CN113706172A - 基于客户行为的投诉解决方法、装置、设备及存储介质 - Google Patents
基于客户行为的投诉解决方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113706172A CN113706172A CN202111003014.5A CN202111003014A CN113706172A CN 113706172 A CN113706172 A CN 113706172A CN 202111003014 A CN202111003014 A CN 202111003014A CN 113706172 A CN113706172 A CN 113706172A
- Authority
- CN
- China
- Prior art keywords
- complaint
- service
- customer
- knowledge
- preset
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000002452 interceptive effect Effects 0.000 claims abstract description 64
- 230000003287 optical effect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- 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
- G06F16/3331—Query processing
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于客户行为的投诉解决方法,包括:对投诉信息报表进行文本识别,得到投诉内容;查询目标客户在办理投诉业务时的业务记录,从业务记录中筛选交互行为数据并对交互行为数据进行结构化配置,得到客户‑业务时光轴;利用行业常用术语集以及投诉内容的时光轴集合,训练业务知识识别网络,利用业务知识识别网络,判断对客户‑业务时光轴中涉及的业务知识是否与投诉内容相关联,进而确定客户投诉的引发原因。此外,本发明还涉及区块链技术,业务记录可存储于区块链的节点。本发明还提出一种基于客户行为的投诉解决装置、电子设备以及存储介质。本发明可以准确找到导致客户投诉的根本原因,提高整体客户的满意度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于客户行为的投诉解决方法、装置、电子设备及计算机可读存储介质。
背景技术
随着行业竞争越来越激烈,各行各业都更加注重对客户投诉信息的反馈,通过处理客户投诉信息,改善业务自身,并提高客户对业务的满意度,从而提高市场份额。然而随着客户数量的增多,人工处理投诉逐渐无法满足对各个客户投诉信息进行及时反馈的需求,由此产生人工智能处理客户投诉的方法。
目前常见的人工智能处理客户投诉的方法为通过智能识别模型将客户投诉的信息进行识别、分类,但由于只根据客户投诉信息进行分析,使得智能识别模型只能分析客户遇到的问题,根据预设的方案进行回访,却无法准确找到导致客户投诉的根本原因,虽然能够解决一时问题,但无法有效降低企业被投诉的数量,无法有效提高整体客户的满意度。
发明内容
本发明提供一种基于客户行为的投诉解决方法、装置及计算机可读存储介质,其主要目的在于通过找到导致客户投诉的根本原因,来有效提高整体客户的满意度。
为实现上述目的,本发明提供的一种基于客户行为的投诉解决方法,包括:
利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据;
汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访;
若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
可选的,所述利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联,包括:
对所述客户-业务时光轴进行业务特征识别,得到所述客户-业务时光轴中关于所述投诉业务的话语特征集合;
根据所述投诉业务对应的预设业务执行标准,利用所述业务知识识别网络识别所述话语特征集合可能存在漏洞的概率,并将概率大于预设警戒值的漏洞输出,得到业务漏洞集合;
判断所述漏洞集合中是否与所述投诉内容相关联。
可选的,所述对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴,包括:
利用预设的火箭消息队列将所述各个流程节点中的交互行为数据进行顺序提取;
根据预设清洗规则,对提取出的各个交互行为数据进行脏数据清洗操作,得到干净数据;
将所述干净数据导入预设的空白时光轴模板,得到客户-业务时光轴。
可选的,所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容之前,所述方法还包括:
提取所述投诉信息报表中的业务关键字集合,并根据预设的类型标准及所述业务关键字集合,判断所述投诉信息报表的类型;
当所述投诉信息报表为服务类投诉时,将所述投诉信息报表发送至对应监察管理部门;
当所述投诉内容为业务技术类投诉时,执行所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别的步骤。
可选的,所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容,包括:
