王蘇衛(wèi)

摘 要：提升用戶(hù)滿意度是運(yùn)營(yíng)商優(yōu)化網(wǎng)絡(luò)的目標(biāo)，而準(zhǔn)確把握網(wǎng)絡(luò)性能指標(biāo)和業(yè)務(wù)質(zhì)量指標(biāo)與用戶(hù)的滿意度之間的相關(guān)性是關(guān)鍵。本文提出一種非線性的基于神經(jīng)網(wǎng)絡(luò)的用戶(hù)滿意度評(píng)估方法，經(jīng)仿真表明，其能較準(zhǔn)確地實(shí)現(xiàn)用戶(hù)滿意度的評(píng)估。

關(guān)鍵詞：用戶(hù)滿意度；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)性能指標(biāo)；業(yè)務(wù)質(zhì)量指標(biāo)

1 背景

提升用戶(hù)滿意度一直以來(lái)都是運(yùn)營(yíng)商努力的方向，但要提升用戶(hù)的滿意度，就必須對(duì)影響用戶(hù)感知的各類(lèi)因素有深入的理解。目前運(yùn)營(yíng)商能掌握的這些因素就是網(wǎng)絡(luò)性能指標(biāo)（KPI）和業(yè)務(wù)質(zhì)量指標(biāo)（KQI），運(yùn)營(yíng)商希望通過(guò)監(jiān)控這些KPI和KQI，構(gòu)建用戶(hù)滿意度模型，來(lái)進(jìn)行用戶(hù)滿意度評(píng)估。但隨著業(yè)務(wù)地不斷發(fā)展，網(wǎng)絡(luò)性能地不斷提升，用戶(hù)期望也將不斷發(fā)生改變，用戶(hù)滿意度的評(píng)估也必須隨著這種變化而改變[1]。

因此，基于運(yùn)營(yíng)商現(xiàn)成的KPI和KQI數(shù)據(jù)，充分考慮運(yùn)營(yíng)商網(wǎng)絡(luò)中出現(xiàn)的影響到用戶(hù)滿意度的因素，提出一種具有非線性映射功能的基于BP神經(jīng)網(wǎng)絡(luò)的用戶(hù)滿意度評(píng)估方法，利用該方法成功建立用戶(hù)滿意度評(píng)估模型，能較準(zhǔn)確地對(duì)移動(dòng)運(yùn)營(yíng)商的用戶(hù)滿意度進(jìn)行評(píng)估，該模型可進(jìn)一步指導(dǎo)運(yùn)營(yíng)商進(jìn)行網(wǎng)絡(luò)質(zhì)量的提升工作。

2 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型是一種采用BP學(xué)習(xí)算法的多層前饋神經(jīng)網(wǎng)絡(luò)。BP算法是利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再利用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)。因此，BP神經(jīng)網(wǎng)絡(luò)由數(shù)據(jù)的正向傳播和誤差的反向傳播兩個(gè)流程組成。正向傳播就是輸入樣本->輸入層->各隱層->輸出層。若輸出層的實(shí)際輸出與期望的輸出不符時(shí)，則轉(zhuǎn)入反向的誤差傳播階段，誤差以某種形式在各層表示，修正各層單元的權(quán)值，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度。

3 用戶(hù)滿意度建模

本節(jié)將以LTE網(wǎng)絡(luò)的用戶(hù)感知評(píng)估為例進(jìn)行基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行用戶(hù)滿意度建模和仿真。具體流程主要包含建模過(guò)程和模型應(yīng)用兩部分。在建模過(guò)程部分中，采用某省級(jí)運(yùn)營(yíng)商一個(gè)月份的網(wǎng)絡(luò)性能指標(biāo)和業(yè)務(wù)質(zhì)量指標(biāo)數(shù)據(jù)，以及對(duì)應(yīng)的用戶(hù)滿意度調(diào)查數(shù)據(jù)；模型應(yīng)用部分，主要是應(yīng)用確定的建模方法，建立場(chǎng)景級(jí)客戶(hù)感知指數(shù)模型。

3.1 指標(biāo)選擇

在LTE系統(tǒng)中，涉及用戶(hù)滿意度的指標(biāo)很多，如果全部納入到建模中，一是會(huì)加重建模的復(fù)雜性，二是指標(biāo)之間的相關(guān)性會(huì)影響到建模的結(jié)果。因此在指標(biāo)選擇方面，本文基于前期的業(yè)務(wù)經(jīng)驗(yàn)從眾多的指標(biāo)中，精心挑選出39個(gè)最能反映網(wǎng)絡(luò)性能和業(yè)務(wù)質(zhì)量的指標(biāo)作為建模的原始數(shù)據(jù)，具體網(wǎng)絡(luò)性能和業(yè)務(wù)質(zhì)量指標(biāo)集如表1所示。

3.2 數(shù)據(jù)規(guī)范化處理

上述的評(píng)估指標(biāo)具有不同的量綱及量綱單位，如平均時(shí)延、成功率和速率的量綱都不相同，這種情況會(huì)影響到建模的準(zhǔn)確性。為了解決指標(biāo)之間的可比性，提高建模的準(zhǔn)確性，對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理，以消除指標(biāo)之間的量綱影響是有必要的。另外，由于BP神經(jīng)網(wǎng)絡(luò)的隱層通常采用Sigmoid激勵(lì)函數(shù)，為了有效避開(kāi)Sigmoid函數(shù)的飽和區(qū)，并提高模型的靈敏性與訓(xùn)練的速度，通常要求輸入的指標(biāo)范圍在[0，1]區(qū)間內(nèi)。因此，也需要對(duì)輸入數(shù)據(jù)進(jìn)行規(guī)范化預(yù)處理操作。

本文采用最簡(jiǎn)單的最小-最大規(guī)范化處理，處理函數(shù)如下：

其中xmax為某指標(biāo)數(shù)據(jù)集中的最大值，xmin為某指標(biāo)數(shù)據(jù)集中的最小值。通過(guò)規(guī)范化后，將輸入的指標(biāo)數(shù)據(jù)控制在[0，1]區(qū)間內(nèi)。

3.3 指標(biāo)間的相關(guān)性檢測(cè)

輸入的指標(biāo)有可能是共線性的，說(shuō)明這些指標(biāo)具有相關(guān)性，而這種相關(guān)性有可能導(dǎo)致最終結(jié)果的非唯一性。也就是說(shuō)由于指標(biāo)之間的相互作用，將他們的相關(guān)關(guān)系傳遞到權(quán)值，又使自由參數(shù)的最優(yōu)化變得越來(lái)越復(fù)雜，從而使得權(quán)值有多解存在。因此有必要在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)前，對(duì)輸入的指標(biāo)進(jìn)行相關(guān)性的檢測(cè)。

通過(guò)計(jì)算輸入指標(biāo)之間的相關(guān)系數(shù)可以判斷輸入指標(biāo)之間是否存在相關(guān)關(guān)系。相關(guān)系數(shù)r是兩個(gè)指標(biāo)關(guān)聯(lián)強(qiáng)度的度量。相關(guān)系數(shù)越大，相關(guān)性越強(qiáng)；相關(guān)系數(shù)為正數(shù)代表正相關(guān)，r為負(fù)數(shù)代表負(fù)相關(guān)。平均數(shù)分別為x1，x2的兩個(gè)變量x1，x2的相關(guān)系數(shù)可以表示為：

相關(guān)系數(shù)是一個(gè)絕對(duì)值在[0，1]之間的小數(shù)，一般情況下當(dāng)相關(guān)系數(shù)的絕對(duì)值在[0.8，1]可認(rèn)為指標(biāo)之間存在強(qiáng)相關(guān)關(guān)系，[0.2，0.8]可認(rèn)為是弱相關(guān)關(guān)系，[0，0.2]可認(rèn)為是不相關(guān)。

3.4 BP神經(jīng)網(wǎng)絡(luò)建模

據(jù)統(tǒng)計(jì)，在所有的神經(jīng)網(wǎng)絡(luò)應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用占比超過(guò)80%。BP神經(jīng)網(wǎng)絡(luò)因其具有良好學(xué)習(xí)能力，而且學(xué)習(xí)的效率高且速率快，以及非線性逼近能力和泛化能力。BP神經(jīng)網(wǎng)絡(luò)采用的BP算法也是目前在前饋神經(jīng)網(wǎng)絡(luò)中研究得最成熟且應(yīng)用最廣的一種有導(dǎo)師學(xué)習(xí)算法。

本文BP神經(jīng)網(wǎng)絡(luò)建模中，其中隱層的節(jié)點(diǎn)轉(zhuǎn)換算法采用tansig 算法，這個(gè)非線性函數(shù)式如下：

輸出層算法采用logsig，算法函數(shù)式如下：

兩個(gè)函數(shù)都屬于S型函數(shù)，采用S型函數(shù)可以處理和逼近非線性輸入/輸出關(guān)系，一般情況下，均是在隱含層采用S型激活函數(shù)，而輸出層采用Purelin函數(shù)，但這里我們考慮到輸出值的范圍在[0，1]之間，因此輸出層采用S型函數(shù)logsig，那么整個(gè)網(wǎng)絡(luò)的輸出被限制在[0，1]范圍內(nèi)。

因?yàn)檩敵鰞H為用戶(hù)滿意度指數(shù)，所以，輸出層的神經(jīng)元就只有一個(gè)，而隱層神經(jīng)元個(gè)數(shù)可以從理論與實(shí)踐兩方面共同確定。而相鄰層之間的連接權(quán)值，只有通過(guò)計(jì)算預(yù)測(cè)樣本的數(shù)據(jù)與樣本的預(yù)測(cè)值的方差進(jìn)行判斷。

3.5 訓(xùn)練網(wǎng)絡(luò)

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中選擇均方誤差MSE較為合理，函數(shù)如下：

其中：m為輸出節(jié)點(diǎn)的個(gè)數(shù)，p為訓(xùn)練樣本數(shù)目，y'ij為網(wǎng)絡(luò)期望輸出值，yij為網(wǎng)絡(luò)實(shí)際輸出值。

輸入預(yù)先準(zhǔn)備的訓(xùn)練樣本數(shù)據(jù)后，網(wǎng)絡(luò)信號(hào)正向傳播將按期望輸出與實(shí)際輸出進(jìn)行比較，如果誤差值低于預(yù)期的設(shè)置，則將誤差反向傳播，從而逐層調(diào)整權(quán)值矩陣的閾值向量。當(dāng)誤差減小到預(yù)設(shè)范圍時(shí)，系統(tǒng)則停止學(xué)習(xí)，此時(shí)得到的權(quán)值矩陣與閾值向量就形成了LTE 用戶(hù)滿意度的評(píng)估模型。

我們初步設(shè)置停止訓(xùn)練的誤差限為0.001，通過(guò)用預(yù)先準(zhǔn)備的測(cè)試樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行驗(yàn)證測(cè)試，并通過(guò)觀察對(duì)每個(gè)測(cè)試數(shù)據(jù)的仿真輸出和期望輸出的比較，得出該BP神經(jīng)網(wǎng)絡(luò)仿真誤差的大小，以直觀地反映出仿真得出的結(jié)果與理想值之間的關(guān)系，綜合評(píng)估后，得出采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶(hù)滿意度進(jìn)行評(píng)估具有較高的精確度。

4 總結(jié)

本文根據(jù)傳統(tǒng)用戶(hù)滿意度評(píng)估中存在的問(wèn)題，提出了基于BP神經(jīng)網(wǎng)絡(luò)的用戶(hù)滿意度評(píng)估方法，針詳細(xì)描述神經(jīng)網(wǎng)絡(luò)建模的過(guò)程。分析結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)方法，采用網(wǎng)絡(luò)性能指標(biāo)和業(yè)務(wù)質(zhì)量指標(biāo)作為用戶(hù)滿意度評(píng)估的數(shù)據(jù)源，為運(yùn)營(yíng)商主動(dòng)發(fā)現(xiàn)網(wǎng)絡(luò)質(zhì)量問(wèn)題，并及時(shí)解決問(wèn)題提供有效支撐。

參考文獻(xiàn)

[1]許福永，申健，李劍英.網(wǎng)絡(luò)安全綜合評(píng)價(jià)方法的研究及應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006，27（8）：1398-1400.

[2]高廣燕.基于用戶(hù)感知的網(wǎng)絡(luò)評(píng)估考核算法及應(yīng)用研究[D].吉林大學(xué).2013.

[3]黨志恒.基于用戶(hù)感知體系的神經(jīng)網(wǎng)絡(luò)算法研究[J].數(shù)字技術(shù)應(yīng)用，2013，（10）：136-137.