CN114257523B - 用户感知预测方法、系统、设备和计算机存储介质 - Google Patents
用户感知预测方法、系统、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN114257523B CN114257523B CN202111496731.6A CN202111496731A CN114257523B CN 114257523 B CN114257523 B CN 114257523B CN 202111496731 A CN202111496731 A CN 202111496731A CN 114257523 B CN114257523 B CN 114257523B
- Authority
- CN
- China
- Prior art keywords
- perception
- data
- score
- user
- perception data
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013145 classification model Methods 0.000 claims abstract description 93
- 230000011664 signaling Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 230000001953 sensory effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种用户感知预测方法、系统、设备和计算机存储介质,该方法获取待预测用户终端的网络信令数据;根据网络信令数据判断待预测用户终端的网络类型;若网络类型为5G,则获取待预测用户终端的感知数据,其中,感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据;将感知数据输入至预设分类模型;根据预设分类模型的输出结果确定用户感知类型,其中,用户感知类型包括第一分数、第二分数和第三分数范围,从而可根据预设分类模型对用户感知进行分类,准确预测用户感知情况。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种用户感知预测方法、系统、设备和计算机存储介质。
背景技术
用户感知指标(Quality of Experience,QoE)是用户对设备、网络、系统应用和业务的质量和性能的主观感受的指标。随着行业竞争的加剧,关注用户感知,提升用户体验已经成为各大运营商提升自身竞争力的有力手段,准确有效地预测用户感知对服务的优化有着极为重要的意义。
目前,传统的用户感知数据通常通过工作人员的经验,在用户的历史数据提取出一定的规则,然后通过规则进行人工打分,或者是利用综合运营商所掌握的用户基础数据,如用户年龄、性别、资费、使用设备特征等数据,并综合过往的用户打分,通过机器学习的方法进行建模,得到用户感知的满意度。
然而,现有技术中的用户感知指标的评价无法结合5G用户的网络特征,用户感知评价的准确性差。
发明内容
本申请提供一种用户感知预测方法、系统、设备和计算机存储介质,以解决现有的现有技术中的用户感知的指标的评价无法结合5G用户的网络特征,用户感知评价的准确性差的问题。
本申请的第一方面提供一种用户感知预测方法,包括:
获取待预测用户终端的网络信令数据;
根据所述网络信令数据判断所述待预测用户终端的网络类型;
若所述网络类型为5G,则获取所述待预测用户终端的感知数据,其中,所述感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据;
将所述感知数据输入至预设分类模型;
根据所述预设分类模型的输出结果确定用户感知类型,其中,所述用户感知类型包括第一分数、第二分数和第三分数范围。
这里,本申请提供了一种针对5G用户的用户感知预测方法,首先判断待预测用户终端的网络类型,若用户终端为5G终端,则获取待预测用户终端的基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据,上述数据包括但不限于用户使用的流量、时长、卡顿次数、时延等可以用来代表用户实际使用体验的数据,可以准确、全面地反映用户的体验感,再将上述数据输入至预设分类模型,从而可根据预设分类模型对用户感知进行分类,准确预测用户感知情况。
可选地,所述根据所述网络信令数据判断所述待预测用户终端的网络类型,包括:
根据所述网络信令数据确定所述待预测用户终端的最高接入网类型接口;
根据所述最高接入网类型接口,判断所述待预测用户终端的网络类型。
其中,本申请为了识别出使用5G终端的用户,借助不同网络类型的网络深度报文检测(Deep Packet Inspection,DPI)信令数据采集接口不同的特点,在实际操作中,通过用户终端话单的最高接入网类型接口来判断用户终端类型,可准确确定用户终端类型,从而可针对5G用户采用准确、有效的用户感知预测方式,进一步地提高了用户感知预测的准确度。
可选地,在所述根据所述预设分类模型的输出结果确定用户感知类型之后,还包括:
若所述分类模型的输出结果为第一分数或者第二分数,则确定所述待预测用户终端的感知分数为所述输出结果。
在所述根据所述预设分类模型的输出结果确定用户感知类型之后,还包括:
若所述分类模型的输出结果为第三分数范围,则将所述感知数据输入至预设回归模型;
根据所述预设回归模型的输出结果确定所述待预测用户终端的感知分数。
这里,本申请将用户的感知类型分为3类:第一分数、第二分数和第三分数范围,本申请可首先结合分类模型初步确定用户感知的类型,若分类模型确定的用户感知类型为一个分数范围,即这里的第三分数范围,则再结合预设回归模型进行用户感知的进一步预测,从而可得到准确的用户感知分数,通过多模型改进单模型适用性不广泛的缺点,进一步地提高了用户感知预测的精度。
可选地,在所述将所述感知数据输入至预设分类模型之前,还包括:
获取感知数据样本和所述感知数据样本对应的分数标签;
根据所述分数标签对所述感知数据样本进行分类,得到感知数据样本对应的分类标签,其中,所述分类标签包括第一分数、第二分数和第三分数范围;
将所述感知数据样本和所述感知数据样本对应的分类标签输入至分类模型进行训练,得到预设分类模型。
这里,本申请提供了一种预设分类模型的建立方法,首先获取大量的感知数据样本和感知数据样本对应的分数标签,再将感知数据样本进行分类,得到分类标签,将感知数据样本和感知数据样本对应的分类标签输入至分类模型进行训练,可以得到预设分类模型,通过该预设分类模型,可以对输入的感知数据进行准确分类,提高了用户感知分类的准确性。
可选地,在所述将所述感知数据输入至预设回归模型之前,还包括:
根据所述分类标签对所述感知数据样本进行筛选处理,得到分类标签为所述第三分数范围的第三感知数据样本;
将所述第三感知数据样本和所述第三感知数据样本对应的分数标签输入至回归模型进行训练,得到预设回归模型。
这里,本申请还可以预先建立预设回归模型,将类型为第三分数范围的感知数据,和感知数据对应的分数标签输入至回归模型进行回归模型的训练,可以得到预设回归模型,进而可以根据此模型进行感知数据的准确预测。
可选地,在所述将所述感知数据输入至预设分类模型之前,还包括:
对所述感知数据进行数据预处理,得到处理后感知数据;
相应的,所述将所述感知数据输入至预设分类模型,包括:
将所述处理后感知数据输入至预设分类模型。
这里,本申请在将感知数据输入至预设分类模型之前,可首先对感知数据进行数据预处理,以达到清理异常值、纠正错误数据的目的,减少了错误值、异常数据或者偶然数据带来的误差,进一步地提高了用户感知预测的准确性。
第二方面,本申请提供了一种用户感知预测装置,包括:
第一获取模块,用于获取待预测用户终端的网络信令数据;
判断模块,用于根据所述网络信令数据判断所述待预测用户终端的网络类型;
第二获取模块,用于若所述网络类型为5G,则获取所述待预测用户终端的感知数据,其中,所述感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据;
第一输入模块,用于将所述感知数据输入至预设分类模型;
第一确定模块,用于根据所述预设分类模型的输出结果确定用户感知类型,其中,所述用户感知类型包括第一分数、第二分数和第三分数范围。
可选地,所述判断模块具体用于:
根据所述网络信令数据确定所述待预测用户终端的最高接入网类型接口;
根据所述最高接入网类型接口,判断所述待预测用户终端的网络类型。
可选地,在所述第一确定模块根据所述预设分类模型的输出结果确定用户感知类型之后,上述装置还包括:
第二确定模块,用于若所述分类模型的输出结果为第一分数或者第二分数,则确定所述待预测用户终端的感知分数为所述输出结果。
可选地,在所述第一确定模块根据所述预设分类模型的输出结果确定用户感知类型之后,上述装置还包括:
第二输入模块,用于若所述分类模型的输出结果为第三分数范围,则将所述感知数据输入至预设回归模型;
第三确定模块,用于根据所述预设回归模型的输出结果确定所述待预测用户终端的感知分数。
可选地,在所述第一输入模块将所述感知数据输入至预设分类模型之前,上述装置还包括:
第二获取模块,用于获取感知数据样本和所述感知数据样本对应的分数标签;
分类模块,用于根据所述分数标签对所述感知数据样本进行分类,得到感知数据样本对应的分类标签,其中,所述分类标签包括第一分数、第二分数和第三分数范围;
第一训练模块,用于将所述感知数据样本和所述感知数据样本对应的分类标签输入至分类模型进行训练,得到预设分类模型。
可选地,在所述第二输入模块若所述分类模型的输出结果为第三分数范围,则将所述感知数据输入至预设回归模型之前,上述装置还包括:
筛选模块,用于根据所述分类标签对所述感知数据样本进行筛选处理,得到分类标签为所述第三分数范围的第三感知数据样本;
第二训练模块,用于将所述第三感知数据样本和所述第三感知数据样本对应的分数标签输入至回归模型进行训练,得到预设回归模型。
可选地,在所述第一输入模块将所述感知数据输入至预设分类模型之前,上述装置还包括:
预处理模块,用于对所述感知数据进行数据预处理,得到处理后感知数据;
相应的,所述第一输入模块具体用于:
将所述处理后感知数据输入至预设分类模型。
第三方面,本申请提供一种计算机设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的用户感知预测方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的用户感知预测方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上第一方面以及第一方面各种可能的设计所述的用户感知预测方法。
本申请提供一种用户感知预测方法、系统、设备和计算机存储介质,该方法首先判断待预测用户终端的网络类型,若用户终端为5G终端,则获取待预测用户终端的基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据,上述数据包括但不限于用户使用的流量、时长、卡顿次数、时延等可以用来代表用户实际使用体验的数据,可以准确、全面地反映用户的体验感,再将上述数据输入至预设分类模型,从而可根据预设分类模型对用户感知进行分类,准确预测用户感知情况。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请一示例性实施例示出的用户感知预测方法的应用场景图;
图2为本申请实施例提供的一种用户感知预测方法的流程示意图;
图3为本申请实施例提供的另一种用户感知预测方法的流程示意图;
图4为本申请实施例提供的又一种用户感知预测装置的结构示意图;
图5为本申请实施例提供的一种用户感知预测装置的结构示意图;
图6为本申请实施例提供的一种用户感知预测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有的5G用户满意度评测方法主要为以下方式:通过工作人员的经验,提取出一定的规则,然后通过规则进行打分。例如最近一个月内有投诉的顾客可能会有较低的得分;通过综合运营商所掌握的用户基础数据,如用户年龄、性别、资费、使用设备特征等数据,并综合过往的用户打分,通过机器学习的方法进行建模。建模的手段通常包括线性回归、支持向量机(Support Vector Machine,SVM)回归等单一模型等,通过建立的模型来预测用户的满意度。
然而,现有技术存在一些不足:首先,未区别5G用户,相较于2G、3G或4G用户,5G用户会可以体验到5G通信技术带来的高速率,低延时等特征,传统的满意度预测方法未能将5G用户与其他用户区分,也无法利用到5G用户更加在意的网络侧特征;其次,无法利用网络信息,传统的预测方法不会使用到用户的网络感知数据,包含网速、使用流量、时延、等待时间等信息,而这些信息会对用户的满意度产生很大影响。因此传统方法的预测精度较低;再次,传统方法往往只是用一个回归模型进行预测,但是单一模型取得的效果非常有限,在现有的实验中,单一可以取得较低的的整体误差,但是无法正确的识别打分较低的用户,而识别打分较低的用户对提升整体满意度非常重要,因此这种单一的模型无法满足一线工作人员复杂的需求。
针对此缺陷,本申请的主要构思在于:通过信令数据筛选5G用户;通过结合网络侧数据整合用户的网络感知信息;通过多模型改进单模型适用性不广泛的缺点,以此达到更加准确、全面、可用度高的5G用户满意度预测结果。
可选的,图1为本申请实施例提供的一种用户感知预测系统架构示意图。在图1中,上述架构包括接收装置101、处理器102和显示装置103中至少一种。
可以理解的是,本申请实施例示意的结构并不构成对用户感知预测系统架构的具体限定。在本申请另一些可行的实施方式中,上述架构可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置,具体可根据实际应用场景确定,在此不做限制。图1所示的部件可以以硬件,软件,或软件与硬件的组合实现。
在具体实现过程中,接收装置101可以是输入/输出接口,也可以是通信接口。
处理器102可以通过信令数据筛选5G用户;通过结合网络侧数据整合用户的网络感知信息;通过多模型改进单模型适用性不广泛的缺点,以此达到更加准确、全面、可用度高的5G用户满意度预测结果。
显示装置103可以用于对上述结果等进行显示,也可以通过显示装置与用户进行交互。
显示装置还可以是触摸显示屏,用于在显示的上述内容的同时接收用户指令,以实现与用户的交互。
应理解,上述处理器可以通过处理器读取存储器中的指令并执行指令的方式实现,也可以通过芯片电路实现。
另外,本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
下面结合具体的实施例对本申请的技术方案进行详细的说明:
可选地,图2为本申请实施例提供的一种用户感知预测方法的流程示意图。本申请实施例的执行主体可以为图1中的处理器102,具体执行主体可以根据实际应用场景确定。如图2所示,该方法包括如下步骤:
S201:获取待预测用户终端的网络信令数据。
可选地,网络信令数据为网络DPI信令数据采集接口采集到的数据。
S202:根据网络信令数据判断待预测用户终端的网络类型。
可选地,根据网络信令数据判断待预测用户终端的网络类型,包括:根据网络信令数据确定待预测用户终端的最高接入网类型接口;根据最高接入网类型接口,判断待预测用户终端的网络类型。
为了识别出使用5G终端的用户,可以借助不同网络类型的网络DPI信令数据采集接口不同的特点,在实际操作中,通过用户终端话单的最高接入网类型接口来判断用户终端类型。具体的方法是首先在4、5G信令数据中,识别出最高接入网类型为5G的终端,并结合存量的5G终端库,不断补充与修正5G终端配置库,通过这种方法便可以识别出使用5G终端的用户。在得到5G终端用户后,然后将这些用户的信息与用户选择的运营商套餐信息相比较,就可以筛选出其中使用5G套餐的用户。
其中,本申请实施例通过用户终端话单的最高接入网类型接口来判断用户终端类型,可准确确定用户终端类型,从而可针对5G用户采用准确、有效的用户感知预测方式,进一步地提高了用户感知预测的准确度。
S203:若网络类型为5G,则获取待预测用户终端的感知数据。
其中,感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据。
感知数据即为用户在使用5G网络过程中由运营商记录的数据,包含了用户的使用的流量、时长、卡顿次数、时延等可以用来代表用户实际使用体验的数据。感知数据包含基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据。
可选地,基础感知数据包含流量信息,使用时长信息,传输控制协议(Transmission Control Protocol,TCP)链路建立次数等。
可选地,网络感知数据包含与网络业务相关的流量、时长、页面请求次数、请求时延、包间隔抖动等数据。
可选地,游戏感知数据包含了用户使用游戏APP时的流量、时长、请求次数、卡顿时长等。
可选地,流媒体感知数据包含了用户在使用网络视频、短视频、音频、直播等流媒体服务的流量、时长、下载次数等信息。
通过汇聚这些感知数据,便可以精确的刻画用户5G的使用体验。
S204:将感知数据输入至预设分类模型。
在一些可能的实现方式中,在将感知数据输入至预设分类模型之前,还包括:对感知数据进行数据预处理,得到处理后感知数据;相应的,将感知数据输入至预设分类模型,包括:将处理后感知数据输入至预设分类模型。
这里,本申请实施例在将感知数据输入至预设分类模型之前,可首先对感知数据进行数据预处理,以达到清理异常值、纠正错误数据的目的,减少了错误值、异常数据或者偶然数据带来的误差,进一步地提高了用户感知预测的准确性。
可选地,在将感知数据输入至预设分类模型之前,还包括:
获取感知数据样本和感知数据样本对应的分数标签;根据分数标签对感知数据样本进行分类,得到感知数据样本对应的分类标签,其中,分类标签包括第一分数、第二分数和第三分数范围;将感知数据样本和感知数据样本对应的分类标签输入至分类模型进行训练,得到预设分类模型。
可选地,这里的第一分数为10分,第二分数为1分,第三分数范围为2-9分。
这里,分数标签为1-10分。在一种可能的实现方式中,通过分类模型将10分和1分的用户提取出来:针对10分和1分建立三分类器,将所有感知数据样本分为3组,分别是1分组、2-9分组和10分组,分别对应于第二分数、第三分数范围和第一分数,通过三分类器可以得到感知数据样本对应的分类标签。
这里,本申请实施例提供了一种预设分类模型的建立方法,首先获取大量的感知数据样本和感知数据样本对应的分数标签,再将感知数据样本进行分类,得到分类标签,将感知数据样本和感知数据样本对应的分类标签输入至分类模型进行训练,可以得到预设分类模型,通过该预设分类模型,可以对输入的感知数据进行准确分类,提高了用户感知分类的准确性。其中,用户感知类型包括第一分数、第二分数和第三分数范围。
S205:根据预设分类模型的输出结果确定用户感知类型。
可选地,在根据预设分类模型的输出结果确定用户感知类型之后,还包括:若分类模型的输出结果为第一分数或者第二分数,则确定待预测用户终端的感知分数为输出结果。
这里,若根据分类模型得到的结果为第一分数(示例性的为10分)或者第二分数(示例性的为1分),那么可以直接得到用户的感知分数为10分或者1分。
若得到的结果为第三分数范围,则确定用户感知不是最优或者最差。
本申请提供了一种针对5G用户的用户感知预测方法,首先判断待预测用户终端的网络类型,若用户终端为5G终端,则获取待预测用户终端的基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据,上述数据包括但不限于用户使用的流量、时长、卡顿次数、时延等可以用来代表用户实际使用体验的数据,可以准确、全面地反映用户的体验感,再将上述数据输入至预设分类模型,从而可根据预设分类模型对用户感知进行分类,准确预测用户感知情况。
可选地,本申请实施例还可以结合多个模型进行精准的用户感知预测,相应的,图3为本申请实施例提供的另一种用户感知预测方法的流程示意图,如图3所示,该方法包括:
S301:获取待预测用户终端的网络信令数据。
S302:根据网络信令数据判断待预测用户终端的网络类型。
S303:若网络类型为5G,则获取待预测用户终端的感知数据。
S304:将感知数据输入至预设分类模型。
S305:根据预设分类模型的输出结果确定用户感知类型。
其中,步骤S301-S305的实现方式与步骤S201-S205的实现方式类似,在此不作赘述
S306:若分类模型的输出结果为第三分数范围,则将感知数据输入至预设回归模型;根据预设回归模型的输出结果确定待预测用户终端的感知分数。
可选地,在将感知数据输入至预设回归模型之前,还包括:
根据分类标签对感知数据样本进行筛选处理,得到分类标签为第三分数范围的第三感知数据样本;将第三感知数据样本和第三感知数据样本对应的分数标签输入至回归模型进行训练,得到预设回归模型。
若第一分数为10分,第二分数为1分,第三分数范围为2-9分,那么将数据集中打分为1分和打分为10分的用户删除,留下打分为2至9分的用户作为训练样本建立回归模型,训练得到预设回归模型。
可选地,上述预设分类模型和预设回归模型为lightgbm,基于梯度提升决策树(Gradient Boosting Decision Tree)算法的机器学习库。
这里,本申请实施例还可以预先建立预设回归模型,将类型为第三分数范围的感知数据,和感知数据对应的分数标签输入至回归模型进行回归模型的训练,可以得到预设回归模型,进而可以根据此模型进行感知数据的准确预测。
本申请实施例将用户的感知类型分为3类:第一分数、第二分数和第三分数范围,本申请实施例可首先结合分类模型初步确定用户感知的类型,若分类模型确定的用户感知类型为一个分数范围,即这里的第三分数范围,则再结合预设回归模型进行用户感知的进一步预测,从而可得到准确的用户感知分数,通过多模型改进单模型适用性不广泛的缺点,进一步地提高了用户感知预测的精度。
可选地,图4为本申请实施例提供的又一种用户感知预测方法的流程示意图,如图4所示,在得到感知数据之后,首先进行数据预处理,再通过分类模型进行分类,将分类模型预测结果为1分组的用户的预测打分设为1分,将分类模型预测结果为10分组的用户的预测打分设为10分;将分类模型预测结果为2-9分组的用户通过回归模型再次预测,并将回归模型的预测结果设为预测打分。
图5为本申请实施例提供的一种用户感知预测装置的结构示意图,如图5所示,本申请实施例的装置包括:第一获取模块501、判断模块502、第二获取模块503、第一输入模块504和第一确定模块505。这里的用户感知预测装置可以是上述服务器本身,或者是实现服务器的功能的芯片或者集成电路。这里需要说明的是,第一获取模块501、判断模块502、第二获取模块503、第一输入模块504和第一确定模块505的划分只是一种逻辑功能的划分,物理上两者可以是集成的,也可以是独立的。
其中,第一获取模块,用于获取待预测用户终端的网络信令数据;
判断模块,用于根据网络信令数据判断待预测用户终端的网络类型;
第二获取模块,用于若网络类型为5G,则获取待预测用户终端的感知数据,其中,感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据;
第一输入模块,用于将感知数据输入至预设分类模型;
第一确定模块,用于根据预设分类模型的输出结果确定用户感知类型,其中,用户感知类型包括第一分数、第二分数和第三分数范围。
可选地,判断模块具体用于:
根据网络信令数据确定待预测用户终端的最高接入网类型接口;
根据最高接入网类型接口,判断待预测用户终端的网络类型。
可选地,在第一确定模块根据预设分类模型的输出结果确定用户感知类型之后,上述装置还包括:
第二确定模块,用于若分类模型的输出结果为第一分数或者第二分数,则确定待预测用户终端的感知分数为输出结果。
可选地,在第一确定模块根据预设分类模型的输出结果确定用户感知类型之后,上述装置还包括:
第二输入模块,用于若分类模型的输出结果为第三分数范围,则将感知数据输入至预设回归模型;
第三确定模块,用于根据预设回归模型的输出结果确定待预测用户终端的感知分数。
可选地,在第一输入模块将感知数据输入至预设分类模型之前,上述装置还包括:
第二获取模块,用于获取感知数据样本和感知数据样本对应的分数标签;
分类模块,用于根据分数标签对感知数据样本进行分类,得到感知数据样本对应的分类标签,其中,分类标签包括第一分数、第二分数和第三分数范围;
第一训练模块,用于将感知数据样本和感知数据样本对应的分类标签输入至分类模型进行训练,得到预设分类模型。
可选地,在第二输入模块若分类模型的输出结果为第三分数范围,则将感知数据输入至预设回归模型之前,上述装置还包括:
筛选模块,用于根据分类标签对感知数据样本进行筛选处理,得到分类标签为第三分数范围的第三感知数据样本;
第二训练模块,用于将第三感知数据样本和第三感知数据样本对应的分数标签输入至回归模型进行训练,得到预设回归模型。
可选地,在第一输入模块将感知数据输入至预设分类模型之前,上述装置还包括:
预处理模块,用于对感知数据进行数据预处理,得到处理后感知数据;
相应的,第一输入模块具体用于:
将处理后感知数据输入至预设分类模型。
图6为本申请实施例提供的一种用户感知预测系统的结构示意图,该用户感知预测系统可以为服务器。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该用户感知预测系统包括:处理器601和存储器602,各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器601可以对在用户感知预测系统内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。图6中以一个处理器601为例。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用户感知预测系统的方法对应的程序指令/模块(例如,附图5所示的,第一获取模块501、判断模块502、第二获取模块503、第一输入模块504和第一确定模块505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行认证平台的各种功能应用以及数据处理,即实现上述方法实施例中的用户感知预测系统的方法。
用户感知预测系统还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用户感知预测系统的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以是用户感知预测系统的显示设备等输出设备。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
本申请实施例的用户感知预测系统,可以用于执行本申请上述各方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任一项的用户感知预测方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时,用于实现上述任一项的用户感知预测方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (8)
1.一种用户感知预测方法,其特征在于,包括:
获取待预测用户终端的网络信令数据;
根据所述网络信令数据判断所述待预测用户终端的网络类型;
若所述网络类型为5G,则获取所述待预测用户终端的感知数据,其中,所述感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据,所述基础感知数据包含流量信息、使用时长信息和传输控制协议链路建立次数,所述网络感知数据包含与网络业务相关的流量、时长、页面请求次数、请求时延和包间隔抖动,所述游戏感知数据包含了用户使用游戏APP时的流量、时长、请求次数和卡顿时长,所述流媒体感知数据包含了流媒体服务的流量、时长和下载次数;
将所述感知数据输入至预设分类模型;
根据所述预设分类模型的输出结果确定用户感知类型,其中,所述用户感知类型包括第一分数、第二分数和第三分数范围;
若所述分类模型的输出结果为第一分数或者第二分数,则确定所述待预测用户终端的感知分数为所述输出结果;
若所述分类模型的输出结果为第三分数范围,则将所述感知数据输入至预设回归模型;
根据所述预设回归模型的输出结果确定所述待预测用户终端的感知分数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述网络信令数据判断所述待预测用户终端的网络类型,包括:
根据所述网络信令数据确定所述待预测用户终端的最高接入网类型接口;
根据所述最高接入网类型接口,判断所述待预测用户终端的网络类型。
3.根据权利要求1所述的方法,其特征在于,在所述将所述感知数据输入至预设分类模型之前,还包括:
获取感知数据样本和所述感知数据样本对应的分数标签;
根据所述分数标签对所述感知数据样本进行分类,得到感知数据样本对应的分类标签,其中,所述分类标签包括第一分数、第二分数和第三分数范围;
将所述感知数据样本和所述感知数据样本对应的分类标签输入至分类模型进行训练,得到预设分类模型。
4.根据权利要求3所述的方法,其特征在于,在所述若所述分类模型的输出结果为第三分数范围,则将所述感知数据输入至预设回归模型之前,还包括:
根据所述分类标签对所述感知数据样本进行筛选处理,得到分类标签为所述第三分数范围的第三感知数据样本;
将所述第三感知数据样本和所述第三感知数据样本对应的分数标签输入至回归模型进行训练,得到预设回归模型。
5.根据权利要求1或2任一项所述的方法,其特征在于,在所述将所述感知数据输入至预设分类模型之前,还包括:
对所述感知数据进行数据预处理,得到处理后感知数据;
相应的,所述将所述感知数据输入至预设分类模型,包括:
将所述处理后感知数据输入至预设分类模型。
6.一种用户感知预测装置,其特征在于,包括:
第一获取模块,用于获取待预测用户终端的网络信令数据;
判断模块,用于根据所述网络信令数据判断所述待预测用户终端的网络类型;
第二获取模块,用于若所述网络类型为5G,则获取所述待预测用户终端的感知数据,其中,所述感知数据包括基础感知数据、网络感知数据、游戏感知数据和流媒体感知数据,所述基础感知数据包含流量信息、使用时长信息和传输控制协议链路建立次数,所述网络感知数据包含与网络业务相关的流量、时长、页面请求次数、请求时延和包间隔抖动,所述游戏感知数据包含了用户使用游戏APP时的流量、时长、请求次数和卡顿时长,所述流媒体感知数据包含了流媒体服务的流量、时长和下载次数;
第一输入模块,用于将所述感知数据输入至预设分类模型;
第一确定模块,用于根据所述预设分类模型的输出结果确定用户感知类型,其中,所述用户感知类型包括第一分数、第二分数和第三分数范围;
第二确定模块,用于若所述分类模型的输出结果为第一分数或者第二分数,则确定所述待预测用户终端的感知分数为所述输出结果;
第二输入模块,用于若所述分类模型的输出结果为第三分数范围,则将所述感知数据输入至预设回归模型;
第三确定模块,用于根据所述预设回归模型的输出结果确定所述待预测用户终端的感知分数。
7.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-5任一项所述的用户感知预测方法。
8.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-5任一项所述的用户感知预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111496731.6A CN114257523B (zh) | 2021-12-08 | 2021-12-08 | 用户感知预测方法、系统、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111496731.6A CN114257523B (zh) | 2021-12-08 | 2021-12-08 | 用户感知预测方法、系统、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114257523A CN114257523A (zh) | 2022-03-29 |
CN114257523B true CN114257523B (zh) | 2023-07-07 |
Family
ID=80791852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111496731.6A Active CN114257523B (zh) | 2021-12-08 | 2021-12-08 | 用户感知预测方法、系统、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114257523B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014047873A1 (en) * | 2012-09-28 | 2014-04-03 | France Telecom | SIGNALLING METHOD AND APPARATUSES SUPPORTING QoE-AWARE RADIO RESOURCE ALLOCATION |
CN107786364A (zh) * | 2016-08-25 | 2018-03-09 | 刘俊声 | 一种qoe体系预测投诉倾向建模方法 |
CN108540320A (zh) * | 2018-04-03 | 2018-09-14 | 南京华苏科技有限公司 | 基于信令挖掘用户满意度的评估方法 |
CN110162706A (zh) * | 2019-05-22 | 2019-08-23 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
CN110213774A (zh) * | 2019-05-23 | 2019-09-06 | 超讯通信股份有限公司 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
CN110942326A (zh) * | 2018-09-25 | 2020-03-31 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法及装置、服务器 |
CN111260102A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法、装置、电子设备及存储介质 |
CN111447471A (zh) * | 2020-03-26 | 2020-07-24 | 广州市百果园信息技术有限公司 | 模型生成方法、播放控制方法、装置、设备及存储介质 |
CN112584417A (zh) * | 2019-09-27 | 2021-03-30 | 中国移动通信有限公司研究院 | 无线业务质量确定方法、装置、计算机设备和存储介质 |
CN113286315A (zh) * | 2021-06-11 | 2021-08-20 | 中国联合网络通信集团有限公司 | 负载均衡判断方法、装置、设备及存储介质 |
CN113543178A (zh) * | 2021-07-28 | 2021-10-22 | 北京红山信息科技研究院有限公司 | 基于用户感知的业务优化方法、装置、设备及存储介质 |
-
2021
- 2021-12-08 CN CN202111496731.6A patent/CN114257523B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014047873A1 (en) * | 2012-09-28 | 2014-04-03 | France Telecom | SIGNALLING METHOD AND APPARATUSES SUPPORTING QoE-AWARE RADIO RESOURCE ALLOCATION |
CN107786364A (zh) * | 2016-08-25 | 2018-03-09 | 刘俊声 | 一种qoe体系预测投诉倾向建模方法 |
CN108540320A (zh) * | 2018-04-03 | 2018-09-14 | 南京华苏科技有限公司 | 基于信令挖掘用户满意度的评估方法 |
CN110942326A (zh) * | 2018-09-25 | 2020-03-31 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法及装置、服务器 |
CN111260102A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法、装置、电子设备及存储介质 |
CN110162706A (zh) * | 2019-05-22 | 2019-08-23 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
CN110213774A (zh) * | 2019-05-23 | 2019-09-06 | 超讯通信股份有限公司 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
CN112584417A (zh) * | 2019-09-27 | 2021-03-30 | 中国移动通信有限公司研究院 | 无线业务质量确定方法、装置、计算机设备和存储介质 |
CN111447471A (zh) * | 2020-03-26 | 2020-07-24 | 广州市百果园信息技术有限公司 | 模型生成方法、播放控制方法、装置、设备及存储介质 |
CN113286315A (zh) * | 2021-06-11 | 2021-08-20 | 中国联合网络通信集团有限公司 | 负载均衡判断方法、装置、设备及存储介质 |
CN113543178A (zh) * | 2021-07-28 | 2021-10-22 | 北京红山信息科技研究院有限公司 | 基于用户感知的业务优化方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
"电信用户满意度预测研究-以浙江省为例";刘凡;《CNKI》;全文 * |
"基于机器学习的细分业务用户感知评估方法";马敏;李威;陈洁;;《电信工程技术与标准化》(05);全文 * |
"基于网络指标的4G用户满意度研究";庄野;王燕;;《江苏通信》(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114257523A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275958B (zh) | 网站信息识别方法、装置和电子设备 | |
CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
CN107688530A (zh) | 软件测试方法及装置 | |
KR101904436B1 (ko) | 깨진 네트워크 연결들의 기계 학습 기반 식별 | |
CN109445884B (zh) | 一种功能标签展示方法及终端设备 | |
CN113010389A (zh) | 一种训练方法、故障预测方法、相关装置及设备 | |
CN111401722A (zh) | 智能决策方法和智能决策系统 | |
CN109710298A (zh) | 接口管理方法、接口管理装置、接口管理设备及存储介质 | |
WO2021104387A1 (zh) | 一种自动识别有效数据采集模块的方法和系统 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN110059083A (zh) | 一种数据评价方法、装置和电子设备 | |
CN114257523B (zh) | 用户感知预测方法、系统、设备和计算机存储介质 | |
CN113204695A (zh) | 网站识别方法和装置 | |
CN110943887B (zh) | 探针调度方法、装置、设备和存储介质 | |
CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
CN107229487B (zh) | 代码处理方法及装置 | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN114780434A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
CN112948649B (zh) | 自动化grapes区域预报模式显著性检验方法及系统 | |
WO2019019387A1 (zh) | 信息推送建议生成方法、装置、计算机设备和存储介质 | |
CN113849758A (zh) | 网页指标的生成方法、装置、电子设备及存储介质 | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
US20210208998A1 (en) | Function analyzer, function analysis method, and function analysis program | |
CN108881591B (zh) | 一种多平台信息推荐方法、装置及存储介质 | |
CN112817742A (zh) | 数据迁移方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |