CN108921569A - 一种确定用户投诉类型的方法及装置 - Google Patents
一种确定用户投诉类型的方法及装置 Download PDFInfo
- Publication number
- CN108921569A CN108921569A CN201810555520.7A CN201810555520A CN108921569A CN 108921569 A CN108921569 A CN 108921569A CN 201810555520 A CN201810555520 A CN 201810555520A CN 108921569 A CN108921569 A CN 108921569A
- Authority
- CN
- China
- Prior art keywords
- feature
- complaint
- complaining
- complained
- 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.)
- Granted
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
- 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
- G06Q30/016—After-sales
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种确定用户投诉类型的方法及装置。所述方法包括：根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。利用本申请中各个实施例，实现了用户投诉定性的智能审理，提高了用户投诉定性审理的效率、准确性和适用性。
Description
技术领域
本申请属于互联网技术领域，尤其涉及一种确定用户投诉类型的方法及装置。
背景技术
随着社会的进步，人们对自我权力的维护意识越来越高，在遇到不平等交易或有疑问的交易等问题时，越来越多的人选择通过投诉的方式寻求帮助。用户投诉量大幅上涨的同时，对于用户投诉的快速准确处理成为一个技术难题。如何在限定的时间内，完成对投诉任务的审理，给用户一个满意的答复，成了一项挑战。
现有技术中，对于用户投诉的处理，通常使用人工审理定性，即由人工收集信息，通过电话询问等方式进行核实，确定投诉的类型，进行投诉审理。投诉量上涨后，处理时间比较长，耗费人力，不能及时给用户满意的答复。因此，亟需一种能够提高用户投诉审理定性效率的实施方案。
发明内容
本申请目的在于提供一种确定用户投诉类型的方法及装置，提高了用户投诉定性审理的效率、准确性和适用性。
一方面本申请实施例提供了一种确定用户投诉类型的方法，包括：
根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；
从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；
根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
进一步地，所述方法的另一个实施例中，所述用户投诉信息中包括：投诉用户的标识信息、被投诉对象的标识信息、被投诉交易的标识信息、投诉陈述信息。
进一步地，所述方法的另一个实施例中，所述根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，包括：
根据所述投诉用户的标识信息获取所述投诉用户的历史行为数据，根据所述投诉用户的历史行为数据，获取所述投诉用户的投诉用户特征；
根据所述被投诉对象的标识信息获取所述被投诉对象的历史行为数据，根据所述被投诉对象的历史行为数据获取所述被投诉对象的被投诉对象特征；
根据所述被投诉交易的标识信息和所述投诉陈述信息，获取所述被投诉交易的交易特征。
进一步地，所述方法的另一个实施例中，所述根据获取到的用户投诉信息，获取用户投诉特征，包括：
将所述投诉用户特征、所述被投诉对象特征、所述交易特征分别与特征库进行匹配，获取所述投诉用户特征对应的投诉类型、所述被投诉对象特征对应的投诉类型、所述交易特征对应的投诉类型。
进一步地，所述方法的另一个实施例中，所述特征评分数据集合被设置为按照下述方式建立：
对所述投诉特征值进行特征区间划分；
利用多个所述历史用户投诉数据，分别统计各特征区间内的正样本数量、负样本数量，其中，所述特征区间内的正样本数量表示所述投诉特征值在所述特征区间内且用户投诉成立的样本数量，所述特征区间内的负样本数量表示所述投诉特征值在所述特征区间内且用户投诉不成立的样本数量；
根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，将所述特征区间以及所述特征区间对应的特征值评分结果作为所述特征评分数据集合。
进一步地，所述方法的另一个实施例中，所述根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，包括：
根据所述正样本数量和所述负样本数量，采用证据权重评分法，计算所述各特征区间对应的特征评分结果。
进一步地，所述方法的另一个实施例中，从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，包括：
将所述投诉特征与所述特征评分数据集合进行匹配，获取所述投诉特征的投诉特征值匹配的特征区间；
将所述投诉特征值匹配的特征区间对应的特征评分结果作为所述投诉特征对应的特征评分结果。
进一步地，所述方法的另一个实施例中，所述根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型，包括：采用下述至少一种式，确定所述用户投诉信息对应的投诉类型：
根据所述投诉特征对应的特征评分结果，获取所述投诉特征评分结果在前预设名次内的投诉特征，统计所述投诉特征评分结果在前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为所述用户投诉信息对应的投诉类型；
或者，根据所述投诉特征对应的特征评分结果，将所述投诉特征评分结果排名第一的投诉特征对应的投诉类型作为所述用户投诉信息对应的投诉类型。
进一步地，所述方法的另一个实施例中，所述方法还包括：
根据所述投诉特征，利用投诉成立判定模型判断所述用户投诉信息对应的用户投诉是否成立，其中，所述投诉成立判定模型根据多个所述历史用户投诉数据中投诉特征与投诉是否成立之间的对应关系训练得到。
进一步地，所述方法的另一个实施例中，所述投诉成立判定模型被设置为按照下述方式建立：
获取多个历史用户投诉数据，所述历史用户投诉数据包括：投诉特征和投诉是否成立的判断结果；
建立所述投诉成立判定模型，其中，所述投诉成立判定模型中包括多个模型参数；
将所述历史用户投诉数据中的投诉特征作为所述投诉成立判定模型的输入数据，将对应的所述投诉是否成立的判断结果作为所述投诉成立判定模型的输出数据，调整所述投诉成立判定模型的所述模型参数，直至所述投诉成立判定模型达到预设要求。
另一方面，本申请提供了确定用户投诉类型的装置，包括：
投诉特征获取模块，用于根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；
特征评分模块，用于从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；
投诉类型确定模块，用于根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
进一步地，所述装置的另一个实施例中，所述投诉特征获取模块获取到的所述用户投诉信息中包括：投诉用户的标识信息、被投诉对象的标识信息、被投诉交易的标识信息、投诉陈述信息。
进一步地，所述装置的另一个实施例中，所述投诉特征获取模块具体用于：
根据所述投诉用户的标识信息获取所述投诉用户的历史行为数据，根据所述投诉用户的历史行为数据，获取所述投诉用户的投诉用户特征；
根据所述被投诉对象的标识信息获取所述被投诉对象的历史行为数据，根据所述被投诉对象的历史行为数据获取所述被投诉对象的被投诉对象特征；
根据所述被投诉交易的标识信息和所述投诉陈述信息，获取所述被投诉交易的交易特征。
进一步地，所述装置的另一个实施例中，所述投诉特征获取模块具体用于：
将所述投诉用户特征、所述被投诉对象特征、所述交易特征分别与特征库进行匹配，获取所述投诉用户特征对应的投诉类型、所述被投诉对象特征对应的投诉类型、所述交易特征对应的投诉类型。
进一步地，所述装置的另一个实施例中，所述特征评分模块按照下述方式建立所述特征评分数据集合：
对所述投诉特征值进行特征区间划分；
利用多个所述历史用户投诉数据，分别统计各特征区间内的正样本数量、负样本数量，其中，所述特征区间内的正样本数量表示所述投诉特征值在所述特征区间内且用户投诉成立的样本数量，所述特征区间内的负样本数量表示所述投诉特征值在所述特征区间内且用户投诉不成立的样本数量；
根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，将所述特征区间以及所述特征区间对应的特征值评分结果作为所述特征评分数据集合。
进一步地，所述装置的另一个实施例中，所述特征评分模块具体用于：
根据所述正样本数量和所述负样本数量，采用证据权重评分法，计算所述各特征区间对应的特征评分结果。
进一步地，所述装置的另一个实施例中，所述特征评分模块具体用于：
将所述投诉特征与所述特征评分数据集合进行匹配，获取所述投诉特征的投诉特征值匹配的特征区间；
将所述投诉特征值匹配的特征区间对应的特征评分结果作为所述投诉特征对应的特征评分结果。
进一步地，所述装置的另一个实施例中，所述投诉类型确定模块具体用于采用下述至少一种方式确定所述用户投诉信息对应的投诉类型：
根据所述投诉特征对应的特征评分结果，获取所述投诉特征评分结果在前预设名次内的投诉特征，统计所述投诉特征评分结果在前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为所述用户投诉信息对应的投诉类型；
或者，根据所述投诉特征对应的特征评分结果，将所述投诉特征评分结果排名第一的投诉特征对应的投诉类型作为所述用户投诉信息对应的投诉类型。
进一步地，所述装置的另一个实施例中，所述装置还包括投诉成立判定模块，用于：
