CN108874823A - 智能客服的实现方法和装置 - Google Patents
智能客服的实现方法和装置 Download PDFInfo
- Publication number
- CN108874823A CN108874823A CN201710332945.7A CN201710332945A CN108874823A CN 108874823 A CN108874823 A CN 108874823A CN 201710332945 A CN201710332945 A CN 201710332945A CN 108874823 A CN108874823 A CN 108874823A
- Authority
- CN
- China
- Prior art keywords
- customer service
- user
- vector
- information
- various dimensions
- 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
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本申请提供一种智能客服的实现方法，包括：当客户服务被用户触发时，获取所述用户的多维度信息；根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题；将预测到的客服问题返回给用户；若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。本申请在客户服务被触发时，可以根据用户的多维度信息和已训练的客服模型预测用户想要咨询的客服问题，并将预测到的客服问题返回给用户进行确认，无需用户自己描述问题，智能化程度较高，提高了客服效率，同时节省了大量人工客服的成本。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及一种智能客服的实现方法和装置。
背景技术
相关技术中，用户可以通过电话客服或线上客服进行问题咨询，然而，不论采用哪种方式，均需要用户描述自己的问题，智能化程度较低，导致人力成本高，客服效率低下，影响用户的使用体验。
发明内容
有鉴于此，本申请提供一种智能客服的实现方法和装置。
具体地，本申请是通过如下技术方案实现的：
一种智能客服的实现方法，包括：
当客户服务被用户触发时，获取所述用户的多维度信息；
根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题；
将预测到的客服问题返回给用户；
若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。
一种智能客服的实现装置，包括：
信息获取单元，当客户服务被用户触发时，获取所述用户的多维度信息；
问题预测单元，根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题；
问题返回单元，将预测到的客服问题返回给用户；
方案返回单元，若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。
本申请在客户服务被触发时，可以根据用户的多维度信息和已训练的客服模型预测用户想要咨询的客服问题，并将预测到的客服问题返回给用户进行确认，无需用户自己描述问题，智能化程度较高，提高了客服效率，同时节省了大量人工客服的成本。
附图说明
图1是本申请一示例性实施例示出的一种智能客服的实现方法的流程示意图。
图2是本申请一示例性实施例示出的一种客服模型训练的流程示意图。
图3是本申请一示例性实施例示出的一种预测用户想要咨询的客服问题的流程示意图。
图4是本申请一示例性实施例示出的一种用于智能客服的实现装置的一结构示意图。
图5是本申请一示例性实施例示出的一种智能客服的实现装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本申请一示例性实施例示出的一种智能客服的实现方法的流程示意图。
请参考图1，所述智能客服的实现方法可以应用在服务提供商部署的服务器或者服务器集群中，包括有以下步骤：
步骤101，当客户服务被用户触发时，获取所述用户的多维度信息。
在本实施例中，当用户拨通客服电话时，可以确定客户服务被用户触发；当用户进入线上客服的主页面时，也可以确定客户服务被用户触发，本申请对此不作特殊限制。
在本实施例中，若用户拨打客服电话，则可以根据用户使用的电话号码确定用户身份；若用户进入线上客服主页面，则可以根据用户使用的账号确定用户身份。其中，所述用户身份可以由用户ID、用户账号来表征。基于确定的用户身份，可以获取最近一段时间内该用户的多维度信息，该多维度信息可以包括：用户特征信息、用户行为轨迹信息以及用户服务轨迹信息等。
步骤102，根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题。
基于前述步骤101，在获取到用户的多维度信息之后，可以将所述多维度信息转换为入参向量，然后将该入参向量输入已训练的客服模型。
在本实施例中，经过所述已训练的客服模型，可以输出各个客服问题及其概率值。在一个例子中，可以将概率值满足预设条件的客服问题确定为预测到的客服问题，比如：可以将概率值大于预设阈值的客服问题确定为预测到的用户想要咨询的客服问题；若不存在概率值满足所述预设条件的客服问题，则可以确定未预测到用户想要咨询的客服问题。
在本实施例中，若确定未预测到用户想要咨询的客服问题，则可根据缺省的客服策略为用户提供服务，假设用户拨打客服电话，则可以输出对应的语音播报给用户，比如：下单咨询请按1，订单咨询请按2，投诉建议请按3、人工服务请按0等。
步骤103，将预测到的客服问题返回给用户。
步骤104，若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。
在本实施例中，若用户拨打客服电话，则可以将预测到的客服问题播报给用户，若用户确认该客服问题，则可以自动将该客服问题对应的解决方案播报给用户。若用户进入线上客服主页面，则可以通过弹窗或消息的形式将预测到的客服问题反馈给用户，若用户确认该客服问题，则可以自动将该客服问题对应的解决方案展示给用户。
由以上描述可以看出，本申请在客户服务被触发时，可以根据用户的多维度信息和已训练的客服模型预测用户想要咨询的客服问题，并将预测到的客服问题返回给用户进行确认，无需用户自己描述问题，智能化程度较高，提高了客服效率，同时节省了大量人工客服的成本。
下面分别从客服模型的训练、客服模型的使用以及客服问题的主动推送三个方面来详细介绍本申请的实现。
一、客服模型的训练
在本实施例中，可以根据历史客服数据对原始客服模型进行训练，得到已训练的客服模型。
其中，所述历史客服数据通常为历史上用户使用客户服务时的相关数据，比如：用户的多维度信息、用户咨询的问题等。
所述原始客服模型可以为RNN(Recurrent neural Network、循环神经网络)模型。该原始客服模型的权重等参数可以为预设的数值，也可以为随机值，本申请对此不作特殊限制。
请参考图2，对原始客服模型进行训练的过程可以包括以下步骤：
步骤201，将历史客服数据的用户多维度信息转换为入参向量。
在本实施例中，所述用户多维度信息可以包括：用户特征信息、用户行为轨迹信息以及用户服务轨迹信息。
其中，所述用户特征信息可以包括：用户账号绑定的银行卡数量、用户的订单状态信息、用户最近是否有提现操作、用户最近是否使用过客户服务等。举例来说，用户账号绑定的银行卡数量可能为0、1、2、3、…等各种数值，在一个例子中，可以将用户账号绑定的银行卡数量处理为0、1、2以及大于等于3这4种情况，那么用户账号绑定的银行卡数量这个用户特征信息就对应有4个特征，即用户特征信息对应的原始特征向量的4个元素。假设某用户绑定3张银行卡，那么该用户账号绑定的银行卡数量对应的原始特征向量这4个元素的取值分别为0、0、1、0。
由于用户特征信息并不涉及到用户操作的先后顺序，因此可以对用户特征信息对应的原始特征信息进行求平均计算，得到所述用户特征信息的平均特征向量，以作为用户特征信息对应的入参向量，从而可以准确的表示用户的特征信息。
所述用户行为轨迹信息可以包括：历史访问URL、历史远程调用接口等信息。在一个例子中，可以对所述用户行为轨迹信息进行ID化，比如：将用户的行为轨迹信息转换为对应的ID等，得到所述用户行为轨迹信息对应的原始行为轨迹向量，换言之，是将复杂的用户行为轨迹信息转换为模型可处理的向量。
所述原始行为轨迹信息通常具有先后顺序，比如：用户先访问URL1，后访问URL2，那么在所述原始行为轨迹向量中，URL1对应的元素排在URL2对应的元素之前。为解析行为轨迹信息中的语义信息，可以对所述原始轨迹向量进行LSTM(Long Short-Term Memory)编码，以对所述原始行为轨迹向量进行降维处理，得到对应的降维行为轨迹向量，从而可以更加准确的表达出用户行为轨迹的特点。
所述用户服务轨迹信息可以包括：用户的历史客服问题、用户的历史搜索信息等。与前述用户行为轨迹信息类似，可以向对所述用户服务轨迹信息进行ID化，得到所述用户服务轨迹信息对应的原始服务轨迹向量，然后对所述原始服务轨迹向量进行LSTM编码，得到对应的降维服务轨迹向量。
在本实施例中，所述入参向量包括：所述降维行为轨迹向量、所述降维服务轨迹向量以及所述平均特征向量。
步骤202，将所述入参向量输入原始客服模型，经过所述原始客服模型输出客服问题及其概率值。
在本实施例中，开发人员可以预先将客服问题进行分类，比如：分为N类，每一类代表一个客服问题。
在将所述入参向量输入原始客服模型，经过该原始客服模型可以输出各个客服问题及其概率值，具体地，针对所述原始客服模型输出层输出的的数值，可以对其进行softmax操作，以将输出的数值转换为0至1之间的概率值。
步骤203，基于所述历史客服数据的咨询问题，采用误差反向传播算法调整所述原始客服模型的权重参数。
在本实施例中，可以计算输出的客服问题的概率值与历史上用户所真正咨询的问题之间的误差，然后采用误差反向传播算法(Error Back Proragation，BP)将所述误差反向输入所述原始客服模型，进而调整所述原始客服模型中的权重参数。其中，所述误差的计算公式可以采用相关技术中提供的计算公式，本申请在此不再一一赘述。
在本实施例中，可以采用多种方式确定所述原始客服模型是否训练完毕，比如：可以在将所有历史客服数据迭代预设的次数后，确定所述原始客服模型训练完毕；也可以将所述历史客服数据划分为训练数据以及验证数据，其中，所述训练数据用于原始客服模型的训练，所述验证数据用于所述原始客服模型是否训练完毕的验证；进一步，还可以将所述历史客服数据划分为训练数据、验证数据以及测试数据，其中，所述测试数据用于在训练后的原始客服模型通过验证后对原始客服模型再进行测试，以测试训练后的原始客服模型是否符合要求。当然，在实际应用中，还可以采用其他方式确定所述原始客服模型是否训练完毕，比如：将历史客服数据分为正样本、负样本等方式，本申请在此不再一一赘述。
二、客服模型的使用
请参考图3，前述图1所示实施例中步骤102预测用户想要咨询的客服问题的过程可以包括以下步骤：
步骤1021，将用户的多维度信息转换为入参向量。
在本实施例中，在获取到用户的多维度信息后，可以采用客服模型训练时使用的方法将所述多维度信息转换为入参向量，本申请在此不再一一赘述。
步骤1022，将所述入参向量输入已训练的客服模型，经过所述已训练的客服模型输出客服问题及其概率值。
步骤1023，将概率值满足预设条件的客服问题，确定为预测到的客服问题。
在本实施例中，所述预设条件可以由开发人员根据模型训练过程进行设置，比如：概率值大于预设阈值等。具体地，根据输出结果，可以将概率值大于所述预设阈值的客服问题确定为预测到的客服问题。
在实际应用中，若概率值大于预设阈值的客服问题有多个，开发人员可以为不同的应用场景设置不同的策略，比如：在用户拨打客服电话时，可以将概率值最大的客服问题确定为预测到的客服问题返回给用户；在用户进入线上客服主页面时，可以将概率值大于预设阈值的所有客服问题展示给用户等。
步骤1024，若不存在概率值满足所述预设条件的客服问题，则确定未预测到用户想要咨询的客服问题。
在本实施例中，若不存在概率值满足所述预设条件的客服问题，则说明通过已训练的客服模型无法确定用户想要咨询的问题，用户此时可能没有想要咨询客服，为避免返回准确度较低的客服问题影响用户的使用体验，可以根据缺省的客服策略为用户提供服务。
三、客服问题的主动推送
在本实施例中，除了可以在用户触发客户服务时预测用户想要咨询的客服问题，还可以在用户尚未触发客户服务时，预测用户想要咨询的客服问题并推送给用户。
具体地，可以根据预设的策略获取用户最近一段时间的多维度信息，然后根据所述多维度信息和所述已训练的客服模型预测用户想要咨询的客服问题，并将预测到的客服问题推送给用户。其中，所述预设的策略可以为预设周期，也可以为用户新订单生成后的预设时间段内等，开发人员可以结合业务需要进行设置。
主动预测和推送客服问题，当用户存在问题时，无需主动触发客户服务，智能化程度高，用户体验极好。
与前述智能客服的实现方法的实施例相对应，本申请还提供了智能客服的实现装置的实施例。
本申请智能客服的实现装置的实施例可以应用在服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本申请智能客服的实现装置所在服务器的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的服务器通常根据该服务器的实际功能，还可以包括其他硬件，对此不再赘述。
图5是本申请一示例性实施例示出的一种智能客服的实现装置的框图。
请参考图5，所述智能客服的实现装置400可以应用在前述图4所示的服务器中，包括有：信息获取单元401、问题预测单元402、问题返回单元403、方案返回单元404、缺省服务单元405、问题推送单元406以及模型训练单元407。
其中，信息获取单元401，当客户服务被用户触发时，获取所述用户的多维度信息；
问题预测单元402，根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题；
问题返回单元403，将预测到的客服问题返回给用户；
方案返回单元404，若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。
缺省服务单元405，若未预测到用户想要咨询的客服问题，则根据缺省的客服策略为用户提供服务。
问题推送单元406，根据预设的策略获取用户的多维度信息，并根据所述多维度信息和所述已训练的客服模型预测用户想要咨询的客服问题，将预测到的客服问题推送给用户。
可选的，所述问题预测单元402：
将所述多维度信息转换为入参向量；
将所述入参向量输入所述已训练的客服模型，经过所述已训练的客服模型输出客服问题及其概率值；
将概率值满足预设条件的客服问题，确定为预测到的客服问题；
若不存在概率值满足所述预设条件的客服问题，则确定未预测到用户想要咨询的客服问题。
可选的，所述多维度信息包括：用户特征信息、用户行为轨迹信息以及用户服务轨迹信息；
所述将所述多维度信息转换为入参向量，包括：
根据所述用户行为轨迹信息得到所述用户行为轨迹信息对应的原始行为轨迹向量；
根据所述用户服务轨迹信息得到所述用户服务轨迹信息对应的原始服务轨迹向量；
对所述原始行为轨迹向量和所述原始服务轨迹向量进行LSTM编码，得到降维行为轨迹向量和降维服务轨迹向量；
对所述用户特征信息对应的原始特征向量进行求平均计算，得到所述用户特征信息的平均特征向量；
所述入参向量包括：所述降维行为轨迹向量、所述降维服务轨迹向量以及所述平均特征向量。
可选的，所述用户行为轨迹信息包括：历史访问URL、历史远程调用接口。
可选的，所述用户服务轨迹信息包括：历史客服问题、历史搜索信息。
可选的，所述问题返回单元403，在概率值满足所述预设条件的客服问题有多个时，将概率值最高的客服问题确定为预测到的客服问题。
可选的，所述预设条件为概率值大于预设阈值。
模型训练单元407，根据历史客服数据对原始客服模型进行训练，得到所述已训练的客服模型。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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，计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (20)
1.一种智能客服的实现方法，包括：
当客户服务被用户触发时，获取所述用户的多维度信息；
根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题；
将预测到的客服问题返回给用户；
若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。
2.根据权利要求1所述的方法，还包括：
若未预测到用户想要咨询的客服问题，则根据缺省的客服策略为用户提供服务。
3.根据权利要求1所述的方法，还包括：
根据预设的策略获取用户的多维度信息；
根据所述多维度信息和所述已训练的客服模型预测用户想要咨询的客服问题；
将预测到的客服问题推送给用户。
4.根据权利要求1所述的方法，所述根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题，包括：
将所述多维度信息转换为入参向量；
将所述入参向量输入所述已训练的客服模型，经过所述已训练的客服模型输出客服问题及其概率值；
将概率值满足预设条件的客服问题，确定为预测到的客服问题；
若不存在概率值满足所述预设条件的客服问题，则确定未预测到用户想要咨询的客服问题。
5.根据权利要求4所述的方法，所述多维度信息包括：用户特征信息、用户行为轨迹信息以及用户服务轨迹信息；
所述将所述多维度信息转换为入参向量，包括：
根据所述用户行为轨迹信息得到所述用户行为轨迹信息对应的原始行为轨迹向量；
根据所述用户服务轨迹信息得到所述用户服务轨迹信息对应的原始服务轨迹向量；
对所述原始行为轨迹向量和所述原始服务轨迹向量进行LSTM编码，得到降维行为轨迹向量和降维服务轨迹向量；
对所述用户特征信息对应的原始特征向量进行求平均计算，得到所述用户特征信息的平均特征向量；
所述入参向量包括：所述降维行为轨迹向量、所述降维服务轨迹向量以及所述平均特征向量。
6.根据权利要求5所述的方法，
所述用户行为轨迹信息包括：历史访问URL、历史远程调用接口。
7.根据权利要求5所述的方法，
所述用户服务轨迹信息包括：历史客服问题、历史搜索信息。
8.根据权利要求4所述的方法，还包括：
若概率值满足所述预设条件的客服问题有多个，则将概率值最高的客服问题确定为预测到的客服问题。
9.根据权利要求4所述的方法，
所述预设条件为概率值大于预设阈值。
10.根据权利要求1所述的方法，还包括：
根据历史客服数据对原始客服模型进行训练，得到所述已训练的客服模型。
11.一种智能客服的实现装置，包括：
信息获取单元，当客户服务被用户触发时，获取所述用户的多维度信息；
问题预测单元，根据所述多维度信息和已训练的客服模型预测用户想要咨询的客服问题；
问题返回单元，将预测到的客服问题返回给用户；
方案返回单元，若所述客服问题被用户确认，则返回所述客服问题对应的解决方案。
12.根据权利要求11所述的装置，还包括：
缺省服务单元，若未预测到用户想要咨询的客服问题，则根据缺省的客服策略为用户提供服务。
13.根据权利要求11所述的装置，还包括：
问题推送单元，根据预设的策略获取用户的多维度信息，并根据所述多维度信息和所述已训练的客服模型预测用户想要咨询的客服问题，将预测到的客服问题推送给用户。
14.根据权利要求11所述的装置，所述问题预测单元：
将所述多维度信息转换为入参向量；
将所述入参向量输入所述已训练的客服模型，经过所述已训练的客服模型输出客服问题及其概率值；
将概率值满足预设条件的客服问题，确定为预测到的客服问题；
若不存在概率值满足所述预设条件的客服问题，则确定未预测到用户想要咨询的客服问题。
15.根据权利要求14所述的装置，所述多维度信息包括：用户特征信息、用户行为轨迹信息以及用户服务轨迹信息；
所述将所述多维度信息转换为入参向量，包括：
根据所述用户行为轨迹信息得到所述用户行为轨迹信息对应的原始行为轨迹向量；
根据所述用户服务轨迹信息得到所述用户服务轨迹信息对应的原始服务轨迹向量；
对所述原始行为轨迹向量和所述原始服务轨迹向量进行LSTM编码，得到降维行为轨迹向量和降维服务轨迹向量；
对所述用户特征信息对应的原始特征向量进行求平均计算，得到所述用户特征信息的平均特征向量；
所述入参向量包括：所述降维行为轨迹向量、所述降维服务轨迹向量以及所述平均特征向量。
16.根据权利要求15所述的装置，
所述用户行为轨迹信息包括：历史访问URL、历史远程调用接口。
17.根据权利要求15所述的装置，
所述用户服务轨迹信息包括：历史客服问题、历史搜索信息。
18.根据权利要求14所述的装置，
所述问题返回单元，在概率值满足所述预设条件的客服问题有多个时，将概率值最高的客服问题确定为预测到的客服问题。
19.根据权利要求14所述的装置，
所述预设条件为概率值大于预设阈值。
20.根据权利要求11所述的装置，还包括：
模型训练单元，根据历史客服数据对原始客服模型进行训练，得到所述已训练的客服模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710332945.7A CN108874823A (zh) | 2017-05-12 | 2017-05-12 | 智能客服的实现方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710332945.7A CN108874823A (zh) | 2017-05-12 | 2017-05-12 | 智能客服的实现方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108874823A true CN108874823A (zh) | 2018-11-23 |
