运维处理方法、装置及电子设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种运维处理方法、装置及电子设备。


背景技术：

2.目前，随着通信行业的不断发展，通信行业中的各大运营商之间的竞争越来越激烈。随着运营商体制改革的不断深化，运营商只有坚持以客户为中心，提升客户满意度，才能获得市场竞争优势。通常，客户会通过投诉的方式来表达不满、获取需求。
3.现有技术中针对移动网络的运维，通常是通过分析接收到的投诉文本获取投诉用户对移动网络产生不满意的原因，然后依据先验经验人工制定针对单个不满意原因的维系策略，并基于制定出的维系策略对移动网络进行运维处理，这就可能存在运维处理的效率低，维系策略的匹配不准确而导致的运维效果不佳等问题。


技术实现要素：

4.本技术实施例的目的是提供一种运维处理方法、装置及电子设备，以至少决绝现有技术中存在的运维处理效率低、运维效果不佳的问题。
5.为了解决上述技术问题，本技术实施例采用下述技术方案：
6.第一方面，本技术实施例还提供一种运维处理方法，包括：
7.获取目标用户对运维对象的多个客户感知指标的指标值；
8.基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，所述决策树模型基于运维对象客户投诉样本数据和对应的标签训练得到，所述运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，所述标签包括不满意原因及不满意原因对应的客户感知指标；
9.根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，其中，维系策略与不满意原因存在对应关系；
10.基于所述匹配的维系策略进行运维处理。
11.可选地，根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，包括：
12.基于所述运维对象、所述目标用户产生各个客户感知指标对应的每种不满意原因的概率以及所述各个客户感知指标对应的每种不满意原因分别在各类服务诉求下所占的权重，确定所述目标用户的运维需求值；
13.从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略，得到候选维系策略集合；
14.基于选取出的各个候选维系策略对各类服务诉求的运维贡献值，确定所述候选维系策略集合对应的总运维贡献值；
15.若所述总运维贡献值与所述运维需求值之间的差值小于或等于预设阈值，则将选
取出的候选维系策略集合确定为所述匹配的维系策略。
16.可选地，根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，还包括：
17.若所述总运维贡献值与所述运维需求值之间的差值大于所述预设阈值，则重复执行所述从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略至所述确定所述候选维系策略集合对应的总运维贡献值的步骤，直到所述总运维贡献值与所述运维需求值之间的差值小于或等于预设阈值。
18.可选地，在基于所述匹配的维系策略进行运维处理之后，所述方法还包括：
19.基于运维处理结果和所述匹配的维系策略分别对应各类服务诉求的运维贡献值，更新所述各个客户感知指标对应的每种不满意原因在各类服务诉求下所占的权重。
20.可选地，在基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定所述目标用户产生各个客户感知指标对应的每种不满意原因的概率之前，所述方法还包括：
21.获取针对所述运维对象的客户投诉样本数据和对应的标签；
22.以所述投诉用户对所述运维对象的多个客户感知指标的指标值为训练样本，以所述投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标为标签，基于决策树算法进行训练，得到所述决策树模型。
23.可选地，获取针对所述运维对象的客户投诉样本数据和对应的标签，包括：
24.获取针对所述运维对象的历史投诉文本；
25.提取所述历史投诉文本中的关键字；
26.基于所述历史投诉文本中的关键字和所述不满意原因类型库，确定所述历史投诉文本的投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标，所述不满意原因类型库包括所述运维对象的各个客户感知指标下的各种不满意原因对应的关键字；
27.基于所述投诉用户对所述运维对象的业务使用数据，确定所述投诉对所述运维对象的多个客户感知指标的指标值。
28.可选地，获取针对所述运维对象的客户投诉样本数据和对应的标签，还包括：
29.针对所述运维对象的各个客户感知指标对应的每种不满意原因，确定该不满意原因的投诉次数；
30.若该不满意原因的投诉次数小于预设次数，则基于该不满意原因生成调查问卷并获取所述调查问卷的调查结果数据；
31.若所述调查结果数据指示产生该不满意原因的被调查用户的用户数量占比超过预设比例，则获取产生该不满意原因的被调查用户对所述运维对象的多个客户感知指标的指标值；
32.基于所述被调查用户对所述运维对象的多个客户感知指标的指标值，更新所述客户投诉样本数据。
33.可选地，所述决策树模型包括以下任一种模型：随机森林模型、朴素贝叶斯模型、套袋bagging模型、自适应增强adaboost模型。
34.第二方面，本技术实施例提供一种运维处理装置，包括：
35.第一获取模块，用于获取目标用户对运维对象的多个客户感知指标的指标值；
36.第一确定模块，用于基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，所述决策树模型基于运维对象客户投诉样本数据和对应的标签训练得到，所述运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，所述标签包括不满意原因及不满意原因对应的客户感知指标；
37.第二确定模块，用于根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，其中，维系策略与不满意原因存在对应关系；
38.运维处理模块，用于基于所述匹配的维系策略进行运维处理。
39.可选地，所述第二确定模块具体用于：
40.基于所述运维对象、所述目标用户产生各个客户感知指标对应的每种不满意原因的概率以及所述各个客户感知指标对应的每种不满意原因分别在各类服务诉求下所占的权重，确定所述目标用户的运维需求值；
41.从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略，得到候选维系策略集合；
42.基于选取出的各个候选维系策略对各类服务诉求的运维贡献值，确定所述候选维系策略集合对应的总运维贡献值；
43.若所述总运维贡献值与所述运维需求值之间的差值小于或等于预设阈值，则将选取出的候选维系策略集合确定为所述匹配的维系策略。
44.可选地，所述第二确定模块还具体用于：
45.若所述总运维贡献值与所述运维需求值之间的差值大于所述预设阈值，则重复执行所述从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略至所述确定所述候选维系策略集合对应的总运维贡献值的步骤，直到所述总运维贡献值与所述运维需求值之间的差值小于或等于预设阈值。
46.可选地，所述装置还包括：
47.更新模块，用于基于运维处理结果和所述匹配的维系策略分别对应各类服务诉求的运维贡献值，更新所述各个客户感知指标对应的每种不满意原因在各类服务诉求下所占的权重。
48.可选地，所述装置还包括训练模块，所述训练模块用于：
49.获取针对所述运维对象的客户投诉样本数据和对应的标签；
50.以所述投诉用户对所述运维对象的多个客户感知指标的指标值为训练样本，以所述投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标为标签，基于决策树算法进行训练，得到所述决策树模型。
51.可选地，所述训练模块具体用于：
52.获取针对所述运维对象的历史投诉文本；
53.提取所述历史投诉文本中的关键字；
54.基于所述历史投诉文本中的关键字和所述不满意原因类型库，确定所述历史投诉文本的投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标，所
述不满意原因类型库包括所述运维对象的各个客户感知指标下的各种不满意原因对应的关键字；
55.基于所述投诉用户对所述运维对象的业务使用数据，确定所述投诉对所述运维对象的多个客户感知指标的指标值。
56.可选地，所述训练模块还具体用于：
57.针对所述运维对象的各个客户感知指标对应的每种不满意原因，确定该不满意原因的投诉次数；
58.若该不满意原因的投诉次数小于预设次数，则基于该不满意原因生成调查问卷并获取所述调查问卷的调查结果数据；
59.若所述调查结果数据指示产生该不满意原因的被调查用户的用户数量占比超过预设比例，则获取产生该不满意原因的被调查用户对所述运维对象的多个客户感知指标的指标值；
60.基于所述被调查用户对所述运维对象的多个客户感知指标的指标值，更新所述客户投诉样本数据。
61.可选地，所述决策树模型包括以下任一种模型：随机森林模型、朴素贝叶斯模型、套袋bagging模型、自适应增强adaboost模型。
62.第三方面，本技术实施例提供一种电子设备，包括：
63.处理器；
64.用于存储所述处理器可执行指令的存储器；
65.其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的方法。
66.第四方面，本技术提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的方法。
67.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
68.通过获取目标用户对运维对象的多个客户感知指标的指标值，并基于预先训练的决策树模型和多个客户感知指标的指标值，确定目标用户产生各个客户感知指标对应的每种不满意原因的概率，进一步根据运维对象和目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，并基于匹配的维系策略进行运维处理，相较于现有技术中在接收到用户投诉后基于投诉内容进行运维处理的方式，本技术实施例提供的运维处理方法可以实现对移动网络户的主动维系，提高用户体验。并且，从运维对象的多个维度细分用户对移动网络的不满意原因，决策树模型基于运维对象客户投诉样本数据及对应的标签训练得到，而运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，标签包括不满意原因及不满意原因对应的客户感知指标，由此该决策树模型输出的预测结果反映了目标用户对运维对象的不同客户感知指标下产生各种不满意原因的概率，进而综合产生这些不同的不满意原因的概率为匹配相应的维系策略，相较于通过人工依据单个不满意原因匹配维系策略的方式，使得针对目标用户的维系策略更符合用户的运维需求，进而可以提高运维处理的准确略和成功率，减少人工成本。
附图说明
69.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本申
请的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
70.图1为本技术的一个实施例提供的一种运维处理方法的流程图；
71.图2为本技术的一个实施例提供的一种决策树模型的训练方法的流程图；
72.图3为本技术的一个实施例提供的另一种运维处理方法的流程图；
73.图4为本技术的一个实施例提供的一种运维处理装置的框图；
74.图5为本技术的一个实施例提供的另一种运维处理装置的框图；
75.图6为本技术的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
76.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
77.以下结合附图，详细说明本技术各实施例提供的技术方案。
78.请参见图1，本技术实施例提供一种运维处理方法，如图1所示，该方法可以包括以下步骤：
79.s102、获取目标用户对运维对象的多个客户感知指标的指标值。
80.本技术实施例中，运维对象可以是移动网络运营商提供的各种产品、服务以及业务等中的一个或多个，例如，运维对象可以例如包括但不限于4g业务、家庭宽带业务、政企业务、魔百和业务、营业厅服务等。
81.运维对象的客户感知指标是指运维对象的能够影响客户感知的评价指标。不同的运维对象具有不同的客户感知指标。例如，4g业务的客户感知指标可以例如包括但不限于：资费套餐、网络质量、业务宣传办理、服务水平等；政企业务的客户感知指标可以例如包括但不限于：产品可靠性、资费价格、业务开通、故障处理、客户经理服务等影响用户感知的指标；营业厅服务的客户感知指标可以例如包括但不限于：营业厅环境、排队等候时长、业务办理时长、营业员服务态度等指标，等等。
82.对于每一个客户感知指标而言，都可能从不同的方面影响用户满意度，也就是说，用户对运维对象的每一个客户感知指标都可能产生相应的多种不满意原因。例如，对于家庭宽带业务的用户原因这一客户感知指标，用户可能针对该客户感知指标产生的不满意原因包括但不限于：不会使用机顶盒遥控器、机顶盒遥控器的电池存在问题、不会连接机顶盒等。
83.s104、基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定目标用户产生各个客户感知指标对应的每种不满意原因的概率。
84.本技术实施例中，决策树模型基于运维对象客户投诉样本数据和对应的标签训练得到。其中，运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，标签包括不满意原因及不满意原因对应的客户感知指标。
85.本技术实施例中的决策树模型可以例如包括以下任一种算法：随机森林模型、朴素贝叶斯模型、套袋bagging模型、adaboost(adaptive boosting，自适应增强)模型等，本技术实施例对此不作限定。
86.需要说明的是，训练得到上述决策树模型的过程将在下文图2所示的实施例中进行详细说明，此处不再详细说明。
87.s106、根据运维对象和目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略。
88.s108、基于匹配的维系策略进行运维处理。
89.其中，维系策略与不满意原因存在对应关系，也就是说，针对运维对象的每一个客户感知指标对应的每种不满意原因，都预先设置有针对该不满意原因的维系策略。
90.在获取到目标用户对运维对象产生各个客户感知指标对应的每种不满意原因的概率，可基于所述每种不满意原因的概率及每种不满意原因对应的维系策略确定相应的维系策略。
91.需要说明的是，本技术实施例中的运维对象可以是一个，也可以是多个。对于后者，运维对象可以包括移动网络运营商提供的所有产品、服务及业务，也可以包括移动网络运营商提供的部分对用户满意度影响较大的产品、服务及业务。其次，运维对象的多个客户感知指标可以包括运维对象的所有评价指标，也可以包括运维对象的部分对用户满意度影响较大的评价指标。
92.通过本实施例提供的运维处理方法，通过获取目标用户对运维对象的多个客户感知指标的指标值，并基于预先训练的决策树模型和多个客户感知指标的指标值，确定目标用户产生各个客户感知指标对应的每种不满意原因的概率，进一步根据运维对象和目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，并基于匹配的维系策略进行运维处理，相较于现有技术中在接收到用户投诉后基于投诉内容进行运维处理的方式，本技术实施例提供的运维处理方法可以实现对移动网络户的主动维系，提高用户体验。并且，从运维对象的多个维度细分用户对移动网络的不满意原因，决策树模型基于运维对象客户投诉样本数据及对应的标签训练得到，而运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，标签包括不满意原因及不满意原因对应的客户感知指标，由此该决策树模型输出的预测结果反映了目标用户对运维对象的不同客户感知指标下产生各种不满意原因的概率，进而综合产生这些不同的不满意原因的概率为目标用户匹配相应的维系策略，相较于通过人工依据单个不满意原因匹配维系策略的方式，使得针对目标用户的维系策略更符合目标用户的运维需求，进而可以提高运维处理的准确略和成功率，减少人工成本。
93.为了使本领域技术人员更加理解本技术实施例提供的技术方案，下面对本技术实施例提供的运维处理方法进行详细说明。
94.首先，针对上述步骤s104中的决策树模型，本技术实施例还包括对该决策树模型的训练方法。
95.值得说明的是，对该决策树模型的训练是根据从移动网络运营平台采集到的运维对象客户投诉样本数据预先进行的，后续在进行运维处理的过程中，无需每次对该决策树模型进行训练，或者，可以周期性地基于从移动网络运营平台新采集的运维对象客户投诉样本数据对该决策树模型进行更新，以提升该决策树模型的预测准确性，进而提高后续运维处理的准确性和成功率。
96.具体地，对上述决策树模型的训练方法如图2所示，包括：
97.s202、获取针对所述运维对象的客户投诉样本数据及对应的标签。
98.其中，客户投诉样本数据包括多个投诉用户对所述运维对象的多个客户感知指标的指标值以及每个所述投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标。
99.本技术实施例中，可通过多种方式获取针对运维对象的客户投诉样本数据。
100.在第一种可选的实施方式中，可基于投诉用户的历史投诉文本获取针对运维对象的客户投诉样本数据及对应的标签。
101.具体地，可获取针对运维对象的每一历史投诉文本，并提取出该历史投诉文本中的关键字，进一步基于该历史投诉文本中的关键字和不满意原因库，确定该历史投诉文本的投诉用户对运维对象产生的不满意原因及不满意原因对应的客户感知指标，并基于投诉用户对运维对象的业务使用数据确定投诉用户对运维对象的多个客户感知指标的指标值。
102.其中，不满意原因类型库包括运维对象的各个客户感知指标下的各种不满意原因对应的关键字，通过将历史投诉文本中的关键字和各种不满意原因对应的关键字进行相似度匹配，基于匹配得到的相似度确定投诉用户产生的不满意原因及对应的客户感知指标。
103.用户对运维对象的业务使用数据可以例如包括用户的属性数据、用户针对运维对象的消费行为数据以及对运维对象的使用数据记录等。其中，用户的属性数据是指用户的基础信息，具体可以包括但不限于用户的年龄、性别、所属地理区域等。用户对运维对象的消费行为数据是指用于表征用户对运维对象产生消费行为的数据，具体可以包括但不限于每用户收入(average revenue per user，arpu)、对运维对象花费的资金数额等。用户对运维对象的使用数据记录是指用户对运维对象的使用数据记录，其可以例如包括但不限于运维对象对应的业务办理记录、运维对象对应的流量使用量、用户对运维对象产生的投诉次数等。
104.在第二种可选的实施方式中，可以通过问卷调查的方式获取针对运维对象的客户投诉样本数据及对应的标签。
105.具体地，可以基于运维对象的多个客户感知指标设置相应的调查问卷并获取问卷调查结果数据。对于每一份调查问卷，基于该调查问卷的问卷调查结果数据确定被调查用户对运维对象产生的不满意原因及不满意原因对应的客户感知指标，并基于被调查用户对运维对象的业务使用数据确定被调查用户对运维对象的多个客户感知指标的指标值。
106.在其他一些可选的实施方式中，可以基于投诉用户的历史投诉文本和问卷调查数据获取针对运维对象的客户投诉样本数据及对应的标签。
107.具体地，在通过上述第一种可选的实施方式获取到针对所述运维对象的客户投诉样本数据和对应的标签之后，还可以针对运维对象的各个客户感知指标对应的每种不满意原因，确定该不满意原因的投诉次数，若该不满意原因的投诉次数小于预设次数，则基于该不满意原因生成调查问卷并获取调查问卷的调查结果数据。进一步地，若调查结果数据指示产生该不满意原因的被调查用户的用户数量占比超过预设比例，则获取产生该不满意原因的被调查用户对运维对象的多个客户感知指标的指标值，并基于被调查用户对所述运维对象的多个客户感知指标的指标值，更新客户投诉样本数据。
108.可以理解，通过该实施方式，可以避免某一客户感知指标下的某种不满意原因对应的样本数据的数量过少而对影响最终训练得到的决策树模型的准确率。
109.s204、以投诉用户对所述运维对象的多个客户感知指标的指标值为训练样本，以投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标为标签，基于决策树算法进行训练，得到决策树模型。
110.具体地，通过将投诉用户对所述运维对象的多个客户感知指标的指标值作为输入、将对应的标签作为输出，通过决策树算法进行训练，得到决策树模型。
111.本技术实施例中的决策树算法可以例如包括以下任一种算法：随机森林算法、朴素贝叶斯算法、套袋bagging算法、adaboost(adaptive boosting，自适应增强)算法等，本技术实施例对此不作限定。
112.接着，针对上述步骤s106，在一种可选的实施方式中，如图3所示，该步骤s106可以包括：
113.s1061、基于运维对象、所述目标用户产生各个客户感知指标对应的每种不满意原因的概率以及各个客户感知指标对应的每种不满意原因分别在各类服务诉求下所占的权重，确定目标用户的运维需求值。
114.本技术中的服务诉求可以例如包括但不限于网络质量诉求、资费诉求、业务诉求以及情感诉求等。
115.具体地，用户的运维需求值可通过α∑p
it
×
yi确定，其中，α表示各类服务诉求对应的需求调节因子，其可以根据实际需要自定义设置，例如，α可设置为(0.25,0.30,0.1,0.2,0.15)；p
it
表示第i个用户对应的权重，p
inmqs
表示第i个用户对第n个运维对象的第m个客户感知指标下产生的第q种不满意原因在第s个服务诉求下所占的权重；y
inmqs
表示第i个用户对第n个运维对象的第m个客户感知指标下产生第q种不满意原因的概率。
116.s1062、从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略，得到候选维系策略集合。
117.s1063、基于选取出的各个候选维系策略对各类服务诉求的运维贡献值，确定候选维系策略集合对应的总运维贡献值。
118.具体地，候选运维集合对应的总运维贡献值可通过确定，其中，β表示各类服务诉求对应的贡献调节因子，其可以根据实际需要自定义设置，例如，β可设置为(0.25,0.30,0.1,0.15,0.2)；e
ij
表示第j个候选维系策略对第i类服务诉求的运维贡献值。
119.s1064、若总运维贡献值与运维需求值之间的差值小于或等于预设阈值，则将选取出的候选维系策略集合确定为所述匹配的维系策略。
120.进一步地，上述步骤s106还可以包括：
121.s1065、若所述总运维贡献值与所述运维需求值之间的差值大于所述预设阈值，则重复执行上述步骤s1062和步骤s1063，直到筛选出的候选维系策略集合对应的总运维贡献
值与运维需求值之间的差值小于或等于预设阈值。
122.可以理解，通过用户对运维对象的各个客户感知指标产生各种不满意原因的概率以及各种不满意原因在各类服务诉求下所占的权重确定用户的运维需求值，使得确定的运维需求值考虑了用户对各类服务诉求的运维需求情况；通过选取的维系策略和各个维系策略对各类服务诉求的运维贡献值确定选取出的维系策略的总运维贡献值，使得对维系策略的选取考虑了对用户的各类服务诉求的影响力度，进而基于用户的运维需求值和选取的维系策略对应的总运维贡献值确定针对用户的维系策略，能够提升维系策略的匹配准确率，从而提升对用户满意度修复的效率。
123.在本技术的另一个实施例中，为了进一步提升运维处理的准确性，在上述步骤s106之后，本技术上述任一实施例所述的运维处理方法还可以包括：获取所述匹配的维系策略的运维处理结果，并基于运维处理结果和所述匹配的策略分别对应各类服务诉求的运维贡献值，更新运维对象的各个客户感知指标下的各种不满意原因在各类服务诉求下所占的权重。
124.具体地，针对每一类服务诉求，可以基于运维成功的维系策略在该服务诉求下的运维贡献值的平均值更新各个不满意原因在该服务诉求下所占的权重。
125.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
126.请参见图4，本技术实施例还提供一种运维处理装置，如图4所示，该装置400可以包括：
127.第一获取模块410，用于获取目标用户对运维对象的多个客户感知指标的指标值；
128.第一确定模块420，用于基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，所述决策树模型基于运维对象客户投诉样本数据和对应的标签训练得到，所述运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，所述标签包括不满意原因及不满意原因对应的客户感知指标；
129.第二确定模块430，用于根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，其中，维系策略与不满意原因存在对应关系；
130.运维处理模块440，用于基于所述匹配的维系策略进行运维处理。
131.可选地，所述第二确定模块430具体用于：
132.基于所述运维对象、所述目标用户产生各个客户感知指标对应的每种不满意原因的概率以及所述各个客户感知指标对应的每种不满意原因分别在各类服务诉求下所占的权重，确定所述目标用户的运维需求值；
133.从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略，得到候选维系策略集合；
134.基于选取出的各个候选维系策略对各类服务诉求的运维贡献值，确定所述候选维
系策略集合对应的总运维贡献值；
135.若所述总运维贡献值与所述运维需求值之间的差值小于或等于预设阈值，则将选取出的候选维系策略集合确定为所述匹配的维系策略。
136.可选地，所述第二确定模块430还具体用于：
137.若所述总运维贡献值与所述运维需求值之间的差值大于所述预设阈值，则重复执行所述从所有不满意原因各自对应的维系策略中选取至少一个维系策略作为候选维系策略至所述确定所述候选维系策略集合对应的总运维贡献值的步骤，直到所述总运维贡献值与所述运维需求值之间的差值小于或等于预设阈值。
138.可选地，如图5所示，所述装置400还包括：
139.更新模块450，用于基于运维处理结果和所述匹配的维系策略分别对应各类服务诉求的运维贡献值，更新所述各个客户感知指标对应的每种不满意原因在各类服务诉求下所占的权重。
140.可选地，如图5所示，所述装置400还包括：训练模块460。所述训练模块460用于：
141.获取针对所述运维对象的客户投诉样本数据和对应的标签；
142.以所述投诉用户对所述运维对象的多个客户感知指标的指标值为训练样本，以所述投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标为标签，基于决策树算法进行训练，得到所述决策树模型。
143.可选地，所述训练模块460具体用于：
144.获取针对所述运维对象的历史投诉文本；
145.提取所述历史投诉文本中的关键字；
146.基于所述历史投诉文本中的关键字和所述不满意原因类型库，确定所述历史投诉文本的投诉用户对所述运维对象产生的不满意原因及不满意原因对应的客户感知指标，所述不满意原因类型库包括所述运维对象的各个客户感知指标下的各种不满意原因对应的关键字；
147.基于所述投诉用户对所述运维对象的业务使用数据，确定所述投诉对所述运维对象的多个客户感知指标的指标值。
148.可选地，所述训练模块460还具体用于：
149.针对所述运维对象的各个客户感知指标对应的每种不满意原因，确定该不满意原因的投诉次数；
150.若该不满意原因的投诉次数小于预设次数，则基于该不满意原因生成调查问卷并获取所述调查问卷的调查结果数据；
151.若所述调查结果数据指示产生该不满意原因的被调查用户的用户数量占比超过预设比例，则获取产生该不满意原因的被调查用户对所述运维对象的多个客户感知指标的指标值；
152.基于所述被调查用户对所述运维对象的多个客户感知指标的指标值，更新所述客户投诉样本数据。
153.可选地，所述决策树模型包括以下任一种模型：随机森林模型、朴素贝叶斯模型、套袋bagging模型、自适应增强adaboost模型。
154.图6是本技术的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电
子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
155.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
156.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
157.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成运维处理装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
158.获取目标用户对运维对象的多个客户感知指标的指标值；
159.基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，所述决策树模型基于运维对象客户投诉样本数据和对应的标签训练得到，所述运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，所述标签包括不满意原因及不满意原因对应的客户感知指标；
160.根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，其中，维系策略与不满意原因存在对应关系；
161.基于所述匹配的维系策略进行运维处理。
162.上述如本技术图1所示实施例揭示的运维处理装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
163.该电子设备还可执行图1的方法，并实现运维处理装置在图1至图3所示实施例的功能，本技术实施例在此不再赘述。
164.当然，除了软件实现方式之外，本技术的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
165.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
166.获取目标用户对运维对象的多个客户感知指标的指标值；
167.基于预先训练的决策树模型和所述多个客户感知指标的指标值，确定所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，所述决策树模型基于运维对象客户投诉样本数据和对应的标签训练得到，所述运维对象客户投诉样本数据包括运维对象的多个不同的客户感知指标下的指标值，所述标签包括不满意原因及不满意原因对应的客户感知指标；
168.根据所述运维对象和所述目标用户产生各个客户感知指标对应的每种不满意原因的概率，确定匹配的维系策略，其中，维系策略与不满意原因存在对应关系；
169.基于所述匹配的维系策略进行运维处理。
170.总之，以上所述仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
171.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
172.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
173.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
174.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实
施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。