根据所述投诉特征，利用投诉成立判定模型判断所述用户投诉信息对应的用户投诉是否成立，其中，所述投诉成立判定模型根据多个所述历史用户投诉数据中投诉特征与投诉是否成立之间的对应关系训练得到。
进一步地，所述装置的另一个实施例中，所述投诉成立判定模块被设置为按照下述方式建立所述投诉成立判定模型：
获取多个历史用户投诉数据，所述历史用户投诉数据包括：投诉特征和投诉是否成立的判断结果；
建立所述投诉成立判定模型，其中，所述投诉成立判定模型中包括多个模型参数；
将所述历史用户投诉数据中的投诉特征作为所述投诉成立判定模型的输入数据，将对应的所述投诉是否成立的判断结果作为所述投诉成立判定模型的输出数据，调整所述投诉成立判定模型的所述模型参数，直至所述投诉成立判定模型达到预设要求。
再一方面，本申请实施例提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时，实现上述确定用户投诉类型的方法。
又一方面，本申请实施例提供了确定用户投诉类型的系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述确定用户投诉类型的方法。
本申请提供的确定用户投诉类型的方法、装置、计算机存储介质、系统，根据用户投诉信息，获取用户投诉的投诉特征，再基于特征评分数据集合，对获取到的投诉特征进行评分。基于投诉特征的特征评分结果，确定出用户投诉的投诉类型。可以实现用户投诉的智能定性，与人工审理投诉定性相比，该发明通过特征评分集合对投诉特征进行评分，基于特征评分结果进行投诉类型的定性，以数据驱动，弱化了对经验的依赖，提高了用户投诉定性审理的效率和准确性。同时，本申请实施例中不需要区分投诉类型统一使用同一种方法进行投诉定性，与专项模型定性相比，只需要将建立和维护一个模型，维护和运营成本更低，且所有投诉类型一起考虑，可以共用特征，做到变量共享，可以实现对各类投诉通用的智能定性，提高了用户投诉定性审理的适用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的一个实施例中的确定用户投诉类型的方法的流程示意图；
图2是本申请又一个实施例中确定用户投诉类型的方法的流程示意图；
图3是本申请一个实施例中投诉成立判定模型的构建方法流程示意图；
图4是本申请提供的确定用户投诉类型的装置一个实施例的模块结构示意图；
图5是本申请又一个实施例中确定用户投诉类型的装置结构示意图；
图6是本申请一个实施例中确定用户投诉类型的系统结构示意图；
图7是本申请提供的又一种确定用户投诉类型的系统实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
现如今，使用互联网进行交易的用户越来越多，人们可以通过一些交易平台进行购物或者其他消费。在使用交易平台进行消费时，可能会遇到一些不平等或不满意的交易，用户可以通过投诉的方式寻求帮助。许多交易平台开通了自助投诉入口，用户对于有疑问的交易，可以直接通过自助投诉入口进行投诉。用户通过自助投诉入口进行投诉时，可以写明投诉的交易以及投诉的具体内容等，交易平台在接收到该用户的投诉后，可以根据用户的投诉信息进行相应的审理，确定投诉的类型，并针对投诉的类型采取相应的措施，给用户以满意的答复。
本申请实施例提供的确定用户投诉类型的方法，用户投诉定性可以理解为确定用户投诉的投诉类型。可以根据用户的投诉信息，获取投诉特征，并利用投诉特征和预先建立的特征评分集合，对投诉特征进行相应的评分。基于用户投诉的特征评分结果，可以实现用户投诉的定性，确定出用户投诉的投诉类型。本申请实施例实现了用户投诉的智能定性，并且可以适用于不同类型的用户投诉的定性，提高了用户投诉定性的处理效率以及适用范围。
具体地，图1是本申请提供的一个实施例中的确定用户投诉类型的方法的流程示意图，如图1所示，本申请实施例提供的确定用户投诉类型的方法，包括：
S10、根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型。
用户在通过自助投诉入口或其他投诉平台进行投诉时，会填写相应的信息，本申请实施例中获取到的用户投诉信息可以包括：投诉用户的标识信息(如用户ID，IDentity)，被投诉对象的标识信息(如被投诉对象的ID)、被投诉交易的标识信息(如被投诉交易的交易号)、以及具体的投诉陈述信息(如用户记录的投诉内容的关键词)等。当然，根据实际需要还可以获取其他用户投诉信息，本申请实施例不作具体限定。本申请实施例中投诉特征可以包括投诉特征值和投诉特征对应的投诉类型如：通用特征投诉类型(如：年龄、性别、交易的时间段、交易地址等)、欺诈投诉(如：价格欺诈、发货欺诈、商品不一致等)、赌博投诉(如：赌博游戏)、套现投诉(如：信用卡套现、刷单套现等)等。通用特征投诉类型也可以作为投诉类型的一种。
根据获取到的用户投诉信息，可以提取出投诉特征，并且可以对投诉特征进行相应的归类，确定各个投诉特征对应的投诉类型。如：根据用户投诉信息获得用户的年龄、涉及投诉的交易的交易时间等，可以作为通用特征投诉类型的投诉特征。若根据用户投诉信息获得用户投诉的内容中涉及赌博游戏，则可以将该赌博游戏作为赌博投诉类型的投诉特征。具体投诉特征的获取方法，可以根据实际需要进行选择，如：可以通过模型训练，自动识别投诉特征以及对应的特征类型，也可以结合专家经验进行识别，本申请实施例不作具体限定。
