CN112016940A - 模型建立方法及设备、网络满意度评估方法及设备 - Google Patents
模型建立方法及设备、网络满意度评估方法及设备 Download PDFInfo
- Publication number
- CN112016940A CN112016940A CN201910458255.5A CN201910458255A CN112016940A CN 112016940 A CN112016940 A CN 112016940A CN 201910458255 A CN201910458255 A CN 201910458255A CN 112016940 A CN112016940 A CN 112016940A
- Authority
- CN
- China
- Prior art keywords
- network
- satisfaction
- sample data
- index
- network performance
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013210 evaluation model Methods 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims description 17
- 230000011664 signaling Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 238000010606 normalization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06Q30/02—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供一种网络满意度评估模型的建立方法,包括:获取多条第一样本数据;其中,第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及多个网络性能指标的指标值对应的用户针对网络的满意度值;根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标;获取多条第二样本数据;其中第二样本数据包含各个目标网络性能指标的指标值,以及各个目标网络性能指标的指标值对应的用户针对网络的满意度值;根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。通过本实施例可用提高用户的网络满意度的评估准确性。
Description
技术领域
本发明涉及网络领域,尤其涉及一种模型建立方法及设备、网络满意度评估方法及设备。
背景技术
目前,电信运营商在进行网络满意度的评估时,首先在网络用户中随机抽取一定量的样本用户,基于提前设计好的问卷调查表,通过采用电话回访或者人工答题的方式对上述样本用户进行网络满意度调查,将调查结果进行汇总分析,根据分析结果得出用户满意度的评估结果。
通过上述传统的网络满意度评估方法,无法避免样本用户在答题过程中受到环境、心情等主观因素的影响,从而对网络满意度的评估结果造成偏差。问卷调查题目的不合理以及电话调研的样本量偏少也会对网络满意度的评估结果造成偏差。
发明内容
本发明实施例的目的是提供一种模型建立方法及设备、网络满意度评估方法及设备,以提高用户的网络满意度的评估准确性。
为解决上述技术问题,本发明实施例是这样实现的:
第一方面,本发明实施例提供了一种网络满意度评估模型的建立方法,包括:
获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
第二方面,本发明实施例提供了一种网络满意度评估方法,包括:
获取待评估网络对应的各个网络性能指标的指标值;
从所述各个网络性能指标的指标值中,提取与上述第一方面确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
根据各个所述目标网络性能指标的指标值,以及上述第一方面确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
第三方面,本发明实施例提供了一种网络满意度评估模型的建立装置,包括:
数据获取模块,用于获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
模型建立模块,用于根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
样本获取模块,用于获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
模型优化模块,用于根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
第四方面,本发明实施例提供了一种网络满意度评估装置,其特征在于,包括:
指标获取模块,用于获取待评估网络对应的各个网络性能指标的指标值;
指标提取模块,用于从所述各个网络性能指标的指标值中,提取与上述第一方面确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
结果评估模块,用于根据各个所述目标网络性能指标的指标值,以及上述第一方面确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
第五方面,本发明实施例提供了一种电子设备,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,所述计算机程序被所述处理器执行时实现如上述第一方面所述的网络满意度评估模型的建立方法或者上述第二方面中所述的网络满意度评估方法的步骤。
第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被所述处理器执行时实现如上述第一方面所述的网络满意度评估模型的建立方法或者上述第二方面中所述的网络满意度评估方法的步骤。
可见,本发明实施例中,网络评估设备获取多条包含与网络满意度相关的多个网络性能指标的指标值的第一样本数据,且第一样本数据中包含用户针对网络的满意度值,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。获取多条包含各个目标网络性能指标的指标值的第二样本数据,且第二样本数据包含用户针对网络的满意度值,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。本实施例中,根据确定的各个与网络满意度相关的网络性能指标建立初始模型,并且根据多条样本数据对初始模型进行优化训练,得到网络满意度评估模型,借助网络满意度评估模型能够有效提高用户的网络满意度的评估准确性。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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为本发明一实施例提供的网络满意度评估模型的建立方法的流程示意图;
图2为本发明一实施例提供的网络满意度评估方法的流程示意图;
图3为本发明一实施例提供的网络满意度评估模型的建立装置的模块组成示意图;
图4为本发明一实施例提供的网络满意度评估装置的模块组成示意图;
图5为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,所描述的实施例仅仅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,都应当属于本发明保护的范围。
图1为本发明一实施例提供的网络满意度评估模型的建立方法的流程示意图,该网络满意度评估模型的建立方法可以由网络评估设备执行,如图1所示,该方法包括以下步骤:
S102,获取多条第一样本数据;其中,第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,多个网络性能指标的指标值对应的用户针对网络的满意度值;
S104,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标;其中,初始模型用于根据多个网络性能指标的指标值评估用户针对网络的满意程度;
S106,获取多条第二样本数据;其中,第二样本数据包含各个目标网络性能指标的指标值,以及,各个目标网络性能指标的指标值对应的用户针对网络的满意度值;
S108,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型;其中,网络满意度评估模型用于根据各个目标网络性能指标的指标值评估用户针对网络的满意程度。
本发明实施例中,网络评估设备获取多条包含与网络满意度相关的多个网络性能指标的指标值的第一样本数据,且第一样本数据中包含用户针对网络的满意度值,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。获取多条包含各个目标网络性能指标的指标值的第二样本数据,且第二样本数据包含用户针对网络的满意度值,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。本实施例中,根据确定的各个与网络满意度相关的网络性能指标建立初始模型,并且根据多条样本数据对初始模型进行优化训练,得到网络满意度评估模型,借助网络满意度评估模型能够有效提高用户的网络满意度的评估准确性。
上述步骤S102中,网络评估设备获取多条第一样本数据,其中,第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,比如,与网络满意度相关的多个网络性能指标的指标值可以是用户上网次数、用户使用的业务种类数、TCP(TransmissionControl Protocol,传输控制协议)请求总次数等,第一样本数据中还包括该多个网络性能指标的指标值对应的用户针对网络的满意度值,其中,网络评估设备在获取用户针对网络的满意度值时,用户对应该多个网络性能指标的指标值,因此该多个网络性能指标的指标值与用户的满意度值之间具有关联关系,比如,第一样本数据包含30个网络性能指标的指标值,用户在该30个网络性能指标的指标值的情况下针对网络的满意度值的打分为6分(满分10分制)。本实施例中,可以利用提前设计好的网络满意度调查表,对一定数量的网络用户进行调查分析得到第一样本数据,也可以通过电话回访的形式进行分析,这里不做特殊限定。
上述步骤S104中,网络评估设备根据多条第一样本数据建立初始模型时,可以利用判别函数(比如利用Fisher判别分析算法)建立初始模型,得到的初始模型包括上述多个网络性能指标的指标值的权重值,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。
其中,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标,包括:
(a1),根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取权重值大于预设阈值的指标作为目标网络性能指标。
上述动作(a1)中,网络评估设备在选取目标网络性能指标时,设定一个预设阈值,将上述多个网络性能指标值中对应的权重值大于预设阈值的网络性能指标,选取为目标网络性能指标。
一个实施例中,网络评估设备利用Fisher判别分析算法建立的初始模型中包含a1X1、a2X2、a3X3、a4X4、a5X5、a6X6、a7X7、a8X8,其中X1至X8为该初始模型包含的8个网络性能指标,a1至a8分别为X1至X8对应的权重值,网络评估设备预先设定权重阈值为0.01,则根据a1至a8的值得出,其中a1、a2、a3、a4、a5的值均大于权重阈值0.01,则将X1、X2、X3、X4、X5选取为目标网络性能指标。
上述步骤S106中,网络评估设备获取多条第二样本数据,其中一个优选实施例中,可以根据全网的满意度调查样本数据得到多条第二样本数据,第二样本数据包含各个目标网络性能指标的指标值,以及,各个目标网络性能指标的指标值对应的用户针对网络的满意度值,比如,每条第二样本数据均包含了20个目标网络性能指标的指标值,每个第二样本数据均对应有各自的满意度值,且每一个满意度值是在20个目标网络性能指标的指标值下获取的。
上述步骤S108中,网络评估设备根据多条第二样本数据对初始模型进行优化,即将第二样本数据带入初始模型中训练,得到训练后优化的模型,将优化后的初始模型作为网络满意度评估模型,即该网络满意度评估模型用于根据各个目标网络性能指标的指标值评估用户针对网络的满意程度。
本发明实施例中,获取多条第一样本数据,包括:
(b1),获取用户的网络满意度的回访数据,并获取回访数据针对的网络信令数据;
(b2),从网络信令数据中提取每个网络性能指标的指标值,以及,从回访数据中提取用户针对网络的满意度值;
(b3),将提取的指标值和满意度值组合为第一样本数据。
上述动作(b1)中,网络评估设备获取用户的网络满意度的回访数据,并获取回访数据针对的网络信令数据。网络评估设备在基于信令数据的网络满意度回访数据中获取多条第一样本数据。
本发明实施例中,网络评估设备获取用户的网络满意度回访数据时,可以预先剔除对满意度影响较小的用户(比如华为用户、苹果用户),以提高建立初始模型的准确度。
上述动作(b2)中,网络评估设备从网络信令数据中提取每个网络性能指标的指标值,以及,从回访数据中提取用户针对网络的满意度值,比如,网络信令数据中包含30个网络性能指标,则提取该30个网络性能指标中每一个网络性能指标对应的指标值,以及从回访数据中提取每一个第一样本数据对应的满意度值。一个优选的实施例中,网络评估设备在获取回访数据中的网络信令数据时,利用LTE(Long Term Evolution,长期演进技术)的深度解析系统提取与网络满意度关系密切的多个性能指标,从而提取与该多个与网络满意度关系密切的性能指标对应的指标值,以及从回访数据中提取用户针对网络的满意度值。
上述动作(b3)中,网络评估设备将提取的指标值和满意度值组合为第一样本数据。
本发明实施例中,初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据多条第一样本数据建立初始模型,包括:
(c1),在多条第一样本数据中,采用预设的标准化算法对每个网络性能指标的指标值进行标准化;
(c2),根据标准化后的多条第一样本数据中的满意度值,将标准化后的多条第一样本数据分为第一网络满意数据和第一网络不满意数据,将第一网络满意数据作为第一正样本数据,将第一网络满意数据作为第一负样本数据;
(c3),将第一正样本数据和第一负样本数据输入至预设的判别模型中进行训练,将训练好的判别模型作为初始模型;其中,判别模型基于预设的判别算法实现。
上述动作(c1)中,网络评估设备在多条第一样本数据中,采用预设的标准化算法对每个网络性能指标的指标值进行标准化,该预设的标准化算法可以是计算多条第一样本数据中每个网络性能指标的指标值的均值,根据指标值的均值计算每个网络性能指标的指标值的标准差,通过Z-score方法对每个网络性能指标的指标值进行标准化,得到每个网络性能指标的标准化指标值,也可以采用其他数据标准化方法对每个网络性能指标的指标值进行标准化,这里不做特殊限定。
上述动作(c2)中,网络评估设备根据标准化后的多条第一样本数据中的满意度值,将标准化后的多条第一样本数据按照预设的划分规则分为第一网络满意数据和第一网络不满意数据,比如,第一样本值中的满意度值是网络用户按照10分制的设置打分后得出的满意度值,设置预设的划分规则为,将第一样本数据对应的满意度值为6分至10分的第一样本数据划分为第一网络满意数据,将第一样本数据对应的满意度值为0分至5分的第一样本数据划分为第一网络不满意数据,然后将第一网络满意数据作为第一正样本数据,将第一网络满意数据作为第一负样本数据。
上述动作(c3)中,网络评估设备将第一正样本数据和第一负样本数据输入至预设的判别模型中进行训练,将训练好的判别模型作为初始模型,其中,判别模型基于预设的判别算法实现,预设的判别算法可以是根据Fisher判别分析算法,也可以是其他判别算法,这里不做特殊限制。一个实施例中,第一正样本数据为按照满意度值为6分至10分的样本数据,第一负样本数据为按照满意度值为0分至5分的样本数据,在将该第一正样本数据和第一负样本数据输入至预设的判别模型中进行训练,第一正样本数据中满意度值为6分的样本数据在模型训练过程中偏离判别模型的预设范围,则去掉第一正样本中满意度值为6分的样本数据。
本发明实施例中,网络满意度评估模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据多条第二样本数据对初始模型进行优化,包括:
(d1),在多条第二样本数据中,采用预设的标准化算法对每个目标网络性能指标的指标值进行标准化;
(d2),根据标准化后的多条第二样本数据中的满意度值,将标准化后的多条第二样本数据分为第二网络满意数据和第二网络不满意数据,将第二网络满意数据作为第二正样本数据,将第二网络满意数据作为第二负样本数据;
(d3),将第二正样本数据和第二负样本数据输入至初始模型中进行训练,以对初始模型进行优化。
上述动作(d1)中,网络评估设备在多条第二样本数据中,采用预设的标准化算法对每个目标网络性能指标的指标值进行标准化,采用预设的标准化算法对每个目标网络性能指标的指标值进行标准化,该预设的标准化算法可以是计算多条第二样本数据中每个目标网络性能指标的指标值的均值,根据指标值的均值计算每个目标网络性能指标的指标值的标准差,通过Z-score方法对每个目标网络性能指标的指标值进行标准化,得到每个目标网络性能指标的标准化指标值,也可以采用其他数据标准化方法对每个目标网络性能指标的指标值进行标准化,这里不做特殊限定。
上述动作(d2)中,网络评估设备根据标准化后的多条第二样本数据中的满意度值,将标准化后的多条第二样本数据分为第二网络满意数据和第二网络不满意数据,将第二网络满意数据作为第二正样本数据,将第二网络满意数据作为第二负样本数据,该动作与上述动作(c2)相同,此处不再赘述。
上述动作(d3)中,网络评估设备将第二正样本数据和第二负样本数据输入至初始模型中进行训练,初始模型的训练结果包括多个目标网络性能指标以及每个目标网络性能指标对应的权重值,比如,初始模型包含有20个目标网络性能指标,将第二正样本数据和第二负样本数据输入至初始模型中进行训练,得到训练后的20个目标网络性能指标中的每一个目标网络性能对应的权重值,根据上述20个目标网络性能中各自对应的权重值得到初始模型优化后的模型。
表1为本实施例提供的优化后网络满意度评估模型,该模型包括目标网络性能指标对应的权重值和判别函数,如表1所示,通过目标网络性能指标对应的权重值得出优化后的模型函数为Y=0.31A+0.28B+0.34C+0.21D+0.18E+0.48,分别将A至E对应的目标网络性能指标的指标值代入模型函数中计算Y值(即判别值),根据判别值利用下列判别函数进行上述组的判别,判别值离哪个质心进,就属于哪个组,可以得出每个用户属于满意用户还是不满意用户。
表1
本发明实施例中,初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意,在建立初始模型前可以预先将第一样本数据按照如下分类分别建立初始模型:a,将第一样本数据按照网络满意用户和网络不满意用户的分类;b,将第一样本数据按照投诉用户和不投诉用户分类;c,将第一样本数据按照网络满意用户、网络不满意用户和投诉用户分类,根据a、b、c分类得到的初始模型分别为模型a、模型b和模型c,根据a、b、c的三个模型分别计算模型满意度结果,根据a、b、c的第一样本数据分别计算样本满意度结果,将a、b、c的模型满意度结果与其对应分类计算的样本满意度结果的差值对比,比如,在模型a中的100组样本数据中,按照满意度值(满分10分制)将样本数据分为满意用户(满意值为范围6至10)和不满意用户(满意值范围为0至5),其中属于满意用户的有68组,不满意用户有32组,则得出该组样本数据中满意用户的占比为68%,而该100组样本数据通过模型a计算得出满意用户的占比为65%,得出模型满意度结果65%和样本满意度结果68%的差值为3%,差值最小(即准确度最高)的是使用a分类的初始模型,则按照网络满意用户和网络不满意用户的分类建立初始模型,即初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意。
可见,本发明实施例中,网络评估设备获取多条包含与网络满意度相关的多个网络性能指标的指标值的第一样本数据,且第一样本数据中包含用户针对网络的满意度值,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。获取多条包含各个目标网络性能指标的指标值的第二样本数据,且第二样本数据包含用户针对网络的满意度值,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。本实施例中,根据确定的各个与网络满意度相关的网络性能指标建立初始模型,并且根据多条样本数据对初始模型进行优化训练,得到网络满意度评估模型,借助网络满意度评估模型能够有效提高用户的网络满意度的评估准确性
图2为本发明一实施例提供的网络满意度评估方法的流程示意图,该网络满意度评估方法可以由网络评估设备执行,如图2所示,该方法包括以下步骤:
S202,获取待评估网络对应的各个网络性能指标的指标值;
S204,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
S206,根据各个目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,对用户针对待评估网络的满意程度进行评估。
本发明实施例中,网络评估设备获取待评估网络对应的各个网络性能指标的指标值,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值,根据各个目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,通过借助网络满意度评估模型对用户针对待评估网络的满意程度进行评估,能够有效提高用户的网络满意度的评估准确性。
上述步骤S202至S204中,网络评估设备获取待评估网络对应的各个网络性能指标的指标值,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型相对应的目标网络性能指标的指标值。
上述步骤S206中,网络评估设备根据各个目标网络性能指标的指标值,以及确定的确定得到的网络满意度评估模型,对用户针对待评估网络的满意程度进行评估的过程可以是,计算待评估网络在一段时间内对应的各个目标网络性能指标的平均值,根据各个指标值的平均值计算每个目标网络性能指标的方差,根据各个目标网络性能指标的平均值和方差得到各个目标网络性能指标的标准值,将每个目标网络性能指标的标准值代入网络满意度评估模型中,得到该评估网络的满意程度的评估结果,评估结果包括网络满意或网络不满意。
一个优选的实施例中,对确定得到的网络满意度评估模型进行评估并且进行模型准确度的验证,针对某省的全网用户进行3个月的跟踪评估,获取该3个月的第二样本数据,提取与该确定的网络满意度评估模型相对应的目标网络性能指标的指标值,根据3个月的各个目标网络性能指标的指标值计算各个目标网络性能指标的标准化值,将目标网络性能指标的标准化值代入网络满意度评估模型中,得到某省在该三个月的满意度为71%,抽取该省份部分网络用户作为样本用户,对样本用户使用网络调查表形式进行网络满意度调研,根据调研结果汇总分析得出该样本用户的网络满意度为68%,根据该网络满意度评估模型得出的满意度值和网络调查表得出的满意度值之间的差值满足预设的阈值差值范围(0%-10%),则该网络满意度评估模型通过验证,网络满意度评估模型可用。
本发明实施例中,网络评估设备获取待评估网络对应的各个网络性能指标的指标值,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值,根据各个目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,通过借助网络满意度评估模型对用户针对待评估网络的满意程度进行评估,能够有效提高用户的网络满意度的评估准确性。
图3为本发明一实施例提供的网络满意度评估模型的建立装置的模块组成示意图,如图3所示,该装置包括:
数据获取模块31,用于获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
模型建立模块32,用于根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
样本获取模块33,用于获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
模型优化模块34,用于根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
可选地,所述数据获取模块31具体用于:
获取用户的网络满意度的回访数据,并获取所述回访数据针对的网络信令数据;
从所述网络信令数据中提取每个所述网络性能指标的指标值,以及,从所述回访数据中提取用户针对网络的满意度值;
将提取的指标值和满意度值组合为第一样本数据。
可选地,所述初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;所述模型建立模块32具体用于:
在所述多条第一样本数据中,采用预设的标准化算法对每个所述网络性能指标的指标值进行标准化;
根据标准化后的所述多条第一样本数据中的满意度值,将标准化后的所述多条第一样本数据分为第一网络满意数据和第一网络不满意数据,将所述第一网络满意数据作为第一正样本数据,将所述第一网络满意数据作为第一负样本数据;
将所述第一正样本数据和所述第一负样本数据输入至预设的判别模型中进行训练,将训练好的所述判别模型作为所述初始模型;其中,所述判别模型基于预设的判别算法实现。
可选地,所述模型建立模块32具体用于:
根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取权重值大于预设阈值的指标作为目标网络性能指标。
可选地,所述网络满意度评估模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;所述模型优化模块34具体用于:
在所述多条第二样本数据中,采用预设的标准化算法对每个所述目标网络性能指标的指标值进行标准化;
根据标准化后的所述多条第二样本数据中的满意度值,将标准化后的所述多条第二样本数据分为第二网络满意数据和第二网络不满意数据,将所述第二网络满意数据作为第二正样本数据,将所述第二网络满意数据作为第二负样本数据;
将所述第二正样本数据和所述第二负样本数据输入至所述初始模型中进行训练,以对所述初始模型进行优化。
可见,本发明实施例中,网络评估设备获取多条包含与网络满意度相关的多个网络性能指标的指标值的第一样本数据,且第一样本数据中包含用户针对网络的满意度值,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。获取多条包含各个目标网络性能指标的指标值的第二样本数据,且第二样本数据包含用户针对网络的满意度值,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。本实施例中,根据确定的各个与网络满意度相关的网络性能指标建立初始模型,并且根据多条样本数据对初始模型进行优化训练,得到网络满意度评估模型,借助网络满意度评估模型能够有效提高用户的网络满意度的评估准确性。
本申请实施例提供的网络满意度评估模型的建立装置能够实现前述网络满意度评估模型的建立方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
图4为本发明一实施例提供的网络满意度评估装置的模块组成示意图,如图4所示,该装置包括:
指标获取模块41,用于获取待评估网络对应的各个网络性能指标的指标值;
指标提取模块42,用于从所述各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立装置确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
结果评估模块43,用于根据各个所述目标网络性能指标的指标值,以及上述网络满意度评估模型的建立装置确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
本发明实施例中,网络评估设备获取待评估网络对应的各个网络性能指标的指标值,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值,根据各个目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,通过借助网络满意度评估模型对用户针对待评估网络的满意程度进行评估,能够有效提高用户的网络满意度的评估准确性。
本申请实施例提供的网络满意度评估装置能够实现前述网络满意度评估方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
进一步地,本申请实施例还提供了一种电子设备,图5为本申请一实施例提供的电子设备的结构示意图,如图5所示,该设备包括:存储器601、处理器602、总线603和通信接口604。存储器601、处理器602和通信接口604通过总线603进行通信,通信接口604可以包括输入输出接口,输入输出接口包括但不限于键盘、鼠标、显示器、麦克风、扩音器等。
一个实施例中,如图5所示,所述存储器601上存储有可在所述处理器602上运行的计算机可执行指令,所述计算机可执行指令被所述处理器602执行时实现以下流程:
获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
可选地,所述计算机可执行指令被所述处理器执行时,获取多条第一样本数据,包括:
获取用户的网络满意度的回访数据,并获取所述回访数据针对的网络信令数据;
从所述网络信令数据中提取每个所述网络性能指标的指标值,以及,从所述回访数据中提取用户针对网络的满意度值;
将提取的指标值和满意度值组合为第一样本数据。
可选地,所述计算机可执行指令被所述处理器执行时,所述初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据所述多条第一样本数据建立初始模型,包括:
在所述多条第一样本数据中,采用预设的标准化算法对每个所述网络性能指标的指标值进行标准化;
根据标准化后的所述多条第一样本数据中的满意度值,将标准化后的所述多条第一样本数据分为第一网络满意数据和第一网络不满意数据,将所述第一网络满意数据作为第一正样本数据,将所述第一网络满意数据作为第一负样本数据;
将所述第一正样本数据和所述第一负样本数据输入至预设的判别模型中进行训练,将训练好的所述判别模型作为所述初始模型;其中,所述判别模型基于预设的判别算法实现。
可选地,所述计算机可执行指令被所述处理器执行时,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标,包括:
根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取权重值大于预设阈值的指标作为目标网络性能指标。
可选地,所述计算机可执行指令被所述处理器执行时,所述网络满意度评估模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据所述多条第二样本数据对所述初始模型进行优化,包括:
在所述多条第二样本数据中,采用预设的标准化算法对每个所述目标网络性能指标的指标值进行标准化;
根据标准化后的所述多条第二样本数据中的满意度值,将标准化后的所述多条第二样本数据分为第二网络满意数据和第二网络不满意数据,将所述第二网络满意数据作为第二正样本数据,将所述第二网络满意数据作为第二负样本数据;
将所述第二正样本数据和所述第二负样本数据输入至所述初始模型中进行训练,以对所述初始模型进行优化。
可见,本发明实施例中,网络评估设备获取多条包含与网络满意度相关的多个网络性能指标的指标值的第一样本数据,且第一样本数据中包含用户针对网络的满意度值,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。获取多条包含各个目标网络性能指标的指标值的第二样本数据,且第二样本数据包含用户针对网络的满意度值,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。本实施例中,根据确定的各个与网络满意度相关的网络性能指标建立初始模型,并且根据多条样本数据对初始模型进行优化训练,得到网络满意度评估模型,借助网络满意度评估模型能够有效提高用户的网络满意度的评估准确性。
本申请实施例提供的电子设备能够实现前述网络满意度评估模型的建立方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
另一个实施例中,如图5所示,所述存储器601上存储有可在所述处理器602上运行的计算机可执行指令,所述计算机可执行指令被所述处理器602执行时实现以下流程:
获取待评估网络对应的各个网络性能指标的指标值;
从所述各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
根据各个所述目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
本发明实施例中,网络评估设备获取待评估网络对应的各个网络性能指标的指标值,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值,根据各个目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,通过借助网络满意度评估模型对用户针对待评估网络的满意程度进行评估,能够有效提高用户的网络满意度的评估准确性。
本申请实施例提供的电子设备能够实现前述网络满意度评估方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
进一步地,一个实施例中,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令被处理器执行时实现以下流程:
获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
可选地,所述计算机可执行指令被所述处理器执行时,获取多条第一样本数据,包括:
获取用户的网络满意度的回访数据,并获取所述回访数据针对的网络信令数据;
从所述网络信令数据中提取每个所述网络性能指标的指标值,以及,从所述回访数据中提取用户针对网络的满意度值;
将提取的指标值和满意度值组合为第一样本数据。
可选地,所述计算机可执行指令被所述处理器执行时,所述初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据所述多条第一样本数据建立初始模型,包括:
在所述多条第一样本数据中,采用预设的标准化算法对每个所述网络性能指标的指标值进行标准化;
根据标准化后的所述多条第一样本数据中的满意度值,将标准化后的所述多条第一样本数据分为第一网络满意数据和第一网络不满意数据,将所述第一网络满意数据作为第一正样本数据,将所述第一网络满意数据作为第一负样本数据;
将所述第一正样本数据和所述第一负样本数据输入至预设的判别模型中进行训练,将训练好的所述判别模型作为所述初始模型;其中,所述判别模型基于预设的判别算法实现。
可选地,所述计算机可执行指令被所述处理器执行时,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标,包括:
根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取权重值大于预设阈值的指标作为目标网络性能指标。
可选地,所述计算机可执行指令被所述处理器执行时,所述网络满意度评估模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据所述多条第二样本数据对所述初始模型进行优化,包括:
在所述多条第二样本数据中,采用预设的标准化算法对每个所述目标网络性能指标的指标值进行标准化;
根据标准化后的所述多条第二样本数据中的满意度值,将标准化后的所述多条第二样本数据分为第二网络满意数据和第二网络不满意数据,将所述第二网络满意数据作为第二正样本数据,将所述第二网络满意数据作为第二负样本数据;
将所述第二正样本数据和所述第二负样本数据输入至所述初始模型中进行训练,以对所述初始模型进行优化。
可见,本发明实施例中,网络评估设备获取多条包含与网络满意度相关的多个网络性能指标的指标值的第一样本数据,且第一样本数据中包含用户针对网络的满意度值,根据多条第一样本数据建立初始模型,根据初始模型中各个网络性能指标的权重值,在各个网络性能指标中选取目标网络性能指标。获取多条包含各个目标网络性能指标的指标值的第二样本数据,且第二样本数据包含用户针对网络的满意度值,根据多条第二样本数据对初始模型进行优化,将优化后的初始模型作为网络满意度评估模型。本实施例中,根据确定的各个与网络满意度相关的网络性能指标建立初始模型,并且根据多条样本数据对初始模型进行优化训练,得到网络满意度评估模型,借助网络满意度评估模型能够有效提高用户的网络满意度的评估准确性。
本申请实施例提供的计算机可读存储介质能够实现前述网络满意度评估模型的建立方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
进一步地,另一个实施例中,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令被处理器执行时实现以下流程:
获取待评估网络对应的各个网络性能指标的指标值;
从所述各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
根据各个所述目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
本发明实施例中,网络评估设备获取待评估网络对应的各个网络性能指标的指标值,从各个网络性能指标的指标值中,提取与上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值,根据各个目标网络性能指标的指标值,以及上述网络满意度评估模型的建立方法确定得到的网络满意度评估模型,通过借助网络满意度评估模型对用户针对待评估网络的满意程度进行评估,能够有效提高用户的网络满意度的评估准确性。
其中,所述的计算机可读存储介质包括只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本申请实施例提供的计算机可读存储介质能够实现前述网络满意度评估方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种网络满意度评估模型的建立方法,其特征在于,包括:
获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
2.根据权利要求1所述的方法,其特征在于,获取多条第一样本数据,包括:
获取用户的网络满意度的回访数据,并获取所述回访数据针对的网络信令数据;
从所述网络信令数据中提取每个所述网络性能指标的指标值,以及,从所述回访数据中提取用户针对网络的满意度值;
将提取的指标值和满意度值组合为第一样本数据。
3.根据权利要求1所述的方法,其特征在于,所述初始模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据所述多条第一样本数据建立初始模型,包括:
在所述多条第一样本数据中,采用预设的标准化算法对每个所述网络性能指标的指标值进行标准化;
根据标准化后的所述多条第一样本数据中的满意度值,将标准化后的所述多条第一样本数据分为第一网络满意数据和第一网络不满意数据,将所述第一网络满意数据作为第一正样本数据,将所述第一网络满意数据作为第一负样本数据;
将所述第一正样本数据和所述第一负样本数据输入至预设的判别模型中进行训练,将训练好的所述判别模型作为所述初始模型;其中,所述判别模型基于预设的判别算法实现。
4.根据权利要求1至3任一项所述的方法,其特征在于,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标,包括:
根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取权重值大于预设阈值的指标作为目标网络性能指标。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述网络满意度评估模型评估得到的用户针对网络的满意程度包括网络满意和网络不满意;根据所述多条第二样本数据对所述初始模型进行优化,包括:
在所述多条第二样本数据中,采用预设的标准化算法对每个所述目标网络性能指标的指标值进行标准化;
根据标准化后的所述多条第二样本数据中的满意度值,将标准化后的所述多条第二样本数据分为第二网络满意数据和第二网络不满意数据,将所述第二网络满意数据作为第二正样本数据,将所述第二网络满意数据作为第二负样本数据;
将所述第二正样本数据和所述第二负样本数据输入至所述初始模型中进行训练,以对所述初始模型进行优化。
6.一种网络满意度评估方法,其特征在于,包括:
获取待评估网络对应的各个网络性能指标的指标值;
从所述各个网络性能指标的指标值中,提取与上述权利要求1至5中任一项确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
根据各个所述目标网络性能指标的指标值,以及上述权利要求1至5中任一项确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
7.一种网络满意度评估模型的建立装置,其特征在于,包括:
数据获取模块,用于获取多条第一样本数据;其中,所述第一样本数据中包含与网络满意度相关的多个网络性能指标的指标值,以及,所述多个网络性能指标的指标值对应的用户针对网络的满意度值;
模型建立模块,用于根据所述多条第一样本数据建立初始模型,根据所述初始模型中各个所述网络性能指标的权重值,在各个所述网络性能指标中选取目标网络性能指标;其中,所述初始模型用于根据所述多个网络性能指标的指标值评估用户针对网络的满意程度;
样本获取模块,用于获取多条第二样本数据;其中,所述第二样本数据包含各个所述目标网络性能指标的指标值,以及,各个所述目标网络性能指标的指标值对应的用户针对网络的满意度值;
模型优化模块,用于根据所述多条第二样本数据对所述初始模型进行优化,将优化后的所述初始模型作为网络满意度评估模型;其中,所述网络满意度评估模型用于根据所述各个所述目标网络性能指标的指标值评估用户针对网络的满意程度。
8.一种网络满意度评估装置,其特征在于,包括:
指标获取模块,用于获取待评估网络对应的各个网络性能指标的指标值;
指标提取模块,用于从所述各个网络性能指标的指标值中,提取与上述权利要求7确定得到的网络满意度评估模型相对应的目标网络性能指标的指标值;
结果评估模块,用于根据各个所述目标网络性能指标的指标值,以及上述权利要求7确定得到的网络满意度评估模型,对用户针对所述待评估网络的满意程度进行评估。
9.一种电子设备,其特征在于,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,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5中任一项所述的网络满意度评估模型的建立方法或者权利要求6中所述的网络满意度评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的网络满意度评估模型的建立方法或者权利要求6中所述的网络满意度评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458255.5A CN112016940A (zh) | 2019-05-29 | 2019-05-29 | 模型建立方法及设备、网络满意度评估方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458255.5A CN112016940A (zh) | 2019-05-29 | 2019-05-29 | 模型建立方法及设备、网络满意度评估方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016940A true CN112016940A (zh) | 2020-12-01 |
Family
ID=73500716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910458255.5A Pending CN112016940A (zh) | 2019-05-29 | 2019-05-29 | 模型建立方法及设备、网络满意度评估方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140033A (zh) * | 2022-01-29 | 2022-03-04 | 北京新唐思创教育科技有限公司 | 一种服务人员的分配方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110699A (zh) * | 2007-08-07 | 2008-01-23 | 广州诚予国际市场信息研究有限公司 | 具有网络满意度预测预警功能的系统及其实现方法 |
WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
CN107018004A (zh) * | 2016-01-28 | 2017-08-04 | 中国移动通信集团福建有限公司 | 用户满意度管理系统及方法 |
CN107045506A (zh) * | 2016-02-05 | 2017-08-15 | 阿里巴巴集团控股有限公司 | 评估指标获取方法及装置 |
CN109377252A (zh) * | 2018-08-30 | 2019-02-22 | 广州崇业网络科技有限公司 | 一种基于大数据框架的客户满意度预测方法 |
-
2019
- 2019-05-29 CN CN201910458255.5A patent/CN112016940A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110699A (zh) * | 2007-08-07 | 2008-01-23 | 广州诚予国际市场信息研究有限公司 | 具有网络满意度预测预警功能的系统及其实现方法 |
WO2016180127A1 (zh) * | 2015-09-16 | 2016-11-17 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
CN107018004A (zh) * | 2016-01-28 | 2017-08-04 | 中国移动通信集团福建有限公司 | 用户满意度管理系统及方法 |
CN107045506A (zh) * | 2016-02-05 | 2017-08-15 | 阿里巴巴集团控股有限公司 | 评估指标获取方法及装置 |
CN109377252A (zh) * | 2018-08-30 | 2019-02-22 | 广州崇业网络科技有限公司 | 一种基于大数据框架的客户满意度预测方法 |
Non-Patent Citations (1)
Title |
---|
郭躬德 等: "《近邻分类方法及应用上》", 31 December 2013, 厦门大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140033A (zh) * | 2022-01-29 | 2022-03-04 | 北京新唐思创教育科技有限公司 | 一种服务人员的分配方法、装置、电子设备及存储介质 |
CN114140033B (zh) * | 2022-01-29 | 2022-04-12 | 北京新唐思创教育科技有限公司 | 一种服务人员的分配方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162717B (zh) | 一种推荐好友的方法和设备 | |
CN107341268B (zh) | 一种热搜榜排序方法及系统 | |
US11763145B2 (en) | Article recommendation method and apparatus, computer device, and storage medium | |
CN109033408B (zh) | 信息推送方法及装置、计算机可读存储介质、电子设备 | |
CN109934704A (zh) | 信息推荐方法、装置、设备和存储介质 | |
WO2018130201A1 (zh) | 确定关联账号的方法、服务器及存储介质 | |
CN111294819B (zh) | 一种网络优化方法及装置 | |
CN111985751B (zh) | 人机聊天体验评估体系 | |
CN110619535B (zh) | 一种数据处理方法及其装置 | |
CN110782448A (zh) | 渲染图像的评价方法及装置 | |
CN111754107A (zh) | 主播价值评估方法、装置、电子设备和可读存储介质 | |
CN113361956B (zh) | 资源生产方的资源质量评价方法、装置、设备及存储介质 | |
CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN106095941B (zh) | 基于大数据知识库的解决方案推荐方法和系统 | |
CN112016940A (zh) | 模型建立方法及设备、网络满意度评估方法及设备 | |
RU2612608C2 (ru) | Система и способ формирования круга общения и компьютерный носитель информации | |
CN109274834B (zh) | 一种基于通话行为的快递号码识别方法 | |
CN111652712B (zh) | 基于地理信息的贷前分析方法、装置、设备与存储介质 | |
CN117196402A (zh) | 目标对象的确定方法、装置、存储介质及电子设备 | |
CN107222319B (zh) | 一种通信操作分析方法及装置 | |
CN116976739A (zh) | 一种云计算产品需求优先级排序方法和系统 | |
CN116627781A (zh) | 目标模型验证方法以及装置 | |
CN111144430A (zh) | 基于遗传算法的养卡号码识别方法及装置 | |
CN111368858A (zh) | 用户满意度评估方法及装置 | |
CN111291259B (zh) | 一种数据筛选方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |