CN119558906B - 一种基于趋势、原因与置信度的用户付费行为预测方法 - Google Patents

Abstract

本申请实施例提供一种基于趋势、原因与置信度的用户付费行为预测方法，能够解决现有游戏用户付费行为预测方法预测误差大的技术问题。该基于趋势、原因与置信度的用户付费行为预测方法包括将用户数据划分为付费行为数据和非付费行为数据，并分别训练第一预测模型和第二预测模型。第一预测模型通过学习过去的付费行为趋势来预测用户未来付费行为。第二预测模型从原因的角度，通过学习非付费的行为与用户付费行为之间的映射关系。两个预测模型从不同视角去预测付费行为，结果更具准确率。另外，本申请设计并结合模型置信度对用户付费行为进行预测，这考虑了预测模型自身可靠程度对付费行为的影响。

Description

一种基于趋势、原因与置信度的用户付费行为预测方法

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于趋势、原因与置信度的用户付费行为预测方法。

背景技术

游戏用户付费行为预测，通过了解用户的付费行为，来预测用户是否会进行付费或购买某个产品或服务的行为。游戏用户付费行为预测，有助于游戏平台做出更明智的商业决策和战略规划，比如改进游戏定价策略、游戏产品功能，以及，提升用户体验、提高用户留存率。

目前，通过人工手动筛选和提取付费相关的行为特征，来分析游戏用户的行为数据和其他相关特征。

然而，人工分析收到分析人员的主观影响较大，不能自适应的去控制不同特征对付费行为的影响程度，因此非常容易导致预测效果不理想。

发明内容

本申请实施例提供一种基于趋势、原因与置信度的用户付费行为预测方法，能够解决现有游戏用户付费行为预测方法预测误差大的技术问题。

为达到上述目的，本申请的实施例采用如下技术方案：

第一方面，本申请实施例提供一种基于趋势、原因与置信度的用户付费行为预测方法，该基于趋势、原因与置信度的用户付费行为预测方法包括：将用户数据划分为第一数据和第二数据；第一数据为各个用户的付费行为数据，第一数据包括每个用户每天的付费数据，付费数据包括时间特性；第二数据为各个用户的非付费行为数据，第二数据包括每个用户每天的非付费数据，非付费数据包括多个非付费特征；基于时间特性，对第一数据编码，得到第一编码数据；周期性遍历第一编码数据，构建第一数据集；基于第一损失函数和第一数据集，训练第一预测模型；基于非付费特征，对第二数据编码，得到第二编码数据；周期性遍历第二编码数据，构建第二数据集；基于第二损失函数和第二数据集，训练第二预测模型；基于历史付费率，确认第一付费用户集、第二付费用户集和第三付费用户集；基于第一数据集，分别建立与第一付费用户集、第二付费用户集和第三付费用户集对应的第一评估数据集、第二评估数据集和第三评估数据集；基于第二数据集，分别建立与第一付费用户集、第二付费用户集和第三付费用户集对应的第四评估数据集、第五评估数据集和第六评估数据集；根据第一预测模型，基于第一评估数据集得到第一置信度、基于第二评估数据集得到第二置信度，以及，基于第三评估数据集得到第三置信度；根据第二预测模型，基于第四评估数据集得到第四置信度、基于第五评估数据集得到第五置信度，以及，基于第六评估数据集得到第六置信度；根据第一组合概率、第二组合概率或第三组合概率，得到付费预测结果；第一组合概率包括第一置信度和第四置信度；第二组合概率包括第二置信度和第五置信度；第三组合概率包括第三置信度和第六置信度。

基于上述对本申请实施例提供的基于趋势、原因与置信度的用户付费行为预测方法的描述，可知，该基于趋势、原因与置信度的用户付费行为预测方法包括将用户数据划分为付费行为数据和非付费行为数据，并分别训练第一预测模型和第二预测模型。第一预测模型通过学习过去的付费行为趋势来预测用户未来付费行为。第二预测模型从原因的角度，通过学习非付费的行为与用户付费行为之间的映射关系。两个预测模型从不同视角去预测付费行为，结果更具准确率。

另外，本申请设计并结合模型置信度对用户付费行为进行预测，这考虑了预测模型自身可靠程度对付费行为的影响。

在第一方面可行的实现方式中，第一编码数据包括第一编码元素、第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素、第八编码元素和第九编码元素，以七天为周期，在执行周期性遍历第一编码数据，构建第一数据集的步骤时，基于趋势、原因与置信度的用户付费行为预测方法还包括：以第一编码元素、第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素和第七编码元素为第一数据集的第一输入数据；以第八编码元素对应的非编码数据，为第一输入数据的第一数据标签；以第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素和第八编码元素为第一数据集的第二输入数据；以第九编码元素对应的非编码数据，为第一输入数据的第二数据标签。

在第一方面可行的实现方式中，第一损失函数为交叉熵损失函数，第一预测模型基于Transformer模型建立。

在第一方面可行的实现方式中，第二编码数据包括第一非付费数据；第一非付费数据包括第一非付费特征、第二非付费特征、第三非付费特征、第四非付费特征、第五非付费特征和第六非付费特征；在执行基于非付费特征，对第二数据编码，得到第二编码数据的步骤时，基于趋势、原因与置信度的用户付费行为预测方法还包括：基于第一非付费特征，通过第一预设条件，得到第一特征值；第一特征值包括第一上限值；基于第二非付费特征，通过第二预设条件，得到第二特征值；第二特征值包括第二上限值；基于第三非付费特征，通过第三预设条件，得到第三特征值；第三特征值包括第三上限值；基于第四非付费特征，通过第四预设条件，得到第四特征值；第四特征值包括第四上限值；基于第五非付费特征，通过第五预设条件，得到第五特征值；第五特征值包括第五上限值；基于第六非付费特征，通过第六预设条件，得到第六特征值；第六特征值包括第六上限值；其中，第一上限值小于第二上限值，第二上限值小于第三上限值，第三上限值小于第四上限值，第四上限值小于第五上限值，第五上限值小于第六上限值。

在第一方面可行的实现方式中，在执行根据第一组合概率、第二组合概率或第三组合概率，得到付费预测结果的步骤时，基于趋势、原因与置信度的用户付费行为预测方法还包括：确认待预测用户的第一历史付费行为和历史非付费行为；将第一历史付费行为输入第一预测模型，得到第一预测付费率；将历史非付费行为输入第二预测模型，得到第二预测付费率；确认待预测用户的第二历史付费行为；基于第二历史付费行为，得到待测付费率；基于待测付费率，确认目标付费等级；目标付费等级为第一付费用户集、第二付费用户集或第三付费用户集；若目标付费等级为第一付费用户集，则根据第一组合概率，得到付费预测结果。

在第一方面可行的实现方式中，在执行将用户数据划分为第一数据和第二数据的步骤之前，基于趋势、原因与置信度的用户付费行为预测方法还包括：获取用户在游戏平台中的历史行为日志数据，并对历史行为日志数据进行清洗和预处理，得到用户数据。

在第一方面可行的实现方式中，第二损失函数为交叉熵损失函数，第二预测模型基于Transformer模型建立。

在第一方面可行的实现方式中，计算第一编码数据的编码公式包括：

；

其中，表示为第天对应的星期几，取值为1～7；表示为第个用户在过去第天是否存在付费行为。

第二方面，本申请实施例提供一种基于趋势、原因与置信度的用户付费行为预测系统，该基于趋势、原因与置信度的用户付费行为预测系统包括：至少一个处理器；与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面提供的方法。

基于趋势、原因与置信度的用户付费行为预测系统通过执行第一方面提供的方法，将用户数据划分为付费行为数据和非付费行为数据，并分别训练第一预测模型和第二预测模型。第一预测模型通过学习过去的付费行为趋势来预测用户未来付费行为。第二预测模型从原因的角度，通过学习非付费的行为与用户付费行为之间的映射关系。两个预测模型从不同视角去预测付费行为，结果更具准确率。

第三方面，本申请实施例提供一种计算机可读介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现如第一方面提供的方法。

计算机可读介质中的计算机程序指令通过实现第一方面提供的方法，将用户数据划分为付费行为数据和非付费行为数据，并分别训练第一预测模型和第二预测模型。第一预测模型通过学习过去的付费行为趋势来预测用户未来付费行为。第二预测模型从原因的角度，通过学习非付费的行为与用户付费行为之间的映射关系。两个预测模型从不同视角去预测付费行为，结果更具准确率。

附图说明

图1为本申请实施例提供的一种基于趋势、原因与置信度的用户付费行为预测系统的结构示意图；

图2为本申请实施例提供的一种基于趋势、原因与置信度的用户付费行为预测方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。其中，在本发明实施例的描述中，除非另有说明，“多个”是指两个或多于两个。“以下至少一项（个）”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b，或c中的至少一项（个），可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。

另外，为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。同时，在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。

以下对本申请的原理和特征进行描述，所举实例只用于解释本申请，并非用于限定本申请的范围。

本申请实施例提供一种基于趋势、原因与置信度的用户付费行为预测系统，能够执行本申请实施例提供的基于趋势、原因与置信度的用户付费行为预测方法。图1为本申请实施例提供的一种基于趋势、原因与置信度的用户付费行为预测系统的结构示意图。

如图1所示，该基于趋势、原因与置信度的用户付费行为预测系统001包括至少一个处理器011与所述至少一个处理器通信连接的存储器012；其中，存储器012存储有可被所述至少一个处理器011执行的指令，指令被所述至少一个处理器011执行，以使所述至少一个处理器011能够执行本申请实施例提供的基于趋势、原因与置信度的用户付费行为预测方法。

图2为本申请实施例提供的一种基于趋势、原因与置信度的用户付费行为预测方法的流程示意图。如图2所示，在一些实施例中，该基于趋势、原因与置信度的用户付费行为预测方法包括以下步骤：

S1，将用户数据划分为第一数据和第二数据。

第一数据为各个用户的付费行为数据，第一数据包括每个用户每天的付费数据，付费数据包括时间特性。示例性的，将用户数据中的付费行为数据作为第一数据，，其中，下标表示为用户总数，表示为第个用户过去一个月的付费行为数据。，其中，下标表示为过去一个月的总天数，表示为第个用户在过去第天是否存在付费行为。若第个用户在过去第天存在付费行为，则的值为1。若第个用户在过去第天不存在付费行为，则的值为0。可见，付费行为关联用户信息（第个用户）和时间信息（第天），即付费数据包括时间特性。

第二数据为各个用户的非付费行为数据，第二数据包括每个用户每天的非付费数据，非付费数据包括多个非付费特征。在一种实现方式中，将用户数据中的非付费行为数据作为第二数据，，其中，下标表示为用户总数，表示为第个用户过去一个月的非付费行为数据。，其中，下标表示为过去一个月的总天数，表示为第个用户在过去第天的非付费数据。可以包括多个非付费特征。在一种示例中，可以包括六个非付费特征，，其中，表示为第个用户过去第天的商城访问次数，表示为第个用户过去第天在商城中访问商品次数，表示为第个用户过去第天充值界面的操作次数，表示为第个用户过去第天在商城的停留时间，表示为第个用户过去第天的总游戏局数，表示为第个用户过去第天的登录次数。

在本申请实施例中，将用户历史行为划分为付费行为数据和非付费行为数据，其中历史付费行为代表了用户过去的付费趋势，构建基于趋势的第一预测模型，并引入时间编码特征，将有利于挖掘用户付费行为随时间的周期性关联。非付费行为数据由一些与用户付费相关的行为组成，这类行为往往是用户付费行为发生的诱因，例如用户在商城的有效停留时间、对商品的点击次数、访问频率等，这些都能用于预测用户付费的概率，因此构建基于原因的第二预测模型，将有利于挖掘出用户的非付费行为与付费行为之间的关联，从多个不同的维度预测用户付费，更具准确性。

将用户数据划分为付费行为数据和非付费行为数据，以做好分别训练第一预测模型和第二预测模型的准备。

在一些实施例中，执行步骤S1之前，基于趋势、原因与置信度的用户付费行为预测方法还包括以下步骤：

S100，获取用户在游戏平台中的历史行为日志数据，并对历史行为日志数据进行清洗和预处理，得到用户数据。

在一些实施例中，清洗方式包括删除用户注册时长不足一个月的用户数据。清洗方式还可以包括删除从注册到现在未登录过、或月登录次数少于3次的用户数据。清洗方式还可以包括对于注册时长超过一年的用户，截取用户最近一个月的数据。对于注册时长不满一月的用户，保留用户的所有数据。

S2，基于时间特性，对第一数据编码，得到第一编码数据。

在一些实施例中，计算第一编码数据的编码公式包括：

；

其中，表示为第天对应的星期几，取值为1～7。表示为第个用户在过去第天是否存在付费行为。

示例性的，第个用户在过去一个月的第一天付费，第一天对应的星期三，则的值为3，的值为1，对应的第一编码数据。

采用上述方式遍历，在一种示例中，由第个用户过去一个月的引入时间信息的付费行为编码数据组成，则。其中，的值为30。

继续采用上述方式遍历，得到编码后的所有用户的付费行为数据，则第一编码数据。

S3，周期性遍历第一编码数据，构建第一数据集。

在一些实施例中，在包括多个用户的情况下，执行步骤S3时，依次从到遍历中第个用户的付费行为编码数据，得到第一数据集。在一种实现方式中，依次遍历取第个用户的连续七日的付费行为编码数据为第一数据集的输入数据。作为该输入数据的标签，该标签是非编码的付费行为数据，取值为0或1。

示例性的，第一编码数据包括第一编码元素、第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素、第八编码元素和第九编码元素，以七天为周期，在执行周期性遍历第一编码数据，构建第一数据集的步骤时，基于趋势、原因与置信度的用户付费行为预测方法还包括以下步骤：

S31，以第一编码元素、第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素和第七编码元素为第一数据集的第一输入数据。

第一编码元素、第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素，作为第一输入数据。

S32，以第八编码元素对应的非编码数据，为第一输入数据的第一数据标签。

第八编码元素对应的非编码数据的取值为0或1。

S33，以第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素和第八编码元素为第一数据集的第二输入数据。

第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素、第八编码元素，作为第二输入数据。

S34，以第九编码元素对应的非编码数据，为第一输入数据的第二数据标签。

第九编码元素对应的非编码数据的取值为0或1。

可以理解的是，步骤S31至步骤S34，仅示例性的给出周期性遍历的两次循环操作，并不构成对周期性遍历的循环操作的次数的限定。对于周期性遍历的循环操作的次数，本申请不作限定。以及，周期性遍历的循环操作可以参见步骤S31至步骤S34。

S4，基于第一损失函数和第一数据集，训练第一预测模型。

在一些实施例中，第一损失函数为交叉熵损失函数，第一预测模型基于Transformer模型建立。

在一种实现方式中，第一损失函数的计算公式包括：

；

其中，表示为从第一数据集中采样的数据的数量；表示为采样个数据中的第条数据，若第条数据是第个用户的付费行为数据；则；表示为将输入第一预测模型得到的输出结果；是对应的真实标签。

基于上述数据集和损失函数训练第一预测模型，直至损失函数值不再下降，得到优化后的第一预测模型。

这样，第一预测模型通过学习过去的付费行为趋势来预测用户未来付费行为。

S5，基于非付费特征，对第二数据编码，得到第二编码数据。

非付费特征，包括能影响用户付费的行为数据。示例性的，非付费特征可以包括用户的商城访问次数，在商城中访问商品次数、充值界面的操作次数、在商城的有效停留时间（有效停留时间指在停留过程中具有其它操作行为的时间）。在一种示例中，非付费数据可以包括六个非付费特征，，其中，表示为第一非付费特征，第个用户过去第天的商城访问次数；表示为第二非付费特征，第个用户过去第天在商城中访问商品次数；表示为第三非付费特征，第个用户过去第天充值界面的操作次数；表示为第四非付费特征，第个用户过去第天在商城的停留时间；表示为第五非付费特征，第个用户过去第天的总游戏局数；表示为第六非付费特征，第个用户过去第天的登录次数。

在执行步骤S5时，基于趋势、原因与置信度的用户付费行为预测方法还包括以下步骤：

S51，基于第一非付费特征，通过第一预设条件，得到第一特征值。

第一特征值包括第一上限值。

在一些实施例中，第一预设条件包括通过计算公式，得到第一特征值的计算值，以及，根据第一上限值和第一特征值的计算值，确认第一特征值的最终结果。

在一种实现方式中，第一特征值的取值范围在0-100，第一上限值为100。也就是说，在第一特征值的计算值大于100的情况下，第一特征值的最终结果为100。比如，第一非付费特征为110，第一特征值的计算值为110，则第一特征值的最终结果为100。

S52，基于第二非付费特征，通过第二预设条件，得到第二特征值。

第二特征值包括第二上限值。

在一些实施例中，第二预设条件包括通过计算公式，得到第二特征值的计算值，以及，根据第二上限值和第二特征值的计算值，确认第二特征值的最终结果。

在一种实现方式中，第二特征值的取值范围在100-200，第二上限值为200。也就是说，在第二特征值的计算值大于200的情况下，第二特征值的最终结果为200。比如，第二非付费特征为110，第二特征值的计算值为210，则第二特征值的最终结果为200。

S53，基于第三非付费特征，通过第三预设条件，得到第三特征值。

第三特征值包括第三上限值。

在一些实施例中，第三预设条件包括通过计算公式，得到第三特征值的计算值，以及，根据第三上限值和第三特征值的计算值，确认第三特征值的最终结果。

在一种实现方式中，第三特征值的取值范围在200-400，第三上限值为400。也就是说，在第三特征值的计算值大于400的情况下，第三特征值的最终结果为400。比如，第三非付费特征为210，第三特征值的计算值为410，则第三特征值的最终结果为400。

S54，基于第四非付费特征，通过第四预设条件，得到第四特征值。

第四特征值包括第四上限值。

在一些实施例中，第四预设条件包括通过计算公式，得到第四特征值的计算值，以及，根据第四上限值和第四特征值的计算值，确认第四特征值的最终结果。

在一种实现方式中，第四特征值的取值范围在400-500，第四上限值为500。也就是说，在第四特征值的计算值大于500的情况下，第四特征值的最终结果为500。比如，第四非付费特征为210，第四特征值的计算值为610，则第四特征值的最终结果为500。

可以理解的是，在商城的有效停留时间，以分钟单位，不足一分按一分钟计算。

在一些实施例中，第四非付费特征为210，超过100分钟，按100分钟计算。

S55，基于第五非付费特征，通过第五预设条件，得到第五特征值。

第五特征值包括第五上限值。

在一些实施例中，第五预设条件包括通过计算公式，得到第五特征值的计算值，以及，根据第五上限值和第五特征值的计算值，确认第五特征值的最终结果。

在一种实现方式中，第五特征值的取值范围在500-1500，第五上限值为1500。也就是说，在第五特征值的计算值大于1500的情况下，第五特征值的最终结果为1500。比如，第五非付费特征为1110，第五特征值的计算值为1610，则第五特征值的最终结果为1500。

S56，基于第六非付费特征，通过第六预设条件，得到第六特征值。

第六特征值包括第六上限值。

在一些实施例中，第六预设条件包括通过计算公式，得到第六特征值的计算值，以及，根据第六上限值和第六特征值的计算值，确认第六特征值的最终结果。

在一种实现方式中，第六特征值的取值范围在1500-1600，第六上限值为1600。也就是说，在第六特征值的计算值大于1600的情况下，第六特征值的最终结果为1600。比如，第六非付费特征为1110，第六特征值的计算值为2610，则第六特征值的最终结果为1600。

需要说明的是，第一上限值小于第二上限值，第二上限值小于第三上限值，第三上限值小于第四上限值，第四上限值小于第五上限值，第五上限值小于第六上限值。

通过执行步骤S51至步骤S56，完成基于非付费特征，对第二数据编码，得到第二编码数据的操作。得到的第二编码数据。

编码的目的是将用户数据转换成Transformer模型识别的字典数据。由于原始数据很多数值是重复的，直接输入给模型无法区分这些值的含义。例如，商品访问次数为2，充值操作次数也是2，这两个取值相同（甚至可能还有别的取值为2），模型无法区分这那些数据取值为2。但是编码后，商品访问次数的值为100+2=102，而充值操作次数的值为200+2=202。虽然实际取值相同，但是编码后结果不同，模型将会学习到这些不同值的含义。因此编码要求所有的取值不重复，且每个取值的含义不同。

S6，周期性遍历第二编码数据，构建第二数据集。

在一些实施例中，在包括多个用户的情况下，执行步骤S6时，依次从到遍历中第个用户的非付费行为编码数据，构建第二数据集。

在一种实现方式中，依次遍历取第个用户的连续七日的非付费行为编码数据为第二数据集的输入数据。作为该输入数据的标签，该标签是非编码的非付费行为数据，取值为0或1。

可以理解的是，周期性遍历的方法可以参见步骤S3，在此不作赘述。

S7，基于第二损失函数和第二数据集，训练第二预测模型。

在一些实施例中，第二损失函数为交叉熵损失函数，第二预测模型基于Transformer模型建立。

在一种实现方式中，第二损失函数的计算公式包括：

；

其中，表示为从第二数据集中采样的数据的数量；表示为采样个数据中的第条数据，若第条数据是第个用户的非付费行为数据；则；表示为将输入第二预测模型得到的输出结果；是对应的真实标签。

基于上述第二数据集和第二损失函数训练所述第二预测模型，直至损失函数值不再下降，得到优化后的第二预测模型。

这样，第二预测模型从原因的角度，通过学习非付费的行为与用户付费行为之间的映射关系。

S8，基于历史付费率，确认第一付费用户集、第二付费用户集和第三付费用户集。

在一些实施例中，基于历史行为日志数据中的历史付费行为数据，计算每个用户的历史付费率。可以理解的是，历史行为日志数据包括多个用户的数据。

在一种实现方式中，历史付费率的计算公式包括：

；

其中，表示为第个用户；表示为过去一个月的总天数；m表示为过去一个月的第m天；表示为第个用户的历史付费率；表示为第个用户在过去第天是否存在付费行为。

采用上述方式遍历第一数据，得到所有用户的付费率：

。

基于任一用户的历史付费率，将该用户划分至不同的付费用户集。不同的付费用户集用于表征用户不同的付费频率。示例性的，付费频率可以包括高频（high）付费、正常付费（normal）和低频（low）付费，共三个类别。高频（high）付费对应第一付费用户集。正常付费（normal）对应第二付费用户集。低频（low）付费对应第三付费用户集。

在一种实现方式中，将所有用户按付费率由高到地排序，排序后的所有的个用户分别使用,,...，表示，将排序后的个用户划分为三等份，分别对应高频（high）付费、正常付费（normal）和低频（low）付费。这样，高频（high）付费用户。正常付费（normal）用户。低频（low）付费用户。

S9，基于第一数据集，分别建立与第一付费用户集、第二付费用户集和第三付费用户集对应的第一评估数据集、第二评估数据集和第三评估数据集。

第一数据集包括第一编码数据及其对应的标签。在第一数据集中找出所有高频（high）付费用户所对应的数据，构建第一评估数据集。在第一数据集中找出所有正常付费（normal）用户所对应的数据，构建第二评估数据集。在第一数据集中找出所有低频（low）付费用户所对应的数据，构建第三评估数据集。

S10，基于第二数据集，分别建立与第一付费用户集、第二付费用户集和第三付费用户集对应的第四评估数据集、第五评估数据集和第六评估数据集。

第二数据集包括第二编码数据及其对应的标签。在第二数据集中找出所有高频（high）付费用户所对应的数据，构建第四评估数据集。在第二数据集中找出所有正常付费（normal）用户所对应的数据，构建第五评估数据集。在第二数据集中找出所有低频（low）付费用户所对应的数据，构建第六评估数据集。

S11，根据第一预测模型，基于第一评估数据集得到第一置信度、基于第二评估数据集得到第二置信度，以及，基于第三评估数据集得到第三置信度。

根据第一预测模型，输入，得到第一置信度。

在一种实现方式中，第一置信度的计算公式包括：

。

根据第一预测模型，输入，得到第二置信度。

在一种实现方式中，第二置信度的计算公式包括：

。

根据第一预测模型，输入，得到第三置信度。

在一种实现方式中，第三置信度的计算公式包括：

。

其中，表示为数据集的数据总数；表示第一预测模型对于输入数据输出的预测结果；表示指示函数，例如，表示，当满足时，，否则。

S12，根据第二预测模型，基于第四评估数据集得到第四置信度、基于第五评估数据集得到第五置信度，以及，基于第六评估数据集得到第六置信度。

根据第二预测模型，输入，得到第四置信度。

在一种实现方式中，第四置信度的计算公式包括：

。

根据第二预测模型，输入，得到第五置信度。

在一种实现方式中，第五置信度的计算公式包括：

。

根据第二预测模型，输入，得到第六置信度。

在一种实现方式中，第六置信度的计算公式包括：

。

S13，根据第一组合概率、第二组合概率或第三组合概率，得到付费预测结果。

第一组合概率包括第一置信度和第四置信度。

第二组合概率包括第二置信度和第五置信度。

第三组合概率包括第三置信度和第六置信度。

在一些实施例中，执行步骤S13时，基于趋势、原因与置信度的用户付费行为预测方法还包括以下步骤：

S131，确认待预测用户的第一历史付费行为和历史非付费行为。

在一种实现方式中，待预测用户可以是第个用户。第一历史付费行为，可以是待预测用户过去七日的编码数据，包括。历史非付费行为，可以是待预测用户过去七日的编码数据，包括。

S132，将第一历史付费行为输入第一预测模型，得到第一预测付费率。

在一种实现方式中，将第一历史付费行为输入至第一预测模型，得到第一预测付费率。

S133，将历史非付费行为输入第二预测模型，得到第二预测付费率。

在一种实现方式中，将历史非付费行为输入至第二预测模型，得到第二预测付费率。

S134，确认待预测用户的第二历史付费行为。

在一种实现方式中，第二历史付费行为，可以是第个用户最近一个月（可以是30天）的历史付费行为，包括。

S135，基于第二历史付费行为，得到待测付费率。

在一种实现方式中，基于第二历史付费行为，得到待测付费率。

S136，基于待测付费率，确认目标付费等级。

目标付费等级为第一付费用户集、第二付费用户集或第三付费用户集。

在一种实现方式中，基于的值，判断第个用户属于高频付费用户（即第一付费用户集）、正常付费用户（即第二付费用户集）或低频付费用户（即第三付费用户集）。可以理解的是，将该用户划分至不同的付费频率用户集时，可以以步骤S8的划分结果为依据，在此不作赘述。

S137，若目标付费等级为第一付费用户集，则根据第一组合概率，得到付费预测结果。

若待预测用户属于第一付费用户集，则根据第一置信度、第四置信度、第一预测付费率和第二预测付费率得到付费预测结果。

在一种实现方式中，付费预测结果可以是概率值，付费预测结果的计算公式包括：

；

其中，表示为第一预测付费率；表示为第二预测付费率；表示为第一置信度；表示为第四置信度。

例如，假设模型置信度为=0，=0，那么最终R=0.5，这意味着，用户付费的概率0.5,即很难说明用户未来是否付费。这是合理的，因为模型置信度为0，意味着模型不可靠，我们无法依赖模型的结果去判断用户未来是否付费。反之如果模型置信度为1，即模型预测结果非常可靠，那么，最终结果R将直接取决于模型的预测结果。

在另一些实施例中，若待预测用户属于第二付费用户集，则根据第二置信度、第五置信度、第一预测付费率和第二预测付费率得到付费预测结果。

付费预测结果的计算公式包括：

；

在又一些实施例中，若待预测用户属于第三付费用户集，则根据第三置信度、第六置信度、第一预测付费率和第二预测付费率得到付费预测结果。

付费预测结果的计算公式包括：

；

该计算预测付费行为概率公式的优势在于，通过结合预测付费率和置信度，提高模型预测的准确性。

本申请挖掘出影响用户付费行为的趋势特征和原因特征，并基于这些特征分别构建用户付费行为第一预测模型和第二预测模型。第一预测模型考虑用户过去付费行为对未来付费的影响，其核心在于通过用户过去付费行为的趋势来预测未来的付费行为趋势。第二预测模型从原因角度考虑用户的非付费行为对未来付费行为的影响。两个预测模型从不同视角去预测付费行为，结果更具准确率，降低模型的误判率。另外，本申请设计并结合模型置信度对用户付费行为进行预测，这考虑了预测模型自身可靠程度对付费行为的影响。

以及，通过模型预测置信度的计算方法，预测置信度从模型预测能力角度考虑第一预测模型和第二预测模型对不同用户付费行为预测的可靠程度。模型预测置信度按用户付费行为相似度进行群体划分，并基于第一预测模型和第二预测模型计算得到每个群体用户付费与不付费的模型预测置信度。基于三个类别构建的评估数据集，分别使用基于趋势的用户付费行为第一预测模型和基于原因的用户付费行为第二预测模型进行预测。基于预测结果与历史实际付费行为结果分别计算第一预测模型和第二预测模型在不同类别的模型预测置信度。最终结合第一预测模型，第二预测模型和模型预测置信度的结果去预测用户未来的付费行为，可以有效地提高付费行为预测的精度。

以上，本申请结合机器学习、充分考虑了用户付费行为趋势，付费原因，以及模型预测置信程度对用户付费行为的影响，可以有效地提高付费行为预测的精度。

基于同一申请构思，本申请实施例中还提供了一种基于趋势、原因与置信度的用户付费行为预测系统，所述基于趋势、原因与置信度的用户付费行为预测系统对应的方法可以是前述实施例中的基于趋势、原因与置信度的用户付费行为预测方法，并且其解决问题的原理与该方法相似。本申请实施例提供的所述基于趋势、原因与置信度的用户付费行为预测系统包括：至少一个处理器。以及与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述本申请的多个实施例的方法和/或技术方案。

本申请另一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现前述本申请的任意一个或多个实施例的方法和/或技术方案。

具体来说，本实施例可以采用一个或多个计算机可读介质的任意组合。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、或半导体的系统、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系统、装置或者器件使用或者与其结合使用。

计算机可读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系统、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申请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计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的针对硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或页面组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一个计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，包括：

将用户数据划分为第一数据和第二数据；所述第一数据为各个用户的付费行为数据，所述第一数据包括每个用户每天的付费数据，所述付费数据包括时间特性；所述时间特性用于表征用户信息和时间信息的关联关系；所述第二数据为各个用户的非付费行为数据，所述第二数据包括每个用户每天的非付费数据，所述非付费数据包括多个非付费特征；所述非付费特征包括第个用户过去第天的商城访问次数、第个用户过去第天在商城中访问商品次数、第个用户过去第天充值界面的操作次数、第个用户过去第天在商城的停留时间、第个用户过去第天的总游戏局数和第个用户过去第天的登录次数；

基于所述时间特性，对所述第一数据编码，得到第一编码数据；

周期性遍历所述第一编码数据，构建第一数据集；

基于第一损失函数和所述第一数据集，训练第一预测模型；

基于所述非付费特征，对所述第二数据编码，得到第二编码数据；

周期性遍历所述第二编码数据，构建第二数据集；

基于第二损失函数和所述第二数据集，训练第二预测模型；

基于历史付费率，确认第一付费用户集、第二付费用户集和第三付费用户集；

基于所述第一数据集，分别建立与所述第一付费用户集、所述第二付费用户集和所述第三付费用户集对应的第一评估数据集、第二评估数据集和第三评估数据集；

基于所述第二数据集，分别建立与所述第一付费用户集、所述第二付费用户集和所述第三付费用户集对应的第四评估数据集、第五评估数据集和第六评估数据集；

根据所述第一预测模型，基于所述第一评估数据集得到第一置信度、基于所述第二评估数据集得到第二置信度，以及，基于所述第三评估数据集得到第三置信度；

根据所述第二预测模型，基于所述第四评估数据集得到第四置信度、基于所述第五评估数据集得到第五置信度，以及，基于所述第六评估数据集得到第六置信度；

根据第一组合概率、第二组合概率或第三组合概率，得到付费预测结果；所述第一组合概率包括所述第一置信度和所述第四置信度；所述第二组合概率包括所述第二置信度和所述第五置信度；所述第三组合概率包括所述第三置信度和所述第六置信度；所述付费预测结果为概率值，用于表征用户的付费倾向度。

2.根据权利要求1所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，所述第一编码数据包括第一编码元素、第二编码元素、第三编码元素、第四编码元素、第五编码元素、第六编码元素、第七编码元素、第八编码元素和第九编码元素，以七天为周期，在执行所述周期性遍历所述第一编码数据，构建第一数据集的步骤时，所述基于趋势、原因与置信度的用户付费行为预测方法还包括：

以所述第一编码元素、所述第二编码元素、所述第三编码元素、所述第四编码元素、所述第五编码元素、所述第六编码元素和所述第七编码元素为所述第一数据集的第一输入数据；

以所述第八编码元素对应的非编码数据，为所述第一输入数据的第一数据标签；

以所述第二编码元素、所述第三编码元素、所述第四编码元素、所述第五编码元素、所述第六编码元素、所述第七编码元素和第八编码元素为第一数据集的第二输入数据；

以所述第九编码元素对应的非编码数据，为所述第一输入数据的第二数据标签。

3.根据权利要求1或2所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，所述第一损失函数为交叉熵损失函数，所述第一预测模型基于Transformer模型建立。

4.根据权利要求1或2所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，所述第二编码数据包括第一非付费数据；所述第一非付费数据包括第一非付费特征、第二非付费特征、第三非付费特征、第四非付费特征、第五非付费特征和第六非付费特征；在执行所述基于所述非付费特征，对所述第二数据编码，得到第二编码数据的步骤时，所述基于趋势、原因与置信度的用户付费行为预测方法还包括：

基于第一非付费特征，通过第一预设条件，得到第一特征值；所述第一特征值包括第一上限值；

基于第二非付费特征，通过第二预设条件，得到第二特征值；所述第二特征值包括第二上限值；

基于第三非付费特征，通过第三预设条件，得到第三特征值；所述第三特征值包括第三上限值；

基于第四非付费特征，通过第四预设条件，得到第四特征值；所述第四特征值包括第四上限值；

基于第五非付费特征，通过第五预设条件，得到第五特征值；所述第五特征值包括第五上限值；

基于第六非付费特征，通过第六预设条件，得到第六特征值；所述第六特征值包括第六上限值；

其中，所述第一上限值小于所述第二上限值，所述第二上限值小于所述第三上限值，所述第三上限值小于所述第四上限值，所述第四上限值小于所述第五上限值，所述第五上限值小于所述第六上限值。

5.根据权利要求1或2所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，在执行所述根据第一组合概率、第二组合概率或第三组合概率，得到付费预测结果的步骤时，所述基于趋势、原因与置信度的用户付费行为预测方法还包括：

确认待预测用户的第一历史付费行为和历史非付费行为；

将所述第一历史付费行为输入所述第一预测模型，得到第一预测付费率；

将所述历史非付费行为输入所述第二预测模型，得到第二预测付费率；

确认所述待预测用户的第二历史付费行为；

基于所述第二历史付费行为，得到待测付费率；

基于所述待测付费率，确认目标付费等级；所述目标付费等级为所述第一付费用户集、所述第二付费用户集或所述第三付费用户集；

若所述目标付费等级为所述第一付费用户集，则根据所述第一组合概率，得到所述付费预测结果。

6.根据权利要求1或2所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，在执行所述将用户数据划分为第一数据和第二数据的步骤之前，所述基于趋势、原因与置信度的用户付费行为预测方法还包括：

获取用户在游戏平台中的历史行为日志数据，并对历史行为日志数据进行清洗和预处理，得到所述用户数据。

7.根据权利要求1或2所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，所述第二损失函数为交叉熵损失函数，所述第二预测模型基于Transformer模型建立。

8.根据权利要求1或2所述的基于趋势、原因与置信度的用户付费行为预测方法，其特征在于，计算所述第一编码数据的编码公式包括：

；

其中，表示为第天对应的星期几，取值为1～7；表示为第个用户在过去第天是否存在付费行为。

9.一种基于趋势、原因与置信度的用户付费行为预测系统，其特征在于，包括：

至少一个处理器；

与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。

10.一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。