(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111324453.6 (22)申请日 2021.11.10 (71)申请人 中国联合网络通信集团有限公司 地址 100033 北京市西城区金融大街21号 (72)发明人 李珊珊　刘贤松　欧大春　杨飞虎　 石旭荣　佘士钊　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 代理人 宋兴　臧建明 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 用户满意度预测方法、 装置及电子设备 (57)摘要 本申请提供一种用户满意度预测方法、 装置 及电子设备， 该方法包括： 获取第一初始训练数 据， 第一初始训练数据包括： 第一时段内多个历 史用户的特征数据以及多个历史用户的满意度 标签； 特征数据包括： 网络 数据、 用户基础数据以 及网络质量数据； 针对预设满意度标签集合中的 每一满意度标签， 确定其对应的历史用户数量在 第一时段前的波动程度； 依据每一满意度标签对 应的波动程度， 确定第一初始训练数据对应的预 设算法类型； 依据预测算法类型以及第一初始训 练数据， 对第一预测模型进行训练； 之后依据目 标用户的特征数据以及第一预测模 型， 确定目标 用户满意度预测结果。 该方法从多个不同维度获 取影响满意度预测的因素， 提高了模 型预测精确 度。 权利要求书3页 说明书13页 附图6页 CN 113947260 A 2022.01.18 CN 113947260 A 1.一种用户满意度预测方法， 其特 征在于， 包括： 获取第一初始训练数据， 所述第一初始训练数据包括： 第一时段内多个历史用户的特 征数据以及多个历史用户的满意度标签； 所述特征数据包括： 网络数据、 用户基础数据以及 网络质量数据； 针对预设满意度标签集合中的每一满意度标签， 确定其对应的历史用户数量在所述第 一时段前的波动程度； 依据所述每一满意度标签对应的波动 程度， 确定所述第 一初始训练数据对应的预设算 法类型； 依据所述预测算法类型以及所述第一初始训练数据， 对第一预测模型进行训练， 得到 训练好的第一预测模型； 获取目标用户的特征数据， 并将所述目标用户的特征数据输入所述第一预测模型， 确 定目标用户满意度预测结果。 2.根据权利要求1所述的方法， 其特征在于， 所述依据所述每一满意度标签对应的波动 程度， 确定所述第一初始训练数据对应的预设算法类型， 包括： 若每一满意度标签对应的波动 程度均大于第 一预设值， 则所述第 一初始训练数据对应 的预设算法类型为回归算法； 若每一满意度标签对应的波动 程度均小于等于第 一预设值， 则所述第 一初始训练数据 对应的预设算法类型为分类算法。 3.根据权利要求1所述的方法， 其特征在于， 所述第一预测模型包括： 第一子模型和第 二子模型； 所述方法还 包括： 在第一时段内， 确定每一满意度标签对应的历史用户数量的占比； 所述依据 所述每一满意度标签波动程度， 确定所述第 一初始训练数据对应的预设算法 类型， 包括： 将满意度标签对应的波动 程度大于第一预设值， 且历史用户数量的占比小于等于第 二 预设值的第一初始训练数据作为第一训练数据， 并确定所述第一训练数据对应的预设算法 类型为回归算法； 将满意度标签对应的波动 程度小于等于第 一预设值， 且历史用户数量的占比大于第 二 预设值的第一初始训练数据作为第二训练数据， 并确定所述第二训练数据对应的预设算法 类型为分类算法； 所述依据所述预测算法类型以及所述第一初始训练数据， 对第一预测模型进行训练， 得到训练好的第一预测模型， 包括： 将所述第一训练数据以及所述第二训练数据分别作为所述第一子模型以及第二子模 型的训练数据进行训练， 得到第一预测模型， 其中， 第一子模型采用回归算法， 第二子模型 采用分类算法。 4.根据权利要求1所述的方法， 其特 征在于， 所述获取目标用户的特 征数据包括： 获取第一用户与所述目标用户上传的服务小区接收功率电平值， 所述第 一用户与 所述 目标用户位于同一 服务小区； 将每一预设的接收功率电平值区间内的用户数量与总用户数量的比值作为所述目标 用户的特征数据中的网络质量数据， 所述总用户数量为第一用户数量与目标用户数量之权　利　要　求　书 1/3 页 2 CN 113947260 A 2和。 5.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 若所述目标用户满意度 预测结果小于第 三预设值， 则依据 所述特征数据以及第 二预测 模型， 确定所述目标用户所 处的网络预测结果， 其中， 所述第二预测模型是将第一时段内多 个历史用户的特征数据以及多个历史用户的网络标签作为第二初始训练数据训练得到的； 所述网络标签为基于网络关键指标以及历史用户投诉数据得到的； 若所述网络预测结果为第一值， 则发送提示信息， 所述提示信息用于提示出现网络故 障。 6.根据权利要求5所述的方法， 其特 征在于， 所述方法还 包括： 若所述网络预测结果 为第二值， 则向目标用户提供服 务推荐。 7.根据权利要求1 ‑6任一项所述的方法， 其特征在于， 所述第一预测模型为CatBoost模 型。 8.一种用户满意度预测装置， 其特 征在于， 包括： 第一获取单元， 用于获取第 一初始训练数据， 所述第 一初始训练数据包括： 第 一时段内 多个历史用户的特征数据以及多个历史用户的满意度标签； 所述特征数据包括： 网络数据、 用户基础数据以及网络质量数据； 第一确定单元， 用于针对预设满意度标签集合中的每一满意度标签， 确定其对应的历 史用户数量在所述第一时段 前的波动程度； 第二确定单元， 用于依据所述每一满意度标签对应的波动程度， 确定所述第一初始训 练数据对应的预设算法类型； 训练单元， 用于依据所述预测算法类型以及所述第一初始训练数据， 对第一预测模型 进行训练， 得到训练好的第一预测模型； 第三确定单元， 用于获取目标用户的特征数据， 并将所述目标用户的特征数据输入所 述第一预测模型， 确定目标用户满意度预测结果。 9.根据权利要求8所述的装置， 其特 征在于， 所述第一确定单 元具体用于： 若每一满意度标签对应的波动 程度均大于第 一预设值， 则所述第 一初始训练数据对应 的预设算法类型为回归算法； 若每一满意度标签对应的波动 程度均小于等于第 一预设值， 则所述第 一初始训练数据 对应的预设算法类型为分类算法。 10.根据权利要求8所述的装置， 其特征在于， 所述第 一预测模型包括： 第 一子模型和第 二子模型； 所述装置， 还 包括： 第四确定单 元， 用于在第一时段内， 确定每一满意度标签对应的历史用户数量的占比； 所述第二确定单 元具体用于： 将满意度标签对应的波动 程度大于第一预设值， 且历史用户数量的占比小于等于第 二 预设值的第一初始训练数据作为第一训练数据， 并确定所述第一训练数据对应的预设算法 类型为回归算法； 将满意度标签对应的波动 程度小于等于第 一预设值， 且历史用户数量的占比大于第 二 预设值的第一初始训练数据作为第二训练数据， 并确定所述第二训练数据对应的预设算法 类型为分类算法；权　利　要　求　书 2/3 页 3 CN 113947260 A 3