隨著互聯(lián)網(wǎng)的快速發(fā)展,音樂流媒體市場(chǎng)正在不斷擴(kuò)大。各大音樂流媒體服務(wù)平臺(tái)通過多樣的方式吸引新用戶,搶占市場(chǎng)份額。與此同時(shí),平臺(tái)老用戶根據(jù)自身喜好更換平臺(tái)幾乎不需要任何成本,這對(duì)于音樂流媒體服務(wù)平臺(tái)來說意味著老用戶容易流失。用戶流失會(huì)對(duì)企業(yè)利潤產(chǎn)生很大的影響,所以準(zhǔn)確識(shí)別出高流失傾向的用戶并實(shí)施相應(yīng)的挽留操作顯得尤為重要。目前業(yè)界的主流做法是利用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技術(shù)來預(yù)測(cè)潛在的流失用戶。針對(duì)音樂流媒體領(lǐng)域用戶流失數(shù)據(jù)的特點(diǎn)以及目前用戶流失預(yù)測(cè)方法存在的問題,本文從模型和特征兩個(gè)層面來改善流失預(yù)測(cè)效果,具體的研究工作如下:（1）考慮到音樂流媒體領(lǐng)域的用戶流失數(shù)據(jù)集通常包含大量的時(shí)序數(shù)據(jù),而LSTM模型常被用來進(jìn)行序列建模,本文提出一種基于集成LSTM的用戶流失預(yù)測(cè)模型,旨在從模型集成的角度出發(fā)提升流失預(yù)測(cè)效果。該集成模型一方面采用LSTM模型作為基學(xué)習(xí)器;另一方面結(jié)合真實(shí)數(shù)據(jù)的特點(diǎn)改進(jìn)Snapshot集成方法,在模型訓(xùn)練過程中引入樣本權(quán)重調(diào)整機(jī)制,同時(shí)利用學(xué)習(xí)法結(jié)合子模型輸出。實(shí)驗(yàn)結(jié)果表明,相比于原始LSTM模型,本文提出的模型在PR-AUC上提升4.21%。（2）由于目前用戶流失預(yù)測(cè)任... 

【文章來源】：蘇州大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－３?ＣＮＮ結(jié)構(gòu)圖??

???????」丨??＇???＇，??ｈ樣本Ｕ?Ｉ?時(shí)騰征?｜?！?Ｉ??：特征?｜?「－?ｒ??處理；?Ｓｐａｒｋ?〉Ｐｙｔｈｏｎ??￣???？、、Ｌ?：?Ｌ????Ｊ?ｊ??ｆ?：?；?ｒ——「一ｆｒ…－二二?一：—ｉ?）??ＨＤＦＳ??：數(shù)據(jù)?ｉ?ｉ??ｖ???源?ｉ?！?????日志數(shù)據(jù)??ｉ?ｉ?ｉ?：?????ｉ?ｉ???！丨－???????Ｊ?Ｊ??圖２－５用戶流失預(yù)測(cè)框架??２．５?本章小結(jié)??本章首先介紹了決策樹模型，并以ＣＡＲＴ為例給出決策樹的學(xué)習(xí)步驟。其次介??紹了基于決策樹的兩種集成模型，隨機(jī)森林和ＸＧＢｏｏｓｔ。接著介紹了循環(huán)神經(jīng)網(wǎng)絡(luò)、??長短期記憶網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)的模型特點(diǎn)以及工作原理。然后介紹了集成學(xué)習(xí)的??概念以及集成學(xué)習(xí)中兩種常用的輸出結(jié)合策略。最后介紹了本文設(shè)計(jì)的用戶流失預(yù)測(cè)??框架。??１６??

Ｌｏｓｈｃｈｉｌｏｖ等人提出一種余弦退火與熱重啟相結(jié)合的循環(huán)學(xué)習(xí)率策略，該策略在一??個(gè)學(xué)習(xí)率變化周期內(nèi)使用余弦函數(shù)來降低學(xué)習(xí)率，在下一個(gè)周期開始時(shí)，將學(xué)習(xí)率重??置為初始值，并基于當(dāng)前的模型參數(shù)繼續(xù)訓(xùn)練，其變化形式如公式（３－１）所示。??ａ（ｔ）?＝?—?ｃｏｓ??＾——＾＾?＋１?（３－１）??ｌ?ｒｒ／Ｍｉ?ｊ?ｊ??上式中，ａ。表示初始學(xué)習(xí)率，和原論文中學(xué)習(xí)率在每個(gè)ｂａｔｃｈ訓(xùn)練結(jié)束時(shí)更新不同，??本文實(shí)驗(yàn)中學(xué)習(xí)率會(huì)在每個(gè)ｅｐｏｃｈ訓(xùn)練結(jié)束時(shí)更新，（表示當(dāng)前訓(xùn)練的ｅｐｏｃｈ數(shù)，Ｔ表??示總ｅｐｏｃｈ數(shù)，Ｍ表示學(xué)習(xí)率的更新周期數(shù)。圖３－１是循環(huán)學(xué)習(xí)率的一個(gè)示例。?????

【參考文獻(xiàn)】：
期刊論文
[1]電信客戶流失的組合預(yù)測(cè)模型[J]. 余路.  華僑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(05)
[2]在線游戲用戶的流失預(yù)測(cè):基于不平衡數(shù)據(jù)的采樣方法比較和分析[J]. 吳悅昕,趙鑫,過巖巍,閆宏飛.  中文信息學(xué)報(bào). 2016(04)
[3]基于社交網(wǎng)絡(luò)的MMORPG玩家流失分析與預(yù)測(cè)[J]. 丁軍,高大啟,薛程元,陳小紅.  計(jì)算機(jī)應(yīng)用與軟件. 2016(03)
[4]支持向量機(jī)模型在銀行客戶流失預(yù)測(cè)中的應(yīng)用研究[J]. 賀本嵐.  金融論壇. 2014(09)



本文編號(hào)：3328914