一种云游戏用户投诉预警模型

技术领域

本发明涉及大数据技术领域，尤其涉及一种云游戏用户投诉预警模型。

背景技术

云游戏技术介绍：云游戏是以云计算为基础的游戏方式，在云游戏的运行模式下，所有游戏都在服务器端运行，并将渲染完毕后的游戏画面压缩后通过网络传送给用户。在客户端，用户的游戏设备不需要任何高端处理器和显卡，只需要基本的视频解压能力。

云游戏的商业模式主要是用户订购不同档位资费的云游戏套餐后，购买后的云游戏时长用于消耗来进行云游戏游玩。用户购买云游戏套餐可通过第三方支付，或订购运营商提供的电信增值业务产品包实现，由于云游戏的购买时长模式与传统游戏的单次道具付费和单游戏买断模式存在明显区别，同时因网络时延、平台游戏数量、游戏内容题材喜好等差异，云游戏较传统游戏更容易产生用户投诉和越级，给云游戏服务公司或提供电信增值业务的运营商的客服坐席带来较多投诉处理工单量、处理投诉难度较大。现有电信运营商的客服预警系统只能基于用户在网、用户通话、短信、ARPU等变化趋势做出离网预警，还没有一种基于用户的云游戏行为进行AI预测的用户投诉预警模型。

发明内容

针对上述问题，本发明提供一种云游戏用户投诉预警模型，为解决上述问题，本发明所采用的技术方案是：

一种云游戏用户投诉预警模型，包括行为数据采集模块、网络性能采集模块、历史投诉用户池、AI权重分析模块以及AI预警模块；

所述行为数据采集模块通过接口从业务平台数据库中采集云游戏用户每次访问的历史数据并做处理，采集的数据包括用户id、访问游戏、单次游戏时长、游戏浏览记录、游戏搜索记录等行为数据；

所述网络性能采集模块通过接口从后台日志中采集包括用户id，游戏平均fps、游戏平均网络时延，游戏是否启动异常、游戏是否退出异常等网络性能数据。

优选地，所述历史投诉用户池：从业务平台获取已产生过云游戏投诉的用户清单。

优选地，所述AI权重分析模块中调用公开的AI算法接口，从行为数据采集模块及网络性能数据采集模块、云游戏历史投诉模块获得投诉用户的详细行为、网络数据，并通过AI机器学习，分析投诉用户与投诉前的游戏行为、网络质量的相关性。经过大量机器学习和分析，对采集模块的各采集项目生成不同权重因子，并不断动态可调整。

优选地，所述AI预警模块获得权重因子，从采集模块获得数据，调用公开的AI预测算法，获得用户的预警趋势数值，并根据用户的预警趋势数值给用户分级和用户打标，预警模块还可对接客服平台，在前端标识用户的预警风险，可指导前端客服人员进行事前处置，有效降低投诉的发生。

一种云游戏用户投诉预警模型，还包括以下步骤：

S1、行为数据采集模块、网络性能采集模块分别从业务系统日志中采取所需的预警基础数据；

S2、定期从客服系统中将投诉用户清单同步到云游戏历史投诉用户池；

S3、AI权重分析模块，分别从数据采集模块、投诉用户池中获取数据，并关联得到投诉用户的行为数据、性能数据；

S4、AI权重分析模块进行机器学习，分析投诉用户与投诉前的用户行为、网络的关联性，经过AI算法分析，对所采集到数据采集模块各字段生成不同权重因子，同时不断有新的历史投诉用户和数据采集加入供AI分析关联度，可动态调整权重因子；

S5、AI预警模块从AI权重分析模块获得已确定值的权重因子，并从采集模块获得数据，调用公开的AI预测算法，对未投诉用户生成预警趋势数值。预警趋势数值从小到大，数值越大用户的投诉风险越大；

S6：AI预警模块对接业务或客服平台，输出预警用户和预警趋势得分数值大小，由业务或客服人员参考预警数值分级判断处理，进行用户关怀，或提前处理拦截投诉工单。

优选地，在所述步骤4中，AI权重分析模快从步骤3获得已投诉用户的行为数据、性能数据后，要进行AI机器学习和分析，在分析大量具体投诉用户数据后，综合得到每一项具体行为或网络性能数据对投诉的权重因子数值。

优选地，所述步骤5中，AI预警模块从AI权重分析模块获得已赋值的权重因子，同时从采集模块获得未投诉用户的游戏行为数据及网络性能数据，调用AI预测算法，预测未投诉用户的预警趋势数值。

本发明的有益效果为：

1.采集云游戏历史投诉用户在投诉前的游戏行为、网络性能等相关联数据，并通过AI技术分析具体相关度，并赋予具体的权重因子表示，基于权重因子可用于投诉趋势预警，该技术与现有技术相比的优点是在预警模型中引入云游戏用户的行为数据、网络性能等关联数据，并通过AI技术，将投诉行为与以上云游戏关联数据的关联度进行了量化，赋予具体的权重因子，并且基于权重因子和AI预测算法，最后生成未投诉用户的投诉预警数值。

2.将云游戏用户投诉前的游戏行为、网络性能与AI技术共同应用到投诉预警模型中，并且赋予的权重因子是对已投诉用户的分析中获得，权重因子的生成有一定的科学性，且可以不断的新数据导入由AI分析后动态优化权重因子，使得预测模型更加准确。从而能有效指导业务和客服人员提前处置和拦截高投诉风险用户，降低投诉率，从而解决云游戏行业客服预警的痛点问题。

附图说明

图1为本发明的功能模块结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

云游戏：云游戏(Cloud gaming)又可称为游戏点播(gaming on demand)，是一种以云计算技术为基础的在线游戏技术。云游戏技术使图形处理与数据运算能力相对有限的轻端设备(thin client)能运行高品质游戏。在云游戏场景下，游戏并不在玩家游戏终端，而是在云端服务器中运行，并由云端服务器将游戏场景渲染为视频音频流，通过网络传输给玩家游戏终端。玩家游戏终端无需拥有强大的图形运算与数据处理能力，仅需拥有基本的流媒体播放能力与获取玩家输入指令并发送给云端服务器的能力即可。

人工智能：人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

游戏FPS:游戏画面每秒传输帧数。

网络时延：ip网络的时延通常是指一个报文或分组从一个网络的一端传送到另一个端所需要的时间。主要包括4不部分：发送时延、传播时延、处理时延、排队时延。总网络时延＝发送时延+传播时延+处理时延+排队时延。

参照图1，一种云游戏用户投诉预警模型，包括行为数据采集模块：通过接口从业务平台数据库中采集云游戏用户每次访问的历史数据并做处理。采集的数据包括用户id、访问游戏、单次游戏时长、游戏浏览记录、游戏搜索记录等行为数据。

网络性能采集模块：通过接口从后台日志中采集包括用户id，游戏平均fps、游戏平均网络时延，游戏是否启动异常、游戏是否退出异常等网络性能数据。

历史投诉用户池：从业务平台获取已产生过云游戏投诉的用户清单。

AI权重分析模块：该模块中调用公开的AI算法接口，从行为数据采集模块及网络性能数据采集模块、云游戏历史投诉模块获得投诉用户的详细行为、网络数据，并通过AI机器学习，分析投诉用户与投诉前的游戏行为、网络质量的相关性。经过大量机器学习和分析，对采集模块的各采集项目生成不同权重因子，并不断动态可调整。

AI预警模块：从AI权重分析模块获得权重因子，从采集模块获得数据，调用公开的AI预测算法，获得用户的预警趋势数值，并根据用户的预警趋势数值给用户分级和用户打标，预警模块还可对接客服平台，在前端标识用户的预警风险，可指导前端客服人员进行事前处置，有效降低投诉的发生。

主要技术实现步骤包括：

步骤1：行为数据采集模块、网络性能采集模块分别从业务系统日志中采取所需的预警基础数据。

步骤2：定期从客服系统中将投诉用户清单同步到云游戏历史投诉用户池。

步骤3：AI权重分析模块，分别从数据采集模块、投诉用户池中获取数据，并关联得到投诉用户的行为数据、性能数据。

步骤4：AI权重分析模块进行机器学习，分析投诉用户与投诉前的用户行为、网络的关联性，经过AI算法分析，对所采集到数据采集模块各字段生成不同权重因子，同时不断有新的历史投诉用户和数据采集加入供AI分析关联度，可动态调整权重因子。

步骤5：AI预警模块从AI权重分析模块获得已确定值的权重因子，并从采集模块获得数据，调用公开的AI预测算法，对未投诉用户生成预警趋势数值。预警趋势数值从小到大，数值越大用户的投诉风险越大。

步骤6：AI预警模块对接业务或客服平台，输出预警用户和预警趋势得分数值大小，由业务或客服人员参考预警数值分级判断处理，进行用户关怀，或提前处理拦截投诉工单。

具体实施例

所述步骤4，AI权重分析模快从步骤3获得已投诉用户的行为数据、性能数据后，要进行AI机器学习和分析，在分析大量具体投诉用户数据后，综合得到每一项具体行为或网络性能数据对投诉的权重因子数值。比如投诉用户A，投诉用户B，投诉用户C…行为数据上均有游戏访问时长的减少，如此类共同特征的用户的占比越高，综合分析后给予权重因子赋值较大。如投诉用户A，投诉用户B，投诉用户C…有网络时延的增大，如网络时延增大的用户占比越高，综合分析后给予权重因子赋值更大。其余每一项数据维度也经过此类分析运算，给予权重因子赋值。赋值越大，代表该维度数据变动对实际投诉的影响较大，赋值越小，代表该维度数据变动对实际投诉的影响较小；

所述步骤5，AI预警模块从AI权重分析模块获得已赋值的权重因子，同时从采集模块获得未投诉用户的游戏行为数据及网络性能数据，调用AI预测算法，预测未投诉用户的预警趋势数值。如用户A出现网络时延波动较大，游戏异常退出比例升高，单次访问游戏时长变小等趋势，依据对应的权重因子值，可以预测得出用户A的预警趋势数值较高，代表用户A未来出现投诉的风险较大，达标后提醒客服或运营人员提前处理，降低投诉可能。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。