基于神经网络的用户口碑智能保障方法及装置制造方法及图纸

本申请提供人工智能领域中基于神经网络的用户口碑智能保障方法和相关装置。本申请公开了一种基于O域和B域等多类别数据源构建多级指标体系，通过神经网络算法建模，将NPS已有样本与该指标体系进行关系建模，然后对全量用户NPS预测，输出单用户及批量用户的NPS得分预测查询、NPS问题定界定位结果，指导网络感知优化及用户维系，提升了运营商的用户口碑。提升了运营商的用户口碑。提升了运营商的用户口碑。

【技术实现步骤摘要】
基于神经网络的用户口碑智能保障方法及装置


[0001]本申请涉及人工智能
，尤其涉及一种基于神经网络的用户口碑 智能保障方法。

技术介绍

[0002]随着移动网络的发展，形成目前2G(2generation，2G)和3G(3generation， 3G)和4G(4generation，4G)和长期演进语音承载(voice over long
‑
termevolution，VOLTE)网络并存现状，这使得网络结构复杂化、业务类型多元 化以及用户数据增长迅速。这种现状下，为了为用户提供更优质的网络服务， 就需要进行网络规划优化。
[0003]进行网络规划优化的一些方法中，需要获取网络的用户感知。目前，运 营商集团获取网络用户感知的方案是通过电话回访和问卷调查等方式采集用 户对网络的评分，并基于该评分计算网络的净推荐值(net promoter score， NPS)，以及基于用户的NPS来获取网络用户感知。
[0004]但是，通过电话回访和问卷调查等方式只能采集到小样本数量用户的评 分。小样本数量用户的评分不能计算得到网络准确的NPS，进而导致不能获 取准确的网络用户感知，最终导致不能准确地进行网络规划优化。

技术实现思路

[0005]本申请实施例提供一种神经网络的用户口碑智能保障方法及装置，该方 法基于NPS用户感知为核心的网络运营体系和运营商O域B域数据源，运 用大数据技术进行数据清洗汇聚数据挖掘分析、神经网络方法对问题进行分 析，实现对全网用户NPS分类预测，以及对预测贬损用户进行贬损原因定界 定位分析。
[0006]第一方面，本申请提供一种用户口碑智能保障方法，该方法包括：采集 样本数据集，所述样本数据集包括调研用户群体中每个用户的B域数据、O 域数据和用户类型；根据所述样本数据集对指定神经网络模型进行训练，得 到目标模型；使用所述目标模型预测用户类型。
[0007]本方法中，采用大数据技术，把AI算法引入日常数据分析中，提前预测 用户NPS得分、用户转网的概率，并定位定界导致相关问题的网络原因，快 速高效定向指导网络规划优网工作，提升了运营商的用户口碑。
[0008]结合第一方面，在第一种可能的实现方式中，所述根据所述训练样本集 对指定神经网络模型进行训练，包括：对所述样本数据集中缺失字段值的样 本数据进行预处理，所述预处理包括缺失值处理，所述缺失值处理包括删除 所述样本数据或对所述样本数据中缺失字段值的字段进行字段值填充；使用 所述预处理后的样本数据集对所述神经网络模型进行训练。
[0009]结合第一方面或第一种可能的实现方式，在第二种可能的实现方式中， 所述预处理还包括异常值处理，所述异常值处理包括删除所述样本数据或对 所述样本数据中字段
值异常的字段进行字段值更新。
[0010]结合第一方面或上述任意一种可能的实现方式，在第三种可能的实现方 式中，所述预处理还包括去重处理，所述去重处理包括仅保留所述样本数据 集重复样本数据中的一个。
[0011]结合第一方面或上述任意一种可能的实现方式，在第四种可能的实现方 式中，所述预处理还包括标准化处理，所述标准化处理包括对所述样本数据 的字段值进行标准化。
[0012]结合第一方面或上述任意一种可能的实现方式，在第五种可能的实现方 式中，使用所述预处理后的样本数据集对所述神经网络模块进行训练，包括： 使用所述预处理后的样本数据集中包含满足预设条件的字段的样本数据，对 所述神经网络模型进行训练。
[0013]结合第五种可能的实现方式，在第六种可能的实现方式中，所述使用所 述目标模型预测用户类型之前，所述方法还包括：使用从所述样本数据集中 划分得到的验证样本集对所述目标模型进行模型评估，得到评估结果；判断 评估结果是否达标，若不达标则对所述目标模型进行优化，直至所述目标模 型的评估结果达标，若达标，则使用所述目标模型预测用户类型；
[0014]结合第六种可能的实现方式，在第七种可能的实现方式中，所述方法还 包括：通过协同过滤推荐方法对所述目标模型预测得到的用户类型进行根因 分析。
[0015]第二方面，本申请提供一种用户口碑智能保障装置，该装置包括：采集 模块，采集样本数据集，所述样本数据集包括调研用户群体中每个用户的B 域数据、O域数据和用户类型；训练模块，根据所述样本数据集对指定神经 网络模型进行训练，得到目标模型；预测模块，使用所述目标模型预测用户 类型。
[0016]结合第二方面，在第一种可能的实现方式中，所述训练模块，具体用于： 对所述样本数据集中缺失字段值的样本数据进行预处理，所述预处理包括缺 失值处理，所述缺失值处理包括删除所述样本数据或对所述样本数据中缺失 字段值的字段进行字段值填充；使用所述预处理后的样本数据集对所述神经 网络模型进行训练。
[0017]结合第二方面或第一种可能的实现方式，在第二种可能的实现方式中， 所述训练模块，还用于：异常值处理，所述异常值处理包括删除所述样本数 据或对所述样本数据中字段值异常的字段进行字段值更新。
[0018]结合第二方面或上述任意一种可能的实现方式，在第三种可能的实现方 式中，所述训练模块，还用于：去重处理，所述去重处理包括仅保留所述样 本数据集重复样本数据中的一个。
[0019]结合第二方面或上述任意一种可能的实现方式，在第四种可能的实现方 式中，所述训练模块，还用于：标准化处理，所述标准化处理包括对所述样 本数据的字段值进行标准化。
[0020]结合第二方面或上述任意一种可能的实现方式，在第五种可能的实现方 式中，所述训练模块，还用于：使用所述预处理后的样本数据集中包含满足 预设条件的字段的样本数据，对所述神经网络模型进行训练。
[0021]结合第五种可能的实现方式，在第六种可能的实现方式中，所述使用所 述目标模型预测用户类型之前，所述装置还包括评估模块，用于使用从所述 样本数据集中划分得到的验证样本集对所述目标模型进行模型评估，得到评 估结果；判断模块，判断评估结果是
否达标，若不达标则对所述目标模型进 行优化，直至所述目标模型的评估结果达标，若达标，则使用所述目标模型 预测用户类型；
[0022]结合第六种可能的实现方式，在第七种可能的实现方式中，所述装置还 包括分析模块：通过协同过滤推荐方法对所述目标模型预测得到的用户类型 进行根因分析。
[0023]第三方面，本申请提供一种用户口碑智能保障装置，包括：存储器和处 理器；所述存储器用于存储程序指令；所述处理器用于调用所述存储器中的 程序指令执行如第一方面或其中任意一种可能的实现方式所述的方法。
[0024]该装置为计算设备时，在一些实现方式中，该装置还可以包括收发器或 通信接口，用于与其他设备通信。
[0025]该装置为用于计算设备的芯片时，在一些实现方式中，该装置还可以包 括通信接口，用于与计算设备中的其他装置通信，例如用于与计算设备的收 发器进行通信。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户口碑智能保障方法，其特征在于，包括：采集样本数据集，所述样本数据集包括调研用户群体中每个用户的B域数据、O域数据和用户类型；根据所述样本数据集对指定神经网络模型进行训练，得到目标模型；使用所述目标模型预测用户类型。2.根据权利要求1所述的方法，其特征在于，所述根据所述训练样本集对指定神经网络模型进行训练，包括：对所述样本数据集中缺失字段值的样本数据进行预处理，所述预处理包括缺失值处理，所述缺失值处理包括删除所述样本数据或对所述样本数据中缺失字段值的字段进行字段值填充；使用所述预处理后的样本数据集对所述神经网络模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述预处理还包括异常值处理，所述异常值处理包括删除所述样本数据或对所述样本数据中字段值异常的字段进行字段值更新。4.根据权利要求3所述的方法，其特征在于，所述预处理还包括去重处理，所述去重处理包括仅保留所述样本数据集重复样本数据中的一个。5.根据权利要求4所述的方法，其特征在于，所述预处理还包括标准化处理，所述标准化处理包括对所述样本数...

【专利技术属性】
技术研发人员：李志辉，刘伯伦，朱顺翌，仝爱军，桂瑾琛，张进锁，徐卫成，赵金辉，薄涌，庞翀，刘斌，王玉龙，王猛，梁大鹏，樊明波，吴克欣，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：