一种满意度预测模型的训练方法、满意度预测方法及装置

技术领域

本申请涉及数据处理领域，尤其涉及一种满意度预测模型的训练方法、满意度预测方法及装置。

背景技术

宽带用户的满意度评分往往通过电话、短信、现场问卷等形式进行收集，由于每个用户对于业务体验的敏感性不同，用户的评分与其网络、业务指标并不是完全的正相关。

一部分用户虽然网络存在一定问题，但由于自身使用网络的频率较低、对网络的要求不高，以及客服人员的引导等，这部分用户给出的评分会比实际情况偏高，常称这部分用户为“业务不敏感”用户，其对应的数据为不敏感数据。不敏感数据的存在使得待训练数据的数据纯度下降，导致满意度预测模型的准确率下降。

发明内容

本申请提供一种满意度预测模型的训练方法、满意度预测方法及装置，能够有效提高满意度预测模型的准确率。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种满意度预测模型的训练方法，该方法包括：

获取至少一个用户数据样本；用户数据样本中包含至少一个特征指标和用户标签信息；用户标签信息中包括用于表征用户满意度的满意度分值。

从至少一个用户数据样本中删除第一数据样本，得到待训练数据；第一数据样本为用户标签信息不受特征指标影响的用户数据样本。

根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。

本申请提供的满意度预测模型的训练方法，可以获取至少一个用户数据样本，然后从至少一个用户数据样本中删除第一数据样本，得到待训练数据，最后根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。其后，用户数据样本中包含至少一个特征指标和用户标签信息；用户标签信息中包括用于表征用户满意度的满意度分值；第一数据样本为用户标签信息不受特征指标影响的用户数据样本，即为不敏感数据。通过该方法，可以将用户数据样本中包含的不敏感数据(即第一数据样本)删除，保证待训练数据的数据纯度，从而可以有效提高满意度预测模型的准确率。

可选的，从至少一个用户数据样本中删除第一数据样本，得到待训练数据，包括：

获取用户初始数据，并对用户初始数据进行第一预处理，得到至少一个用户数据样本；第一预处理包括特征工程处理。

根据用户标签信息，从至少一个用户数据样本中确定出第一类数据样本；第一类数据样本为用户满意度分值为最高分值的用户数据样本。

从第一类数据样本中确定出第一数据样本。

从至少一个用户数据样本中删除第一数据样本，得到待训练数据。

可选的，从第一类数据样本中确定出第一数据样本，包括：

将第一类数据样本和第二类数据样本输入至第一分类模型中，得到第一数据样本；第二类数据样本为用户满意度分值为最低分值的用户数据样本；第一分类模型是根据第一类数据样本和第二类数据样本，对初始第一分类模型的参数进行更新后得到的。

可选的，根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型，包括：

根据待训练数据，更新初始第二分类模型的参数，得到第二分类模型；

根据待训练数据中包含的第三类数据样本，更新初始回归模型的参数，得到回归模型；第三类数据样本为待训练数据除第一类数据样本和第二类数据样本外的用户数据样本；

根据第二分类模型和回归模型，得到满意度预测模型。

第二方面，本申请提供一种满意度预测方法，该方法包括：

获取待预测用户数据；

将待预测用户数据输入至满意度预测模型中，得到第一预测结果；满意度预测模型中包含第二分类模型和回归模型；

根据第一预测结果，确定待预测用户数据对应的用户满意度。

第三方面，本申请提供一种满意度预测模型的训练装置，该装置包括：

第一获取单元，用于获取至少一个用户数据样本；用户数据样本中包含至少一个特征指标和用户标签信息；用户标签信息中包括用于表征用户满意度的满意度分值。

删除单元，用于从至少一个用户数据样本中删除第一数据样本，得到待训练数据；第一数据样本为用户标签信息不受特征指标影响的用户数据样本。

更新单元，用于根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。

可选的，删除单元具体用于：

获取用户初始数据，并对用户初始数据进行第一预处理，得到至少一个用户数据样本；第一预处理包括特征工程处理；

根据用户标签信息，从至少一个用户数据样本中确定出第一类数据样本；第一类数据样本为用户满意度分值为最高分值的用户数据样本；

从第一类数据样本中确定出第一数据样本；

从至少一个用户数据样本中删除第一数据样本，得到待训练数据。

可选的，删除单元具体用于：

将第一类数据样本和第二类数据样本输入至第一分类模型中，得到第一数据样本；第二类数据样本为用户满意度分值为最低分值的用户数据样本；第一分类模型是根据第一类数据样本和第二类数据样本，对初始第一分类模型的参数进行更新后得到的。

可选的，更新单元具体用于：

根据待训练数据，更新初始第二分类模型的参数，得到第二分类模型；

根据待训练数据中包含的第三类数据样本，更新初始回归模型的参数，得到回归模型；第三类数据样本为待训练数据除第一类数据样本和第二类数据样本外的用户数据样本；

根据第二分类模型和回归模型，得到满意度预测模型。

第四方面，本申请提供一种满意度预测装置，该装置包括：

第二获取单元，用于获取待预测用户数据；

处理单元，用于将待预测用户数据输入至满意度预测模型中，得到第一预测结果；满意度预测模型中包含第二分类模型和回归模型；

确定单元，用于根据第一预测结果，确定待预测用户数据对应的用户满意度。

第五方面，本申请提供了一种满意度预测模型的训练装置，该装置包括：处理器和通信接口；通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如第一方面和第一方面的任一种可能的实现方式中所描述的满意度预测模型的训练方法。

第六方面，本申请提供了一种满意度预测装置，该装置包括：处理器和通信接口；通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如第二方面和第二方面的任一种可能的实现方式中所描述的满意度预测方法。

第七方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行如第一方面和第一方面的任一种可能的实现方式中描述的满意度预测模型的训练方法，或执行如第二方面和第二方面的任一种可能的实现方式中描述的满意度预测方法。

第八方面，本申请实施例提供一种包含指令的计算机程序产品，当计算机程序产品在满意度预测模型的训练装置上运行时，使得满意度预测模型的训练装置执行如第一方面和第一方面的任一种可能的实现方式中描述的满意度预测模型的训练方法，或执行如第二方面和第二方面的任一种可能的实现方式中描述的满意度预测方法。

第九方面，本申请实施例提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如第一方面和第一方面的任一种可能的实现方式中描述的满意度预测模型的训练方法，或实现如第二方面和第二方面的任一种可能的实现方式中描述的满意度预测方法。

具体的，本申请实施例中提供的芯片还包括存储器，用于存储计算机程序或指令。

附图说明

图1为本申请实施例提供的一种满意度预测模型的训练方法的流程图；

图2为本申请实施例提供的另一种满意度预测模型的训练方法的流程图；

图3为本申请实施例提供的一种CH系数的示意图；

图4为本申请实施例提供的一种满意度预测方法的流程图；

图5为本申请实施例提供的一种满意度预测模型的训练装置的结构示意图；

图6为本申请实施例提供的一种满意度预测装置的结构示意图；

图7为本申请实施例提供的满意度预测模型的训练装置或满意度预测装置的又一种可能的结构示意图。

具体实施方式

下面结合附图对本申请实施例提供的一种满意度预测模型的训练方法、满意度预测方法及装置进行详细地描述。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

随着互联网技术的飞速发展，人们对电信网络和服务质量的要求越来越高，运营商不仅要关注网络的质量，还需要关注用户使用过程中的体验感知。用户满意度不仅仅是运营商的重要考核指标，还是衡量运营商网络质量和用户感知情况的重要方式，也是保障用户的重要评估标准。

电信用户的满意度通常会受很多因素影响，例如数据信号强度和语音通话质量等网络因素，套餐资费和客服营销等业务因素，以及用户性格和用户情绪等个性因素等。

目前，对于用户满意度的预测方法主要包含以下两种：

第一种：网络、客服等领域的业务专家可以根据历史用户的满意度分值，进行人工分析，从而确定出影响用户满意度的特征指标，然后再根据确定的影响用户满意度的特征指标，对需要预测的用户数据进行满意度预测。

第二种：将历史用户的满意度分值与特征指标关联起来，利用机器学习、深度学习算法，对初始满意度预测模型进行训练，得到训练好的满意度预测模型。训练完成后，根据训练好的满意度预测模型对需要预测的用户数据进行满意度预测。

然而，宽带用户的满意度评分往往通过电话、短信、现场问卷等形式进行收集，由于每个用户对于业务体验的敏感性不同，用户的评分与其网络、业务指标并不是完全的正相关。例如，一部分用户虽然网络存在一定问题，但由于自身使用网络的频率较低、对网络的要求不高，以及客服人员的引导等，这部分用户给出的评分会比实际情况偏高。这部分用户通常被称为“业务不敏感”用户，其对应的数据为不敏感数据。不敏感数据的存在使得待训练数据的数据纯度下降，导致满意度预测模型的准确率下降。

为了解决上述技术问题，本申请提供的满意度预测模型的训练方法，可以获取至少一个用户数据样本，然后从至少一个用户数据样本中删除第一数据样本，得到待训练数据，最后根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。其后，用户数据样本中包含至少一个特征指标和用户标签信息；用户标签信息中包括用于表征用户满意度的满意度分值；第一数据样本为用户标签信息不受特征指标影响的用户数据样本，即为不敏感数据。通过该方法，可以将用户数据样本中包含的不敏感数据(即第一数据样本)删除，保证训练数据的数据纯度，从而可以有效提高满意度预测模型的准确率。

图1为本申请实施例提供的一种满意度预测模型的训练方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取至少一个用户数据样本。

其中，用户数据样本中包含至少一个特征指标和用户标签信息；用户标签信息中包括用于表征用户满意度的满意度分值。其中，特征指标可以包含枚举型特征(例如，性别等)和连续型特征(例如，网络速度等)满意度分值是用户针对客服部发放的调查问卷所给出的评分，分值为1-10分的整数，评分越高，表示满意度越高。

在本申请实施例中，表征用户满意度的满意度分值可以是1-10分，也可以是1-100分，本申请对此不做限定，下述以表征用户满意度的满意度分值为1-10分为例进行说明。

在本申请实施例中，用户数据样本中还可以包含括O域的信令数据、B域用户信息数据、感知数据以及投诉数据等。本申请对此不做限定。

其中，O域的信令数据，主要包括用户的登网、通话、短信、位置移动、终端等信息，主要作用是反映用户的登网习惯、用户粘性、漫游特性以及终端喜好等。

B域用户信息数据，主要包括用户基本信息，用户基本信息又包括用户的性别、年龄、套餐、开户信息、签约业务等，用来反映用户的物理属性，一般是静态的，不会随用户位置变化。

感知数据，主要包括用户不同网络(如2G、3G、4G及5G等)下的登网上下行速率、视频卡顿率、网络时延、掉话率等，用来直观的反馈用户的上网或通话感知情况。

投诉数据，主要是用户过去半年曾经拨打客服电话或通过手机营业厅进行的投诉内容，主要包括对网络感知、网络覆盖、套餐资费、客服服务态度等方面内容的反馈，主要作用是用来侧面体现用户对运营商网络的主观评价和忠诚度。

步骤S102，从至少一个用户数据样本中删除第一数据样本，得到待训练数据。

其中，第一数据样本为用户标签信息不受特征指标影响的用户数据样本，即不敏感数据。

步骤S103，根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。

具体地，通过步骤S102将不敏感数据从至少一个用户数据样本中删除，得到待训练数据后，可以根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。

通过上述方法，可以将用户数据样本中包含的不敏感数据(即第一数据样本)删除，保证待训练数据的数据纯度，从而可以有效提高满意度预测模型的准确率。

图2为本申请实施例提供的另一种满意度预测模型的训练方法的流程图，如图2所示，该方法包括如下步骤：

步骤S201，获取用户初始数据。

步骤S202，对用户初始数据进行第一预处理，得到至少一个用户数据样本。

其中，第一预处理包括特征工程处理。特征工程处理可以把用户原始数据转变为模型的待训练数据。用户初始数据中可以包含各个特征指标对应的初始数据，例如，枚举型特征对应的初始数据和连续性特征对应的初始数据。

具体地，在一种可选的实施方式中，在对用户初始数据进行特征工程处理的过程中，可以利用比例归一化的方法，对用户初始数据中包含的枚举型特征对应的初始数据进行特征处理，并利用线性函数归一化的方法对用户初始数据中包含的连续性特征对应的初始数据进行特征处理。

示例性地，在一种实施例中，可以利用公式1对枚举型特征对应的初始数据进行特征处理，并利用公式2对连续性特征对应的初始数据进行特征处理.

其中，x

在本申请实施例中，在对用户初始数据进行特征工程处理的过程中，如果碰到空白值，可以对空白值进行填充处理。例如，在对枚举型特征对应的初始数据进行特征处理的过程中，可以使用众数填充空白值；在对连续性特征对应的初始数据进行特征处理的过程中，可以使用平均数填充空白值。本申请对此不做限定。

步骤S203，根据用户标签信息，从至少一个用户数据样本中确定出第一类数据样本。

其中，第一类数据样本为用户满意度分值为最高分值的用户数据样本，即第一类数据样本为用户满意度分值为10分的用户数据样本。

步骤S204，将第一类数据样本和第二类数据样本输入至第一分类模型中，得到第一数据样本。

其中，第二类数据样本为用户满意度分值为最低分值的用户数据样本，即第二类数据样本为用户满意度分值为1分的用户数据样本。第一分类模型是根据第一类数据样本和第二类数据样本，对初始第一分类模型的参数进行更新后得到的。

具体地，在通过步骤S203确定出第一类数据样本(即用户满意度分值为10分的用户数据样本)后，可以先通过聚类算法将第一类数据样本聚为两类，聚类完成后，可以以第二类数据(即用户满意度分值为1分的用户数据样本)作为参考，通过预先训练好的第一分类模型，从聚成的两类中确当出第一数据样本，即确定出不敏感数据。

示例性的，在一种实施例中，在通过步骤S203确定出第一类数据样本(即用户满意度分值为10分的用户数据样本)后，可以先采用Kmeans算法将第一类数据样本聚为两类，聚类完成后，可以将聚类结果和第二类数据样本(即用户满意度分值为1分的用户数据样本)结合在一起，通过预先训练好第一分类模型，将第一类数据样本和第二类数据样本分为第一数据样本(即用户满意度分值为10分的用户数据样本中包含的不敏感数据)、第二数据样本(即用户满意度分值为10分的用户数据样本中包含的敏感数据)和第二类数据样本(即用户满意度分值为1分的用户数据样本)。

在本申请实施例中，在使用第一分类模型进行分类之前，还可以根据第一类数据样本和第二类数据样本，采用autogluon对初始第一分类模型进行自动化调参，直至模型收敛，得到第一分类模型。

在本申请实施例中，第一分类模型可以包括但不限于三分类模型，本申请对此不做限定。

在本申请实施例中，聚类算法可以包括但不限于Kmeans算法，本申请对此不做限定。

在本申请实施例中，在采用聚类算法对第一类数据样本进行聚类之前，还可以根据CH(Calinski-Harabasz Index)系数对聚类算法的聚类数目进行确定。

示例性的，如图3所示，图3为确定的CH系数的示意图，其中，横轴表示聚类算法的聚类数，纵轴表示CH系数的分数指数，CH系数的分数指数越大，表示对应的聚类算法的聚类数越好。因此，可以将图3所示的聚类算法的聚类数确定为2。

步骤S205，从至少一个用户数据样本中删除第一数据样本，得到待训练数据。

通过步骤S204，确定出第一数据样本后，可以将第一数据样本从至少一个用户数据样本中删除，得到待训练数据。

步骤S206，根据待训练数据，更新初始第二分类模型的参数，得到第二分类模型。

具体地，通过步骤S205删除用户满意度分值为10分的用户数据样本中包含的不敏感数据后，可以将用户满意度分值为10分的用户数据样本中包含的敏感数据、用户满意度分值为1分的用户数据样本以及用户满意度分值为2-9分的用户数据样本进行合并，作为待训练数据，并根据待训练数据，对初始第二分类模型的参数进行更新，直至模型收敛，得到第二分类模型。

在本申请实施例中，第二分类模型可以包括但不限于三分类模型，本申请对此不做限定。

步骤S207，根据待训练数据中包含的第三类数据样本，更新初始回归模型的参数，得到回归模型。

其中，第三类数据样本为待训练数据除第一类数据样本和第二类数据样本外的用户数据样本，即用户满意度分值为2-9分的用户数据样本。

具体地，可以采用用户满意度分值为2-9分的用户数据样本对初始回归模型的参数进行更新，直至模型收敛，得到回归模型。

步骤S208，根据第二分类模型和回归模型，得到满意度预测模型。

通过上述方法，可以将用户数据样本中包含的不敏感数据(即第一数据样本)删除，保证待训练数据的数据纯度，从而可以有效提高满意度预测模型的准确率。

通过上述方法，得到满意度预测模型后，还可以参照图4所示的方法对待预测用户数据进行预测，如图4所示，该方法包括如下步骤：

步骤S401，获取待预测用户数据。

步骤S402，将待预测用户数据输入至满意度预测模型中，得到第一预测结果。

满意度预测模型中包含第二分类模型和回归模型。

具体地，在将待预测用户数据输入至满意度预测模型中，可以先通过满意度预测模型中包含的第二分类模型，将待预测用户数据分为10分用户对应的用户数据样本，1分用户对应的用户数据样本和2-9分用户对应的用户数据样本；然后再通过满意度预测模型中包含的回归模型，对2-9分用户对应的用户数据样本进行二次分类，确定出每个分值段对应的用户数据样本。

步骤S403，根据第一预测结果，确定待预测用户数据对应的用户满意度。

通过上述方法，可以通过分类模型，先将待预测用户数据分为10分用户对应的用户数据样本，1分用户对应的用户数据样本和2-9分用户对应的用户数据样本，再通过回归模型，对2-9分用户对应的用户数据样本进行二次分类，确定出每个分值段对应的用户数据样本，可以降低模型的复杂度，提高模型预测的精度。

图5为本申请实施例提供的一种满意度预测模型的训练装置的结构示意图，如图5所示，该装置包括：

第一获取单元501，用于获取至少一个用户数据样本；用户数据样本中包含至少一个特征指标和用户标签信息；用户标签信息中包括用于表征用户满意度的满意度分值。

删除单元502，用于从至少一个用户数据样本中删除第一数据样本，得到待训练数据；第一数据样本为用户标签信息不受特征指标影响的用户数据样本。

更新单元503，用于根据待训练数据，更新初始满意度预测模型的参数，得到满意度预测模型。

可选的，删除单元502具体用于：

获取用户初始数据，并对用户初始数据进行第一预处理，得到至少一个用户数据样本；第一预处理包括特征工程处理；

根据用户标签信息，从至少一个用户数据样本中确定出第一类数据样本；第一类数据样本为用户满意度分值为最高分值的用户数据样本；

从第一类数据样本中确定出第一数据样本；

从至少一个用户数据样本中删除第一数据样本，得到待训练数据。

可选的，删除单元502具体用于：

将第一类数据样本和第二类数据样本输入至第一分类模型中，得到第一数据样本；第二类数据样本为用户满意度分值为最低分值的用户数据样本；第一分类模型是根据第一类数据样本和第二类数据样本，对初始第一分类模型的参数进行更新后得到的。

可选的，更新单元503具体用于：

根据待训练数据，更新初始第二分类模型的参数，得到第二分类模型；

根据待训练数据中包含的第三类数据样本，更新初始回归模型的参数，得到回归模型；第三类数据样本为待训练数据除第一类数据样本和第二类数据样本外的用户数据样本；

根据第二分类模型和回归模型，得到满意度预测模型。

图6为本申请实施例提供的一种满意度预测装置的结构示意图，如图6所示，该装置包括：

第二获取单元601，用于获取待预测用户数据；

处理单元602，用于将待预测用户数据输入至满意度预测模型中，得到第一预测结果；满意度预测模型中包含第二分类模型和回归模型；

确定单元603，用于根据第一预测结果，确定待预测用户数据对应的用户满意度。

图7示出了上述实施例中所涉及的满意度预测模型的训练装置或满意度预测装置的又一种可能的结构示意图。该满意度预测模型的训练装置或满意度预测装置包括：处理器701和通信接口702。处理器701用于对满意度预测模型的训练装置或满意度预测装置的动作进行控制管理，通信接口702用于支持满意度预测模型的训练装置或满意度预测装置与其他网络实体的通信。满意度预测模型的训练装置或满意度预测装置还可以包括存储器703和总线704，存储器703用于存储满意度预测模型的训练装置或满意度预测装置的程序代码和数据。

其中，存储器703可以是满意度预测模型的训练装置或满意度预测装置中的存储器等，该存储器可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。

上述处理器701可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线704可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线704可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行上述方法实施例中的满意度预测模型的训练方法或执行上述方法实施例中的满意度预测方法。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得该计算机执行上述方法实施例所示的方法流程中的满意度预测模型的训练方法或执行上述方法实施例中的满意度预测方法。

其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

本发明的实施例提供一种包含指令的计算机程序产品，当指令在计算机上运行时，使得计算机执行本申请提供的满意度预测模型的训练方法或执行本申请提供的满意度预测方法。

由于本发明的实施例中的满意度预测模型的训练装置、满意度预测装置、计算机可读存储介质、计算机程序产品可以应用于上述方法，因此，其所能获得的技术效果也可参考上述方法实施例，本发明实施例在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。