1.一种客户流失预测方法,其特征在于,包括:
按照预设时间粒度对待预测项目客户信息的历史日志数据进行处理,得到时序特征数据;
将所述时序特征数据输入至预先构建的树模型中,得到树模型特征;
将所述时序特征数据和所述树模型特征输入至预先构建的客户流失预测模型中,得到所述待预测项目的每个客户流失概率;
其中,所述客户流失预测模型为由长短期记忆网络和卷积神经网络模型构成、且包含跨层连接的混合模型。
2.根据权利要求1所述的客户流失预测方法,其特征在于,所述客户流失预测模型从前到后依次包括输入层、第一LSTM层、第二LSTM层、第一卷积层、第二卷积层、第三卷积层、池化层、拼接层、第一全连接层、第二全连接层以及输出层;
其中,所述时序特征数据通过输入层输入至所述第一LSTM层,所述第一连接层和所述树模型特征作为所述第二全连接层的输入;所述第一LSTM层和所述第二LSTM层的输出分别输入至所述第一卷积层、所述第二卷积层、所述第三卷积层中。
3.根据权利要求2所述的客户流失预测方法,其特征在于,所述得到所述待预测项目的每个客户流失概率之后,还包括:按照概率值从大到小对所述待预测项目的客户进行排序,并输出前N个客户信息,以作为高概率流失客户。
4.根据权利要求2所述的客户流失预测方法,其特征在于,所述客户流失预测模型包括多个分支结构,所述分支结构的个数与所述时序特征数据的特征子集个数相同,所述将所述时序特征数据和所述树模型特征输入至预先构建的客户流失预测模型中为:将所述时序特征数据按照不同时间粒度分为k个特征子集;
将k个特征子集分别输入到所述模型客户流失预测模型相应的分支结构中。
5.根据权利要求1至4任意一项所述的客户流失预测方法,其特征在于,所述树模型为基于Boosting的算法,利用历史日志数据的时序特征数据训练XGBoost模型结构所得。
6.一种客户流失预测装置,其特征在于,包括:
时序特征数据提取模块,用于按照预设时间粒度对待预测项目客户信息的历史日志数据进行处理,得到时序特征数据;
树模型特征获取模块,用于将所述时序特征数据输入至预先构建的树模型中,得到树模型特征;
客户流失预测模块,用于将所述时序特征数据和所述树模型特征输入至预先构建的客户流失预测模型中,得到所述待预测项目的每个客户流失概率;所述客户流失预测模型为由长短期记忆网络和卷积神经网络模型构成、且包含跨层连接的混合模型。
7.根据权利要求6所述的客户流失预测装置,其特征在于,还包括排序模块,用于按照概率值从大到小对所述待预测项目的客户进行排序,并输出前N个客户信息,以作为高概率流失客户。
8.根据权利要求7所述的客户流失预测装置,其特征在于,所述客户流失预测模块为将所述时序特征数据按照不同时间粒度分为k个特征子集;将k个特征子集分别输入到所述模型客户流失预测模型相应的分支结构中的模块,所述客户流失预测模型包括多个分支结构,所述分支结构的个数与所述时序特征数据的特征子集个数相同。
9.一种客户流失预测设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述客户流失预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有客户流失预测程序,所述客户流失预测程序被处理器执行时实现如权利要求1至5任一项所述客户流失预测方法的步骤。