用于生成用户留存时间的方法、装置、设备和介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111709784A(43)申请公布日2020.09.25(21)申请号202010558643.3(22)申请日2020.06.18(71)申请人北京字节跳动网络技术有限公司地址100041北京市石景山区实兴大街30号院3号楼2层B-0035房间(72)发明人孙振邦周杰王长虎(74)专利代理机构北京卫智畅科专利代理事务所(普通合伙)11557代理人陈佳(51)Int.Cl.G06Q30/02(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书12页附图4页(54)发明名称用于生成用户留存时间的方法、装置、设备和介质(57)摘要本公开的实施例公开了一种用于生成用户留存时间的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；基于第二处理方式，对上述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；基于第三处理方式，对上述天级特征数据进行处理，生成处理后的天级特征数据；基于上述处理后的列表特征数据、上述处理后的数值特征数据和上述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。该实施方式融合多种算法确定用户在应用中留存时间，使得对用户留存时间的确定更为精准、便利。CN111709784ACN111709784A权利要求书1/2页1.一种用于生成用户留存时间的方法，包括：基于第一处理方式，对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据；基于第二处理方式，对所述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据；基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据；基于所述处理后的列表特征数据、所述处理后的数值特征数据和所述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间。2.根据权利要求1所述的方法，其中，所述对目标用户在预设时间段内的天级特征数据中的列表特征数据进行处理，生成处理后的列表特征数据，包括：将所述列表特征数据和第一派生列表特征数据拼接，得到拼接列表特征数据，其中，所述第一派生列表特征数据是通过将所述天级特征数据输入预先训练的梯度提升决策树得到的；将所述拼接列表特征数据输入预先训练的第一深度神经网络，生成所述处理后的列表特征数据。3.根据权利要求2所述的方法，其中，所述梯度提升决策树是基于样本列表特征数据和样本数值特征数据共同训练得到的，其中，所述样本列表特征数据是初始样本列表特征数据通过独热编码得到的。4.根据权利要求3所述的方法，其中，所述基于第二处理方式，对所述天级特征数据中的数值特征数据进行处理，生成处理后的数值特征数据，包括：将所述数值特征数据输入预先训练的第二深度神经网络，生成所述处理后的数值特征数据。5.根据权利要求4之一所述的方法，其中，所述基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据，包括：将所述天级特征数据输入预先训练的分解机模型，生成所述处理后的天级特征数据。6.根据权利要求5所述的方法，其中，所述分解机模型包括列表特征提取网络和数值特征提取网络；以及所述基于第三处理方式，对所述天级特征数据进行处理，生成处理后的天级特征数据，包括：将所述列表特征数据输入所述列表特征提取网络，生成第二派生列表特征数据；将所述数值特征数据输入所述数值特征提取网络，生成派生数值特征数据；将所述第二派生列表特征数据和所述派生数值特征数据拼接，生成第一拼接结果；对所述第一拼接结果进行特征交叉，生成所述处理后的天级特征数据。7.根据权利要求1所述的方法，其中，所述基于所述处理后的列表特征数据、所述处理后的数值特征数据和所述处理后的天级特征数据，生成在多个时间段中每个时间段内用户留存时间，包括：将所述处理后的列表特征数据、所述处理后的数值特征数据和所述处理后的天级特征数据拼接，得到第二拼接结果；将所述第二拼接结果输入预先训练的全连接网络，生成所述在多个时间段中每个时间2CN111709784A权利要求书2/2页段内用户留存时间。8.根据权利要求4所述的方法，其中，所述第一深度神经网络和所述第二深度神经网络在训练过程中采用了随机失活。9.根据权利要求5所述的方法，其中，所述梯度提升决策树、所述第一深度神经网络、所述第二深度神经网络和所述分解机模型在训练过程中所使用的样本数值特征数据通过如下步骤确定：确定样本用户在样本预设时间段内的初始样本数值特征数据；对所述初始样本数值特征数据进行数据标准化，得到符合标准正态分布的所述样本数值特征数据。1