利用半监督图卷积和注意力网络为客户流失预测绘制精细的租户画像

基于租户画像的用户流失预测研究提出三层次架构和细粒度特征定义，结合隐私保护的CrossMatch模型（半监督+图卷积）实现租户画像数据补全，并设计基于注意力机制的租户流失预测方法，在百万级电信数据集上验证其准确性达75.06%、精确率77.78%、F1-score71.43%，优于基线模型。

摘要：

随着大数据和智能信息系统的广泛应用，租户已成为大多数场景中的主要研究对象。作为一种数据挖掘技术，用户画像被广泛用于提供针对性的服务。因此，我们将传统的用户驱动型画像转变为租户驱动型画像，以预测用户流失情况。为此，本文首先提出了一种三层架构，并从租户的角度定义了用于构建画像的细粒度特征。在包含10万租户的大规模电信行业数据集中，我们利用所提出的框架构建了租户画像，并分析了这些特征对用户流失可能性的影响。接着，考虑到隐私问题导致的信息缺失，我们提出了CrossMatch模型，该模型基于半监督学习和图卷积技术，结合租户之间的关系特征来恢复缺失信息。在此基础上，我们设计了基于有向注意力网络的租户流失预测方法。通过CrossMatch，我们在三个公共节点数据集上恢复了缺失信息，提升了约1-2%的预测准确性。随后，我们应用有向注意力网络进行流失预测，获得了75.06%的准确率、77.78%的精确率和71.43的F1分数，这些性能均优于所有基线方法。

引言

随着智慧城市及其他智能信息领域的推进，大数据的处理和应用已成为热门话题[1][2]。智能系统的快速发展得益于用户数量的快速增长以及由此产生的海量数据，这使得大数据的处理和应用变得尤为重要[3]。为了满足这些需求，采用了租户分类技术，根据用户的需求将他们划分为不同的组别，并为他们提供定制化的服务以实现统一管理[4]。也就是说，一个租户通常包含多个用户，这些用户可能组成家庭、公司、协会等社会群体[5]。从租户数据分析的角度来看，如何根据他们的差异化需求提供定制化服务是一个紧迫的问题[6]。作为大数据挖掘技术之一，用户画像为信息分析和处理提供了解决方案[7]。在本文中，我们将研究对象从用户转变为租户，并通过细粒度的租户画像进行数据挖掘，以预测用户流失情况。