CN107786364A - 一种qoe体系预测投诉倾向建模方法 - Google Patents
一种qoe体系预测投诉倾向建模方法 Download PDFInfo
- Publication number
- CN107786364A CN107786364A CN201610788334.9A CN201610788334A CN107786364A CN 107786364 A CN107786364 A CN 107786364A CN 201610788334 A CN201610788334 A CN 201610788334A CN 107786364 A CN107786364 A CN 107786364A
- Authority
- CN
- China
- Prior art keywords
- qoe
- model
- data mining
- complained
- tendency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000007418 data mining Methods 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 4
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5064—Customer relationship management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种QOE体系预测投诉倾向建模方法,在QOE静态评分的基础上,引入QOE评分的时间分布权重系数,在连接失败时,依次提高失时的权重系数,从而动态跟踪用户感知时间分布,进一步提高对用户投诉倾向分析的准确性。
Description
技术领域
本发明涉及移动通信领域,特别是一种QOE体系预测投诉倾向建模方法。
背景技术
在日益竞争化的今天,尤其是在互联网领域,针对网络质量投诉的研究课题具有重要意义,如果能够提前对用户可能产生的网络质量投诉方向进行精确定位分析,并及时出具相应的解决措施解决用户的问题,就提前掌握了市场先机,不仅为用户带来方便,也为企业的发展带来益处。
目前业界针对网络质量投诉问题的分析,主要是围绕如何搭建QOE体系的方法,通过定位用户投诉感知问题的原因开展优化工作。这是一种先产生问题后解决的方式,这种方式已经无法满足现代社会竞争的需要。其他投诉倾向分析的研究,多停留在网络KPI指标与用户投诉倾向分析上,由于KPI指标数量多,关系复杂,使得投诉倾向预测准确性极低。为此,需要在搭建QOE体系的基础上,进一步结合用户主观信息预测用户可能进行的投诉,提前对用户可能产生的投诉进行预测,并配合相关的措施提前解决相关的投诉问题。
发明内容
为解决上述问题,本发明的目的在于提供一种QOE体系预测投诉倾向建模方法,提前对用户可能产生的投诉进行预测,解决相关的投诉问题。
本发明解决其问题所采用的技术方案是:
一种QOE体系预测投诉倾向建模方法,包括:
(1)采用主成分分析法对影响网络质量投诉的因素进行提取,获取对应影响网络质量投诉的关键因素;
(2)通过数据挖掘模型对所述主成分分析法所得的关键因素进行投诉倾向分析,根据分析结果的对比以确定用于投诉倾向分析的数据挖掘模型;
(3)向所得的关键因素添加QOE评分时间分布的权重字段,形成符合所述确定用于投诉倾向分析的数据挖掘模型所需要的输入数据;
(4)通过确定的数据挖掘模型对所述输入数据进行模型训练,生成对应用于预测用户投诉倾向的QOE评分修正表。
步骤(1)中获取对应的影响网络质量投诉的关键因素包括接入成功率、时延性、感知速率和完整性。
步骤(2)中所述数据挖掘模型包括逻辑回归模型、决策树模型和神经网络模型。
步骤(2)所述投诉倾向分析具体为每个数据挖掘模型分别按照各自对应的模型分析权重,对测试数据进行计算预测投诉发生的概率,分别将每个数据挖掘模型预测的概率与实际的投诉概率进行对比,将预测的概率与实际概率之间差值最小所确定的数据挖掘模型为用于投诉倾向分析的数据挖掘模型。
本发明的有益效果是:
本发明采用一种QOE体系预测投诉倾向建模方法,在影响用户投诉的关键因素中加入QOE评分时间分布的权重因子,经数据挖掘模型训练后得出具体的QOE评分修正案,以此预测用户可能产生的投诉行为,提高了预测的准确性。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明所述方法流程面图。
具体实施方式
本发明采用一种QOE体系预测投诉倾向建模方法,在用户感知的QOE评分基础上,引入用户投诉信息及用户描述信息,通过数据挖掘建模的手段,挖掘QOE评分与用户主观倾向信息,主动预测用户的投诉倾向。
参照图1所示,在QOE评分的基础上引入投诉信息及用户描述信息,通过主成分分析法,提取影响用户投诉的关键因素。主成分分析,主要是一个降低维度的过程,与投诉分析相关的信息较多,为了提高模型的效率与准确性,需要控制模型输入的数据维度。所提取的关键因素包括接入成功率、时延性、感知速率和完整性,将这些关键因素形成一个二元分类模型数据宽表,将此宽表作为数据挖掘模型的输入数据,所述数据挖掘模型包括逻辑回归模型、决策树模型和神经网络模型,每个模型分别对同样的测试数据进行预测,即每个数据挖掘模型分别按照各自对应的模型分析权重,对测试数据进行计算预测投诉发生的概率,分别将每个数据挖掘模型预测的概率与实际的投诉概率进行对比,将预测的概率与实际概率之间差值最小所确定的数据挖掘模型为用于投诉倾向分析的数据挖掘模型。本发明从分析的结果,测试模型中精度较高的为决策树模型(C5.0),因此选用决策树模型(C5.0)模型作为主模型用于投诉倾向分析建模。之后,向所得的关键因素添加QOE评分时间分布的权重字段,形成符合所述确定用于投诉倾向分析的数据挖掘模型所需要的输入数据;由于QOE评分是代表一段时间内用户的综合感知,未考虑到一段时间内用户感知在时间上分布的连续性对用户投诉倾向的影响。因此,可以和建模输入宽表数据中添加QOE评分时间分布的权重字段,以提高数据模型训练的准确性。例如,对于用户接入时的接入成功率,若用户A与用户B的QOE评分都为80分,但用户A尝试的10次业务,失败的两次分布在第1次和第10次,而用户B尝试的10次业务,失败分布在第5次和第6次。这两个用户的投诉倾向,往往是有较大差异的,单位时间内连续失败概率越大,投诉倾向越强。因此,本发明通过添加时间分布权重的方式,提高预测的准确性,具体如下:
1)量化单次用户行为感知:User_eff赋值
能否接入:接入成功赋值0,接入失败赋值为1;
接入后的性能,若接入成功,则对成功性能分值赋值。
时延性:QOE评分低于60分赋值1,高于60分赋值0;
感知速率:QOE评分低于60分赋值1,高于60分赋值0;
完整性:QOE评分低于60分赋值1,高于60分赋值0;
2)用户感知分布(Acc_Tw)计算:Tw(初始值赋0)
接入成功率的感知分布:
当User_eff=1时,Aec_Tw=Tw+3;
当User_eff=0时,Acc_Tw=Tw-1;
此分布的意思,在接入成功时,即User_eff=0时,在连接成功时,每次在原Tw值的基础上减1;在接入失败时,即User_eff=1时,则在原Tw值的基础上加1,当连续第二次失败时,则加大权重值,在原Tw值的基础上加2,当连续第三资失败时,则在原Tw值的基础上加3,其中3为连续失败的最大权重值,当后面连续失败时,依然在原Tw值的基础上加3。这样加大了连续失败时的权重比例,有效地反应了用户投诉的真实情况。
接入成功后的质量感知(N_Qs_T,其中,N等于1、2、3时分别代表感知速率、延时性与完整性)分布如下:
当User_eff=1时,N_Qs_T=Tw+3;
当User_eff=0时,N_Qs_T=Tw-1;
当User_eff=0时,对应每次在原N_Qs_T值的基础上减1:当User_eff=1时,第一次在原N_Qs_T值基础上加1,当第二次连续User_eff=1时,则在原N_Qs_T值基础上加2,当第三次连续User_eff=1时,则在原N_Qs_T值基础上加3,以3为最大的权重值,当后续连续时,则连续加3。
最后,合并以上用户感知分布:
Total_eff=Ace_Tw×50%+N_Qs×Wi,其中,Wi为N_Qs指标波动计算所得的变异系数权重,Total_eff为合并后的权重值。
将合并后所得的Total_eff值添加至关键因素形成的二元分类模型数据宽表,形成模型数据宽表,以此模型数据宽表作为所确定的数据挖掘模型的输入数据,在经数据挖掘模型训练之后,获得投诉QOE评分修正表。本发明因为确定了决策树模型为最优的数据挖掘模型,因此,此处是通过决策树模型训练数据。根据所得的投诉QOE评分修正表,即可合理预测用户的投诉倾向,并提前准备相应的措施,以解决可能出现的问题。本发明在同等QOE评分下,感知时间分布不同的差异对投诉倾向的影响情况,在静态QOE评分的基础上,动态的跟踪用户感知时间分布,进一步提高模型准确度。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (4)
1.一种QOE体系预测投诉倾向建模方法,其特征在于,包括:
(1)采用主成分分析法对影响网络质量投诉的因素进行提取,获取对应影响网络质量投诉的关键因素;
(2)通过数据挖掘模型对所述主成分分析法所得的关键因素进行投诉倾向分析,根据分析结果的对比以确定用于投诉倾向分析的数据挖掘模型;
(3)向所得的关键因素添加QOE评分时间分布的权重字段,形成符合所述确定用于投诉倾向分析的数据挖掘模型所需要的输入数据;
(4)通过确定的数据挖掘模型对所述输入数据进行模型训练,生成对应用于预测用户投诉倾向的QOE评分修正表。
2.根据权利要求1所述的一种QOE体系预测投诉倾向建模方法,其特征在于,步骤(1)中获取对应的影响网络质量投诉的关键因素包括接入成功率、时延性、感知速率和完整性。
3.根据权利要求1所述的一种QOE体系预测投诉倾向建模方法,其特征在于,步骤(2)中所述数据挖掘模型包括逻辑回归模型、决策树模型和神经网络模型。
4.根据权利要求3所述的一种QOE体系预测投诉倾向建模方法,其特征在于,步骤(2)所述投诉倾向分析具体为每个数据挖掘模型分别按照各自对应的模型分析权重,对测试数据进行计算预测投诉发生的概率,分别将每个数据挖掘模型预测的概率与实际的投诉概率进行对比,将预测的概率与实际概率之间差值最小所确定的数据挖掘模型为用于投诉倾向分析的数据挖掘模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610788334.9A CN107786364A (zh) | 2016-08-25 | 2016-08-25 | 一种qoe体系预测投诉倾向建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610788334.9A CN107786364A (zh) | 2016-08-25 | 2016-08-25 | 一种qoe体系预测投诉倾向建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107786364A true CN107786364A (zh) | 2018-03-09 |
Family
ID=61451440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610788334.9A Pending CN107786364A (zh) | 2016-08-25 | 2016-08-25 | 一种qoe体系预测投诉倾向建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107786364A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495904A (zh) * | 2018-08-27 | 2019-03-19 | 广州瀚信通信科技股份有限公司 | 一种基于软硬采的用户投诉功能模块实现方法 |
CN110390535A (zh) * | 2019-06-25 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
CN110399995A (zh) * | 2018-04-20 | 2019-11-01 | 顺丰科技有限公司 | 运单投诉处理方法、装置、设备及其存储介质 |
CN111461446A (zh) * | 2020-04-09 | 2020-07-28 | 北京北大软件工程股份有限公司 | 基于机器学习的投诉举报案件的预测方法及装置 |
CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | ***通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
CN112884391A (zh) * | 2019-11-29 | 2021-06-01 | 顺丰科技有限公司 | 收派件规划方法、装置、电子设备及存储介质 |
CN113840316A (zh) * | 2021-09-30 | 2021-12-24 | 中国联合网络通信集团有限公司 | 无线网络维护方法、装置、设备和计算机可读存储介质 |
CN114257523A (zh) * | 2021-12-08 | 2022-03-29 | 中国联合网络通信集团有限公司 | 用户感知预测方法、***、设备和计算机存储介质 |
-
2016
- 2016-08-25 CN CN201610788334.9A patent/CN107786364A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399995A (zh) * | 2018-04-20 | 2019-11-01 | 顺丰科技有限公司 | 运单投诉处理方法、装置、设备及其存储介质 |
CN109495904A (zh) * | 2018-08-27 | 2019-03-19 | 广州瀚信通信科技股份有限公司 | 一种基于软硬采的用户投诉功能模块实现方法 |
CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | ***通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
CN110390535A (zh) * | 2019-06-25 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
CN110390535B (zh) * | 2019-06-25 | 2023-10-10 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
CN112884391A (zh) * | 2019-11-29 | 2021-06-01 | 顺丰科技有限公司 | 收派件规划方法、装置、电子设备及存储介质 |
CN111461446A (zh) * | 2020-04-09 | 2020-07-28 | 北京北大软件工程股份有限公司 | 基于机器学习的投诉举报案件的预测方法及装置 |
CN111461446B (zh) * | 2020-04-09 | 2024-05-21 | 北京北大软件工程股份有限公司 | 基于机器学习的投诉举报案件的预测方法及装置 |
CN113840316A (zh) * | 2021-09-30 | 2021-12-24 | 中国联合网络通信集团有限公司 | 无线网络维护方法、装置、设备和计算机可读存储介质 |
CN113840316B (zh) * | 2021-09-30 | 2024-04-30 | 中国联合网络通信集团有限公司 | 无线网络维护方法、装置、设备和计算机可读存储介质 |
CN114257523A (zh) * | 2021-12-08 | 2022-03-29 | 中国联合网络通信集团有限公司 | 用户感知预测方法、***、设备和计算机存储介质 |
CN114257523B (zh) * | 2021-12-08 | 2023-07-07 | 中国联合网络通信集团有限公司 | 用户感知预测方法、***、设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107786364A (zh) | 一种qoe体系预测投诉倾向建模方法 | |
US11068789B2 (en) | Dynamic model data facility and automated operational model building and usage | |
US8170894B2 (en) | Method of identifying innovations possessing business disrupting properties | |
Pierro et al. | Are the gas prices oracle reliable? a case study using the ethgasstation | |
CN102609406B (zh) | 学习装置、判断装置、学习方法和判断方法 | |
CN104134159A (zh) | 一种基于随机模型预测信息最大化传播范围的方法 | |
CN109508429B (zh) | 基于教育平台大数据分析的个性化自适应学习推荐方法 | |
CN109558962A (zh) | 预测电信用户流失的装置、方法和存储介质 | |
EP4123987A1 (en) | Enhanced selection of cloud architecture profiles | |
CN104778622A (zh) | Tps交易事件阈值的预测方法及预测*** | |
CN104899228A (zh) | 一种发布网页资源的方法及装置 | |
CN113361810B (zh) | 一种客流量预测方法、装置、设备和存储介质 | |
CN106127366A (zh) | 一种面向主生产计划的生产数量预测方法 | |
TW201503029A (zh) | 計算企業拖欠帳款機率之技術 | |
CN105405051A (zh) | 金融事件预测方法和装置 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN106776757A (zh) | 用户完成网银操作的指示方法及装置 | |
KR102244705B1 (ko) | 학습데이터 생성을 위한 크라우드소싱 기반 유사 프로젝트의 작업 단가 역전 조정을 통한 작업자 유입 조절 방법 | |
CN115456325A (zh) | 一种用于非煤矿山的灾害设防能力的分析方法 | |
CN115345710A (zh) | 一种电商商务大数据决策分析与数据处理方法 | |
CN112966199B (zh) | 一种页面调整收益的确定方法、装置、电子设备和介质 | |
KR102156587B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업자 및 검수자의 증감 운영 방법 | |
CN110210880A (zh) | 数据处理方法、装置以及计算机可读存储介质 | |
CN114881521A (zh) | 业务评估方法、装置、电子设备以及存储介质 | |
CN112967061A (zh) | 具有交易性格的用户行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180309 |
|
WD01 | Invention patent application deemed withdrawn after publication |