数据处理方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供一种数据处理方法、装置、设备及存储介质，该方法包括：获取目标用户的特征向量；根据所述目标用户的特征向量，通过目标预测模型，得到所述目标用户对应的满意度预测结果，所述目标预测模型是由多个历史用户的个性特征对应的权重、所述多个历史用户中各个历史用户的特征向量、满意度分值对协同过滤模型训练得到的；根据所述满意度预测结果，向所述目标用户使用的终端推送个性化需求信息。本申请实施例提供的方法能够解决现有技术中无法精准地实现用户体验满意度地评估，进而导致对用户个性化推荐地准确率较低的问题。

【技术实现步骤摘要】
数据处理方法、装置、设备及存储介质
本申请实施例涉及数据处理
，尤其涉及一种数据处理方法、装置、设备及存储介质。
技术介绍
随着用户规模的增加、产生数据量的快速增长，为应对激烈的市场竞争，运营商越来越依赖精确化的数据统计分析以实现科学管理和决策。其中，为了能够较为准确地向用户推送业务等服务，可以通过数据统计分析对用户体验满意度进行评估。目前，针对满意度的评估，现有方案是通过建立一种四层的用户感知指标体系：KPI-KQI-QoE-满意度(其中，关键绩效指标即KeyPerformanceIndicators，简称KPI；关键质量指标即KeyQualityIndicators，简称KQI；体验质量即QualityofExperience，简称QoE)，在用户感知指标体系的基础上，使用神经网络算法建立了满意度评价模型，通过用户感知指标与业务质量指标以及网络质量指标之间的三层映射关系，获取影响用户感知的指标权重，最终形成用户体验满意度评估系统。但是，现有方案利用神经网络算法对用户体验建立模型，从而获得对用户体验的评价(即满意度评估)。由于神经网络要求训练数据充分，而可收集到的用户体验数据大部分为稀疏的，无法达成神经网络的训练要求从而使最终训练并不精确；若想通过神经网络算法获得较为可靠的结果则需要大量的成本且实现难度大。因此，现有技术无法精准地实现用户体验满意度地评估，进而导致对用户个性化推荐地准确率较低。
技术实现思路
本申请实施例提供一种数据处理方法、装置、设备及存储介质，以解决现有技术中无法精准地实现用户体验满意度地评估，进而导致对用户个性化推荐地准确率较低的问题。第一方面，本申请实施例提供一种数据处理方法，包括：获取目标用户的特征向量；根据所述目标用户的特征向量，通过目标预测模型，得到所述目标用户对应的满意度预测结果，所述目标预测模型是由多个历史用户的个性特征对应的权重、所述多个历史用户中各个历史用户的特征向量、满意度分值对协同过滤模型训练得到的；根据所述满意度预测结果，向所述目标用户使用的终端推送个性化需求信息。在一种可能的设计中，所述特征向量包括个性特征数据和网络质量数据；在所述通过目标预测模型，得到所述目标用户对应的满意度评估预测结果之前，所述方法还包括：获取所述多个历史用户中各个所述历史用户的特征向量和满意度分值；将所述多个历史用户进行划分，生成训练集和验证集，所述训练集和验证集中均包含多个样本，每个样本中包括所述个性特征数据、所述网络质量数据和对应的所述满意度分值；根据所述训练集中每个样本的所述个性特征数据和所述满意度分值，通过层次分析法，确定所述个性特征对应的权重；根据所述训练集和所述权重，对所述协同过滤模型进行训练，得到初始预测模型；根据所述验证集对所述初始预测模型进行验证，得到所述目标预测模型。在一种可能的设计中，所述获取所述多个历史用户中各个所述历史用户的特征向量和满意度分值，包括：获取各个所述历史用户的个性特征、网络质量以及满意度结果，所述个性特征至少包括性别、当前使用终端类型、常用业务类型、年龄、学历、当前所用套餐、是否处于常用区域，网络质量至少包括信号强度、信号质量、网络时延；对所述个性特征、所述网络质量以及所述满意度结果进行预处理，得到各个所述历史用户的个性特征数据、网络质量数据和满意度分值；其中，所述个性特征数据至少包括性别特征值、当前使用终端类型特征值、常用业务类型特征值、年龄特征值、学历特征值、当前所用套餐特征值、是否处于常用区域特征值，所述网络质量数据至少包括信号强度特征值、信号质量特征值、网络时延特征值。在一种可能的设计中，一个个性特征对应一个权重，所述根据所述训练集和所述权重，对所述协同过滤模型进行训练，得到初始预测模型，包括：根据所述训练集中每个样本和所述权重，通过所述协同过滤模型中的预设加权相似度算法，得到多个相似用户群，一个相似用户群对应一个相似个性特征向量；针对每个所述相似用户群，将所述相似个性特征向量、所述相似用户群体中每个历史用户对应的网络质量数据和满意度分值作为训练样本；根据每个所述训练样本调整所述协同过滤模型的参数，得到所述初始预测模型。在一种可能的设计中，根据所述验证集对所述初始预测模型进行验证，得到所述目标预测模型，包括：将所述验证集中每个样本的个性特征数据和网络质量数据输入到所述初始预测模型中，输出所述验证集中每个样本对应的满意度预测值；针对所述验证集中每个样本，将所述满意度预测值与所述满意度分值进行误差计算；若误差结果在预设误差范围内，则确定所述初始预测模型为所述目标预测模型；若误差结果不在所述预设误差范围内，则调整所述初始预测模型的参数，直至所述误差结果在所述预设误差范围内，并确定当前调整后的预测模型为所述目标预测模型。在一种可能的设计中，所述目标用户为多个，所述根据所述目标用户的特征向量，通过目标预测模型，得到所述目标用户对应的满意度预测结果，包括：根据所述目标用户的特征向量中的个性特征数据，通过所述目标预测模型中存储的所述权重以及预设加权相似度算法，从所述多个相似用户群中获取与所述目标用户匹配的目标相似用户群；将所述目标相似用户群对应的目标相似个性特征向量和所述目标用户的特征向量中的网络质量数据作为所述目标预测模型的输入量，并通过所述目标预测模型输出所述目标用户对应的满意度预测结果。在一种可能的设计中，所述预设加权相似度算法为：其中，N(u)和N(v)分别是用户u的特征向量和用户v的特征向量，i表示用户u和用户v的共有个性特征，N(i)表示用户u和用户v的共有特征向量，k(i)是表示i对应的权重。在一种可能的设计中，所述根据所述满意度预测结果，向所述目标用户使用的终端推送个性化需求信息，包括：根据所述满意度预测结果，确定是否提示所述目标用户更改当前所用套餐；若确定提示，则获取所述目标用户对应的个性特征数据以及网络质量数据；根据所述目标用户的个性特征数据以及网络质量数据，确定与所述目标用户匹配的套餐；将所述套餐作为所述目标用户的个性化需求信息，并将所述个性化需求信息推送至所述目标用户所使用的终端。第二方面，本申请实施例提供一种数据处理装置，包括：获取模块，用于获取目标用户的特征向量；预测模块，用于根据所述目标用户的特征向量，通过目标预测模型，得到所述目标用户对应的满意度预测结果，所述目标预测模型是由多个历史用户的个性特征对应的权重、所述多个历史用户中各个历史用户的特征向量、满意度分值对协同过滤模型训练得到的；推荐模块，用于根据所述满意度预测结果，向所述目标用户使用的终端推送个性化需求信息。第三方面，本申请实施例提供一种数据处理设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取目标用户的特征向量；/n根据所述目标用户的特征向量，通过目标预测模型，得到所述目标用户对应的满意度预测结果，所述目标预测模型是由多个历史用户的个性特征对应的权重、所述多个历史用户中各个历史用户的特征向量、满意度分值对协同过滤模型训练得到的；/n根据所述满意度预测结果，向所述目标用户使用的终端推送个性化需求信息。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取目标用户的特征向量；
根据所述目标用户的特征向量，通过目标预测模型，得到所述目标用户对应的满意度预测结果，所述目标预测模型是由多个历史用户的个性特征对应的权重、所述多个历史用户中各个历史用户的特征向量、满意度分值对协同过滤模型训练得到的；
根据所述满意度预测结果，向所述目标用户使用的终端推送个性化需求信息。


2.根据权利要求1所述的方法，其特征在于，所述特征向量包括个性特征数据和网络质量数据；
在所述通过目标预测模型，得到所述目标用户对应的满意度评估预测结果之前，所述方法还包括：
获取所述多个历史用户中各个所述历史用户的特征向量和满意度分值；
将所述多个历史用户进行划分，生成训练集和验证集，所述训练集和验证集中均包含多个样本，每个样本中包括所述个性特征数据、所述网络质量数据和对应的所述满意度分值；
根据所述训练集中每个样本的所述个性特征数据和所述满意度分值，通过层次分析法，确定所述个性特征对应的权重；
根据所述训练集和所述权重，对所述协同过滤模型进行训练，得到初始预测模型；
根据所述验证集对所述初始预测模型进行验证，得到所述目标预测模型。


3.根据权利要求2所述的方法，其特征在于，所述获取所述多个历史用户中各个所述历史用户的特征向量和满意度分值，包括：
获取各个所述历史用户的个性特征、网络质量以及满意度结果，所述个性特征至少包括性别、当前使用终端类型、常用业务类型、年龄、学历、当前所用套餐、是否处于常用区域，网络质量至少包括信号强度、信号质量、网络时延；
对所述个性特征、所述网络质量以及所述满意度结果进行预处理，得到各个所述历史用户的个性特征数据、网络质量数据和满意度分值；
其中，所述个性特征数据至少包括性别特征值、当前使用终端类型特征值、常用业务类型特征值、年龄特征值、学历特征值、当前所用套餐特征值、是否处于常用区域特征值，所述网络质量数据至少包括信号强度特征值、信号质量特征值、网络时延特征值。


4.根据权利要求2所述的方法，其特征在于，一个个性特征对应一个权重，所述根据所述训练集和所述权重，对所述协同过滤模型进行训练，得到初始预测模型，包括：
根据所述训练集中每个样本和所述权重，通过所述协同过滤模型中的预设加权相似度算法，得到多个相似用户群，一个相似用户群对应一个相似个性特征向量；
针对每个所述相似用户群，将所述相似个性特征向量、所述相似用户群体中每个历史用户对应的网络质量数据和满意度分值作为训练样本；
根据每个所述训练样本调整所述协同过滤模型的参数，得到所述初始预测模型。


5.根据权利要求4所述的方法，其特征在于，根据所述验证集对所述初始预测模型进行验证，得到所述目标预测模型，包括：
将所述验证集中每个样本的个性特征数据和网络质量数据输入到所述初始预测模型中，输出所述...

【专利技术属性】
技术研发人员：张萌，葛俊，何仲勉，刘伟，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京;11