满意度预测模型构建方法、装置、电子设备及存储介质与流程

本申请涉及机器学习建模，尤其涉及一种满意度预测模型构建方法、装置、电子设备及存储介质。

背景技术：

1、当前用户满意度大数据分析的特征选择传统方法主要是传统特征选择方法，如人工经验筛选方法、均值比较方法和线性做图查看相关性方法。然而在机器学习建模过程中，需要不断的进行试验和筛选，最后才能构建一个最优模型。若在机器学习建模过程中采用上述传统特征选择方法，则会造成使用的某些特征对于最优模型没有太多价值，甚至可能会产生副作用，因此会导致特征信息冗余和特征漏选，从而导致模型预测准确率低，从而导致无法准确预测客户的满意度。

技术实现思路

1、本申请提供一种满意度预测模型构建方法、装置、电子设备及存储介质，旨在构建高预测准确率的满意度预测模型，准确地预测出客户的满意度。

2、第一方面，本申请提供一种满意度预测模型构建方法，包括：

3、确定业务域指标数据，并根据数据特征将所述业务域指标数据进行分类，得到原始数值型特征数据和原始离散型特征数据；

4、通过预筛选一元回归模型组对所述原始数值型特征数据进行筛选，得到数值型特征建模指标数据；

5、通过预筛选一元分类模型组对所述原始离散型特征数据进行筛选，得到离散型特征建模指标数据；

6、根据模型构建算法结合所述数值型特征建模指标数据和所述离散型特征建模指标数据，构建满意度预测模型。

7、在一个实施例中，所述通过预筛选一元回归模型组对所述原始数值型特征数据进行筛选，得到数值型特征建模指标数据，包括：

8、以所述原始数值型特征数据为自变量，并以运营域指标数据为因变量，构建所述预筛选一元回归模型组，其中，所述预筛选一元回归模型组中包括多个第一预筛选模型；

9、确定所述预筛选一元回归模型组中，各个所述第一预筛选模型的回归平方和比率值；

10、根据各个所述第一预筛选模型的回归平方和比率值，得到所述数值型特征建模指标数据。

11、所述根据各个所述第一预筛选模型的回归平方和比率值，得到所述数值型特征建模指标数据，包括：

12、计算各个所述第一预筛选模型的回归平方和比率值的平均值，得到所述预筛选一元回归模型组的目标回归平方和比率值；

13、根据所述目标回归平方和比率值，与第一预设回归平方和比率值，确定第一潜在满意度预测模型特征指标数据；

14、结合指标数据的实际业务信息，对所述第一潜在满意度预测模型特征指标数据进行筛选，得到所述数值型特征建模指标数据。

15、所述通过预筛选一元回归模型组对所述原始数值型特征数据进行筛选，得到数值型特征建模指标数据之后，还包括：

16、根据所述预筛选一元回归模型组的目标回归平方和比率值，与第二预设回归平方和比率值，确定所述预筛选一元回归模型组的目标数值型特征数据；

17、将所述目标数值型特征数据，替换所述预筛选一元回归模型组的原始数值型特征数据作为自变量，构建目标预筛选一元回归模型组；

18、通过所述目标预筛选一元回归模型组对所述目标数值型特征数据进行筛选，得到替换后的数值型特征建模指标数据。

19、所述通过预筛选一元分类模型组对所述原始离散型特征数据进行筛选，得到离散型特征建模指标数据，包括：

20、以所述原始离散型特征数据为自变量，并以运营域指标数据为因变量，构建所述预筛选一元分类模型组，其中，所述预筛选一元分类模型组中包括多个第二预筛选模型；

21、确定所述预筛选一元分类模型组中，各个所述第二预筛选模型的平衡分数值；

22、根据各个所述第二预筛选模型的平衡分数值，得到所述离散型特征建模指标数据。

23、所述根据各个所述第二预筛选模型的平衡分数值，得到所述离散型特征建模指标数据，包括：

24、计算各个所述第二预筛选模型的平衡分数值的平均值，得到所述预筛选一元分类模型组的目标平衡分数值；

25、根据所述目标平衡分数值与第一预设平衡分数值，确定第二潜在满意度预测模型特征指标数据；

26、结合聚类统计分析算法和指标数据的实际业务信息，对所述第二潜在满意度预测模型特征指标数据进行筛选，得到所述离散型特征建模指标数据。

27、所述通过预筛选一元分类模型组对所述原始离散型特征数据进行筛选，得到离散型特征建模指标数据之后，还包括：

28、根据所述预筛选一元分类模型组的目标平衡分数值与第二预设平衡分数值，确定所述预筛选一元分类模型组的目标离散型特征数据；

29、将所述目标离散型特征数据，替换所述预筛选一元分类模型组的原始离散型特征数据作为自变量，构建目标预筛选一元分类模型组；

30、通过所述目标预筛选一元分类模型组对所述目标离散型特征数据进行筛选，得到替换后的离散型特征建模指标数据。

31、第二方面，本申请提供一种满意度预测模型构建装置，包括：

32、确定分类模块，用于确定业务域指标数据，并根据数据特征将所述业务域指标数据进行分类，得到原始数值型特征数据和原始离散型特征数据；

33、第一筛选模块，用于通过预筛选一元回归模型组对所述原始数值型特征数据进行筛选，得到数值型特征建模指标数据；

34、第二筛选模块，用于通过预筛选一元分类模型组对所述原始离散型特征数据进行筛选，得到离散型特征建模指标数据；

35、模型构建模块，用于根据模型构建算法结合所述数值型特征建模指标数据和所述离散型特征建模指标数据，构建满意度预测模型。

36、第三方面，本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述满意度预测模型构建方法。

37、第四方面，本申请还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述满意度预测模型构建方法。

38、第五方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述满意度预测模型构建方法。

39、本申请提供的满意度预测模型构建方法、装置、电子设备及存储介质，在满意度预测模型构建的过程中，通过预筛选一元回归模型组和预筛选一元分类模型组，精准地选择出原始数值型特征数据和原始离散型特征数据中的特征信息，降低了满意度预测模型构建时冗余特征信息的干扰，从而构建出高预测准确率的满意度预测模型，通过高预测准确率的满意度预测模型能够准确地预测出客户的满意度。

技术特征：

1.一种满意度预测模型构建方法，其特征在于，包括：

2.根据权利要求1所述的满意度预测模型构建方法，其特征在于，所述通过预筛选一元回归模型组对所述原始数值型特征数据进行筛选，得到数值型特征建模指标数据，包括：

3.根据权利要求2所述的满意度预测模型构建方法，其特征在于，所述根据各个所述第一预筛选模型的回归平方和比率值，得到所述数值型特征建模指标数据，包括：

4.根据权利要求1至3任一项所述的满意度预测模型构建方法，其特征在于，所述通过预筛选一元回归模型组对所述原始数值型特征数据进行筛选，得到数值型特征建模指标数据之后，还包括：

5.根据权利要求1所述的满意度预测模型构建方法，其特征在于，所述通过预筛选一元分类模型组对所述原始离散型特征数据进行筛选，得到离散型特征建模指标数据，包括：

6.根据权利要求5所述的满意度预测模型构建方法，其特征在于，所述根据各个所述第二预筛选模型的平衡分数值，得到所述离散型特征建模指标数据，包括：

7.根据权利要求5至6任一项所述的满意度预测模型构建方法，其特征在于，所述通过预筛选一元分类模型组对所述原始离散型特征数据进行筛选，得到离散型特征建模指标数据之后，还包括：

8.一种满意度预测模型构建装置，其特征在于，包括：

9.一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的满意度预测模型构建方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的满意度预测模型构建方法。

技术总结
本申请涉及机器学习建模技术领域，提供一种满意度预测模型构建方法、装置、电子设备及存储介质，该方法包括：根据数据特征将业务域指标数据进行分类，得到原始数值型特征数据和原始离散型特征数据；通过预筛选一元回归模型组对原始数值型特征数据进行筛选，得到数值型特征建模指标数据；通过预筛选一元分类模型组对原始离散型特征数据进行筛选，得到离散型特征建模指标数据；根据模型构建算法结合数值型特征建模指标数据和离散型特征建模指标数据，构建满意度预测模型。本申请实施例提供的满意度预测模型构建方法通过预筛选模型组精准地选择特征信息，降低了冗余特征信息的干扰，构建出高预测准确率的满意度预测模型，准确地预测出客户的满意度。

技术研发人员：王博,王倩茹,侯普,岳烈骥,孙伟,张晴,吕程程
受保护的技术使用者：中国移动通信集团北京有限公司
技术研发日：
技术公布日：2024/1/16