CN109548036B - 一种移动网络潜在投诉用户预测方法和装置 - Google Patents
一种移动网络潜在投诉用户预测方法和装置 Download PDFInfo
- Publication number
- CN109548036B CN109548036B CN201710864956.XA CN201710864956A CN109548036B CN 109548036 B CN109548036 B CN 109548036B CN 201710864956 A CN201710864956 A CN 201710864956A CN 109548036 B CN109548036 B CN 109548036B
- Authority
- CN
- China
- Prior art keywords
- complaint
- user
- users
- sample
- influence dimension
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 165
- 238000003066 decision tree Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 239000012468 concentrated sample Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 87
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000011664 signaling Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例提供一种移动网络潜在投诉用户预测方法和装置，所述方法包括：针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率；根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将用户划分到对应的分组中，分组映射表中存储有各分组各自对应的组合概率区间；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。应用本发明实施例提供的方案，能够预测潜在投诉用户以支持在投诉发生前进行前置处理，提高处理效率和用户体验。
Description
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种移动网络潜在投诉用户预测方法和装置。
背景技术
以移动数据业务为主要承载对象的LTE(Long Term Evolution，长期演进)网络已成为基础通信的重要支撑；同时，与传统的CS(Circuit Switched，电路交换)域存在明显差异的是，移动数据业务影响用户感知的主要因素已经不是信令面异常，更多的表现为数据业务低速率问题。这主要是由于信令面指标恶化的发生概率降低，同时数据业务对于信令面异常较语音类不敏感。
通常而言，客服部接到低速率问题投诉后，目前主要的处理手段是：1.客服人员与用户沟通，尝试复位应用和手机，若无法恢复，则核对是否在已知弱覆盖区域内，若无法关联，则转交给网络部门；2.网络维护部门排查设备告警、信令异常等因素，若无法定位，需要联系用户至投诉区域进行问题复现；现场测试一般耗时长、成本高，且大量问题复现难度大，需要多次反复测试。
然而，当前数据业务低速率问题投诉处理主要缺点是：事后处理。由于投诉用户一般不具有事后准确描述问题的能力，客服人员对于复杂问题也很难通过电话进行引导；进一步，即使事后远程分析，网管平台可提供的远程辅助定位能力包括粗略的位置、大体的网络覆盖水平、使用的业务大类等信息，但指标的阈值多为业务经验值，对于个体用户的分析难度也非常高(主要是个体用户投诉倾向存在差异)。
因此，上述问题综合造成了现有对数据业务的低速率投诉问题较难有效处理，用户体验不佳。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种移动网络潜在投诉用户预测方法和装置，能够预测潜在投诉用户以支持在投诉发生前进行前置处理，提高处理效率和用户体验。
第一方面，本发明实施例提供了一种移动网络潜在投诉用户预测方法，包括：
针对预测周期内所述移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和所述用户在各投诉影响维度上的指标数据，确定所述用户在各投诉影响维度上的投诉概率；
根据所述用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将所述用户划分到对应的分组中，所述分组映射表中存储有各分组各自对应的组合概率区间；
根据所述分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为所述预测周期内潜在的投诉用户。
第二方面，本发明实施例还提供了一种一种移动网络潜在投诉用户预测装置，包括：
概率计算模块，用于针对预测周期内所述移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和所述用户在各投诉影响维度上的指标数据，确定所述用户在各投诉影响维度上的投诉概率；
用户分组模块，用于根据所述用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将所述用户划分到对应的分组中，所述分组映射表中存储有所述分组对应的组合概率区间；
用户预测模块，用于根据所述分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为所述预测周期内潜在的投诉用户。
第三方面，本发明实施例还提供了一种电子设备，包括处理器、存储器和总线，其中：
所述处理器，所述存储器通过总线完成相互间的通信；
所述处理器可以调用存储器中的计算机程序，以执行上述第一方面实施例提供的所述移动网络潜在投诉用户预测方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面实施例提供的所述移动网络潜在投诉用户预测方法的步骤。
本发明实施例提供的移动网络潜在投诉用户预测方法和装置中，提出针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率；根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将各用户划分到对应的分组中；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。相比现有事后处理投诉的方案，本发明实施例提供移动网络潜在投诉用户预测方案可以支持事前处理投诉，可提高处理效率和用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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示出了根据本发明一个实施例的移动网络潜在投诉用户预测方法的示例性流程图；
图2示出了根据本发明一个实施例的应用于低速投诉问题的移动网络潜在投诉用户预测方法的示例性流程图；
图3示出了根据本发明一个实施例的移动网络潜在投诉用户预测装置的结构示意图；
图4示出了根据本发明一个实施例的电子设备的实体结构示意图。
具体实施方式
以下将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本申请使用的“模块”、“装置”等术语旨在包括与计算机相关的实体，例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如，模块可以是，但并不仅限于：处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说，计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内，一个模块也可以位于一台计算机上和/或分布于两台或更多台计算机之间。
鉴于现有技术的缺陷，本发明实施例提供了一种移动网络潜在投诉用户预测方案，可以将问题处理前置至投诉发生前，预先针对不同的移动网络投诉问题设置不同的投诉影响维度；在进行某一移动网络投诉问题的潜在投诉用户预测时，根据样本用户在不同的投诉影响维度上的指标数据训练不同投诉影响维度对应的投诉模型；并基于样本用户在不同投诉影响维度上的投诉概率，将样本用户分布到对应的分组中，并根据样本用户中的样本投诉用户的分布，得到各分组的投诉准确率。
这样，针对预测周期内移动网络中的每个用户，可以根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率；根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将各用户划分到对应的分组中；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。相比现有事后处理投诉的方案，本发明实施例提供移动网络潜在投诉用户预测方案可以支持事前处理投诉，可提高处理效率和用户体验。
下面结合附图详细说明本发明的技术方案。
参考图1，其示出了根据本发明一个实施例的移动网络潜在投诉用户预测方法的示例性流程图。
如图1所示，本发明一个实施例的移动网络潜在投诉用户预测方法，可以包括如下步骤：
S110：针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率。
本发明实施例中，针对不同的移动网络投诉问题，可以设置不同的投诉影响维度。例如，对于低速投诉问题，设置的投诉影响维度可以包括但不限于：网络低速投诉影响维度、用户投诉倾向投诉影响维度。对于业务异常投诉问题，设置的投诉影响维度可以包括但不限于：网络业务投诉影响维度、用户投诉倾向投诉影响维度。
实际应用中，在网络低速投诉影响维度上的指标数据可以为网络指标数据，在用户投诉倾向投诉影响维度上的指标数据可以为用户指标数据。在网络低速投诉影响维度上的投诉模型可以为网络低速投诉模型，在用户投诉倾向投诉影响维度上的投诉模型可以为用户投诉倾向投诉模型。在网络低速投诉影响维度上的投诉概率可以为网络低速投诉概率，在用户投诉倾向投诉影响维度上的投诉概率可以为用户投诉倾向投诉概率。
本发明实施例中，各投诉影响维度对应的投诉模型是预先构建的。具体地，可以获取样本用户集，样本用户集中包括样本用户在各投诉影响维度上的指标数据，样本用户划分为：样本投诉用户和样本未投诉用户。接着，针对每个投诉影响维度，采用预设的决策树算法，根据样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，生成对应的决策树模型，并作为该投诉影响维度对应的投诉模型。输入待测的用户在该投诉影响维度上的指标数据的情况下，该投诉影响维度对应的投诉模型可以输出用户在该投诉影响维度上的投诉概率。
更优地，可以将样本用户集按照设定比例分为训练集和测试集，通过测试集来对基于训练集生成的投诉模型进行调整，以此提高投诉模型的预测准确率。
更优地，本发明实施例中，考虑在移动网络中样本投诉用户所占比例较小，为了提高样本投诉用户浓度从而提高投诉模型的预测准确率，可以根据样本用户集中样本用户的指标数据，对样本用户集进行预处理，以剔除不满足预设的指标阈值条件的样本用户。
实际应用中，对于低速投诉问题，考虑用户的低速率问题投诉率大约在万分之二以下，样本投诉用户浓度较低，因此，可以设置对应的指标阈值条件，以提高样本投诉用户浓度。其中，指标阈值条件可以包括如下至少一项：低速业务次数阈值条件、日均RTT(Round-Trip Time，往返时延)会话时延阈值条件、日均访问次数阈值条件。比如，指标阈值条件可以具体为：低速业务次数占比大于0.2，且日均RTT会话时延大于200ms，且日均访问次数大于100次。关于低速业务可以根据本领域技术人员常用的技术手段来进行识别。将不满足预设的指标阈值条件的样本用户从样本用户集中剔除，样本用户集中的样本用户满足上述指标阈值条件。
更优地，为了提高样本用户集的质量，可以对样本用户集中的指标数据进行数据探索，以剔除异常指标数据。其中，数据探索可以包括如下至少一项：缺失值比例分析、标准差分析、最小变异系数分析。
S120：根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将用户划分到对应的分组中。
其中，分组映射表中存储有各分组各自对应的组合概率区间，组合概率区间为不同投诉影响维度下的概率区间的组合。
本发明实施例中，可以针对每个用户，判断该用户在各投诉影响维度上的投诉概率所处的组合概率区间，将该用户划分到与该组合概率区间对应的分组中。
本发明实施例中，分组映射表是基于样本用户集预先构建的。
具体地，可以根据各投诉影响维度下预先划分的概率区间之间的不同组合，形成多个组合概率区间；且每个组合概率区间对应一个分组。
本发明实施例中，分组映射表中还存储有各分组各自对应的投诉准确率。其中，各分组各自对应的投诉准确率根据如下方式确定：
针对样本用户集中的每个样本用户，可以根据各投诉影响维度对应的投诉模型和该样本用户在各投诉影响维度上的指标数据，计算出该样本用户在各投诉影响维度上的投诉概率；继而，根据该样本用户在各投诉影响维度上的投诉概率所处的组合概率区间，将该样本用户划分到对应的分组；接着，针对每个分组，根据该分组内样本用户的总数、样本投诉用户的总数，计算该分组的投诉发生概率，即样本投诉用户在该分组内的样本用户中的占比，并将计算出的投诉发生概率作为该分组对应的投诉准确率。
本发明实施例中，对于分组映射表中各分组对应的投诉准确率可以按照设定周期进行更新或采用已有投诉结果的若干天滑动平均值更新。
S130：根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
本发明实施例中，在步骤S120对预测周期内移动网络中所有用户都划分到对应的分组之后，可以根据预设的限制条件和分组映射表中各分组各自对应的投诉准确率，筛选出潜在投诉用户所在的分组，即筛选出满足该限制条件的分组。继而，将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
具体地，在限制条件具体为潜在的投诉用户的最大处理规模时，可以根据如下方式筛选出潜在投诉用户所在的分组：
若投诉准确率最高的前k个分组的用户总数小于或等于最大处理规模，且投诉准确率最高的前k+1个分组的用户总数大于最大处理规模，则将投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。实际应用中，潜在的投诉用户的最大处理规模小于预测周期内的用户总数。
可选地，若投诉准确率最高的前k个分组的用户总数小于最大处理规模，且投诉准确率最高的前k+1个分组的用户总数大于最大处理规模时，可以计算最大处理规模与投诉准确率最高的前k个分组的用户总数之间的差值；按照从高到低的顺序，从投诉准确率最高的第k+1个分组(即排序为k+1的分组)中选取指定数量的用户作为预测周期内潜在的投诉用户，指定数量等于最大处理规模与投诉准确率最高的前k个分组的用户总数之间的差值。
本发明实施例中，在限制条件具体为潜在的投诉用户的最低准确率时，可以根据如下方式筛选出潜在投诉用户所在的分组：
针对每个分组，若分组映射表中该分组对应的投诉准确率高于最低准确率，则可以确定该分组为满足预设的限制条件的分组。
或者，可以根据如下方式筛选出潜在投诉用户所在的分组：
针对每个分组，将该分组包括的用户总数作为该分组对应的权值；根据各分组对应的权值和分组映射表中各分组对应的投诉准确率，计算投诉准确率最高的前k个分组的准确率加权平均值；若投诉准确率最高的前k个分组的准确率加权平均值高于或等于最低准确率，且投诉准确率最高的前k+1个分组的准确率加权平均值低于最低准确率，则将投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。
从上面描述可以看出，在本发明实施例提供的移动网络潜在投诉用户预测方法中，针对现有投诉事后处理导致处理效率低用户体验差的问题，提出问题处理前置至投诉发生前，针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率；根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将用户划分到对应的分组中，分组映射表中存储有分组对应的组合概率区间；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。相比现有事后处理投诉的方案，本发明实施例提供移动网络潜在投诉用户预测方案可以支持事前处理投诉，有助于提高投诉处理效率和用户体验。
在图1所示实施例提供的移动网络潜在投诉用户预测方法的基础上，本发明实施例还提供了一种应用于低速投诉问题的移动网络潜在投诉用户预测方法。
参考图2，其示出了根据本发明一个实施例的应用于低速投诉问题的移动网络潜在投诉用户预测方法的示例性流程图。
如图2所示，本发明实施例提供的应用于低速投诉问题的移动网络潜在投诉用户预测方法，可以包括如下步骤：
S210：针对预测周期内移动网络中的每个用户，根据预设的网络低速投诉模型和用户的网络指标数据，确定用户的网络低速投诉概率；根据预设的用户投诉倾向投诉模型和用户的用户指标数据确定用户的用户投诉倾向投诉概率。
本发明实施例中，考虑用户对于低速问题的投诉主要是网络业务速率的恶化程度和用户投诉倾向两方面共同作用下发生的。而这两方面影响因素的周期不同、且关联性小。因此，为了简化模型训练的复杂度，提高模型训练的准确度，针对低速投诉问题，可设置两个投诉影响维度：网络低速投诉影响维度、用户投诉倾向投诉影响维度。
相应地，在网络低速投诉影响维度上的指标数据可以为网络指标数据，例如，小区下行丢包数、附着请求失败次数占比、RTT时延、DNS查询时延占比、HTTP会话失败次数等。在用户投诉倾向投诉影响维度上的指标数据可以为用户指标数据，例如，是否流量投诉用户、主叫次数占比、近三个月投诉标识、月请求客服服务次数、月接入客服服务次数、游戏类APP访问次数、年龄、终端模式、CPU核数等。
在网络低速投诉影响维度上的投诉模型可以为网络低速投诉模型M1，在用户投诉倾向投诉影响维度上的投诉模型可以为用户投诉倾向投诉模型M2。在网络低速投诉影响维度上的投诉概率可以为网络低速投诉概率，在用户投诉倾向投诉影响维度上的投诉概率可以为用户投诉倾向投诉概率。
其中，网络低速投诉模型M1可以根据如下方式构建：
获取样本用户集，样本用户集中包括样本用户的网络指标数据，样本用户划分为：样本投诉用户和样本未投诉用户。采用预设的决策树算法，根据样本用户集中样本投诉用户和样本未投诉用户各自的网络指标数据，生成对应的决策树模型，并作为网络低速投诉模型M1。实际应用中，样本用户集按照设定比例(比如，7:3，或8:2等)分为训练集和测试集。采用决策树算法，基于网络指标数据中各指标的信息增益选择节点，通过不断的调整剪枝容错训练得到最优的网络低速投诉模型M1。其中，在模型训练过程中，可以得到网络低速投诉模型M1中涉及的若干个显著变量、若干个决策规则。基于该网络低速投诉模型M1，可计算得到各样本用户的网络低速投诉概率Pnet。
用户投诉倾向投诉模型M2可以根据如下方式构建：
获取样本用户集，样本用户集中包括样本用户的用户指标数据，样本用户划分为：样本投诉用户和样本未投诉用户。采用预设的决策树算法，根据样本用户集中样本投诉用户和样本未投诉用户各自的用户指标数据，生成对应的决策树模型，并作为用户投诉倾向投诉模型M2。
实际应用中，样本用户集按照设定比例(比如，7:3，或8:2等)分为训练集和测试集。采用决策树算法，基于用户指标数据中各指标的信息增益选择节点，通过不断的调整剪枝容错训练得到最优的用户投诉倾向投诉模型M2。其中，在模型训练过程中，可以得到用户投诉倾向投诉模型M2中涉及的若干个显著变量、若干个决策规则。基于用户投诉倾向投诉模型M2，可计算得到各样本用户的用户投诉倾向投诉概率Pcus。
更优地，为了提高样本投诉用户浓度，可以设置对应的指标阈值条件。根据样本用户集中样本用户的指标数据，对样本用户集进行预处理，以剔除不满足预设的指标阈值条件的样本用户。其中，指标阈值条件可以包括如下至少一项：低速业务次数阈值条件、日均RTT(Round-Trip Time，往返时延)会话时延阈值条件、日均访问次数阈值条件。例如，指标阈值条件可以具体为：低速业务次数占比大于0.2，且日均RTT会话时延大于200ms，且日均访问次数大于100次。实际应用中，若某一业务的业务平均速率低于同页面大小区间(比如100K-200K)全网平均速率的70％，则可以判定该业务为低速业务。本发明实施例中，可以将保留满足上述指标阈值条件的样本用户的样本用户集称为业务低速用户集。
更优地，为了提高样本用户集的质量，可以对样本用户集中的指标数据进行数据探索，以剔除异常指标数据。其中，数据探索可以包括如下至少一项：缺失值比例分析、标准差分析、最小变异系数分析。
S220：根据用户的网络低速投诉概率和用户投诉倾向投诉概率，以及预设的分组映射表，将用户划分到对应的分组中。
本发明实施例中，分组映射表中存储有各分组各自对应的组合概率区间，组合概率区间由网络低速投诉影响维度下的概率区间和用户投诉倾向投诉影响维度下的概率区间组合形成。
这样，在根据步骤S210得到用户的网络低速投诉概率和用户投诉倾向投诉概率后，可以判断用户的网络低速投诉概率和用户投诉倾向投诉概率所处的组合概率区间，将该用户划分到与该组合概率区间对应的分组中。
本发明实施例中，分组映射表是基于样本用户集预先构建的。具体的地，可以根据第一预设划分精度，将概率区间[0,1]划分为R个网络低速投诉影响维度下的概率区间；根据第二预设划分精度，将概率区间[0,1]划分为Q个用户投诉倾向投诉影响维度下的概率区间；根据R个网络低速投诉影响维度下的概率区间和Q个用户投诉倾向投诉影响维度下的概率区间之间的不同组合，可形成R×Q个组合概率区间，每个组合概率区间对应一个分组，并存储于分组映射表，R、Q为自然数。
例如，在第一预设划分精度、第二预设划分精度均为10等分的情况下，如表1所示，R取值为10，10个网络低速投诉影响维度下的概率区间具体为：[0，0.1]、[0.1，0.2]、[0.2，0.3]、[0.3，0.4]、[0.4，0.5]、[0.5，0.6]、[0.6，0.7]、[0.7，0.8]、[0.8，0.9]、[0.9，1.0]，分别用如下标记代表：Pnet_0.1、Pnet_0.2、Pnet_0.3、Pnet_0.4、Pnet_0.5、Pnet_0.6、Pnet_0.7、Pnet_0.8、Pnet_0.9、Pnet_1.0；Q取值为10，10个用户投诉倾向投诉影响维度下的概率区间具体为：[0，0.1]、[0.1，0.2]、[0.2，0.3]、[0.3，0.4]、[0.4，0.5]、[0.5，0.6]、[0.6，0.7]、[0.7，0.8]、[0.8，0.9]、[0.9，1.0]，分别用如下标记代表：Pcus_0.1、Pcus_0.2、Pcus_0.3、Pcus_0.4、Pcus_0.5、Pcus_0.6、Pcus_0.7、Pcus_0.8、Pcus_0.9、Pcus_1.0。
这样，根据P1和P2的不同组合，可以形成100个不同的多维组合区间(Pnet_i,Pcus_j)，i取值为如下任一一个值：0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0；j取值为如下任一一个值：0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0。比如，(Pnet_i,Pcus_j)可以为(Pnet0.3、Pcus0.3)、或(Pnet0.3，Pcus0.5)等。
表1
本发明实施例中，分组映射表中还存储有各分组各自对应的投诉准确率。其中，各分组各自对应的投诉准确率可根据如下方式确定：
针对样本用户集中的每个样本用户，根据该样本用户的网络指标数据和网络低速投诉模型M1，确定该样本用户的网络低速投诉概率；根据该样本用户的用户指标数据和用户投诉倾向投诉模型M2确定该样本用户的用户投诉倾向投诉概率；根据该样本用户的网络低速投诉概率和用户投诉倾向投诉概率所处的组合概率区间，将该样本用户划分到对应的分组；接着，针对每个分组，根据该分组n内样本用户的总数Cn、样本投诉用户的总数Fn，计算该分组的投诉发生概率Pn＝Fn/Cn，即样本投诉用户在该分组内的样本用户中的占比，并将计算出的投诉发生概率作为该分组对应的投诉准确率。
实际应用中，为了便于后续计算，可以根据投诉准确率倒序排列，使得D1分组所对应投诉准确率P1最大，D100分组所对应的投诉准确率P100最小；记录此Dn/Pn～(Pnet_i,Pcus_j)的对应关系，如表1所示；其中Pnet_i、Pcus_j分别代表对应的网络低速投诉影响维度下的概率区间、用户投诉倾向投诉影响维度下的概率区间；Dn/Pn～(Pnet_i,Pcus_j)的对应关系在实施过程中可不断迭代，其中每个分组的投诉准确率可按照设定周期更新或采用已有投诉结果的若干天滑动平均值更新。
S230：根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
本发明实施例中，在预测周期内的潜在投诉用户选择过程中，可以根据预设的限制条件进行选择。其中，限制条件可以包括但不限于：潜在的投诉用户的最大处理规模、潜在的投诉用户的最低准确率。
在根据步骤S210、S220，将预测周期内移动网络中的所有用户划分到不同的分组之后，可以统计不同分组Dn的用户总数Cn_new。
在限制条件具体为潜在的投诉用户的最大处理规模时，可以根据如下方式筛选出潜在投诉用户所在的分组：
若投诉准确率最高的前k个分组的用户总数小于或等于最大处理规模，且投诉准确率最高的前k+1个分组的用户总数大于最大处理规模，则将投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。实际应用中，潜在的投诉用户的最大处理规模小于预测周期内的用户总数。
实际应用中，限制条件具体为潜在的投诉用户的最大处理规模Cmax时，可以根据如下算法实现潜在投诉用户所在的分组选择：
a)n＝0；
b)n＝n+1；
c)若
则转步骤b；否则：
d)取D1，D2…Dn为潜在投诉用户所在的分组。
可选地，若投诉准确率最高的前k个分组的用户总数小于最大处理规模，且投诉准确率最高的前k+1个分组的用户总数大于最大处理规模时，可以计算最大处理规模与投诉准确率最高的前k个分组的用户总数之间的差值；按照从高到低的顺序，从投诉准确率最高的第k+1个分组(即排序为k+1的分组)中选取指定数量的用户作为预测周期内潜在的投诉用户，指定数量等于最大处理规模与投诉准确率最高的前k个分组的用户总数之间的差值。
本发明实施例中，在限制条件具体为潜在的投诉用户的最低准确率时，可以根据如下方式筛选出潜在投诉用户所在的分组：
针对每个分组，若分组映射表中该分组对应的投诉准确率高于最低准确率，则可以确定该分组为满足预设的限制条件的分组。
或者，可以根据如下方式筛选出潜在投诉用户所在的分组：
针对每个分组，将该分组包括的用户总数作为该分组对应的权值；根据各分组对应的权值和分组映射表中各分组对应的投诉准确率，计算投诉准确率最高的前k个分组的准确率加权平均值；若投诉准确率最高的前k个分组的准确率加权平均值高于或等于最低准确率，且投诉准确率最高的前k+1个分组的准确率加权平均值低于最低准确率，则将投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。
实际应用中，制条件具体为潜在的投诉用户的最低准确率Pmin时，可以根据如下算法实现潜在投诉用户所在的分组的选择：
a)n＝0；
b)n＝n+1；
c)若
则转步骤b；否则：
d)取D1，D2…Dn为潜在投诉用户所在的分组。
最后，将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
从上面描述可以看出，在本发明实施例提供的应用于低速投诉问题的移动网络潜在投诉用户预测方法中，针对现有投诉事后处理导致处理效率低用户体验差的问题，提出问题处理前置至投诉发生前，预先构建网络低速投诉模型和用户投诉倾向投诉模型，并通过分组映射表存储各分组对应的组合概率区间及投诉准确率。这样，针对预测周期内移动网络中的每个用户，可以基于用户的网络指标数据、用户指标数据、网络低速投诉模型和用户投诉倾向投诉模型，确定用户的网络低速投诉概率和用户投诉倾向投诉概率；根据用户的网络低速投诉概率和用户投诉倾向投诉概率，以及预设的分组映射表，将用户划分到对应的分组中；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。相比现有事后处理投诉的方案，本发明实施例提供的应用于低速投诉问题的移动网络潜在投诉用户预测方案可以支持事前处理投诉，有助于提高低速投诉问题的投诉处理效率和用户体验。
基于上述图1、图2所示实施例提供的移动网络潜在投诉用户预测方法，本发明实施例提供了一个应用实例，如下：
(1)选取2017年1月某运营商地市级全体样本用户6279687个，其中样本投诉用户4248个，投诉率0.068％；
(2)经过样本用户集预处理，得到业务低速用户集中的样本用户5040462个，业务低速用户集中的样本投诉用户3730，投诉率0.074％，较全体样本提升约9％；
(3)采用筛选后的业务低速用户集，训练网络低速投诉模型M1和用户投诉倾向投诉模型M2，其中，
1)M1模型选取了网络侧DNS、MME和HTTP层150多个网络指标，包括附着、寻呼请求、TCP/IP指标、http分业务会话指标等等；通过变量的数据探索，根据缺失值比例、标准差、最小变异系数，共计剔除业务下行速率、TCP键连时长等42个异常指标；通过模型训练，得出62个显著变量，规则26条；单模型预测准确率0.31％。
部分显著变量，如表2所示。
表2
部分规则如下：
规则1：如果低速次数占比>0.2
和日均RTT会话时延>200ms
和小区下行丢包数<＝44843.600
和附着请求失败次数占比>0.122
和TAU失败次数占比>0.253
和附着请求次数>21
则预测为低速投诉用户
规则2：如果低速次数占比>0.2
和日均RTT会话时延>200ms
和小区下行丢包数>44843.600
和TCP建链时延/http会话成功次数>111.744
则预测为低速投诉用户
2)M2模型训练过程中，选取多个用户指标，根据数据特性以及数据形态采用决策树算法，最终筛选出97个显著变量，规则88条；单模型预测准确率1.86％。
部分显著变量，如表3所示。
表3
| 指标名称 | 指标名称 |
| 是否流量投诉用户 | 主叫次数占比 |
| 近三个月投诉标识 | 月请求10086人工次数 |
| 游戏类APP访问次数 | 月接入10086人工次数 |
| APP总访问次数 | 终端使用天数 |
| 终端模式 | 交往圈大小 |
| 年龄 | 终端品牌 |
| 收费通话时长 | CPU核数 |
| 婚否 | 月停机天数 |
| APP总访问活跃天数 | 月上网流量 |
| 4G网络移动数据上网流量 | 本月数据流量通信费 |
| … | … |
部分规则集如下：
规则1：如果近三个月重复投诉标识＝是
和APP访问总次数<＝97504
和10086满意度评价总次数<＝1
和10086接入时长>12
和广义投诉时长<＝80
和广义投诉量>＝2
则预测为有投诉倾向用户
规则2：如果流量投诉用户标识＝否
和近三个月重复投诉标识＝是
和月请求10086人工次数>＝2
和广义投诉时长<＝80
和免费通话时长占比<＝0.512
和月拨打10086转IVR次数>＝8
和免费流量<＝1774.310M
和社交类APP活跃天数占比>0.785
则预测为有投诉倾向用户
(4)根据模型M1,M2，得到Dn/Pn～(Pnet_i,Pcus_j)的对应关系，如表4所示，其中灰色标记的分组为投诉准确率最高的前5个分组：D1、D2、D3、D4、D5，各分组的投诉准确率分别为：17.17％、13.97％、12.96％、8.24％、5.92％。
表4
(5)将预测周期2月28日的用户的网络指标数据代入模型M1，将用户的用户指标数据代入模型M2，得到预测周期内各分组的用户总数，根据潜在的投诉用户的最大处理规模为1000人计算，选取如表5所示的含用户总数28的分组D1、含用户总数149的分组D2、含用户总数12的分组D3、含用户总数175的分组D4作为潜在投诉用户所在分组，将分组D1到分组4各自包括的用户作为潜在投诉用户处理。更优地，可以从分组D5中选出636个用户作为潜在投诉用户。
表5
基于上述图1所示实施例提供的移动网络潜在投诉用户预测方法，参考图3，其示出了根据本发明一个实施例的移动网络潜在投诉用户预测装置的结构示意图。
如图3所示，本发明实施例提供的移动网络潜在投诉用户预测装置300可以包括：概率计算模块301、用户分组模块302和用户预测模块303。
其中，概率计算模块301用于针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率。
其中，投诉影响维度包括：网络低速投诉影响维度、用户投诉倾向投诉影响维度。相应地，在网络低速投诉影响维度上的指标数据具体为网络指标数据，在用户投诉倾向投诉影响维度上的指标数据具体为用户指标数据。在网络低速投诉影响维度上的投诉模型具体为网络低速投诉模型，在用户投诉倾向投诉影响维度上的投诉模型具体为用户投诉倾向投诉模型。在网络低速投诉影响维度上的投诉概率具体为网络低速投诉概率，在用户投诉倾向投诉影响维度上的投诉概率具体为用户投诉倾向投诉概率。
用户分组模块302用于根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将用户划分到对应的分组中，分组映射表中存储有分组对应的组合概率区间；
用户预测模块303用于根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
若限制条件具体为潜在的投诉用户的最大处理规模，最大处理规模小于预测周期内的用户总数；相应地，
用户预测模块303用于若投诉准确率最高的前k个分组的用户总数小于或等于最大处理规模，且投诉准确率最高的前k+1个分组的用户总数大于最大处理规模，则将投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。
若限制条件具体为潜在的投诉用户的最低准确率；相应地，
用户预测模块303用于针对每个分组，将该分组包括的用户总数作为该分组对应的权值；根据各分组对应的权值和分组映射表中各分组对应的投诉准确率，计算投诉准确率最高的前k个分组的准确率加权平均值；若投诉准确率最高的前k个分组的准确率加权平均值高于或等于最低准确率，且投诉准确率最高的前k+1个分组的准确率加权平均值低于最低准确率，则将投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。
更优地，移动网络潜在投诉用户预测装置300还可以进一步包括：投诉模型构建模块。
投诉模型构建模块用于获取样本用户集，样本用户集中包括样本用户在各投诉影响维度上的指标数据，样本用户划分为：样本投诉用户和样本未投诉用户；针对每个投诉影响维度，采用预设的决策树算法，根据样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，生成对应的决策树模型，并作为该投诉影响维度对应的投诉模型。
更优地，投诉模型构建模块获取样本用户集之后，可根据样本用户的指标数据，对样本用户集进行预处理，以剔除不满足预设的指标阈值条件的样本用户。
更优地，移动网络潜在投诉用户预测装置300还可以进一步包括：分组映射表构建模块。
分组映射表构建模块用于根据各投诉影响维度下预先划分的概率区间之间的不同组合，形成多个组合概率区间；且每个组合概率区间对应一个分组；针对样本用户集中的每个样本用户，根据各投诉影响维度对应的投诉模型和该样本用户在各投诉影响维度上的指标数据，计算出该样本用户在各投诉影响维度上的投诉概率；根据该样本用户在各投诉影响维度上的投诉概率所处的组合概率区间，将该样本用户划分到对应的分组；针对每个分组，根据该分组内样本用户的总数、样本投诉用户的总数，计算该分组的投诉发生概率，并作为该分组对应的投诉准确率。
应当理解，移动网络潜在投诉用户预测装置300中记载的诸模块与图1描述的方法中的步骤存在相对应关系。由此，上文针对方法描述的操作和特征同样适用于移动网络潜在投诉用户预测装置300及其包含的模块，在此不再赘述。
参考图4，其示出了根据本发明一个实施例的电子设备的实体结构示意图。如图4所示，该电子设备400可以包括：处理器(processor)401、存储器(memory)402和总线403，其中，处理器401，存储器402通过总线403完成相互间的通信。处理器401可以调用存储器402中的计算机程序，以执行上述图1所示实施例所提供的方法，例如包括：
针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率；根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将用户划分到对应的分组中，分组映射表中存储有各分组各自对应的组合概率区间；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
本发明实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机程序，计算机程序使计算机执行上述图1所示实施例所提供的方法，例如包括：
针对预测周期内移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和用户在各投诉影响维度上的指标数据，确定用户在各投诉影响维度上的投诉概率；根据用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将用户划分到对应的分组中，分组映射表中存储有各分组各自对应的组合概率区间；根据分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为预测周期内潜在的投诉用户。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的基站的实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种移动网络潜在投诉用户预测方法，其特征在于，包括：
针对预测周期内所述移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和所述用户在各投诉影响维度上的指标数据，确定所述用户在各投诉影响维度上的投诉概率；
根据所述用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将所述用户划分到对应的分组中；
根据所述分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为所述预测周期内潜在的投诉用户；
其中，所述投诉模型根据如下方式预先构建：
获取样本用户集，所述样本用户集中包括样本用户在各投诉影响维度上的指标数据，所述样本用户划分为：样本投诉用户和样本未投诉用户；
针对每个投诉影响维度，采用预设的决策树算法，根据所述样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，生成对应的决策树模型，并作为该投诉影响维度对应的投诉模型；
其中，所述根据各投诉影响维度对应的投诉模型和所述用户在各投诉影响维度上的指标数据，确定所述用户在各投诉影响维度上的投诉概率，包括：
将所述用户在投诉影响维度上的指标数据输入至所述各投诉影响维度对应的投诉模型，获取所述各投诉影响维度对应的投诉模型输出的所述用户在各投诉影响维度上的投诉概率；
其中，所述各分组各自对应的投诉准确率根据如下方式确定：
针对样本用户集中的每个样本用户，根据各投诉影响维度对应的投诉模型和该样本用户在各投诉影响维度上的指标数据，计算出该样本用户在各投诉影响维度上的投诉概率；继而，根据该样本用户在各投诉影响维度上的投诉概率所处的组合概率区间，将该样本用户划分到对应的分组；接着，针对每个分组，根据该分组内样本用户的总数、样本投诉用户的总数，计算该分组的投诉发生概率，即样本投诉用户在该分组内的样本用户中的占比，并将计算出的投诉发生概率作为该分组对应的投诉准确率；
其中，所述根据所述样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，生成对应的决策树模型，包括：
根据所述样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，采用决策树算法，基于所述指标数据中各指标的信息增益选择节点，通过不断的调整剪枝容错训练得到对应的决策树模型。
2.根据权利要求1所述的方法，其特征在于，所述获取样本用户集之后，还包括：
根据所述样本用户的指标数据，对所述样本用户集进行预处理，以剔除不满足预设的指标阈值条件的样本用户。
3.根据权利要求1或2所述的方法，其特征在于，所述分组映射表根据如下方式预先构建：
根据各投诉影响维度下预先划分的概率区间之间的不同组合，形成多个组合概率区间；且每个组合概率区间对应一个分组；
针对所述样本用户集中的每个样本用户，根据各投诉影响维度对应的投诉模型和该样本用户在各投诉影响维度上的指标数据，计算出该样本用户在各投诉影响维度上的投诉概率；根据该样本用户在各投诉影响维度上的投诉概率所处的组合概率区间，将该样本用户划分到对应的分组；
针对每个分组，根据该分组内样本用户的总数、样本投诉用户的总数，计算该分组的投诉发生概率，并作为该分组对应的投诉准确率。
4.根据权利要求1所述的方法，其特征在于，所述限制条件具体为潜在的投诉用户的最大处理规模，所述最大处理规模小于所述预测周期内的用户总数；相应地，
所述根据所述分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，包括：
若投诉准确率最高的前k个分组的用户总数小于或等于所述最大处理规模，且投诉准确率最高的前k+1个分组的用户总数大于所述最大处理规模，则将所述投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。
5.根据权利要求1所述的方法，其特征在于，所述限制条件具体为潜在的投诉用户的最低准确率；相应地，
所述根据所述分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，包括：
针对每个分组，将该分组包括的用户总数作为该分组对应的权值；
根据各分组对应的权值和所述分组映射表中各分组对应的投诉准确率，计算投诉准确率最高的前k个分组的准确率加权平均值；
若投诉准确率最高的前k个分组的准确率加权平均值高于或等于所述最低准确率，且投诉准确率最高的前k+1个分组的准确率加权平均值低于所述最低准确率，则将所述投诉准确率最高的前k个分组确定为满足预设的限制条件的k个分组，k取值为[1,N-1]的自然数，N为分组总数。
6.根据权利要求1-2、4-5中任一所述的方法，其特征在于，所述投诉影响维度包括：网络低速投诉影响维度、用户投诉倾向投诉影响维度；
相应地，在所述网络低速投诉影响维度上的指标数据具体为网络指标数据，在所述用户投诉倾向投诉影响维度上的指标数据具体为用户指标数据；
相应地，在所述网络低速投诉影响维度上的投诉模型具体为网络低速投诉模型，在所述用户投诉倾向投诉影响维度上的投诉模型具体为用户投诉倾向投诉模型；
在所述网络低速投诉影响维度上的投诉概率具体为网络低速投诉概率，在所述用户投诉倾向投诉影响维度上的投诉概率具体为用户投诉倾向投诉概率。
7.一种移动网络潜在投诉用户预测装置，其特征在于，包括：
概率计算模块，用于针对预测周期内所述移动网络中的每个用户，根据各投诉影响维度对应的投诉模型和所述用户在各投诉影响维度上的指标数据，确定所述用户在各投诉影响维度上的投诉概率；
用户分组模块，用于根据所述用户在各投诉影响维度上的投诉概率，以及预设的分组映射表，将所述用户划分到对应的分组中，所述分组映射表中存储有所述分组对应的组合概率区间；
用户预测模块，用于根据所述分组映射表中各分组各自对应的投诉准确率，筛选出满足预设的限制条件的分组，并将筛选出的分组内的用户预测为所述预测周期内潜在的投诉用户；
其中，所述投诉模型根据如下方式预先构建：
获取样本用户集，所述样本用户集中包括样本用户在各投诉影响维度上的指标数据，所述样本用户划分为：样本投诉用户和样本未投诉用户；
针对每个投诉影响维度，采用预设的决策树算法，根据所述样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，生成对应的决策树模型，并作为该投诉影响维度对应的投诉模型；
其中，所述根据各投诉影响维度对应的投诉模型和所述用户在各投诉影响维度上的指标数据，确定所述用户在各投诉影响维度上的投诉概率，包括：
将所述用户在投诉影响维度上的指标数据输入至所述各投诉影响维度对应的投诉模型，获取所述各投诉影响维度对应的投诉模型输出的所述用户在各投诉影响维度上的投诉概率；
其中，所述各分组各自对应的投诉准确率根据如下方式确定：
针对样本用户集中的每个样本用户，根据各投诉影响维度对应的投诉模型和该样本用户在各投诉影响维度上的指标数据，计算出该样本用户在各投诉影响维度上的投诉概率；继而，根据该样本用户在各投诉影响维度上的投诉概率所处的组合概率区间，将该样本用户划分到对应的分组；接着，针对每个分组，根据该分组内样本用户的总数、样本投诉用户的总数，计算该分组的投诉发生概率，即样本投诉用户在该分组内的样本用户中的占比，并将计算出的投诉发生概率作为该分组对应的投诉准确率；
其中，所述根据所述样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，生成对应的决策树模型，包括：
根据所述样本用户集中样本投诉用户和样本未投诉用户在该投诉影响维度上的指标数据，采用决策树算法，基于所述指标数据中各指标的信息增益选择节点，通过不断的调整剪枝容错训练得到对应的决策树模型。
8.一种电子设备，其特征在于，包括处理器、存储器和总线，其中：
所述处理器、所述存储器通过总线完成相互间的通信；
所述处理器可以调用存储器中的计算机程序，以执行如权利要求1-6任意一项所述的方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任意一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710864956.XA CN109548036B (zh) | 2017-09-22 | 2017-09-22 | 一种移动网络潜在投诉用户预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710864956.XA CN109548036B (zh) | 2017-09-22 | 2017-09-22 | 一种移动网络潜在投诉用户预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109548036A CN109548036A (zh) | 2019-03-29 |
| CN109548036B true CN109548036B (zh) | 2022-03-08 |
Family
ID=65830452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710864956.XA Active CN109548036B (zh) | 2017-09-22 | 2017-09-22 | 一种移动网络潜在投诉用户预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109548036B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101692B (zh) * | 2019-06-18 | 2023-11-24 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
| CN110602652B (zh) * | 2019-10-15 | 2021-07-27 | 中移信息技术有限公司 | 投诉模型的训练方法、用户投诉的预测方法、装置及设备 |
| CN113517990B (zh) * | 2020-04-09 | 2023-02-17 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
| CN113645051B (zh) * | 2020-04-23 | 2024-04-12 | 亚信科技（中国）有限公司 | 一种对客户投诉进行预警的方法及装置 |
| CN113822453B (zh) * | 2020-06-15 | 2023-08-18 | 中国移动通信集团浙江有限公司 | 5g切片的多用户投诉共性确定方法及装置 |
| CN115134260A (zh) * | 2022-07-12 | 2022-09-30 | 北京东土拓明科技有限公司 | 用户感知提升方法及装置、计算设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009267925A (ja) * | 2008-04-28 | 2009-11-12 | Nec Corp | 苦情発生予測システム、サーバ、苦情発生予測方法、及びプログラム |
| CN101998472A (zh) * | 2009-08-27 | 2011-03-30 | 中国移动通信集团甘肃有限公司 | 投诉预处理方法、投诉处理方法、装置及系统 |
| CN105095588A (zh) * | 2015-08-05 | 2015-11-25 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
| CN107046480A (zh) * | 2017-04-17 | 2017-08-15 | 广东经纬天地科技股份有限公司 | 一种用户感知评估方法及装置 |
-
2017
- 2017-09-22 CN CN201710864956.XA patent/CN109548036B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009267925A (ja) * | 2008-04-28 | 2009-11-12 | Nec Corp | 苦情発生予測システム、サーバ、苦情発生予測方法、及びプログラム |
| CN101998472A (zh) * | 2009-08-27 | 2011-03-30 | 中国移动通信集团甘肃有限公司 | 投诉预处理方法、投诉处理方法、装置及系统 |
| CN105095588A (zh) * | 2015-08-05 | 2015-11-25 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
| CN107046480A (zh) * | 2017-04-17 | 2017-08-15 | 广东经纬天地科技股份有限公司 | 一种用户感知评估方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Yongbin Zhang ; Ronghua Liang，etc..Behavior-Based Telecommunication Churn Prediction with Neural Network Approach.《2011 International Symposium on Computer Science and Society》.2011, * |
| 周文杰 ; 严建峰 ; 杨璐.基于深度学习的用户投诉预测模型研究.《CNKI 计算机应用研究》.2016, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109548036A (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109548036B (zh) | 一种移动网络潜在投诉用户预测方法和装置 | |
| CN105357691B (zh) | Lte无线网络用户感知监测方法和系统 | |
| CN109921941B (zh) | 网络业务质量评估和优化方法、装置、介质及电子设备 | |
| CA2983495C (en) | Improving performance of communication network based on end to end performance observation and evaluation | |
| CN102625344B (zh) | 移动终端用户体验质量评估模型及方法 | |
| CN107026750B (zh) | 一种用户上网QoE评价方法及装置 | |
| CN104396188B (zh) | 用于对移动网络性能问题进行根本原因分析的系统和方法 | |
| CN110337059B (zh) | 一种用户家庭关系的分析算法、服务器及网络系统 | |
| CN110417607B (zh) | 一种流量预测方法、装置及设备 | |
| EP3136650B1 (en) | Method and system for optimizing network parameters to improve customer satisfaction of network content | |
| WO2012113279A1 (zh) | 要因失分的数据处理方法及设备 | |
| WO2017067141A1 (zh) | 基于众包模式的移动Apps对无线网路资源利用的分析方法 | |
| CN104113869B (zh) | 一种基于信令数据的潜在投诉用户预测方法及系统 | |
| EP2919416B1 (en) | Method and system for evaluating quality of experience of communication service users | |
| CN107872503B (zh) | 一种防火墙会话数监控方法及装置 | |
| US20120166348A1 (en) | Statistical analysis of data records for automatic determination of activity of non-customers | |
| US20130301431A1 (en) | Apparatus and method for selecting service quality metrics for managed services quality assurance | |
| CN113891336B (zh) | 通信网络减频退网方法、装置、计算机设备和存储介质 | |
| CN102149113B (zh) | 一种移动用户感知量化方法 | |
| CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
| CN109963292B (zh) | 投诉预测的方法、装置、电子设备和存储介质 | |
| CN108269589A (zh) | 用于通话的语音质量评估方法及其装置 | |
| CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
| CN111901134A (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN111368858B (zh) | 用户满意度评估方法及装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: No. 19, Jiefang East Road, Hangzhou, Zhejiang Province, 310016 Patentee after: CHINA MOBILE GROUP ZHEJIANG Co.,Ltd. Patentee after: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd. Address before: No. 19, Jiefang East Road, Hangzhou, Zhejiang Province, 310016 Patentee before: CHINA MOBILE GROUP ZHEJIANG Co.,Ltd. Patentee before: CHINA MOBILE COMMUNICATIONS Corp. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231212 Address after: No.19, Jiefang East Road, Hangzhou, Zhejiang Province, 310000 Patentee after: CHINA MOBILE GROUP ZHEJIANG Co.,Ltd. Patentee after: China Mobile (Zhejiang) Innovation Research Institute Co.,Ltd. Patentee after: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd. Address before: No. 19, Jiefang East Road, Hangzhou, Zhejiang Province, 310016 Patentee before: CHINA MOBILE GROUP ZHEJIANG Co.,Ltd. Patentee before: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd. |
|
| TR01 | Transfer of patent right |