[发明专利]一种基于自训练学习的用户口碑预测方法及系统

说明书

本发明公开了一种基于自训练学习的用户口碑预测方法及系统，属于网络运营商技术领域，包括以下步骤：S1：确定影响因子及原始数据；S2：进行数据预处理及特征工程操作并得到两类数据；S3：训练模型；S4：无标签用户口碑预测；S5：模型更新优化。本发明仅使用少量的问卷数据，并结合用户历史业务数据，构建少量有标签数据和大量无标签数据；使用基于机器学习回归算法的自训练学习方法，得到用户口碑模型，基于该模型可预知全量用户的口碑评分，将低口碑用户推送给运营部门进行运营；并将运营的真实口碑反馈给模型进行迭代优化，从而实现了对全体用户口碑实时、高效、准确的评估，为提升用户口碑具有重大价值，值得被推广使用。

技术领域

本发明涉及网络运营商技术领域，具体涉及一种基于自训练学习的用户口碑预测方法及系统。

背景技术

近年来，三大运营商纷纷陷入业绩困境，加之5G时代的到来，三家纷纷停止价格战，转向客户价值提升战，并且明确提出将提升用户口碑为各项服务考核指标。提升用户口碑的一种方式就是提前预知挖掘潜在的用户口碑不好的用户，针对性的对这些用户进行关怀服务。鉴于运营商用户体量大的现状，现有的问卷调查方式无法全面覆盖用户，并且实时性低，成本大。

上述问题亟待解决，为此，提出一种基于自训练学习的用户口碑预测方法系统。

发明内容

本发明所要解决的技术问题在于：如何解决现有的问卷调查方式无法全面覆盖用户，并且实时性低，成本大等问题，提供了一种基于自训练学习的用户口碑预测方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：确定影响因子及原始数据

确定与用户口碑评分相关的影响因子及数据源，通过用户满意度调查获取用户口碑评分数据，将各项数据汇总到数据平台；

S2：进行数据预处理及特征工程操作并得到两类数据集

在数据平台上对原始数据进行数据预处理及特征工程操作，构建有标签的样本数据集Train以及无标签的样本数据集Test，其中能够关联口碑评分数据的用户作为有标签的样本数据集Train的样本，无法关联口碑评分数据的用户作为无标签的样本数据集Test的样本；

S3：训练模型

对数据集Train和Test进行自训练学习，当满足终止条件时结束训练，并得到用户口碑预测模型；

S4：无标签用户口碑预测

使用步骤S3得到用户口碑预测模型，对无标签的数据集Test进行预测，得到该数据集中用户的口碑评分，将得分较低的用户推送给运营部门进行服务维系；

S5：模型更新优化

运营部门将实际服务中用户反馈的真实评价数据反馈给用户口碑预测模型，当反馈数据达到设定数量时，将反馈样本加入数据集Train后执行步骤S3，更新用户口碑预测模型。

更进一步地，在所述步骤S1中，影响因子包括用户基础信息指标B1、网络传输质量指标B2、直观感知指标B3、投诉指标B4、故障指标B5；其中用户基础信息指标B1指标包括用户机顶盒型号C1、网络连接方式C2；网络传输质量指标B2包括RTP包抖动次数C3、RTP丢包率平均值C4、MDI-DF平均值C5、MDI-MLR平均值C6；直观感知指标B3指标包括卡顿次数指标C7、卡顿时长指标C8；投诉指标B4包括投诉次数指标C9，故障指标B5包括故障次数指标C10，用户满意度调查是通过电话调查、网络调查等方式获取用户对过往网络质量的口碑评分数据。

更进一步地，在所述步骤1中，影响因子采集的用户为全体用户P_A，参加用户满意度调查的用户集为P_B，P_B的数量小于P_A。

更进一步地，在所述步骤S2中，原始数据包括步骤S1中的各项指标数据和口碑评分数据。