基于AI大数据的用户满意度预测方法、装置、设备及介质制造方法及图纸

本公开提供了一种基于AI大数据的用户满意度预测方法、装置、设备及介质，涉及通信技术领域。所述方法包括：获取用户网络使用原始数据，并提取原始数据中的用户感知特征数据；对所述用户感知特征数据进行处理分析，得到训练样本；基于预设算法，根据所述训练样本构建用户感知预测模型；将待测用户网络使用数据输入所述用户感知预测模型，得到用户满意度预测结果。本公开提供了一种基于AI大数据的用户满意度预测方法、装置、设备及介质，基于用户的网络、业务、投诉等数据，结合AI大数据机器算法构建用户感知预测模型，自动预测用户满意度，该方法效率高、准确性高、覆盖面广，大大提高建设、优化和营销的有效性。优化和营销的有效性。优化和营销的有效性。

【技术实现步骤摘要】
基于AI大数据的用户满意度预测方法、装置、设备及介质


[0001]本公开涉及通信
，尤其涉及一种基于AI大数据的用户满意度预测方法、装置、设备及介质。

技术介绍

[0002]全球的移动互联网业务发展迅速，很多地区已经步入5G网络时代，同时，随着使用高速移动互联网用户的激增，使用业务也出现了变化。2G时代，用户主要使用语音电话；而3G/4G时代以来，尤其是随着5G时代的到来，网络中传输的大量流量都是视频流量，随着越来越多用户喜欢使用移动互联网来观看视频内容，用户的要求也越来越高，这样以来，对运营商的网络质量、内容提供商的系统质量等提出了更高要求。
[0003]以用户体验为中心的用户感知评估方法成为互联网的热门技术，这种以终端用户的实际感知结果为评价核心的方法，更能体现客户的满意程度。用户的体验质量(Quality of Experience，QOE)是用户端到端的概念，是指用户对业务的主观体验，是从用户的角度感觉到的系统的整体性能。
[0004]在日趋激烈的市场竞争环境下，各大运营商提供的产品和功能亦逐渐趋于同质化，使得消费者对网络的感知已从简单的产品好坏开始转变成服务的好坏，而用户服务的好坏将很大程度上决定了消费者购买忠诚度的高低，这对服务管理工作提出了新的要求和挑战。为此，引入净推荐值(Net Promoter Score，NPS)测评体系，嵌入到用户导向的服务管理战略中，通过NPS打分反映网络服务在用户内心的认可程度和推荐意愿，从而引导服务管理方向。
[0005]在相关技术中，传统的NPS评测体系都是仅从调研数据着手进行评估、分析与维系。然而，传统NPS评价体系的管理方式存在覆盖用户面小、调研成本高、时间相对滞后的问题，同时，鉴于问卷长度等因素，也无法定位到更深层的业务问题。
[0006]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0007]本公开提供一种基于AI大数据的用户满意度预测方法、装置、设备及介质，至少在一定程度上克服相关技术中提供的NPS评价系统存在覆盖用户面小、调研成本高、无法定位到深层业务问题、时间相对滞后的问题。
[0008]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0009]根据本公开的一个方面，提供一种基于AI大数据的用户满意度预测方法，包括：
[0010]获取用户网络使用原始数据，并提取原始数据中的用户感知特征数据；
[0011]对所述用户感知特征数据进行处理分析，得到训练样本；
[0012]基于预设算法，根据所述训练样本构建用户感知预测模型；
[0013]将待测用户网络使用数据输入所述用户感知预测模型，得到用户满意度预测结果。
[0014]在本公开的一个实施例中，所述用户感知特征数据包括用户的网络质量数据、流量使用数据、语音通话使用数据、视频业务使用数据、游戏业务使用数据、网页浏览业务数据、资费服务数据。
[0015]在本公开的一个实施例中，所述用户网络使用原始数据从网资库数据、深度数据包检测DPI数据、无线测量报告MR数据、性能测量PM数据、资费数据、投诉数据获取。
[0016]在本公开的一个实施例中，所述对所述用户感知特征数据进行处理分析，得到训练样本，包括：
[0017]对原始数据预处理，得到预处理后的特征数据；
[0018]对预处理后的特征数据进行主成分分析，计算每列的信息增益，根据信息增益结果筛选主成分，得到的主成分作为训练模型的数据，以构成训练样本。
[0019]在本公开的一个实施例中，所述对原始数据预处理，包括：
[0020]采用KNNImputer填补缺失值；
[0021]使用箱型法对每个属性变量进行处理；
[0022]对重尾分布属性进行box
‑
cox变换，以服从高斯分布；
[0023]或者，对部分列进行笛卡尔积生成合成属性。
[0024]在本公开的一个实施例中，所述基于预设算法，根据所述训练样本构建用户感知预测模型，包括：
[0025]所述训练样本包括训练集和测试集，按照预设比例随机抽取训练集中的数据作为训练数据，根据训练数据进行初始模型训练；并将训练集中剩余的数据作为测试数据，将测试数据输入初始模型计算各初始模型的f1score、精准率、准确度以及模型权重，得到待验证的用户感知预测模型；
[0026]将测试集输入待验证的用户感知预测模型，进行满意度预测，得到满意度预测值；
[0027]根据得到的待验证的用户感知预测模型和满意度预测值进行投票，得到最佳预测值；
[0028]根据最佳预测值确定待验证的用户感知预测模型的目标权重，进而得到用户感知预测模型。
[0029]在本公开的一个实施例中，在所述基于预设算法，根据所述训练样本构建用户感知预测模型之后，所述方法还包括：
[0030]根据所述用户感知预测模型打包生成应用程序，将所述应用程序部署安装在NPS评测体系管理系统中。
[0031]根据本公开的另一个方面，提供一种基于AI大数据的用户满意度预测控制装置，包括：
[0032]数据提取模块，用于获取用户网络使用原始数据，并提取原始数据中的用户感知特征数据；
[0033]数据处理模块，用于对所述用户感知特征数据进行处理分析，得到训练样本；
[0034]模型训练模块，用于基于预设算法，根据所述训练样本构建用户感知预测模型；
[0035]数据预测模块，用于将待测用户网络使用数据输入所述用户感知预测模型，得到
用户满意度预测结果。
[0036]根据本公开的另一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的基于AI大数据的用户满意度预测方法。
[0037]根据本公开的另一个方面，提供了一种计算机可读存储介质，其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上述的基于AI大数据的用户满意度预测方法。
[0038]本公开的实施例所提供的一种基于AI大数据的用户满意度预测方法、装置、设备及介质，通过运用大数据分析手段，基于用户的网络、业务、投诉等数据，结合AI大数据机器算法构建用户感知预测模型，从而自动预测用户的满意度，该方法效率高、准确性高、覆盖面广，无需人工现场调研，可以针对满意度低的用户进行网络、提升服务，大大提高建设、优化和营销的有效性，从而提升用户的满意度，提升网络服务质量、适用于所有运营商的用户满意度预测，适用范围广。
[0039]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI大数据的用户满意度预测方法，其特征在于，包括：获取用户网络使用原始数据，并提取原始数据中的用户感知特征数据；对所述用户感知特征数据进行处理分析，得到训练样本；基于预设算法，根据所述训练样本构建用户感知预测模型；将待测用户网络使用数据输入所述用户感知预测模型，得到用户满意度预测结果。2.根据权利要求1所述方法，其特征在于，所述用户感知特征数据包括用户的网络质量数据、流量使用数据、语音通话使用数据、视频业务使用数据、游戏业务使用数据、网页浏览业务数据、资费服务数据。3.根据权利要求1所述方法，其特征在于，所述用户网络使用原始数据从网资库数据、深度数据包检测DPI数据、无线测量报告MR数据、性能测量PM数据、资费数据、投诉数据获取。4.根据权利要求1所述方法，其特征在于，所述对所述用户感知特征数据进行处理分析，得到训练样本，包括：对原始数据预处理，得到预处理后的特征数据；对预处理后的特征数据进行主成分分析，计算每列的信息增益，根据信息增益结果筛选主成分，得到的主成分作为训练模型的数据，以构成训练样本。5.根据权利要求4所述方法，其特征在于，所述对原始数据预处理，包括：采用KNNImputer填补缺失值；使用箱型法对每个属性变量进行处理；对重尾分布属性进行box
‑
cox变换，以服从高斯分布；或者，对部分列进行笛卡尔积生成合成属性。6.根据权利要求1
‑
5任一项所述方法，其特征在于，所述基于预设算法，根据所述训练样本构建用户感知预测模型，包括：所述训练样本包括训练集和测试集，按照预设比例随机抽取训练集中的数据作为训练数据，根据训练数据...

【专利技术属性】
技术研发人员：徐佳芸，蒋华，乔艳，范敏，
申请(专利权)人：中国电信国际有限公司，
类型：发明
国别省市：