本申请属于通信业务支撑，特别涉及一种用户满意度预测方法、装置、电子设备和存储介质。
背景技术：
1、在相关技术中，随着通信业务的用户数量的逐渐增多，用户满意度逐渐称为衡量通信服务质量的有效方法。可以通过对原始工单数据进行分析，预测原始工单数据对应的用户满意度，然而，在相关技术的用户满意度预测方法的精度与原始工单数据的特征提取能力相关，在从原始工单数据中提取的特征信息不够丰富全面的情况下，用户满意度预测的精度较低。
技术实现思路
1、本申请实施例提供用户满意度预测方法、装置、电子设备和存储介质。
2、本申请实施例提供一种用户满意度预测方法，所述方法包括：
3、获取待预测工单数据，所述待预测工单数据为通信业务用户的工单数据；
4、针对所述待预测工单数据中每类工单数据，按照至少两种特征类别分别进行特征量化，得到所述每类工单数据的待处理特征，所述待处理特征包括所述至少两种特征类别各自对应的量化特征；
5、对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果。
6、在一些实施例中，所述针对所述待预测工单数据中每类工单数据，按照至少两种特征类别分别进行特征量化，得到所述每类工单数据的待处理特征，包括：根据设定阈值的集合和设定时间窗口中的至少一项，确定数据统计范围；确定所述每类工单数据中处于所述数据统计范围内的数据；针对所述每类工单数据中处于所述数据统计范围内的数据，按照至少两种特征类别分别进行特征量化，得到所述每类工单数据的待处理特征。
7、在一些实施例中，所述设定时间窗口包括至少两个不同时长的时间窗口。可以看出，本申请实施例可以根据至少两个不同时长的时间窗口，确定至少两个不同的数据统计范围，针对两个不同的数据统计范围可以分别确定工单数据的待处理特征，即，本申请实施例可以在不同时间粒度确定工单数据的待处理特征，有利于满足特征量化时关于时间粒度的实际需求。
8、在一些实施例中，所述对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果，包括：对所述每类工单数据的待处理特征进行归一化处理，得到所述每类工单数据的归一化特征；对所述每类工单数据的归一化特征进行处理，得出所述通信业务用户的满意度预测结果。
9、在一些实施例中，所述对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果，包括：基于预先训练的满意度预测模型，对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果；所述满意度预测模型的训练方法包括：在所述通信业务用户的工单数据样本中选取训练集和测试集；根据所述训练集中每类工单数据，按照至少两种特征类别分别进行特征量化，得到所述训练集的待处理特征；根据所述测试集中每类工单数据，按照至少两种特征类别分别进行特征量化，得到所述测试集的待处理特征；根据所述测试集的待处理特征，确定满意度预测模型的超参数的范围；根据所述训练集的待处理特征和所述满意度预测模型的超参数的范围，对所述满意度预测模型进行训练，得到训练完成的所述满意度预测模型。
10、在一些实施例中，所述根据所述测试集的待处理特征，确定满意度预测模型的超参数的范围，包括：在所述测试集的待处理特征中同一类特征中，确定正样本的特征和负样本的特征；所述正样本表示产生客户投诉的样本，负样本表示未产生客户投诉的样本；在所述同一类特征中，根据所述正样本的特征和所述负样本的特征的差异，确定所述满意度预测模型的超参数的范围。
11、在一些实施例中，所述根据所述测试集的待处理特征，确定满意度预测模型的超参数的范围，包括：利用初步训练的所述满意度预测模型对所述测试集的待处理特征进行处理，得到所述测试集中工单数据的满意度预测结果；所述初步训练的满意度预测模型是利用训练集的待处理特征训练得到的模型；根据所述测试集中工单数据的满意度预测结果，在所述测试集的待处理特征中同一类特征中，确定第一类正样本的特征、第二类正样本的特征、第一类负样本的特征和第二类负样本的特征；所述第一类正样本表示预测正确的正样本，第二类正样本表示预测错误的正样本，第一类负样本表示预测正确的负样本，第二类负样本表示预测错误的负样本；在所述同一类特征中，通过分析至少两类样本的特征之间的差异，确定所述满意度预测模型的超参数的范围。
12、在一些实施例中，在根据所述训练集的待处理特征和所述满意度预测模型的超参数的范围，对所述满意度预测模型进行训练之前，所述方法还包括：确定至少两个候选的满意度预测模型；采用自动机器学习(automated machine learning，automl)框架在所述至少两个候选的满意度预测模型中选择所述满意度预测模型，并采用自动机器学习框架确定所述满意度预测模型的参数。
13、在一些实施例中，所述满意度预测模型为支持向量数据描述(support vectordata description，svdd)模型。
14、本申请实施例还提供了一种用户满意度预测装置，所述装置包括：
15、获取模块，用于获取待预测工单数据，所述待预测工单数据为通信业务用户的工单数据；
16、第一处理模块，用于针对所述待预测工单数据中每类工单数据，按照至少两种特征类别分别进行特征量化，得到所述每类工单数据的待处理特征，所述待处理特征包括所述至少两种特征类别各自对应的量化特征；
17、第二处理模块，用于对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果。
18、本申请实施例还提供了一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序以执行上述任意一种用户满意度预测方法。
19、本申请实施例还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种用户满意度预测方法。
20、可以看出，本申请实施例中针对每类工单数据，均按照至少两种特征类别分别进行特征量化，得到每类工单数据的待处理特征，即，可以将每类工单数据映射为至少两个维度的特征，因此，从待预测工单数据中提取的特征信息较为丰富全面，从而可以提升待预测工单数据的满意度预测结果的精确度。
1.一种用户满意度预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述针对所述待预测工单数据中每类工单数据，按照至少两种特征类别分别进行特征量化，得到所述每类工单数据的待处理特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述设定时间窗口包括至少两个不同时长的时间窗口。
4.根据权利要求1所述的方法，其特征在于，所述对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果，包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述每类工单数据的待处理特征进行处理，得出所述待预测工单数据的满意度预测结果，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述测试集的待处理特征，确定满意度预测模型的超参数的范围，包括：
7.根据权利要求5所述的方法，其特征在于，所述根据所述测试集的待处理特征，确定满意度预测模型的超参数的范围，包括：
8.根据权利要求5所述的方法，其特征在于，在根据所述训练集的待处理特征和所述满意度预测模型的超参数的范围，对所述满意度预测模型进行训练之前，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，所述满意度预测模型为支持向量数据描述svdd模型。
10.一种用户满意度预测装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
12.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9任一项所述的用户满意度预测方法。
