CN116362620A - 一种电子商务在线客户服务评价方法 - Google Patents
一种电子商务在线客户服务评价方法 Download PDFInfo
- Publication number
- CN116362620A CN116362620A CN202310399471.3A CN202310399471A CN116362620A CN 116362620 A CN116362620 A CN 116362620A CN 202310399471 A CN202310399471 A CN 202310399471A CN 116362620 A CN116362620 A CN 116362620A
- Authority
- CN
- China
- Prior art keywords
- customer service
- data
- online
- model
- customer
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 19
- 230000008451 emotion Effects 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 14
- 238000007477 logistic regression Methods 0.000 claims description 14
- 238000002790 cross-validation Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
电子商务在线客户服务评价可以帮助电商企业全面了解自己的客户服务质量,提高客户满意度和忠诚度,帮助企业了解客户需求,优化产品和服务的设计,提高企业的市场竞争力。然而,已有电子商务在线客户服务评价方法大多通过用户对服务满意程度、解决率、响应速度等维度的打分和留言评论,或客户满意度调查表等形式实现,这些评价方法存在评分主观性、易造假和时间延迟等缺点。本发明提出一种电子商务在线客户服务评价方法,多渠道收集客户服务大数据,利用人工智能技术及时精准的挖掘出用户满意度,生成在线客户服务评价报告。
Description
技术领域
本发明涉及客户服务评价领域,尤其涉及一种电子商务在线客户服务评价方法。
背景技术
电子商务在线客户服务评价可以帮助电商企业全面了解自己的客户服务质量,提高客户满意度和忠诚度。通过对客户服务质量的测量和分析,企业可以发现客户服务中存在的问题和瓶颈,提出改进策略,优化服务质量。同时,客户服务评价还可以为企业提供有价值的反馈信息,帮助企业了解客户需求,优化产品和服务的设计,提高企业的市场竞争力。因此,电子商务在线客户服务评价对于企业提高客户满意度、增强品牌竞争力具有重要的意义。已有电子商务在线客户服务评价方法大多通过用户对服务满意程度、解决率、响应速度等维度的打分和留言评论,以及客户满意度调查表等形式实现,这些评价方法还存在一些不足,例如评分主观性、易造假和时间延迟等。
为此,本发明提出一种电子商务在线客户服务评价方法,多渠道收集客户服务大数据,利用人工智能技术及时精准的挖掘出用户满意度,生成在线客户服务评价报告,改进电子商务在线客户服务质量,提高顾客满意度和忠诚度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种电子商务在线客户服务评价方法,所采用的技术方案具体如下:
S1、收集用于电子商务在线客户服务评价的多源异构大数据:1)通过客户满意度调查、在线评价***等方式收集客户对商品、服务、售后等方面的评价;2)通过在线客户、电子邮件、社交媒体等方式收集客户对商品、服务、网站体验等方面的反馈信息;3)通过网站分析工具等方式收集客户在电子商务网站上的行为数据,比如浏览页面、搜索关键词、购买行为等;4)通过电子商务公司的在线客户***方式收集客户与在线客户之间的聊天记录;5)通过电子商务平台等方式收集客户的交易记录,包括购买商品的种类、数量、金额等。
S2、在步骤S1的在线客户数据采集过程中,采用对称加密算法对步骤S1收集的数据进行加密处理,确保数据的隐私性和安全性,对称加密算法的密钥由***生成和管理,只有授权用户可以访问和使用。同时,采用安全传输协议对加密后的数据进行传输,确保数据在传输过程中不被篡改和窃取。
S3、对上述步骤采集的多源异构大数据进行清理、标准化和转换,包括删除无用的字符(如将HTML标记、特殊字符、空格和标点符号),删除在文本中出现频率非常高但没有实际含义的单词,如介词、冠词等,将文本转换为统一的格式(如将所有日期格式转换为相同的格式,将缩写形式转换为全称等)。
S4、根据电子商务不同的业务需求和目标,将步骤S3处理后的少量数据进行人工标注,标注属性包括3大类(客户服务指标、运营工作表现指标、客户工作表现指标)共20个客户服务衡量指标,获得少量带标签的在线客户服务数据。
S5、在步骤S4中,在线客户服务数据样本需要人工标记,会产生因主观偏差造成的标记错误,本专利采用交叉验证的方式对数据进行去噪,以实现高质量的训练数据样本。
S6、利用语言表征模型对剩余未标注数据进行自动化标注。将S5中去噪后的数据按照字符逐个输入到词嵌入提取层,将词嵌入表示输入到多个连续的转换编码器块,输出每个词对应20个客户服务衡量指标,获得全部带标签的在线客户服务数据集。
S7、将S6中带标签的在线客户服务数据集输入到多属性堆叠模型进行集成学习,将分类结果输出到交叉熵损失分类函数,获得用户评论在20个客户服务衡量指标的情感倾向。最后,通过一个全连接层,将20个客户服务衡量指标的情感倾向加权输出为电子商务在线客户的服务评价得分。
进一步的,步骤S4所述内容包括:
将少部分数据进行人工标注,按照对应3个大类20个客户服务衡量指标下的不同类别,获得少量带标签的在线客户服务数据。
其中,客户服务指标包括:净推荐值、顾客满意程度、顾客费力程度、内部质量评分、顾客参与度、顾客流失率、顾客保留率、转介率与顾客终生价值;运营工作表现指标包括:未解决的客户请求、请求量、渠道联系量、解决率与服务级别;客户工作表现指标包括:工单积压、平均回应速度、第一回应时间、平均解决时间、未处理来电与平均处理时间。
进一步,步骤S5所述内容包括:
在步骤S4中,数据样本需要人工进行标记,会产生因主观偏差造成的标记错误,本专利采用交叉验证的方式对数据进行去噪,并对噪声降噪大于一定阈值的样本进行屏蔽,以实现精确化过程。经过这个过程,***就可以获得一个高质量的训练数据样本。
进一步的,S6所述内容包括:
将S5中去噪后的数据根据字符输入文本到词嵌入提取层,按照字符级别输入文本。本专利使用BERT对未知的数据进行训练和分类,以实现半自动化的数据集标注任务。在BERT模型中,输入嵌入的计算采用了三种不同的嵌入方式,通过相加标记、段和位置嵌入进行计算。标记嵌入是词汇表中每个标记的向量表示,位置嵌入用于保存关于单词位置的信息,片段嵌入用于区分句子。其输入表示构造为:
将上述词嵌入表示输入到L个连续的转换编码器块中,利用转换器块构造BERT编码器。这些块分为12层,每层由12个多头注意块组成。在预训练时,输入和输出是基于属性级的,并共享浅层参数。
最后,从20个客户服务衡量指标对数据集进行分类。输出每个词对应20个客户服务衡量指标下的不同类别,获得带标签的在线客户服务数据集。
进一步,S7所述内容包括:
将S6中带标签的在线客户服务数据集添加到多属性堆叠模型进行集成学习。在电商评论的领域中,本专利总结了3个主要方面和20个层次的细节。从这20个层次的细节中,建立了一个关于用户评价的回归模型。考虑到仅使用一种机器学习算法构建的学习模型的方式可能无法涵盖每个方面,本专利采用了基于集成叠加算法的四种不同算法:逻辑回归、全自动向量机、梯度增强决策树和极端梯度增强算法。
为了充分利用不同模型的特点,本专利设计的集成模型包含了四个结构完全不同的独立的学习模型,为解决集成模型迭代过多容易溢出的情况,本专利设计集成模型时,刻意控制极端梯度增强算法的迭代次数,训练多个弱的极端梯度增强算法作为基础学习模型,并通过叠加方法将其集成到具有强预测性能的强学习模型中。
本发明的话日记堆叠算法的算法流程如下,其中,第一阶段模型包括:逻辑回归、全自动向量机、梯度增强决策树和极端梯度增强算法四种独立模型;第二阶段模型为极端梯度增强决策模型:
(1)对于逻辑回归决策部分,进行K折交叉验证。将训练集D分为K个部分,对于每个部分,使用剩余的数据集来训练逻辑回归学习模型,然后预测这部分的结果。
(2)重复进行K折交叉验证,直到逻辑回归学习模型预测了数据集的每个部分,从而得到了第二阶段模型(极端梯度增强决策模型)的训练集。
(3)对验证集S进行如同步骤(1)和(2)的K折交叉验证,得到第二阶段模型(极端梯度增强决策模型)的检验集。
(4)对于全自动向量机、梯度增强决策树和极端梯度增强算法,重复上述步骤(1)(2)(3),使得第二阶段模型获得了四维特征数据输入。
(5)采用极端梯度增强模型进行第二阶段的训练预测,输出在线客户服务数据的最终的评价类别的分类结果。
最后通过多属性堆叠算法,将在20个客户服务衡量指标具有不同类别的在线客户服务数据,输出一个最终的评价类别的分类结果。将分类结果输出到交叉熵损失分类函数,获得用户评论在20个客户服务衡量指标上的情感倾向,最后输出到全连接层,对20个客户服务衡量指标上的情感倾向进行加权累和输出为用户对服务的评价(0~100)。
本发明的有益效果是:提出一种电子商务在线客户服务评价方法,多渠道收集客户服务大数据,利用人工智能技术及时精准的挖掘出用户满意度,生成在线客户服务评价报告。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明说明书摘要附图;
图2为本发明实施例中的多属性堆叠算法流程示意图;
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种电子商务在线客户服务评价方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种电子商务在线客户服务评价方法所针对的具体场景为:已有电子商务在线客户服务评价方法大多通过用户对服务满意程度、解决率、响应速度等维度的打分和留言评论,或客户满意度调查表等形式实现,这些评价方法存在评分主观性、易造假和时间延迟等缺点。为此,本专利提出一种电子商务在线客户服务评价方法,多渠道收集客户服务大数据,利用人工智能技术及时精准的挖掘出用户满意度,生成在线客户服务评价报告。
实施例一
请参阅图1,其示出了本发明一个实施例提供的一种电子商务在线客户服务评价方法的步骤流程图,该方法包括以下步骤:
S1、收集用于电子商务在线客户服务评价的多源异构大数据:1)通过客户满意度调查、在线评价***等方式收集客户对商品、服务、售后等方面的评价;2)通过在线客户、电子邮件、社交媒体等方式收集客户对商品、服务、网站体验等方面的反馈信息;3)通过网站分析工具等方式收集客户在电子商务网站上的行为数据,比如浏览页面、搜索关键词、购买行为等;4)通过电子商务公司的在线客户***方式收集客户与在线客户之间的聊天记录;5)通过电子商务平台等方式收集客户的交易记录,包括购买商品的种类、数量、金额等。
S2、在步骤S1的在线客户数据采集过程中,采用对称加密算法对步骤S1收集的数据进行加密处理,确保数据的隐私性和安全性,对称加密算法的密钥由***生成和管理,只有授权用户可以访问和使用。同时,采用安全传输协议对加密后的数据进行传输,确保数据在传输过程中不被篡改和窃取。
S3、对上述步骤采集的多源异构大数据进行清理、标准化和转换,包括删除无用的字符(如将HTML标记、特殊字符、空格和标点符号),删除在文本中出现频率非常高但没有实际含义的单词,如介词、冠词等,将文本转换为统一的格式(如将所有日期格式转换为相同的格式,将缩写形式转换为全称等)。
S4、根据电子商务不同的业务需求和目标,将步骤S3处理后的少量数据进行人工标注,标注属性包括3大类(客户服务指标、运营工作表现指标、客户工作表现指标)共20个客户服务衡量指标,获得少量带标签的在线客户服务数据。
S5、在步骤S4中,在线客户服务数据样本需要人工标记,会产生因主观偏差造成的标记错误,本专利采用交叉验证的方式对数据进行去噪,以实现高质量的训练数据样本。
S6、利用语言表征模型对剩余未标注数据进行自动化标注。将S5中去噪后的数据按照字符逐个输入到词嵌入提取层,将词嵌入表示输入到多个连续的转换编码器块,输出每个词对应20个客户服务衡量指标,获得全部带标签的在线客户服务数据集。
S7、将S6中带标签的在线客户服务数据集输入到多方面堆叠模型进行集成学习,将分类结果输出到交叉熵损失分类函数,获得用户评论在20个客户服务衡量指标的情感倾向。最后,通过一个全连接层,将20个客户服务衡量指标的情感倾向加权输出为电子商务在线客户的服务评价得分。
实施例二
在实施例一的基础上,步骤S4中所述内容包括:
将少部分数据进行人工标注,按照对应3个大类20个客户服务衡量指标下的不同类别,获得少量带标签的在线客户服务数据。
