CN108389056A - 一种确定投诉原因的方法及装置 - Google Patents

Abstract

本申请公开了一种确定投诉问题的方法及装置，在确定用户投诉的业务之后，先确定该业务的日志，并从中提取该业务的各特征，并且，还可根据该业务的业务类型，确定对应的预测模型。之后，确定该业务的各特征分别在该预测模型中的重要性。最后根据各特征的重要性，从各特征中选择至少一个特征，并以选择出的特征的对应的日志内容，确定投诉原因。

Description

一种确定投诉原因的方法及装置

技术领域

本申请涉及信息技术领域，尤其涉及一种确定投诉原因的方法及装置。

背景技术

目前，传统客服系统在面对用户投诉时，一般由客服人员对用户投诉的问题进行回复。这种客服模式需要客服人员掌握用户可能投诉的各类业务的内容，因此对客服人员的要求较高。而随着社会生活节奏的不断加速，业务的扩展速度也在不断提高，使得让客服人员掌握所有业务的内容较为困难。

于是在现有技术中，通常采用有技术人员对客服人员提供技术支持的方式，减轻对客服人员的要求。具体的，客服人员在客服系统内接收到用户投诉时，可先对用户投诉内容进行判断，确定该投诉对应的业务，之后再将该投诉转交给对该业务较为熟悉的技术人员，由技术人员根据用户投诉的内容，确定可能导致投诉的问题，并返回给客服人员，最后由客服人员提供给用户，如图1所示。

虽然现有技术从工作内容上进行了分工，但用户投诉的处理方式，仍然是基于员工对业务的理解和熟悉程度来完成的。

因此本说明书提供一种确定投诉问题的方法，以解决现有技术存在的问题。

发明内容

本说明书实施例提供一种确定投诉原因的方法及装置，用于解决现有确定投诉原因的方法，主要基于人工对业务的理解和熟悉程度，由人工确定用户投诉原因，导致确定投诉原因的效率低。

本说明书实施例采用下述技术方案：

一种确定投诉原因的方法，包括：

确定用户投诉的业务；

根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

根据所述业务的各特征的重要性，确定至少一个特征；

根据所述至少一个特征对应的日志内容，确定投诉原因。

一种确定投诉原因的装置，包括：

投诉业务确定模块，确定用户投诉的业务；

特征及模型确定模块，根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

特征重要性确定模块，根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

特征选择模块，根据所述业务的各特征的重要性，确定至少一个特征；

投诉原因确定模块，根据所述至少一个特征对应的日志内容，确定投诉原因。

一种服务器，其中，所述服务器包括：一个或多个处理器及存储器，存储器存储有应用，并且被配置成由一个或多个处理器执行以下步骤：

确定用户投诉的业务；

根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

根据所述业务的各特征的重要性，确定至少一个特征；

根据所述至少一个特征对应的日志内容，确定投诉原因。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过本说明书提供的方法及装置，在确定用户投诉的业务之后，先确定该业务的日志，并从中提取该业务的各特征，并且，还可根据该业务的业务类型，确定对应的预测模型。之后，确定该业务的各特征分别在该预测模型中的重要性。最后根据各特征的重要性，从各特征中选择至少一个特征，并以选择出的特征的对应的日志内容，确定投诉原因。其中，用户投诉的业务为已经执行完成的业务(即，具有执行结果的业务)。而该预测模型为预测业务的执行结果的模型，因此在该预测模型中重要性较高的特征，便是导致该业务得到现有的执行结果的主要原因(通常也就是用户投诉的原因)。并且，从日志提取出的特征，更方便转换为用户可理解的文字描述，使得相对于现有由人工确定投诉问题的方法，本说明书提供的方法及装置效率更高。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书提供例提供的一种确定投诉原因过程；

图2为本说明书提供的根据日志的组织结构拆分并提取特征的示意图；

图3为本说明书实施例提供一种决策树的示意图；

图4为本说明书实施例提供的一种确定投诉原因的装置的结构示意图；

图5为本说明书实施例提供的一种服务器的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为说明书实施例提供的一种确定投诉原因的过程，具体可包括以下步骤：

S100：确定用户投诉的业务。

在本说明书一个或多个实施例中，由于通常由客服系统接收用户的投诉，因此在本说明书中也可由该客服系统执行该确定投诉原因的过程。具体可由客服系统的服务器执行该过程，该服务器可以是单独的一台设备，或者该服务器也可以是由多台设备组成的系统(如，分布式服务器)，本说明书对此不做限定。为方便描述，后续以服务器为该确定投诉问题的过程的执行主体为例进行说明。于是，可由该服务器接收用户的投诉，并确定用户投诉的业务。

具体的，由于通常用户在业务的执行结果不满意时，会向客服系统发出投诉，因此在本说明书用户投诉的业务，是已经执行完毕的业务。当然，本说明书中执行完毕的业务，可以是正常执行完毕的业务，也可以是由于出现异常为结束执行的业务。也就是说，本说明书对该业务最后的执行结果具体为何不做限定，只要该业务已经结束，有确定的执行结果即可。

例如，用户参加有奖活动但是未得到奖励，或者用户使用了电子券但是电子券未能核销，或者用户参与活动失败，或者用户执行业务失败等等。也就是，当业务的执行结果与用户的期望不符，或者执行结果与用户认为的应当得到的执行结果不一致时，用户通常会向客服系统发起投诉。

另外，在本说明书中，为了准确的确定用户投诉的是哪一个业务，该服务器可确定用户投诉业务的业务标识和/或用户的账户标识。具体的，该业务标识可由客服人员，通过与用户的交流确定。则该服务器可接收客服人员输入的业务标识，确定用户投诉的业务。当然，由于现有对业务进行投诉的方式还有很多，因此本说明书对于该业务标识具体如何确定不做限定。例如，假设展示业务的执行结果的界面中包含“投诉”按键，则用户在对业务的执行结果不满时，可之间点击该“投诉”按键进行投诉，则终端可确定该执行结果对应的业务标识，并发送给服务器。

S102：根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型。

在本说明书中，当服务器确定出用户投诉的业务之后，便可进一步确定该业务的日志，以提取该业务的各特征。并且，该服务器还可根据该业务的业务类型，确定预先训练的预测该业务的执行结果的预测模型。以便后续，根据该业务的各特征以及该预测模型，确定主要导致该业务的执行结果的特征，也就是用户投诉的原因。

对于确定该业务的各特征，首先，服务器根据该业务的业务标识，从已经存储的历史日志中，确定与该业务标识对应的各日志，作为属于该业务的日志。其次，服务器可针对属于该业务的每个日志，提取该日志的特征，作为该业务的特征。

具体的，服务器可针对该业务的每个日志，若该日志为通用格式的日志，则按照该日志的组织结构，将该日志进行拆分，并按照该日志的中各部分的级别高低，将拆分的到的至少一个日志内容，确定为该业务的特征。

例如，假设用户登录的日志为login，GUID＝“XXX”，time＝“10:30am”，loc＝“US”，依次表示该日志记录的是登录操作，账户标识为XXX，登录时间为10:30am，登录地点为US。进一步假设，通用格式的日志中级别最高置于日志中第一位，表示该日志对应的操作，其余日志内动为该操作对应的详细信息。则服务器根据该登录的日志可确定该业务的三个特征，即登录ID、登录时间以及登录地点，分别对应的特征值为XXX、10:30am以及US，如图2所示。

图2为根据日志的组织结构拆分并提取特征的示意图。其中，可见日志结构中，事件类型的日志级别最高，其余日志内容的日志级别相同。因此，服务器将该日志拆分为3部分日志内容，并确定不同的特征及其对应的特征值。

另外，由于在很多情况下，日志的格式都不是通用格式的，因此难以根据日志的组织结构将该日志拆分为不同的日志内容。在本说明书中，针对该业务的每个日志，服务器可根据预先配置的与该日志的日志类型对应的特征编码方式，对该日志进行特征便编码，确定该业务的特征。

进一步地，在本说明书中，针对不同的业务类型，该服务器中可存储有预先训练得到预测该业务类型的业务的执行结果的预测模型。于是，服务器可先确定该业务的业务类型，之后在根据该业务类型，确定用于预测该业务执行结果的预测模型。

具体的，预先训练该预测模型的过程可为：

首先，服务器先从历史数据中获取属于所述业务类型的其他业务的日志。也就是说，针对不同业务类型的业务，服务器可训练不同的预测模型，因此需要先从历史数据中确定属于同一个业务类型的其他业务。另外，由于业务的日志记录了该业务整个流程中发生的各事件，而上述各事件就是最终得到业务的执行结果的原因，因此以业务的日志作为预测模型的输入，可以更好的确定造成业务的执行结果的原因。于是，服务器可针对确定出的每个其他业务，确定该其他业务的日志。需要说明的是，在本说明书中，其他业务即为用于训练模型的训练样本的来源。

之后，针对每个其他业务，根据该其他业务的日志，提取该其他业务的各特征，作为一个训练样本。以及根据该其他业务的执行结果，确定该训练样本的标签。具体的，该服务器可以采用与前述从日志中提取特征相同的方法，从该其他业务中的日志中，提取该其他业务的各特征，本说明书对此不再赘述。需要说明的是，在本说明书中该训练样本的标签是根据业务的执行结果确定，因此该标签具体可以是执行成功、执行失败。则该预测模型可以是二分类模型，如逻辑回归模型、贝叶斯模型等。于是，服务器得到的训练样本可如表1所示。

表1

在表1中，每一列特征为一种特征。也就是说日志特征a、日志特征c以及日志特征e为同一个特征类型。当然，日志特征a、日志特征c以及日志特征e的特征值可能不完全相同，但是特征编码的形式相同。例如，都是表示登录时间的特征，但是特征值可能是不同的时间。

然后，服务器便可根据确定出的各训练样本，训练预测业务执行结果的模型，并根据预测模型输出的结果与各训练样本的标签，确定该预测模型的预测准确率。并当为达到训练结束条件时，服务器可根据得到的各训练样本的预测结果与各训练样本的标签的差异，调整该预测模型中的各参数。例如，在逻辑回归模型中，针对每个训练样本的各特征，该特征是作为自变量输入该逻辑回归模型中的，并且在该逻辑回归模型中每个自变量都对应一个权重值，则在调整该预测模型中的各参数时，可调整至少一个自变量对应的权重值。

最后，在达到训练结束条件时，确定该预测模型训练完成。其中，该训练结束条件具体可以是：预测模型训练次数达到预设次数，或者该预测模型的预测准确度达到预设准确度。具体的，该预设次数以及预设准确度均可根据需要进行设置，本说明书对此不做限定。

另外，为了方便描述，后续以该预测模型为逻辑回归模型为例进行说明。

S104：根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性。

S106：根据所述业务的各特征的重要性，确定至少一个特征。

在本说明书实施例中，服务器在确定出该业务的各特征以及预测该业务的执行结果的预测模型之后，便可确定该业务的各特征在该预测模型中的重要性，而重要性越高的特征标识该特征在造成该业务的执行结果中的影响越大。因此，服务器可以根据各特征的重要性，选择至少一个特征。

具体的，在本说明书中，由于该业务的各特征可作为自变量输入该逻辑回归模型，而逻辑回归模型中的各自变量分别对应不完全相同权重值(即，在训练模型过程中调整的模型参数)，因此可根据该逻辑回归模型的各自变量的权重值，确定该业务的各特征对应的权重值。

例如，假设训练的到的逻辑回归模型为y＝A·F₁+B·F₂+C·F₃，y为该逻辑回归模型输出的业务执行结果，F₁～F₃为不同的自变量对应业务不同的特征，而A～C分别为各自变量的权重值。进一步假设，确定出的该业务的特征分别为特征a、特征b以及特征g，则根据该逻辑回归模型可确定该业务特征a的权重值为A，特征b的权重值为B，特征g的权重值为C。

进一步地，由于在逻辑回归模型中，权重值越大的自变量对于输出结果的影响越大，因此服务器可根据各特征的权重值，作为各特征的重要性。即，权重值越大的特征，重要性越高。于是，服务器还可根据各特征的权重值，选择至少一个特征。

具体的，正如前述的，用户在对业务投诉时，通常是因为对业务的执行结果不满意，所以造成该执行结果的较为重要的原因，有较大概率就是用户投诉的原因。于是，服务器可根据各特征的权重值，选择权重值较高的特征，作为用户投诉的原因。例如，服务器可按照权重值从高到低的顺序，选择至少部分特征。

S108：根据所述至少一个特征对应的日志内容，确定投诉原因。

在本说明书中，当服务器确定出主要导致用户投诉的业务出现现有的执行结果的特征之后，便可根据该特征对应日志的内容，确定投诉原因。

具体的，由于在本说明书中，业务的各特征都是从该业务的日志中提取出来的，并且由于日志通常是用于使工作人员(如，运维人员)确定业务执行过程中执行了哪些事件的，因此日志中记录的内容相较于特征来说更为较为容易理解。因此，服务器在确定出导致用户投诉的主要特征之后，还可重新确定该特征是从哪个日志中提取出来的，并且该特征具体对应的日志内容，并以此作为用户投诉的原因。

