用户满意度预测方法、装置及电子设备制造方法及图纸

本申请提供一种用户满意度预测方法、装置及电子设备，该方法包括：获取第一初始训练数据，第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；特征数据包括：网络数据、用户基础数据以及网络质量数据；针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在第一时段前的波动程度；依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型；依据预测算法类型以及第一初始训练数据，对第一预测模型进行训练；之后依据目标用户的特征数据以及第一预测模型，确定目标用户满意度预测结果。该方法从多个不同维度获取影响满意度预测的因素，提高了模型预测精确度。度。度。

【技术实现步骤摘要】
用户满意度预测方法、装置及电子设备


[0001]本申请涉及通信领域，尤其涉及一种用户满意度预测方法、装置及电子设备。

技术介绍

[0002]随着通信技术的不断发展，用户对于各通信运营商的服务要求也越来越高。为了提高用户对于运营商网络业务的服务体验，用户满意度成为了运营商的重点关注的指标。目前，在对满意度进行预测时，通常是依据用户与基站之间的信令数据以及预先训练好的满意度评估模型对用户的满意度进行预测的。
[0003]然而，由于用户对于运营商的满意度影响因素较多，单从依据信令数据对用户满意进行预测，容易导致满意度预测结果不准确。

技术实现思路

[0004]本申请提供一种用户满意度预测方法、装置及电子设备，用以解决相关技术中满意度预测结果不准确的问题。
[0005]第一方面，本申请提供一种用户满意度预测方法，包括：获取第一初始训练数据，所述第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；所述特征数据包括：网络数据、用户基础数据以及网络质量数据；
[0006]针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在所述第一时段前的波动程度；
[0007]依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型；
[0008]依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型；
[0009]获取目标用户的特征数据，并将所述目标用户的特征数据输入所述第一预测模型，确定目标用户满意度预测结果。
[0010]在一种可能的实施方式中，所述依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型，包括：
[0011]若每一满意度标签对应的波动程度均大于第一预设值，则所述第一初始训练数据对应的预设算法类型为回归算法；
[0012]若每一满意度标签对应的波动程度均小于等于第一预设值，则所述第一初始训练数据对应的预设算法类型为分类算法。
[0013]在一种可能的实施方式中，所述第一预测模型包括：第一子模型和第二子模型；所述方法还包括：
[0014]在第一时段内，确定每一满意度标签对应的历史用户数量的占比；
[0015]所述依据所述每一满意度标签波动程度，确定所述第一初始训练数据对应的预设算法类型，包括：
[0016]将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定所述第一训练数据对应的预设算法类型为回归算法；
[0017]将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定所述第二训练数据对应的预设算法类型为分类算法；
[0018]所述依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型，包括：
[0019]将所述第一训练数据以及所述第二训练数据分别作为所述第一子模型以及第二子模型的训练数据进行训练，得到第一预测模型，其中，第一子模型采用回归算法，第二子模型采用分类算法。
[0020]在一种可能的实施方式中，所述获取目标用户的特征数据包括：
[0021]获取第一用户与所述目标用户上传的服务小区接收功率电平值，所述第一用户与所述目标用户位于同一服务小区；
[0022]将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为所述目标用户的特征数据中的网络质量数据，所述总用户数量为第一用户数量与目标用户数量之和。
[0023]在一种可能的实施方式中，所述方法还包括：
[0024]若所述目标用户满意度预测结果小于第三预设值，则依据所述特征数据以及第二预测模型，确定所述目标用户所处的网络预测结果，其中，所述第二预测模型是将第一时段内多个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的；所述网络标签为基于网络关键指标以及历史用户投诉数据得到的；
[0025]若所述网络预测结果为第一值，则发送提示信息，所述提示信息用于提示出现网络故障。
[0026]在一种可能的实施方式中，所述方法还包括：
[0027]若所述网络预测结果为第二值，则向目标用户提供服务推荐。
[0028]在一种可能的实施方式中，所述第一预测模型为CatBoost模型。
[0029]第二方面，本申请提供一种用户满意度预测装置，包括：第一获取单元，用于获取第一初始训练数据，所述第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；所述特征数据包括：网络数据、用户基础数据以及网络质量数据；
[0030]第一确定单元，用于针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在所述第一时段前的波动程度；
[0031]第二确定单元，用于依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型；
[0032]训练单元，用于依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型；
[0033]第三确定单元，用于获取目标用户的特征数据，并将所述目标用户的特征数据输入所述第一预测模型，确定目标用户满意度预测结果。
[0034]在一种可能的实施方式中，所述第一确定单元具体用于：
[0035]若每一满意度标签对应的波动程度均大于第一预设值，则所述第一初始训练数据对应的预设算法类型为回归算法；
[0036]若每一满意度标签对应的波动程度均小于等于第一预设值，则所述第一初始训练数据对应的预设算法类型为分类算法。
[0037]在一种可能的实施方式中，所述第一预测模型包括：第一子模型和第二子模型；所述装置，还包括：
[0038]第四确定单元，用于在第一时段内，确定每一满意度标签对应的历史用户数量的占比；
[0039]所述第二确定单元具体用于：
[0040]将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定所述第一训练数据对应的预设算法类型为回归算法；
[0041]将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定所述第二训练数据对应的预设算法类型为分类算法；
[0042]所述训练单元具体用于：
[0043]将所述第一训练数据以及所述第二训练数据分别作为所述第一子模型以及第二子模型的训练数据进行训练，得到第一预测模型，其中，第一子模型采用回归算法，第二子模型采用分类算法。
[0044]在一种可能的实施方式中，所述第三确定单元具体用于：
[0045]获取第一用户与所述目标用户上传的服务小区接收功率电平值，所述第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户满意度预测方法，其特征在于，包括：获取第一初始训练数据，所述第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；所述特征数据包括：网络数据、用户基础数据以及网络质量数据；针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在所述第一时段前的波动程度；依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型；依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型；获取目标用户的特征数据，并将所述目标用户的特征数据输入所述第一预测模型，确定目标用户满意度预测结果。2.根据权利要求1所述的方法，其特征在于，所述依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型，包括：若每一满意度标签对应的波动程度均大于第一预设值，则所述第一初始训练数据对应的预设算法类型为回归算法；若每一满意度标签对应的波动程度均小于等于第一预设值，则所述第一初始训练数据对应的预设算法类型为分类算法。3.根据权利要求1所述的方法，其特征在于，所述第一预测模型包括：第一子模型和第二子模型；所述方法还包括：在第一时段内，确定每一满意度标签对应的历史用户数量的占比；所述依据所述每一满意度标签波动程度，确定所述第一初始训练数据对应的预设算法类型，包括：将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定所述第一训练数据对应的预设算法类型为回归算法；将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定所述第二训练数据对应的预设算法类型为分类算法；所述依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型，包括：将所述第一训练数据以及所述第二训练数据分别作为所述第一子模型以及第二子模型的训练数据进行训练，得到第一预测模型，其中，第一子模型采用回归算法，第二子模型采用分类算法。4.根据权利要求1所述的方法，其特征在于，所述获取目标用户的特征数据包括：获取第一用户与所述目标用户上传的服务小区接收功率电平值，所述第一用户与所述目标用户位于同一服务小区；将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为所述目标用户的特征数据中的网络质量数据，所述总用户数量为第一用户数量与目标用户数量之
和。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述目标用户满意度预测结果小于第三预设值，则依据所述特征数据以及第二预测模型，确定所述目标用户所处的网络预测结果，其中，所述第二预测模型是将第一时段内多个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的；所述网络标签为基于网络关键指标以及历史用户投诉数据得到的；若所述网络预测结果为第一值，则发送提示信息，所述提示信息用于提示出现网络故障。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：若所述网络预测结果为第二值，则向目标用户提供服务推荐。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述第一预测模型为CatBoost模型。8.一种用户满意度预测装置，其特征在于，包括：第一获取单元，用于获取第一初始训练数据，所述第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；所述特...

【专利技术属性】
技术研发人员：李珊珊，刘贤松，欧大春，杨飞虎，石旭荣，佘士钊，
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：