余立，李哲，高飛，袁向陽，楊永

（1. 中國移動通信有限公司研究院，北京 100053； 2. 中國移動通信集團公司，北京 100033）

1 引言

隨著移動互聯(lián)網(wǎng)發(fā)展，我國移動互聯(lián)網(wǎng)用戶突破13億戶，占全球網(wǎng)民規(guī)模的32.17%[1]，隨著新型技術(shù)（如5G、云計算等）的發(fā)展，用戶對上網(wǎng)速度、穩(wěn)定性等要求越來越高。

質(zhì)差用戶指在使用移動通信網(wǎng)絡(luò)服務(wù)時，由于網(wǎng)絡(luò)質(zhì)量問題或其他因素對服務(wù)體驗不滿的用戶。網(wǎng)絡(luò)質(zhì)量問題導(dǎo)致的質(zhì)差用戶，對網(wǎng)絡(luò)服務(wù)的滿意度會降低，且可能存在投訴、轉(zhuǎn)網(wǎng)等行為。

質(zhì)差用戶群體流失概率較高，他們是各大網(wǎng)絡(luò)運營商重點關(guān)注與關(guān)懷對象。傳統(tǒng)質(zhì)差用戶識別通過數(shù)據(jù)采集系統(tǒng)對用戶上網(wǎng)過程中產(chǎn)生的行為單據(jù)XDR（X data record）進行分析，即可過濾潛在的質(zhì)差用戶。但各用戶感知無法統(tǒng)一，不滿意原因及不滿意的業(yè)務(wù)也并不一致，傳統(tǒng)分析方法可識別的投訴用戶比例較低，無法滿足現(xiàn)網(wǎng)投訴處理要求。故通過將已存在的滿意度低或投訴行為的質(zhì)差用戶與XDR進行關(guān)聯(lián)標注后，利用機器學習算法，實現(xiàn)對質(zhì)差用戶進行分類識別與預(yù)測。

通過現(xiàn)網(wǎng)收集的XDR數(shù)據(jù)中存在以下問題。

? 不同省份網(wǎng)絡(luò)基礎(chǔ)設(shè)備存在一定差異，數(shù)據(jù)中特征字段并不完全相同，且部分字段填充率較低，無法直接利用。

? 數(shù)據(jù)進行標簽化標注時，不同省份字段計算方法可能存在差異，且數(shù)據(jù)量巨大，導(dǎo)致標注成本高昂。

? 已投訴用戶單據(jù)中投訴原因眾多，部分原因來自于非網(wǎng)絡(luò)問題，存在大量對抗樣本，導(dǎo)致樣本本身含有較大噪聲，訓(xùn)練時會影響模型性能。

2 半監(jiān)督學習

有監(jiān)督學習需大量的有標簽數(shù)據(jù)訓(xùn)練模型，在質(zhì)差用戶識別模型中，一條有標簽數(shù)據(jù)包含兩部分：用戶XDR數(shù)據(jù)和是否為質(zhì)差用戶。前部分數(shù)據(jù)通過數(shù)據(jù)采集系統(tǒng)獲得，后部分標簽信息需豐富的專家知識，往往判定成本較高，造成整體訓(xùn)練成本的增加[2]。

現(xiàn)網(wǎng)每日會產(chǎn)生海量的用戶XDR數(shù)據(jù)，通過標注再進行訓(xùn)練，模型時效性較差，無法準確描述現(xiàn)網(wǎng)實時運行狀況。半監(jiān)督學習與有監(jiān)督學習相比可以利用現(xiàn)網(wǎng)實時海量無標簽數(shù)據(jù)，效率較高；與無監(jiān)督學習相比可以保證模型準確率。

質(zhì)差用戶識別為分類問題，已知的半監(jiān)督分類問題主要分為5類，具體優(yōu)劣勢見表1。

表1 半監(jiān)督分類方法優(yōu)劣勢

? 基于圖的半監(jiān)督模型將標簽數(shù)據(jù)和未標簽數(shù)據(jù)構(gòu)建為圖，圖中節(jié)點為數(shù)據(jù)點，邊為節(jié)點權(quán)重，通過尋找圖的最小分割，然后計算反向傳播權(quán)重，其可應(yīng)用于圖片、中文文本、數(shù)據(jù)分類等各類場景，但是當新樣本加入時，需要重新訓(xùn)練得到圖模型，計算開銷較大[3-4]。

? 基于分歧的半監(jiān)督模型通過選擇差異化基模型，進行組合降低“錯誤”分類樣本對模型的不良影響，提升模型預(yù)測準確率，但是其對基模型選擇設(shè)定要求較高，并且運算效率也較低[5-6]。

? 半監(jiān)督支持向量機是將支持向量機應(yīng)用到半監(jiān)督模型中，將樣本空間映射到高維空間，并選擇合適平面將樣本集劃分，但是模型受參數(shù)影響，最終模型準確率較低[7]。

? 協(xié)同訓(xùn)練（co-training）用有標簽樣本的兩個視圖分別訓(xùn)練兩個弱分類器，再利用分類器對未標注樣本預(yù)測中高置信度樣本訓(xùn)練另一個分類器；即用一個視圖中獲得的知識來訓(xùn)練另一個視圖。缺點是對樣本要求高，要求具有兩個充分冗余且滿足條件獨立性的視圖，實際情況下較難滿足[8-9]。

? 自訓(xùn)練（self-training）需要一個基分類器和少量樣本數(shù)據(jù)可以實現(xiàn)，核心思想是先學習有標簽數(shù)據(jù)，然后計算無標簽樣本置信度，并將置信度高的樣本加入訓(xùn)練集，缺點是如果無標簽樣本預(yù)測錯誤，則隨著訓(xùn)練的深入，會造成錯誤的累計[10-12]。

基于對以上半監(jiān)督方法的研究，本文選取一種改進自訓(xùn)練模型，通過設(shè)置基模型參數(shù)以及較高的置信度閾值，引入多個基模型學習器，降低傳統(tǒng)自訓(xùn)練中出現(xiàn)的誤差累計現(xiàn)象，提高模型訓(xùn)練精度。

3 改進自訓(xùn)練應(yīng)用

3.1 改進自訓(xùn)練模型

自訓(xùn)練模型是一種增量模型，首先建立基分類器模型，通過有標簽數(shù)據(jù)進行訓(xùn)練，然后利用訓(xùn)練好的基模型不斷預(yù)測數(shù)據(jù)集中無標簽數(shù)據(jù)，從中選擇置信度高樣本，將其加入有標簽數(shù)據(jù)中進行基模型循環(huán)訓(xùn)練。在滿足設(shè)定停止迭代條件后，得到具有最高分類精度和最強的泛化性能的最終分類器。模型在迭代過程中不可避免會產(chǎn)生誤分樣本，基模型學習誤分樣本會產(chǎn)生錯誤累計，最終影響模型效果。為降低錯誤累計，本文做出以下改進：設(shè)置模型性質(zhì)不同、性能相同的3種基模型，分別進行預(yù)測后，通過投票初步選定偽標簽樣本，隨后計算其置信度，將置信度高的偽樣本加入模型訓(xùn)練集中進行循環(huán)迭代。改進自訓(xùn)練模型示意圖如圖1所示。

圖1 改進自訓(xùn)練模型示意圖

其基本流程如下：

（1）根據(jù)有標簽數(shù)據(jù)集訓(xùn)練3種基模型；

（2）利用訓(xùn)練得到的基模型預(yù)測無標簽數(shù)據(jù)；

（3）選擇置信度高的樣本，將其加入有標簽數(shù)據(jù)集；

（4）循環(huán)訓(xùn)練模型；

（5）判斷是否滿足迭代條件，重復(fù)（1）～（3）。

改進自訓(xùn)練模型算法見算法1。

算法1

輸入有標記樣本集：

每i輪基學習器為 K1i、 K2i、 K3i;

每i輪預(yù)測得到樣例數(shù)為pi;

流程

（1）初始化設(shè)置 K10、 K20、 K30;

（2）i=1;

（3）利 用 K10、 K20、 K30擬 合Dl得 到 K11、 K21、 K31;

（4）利用 K11、 K21、 K31訓(xùn)練Du，得到pi例樣本不同分類情況下置信度；

（5）進行選擇，將pi例預(yù)測樣本加入Dl；

（6）利用新樣本集Dl訓(xùn)練，得到 K12、 K22；

（7）循環(huán)（4）～（6），直到滿足迭代終止條件。

3.2 基模型選取

質(zhì)差用戶識別是一種分類問題，最終評價標簽為質(zhì)差用戶和非質(zhì)差用戶兩種。當前主流機器學習分類模型有貝葉斯分類器（NB）、Logistic模型、支持向量機、樹模型（如隨機森林（RF）和極限梯度提升（XGBoost）等[13]）。本模型選擇樸素貝葉斯分類器、XGBoost、隨機森林為基模型進行訓(xùn)練。

（1）樸素貝葉斯分類器

該模型描述如下：設(shè)訓(xùn)練集中包含m個類H=(H1,H2,… ,Hm),n個條件屬性X=(X1,X2, …,Xn)，并且假設(shè)所有條件屬性X為類變量H的子節(jié)點，并相互獨立，則當待分類樣本x=(x1,x2,…,xn)分配到類Hm時，根據(jù)貝葉斯定理可得：

由于在本監(jiān)督學習中需要使用大量的無標簽數(shù)據(jù)進行模型訓(xùn)練，式（1）修改為：

其中，(n+l) 表示迭代后有標簽樣本集與增加標記后的無標簽樣本集的合集，該合集增加了無標簽數(shù)據(jù)中預(yù)測得到的高置信度數(shù)據(jù)。

（2）極限梯度提升和隨機森林

XGBoost和RF都是基于樹模型的集成模型，但是兩者有所區(qū)別。XGBoost為并行化Boosting處理，RF為串行化Bagging處理[14]。

給定數(shù)據(jù)集D=(Xi,yi)，輸入Xi并通過線性疊加模式預(yù)測iy。并設(shè)學習使用k棵樹，模型如式（3）、式（4）所示。

其中，()fX代表回歸樹，F(xiàn)代表回歸集合，()qX表示將X分到了某個葉子節(jié)點上，T為葉子節(jié)點的數(shù)量，ω為葉子節(jié)點分數(shù)，ωq(X)代表f(X)對樣本的預(yù)測。

通過二階泰勒展開式和正則項調(diào)整得到目標函數(shù)如式（5）所示。

4 實驗與分析

4.1 數(shù)據(jù)預(yù)處理

（1）數(shù)據(jù)收集

本次仿真實驗使用數(shù)據(jù)采集系統(tǒng)中的正常XDR數(shù)據(jù)和現(xiàn)網(wǎng)投訴XDR數(shù)據(jù)。其中包含199 998條、46項字段的正常XDR數(shù)據(jù)以及3 355條、125項字段的投訴XDR數(shù)據(jù)。

（2）字段選取

正常XDR數(shù)據(jù)的46項字段中，包含較多非結(jié)構(gòu)化離散字段（如小區(qū)ID、所屬城市、IPV類型等），并且部分字段缺失值比重較大，通過處理最終得到連續(xù)型字段15項。

（3）標準化處理

部分機器學習模型需要數(shù)據(jù)處于同一量綱，所以進行數(shù)值量綱轉(zhuǎn)化、標準化處理。處理后數(shù)據(jù)變化到均值為0、方差為1范圍內(nèi)。

（4）樣本均衡

因為質(zhì)差用戶識別為二分類問題，所以需要保證原始訓(xùn)練數(shù)據(jù)樣本集分布相同。使用隨機采樣方法，最終案例數(shù)據(jù)集組成見表2。

表2 數(shù)據(jù)集組成

（5）關(guān)鍵參數(shù)

TCP建鏈成功到第一條事務(wù)請求的時延（tcp_ack_srv_dur）：在終端和服務(wù)器完成TCP建鏈請求后，到終端發(fā)出業(yè)務(wù)請求前的時間間隔。

第一個HTTP響應(yīng)包時延（fisrt_http_ response_ time）：在業(yè)務(wù)請求過程中，第一次業(yè)務(wù)請求發(fā)出后到接收第一次業(yè)務(wù)請求響應(yīng)的時間間隔。

TCP建鏈確認時延（fisrt_http_response_ time）：在TCP建鏈過程中，第二次握手SYNACK報文發(fā)出后到收到第三次握手ACK報文的時間間隔。

4.2 分類器評價標準

對于每個待檢測的用戶數(shù)據(jù)，分類器最終可能產(chǎn)生4種不同的結(jié)果，本實驗中對不同情況解釋如下。

? TP（true positive）：質(zhì)差用戶，且模型預(yù)測結(jié)果為質(zhì)差用戶。

? TN（true negative）：非質(zhì)差用戶，且模型預(yù)測結(jié)果為非質(zhì)差用戶。

? FP（false positive）：非質(zhì)差用戶，但模型預(yù)測結(jié)果為質(zhì)差用戶。

? FN（false negative）：質(zhì)差用戶，但模型預(yù)測結(jié)果為非質(zhì)差用戶。

基于以上4種情況，引入精準度、F1值和AUC3項指標進行評判。精準度和F1主要判斷分類器預(yù)測結(jié)果的準確性，AUC主要判斷分類器對質(zhì)差用戶區(qū)分能力的強弱。

精準度即精確率，在本實驗中表示正確判斷為質(zhì)差用戶的樣本占全部質(zhì)差樣本的比例：

F1值是由Precision和Recall的調(diào)和平均數(shù)，在本實驗中表示在保持一定精確率同時，盡可能保證所有質(zhì)差用戶可以被模型識別即保證召回率，兩者相互平衡。

AUC值是ROC曲線下方的面積。ROC曲線繪制的橫坐標是FPR，而縱坐標是TPR。當無法直接衡量學習性能時，AUC值越大，表明模型效果越好。

4.3 實驗結(jié)果與對比分析

針對實驗數(shù)據(jù)，分別使用全監(jiān)督方法、半監(jiān)督方法、無監(jiān)督方法進行擬合。其中全監(jiān)督方法選用XGBoost模型，半監(jiān)督方法使用本文提出的改進自訓(xùn)練模型，無監(jiān)督方法選用圖傳播label spreading模型。結(jié)果對比見表3。

表3 3種模型運行結(jié)果

對比3類模型精準度可得到如下結(jié)論：全監(jiān)督模型效果最好，各項評價指標數(shù)值最高；無監(jiān)督模型效果最差，因為在模型訓(xùn)練過程中不可避免會學習到數(shù)據(jù)中噪聲，影響模型評價指標；而半監(jiān)督模型介于兩者之間，可以充分利用大量無標簽數(shù)據(jù)，此外還可以保證較高精準度。

為了進一步驗證半監(jiān)督模型優(yōu)越性，將以上3類模型進行對比。其中在半監(jiān)督和無監(jiān)督模型中，橫軸設(shè)置為樣本標簽缺失值比率。在全監(jiān)督模型中，橫軸設(shè)置為訓(xùn)練集劃分比率。不同缺失值比率下模型精準度變化如圖2所示。

圖2 3類模型精準度對比

通過圖2可知，隨著缺失值比率增加，3類模型精準度都在下降，半監(jiān)督模型仍然處于一定精準度變化區(qū)間內(nèi)，可以滿足模型識別精準度要求。

在半監(jiān)督改進自訓(xùn)練模型中，使用迭代訓(xùn)練對無標簽數(shù)據(jù)進行標注，當缺失值比率相比于上次訓(xùn)練變化幅度低于0.1%時，模型迭代停止。具體數(shù)值和曲線變化如圖3和表4所示。

圖3 半監(jiān)督模型評價指標變化趨勢

表4 半監(jiān)督模型變化趨勢

如表4所示，設(shè)置默認參數(shù)和初始樣本缺失值比率（Ratio）后，模型開始訓(xùn)練。通過10輪迭代計算后，Ratio變化幅度0.07%符合迭代終止條件，迭代停止。觀察表4中數(shù)據(jù)可知，缺失值比率列數(shù)值下降明顯，精準度、AUC、F1 3項評價指標有一定波動，且浮動下降。這是因為模型在自訓(xùn)練過程中不可避免會學習到樣本集中的噪聲，最終模型性能受到一定影響。為進一步提升模型識別精準度，在之后的模型訓(xùn)練過程中，需改進基模型選擇設(shè)計方案，并通過提高閾值、增加樣本預(yù)測可靠性水平等方法，降低訓(xùn)練過程的誤分類樣本噪聲。

5 結(jié)束語

本文針對質(zhì)差用戶識別問題，設(shè)計一種改進自訓(xùn)練的半監(jiān)督模型，采用無標簽樣本占90%的訓(xùn)練集時，最終模型精準度維持在90%左右。相比于全監(jiān)督模型和無監(jiān)督模型，該模型在保證一定性能指標前提下，能夠充分利用無標簽樣本數(shù)據(jù)，在現(xiàn)網(wǎng)應(yīng)用中可有效降低數(shù)據(jù)標注成本，同時避免了人為主觀因素對于質(zhì)差規(guī)則設(shè)定的影響，可以有效實現(xiàn)質(zhì)差用戶識別。未來的工作重點為進一步提高該模型性能，降低在循環(huán)迭代中噪聲對于模型性能的影響。