另外，在本说明书中，业务类型至少可包括：抽奖活动业务、电子券核销业务以及减免业务中的至少一种。其中，抽奖活动业务的业务执行结果可为中奖和未中奖，电子券核销业务的业务执行结果可为已核销和未核销，减免业务的业务执行结果可为已减免和未减免。当然，属于上述各业务类型的业务在执行时的具体业务流程，或者具体实施方式本说明书不做限定。

基于图1所示的确定投诉原因过程，服务器在确定用户投诉的业务时，可先根据该业务的日志，提取该业务的各特征，并且还可根据该业务的业务类型，确定预先训练的用于预测该业务的执行结果的预测模型。之后，可根据该业务的各特征在该预测模型中的重要性，从各特征中确定至少一个特征。最后根据确定出的该特征对应的日志内容，确定用户的投诉原因。通过预先训练的预测模型执行结果的预测模型，使得可以根据该预测模型，确定哪些因素是造成该业务得到现有的执行结果的主要原因。而该主要原因通常就是用户投诉的原因。于是，通过各特征在该预测模型中的重要性，使得可以自动的确定用户投诉原因。避免了现有需要基于人工对业务的掌握和理解来确定投诉原因的弊端，提高了确定用户投诉原因的效率。

另外，针对每个业务，通常该业务在执行过程中可产生大量的日志，但是每个日志对该业务执行结果的影响并不相同。也就是说，有的日志记录的事件是主要导致该执行结果原因，而有的日志记录的事件对于该执行结果的影响不大。例如，支付业务的执行过程中，用户输入支付密码的事件，对于该业务的执行结果有较大影响，而用户选择收货地址的时间，则对业务的执行结果影响不大。因此，在预先训练预测模型时，服务器还可对业务的日志进行筛选，以避免从对执行结果影响不大的日志中提取出的特征，对于预测模型的训练效果的影响。

具体的，由于不同业务类型的业务在执行使得业务流程不完全相同，因此不同业务类型的业务的日志也不完全相同。于是，在本说明书中，服务器可针对不同业务类型确定不同的筛选条件。针对每个业务类型，服务器在从历史数据中获取属于该业务类型的其他业务的日志时，可根据该业务类型的筛选条件，选择与该业务类型的业务相关度较高的日志，而后续从各筛选得到的日志中提取特征。

其中，服务器中可预先存储有各业务类型分别对应的筛选条件。该筛选条件具体可以是，选择那些日志类型的日志。则服务器可根据该业务类型确定进行筛选的筛选条件，之后根据该筛选条件包含的日志类型，从每个其他业务的日志中，选择符合该筛选条件包含的日志类型的日志。

进一步地，在本说明书该筛选条件，可由工作人员根据对业务的理解，预先配置。或者，也可以服务器根据训练得到的预测模型确定出的。

具体的，当根据训练得到的预测模型确定筛选条件时，服务器在训练预测模型之前可以先不对各其他业务的日志进行筛选，而是先训练得到预测模型。其次，根据确定该模型各自变量的权重值，确定不同特征类型的特征的重要性。之后，按照各特征类型重要性选择至少部分特征类型。然后，在根据不同特征类型的特征，与不同日志类型的日志之间的提取关系，确定选择出的部分特征类型对应的日志类型。最后，将确定出的日志类型，作为筛选条件中包含的日志类型。其中，按照重要性从高到低的顺序选择部分特征的方式可以按需要设置，本说明书不做限定。

需要说明的是，在按照各特征类型重要性选择部分特征类型时，服务器按照各特征类型的重要性从高到低的顺序，选择指定数量的特征类型。或者，服务器也可按照各特征类型的重要性(即，权重值)的中位数，选择高于该中位数的特征类型，等等。本说明书对于选择部分特征类型的方式不做限定，具体可根据需要设置。

更进一步地，在本说明书中，该服务器在训练该预测模型时，也可以训练决策树模型，则服务器在确定出该业务的各特征以及该决策树模型之后，可根据该业务的各特征，确定该业务的在该决策树中的路径。而该路径上所经过的所有节点，都可视为是用户投诉的原因，如图3所示。

图3为本说明书实施例提供一种决策树的示意图。其中，每个圆圈都表示该决策树的一个节点，以粗线标记的路径为某个业务对应的路径。而该路径上所经过的各节点，即可确定为用户投诉该业务的原因。具体可以是根据各节点对应的特征(即，需要根据哪些特征确定在该节点上路径的走向)，确定该路径对应的各日志内容，作为用户投诉原因。

另外，由于在本说明书中，并不是该业务的所有日志都需要提取出特征，因此根据该决策树模型确定的逻辑链路，并不能确定该业务的执行过程，而只能确定导致该业务的执行结果的日志对应的特征。并且，即使是同一业务类型中不同的业务，业务执行过程也可能存在区别，因此即使将该逻辑链路上经过的各节点，均可作为用户投诉的原因。

进一步地，前述步骤中本说明书以该预测模型为逻辑回归模型为例进行说明。但是，在本说明书中该预测模型除了逻辑回归模型以外，还可以是其他类型的预测模型。由于各训练样本都是根据各其他业务的日志提取出来的，因此无论该预测模型具体是何种模型，不同的特征对于该预测模型输出执行结果的影响是不完全相同的。于是，可根据业务的各特征的重要性，确定导致用户投诉的日志内容。例如，对预测模型输出执行结果的影响更大的特征，重要性更高，而该特征对应的日志内容便可确定为用户投诉原因。

于是，无论预测模型的是何种模型，服务器在步骤S106中，都可以根据该预测模型，确定该业务的各特征在该预测模型中对确定执行结果的重要性。并在执行后续步骤后，确定投诉原因。因此，本说明书对于该预测模型具体为何种模型不做限定。

同理，即使该预测模型是通过深度学习的方法，训练出来的用于预测业务的执行结果的预测模型，服务器也可以根据该预测模型，确定该业务的各特征在该预测模型中对确定执行结果的重要性。

需要说明的是，本说明书实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤S100和步骤S102的执行主体可以为设备1，步骤S102的执行主体可以为设备2；或者，步骤S100的执行主体可以为设备1，步骤S102和步骤S104的执行主体可以为设备2；等等。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于图1所示的确定投诉原因的方法，本说明书实施例还提供一种确定投诉原因的装置，如图4所示。

图4为本说明书实施例提供的一种确定投诉原因的装置的结构示意图，所述装置包括：

投诉业务确定模块200，确定用户投诉的业务；

特征及模型确定模块202，根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

特征重要性确定模块204，根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

特征选择模块206，根据所述业务的各特征的重要性，确定至少一个特征；

投诉原因确定模块208，根据所述至少一个特征对应的日志内容，确定投诉原因。

所述特征及模型确定模块202，从历史数据中获取属于所述业务类型的其他业务的日志，针对每个其他业务，根据该其他业务的日志，提取该其他业务的各特征，作为一个训练样本，以及根据该其他业务的执行结果，确定所述训练样本的标签，根据确定出的各训练样本以及各训练样本的标签，训练预测所述业务类型的业务的执行结果的预测模型。

所述特征及模型确定模块202，根据预设的日志类型，从该其他业务的各日志中筛选出用于提取特征的各日志。

所述特征及模型确定模块202，针对该其他业务的每个日志，按照该日志的组织结构将该日志进行拆分，将拆分得到的至少一个日志内容，作为该业务的特征。

所述特征及模型确定模块202，根据所述业务的标识，从历史日志中，确定属于所述业务的各日志，针对所述业务的每个日志，按照该日志的组织结构将该日志进行拆分，将拆分得到的至少一个日志内容，作为所述业务的特征。

当所述预测模型为逻辑回归模型时，所述特征重要性确定模块204，根据所述逻辑回归模型中各自变量分别对应的权重值，确定所述业务的各特征分别对应的权重值，作为各特征的重要性。

当所述预测模型为决策树时，所述投诉原因确定模块208，根据所述业务的各特征以及所述决策树，确定所述决策树的路径，根据所述决策树的路径上的各节点，确定所述投诉原因。

基于图1所述的确定投诉原因的方法，本说明书对应提供一种服务器，如图5所示，其中，所述服务器包括：一个或多个处理器及存储器，存储器存储有应用，并且被配置成由一个或多个处理器执行以下步骤：

确定用户投诉的业务；

根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

根据所述业务的各特征的重要性，确定至少一个特征；

根据所述至少一个特征对应的日志内容，确定投诉原因。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (15)

1.一种确定投诉原因的方法，包括：

确定用户投诉的业务；

根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

根据所述业务的各特征的重要性，确定至少一个特征；

根据所述至少一个特征对应的日志内容，确定投诉原因。

2.如权利要求1所述的方法，预先训练预测所述业务的执行结果的预测模型，具体包括：

从历史数据中获取属于所述业务类型的其他业务的日志；

针对每个其他业务，根据该其他业务的日志，提取该其他业务的各特征，作为一个训练样本，以及根据该其他业务的执行结果，确定所述训练样本的标签；

根据确定出的各训练样本以及各训练样本的标签，训练预测所述业务类型的业务的执行结果的预测模型。

3.如权利要求2所述的方法，根据该其他业务的日志，提取该其他业务的各特征之前，所述方法还包括：

根据预设的日志类型，从该其他业务的各日志中筛选出用于提取特征的各日志。

4.如权利要求2所述的方法，根据该其他业务的日志，提取该其他业务的各特征，具体包括：

针对该其他业务的每个日志，按照该日志的组织结构将该日志进行拆分，将拆分得到的至少一个日志内容，作为该其他业务的特征。

5.如权利要求1所述的方法，根据所述业务的日志，提取所述业务的各特征，具体包括：

根据所述业务的标识，从历史日志中，确定属于所述业务的各日志；

针对所述业务的每个日志，按照该日志的组织结构将该日志进行拆分，将拆分得到的至少一个日志内容，作为所述业务的特征。

6.如权利要求1所述的方法，当所述预测模型为逻辑回归模型时；

根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性，具体包括：

根据所述逻辑回归模型中各自变量分别对应的权重值，确定所述业务的各特征分别对应的权重值，作为各特征的重要性。

7.如权利要求1所述的方法，所述方法还包括：

当所述预测模型为决策树时，根据所述业务的各特征以及所述决策树，确定所述决策树的路径；

根据所述决策树的路径上的各节点，确定所述投诉原因。

8.一种确定投诉原因的装置，包括：

投诉业务确定模块，确定用户投诉的业务；

特征及模型确定模块，根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

特征重要性确定模块，根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

特征选择模块，根据所述业务的各特征的重要性，确定至少一个特征；

投诉原因确定模块，根据所述至少一个特征对应的日志内容，确定投诉原因。

9.如权利要求8所述的装置，所述特征及模型确定模块，从历史数据中获取属于所述业务类型的其他业务的日志，针对每个其他业务，根据该其他业务的日志，提取该其他业务的各特征，作为一个训练样本，以及根据该其他业务的执行结果，确定所述训练样本的标签，根据确定出的各训练样本以及各训练样本的标签，训练预测所述业务类型的业务的执行结果的预测模型。

10.如权利要求9所述的装置，所述特征及模型确定模块，根据预设的日志类型，从该其他业务的各日志中筛选出用于提取特征的各日志。

11.如权利要求9所述的装置，所述特征及模型确定模块，针对该其他业务的每个日志，按照该日志的组织结构将该日志进行拆分，将拆分得到的至少一个日志内容，作为该业务的特征。

12.如权利要求8所述的装置，所述特征及模型确定模块，根据所述业务的标识，从历史日志中，确定属于所述业务的各日志，针对所述业务的每个日志，按照该日志的组织结构将该日志进行拆分，将拆分得到的至少一个日志内容，作为所述业务的特征。

13.如权利要求8所述的装置，当所述预测模型为逻辑回归模型时，所述特征重要性确定模块，根据所述逻辑回归模型中各自变量分别对应的权重值，确定所述业务的各特征分别对应的权重值，作为各特征的重要性。

14.如权利要求8所述的装置，当所述预测模型为决策树时，所述投诉原因确定模块，根据所述业务的各特征以及所述决策树，确定所述决策树的路径，根据所述决策树的路径上的各节点，确定所述投诉原因。

15.一种服务器，其中，所述服务器包括：一个或多个处理器及存储器，存储器存储有应用，并且被配置成由一个或多个处理器执行以下步骤：

确定用户投诉的业务；

根据所述业务的日志，提取所述业务的各特征，以及根据所述业务的业务类型，确定预先训练的预测所述业务的执行结果的预测模型；

根据确定出的预测模型，确定所述业务的各特征在所述预测模型中对确定执行结果的重要性；

根据所述业务的各特征的重要性，确定至少一个特征；

根据所述至少一个特征对应的日志内容，确定投诉原因。