（CWW）以前，電信運營商多借助機器學習分類算法和構造分類器來衡量用戶體驗滿意度，其不足之處在于無法得出用戶不滿意的原因。本文擬使用事理認知圖譜技術進行電信運營商網絡及業務數據的滿意度認知分析，從而挖掘事件之間的演化規律與模式。具體通過引入以事件為形態的知識資源，描述實體間的關聯關系，以及動態化、結構化的語義信息，最終通過事件抽取及關聯將各類源數據進行串聯，從而實現更精準的潛在不滿預測。

用戶潛在不滿預測分析現狀

當前，AI技術驅動滿意度提升，持續提升用戶體驗成為中國移動重點關注的課題。回歸到市場，電信行業的市場競爭主要表現為存量競爭，用戶服務質量是用戶歸屬的關鍵。中國移動目前積累了大量用戶服務數據（10086語音、外呼語音、在線服務記錄、服務標簽等），每日全網內產生的語音條數可高達百萬，并且可以借助語音轉寫引擎將語音轉換為文本信息。但是目前大部分語音數據僅做短暫存儲并未對潛在投訴進行回溯，對投訴語音數據的價值挖掘還存在不足之處。挖掘投訴語音數據價值，識別出的用戶情緒、語義信息等可為電信運營商提供決策支持，而且提前獲知用戶的潛在不滿意傾向甚至離網傾向，也有助于持續提升用戶使用體驗。

(資料圖)

對用戶潛在不滿進行預測是中國移動用戶服務分析的重要內容，主要用于挖掘潛在不滿用戶，并且給予精準維系和服務，從而提升用戶服務感知。中國移動各服務領域應用呈現日趨復雜的特性，比如數據來源眾多、系統邏輯復雜、應用需求繁雜等，因此中國移動潛在不滿預測系統在構建中也面臨“多而雜”的場景。具體來看，包括智能應答側提供的投訴工單、在線服務記錄、需求文檔、業務管理規定、語音轉寫文本等，以及存量運營側需要獲取的用戶特征、用戶標簽、場景化行為、DPI解析數據等。因此構建一種服務預警的認知概念網絡，針對不同場景定制模型，將對中國移動服務提升產生重要作用。不可否認的是，在相關模型構建過程中數據處理、模型學習等工作也面臨巨大挑戰。

就目前來看，既有衡量用戶體驗滿意度的方法無法定位出用戶不滿意的原因，即便是通過統計方法，也只能定位出可能影響滿意度的指標，缺少語義進行具體分析，而且業務人員在后期精準運營和業務推薦時可參考的資料較少。

因此，本文提出一種面向用戶潛在不滿預測的事理認知圖譜分析方法，意在實現更有效的信息沉淀，即事理認知圖譜可以通過數據進行自動構建，快速抽取關系，沉淀經驗；更清晰地呈現，即事理認知圖譜通過語義網絡將基于時間線的用戶事件知識進行關聯，使知識關系更清晰；更有效地判別潛在不滿，即事理認知圖譜可以展現用戶不滿意的置信度以及語義原因，使業務人員在維護時能夠有更好的參照。

事理認知圖譜功能架構

本方案通過事理認知圖譜進行以無線、家庭寬帶、資費數據為基礎的事理邏輯分析，從而對負面事件（用戶不滿、升級投訴、離網預警等）進行演化規律預測。該方案設計了一種面向用戶滿意度預測事件實體、事理邏輯關系（如順承、因果、條件、上下位等）的事件知識表示方法，并通過事理認知圖譜可視化地呈現單個用戶的發展趨勢，最終融合業務事件和事實事件，將單個用戶生命周期內的事件進行時間序列串聯，從而形成清晰、有邏輯的事件時間線，輸出潛在不滿用戶列表，并將時間線關聯的事件信息輸出。

技術架構

該方案技術架構主要由數據層、構建層、計算層、應用層構成，如圖1所示。具體來看，該方案在數據層的基礎上設計事件圖譜構建層及事件圖譜計算層，通過事件抽取及事件關系預測從業務數據中構建事件圖譜，通過事件圖譜計算層補充事件關系并對事件屬性及演化趨勢進行計算，最終以接口及文本同步方式對上層應用賦能，實現潛在不滿用戶列表輸出。

圖1 面向用戶潛在不滿預測的事理認知圖譜技術架構

·事件抽取

事件抽取主要包括事件類型判斷、觸發詞管理、業務實體管理、事件名生成，即通過人工設定的觸發詞對業務數據進行篩選，將包含觸發詞的數據初篩出來，下一步進行事件類型及業務實體判斷，進而根據事件類型、觸發詞及業務實體進行事件名的預測輸出。

·事件關系預測

事件關系預測主要對抽取出的多個事件進行關系判斷，其中可能包括時序關系、共指關系、從屬關系、因果關系等。

·事件計算

事件計算主要對抽取出的海量事件進行相似度計算及統計，對事件進行權重、質量、熱度等維度的標簽劃分，用以輔助后續圖譜的關系推理及計算。

·事件推理

根據上述已有的圖譜信息，對事件進行關系推理及補充，并計算演化趨勢。

構建方法

本文涉及的用戶滿意度預測本質上是一個分類任務，即通過分析帶有時間線的用戶事件序列，將用戶分為滿意與不滿意兩類并進行演化預測。基于事理認知圖譜的用戶演化分析流程如圖2所示。

圖2基于事理認知圖譜的用戶演化分析流程

對于已有服務場景下弱時序的稀疏事件序列，既有方法很難直接從事件序列中挖掘出用戶對服務的滿意程度。為此，本文提出了一種PA-LSTM模型，它分為事件特征提取、用戶畫像構建、個性化預測3個模塊。

事件特征提取模塊使用LSTM從用戶事件序列中提取事件特征，包括網絡黑點、家庭寬帶網絡低質探測特征、無線網絡質差、10086服務熱線滿意與否、投訴工單原因等，實現多維度、多場景下來源復雜用戶數據的時序關系特征向量化表達。用戶畫像構建模塊使用TCN根據用戶的屬性信息（如在網時長、當月通話、當月流量等）提取用戶固有的時序畫像特征。個性化預測即使用注意力機制分析用戶敏感事件，基于事件數據和畫像數據，并根據用戶相近群體的滿意度偏好來輔助判斷用戶滿意度。事理認知圖譜的構建模型如圖3所示。

圖3 事理認知圖譜的構建模型

步驟1：針對現有事件圖譜數據源，基于移動通信領域服務事件時序關系弱以及事件稀疏的特點，提出了PA-LSTM模型，使用事件特征提取事件語義信息，進行用戶敏感度分析，指導用戶畫像構建。

步驟2：系統通過用戶的屬性信息、業務信息、位置信息以及無線網絡感知和家寬探測等數據，為用戶構建了基于時序事件關系的畫像。同時，系統利用注意力機制個性化地學習特定用戶的事件序列，同時考慮用戶群體的滿意度傾向來輔助預測。

步驟3：在中國移動的實際工業數據集上進行應用，通過回收運營結果，證明本方法能夠很好地預測用戶不滿意度，為提前進行干預提供重要幫助。

面向用戶自感知的事件知識圖譜滿意度預測分析結果示例，如圖4所示。

圖4 面向用戶自感知的事件知識圖譜滿意度預測分析結果示例

事理認知圖譜應用實例

2022年初，該方案已在天津移動存量運營工作中正式應用。據統計，正式應用以來，該方案模型查準率達85%，查全率達63%，已執行了75.2萬名用戶的維系挽留，推薦成功率達32%，帶來直接經濟收入超4700萬元。該方案的生產運營效益主要體現在減少潛在離網用戶量、降本增效、節約人工成本等方面。

營銷收入拓展

該方案成果應用于存量用戶智慧運營體系，以機器學習算法、知識圖譜對運營進行動態調優，并在多次迭代優化中，不斷提升目標用戶輸出與策略匹配的精準度，促進營銷外呼成功率提升至其他方案的2倍。針對存量用戶價值循環升檔、到期續約、低端用戶維系、異動修復、5G終端營銷、權益營銷等，共完成1100萬次營銷，成功104萬人次，推薦策略滿足用戶價值循環升檔，用戶折后ARPU提升了6.35元/戶/年，方案總體創收金額達到660.5萬元。

減少離網率,提升在網收益

該方案通過多場景聯合運營，有效提升了用戶保有率，減少了用戶離網率。截至2021年12月，月均離網9.3萬戶，同比減少36.7%；運營用戶離網率低于大網離網率，挽回流失用戶12.4萬戶，戶均挽回損失46.5元，年挽回損失（在網收益）3459萬元。

事理認知圖譜方案價值

本方案遵循自下向上的構建方法,通過模式設計、抽取實體、關系計算3個主要步驟，構建了面向運營商用戶的潛在不滿意預測事理認知圖譜。提出的個性化不滿意預測模型PA-LSTM，能夠很好地結合用戶屬性信息分析用戶事件序列對用戶滿意度的影響，同時考慮到用戶群體的不滿意偏向性，該模型在中國移動提供的真實用戶事件數據集上取得了良好效果。

本方案依據天津移動實踐經驗構建的事理認知圖譜，融合業務數據與大數據標簽數據，使圖譜語義網絡能夠捕捉用戶的潛在意圖及推薦商機，并且基于多種可能的推薦鏈路進行推薦排序，能夠支撐市場營銷人員的權益推薦、用戶維系以及策略制定等運營工作。與此同時，本文以AI技術驅動運營體系進行圖譜化重構，實現了推薦、維系、策略、數據分析結果可讀可理解，對于打造人工智能智慧運營的認知分析圖譜具有重要價值。

本方案對中國移動全網知識圖譜試點工作具有重要支撐作用，提出的基于認知分析的知識圖譜構建方案對全網分析類知識圖譜有較強指導意義。本方案的構建方法可以適配通用場景，在運營分析、服務預警、離網預警等方面具有廣泛的應用前景。

本方案對認知圖譜在滿意度預測領域的應用及業務運營具有重要意義，將傳統機器學習的知識圖譜構建與推理改進為納入語義分析能力的認知推理，在電信運營商業務推薦、存量運營、服務感知分析領域體現出“可解釋”的優勢。目前，認知圖譜已收納天津移動900萬用戶的73個大數據標簽、32個家寬探測特征和9個無線網絡特征并建立起原子網絡，以“監督+自動生成”方式產生了29個原因概念和50余個基礎概念，在天津移動滿意度預測中提升了查準率，為預測結果提供了明確的解釋理由，為運營人員提供了有力抓手。

結論

本方案利用無線、家庭寬帶、資費等多源數據構建事件序列知識圖譜網絡，以清晰、有邏輯的事件圖譜串接相關數據，并進行演化規律預測，可以有效幫助服務運營人員分析用戶不滿意原因。本方案打造的事理認知圖譜，實現了以無線、家庭寬帶、資費數據為基礎的事理邏輯分析，已在天津移動的大數據分析、存量運營、服務推薦等場景取得良好效果。