其中,客户服务指标包括净推荐值、顾客满意程度、顾客费力程度、内部质量评分、顾客参与度、顾客流失率、顾客保留率、转介率与顾客终生价值;运营工作表现指标包括未解决的客户请求、请求量、渠道联系量、解决率与服务级别;客户工作表现指标包括工单积压、平均回应速度、第一回应时间、平均解决时间、未处理来电与平均处理时间。
实施例三
在实施例一、实施例二的基础上,步骤S5中所述内容包括:
在步骤S4中,数据样本需要人工进行标记,会产生因主观偏差造成的标记错误,本专利采用交叉验证的方式对数据进行去噪,并对噪声降噪大于一定阈值的样本进行屏蔽,以实现精确化过程。经过这个过程,***就可以获得一个高质量的训练数据样本。
实施例四
在实施例一、实施例二、实施例三的基础上,步骤S6中所述内容包括:
将S5中去噪后的数据根据字符输入文本到词嵌入提取层,按照字符级别输入文本。本专利使用BERT对未知的数据进行训练和分类,以实现半自动化的数据集标注任务。在BERT模型中,输入嵌入的计算采用了三种不同的嵌入方式,通过相加标记、段和位置嵌入进行计算。标记嵌入是词汇表中每个标记的向量表示,位置嵌入用于保存关于单词位置的信息,片段嵌入用于区分句子。其输入表示构造为:
将上述词嵌入表示输入到L个连续的转换编码器块中,利用转换器块构造BERT编码器。这些块分为12层,每层由12个多头注意块组成。在预训练时,输入和输出是基于方面级的,并共享浅层参数。
最后,从20个客户服务衡量指标对数据集进行分类。输出每个词对应20个客户服务衡量指标下的不同类别,获得带标签的在线客户服务数据集。
实施例五
在实施例一、实施例二、实施例三、实施例四的基础上,步骤S7中所述内容包括:
将S6中带标签的在线客户服务数据集添加到多方面堆叠模型进行集成学习。如步骤S2中所述,在电商评论的领域中,本专利总结了3个主要方面和20个层次的细节。从这20个层次的细节中,建立了一个关于用户评价的回归模型。
考虑到仅使用一种机器学习算法构建的学习模型的方式可能无法涵盖每个方面,本专利采用了基于集成叠加算法的四种不同算法:逻辑回归、全自动向量机、梯度增强决策树和极端梯度增强算法。
为了充分利用不同模型的特点,本专利设计的集成模型包含了四个结构完全不同的独立的学习模型。这些独立的学习模型本身就是集成模型,并且是树模型和广义线性模型的同质模型。此外,异构学习器由树形模型和广义线性模型组成。极端梯度增强算法的学习速度较快,能够有效地处理连续的特征。然而,当它有太多的迭代时,它仍然容易溢出。因此,在本专利设计集成模型时,刻意控制极端梯度增强算法的迭代次数,训练多个弱的极端梯度增强算法作为基础学习模型,并通过叠加方法将其集成到具有强预测性能的强学习模型中。
多方面堆叠模型通过串行训练多个集成模型形成完整的服务评价模型,其流程如图2所示:
(1)对于逻辑回归决策部分,进行K折交叉验证。将训练集D分为K个部分,对于每个部分,使用剩余的数据集来训练逻辑回归学习模型,然后预测这部分的结果。
(2)重复进行K折交叉验证,直到逻辑回归学习模型预测了数据集的每个部分,从而得到了第二阶段模型(极端梯度增强决策模型)的训练集。
(3)对验证集S进行如同步骤(1)和(2)的K折交叉验证,得到第二阶段模型(极端梯度增强决策模型)的检验集。
(4)对于全自动向量机、梯度增强决策树和极端梯度增强算法,重复上述步骤(1)(2)(3),使得第二阶段模型获得了四维特征数据输入。
(5)采用极端梯度增强模型进行第二阶段的训练预测,输出在线客户服务数据的最终的评价类别的分类结果。
最后通过多属性堆叠算法,将在20个客户服务衡量指标具有不同类别的在线客户服务数据,输出一个最终的评价类别的分类结果。将分类结果输出到交叉熵损失分类函数,获得用户评论在20个客户服务衡量指标上的情感倾向,最后输出到全连接层,对20个客户服务衡量指标上的情感倾向进行加权求和输出为在线客户服务评价得分。
Claims (5)
1.一种电子商务在线客户服务评价方法,其特征在于,该方法包括以下步骤:
S1、收集用于电子商务在线客户服务评价的多源异构大数据:1)通过客户满意度调查、在线评价***等方式收集客户对商品、服务、售后等方面的评价;2)通过在线客户、电子邮件、社交媒体等方式收集客户对商品、服务、网站体验等方面的反馈信息;3)通过网站分析工具等方式收集客户在电子商务网站上的行为数据,比如浏览页面、搜索关键词、购买行为等;4)通过电子商务公司的在线客户***方式收集客户与在线客户之间的聊天记录;5)通过电子商务平台等方式收集客户的交易记录,包括购买商品的种类、数量、金额等。
S2、在步骤S1的在线客户数据采集过程中,采用对称加密算法对步骤S1收集的数据进行加密处理,确保数据的隐私性和安全性,对称加密算法的密钥由***生成和管理,只有授权用户可以访问和使用。同时,采用安全传输协议对加密后的数据进行传输,确保数据在传输过程中不被篡改和窃取。
S3、对上述步骤采集的多源异构大数据进行清理、标准化和转换,包括删除无用的字符(如将HTML标记、特殊字符、空格和标点符号),删除在文本中出现频率非常高但没有实际含义的单词,如介词、冠词等,将文本转换为统一的格式(如将所有日期格式转换为相同的格式,将缩写形式转换为全称等)。
S4、根据电子商务不同的业务需求和目标,将步骤S3处理后的少量数据进行人工标注,标签属性包括3大类(客户服务指标、运营工作表现指标、客户工作表现指标)共20个客户服务衡量指标,获得少量带标签的在线客户服务数据。
S5、在步骤S4中,在线客户服务数据样本需要人工标记,会产生因主观偏差造成的标记错误,本专利采用交叉验证的方式对数据进行去噪,以实现高质量的训练数据样本。
S6、利用语言表征模型对剩余未标注数据进行自动化标注。将S5中去噪后的数据按照字符逐个输入到词嵌入提取层,将词嵌入表示输入到多个连续的转换编码器块,输出每个词对应20个客户服务衡量指标,获得全部带标签的在线客户服务数据集。
S7、将S6中带标签的在线客户服务数据集输入到多属性堆叠模型进行集成学习,将分类结果输出到交叉熵损失分类函数,获得用户评论在20个客户服务衡量指标的情感倾向。最后,通过一个全连接层,将20个客户服务衡量指标的情感倾向加权输出为电子商务在线客户的服务评价得分。
2.一种电子商务在线客户服务评价方法,其特征在于所述人工标注的标签属性包括:
将少部分数据进行人工标注,按照对应3个大类20个客户服务衡量指标下的不同类别,获得少量带标签的在线客户服务数据。其中,客户服务指标包括:净推荐值、顾客满意程度、顾客费力程度、内部质量评分、顾客参与度、顾客流失率、顾客保留率、转介率与顾客终生价值;运营工作表现指标包括:未解决的客户请求、请求量、渠道联系量、解决率与服务级别;客户工作表现指标包括:工单积压、平均回应速度、第一回应时间、平均解决时间、未处理来电与平均处理时间。
3.一种电子商务在线客户服务评价方法,进一步包括:
在步骤S4中,数据样本需要人工进行标记,会产生因主观偏差造成的标记错误,本专利采用交叉验证的方式对数据进行去噪,并对噪声降噪大于一定阈值的样本进行屏蔽,以实现精确化过程。经过这个过程,***就可以获得一个高质量的训练数据样本。
4.一种电子商务在线客户服务评价方法,进一步包括:
将去噪后的数据根据字符输入文本到词嵌入提取层,按照字符级别输入文本。本专利使用BERT对未知的数据进行训练和分类,以实现半自动化的数据集标注任务。在BERT模型中,输入嵌入的计算采用了三种不同的嵌入方式,通过相加标记、段和位置嵌入进行计算。标记嵌入是词汇表中每个标记的向量表示,位置嵌入用于保存关于单词位置的信息,片段嵌入用于区分句子。其输入表示构造为:
将上述词嵌入表示输入到L个连续的转换编码器块中,利用转换器块构造BERT编码器。这些块分为12层,每层由12个多头注意块组成。在预训练时,输入和输出是基于属性级的,并共享浅层参数。
最后,从20个客户服务衡量指标对数据集进行分类。输出每个词对应20个客户服务衡量指标下的不同类别,获得带标签的在线客户服务数据集。
5.一种电子商务在线客户服务评价方法,进一步包括:
将带标签的在线客户服务数据集添加到多属性堆叠模型进行集成学习。在电商评论的领域中,本专利总结了3个主要方面和20个层次的细节。从这20个层次的细节中,建立了一个关于用户评价的回归模型。考虑到仅使用一种机器学习算法构建的学习模型的方式可能无法涵盖每个方面,本专利采用了基于集成叠加算法的四种不同算法:逻辑回归、全自动向量机、梯度增强决策树和极端梯度增强算法。
为了充分利用不同模型的特点,本专利设计的集成模型包含了四个结构完全不同的独立的学习模型,为解决集成模型迭代过多容易溢出的情况,本专利设计集成模型时,刻意控制极端梯度增强算法的迭代次数,训练多个弱的极端梯度增强算法作为基础学习模型,并通过叠加方法将其集成到具有强预测性能的强学习模型中。
本发明的话日记堆叠算法的算法流程如下,其中,第一阶段模型包括:逻辑回归、全自动向量机、梯度增强决策树和极端梯度增强算法四种独立模型;第二阶段模型为极端梯度增强决策模型:
(1)对于逻辑回归决策部分,进行K折交叉验证。将训练集D分为K个部分,对于每个部分,使用剩余的数据集来训练逻辑回归学习模型,然后预测这部分的结果。
(2)重复进行K折交叉验证,直到逻辑回归学习模型预测了数据集的每个部分,从而得到了第二阶段模型(极端梯度增强决策模型)的训练集。
(3)对验证集S进行如同步骤(1)和(2)的K折交叉验证,得到第二阶段模型(极端梯度增强决策模型)的检验集。
(4)对于全自动向量机、梯度增强决策树和极端梯度增强算法,重复上述步骤(1)(2)(3),使得第二阶段模型获得了四维特征数据输入。
(5)采用极端梯度增强模型进行第二阶段的训练预测,输出在线客户服务数据的最终的评价类别的分类结果。
最后通过多属性堆叠算法,将在20个客户服务衡量指标具有不同类别的在线客户服务数据,输出一个最终的评价类别的分类结果。将分类结果输出到交叉熵损失分类函数,获得用户评论在20个客户服务衡量指标上的情感倾向,最后输出到全连接层,对20个客户服务衡量指标上的情感倾向进行加权累和输出为用户对服务的评价(0~100)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399471.3A CN116362620A (zh) | 2023-04-14 | 2023-04-14 | 一种电子商务在线客户服务评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399471.3A CN116362620A (zh) | 2023-04-14 | 2023-04-14 | 一种电子商务在线客户服务评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116362620A true CN116362620A (zh) | 2023-06-30 |
Family
ID=86908341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310399471.3A Pending CN116362620A (zh) | 2023-04-14 | 2023-04-14 | 一种电子商务在线客户服务评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362620A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390141A (zh) * | 2023-12-11 | 2024-01-12 | 江西农业大学 | 一种农业社会化服务质量用户评价数据分析方法 |
CN118036589A (zh) * | 2023-11-10 | 2024-05-14 | 兰州大学 | 对生态环境公众满意度的文本分析方法、装置及介质 |
-
2023
- 2023-04-14 CN CN202310399471.3A patent/CN116362620A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118036589A (zh) * | 2023-11-10 | 2024-05-14 | 兰州大学 | 对生态环境公众满意度的文本分析方法、装置及介质 |
CN117390141A (zh) * | 2023-12-11 | 2024-01-12 | 江西农业大学 | 一种农业社会化服务质量用户评价数据分析方法 |
CN117390141B (zh) * | 2023-12-11 | 2024-03-08 | 江西农业大学 | 一种农业社会化服务质量用户评价数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116362620A (zh) | 一种电子商务在线客户服务评价方法 | |
CN105095444A (zh) | 信息获取方法和装置 | |
CN112183056A (zh) | 基于CNN-BiLSTM框架的上下文依赖的多分类情感分析方法和*** | |
CN116468460B (zh) | 基于人工智能的消费金融客户画像识别***及其方法 | |
Chiang et al. | Using an ontology-based neural network and DEA to discover deficiencies of hotel services | |
CN116383399A (zh) | 一种事件舆情风险预测方法及*** | |
US11288701B2 (en) | Method and system for determining equity index for a brand | |
Zhang et al. | Modeling and prediction of stock price with convolutional neural network based on blockchain interactive information | |
CN111221881A (zh) | 用户特征数据合成方法、装置及电子设备 | |
Xu et al. | [Retracted] Research on the Construction of Crossborder e‐Commerce Logistics Service System Based on Machine Learning Algorithms | |
Almagrabi et al. | A survey of quality prediction of product reviews | |
Al-Otaibi et al. | Finding influential users in social networking using sentiment analysis | |
Akila et al. | Opinion mining on food services using topic modeling and machine learning algorithms | |
Addepalli et al. | A proposed framework for measuring customer satisfaction and product recommendation for ecommerce | |
CN113379432A (zh) | 一种基于机器学习的销售***客户匹配方法 | |
Sumathi et al. | Fake review detection of e-commerce electronic products using machine learning techniques | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
CN116385076A (zh) | 广告推荐方法、装置、终端设备和计算机可读存储介质 | |
Schwartz et al. | Assessing objective recommendation quality through political forecasting | |
CN113837847A (zh) | 基于异质多元关系融合的知识密集型服务推荐方法 | |
Elhadad | Insurance Business Enterprises' Intelligence in View of Big Data Analytics | |
Spada et al. | WHAT USERS WANT: A NATURAL LANGUAGE PROCESSING APPROACH TO DISCOVER USERS'NEEDS FROM ONLINE REVIEWS | |
Ajmeera et al. | Hamiltonian deep neural network fostered sentiment analysis approach on product reviews | |
Liu et al. | Click-through Rate Prediction Based on Mobile Computing and Big Data Analysis. | |
Shedekar et al. | Enhancing E-Commerce Insights: Sentiment Analysis Using Machine Learning and Ensemble Techniques |
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 |