CN113065880A - 群体不满意用户识别方法、装置、设备及存储介质 - Google Patents

群体不满意用户识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113065880A
CN113065880A CN202010000892.0A CN202010000892A CN113065880A CN 113065880 A CN113065880 A CN 113065880A CN 202010000892 A CN202010000892 A CN 202010000892A CN 113065880 A CN113065880 A CN 113065880A
Authority
CN
China
Prior art keywords
group
data
satisfaction
user
individual
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
Application number
CN202010000892.0A
Other languages
English (en)
Inventor
程印超
刘宁
刘晓宇
谢奇芳
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 Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
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 Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010000892.0A priority Critical patent/CN113065880A/zh
Priority to PCT/CN2020/134359 priority patent/WO2021135842A1/zh
Publication of CN113065880A publication Critical patent/CN113065880A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种群体不满意用户识别方法、装置、设备及存储介质。其中，该方法包括：获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；基于所述待预测群体的属性特征数据和群体不满意用户识别模型，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。本发明实施例可以实现基于该群体不满意用户识别模型对群体业务中未参与过满意度测评的群体进行分类，进而识别出潜在的群体不满意用户。

Description

群体不满意用户识别方法、装置、设备及存储介质
技术领域
本发明涉及业务评估领域，尤其涉及一种群体不满意用户识别方法、装置、设备及存储介质。
背景技术
随着网络技术和科技的迅速发展，通信运营商推出了很多针对家庭、企业等群体的群体业务，比如家庭宽带、家庭V网业务、企业专线业务、400短号业务等，这些群体业务中的个体用户既是独立个体又是群体的一份子，不同于个人业务，这些群体业务需要考虑群体的感受和意见反馈，需对整个群体进行满意度的预测和评估，识别群体不满意用户，以降低家庭及政企业务的退订、不续约风险。
发明内容
有鉴于此，本发明实施例提供了一种群体不满意用户识别方法、装置、设备及存储介质，旨在实现对群体用户的满意度的预测。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种群体不满意用户识别方法，包括：
获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；
基于所述待预测群体的属性特征数据和群体不满意用户识别模型，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；
其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。
上述方案中，所述方法还包括：
获取群体业务的用户数据；所述群体业务的用户数据包含所述群体业务相应群体下个体用户的历史数据；
根据所述群体业务的用户数据确定群体满意度测算模型；
根据所述群体满意度测算模型确定训练集中群体样本的群体满意度；
根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型。
上述方案中，所述根据所述群体业务的用户数据确定群体满意度测算模型，包括：
基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体；
基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型。
上述方案中，所述基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体，包括：
根据相应群体下个体用户的历史数据中的个体满意度测评数据确定相应群体中参与过满意度测评的个体用户数量；
基于同一群体中参与过满意度测评的个体用户的数量与总的个体用户的数量的比值确定所述群体是否为有效的群体。
上述方案中，所述基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型，包括：
基于个体用户的个体成员关系数据确定个体用户的影响力值；
基于所述有效的群体下个体用户的影响力值和所述个体满意度测评数据确定所述群体满意度测算模型。
上述方案中，所述根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型，包括：
对所述训练集中群体样本的群体满意度和属性特征数据基于回归算法或者深度学习算法进行训练，得到所述群体不满意用户识别模型。
本发明实施例还提供了一种群体不满意用户识别装置，包括：
获取模块，用于获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；
识别模块，用于基于群体不满意用户识别模型和所述待预测群体的属性特征数据，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；
其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。
上述方案中，所述装置还包括训练模块，所述训练模块用于：
获取群体业务的用户数据；所述群体业务的用户数据包含所述群体业务相应群体下个体用户的历史数据；
根据所述群体业务的用户数据确定群体满意度测算模型；
根据所述群体满意度测算模型确定训练集中群体样本的群体满意度；
根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型。
本发明实施例又提供了一种群体不满意用户识别设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明任一实施例所述方法的步骤。
本发明实施例还提供了一种存储介质，所述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，实现本发明任一实施例所述方法的步骤。
本发明实施例提供的技术方案，获取群体业务下待预测群体的属性特征数据；基于所述待预测群体的属性特征数据和群体不满意用户识别模型，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的，可以实现基于该群体不满意用户识别模型对群体业务中未参与过满意度测评的群体进行分类，进而识别出潜在的群体不满意用户，可以省去对较多数量的群体用户的个体用户进行满意度测评的过程，大大提升了测评执行效率，减少了测评成本和代价。
附图说明
图1为本发明实施例群体不满意用户识别方法的流程示意图；
图2为本发明实施例训练群体不满意用户识别模型的流程示意图；
图3为本发明实施例群体不满意用户识别装置的结构示意图；
图4为本发明实施例群体不满意用户识别设备的结构示意图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的描述。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
相关技术中，为了对群体业务下不同群体进行满意度调查，往往需要进行大规模的抽样和邀约，不仅耗费精力，且往往会影响群体业务的用户体验。
基于此，在本发明的各种实施例中，通过构建群体不满意用户识别模型，基于待预测群体的属性特征数据和所述群体不满意用户识别模型，对所述待预测群体进行分类，进而识别出潜在的群体不满意用户，可以省去对较多数量的群体用户的个体用户进行满意度测评的过程，大大提升了测评执行效率，减少了测评成本和代价。
本发明实施例提供了一种群体不满意用户识别方法，如图1所示，该方法包括：
步骤101，获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；
步骤102，基于所述待预测群体的属性特征数据和群体不满意用户识别模型，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；
其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。
这里，待预测群体可以为家庭或者企业群体用户，属性特征数据可以包括以下至少之一：成员数量、群体性质、业务订购情况、网络偏好、消费偏好、信用情况。其中，成员数量为群体的个体用户的数量，群体性质是指群体的分类属性(比如，家庭用户或者企业群体用户)，业务订购情况可以为群体对应的业务订购时长。
实际应用时，可以将属性特征数据对应的多个维度的特征数据进行标准化和归一化处理，得到属性特征数据。
本发明实施例群体不满意用户识别方法，不需要大规模的抽样和邀约等，根据群体的属性特征数据，预测群体对群体业务的整体满意度，识别潜在的群体不满意用户，不仅大大提升了测评执行效率，减少了测评成本和代价，也减少了对用户的骚扰；同时，根据识别出的群体不满意用户，可以通过个性化服务以及定制营销来缓解关系，可以大提升整体服务质量和营销效果，避免业务流失。
由于需要使用群体不满意用户识别模型进行预测，基于此，在一实施例中，所述方法还包括：基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成群体不满意用户识别模型。
在一实施例中，基于所述群体业务的多个群体样本的属性特征数据和群体满意度训练群体不满意用户识别模型的参数，得到训练后的群体不满意用户识别模型。如图2所示，训练群体不满意用户识别模型的方法包括：
步骤201，获取群体业务的用户数据；所述群体业务的用户数据包含所述群体业务相应群体下个体用户的历史数据；
这里，可以按照家庭、政企业务分类，根据业务订购关系，以家庭或者企业为单位(对应群体用户)，获取存量群体用户信息，即获取每类业务同一家庭或者同一企业群体用户中每一个体成员在某一历史时间段内的历史数据。该历史数据可以包括：个体用户满意度测评数据、个体历史测评用户相关的个体业务信息数据以及个体用户成员关系数据，并将数据统一标准化和归一化处理。
所述家庭、政企业务包括家庭宽带业务、家庭V网业务、企业专线业务、企业宽带业务、400短号业务等。
所述个体用户满意度测评数据包括：用户ID、测评时间、群体业务的满意度值等的一种或者多种；其中，同一家庭或者同一企业群体用户的个体包括两类，进行过满意度测评的用户和没有进行过满意度测评的用户。对于进行过满意度测评的用户，群体业务的满意度值可以为对应的数值，比如，为用户在满意度测评时选择的1至10中的任一数值。对于没有进行过满意度测评的用户，群体业务的满意度值为空值。
所述个体历史测评用户相关的个体业务信息数据包括：用户基本信息、历史网络行为数据、历史通信行为数据、历史投诉数据、历史业务系统数据等的一种或者多种。所述用户基本信息数据包括手机号码、姓名、地域、年龄、收入水平、学历、从事行业等的一种或者多种。所述历史网络行为数据包括游戏偏好、视频偏好、购物偏好、直播偏好、VR(虚拟现实)偏好、网络依赖度、不同网络(4G/3G/wifi)驻留时长等的一种或者多种。所述历史通信行为数据包括ARPU(每用户平均收入)、DOU(平均每户每月上网流量)、账户余额、业务违约信息、通信时长、套餐、入网时长等的一种或者多种。所述历史投诉数据包括月投诉次数、月投诉频率、投诉级别、投诉解决率、投诉升级次数等的一种或者多种。所述历史业务系统数据包括业务订购开通时长、套餐变更开通时长、业务退订办理时长、业务咨询解答率等的一种或者多种。
所述个体成员关系数据包括：成员岗位、上下级关系、职务、业务ID、工作年限等一种或者多种。
步骤202，根据所述群体业务的用户数据确定群体满意度测算模型；
在一实施例中，所述根据所述群体业务的用户数据确定群体满意度测算模型，包括：
基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体；
基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型。
在一实施例中，所述基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体，包括：
根据相应群体下个体用户的历史数据中的个体满意度测评数据确定相应群体中参与过满意度测评的个体用户数量；
基于同一群体中参与过满意度测评的个体用户的数量与总的个体用户的数量的比值确定所述群体是否为有效的群体。
实际应用时，可以按照预设规则，选择每个企业或者家庭群体用户中参与过满意度测评的个体用户总量占比达到全体群体客户中个体总量阈值的群体作为有效的群体。比如，可以根据如下公式选择有效的群体：
Figure BDA0002353380760000071
其中，k为群体Pe中参与过满意度测评的个体用户数量，w为群体Pe中所有个体用户的总量。
在一实施例中，所述基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型，包括：
基于个体用户的个体成员关系数据确定个体用户的影响力值；
基于所述有效的群体下个体用户的影响力值和所述个体满意度测评数据确定所述群体满意度测算模型。
实际应用时，可以根据个体用户在设定时间段内的个体业务信息数据建立宽表，比如，采用ti＝【xi1,xi2,xi3,…,xin】表示，其中，ti为第i个个体用户的个体业务信息数据，n是个体用户相关的业务信息数据维度。
相应地，个体用户的用户满意度采用satisfaction(ti)表示，即satisfaction(ti)为第i个个体用户的满意度值。
如果当前用户在上述时间段内参与过满意度测评，即该用户的满意度值表示为：
satisfaction(ti)∈【1,2,3,4,5,6,7,8,9,10】。
如果当前用户在上述时间段内未参与过满意度测评，即该用户的满意度值表示为：
satisfaction(ti)∈{Ф}，即为空值。
将上述时间段内群体业务同一家庭或者同一企业群体内所有单用户汇聚，用集合表示为：
Pe＝{t1,t2,t3,…,tk,tk+1,…,tw}，其中，Pe指第e个群体用户(可以为企业或者家庭群体用户)；w为Pe中用户的总数量，且w>＝1；k表示前k个该群体用户中参与过满意度测评的个体用户数量；w-k表示该群体用户中未参与过满意度测评的个体用户数量。
因为，{tk+1,…,tw}的用户为未参与过满意度测评的用户，所以，这些个体用户的satisfaction(tj)为空值，j∈【k+1，w】。
实际应用时，根据企业或者家庭群体中个体用户的个体成员关系数据，计算Pe中在上述时间段内参与过满意度测评的每个个体用户的影响力值或排序值。因为群体用户汇总每个个体的影响力是有区别的，所以针对个体分别计算在群体中的影响力，即：
ui＝f(ti)，为Pe中ti用户对应的影响力值ui。
假设同一家庭或者同一企业业务群体用户Pe中有k个用户参与过满意度测评，将这些用户进行汇聚，表示如下：
Pe'＝{t1,t2,t3,…,tk}
将上述Pe’中每个个体用户对应的影响力进行汇聚，即将参与过满意度测评的每个用户对应的影响力表示为U，即：
U＝{u1,u2,ui,...,uk}，其中，w>＝k>＝1。
在一实施例中，考虑了群体用户中个体用户的个体差异后，群体用户Pe的满意度测算模型确定如下：
Figure BDA0002353380760000081
步骤203，根据所述群体满意度测算模型确定训练集中群体样本的群体满意度；
根据步骤202确定的群体满意度测算模型计算训练集中的群体样本的群体满意度。
步骤204，根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型。
在一实施例中，所述根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型，包括：
对所述训练集中群体样本的群体满意度和属性特征数据基于回归算法或者深度学习算法进行训练，得到所述群体不满意用户识别模型。
这里，群体样本的属性特征数据可以表示为：
{y1,y2,y3,…,ym}，其中，m为Pe群体的属性特征变量的维度。
这里，回归算法可以为线性回归、逻辑回归、决策树等机器学习算法等。
在一应用示例中，以采用逻辑回归算法为例进行说明，对应的群体不满意用户识别模型如下：
Figure BDA0002353380760000091
其中，a0为基准参数，{a1,a2,a3,…,am}为训练得到的参数。
实际应用时，如果群体Pe的属性特征数据中每个群体属性特征变量对整体群体满意度的影响不同，可以通过随机森林或者其他算法计算每个特征变量的影响因子，在上述回归算法中进行加权计算，再次计算相应的{a1,a2,a3,…,am}参数。
本发明实施例群体不满意用户识别方法，不仅可以用于通信、银行、保险等领域，还可以用于零售、医院等传统领域，为不同行业和领域提供技术支撑。
为了实现本发明实施例的方法，本发明实施例还提供一种群体不满意用户识别装置，如图3所示，该装置包括：获取模块301、识别模块302，其中，
获取模块301，用于获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；
识别模块302，用于基于群体不满意用户识别模型和所述待预测群体的属性特征数据，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。
在一实施例中，所述装置还包括：训练模块303，训练模块303用于：
获取群体业务的用户数据；所述群体业务的用户数据包含所述群体业务相应群体下个体用户的历史数据；
根据所述群体业务的用户数据确定群体满意度测算模型；
根据所述群体满意度测算模型确定训练集中群体样本的群体满意度；
根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型。
在一实施例中，训练模块303还用于：
基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体；
基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型。
在一实施例中，训练模块303还用于：
根据相应群体下个体用户的历史数据中的个体满意度测评数据确定相应群体中参与过满意度测评的个体用户数量；
基于同一群体中参与过满意度测评的个体用户的数量与总的个体用户的数量的比值确定所述群体是否为有效的群体。
在一实施例中，训练模块303还用于：
基于个体用户的个体成员关系数据确定个体用户的影响力值；
基于所述有效的群体下个体用户的影响力值和所述个体满意度测评数据确定所述群体满意度测算模型。
在一实施例中，训练模块303还用于：
对所述训练集中群体样本的群体满意度和属性特征数据基于回归算法或者深度学习算法进行训练，得到所述群体不满意用户识别模型。
实际应用时，获取模块301、识别模块302及训练模块303，可以由群体不满意用户识别装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的群体不满意用户识别装置在进行群体不满意用户识别时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的群体不满意用户识别装置与群体不满意用户识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种群体不满意用户识别设备。图4仅仅示出了该群体不满意用户识别设备的示例性结构而非全部结构，根据需要可以实施图4示出的部分结构或全部结构。
如图4所示，本发明实施例提供的群体不满意用户识别设备400包括：至少一个处理器401、存储器402和至少一个网络接口403。群体不满意用户识别设备400中的各个组件通过总线系统404耦合在一起。可以理解，总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统404。
本发明实施例中的存储器402用于存储各种类型的数据以支持群体不满意用户识别设备的操作。这些数据的示例包括：用于在群体不满意用户识别设备上操作的任何计算机程序。
本发明实施例揭示的群体不满意用户识别方法可以应用于处理器401中，或者由处理器401实现。处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，群体不满意用户识别方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(DSP，DigitalSignal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器401可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成本发明实施例提供的群体不满意用户识别方法的步骤。
在示例性实施例中，群体不满意用户识别设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
可以理解，存储器402可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器402，上述计算机程序可由群体不满意用户识别设备的处理器401执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
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，可轻易想到变化或替换，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 (10)

1.一种群体不满意用户识别方法，其特征在于，包括：
获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；
基于所述待预测群体的属性特征数据和群体不满意用户识别模型，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；
其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取群体业务的用户数据；所述群体业务的用户数据包含所述群体业务相应群体下个体用户的历史数据；
根据所述群体业务的用户数据确定群体满意度测算模型；
根据所述群体满意度测算模型确定训练集中群体样本的群体满意度；
根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述群体业务的用户数据确定群体满意度测算模型，包括：
基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体；
基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型。
4.根据权利要求3所述的方法，其特征在于，所述基于相应群体下个体用户的历史数据中的个体满意度测评数据确定有效的群体，包括：
根据相应群体下个体用户的历史数据中的个体满意度测评数据确定相应群体中参与过满意度测评的个体用户数量；
基于同一群体中参与过满意度测评的个体用户的数量与总的个体用户的数量的比值确定所述群体是否为有效的群体。
5.根据权利要求3所述的方法，其特征在于，所述基于所述有效的群体下个体用户的历史数据中的个体满意度测评数据和个体成员关系数据确定所述群体满意度测算模型，包括：
基于个体用户的个体成员关系数据确定个体用户的影响力值；
基于所述有效的群体下个体用户的影响力值和所述个体满意度测评数据确定所述群体满意度测算模型。
6.根据权利要求2所述的方法，其特征在于，所述根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型，包括：
对所述训练集中群体样本的群体满意度和属性特征数据基于回归算法或者深度学习算法进行训练，得到所述群体不满意用户识别模型。
7.一种群体不满意用户识别装置，其特征在于，包括：
获取模块，用于获取群体业务下待预测群体的属性特征数据；所述属性特征数据用于表征所述待预测群体的群体用户属性；
识别模块，用于基于群体不满意用户识别模型和所述待预测群体的属性特征数据，对所述待预测群体进行分类，识别出所述群体业务中的群体不满意用户；
其中，所述群体不满意用户识别模型为基于所述群体业务的多个群体样本的属性特征数据和群体满意度生成的。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块用于：
获取群体业务的用户数据；所述群体业务的用户数据包含所述群体业务相应群体下个体用户的历史数据；
根据所述群体业务的用户数据确定群体满意度测算模型；
根据所述群体满意度测算模型确定训练集中群体样本的群体满意度；
根据所述训练集中群体样本的群体满意度和群体样本的属性特征数据，确定所述群体不满意用户识别模型。
9.一种群体不满意用户识别设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，
所述处理器，用于运行计算机程序时，执行权利要求1至6任一项所述方法的步骤。
10.一种存储介质，所述存储介质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，实现权利要求1至6任一项所述方法的步骤。
CN202010000892.0A 2020-01-02 2020-01-02 群体不满意用户识别方法、装置、设备及存储介质 Pending CN113065880A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010000892.0A CN113065880A (zh) 2020-01-02 2020-01-02 群体不满意用户识别方法、装置、设备及存储介质
PCT/CN2020/134359 WO2021135842A1 (zh) 2020-01-02 2020-12-07 群体不满意用户识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010000892.0A CN113065880A (zh) 2020-01-02 2020-01-02 群体不满意用户识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113065880A true CN113065880A (zh) 2021-07-02

Family

ID=76559561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010000892.0A Pending CN113065880A (zh) 2020-01-02 2020-01-02 群体不满意用户识别方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN113065880A (zh)
WO (1) WO2021135842A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850630B (zh) * 2021-09-29 2024-09-13 中国电信股份有限公司 满意度预测方法及装置、存储介质、电子设备
CN115965137B (zh) * 2022-12-26 2023-11-14 北京码牛科技股份有限公司 特定对象关联性预测方法、系统、终端及存储介质
CN118171196B (zh) * 2024-05-16 2024-07-16 电子科技大学 一种基于光网络大数据的视频业务客户体验质量预测方法

Citations (7)

* Cited by examiner, † Cited by third party
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
US20140122594A1 (en) * 2012-07-03 2014-05-01 Alcatel-Lucent Usa, Inc. Method and apparatus for determining user satisfaction with services provided in a communication network
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
CN105933920A (zh) * 2016-03-31 2016-09-07 浪潮通信信息系统有限公司 一种预测用户满意度的方法及装置
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
CN109345263A (zh) * 2018-08-02 2019-02-15 北京天元创新科技有限公司 预测客户满意度的方法和系统
CN110245787A (zh) * 2019-05-24 2019-09-17 阿里巴巴集团控股有限公司 一种目标群体预测方法、装置及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9443028B2 (en) * 2010-12-11 2016-09-13 Microsoft Technology Licensing, Llc Relevance estimation using a search satisfaction metric
US20160350658A1 (en) * 2015-06-01 2016-12-01 Microsoft Technology Licensing, Llc Viewport-based implicit feedback
CN109299265B (zh) * 2018-10-15 2020-08-21 广州虎牙信息科技有限公司 潜在回流用户筛选方法、装置以及电子设备
CN110222272B (zh) * 2019-04-18 2022-10-14 广东工业大学 一种潜在客户挖掘与推荐方法
CN110188796A (zh) * 2019-04-25 2019-08-30 博彦科技股份有限公司 用户识别方法、装置、存储介质和处理器

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
US20140122594A1 (en) * 2012-07-03 2014-05-01 Alcatel-Lucent Usa, Inc. Method and apparatus for determining user satisfaction with services provided in a communication network
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
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
CN105933920A (zh) * 2016-03-31 2016-09-07 浪潮通信信息系统有限公司 一种预测用户满意度的方法及装置
CN109345263A (zh) * 2018-08-02 2019-02-15 北京天元创新科技有限公司 预测客户满意度的方法和系统
CN110245787A (zh) * 2019-05-24 2019-09-17 阿里巴巴集团控股有限公司 一种目标群体预测方法、装置及设备

Also Published As

Publication number Publication date
WO2021135842A1 (zh) 2021-07-08

Similar Documents

Publication Publication Date Title
CN107818344B (zh) 用户行为进行分类和预测的方法和系统
US9082084B2 (en) Facilitating machine learning in an online social network
CN109241427A (zh) 信息推送方法、装置、计算机设备和存储介质
AU2017101862A4 (en) Collaborative filtering method, apparatus, server and storage medium in combination with time factor
CN109543925B (zh) 基于机器学习的风险预测方法、装置、计算机设备和存储介质
CN109376237A (zh) 客户稳定性的预测方法、装置、计算机设备和存储介质
CN113065880A (zh) 群体不满意用户识别方法、装置、设备及存储介质
CN114118192A (zh) 用户预测模型的训练方法、预测方法、装置及存储介质
CN112925911B (zh) 基于多模态数据的投诉分类方法及其相关设备
US20120166235A1 (en) System and method for programmatically benchmarking performance of contact centers on social networks
CN112529477A (zh) 信用评估变量筛选方法、装置、计算机设备及存储介质
Shanmugarasa et al. Towards automated data sharing in personal data stores
Zatonatska et al. Forecasting the behavior of target segments to activate advertising tools: case of mobile operator Vodafone Ukraine
Piazza et al. Do you like according to your lifestyle? a quantitative analysis of the relation between individual facebook likes and the users’ lifestyle
CN112818235B (zh) 基于关联特征的违规用户识别方法、装置和计算机设备
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
Mittal Identification of salient attributes in social network: a data mining approach
Bouneffouf R-ucb: a contextual bandit algorithm for risk-aware recommender systems
Krzeminska et al. Personality Based Data-Driven Personalization as an Integral Part of the Mobile Application
Lee et al. An enhanced memory-based collaborative filtering approach for context-aware recommendation
CN113554460B (zh) 一种潜在用户的识别方法和装置
CN117217852B (zh) 一种基于行为识别购买意愿度预测方法及装置
WO2023195117A1 (ja) グループ生成装置、グループ生成方法、及び非一時的なコンピュータ可読媒体
Pulikal et al. Profile Based Service Selection for Cloud Brokering Systems with a Focus on SaaS
Tai et al. Performance Evaluation of Machine Learning Techniques on Resolution Time Prediction in Helpdesk Support System

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