CN112862327A - 一种服务标签生成方法、装置及介质 - Google Patents
一种服务标签生成方法、装置及介质 Download PDFInfo
- Publication number
- CN112862327A CN112862327A CN202110189477.9A CN202110189477A CN112862327A CN 112862327 A CN112862327 A CN 112862327A CN 202110189477 A CN202110189477 A CN 202110189477A CN 112862327 A CN112862327 A CN 112862327A
- Authority
- CN
- China
- Prior art keywords
- target
- service
- sale
- historical
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 129
- 230000003993 interaction Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000035945 sensitivity Effects 0.000 abstract description 10
- 230000008451 emotion Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种服务标签生成方法、装置及介质,其中方法包括,依据预先设置的售后行为指标采集目标历史售后行为数据,并根据目标历史售后行为数据计算目标售后行为向量,在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。由于采集目标历史售后行为数据后,能够根据目标历史售后行为数据在目标售后行为向量不小于第一预设阈值时,生成对应的目标敏感服务标签,即根据采集的目标历史售后行为数据能够判断目标用户对电商平台服务的敏感与否,从而有利于电商平台和商家对目标用户提供个性化的服务,提高了用户的使用体验感,同时减少了因用户敏感性较高导致发生退货、差评等现象,降低了电商平台和商家的售后维护成本。
Description
技术领域
本申请涉及电子信息技术领域,特别是涉及一种服务标签生成方法、装置及介质。
背景技术
用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的标签化的用户模型。用户画像核心价值在于了解用户、猜测用户的潜在需求、精细化的定位人群特征、挖掘潜在的用户群体。结合媒体网站、广告主、企业及广告公司得到的数据深度挖掘群体用户的特征,根据族群的差异化特征和共性特征,帮助客户找到营销机会、运营方向,全面提高客户的核心影响力。
目前,服务标签的生成方法主要是通过挖掘用户在电商平台上的行为路径,如浏览记录、购买记录、用户信息等,以此形成用户画像,从而给对应用户推荐更加符合其喜好的广告、商品等。然而,由于用户之间性格不同,对于电商平台的服务敏感性不同,例如有些用户性格比较急躁,对于物流服务的时效性敏感程度很高,一旦配送服务不满足需要,则出现退货、差评等现象,因此现有的服务标签生成方法无法根据之前形成的用户画像,判断用户对电商平台的服务的敏感性,从而无法对用户提供个性化的服务,降低了用户的使用体验感,同时增加了平台和商家的售后维护成本。
由此可见,如何提高用户的使用体验感、降低平台和商家的售后维护成本是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种服务标签生成方法,用以提高用户的使用体验感,降低平台和商家的售后维护成本。本申请的目的是还提供一种服务标签生成装置及介质。
为解决上述技术问题,本申请提供一种服务标签生成方法,包括:
预先设置售后行为指标;
依据所述售后行为指标采集目标历史售后行为数据;
根据所述目标历史售后行为数据计算目标售后行为向量;
在所述目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。
优选的,所述生成目标敏感服务标签后,还包括:
预先设置服务词汇库;
获取所述目标历史售后行为数据中的目标关键词;
在所述目标关键词与所述服务词汇库中服务词汇的相似度不小于第二预设阈值的情况下,确定目标服务词汇;
根据所述目标服务词汇生成目标高频服务标签。
优选的,所述根据所述目标服务词汇生成目标高频服务标签前,还包括:
统计所述目标关键词的目标频率;
优选的,所述根据所述目标服务词汇生成目标高频服务标签具体为:
在所述目标频率不小于第二预设阈值的情况下,根据对应的目标服务词汇生成所述目标高频服务标签。
优选的,所述根据所述目标服务词汇生成目标高频服务标签前,还包括:
统计所述目标关键词的目标频率;
优选的,所述根据所述目标服务词汇生成目标高频服务标签具体为:
选择所述目标频率的最高值对应的目标服务词汇生成所述目标高频服务标签。
优选的,所述售后行为指标包括:订单评价、客服问答、以及表征退换货的交互数据。
优选的,所述根据所述目标历史售后行为数据计算目标售后行为向量具体包括:
获取所述目标历史售后行为数据中的目标历史订单评价数据、目标历史客服问答数据、以及表征退换货的目标历史交互数据;
获取目标历史订单的总数量;
根据所述目标历史订单评价数据和所述目标历史客服问答数据生成对应的目标订单评论特征向量和目标客服问答特征向量;
根据所述目标订单评论特征向量计算负面评价的次数和订单评价的总次数;
根据所述目标客服问答特征向量计算负面对话的次数和问答对话的总次数;
根据所述目标历史交互数据计算退换货订单的数量;
根据所述负面评价的次数和所述订单评价的总次数,确定所述目标历史订单评价数据的评分值;
根据所述负面对话的次数和所述问答对话的总次数,确定所述目标历史客服问答数据的评分值;
根据所述退换货订单的数量和所述目标历史订单的总数量,确定所述目标历史交互数据的评分值;
依据所述目标历史订单评价数据的评分值、所述目标历史客服问答数据的评分值和所述目标历史交互数据的评分值,生成所述目标售后行为向量。
优选的,所述依据所述售后行为指标采集目标历史售后行为数据具体为:
依据所述售后行为指标采集预设周期内的所述目标历史售后行为数据。
为解决上述技术问题,本申请还提供一种服务标签生成装置,包括:
第一设置模块,用于预先设置售后行为指标;
第一采集模块,用于依据所述售后行为指标采集目标历史售后行为数据;
第一计算模块,用于根据所述目标历史售后行为数据计算目标售后行为向量;
第一生成模块,用于在所述目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。
为解决上述技术问题,本申请还提供一种服务标签生成装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的服务标签生成方法的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的服务标签生成方法的步骤。
本申请所提供的服务标签生成方法,依据预先设置的售后行为指标采集目标历史售后行为数据,并根据目标历史售后行为数据计算目标售后行为向量,在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。由于采集目标历史售后行为数据后,能够根据目标历史售后行为数据在目标售后行为向量不小于第一预设阈值时,生成对应的目标敏感服务标签,即根据采集的目标历史售后行为数据能够判断目标用户对电商平台服务的敏感与否,从而有利于电商平台和商家对目标用户提供个性化的服务,提高了用户的使用体验感,同时减少了因用户敏感性较高导致发生退货、差评等现象,降低了电商平台和商家的售后维护成本。
此外,本申请提供的一种服务标签生成装置及介质,与上述服务标签生成方法对应,效果同上。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅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为本申请实施例提供的一种服务标签生成方法的流程图;
图2为本申请实施例提供的一种根据目标历史售后行为数据计算目标售后行为向量的流程图;
图3为本申请实施例提供的一种服务标签生成装置的结构示意图;
图4为本申请实施例提供的另一种服务标签生成装置的结构示意图。
具体实施方式
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,而不是全部实施例。基于本申请中的实施例,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,都属于本申请保护范围。
本申请的核心是提供一种服务标签生成方法,用以提高用户的使用体验感,降低平台和商家的售后维护成本。本申请的核心是还提供一种服务标签生成装置及介质。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种服务标签生成方法的流程图。如图1所示,该方法包括:
S10:预先设置售后行为指标。
本申请实施例中,售后行为指标包含有订单评价、客服问答以及退换货交互信息,其中,退换货交互信息可以是与线上电商平台上的参与主体通过即时通信工具进行的对答文本数据,例如与人工或机器客服的聊天记录,还可以是用户在确认签收货物后在电商平台的评论文本数据,也可以是用户退换货行为或退换货对应的订单号等。需要说明的是,售后行为指标包含有订单评价、客服问答以及退换货交互信息仅为一种表现形式,不代表仅有这一种表现形式。
S11:依据售后行为指标采集目标历史售后行为数据。
为了减少计算目标售后行为向量的工作量,作为优选的实施例,S11可以是依据售后行为指标采集预设周期内的目标历史售后行为数据。其中,预设周期不做限制,与电商平台和/或商家需求匹配即可。
S12:根据目标历史售后行为数据计算目标售后行为向量。
在具体实施中,是以预先设置的售后行为指标为基础,根据采集的目标历史售后行为数据,按照各指标对应的计算方式,分别计算各指标对应的评分值,并根据各评分值生成目标售后行为向量,则目标售后行为向量可由下式表示:
Di=[di1 di2 di3…din]
其中,Di为第i个用户的售后行为向量,di1为第i个用户在第1个指标上的评价分,di2为第i个用户在第2个指标上的评价分,di3为第i个用户在第3个指标上的评价分,din为第i个用户在第n个指标上的评价分。
S13:判断目标售后行为向量是否小于第一预设阈值,如果是,则结束,如果否,则进入S14。
需要说明的是,第一预设阈值不做具体限制,与需求匹配即可。
此外,可以分别判断各指标的评分数是否小于对应的预设阈值,也可以通过各指标的权重计算所有指标的综合值,并判断综合室是否小于预设阈值。可以理解的是,判断目标售后行为向量是否小于第一预设阈值可以采用分类算法进行计算,其中分类算法可以是包含逻辑回复、决策树等机器学习分类算法。
S14:生成目标敏感服务标签。
目标敏感服务标签表征对应的目标用户对电商平台服务的敏感性较高,一旦服务与其心理预期有差距,极大可能发生负面评价、退换货、举报、投诉甚至骂人等行为。
为了使本技术领域的人员更好地理解本申请方案,下面将具体说明当售后行为指标包括订单评价、客服问答以及退换货交互信息时,计算目标售后行为向量的方法。
图2为本申请实施例提供的一种根据目标历史售后行为数据计算目标售后行为向量的流程图。如图2所示,S12具体为:
S20:获取目标历史售后行为数据中的目标历史订单评价数据、目标历史客服问答数据、以及目标历史交互数据。
S21:获取目标历史订单的总数量。
S22:根据目标历史订单评价数据和目标历史客服问答数据生成对应的目标订单评论特征向量和目标客服问答特征向量。
S23:根据目标订单评论特征向量计算负面评价的次数和订单评价的总次数。
S24:根据目标客服问答特征向量计算负面对话的次数和问答对话的总次数。
S25:根据目标历史交互数据计算退换货订单的数量。
S26:根据负面评价的次数和订单评价的总次数,确定目标历史订单评价数据的评分值。
S27:根据负面对话的次数和问答对话的总次数,确定目标历史客服问答数据的评分值。
S28:根据退换货订单的数量和目标历史订单的总数量,确定目标历史交互数据的评分值。
S29:依据目标历史订单评价数据的评分值、目标历史客服问答数据的评分值和目标历史交互数据的评分值,生成所述目标售后行为向量。
需要说明的是,计算目标历史订单评价数据的评分值、计算目标历史客服问答数据的评分值、计算目标历史交互数据的评分值的先后顺序不做具体限制,在具体实施中,可以按图2所示的顺序进行计算,也可以同时进行计算。
在具体实施中,S23可以是通过文本情绪识别算法依据目标订单评论特征向量获取用户评论数据的负面情绪和非负面情绪的输出概率,通过比较负面情绪的输出概率和非负面情绪的输出概率,进而得到每个历史评论数据是正面评价、还是中性评价、还是负面评价,并计算负面评价的次数。同理,S24可以是通过文本情绪识别算法依据目标客服问答特征向量获取用户对话数据的负面情绪和非负面情绪的输出概率,通过比较负面情绪的输出概率和非负面情绪的输出概率,进而得到每次对话是负面情绪还是非负面情绪,并计算负面对话的次数。
本申请实施例所提供的服务标签生成方法,依据预先设置的售后行为指标采集目标历史售后行为数据,并根据目标历史售后行为数据计算目标售后行为向量,在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。由于采集目标历史售后行为数据后,能够根据目标历史售后行为数据在目标售后行为向量不小于第一预设阈值时,生成对应的目标敏感服务标签,即根据采集的目标历史售后行为数据能够判断目标用户对电商平台服务的敏感与否,从而有利于电商平台和商家对目标用户提供个性化的服务,提高了用户的使用体验感,同时减少了因用户敏感性较高导致发生退货、差评等现象,降低了电商平台和商家的售后维护成本。
在上述实施例的基础上,S14后,还包括:预先设置服务词汇库,获取目标历史售后行为数据中的目标关键词,在目标关键词与服务词汇库中服务词汇的相似度不小于第二预设阈值的情况下,确定目标服务词汇,并根据目标服务词汇生成目标高频服务标签。
为了进一步提高用户的使用体验感,作为优选的实施例,在根据目标服务词汇生成目标高频服务标签前,还包括:统计目标关键词的目标频率。则根据目标服务词汇生成目标高频服务标签具体为:在目标频率不小于第二预设阈值的情况下,根据对应的目标服务词汇生成目标高频服务标签。
此外,为了进一步提高用户的使用体验感,作为优选的实施例,在根据目标服务词汇生成目标高频服务标签前,还包括:统计目标关键词的目标频率。则根据目标服务词汇生成目标高频服务标签具体为:选择目标频率的最高值对应的目标服务词汇生成目标高频服务标签。
在具体实施中,还可以选择目标频率排名前三的目标服务词汇生成目标高频服务标签。
本申请实施例所提供的服务标签生成方法,在生成目标敏感服务标签后,还根据敏感性用户的目标关键词生成目标高频服务标签,因此电商平台和商家能够根据目标高频服务标签、在下一次服务中根据目标高频服务标签产生个性化的服务,进一步提高了用户的使用体验感,进一步降低了电商平台和商家的售后维护成本。
在上述实施例中,对于服务标签生成方法进行了详细描述,本申请还提供服务标签生成装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图3为本申请实施例提供的一种服务标签生成装置的结构示意图。如图3所示,基于功能模块的角度,该装置包括:
第一设置模块10,用于预先设置售后行为指标。
第一采集模块11,用于依据售后行为指标采集目标历史售后行为数据。
第一计算模块12,用于根据目标历史售后行为数据计算目标售后行为向量。
第一生成模块13,用于在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
作为优选的实施例,还包括:
第二设置模块,用于预先设置服务词汇库。
第一获取模块,用于获取目标历史售后行为数据中的目标关键词。
第一确定模块,用于在目标关键词与服务词汇库中服务词汇的相似度不小于第二预设阈值的情况下,确定目标服务词汇。
第二生成模块,用于根据目标服务词汇生成目标高频服务标签。
还包括:
第二获取模块,用于获取目标历史售后行为数据中的目标历史订单评价数据、目标历史客服问答数据、以及表征退换货的目标历史交互数据。
第三获取模块,用于获取目标历史订单的总数量。
第三生成模块,用于根据目标历史订单评价数据和目标历史客服问答数据生成对应的目标订单评论特征向量和目标客服问答特征向量。
第二计算模块,用于根据目标订单评论特征向量计算负面评价的次数和订单评价的总次数。
第三计算模块,用于根据目标客服问答特征向量计算负面对话的次数和问答对话的总次数。
第四计算模块,用于根据目标历史交互数据计算退换货订单的数量。
第二确定模块,用于根据负面评价的次数和订单评价的总次数,确定目标历史订单评价数据的评分值。
第三确定模块,用于根据负面对话的次数和问答对话的总次数,确定目标历史客服问答数据的评分值。
第四确定模块,用于根据退换货订单的数量和目标历史订单的总数量,确定目标历史交互数据的评分值。
第四生成模块,用于依据目标历史订单评价数据的评分值、目标历史客服问答数据的评分值和目标历史交互数据的评分值,生成目标售后行为向量。
还包括:
第二采集模块,用于依据售后行为指标采集预设周期内的目标历史售后行为数据。
本申请实施例所提供的服务标签生成装置,依据预先设置的售后行为指标采集目标历史售后行为数据,并根据目标历史售后行为数据计算目标售后行为向量,在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。由于采集目标历史售后行为数据后,能够根据目标历史售后行为数据在目标售后行为向量不小于第一预设阈值时,生成对应的目标敏感服务标签,即根据采集的目标历史售后行为数据能够判断目标用户对电商平台服务的敏感与否,从而有利于电商平台和商家对目标用户提供个性化的服务,提高了用户的使用体验感,同时减少了因用户敏感性较高导致发生退货、差评等现象,降低了电商平台和商家的售后维护成本。
图4为本申请实施例提供的另一种服务标签生成装置的结构示意图。如图4所示,基于硬件结构的角度,该装置包括:
存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中服务标签生成方法的步骤。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序201被处理器21加载并执行之后,能够实现前述任一实施例公开的服务标签生成方法的相关步骤。另外,存储器20所存储的资源还可以包括操作***202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作***202可以包括Windows、Unix、Linux等。数据203可以包括但不限于服务标签生成方法中涉及的数据等。
在一些实施例中,服务标签生成装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图4中示出的结构并不构成对服务标签生成装置的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的服务标签生成装置,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:依据预先设置的售后行为指标采集目标历史售后行为数据,并根据目标历史售后行为数据计算目标售后行为向量,在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。由于采集目标历史售后行为数据后,能够根据目标历史售后行为数据在目标售后行为向量不小于第一预设阈值时,生成对应的目标敏感服务标签,即根据采集的目标历史售后行为数据能够判断目标用户对电商平台服务的敏感与否,从而有利于电商平台和商家对目标用户提供个性化的服务,提高了用户的使用体验感,同时减少了因用户敏感性较高导致发生退货、差评等现象,降低了电商平台和商家的售后维护成本。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的计算机可读存储介质,该介质上存储有计算机程序,计算机程序被处理器执行时,能够实现如下方法:依据预先设置的售后行为指标采集目标历史售后行为数据,并根据目标历史售后行为数据计算目标售后行为向量,在目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。由于采集目标历史售后行为数据后,能够根据目标历史售后行为数据在目标售后行为向量不小于第一预设阈值时,生成对应的目标敏感服务标签,即根据采集的目标历史售后行为数据能够判断目标用户对电商平台服务的敏感与否,从而有利于电商平台和商家对目标用户提供个性化的服务,提高了用户的使用体验感,同时减少了因用户敏感性较高导致发生退货、差评等现象,降低了电商平台和商家的售后维护成本。
以上对本申请所提供的一种服务标签生成方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种服务标签生成方法,其特征在于,包括:
预先设置售后行为指标;
依据所述售后行为指标采集目标历史售后行为数据;
根据所述目标历史售后行为数据计算目标售后行为向量;
在所述目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。
2.根据权利要求1所述的服务标签生成方法,其特征在于,所述生成目标敏感服务标签后,还包括:
预先设置服务词汇库;
获取所述目标历史售后行为数据中的目标关键词;
在所述目标关键词与所述服务词汇库中服务词汇的相似度不小于第二预设阈值的情况下,确定目标服务词汇;
根据所述目标服务词汇生成目标高频服务标签。
3.根据权利要求2所述的服务标签生成方法,其特征在于,所述根据所述目标服务词汇生成目标高频服务标签前,还包括:
统计所述目标关键词的目标频率;
所述根据所述目标服务词汇生成目标高频服务标签具体为:
在所述目标频率不小于第二预设阈值的情况下,根据对应的目标服务词汇生成所述目标高频服务标签。
4.根据权利要求2所述的服务标签生成方法,其特征在于,所述根据所述目标服务词汇生成目标高频服务标签前,还包括:
统计所述目标关键词的目标频率;
所述根据所述目标服务词汇生成目标高频服务标签具体为:
选择所述目标频率的最高值对应的目标服务词汇生成所述目标高频服务标签。
5.根据权利要求1所述的服务标签生成方法,其特征在于,所述售后行为指标包括:订单评价、客服问答、以及表征退换货的交互数据。
6.根据权利要求5所述的服务标签生成方法,其特征在于,所述根据所述目标历史售后行为数据计算目标售后行为向量具体包括:
获取所述目标历史售后行为数据中的目标历史订单评价数据、目标历史客服问答数据、以及表征退换货的目标历史交互数据;
获取目标历史订单的总数量;
根据所述目标历史订单评价数据和所述目标历史客服问答数据生成对应的目标订单评论特征向量和目标客服问答特征向量;
根据所述目标订单评论特征向量计算负面评价的次数和订单评价的总次数;
根据所述目标客服问答特征向量计算负面对话的次数和问答对话的总次数;
根据所述目标历史交互数据计算退换货订单的数量;
根据所述负面评价的次数和所述订单评价的总次数,确定所述目标历史订单评价数据的评分值;
根据所述负面对话的次数和所述问答对话的总次数,确定所述目标历史客服问答数据的评分值;
根据所述退换货订单的数量和所述目标历史订单的总数量,确定所述目标历史交互数据的评分值;
依据所述目标历史订单评价数据的评分值、所述目标历史客服问答数据的评分值和所述目标历史交互数据的评分值,生成所述目标售后行为向量。
7.根据权利要求1所述的服务标签生成方法,其特征在于,所述依据所述售后行为指标采集目标历史售后行为数据具体为:
依据所述售后行为指标采集预设周期内的所述目标历史售后行为数据。
8.一种服务标签生成装置,其特征在于,包括:
第一设置模块,用于预先设置售后行为指标;
第一采集模块,用于依据所述售后行为指标采集目标历史售后行为数据;
第一计算模块,用于根据所述目标历史售后行为数据计算目标售后行为向量;
第一生成模块,用于在所述目标售后行为向量不小于第一预设阈值的情况下,生成目标敏感服务标签。
9.一种服务标签生成装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任意一项所述的服务标签生成方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的服务标签生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189477.9A CN112862327A (zh) | 2021-02-19 | 2021-02-19 | 一种服务标签生成方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189477.9A CN112862327A (zh) | 2021-02-19 | 2021-02-19 | 一种服务标签生成方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862327A true CN112862327A (zh) | 2021-05-28 |
Family
ID=75989731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189477.9A Pending CN112862327A (zh) | 2021-02-19 | 2021-02-19 | 一种服务标签生成方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862327A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279208A (zh) * | 2014-07-25 | 2016-01-27 | 北京龙源创新信息技术有限公司 | 一种数据标示方法和管理*** |
CN105653543A (zh) * | 2014-11-11 | 2016-06-08 | 阿里巴巴集团控股有限公司 | 一种信息***中的用户标签设置方法及其装置 |
CN110288431A (zh) * | 2019-06-11 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种根据用户差评情况识别恶意用户的方法 |
CN111652001A (zh) * | 2020-06-04 | 2020-09-11 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN111914169A (zh) * | 2020-07-16 | 2020-11-10 | 中信银行股份有限公司 | 产品的推荐方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-02-19 CN CN202110189477.9A patent/CN112862327A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279208A (zh) * | 2014-07-25 | 2016-01-27 | 北京龙源创新信息技术有限公司 | 一种数据标示方法和管理*** |
CN105653543A (zh) * | 2014-11-11 | 2016-06-08 | 阿里巴巴集团控股有限公司 | 一种信息***中的用户标签设置方法及其装置 |
CN110288431A (zh) * | 2019-06-11 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种根据用户差评情况识别恶意用户的方法 |
CN111652001A (zh) * | 2020-06-04 | 2020-09-11 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN111914169A (zh) * | 2020-07-16 | 2020-11-10 | 中信银行股份有限公司 | 产品的推荐方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Capturing the essence of word-of-mouth for social commerce: Assessing the quality of online e-commerce reviews by a semi-supervised approach | |
CN107391493B (zh) | 一种舆情信息提取方法、装置、终端设备及存储介质 | |
EP3617952A1 (en) | Information search method, apparatus and system | |
US20140172415A1 (en) | Apparatus, system, and method of providing sentiment analysis result based on text | |
CN104536980A (zh) | 一种确定候评项的质量信息的方法与装置 | |
US11630958B2 (en) | Determining topic labels for communication transcripts based on a trained generative summarization model | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN110674620A (zh) | 目标文案生成方法、装置、介质及电子设备 | |
CN112733042A (zh) | 推荐信息的生成方法、相关装置及计算机程序产品 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN110913354A (zh) | 短信分类方法、装置及电子设备 | |
CN110362662A (zh) | 数据处理方法、装置以及计算机可读存储介质 | |
CN111782793A (zh) | 智能客服处理方法和***及设备 | |
CN112559903A (zh) | 一种社区成员搜索方法、***、装置及介质 | |
US11176486B2 (en) | Building and matching electronic standards profiles using machine learning | |
CN114328878A (zh) | 一种信息回复方法、装置、介质 | |
CN117251547A (zh) | 用户提问应答方法及其装置、设备、介质 | |
CN113139115A (zh) | 信息推荐方法、搜索方法、装置及客户端、介质及设备 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN114037485A (zh) | 基于商家评论的服务质量评价方法、装置、设备及介质 | |
EP4116884A2 (en) | Method and apparatus for training tag recommendation model, and method and apparatus for obtaining tag | |
CN110929123A (zh) | 一种电商产品竞争分析方法及*** | |
CN115577109A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112862327A (zh) | 一种服务标签生成方法、装置及介质 | |
KR20220118703A (ko) | 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |