CN110322093B - 信息处理方法、信息显示方法、装置及计算设备 - Google Patents
信息处理方法、信息显示方法、装置及计算设备 Download PDFInfo
- Publication number
- CN110322093B CN110322093B CN201810296604.3A CN201810296604A CN110322093B CN 110322093 B CN110322093 B CN 110322093B CN 201810296604 A CN201810296604 A CN 201810296604A CN 110322093 B CN110322093 B CN 110322093B
- Authority
- CN
- China
- Prior art keywords
- target event
- data
- attribute
- processing
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000010365 information processing Effects 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 399
- 238000012549 training Methods 0.000 claims abstract description 103
- 238000002372 labelling Methods 0.000 claims description 38
- 230000000977 initiatory effect Effects 0.000 claims description 21
- 230000001960 triggered effect Effects 0.000 claims description 13
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种信息处理方法、模型训练方法、信息显示方法、装置、计算设备及电子设备,本申请实施例中,获取待处理目标事件的相关业务数据;确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;按照所述目标处理方式处理所述待处理目标事件。本申请实施例提高了事件处理的效率及准确度。
Description
技术领域
本申请实施例涉及计算机应用技术领域,尤其涉及一种信息处理方法、一种模型训练方法、一种信息显示方法、一种信息处理装置、一种模型训练装置、一种信息显示装置、一种计算设备及一种电子设备。
背景技术
在业务处理***运行过程中,会发生很多事件需要进行处理,这些事件可能是由于用户请求或***运行导致的,目前很多事件处理往往需要人工干预执行。
例如业务处理***为电子交易***时,针对交易订单,存在售后请求事件,目前对售后请求事件的判断以及处理,往往是由专职的售后人员凭借自身经验执行,效率低、准确度也不高。
发明内容
本申请实施例提供一种信息处理方法、信息显示方法、装置及计算设备,用以解决现有技术中事件处理效率低且准确度低的技术问题。
第一方面,本申请实施例中提供了一种信息处理方法,包括:
获取待处理目标事件的相关业务数据;
确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
按照所述目标处理方式处理所述待处理目标事件
第二方面,本申请实施例中提供了一种信息处理方法,包括:
获取样本业务数据及其对应的样本处理方式;
将所述样本业务数据及其对应的样本处理方式作为训练样本;
利用所述训练样本训练获得业务模型。
第三方面,本申请实施例中提供了一种信息显示方法,包括:
获取待处理目标事件的处理提示信息;其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;
显示所述处理提示信息。
第四方面,本申请实施例中提供了一种信息处理装置,包括:
数据获取模块,用于获取待处理目标事件的相关业务数据;
模型确定模块,用于确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
方式确定模块,用于基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
处理模块,用于按照所述目标处理方式处理所述待处理目标事件。
第五方面,本申请实施例中提供了一种模型训练装置,包括:
样本获取模块,用于获取样本业务数据及其对应的样本处理方式;将所述样本业务数据及其对应的样本处理方式作为训练样本;
模型训练模块,用于利用所述训练样本训练获得业务模型。
第六方面,本申请实施例中提供了一种信息显示装置,提供一显示界面,用以显示待处理目标事件的处理提示信息;
其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得。
第七方面,本申请实施例中提供了一种计算设备,包括存储组件以及处理组件;
其中,所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
获取待处理目标事件的相关业务数据;
确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
按照所述目标处理方式处理所述待处理目标事件。
第八方面,本申请实施例中提供了一种计算设备,包括存储组件以及处理组件;
其中,所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
获取样本业务数据及其对应的样本处理方式;
将所述样本业务数据及其对应的样本处理方式作为训练样本;
利用所述训练样本训练获得业务模型。
第九方面,本申请实施例中提供了一种电子设备,包括存储组件、显示组件以及处理组件;
其中,所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
获取待处理目标事件的处理提示信息;其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;
通过所述显示组件提供一显示界面,以显示待处理目标事件的处理提示信息。
本申请实施例中,对于待处理目标事件可以获取其相关业务数据,基于该相关业务数据利用业务模型可以获得该待处理目标事件的目标处理方式;其中业务模块基于样本业务数据以及样本处理方式训练获得,从而即可以按照该目标处理方式处理该待处理目标事件,本申请实施例中,可以自动确定针对待处理目标事件的目标处理方式,无需人工凭借经验决定,因此处理准确度更高,可以提高处理效率。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请提供的一种信息处理方法一个实施例的流程图;
图2示出了本申请提供的一种模型训练方法一个实施例的流程图;
图3示出了本申请提供的一种模型训练方法又一个实施例的流程图;
图4示出了本申请提供的一种信息处理方法又一个实施例的流程图;
图5示出了本申请实施例在一个实际应用中的类目树示意图;
图6示出了本申请实施例在一个实际应用中的信息处理示意图;
图7示出了本申请提供的一种信息处理***一个实施例的结构示意图;
图8示出了本申请提供的一种信息处理装置一个实施例的结构示意图;
图9示出了本申请提供的一种模型训练装置一个实施例的结构示意图;
图10示出了本申请提供的一种计算设备一个实施例的结构示意图;
图11示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图12示出了本申请提供的一种计算设备又一个实施例的结构示意图;
图13示出了本申请提供的一种电子设备一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本申请实施例的技术方案可以应用于各种业务处理***中,例如电子交易***中,本申请实施例中的事件可以是由用户触发或者***触发的,比如电子交易***针对交易订单的售后请求事件,即为用户触发的。
目前业务处理***中,很多事件的处理需要人工干预执行,例如对于售后请求事件的处理,需要客服人员基于售后请求的对象、售后诉求、申请售后原因等相关信息,凭借个人经验决定对该售后请求事件的处理方式,再触发业务处理***执行,不仅需要投入大量人力,且事件的处理效率以及处理准确度等都会受到影响。
为了解决事件处理效率低以及准确度的技术问题,发明人经过一系列研究提出了本申请的技术方案,在本申请实施例中,对于待处理目标事件可以获取其相关业务数据,基于该相关业务数据利用业务模型可以获得该待处理目标事件的目标处理方式;其中业务模块基于样本业务数据以及样本处理方式训练获得,从而即可以按照该目标处理方式处理该待处理目标事件,本申请实施例中,可以自动确定针对待处理目标事件的目标处理方式,无需人工凭借经验决定,因此处理准确度更高,可以提高处理效率。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种信息处理方法一个实施例的流程图,该方法可以包括以下几个步骤:
101:获取待处理目标事件的相关业务数据。
其中,相关业务数据可以用于表示目标事件的特征。
可选地,该相关业务数据可以对应至少一个特征属性,也即该待处理目标事件具有一个特征属性,该相关业务数据可以包括该至少一个特征属性的属性数据。
每一个目标事件可以对应一个事件对象,对目标事件的处理可以具体是对事件对象的处理。因此该至少一个特征属性可以包括该事件对象的相关信息,例如对象名称、对象类别等;如果目标事件由用户触发产生,还可以包括请求相关信息,例如请求原因、请求发起时间、处理诉求等;还可以包括发起用户的相关信息;如果目标事件的处理需要人工干预执行,还可以包括处理用户的相关信息等。
通过目标事件的相关业务数据可以准确代表该目标事件。
102:确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型。
其中,每一个样本业务数据对应所述至少一个特征属性。
样本处理方式可以包括多种,每一个样本业务数据可以对应一种样本处理方式,每一个样本业务数据及其对应的样本处理方式即作为一个训练样本,用来训练业务模型。
可选地,可以具体是将样本业务数据作为输入特征、样本业务数据对应的样本处理方式作为输出特征训练该业务模型。
该业务模型例如可以为DNN、MLP、决策树、随机森林、朴素贝叶斯、逻辑回归、SVM、KNN、PCA或者强化学习算法(如DQN)等算法模型。可以结合实际应用情况进行选择。
103:基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式。
通过该业务模型可以对目标事件的处理方式进行分类,从而已知目标事件的相关业务数据,即可以预测其对应的处理方式。因此,本申请实施例中,利用业务模型即可以获得该待处理目标事件的目标处理方式。
104:按照所述目标处理方式处理所述待处理目标事件。
其中,按照所述目标处理方式处理所述待处理目标事件可以有多种可能的实现方式,在下面实施例中会进行详细介绍。
本实施例中,利用样本业务数据以及样本处理方式训练获得业务模型,可以快速确定针对待处理目标事件目标处理方式,无需人工凭借主观经验进行决定,可以提高处理效率,提高处理准确度。
其中,业务模型可以预先训练获得,如图2所述,为本申请实施例提供的一种模型训练方法一个实施例的流程图,该方法可以包括以下几个步骤:
201:获取样本业务数据及其对应的样本处理方式。
202:将所述样本业务数据及其对应的样本处理方式作为训练样本。
203:利用所述训练样本训练获得业务模型。
其中,每一个样本业务数据可以对应至少一个特征属性。
样本处理方式可以包括多种,每一个样本业务数据可以对应一种样本处理方式,每一个样本业务数据及其对应的样本处理方式即作为一个训练样本,用来训练业务模型。
可选地,可以具体是将每一个训练样本中的样本业务数据作为输入特征、样本业务数据对应的样本处理方式作为输出特征训练该业务模型。
该业务模型例如可以为DNN、MLP、决策树、随机森林、朴素贝叶斯、逻辑回归、SVM、KNN、PCA或者强化学习算法(如DQN)等算法模型。可以结合实际应用情况进行选择。
训练获得的业务模型即用于基于待处理目标事件的相关业务数据,获得所述待处理目标事件的目标处理方式,使得可以快速确定针对待处理目标事件目标处理方式,无需人工凭借主观经验进行决定,可以提高处理效率,提高处理准确度。
其中,样本业务数据以及样本处理方式可以预先配置。
此外,作为又一个实施例,该样本业务数据可以为历史目标事件的相关业务数据,该样本处理方式可以即为针对历史目标事件的历史处理方式。
因此,如图3所示,为本申请实施例提供的一种模型训练方法又一个实施例的流程图,该方法可以包括以下几个步骤:
301:确定多个历史目标事件。
可选地,为了保证业务模型的有效性,该多个历史目标事件可以选择预设时间段内发生的历史目标事件。
此外,为了提高准确度,还可以是从历史记录中筛选满足训练要求的多个历史目标事件,该训练要求例如事件处理评分大于预设分数等,该事件处理评分可以由触发目标事件的发起用户提供。
302:将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本。
每个历史目标事件的相关业务数据即作为样本业务数据,每个历史目标事件的历史处理方式即作为样本处理方式。
从而也即可以额将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本。
303:利用所述训练样本训练获得业务模型。
利用多个训练样本,即可以训练获得业务模型。
本实施例中,业务模型基于历史目标事件的相关业务数据以及历史处理方式训练获得,因此可以提高模型准确度。
与图3相对应,本申请实施例还提供一种信息处理方法,如图4中所示,该方法可以包括以下几个步骤:
401:确定多个历史目标事件。
402:将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本。
403:利用所述训练样本训练获得业务模型。
其中,步骤401~步骤403的操作可以参见步骤301~步骤302中所述,其可以预先执行,并不限定于本实施例中的执行顺序。
404:获取待处理目标事件的相关业务数据。
405:基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式。
406:按照所述目标处理方式处理所述待处理目标事件。
待处理目标时间被处理之后,也可以作为历史目标事件参与对业务模型的训练。
本实施例中,业务模型基于历史目标事件的相关业务数据以及历史处理方式训练获得,通过结合历史目标事件的历史处理方式,实现了对当前发生的目标事件的处理方式的预测,使得可以快速确定目标事件的处理方式,进一步提高了处理效率以及处理准确度。
此外,由上文描述可知,目标事件可以具有至少一个特征属性,该相关业务数据对应该至少一个特征属性,可以包括分别对应该至少一个特征属性的属性数据。
因此,在某些实施例中,所述将每个历史目标事件的相关业务数据以及对应的历史处理方式作为训练样本包括:
确定每个历史目标事件对应所述至少一个特征属性的属性数据;
确定每个历史目标事件对应的历史处理方式;
将每个历史目标事件的至少一个特征属性的属性数据以及对应的历史处理方式作为训练样本。
在实际应用中,每一个特征属性通常会对应方便用户理解的文案数据以及方便***执行的***数据,文案数据通常为文字信息,例如假设目标事件具体为售后请求事件,该售后请求事件中的一个特征属性为申请售后原因,该申请售后原因对应的一个文案数据可以为文字信息“七天无理由退换货”,而为了***理解以及执行,其对应的***数据可能为一个编码数据,例如二进制数据“100”,用来代表该文案数据。
因此,在某些实施例中,每个历史目标事件对应所述至少一个特征属性的属性数据可以是指每个历史目标事件对应所述至少一个特征属性的文案数据或者文案数据所对应的***数据。
同理,可以理解的是,不同处理方式也可以采用方便***理解的代码数据进行表示等。例如处理方式可以包括如同意请求,拒绝请求,转交,审批,请求第三方介入等,则也可以采用由数字或字符等构成的唯一标识来表示一种处理方式。
其中,不同历史目标事件对应同一个特征属性的文案数据可能相同也可能不同。
此外,随着业务发展,对于某些特征属性其存在的文案数据可能会包括多种,多种文案数据属于并列关系,在某些情况下,多种文案数据含义相近,但是各自对应的***数据的数据类型或者描述方式可能不同,如果仍采用***数据会对模型训练造成负面影响,影响业务模型的准确度。为了解决这一技术问题:
作为一种可选方式,所述确定每个历史目标事件对应所述至少一个特征属性的属性数据可以包括:
如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;
选择满足聚类要求的至少一个聚类组合分别设置标注数值;
从所述至少一个聚类组合中,确定所述历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;
将所述第一聚类组合对应的标注数值作为所述历史目标事件对应所述任一特征属性的属性数据。
其中,将多种文案数据进行聚类可以将文本含义相似的文案数据组合形成一个聚类组合,从而重新该这些聚类组合设置标注数值。
那么基于历史目标事件对应该任一个特征属性的文案数据,可以确定其所属的第一聚类组合,则将该第一聚类组合的标注数值作为对应该任一个特征属性的属性数据,而不再采用***数据,以避免含义相同描述方式不同的***数据对模型训练造成的影响。
其中,将所述多种文案数据进行聚类获得多个聚类组合可以是:
计算任意两个文案数据之间的文本相似度;
将彼此之间的文本相似度大于设定阈值的至少两个文案数据组合形成一个聚类组合;
从而即可能获得多个聚类组合。
由于采用多个历史目标事件的相关业务数据以及历史处理方式作为训练数据集,因此,任一个特征属性存在的多种文案数据可以具体是指在所述多个历史目标事件中存在的对应所述任一个特征属性的多种文案数据。也即可以是针对所述多个历史目标事件对应所述任一特征属性的多种文案数据进行聚类以获得至少一个聚类组合。
可选地,所述选择满足聚类要求的至少一个聚类组合分别设置标注数值可以包括:
针对所述多个历史目标事件对应所述任一特征属性的多种文案数据,计算每一种文案数据的出现频率;
根据每个聚类组合中每种文案数据的出现频率,计算每个聚类组合对应的总出现频率;
选择组合规模和/或总出现频率满足聚类要求的至少一个聚类组合分别设置标注数值。
其中,每个聚类组合的总出现频率可以为其包含的每种文案数据的出现评论的和值或者平均值等。
其中,组合规模可以是指聚类组合中包含的文案数据的种类数量。
该聚类要求可以为组合规模大于第一预设数量和/或总出现频率大于频率阈值等;
还可以是,组合规模大于第二预设数量,其中第二预设数量大于该第一预设数量,也即如果组合规模非常大,则可以无需考虑总出现频率。
由于某些聚类组合规模较小或者其包含的文案数据出现频率较低,则可以认为不满足聚类要求而去除。
其中,所述获取待处理目标事件对应所述至少一个特征属性的属性数据即可以包括:
从所述至少一个聚类组合中,确定所述待处理目标事件对应所述任一特征属性的文案数据所属的第二聚类组合;
将所述第二聚类组合对应的标注数值作为所述待处理目标事件对应所述任一特征属性的属性数据。
对于不包括所述任一特征属性的其它特征属性的属性数据可以采用待处理目标事件的其它特征属性的文案数据所对应的***数据。
此外,如果至少一个特征属性中包括类别属性,且该类别属性对应有类目体系,其中,类别属性属于类目体系中的最小范围类目。
则在某些实施例中,所述确定每个历史目标事件对应所述至少一个特征属性的属性数据可以包括:
针对所述至少一个特征属性中的类别属性,将所述类别属性对应的类目体系按照层级关系建立类目树;
确定所述类目树中根节点对应的数值区间;
基于每个父节点下的子节点数目,均分每个父节点对应的数值区间以获得每个子节点对应的数值区间;其中不同节点对应的数值区间不同;
从每个叶子节点对应的数值区间中选择一个数值作为每个叶子节点的分类数值;
确定每个历史目标事件的类别属性所在的叶子节点;
将每个历史目标事件的类别属性所在的叶子节点对应的分类数值作为所述类别属性的属性数据。
其中,目标事件中的事件对象类别即为目标事件的一种类别属性。
在实际应用中,为了方便对事件对象进行管理等,通常会对事件对象进行分类,进行分类时通常会按照层次进行,可以划分出大类中类、小类、以及最小范围的细目等。每个事件对象的对象类别即具体是指其所属的细目。
例如,对于售后请求事件,产品类别即为一种类别属性,产品类别对应有类目体系,类目体系通过将产品进行分类获得,例如产品为一件服装,则对服装分类获得的类目体系可以包括:服装、上装、外套等,每一件产品都会对应一个类目体系中的最小范围的类目。
对于其它非对象类别的特征属性,可以采用其文案数据或者***数据作为属性数据参与模型训练。
为了方便理解,如图5所示的类目树,根节点为A,叶子节点包括D、E、F,节点A分别与节点B及节点C互为父子节点,节点B与节点D互为父子节点,节点C分别与节点E及节点F互为父子节点,类目树中的叶子节点即为最小范围的类目。
首先确定根节点A对应的数值区间,假设为0~100。其中,根节点对应的数值区间可以根据类目树中叶子节点的数量确定,最小取值可以为0,最大取值可以为叶子节点数量的10~100倍,其中,本文中所描述的数值区间,可以不包括最小值而包括最大值,例如0~100可以表示大于0而小于等于100。
根节点A具有两个子节点,则按照子节点数量可以将根节点A的数值区间均分为两个数值区间,也即0~50以及50~100,从而节点B的数值区间可以为0~50,节点C的数值区别可以为50~100;
对于节点B具有一个叶子节点D,则该叶子节点的数值区间也即为节点B的数值区间0~50;
对于节点C具有两个叶子节点E以及F,则按照子节点数量可以将节点C的数值区间均分为两个数值区间,也即50~75以及75~100,从而节点E的数值区间可以为50~75,节点F的数值区别可以为75~100。
由于类目树中叶子节点为最小范围的类目,其作为事件对象的对象类别用以对事件对象进行区分。
因此可以为每个叶子节点设定分类值,为了方便数据统计,本实施例中从每个叶子节点对应的数值区间中选择一个数值作为每个叶子节点的分类数值。
可选地,可以是将每个叶子节点对应的数值区间中的中间值作为每个叶子节点的分类数值,如图3中所示,节点D的分类数值即为25,节点E的分类数值为62.5,节点F的分类数值为87.5。
从而基于确定每个历史目标事件中事件对象的对象类别所在的目标叶子节点,即可以将该所述目标叶子节点对应的分类数值作为所述对象类别的属性数据。
可选地,所述获取待处理目标事件对应所述至少一个特征属性的属性数据可以包括:
针对所述至少一个特征属性中的事件对象类别,确定待处理目标事件的事件对象类别所在的叶子节点;
将所述待处理目标事件的事件对象类别所在的叶子节点对应的分类数值作为所述事件对象类别的属性数据。
对于所述至少一个特征属性中的非事件对象类别的其它特征属性,则可以将待处理目标事件对应其它特征属性的文案数据或者***数据作为属性数据,来参与业务模型的训练。
其中,作为一种可选方式,所述按照所述目标处理方式处理所述待处理目标事件可以包括:
生成针对所述目标处理方式的处理提示信息;
发送所述处理提示信息至处理用户;所述处理提示信息用以指导所述处理用户按照所述目标处理方式处理所述待处理目标事件。
也即将处理提示信息发送至处理用户,可以帮助处理用户决定合适的处理方式,而不是全凭借处理用户的个人经验决定,进而可以提高事件处理的准确度以及处理效率。
可选地,所述方法还可以包括:
响应于处理用户针对所述处理提示信息的确认请求,按照所述目标处理方式处理所述待处理目标事件。
其中,发送处理提示信息至处理用户可以具体指将所述处理提示信息发送至处理用户对应的处理客户端,由于处理客户端输出该处理提示信息,以提示处理用户。
作为另一种可选方式,所述按照所述目标处理方式处理所述待处理目标事件可以包括:
基于不同待处理目标事件对应的目标处理方式,筛选目标处理方式相同的多个待处理目标事件;
对目标处理方式相同的所述多个待处理目标事件进行批量处理。
也即对目标处理方式相同的所述多个待处理目标事件可以按照相同的目标处理方式进行批量处理。
可选地,对目标处理方式相同的所述多个待处理目标事件进行批量处理可以包括:
生成针对目标处理方式相同的所述多个待处理目标事件的批量处理信息;
发送所述批量处理信息至处理用户;该批量处理信息用于提示处理用户批量处理所述多个待处理目标事件。
从而响应于处理用户针对所述批量处理信息的确认请求时,对所述多个待处理目标事件按照相同的目标处理方式进行批量处理。
图6为本申请实施例提供的一种信息显示方法一个实施例的流程图,该方法可以包括以下几个步骤:
601:获取待处理目标事件的处理提示信息。
其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;
可选地,可以是在接收到待处理目标事件之后,再获取待处理目标事件的处理提示信息。
其中,接收到待处理目标事件之后,可以显示所述待处理目标事件的相关信息,以方便处理用户获知其当前需要处理的待处理目标事件。
此外,可以是在接收到处理用户的建议获取请求之后,再获取待处理目标事件的处理提示信息。
作为又一个实施例,接收待处理目标事件之后,所述方法还可以包括:
显示所述待处理事件的建议提示信息。
其中,该建议提示信息用以提示处理用户是否参考针对该处理事件的处理提示信息。
因此,所述所述获取所述待处理目标事件的处理提示信息可以包括:
响应于针对所述建议提示信息的触发操作,获取所述待处理目标事件的处理提示信息。
其中,响应于针对所述建议提示信息的触发操作,可以生成建议获取请求,基于所述建议获取请求,即从服务端请求获取所述待处理目标事件的处理提示信息。
602:显示所述处理提示信息。
其中,该处理提示信息可以用以指导所述处理用户按照所述目标处理方式处理所述待处理目标事件。
此外,在某些实施例,该方法还可以包括:
响应于针对所述处理提示信息的确认操作,向服务端发送确认请求,以供所述服务端按照所述目标处理方式处理所述待处理目标事件。
在一个实际应用中,本申请实施例的技术方案可以应用于电子交易场景中,该目标事件可以是指售后请求事件,因此本申请实施例的信息处理方法可以具体为:获取待处理售后请求事件的相关业务数据;
确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
基于所述待处理售后请求事件的相关业务数据,利用所述业务模型获得针对所述待处理售后请求事件的目标处理方式;
按照所述目标处理方式处理所述待处理售后请求事件。
在电子交易场景中,售后请求事件可以是针对交易订单发起。
如图7中所示,发起用户可以通过发起客户端701触发针对某个交易订单的售后请求事件,其中,发起用户可以为交易订单对应的交易用户。
服务端702可以将待处理的售后请求事件推送至处理客户端703,由处理用户进行处理。其中,处理用户也即客服人员。
本申请实施例的技术方案,服务端702可以预先基于样本业务数据以及样本处理方式训练业务模型,从而基于业务模型可以确定待处理售后请求事件的目标处理方式。
其中,服务端702可以具体是将每个历史目标事件的相关业务数据以及历史处理方式作为训练样本,以训练业务模型,其中,每个历史目标事件的相关业务数据作为业务模型的输入特征,历史处理方式作为业务模型的输出特征,从而即可以获得该业务模型。
其中,该相关业务数据可以对应至少一个特征属性。
对于售后请求事件,该至少一个特征属性可以包括:
订单相关信息:如产品信息、价格信息、支付信息和/或发货信息等;其中产品信息可以是指订单中交易产品的产品名称和/或产品类别;价格信息可以是指产品单价以及订单总价等;支付信息可以包括支付金额;由于电子交易场景中,交易的产品需要进行物流配送,发货信息可以是指发货时间等;
物流相关信息:由于电子交易场景中,订单中的交易产品需要进行物流配送,物流相关信息可以包括物流轨迹信息和/或物流公司标识等;
发起用户相关信息:在电子交易场景中,发起用户通常即为订单的交易用户,其为电子交易平台的注册用户,因此发起用户信息可以包括用户等级(如平台等级、诚信等级和/或店铺等级)、好评分数、和/或其它如用户账号等个人信息;
售后请求相关信息:如请求发起时间、请求诉求类型、申请售后原因和/或诉求凭证等;其中请求诉求类型例如可以包括退款、退货、只退款不退货等;申请售后原因例如可以包括七天无理由退款等;
处理用户相关信息:如好评率、纠纷率和/或其他个人信息等。
每一个特征属性的属性数据即作为相关业务数据参与模型训练。
其中,每一个特征属性的属性数据可以即为其文案数据或者相应的***数据。但是对于某些特征属性其文案数据或***数据无法直接作为训练数据来训练业务模型,需要进行预处理,将每一个特征属性的文案数据或者***数据进行转换,获得的转换数据作为属性数据参与模型训练。
例如,对于一个特征属性对应多种文案数据,且多种文案数据可能含义相近,但是描述方式不同或者其对应***数据不同时,则针对存在多种文案数据的多个特征属性,可以将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史售后请求事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史售后事件对应所述任一特征属性的属性数据。
例如,对于“申请售后原因”这一特征属性,其对应的文案数据可以包括“七天无理由退款”、“7天无理由”、“七天无理由退换货”等,含义相同但是表述方式不同。
此时可以计算任意两个文案数据的文本相似度,基于文本相似度进行聚类,可以将彼此之间的文本相似度大于设定阈值的至少两个文案数据组成一个聚类组合。其中,文本相似度可以通过欧氏距离、余弦距离、Jaccard距离、编辑距离等表示。
例如“七天无理由退款”和“7天无理由”的文本相似度为0.756,设定阈值为0.6,则该两个文案数据即聚合成一类。
假设“七天无理由退款”和“7天无理由”形成聚类组合,可以为其设定标注数值,例如15。
如果历史售后请求事件的申请售后原因的文案数据为“七天无理由换货”,通过文本相似度计算,可以确定“七天无理由退换货”属于“七天无理由退款”和“7天无理由”形成聚类组合,则该历史售后请求事件的申请售后原因的属性数据即可以为15,用以模型训练。
同样,对于待处理售后请求事件,如果其申请售后原因的文案数据为“七天无理由退货”,通过文本相似度计算,可以确定“七天无理由退货”属于“七天无理由退款”和“7天无理由”形成聚类组合,则该待处理售后请求事件的申请售后原因的属性数据即可以为15,用以输入业务模型来计算目标处理方式。
又如,如果至少一个特征属性中包括类别属性,且该类别属性对应有类目体系,其中,类别属性属于类目体系中的最小范围类目。
则可以采用建立类目树的方式来确定类别属性对应的属性数据,具体方式可以参见上述实施例中所述,在此不再赘述。
服务端702确定出目标处理方式之后,一种可选方式可以将该目标处理方式的处理提示信息发送至处理客户端703,以提示处理用户选择该目标处理方式对待处理售后请求事件进行处理。
当然,服务端可以基于不同待处理目标事件的目标处理方式,筛选目标处理方式相同的多个待处理目标事件;从而对该多个待处理目标事件可以请求处理用户进行批量处理等。
本申请实施例的技术方案可以应用于如图8所示的信息处理***中,该信息处理***可以具体由业务服务器801、预测服务器802以及采集服务器803构成。
其中,采集服务器803用于从业务服务器中获取待处理目标事件的相关业务数据;
预测服务器802用于基于样本业务数据及其对应的样本处理方式训练获得的业务模型;并可以从采集服务器803获取待处理目标事件的相关业务数据;基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
此外预测服务器802还可以触发业务服务器801按照所述目标处理方式处理所述待处理目标事件。
业务服务器801可以生成处理提示信息发送至处理用户,也可以对不同待处理事件按照目标处理方式进行筛选,以实现对目标处理方式相同的所述多个待处理目标事件的批量处理。
此外,该***还可以包括存储服务器804.
采集服务器803可以将历史目标事件的相关业务数据以及历史处理方式存储至存储服务器804中。
预测服务器802可以通过采集服务器803获得存储服务器804中存储的历史目标事件的相关业务数据以及历史处理方式,从而基于历史目标事件的相关业务数据以及历史处理方式进行模型训练。
此外,本申请实施例还提供了一种信息处理装置,该信息处理装置可以具体配置与预测服务器中,如图9中所示,该装置可以包括:
数据获取模块901,用于获取待处理目标事件的相关业务数据;
模型确定模块902,用于确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
方式确定模块903,用于基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
处理模块904,用于按照所述目标处理方式处理所述待处理目标事件。
在某些实施例中,所述处理模块可以具体用于生成针对所述目标处理方式的处理提示信息;
发送所述处理提示信息至处理用户;所述处理提示信息用以指导所述处理用户按照所述目标处理方式处理所述待处理目标事件。
可选地,所述处理模块还用于响应于针对所述处理提示信息的确认请求,按照所述目标处理方式处理所述待处理目标事件。
在某些实施例中,所述处理模块可以具体用于基于不同待处理目标事件对应的目标处理方式,筛选目标处理方式相同的多个待处理目标事件;
对目标处理方式相同的所述多个待处理目标事件进行批量处理。
在某些实施例中,该装置还可以包括:
样本获取模块,用于确定多个历史目标事件;将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本;
模型训练模块,用于利用所述训练样本训练获得业务模型。
可选地,所述相关业务数据对应至少一个特征属性;
所述样本获取模块可以具体用于:
确定每个历史目标事件对应所述至少一个特征属性的属性数据;
确定每个历史目标事件对应的历史处理方式;
将每个历史目标事件对应至少一个特征属性的属性数据及对应的历史处理方式作为训练样本;
则所述数据获取模块可以具体用于获取待处理目标事件对应所述至少一个特征属性的属性数据。
在某些实施例中,所述样本获取模块确定每个历史目标事件对应所述至少一个特征属性的属性数据可以包括:
如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;
选择满足聚类要求的至少一个聚类组合分别设置标注数值;
从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;
将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据;
针对不包括所述任一特征属性的其它特征属性,将每个历史目标事件分别对应其它特征属性的文案数据或者***数据作为其它特征属性的属性数据;
可选地,所述数据获取模块可以具体用于:
从所述至少一个聚类组合中,确定所述待处理目标事件对应所述任一特征属性的文案数据所属的第二聚类组合;将所述第二聚类组合对应的标注数值作为所述待处理目标事件对应所述任一特征属性的属性数据;针对不包括所述任一特征属性的其它特征属性,将所述待处理目标事件分别对应其它特征属性的文案数据或者***数据作为属性数据。
可选地,所述样本获取模块选择满足聚类要求的至少一个聚类组合分别设定标注数值包括:
针对所述多个历史目标事件对应所述任一特征属性的多种文案数据,计算每一种文案数据的出现频率;
根据每个聚类组合中不同文案数据的出现频率,计算每个聚类组合对应的总出现频率
选择组合规模和/或总出现频率满足聚类要求的至少一个聚类组合分别设置标注数值。
在某些实施例中,所述样本获取模块确定每个历史目标事件对应所述至少一个特征属性的属性数据可以具体是:
针对所述至少一个特征属性中的类别属性,将所述类别属性对应的类目体系按照层级关系建立类目树;
确定所述类目树中根节点对应的数值区间;
基于每个父节点下的子节点数目,均分每个父节点对应的数值区间以获得每个子节点对应的数值区间;其中不同节点对应的数值区间不同;
从每个叶子节点对应的数值区间中选择一个数值作为每个叶子节点的分类数值;
确定每个历史目标事件的类别属性对应的叶子节点;
将每个历史目标事件的类别属性对应的叶子节点对应的分类数值作为所述类别属性的属性数据;
针对不包括所述类别属性中的其它特征属性,将每个历史目标事件分别对应其它特征属性的文案数据或者***数据作为其它特征属性的属性数据;
则所述数据获取模块可以具体用于针对所述至少一个特征属性中的类别属性,确定待处理目标事件的类别属性所在的叶子节点;
将所述待处理目标事件的类别属性对应的叶子节点对应的分类数值作为所述类别属性的属性数据;
针对不包括所述类别属性的其它特征属性,将所述待处理目标事件分别对应其它特征属性的文案数据或者***数据作为属性数据。
对于上述实施例中的信息处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请还提供了一种模型训练装置,如图10所示,该装置可以包括:
样本获取模块1001,用于获取样本业务数据及其对应的样本处理方式;将所述样本业务数据及其对应的样本处理方式作为训练样本;
模型训练模块1002,用于利用所述训练样本训练获得业务模型。
在某些实施例中,样本获取模块可以具体用于确定多个历史目标事件;将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本;
可选地,所述相关业务数据对应至少一个特征属性;
所述样本获取模块可以具体用于:
确定每个历史目标事件对应所述至少一个特征属性的属性数据;
确定每个历史目标事件对应的历史处理方式;
将每个历史目标事件对应至少一个特征属性的属性数据及对应的历史处理方式作为训练样本;
在某些实施例中,所述样本获取模块确定每个历史目标事件对应所述至少一个特征属性的属性数据可以包括:
如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;
选择满足聚类要求的至少一个聚类组合分别设置标注数值;
从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;
将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据;
针对不包括所述任一特征属性的其它特征属性,将每个历史目标事件分别对应其它特征属性的文案数据或者***数据作为其它特征属性的属性数据;
可选地,所述样本获取模块选择满足聚类要求的至少一个聚类组合分别设定标注数值包括:
针对所述多个历史目标事件对应所述任一特征属性的多种文案数据,计算每一种文案数据的出现频率;
根据每个聚类组合中不同文案数据的出现频率,计算每个聚类组合对应的总出现频率
选择组合规模和/或总出现频率满足聚类要求的至少一个聚类组合分别设置标注数值。
在某些实施例中,所述样本获取模块确定每个历史目标事件对应所述至少一个特征属性的属性数据可以具体是:
针对所述至少一个特征属性中的类别属性,将所述类别属性对应的类目体系按照层级关系建立类目树;
确定所述类目树中根节点对应的数值区间;
基于每个父节点下的子节点数目,均分每个父节点对应的数值区间以获得每个子节点对应的数值区间;其中不同节点对应的数值区间不同;
从每个叶子节点对应的数值区间中选择一个数值作为每个叶子节点的分类数值;
确定每个历史目标事件的类别属性对应的叶子节点;
将每个历史目标事件的类别属性对应的叶子节点对应的分类数值作为所述类别属性的属性数据;
针对不包括所述类别属性中的其它特征属性,将每个历史目标事件分别对应其它特征属性的文案数据或者***数据作为其它特征属性的属性数据;
此外,本申请还提供了一种信息显示装置,提供一显示界面,用以显示待处理目标事件的处理提示信息;
其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得。
该处理提示信息用以指导所述处理用户按照所述目标处理方式处理所述待处理目标事件。
在一个可能的设计中,图9所示实施例的信息处理装置可以实现为一计算设备,如图11所示,该计算设备可以包括存储组件1101以及处理组件1102;
存储组件1101存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1102调用执行。
所述处理组件1102用于:
获取待处理目标事件的相关业务数据;
确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
按照所述目标处理方式处理所述待处理目标事件。
可选地,所述处理组件1102可以用于执行上述任一实施例所述的信息处理方法。
其中,处理组件1102可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件1101被配置为存储各种类型的数据以支持在计算设备的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于通计算设备和其他设备之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图1或图4所示实施例的信息处理方法。
在一个可能的设计中,图10所示实施例的模型训练装置可以实现为一计算设备,如图12所示,该计算设备可以包括存储组件1101以及处理组件1102;
存储组件1201存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1202调用执行。
所述处理组件1202用于:
获取样本业务数据及其对应的样本处理方式;
将所述样本业务数据及其对应的样本处理方式作为训练样本;
利用所述训练样本训练获得业务模型。
其中,图12所示的计算设备与图11所示的计算设备可以为同一计算设备,当前也可以为不同的计算设备。
其中,处理组件1202可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件1201被配置为存储各种类型的数据以支持在计算设备的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图2或图3所示实施例的模型训练方法。
在一个可能的设计中,本申请实施例还提供了一种电子设备,如图13所示,该计算设备可以包括存储组件1301、显示组件1302以及处理组件1303;
存储组件1301存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1303调用执行。
所述处理组件1303用于:
获取待处理目标事件的处理提示信息;其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;
通过所述显示组件1302提供一显示界面,以显示待处理目标事件的处理提示信息。
其中,处理组件1303可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件1301被配置为存储各种类型的数据以支持在计算设备的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
显示组件1302可以为电致发光(EL)元件、液晶显示器或具有类似结构的微型显示器、或者视网膜可直接显示或类似的激光扫描式显示器。
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,上述描述的***,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。
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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (26)
1.一种信息处理方法,其特征在于,包括:
获取待处理目标事件的相关业务数据;所述待处理目标事件由用户触发产生;
确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
按照所述目标处理方式处理所述待处理目标事件;
其中,所述业务模型由每个历史目标事件对应的至少一个特征属性的属性数据作为输入特征、对应的历史处理方式作为输出特征训练获得;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;
其中,所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
2.根据权利要求1所述的方法,其特征在于,所述按照所述目标处理方式处理所述待处理目标事件包括:
生成针对所述目标处理方式的处理提示信息;
发送所述处理提示信息至处理用户;其中,所述处理提示信息用以指导所述处理用户按照所述目标处理方式处理所述待处理目标事件。
3.根据权利要求2所述的方法,其特征在于,还包括:
响应于针对所述处理提示信息的确认请求,按照所述目标处理方式处理所述待处理目标事件。
4.根据权利要求1所述的方法,其特征在于,所述按照所述目标处理方式处理所述待处理目标事件包括:
基于不同待处理目标事件对应的目标处理方式,筛选目标处理方式相同的多个待处理目标事件;
对目标处理方式相同的所述多个待处理目标事件进行批量处理。
5.根据权利要求1所述的方法,其特征在于,所述业务模型具体按照如下方式预先训练获得:
确定多个历史目标事件;
将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本;
利用所述训练样本训练获得业务模型。
6.根据权利要求5所述的方法,其特征在于,所述相关业务数据对应至少一个特征属性;
所述将每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本包括:
确定每个历史目标事件对应所述至少一个特征属性的属性数据;
确定每个历史目标事件对应的历史处理方式;
将每个历史目标事件对应至少一个特征属性的属性数据及对应的历史处理方式作为训练样本;
所述获取待处理目标事件的相关业务数据包括:
获取待处理目标事件对应所述至少一个特征属性的属性数据。
7.根据权利要求6所述的方法,其特征在于,所述获取待处理目标事件对应所述至少一个特征属性的属性数据包括:
从所述至少一个聚类组合中,确定所述待处理目标事件对应所述任一特征属性的文案数据所属的第二聚类组合;
将所述第二聚类组合对应的标注数值作为所述待处理目标事件对应所述任一特征属性的属性数据。
8.根据权利要求6所述的方法,其特征在于,所述选择满足聚类要求的至少一个聚类组合分别设置标注数值包括:
针对所述多个历史目标事件对应所述任一特征属性的多种文案数据,计算每一种文案数据的出现频率;
根据每个聚类组合中不同文案数据的出现频率,计算每个聚类组合对应的总出现频率;
选择组合规模和/或总出现频率满足聚类要求的至少一个聚类组合分别设置标注数值。
9.根据权利要求6所述的方法,其特征在于,所述确定每个历史目标事件对应所述至少一个特征属性的属性数据包括:
针对所述至少一个特征属性中的类别属性,将所述类别属性对应的类目体系按照层级关系建立类目树;
确定所述类目树中根节点对应的数值区间;
基于每个父节点下的子节点数目,均分每个父节点对应的数值区间以获得每个子节点对应的数值区间;其中,不同节点对应的数值区间不同;
从每个叶子节点对应的数值区间中选择一个数值作为每个叶子节点的分类数值;
确定每个历史目标事件的类别属性对应的叶子节点;
将每个历史目标事件的类别属性对应的叶子节点对应的分类数值作为所述类别属性的属性数据。
10.根据权利要求9所述的方法,其特征在于,所述获取待处理目标事件对应所述至少一个特征属性的属性数据包括:
针对所述至少一个特征属性中的类别属性,确定待处理目标事件的类别属性所在的叶子节点;
将所述待处理目标事件的类别属性对应的叶子节点对应的分类数值作为所述类别属性的属性数据。
11.根据权利要求1所述的方法,其特征在于,所述订单相关信息包括产品信息、价格信息、支付信息、发货信息中的一个或多个;所述物流相关信息包括物流轨迹信息、物流公司信息中的一个或多个;所述发起用户相关信息包括用户等级、好评分数中的一个或多个;所述售后请求相关信息包括请求发起时间、请求诉求类型、申请售后原因中的一个或多个;所述处理用户相关信息包括好评率、纠纷率中的一个或多个。
12.一种模型训练方法,其特征在于,包括:
获取样本业务数据及其对应的样本处理方式;
将所述样本业务数据及其对应的样本处理方式作为训练样本;
利用所述训练样本训练获得业务模型;
其中,所述业务模型由所述样本业务数据作为输入特征、所述样本业务数据对应的样本处理方式作为输出特征训练获得;
所述业务模型用以基于待处理目标事件的相关业务数据,获得所述待处理目标事件的目标处理方式;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述样本业务数据为每个历史目标事件对应至少一个特征属性的属性数据;所述样本业务数据对应的样本处理方式为每个历史目标事件对应的历史处理方式;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
13.根据权利要求12所述的方法,其特征在于,所述获取样本业务数据及其对应的样本处理方式包括:
确定多个历史目标事件;
将每个历史目标事件的相关业务数据作为样本业务数据以及历史处理方式作为对应的样本处理方式;
所述将所述样本业务数据及其对应的样本处理方式作为训练样本包括:
将所述每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本。
14.根据权利要求13所述的方法,其特征在于,所述将所述每个历史目标事件的相关业务数据及对应的历史处理方式作为训练样本包括:
确定每个历史目标事件对应所述至少一个特征属性的属性数据;
确定每个历史目标事件对应的历史处理方式;
将每个历史目标事件对应至少一个特征属性的属性数据及对应的历史处理方式作为训练样本。
15.根据权利要求13所述的方法,其特征在于,所述选择满足聚类要求的至少一个聚类组合分别设置标注数值包括:
针对所述多个历史目标事件对应所述任一特征属性的多种文案数据,计算每一种文案数据的出现频率;
根据每个聚类组合中不同文案数据的出现频率,计算每个聚类组合对应的总出现频率;
选择组合规模和/或总出现频率满足聚类要求的至少一个聚类组合分别设置标注数值。
16.根据权利要求14所述的方法,其特征在于,所述确定每个历史目标事件对应所述至少一个特征属性的属性数据包括:
针对所述至少一个特征属性中的类别属性,将所述类别属性对应的类目体系按照层级关系建立类目树;
确定所述类目树中根节点对应的数值区间;
基于每个父节点下的子节点数目,均分每个父节点对应的数值区间以获得每个子节点对应的数值区间;其中,不同节点对应的数值区间不同;
从每个叶子节点对应的数值区间中选择一个数值作为每个叶子节点的分类数值;
确定每个历史目标事件的类别属性对应的叶子节点;
将每个历史目标事件的类别属性对应的叶子节点对应的分类数值作为所述类别属性的属性数据。
17.一种信息显示方法,其特征在于,包括:
获取待处理目标事件的处理提示信息;其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;
显示所述处理提示信息;
其中,所述业务模型由每个历史目标事件对应的至少一个特征属性的属性数据作为输入特征、对应的历史处理方式作为输出特征训练获得;
其中,所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
18.根据权利要求17所述的方法,其特征在于,所述获取待处理目标事件的处理提示信息包括:
接收待处理目标事件;
获取所述待处理目标事件的处理提示信息。
19.根据权利要求18所述的方法,其特征在于,所述接收待处理目标事件之后,所述方法还包括:
显示所述待处理事件的建议提示信息;
所述获取所述待处理目标事件的处理提示信息包括:
响应于针对所述建议提示信息的触发操作,获取所述待处理目标事件的处理提示信息。
20.根据权利要求17所述的方法,其特征在于,还包括:
响应于针对所述处理提示信息的确认操作,向服务端发送确认请求,以供所述服务端按照所述目标处理方式处理所述待处理目标事件。
21.一种信息处理装置,其特征在于,包括:
数据获取模块,用于获取待处理目标事件的相关业务数据;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
模型确定模块,用于确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;所述业务模型由每个历史目标事件对应的至少一个特征属性的属性数据作为输入特征、对应的历史处理方式作为输出特征训练获得;
方式确定模块,用于基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
处理模块,用于按照所述目标处理方式处理所述待处理目标事件;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
22.一种模型训练装置,其特征在于,包括:
样本获取模块,用于获取样本业务数据及其对应的样本处理方式;将所述样本业务数据及其对应的样本处理方式作为训练样本;其中,所述样本业务数据为每个历史目标事件对应至少一个特征属性的属性数据;所述样本业务数据对应的样本处理方式为每个历史目标事件对应的历史处理方式;所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据;
模型训练模块,用于利用所述训练样本训练获得业务模型;所述业务模型由所述样本业务数据作为输入特征、所述样本业务数据对应的样本处理方式作为输出特征训练获得;所述业务模型用以基于待处理目标事件的相关业务数据,获得所述待处理目标事件的目标处理方式;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个。
23.一种信息显示装置,其特征在于,提供一显示界面,用以显示待处理目标事件的处理提示信息;
其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;所述业务模型由每个历史目标事件对应的至少一个特征属性的属性数据作为输入特征、对应的历史处理方式作为输出特征训练获得;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;
其中,所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
24.一种计算设备,其特征在于,包括存储组件以及处理组件;
其中,所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
获取待处理目标事件的相关业务数据;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;
确定基于样本业务数据及其对应的样本处理方式训练获得的业务模型;
基于所述待处理目标事件的相关业务数据,利用所述业务模型获得针对所述待处理目标事件的目标处理方式;
按照所述目标处理方式处理所述待处理目标事件;
所述业务模型由每个历史目标事件对应的至少一个特征属性的属性数据作为输入特征、对应的历史处理方式作为输出特征训练获得;
其中,所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
25.一种计算设备,其特征在于,包括存储组件以及处理组件;
其中,所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
获取样本业务数据及其对应的样本处理方式;
将所述样本业务数据及其对应的样本处理方式作为训练样本;
利用所述训练样本训练获得业务模型;
其中,所述业务模型由所述样本业务数据作为输入特征、所述样本业务数据对应的样本处理方式作为输出特征训练获得;所述业务模型用以基于待处理目标事件的相关业务数据,获得所述待处理目标事件的目标处理方式;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述样本业务数据为每个历史目标事件对应至少一个特征属性的属性数据;所述样本业务数据对应的样本处理方式为每个历史目标事件对应的历史处理方式;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
26.一种电子设备,其特征在于,包括存储组件、显示组件以及处理组件;
其中,所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
获取待处理目标事件的处理提示信息;其中,所述处理提示信息基于所述待处理目标事件的目标处理方式生成;所述目标处理方式基于所述待处理目标事件的相关业务数据,利用业务模型获得;所述待处理目标事件由用户触发产生;所述相关业务数据包括至少一个特征属性的属性数据;每一个目标事件对应一个事件对象;所述至少一个特征属性包括事件对象的相关信息;
通过所述显示组件提供一显示界面,以显示待处理目标事件的处理提示信息;
其中,所述业务模型由每个历史目标事件对应的至少一个特征属性的属性数据作为输入特征、对应的历史处理方式作为输出特征训练获得;
其中,所述目标事件为针对交易订单的售后请求事件;所述至少一个特征属性包括订单相关信息、物流相关信息、发起用户相关信息、售后请求相关信息、处理用户相关信息中的一个或多个;
其中,所述每个历史目标事件对应的至少一个特征属性的属性数据按照如下方式获取:如果任一个特征属性存在多种文案数据,将所述多种文案数据进行聚类获得多个聚类组合;选择满足聚类要求的至少一个聚类组合分别设置标注数值;从所述至少一个聚类组合中,确定每个历史目标事件对应所述任一特征属性的文案数据所属的第一聚类组合;将所述第一聚类组合对应的标注数值作为所述每个历史目标事件对应所述任一特征属性的属性数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810296604.3A CN110322093B (zh) | 2018-03-30 | 2018-03-30 | 信息处理方法、信息显示方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810296604.3A CN110322093B (zh) | 2018-03-30 | 2018-03-30 | 信息处理方法、信息显示方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322093A CN110322093A (zh) | 2019-10-11 |
CN110322093B true CN110322093B (zh) | 2024-03-08 |
Family
ID=68112484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810296604.3A Active CN110322093B (zh) | 2018-03-30 | 2018-03-30 | 信息处理方法、信息显示方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322093B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782205A (zh) * | 2019-10-24 | 2020-02-11 | 泰康保险集团股份有限公司 | 成交任务的管理方法、装置、计算机存储介质和电子设备 |
CN110826342A (zh) * | 2019-10-29 | 2020-02-21 | 北京明略软件***有限公司 | 一种实现模型管理的方法、装置、计算机存储介质及终端 |
CN112994923B (zh) * | 2019-12-18 | 2023-04-07 | ***通信集团浙江有限公司 | 网元选取方法及装置 |
CN112861980B (zh) * | 2021-02-21 | 2021-09-28 | 平安科技(深圳)有限公司 | 一种基于大数据的事历任务表挖掘方法及计算机设备 |
CN113743906A (zh) * | 2021-09-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种确定业务处理策略的方法和装置 |
CN114826715B (zh) * | 2022-04-15 | 2024-03-22 | 咪咕文化科技有限公司 | 网络防护方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544624A (zh) * | 2013-11-08 | 2014-01-29 | 中国科学院自动化研究所 | 自助售后服务***及方法 |
CN104424296A (zh) * | 2013-09-02 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 查询词分类方法和装置 |
CN105139206A (zh) * | 2014-05-28 | 2015-12-09 | 厦门科牧智能技术有限公司 | 一种基于wifi的电子坐便器快速售后服务*** |
CN105243129A (zh) * | 2015-09-30 | 2016-01-13 | 清华大学深圳研究生院 | 商品属性特征词聚类方法 |
CN106202186A (zh) * | 2016-06-27 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 基于人工智能的服务推荐方法和装置 |
CN106294058A (zh) * | 2015-05-28 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 处理运营问题单据的目标策略确定方法及装置 |
CN106448168A (zh) * | 2016-11-24 | 2017-02-22 | 中山大学 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
CN106557485A (zh) * | 2015-09-25 | 2017-04-05 | 北京国双科技有限公司 | 一种选取文本分类训练集的方法及装置 |
CN107154008A (zh) * | 2017-05-11 | 2017-09-12 | 长威信息科技发展股份有限公司 | 一种基于数字源预案处理紧急事件的方法及*** |
CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
CN107526666A (zh) * | 2017-07-17 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 基于深度学习的报警方法、***、装置以及电子设备 |
CN107679686A (zh) * | 2017-08-28 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 一种业务执行方法及装置 |
CN107688950A (zh) * | 2017-08-31 | 2018-02-13 | 广东美的制冷设备有限公司 | 家电售后咨询方法、电子设备和计算机可读存储介质 |
CN107808338A (zh) * | 2016-09-28 | 2018-03-16 | 平安科技(深圳)有限公司 | 一种业务处理方法及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9454412B2 (en) * | 2014-10-03 | 2016-09-27 | Benefitfocus.Com, Inc. | Systems and methods for classifying and analyzing runtime events |
-
2018
- 2018-03-30 CN CN201810296604.3A patent/CN110322093B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424296A (zh) * | 2013-09-02 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 查询词分类方法和装置 |
CN103544624A (zh) * | 2013-11-08 | 2014-01-29 | 中国科学院自动化研究所 | 自助售后服务***及方法 |
CN105139206A (zh) * | 2014-05-28 | 2015-12-09 | 厦门科牧智能技术有限公司 | 一种基于wifi的电子坐便器快速售后服务*** |
CN106294058A (zh) * | 2015-05-28 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 处理运营问题单据的目标策略确定方法及装置 |
CN106557485A (zh) * | 2015-09-25 | 2017-04-05 | 北京国双科技有限公司 | 一种选取文本分类训练集的方法及装置 |
CN105243129A (zh) * | 2015-09-30 | 2016-01-13 | 清华大学深圳研究生院 | 商品属性特征词聚类方法 |
CN106202186A (zh) * | 2016-06-27 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 基于人工智能的服务推荐方法和装置 |
CN107808338A (zh) * | 2016-09-28 | 2018-03-16 | 平安科技(深圳)有限公司 | 一种业务处理方法及终端 |
CN106448168A (zh) * | 2016-11-24 | 2017-02-22 | 中山大学 | 基于趋势性指标及波动性指标的交通事件自动检测方法 |
CN107346369A (zh) * | 2017-05-11 | 2017-11-14 | 北京紫宸正阳科技有限公司 | 一种医疗信息处理方法及装置 |
CN107154008A (zh) * | 2017-05-11 | 2017-09-12 | 长威信息科技发展股份有限公司 | 一种基于数字源预案处理紧急事件的方法及*** |
CN107526666A (zh) * | 2017-07-17 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 基于深度学习的报警方法、***、装置以及电子设备 |
CN107679686A (zh) * | 2017-08-28 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 一种业务执行方法及装置 |
CN107688950A (zh) * | 2017-08-31 | 2018-02-13 | 广东美的制冷设备有限公司 | 家电售后咨询方法、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110322093A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322093B (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
CN108711110B (zh) | 保险产品推荐方法、装置、计算机设备和存储介质 | |
US11978106B2 (en) | Method and non-transitory, computer-readable storage medium for deep learning model based product matching using multi modal data | |
US20210365963A1 (en) | Target customer identification method and device, electronic device and medium | |
US11468379B2 (en) | Automated evaluation of project acceleration | |
US20190236497A1 (en) | System and method for automated model selection for key performance indicator forecasting | |
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
CN108073645A (zh) | 一种招聘平台的求职人推荐页面展示方法及装置 | |
US10096013B2 (en) | Systems and methods for clustering of customers using transaction patterns | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
US20160117703A1 (en) | Large-Scale Customer-Product Relationship Mapping and Contact Scheduling | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
CN115564531A (zh) | 商品组合推荐方法及其装置、设备、介质、产品 | |
CN110502639B (zh) | 基于问题贡献度的信息推荐方法、装置、及计算机设备 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN114186024A (zh) | 推荐方法及装置 | |
CA2909957A1 (en) | Large-scale customer-product relationship mapping and contact scheduling | |
CN110874640B (zh) | 使用机器学习(ml)的间歇数据的分布选择和模拟 | |
US20220292407A1 (en) | System and method for machine learning-based delivery tagging | |
US11379929B2 (en) | Advice engine | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
Hung et al. | Application extensions from the stochastic capacity rationing decision approach | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |