CN110427620B - 基于社群***的服务质量优化管理*** - Google Patents

基于社群***的服务质量优化管理*** Download PDF

Info

Publication number
CN110427620B
CN110427620B CN201910664648.1A CN201910664648A CN110427620B CN 110427620 B CN110427620 B CN 110427620B CN 201910664648 A CN201910664648 A CN 201910664648A CN 110427620 B CN110427620 B CN 110427620B
Authority
CN
China
Prior art keywords
dialogue
service
text
emotion
marketing
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
Application number
CN201910664648.1A
Other languages
English (en)
Other versions
CN110427620A (zh
Inventor
卢向华
黄丽华
何晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201910664648.1A priority Critical patent/CN110427620B/zh
Publication of CN110427620A publication Critical patent/CN110427620A/zh
Application granted granted Critical
Publication of CN110427620B publication Critical patent/CN110427620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于社群***对员工与用户的对话消息进行分析，进一步还通过情感分析优化对营销信息受欢迎程度的识别，从而使得员工能够推送更受欢迎的营销信息从而提高服务质量的服务质量优化管理***，其特征在于，包括：服务管理装置；至少一个员工终端，设置有与社群***相应的社群模块及用于访问的员工账号；多个用户终端，设置有社群模块及用于访问的用户账号；一个管理员终端，设置有社群模块及用于访问的管理员账号，服务管理装置通过管理员账号登入社群并定期获取社群中的对话消息，其中，服务管理装置具有对话信息获取部、对话识别部、情感分计算部、会话情感计算部、营销内容排序获取部以及服务侧通信部。

Description

基于社群***的服务质量优化管理***
技术领域
本发明属于客户关系管理领域，具体涉及一种基于社群***的服务质量优化管理***。
背景技术
现代企业在市场上生存，对自身商品的管理是十分重要的一环，企业会通过多种手段对市场上的商品是否受消费者欢迎进行把控，从而加强自身在市场上的竞争力。
随着社交媒体的发展，有一些企业会通过建立在线社群实现与消费者的互动，例如婴幼儿产品的服务商，就会让员工通过社群给消费者提供一些有关于婴幼儿抚养时应注意的问题以及推送一些婴幼儿相关的产品。数据表明，企业通过社交媒体上仅仅通过简单回复消费者的抱怨就可以将消费者的支持度提高25％，因此这种模式不仅有助于提高消费者对企业的满意度，还有助于推广企业的知名度及其产品。甚至有利于消费者及时地了解日常不注意或是没有渠道获取的问题。
然而，企业也仅仅只是通过社群提高消费者的满意度，对于社群的消息则没有很好的利用。而社群消息中很多对话消息相互掺杂，也很难针对其进行有效利用。
发明内容
为解决上述问题，提供一种基于社群***对员工与用户的对话消息进行分析，进一步还通过情感分析优化对营销信息受欢迎程度的识别，从而使得员工能够推送更受欢迎的营销信息从而提高服务质量的服务质量优化管理***，本发明采用了如下技术方案：
本发明提供了一种基于社群***的服务质量优化管理***，其特征在于，包括：服务管理装置；至少一个员工终端，设置有与社群***相应的社群模块，每个员工终端具有一个用于访问社群模块的员工账号，每个员工账号对应有一个社群，员工账号用于让员工通过该员工账号登入社群并向用户提供问答营销服务信息；多个用户终端，设置有社群模块，具有用于访问社群模块的用户账号，用于让用户通过用户账号登入社群并获取员工提供的问答营销服务信息；一个管理员终端，设置有社群模块，具有用于访问所有社群模块的管理员账号，服务管理装置通过管理员账号登入社群并定期获取社群中的对话消息，其中，服务管理装置具有对话信息获取部、对话识别部、情感分计算部、会话情感计算部、营销内容排序获取部以及服务侧通信部，对话信息获取部定期通过管理员账号访问社群模块并获取对应各个社群且由多条对话消息组成的对话消息流，对话识别部对对话消息流中的各条对话消息进行对话识别从而获取多个与内容类型有关且包含多个相应对话消息的会话，会话分为服务会话以及营销会话，情感分计算部依次对各条对话消息进行情感分计算并得到对应各条对话消息的消息情感分，会话情感计算部根据各个会话中对应用户账号的对话消息以及相应的消息情感分计算对应各个营销会话的营销会话情感分，营销内容排序获取部根据对应各个营销会话的营销会话情感分将所有营销会话进行排序，并获取排序较高的多个营销会话作为推荐营销内容以及获取排序较低的多个营销会话作为不推荐营销内容，服务侧通信部将推荐营销内容以及不推荐营销内容发送给所有员工终端。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，员工终端具有员工侧画面存储部以及员工侧输入显示部，员工侧画面存储部存储有营销内容查看画面，员工侧输入显示部用于在员工终端接收到推荐营销内容以及不推荐营销内容时显示营销内容查看画面并让员工查看并推送推荐营销内容。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，服务管理装置还具有用户消息统计部，用户消息统计部依次对各个营销会话中发送对话消息的用户账号的数量进行统计从而得到对应各个营销会话的用户回复数量，营销内容排序获取部在对营销会话进行排序时，还根据用户回复数量将用户回复数量低于一定数量的营销会话从排序的序列中剔除。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，服务管理装置还具有平均情感分计算部以及服务质量排序部，会话情感计算部还根据各个会话中对应用户账号的对话消息以及相应的消息情感分计算对应各个服务会话的服务会话情感分，平均情感分计算部根据服务会话情感分计算各个员工账号所对应的服务会话情感分的均值从而得到服务会话平均情感分，服务质量排序部根据服务会话平均情感分对员工账号进行排序从而形成服务质量序列，服务侧通信部将服务质量序列发送给所有员工终端。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，对话消息包含对话文本以及时间戳，对话识别部通过如下方法进行对话识别：识别三类会话的开始，并基于时间窗口对对话文本进行上下文文本聚类，从而得到多个会话，其中，一条上下文对话文本mj的时间窗口W(mj)为；
Figure BDA0002139699640000041
式(1)中，ti为对话文本mi的时间戳，tj为对话文本mj的时间戳，D的取值为6或12小时；每一条对话文本m包含有三种上下文，分别为作者上下文CA(m)、指代上下文CC(m)以及时间上下文CT(m)，对话文本m的wordembedding词向量表示为v(m)，使用对话文本mi的三种上下文扩展该对话文本mi，则该对话文本mi的扩展表示mi ′为：
Figure BDA0002139699640000042
式(2)中，各个参数的含义为：PA(dij)——对话文本mj属于作者上下文CA(mi)时对话文本mi与对话文本mj属于同一个会话的概率；PC(dij)——对话文本mj属于指代上下文CC(mi)时对话文本mi与对话文本mj属于同一个会话的概率；PT(dij)——对话文本mj属于时间上下文CT(mi)时对话文本mi与对话文本mj属于同一个会话的概率；α——对话文本m的内容在扩展表示中所占的权重；λA——作者上下文的相对权重；λC——指代上下文的相对权重；λT——时间上下文的相对权重，λA+λC+λT＝1；进一步，对对话文本m进行文本聚类，将三类会话的开始标记为聚类原型T，并计算对话文本mi和对话文本mj的文本近似度sim(mi，mj)：
Figure BDA0002139699640000051
对于剩余的其他对话文本mj，计算与聚类原型的相似度sim(mj，T)：
Figure BDA0002139699640000052
Figure BDA0002139699640000054
式中，若
Figure BDA0002139699640000055
则对话文本mj的所属聚类为
Figure BDA0002139699640000056
若
Figure BDA0002139699640000057
Figure BDA0002139699640000058
则mj不属于本文要识别的对话，tthresh为mj属于
Figure BDA0002139699640000059
的最小相似度阈值，通过公式(4)及(5)即可得到对应各个聚类原型T的对话文本m，依次根据各个聚类原型T将所属的对话文本m进行组合从而形成各个会话。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，作者上下文CA(m)由对话文本m与该对话文本m属于同一个作者a的所有对话文本构成：
Figure BDA00021396996400000510
在对话文本mj属于作者上下文CA(m)时，对话文本mi与对话文本mj属于同一个会话的概率PA(dij)为：
Figure BDA0002139699640000053
式中，N表示正态分布的概率密度函数，μa表示正态分布概率密度函数的均值、设定为0，σa表示属于作者上下文的正态分布概率密度函数的标准差，指代上下文CC(m)由对话文本m提到的作者a的所有其他对话文本以及提到该对话文本m的作者a的所有其他对话文本构成：
Figure BDA0002139699640000061
式中，Ma表示作者a的所有对话文本，在对话文本mj属于指代上下文CC(m)时，对话文本mi与对话文本mj属于同一个会话的概率PC(dij)为：
Figure BDA0002139699640000062
式中，μc表示正态分布概率密度函数的均值、设定为0，σc表示属于指代上下文的正态分布概率密度函数的标准差，时间上下文CT(m)由除了对话文本m之外的所有其他语句构成：
CT(m)＝M\m      (10)
式中，M表示所有的对话文本，在对话文本mj属于时间上下文CT(m)，对话文本mi与对话文本mj属于同一个会话的概率PT(dij)为：
Figure BDA0002139699640000063
式中，μT表示正态分布概率密度函数的均值，设定为0，σT表示属于时间上下文的正态分布概率密度函数的标准差。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，对话消息至少包含对话文本，情感分计算部包括：文本分词单元，分别对各条对话消息的对话文本进行分词；分词情感分计算单元，根据预存的情感词典对各个分词进行情感分析从而得到各个分词的情感分；消息情感分设定单元，根据每个对话消息中所有分词的情感分之和设定该对话消息的消息情感分。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，情感词典包括文字情感字典以及表情情感字典。
本发明提供的基于社群***的服务质量优化管理***，还可以具有这样的技术特征，其中，会话情感计算部在计算服务会话情感分以及营销会话情感分时，各个会话总的会话情感分Cust_Sentiit为：
Figure BDA0002139699640000071
式中，C表示各个会话的总数，J表示用户的个数，Cust_Sentiijtc为第t周内一次员工i和用户j的对话过程c中该用户的消息情感分，其中，i代表一个员工，j表示一个消费者，t代表一周，c代表一周内的某个会话。
发明作用与效果
根据本发明的基于社群***的服务质量优化管理***，由于具有对话识别部，因此能够对对话信息获取部从社群中获取的对话消息流进行识别从而得到服务会话以及营销会话。还具有情感分计算部对对话消息流中的各条对话消息进行情感识别，因此会话情感计算部能够根据这些对话消息的消息情感分进一步计算各个会话的会话情感分，实现了对社群中用户以及员工情感的分析。再进一步通过营销内容排序获取部根据营销会话的会话情感分对营销会话进行排序，就能够更简单、更准确地得到在一段时间内更受用户欢迎的营销内容。本发明通过提取这些受欢迎的营销内容，使得员工以及企业就能更好地对用户偏好进行了解，从而提高员工的服务质量，也有利于企业通过社群对整体市场进行一定程度上的把握。
附图说明
图1是本发明实施例中服务质量优化管理***的结构框图；
图2是本发明实施例中服务管理装置的结构框图；
图3是本发明实施例中员工终端的结构框图；
图4是本发明实施例中用户终端的结构框图；
图5是本发明实施例中管理员终端的结构框图；以及
图6是本发明实施例中服务质量优化管理过程的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于社群***的服务质量优化管理***作具体阐述。
<实施例>
图1是本发明实施例中服务质量管理***的结构框图。
如图1所示，服务质量优化管理***100包括服务管理装置1、多个员工终端2、多个用户终端3以及管理员终端4。
其中，服务管理装置1由需要进行服务管理的组织机构所持有，员工终端2分别由具有不同员工账号的员工所持有，用户终端3由具有不同用户账号的用户所持有，管理员终端4由组织机构的管理员所持有。
本实施例中，用户终端3都为相应人员持有的智能移动设备(例如智能手机)，管理员终端4与服务管理装置1分别为相互通信连接的操作终端(例如计算机)。在其他实施例中，管理员终端4与服务管理装置1的各个构成部件还可以是作为组织机构所持有的服务器中的一部分。
本实施例中，员工终端2、用户终端3以及管理员终端4上都安装有社群模块，该社群模块为与社群***(例如微信、QQ等提供社***流的***，其提供有社群通信服务器200)相应的软件应用，各个终端可以分别通过各自的社群模块分别与社群通信服务器200进行通信(例如以通过通信网络访问社群通信服务器200的方式)。各终端利用社群模块、通过账号登入社群从而互相发送以及接收问答营销服务信息(即员工提供问答营销服务的对话消息)。
本实施例中，每个员工终端、用户终端以及管理员终端都分别具有各自的员工账号、用户账号以及管理员账号。每个员工账号与社群一一对应，员工通过该员工账号登入社群并向该社群中的用户发送问答营销服务信息；每个社群都对应有多个用户账号，用户通过该用户账号访问相应的社群并向该社群中的员工发送提问消息或是获取问答营销服务信息；管理员账号仅有一个，能够用于登入所有的社群并接收其中的对话消息。在这种社群的结构中，用户(或消费者)通常作为成员在社群中接收服务消息以及进行提问，员工通常作为社群的群主负责日常的社群管理以及与用户交流并提供问答服务，管理员账号一般用于让服务管理装置1获取访问各个社群的权限。
图2是本发明实施例中服务管理装置的结构框图。
如图2所示，服务管理装置1具有对话信息获取部11、对话识别部12、情感分计算部13、会话情感计算部14、用户消息统计部15、营销内容排序获取部16、平均情感分计算部17、服务质量排序部18、服务侧通信部19以及服务侧控制部110。
其中，服务侧通信部19用于进行服务管理装置1的各个构成部分之间以及服务管理装置1与其他终端之间的数据通信，服务侧控制部110含有用于对服务管理装置1的各个构成部分工作进行控制的计算机程序。
对话信息获取部11用于定期通过管理员账号访问社群模块并获取对应社群的对话消息流。
本实施例中，对话信息获取部11能够通过服务侧通信部19向管理员终端4发送获取请求，从而让管理员终端4通过管理员账号自动登入各个社群中并获取各个社群中员工与用户交流产生的对话消息。
本实施例中，对话信息获取部11定期获取的定期设定值在本实施例中的取值为间隔一周获取，在其他实施例中该定期设定值也可根据实际情况设定为间隔一天、间隔一月等。对话信息获取部11具有一个时间判断单元，用于判断当前时间距离上次获取的时间是否达到定期设定值。
本实施例中，对话消息流由一段时间内(本实施例为一周)一个社群中所有的对话消息组成，每条对话消息由对话文本、该对话文本发送时的时间戳构成以及该对话文本的发送账号(员工账号、用户账号)等。
对话识别部12用于对对话消息流中的各条对话文本进行对话识别从而获取多个与内容类型有关的会话。
本实施例中，会话根据内容类型被分为主动服务会话、请求服务会话以及营销会话。其中，主动服务会话为员工主动发送服务消息后、员工用户交流产生会话，请求服务会话为用户发送提问消息后、员工用户交流产生的会话，营销会话为员工发送营销信息后、员工用户交流产生的会话。
本实施例中，对话识别部12首先识别上述三类会话的开始(即员工主动发送的服务消息、用户发送的提问消息以及员工发送的营销信息，可以通过常规的分类器、例如朴素贝叶斯分类器分类识别得到)，并基于时间窗口对对话文本进行上下文文本聚类，从而得到多个会话。具体地，上述该过程中涉及的参数及计算式如下：
A)、一条上下文对话文本mj的时间窗口W(mj)为；
Figure BDA0002139699640000111
式(1)中，ti为对话文本mi的时间戳，tj为对话文本mj的时间戳，D的取值为6或12小时。所有上下文的对话文本mj均是在时间窗口W(mj)内的。
B)、每一条对话文本m包含有三种上下文，分别为作者上下文CA(m)、指代上下文CC(m)以及时间上下文CT(m)。
作者上下文CA(m)由对话文本m与该对话文本m属于同一个作者a的所有对话文本构成：
Figure BDA0002139699640000124
在对话文本mj属于作者上下文CA(m)时，对话文本mi与对话文本mj属于同一个会话的概率PA(dij)为：
Figure BDA0002139699640000121
式(3)中，N表示正态分布的概率密度函数，μa表示正态分布概率密度函数的均值、设定为0，σa表示属于作者上下文的正态分布概率密度函数的标准差，其值可以从训练集中估计。
指代上下文CC(m)由对话文本m提到的作者a的所有其他对话文本(例如，含有“@D用户”的对话文本)以及提到该对话文本m的作者a的所有其他对话文本构成：
Figure BDA0002139699640000122
式(4)中，Ma表示作者a的所有对话文本。
在对话文本mj属于指代上下文CC(m)时，对话文本mi与对话文本mj属于同一个会话的概率PC(dij)为：
Figure BDA0002139699640000123
式(5)中，μc表示正态分布概率密度函数的均值、设定为0，σc表示属于指代上下文的正态分布概率密度函数的标准差。
时间上下文CT(m)由除了对话文本m之外的所有其他语句构成：
CT(m)＝M\m        (6)
式(6)中，M表示所有的对话文本。
在对话文本mj属于时间上下文CT(m)，对话文本mi与对话文本mj属于同一个会话的概率PT(dij)为：
Figure BDA0002139699640000131
式(7)中，μT表示正态分布概率密度函数的均值、设定为0，σT表示属于时间上下文的正态分布概率密度函数的标准差。
C)、对话文本m的wordembedding词向量表示为v(m)，使用对话文本mi的三种上下文扩展该对话文本mi，则该对话文本mi的扩展表示m′i为：
Figure BDA0002139699640000132
式(8)中，各个参数的含义为：
PA(dij)——对话文本mj属于作者上下文CA(mi)时对话文本mi与对话文本mj属于同一个会话的概率；
PC(dij)——对话文本mj属于指代上下文CC(mi)时对话文本mi与对话文本mj属于同一个会话的概率；
PT(dij)——对话文本mj属于时间上下文CT(mi)时对话文本mi与对话文本mj属于同一个会话的概率；
α——对话文本m的内容在扩展表示中所占的权重；
λA——作者上下文的相对权重；
λC——指代上下文的相对权重；
λT——时间上下文的相对权重，λA+λC+λT＝1。
通过上述公式(2)至(8)，即可将一条语句的表示使用三种上下文进行扩展，从而有利于对话识别。作者上下文的作用为同一个作者在相邻时间发表的消息属于同一个对话的可能性较高；指代上下文是说，消息中@了某个人，则被@的人的消息属于同一个对话的可能性较高；时间上下文指的是时间上相邻的消息属于同一个对话的可能性较高。
D)、进一步，对对话文本m进行文本聚类，将三类对话的开始标记为聚类原型T，并计算对话文本mi和对话文本mj的文本近似度sim(mi，mj)：
Figure BDA0002139699640000141
对于剩余的其他对话文本mj，计算与聚类原型的相似度sim(mj，T)：
Figure BDA0002139699640000142
Figure BDA0002139699640000147
式中，对话文本mj的所属聚类为
Figure BDA0002139699640000145
若
Figure BDA0002139699640000146
则对话文本mj的所属聚类为
Figure BDA0002139699640000148
若
Figure BDA0002139699640000149
则mj不属于本文要识别的对话，tthresh为mj属于
Figure BDA0002139699640000144
的最小相似度阈值。
通过公式(4)及(5)即可得到对应各个聚类原型T的对话文本m，依次根据各个聚类原型T将所属的对话文本m进行组合从而形成各个会话。
通过上述公式(1)至(11)，对话识别部12即可将各个对话消息流中对话消息划分为多个会话。
会话的识别示例如下表所示：
表1会话识别示例
Figure BDA0002139699640000143
Figure BDA0002139699640000151
表1中，标签为会话标签，相同标签的对话消息属于同一个会话，时间、发送人、内容分别对应对话消息的时间戳、发送账号以及对话文本。其中，会话标签1为一个营销会话，会话标签2、3、4都为请求服务会话。
情感分计算部13用于对各条对话消息进行情感分计算对应各条对话消息的消息情感分。
本实施例中，情感分计算部13采用基于文本和emoji表情的双模式情感识别方法，该方法通过常规的文本情感字典(中文LIWC情感词典)以及表情情感字典(例如Novak等人提出的emoji情感词典“Novak,Petra Kralj,et al.“Sentiment of emojis.”PloSone10.12(2015):e0144296.”)比对对话文本从而完成情感分析。
具体地，情感分计算部13通过文本分词单元131、分词情感分计算单元132以及消息情感分设定单元133完成双模式情感识别方法。
在情感分计算部13对一条对话消息进行情感分计算时，文本分词单元131将对话消息的对话文本进行分词从而得到多个分词。该分词分为文本分词(即常规的文本分词)以及表情分词(即用户发送的emoji表情)。
进一步，分词情感分计算单元132根据预存的情感词典对各个分词进行情感分析从而得到各个分词的情感分，即通过上述情感词典对各个分词进行一一比对从而得到各个分词的情感分。其中，当一个分词表示正向情感时该分词(例如“笑”)的情感分为1，当一个分词表示负向情感时该分词(例如“流泪”)的情感分为-1，当一个分词不具有情感时该分词(例如“的”)的情感分为0。
在得到所有分词的情感分后，消息情感分设定单元133根据对话消息中所有分词的情感分之和设定该对话消息的消息情感分。若一个对话消息中所有正负情感分之和(净得分)为正值则该对话消息的情感分为1，若净得分为负值则该对话消息的情感分为-1，若净得分为0该对话消息的情感分为0。
一个消息情感分的计算示例如下表所示：
表2消息情感分示例
Figure BDA0002139699640000161
表2中，“[流泪]”为一个emoji表情，在表情情感字典中被识别为表示负面情感，即相应的分词情感分为-1。
会话情感计算部14用于根据各个会话中对应用户账号的对话消息以及相应的消息情感分，计算对应各个服务会话的服务会话情感分以及对应各个营销会话的营销会话情感分。
本实施例中，服务会话情感分与营销会话情感分的计算方法相同，都是计算在一段会话中所有由用户发言的对话消息的消息情感分的平均值，即各个会话总的会话情感分Cust_Sentiit为：
Figure BDA0002139699640000171
式中，C表示各个所述会话的总数，J表示所述用户的个数，Cust_Sentiijtc为第t周内一次员工i和用户j的对话过程c中，用户的情感满意度的消息情感分，其中，i代表一个员工，j表示一个消费者，t代表一周，c代表一周内的某个会话。
用户消息统计部15用于对各个营销会话中发送对话消息的用户账号的数量进行统计从而得到对应各个营销会话的用户回复数量。
本实施例中，用户回复数量能够反应各个营销会话中参与的用户的数量，从而在一定程度上反应营销会话的受欢迎程度。
营销内容排序获取部16用于根据对应各个营销会话的营销会话情感分以及用户回复数量将所有营销会话进行排序，并获取排序较高的多个营销会话作为推荐营销内容以及获取排序较低的多个营销会话作为不推荐营销内容。
本实施例中，营销内容排序获取部16将一段时间内(一周，即对话信息获取部11的获取间隔时间)所有的营销会话根据其各自的营销会话情感分进行排序(例如按情感分从小到大排序)，并在该排序的序列中将用户回复数量较少(例如少于三人回复的营销会话)的营销会话剔除，进一步从最终形成的序列中获取推荐营销内容以及不推荐营销内容。
本实施例中，推荐营销内容以及不推荐营销内容为营销会话中员工发送的对话消息的对话文本(即属于营销会话的聚类原型)。
本实施例中，在营销内容排序获取部16获取推荐营销内容以及不推荐营销内容后，服务侧通信部19就将该推荐营销内容以及不推荐营销内容发送给所有员工终端，从而让员工了解受用户欢迎以及不受用户欢迎的营销内容并改善提高营销服务的质量。
平均情感分计算部17用于根据服务会话情感分计算各个员工账号所对应的服务会话情感分的均值从而得到服务会话平均情感分。
本实施例中，服务会话平均情感分为每个员工账号在社群中发送的所有服务会话的服务会话情感分的平均值。
服务质量排序部18用于根据服务会话平均情感分对员工账号进行排序从而形成服务质量序列。
本实施例中，在服务质量序列由多个员工账号的名称(或id)以文本的形式构成，在生成后，通过服务侧通信部19发送给所有的员工终端2，从而让员工了解自身以及其他员工的服务质量情况。
本实施例中，服务侧通信部19在发送服务质量序列、推荐营销内容以及不推荐营销内容时，通过管理员终端4发送给员工终端2。
图3是本发明实施例中员工终端的结构框图。
如图3所示，员工终端2具有员工侧画面存储部21、员工侧输入显示部22、员工侧通信部23以及员工侧控制部24。
其中，员工侧通信部23用于进行员工终端2的各个构成部分之间以及员工终端2与其他终端之间的数据通信，员工侧控制部24含有用于对员工终端2的各个构成部分工作进行控制的计算机程序。
员工侧画面存储部21存储有社群显示画面、营销内容显示画面以及服务序列显示画面。本实施例中，社群显示画面、提示信息显示画面以及营销内容显示画面都为社群模块的显示画面。
社群信息显示画面用于在员工登入社群时显示并在该画面中显示社群中的对话消息让员工查看。本实施例中，员工还可以通过该画面进行消息的编辑发送操作。
营销内容显示画面用于在员工终端接收到推荐营销内容以及不推荐营销内容时显示让员工查看。本实施例中，营销内容显示画面为员工账号与管理员账号两两组成的会话界面，推荐营销内容在该会话界面中以对话消息的形式显示。
服务序列显示画面用于在员工终端接收到服务质量序列时显示并在该画面中显示该服务质量序列让员工查看。本实施例中，服务序列显示画面也为员工账号与管理员账号两两组成的会话界面，提示信息在该会话界面中以对话消息的形式显示。在其他实施例中，服务序列显示画面还能够以网页的形式显示。
员工侧输入显示部22用于显示上述画面，从而让员工通过这些画面进行相应的人机交互。
在其他实施例中，员工终端2还可以具有一个提醒模块，用于在接收到推荐营销内容、不推荐营销内容或是服务质量序列时，通过显示提示框、产生提示音等方式提醒员工查看。
图4是本发明实施例中用户终端的结构框图。
如图4所示，用户终端3具有用户侧画面存储部31、用户侧输入显示部32、用户侧通信部33以及用户侧控制部34。
其中，用户侧通信部33用于进行用户终端3的各个构成部分之间以及用户终端3与其他终端之间的数据通信，用户侧控制部34含有用于对用户终端3的各个构成部分工作进行控制的计算机程序。
用户侧画面存储部31存储有社群显示画面。本实施例中，社群显示画面为社群模块的显示画面。
社群信息显示画面用于在用户登入社群时显示并在该画面中显示社群中的对话消息让用户查看。本实施例中，用户还可以通过该画面进行消息的编辑发送操作。
用户侧输入显示部32用于显示上述画面，从而让员工通过这些画面进行相应的人机交互。
图5是本发明实施例中管理员终端的结构框图。
如图5所示，管理员终端4具有登入获取部41、管理侧通信部42以及管理侧控制部43。
其中，管理侧通信部42用于进行管理员终端4的各个构成部分之间以及管理员终端4与其他终端之间的数据通信，管理侧控制部43含有用于对管理员终端4的各个构成部分工作进行控制的计算机程序。
本实施例中，在管理侧通信部42接收到对话信息获取部11发送的获取请求，管理侧控制部43就控制登入获取部41通过社群模块以及管理员账号登入各个社群并依次将每个社群中过去一段时间内所有的对话消息作为一个对话消息流，进一步控制管理侧通信部42将所有的对话消息流发送给服务管理装置1。
本实施例中，预设时间段的取值与对话信息获取部11的定期设定值相同，即登入获取部41获取一周内的所有对话消息。
图6是本发明实施例中服务质量管理过程的流程图。
如图6所示，服务质量管理过程包括如下步骤：
步骤S1，对话信息获取部11通过管理员账号访问社群模块并获取对应社群的对话消息流，然后进入步骤S2；
步骤S2，对话识别部12依次对步骤S1中获取的对话消息流中的各条对话文本进行对话识别从而获取各个社群的多个会话，然后进入步骤S3；
步骤S3，情感分计算部13依次对步骤S1获取的对话消息流中的各条对话消息进行情感分计算，并得到对应各条对话消息的消息情感分，然后进入步骤S4；
步骤S4，会话情感计算部14根据各个会话中对应用户账号的对话消息以及相应的消息情感分计算对应各个服务会话的服务会话情感分以及对应各个营销会话的营销会话情感分，然后进入步骤S5；
步骤S5，用户消息统计部15对各个营销会话中发送对话消息的用户账号的数量进行统计从而得到对应各个营销会话的用户回复数量，然后进入步骤S6；
步骤S6，营销内容排序获取部16根据步骤S4计算的营销会话情感分以及步骤S5计算的用户回复数量将所有营销会话进行排序，并获取排序较高的多个营销会话作为推荐营销内容以及获取排序较低的多个营销会话作为不推荐营销内容，然后进入步骤S7；
步骤S7，平均情感分计算部17根据步骤S4计算的服务会话情感分计算对应各个员工账号的服务会话平均情感分，然后进入步骤S8；
步骤S8，服务质量排序部18根据步骤S7计算的服务会话平均情感分对员工账号进行排序从而形成服务质量序列，然后进入步骤S9；
步骤S9，服务侧通信部19将步骤S6获取的推荐营销内容以及不推荐营销内容、步骤S8获取的服务质量序列发送给所有员工终端，然后进入结束状态。
本实施例中，对话信息获取部11的时间判断单元判断达到定期设定值，就会再次获取各个社群的对话消息流并再次执行上述步骤。
本实施例中，上述步骤S5至S18为顺序依次运行。在其他实施例中，上述步骤S5至S6、以及步骤S7至S8也可以通过并行线程等方式分别、同时运行，最后由服务侧通信部19将结果发送给员工终端。
通过上述过程，组织机构就能够定期更好地对员工的服务质量进行监控管理以及提醒改善。
实施例作用与效果
根据本实施例提供的基于社群***的服务质量优化管理***，由于具有对话识别部，因此能够对对话信息获取部从社群中获取的对话消息流进行识别从而得到服务会话以及营销会话。还具有情感分计算部对对话消息流中的各条对话消息进行情感识别，因此会话情感计算部能够根据这些对话消息的消息情感分进一步计算各个会话的会话情感分，实现了对社群中用户以及员工情感的分析。再进一步通过营销内容排序获取部根据营销会话的会话情感分对营销会话进行排序，就能够更简单、更准确地得到在一段时间内更受用户欢迎的营销内容。本发明通过提取这些受欢迎的营销内容，使得员工以及企业就能更好地对用户偏好进行了解，从而提高员工的服务质量，也有利于企业通过社群对整体市场进行一定程度上的把握。
实施例中，由于具有用户消息统计部，因此能够对各个营销会话中回复的用户数量进行统计，从而使营销内容排序获取部能够更进一步地根据用户回复数量对营销会话进行排序，从而避免一些回复量较少的营销会话被误判，使得受用户欢迎的营销内容的识别更准确。
实施例中，由于具有服务质量排序部，因此本发明还能够根据员工的回复对员工的服务质量进行监控，从有助于企业更好的了解员工在提供服务时回复的态度，从而帮助企业更好地对员工的服务质量进行管理。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
实施例中，管理员终端为独立的计算机。在其他实施例中，管理员终端的各个构成部件还可以是服务管理服务器的一部分，即，登入获取部作为服务管理服务器的一部分，管理侧通信部以及管理侧控制部的功能由服务管理服务器的服务侧通信部以及服务侧控制部完成。

Claims (7)

1.一种基于社群***的服务质量优化管理***，其特征在于，包括：
服务管理装置；
至少一个员工终端，设置有与所述社群***相应的社群模块，每个所述员工终端具有一个用于访问所述社群模块的员工账号，每个所述员工账号对应有一个社群，所述员工账号用于让员工通过该员工账号登入所述社群并向用户提供问答营销服务信息；
多个用户终端，设置有所述社群模块，具有用于访问所述社群模块的用户账号，用于让所述用户通过所述用户账号登入所述社群并获取所述员工提供的问答营销服务信息；
一个管理员终端，设置有所述社群模块，具有用于访问所有所述社群模块的管理员账号，所述服务管理装置通过所述管理员账号登入所述社群并定期获取所述社群中的对话消息，
其中，所述服务管理装置具有对话信息获取部、对话识别部、情感分计算部、会话情感计算部、营销内容排序获取部以及服务侧通信部，
所述对话信息获取部定期通过所述管理员账号访问所述社群模块并获取对应各个所述社群且由多条所述对话消息组成的对话消息流，
所述对话识别部对所述对话消息流中的各条所述对话消息进行对话识别从而获取多个与内容类型有关且包含多个相应所述对话消息的会话，所述会话分为服务会话以及营销会话，所述服务会话为主动服务会话和请求服务会话，所述主动服务会话为员工主动发送服务消息后、员工用户交流产生会话，所述请求服务会话为用户发送提问消息后、员工用户交流产生的会话，所述营销会话为员工发送营销信息后、员工用户交流产生的会话，
所述情感分计算部依次对各条所述对话消息进行情感分计算并得到对应各条所述对话消息的消息情感分，
所述会话情感计算部根据各个所述会话中对应所述用户账号的所述对话消息以及相应的所述消息情感分计算对应各个所述营销会话的营销会话情感分，
所述营销内容排序获取部根据对应各个所述营销会话的营销会话情感分将所有所述营销会话进行排序，并获取排序靠前的多个营销会话作为推荐营销内容以及获取排序靠后的多个营销会话作为不推荐营销内容，
所述服务侧通信部将所述推荐营销内容以及所述不推荐营销内容发送给所有所述员工终端，
所述对话消息包含对话文本以及时间戳，
所述对话识别部通过如下方法进行所述对话识别：
识别三类所述会话的开始，并基于时间窗口对所述对话文本进行上下文文本聚类，从而得到多个所述会话，
其中，一条上下文对话文本mj的所述时间窗口W(mj)为；
Figure FDA0003986318340000021
式(1)中，ti为对话文本mi的所述时间戳，tj为对话文本mj的所述时间戳，D的取值为6或12小时；
每一条所述对话文本m包含有三种上下文，分别为作者上下文CA(m)、指代上下文CC(m)以及时间上下文CT(m)，
对话文本m的wordembedding词向量表示为v(m)，使用对话文本mi的三种所述上下文扩展该对话文本mi，则该对话文本mi的扩展表示m′i为：
Figure FDA0003986318340000031
式(2)中，各个参数的含义为：
PA(dij)——对话文本mj属于作者上下文CA(mi)时对话文本mi与对话文本mj属于同一个会话的概率；
PC(dij)——对话文本mj属于指代上下文CC(mi)时对话文本mi与对话文本mj属于同一个会话的概率；
PT(dij)——对话文本mj属于时间上下文CT(mi)时对话文本mi与对话文本mj属于同一个会话的概率；
α——对话文本m的内容在扩展表示中所占的权重；
λA——所述作者上下文的相对权重；
λC——所述指代上下文的相对权重；
λT——所述时间上下文的相对权重，λA+λC+λT＝1；
进一步，对所述对话文本m进行所述文本聚类，将三类所述会话的开始标记为聚类原型T，并计算对话文本mi和对话文本mj的文本近似度sim(mi，mj)：
Figure FDA0003986318340000041
对于剩余的其他对话文本mj，计算与所述聚类原型的相似度sim(mj，T)：
Figure FDA0003986318340000042
Figure FDA0003986318340000043
式中，若
Figure FDA0003986318340000044
则对话文本mj的所属聚类为
Figure FDA0003986318340000048
若
Figure FDA0003986318340000045
Figure FDA0003986318340000046
则mj不属于本文要识别的对话，tthresh为mj属于
Figure FDA0003986318340000049
的最小相似度阈值，
通过公式(4)及(5)即可得到对应各个所述聚类原型T的对话文本m，依次根据各个所述聚类原型T将所属的所述对话文本m进行组合从而形成各个所述会话，
所述会话情感计算部在计算所述服务会话情感分以及所述营销会话情感分时，各个会话总的会话情感分Cust_Sentiit为：
Figure FDA0003986318340000047
式中，C表示各个所述会话的总数，J表示所述用户的个数，Cust_Sentiijtc为第t周内一次员工i和用户j的对话过程c中该用户的所述消息情感分，其中，i代表一个员工，j表示一个消费者，t代表一周，c代表一周内的某个会话。
2.根据权利要求1所述的基于社群***的服务质量优化管理***，其特征在于：
其中，所述员工终端具有员工侧画面存储部以及员工侧输入显示部，
所述员工侧画面存储部存储有营销内容查看画面，
所述员工侧输入显示部用于在所述员工终端接收到所述推荐营销内容以及所述不推荐营销内容时显示所述营销内容查看画面并让所述员工查看并推送所述推荐营销内容。
3.根据权利要求1所述的基于社群***的服务质量优化管理***，其特征在于：
其中，所述服务管理装置还具有用户消息统计部，
所述用户消息统计部依次对各个所述营销会话中发送所述对话消息的所述用户账号的数量进行统计从而得到对应各个所述营销会话的用户回复数量，
所述营销内容排序获取部在对所述营销会话进行排序时，还根据所述用户回复数量将用户回复数量低于一定数量的营销会话从排序的序列中剔除。
4.根据权利要求1所述的基于社群***的服务质量优化管理***，其特征在于：
其中，所述服务管理装置还具有平均情感分计算部以及服务质量排序部，
所述会话情感计算部还根据各个所述会话中对应所述用户账号的所述对话消息以及相应的所述消息情感分计算对应各个所述服务会话的服务会话情感分，
所述平均情感分计算部根据所述服务会话情感分计算各个所述员工账号所对应的服务会话情感分的均值从而得到服务会话平均情感分，
所述服务质量排序部根据所述服务会话平均情感分对所述员工账号进行排序从而形成服务质量序列，
所述服务侧通信部将所述服务质量序列发送给所有所述员工终端。
5.根据权利要求1所述的基于社群***的服务质量优化管理***，其特征在于：
其中，所述作者上下文CA(m)由所述对话文本m与该对话文本m属于同一个作者a的所有对话文本构成：
Figure FDA0003986318340000061
在对话文本mj属于所述作者上下文CA(m)时，对话文本mi与所述对话文本mj属于同一个会话的概率PA(dij)为：
Figure FDA0003986318340000062
式中，N表示正态分布的概率密度函数，μa表示正态分布概率密度函数的均值、设定为0，σa表示属于作者上下文的正态分布概率密度函数的标准差，
所述指代上下文CC(m)由所述对话文本m提到的作者a的所有其他对话文本以及提到该对话文本m的作者a的所有其他对话文本构成：
Figure FDA0003986318340000071
式中，Ma表示作者a的所有对话文本，
在所述对话文本mj属于所述指代上下文CC(m)时，对话文本mi与所述对话文本mj属于同一个会话的概率PC(dij)为：
Figure FDA0003986318340000072
式中，μc表示正态分布概率密度函数的均值、设定为0，σc表示属于指代上下文的正态分布概率密度函数的标准差，
所述时间上下文CT(m)由除了所述对话文本m之外的所有其他语句构成：
CT(m)＝M\m    (11)
式中，M表示所有的对话文本，
在所述对话文本mj属于所述时间上下文CT(m)，对话文本mi与所述对话文本mj属于同一个会话的概率PT(dij)为：
Figure FDA0003986318340000073
式中，μT表示正态分布概率密度函数的均值，设定为0，σT表示属于时间上下文的正态分布概率密度函数的标准差。
6.根据权利要求1所述的基于社群***的服务质量优化管理***，其特征在于：
其中，所述对话消息至少包含对话文本，
所述情感分计算部包括：
文本分词单元，分别对各条所述对话消息的所述对话文本进行分词；
分词情感分计算单元，根据预存的情感词典对各个所述分词进行情感分析从而得到各个分词的情感分；
消息情感分设定单元，根据每个对话消息中所有所述分词的所述情感分之和设定该对话消息的消息情感分。
7.根据权利要求6所述的基于社群***的服务质量优化管理***，其特征在于：
其中，所述情感词典包括文字情感字典以及表情情感字典。
CN201910664648.1A 2019-07-23 2019-07-23 基于社群***的服务质量优化管理*** Active CN110427620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910664648.1A CN110427620B (zh) 2019-07-23 2019-07-23 基于社群***的服务质量优化管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910664648.1A CN110427620B (zh) 2019-07-23 2019-07-23 基于社群***的服务质量优化管理***

Publications (2)

Publication Number Publication Date
CN110427620A CN110427620A (zh) 2019-11-08
CN110427620B true CN110427620B (zh) 2023-04-28

Family

ID=68411872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910664648.1A Active CN110427620B (zh) 2019-07-23 2019-07-23 基于社群***的服务质量优化管理***

Country Status (1)

Country Link
CN (1) CN110427620B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184299A (zh) * 2020-09-23 2021-01-05 中国建设银行股份有限公司 套利用户识别方法、装置、电子设备及介质
CN112163075A (zh) * 2020-09-27 2021-01-01 北京乐学帮网络技术有限公司 一种信息推荐方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991189A (zh) * 2019-11-27 2020-04-10 广州快决测信息科技有限公司 一种根据采集模块采集的数据生成决策结果的方法及***
CN111666502A (zh) * 2020-07-08 2020-09-15 腾讯科技（深圳）有限公司 一种基于深度学习的异常用户识别方法、装置及存储介质
CN114511374A (zh) * 2021-12-31 2022-05-17 青岛海尔工业智能研究院有限公司 成套定制家电的处理方法、装置、电子设备及可存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9536269B2 (en) * 2011-01-19 2017-01-03 24/7 Customer, Inc. Method and apparatus for analyzing and applying data related to customer interactions with social media
US11599731B2 (en) * 2019-10-02 2023-03-07 Oracle International Corporation Generating recommendations by using communicative discourse trees of conversations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991189A (zh) * 2019-11-27 2020-04-10 广州快决测信息科技有限公司 一种根据采集模块采集的数据生成决策结果的方法及***
CN111666502A (zh) * 2020-07-08 2020-09-15 腾讯科技（深圳）有限公司 一种基于深度学习的异常用户识别方法、装置及存储介质
CN114511374A (zh) * 2021-12-31 2022-05-17 青岛海尔工业智能研究院有限公司 成套定制家电的处理方法、装置、电子设备及可存储介质

Also Published As

Publication number Publication date
CN110427620A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
Han et al. The importance of interactions between content characteristics and creator characteristics for studying virality in social media
US10445351B2 (en) Customer support solution recommendation system
Serrano et al. The rise of Germany's AfD: A social media analysis
Barberá Less is more? How demographic sample weights can improve public opinion estimates based on Twitter data
US10147037B1 (en) Method and system for determining a level of popularity of submission content, prior to publicizing the submission content with a question and answer support system
CN109308357B (zh) 一种用于获得答案信息的方法、装置和设备
EP3168801A1 (en) Electronic meeting intelligence
EP3169060A1 (en) Electronic meeting intelligence
WO2021104385A1 (zh) 一种在线数据采集的方法及***
US20080059447A1 (en) System, method and computer program product for ranking profiles
CN112733042B (zh) 推荐信息的生成方法、相关装置及计算机程序产品
CN107918618B (zh) 数据处理方法及装置
CN110474944B (zh) 网络信息的处理方法、装置及存储介质
CN106921795B (zh) 一种联系人数据管理方法及其***
Fox et al. Olympians on Twitter: a linguistic perspective of the role of authenticity, clout, and expertise in social media advertising
WO2023287910A1 (en) Intelligent task completion detection at a computing device
CN110427620B (zh) 基于社群***的服务质量优化管理***
CN110414999B (zh) 一种基于社群***的服务质量管理***
CN112995719B (zh) 基于弹幕文本的问题集获取方法、装置及计算机设备
Schlogl Digital activism and the global middle class: Generation hashtag
CN107515954A (zh) 家用设备报告的生成方法、大数据***和存储介质
Lee et al. Anchoring in the past, tweeting from the present: Cognitive bias in journalists’ word choices
CN111933128A (zh) 调查问卷的题库的处理方法、装置、电子设备
CN110427566A (zh) 一种基于社群***的服务管理***
CN111143688B (zh) 一种基于移动新闻客户端的评估方法及其***

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