[发明专利]一种用户投诉行为预测方法、系统、设备及介质

权利要求书

1.一种用户投诉行为预测方法，其特征在于，包括以下步骤：

S1、确定建模时间窗口，获取网上国网用户在建模时间窗口的原始数据，并对以上数据进行预处理，得到处理后的用户数据；

S2、对步骤S1中的用户数据特征变量进行特征提取，主要通过woe和iv值衡量变量预测能力，值越大特征变量预测能力越强，依据此来剔除贡献度差的指标，保留区分度高的指标；

S3、构建GBDT模型，设置参数，即每颗决策树最大叶子节点数目和决策树数目，将步骤S2中特征变量数据输入到模型中，每个叶节点经过算法迭代后得到的输出项就是新的特征变量，将原始特征与训练后得到的新特征构造成组合特征；

S4、构建Logistic回归模型，将步骤S3训练得到的组合特征输入模型中，通过模型训练后，得到预测结果。

2.根据权利要求1所述的一种用户投诉行为预测方法，其特征在于，步骤S1中所述的原始数据包括用户基本信息、用户行为日志、用户缴费数据。

3.根据权利要求1所述的一种用户投诉行为预测方法，其特征在于，步骤S1中所述的预处理包括以下步骤：

S1.1、对缺失值数据进行数据剔除、数据插补工作；

S1.2、对异常值进行部分直接剔除、部分平均值修补的工作；

S1.3、对噪声数据进行平滑处理工作。

4.根据权利要求1所述的一种用户投诉行为预测方法，其特征在于，步骤S3中所述的构建GBDT模型包括以下步骤：

S3.1、设置每颗决策树最大叶子节点数目α和决策树数目β，通过GBDT模型来构建特征组合；

S3.2、将训练样本输入到步骤S1训练得到的GBDT模型，每个叶子节点的输出项构建成组合特征。

5.一种用户投诉行为预测系统，其特征在于，包括以下模块：

投诉数据标准化处理模块：用于确定建模时间窗口，获取网上国网用户在建模时间窗口的原始数据，并对以上数据进行预处理，得到处理后的用户数据；所述原始数据包括用户基本信息、用户行为日志、用户缴费数据；

特征工程模块：对用户数据特征变量进行特征提取，主要通过woe和iv值衡量变量预测能力，值越大特征变量预测能力越强，依据此来剔除贡献度差的指标，保留区分度高的指标数据；

模型建立及优化模块：构建GBDT模型，设置参数，即每颗决策树最大叶子节点数目和决策树数目，将特征变量数据输入到模型中，每个叶节点经过算法迭代后得到的输出项就是新的特征变量，将原始特征与训练后得到的新特征构造成组合特征；

预测模块：构建Logistic回归模型，将GBDT训练得到的组合特征输入模型中，通过分类器训练后，得到预测结果，确认用户产生投诉概率。

6.一种计算机存储介质，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1-4中任一项所述的一种用户投诉行为预测方法。

7.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的一种用户投诉行为预测方法。