CN117786544A - 用户满意度获取方法、装置、电子设备及存储介质 - Google Patents
用户满意度获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117786544A CN117786544A CN202410218669.1A CN202410218669A CN117786544A CN 117786544 A CN117786544 A CN 117786544A CN 202410218669 A CN202410218669 A CN 202410218669A CN 117786544 A CN117786544 A CN 117786544A
- Authority
- CN
- China
- Prior art keywords
- user
- classification
- data
- model
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 79
- 230000008447 perception Effects 0.000 claims abstract description 77
- 238000013138 pruning Methods 0.000 claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 36
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 23
- 230000007547 defect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用户满意度获取方法、装置、电子设备及存储介质，属于数据处理技术领域，方法包括：获取用户特征数据；将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果；基于用户分类结果，确定用户的净推荐NPS值；基于NPS值，获取用户满意度。本发明通过多重交叉验证、构建分类节点和剪枝，得到用户感知分类模型，提高了对用户进行分类的效率，根据NPS值确定用户满意度，提高了获取全网用户满意度的准确性。本发明根据用户感知分类模型获取NPS值，根据NPS值获取用户满意度，提高了获取用户满意度的效率和准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种用户满意度获取方法、装置、电子设备及存储介质。
背景技术
随网络进步与业务发展，运营商网络运营面临着多方面的挑战和困境。（1）现有的业务多样化评估手段不足。随网络发展，用户业务、网络需求更加多样化，简单的KPI优化无法解决投资与用户满意度的矛盾。（2）用户满意度无从下手。基于电话抽样调查访问获取用户满意度，采样小、时效性差且成本高，不仅无法体现全网用户满意度，基于感知建设优化网络也无处着手、无法验证。（3）数据零散，难以利用。用户数据零散分布于多个系统中，综合分析时数据整合需耗费大量时间精力，严重影响工作进度。
综上可知，现有的基于用户数据，获取用户满意度的效率低。
发明内容
本发明提供一种用户满意度获取方法、装置、电子设备及存储介质，用以解决基于用户数据，提升用户满意度的效率低的缺陷，实现提高获取用户满意度的效率。
第一方面，本发明提供一种用户满意度获取方法，包括：获取用户特征数据；将所述用户特征数据输入用户感知分类模型，得到所述用户感知分类模型输出的用户分类结果；其中，所述用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及所述样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；基于所述用户分类结果，确定用户的净推荐NPS值；基于所述NPS值，获取用户满意度。
根据本发明提供的一种用户满意度获取方法，所述基于所述NPS值，获取用户满意度之后，还包括：基于所述用户分类结果，确定贬损用户区域；至少基于所述贬损用户区域的信号覆盖率、容量、网管绩效指标、基站状态和投诉数据，确定所述贬损用户区域的通信缺陷；基于所述通信缺陷的优化方案对所述贬损用户区域的通信数据进行优化；基于优化后的所述贬损用户区域的用户特征数据，对所述用户感知分类模型进行迭代更新。
根据本发明提供的一种用户满意度获取方法，所述用户感知分类模型是基于以下步骤得到的：基于多个样本用户的所述样本用户分类标签，对所述样本用户特征数据进行标注，得到多个训练数据；将所述训练数据划分成多个训练子集，基于每个所述训练子集，对所述预设决策树模型进行所述多重交叉验证，基于多重交叉验证结果，优化所述预设决策树模型的参数，得到第一初始模型；基于所述第一初始模型中初始节点的最大信息增益，确定所述初始节点的子节点，得到具有多个分类节点的第二初始模型，所述分类节点包括所述初始节点和所述子节点；基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对所述分类节点进行剪枝，得到所述用户感知分类模型。
根据本发明提供的一种用户满意度获取方法，所述基于所述第一初始模型中初始节点的最大信息增益，确定所述初始节点的子节点，包括：基于初始节点的最大信息增益的目标特征，对所述训练数据进行分类，得到至少一个第一特征子集；基于所述目标特征的取值信息，创建所述第一特征子集的子节点，将所述第一特征子集的所述训练数据分配给所述子节点，得到至少一个第二特征子集；其中，所述第二特征子集的特征的数量小于设定数量或者所述第二特征子集的特征的信息增益小于设定值。
根据本发明提供的一种用户满意度获取方法，所述基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对所述分类节点进行剪枝，得到所述用户感知分类模型，包括：当所述分类节点的使用期望错误率等于所述分类节点的不使用期望错误率时，删除所述分类节点；当所述分类节点的使用期望错误率大于设定错误率时，删除所述分类节点；当所述分类节点的分布信息满足所述剪枝策略中所述分类节点的分布信息时，确定所述分类节点剪枝完成，得到所述用户感知分类模型。
根据本发明提供的一种用户满意度获取方法，所述基于所述用户分类结果，确定用户的净推荐NPS值，包括：基于所述用户特征数据的总数量、所述用户分类结果中的推荐用户数量和贬损用户数量，确定所述NPS值。
根据本发明提供的一种用户满意度获取方法，所述获取用户特征数据，包括：将至少一个数据平台的初始数据按照用户信息进行整合，得到具有关联性的用户数据；对所述用户数据进行去除异常值、补充缺失值和去除重复数据；对去除重复数据后的所述用户数据进行编码、特征提取、标准化和主成份分析降维，得到所述用户特征数据。
第二方面，本发明还提供一种用户满意度获取装置，包括：获取模块，用于获取用户特征数据；分类模块，用于将所述用户特征数据输入用户感知分类模型，得到所述用户感知分类模型输出的用户分类结果；其中，所述用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及所述样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；NPS确定模块，用于基于所述用户分类结果，确定用户的净推荐NPS值；用户满意度确定模块，用于基于所述NPS值，获取用户满意度。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述用户满意度获取方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述用户满意度获取方法。
本发明提供的用户满意度获取方法、装置、电子设备及存储介质，通过获取用户特征数据；将所述用户特征数据输入用户感知分类模型，得到所述用户感知分类模型输出的用户分类结果；其中，所述用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及所述样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；基于所述用户分类结果，确定用户的净推荐NPS值；基于所述NPS值，获取用户满意度。本发明通过多重交叉验证、构建分类节点和剪枝，得到用户感知分类模型，提高了对用户进行分类的效率，根据NPS值确定用户满意度，提高了获取全网用户满意度的准确性。本发明根据用户感知分类模型获取NPS值，根据NPS值获取用户满意度，提高了获取用户满意度的效率和准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的用户满意度获取方法的流程示意图之一；
图2是本发明提供的用户满意度获取方法的流程示意图之二；
图3是本发明提供的对用户感知分类模型进行迭代更新的流程示意图；
图4是本发明提供的用户满意度获取装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，都属于本发明保护的范围。
下面结合图1-图5描述本发明实施例所提供的用户满意度获取方法、装置及电子设备。
图1是本发明提供的用户满意度获取方法的流程示意图之一，如图1所示，用户满意度获取方法包括步骤S100至步骤S400，各步骤具体如下：
S100：获取用户特征数据。
需要说明的是，本发明实施例的执行主体可以是服务器、计算机设备，例如手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本或者个人数字助理（personal digitalassistant，PDA）等。
根据业务专家经验设计待收集的初始数据。将可能影响用户满意度的数据作为待收集的初始数据。从各个数据平台，获取初始数据。对初始数据根据用户信息进行关联整合，得到各种用户信息表。对用户信息表中的数据进行预处理得到多个用户的用户特征数据。预处理包括异常值处理、缺失值处理、去重处理、编码、特征提取、标准化处理和主成份分析降维处理。
S200：将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果。
其中，用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的。
将预处理后的用户特征数据输入训练好的用户感知分类模型。用户感知分类模型根据用户特征数据，遍历用户感知分类模型中的分类节点。根据分类节点的判断条件选择相应的分支进行遍历，直到达到叶子节点，即得到用户的各种分类，例如产品偏好分类、业务偏好分类、数据感知分类等。分类结果包括推荐用户、中立用户和贬损用户。
用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的。根据样本用户特征数据和样本用户分类标签构建训练数据。根据训练数据，对预设决策树模型进行多重交叉验证，以提高预设决策树模型的准确率。根据训练数据，构建预设决策树模型的初始节点的子节点。根据子节点和初始节点，得到分类节点。对分类节点进行剪枝，得到训练完成的用户感知分类模型。
对训练好的用户感知分类模型进行测试，并根据测试结果，对用户感知分类模型进行初步迭代。
S300：基于用户分类结果，确定用户的净推荐NPS值。
根据用户分类结果，计算全网用户的净推荐值（Net Promoter Score，NPS）。基于用户分类结果，确定用户的净推荐NPS值，具体的，基于用户特征数据的总数量、用户分类结果中的推荐用户数量和贬损用户数量，确定NPS值。NPS值的计算公式为：
；
其中，NPS的得分在-100到100之间。
S400：基于NPS值，获取用户满意度。
根据NPS值，获取全网用户的用户满意度。若NPS值越小，则全网用户的用户满意度越低；若NPS值越大，则全网用户的用户满意度越高。
本发明实施例提供的用户满意度获取方法，通过获取用户特征数据；将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果；其中，用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；基于用户分类结果，确定用户的净推荐NPS值；基于NPS值，获取用户满意度。本发明实施例通过多重交叉验证、构建分类节点和剪枝，得到用户感知分类模型，提高了对用户进行分类的效率，根据NPS值确定用户满意度，提高了获取全网用户满意度的准确性。本发明实施例根据用户感知分类模型获取NPS值，根据NPS值获取用户满意度，提高了获取用户满意度的效率和准确性。
基于上述实施例，基于NPS值，获取用户满意度之后，还包括步骤S500至步骤S800，各步骤具体如下：
S500：基于用户分类结果，确定贬损用户区域。
S600：至少基于贬损用户区域的信号覆盖率、容量、网管绩效指标、基站状态和投诉数据，确定贬损用户区域的通信缺陷。
S700：基于通信缺陷的优化方案对贬损用户区域的通信数据进行优化。
S800：基于优化后的贬损用户区域的用户特征数据，对用户感知分类模型进行迭代更新。
如图3所示，确定用户分类结果中的贬损用户。根据贬损用户的地理信息，对贬损用户进行地理化呈现。通过地理聚类，将贬损用户数量达到设定数量的区域设定为贬损用户区域。根据贬损用户区域的信号覆盖率（例如，室内室外的3/4G信号覆盖率）、容量（负荷）、网管绩效指标（例如，接通率、掉线率、干扰等）、基站状态（例如，断站、拆迁等）和投诉数据等数据，确定贬损用户区域的通信缺陷。将通信缺陷整合成问题表格。通过分析积累，针对问题表格中的通信缺陷制定优化方案。根据优化方案，对贬损用户区域的通信数据进行优化，以提升用户满意度。待优化方案实施后，获取优化后的贬损用户区域的用户特征数据。将优化后的贬损用户区域的用户特征数据输入用户感知分类模型，获取优化后的贬损用户区域的用户分类结果。根据优化后的贬损用户区域的用户分类结果对用户感知分类模型进行迭代更新。
本发明实施例通过问题表格的优化方案，对贬损用户区域的通信数据进行优化，提高了提升用户满意度的效率。本发明实施例根据优化后的贬损用户区域的用户特征数据，对用户感知分类模型进行更新，提高了用户感知分类模型的准确性。
基于上述实施例，用户感知分类模型是基于步骤S210至步骤S240得到的：
S210：基于多个样本用户的样本用户分类标签，对样本用户特征数据进行标注，得到多个训练数据。
S220：将训练数据划分成多个训练子集，基于每个训练子集，对预设决策树模型进行多重交叉验证，基于多重交叉验证结果，优化预设决策树模型的参数，得到第一初始模型。
S230：基于第一初始模型中初始节点的最大信息增益，确定初始节点的子节点，得到具有多个分类节点的第二初始模型，分类节点包括初始节点和子节点。
S240：基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对分类节点进行剪枝，得到用户感知分类模型。
基于每个样本用户的样本用户分类标签，对该样本用户的样本用户特征数据进行标注，得到多个携带标签的训练数据。将训练数据划分成K个子集，每个子集的大小可以不同，但每个子集的训练数据的数量大于设定阈值。
对于K个子集中的每个子集i，执行以下步骤：（1）将子集i以外的所有子集作为训练集。根据训练集对预设决策树模型进行训练。（2）将子集i作为验证集。根据验证集，对训练后的预设决策树模型进行模型评估。评估指标包括模型的准确率、召回率、模型得分值中的任一一个。记录预设决策树模型的评估结果。（3）重复步骤（2）直至所有的子集都作为验证集使用过一次。（4）基于所有的评估结果的平均值，确定预设决策树模型的最终评估结果。（5）根据最终评估结果，对预设决策树模型的参数进行优化，得到第一初始模型。第一初始模型中包括多个初始节点，每个初始节点代表一个分类规则，用于对用户进行分类。
基于第一初始模型中初始节点的最大信息增益，确定初始节点的子节点，具体的，基于初始节点的最大信息增益的目标特征，对训练数据进行分类，得到至少一个第一特征子集；基于目标特征的取值信息，创建第一特征子集的子节点，将第一特征子集的训练数据分配给子节点，得到至少一个第二特征子集；其中，第二特征子集的训练数据的数量小于设定数量或者第二特征子集的预设子节点的信息增益小于设定值。
从第一初始模型的初始根节点开始，对每个初始节点计算所有可能的特征值的信息增益，选择最大信息增益的目标特征作为初始节点的特征。根据初始节点的目标特征，对训练数据进行分类，得到至少一个第一特征子集。根据第一特征子集中目标特征的取值信息，创建第一特征子集的子节点。将第一特征子集中的每个训练数据分配给子节点，得到至少一个第二特征子集。对每个子节点，递归调用上述步骤，直至第二特征子集的特征的数量小于设定数量或者第二特征子集的特征的信息增益小于设定值。根据所有初始节点和子节点，得到第二初始模型，其中初始节点和子节点构成第二初始模型的分类节点。
基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对分类节点进行剪枝，得到用户感知分类模型，具体的，当分类节点的使用期望错误率等于分类节点的不使用期望错误率时，删除分类节点；当分类节点的使用期望错误率大于设定错误率时，删除分类节点；当分类节点的分布信息满足剪枝策略中分类节点的分布信息时，确定分类节点剪枝完成，得到用户感知分类模型。
对分类节点进行剪枝，包括对分类节点进行悲观错误率剪枝（Pessimistic ErrorPruning，PEP）。根据PEP剪枝，对第二初始模型中的分类节点进行简化，以避免模型过拟合。计算当前第二初始模型使用当前分类节点的使用期望错误率和不使用当前分类节点的不使用期望错误率。比较使用期望错误率和不使用期望错误率的大小。如果当前分类节点的使用期望错误率等于不使用期望错误率时，说明当前分类节点对用户分类的作用不大，删除当前分类节。如果当前分类节点的使用期望错误率大于设定错误率时，删除当前分类节点。根据经验选择合适的剪枝策略，例如，确定固定剪枝深度，确定代价复杂度剪枝。根据剪枝策略，对分类节点进行剪枝，直至分类节点的分布信息满足剪枝策略中分类节点的分布信息，确定分类节点剪枝完成。根据上述步骤，得到一棵或者多棵决策树，将这些决策树进行集成，得到最终的决策树，以得到用户感知分类模型。
根据用户感知分类模型的情况，抽样回访用户，对用户感知分类模型进行初步迭代更新。
本发明实施例在预设决策树模型的基础上，通过样本用户特征数据及样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到用户感知分类模型，提高了用户感知分类模型对用户进行分类的准确性，有利于提高获取用户满意度的效率和准确性。
基于上述实施例，获取用户特征数据，包括步骤S110至步骤S130，各步骤具体如下：
S110：将至少一个数据平台的初始数据按照用户信息进行整合，得到具有关联性的用户数据。
S120：对用户数据进行去除异常值、补充缺失值和去除重复数据。
S130：对去除重复数据后的用户数据进行编码、特征提取、标准化和主成份分析降维，得到用户特征数据。
如图2所示，获取至少一个数据平台的初始数据，初始数据包括用户属性数据、业务属性数据、场景属性数据和网络属性数据。用户属性数据包括用户的年龄、用户的性别、用户电话的号龄、用户电话的套餐、用户的星级和用户的终端。业务属性数据包括浏览数据、视频数据、游戏数据、通话数据、聊天数据和支付数据。场景属性数据包括办公、交通、高校、美食、美景和医院。网络属性数据包括覆盖、干扰、负荷、掉线、接通和基站。由于初始数据来源于不同数据平台，初始数据之间的关联性不强。将初始数据按照用户信息进行整合，得到关联性强的用户信息表。如图2所示，例如，对初始数据进行数据整理、ID映射、时空统计、特征提取等操作，得到用户信息表。数据整理包括合法检查和数据过滤。ID映射包括基于用户ID映射、基于移动性管理实体标识符（Mobility Management Entity Identifier，MMEID）映射等。时空统计包括时间统计分析、空间统计分析等。特征提取包括行为特征提取、基础特征提取等。用户信息表包括工参表格、场景表格、业务表格、KPI表格、KQI表格和用户表格。初始数据及其特征提取字段如表1所示。
表1 初始数据及其特征提取字段
对用户信息表进行预处理，预处理包括数据清洗和格式转换。数据预处理包括：
（1）输入用户信息表中的用户数据，人工查看用户数据，了解用户数据概况。
（2）去除异常值：针对值过大或过小的用户数据，删除整条数据或是将值设置为空。
（3）补充缺失值：包括两类处理。一是删除整条用户数据；二是填充用户数据，连续字段填充均值；离散字段，利用映射关系填充用户数据。
（4）去除重复数据：去除用户数据中的重复数据。
（5）编码：对于带文本信息的离散字段，对其进行标签编码（Label Encode）和独热编码（One Hot Encoder）。对用户数据进行数值编码以供模型识别。
（6）特征提取（关联性验证）：通过使用皮尔逊（pearson）系数，提取出与标签（label）相关性强的特征。
（7）标准化处理：去除用户数据的单位，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
（8）主成份分析降维（Principal Component Analysis，PCA）：通过较少的数据维度，保留较多的用户数据的特性。
对用户信息表中的用户数据进行上述预处理后，得到用户特征数据。
本发明实施例通过对各个数据平台的初始数据进行整合，得到用户数据，打通了数据平台之间的数据孤岛现象，通过对用户信息表中的用户数据进行预处理，得到用户特征数据，提高了用户特征数据的准确性。本发明通过对初始数据进行整合和预处理，得到用户特征数据，提高了用户特征数据的准确性，有利于提高获取用户满意度的效率和准确性。
本发明实施例还提供了一种用户满意度获取装置，如图4所示，图4是本发明提供的用户满意度获取装置的结构示意图。需要说明的是，本发明实施例提供的用户满意度获取装置，在具体运行时，可以执行上述任一实施例所述的用户满意度获取方法，对此本实施例不作赘述。
参照图4，本发明的实施例提供了一种用户满意度获取装置，包括：
获取模块401，用于获取用户特征数据。
分类模块402，用于将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果；其中，用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的。
NPS确定模块403，用于基于用户分类结果，确定用户的净推荐NPS值。
用户满意度确定模块404，用于基于NPS值，获取用户满意度。
本发明实施例提供的用户满意度获取装置，通过获取用户特征数据；将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果；其中，用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；基于用户分类结果，确定用户的净推荐NPS值；基于NPS值，获取用户满意度。本发明实施例通过多重交叉验证、构建分类节点和剪枝，得到用户感知分类模型，提高了对用户进行分类的效率，根据NPS值确定用户满意度，提高了获取全网用户满意度的准确性。本发明实施例根据用户感知分类模型获取NPS值，根据NPS值获取用户满意度，提高了获取用户满意度的效率和准确性。
在一个实施例中，用户满意度确定模块404还用于：基于用户分类结果，确定贬损用户区域；至少基于贬损用户区域的信号覆盖率、容量、网管绩效指标、基站状态和投诉数据，确定贬损用户区域的通信缺陷；基于通信缺陷的优化方案对贬损用户区域的通信数据进行优化；基于优化后的贬损用户区域的用户特征数据，对用户感知分类模型进行迭代更新。
在一个实施例中，分类模块402用于基于以下步骤得到用户感知分类模型：基于多个样本用户的样本用户分类标签，对样本用户特征数据进行标注，得到多个训练数据；将训练数据划分成多个训练子集，基于每个训练子集，对预设决策树模型进行多重交叉验证，基于多重交叉验证结果，优化预设决策树模型的参数，得到第一初始模型；基于第一初始模型中初始节点的最大信息增益，确定初始节点的子节点，得到具有多个分类节点的第二初始模型，分类节点包括初始节点和子节点；基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对分类节点进行剪枝，得到用户感知分类模型。
在一个实施例中，分类模块402用于：基于初始节点的最大信息增益的目标特征，对训练数据进行分类，得到至少一个第一特征子集；基于目标特征的取值信息，创建第一特征子集的子节点，将第一特征子集的训练数据分配给子节点，得到至少一个第二特征子集；其中，第二特征子集的特征的数量小于设定数量或者第二特征子集的特征的信息增益小于设定值。
在一个实施例中，分类模块402用于：当分类节点的使用期望错误率等于分类节点的不使用期望错误率时，删除分类节点；当分类节点的使用期望错误率大于设定错误率时，删除分类节点；当分类节点的分布信息满足剪枝策略中分类节点的分布信息时，确定分类节点剪枝完成，得到用户感知分类模型。
在一个实施例中，NPS确定模块403用于：基于用户特征数据的总数量、用户分类结果中的推荐用户数量和贬损用户数量，确定NPS值。
在一个实施例中，获取模块401用于：将至少一个数据平台的初始数据按照用户信息进行整合，得到具有关联性的用户数据；对用户数据进行去除异常值、补充缺失值和去除重复数据；对去除重复数据后的用户数据进行编码、特征提取、标准化和主成份分析降维，得到用户特征数据。
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器（processor）510、通信接口（Communications Interface）520、存储器（memory）530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行用户满意度获取方法，该方法包括：获取用户特征数据；将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果；其中，用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；基于用户分类结果，确定用户的净推荐NPS值；基于NPS值，获取用户满意度。
此外，上述的存储器530中的逻辑指令可以通过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，本发明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）执行本发明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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用户满意度获取方法，该方法包括：获取用户特征数据；将用户特征数据输入用户感知分类模型，得到用户感知分类模型输出的用户分类结果；其中，用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；基于用户分类结果，确定用户的净推荐NPS值；基于NPS值，获取用户满意度。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用户满意度获取方法，其特征在于，包括：
获取用户特征数据；
将所述用户特征数据输入用户感知分类模型，得到所述用户感知分类模型输出的用户分类结果；其中，所述用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及所述样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；
基于所述用户分类结果，确定用户的净推荐NPS值；
基于所述NPS值，获取用户满意度。
2.根据权利要求1所述的用户满意度获取方法，其特征在于，所述基于所述NPS值，获取用户满意度之后，还包括：
基于所述用户分类结果，确定贬损用户区域；
至少基于所述贬损用户区域的信号覆盖率、容量、网管绩效指标、基站状态和投诉数据，确定所述贬损用户区域的通信缺陷；
基于所述通信缺陷的优化方案对所述贬损用户区域的通信数据进行优化；
基于优化后的所述贬损用户区域的用户特征数据，对所述用户感知分类模型进行迭代更新。
3.根据权利要求1所述的用户满意度获取方法，其特征在于，所述用户感知分类模型是基于以下步骤得到的：
基于多个样本用户的所述样本用户分类标签，对所述样本用户特征数据进行标注，得到多个训练数据；
将所述训练数据划分成多个训练子集，基于每个所述训练子集，对所述预设决策树模型进行所述多重交叉验证，基于多重交叉验证结果，优化所述预设决策树模型的参数，得到第一初始模型；
基于所述第一初始模型中初始节点的最大信息增益，确定所述初始节点的子节点，得到具有多个分类节点的第二初始模型，所述分类节点包括所述初始节点和所述子节点；
基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对所述分类节点进行剪枝，得到所述用户感知分类模型。
4.根据权利要求3所述的用户满意度获取方法，其特征在于，所述基于所述第一初始模型中初始节点的最大信息增益，确定所述初始节点的子节点，包括：
基于初始节点的最大信息增益的目标特征，对所述训练数据进行分类，得到至少一个第一特征子集；
基于所述目标特征的取值信息，创建所述第一特征子集的子节点，将所述第一特征子集的所述训练数据分配给所述子节点，得到至少一个第二特征子集；其中，所述第二特征子集的特征的数量小于设定数量或者所述第二特征子集的特征的信息增益小于设定值。
5.根据权利要求3所述的用户满意度获取方法，其特征在于，所述基于剪枝策略、分类节点的使用期望错误率和不使用期望错误率，对所述分类节点进行剪枝，得到所述用户感知分类模型，包括：
当所述分类节点的使用期望错误率等于所述分类节点的不使用期望错误率时，删除所述分类节点；
当所述分类节点的使用期望错误率大于设定错误率时，删除所述分类节点；
当所述分类节点的分布信息满足所述剪枝策略中所述分类节点的分布信息时，确定所述分类节点剪枝完成，得到所述用户感知分类模型。
6.根据权利要求1所述的用户满意度获取方法，其特征在于，所述基于所述用户分类结果，确定用户的净推荐NPS值，包括：
基于所述用户特征数据的总数量、所述用户分类结果中的推荐用户数量和贬损用户数量，确定所述NPS值。
7.根据权利要求1所述的用户满意度获取方法，其特征在于，所述获取用户特征数据，包括：
将至少一个数据平台的初始数据按照用户信息进行整合，得到具有关联性的用户数据；
对所述用户数据进行去除异常值、补充缺失值和去除重复数据；
对去除重复数据后的所述用户数据进行编码、特征提取、标准化和主成份分析降维，得到所述用户特征数据。
8.一种用户满意度获取装置，其特征在于，包括：
获取模块，用于获取用户特征数据；
分类模块，用于将所述用户特征数据输入用户感知分类模型，得到所述用户感知分类模型输出的用户分类结果；其中，所述用户感知分类模型是在预设决策树模型的基础上，通过样本用户特征数据及所述样本用户特征数据的样本用户分类标签进行多重交叉验证、构建分类节点和剪枝得到的；
NPS确定模块，用于基于所述用户分类结果，确定用户的净推荐NPS值；
用户满意度确定模块，用于基于所述NPS值，获取用户满意度。
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述用户满意度获取方法。
10.一种非暂态计算机可读存储介质，其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如权利要求1至7任一项所述用户满意度获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218669.1A CN117786544A (zh) | 2024-02-28 | 2024-02-28 | 用户满意度获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218669.1A CN117786544A (zh) | 2024-02-28 | 2024-02-28 | 用户满意度获取方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117786544A true CN117786544A (zh) | 2024-03-29 |
Family
ID=90400324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410218669.1A Pending CN117786544A (zh) | 2024-02-28 | 2024-02-28 | 用户满意度获取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786544A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831440A (zh) * | 2012-08-20 | 2012-12-19 | 中国测绘科学研究院 | 一种广域遥感影像决策树分类方法及装置 |
| CN105045931A (zh) * | 2015-09-02 | 2015-11-11 | 南京邮电大学 | 一种基于Web挖掘的视频推荐方法和系统 |
| 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 |
| CN113609193A (zh) * | 2021-08-11 | 2021-11-05 | 中国工商银行股份有限公司 | 训练用于预测客户交易行为的预测模型的方法及装置 |
| CN114530142A (zh) * | 2022-03-23 | 2022-05-24 | 未鲲(上海)科技服务有限公司 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
| CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
| CN115494801A (zh) * | 2022-09-09 | 2022-12-20 | 广东鑫光智能系统有限公司 | 板件生产线搭建方法及终端 |
| CN116132024A (zh) * | 2022-11-21 | 2023-05-16 | 成都理工大学 | 基于决策树的量子通信方法 |
| CN116362359A (zh) * | 2021-12-22 | 2023-06-30 | 中国电信国际有限公司 | 基于ai大数据的用户满意度预测方法、装置、设备及介质 |
-
2024
- 2024-02-28 CN CN202410218669.1A patent/CN117786544A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831440A (zh) * | 2012-08-20 | 2012-12-19 | 中国测绘科学研究院 | 一种广域遥感影像决策树分类方法及装置 |
| CN105045931A (zh) * | 2015-09-02 | 2015-11-11 | 南京邮电大学 | 一种基于Web挖掘的视频推荐方法和系统 |
| 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 |
| CN113609193A (zh) * | 2021-08-11 | 2021-11-05 | 中国工商银行股份有限公司 | 训练用于预测客户交易行为的预测模型的方法及装置 |
| CN116362359A (zh) * | 2021-12-22 | 2023-06-30 | 中国电信国际有限公司 | 基于ai大数据的用户满意度预测方法、装置、设备及介质 |
| CN114530142A (zh) * | 2022-03-23 | 2022-05-24 | 未鲲(上海)科技服务有限公司 | 基于随机森林的信息推荐方法、装置、设备及存储介质 |
| CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
| CN115494801A (zh) * | 2022-09-09 | 2022-12-20 | 广东鑫光智能系统有限公司 | 板件生产线搭建方法及终端 |
| CN116132024A (zh) * | 2022-11-21 | 2023-05-16 | 成都理工大学 | 基于决策树的量子通信方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112950231A (zh) | 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质 | |
| CN104396188B (zh) | 用于对移动网络性能问题进行根本原因分析的系统和方法 | |
| CN112232892B (zh) | 基于移动运营商的满意度的易访用户的挖掘方法 | |
| CN108768695B (zh) | Kqi的问题定位方法及装置 | |
| CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
| CN105281925A (zh) | 网络业务用户群组划分的方法和装置 | |
| CN110213774A (zh) | 一种基于神经网络的5g网络自动评估系统、方法及装置 | |
| CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
| CN110019996A (zh) | 一种家庭关系识别方法和系统 | |
| CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
| CN107368499A (zh) | 一种客户标签建模及推荐方法及装置 | |
| CN116976739A (zh) | 一种云计算产品需求优先级排序方法和系统 | |
| CN117786544A (zh) | 用户满意度获取方法、装置、电子设备及存储介质 | |
| CN110855474B (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
| CN113516562B (zh) | 家庭社交网络构建方法、装置、设备及存储介质 | |
| CN117131460A (zh) | 一种电信欺诈账户识别模型训练方法、装置、设备及介质 | |
| CN101964993B (zh) | 一种实现用户预警的方法及系统 | |
| CN115982634A (zh) | 应用程序分类方法、装置、电子设备及计算机程序产品 | |
| CN111368858A (zh) | 用户满意度评估方法及装置 | |
| CN112365146B (zh) | 指标异动的维度的获取方法、装置、设备及存储介质 | |
| CN115048472A (zh) | 一种通信行业家庭圈智能识别的方法、装置及设备 | |
| CN113573242A (zh) | 重入网用户的识别方法、装置及设备 | |
| CN112307075A (zh) | 用户关系识别方法及装置 | |
| CN115689128B (zh) | 基于crm的客户数据分析方法及系统 | |
| CN118797329A (zh) | 移动网络投诉预测模型训练方法、装置及存储介质 |
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 |