基于集成机器学习模型的用户体验打分预测研究.pdf

基于集成机器学习模型的用户体验打分预测研究

摘要

本文以用户体验为研究对象，对打分预测进行分析研究，基于分层聚类法、K近邻

密度峰值聚类、集成机器学习模型和Stacking融合等方法，通过MATLAB、SPSSPRO、

Origin、Lingo和SPSS等软件较好地解决了用户评分数据中异常值的检测以及用户体验

打分的预测，并由此对移动通讯公司提供了若干决策意见，从而达到了更加全面地提高

用户满意度的目的。

为解决问题提供一定的数据基础，本文首先对移动用户打分数据中非球形数据进行

非线性Box-Cox变换，依据变换后的球型数据进行特征缩放。基于预处理后的用户样本

数据采用SMOTE过采样优化，SMOTE优化后的逻辑回归算法分类效果如表4所示，数

据表明SMOTE和SMOTETomek方法可以成功地解决由于类不平衡导致的分类器泛化能

力弱的问题。

针对问题一，首先基于SMOTE过采样优化后用户打分数据，采用分层聚类法对用

户打分高低层次进行划分，通过聚类谱系图确定聚类的距离标度，结果见图3-4，聚类

评价指标Sil系数均超过0.836，聚类效果呈现显著性；用户打分高低的聚类结果如错误!

未找到引用源。所示，用户打分高聚类组占比超过总体的89.9%，表明用户在语音业务

和上网业务满意度方面具有良好体验；基于随机森林与XGBoost对用户特征进行筛选，

高低用户特征重要度对比见错误!未找到引用源。。其次，在用户打分异常值的检测过程

中，建立一种基于K近邻密度峰值聚类的用户异常值检测模型，通过DPC算法有哪些信誉好的足球投注网站局

部密度阈值，从而判定用户打分的异常值，用户打分数据异常值识别程度如错误!未找

到引用源。所示，数据表明异常值检测的识别程度呈现显著性效果。然后，对用户体验

打分预测建立集成机器学习模型（XGBoost、GBDT和RUSBoost），在多分类模型评估

指标最中引入了Micro-F1、Macro-F1，之后对训练完成的三个基学习器进行Stacking融

合，模型得分情况如错误!未找到引用源。所示，数据表明stacking融合模型的F1预测

值在四个分类器中最高，均达到75%以上，学习效果更好。最后对用户体验打分预测模

型进行了灵敏度分析和稳健性检验，进一步提高模型的精准度和鲁棒性。

针对问题二，基于用户体验打分预测的分析和结果，为中国移动北京公司提供了一

份非技术报告。

在移动互联网普及并快速发展的背景下，移动通讯公司怎样改善用户对语音及上网

满意度，而构建用户体验打分预测模型具有非常重要的理论意义与实践意义。

关键词：用户体验；分层聚类；K近邻密度峰值聚类；集成机器学习；Stacking融合

目录

一、问题重述1

1.1研究背景1

1.2文献综述1

1.3研究的问题1

二、研究思路1

2.1问题一的分析1

2.2问题二的分析2

三、模型假设3

四、符号说明3

五、初赛回顾和数据预处理3

5.1初赛回顾4

5.1.1用户体验打分影响因素的结果4

5.1.2用户体验打分预测的结果5

5.1.3复赛的目标5

5.2样本数据的结构优化6

5.2.1非线性Box-Cox变换6

5.2.2特征缩放8

5.2.3SMOTE过采样优化8

一、问题重述

1.1研究背景

移动通信技术飞速发展，给人们带来了极大便利，越来越多的人离不开移动通信技术

带来的便捷性，同时随着网络不断的建设，网络覆盖越来越完善，特别是在信息透明、产

品同质化的今天，客户满意度的表现成为各大运营商市场运营状况的重要体现。在实现客

户满意度评测的数字化转型，让客户体验赋能商业决策，让商业决策真正服务客户，共同

推动移动网络高质量可持续发展。根据客户投诉，对影响用户体验的问题逐点解决，是传

统提升客户满意度的方法。但是随着用户数量的大幅增加，移动产品的种类越来越丰富，

客户的需求越来越高，传统的方法已经