一種通信操作分析方法及裝置與流程
本發(fā)明涉及通信領(lǐng)域中的網(wǎng)絡(luò)管理技術(shù)，尤其涉及一種通信操作分析方法及裝置。
背景技術(shù)：
近幾年，隨著信息技術(shù)的飛躍發(fā)展，用戶使用數(shù)據(jù)通信網(wǎng)絡(luò)會(huì)出現(xiàn)用戶數(shù)據(jù)信息泄露事件、異常的登陸信息和訪問(wèn)網(wǎng)站信息，直接影響用戶的信譽(yù)度和財(cái)產(chǎn)安全。另外，用戶使用數(shù)據(jù)通信網(wǎng)絡(luò)時(shí)，“未上網(wǎng)卻產(chǎn)生流量費(fèi)用”和“實(shí)際流量與預(yù)期流量不符”這兩項(xiàng)帶來(lái)的困擾嚴(yán)重影響了客戶滿意度。
目前，電信運(yùn)營(yíng)商雖然為用戶提供了各種類型的數(shù)據(jù)流量提醒機(jī)制，但上述常用的提醒機(jī)制無(wú)法區(qū)分正常和異常的數(shù)據(jù)流量，且無(wú)法單獨(dú)為異常數(shù)據(jù)流量進(jìn)行預(yù)警。
技術(shù)實(shí)現(xiàn)要素：
有鑒于此，本發(fā)明的目的在于提供一種通信操作分析方法及裝置，能至少解決現(xiàn)有技術(shù)中存在的上述問(wèn)題。
為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：
本發(fā)明實(shí)施例提供了一種通信操作分析方法，所述方法包括：
獲取到用戶的至少一條歷史上網(wǎng)話單，其中，所述歷史上網(wǎng)話單至少包括有預(yù)設(shè)時(shí)長(zhǎng)內(nèi)與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的操作記錄；
基于所述歷史上網(wǎng)話單進(jìn)行上網(wǎng)特征提取，得到歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子；
基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型；
基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的 第一話單進(jìn)行分析，并基于分析結(jié)果進(jìn)行處理。
本發(fā)明實(shí)施例提供了一種通信操作分析裝置，所述裝置包括：
信息獲取單元，用于獲取到用戶的至少一條歷史上網(wǎng)話單，其中，所述歷史上網(wǎng)話單至少包括有預(yù)設(shè)時(shí)長(zhǎng)內(nèi)與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的操作記錄；
模型建立單元，用于基于所述歷史上網(wǎng)話單進(jìn)行上網(wǎng)特征提取，得到歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子；基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型；
分析單元，用于基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單進(jìn)行分析，并基于分析結(jié)果進(jìn)行處理。
本發(fā)明實(shí)施例提供了通信操作分析方法及裝置，基于用戶的歷史上網(wǎng)話單確定至少一個(gè)基本特征因子，進(jìn)而基于歷史上網(wǎng)話單的至少一個(gè)基本特征因子確定上網(wǎng)模型，并利用上網(wǎng)模型對(duì)用戶產(chǎn)生的第一話單進(jìn)行分析，最終能夠基于分析結(jié)果進(jìn)行處理。首先采用上網(wǎng)話單特征因子進(jìn)行處理的方式能夠降低資源占用率，提高計(jì)算效率；并且通過(guò)上網(wǎng)模型的建立確定出針對(duì)話單的分析結(jié)果，進(jìn)而能夠基于分析結(jié)果進(jìn)行處理，如此減少了用戶不知情產(chǎn)生流量的情況。
附圖說(shuō)明
圖1為本發(fā)明實(shí)施例通信操作分析方法流程示意圖；
圖2為本發(fā)明實(shí)施例對(duì)上網(wǎng)話單進(jìn)行特征提取的提示圖；
圖3為本發(fā)明實(shí)施例通信操作分析方法中的建立上網(wǎng)模型流程示意圖；
圖4為本發(fā)明實(shí)施例通信操作分析方法中的基于上網(wǎng)模型進(jìn)行分析流程示意圖；
圖5為本發(fā)明實(shí)施例通信操作分析裝置組成結(jié)構(gòu)示意圖。
具體實(shí)施方式
下面結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明再作進(jìn)一步詳細(xì)的說(shuō)明。
實(shí)施例一、
本發(fā)明實(shí)施例提供了一種通信操作分析方法，如圖1所示，包括：
步驟101：獲取到用戶的至少一條歷史上網(wǎng)話單，其中，所述歷史上網(wǎng)話單至少包括有預(yù)設(shè)時(shí)長(zhǎng)內(nèi)與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的操作記錄；
步驟102：基于所述歷史上網(wǎng)話單進(jìn)行上網(wǎng)特征提取，得到歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子；
步驟103：基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型；
步驟104：基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單進(jìn)行分析，并基于分析結(jié)果進(jìn)行處理。
本實(shí)施例可以應(yīng)用于網(wǎng)絡(luò)設(shè)備，比如網(wǎng)絡(luò)側(cè)的服務(wù)器中，也可以有移動(dòng)終端來(lái)對(duì)本終端的操作進(jìn)行分析，也就是說(shuō)，本實(shí)施例即能夠使用于網(wǎng)絡(luò)設(shè)備、也能夠使用于移動(dòng)終端，本實(shí)施例中不對(duì)其進(jìn)行限定。
下面本實(shí)施例著重針對(duì)如何建立上網(wǎng)模型進(jìn)行具體說(shuō)明：
所述基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型，包括：
基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子之間的距離值，確定至少一個(gè)類別、以及每一個(gè)類別對(duì)應(yīng)的頻數(shù)；其中，每一個(gè)類別中分別對(duì)應(yīng)有n條歷史上網(wǎng)話單，n為大于等于1的整數(shù)；
基于所述類別對(duì)應(yīng)的頻數(shù)確定所述類別對(duì)應(yīng)的權(quán)值；
基于每一個(gè)類別對(duì)應(yīng)的權(quán)重、以及每一個(gè)類別對(duì)應(yīng)的中心值，建立上網(wǎng)模型。
其中，所述基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子之間的距離值，確定至少一個(gè)類別、以及每一個(gè)類別對(duì)應(yīng)的頻數(shù)，包括：
判斷當(dāng)前輸入的歷史上網(wǎng)話單是否為第一條操作記錄；
若是第一條操作記錄，則設(shè)置當(dāng)前的所述歷史上網(wǎng)話單對(duì)應(yīng)的基本特征 因子作為新建立的類別的中心特征，并將所述類別的頻數(shù)加一；
若不是第一條操作記錄，則計(jì)算當(dāng)前歷史上網(wǎng)話單對(duì)應(yīng)的基本特征因子與當(dāng)前已有的至少一個(gè)類別對(duì)應(yīng)的中心特征之間的距離值，基于所述歷史上網(wǎng)話單與至少一個(gè)類別的中心特征之間的距離值選取對(duì)應(yīng)的類別，基于所述歷史上網(wǎng)話單更新所述對(duì)應(yīng)的類別的中心特征以及所述類別對(duì)應(yīng)的頻數(shù)。
本實(shí)施例中所述歷史上網(wǎng)話單，可以體現(xiàn)為保存在網(wǎng)絡(luò)側(cè)的用戶的上網(wǎng)話單，所述上網(wǎng)特征提取可以采用用戶的上網(wǎng)時(shí)間段、上網(wǎng)頻率和上網(wǎng)流量特征作為用戶上網(wǎng)的基本特征因子。如圖2所示，其中，分別基于三個(gè)上網(wǎng)特征來(lái)進(jìn)行分類，分出來(lái)以下a、b、c三種類別：
a.上網(wǎng)時(shí)間段：指用戶每天上網(wǎng)的時(shí)間段；
b.上網(wǎng)頻率：指用戶單位時(shí)間內(nèi)上網(wǎng)的次數(shù)(次/分)；
c.上網(wǎng)流量：指用戶每次上網(wǎng)的流量(kb)。
這樣，對(duì)于每一條歷史上網(wǎng)話單即上網(wǎng)話單在某一時(shí)間區(qū)間內(nèi)的多個(gè)特征因子，可以看成是多模的，我們可以通過(guò)基于聚類的原理將用戶的話單特征提煉為幾個(gè)類來(lái)代表的樣本集，上網(wǎng)話單可以聚類成3類。
具體的上網(wǎng)模型的學(xué)習(xí)過(guò)程可以參見(jiàn)圖3，具體如下：
一、初始化并建立參數(shù)集。對(duì)于每一條話單，令km為最大類別數(shù)，td為類間距閾值，當(dāng)前類別數(shù)為0，每一類的頻數(shù)設(shè)為0。
二、輸入話單。
三、如果輸入話單為第一條話單，則令每一話單當(dāng)前的特征量xt(t為第幾條話單)作為第一類的中心，并將該類的頻數(shù)加1，然后回到步驟二；如果輸入不是第一條話單，則轉(zhuǎn)到步驟四。
四、對(duì)每一話單，計(jì)算當(dāng)前話單特征量xt與該話單已有類別的聚類中心ci,t-1的距離，i是聚類中心個(gè)數(shù)，令最小距離為dmin：
dmin＝min(|ci,t-1-xt|)(1-1)
其中，使得距離最小的類別為第k類：
k＝mini(|ci,t-1-xt|)(1-2)
如果dmin<td，則將該特征量歸至最小距離的類中，將該類的頻數(shù)加1，并更新該類的聚類中心為：
ck,t＝(1-α)ck,t-1+αxt(1-3)
其中α為學(xué)習(xí)速率，其大小可以根據(jù)具體的情況而定。然后轉(zhuǎn)至步驟五。
如果dmin>td，如果已有的類別數(shù)小于定義的最大類別數(shù)km，則增加一個(gè)新類，將特征量xt作為新類的聚類中心，并將該類的頻數(shù)加1，然后轉(zhuǎn)至五。如果已有類別數(shù)大于km，則找出頻數(shù)最少的類，將其移除，并將特征量xt作為新一類的聚類中心，新類的頻數(shù)設(shè)為1，然后轉(zhuǎn)至步驟五。
五、如果學(xué)習(xí)過(guò)程完成，即所有的n個(gè)樣本話單已完成聚類，則結(jié)束，否則回到二。
其中類間距閾值td可以通過(guò)式1-4進(jìn)行計(jì)算
td＝tσ(1-4)
通常td根據(jù)場(chǎng)景的不同取一至兩倍的σ,即t為1或2，σ是類間方差。km通常選取為10至20類，場(chǎng)景越復(fù)雜，所需的類別數(shù)越多。每一類由其聚類中心與出現(xiàn)頻數(shù)表示。顯然，出現(xiàn)頻率高的類別應(yīng)對(duì)話單模型有較多的貢獻(xiàn)，而出現(xiàn)頻率低的類別對(duì)話單模型影響小，通過(guò)更新機(jī)制會(huì)被逐漸抑制和取代。
通過(guò)以上的聚類過(guò)程，原本的n個(gè)樣本x1,x2,...,xn可以由m個(gè)新樣本c1,c2,...,cm來(lái)表示，ci表示第i類的聚類中心，從而得到能夠表示全樣本關(guān)鍵特征的小樣本集。新樣本集中的每個(gè)樣本對(duì)概率函數(shù)的貢獻(xiàn)不同，其貢獻(xiàn)度由每類出現(xiàn)的頻數(shù)ni，i＝1,2…m表示，則由式(1-4)計(jì)算每類的權(quán)值：
則對(duì)應(yīng)話單的概率函數(shù)通過(guò)下式進(jìn)行計(jì)算：
其中，d為特征因子個(gè)數(shù)，t代表轉(zhuǎn)置。
可見(jiàn)，通過(guò)采用上述方案，能夠基于用戶的歷史上網(wǎng)話單確定至少一個(gè)基本特征因子，進(jìn)而基于歷史上網(wǎng)話單的至少一個(gè)基本特征因子確定上網(wǎng)模型，并利用上網(wǎng)模型對(duì)用戶產(chǎn)生的第一話單進(jìn)行分析，最終能夠基于分析結(jié)果進(jìn)行處理。首先采用上網(wǎng)話單特征因子進(jìn)行處理的方式能夠降低資源占用率，提高計(jì)算效率；并且通過(guò)上網(wǎng)模型的建立確定出針對(duì)話單的分析結(jié)果，進(jìn)而能夠基于分析結(jié)果進(jìn)行處理，如此減少了用戶不知情產(chǎn)生流量的情況。
實(shí)施例二、
本發(fā)明實(shí)施例提供了一種通信操作分析方法，如圖1所示，包括：
步驟101：獲取到用戶的至少一條歷史上網(wǎng)話單，其中，所述歷史上網(wǎng)話單至少包括有預(yù)設(shè)時(shí)長(zhǎng)內(nèi)與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的操作記錄；
步驟102：基于所述歷史上網(wǎng)話單進(jìn)行上網(wǎng)特征提取，得到歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子；
步驟103：基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型；
步驟104：基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單進(jìn)行分析，并基于分析結(jié)果進(jìn)行處理。
本實(shí)施例可以應(yīng)用于網(wǎng)絡(luò)設(shè)備，比如網(wǎng)絡(luò)側(cè)的服務(wù)器中，也可以有移動(dòng)終端來(lái)對(duì)本終端的操作進(jìn)行分析，也就是說(shuō)，本實(shí)施例即能夠使用于網(wǎng)絡(luò)設(shè)備、也能夠使用于移動(dòng)終端，本實(shí)施例中不對(duì)其進(jìn)行限定。
下面本實(shí)施例著重針對(duì)如何采用上網(wǎng)模型進(jìn)行分析來(lái)具體說(shuō)明：
所述基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單進(jìn)行分析，包括：
獲取到用戶采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單的記錄；
從所述第一話單的記錄中提取得到特征量；
基于所述第一話單的記錄對(duì)應(yīng)的特征量、以及所述上網(wǎng)模型，計(jì)算得到所述第一話單記錄對(duì)應(yīng)的概率值，將所述概率值作為針對(duì)所述第一話單的分析結(jié)果。
相應(yīng)的，所述基于分析結(jié)果進(jìn)行處理，包括：
判斷分析結(jié)果中包含的概率值是否大于預(yù)設(shè)門限值；
若大于，則確定所述第一話單為正常操作；
若不大于，則確定所述第一話單為異常操作，針對(duì)所述第一話單生成提示信息。
結(jié)合圖4，對(duì)話單分析并進(jìn)行處理的具體步驟進(jìn)行說(shuō)明：
步驟401：設(shè)置閾值等參數(shù)；
步驟402：輸入樣本話單；
步驟403：若是第一條話單，則直接將該條話單的特征值設(shè)置為聚類中心，若不是第一條話單，則判斷當(dāng)條話單與聚類中心的距離；
步驟404：根據(jù)距離值判斷更新聚類中心；
步驟405：判斷是否完成聚類中心的建立，即所有的n個(gè)樣本話單是否已完成聚類，若是，走到步驟406，否則回到步驟402；
步驟406：輸入用戶產(chǎn)生話單；
步驟407：對(duì)每一話單，根據(jù)已有類別聚類中心ci,t-1，計(jì)算當(dāng)前話單特征量xt對(duì)于第i類中心出現(xiàn)的概率：
則xt出現(xiàn)的總概率為
如果pr(xt)>th，則該話單暫時(shí)被判為正常話單，令b(xt)＝1，如果pr(xt)<th，則該話單暫時(shí)被判為異常話單，令b(xt)＝0，其中th是設(shè)定的判別閾值，具體可根據(jù)用戶特征話單集波動(dòng)情況來(lái)定義，即波動(dòng)情況越大，該值越大；
步驟408：對(duì)于每一個(gè)話單，如果其b(xt)＝1，則需要對(duì)該話單的概率模型進(jìn)行更新，我們使用短時(shí)更新來(lái)對(duì)樣本集進(jìn)行更新。首先需要找出與新進(jìn)的話單特征值xt最相近的類別k:
k＝maxi(pri(xt))(1-9)
如果新進(jìn)的話單特征值xt與最接近的聚類中心的距離大于核帶寬的兩倍，即
步驟409：如果b(xt)＝0，則判斷為異常，則給用戶發(fā)短信告警。
步驟410：如果所有話單都處理完成，則結(jié)束，沒(méi)有的話則轉(zhuǎn)到步驟406。
通過(guò)上述流程對(duì)話單的計(jì)算和判別，采集用戶手機(jī)終端所產(chǎn)生的每條上網(wǎng)話單，抽取話單中各個(gè)維度，與話單特征庫(kù)里的特征指標(biāo)進(jìn)行匹配；若發(fā)現(xiàn)上網(wǎng)話單中流量是異常流量，則形成危險(xiǎn)提醒短信，向用戶終端發(fā)送，提醒用戶采取措施避免繼續(xù)產(chǎn)生異常上網(wǎng)話單。
采用建立用戶話單概率模型，有效地判斷用戶異常上網(wǎng)話單，降低用戶不知情產(chǎn)生流量的情況，提高公司收入。從本方案實(shí)施后，“未上網(wǎng)卻產(chǎn)生流量費(fèi)用”和“使用量小費(fèi)用很高”兩大類用戶投訴，給用戶退費(fèi)率下降15％，重復(fù)投訴率也下降了10％，凈化了手機(jī)上網(wǎng)環(huán)境，提升了客戶滿意度，維護(hù)了中國(guó)移動(dòng)的良好企業(yè)形象，創(chuàng)造了巨大的社會(huì)效益。
首先提取用戶上網(wǎng)特征進(jìn)行建模，用戶上網(wǎng)特征的主要原理是結(jié)合用戶日常上網(wǎng)習(xí)慣，建立用戶上網(wǎng)特征庫(kù)，抽取每次上網(wǎng)特征數(shù)據(jù)，與特征庫(kù)里規(guī)則進(jìn)行匹配，根據(jù)規(guī)則匹配的結(jié)果判斷用戶每次上網(wǎng)行為是否存在安全隱患。本文采集用戶終端上網(wǎng)話單進(jìn)行特征分析，并進(jìn)行概率模型建模。因?yàn)樯暇W(wǎng)話單在應(yīng)用領(lǐng)域中適用的范圍比較廣闊，其特征數(shù)據(jù)豐富、特征明顯、結(jié)果可靠、處理及時(shí)性強(qiáng)。
(1)采集用戶終端產(chǎn)生話單中的用戶號(hào)碼、上網(wǎng)時(shí)間、上網(wǎng)流量、上網(wǎng)頻率、用戶imei等各個(gè)維度信息，并對(duì)樣本集信息進(jìn)行聚類分析，降低存儲(chǔ)量，這樣在樣本集極少的情況下，能夠得到與原樣本集相似的概率函數(shù)，快速有效地建立用戶上網(wǎng)話單特征模型。匹配用戶上網(wǎng)話單，如果用戶上網(wǎng)話單特征與用戶平時(shí)上網(wǎng)習(xí)慣嚴(yán)重不符，那么這些話單將被定位成疑似異常上網(wǎng)話單。
(2)用戶話單匹配用戶上網(wǎng)話單特征模型，進(jìn)行概率計(jì)算。當(dāng)概率低于一定值時(shí)，則判斷用戶上網(wǎng)話單不符合用戶上網(wǎng)習(xí)慣，那么將這些話單判定為疑似異常上網(wǎng)話單，并對(duì)用戶進(jìn)行短信告知。
用戶自主產(chǎn)生的上網(wǎng)流量話單一般具有一定的規(guī)律和特征，本實(shí)施例利用該特性來(lái)判斷用戶話單是否正常，符合以往用戶上網(wǎng)特征的判別為正常話單，差異較大則判別為異常話單，及時(shí)通知用戶，避免損失。本實(shí)施例實(shí)現(xiàn)方案中首先采集用戶終端上網(wǎng)話單進(jìn)行特征分析，并將其重要特征進(jìn)行聚類預(yù)處理，進(jìn)而進(jìn)行概率模型建模，形成上網(wǎng)話單模型，然后匹配用戶的上網(wǎng)話單與話單模型，進(jìn)行概率計(jì)算，通過(guò)其值來(lái)判斷用戶的話單是否正常。
聚類預(yù)處理用戶話單可以解決概率計(jì)算復(fù)雜度大、對(duì)硬件存儲(chǔ)要求較高的問(wèn)題，同時(shí)聚類學(xué)習(xí)過(guò)程還具有以下優(yōu)勢(shì)：(1)高度的可伸縮性，即在聚類話單數(shù)據(jù)集合非常大時(shí)，仍能夠得到較滿意的聚類分類效果；(2)抗噪聲數(shù)據(jù)的性能強(qiáng)，實(shí)際的樣本數(shù)據(jù)庫(kù)中的數(shù)據(jù)可能包含孤立的點(diǎn)甚至是錯(cuò)誤的數(shù)據(jù)，聚類算法對(duì)這些類似噪聲的數(shù)據(jù)不敏感，不會(huì)影響聚類的效果。因此，將用戶話單的各個(gè)特征進(jìn)行聚類分析，有助于提高計(jì)算效率。
話單概率模型建立是采用非參數(shù)核密度估計(jì)算法，該算法可以直接從觀測(cè)數(shù)據(jù)中估計(jì)未知密度函數(shù)，所以不需要假定模型的參數(shù)或者對(duì)參數(shù)進(jìn)行優(yōu)化的工作，因此該方法已經(jīng)被廣泛應(yīng)用于魯棒的復(fù)雜數(shù)據(jù)建模。在非參數(shù)核密度估計(jì)算法中，取話單序列中連續(xù)的n條話單作為樣本，則沿著時(shí)間軸，每個(gè)話單特征都有n個(gè)樣本值，于是可以為每個(gè)話單特征建立一個(gè)概率模型。當(dāng)話單樣本足夠多時(shí)，核密度估計(jì)能夠逐漸的收斂于真實(shí)話單模型。
可見(jiàn)，通過(guò)采用上述方案，能夠基于用戶的歷史上網(wǎng)話單確定至少一個(gè)基本特征因子，進(jìn)而基于歷史上網(wǎng)話單的至少一個(gè)姐基本特征因子確定上網(wǎng)模型，并利用上網(wǎng)模型對(duì)用戶產(chǎn)生的第一話單進(jìn)行分析，最終能夠基于分析結(jié)果進(jìn)行處理。首先采用上網(wǎng)話單特征因子進(jìn)行處理的方式能夠降低資源占用率，提高計(jì)算效率；并且通過(guò)上網(wǎng)模型的建立確定出針對(duì)話單的分析結(jié)果，進(jìn)而能夠基于分析結(jié)果進(jìn)行處理，如此減少了用戶不知情產(chǎn)生流量的情況。
實(shí)施例三、
本發(fā)明實(shí)施例提供了一種通信操作分析裝置，如圖5所示，所述裝置包括：
信息獲取單元51，用于獲取到用戶的至少一條歷史上網(wǎng)話單，其中，所述歷史上網(wǎng)話單至少包括有預(yù)設(shè)時(shí)長(zhǎng)內(nèi)與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的操作記錄；
模型建立單元52，用于基于所述歷史上網(wǎng)話單進(jìn)行上網(wǎng)特征提取，得到歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子；基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型；
分析單元53，用于基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單進(jìn)行分析，并基于分析結(jié)果進(jìn)行處理。
本實(shí)施例所述通信操作分析裝置可以為網(wǎng)絡(luò)設(shè)備，比如網(wǎng)絡(luò)側(cè)的服務(wù)器，或者還可以為服務(wù)器集群，也就是說(shuō)上述三個(gè)模塊可以設(shè)置于一個(gè)服務(wù)器中，也可以分別設(shè)置在不同的服務(wù)器中；另外，上述通信操作分析裝置也可以為移動(dòng)終端。
下面本實(shí)施例著重針對(duì)如何建立上網(wǎng)模型進(jìn)行具體說(shuō)明：
所述模型建立單元52，用于基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子之間的距離值，確定至少一個(gè)類別、以及每一個(gè)類別對(duì)應(yīng)的頻數(shù)；其中，每一個(gè)類別中分別對(duì)應(yīng)有n條歷史上網(wǎng)話單，n為大于等于1的整數(shù)；基于所述類別對(duì)應(yīng)的頻數(shù)確定所述類別對(duì)應(yīng)的權(quán)值；基于每一個(gè)類別對(duì)應(yīng)的權(quán)重、以及每一個(gè)類別對(duì)應(yīng)的中心值，建立上網(wǎng)模型。
其中，所述模型建立單元52，用于判斷當(dāng)前輸入的歷史上網(wǎng)話單是否為第一條操作記錄；若是第一條操作記錄，則設(shè)置當(dāng)前的所述歷史上網(wǎng)話單對(duì)應(yīng)的基本特征因子作為新建立的類別的中心特征，并將所述類別的頻數(shù)加一；若不是第一條操作記錄，則計(jì)算當(dāng)前歷史上網(wǎng)話單對(duì)應(yīng)的基本特征因子與當(dāng)前已有的至少一個(gè)類別對(duì)應(yīng)的中心特征之間的距離值，基于所述歷史上網(wǎng)話單與至少一個(gè)類別的中心特征之間的距離值選取對(duì)應(yīng)的類別，基于所述歷史上網(wǎng)話單更新所述對(duì)應(yīng)的類別的中心特征以及所述類別對(duì)應(yīng)的頻數(shù)。
本實(shí)施例中所述歷史上網(wǎng)話單，可以體現(xiàn)為保存在網(wǎng)絡(luò)側(cè)的用戶的上網(wǎng)話單，所述上網(wǎng)特征提取可以采用用戶的上網(wǎng)時(shí)間段、上網(wǎng)頻率和上網(wǎng)流量特征作為用戶上網(wǎng)的基本特征因子。
具體的上網(wǎng)模型的學(xué)習(xí)過(guò)程可以參見(jiàn)圖3，具體如下：
一、初始化并建立參數(shù)集。對(duì)于每一條話單，令km為最大類別數(shù)，td為類間距閾值，當(dāng)前類別數(shù)為0，每一類的頻數(shù)設(shè)為0。
二、輸入話單。
三、如果輸入話單為第一條話單，則令每一話單當(dāng)前的特征量xt(t為第幾條話單)作為第一類的中心，并將該類的頻數(shù)加1，然后回到步驟二；如果輸入不是第一條話單，則轉(zhuǎn)到步驟四。
四、對(duì)每一話單，計(jì)算當(dāng)前話單特征量xt與該話單已有類別的聚類中心ci,t-1的距離，i是聚類中心個(gè)數(shù)，令最小距離為dmin：
dmin＝min(|ci,t-1-xt|)(1-1)
其中，使得距離最小的類別為第k類：
k＝mini(|ci,t-1-xt|)(1-2)
如果dmin<td，則將該特征量歸至最小距離的類中，將該類的頻數(shù)加1，并更新該類的聚類中心為：
ck,t＝(1-α)ck,t-1+αxt(1-3)
其中α為學(xué)習(xí)速率，其大小可以根據(jù)具體的情況而定。然后轉(zhuǎn)至步驟五。
如果dmin>td，如果已有的類別數(shù)小于定義的最大類別數(shù)km，則增加一個(gè)新類，將特征量xt作為新類的聚類中心，并將該類的頻數(shù)加1，然后轉(zhuǎn)至五。如果已有類別數(shù)大于km，則找出頻數(shù)最少的類，將其移除，并將特征量xt作為新一類的聚類中心，新類的頻數(shù)設(shè)為1，然后轉(zhuǎn)至步驟五。
五、如果學(xué)習(xí)過(guò)程完成，即所有的n個(gè)樣本話單已完成聚類，則結(jié)束，否則回到二。
其中類間距閾值td可以通過(guò)式1-4進(jìn)行計(jì)算
td＝tσ(1-4)
通常td根據(jù)場(chǎng)景的不同取一至兩倍的σ,即t為1或2，σ是類間方差。km通常選取為10至20類，場(chǎng)景越復(fù)雜，所需的類別數(shù)越多。每一類由其聚類中心與出現(xiàn)頻數(shù)表示。顯然，出現(xiàn)頻率高的類別應(yīng)對(duì)話單模型有較多的貢獻(xiàn)，而出現(xiàn)頻率低的類別對(duì)話單模型影響小，通過(guò)更新機(jī)制會(huì)被逐漸抑制和取代。
通過(guò)以上的聚類過(guò)程，原本的n個(gè)樣本x1,x2,...,xn可以由m個(gè)新樣本c1,c2,...,cm來(lái)表示，ci表示第i類的聚類中心，從而得到能夠表示全樣本關(guān)鍵特征的小樣本集。新樣本集中的每個(gè)樣本對(duì)概率函數(shù)的貢獻(xiàn)不同，其貢獻(xiàn)度由每類出現(xiàn)的頻數(shù)ni，i＝1,2…m表示，則由式(1-4)計(jì)算每類的權(quán)值：
則對(duì)應(yīng)話單的概率函數(shù)通過(guò)下式進(jìn)行計(jì)算：
可見(jiàn)，通過(guò)采用上述方案，能夠基于用戶的歷史上網(wǎng)話單確定至少一個(gè)基本特征因子，進(jìn)而基于歷史上網(wǎng)話單的至少一個(gè)基本特征因子確定上網(wǎng)模型，并利用上網(wǎng)模型對(duì)用戶產(chǎn)生的第一話單進(jìn)行分析，最終能夠基于分析結(jié)果進(jìn)行處理。首先采用上網(wǎng)話單特征因子進(jìn)行處理的方式能夠降低資源占用率，提高計(jì)算效率；并且通過(guò)上網(wǎng)模型的建立確定出針對(duì)話單的分析結(jié)果，進(jìn)而能夠基于分析結(jié)果進(jìn)行處理，如此減少了用戶不知情產(chǎn)生流量的情況。
實(shí)施例四、
本發(fā)明實(shí)施例提供了一種通信操作分析裝置，如圖5所示，所述裝置包括：
信息獲取單元51，用于獲取到用戶的至少一條歷史上網(wǎng)話單，其中，所述歷史上網(wǎng)話單至少包括有預(yù)設(shè)時(shí)長(zhǎng)內(nèi)與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的操作記錄；
模型建立單元52，用于基于所述歷史上網(wǎng)話單進(jìn)行上網(wǎng)特征提取，得到歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子；基于歷史上網(wǎng)話單對(duì)應(yīng)的至少一個(gè)基本特征因子確定上網(wǎng)模型；
分析單元53，用于基于所述上網(wǎng)模型，對(duì)采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單進(jìn)行分析，并基于分析結(jié)果進(jìn)行處理。
本實(shí)施例所述通信操作分析裝置可以為網(wǎng)絡(luò)設(shè)備，比如網(wǎng)絡(luò)側(cè)的服務(wù)器，或者還可以為服務(wù)器集群，也就是說(shuō)上述三個(gè)模塊可以設(shè)置于一個(gè)服務(wù)器中，也可以分別設(shè)置在不同的服務(wù)器中；另外，上述通信操作分析裝置也可以為移動(dòng)終端。
下面本實(shí)施例著重針對(duì)如何采用上網(wǎng)模型進(jìn)行分析來(lái)具體說(shuō)明：
所述分析單元53，用于獲取到用戶采用移動(dòng)終端與移動(dòng)通信數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交互的第一話單的記錄；從所述第一話單的記錄中提取得到特征量；基于所述第一話單的記錄對(duì)應(yīng)的特征量、以及所述上網(wǎng)模型，計(jì)算得到所述第一話單記錄對(duì)應(yīng)的概率值，將所述概率值作為針對(duì)所述第一話單的分析結(jié)果。
相應(yīng)的，所述分析單元53，用于判斷分析結(jié)果中包含的概率值是否大于預(yù)設(shè)門限值；若大于，則確定所述第一話單為正常操作；若不大于，則確定所述第一話單為異常操作，針對(duì)所述第一話單生成提示信息。
采用建立用戶話單概率模型，有效地判斷用戶異常上網(wǎng)話單，降低用戶不知情產(chǎn)生流量的情況，提高公司收入。從本方案實(shí)施后，“未上網(wǎng)卻產(chǎn)生流量費(fèi)用”和“使用量小費(fèi)用很高”兩大類用戶投訴，給用戶退費(fèi)率下降15％，重復(fù)投訴率也下降了10％，凈化了手機(jī)上網(wǎng)環(huán)境，提升了客戶滿意度，維護(hù)了中國(guó)移動(dòng)的良好企業(yè)形象，創(chuàng)造了巨大的社會(huì)效益。
首先提取用戶上網(wǎng)特征進(jìn)行建模，用戶上網(wǎng)特征的主要原理是結(jié)合用戶日常上網(wǎng)習(xí)慣，建立用戶上網(wǎng)特征庫(kù)，抽取每次上網(wǎng)特征數(shù)據(jù)，與特征庫(kù)里規(guī)則進(jìn)行匹配，根據(jù)規(guī)則匹配的結(jié)果判斷用戶每次上網(wǎng)行為是否存在安全隱患。本文采集用戶終端上網(wǎng)話單進(jìn)行特征分析，并進(jìn)行概率模型建模。因?yàn)樯暇W(wǎng)話單在應(yīng)用領(lǐng)域中適用的范圍比較廣闊，其特征數(shù)據(jù)豐富、特征明顯、結(jié)果可靠、處理及時(shí)性強(qiáng)。
(1)采集用戶終端產(chǎn)生話單中的用戶號(hào)碼、上網(wǎng)時(shí)間、上網(wǎng)流量、上網(wǎng)頻率、用戶imei等各個(gè)維度信息，并對(duì)樣本集信息進(jìn)行聚類分析，降低存儲(chǔ)量，這樣在樣本集極少的情況下，能夠得到與原樣本集相似的概率函數(shù)，快速有效地建立用戶上網(wǎng)話單特征模型。匹配用戶上網(wǎng)話單，如果用戶上網(wǎng)話單特征與用戶平時(shí)上網(wǎng)習(xí)慣嚴(yán)重不符，那么這些話單將被定位成疑似異常上網(wǎng)話單。
(2)用戶話單匹配用戶上網(wǎng)話單特征模型，進(jìn)行概率計(jì)算。當(dāng)概率低于一定值時(shí)，則判斷用戶上網(wǎng)話單不符合用戶上網(wǎng)習(xí)慣，那么將這些話單判定為疑似異常上網(wǎng)話單，并對(duì)用戶進(jìn)行短信告知。
用戶自主產(chǎn)生的上網(wǎng)流量話單一般具有一定的規(guī)律和特征，本實(shí)施例利用該特性來(lái)判斷用戶話單是否正常，符合以往用戶上網(wǎng)特征的判別為正常話單，差異較大則判別為異常話單，及時(shí)通知用戶，避免損失。本實(shí)施例實(shí)現(xiàn)方案中首先采集用戶終端上網(wǎng)話單進(jìn)行特征分析，并將其重要特征進(jìn)行聚類預(yù)處理，進(jìn)而進(jìn)行概率模型建模，形成上網(wǎng)話單模型，然后匹配用戶的上網(wǎng)話單與話單模型，進(jìn)行概率計(jì)算，通過(guò)其值來(lái)判斷用戶的話單是否正常。
聚類預(yù)處理用戶話單可以解決概率計(jì)算復(fù)雜度大、對(duì)硬件存儲(chǔ)要求較高的問(wèn)題，同時(shí)聚類學(xué)習(xí)過(guò)程還具有以下優(yōu)勢(shì)：(1)高度的可伸縮性，即在聚類話單數(shù)據(jù)集合非常大時(shí)，仍能夠得到較滿意的聚類分類效果；(2)抗噪聲數(shù)據(jù)的性能強(qiáng)，實(shí)際的樣本數(shù)據(jù)庫(kù)中的數(shù)據(jù)可能包含孤立的點(diǎn)甚至是錯(cuò)誤的數(shù)據(jù)，聚類算法對(duì)這些類似噪聲的數(shù)據(jù)不敏感，不會(huì)影響聚類的效果。因此，將用戶話單的各個(gè)特征進(jìn)行聚類分析，有助于提高計(jì)算效率。
話單概率模型建立是采用非參數(shù)核密度估計(jì)算法，該算法可以直接從觀測(cè)數(shù)據(jù)中估計(jì)未知密度函數(shù)，所以不需要假定模型的參數(shù)或者對(duì)參數(shù)進(jìn)行優(yōu)化的工作，因此該方法已經(jīng)被廣泛應(yīng)用于魯棒的復(fù)雜數(shù)據(jù)建模。在非參數(shù)核密度估計(jì)算法中，取話單序列中連續(xù)的n條話單作為樣本，則沿著時(shí)間軸，每個(gè)話單特征都有n個(gè)樣本值，于是可以為每個(gè)話單特征建立一個(gè)概率模型。當(dāng)話單樣本足夠多時(shí)，核密度估計(jì)能夠逐漸的收斂于真實(shí)話單模型。
可見(jiàn)，通過(guò)采用上述方案，能夠基于用戶的歷史上網(wǎng)話單確定至少一個(gè)基本特征因子，進(jìn)而基于歷史上網(wǎng)話單的至少一個(gè)基本特征因子確定上網(wǎng)模型，并利用上網(wǎng)模型對(duì)用戶產(chǎn)生的第一話單進(jìn)行分析，最終能夠基于分析結(jié)果進(jìn)行處理。首先采用上網(wǎng)話單特征因子進(jìn)行處理的方式能夠降低資源占用率，提高計(jì)算效率；并且通過(guò)上網(wǎng)模型的建立確定出針對(duì)話單的分析結(jié)果，進(jìn)而能夠基于分析結(jié)果進(jìn)行處理，如此減少了用戶不知情產(chǎn)生流量的情況。
本發(fā)明實(shí)施例所述集成的模塊如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。基 于這樣的理解，本發(fā)明實(shí)施例的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)、網(wǎng)絡(luò)設(shè)備、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。這樣，本發(fā)明實(shí)施例不限制于任何特定的硬件和軟件結(jié)合。
以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。
- 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊！