CN109242257A - 一种基于关键指标关联分析的4g上网用户投诉模型 - Google Patents
一种基于关键指标关联分析的4g上网用户投诉模型 Download PDFInfo
- Publication number
- CN109242257A CN109242257A CN201810902832.0A CN201810902832A CN109242257A CN 109242257 A CN109242257 A CN 109242257A CN 201810902832 A CN201810902832 A CN 201810902832A CN 109242257 A CN109242257 A CN 109242257A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- complains
- association analysis
- user
- 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.)
- Granted
Links
- 238000012098 association analyses Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims abstract description 6
- 238000000546 chi-square test Methods 0.000 claims abstract description 5
- 238000007477 logistic regression Methods 0.000 claims abstract description 5
- 230000001419 dependent effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 230000001934 delay Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于关键指标关联分析的4G上网用户投诉模型,包括以下步骤:S1利用逻辑回归模型,找出影响用户投诉的若干个因素并建立决策树模型;S2提取用户数据,对数据进行整合并处理;S3对用户数据进行T检验,初步找出影响投诉的因素;S4设定训练数据集,利用R语言建立逻辑回归模型;并根据建立初步模型后返回的结果利用后逐步逻辑回归法进行优化,得到最终结果并确定最终模型;S5对模型进行卡方检验;S6利用该模型对测试数据集进行预测,将预测结果与实际结果进行交叉统计。本发明提供了一种基于关键指标关联分析的4G上网用户投诉模型,用以解决4G上网用户投诉产生的原因,并对潜在的投诉用户提前进行预防性的解决。
Description
技术领域
本发明涉及移动通信领域,更具体地,涉及一种基于关键指标关联分析的4G上网用户投诉模型。
背景技术
随着移动互联网的快速发展,用户对移动网络的要求越来越高,降低投诉量及提前预防潜在4G用户投诉是网络工作者的一项重要任务,本发明可降低4G用户的投诉量,并提升4G用户上网满意度。
发明内容
本发明的目的是解决上述一个或多个缺陷,提出一种基于关键指标关联分析的4G上网用户投诉模型。
为实现以上发明目的,采用的技术方案是:
一种基于关键指标关联分析的4G上网用户投诉模型的建立方法,包括以下步骤:
S1:探索投诉用户的影响因素和条件,利用逻辑回归模型,找出影响用户投诉的若干个因素并建立决策树模型;
S2:提取包括步骤S1所述的若干个因素的用户数据,包括原始投诉用户数据和非投诉用户数据;对数据进行整合并处理;
S3:对步骤S2获取的原始投诉用户数据和非投诉用户数据进行T检验,对比投诉指标和非投诉指标的差异,初步找出影响投诉的因素;
S4:设定训练数据集,利用R语言建立逻辑回归模型;其中设定是否投诉作为因变量,取值设定为0和1,并根据建立初步模型后返回的结果利用后逐步逻辑回归法进行优化,得到最终结果并确定最终模型;
S5:对模型进行卡方检验,确保模型各变量通过显著性检验的同时还需确保整个模型是显著的;
S6:利用该模型对测试数据集进行预测,将预测结果与实际结果进行交叉统计。
进一步的,步骤S1所述影响用户投诉的若干个因素包括attach成功率、attach时延、默认承载成功率、默认承载时延、Tcp23次握手成功率、Tcp23次握手时延。
进一步的,步骤S2所述的对数据进行整理包括以下步骤:
S2.1:所有数据成功率都去除百分号,保留0~100之间的数,小数点保留2位;
S2.2:剔除指标缺失数大于5的记录;
S2.3:对缺失值个数为1~5的记录,采用K近邻法填补缺失值;
S2.4:随机抽取投诉记录中的80%和非投诉记录中的80%用于训练模型,剩余20%用于预测。
最终模型为:
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于关键指标关联分析的4G上网用户投诉模型,用以解决4G上网用户投诉产生的原因,并对潜在的投诉用户提前进行预防性的解决。
附图说明
图1为本发明的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
一种基于关键指标关联分析的4G上网用户投诉模型的建立方法,请参考图1,包括以下步骤:
S1:探索投诉用户的影响因素和条件,利用逻辑回归模型,找出影响用户投诉的若干个因素并建立决策树模型;
探索投诉用户的影响因素和条件。对15个指标在投诉组和非投诉组间做T检验,发现attach成功率、attach时延、默认承载成功率、默认承载时延、Tcp23次握手成功率、Tcp23次握手时延具有很强的显著差异。利用逻辑回归模型,找出了影响用户投诉的5个因素:attach成功率、attach时延、默认承载时延、Tcp23次握手成功率、Tcp23次握手时延。根据这5个因素建立决策树模型,得到用户很可能投诉的条件:
1)Tcp23次握手成功率<100且Tcp23次握手时延<80且attach时延<178;
2)Tcp23次握手成功率<100且Tcp23次握手时延>=80;
3)Tcp23次握手成功率=100且attach时延<374且attach时延>=179且默认承载时延>=191;
4)Tcp23次握手成功率=100且attach时延<179;
5)Tcp23次握手成功率=100且attach时延>=374。
该决策树模型具有65.7%的预测准确率,但得到的投诉条件不太令人满意。最后对各个指标单因素分析是否存在阈值,使得在此阈值外用户很可能投诉,最终结论如下:
1)当attach成功率小于等于60%时用户很可能会投诉;
2)当attach时延高于等于1500ms时用户很可能会投诉;
3)当默认承载成功率小于等于20%时用户很可能会投诉;
4)当默认承载时延高于等于1000ms时用户很可能会投诉;
5)当Tcp23次握手成功率小于等于90%时用户很可能会投诉。
S2:提取包括步骤S1所述的若干个因素的用户数据,包括原始投诉用户数据和非投诉用户数据;对数据进行整合并处理;
本实施例提取原始投诉用户数据2336份,非投诉用户2993份,共5329条记录。数据整合成一张表,包含如下指标:
attach成功率、attach时延、默认承载成功率、默认承载时延、DNS成功率、DNS时延、Tcp12次握手成功率、Tcp12次握手时延、Tcp23次握手成功率、Tcp23次握手时延、Get响应成功率、Get响应时延、Post响应成功率、Post响应时延、大包(大于500KB)下载速率。
针对建模,对数据做如下处理:
1)所有成功率都去除百分号,保留0~100之间的数,小数点保留2位。例如,99.5%变换为99.50;
2)剔除指标缺失数大于5的记录:首先计算每条记录的指标缺失数:15个指标,如果有5个以上(不含5)的指标缺失值,考虑直接剔除,否则会对后面的建模很不利。踢掉后,剩余4819份数据(投诉1999,非投诉2820);
3)对缺失值个数为1~5的记录,采用K近邻法填补缺失值,这样,待建模的数据没有缺失值,方便建模;
4)随机抽取投诉记录中的80%和非投诉记录中的80%用于训练模型(合计共3820条记录),剩余20%用于预测。
S3:对步骤S2获取的原始投诉用户数据和非投诉用户数据进行T检验,对比投诉指标和非投诉指标的差异,初步找出影响投诉的因素;
T检验中P值的数学应用如下表:
P值 | 碰巧的概率 | 对无效假设 | 统计意义 |
P>0.05 | 碰巧出现的可能性大于5% | 不能否定无效假设 | 两组差别无显著意义 |
P<0.05 | 碰巧出现的可能性小于5% | 可以否定无效假设 | 两组差别有显著意义 |
P<0.01 | 碰巧出现的可能性小于1% | 可以否定无效假设 | 两者差别有非常显著意义 |
利用T检验的方法对比投诉指标与非投诉指标之间的差异,可初步找出影响投诉的因素。数据采用原始投诉用户数据2336份,非投诉用户2993份,共5329条记录(含缺失值),各指标独立计算,遇到含缺失值的记录自动忽略,结果如下表所示:
由上表可知,attach成功率、attach时延、默认承载时延、Tcp23次握手成功率、Tcp23次握手时延这几个指标在投诉用户与非投诉用户之间有很强的显著差异(99%的置信水平)。默认承载成功率在95%的置信水平下也有显著差异,在99%的置信水平下没有显著差异。其他指标没有显著差异。
S4:设定训练数据集,利用R语言建立逻辑回归模型;其中设定是否投诉作为因变量,取值设定为0和1,并根据建立初步模型后返回的结果利用后逐步逻辑回归法进行优化,得到最终结果并确定最终模型;
下面根据训练数据集(3820条记录),利用R语言建立逻辑回归模型。是否投诉作为因变量,取值只有0和1(0为非投诉,1为投诉),15个指标作为自变量。R建立初步模型后返回的结果如下:
Call:
glm(formula=是否投诉~attach成功率+attach时延+默认承载成功率+
默认承载时延+DNS成功率+DNS时延+Tcp12次握手成功率+Tcp12次握手时延+Tcp23次握手成功率+Tcp23次握手时延+Get响应成功率+Get响应时延+Post响应成功率+Post响应时延+大包.大于500KB.下载速率,
family="binomial",data=train.dt)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.2577-0.9793-0.9161 1.3126 2.3556
Coefficients:
大包.大于500KB.下载速率-1.491e-06 2.603e-06-0.573 0.566695
---
Signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1
(Dispersion parameter for binomial family taken to be 1)
Null deviance:5182.4 on 3819 degrees of freedom Residual deviance:5006.4 on 3804 degrees of freedom AIC:5038.4
Number of Fisher Scoring iterations:5
以上结果中,带***表示系数非常显著,带**表示很显著,带*表示显著,带.表示微显著,不带标识则不显著。结果中有多个指标的系数是不显著的,需要进一步优化模型。
利用向后逐步逻辑回归法优化模型(每步剔除一个影响最不明显的因素,使得模型比之前更好,最终只保留系数显著的因素),向后逐步回归的最终结果如下:
Call:
glm(formula=是否投诉~attach成功率+attach时延+默认承载时延+Tcp12次握手时延+Tcp23次握手成功率+Tcp23次握手时延,family="binomial",data=train.dt)
Deviance Residuals:
Min 1Q Median 3Q Max -3.2489 -0.9789 -0.9198 1.3174 1.7080
Coefficients:
Signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1
(Dispersion parameter for binomial family taken to be 1)
Null deviance:5182.4 on 3819 degrees of freedom Residual deviance:5012.0 on 3813 degrees of freedom AIC:5026
Number of Fisher Scoring iterations:5
该模型最终保留了6个指标,但Tcp12次握手时延的系数仍然是不显著,考虑剔除这个指标,以剩余5个指标再重新建模:
Call:
glm(formula=是否投诉~attach成功率+attach时延+默认承载时延+Tcp23次握手成功率+Tcp23次握手时延,family="binomial",data=train.dt)
Deviance Residuals:
Min 1Q Median 3Q Max -3.2410 -0.9790 -0.9201 1.3180 1.5413
Coefficients:
Signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1
(Dispersion parameter for binomial family taken to be 1)
Null deviance:5182.4 on 3819 degrees of freedom Residual deviance:5014.2 on 3814 degrees of freedom AIC:5026.2
Number of Fisher Scoring iterations:5
至此各项系数均已显著,保留了相对重要的变量。于是建立的模型为:
+0.0005773*默认承载时延-0.0666100*Tcp23次握手成功率+0.0038896*Tcp23次握手时延
当模型计算出的P>0.5时,认为会投诉,否则不投诉。
S5:对模型进行卡方检验,确保模型各变量通过显著性检验的同时还需确保整个模型是显著的;
模型各变量通过显著性检验的同时还需确保整个模型是显著的,只有这样才能保证模型是正确的、有意义的。对模型进行卡方检验,结果如下所示:
Analysis of Deviance Table
Model:binomial,link:logit
Response:是否投诉
Terms added sequentially(first to last)
Signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1
模型通过了整体显著检验,说明由上述变量组成的模型是有意义的。
S6:利用该模型对测试数据集进行预测,将预测结果与实际结果进行交叉统计。
下面利用该模型对测试数据集(共956个记录,投诉396,非投诉560)进行预测,预测一个未知用户是否可能投诉。当模型计算出的P>0.5时,认为会投诉,否则不投诉。将预测结果与实际结果做交叉统计,如下表所示:
投诉用户 | 非投诉用户 | |
预测投诉 | 162 | 94 |
预测不投诉 | 234 | 466 |
预测投诉准确率:162/(162+94)*100%=63.8%;
则预测不投诉准确率:466/(466+234)*100%=66.6%;
整体预测准确率:(466+162)/(466+162+234+94)*100%=65.7%;
召回率:162/(162+234)=40.9%。
小结:模型预测能力较好。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于关键指标关联分析的4G上网用户投诉模型,其特征在于,包括以下步骤:
S1:探索投诉用户的影响因素和条件,利用逻辑回归模型,找出影响用户投诉的若干个因素并建立决策树模型;
S2:提取包括步骤S1所述的若干个因素的用户数据,包括原始投诉用户数据和非投诉用户数据;对数据进行整合并处理;
S3:对步骤S2获取的原始投诉用户数据和非投诉用户数据进行T检验,对比投诉指标和非投诉指标的差异,初步找出影响投诉的因素;
S4:设定训练数据集,利用R语言建立逻辑回归模型;其中设定是否投诉作为因变量,取值设定为0和1,并根据建立初步模型后返回的结果利用后逐步逻辑回归法进行优化,得到最终结果并确定最终模型;
S5:对模型进行卡方检验,确保模型各变量通过显著性检验的同时还需确保整个模型是显著的;
S6:利用该模型对测试数据集进行预测,将预测结果与实际结果进行交叉统计。
2.根据权利要求1所述的一种基于关键指标关联分析的4G上网用户投诉模型,其特征在于,步骤S1所述影响用户投诉的若干个因素包括attach成功率、attach时延、默认承载成功率、默认承载时延、Tcp23次握手成功率、Tcp23次握手时延。
3.根据权利要求1所述的一种基于关键指标关联分析的4G上网用户投诉模型,其特征在于,步骤S2所述的对数据进行整理包括以下步骤:
S2.1:所有数据成功率都去除百分号,保留0~100之间的数,小数点保留2位;
S2.2:剔除指标缺失数大于5的记录;
S2.3:对缺失值个数为1~5的记录,采用K近邻法填补缺失值;
S2.4:随机抽取投诉记录中的80%和非投诉记录中的80%用于训练模型,剩余20%用于预测。
4.根据权利要求1-3所述的一种基于关键指标关联分析的4G上网用户投诉模型,其特征在于,最终建立模型为
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902832.0A CN109242257B (zh) | 2018-08-09 | 2018-08-09 | 一种基于关键指标关联分析的4g上网用户投诉模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902832.0A CN109242257B (zh) | 2018-08-09 | 2018-08-09 | 一种基于关键指标关联分析的4g上网用户投诉模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242257A true CN109242257A (zh) | 2019-01-18 |
CN109242257B CN109242257B (zh) | 2021-08-20 |
Family
ID=65069998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810902832.0A Active CN109242257B (zh) | 2018-08-09 | 2018-08-09 | 一种基于关键指标关联分析的4g上网用户投诉模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242257B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314124A (zh) * | 2020-02-07 | 2020-06-19 | 中国联合网络通信集团有限公司 | 高铁网络的网络问题分析方法、装置、设备及存储介质 |
CN111553816A (zh) * | 2020-04-20 | 2020-08-18 | 北京北大软件工程股份有限公司 | 行政复议影响因素分析方法及装置 |
CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | ***通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
CN112699099A (zh) * | 2020-12-30 | 2021-04-23 | 广州杰赛科技股份有限公司 | 用户投诉数据库扩充方法、装置及存储介质 |
CN113157763A (zh) * | 2021-01-04 | 2021-07-23 | 北京汇达城数科技发展有限公司 | 具有指定行为信息的用户的精准识别***及方法 |
CN113780677A (zh) * | 2021-09-26 | 2021-12-10 | 深圳供电局有限公司 | 一种潜在电力重复诉求用户的预测方法及装置 |
CN115442833A (zh) * | 2021-06-03 | 2022-12-06 | ***通信集团四川有限公司 | 一种投诉根因分析方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110132083A (ko) * | 2010-06-01 | 2011-12-07 | 가톨릭대학교 산학협력단 | 간경변에서 간암으로의 발전 위험도를 예측하는 방법 |
US20130311387A1 (en) * | 2012-04-18 | 2013-11-21 | Jurgen Schmerler | Predictive method and apparatus to detect compliance risk |
US20140244644A1 (en) * | 2011-07-06 | 2014-08-28 | Fred Bergman Healthcare Pty Ltd | Event detection algorithms |
CN105574601A (zh) * | 2014-10-25 | 2016-05-11 | 胡峻源 | 用于移动话务统计的回归模型建模方法 |
CN106204106A (zh) * | 2016-06-28 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种特定用户识别方法及*** |
CN106548357A (zh) * | 2016-10-27 | 2017-03-29 | 南方电网科学研究院有限责任公司 | 客户满意度的测评方法及*** |
CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
-
2018
- 2018-08-09 CN CN201810902832.0A patent/CN109242257B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110132083A (ko) * | 2010-06-01 | 2011-12-07 | 가톨릭대학교 산학협력단 | 간경변에서 간암으로의 발전 위험도를 예측하는 방법 |
US20140244644A1 (en) * | 2011-07-06 | 2014-08-28 | Fred Bergman Healthcare Pty Ltd | Event detection algorithms |
US20130311387A1 (en) * | 2012-04-18 | 2013-11-21 | Jurgen Schmerler | Predictive method and apparatus to detect compliance risk |
CN105574601A (zh) * | 2014-10-25 | 2016-05-11 | 胡峻源 | 用于移动话务统计的回归模型建模方法 |
CN106204106A (zh) * | 2016-06-28 | 2016-12-07 | 武汉斗鱼网络科技有限公司 | 一种特定用户识别方法及*** |
CN106548357A (zh) * | 2016-10-27 | 2017-03-29 | 南方电网科学研究院有限责任公司 | 客户满意度的测评方法及*** |
CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | ***通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
CN112101692B (zh) * | 2019-06-18 | 2023-11-24 | ***通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
CN111314124A (zh) * | 2020-02-07 | 2020-06-19 | 中国联合网络通信集团有限公司 | 高铁网络的网络问题分析方法、装置、设备及存储介质 |
CN111314124B (zh) * | 2020-02-07 | 2023-04-07 | 中国联合网络通信集团有限公司 | 高铁网络的网络问题分析方法、装置、设备及存储介质 |
CN111553816A (zh) * | 2020-04-20 | 2020-08-18 | 北京北大软件工程股份有限公司 | 行政复议影响因素分析方法及装置 |
CN111553816B (zh) * | 2020-04-20 | 2023-11-03 | 北京北大软件工程股份有限公司 | 行政复议影响因素分析方法及装置 |
CN112699099A (zh) * | 2020-12-30 | 2021-04-23 | 广州杰赛科技股份有限公司 | 用户投诉数据库扩充方法、装置及存储介质 |
CN112699099B (zh) * | 2020-12-30 | 2024-06-04 | 中电科普天科技股份有限公司 | 用户投诉数据库扩充方法、装置及存储介质 |
CN113157763A (zh) * | 2021-01-04 | 2021-07-23 | 北京汇达城数科技发展有限公司 | 具有指定行为信息的用户的精准识别***及方法 |
CN113157763B (zh) * | 2021-01-04 | 2023-10-13 | 北京汇达城数科技发展有限公司 | 具有指定行为信息的用户的精准识别***及方法 |
CN115442833A (zh) * | 2021-06-03 | 2022-12-06 | ***通信集团四川有限公司 | 一种投诉根因分析方法、装置及电子设备 |
CN113780677A (zh) * | 2021-09-26 | 2021-12-10 | 深圳供电局有限公司 | 一种潜在电力重复诉求用户的预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109242257B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242257A (zh) | 一种基于关键指标关联分析的4g上网用户投诉模型 | |
CN108924333B (zh) | 诈骗电话识别方法、装置和*** | |
CN110910901B (zh) | 一种情绪识别方法及装置、电子设备和可读存储介质 | |
US9201953B2 (en) | Filtering information using targeted filtering schemes | |
US9223968B2 (en) | Determining whether virtual network user is malicious user based on degree of association | |
CN106713290B (zh) | 一种识别主用户账号的方法及服务器 | |
CN107609708A (zh) | 一种基于***商店的用户流失预测方法及*** | |
WO2017186090A1 (zh) | 通信号码处理方法及装置 | |
CN106022826A (zh) | 一种网络直播平台中的作弊用户识别方法与*** | |
CN110401779A (zh) | 一种识别电话号码的方法、装置和计算机可读存储介质 | |
SE0500239L (sv) | Förfarande, samtalsuppkopplingsanordning samt datorprogramprodukt för att styra uppkopplingen av ett telefonsamtal för en användare som är associerad med ett lokalt nätverk | |
CN106791235A (zh) | 一种选择服务座席的方法、装置及*** | |
CN106936997B (zh) | 一种基于社交关系图谱的垃圾语音识别方法和*** | |
CN108932669A (zh) | 一种基于监督式层次分析法的异常账户检测方法 | |
CN107787015A (zh) | 基于大数据的网络调整方法和装置 | |
CN109543734A (zh) | 用户画像方法及装置、存储介质 | |
CN108462615A (zh) | 一种网络用户分组方法和装置 | |
CN107368499A (zh) | 一种客户标签建模及推荐方法及装置 | |
CN108271189A (zh) | 一种业务质量监测方法和装置 | |
CN109819125A (zh) | 一种限制电信诈骗的方法及装置 | |
CN107360087A (zh) | 一种社交图谱构建方法 | |
CN114860788A (zh) | 一种技术推广信息服务***及方法 | |
US9450982B1 (en) | Email spoofing detection via infrastructure machine learning | |
CN106411834A (zh) | 基于陪伴设备的会话方法、设备及*** | |
Kallus et al. | Regional properties of global communication as reflected in aggregated Twitter data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |