用户满意度预测方法、装置及电子设备与流程

1.本技术涉及通信领域，尤其涉及一种用户满意度预测方法、装置及电子设备。


背景技术：

2.随着通信技术的不断发展，用户对于各通信运营商的服务要求也越来越高。为了提高用户对于运营商网络业务的服务体验，用户满意度成为了运营商的重点关注的指标。目前，在对满意度进行预测时，通常是依据用户与基站之间的信令数据以及预先训练好的满意度评估模型对用户的满意度进行预测的。
3.然而，由于用户对于运营商的满意度影响因素较多，单从依据信令数据对用户满意进行预测，容易导致满意度预测结果不准确。


技术实现要素：

4.本技术提供一种用户满意度预测方法、装置及电子设备，用以解决相关技术中满意度预测结果不准确的问题。
5.第一方面，本技术提供一种用户满意度预测方法，包括：获取第一初始训练数据，所述第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；所述特征数据包括：网络数据、用户基础数据以及网络质量数据；
6.针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在所述第一时段前的波动程度；
7.依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型；
8.依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型；
9.获取目标用户的特征数据，并将所述目标用户的特征数据输入所述第一预测模型，确定目标用户满意度预测结果。
10.在一种可能的实施方式中，所述依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型，包括：
11.若每一满意度标签对应的波动程度均大于第一预设值，则所述第一初始训练数据对应的预设算法类型为回归算法；
12.若每一满意度标签对应的波动程度均小于等于第一预设值，则所述第一初始训练数据对应的预设算法类型为分类算法。
13.在一种可能的实施方式中，所述第一预测模型包括：第一子模型和第二子模型；所述方法还包括：
14.在第一时段内，确定每一满意度标签对应的历史用户数量的占比；
15.所述依据所述每一满意度标签波动程度，确定所述第一初始训练数据对应的预设算法类型，包括：
16.将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定所述第一训练数据对应的预设算法类型为回归算法；
17.将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定所述第二训练数据对应的预设算法类型为分类算法；
18.所述依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型，包括：
19.将所述第一训练数据以及所述第二训练数据分别作为所述第一子模型以及第二子模型的训练数据进行训练，得到第一预测模型，其中，第一子模型采用回归算法，第二子模型采用分类算法。
20.在一种可能的实施方式中，所述获取目标用户的特征数据包括：
21.获取第一用户与所述目标用户上传的服务小区接收功率电平值，所述第一用户与所述目标用户位于同一服务小区；
22.将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为所述目标用户的特征数据中的网络质量数据，所述总用户数量为第一用户数量与目标用户数量之和。
23.在一种可能的实施方式中，所述方法还包括：
24.若所述目标用户满意度预测结果小于第三预设值，则依据所述特征数据以及第二预测模型，确定所述目标用户所处的网络预测结果，其中，所述第二预测模型是将第一时段内多个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的；所述网络标签为基于网络关键指标以及历史用户投诉数据得到的；
25.若所述网络预测结果为第一值，则发送提示信息，所述提示信息用于提示出现网络故障。
26.在一种可能的实施方式中，所述方法还包括：
27.若所述网络预测结果为第二值，则向目标用户提供服务推荐。
28.在一种可能的实施方式中，所述第一预测模型为catboost模型。
29.第二方面，本技术提供一种用户满意度预测装置，包括：第一获取单元，用于获取第一初始训练数据，所述第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；所述特征数据包括：网络数据、用户基础数据以及网络质量数据；
30.第一确定单元，用于针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在所述第一时段前的波动程度；
31.第二确定单元，用于依据所述每一满意度标签对应的波动程度，确定所述第一初始训练数据对应的预设算法类型；
32.训练单元，用于依据所述预测算法类型以及所述第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型；
33.第三确定单元，用于获取目标用户的特征数据，并将所述目标用户的特征数据输入所述第一预测模型，确定目标用户满意度预测结果。
34.在一种可能的实施方式中，所述第一确定单元具体用于：
35.若每一满意度标签对应的波动程度均大于第一预设值，则所述第一初始训练数据对应的预设算法类型为回归算法；
36.若每一满意度标签对应的波动程度均小于等于第一预设值，则所述第一初始训练数据对应的预设算法类型为分类算法。
37.在一种可能的实施方式中，所述第一预测模型包括：第一子模型和第二子模型；所述装置，还包括：
38.第四确定单元，用于在第一时段内，确定每一满意度标签对应的历史用户数量的占比；
39.所述第二确定单元具体用于：
40.将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定所述第一训练数据对应的预设算法类型为回归算法；
41.将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定所述第二训练数据对应的预设算法类型为分类算法；
42.所述训练单元具体用于：
43.将所述第一训练数据以及所述第二训练数据分别作为所述第一子模型以及第二子模型的训练数据进行训练，得到第一预测模型，其中，第一子模型采用回归算法，第二子模型采用分类算法。
44.在一种可能的实施方式中，所述第三确定单元具体用于：
45.获取第一用户与所述目标用户上传的服务小区接收功率电平值，所述第一用户与所述目标用户位于同一服务小区；
46.将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为所述目标用户的特征数据中的网络质量数据，所述总用户数量为第一用户数量与目标用户数量之和。
47.在一种可能的实施方式中，所述装置还包括：
48.第五确定单元，用于若所述目标用户满意度预测结果小于第三预设值，则依据所述特征数据以及第二预测模型，确定所述目标用户所处的网络预测结果，其中，所述第二预测模型是将第一时段内多个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的；所述网络标签为基于网络关键指标以及历史用户投诉数据得到的；
49.提示单元，用于若所述网络预测结果为第一值，则发送提示信息，所述提示信息用于提示出现网络故障。
50.在一种可能的实施方式中，所述装置还包括：
51.推送单元，用于若所述网络预测结果为第二值，则向目标用户提供服务推荐。
52.在一种可能的实施方式中，所述第一预测模型为catboost模型。
53.第三方面，本技术提供一种电子设备，包括：存储器，处理器。
54.存储器，用于存储所述处理器可执行指令的存储器；
55.其中，所述处理器，用于根据所述可执行指令执行如第一方面任一项所述的方法。
56.第四方面，本技术一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。
57.第五方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面任一项所述的方法。
58.本技术提供的用户满意度预测方法、装置及电子设备，该方法包括：获取第一初始训练数据，第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；特征数据包括：网络数据、用户基础数据以及网络质量数据；针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在第一时段前的波动程度；依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型；依据预测算法类型以及第一初始训练数据，对第一预测模型进行训练；之后依据目标用户的特征数据以及第一预测模型，确定目标用户满意度预测结果。该方法从多个不同维度获取影响满意度预测的因素，提高了模型预测精确度。并且，还依据，每一满意度标签的对应的波动程度，确定第一预测模型的预测算法类型，进一步提升了模型预测的准确性。
附图说明
59.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
60.图1为本技术提供的一种应用场景示意图；
61.图2为本技术实施例提供的一种用户满意度预测方法的流程示意图；
62.图3为本技术实施例提供的一种第一预测模型的训练方法的流程示意图；
63.图4为本技术实施例提供的一种用户满意度分析的方法的流程示意图；
64.图5为本技术实施例提供一种用户满意度预测装置的结构示意图；
65.图6为本技术实施例提供的又一种用户满意度预测装置的结构示意图；
66.图7为本技术实施例提供的一种电子设备的结构示意图。
67.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
68.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
69.目前，随着通信技术的发展，用户对于运营商提供的网络服务质量也越来也高。为了提高用户对运营商的用户黏度，减少用户的投诉数量，获取用户对于运营商的满意度也成为了各大运营商的重要关注内容。例如，图1为本技术提供的一种应用场景示意图。图中一个基站可以覆盖多个基站小区，每个基站小区可以覆盖多个用户设备，在这些基站小区
中的用户设备之间可以通过基站实现无线通信。
70.相关技术中，可以采用市场调研的方式采集用户对运营商的满意度，但该方式的时效较低。或者是基于用户与基站之间的信令数据进行满意度预测，然而仅基于信令数据进行满意度预测，忽略了其余影响用户满意度的因素，因此容易导致满意度预测结果不准确。
71.本技术提供的用户满意度预测方法、装置及电子设备，用以解决上述技术问题。
72.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
73.图2为本技术实施例提供的一种用户满意度预测方法的流程示意图，如图所示，该方法包括以下步骤：
74.s101、获取第一初始训练数据，第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；特征数据包括：网络数据、用户基础数据以及网络质量数据。
75.示例性地，本实施例中，为了实现对用户满意度的预测，首先训练了第一预测模型，该第一预测模型可以通过获取的目标用户的特征数据对目标用户的满意度进行预测。具体地，在训练模型时，首先，需要获取初始训练数据。其中，初始训练数据中包括多个历史用户的特征数据，并且每一历史用户还对应有各自的满意度标签。此处，用户的特征数据包括有网络数据、用户基础数据以及网络质量数据。即，在第一初始训练数据中，每一历史用户对应有各自的特征数据以及满意度标签，但是一个满意度标签对应至少一个历史用户。
76.在一些实施例中，网络数据至少包括以下两种：用户号码、上行流量、下行流量、上行时长、下行时长、每一业务响应时延、上传总时延、上行乱序报文数、下行乱序报文数、掉线次数、页面显示请求次数、无响应次数、上行平均时延、下行平均时延、初始缓冲总时长、卡顿总时长、每一业务卡顿总次数、发生卡顿的总业务次数、时间段。即，用户基于订购业务的业务数据。
77.在一些实施例中，用户基础数据至少包括以下两种：用户号码、套餐名称、套餐价格、流量包、促销优惠、arpu值(average revenue per user，每用户平均收入)。即，用户基础数据与用户向运营商订购的业务的基础信息相关。
78.在一些实施例中，网络质量数据可以为：参考信号接收功率、信噪比以及参考信号接收质量等。
79.在一些实施例中，网络质量数据还可以通过用户所处服务小区中在预设接收范围内的用户数量与总用户数量的比值得到。具体地，以获取目标用户的特征数据中的网络质量数据为例进行说明，包括以下步骤：
80.第一步、获取第一用户与目标用户上传的服务小区接收功率电平值，第一用户与目标用户位于同一服务小区。
81.示例性地，获取与目标用户位于同一服务小区的第一用户与目标用户各自上报的接收功率电平值。一个示例中，在获取用户上报的接收功率电平值时，可以通过该用户上报的mro(measurement report original type，测量报告原始数据)获取，mro数据中通常包括该用户的标识(例如，手机号码)、所处服务小区标识以及上报的接收功率电平值。之后可
以依据目标用户上报的mro数据中的服务小区标识，找到位于同一服务小区的第一用户各自上报的mro数据，进而获取到第一用户各自上报的接收功率电平值。
82.第二步、将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为目标用户的特征数据中的网络质量数据，其中，总用户数量为第一用户数量与目标用户数量之和。
83.示例性地，可以提前预设一个或多个接收功率电平值区间，统计各电平值区间中所对应的用户的数量，针对每一电平值区间，计算该区间用户的数量与总用户数量(即第一用户数量与目标用户数量之和作为总用户数量)的比值。将各电平值区间对应的比值作为目标用户特征数据中的网络质量数据。举例来说，预设的接收功率电平值区间包括三个区间，分别为：小于-115dbm、小于-110dbm、小于-105dbm。当预设接收功率电平值为小于-115dbm的取值区间时，此时，可以将该区间中所包括的用户数量统计出来，在统计依据目标用户的服务小区标签，查找出位于同一服务小区的全部用户或对全部用户进行采样后的用户作为第一用户，第一用户与目标用户之和则为总用户数量。将小于-115dbm内的用户数量与总用户数量之比作为该区间对应的用户特征数据中的网络质量数据。
84.在一些实施中，历史用户的满意度标签，可以为通过多种渠道采集得到用户反馈的满意度分值的综合分值。此处，多种渠道可以为微信公众号问卷、智能语音电话、短信调查等渠道。在获取到每一渠道对应的满意度分值时，可以将各渠道的满意度分值求和后取平均得到的综合分值作为该历史用户的满意度标签。或者，也可以基于每一渠道对应设置的权重，对各渠道的分值进行加权求和后取平均。
85.s102、针对预设满意度标签集合中每一满意度标签，确定其对应的历史用户数量在第一时段前的波动程度。
86.示例性地，在预设满意度标签集合为满意度标签的取值范围。对于该集合中的每一满意度标签对应的历史用户数量而言是会随着时间变化的。因此，在获取到第一时段下的各历史用户的满意度标签后，可以确定出该第一时段下，每一满意度标签对应的历史用户数量。之后，通过上述方法，也可以确定出在第一时段之前，上述多个历史用户对应的满意度标签，以及在第一时段之前每一满意度标签对应的历史用户数量。获取第一时段前的多个时段中，每一满意度标签对应的历史用户数量，进而可以得到每一满意度标签对应的历史用户数量在第一时段前的多个时段下的波动程度。举例来说，预设满意度标签集合中包括有1-10这10个整数，针对满意度标签1，统计其在第一时段之前的5个时段中，各时段对应的历史用户数量，例如，满意度标签1在这5个时段下对应的历史用户数量分别为100、200、150、180、220，之后，计算这5个时段下历史用户数量随时间的波动程度。
87.一个示例中，波动程度可以用方差来表示，例如，在上述举例中，将100、200、150、180、220这一列数据的方差来代表满意度标签1在第一时段之前的波动程度。
88.s103、依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型。
89.示例性地，在基于第一预测模型预测满意度时，既可以采用有些模型既可以实现分类预测也可以实现回归预测。此处，预设的算法类型可以为分类和回归两种类型。本实施例中，可以通过满意度标签的波动程度确定在利用第一初始训练数据进行模型训练时所采用的算法类型。
90.一个示例中，若在预设满意度标签集合中，满意度标签波动程度较大的标签数量较多，则可选用回归算法对第一初始训练数据进行训练。若在预设满意度标签集合中，满意度标签波动程度较小的标签数量较多，则可选用分类算法对第一初始训练数据进行训练。
91.一个示例中，当采用回归算法进行训练时所得到的输出结果为连续型变量，因此，在采用回归算法进行训练后还需要进行离散化处理，进而得到离散的满意度标签。
92.s104、依据预测算法类型以及第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型。
93.示例性地，在确定出预测算法类型之后，可以基于选定的预测算法通过第一初始训练数据对第一预测模型进行训练，进而得到训练好的模型。
94.一个示例中，在对第一预测模型进行训练时，可以采用超参数搜索算法，在训练过程中不断对模型的超参数进行调整，进而得到使第一预测训练模型的输出结果误差小于预设误差值的超参数。此处，超参数搜索算法可以包括：网格搜索、随机搜索等。
95.一个示例中，在获取到第一初始训练数据时，还需要对第一初始训练数据进行预处理。一种可能的实施方式中，可以将第一初始训练数据中包含空值的历史用户对应的特征数据以及该历史用户的满意度标签删除。一种可能的实现方式中，还可以对第一训练数据进行相关性分析，进而对特征数据进行删除，即，通过将第一初始训练数据中的特征数据中的与满意度标签进行相关性分析，将相关性较低的特征数据中的指标删除，例如可采用主成分分析法等常用算法。一种可能的实现方式中，在对特征数据进行筛选时，还可以采用方差分析的方法，通过计算特征数据中每一指标的方差，将方差小于预设值的指标数据剔除。
96.一个示例中，在第一训练模型进行训练时，可以按照预设比例将第一初始训练数据拆分为训练集数据和测试集数据，采用训练集数据对第一预设模型进行训练，进而得到训练后的第一预设训练模型。在训练结束后，采用测试集数据对训练好的第一预设训练模型进行验证。
97.s105、获取目标用户的特征数据，并将目标用户的特征数据输入第一预测模型，确定目标用户满意度预测结果。
98.示例性地，得到训练好的第一预测模型之后，在采用第一预测模型对目标用户进行满意度预测时，可以直接将采集到的目标用户的特征数据作为第一预测模型的输入，进而通过第一预测模型得到该目标用户的满意度预测结果。需要说明的是，后续在进行满意度预测时，可以直接采用通过步骤s101-s104得到的第一预测模型进行训练，不用重复执行上述步骤s101-s104。
99.本实施例中，为了对实现用户满意度的预测，在进行预测时，本方案中采用了多个不同方面的数据作为目标用户的特征数据，具体的，包括用户在运行订购业务时，各业务的指标(即，上述网络数据)、用户基本数据以及网络质量数据，避免了从单一方面进行满意度预测时考虑不全面的问题。此外，本实施例中还基于每一满意度标签下历史用户数量的波动程度，来确定第一预测模型所采用的算法类型，进而使得训练的模型更加准确，符合训练数据的规律，进而提高用户满意度预测的准确性。
100.一种可能的实施方式中，在依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型，即在执行图2中的步骤s103时，具体的，还可以通过如下规
则进行判断，若每一满意度标签对应的波动程度均大于第一预设值，则第一初始训练数据对应的预设算法类型为回归算法；
101.若每一满意度标签对应的波动程度均小于等于第一预设值，则第一初始训练数据对应的预设算法类型为分类算法。
102.一种可能的实施方式中，在依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型，即在执行图2中的步骤s103时，可能会出现部分满意度标签对应的波动程度较小，部分满意度标签对应的波动程度较大的情况，则此时，可以考虑在第一预测模型中设置两个子模型，第一子模型以及第二子模型，两个不同的模型采用不同的算法对不同的数据进行训练。具体地，可以参见图3所示地步骤。图3为本技术实施例提供的一种第一预测模型的训练方法的流程示意图。该方法包括以下步骤：
103.s201、获取第一初始训练数据，第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；特征数据包括：网络数据、用户基础数据以及网络质量数据。
104.s202、针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在第一时段前的波动程度。
105.示例性地，本实施例中的步骤s201与步骤s202与图2所示的步骤s101与步骤s102原理类似，此处不再赘述。
106.s203、在第一时段内，确定每一满意度标签对应的历史用户数量的占比。
107.示例性地，统计第一初始训练数据中总的历史用户数量，以及所获取得第一初始训练数据中，每一满意度标签对应的历史用户数量，将该历史用户数量与第一训练数据中总的历史用户数量之比作为该满意度标签对应的历史用户数量的占比。
108.s204、将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定第一训练数据对应的预设算法类型为回归算法。
109.示例性地，本实施例中的第一预测模型中包括有两个子模型，且每一子模型对应的训练数据不同。本实施例中，若满意度标签对应的波动程度大于第一预设值，并且该满意度标签对应的历史用户数量的占比小于等于第二预设值，则此时将该满意度标签对应的历史用户的特征数据以及该满意度标签作为第一模型的第一训练数据，也就是说在第一初始时训练数据中通过上述条件筛选出符合要求的第一训练数据，并且此时该第一训练数据对应的预设算法类型为回归算法，即第一子模型采用回归算法进行训练。
110.s205、将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定第二训练数据对应的预设算法类型为分类算法。
111.示例性地，本实施例中的第一预测模型中包括有两个子模型，且每一子模型对应的训练数据不同。本实施例中，若满意度标签对应的波动程度小于等于第一预设值，并且该满意度标签对应的历史用户数量的占比大于第二预设值，则此时将该满意度标签对应的历史用户的特征数据以及该满意度标签作为第一模型的第一训练数据，也就是说在第一初始时训练数据中通过上述条件筛选出符合要求的第二训练数据，并且此时该第二训练数据对应的预设算法类型为分类算法，即第二子模型采用分类算法进行训练。
112.一些实施例中，第一预测模型可以为catboost模型。catboost模型是一种基于梯度提升决策树的机器学习算法。该模型可以将输入的特征数据自动数值化，简化了特征数据的预处理过程。此外，该模型还具有组合特征技术，即可以充分考虑输入的特征数据之间的影响，丰富了特征维度，增强了算法的准确性，进而对于第一训练数据可以采用catboost回归算法，对于第二训练数据可以采用catboost分类算法。
113.s206、将第一训练数据作为第一子模型的训练数据进行训练。
114.示例性地，将第一训练数据作为第一子模型地训练数据，采用确定出的回归算法对第一子模型进行训练。此处需要说明的是，在采用回归算法进行训练后得到的第一子模型的输出数据还需要进行离散化处理，并将离散化处理后的数据作为该第一子模型的输出数据。
115.s207、将第二训练数据作为第二子模型的训练数据进行训练。
116.示例性地，将第二训练数据作为第二子模型地训练数据，采用确定出的分类算法对第二子模型进行训练，得到第二训练子模型的输出数据。
117.s208、基于训练后的第一子模型以及训练后的第二子模型，得到第一预测模型。
118.示例性地，在得到训练后的第一子模型的输出数据以及第二子模型的输出数据之后，将两个输出数据作为第一预测模型的输出数据，进而基于训练后的第一子模型以及训练后的子模型得到第一预测模型。
119.一个示例中，在第一子模型以及第二子模型得到第一预测模型的输出数据后，还需要进一步的计算该输出数据的误差值，若该误差值在预设范围内，则训练结束，否则还需要进一步的对第一子模型以及第二子模型的超参数进行调整，以使最终得到的第一预测模型输出数据的误差值小于预设误差。
120.本实施例中，在对第一预测模型进行训练时，可以依据满意度标签对应的波动程度以及占比在第一初始训练数据中确定出第一训练数据以及第二训练数据，并将上述第一训练数据以及第二训练数据分别作为第一子模型以及第二子模型的训练数据分别采用不同的算法进行训练，进而提高了第一预测模型对于用户满意度预测的精确度。
121.一种可能的实现方式中，在上述任一实施例的基础上，在预测出目标用户满意度之后，若目标用户满意度较低，则还可以对用户满意度较低的原因进行分析。图4为本技术实施例提供的一种用户满意度分析的方法的流程示意图。如图4所示，该方法包括以下步骤：
122.s301、获取第一初始训练数据，第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；特征数据包括：网络数据、用户基础数据以及网络质量数据。
123.s302、针对预设满意度标签集合中每一满意度标签，确定其对应的历史用户数量在第一时段前的波动程度。
124.s303、依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型。
125.s304、依据预测算法类型以及第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型。
126.s305、获取目标用户的特征数据，并将目标用户的特征数据输入第一预测模型，确
定目标用户满意度预测结果。
127.示例性地，本实施例中的步骤s301-s305与图1中的步骤s101-s105的原理相同，此处不再赘述。
128.s306、若目标用户满意度预测结果小于第三预设值，则依据特征数据以及第二预测模型，确定目标用户所处的网络预测结果，其中，第二预测模型是将第一时段内多个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的；网络标签为基于网络关键指标以及历史用户投诉数据得到的。
129.示例性地，在预测出目标用户的满意度之后，进一步对目标用户满意度预测结果进行判断，若目标用户满意度小于第三预设值，则表明当前目标用户的满意度较低，则进一步的可以将目标用户的特征数据作为第二预测模型的输入，进一步的通过第二预测模型预测网络质量。
130.其中，第二预测模型是依据第一初始训练数据中的特征数据(即第一时段内多个历史用户的特征数据)，以及所获取的第一时段内多个历史用户的网络标签作为第二预测模型的训练数据训练得到的。
131.一些示例中，网络标签的取值可以为-1和1两个取值，其中，-1代表网络质量存在问题，1代表网络质量没有问题。
132.一些示例中，网络标签可以是依据网络关键指标以及历史用户投诉数据得到的。例如，一种可能的实现方式中，若确定出网络关键指标中存在有不符合指标要求时，此时网络关键指标劣化，则可以将网络标签设置为第一值，代表网络存在问题，或者历史用户投诉数据中存在关于网络投诉的数据时，则此时也可以将网络标签设置为第一值。即只要网络关键指标存在劣化以及历史用户存在投诉数据满足其中一个条件时，则认为网络质量存在问题，并将网络标签设置为1。
133.一些示例中，网络关键指标可以包括以下至少一种指标：日均掉话次数、日均业务响应时延、响应最大时延。当网络关键指标中有一个指标不满足该指标的要求，则认为网络关键指标存在劣化。
134.一些示例中，第二预测模型可以采用分类算法进行模型训练。
135.s307、若网络预测结果为第一值，则发送提示信息，提示信息用于提示出现网络故障。
136.示例性地，若基于目标用户的特征数据以及第二预测模型预测得到的网络预测结果为第一值，则认为网络出现问题。此时，可以向网络维护人员发送提示信息，提示当前网络存在故障，需进行网络问题排查。
137.一些实施例中，若网络预测结果为第二值，则向目标用户提供服务推荐。
138.示例性地，若网络预测结果为第二值，则此时认为网络没有出现故障，有可能是目标用户的主观因素造成的，则此时，可以向目标用户发送服务推荐，对用户进行关怀。例如，服务推荐可以为用户推送赠送流量等通知。
139.需要说明的是，本实施例中，第二预测模型的预测结果的取值为第一值以及第二值仅为示例性的说明，在一些实施例中，第二预测模型在训练过程中也可以设置多个网络标签的取值。
140.一些实施例中，第二预测模型也可以为catboost模型。
141.本实施例中，不仅可以对目标用户进行满意度预测，并且进一步的在目标用户满意度较低的情况下，还可以进一步地依据第二预测模型网络质量进行预测，进而在网络质量较低时，提醒相关人员进行检修；在网络质量较好的情况下，可以主动向用户提供服务推荐，关怀用户，进而提高用户满意度，提升用户黏度。
142.图5为本技术实施例提供一种用户满意度预测装置的结构示意图，如图5所示，该装置包括：
143.第一获取单元51，用于获取第一初始训练数据，第一初始训练数据包括：第一时段内多个历史用户的特征数据以及多个历史用户的满意度标签；特征数据包括：网络数据、用户基础数据以及网络质量数据；
144.第一确定单元52，用于针对预设满意度标签集合中的每一满意度标签，确定其对应的历史用户数量在第一时段前的波动程度；
145.第二确定单元53，用于依据每一满意度标签对应的波动程度，确定第一初始训练数据对应的预设算法类型；
146.训练单元54，用于依据预测算法类型以及第一初始训练数据，对第一预测模型进行训练，得到训练好的第一预测模型；
147.第三确定单元55，用于获取目标用户的特征数据，并将目标用户的特征数据输入第一预测模型，确定目标用户满意度预测结果。
148.图6为本技术实施例提供的又一种用户满意度预测装置的结构示意图，在图5所示的装置结构的基础上，本实施例中第一确定单元52具体用于：
149.若每一满意度标签对应的波动程度均大于第一预设值，则第一初始训练数据对应的预设算法类型为回归算法；
150.若每一满意度标签对应的波动程度均小于等于第一预设值，则第一初始训练数据对应的预设算法类型为分类算法。
151.在一种可能的实施方式中，第一预测模型包括：第一子模型和第二子模型；该装置，还包括：
152.第四确定单元56，用于在第一时段内，确定每一满意度标签对应的历史用户数量的占比；
153.第二确定单元53具体用于：
154.将满意度标签对应的波动程度大于第一预设值，且历史用户数量的占比小于等于第二预设值的第一初始训练数据作为第一训练数据，并确定第一训练数据对应的预设算法类型为回归算法；
155.将满意度标签对应的波动程度小于等于第一预设值，且历史用户数量的占比大于第二预设值的第一初始训练数据作为第二训练数据，并确定第二训练数据对应的预设算法类型为分类算法；
156.训练单元54具体用于：
157.将第一训练数据以及第二训练数据分别作为第一子模型以及第二子模型的训练数据进行训练，得到第一预测模型，其中，第一子模型采用回归算法，第二子模型采用分类算法。
158.在一种可能的实施方式中，第三确定单元54具体用于：
159.获取第一用户与目标用户上传的服务小区接收功率电平值，第一用户与目标用户位于同一服务小区；
160.将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为目标用户的特征数据中的网络质量数据，总用户数量为第一用户数量与目标用户数量之和。
161.在一种可能的实施方式中，装置还包括：
162.第五确定单元57，用于若目标用户满意度预测结果小于第三预设值，则依据特征数据以及第二预测模型，确定目标用户所处的网络预测结果，其中，第二预测模型是将第一时段内多个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的；网络标签为基于网络关键指标以及历史用户投诉数据得到的；
163.提示单元58，用于若网络预测结果为第一值，则发送提示信息，提示信息用于提示出现网络故障。
164.在一种可能的实施方式中，装置还包括：
165.推送单元59，用于若网络预测结果为第二值，则向目标用户提供服务推荐。
166.在一种可能的实施方式中，第一预测模型为catboost模型。
167.本实施例提供的装置，用于实现上述方法提供的技术方案，其实现原理和技术效果类似，不再赘述。
168.图7为本技术实施例提供的一种电子设备的结构示意图，如图7所示，该电子设备包括：
169.处理器(processor)291，电子设备还包括了存储器(memory)292；还可以包括通信接口(communication interface)293和总线294。其中，处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器294中的逻辑指令，以执行上述实施例的方法。
170.此外，上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
171.存储器292作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本技术实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。
172.存储器292可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器292可以包括高速随机存取存储器，还可以包括非易失性存储器。
173.本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述任一实施例中的方法。
174.本技术实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例用于实现上述任一实施例中的方法。
175.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的
权利要求书指出。
176.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。