[发明专利]一种用户满意度预测模型的样本生成方法及装置

说明书

本发明的实施例提供一种用户满意度预测模型的样本生成方法及装置，涉及计算机领域，能够降低样本的复杂度。该方法包括：获取网络的样本数据；对网络数据进行归一化处理，生成第一网络矩阵；将第一网络质量矩阵输入第一自编码神经网络，得到第二网络质量矩阵；将第一用户信息矩阵输入第二自编码神经网络，得到第二用户信息矩阵；根据第一网络质量矩阵、第二网络质量矩阵计算第一自编码损失函数；根据第一用户信息矩阵、第二用户信息矩阵计算第二自编码损失函数；计算总损失函数，并根据总损失函数最小值提取对应的目标第二网络质量矩阵以及目标第二用户信息矩阵作为用户满意度预测模型的样本。本申请实施例应用于用户满意度预测模型的样本生成。

技术领域

本发明的实施例涉及计算机领域，尤其涉及一种用户满意度预测模型的样本生成方法及装置。

背景技术

移动通信网飞速发展至今，经历了语音到数据时代的转变，用户满意度是网络运营商在未来发展中稳中求胜的首要问题。一旦用户对产品或服务不满意将会终止业务，并且可能引起连锁反应，使其周围用户受到不满意评价的影响，也终止相关通信业务。因此，提升用户满意度是提升通信网络服务产品在市场上的竞争力的重要手段。

现有的用户满意度预测技术多是简单融合业务支撑系统(business supportsystem，BSS)域及运营支撑系统(the office of strategic services，OSS)域的数据，获取用于预测用户满意度的指标数据；对指标数据进行清洗及标记；基于清洗及标记后的指标数据，通过改进的随机森林算法或其他决策树算法，预测用户满意度，即在BSS域与OSS域选取样本数据，然后使用机器学习算法学习样本数据，生成用户满意度预测模型，需要进行用户满意度预测时，输入预测样本数据，进行用户满意度预测。首先，现有技术没有说明如何融合BSS域和OSS域的数据，如果将BSS域和OSS域的数据直接作为机器学习算法学习的样本数据，不但样本数据具有较高的复杂度，而且会引入很多无用数据，增加用户满意度预测模型的复杂度，此外无用数据会形成干扰，降低结果准确率。其次，在利于用户满意度预测模型进行预测的过程中，现有方法主要通过抽样和遍历来进行用户满意度预测模型的样本数据的选择，但是通过抽样选择样本数据会降低预测结果的精度，通过遍历选择样本数据时，样本数据会具有较高的复杂度。因此，现有技术中所选取的样本数据的复杂度高的问题越发凸显。

发明内容

本发明的实施例提供一种用户满意度预测模型的样本生成方法及装置，能够降低样本的复杂度。

第一方面，提供一种用户满意度预测模型的样本生成方法，包括如下步骤：获取网络的样本数据，样本数据包含网络数据，其中网络数据包含网络质量数据、用户信息数据；对网络数据进行归一化处理，生成第一网络矩阵，其中，第一网络矩阵包含由网络质量数据生成的第一网络质量矩阵、由用户信息数据生成的第一用户信息矩阵；将第一网络质量矩阵输入第一自编码神经网络，得到第二网络质量矩阵；将第一用户信息矩阵输入第二自编码神经网络，得到第二用户信息矩阵；根据第一网络质量矩阵、第二网络质量矩阵计算第一网络质量矩阵通过第一自编码神经网络后的第一自编码损失函数；根据第一用户信息矩阵、第二用户信息矩阵计算第一用户信息矩阵通过第二自编码神经网络后的第二自编码损失函数；根据第一自编码损失函数、第二自编码损失函数计算总损失函数；获取总损失函数的最小值，并根据最小值提取对应的目标第二网络质量矩阵以及目标第二用户信息矩阵作为用户满意度预测模型的样本，用以训练用户满意度预测模型或者输入用户满意度预测模型进行用户满意度的预测。