具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种在接收到用户的服务来电时,根据本次来电的来电号码,计算用户来电咨询某个与该来电号码存在业务关联的账户的概率值,并将该概率值向客服人员输出,以供客服人员查看,为客服人员服务用户提供便利的技术方案。
在上述技术方案中,可以在接收到用户的服务来电时,根据本次来电的来电号码,自动识别用户本次来电可能会咨询的账户,并计算用户本次来电咨询各个账户的概率值。后续,可以基于计算得到的概率值,向客服人员输出账户识别结果,以供客服人员查看,从而使用户不再需要自行输入需要咨询的账户。采用这种方式,可以提高用户体验,同时可以提高识别效率和成功率。
相关技术中,为了识别用户本次来电会咨询的账户,通常可以由用户自行通过按键键盘输入与需要咨询的账户对应的账户名或身份证号码等,或者由用户通过语音输入与需要咨询的账户对应的账户名或身份证号码等。但在实际应用中,一部分账户的账户名往往是包括英文和符号的邮箱等,而并非仅有数字组成,难以通过按键键盘输入,用户体验较差。另一方面,语音输入方式往往受限于通话环境的背景噪音、通话者的口音和多样化的描述方式等条件,识别效率和成功率都会受到影响。
为了解决上述问题,本说明书提供一种账户识别方法和装置、电子设备。
请参考图1,图1为本说明书一示例性实施例示出的一种账户识别方法的流程图。该方法可以应用于客服***中的电子设备,包括如下步骤:
步骤102,当接收到用户的服务来电时,确定所述来电的来电号码;其中,所述来电号码与至少一个候选账户存在业务关联,。
步骤104,基于所述候选账户在所述来电时刻之前的预设时长内的业务数据提取特征数据;其中,所述特征数据与所述用户来电咨询所述候选账户的用户行为相关。
步骤106,将提取出的所述特征数据输入机器学习模型进行计算,得到所述候选账户为所述来电咨询的目标账户的概率值,并基于所述概率值向客服人员输出账户识别结果。
在本实施例中,用户在需要针对其持有的某个账户进行咨询时,可以致电客服进行针对该账户的服务咨询。
客服***中的电子设备在接收到用户服务来电时,首先可以确定此次来电的来电号码。
在示出的一种实施方式中,在确定了上述来电号码后,可以基于该来电号码,在已存储的业务数据中查询与该来电号码存在业务关联的账户,并将查询到的账户确定为候选账户。
举例来说,假设在已存储的业务数据中包含一笔网络购物订单的业务数据,在该网络购物订单中,用户进行支付时所使用的账户为账户1,用户填写的收货人联系方式为号码1,即在这笔业务数据中同时包含账户1和号码1,则后续在接收到用户服务来电时,如果确定该来电的来电号码为号码1,则可以将账户1确定为与该来电号码存在业务关联的候选账户。
在前述步骤102中确定了上述来电的来电号码,并由此确定了与该来电号码存在业务关联的候选账户后,可以获取该候选账户在上述来电的来电时刻(即接收到该来电的时刻)之前的预设时长内的业务数据,并基于获取到的业务数据提取特征数据。
举例来说,假设接收到用户服务来电的时刻为8月18日下午3:25,技术人员预先设置的提取特征数据的时长为48小时,则在确定了与此次来电的来电号码存在业务关联的候选账户后,可以获取该候选账户从8月16日下午3:25至8月18日下午3:25这一时间段内的业务数据,并基于获取到的业务数据提取特征数据。
需要说明的是,针对上述候选账户提取的特征数据是与用户来电咨询该候选账户的用户行为相关的。
在示出的一种实施方式中,请参考图2,可以采用如下步骤实现基于上述候选账户在上述来电时刻之前的预设时长内的业务数据提取特征数据:
步骤202,基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,计算所述候选账户与所述来电号码之间的关联度评分;其中,所述关联度评分表征所述候选账户与所述来电号码之间的关联程度。
步骤204,基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,计算与所述候选账户对应的咨询度评分;其中,所述咨询度评分表征所述用户来电咨询所述候选账户的概率。
需要说明的是,步骤202与204之间没有明确的时序关系,这两个步骤可以同时执行,也可以先执行步骤202再执行步骤204,或者可以先执行步骤204再执行步骤202,本说明书对此不作限制。
一方面,在获取到上述候选账户在上述来电时刻之前的预设时长内的业务数据后,可以基于这些业务数据,计算该候选账户与上述来电号码之间的关联度评分。其中,该关联度评分可以用于表征该候选账户与该来电号码之间的关联程度。
在示出的一种实施方式中,在获取到上述业务数据后,可以基于这些业务数据,统计上述候选账户与上述来电号码之间的关联度评估指标。
需要说明的是,该关联度评估指标可以由技术人员预先设置,可以包括以下指标中的一个或者多个的组合:
该候选账户和该来电号码出现在同一笔业务数据中的次数;
该候选账户和该来电号码出现在同一笔业务数据中的时刻与下次该候选账户和该来电号码下次出现在同一笔业务数据中的时刻之间的时间间隔;
同时包含该候选账户和该来电号码的业务数据中的业务数额。
举例来说,假设确定的上述来电号码为号码1,确定的与该来电号码存在业务关联的候选账户为账户1,进一步假设在已存储的业务数据中包含一笔网络购物订单的业务数据,在该网络购物订单中,用户进行支付时所使用的账户为账户1,用户填写的收货人联系方式为号码1,则可以视为该候选账户(账户1)和该来电号码(号码1)出现在同一笔业务数据中,即这笔业务数据同时包含该候选账户和该来电号码。
在另一个例子中,假设确定的上述来电号码为号码1,确定的与该来电号码存在业务关联的候选账户为账户1。在实际应用中,可以在已存储的业务数据中按照时间先后顺序查询同时包含该候选账户(账户1)和该来电号码(号码1)的业务数据。假设本次查询到一笔机票预订订单的业务数据,在该机票预订订单中,用户进行支付时所使用的账户为账户1,用户填写的紧急联系人号码为号码1,且该机票预订订单中的支付时刻为8月20日上午10:15,则可以视为该候选账户和该来电号码在8月20日上午10:15这一时刻出现在同一笔业务数据中;进一步假设下次查询到一笔网络购物订单的业务数据,在该网络购物订单中,用户进行支付时所使用的账户为账户1,用户填写的收货人联系方式为号码1,且该网络购物订单中的支付时刻为8月20日上午10:45,则可以视为该候选账户和该来电号码在8月20日上午10:45这一时刻出现在同一笔业务数据中。在这种情况下,可以将30分钟这一时间间隔确定为该候选账户和该来电号码出现在同一笔业务数据中的时刻与下次该候选账户和该来电号码下次出现在同一笔业务数据中的时刻之间的时间间隔之一。
在另一个例子中,假设确定的上述来电号码为号码1,确定的与该来电号码存在业务关联的候选账户为账户1,进一步假设在已存储的业务数据中包含一笔话费充值订单的业务数据,在该话费充值订单中,用户进行支付时所使用的账户为账户1,用户填写的话费充值号码为号码1,且话费充值数额为200,则可以将200确定为同时包含该候选账户(账户1)和该来电号码(号码1)的业务数据中的业务数额之一。
在统计得到了该候选账户与该来电号码之间的关联度评估指标后,可以针对得到的这些关联度评估指标进行评估计算,得到该候选账户与该来电号码之间的关联度评分。
在示出的一种实施方式中,可以基于预设的评分规则或评分卡模型,针对得到的这些关联度评估指标进行评估计算,得到该候选账户与该来电号码之间的关联度评分。
在实际应用中,如果该候选账户和该来电号码出现在同一笔业务数据中的次数较多,则可以说明用户最近使用该候选账户的频率较高,用户来电咨询该候选账户的可能性较大,因此可以为该候选账户与该来电号码设置较高的关联度评分。
如果该候选账户和该来电号码出现在同一笔业务数据中的时刻与下次该候选账户和该来电号码下次出现在同一笔业务数据中的时刻之间的时间间隔较短,则也可以说明用户最近使用该候选账户的频率较高,用户来电咨询该候选账户的可能性较大,因此可以为该候选账户与该来电号码设置较高的关联度评分。
如果同时包含该候选账户和该来电号码的业务数据中的业务数额较大,则可以说明用户最近使用该候选账户处理的业务较为重要,用户来电咨询该候选账户的可能性较大,因此可以为该候选账户与该来电号码设置较高的关联度评分。
另一方面,在获取到上述候选账户在上述来电时刻之前的预设时长内的业务数据后,可以基于这些业务数据,计算与该候选账户对应的咨询度评分。其中,该咨询度评分可以用于表征用户来电咨询该候选账户的概率。
在示出的一种实施方式中,在获取到这些业务数据后,可以基于这些业务数据,统计用户针对上述候选账户的用户风险行为。其中,用户风险行为与用户来电咨询该候选账户的用户行为相关。
举例来说,用户风险行为可以包括用户登录该候选账户时错误输入登录密码的次数达到账户锁定阈值的行为;或者,用户风险行为也可以包括用户使用该候选账户进行支付时支付数额超过常用数额阈值的行为等。
在统计得到了用户针对该候选账户的用户风险行为后,可以针对得到的这些用户风险行为进行评估计算,得到与该候选账户对应的咨询度评分。
在示出的一种实施方式中,可以基于预设的评分规则,针对得到的这些用户风险行为进行评估计算,得到与该候选账户对应的咨询度评分。
在实际应用中,如果用户登录该候选账户时错误输入登录密码的次数达到账户锁定阈值,则可以说明用户可能需要来电咨询对该候选账户进行解锁,因此可以为该候选账户设置较高的咨询度评分。
在示出的一种实施方式中,在获取到这些业务数据后,可以基于这些业务数据,统计用户针对上述候选账户的来电咨询行为相关的行为指标。
需要说明的是,该行为指标可以由技术人员预先设置,可以包括以下指标中的一个或者多个的组合:
用户针对该候选账户进行来电咨询的次数;
用户针对该候选账户进行来电咨询的时刻与下次用户针对该候选账户进行来电咨询的时刻之间的时间间隔。
举例来说,假设确定的上述来电号码为号码1,确定的与该来电号码存在业务关联的候选账户为账户1,进一步假设某次用户使用号码1进行来电咨询账户1,且来电咨询的时刻为8月20日上午10:15;并假设下次用户使用号码1进行来电咨询账户1,且来电咨询的时刻为8月20日上午10:45,则可以将30分钟这一时间间隔确定为用户针对该候选账户进行来电咨询的时刻与下次用户针对该候选账户进行来电咨询的时刻之间的时间间隔之一。
在统计得到了用户针对该候选账户的来电咨询行为相关的行为指标后,可以针对得到的这些行为指标进行评估计算,得到与该候选账户对应的咨询度评分。
在示出的一种实施方式中,可以基于预设的评分规则,针对得到的这些行为指标进行评估计算,得到与该候选账户对应的咨询度评分。
在实际应用中,如果用户针对该候选账户进行来电咨询的次数较多,则可以认为用户来电咨询该候选账户的可能性较大,因此可以为该候选账户设置较高的咨询度评分。
如果用户针对该候选账户进行来电咨询的时刻与下次用户针对该候选账户进行来电咨询的时刻之间的时间间隔较短,则也可以认为用户来电咨询该候选账户的可能性较大,因此可以为该候选账户设置较高的咨询度评分。
在前述步骤104中提取得到了上述候选账户的特征数据后,可以将提取出的特征数据输入机器学习模型进行计算,得到该候选账户为用户本次来电咨询的目标账户的概率值,并基于所述概率值向客服人员输出账户识别结果。
举例来说,针对某个候选账户,可以直接将该候选账户,以及针对该候选账户计算得到的概率值向客服人员输出,从而使客服人员可以直接查看到该候选账户为用户本次来电咨询的目标账户的概率值。
或者,可以预先设置多个表征不同的账户识别结果的概率区间,例如:可以将概率区间[0,0.3)设置为表征用户本次来电咨询该候选账户的可能性较低的概率区间,将概率区间[0.3,0.7)设置为表征用户本次来电咨询该候选账户的可能性中等的概率区间,将概率区间[0.7,1]设置为表征用户本次来电咨询该候选账户的可能性较高的概率区间。在计算得到某个候选账户为用户本次来电咨询的目标账户的概率值后,可以确定该概率值所属的概率区间,从而可以将该候选账户,以及用户本次来电咨询该候选账户的可能性的高低程度向客服人员输出,以供客服人员查看。
在示出的一种实施方式中,请参考图3,上述机器学习模型可以选用二分类模型。进一步地,可以采用如下步骤对该机器学习模型进行训练:
步骤302,将与所述来电号码存在业务关联的候选账户添加至候选账户集合,并对所述候选账户集合中的候选账户进行标记;其中,由用户进行来电咨询的候选账户被标记为1,未由用户进行来电咨询的候选账户被标记为0。
步骤304,基于标记后的所述候选账户集合,以及所述候选账户集合中的各个候选账户对应的特征数据确定样本,并将所述样本输入所述机器学习模型进行训练。
为了对上述机器学习模型进行训练,首先需要确定训练样本。具体地,可以获取所有与上述来电号码存在业务关联的候选账户,并将获取到的这些候选账户添加至同一个候选账户集合。另一方面,可以分别对获取到的各个候选账户(即该候选账户集合中的各个候选账户)进行标记。在实际应用中,可以基于历史咨询数据,将此前用户已经来电咨询过的候选账户标记为1,而将此前用户没有来电咨询过的候选账户标记为0。需要说明的是,标记过程可以由技术人员完成,也可以由设备自行完成。
此外,还可以基于该候选账户集合中的各个候选账户在所述来电时刻之前的预设时长内的业务数据提取特征数据,提取特征数据的具体方法可以参考前述步骤102的描述,本说明书在此不再赘述。
在完成对该候选账户集合中的各个候选账户的标记,以及该候选账户集合中的各个候选账户对应的特征数据的提取后,可以基于标记后的该候选账户集合,以及该候选账户集合中的各个候选账户对应的特征数据确定训练样本,并将确定的该训练样本输入上述机器学习模型,以对该机器学习模型进行训练,即基于该候选账户集合中的各个候选账户的标记和对应的特征数据对该机器学习模型进行训练。
在完成对该机器学习模型的训练后,即可将训练好的机器学习模型用于后续的候选账户为来电咨询的目标账户的概率值的计算。
在示出的一种实施方式中,为了向客服人员输出更为全面的来电咨询信息,可以取所有与上述来电号码存在业务关联的候选账户,并将获取到的这些候选账户添加至同一个候选账户集合。
在这种情况下,可以分别针对该候选账户集合中的各个候选账户,计算该候选账户为用户本次来电咨询的目标账户的概率值。
后续,可以按照计算得到的概率值从大到小的顺序,将该候选账户集合中的所有候选账户进行排序,并将排序结果输向客服人员输出,从而便于客服人员查看用户本次来电最有可能咨询的候选账户。
当然,也可以从排在首位的候选账户开始,依次将排序结果中预设数量的候选账户向客服人员输出,以供客服人员查看。本说明书对此不作限制。
在上述技术方案中,可以在接收到用户的服务来电时,根据本次来电的来电号码,自动识别用户本次来电可能会咨询的账户,并计算用户本次来电咨询各个账户的概率值。后续,可以基于计算得到的概率值,向客服人员输出账户识别结果,以供客服人员查看,从而使用户不再需要自行输入需要咨询的账户。采用这种方式,可以提高用户体验,同时可以提高识别效率和成功率。
与前述账户识别方法的实施例相对应,本说明书还提供了账户识别装置的实施例。
本说明书账户识别装置的实施例可以应用在客服***中的电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本说明书账户识别装置所在电子设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该账户识别的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图5,图5为本说明书一示例性实施例示出的一种账户识别装置的框图。该装置500可以应用于图4所示的电子设备,包括:
确定模块501,用于当接收到用户的服务来电时,确定所述来电的来电号码;其中,所述来电号码与至少一个候选账户存在业务关联;
提取模块502,用于基于所述候选账户在所述来电时刻之前的预设时长内的业务数据提取特征数据;其中,所述特征数据与所述用户来电咨询所述候选账户的用户行为相关;
计算模块503,用于将提取出的所述特征数据输入机器学习模型进行计算,得到所述候选账户为所述来电咨询的目标账户的概率值,并基于所述概率值向客服人员输出账户识别结果。
在本实施例中,所述提取模块502具体可以用于:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,计算所述候选账户与所述来电号码之间的关联度评分;其中,所述关联度评分表征所述候选账户与所述来电号码之间的关联程度;
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,计算与所述候选账户对应的咨询度评分;其中,所述咨询度评分表征所述用户来电咨询所述候选账户的概率。
在本实施例中,所述提取模块502具体可以用于:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,统计所述候选账户与所述来电号码之间的预设的关联度评估指标;
针对所述评估指标进行评估计算得到所述关联度评分;
其中,所述关联度评估指标包括以下指标中的一个或者多个的组合:
所述候选账户和所述来电号码出现在同一笔业务数据中的次数;
所述候选账户和所述来电号码出现在同一笔业务数据中的时刻与下次所述候选账户和所述来电号码下次出现在同一笔业务数据中的时刻之间的时间间隔;
同时包含所述候选账户和所述来电号码的业务数据中的业务数额。
在本实施例中,所述提取模块502具体可以用于:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,统计所述用户针对所述候选账户的用户风险行为;其中,用户风险行为与所述用户来电咨询所述候选账户的用户行为相关;
针对所述用户风险行为进行评估计算得到所述咨询度评分。
在本实施例中,所述用户风险行为可以包括:
所述用户登录所述候选账户时错误输入登录密码的次数达到账户锁定阈值的行为。
在本实施例中,所述提取模块502具体可以用于:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,统计所述用户针对所述候选账户的来电咨询行为相关的行为指标;
针对所述行为指标进行评估计算得到所述咨询度评分;
其中,所述行为指标包括以下指标中的一个或者多个的组合:
所述用户针对所述候选账户进行来电咨询的次数;
所述用户针对所述候选账户进行来电咨询的时刻与下次所述用户针对所述候选账户进行来电咨询的时刻之间的时间间隔。
在本实施例中,所述机器学习模型可以为二分类模型;
所述装置500还可以包括:
标记模块504,用于将与所述来电号码存在业务关联的候选账户添加至候选账户集合,并对所述候选账户集合中的候选账户进行标记;其中,由用户进行来电咨询的候选账户被标记为1,未由用户进行来电咨询的候选账户被标记为0;
训练模块505,用于基于标记后的所述候选账户集合,以及所述候选账户集合中的各个候选账户对应的特征数据确定样本,并将所述样本输入所述机器学习模型进行训练。
在本实施例中,所述装置500还可以包括:
添加模块506,用于将与所述来电号码存在业务关联的候选账户添加至候选账户集合;
排序模块507,用于基于所述候选账户集合中的各个候选账户为所述来电咨询的目标账户的概率值,对所述各个候选账户进行排序,并将排序结果向所述客服人员输出。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的***、装置、模块或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与前述账户识别方法的实施例相对应,本说明书还提供了一种电子设备的实施例。该电子设备包括:处理器以及用于存储机器可执行指令的存储器;其中,处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中,所述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器被促使:
当接收到用户的服务来电时,确定所述来电的来电号码;其中,所述来电号码与至少一个候选账户存在业务关联;
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据提取特征数据;其中,所述特征数据与所述用户来电咨询所述候选账户的用户行为相关;
将提取出的所述特征数据输入机器学习模型进行计算,得到所述候选账户为所述来电咨询的目标账户的概率值,并基于所述概率值向客服人员输出账户识别结果。
在本实施例中,通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,计算所述候选账户与所述来电号码之间的关联度评分;其中,所述关联度评分表征所述候选账户与所述来电号码之间的关联程度;
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,计算与所述候选账户对应的咨询度评分;其中,所述咨询度评分表征所述用户来电咨询所述候选账户的概率。
在本实施例中,通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,统计所述候选账户与所述来电号码之间的预设的关联度评估指标;
针对所述评估指标进行评估计算得到所述关联度评分;
其中,所述关联度评估指标包括以下指标中的一个或者多个的组合:
所述候选账户和所述来电号码出现在同一笔业务数据中的次数;
所述候选账户和所述来电号码出现在同一笔业务数据中的时刻与下次所述候选账户和所述来电号码下次出现在同一笔业务数据中的时刻之间的时间间隔;
同时包含所述候选账户和所述来电号码的业务数据中的业务数额。
在本实施例中,通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,统计所述用户针对所述候选账户的用户风险行为;其中,用户风险行为与所述用户来电咨询所述候选账户的用户行为相关;
针对所述用户风险行为进行评估计算得到所述咨询度评分。
在本实施例中,所述用户风险行为包括:
所述用户登录所述候选账户时错误输入登录密码的次数达到账户锁定阈值的行为。
在本实施例中,通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器被促使:
基于所述候选账户在所述来电时刻之前的预设时长内的业务数据,统计所述用户针对所述候选账户的来电咨询行为相关的行为指标;
针对所述行为指标进行评估计算得到所述咨询度评分;
其中,所述行为指标包括以下指标中的一个或者多个的组合:
所述用户针对所述候选账户进行来电咨询的次数;
所述用户针对所述候选账户进行来电咨询的时刻与下次所述用户针对所述候选账户进行来电咨询的时刻之间的时间间隔。
在本实施例中,所述机器学习模型为二分类模型;
通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器还被促使:
将与所述来电号码存在业务关联的候选账户添加至候选账户集合,并对所述候选账户集合中的候选账户进行标记;其中,由用户进行来电咨询的候选账户被标记为1,未由用户进行来电咨询的候选账户被标记为0;
基于标记后的所述候选账户集合,以及所述候选账户集合中的各个候选账户对应的特征数据确定样本,并将所述样本输入所述机器学习模型进行训练。
通过读取并执行所述存储器存储的与用户注册的控制逻辑对应的机器可执行指令,所述处理器还被促使:
将与所述来电号码存在业务关联的候选账户添加至候选账户集合;
基于所述候选账户集合中的各个候选账户为所述来电咨询的目标账户的概率值,对所述各个候选账户进行排序,并将排序结果向所述客服人员输出。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。