网络满意度预测模型构建方法及装置、预测方法及装置与流程

1.本技术涉及通信网络、机器学习建模领域的技术领域，尤其涉及网络满意度预测模型构建方法及装置、网络满意度预测方法及装置、计算装置及计算机可读存储介质。


背景技术：

2.在电信运营商的用户的网络满意度研究场景中，目前的研究方式，是针对全体用户整体的研究。但是，通常不同的用户群体可能会有不同的满意度感受。例如，具有不同网络行为(网络行为例如语音通话、网络游戏、网络视频等)的用户，对同等水平的客观网络表现情况，往往有不同的体验感知。举例来说，同样的中响应时延、高下载速率的网络状态下，偏重网络游戏的用户可能体验感知会比较差，但是偏重影视的用户可能体验感知相对会比较好。
3.另一方面，在研究用户的网络满意度时，目前的主要方法是以决策树类算法为预测模型，只能二分类的预测用户的满意度类别，即满意或不满意，不能准确预测网络满意度的具体分数。
4.综上，目前针对用户的网络满意度的研究中，对用户缺乏细化分类，并且预测网络满意度的方式比较简单，导致用户网络满意度预测结果不够精确。因此，有待提供一种能够更加精确的网络满意度的预测方案。


技术实现要素：

5.为达到上述目的，本技术提供了网络满意度预测模型构建方法及装置、网络满意度预测方法及装置、计算装置及计算机可读存储介质，以实现能够实现更加精确的对用户的网络满意度进行预测。
6.本技术第一方面提供了一种网络满意度预测模型构建方法，包括：获取用户数据，构建样本数据集，其中，所述用户数据包括至少两种指标数据；将所述样本数据集中的用户数据按照不同的用户类型进行分类；针对每个用户类型，根据该用户类型下的用户数据包括的所述至少两种指标数据，构建该用户类型的至少两个子模型；针对每个用户类型，根据该用户类型的所述至少两个子模型构建混合模型，作为该用户类型的网络满意度预测模型。
7.由上，一方面将用户数据分为不同的用户类型，实现对用户的细化分类，一方面针对每种用户类型构建网络满意度预测模型时使用多种指标数据构建出混合模型，从而能够实现所构建的网络满意度预测模型对用户满意度预测能够更加精确。
8.作为第一方面的一种可能的实现方式，还包括：对所述样本数据集中的少数类样本数据进行扩充，所述少数类样本数据包括网络满意度值位于指定阈值内的用户数据。
9.由上，同对少数类样本数据进行扩充，可以解决样本分布不均衡问题，从而能够对占数量较少的网络满意度低分用户给予更多的关注，从而在提升用户网络满意度工作实施中，具有明显优势。
10.作为第一方面的一种可能的实现方式，所述按照不同的用户类型进行分类，包括：使用以下至少一种用户类型进行分类：低零流量用户、游戏型应用用户、音乐-短视频-直播型应用用户、长视频型应用用户、综合型用户；或者，使用以下至少一种用户类型进行分类：低零语音用户、volte通话用户、本网通话型用户、异网通话型用户、综合通话型用户。
11.由上，可以用于针对手机上网用户的分类，通过上述多种类型的分类，实现对针对手机上网类用户的细化分类。也可以用于针对语音通话用户的分类，通过上述多种类型的分类，实现对针对语音通话类用户的细化分类。
12.作为第一方面的一种可能的实现方式，所述根据该用户类型下的用户数据包括的所述至少两种指标数据，构建该用户类型的至少两个子模型，包括：针对所述至少两种指标数据中的至少一种指标数据，构建该种指标数据的至少两个子模型；根据评估指标从所述该种指标数据的至少两个子模型中选择至少一个子模型作为该种指标数据的子模型；所述评估指标用于评估子模型对网络满意度的预测准确度。
13.由上，通过从多种相关关系(如从线性、平方、立方、幂、对数等相关关系)的子模型中选择选优的子模型，从而使得网络满意度预测方法更为精确。
14.作为第一方面的一种可能的实现方式，所述构建该用户类型的至少两个子模型，包括：对所述该用户类型下的用户数据按照网络满意度值进行聚类；使用聚类得到的用户数据训练所述至少两个子模型。
15.由上，通过数据聚类后的所形成的样本数据去作为训练子模型的数据集，可以减少构建子模型所使用的数据量，从而实现子模型的快速构建。
16.作为第一方面的一种可能的实现方式，所述根据该用户类型的所述至少两个子模型构建混合模型，包括：确定对预测网络满意度的影响超过阈值的指标数据；使用确定出的指标数据对应的子模型作为所述混合模型中的子模型。
17.由上，通过对形成混合模型的子模型的筛选，可以仅保留对满意度预测影响大的子模型，减小了混合模型的规模和复杂度，便于所构建的混合模型的实施，降低了混合模型实施时对算力、内存等资源的需求。
18.本技术第二方面提供了一种网络满意度预测模型构建装置，包括：第一获取模块，用于获取用户数据，构建样本数据集，其中，所述用户数据包括至少两种指标数据；第一分类模块，用于将所述样本数据集中的用户数据按照不同的用户类型进行分类；子模型构建模块，用于针对每个用户类型，根据该用户类型下的用户数据包括的所述至少两种指标数据，构建该用户类型的至少两个子模型；混合模型构建模块，用于针对每个用户类型，根据该用户类型的所述至少两个子模型构建混合模型，作为该用户类型的网络满意度预测模型。
19.本技术第三方面提供了一种网络满意度预测方法，包括：获取用户数据；根据所述用户数据确定所述用户的用户类型；根据所述用户类型获取该类型对应的混合模型，所述混合模型根据第一方面任一所述的方法构建；根据所述用户数据和所述混合模型预测所述用户的满意度。
20.本技术第四方面提供了一种网络满意度预测装置，包括：第二获取模块，用于获取用户数据；第二分类模块，用于根据所述用户数据确定所述用户的用户类型；混合模型获取模块，用于根据所述用户类型获取该类型对应的混合模型，所述混合模型根据第一方面任
一所述的方法构建；预测执行模块，用于根据所述用户数据和所述混合模型预测所述用户的满意度。
21.本技术第五方面提供了一种计算装置，包括：处理器，以及存储器，其上存储有程序指令，所述程序指令当被所述处理器执行时使得所述处理器执行第一方面任一所述的方法或第三方面所述的方法。
22.本技术第六方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令当被计算机执行时使得所述计算机执行第一方面任一所述的方法或第三方面所述的方法。
23.综上，本技术相对于背景技术，相对于传统的整体性网络满意度研究，本技术通过用户的使用行为偏好对用户进行分类，分类研究影响不同行为偏好的用户全体的网络满意度指标，可以实现用户网络满意度精细化研究，从而使得网络满意度的预测更为精确。
24.另一方面，随着通信运营商的不断努力，网络性能越来越完善，整体网络满意度已经处于高水平，网络不满意(打分在6分及以下)用户所占比例相对较低。例如，某次调研统计，上网不满意用户占比约为17.8％，语音不满意用户占比约为7.9％，分布在1-6分各个分数上，用户占比与满意用户占比相差巨大，即高分样本远远大于低分样本，存在样本分布失衡问题，故而直接采用原始调研数据建模时，机器学习更多的反映高分的特征，导致低分用户命中率低，容易出现由于信息覆盖失衡导致的预测精准率下降。而本技术解决了样本失衡问题，从而能够对低分用户给予更多的关注，从而在提升用户网络满意度工作实施中，具有明显优势。
25.另一方面，相对于现有技术方案直接把自变量数据原始值带入数学模型进行训练，忽略了现实中不同的自变量与因变量(网络满意度)间的相关关系存在的不同，本技术通过从多种相关关系(如从线性、平方、立方、幂、对数等相关关系)中选择选优的模型，从而使得预测方法更为精确。
附图说明
26.图1为本技术实施例提供的网络满意度预测模型构建方法第一实施例的流程图；
27.图2a为本技术实施例提供的网络满意度预测模型构建方法第二实施例的流程图；
28.图2b为本技术实施例提供的基于smote算法扩充样本的流程图；
29.图2c为本技术实施例提供的构建每类用户的满意度子模型的流程图；
30.图3a为本技术实施例提供的大包质差次数的优选模型的回归示意图；
31.图3b为本技术实施例提供的小包质差次数-tcp建链响应的优选模型的回归示意图；
32.图3c为本技术实施例提供的mos异常事件出现次数的优选模型的回归示意图；
33.图4为本技术实施例提供的网络满意度预测模型构建装置的示意图；
34.图5为本技术实施例提供的网络满意度预测方法的流程图；
35.图6为本技术实施例提供的网络满意度预测装置的示意图；
36.图7为本技术实施例提供的计算装置的示意图；
37.图8为本技术实施例提供的调研用户的网络满意度的统计结果的参考图。
38.应理解，上述结构示意图中，各框图的尺寸和形态仅供参考，不应构成对本技术实
施例的排他性的解读。结构示意图所呈现的各框图间的相对位置和包含关系，仅为示意性地表示各框图间的结构关联，而非限制本技术实施例的物理连接方式。
具体实施方式
39.下面结合附图并举实施例，对本技术提供的技术方案作进一步说明。应理解，本技术实施例中提供的系统结构和业务场景主要是为了说明本技术的技术方案的可能的实施方式，不应被解读为对本技术的技术方案的唯一限定。本领域普通技术人员可知，随着系统结构的演进和新业务场景的出现，本技术提供的技术方案对类似技术问题同样适用。
40.应理解，本技术实施例提供的网络满意度预测方案，包括网络满意度预测模型构建方法及装置、网络满意度预测方法及装置、计算设备、计算机可读存储介质及计算机程序产品。由于这些技术方案解决问题的原理相同或相似，在如下具体实施例的介绍中，某些重复之处可能不再赘述，但应视为这些具体实施例之间已有相互引用，可以相互结合。
41.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外，本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。为了准确地对本技术中的技术内容进行叙述，以及为了准确地理解本发明，在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义：
42.1)使用时长(minutes of usage，mou)，用于表示语音通话时长。
43.2)使用流量(dataflow of usage，dou)，用于表示上网的使用流量。
44.3)互动式语音应答(interactive voice response，ivr)，一种交互式业务，例如通过电话进入服务中心，根据操作提示收听手机娱乐产品，或根据用户输入的内容播放有关的信息。
45.4)每用户平均收入(arpu-average revenue peruser，arpu)，用于表示一个时间段内运营商从每个用户所得到的收入。
46.5)平均意见得分(mean opinion score，mos)，用于评估语音通话质量的指标之一。
47.6)blockcall/dropcall，本技术实施例中，blockcall表示通话受阻，未接通，dropcall表示通话时中断，掉话，属于语音通话质量差(检测语音质差)的事件。
48.7)访问位置寄存器(visiting location register，vlr)，用于服务于其控制区域内的移动用户，存储着进入其控制区域内已登记的移动用户相关信息，为已登记的移动用户提供建立呼叫连接的必要条件。
49.8)gsm黑洞，或称gsm无线寻呼黑洞，表示gsm无线寻呼失败率较高的区域。
50.9)回归模型决定系数，简称决定系数，英文表示为r2，r2的主要作用是衡量数据中的因变量可以被某一模型进行计算解释的准确度。本技术实施例中可用于评估某指标数据对应的子模型对网络满意度的预测准确度。其计算公式为：r2＝1-(ss
res
/ss
tot
)。
51.ss
tot
表示离差平方和，其计算公式为代表因变量的波动，即因变量实际值yi与其平均值之间的差值平方和。
52.ss
res
表示误差平方和，其计算公式为代表因变量实际值yi与模型拟合值之间的误差大小。
53.10)最小二乘法，又称最小平方法，是一种数学优化技术。它通过最小化误差的平方来寻找数据的最佳函数匹配。
54.11)合成少数类过采样技术(synthetic minority oversampling，smote)，一种数据集扩充方法，可以实现随机的增大少数类的样本数量。其原理是以每个样本的k个近邻样本为依据，从这k个近邻样本中随机的选择n个邻近样本，一个邻近样本与对应样本的差值乘上一个[0,1]范围的阈值后与该对应样本的和，构成合成的新样本。
[0055]
12)边界smote(broderline-smote)算法，将边界信息(边界处的样本)与smote算法结合的一种数据集扩充方法。
[0056]
13)欧式距离，空间内两点之间的距离表示法，它定义于欧几里得空间中马氏距离，可用于机器学习模型中衡量两个样本间的相似度。也可以采用马氏距离。
[0057]
14)某指标的模型，本技术实施例中，某指标的模型以所选自变量为唯一自变量，以上网/语音满意度为唯一因变量的线性或非线性映射关系。例如公式y＝f(x)中，x为自变量，y为因变量，f表示线性或非线性函数。
[0058]
15)t值与p值，指t检验中的t值和p值，在回归分析中，t值与p值可以分别用于确定自变量对因变量的影响是否显著和是否可信。当t值大于某设定值且p小于某设定值时，表示自变量对因变量的影响显著且可信。
[0059]
本技术实施例提供了一种网络满意度预测模型构建方法及使用该模型的预测方法，其中，下述实施例中，基于用户上网或语音通话行为对进行用户画像，划分为不同类型的用户(例如后文表1a或表1b示出的用户类型)，针对不同的用户类型，分别根据各指标(例如后文步骤s110中列举的指标)所建立的子模型来建立混合模型(例如后文步骤s150示出了混合模型)，并使用该混合模型进行用户的网络满意度预测，实现用户网络满意度精细化研究，预测结果更为精确。其中，本技术实施例的应用场景可以是对用户使用终端访问网络的网络满意度的预测，也可以是对用户使用终端进行语音通话的网络满意度预测。这里的终端可以是手机、移动电脑、pad或计算机等可以访问网络，或发起语音通话的设备。
[0060]
下面参见附图，对本技术提供的网络满意度预测模型构建方法的第一实施例进行详细介绍。如图1所示，本技术提供的网络满意度预测模型构建方法的第一实施例包括以下步骤：
[0061]
s10：获取用户数据，构建样本数据集，其中，所述用户数据包括至少两种指标数据。
[0062]
在一些实施例中，这里的用户数据可以是历史数据，可以包括对用户进行满意度调研时形成的数据，也可以包括用户进行满意度投诉时形成的数据。
[0063]
其中，用户数据中包括用户网络满意度值外，还包括至少两种指标数据。在一些实施例中，用户数据中的网络满意度值，可以是在对用户进行满意度调查时，根据用户的调查内容计算出的网络满意度值，或直接由用户进行打分得到的网络满意度值。在一些实施例中，满意度调查的方式可以是通过向用户所使用的终端提供电子式的调查问卷(电子式包括：网络页面式、短信式、即时通讯式等)，或通过相应app(如服务商提供的app)内置的问卷，或是通过纸件式调查问卷等方式进行满意度调查。
[0064]
在一些实施例中，所述至少两种指标数据可以大体按照用户属性类信息、行为类信息进行划分等。在一些实施例中，行为类信息可以包括上网类、语音通话类信息，本技术实施例可以分别构建上网类和语音通话类的网络满意度预测模型。关于用户属性类信息、上网类、语音通话类信息分别所包含的指标数据的一些举例，可参见后述步骤s110中的描述。
[0065]
在一些实施例中，还包括对所获取的用户数据进行数据预处理的步骤，数据预处理包括数据异常值处理、缺失值处理、数据归一化、数据标准化、数据编码、数据集的扩充等。在后述的步骤s120中示出了预处理的一些实施例。
[0066]
s20：将所述样本数据集中的用户数据按照不同的用户类型进行分类。
[0067]
在一些实施例中，可以基于预先设定的不同用户类型，并对应不同用户类型设定有不同的规则，使用该规则对用户数据进行分类。例如设定不同用户类型的规则可以是：所使用的流量、某类app使用频率、语音通话时长、语音通话的跨网类型等，根据设定的这些规则，对用户数据进行分类。对此，将在后文将进一步进行描述。
[0068]
在一些实施例中，所述用户类型，也可以是通过机器学习而生成，例如将样本数据集通过聚类算法聚类生成各用户类型，又例如采用无监督学习方式训练分类神经网络而得到各用户类型。
[0069]
其中，每种用户类型所包括的规则或特征，形成了该用户类型的特征画像，因此本步骤也可以描述为：将样本数据集中的用户数据基于用户画像分为不同的用户类型。
[0070]
s30：针对每个用户类型，根据该用户类型下的用户数据包括的所述至少两种指标数据，构建该用户类型的至少两个子模型。
[0071]
在一些实施例中，针对每种指标数据构建该指标数据的子模型时，可以构建该指标数据对应的多种子模型，然后从中优选一个子模型，作为该指标数据所使用的子模型，例如从该指标数据对应的多种子模型f1、f2、f3、f4中，优选出f1作为该指标数据所使用的子模型。在另一些实施例中，也可以从构建的该指标数据对应的多种子模型中选择多个子模型，使用这多个子模型构建一混合子模型作为该指标数据所使用的子模型。例如从该指标数据对应的多种子模型f1、f2、f3、f4中，选择f1、f3构建混合模型af1 bf2作为该指标数据所使用的子模型，这里的a、b表示系数。
[0072]
在一些实施例中，构建某指标数据对应的多种子模型时，这些子模型可以包括多种一元回归模型，一元回归模型以函数表示为f(x)，可以例如：线性函数f(x)＝ax b、非线性函数，其中，非线性函数包括：多项式函数f(x)＝ax2 bx c、幂函数f(x)＝axb、对数函数f(x)＝a ln(x) b、指数函数f(x)＝ae-bx
等函数，其中，上述公式里的a、b、c表示对应公式的系数或常数。
[0073]
在一些实施例中，构建的多种子模型也可以包括多元回归模型，由于多元回归模型是多个自变量对应一个因变量，因此，可以以多个指标数据来构建子模型。例如构建二元回归模型时，对于两个指标数据，可以构建多种二元回归模型，二元回归模型以函数表示为f(x1，x2)，如线性二元函数，非线性二元函数，然后优选一个二元回归模型作为这两个指标数据所要使用的二元回归模型，或根据多个二元回归模型构建混合二元回归模型作为这两个指标数据所要使用的二元回归模型。
[0074]
在一些实施例中，构建的多种子模型也可以同时包括一元回归模型和多元回归模
型。
[0075]
在一些实施例中，从某指标数据对应的多种子模型中优选一子模型的方式可以为：根据一评估指标分别评估各个子模型对网络满意度的预测准确度，据此优选出所构建的子模型。后续表2a、表2b列举出了部分指标数据所对应的子模型的一实施例，每个指标数据的子模型均是从该指标数据的多个子模型中优选出的子模型。在一些实施例中，所述评估指标可以是回归模型决定系数r2。在另一些实施例中，评估指标也可以是：使用测试集对子模型进行验证的得到的准确度，其中测试集是由样本数据集中的一部分用户数据所构成。
[0076]
s40：针对每个用户类型，根据该用户类型的所述至少两个子模型构建混合模型，作为该用户类型的网络满意度预测模型。
[0077]
在一些实施例中，各子模型为一元回归模型时，该混合模型可以为a1*f(指标数据1) a2*f(指标数据2) a3*f(指标数据3)
…
。在另一些实施例中，各子模型也可以为多元回归模型，例如为二元回归模型时，该混合模型可以为a1*f(指标数据1，指标数据2) a2*f(指标数据3，指标数据4) a3*f(指标数据5，指标数据6)
…
。其中，这里的指标数据1、指标数据2、指标数据3等为各子模型中的自变量，这里的a1、a2、a3表示系数。在另一些实施例中，也可以是一元、多元的混合模型。
[0078]
在一些实施例中，对于上述步骤s10所构建的样本数据集，还可以对所述样本数据集中的少数类样本数据进行扩充，例如，所述少数类样本数据可以包括网络满意度值位于指定阈值内的用户数据。例如，对应满意度值低于2分，或低于1分的用户数据为少量，则可以对这部分用户数据进行样本扩充。
[0079]
在一些实施例中，所述样本扩充的方式可以是基于smote算法进行扩充，或基于broderline-smote算法进行扩充。在一些实施例中，也可以在确定出少数类样本数据后，对少数类样本数据进行随机方式扩充。
[0080]
在一些实施例中，对于上述步骤s20中所述的按照不同的用户类型进行分类，可以使用以下至少一种用户类型进行分类：低零流量用户、游戏型应用用户、音乐-短视频-直播型应用用户、长视频型应用用户、综合型用户。这种分类可以针对上网类用户。其中，分类时，可以参考下述至少一种信息：月度使用总流量、使用游戏类应用总流量、使用长视频类应用总流量、使用短视频类应用总流量、使用直播类应用总流量、使用音乐类应用总流量、上网的偏好应用类型等。其中，具体所形成的分类规则的例子，可以具体可参见后述的表1a中示出的例子。
[0081]
在一些实施例中，对于上述步骤s20中所述的按照不同的用户类型进行分类，可以使用以下至少一种用户类型进行分类：低零语音用户、volte通话用户、本网通话型用户、异网通话型用户、综合通话型用户。这种分类可以针对语音通话类用户。其中，分类时，可以参考下述至少一种信息：月度通话总时长、网内通话总时长、跨网通话总时长、volte语音通话总时长，使用语音通话的通话网络类型偏好等。其中，具体所形成的分类规则的例子，可以具体可参见后述的表1b中示出的例子。
[0082]
在一些实施例中，对于上述步骤s30中的构建某用户类型的子模型时，对应该用户类型下的用户数据，可以先按照网络满意度值对这些用户数据(即样本数据)进行聚类，聚类的结果作为样本数据，以该样本数据去构建该用户类型的各个子模型。这样可以减少构
建子模型所使用的数据量，从而实现子模型的快速构建。在一些实施例中，可以按照网络满意度值分为1-10个区间进行聚类，在其他实施例中也可以分为更多或更少的区间进行聚类。在后述的步骤s141中示出了聚类的一种实施例。
[0083]
在一些实施例中，对于上述步骤s40中的构建混合模型时，可以进一步对构建该混合模型的各个子模型进行筛选，可以包括：首先，确定对预测网络满意度的影响超过阈值的指标；然后，使用所述确定出的指标对应的子模型作为所述混合模型中的子模型。这里提到的阈值可以是一个具体值(如影响力数值)，也可以是占比值(如所有指标的影响力排序的前10％的指标)。通过对子模型的筛选，可以减少混合模型的复杂度，且由于所筛掉的子模型对网络满意度的预测影响不大，基本不影响对网络满意度的预测精度和准确性。
[0084]
在一些实施例中，筛选时，对于对预测网络满意度的影响超过阈值的指标的确定方法，可以基于统计学原理确定，例如可以基于t检验方式中的t值和p值，来确定各指标数据(自变量)对预测网络满意度(因变量)的影响。在另一些实施例中，也可以是基于本领域的专家的经验值进行所述指标数据的确定。
[0085]
下面参见附图2a至图2c，对本技术提供的网络满意度预测模型构建方法的第二实施例进行详细介绍，本实施例中，所述的网络满意度是指用户通过移动终端使用网络(如上网、语音通话)的满意度。如图2a所示，网络满意度预测模型构建方法的第二实施例包括以下步骤：
[0086]
s110：获取用户数据，构建样本数据集。其中，每个用户数据构成的每个样本数据。
[0087]
其中，用户数据包括了用户网络满意度值以及用户属性类信息及行为类信息。本实施例中，行为类信息可以包括上网类、语音通话类信息。
[0088]
用户的属性类信息可以包括以下的一种或多种指标数据：用户年龄、性别、客户类型(如普通用户、高价值用户等)、套餐类型(例如120元套餐、180元套餐、240元套餐等)、终端品牌(例如华为、苹果等)等。
[0089]
上网类信息可以包括以下的一种或多种指标数据：月度使用总流量、使用游戏类应用总流量、使用长视频类应用(如爱奇艺、芒果tv等)总流量、使用短视频类应用(例如抖音、快手等)总流量、使用直播类应用(例如虎牙直播、斗鱼等)总流量、使用音乐类应用(例如网易云音乐、喜马拉雅等)总流量等。
[0090]
其中，目前应用(app)集成度高，例如视频类应用中同时具有长视频、短视频和直播功能，本技术实施例中，根据一定的类型优先级划分顺序进行分类，例如可以参见后述表1a、表1b中划分规则中描述的优先级别，以解决集成有多种功能的应用的划分。在其他一些实施例中，划分顺序也不限于本技术实施例的规则，也可以是基于其他规则划分。
[0091]
语音通话类信息可以包括以下的一种或多种指标数据：月度通话总时长、网内通话总时长、跨网通话总时长、volte语音通话总时长等。
[0092]
在一些实施例中，用户属性类信息及行为类信息的部分指标数据的获得，可以是从各个运营商，如网络通讯运营商、某应用(app)的运营商提供，或从用户终端处获得。
[0093]
其中，每个用户的数据可以以多维方式表示，例如以(d1、d2
…
dn、ds)表示某用户x的数据，n为所使用的指标个数，如上述提到的所选的部分指标数据或全部指标数据，dn表示第n种指标数据的值，ds表示用户的网络满意度值。
[0094]
s120：对所获取的用户数据进行预处理。
[0095]
在一些实施例中，数据预处理包括数据异常值、缺失值、归一化、标准化、编码等。在一些实施例中，可以对异常值进行均值替换处理或删除对应的样本，可以对缺失值进行均值补齐处理或删除对应的样本，可以对数据(例如流量、时长等为连续值取值的指标)转换到0-1之间的归一化或标准化处理，可以对数据中的枚举值(例如年龄、性别、客户类型、套餐类型、终端品牌等指标)使用独热(one-hot)方式进行编码处理。
[0096]
在本实施例中，还通过smote算法对少数类样本进行数据集扩充处理，即对用户占比较低的网络满意度值的这类用户进行新样本构造，以解决样本分布不均衡问题。本实施例中，如图2b所述，基于smote算法扩充样本的步骤包括以下子步骤s121-s123：
[0097]
s121：对于少数类中每一个样本(这里的一个样本即一个用户数据)x，以欧氏距离或马氏距离为标准计算它到样本数据集中其他各样本的距离，根据得到的距离可得到其k个近邻样本。
[0098]
在一些实施例中，可以将其他各样本按照计算出的距离值从小到大排序，然后选取排序后的前k个近邻样本。在另一些实施例中，也可以根据预设的百分比选取一定比例的邻近样本，这些邻近样本构成所述k个邻近样本。
[0099]
s122：根据少数类样本在样本数据集中的不平衡的比例，确定要生成多少新样本，以使得扩充的少数类样在样本数据库中的比例接近或达到平衡。本实施例中，对于每一个少数类样本x，从其k近邻样本中随机选择n个邻近样本，也即对少数类样本的数量扩充n倍。
[0100]
s123：对于每一个随机选出的近邻样本xn，分别与对应的原样本x按照x
new
＝x rand(0,1)
×
(x
n-x)式构建新的样本，该新的样本作为数据集的扩充样本。
[0101]
其中，每个预处理后的用户数据可以记为(d1、d2
…
dn、ds)，这里的d表示预处理后的指标数据，n为所使用的指标数据的个数，dn表示第n种指标数据预处理后的值，ds表示预处理后的用户的网络满意度值，如归一化、标准化后的值。
[0102]
s130：将样本数据集中的用户数据(包括扩充后的样本)进行分类，形成不同用户类型的用户数据集，也可以称为形成不同类型的样本数据集，或称为形成不同画像的用户数据集。
[0103]
在本技术实施例中，依据上网类、通话类的所包含的指标，共计分为10个用户类型。
[0104]
其中：
[0105]
本例中，针对手机上网用户的分类，基于月度使用总流量、使用游戏类应用总流量、使用长视频类应用总流量、使用短视频类应用总流量、使用直播类应用总流量、使用音乐类应用总流量等数据，以用户使用手机上网的偏好应用类型为用户画像依据，将用户划分为：低零流量用户、游戏型应用用户、音乐-短视频-直播型应用用户、长视频型应用用户、综合型用户。各类用户和划分规则，可以如下表1a所示：
[0106][0107]
表1a-手机上网用户画像口径
[0108]
本例中，针对语音通话用户的分类，基于月度通话总时长、网内通话总时长、跨网通话总时长、volte语音通话总时长，以用户使用语音通话的通话网络类型偏好为画像依据，将用户划分为：低零语音用户、volte通话用户、本网通话型用户、异网通话型用户、综合通话型用户。各类用户和划分规则，可以如下表1b所示：
[0109]
语音通话用户的分类(画像)划分规则(或称画像口径)低零语音用户mou《10分钟(此口径第1优先)volte通话用户volte mou/总mou≥50％(此口径第2优先)本网通话型用户本网mou/总mou≥70％(此口径第3优先)异网通话型用户异网mou/总mou≥70％(此口径第4优先)综合通话型用户其余语音行为皆归纳为此类型(此口径第5优先)
[0110]
表1b-语音通话用户画像口径
[0111]
s140：基于上述10种用户类型(该10类包括表1a的5类和表1b的5类)，根据每个用户类型的用户数据集，分别构建针对每个用户类型下各指标数据的满意度子模型。具体来说，本实施例中，根据手机上网5个用户类型(具体参见表1a的5类)的用户数据，分别建立每个用户类型包含的各指标数据的手机上网满意度子模型；针对语音通话的5个用户类型(具体参见表1b的5类)的用户数据，分别建立每个用户类型包含的各指标数据的语音通话满意度子模型。
[0112]
在针对每种指标数据生成满意度子模型时，为了简化运算量，本步骤中先将用户数据集进行聚类，具体的，将网络满意度值离散为1-10，据此获得10个聚类，并根据聚类后的用户数据，使用多种基函数去构建每种指标数据的多种子模型，然后基于一元回归模型决定系数(r2值)选取其中一种模型作为某种指标数据的满意度子模型。下面以某一个用户类型的用户为例，对此进行详述，如图2c所示，包括以下子步骤s141-s143：
[0113]
s141：按照网络满意度值对样本数据集(即用户数据集)进行聚类，将各样本聚类按照满意度值1分-10分共分为10个聚类，分别统计10个聚类下，每个聚类中的自变量指标值期望值。这里的每个自变量指标对应每种指标数据。
[0114]
在一些实施例中，该自变量期望值可以是该聚类中的各个用户的该自变量指标的均值。例如，上网满意度为1的聚类中包括m个用户，这m个用户的第一指标(例如d1)的均值，为d1指标的期望值，这m个用户的第二指标(例如d2)的均值，为d2指标的期望值。由此，针对
每一种指标数据，通过10个聚类后可以得到不超过10个期望样本点(为了描述方便，后述均以得到10个期望样本点为例进行描述)，具体可参见图3a-图3c示出的图中的点，其中图3a为指标数据为大包质差次数的优选的子模型，图3b为指标数据为小包质差次数-tcp建链响应的优选的子模型，图3c为指标数据为mos异常事件出现次数的优选的子模型。
[0115]
s142：将通过所述聚类得到的期望样本点作为子模型的建模样本，将各个自变量指标值期望值作为各指标数据对应的建模样本的各指标值。然后，针对每种指标，分别使用对应的10个期望样本点(即10个建模样本，每个建模样本包括的指标的期望值和对应的网络满意度值(这里的网络满意度值指聚类使用的1-10的10个离散值))，采用多种基函数构建多个一元回归模型。
[0116]
具体的，在构建该回归模型时，可以使用回归算法遍历所采用的各个基函数，以获得各个基函数对应的各模型。本例中，所采用的各个基函数可以包括以下几种：线性函数f(x)＝ax b、多项式函数f(x)＝ax2 bx c、幂函数f(x)＝axb、对数函数f(x)＝a ln(x) b、指数函数f(x)＝ae-bx
等函数，其中，上述公式里的a、b、c表示为对应公式的系数或常数，通过回归求得。其中，回归方式可以采用最小二乘法等拟合算法。
[0117]
s143：针对每一种指标所得到的多个回归模型，以一元回归模型决定系数r2为判定条件，从这多个回归模型中优选出模型决定系数最高的一个模型作为该指标对应的子模型。由此，可以获得每个指标各自对应的一子模型，且该子模型是本步骤方法所优选的子模型。
[0118]
如下表2a示出了上网满意度所包括的部分指标的各自的优选的子模型，如下表2b示出了语音通话满意度所包括的部分指标的各自的优选的子模型。
[0119][0120]
表2a
[0121][0122]
表2b
[0123]
另外，当还需要其他指标数据的子模型时，可以参考上述步骤s140，构建该指标数据的优选的子模型。当某些指标数据为二级自变量指标数据时(二级自变量指标指的是根据原始指标计算得到的指标)，则先构建该二级自变量指标数据，然后参考上述步骤s140构建该二级自变量指标数据的优选的子模型。例如下述上网质差频次、语音质差频次，均为二级自变量指标数据：
[0124]
上网质差频次＝上网质差次数/dou(gb)，表示平均每使用1gb流量发生的上网质差事件次数；
[0125]
语音质差频次＝语音质差次数/mou(分钟)*100，表示平均每通话100分钟发生的语音质差事件次数。
[0126]
其中，上网质差次数为表2a中根据各类质差次数计算而来(例如对大包质差次数、各类小包质差次数等求和计算)，语音质差次数为表2b中根据mos异常事件出现次数、blockcall/dropcall事件出现次数计算而来(例如求和计算)。
[0127]
当如上构建了各个指标数据的优选的子模型后，则可以执行下一步，基于各指标数据对应的优选子模型去构建混合模型。
[0128]
s150：基于多个指标数据的优选的子模型构建混合回归模型。其中，该混合回归模型可以仅保留对满意度影响大的指标数据的优选子模型。
[0129]
这里对上网满意度混合模型、语音通话满意度混合模型下的各类型用户分别构建。下面，以某类型用户的上网满意度混合模型为例进行说明，该混合模型可以构建为如下形式：
[0130]
上网满意度＝a1*f(大包质差次数) a2*f(小包质差次数:tcp建链确认) a3*f(小包质差次数:tcp建链响应)
…
[0131]
其中，上述的各指标数据的子模型可为上述表2a所示的已确定出的优选的子模型，上述a1、a2、a3
…
等为每一项子模型的标准化系数，也可以称为权重值，可以通过回归算法求得，例如可以是从原建模样本中随机抽取70％样本(其余30％样本作为模型测试集使用)作为该模型训练集，采用95％的自变量置信区间，来回归出各标准化系数。
[0132]
另外，对于上述表2a、表2b示出的各个指标对应的子模型，还可以进一步计算模型的t值及p值，根据t值及p值确定出影响网络满意度的显著的指标数据(或称为用户画像指标)，仅使用这些显著的指标数据对应的子模型去构建满意度混合模型。如下表3a和表3b中第一列对应的为据此筛选后的指标数据。
[0133]
如下表3a示出了上网类用户的5个用户类型对应的回归后的各标准化系数。表3a的第一列用户画像指标是筛选保留的各指标数据，第二列是低流量用户类型的各指标数据对应的子模型的各标准化系数：例如低流量用户类型对应上述s150的上网满意度的公式，a1值为0.9％、a2值为11.2％、a3值为5.9％...
[0134]
另外，为了简化对低流量的用户类型上网满意度的预测算法，还可以进一步根据标准化系数的大小，选取排序前5的标准化系数对应的指标数据的子模型，构建所述混合模型。
[0135][0136]
表3a-上网用户画像指标及对应的子模型系数
[0137]
如下表3b示出了语音通话类用户保护的5个用户类型对应的回归后的各标准化系数，不再赘述。
[0138][0139]
表3b-语音用户画像指标及对应的子模型系数
[0140]
如图4所示，本技术实施例还相应的提供了一种网络满意度预测模型的构建装置，关于该装置的有益效果或解决的技术问题，可以参见与该构建装置对应的构建方法中的描述，或者参见发明内容中的相关描述，此处仅进行简述。该实施例中的网络满意度预测模型的构建装置，可以用于实现上述的网络满意度预测模型的构建方法中的各可选实施例。该网络满意度预测模型的构建装置10包括：
[0141]
第一获取模块11，用于获取用户数据，以构建样本数据集，其中，所述用户数据包括至少两种指标数据。具体的，可用于实现上述步骤s110及其可选实施例。
[0142]
第一分类模块13，用于将所述样本数据集中的用户数据按照不同的用户类型进行分类，形成不同用户类型的用户数据集。具体的，可用于实现上述步骤s130及其可选实施例。
[0143]
子模型构建模块14，用于针对每个用户类型，根据该用户类型下的用户数据包括的所述至少两种指标数据，构建该用户类型的至少两个子模型。具体的，可用于实现上述步骤s140及其可选实施例。
[0144]
混合模型构建模块15，用于针对每个用户类型，根据该用户类型的所述至少两个子模型构建混合模型，作为该用户类型的网络满意度预测模型。具体的，可用于实现上述步骤s150及其可选实施例。
[0145]
在一些实施例中，还包括预处理模块12，用于对所获取的用户数据进行预处理。具体的，可用于实现上述步骤s120及其可选实施例。在一些实施例中，预处理包括：对所述样本数据集中的少数类样本数据进行扩充，所述少数类样本数据包括网络满意度值位于指定阈值内的用户数据。
[0146]
在一些实施例中，所述第一分类模块13用于所述按照不同的用户类型进行分类时，具体用于：使用以下至少一种用户类型进行分类：低零流量用户、游戏型应用用户、音乐-短视频-直播型应用用户、长视频型应用用户、综合型用户。
[0147]
在一些实施例中，所述第一分类模块13用于所述按照不同的用户类型进行分类时，具体用于：使用以下至少一种用户类型进行分类：低零语音用户、volte通话用户、本网通话型用户、异网通话型用户、综合通话型用户。
[0148]
在一些实施例中，子模型构建模块14用于所述根据该用户类型下的用户数据包括的所述至少两种指标数据，构建该用户类型的至少两个子模型时，具体用于：针对所述至少两种指标数据中的至少一种指标数据，构建该种指标数据的至少两个子模型；根据评估指标从所述该种指标数据的至少两个子模型中选择至少一个子模型作为该种指标数据的子模型；所述评估指标用于评估子模型对网络满意度的预测准确度。
[0149]
在一些实施例中，子模型构建模块14用于所述构建该用户类型的至少两个子模型时，具体用于：对所述该用户类型下的用户数据按照网络满意度值进行聚类；使用聚类得到的用户数据训练所述至少两个子模型。
[0150]
在一些实施例中，混合模型构建模块15用于所述根据该用户类型的所述至少两个子模型构建混合模型时，具体用于：确定对预测网络满意度的影响超过阈值的指标数据；使用确定出的指标数据对应的子模型作为所述混合模型中的子模型。
[0151]
当基于上述网络满意度预测模型的构建方法或装置构建混合模型后，则可以使用该混合模型进行用户满意度预测。基于此，如图5所示，本技术还提供了一种满意度预测的方法，该方法可以包括以下步骤：
[0152]
s210：获取用户数据；该用户为要进行满意度预测的用户。
[0153]
s220：确定该用户的用户类型(可参见步骤s130)。例如，本实施例中，该用户类型确定为低语音型用户。
[0154]
s230：获取确定出的用户类型(例如本例中为低语音型用户的类型)对应的混合模型。
[0155]
s240：将该用户数据中的对应的预处理后的指标输入该混合模型包含的对应指标的优选模型，从而输出对该用户所预测的网络满意度值。
[0156]
在一些实施例中，所述s210后还可包括：对获取的某用户数据进行预处理(可参见步骤s120)，包括对包含的各指标的预处理。
[0157]
在一些实施例中，在执行预处理过程中，也可以先执行步骤s220，然后可以确定出该用户类型对应的混合模型，从而可以知晓所要使用的各指标数据，然后仅对用户数据的这些要使用的指标数据进行预处理，再输入该混合模型。可以进一步减少要处理的数据量。
[0158]
如图6所示，本技术实施例还相应的提供了一种网络满意度预测装置20，包括：
[0159]
第二获取模块21，用于获取用户数据；该用户数据为所要预测的用户的数据。
[0160]
第二分类模块22，用于根据所述用户数据确定所述用户的用户类型。
[0161]
混合模型获取模块23，用于根据所述用户类型获取该类型对应的混合模型，所述混合模型根据上述网络满意度预测模型的构建方法构建的。
[0162]
预测执行模块24，用于根据所述用户数据和所述混合模型预测所述用户的满意度。
[0163]
下面，对本技术实施例所构建的预测模型的效果的验证进行说明：
[0164]
基于本技术所构建的用户满意度的预测模型，通过对某市200万用户进行预测，通过比4期共计3万调研用户实际给出的网络满意度值，如图8所示的调研用户实际给出的网
络满意度值统计结果，验证模型综合精准率(即图8中的合计值)为80.7％。达到预期的预测精度。
[0165]
本技术实施例还提供了一种计算装置，包括：处理器，以及存储器，其上存储有程序指令，程序指令当被处理器执行时使得处理器执行上述实施例的方法，或其中的各可选实施例。图7是本技术实施例提供的一种计算装置600的结构性示意性图。该计算装置600包括：处理器610、存储器620。
[0166]
应理解，图7中所示的计算装置600中还可包括通信接口630，可以用于与其他设备之间进行通信。
[0167]
其中，该处理器610可以与存储器620连接。该存储器620可以用于存储该程序代码和数据。因此，该存储器620可以是处理器610内部的存储单元，也可以是与处理器610独立的外部存储单元，还可以是包括处理器610内部的存储单元和与处理器610独立的外部存储单元的部件。
[0168]
可选的，计算装置600还可以包括总线。其中，存储器620、通信接口630可以通过总线与处理器610连接。总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
[0169]
应理解，在本技术实施例中，该处理器610可以采用中央处理单元(central processing unit，cpu)。该处理器还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门矩阵(field programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。或者该处理器610采用一个或多个集成电路，用于执行相关程序，以实现本技术实施例所提供的技术方案。
[0170]
该存储器620可以包括只读存储器和随机存取存储器，并向处理器610提供指令和数据。处理器610的一部分还可以包括非易失性随机存取存储器。例如，处理器610还可以存储设备类型的信息。
[0171]
在计算装置600运行时，所述处理器610执行所述存储器620中的计算机执行指令实现上述网络满意度预测模型构建方法或预测方法的操作步骤，或其中的各可选实施例。
[0172]
应理解，根据本技术实施例的计算装置600可以对应于执行根据本技术各实施例的方法中的相应主体，并且计算装置600中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程，为了简洁，在此不再赘述。
[0173]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0174]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0175]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以
通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0176]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0177]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0178]
所述功能如果以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。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0179]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行上述网络满意度预测模型构建方法或预测方法，该方法包括上述各个实施例所描述的方案中的至少之一。
[0180]
本技术实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0181]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0182]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0183]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，
还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0184]
其中，说明书和权利要求书中的词语“第一、第二、第三等”或模块a、模块b、模块c等类似用语，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。
[0185]
在以上的描述中，所涉及的表示步骤的标号，如s110、s120
……
等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。
[0186]
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容；它不排除其它的元件或步骤。因此，其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在，但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此，表述“包括装置a和b的设备”不应局限为仅由部件a和b组成的设备。
[0187]
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例，但可以指同一实施例。此外，在一个或多个实施例中，能够以任何适当的方式组合各特定特征、结构或特性，如从本公开对本领域的普通技术人员显而易见的那样。
[0188]
注意，上述仅为本技术的较佳实施例及所运用的技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术的构思的情况下，还可以包括更多其他等效实施例，均属于本技术的保护范畴。