本申请实施例提供一种满意度预测方法、装置及存储介质，所述方法包括：获取至少一个评估对象的指标数据集合；其中，所述指标数据集合中的指标数据与至少一个预设感知点匹配；基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理、异常数据处理和缺失数据处理，得到处理后的指标数据集合；基于所述处理后的指标数据集合中的指标数据之间的相关性，对所述处理后的指标数据集合进行指标数据更新处理，得到更新后的指标数据集合；将所述更新后的指标数据集合中的指标数据输入至满意度模型中，对所述满意度模型进行训练，得到训练后的满意度模型；采用所述训练后的满意度模型预测目标对象的满意度值。后的满意度模型预测目标对象的满意度值。后的满意度模型预测目标对象的满意度值。
【技术实现步骤摘要】
满意度预测方法、装置及存储介质
[0001]本申请实施例涉及通信
，涉及但不限于一种满意度预测方法、装置及存储介质。
技术介绍
[0002]随着“大连接”战略的逐步实施，在4G网络加速普及、互联网应用全方位渗透和智能终端快速更新换代的共同驱动下，手机上网已成为人们每天生活的必需内容。在语音时代，网络即业务，客户感知和网络质量对等，通过关注网络质量指标(例如，覆盖、干扰、故障或容量等指标)，就可满足客户通话感知的管理。在移动互联网时代，业务实现更多依赖终端、网络或平台等端到端之间的配合，网络不再是决定客户感知的唯一要素，使得传统网络指标体系难以满足移动互联网时代主动保障客户感知的需求。为了提高客户上网满意度，更好进行客户维护，需要建立一套与客户满意度关联的指标模型来综合评估客户满意度，通过明确满意度影响关键指标来提升网络满意度。
[0003]相关技术在构建客户满意度模型时，通过数据采集、数据处理、特征选择、模型和应用多个方面进行满意度预测模型构建、影响力指标挖掘、用户画像分析和客户问题定位优化。但是，相关技术在数据采集、处理和特征工程阶段，没有对指标和数据进行梳理处理，没有考虑用户主观性，没有考虑指标在不同情况下进行不同的预处理，没有考虑对指标内在关联性进行特征扩充，也没有对考虑对指标和满意度之间的关系进行特征剔除。在模型和应用阶段，忽视了满意度样本的不均衡性，忽视了数据时效性，使得模型的准确性难以保证，应用场景单一，没有充分利用结果对模型进行监控、问题定位和客户维护。
技术实现思路
[0004]有鉴于此，本申请实施例提供一种满意度预测方法、装置及存储介质。
[0005]第一方面，本申请实施例提供一种满意度预测方法，所述方法包括：获取至少一个评估对象的指标数据集合；其中，所述指标数据集合中的指标数据与至少一个预设感知点匹配；基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理、异常数据处理和缺失数据处理，得到处理后的指标数据集合；基于所述处理后的指标数据集合中的指标数据之间的相关性，对所述处理后的指标数据集合进行指标数据更新处理，得到更新后的指标数据集合；将所述更新后的指标数据集合中的指标数据输入至满意度模型中，对所述满意度模型进行训练，得到训练后的满意度模型；采用所述训练后的满意度模型预测目标对象的满意度值。
[0006]在一些实施例中，所述基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理、异常数据处理和缺失数据处理，得到处理后的指标数据集合，包括：基于所述指标数据集合中的满意度值，对所述指标数据集合进行主观数据剔除处理，得到数据剔除后的指标数据集合；对所述数据剔除后的指标数据集合进行异常数据检测，得到异常指标数据；删除所述异常指标数据，得到异常数据处理后的指标数据集合；对
所述异常数据处理后的指标数据集合进行缺失数据识别，得到数据缺失类别；基于所述数据缺失类别，对所述异常数据处理后的指标数据集合进行缺失数据处理，得到所述处理后的指标数据集合。
[0007]在一些实施例中，所述基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理，得到数据剔除后的指标数据集合，包括：基于所述指标数据集合中的满意度值，从所述至少一个评估对象中确定出主观对象；其中，所述主观对象的所述满意度值在预设数值范围内；将所述主观对象的指标数据，确定为主观数据；从所述指标数据集合中剔除所述主观数据，得到数据剔除后的指标数据集合。
[0008]在一些实施例中，所述指标数据集合中包括多个样本指标数据集合，每一所述样本指标数据集合中包括至少一个指标数据；所述对所述数据剔除后的指标数据集合进行异常数据检测，得到异常指标数据，包括：针对当前第N个数据剔除后的样本指标数据集合，确定所述数据剔除后的样本指标数据集合中每一指标数据的数据类型；获取每一所述数据类型对应的异常阈值范围；当所述数据剔除后的样本指标数据集合中的任一指标数据超出对应的异常阈值范围时，将所述指标数据确定为待处理异常指标数据；或，针对任一所述数据剔除后的样本指标数据集合，初始化异常指标数量；获取异常删除比例；当所述异常指标数量大于所述异常删除比例和所述数据剔除后的样本指标数据集合的数量的乘积时，将所述数据剔除后的样本指标数据集合中的每一指标数据确定为待处理异常指标数据。
[0009]在一些实施例中，所述删除所述异常指标数据，得到异常数据处理后的指标数据集合，包括：将所述待处理异常指标数据对应的存储位置置空。
[0010]在一些实施例中，所述数据缺失类别包括：数值型缺失；对应的，所述基于所述数据缺失类别，对所述异常数据处理后的指标数据集合进行缺失数据处理，得到所述处理后的指标数据集合，包括：当所述数据缺失类别为数值型缺失，且当所述数值缺失类别在当前业务上能够表征特定指标类型时，将所述异常数据处理后的指标数据集合中的指标数据赋值为特定值；当所述数据缺失类别为数值型缺失，且所述异常数据处理后的指标数据集合中的缺失数据量大于第一预设数据阈值，对所述异常数据处理后的指标数据集合中的指标数据进行重编码处理；当所述数据缺失类别为数值型缺失，且所述异常数据处理后的指标数据集合中的缺失数据量小于或等于第一预设数据阈值，采用所述异常数据处理后的指标数据集合中的指标数据的中位数或近邻数据填充缺失数据的位置。
[0011]在一些实施例中，所述数据缺失类别包括：类别型缺失；对应的，所述基于所述数据缺失类别，对所述异常数据处理后的指标数据集合进行缺失数据处理，得到所述处理后的指标数据集合，包括：当所述数据缺失类别为类别型缺失，且所述异常数据处理后的指标数据集合中的缺失数据量小于或等于第二预设数据阈值，获取所述异常数据处理后的指标数据集合中的指标数据的指标众数；并采用所述指标众数填充缺失数据的位置；当所述数据缺失类别为类别型缺失，且所述异常数据处理后的指标数据集合中的缺失数据量大于第二预设数据阈值，将全部缺失数据的属性信息设置为类别未知属性。
[0012]在一些实施例中，所述基于所述处理后的指标数据集合中的指标数据之间的相关性，对所述处理后的指标数据集合进行指标数据更新处理，包括以下至少之一：当所述处理后的指标数据集合中的任意两个指标数据之间的相关性大于相关度阈值时；删除所述两个指标数据中的任一指标数据；当所述处理后的指标数据集合中具有一个指标数据时，删除
所述指标数据；当所述处理后的指标数据集合中的任意两个指标数据相同时，删除所述两个指标数据中的任一指标数据；当所述处理后的指标数据集合中的任意两个指标数据对应的业务属性相同时，删除所述两个指标数据中的任一指标数据。
[0013]在一些实施例中，所述基于所述处理后的指标数据集合中的指标数据之间的相关性，对所述处理后的指标数据集合进行指标数据更新处理，包括：确定所述处理后的指标数据集合中的每一指标数据的指标影响力值；按照所述指标影响力值，对所述处理后的指标数据集合中指标数据进行排序，形成指标数据序列；将所述指标数据序列中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种满意度预测方法，其特征在于，所述方法包括：获取至少一个评估对象的指标数据集合；其中，所述指标数据集合中的指标数据与至少一个预设感知点匹配；基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理、异常数据处理和缺失数据处理，得到处理后的指标数据集合；基于所述处理后的指标数据集合中的指标数据之间的相关性，对所述处理后的指标数据集合进行指标数据更新处理，得到更新后的指标数据集合；将所述更新后的指标数据集合中的指标数据输入至满意度模型中，对所述满意度模型进行训练，得到训练后的满意度模型；采用所述训练后的满意度模型预测目标对象的满意度值。2.根据权利要求1所述的方法，其特征在于，所述基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理、异常数据处理和缺失数据处理，得到处理后的指标数据集合，包括：基于所述指标数据集合中的满意度值，对所述指标数据集合进行主观数据剔除处理，得到数据剔除后的指标数据集合；对所述数据剔除后的指标数据集合进行异常数据检测，得到异常指标数据；删除所述异常指标数据，得到异常数据处理后的指标数据集合；对所述异常数据处理后的指标数据集合进行缺失数据识别，得到数据缺失类别；基于所述数据缺失类别，对所述异常数据处理后的指标数据集合进行缺失数据处理，得到所述处理后的指标数据集合。3.根据权利要求2所述的方法，其特征在于，所述基于所述指标数据集合中的满意度值，对所述指标数据集合依次进行主观数据剔除处理，得到数据剔除后的指标数据集合，包括：基于所述指标数据集合中的满意度值，从所述至少一个评估对象中确定出主观对象；其中，所述主观对象的所述满意度值在预设数值范围内；将所述主观对象的指标数据，确定为主观数据；从所述指标数据集合中剔除所述主观数据，得到数据剔除后的指标数据集合。4.根据权利要求2所述的方法，其特征在于，所述指标数据集合中包括多个样本指标数据集合，每一所述样本指标数据集合中包括至少一个指标数据；所述对所述数据剔除后的指标数据集合进行异常数据检测，得到异常指标数据，包括：针对当前第N个数据剔除后的样本指标数据集合，确定所述数据剔除后的样本指标数据集合中每一指标数据的数据类型；获取每一所述数据类型对应的异常阈值范围；当所述数据剔除后的样本指标数据集合中的任一指标数据超出对应的异常阈值范围时，将所述指标数据确定为待处理异常指标数据；或，针对任一所述数据剔除后的样本指标数据集合，初始化异常指标数量；获取异常删除比例；当所述异常指标数量大于所述异常删除比例和所述数据剔除后的样本指标数据集合的数量的乘积时，将所述数据剔除后的样本指标数据集合中的每一指标数据确定为待处理
异常指标数据。5.根据权利要求2所述的方法，其特征在于，所述数据缺失类别包括：数值型缺失；对应的，所述基于所述数据缺失类别，对所述异常数据处理后的指标数据集合进行缺失数据处理，得到所述处理后的指标数据集合，包括：当所述数据缺失类别为数值型缺失，且当所述数值缺失类别在当前业务上能够表征特定指标类型时，将所述异常数据处理后的指标数据集合中的指标数据赋值为特定值；当所述数据缺失类别为数值型缺失，且所述异常数据处理后的指标数据...
【专利技术属性】
技术研发人员：方绍桢，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。