[发明专利]一种用户投诉预测方法和装置

权利要求书

1.一种用户投诉预测方法，其特征在于，包括：

对用户投诉的样本和大量的无标签样本进行重新标记，将所述用户投诉的样本标记为第一正样本，将所述大量的无标签样本标记为第一负样本；其中，所述用户投诉的样本为用户因网络质量因素而投诉的数据；

按照预设的比例将样本数据切分为训练数据和测试数据；其中，所述样本数据包括所述第一正样本和所述第一负样本；

采用集成学习算法对所述训练数据进行训练，得到用于预测样本为正样本概率的强分类器；

将所述测试数据输入到所述强分类器进行预测，得到所述测试集合中每个样本属于正样本的概率；

将所述测试集合中，正样本概率大于预设的第一阈值的样本作为第二正样本，将正样本概率小于预设的第二阈值的样本作为第二负样本；

将所述第二正样本和所述第二负样本输入到神经网络模型进行训练，得到用户投诉预测模型；

将用户的实时话筒数据输入到所述用户投诉预测模型，预测每一次通话过程中用户投诉的概率。

2.根据权利要求1所述的用户投诉预测方法，其特征在于，所述集成学习算法为Adaboost算法。

3.根据权利要求1所述的用户投诉预测方法，其特征在于，所述按照预设的比例将样本数据切分为训练数据和测试数据，具体为：

按照7：3将样本数据切分为训练数据和测试数据。

4.一种用户投诉预测装置，其特征在于，包括：

标记模块，用于对用户投诉的样本和大量的无标签样本进行重新标记，将所述用户投诉的样本标记为第一正样本，将所述大量的无标签样本标记为第一负样本；其中，所述用户投诉的样本为用户因网络质量因素而投诉的数据；

切分模块，用于按照预设的比例将样本数据切分为训练数据和测试数据；其中，所述样本数据包括所述第一正样本和所述第一负样本；

强分类器训练模块，用于采用集成学习算法对所述训练数据进行训练，得到用于预测样本为正样本概率的强分类器；

正样本概率预测模块，用于将所述测试数据输入到所述强分类器进行预测，得到所述测试集合中每个样本属于正样本的概率；

样本筛选模块，用于将所述测试集合中，正样本概率大于预设的第一阈值的样本作为第二正样本，将正样本概率小于预设的第二阈值的样本作为第二负样本；

训练模块，用于将所述第二正样本和所述第二负样本输入到神经网络模型进行训练，得到用户投诉预测模型；

用户投诉预测模块，用于将用户的实时话筒数据输入到所述用户投诉预测模型，预测每一次通话过程中用户投诉的概率。

5.根据权利要求4所述的用户投诉预测装置，其特征在于，所述集成学习算法为Adaboost算法。

6.根据权利要求4所述的用户投诉预测装置，其特征在于，所述按照预设的比例将样本数据切分为训练数据和测试数据，具体为：

按照7：3将样本数据切分为训练数据和测试数据。