CN112699099B - 用户投诉数据库扩充方法、装置及存储介质 - Google Patents
用户投诉数据库扩充方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112699099B CN112699099B CN202011642915.4A CN202011642915A CN112699099B CN 112699099 B CN112699099 B CN 112699099B CN 202011642915 A CN202011642915 A CN 202011642915A CN 112699099 B CN112699099 B CN 112699099B
- Authority
- CN
- China
- Prior art keywords
- complaint
- signaling
- user
- users
- success rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000011664 signaling Effects 0.000 claims abstract description 128
- 238000004891 communication Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012163 sequencing technique Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000013138 pruning Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 101100206195 Arabidopsis thaliana TCP2 gene Proteins 0.000 claims description 6
- 101000666730 Homo sapiens T-complex protein 1 subunit alpha Proteins 0.000 claims description 6
- 101100536570 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) CCT2 gene Proteins 0.000 claims description 6
- 102100038410 T-complex protein 1 subunit alpha Human genes 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims 4
- 238000005065 mining Methods 0.000 abstract description 3
- 238000001303 quality assessment method Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用户投诉数据库扩充方法、装置及存储介质，方法包括：获取无投诉记录的用户和有投诉记录的用户的通信业务数据；基于通信业务数据回溯用户的信令信息，对信令信息进行分析，得到不同信令分析指标对应的分析结果；按照时间序列对每一次用户发生通信业务生成的分析结果进行排序；采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；基于深度学习提取重构样本的信令特征；通过K‑NN算法，并根据重构样本的信令特征和有投诉记录的用户的信令特征，确定潜在投诉用户；将潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中。本发明通过挖掘潜在投诉用户，扩充用户投诉数据库，能够提升网络质量评估的准确度。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种用户投诉数据库扩充方法。
背景技术
当运营商接收到用户投诉时，运营商一般会对该用户的前1-2天的使用业务记录进行查询，并基于业务使用情况查找对应的信令，这种操作的方法叫信令回溯。通过信令回溯，可以甄别两类用户，真实投诉用户和虚假投诉用户。真实投诉用户是用户确实感受到了网络质量问题，并针对该问题进行投诉。虚假用户是，通过信令回溯，没有发现用户在使用移动通信业务过程中存在任何的网络问题。发明人在研究中发现，由于还一部分用户在使用业务的过程中确实感受到了网络质量存在问题，由于种种原因，“懒”得投诉，因此，仅仅利用上述的用户投诉数据与用户网络质量指标进行关联，所得出来的用户感知评估是不全面的。
发明内容
本发明的目的在于提供一种用户投诉数据库扩充方法、装置及存储介质，以挖掘潜在投诉用户，用潜在投诉用户的信令信息和标签信息扩充用户投诉数据库，以提升网络质量评估的准确性。
第一方面，本发明实施例提供一种用户投诉数据库扩充方法，包括：
获取无投诉记录的用户和有投诉记录的用户的通信业务数据；
基于所述通信业务数据回溯用户的信令信息，对一个小区内的所述信令信息进行分析，得到不同信令分析指标对应的分析结果；
按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序；
采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；
基于深度学习提取所述重构样本的信令特征；
通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的用户的信令特征，确定潜在投诉用户；
将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中。
进一步地，所述通过K-NN算法，并根据所述重构样本的信令特征和有投诉记录的信令特征，确定潜在投诉用户，具体包括：
通过K-NN算法构建领域，以所述有投诉记录的用户的信令特征作为邻域图中心，所述重构样本的信令特征作为枝叶构建邻域图；
根据每一个信令分析指标的不同权重计算所述重构样本的信令特征的综合值；
根据所述重构样本的信令特征的综合值和预设的阈值对所述邻域图进行剪枝；
根据所述剪枝后的邻域图，确定潜在投诉用户。
进一步地，所述获取无投诉记录的用户和有投诉记录的用户的通信业务数据，具体为：
获取无投诉记录的VIP用户和有投诉记录的用户的通信业务数据。
进一步地，所述信令信息包括链路建立时间和无线链路质量。
进一步地，所述信令分析指标包括：Attach成功率、E-RAB建立成功率、Servicerequest成功率、Pagin成功率，重定向成功率、上下文异常释放成功率、TAU成功率、小区切换成功率、乒乓TAU成功率和乒乓小区切换成功率。
进一步地，所述信令分析指标还包括：DNS接入成功率、DNS时延、TCP1/3次握手成功率、TCP1/3次握手时延、TCP2/3次握手成功率、TCP2/3次握手成功时延、ISCTP 1/4次握手成功率、ISCTP 1/4次握手时延、ISCTP 2/4次握手成功率、ISCTP 2/4次握手时延、ISCTP 3/4次握手成功率、ISCTP 3/4次握手时延、HTTP响应成功率、HTTP小会话响应时延和HTTP大会话响应时延。
第二方面，本发明实施例提供一种用户投诉数据库扩充装置，包括：
通信业务数据获取模块，用于获取无投诉记录的用户和有投诉记录的用户的通信业务数据；
回溯模块，用于基于所述通信业务数据回溯用户的信令信息，对一个小区内的所述信令信息进行分析，得到不同信令分析指标对应的分析结果；
排序模块，用于按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序；
样本重构模块，用于采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；
特征提取模块，用于基于深度学习提取所述重构样本的信令特征；
潜在投诉用户确定模块，用于通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的信令特征，确定潜在投诉用户；
添加模块，用于将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中。
进一步地，所述潜在投诉用户确定模块，具体包括：
邻域图构建单元，用于通过K-NN算法构建领域，以所述有投诉记录的用户的信令特征作为邻域图中心，所述重构样本的信令特征作为枝叶构建邻域图；
综合值计算单元，根据每一个信令分析指标的不同权重计算所述重构样本的信令特征的综合值；
剪枝单元，用于根据所述重构样本的信令特征的综合值和预设的阈值对所述邻域图进行剪枝；
潜在投诉用户确定单元，用于根据所述剪枝后的邻域图，确定潜在投诉用户。
进一步地，所述获取无投诉记录的用户和有投诉记录的用户的通信业务数据，具体为：
获取无投诉记录的VIP用户和有投诉记录的用户的通信业务数据。
第三方面，本发明实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的用户投诉数据库扩充方法。
相比于现有技术，本发明实施例通过获取无投诉记录的用户和有投诉记录的用户的通信业务数据；基于所述通信业务数据回溯用户的信令信息，一个小区内的对所述信令信息进行分析，得到不同信令分析指标对应的分析结果；按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序；采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；基于深度学习提取所述重构样本的信令特征；通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的用户的信令特征，确定潜在投诉用户；将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中。这样，通过挖掘潜在投诉用户，用潜在投诉用户的信令信息和标签信息扩充用户投诉数据库，能够提升基于用户投诉数据的端到端网络业务质量评估的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是本发明一实施例提供的用户投诉数据库扩充方法的流程示意图；
图2是样本重构的示意图；
图3是剪枝前的邻域图示意图；
图4是剪枝后的邻域图示意图；
图5是本发明一实施例提供的用户投诉数据库扩充装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例1：
请参阅图1，本发明实施例提供一种用户投诉数据库扩充方法，包括：
S1、获取无投诉记录的用户和有投诉记录的用户的通信业务数据。
S2、基于所述通信业务数据回溯用户的信令信息，对所述信令信息进行分析，得到不同信令分析指标对应的分析结果。
在本发明实施例中，例如，所述信令信息包括：链路建立时间和无线链路质量。通过对信令信息进行分析，可得到不同信令分析指标对应的分析结果。例如，通过对链路建立时间进行分析，如果链路建立时间超时，那么就知道Attach建立失败，就能够计算Attach成功率。通过对无线链路的质量进行分析，无线链路质量评价指标包括RSCP(RSCP(ReceivedSignal Code Power，接收信号码功率即电平信号，可理解为终端UE接收到的导频信道的信号强度)、ECIO等指标。例如，如果RSCP>-105，那么很可能就是出现掉线或者切换失败，可以计算切换成功率。
具体的，如表1所示，信令分析指标包括：无线侧：Attach成功率，E-RAB建立成功率，Service request成功率，Pagin成功率，重定向成功率、上下文异常释放成功率、TAU成功率，小区切换成功率、乒乓TAU成功率，乒乓小区切换成功率。核心网侧：DNS接入成功率、DNS时延、TCP1/3次握手成功率，TCP1/3次握手时延、TCP2/3次握手成功率、TCP2/3次握手成功时延、ISCTP 1/4次握手成功率、ISCTP 1/4次握手时延、ISCTP 2/4次握手成功率、ISCTP2/4次握手时延、ISCTP 3/4次握手成功率、ISCTP 3/4次握手时延、HTTP响应成功率、HTTP小会话响应时延、HTTP大会话响应时延。
S3、按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序。例如，如表1所示。
表1
S4、采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本。例如，如图2所示。
需要说明的是，由于无线网络环境复杂性以及用户投诉滞后性，通过对信令分析数据进行重构，将重构的数据当成一个样本，这样样本就具有时间的延续性。
优选地，滑动窗口大小为6，步长为为3.
S5、基于深度学习提取所述重构样本的信令特征。
需要说明的是，由于无线信号传播会受到各种干扰和随机因素的影响，因此，在信息采集过程，由于信号波动等原因，导致所采集到的信令信息具有一定误差，例如，如表2所示。
表2
| Attach成功率 | E-RAB建立成功率 |
| 90％ | 99％ |
| 75％ | 78％ |
| 90％ | 99％ |
| 96％ | 99％ |
| 95％ | 98％ |
| 95％ | 98％ |
表2中，第二个数据存在一些异常，但是后面都是比较正常的。这种情况很可能是因为一些终端的问题，就是某些终端存在一些接入的问题(如苹果手机出现的天线门事件，或者某一类终端经常会出现这种情况，而且刚好用户持有这种终端的时候，在这个小区频繁拨出，但是拨出存在异常)，其实，这种因素由于不属于网络本身的因素，它仅仅是偶尔出现在某一个小区里面，而且很可能这个用户也是短暂出现在这个小区里面，因此，就存在某个数据的大波动。为排除上述因素对网络质量判断的影响，因此，不能直接将重构的信令数据(重构样本)作为投诉用户信令特征数据，需要对重构的信令数据进行优化。优化的方式为“抹平”这些数据。具体的，通过采用深度学***均化”，采用滑动窗口的方式，比如，要求出T时间段的数据特征，可以将T-2、T-1和T时间段的数据进行平均化，实现数据“抹平”。
上述是时间特征的抹平，通过对上述重构样本进行CNN特征提取，可降低信令序列本身的随机干扰的影响。
另外，对于空间特征，一般情况下，例如，Attach成功率和E-RAB建立成功率是有关联的，由于每个小区可能存在区别，或者不同场景(酒店、火车站、城中村)存在区别，因此，并不知道他们之间的关联度具体是多少。通过卷积神经网络，算一下在滑动窗口的数据中，便可获得这Attach成功率和E-RAB的关联度。通过对用户投诉的信令数据进行特征提取，可发现这些投诉用户的信令数据特征里面有哪些是“趋同”的。
S6、通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的用户的信令特征，确定潜在投诉用户。
在本发明实施例中，所述通过K-NN算法，并根据所述重构样本的信令特征和有投诉记录的信令特征，确定潜在投诉用户，具体包括：
S61、通过K-NN算法构建领域，以所述有投诉记录的用户的信令特征作为邻域图中心，所述重构样本的信令特征作为枝叶构建邻域图.
如图3所示，有投诉记录的用户，简称投诉用户，以投诉用户的信令特征作为邻域图中心，与所述投诉用户的信令特征最相似的三个特征作为所述投诉用户信令特征的枝叶，分别以这三个枝叶为中心，选取最相似的三个特征作为对应中心的枝叶，以此类推，得到最终的邻域图。
这里的三个，是不确定的，是根据每一个地区的用户投诉的偏好所决定的。有些用户对接入很敏感，有些用户对切换很敏感，有些用户保持很敏感，因此，需要根据具体的实际情况确定，一般选取3～5个。
S62、根据每一个信令分析指标的不同权重计算所述重构样本的信令特征的综合值。
S63、根据所述重构样本的信令特征的综合值和预设的阈值对所述邻域图进行剪枝。
S64、根据所述剪枝后的邻域图，确定潜在投诉用户。
S7、将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中。
在本发明实施例中，需要说明的但是，考虑到上述在构建邻域图过程中，没有考虑到信令分析指标的不同影响程度，因此，本发明实施例还通过人工经验的方法定义每一个信令分析指标的不同权重，根据加权平均的方式计算信令分析不同指标的综合值，采用阈值法来对邻域图进行剪枝，最后通过剪枝得到邻域图，如图4所示，就是潜在投诉用户的“确定”，在确定潜在投诉用户后，将该投诉用户的信令信息以及其标签信息(投诉)添加到用户投诉数据库中，进行投诉数据的扩充。
本发明实施例针对无线网络环境复杂以及用户投诉滞后性，首先对信令分析数据进行重构，将重构的数据当成一个样本，因此，样本具有时间的延续性；除此之外，针对无线环境的复杂性，对投诉数据进行CNN特征提取，如此，将会在一定程度上降低了信令序列本身的随机干扰的影响。此外，考虑到算法复杂度的问题，本发明实施例并没有采用常态的向量相似性的方法对提取特征后的向量矩阵进行余弦相似性分析，而是采用了K-NN的方法构建邻域图，因为图模型本来在计算数据之间的关联性具有快速、形象的优点，在构建邻域图基础上，考虑到每个信令分析指标的不同权重，根据加权平均的方式计算信令分析不同指标的综合值，采用阈值法来对邻域图的剪枝，最后通过剪枝得到邻域图，就是潜在投诉用户的“确定”。这种邻域图剪枝的方法能够较传统两两对比的方法快速简单，具有优越性。
相比于现有技术，本发明实施例通过挖掘潜在投诉用户，用潜在投诉用户的信令信息和标签信息扩充用户投诉数据库，能够提升基于用户投诉数据的端到端网络业务质量评估的准确性。
作为本发明实施例的一种举例，所述获取无投诉记录的用户和有投诉记录的用户的通信业务数据，具体为：
获取无投诉记录的VIP用户和有投诉记录的用户的通信业务数据。
需要说明的是，一般VIP贡献80％的利润，因此，对无投诉的用户，仅获取VIP用户的业务数据，可以使我们花费很少的代价便实现维护80％有利润价值的用户，完成网络优化的主要任务。
实施例2：
请参阅图5，本发明实施提供一种用户投诉数据库扩充装置，包括：
通信业务数据获取模块1，用于获取无投诉记录的用户和有投诉记录的用户的通信业务数据；
回溯模块2，用于基于所述通信业务数据回溯用户的信令信息，对一个小区内的所述信令信息进行分析，得到不同信令分析指标对应的分析结果；
排序模块3，用于按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序；
样本重构模块4，用于采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；
特征提取模块5，用于基于深度学习提取所述重构样本的信令特征；
潜在投诉用户确定模块6，用于通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的信令特征，确定潜在投诉用户；
添加模块7，用于将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中。
作为本发明实施例的一种举例，所述潜在投诉用户确定模块，具体包括：
邻域图构建单元，用于通过K-NN算法构建领域，以所述有投诉记录的用户的信令特征作为邻域图中心，所述重构样本的信令特征作为枝叶构建邻域图；
综合值计算单元，根据每一个信令分析指标的不同权重计算所述重构样本的信令特征的综合值；
剪枝单元，用于根据所述重构样本的信令特征的综合值和预设的阈值对所述邻域图进行剪枝；
潜在投诉用户确定单元，用于根据所述剪枝后的邻域图，确定潜在投诉用户。
作为本发明实施例的一种举例，所述获取无投诉记录的用户和有投诉记录的用户的通信业务数据，具体为：
获取无投诉记录的VIP用户和有投诉记录的用户的通信业务数据。
实施例3：
本发明提供了一种计算机可读存储介质，具体包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的用户投诉数据库扩充方法。
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种用户投诉数据库扩充方法，其特征在于，包括：
获取无投诉记录的用户和有投诉记录的用户的通信业务数据；
基于所述通信业务数据回溯用户的信令信息，对一个小区内的所述信令信息进行分析，得到不同信令分析指标对应的分析结果；
按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序；
采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；
基于深度学习提取所述重构样本的信令特征；
通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的用户的信令特征，确定潜在投诉用户；
将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中；
所述通过K-NN算法，并根据所述重构样本的信令特征和有投诉记录的信令特征，确定潜在投诉用户，具体包括：
通过K-NN算法构建领域，以所述有投诉记录的用户的信令特征作为邻域图中心，所述重构样本的信令特征作为枝叶构建邻域图；
根据每一个信令分析指标的不同权重计算所述重构样本的信令特征的综合值；
根据所述重构样本的信令特征的综合值和预设的阈值对所述邻域图进行剪枝；
根据所述剪枝后的邻域图，确定潜在投诉用户。
2.根据权利要求1所述的用户投诉数据库扩充方法，其特征在于，所述获取无投诉记录的用户和有投诉记录的用户的通信业务数据，具体为：
获取无投诉记录的VIP用户和有投诉记录的用户的通信业务数据。
3.根据权利要求1所述的用户投诉数据库扩充方法，其特征在于，所述信令信息包括链路建立时间和无线链路质量。
4.根据权利要求1所述的用户投诉数据库扩充方法，其特征在于，所述信令分析指标包括：Attach成功率、E-RAB建立成功率、Service request成功率、Pagin成功率，重定向成功率、上下文异常释放成功率、TAU成功率、小区切换成功率、乒乓TAU成功率和乒乓小区切换成功率。
5.根据权利要求4所述的用户投诉数据库扩充方法，其特征在于，所述信令分析指标还包括：DNS接入成功率、DNS时延、TCP1/3次握手成功率、TCP1/3次握手时延、TCP2/3次握手成功率、TCP2/3次握手成功时延、ISCTP 1/4次握手成功率、ISCTP 1/4次握手时延、ISCTP 2/4次握手成功率、ISCTP 2/4次握手时延、ISCTP 3/4次握手成功率、ISCTP 3/4次握手时延、HTTP响应成功率、HTTP小会话响应时延和HTTP大会话响应时延。
6.一种用户投诉数据库扩充装置，其特征在于，包括：
通信业务数据获取模块，用于获取无投诉记录的用户和有投诉记录的用户的通信业务数据；
回溯模块，用于基于所述通信业务数据回溯用户的信令信息，对一个小区内的所述信令信息进行分析，得到不同信令分析指标对应的分析结果；
排序模块，用于按照时间序列对每一次用户发生通信业务生成的所述分析结果进行排序；
样本重构模块，用于采用滑动窗口法对排好序的分析结果进行样本重构，得到重构样本；
特征提取模块，用于基于深度学习提取所述重构样本的信令特征；
潜在投诉用户确定模块，用于通过K-NN算法，并根据所述重构样本的信令特征和所述有投诉记录的信令特征，确定潜在投诉用户；
添加模块，用于将所述潜在投诉用户的信令信息和标签信息添加到用户投诉数据库中；
所述潜在投诉用户确定单元，具体包括：
邻域图构建单元，用于通过K-NN算法构建领域，以所述有投诉记录的用户的信令特征作为邻域图中心，所述重构样本的信令特征作为枝叶构建邻域图；
综合值计算单元，根据每一个信令分析指标的不同权重计算所述重构样本的信令特征的综合值；
剪枝单元，用于根据所述重构样本的信令特征的综合值和预设的阈值对所述邻域图进行剪枝；
潜在投诉用户确定单元，用于根据所述剪枝后的邻域图，确定潜在投诉用户。
7.根据权利要求6所述的用户投诉数据库扩充装置，其特征在于，所述获取无投诉记录的用户和有投诉记录的用户的通信业务数据，具体为：
获取无投诉记录的VIP用户和有投诉记录的用户的通信业务数据。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任一项所述的用户投诉数据库扩充方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011642915.4A CN112699099B (zh) | 2020-12-30 | 2020-12-30 | 用户投诉数据库扩充方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011642915.4A CN112699099B (zh) | 2020-12-30 | 2020-12-30 | 用户投诉数据库扩充方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112699099A CN112699099A (zh) | 2021-04-23 |
| CN112699099B true CN112699099B (zh) | 2024-06-04 |
Family
ID=75514197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011642915.4A Active CN112699099B (zh) | 2020-12-30 | 2020-12-30 | 用户投诉数据库扩充方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699099B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113660687B (zh) * | 2021-08-17 | 2023-07-04 | 中国联合网络通信集团有限公司 | 网络差小区处理方法、装置、设备及存储介质 |
| CN113704407B (zh) * | 2021-08-30 | 2023-08-25 | 平安银行股份有限公司 | 基于类别分析的投诉量分析方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104064198A (zh) * | 2013-03-20 | 2014-09-24 | ***通信集团河南有限公司 | 一种评估语音质量的方法及装置 |
| CN104113869A (zh) * | 2014-06-20 | 2014-10-22 | 北京拓明科技有限公司 | 一种基于信令数据的潜在投诉用户预测方法及*** |
| CN108345661A (zh) * | 2018-01-31 | 2018-07-31 | 华南理工大学 | 一种基于大规模Embedding技术的Wi-Fi聚类方法及*** |
| CN108540320A (zh) * | 2018-04-03 | 2018-09-14 | 南京华苏科技有限公司 | 基于信令挖掘用户满意度的评估方法 |
| CN109242257A (zh) * | 2018-08-09 | 2019-01-18 | 广州瀚信通信科技股份有限公司 | 一种基于关键指标关联分析的4g上网用户投诉模型 |
| CN110728525A (zh) * | 2018-07-16 | 2020-01-24 | ***通信集团浙江有限公司 | 一种网络批量用户投诉的定界处理方法及装置 |
| 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 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106685674B (zh) * | 2015-11-05 | 2020-01-10 | 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 |
-
2020
- 2020-12-30 CN CN202011642915.4A patent/CN112699099B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104064198A (zh) * | 2013-03-20 | 2014-09-24 | ***通信集团河南有限公司 | 一种评估语音质量的方法及装置 |
| CN104113869A (zh) * | 2014-06-20 | 2014-10-22 | 北京拓明科技有限公司 | 一种基于信令数据的潜在投诉用户预测方法及*** |
| CN108345661A (zh) * | 2018-01-31 | 2018-07-31 | 华南理工大学 | 一种基于大规模Embedding技术的Wi-Fi聚类方法及*** |
| CN108540320A (zh) * | 2018-04-03 | 2018-09-14 | 南京华苏科技有限公司 | 基于信令挖掘用户满意度的评估方法 |
| CN110728525A (zh) * | 2018-07-16 | 2020-01-24 | ***通信集团浙江有限公司 | 一种网络批量用户投诉的定界处理方法及装置 |
| CN109242257A (zh) * | 2018-08-09 | 2019-01-18 | 广州瀚信通信科技股份有限公司 | 一种基于关键指标关联分析的4g上网用户投诉模型 |
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据挖掘的4G用户投诉预测;陈秀敏;许向东;黄毅华;于文;;移动通信(第21期);第30-36页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112699099A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107920362B (zh) | 一种基于微区域的lte网络性能评估方法 | |
| CN112699099B (zh) | 用户投诉数据库扩充方法、装置及存储介质 | |
| US10542519B2 (en) | Terminal positioning method and network device | |
| CN110337059B (zh) | 一种用户家庭关系的分析算法、服务器及网络*** | |
| CN104852937B (zh) | 用于移动应用的网络接入方法和装置 | |
| CN105679335B (zh) | 基于无线分析的语音质量评估方法及*** | |
| CN105187630A (zh) | 一种基于情绪识别的移动终端音乐保存方法及*** | |
| CN106973379B (zh) | 重入网识别方法和装置 | |
| EP3183905B1 (en) | Performance index determination for a communication service | |
| CN105101399B (zh) | 伪基站移动路线获取方法、装置与伪基站定位方法、装置 | |
| CN103841276A (zh) | 一种基于智能手机平台进行语音质量评估的方法 | |
| CN1645768A (zh) | 移动通信***、移动通信终端和移动通信方法 | |
| CN108076197B (zh) | 一种终端网络性能劣化的检测方法和装置 | |
| CN105635309A (zh) | 基于移动云位置隐私保护的推荐*** | |
| CN112634932B (zh) | 音频信号处理方法、装置、服务器及相关设备 | |
| CN110969240A (zh) | 一种深度卷积神经网络的剪枝方法、装置、设备及介质 | |
| CN106231588B (zh) | 一种移动网络小区标识信息补正方法 | |
| CN106648927B (zh) | 异常信息收集方法及服务器 | |
| CN104657278A (zh) | 客户端性能评估方法及*** | |
| CN109982392B (zh) | 基站小区的邻区配置方法、装置、设备及介质 | |
| CN116321340A (zh) | 基于位置坐标的双蜂窝网络设备数据切换方法系及*** | |
| CN104618870A (zh) | 一种Wifi自动转移的控制方法及控制装置、*** | |
| CN109672590A (zh) | 数据采集方法、装置、设备及计算机可读存储介质 | |
| CN108632852B (zh) | 一种语音质量的确定方法和装置 | |
| CN111787164A (zh) | 来电提示方法、装置、电子设备和计算机可读介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No.95, Yingbin Avenue, Huadu District, Guangzhou, Guangdong 510000 Applicant after: CLP Science and Technology Co.,Ltd. Applicant after: GUANGZHOU JIESAI COMMUNICATION PLANNING AND DESIGN INSTITUTE Co.,Ltd. Address before: 510310 No. 381 middle Xingang Road, Guangzhou, Guangdong, Haizhuqu District Applicant before: GCI SCIENCE & TECHNOLOGY Co.,Ltd. Applicant before: GUANGZHOU JIESAI COMMUNICATION PLANNING AND DESIGN INSTITUTE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231020 Address after: No.95, Yingbin Avenue, Huadu District, Guangzhou, Guangdong 510000 Applicant after: CLP Science and Technology Co.,Ltd. Applicant after: GUANGZHOU JIESAI COMMUNICATION PLANNING AND DESIGN INSTITUTE Co.,Ltd. Applicant after: Jiangxi military civilian integration Research Institute Address before: No.95, Yingbin Avenue, Huadu District, Guangzhou, Guangdong 510000 Applicant before: CLP Science and Technology Co.,Ltd. Applicant before: GUANGZHOU JIESAI COMMUNICATION PLANNING AND DESIGN INSTITUTE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |