[发明专利]基于信令挖掘用户满意度的评估方法

权利要求书

1.一种基于信令挖掘用户满意度的评估方法，其特征在于，包括以下步骤：

(1)采集信令数据、小区工参数据、投诉工单数据和非投诉工单数据；对投诉用户以及非投诉用户的信令数据进行一些标准化的处理，缺失值和异常值的处理；对原处理后的数据进行了一些区域化的筛选，并采用欠抽样的方法对非投诉数据进行不平衡数据处理，将不平衡处理后的非投诉数据与投诉数据合并，采用交叉验证法随机划分为训练集和测试集；

其中，所述信令数据包含用户投诉前运营商给用户提供的网络服务层信息；所述小区工参数据包含小区ECI、小区经纬度以及覆盖小区的基站的名称；所述投诉工单数据包含受理用户请求，并完成用户诉求处理整个过程的数据；所述非投诉数据包含非投诉用户连续三小时，固定频率在15分钟以上的信令数据；

(2)根据现有投诉及非投诉用户采用GBDT算法对训练集做训练，以测试集做验证，得到最优分类模型，并输出用户满意度模型；

(3)对用户每日信令数据进行用户满意度模型预测，找出每个用户体验最差的一条信令数据，确定用户投诉最高的概率并计算满意度值；

(4)根据所述步骤(3)得到的用户满意度值，区分出一部分分值最低的用户，并标记为高危用户；

在所述步骤(1)中，采用欠抽样的方法对数据进行不平衡处理，对非投诉工单数据进行随机采样，并满足r＝投诉工单数据/非投诉工单数据＝0.5，r为少数类比多数类；

在所述步骤(2)中，在GBDT算法中，损失函数为：

Φ(y，F)＝L(y，f(x))＝log(1+e^(-yf(x)))，

其中，y为用户标记，为布尔值，y_i∈{0，1}，0表示非投诉用户，1表示投诉用户，F为概率分布函数，L()为对数似然比，f()为概率密度，x为各用户采集信令数据；

初始学习器为：

其中f₀()为学习器初始概率密度，w为损失函数极小化的权重，P(1|x)为投诉用户概率，1-P(1|x)为非投诉用户概率，为逻辑回归的概率密度函数，取P(1|x)＝0.5作为初始值，即投诉概率为50％；

多个决策树循环计算：t＝1到M，此时的第t轮的决策树的第i个样本的损失函数的负梯度表示为：

f_t-1()为第t-1轮决策树的概率分布，x_i为第i个样本的信令数据矩阵，r_ti为第t轮第i个样本(此处样本为用户的信令数据)的损失函数的负梯度，y_i为用户标记，上式中的x_i，r_ti(i＝1，2，...，n)拟合一棵CART回归树，得到第t棵回归树，其对应的叶节点区域为R_tj，(j＝1，2，...，J_t)，其中J为叶子节点的个数，对于生成的决策树，各个叶子节点的最佳残差拟合值为：

得到更新强学习器：

经过M次迭代之后，得到强学习器：

I为单位矩阵，x为样本中的各信令数据，f_M()为第M次迭代后计算的概率密度分布函数，f₀()为初始学习器，即投诉用户：非投诉用户为1∶1时的概率密度函数。

2.根据权利要求1所述的基于信令挖掘用户满意度的评估方法，其特征在于，对GBDT算法进行正则化，包括对弱学习器的迭代：

f_t(x)＝f_t-1(x)+h_t(x)，

其中h_tO为本轮迭代目标找到的一个CART回归树模型的弱学习器，加上正则化项v，则有

f_t(x)＝f_t-1(x)+vh_t(x)，

v的取值范围为0＜v≤1。

3.根据权利要求1所述的基于信令挖掘用户满意度的评估方法，其特征在于，对GBDT算法进行正则化，正则化的方式是通过子采样比例，取值为(0，1]，选择小于1的比例。

4.根据权利要求1所述的基于信令挖掘用户满意度的评估方法，其特征在于，对GBDT算法进行正则化，对弱学习器即CART回归树进行正则化剪枝。