CN115914469A - 一种名单分配方法、装置、设备及存储介质 - Google Patents
一种名单分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115914469A CN115914469A CN202211351929.XA CN202211351929A CN115914469A CN 115914469 A CN115914469 A CN 115914469A CN 202211351929 A CN202211351929 A CN 202211351929A CN 115914469 A CN115914469 A CN 115914469A
- Authority
- CN
- China
- Prior art keywords
- task
- service
- data
- intention
- type information
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本本申请涉及人工智能和客服接线领域,尤其涉及一种名单分配方法、装置、计算机设备及存储介质,通过获取任务历史数据库中的每一历史数据以构建训练任务集;利用所述训练任务集训练深度学习模型,得到名单分配模型;接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据;基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服有,本方案能够通过在客户对话中判断客户的意图,以分配到最合适的客服进行业务对接,以此促进公司业务的发展,以整体达到名单的最优转化率。
Description
技术领域
本申请涉及人工智能和客服接线领域,尤其涉及一种名单分配方法、装置、计算机设备及存储介质。
背景技术
目前在金融业务中,目前进线客户在转接人工的时候,只能根据客户进线的号码、地区进行名单分配。同时不同地区、不同资源类型的客户,有着不同的名单转化率;且不同的服务坐席有着不同的业务属性。但目前的名单分配***不支持将坐席的信息和客户的信息进行结合分析,得到一个最优的名单分配,从而达到最大的转换效益;因此需要有一种能够通过在客户对话中归纳客户的意图,并判断出对应的客户类型分配到最合适的客服进行业务对接的方法,以此促进公司业务的发展,以整体达到名单的最优转化率。
发明内容
本申请实施例的目的在于提出一种名单分配方法,用于以解决现有技术中监听公司内部网络中是否存在未授权设备的安全问题。
为了解决上述技术问题,本申请实施例提供一种名单分配方法,采用了如下所述的技术方案:
获取任务历史数据库中的每一历史数据以构建训练任务集;
利用所述训练任务集训练深度学习模型,得到名单分配模型;
接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据;
基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服。
进一步的,该方法还包括:
对所述历史数据库中的历史数据进行数据分类,得到第一多场景数据信息、第一多任务类型信息和第一多业务类型信息;
基于预设的任务目的,对所述第一多场景数据信息、第一多任务类型信息和第一多业务类型信息对应的原始历史数据进行样本分类抽取,得到所述训练任务集,其中,每个所述训练任务包括训练样本集和评估样本集,所述训练样本集用于训练深度学习模型,所述评估样本集用于评估训练后的深度学习模型。
进一步的,该方法还包括:
根据预设的客户意图分类规则对接收到的所述意图表征参数进行意图判定,得到对应的意图判定结果;
根据所述意图判定结构启动所述任务获取流程提取对应的结构化任务;
根据调取所述业务呼入请求对应的实体化数据对所述结构化任务进行实体填充,得到待预测数据。
进一步的,该方法还包括:
获取所述待预测数据,得到对应的所述实际场景信息、实际任务类型信息和实际业务类型信息
计算所述实际场景信息和所述历史数据库中场景数据的相似度,得到场景相似度;
计算所述实际任务类型信息和所述历史数据库中任务类型信息的相似度,得到任务相似度;
计算所述实际业务类型信息和所述历史数据库中业务类型信息的相似度,得到业务相似度;
利用预设的权重对计算所述场景相似度、所述任务相似度和所述业务相似度进行综合加权以计算综合相似度,得到综合相似度;
提取所述综合相似度最高的历史数据中对应的客服为预测到的所述介入客服。
进一步的,该方法还包括:
根据所述实际业务类型信息对应的业务层级,计算所述历史数据库中业务类型信息对应层级的对比结果,得到业务对比值;
根据所述实际业务类型信息对应的业务层级的业务目标,计算所述历史数据库中业务类型信息对应层级的业务目标的对比结果,得到业务结果对比值;
对所述业务对比值和业务结果对比值归一化处理以进行综合相似度计算,得到业务相似度。
进一步的,该方法还包括:
获取预设时间内的更新历史数据进行数据分类,得到第二多场景数据信息、第二多任务类型信息和第二多业务类型信息;
利用所述第二多场景数据信息、第二多任务类型信息和第二多业务类型信息对应的原始历史数据以构建所述深度学习模型的测试任务集;
利用所述测试任务集对所述名单分配模型进行测试,得到对应的测试结果,
当所述测试结果处于预设的测试阈值内时,得到名单分配模型。
进一步的,该方法还包括:
获取预设时间内所有的所述待预测数据中包含的所述业务呼入请求对应的客户信息进行制单,得到客户清单;
将所述客户名单分配至预测到的所述介入客服。
为了解决上述技术问题,本申请实施例还提供一种名单分配方法装置,采用了如下所述的技术方案:
一种名单分配方法装置,所述名单分配方法装置包括:
数据获取模块:获取任务历史数据库中的每一历史数据以构建训练任务集;
模型训练模块:利用所述训练任务集训练深度学习模型,得到名单分配模型;
意图分析模块:用于接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
任务预测模块:用于根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据
名单分配模块:用于用于基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述的名单分配方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案
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可读指令,所述计算机可读指令被处理器执行时实现如上述的名单分配方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
通过利用元学习模型构建深度学习模型,利用任务历史数据库中的每一历史数据以构建训练任务集以对其进行训练,得到名单分配模型,对接收业务呼入请求进行意图识别后以进行任务预测,再利用所述名单分配模型对所述预测到的数据进行客服预测,得到对应的介入客服从而可以能够实现在客户对话中归纳客户的意图,并判断出对应的客户类型分配到最合适的客服进行业务对接,以此促进公司业务的发展,以整体达到名单的最优转化率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,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是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的名单分配方法的一个实施方式的流程图;
图3是本根据本申请的名单分配方法的一个实施例的结构图
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交线上平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的名单分配方法一般由服务器/终端设备执行,相应地,名单分配方法装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请提出的名单分配方法的一个实施例的流程图。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***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。所述任务清单分配方法,包括以下步骤:
S210获取任务历史数据库中的每一历史数据以构建训练任务集。
具体的,在本实施例中,历史数据是金融业务中囊括的所有数据,包括金融行业数据、历史客户信息数据、行业安全数据、内部员工信息数据和内部流程数据,换而言之,历史数据库中囊括了因业务往来而产生的所有内部数据和外部数据的总和;因此可以利用服务端获取历史数据库的历史数据,以需要达到的任务目的生成训练任务集,以支持训练深度学习模型的数据需求,需要说明的是,本申请以元学习模型为基础构建的深度学习模型,元学习的核心目标是通过少量数据快速适应新的任务,以及在机器学习应用于现实问题中时,实现端到端的自动调整超参、模型设计的高度自动化机器学习,相对于传统机器学习方法挖掘单一任务中大量数据的内在规律来实现模型在该数据集中的泛化,元学习通过挖掘不同任务中的共有有效方法论来实现模型对于这一类任务的泛化。也就是说,元学习将学习的对象由数据提升到了任务,本申请利用小样本学习以构建任务预测为例,此外,历史数据库还可以存储已训练的深度学习模型的超参数和模型参数,使得后续可以将已训练的深度学习模型进行再训练,以得到适用于新业务的深度学习模型。
进一步的,在本实施例中,对所述历史数据库中的历史数据进行数据分类,得到第一多场景数据信息、第一多任务类型信息和第一多业务类型信息。
详细的,通过预设的任务目的在历史数据库中抽取历史数据,其中,通过预设的类别对抽取到的历史数据进行归类,首先对应用场景区分,对每一历史数据流的来源进行分类,包括保险领域数据、证券投资数据和银行借贷数据,得到了第一多场景数据信息;然后对任务类型进行区分,包括对保险续保的完成任务、接听电话时常任务、新参保完成任务、个人借贷额考核任务和企业借贷额考核任务等;最后对业务类型进行区分,包括保险续保业务,新参保业务、证券买入业务和信用评级业务等。
进一步的,本申请以设置对呼入电话客户进行准确的客情属性识别,以匹配最佳介入客户的任务目的为例,对所述第一多场景数据信息、第一多任务类型信息和第一多业务类型信息对应的原始历史数据进行样本分类抽取,得到所述训练任务集,其中,每个所述训练任务包括训练样本集和评估样本集,需要说明的基于同一任务目的和同一场景数据信息为基础,抽取对应的任务类型信息和业务类型信息,例如抽取场景信息为保险领域,通过完整的对应的数据流抽取到任一业务数据流下的客服任务完成情况,对应的客户属性,其中,客服任务包括对岗位职责下任一任务的完成情况,如是否录入客户资料、预设时间内的销售完成数量、预设时间内的认领客户转换成功数量和客户诉求完成数量等,并将关联到的客户属性信息进行抽取,例如参保电话、电话归属地、投保地区、车牌号码等基础属性信息,本申请的历史数据囊括为了完成投保任务的任意必须数据,不在此进一步展开描述。
在同一任务目的下,将一定比例的样本集设置为训练样本集合,其余的设置为评估样本集,训练样本集用于训练深度学习模型,所述评估样本集用于评估训练后的深度学习模型。
S220利用所述训练任务集训练深度学习模型,得到名单分配模型。
进一步的,在另一优选的实施例中,获取预设时间内的更新历史数据进行数据分类,得到第二多场景数据信息、第二多任务类型信息和第二多业务类型信息,利用所述第二多场景数据信息、第二多任务类型信息和第二多业务类型信息对应的原始历史数据以构建所述深度学习模型的测试任务集;利用所述测试任务集对所述名单分配模型进行测试,得到对应的测试结果,当所述测试结果处于预设的测试阈值内时,得到名单分配模型。
详细的,为了验证通过训练任务集训练的深度学习模型的准确性,是需要构建测试样本数据以达到此目的,因此需要选自有别于上述训练任务集之外的数据进行构建,但数据的来源还是来自与所述历史数据库,所以选择一定时间内达到测试样本数量的更新后的历史数据库中的历史数据,以构建测试样本,其测试任务集的构建方式和训练任务集的构建方式相同。
具体的,利用如下公式定义训练任务集
T=【A(θ),At】;
其中,T表示每一训练任务A(θ)是本次任务的应监督学习损失函数,At为该任务的数据集,At={(x1,y1),(x2,y2),···(xi,yi),},(xi,yi)是标记好的输入输出对。
S230接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
具体的,在本实施例中,其业务呼入请求可以是通过电话呼入的方式进行获取,对电话呼入中的关键词进行识别,得到对应的客户意图,其客户意图可以是询问业务报价意图,业务续约意图、业务终止意图、违约协商意图等。当关键词识别到客户意图时,通过预设的表征参数进行表征值以表征其实际的意图,例如:其业务报价意图可以表征为:BP1、业务续约意图可以表征为BP2、业务终止意图BP3等,其表征参数的设定不进行限定。
S240根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据。
具体的,根据预设的客户意图分类规则对接收到的所述意图表征参数进行意图判定,得到对应的意图判定结果,根据所述意图判定结构启动所述任务获取流程提取对应的结构化任务,根据调取所述业务呼入请求对应的实体化数据对所述结构化任务进行实体填充,得到待预测数据。
S250根据所述名单分配模型对所述待预测数据进行任务预测,得到名单分配至对应的介入客服
具体的,在本实施例中,获取待预测数据,得到对应的实际场景信息、实际任务类型信息和实际业务类型信息;并分别计算与历史数据库中历史数据对应的相似度,其相似度计算公式为:
其中,Target表示待预测数据对应的数据信息与历史数据的数据样本数的相似百分比,Y表示待预测数据的数据样本数,Yi表示第i种历史数据的数据样本数
计算实际场景信息和历史数据库中场景数据的相似度,得到场景相似度;计算实际任务类型信息和历史数据库中任务类型信息的相似度,得到任务相似度;计算实际业务类型信息和历史数据库中业务类型信息的相似度,得到业务相似度;其中,根据实际业务类型信息对应的业务层级,计算历史数据库中业务类型信息对应层级的对比结果,得到业务对比值;根据实际业务类型信息对应的业务层级的业务目标,计算历史数据库中业务类型信息对应层级的业务目标的对比结果,得到业务结果对比值;对业务对比值和业务结果对比值归一化处理以进行综合相似度计算,得到业务相似度;其归一化公式为:
其中,S1是业务相似度,x是总值,xmi n是最小分值,xmax是最大值;
进一步的,利用预设的权重对计算场景相似度、任务相似度和业务相似度进行综合加权以计算综合相似度,得到综合相似度;提取综合相似度最高的历史数据中对应的客服为预测到的介入客服。当接收到业务呼入请求时,获取预设时间内所有的待预测数据中包含的业务呼入请求对应的客户信息进行制单,得到客户清单,将客户名单分配至预测到的介入客服。
与现有技术相比,本申请实施例主要有以下有益效果:
通过利用元学习模型构建深度学习模型,利用任务历史数据库中的每一历史数据以构建训练任务集以对其进行训练,得到名单分配模型,对接收业务呼入请求进行意图识别后以进行任务预测,再利用所述名单分配模型对所述预测到的数据进行客服预测,得到对应的介入客服从而可以能够实现在客户对话中归纳客户的意图,并判断出对应的客户类型分配到最合适的客服进行业务对接,以此促进公司业务的发展,以整体达到名单的最优转化率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种名单分配方法装置300的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
数据获取模块301,用于获取任务历史数据库中的每一历史数据以构建训练任务集。
具体的,在本实施例中,历史数据是金融业务中囊括的所有数据,包括金融行业数据、历史客户信息数据、行业安全数据、内部员工信息数据和内部流程数据,换而言之,历史数据库中囊括了因业务往来而产生的所有内部数据和外部数据的总和;因此可以利用服务端获取历史数据库的历史数据,以需要达到的任务目的生成训练任务集,以支持训练深度学习模型的数据需求,需要说明的是,本申请以元学习模型为基础构建的深度学习模型,元学习的核心目标是通过少量数据快速适应新的任务,以及在机器学习应用于现实问题中时,实现端到端的自动调整超参、模型设计的高度自动化机器学习,相对于传统机器学习方法挖掘单一任务中大量数据的内在规律来实现模型在该数据集中的泛化,元学习通过挖掘不同任务中的共有有效方法论来实现模型对于这一类任务的泛化。也就是说,元学习将学习的对象由数据提升到了任务,本申请利用小样本学习以构建任务预测为例,此外,历史数据库还可以存储已训练的深度学习模型的超参数和模型参数,使得后续可以将已训练的深度学习模型进行再训练,以得到适用于新业务的深度学习模型。
进一步的,在本实施例中,对所述历史数据库中的历史数据进行数据分类,得到第一多场景数据信息、第一多任务类型信息和第一多业务类型信息。
详细的,通过预设的任务目的在历史数据库中抽取历史数据,其中,通过预设的类别对抽取到的历史数据进行归类,首先对应用场景区分,对每一历史数据流的来源进行分类,包括保险领域数据、证券投资数据和银行借贷数据,得到了第一多场景数据信息;然后对任务类型进行区分,包括对保险续保的完成任务、接听电话时常任务、新参保完成任务、个人借贷额考核任务和企业借贷额考核任务等;最后对业务类型进行区分,包括保险续保业务,新参保业务、证券买入业务和信用评级业务等。
进一步的,本申请以设置对呼入电话客户进行准确的客情属性识别,以匹配最佳介入客户的任务目的为例,对所述第一多场景数据信息、第一多任务类型信息和第一多业务类型信息对应的原始历史数据进行样本分类抽取,得到所述训练任务集,其中,每个所述训练任务包括训练样本集和评估样本集,需要说明的基于同一任务目的和同一场景数据信息为基础,抽取对应的任务类型信息和业务类型信息,例如抽取场景信息为保险领域,通过完整的对应的数据流抽取到任一业务数据流下的客服任务完成情况,对应的客户属性,其中,客服任务包括对岗位职责下任一任务的完成情况,如是否录入客户资料、预设时间内的销售完成数量、预设时间内的认领客户转换成功数量和客户诉求完成数量等,并将关联到的客户属性信息进行抽取,例如参保电话、电话归属地、投保地区、车牌号码等基础属性信息,本申请的历史数据囊括为了完成投保任务的任意必须数据,不在此进一步展开描述。
在同一任务目的下,将一定比例的样本集设置为训练样本集合,其余的设置为评估样本集,训练样本集用于训练深度学习模型,所述评估样本集用于评估训练后的深度学习模型。
模型训练模块302,利用所述训练任务集训练深度学习模型,得到名单分配模型。
进一步的,在另一优选的实施例中,获取预设时间内的更新历史数据进行数据分类,得到第二多场景数据信息、第二多任务类型信息和第二多业务类型信息,利用所述第二多场景数据信息、第二多任务类型信息和第二多业务类型信息对应的原始历史数据以构建所述深度学习模型的测试任务集;利用所述测试任务集对所述名单分配模型进行测试,得到对应的测试结果,当所述测试结果处于预设的测试阈值内时,得到名单分配模型。
详细的,为了验证通过训练任务集训练的深度学习模型的准确性,是需要构建测试样本数据以达到此目的,因此需要选自有别于上述训练任务集之外的数据进行构建,但数据的来源还是来自与所述历史数据库,所以选择一定时间内达到测试样本数量的更新后的历史数据库中的历史数据,以构建测试样本,其测试任务集的构建方式和训练任务集的构建方式相同。
具体的,利用如下公式定义训练任务集
T=【A(θ),At】;
其中,T表示每一训练任务A(θ)是本次任务的应监督学习损失函数,At为该任务的数据集,At={(x1,y1)、(x2,y2)、···(xi,yi)},(xi,yi)是标记好的输入输出对。
意图分析模块303,用于接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
具体的,在本实施例中,其业务呼入请求可以是通过电话呼入的方式进行获取,对电话呼入中的关键词进行识别,得到对应的客户意图,其客户意图可以是询问业务报价意图,业务续约意图、业务终止意图、违约协商意图等。当关键词识别到客户意图时,通过预设的表征参数进行表征值以表征其实际的意图,例如:其业务报价意图可以表征为:BP1、业务续约意图可以表征为BP2、业务终止意图BP3等,其表征参数的设定不进行限定。
任务预测模块304,根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据。
具体的,根据预设的客户意图分类规则对接收到的所述意图表征参数进行意图判定,得到对应的意图判定结果,根据所述意图判定结构启动所述任务获取流程提取对应的结构化任务,根据调取所述业务呼入请求对应的实体化数据对所述结构化任务进行实体填充,得到待预测数据。
名单分配模块305,用于根据所述名单分配模型对所述待预测数据进行任务预测,得到名单分配至对应的介入客服
具体的,在本实施例中,获取待预测数据,得到对应的实际场景信息、实际任务类型信息和实际业务类型信息;并分别计算与历史数据库中历史数据对应的相似度,其相似度计算公式为:
其中,Target表示待预测数据对应的数据信息与历史数据的数据样本数的相似百分比,Y表示待预测数据的数据样本数,Yi表示第i种历史数据的数据样本数
计算实际场景信息和历史数据库中场景数据的相似度,得到场景相似度;计算实际任务类型信息和历史数据库中任务类型信息的相似度,得到任务相似度;计算实际业务类型信息和历史数据库中业务类型信息的相似度,得到业务相似度;其中,根据实际业务类型信息对应的业务层级,计算历史数据库中业务类型信息对应层级的对比结果,得到业务对比值;根据实际业务类型信息对应的业务层级的业务目标,计算历史数据库中业务类型信息对应层级的业务目标的对比结果,得到业务结果对比值;对业务对比值和业务结果对比值归一化处理以进行综合相似度计算,得到业务相似度;其归一化公式为:
其中,S1是业务相似度,x是总值,xmin是最小分值,xmax是最大值;
进一步的,利用预设的权重对计算场景相似度、任务相似度和业务相似度进行综合加权以计算综合相似度,得到综合相似度;提取综合相似度最高的历史数据中对应的客服为预测到的介入客服。当接收到业务呼入请求时,获取预设时间内所有的待预测数据中包含的业务呼入请求对应的客户信息进行制单,得到客户清单,将客户名单分配至预测到的介入客服。
与现有技术相比,本申请实施例主要有以下有益效果:
通过利用元学习模型构建深度学习模型,利用任务历史数据库中的每一历史数据以构建训练任务集以对其进行训练,得到名单分配模型,对接收业务呼入请求进行意图识别后以进行任务预测,再利用所述名单分配模型对所述预测到的数据进行客服预测,得到对应的介入客服从而可以能够实现在客户对话中归纳客户的意图,并判断出对应的客户类型分配到最合适的客服进行业务对接,以此促进公司业务的发展,以整体达到名单的最优转化率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过***总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51-53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作***和各类应用软件,例如X方法的程序代码等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的程序代码或者处理数据,例如运行所述X方法的程序代码。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有所述名单分配方法程序,所述名单分配方法程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的名单分配方法的步骤。
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上述实施例方法可借助软件加必需的通用硬件线上平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种名单分配方法,其特征在于,所述方法包括:
获取任务历史数据库中的每一历史数据以构建训练任务集;
利用所述训练任务集训练深度学习模型,得到名单分配模型;
接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据;
基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服。
2.根据权利要求1所述的名单分配方法,其特征在于,获取任务历史数据库中的每一历史数据以构建训练任务集,具体包括:
对所述历史数据库中的历史数据进行数据分类,得到第一多场景数据信息、第一多任务类型信息和第一多业务类型信息;
基于预设的任务目的,对所述第一多场景数据信息、第一多任务类型信息和第一多业务类型信息对应的原始历史数据进行样本分类抽取,得到所述训练任务集,其中,每个所述训练任务包括训练样本集和评估样本集,所述训练样本集用于训练深度学习模型,所述评估样本集用于评估训练后的深度学习模型。
3.根据权利要求1所述的名单分配方法,其特征在于,根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化参数,得到待预测数据,具体包括:
根据预设的客户意图分类规则对接收到的所述意图表征参数进行意图判定,得到对应的意图判定结果;
根据所述意图判定结构启动所述任务获取流程提取对应的结构化任务;
根据调取所述业务呼入请求对应的实体化数据对所述结构化任务进行实体填充,得到待预测数据。
4.根据权利要求2所述的名单分配方法,其特征在于,所述基于所述名单分配模型对所述待预测数据进行客服预测,得到客户名单分配至对应的介入客服,具体包括:
获取所述待预测数据,得到对应的所述实际场景信息、实际任务类型信息和实际业务类型信息;
计算所述实际场景信息和所述历史数据库中场景数据的相似度,得到场景相似度;
计算所述实际任务类型信息和所述历史数据库中任务类型信息的相似度,得到任务相似度;
计算所述实际业务类型信息和所述历史数据库中业务类型信息的相似度,得到业务相似度;
利用预设的权重对计算所述场景相似度、所述任务相似度和所述业务相似度进行综合加权以计算综合相似度,得到综合相似度;
提取所述综合相似度最高的历史数据中对应的客服为预测到的所述介入客服。
5.根据权利要求4所述的名单分配方法,其特征在于,所述计算所述实际业务类型信息和所述历史数据库中业务类型信息的相似度,得到业务相似度,具体包括:
根据所述实际业务类型信息对应的业务层级,计算所述历史数据库中业务类型信息对应层级的对比结果,得到业务对比值;
根据所述实际业务类型信息对应的业务层级的业务目标,计算所述历史数据库中业务类型信息对应层级的业务目标的对比结果,得到业务结果对比值;
对所述业务对比值和业务结果对比值归一化处理以进行综合相似度计算,得到业务相似度。
6.根据权利要求1所述的名单分配方法,其特征在于,所述训练任务集训练深度学习模型,得到名单分配模型,具体包括:
获取预设时间内的更新历史数据进行数据分类,得到第二多场景数据信息、第二多任务类型信息和第二多业务类型信息;
利用所述第二多场景数据信息、第二多任务类型信息和第二多业务类型信息对应的原始历史数据以构建所述深度学习模型的测试任务集;
利用所述测试任务集对所述名单分配模型进行测试,得到对应的测试结果,
当所述测试结果处于预设的测试阈值内时,得到名单分配模型。
7.根据权利要求6所述的最优名单分配方法,其特征在于,所述基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服,之后,具体包括:
获取预设时间内所有的所述待预测数据中包含的所述业务呼入请求对应的客户信息进行制单,得到客户清单;
将所述客户名单分配至预测到的所述介入客服。
8.一种名单分配装置,其特征在于,所述装置包括:
数据获取模块:用于获取任务历史数据库中的每一历史数据以构建训练任务集;
模型训练模块:利用所述训练任务集训练深度学习模型,得到名单分配模型;
意图分析模块:用于接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
任务预测模块:用于根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据;
名单分配模块:用于基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的名单分配的步骤。
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可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的名单分配的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211351929.XA CN115914469A (zh) | 2022-10-31 | 2022-10-31 | 一种名单分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211351929.XA CN115914469A (zh) | 2022-10-31 | 2022-10-31 | 一种名单分配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115914469A true CN115914469A (zh) | 2023-04-04 |
Family
ID=86491628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211351929.XA Pending CN115914469A (zh) | 2022-10-31 | 2022-10-31 | 一种名单分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115914469A (zh) |
-
2022
- 2022-10-31 CN CN202211351929.XA patent/CN115914469A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507116A (zh) | 基于客户应答语料的客户画像方法及其相关设备 | |
CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN116542781A (zh) | 任务分配方法、装置、计算机设备及存储介质 | |
CN115587739A (zh) | 客户名单分配方法、装置、计算机设备及存储介质 | |
CN114265835A (zh) | 基于图挖掘的数据分析方法、装置及相关设备 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN112669136A (zh) | 基于大数据的金融产品推荐方法、***、设备及存储介质 | |
CN115578170A (zh) | 一种财务批量制证方法、装置、设备及存储介质 | |
CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
CN115587830A (zh) | 工作任务激励方法、装置、计算机设备及存储介质 | |
CN115496420A (zh) | 新用户质量评估方法、装置、计算机设备及存储介质 | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN115914469A (zh) | 一种名单分配方法、装置、设备及存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN113869776A (zh) | 基于大数据的任务委派方法及其相关设备 | |
CN116703487A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN115409559A (zh) | 目标企业用户筛选方法、装置、计算机设备及存储介质 | |
CN117851055A (zh) | 一种任务调度方法、装置、设备及其存储介质 | |
CN116797380A (zh) | 金融数据处理方法及其相关设备 | |
CN117076243A (zh) | 应用的扩缩容处理方法、装置、计算机设备及存储介质 | |
CN115660693A (zh) | 一种自学习客服接线方法、装置、设备及存储介质 | |
CN116684529A (zh) | 外呼处理方法、装置、计算机设备及存储介质 | |
CN117853241A (zh) | 一种风险服务商识别方法、装置、设备及其存储介质 |
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 |