[發(fā)明專利]用戶投訴行為預測方法、裝置、設備及存儲介質

在審

• 申請?zhí)枺?/td>: 202210769602.8
• 申請日: 2022-07-01
• 公開（公告）號: CN115062858A
• 公開（公告）日: 2022-09-16
• 發(fā)明（設計）人: 馬彥;秦吉波;崔煒;孫雪萌;杜偉;劉清照;丁焰
• 申請（專利權）人: 中國聯(lián)合網(wǎng)絡通信集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/00;G06Q30/02;G06F16/2458;G06N3/04
• 代理公司: 北京同立鈞成知識產(chǎn)權代理有限公司 11205
• 代理人: 吳會英;黃健

1.一種用戶投訴行為預測方法，其特征在于，包括：

獲取目標用戶個人信息、最近預設時間范圍內目標用戶對目標產(chǎn)品的真實投訴量及使用行為數(shù)據(jù)；

基于所述真實投訴量及已訓練的序列預測模型對目標用戶后續(xù)時間范圍內的投訴量進行預測，并從所述后續(xù)時間范圍內的投訴量中確定當前預測投訴量；

基于所述當前預測投訴量、目標用戶個人信息及所述使用行為數(shù)據(jù)對所述目標用戶的投訴概率進行預測，以獲得與預測投訴量在數(shù)量上相匹配的預測投訴用戶。

2.根據(jù)權利要求1所述的方法，其特征在于，所述已訓練的序列預測模型為季節(jié)性時間序列模型ISARIMA模型；

所述基于所述真實投訴量及已訓練的序列預測模型對目標用戶后續(xù)時間范圍內的投訴量進行預測，包括：

將所述真實投訴量輸入到季節(jié)性時間序列模型ISARIMA模型中；

采用所述季節(jié)性時間序列模型ISARIMA模型根據(jù)所述真實投訴量對目標用戶后續(xù)時間范圍內的投訴量進行預測，并輸出所述后續(xù)時間范圍內的投訴量。

3.根據(jù)權利要求1所述的方法，其特征在于，所述基于所述當前預測投訴量、目標用戶個人信息及所述使用行為數(shù)據(jù)對所述目標用戶的投訴概率進行預測，以獲得與預測投訴量在數(shù)量上相匹配的預測投訴用戶，包括：

基于所述當前預測投訴量、目標用戶個人信息、所述使用行為數(shù)據(jù)及已訓練的投訴用戶預測模型對所述目標用戶的投訴概率進行預測，以獲得與預測投訴量在數(shù)量上相匹配的預測投訴用戶。

4.根據(jù)權利要求3所述的方法，其特征在于，所述基于所述當前預測投訴量、目標用戶個人信息、所述使用行為數(shù)據(jù)及已訓練的投訴用戶預測模型對所述目標用戶的投訴概率進行預測，以獲得與預測投訴量在數(shù)量上相匹配的預測投訴用戶，包括：

將所述當前預測投訴量、所述目標用戶個人信息及所述使用行為數(shù)據(jù)輸入到已訓練的投訴用戶預測模型中；

采用所述已訓練的投訴用戶預測模型根據(jù)所述目標用戶個人信息及所述使用行為數(shù)據(jù)對目標用戶的投訴概率進行預測；

采用所述已訓練的投訴用戶預測模型根據(jù)所述當前預測投訴量及目標用戶的投訴概率篩選出與所述預測投訴量相等的預測投訴用戶。

5.根據(jù)權利要求1-4任一項所述的方法，其特征在于，所述基于所述真實投訴量及已訓練的序列預測模型對目標用戶后續(xù)時間范圍內的投訴量進行預測之前，還包括：

獲取對初始序列預測模型進行訓練的第一訓練樣本集；

確定對初始序列預測模型進行訓練的每個訓練參數(shù)的取值范圍；

對每個訓練參數(shù)的取值范圍進行遍歷，以確定由訓練參數(shù)組成的訓練參數(shù)組的所有可能的取值；

遍歷訓練參數(shù)組所有的可能取值，采用所述第一訓練樣本集對所述初始序列預測模型進行訓練，以獲得擬合優(yōu)良性指標AIC最小的序列預測模型；

將擬合優(yōu)良性指標AIC最小的序列預測模型確定為已訓練的序列預測模型。

6.根據(jù)權利要求3或4所述的方法，其特征在于，所述已訓練的投訴用戶預測模型為誤差反向傳播的BP模型；

所述基于所述當前預測投訴量、目標用戶個人信息、所述使用行為數(shù)據(jù)及已訓練的投訴用戶預測模型對所述目標用戶的投訴概率進行預測，以獲得與預測投訴量在數(shù)量上相匹配的預測投訴用戶之前，還包括：

獲取對初始投訴用戶預測模型進行訓練及測試的樣本集，所述樣本集中的第二訓練樣本集及測試樣本集劃分比例是按照預測準確率確定的；

在確定樣本集中的第二訓練樣本集及測試樣本集劃分比例后，按照所述劃分比例的第二訓練樣本集及測試樣本集對初始投訴用戶預測模型進行訓練及測試，并在訓練及測試過程中，調整初始投訴用戶預測模型中神經(jīng)網(wǎng)絡層級數(shù)及訓練參數(shù)；

將所述預測準確率最高的投訴用戶預測模型確定為已訓練的投訴用戶預測模型。