基于自然语言识别下的流失用户预警

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!


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
2
3
4
5
6
7
8
9
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

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。

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
#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。

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:

正则化处理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
#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

停顿词

1
2
3
4
5
#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

文本分词

1
2
3
4
5
6
7
8
#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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
#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]]!='']
}

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。

注意,经@余海跃同学提醒,这边的IDF解释不清晰,详细剖析如下:
首先idf的定义是如下这样的:

(D为所有文章,d为单篇文章)
通常,会考虑类似近拉普拉斯平滑(+1)这样的方法修正idf值,在NLP领域,真正的意思如你所理解的:随着single word出现在的doc数量的增加,idf值应该是下降的,我们认为,一个词在越多文档中出现,该词代表文章的概述的能力越弱。其实,我在《应用:基于自然语言识别下的流失用户预警》实际R代码编写过程中也是这么去做的,但是当时我考虑了另一个方面:电商的评论与传统的文学文本差异还是很大的,单条评论中独特的词(只出现过一次的词或者短句)非常之多。这意味着:如果原封不动的按照idf去计算的话,最后识别出来的判别标签,也就是’文本分词特征值’会变得非常多,而且对泛化情况的识别能力非常的差。体现在对做后续的有监督分类的时候,如果不做处理会造成异常过拟合的问题。所以,我这边表述的想法是将idf值过大的一些词,也就是single word出现的doc过少的一些词剔除,再根据剩余的其他特征词计算idf提取关键特征词,我这边设定的阈值范围是:特征词至少在3.5%以上的评论中出现过。当然,你完全可以选择另外一种方法,完全按照idf计算,在最后做特分类之前,做特征筛选,去除掉一些冗余特征词变量。

下面,我们来看代码:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
#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。

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。

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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
#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])))
}

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。

1
2
3
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,]

模型训练

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。

1
2
3
4
5
6
7
8
9
10
11
12
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)

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。

1
2
3
4
5
6
7
8
9
10
11
12
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)

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

1
2
3
4
5
6
7
8
9
10
11
12
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)

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

1
2
3
4
5
6
7
8
9
10
11
12
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。

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。

打赏的大佬可以联系我,赠送超赞的算法资料