System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 模型的训练方法、装置、电子设备及存储介质制造方法及图纸_技高网

模型的训练方法、装置、电子设备及存储介质制造方法及图纸

技术编号:41305766 阅读:2 留言:0更新日期:2024-05-13 14:51
本发明专利技术实施例提供了一种模型的训练方法、装置、电子设备及存储介质,涉及数据处理技术领域,所述方法包括:获取不同宽带用户的用户画像数据、若干个泛触点以及用户问卷,泛触点为宽带用户在使用宽带业务过程中产生的行为、动作以及与电信运营商售后服务过程中产生的服务记录;对泛触点进行特征提取,获得各个泛触点对应的触点特征集合;根据用户问卷进行梯度优化,获得与用户问卷对应的目标满意度分值;根据用户画像数据、触点特征集合以及目标满意度分值进行模型训练,获得满意度预测模型,满意度预测模型用于预测宽带用户对宽带业务的满意度,提高了训练得到的满意度预测模型的预测准确度、精度。

【技术实现步骤摘要】

本专利技术涉及数据处理,特别是涉及一种模型的训练方法、一种模型的训练装置、一种电子设备以及一种计算机可读存储介质。


技术介绍

1、随着网络通信技术的发展,通信网络已经深入人们生活的方方面面。其中,宽带网络质量对用户上网、视频、游戏以及网课等应用体验有重大影响。为了提升用户感知、减少故障申告,电信运行商需要提前将网络质量感知不佳的用户筛选出来,以便进一步联系用户开展主动服务,为用户提高更好的网络质量。然而,在获取用户对网络质量的评价过程中,存在筛选效率、覆盖效率均不理想的问题,进而导致无法有效地确定用户对网络质量的满意度。


技术实现思路

1、本专利技术实施例是提供一种模型的训练方法、装置、电子设备以及计算机可读存储介质,以解决或部分解决无法有效地预测用户对网络质量的满意度的问题。

2、本专利技术实施例公开了一种模型的训练方法,包括:

3、获取不同宽带用户的用户画像数据、若干个泛触点以及用户问卷,所述泛触点为所述宽带用户在使用宽带业务过程中产生的行为、动作以及与电信运营商售后服务过程中产生的服务记录;

4、对所述泛触点进行特征提取,获得各个所述泛触点对应的触点特征集合;

5、根据所述用户问卷进行梯度优化,获得与所述用户问卷对应的目标满意度分值;

6、根据所述用户画像数据、所述触点特征集合以及所述目标满意度分值进行模型训练,获得满意度预测模型,所述满意度预测模型用于预测宽带用户对宽带业务的满意度。

7、在一些可行的实施例中,所述对所述泛触点进行特征提取,获得各个所述泛触点对应的触点特征集合,包括:

8、获取针对所述泛触点的分类属性;

9、按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据;

10、将各个所述分类属性下的触点特征数据进行整合,获得所述泛触点对应的触点特征集合。

11、在一些可行的实施例中,所述分类属性包括时长属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

12、若所述泛触点属于时长属性,则获取所述泛触点对应的单日累计时长以及单次持续时长,并基于所述单日累计时长,确定预设时长内所述泛触点对应的总累计时长、单日平均时长、单日最长时长、单日最短时长;

13、记录预设时长内单日累计时长或所述单次持续时长大于预设时长阈值的第一累计天数以及第一连续天数。

14、在一些可行的实施例中,所述分类属性包括频次属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

15、若所述泛触点属于频次属性,获取所述泛触点对应的单日次数,并基于所述单日次数,确定预设时长内所述泛触点对应的累计次数、单日平均次数、单日最大次数以及单日最小次数;

16、记录预设时长内单日次数大于预设次数阈值的第二累计天数以及第二连续天数。

17、在一些可行的实施例中,所述分类属性包括业务质量属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

18、若所述泛触点属于业务质量属性,则获取所述泛触点对应的单日平均业务质量,并基于所述单日平均业务质量,确定预设时长内所述泛触点对应的累计业务质量、单日平均业务质量、单日最大业务质量以及单日最小业务质量;

19、记录预设时长内单日平均业务质量大于预设质量阈值的第三累计天数以及第三连续天数。

20、在一些可行的实施例中,所述分类属性包括连接质量属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

21、若所述泛触点属于连接质量属性或不属于任意一种分类属性,则获取预设时长内所述泛触点的累计出现天数以及连续出现天数。

22、在一些可行的实施例中,所述用户问卷中包括若干个宽带用户对网络质量的评价倾向,所述根据所述用户问卷进行梯度优化,获得与所述用户问卷对应的目标满意度分值,包括:

23、从所述用户问卷中提取宽带用户的基础满意度分值、负向理由数量以及各个所述评价倾向对应的倾向数量,所述倾向数量至少包括贬损倾向的第一倾向数量、中立倾向的第二倾向数量以及满意倾向的第三倾向数量;

24、获取针对所述倾向数量的梯度参数,并根据所述基础满意度分值、所述负向理由数量、所述第一倾向数量、所述第二倾向数量、所述第三倾向数量以及所述梯度参数进行分值计算,获得与所述用户问卷对应的目标满意度分值。

25、在一些可行的实施例中,所述梯度参数包括与所述贬损倾向对应的第一调节参数、与所述中立倾向对应的第二调节参数以及与所述满意倾向对应的第三调节参数,所述根据所述负向理由数量、所述第一倾向数量、所述第二倾向数量、所述第三倾向数量以及所述梯度参数进行分值计算,获得与所述用户问卷对应的目标满意度分值,包括:

26、通过下述公式进行满意度分值计算:

27、

28、其中,f(s)为目标满意度分值,s为所述基础满意度分值,n为所述负向理由数量,第一调节参数为2,第二调节参数为4,第三调节参数为6,m1为第一倾向数量,m2为第二倾向数量,m3为第三倾向数量。

29、在一些可行的实施例中,所述根据所述用户画像数据、所述触点特征集合以及所述目标满意度分值进行模型训练,获得满意度预测模型,包括:

30、按照满意度分值的高低将所述用户画像数据、所述触点特征集合以及所述目标满意度分值划分为正向样本与负向样本;

31、将所述正向样本与所述负向样本划分为训练数据集与测试数据集;

32、基于梯度提升框架采用所述训练数据集与所述测试数据集进行模型训练,获得训练得到的精准率、召回率以及调和平均值;

33、若所述精准率、所述召回率以及所述调和平均值均满足条件,则停止模型迭代,获得满意度预测模型。

34、本专利技术实施例还公开了一种模型的训练装置,包括:

35、数据获取模块,用于获取不同宽带用户的用户画像数据、若干个泛触点以及用户问卷,所述泛触点为所述宽带用户在使用宽带业务过程中产生的行为、动作以及与电信运营商售后服务过程中产生的服务记录;

36、特征提取模块,用于对所述泛触点进行特征提取,获得各个所述泛触点对应的触点特征集合;

37、数据处理模块,用于根据所述用户问卷进行梯度优化,获得与所述用户问卷对应的目标满意度分值;

38、模型训练模块,用于根据所述用户画像数据、所述触点特征集合以及所述目标满意度分值进行模型训练,获得满意度预测模型,所述满意度预测模型用于预测宽带用户对宽带业务的满意度。

39、在一些可行的实施例中,所述特征提取模块具体用于:

40、获取针对所述泛触点的分类属性本文档来自技高网...

【技术保护点】

1.一种模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述对所述泛触点进行特征提取,获得各个所述泛触点对应的触点特征集合,包括:

3.根据权利要求2所述的方法,其特征在于,所述分类属性包括时长属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

4.根据权利要求2所述的方法,其特征在于,所述分类属性包括频次属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

5.根据权利要求2所述的方法,其特征在于,所述分类属性包括业务质量属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

6.根据权利要求2所述的方法,其特征在于,所述分类属性包括连接质量属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

7.根据权利要求1所述的方法,其特征在于,所述用户问卷中包括若干个宽带用户对网络质量的评价倾向,所述根据所述用户问卷进行梯度优化,获得与所述用户问卷对应的目标满意度分值,包括:

8.根据权利要求7所述的方法,其特征在于,所述梯度参数包括与所述贬损倾向对应的第一调节参数、与所述中立倾向对应的第二调节参数以及与所述满意倾向对应的第三调节参数,所述根据所述负向理由数量、所述第一倾向数量、所述第二倾向数量、所述第三倾向数量以及所述梯度参数进行分值计算,获得与所述用户问卷对应的目标满意度分值,包括:

9.根据权利要求1至8任一项所述的方法,其特征在于,所述根据所述用户画像数据、所述触点特征集合以及所述目标满意度分值进行模型训练,获得满意度预测模型,包括:

10.一种模型的训练装置,其特征在于,包括:

11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信;

12.一种计算机可读存储介质,其上存储有指令,当由一个或多个处理器执行所述指令时,使得所述处理器执行如权利要求1-9任一项所述的方法。

...

【技术特征摘要】

1.一种模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述对所述泛触点进行特征提取,获得各个所述泛触点对应的触点特征集合,包括:

3.根据权利要求2所述的方法,其特征在于,所述分类属性包括时长属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

4.根据权利要求2所述的方法,其特征在于,所述分类属性包括频次属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

5.根据权利要求2所述的方法,其特征在于,所述分类属性包括业务质量属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

6.根据权利要求2所述的方法,其特征在于,所述分类属性包括连接质量属性,所述按照所述分类属性对所述泛触点进行特征提取,获得所述泛触点在各个所述分类属性下的触点特征数据,包括:

7.根据权利要求1所述的方法,其特征在于,所述用户问卷中包...

【专利技术属性】
技术研发人员:迟景升覃兆亨李哲李锦明肖慧李心茹李忠谕
申请(专利权)人:中国电信股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1