影响用户满意度主因的预测方法、装置及计算设备与流程

1.本发明实施例涉及无线通信技术领域，具体涉及一种影响用户满意度主因的预测方法、装置及计算设备。


背景技术：

2.用户满意度是客户个人对于服务的需求和自己以往享受服务的经历再加上自己周围的对于某个企业服务的口碑构成了客户对于服务的期望值，当前移动网络中，对于不满意用户的预测主要从用户网络信令业务感知进行分析，对于用户不满意的主要因素也依然停留在网络侧异常信令等方面。
3.满意度为客户的主观感受，容易受到各种因素的影响，当前基于网络信令异常的用户不满意原因定位，定位特征较为单一片面，无法科学的评估消费行为、网络质量等因素对用户满意度的影响。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种影响用户满意度主因的预测方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
5.根据本发明实施例的一个方面，提供了一种影响用户满意度主因的预测方法，所述方法包括：获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征。
6.在一种可选的方式中，所述提取与满意度相关的特征，包括：应用卡方分布算法，提取与满意度相关的第一预设数量个所述特征。
7.在一种可选的方式中，所述根据所述特征进行满意度预测，输出用户的满意度，包括：获取往期满意度调查数据样本并进行预处理；根据所述往期满意度调查数据样本选择进行满意度预测的最优模型；将所述特征输入所述最优模型进行预测，并输出用户的所述满意度。
8.在一种可选的方式中，所述获取往期满意度调查数据样本并进行预处理，包括：获取往期满意度调查数据样本；针对所述往期满意度调查数据样本，对空值进行均值填充，对异常数值进行剔除，根据满意度分值进行二分类处理，将满意度分值小于7分的标1，作为正样本，其余标0，作为负样本；对所述往期满意度调查数据样本进行样本优化，过滤掉经常出错样本得到正负样本均衡的最优样本。
9.在一种可选的方式中，所述根据所述往期满意度调查数据样本选择进行满意度预测的最优模型，包括：根据所述往期满意度调查数据样本对多个模型进行训练，获取对应的召回率和f1值，其中所述模型包括逻辑回归、分类树、高斯过程、支持向量机、梯度提升决策树；根据所述召回率和所述f1值选择所述梯度提升决策树为所述最优模型。
10.在一种可选的方式中，所述针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离，包括：将所述不满意用户的所有特征进行标准化、空值处理，去量纲后，得到不满意用户的标准化后的特征；计算每个所述特征与所述满意度之间的斯皮尔曼相关系数，得到每个所述特征与所述满意度之间的所述相关系数；计算所述相关系数与所述个体中心均值的距离，其中所述个体中心均值为用户个体的所述相关系数的平均值。
11.在一种可选的方式中，所述根据所述距离输出影响用户满意度的特征，包括：根据所述距离进行倒序排列，距离最大的特征对用户满意度影响最大；根据排列结果取出第二预设数量个影响用户满意度的特征。
12.根据本发明实施例的另一个方面，提供了一种影响用户满意度主因的预测装置，所述装置包括：数据获取单元，用于获取用户消费数据和用户网络数据，并提取与满意度相关的特征；满意度预测单元，用于根据所述特征进行满意度预测，输出用户的满意度；距离计算单元，用于针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；特征输出单元，用于根据所述距离输出影响用户满意度的特征。
13.根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
14.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述影响用户满意度主因的预测方法的步骤。
15.根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述影响用户满意度主因的预测方法的步骤。
16.本发明实施例通过获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征，能够科学的评估消费行为、网络质量等因素对用户满意度的影响。
17.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
18.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
19.图1示出了本发明实施例提供的影响用户满意度主因的预测方法的流程示意图；
20.图2示出了图1中步骤s12的流程示意图；
21.图3示出了本发明实施例提供的影响用户满意度主因的预测装置的结构示意图；
22.图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
23.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
24.图1示出了本发明实施例提供的影响用户满意度主因的预测方法的流程示意图。该影响用户满意度主因的预测方法应用于运营商服务器端，如图1所示，影响用户满意度主因的预测方法包括：
25.步骤s11：获取用户消费数据和用户网络数据，并提取与满意度相关的特征。
26.在本发明实施例中，获取用户b域消费数据和o域用户网络数据两大类，建立用户特征数据库。根据用户消费数据和用户网络数据应用卡方分布算法，提取与满意度相关系较大的第一预设数量个所述特征。例如，用户消费数据和用户网络数据共计345个特征字段，通过卡方分布算法进行卡方分析，在提取top150的特征后，再取剩余特征中的相关系数较大的134个，合成284个最优特征，最终得到与满意度相关系较大的特征。
27.步骤s12：根据所述特征进行满意度预测，输出用户的满意度。
28.在本发明实施例中，首先选择最优的预测模型，应用该最优模型进行满意度预测。如此具体地，如图2所示，包括：
29.步骤s121：获取往期满意度调查数据样本并进行预处理。
30.获取往期满意度调查数据样本；针对所述往期满意度调查数据样本，对空值进行均值填充，对异常数值进行剔除，根据满意度分值进行二分类处理，将满意度分值小于7分的标1，作为正样本，其余标0，作为负样本；对所述往期满意度调查数据样本进行样本优化，过滤掉经常出错样本得到正负样本均衡的最优样本。进行样本优化时，利用逻辑回归对样本进行判断，经过1000次逻辑回归模型计算，过滤掉经常出错的样本，得到最优样本，若正负样本存在不均衡，进行样本重采样。本发明实施例的往期满意度调查数据样本有4500个。
31.在步骤s121中，同时获取与往期满意度调查数据样本对应的往期用户消费数据和往期用户网络数据，并应用与步骤s11中相同的方法提取对应的特征数据。
32.步骤s122：根据所述往期满意度调查数据样本选择进行满意度预测的最优模型。
33.在本发明实施例中，根据所述往期满意度调查数据样本对多个模型进行训练，获取对应的召回率和f1值，其中所述模型包括逻辑回归、分类树、高斯过程、支持向量机、梯度提升决策树(gradient boosting decision tree，gbdt)等模型；根据所述召回率和所述f1值选择所述梯度提升决策树为所述最优模型。具体地，将根据往期用户消费数据和往期用户网络数据提取的特征数据分别输入逻辑回归、分类树、高斯过程、支持向量机、gbdt等模型进行训练，将各模型训练后输出的预测的满意度与往期满意度调查数据样本中的用户的实际满意度进行比较，获取与各模型对应的召回率和f1值，进而根据与各模型对应的召回率和f1值选择最优模型。本发明实施例最终选择的最优模型为gbdt模型。
34.步骤s123：将所述特征输入所述最优模型进行预测，并输出用户的所述满意度。
35.得到最优的gbdt模型后，将所述特征输入该gbdt模型，应用该gbdt模型进行预测，输出用户的满意度。满意度分值小于7分的满意用户，其余标为不满意用户。
36.步骤s13：针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述
相关系数到个体中心均值的距离。
37.通过gbdt模型预测之后，能够得到用户的满意度情况，但对于是哪些因素导致用户不满意，是主观因素还是客观原因，从目前的手段上无法直接判断，本发明实施例通过基于特征与满意度之间的相关系数和用户自身的数据，给出每个特征对个人的影响情况。
38.具体地，将所述不满意用户的所有特征进行标准化、空值处理，去量纲后，得到不满意用户的标准化后的特征。例如：
39.df_std_ns＝df_no_satisfy[[c for c in df_no_satisfy.columns if c not in['user_id']]]
[0040]
standard_scaler＝standardscaler()
[0041]
standard_scaler＝standard_scaler.fit(df_std_ns)
[0042]
df_std_ns＝pd.dataframe(standard_scaler.transform(df_std_ns),index＝df_std_ns.indes,columns＝df_std_ns.columns)
[0043]
其中，df_no_satisfy为不满意用户集，df_std_ns为特征标准化后的不满意用户集。
[0044]
对不满意用户的特征进行标准化后，计算每个所述特征与所述满意度之间的斯皮尔曼(spearman)相关系数，得到每个所述特征与所述满意度之间的所述相关系数x。然后计算所述相关系数与所述个体中心均值的距离，其中所述个体中心均值为用户个体的所述相关系数的平均值。例如：
[0045]
deffun_corr_x_v(df):
[0046]
c＝df_corr3[df_corr3.index＝＝df.name]['abs'][0]
[0047]
returndf.abs()*abs(c)
[0048]
df_std_ns2＝df_std_na.apply(fun_corr_x_v)
[0049]
其中，df_corr3为特征与满意度相关系数集，df_std_ns2为相关系数x到个体中心均值的距离表。
[0050]
步骤s14：根据所述距离输出影响用户满意度的特征。
[0051]
在本发明实施例中，通过上述每个特征相关系数到中心均值距离计算，可以得到每个特征对单个用户个体的影响程度，距离最大的特征就是对用户满意度影响最大的原因，其他特征对用户满意度的影响重要程度均可以通过其排名得到。因此，在步骤步骤s14中，根据所述距离进行倒序排列，距离最大的特征对用户满意度影响最大；根据排列结果取出第二预设数量个影响用户满意度的特征。例如，如表1所示，得到影响某用户满意度的前10个主要(top10)特征。
[0052]
表1影响某用户满意度的top10特征
[0053]
特征corr_x_v客户级别0.499860省内通话次数0.497440上行弃包率0.496560用户通过自助终端办理业务的次数0.495520终端价值0.494030语音呼转总次数0.492060
切换成功率0.4918802g通话次数0.489270套餐类型130.48738010086呼叫时长0.486840
[0054]
本发明实施例通过结合用户个人消费属性特征数据(b域数据)与网络数据(o域数据)，建立用户特征数据库，通过梯度提升树预测用户满意度，并利用特征与满意度相关系数到个体中心均值的距离，得到影响用户满意度的主要因素，解决了以往只能通过用户的业务异常信令特征人为的判断归类用户不满意原因导致的结果单一，不准确的问题。
[0055]
本发明实施例通过获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征，能够科学的评估消费行为、网络质量等因素对用户满意度的影响。
[0056]
图3示出了本发明实施例的影响用户满意度主因的预测装置的结构示意图。如图3所示，该影响用户满意度主因的预测装置包括：数据获取单元301、满意度预测单元302、距离计算单元303以及特征输出单元304。其中：
[0057]
数据获取单元301用于获取用户消费数据和用户网络数据，并提取与满意度相关的特征；满意度预测单元302用于根据所述特征进行满意度预测，输出用户的满意度；距离计算单元303用于针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；特征输出单元304用于根据所述距离输出影响用户满意度的特征。
[0058]
在一种可选的方式中，数据获取单元301用于：应用卡方分布算法，提取与满意度相关的第一预设数量个所述特征。
[0059]
在一种可选的方式中，满意度预测单元302用于：获取往期满意度调查数据样本并进行预处理；根据所述往期满意度调查数据样本选择进行满意度预测的最优模型；将所述特征输入所述最优模型进行预测，并输出用户的所述满意度。
[0060]
在一种可选的方式中，满意度预测单元302用于：获取往期满意度调查数据样本；针对所述往期满意度调查数据样本，对空值进行均值填充，对异常数值进行剔除，根据满意度分值进行二分类处理，将满意度分值小于7分的标1，作为正样本，其余标0，作为负样本；对所述往期满意度调查数据样本进行样本优化，过滤掉经常出错样本得到正负样本均衡的最优样本。
[0061]
在一种可选的方式中，满意度预测单元302用于：根据所述往期满意度调查数据样本对多个模型进行训练，获取对应的召回率和f1值，其中所述模型包括逻辑回归、分类树、高斯过程、支持向量机、梯度提升决策树；根据所述召回率和所述f1值选择所述梯度提升决策树为所述最优模型。
[0062]
在一种可选的方式中，距离计算单元303用于：将所述不满意用户的所有特征进行标准化、空值处理，去量纲后，得到不满意用户的标准化后的特征；计算每个所述特征与所述满意度之间的斯皮尔曼相关系数，得到每个所述特征与所述满意度之间的所述相关系数；计算所述相关系数与所述个体中心均值的距离，其中所述个体中心均值为用户个体的所述相关系数的平均值。
[0063]
在一种可选的方式中，特征输出单元304用于：根据所述距离进行倒序排列，距离最大的特征对用户满意度影响最大；根据排列结果取出第二预设数量个影响用户满意度的特征。
[0064]
本发明实施例通过获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征，能够科学的评估消费行为、网络质量等因素对用户满意度的影响。
[0065]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的影响用户满意度主因的预测方法。
[0066]
可执行指令具体可以用于使得处理器执行以下操作：
[0067]
获取用户消费数据和用户网络数据，并提取与满意度相关的特征；
[0068]
根据所述特征进行满意度预测，输出用户的满意度；
[0069]
针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；
[0070]
根据所述距离输出影响用户满意度的特征。
[0071]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0072]
应用卡方分布算法，提取与满意度相关的第一预设数量个所述特征。
[0073]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0074]
获取往期满意度调查数据样本并进行预处理；
[0075]
根据所述往期满意度调查数据样本选择进行满意度预测的最优模型；
[0076]
将所述特征输入所述最优模型进行预测，并输出用户的所述满意度。
[0077]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0078]
获取往期满意度调查数据样本；
[0079]
针对所述往期满意度调查数据样本，对空值进行均值填充，对异常数值进行剔除，根据满意度分值进行二分类处理，将满意度分值小于7分的标1，作为正样本，其余标0，作为负样本；
[0080]
对所述往期满意度调查数据样本进行样本优化，过滤掉经常出错样本得到正负样本均衡的最优样本。
[0081]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0082]
根据所述往期满意度调查数据样本对多个模型进行训练，获取对应的召回率和f1值，其中所述模型包括逻辑回归、分类树、高斯过程、支持向量机、梯度提升决策树；
[0083]
根据所述召回率和所述f1值选择所述梯度提升决策树为所述最优模型。
[0084]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0085]
将所述不满意用户的所有特征进行标准化、空值处理，去量纲后，得到不满意用户的标准化后的特征；
[0086]
计算每个所述特征与所述满意度之间的斯皮尔曼相关系数，得到每个所述特征与所述满意度之间的所述相关系数；
[0087]
计算所述相关系数与所述个体中心均值的距离，其中所述个体中心均值为用户个
体的所述相关系数的平均值。
[0088]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0089]
根据所述距离进行倒序排列，距离最大的特征对用户满意度影响最大；
[0090]
根据排列结果取出第二预设数量个影响用户满意度的特征。
[0091]
本发明实施例通过获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征，能够科学的评估消费行为、网络质量等因素对用户满意度的影响。
[0092]
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的影响用户满意度主因的预测方法。
[0093]
可执行指令具体可以用于使得处理器执行以下操作：
[0094]
获取用户消费数据和用户网络数据，并提取与满意度相关的特征；
[0095]
根据所述特征进行满意度预测，输出用户的满意度；
[0096]
针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；
[0097]
根据所述距离输出影响用户满意度的特征。
[0098]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0099]
应用卡方分布算法，提取与满意度相关的第一预设数量个所述特征。
[0100]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0101]
获取往期满意度调查数据样本并进行预处理；
[0102]
根据所述往期满意度调查数据样本选择进行满意度预测的最优模型；
[0103]
将所述特征输入所述最优模型进行预测，并输出用户的所述满意度。
[0104]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0105]
获取往期满意度调查数据样本；
[0106]
针对所述往期满意度调查数据样本，对空值进行均值填充，对异常数值进行剔除，根据满意度分值进行二分类处理，将满意度分值小于7分的标1，作为正样本，其余标0，作为负样本；
[0107]
对所述往期满意度调查数据样本进行样本优化，过滤掉经常出错样本得到正负样本均衡的最优样本。
[0108]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0109]
根据所述往期满意度调查数据样本对多个模型进行训练，获取对应的召回率和f1值，其中所述模型包括逻辑回归、分类树、高斯过程、支持向量机、梯度提升决策树；
[0110]
根据所述召回率和所述f1值选择所述梯度提升决策树为所述最优模型。
[0111]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0112]
将所述不满意用户的所有特征进行标准化、空值处理，去量纲后，得到不满意用户的标准化后的特征；
[0113]
计算每个所述特征与所述满意度之间的斯皮尔曼相关系数，得到每个所述特征与所述满意度之间的所述相关系数；
[0114]
计算所述相关系数与所述个体中心均值的距离，其中所述个体中心均值为用户个体的所述相关系数的平均值。
[0115]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0116]
根据所述距离进行倒序排列，距离最大的特征对用户满意度影响最大；
[0117]
根据排列结果取出第二预设数量个影响用户满意度的特征。
[0118]
本发明实施例通过获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征，能够科学的评估消费行为、网络质量等因素对用户满意度的影响。
[0119]
图4示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
[0120]
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0121]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述影响用户满意度主因的预测方法实施例中的相关步骤。
[0122]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0123]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个cpu；也可以是不同类型的处理器，如一个或各个cpu以及一个或各个asic。
[0124]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0125]
程序410具体可以用于使得处理器402执行以下操作：
[0126]
获取用户消费数据和用户网络数据，并提取与满意度相关的特征；
[0127]
根据所述特征进行满意度预测，输出用户的满意度；
[0128]
针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；
[0129]
根据所述距离输出影响用户满意度的特征。
[0130]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0131]
应用卡方分布算法，提取与满意度相关的第一预设数量个所述特征。
[0132]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0133]
获取往期满意度调查数据样本并进行预处理；
[0134]
根据所述往期满意度调查数据样本选择进行满意度预测的最优模型；
[0135]
将所述特征输入所述最优模型进行预测，并输出用户的所述满意度。
[0136]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0137]
获取往期满意度调查数据样本；
[0138]
针对所述往期满意度调查数据样本，对空值进行均值填充，对异常数值进行剔除，根据满意度分值进行二分类处理，将满意度分值小于7分的标1，作为正样本，其余标0，作为
负样本；
[0139]
对所述往期满意度调查数据样本进行样本优化，过滤掉经常出错样本得到正负样本均衡的最优样本。
[0140]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0141]
根据所述往期满意度调查数据样本对多个模型进行训练，获取对应的召回率和f1值，其中所述模型包括逻辑回归、分类树、高斯过程、支持向量机、梯度提升决策树；
[0142]
根据所述召回率和所述f1值选择所述梯度提升决策树为所述最优模型。
[0143]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0144]
将所述不满意用户的所有特征进行标准化、空值处理，去量纲后，得到不满意用户的标准化后的特征；
[0145]
计算每个所述特征与所述满意度之间的斯皮尔曼相关系数，得到每个所述特征与所述满意度之间的所述相关系数；
[0146]
计算所述相关系数与所述个体中心均值的距离，其中所述个体中心均值为用户个体的所述相关系数的平均值。
[0147]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0148]
根据所述距离进行倒序排列，距离最大的特征对用户满意度影响最大；
[0149]
根据排列结果取出第二预设数量个影响用户满意度的特征。
[0150]
本发明实施例通过获取用户消费数据和用户网络数据，并提取与满意度相关的特征；根据所述特征进行满意度预测，输出用户的满意度；针对不满意用户，计算每个特征与所述满意度之间的相关系数以及所述相关系数到个体中心均值的距离；根据所述距离输出影响用户满意度的特征，能够科学的评估消费行为、网络质量等因素对用户满意度的影响。
[0151]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0152]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0153]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
[0154]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权
利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0155]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。