所述模型测试的步骤对进行训练后的当前训练模型进行测试，如果所 述训练误差大于所述第一预设误差阈值，则判断所获得的训练误差的收敛次数是否位于预 设的次数区间中，如果是，则执行所述模型测试的步骤对进行训练后的当前训练模型进行 测试，否则，对当前训练模型进行调整，选择所述第一状态组中的剩余网络状态中一个网络 状态下的网络数据作为当前训练数据并继续执行将当前训练数据中的网络质量参数输入 当前训练模型中以对当前训练模型进行训练； 其中，所述模型测试的步骤包括： 依次将所述第二状态组中的各网络状态作为当前测试状态，将当前测试状态下的网络 数据作为当前测试数据，将当前测试数据中的网络质量参数输入进行训练后的当前训练模 型中以对训练后的当前训练模型进行测试； 获得进行训练后的当前训练模型计算得出的用户体验质量； 获得该计算得出的用户体验质量与当前测试数据中的用户对网络状态的评分之间的 测试误差； 分别将所述第二状态组中各网络状态对应的测试误差与第二预设误差阈值进行比较， 获得比较结果； 判断所述比较结果是否满足预设的测试通过条件，如果是，则将进行训练后的当前训 练模型作为对网络的用户体验质量计算模型，否则继续执行所述选择所述第一状态组中的 剩余网络状态中一个网络状态下的网络数据作为当前训练数据并继续执行将当前训练数 据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练的步骤； 其中，所述模型应用的步骤包括： 从网络中采集第一网络状态下的网络质量参数； 将所采集的网络质量参数输入所述模型测试的步骤中所确定的对网络的用户体验质 量计算模型中，计算获得所述第一网络状态下的用户体验质量。
2. 根据权利要求1所述的方法，其特征在于，所述预设的测试通过条件为： 不大于所述第二预设误差阈值的测试误差的数量不低于第一数量； 或者，不大于所述第二预设误差阈值的测试差值的数量占所述第二状态组中所有网络 状态对应的测试差值的总数量的比例不低于第一比例。
3. 根据权利要求1或2所述的方法，其特征在于，所述网络质量参数包括：客观网络参 数，所述客观网络参数包括：网络状况、业务质量和终端质量。
4. 根据权利要求3所述的方法，其特征在于，所述网络质量参数还包括：主观网络参 数，所述主观网络参数包括：先前用户体验质量、业务体验经历、自身背景、身心状态和期望 中的一种或多种； 从网络中采集第一网络状态下的主观网络参数的方式包括： 接收用户输入的第一网络状态下的主观网络参数； 和/或， 通过监控用户的操作行为，获得第一网络状态下的主观网络参数。
5. 根据权利要求4所述的方法，其特征在于，在当前训练数据与上一训练数据均对应 同一用户，且该当前训练数据的产生时间与上一训练数据的产生时间之间的间隔小于预设 时间间隔时，所述当前训练数据中的主观网络参数包括先前用户体验质量，且所述先前用 户体验质量为上一训练数据中的网络质量参数输入训练模型后计算得出的用户体验质量。
6. 根据权利要求1所述的方法，其特征在于，所述对当前训练模型进行调整，包括： 计算获得当前训练数据对应的训练误差对当前训练模型中各神经元的偏导数； 对各神经元：根据该神经元的偏导数调整该神经元的连接权值。
7. 根据权利要求6所述的方法，其特征在于，所述根据该神经元的偏导数调整该神经 元的连接权值，包括： 根据该神经元的偏导数的正负确定该神经元的连接权值的调整方向； 按照所确定的调整方向调整该神经元的连接权值，其中，该神经元的连接权值的调整 量为该神经元的偏导数的绝对值。
8. 根据权利要求4所述的方法，其特征在于，所述预设的神经网络计算模型包括输入 层、隐含层和输出层，在所述客观网络参数包括网络状况、业务质量和终端质量，且所述主 观网络参数包括先前用户体验质量、业务体验经历、自身背景、身心状态和期望时： 所述输入层的输入参数为：攻幻一巧⑷^"从…士⑷^其中^斤述义:⑵至所述义；^) 分别为所述先前用户体验质量、所述业务体验经历、所述自身背景、所述身心状态和所述期 望，所述x6(k)至所述x8(k)分别为所述网络状况、所述业务质量和所述终端质量； 所述输出层的输出参数为：5 ； 所述获得当前训练模型计算得出的用户体验质量，包括： 通过如下公式根据所述输入层的输入参数计算得到所述输出层的输出参数y〇(k):
yo(k) =f(yi(k)) 其中，Wi为所述输入层与所述隐含层的连接权值，Wo为所述隐含层与所述输出层的连 接权值，h为主观网络参数的阈值，h为客观网络参数的阈值，bh为隐含层各神经元的阈 值，b。为输出层各神经元的阈值。
9. 一种用户体验质量确定系统，其特征在于，应用于服务器中，所述系统包括：数据收 集单元、模型训练单元、模型测试单元和模型应用单元， 其中，所述数据收集单元，用于获得多个网络状态下的网络数据，所述网络数据包括： 网络质量参数及用户对网络状态的评分；将所获得的多个网络状态至少划分为第一状态 组和第二状态组，所述第一状态组中网络状态的数量大于所述第二状态组中网络状态的数 量； 其中，所述模型训练单元，用于选择所述第一状态组中的一个网络状态下的网络数据 作为当前训练数据，将预设的神经网络计算模型作为当前训练模型，其中，所述当前训练模 型的输入量为所述网络质量参数，所述当前训练模型的输出量为用户体验质量；将当前训 练数据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练；获得当前训练 模型计算得出的用户体验质量；获得所述计算得出的用户体验质量与当前训练数据中的用 户对网络状态的评分之间的训练误差；将所述训练误差与第一预设误差阈值进行比较，如 果所述训练误差不大于所述第一预设误差阈值，则触发所述模型测试单元对进行训练后的 当前训练模型进行测试，如果所述训练误差大于所述第一预设误差阈值，则判断所获得的 训练误差的收敛次数是否位于预设的次数区间中，如果是，则触发所述模型测试单元对进 行训练后的当前训练模型进行测试，否则，对当前训练模型进行调整，选择所述第一状态组 中的剩余网络状态中一个网络状态下的网络数据作为当前训练数据并继续将当前训练数 据中的网络质量参数输入当前训练模型中以对当前训练模型进行训练； 其中，所述模型测试单元，用于依次将所述第二状态组中的各网络状态作为当前测试 状态，将当前测试状态下的网络数据作为当前测试数据，将当前测试数据中的网络质量参 数输入进行训练后的当前训练模型中以对训练后的当前训练模型进行测试；获得进行训练 后的当前训练模型计算得出的用户体验质量；获得该计算得出的用户体验质量与当前测试 数据中的用户对网络状态的评分之间的测试误差；分别将所述第二状态组中各网络状态对 应的测试误差与第二预设误差阈值进行比较，获得比较结果；判断所述比较结果是否满足 预设的测试通过条件，如果是，则将进行训练后的当前训练模型作为对网络的用户体验质 量计算模型，否则触发所述模型训练单元继续选择所述第一状态组中的剩余网络状态中一 个网络状态下的网络数据作为当前训练数据并继续将当前训练数据中的网络质量参数输 入当前训练模型中以对当前训练模型进行训练； 其中，所述模型应用单元，用于从网络中采集第一网络状态下的网络质量参数；将所采 集的网络质量参数输入所述模型测试单元所确定的对网络的用户体验质量计算模型中，计 算获得所述第一网络状态下的用户体验质量。
10.根据权利要求9所述的系统，其特征在于，所述网络质量参数包括：客观网络参数， 所述客观网络参数包括：网络状况、业务质量和终端质量。
【专利摘要】本发明实施例提供了一种用户体验质量确定方法及系统，可以使用获得的多个网络状态下的网络数据对神经网络计算模型进行训练和测试，在当前训练模型通过测试后，将从网络中采集的网络质量参数输入到通过测试的当前训练模型中，计算得出用户体验质量。由于经过训练且测试通过的神经网络计算模型可以根据从网络中采集的网络质量参数计算得到用户体验质量，因此本发明在得到通过测试后的神经网络计算模型后，无需通过用户对体验质量进行评分来得到用户体验质量。因此，本发明也减少了获得用户体验质量过程中给用户带来的干扰，也不易受用户配合度的影响。
【IPC分类】H04L29-08
【公开号】CN104702666
【申请号】CN201510047508
【发明人】滕颖蕾, 满毅, 宋梅, 袁得嵛, 张勇, 王莉, 谷群, 吴军甫, 程刚, 王雅莉
【申请人】北京邮电大学
【公开日】2015年6月10日
【申请日】2015年1月30日