随着我国通信市场逐渐步入成熟期,市场竞争焦点已由增量市场转向存量市场,运营商开始积极变革用户保有策略,强化以用户为中心的发展理念。因此,用户满意度提升的算法研究在运营商的智慧化转型中有着非常重要的意义。应对用户投诉,传统方法采用事后补救,这样的处理方式严重影响了用户感知。网络投诉既关联用户体验,又关联网络维护,在运营商的投诉管理中尤为重要。为此,本文围绕网络投诉的预警与应对进行研究,运用人工智能方法定位潜在投诉用户并制定分层分级的用户关怀策略,最终通过降低投诉提升用户满意度。本文所做主要工作和创新如下:(1)不同用户群体具有差异化的特征与诉求,针对该问题本文对用户分群进行研究,提出了一种评估分群效果的度量函数;还提出一种基于半监督聚类的用户分群算法,将专家经验与数据挖掘算法结合,基于密度峰值在已有约束条件下进行迭代并完成划分。实验表明所提算法时间复杂度低,分群结果更加均衡、有效,与运营商的实际工作匹配度更高。基于用户分群结果提出敏感因子概念用于特征构造。(2)针对网络投诉预警的研究,本文对Stacking集成分类算法做出改进,提出T×T折循环训练方法,避免交叉学习问题,基于构造特征及原始特征,融合多个基分类器的优势,构建网络投诉预警模型;提出净损函数用于辅助决策模型最佳判决门限。实验表明所提算法能够有效提升预测性能,更加精准地定位潜在投诉用户,减少企业损失。(3)针对潜在投诉用户关怀优先级的研究,本文结合网络性能指标及用户业务使用需求,基于用户打分数据,构建基于用户感知的网络性能评分卡模型,定量预测用户网络满意度,最终输出满意度评分对应优先级。实验表明所建模型可以根据满意度评分在指定用户群体中较好地预测出高危投诉用户,为运营商企业搭建分层分级的用户关怀体系提供了理论依据。本文工作为扭转当前投诉处理方式提供了理论支撑,也为提升用户网络满意度提供了参考思路。