预测服务基于华为分析服务（Analytics Kit）上报的用户行为数据和属性，结合机器学习技术，实现特定目标人群的精准预测。针对预测生成的细分受众群体，开展和优化相关运营举措，如经过A/B测试评估运营活动效果、远程配置特定受众群体的专属套餐等，可有效帮助产品提升用户留存，增长转化。git
使用预测服务前，须要先集成华为分析服务的SDK，这样系统才能够顺利开展流失、付费、复购以及自定义预测任务。在详情界面能够查看相关预测人群的高中低几率对应人群数量，及其相应的属性分布（好比详情页的高几率流失人群，表示该人群在将来7日内有较高几率流失，您能够经过相关卡片，观察其行为特色并制定针对性运营计划）。github
预测任务和预测详情界面以下所示：网络
*数据为模拟机器学习
预测模型构建流程
在构建预测模型的时候，首先是肯定咱们要预测什么，即确立预测的统计口径，而后根据统计口径围绕用户特色寻找对应相关的特征，经过清洗和采样获得数据集。咱们把数据集二八分获得训练集和验证集，在线下进行不断实验找到最优特征和参数，最后根据相关数据在线上调度训练预测任务。ide
具体流程图以下所示：学习
特征、模型选择和调优
特征探索测试
项目初期，咱们分析数据，从属性、行为、需求三方面入手，寻找与业务有可能相关的变量，构建特征表，好比用户近7天的活跃天数、使用时长等行为数据。优化
在肯定特征以后，下一步就是在实验中进行模型的选择和调优了，业界经常使用的树形模型有xgboost、随机森林、GBDT等，把咱们的数据集用这几种模型进行训练，发如今随机森林上效果较好，其采用bagging策略提升模型拟合能力和泛化能力。ui
除了模型参数，也要考虑采样比，尤为是对于付费预测这种正负样本悬殊的状况（大约1:100），综合考虑Accuracy和Recall, 付费训练时将正负样本比例采样至1.5:1, 以提升模型付费用户召回率。url
超参与特征确立
训练出了合适的模型，但并不是全部特征都是有用的，无用特征除了可能会影响模型效果，也会减慢训练速度。在初期版本中，经过实验肯定合适的超参和特征，特征按照特征重要性排序选择权重较大的，在线上版本中配置对应的超参和特征。
在版本上线以后还须要不断观察数据、分析数据、补充特征，咱们在后续版本中主要新增了事件特征与趋势特征，补充后总计400+特征。
自动超参搜索
在挖掘出更多的特征以后，若是都是全量特征训练可能效果未必会好，并且也会很是耗时。同时，可能每一个App训练时可能最优的超参和特征并不相同，最好是每一个App分开训练且使用本身最优的超参和特征。
为了解决这些问题，咱们增长了自动的超参搜索，能够在配置好的参数空间里搜索，找到并保存合适的训练参数。搜索完以后的最优超参保存在以下结构的hive表中。
当前的总体流程以及外部依赖以下所示：
将来方向
在将来提升模型效果上，咱们也有不少思考，预研的方向大体以下：
- 神经网络
当前的特征规模不断扩大（400+），而用户行为的规律又十分复杂，除了使用原有的树形模型，也在尝试利用神经网络强大的表达能力，结合行为特征训练出更准确的预测模型。
- 联邦学习
对于各App、各租户数据不可互通的问题，能够经过横向联邦学习联合各个App、各个租户间的模型，在数据不互通的前提下协同训练。
- 时序特征
不一样App的用户每周上报数百个事件（涵盖1000+种类），访问近百个页面，经过这些时序数据能够构造出不一样用户的长短时间行为特征，提升不一样场景预测的准确率。用户访问页面的行为有较高的时序特色，能够加工成时间序列特征，有较高的研究价值。
- 特征挖掘和加工
对目前的特征集扩充、补充，一方面挖掘更多的相关特征好比平均使用间隔、设备属性、安装渠道、国家省市等特征。另外一方面基于现有特征经过离散化、归一化、开方、平方、笛卡尔积、多重笛卡尔积等等方法构造更多新特征。
>>了解更多华为预测服务详情
>>访问华为开发者联盟官网，了解更多相关内容
>>获取开发指导文档
>>华为移动服务开源仓库地址：GitHub、Gitee
点击右上角头像右方的关注，第一时间了解华为移动服务最新技术