(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110544930.3 (22)申请日 2021.05.19 (71)申请人 中国移动通信集团北京有限公司 地址 100007 北京市东城区东 直门南大街7 号 申请人 中国移动通信集团有限公司 (72)发明人 王倩茹　张晴　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 王宇杨 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01) H04L 41/147(2022.01)H04L 41/142(2022.01) H04L 41/14(2022.01) H04W 8/18(2009.01) G06F 111/08(2020.01) (54)发明名称 用户的离网预测方法、 装置、 电子设备及存 储介质 (57)摘要 本发明提供一种用户的离网预测方法、 装 置、 电子设备及存储介质， 该方法包括： 获取用户 的在网特征， 其中， 所述在网特征为预设的与离 网预测相关联的特征； 将所述在网特征输入到离 网预测模型， 得到由所述离网预测模 型输出的预 测结果， 所述预测结果用于表征用户离网的概 率。 本发明提供的用户的离网预测方法、 装置、 电 子设备及存储介质， 通过采用基于大数据训练得 到的离网预测模型对待预测用户的在网特征进 行分析， 提前预测用户是否将要离网， 便于是否 采取合适的措施进行挽留， 进一步减少用户流 失。 权利要求书2页 说明书10页 附图2页 CN 115374578 A 2022.11.22 CN 115374578 A 1.一种用户的离网预测方法， 其特 征在于， 包括： 获取用户的在网特 征， 其中， 所述在网特 征为预设的与离网预测相关联的特 征； 将所述在网特征输入到离网预测模型， 得到由所述离网预测模型输出的预测结果， 所 述预测结果用于表征用户离网的概 率； 其中， 所述离网预测模型为将根据用户的在网特征样本和在网特征对应的离网标签作 为输入， 通过机器学习训练得到的， 用于对用户的在网特 征进行离网预测的模型。 2.根据权利要求1所述的用户的离网预测方法， 其特征在于， 所述获取用户的在网特 征， 包括： 获取用户的在网数据， 以及确定在网特 征项对应的统计规则； 根据所述在网数据和所述统计规则确定用户的在网特 征。 3.根据权利要求1所述的用户的离网预测方法， 其特征在于， 所述方法还包括离网预测 模型的构建步骤， 所述构建步骤 包括： 获取各样本的在网特征， 根据 各样本的在网特征分别划分出第 一预设数目的在网特征 集； 确定第一预设数目的核函数， 以及确定回归函数； 其中， 各核函数的输出值作为回归函 数的输入值， 回归函数的输出值作为样本对应的离网标签； 将各样本的第 一预设数目的在网特征集输入到对应的核函数进行训练， 并将各核函数 的输出值输入到回归函数中进行训练， 得到训练好的各核函数和回归函数， 将训练好的各 核函数和回归函数 结合作为离网预测模型。 4.根据权利要求3所述的用户的离网预测方法， 其特征在于， 将各样本的第 一预设数目 的在网特 征集输入到对应的核函数进行训练， 得到训练好的各核函数， 包括： 将各样本的第 一预设数目的在网特征集输入到对应的核函数中， 采用极大极小公式进 行训练， 得到训练好的各核函数； 其中， 极大极小公式包括： 其中， Y为包含各样本的离网标签的对角型矩阵， λ为正则化项的超参数， β 为各个核矩 阵的权系数， γ为一个正样本和负样本的数据， 正样本为离网样本， 负样本为在网样本； βr 是第r核矩阵的权系数， Kr是第r核矩阵， R与第一预设数目的值相同， θ为正样本和负样本的 成对组合的集 合。 5.一种用户的离网预测装置， 其特 征在于， 包括： 获取模块， 用于获取用户的在网特征， 其中， 所述在网特征为预设的与离网预测相关联 的特征； 预测模块， 用于将所述在网特征输入到离网预测模型， 得到由所述离网预测模型输出 的预测结果， 所述预测结果用于表征用户离网的概 率； 其中， 所述离网预测模型为将根据用户的在网特征样本和在网特征对应的离网标签作 为输入， 通过机器学习训练得到的， 用于对用户的在网特 征进行离网预测的模型。 6.根据权利要求5所述的用户的离网预测装置， 其特 征在于， 所述获取模块具体用于：权　利　要　求　书 1/2 页 2 CN 115374578 A 2获取用户的在网数据， 以及确定在网特 征项对应的统计规则； 根据所述在网数据和所述统计规则确定用户的在网特 征。 7.根据权利要求5所述的用户的离网预测装置， 其特征在于， 所述装置还包括构建模 块， 用于： 获取各样本的在网特征， 根据 各样本的在网特征分别划分出第 一预设数目的在网特征 集； 确定第一预设数目的核函数， 以及确定回归函数； 其中， 各核函数的输出值作为回归函 数的输入值， 回归函数的输出值作为样本对应的离网标签； 将各样本的第 一预设数目的在网特征集输入到对应的核函数进行训练， 并将各核函数 的输出值输入到回归函数中进行训练， 得到训练好的各核函数和回归函数， 将训练好的各 核函数和回归函数 结合作为离网预测模型。 8.根据权利要求7所述的用户的离网预测装置， 其特征在于， 所述构建模块在将各样本 的第一预设数目的在网特征集输入到对应的核函数进 行训练， 得到训练好的各核函数的处 理过程中， 具体用于： 将各样本的第 一预设数目的在网特征集输入到对应的核函数中， 采用极大极小公式进 行训练， 得到训练好的各核函数； 其中， 极大极小公式包括： 其中， Y为包含各样本的离网标签的对角型矩阵， λ为正则化项的超参数， β 为各个核矩 阵的权系数， γ为一个正样本和负样本的数据， 正样本为离网样本， 负样本为在网样本； βr 是第r核矩阵的权系数， Kr是第r核矩阵， R与第一预设数目的值相同， θ为正样本和负样本的 成对组合的集 合。 9.一种电子设备， 包括处理器和存储有计算机程序的存储器， 其特征在于， 所述处理器 执行所述计算机程序时实现权利要求1至4任一项所述用户的离网预测方法的步骤。 10.一种处理器可读存储介质， 其特征在于， 所述处理器可读存储介质存储有计算机程 序， 所述计算机程序用于使所述处理器执行权利要求 1至4任一项 所述用户的离网预测方法 的步骤。权　利　要　求　书 2/2 页 3 CN 115374578 A 3