CN109993562A - 一种满意度仿真方法、装置及终端设备 - Google Patents

一种满意度仿真方法、装置及终端设备 Download PDF

Info

Publication number
CN109993562A
CN109993562A CN201810000866.0A CN201810000866A CN109993562A CN 109993562 A CN109993562 A CN 109993562A CN 201810000866 A CN201810000866 A CN 201810000866A CN 109993562 A CN109993562 A CN 109993562A
Authority
CN
China
Prior art keywords
satisfaction
data
information data
training
simulation model
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
Application number
CN201810000866.0A
Other languages
English (en)
Other versions
CN109993562B (zh
Inventor
任智杰
王惠欣
王朝民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201810000866.0A priority Critical patent/CN109993562B/zh
Publication of CN109993562A publication Critical patent/CN109993562A/zh
Application granted granted Critical
Publication of CN109993562B publication Critical patent/CN109993562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种满意度仿真方法、装置及终端设备，其中，所述满意度仿真方法包括：获取目标用户的全方位信息数据，根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。本发明的方案，不仅能够自动且准确地生成目标用户的满意度仿真数据，还能够有选择地获取全体用户对服务的体验感知，从而相比于现有的利用调查问卷调查用户满意度的方式，有利于提前发现服务问题，有利于服务提供者全方位的调整服务策略，同时无需占用用户时间，避免给用户带来不便，也无需因收集调查问卷耗费大量人力物力。

Description

一种满意度仿真方法、装置及终端设备
技术领域
本发明涉及通信技术领域，尤其涉及一种满意度仿真方法、装置及终端设备。
背景技术
当前，服务行业领域越来越重视客户的满意度情况，满意度越高意味着收入越高，相反满意度较低的组织的经营状况常常不尽人意，满意度意味着客户对于服务提供者的认可。满意度对服务机构的经营状况起到决定性作用，这就决定了对满意度进行调查有着非常关键的意义。
对于用户的满意度调查，一般通过专业设计的调查问卷进行。为了保证和提高服务质量，这类调查一般需要周期性进行，比如每月进行一次。虽然调查问卷可以直接反应用户的实际满意度情况，但是这种调查用户满意度的方式不利于提前发现服务问题，不利于服务提供者全方位的调整服务策略，同时因占用用户时间，会给用户带来不便，调查问卷的收集需耗费大量人力物力。此外，调查问卷一般仅会有部分用户参与，无法获取全体用户对服务的体验感知。
发明内容
本发明实施例提供一种满意度仿真方法、装置及终端设备，以能够自动且准确地生成用户的满意度仿真数据，克服现有的利用调查问卷调查用户满意度的方式所具有的问题。
第一方面，本发明实施例提供了一种满意度仿真方法，包括：
获取目标用户的全方位信息数据；
根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
可选的，所述获取目标用户的全方位信息数据之前，所述方法还包括：
构建所述满意度仿真模型的训练数据集；
根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；
其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
可选的，所述构建所述满意度仿真模型的训练数据集，包括：
获取用户的基础信息数据、状态信息数据和满意度调查数据；
根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
可选的，所述根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型，包括：
根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真；
将训练完成的所述生成网络确定为所述满意度仿真模型。
第二方面，本发明实施例还提供了一种满意度仿真装置，包括：
获取模块，用于获取目标用户的全方位信息数据；
生成模块，用于根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
可选的，所述装置还包括：
构建模块，用于构建所述满意度仿真模型的训练数据集；
建立模块，用于根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；
其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
可选的，所述构建模块包括：
获取单元，用于获取用户的基础信息数据、状态信息数据和满意度调查数据；
构建单元，用于根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
可选的，所述建立模块包括：
训练单元，用于根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真；
确定单元，用于将训练完成的所述生成网络确定为所述满意度仿真模型。
第三方面，本发明实施例还提供了一种终端设备，包括：
接收器，用于获取目标用户的全方位信息数据；
处理器，用于根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
可选的，所述处理器还用于：构建所述满意度仿真模型的训练数据集，根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；
其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
可选的，所述接收器还用于：获取用户的基础信息数据、状态信息数据和满意度调查数据；
所述处理器还用于：根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
可选的，所述处理器还用于：根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真，将训练完成的所述生成网络确定为所述满意度仿真模型。
第四方面，本发明实施例还提供了一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述计算机程序被所述处理器执行时实现上述满意度仿真方法的步骤。
第五方面，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，其中，所述计算机程序被处理器执行时实现上述满意度仿真方法的步骤。
本发明实施例的满意度仿真方法，通过获取目标用户的全方位信息数据，根据该全方位信息数据，利用预设的满意度仿真模型生成目标用户的满意度仿真数据，不仅能够自动且准确地生成目标用户的满意度仿真数据，还能够有选择地获取全体用户对服务的体验感知，从而相比于现有的利用调查问卷调查用户满意度的方式，有利于提前发现服务问题，有利于服务提供者全方位的调整服务策略，同时无需占用用户时间，避免给用户带来不便，也无需因收集调查问卷耗费大量人力物力。
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，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例的满意度仿真方法的流程图；
图2为本发明另一实施例的满意度仿真方法的流程图；
图3为本发明实施例的满意度仿真装置的结构示意图之一；
图4为本发明实施例的满意度仿真装置的结构示意图之二；
图5为本发明实施例的终端设备的结构示意图之一；
图6为本发明实施例的终端设备的结构示意图之二。
具体实施方式
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。
参加图1所示，本发明实施例提供了一种满意度仿真方法，包括如下步骤：
步骤101：获取目标用户的全方位信息数据。
其中，该全方位信息数据包括基础信息数据和状态信息数据。基础信息数据例如为相应用户的性别、年龄、收入水平、教育水平、所属国家等信息。状态信息数据例如为相应用户的前三个月的消费情况、业务变化情况、投诉情况等信息。
步骤102：根据所述全方位信息数据，利用预设的满意度仿真模型生成目标用户的满意度仿真数据。
本发明实施例中，满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。深度学习作为当前的一个热点，基于其的生成对抗学习为指导人工智能完成复杂任务提供了一个新的思路。生成对抗学习解决问题的方式主要是用不同的目标分别训练两种不同的网络：生成网络和判别网络。生成网络也可称为生成模型，主要目标是生成以假乱真的新的数据。判别网络也可称为判别模型，主要目标是鉴别出真实数据和生成数据。生成对抗学习的过程即为训练生成网络和判别网络进行竞争，以达到纳什均衡，生成网络生成足以以假乱真的数据，判别网络再也无法区分真实数据和生成数据。而该步骤中涉及的满意度仿真模型对应于上述的生成网络。
需要指出的是，由于生成对抗学习的过程中，训练生成网络涉及到噪声数据例如高斯随机噪声数据的输入，因此步骤102的生成满意度仿真数据的过程具体为：根据目标用户的全方位信息数据以及高斯随机噪声数据，利用预设的满意度仿真模型生成目标用户的满意度仿真数据。
本发明实施例的满意度仿真方法，通过获取目标用户的全方位信息数据，根据该全方位信息数据，利用预设的满意度仿真模型生成目标用户的满意度仿真数据，不仅能够自动且准确地生成目标用户的满意度仿真数据，还能够有选择地获取全体用户对服务的体验感知，从而相比于现有的利用调查问卷调查用户满意度的方式，有利于提前发现服务问题，有利于服务提供者全方位的调整服务策略，同时无需占用用户时间，避免给用户带来不便，也无需因收集调查问卷耗费大量人力物力。
本发明实施例中，由于用于生成满意度仿真数据的满意度仿真模型是预先建立的，因此步骤101之前，参见图2所示，该满意度仿真方法还可包括如下步骤：
步骤201：构建满意度仿真模型的训练数据集。
应说明的是，在构建满意度仿真模型的训练数据集时，可首先获取用户信息数据，即用户的基础信息数据、状态信息数据和满意度调查数据，然后根据用户的基础信息数据、状态信息数据和满意度调查数据，建立训练数据集。训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
其中，获取用户的基础信息数据、状态信息数据和满意度调查数据的方式可为：通过用户标识，从不同行业的客服系统中的用户信息数据库中获取。需指出的是，对于给定的用户，该用户的基础信息数据和状态信息数据是肯定存在于用户信息数据库中的，至于该用户的某种业务的满意度调查数据是否存在于用户信息数据库中，由该用户是否参与过该种业务的满意度调查来决定。若该用户参与过该种业务的满意度调查，则该种业务的满意度调查数据存在于用户信息数据库中，否则不存在用户信息数据库中。
在不同行业的客服系统中，用户信息数据通常会有差异，因此构建的训练数据集中的用户信息数据是所涉及行业的客服系统中的用户信息数据的合集，是对应用户的可以利用的所有相关信息数据。对于一个成熟的客服系统，通常会针对不同的用户和不同的业务设计不同的满意度调查问卷，因此在构建训练数据集中的满意度调查数据时，可结合所有不同的满意度调查问卷和综合不同业务的不同调查角度进行构建。例如对于某用户来说，若该用户的标识为ID1，该用户在用户信息数据库中对应有m种业务的调查问卷，第n种业务的调查问卷包括kn个调查角度，则在训练数据集中，该用户的满意度调查数据的格式可为：其中ID1表示用户标识，b1表示第1种业务，表示第1种业务的调查问卷包括的k1个调查角度，b2表示第2种业务，表示第2种业务的调查问卷包括的k2个调查角度，bm表示第m种业务，表示第m种业务的调查问卷包括的km个调查角度。
需要指出的是，用户的状态信息数据不是构建训练数据集时的状态信息数据，而是进行满意度反馈时的状态信息数据。同时，由于不是每一个用户都参与了所有业务的所有角度的满意度调查，对于没有参与的满意度调查角度，可将状态缺省为所有调查问句数据以外的值，比如-1。在训练数据集中，每一个用户的信息数据的格式可为：(用户标识，基础信息数据，状态信息数据，满意度调查数据)。
步骤202：根据训练数据集，利用深度学习中的生成对抗学习方法建立满意度仿真模型。
具体的，该步骤中的建立满意度仿真模型的过程可为：
首先，根据训练数据集中的基础信息数据和状态信息数据，以及噪声数据(例如可为高斯随机噪声数据)，训练生成网络，直至该生成网络生成的满意度仿真数据被判别网络判断为真，同时根据训练数据集中的基础信息数据和状态信息数据，以及训练数据集中的满意度调查数据(此为真实数据)，训练判别网络，直至该判别网络判断生成网络生成的满意度仿真数据为假，且判断满意度调查数据为真；
然后，将训练完成的生成网络确定满意度仿真模型。
这样，利用深度学习中的生成对抗学习方法建立满意度仿真模型，可使得满意度仿真模型在生成满意度仿真数据时，自适应的选择影响用户在各个方面的满意度的指标特征，进而准确全面的预测用户满意度，得到用户对服务的全方位的感知体验。
上述实施例对本发明的满意度仿真方法进行了说明，下面将结合实施例和附图对本发明的满意度仿真装置进行说明。
参加图3所示，本发明实施例提供了一种满意度仿真装置，包括：
获取模块31，用于获取目标用户的全方位信息数据；
生成模块32，用于根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
本发明实施例的满意度仿真装置，通过获取目标用户的全方位信息数据，根据该全方位信息数据，利用预设的满意度仿真模型生成目标用户的满意度仿真数据，不仅能够自动且准确地生成目标用户的满意度仿真数据，还能够有选择地获取全体用户对服务的体验感知，从而相比于现有的利用调查问卷调查用户满意度的方式，有利于提前发现服务问题，有利于服务提供者全方位的调整服务策略，同时无需占用用户时间，避免给用户带来不便，也无需因收集调查问卷耗费大量人力物力。
本发明实施例中，参见图4所示，所述装置还包括：
构建模块33，用于构建所述满意度仿真模型的训练数据集；
建立模块34，用于根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；
其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
进一步的，参见图4所示，所述构建模块33包括：
获取单元331，用于获取用户的基础信息数据、状态信息数据和满意度调查数据；
构建单元332，用于根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
进一步的，参见图4所示，所述建立模块34包括：
训练单元341，用于根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真；
确定单元342，用于将训练完成的所述生成网络确定为所述满意度仿真模型。
参见图5所示，本发明实施例还提供了一种终端设备，包括处理器51、发送器52和接收器53。
其中，所述接收器53，用于获取目标用户的全方位信息数据。
所述处理器51，用于根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
本发明实施例的终端设备，通过获取目标用户的全方位信息数据，根据该全方位信息数据，利用预设的满意度仿真模型生成目标用户的满意度仿真数据，不仅能够自动且准确地生成目标用户的满意度仿真数据，还能够有选择地获取全体用户对服务的体验感知，从而相比于现有的利用调查问卷调查用户满意度的方式，有利于提前发现服务问题，有利于服务提供者全方位的调整服务策略，同时无需占用用户时间，避免给用户带来不便，也无需因收集调查问卷耗费大量人力物力。
本发明实施例中，所述处理器51还用于：构建所述满意度仿真模型的训练数据集，根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
可选的，所述接收器53还用于：获取用户的基础信息数据、状态信息数据和满意度调查数据。
所述处理器51还用于：根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
可选的，所述处理器51还用于：根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真，将训练完成的所述生成网络确定为所述满意度仿真模型。
在图5中，总线架构(用总线50来代表)，总线50可以包括任意数量的互联的总线和桥，总线50将包括由处理器51代表的一个或多个处理器和存储器55代表的存储器的各种电路连接在一起。发送器52和接收器53可以是一个收发接口，发送器52和接收器53可通过总线50与处理器51和存储器55连接。
处理器51负责管理总线50和通常的处理，而存储器55可以被用于存储处理器51在执行操作时所使用的数据。
此外，本发明实施例还提供了一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述计算机程序被所述处理器执行时可实现上述满意度仿真方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
具体的，参见6所示，本发明实施例还提供了一种终端设备，包括总线61、收发机62、天线63、总线接口64、处理器65和存储器66。
在本发明实施例中，所述终端设备还包括：存储在存储器66上并可在处理器65上运行的计算机程序，具体的，所述计算机程序被处理器65执行时可实现如下步骤：
获取目标用户的全方位信息数据；
根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
在图6中，总线架构(用总线61来代表)，总线61可以包括任意数量的互联的总线和桥，总线61将包括由处理器65代表的一个或多个处理器和存储器66代表的存储器的各种电路链接在一起。总线61还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口64在总线61和收发机62之间提供接口。收发机62可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器65处理的数据通过天线63在无线介质上进行传输，进一步，天线63还接收数据并将数据传送给处理器65。
处理器65负责管理总线61和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器66可以被用于存储处理器65在执行操作时所使用的数据。
可选的，处理器65可以是CPU、ASIC、FPGA或CPLD。
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，其中，所述计算机程序被处理器执行时实现上述满意度仿真方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种满意度仿真方法，其特征在于，包括：
获取目标用户的全方位信息数据；
根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
2.根据权利要求1所述的方法，其特征在于，所述获取目标用户的全方位信息数据之前，所述方法还包括：
构建所述满意度仿真模型的训练数据集；
根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；
其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
3.根据权利要求2所述的方法，其特征在于，所述构建所述满意度仿真模型的训练数据集，包括：
获取用户的基础信息数据、状态信息数据和满意度调查数据；
根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
4.根据权利要求2所述的方法，其特征在于，所述根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型，包括：
根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真；
将训练完成的所述生成网络确定为所述满意度仿真模型。
5.一种满意度仿真装置，其特征在于，包括：
获取模块，用于获取目标用户的全方位信息数据；
生成模块，用于根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
6.一种终端设备，其特征在于，包括：
接收器，用于获取目标用户的全方位信息数据；
处理器，用于根据所述全方位信息数据，利用预设的满意度仿真模型生成所述目标用户的满意度仿真数据；
其中，所述满意度仿真模型是利用深度学习中的生成对抗学习方法预先建立的。
7.根据权利要求6所述的终端设备，其特征在于，所述处理器还用于：构建所述满意度仿真模型的训练数据集，根据所述训练数据集，利用深度学习中的生成对抗学习方法建立所述满意度仿真模型；
其中，所述训练数据集中的每一组训练数据包括对应用户的基础信息数据、状态信息数据和满意度调查数据。
8.根据权利要求7所述的终端设备，其特征在于，所述接收器还用于：获取用户的基础信息数据、状态信息数据和满意度调查数据；
所述处理器还用于：根据所述基础信息数据、状态信息数据和满意度调查数据，构建所述训练数据集。
9.根据权利要求7所述的终端设备，其特征在于，所述处理器还用于：根据所述训练数据集中的基础信息数据和状态信息数据，以及噪声数据，训练生成网络，直至所述生成网络生成的满意度仿真数据被判别网络判断为真，同时根据所述训练数据集中的基础信息数据和状态信息数据，以及所述训练数据集中的满意度调查数据，训练所述判别网络，直至所述判别网络判断所述生成网络生成的满意度仿真数据为假，且判断所述满意度调查数据为真，将训练完成的所述生成网络确定为所述满意度仿真模型。
10.一种终端设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的满意度仿真方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的满意度仿真方法的步骤。
CN201810000866.0A 2018-01-02 2018-01-02 一种满意度仿真方法、装置及终端设备 Active CN109993562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810000866.0A CN109993562B (zh) 2018-01-02 2018-01-02 一种满意度仿真方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810000866.0A CN109993562B (zh) 2018-01-02 2018-01-02 一种满意度仿真方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN109993562A true CN109993562A (zh) 2019-07-09
CN109993562B CN109993562B (zh) 2021-09-14

Family

ID=67128755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810000866.0A Active CN109993562B (zh) 2018-01-02 2018-01-02 一种满意度仿真方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN109993562B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508591A (zh) * 2019-09-16 2021-03-16 北京百度网讯科技有限公司 满意度检测的方法、装置和电子设备
CN113132136A (zh) * 2019-12-31 2021-07-16 中国移动通信集团四川有限公司 满意度预测模型建立及预测满意度的方法、装置及电子设备
CN113938344A (zh) * 2020-07-14 2022-01-14 中国移动通信有限公司研究院 家庭宽带业务家庭群组满意度确定方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680428A (zh) * 2015-03-16 2015-06-03 朗新科技股份有限公司 一种电网客户满意度模型的构建方法
CN105574171A (zh) * 2015-12-17 2016-05-11 武汉璞华大数据技术有限公司 一种客户感知价值的监测方法及监测系统
CN105654250A (zh) * 2016-02-01 2016-06-08 百度在线网络技术（北京）有限公司 一种满意度自动测评的方法和装置
US20170161105A1 (en) * 2015-12-02 2017-06-08 Ryan Barrett Techniques for processing queries relating to task-completion times or cross-data-structure interactions
CN107220353A (zh) * 2017-06-01 2017-09-29 深圳追科技有限公司 一种智能客服机器人满意度自动评价方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680428A (zh) * 2015-03-16 2015-06-03 朗新科技股份有限公司 一种电网客户满意度模型的构建方法
US20170161105A1 (en) * 2015-12-02 2017-06-08 Ryan Barrett Techniques for processing queries relating to task-completion times or cross-data-structure interactions
CN105574171A (zh) * 2015-12-17 2016-05-11 武汉璞华大数据技术有限公司 一种客户感知价值的监测方法及监测系统
CN105654250A (zh) * 2016-02-01 2016-06-08 百度在线网络技术（北京）有限公司 一种满意度自动测评的方法和装置
CN107220353A (zh) * 2017-06-01 2017-09-29 深圳追科技有限公司 一种智能客服机器人满意度自动评价方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张伟男等: "对话系统评价方法综述", 《中国科学信息科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508591A (zh) * 2019-09-16 2021-03-16 北京百度网讯科技有限公司 满意度检测的方法、装置和电子设备
CN112508591B (zh) * 2019-09-16 2023-07-25 北京百度网讯科技有限公司 满意度检测的方法、装置和电子设备
CN113132136A (zh) * 2019-12-31 2021-07-16 中国移动通信集团四川有限公司 满意度预测模型建立及预测满意度的方法、装置及电子设备
CN113132136B (zh) * 2019-12-31 2022-11-29 中国移动通信集团四川有限公司 满意度预测模型建立及预测满意度的方法、装置及电子设备
CN113938344A (zh) * 2020-07-14 2022-01-14 中国移动通信有限公司研究院 家庭宽带业务家庭群组满意度确定方法及系统

Also Published As

Publication number Publication date
CN109993562B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN104835087B (zh) 教育测试系统的数据处理方法及装置
CN104461281B (zh) 移动终端桌面图标的管理方法、管理服务器及移动终端
CN110598870A (zh) 一种联邦学习方法及装置
CN110245301A (zh) 一种推荐方法、装置及存储介质
CN112053269B (zh) 一种学情诊断方法、装置、设备及存储介质
CN112150331A (zh) 面向教育目标进行层级分配的教育资源远程共享系统
CN109993562A (zh) 一种满意度仿真方法、装置及终端设备
CN109214446A (zh) 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质
CN106202427A (zh) 应用处理方法及装置
CN109246171A (zh) 应用程序推荐方法、推荐装置及终端设备
WO2015183255A1 (en) Predicting social, economic, and learning outcomes
CN107943697A (zh) 问题分配方法、装置、系统、服务器和计算机存储介质
CN109214448A (zh) 非绩优人员培训方法、系统、终端及计算机可读存储介质
CN109996245A (zh) 通信资源投放评估方法、装置、电子设备及存储介质
CN103620627A (zh) 用于增强互动式体验的参与者分组
KR20200010775A (ko) 수학 교육 서비스 제공 방법, 학습 관리 서버 및 수학 교육 시스템
CN110245207A (zh) 一种题库构建方法、题库构建装置及电子设备
CN113256100B (zh) 一种基于虚拟现实技术的室内设计用教学方法及系统
CN110826786A (zh) 目的地点人口数量的预测方法、装置及存储介质
CN110362748A (zh) 用户推荐方法、装置、设备、存储介质和系统
CN108073603A (zh) 作业分发方法及装置
CN111369270B (zh) 奖励资源的分配方法、装置和系统
US20230325944A1 (en) Adaptive wellness collaborative media system
CN113570946B (zh) 基于大数据云平台的线上培训教育信息化教学方法及系统
CN110675279A (zh) 一种基于ai可视化的电网搭建模拟系统

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