本發(fā)明涉及通信技術(shù)領(lǐng)域，具體的，涉及一種用戶感知評估方法，以及應(yīng)用該方法的裝置。

背景技術(shù)：

隨著移動互聯(lián)網(wǎng)的迅猛發(fā)展，網(wǎng)絡(luò)和業(yè)務(wù)的進(jìn)一步分離，傳統(tǒng)的網(wǎng)絡(luò)kpi指標(biāo)已經(jīng)不能很好的反映客戶真實(shí)感知問題,且往往要通過用戶投訴，才知道網(wǎng)絡(luò)存在4g用戶感知差的情況，如何快速分析出用戶遇到的問題并解決，或在用戶投訴之前就能提前發(fā)現(xiàn)并解決問題。如何建立一套用戶感知評估體系，來實(shí)時掌握用戶的真實(shí)感知情況，成為如今通信網(wǎng)絡(luò)急需解決的問題。

現(xiàn)有的用戶感知評估方法通常采用的信令跟蹤分析、話務(wù)統(tǒng)計分析、測試分析及用戶投訴分析等方法進(jìn)行，沒有綜合性的分析，而且單一的評估方法也都存在效率較低、手段缺失、缺少前瞻性等弊端，不能主動預(yù)測投訴用戶，導(dǎo)致信息反饋慢，用戶體驗(yàn)不佳。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的主要目的是提供一種具有較高的用戶投訴預(yù)測準(zhǔn)確率，并可提高用戶體驗(yàn)度的用戶感知評估方法。

本發(fā)明的另一目的是提供一種具有較高的用戶投訴預(yù)測準(zhǔn)確率，并可提高用戶體驗(yàn)度的用戶感知評估裝置。

為了實(shí)現(xiàn)上述主要目的，本發(fā)明提供的用戶感知評估方法包括：獲取全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)，根據(jù)全量運(yùn)營數(shù)據(jù)對每一個感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件的最佳預(yù)測模型；獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息。

由上述方案可見，本發(fā)明通過對影響用戶通信體驗(yàn)的感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件對應(yīng)的最佳預(yù)測模型，利用最佳模型對待評估用戶進(jìn)行投訴預(yù)測，獲得待評估用戶的分類信息，即待評估用戶是投訴用戶或非投訴用的的相關(guān)信息。通過用戶感知的評估及用戶投訴的預(yù)測，可以發(fā)現(xiàn)全網(wǎng)中多少用戶存在感知不好及不良可能性，發(fā)現(xiàn)多少基站存在感知問題，可以根據(jù)存在的問題做到對用戶的主動關(guān)懷，對問題基站進(jìn)行網(wǎng)絡(luò)優(yōu)化，提升網(wǎng)絡(luò)質(zhì)量，提升用戶的感知體驗(yàn)。

進(jìn)一步的方案中，獲取全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)，根據(jù)全量運(yùn)營數(shù)據(jù)對每一個感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件的最佳預(yù)測模型，包括：根據(jù)全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)獲得每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)；對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，獲得預(yù)處理后的特征數(shù)據(jù)；根據(jù)預(yù)處理后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得每一個感知事件的最佳預(yù)測模型。

由此可見，在對感知事件進(jìn)行預(yù)測模型的建立時，通過采用機(jī)器學(xué)習(xí)的方式，從全量的運(yùn)營數(shù)據(jù)中挖掘評估用戶感知，通過對事件及相關(guān)聯(lián)的網(wǎng)絡(luò)指標(biāo)進(jìn)行綜合、全面分析，獲取到最佳的預(yù)測模型，從而提升用戶感知評估的準(zhǔn)確性。

進(jìn)一步的方案中，根據(jù)全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)獲得每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)，包括：以預(yù)設(shè)方式對每一個感知事件進(jìn)行特征數(shù)據(jù)的匯聚。

由此可見，在獲取感知事件所對應(yīng)的特征數(shù)據(jù)時，由于獲取的數(shù)據(jù)大多屬于原始數(shù)據(jù)，不能夠直接獲得建立預(yù)測模型的直接變量數(shù)據(jù)，需要經(jīng)過處理后才可獲得需要的特征數(shù)據(jù)，作為建立預(yù)測模型的直接變量數(shù)據(jù)。

進(jìn)一步的方案中，對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，包括：利用smote算法對特征數(shù)據(jù)進(jìn)行平衡處理；利用平均值填充法對特征數(shù)據(jù)進(jìn)行缺省值處理。

由此可見，由于在預(yù)測模型建立時獲取的特征數(shù)據(jù)中包含了投訴用戶數(shù)據(jù)和非投訴用戶數(shù)據(jù)，投訴用戶數(shù)據(jù)占少數(shù)，非投訴用戶數(shù)據(jù)占大多數(shù)，數(shù)據(jù)間存在較大的差別，使得數(shù)據(jù)極度不平衡，同時存在大量的缺省值。因此，需要對特征數(shù)據(jù)進(jìn)行平衡處理以及缺省值處理，提高數(shù)據(jù)評估的效果。同時，使用smote算法對數(shù)據(jù)進(jìn)行數(shù)據(jù)平衡處理，利用平均值填充法對特征數(shù)據(jù)進(jìn)行缺省值處理，效果更佳。

進(jìn)一步的方案中，獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息，包括：根據(jù)待評估用戶的全量運(yùn)營數(shù)據(jù)獲取待評估用戶每一個感知事件所對應(yīng)的待評估特征數(shù)據(jù)；利用每一個最佳預(yù)測模型對相應(yīng)的感知事件的待評估特征數(shù)據(jù)進(jìn)行評估，獲得待評估用戶的分類信息。

由此可見，利用經(jīng)過驗(yàn)證的最佳預(yù)測模型對待評估用戶進(jìn)行預(yù)測，預(yù)測的準(zhǔn)確性可得到保證，同時利用預(yù)測模型中經(jīng)過優(yōu)化選擇的數(shù)據(jù)處理方式，可提高數(shù)據(jù)的處理速度。

為了實(shí)現(xiàn)上述另一目的，本發(fā)明提供的用戶感知評估裝置包括：模型建立模塊，獲取全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)，根據(jù)全量運(yùn)營數(shù)據(jù)對每一個感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件的最佳預(yù)測模型；預(yù)測模塊，獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息。

由上述方案可見，本發(fā)明通過對影響用戶通信體驗(yàn)的感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件對應(yīng)的最佳預(yù)測模型，利用最佳模型對待評估用戶進(jìn)行投訴預(yù)測，獲得待評估用戶的分類信息，即待評估用戶是投訴用戶或非投訴用的的相關(guān)信息。通過用戶感知的評估及用戶投訴的預(yù)測，可以發(fā)現(xiàn)全網(wǎng)中多少用戶存在感知不好及不良可能性，發(fā)現(xiàn)多少基站存在感知問題，可以根據(jù)存在的問題做到對用戶的主動關(guān)懷，對問題基站進(jìn)行網(wǎng)絡(luò)優(yōu)化，提升網(wǎng)絡(luò)質(zhì)量，提升用戶的感知體驗(yàn)。

附圖說明

圖1是本發(fā)明用戶感知評估方法實(shí)施例的流程圖。

圖2是本發(fā)明用戶感知評估方法實(shí)施例中獲得每一個感知事件的最佳預(yù)測模型步驟的流程圖。

圖3是本發(fā)明用戶感知評估裝置實(shí)施例的結(jié)構(gòu)框圖。

以下結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明。

具體實(shí)施方式

本發(fā)明的用戶感知評估方法是應(yīng)用于計算機(jī)中的軟件程序，利用4g網(wǎng)絡(luò)用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行建模并預(yù)測待評估用戶的投訴概率，獲得用戶投訴的概率，主動預(yù)測用戶投訴的可能性，便于改善網(wǎng)絡(luò)質(zhì)量，提高提高用戶體驗(yàn)度。其中，本發(fā)明用戶感知評估裝置用于實(shí)現(xiàn)本發(fā)明用戶感知評估方法。

用戶感知評估方法實(shí)施例：

如圖1所示，本發(fā)明的用戶感知評估方法在進(jìn)行用戶投訴預(yù)測時，首先執(zhí)行步驟s1，獲取全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)，根據(jù)全量運(yùn)營數(shù)據(jù)對每一個感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件的最佳預(yù)測模型。其中，感知事件為用戶使用通信網(wǎng)絡(luò)時，會影響用戶感知的一些具體事件或具體現(xiàn)象，本實(shí)施例中，感知事件包括“無信號或信號弱”、“網(wǎng)速慢”、“有信號無法使用”、“掉線”、“應(yīng)用打不開”等感知事件。

獲得每一個感知事件的最佳預(yù)測模型時，先執(zhí)行步驟s11，根據(jù)全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)獲得每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)。其中，根據(jù)全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)獲得每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)，包括：以預(yù)設(shè)方式對感知事件進(jìn)行特征數(shù)據(jù)的匯聚。預(yù)設(shè)方式是指根據(jù)數(shù)據(jù)類型的不同所采用的不同數(shù)據(jù)處理方式。本實(shí)施例中，在獲取特征數(shù)據(jù)時，預(yù)設(shè)方式是使用均值、方差、分位值、百分比、百分比區(qū)間、topn以及變異系數(shù)等7個維度對用戶全量運(yùn)營數(shù)據(jù)分別處理，以獲得各感知事件對應(yīng)的特征數(shù)據(jù)。

每一個感知事件均有對應(yīng)的特征數(shù)據(jù)，特征數(shù)據(jù)可從全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)中匯聚得到。本實(shí)施例中，用戶的全量運(yùn)營數(shù)據(jù)包含無線測量報告(mr，measurementreport)、無線呼叫詳細(xì)記錄(cdr，calldetailrecord)、無線基礎(chǔ)、計費(fèi)話單、核心網(wǎng)呼叫歷史記錄(chr，callhistoryrecord)和業(yè)務(wù)深度包檢測(dpi，deeppacketinspection)等數(shù)據(jù)。用戶的全量運(yùn)營數(shù)據(jù)中的數(shù)據(jù)為原始數(shù)據(jù)，需要根據(jù)特征數(shù)據(jù)的各自的特性獲取特征數(shù)據(jù)，使特征數(shù)據(jù)可用于預(yù)測模型的建立。其中，獲取的特征數(shù)據(jù)中包括來自投訴用戶的特征數(shù)據(jù)和非投訴用戶的特征數(shù)據(jù)，在獲取的全量運(yùn)營數(shù)據(jù)中，可分別對投訴用戶和非投訴用戶進(jìn)行標(biāo)記，可獲知投訴用戶的特征數(shù)據(jù)和非投訴用戶的特征數(shù)據(jù)，有利于在機(jī)器學(xué)習(xí)時進(jìn)行驗(yàn)證。投訴用戶是指已經(jīng)作出投訴通信網(wǎng)絡(luò)的用戶，非投訴用戶是指沒有作出投訴通信網(wǎng)絡(luò)的用戶。

本實(shí)施例中，在獲取“無信號及信號弱”感知事件的特征數(shù)據(jù)時，如下表所示(變量對應(yīng)于感知事件的特征)：

在獲得“網(wǎng)速慢”感知事件的特征數(shù)據(jù)時，如下表所示：

在獲得“有信號無法使用”感知事件的特征數(shù)據(jù)時，如下表所示：

在獲得“掉線”感知事件的特征數(shù)據(jù)時，如下表所示：

在獲得“應(yīng)用打不開”感知事件的特征數(shù)據(jù)時，如下表所示：

獲取每一個感知事件所對應(yīng)的特征數(shù)據(jù)后，執(zhí)行步驟s12,對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，獲得預(yù)處理后的特征數(shù)據(jù)。優(yōu)選的，對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，包括：利用smote算法對特征數(shù)據(jù)進(jìn)行平衡處理；利用平均值填充法對特征數(shù)據(jù)進(jìn)行缺省值處理。由于特征數(shù)據(jù)中來自投訴用戶的特征數(shù)據(jù)占少數(shù)，非投訴用戶的特征數(shù)據(jù)占大多數(shù)，兩者之間數(shù)據(jù)不平衡，同時存在大量的缺省值，不利于預(yù)測模型的構(gòu)建，因此需要進(jìn)行平衡處理以及進(jìn)行缺省值處理。本實(shí)施例中，先對特征數(shù)據(jù)進(jìn)行平衡處理，再對平衡處理后的特征數(shù)據(jù)進(jìn)行缺省值處理。smote算法可以看作是一種特殊的過采樣技術(shù)，即把每個樣本看成高維空間的一個點(diǎn)，然后用線段連接這個點(diǎn)到某個鄰近的點(diǎn)，取線段上的某點(diǎn)作為合成的一個新的點(diǎn)。smote算法通過增加樣本數(shù)據(jù)，使得樣本數(shù)據(jù)更加平衡。利用smote算法進(jìn)行數(shù)據(jù)的平衡處理以及利用平均數(shù)填充法進(jìn)行數(shù)據(jù)的缺省值處理是已知的技術(shù)，在此不再贅述。

獲得預(yù)處理后的特征數(shù)據(jù)后，執(zhí)行步驟s13，根據(jù)預(yù)處理后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得每一個感知事件的最佳預(yù)測模型。獲得預(yù)處理的特征數(shù)據(jù)后，將特征數(shù)據(jù)隨機(jī)分成兩份，一份特征數(shù)據(jù)輸入模型，用來訓(xùn)練模型參數(shù)；另一份特征數(shù)據(jù)作為測試集，用來測試訓(xùn)練模型的準(zhǔn)確率。在訓(xùn)練模型參數(shù)時，利用多種分類預(yù)測算法對特征數(shù)據(jù)進(jìn)行訓(xùn)練，獲得最優(yōu)的算法進(jìn)行模型構(gòu)建，從而獲得最佳的預(yù)測模型，其中，最佳預(yù)測模型即最優(yōu)的分類預(yù)測算法。

本實(shí)施例中，根據(jù)特征數(shù)據(jù)的特點(diǎn)，分類預(yù)測算法包括邏輯回歸算法、決策樹算法、隨機(jī)森林算法、adaboost算法和k鄰近算法。邏輯回歸算法、決策樹算法、隨機(jī)森林算法、adaboost算法和k鄰近算法是已知算法，在此不再贅述。每一個感知事件對應(yīng)的特征數(shù)據(jù)均需要分別利用上述五種分類預(yù)測算法進(jìn)行分類預(yù)測學(xué)習(xí)，從中獲取最優(yōu)的分類預(yù)測算法。通過每一個算法對特征數(shù)據(jù)進(jìn)行分類預(yù)測，獲得預(yù)測分類的數(shù)據(jù)，預(yù)測分類的數(shù)據(jù)中存在實(shí)際投訴用戶的數(shù)據(jù)和實(shí)際不投訴用戶的數(shù)據(jù)，因此，通過算法分類預(yù)測后獲得的各類別的數(shù)量，如下表所示：

其中，tn表示預(yù)測不投訴且實(shí)際不投訴的用戶數(shù)量；fp表示預(yù)測投訴但實(shí)際不投訴的用戶數(shù)量；fn表示預(yù)測不投訴但實(shí)際投訴的用戶數(shù)量；tp表示預(yù)測投訴且實(shí)際投訴的用戶數(shù)量。

對特征數(shù)據(jù)分類后，分別對每一算法的的分類結(jié)果進(jìn)行分類評估。評估的指標(biāo)包括：精確率、召回率以及綜合評價。精確率是指算法分類預(yù)測出的用戶中實(shí)際投訴用戶的比例，計算公式如下：p＝tp/(tp+fp)；召回率是指所有實(shí)際投訴用戶被算法預(yù)測出來的比例，計算公式如下：r＝tp/(tp+fn)；綜合評價是精確率和召回率的調(diào)和均值，計算公式如下：f1＝2pr/(p+r)。由于精確率和召回率各自含有的信息都很少，它們對算法的分類效果的觀察角度不同，精確率和召回率均不能單獨(dú)作為評估一種算法分類預(yù)測優(yōu)劣，因此需要加入綜合評價進(jìn)行評估，將綜合評價指標(biāo)最優(yōu)的算法作為最佳的分類預(yù)測算法，進(jìn)而得到最佳預(yù)測模型。獲得最佳預(yù)測模型需要通過分類預(yù)測算法對特征數(shù)據(jù)不斷的學(xué)習(xí)以及驗(yàn)證獲得，最終獲得每一個感知事件的最佳預(yù)測模型。

獲得最佳預(yù)測模型后，執(zhí)行步驟s2，獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息。其中，預(yù)設(shè)時間段以一周的時間為周期，即獲取預(yù)測日期前一周的全量運(yùn)營數(shù)據(jù)。

獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息，包括：根據(jù)待評估用戶的全量運(yùn)營數(shù)據(jù)獲取待評估用戶每一個感知事件所對應(yīng)的待評估特征數(shù)據(jù)；利用每一個最佳預(yù)測模型對相應(yīng)的感知事件的待評估特征數(shù)據(jù)進(jìn)行評估，獲得待評估用戶的分類信息。

在獲取待評估特征數(shù)據(jù)以及對待評估特征數(shù)據(jù)進(jìn)行平衡處理時，處理的方式可采用構(gòu)建預(yù)測模型時獲取特征數(shù)據(jù)。獲得待評估特征數(shù)據(jù)后，利用最佳預(yù)測模型對待評估用戶進(jìn)行分類預(yù)測，從而獲得待評估用戶的每一個感知事件對應(yīng)的分類信息，從而獲得待評估用戶全部的分類信息。其中，分類信息包括用于表明用戶是否會對該感知事件進(jìn)行投訴的信息。

通過用戶感知的評估及用戶投訴的預(yù)測，可以發(fā)現(xiàn)全網(wǎng)中多少用戶存在感知不好及不良可能性，發(fā)現(xiàn)多少基站存在感知問題，可以根據(jù)存在的問題對用戶的主動關(guān)懷，對問題基站進(jìn)行網(wǎng)絡(luò)優(yōu)化，提升網(wǎng)絡(luò)質(zhì)量，提升用戶感知。

用戶感知評估方裝置實(shí)施例：

如圖2所示，本發(fā)明的用戶感知評估方裝置包括模型建立模塊1和預(yù)測模塊2。

模型建立模塊1用于獲取全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)，根據(jù)全量運(yùn)營數(shù)據(jù)對每一個感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件的最佳預(yù)測模型。其中，感知事件為用戶使用通信網(wǎng)絡(luò)時，會影響用戶感知的一些具體事件或具體現(xiàn)象，本實(shí)施例中，感知事件包括“無信號或信號弱”、“網(wǎng)速慢”、“有信號無法使用”、“掉線”、“應(yīng)用打不開”等感知事件。

模型建立模塊1獲取全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)，根據(jù)全量運(yùn)營數(shù)據(jù)對每一個感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件的最佳預(yù)測模型，包括：根據(jù)全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)獲得每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)；對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，獲得預(yù)處理后的特征數(shù)據(jù)；根據(jù)預(yù)處理后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得每一個感知事件的最佳預(yù)測模型。

其中，模型建立模塊1根據(jù)全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)獲得每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)，包括：以預(yù)設(shè)方式對感知事件進(jìn)行特征數(shù)據(jù)的匯聚。本實(shí)施例中，在獲取特征數(shù)據(jù)時，預(yù)設(shè)方式是使用均值、方差、分位值、百分比、百分比區(qū)間、topn、以及變異系數(shù)等7個維度對用戶全量運(yùn)營數(shù)據(jù)分別處理，以獲得各感知事件對應(yīng)的特征數(shù)據(jù)。

每一個感知事件均有對應(yīng)的特征數(shù)據(jù)，特征數(shù)據(jù)可從全網(wǎng)用戶的全量運(yùn)營數(shù)據(jù)中匯聚得到。本實(shí)施例中，用戶的全量運(yùn)營數(shù)據(jù)包含無線測量報告(mr，measurementreport)、無線呼叫詳細(xì)記錄(cdr，calldetailrecord)、無線基礎(chǔ)、計費(fèi)話單、核心網(wǎng)呼叫歷史記錄(chr，callhistoryrecord)和業(yè)務(wù)深度包檢測(dpi，deeppacketinspection)等數(shù)據(jù)。用戶的全量運(yùn)營數(shù)據(jù)中的數(shù)據(jù)為原始數(shù)據(jù)，需要根據(jù)特征數(shù)據(jù)的各自的特性獲取特征數(shù)據(jù)，使特征數(shù)據(jù)變量可用于預(yù)測模型的建立。其中，獲取的特征數(shù)據(jù)中包括來自投訴用戶的特征數(shù)據(jù)和非投訴用戶的特征數(shù)據(jù)，在獲取的全量運(yùn)營數(shù)據(jù)中，可分別對投訴用戶和非投訴用戶進(jìn)行標(biāo)記，可獲知投訴用戶的特征數(shù)據(jù)和非投訴用戶的特征數(shù)據(jù)，有利于在機(jī)器學(xué)習(xí)時進(jìn)行驗(yàn)證。

模型建立模塊1對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，獲得預(yù)處理后的特征數(shù)據(jù)。優(yōu)選的，對每一個感知事件所對應(yīng)的所有特征數(shù)據(jù)進(jìn)行平衡處理及缺省值處理，包括：利用smote算法對特征數(shù)據(jù)進(jìn)行平衡處理；利用平均值填充法對特征數(shù)據(jù)進(jìn)行缺省值處理。由于特征數(shù)據(jù)中來自投訴用戶的特征數(shù)據(jù)占少數(shù)，非投訴用戶的特征數(shù)據(jù)占大多數(shù)，兩者之間數(shù)據(jù)不平衡，同時存在大量的缺省值，不利于預(yù)測模型的構(gòu)建，因此需要進(jìn)行平衡處理以及進(jìn)行缺省值處理。本實(shí)施例中，先對特征數(shù)據(jù)進(jìn)行平衡處理，再對平衡處理后的特征數(shù)據(jù)進(jìn)行缺省值處理。smote算法可以看作是一種特殊的過采樣技術(shù)，即把每個樣本看成高維空間的一個點(diǎn)，然后用線段連接這個點(diǎn)到某個鄰近的點(diǎn)，取線段上的某點(diǎn)作為合成的一個新的點(diǎn)。smote算法通過增加樣本數(shù)據(jù)，使得樣本數(shù)據(jù)更加平衡。通過對特征數(shù)據(jù)的平衡處理，獲得每一個感知事件所對應(yīng)的經(jīng)過平衡處理的特征數(shù)據(jù)。

模型建立模塊1根據(jù)根據(jù)預(yù)處理后的特征數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得每一個感知事件的最佳預(yù)測模型。模型建立模塊1獲得預(yù)處理的特征數(shù)據(jù)后，將特征數(shù)據(jù)隨機(jī)分成兩份，一份特征數(shù)據(jù)輸入模型，用來訓(xùn)練模型參數(shù)；另一份特征數(shù)據(jù)作為測試集，用來測試訓(xùn)練模型的準(zhǔn)確率。模型建立模塊1在獲取訓(xùn)練模型參數(shù)時，利用多種分類預(yù)測算法對特征數(shù)據(jù)進(jìn)行訓(xùn)練，獲得最優(yōu)的算法進(jìn)行模型構(gòu)建，從而獲得最佳的預(yù)測模型，其中，最佳預(yù)測模型即最優(yōu)的分類預(yù)測算法。

本實(shí)施例中，根據(jù)特征數(shù)據(jù)的特點(diǎn)，分類預(yù)測算法包括邏輯回歸算法、決策樹算法、隨機(jī)森林算法、adaboost算法和k鄰近算法。每一個感知事件對應(yīng)的特征數(shù)據(jù)均需要分別利用上述五種分類預(yù)測算法進(jìn)行分類預(yù)測學(xué)習(xí)，從中獲取最優(yōu)的分類預(yù)測算法。通過每一個算法對特征數(shù)據(jù)進(jìn)行分類預(yù)測，獲得預(yù)測分類的數(shù)據(jù)，預(yù)測分類的數(shù)據(jù)中存在實(shí)際投訴用戶的數(shù)據(jù)和實(shí)際不投訴用戶的數(shù)據(jù)，因此，通過算法分類預(yù)測后獲得的各類別的數(shù)量，如下表所示：

其中，tn表示預(yù)測不投訴且實(shí)際不投訴的用戶數(shù)量；fp表示預(yù)測投訴但實(shí)際不投訴的用戶數(shù)量；fn表示預(yù)測不投訴但實(shí)際投訴的用戶數(shù)量；tp表示預(yù)測投訴且實(shí)際投訴的用戶數(shù)量。

對特征數(shù)據(jù)分類后，分別對每一算法的的分類結(jié)果進(jìn)行分類評估。評估的指標(biāo)包括：精確率、召回率以及綜合評價。精確率是指算法分類預(yù)測出的用戶中實(shí)際投訴用戶的比例，計算公式如下：p＝tp/(tp+fp)；召回率是指所有實(shí)際投訴用戶被算法預(yù)測出來的比例，計算公式如下：r＝tp/(tp+fn)；綜合評價是精確率和召回率的調(diào)和均值，計算公式如下：f1＝2pr/(p+r)。由于精確率和召回率各自含有的信息都很少，它們對算法的分類效果的觀察角度不同，精確率和召回率均不能單獨(dú)作為評估一種算法分類預(yù)測優(yōu)劣，因此需要加入綜合評價進(jìn)行評估，將綜合評價指標(biāo)最優(yōu)的算法作為最佳的分類預(yù)測算法，進(jìn)而得到最佳預(yù)測模型。獲得最佳預(yù)測模型需要通過分類預(yù)測算法對特征數(shù)據(jù)不斷的學(xué)習(xí)以及驗(yàn)證獲得，最終獲得每一個感知事件的最佳預(yù)測模型

預(yù)測模塊2用于獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息。預(yù)測模塊2獲取待評估用戶預(yù)設(shè)時間段內(nèi)的全量運(yùn)營數(shù)據(jù)，利用每一個最佳預(yù)測模型對待評估用戶的全量運(yùn)營數(shù)據(jù)進(jìn)行分類預(yù)測，獲得待評估用戶的分類信息，包括：根據(jù)待評估用戶的全量運(yùn)營數(shù)據(jù)獲取待評估用戶每一個感知事件所對應(yīng)的待評估特征數(shù)據(jù)；利用每一個最佳預(yù)測模型對相應(yīng)的感知事件的待評估特征數(shù)據(jù)進(jìn)行評估，獲得待評估用戶的分類信息。

預(yù)測模塊2在獲取待評估特征數(shù)據(jù)以及對待評估特征數(shù)據(jù)進(jìn)行平衡處理時，處理的方式可采用構(gòu)建預(yù)測模型時獲取特征數(shù)據(jù)以及對特征數(shù)據(jù)進(jìn)行平衡處理的方式進(jìn)行處理。獲得平衡處理后的待評估特征數(shù)據(jù)后，利用最佳預(yù)測模型對待評估用戶進(jìn)行分類預(yù)測，從而獲得待評估用戶的每一個感知事件對應(yīng)的分類信息，從而獲得待評估用戶全部的分類信息。其中，分類信息包括用于表明用戶是否會對該感知事件進(jìn)行投訴的信息。

由上述可知，本發(fā)明通過對影響用戶通信體驗(yàn)的感知事件進(jìn)行預(yù)測建模，獲得每一個感知事件對應(yīng)的最佳預(yù)測模型，利用最佳模型對待評估用戶進(jìn)行投訴預(yù)測，獲得待評估用戶的分類信息。通過用戶感知的評估及用戶投訴的預(yù)測，可以發(fā)現(xiàn)全網(wǎng)中多少用戶存在感知不好及不良可能性，發(fā)現(xiàn)多少基站存在感知問題，可以根據(jù)存在的問題做到對用戶的主動關(guān)懷，對問題基站進(jìn)行網(wǎng)絡(luò)優(yōu)化，提升網(wǎng)絡(luò)質(zhì)量，提升用戶的感知體驗(yàn)。

需要說明的是，以上僅為本發(fā)明的優(yōu)選實(shí)施例，但發(fā)明的設(shè)計構(gòu)思并不局限于此，凡利用此構(gòu)思對本發(fā)明做出的非實(shí)質(zhì)性修改，也均落入本發(fā)明的保護(hù)范圍之內(nèi)。