对所述投诉信息报表进行初始文本量化,得到初始量化数据,并对所述初始量化数据添加位置编码,得到排序量化数据;
利用预设的自注意力网络对所述排序量化数据进行注意力权重配置,得到量化数据;
利用预设的特征提取网络提取所述量化数据的特征,得到特征序列集合;
利用预设的全连接层对所述特征序列集合进行特征识别操作,并利用预设的softmax层对特征识别结果进行输出,得到所述目标客户的投诉内容。
可选的,所述根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据,包括:
根据所述目标客户的投诉信息报表中包含的投诉业务与客户信息,利用所述业务***,查询所述目标客户在办理所述投诉业务时的业务记录中的存储地址集合;
根据所述存储地址集合,获取预设数量的数据组块,并利用预设的分布式存储算法对各个数据组块进行合并,得到所述投诉业务对应的客服及所述目标客户之间的交互行为数据。
可选的,所述利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,包括:
利用行业常用术语集对预先构建的语言识别模型进行专业术语训练,得到业务语言识别模型;
利用所述投诉内容的时光轴集合,对所述业务语言识别网络进行微调,得到训练完成的业务知识识别网络。
为了解决上述问题,本发明还提供一种基于客户行为的投诉解决装置,所述装置包括:
投诉识别模块,用于利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
交互行为数据获取模块,用于根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据,及汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
交互行为数据-投诉对比模块,用于利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
投诉处理模块,用于若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访,及若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于客户行为的投诉解决方法。
为了解决上述问题,本发明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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于客户行为的投诉解决方法。
本发明实施例通过预训练的文字识别模型,识别目标客户的投诉信息报表,能够准确的识别目标客户想要投诉的投诉内容,增加识别效率;此外,本发明通过查询所述投诉业务被办理过程中的客服与目标客户的交互行为数据,通过判断交互行为数据与所述投诉内容的关系,对引发所述目标客户进行投诉的原因进行进一步定位。因此本发明提出的基于客户行为的投诉解决方法、装置、电子设备及计算机可读存储介质,可以解决无法准确找到导致客户投诉的根本原因的问题。
附图说明
图1为本发明一实施例提供的基于客户行为的投诉解决方法的流程示意图;
图2为本发明一实施例提供的基于客户行为的投诉解决方法中一个步骤的流程示意图;
图3为本发明一实施例提供的基于客户行为的投诉解决方法中一个步骤的流程示意图;
图4为本发明一实施例提供的基于客户行为的投诉解决装置的功能模块图;
图5为本发明一实施例提供的实现所述基于客户行为的投诉解决方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于客户行为的投诉解决方法。所述基于客户行为的投诉解决方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于客户行为的投诉解决方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于客户行为的投诉解决方法的流程示意图。在本实施例中,所述基于客户行为的投诉解决方法包括:
S1、利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容。
本发明实施例中,所述文字识别模型为训练完成的神经网络模型,能够从所述投诉信息报表中获取所述目标客户的投诉重点。其中,所述投诉信息报表为用户根据预设格式进行填写的投诉表格,包含投诉业务与客户信息等信息,通常可从企业邮箱、微信公众号等处。
详细的,如图2所示,本发明实施例中,所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容,包括:
S11、对所述投诉信息报表进行初始文本量化,得到初始量化数据,并对所述初始量化数据添加位置编码,得到排序量化数据;
S12、利用预设的自注意力网络对所述排序量化数据进行注意力权重配置,得到量化数据;
S13、利用预设的特征提取网络提取所述量化数据的特征,得到特征序列集合;
S14、利用预设的全连接层对所述特征序列集合进行特征识别操作,并并利用预设的softmax层输出特征识别结果,得到所述目标客户的投诉内容。
具体的,本发明实施例通过预设的word2Vec算法对所述投诉信息报表进行初始量化,得到各个离散型的初始量化数据,再利用Mask算法对各个初始量化数据进行位置编码添加,得到具有相对位置信息的排序量化数据。进一步地,本发明实施例利用预设的bert神经网络中的注意力机制对所述排序量化数据进行权重计算,得到包含不同量化数据间的特征的所述量化数据;最后,利用所述文字识别模型的全连接层与softmax层中的激活函数对所述量化数据进行语义识别,最终输出所述目标客户的投诉内容。
本发明另一个实施例中,所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容之前,所述方法还包括:
提取所述投诉信息报表中的业务关键字集合,并根据预设的类型标准及所述业务关键字集合,判断所述投诉信息报表的类型;
当所述投诉信息报表为服务类投诉时,将所述投诉信息报表发送至对应监察管理部门;
当所述投诉内容为业务技术类投诉时,执行所述S1。
本发明实施例提取所述投诉信息报表中的关键字集合,如,当提取出的关键字集合为【**经理、**网点、素质极低、服务差……】可以表明所述目标客户为服务类投诉,可以将服务类的投诉信息报表发送给相对应的监察管理部门,让监察管理部门对举报内容进行何时。
但是,当提取出的关键字集合为【**业务、骗人、赔钱……】可表明所述目标客户为业务类投诉,而业务类投诉主要是一些办理业务过程中的纠纷,从而可以通过S1-S6的方法进行处理。
S2、根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***,查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据。
为保证各个客户的在办理业务时的记录能够被完成保存,本发明实施例中的各个业务记录大多通过分布式存储进行保存。
详细的,本发明实施例中,所述S2,包括:
根据所述目标客户的投诉信息报表中包含的投诉业务与客户信息,利用所述业务***,查询所述目标客户在办理所述投诉业务时的业务记录中的存储地址集合;
根据所述存储地址集合,获取预设数量的数据组块,并利用预设的分布式存储算法对各个数据组块进行合并,得到所述投诉业务对应的客服及所述目标客户之间的交互行为数据。
本发明实施例中,所述业务***为一种多功能集成的***,能够对企业中各类业务进行办理及记录。
本申请实施例可以基于人工智能技术自动根据所述投诉业务与所述目标客户信息,完成所述查询、筛选的操作。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
具体的,所述投诉信息表中包含投诉业务与客户信息,利用预构建的业务***可以对所述投诉业务及客户信息进行查询,从预设的数据库中提取各个分布式的数据组块,当所述数据块的数量达到所述预设数量,如10块时,即可通过预构建的解码器对这10块数据块进行组合解码,得到还原后的所述投诉业务对应的客服及所述目标客户之间的交互行为数据。
S3、汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴。
所述时光轴为一种可视化的数据表现方式,可以根据时间顺序将各个时刻发生的事件进行记录。
详细的,本发明实施例中,所述所述各个预设阶段中的交互行为数据进行结构化配置,得到客户-业务时光轴,包括:
利用预设的火箭消息队列将所述各个流程节点中的交互行为数据进行顺序提取;
根据预设清洗规则,对提取出的各个交互行为数据进行脏数据清洗操作,得到干净数据;
将所述干净数据导入预设的空白时光轴模板,得到客户-业务时光轴。
消息队列(Mq)为一种应用程序对应用程序的通信方法,而本发明实施例中所述火箭消息队列(RocketMq)为分布式、队列模型的消息中间件,具有极其严格的消息排序。
进一步的,所述空白时光轴模板为一种可自动执行的VB程序,能够自动将输入的数据进行可视化表示。
本发明实施例利用RocketMq可以在业务***将各个业务被办理过程的记录存储到数据库之前,就将记录进行提取,并保证提取出来的记录具有时间顺序。本发明再利用预设的清洗策略
将非本业务相关的数据进行清洗,得到干净数据,最后将所述干净数据导入所述空白时光轴模板中进行自动运算,得到所述客户-业务时光轴。
本发明实施例利用所述客户-业务时光轴可以得到比所述交互行为数据更多的交互行为数据之间的特征,有利于后续业务知识识别网络的识别过程。
S4、利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联。
所述业务知识识别网络为一种机器学习的神经网络,用于根据所述客户-业务时光轴对关于所述举报业务的知识进行学习,从而判断学习到的业务知识是否会涉及所述投诉内容。
详细的,本发明实施例中,所述利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,包括:
利用行业常用术语集对预先构建的语言识别模型进行专业术语训练,得到业务语言识别模型;
利用所述投诉内容的时光轴集合,对所述业务语言识别网络进行微调,得到训练完成的业务知识识别网络。
本发明实施例中,所述行业常用术语集中包括金融业务领域的常用词汇,利用所述行业常用术语集对所述语言识别模型进行专业术语训练,使得所述业务语言识别模型能够对输入数据提取出更多关于所述业务的特征。再利用所述投诉内容的时光轴集合能够使得所述业务知识识别网络更加适应时间轴的数据输入形式,能够提取得到更多的特征用于识别。
详细的,如图3所示,本发明实施例中,所述利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否会造成所述投诉内容,包括:
S41、对所述客户-业务时光轴进行业务特征识别,得到所述客户-业务时光轴中关于所述投诉业务的话语特征集合;
S42、根据所述投诉业务对应的预设业务执行标准,利用所述业务知识识别网络识别所述话语特征集合可能存在漏洞的概率,并将概率大于预设警戒值的漏洞输出,得到业务漏洞集合;
S43、判断所述漏洞集合中是否与所述投诉内容相关联。
具体的,本发明实施例利用所述业务知识识别网络的运算层中的卷积神经网络对所述客户-业务时光轴中的各个关于所述投诉业务的进行识别学习,再根据预设的业务执行标准,可以得到所述投诉业务在所述客户-业务时光轴中的漏洞,得到漏洞集合,最后判断所述漏洞是否会引发所述投诉内容,若会引起所述投诉内容,则所述漏洞与所述投诉内容相关联。
若判定所述业务知识与所述投诉内容相关联,则执行S5、提取所述业务知识,对目标客户进行回访。
若判定所述业务知识与所述投诉内容不相关联,则执行S6、将所述投诉信息报表输出至所述投诉业务对应的相关部门。
本发明实施中,当判定所述业务知识不包含所述投诉内容,那么表明可能是所述投诉业务自身的业务执行标准存在问题,需要所述投诉业务对应的相关部门进行研究解答。
本发明实施例通过预训练的文字识别模型,识别目标客户的投诉信息报表,能够准确的识别目标客户想要投诉的投诉内容,增加识别效率;此外,本发明再通过查询所述投诉业务被办理过程中的客服与目标客户的交互行为数据,通过判断交互行为数据与所述投诉内容的关系,对引发所述目标客户进行投诉的原因进行进一步定位。因此本发明提出的基于客户行为的投诉解决方法、装置、电子设备及计算机可读存储介质,可以解决无法准确找到导致客户投诉的根本原因的问题。
如图4所示,是本发明一实施例提供的基于客户行为的投诉解决装置的功能模块图。
本发明所述基于客户行为的投诉解决装置100可以安装于电子设备中。根据实现的功能,所述基于客户行为的投诉解决装置100可以包括投诉识别模块101、交互行为数据获取模块102、交互行为数据-投诉对比模块103以及投诉处理模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述投诉识别模块101,用于利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
所述交互行为数据获取模块102,用于根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据,及汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
所述交互行为数据-投诉对比模块103,用于利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
所述投诉处理模块104,用于若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访,及若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
详细地,本发明实施例中所述基于客户行为的投诉解决装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于客户行为的投诉解决方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于客户行为的投诉解决方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于客户行为的投诉解决程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于客户行为的投诉解决程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于客户行为的投诉解决程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于客户行为的投诉解决程序是多个指令的组合,在所述处理器10中运行时,可以实现:
利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据;
汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访;
若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据;
汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访;
若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于客户行为的投诉解决方法,其特征在于,所述方法包括:
利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据;
汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访;
若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
2.如权利要求1所述的基于客户行为的投诉解决方法,其特征在于,所述利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联,包括:
对所述客户-业务时光轴进行业务特征识别,得到所述客户-业务时光轴中关于所述投诉业务的话语特征集合;
根据所述投诉业务对应的预设业务执行标准,利用所述业务知识识别网络识别所述话语特征集合可能存在漏洞的概率,并将概率大于预设警戒值的漏洞输出,得到业务漏洞集合;
判断所述漏洞集合中是否与所述投诉内容相关联。
3.如权利要求1所述的基于客户行为的投诉解决方法,其特征在于,所述对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴,包括:
利用预设的火箭消息队列将所述各个流程节点中的交互行为数据进行顺序提取;
根据预设清洗规则,对提取出的各个交互行为数据进行脏数据清洗操作,得到干净数据;
将所述干净数据导入预设的空白时光轴模板,得到客户-业务时光轴。
4.如权利要求1所述的基于客户行为的投诉解决方法,其特征在于,所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容之前,所述方法还包括:
提取所述投诉信息报表中的业务关键字集合,并根据预设的类型标准及所述业务关键字集合,判断所述投诉信息报表的类型;
当所述投诉信息报表为服务类投诉时,将所述投诉信息报表发送至对应监察管理部门;
当所述投诉内容为业务技术类投诉时,执行所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别的步骤。
5.如权利要求1所述的基于客户行为的投诉解决方法,其特征在于,所述利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容,包括:
对所述投诉信息报表进行初始文本量化,得到初始量化数据,并对所述初始量化数据添加位置编码,得到排序量化数据;
利用预设的自注意力网络对所述排序量化数据进行注意力权重配置,得到量化数据;
利用预设的特征提取网络提取所述量化数据的特征,得到特征序列集合;
利用预设的全连接层对所述特征序列集合进行特征识别操作,并利用预设的softmax层输出特征识别结果,得到所述目标客户的投诉内容。
6.如权利要求1所述的基于客户行为的投诉解决方法,其特征在于,所述根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据,包括:
根据所述目标客户的投诉信息报表中包含的投诉业务与客户信息,利用所述业务***,查询所述目标客户在办理所述投诉业务时的业务记录中的存储地址集合;
根据所述存储地址集合,获取预设数量的数据组块,并利用预设的分布式存储算法对各个数据组块进行合并,得到所述投诉业务对应的客服及所述目标客户之间的交互行为数据。
7.如权利要求1至6中任意一项所述的基于客户行为的投诉解决方法,其特征在于,所述利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,包括:
利用行业常用术语集对预先构建的语言识别模型进行专业术语训练,得到业务语言识别模型;
利用所述投诉内容的时光轴集合,对所述业务语言识别网络进行微调,得到训练完成的业务知识识别网络。
8.一种基于客户行为的投诉解决装置,其特征在于,所述装置包括:
投诉识别模块,用于利用预训练的文字识别模型,对目标客户发出的投诉信息报表进行文本识别,得到所述目标客户的投诉内容;
交互行为数据获取模块,用于根据所述目标客户的投诉信息报表中包含的投诉业务与目标客户信息,从预构建的业务***中查询所述目标客户在办理所述投诉业务时的业务记录,并从所述业务记录中筛选所述投诉业务在办理过程中的客服及所述目标客户之间的交互行为数据,及汇集所有所述交互行为数据,并按照流程节点对所述交互行为数据进行分类,得到各个流程节点中的交互行为数据,并利用预设的配置文件,对所述各个流程节点中的交互行为数据进行结构化配置,得到客户-业务时光轴;
交互行为数据-投诉对比模块,用于利用预构建的行业常用术语集以及所述投诉内容的时光轴集合,训练预构建的业务知识识别网络,并利用所述业务知识识别网络,判断对所述客户-业务时光轴中涉及的业务知识是否与所述投诉内容相关联;
投诉处理模块,用于若判定所述业务知识与所述投诉内容相关联,则提取所述业务知识,对目标客户进行回访,及若判定所述业务知识与所述投诉内容不相关联,则将所述投诉信息报表输出至所述投诉业务对应的预设部门。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于客户行为的投诉解决方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于客户行为的投诉解决方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003014.5A CN113706172B (zh) | 2021-08-30 | 2021-08-30 | 基于客户行为的投诉解决方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003014.5A CN113706172B (zh) | 2021-08-30 | 2021-08-30 | 基于客户行为的投诉解决方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706172A true CN113706172A (zh) | 2021-11-26 |
CN113706172B CN113706172B (zh) | 2023-08-25 |
Family
ID=78656642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003014.5A Active CN113706172B (zh) | 2021-08-30 | 2021-08-30 | 基于客户行为的投诉解决方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706172B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114387A (zh) * | 2023-10-25 | 2023-11-24 | 联通在线信息科技有限公司 | 交互式客服模型搭建方法、装置、电子设备及存储介质 |
