CN112671573B - 识别宽带业务中潜在离网用户的方法及装置 - Google Patents

Abstract

本申请公开了识别宽带业务中潜在离网用户的方法及装置，该方法首先获取每个宽带用户在预定监测周期内的业务感知数据和业务量。然后，根据所述业务感知数据确定感知质差用户，并根据该预定监测周期内各宽带用户的业务量变化确定业务量回落用户。最后，确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。可见，通过本申请方法关联业务感知数据和业务量数据识别潜在离网用户，确定的潜在离网用户同时具有历史离网用户的感知质差特征和业务量回落特征，识别结果具有更高的准确性。

Description

识别宽带业务中潜在离网用户的方法及装置

技术领域

本申请涉及通信及网络技术领域，尤其涉及一种识别宽带业务中潜在离网用户的方法及装置。

背景技术

宽带业务是运营商为用户提供的高速访问互联网的接入业务，用户可以通过ADSL(Asymmetric Digital Subscriber Line，非对称数字用户线路)或光纤接入宽带网，实现高速上网冲浪。

通常，可以采用用户体验质量(quality of experience，QoE)评价用户对宽带业务的满足程度。运营商可以在用户体验质量较差时，对各方面业务质量进行分析，找出导致用户体验质量差的原因，即产生感知质差的原因，以指导业务质量提升工作和潜在离网用户挽留工作。

然而，仅凭借业务感知结果准确定位潜在离网用户，难以保证结果的准确性。

发明内容

本申请提供一种识别宽带业务中潜在离网用户的方法及装置，以解决现有技术中仅凭借业务感知结果准确定位潜在离网用户，难以保证结果的准确性的问题。

第一方面，本申请提供一种识别宽带业务中潜在离网用户的方法，所述方法包括：

获取每个宽带用户在预定监测周期内的业务感知数据和业务量；

根据所述业务感知数据确定感知质差用户，并根据各宽带用户的所述业务量在所述预定监测周期内的变化情况确定业务量回落用户；

将同时为所述感知质差用户和所述业务量回落用户的宽带用户确定为潜在离网用户。

第二方面，本申请还提供一种识别宽带业务中潜在离网用户的装置，所述装置包括：

数据获取模块，用于获取每个宽带用户在预定监测周期内的业务感知数据和业务量；

业务感知模块，用于根据所述业务感知数据确定感知质差用户；

业务量监测模块，用于根据各宽带用户的所述业务量在所述预定监测周期内的变化情况确定业务量回落用户；

关联识别模块，用于确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。

由以上技术方案可知，本申请提供一种识别宽带业务中潜在离网用户的方法及装置，该方法首先获取每个宽带用户在预定监测周期内的业务感知数据和业务量。然后，根据所述业务感知数据确定感知质差用户，并根据各宽带用户的业务量在预定监测周期内的变化量确定业务量回落用户。最后，确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。可见，通过本申请方法关联业务感知数据和业务量数据识别潜在离网用户，确定的潜在离网用户同时具有历史离网用户的感知质差特征和业务量回落特征，识别结果具有更高的准确性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请在一些实施例中示出的识别宽带业务中潜在离网用户的方法流程图；

图2为图1所示实施例中S2的一种实现方式流程图；

图3为图2所示实施例中S21的一种实现方式流程图；

图4为图2所示实施例中S22的一种实现方式流程图；

图5为图1所示实施例中S2的一种实现方式流程图；

图6为在一些实施例中示出的识别宽带业务中潜在离网用户的装置框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本申请实施例提供一种识别宽带业务中潜在离网用户的方法，如图1所示，该方法可以包括：

S1，获取每个宽带用户在预定监测周期内的业务感知数据和业务量。

S2，根据所述业务感知数据确定感知质差用户，并根据各宽带用户的所述业务量在该预定监测周期内的变化情况确定业务量回落用户。

S3，确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。

本申请提供的识别宽带业务中潜在离网用户的方法，将同时为感知质差用户和业务量回落用户的宽带用户确定为潜在离网用户，确定的潜在离网用户同时具有历史离网用户的感知质差特征和业务量回落特征，可以提高识别方法的准确性。

一种实现方式中，S2具体可以包括图2所示步骤：

S21，利用创建好的业务感知模型处理业务感知数据，以获取宽带用户的感知质差特征。

具体实现时，可以使用预定历史时间段内离网用户的业务感知数据对初始的业务感知模型进行训练。例如，收集半年内离网用户的业务感知数据作为训练数据，对初始的业务感知模型进行训练。训练过程中，使模型的输出结果与期望结果逐渐靠近，不断优化模型的各项参数，直到模型输出结果的准确性达到优化目标。

为了得到更准确的业务感知结果，本申请从用户属性、业务质量和服务质量三个方面对宽带用户的用户感知质量进行分析，分别得到在用户属性方面、业务质量方面和服务质量方面的多维感知质差特征。

基于此，业务感知模型可以包括用户属性感知子模型、业务质量感知子模型和服务质量感知子模型。

用户属性感知子模型，可以使用预定历史时间段内离网用户的用户属性数据训练得到，通过训练，建立模型识别用户侧问题的能力，即识别到导致用户感知质差的用户侧根因，以利用模型得到宽带用户在用户侧的感知质差特征。

在一个例子中，用户属性数据可以包括用户账号在不同平台的状态信息、用户类型信息、用户设备信息等。

其中，用户账号的状态信息包括未授权、已授权、未认证、已认证等；当用户账号在不同平台上的账号状态存在差异时，将会影响用户正常使用宽带业务。例如，当用户账号在AAA认证平台上的状态为未授权，在业务平台上的状态为已授权时，用户将无法正常使用在业务平台上已授权的宽带业务。使用账号状态信息训练用户属性感知子模型，可以建立模型识别账号状态差异的能力，以利用模型确定宽带用户是否存在该感知质差特征。

用户类型信息即表征用户类型的信息，用户类型包括“是否低带宽用户”、“是否FTTB(光纤到楼，fiber to the building)接入用户”、“是否校园用户”、“是否裸宽用户”、“是否PTN(分组传送网，packet transport network)上行用户”等，其中某些特定类型用户是感知敏感型用户，即易感知质差的用户。使用用户类型信息训练用户属性感知子模型，可以建立模型识别用户类型的能力，以确定宽带用户是否是感知敏感型用户。

用户设备信息即用户终端、路由器等用户侧设备的相关信息，如设备类型、设备MAC地址、设备厂商、设备型号及设备描述信息等。当用户设备质量较差时，也易导致用户感知质差。

在宽带用户在网期间，根据用户的认证、上下线情况以及网关周期日志中上报的下挂设备信息，定位质差网关和路由器等用户侧设备，并在宽带用户的用户设备信息中对质差设备进行标记，例如，对质差路由器的厂商及型号等进行标记，对质差网关的序列号及其归属宽带账号下挂的路由器的厂商及型号等进行标记。这样，使用标记后的用户设备信息训练用户属性感知子模型，即可以建立模型识别质差终端的能力，以确定宽带用户是否存在终端质差的问题。

业务质量感知子模型，可以使用预定历史时间段内离网用户的业务质量数据训练得到，通过训练，建立模型识别业务质量方面的问题，即在业务质量方面识别导致用户感知质差的根因，以利用模型得到宽带用户在业务质量方面的感知质差特征。

在一个例子中，业务质量数据包括四类数据，分别为家庭组网侧相关数据、接入网络侧相关数据、服务节点侧相关数据和牌照方与内容源侧相关数据。

其中，家庭组网侧相关数据具体可以包括：

网关软探针日志数据，使用网关软探针日志数据训练业务质量感知子模型，可以建立模型对网关性能、网关运行时长、网关WAN(广域网，wide area network)流量超限、网关接收弱光、网关WIFI接入弱信号与同屏干扰、重传率、丢包率等问题的识别能力，以利用模型得到家庭组网侧网关小类的感知质差特征；

电视软探针日志数据，使用电视软探针日志数据训练业务质量感知子模型，可以建立模型对电视卡顿、花屏、欠载、EPG(电子节目指南，electrical program guide)请求、播放成功率、设备性能、软件版本、硬件版本、运行时长、重传、丢包等问题的识别能力，以利用模型得到家庭组网侧机顶盒小类的感知质差特征；

DPI(深度报文检测，deep packet inspection)日志数据，使用DPI日志数据训练业务质量感知子模型，可以建立模型对用户级浏览、视频、下载、游戏质量等问题的识别能力，以利用模型得到家庭组网侧业务质量小类的感知质差特征；其中，该DPI日志是家庭组网侧的深度报文检测日志数据；

AAA(认证授权计费，authentication,authorization,accounting)话单数据，使用AAA话单数据训练业务质量感知子模型，可以建立模型对用户质差终端、上网习惯等问题的识别能力，以利用模型得到家庭组网侧质差终端小类的感知质差特征。

接入网络侧相关数据具体可以包括：

传输网管与PON(无源光纤网络，passive optical network)网管性能及告警数据，使用传输网管与PON网管性能及告警数据训练业务质量感知子模型，可以建立模型对OLT(光线路终端，optical line terminal)重载、PON重载、PTN(分组传送网，packettransport network)超限、接入网群障、设备弱光等问题的识别能力，以利用模型得到接入网络侧接入网质量小类的感知质差特征；

数据网管性能及告警数据，使用数据网管性能及告警数据训练业务质量感知子模型，可以建立模型对SW异常(串行调试接口异常，serial wire debug)、BRAS(宽带接入服务器，broadband remote access server)异常、地址池超限等问题的识别能力，以利用模型得到接入网络侧承载质量小类的感知质差特征；

DPI日志、软探针日志、拨测数据，将三者结合训练业务质量感知子模型，可以建立模型对接入网络各级网元的浏览、视频、下载、游戏、电视业务质量等问题的识别能力，以利用模型得到接入网络侧业务质量小类的感知质差特征；其中该DPI日志是接入网络侧的深度报文检测日志数据。

服务节点侧相关数据具体可以包括：

CDN(内容分发网络，content delivery network)服务器日志、业务日志、硬探针拨测、用户软探针收视数据，使用这些数据训练业务质量感知子模型，可以建立模型对用户访问CDN节点与群组业务质量的识别能力，以利用模型得到服务节点侧CDN小类的感知质差特征；

EPG服务器日志与业务日志数据，使用这些数据训练业务质量感知子模型，可以建立模型对EPG节点与群组负载、EPG节点与群组业务质量的识别能力，以利用模型得到服务节点侧EPG小类的感知质差特征。

牌照方与内容源侧相关数据具体可以包括：

牌照方交换机镜像、牌照方流监控告警、用户收视日志，使用这些数据训练业务质量感知子模型，可以建立模型对用户访问节目源业务质量的识别能力，以利用模型得到牌照方与内容源侧牌照方小类的感知质差特征；

DPI日志，使用DPI日志训练业务质量感知子模型，可以建立模型对用户访问浏览、电视、游戏业务SP(结构化编程，structured programming)质量等问题的识别能力，以利用模型得到牌照方与内容源侧内容源小类的感知质差特征；其中该DPI日志数据为牌照方与内容源侧的深度报文检测日志数据。

服务质量感知子模型，可以使用预定历史时间段内离网用户的服务质量数据得到，通过训练，可以建立模型对服务质量方面的问题的识别能力，即在服务质量方面识别导致用户感知质差的根因，以利用模型得到宽带用户在服务质量方面的感知质差特征。

在一个例子中，服务质量数据可以包括装机环节产生的数据和排障环节产生的数据。

其中，根据装机环节产生的数据，如集团+省内CATI(计算机辅助电话访问，computer assisted telephone interview)外呼、实时评测、IVR(互动式语音应答，interactive voice response)回访等多个渠道的回访数据，训练服务质量感知子模型，可以建立模型对宽带装机环节出现的问题的识别能力，以利用模型得到用户在宽带装机环节的感知质差特征；

根据排障环节产生的数据，如家庭宽带投诉工单数据，训练服务质量感知子模型，可以建立模型对排障环节出现的问题的识别能力，以利用模型得到用户在排障环节的感知质差特征。

相应的，S1中获取的业务感知数据包括用户属性数据、业务质量数据和服务质量数据。在S21中，利用用户属性感知子模型处理用户属性数据，得到在用户属性方面的感知质差特征；利用业务质量感知子模型处理业务质量数据，得到在业务质量方面的感知质差特征；利用服务质量感知子模型处理服务质量数据，得到在服务质量方面的感知质差特征。

在一些实施例中，基于多个感知维度的感知质差特征包括多个预定义感知标签对应的命中结果。其中，这些感知标签被分为不同的级别，一个末级感知标签归属于至少一个上级感知标签。应当理解，下级感知标签对应的感知维度低于上级感知标签的感知维度。

在一个例子中，预定义的感知标签包括一级感知标签和二级感知标签，每个二级感知标签归属于一个一级感知标签，一个一级感知标签可以对应一个或者多个二级感知标签。由于该示例中二级感知标签的级别最低，因此该二级感知标签又称为末级感知标签。

在另一个例子中，预定义的感知标签包括一级感知标签、二级感知标签和三级感知标签，二级感知标签是三级感知标签的上级感知标签，是一级感知标签的下级感知标签，一个三级感知标签归属于一个二级感知标签和该二级感知标签归属的一级感知标签。由于该示例中，三级感知标签的级别最低，因此三级感知标签又可成为末级感知标签。

在一种实现方式中，用户属性、业务质量和服务质量分别对应一个一级感知标签，分别为用户属性标签、业务质量标签、服务质量标签。这里的每个一级感知标签对应多个末级感知标签，每个末级感知标签表征产生/导致感知质差的一个问题或根因。例如，业务质量标签对应的末级感知标签，表征在业务质量方面产生/导致感知质差的根因或问题。

示例性的，用户属性标签、业务质量标签、服务质量标签分别对应的末级感知标签可以如下表所示：

在一些实施例中，S21具体可以包括图3所示步骤：

S211，利用业务感知模型处理业务感知数据，可以直接得到各末级感知标签对应的命中结果。

其中，对于任意的感知标签，其命中结果用于表征预定监测周期内的业务感知数据是否命中该标签，以及命中该标签的次数。

在一种实现方式中，利用用户属性感知子模型处理用户属性数据，可以直接得到用户属性标签下所有末级感知标签的命中结果；利用业务质量感知子模型处理业务质量数据，可以直接得到业务质量标签下所有末级感知标签的命中结果；利用服务质量感知子模型处理服务质量数据，可以直接得到服务质量标签下所有末级感知标签的命中结果。

S212，对于每个上级感知标签，判断所述上级感知标签对应的下级感知标签的命中结果是否满足预定条件。

S213，若所述上级感知标签对应的下级感知标签的命中结果满足预定条件，确定所述上级感知标签被命中。

作为一种可能的实现方式，自末级感知标签开始，逐级判断每个下级感知标签的命中次数是否满足预定次数，若至少一个下级感知标签的命中次数满足预定次数，确定该下级感知标签归属的上级感知标签被命中。以上表所示标签隶属关系作为示例，当“账号状态不一致”的命中次数达到预定次数时，确定用户属性标签被命中，即说明该用户在用户属性方面感知质差，且引发感知质差的根因至少包括用户账号在多平台上账号状态不一致。

作为另一种可能的实现方式，逐一判断每个上级感知标签对应的下级感知标签中被命中的数量是否达到预定数量，若某上级感知标签对应的下级感知标签中被命中的数量达到预定数量，确定该上级感知标签被命中。以上表所示标签隶属关系作为示例，当用户属性标签对应的4个末级感知标签中有2个被命中时，确定用户属性标签被命中。

S22，根据宽带用户的感知质差特征与预定质差特征的匹配程度是否达到预设匹配度，判断宽带用户是否为感知质差用户。

在一种实现方式中，预定质差特征根据历史离网用户的质差特征确定，从而，当宽带用户的感知质差特征与预定质差的匹配程度符合预定条件时，认为该宽带用户的感知质差特征符合离网用户的感知质差特征。

在一种实现方式中，预定质差特征包括至少一个指定感知标签。例如，基于数据统计方法，确定过去半年内离网用户的业务感知数据都会命中业务质量标签，则确定业务质量标签为预定质差也正包含的一个指定感知标签。

基于此，可以图4所示步骤，判断感知质差特征与预定质差特征的匹配程度是否达到预设匹配度：

S221，根据S211和S213的结果，确定命中的指定感知标签的数量和/或每个指定感知标签的命中次数。

S222，判断命中的指定感知标签的数量是否达到预设匹配度规定的数量，和/或，判断每个指定感知标签的命中次数是否达到预定匹配度规定的次数。

S223，若命中的指定感知标签的数量达到预设匹配度规定的数量，和/或，每个指定感知标签的命中次数达到预定匹配度规定的次数，确定感知质差特征与预定质差特征的匹配程度是否达到预设匹配度，进而将该宽带用户确定为感知质差用户。

在一个例子中，若至少一个一级感知标签被命中，确定该宽带用户是感知质差用户。比如，当“业务质量”标签被命中，确定该宽带用户是感知质差用户。

在另一个例子中，若至少一个末级感知标签被命中的次数达到预定次数，确定该宽带用户是感知质差用户。例如，当“接入质量”标签被命中的次数达到预定次数，确定该宽带用户是感知质差用户。

在一些实施例中，宽带用户的业务量通过账号活跃频度和流量使用量进行表征。基于此，S2中根据各宽带用户的业务量在预定监测周期内的变化情况确定业务量回落用户，具体可以包括图5所示步骤：

S23，根据所述预定监测周期内每个时间单元的账号活跃频度和流量使用量，确定基于活跃频度变化和/或流量使用量变化的业务量回落特征。

其中，账号活跃频度具体可以是账号的AAA有效上线次数，即流量消耗超过阈值的上线次数，其可以从账号的AAA登录信息获得，流量使用量则可以从账号的AAA系统记录的流量信息中获得。另外，一个时间单元可以是一天、一周或者一月。当时间单元长度不同时，可以统计出不同粒度的账号活跃频度变化和流量使用变化。例如，根据账号每天的有效上线次数可以得到单日活跃频度，进而得到预定监测周期内基于日粒度的活跃频度变化。根据账号每天的流量使用量可以得到单日流量，进而得到预定监测周期内基于日粒度的流量使用量变化。根据活跃频度变化和/或流量使用量变化，可以得到宽带用户的业务量回落特征，如回落幅度，回落速度等等。

S24，根据所述业务量回落特征与预定回落特征的匹配程度确定所述宽带用户是否是业务量回落用户。

在一种实现方式中，预定回落特征根据历史离网用户的回落特征确定。例如，基于数据统计方法，确定过去半年内离网用户的业务量变化情况，确定其业务量回落特征，作为预定回落特征。

从而，当宽带用户的业务量回落特征与预定回落特征的匹配程度符合预定条件时，认为该宽带用户的业务量回落特征符合离网用户的业务量回落特征，因此确认该宽带用户是业务量回落用户。

由以上实施例可知，本申请提供一种识别宽带业务中潜在离网用户的方法，该方法首先获取每个宽带用户在预定监测周期内的业务感知数据和业务量。然后，根据所述业务感知数据识别感知质差用户，并根据预定监测周期内各宽带用户的业务量变化识别业务量回落用户，其中，感知质差用户的感知质差特征符合历史离网用户的感知质差特征，业务量回落用户的业务量回落特征符合历史离网用户的业务量回落特征。最后，确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。可见，通过本申请方法关联业务感知数据和业务量数据识别潜在离网用户，确定的潜在离网用户同时具有历史离网用户的感知质差特征和业务量回落特征，识别结果具有更高的准确性。

在一些实施例中，本申请提供的识别宽带业务中潜在离网用户的方法方法，还包括：将潜在离网用户的感知质差特征与预置策略库进行匹配，得到针对潜在离网用户的挽留策略，以根据得到的挽留策略针对性地指导用户挽留工作。其中，策略库包含与各类感知质差特征匹配的挽留策略。

本申请实施例还提供一种识别宽带业务中潜在离网用户的装置，如图6所示，该装置可以包括：数据获取模块601，用于获取每个宽带用户在预定监测周期内的业务感知数据和业务量。业务感知模块602，用于根据所述业务感知数据确定感知质差用户。业务量监测模块603，用于根据各宽带用户的所述业务量在所述预定监测周期内的变化情况确定业务量回落用户。关联识别模块604，用于确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。

在一些实施例中，业务感知模块602，具体用于利用预先创建的业务感知模型处理所述业务感知数据，以获取所述宽带用户的感知质差特征；若所述感知质差特征与预定质差特征的匹配程度达到预设匹配度，确定所述宽带用户是否为感知质差用户。

在一些实施例中，业务感知模块602，具体用于利用所述业务感知模型处理所述业务感知数据，以获取对预定义末级感知标签的命中结果，每个所述末级感知标签归属于至少一个上级感知标签；对于每个上级感知标签，判断所述上级感知标签对应的下级感知标签的命中结果是否满足预定条件；若所述上级感知标签对应的下级感知标签的命中结果满足预定条件，确定所述上级感知标签被命中。

在一些实施例中，所述预定质差特征根据历史离网用户的质差特征确定，所述预定质差特征包括至少一个指定感知标签。业务感知模块602，具体用于判断命中的所述指定感知标签的数量是否达到预设匹配度包含的数据量，和/或，判断每个指定感知标签的命中次数是否达到预设匹配度包含的次数；若命中的所述指定感知标签的数量达到所述预设匹配度包含的数量，和/或，每个指定感知标签的命中次数达到所述预设匹配度包含的次数，确定所述感知质差特征与预定质差特征的匹配程度达到所述预设匹配度，进而将所述宽带用户确定为感知质差用户。

在一些实施例中，业务量通过账号活跃频度和流量使用量进行表征。业务量监测模块603，具体用于根据所述预定监测周期内每个时间单元的账号活跃频度和流量使用量，确定基于活跃频度变化和/或流量使用量变化的业务量回落特征；根据所述业务量回落特征与预定回落特征的匹配程度确定所述宽带用户是否是业务量回落用户。

在一些实施例中，所述预定回落特征根据历史离网用户的回落特征确定。

在一些实施例中，所述装置还可以包括策略匹配模块，用于将所述潜在离网用户的感知质差特征与预置策略库进行匹配，得到针对所述潜在离网用户的挽留策略，所述策略库包含与各类感知质差特征匹配的挽留策略。

具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的识别宽带业务中潜在离网用户的方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中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，该计算机软件产品可以存储在存储介质中，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)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，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中的说明即可。

以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (8)

1.一种识别宽带业务中潜在离网用户的方法，其特征在于，所述方法包括：

获取每个宽带用户在预定监测周期内的业务感知数据和业务量；

利用预先创建的业务感知模型处理所述业务感知数据，以获取对预定义末级感知标签的命中结果，每个所述末级感知标签归属于至少一个上级感知标签；

对于每个上级感知标签，判断所述上级感知标签对应的下级感知标签的命中结果是否满足预定条件；

若所述上级感知标签对应的下级感知标签的命中结果满足预定条件，确定所述上级感知标签被命中，以获取所述宽带用户的感知质差特征；

判断所述感知质差特征与预定质差特征的匹配程度是否达到预设匹配度；

若所述感知质差特征与预定质差特征的匹配程度达到预设匹配度，确定所述宽带用户为感知质差用户，并根据各宽带用户的所述业务量在所述预定监测周期内的变化情况确定业务量回落用户；

将同时为所述感知质差用户和所述业务量回落用户的宽带用户确定为潜在离网用户。

2.根据权利要求1所述的方法，其特征在于，所述预定质差特征根据历史离网用户的质差特征确定，所述预定质差特征包括至少一个指定感知标签，所述判断所述感知质差特征与预定质差特征的匹配程度是否达到预设匹配度，包括：

若命中的所述指定感知标签的数量达到所述预设匹配度包含的数量，和/或，每个指定感知标签的命中次数达到所述预设匹配度包含的次数，确定所述感知质差特征与预定质差特征的匹配程度达到所述预设匹配度。

3.根据权利要求1所述的方法，其特征在于，所述业务量通过账号活跃频度和流量使用量进行表征；

所述根据各宽带用户的所述业务量在所述预定监测周期内的变化情况确定业务量回落用户，包括：

根据所述预定监测周期内每个时间单元的账号活跃频度和流量使用量，确定基于活跃频度变化和/或流量使用量变化的业务量回落特征；

根据所述业务量回落特征与预定回落特征的匹配程度确定所述宽带用户是否是业务量回落用户。

4.根据权利要求3所述的方法，其特征在于，所述预定回落特征根据历史离网用户的回落特征确定。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述潜在离网用户的感知质差特征与预置策略库进行匹配，得到针对所述潜在离网用户的挽留策略，所述策略库包含与各类感知质差特征匹配的挽留策略。

6.根据权利要求1所述的方法，其特征在于，所述业务感知模型包括用户属性感知子模型、业务质量感知子模型和服务质量感知子模型，所述业务感知数据包括用户属性数据、业务质量数据和服务质量数据，所述上级感知标签包括用户属性感知标签、业务质量感知标签和服务质量感知标签，所述利用所述业务感知模型处理所述业务感知数据，包括：

利用所述用户属性感知子模型处理所述用户属性数据，得到对所述用户属性感知标签包括的末级感知标签的命中结果；

利用所述业务质量感知子模型处理所述业务质量数据，得到对所述业务质量感知标签包括的末级感知标签的命中结果；

利用所述服务质量感知子模型处理所述服务质量数据，得到对所述服务质量感知标签包含的末级感知标签的命中结果。

7.根据权利要求6所述的方法，其特征在于，所述用户属性感知子模型是使用预定历史时间段内离网用户的用户属性数据训练得到的，所述业务质量感知子模型是使用所述预定历史时间段内离网用户的业务质量数据训练得到的，所述服务质量感知子模型是使用所述预定历史时间段内离网用户的服务质量数据得到的。

8.一种识别宽带业务中潜在离网用户的装置，其特征在于，所述装置包括：

数据获取模块，用于获取每个宽带用户在预定监测周期内的业务感知数据和业务量；

业务感知模块，用于利用预先创建的业务感知模型处理所述业务感知数据，以获取对预定义末级感知标签的命中结果，每个所述末级感知标签归属于至少一个上级感知标签；

对于每个上级感知标签，判断所述上级感知标签对应的下级感知标签的命中结果是否满足预定条件；

若所述上级感知标签对应的下级感知标签的命中结果满足预定条件，确定所述上级感知标签被命中，以获取所述宽带用户的感知质差特征；

判断所述感知质差特征与预定质差特征的匹配程度是否达到预设匹配度；

若所述感知质差特征与预定质差特征的匹配程度达到预设匹配度，确定所述宽带用户为感知质差用户；

业务量监测模块，用于根据各宽带用户的所述业务量在所述预定监测周期内的变化情况确定业务量回落用户；

关联识别模块，用于确定同时为所述感知质差用户和所述业务量回落用户的宽带用户是潜在离网用户。

Images