用户体验质量确定方法及系统技术方案

本发明专利技术实施例提供了一种用户体验质量确定方法及系统，可以使用获得的多个网络状态下的网络数据对神经网络计算模型进行训练和测试，在当前训练模型通过测试后，将从网络中采集的网络质量参数输入到通过测试的当前训练模型中，计算得出用户体验质量。由于经过训练且测试通过的神经网络计算模型可以根据从网络中采集的网络质量参数计算得到用户体验质量，因此本发明专利技术在得到通过测试后的神经网络计算模型后，无需通过用户对体验质量进行评分来得到用户体验质量。因此，本发明专利技术也减少了获得用户体验质量过程中给用户带来的干扰，也不易受用户配合度的影响。

【技术实现步骤摘要】

本专利技术涉及计算机网络
，特别是涉及用户体验质量确定方法及系统。
技术介绍
随着信息技术的发展，人们对网络和信息的需求呈现爆炸式的增长，也对网络质量有着更高的要求。用户体验质量(QoE，Quality of Experience)相对于服务质量(QoS，Quality of Service)而言，更能体现用户对网络质量的实际感受，也更能影响用户对网络的访问行为。因此运营商多通过用户体验质量来评价网络质量并对所提供的服务进行改进。当前阶段，运营商需要花费大量的人力，通过向用户发送调查问卷，让用户对体验质量进行评分的方式来获得用户体验质量。这种通过人工调查的方式虽然收集了大量的数据，但在每次获得用户体验质量时，仍需要向用户发送调查问卷，让用户对体验质量进行评分。这无疑给用户带来了干扰，同时，这种每次都需要用户评分的方式也易受用户配合度影响，获得难度较大。
技术实现思路
本专利技术实施例的目的在于提供一种用户体验质量确定方法及系统，以无需用户对体验质量进行评分即可得到用户体验质量。为达到上述目的，本专利技术实施例公开了一种用户体验质量确定方法，应用于服务器中，所述方法包括：数据收集的步骤、模型训练的步骤、模型测试的步骤和模型应用的步骤；其中，所述数据收集的步骤包括：获得多个网络状态下的网络数据，所述网络数据包括：网络质量参数及用户对网络状态的评分；将所获得的多个网络状态至少划分为第一状态组和第二状态组，所述第一状态组中网络状态的数量大于所述第二状态组中网络状态的数量；其中，所述模型训练的步骤包括：选择所述第一状态组中的一个网络状态下的网络数据作为当前训练数据，将预设的神经网络计算模型作为当前训练模型，其中，所述当前训练模型的输入量为所述网络质量参数，所述当前训练模型的输出量为用户体验质量；将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练；获得当前训练模型计算得出的用户体验质量；获得所述计算得出的用户体验质量与当前训练数据中的用户对网络状态的评分之间的训练误差；将所述训练误差与第一预设误差阈值进行比较，如果所述训练误差不大于所述第一预设误差阈值，则执行所述模型测试的步骤对进行训练后的当前训练模型进行测试，如果所述训练误差大于所述第一预设误差阈值，则判断所获得的训练误差的收敛次数是否位于预设的次数区间中，如果是，则执行所述模型测试的步骤对进行训练后的当前训练模型进行测试，否则，对当前训练模型进行调整，选择所述第一状态组中的剩余网络状态中一个网络状态下的网络数据作为当前训练数据并继续执行将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练；其中，所述模型测试的步骤包括：依次将所述第二状态组中的各网络状态作为当前测试状态，将当前测试状态下的网络数据作为当前测试数据，将当前测试数据中的网络质量参数输入进行训练后的当前训练模型中以对训练后的当前训练模型进行测试；获得进行训练后的当前训练模型计算得出的用户体验质量；获得该计算得出的用户体验质量与当前测试数据中的用户对网络状态的评分之间的测试误差；分别将所述第二状态组中各网络状态对应的测试误差与第二预设误差阈值进行比较，获得比较结果；判断所述比较结果是否满足预设的测试通过条件，如果是，则将进行训练后的当前训练模型作为对网络的用户体验质量计算模型，否则继续执行所述选择所述第一状态组中的剩余网络状态中一个网络状态下的网络数据作为当前训练数据并继续执行将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练的步骤；其中，所述模型应用的步骤包括：从网络中采集第一网络状态下的网络质量参数；将所采集的网络质量参数输入所述模型测试的步骤中所确定的对网络的用户体验质量计算模型中，计算获得所述第一网络状态下的用户体验质量。可选的，所述预设的测试通过条件为：不大于所述第二预设误差阈值的测试误差的数量不低于第一数量；或者，不大于所述第二预设误差阈值的测试差值的数量占所述第二状态组中所有网络状态对应的测试差值的总数量的比例不低于第一比例。可选的，所述网络质量参数包括：客观网络参数，所述客观网络参数包括：网络状况、业务质量和终端质量。可选的，所述网络质量参数还包括：主观网络参数，所述主观网络参数包括：先前用户体验质量、业务体验经历、自身背景、身心状态和期望中的一种或多种；从网络中采集第一网络状态下的主观网络参数的方式包括：接收用户输入的第一网络状态下的主观网络参数；和/或，通过监控用户的操作行为，获得第一网络状态下的主观网络参数。可选的，在当前训练数据与上一训练数据均对应同一用户，且该当前训练数据的产生时间与上一训练数据的产生时间之间的间隔小于预设时间间隔时，所述当前训练数据中的主观网络参数包括先前用户体验质量，且所述先前用户体验质量为上一训练数据中的网络质量参数输入训练模型后计算得出的用户体验质量。可选的，所述对当前训练模型进行调整，包括：计算获得当前训练数据对应的训练误差对当前训练模型中各神经元的偏导数；对各神经元：根据该神经元的偏导数调整该神经元的连接权值。可选的，所述根据该神经元的偏导数调整该神经元的连接权值，包括：根据该神经元的偏导数的正负确定该神经元的连接权值的调整方向；按照所确定的调整方向调整该神经元的连接权值，其中，该神经元的连接权值的调整量为该神经元的偏导数的绝对值。可选的，所述预设的神经网络计算模型包括输入层、隐含层和输出层，在所述客观网络参数包括网络状况、业务质量和终端质量，且所述主观网络参数包括先前用户体验质量、业务体验经历、自身背景、身心状态和期望时：所述输入层的输入参数为：其中，所述x1(k)至所述x5(k)分别为所述先前用户体验质量、所述业务体验经历、所述自身背景、所述身心状态和所述期望，所述x6(k)至所述x8(k)分别为所述网络状况、所述业务质量和所述终端质量；所述输出层的输出参数为：所述获得当前训练模型计算得出的用户体验质量，包括：通过如下公式根据所述输入层的输入参数计算得到所述输出层的输出参数yo(k)：hi1(k)=Σj=15Wij1xj(k)-b1]]>hi2(k)=Σj=68Wij2xj(k)-b2]]>ho1(k)＝f(hi1(k))ho2(k)＝f(hi2(k))yi(k)＝本文档来自技高网...

【技术保护点】
一种用户体验质量确定方法，其特征在于，应用于服务器中，所述方法包括：数据收集的步骤、模型训练的步骤、模型测试的步骤和模型应用的步骤；其中，所述数据收集的步骤包括：获得多个网络状态下的网络数据，所述网络数据包括：网络质量参数及用户对网络状态的评分；将所获得的多个网络状态至少划分为第一状态组和第二状态组，所述第一状态组中网络状态的数量大于所述第二状态组中网络状态的数量；其中，所述模型训练的步骤包括：选择所述第一状态组中的一个网络状态下的网络数据作为当前训练数据，将预设的神经网络计算模型作为当前训练模型，其中，所述当前训练模型的输入量为所述网络质量参数，所述当前训练模型的输出量为用户体验质量；将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练；获得当前训练模型计算得出的用户体验质量；获得所述计算得出的用户体验质量与当前训练数据中的用户对网络状态的评分之间的训练误差；将所述训练误差与第一预设误差阈值进行比较，如果所述训练误差不大于所述第一预设误差阈值，则执行所述模型测试的步骤对进行训练后的当前训练模型进行测试，如果所述训练误差大于所述第一预设误差阈值，则判断所获得的训练误差的收敛次数是否位于预设的次数区间中，如果是，则执行所述模型测试的步骤对进行训练后的当前训练模型进行测试，否则，对当前训练模型进行调整，选择所述第一状态组中的剩余网络状态中一个网络状态下的网络数据作为当前训练数据并继续执行将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练；其中，所述模型测试的步骤包括：依次将所述第二状态组中的各网络状态作为当前测试状态，将当前测试状态下的网络数据作为当前测试数据，将当前测试数据中的网络质量参数输入进行训练后的当前训练模型中以对训练后的当前训练模型进行测试；获得进行训练后的当前训练模型计算得出的用户体验质量；获得该计算得出的用户体验质量与当前测试数据中的用户对网络状态的评分之间的测试误差；分别将所述第二状态组中各网络状态对应的测试误差与第二预设误差阈值进行比较，获得比较结果；判断所述比较结果是否满足预设的测试通过条件，如果是，则将进行训练后的当前训练模型作为对网络的用户体验质量计算模型，否则继续执行所述选择所述第一状态组中的剩余网络状态中一个网络状态下的网络数据作为当前训练数据并继续执行将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练的步骤；其中，所述模型应用的步骤包括：从网络中采集第一网络状态下的网络质量参数；将所采集的网络质量参数输入所述模型测试的步骤中所确定的对网络的用户体验质量计算模型中，计算获得所述第一网络状态下的用户体验质量。...

【技术特征摘要】
1.一种用户体验质量确定方法，其特征在于，应用于服务器中，所述方
法包括：数据收集的步骤、模型训练的步骤、模型测试的步骤和模型应用的步
骤；
其中，所述数据收集的步骤包括：
获得多个网络状态下的网络数据，所述网络数据包括：网络质量参数及用
户对网络状态的评分；
将所获得的多个网络状态至少划分为第一状态组和第二状态组，所述第一
状态组中网络状态的数量大于所述第二状态组中网络状态的数量；
其中，所述模型训练的步骤包括：
选择所述第一状态组中的一个网络状态下的网络数据作为当前训练数据，
将预设的神经网络计算模型作为当前训练模型，其中，所述当前训练模型的输
入量为所述网络质量参数，所述当前训练模型的输出量为用户体验质量；
将当前训练数据中的网络质量参数输入当前训练模型中以对当前训练模
型进行训练；
获得当前训练模型计算得出的用户体验质量；
获得所述计算得出的用户体验质量与当前训练数据中的用户对网络状态
的评分之间的训练误差；
将所述训练误差与第一预设误差阈值进行比较，如果所述训练误差不大于
所述第一预设误差阈值，则执行所述模型测试的步骤对进行训练后的当前训练
模型进行测试，如果所述训练误差大于所述第一预设误差阈值，则判断所获得
的训练误差的收敛次数是否位于预设的次数区间中，如果是，则执行所述模型
测试的步骤对进行训练后的当前训练模型进行测试，否则，对当前训练模型进
行调整，选择所述第一状态组中的剩余网络状态中一个网络状态下的网络数据
作为当前训练数据并继续执行将当前训练数据中的网络质量参数输入当前训
练模型中以对当前训练模型进行训练；
其中，所述模型测试的步骤包括：
依次将所述第二状态组中的各网络状态作为当前测试状态，将当前测试状
态下的网络数据作为当前测试数据，将当前测试数据中的网络质量参数输入进
行训练后的当前训练模型中以对训练后的当前训练模型进行测试；
获得进行训练后的当前训练模型计算得出的用户体验质量；
获得该计算得出的用户体验质量与当前测试数据中的用户对网络状态的
评分之间的测试误差；
分别将所述第二状态组中各网络状态对应的测试误差与第二预设误差阈
值进行比较，获得比较结果；
判断所述比较结果是否满足预设的测试通过条件，如果是，则将进行训练
后的当前训练模型作为对网络的用户体验质量计算模型，否则继续执行所述选
择所述第一状态组中的剩余网络状态中一个网络状态下的网络数据作为当前
训练数据并继续执行将当前训练数据中的网络质量参数输入当前训练模型中
以对当前训练模型进行训练的步骤；
其中，所述模型应用的步骤包括：
从网络中采集第一网络状态下的网络质量参数；
将所采集的网络质量参数输入所述模型测试的步骤中所确定的对网络的
用户体验质量计算模型中，计算获得所述第一网络状态下的用户体验质量。
2.根据权利要求1所述的方法，其特征在于，所述预设的测试通过条件为：
不大于所述第二预设误差阈值的测试误差的数量不低于第一数量；
或者，不大于所述第二预设误差阈值的测试差值的数量占所述第二状态组
中所有网络状态对应的测试差值的总数量的比例不低于第一比例。
3.根据权利要求1或2所述的方法，其特征在于，所述网络质量参数包括：
客观网络参数，所述客观网络参数包括：网络状况、业务质量和终端质量。
4.根据权利要求3所述的方法，其特征在于，所述网络质量参数还包括：
主观网络参数，所述主观网络参数包括：先前用户体验质量、业务体验经历、
自身背景、身心状态和期望中的一种或多种；
从网络中采集第一网络状态下的主观网络参数的方式包括：
接收用户输入的第一网络状态下的主观网络参数；
和/或，
通过监控用户的操作行为，获得第一网络状态下的主观网络参数。
5.根据权利要求4所述的方法，其特征在于，在当前训练数据与上一训练
数据均对应同一用户，且该当前训练数据的产生时间与上一训练数据的产生时
间之间的间隔小于预设时间间隔时，所述当前训练数据中的主观网络参数包括
先前用户体验质量，且所述先前用户体验质量为上一训练数据中的网络质量参
数输入训练模型后计算得出的用户体验质量。
6.根据权利要求1所述的方法，其特征在于，所述对当前训练模型进行调
整，包括：
计算获得当前训练数据对应的训练误差对当前训练模型中各神经元的偏
导数；
对各神经元：根据该神经元的偏导数调整该神经元的连接权值。
7.根据权利要求6所述的方法，其特征在于，所述根据该神经元的偏导数
...

【专利技术属性】
技术研发人员：滕颖蕾，满毅，宋梅，袁得嵛，张勇，王莉，谷群，吴军甫，程刚，王雅莉，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11