[發明專利]數據處理方法、裝置、設備及存儲介質

有效

• 申請號: 202010628908.2
• 申請日: 2020-07-02
• 公開（公告）號: CN111797320B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 張萌;葛俊;何仲勉;劉偉
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q30/0201;G06Q30/0202
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;臧建明

1.一種數據處理方法，其特征在于，包括：

獲取目標用戶的特征向量；

根據所述目標用戶的特征向量，通過目標預測模型，得到所述目標用戶對應的滿意度預測結果，所述目標預測模型是由多個歷史用戶的個性特征對應的權重、所述多個歷史用戶中各個歷史用戶的特征向量、滿意度分值對協同過濾模型訓練得到的；

根據所述滿意度預測結果，向所述目標用戶使用的終端推送個性化需求信息；

所述特征向量包括個性特征數據和網絡質量數據；

在所述通過目標預測模型，得到所述目標用戶對應的滿意度評估預測結果之前，所述方法還包括：

獲取所述多個歷史用戶中各個所述歷史用戶的特征向量和滿意度分值；

將所述多個歷史用戶進行劃分，生成訓練集和驗證集，所述訓練集和驗證集中均包含多個樣本，每個樣本中包括所述個性特征數據、所述網絡質量數據和對應的所述滿意度分值；

根據所述訓練集中每個樣本的所述個性特征數據和所述滿意度分值，通過層次分析法，確定所述個性特征對應的權重；

根據所述訓練集和所述權重，對所述協同過濾模型進行訓練，得到初始預測模型；

根據所述驗證集對所述初始預測模型進行驗證，得到所述目標預測模型；

一個個性特征對應一個權重，所述根據所述訓練集和所述權重，對所述協同過濾模型進行訓練，得到初始預測模型，包括：

根據所述訓練集中每個樣本和所述權重，通過所述協同過濾模型中的預設加權相似度算法，得到多個相似用戶群，一個相似用戶群對應一個相似個性特征向量；

針對每個所述相似用戶群，將所述相似個性特征向量、所述相似用戶群體中每個歷史用戶對應的網絡質量數據和滿意度分值作為訓練樣本；

根據每個所述訓練樣本調整所述協同過濾模型的參數，得到所述初始預測模型；

所述預設加權相似度算法為：

其中，N(u)和N(v)分別是用戶u的特征向量和用戶v的特征向量，i表示用戶u和用戶v的共有個性特征，N(i)表示用戶u和用戶v的共有特征向量，k(i)是表示i對應的權重。

2.根據權利要求1所述的方法，其特征在于，所述獲取所述多個歷史用戶中各個所述歷史用戶的特征向量和滿意度分值，包括：

獲取各個所述歷史用戶的個性特征、網絡質量以及滿意度結果，所述個性特征至少包括性別、當前使用終端類型、常用業務類型、年齡、學歷、當前所用套餐、是否處于常用區域，網絡質量至少包括信號強度、信號質量、網絡時延；

對所述個性特征、所述網絡質量以及所述滿意度結果進行預處理，得到各個所述歷史用戶的個性特征數據、網絡質量數據和滿意度分值；

其中，所述個性特征數據至少包括性別特征值、當前使用終端類型特征值、常用業務類型特征值、年齡特征值、學歷特征值、當前所用套餐特征值、是否處于常用區域特征值，所述網絡質量數據至少包括信號強度特征值、信號質量特征值、網絡時延特征值。

3.根據權利要求1所述的方法，其特征在于，根據所述驗證集對所述初始預測模型進行驗證，得到所述目標預測模型，包括：

將所述驗證集中每個樣本的個性特征數據和網絡質量數據輸入到所述初始預測模型中，輸出所述驗證集中每個樣本對應的滿意度預測值；

針對所述驗證集中每個樣本，將所述滿意度預測值與所述滿意度分值進行誤差計算；

若誤差結果在預設誤差范圍內，則確定所述初始預測模型為所述目標預測模型；

若誤差結果不在所述預設誤差范圍內，則調整所述初始預測模型的參數，直至所述誤差結果在所述預設誤差范圍內，并確定當前調整后的預測模型為所述目標預測模型。

4.根據權利要求3所述的方法，其特征在于，所述目標用戶為多個，所述根據所述目標用戶的特征向量，通過目標預測模型，得到所述目標用戶對應的滿意度預測結果，包括：

根據所述目標用戶的特征向量中的個性特征數據，通過所述目標預測模型中存儲的所述權重以及預設加權相似度算法，從所述多個相似用戶群中獲取與所述目標用戶匹配的目標相似用戶群；

將所述目標相似用戶群對應的目標相似個性特征向量和所述目標用戶的特征向量中的網絡質量數據作為所述目標預測模型的輸入量，并通過所述目標預測模型輸出所述目標用戶對應的滿意度預測結果。