【技术实现步骤摘要】
本专利技术涉及在线服务体验质量评估领域，更具体地，涉及一种基于马尔可夫毯的在线服务体验质量关键因素识别方法。
技术介绍
1、随着互联网的广泛应用和不断发展，越来越多的商业活动已经转移到了在线平台上。如今，人们已经习惯通过互联网获取信息、购买商品以及享受各种服务，这已经成为我们日常生活中不可或缺的一部分。在线服务的体验质量关键因素识别是提升服务质量、增强用户满意度的重要手段之一。在现有技术中，常用的关键影响因素分析方法包括回归分析、相关分析、因子分析、决策树、因果图分析方法等。
2、然而现有的技术仍然存在以下的问题：1. c2c在线服务平台产生的数据通常规模较大并且数据的维度较高，通过传统的处理方法来对这些数据进行分析的效率较低；2.目前市面上的c2c在线服务平台的类型非常多，每种类型的c2c在线服务平台所提供的服务均不相同，而对于不同的服务通常需要依赖于不同的针对特定任务所使用的分析方法来进行分析，对于不同的服务类型不具备兼容性。
技术实现思路
1、本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，可以有效识别大规模、高维度数据中的关键属性，挖掘c2c在线服务体验质量的关键影响因素。
2、本专利技术采取的技术方案为：
3、一种基于马尔可夫毯的在线服务体验质量关键因素识别方法 ，其特征在于，所述方法包括：
4、获取在线服务平台的用户数据集、体验质量影响因素数据集和体验质量数据集，并构
5、根据所述映射函数计算所述决策表dt在每个决策属性集d的属性类别下的转换，获取转换后的特定类决策表；，表示选定所述决策表的决策属性集d中的一个决策属性类别作为特定类；、和分别表示经过转换后的所述特定类决策表的条件属性集、决策属性集和对应条件属性上的值域；
6、基于对称不确定性指标和近似马尔可夫毯将所述条件属性集划分为若干条件属性分组，并获取每个条件属性分组的特定类的主导属性；
7、将所述特定类决策表的所有条件属性分组中的所述主导属性构建主导属性集；
8、对每一个所述特定类决策表的主导属性集进行优化搜索；
9、合并每一个所述特定类决策表的优化搜索结果，得到属性约简集合；
10、根据得到的所述属性约简集合获取在线体验质量关键因素识别模型，并通过所述在线体验质量关键因素识别模型对在线服务平台服务数据进行识别，识别在线服务平台的服务质量关键因素。
11、通过获取在线服务平台的服务体验质量因素数据集，来对应构建决策表，利用马尔可夫毯和粗糙集理论能够充分的挖掘在线服务的体验质量中的潜在影响的关键因素，能够适用于不同类型的服务，有效的提升服务的质量和客户的满意度；另外，本专利技术利用配置的映射函数将决策表转换为基于决策属性集d中的一个决策属性类别的特定类决策表，将全类混合信息的决策表转化为特定类信息的特定类决策表，能够有效的避免夸类别间冗余信息的干扰，提高识别分析的效率，并且，通过计算特定类决策表的近似马尔可夫毯和不确定性指标，由于特定类决策表排除了跨类别间的干扰，能够获得更好的初始解，能够大大的提高计算的效率。
12、进一步的，所述基于对称不确定性指标和近似马尔可夫毯将所述特定类决策表的条件属性集划分为若干条件属性分组，并获取每个条件属性分组的特定类的主导属性，具体包括：
13、a1：计算所述条件属性集c中的属性与决策属性集的对称不确定性；其中，对称不确定性如下所示：
14、
15、式中，和分别表示属性x和属性y的信息熵，表示在属性y的条件下属性x的条件信息熵；
16、a2：将所述条件属性集c中的属性构建选择列表，根据对应的值对所述选择列表中的属性进行降序排序；
17、a3：将所述选择列表中对应值小于预设的关系阈值的属性删除；
18、a4：将所述选择列表中对应值中最大的属性作为特定类的所述主导属性并将所述主导属性从所述选择列表中移出；
19、a5：根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性；
20、a6：将所述近似属性从所述选择列表中移出并与所述主导属性构建所述条件属性分组；
21、a7：重复执行步骤a4-a6直至所述选择列表为空。
22、通过计算条件属性集c中的属性与决策属性集的对称不确定性，并获取对称不确定性最大的属性，将属性作为主导属性，并计算以主导属性作为特定类近似马尔可夫毯的属性，将其构建为条件属性分组，最终得到的条件属性分组有效的剔除了条件属性中的冗余信息，与特定类具有更强的相关性，以此来进一步的识别分析，能够有效的提高识别的效率和精度。
23、优选的，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
24、获取所述主导属性在特定类下经过所述映射函数转换后的属性，以及所述选择列表中的属性在特定类下经过所述映射函数转换后的属性；其中；
25、根据如下相关性关系计算所述选择列表中以所述主导属性作为特定类近似马尔可夫毯的近似属性：
26、。
27、优选的，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
28、获取所述主导属性在特定类下经过所述映射函数转换后的属性，以及所述选择列表中的属性在特定类下经过所述映射函数转换后的属性；其中；
29、根据如下相关性关系计算所述选择列表中以所述主导属性作为最小特定类近似马尔可夫毯的近似属性：
30、。
31、优选的，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
32、获取所述主导属性在特定类下经过所述映射函数转换后的属性，以及所述选择列表中的属性在特定类下经过所述映射函数转换后的属性；其中；
33、根据如下相关性关系计算所述选择列表中以所述主导属性作为最大特定类近似马尔可夫毯的近似属性：
34、。
35、进一步的，所述对每一个所述特定类决策表的主导属性集进行优化搜索，具体包括：
36、将每一个所述特定类决策表的主导属性集作为目标函数的基础解，对所述目标函数进行优化搜索；
37、其中，所述目标函数如下：
38、
39、式中，为需要进行优化搜索的所述特定类决策表的目标属性集，表示在特定类下经过所述映射函数转换后的属性集；
40、
41、
42、所述和分别表示所述目标属性集的一个属性，；和分别表示属性本文档来自技高网...
【技术保护点】
1.一种基于马尔可夫毯的在线服务体验质量关键因素识别方法 ，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述基于对称不确定性指标和近似马尔可夫毯将所述特定类决策表的条件属性集划分为若干条件属性分组，并获取每个条件属性分组的特定类的主导属性，具体包括：
3.根据权利要求2所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
4.根据权利要求2所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
5.根据权利要求2所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
6.根据权利要求3、4或5任一项所述的一种基于马尔可夫毯的在线服务体验质量
7.根据权利要求6所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述合并每一个所述特定类决策表的优化搜索结果，得到属性约简集合，具体包括：
8.根据权利要求1-5任一项所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述映射函数满足如下公式：
9.根据权利要求8所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述根据所述映射函数计算所述决策表DT在每个决策属性类别下的转换，具体包括：
...【技术特征摘要】
1.一种基于马尔可夫毯的在线服务体验质量关键因素识别方法 ，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述基于对称不确定性指标和近似马尔可夫毯将所述特定类决策表的条件属性集划分为若干条件属性分组，并获取每个条件属性分组的特定类的主导属性，具体包括：
3.根据权利要求2所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
4.根据权利要求2所述的一种基于马尔可夫毯的在线服务体验质量关键因素识别方法，其特征在于，所述根据近似马尔可夫毯获取所述选择列表中在特定类下的所述主导属性的近似属性，具体包括：
5.根据权利要求2所述的一种基于马尔可夫毯的在线服务体验质量关键...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。