【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种网络贬损用户预测分析方法、系统、电子设备及存储介质。
技术介绍
1、网络贬损用户是指对网络资源没有继续使用意向的用户群体。随着5g技术的广泛应用，新业务层出不穷，用户对网络质量的期望和要求也在不断提升。因此，如何精准预测并分析网络贬损用户，对于运营商提升服务质量、优化网络性能以及增强市场竞争力具有至关重要的意义。相关技术中，贬损用户预测方法在数据处理方面存在一定的问题，虽然对用户的网络使用相关数据进行了数据清洗、填充和归一化等处理，但并未深入考虑用户数据本身的业务逻辑，导致数据处理的精细度不够。这种处理方式可能无法合理消除数据中的异常值和噪声，从而影响预测结果的准确性。
技术实现思路
1、本申请实施例的主要目的在于提出一种网络贬损用户预测分析方法、系统、电子设备及存储介质，旨在提高贬损用户预测结果的准确性。
2、为实现上述目的，本申请实施例的一方面提出了一种网络贬损用户预测分析方法，包括以下步骤：
3、获取目标用户的网络业务数据，所述网络业务数据包括不同维度特征数据；
4、将所述网络业务数据输入贬损预测模型，得到所述目标用户的预测结果，其中，所述预测结果用于判断所述目标用户是否为网络贬损用户；
5、其中，所述贬损预测模型通过以下步骤得到：
6、采集网络贬损用户群体和非网络贬损用户群体的网络业务数据，得到第一数据集；
7、对所述第一数据集进行预处理得到第二数据集；
8、
9、统计每个所述数据簇中属于网络贬损用户数据的第一数量和属于非网络贬损用户数据的第二数量；
10、通过比较每个数据簇的第一数量和第二数量的差距，判断所述数据簇是否存在困难样本数据；
11、当所述数据簇存在困难样本数据，则将所述困难样本数据从所述第二数据集中剔除，得到第三数据集；
12、利用所述第三数据集对初始化后的贬损预测模型进行训练，得到训练完成的贬损预测模型。
13、在一些实施例中，所述采集网络贬损用户群体和非网络贬损用户群体的网络业务数据，得到第一数据集，包括以下步骤：
14、采集用户群体的网络服务满意度调研数据，并根据所述网络服务满意度调研数据将用户群体划分为网络贬损用户群体和非网络贬损用户群体；
15、根据网络贬损用户群体和非网络贬损用户群体中各用户身份信息在数据库中进行数据筛选和提取，得到各用户的网络业务数据，形成第一数据集。
16、在一些实施例中，所述对所述第一数据集进行预处理得到第二数据集，包括以下步骤：
17、分别从所述第一数据集中各个用户的网络业务数据中提取维度特征数据，得到维度特征数据集；
18、当所述维度特征数据集中的数据量小于第一阈值，则将所述维度特征数据从所述第一数据集中删除得到第二数据集。
19、在一些实施例中，所述对所述第一数据集进行预处理得到第二数据集，包括以下步骤：
20、采用绝对值差中位数法确定所述第一数据集中每一特征维度的离群数据点；
21、按照离群数据点处理策略，对所述第一数据集中的离群数据点进行处理，得到第二数据集；
22、其中，所述离群数据点处理策略为：
23、当所述离群数据点为数值离群点，则将所述离群数据点从所述第一数据集中删除；
24、当所述离群数据点为逻辑离群点，则对所述离群数据点进行归一化处理。
25、在一些实施例中，所述通过比较每个数据簇的第一数量和第二数量的差距，判断所述数据簇是否存在困难样本数据，包括以下步骤：
26、将所述第一数量和所述第二数量中数值较大的数量值乘以预设比例，得到比较阈值；
27、将所述第一数量和所述第二数量中数值较小的数量值与所述比较阈值进行比较，当数值较小的数量值小于所述比较阈值，则所述数据簇存在困难样本数据，且所述数值较小的数量值对应的用户群体数据为困难样本数据。
28、在一些实施例中，所述网络贬损用户预测分析方法还包括以下步骤：
29、根据所述预测结果判断所述目标用户是否为网络贬损用户；
30、当所述目标用户为网络贬损用户，则将所述目标用户的网络业务数据输入原因分析模型，得到网络贬损用户的贬损原因。
31、在一些实施例中，所述原因分析模型通过以下步骤得到：
32、根据网络贬损用户群体中各用户身份信息在数据库中进行数据筛选和提取，得到网络贬损用户的网络业务数据，形成第四数据集；
33、对所述第四数据集中每一个网络贬损用户的网络业务数据进行贬损原因标注，得到第五数据集；
34、利用所述第五数据集对初始化后的原因分析模型进行训练，得到训练完成的原因分析模型。
35、为实现上述目的，本申请实施例的另一方面提出了一种网络贬损用户预测分析系统，包括：
36、第一模块，用于获取目标用户的网络业务数据，所述网络业务数据包括不同维度特征数据；
37、第二模块，用于将所述网络业务数据输入贬损预测模型，得到所述目标用户的预测结果，其中，所述预测结果用于判断所述目标用户是否为网络贬损用户；
38、其中，所述第二模块中的贬损预测模型通过第一训练模块得到，所述第一训练模块用于：
39、采集网络贬损用户群体和非网络贬损用户群体的网络业务数据，得到第一数据集；
40、对所述第一数据集进行预处理得到第二数据集；
41、对所述第二数据集中的网络业务数据进行聚类分析，得到多个数据簇；
42、统计每个所述数据簇中属于网络贬损用户数据的第一数量和属于非网络贬损用户数据的第二数量；
43、通过比较每个数据簇的第一数量和第二数量的差距，判断所述数据簇是否存在困难样本数据；
44、当所述数据簇存在困难样本数据，则将所述困难样本数据从所述第二数据集中剔除，得到第三数据集；
45、利用所述第三数据集对初始化后的贬损预测模型进行训练，得到训练完成的贬损预测模型。
46、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述实施例所述的方法。
47、为实现上述目的，本申请实施例的另一方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例所述的方法。
48、本申请提出的网络贬损用户预测分析方法、系统、电子设备及存储介质，其通过采集网络贬损用户群体和非网络贬损用户群体的网络业务数本文档来自技高网...
【技术保护点】
1.一种网络贬损用户预测分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述采集网络贬损用户群体和非网络贬损用户群体的网络业务数据，得到第一数据集，包括以下步骤：
3.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述对所述第一数据集进行预处理得到第二数据集，包括以下步骤：
4.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述对所述第一数据集进行预处理得到第二数据集，包括以下步骤：
5.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述通过比较每个数据簇的第一数量和第二数量的差距，判断所述数据簇是否存在困难样本数据，包括以下步骤：
6.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述网络贬损用户预测分析方法还包括以下步骤：
7.根据权利要求6所述的网络贬损用户预测分析方法，其特征在于，所述原因分析模型通过以下步骤得到：
8.一种网络贬损用户预测分析系统，其特征在于，包括：
9.一种电
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种网络贬损用户预测分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述采集网络贬损用户群体和非网络贬损用户群体的网络业务数据，得到第一数据集，包括以下步骤：
3.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述对所述第一数据集进行预处理得到第二数据集，包括以下步骤：
4.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述对所述第一数据集进行预处理得到第二数据集，包括以下步骤：
5.根据权利要求1所述的网络贬损用户预测分析方法，其特征在于，所述通过比较每个数据簇的第一数量和第二数量的差距，判断所述数据簇是否存在困难样本数据，包括以下步骤：
6.根据权利要求1所述的网络贬损用户预...
【专利技术属性】
技术研发人员：张宝，彭梦，李宏伟，潘露，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
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。