CN119494567A 业务指标确定方法、装置和存储介质 （北京小米移动软件有限公司）

再根据得分映射模型分别对每个实际用户关于个实际用户关于每个业务影响因子的业务影响务参数和每个实际用户关于每个业务影响因子通过更加合理的目标业务指标实现对整体满意2获取多个实际用户对应的多个实际数据，所述实实际整体满意度关联的多个分项的实际分项满意度以及与每一个所述实际分项满意度关对所述多个实际用户针对每个业务影响因子的实际根据得分映射模型分别对每个实际用户关于每个业务影响因子的目标分组进行处理，对应于所述多个业务影响因子的样本业务参数和对应于所述多个分项的样本分项满意度，所述第二样本数据包括所述分项满意度预测模型输出的所述样本用户对应于所述多个分项的预测分项满意度和所述样本用户对应的根据目标提升参数、所述多个实际用户的实针对任一分项，从所述第一样本数据中确定出与所述任一分项对应的第一样本子数及与所述任一分项的样本分项满意度关联的多个业根据预设分项满意度阈值和所述样本分项满意度，确对所述第一样本子数据中的所述多个样本用户针对任一业务影响因子的样本业务参根据每个样本用户针对所述任一分项的满意度标签，得根据每个样本用户关于所述多个业务影响因子的原始样本分组的证据权重值和所述述多个业务影响因子的原始样本分组的证据权重值和所述每个样本用户针对所述任一分根据每个原始样本分组的证据权重值，对所述多个业务根据每个样本用户针对所述任一分项的满意度标签，得3所述根据每个样本用户关于所述多个业务影响因子的原始样本分组的证据权重值和所述每个样本用户针对所述任一分项的满意度标签，对所述第一基础网络进行多轮训练，根据每个样本用户关于所述目标业务影响因子的更新样本分组的证据权重值和所述所述根据每个原始样本分组的证据权重值，对所述多个业针对所述多个业务影响因子中的任一业务影响因子，根据所述任一业务影响因子对应的多个原始在所述实际单调关系与所述期望单调关系匹配时，确所述根据所述任一业务影响因子对应的多个原始样本在排序后的所述多个基本分组的证据权重值的单调性为不单调在所述第一分组序列的证据权重值的单调性为不单调的情将所述多个更新样本分组的证据权重值的单调关系确定为所述多个原始样本分组的在所述目标序号为第一个序号的情况下，基于所述目标序号对在所述目标序号为最后一个序号的情况下，基于所述4在所述目标序号为中间序号的情况下，基于所述目标序号所述在所述第一分组序列的证据权重值的单调性为不在所述第一分组子序列和所述第二分组子序列的证据权重值的单调性均为不单调的将所述第一信息价值和所述第二信息价值中较大值所对应的分组子序列确定为多个在根据每个样本用户关于所述目标业务影响因子的更新样本分组的证据权重值和所将第三信息价值大于预设信息价值阈值的目标业务影响因子确定为第一目标业务影根据每个第一目标业务影响因子对应的每个更新样本分根据所述相关系数，确定筛选业务影响因子，所述筛大于预设相关系数阈值的两个第一目标业务影响因子中第三信息价值较小的第一目标业将所述筛选业务影响因子从所述第一目标业务影响因子所述根据每个样本用户关于所述目标业务影响因子的更新样本分组的证据权重值和所述每个样本用户针对所述任一分项的满意度标签，对所述第一基础网络进行多轮训练，根据每个样本用户关于所述第二目标业务影响因子的更新样本分组的证据权重值和所述每个样本用户针对所述任一分项的满意度标签，对所述第一基础网络进行多轮训练，所述根据目标提升参数、所述多个实际用户的实际5根据整体满意度阈值和所述多个实际用户的实际整体满意度，确定原始整体满意占根据每个实际用户关于每个业务影响因子的根据所述原始整体满意占比和所述每个实际用户的整体满根据所述目标提升参数、所述多个业务影响因子的实际根据所述得分映射模型确定的每个实际用户关于所述任一业务影响因子的业务影响根据所述原始整体满意得分和所述调整目标分箱后的每个实际用户的整体满意度得在所述调整满意度大于所述目标提升参数对应的目在所述调整满意度小于或等于所述目标提升参数对离散模块，被配置为对所述多个实际用户针第一获得模块，被配置为根据得分映射模型子的目标分组进行处理，得到每个实际用户关于每个业务影响因子的业务影响因子得分，本数据包括所述样本用户对应于所述多个业务影响因子的样本业务参数和对应于所述多本用户对应于所述多个分项的预测分项满意度和所述样本用户对应的述多个业务影响因子的实际业务参数和所述每个实际用户关于每个业务影响因子的业务6其中，所述处理器被配置为执行时实现权利要求1～12中任一项所述业务指标确定方被处理器执行时实现权利要求1～12中任一项所述业务7分项满意度预测模型以及通过多个第二样本数据训练第二基础网络得到整体满意度预测所述实际整体满意度关联的多个分项的实际分项满意度以及与每一个所述实际分项满意[0008]根据得分映射模型分别对每个实际用户关于每个业务影响因子的目标分组进行本用户对应于所述多个业务影响因子的样本业务参数和对应于所述多个分项的样本分项8以及与所述任一分项的样本分项满意度关联的多个业[0013]对所述第一样本子数据中的所述多个样本用户针对任一业务影响因子的样本业[0015]根据每个样本用户关于所述多个业务影响因子的原始样本分组的证据权重值和所述每个样本用户针对所述任一分项的满意度标签，对所述第一基础网络进行多轮训练，[0019]所述根据每个样本用户关于所述多个业务影响因子的原始样本分组的证据权重[0020]根据每个样本用户关于所述目标业务影响因子的更新样本分组的证据权重值和所述每个样本用户针对所述任一分项的满意度标签，对所述第一基础网络进行多轮训练，9[0032]将所述多个更新样本分组的证据权重值的单调关系确定为所述多个原始样本分[0041]在所述第一分组子序列和所述第二分组子序列的证据权重值的单调性均为不单[0042]将第一信息价值和第二信息价值中较大值所对应的分组子序列确定为多个新的[0045]将第三信息价值大于预设信息价值阈值的目标业务影响因子确定为第一目标业系数大于预设相关系数阈值的两个第一目标业务影响因子中第三信息价值较小的第一目[0049]所述根据每个样本用户关于所述目标业务影响因子的更新样本分组的证据权重[0050]根据每个样本用户关于所述第二目标业务影响因子的更新样本分组的证据权重业务影响因子的实际业务参数和所述每个实际用户关于每个业务影响因子的业务影响因[0057]根据所述得分映射模型确定的每个实际用户关于所述任一业务影响因子的业务[0058]根据所述原始整体满意得分和所述调整目标分箱后的每个实际用户的整体满意一样本数据包括所述样本用户对应于所述多个业务影响因子的样本业务参数和对应于所述样本用户对应于所述多个分项的预测分项满意度和所述样本用户对应的实际整体满意[0073]通过获取多个实际用户对应的多个实际数据，该实际数据包括实际整体满意度、与实际整体满意度关联的多个分项的实际分项满意度以及与每一个实际分项满意度关联到分项满意度预测模型以及通过多个第二样本数据训练第二基础网络得到整体满意度预[0078]图2是根据一示例性实施例示出的一种分项满意度预测子模型训练方法的流程家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行个业务影响因子的实际业务参数和每个实际用户关于每个业务影响因子的业务影响因子[0091]图1是根据一示例性实施例示出的一种业务指标确定方法的流程到每个实际用户对应的实际整体满意度以及多数据包括分项满意度预测模型输出的样本用户对应于多个分项的预测分项满意度和样本对应的样本整体满意度以及多个样本分项满意度，进而得到第一样本数据和第二样本数练第一基础网络得到分项满意度预测模型以及通过多个第二样本数据训练第二基础网络[0103]图2是根据一示例性实施例示出的一种分项满意度预测子模型训练方法的流程及与该任一分项的样本分项满意度关联的多个业个分项的数据。并基于每一分项的数据分别训练得到该分项对应的分项满意度预测子模个分项第j个业务影响因子第r个分组满意用户占所有满意用户的占比，pijr0是第i个分项第j个业务影响因子第r个分组不满意用户占所有满意用户的占比，Sijr为第i个分项第j个[0118]根据每个样本用户关于多个业务影响因子的原始样本分组的证据权重值和每个根据每个原始样本分组的证据权重值确定每个业务影响因子是否单调以及具体的单调方用户关于目标业务影响因子的更新样本分组的证据权重值和每个样本用户针对该任一分[0132]图4是根据一示例性实施例示出的一种确定单调关系的方法的流程图，如图4所[0144]在本实施方式中，若合并后的第一分组序列的证据权重值的单第一信息价值和第二信息价值中较大值所对应的分组子项i的业务影响因子g的woe均值；woeiqp为分项i的业务影响因子q，在样本p中的woe值；丽系数大于预设相关系数阈值的两个第一目标业务影响因子中第三信息价值较小的第一目[0170]在本实施方式中，可将目标业务影响因子中信息价值较小的业分项满意度预测模型输出的多个预测分项满意度，该预测分项满意度的取值范围为0到1。[0191]在根据得分映射模型分别对每个实际用户关于每个业务影响因子的目标分组进个业务影响因子的实际业务参数和每个实际用户关于每个业务影响因子的业务影响因子[0195]在步骤S602中，根据每个实际用户关于每个业务影响因子的业和每个实际用户关于任一业务影响因子的目标分组，确定每个业务影响因子可调的指标，务影响因子的实际业务参数和每个实际用户关于任一业务影响因子的目标分组输入，即，[0202]在本实施方式中，可根据期望业务指标中的任一业务影响因子[0213]该离散模块702，被配置为对所述多个实际用户针对每个业务影响因子的实际业[0214]该第一获得模块703，被配置为根据得分映射模型分别对每个实际用户关于每个因子得分，所述得分映射模型基于整体满意度预测模型和分项满意度预测模型构建得到，所述分项满意度预测模型基于多个样本用户对应的第一样本数据训练第一基础网络得到，所述整体满意度预测模型基于多个样本用户对应的第二样本数据训练第二基础网络得到，所述第一样本数据包括所述样本用户对应于所述多个业务影响因子的样本业务参数和对出的所述样本用户对应于所述多个分项的预测分项满意度和所述样本用户对应的实际整一分项的样本分项满意度以及与所述任一分项的样本分项满意度关联的多个业务影响因[0228]第一确定子模块，被配置为针对所述多个业务影响因子中的任确定所述任一业务影响因子与其关联的样本分项满意[0229]第二确定子模块，被配置为根据所述任一业务影响因子对应的多个原始样本分