[发明专利]用户满意度预测模型确定方法及装置

权利要求书

1.一种用户满意度预测模型确定方法，包括：

获取基于历史服务工单形成的样本数据，所述样本数据包含用户满意度标签及影响用户满意度的至少一个候选关联特征；

根据所述用户满意度标签及各所述候选关联特征的特征信息值，构造线性回归代价函数，以确定针对各所述候选关联特征的特征选择权重；

在所述至少一个候选关联特征中，筛选特征选择权重符合预设条件的特征集合，得到与用户满意度显著相关的目标关联特征；

将用户满意度作为预测目标，将目标关联特征作为自变量特征，结合针对各所述目标关联特征的特征选择权重，构造用户满意度预测模型。

2.根据权利要求1所述的方法，其中，所述根据所述用户满意度标签及各所述候选关联特征的特征信息值，构造线性回归代价函数，以确定针对各所述候选关联特征的特征选择权重，包括：

将所述样本数据中的用户满意度作为预测目标，将所述至少一个候选关联特征作为输入特征，构造线性拟合误差函数；

计算不同样本数据的所述输入特征间的相似度；

构造第一正则项以限定针对所述输入特征的特征选择权重，以使所述特征选择权重与所述相似度成反比；

根据所述线性拟合误差函数及所述第一正则项，构造所述线性回归代价函数。

3.根据权利要求2所述的方法，其中，所述将所述样本数据中的用户满意度作为预测目标，将所述至少一个候选关联特征作为输入特征，构造线性拟合误差函数，包括：

利用如下公式构造所述线性拟合误差函数：

其中，f(w)为线性拟合误差函数，m为样本总数，y_i为第i个样本的用户满意度值，x_i为第i个样本的候选关联特征向量，为第i个样本的特征选择权重向量，n为候选关联特征总数。

4.根据权利要求2所述的方法，包括：利用如下公式构造所述第一正则项：

J₁＝∑_(i、j)∈mr_ij||w_i-w_j||₁；

其中，J₁为第一正则项，i、j为样本编号，m为样本总数，r_ij为第i、j个样本间的相似度，w_i为第i个样本的特征选择权重向量，w_j为第j个样本的特征选择权重向量，||.||₁为L₁范数。

5.根据权利要求4所述的方法，其中，所述根据所述线性拟合误差函数及所述第一正则项，构造所述线性回归代价函数，包括：

利用如下公式构造所述线性回归代价函数：

其中，λ₁为预设加权系数。

6.根据权利要求4所述的方法，其中，所述根据所述线性拟合误差函数及所述第一正则项，构造所述线性回归代价函数，包括：

构造第二正则项以收缩所述输入特征的数量；

根据所述线性拟合误差函数、所述第一正则项及所述第二正则项，采用交叉验证方法构造所述线性回归代价函数。

7.根据权利要求6所述的方法，其中，利用如下公式构造所述第二正则项：

其中，λ₂为惩罚参数，m为样本总数，||.||₁为L₁范数，w_i为第i个样本的特征选择权重向量。

8.根据权利要求6所述的方法，其中，所述根据所述线性拟合误差函数、所述第一正则项及所述第二正则项，采用交叉验证方法构造所述线性回归代价函数，包括：

利用如下公式构造所述线性回归代价函数：

将所述样本数据中的测试数据分成k份，遍历所述惩罚参数的预设取值范围，将其中k-1份数据用于训练所述线性回归代价函数，剩余1份数据用于评估所述线性回归代价函数的预测效果，得到所述线性回归代价函数预测效果最优时的惩罚参数λ₂。