CN106303113A - 一种分流方法和设备 - Google Patents

Abstract

本申请公开了一种分流方法和设备，包括：接收用户请求；基于所述用户请求的内容判断用户问题的类型；基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；基于所述分流预测的结果，将所述用户请求分流至相应的处理对象；以此实现了分流过程的智能化，分流快速且精准，提高了处理对象的处理效率，节省了人力资源，用户体验较好，增强了用户对公司的信任感。

Description

一种分流方法和设备

技术领域

本申请实施例涉及网络技术领域，特别涉及一种分流方法。本申请实施例同时还涉及一种分流设备。

背景技术

现有技术中，热线服务需投入人力观察即时的外包服务情况，根据观察结果，人为调节分流比例，以达到最大化利用外包资源的目的，例如，如果当前外包公司A的用户诉求排队量比较大，而外包公司B可以处理更多的用户诉求，那么就人为的调大外包公司B的分流比例，以使外包公司B能获得更多诉求流量。当所有外包公司的服务都处于饱和状态时，就完全根据相关工作人员的经验来调节分流比例。在此过程中首先消耗了大量的人力资源，且人为操作会增加了线上故障风险；其次，外包公司的服务质量有高低之分，如果外包公司A和外包公司B都能处理用户诉求S，但是A公司比B公司的服务质量高，那么显然将诉求分配给A公司能提高用户体验，增强用户对客服的信任感，然而，人工调节分流比例是随机将诉求S分配到A和B，无法达到这种效果，另外，当外包公司的服务都处于饱和状态时，人工调节分流比例，容易犯经验主义错误，因为人的预判能力会根据时间、环境的变化而变化，所以人工控制分流比例，无法使外包公司的承接量最大化。

目前也存在简单的自动分流，是通过计算外包公司的业务吞吐量(单位时间内处理的用户诉求数)，以此作为外包分流的依据，这种方案会将用户诉求分配给业务吞吐量最大的外包公司。但是，这存在一个明显的缺陷，业务吞吐量的计算公式为：

(过去一段时间内处理的用户诉求数)/(时间间隔)，

考虑在排队的情况下，过去一段时间内处理的用户数越多，那么就会有相应的新诉求占用客服资源，要解放这些客服资源，需要更长时间，所以导致外包公司最快处理当前业务诉求的能力下降。故，这种分流方法不适用于排队情况。

综上，面对业务越来越多样，客户问题越来越复杂的情况，现有的分流方案不够智能，考虑的因素单一，导致分流结果不完善，向客户提供服务的效率不高。

发明内容

本申请实施例提供了一种分流方法和设备，在本申请中，实现了快速且精准的分流，提高了处理对象的处理效率，分流过程智能化，节省了大量人力资源，避免了人为操作的失误，降低线上故障风险，提高了用户体验，增强了用户对公司的信任感。

为此，本申请实施例提供了一种分流方法，包括：

接收用户请求；

基于所述用户请求的内容判断用户问题的类型；

基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；

基于所述分流预测的结果，将所述用户请求分流至相应的处理对象。

优选的，所述基于所述用户请求的内容判断用户问题的类型，具体包括：

接收所述用户请求，获得语音形式的用户问题描述；

将所述语音形式的用户问题描述转化成文本形式的用户问题描述；

对所述文本形式的用户问题描述进行修正；

识别修正后的文本形式的用户问题描述，确定用户问题的类型。

优选的，所述基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测，具体包括：

基于所述用户问题的类型，确定备选处理对象；

对所述备选处理对象进行优先级排序；

基于所述优先级排序结果确定所述分流预测结果；

优选的，所述对所述备选处理对象进行优先级排序，具体包括：

基于计算得出的优先级参数对所述备选处理对象进行优先级排序；

其中，所述优先级参数为

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}lnF+\mathrm{\δ}ln(P-T),(P>T);$

其中，S为所述处理对象在当前时刻之后的一段预设时间内处理用户请求的能力的量化值；C为当前时刻之前的一段预设时间内所述处理对象接收用户请求的数量；R为所述处理对象的待处理用户请求的数量；N为所述处理对象中处理单元的数量；F为所述处理对象中空闲处理单元的数量；T为所述处理对象当前已接收用户请求的数量；P为所述处理对象接收用户请求的预估量；α、β、γ、δ为参数。

优选的，所述参数的确定方式，具体为：

通过预设确定；和/或,

通过监督学习的过程确定；和/或，

通过自适应学习的过程确定。

本申请实施例还公开了一种分流设备，包括：

接收模块，用于接收用户请求；

判断模块，用于基于所述用户请求的内容判断用户问题的类型；

预测模块，用于基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；

分流模块，用于基于所述分流预测的结果，将所述用户请求分流至相应的处理对象。

优选的，所述判断模块，具体包括：

接收所述用户请求，获得语音形式的用户问题描述；

将所述语音形式的用户问题描述转化成文本形式的用户问题描述；

对所述文本形式的用户问题描述进行修正；

识别修正后的文本形式的用户问题描述，确定用户问题的类型。

优选的，所述预测模块，具体包括：

基于所述用户问题的类型，确定备选处理对象；

对所述备选处理对象进行优先级排序；

基于所述优先级排序结果确定所述分流预测结果；

优选的，所述预测模块对所述备选处理对象进行优先级排序，具体包括：

基于计算得出的优先级参数对所述备选处理对象进行优先级排序；

其中，所述优先级参数为

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T);$

其中，S为所述处理对象在当前时刻之后的一段预设时间内处理用户请求的能力的量化值；C为当前时刻之前的一段预设时间内所述处理对象接收用户请求的数量；R为所述处理对象的待处理用户请求的数量；N为所述处理对象中处理单元的数量；F为所述处理对象中空闲处理单元的数量；T为所述处理对象当前已接收用户请求的数量；P为所述处理对象接收用户请求的预估量；α、β、γ、δ为参数。

优选的，所述参数的确定方式，具体为：

通过预设确定；和/或,

通过监督学习的过程确定；和/或，

通过自适应学习的过程确定。

与现有技术相比，本申请中通过接收用户请求；基于所述用户请求的内容判断用户问题的类型；基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；基于所述分流预测的结果，将所述用户请求分流至相应的处理对象，以此通过简单的步骤，实现了快速且精准的分流，提高了处理对象的处理效率，分流过程更加智能化，节省了大量人力资源，避免了人为操作的失误，降低线上故障风险。

附图说明

图1为应用本申请实施例中的一种分流方法的流程示意图；

图2为本申请实施例提出的具体场景下的分流方法的流程示意图；

图3为本申请实施例提出的具体场景下的分流方法的时序图；

图4为本申请实施例提出的一种分流设备的结构示意图。

具体实施方式

针对现有技术中存在的上述问题，本申请实施例提供了一种分流方法和设备，用以克服现有技术中的缺陷。

下面结合附图对本发明实施例进行详细描述。

本申请实施例一提供了一种分流方法和设备，如图1所示，包括以下步骤：

步骤S101、接收用户请求；

用户向***发起请求，例如用户拨打电话，或者使用其他能与***进行交互的方式，***与用户建立连接后，可通过提示信息提示用户提供关于其问题的表述，以此获得了用户请求的内容，例如，***通过播放一段预设的语音向用户说明如何提供其问题，用户可按照说明中的步骤正确提供其问题的表述。

步骤S102、基于所述用户请求的内容判断用户问题的类型；

***接收到的用户请求，并且用户向***提供的是是语音形式的问题描述，则***首先使用ARS(Automatic Speech Recognition，自动语音识别技术)或者其他类似技术，将所述语音形式的用户问题描述转化成文本形式的用户问题描述，然后对所述文本形式的用户问题描述进行修正，最后识别修正后的文本形式的用户问题描述，确定用户问题的类型。

其中，将所述语音形式的用户问题描述转化成文本形式的用户问题描述时，可记录用户的停顿，之后对所述文本形式的用户问题描述进行修正时，可以以用户停顿以及“的”等词语为间隔断句，把用户问题分为若干单元，通过预先建立的有关业务信息的常用字库结合已有的用于文本纠错的基础数据库，采用比对的方式，或者采取类似模糊搜索的方式，首先可以查找文本中有没有语音转文本时常见的错误，如果查找到则将其替换为正确的字词，其次可以设定阈值，如果某个句子单元与涉及业务信息的常用词语相似度超过阈值则进行替换。

最后识别修正后的问题描述，可以提取语句中的关键字，关键字一般为文本中的动词和名词，若干关键词的不同组合形成不同的问题类型，例如“资金”、“钱”等与“盗”、“丢失”、“少”等组合代表的用户问题一般就是资金被盗。这样，通过建立关键字以及其组合与问题类型对应关系的数据库，即可确定用户问题类型。

步骤S103、基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；

首先基于步骤S102中确定的用户问题的类型，确定备选处理对象，其中，所述确定的备选处理对象是专门处理此类用户问题的，可以是提供客户服务的公司中的技能组，例如有若干个公司，若干个公司中又有若干个技能组，那么如果用户问题类型是资金被盗，那么所有公司中解决资金被盗问题的技能组就被确定为了备选处理对象。

接着，对所述备选处理对象进行优先级排序，排序是基于计算得出的优先级参数，优先级参数为X，

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T);$

其中，S为所述处理对象在当前时刻之后的一段预设时间内处理用户请求的能力的量化值；C为当前时刻之前的一段预设时间内所述处理对象接收用户请求的数量；R为所述处理对象的待处理用户请求的数量；N为所述处理对象中处理单元的数量；F为所述处理对象中空闲处理单元的数量；T为所述处理对象当前已接收用户请求的数量；P为所述处理对象接收用户请求的预估量；α、β、γ、δ为参数，代表在计算优先级参数X时各数据的重要性程度，若考虑到所述处理对象应符合的商业规则，则δ不为0，其中，商业规则是指，处理对象需要完成的工作量或者其他预先制定的规则，例如客户服务公司的处理量需在一天内达到日预估量，可超过预估的15％；

其中，如果存在X值相同的处理对象，可以随机安排所述X值相同的处理对象之间的先后顺序，也可以获取所述处理对象在预设时间内的处理评价分数，处理评价分数高的处理对象优先级排序靠前。

基于所述优先级排序结果确定所述分流预测结果，通常分流预测结果是将此用户请求分流至优先级排序第一的处理对象。

其中，所述参数的确定方式有三种：

第一种，通过预设确定；

公式中的δ值可以通过预设确定，具体可根据偏离商业规则的程度，例如处理对象当前完成的工作量远小于需要完成的工作量，则可预设较大的δ值。

第二种，通过监督学习的过程确定；

监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习，监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能。

在本申请中，训练数据有F，C，R，N，Label(1)，Label(2)，Label(3)，Label(4)，其中，Label(i)代表分流结果为第i个处理对象的人工评分。

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T)$

$L={\mathrm{\Σ}}_{i=1}^{n}Score(fi,ci,ri,ni)$ (目标函数)

Score(fi,ci,ri,ni)是第i条数据分流结果的得分。

其中，训练的目标是让目标函数值L最大。

第三种，通过自适应学习的过程确定。

自适应学习通常是指给学习中提供相应的学习的环境、实例或场域，通过学习者自身在学习中发现总结，最终形成理论并能自主解决问题的学习方式。本方案中的自适应学习指：能够根据目标结果的好坏，调节自身模型参数，使决策结果更优。

在本申请中，可以将α、β、γ的初始值设为1，步长c设为0.01，随机对α、β、γ的值进行+、-操作，将训练天数设置为U，统计每天的用户平均等待时长、以及处理对象中每个处理单元的平均处理量作为评估标准，若用户平均等待时长比上一天短，且每个处理单元的平均处理量比上一天要多，则参数进化成功，当训练天数等于U，停止学习，U可以根据具体情况设置。

确定方式可以是其中的一种，或者根据实际情况，选择以上三种方式中的两种或三种结合，以达到最优的分流效果。

步骤S104、基于所述分流预测的结果，将所述用户请求分流至相应的处理对象；

参考所述分流预测的结果中确定的处理对象，将用户请求分流至最合适的处理对象处理，具体可以是通过一个平台，以诉求派单的方式进行，如将用户的电话的转接至确定的公司的相应技能组处。

以下为了进一步对本申请进行说明，本申请实施例二提出了一种具体场景下的分流方法，如图2所示，包括：

步骤S201、用户通过电话描述自己的问题，***获得语音形式的问题描述；

客户服务一般分为自助服务、在线服务和热线服务三种，接听用户电话后，可通过语音菜单的形式确定用户是使用何种业务时出现了问题，以及用户需要何种服务，用户可通过按键的方式进行选择，如果此时确定了用户需要热线服务，则提示用户可以开始描述其问题，并告知用户描述完毕的指令。例如，用户拨通客服热线，***提示“支付宝业务请按1，淘宝业务请按2……”，用户选择相应的之后，***提示“自助服务请按1，热线服务请按2……”若用户选择了热线服务，则***提示用户可以开始描述其问题，描述完其问题后以“#”键结束，在此过程中也可加入让用户输入其身份信息的步骤，后续处理过程会更有针对性，如图3所示，此过程可通过CSIVR(互动式语音应答支持平台)实现，CSIVR的作用是为IVR(互动式语音应答***)提供后台的数据支持，包括菜单模块的生成，菜单模块的录音，菜单模块的按键等，模块化控制IVR菜单。

步骤S202、通过语音转文本技术将语音形式的问题描述转化成文本形式；

如图3所示，此过程可通过ASR(Automatic Speech Recognition，自动语音识别技术)，或者其他的语音识别技术，将语音形式的问题描述转化成文本形式的问题描述。

步骤S203、对文本形式的问题描述进行纠错；

通过语音转文本技术获得的文本形式的问题描述比较粗糙，比如：会将“余额宝”转成“余额保”，需进行纠错；

此过程中可建立用于文本纠错的基础数据库，记录常用词、关键字以及常见的错误，便于快速纠错；

如图3所示，此过程可通过AGAP(算法平台)实现。

步骤S204、对用户描述的问题进行精准识别；

识别纠错后的文本形式的问题描述，实现问题类型和问题所属技能组的定位；

在此过程中，可先确定问题描述中的关键字，再通过所述关键字查找预先设置的数据库的方式来实现；

如图3所示，对用户输入的问题描述进行定位的过程可通过Csrobot(机器人支持平台)实现；

如果未能定位出问题类型，则可直接将此问题分配给全能的技能组，或者增设中转技能组，由中转技能组人工接听电话，若中转技能组可解决用户问题则直接自行解决用户问题，若不能解决，则确定出用户问题类型再转接至相应的专门的技能组；

步骤S205、使用本发明提出的基于自适应学习的热线外包智能分流模型，对用户的诉求进行分流预测；

所述智能分流模型作用是基于实时数据和历史数据，将用户诉求分配给多家外包公司中的一家，使用户诉求得到快速处理，并支持商业规则。

从实时数据和历史数据中选取了如下几个特征值，X是我们决策的最终依据，其它特征为预测X提供支持，如图3所示，特征值由可通过建立一个csmonitor(服务监控支持平台)来监控获取，此平台同时也可以是分流决策模型的宿主；

X：最终决策依据

S：外包公司最快处理当前诉求的能力。

C：100秒内的呼入量。(时间间隔可以设定，本申请中将该时间暂且定为100秒，时间间隔100-150秒最佳)

R：当前排队用户数。

N：客服的总数。

F：空闲客服的人数。

T：当前的接起量。

P：日预估量。

α、β、γ、δ为业务重要性参数。

分流依据函数如下：

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T)$ 公式(1)

函数解释：1)C与S成反比，即100秒内呼入量C越高，外包公司在未来一段时间内，最快处理当前诉求的能力就越弱。因为在60秒内接入的呼入量占用的客服资源最晚才释放。为解决每个公司的客服人数不一样的问题，对呼入量C做归一化操作，将呼入量除以外包公司客服人数(C/N)，最后，C/N的值越大，未来一段时间内外包公司处理当前用户诉求的能力就越弱，反之越强。

2)R与S成反比，即当前排队人数越高，那么外包公司在未来一段时间内最快处理当前诉求的能力就越弱，反之越强

3)F与S成正比，即当前空闲客服的人数越大，那么外包公司在未来一段时间内处理用户诉求的能力就强，反之越弱。

故， $S=\frac{F}{\left(\frac{C}{N}\right)*R}=\frac{N*F}{C*R}$ 公式(2)

虽然公式(2)已经满足了业务需求，但是在业务上，C/N、R、F这3个因素的业务重要性是各不相同，而公式(2)将这3个因素的作用视为相同。为解决该问题，将公式变种为：

$\ln S=ln\frac{N*F}{C*R}=ln\frac{N}{C}+ln\frac{1}{R}+\ln F$ 公式(3)

加入重要性参数：

$\ln S=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F$ 公式(4)

在公式(4)中，α，β，γ分别是C/N、R、F这3个因素的业务重要性程度。

异常情况考虑：当C、R、F为0时，取1，代表该因素不参与S的评估。

商业规则考虑(加入两个因素)：P-T越大，表示现在接起量离预估量越远，需优先被分流，X应该越大。

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T)$ 公式(5)

业务解释：α，β，γ这3个参数调节模型的效果，与商业规则无关，其值会逐渐稳定。δ的值默认为0，表示不考虑商业规则，只有当模型的运行结果与商业规则差距较大时，才会调节δ，调节的结果是使当前接起量比日预估量相差较大的外包公司更可能分配到用户请求，但不保证会完全符合预估。

分流依据：lnS越大，外包公司最快处理当前诉求的能力越强(不考虑商业规则的情况下)，反之越弱。

关于重要性参数的确定，除了通过预设确定外，还有两种更优的确定方式，包括监督学习和自适应学习的方式。

首先对监督学习的方式进行说明，监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习，监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能。

在本申请中，训练数据有F，C，R，N，Label(1)，Label(2)，Label(3)，Label(4)，其中，Label(i)代表分流结果为第i个处理对象的人工评分。

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T)$

$L={\mathrm{\Σ}}_{i=1}^{n}Score(fi,ci,ri,ni)$ (目标函数)

Score(fi,ci,ri,ni)是第i条数据分流结果的得分。

其中，训练的目标是让目标函数值L最大。

其次是通过自适应学习的方式，自适应学习通常是指给学习中提供相应的学习的环境、实例或场域，通过学习者自身在学习中发现总结，最终形成理论并能自主解决问题的学习方式。本方案中的自适应学习指：能够根据目标结果的好坏，调节自身模型参数，使决策结果更优。

在本申请中，可以将α、β、γ的初始值设为1，步长c设为0.01，随机对α、β、γ的值进行+、-操作，将训练天数设置为U，统计每天的用户平均等待时长、以及处理对象中每个处理单元的平均处理量作为评估标准，若用户平均等待时长比上一天短，且每个处理单元的平均处理量比上一天要多，则参数进化成功，当训练天数等于U，停止学习，U可以根据具体情况设置。

步骤S206、根据智能分流模型的预测结果，将用户诉求分流到对应的外包公司；

将用户诉求分流至预测结果中确定的外包公司，完成分流过程完成，或者所述预测结果仅是一个参考，在现实中也可综合其他因素，例如有的外包公司可能优先级不是最高的，但排序也比较靠前，同时该公司与该用户同属一个地区，考虑到方言等因素，也可以将该用户诉求派发至该公司处理。

本申请实施例三还提出了一种分流设备，如图4所示，包括：

接收模块41，用于接收用户请求；

判断模块42，用于基于所述用户请求的内容判断用户问题的类型；

预测模块43，用于基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；

分流模块44，用于基于所述分流预测的结果，将所述用户请求分流至相应的处理对象。

所述判断模块，具体包括：

接收所述用户请求，获得语音形式的用户问题描述；

将所述语音形式的用户问题描述转化成文本形式的用户问题描述；

对所述文本形式的用户问题描述进行修正；

识别修正后的文本形式的用户问题描述，确定用户问题的类型。

所述预测模块，具体包括：

基于所述用户问题的类型，确定备选处理对象；

对所述备选处理对象进行优先级排序；

基于所述优先级排序结果确定所述分流预测结果；

所述预测模块对所述备选处理对象进行优先级排序，具体包括：

基于计算得出的优先级参数对所述备选处理对象进行优先级排序；

其中，所述优先级参数为

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T);$

其中，S为所述处理对象在当前时刻之后的一段预设时间内处理用户请求的能力的量化值；C为当前时刻之前的一段预设时间内所述处理对象接收用户请求的数量；R为所述处理对象的待处理用户请求的数量；N为所述处理对象中处理单元的数量；F为所述处理对象中空闲处理单元的数量；T为所述处理对象当前已接收用户请求的数量；P为所述处理对象接收用户请求的预估量；α、β、γ、δ为参数。

所述参数的确定方式，具体为：

通过预设确定；和/或,

通过监督学习的过程确定；和/或，

通过自适应学习的过程确定。

与现有技术相比，本申请实现了快速且精准的分流，提高了处理对象的处理效率，分流过程智能化，节省了大量人力资源，避免了人为操作的失误，降低线上故障风险，且本发明不仅根据处理对象能不能处理用户请求来分流，还根据外包公司能不能处理好用户请求来分流，提高了用户体验，增强了用户对公司的信任感。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种分流方法，其特征在于，该方法包括以下步骤：

接收用户请求；

基于所述用户请求的内容判断用户问题的类型；

基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；

基于所述分流预测的结果，将所述用户请求分流至相应的处理对象。

2.如权利要求1所述的方法，其特征在于，所述基于所述用户请求的内容判断用户问题的类型，具体包括：

接收所述用户请求，获得语音形式的用户问题描述；

将所述语音形式的用户问题描述转化成文本形式的用户问题描述；

对所述文本形式的用户问题描述进行修正；

识别修正后的文本形式的用户问题描述，确定用户问题的类型。

3.如权利要求1所述的方法，其特征在于，所述基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测，具体包括：

基于所述用户问题的类型，确定备选处理对象；

对所述备选处理对象进行优先级排序；

基于所述优先级排序结果确定所述分流预测结果；

4.如权利要求3所述的方法，其特征在于，所述对所述备选处理对象进行优先级排序，具体包括：

基于计算得出的优先级参数对所述备选处理对象进行优先级排序；

其中，所述优先级参数为

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T);$

其中，S为所述处理对象在当前时刻之后的一段预设时间内处理用户请求的能力的量化值；C为当前时刻之前的一段预设时间内所述处理对象接收用户请求的数量；R为所述处理对象的待处理用户请求的数量；N为所述处理对象中处理单元的数量；F为所述处理对象中空闲处理单元的数量；T为所述处理对象当前已接收用户请求的数量；P为所述处理对象接收用户请求的预估量；α、β、γ、δ为参数。

5.如权利要求4所述的方法，其特征在于，所述参数的确定方式，具体为：

通过预设确定；和/或,

通过监督学习的过程确定；和/或，

通过自适应学习的过程确定。

6.一种分流设备，其特征在于，包括：

接收模块，用于接收用户请求；

判断模块，用于基于所述用户请求的内容判断用户问题的类型；

预测模块，用于基于所述用户问题的类型和分流模型，对所述用户请求进行分流预测；

分流模块，用于基于所述分流预测的结果，将所述用户请求分流至相应的处理对象。

7.如权利要求1所述的设备，其特征在于，所述判断模块，具体包括：

接收所述用户请求，获得语音形式的用户问题描述；

将所述语音形式的用户问题描述转化成文本形式的用户问题描述；

对所述文本形式的用户问题描述进行修正；

识别修正后的文本形式的用户问题描述，确定用户问题的类型。

8.如权利要求1所述的设备，其特征在于，所述预测模块，具体包括：

基于所述用户问题的类型，确定备选处理对象；

对所述备选处理对象进行优先级排序；

基于所述优先级排序结果确定所述分流预测结果；

9.如权利要求3所述的设备，其特征在于，所述预测模块对所述备选处理对象进行优先级排序，具体包括：

基于计算得出的优先级参数对所述备选处理对象进行优先级排序；

其中，所述优先级参数为

$X=\ln S+\mathrm{\δ}ln(P-T)=\mathrm{\α}ln\frac{N}{C}+\mathrm{\β}ln\frac{1}{R}+\mathrm{\γ}\ln F+\mathrm{\δ}ln(P-T),(P>T);$

其中，S为所述处理对象在当前时刻之后的一段预设时间内处理用户请求的能力的量化值；C为当前时刻之前的一段预设时间内所述处理对象接收用户请求的数量；R为所述处理对象的待处理用户请求的数量；N为所述处理对象中处理单元的数量；F为所述处理对象中空闲处理单元的数量；T为所述处理对象当前已接收用户请求的数量；P为所述处理对象接收用户请求的预估量；α、β、γ、δ为参数。

10.如权利要求4所述的设备，其特征在于，所述参数的确定方式，具体为：

通过预设确定；和/或,

通过监督学习的过程确定；和/或，

通过自适应学习的过程确定。