[发明专利]用户满意度预测模型确定方法及装置

说明书

本公开提供了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，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；根据用户满意度标签及各候选关联特征的特征信息值，构造线性回归代价函数，以确定针对各候选关联特征的特征选择权重；在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，结合针对各目标关联特征的特征选择权重，构造用户满意度预测模型。本公开还提供一种用户满意度预测模型确定装置、一种用户满意度预测方法、一种电子设备及一种计算机存储介质。

技术领域

本公开涉及大数据技术领域，特别是涉及一种用户满意度预测模型确定方法及装置，以及一种用户满意度预测方法。

背景技术

数据挖掘技术在不同业务领域有着广泛的应用，例如其通过对金融业务数据库中的众多数据进行抽取、转换、分析和模型化处理，实现从中提取辅助商业决策的关键性数据。具体地，利用数据挖掘技术训练用户满意度预测模型是改善金融服务质量的重要手段之一。

在实现本公开技术方案过程中，发明人发现相关技术中在利用数据挖掘技术训练用户满意度预测模型时，常因过于追求模型训练表现良好，导致模型存在训练过拟合、模型复杂度高、泛化能力差的缺陷，进而导致用户满意度预测效率低，预测效果不佳。

发明内容

本公开的一个方面提供了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。

可选地，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。

可选地，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。

可选地，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。

可选地，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：