CN111522920A - 智能客服中开头语动态推荐的方法及相关装置 - Google Patents
智能客服中开头语动态推荐的方法及相关装置 Download PDFInfo
- Publication number
- CN111522920A CN111522920A CN201910775211.5A CN201910775211A CN111522920A CN 111522920 A CN111522920 A CN 111522920A CN 201910775211 A CN201910775211 A CN 201910775211A CN 111522920 A CN111522920 A CN 111522920A
- Authority
- CN
- China
- Prior art keywords
- candidate set
- initial language
- initial
- language candidate
- historical usage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种客服***的开头语的推荐方法,该推荐方法包括:先获取到各开头语候选集的历史使用量;再获取到各开头语候选集实时的曝光数及其点击数;利用各开头语候选集的历史使用量、各开头语候选集实时的曝光数及其点击数对各开头语候选集进行评分;根据各开头语候选集的评分推荐开头语候选集。通过上述方式,本发明推荐的开头语不仅能够包括历史记录情况,而且还能结合实时点击情况,使开头语推荐从静态的推荐方式变成动态的推荐方式,保证每个用户每次点进智能客服聊天页面所看到的的推荐信息都不一样,具有时效性,提高用户体验。
Description
技术领域
本发明涉及智能客服***的技术领域,特别是涉及一种智能客服中开头语动态推荐的方法及相关装置。
背景技术
智能客服产品是AI的一个产物,智能客服在电商、金融、医疗等行业中广泛应用。智能客服可以24小时不间断的提供服务,提高企业效率或者为企业减少人力成本。
而开头语是智能客服中的一项重要功能,很多企业也称之为“未问先答”。具体地,开头语功能是指客户进入智能客服聊天页面还没有说话,这时智能客服推荐给用户的信息。
目前智能客服推荐的开头语一般是基于历史数据进行统计的,例如统计设定天数的聊天日志数据,在用户进入问答界面后,向用户推荐历史点击频率较高的推荐语。即现有技术中推荐给用户的开头语中推荐的信息是静态的,所有用户看到的推荐结果都是一样的,而且推荐结果也相对陈旧。因此,现有智能客服开头语功能的推荐不具有实时性,难以应对突发性用户需求。
发明内容
本发明提供一种客服***的开头语的推荐方法及相关装置,以解决现有技术中存在的智能客服开头语只能给所有用户提供同样的静态推荐信息以及推荐信息陈旧单一的问题。
为解决上述技术问题,本发明提供一种客服***的开头语的推荐方法,该推荐方法包括:获取各开头语候选集的历史使用量;获取所述各开头语候选集实时的曝光数和点击数;利用所述各开头语候选集的历史使用量、所述各开头语候选集实时的曝光数及点击数对所述各开头语候选集进行评分;根据所述各开头语候选集的评分推荐开头语候选集。
其中,利用所述各开头语候选集的历史使用量以及所述各开头语候选集实时的曝光数及其点击数对所述各开头语候选集进行评分的步骤包括:
根据各开头语候选集的点击数及其曝光数确定所述各开头语候选集的当前点击率;
通过所述当前点击率与所述各开头语候选集的历史使用量对所述各开头语候选集进行评分;
其中,通过当前点击率与所述各开头语候选集的历史使用量对各开头语候选集进行评分的步骤具体包括:按照如下公式(1)对各开头语候选集进行评分:
score(si)=(r1,r2,r3,…ri,…,rn)=alpha*ki+beta*ci (1),
其中,si为第i条开头语候选集,ri为第i条开头语候选集的评分,n为开头语的个数,且n为正整数,ki为经过归一化处理后的第i条开头语候选集历史使用量;ci为第i条开头语候选集的当前点击率;alpha为第i条开头语候选集历史使用量的权重系数;beta为第i条开头语候选集的当前点击率的权重系数,且满足alpha+beta=1;
其中,获取到各开头语候选集的历史使用量的步骤包括:对各开头语候选集的历史使用量进行所述归一化处理;
其中,对各开头语候选集的历史使用量进行归一化处理的步骤包括:通过如下公式(2)对各开头语候选集的历史使用量进行归一化处理:
ki=Hi/(max(H)–min(H)) (2),
其中,Hi为第i个开头语候选集的历史使用量,max(H)为开头语候选集最大历史使用量,min(H)为开头语候选集最小历史使用量;
其中,根据各开头语候选集的评分推荐开头语的步骤具体包括:根据所述各开头语候选集的评分和预设规则确定所述各开头语候选集在预设总次数中的选中次数,并根据对应所述选中次数与所述预设总次数的比值来确定所述各开头语候选集的选中概率;按照所述各开头语候选集的选中概率挑选出一定数量的开头语候选集进行推荐曝光。
其中,所述预设规则包括:
当i不等于1时,通过如下公式(3)和(4)计算出第i条开头语候选集的选中次数对应的区间长度Y[ai,bi)的上界ai和下界bi:
ai=[sum(r1,r2,..,r(i-1))/sum(r1,r2,r3,…,rn)]*L (3)
bi=[sum(r1,r2,..,r(i-1),ri)/sum(r1,r2,r3,…,rn)]*L (4)
当i等于1时,将第i条开头语候选集的选中次数对应的区间长度Y的上界ai设置为0,通过如上公式(4)计算出开头语候选集的选中次数对应的区间长度的下界bi;其中,L为预设总次数对应的预设总长度。
为解决上述技术问题,本发明还提供一种客服***的开头语的推荐装置,该推荐装置包括历史获取模块,实时获取模块、评分模块以及推荐模块;
其中,历史获取模块用于获取到各开头语候选集的历史使用量;实时获取模块用于获取到各开头语候选集实时的曝光数及其点击数;评分模块用于利用各开头语候选集的历史使用量以及各开头语候选集实时的曝光数及其点击数对各开头语候选集进行评分;推荐模块用于根据各开头语候选集的评分推荐开头语。
为解决上述技术问题,本发明还提供一种客服***,所述客服***包括:处理器和存储器,所述存储器中存储所述用户的所述历史数据和实时数据,所述处理器用于执行上述任一项所述的推荐方法。
为解决上述技术问题,本发明还提供一种存储装置,所述存储装置存储有程序数据,所述程序数据能够被执行以实现上述任一项所述的推荐方法。
本发明的有益效果是:区别于现有技术的情况,本发明通过同时获取用户历史数据与实时数据生成开头语候选集,并通过本发明的开头语候选集打分评价方式和开头语候选集的推荐生成方式生成推送给用户推荐信息,通过历史记录和实时点击情况相结合的方式,使开头语推荐从静态的推荐方式变成动态的推荐方式,保证每个用户每次点进智能客服聊天页面所看到的的推荐信息都不一样,而且具有时效性,提高用户体验。
附图说明
图1是本发明提供的开头语推荐方法一实施例的流程示意图;
图2是图1所示实施例中步骤S13的子流程示意图;
图3是图1所示实施例中步骤S14的子流程示意图;
图4是本发明提供的开头语推荐装置一实施例的结构示意图;
图5是本发明提供的客服***一实施例的结构示意图;
图6是本发明提供的存储装置一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明开头语推荐方法一实施例的流程示意图,本实施例的开头语推荐方法包括以下步骤:
S11:获取各开头语候选集的历史使用量。
开头语一般包括两种方式,一种是带标签式,即每一个问题对应一个标签,每个标签可以对应多个问题,如下表1所述,另一种是问答式的,即一个问题对应一个答案,如表2所示。
表1带标签问答模式示例
表2问答模式示例
问法 | 答案 |
利息可以少么? | 利息是统一的,不能更改,谢谢! |
最近有什么活动? | 五一活动多多,请点击网址查看。 |
在本实施方式中,首先采集各开头语候选集的历史使用量,也就是历史预设时间段内各开头语候选集的使用量。具体地,获取到设定时间段内所有的用户与智能客服的聊天记录中开头语的使用量,在一个可选的实施方式中,该开头语候选集的使用量是指开头语候选集的点击量或者用户通过文字、语音或者体感或其他实施方式输入的问题等。其中,该开头语候选集语包括上述问答式的开头语候选集以及标签式的开头语候选集,其中,一个标签式开头语候选集只对应一个标签,虽然一个标签可能对应多个问题,但某个标签式开头语候选集被选中时,其只会向用户展示一个相关问题,而一个问答式开头语候选集也只对应一个问题,则某个问答式开头语候选集被推荐时也只展示一个相关问题。
在一个具体的实施方式中,可通过包嗅探器方式获取上述历史使用量。(包嗅探器的使用原理为:访问者发出的请求到达服务器之前,会先经过包嗅探器,然后包嗅探器才会将请求发送到服务器。包嗅探器收集到的数据经过处理服务器处理后存入数据库。)
该设定时间段可以根据需要设定,例如可根据问题热度进行时间设定,如5天、7天、10天、15天、30天或者其他时间。优选地,选择7天为设定时间段。
需要说明的是,有的开头语候选集在上述设定时间段内可能并没被点击到或点击量较少,但是为了提高后续评分精度,可将该开头语候选集的使用量设置为0,而非不统计。
例如,如果开头语候选集的总体数量为n,将开头语候选集设为si,开头语候选集的集合设为S,即S=(s1,s2,s3…,sn);对应的开头语候选集的历史使用量设为H,候选集对应的历史使用量:H=(h1,h2,h3,…,hn)开头语候选集的使用量,hi为第i个开头语候选集在历史预设时间段内的使用量。例如统计出7天内各开头语候选集的使用量,开头语候选集为10个,对应的开头语候选集的集合设为S=(s1,s2,s3,s4,s5,s6,s7,s8,s9,s10),对应获取到的各开头语候选集在历史预设时间段7天内的使用量为:
H=(h1,h2,h3,h4,h5,h6,h7,h8,h9,h10)。
S12:获取各开头语候选集实时的曝光数和点击数。
在一个具体的实施方式中,同样可通过包嗅探器方式获取上述曝光数与点击数。
若开头语候选集为带标签式开头语时,则其曝光数为推送给用户的问题数量,若开头语候选集为问答式开头语时,则其曝光数也为推送给用户的问题数量,例如:若有3个标签式开头语候选集与2个问答式开头语候选集被选中推荐,由于两种候选集都只推荐相应的一个问题,则曝光数与推荐开头语候选集数量相同,都为5个。
点击数的统计一般有两种方式,一种是累加式点击,如:用户点击了推荐信息中的3条信息(同一信息点击多次算1次),则算3次点击;一种是非累加式点击,如:智能客服推荐一次,用户有点击行为无论多少次,只统计点击数为1;没有点击行为,则统计点击数为0。
S13:利用各开头语候选集的历史使用量、各开头语候选集实时的曝光数及点击数对各开头语候选集进行评分。
可选地,各开头语候选集的曝光数与其对应的点击数可计算得出相应开头语候选集的点击率,具体步骤如图2所示,步骤S131包括:
S131:根据各开头语候选集的点击数及其曝光数确定各开头语候选集的当前点击率。
具体地,点击率计算规则如下:
设开头语候选集的曝光数为P,候选集对应的曝光数:P=(p1,p2,p3,…,pn),pi为第i个开头语候选集的曝光数;设对应开头语候选集的点击数为Q,候选集对应的点击数:Q=(q1,q2,q3,…,qn),qi为第i个开头语候选集的点击数,设对应开头语候选集的点击率为C,候选集对应的点击率:C=(c1,c2,c3,…,cn),ci为第i个开头语候选集的点击率,则点击率计算公式为:
ci=qi/pi。
可选地,通过归一化处理的历史使用量与对应开头语候选集的点击率进行评分,具体步骤如图2所示,步骤S132包括:
S132:对各开头语候选集的历史使用量进行归一化处理。
由于各开头语候选集的历史使用量与点击率不在一个量纲,如:历史使用量可能为100、5000等,但点击率的范围仅为0到1,需要对历史使用量进行归一化处理,考虑到历史使用量是固定不变的,故而采用最大最小归一化的方法。
设候选集的总体数量为n,将开头语候选集设为si,开头语候选集的集合设为S,即S=(s1,s2,s3…,sn)。对应的开头语候选集的历史使用量设为H,候选集对应的历史使用量:H=(h1,h2,h3,…,hn)开头语候选集的使用量,hi为第i个开头语候选集在历史预设时间段内的使用量;
历史使用量归一化为:ki=Hi/(max(H)–min(H))。
S133:通过当前点击率与各开头语候选集的历史使用量对各开头语候选集进行评分。
开头语候选集si的分数计算公式如下:
score(si)=(r1,r2,r3,…ri,…,rn)=alpha*ki+beta*ci=ri,
其中alpha,beta两个参数为权重超参,满足alpha+beta=1,并且alpha和beta两个权重超参可以根据实际使用进行调整,例如若用户属于保守派,偏重历史数据,可设置alpha为0.8,beta为0.2;若用户属于激进派,偏重实时数据,可设置alpha为0.3,beta为0.7,并不限于此。
S14:根据各开头语候选集的评分推荐开头语候选集。
在一个可选的实施方式中,当得到各开头语候选集的评分后,可以直接根据评分的高低推荐出一定数量的开头语候选集。通过历史记录和实时点击情况相结合的方式,使开头语推荐从静态的推荐方式变成动态的推荐方式,保证每个用户每次点进智能客服聊天页面所看到的推荐信息都不一样,而且具有时效性,提高用户体验。
进一步的,当计算出各开头语候选集的评分时,理论上可以进行候选集的推荐,但由于评分是固定的值,推荐时只会推荐评分高的候选集,导致多个用户接受到的推荐信息都是一样的,例如,若有两个候选集,评分为40分的A候选集与评分为60的B候选集,当依据评分只推荐一个候选集时,无论有多少个用户进入界面看到的都会是一样的,都为60分的B候选集,此推荐方法过于刻板;而若根据评分算出候选集对应的概率,则在该例子中,A候选集的推荐概率为40%,B候选集概率为60%,若有100个用户进入界面,则在理想情况下,有60个用户看到B候选集,另外40个用户看到A候选集,诸如此类,因此,该推荐方法具备多样性。
因此,为了进一步地提高推荐信息的多样性,在另一个可选的实施方式中,可根据各开头语候选集的评分计算其选中概率。具体如图3所示,图3是步骤S141另3一具体实施方式的流程示意图。包括:
S141:根据各开头语候选集的评分和预设规则确定各开头语候选集在预设总次数中的选中次数,并根据对应选中次数与预设总次数的比值来确定各开头语候选集的选中概率。
其逻辑为:设定预设总次数对应的预设总长度为一个很大且固定的正整数L,同时,设第i个开头语候选集为si,si被选中的概率为T,开头语候选集的数量为i,第i个开头语候选集的选中次数对应的区间长度为Y,ai为该区间长度的下界,bi为该区间长度的上界。
则当i不等于1时,
令ai=[sum(r1,r2,..,r(i-1))/sum(r1,r2,r3,…,rn)]*L,
bi=[sum(r1,r2,..,r(i-1),ri)/sum(r1,r2,r3,…,rn)]*L,
则Y属于[ai,bi),
在数值上:Y=bi-ai=[ri/sum(r1,r2,r3,…,rn)]*L,
si被概率选中为T=(bi-ai)/L。
当i等于1时,
令ai=0,
令bi=[sum(r1,r2,..,r(i-1),ri)/sum(r1,r2,r3,…,rn)]*L,
则Y属于[0,bi),
si被概率选中为T=bi/L。
也就是说,结合i不等于1与i等于1的所有情况,所有开头语候选集对应的区间长度集合的并集为[0,L],每个候选集选中次数对应的区间长度由其评分数值决定。
举例说明,若总共有4个开头语候选集甲、乙、丙和丁,其评分分别为甲为1分,乙为4分,丙为5分和丁为10分,设预设总次数对应的总长度为100。
当计算第一个候选集也就是甲候选集的选中概率时,
ai=0,bi=[1/(1+4+5+10)]*100=5,
也就是此时甲的区间长度Y属于[0,5),
计算第二个候选集乙候选集的选中概率:
ai=[1/(1+4+5+10)]*100=5,
bi=[(1+4)/(1+4+5+10)]*100=25,
也就是此时乙的区间长度Y属于[5,25),
当计算第三个候选集也就是丙候选集的选中概率时,
ai=[(1+4)/(1+4+5+10)]*100=25,
bi=[(1+4+5)/(1+4+5+10)]*100=50,
也就是此时乙的区间长度Y属于[25,50),
当计算第四个候选集也就是丁候选集的选中概率时,
ai=[(1+4+5)/(1+4+5+10)]*100=50,
bi=[(1+4+5+10)/(1+4+5+10)]*100=100,
也就是此时丁的区间长度Y属于[50,100),
此时,T甲=(5-0)/100=5%,T乙=(25-5)/100=20%,T丙=(50-25)/100=25%,T丁=(100-50)/100=50%。
可以看出,所有候选集选中次数对应的区间长度集合的并集就是预设总长度对应的预设总长度,而候选集选中次数对应的区间长度是由其对应的评分决定的。
也就是说,选中次数越大,对应的区间长度越长,对应被选中概率就越大,选中次数越小,对应的区间长度越短,被选中概率就越小。
S142:按照各开头语候选集的选中概率挑选出一定数量的开头语候选集进行推荐曝光。
在计算出各开头语候选集的选中概率后,依次不重复的从所有开头语候选集中依据其选中概率挑选开头语候选集,直到挑选出预设数量的候选集或没有候选集为止。
其中,开头语的设定数量可以进行调整,例如可以根据实际需要进行设定,如3条、5条、7条或其他数量,优选地,选择5条为设定数量。
通过上述方法,通过获取各开头语候选集的历史使用量以及获取各开头语候选集实时的曝光数及其点击数,并计算出点击率后,再根据分数计算公式进行评分,最后根据评分结果计算出对应候选集产生的对应区间长度,并根据区间长度所对应的概率推荐相应开头语候选集,解决了现有技术中仅考虑历史数据的局限,结合历史记录和实时点击,考虑突发性用户需求,给用户带来更具有时效性的开头语功能,提高用户体验。
请参阅图4,图4是本发明开头语推荐装置一实施例的结构示意图,本实施方式的开头语推荐装置包括历史获取模块31、实时获取模块32、评分模块33以及推荐模块34。
历史获取模块31用于获取各开头语候选集的历史使用量;该模块通过包嗅探器方式获取历史使用量,其中,历史预设时间可以根据实际需要进行设定。
实时获取模块32用于获取到各开头语候选集实时的曝光数及其点击数;该模块同样可通过包嗅探器方式获取到上述曝光数与点击数,同时根据各开头语候选集的点击数及其曝光数确定各开头语候选集的当前点击率,其具体的点击率的计算公式为:ci=qi/pi。
评分模块33用于利用各开头语候选集的历史使用量以及各开头语候选集实时的曝光数及其点击数对各开头语候选集根据上述评分规则进行评分;先对各开头语候选集的历史使用量进行归一化处理,其逻辑为:ki=Hi/(max(H)–min(H)),再通过当前点击率与各开头语候选集的历史使用量对各开头语候选集进行评分,在一具体的实施例中评分计算公式为score(si)=(r1,r2,r3,…,rn)=alpha*ki+beta*ci=ri。
推荐模块34用于根据各开头语候选集的评分对应的选中概率推荐开头语;根据预设的规则确定各开头语候选集在预设总次数中的的选中次数,并根据对应选中次数与总次数的比值来确定各开头语候选集的选中概率;最后按照各开头语候选集的选中概率确定设定数量的开头语进行推荐曝光。
基于同样的发明构思,本发明还提出了一种客服***,该客服***能够被执行以实现上述任一实施例的开头语推荐方法,请参阅图5,图5是本发明提供的客服***一实施例的结构示意图,客服***包括处理器41以及存储器42。
其中存储器42用于存储通过包嗅探器方式获取的用户在历史预设时间内各开头语的使用量和各开头语的曝光数以及点击数。
处理器41用于依据各开头语的曝光数和点击率通过ci=qi/pi算法得出对应开头语候选集的点击率;并依据ki=Hi/(max(H)–min(H))算法对各开头语候选集的历史使用量进行归一化处理。
通过各开头语候选集点击率与各开头语候选集的历史使用量对各开头语候选集进行评分,评分公式如下:score(si)=(r1,r2,r3,…ri,…,rn)=alpha*ki+beta*ci=ri。
最后根据各开头语候选集的评分按照预设规则确定各开头语候选集在预设总次数中的选中次数,并根据对应选中次数与总次数的比值来确定各开头语候选集的选中概率,按照各开头语候选集的选中概率确定设定数量的开头语候选集进行推荐曝光。
基于同样的发明构思,本发明还提出了一种存储装置,请参阅图6,图6是本发明提供的存储装置一实施例的结构示意图。存储装置50中存储有程序数据51,程序数据51可以为程序或指令,该程序数据能够执行获取到各开头语候选集的历史使用量;获取到各开头语候选集实时的曝光数及其点击数;利用各开头语候选集的历史使用量以及各开头语候选集实时的曝光数及其点击数对各开头语候选集进行评分;根据各开头语候选集评分对应的选中概率推荐开头语等上述开头语候选集的推荐方法。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种客服***的开头语的推荐方法,其特征在于,所述推荐方法包括:
获取各开头语候选集的历史使用量;
获取所述各开头语候选集实时的曝光数和点击数;
利用所述各开头语候选集的历史使用量、所述各开头语候选集实时的曝光数及点击数对所述各开头语候选集进行评分;
根据所述各开头语候选集的评分推荐开头语候选集。
2.根据权利要求1所述客服***的开头语的推荐方法,其特征在于,利用所述各开头语候选集的历史使用量以及所述各开头语候选集实时的曝光数及其点击数对所述各开头语候选集进行评分的步骤包括:
根据所述各开头语候选集的点击数及其曝光数确定所述各开头语候选集的当前点击率;
通过所述当前点击率与所述各开头语候选集的历史使用量对所述各开头语候选集进行评分。
3.根据权利要求2所述的客服***的开头语的推荐方法,其特征在于,所述通过所述当前点击率与所述各开头语候选集的历史使用量对所述各开头语候选集进行评分的步骤具体包括:
按照如下公式(1)对所述各开头语候选集进行评分:
score(si)=(r1,r2,r3,…ri,…,rn)=alpha*ki+beta*ci (1),
其中,si为第i条开头语候选集,ri为第i条开头语候选集的评分,n为开头语的个数,且n为正整数,ki为经过归一化处理后的第i条开头语候选集历史使用量;ci为第i条开头语候选集的当前点击率;alpha为第i条开头语候选集历史使用量的权重系数;beta为第i条开头语候选集的当前点击率的权重系数,且满足alpha+beta=1。
4.根据权利要求3所述的客服***的开头语的推荐方法,其特征在于,在所述获取到各开头语候选集的历史使用量之后还包括:
对所述各开头语候选集的历史使用量进行所述归一化处理。
5.根据权利要求4所述的客服***的开头语的推荐方法,其特征在于,所述对所述各开头语候选集的历史使用量进行所述归一化处理的步骤包括:
通过如下公式(2)对所述各开头语候选集的历史使用量进行归一化处理:
ki=Hi/(max(H)–min(H)) (2),
其中,Hi为第i个开头语候选集的历史使用量,max(H)为开头语候选集最大历史使用量,min(H)为开头语候选集最小历史使用量。
6.根据权利要求3~5任一项所述的客服***的开头语的推荐方法,其特征在于,所述根据所述各开头语候选集的评分推荐开头语候选集的步骤具体包括:
根据所述各开头语候选集的评分和预设规则确定所述各开头语候选集在预设总次数中的选中次数,并根据对应所述选中次数与所述总次数的比值来确定所述各开头语候选集的选中概率;
按照所述各开头语候选集的选中概率挑选出一定数量的开头语候选集进行推荐曝光。
7.根据权利要求6所述的客服***的开头语的推荐方法,其特征在于,所述预设规则包括:
当i不等于1时,通过如下公式(3)和(4)计算出第i条开头语候选集的选中次数对应的区间长度Y[ai,bi)的上界ai和下界bi:
ai=[sum(r1,r2,..,r(i-1))/sum(r1,r2,r3,…,rn)]*L (3)
bi=[sum(r1,r2,..,r(i-1),ri)/sum(r1,r2,r3,…,rn)]*L (4)
当i等于1时,将第i条开头语候选集的选中次数对应的区间长度Y的上界ai设置为0,通过如上公式(4)计算出开头语候选集的选中次数对应的区间长度的下界bi;其中,L为预设总次数对应的预设总长度。
8.一种客服***的开头语的推荐装置,其特征在于,所述推荐装置包括历史获取模块,实时获取模块、评分模块以及推荐模块,
所述历史获取模块用于获取到各开头语候选集的历史使用量;
所述实时获取模块用于获取到所述各开头语候选集实时的曝光数及其点击数;
所述评分模块用于利用所述各开头语候选集的历史使用量以及所述各开头语候选集实时的曝光数及其点击数对所述各开头语候选集进行评分;
所述推荐模块用于根据所述各开头语候选集的评分推荐开头语候选集。
9.一种客服***,其特征在于,所述客服***包括:处理器和存储器,所述存储器中存储所述用户的所述历史数据和实时数据,所述处理器用于执行如权利要求1-8任一项所述的推荐方法。
10.一种存储装置,其特征在于,所述存储装置存储有程序数据,所述程序数据能够被执行以实现如权利要求1-8任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910775211.5A CN111522920B (zh) | 2019-08-21 | 2019-08-21 | 智能客服中开头语动态推荐的方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910775211.5A CN111522920B (zh) | 2019-08-21 | 2019-08-21 | 智能客服中开头语动态推荐的方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111522920A true CN111522920A (zh) | 2020-08-11 |
CN111522920B CN111522920B (zh) | 2021-12-03 |
Family
ID=71900356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910775211.5A Active CN111522920B (zh) | 2019-08-21 | 2019-08-21 | 智能客服中开头语动态推荐的方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111522920B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079039A (zh) * | 2006-06-30 | 2007-11-28 | 腾讯科技(深圳)有限公司 | 一种搜索广告排序***和方法 |
CN103246985A (zh) * | 2013-04-26 | 2013-08-14 | 北京亿赞普网络技术有限公司 | 一种广告点击率预测方法及装置 |
CN104424291A (zh) * | 2013-09-02 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 一种对搜索结果进行排序的方法及装置 |
CN105654326A (zh) * | 2014-11-14 | 2016-06-08 | 阿里巴巴集团控股有限公司 | 一种信息处理***及方法 |
CN106682925A (zh) * | 2015-11-06 | 2017-05-17 | 北京奇虎科技有限公司 | 广告内容的推荐方法及装置 |
-
2019
- 2019-08-21 CN CN201910775211.5A patent/CN111522920B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079039A (zh) * | 2006-06-30 | 2007-11-28 | 腾讯科技(深圳)有限公司 | 一种搜索广告排序***和方法 |
CN103246985A (zh) * | 2013-04-26 | 2013-08-14 | 北京亿赞普网络技术有限公司 | 一种广告点击率预测方法及装置 |
CN104424291A (zh) * | 2013-09-02 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 一种对搜索结果进行排序的方法及装置 |
CN105654326A (zh) * | 2014-11-14 | 2016-06-08 | 阿里巴巴集团控股有限公司 | 一种信息处理***及方法 |
CN106682925A (zh) * | 2015-11-06 | 2017-05-17 | 北京奇虎科技有限公司 | 广告内容的推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111522920B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7406434B1 (en) | System and method for improving the performance of electronic media advertising campaigns through multi-attribute analysis and optimization | |
Bauwens et al. | The stochastic conditional duration model: a latent variable model for the analysis of financial durations | |
Guardabascio et al. | Estimating the dose–response function through a generalized linear model approach | |
US8121886B2 (en) | Confidence based selection for survey sampling | |
US20110191170A1 (en) | Similarity function in online advertising bid optimization | |
US20110191169A1 (en) | Kalman filter modeling in online advertising bid optimization | |
KR20080114761A (ko) | 행위 타겟팅 시스템 | |
Handouyahia et al. | Kernel matching versus inverse probability weighting: a comparative study | |
US11610580B2 (en) | System and method for determining reasons for anomalies using cross entropy ranking of textual items | |
US20110191282A1 (en) | Evaluating Statistical Significance Of Test Statistics Using Placebo Actions | |
US20110301926A1 (en) | Method or system to evaluate strategy decisions | |
CN103177371B (zh) | 一种信息展示方法和装置 | |
Malam et al. | The determinants of long run economic growth in Nigeria | |
Shita et al. | The impact of agricultural technology adoption on income inequality: a propensity score matching analysis for rural Ethiopia | |
CN116188140A (zh) | 一种信贷金融风险策略生产方法和装置 | |
CN110427358B (zh) | 数据清洗方法及装置和信息推荐方法及装置 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
Cevik et al. | Bubble detective: City‐level analysis of house price cycles | |
Mohri et al. | Non-parametric revenue optimization for generalized second price auctions | |
CN111522920B (zh) | 智能客服中开头语动态推荐的方法及相关装置 | |
Cappelli et al. | Change point analysis of imprecise time series | |
Almus | Job creation through public start-up assistance? | |
Koustas et al. | Evidence of nonlinear mean reversion in the real interest rate | |
Choy | Trade cycles in a re-export economy: the case of Singapore | |
CN111209484B (zh) | 基于大数据的产品数据的推送方法、装置、设备及介质 |
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 | ||
OL01 | Intention to license declared | ||
OL01 | Intention to license declared |