減少網(wǎng)絡(luò)相關(guān)的投訴一直是運(yùn)營商的重點(diǎn)工作之一。目前,網(wǎng)絡(luò)投訴用戶預(yù)警方案多以網(wǎng)優(yōu)工程師經(jīng)驗(yàn)為主導(dǎo),準(zhǔn)確率和效率都較低。本文通過對歷史網(wǎng)絡(luò)投訴用戶數(shù)據(jù)進(jìn)行全面深入的分析,基于XGboost算法建立投訴用戶特征模型,實(shí)現(xiàn)了對網(wǎng)絡(luò)投訴用戶的預(yù)測。該方法預(yù)測準(zhǔn)確率較高,與其它網(wǎng)優(yōu)系統(tǒng)對接后能夠定位用戶質(zhì)差原因,使網(wǎng)絡(luò)部門能夠提前進(jìn)行網(wǎng)絡(luò)優(yōu)化,提升用戶滿意度。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖2XGboost算法分類器及深度調(diào)優(yōu)對5026條投訴用戶數(shù)據(jù)和52395條非投訴用戶數(shù)進(jìn)行訓(xùn)練，經(jīng)過數(shù)據(jù)清洗、特征選擇和參數(shù)調(diào)優(yōu)后，訓(xùn)練準(zhǔn)確率達(dá)到93%，精確率達(dá)到56%，召回率達(dá)到42%。隨著投訴用戶數(shù)據(jù)的累積，訓(xùn)練結(jié)果的精確率和召回率也有一定的提升。

全網(wǎng)用戶和實(shí)際投訴用戶的預(yù)測概率分布如圖4所示，可以發(fā)現(xiàn)實(shí)際投訴用戶與預(yù)測結(jié)果匹配度較高，70%以上的實(shí)際投訴用戶預(yù)測概率在0.5以上，而80%的全網(wǎng)用戶投訴概率在0.5以下。圖5潛在投訴用戶挖掘及預(yù)警平臺

圖4全網(wǎng)用戶和實(shí)際投訴用戶的預(yù)測概率分布同時，與省內(nèi)現(xiàn)有的質(zhì)差用戶分析平臺進(jìn)行對比分析，在和實(shí)際投訴用戶匹配度方面，本平臺預(yù)測命中的投訴用戶是現(xiàn)有質(zhì)差用戶分析平臺的3倍以上。

(5）對于字符型的特征值，采用獨(dú)熱編碼進(jìn)行處理。對數(shù)據(jù)進(jìn)行分析后發(fā)現(xiàn)，部分用戶無網(wǎng)絡(luò)質(zhì)量指標(biāo)，此類用戶級數(shù)據(jù)將被刪除。此外，TCP重傳率和亂序率缺失較高，兩項(xiàng)特征數(shù)據(jù)也將會被刪除。對于中文字符的經(jīng)分?jǐn)?shù)據(jù)，如星級級別等信息，將通過獨(dú)熱編碼進(jìn)行處理。

本文編號：3966694