CN110889526B - 一种用户升级投诉行为预测方法及*** - Google Patents
一种用户升级投诉行为预测方法及*** Download PDFInfo
- Publication number
- CN110889526B CN110889526B CN201811041401.6A CN201811041401A CN110889526B CN 110889526 B CN110889526 B CN 110889526B CN 201811041401 A CN201811041401 A CN 201811041401A CN 110889526 B CN110889526 B CN 110889526B
- Authority
- CN
- China
- Prior art keywords
- sequence
- event
- user
- complaint
- preset
- 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.)
- Active
Links
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种用户升级投诉行为预测方法及***,所提供的方法包括:获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为用户建立事件序列;根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;将用户投诉行为的时差序列作为特征进行分析,获得用户投诉行为的时差序列对应的用户进行升级投诉的概率;其中,预设条件至少包括,预设支持度阈值、预设序列最大长度、事件项的预设时间间隔。本发明提供的方法,利用用户行为序列将原有特征与时间序列组合生成新的特征,通过新的特征对用户升级投诉行为进行预测,提升了特征的维度,提升了对预测用户进行升级投诉行为的预测精度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种用户升级投诉行为预测方法及***。
背景技术
随着移动通信技术的发展,移动网络带给人们生活更多的便利。与此同时,运营商用户数量的增长,也使得客户投诉问题日益凸显。一旦客户的问题得不到良好的解决,客户将进行更进一步的投诉,导致投诉升级,使得用户对于运营商品牌的认可度降低,另一方面,用户进行升级投诉也将给运营商的考核指标带来压力。
现有技术中,较多的研究方向是针对用户的投诉进行相关的预测,对于用户进一步的升级投诉则研究不足,升级投诉预测与普通投诉预测是两个完全不同的问题,影响用户投诉的主要因素例如无线网络弱覆盖、流量资费过高、扣费过高等因素;影响用户升级投诉的主要因素则是用户投诉次数,客服解决方案,问题解决的时长等因素。
另一方面,针对用户的投诉预测技术往往是利用常见分类算法进行,由于是静态地考虑相关特征,导致预测用户升级投诉的往往表现不佳,而且静态的特征容易忽视用户行为和时间变量的关系。
发明内容
本发明实施例提供一种一种用户升级投诉行为预测方法及***,用以解决现有技术中针对用户的投诉预测技术往往是利用常见分类算法进行,由于是静态地考虑相关特征,导致预测用户升级投诉的往往表现不佳,而且静态的特征容易忽视用户行为和时间变量的关系的问题。
第一方面,本发明实施例提供一种用户升级投诉行为预测方法,包括:
获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;
根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;
将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率;
其中,所述预设条件至少包括,预设支持度阈值、预设序列最大长度、事件项的预设时间间隔。
第二方面,本发明实施例提供一种用户升级投诉行为预测***,包括:
预处理模块,用于获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;
时差序列构建模块,用于根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;
判断模块,用于将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率;
其中,所述预设条件至少包括,预设支持度阈值、预设序列最大长度、事件项的预设时间间隔。
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如上述第一方面所述的用户升级投诉行为预测方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面所述的用户升级投诉行为预测方法。
本发明实施例提供的用户升级投诉行为预测方法及***,利用用户行为序列将原有特征与时间序列组合生成新的特征,通过新的特征对用户升级投诉行为进行预测,利用用户产生投诉单前、后的用户的行为事件序列数据,进行频繁序列模式挖掘,在挖掘中通过添加项间时间约束来提升对用户行为判断的精度,提升了特征的维度,提升了对预测用户进行升级投诉行为的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的用户升级投诉行为预测方法的流程示意图;
图2为本发明另一实施例提供的用户升级投诉行为预测方法的流程示意图;
图3为本发明一实施例提供的用户升级投诉行为预测***的结构示意图;
图4为本发明一实施例的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例提供的用户升级投诉行为预测方法的流程示意图,所提供的方法包括:
S1,获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列。
具体的,首选需要对升级投诉相关的行为数据、业务数据进行梳理和数据准备,相关数据包括广义投诉单和狭义投诉单数据、通话触点数据、升级通话数据,短信触点数据,DPI数据等。数据准备结果是将升级投诉相关事件按照对应的时间进行顺序排列,如表1所示,表1为单个用户的升级投诉行为相关数据。
用户id | 时间 | 事件 | 事件符号 |
0000 | 2017/9/9 17:45 | 主叫投诉电话 | a |
0000 | 2017/9/9 22:56 | 产生投诉工单 | b |
0000 | 2017/9/9 23:24 | 被叫投诉电话 | c |
0000 | 2017/9/9 23:31 | 触点回复不满意 | d |
0000 | 2017/9/10 12:58 | 投诉工单报结不认可 | e |
0000 | 2017/9/10 13:25 | 被叫投诉电话 | c |
0000 | 2017/9/10 13:52 | 拨打升级投诉相关电话 | f |
表1
根据用户在进行投诉的过程中的行为构建事件序列,并将事件对应的时间也标注,标注的格式如下公式所示:
Si=<[t1]e1,[t2]e2,…,[ti]ei,…,[tn]en>
式中,Si表示用户i的事件序列也称作项集,ei表示用户的第i个事件,有称作项,ti表示事件ei发生的时间,最终构成的事件序列如表2所示,
用户id | 事件序列 |
0000 | [2017/9/9 17:45]a,[2017/9/9 22:56]b,[2017/9/9 23:24]c,…… |
0001 | [2017/10/1 9:56]a,[2017/10/1 10:03]b,…… |
…… |
表2
表中每一行为一个用户进行投诉行为的事件序列。
通过此方法,将将用户每个行为的发生时间加入到事件序列中来,为后续计算不同事件之间的时间差做出支持。
S2,根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;其中,所述预设条件至少包括,预设支持度阈值、预设序列最大长度、事件项的预设时间间隔。
具体的,本步骤中预设条件所包含的参数为预设支持度阈值α,预设序列最大长度L和事件项的预设时间间隔。在S1中获得了单个用户的事件序列后,对于该事件序列,找出所有长度为1的前缀和对应的投影数据库,并给投影数据库中的后缀标记前缀的发生时间tf1,与原算法的不同主要是,增加投影数据库中的后缀标记前缀的发生时间,为后续计算项间时差做准备。当相邻的两个前缀之间的时间差不在事件项的预设时间间隔之间时,若相邻的两个前缀之间的时间差小于预设时间间隔,则可能为用户在短时间内重复进行投诉动作,两次同样的动作可以视为同一动作进行计算,去除其中一个前缀所对应的项,若相邻的两个前缀之间的时间差大于预设时间间隔时,则可能用户的两次投诉原因不为同一原因,可以视作为两次不相关的投诉,此时可将序列归为两个不同的序列。
对长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1。支持度α阈值主要由程序所耗时间确定,一般来说支持度越高,每次迭代删除的前缀也就越多,这样后续的无用计算量就会降低,整体的计算时间越短;反之,支持度越低,每次迭代删除的前缀越少,整体的计算时间越长。所生成频繁序列,在正负样本中的比例由样本本身决定。因此原则上支持度越低,能发现的有意义的频繁序列就越多,但同时也会带来计算时间过长的问题,需平衡考虑支持度α的阈值设置。
最后再判断当前事件序列中前缀的长度是否等于预设序列最大长度,若等于预设序列最大长度,则将当前事件序列作为用户投诉行为的时差序列,若当前事件序列中前缀的长度小于预设序列最大长度,则对长度为1且满足支持度要求的前缀进行递归挖掘。
S3,将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
具体的,在获得了用户投诉行为的时差序列后,将该时差序列作为特征,对用户是否会进行升级投诉行为进行判定,具体实现过程可以为利用时差频繁序列的挖掘模式,根据序列中的期望的命中率阈值来进行模式的筛选,也可以通过神经网络或者支持向量机,将时差序列作为特征进行分析,获得最终该时差序列对应的用户是否会进行升级投诉的概率。
通过此方法,利用用户行为序列将原有特征与时间序列组合生成新的特征,通过新的特征对用户升级投诉行为进行预测,利用用户产生投诉单前、后的用户的行为事件序列数据,进行频繁序列模式挖掘,在挖掘中通过添加项间时间约束来提升对用户行为判断的精度,提升了特征的维度,提升了对预测用户进行升级投诉行为的预测精度。
在上述实施例的基础上,所述根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列的步骤具体包括:
在所述事件序列中,获取长度为1的项和每一个项对应的投影数据库,为所述长度为1的项表计所述项的发生时间;获取所述事件序列中,每两个相邻的项所对应的时间间隔,保留所述时间间隔在事件项的预设时间间隔之间的项;获取所述事件序列中所有项的支持度,去除支持度低于预设支持度阈值的项,获得第二事件序列;对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列。
具体的,在事件序列的时间计算过程中,找出每一个项的前缀所对应的投影数据库。给每一后缀标记前缀的发生时间tfi,计算前缀与其父级前缀的时间差Δt=tf(i-1)-tfi,且需满足max gap>=Δt>=min gap,不满足条件的项将被放弃,将时间差Δt向上取整(例如小时粒度)。如果投影数据库为空,则递归返回。
在进行时间差挖掘后,统计对应投影数据库中各项的支持度计数。去除支持度低于预设支持度阈值的项,将满足支持度计数的各个单项与当前的前缀进行合并,得到若干新的前缀。(若时间差不相同,相同的序列是不同的前缀),进而构建第二事件序列,对第二事件序列的长度进行计数,若第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列。
通过此方法,这样可以根据不同的时间差,来区别用户行为前后顺序的逻辑,从而挖掘出属于不同场景的频繁序列。
在上述实施例的基础上,所述将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率的步骤,具体包括:
通过时间频繁序列的挖掘模式,对所述用户投诉行为的时差序列进行模式筛选,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
具体的,本步骤利用时差频繁序列的挖掘模式,可以发现一组时差序列,可按照命中率从高到底进行排列,最后根据期望的命中率阈值进行模式筛选。
具体实现中,对每个投诉用户建立事件序列,其中投诉且升级投诉为正样本,投诉且未升级投诉为负样本,若某个时差序列的每个项在正样本中出现的次数为nz,在负样本中出现的次数为nf。以符合该模式判断为1,则该规则用于预测升级投诉的预期准确率为:auc=nz/(nz+nf)。根据预期准确率筛选规则,在生产***上实现规则过滤。
本实施例提供的方法经过实际使用,优点是准确率可以达到很高的范围。因为如果拉长模式的序列,比如挖掘频繁序列模式长度为10的序列,不考虑项间时差,理论上就有1010种模式,各种模式发生时,对应的准确度是不一样的,可以筛选出一批高准确度的规则,对用户进行过滤。最后,可以根据这些规则是否出现,转换成0-1变量,输入常规模型当中去,可以极大地扩展数据挖掘特征的维度,提升模型的准确度。
在上述实施例的基础上,所述获取所述事件序列中所有项的支持度,去除支持度小于预设支持度阈值的项的步骤还包括:若所述事件序列中所有项的支持度都小于预设支持度阈值时,则判定所述事件序列对应的用户不会进行升级投诉行为。
具体的,如果在事件序列中所有项的支持度计数都低于阈值α,则判定所述事件序列对应的用户不会进行升级投诉行为,直接在该步骤递归返回。
在上述实施例的基础上,所述获取所述事件序列中所有项的支持度,去除支持度小于预设支持度阈值的项,获得第二事件序列的步骤之后,还包括:
将支持度大于预设支持度阈值的项进行合并,根据合并构建的第二事件序列,重新执行根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列的步骤。
具体的,将满足支持度计数的各个单项与当前的前缀进行合并,得到若干新的前缀。(若时间差不相同,相同的序列是不同的前缀),从而获得第二事件序列,对第二事件序列进行递归执行前述的步骤,直至序列长度满足预设要求。
在上述实施例的基础上,所述对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列的步骤还包括:当所述第二事件序列的长度大于所述预设序列最大长度时,提取所述第二事件序列中与所述预设序列最大长度相等长度的部分,作为用户投诉行为的时差序列。
所述对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列的步骤还包括:若所述第二事件序列的长度小于所述预设序列最大长度,则将所述第二事件序列作为用户投诉行为的时差序列。
具体的,当第二事件长度大于预设的最大序列长度L时,提取所述第二事件序列中与所述预设序列最大长度相等长度的部分,例如最大序列长度L设定为10的时候,则当第二事件序列中的项数超过10项时,则提取第二事件序列中的前10个项,将前10个项组成的序列作为用户投诉行为的时差序列。若在构建的第二事件序列的长度小于最大序列长度L时,则将第二事件序列作为用户投诉行为的时差序列直接进行特征判断步骤。
综上所述,本发明实施例提供的用户升级投诉行为预测方法,利用用户行为序列将原有特征与时间序列组合生成新的特征,通过新的特征对用户升级投诉行为进行预测。由于新的特征是基于原有特征与时间序列得到的,使得新的特征中包括了不同于原有特征的其他对于预测更有价值的特征,使得本实施例的预测结果更加准确。
在本发明的另一实施例中,参考图2,图2为本发明另一实施例提供的用户升级投诉行为预测方法的流程示意图,本实施例的具体步骤包括:
201数据准备,将各维度数据从数据库中提取,转换成如上表1所示数据。
202数据预处理,将数据转换为时差序列方式,如上表2所示。
203参数设定:输入202中产生是时差序列S,支持度阈α,最大序列长度L、项间最大间隔max gap,最小间隔min gap。
204找出时差序列S中,所有长度为1的前缀和对应的投影数据库,并给投影数据库中的后缀标记前缀的发生时间tf1。
205对204中生成的投影数据库中,长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1
206判断长度是否到设定的最大序列长度L,如果是,直接跳转至后处理环节。如果不是,需要对于每个长度为i满足支持度要求的前缀进行递归挖掘。
207找出当前的前缀所对应的投影数据库。给每一后缀标记前缀的发生时间tfi,计算时差满足Δt前述条件,将时间差Δt向上取整(例如小时粒度)。若时间差不相同,相同的序列是不同的前缀。并将如果投影数据库为空,则递归返回。
208统计对应投影数据库中各项的支持度计数。如果所有项的支持度计数都低于阈值α,则递归返回。
209将满足支持度计数的各个单项和当前的前缀进行合并,得到若干新的前缀。
210令i=i+1,前缀为合并单项后的各个前缀,跳转至206。
图3为本发明一实施例提供的用户升级投诉行为预测***的结构示意图,如图3所示,所提供的***包括:预处理模块31、时差序列构建模块32和判断模块33。
其中,预处理模块31用于获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;
时差序列构建模块32用于根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;
判断模块33用于将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率;
其中,所述预设条件至少包括,预设支持度阈值、预设序列最大长度、事件项的预设时间间隔。
需要说明的是,上述预处理模块31、时差序列构建模块32和判断模块33配合以执行上述实施例中的用户升级投诉行为预测方法,该***的具体功能参见上述的用户升级投诉行为预测方法的实施例,此处不再赘述。
图4为本发明一实施例的一种电子设备的结构示意图,如图4所示,深度学习***的漏洞检测设备包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404,其中,处理器401,存储器403通过总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法,例如包括:获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
本发明实施例公开一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用户升级投诉行为预测方法,其特征在于,包括:
获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;
根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;
将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率;
其中,所述预设条件至少包括预设支持度阈值、预设序列最大长度、事件项的预设时间间隔;
所述根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列的步骤具体包括:
在所述事件序列中,获取长度为1的事件项和每一个事件项对应的投影数据库,为所述长度为1的事件项标记所述事件项的发生时间;
获取所述事件序列中,每两个相邻的事件项所对应的时间间隔,保留所述时间间隔在事件项的预设时间间隔之间的事件项;
获取所述事件序列中所有事件项的支持度,去除支持度低于预设支持度阈值的事件项,获得第二事件序列;
对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列;
所述将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率的步骤,具体包括:
通过时间频繁序列的挖掘模式,对所述用户投诉行为的时差序列进行模式筛选,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
2.根据权利要求1所述的方法,其特征在于,所述获取所述事件序列中所有事件项的支持度,去除支持度低于预设支持度阈值的事件项的步骤包括:
若所述事件序列中所有事件项的支持度都小于预设支持度阈值时,则判定所述事件序列对应的用户不会进行升级投诉行为。
3.根据权利要求1所述的方法,其特征在于,所述获取所述事件序列中所有事件项的支持度,去除支持度低于预设支持度阈值的事件项,获得第二事件序列的步骤之后,还包括:
将支持度大于预设支持度阈值的事件项进行合并,根据合并构建的第二事件序列,重新执行根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列。
4.根据权利要求1所述的方法其特征在于,所述对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列的步骤包括:
当所述第二事件序列的长度大于所述预设序列最大长度时,提取所述第二事件序列中与所述预设序列最大长度相等长度的部分,作为用户投诉行为的时差序列。
5.根据权利要求1所述的方法,其特征在于,所述对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列的步骤包括:
若所述第二事件序列的长度小于所述预设序列最大长度,则将所述第二事件序列作为用户投诉行为的时差序列。
6.一种用户升级投诉行为预测***,其特征在于,包括:
预处理模块,用于获取用户的投诉行为数据,根据所述投诉行为数据中的事件发生时间和事件类型,为所述用户建立事件序列;
时差序列构建模块,用于根据预设条件,对所述事件序列中的事件项进行提取,构建用户投诉行为的时差序列;
判断模块,用于将所述用户投诉行为的时差序列作为特征进行分析,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率;
其中,所述预设条件至少包括预设支持度阈值、预设序列最大长度、事件项的预设时间间隔;
所述时差序列构建模块还用于:
在所述事件序列中,获取长度为1的事件项和每一个事件项对应的投影数据库,为所述长度为1的事件项标记所述事件项的发生时间;
获取所述事件序列中,每两个相邻的事件项所对应的时间间隔,保留所述时间间隔在事件项的预设时间间隔之间的事件项;
获取所述事件序列中所有事件项的支持度,去除支持度低于预设支持度阈值的事件项,获得第二事件序列;
对所述第二事件序列的长度进行计数,若所述第二事件序列的长度在预设序列最大长度之内,将所述第二事件序列作为用户投诉行为的时差序列;
所述判断模块还用于:
通过时间频繁序列的挖掘模式,对所述用户投诉行为的时差序列进行模式筛选,获得所述用户投诉行为的时差序列对应的用户进行升级投诉的概率。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器调用存储器中的逻辑指令,以执行如权利要求1至5任一所述的用户升级投诉行为预测方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一所述的用户升级投诉行为预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811041401.6A CN110889526B (zh) | 2018-09-07 | 2018-09-07 | 一种用户升级投诉行为预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811041401.6A CN110889526B (zh) | 2018-09-07 | 2018-09-07 | 一种用户升级投诉行为预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889526A CN110889526A (zh) | 2020-03-17 |
CN110889526B true CN110889526B (zh) | 2022-06-28 |
Family
ID=69744433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811041401.6A Active CN110889526B (zh) | 2018-09-07 | 2018-09-07 | 一种用户升级投诉行为预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889526B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563754A (zh) * | 2020-04-29 | 2020-08-21 | 云南电网有限责任公司信息中心 | 一种业务序列驱动的电力客户诉求感知*** |
CN112052994A (zh) * | 2020-08-28 | 2020-12-08 | 中信银行股份有限公司 | 客诉升级预测方法、装置及电子设备 |
CN112819245A (zh) * | 2021-02-24 | 2021-05-18 | 阳光保险集团股份有限公司 | 用户投诉行为预测方法、装置、设备及存储介质 |
CN113660380A (zh) * | 2021-08-16 | 2021-11-16 | 西安京迅递供应链科技有限公司 | 一种信息处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493366B1 (en) * | 2001-03-01 | 2009-02-17 | Verizon Laboratories, Inc. | System and method for processing customer requests relating to unsolicited commercial email and other service disruptions |
CN104618949A (zh) * | 2015-02-13 | 2015-05-13 | 浪潮通信信息***有限公司 | 一种基于arma模型的投诉预测方法及装置 |
CN106203631A (zh) * | 2016-07-05 | 2016-12-07 | 中国科学院计算技术研究所 | 描述型多维度事件序列的并行频繁情节挖掘方法与*** |
CN106685674A (zh) * | 2015-11-05 | 2017-05-17 | 华为技术有限公司 | 网络事件预测以及建立网络事件预测模型的方法和装置 |
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
-
2018
- 2018-09-07 CN CN201811041401.6A patent/CN110889526B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7493366B1 (en) * | 2001-03-01 | 2009-02-17 | Verizon Laboratories, Inc. | System and method for processing customer requests relating to unsolicited commercial email and other service disruptions |
CN104618949A (zh) * | 2015-02-13 | 2015-05-13 | 浪潮通信信息***有限公司 | 一种基于arma模型的投诉预测方法及装置 |
CN106685674A (zh) * | 2015-11-05 | 2017-05-17 | 华为技术有限公司 | 网络事件预测以及建立网络事件预测模型的方法和装置 |
CN106203631A (zh) * | 2016-07-05 | 2016-12-07 | 中国科学院计算技术研究所 | 描述型多维度事件序列的并行频繁情节挖掘方法与*** |
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110889526A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889526B (zh) | 一种用户升级投诉行为预测方法及*** | |
CN109615116B (zh) | 一种电信诈骗事件检测方法和检测*** | |
CN107566358B (zh) | 一种风险预警提示方法、装置、介质及设备 | |
CN109189736B (zh) | 一种告警关联规则的生成方法和装置 | |
CN111294819B (zh) | 一种网络优化方法及装置 | |
CN102083010B (zh) | 一种用户信息筛选方法和设备 | |
EP3048539A1 (en) | Method and apparatus for recognizing junk messages | |
CN106878038B (zh) | 一种通信网络中故障定位方法及装置 | |
CN116415206B (zh) | 运营商多数据融合方法、***、电子设备及计算机存储介质 | |
CN107645740A (zh) | 一种移动监测方法及终端 | |
CN105824818A (zh) | 一种信息化管理方法、平台及*** | |
CN114461644A (zh) | 一种数据采集方法、装置、电子设备及存储介质 | |
CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN110677269B (zh) | 通信用户关系的确定方法、装置和计算机可读存储介质 | |
CN108076032B (zh) | 一种异常行为用户识别方法及装置 | |
CN107871055B (zh) | 一种数据分析方法和装置 | |
CN105323763A (zh) | 一种垃圾短消息的识别方法及装置 | |
US9398441B2 (en) | Method and apparatus for identifying re-subscribed user | |
CN109902196B (zh) | 一种商标类别推荐方法、装置、计算机设备及存储介质 | |
CN114881521A (zh) | 业务评估方法、装置、电子设备以及存储介质 | |
CN110582091A (zh) | 定位无线质量问题的方法和装置 | |
CN105101475B (zh) | 一种识别无线局域网wlan***的方法及装置 | |
Nadaf et al. | Data mining in telecommunication | |
CN113517990B (zh) | 一种网络净推荐值nps的预测方法及装置 | |
CN110597572B (zh) | 一种服务调用关系分析方法和计算机*** |
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 |