数据处理方法、装置和计算机可读存储介质与流程

1.本公开的实施例主要涉及计算机领域，并且更具体地，涉及数据处理方法、装置、电子设备和计算机存储介质。


背景技术：

2.为了尽可能及时地了解用户对相关产品的评价，通常会定期调查用户对相关产品的满意度。例如，生产厂商或服务提供商通常会发起问卷调查，从而掌握用户的满意度信息，从而为改善用户体验提供指导信息。随着信息技术的飞速发展，用户的数据规模迅速增长，原来人工执行的问卷调查操作和数据分析操作越来越不能全面及时地提供满意度信息。在这样的背景和趋势下，机器学习受到越来越广泛的关注。


技术实现要素：

3.根据本公开的示例实施例，提供了一种数据处理方案。
4.在本公开的第一方面中，提供了一种数据处理方法。该方法可以包括获取基于多个参考因素的参考数据而确定的因果结果。多个参考因素可以包括参考满意度和其他参考因素，因果结果可以包括参考满意度与其他参考因素之间的因果关系以及其他参考因素之间的因果关系。该方法还可以包括获取与用户相关联的多个用户因素的采样数据，多个用户因素与其他参考因素至少部分地重叠。该方法可以进一步包括基于采样数据与因果结果确定用户的第一满意度。
5.在本公开的第二方面中，提供了一种用于数据处理的装置，包括：至少一个处理单元；以及至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述装置执行动作，所述动作包括：获取基于多个参考因素的参考数据确定的因果结果，多个参考因素包括参考满意度和其他参考因素，因果结果包括参考满意度与其他参考因素之间的因果关系以及其他参考因素之间的因果关系；获取与用户相关联的多个用户因素的采样数据，多个用户因素与其他参考因素至少部分地重叠；以及基于采样数据与因果结果确定用户的第一满意度。
6.本公开的第三方面，提供了一种数据处理方法。该方法可以包括获取与经训练的因果模型和满意度预测模型相关联的模型数据。该方法还可以包括基于因果模型和多个参考因素的参考数据来确定因果结果，多个参考因素包括参考满意度和其他参考因素，因果结果包括参考满意度与其他参考因素之间的因果关系以及其他参考因素之间的因果关系。该方法可以进一步包括获取与用户相关联的多个用户因素的采样数据。此外，该方法可以包括基于满意度预测模型、采样数据和因果结果，确定用户的第一满意度。
7.本公开的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质具有在其上存储的机器可执行指令，该机器可执行指令在由设备执行时使该设备执行根据本公开的第一方面所描述的方法。
8.提供发明内容部分是为了以简化的形式来介绍一系列概念，它们在下文的具体实施方式中将被进一步描述。发明内容部分不旨在标识本公开的关键特征或必要特征，也不旨在限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
9.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：
10.图1示出了根据本公开的实施例的用于数据处理的示例系统的框图；
11.图2示出了根据本公开的实施例的用于确定多个因素间的因果关系的示意图；
12.图3示出了根据本公开的实施例的示例性的数据处理过程的流程图；
13.图4示出了根据本公开的实施例的确定策略的过程的流程图；
14.图5示出了根据本公开的实施例的获取专家知识更新因果结果的过程的流程图；
15.图6示出了根据本公开的实施例的用于数据处理的另一示例系统的框图；以及
16.图7示出了可以用来实施本公开的实施例的示例设备的示意性框图。
具体实施方式
17.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
18.在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
19.在本公开的实施例中，术语“因果结果”一般是指描述系统中的各个因素间的因果关系的因果图，在本文中也可以称为“因果关系序列”。术语“因素”也被称为“变量”。术语“参考数据”和“采样数据”指代能够被直接查看的关于多个因素的一组数据。
20.对于用户的满意度调查，一般通过专业设计的调查问卷进行。这类调查一般需要周期性进行，调研数据获取周期长、成本高、信息滞后，无法及时发现服务问题，也无法获取全体用户对服务的感知体验，不利于服务提供商全方位地调整服务策略。
21.为了确定哪些因素将影响用户对服务或产品提供商的满意度，可通过收集用户针对该服务或产品的使用行为数据、消费行为数据、针对满意度的调研数据以及服务或产品提供商针对服务或产品的策略数据中的一种或多种数据。收集的每一种类型的数据也被称为一种因素(或变量)的数据。
22.通过发现这些因素间存在的因果关系，能够确定影响满意度的一个或多个因素。进一步地，可以基于实时采集的用户数据来预测该用户当前的满意度信息，并且可以基于该满意度信息以及实时采集的用户数据制定相应策略，来提高用户对服务或产品提供商的满意度。例如，对于电信运营商的满意度，可以收集大量用户的历史消费行为数据(诸如，用户属性、每月消费的上网流量、免费流量的比率、每月消费的上网流量的总费用等)、满意度
调查数据以及评价、投诉信息等因素的特征数据。基于调研的每个用户数据与满意度数据的相应因果关系以及实时采集的用户数据(不含满意度信息)，可以预测该用户对正在使用的电信服务的满意度。进一步地，可以制定相应策略，来改善用户对电信运营商的满意度。又例如，对于软件产品(如旅游服务提供网站)的满意度，可以收集用户的使用行为数据、调研的满意度数据等。基于这些调研的使用行为数据与满意度数据的相应因果关系以及实时采集的使用行为数据，可以预测该用户对该软件产品的满意度。应理解，上述示例仅是示例性的，本公开还适用于其他需要调研获取满意度信息的产品或服务领域。
23.然而，上述数据处理方式在确定用户满意度时仅考虑了其他因素与用户满意度的因果关系，并未考虑其他因素之间的因果关系。还以电信服务为例，应理解，网络质量对用户满意度有直接影响，同时网络质量还通过语音通话时长、超出套餐外费用等因素间接影响了用户满意度(因为如果网络质量不好，用户就不得不更多地使用语音通话，而不是微信通话)。如果不考虑各因素之间的因果关系，会存在至少两个问题：1、如果只考虑网络质量对满意度的直接影响，而没有考虑各因素之间的间接影响，则会导致预测模型的权重估算不准确；2、由于语音通话时长对满意度没有直接影响，故在预测模型中可能不会包含该因素，这会导致因素选取不准确。基于至少这两方面问题，针对用户满意度的预测结果仍然不够准确。
24.根据本公开的实施例，提出了一种用于数据处理的方案。该方案能够全面地基于因果结果实现用户的满意度预测和策略制定，从而能够解决上述问题和/或其他潜在问题。以下将结合上述示例场景来详细描述本公开的各实施例。应当理解，这仅仅是出于说明的目的，不旨在以任何方式限制本发明的范围。
25.图1示出了根据本公开的实施例的用于数据处理的系统100的示例框图。应当理解，图1所示的系统100仅仅是本公开的实施例可实现于其中的一种示例，不旨在限制本公开的范围。本公开的实施例同样适用于其他系统或架构。
26.如图1所示，系统100可以包括计算设备130。计算设备130可以被配置为接收多个参考因素的参考数据110以及多个用户因素的采样数据120。作为示例，参考因素和用户因素基本重叠，其均可以是与用户行为、属性等相关联的多个项。区别在于，参考因素中包含参考满意度项，而用户因素中不包含参考满意度项。因此，参考数据110可以是与用户行为、属性等相关联的全量用户数据，其包含经调研的用户满意度数据，而采样数据120可以是与除用户满意度项之外的用户行为、属性等相关联的用户数据。
27.如图1所示，计算设备130接收多个参考因素的参考数据110，并利用布置在其中的因果模型131来确定这些参考因素的因果结果。因果结果可以包含参考满意度与其他参考因素之间的因果关系以及其他参考因素之间的因果关系。当采样数据120被输入到计算设备130中后，布置在计算设备130中的满意度预测模型132可以基于采样数据120以及预先确定的上述因果关系来确定用户的满意度140。并且，当满意度140满足预定条件时，布置在计算设备130中的策略优化模型133可以基于对采样数据120的调节以及预先确定的上述因果关系来确定可以用于向用户提供的策略150。虽然未示出，但计算设备130通常还可以具有对参考数据110和采样数据120进行常规预处理的功能。该预处理例如可以包括异常数据检测、数据清洗、缺失值填补、样本过滤、因素选择等步骤，从而提高数据质量。
28.应理解，因果模型131、满意度预测模型132、策略优化模型133可以被分别实施为
基于软件实现的因果关系分析模块、满意度预测模块、策略优化模块，其可以利用提取到的已有数据来学习特定的知识，以用于处理新数据。因果模型131、满意度预测模型132、策略优化模型133的示例包括但不限于各类深度神经网络(dnn)、卷积神经网络(cnn)、支持向量机(svm)、决策树、随机森林模型等等。
29.以上述关于电信运营商的用户满意度的场景为例，参考因素可以包括与用户属性有关的因素(例如，用户等级、用户性别、用户年龄等)、与运营商提供给用户的服务有关的因素(例如，套餐名称、每月套餐数值、每月消费数值等)、与用户行为有关的因素(例如，每月主/被叫通话时长、每月消费的上网流量、免费流量的比率、每月消费的上网流量的总值、相关网站/app登录次数、相关网站/app网页浏览历史信息等)、以及与用户反馈有关的因素(例如，投诉次数、投诉内容、用户满意度)中的一种或多种。因果模型131例如可以确定用户属性、每月消费的上网流量、免费流量的比率、每月消费的上网流量的总值等之间的因果关系以及这些因素与用户满意度的因果关系。当计算设备130接收到采样数据120后，即可以基于上述确定的因果关系来确定采样数据120的各用户因素之间的因果关系以及各用户因素与待确定的满意度140的因果关系。由此，满意度预测模型132可以预测该用户的满意度140，并且策略优化模型133可以确定较为合适的优化的策略150。
30.应当理解，系统100中所包括的这些装置和/或装置中的单元仅是示例性的，而不旨在限制本公开的范围。应当理解的是，系统100还可以包括未示出的附加装置和/或单元。例如，在一些实施例中，系统100的计算设备120中还可以进一步包括因果关系呈现装置(未示出)，用于以因果图的形式呈现上述多个因素的因果关系序列。
31.在一些实施例中，因果关系呈现装置可以进一步呈现多个因素的相应重要程度，例如以表示不同重要程度的数值(如影响系数)等方式来呈现多个因素的相应重要程度。本公开的实施例在此方面不受限制。
32.应理解，参考数据110以及因果模型131用于预先确定包含满意度项的多个参考因素项之间的因果关系。图2示出了根据本公开的实施例的用于确定多个参考因素之间的因果关系的示意图。出于简化和便于说明的目的，在图2中假设参考数据210涉及6个参考因素201、202、203、204、205和206。应理解，涉及的因素的数目可以是任意数目，例如，可以远大于6个。
33.如图2所示，参考数据210包括关于参考因素201、202、203、204、205和206的多个数据。在初始情况下，如图2中的参考数据210所示，任意两个因素间可能具有因果关系。
34.在一些实施例中，特征数据210可以被输入至计算设备130中的因果模型131，以确定多个参考因素201、202、203、204、205和206中可能存在的因果关系。应当理解，计算设备130可以利用任何已知或将来开发的因果分析处理方式来确定多个参考因素201、202、203、204、205和206中可能具有的因果关系。作为示例，因果模型131可以是诸如因果关系确定装置的机器学习模型，该机器学习模型被训练为基于多个用户的训练数据集来确定训练数据集中多个因素间的因果关系，进而确定这些参考因素之间的因果关系。备选地或附加地，机器学习模型可以是卷积神经网络(cnn)。
35.如图2所示，假设参考因素205是参考满意度，由因果模型131输出的因果结果220例如指示参考因素201是参考因素206的原因，参考因素206是参考因素202和参考因素205的原因，参考因素202是参考因素203和参考因素205的原因，参考因素203是参考因素204的
原因并且参考因素204是参考因素205的原因。
36.以上述关于电信运营商的用户满意度的场景为例，参考因素205为用户的“资费满意度”，参考因素206是语音消费相关的因素，参考因素202是流量消费相关的因素。如图2所示，语音消费相关的参考因素206可以是资费满意度的参考因素205的直接原因，也可以通过流量消费相关的参考因素202的条件因素间接作用于资费满意度205。也就是说，对应于与语音消费相关的参考因素206的值影响了对应于参考因素205的用户的资费满意度。本公开在预测用户的满意度数据以及确定优化策略时，既考虑参考因素201、202、203、204、206与参考因素205的因果关系，也考虑参考因素201、202、203、204、206之间的因果关系，从而可以更准确地实现满意度预测和策略优化。
37.图3示出了根据本公开的实施例的示例性的数据处理过程300的流程图。例如，过程300可以由如图1所示的计算设备130来执行。应当理解的是，过程300还可以包括未示出的附加动作和/或可以省略所示出的某些动作。本公开的范围在此方面不受限制。
38.在310，计算设备130可以获取基于多个参考因素的参考数据110而确定的因果结果。作为示例，这些参考因素可以包括参考满意度，还可以包括其他参考因素。例如，与用户属性有关的因素(例如，用户等级、用户性别、用户年龄等)、与运营商提供给用户的服务有关的因素(例如，套餐名称、每月套餐数值、每月消费数值等)、与用户行为有关的因素(例如，每月主/被叫通话时长、每月消费的上网流量、免费流量的比率、每月消费的上网流量的总值、相关网站/app登录次数、相关网站/app网页浏览历史信息等)等。在某些实施例中，布置在计算设备130中的因果模型131可以基于参考数据110确定因果结果。因果结果可以包括参考满意度与其他参考因素之间的因果关系以及其他参考因素之间的因果关系。应理解，参考数据110可以是与海量用户相关的历史数据，其用于预先确定采样数据120的各因素之间的因果关系。备选地或附加地，参考数据110也可以是与批量用户相关的实时数据，但需要保证数据中包含经调研的用户满意度信息。
39.在某些实施例中，针对输入的参考数据110，可以执行诸如特征工程的预处理过程。例如，可以通过将语音消费相关的因素对应的值除以总消费数值得到某个用户的语音消费占比，可以通过将主动发起服务次数除以总服务次数得到某个用户的主动发起服务次数占比，通过将主叫通话时长除以语音费用得到某个用户的语音边际比等等，并且这些经处理的数据进行向量化。
40.在320，计算设备130可以进一步获取与用户相关联的多个用户因素的采样数据120。这些用户因素与上述参考因素至少部分地重叠。作为示例，用户因素与上述参考因素的区别在于，用户因素中不包含用户的满意度，也就是说，用户的满意度信息是待确定的。计算设备也可以对输入的采样数据120执行上述预处理过程。应理解，为了在多种粒度下对用户进行操作，用户可以是单个用户，也可以是属于特定群体的用户集合。
41.在330，计算设备130可以基于采样数据120以及基于多个参考因素的参考数据110而确定的因果结果来预测用户的满意度140。在某些实施例中，布置在计算设备130中的满意度预测模型132可以基于预先确定的多个参考因素的因果结果以及实时输入的采样数据120来预测满意度140。
42.作为示例，计算设备130可以将采样数据120与基于多个参考因素的参考数据110而确定的因果结果应用于满意度预测模型132，以确定满意度140。在某些实施例中，满意度
预测模型132是通过将参考采样数据与参考因果结果作为输入、以及将对应的经标注的参考满意度作为输出来训练得到的。
43.应理解，还可以基于预测的满意度与实际满意度之间的差别来更新满意度预测模型132。作为示例，计算设备130可以基于确定的满意度140和从用户接收的真实满意度更新满意度预测模型132。
44.通过以上实施例，本公开可以实现自动化的用户满意度预测，从而实现对用户满意度的动态监测。具体地，可以通过定时或不定时的调研有限数目的用户(例如，几百或几千个用户或更少)并用这些用户的数据建立因果模型，就可以用于预测海量数目的用户(例如，几百万或几千万个用户或更多)的满意度。此外，由于本公开在预测满意度以及制定优化策略时既考虑了各因素与满意度之间的因果关系，也考虑了各因素之间的因果关系，故满意度的预测以及优化策略的制定均可以更为准确。
45.在某些实施例中，当计算设备130确定了预测的满意度140后，可以将其与一预设阈值进行比较。作为示例，如果确定预测的满意度140低于第一阈值满意度，则生成报警信号。以此方式，可以通知工作人员及时关注满意度不符合预期的用户，并将这些用户作为优化策略或安抚策略的投放对象。
46.此外，如果确定预测的满意度140低于第一阈值满意度，计算设备还可以基于采样数据120确定用于改变满意度140的策略150，并及时向用户提供策略150，从而及时有效地改善用户体验。为了便于展示，下文参照图4对确定优化策略的过程进行详细描述。
47.图4示出了根据本公开的实施例的确定策略的过程400的流程图。例如，过程400可以由如图1所示的计算设备130来执行。应当理解的是，过程400还可以包括未示出的附加动作和/或可以省略所示出的某些动作。本公开的范围在此方面不受限制。
48.在410，计算设备130可以基于上述因果结果确定多个用户因素对满意度的影响系数以及多个用户因素之间的影响系数。作为示例，计算设备130可以基于参考数据确定这些因素中除满意度以外的其他因素对满意度的影响因子以及其他因素之间的影响因子。作为示例，在上述电信运营商场景中，计算设备130可以利用任何已知或将来开发的处理方式来确定其他因素对满意度的影响因子以及其他因素之间的影响因子。例如，各因素对作为目标因素的满意度的影响因子分别是：a、b、c、d
…
，各因素之间的影响因子分别是w、x、y、z
…
。
49.在420，计算设备130可以将多个用户因素中影响系数大于阈值系数的用户因素确定为关键因素。并且在430，计算设备130可以基于对所述关键因素中的至少一个关键因素的采样数据的调节，确定策略。作为示例，可以按照遍历地组合所有调节方式。还应理解，为了保证可以在各粒度下实现策略优化，此处对关键因素的识别可以包含对群体关键因素的识别以及对个体关键因素的识别。由此可以基于预测的满意度确定需要提供相应策略的个体或群体。
50.在某些实施例中，可以基于对上述至少一个因素的采样数据的调节来确定备选策略。作为示例，布置在计算设备130中的策略优化模型可以基于上述至少一个因素的多个备选调节方式来确定备选策略。之后，计算设备130可以基于经调节的采样数据与因果结果确定经调节的满意度。如果经调节的满意度高于预期的第二阈值满意度、或者高于上述满意度140，则可以将上述备选策略确定为策略150。应理解，可以允许用户设定优化策略的预期目标。作为示例，策略目标可以是单目标，例如：满意度大于一阈值；策略目标也可以是多目
标，例如：满意度大于一阈值，并且投入的成本不超过一阈值。进一步地，计算设备130可以接收针对一个或多个预期目标的输入操作，执行所述确定策略的步骤。
51.在某些实施例中，计算设备130可以基于参考因素之间的影响系数确定一个或多个备选策略。应理解，计算设备130可以被制造为包括具有仿真功能的机器学习模型。该机器学习模型被训练为基于参考数据确定参考因素中的其他参考因素对参考满意度的影响因子以及其他参考因素之间的影响因子，进而针对用户因素中影响因子较高的部分用户因素确定策略150。优选地，考虑到每个因素的相应成本不同，影响因子高的因素有可能成本较高，因此可以在控制成本的同时选择影响因子较高的用户因素确定策略150。
52.作为示例，在上述电信运营商场景中，机器学习模型可以根据参考数据确定各因素对作为目标因素的满意度的影响因子分别是：a、b、c、d
…
，各因素之间的影响因子分别是w、x、y、z
…
。进而，机器学习模型可以确定影响因子较高的参考因素，并针对相应的用户因素来制定策略。这些策略被确定为备选策略。进而，通过满意度预测模型132来预测各备选策略的满意度，当满意度高于一阈值时，可以将该备选策略确定为策略150。优选地，可以将预测的满意度最大的备选策略确定为策略150。
53.此外，还可以进一步接收或监控投放策略后的用户反馈的真实满意度数据。可以将针对策略150预测的满意度与用户反馈的真实满意度进行比较。如果经过策略优化的满意度的提升没有达到预期，则说明策略优化模型133需要进行更新。因此，可以基于更新的参考数据等信息来进一步训练策略优化模型133。
54.应理解，除了对满意度预测模型132以及策略优化模型133进行更新之外，为了更准确地预测满意度以及制定优化策略，还可以对因果模型131进行更新。
55.图5示出了根据本公开的实施例的获取专家知识更新因果结果的过程的流程图。例如，过程500可以由如图1所示的计算设备130来执行。应当理解的是，过程500还可以包括未示出的附加动作和/或可以省略所示出的某些动作。本公开的范围在此方面不受限制。
56.在510，计算设备130可以从因果结果中获取置信度高于阈值置信度的因果关系，以作为专家知识。作为示例，计算设备130可以在确定因果结果的同时，确定每个因果关系的置信度，并选取置信度较高的因果关系作为专家知识。备选地或附加地，由于调研数据通常会周期性地更新，故每获得新的调研数据，均可以重新确定一次因果结果。在多次确定的因果结果中稳定存在的因果关系可以被确定为专家知识。此外，在制定的策略150实施之后，计算设备130可以利用满意度预测模型132评估满意度改善效果，从而发现策略中的哪些措施更有效。这些措施可以被确定为关键影响因素，以作为专家知识。
57.在520，计算设备130可以获取多个参考因素的更新的参考数据。多个参考因素的更新的参考数据可以是定期或不定期更新的调研数据。进而，在530，计算设备130可以基于更新的参考数据和专家知识更新因果模型131，从而更新因果结果。以此方式，通过确定专家知识，可以使因果模型131准确、快速地确定因果结果。
58.图6示出了根据本公开的实施例的用于数据处理的另一示例系统600的框图。应当理解，图6所示的另一示例系统600仅仅是本公开的实施例可实现于其中的一种示例，不旨在限制本公开的范围。本公开的实施例同样适用于其他系统或架构。
59.如图6所示，与图1的系统100的区别在于，系统600包括了第一计算设备6301和第二计算设备6302。第二计算设备6302类似于图1中的计算设备130，故在此不再赘述。系统
600中加入了第一计算设备6301。
60.在某些实施例中，第一计算设备6301中的因果模型631对应于第二计算设备6302中的因果模型634，也就是说，第二计算设备6302从第一计算设备6301处获取与经训练的因果模型631和满意度预测模型632相关联的模型数据。之后，第二计算设备6302就可以基于因果模型634和多个参考因素的参考数据110来确定因果结果。这些参考因素包括参考满意度和其他参考因素，并且因果结果包括参考满意度与其他参考因素之间的因果关系以及其他参考因素之间的因果关系。第二计算设备6302可以获取与用户相关联的多个用户因素的采样数据，并且基于满意度预测模型635、采样数据120和因果结果，确定用户的满意度140。此外，第二计算设备6302还可以基于策略优化模型636、采样数据120和因果结果确定策略150。
61.应理解，对于服务提供商或产品提供商而言，第一计算设备6301与第二计算设备6302可以布置在不同位置，并且第二计算设备6302可以是多个计算设备，且这些计算设备与第一计算设备6301是相互独立的计算实体。第一计算设备6301用于基于定量的用户数据训练因果模型631、满意度预测模型632和策略优化模型633，并将训练好的模型下发到第二计算设备6302以形成因果模型634、满意度预测模型635和策略优化模型636。由于第二计算设备6302可以被布置为距离其下辖的用户更近，故可以及时处理用户数据。应理解，第一计算设备6301和第二计算设备6302均可以实现对布置在其中的模型的训练和更新。
62.图7示出了可以用来实施本公开的实施例的示例设备700的示意性框图。例如，如图1所示的计算设备130可以由设备700来实施。如图所示，设备700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序指令，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。cpu 701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
63.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。应理解，本公开可以利用输出单元707显示用户满意度的实时动态变化信息、满意度的群体用户或个体用户的关键因素识别信息、优化策略信息、以及策略实施效果评估信息等。
64.处理单元701可通过一个或多个处理电路来实现。处理单元701可被配置为执行上文所描述的各个过程和处理，例如过程300、400和/或500。例如，在一些实施例中，过程300、400和/或500可以被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序被加载到ram 703并由cpu 701执行时，可以执行上文描述的过程300、400和/或500中的一个或多个步骤。
65.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
66.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储
设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
67.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
68.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
69.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
70.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
71.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的
指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
72.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
73.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。