样本不均衡条件下的投诉预测方法、装置及存储介质制造方法及图纸

本申请公开了一种样本不均衡条件下的投诉预测方法、装置及存储介质，其中该方法，包括：采集用户的相关特征数据，并将采集的相关特征数据分为训练集和测试集，其中训练集中样本的类别分为投诉类和不投诉类；根据训练集中少数类样本的数量K，将述训练集中的多数类样本进行聚类处理，得到与少数类样本的数量对应的K个样本集；基于K个样本集和所述训练集中少数类的K个样本，分别训练N个基分类器，其中基分类器的数量N为根据训练集的不平衡程度和样本数量所确定的；利用训练好的N个基分类器对测试集的每个样本进行预测，并根据N个基分类器的预测结果，确定测试集的每个样本的分类结果，其中分类结果分为投诉和不投诉。其中分类结果分为投诉和不投诉。其中分类结果分为投诉和不投诉。

【技术实现步骤摘要】
样本不均衡条件下的投诉预测方法、装置及存储介质


[0001]本申请涉及信息分类
，特别是涉及一种样本不均衡条件下的投诉预测方法、装置及存储介质。

技术介绍

[0002]随着第三产业的快速发展，以及互联网等数字化技术的应用，如何在科技快速赋能业务的同时保障对用户的服务质量，已经成为了大多企业不得不仔细思考的课题。科技可以让用户得到更加精准、快速、便捷的服务，但同时，用户对服务质量的要求也在逐步提升。随着国家层面对于社会声音的重视，以及互联网的快速发展，表达意见的途径越来越直接有效，如果用户对于企业服务不满意，可以通过媒体平台、监管部门等渠道进行投诉，而企业被投诉对于企业的形象以及竞争力等会产生负面影响，甚至会被监管处罚。例如，对于金融企业来说，国家相关监管部门对于企业被投诉情况会有相应的要求，如果被监管投诉数量超过标准，将会对企业声誉造成影响，甚至会有一定程度处罚。那么，企业就需要在提升自身服务质量的同时，对于可能的投诉进行前置的处理，如果能在用户去监管投诉前及时发现该风险，并介入干预，进行安抚，那么就可以降低用户的监管投诉数量，及时为用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种样本不均衡条件下的投诉预测方法，其特征在于，包括：采集用户的相关特征数据，并将采集的相关特征数据分为训练集和测试集，其中所述训练集中样本的类别分为投诉类和不投诉类；根据所述训练集中少数类样本的数量K，将所述训练集中的多数类样本进行聚类处理，得到与所述少数类样本的数量对应的K个样本集；基于所述K个样本集和所述训练集中少数类的K个样本，分别训练N个基分类器；利用训练好的N个基分类器对所述测试集的每个样本进行预测，并根据N个基分类器的预测结果，确定所述测试集的每个样本的分类结果，其中所述分类结果分为投诉和不投诉。2.根据权利要求1所述的方法，其特征在于，基于所述K个样本集和所述训练集中少数类的K个样本，分别训练N个基分类器之前，包括：根据所述训练集的不平衡程度和样本数量，确定基分类器的数量N。3.根据权利要求1所述的方法，其特征在于，基于所述K个样本集和所述训练集中少数类的K个样本，分别训练N个基分类器，包括：从K个样本集中各抽取一个样本，将每次抽取的K个样本与所述训练集中少数类的K个样本组成一个样本组，进行N次抽取后，得到N个样本组；使用N个样本组分别训练N个基分类器。4.根据权利要求3所述的方法，其特征在于，从K个样本集中各抽取一个样本，包括：从所述K个样本集中各随机抽取一个样本；或者从所述K个样本集中各按顺序抽取一个样本。5.根据权利要求1所述的方法，其特征在于，利用训练好的N个基分类器对所述测试集的每个样本进行预测，并根据N个基分类器的预测结果，确定所述测试集的每个样本的分类结果，包括：将训练好的N个基分类器集成为投诉预测模型；将所述测试集的每个样本输入所述投诉预测模型，根据所述投诉预测模型中N个基分类器的预测结果，确定所述测试集的每个样本的分类结果。6.根据权利要求5所述的方法，其特征在于，根据所述投诉预测模型中N个基分类器的分类结果，确定所述测试集的每个样本的分类结果，包括：对于所述测试集的每个样本，统计N个基分类器的不同预测结果的数量；将多数类的预测结果确定为分类结果，得到所述测试集的每个样本的分类结果。7.根据权利...

【专利技术属性】
技术研发人员：李可新，曲本盛，杜斌，钟磊，
申请(专利权)人：北京中关村科金技术有限公司，
类型：发明
国别省市：