[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

本申請實施例提供一種數據處理方法、裝置、設備及存儲介質，該方法包括：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。本申請實施例提供的方法能夠解決現有技術中無法精準地實現用戶體驗滿意度地評估，進而導致對用戶個性化推薦地準確率較低的問題。

技術領域

本申請實施例涉及數據處理技術領域，尤其涉及一種數據處理方法、裝置、設備及存儲介質。

背景技術

隨著用戶規模的增加、產生數據量的快速增長，為應對激烈的市場競爭，運營商越來越依賴精確化的數據統計分析以實現科學管理和決策。其中，為了能夠較為準確地向用戶推送業務等服務，可以通過數據統計分析對用戶體驗滿意度進行評估。

目前，針對滿意度的評估，現有方案是通過建立一種四層的用戶感知指標體系：KPI-KQI-QoE-滿意度(其中，關鍵績效指標即Key?Performance?Indicators，簡稱KPI；關鍵質量指標即Key?Quality?Indicators，簡稱KQI；體驗質量即Quality?of?Experience，簡稱QoE)，在用戶感知指標體系的基礎上，使用神經網絡算法建立了滿意度評價模型，通過用戶感知指標與業務質量指標以及網絡質量指標之間的三層映射關系，獲取影響用戶感知的指標權重，最終形成用戶體驗滿意度評估系統。

但是，現有方案利用神經網絡算法對用戶體驗建立模型，從而獲得對用戶體驗的評價(即滿意度評估)。由于神經網絡要求訓練數據充分，而可收集到的用戶體驗數據大部分為稀疏的，無法達成神經網絡的訓練要求從而使最終訓練并不精確；若想通過神經網絡算法獲得較為可靠的結果則需要大量的成本且實現難度大。因此，現有技術無法精準地實現用戶體驗滿意度地評估，進而導致對用戶個性化推薦地準確率較低。

發明內容

本申請實施例提供一種數據處理方法、裝置、設備及存儲介質，以解決現有技術中無法精準地實現用戶體驗滿意度地評估，進而導致對用戶個性化推薦地準確率較低的問題。

第一方面，本申請實施例提供一種數據處理方法，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。

在一種可能的設計中，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。

在一種可能的設計中，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：