CN116542566B - 一种智能护肤客服的交互评分方法及*** - Google Patents

一种智能护肤客服的交互评分方法及*** Download PDF

Info

Publication number
CN116542566B
CN116542566B CN202310517045.5A CN202310517045A CN116542566B CN 116542566 B CN116542566 B CN 116542566B CN 202310517045 A CN202310517045 A CN 202310517045A CN 116542566 B CN116542566 B CN 116542566B
Authority
CN
China
Prior art keywords
skin care
interaction
customer service
feature
service
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.)
Active
Application number
CN202310517045.5A
Other languages
English (en)
Other versions
CN116542566A (zh
Inventor
乔建成
李少铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Shengqian Technology Co ltd
Original Assignee
Guangdong Shengqian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Shengqian Technology Co ltd filed Critical Guangdong Shengqian Technology Co ltd
Priority to CN202310517045.5A priority Critical patent/CN116542566B/zh
Publication of CN116542566A publication Critical patent/CN116542566A/zh
Application granted granted Critical
Publication of CN116542566B publication Critical patent/CN116542566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/09—Supervised learning
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能护肤客服的交互评分方法及***，涉及人工智能领域，其中，所述方法包括：获得M组交互监测记录；基于M组交互监测记录，获得M个服务灵敏度指标；基于多级预设特征维度，遍历M组交互监测记录进行特征识别，获得M个交互监测特征序列；基于M个交互监测特征序列进行目标护肤客服的适应度评价，获得M个服务适应度指标；基于M个用户反馈记录，获得M个用户反馈满意度指标；将M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。解决了现有技术中针对智能护肤客服的评分准确性不足，进而造成智能护肤客服的评分质量不高的技术问题。

Description

一种智能护肤客服的交互评分方法及***
技术领域
本发明涉及人工智能领域，具体地，涉及一种智能护肤客服的交互评分方法及***。
背景技术
目前，针对智能护肤客服的评分是通过客户主观判断的方式实现，存在着主观影响性大、评分可靠性低等诸多问题。研究设计一种对智能护肤客服进行高质量评分的方法，具有重要的现实意义。现有技术中，存在针对智能护肤客服的评分准确性不足，进而造成智能护肤客服的评分质量不高的技术问题。
发明内容
本申请提供了一种智能护肤客服的交互评分方法及***。解决了现有技术中针对智能护肤客服的评分准确性不足，进而造成智能护肤客服的评分质量不高的技术问题。达到了提高智能护肤客服的评分准确性，提升智能护肤客服的评分质量的技术效果。
鉴于上述问题，本申请提供了一种智能护肤客服的交互评分方法及***。
第一方面，本申请提供了一种智能护肤客服的交互评分方法，其中，所述方法应用于一种智能护肤客服的交互评分***，所述方法包括：基于目标护肤客服进行交互监测，获得M组交互监测记录，其中，M为大于1的正整数；基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标；获得多级预设特征维度，其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征；基于所述多级预设特征维度，遍历所述M组交互监测记录进行特征识别，获得M个交互监测特征序列；基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标；获得所述M组交互监测记录对应的M个用户反馈记录，并基于所述M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；将所述M个服务灵敏度指标、所述M个服务适应度指标和所述M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。
第二方面，本申请还提供了一种智能护肤客服的交互评分***，其中，所述***包括：交互监测模块，所述交互监测模块用于基于目标护肤客服进行交互监测，获得M组交互监测记录，其中，M为大于1的正整数；灵敏度评价模块，所述灵敏度评价用于基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标；特征维度获得模块，所述特征维度获得模块用于获得多级预设特征维度，其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征；特征识别模块，所述特征识别模块用于基于所述多级预设特征维度，遍历所述M组交互监测记录进行特征识别，获得M个交互监测特征序列；适应度评价模块，所述适应度评价模块用于基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标；用户满意度分析模块，所述用户满意度分析模块用于获得所述M组交互监测记录对应的M个用户反馈记录，并基于所述M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；评分模块，所述评分模块用于将所述M个服务灵敏度指标、所述M个服务适应度指标和所述M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过对目标护肤客服进行交互监测，获得M组交互监测记录；通过对M组交互监测记录进行评价，获得M个服务灵敏度指标；通过多级预设特征维度，遍历M组交互监测记录进行特征识别，获得M个交互监测特征序列；通过对M个交互监测特征序列进行适应度评价，获得M个服务适应度指标；通过对M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；将M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。达到了提高智能护肤客服的评分准确性，提升智能护肤客服的评分质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种智能护肤客服的交互评分方法的流程示意图；
图2为本申请一种智能护肤客服的交互评分方法中获得M个服务灵敏度指标的流程示意图；
图3为本申请一种智能护肤客服的交互评分***的结构示意图。
附图标记说明：交互监测模块11，灵敏度评价模块12，特征维度获得模块13，特征识别模块14，适应度评价模块15，用户满意度分析模块16，评分模块17。
具体实施方式
本申请通过提供一种智能护肤客服的交互评分方法及***。解决了现有技术中针对智能护肤客服的评分准确性不足，进而造成智能护肤客服的评分质量不高的技术问题。达到了提高智能护肤客服的评分准确性，提升智能护肤客服的评分质量的技术效果。
实施例一
请参阅附图1，本申请提供一种智能护肤客服的交互评分方法，其中，所述方法应用于一种智能护肤客服的交互评分***，所述方法具体包括如下步骤：
步骤S100：基于目标护肤客服进行交互监测，获得M组交互监测记录，其中，M为大于1的正整数；
具体而言，对目标护肤客服进行交互监测，获得M组交互监测记录。其中，所述目标护肤客服可以为使用所述一种智能护肤客服的交互评分***进行智能化评分的任意智能护肤客服。交互监测是指对目标护肤客服的服务过程进行监测。目标护肤客服的服务过程包括用户通过交互式界面与智能护肤客服进行交互。即，用户在交互式界面输入肌肤类型、肌肤问题等文字。智能护肤客服利用ChatGPT的智能对话技术，根据用户输入的文字智能识别用户护肤特征。继而，智能护肤客服按照用户护肤特征，利用智能匹配算法对用户匹配最佳的护肤建议和产品推荐。即，智能匹配算法根据用户护肤特征在护肤品数据库中进行筛选，智能匹配最佳的护肤产品，并给出详细的使用说明和注意事项。护肤品数据库存储了各种护肤品的品牌、成分、功效、适用肤质、适用人群等信息。M组交互监测记录与M个用户一一对应。且，M为大于1的正整数。每组交互监测记录包括目标护肤客服对用户的服务过程记录信息。即，每组交互监测记录包括用户输入肌肤信息、客服识别护肤信息、客服推荐护肤信息。用户输入肌肤信息包括用户输入的肌肤类型、肌肤问题等文字。客服识别护肤信息包括目标护肤客服识别的用户护肤类型、用户护肤问题、用户护肤方向等用户护肤特征。客服推荐护肤信息包括目标护肤客服对用户匹配的最佳护肤产品，以及该最佳护肤产品对应的使用说明和注意事项。达到了通过对目标护肤客服进行交互监测，获得M组交互监测记录，为后续对目标护肤客服进行评分奠定基础的技术效果。
步骤S200：基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标；
进一步的，如附图2所示，本申请步骤S200还包括：
步骤S210：基于所述M组交互监测记录，获得第一组交互监测记录；
步骤S220：基于所述第一组交互监测记录进行所述目标护肤客服的响应时间计算，获得第一响应时间；
步骤S230：获得标准响应时间，并基于所述第一响应时间和所述标准响应时间进行时延计算，获得第一时延指数；
步骤S240：基于所述第一时延指数，获得第一服务灵敏度指标，并将所述第一服务灵敏度指标添加至所述M个服务灵敏度指标。
具体而言，依次将M组交互监测记录中的每组交互监测记录设置为第一组交互监测记录。基于第一组交互监测记录进行目标护肤客服的响应时间计算，获得第一响应时间。所述第一响应时间包括第一组交互监测记录中，从用户输入文字开始到目标护肤客服给出推荐护肤信息结束，对应的时长信息。继而，基于第一响应时间和标准响应时间进行时延计算，获得第一时延指数。对第一时延指数进行倒数计算，获得第一服务灵敏度指标，并将第一服务灵敏度指标添加至M个服务灵敏度指标。所述标准响应时间包括预先设置确定的从用户输入文字开始到目标护肤客服给出推荐护肤信息结束，对应的标准时长信息。时延计算是指对第一响应时间和标准响应时间进行比值计算。第一时延指数包括第一响应时间和标准响应时间之间的比值。所述第一服务灵敏度指标包括第一时延指数对应的倒数。达到了通过对M组交互监测记录进行灵敏度评估，获得目标护肤客服的M个服务灵敏度指标，从而提高对目标护肤客服进行评分的全面性的技术效果。
进一步的，本申请步骤S230还包括：
步骤S231：获得所述第一组交互监测记录的交互环境信息，并基于所述交互环境信息进行干扰识别，获得交互环境干扰系数；
进一步的，本申请步骤S231还包括：
步骤S2311：以交互环境为检索约束，以交互环境干扰系数为检索目标；
步骤S2312：基于所述检索约束和所述检索目标进行大数据检索，获得多个样本交互环境信息和多个样本交互环境干扰系数；
步骤S2313：基于样本交互环境信息，获得环境本体特征；
步骤S2314：基于样本交互环境干扰系数，获得环境干扰特征；
步骤S2315：基于所述多个样本交互环境信息和所述多个样本交互环境干扰系数，获得多个环境本体特征参数和多个环境干扰特征参数；
步骤S2316：基于知识图谱，根据所述环境本体特征、所述环境干扰特征、所述多个环境本体特征参数和所述多个环境干扰特征参数，获得交互环境识别模型；
步骤S2317：将所述交互环境信息输入所述交互环境识别模型，获得所述交互环境干扰系数。
具体而言，将交互环境设置为检索约束，将交互环境干扰系数设置为检索目标。基于检索约束和检索目标进行大数据检索，获得多个样本交互环境信息和多个样本交互环境干扰系数。每个样本交互环境信息包括智能护肤客服对用户的服务过程对应的历史网络类型、历史网速等网络环境信息。多个样本交互环境信息与多个样本交互环境干扰系数具有对应关系。多个样本交互环境干扰系数是用于表征多个样本交互环境信息的交互环境干扰性的参数信息。样本交互环境干扰系数越大，对应的样本交互环境信息的交互环境干扰性越强。
进一步，将样本交互环境信息设置为环境本体特征，将样本交互环境干扰系数设置为环境干扰特征。将多个样本交互环境信息设置为多个环境本体特征参数，将多个样本交互环境干扰系数设置为多个环境干扰特征参数。基于知识图谱，根据环境本体特征、环境干扰特征、多个环境本体特征参数和多个环境干扰特征参数，获得交互环境识别模型。将交互环境信息输入交互环境识别模型，通过交互环境识别模型对交互环境信息进行干扰识别，获得交互环境干扰系数。其中，所述交互环境识别模型包括由环境本体特征、环境干扰特征、多个环境本体特征参数和多个环境干扰特征参数构建的知识图谱。知识图谱是一种包括各种各样的实体、概念、语义关系的大规模的语义网络。即，交互环境识别模型包括由环境本体特征、环境干扰特征、多个环境本体特征参数和多个环境干扰特征参数组成的数据库。所述交互环境信息包括第一组交互监测记录对应的网络类型、网速等网络环境信息。达到了通过交互环境识别模型对交互环境信息进行干扰识别，获得准确的交互环境干扰系数，从而提高对第一时延指数进行修正的精确度的技术效果。
步骤S232：判断所述交互环境干扰系数是否大于预设交互环境干扰系数；
步骤S233：当所述交互环境干扰系数大于所述预设交互环境干扰系数时，基于所述交互环境干扰系数对所述第一时延指数进行修正。
具体而言，对交互环境干扰系数是否大于预设交互环境干扰系数进行判断。当交互环境干扰系数大于预设交互环境干扰系数时，根据交互环境干扰系数对第一时延指数进行修正。其中，预设交互环境干扰系数包括预先设置确定的交互环境干扰系数阈值。示例性地，在根据交互环境干扰系数对第一时延指数进行修正时，将交互环境干扰系数与第一时延指数进行乘法计算，获得第一修正时延指数，并根据第一修正时延指数对原来的第一时延指数进行数据更新，从而提高第一时延指数的精确度，提高对M组交互监测记录进行灵敏度评价的可靠性。
步骤S300：获得多级预设特征维度，其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征；
步骤S400：基于所述多级预设特征维度，遍历所述M组交互监测记录进行特征识别，获得M个交互监测特征序列；
具体而言，按照多级预设特征维度对M组交互监测记录进行特征识别，获得M个交互监测特征序列。其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征。M个交互监测特征序列与M组交互监测记录具有对应关系。每个交互监测特征序列包括每组交互监测记录对应的用户输入肌肤数据、客服响应护肤数据和客服推荐护肤数据。用户输入肌肤数据包括每组交互监测记录中的用户输入肌肤信息。客服响应护肤数据包括每组交互监测记录中的客服识别护肤信息。用户输入肌肤信息包括每组交互监测记录中的客服推荐护肤信息。达到了根据多级预设特征维度对M组交互监测记录进行特征识别，获得M个交互监测特征序列，从而提高对目标护肤客服进行适应度评价的效率的技术效果。
步骤S500：基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标；
进一步的，本申请步骤S500还包括：
步骤S510：遍历所述M个交互监测特征序列，获得第一交互监测特征序列，其中，所述第一交互监测特征序列包括用户输入肌肤数据、客服响应护肤数据和客服推荐护肤数据；
具体而言，依次将M个交互监测特征序列中的每个交互监测特征序列设置为第一交互监测特征序列。所述第一交互监测特征序列包括用户输入肌肤数据、客服响应护肤数据和客服推荐护肤数据；
步骤S520：构建护肤适应度评价模型，其中，所述护肤适应度评价模型包括输入层、护肤识别特征评价层、护肤推荐特征评价层和输出层；
进一步的，本申请步骤S520还包括：
步骤S521：基于BP神经网络，获得所述护肤适应度评价模型的基础模型结构，其中，所述基础模型结构包括输入层、多个隐含层和输出层；
具体而言，BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时，输入信息从输入层经过多层神经元逐层处理，转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。将BP神经网络作为护肤适应度评价模型的基础模型结构。即，基础模型结构包括输入层、多个隐含层和输出层。达到了构建护肤适应度评价模型的基础模型结构，为后续构建护肤适应度评价模型奠定基础的技术效果。
步骤S522：基于BP神经网络，根据所述用户输入肌肤数据和所述客服响应护肤数据，构建所述护肤识别特征评价层；
进一步的，本申请步骤S522还包括：
步骤S5221：基于所述用户输入肌肤数据、所述客服响应护肤数据、所述第一护肤识别适应度，获得检索约束算子；
步骤S5222：基于所述检索约束算子，获得多组护肤识别特征评价记录；
步骤S5223：基于所述多组护肤识别特征评价记录进行预设比例的数据划分，获得训练数据组和测试数据组；
步骤S5224：基于BP神经网络对所述训练数据组进行有监督训练，获得所述护肤识别特征评价层；
步骤S5225：基于所述测试数据组对所述护肤识别特征评价层进行优化更新。
具体而言，将用户输入肌肤数据、客服响应护肤数据、第一护肤识别适应度设置为检索约束算子。基于检索约束算子进行大数据采集，获得多组护肤识别特征评价记录。每组护肤识别特征评价记录包括历史用户输入肌肤数据、历史客服响应护肤数据、历史第一护肤识别适应度。历史第一护肤识别适应度是用于表征历史客服响应护肤数据的精确度的数据信息。历史第一护肤识别适应度越大，对应的历史客服响应护肤数据的精确度越大，该历史客服响应护肤数据与历史用户输入肌肤数据之间的适配度越强。
进一步，按照预设比例对多组护肤识别特征评价记录进行数据划分，获得训练数据组和测试数据组。基于BP神经网络对训练数据组进行有监督训练至收敛状态，获得护肤识别特征评价层。将测试数据组作为输入信息，输入护肤识别特征评价层，通过测试数据组对护肤识别特征评价层进行优化更新。其中，所述预设比例包括预先设置确定的数据划分比例。例如，所述预设比例为7:3。则，将多组护肤识别特征评价记录中随机70％的数据信息划分为训练数据组，将多组护肤识别特征评价记录中随机30％的数据信息划分为测试数据组。有监督训练又称有监督学习，有监督训练是指先对已知的训练数据组进行训练，从而得到护肤识别特征评价层，再将护肤识别特征评价层应用在新的输入数据上，映射输出结果。所述护肤识别特征评价层的输入数据为用户输入肌肤数据、客服响应护肤数据，输出数据为第一护肤识别适应度。达到了通过多组护肤识别特征评价记录，构建准确的护肤识别特征评价层，为后续生成护肤适应度评价模型夯实基础的技术效果。
步骤S523：基于BP神经网络，根据所述用户输入肌肤数据和所述客服推荐护肤数据，构建所述护肤推荐特征评价层；
步骤S524：将所述护肤识别特征评价层和所述护肤推荐特征评价层标识为所述多个隐含层；
步骤S525：将输入层、所述多个隐含层和所述输出层进行连接，生成所述护肤适应度评价模型。
具体而言，基于BP神经网络，根据用户输入肌肤数据和客服推荐护肤数据，构建护肤推荐特征评价层。将护肤识别特征评价层和护肤推荐特征评价层标识为多个隐含层。将输入层、多个隐含层和输出层进行连接，生成护肤适应度评价模型。其中，护肤推荐特征评价层与护肤识别特征评价层的获得方式相同，为了说明书的简洁，在此不再赘述。所述多个隐含层包括护肤识别特征评价层和护肤推荐特征评价层。所述护肤适应度评价模型包括输入层、护肤识别特征评价层、护肤推荐特征评价层和输出层。达到了通过BP神经网络，构建全面、准确的护肤适应度评价模型，从而提高对M个交互监测特征序列进行适应度评价的精确度的技术效果。
步骤S530：将所述用户输入肌肤数据和所述客服响应护肤数据输入所述护肤识别特征评价层，获得第一护肤识别适应度；
步骤S540：将所述用户输入肌肤数据和所述客服推荐护肤数据输入所述护肤推荐特征评价层，获得第一护肤推荐适应度；
步骤S550：基于所述第一护肤识别适应度和所述第一护肤推荐适应度进行加权融合，获得第一服务适应度指标，并将所述第一服务适应度指标添加至所述M个服务适应度指标。
具体而言，将用户输入肌肤数据和客服响应护肤数据输入护肤识别特征评价层，获得第一护肤识别适应度。将用户输入肌肤数据和客服推荐护肤数据输入护肤推荐特征评价层，获得第一护肤推荐适应度。继而，对第一护肤识别适应度和第一护肤推荐适应度进行加权融合，获得第一服务适应度指标，并将第一服务适应度指标添加至M个服务适应度指标。
其中，第一护肤识别适应度是用于表征客服响应护肤数据的精确度的数据信息。第一护肤识别适应度越大，对应的客服响应护肤数据的精确度越大，该客服响应护肤数据与用户输入肌肤数据之间的适配度越强。同理，第一护肤推荐适应度是用于表征客服推荐护肤数据的精确度的数据信息。第一护肤推荐适应度越大，对应的客服推荐护肤数据的精确度越大，该客服推荐护肤数据与用户输入肌肤数据之间的适配度越强。示例性地，在获得第一服务适应度指标时，将第一护肤识别适应度、第一护肤推荐适应度输入预设加权融合公式，获得第一服务适应度指标。预设加权融合公式为Z＝α*X+β*Y。Z为输出的第一服务适应度指标，X为输入的第一护肤识别适应度，Y为输入的第一护肤推荐适应度，α、β为预先设置确定的识别适应度权重值、推荐适应度权重值。达到了通过护肤适应度评价模型对M个交互监测特征序列进行适应度评价，获得准确的M个服务适应度指标，从而提高智能护肤客服的评分准确性的技术效果。
步骤S600：获得所述M组交互监测记录对应的M个用户反馈记录，并基于所述M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；
步骤S700：将所述M个服务灵敏度指标、所述M个服务适应度指标和所述M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。
具体而言，交互式界面与用户反馈***通信连接。用户可以通过用户反馈***对推荐护肤产品和使用效果进行评分、反馈。智能护肤客服会根据用户反馈***不断优化产品推荐和使用建议。连接用户反馈***，基于M组交互监测记录进行用户反馈信息查询，获得M个用户反馈记录，并根据M个用户反馈记录进行用户满意度提取，获得M个用户反馈满意度指标。进一步，将M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。
其中，每个用户反馈记录包括每组交互监测记录对应的护肤效果满意度评分、推荐护肤产品满意度评分、客服的服务满意度评分、推荐护肤产品建议等数据信息。每个用户反馈满意度指标包括每个用户反馈记录中的护肤效果满意度评分、推荐护肤产品满意度评分、客服的服务满意度评分。示例性地，在构建交互评分模型时，基于M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标进行历史数据查询，获得多组构建数据。每组构建数据包括M个历史服务灵敏度指标、M个历史服务适应度指标和M个历史用户反馈满意度指标、历史客服评分结果。历史客服评分结果包括M个历史服务灵敏度指标、M个历史服务适应度指标、M个历史用户反馈满意度指标对应的客服历史服务质量评价分数。将多组构建数据进行不断的自我训练学习至收敛状态，即可获得交互评分模型。所述交互评分模型包括输入层、隐含层、输出层。所述交互评分模型具备对输入的M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标进行智能化分析及服务质量评价分数匹配的功能。所述目标客服评分结果包括M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标对应的目标护肤客服的服务质量评价分数。服务质量评价分数越高，对应的目标护肤客服的服务质量越高。达到了提高智能护肤客服的评分质量的技术效果。
综上所述，本申请所提供的一种智能护肤客服的交互评分方法具有如下技术效果：
1.通过对目标护肤客服进行交互监测，获得M组交互监测记录；通过对M组交互监测记录进行评价，获得M个服务灵敏度指标；通过多级预设特征维度，遍历M组交互监测记录进行特征识别，获得M个交互监测特征序列；通过对M个交互监测特征序列进行适应度评价，获得M个服务适应度指标；通过对M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；将M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。达到了提高智能护肤客服的评分准确性，提升智能护肤客服的评分质量的技术效果。
2.通过对M组交互监测记录进行灵敏度评估，获得目标护肤客服的M个服务灵敏度指标，从而提高对目标护肤客服进行评分的全面性。
3.通过BP神经网络，构建全面、准确的护肤适应度评价模型，从而提高对M个交互监测特征序列进行适应度评价的精确度。
实施例二
基于与前述实施例中一种智能护肤客服的交互评分方法，同样发明构思，本发明还提供了一种智能护肤客服的交互评分***，请参阅附图3，所述***包括：
交互监测模块11，所述交互监测模块11用于基于目标护肤客服进行交互监测，获得M组交互监测记录，其中，M为大于1的正整数；
灵敏度评价模块12，所述灵敏度评价模块12用于基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标；
特征维度获得模块13，所述特征维度获得模块13用于获得多级预设特征维度，其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征；
特征识别模块14，所述特征识别模块14用于基于所述多级预设特征维度，遍历所述M组交互监测记录进行特征识别，获得M个交互监测特征序列；
适应度评价模块15，所述适应度评价模块15用于基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标；
用户满意度分析模块16，所述用户满意度分析模块16用于获得所述M组交互监测记录对应的M个用户反馈记录，并基于所述M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；
评分模块17，所述评分模块17用于将所述M个服务灵敏度指标、所述M个服务适应度指标和所述M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。
进一步的，所述***还包括：
第一执行模块，所述第一执行模块用于基于所述M组交互监测记录，获得第一组交互监测记录；
响应时间计算模块，所述响应时间计算模块用于基于所述第一组交互监测记录进行所述目标护肤客服的响应时间计算，获得第一响应时间；
时延计算模块，所述时延计算模块用于获得标准响应时间，并基于所述第一响应时间和所述标准响应时间进行时延计算，获得第一时延指数；
服务灵敏度指标确定模块，所述服务灵敏度指标确定模块用于基于所述第一时延指数，获得第一服务灵敏度指标，并将所述第一服务灵敏度指标添加至所述M个服务灵敏度指标。
进一步的，所述***还包括：
干扰识别模块，所述干扰识别模块用于获得所述第一组交互监测记录的交互环境信息，并基于所述交互环境信息进行干扰识别，获得交互环境干扰系数；
干扰判断模块，所述干扰判断模块用于判断所述交互环境干扰系数是否大于预设交互环境干扰系数；
指数修正模块，所述指数修正模块用于当所述交互环境干扰系数大于所述预设交互环境干扰系数时，基于所述交互环境干扰系数对所述第一时延指数进行修正。
进一步的，所述***还包括：
检索设置模块，所述检索设置模块用于以交互环境为检索约束，以交互环境干扰系数为检索目标；
交互样本检索模块，所述交互样本检索模块用于基于所述检索约束和所述检索目标进行大数据检索，获得多个样本交互环境信息和多个样本交互环境干扰系数；
第二执行模块，所述第二执行模块用于基于样本交互环境信息，获得环境本体特征；
第三执行模块，所述第三执行模块用于基于样本交互环境干扰系数，获得环境干扰特征；
特征参数确定模块，所述特征参数确定模块用于基于所述多个样本交互环境信息和所述多个样本交互环境干扰系数，获得多个环境本体特征参数和多个环境干扰特征参数；
第四执行模块，所述第四执行模块用于基于知识图谱，根据所述环境本体特征、所述环境干扰特征、所述多个环境本体特征参数和所述多个环境干扰特征参数，获得交互环境识别模型；
交互环境干扰系数确定模块，所述交互环境干扰系数确定模块用于将所述交互环境信息输入所述交互环境识别模型，获得所述交互环境干扰系数。
进一步的，所述***还包括：
第五执行模块，所述第五执行模块用于遍历所述M个交互监测特征序列，获得第一交互监测特征序列，其中，所述第一交互监测特征序列包括用户输入肌肤数据、客服响应护肤数据和客服推荐护肤数据；
第六执行模块，所述第六执行模块用于构建护肤适应度评价模型，其中，所述护肤适应度评价模型包括输入层、护肤识别特征评价层、护肤推荐特征评价层和输出层；
护肤识别适应度获得模块，所述护肤识别适应度获得模块用于将所述用户输入肌肤数据和所述客服响应护肤数据输入所述护肤识别特征评价层，获得第一护肤识别适应度；
护肤推荐适应度获得模块，所述护肤推荐适应度获得模块用于将所述用户输入肌肤数据和所述客服推荐护肤数据输入所述护肤推荐特征评价层，获得第一护肤推荐适应度；
服务适应度指标确定模块，所述服务适应度指标确定模块用于基于所述第一护肤识别适应度和所述第一护肤推荐适应度进行加权融合，获得第一服务适应度指标，并将所述第一服务适应度指标添加至所述M个服务适应度指标。
进一步的，所述***还包括：
基础模型结构确定模块，所述基础模型结构确定模块用于基于BP神经网络，获得所述护肤适应度评价模型的基础模型结构，其中，所述基础模型结构包括输入层、多个隐含层和输出层；
第七执行模块，所述第七执行模块用于基于BP神经网络，根据所述用户输入肌肤数据和所述客服响应护肤数据，构建所述护肤识别特征评价层；
第八执行模块，所述第八执行模块用于基于BP神经网络，根据所述用户输入肌肤数据和所述客服推荐护肤数据，构建所述护肤推荐特征评价层；
标识模块，所述标识模块用于将所述护肤识别特征评价层和所述护肤推荐特征评价层标识为所述多个隐含层；
连接模块，所述连接模块用于将输入层、所述多个隐含层和所述输出层进行连接，生成所述护肤适应度评价模型。
进一步的，所述***还包括：
检索约束算子确定模块，所述检索约束算子确定模块用于基于所述用户输入肌肤数据、所述客服响应护肤数据、所述第一护肤识别适应度，获得检索约束算子；
特征评价记录获得模块，所述特征评价记录获得模块用于基于所述检索约束算子，获得多组护肤识别特征评价记录；
数据划分模块，所述数据划分模块用于基于所述多组护肤识别特征评价记录进行预设比例的数据划分，获得训练数据组和测试数据组；
训练模块，所述训练模块用于基于BP神经网络对所述训练数据组进行有监督训练，获得所述护肤识别特征评价层；
优化更新模块，所述优化更新模块用于基于所述测试数据组对所述护肤识别特征评价层进行优化更新。
本发明实施例所提供的一种智能护肤客服的交互评分***可执行本发明任意实施例所提供的一种智能护肤客服的交互评分方法，具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本申请提供了一种智能护肤客服的交互评分方法，其中，所述方法应用于一种智能护肤客服的交互评分***，所述方法包括：通过对目标护肤客服进行交互监测，获得M组交互监测记录；通过对M组交互监测记录进行评价，获得M个服务灵敏度指标；通过多级预设特征维度，遍历M组交互监测记录进行特征识别，获得M个交互监测特征序列；通过对M个交互监测特征序列进行适应度评价，获得M个服务适应度指标；通过对M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；将M个服务灵敏度指标、M个服务适应度指标和M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。解决了现有技术中针对智能护肤客服的评分准确性不足，进而造成智能护肤客服的评分质量不高的技术问题。达到了提高智能护肤客服的评分准确性，提升智能护肤客服的评分质量的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (5)

1.一种智能护肤客服的交互评分方法，其特征在于，所述方法包括：
基于目标护肤客服进行交互监测，获得M组交互监测记录，其中，M为大于1的正整数；
基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标；
获得多级预设特征维度，其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征；
基于所述多级预设特征维度，遍历所述M组交互监测记录进行特征识别，获得M个交互监测特征序列；
基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标；
获得所述M组交互监测记录对应的M个用户反馈记录，并基于所述M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；
将所述M个服务灵敏度指标、所述M个服务适应度指标和所述M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果；
其中，基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标，包括：
基于所述M组交互监测记录，获得第一组交互监测记录；
基于所述第一组交互监测记录进行所述目标护肤客服的响应时间计算，获得第一响应时间；
获得标准响应时间，并基于所述第一响应时间和所述标准响应时间进行时延计算，获得第一时延指数；
基于所述第一时延指数，获得第一服务灵敏度指标，并将所述第一服务灵敏度指标添加至所述M个服务灵敏度指标；
所述获得第一时延指数之后，包括：
获得所述第一组交互监测记录的交互环境信息，并基于所述交互环境信息进行干扰识别，获得交互环境干扰系数；
判断所述交互环境干扰系数是否大于预设交互环境干扰系数；
当所述交互环境干扰系数大于所述预设交互环境干扰系数时，基于所述交互环境干扰系数对所述第一时延指数进行修正；
所述获得交互环境干扰系数，包括：
以交互环境为检索约束，以交互环境干扰系数为检索目标；
基于所述检索约束和所述检索目标进行大数据检索，获得多个样本交互环境信息和多个样本交互环境干扰系数；
基于样本交互环境信息，获得环境本体特征；
基于样本交互环境干扰系数，获得环境干扰特征；
基于所述多个样本交互环境信息和所述多个样本交互环境干扰系数，获得多个环境本体特征参数和多个环境干扰特征参数；
基于知识图谱，根据所述环境本体特征、所述环境干扰特征、所述多个环境本体特征参数和所述多个环境干扰特征参数，获得交互环境识别模型；
将所述交互环境信息输入所述交互环境识别模型，获得所述交互环境干扰系数。
2.如权利要求1所述的方法，其特征在于，基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标，包括：
遍历所述M个交互监测特征序列，获得第一交互监测特征序列，其中，所述第一交互监测特征序列包括用户输入肌肤数据、客服响应护肤数据和客服推荐护肤数据；
构建护肤适应度评价模型，其中，所述护肤适应度评价模型包括输入层、护肤识别特征评价层、护肤推荐特征评价层和输出层；
将所述用户输入肌肤数据和所述客服响应护肤数据输入所述护肤识别特征评价层，获得第一护肤识别适应度；
将所述用户输入肌肤数据和所述客服推荐护肤数据输入所述护肤推荐特征评价层，获得第一护肤推荐适应度；
基于所述第一护肤识别适应度和所述第一护肤推荐适应度进行加权融合，获得第一服务适应度指标，并将所述第一服务适应度指标添加至所述M个服务适应度指标。
3.如权利要求2所述的方法，其特征在于，构建护肤适应度评价模型，包括：
基于BP神经网络，获得所述护肤适应度评价模型的基础模型结构，其中，所述基础模型结构包括输入层、多个隐含层和输出层；
基于BP神经网络，根据所述用户输入肌肤数据和所述客服响应护肤数据，构建所述护肤识别特征评价层；
基于BP神经网络，根据所述用户输入肌肤数据和所述客服推荐护肤数据，构建所述护肤推荐特征评价层；
将所述护肤识别特征评价层和所述护肤推荐特征评价层标识为所述多个隐含层；
将输入层、所述多个隐含层和所述输出层进行连接，生成所述护肤适应度评价模型。
4.如权利要求3所述的方法，其特征在于，基于BP神经网络，根据所述用户输入肌肤数据和所述客服响应护肤数据，构建所述护肤识别特征评价层，包括：
基于所述用户输入肌肤数据、所述客服响应护肤数据、所述第一护肤识别适应度，获得检索约束算子；
基于所述检索约束算子，获得多组护肤识别特征评价记录；
基于所述多组护肤识别特征评价记录进行预设比例的数据划分，获得训练数据组和测试数据组；
基于BP神经网络对所述训练数据组进行有监督训练，获得所述护肤识别特征评价层；
基于所述测试数据组对所述护肤识别特征评价层进行优化更新。
5.一种智能护肤客服的交互评分***，其特征在于，所述***用于执行权利要求1至4任一项所述的方法，所述***包括：
交互监测模块，所述交互监测模块用于基于目标护肤客服进行交互监测，获得M组交互监测记录，其中，M为大于1的正整数；
灵敏度评价模块，所述灵敏度评价模块用于基于所述M组交互监测记录进行所述目标护肤客服的灵敏度评价，获得M个服务灵敏度指标；
特征维度获得模块，所述特征维度获得模块用于获得多级预设特征维度，其中，所述多级预设特征维度包括用户输入肌肤特征、客服响应护肤特征和客服推荐护肤特征；
特征识别模块，所述特征识别模块用于基于所述多级预设特征维度，遍历所述M组交互监测记录进行特征识别，获得M个交互监测特征序列；
适应度评价模块，所述适应度评价模块用于基于所述M个交互监测特征序列进行所述目标护肤客服的适应度评价，获得M个服务适应度指标；
用户满意度分析模块，所述用户满意度分析模块用于获得所述M组交互监测记录对应的M个用户反馈记录，并基于所述M个用户反馈记录进行用户满意度分析，获得M个用户反馈满意度指标；
评分模块，所述评分模块用于将所述M个服务灵敏度指标、所述M个服务适应度指标和所述M个用户反馈满意度指标输入交互评分模型，获得目标客服评分结果。
CN202310517045.5A 2023-05-09 2023-05-09 一种智能护肤客服的交互评分方法及*** Active CN116542566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310517045.5A CN116542566B (zh) 2023-05-09 2023-05-09 一种智能护肤客服的交互评分方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310517045.5A CN116542566B (zh) 2023-05-09 2023-05-09 一种智能护肤客服的交互评分方法及***

Publications (2)

Publication Number Publication Date
CN116542566A CN116542566A (zh) 2023-08-04
CN116542566B true CN116542566B (zh) 2023-11-21

Family

ID=87451883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310517045.5A Active CN116542566B (zh) 2023-05-09 2023-05-09 一种智能护肤客服的交互评分方法及***

Country Status (1)

Country Link
CN (1) CN116542566B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103262069A (zh) * 2010-12-21 2013-08-21 国际商业机器公司 用于预测建模的方法和***
US8587630B1 (en) * 2005-09-15 2013-11-19 At&T Mobility Ii Llc Assessing performance and quality of a mobile communication service
CN107026750A (zh) * 2016-02-02 2017-08-08 ***通信集团广东有限公司 一种用户上网QoE评价方法及装置
CN110533343A (zh) * 2019-09-04 2019-12-03 腾讯科技（深圳）有限公司 智能客服***的数据处理方法、装置及电子设备
CN111324865A (zh) * 2020-02-24 2020-06-23 浪潮天元通信信息***有限公司 一种基于物联网的店面满意度智能分析方法和***
CN114049973A (zh) * 2021-11-15 2022-02-15 阿里巴巴（中国）有限公司 对话质检方法、电子设备、计算机存储介质及程序产品

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8587630B1 (en) * 2005-09-15 2013-11-19 At&T Mobility Ii Llc Assessing performance and quality of a mobile communication service
CN103262069A (zh) * 2010-12-21 2013-08-21 国际商业机器公司 用于预测建模的方法和***
CN107026750A (zh) * 2016-02-02 2017-08-08 ***通信集团广东有限公司 一种用户上网QoE评价方法及装置
CN110533343A (zh) * 2019-09-04 2019-12-03 腾讯科技（深圳）有限公司 智能客服***的数据处理方法、装置及电子设备
CN111324865A (zh) * 2020-02-24 2020-06-23 浪潮天元通信信息***有限公司 一种基于物联网的店面满意度智能分析方法和***
CN114049973A (zh) * 2021-11-15 2022-02-15 阿里巴巴（中国）有限公司 对话质检方法、电子设备、计算机存储介质及程序产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大数据分析的智能客服***研究与设计;吴子辰;陈鑫;王磊;严冬;;企业技术开发(第12期);全文 *

Also Published As

Publication number Publication date
CN116542566A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN111563149B (zh) 一种用于中文知识图谱问答***的实体链接方法
CN104298778B (zh) 一种基于关联规则树的轧钢产品质量的预测方法及***
CN114678080B (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN114399032B (zh) 一种电能表计量误差预测方法及***
CN110287382B (zh) 一种面向电池生产数据的关联规则的挖掘方法
CN116128544A (zh) 一种电力营销异常营业数据的主动稽核方法和***
CN114912772A (zh) 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及***
CN117520522B (zh) 一种基于rpa和ai结合的智能对话方法、装置及电子设备
CN108509588B (zh) 一种基于大数据的律师评估方法及推荐方法
CN112965968B (zh) 一种基于注意力机制的异构数据模式匹配方法
CN114548494A (zh) 一种可视化造价数据预测智能分析***
CN116542566B (zh) 一种智能护肤客服的交互评分方法及***
CN116342167B (zh) 基于序列标注命名实体识别的智能成本度量方法和装置
CN116450855A (zh) 基于知识图谱的问答机器人的回复生成策略方法及***
CN110727801A (zh) 基于本体的模糊评价搜索引擎广告优化方法
CN115601007A (zh) 一种复杂机电***全生命周期诊断推理与维护决策方法
CN115310004A (zh) 融合项目时序关系的图神经协同过滤推荐方法
CN114820074A (zh) 基于机器学习的目标用户群体预测模型构建方法
CN115544112A (zh) 一种基于大数据人工智能的双创成果高价值专利筛选方法
CN114860952A (zh) 一种基于数据统计和知识指导的图拓扑学习方法及***
CN111274404B (zh) 一种基于人机协同的小样本实体多领域分类方法
CN114564594A (zh) 一种基于双塔模型的知识图谱用户偏好实体召回方法
Wang Research on enterprise financial performance evaluation method based on data mining
CN113111588A (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN116701730B (zh) 一种基于多元动态特征的通用飞行器案例推理***及方法

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