基于机器学习的网络投诉预测分析

发布时间：2024-05-07 02:33

　　减少网络相关的投诉一直是运营商的重点工作之一。目前,网络投诉用户预警方案多以网优工程师经验为主导,准确率和效率都较低。本文通过对历史网络投诉用户数据进行全面深入的分析,基于XGboost算法建立投诉用户特征模型,实现了对网络投诉用户的预测。该方法预测准确率较高,与其它网优系统对接后能够定位用户质差原因,使网络部门能够提前进行网络优化,提升用户满意度。

【文章页数】：6 页

【部分图文】：

图2XGboost算法分类器及深度调优对5026条投诉用户数据和52395条非投诉用户数进行训练，经过数据清洗、特征选择和参数调优后，训练准确率达到93%，精确率达到56%，召回率达到42%。随着投诉用户数据的累积，训练结果的精确率和召回率也有一定的提升。

全网用户和实际投诉用户的预测概率分布如图4所示，可以发现实际投诉用户与预测结果匹配度较高，70%以上的实际投诉用户预测概率在0.5以上，而80%的全网用户投诉概率在0.5以下。图5潜在投诉用户挖掘及预警平台

图4全网用户和实际投诉用户的预测概率分布同时，与省内现有的质差用户分析平台进行对比分析，在和实际投诉用户匹配度方面，本平台预测命中的投诉用户是现有质差用户分析平台的3倍以上。

(5）对于字符型的特征值，采用独热编码进行处理。对数据进行分析后发现，部分用户无网络质量指标，此类用户级数据将被删除。此外，TCP重传率和乱序率缺失较高，两项特征数据也将会被删除。对于中文字符的经分数据，如星级级别等信息，将通过独热编码进行处理。

本文编号：3966694