CN117726345A (zh) * | 2023-11-30 | 2024-03-19 | 北京领雁科技股份有限公司 | 一种投诉数据的处理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110282662A1 (en) * | 2010-05-11 | 2011-11-17 | Seiko Epson Corporation | Customer Service Data Recording Device, Customer Service Data Recording Method, and Recording Medium |
CN112435656A (zh) * | 2020-12-11 | 2021-03-02 | 平安科技(深圳)有限公司 | 模型训练方法、语音识别方法、装置、设备及存储介质 |
CN112597752A (zh) * | 2020-12-18 | 2021-04-02 | 平安银行股份有限公司 | 投诉文本的处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111003014.5A patent/CN113706172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110282662A1 (en) * | 2010-05-11 | 2011-11-17 | Seiko Epson Corporation | Customer Service Data Recording Device, Customer Service Data Recording Method, and Recording Medium |
CN112435656A (zh) * | 2020-12-11 | 2021-03-02 | 平安科技(深圳)有限公司 | 模型训练方法、语音识别方法、装置、设备及存储介质 |
CN112597752A (zh) * | 2020-12-18 | 2021-04-02 | 平安银行股份有限公司 | 投诉文本的处理方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114387A (zh) * | 2023-10-25 | 2023-11-24 | 联通在线信息科技有限公司 | 交互式客服模型搭建方法、装置、电子设备及存储介质 |
CN117114387B (zh) * | 2023-10-25 | 2024-02-27 | 联通在线信息科技有限公司 | 交互式客服模型搭建方法、装置、电子设备及存储介质 |
CN117726345A (zh) * | 2023-11-30 | 2024-03-19 | 北京领雁科技股份有限公司 | 一种投诉数据的处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113706172B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113706172B (zh) | 基于客户行为的投诉解决方法、装置、设备及存储介质 | |
CN114840531B (zh) | 基于血缘关系的数据模型重构方法、装置、设备及介质 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN114358854A (zh) | 客户流失预警方法、装置、设备及存储介质 | |
CN114722281A (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN113724004A (zh) | 基于用户行为的业务宣传方法、装置、设备及存储介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
CN115099680A (zh) | 风险管理方法、装置、设备及存储介质 | |
CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN114693435A (zh) | 催收名单的智能回访的方法、装置、电子设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114238233A (zh) | 文件自动化清理方法、装置、设备及存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN114387021A (zh) | 业务状态生成方法、装置、设备及存储介质 | |
CN114006986A (zh) | 外呼合规预警方法、装置、设备及存储介质 | |
CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
CN114548825B (zh) | 投诉工单失真检测方法、装置、设备及存储介质 | |
CN117611355A (zh) | 保单质量评价方法、装置、设备及介质 | |
CN115841279A (zh) | 供应链数据评估方法、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 |