Структура інформаційної системи передбачення та інтерпретації зміни стану користувача сервісу

Abstract

В роботі досліджено проблему передбачення зміни станів користувачів (зокрема відтоку) на основі сесійних даних із використанням глибинних нейронних мереж. Було розглянуто застосування моделей довгої короткочасної пам’яті та згорткових нейронних мереж, а також використання кодування пар байтів для попереднього опрацювання даних. Проведено аналіз функціоналу розробленої інформаційної системи для прогнозування зміни стану користувачів та інтерпретації моделей прогнозування, яка поєднує методи аналізу даних, побудови прогнозних моделей та пояснення отриманих результатів. Результати експериментів показали, що кодування пари байтів покращує точність передбачень, особливо у випадку довгої короткочасної пам’яті. У цій статті розглядається підхід до розроблення інформаційної системи на основі методів машинного навчання, орієнтованої на передбачення зміни станів користувачів. Проаналізовано основні методи та алгоритми, що можуть бути використані для побудови прогнозних моделей, зокрема логістичну регресію, наївний Байєсівський класифікатор, дерево рішень, екстремальне градієнтне підсилювання, методи аналізу виживання та моделі глибинного навчання. Також оцінено ефективність запропонованого підходу та наведено можливі напрями для подальших досліджень. The paper investigates the problem of predicting changes in user states (including churn) based on session data using deep neural networks. The paper considers the use of long short-term memory models and convolutional neural networks, as well as the use of byte pair coding for data pre-processing. The functionality of the developed information system for forecasting changes in the state of users and interpreting forecasting models, which combines methods of data analysis, building forecasting models and explaining the results, is analysed. Experimental results have shown that byte pair encoding improves the accuracy of predictions, especially in the case of long short-term memory. This article discusses an approach to the development of an information system based on machine learning methods aimed at predicting changes in user states. The main methods and algorithms that can be used to build predictive models are analysed, including logistic regression, naive Bayesian classifier, decision tree, extreme gradient boosting, survival analysis methods and deep learning models. The effectiveness of the proposed approach is also evaluated and possible directions for further research are presented.