Family
ID=64319515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710332945.7A Pending CN108874823A (zh) | 2017-05-12 | 2017-05-12 | 智能客服的实现方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108874823A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783632A (zh) * | 2019-02-15 | 2019-05-21 | 腾讯科技（深圳）有限公司 | 客服信息推送方法、装置、计算机设备及存储介质 |
| CN109816483A (zh) * | 2019-01-08 | 2019-05-28 | 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 |
| CN109816442A (zh) * | 2019-01-16 | 2019-05-28 | 四川驹马科技有限公司 | 一种基于特征标签的多维度运费预测方法及其系统 |
| CN109871597A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技（深圳）有限公司 | 解决潜在投诉的方法、装置、计算机设备和存储介质 |
| CN109933651A (zh) * | 2019-03-26 | 2019-06-25 | 联想(北京)有限公司 | 信息交互方法、装置及服务器 |
| CN110008318A (zh) * | 2019-02-12 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 问题派发方法及装置 |
| CN110046233A (zh) * | 2019-02-12 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 问题派发方法及装置 |
| CN110162609A (zh) * | 2019-04-11 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 用于向用户推荐咨询问题的方法及装置 |
| CN110187945A (zh) * | 2019-04-26 | 2019-08-30 | 平安科技（深圳）有限公司 | 指示信息生成方法、装置、终端及存储介质 |
| CN110457578A (zh) * | 2019-07-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种客服服务需求识别方法及装置 |
| CN110928788A (zh) * | 2019-11-22 | 2020-03-27 | 泰康保险集团股份有限公司 | 服务验证方法及设备 |
| CN111353092A (zh) * | 2018-12-24 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 服务推送方法、装置、服务器及可读存储介质 |
| CN111401041A (zh) * | 2020-03-23 | 2020-07-10 | 北京奇艺世纪科技有限公司 | 一种问题预测方法、装置、电子设备及存储介质 |
| CN111625632A (zh) * | 2020-04-17 | 2020-09-04 | 北京捷通华声科技股份有限公司 | 一种问答对推荐方法、装置、设备及存储介质 |
| CN111782774A (zh) * | 2019-04-03 | 2020-10-16 | 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 |
| CN111913921A (zh) * | 2019-05-08 | 2020-11-10 | 中国移动通信集团福建有限公司 | 用户行为分析方法及装置、设备及存储介质 |
| CN112328769A (zh) * | 2020-11-16 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 自动客服的应答方法、装置和计算机可读存储介质 |
| CN112562674A (zh) * | 2021-02-19 | 2021-03-26 | 智道网联科技(北京)有限公司 | 车联网智能语音处理方法及相关装置 |
| CN113469710A (zh) * | 2021-07-06 | 2021-10-01 | 携程商旅信息服务（上海）有限公司 | 咨询订单的预测方法、系统、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914478A (zh) * | 2013-01-06 | 2014-07-09 | 阿里巴巴集团控股有限公司 | 网页训练方法及系统、网页预测方法及系统 |
| CN104991887A (zh) * | 2015-06-18 | 2015-10-21 | 北京京东尚科信息技术有限公司 | 提供信息的方法及装置 |
| CN105512153A (zh) * | 2014-10-20 | 2016-04-20 | 中国电信股份有限公司 | 一种在线客服系统的服务提供方法、装置及系统 |
| JP2016162074A (ja) * | 2015-02-27 | 2016-09-05 | 東日本電信電話株式会社 | 要求数予測装置及び要求数予測方法 |
| CN106131203A (zh) * | 2016-07-21 | 2016-11-16 | 四川易想电子商务有限公司 | 一种电子商务自动客服系统 |
-
2017
- 2017-05-12 CN CN201710332945.7A patent/CN108874823A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914478A (zh) * | 2013-01-06 | 2014-07-09 | 阿里巴巴集团控股有限公司 | 网页训练方法及系统、网页预测方法及系统 |
| CN105512153A (zh) * | 2014-10-20 | 2016-04-20 | 中国电信股份有限公司 | 一种在线客服系统的服务提供方法、装置及系统 |
| JP2016162074A (ja) * | 2015-02-27 | 2016-09-05 | 東日本電信電話株式会社 | 要求数予測装置及び要求数予測方法 |
| CN104991887A (zh) * | 2015-06-18 | 2015-10-21 | 北京京东尚科信息技术有限公司 | 提供信息的方法及装置 |
| CN106131203A (zh) * | 2016-07-21 | 2016-11-16 | 四川易想电子商务有限公司 | 一种电子商务自动客服系统 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353092B (zh) * | 2018-12-24 | 2023-08-25 | 北京嘀嘀无限科技发展有限公司 | 服务推送方法、装置、服务器及可读存储介质 |
| CN111353092A (zh) * | 2018-12-24 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 服务推送方法、装置、服务器及可读存储介质 |
| CN109816483A (zh) * | 2019-01-08 | 2019-05-28 | 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 |
| CN109816442A (zh) * | 2019-01-16 | 2019-05-28 | 四川驹马科技有限公司 | 一种基于特征标签的多维度运费预测方法及其系统 |
| CN109871597A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技（深圳）有限公司 | 解决潜在投诉的方法、装置、计算机设备和存储介质 |
| CN109871597B (zh) * | 2019-01-28 | 2023-08-18 | 平安科技（深圳）有限公司 | 解决潜在投诉的方法、装置、计算机设备和存储介质 |
| CN110008318A (zh) * | 2019-02-12 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 问题派发方法及装置 |
| CN110046233A (zh) * | 2019-02-12 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 问题派发方法及装置 |
| CN109783632A (zh) * | 2019-02-15 | 2019-05-21 | 腾讯科技（深圳）有限公司 | 客服信息推送方法、装置、计算机设备及存储介质 |
| CN109933651A (zh) * | 2019-03-26 | 2019-06-25 | 联想(北京)有限公司 | 信息交互方法、装置及服务器 |
| CN111782774A (zh) * | 2019-04-03 | 2020-10-16 | 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 |
| 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 |
| CN110162609A (zh) * | 2019-04-11 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 用于向用户推荐咨询问题的方法及装置 |
| WO2020215681A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技（深圳）有限公司 | 指示信息生成方法、装置、终端及存储介质 |
| CN110187945A (zh) * | 2019-04-26 | 2019-08-30 | 平安科技（深圳）有限公司 | 指示信息生成方法、装置、终端及存储介质 |
| CN111913921A (zh) * | 2019-05-08 | 2020-11-10 | 中国移动通信集团福建有限公司 | 用户行为分析方法及装置、设备及存储介质 |
| CN110457578B (zh) * | 2019-07-11 | 2023-07-18 | 创新先进技术有限公司 | 一种客服服务需求识别方法及装置 |
| CN110457578A (zh) * | 2019-07-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种客服服务需求识别方法及装置 |
| CN110928788A (zh) * | 2019-11-22 | 2020-03-27 | 泰康保险集团股份有限公司 | 服务验证方法及设备 |
| CN110928788B (zh) * | 2019-11-22 | 2023-09-19 | 泰康保险集团股份有限公司 | 服务验证方法及设备 |
| CN111401041A (zh) * | 2020-03-23 | 2020-07-10 | 北京奇艺世纪科技有限公司 | 一种问题预测方法、装置、电子设备及存储介质 |
| CN111625632A (zh) * | 2020-04-17 | 2020-09-04 | 北京捷通华声科技股份有限公司 | 一种问答对推荐方法、装置、设备及存储介质 |
| CN112328769A (zh) * | 2020-11-16 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 自动客服的应答方法、装置和计算机可读存储介质 |
| CN112562674A (zh) * | 2021-02-19 | 2021-03-26 | 智道网联科技(北京)有限公司 | 车联网智能语音处理方法及相关装置 |
| CN113469710A (zh) * | 2021-07-06 | 2021-10-01 | 携程商旅信息服务（上海）有限公司 | 咨询订单的预测方法、系统、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108874823A (zh) | 智能客服的实现方法和装置 | |
| US8788439B2 (en) | Instance weighted learning machine learning model | |
| TWI736673B (zh) | 來電處理方法、裝置及終端 | |
| CN107451199A (zh) | 问题推荐方法及装置、设备 | |
| CN108805091A (zh) | 用于生成模型的方法和装置 | |
| WO2014031683A2 (en) | Hierarchical based sequencing machine learning model | |
| CN108932582A (zh) | 风险信息确定方法、装置、计算机设备和存储介质 | |
| CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
| CN101802856A (zh) | 测定基于位置的广告活动 | |
| CN109376354A (zh) | 欺诈行为识别方法、装置、电子设备及可读存储介质 | |
| US20190370851A1 (en) | Electronic content based on neural networks | |
| CN113412607B (zh) | 内容推送方法、装置、移动终端及存储介质 | |
| US20120166235A1 (en) | System and method for programmatically benchmarking performance of contact centers on social networks | |
| CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
| CN105095258B (zh) | 一种媒体信息排序方法、装置和媒体信息推荐系统 | |
| WO2022001397A1 (zh) | 交互资格等级确定方法、装置、设备及存储介质 | |
| CN109684546A (zh) | 推荐方法、装置、存储介质及终端 | |
| CN112926090A (zh) | 基于差分隐私的业务分析方法及装置 | |
| US10924568B1 (en) | Machine learning system for networking | |
| CN105610698B (zh) | 事件结果的处理方法和装置 | |
| CN109947850A (zh) | 数据分发方法、装置和设备 | |
| CN111353001A (zh) | 对用户进行分类的方法和装置 | |
| CN106998386B (zh) | 一种新增联系方式的方法及其装置、用户终端 | |
| CN110428278A (zh) | 确定资源份额的方法及装置 | |
| CN113919866B (zh) | 模型训练方法、广告投放方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191212 Address after: P.O. Box 31119, grand exhibition hall, hibiscus street, 802 West Bay Road, Grand Cayman, Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: ALIBABA GROUP HOLDING Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |