[發(fā)明專利]一種移動通信客戶投訴的診斷方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201811294192.6
• 申請日: 2018-11-01
• 公開（公告）號: CN109446327B
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計）人: 楊穎;王珺;岳丹陽;余本功
• 申請（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06Q30/00
• 代理公司: 北京久誠知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11542
• 代理人: 余罡

1.一種移動通信客戶投訴的診斷方法，其特征在于，所述診斷方法包括：

獲取移動通信客戶投訴工單；

判斷所述移動通信客戶投訴工單是否同時包含客戶信息和投訴文本描述，獲得第一判斷結(jié)果；如果第一判斷結(jié)果表示為不同時包含客戶信息和投訴文本描述，則刪除所述移動通信客戶投訴工單；如果第一判斷結(jié)果表示為同時包含客戶信息和投訴文本描述，則從各所述移動通信客戶投訴工單中提取客戶信息和投訴文本描述；所述客戶信息包括：手機號、投訴時間和投訴地點；

根據(jù)所述投訴文本描述提取文本特征，獲得投訴文本特征；

根據(jù)所述客戶信息，通過云端數(shù)據(jù)庫訪問接口訪問所述客戶信息對應(yīng)的云端數(shù)據(jù)庫資源，獲取相對應(yīng)的關(guān)鍵要素特征；

構(gòu)建投訴智能診斷模型；

將所述投訴文本特征和所述關(guān)鍵要素特征輸入所述投訴智能診斷模型對所述移動通信客戶投訴工單進(jìn)行診斷，獲得投訴結(jié)果；所述投訴結(jié)果為弱覆蓋、故障、干擾、熱點、客戶原因中的任一種；

所述構(gòu)建投訴智能診斷模型，具體包括：

根據(jù)多個歷史通信客戶投訴工單構(gòu)建數(shù)據(jù)集；所述數(shù)據(jù)集包括從各所述歷史通信客戶投訴工單中獲得的歷史關(guān)鍵要素特征、歷史投訴文本特征、歷史真實的分類結(jié)果；

根據(jù)所述數(shù)據(jù)集構(gòu)建S個數(shù)據(jù)子集；其中，S為大于等于1的整數(shù)；

根據(jù)各所述數(shù)據(jù)子集構(gòu)建與各所述數(shù)據(jù)子集對應(yīng)的支持向量機基分類器；

將S個數(shù)據(jù)子集分別輸入各所述支持向量機基分類器中，獲得S個預(yù)測的分類結(jié)果；

根據(jù)各所述預(yù)測的分類結(jié)果，利用證據(jù)推理規(guī)則進(jìn)行結(jié)果合成，確定投訴智能診斷模型；

根據(jù)所述數(shù)據(jù)集構(gòu)建S個數(shù)據(jù)子集，具體包括：

根據(jù)所述數(shù)據(jù)集確定各歷史關(guān)鍵要素特征的信息增益值和各歷史投訴文本特征的信息增益值，具體公式為：

其中，IG(Y,X)為各歷史關(guān)鍵要素特征的信息增益值或各歷史投訴文本特征的信息增益值，Y為歷史真實的分類結(jié)果，所述歷史真實的分類結(jié)果包括弱覆蓋、故障、干擾、熱點、客戶原因，y∈Y為歷史真實的分類結(jié)果中的任一種，X為特征要素，所述特征要素包括關(guān)鍵要素特征和文本特征，x∈X為特征要素中的任一種，H(Y)為歷史真實的分類結(jié)果Y的熵值，H(Y|X)為加入特征要素X之后歷史真實的分類結(jié)果Y的熵值，p(y)為結(jié)果y的邊際密度函數(shù)，p(x)特征x的邊際密度函數(shù)，p(y|x)為加入特征x后，y的邊際密度函數(shù)；

將各歷史關(guān)鍵要素特征的信息增益值和各歷史投訴文本特征的信息增益值進(jìn)行歸一化處理，獲得特征權(quán)重；

根據(jù)所述特征權(quán)重，對所述數(shù)據(jù)集中的特征進(jìn)行隨機采樣，抽取出S個數(shù)據(jù)子集。

2.根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，所述根據(jù)所述投訴文本描述提取文本特征，獲得投訴文本特征，具體包括：

對所述投訴文本描述進(jìn)行分詞，去除停用詞，獲得關(guān)鍵詞；

采用TF-IDF算法，根據(jù)所述關(guān)鍵詞進(jìn)行文本特征提取，獲得投訴文本特征。

3.根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，所述根據(jù)各所述預(yù)測的分類結(jié)果，利用證據(jù)推理規(guī)則進(jìn)行結(jié)果合成，確定投訴智能診斷模型，具體包括：

將各所述預(yù)測的分類結(jié)果轉(zhuǎn)換為證據(jù)；

根據(jù)各所述預(yù)測的分類結(jié)果與各所述預(yù)測的分類結(jié)果對應(yīng)的歷史真實的分類結(jié)果確定各所述支持向量機基分類器預(yù)測的準(zhǔn)確率；

將各所述支持向量機基分類器預(yù)測的準(zhǔn)確率作為證據(jù)的初始權(quán)重；

將各所述支持向量機基分類器預(yù)測的準(zhǔn)確率作為證據(jù)的初始可靠性值；

根據(jù)所述證據(jù)的初始權(quán)重和各所述證據(jù)確定各證據(jù)的加權(quán)信度；

根據(jù)各證據(jù)的初始可靠性值和加權(quán)信度進(jìn)行多條證據(jù)合成，獲得最終預(yù)測的各分類結(jié)果對應(yīng)的概率；

從最終預(yù)測的各分類結(jié)果對應(yīng)的概率中選取概率最大的類別作為最終預(yù)測的分類結(jié)果；

根據(jù)最終預(yù)測的分類結(jié)果和所述歷史真實的分類結(jié)果確定誤差值；

采用非線性優(yōu)化計算方法縮小所述誤差值、優(yōu)化權(quán)重，根據(jù)相鄰的兩個誤差值確定誤差變化值；

判斷所述誤差變化值是否小于設(shè)定閾值，獲得第二判斷結(jié)果；如果所述第二判斷結(jié)果為小于設(shè)定閾值，則輸出投訴智能診斷模型；如果所述第二判斷結(jié)果為大于或等于設(shè)定閾值，則將優(yōu)化后的權(quán)重作為證據(jù)的初始權(quán)重，并返回步驟“將各所述支持向量機基分類器預(yù)測的準(zhǔn)確率作為證據(jù)的初始可靠性值”。