论文部分内容阅读
随着移动通信日益广泛和市场竞争加剧,用户体验悄然兴起,服务用户已成为网络运营商乃至各大企业的重要工作之一。当前社会,对用户体验的把握和评估不仅仅是网络运营商的关键工作,也是各大企业在竞争中获胜的武器。如何准确挖掘用户体验,已成为企业的发展的重要工作。但是,由于电信移动通信业务的用户数量巨大,收集用户级别的客户体验数据十分困难,再加上用户体验带有主观性,用户对服务的评价往往低于实际服务情况。结果,用户体验的获取与分析是当今社会研究的重点与难点。围绕这一课题,本文对电信客户数据的用户体验进行分析与研究,尝试通过使用数据挖掘的建模方法构建用户体验与网络质量数据的映射关系,以实现用户体验的预测与分析。本文完成了以下工作：(1)分析并获取电信基站的测量报告数据和电信用户的用户体验数据,并对这两种数据进行数据预处理。(2)提出了KPI-KQI-QoE映射模型,使得移动运营商能够通过电信网络数据推算用户体验数据。该模型由2部分组成,分别是KPI-KQI的映射方法和KQI-QoE的映射方法。设计并实现了KPI-KQI的映射算法,本文针对电信现网数据和电信客户数据,提出了一种基于用户细分的建模方法。该方法能够通过历史数据构建预测模型,使得KPI能够在一定程度上反映KQI,从而建立KPI与KQI的映射。(3)基于本文的研究内容,设计并实现了一个电信用户数据分析系统。(4)以某省的真实现网数据为样本,对本文的研究内容进行了实验与分析。另外,针对实际的海量数据,本文分别在客户细分和建模两方面进行了以下工作。(1)在电信数据客户细分过程中,由于海量数据使传统K-means聚类算法不稳定。为此,本文从用户需求出发,针对数据的特殊性,提出了一个可调多趟聚类算法,有效地解决了海量数据的K-means聚类问题。实验证明,可调多趟聚类算法能解决海量数据的K-means聚类稳定性问题,并可用于电信数据的客户细分。(2)面对海量的电信网络数据,在建模过程中,本文提出了一个基于支持向量机的协同分类器,它不仅能够使用并行计算提高建模速度,还采用加权平均的方法提高了分类的准确率。经比较实验证明,协同分类器的建模结果优于传统的支持向量机、决策树和神经网络。