CN108270606A - 业务质量预测方法及业务质量预测装置 - Google Patents
业务质量预测方法及业务质量预测装置 Download PDFInfo
- Publication number
- CN108270606A CN108270606A CN201611270869.3A CN201611270869A CN108270606A CN 108270606 A CN108270606 A CN 108270606A CN 201611270869 A CN201611270869 A CN 201611270869A CN 108270606 A CN108270606 A CN 108270606A
- Authority
- CN
- China
- Prior art keywords
- user
- label
- marked
- quality
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
Abstract
本发明公开了一种业务质量预测方法及业务质量预测装置。该方法包括:对多种用户数据类别进行相关性分析以获得用户特征类别的步骤;在已标注用户集中加入未标注用户生成待预测用户集,基于待预测用户集和获得的用户特征类别构建权值矩阵,其中,已标注用户集包括已标注用户的标签的步骤;对权值矩阵进行仿射变换获得权值矩阵的仿射矩阵,基于仿射矩阵与已标注用户的标签计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量的步骤。
Description
技术领域
本发明属于业务质量预测技术领域,尤其涉及一种业务质量预测方法及业务质量预测装置。
背景技术
用户的满意度是反映各行业营运商所提供服务的业务质量的最重要指标。以移动通信的营运商为例,可以通过问卷调查等方式获取用户的满意度,以作为提高移动营运商通信服务业务质量的依据。然而,就一个中等人口的省份来说,由于用户的数量有几百万甚至几千万,对每个用户做用户调查需要极大的工作量,且非常依赖移动用户的大力配合。同时,一些行业的运营商可以获取收集每个用户的通信性能,流量、投诉、业务偏好、资费情况等用户感知相关的数据,且这些数据与影响用户满意度的业务质量有明确的相关关系。受业务质量影响的用户满意度不仅由客观的用户数据决定,一定程度上还由用户对资费的感受度以及其它主观体验所决定,仅通过客观的用户数据来预测满意度具有一定的难度。
发明内容
本发明实施例提供了一种业务质量预测方法及业务质量预测装置,能够基于少量用户得到的业务质量评估作为已标注用户集,对行业的业务质量进行较为准确的预测。
第一方面,提供了一种业务质量预测方法,包括:对多种用户数据类别进行相关性分析以获得用户特征类别的步骤;在已标注用户集中加入未标注用户生成待预测用户集,基于待预测用户集和获得的用户特征类别构建权值矩阵,其中,已标注用户集包括已标注用户的标签的步骤;对权值矩阵进行仿射变换获得权值矩阵的仿射矩阵,基于仿射矩阵与已标注用户的标签计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量的步骤。
第二方面,提供了一种业务质量预测装置,包括:用户特征类别获取单元、预测矩阵构建单元和预测矩阵计算单元。该用户特征类别获取单元被配置为对多种用户数据类别进行相关性分析以获得用户特征类别;该预测矩阵构建单元被配置为在已标注用户集中加入未标注用户生成待预测用户集,基于待预测用户集和获得的用户特征类别构建权值矩阵,其中,已标注用户集包括已标注用户的标签;该预测矩阵计算单元被配置为对权值矩阵进行仿射变换获得权值矩阵的仿射矩阵,基于仿射矩阵与已标注用户的标签计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量。
根据本发明实施例提供的业务质量预测方法及业务质量预测装置,通过少量用户得到的业务质量评估作为已标注用户集,同时通过对多种用户数据类别进行相关性分析以获得用户特征类别,基于已标注用户集和用户特征类别构建权值矩阵以对需要通过大量未标注用户才能反映的行业的业务质量进行较为准确的预测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例的业务质量预测方法的示意性流程图;
图2是本发明一实施例的业务质量预测方法中用户特征类别获得方法的示意性流程图;
图3是本发明另一实施例的业务质量预测装置的示意性结构框图;
图4是本发明一实施例的业务质量预测装置计算设备实现的示意性结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中,提出了许多具体细节,以便提供对本发明的全面理解。但是,对于本领域技术人员来说很明显的是,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法,而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中,没有示出公知的结构和技术,以便避免对本发明造成不必要的模糊。
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明更全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中,为了清晰,可能夸大了区域和层的厚度。在图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料等。在其它情况下,不详细示出或描述公知结构、材料或者操作以避免模糊本发明的主要技术创意。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1是本发明一实施例的业务质量预测方法的示意性流程图。该方法包括:S110,对多种用户数据类别进行相关性分析以获得用户特征类别;S120,在已标注用户集中加入未标注用户生成待预测用户集,基于待预测用户集和获得的用户特征类别构建权值矩阵,其中,已标注用户集包括已标注用户的标签;S130,对权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于仿射矩阵与已标注用户的标签计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量。上述实施例的业务质量预测方法通过少量用户得到的业务质量评估作为已标注用户集,同时通过对多种用户数据类别进行相关性分析以获得用户特征类别,基于已标注用户集和用户特征类别构建权值矩阵以对需要通过大量未标注用户才能反映的行业的业务质量进行较为准确的预测。
在S110中,在一些示例中,该方法还可以包括对多种用户数据类别的数据进行归一化处理,例如,对多种用户数据类别进行归一化处理以使上述多种用户数据类别的数据都被归一化到了0至1之间。在一些示例中,该方法还可以包括采用激励函数对多种用户数据类别的数据进行处理,例如,在对多种用户数据类别的数据进行归一化到0至1之间后,不同类别用户数据在0~1之间的取值分布差异较大,为了进一步减少选中用户数据类别的数据变化的范围,同时使得在后续的权值矩阵计算中选中的各类别用户数据具有同一水平的贡献,以提高算法的性能,对选中的用户数据类别的用户数据按xi=1-exp(-16xi)做调整,其中,的xi为第i类别的用户数据,以降低不同数据类别的数据在0~1间分布的差异性。
在一些示例中,在S110中,还可以包括分别对多种用户数据类别的可能组合构成的相关性矩阵进行相关性分析,选取相关性最小的用户数据类别的可能组合作为用户特征类别。在一些示例中,该相关性最小的用户数据类别的可能组合为构成的相关性矩阵的能量最大的用户数据类别的可能组合。例如,对有M个用户假设选择了他们的K个用户数据类别,这些用户数据类型可写成如(1)式的矩阵形式:
把式(1)中的元素用K个列矢量X1,…XK来表示。Xk,k=1,2,...,K的定义如式(2)。
Xk=[x1k x2k … xMk]T (2)
求取以Xk的均值mk,让Xk的各个元素减去其均值mk,得到新的矢量Yk,Yk的定义如式(3)。这样可以得到K个列矢量Y1,…,YK
Yk=[x1k-mk x2k-mk … xMk-mk]T (3)
让Yj的转置与Yk相乘,j,k=1,2,...,K,得到一个标量,将相乘的结果放在矩阵的(j,k)的位置,从而得到一个K×K的矩阵V,即
其中,求取V的特征矢量T与特征值E。其中,T是一个K×K的矩阵,E一个K×K的对角矩阵。用T与E相乘得到一个K×K的矩阵Q=T×E。用Q与式(1)中X相乘,计算出X各列元素之间的相关性矩阵C,求取相关性矩阵C中所有元素的能量||C||。
对其它用户数据类别的可能组合得到的X也做上述处理,通过比较各种用户数据类别的可能组合下相关性矩阵的能量,选取能量最大的那种组合作为选中的用户特征类别。现举一个例子来说明采用上述方法判断用户特征类别之间相关性的合理性。
表1中以4个用户的8个用户数据类别为例,表中,包括了4个用户的标签值。这4个用户拥有不同标签值,如果选取用户数据类别x1~x4,则可以得到式(5)中X1矩阵;如果选取特征类型x5~x8,则可以得到(5)式中X2矩阵。
表1:已标注用户的用户数据类别数据
由式(5)可知,X1的每一行数据都是相同的,X1无法体现不同用户的不同满意度值。而X2的每一行数据都是不同的,即X2中的每列数据的相关性更小,更能体现不同用户数据与不同用户的满意度值之间的对应关系。经过对X1与X2相关性计算,得到它们的相关性矩阵分别如(6)式,可知,C2中每个元素的绝对值之和更大,即相关性矩阵的元素的能量更大。由于能量越大相关性越小。可以选取相关性小的那组用户数据类别作为用户特征类别用于计算权值矩阵,即代表业务质量预测模型的图的边。
在S120中,该方法还可以包括对已标注用户集删除任意一个已标注用户,基于做删除处理后的已标注用户集对删除的已标注用户进行标签预测,若预测得到的标签与所述删除的已标注用户的标签的差异度在预设范围内,则将所述已标注用户集更新为做删除处理后的已标注用户集。例如,先选出代表业务质量的用户满意度为0到1之间的所有已标注用户作为初始的参考用户,其中的代表业务质量的用户满意度即为已标注的用户的标签,构成初始的标注用户集合。然后在集合中删除某一个用户,采用剩下的已标注用户来预测被删除用户的满意度值,如果能正确预测,则将已标注用户集合更新为删除了该用户的标注用户集合,否则,标注用户集合可以保持不变。对每一个标注用户做这样的测试,得到最后的标注用户集合,以确定可以作为未标注用户参考的已标注用户集。通过上述方法可以使该已标注用户集中的所有已标注用户,既能准确预测标注用户集合里面用户的标签,但又能保证上述已标注用户集包含的已标注用户的标签集合是非冗余的。
在一些示例中,在S130中还可以包括对权值矩阵进行仿射变换获得权值矩阵的仿射矩阵,基于仿射矩阵与质询矢量计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量,质询矢量基于已标注用户集中的所有已标注用户的标签获得。例如,对于一个新的用户数据,按照表2数据类别提取该用户的用户特征类别。加上N个已标注用户组成的已标注用户集合,可以得到一个N+1个用户构成的新的用户集合。把当前新数据的在用户集合中的编号编为N+1。把这N+1个用户看成是代表业务质量预测模型的图的顶点,计算这N+1个用户之间的边即权值矩阵中的元素,从而得到权值矩阵并构造了带权无向图G(V,E)。其中,G表示图,V表示顶点,E表示边。按照计算任意两个顶点之间的边,其中i与j是顶点的编号也是它们在权值矩阵中的坐标,k是特征的编号,xik表示第i个顶点的第k个特征。σ2为强度系数,其取值范围可以为σ2=10~60。在一些示例中,由于元素自身与自身的距离为零,所以计算出权值矩阵的所有元素后,把权值矩阵对角线上的元素置零用以提高上述方法的计算精度。
在一些示例中,在计算出权值矩阵为W后,可以构造仿射矩阵A,包括:把(N+1)×(N+1)维度的权值矩阵W的每行各个元素相加,得到一个一维列矢量d,从d中取出第N+1个元素记作Duu;从W中取出最后一行的前N元素构成一个矢量记作Wul。从W中取出最后一列的最后一个元素作Wuu。计算(Duu-Wuu)Wul得到仿射矩阵A;将仿射矩阵A与通过上述方法得到的质询矢量y相乘获得Ay,根据Ay获得第N+1个用户的标签。可以每次预测只预测一个用户的标签,然后逐个输入其它未标注用户的用户特征类别数据,得到一系列其它未知标签的未标注用户的标签值。在一些示例中,得到所有的未标注用户的标签值后,可以求取这些标签值的最大值,所有的未标注用户的标签除以这个最大值,已得到未标注用户的标签值归一化到0~1之间的值即为未标注用户的标签。
在一些实施例中,该业务质量预测方法还可以包括当对未标注用户的标签预测数量达到预设值后,将预测得到的未标注用户的标签中的任意一个未标注用户的标签与标准未标注用户的标签进行比较,当任意一个未标注用户的标签与标准未标注用户的标签的差异度不在预设范围内,则将标准未标注用户的标签加入所述已标注用户集。例如,当预测的用户数量大于2000个时,从已预测用户中随机抽取一个用户,采用访问或指标分析等方法人工分析它的标签值记为标准未标注用户的标签,与采用该业务质量预测方法获得的未标注用户的标签值相比,如果相差超出预设范围,则暂停预测,将该标准未标注用户的标签和该用户的用户特征类别的数据加入已标注用户集中,重新开始学习,更新业务质量预测模型。
下面以通信行业的用户数据为例,详细介绍上述业务质量预测方法,表2中包括多种用户数据类别:
表2:用户数据类别
图2是本发明一实施例的业务质量预测方法中用户特征类别获得方法的示意性流程图。如图2所示,对上述18种用户数据类别采用相关性分析的方法进行处理,通过上述方法进行相关性分析后选中的数据类别用√注明,获得的11用户特征类别在表3中给出:
表3:用户特征类别
以10个用户的已标注用户集合为例,在10个用户的已标注用户集合中加入一个未标注用户构成的用户集合在表4中给出:
表4:11个用户的用户集
根据表4所示的用户特征类别,得到用户特征矩阵X,前面10行是标注用户的用户特征,第11行是需要预测标签的用户。
对X按xi=1-exp(-16xi)做取值范围调整处理,得到:
按照计算这11个用户的两两之间的边,得到一个11×11的权值矩阵W,其中W={Eij}。其中,W中的元素为了显示的方便,只取了小数点后4位,因此,取值为0.0000并不表示它的真实值一定为0值。
将每行相加得到列矢量d
d≈[0.0042 0.0001 0.0 0.0024 0.0003 0.0 0.0004 0.0025 0.0169 0.00010.017]T
取d的最后一个元素,记作duu=0.0170。取W的最后一个元素记作Wuu=0。求取d-Wuu的倒数等于58.7837。提取W最后一行的前10个元素,即:
Wul≈[0.0009 0.0 0.0001 0.0001 0.0255 0 0.011 0.0 1.6635 0.0]×10-2
则d-Wuu的倒数58.7837与Wul相乘得到仿射矩阵A:
A=[0.0005 0.0 0.0001 0.0001 0.0150 0.0 0.0064 0.0 0.9779 0.0]
提取前10个用户的满意度作为质询矢量y
y=[1.0 0.8 0.9 0.8 0.5 0.4 0.8 1.0 0.6 0.5]T
计算AyT=0.6,即为第11个用户的标签为0.6,可以认为结合已标注用户的用户特征类别的数据和标签值,可以得到未标注用户11的标签值为0.6,该标签值能够反映上述通信行业的业务质量。上述方法不限于用于在对通信行业的业务质量进行预测,也可以对各个行业的净促进者得分NPS(Net Promoter Score)进行预测。
上文中结合图1和图2,详细描述了根据本发明实施例的业务质量预测方法,下面将结合图3和图4,详细描述根据本发明实施例的业务质量预测装置。
图3是本发明另一实施例的业务质量预测装置的示意性结构框图。如图3所示,该业务质量预测装置300包括用户特征类别获取单元310、预测矩阵构建单元320和预测矩阵计算单元330。该用户特征类别获取单元310被配置为对多种用户数据类别进行相关性分析以获得用户特征类别;该预测矩阵构建单元320被配置为在已标注用户集中加入未标注用户生成待预测用户集,基于待预测用户集和获得的用户特征类别构建权值矩阵,其中,已标注用户集包括已标注用户的标签;该预测矩阵计算单元330被配置为对权值矩阵进行仿射变换获得权值矩阵的仿射矩阵,基于仿射矩阵与已标注用户的标签计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量。上述实施例的业务质量预测装置通过少量用户得到的业务质量评估作为已标注用户集,同时通过对多种用户数据类别进行相关性分析以获得用户特征类别,基于已标注用户集和用户特征类别构建权值矩阵以对需要通过大量未标注用户才能反映的行业的业务质量进行较为准确的预测。
在一些实施例中,该用户特征类别获取单元310还可以被配置为对多种用户数据类别的数据进行归一化处理。
在一些实施例中,该用户特征类别获取单元310还可以被配置为采用激励函数对多种用户数据类别的数据进行处理。
在一些实施例中,该用户特征类别获取单元310还可以被配置为分别对多种用户数据类别的可能组合构成的相关性矩阵进行相关性分析,选取相关性最小的用户数据类别的可能组合作为用户特征类别。在一些示例中,该相关性最小的用户数据类别的可能组合为构成的相关性矩阵的能量最大的用户数据类别的可能组合。
在一些实施例中,该装置300还可以包括已标注用户集筛除单元,被配置为对已标注用户集删除任意一个已标注用户,基于做删除处理后的已标注用户集对删除的已标注用户进行标签预测,若预测得到的标签与删除的已标注用户的标签的差异度在预设范围内,则将已标注用户集更新为做删除处理后的已标注用户集。
在一些实施例中,该预测矩阵计算单元330还可以被配置为对权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于仿射矩阵与质询矢量计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量,质询矢量基于已标注用户集中的所有已标注用户的标签获得。
在一些实施例中,该预测矩阵计算单元330还可以被配置为将所述权值矩阵的对角线上的元素置零。
在一些示例中,该装置300还可以包括迭代优化单元,被配置为当对未标注用户的标签预测数量达到预设值后,将预测得到的未标注用户的标签中的任意一个未标注用户的标签与标准未标注用户的标签进行比较,当任意一个未标注用户的标签与标准未标注用户的标签的差异度不在预设范围内,则将标准未标注用户的标签加入已标注用户集。
根据本发明实施例的业务质量预测装置300可对应于根据本发明实施例的业务质量预测方法中的执行主体,并且业务质量预测装置300中的各个单元的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程,为了简洁,在此不再赘述。
图4是本发明一实施例的业务质量预测装置计算设备实现的示意性结构框图。如图4所示,结合图3描述的业务质量预测装置至少一部分可以由计算设备400实现,可以包括存储器404、处理器403和总线410;该存储器404和处理器403通过总线410连接并完成相互间的通信;该存储器504用于存储程序代码;该处理器430通过读取存储器404中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于执行如图1所示的视觉跟踪方法。在一些示例中,该计算设备400还可以包括输入设备401、输入端口402、输出端口405、以及输出设备406。其中,输入端口402、处理器403、存储器404、以及输出端口405通过总线410相互连接,输入设备401和输出设备406分别通过输入端口402和输出端口405与总线410连接,进而与计算设备400的其他组件连接。需要说明的是,这里的输出端口405和输入端口402也可以用I/O接口表示。具体地,输入设备401接收来自外部的输入信息,并通过输入端口402将输入信息传送到处理器403;处理器403基于存储器404中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器404中,然后通过输出端口405将输出信息传送到输出设备406;输出设备406将输出信息输出到计算设备400的外部。
上述存储器404包括用于数据或指令的大容量存储器。举例来说而非限制,存储器404可包括HDD、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在计算设备400的内部或外部。在特定实施例中,存储器404是非易失性固态存储器。在特定实施例中,存储器404包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
总线410包括硬件、软件或两者,将计算设备400的部件彼此耦接在一起。举例来说而非限制,总线410可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线410。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
当通过图4所示的计算设备400实现结合图3描述的业务质量预测装置时,输入设备401接收多种用户数据类别、已标注用户集和未标注用户,在特定实施例中,与输出设备相连的I/O接口可以包括硬件、软件或两者,提供用于在计算设备400与一个或多个I/O设备之间的通信的一个或多个接口。在合适的情况下,计算设备400可包括一个或多个这些I/O设备。一个或多个这些I/O设备可允许人和计算设备400之间的通信。举例来说而非限制,I/O设备可包括键盘、小键盘、麦克风、监视器、鼠标、打印机、扫描仪、扬声器、静态照相机、触针、手写板、触摸屏、轨迹球、视频摄像机、另一合适的I/O设备或者两个或更多个以上这些的组合。I/O设备可包括一个或多个传感器。本发明实施例考虑用于它们的任何合适的I/O设备和任何合适的I/O接口。在合适的情况下,I/O接口可包括一个或多个装置或能够允许处理器403驱动一个或多个这些I/O设备的软件驱动器。在合适的情况下,I/O接口可包括一个或多个I/O接口。尽管本发明实施例描述和示出了特定的I/O接口,但本发明实施例考虑任何合适的I/O接口。该处理器403基于存储器404中存储的可执行程序代码,对多种用户数据类别进行相关性分析以获得用户特征类别;在已标注用户集中加入未标注用户生成待预测用户集,基于待预测用户集和获得的用户特征类别构建权值矩阵,其中,已标注用户集包括已标注用户的标签;对权值矩阵进行仿射变换获得权值矩阵的仿射矩阵,基于仿射矩阵与已标注用户的标签计算得到所加入的未标注用户的标签,其中,标签能够反映业务质量。随后在需要经由输出端口405和输出设备406将包含作为业务质量未标注用户的标签输出。
在合适的情况下,可执行程序代码可包括一个或多个基于半导体的或其他集成电路(IC)(例如,诸如现场可编程门阵列(FPGA)或专用IC(ASIC))、硬盘驱动器(HDD)、混合硬盘驱动器(HHD)、光盘、光盘驱动器(ODD)、磁光盘、磁光盘驱动器、软盘、软盘驱动器(FDD)、磁带、全息存储介质、固态驱动器(SSD)、RAM驱动器、安全数字卡或驱动或其他合适的计算机可读非临时性存储介质或者两个或更多个以上这些的组合。
需要明确,本发明并不局限于上文所描述并在图中示出的特定配置和处理。并且,为了简明起见,这里省略对已知方法技术的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后作出各种改变、修改和添加,或者改变步骤之间的顺序。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (18)
1.一种业务质量预测方法,其特征在于,包括:
对多种用户数据类别进行相关性分析以获得用户特征类别;
在已标注用户集中加入未标注用户生成待预测用户集,基于所述待预测用户集和获得的用户特征类别构建权值矩阵,其中,所述已标注用户集包括已标注用户的标签;
对所述权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于所述仿射矩阵与所述已标注用户的标签计算得到所加入的未标注用户的标签,其中,所述标签能够反映业务质量。
2.根据权利要求1所述的业务质量预测方法,其特征在于,还包括:对所述多种用户数据类别的数据进行归一化处理。
3.根据权利要求1或2所述的业务质量预测方法,其特征在于,还包括:采用激励函数对所述多种用户数据类别的数据进行处理。
4.根据权利要求1或2所述的业务质量预测方法,其特征在于,所述对多种用户数据类别进行相关性分析以获得用户特征类别的步骤包括:分别对多种用户数据类别的可能组合构成的相关性矩阵进行相关性分析,选取相关性最小的用户数据类别的可能组合作为用户特征类别。
5.根据权利要求4所述的业务质量预测方法,其特征在于,所述相关性最小的用户数据类别的可能组合为构成的相关性矩阵的能量最大的用户数据类别的可能组合。
6.根据权利要求1所述的业务质量预测方法,其特征在于,还包括:对所述已标注用户集删除任意一个已标注用户,基于做删除处理后的已标注用户集对删除的已标注用户进行标签预测,若预测得到的标签与所述删除的已标注用户的标签的差异度在预设范围内,则将所述已标注用户集更新为做删除处理后的已标注用户集。
7.根据权利要求1所述的业务质量预测方法,其特征在于,所述对所述权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于所述仿射矩阵与所述已标注用户的标签计算得到所加入的未标注用户的标签,其中,所述标签能够反映业务质量的步骤包括:对所述权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于所述仿射矩阵与质询矢量计算得到所加入的未标注用户的标签,其中,所述标签能够反映业务质量,所述质询矢量基于所述已标注用户集中的所有已标注用户的标签获得。
8.根据权利要求1所述的业务质量预测方法,其特征在于,所述对所述权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于所述仿射矩阵与所述已标注用户的标签计算得到所加入的未标注用户的标签,其中,所述标签能够反映业务质量的步骤包括:将所述权值矩阵的对角线上的元素置零。
9.根据权利要求1所述的业务质量预测方法,其特征在于,还包括:
当对未标注用户的标签预测数量达到预设值后,将预测得到的未标注用户的标签中的任意一个未标注用户的标签与标准未标注用户的标签进行比较,当所述任意一个未标注用户的标签与标准未标注用户的标签的差异度不在预设范围内,则将所述标准未标注用户的标签加入所述已标注用户集。
10.一种业务质量预测装置,其特征在于,包括:
用户特征类别获取单元,被配置为对多种用户数据类别进行相关性分析以获得用户特征类别;
预测矩阵构建单元,被配置为在已标注用户集中加入未标注用户生成待预测用户集,基于所述待预测用户集和获得的用户特征类别构建权值矩阵,其中,所述已标注用户集包括已标注用户的标签;
预测矩阵计算单元,被配置为对所述权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于所述仿射矩阵与所述已标注用户的标签计算得到所加入的未标注用户的标签,其中,所述标签能够反映业务质量。
11.根据权利要求10所述的业务质量预测装置,其特征在于,所述用户特征类别获取单元还被配置为对所述多种用户数据类别的数据进行归一化处理。
12.根据权利要求10或11所述的业务质量预测装置,其特征在于,所述用户特征类别获取单元还被配置为采用激励函数对所述多种用户数据类别的数据进行处理。
13.根据权利要求10或11所述的业务质量预测装置,其特征在于,所述用户特征类别获取单元还被配置为分别对多种用户数据类别的可能组合构成的相关性矩阵进行相关性分析,选取相关性最小的用户数据类别的可能组合作为用户特征类别。
14.根据权利要求13所述的业务质量预测装置,其特征在于,所述相关性最小的用户数据类别的可能组合为构成的相关性矩阵的能量最大的用户数据类别的可能组合。
15.根据权利要求10所述的业务质量预测装置,其特征在于,还包括已标注用户集筛除单元,被配置为对所述已标注用户集删除任意一个已标注用户,基于做删除处理后的已标注用户集对删除的已标注用户进行标签预测,若预测得到的标签与所述删除的已标注用户的标签的差异度在预设范围内,则将所述已标注用户集更新为做删除处理后的已标注用户集。
16.根据权利要求10所述的业务质量预测装置,其特征在于,所述预测矩阵计算单元还被配置为对所述权值矩阵进行仿射变换获得所述权值矩阵的仿射矩阵,基于所述仿射矩阵与质询矢量计算得到所加入的未标注用户的标签,其中,所述标签能够反映业务质量,所述质询矢量基于所述已标注用户集中的所有已标注用户的标签获得。
17.根据权利要求10所述的业务质量预测装置,其特征在于,所述预测矩阵计算单元还被配置为将所述权值矩阵的对角线上的元素置零。
18.根据权利要求10所述的业务质量预测装置,其特征在于,还包括迭代优化单元,被配置为当对未标注用户的标签预测数量达到预设值后,将预测得到的未标注用户的标签中的任意一个未标注用户的标签与标准未标注用户的标签进行比较,当所述任意一个未标注用户的标签与标准未标注用户的标签的差异度不在预设范围内,则将所述标准未标注用户的标签加入所述已标注用户集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270869.3A CN108270606B (zh) | 2016-12-31 | 2016-12-31 | 业务质量预测方法及业务质量预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270869.3A CN108270606B (zh) | 2016-12-31 | 2016-12-31 | 业务质量预测方法及业务质量预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108270606A true CN108270606A (zh) | 2018-07-10 |
CN108270606B CN108270606B (zh) | 2021-06-04 |
Family
ID=62770577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611270869.3A Active CN108270606B (zh) | 2016-12-31 | 2016-12-31 | 业务质量预测方法及业务质量预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108270606B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188847A (zh) * | 2007-11-28 | 2008-05-28 | 中讯邮电咨询设计院 | 基于人工神经网络的移动通信业务用户体验评估方法 |
CN102904755A (zh) * | 2012-09-27 | 2013-01-30 | 北京邮电大学 | 一种移动互联网业务用户体验质量测量方法和装置 |
CN103019860A (zh) * | 2012-12-05 | 2013-04-03 | 北京奇虎科技有限公司 | 基于协同过滤的处理方法和系统 |
CN103688240A (zh) * | 2011-05-20 | 2014-03-26 | 梦芯片技术股份有限公司 | 用于发送数字场景描述数据的方法以及发送器和接收器场景处理设备 |
CN105631535A (zh) * | 2015-12-17 | 2016-06-01 | 东软集团股份有限公司 | 一种评分数据预测方法及装置 |
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
-
2016
- 2016-12-31 CN CN201611270869.3A patent/CN108270606B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188847A (zh) * | 2007-11-28 | 2008-05-28 | 中讯邮电咨询设计院 | 基于人工神经网络的移动通信业务用户体验评估方法 |
CN103688240A (zh) * | 2011-05-20 | 2014-03-26 | 梦芯片技术股份有限公司 | 用于发送数字场景描述数据的方法以及发送器和接收器场景处理设备 |
CN102904755A (zh) * | 2012-09-27 | 2013-01-30 | 北京邮电大学 | 一种移动互联网业务用户体验质量测量方法和装置 |
CN103019860A (zh) * | 2012-12-05 | 2013-04-03 | 北京奇虎科技有限公司 | 基于协同过滤的处理方法和系统 |
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN105631535A (zh) * | 2015-12-17 | 2016-06-01 | 东软集团股份有限公司 | 一种评分数据预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
YING BAO等: "QoE Collaborative Evaluation Method Based on Fuzzy Clustering Heuristic Algorithm", 《SPRINGERPLUS》 * |
李文旺: "基于QoE的移动通信网络服务质量评价方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108270606B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
CN109993412A (zh) | 风险评估模型的构建方法及装置、存储介质、计算机设备 | |
CN108133013A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN109784959B (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
CN108182634A (zh) | 一种借贷预测模型的训练方法、借贷预测方法和装置 | |
US20150242793A1 (en) | Systems and methods for auto-optimization of gamification mechanics for workforce motivation | |
Saeed et al. | Impact of performance appraisal on employees motivation in Islamic Banking | |
CN109345130A (zh) | 商业选址的方法、装置、计算机设备及存储介质 | |
CN107578270A (zh) | 一种金融标签的构建方法、装置及计算设备 | |
CN109658188A (zh) | 基于大数据分析的房源推荐方法、装置、设备及存储介质 | |
CN108090570A (zh) | 用于选择机器学习样本的特征的方法及系统 | |
CN105894028A (zh) | 用户识别方法和装置 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN107622007A (zh) | 应用测试方法和装置 | |
CN106022511A (zh) | 信息预测方法和装置 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN114004691A (zh) | 基于融合算法的额度评分方法、装置、设备及存储介质 | |
CN111553685B (zh) | 确定交易路由通道的方法、装置、电子设备和存储介质 | |
CN111768230A (zh) | 客户画像系统的标签推荐方法、装置及计算机设备 | |
CN113033912A (zh) | 问题解决人推荐方法及装置 | |
CN108270606A (zh) | 业务质量预测方法及业务质量预测装置 | |
Ndekwa et al. | Adoption of mobile money services among university students in Tanzania | |
CN114944219A (zh) | 基于人工智能的心理量表推荐方法及装置、存储介质 | |
CN112581250B (zh) | 模型生成方法、装置、计算机设备和存储介质 | |
Kwon et al. | Better practice prediction using neural networks: an application to the smartphone industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |