基于KNN算法模型的投诉定位定界方法与流程

本发明属于通信网络，具体涉及一种基于knn算法模型的投诉定位定界方法。

背景技术：

1、现有用户投诉处理一般都是客服、网管、网优等多个部门参与投诉处理，每个部门只负责自己的部分，网管只负责核心网部分，网优只负责无线部分，无法对用户业务做到全流程的全面分析，即使通过信令回溯也只能看见异常表象，局限于异常指标门限和错误码等浅显信令数据，无法进行准确的根因分析，尤其是存在多域问题时不能快速准确的进行问题定位定界。这种困境就导致现实工作中投诉问题定位定界一方面定界分析效率低；另一方面要依赖于经验丰富的技术专家，使得用户投诉问题的处理，需要投入大量人力成本和时间成本。

技术实现思路

1、鉴于上述的分析，本发明旨在公开了一种基于knn算法模型的投诉定位定界方法，解决用户投诉的定位定界问题。

2、本发明公开了一种基于knn算法模型的投诉定位定界方法，包括：

3、步骤s1、建立并修正定界模型评估体系，所述定界模型评估体系至少包括定界域分类、定界域二级分类、以及每个二级分类包含的特征项；所述特征项包括各类业务异常强相关性指标和控制面信令异常事件；

4、步骤s2、对定界模型评估体系中的特征项进行坐标赋值；使定界模型评估体系中的各特征项和定界域二级分类均具有各自的二维向量坐标值；

5、步骤s3、获取投诉用户基本信息，基于定界模型评估体系进行用户投诉问题的特征匹配，并根据匹配到符合的特征项所获得的向量坐标值，得到用户投诉问题在所涉及的定界域二级分类的向量坐标值；

6、步骤s4、依据knn算法确定出用户投诉问题与各定界域二级分类的距离，进行加权计算得到最近距离值的定界域，作为用户投诉问题的定位定界的最终结果。

7、进一步地，在步骤s1中，通过对不满意用户数据、投诉用户数据和投诉工单在内的业务异常用户数据的学习，识别出导致业务异常、影响用户感知、引起投诉问题的强相关性的关键特征项，及每个特征项的质差门限值范围，并根据全域多维度数据，构建定界模型评估体系；

8、所述全域多维度数据包括信令面数据、无线基础质量数据、无线性能数据、网元性能数据和终端性能数据。

9、进一步地，所述定界模型评估体系的定界域包括：无线侧、核心网网元、用户和终端。

10、进一步地，无线侧二级分类，包括无线基础质量评估、无线性能质量评估和信令异常事件无线侧；

11、无线基础质量评估，包括弱覆盖、干扰和重叠覆盖在内的无线基本质量指标；

12、无线性能质量评估，包括无线侧寻呼、接通、掉线、切换、利用率、cqi占比、rrc重建、异系统重定向在内的业务强相关指标；

13、信令异常事件无线侧，包括各种异常释放、流程失败、容量、兼容性在内的事件。

14、进一步地，核心网网元二级分类，包括核心网网元性能质量评估和信令异常事件核心网网元；

15、核心网网元性能质量评估，包括核心网网元维度的接通、掉线、切换、鉴权、安全模式、上下文建立、会话建立、附着、注册在内的质量指标；

16、信令异常事件核心网网元，包括核心网网元原因的流程失败、异常释放、拥塞、兼容性在内的事件。

17、进一步地，用户和终端二级分类，包括终端性能质量评估和信令异常事件用户终端；

18、终端性能质量评估，包括终端维度的寻呼、接通、掉线、切换、上下文建立、鉴权、rrc重建、异系统重定向在内的业务强相关指标；

19、信令异常事件用户终端，包括终端原因导致的流程失败、拒绝、兼容性在内的事件。

20、进一步地，在步骤s2中的坐标赋值，包括：

21、1)根据每个特征项与业务的强相关性，对每个特征项进行二维向量坐标赋值，根据不同强相关性进行不同向量坐标赋值，得到每个特征项二维坐标(x，y)；

22、所述强相关性是通过步骤s1中对不满意用户和投诉用户数据的学习得出的不同特征项的相关性；特征项出现频次、门限决定向量坐标值，通常特征项相关性越强，向量坐标值越大；

23、2)在对每个特征项进行二维向量坐标赋值的基础上得到包含特征项的上一级分类的向量坐标；

24、每个定界域中每个二级分类的向量坐标等于该二级分类中包含的特征项向量坐标之和。

25、进一步地，在步骤s3中，用户特征项匹配包括：

26、1)根据投诉工单或投诉用户反馈，得到用户基本信息，包括用户号码、异常业务时间、异常网络制式在内的基本信息；

27、2)根据用户信息筛选出投诉用户的信令面数据、无线基础质量数据、无线性能数据、网元性能数据、终端性能数据；

28、3)根据步骤s1已建立的定界模型评估体系，进行用户特征匹配；

29、根据定界模型评估体系中的特征项描述，达到强相关性指标门限或满足信令异常事件的，即为匹配到符合的特征项。

30、进一步地，根据匹配到符合的特征项所获得的向量坐标值时，包括：

31、1)用户初始向量坐标默认值为(0，0)；

32、2)每匹配到1个特征项，获得该特征项的向量坐标值，在用户向量坐标值上增加该特征的向量坐标值；

33、即用户向量坐标的横坐标和纵坐标分别加上匹配到特征项的横坐标和纵坐标。

34、3)对匹配到的相同定界域二级分类的特征项的向量坐标进行累加得到该二级分类的向量坐标值；对不同的分类特征项分别计数，得到匹配到的各定界域二级分类的向量坐标值。

35、进一步地，在步骤s4中的knn算法的k值产生中，根据步骤s3中用户从定界模型评估体系匹配后得到的定界域二级分类的向量坐标值与该定界域二级分类的总向量坐标值进行距离计算；

36、其中，分类加权平均值公式：

37、

38、其中，r为在一个定界域加权平均值，n为在该定界域匹配到的二级分类项数量，sum(k)为该用户所匹配到的所有定界域二级分类的欧式距离之和，si为该用户所匹配到的在该定界域中的第i个二级分类的欧式距离，“∑”为求和公式。

39、本发明可实现以下有益效果：

40、1、实现了全域全流程全方面的定位定界评估体系，且在加权平均值算法加持下，有效规避了异常数据带来的结果偏差问题，解决了实际应用中数据源质量问题导致的定位定界偏差；

41、2、实现了投诉定界的自动化和程序化，把描述性投诉问题根因数字化，把复杂的投诉定位定界问题转化成最终的数学公式计算。只需提供准确的用户号码和业务异常时间即可，简化技术人员实际的定位定界分析流程；

42、3、投诉问题的分析维度更加全面，有效提升了投诉问题定位定界的准确性；数字公式化处理逻辑，使投诉问题的处理更加高效；引入的定界模型评估体系，对投诉处理人员数量和技术能力要求更低，有效节约了技术投入和人力成本。

技术特征：

1.一种基于knn算法模型的投诉定位定界方法，其特征在于，包括：

2.根据权利要求1所述的基于knn算法模型的投诉定位定界方法，其特征在于，

3.根据权利要求2所述的基于knn算法模型的投诉定位定界方法，其特征在于，

4.根据权利要求3所述的基于knn算法模型的投诉定位定界方法，其特征在于，

5.根据权利要求3所述的基于knn算法模型的投诉定位定界方法，其特征在于，

6.根据权利要求3所述的基于knn算法模型的投诉定位定界方法，其特征在于，

7.根据权利要求3所述的基于knn算法模型的投诉定位定界方法，其特征在于，

8.根据权利要求7所述的基于knn算法模型的投诉定位定界方法，其特征在于，

9.根据权利要求8所述的基于knn算法模型的投诉定位定界方法，其特征在于，

10.根据权利要求9所述的基于knn算法模型的投诉定位定界方法，其特征在于，

技术总结
本发明涉及一种基于KNN算法模型的投诉定位定界方法，包括：建立并修正定界模型评估体系；对定界模型评估体系中的特征项进行坐标赋值；使定界模型评估体系中的各特征项和定界域二级分类均具有各自的二维向量坐标值；获取投诉用户基本信息，基于定界模型评估体系进行用户投诉问题的特征匹配，并根据匹配到符合的特征项所获得的向量坐标值，得到用户投诉问题在所涉及的定界域二级分类的向量坐标值；依据KNN算法确定出用户投诉问题与各定界域二级分类的距离，进行加权计算得到最近距离值的定界域，作为用户投诉问题的定位定界的最终结果。本发明极大提高定位定界分析的维度和分析结果的准确率，同时定位定界效率更高。

技术研发人员：王大勇
受保护的技术使用者：北京中创信测科技股份有限公司
技术研发日：
技术公布日：2024/9/23