论文部分内容阅读
随着移动互联网的快速发展,移动端的网民规模越来越大。用户的关注点不再是语音质量和资费等因素,他们对运营商的网络质量提出了更高的要求。许多用户因为网络服务质量的问题进行了投诉。运营商通常采用市场调研和用户投诉的方式来获悉用户的感知满意度,但是这类方法不仅时效性低而且用户范围有限。同时基于KPI指标的传统评价用户感知的方法具有很强的主观性和较差的准确性。因此,准确快速地评估用户对网络质量的感知满意度对运营商来说具有重要意义。在本文中,根据移动运营商提供的LTE信令S1-MME接口数据和实际投诉数据,设计实现了一种基于双向LSTM神经网络的移动互联网用户感知满意度预测方案。首先,将S1-MME接口数据处理为特征序列,并为其添加投诉或非投诉的类别标签。接着将标注后的88,000条样本划分为训练集和测试集。其次,由于处理后的特征序列是时间序列数据,为选择最适合的神经网络建立用户感知评价分类模型,对比研究了LSTM、MLP和Elman三种神经网络在同样是时序数据的沿壁移动机器人导航数据分类任务中的应用,实验结果表明LSTM的分类准确率优于后两者。然后在TensorFlow平台上实现了基于双向LSTM的用户感知评价分类模型。经过训练,采用5折交叉验证的方法对模型进行评估。同时调节模型的分类阈值,在预测精确度略有减低的条件下较好地提升了召回率。最终预测模型的精确度达到0.715,同时召回率提高至0.607。最后基于分类模型实现了移动互联网用户感知满意度预测。本文主要内容包括四章:第一章介绍了本课题的研究背景和国内外的研究现状;第二章分析了移动互联网用户感知满意度预测的需求,同时对S1-MME接口数据和投诉数据做预处理并生成样本;第三章对比研究了LSTM、MLP和Elman三种神经网络在具有时序性的沿壁移动机器人导航数据分类任务中的应用;第四章在TensorFlow平台上设计实现了基于双向LSTM的用户感知评价分类模型,并用于用户感知满意度的预测。