基于無線信令指標的用戶投訴定位方法

錢會

（中國移動通信集團廣東有限公司，廣東 廣州 510064）

0 引言

隨著移動通信的飛速發展，2020 年5G 用戶將超1.1億元，5G 基站總量將會超10 萬座，但5G 在短時間達到大規模商用是不現實的，因此，LTE 仍然存在很長的生命周期，對LTE 的網絡持續優化仍然是當前三大運營商提升競爭實力的關鍵所在。學者們紛紛投入到網絡優化的領域：彭麗恩[1]在獲取LTE 網絡的全量信令和用戶投訴數據的基礎上，提取影響無線小區性能指標，并將無線小區的性能指標和告警數據進行關聯，構建LTE 的用戶投訴精準定位模型，實現每一個小區的無線性能評估，提升用戶滿意度；盧麗[2]結合用戶投訴的信息對用戶相關信令進行回溯和分析，快速發現用戶投訴的實際問題，從而達到降低該小區用戶重復投訴概率目的，提升用戶使用通信業務的感知水平；李進盛[3]在分析LTE 用戶投訴數據的基礎上，挖掘影響網絡質量的關鍵指標，結合問卷調查和層次分析法獲取各個網絡質量關鍵指標的權重，利用業務撥測法模擬LTE 用戶使用體驗；陳毅森[4]等人提出一種基于用戶感知關聯LTE 網絡接入性能的分析與研究，發現LTE 考核指標（接通、掉線、切換）與投訴無明顯相關，相反，用戶經常投訴的區域與LTE 考核指標沒有太大的關聯關系。由此可知，僅以用戶投訴作為網絡問題的切入點，結合用戶投訴進行后驗性的網絡問題修復和網絡優化，并不能解決用戶重復投訴的問題，往往存在某一個用戶在這一個小區進行投訴，網絡優化部門將該小區的問題進行優化后，另一個用戶在另一個小區進行投訴的現象。

除此之外，以日常LTE 考核指標（接通、掉線、切換）來衡量用戶使用業務的感知，往往導致用戶感知評估失真。針對上述的現象，很多學者對MR、信令、路測等數據與用戶投訴數據進行聯合分析，通過拉網的方式來獲取某個網絡簇的網絡質量數據，實現區域級別的網絡覆蓋、質量和容量相關問題的優化：Mahmoud 等人[5]通過實時采集數據來監測網絡質量的運行狀態，結合各種網絡各種參數的變化發現并解決網絡問題，根據網絡質量運行的實時信息提出有針對性的網絡優化方案，提升用戶滿意度；李遠卓[6]在將網絡問題與網絡優化的三個維度（覆蓋維度、容量維度和質量維度）進行關聯的基礎上，構建可量化的網絡優化維度指標作為網絡問題的判別依據，以此提升用戶的滿意度；羅郡[7]針對網絡優化與用戶體驗感知評價脫節以及現有用戶感知體驗評價方法無法全面量化網絡質量的實際問題，采用主動學習擴充用戶投訴數據，在此基礎上，融合信令和MR 數據對用戶投訴的原因進行定位，找出潛在問題小區并進行網絡優化，提升用戶感知評價的全面性；王燕[8]以電信運營商的話單數據、CRM 數據、網絡信令交互數據為數據樣本，提出語音網絡質量評估預警模型和用戶價值評估模型，以此提升語音網絡故障預測的精準性。

本文在借鑒相關學者[9-14]研究的基礎上，針對當前研究用戶投訴數據不完備、投訴原因定位難等問題，以LTE 無線側網絡信令為數據基礎，以接入性能、保持性能和移動性為切入點，在融合用戶投訴、信令數據基礎上，從用戶感知的角度出發，在對用戶信令數據進行重構的基礎上，采用稀疏表示的方法獲取投訴無線側信令指標特征并利用主動學習框架擴充用戶投訴數據庫；以無線側信令指標為輸入，以用戶投訴原因為輸出，采用BP 神經網絡構建端到端網絡業務質量評估模型，完成以小區為顆粒度的用戶投訴原因精準定位；基于端到端網絡業務質量評估模型的結果，挖掘影響投訴原因的關鍵無線側信令指標，確定影響用戶感知的網絡質量指標（接入性能、保持性能和移動性）的觸發告警閾值，以觸發告警數據定位用戶投訴原因，為網絡優化人員進行日常的LTE 網絡優化提供數據支撐，降低用戶重復投訴的概率。

1 基于主動學習框架用戶投訴數據庫擴充

運營商針對實時用戶投訴工單數據，結合信令回溯的方法對用戶投訴前2 天的小區信令數據進行回溯分析，最后得出兩種結論：該用戶投訴原因與當前小區網絡質量問題存在一致性（真實投訴）；該用戶投訴原因與當前小區網絡質量問題無明顯關聯性（干擾投訴）。將用戶投訴原因與當前小區網絡質量問題存在一致性的信息（包括信令指標和投訴標簽）放到用戶投訴數據庫中。投訴用戶數據庫不僅需要采集投訴用戶的信息，還要采集非投訴用戶的信息。由于系統中存在很多未標注用戶，這種未標注用戶包括兩種：使用移動通信業務過程中感受到網絡質量出現問題但不愿因投訴的用戶（簡稱：潛在投訴用戶）和使用移動通信業務過程中感覺網絡質量好的用戶（簡稱：正常用戶）。因此，采取哪種方法過濾潛在投訴的用戶，對用戶投訴數據庫進行補全，是本文首要解決的問題。本文采用主動學習框架來實現用投訴數據庫擴充，包括以下三個步驟：

（1）無線側信令指標的提取

本文從無線側的接入性能、保持性能和移動性能三個角度來對無線側的信令進行分析，得到基于小區顆粒度的無線側信令指標如表1 所示：

表1 基于小區顆粒度的無線側信令指標

考慮到用戶投訴通常存在滯后的現象，基于用戶當前投訴時間段獲取無線側信令指標與用戶投訴標簽的關聯度不大，針對該問題，本文首先對真實投訴的信息進行信令回溯（回溯用戶投訴前6 個小時的信令數據），采用滑動窗口的方法對回溯的無線側信令指標進行數據重構，重構出一個具有時間延續性的信令樣本。

（2）重構具有時間延續性的無線側信令樣本

由于同一個小區某個時段的無線側信令指標在時空上具有高度的相似性，本文采用滑動窗口法（滑動窗口大小為6，步長為3）對數據進行樣本構造。重構結果如圖1 所示：

圖1 采用滑動窗口法的樣本構造

（3）基于稀疏表示的樣本特征重構

由于無線側信令指標之間存在互相影響的關系，因此，本文通過稀疏表示的方法——采用少量基本特征的線性組合來表示樣本的特征。稀疏表示能夠降低通信環境隨機因素的干擾的影響，降低異常點對分類結果的影響。稀疏表示的示意圖如圖2 所示：

圖2 稀疏表示示意圖

使用稀疏表示重構無線側信令指標特征需要關注無線側信令指標變換前后的特征損失，為了盡量保留無線側信令指標的原始特征，本文采用變換后的方差最小的方法來保證原始特征損失最小。

第個投訴樣本無線側信令指標可用稀疏特征的線性組合表示，可以表示為以下目標函數：

其中X=[x1,x2,……,xn]表示真實投訴數據集，Si是重建系數。通過L1范數約束可使S矩陣稀疏。通過上述的方法，投訴樣本的無線側信令指標可用通過稀疏特征進行表示，大大簡化計算量。

（4）基于主動學習的投訴樣本擴充

通過對投訴樣本的無線側信令指標進行稀疏處理之后，本文采用半監督學習的主動學習框架，將未標注無線側信令指標稀疏表示與已標注（真實投訴）無線側信令指標稀疏表示進行相似度判斷，如果相似度大于設定的閾值，則認為是投訴；相反，則認為是不投訴。基于主動學習的投訴樣本擴充模型如圖3 所示：

圖3 基于主動學習的投訴樣本擴充模型

基于主動學習框架的用戶投訴數據庫擴充步驟如下：

1）假設數據庫正樣本為P（真實投訴用戶），負樣本為N（不投訴用戶），未標注樣本為U，總樣本為D，初始化D=P；

2）在獲取總樣本稀疏表示的基礎上，計算某個標注樣本Ui稀疏表示與所有正樣本P稀疏表示的余弦相似度，結合閾值，獲得可靠的負樣本，分別更新的總樣本和負樣本：D=P+N；U=U-N。

3）基于更新的總樣本，訓練一個新的分類器對為標注樣本N，對未標注樣本為U進行分類，如果對為未標注樣本U的分類結果置信度高于設置的閾值，那么將會加入訓練庫中重新訓練一個新的分類器，如此不斷迭代新的分類器，直到將剩下的未標注樣本分類完畢為止。

2 構建端到端網絡業務質量評估模型，實現用戶投訴精準定位

端到端網絡業務質量評估模型的原理是將用戶投訴原因與無線側信令指標進行一一映射，建立用戶感知-信令特征重構——投訴小區定位的端到端網絡業務質量評估模型，識別出影響用戶感知的無線側信令指標，并構建無線側信令指標的投訴閾值，實現端到端網絡業務質量評估。

端到端網絡業務質量評估模型的原理是將投訴用戶的感知與信令樣本的特征進行映射，識別出影響用戶感知的無線側信令指標。創新性采用滑動窗口重構信令數據的方法實現連續小區定位。將用戶投訴前的駐留小區的無線側信令指標納入考慮的范圍，結合用戶投訴差小區的結論，精準定位出用戶投訴的真實小區。該方法在一定程度上擴大了用戶投訴小區的監測范圍，避免對網絡質量無問題的小區進行誤判，也將用戶的移動軌跡納入分析的范圍，提升了用戶投訴小區定位的精準性。端到端網絡業務質量評估模型如圖4 所示：

圖4 投訴精準定位流程圖

其流程如下：

1）從客服系統獲取用戶投訴信息，基于用戶投訴，回溯其投訴前6 個小時的信令數據，獲取用戶無線側信令指標。

基于客服系統獲取的用戶投訴信息庫，分析的樣本量不少于4 000 條，正樣本量2 000 條，負樣本量2 000 條。隨機抽取30% 數據集作為訓練數據集，剩下的70% 數據集作為測試數據集。

2）采用滑動窗口法重構用戶信令數據，構造出一個具有時間延續性的信令樣本；基于稀疏表示重構樣本特征，降低通信環境隨機因素對無線側信令干擾的影響。

3）基于主動學習的投訴樣本擴充模型構建用戶投訴數據庫，在此基礎上，采用BP 神經網絡訓練端到端網絡業務質量評估模型，輸出觸發告警的無線側信令指標閾值。

4）將投訴用戶的信令重構特征輸入到端到端網絡業務質量評估模型，基于用戶投訴原因與無線側信令特征的關聯性，最終輸出8 項用戶投訴原因：無信號、信號弱/不穩定、有信號無法接通/打開網頁、頻繁掉線、網速慢、單通、雜音/回音、網頁無法正常打開。

5）基于BP 神經網絡訓練的結果，得出每一種投訴原因與關鍵無線側信令特征的關聯性，提取關鍵無線側信令指標與同一小區內非投訴用戶關鍵無線側信令指標進行對比，輸出觸發告警的無線側信令指標閾值。

6）基于影響用戶感知網絡質量指標（接入性能、保持性能和移動性）的觸發告警閾值監控網絡實時信令，對疑似質差小區進行投訴原因定位，輸出小區評價信息，并告知網絡優化部門優化網絡質量，先于用戶投訴實現網絡質量問題的處理。

3 實驗分析

將端到端網絡業務質量評估模型應用于某個地市的用戶投訴預測，通過掃描無線側信令指標，輸出每一個小區的投訴情況（潛在投訴發生的時間、投訴原因）。網絡優化部門根據上述模型輸出投訴情況到現場排查，對潛在投訴原因進行確認，并采取相應的措施對網絡進行優化，提升用戶使用無線通信服務的感知水平。圖5 是一個月某一個質差小區基于端到端網絡業務質量評估模型輸出的投訴原因與實際投訴原因對比圖。

基于上述對比結果，超過80% 的實際投訴原因被評估模型精準定位，因此，本文提出的投訴原因精準定位模型具有準確性高、擴展性強的特點。網優人員在投訴原因精準定位的基礎上進行針對性的網絡優化，能夠降低80% 左右的實際投訴用戶數，降低該小區用戶重復投訴的概率，提升用戶使用通信業務的感知水平，具有一定的擴展性。

4 結束語

圖5 用戶投訴原因對比圖

基于端到端網絡業務質量評估模型的用戶投訴原因精準定位，已經成為運營商提升LTE 通信服務質量的首要策略。實驗證明，本文提出的方法能夠精準用戶投訴的原因，這源于以下幾點：采用主動學習框架擴充用戶投訴數據庫，為評估模型提供完備的數據基礎；采用BP 神經網絡挖掘無線側信令指標與用戶投訴原因關聯性，獲取關鍵無線側信令指標的觸發告警閾值，實現用戶投訴原因的精準定位。本文提出的模型能夠先于用戶發現每一個小區的網絡投訴原因，解決了用戶投訴定位難的問題，為網絡優化部門的網絡優化提供了有效的數據支撐。