一种低感知用户的挖掘方法、装置及电子设备与流程

1.本发明实施例涉及无线通信技术领域，尤其涉及一种低感知用户的挖掘方法、装置及电子设备。


背景技术：

2.随着无线互联网和5g技术的蓬勃发展，在移动用户对于随时随地访问互联网的需求日益增长的同时，用户对无线网络质量的投诉量也在持续增长。如果在用户投诉以后再对其投诉的问题进行处理，则始终都会对用户的使用体验产生负面影响。因此，如果能在用户投诉前将主动修复用户所要解决的网络问题则能极大地提升用户的使用体验(或感知状态)。
3.目前，主要依靠传统的网络运维方式，通过定期分析和监控无线网络的性能指标恶化情况，对相关网络小区进行问题整治和性能优化进而改善移动用户的使用体验。而针对单个用户的使用体验的评估和分析手段，则主要依靠异常信令的统计，进行用户低速率、或者低接通的分析。
4.然而，仅基于异常信令的统计来评价单个用户的使用体验，显然较为片面，而且由于评价标准往往有固定的指标门限值，也难以贴近用户的实际使用体验。


技术实现要素：

5.本发明实施例提供一种低感知用户的挖掘方法、装置及电子设备，用于解决现有的评价用户使用体验或感知状态的方法较为片面，难以贴近用户的实际使用体验的问题。
6.本发明实施例采用下述技术方案：
7.第一方面，提供了一种低感知用户的挖掘方法，包括：
8.获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
9.将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
10.如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖掘的用户的移动业务进行优化处理；
11.其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
12.第二方面，提供了一种低感知用户的挖掘装置，包括：
13.获取模块，用于获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
14.输出模块，用于将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
15.优化模块，用于如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖
掘的用户的移动业务进行优化；
16.其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
17.第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下步骤：
18.获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
19.将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
20.如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖掘的用户的移动业务进行优化处理；
21.其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
22.第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
23.获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
24.将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
25.如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖掘的用户的移动业务进行优化处理；
26.其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
27.本发明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：
28.本说明书实施例能够获取待挖掘的用户的移动业务指标，该移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标，并能够将待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出待挖掘的用户的感知状态，该感知状态包括低感知状态和高感知状态，并当待挖掘的用户的感知状态为低感知状态，能够对待挖掘的用户的移动业务进行优化处理。由于判断待挖掘的用户感知状态依据的移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标，这几个移动业务指标较为全面地涵盖了用户所使用的移动业务。而且用来预测用户感知状态的低感知用户预测模型是基于多个用户的移动业务指标构建的挖掘树得到的，能够较为准确地对用户的感知状态进行预测和评价。
附图说明
29.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，本技术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：
30.图1为本说明书的一个实施例提供的一种低感知用户的挖掘方法的实现流程示意图；
31.图2为本说明书的一个实施例提供的低感知用户的挖掘方法中决策树的示意图；
32.图3为本说明书的一个实施例提供的一种低感知用户的挖掘装置的结构示意图；
33.图4为本说明书的一个实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
34.为使本技术的目的、技术方案和优点更加清楚，下面将结合本说明书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。基于本说明书中的实施例，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。
35.为解决现有的评价用户使用体验或感知状态的方法较为片面，难以贴近用户的实际使用体验的问题，本说明书实施例提供一种低感知用户的挖掘方法。本说明书实施例提供的方法的执行主体可以但不限于个人电脑、服务器等能够被配置为执行本发明实施例提供的该方法装置中的至少一种。
36.为便于描述，下文以该方法的执行主体为能够执行该方法的服务器为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为服务器只是一种示例性的说明，并不应理解为对该方法的限定。
37.具体地，本说明书一个或多个实施例提供的一种低感知用户的挖掘方法的实现流程示意图如图1所示，包括：
38.步骤110，获取待挖掘的用户的移动业务指标，该移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标。
39.为客观描述客户网络感知，可分别从通话业务、上网业务和消息业务这三大类业务进行评估，每当用户移动网络的使用过程中出现过一次以下业务失败状况，则会对用户的感知状态造成明显的影响。因此每当发生以下任意一种业务失败状况，均可判定为用户的业务处于失败状态，记为f。
40.表1业务失败状况描述
41.业务类别表征用户感知状态的关键指标状态上网业务下载速率≤5mbps&持续时长≥10秒f上网业务上传速率≤500kbps&持续时长≥10秒f上网业务端到端时延≥500ms&持续时长≥20秒f上网业务数据连接中断&持续时长≥2秒f通话业务volte主叫无法接通&持续时长≥5秒接通f通话业务连续5秒volte通话丢包率大于等于35％f消息业务短信发送失败&持续时长≥5秒f消息业务验证码接收失败&持续时长≥30秒f消息业务彩信下载失败&持续时长≥15秒f
42.其中，所述通话业务指标至少包括通话故障的平均间隔时间(mtbf，mean time between failure)和通话故障的平均恢复时间(mttr，mean time to repair)；
43.所述上网业务指标至少包括上网故障的mtbf和上网故障的mttr；
44.所述消息业务指标至少包括消息故障的mtbf和消息故障的mttr。
45.假设待挖掘的用户出现过n次通话故障，每两次相邻的通话故障之间的时间间隔为f1t1、f1t2…
f1t
n-1
，每次出现通话故障之后由通话故障状态恢复至正常状态所耗费的时间段为r1t1、r1t2…
r1tn。那么，该待挖掘的用户的通话故障的mtbf可通过公式来计算，该待挖掘的用户的通话故障的mttr可通过公式来计算。
46.假设待挖掘的用户出现过n次上网故障，每两次相邻的上网故障之间的时间间隔为f2t1、f2t2…
f2t
n-1
，每次出现上网故障之后由上网故障状态恢复至正常状态所耗费的时间段为r2t1、r2t2…
r2tn。那么，该待挖掘的用户的上网故障的mtbf可通过公式来计算，该待挖掘的用户的上网故障的mttr可通过公式来计算。
47.假设待挖掘的用户出现过n次消息故障，每两次相邻的消息故障之间的时间间隔为f3t1、f3t2…
f3t
n-1
，每次出现消息故障之后由消息故障状态恢复至正常状态所耗费的时间段为r3t1、r3t2…
r3tn。那么，该待挖掘的用户的消息故障的mtbf可通过公式来计算，该待挖掘的用户的消息故障的mttr可通过公式来计算。
48.步骤120，将待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出待挖掘的用户的感知状态，该感知状态包括低感知状态和高感知状态。
49.其中，低感知状态通俗来讲可以理解为用户使用移动业务的使用体验不佳，高感知状态可以理解为用户使用移动业务的使用体验良好。
50.其中，低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
51.可选地，在将待挖掘的用户的移动业务指标输入到低感知用户预测模型中之前，本说明书实施例提供的方法还包括：
52.获取多个用户的移动业务指标和该多个用户的感知状态；
53.基于多个用户的移动业务指标和该多个用户的感知状态，构建决策树，得到低感知用户预测模型。
54.其中，获取多个用户的移动业务指标和该多个用户的感知状态，具体可以从当前移动网络中获取投诉用户和非投诉用户的故障明细。并将投诉用户标记为感知状态高的用户(即使用体验好的用户)、将非投诉用户标记为感知状态低的用户(即使用体验差的用户)。从这些投诉用户和非投诉用户的故障明细获取用户的业务关键指标，即计算这些投诉用户和非投诉用户的通话故障mtbf、通话故障mttr、上网故障mtbf、上网故障mttr、消息故障mtbf和消息故障mttr这6个指标，将相关记录作为构建低感知用户预测模型的训练样本，具体记录可如表2所示。
55.表2训练样本用户关键感知指标
[0056][0057]
本说明书实施例中所构建的决策树为树状结构，由多个节点构成，每个节点表示一个属性判断，通过对每个训练样本的各个属性的判断，可最终实现对训练样本的分类。本说明书实施例以表2所示的训练样本为基础，将各用户关键指标作为属性判断节点，构建决策树，实现对用户感知状态的预测。
[0058]
可选地，为实现各属性判断节点的信息增益计算，可将多个用户的移动业务指标值进行离散处理。具体地，基于多个用户的移动业务指标和所述多个用户的感知状态，构建决策树，得到低感知用户预测模型，包括：
[0059]
将多个用户的移动业务指标按照指标值从小到大的顺序进行排列，并将排列后的位于多个用户的移动业务指标的指定位置的移动业务指标，确定为预设的移动业务指标门限阈值；
[0060]
基于预设的移动业务指标门限阈值，构建预设的移动业务指标区间；
[0061]
根据预设的移动业务指标区间，将多个用户移动业务指标进行离散化处理；
[0062]
基于离散化处理后的多个用户的移动业务指标和多个用户的感知状态，构建决策树，得到低感知用户预测模型。
[0063]
具体地，可将训练样本中各类移动业务的mtbf和mttr值进行离散化处理，分别将各项移动业务指标值映射为“长”、“中”和“短”三档，映射规则可根据四分位点数据确定。具体地，可将各项移动业务指标的所有数据由小到大排列，将第25％的数字作为第一四分位数，记为q1，第50％的数字作为第二四分位数，记为q2，第75％的数字作为第三四分位数，记为q3。
[0064]
假设训练样本的总量为10000个，即多个用户的总数量为10000个，可将这10000个用户的通话故障mtbf按照由小到大的顺序进行排列，那么q1＝排列在第10000
×
25％个用户的通话故障mtbf，q2＝排列在第10000
×
50％个用户的通话故障mtbf，q3＝排列在第10000
×
75％个用户的通话故障mtbf。再将这10000个用户的通话故障mttr按照由小到大的顺序进行排列，那么q1＝排列在第10000
×
25％个用户的通话故障mttr，q2＝排列在第10000
×
50％个用户的通话故障mttr，q3＝排列在第10000
×
75％个用户的通话故障mttr。
[0065]
上网故障mtbf、上网故障mttr、消息故障mtbf和消息故障mttr的q1、q2和q3计算方法与通话故障mtbf和通话故障mttr的q1、q2和q3计算方法类似，本说明书实施例在此不再赘述。这里所述的通话故障mtbf、通话故障mttr、上网故障mtbf、上网故障mttr、消息故障mtbf和消息故障mttr的q1、q2和q3即为上文所述的移动业务指标门限阈值。
[0066]
如表3所示，为本说明书实施例提供的移动业务指标值离散处理规则。在表3中，将通话故障mtbf和通话故障mttr均小于或等于q1的通话故障mtbf和通话故障mttr映射为短，将通话故障mtbf和通话故障mttr大于或等于q1且小于或等于q3的的通话故障mtbf和通话故障mttr映射为中，将通话故障mtbf和通话故障mttr均大于或等于q3的通话故障mtbf和通话故障mttr映射为长。
[0067]
表3移动业务指标值离散处理规则
[0068]
指标值范围数值映射mtbf、mttr≤q1短q1≤mtbf、mttr≤q3中q3≤mtbf、mttr长
[0069]
将上述表2所示的训练样本用户关键感知指标通过表3所示的移动业务指标值离散处理规则离散化处理，得到表4所示的训练样本用户离散化处理后的关键感知指标。
[0070]
表4训练样本用户离散化处理后的关键感知指标
[0071][0072]
其中，|d|为多个用户的总数量，即训练样本的总量。
[0073]
可选地，基于离散化处理后的多个用户的移动业务指标和所述多个用户的感知状态，构建决策树，得到低感知用户预测模型，包括：
[0074]
基于离散化处理后的多个用户的移动业务指标，确定移动业务指标处于预设的移动业务指标区间中的用户数量；
[0075]
基于移动业务指标处于预设的移动业务指标区间中的用户数量和多个用户的总数量，确定移动业务指标的信息增益值；
[0076]
基于移动业务指标的信息增益值，依次确定决策树的根节点和叶子节点；
[0077]
基于决策树，确定低感知用户预测模型。
[0078]
可选地，基于移动业务指标处于所述预设的移动业务指标区间中的用户数量和多个用户的总数量，确定移动业务指标的信息增益值，包括：
[0079]
基于移动业务指标处于预设的移动业务指标区间中的用户数量和多个用户的总数量，确定移动业务指标的信息熵和多个用户的数据集的信息熵；
[0080]
基于移动业务指标的信息熵和多个用户的数据集的信息熵，确定移动业务指标的信息增益值。
[0081]
上述表4所示的训练集合中，用户的感知状态为最终所要预测的类型，共有“低”和“高”两类，以|c
好
|表示感知状态为“高”的样本数(即用户数量)，以|c
差
|表示感知状态为“低”的样本数(即用户数量)，因此|d|＝|c
好
| |c
差
|，即多个用户的总量为感知状态为“高”的样本数和感知状态为“低”的样本数之和。
[0082]
那么，训练数据集d(即上述多个用户)的信息熵可通过下述公式来表示：
[0083][0084]
参考以上方式，继续计算通话故障mtbf、通话故障mttr、上网故障mtbf、上网故障mttr、消息故障mtbf、消息故障mttr这6个特征的信息熵。
[0085]
以计算通话故障mtbf信息量为例，将特征为“长”的样本数记录为同理将特征为“中”的样本数记录为以及同理将特征为“短”的样本数记录为将特征为“长”，感知状态为“高”的样本数记录为再用同样的方式记录再用同样的方式记录
[0086]
因此，本说明书实施例中的通话故障mtbf信息熵可通过下述公式计算得到：
[0087][0088]
通话故障mtbf的信息增益则可通过下述公式得到：
[0089]
gain(通话故障mtbf)＝info(d)-info
通话故障mtbf
(d)
[0090]
同理计算可得通话故障mttr、上网故障mtbf、上网故障mttr、消息故障mtbf、消息故障mttr这5个特征的信息增益。最后，从这6个特征中，选取信息增益最大的为决策树根节点。
[0091]
确定决策树根据节点后，将根节点的“长”、“中”和“短”三个值分别作为该节点的三个“树枝”，并且对每个值的剩余训练样本，计算其剩余特征值的信息增益。将余下信息增益最大的作为该“树枝”下的第二节点。以此类推最终形成决策树，如图2所示。
[0092]
可选地，基于决策树，确定低感知用户预测模型，包括：
[0093]
将决策树按照预设的遍历算法进行剪枝处理，得到预设个数的决策树；
[0094]
依次计算预设个数的决策树的损失函数值；
[0095]
从预设个数的决策树中确定损失函数值最小的决策树；
[0096]
基于损失函数值最小的决策树，确定低感知用户预测模型。
[0097]
为避免决策树出现过拟合状态，本说明书实施例采用预设的遍历算法对所构建的决策树进行剪枝，即将所有可能的剪枝方案都实施一遍，以对所构建的决策树进行修正。假设所构建的决策树为t0，剪掉部分节点后得到决策树t1，再次剪掉部分节点后得到决策树t2，直到仅剩树根的树决策树tk。利用验证数据，对这k个决策树进行评价，选取损失函数值最小的树为最终决策树t
final
。其中，用来衡量各个决策树的损失函数的公式如下：
[0098]
c(t)＝n
t
·
h(t)
[0099]
其中，n
t
为所构建的决策树t
t
的误差，h(t)为所构建的决策树t
t
的整体损失，t的取值范围为[0，k]。
[0100]
步骤130，如果待挖掘的用户的感知状态为低感知状态，则对待挖掘的用户的移动业务进行优化处理。
[0101]
本说明书实施例能够获取待挖掘的用户的移动业务指标，该移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标，并能够将待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出待挖掘的用户的感知状态，该感知状态包括低感知状态和高感知状态，并当待挖掘的用户的感知状态为低感知状态，能够对待挖掘的用户的移动业务进行优化处理。由于判断待挖掘的用户感知状态依据的移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标，这几个移动业务指标较为全面地涵盖了用户所使用的移动业务。而且用来预测用户感知状态的低感知用户预测模型是基于多个用户的移动业务指标构建的挖掘树得到的，能够较为准确地对用户的感知状态进行预测和评价。
[0102]
图3是本说明书的一个实施例提供的一种低感知用户的挖掘装置300的结构示意图。在一种软件实施方式中，该低感知用户的挖掘装置300可包括获取模块301、输出模块302和优化模块303，其中：
[0103]
获取模块301，用于获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
[0104]
输出模块302，用于将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
[0105]
优化模块303，用于如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖掘的用户的移动业务进行优化；
[0106]
其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
[0107]
可选地，在一种实施方式中，所述通话业务指标至少包括通话故障的平均间隔时间mtbf和通话故障的平均恢复时间mttr；
[0108]
所述上网业务指标至少包括上网故障的平均间隔时间mtbf和上网故障的平均恢复时间mttr；
[0109]
所述消息业务指标至少包括消息故障的平均间隔时间mtbf和消息故障的平均恢复时间mttr。
[0110]
可选地，在一种实施方式中，在所述输出模块302将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中之前，所述装置还包括：
[0111]
第一获取模块，用于获取所述多个用户的移动业务指标和所述多个用户的感知状态；
[0112]
模型构建模块，用于基于所述多个用户的移动业务指标和所述多个用户的感知状态，构建决策树，得到所述低感知用户预测模型。
[0113]
可选地，在一种实施方式中，所述模型构建模块，用于：
[0114]
将所述多个用户的移动业务指标按照指标值从小到大的顺序进行排列，并将所述排列后的位于所述多个用户的移动业务指标的指定位置的移动业务指标，确定为所述预设的移动业务指标门限阈值；
[0115]
基于所述预设的移动业务指标门限阈值，构建预设的移动业务指标区间；
[0116]
根据所述预设的移动业务指标区间，将所述多个用户移动业务指标进行离散化处理；
[0117]
基于所述离散化处理后的所述多个用户的移动业务指标和所述多个用户的感知状态，构建决策树，得到所述低感知用户预测模型。
[0118]
可选地，在一种实施方式中，所述模型构建模块，用于：
[0119]
基于所述离散化处理后的所述多个用户的移动业务指标，确定移动业务指标处于所述预设的移动业务指标区间中的用户数量；
[0120]
基于移动业务指标处于所述预设的移动业务指标区间中的用户数量和所述多个用户的总数量，确定所述移动业务指标的信息增益值；
[0121]
基于所述移动业务指标的信息增益值，依次确定所述决策树的根节点和叶子节点；
[0122]
基于所述决策树，确定所述低感知用户预测模型。
[0123]
可选地，在一种实施方式中，所述模型构建模块，用于：
[0124]
基于移动业务指标处于所述预设的移动业务指标区间中的用户数量和所述多个用户的总数量，确定所述移动业务指标的信息熵和所述多个用户的数据集的信息熵；
[0125]
基于所述移动业务指标的信息熵和所述多个用户的数据集的信息熵，确定所述移动业务指标的信息增益值。
[0126]
可选地，在一种实施方式中，所述模型构建模块，用于：
[0127]
将所述决策树按照预设的遍历算法进行剪枝处理，得到预设个数的决策树；
[0128]
依次计算所述预设个数的决策树的损失函数值；
[0129]
从所述预设个数的决策树中确定损失函数值最小的决策树；
[0130]
基于所述损失函数值最小的决策树，确定所述低感知用户预测模型。
[0131]
低感知用户的挖掘装置300能够实现图1～图2的方法实施例的方法，具体可参考图1～图2所示实施例的低感知用户的挖掘方法，不再赘述。
[0132]
图4是本说明书的一个实施例提供的电子设备的结构示意图。请参考图4，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。
[0133]
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4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。
[0134]
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。
[0135]
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，在逻辑层面上形成低感知用户的挖掘装置。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：
[0136]
获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
[0137]
将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
[0138]
如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖掘的用户的移动业务进行优化处理；
[0139]
其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
[0140]
上述如本说明书图1所示实施例揭示的低感知用户的挖掘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说明书一个或多个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。结合本说明书一个或多个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。
[0141]
该电子设备还可执行图1的低感知用户的挖掘方法，本说明书在此不再赘述。
[0142]
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：
[0143]
获取待挖掘的用户的移动业务指标，所述移动业务指标至少包括通话业务指标、上网业务指标和消息业务指标；
[0144]
将所述待挖掘的用户的移动业务指标输入到低感知用户预测模型中，以输出所述待挖掘的用户的感知状态，所述感知状态包括低感知状态和高感知状态；
[0145]
如果所述待挖掘的用户的感知状态为低感知状态，则对所述待挖掘的用户的移动业务进行优化处理；
[0146]
其中，所述低感知用户预测模型为基于多个用户的移动业务指标构建的决策树得到的。
[0147]
该计算机可读存储介质还可执行图1的低感知用户的挖掘方法，本说明书在此不再赘述。
[0148]
当然，除了软件实现方式之外，本说明书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。
[0149]
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
[0150]
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。
[0151]
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。
[0152]
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。
[0153]
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。