CN106408106A - 用于实现高危维权预警的方法及装置 - Google Patents
用于实现高危维权预警的方法及装置 Download PDFInfo
- Publication number
- CN106408106A CN106408106A CN201510470875.2A CN201510470875A CN106408106A CN 106408106 A CN106408106 A CN 106408106A CN 201510470875 A CN201510470875 A CN 201510470875A CN 106408106 A CN106408106 A CN 106408106A
- Authority
- CN
- China
- Prior art keywords
- safeguarding
- event
- grade
- risk
- user
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用于实现高危维权预警的方法及装置。所述方法包括:基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级;基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级及维权意向等级;结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;若是高危维权事件,则提出预警。本申请实现了有效提高高危维权事件的预测准确率及召回率。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种用于实现高危维权预警的方法及装置。
背景技术
维权是指维护个人或群体的合法权益。维权可发生在各个场景,其中包括:当用户在某一平台执行某一事件后,若对事件执行过程的某一环节或执行对象不满意,则可以向该平台申请维权。对于该平台,如何妥善的解决各维权事件至关重要,处理结果将直接影响该平台的信誉。
由于平台需处理的维权事件可能包括成百上千件,而各个维权事件的高危程度不同,如何区分出高危维权事件,以对高危维权事件进行优先处理是各平台在处理维权中需要解决的问题,也就是对于平台来说需要实现维权的高危预警。
目前,各平台的高危预警方案大多为采用关键字预警,例如,用户在一维权事件的维权留言中包含预定关键字,则表示该维权事件为高危维权事件;或采用来电次数预警,例如,用户在一维权事件中的维权来电次数达到预定次数时,确定该维权事件为高危维权事件,对依照上述方法确定的高危维权事件进行预警。
上述的高危维权预警方案的规则较简单,在一些情况下,即使不包含预定关键字或来电次数没有达到预定次数的情况下,也会存在高危维权事件。因此当前的方案很难准确预测出所有的高危维权,也就是对高危维权事件的召回率及准确率较低,从而影响维权处理结果,最终对平台信誉造成不良影响。
发明内容
本申请解决的技术问题之一是,提供一种用于实现高危维权预警的方法及装置,有效提高高危维权的召回率及准确率。
根据本申请一方面的一个实施例,提供了一种用于实现高危维权预警的方法,包括:
基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级;
基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级及维权意向等级;
结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;
若是高危维权事件,则提出预警。
根据本申请另一方面的一个实施例,提供了一种用于实现高危维权预警的装置,包括:
第一确定单元,用于基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级;
第二确定单元,用于基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级;
第三确定单元,用于基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级;
高危维权判断单元,用于结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;
预警单元,用于在高危维权判断单元判断所述维权事件是高危维权事件情况下提出预警。
本申请实施例针对一个维权事件可确定出该维权事件提出用户的维权行为等级、维权情绪等级以及维权意向等级,通过结合该用户的维权行为等级、维权情绪等级以及维权意向等级识别高危维权事件,从而可较全面的覆盖该维权事件所包含的高危因素,准确预测出高危维权事件,从而有效提高高危维权事件的预测准确率及召回率,为高危维权事件的及时有效处理提供便利条件。
本领域普通技术人员将了解,虽然下面的详细说明将参考图示实施例、附图进行,但本申请并不仅限于这些实施例。而是,本申请的范围是广泛的,且意在仅通过后附的权利要求限定本申请的范围。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请一个实施例的用于实现高危维权预警的方法的流程图。
图2是根据本申请一个实施例的用于实现高危维权预警的装置的结构示意图。
本领域普通技术人员将了解,虽然下面的详细说明将参考图示实施例、附图进行,但本申请并不仅限于这些实施例。而是,本申请的范围是广泛的,且意在仅通过后附的权利要求限定本申请的范围。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理,但是,其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
所述计算机设备包括用户设备与网络设备。其中,所述用户设备包括但不限于电脑、智能手机、PDA等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述计算机设备可单独运行来实现本申请,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中,所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是,所述用户设备、网络设备和网络等仅为举例,其他现有的或今后可能出现的计算机设备或网络如可适用于本申请,也应包含在本申请保护范围以内,并以引用方式包含于此。
后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时,用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本申请的示例性实施例的目的。但是本申请可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
应当理解的是,当一个单元被称为“连接”或“耦合”到另一单元时,其可以直接连接或耦合到所述另一单元,或者可以存在中间单元。与此相对,当一个单元被称为“直接连接”或“直接耦合”到另一单元时,则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如“处于...之间”相比于“直接处于...之间”,“与...邻近”相比于“与...直接邻近”等等)。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
由于目前基于关键词或来电次数进行高危维权预警的方案规则较简单,其不但不能准确预测出高危维权,而且其维权的识别结果只有“是”(是高危维权)和“否”(不是高危维权)两种结果,无法预测出维权的高危等级,因此,对识别出的高危维权无法区别处理,即无法确定高危维权的处理优先顺序。针对该问题,本申请实施例通过训练出三个模型,包括:行为识别模型、情绪识别模型、意向识别模型,由行为识别模型识别出提出维权用户的维权行为等级、由情绪识别模型识别出提出维权用户的维权情绪等级以及由意向识别模型识别出提出维权用户的维权意向等级,再结合所述维权行为等级、维权情绪等级以及维权意向等级判断维权事件是否为高危维权事件,以及确定高危维权事件的高危等级,通过此操作不但可以准确识别出高危维权,而且可以确定高危维权的高危等级,从而可以按照高危等级的优先顺序处理各高危维权,以保证维权处理效果。
下面结合附图对本申请的技术方案作进一步详细描述。
图1是根据本申请一个实施例的用于实现高危维权预警的方法的流程图,该方法可用于维权事件处理过程,在处理维权事件中先判断每一个维权事件是否为高危维权事件,以便对识别出的高危维权提出预警等后续处理。该方法主要包括如下步骤:
S110、基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级;
S120、基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级;
S130、基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级;
S140、结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;
S150、若是高危维权事件则提出预警。
下面对上述各步骤做进一步详细介绍。
步骤S110中所述的用户的历史维权记录包括以下至少一项:
历史维权留言次数、历史维权预约呼叫次数、历史维权类型、历史维权频率、历史维权申述类型。
也就是,本申请实施例会保存用户的历史维权记录,在判断维权事件是否为高危维权事件时,首先获取提出维权事件的用户的用户标识,再依据该用户标识获取与该用户标识对应的历史维权记录。该历史维权记录可以为用户在当前平台的所有维权记录,也可以为距离当前时间规定时长范围内的用户的维权记录。
步骤S110中所述的维权行为等级是用来表征用户行为习惯的高危维权倾向程度。利用行为识别模型可识别出用户的维权行为等级,其中用户的维权行为等级越高则表示该用户维权意识越强。例如,在不考虑其他条件的情况下,维权行为等级为5的用户比维权行为等级为3的用户的维权意识强,则该维权行为等级为5的用户提出的维权事件比维权行为等级为3的用户提出的维权事件的高危可能性越大。
其中,可利用训练得到的行为识别模型基于用户的历史维权记录确定用户的维权行为等级。在训练行为识别模型时可采用半监督的机器学习方法进行训练。具体训练过程如下:
首先,使用指定规则从数据集中筛选出部分正样本,再从剩余的数据集中随机选择部分负样本。虽然,通过这样的方式,不可避免地使负样本集中混入一些噪声,但基于海量的数据集中只有不到1%的正样本,可以推断,随机的选择数据集产生的负样本集,引入的正样本噪声在可控范围内。
之后,使用分类器进行训练,以便从中选取置信度较高的样本扩充为训练样本。
通过重复上述两个步骤若干次可得到足够多的样本集,使用该样本集进行训练课得到本申请实施例中使用的行为识别模型。
半监督的机器学习方式是已知的一种机器学习方法。关于其选取样本和训练的细节不赘述。
通过使用上述半监督的机器学习方式,可以在较少人工参与的情况下,获得比较准确的训练样本集,基于该训练样本集进行训练得到的行为识别模型的识别准确率越高。
步骤S120中所述的用户在所述维权事件中的维权交互内容包括以下至少一项:
维权留言内容、与维权对象的交互内容。
其中,所述维权留言内容包括用户直接以文本形式提交的留言内容,还包括用户语音留言内容,其中,可将该语音留言进一步转换为文本留言。
所述与维权对象的交互内容包括用户在维权事件所针对的事件中与事件的另一关联主体交互的内容。例如,在电子商务平台中,交易事件关联的两个用户为用户A与用户B,用户A在该交易事件中对用户B的某一操作不满,则在向平台提出维权前会与用户B进行交互,在交互未果情况下再向平台提出维权,该与用户B交互的内容即为前面所述的维权交互内容。
该步骤S120中所述的维权情绪等级是用来表征维权用户的情绪糟糕程度。一般维权情绪等级越高则说明用户情绪越糟糕,则对应的维权事件为高危维权事件的可能性越大。
其中,可利用训练得到的情绪识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级。该情绪识别模型同样可采用半监督机器学习的方法训练得到。半监督的机器学习方式是已知的一种机器学习方法。关于其选取样本和训练的细节不赘述。
步骤S130中所述的维权意向等级是用来表征用户向当前平台以外(例如,警方、法院、工商、消协、媒体等)的其他渠道提出维权的倾向程度。维权意向等级越高,则表明用户采用其他渠道提出维权的倾向越强,则对应的维权事件为高危维权事件的可能性越大。
本申请实施例可利用训练得到的意识识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级。
该意识识别模型同样可采用半监督机器学习的方法训练得到。半监督的机器学习方式是已知的一种机器学习方法。关于其选取样本和训练的细节不赘述。
需要说明的是,本申请实施例中的步骤S110、步骤S120和步骤S120没有执行先后顺序的限制,一般为同步执行。
本申请实施例通过维权行为等级、维权情绪等级以及维权意向等级可以全面的描述维权事件的紧急程度,且通过预先训练的模型进行识别,可以准确的识别出对应的级别。
另外,本申请实施例可以分别为维权行为等级、维权情绪等级以及维权意向等级确定各自的高危门限等级。例如,设置维权行为等级的高危门限等级为5级,设置维权情绪等级的高危门限等级为9级,设置维权意向等级的高危门限等级为9级。
步骤S140在结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件时,只有在维权行为等级、维权情绪等级以及维权意向等级均达到各自预设的高危门限等级情况下,才可确定该维权为高危维权。例如,在满足维权行为等级大于等于5级、维权情绪等级大于等于9级以及维权意向等级大于等于9级情况下,即可确定该维权事件为高危维权事件。
可以理解的是,本申请实施例并不局限于确定维权行为、维权情绪、维权意向的级别,实际应用中还可采用为维权行为、维权情绪、维权意向打分等其他方式来代替。
另外,本申请实施例不但可以识别出维权事件是否为高危维权事件,还可以识别出高危维权事件情况下确定高危维权事件的高危等级。具体的,可依据如下优先顺序确定高危维权事件的高危等级:
维权意向等级、维权情绪等级、维权行为等级。
所述的识别高危维权事件的高危等级,即确定各高危维权事件的高危程度,以依照各高危维权事件的高危程度确定处理各高危维权事件的顺序,因此,识别高危维权事件的高危等级即确定各高危维权事件的高危排序。首先,依照维权意向等级进行排序,维权意向等级越高,则排序越靠前。在维权意向等级相同情况下,维权情绪等级越高,则排序越靠前。在维权情绪等级相同情况下,依照维权行为等级的高低确定排序的先后顺序。在另一种实施方式中,也可以将维权事件的维权行为、维权情绪、维权意向等级分别赋予一定权重,并按照维权行为、维权情绪、维权意向等级的加权和重新排序维权事件,从而得到各维权事件的高危等级。
步骤S150为对判断出的高危维权事件进行预警。其中可采用多种途径进行预警,例如,发送即时消息、发送短消息、发送邮件,发送声音报警等等,本申请实施例对此不做具体限制。通过该预警可提醒工作人员及时处理高危维权事件,保证高危维权事件处理的时效性,避免处理不及时对平台信誉造成影响。
若判断出不是高危维权事件可结束操作。
本申请实施例通过确定用户的维权行为等级、维权情绪等级以及维权意向等级,并结合该用户的维权行为等级、维权情绪等级以及维权意向等级识别出高危维权事件,可有效提高高危维权事件的预测准确率及召回率。
本申请实施例还提供一种与上述用于实现高危维权预警的方法对应的装置,如图2中所示为所述装置结构示意图,该装置主要包括:
第一确定单元210,用于基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级;
第二确定单元220,用于基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级;
第三确定单元230,用于基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级;
高危维权判断单元240,用于结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;
预警单元250,用于在高危维权判断单元240判断所述维权事件是高危维权事件情况下提出预警。
所述用户的历史维权记录包括以下至少一项:
历史维权留言次数、历史维权预约呼叫次数、历史维权类型、历史维权频率、历史维权申述类型。
所述第一确定单元210被配置为:
利用训练得到的行为识别模型基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级。
所述用户在所述维权事件中的维权交互内容包括以下至少一项:
维权留言内容、与维权对象的交互内容。
所述第二确定单元220被配置为:
利用训练得到的情绪识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级。
所述第三确定单元230被配置为:
利用训练得到的意识识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级。
所述行为识别模型、情绪识别模型及意识识别模型中至少一个采用半监督机器学习的方法训练得到。
所述高危维权识别单元240被配置为:在判断所述维权事件是高危维权事件情况下,确定所述高危维权事件的高危等级。可依据如下优先顺序确定高危维权事件的高危等级:
维权意向等级、维权情绪等级、维权行为等级。
综上所述,本申请实施例针对一个维权事件可确定出该维权事件提出用户的维权行为等级、维权情绪等级以及维权意向等级,通过结合该用户的维权行为等级、维权情绪等级以及维权意向等级识别高危维权事件,从而可较全面的覆盖该维权事件所包含的高危因素,准确预测出高危维权事件,从而有效提高高危维权事件的预测准确率及召回率,为高危维权事件的及时有效处理提供便利条件。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请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申请。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,本申请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申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。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。系统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。
Claims (17)
1.一种用于实现高危维权预警的方法,其特征在于,包括:
基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级:
基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级及维权意向等级;
结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;
若是高危维权事件,则提出预警。
2.如权利要求1所述的方法,其特征在于,所述用户的历史维权记录包括以下至少一项:
历史维权留言次数、历史维权预约呼叫次数、历史维权类型、历史维权频率、历史维权申述类型。
3.如权利要求2所述的方法,其特征在于,利用训练得到的行为识别模型基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级。
4.如权利要求1所述的方法,其特征在于,所述用户在所述维权事件中的维权交互内容包括以下至少一项:
维权留言内容、与维权对象的交互内容。
5.如权利要求4所述的方法,其特征在于,利用训练得到的情绪识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级;及
利用训练得到的意识识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级。
6.如权利要求3或5所述的方法,其特征在于,所述行为识别模型、情绪识别模型及意识识别模型中至少一个采用半监督机器学习的方法训练得到。
7.如权利要求1所述的方法,其特征在于,若是高危维权事件,所述方法还包括:
确定所述高危维权事件的高危等级。
8.如权利要求7所述的方法,其特征在于,所述确定所述高危维权事件的高危等级包括:
依据如下优先顺序确定所述高危维权事件的高危等级:
维权意向等级、维权情绪等级、维权行为等级。
9.一种用于实现高危维权预警的装置,其特征在于,包括:
第一确定单元,用于基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级;
第二确定单元,用于基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级;
第三确定单元,用于基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级;
高危维权判断单元,用于结合所述用户的维权行为等级、维权情绪等级以及维权意向等级判断所述维权事件是否为高危维权事件;
预警单元,用于在高危维权判断单元判断所述维权事件是高危维权事件情况下提出预警。
10.如权利要求9所述的装置,其特征在于,所述用户的历史维权记录包括以下至少一项:
历史维权留言次数、历史维权预约呼叫次数、历史维权类型、历史维权频率、历史维权申述类型。
11.如权利要求10所述的装置,其特征在于,所述第一确定单元被配置为:
利用训练得到的行为识别模型基于提出维权事件的用户的历史维权记录确定所述用户的维权行为等级。
12.如权利要求9所述的装置,其特征在于,所述用户在所述维权事件中的维权交互内容包括以下至少一项:
维权留言内容、与维权对象的交互内容。
13.如权利要求12所述的装置,其特征在于,所述第二确定单元被配置为:
利用训练得到的情绪识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权情绪等级。
14.如权利要求12所述的装置,其特征在于,所述第三确定单元被配置为:
利用训练得到的意识识别模型基于所述用户在所述维权事件中的维权交互内容确定所述用户的维权意向等级。
15.如权利要求11、13或14所述的装置,其特征在于,所述行为识别模型、情绪识别模型及意识识别模型中至少一个采用半监督机器学习的方法训练得到。
16.如权利要求9所述的装置,其特征在于,所述高危维权判断单元被配置为:
在判断所述维权事件是高危维权事件情况下,确定所述高危维权事件的高危等级。
17.如权利要求16所述的装置,其特征在于,所述高危维权判断单元被配置为:
依据如下优先顺序确定所述高危维权事件的高危等级:
维权意向等级、维权情绪等级、维权行为等级。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510470875.2A CN106408106A (zh) | 2015-08-03 | 2015-08-03 | 用于实现高危维权预警的方法及装置 |
PCT/CN2016/090813 WO2017020713A1 (zh) | 2015-08-03 | 2016-07-21 | 用于实现高危维权预警的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510470875.2A CN106408106A (zh) | 2015-08-03 | 2015-08-03 | 用于实现高危维权预警的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408106A true CN106408106A (zh) | 2017-02-15 |
Family
ID=57943787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510470875.2A Pending CN106408106A (zh) | 2015-08-03 | 2015-08-03 | 用于实现高危维权预警的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106408106A (zh) |
WO (1) | WO2017020713A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110708306A (zh) * | 2019-09-29 | 2020-01-17 | 贝壳技术有限公司 | 一种数据处理方法、装置和存储介质 |
CN112446806A (zh) * | 2019-09-04 | 2021-03-05 | 周洋 | 互联网采集维权事例汇总并案统一处理的方法、装置、系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610399A (zh) * | 2021-08-09 | 2021-11-05 | 广州品唯软件有限公司 | 一种客服后台的风险监控方法、系统及装置 |
CN117521042B (zh) * | 2024-01-05 | 2024-05-14 | 创旗技术有限公司 | 基于集成学习的高危授权用户识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662549A (zh) * | 2009-09-09 | 2010-03-03 | 中兴通讯股份有限公司 | 一种基于语音的客户评价系统及客户评价方法 |
CN101997996A (zh) * | 2009-08-13 | 2011-03-30 | 华为技术有限公司 | 一种排队路由的方法及装置 |
CN102402717A (zh) * | 2010-09-13 | 2012-04-04 | 日电(中国)有限公司 | 数据分析设备和方法 |
CN103811009A (zh) * | 2014-03-13 | 2014-05-21 | 华东理工大学 | 一种基于语音分析的智能电话客服系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101998472A (zh) * | 2009-08-27 | 2011-03-30 | 中国移动通信集团甘肃有限公司 | 投诉预处理方法、投诉处理方法、装置及系统 |
CN103176981B (zh) * | 2011-12-20 | 2016-04-27 | 中国科学院计算机网络信息中心 | 一种事件信息挖掘并预警的方法 |
CN103188705B (zh) * | 2011-12-29 | 2016-06-22 | 中国移动通信集团广东有限公司 | 一种对批量投诉进行告警定位的方法和告警定位装置 |
-
2015
- 2015-08-03 CN CN201510470875.2A patent/CN106408106A/zh active Pending
-
2016
- 2016-07-21 WO PCT/CN2016/090813 patent/WO2017020713A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101997996A (zh) * | 2009-08-13 | 2011-03-30 | 华为技术有限公司 | 一种排队路由的方法及装置 |
CN101662549A (zh) * | 2009-09-09 | 2010-03-03 | 中兴通讯股份有限公司 | 一种基于语音的客户评价系统及客户评价方法 |
CN102402717A (zh) * | 2010-09-13 | 2012-04-04 | 日电(中国)有限公司 | 数据分析设备和方法 |
CN103811009A (zh) * | 2014-03-13 | 2014-05-21 | 华东理工大学 | 一种基于语音分析的智能电话客服系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446806A (zh) * | 2019-09-04 | 2021-03-05 | 周洋 | 互联网采集维权事例汇总并案统一处理的方法、装置、系统 |
CN110708306A (zh) * | 2019-09-29 | 2020-01-17 | 贝壳技术有限公司 | 一种数据处理方法、装置和存储介质 |
CN110708306B (zh) * | 2019-09-29 | 2022-07-12 | 贝壳找房(北京)科技有限公司 | 一种数据处理方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2017020713A1 (zh) | 2017-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Data-driven trajectory quality improvement for promoting intelligent vessel traffic services in 6G-enabled maritime IoT systems | |
CN109034660B (zh) | 基于预测模型的风险控制策略的确定方法及相关装置 | |
CN111143612B (zh) | 视频审核模型训练方法、视频审核方法及相关装置 | |
CN106408106A (zh) | 用于实现高危维权预警的方法及装置 | |
CN108259494A (zh) | 一种网络攻击检测方法及装置 | |
CN109460463A (zh) | 基于数据处理的模型训练方法、装置、终端及存储介质 | |
US20130132851A1 (en) | Sentiment estimation of web browsing user | |
CN106998317A (zh) | 异常访问请求识别方法及装置 | |
TW202014940A (zh) | 訓練樣本獲取方法,帳戶預測方法及對應裝置 | |
CN111275491A (zh) | 一种数据处理方法及装置 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN107846513A (zh) | 勿扰模式的实现方法与设备 | |
CN114462356B (zh) | 一种文本纠错方法、装置、电子设备和介质 | |
CN111104988A (zh) | 图像识别方法及相关装置 | |
CN104679493B (zh) | 一种流程化的事件处理机制的改进方法 | |
CN111651792A (zh) | 多方协同学习中的风险检测、模型增强方法及装置 | |
CN110532776B (zh) | 基于运行时数据分析的Android恶意软件高效检测方法、系统及介质 | |
CN110263250B (zh) | 一种推荐模型的生成方法及装置 | |
CN108776681A (zh) | 一种基于语音搜索的生字词学习巩固方法及电子设备 | |
CN105630680B (zh) | 一种随机测试程序生成方法 | |
CN106161338A (zh) | 用于验证用户身份的方法及装置 | |
CN104035655B (zh) | 控制文字输入法显示的方法及装置 | |
CN109840926B (zh) | 一种图像生成方法、装置及设备 | |
CN110659492B (zh) | 一种基于多智能体强化学习的恶意软件检测方法及装置 | |
CN114510592A (zh) | 图像分类方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |