。比如,目标产品的类型可以包括社交类、游戏类、新闻类等等。实际使用时,可以根据具体的应用场景对目标产品的类型进行划分,本申请实施例对此不做限定。
其中,目标产品的标识,可以是目标产品的名称、版本号等可以将目标产品唯一确定的信息。
在本申请实施例中,可以通过产品生命周期预估模型所在的电子设备的输入设备(如键盘、鼠标、触摸屏等)获取生命周期预估请求。作为一种可能的实现方式,产品生命周期预估模型可以以应用程序的方式配置在电子设备中,以供用户使用。具体的,可以在用户点击产品生命周期预估模型的应用程序空间时,在应用程序界面中提供生命周期预估请求输入控件,并允许用户输入当前需要预估的目标产品的类型和标识等信息,进而根据获取到的目标产品的类型和标识等信息,生成生命周期预估请求,从而完成生命周期预估请求的获取。
步骤302,根据目标产品的类型,确定目标产品对应的待预估时长。
在本申请实施例中,由于不同类型的目标产品的生命周期,可以存在较大差异,如社交类、新闻类产品的生命周期较长,而游戏类产品的生命周期较短;而产品生命周期是对产品的日留存率进行积分得到的,因此在对目标产品的生命周期进行预估之前,可以首先确定对目标产品的生命周期进行预估的时间范围。
作为一种可能的实现方式,可以根据目标产品的类型,确定已有的与目标产品同类型产品的生命周期,进而根据与目标产品同类型产品的生命周期,确定目标产品对应的待预估时长。比如,可以将各个与目标产品同类型产品的平均生命周期,确定为目标产品对应的待预估时长。
进一步的,可以提前预设产品类型与预估时长的映射关系,以便于确定目标产品对应的待预估时长,进而降低产品生命周期预估的计算复杂度,提升产品生命周期预估的效率。即在本申请实施例一种可能的实现形式中,上述步骤302之前,还可以包括:
对各类型产品的生命周期进行统计,确定各产品类型对应的待预估时长。
作为一种可能的实现方式,可以对已有的各类型产品的生命周期进行统计,并将统计结果确定为各产品类型对应的待预估时长。比如,可以确定已有的各类型产品的平均生命周期,确定为各产品类型对应的待预估时长。
步骤303,利用与目标产品的标识对应的目标预估模型,计算目标产品在待预估时长内的每日留存率。
在本申请实施例中,既可以利用相同的预估模型对不同的目标产品的生命周期进行预估,也可以提前训练多个预估模型,对于不同的目标产品可以利用不同的预估模型进行预估。因此,在本申请实施例中,可以预先设置产品标识与预估模型的映射关系,从而可以根据目标产品的标识,将与目标产品的标识对应的预估模型确定为目标预估模型,进而利用目标预估模型计算目标产品在待预估时长内的每日留存率。
举例来说,目标产品的待预估时长为360日,则可以将1-360分别代入目标预估模型,以确定目标产品的1日留存率至360日留存率。
步骤304,根据目标产品在待预估时长内的每日留存率,确定目标产品的生命周期。
在本申请实施例中,确定出目标产品在待预估时长内的每日留存率之后,则可以将目标产品在待预估时长内的每日留存率之和,确定为目标产品的生命周期。
举例来说,目标产品的待预估时长为360日,则可以将目标产品的1日留存率至360日留存率之和,确定为目标产品的生命周期。
本申请实施例提供的产品生命周期预估方法,通过获取包括目标产品的类型及标识的生命周期预估请求,并根据目标产品的类型,确定目标产品对应的待预估时长,之后利用与目标产品的标识对应的目标预估模型,计算目标产品在待预估时长内的每日留存率,进而根据目标产品在待预估时长内的每日留存率,确定目标产品的生命周期。由此,通过预先训练的产品生命周期预估模型对目标产品的生命周期进行预估,从而节省了人力成本,提高了产品生命周期的预估效率。为了实现上述实施例,本申请还提出一种产品生命周期预估模型生成装置。
图4为本申请实施例提供的一种产品生命周期预估模型生成装置的结构示意图。
如图4所示,该产品生命周期预估模型生成装置40,包括:
确定模块41,用于根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,其中,K为正整数;
第一获取模块42,用于根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集;
训练模块43,用于利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。
在实际使用时,本申请实施例提供的产品生命周期预估模型生成装置,可以被配置在任意电子设备中,以执行前述产品生命周期预估模型生成方法。
本申请实施例提供的产品生命周期预估模型生成装置,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,进而利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过目标产品已有的样本数据确定目标产品对应的目标特征向量,并根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,对目标预估模型进行训练,从而实现了自动对用于预估模型训练的目标产品的样本数据进行扩充,节省了人力成本,提高了产品生命周期的预估效率。
在本申请一种可能的实现形式中,上述产品生命周期预估模型生成装置40,还包括:
第二获取模块,用于获取目标产品在K日的新增用户量及多个日留存率;
计算模块,用于根据多个日留存率,计算目标产品的留存变化率。
进一步的,在本申请另一种可能的实现形式中,上述计算模块,具体用于:
根据i日留存率及j日留存率,计算目标产品在第i日和第j日间的留存变化率,其中,i和j分别为不同的整数。
进一步的,在本申请再一种可能的实现形式中,上述确定模块41,具体用于:
依据预设的日新增用户量范围与权值的映射关系,确定与目标产品在K日的新增用户量对应的权值;
将权值赋值给目标特征向量中用于表征日新增用户量的元素。
进一步的,在本申请又一种可能的实现形式中,上述确定模块41,还用于:
根据K日的节日属性,确定目标特征向量中用于表征日期属性的元素值。
在本申请一种可能的实现形式中,上述参考数据集中的每个参考数据中包括一个已有产品的各日留存率;相应的,上述产品生命周期预估模型生成装置40,还包括:
融合处理模块,用于将各参考数据中的每个相同日留存率进行融合处理,生成训练样本集;
相应的,上述训练模块43,具体用于:
利用训练样本集对预设的生命周期预估模型进行训练。
进一步的,在本申请另一种可能的实现形式中,上述融合处理模块,具体用于:
将各参考数据中的每个相同日留存率进行加和平均处理;
或者,
根据各参考数据对应的已有产品与目标产品的相似度,确定各参考数据的权值;
根据各参考数据的权值,将各参考数据中的每个相同日留存率进行加权平均处理。
需要说明的是,前述对图1、图2所示的产品生命周期预估模型生成方法实施例的解释说明也适用于该实施例的产品生命周期预估模型生成装置40,此处不再赘述。
本申请实施例提供的产品生命周期预估模型生成装置,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,之后将参考数据集中各参考数据中的每个相同日留存率进行融合处理,生成训练样本集,进而利用训练样本集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,并对参考数据集中的各参考数据进行融合处理后,利用融合处理后的参考数据对目标预估模型进行训练,从而不仅实现了自动对目标产品的样本数据进行扩充,节省了人力成本,而且降低了预估模型训练的计算量和复杂度,进一步提高了产品生命周期的预估效率。
为了实现上述实施例,本申请还提出一种产品生命周期预估装置。
图5为本申请实施例提供的一种产品生命周期预估装置的结构示意图。
如图5所示,该产品生命周期预估装置50,包括:
获取模块51,用于获取生命周期预估请求,预估请求中包括目标产品的类型及标识;
第一确定模块52,用于根据目标产品的类型,确定目标产品对应的待预估时长;
计算模块53,用于利用与目标产品的标识对应的目标预估模型,计算目标产品在待预估时长内的每日留存率;
第二确定模块54,用于根据目标产品在待预估时长内的每日留存率,确定目标产品的生命周期。
在实际使用时,本申请实施例提供的产品生命周期预估装置,可以被配置在任意电子设备中,以执行前述产品生命周期预估方法。
在本申请一种可能的实现形式中,上述产品生命周期预估装置50,还包括:
第三确定模块,用于对各类型产品的生命周期进行统计,确定各产品类型对应的待预估时长。
本申请实施例提供的产品生命周期预估装置,通过获取包括目标产品的类型及标识的生命周期预估请求,并根据目标产品的类型,确定目标产品对应的待预估时长,之后利用与目标产品的标识对应的目标预估模型,计算目标产品在待预估时长内的每日留存率,进而根据目标产品在待预估时长内的每日留存率,确定目标产品的生命周期。由此,通过预先训练的产品生命周期预估模型对目标产品的生命周期进行预估,从而节省了人力成本,提高了产品生命周期的预估效率。
为了实现上述实施例,本申请还提出一种电子设备。
图6为本发明一个实施例的电子设备的结构示意图。
如图6所示,上述电子设备200包括:
存储器210及处理器220,连接不同组件(包括存储器210和处理器220)的总线230,存储器210存储有计算机程序,当处理器220执行所述程序时实现本申请实施例所述的产品生命周期预估模型生成方法或产品生命周期预估方法。
总线230表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备200典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备200访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器210还可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)240和/或高速缓存存储器250。电子设备200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***260可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块270的程序/实用工具280,可以存储在例如存储器210中,这样的程序模块270包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本申请所描述的实施例中的功能和/或方法。
电子设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且,电子设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器293通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器220通过运行存储在存储器210中的程序,从而执行各种功能应用以及数据处理。
需要说明的是,本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的产品生命周期预估模型生成方法或产品生命周期预估方法的解释说明,此处不再赘述。
本申请实施例提供的电子设备,可以执行如前所述的产品生命周期预估模型生成方法,通过根据目标产品在K日的新增用户量及留存变化率,确定目标产品对应的目标特征向量,并根据目标特征向量与各已有产品的各参考特征向量间的相似度,从各已有产品的历史数据中,获取参考数据集,进而利用参考数据集对预设的生命周期预估模型进行训练,生成目标产品对应的目标预估模型。由此,通过目标产品已有的样本数据确定目标产品对应的目标特征向量,并根据目标特征向量与各参考特征向量的相似度,从各已有产品的历史数据中获取与目标产品的样本数据相似的参考数据集,对目标预估模型进行训练,从而实现了自动对用于预估模型训练的目标产品的样本数据进行扩充,节省了人力成本,提高了产品生命周期的预估效率。
为了实现上述实施例,本申请还提出一种计算机可读存储介质。
其中,该计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,以实现本申请实施例所述的产品生命周期预估模型生成方法或产品生命周期预估方法。
为了实现上述实施例,本申请再一方面实施例提供一种计算机程序,该程序被处理器执行时,以实现本申请实施例所述的产品生命周期预估模型生成方法产品生命周期预估方法。
一种可选实现形式中,本实施例可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (18)
1.一种产品生命周期预估模型生成方法,其特征在于,包括:
根据目标产品在K日的新增用户量及留存变化率,确定所述目标产品对应的目标特征向量,其中,K为正整数;
根据所述目标特征向量与各已有产品的各参考特征向量间的相似度,从所述各已有产品的历史数据中,获取参考数据集;
利用所述参考数据集对预设的生命周期预估模型进行训练,生成所述目标产品对应的目标预估模型;
所述确定所述目标产品对应的目标特征向量,包括:
根据K日的节日属性,确定所述目标特征向量中用于表征日期属性的元素值。
2.如权利要求1所述的方法,其特征在于,所述根据目标产品在K日的新增用户量及留存变化率,确定所述目标产品对应的目标特征向量之前,还包括:
获取所述目标产品在K日的新增用户量及多个日留存率;
根据所述多个日留存率,计算所述目标产品的留存变化率。
3.如权利要求2所述的方法,其特征在于,所述根据所述多个日留存率,计算所述目标产品的留存变化率,包括:
根据i日留存率及j日留存率,计算所述目标产品在第i日和第j日间的留存变化率,其中,i和j分别为不同的整数。
4.如权利要求1所述的方法,其特征在于,所述确定所述目标产品对应的目标特征向量,包括:
依据预设的日新增用户量范围与权值的映射关系,确定与所述目标产品在K日的新增用户量对应的权值;
将所述权值赋值给所述目标特征向量中用于表征日新增用户量的元素。
5.如权利要求1-4任一所述的方法,其特征在于,所述参考数据集中的每个参考数据中包括一个已有产品的各日留存率;
所述获取参考数据集之后,还包括:
将各参考数据中的每个相同日留存率进行融合处理,生成训练样本集;
所述利用所述参考数据集对预设的生命周期预估模型进行训练,包括:
利用所述训练样本集对预设的生命周期预估模型进行训练。
6.如权利要求5所述的方法,其特征在于,所述将各参考数据中的每个相同日留存率进行融合处理,包括:
将各参考数据中的每个相同日留存率进行加和平均处理;
或者,
根据各参考数据对应的已有产品与目标产品的相似度,确定各参考数据的权值;
根据各参考数据的权值,将各参考数据中的每个相同日留存率进行加权平均处理。
7.一种产品生命周期预估方法,其特征在于,包括:
获取生命周期预估请求,所述预估请求中包括目标产品的类型及标识;
根据所述目标产品的类型,确定所述目标产品对应的待预估时长;
利用与所述目标产品的标识对应的目标预估模型,计算所述目标产品在所述待预估时长内的每日留存率,所述目标预估模型根据上述权利要求1-6中任一项所述的产品生命周期预估模型生成方法训练生成;
根据所述目标产品在所述待预估时长内的每日留存率,确定所述目标产品的生命周期。
8.如权利要求7所述的方法,其特征在于,所述根据所述目标产品的类型,确定所述目标产品对应的待预估时长之前,还包括:
对各类型产品的生命周期进行统计,确定各产品类型对应的待预估时长。
9.一种产品生命周期预估模型生成装置,其特征在于,包括:
确定模块,用于根据目标产品在K日的新增用户量及留存变化率,确定所述目标产品对应的目标特征向量,其中,K为正整数;
第一获取模块,用于根据所述目标特征向量与各已有产品的各参考特征向量间的相似度,从所述各已有产品的历史数据中,获取参考数据集;
训练模块,用于利用所述参考数据集对预设的生命周期预估模型进行训练,生成所述目标产品对应的目标预估模型;
所述确定模块,还用于:
根据K日的节日属性,确定所述目标特征向量中用于表征日期属性的元素值。
10.如权利要求9所述的装置,其特征在于,还包括:
第二获取模块,用于获取所述目标产品在K日的新增用户量及多个日留存率;
计算模块,用于根据所述多个日留存率,计算所述目标产品的留存变化率。
11.如权利要求10所述的装置,其特征在于,所述计算模块,具体用于:
根据i日留存率及j日留存率,计算所述目标产品在第i日和第j日间的留存变化率,其中,i和j分别为不同的整数。
12.如权利要求9所述的装置,其特征在于,所述确定模块,具体用于:
依据预设的日新增用户量范围与权值的映射关系,确定与所述目标产品在K日的新增用户量对应的权值;
将所述权值赋值给所述目标特征向量中用于表征日新增用户量的元素。
13.如权利要求9-12任一所述的装置,其特征在于,所述参考数据集中的每个参考数据中包括一个已有产品的各日留存率;
所述装置,还包括:
融合处理模块,用于将各参考数据中的每个相同日留存率进行融合处理,生成训练样本集;
所述训练模块,具体用于:
利用所述训练样本集对预设的生命周期预估模型进行训练。
14.如权利要求13所述的装置,其特征在于,所述融合处理模块,具体用于:
将各参考数据中的每个相同日留存率进行加和平均处理;
或者,
根据各参考数据对应的已有产品与目标产品的相似度,确定各参考数据的权值;
根据各参考数据的权值,将各参考数据中的每个相同日留存率进行加权平均处理。
15.一种产品生命周期预估装置,其特征在于,包括:
获取模块,用于获取生命周期预估请求,所述预估请求中包括目标产品的类型及标识;
第一确定模块,用于根据所述目标产品的类型,确定所述目标产品对应的待预估时长;
计算模块,用于利用与所述目标产品的标识对应的目标预估模型,计算所述目标产品在所述待预估时长内的每日留存率,所述目标预估模型根据上述权利要求1-6中任一项所述的产品生命周期预估模型生成方法训练生成;
第二确定模块,用于根据所述目标产品在所述待预估时长内的每日留存率,确定所述目标产品的生命周期。
16.如权利要求15所述的装置,其特征在于,还包括:
第三确定模块,用于对各类型产品的生命周期进行统计,确定各产品类型对应的待预估时长。
17.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的产品生命周期预估模型生成方法或权利要求7-8中任一所述的产品生命周期预估方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的产品生命周期预估模型生成方法或权利要求7-8中任一所述的产品生命周期预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108556.8A CN111291936B (zh) | 2020-02-21 | 2020-02-21 | 产品生命周期预估模型生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108556.8A CN111291936B (zh) | 2020-02-21 | 2020-02-21 | 产品生命周期预估模型生成方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291936A CN111291936A (zh) | 2020-06-16 |
CN111291936B true CN111291936B (zh) | 2023-10-17 |
Family
ID=71020570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108556.8A Active CN111291936B (zh) | 2020-02-21 | 2020-02-21 | 产品生命周期预估模型生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291936B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784008A (zh) * | 2020-06-30 | 2020-10-16 | 北京金山安全软件有限公司 | 产品生命周期预估方法、装置、电子设备及存储介质 |
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN113269370B (zh) * | 2021-06-18 | 2023-12-12 | 腾讯科技(成都)有限公司 | 一种活跃用户预测方法、装置、电子设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8326673B1 (en) * | 2006-12-28 | 2012-12-04 | Sprint Communications Company L.P. | Carrier data based product inventory management and marketing |
CN104767811A (zh) * | 2015-04-03 | 2015-07-08 | 北京奇虎科技有限公司 | 一种信息推荐的方法及装置 |
CN104759100A (zh) * | 2015-03-23 | 2015-07-08 | 小米科技有限责任公司 | 游戏生命周期的预测方法、装置及游戏运营商服务器 |
WO2017019834A1 (en) * | 2015-07-28 | 2017-02-02 | Mastercard International Incorporated | Enhanced smart refrigerator systems and methods |
CN106897904A (zh) * | 2017-02-24 | 2017-06-27 | 北京金山安全软件有限公司 | 产品生命周期建模方法、装置及电子设备 |
CN107464023A (zh) * | 2017-08-16 | 2017-12-12 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
CN108596652A (zh) * | 2018-03-28 | 2018-09-28 | 麒麟合盛网络技术股份有限公司 | 活跃用户数预测方法及装置 |
CN108805313A (zh) * | 2017-04-26 | 2018-11-13 | 株式会社日立制作所 | 面向全球供应链的需求预测方法、装置、以及*** |
CN110503290A (zh) * | 2019-04-12 | 2019-11-26 | 北京理工大学 | 面向产品全生命周期的数字孪生体数据管理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018952A1 (en) * | 2001-07-13 | 2003-01-23 | Roetzheim William H. | System and method to estimate resource usage for a software development project |
US20160283953A1 (en) * | 2015-03-26 | 2016-09-29 | International Business Machines Corporation | Demand-supply matching with a time and virtual space network |
US11156998B2 (en) * | 2016-05-09 | 2021-10-26 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for process adjustments in an internet of things chemical production process |
-
2020
- 2020-02-21 CN CN202010108556.8A patent/CN111291936B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8326673B1 (en) * | 2006-12-28 | 2012-12-04 | Sprint Communications Company L.P. | Carrier data based product inventory management and marketing |
CN104759100A (zh) * | 2015-03-23 | 2015-07-08 | 小米科技有限责任公司 | 游戏生命周期的预测方法、装置及游戏运营商服务器 |
CN104767811A (zh) * | 2015-04-03 | 2015-07-08 | 北京奇虎科技有限公司 | 一种信息推荐的方法及装置 |
WO2017019834A1 (en) * | 2015-07-28 | 2017-02-02 | Mastercard International Incorporated | Enhanced smart refrigerator systems and methods |
CN106897904A (zh) * | 2017-02-24 | 2017-06-27 | 北京金山安全软件有限公司 | 产品生命周期建模方法、装置及电子设备 |
CN108805313A (zh) * | 2017-04-26 | 2018-11-13 | 株式会社日立制作所 | 面向全球供应链的需求预测方法、装置、以及*** |
CN107464023A (zh) * | 2017-08-16 | 2017-12-12 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
CN108596652A (zh) * | 2018-03-28 | 2018-09-28 | 麒麟合盛网络技术股份有限公司 | 活跃用户数预测方法及装置 |
CN110503290A (zh) * | 2019-04-12 | 2019-11-26 | 北京理工大学 | 面向产品全生命周期的数字孪生体数据管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291936A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670267B (zh) | 一种数据处理方法和装置 | |
CN111291936B (zh) | 产品生命周期预估模型生成方法、装置及电子设备 | |
US11200592B2 (en) | Simulation-based evaluation of a marketing channel attribution model | |
US9195910B2 (en) | System and method for classification with effective use of manual data input and crowdsourcing | |
CN103605662B (zh) | 一种分布式计算框架参数优化方法、装置及*** | |
US20190272553A1 (en) | Predictive Modeling with Entity Representations Computed from Neural Network Models Simultaneously Trained on Multiple Tasks | |
CN108399564B (zh) | 信用评分方法及装置 | |
CN108629608B (zh) | 用户数据处理方法及装置 | |
CN107103049A (zh) | 一种推荐方法及网络设备 | |
CN110889725B (zh) | 在线广告ctr预估方法、装置、设备及存储介质 | |
CN112883257B (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
CN113538154B (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
CN109582906A (zh) | 数据可靠度的确定方法、装置、设备和存储介质 | |
JP2023029604A (ja) | 特許情報処理装置、特許情報処理方法、およびプログラム | |
CN108647714A (zh) | 负面标签权重的获取方法、终端设备及介质 | |
CN109062947A (zh) | 用户画像标签查询方法、设备及计算机可读存储介质 | |
CN111160638A (zh) | 一种转化预估方法及装置 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
CN114997414A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN109344173B (zh) | 数据管理方法和装置、数据结构 | |
CN110427358A (zh) | 数据清洗方法及装置和信息推荐方法及装置 | |
CN116910567A (zh) | 推荐业务的在线训练样本构建方法及相关装置 | |
CN115345600B (zh) | 一种rpa流程的生成方法和装置 | |
CN111125272B (zh) | 一种区域特征获取方法、装置、计算机设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |