CN115134260A - 用户感知提升方法及装置、计算设备和存储介质 - Google Patents
用户感知提升方法及装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN115134260A CN115134260A CN202210817997.4A CN202210817997A CN115134260A CN 115134260 A CN115134260 A CN 115134260A CN 202210817997 A CN202210817997 A CN 202210817997A CN 115134260 A CN115134260 A CN 115134260A
- Authority
- CN
- China
- Prior art keywords
- user
- perception
- complaint
- data
- probability
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 20
- 230000007704 transition Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000005309 stochastic process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5067—Customer-centric QoS measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/12—Applying verification of the received information
- H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
- H04W4/14—Short messaging services, e.g. short message services [SMS] or unstructured supplementary service data [USSD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例涉及通信技术领域,且涉及一种用户感知提升方法及装置、计算设备和存储介质。具体方案为:获取用户的通信业务数据;根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。本申请实施例通过隐马尔可夫模型计算用户投诉概率结果集,再利用分布式数据流引擎进行进一步筛选,提高了目标用户的筛选准确性。在此基础上可实现精准投放业务关怀,从而提升用户感知,减少潜在用户投诉。
Description
技术领域
本发明涉及通信技术领域,尤其涉及用户感知提升方法及装置、计算设备和存储介质。
背景技术
当今数字经济时代上网业务和收入迅猛发展。网络通信的服务质量很大程度上取决于用户感知。因此提升用户感知的重点是减少手机上网业务的投诉量。传统的提升用户感知的方法的主要手段是向所有用户发送关怀短信,辅助手段是提高重点区域的网络覆盖、通过现场测试模拟、重现、解决投诉问题来提升满意度。
传统的提升用户感知的方法是以所有用户为基础,发送关怀调研短信,没有做到精准投放。该方法没有专门针对感知差的用户提供关怀,不但造成了系统和短信资源的浪费,而且容易因不适时宜的短信而产生投诉。另外,重点区域网络覆盖优化和投诉处理等辅助手段则是有相对的滞后性,且损耗了人力和时间成本。
发明内容
鉴于现有技术的以上问题,本申请实施例提供一种用户感知提升方法及装置、计算设备和存储介质,通过隐马尔可夫模型计算用户投诉概率结果集,再利用分布式数据流引擎进行进一步筛选,提高了目标用户的筛选准确性。在此基础上可实现精准投放业务关怀,从而提升用户感知,减少潜在用户投诉。
为达到上述目的,本申请第一方面提供了一种用户感知提升方法,包括:
获取用户的通信业务数据;
根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;
利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。
作为第一方面的一种可能的实现方式,所述通信业务数据包括实时用户面业务数据、网络历史投诉数据、用户信息和终端信息中的至少一种。
作为第一方面的一种可能的实现方式,上述方法还包括:
在所述隐马尔可夫模型中使用前向算法,预测用户感知差的概率。
作为第一方面的一种可能的实现方式,上述方法还包括:
根据所述用户感知差的概率,得到有待提升用户感知的目标用户。
作为第一方面的一种可能的实现方式,上述方法还包括:
利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统;
利用所述分布式发布订阅消息系统,将所述目标用户发送到短信中心;
通过所述短信中心向所述目标用户推送关怀短信。
作为第一方面的一种可能的实现方式,所述利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统之后,所述方法还包括:
针对所述采集到的数据,在分布式数据库中生成采集日志和数据备份。
作为第一方面的一种可能的实现方式,上述方法还包括:
对所述关怀短信的发送状态和/或发送内容进行完整性核验。
本申请第二方面提供了一种用户感知提升装置,包括:
获取单元,用于获取用户的通信业务数据;
分析单元,用于根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;
筛选单元,用于利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。
作为第二方面的一种可能的实现方式,所述通信业务数据包括实时用户面业务数据、网络历史投诉数据、用户信息和终端信息中的至少一种。
作为第二方面的一种可能的实现方式,所述分析单元还用于:
在所述隐马尔可夫模型中使用前向算法,预测用户感知差的概率。
作为第二方面的一种可能的实现方式,所述分析单元还用于:
根据所述用户感知差的概率,得到有待提升用户感知的目标用户。
作为第二方面的一种可能的实现方式,所述装置还包括:
采集单元,用于利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统;
发送单元,用于利用所述分布式发布订阅消息系统,将所述目标用户发送到短信中心;
推送单元,用于通过所述短信中心向所述目标用户推送关怀短信。
作为第二方面的一种可能的实现方式,所述采集单元还用于:
所述利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统之后,针对所述采集到的数据,在分布式数据库中生成采集日志和数据备份。
作为第二方面的一种可能的实现方式,所述推送单元还用于:
对所述关怀短信的发送状态和/或发送内容进行完整性核验。
本申请第三方面提供了一种计算设备,包括:
通信接口;
至少一个处理器,其与所述通信接口连接;以及
至少一个存储器,其与所述处理器连接并存储有程序指令,所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行上述第一方面任一所述的方法。
本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令当被计算机执行时使得所述计算机执行上述第一方面任一所述的方法。
本发明的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
以下参照附图来进一步说明本发明的各个特征和各个特征之间的联系。附图均为示例性的,一些特征并不以实际比例示出,并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征,或是额外示出了对于本申请非必要的特征,附图所示的各个特征的组合并不用以限制本申请。另外,在本说明书全文中,相同的附图标记所指代的内容也是相同的。具体的附图说明如下:
图1为本申请实施例提供的用户感知提升方法的一实施例的示意图;
图2为本申请实施例提供的用户感知提升方法的一实施例的隐马尔可夫模型示意图;
图3为本申请实施例提供的用户感知提升方法的一实施例的隐藏子状态配置示意图;
图4为本申请实施例提供的用户感知提升方法的一实施例的观察集状态集转移概率示意图;
图5为本申请实施例提供的用户感知提升方法的一实施例的逻辑架构示意图;
图6为本申请实施例提供的用户感知提升方法的一实施例的流转环节示意图;
图7为本申请实施例提供的用户感知提升装置的一实施例的示意图;
图8为本申请实施例提供的用户感知提升装置的一实施例的示意图;
图9为本申请实施例提供的计算设备的示意图。
具体实施方式
说明书和权利要求书中的词语“第一、第二、第三等”或模块A、模块B、模块C等类似用语,仅用于区别类似的对象,不代表针对对象的特定排序,可以理解地,在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
在以下的描述中,所涉及的表示步骤的标号,如S110、S120……等,并不表示一定会按此步骤执行,在允许的情况下可以互换前后步骤的顺序,或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容;它不排除其它的元件或步骤。因此,其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在,但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此,表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例,但可以指同一实施例。此外,在一个或多个实施例中,能够以任何适当的方式组合各特定特征、结构或特性,如从本公开对本领域的普通技术人员显而易见的那样。
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申请的技术领域的技术人员通常理解的含义相同。如有不一致,以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外,本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。为了准确地对本申请中的技术内容进行叙述,以及为了准确地理解本发明,在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义:
1)隐马尔可夫模型(Hidden Markov Model,HMM):隐马尔可夫模型是统计模型,是马尔可夫链的一种,它用来描述一个含有隐含未知参数的马尔可夫过程。隐马尔可夫模型的状态不能直接观察到,但能通过观察向量序列观察到。每个观察向量都是通过某些概率密度分布表现为各种状态,每一个观察向量是由一个具有相应概率密度分布的状态序列产生。所以,隐马尔可夫模型是一个双重随机过程,是一个具有一定状态数的隐马尔可夫链和显示随机函数集。
2)Flink(弗林克):Flink是由Apache软件基金会开发的开源流处理框架,其核心是用Java和Scala编写的分布式流数据流引擎。Flink以数据并行和流水线方式执行任意流数据程序,Flink的流水线运行时系统可以执行批处理和流处理程序。
3)Flume(日志收集系统):Flume是一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统。Flume支持在日志系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写到各种数据接受方(可定制)的能力。
4)Kafka(卡夫卡):Kafka是一种高吞吐量的分布式发布订阅消息系统,它可以处理消费者在网站中的所有动作流数据。这种动作(网页浏览,搜索和其他用户的行动)是在现代网络上的许多社会功能的一个关键因素。这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。
下面先对现有的方法进行介绍,然后再对本申请的技术方案进行详细介绍。
当今数字经济时代上网业务和收入迅猛发展。网络通信的服务质量很大程度上取决于用户感知。因此提升用户感知的重点是减少手机上网业务的投诉量。传统的提升用户感知的方法的主要手段是向所有用户发送关怀短信,辅助手段是提高重点区域的网络覆盖、通过现场测试模拟、重现、解决投诉问题来提升满意度。
现有技术存在着以下的缺陷:传统的提升用户感知的方法是以所有用户为基础,发送关怀调研短信,没有做到精准投放。该方法没有专门针对感知差的用户提供关怀,不但造成了系统和短信资源的浪费,而且容易因不适时宜的短信而产生投诉。另外,重点区域网络覆盖优化和投诉处理等辅助手段则是有相对的滞后性,且损耗了人力和时间成本。
基于上述现有技术所存在的技术问题,本申请提供了一种用户感知提升的方法。该方法通过隐马尔可夫模型计算用户投诉概率结果集,再利用分布式数据流引擎进行进一步筛选,提高了目标用户的筛选准确性,在此基础上可实现精准投放业务关怀,可解决现有技术中提到的不能精准投放关怀短信的技术问题。另外,该方法可对用户投诉概率进行预测,从而筛选出有待提升用户感知的目标用户,通过有针对性地投放关怀可有效地减少业务投诉量,可解决现有技术中提到的网络优化和投诉处理的滞后性和损耗时间成本的技术问题。
图1为本申请实施例提供的用户感知提升方法的一实施例的示意图。如图1所示,该用户感知提升方法可以包括:
步骤S110,获取用户的通信业务数据;
步骤S120,根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;
步骤S130,利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。
隐马尔可夫模型是用于序列标注的概率图模型。它描述一个隐藏的马尔可夫链生成不可观察的状态序列,再由每个状态生成一个观察值而产生一个观察序列的过程,是一个生成模型。
隐马尔可夫模型的5个基本要素组成一个五元组{S,O,A,B,π}。其中各基本要素分别为:
S:隐藏状态集合;由隐藏状态序列组成;
O:观察状态集合;由观察序列组成;观察状态也称为输出状态;
A:隐藏状态间的转移概率矩阵,简称状态转移概率矩阵;
B:输出概率矩阵(即隐藏状态到输出状态的概率);也称为观察概率矩阵;
π:初始状态概率分布向量(隐藏状态的初始概率分布);
其中,A、B、π称为隐马尔可夫模型的参数,用λ表示,λ=(A,B,π),也称为三元组。三元组决定了隐马尔可夫模型,A决定了如何从隐藏的马尔可夫链生成隐藏状态集合S,B决定了如何从隐藏状态集合S生成观察状态集合O。在这个过程中隐马尔可夫模型做了两个基本假设:
(1)齐次马尔可夫性假设。
假设隐藏的马尔可夫链在时刻t的状态只依赖于其前一刻(t-1时刻)的状态而与其他时刻的状态及观察值无关,也与时刻t无关。
在隐马尔可夫模型的三要素中,状态转移概率矩阵A和初始状态概率向量π完全确定了隐藏的马尔可夫链。并且显然地,这个隐藏状态的马尔可夫链是满足马尔可夫性的。隐藏状态的马尔可夫链在任意t时刻的隐藏状态仅仅只依赖于前一时刻的隐藏状态,而与更早的隐藏状态无关,当然更与观察无关。
这个性质用条件概率的表达式表述如下:
P(it|it-1,ot-1,it-2,ot-2,…,i1,o1)=P(it|it-1),其中,t=1,2,…,T。
(2)观察独立性假设。
假设任意时刻的观察只依赖于该时刻的马尔可夫链的状态,与其他观察以及状态无关。
隐马尔可夫模型在确定了隐藏状态序列之后,隐藏状态序列将和输出概率矩阵B一起共同确定观察序列的生成。任意时刻的观察只依赖于该时刻隐马尔可夫链的隐藏状态,与其他时刻的隐藏状态和观察无关。
这个性质也可以用条件概率的表达式进行描述:
P(Ot|it,it-1,ot-1,it-2,ot-2,…,i1,o1)=P(Ot|it),其中,t=1,2,…,T。
隐马尔可夫模型基于以上两个基本假设,生成一个长度为T的观察序列的过程如下:
1)按照初始状态产生状态;
2)令t=1;
3)按照状态的输出概率分布生成观察值;
4)按照状态的状态转移概率分布产生状态;
5)令t=t+1,如果t小于T转到(3),否则终止;
根据上述过程,隐马尔可夫模型的生成如图2所示。
隐马尔可夫模型是双重随机过程,不仅状态转移之间是个随机事件,状态和输出之间也是一个随机过程。网络通信的用户投诉的问题的产生也有类似的随机过程。例如,4G和5G手机上网业务类型有24大类,9682种细分业务。每个用户投诉的问题是随机的,不同的。鉴于隐马尔可夫模型所描述的过程与网络通信业务的相似性,利用隐马尔可夫模型预测用户的投诉概率和用户感知程度,可以提升预测的准确程度,从而可以精准锁定目标用户。
如图2所示的马尔可夫过程包括上下两行。上行是一个马尔可夫转移过程;下行是输出过程,即可以观察到的值。上行的马尔可夫转移过程中的状态称为隐藏状态,下面的观察到的值称为观察状态,观察状态的集合表示为O={O1,O2,O3,…OT}。
隐马尔可夫模型的计算公式(1)如下:
其中,O表示观察序列;S表示隐藏状态序列;X表示S中的子状态,即隐藏子状态;P表示给定模型下S输出为O的概率。以上公式(1)表示对于观察序列O,需要找出所有可能的隐藏状态序列S,计算出在给定模型下S输出为O的概率。在一个示例中,S可以包括用户信息,X可以包括年龄、性别、学历、职业等。
在以上公式(1)中可采用动态规划(Dynamic Programming)计算概率之和。在实际应用中,有一类活动的过程,由于它的特殊性,可将过程分成若干个互相联系的阶段。在它的每一阶段都需要作出决策,从而使整个过程达到最好的活动效果。因此各个阶段决策的选取不能任意确定,它依赖于当前面临的状态,又影响以后的发展。当各个阶段决策确定后,就组成一个决策序列,因而也就确定了整个过程的一条活动路线。这种把一个问题看作是一个前后关联具有链状结构的多阶段过程就称为多阶段决策过程,这种问题称为多阶段决策问题。在多阶段决策问题中,各个阶段采取的决策,一般来说是与时间有关的。决策依赖于当前状态,又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的,故有“动态”的含义。称这种解决多阶段决策最优化的过程为动态规划方法。
参见图1,在步骤S110中,获取用户的通信业务数据。在一种实施方式中,所述通信业务数据包括实时用户面业务数据、网络历史投诉数据、用户信息和终端信息中的至少一种。然后在步骤S120中,根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率。
在一个示例中,隐马尔可夫模型的接入数据可包括需要消费的实时5G用户面业务数据、4G/5G网络历史投诉数据、用户信息、终端信息中的至少一种。其中:
实时5G用户面业务数据内容包括用户号码、终端识别号、数据业务大类/小类/细类、业务开始/结束时间、业务成功/失败标识、业务流量等信息。
4G/5G网络历史投诉数据包括:用户号码、投诉类型、网络类别、投诉业务、问题时间等。
用户信息包括用户开户信息。用户开户信息主要有用户号码、身份证号码、家庭住址等信息。可以引入用户画像模型,作为勾画目标用户、联系用户诉求的有效工具。
终端信息主要有终端品牌、终端型号、上市时间、价格等。
在一个示例中,对于观察序列O,可选取最近12个月的4G和/或5G网络历史投诉数据。投诉数据可包括投诉标签、用户号码、投诉类型、投诉业务中的至少一种。随着5G网络和5G终端的普及,4G投诉用户也在观察序列中作为潜在5G用户。观察状态集合O={0,1}。其中,“0”和“1”分别表示投诉和不投诉。
如图3所示,隐藏子状态的参数配置包括:年龄、性别、终端型号、终端价格、学历、职业、业务类型、业务指标、指标优劣标识等多个子状态中的至少一种。
在一个示例中,由于业务类型和业务指标组合过多,可以只选取主流业务类型和业务指标进行配置。指标与业务类型与原始数据相关counter映射关系配置在模块内。其中,counter是指移动通信信令中的原始字段,这些原始字段通过公式和算法计算出业务指标。一个示例性的业务类型和业务指标如表1和表2所示:
表1:业务类型参数表
业务类型code | 业务类型名称 |
1 | 即时通信 |
2 | 阅读 |
3 | 微博社区 |
4 | 导航 |
5 | 视频 |
6 | 音乐 |
7 | 应用商店 |
8 | 游戏 |
9 | 支付 |
15 | 浏览下载 |
18 | 购物 |
23 | 视频直播 |
表2:业务指标参数表
在五元组中,状态转移概率矩阵A本质上是一个马尔可夫链的转移概率矩阵。假设所有的可能的隐含状态个数为N,则矩阵A是一个N×N的方阵。以N=3为例,状态转移概率矩阵如下:
其中,aij表示从t时刻的隐含状态i转移到t+1时刻的隐含状态j的转移概率,可用如下公式表示:
aij=P(it+1=qj|it=qi),其中,i=1,2,...N;j=1,2,...N。
假设所有的可能的隐含状态个数为N,可能的观察状态集合共有M个观察值,则输出概率矩阵B是一个N×M的矩阵。以N=3、M=2为例,输出概率矩阵如下:
其中,bij表示表示t时刻,隐含状态为qi的情况下,对应生成观察值vj的概率,即:
bij=P(ot=vj|it=qi),其中,i=1,2,...N;j=1,2,...M。
初始状态概率分布向量π=(π1,π2,π3,...,πN),即在初始时刻(t=1)状态的概率分布,其中πi表示的是隐含状态序列中第1个状态为qi的概率,即πi=P(i1=qi)。在一个模型训练的示例中,初始概率向量分别是0.2、0.3、0.5。
参见图1,在步骤S120中利用隐马尔可夫模型预测用户的投诉概率,输入通信业务数据,输出用户投诉概率结果集。根据通信业务数据,利用隐马尔可夫模型对各个用户是否会投诉进行预测,得到各个用户可能会投诉的概率,构成用户投诉概率结果集。
在步骤S130中,利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选。例如,设置筛选阈值为60%,对步骤S120中得到的用户投诉概率结果集进行处理,筛选出概率大于60%的用户和终端信息数据,得到有待提升用户感知的目标用户。在此基础上,对于筛选出的目标用户投放业务关怀,这种有针对性地投放关怀可有效地减少业务投诉量,有效提升用户感知。
综上,本申请实施例通过隐马尔可夫模型计算用户投诉概率结果集,再利用分布式数据流引擎进行进一步筛选,提高了目标用户的筛选准确性。在此基础上可专门针对感知差的用户精准投放业务关怀,从而提升用户感知,减少潜在用户投诉。
在一种实施方式中,上述方法还包括:
在所述隐马尔可夫模型中使用前向算法,预测用户感知差的概率。
在一种实施方式中,上述方法还包括:
根据所述用户感知差的概率,得到有待提升用户感知的目标用户。
在实际的网络投诉处理的应用中,由于各个用户感知的敏感程度不行,行为模式的个性差异等因素的存在,仅针对投诉可能性较大的用户投放业务关怀是不够的。例如,由于存在各种主客观原因,有的用户尽管使用业务的感知很差,也不会发起投诉。因此,为了提升用户感知,不仅需要针对投诉可能性较大的用户提供关怀,还需要对感知差的所有用户提供关怀。
本申请实施例中,用户感知差的概率的分级量化表示可包括:高状态序列值、中状态序列值、低状态序列值。可将用户感知程序划分为三个等级,分别表示为高状态序列值、中状态序列值、低状态序列值。其中,高状态序列值对应于用户感知差的概率相对较大的情况,低状态序列值对应于用户感知差的概率相对较小的情况,中状态序列值对应于介于两者之间的情况。
图4为本申请实施例提供的用户感知提升方法的一实施例的观察集状态集转移概率示意图。图4中所示的各个状态之间的连线上的数字即为初始状态概率分布向量中元素的值。例如,对于投诉的用户,其感知差的概率属于高状态序列值的概率是0.6,其感知差的概率属于中状态序列值的概率是0.3,其感知差的概率属于低状态序列值的概率是0.1。
在隐马尔可夫模型中使用前向算法,预测用户感知差的概率的公式如下:
其中,αT(i)用递推公式引入:
其中,αt(j)=P(o1,o2,...,ot,St=qj|λ),意思是t时刻状态i的前向概率为t-1时刻所有状态的前向概率转移到t时刻状态i的概率之和。也就是说,在时刻t,观察序列是(o1,o2,...,ot)时,隐状态St=qj,当j取1到N任意一个值的时候,通过转移概率在t+1时刻转移到St+1=qi,合并所有αt(j)αji之后,St+1=qi隐状态上输出Ot+1,得到αt+1(i)。
综上,利用隐马尔可夫模型最终可得到用户t+1时刻的投诉概率结果集和用户感知差的概率。可根据投诉概率结果集和用户感知差的概率中的至少之一,得到有待提升用户感知的目标用户。在一个示例中,利用隐马尔可夫模型得到用户感知差的概率之后,还可以进一步利用分布式数据流引擎,对感知差的用户进行筛选,筛选出有待提升用户感知的目标用户。在锁定目标用户的基础上可实现精准投放业务关怀,从而提升用户感知,减少潜在用户投诉。
本申请实施例中,隐马尔可夫模型的输入数据中用户隐藏子状态较多,使用前向算法嵌入隐马尔可夫模型,可简化算法复杂度,计算输出用户感知差的概率,及时推送短信关怀,有效提升用户感知。
在一种实施方式中,上述方法还包括:
利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统;
利用所述分布式发布订阅消息系统,将所述目标用户发送到短信中心;
通过所述短信中心向所述目标用户推送关怀短信。
在一种实施方式中,所述利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统之后,所述方法还包括:
针对所述采集到的数据,在分布式数据库中生成采集日志和数据备份。
图5为本申请实施例提供的用户感知提升方法的一实施例的逻辑架构示意图。如图5所示,隐马尔可夫模型消费Kafka(分布式发布订阅消息系统)中的实时用户面业务数据,得到用户投诉概率结果集。再利用Flink(分布式数据流引擎),对用户投诉概率结果集进行秒级过滤,得到有待提升用户感知的目标用户。然后利用Flume组件(日志收集系统)将目标用户实时采集到Kafka流处理平台,同时在Hbase分布式数据库中生成并采集日志和结果数据备份。Kafka将目标用户的用户数据发送到短信中心网关,由短信中心向目标用户发送关怀短信。同时记录发送数据、发送状态、接收状态码等信息,并将记录日志写入Hbase结果数据中保存备份。
本申请实施例中,消费实时用户面业务数据,利用Flink流数据处理和Flume采集目标用户数据,实时对接短信中心,实现秒级的用户关怀,对可能发生的投诉问题进行预处理。这种预处理的方式,相比传统的投诉后处理,具有时效性强的优势,可有效减少投诉数量。
在一种实施方式中,上述方法还包括:
对所述关怀短信的发送状态和/或发送内容进行完整性核验。
本申请实施例中,通过短信核验可进一步提升服务质量,提升用户体验,增加用户满意度。
图6为本申请实施例提供的用户感知提升方法的一实施例的流转环节示意图。如图6所示,将网络实时信令输入算法模块,在算法模块中利用隐马尔可夫模型得到用户投诉概率结果集。然后将用户投诉概率结果集输入算力模块,在算力模块中利用Flink对用户投诉概率结果集进行过滤,得到有待提升用户感知的目标用户。最后将目标用户发送给短信中心,由短信中心向目标用户发送关怀短信。
综上,本申请实施例的主要功能包括隐马尔可夫模块配置、消费Kafka实时算力以进行目标用户筛选、关怀短信发送。逻辑架构可包括通信业务数据的数据接入、隐马尔可夫模型配置、数据计算、目标数据采集、目标数据传输、短信发送、完整性核验等以上几个模块。本申请实施例的环节流转过程及逻辑架构可参见图5和图6所示。
本申请实施例通过隐马尔可夫模型概率计算,消费实时信令数据,通过大数据算力实时计算观察集合、输出目标用户,搭建内生系统数据流传输,实现对目标用户提供业务关怀,减少潜在用户投诉,从而提升用户感知。并且,本申请实施例中,经过模型预测和Flink筛选出的关怀目标用户属于同类易投诉人群,投放关怀的准确性和有效性较高。
如图7所示,本申请还提供了相应的一种用户感知提升装置的实施例,关于该装置的有益效果或解决的技术问题,可以参见与各装置分别对应的方法中的描述,或者参见发明内容中的描述,此处不再一一赘述。
在该用户感知提升装置的实施例中,该装置包括:
获取单元100,用于获取用户的通信业务数据;
分析单元200,用于根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;
筛选单元300,用于利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。
在一种实施方式中,所述通信业务数据包括实时用户面业务数据、网络历史投诉数据、用户信息和终端信息中的至少一种。
在一种实施方式中,所述分析单元200还用于:
在所述隐马尔可夫模型中使用前向算法,预测用户感知差的概率。
在一种实施方式中,所述分析单元还200用于:
根据所述用户感知差的概率,得到有待提升用户感知的目标用户。
如图8所示,在一种实施方式中,所述装置还包括:
采集单元400,用于利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统;
发送单元500,用于利用所述分布式发布订阅消息系统,将所述目标用户发送到短信中心;
推送单元600,用于通过所述短信中心向所述目标用户推送关怀短信。
在一种实施方式中,所述采集单元400还用于:
所述利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统之后,针对所述采集到的数据,在分布式数据库中生成采集日志和数据备份。
在一种实施方式中,所述推送单元600还用于:
对所述关怀短信的发送状态和/或发送内容进行完整性核验。
图9是本申请实施例提供的一种计算设备900的结构性示意性图。该计算设备900包括:处理器910、存储器920、通信接口930。
应理解,图9中所示的计算设备900中的通信接口930可以用于与其他设备之间进行通信。
其中,该处理器910可以与存储器920连接。该存储器920可以用于存储该程序代码和数据。因此,该存储器920可以是处理器910内部的存储单元,也可以是与处理器910独立的外部存储单元,还可以是包括处理器910内部的存储单元和与处理器910独立的外部存储单元的部件。
可选的,计算设备900还可以包括总线。其中,存储器920、通信接口930可以通过总线与处理器910连接。总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
应理解,在本申请实施例中,该处理器910可以采用中央处理单元(centralprocessing unit,CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(Application specific integrated circuit,ASIC)、现成可编程门矩阵(field programmable gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器910采用一个或多个集成电路,用于执行相关程序,以实现本申请实施例所提供的技术方案。
该存储器920可以包括只读存储器和随机存取存储器,并向处理器910提供指令和数据。处理器910的一部分还可以包括非易失性随机存取存储器。例如,处理器910还可以存储设备类型的信息。
在计算设备900运行时,所述处理器910执行所述存储器920中的计算机执行指令执行上述方法的操作步骤。
应理解,根据本申请实施例的计算设备900可以对应于执行根据本申请各实施例的方法中的相应主体,并且计算设备900中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程,为了简洁,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请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,该程序被处理器执行时用于执行一种多样化问题生成方法,该方法包括上述各个实施例所描述的方案中的至少之一。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括、但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明的构思的情况下,还可以包括更多其他等效实施例,均属于本发明的保护范畴。
Claims (10)
1.一种用户感知提升方法,其特征在于,包括:
获取用户的通信业务数据;
根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;
利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。
2.根据权利要求1所述的方法,其特征在于,所述通信业务数据包括实时用户面业务数据、网络历史投诉数据、用户信息和终端信息中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述隐马尔可夫模型中使用前向算法,预测用户感知差的概率。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述用户感知差的概率,得到有待提升用户感知的目标用户。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统;
利用所述分布式发布订阅消息系统,将所述目标用户发送到短信中心;
通过所述短信中心向所述目标用户推送关怀短信。
6.根据权利要求5所述的方法,其特征在于,所述利用日志收集系统,将所述目标用户采集到分布式发布订阅消息系统之后,所述方法还包括:
针对所述采集到的数据,在分布式数据库中生成采集日志和数据备份。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
对所述关怀短信的发送状态和/或发送内容进行完整性核验。
8.一种用户感知提升装置,其特征在于,包括:
获取单元,用于获取用户的通信业务数据;
分析单元,用于根据所述通信业务数据,利用隐马尔可夫模型预测用户的投诉概率,得到用户投诉概率结果集;
筛选单元,用于利用分布式数据流引擎,对所述用户投诉概率结果集进行筛选,得到有待提升用户感知的目标用户。
9.一种计算设备,其特征在于,包括:
通信接口;
至少一个处理器,其与所述通信接口连接;以及
至少一个存储器,其与所述处理器连接并存储有程序指令,所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令当被计算机执行时使得所述计算机执行权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817997.4A CN115134260A (zh) | 2022-07-12 | 2022-07-12 | 用户感知提升方法及装置、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817997.4A CN115134260A (zh) | 2022-07-12 | 2022-07-12 | 用户感知提升方法及装置、计算设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115134260A true CN115134260A (zh) | 2022-09-30 |
Family
ID=83384383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817997.4A Pending CN115134260A (zh) | 2022-07-12 | 2022-07-12 | 用户感知提升方法及装置、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134260A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109548036A (zh) * | 2017-09-22 | 2019-03-29 | 中国移动通信集团浙江有限公司 | 一种移动网络潜在投诉用户预测方法和装置 |
CN109982367A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团四川有限公司 | 移动终端上网用户投诉预测方法、装置、设备及存储介质 |
CN109993555A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团四川有限公司 | 互联网电视潜在用户投诉预测方法、装置及设备 |
CN110908957A (zh) * | 2019-11-20 | 2020-03-24 | 国网湖南省电力有限公司 | 电力行业网络安全日志审计分析方法 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
CN111507513A (zh) * | 2020-04-10 | 2020-08-07 | 中国联合网络通信集团有限公司 | 潜在投诉用户预测方法、装置、电子设备及存储介质 |
CN113157545A (zh) * | 2021-05-20 | 2021-07-23 | 京东方科技集团股份有限公司 | 业务日志的处理方法、装置、设备及存储介质 |
CN113676926A (zh) * | 2020-05-15 | 2021-11-19 | 中国移动通信集团设计院有限公司 | 用户网络感知画像方法及装置 |
CN113704407A (zh) * | 2021-08-30 | 2021-11-26 | 平安银行股份有限公司 | 基于类别分析的投诉量分析方法、装置、设备及存储介质 |
CN114528908A (zh) * | 2021-12-31 | 2022-05-24 | 安徽航天信息有限公司 | 网络请求数据分类模型训练方法、分类方法及存储介质 |
-
2022
- 2022-07-12 CN CN202210817997.4A patent/CN115134260A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109548036A (zh) * | 2017-09-22 | 2019-03-29 | 中国移动通信集团浙江有限公司 | 一种移动网络潜在投诉用户预测方法和装置 |
CN109982367A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团四川有限公司 | 移动终端上网用户投诉预测方法、装置、设备及存储介质 |
CN109993555A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团四川有限公司 | 互联网电视潜在用户投诉预测方法、装置及设备 |
CN110908957A (zh) * | 2019-11-20 | 2020-03-24 | 国网湖南省电力有限公司 | 电力行业网络安全日志审计分析方法 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
CN111507513A (zh) * | 2020-04-10 | 2020-08-07 | 中国联合网络通信集团有限公司 | 潜在投诉用户预测方法、装置、电子设备及存储介质 |
CN113676926A (zh) * | 2020-05-15 | 2021-11-19 | 中国移动通信集团设计院有限公司 | 用户网络感知画像方法及装置 |
CN113157545A (zh) * | 2021-05-20 | 2021-07-23 | 京东方科技集团股份有限公司 | 业务日志的处理方法、装置、设备及存储介质 |
CN113704407A (zh) * | 2021-08-30 | 2021-11-26 | 平安银行股份有限公司 | 基于类别分析的投诉量分析方法、装置、设备及存储介质 |
CN114528908A (zh) * | 2021-12-31 | 2022-05-24 | 安徽航天信息有限公司 | 网络请求数据分类模型训练方法、分类方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111371767B (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
CN110598070B (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
US20130151330A1 (en) | Methods and system for predicting influence-basis outcomes in a social network using directed acyclic graphs | |
CN111199418A (zh) | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 | |
CN111178701B (zh) | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 | |
CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN113327111A (zh) | 一种网络金融交易风险的评估方法及系统 | |
CN111199421B (zh) | 一种基于社交关系的用户推荐方法、装置及电子设备 | |
CN111686451A (zh) | 一种业务处理方法、装置、设备及计算机存储介质 | |
CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN115905293A (zh) | 作业执行引擎的切换方法及装置 | |
CN115134260A (zh) | 用户感知提升方法及装置、计算设备和存储介质 | |
CN113487208B (zh) | 风险评估方法及装置 | |
CN115731026A (zh) | 一种客户运营策略生成方法、装置及电子设备 | |
CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
CN112188487B (zh) | 一种提高用户鉴权准确性的方法与系统 | |
CN112907254A (zh) | 欺诈交易识别、模型训练方法、装置、设备及存储介质 | |
CN114003567A (zh) | 数据采集的方法及相关装置 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
WO2024093960A1 (zh) | 异常交易应对策略的验证方法和验证装置 | |
US20240028935A1 (en) | Context-aware prediction and recommendation | |
CN115115080A (zh) | 信息处理方法、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220930 |
|
RJ01 | Rejection of invention patent application after publication |