首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >应用:基于自然语言识别下的流失用户预警

应用:基于自然语言识别下的流失用户预警

作者头像
sladesal
发布2018-08-27 11:14:38
5160
发布2018-08-27 11:14:38
举报
文章被收录于专栏:机器学习之旅机器学习之旅

update: 17.12.20 : 关于IDF处描述,经@余海跃同学提醒,细化了解释内容,感谢! 更新内容参见:基于自然语言识别下的流失用户预警

在电商运营过程中,会有大量的用户反馈留言,包括吐槽的差评,商品不满的地方等等,在用户运营生态中,这部分用户是最有可能流失也是最影响nps的人群,通过对其评价的语义分析,每日找出潜在的流失人群进行包括"电话回访","补券安慰","特权享受"等行为,有效的降低了用户的流失。根据实际的业务营销效果,在模型上线后,abtest检验下模型识别用户人群进行营销后的流失率比随意营销下降9.2%,效果显著。

当前文本文义识别存在一些问题: (1)准确率而言,很多线上数据对特征分解的过程比较粗糙,很多直接基于df或者idf结果进行排序,在算法设计过程中,也是直接套用模型,只是工程上的实现,缺乏统计意义上的分析;

(2)文本越多,特征矩阵越稀疏,计算过程越复杂。常规的文本处理过程中只会对文本对应的特征值进行排序,其实在文本选择中,可以先剔除相似度较高的文本,这个课题比较大,后续会单独开一章进行研究;

(3)扩展性较差。比如我们这次做的流失用户预警是基于电商数据,你拿去做通信商的用户流失衡量的话,其质量会大大下降,所以重复开发的成本较高,这个属于非增强学习的硬伤,目前也在攻克这方面的问题。

首先,我们来看下,整个算法设计的思路:

1.通过hive将近期的用户评价hadoop文件下载为若干个text文件
2.通过R语言将若干个text整合读取为一个R内的dataframe
3.利用R里面的正则函数将文本中的异常符号‘#!@¥%%’,英文,标点等去除
(这边可以在hive里面提前处理好,也可以在后续的分词过程中利用停顿词去除)
4.文本分词,这边可以利用R中的Rwordseg,jiebaR等,我写这篇文章之前看到很多现有的语义分析的文章中,Rwordseg用的挺多,所以这边我采用了jiebaR
5.文本分词特征值提取,常见的包括互信息熵,信息增益,tf-idf,本文采取了tf-idf,剩余方法会在后续文章中更新
6.模型训练
      这边我采取的方式是利用概率模型naive bayes+非线性模型random forest先做标签训练,最后用nerual network对结果进行重估
(原本我以为这样去做会导致很严重的过拟合,但是在实际操作之后发现,过拟合并不是很严重,至于原因我也不算很清楚,后续抽空可以研究一下)

下面,我们来剖析文本分类识别的每一步

1.定义用户属性

首先,我们定义了已经存在的流失用户及非流失用户,易购的用户某品类下的购买周期为27天,针对前60天-前30天下单购物的用户,观察近30天是否有下单行为,如果有则为非流失用户,如果没有则为流失用户。提取每一个用户最近一次商品评价作为msg。

2.文本合成

通过hive -e的方式下载到本地,会形成text01,text02...等若干个文本,通过R进行文本整合

#先设置文本路径
path <- "C:/Users/17031877/Desktop/Nlp/answer/Cmsg" 
completepath <- list.files(path, pattern = "*.txt$", full.names = TRUE)

#批量读入文本
readtxt <- function(x) {  
  ret <- readLines(x)                   #每行读取  
  return(paste(ret, collapse = ""))     #通过paste将每一行连接起来  
}  

#lappy批量操作,形成list,个人感觉对非关系数据,list处理更加便捷
msg <- lapply(completepath, readtxt)  

#用户属性
user_status <- list.files(path, pattern = "*.txt$")

#stringsAsFactors=F,避免很多文本被读成因子类型
comment <- as.data.frame(cbind(user_status, unlist(msg)),stringsAsFactors = F)   
colnames(comment) <- c("user_status", "msg")

基础的数据整合就完成了。

3.数据整理

也可以看到,基础数据读取完成后,还是很多评论会有一些不规则的数据,包括‘#¥%……&’,英文,数字,下面通过正则、停顿词的方式进行处理:

3.1正则化处理

#直接处理
comment$msg <- gsub(pattern = " ", replacement ="", comment$msg)  #gsub是字符替换函数,去空格  
comment$msg<- gsub("[[:digit:]]*", "", comment$msg) #清除数字[a-zA-Z]  
comment$msg<- gsub("[a-zA-Z]", "", comment$msg)   #清除英文字符  
comment$msg<- gsub("\\.", "", comment$msg)      #清除全英文的dot符号  
--------------------------------------------------------------------------------------------------
#如果是常做nlp处理,可以写成函数打包,后期直接library就可以了
#数值删除
removeNumbers = 
    function(x){ 
    ret = gsub("[0-9]","",x) 
    return(ret)
    }
    
#字符删除
removeLiters = 
    function(x){ 
    ret = gsub("[a-z|A-Z]","",x) 
    return(ret)
    }   

#各种操作符处理,\s表示空格,\r表示回车,\n表示换行
removeActions = 
    function(x){
    ret = gsub("\\s|\\r|\\n", "", x)
    return(ret)
    }    
comment$msg=removeNumbers(comment$msg)
comment$msg=removeLiters(comment$msg)
comment$msg=removeActions (comment$msg)

这边需要对正则化里面的一些表示有所了解,详细可以百度,一般我都是具体需求具体去看,因为太多,自己又懒,所以没记

3.2停顿词

#加载jiebaR包
library(jiebaR)

#找jiebaR存停顿词的地方,自行将需要处理掉的符号存进去,我这边是C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/stop_words.utf8
tagger<-worker(stop_word="C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/stop_words.utf8")

至于位置可以通过直接输入worker()查看,

当前的是没有stop_word的,所有词存储的位置在:C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/下

4.文本分词

#jieba 分词,去除停顿词
library(jiebaR)
tagger<-worker(stop_word="C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/stop_words.utf8")
words=list()
for (i in 1:nrow(comment)){
    tmp=tagger[comment[i,2]]
    words=c(words,list(tmp))
}

直接先分词,但是分词结果会存在很多只有一个字比如‘的’、‘你’、‘我’等或者很多无意义的长句‘中华人民共和国’、‘长使英雄泪满襟’等,需要把这些词长异常明显无意义的词句去掉。

#词长统计
whole_words_set=unlist(words)
whole_words_set_rank=data.frame(table(whole_words_set))

whole_words_set_dealed=c()
for (i in 1:nrow(whole_words_set_rank)){
    tmp=nchar(as.character(whole_words_set_rank[i,1]))
    whole_words_set_dealed=c(whole_words_set_dealed,tmp)
}
whole_words_set_dealed=cbind(whole_words_set_rank,whole_words_set_dealed)
whole_words_set_dealed=whole_words_set_dealed[whole_words_set_dealed$whole_words_set_dealed>1&whole_words_set_dealed$whole_words_set_dealed<5,]
whole_words_set_dealed=whole_words_set_dealed[order(whole_words_set_dealed$Freq,decreasing=T),]

#words的删除异常值,排序
whole_words_set_sequence=words
key_word=nrow(words)
for (i in 1:key_word){
    for (j in 1:length(words[[i]])){
    tmp=ifelse(nchar(words[[i]][j])>1 & nchar(words[[i]][j])<5,words[[i]][j],'')
    whole_words_set_sequence[[i]][j]=tmp
    }
}
for (i in 1:key_word){
    whole_words_set_sequence[[i]]=whole_words_set_sequence[[i]][whole_words_set_sequence[[i]]!='']
}

5.tf-idf词特征值重要性排序

首先,我们大致看一下排序的数据依旧:

TF = 某词在文章中出现的次数/文章包含的总词数(或者文章有价值词次数) DF = (包含某词的文档数)/(语料库的文档总数) IDF = log((语料库的文档总数)/(包含某词的文档数+1)) 这边的+1是为了避免(语料库的文档总数)/(包含某词的文档数)=1,log(1)=0,使得最后的重要性中出现0的情况,与有意义的前提相互驳斥。 TF-IDF = TF*IDF

分别看下,里面的每一项的意义: TF,我们可以看出,在同一个评论中,词数出现的越多,代表这个词越能成为这篇文章的代表,当然前提是非无意义的助词等。

IDF,我们可以看出,所以评论中,包含目标词的评论的占比,占比数越高,目标词的意义越大,假设1000条评论中,“丧心病狂”在一条评论里面重复了10次,但是其他999条里面一次也没有出现,那就算“丧心病狂”非常能代表这条评论,但是在做文本集特征考虑的情况下,它的价值也是不大的。

下面,我们来看代码:

#tfidf_partone 为对应的tf
tdidf_partone=whole_words_set_sequence
for (i in 1:key_word){
tmp1=as.data.frame(prop.table(table(whole_words_set_sequence[[i]])))
tdidf_partone[[i]]=tmp1    
}

#tdidf_partfour 为对应的idf
tdidf_parttwo=unique(unlist(whole_words_set_sequence))
tdidf_max=length(tdidf_parttwo)
tdidf_partthree=tdidf_parttwo
for (i in 1:tdidf_max){
tmp=0
aimed_word=tdidf_parttwo[i]
    for (j in 1:key_word){
    tmp=tmp+sum(tdidf_parttwo[i] %in% whole_words_set_sequence[[j]])
    }
tdidf_partthree[i]=log(as.numeric(key_word)/(tmp+1))
}
tdidf_partfour=cbind(tdidf_parttwo,tdidf_partthree)
tdidf_partfive=tdidf_partone
colnames(tdidf_partfour)<-c('Var1','Freq1')
for (i in 1:key_word){
tdidf_partfive[[i]]=merge(tdidf_partone[[i]],tdidf_partfour,by=c("Var1"))
}

#计算tf-idf结果,并排序key_word
tdidf_partsix=tdidf_partfive
for (i in 1:key_word){
tmp=tdidf_partfive[[i]][,2:3]
tdidf_partsix[[i]][,2]=as.numeric(tmp[,1])*as.numeric(tmp[,2])
tdidf_partsix[[i]]=tdidf_partsix[[i]][order(tdidf_partsix[[i]][,2],decreasing=T),][]
}

key_word=c()
for (i in 1:key_word){
tmp=tdidf_partsix[[i]][1:5,1]
key_word=rbind(key_word,as.character(tmp))
}

理论上讲,如果这边数据存储方式用的是data.frame的话,可以利用spply、apply等批量处理函数,这边用得是list的方式,对lpply不是很熟悉的我,选择了for的循环,后续这边会优化一下,这样太消耗资源了。

6.模型训练

这边,我最后采取的是概率模型naive bayes+非线性模型random forest先做标签训练,最后用nerual network对结果进行重估方式,但是在训练过程中,我还有几种模型的尝试,这边也一并贴出来给大家做参考。

6.1数据因子化的预处理

这边得到了近400维度的有效词,现在将每一维度的词遍做一维的feature,同时,此处的feature的意义为要么评论存在该词,要么评论中不存在该词的0-1问题,需要因子化一下

#整合数据
well_dealed_data=cbind(as.character(comment[,1]),key_word)
names=as.data.frame(table(key_word))[,1]
names_count=length(names)
names=as.matrix(names,names_count,1)
feature_matrix=matrix(rep(0,names_count*key_word),key_word,names_count)
for (i in 1:names_count){
    for(j in 1:key_word){
    feature_matrix[j,i]=ifelse(names[i] %in% key_word[j,],1,0)
    }
}

#art=1,literature=-1,标签0-1化
feature_matrix=cbind(well_dealed_data[,1],feature_matrix)
feature_matrix[feature_matrix[,1]=='aimed',1]='1'
feature_matrix[feature_matrix[,1]=='unaimed',1]='-1'

feature_matrix=as.data.frame(feature_matrix)

num=1:(ncol(feature_matrix)-1)
value_name=paste("feature",num) 
value_name=c('label',value_name)
colnames(feature_matrix)=value_name

#feature0-1化
for (i in 1:ncol(feature_matrix)){
feature_matrix[,i]=as.factor(as.numeric(as.character(feature_matrix[,i])))
}

6.2数据切分训练测试

这边就不适用切分函数了,自己写了一个更加快速。

n_index=sample(1:nrow(feature_matrix),round(0.7*nrow(feature_matrix)))
train_feature_matrix=feature_matrix[n_index,]
test_feature_matrix=feature_matrix[-n_index,]

6.3模型训练

(1)backpropagation neural network

这边需要用网格算法对size和decay进行交叉检验,这边不贴细节,可以百度搜索详细过程。

library(nnet)
nn <- nnet(label~., data=train_feature_matrix, size=2, decay=0.01, maxit=1000, linout=F, trace=F)   

#train数据集效果
nn.predict_train = predict(nn,train_feature_matrix,type = "class")
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),nn.predict_train)
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
nn.predict_test = predict(nn,test_feature_matrix,type = "class")
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),nn.predict_test)
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)
(2)Linear Support Vector Machine

这边需要用网格算法对cost进行交叉检验,这边不贴细节,可以百度搜索详细过程。

library(e1071)
svmfit <- svm(label~., data=train_feature_matrix, kernel = "linear", cost = 10, scale = FALSE) # linear svm, scaling turned OFF

#train数据集效果
svmfit.predict_train=predict(svmfit, train_feature_matrix, type = "probabilities")
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),as.numeric(as.character(svmfit.predict_train)))
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
svmfit.predict_test = predict(svmfit,test_feature_matrix,type = "class")
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),as.numeric(as.character(svmfit.predict_test)))
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)
(3)贝叶斯分类器

这边我没调参,我觉得这边做的好坏在于数据预处理中剩下来的特征词

library(e1071)
sms_classifier <- naiveBayes(train_feature_matrix[,-1], train_feature_matrix$label)

#train数据集效果
sms.predict_train=predict(sms_classifier, train_feature_matrix)
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),as.numeric(as.character(sms.predict_train)))
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
sms.predict_test = predict(sms_classifier,test_feature_matrix)
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),as.numeric(as.character(sms.predict_test)))
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)
(4)随机森林

这边因为是最后的整合模型,需要调参的地方比较多,首先根据oob确定在mtry=log(feature)下的最优trees数量,在根据确定的trees的数量,反过来去确定mtry的确定值。除此之外,还需要对树的最大深度,子节点的停止条件做交叉模拟,是整体模型训练过程中最耗时的地方

library(randomForest)
randomForest=randomForest(train_feature_matrix[,-1], train_feature_matrix$label)

#train数据集效果
rf.predict_train=predict(randomForest, train_feature_matrix)
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),as.numeric(as.character(rf.predict_train)))
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
rf.predict_test = predict(randomForest,test_feature_matrix)
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),as.numeric(as.character(rf.predict_test)))
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)

就单模型下的test集合的准确率如下:

整体上看,nnet是过拟合的,所以在测试集上的效果折扣程度最大;naive bayes模型的拟合效果应该是最弱的,但是好在它的开发成本低,逻辑简单,有统计意义;svm和randomforest这边的效果不相上下。本次训练的数据量在20w条左右,理论上讲再扩大数据集的话,randomforest的效果应该会稳定,svm会下降,nnet会上升。

(5)模型集成

这边的train_data的准确率在92.1%,test_data的准确率在84.3%,与理想的test_data90%以上的准确率还是有差距,所以后续准备: 1.细化流失用户的定义方式,当前定义过于笼统粗糙 2.以RNN的模型去替代BpNN去做整合训练,探索特征到特征本身的激活会对结果的影响 3.重新定义词重要性,考虑互信息熵及isolation forest的判别方式

最后谢谢大家的阅读。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2017.08.15 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1.定义用户属性
  • 2.文本合成
  • 3.数据整理
    • 3.1正则化处理
      • 3.2停顿词
      • 4.文本分词
      • 5.tf-idf词特征值重要性排序
      • 6.模型训练
        • 6.1数据因子化的预处理
          • 6.2数据切分训练测试
            • 6.3模型训练
            相关产品与服务
            数据保险箱
            数据保险箱(Cloud Data Coffer Service,CDCS)为您提供更高安全系数的企业核心数据存储服务。您可以通过自定义过期天数的方法删除数据,避免误删带来的损害,还可以将数据跨地域存储,防止一些不可抗因素导致的数据丢失。数据保险箱支持通过控制台、API 等多样化方式快速简单接入,实现海量数据的存储管理。您可以使用数据保险箱对文件数据进行上传、下载,最终实现数据的安全存储和提取。
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档