CN104991887B - 提供信息的方法及装置 - Google Patents

提供信息的方法及装置 Download PDF

Info

Publication number
CN104991887B
CN104991887B CN201510340470.7A CN201510340470A CN104991887B CN 104991887 B CN104991887 B CN 104991887B CN 201510340470 A CN201510340470 A CN 201510340470A CN 104991887 B CN104991887 B CN 104991887B
Authority
CN
China
Prior art keywords
decision
feature vectors
sampling feature
user
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.)
Active
Application number
CN201510340470.7A
Other languages
English (en)
Other versions
CN104991887A (zh
Inventor
罗欢
李�杰
汤鹏飞
王智
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201510340470.7A priority Critical patent/CN104991887B/zh
Publication of CN104991887A publication Critical patent/CN104991887A/zh
Application granted granted Critical
Publication of CN104991887B publication Critical patent/CN104991887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种提供信息的方法及装置,具有客观高效、适用范围广、可扩展性强等优点。其中,该方法包括:从历史咨询会话数据中提取样本特征向量和对应的样本决策,其中,样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,样本决策为用户提问语句;利用多个样本特征向量和对应的样本决策进行训练,得到概率分类模型;从当前客户咨询请求中提取待测特征向量,待测特征向量与样本特征向量的格式相同;向概率分类模型输入待测特征向量,然后接收概率分类模型输出的一个或多个候选决策以及对应的概率,其中,候选决策为候选用户提问语句;选择概率最大的K个候选决策作为预测决策,然后将预测决策对应的标准答复提供给客户。

Description

提供信息的方法及装置
技术领域
本发明涉及计算机技术领域,尤其涉及一种提供信息的方法及装置。
背景技术
在电商客服对话的应用场景下,在客户开始说话之前,自动客服系统通常会事先向客户展示一些预测客户可能问到的问题(简称“预测问题”)以及对应的标准答复信息。通过问题预测,可以更快地为客户服务,让用户感到更贴心。
现有技术中,这些预测问题通常是从历史问题中统计出数量最多的问题进行推荐,或者综合各种规则进行加权投票,最后进行问题推荐。通过制定规则然后进行加权投票,该方法是一种比较原始的处理方式,需要做大量的实验后人工调整各种规则的权重;如果规则种类过多并且各自存在一定的关联时,处理复杂度会成倍的增长,也不易维护;规则制定后也不容易进行调整,扩展性差。
发明内容
有鉴于此,本发明提供一种提供信息的方法及装置,具有客观高效、适用范围广、可扩展性强等优点。
为实现上述目的,根据本发明的一个方面,提供了一种提供信息的方法,包括:从历史咨询会话数据中提取样本特征向量和所述样本特征向量对应的样本决策,其中,所述样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,所述样本决策为用户提问语句;利用多个所述样本特征向量和各个所述样本特征向量对应的样本决策作为训练数据进行训练,得到概率分类模型;从当前客户咨询请求中提取待测特征向量,所述待测特征向量与所述样本特征向量的格式相同;向所述概率分类模型输入所述待测特征向量,然后接收所述概率分类模型输出的一个或多个候选决策以及对应的概率,其中,所述候选决策为候选用户提问语句;选择概率最大的K个候选决策作为预测决策,然后将所述预测决策对应的标准答复提供给客户,其中K为自然数。
可选地,所述预设属性包括如下选择中的多种:用户新老类型、用户来源入口、用户画像信息、以及咨询商品属性信息。
可选地,所述样本决策是由原始用户提问语句经过分类处理后得到的用户提问语句。
可选地,所述样本特征向量和所述待测特征向量是二值化多维离散型向量。
为实现上述目的,根据本发明的另一个方面,提供了一种提供信息的装置,其特征在于,包括:第一提取模块,用于从历史咨询会话数据中提取样本特征向量和所述样本特征向量对应的样本决策,其中,所述样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,所述样本决策为用户提问语句;训练模块,用于利用多个所述样本特征向量和各个所述样本特征向量对应的样本决策作为训练数据进行训练,得到概率分类模型;第二提取模块,用于从当前客户咨询请求中提取待测特征向量,所述待测特征向量与所述样本特征向量的格式相同;预测模块,用于向所述概率分类模型输入所述待测特征向量,然后接收所述概率分类模型输出的一个或多个候选决策以及对应的概率,其中,所述候选决策为候选用户提问语句;信息提供模块,用于选择概率最大的K个候选决策作为预测决策,然后将所述预测决策对应的标准答复提供给客户,其中K为自然数。
可选地,所述预设属性包括如下选择中的多种:用户新老类型、用户来源入口、用户画像信息、以及咨询商品属性信息。
可选地,所述样本决策是由原始用户提问语句经过分类处理后得到的用户提问语句。
可选地,所述样本特征向量和所述待测特征向量是二值化多维离散型向量。
根据本发明的技术方案,先是采集数据训练概率分类模型,然后利用该模型来预测客户可能的提问以及对应的概率,最后向客户提供最可能提问问题的标准答复。该方法至少具有如下优点:(1)避免了人工分析各个特征重要性以及设置权重的工作,避免了主观性,提高了效率;(2)当影响决策的因素种类很多、复杂程度高时也可以采用该方法,适用范围广。(3)当影响决策的因素发生变化时,仅需要修改特征向量的格式即可,扩展性强。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的提供信息的方法的主要步骤的示意图;
图2是根据本发明实施例的提供信息的装置的主要部件的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的提供信息的方法的主要步骤的示意图。如图1所示,该提供信息的方法主要包括如下步骤A至步骤E。
步骤A:从历史咨询会话数据中提取样本特征向量和样本特征向量对应的样本决策。其中,样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,样本决策为用户提问语句。
需要说明的是,预设属性通常反映了历史咨询会话的背景信息,均可能对样本决策产生影响。本发明并不限定预设属性的种类,可以根据实际情况灵活地选取,选取之后在未来还可以根据需要进行改变。例如:当新发现某个属性可能会对决策产生影响,则将该属性加入预设属性列表中,相应地,样本特征向量中新增一个元素。
步骤B:利用多个样本特征向量和各个样本特征向量对应的样本决策作为训练数据进行训练,得到概率分类模型。
步骤C:从当前客户咨询请求中提取待测特征向量,待测特征向量与样本特征向量的格式相同。也就是说,待测特征向量与样本特征向量中元素的种类和顺序一致。与样本特征向量类似地,待测特征向量中的元素是按预设属性从当前客户咨询请求中提取的属性值。
步骤D:向概率分类模型输入待测特征向量,然后接收概率分类模型输出的一个或多个候选决策以及对应的概率,其中,候选决策为候选用户提问语句。
步骤E:选择概率最大的K个候选决策作为预测决策,然后将预测决策对应的标准答复提供给客户,其中K为自然数。
本发明的提供信息的方法,先是采集数据训练概率分类模型,然后利用该模型来预测客户可能的提问以及对应的概率,最后向客户提供最可能提问问题的标准答复。该方法至少具有如下优点:(1)避免了人工分析各个特征重要性以及设置权重的工作,避免了主观性,提高了效率;(2)当影响决策的因素种类很多、复杂程度高时也可以采用该方法,适用范围广。(3)当影响决策的因素发生变化时,仅需要修改特征向量的格式即可,扩展性强。
在本发明的实施方式中,预设属性可以包括如下选择中的多种:用户新老类型、用户来源入口、用户画像信息以及咨询商品属性信息。需要说明的是,用户画像信息属性本身可以是一个复合属性,下面还可以进一步细分为年龄属性、性别属性等等。咨询商品属性信息同样也可以是一个复合属性。这几种属性是常见的能够对决策(包括样本决策和候选决策)产生影响的属性,下面举例进行说明具有不同的属性值的用户是如何做出不同的决策的。当用户为新用户时,可能倾向于问是否赠送试用装;当用户为老用户时,可能咨询是否有VIP折扣。当用户是从售前入口发起对话时,可能咨询商品库存事宜;当用户是从售后入口发起对话时,可能咨询追踪物流事宜。用户画像信息(User Profile)反映出了用户的行为习惯,具有不同用户画像信息的用户针对同一个商品提出的咨询问题通常不同。例如女性客户可能咨询能否多点优惠,男性客户可能只咨询关于产品本身的问题。咨询商品属性信息则反映了商品的特性,同一用户针对不同商品提出的咨询问题也通常不同。例如客户买衣服时可能咨询面料问题,买食品时可能咨询保质期问题。由上可知,用户新老类型、用户来源入口、用户画像信息以及咨询商品属性信息这几个属性对决策具有重要影响,可以选作特征向量的特征。
在本发明的实施方式中,样本决策可以是由原始用户提问语句经过分类处理后得到的用户提问语句。例如:将“这个商品何时有货”“什么时候补货上架”这两个原始用户提问语句经过分类后都归为同一个问题——相当于“何时有货”的用户提问语句。该实施方式不采用原始用户提问语句作为决策,而使用分类处理后的语句,这样可以使决策变为有限数目的问句集合,可以消减语言表述的多样性带来的弊端,降低模型的训练时间和复杂度。
在本发明的实施方式中,样本特征向量和待测特征向量可以是二值化多维离散型向量。换言之,当一个属性下面有多个属性值时,把多个属性值分解成多个特征,出现的离散特征值取1,不出现的离散特征值取0。如果不采用二值化多维离散的形式、而是采用离散多值的形式来表示向量,可能在某些算法下会产生误差。该实施方式中采用二值化多维离散型向量,可以降低误差,提高准确性。
为使本领域技术人员更好地理解,列举本发明的提供信息的方法一个详细实施例如下。
(1)获取历史咨询会话数据。历史咨询会话数据如表1所示,表格中的每一行表示一个样本。该实施例中预设属性限定为“用户新老类型”“用户入口来源”“用户画像信息”“咨询商品属性”这四个预设属性。
表1 历史咨询会话数据
从历史咨询会话数据中提取二值化多维离散形式的样本特征向量,如表2所示。
表2 样本特征向量列表
然后将原始用户提问语句经过分类处理后得到的有限个数的用户提问语句的集合,提取样本决策。如表3所示。
表3 样本决策列表
原始用户提问语句 样本决策
1 你好呀 1问候语
2 什么时候补货上架 2何时有货
3 这个商品何时有货 2何时有货
4 包裹送到哪里了 3物流追踪
…… ……
(2)选用台湾大学的Chih-Jen Lin博士开发的Liblinear作为概率分类模型工具,设置solver Type(算法类型)为L2R_LR算法(L2正规化的逻辑回归算法),设置C(惩罚因子)为4.0,设置eps(迭代停止阈值)为0.01。将表2中的多个样本特种向量以及表3中的多个决策作为训练数据输入Liblinear,得到训练后的概率分类模型。
(3)参照提取样本特征模型的方法,从当前客户咨询请求中提取待测特征向量。待测特征向量与样本特征向量的格式相同。假设有一位中年男性的老客户,他在浏览电商网站的某一个商品页面时,对该商品感兴趣但又有疑问,因此他在用户交互界面中触发了“联系售后客服”的按键从而发起了咨询请求。对于此,可以提取出待测特征向量X=(0,1,0,1,0,1,0,1,0,……)。
(4)将待测特征向量X代入步骤(3)得到的训练后的概率分类模型中,可以预测出若干个客户可能提出的问题,并且给出这些问题被提出的概率大小。换言之,可以得到一个或多个候选决策以及对应的概率,其中,候选决策为候选用户提问语句。在该实施例中,概率分类模型的输出结果如表4所示。
表4 候选决策以及对应的概率
候选决策 概率
A 问候语 42%
B 是否有货 23%
C 是否正品 17%
D 三包条款 11%
…… ……
(5)选择概率最大的前四个候选决策作为预测决策,然后将预测决策对应的标准答复“亲,您好!欢迎光临”、“上架的都有货,都可以正常拍下”、“本店所有商品均为正品,敬请放心购买”以及“本店的家电主体(不包括配件)七天包退,一个月包换,一年保修”一同提供给客户。至此,为客户提供了有用的信息。
图2是根据本发明实施例的提供信息的装置的主要部件的示意图。如图2所示,该提供信息的装置20主要包括如下部件:第一提取模块21、训练模块22、第二提取模块23、预测模块24和信息提供模块25。
第一提取模块21用于从历史咨询会话数据中提取样本特征向量和样本特征向量对应的样本决策,其中,样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,样本决策为用户提问语句。
训练模块22用于利用多个样本特征向量和各个样本特征向量对应的样本决策作为训练数据进行训练,得到概率分类模型。
第二提取模块23用于从当前客户咨询请求中提取待测特征向量,待测特征向量与样本特征向量的格式相同。
预测模块24用于向概率分类模型输入待测特征向量,然后接收概率分类模型输出的一个或多个候选决策以及对应的概率,其中,候选决策为候选用户提问语句。
信息提供模块25用于选择概率最大的K个候选决策作为预测决策,然后将预测决策对应的标准答复提供给客户,其中K为自然数。
本发明的提供信息的装置,先是采集数据训练概率分类模型,然后利用该模型来预测客户可能的提问以及对应的概率,最后向客户提供最可能提问问题的标准答复。该装置至少具有如下优点:(1)避免了人工分析各个特征重要性以及设置权重的工作,避免了主观性,提高了效率;(2)当影响决策的因素种类很多、复杂程度高时也可以采用该方法,适用范围广。(3)当影响决策的因素发生变化时,仅需要修改特征向量的格式即可,扩展性强。
在本发明的实施方式中,预设属性包括如下选择中的多种:用户新老类型、用户来源入口、用户画像信息以及咨询商品属性信息。这几个属性对决策具有重要影响,可以选作特征向量的特征。
在本发明的实施方式中,样本决策是由原始用户提问语句经过分类处理后得到的用户提问语句。这样可以使决策变为有限数目的问句集合,可以消减语言表述的多样性带来的弊端,降低模型的训练时间和复杂度。
在本发明的实施方式中,样本特征向量和待测特征向量是二值化多维离散型向量。采用二值化多维离散型向量,可以降低误差,提高准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。

Claims (8)

1.一种提供信息的方法,其特征在于,包括:
从历史咨询会话数据中提取样本特征向量和所述样本特征向量对应的样本决策,其中,所述样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,所述样本决策为用户提问语句;
利用多个所述样本特征向量和各个所述样本特征向量对应的样本决策作为训练数据进行训练,得到概率分类模型;
从当前客户咨询请求中提取待测特征向量,所述待测特征向量与所述样本特征向量的格式相同;
向所述概率分类模型输入所述待测特征向量,然后接收所述概率分类模型输出的一个或多个候选决策以及对应的概率,其中,所述候选决策为候选用户提问语句;
选择概率较大的K个候选决策作为预测决策,然后将所述预测决策对应的标准答复提供给客户,其中K为自然数。
2.根据权利要求1所述的提供信息的方法,其特征在于,所述预设属性包括如下选择中的多种:用户新老类型、用户来源入口、用户画像信息、以及咨询商品属性信息。
3.根据权利要求1所述的提供信息的方法,其特征在于,所述样本决策是由原始用户提问语句经过分类处理后得到的用户提问语句。
4.根据权利要求1所述的提供信息的方法,其特征在于,所述样本特征向量和所述待测特征向量是二值化多维离散型向量。
5.一种提供信息的装置,其特征在于,包括:
第一提取模块,用于从历史咨询会话数据中提取样本特征向量和所述样本特征向量对应的样本决策,其中,所述样本特征向量中的元素是按预设属性从历史咨询会话数据中提取的属性值,所述样本决策为用户提问语句;
训练模块,用于利用多个所述样本特征向量和各个所述样本特征向量对应的样本决策作为训练数据进行训练,得到概率分类模型;
第二提取模块,用于从当前客户咨询请求中提取待测特征向量,所述待测特征向量与所述样本特征向量的格式相同;
预测模块,用于向所述概率分类模型输入所述待测特征向量,然后接收所述概率分类模型输出的一个或多个候选决策以及对应的概率,其中,所述候选决策为候选用户提问语句;
信息提供模块,用于选择概率较大的K个候选决策作为预测决策,然后将所述预测决策对应的标准答复提供给客户,其中K为自然数。
6.根据权利要求5所述的提供信息的装置,其特征在于,所述预设属性包括如下选择中的多种:用户新老类型、用户来源入口、用户画像信息、以及咨询商品属性信息。
7.根据权利要求5所述的提供信息的装置,其特征在于,所述样本决策是由原始用户提问语句经过分类处理后得到的用户提问语句。
8.根据权利要求5所述的提供信息的装置,其特征在于,所述样本特征向量和所述待测特征向量是二值化多维离散型向量。
CN201510340470.7A 2015-06-18 2015-06-18 提供信息的方法及装置 Active CN104991887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510340470.7A CN104991887B (zh) 2015-06-18 2015-06-18 提供信息的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510340470.7A CN104991887B (zh) 2015-06-18 2015-06-18 提供信息的方法及装置

Publications (2)

Publication Number Publication Date
CN104991887A CN104991887A (zh) 2015-10-21
CN104991887B true CN104991887B (zh) 2018-01-19

Family

ID=54303703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510340470.7A Active CN104991887B (zh) 2015-06-18 2015-06-18 提供信息的方法及装置

Country Status (1)

Country Link
CN (1) CN104991887B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10021051B2 (en) * 2016-01-01 2018-07-10 Google Llc Methods and apparatus for determining non-textual reply content for inclusion in a reply to an electronic communication
CN106993271B (zh) * 2016-01-20 2019-11-15 中国移动通信集团福建有限公司 一种运维管理方法及设备
CN107292412A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 一种问题预测方法及预测系统
CN107590159A (zh) * 2016-07-08 2018-01-16 阿里巴巴集团控股有限公司 机器人客服转人工客服的方法和装置
CN107093084A (zh) * 2016-08-01 2017-08-25 北京小度信息科技有限公司 潜在用户预测转化方法及装置
CN106789595A (zh) * 2017-01-17 2017-05-31 北京诸葛找房信息技术有限公司 信息推送方法和装置
CN108874823A (zh) * 2017-05-12 2018-11-23 阿里巴巴集团控股有限公司 智能客服的实现方法和装置
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108322463A (zh) * 2018-01-31 2018-07-24 平安科技(深圳)有限公司 DDoS攻击检测方法、装置、计算机设备和存储介质
CN109165327B (zh) * 2018-08-21 2021-06-29 北京汇钧科技有限公司 人机对话方法、装置及计算机可读存储介质
CN110968776B (zh) * 2018-09-30 2023-05-23 北京国双科技有限公司 政策知识的推荐方法、装置存储介质及处理器
CN109635271A (zh) * 2018-10-22 2019-04-16 阿里巴巴集团控股有限公司 一种用户意图识别方法、客服服务系统、装置及电子设备
CN111104585B (zh) * 2018-10-25 2023-06-02 北京嘀嘀无限科技发展有限公司 一种问题推荐方法及装置
CN109460462B (zh) * 2018-11-15 2021-10-19 中通天鸿(北京)通信科技股份有限公司 一种中文相似问题生成系统与方法
CN109816483B (zh) * 2019-01-08 2021-02-09 上海上湖信息技术有限公司 信息推荐方法及装置、可读存储介质
CN111695919B (zh) * 2019-03-11 2024-04-26 北京嘀嘀无限科技发展有限公司 评价数据处理方法、装置、电子设备及存储介质
CN111782774B (zh) * 2019-04-03 2024-04-19 北京嘀嘀无限科技发展有限公司 一种问题推荐的方法及装置
CN110162609B (zh) * 2019-04-11 2023-04-07 创新先进技术有限公司 用于向用户推荐咨询问题的方法及装置
CN113239175A (zh) * 2021-06-10 2021-08-10 中国平安人寿保险股份有限公司 一种显示候选语句列表的方法及终端设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141997A (zh) * 2010-02-02 2011-08-03 三星电子(中国)研发中心 智能决策支持系统及其智能决策方法
CN103400054A (zh) * 2013-08-27 2013-11-20 哈尔滨工业大学 计算机辅助心理咨询自动问答机器人系统
CN103686382A (zh) * 2013-12-13 2014-03-26 南京信息工程大学 一种节目推荐方法
CN104102721A (zh) * 2014-07-18 2014-10-15 百度在线网络技术(北京)有限公司 信息推荐方法和装置
CN104133817A (zh) * 2013-05-02 2014-11-05 深圳市世纪光速信息技术有限公司 网络社区交互方法、装置及网络社区平台

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004258762A (ja) * 2003-02-24 2004-09-16 Nippon Telegr & Teleph Corp <Ntt> 行動モデル作成方法及び作成装置
JP2005202627A (ja) * 2004-01-15 2005-07-28 Oki Electric Ind Co Ltd 質問応答装置および質問応答システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141997A (zh) * 2010-02-02 2011-08-03 三星电子(中国)研发中心 智能决策支持系统及其智能决策方法
CN104133817A (zh) * 2013-05-02 2014-11-05 深圳市世纪光速信息技术有限公司 网络社区交互方法、装置及网络社区平台
CN103400054A (zh) * 2013-08-27 2013-11-20 哈尔滨工业大学 计算机辅助心理咨询自动问答机器人系统
CN103686382A (zh) * 2013-12-13 2014-03-26 南京信息工程大学 一种节目推荐方法
CN104102721A (zh) * 2014-07-18 2014-10-15 百度在线网络技术(北京)有限公司 信息推荐方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The Research and Realization about Question Answer System based on Natural Language Processing;Qinglin Guo et al;《Innovative Computing,Information and Control》;20071231;全文 *
个性化在线答疑系统的研究与实现;方利伟;《中国教育信息化》;20100531;全文 *
基于语义模板的问答系统研究;梁正平 等;《深圳大学学报理工版》;20070731;第24卷(第3期);全文 *

Also Published As

Publication number Publication date
CN104991887A (zh) 2015-10-21

Similar Documents

Publication Publication Date Title
CN104991887B (zh) 提供信息的方法及装置
He et al. Evolutionary food quality and location strategies for restaurants in competitive online-to-offline food ordering and delivery markets: An agent-based approach
Lasek et al. Restaurant sales and customer demand forecasting: Literature survey and categorization of methods
Hu et al. Ratings lead you to the product, reviews help you clinch it? The mediating role of online review sentiments on product sales
Roghanian et al. Comparison of first aggregation and last aggregation in fuzzy group TOPSIS
Vinodh et al. Evaluation of leagility in supply chains using fuzzy logic approach
CN109840730B (zh) 用于数据预测的方法及装置
Deng et al. RETRACTED ARTICLE: A study on e-commerce customer segmentation management based on improved K-means algorithm
Zhao et al. Modelling consumer satisfaction based on online reviews using the improved Kano model from the perspective of risk attitude and aspiration
CN111612519B (zh) 一种识别金融产品潜在客户的方法、装置及存储介质
CN107316229A (zh) 一种在线展示演出项目信息的方法及装置
Liu et al. A big data-Kano and SNA-CRP based QFD model: Application to product design under Chinese new E-commerce model
Kazemi et al. Evaluating service quality of airports with integrating TOPSIS and VIKOR under fuzzy environment
Nguyen et al. Analysing online customer experience in hotel sector using dynamic topic modelling and net promoter score
Wong et al. Service quality and customer satisfaction on budget airlines: Kano model approach
Padillo Jr et al. Modelling the priority attributes of customer loyalty in Philippine single-dish restaurants
Subulan et al. Metaheuristic-based simulation optimization approach to network revenue management with an improved self-adjusting bid price function
CN117235264A (zh) 文本处理方法、装置、设备和计算机可读存储介质
Kabir Consultant selection for quality management using VIKOR method under fuzzy environment
JP6067882B2 (ja) 情報処理システムおよび情報処理方法
Westerlund et al. Topic modelling analysis of online reviews: Indian restaurants at Amazon. Com
GS et al. Optimization of Micro-Small and Medium-Sized Enterprises in West Surabaya by Canvas Model
Ahmad Evaluation of the relationship between brand measures and customer satisfaction by using data mining techniques
Li et al. Effects of negative customer reviews on sales: Evidence based on text data mining
Lerttripinyo et al. Accommodation recommendation system from user reviews based on feature-based weighted non-negative matrix factorization method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant