本技術(shù)涉及數(shù)據(jù)處理，具體涉及一種投訴預(yù)測(cè)模型建立方法及投訴預(yù)測(cè)方法。

背景技術(shù)：

1、隨著5g移動(dòng)電話用戶的增長(zhǎng)，to?c和to?b應(yīng)用進(jìn)入爆發(fā)階段，電信業(yè)進(jìn)入全業(yè)務(wù)運(yùn)營(yíng)時(shí)代。與此同時(shí)，三大運(yùn)營(yíng)商通信服務(wù)同質(zhì)化趨勢(shì)明顯，如網(wǎng)絡(luò)類型、服務(wù)與產(chǎn)品類別、用戶結(jié)構(gòu)。在攜號(hào)轉(zhuǎn)網(wǎng)全面落實(shí)與用戶新增飽和的市場(chǎng)環(huán)境下，提高用戶黏性成為提升運(yùn)營(yíng)商市場(chǎng)競(jìng)爭(zhēng)力之根本，而提升用戶業(yè)務(wù)感知是增強(qiáng)用戶黏性的重要手段，運(yùn)營(yíng)商對(duì)用戶感知的最重要并且最直接的數(shù)據(jù)收集方式即是用戶投訴。

2、傳統(tǒng)的投訴處理方式是用戶發(fā)起投訴后再進(jìn)行安撫與補(bǔ)償，以期消除用戶不滿，提升用戶滿意度。但這種投訴已發(fā)生后進(jìn)行的投訴管理對(duì)用戶的滿意度已實(shí)際產(chǎn)生影響，收效較低，為挽回用戶滿意度的資源投入與回報(bào)比較低。

3、因此，如何捕捉潛在投訴用戶成為亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種投訴預(yù)測(cè)模型建立方法及投訴預(yù)測(cè)方法，用以解決現(xiàn)有技術(shù)中挽回式的投訴處理方式收效較低的技術(shù)問(wèn)題。

2、第一方面，本發(fā)明提供一種投訴預(yù)測(cè)模型建立方法，包括：

3、使用預(yù)置聚類算法，對(duì)投訴數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果，所述投訴數(shù)據(jù)是一段時(shí)間內(nèi)所有投訴用戶的投訴業(yè)務(wù)相關(guān)數(shù)據(jù)，所述聚類結(jié)果包括多個(gè)類簇，所述多個(gè)類簇中的每一個(gè)類簇表征一種投訴用戶類型；

4、基于所述聚類結(jié)果，確定多個(gè)投訴特征；

5、基于所述投訴數(shù)據(jù)，對(duì)隨機(jī)森林模型進(jìn)行訓(xùn)練，基于訓(xùn)練結(jié)果確定所述多個(gè)投訴特征中各投訴特征的權(quán)重；

6、基于各所述投訴特征和各所述投訴特征的權(quán)重，建立投訴預(yù)測(cè)模型。

7、根據(jù)本發(fā)明提供的一種投訴預(yù)測(cè)模型建立方法，所述投訴業(yè)務(wù)相關(guān)數(shù)據(jù)包括多個(gè)特征的特征數(shù)據(jù)，所述基于所述聚類結(jié)果，確定多個(gè)投訴特征，包括：

8、對(duì)所述聚類結(jié)果中的每一個(gè)類簇，執(zhí)行特征篩選步驟，得到各所述類簇的特征篩選結(jié)果，各所述類簇的特征篩選結(jié)果組合構(gòu)成所述多個(gè)投訴特征；

9、其中，所述特征篩選步驟包括：

10、對(duì)于所述類簇中的每一個(gè)特征，基于所述特征的類特征均值和所述特征的樣本特征均值，確定所述特征的變動(dòng)值，所述類特征均值是所述類簇中所述特征的均值，所述樣本特征均值是所述投訴數(shù)據(jù)中所述特征的均值，所述變動(dòng)值表征所述類特征均值相比于所述樣本特征均值的變化程度；

11、篩選出所述變動(dòng)值的絕對(duì)值大于或等于預(yù)設(shè)閾值的特征，得到所述類簇的特征篩選結(jié)果。

12、根據(jù)本發(fā)明提供的一種投訴預(yù)測(cè)模型建立方法，所述基于所述特征的類特征均值和所述特征的樣本特征均值，確定所述特征的變動(dòng)值，包括：

13、基于特征差值和所述樣本特征均值的比值，確定所述特征的變動(dòng)值，其中，所述特征差值是所述類特征均值和所述樣本特征均值之差。

14、根據(jù)本發(fā)明提供的一種投訴預(yù)測(cè)模型建立方法，所述基于所述投訴數(shù)據(jù)，對(duì)隨機(jī)森林模型進(jìn)行訓(xùn)練，基于訓(xùn)練結(jié)果確定所述多個(gè)投訴特征中各投訴特征的權(quán)重，包括：

15、對(duì)所述投訴數(shù)據(jù)進(jìn)行有放回隨機(jī)抽樣，得到第一抽樣數(shù)據(jù)，所述第一抽樣數(shù)據(jù)中各類型的投訴用戶的分布與所述聚類結(jié)果中各類型投訴用戶的分布相同；

16、基于預(yù)設(shè)抽樣比例，從未投訴用戶中進(jìn)行隨機(jī)抽樣，得到第二抽樣數(shù)據(jù)，所述預(yù)設(shè)抽樣比例是預(yù)設(shè)的投訴用戶與未投訴用戶的比；

17、將所述第一抽樣數(shù)據(jù)和所述第二抽樣數(shù)據(jù)作為一組訓(xùn)練樣本，獲取多組訓(xùn)練樣本；

18、基于所述多組訓(xùn)練樣本，對(duì)隨機(jī)森林模型進(jìn)行訓(xùn)練，基于訓(xùn)練結(jié)果確定所述多個(gè)投訴特征中各投訴特征的權(quán)重。

19、第二方面，本發(fā)明提供一種投訴預(yù)測(cè)方法，包括：

20、對(duì)待預(yù)測(cè)語(yǔ)音進(jìn)行識(shí)別，得到對(duì)應(yīng)的文本數(shù)據(jù)；

21、對(duì)所述文本數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理文本數(shù)據(jù)；

22、將所述預(yù)處理文本數(shù)據(jù)輸入bert模型的transformer網(wǎng)絡(luò)，得到所述transformer網(wǎng)絡(luò)輸出的編碼向量；

23、將所述編碼向量輸入至多分類網(wǎng)絡(luò)模型，得到所述多分類網(wǎng)絡(luò)模型輸出的分類結(jié)果，所述分類結(jié)果包括各投訴特征的得分；

24、基于所述分類結(jié)果和投訴預(yù)測(cè)模型，確定所述待預(yù)測(cè)語(yǔ)音的投訴得分，所述投訴預(yù)測(cè)模型是根據(jù)第一方面所述的任一種投訴預(yù)測(cè)模型建立方法建立得到的。

25、第三方面，本發(fā)明還提供一種投訴預(yù)測(cè)模型建立裝置，包括：

26、數(shù)據(jù)聚類模塊，用于：使用預(yù)置聚類算法，對(duì)投訴數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果，所述投訴數(shù)據(jù)是一段時(shí)間內(nèi)所有投訴用戶的投訴業(yè)務(wù)相關(guān)數(shù)據(jù)，所述聚類結(jié)果包括多個(gè)類簇，所述多個(gè)類簇中的每一個(gè)類簇表征一種投訴用戶類型；

27、特征確定模塊，用于：基于所述聚類結(jié)果，確定多個(gè)投訴特征；

28、權(quán)重確定模塊，用于：基于所述投訴數(shù)據(jù)，對(duì)隨機(jī)森林模型進(jìn)行訓(xùn)練，基于訓(xùn)練結(jié)果確定所述多個(gè)投訴特征中各投訴特征的權(quán)重；

29、模型建立模塊，用于：基于各所述投訴特征和各所述投訴特征的權(quán)重，建立投訴預(yù)測(cè)模型。

30、第四方面，本發(fā)明還提供一種投訴預(yù)測(cè)裝置，包括：

31、語(yǔ)音識(shí)別模塊，用于：對(duì)待預(yù)測(cè)語(yǔ)音進(jìn)行識(shí)別，得到對(duì)應(yīng)的文本數(shù)據(jù)；

32、預(yù)處理模塊，用于：對(duì)所述文本數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理文本數(shù)據(jù)；

33、編碼模塊，用于：將所述預(yù)處理文本數(shù)據(jù)輸入bert模型的transformer網(wǎng)絡(luò)，得到所述transformer網(wǎng)絡(luò)輸出的編碼向量；

34、多分類模塊，用于：將所述編碼向量輸入至多分類網(wǎng)絡(luò)模型，得到所述多分類網(wǎng)絡(luò)模型輸出的分類結(jié)果，所述分類結(jié)果包括各投訴特征的得分；

35、投訴預(yù)測(cè)模塊，用于：基于所述分類結(jié)果和投訴預(yù)測(cè)模型，確定所述待預(yù)測(cè)語(yǔ)音的投訴得分，所述投訴預(yù)測(cè)模型是根據(jù)第一方面所述的任一種投訴預(yù)測(cè)模型建立方法建立得到的。

36、第五方面，本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如第一方面所述投訴預(yù)測(cè)模型建立方法，或者實(shí)現(xiàn)如第二方面所述投訴預(yù)測(cè)方法。

37、第六方面，本發(fā)明還提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述投訴預(yù)測(cè)模型建立方法，或者實(shí)現(xiàn)如第二方面所述投訴預(yù)測(cè)方法。

38、第七方面，本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述投訴預(yù)測(cè)模型建立方法，或者實(shí)現(xiàn)如第二方面所述投訴預(yù)測(cè)方法。

39、本發(fā)明提供的投訴預(yù)測(cè)模型建立方法，使用預(yù)置聚類算法，對(duì)投訴數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果，通過(guò)聚類算法將投訴用戶劃分為多種類型；基于聚類結(jié)果，確定多個(gè)投訴特征，投訴數(shù)據(jù)中包含多種投訴業(yè)務(wù)相關(guān)的數(shù)據(jù)，根據(jù)聚類結(jié)果挖掘規(guī)律，從中篩選出可以評(píng)價(jià)用戶是否有投訴傾向的特征數(shù)據(jù)；基于所述投訴數(shù)據(jù)，對(duì)隨機(jī)森林模型進(jìn)行訓(xùn)練，基于訓(xùn)練結(jié)果確定所述多個(gè)投訴特征中各投訴特征的權(quán)重，通過(guò)隨機(jī)森林模型提供特征重要性的評(píng)估，確定各投訴特征對(duì)投訴預(yù)測(cè)的影響大小；基于各所述投訴特征和各所述投訴特征的權(quán)重，建立投訴預(yù)測(cè)模型，使用該投訴預(yù)測(cè)模型能夠?qū)撛谕对V用戶進(jìn)行捕捉。綜上所述，本發(fā)明根據(jù)投訴數(shù)據(jù)的聚類結(jié)果，挖掘規(guī)律，篩選出投訴特征，并通過(guò)隨機(jī)森林模型實(shí)現(xiàn)對(duì)投訴特征的權(quán)重賦值，進(jìn)而根據(jù)投訴特征與其權(quán)重構(gòu)建投訴預(yù)測(cè)模型，解釋了用戶投訴特征與是否進(jìn)行投訴之間的關(guān)系，使用該投訴預(yù)測(cè)模型實(shí)現(xiàn)對(duì)潛在高風(fēng)險(xiǎn)投訴客戶的預(yù)測(cè)，從而能夠?qū)崿F(xiàn)事前針對(duì)性維系，降低用戶投訴率。