在上述实施例的基础上，本申请一个实施例中，所述根据获取到的用户投诉信息，获取投诉特征，可以包括：
根据所述投诉用户的标识信息获取所述投诉用户的历史行为数据，根据所述投诉用户的历史行为数据，获取所述投诉用户的投诉用户特征；
根据所述被投诉对象的标识信息获取所述被投诉对象的历史行为数据，根据所述被投诉对象的历史行为数据获取所述被投诉对象的被投诉对象特征；
根据所述被投诉交易的标识信息和所述投诉陈述信息，获取所述被投诉交易的交易特征。
具体地，根据用户投诉信息，可以获取到投诉用户的标识信息，根据投诉用户的标识信息可以获取该投诉用户的历史行为数据，如：该用户以往的投诉数据、该用户的历史交易记录，从该用户的历史行为数据中可以获得该用户的年龄、职业、信用评分、历史投诉的投诉特征、投诉类型、涉及的金额等，可以作为与投诉用户的投诉用户特征。同样的，也可以根据获得被投诉的对象的标识信息获取到被投诉对象的历史行为数据，如：被投诉对象的商品交易记录、是否有其他用户投诉该被投诉对象，根据被投诉对象的历史行为数据可以获得该被投诉对象的信用评分、是否被投诉过、投诉是否成立等，可以作为被投诉对象对应的被投诉对象特征。根据被投诉交易的标识信息(如交易号)以及用户填写的投诉内容即投诉陈述信息，可以获得被投诉交易的交易特征，如该交易的交易号、交易的金额、交易的时间、交易的商品类目等，可以作为被投诉交易的交易特征。此时，获取的投诉用户特征、被投诉对象特征、交易特征均属于投诉特征，可以包括投诉特征值。
在上述实施例的基础上，本申请一个实施例中，所述根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，可以包括：
将所述投诉用户特征、所述被投诉对象特征、所述交易特征分别与特征库进行匹配，获取所述投诉用户特征对应的投诉类型、所述被投诉对象特征对应的投诉类型、所述交易特征对应的投诉类型。
具体地，可以预先可以根据历史用户投诉数据，建立特征库，即根据已知投诉类型和投诉特征，进行模型训练学习，建立特征库。特征库中可以包括：哪些属于用户投诉特征，该用户投诉特征属于哪一种投诉类型等。可以将获得的投诉用户特征、被投诉对象特征、交易特征分别与特征库进行匹配，确定出各个投诉特征对应的投诉类型，同时，还可以对投诉特征进行筛选，将不在特征库内的投诉特征删除。
例如：获取到的投诉特征中的用户投诉特征包括用户的年龄、职业，经过与特征库进行匹配，发现用户的年龄、职业在特征库中，且对应的投诉类型是通用特征投诉类型，则可以将用户的年龄、职业作为通用特征投诉类型。
根据用户投诉信息，分别获取用户、商户(被投诉对象)、交易相关的投诉特征，还可以初步的判断用户投诉成立的可能性，如：用户以往的投诉数据显示，该用户以往的投诉均不成立，则本次投诉成立的可能性就会比较低。若被投诉的商户已经被多个用户投诉，则本次投诉成立的可能性就会较高。也可以将这些初步的判断作为用户投诉特征，为后续投诉类型的确定以及投诉是否成立提供基础的判断依据。并且，基于标识信息获取用户、被投诉对象、被投诉交易等的投诉特征，方法简单快捷，数据处理速度快。
S20、从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系。
可以预先根据历史用户投诉数据，对不同的投诉特征进行评分，如：可以根据专家经验进行评分，也可以根据历史用户投诉数据中已知的投诉类型，判断各个投诉特征对投诉类型的确定的影响程度，确定出投诉特征对应的评分结果。通过统计投诉特征与特征评分结果之间的对应关系，构建出特征评分数据集合。特征评分数据集合可以是特征数据评分数据库、表格、图形等，其中可以包括各个投诉特征与对应的特征评分结果之间的对应关系。
可以将获取到的用户投诉信息中的投诉特征与特征评分集合进行对比，确定出当前的用户投诉信息中的各个投诉特征对应的特征评分结果。
S30、根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
获取到当前用户投诉信息中的投诉特征的特征评分结果，特征评分结果可以包括：各投诉特征对应的评分值。根据特征评分结果以及用户投诉特征对应的投诉类型可以确定出用户投诉信息对应的投诉类型。如：可以将特征评分结果最高的投诉特征对应的投诉特征的投诉类型作为用户投诉信息对应的投诉类型。
当然，根据实际需要，还可以根据成立判定结果和特征评分结果，采用其他的方式确定出用户投诉的目标投诉类型，本申请实施例不作具体限定。
本申请实施例提供的用户投诉定性方法，根据用户投诉信息，获取用户投诉的投诉特征，再基于特征评分数据集合，对获取到的投诉特征进行评分。基于投诉特征的特征评分结果，确定出用户投诉的投诉类型。可以实现用户投诉的智能定性，与人工审理投诉定性相比，该发明通过特征评分集合对投诉特征进行评分，基于特征评分结果进行投诉类型的定性，以数据驱动，弱化了对经验的依赖，提高了用户投诉定性审理的效率和准确性。同时，本申请实施例中不需要区分投诉类型统一使用同一种方法进行投诉定性，与专项模型定性相比，只需要将建立和维护一个模型，维护和运营成本更低，且所有投诉类型一起考虑，可以共用特征，做到变量共享，可以实现对各类投诉通用的智能定性，提高了用户投诉定性审理的适用性。
在上述实施例的基础上，本申请一个实施例中，所述特征评分数据集合被设置为按照下述方式建立：
对所述投诉特征值进行特征区间划分；
利用多个所述历史用户投诉数据，分别统计各特征区间内的正样本数量、负样本数量，其中，所述特征区间内的正样本数量表示所述投诉特征值在所述特征区间内且用户投诉成立的样本数量，所述特征区间内的负样本数量表示所述投诉特征值在所述特征区间内且用户投诉不成立的样本数量；
根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，将所述特征区间以及所述特征区间对应的特征值评分结果作为所述特征评分数据集合。
具体地，可以利用历史用户投诉数据对投诉特征值进行特征区间的划分，历史用户投诉数据可以包括：历史用户投诉时用户投诉信息中的投诉特征、投诉是否成立、投诉对应的投诉类型等。特征区间的划分可以根据历史用户投诉数据统计分析不同的用户投诉特征对应的投诉特征值对投诉类型的确定的影响程度，将影响程度相近的投诉特征值划分在同一个特征区间。特征区间的具体划分方法可以采用专家经验、模型训练、数学拟合等方式进行，本申请实施例不作具体限定，并且特征区间还可以根据实际需要进行调整。特征区间划分结束后，可以统计出历史用户投诉数据中的正样本数量和负样本数量，并基于正样本数量、负样本数量计算出各个特征区间对应的特征评分结果。正样本数量可以表示投诉特征值在该特征区间内，且投诉成立的样本数量，负样本数量可以表示投诉特征值在该特征区间内，且投诉不成立的样本数量。如：某一特征区间为(a，b)，统计投诉特征值在(a，b)内且投诉成立的样本数量作为正样本数量，统计投诉特征值在(a，b)内且投诉不成立的样本数量作为负样本数量。可以将特征区间以及特征区间对应的特征评分结果作为特征评分数据集合。
其中，利用正样本数量和负样本数量确定特征区间对应的特征评分结果的方法，可以根据实际需要进行选择，如：可以采用正样本数量和负样本数量的比值进行计算，或采用其他的评分方法进行计算，本申请实施例不作具体限定。利用历史用户投诉数据，进行投诉特征的特征评分计算，以数据为基础，可以提高投诉特征的特征评分计算结果的准确性，为投诉类型的确定提供了准确的数据基础。
在上述实施例的基础上，本申请一个实施例中，所述根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，可以包括：
根据所述正样本数量和所述负样本数量，采用证据权重评分法，计算所述各特征区间对应的特征评分结果。
证据权重评分法也可以称为WOE(Weight of Evidence)评分法，具体可以参考下述公式：
上式中，WOEi可以表示用户投诉区间i对应的特征评分结果，posi可以表示特征区间i对应的正样本数量，pos可以表示投诉特征对应的所有正样本数量，negi可以表示特征区间i对应的负样本数量，neg可以表示投诉特征对应的所有负样本数据。
表1可以表示本申请一个实施例中用户投诉特征对应的样本数据和特征评分结果，如表1所示，其中的投诉特征为var1，投诉特征var1的投诉特征值为连续性变量，其中第一列可以表示投诉特征var1的人投诉特征值对应的特征区间划分，-inf可以表示负无穷，+inf可以表示正无穷。利用上述公式可以对每个特征区间进行评分，如：
上式中，1532可以表示投诉特征var1在各个特征区间内的正样本数量的总和，282787可以表示投诉特征var1在各个特征区间内的负样本数量的总和。
其他特征区间的特征评分结果可以采用同样的方法进行计算，此处不再赘述。当然，根据实际需要投诉特征的投诉特征值也可以是离散的变量，当投诉特征值是离散变量时也可以对投诉特征值进行特征区间的划分，具体可以根据实际需要进行划分，本申请实施例不做具体限定。同样可以采用上述实施例的方法对离散的投诉特征值进行区间评分，此处不作具体介绍。
表1用户投诉特征对应的样本数据和特征评分结果
利用证据权重评分法结合历史用户投诉数据，可以快速准确的对各个特征区间的投诉特征值进行特征评分，方法简单准确，为后续投诉类型的确定提供了准确的数据基础。
在上述实施例的基础上，本申请一个实施例中，从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，包括：
将所述投诉特征与所述特征评分数据集合进行匹配，获取所述投诉特征的投诉特征值匹配的特征区间；
将所述投诉特征值匹配的特征区间对应的特征评分结果作为所述投诉特征对应的特征评分结果。
确定出各投诉特征不同特征区间对应的特征评分结果后，可以将当前的用户投诉信息的投诉特征的特征值与特征评分数据集合中的投诉区间进行对比，先获取到特征评分数据集合中与当前的用户投诉信息的投诉特征匹配的投诉特征，再判断当前的用户投诉信息的投诉特征的特征值对应于哪个特征区间，将该特征区间对应的特征评分结果作为当前的用户投诉信息的投诉特征对应的特征评分结果。
例如：若获取到当前的用户投诉信息中的一个投诉特征为var1，与上述表1中的投诉特征var1匹配。再获取当前的用户投诉信息中的投诉特征的投诉特征值为var1＝150，从表1可以看出150属于var1<253这一特征区间，则可以确定当前的用户投诉信息的投诉特征var1的特征评分结果为1.4163。
通过上述实施例的方法，直接将投诉特征与投诉特征数据集合进行匹配，可以确定出当前的用户投诉特征信息中的投诉特征对应的特征评分结果。基于特征评分结果可以对当前的用户投诉信息进行定性，确定出当前的用户投诉信息对应的投诉类型。实现了用户投诉的智能定性审理，不需要人工审理，也不局限于投诉类型，不需要分类型的建立专项模型，可以适用于不同用户投诉类型的定性审理，提高了用户投诉定性处理的效率和适用性。
在上述实施例的基础上，本申请一个实施例中，所述根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型，可以包括：采用下述至少一种式，确定所述用户投诉信息对应的投诉类型：
根据所述投诉特征对应的特征评分结果，获取所述投诉特征评分结果在前预设名次内的投诉特征，统计所述投诉特征评分结果在前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为所述用户投诉信息对应的投诉类型；
根据所述投诉特征对应的特征评分结果，将所述投诉特征评分结果排名第一的投诉特征对应的投诉类型作为所述用户投诉信息对应的投诉类型。
具体地，可以对获取到的当前的用户投诉信息中的各个投诉特征的特征评分结果进行排序(如按照特征评分结果从高至低进行排序)，获取特征评分结果排在前预设名次内的投诉特征。统计出前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为用户投诉信息对应的投诉类型。例如：可以根据投诉特征对应的特征评分结果，由高到低对用户投诉特征进行排序，选取排序在前10名(或前预设名次，具体可以根据实际需要进行调整)内的投诉特征。获取前10名(或前预设名次)内的投诉特征对应的投诉类型，统计各投诉类型对应的投诉特征的数量，以确定出用户投诉信息对应的投诉类型。若前10名的投诉特征中有5个对应的是欺诈投诉，有1个对应的是赌博投诉，有1个是套现投诉，有3个是通用特征投诉类型，则可以将欺诈投诉作为当前的用户投诉的投诉类型。前预设名次也可以是所有的投诉特征，具体根据实际需要进行设置。
表2是本申请一个实施例中用户投诉特征的排序表，如表2所示，利用上述实施例的方法确定出当前的用户投诉信息中的各个投诉特征对应的特征评分结果，并根据特征评分结果的大小进行排序后，选择其中排在前10名投诉特征。如表2所示，前10名的投诉特征中有5个对应的是欺诈投诉，有1个数赌博投诉，有1个是套现投诉，有3个是通用特征投诉类型，则可以确定出当前的用户投诉的投诉类型为欺诈投诉。
表2用户投诉特征的排序表
若在前预设名次内投诉特征对应的投诉类型中有两个投诉类型的数量相同且最多，此时可以根据数量相同的投诉类型对应的投诉特征的特征评分结果的大小确定最终的投诉类型。如：若前10名的投诉特征中有4个欺诈投诉、4个赌博投诉、2个套现投诉，欺诈投诉和赌博投诉对应的投诉特征的数量相同且数量最多，则可以根据4个欺诈投诉、4个赌博投诉分别对应的投诉特征的特征评分结果中哪个评分结果最大。如若4个欺诈投诉对应的投诉特征的特征评分结果分别为1.51、1.49、1.32、1.25，4个赌博投诉对应的投诉特征的特征评分结果分比为：1.50、1.48、1.46、1.39，可以看出欺诈投诉中的一个投诉特征的特征评分结果最大，则可以将欺诈投诉作为当前的用户投诉信息的投诉类型。当然，还可以采用其他的方法确定此时的投诉类型，本申请实施例不作具体限定，如：可以根据数量最大且相同的两个投诉类型对应的投诉特征的特征评分结果的平均值的大小，确定出此时用户投诉信息的投诉类型。
还可以根据当前的用户投诉信息中各投诉特征对应的特征评分结果，将特征评分结果最大的投诉特征对应的投诉类型作为当前的用户投诉信息的投诉类型。
当然，根据实际的应用，还可以选择其他的方法，确定当前的用户投诉信息的投诉类型，本申请实施例不作具体限定。
本申请实施例基于投诉特征的特征评分结果，选取特征评分结果中排序靠前、或特征评分结果最大或其他方法，确定出当前的用户投诉的投诉类型。方法简单准确，不需要根据投诉类型建立不同的模型，可以对各种投诉类型采用相同的方法进行投诉类型定性，实现了投诉智能定性审理，并且适用性强。
图2是本申请又一个实施例中确定用户投诉类型的方法的流程示意图，如图2所示，在上述实施例的基础上，本申请一个实施例中，所述方法还可以包括：
根据所述投诉特征，利用投诉成立判定模型判断所述用户投诉信息对应的用户投诉是否成立，其中，所述投诉成立判定模型根据多个所述历史用户投诉数据中投诉特征与投诉是否成立之间的对应关系训练得到。
具体地，可以根据历史用户投诉数据中投诉特征以及一致的投诉是否成立的判断结果，预先训练构建出投诉成立判定模型。将当前的用户投诉信息中的投诉特征作为输入值，建立投诉成立判定模型后，可以直接输出当前的用户投诉信息对应的用户投诉是否成立。可以在判断当前的用户投诉信息对应的用户投诉成立后，根据当前的用户投诉信息中的投诉特征的特征评分结果，确定出当前的用户投诉信息对应的投诉类型。当然，若通过投诉成立判定模型确定出当前的用户投诉不成立，则可以直接输出判定结果，不进行投诉定性的审理，即不进行后续的投诉类型的确定，还可以将投诉不成立作为一种投诉类型输出。也可以在确定当前的用户投诉不成立时，由人工进行复核，以提高用户投诉成立与否判定的准确性。当然，若通过投诉成立判定模型确定出当前的用户投诉不成立，也可以继续进行用户投诉定性的处理，本申请实施例不作具体限定。
需要说明的是，用户投诉是否成立的判定可以在用户投诉对应的投诉类型的确定之前，也可以在确定出用户投诉的投诉类型之后进行投诉是否成立的判定，还可以将投诉是否成立与投诉类型的确定同时进行，本申请实施例不作具体限定。
通过投诉成立判定模型，可以快速的确定出用户投诉是否成立，方法简单，在判定投诉不成立时可以不进行投诉定性的审理，提高了数据处理效率。
在上述实施例的基础上，本申请一个实施例中，所述投诉成立判定模型被设置为按照下述方式建立：
获取多个历史用户投诉数据，所述历史用户投诉数据包括：投诉特征和投诉是否成立的判断结果；建立所述投诉成立判定模型，其中，所述投诉成立判定模型中包括多个模型参数；
将所述历史用户投诉数据中的投诉特征作为所述投诉成立判定模型的输入数据，将对应的所述投诉是否成立的判断结果作为所述投诉成立判定模型的输出数据，调整所述投诉成立判定模型的所述模型参数，直至所述投诉成立判定模型达到预设要求。
具体地，可以根据实际需要，通过数学建模等方法建立一个投诉判定模型，投诉判定模型中可以包括一些模型参数，模型参数可以是投诉成立判定模型的约束条件，如：精度参数，成功率参数等。根据历史用户投诉数据中投诉特征作为输入，投诉特征可以是投诉特征值以及投诉类型，或者只包括投诉特征值，将投诉特征对应的投诉是否成立的判断结果作为投诉成立判定模型的输出，进行不断的学习训练，直至投诉成立判定模型满足预设要求，则投诉判定模型建立完成。
图3是本申请一个实施例中投诉成立判定模型的构建方法流程示意图，如图3所示，本申请一个实施例中，本申请一个实施例中在构建投诉判定模型时，可以同时对投诉特征的特征评分进行训练学习，即可以理解为投诉成立判定模型中也可以包括特征评分数据集合。如图3所示，可以根据历史用户投诉信息获取对应的投诉特征以及投诉特征对应的已知投诉定性结果即投诉是否成立，根据获取到的数据进行模型训练。模型训练可以包括特征筛选、模型调优、模型评估等，可以将历史用户投诉信息中的用户投诉特征作为模型特征，以已知的投诉定性结果作为目标，进行模型训练，并不断的对模型进行调优，最终获得投诉成立判定模型。之后可以对训练好的模型进行模型部署，可以进行投诉成立与否的判定、投诉特征的特征区间的分布以及各特征区间对应的特征评分结果的确定等。
通过投诉成立判定模型，可以判断当前的用户投诉是否成立，并且可以将特征评分数据集合设置在投诉成立判定模型中，同时对当前的用户投诉信息中的投诉特征进行特征评分。不需要分别针对不同的投诉类型建立专项模型，实现了用户投诉的智能定性审理，提高了数据处理的效率、准确性，以及投诉定性的适用性。
此外，本申请实施例，还可以根据用户投诉特征对应的特征评分结果对用户投诉进行下探分析，确定出投诉特征中重要程度较大的，即对确定投诉类型影响较大的投诉特征作为影响特征，即该影响特征对将当前的用户投诉确定为最终的投诉类型的贡献最大。用户投诉特征对应的特征评分结果在一定程度上可以反映用户投诉特征对投诉是否成立、投诉类型的确定的贡献度。如：上述实施例中表2中用户投诉特征对应的投诉特征var1的特征评分结果最大，可以认为该投诉特征var1对用户投诉的定性影响最大。
本申请实施例中的用户投诉定性方法，可解释性强，除了可以得到最终的目标投诉类型判断结果外，还可进一步下探归类原因，从投诉特征的特征评分结果，可以获得不同用户投诉特征的重要性，为后续用户投诉类型确定的原因分析提供了准确的数据基础。
本说明书中上述方法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。相关之处参见方法实施例的部分说明即可。
基于上述所述的确定用户投诉类型的方法，本说明书一个或多个实施例还提供一种确定用户投诉类型的装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图4是本申请提供的确定用户投诉类型的装置一个实施例的模块结构示意图，如图4所示，本申请中提供的确定用户投诉类型的装置包括：投诉特征获取模块41、特征评分模块42、投诉类型确定模块43，其中：
投诉特征获取模块41，可以用于根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；
特征评分模块42，可以用于从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；
投诉类型确定模块43，可以用于根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
本申请实施例提供的确定用户投诉类型的装置，根据用户投诉信息，获取用户投诉的投诉特征，再基于特征评分数据集合，对获取到的投诉特征进行评分。基于投诉特征的特征评分结果，确定出用户投诉的投诉类型。可以实现用户投诉的智能定性，与人工审理投诉定性相比，该发明通过特征评分集合对投诉特征进行评分，基于特征评分结果进行投诉类型的定性，以数据驱动，弱化了对经验的依赖，提高了用户投诉定性审理的效率和准确性。同时，本申请实施例中不需要区分投诉类型统一使用同一种方法进行投诉定性，与专项模型定性相比，只需要将建立和维护一个模型，维护和运营成本更低，且所有投诉类型一起考虑，可以共用特征，做到变量共享，可以实现对各类投诉通用的智能定性，提高了用户投诉定性审理的适用性。
在上述实施例的基础上，所述投诉特征获取模块获取到的所述用户投诉信息中包括：投诉用户的标识信息、被投诉对象的标识信息、被投诉交易的标识信息、投诉陈述信息。
在上述实施例的基础上，所述投诉特征获取模块具体用于：
根据所述投诉用户的标识信息获取所述投诉用户的历史行为数据，根据所述投诉用户的历史行为数据，获取所述投诉用户的投诉用户特征；
根据所述被投诉对象的标识信息获取所述被投诉对象的历史行为数据，根据所述被投诉对象的历史行为数据获取所述被投诉对象的被投诉对象特征；
根据所述被投诉交易的标识信息和所述投诉陈述信息，获取所述被投诉交易的交易特征。
在上述实施例的基础上，所述投诉特征获取模块具体用于：
将所述投诉用户特征、所述被投诉对象特征、所述交易特征分别与特征库进行匹配，获取所述投诉用户特征对应的投诉类型、所述被投诉对象特征对应的投诉类型、所述交易特征对应的投诉类型。
本申请实施例，基于标识信息获取用户、被投诉对象、被投诉交易等的投诉特征，方法简单快捷，数据处理速度快。
在上述实施例的基础上，所述特征评分模块按照下述方式建立所述特征评分数据集合：
对所述投诉特征值进行特征区间划分；
利用多个所述历史用户投诉数据，分别统计各特征区间内的正样本数量、负样本数量，其中，所述特征区间内的正样本数量表示所述投诉特征值在所述特征区间内且用户投诉成立的样本数量，所述特征区间内的负样本数量表示所述投诉特征值在所述特征区间内且用户投诉不成立的样本数量；
根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，将所述特征区间以及所述特征区间对应的特征值评分结果作为所述特征评分数据集合。
本申请实施例，利用历史用户投诉数据，进行投诉特征的特征评分计算，以数据为基础，可以提高投诉特征的特征评分计算结果的准确性，为投诉类型的确定提供了准确的数据基础。
在上述实施例的基础上，所述特征评分模块具体用于：
根据所述正样本数量和所述负样本数量，采用证据权重评分法，计算所述各特征区间对应的特征评分结果。
本申请实施例，利用证据权重评分法结合历史用户投诉数据，可以快速准确的对各个特征区间的投诉特征值进行特征评分，方法简单准确，为后续投诉类型的确定提供了准确的数据基础。
在上述实施例的基础上，所述特征评分模块具体用于：
将所述投诉特征与所述特征评分数据集合进行匹配，获取所述投诉特征的投诉特征值匹配的特征区间；
将所述投诉特征值匹配的特征区间对应的特征评分结果作为所述投诉特征对应的特征评分结果。
本申请实施例，直接将投诉特征与通过特征评分数据集合进行对比，可以确定出当前的用户投诉信息中的投诉特征对应的特征评分结果。基于特征评分结果可以对当前的用户投诉信息进行定性，可以确定出当前的用户投诉的投诉类型。实现了用户投诉的智能定性审理，不需要人工审理，也不局限于投诉类型，可以适用于不同用户投诉类型的定性审理，提高了用户投诉定性处理的效率和适用性。
在上述实施例的基础上，所述投诉类型确定模块具体用于采用下述至少一种方式确定所述用户投诉信息对应的投诉类型：
根据所述投诉特征对应的特征评分结果，获取所述投诉特征评分结果在前预设名次内的投诉特征，统计所述投诉特征评分结果在前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为所述用户投诉信息对应的投诉类型；
或者，根据所述投诉特征对应的特征评分结果，将所述投诉特征评分结果排名第一的投诉特征对应的投诉类型作为所述用户投诉信息对应的投诉类型。
本申请实施例基于投诉特征的特征评分结果，选取特征评分结果中排序靠前、或特征评分结果最大或其他方法，确定出当前的用户投诉的投诉类型。方法简单准确，不需要根据投诉类型建立不同的模型，可以对各种投诉类型采用相同的方法进行投诉类型定性，实现了投诉智能定性审理，并且适用性强。
图5是本申请又一个实施例中确定用户投诉类型的装置结构示意图，如图5所示，在上述实施例的基础上，本申请实施例中的确定用户投诉类型的装置还可以包括：投诉成立判定模块51，用于：
根据所述投诉特征，利用投诉成立判定模型判断所述用户投诉信息对应的用户投诉是否成立，所述投诉成立判定模型根据多个所述历史用户投诉数据中投诉特征与投诉是否成立之间的对应关系训练得到。
在上述实施例的基础上，所述投诉成立判定模块被设置为按照下述方式建立所述投诉成立判定模型：
获取多个历史用户投诉数据，所述历史用户投诉数据包括：投诉特征和投诉是否成立的判断结果；
建立所述投诉成立判定模型，其中，所述投诉成立判定模型中包括多个模型参数；
将所述历史用户投诉数据中的投诉特征作为所述投诉成立判定模型的输入数据，将对应的所述投诉是否成立的判断结果作为所述投诉成立判定模型的输出数据，调整所述投诉成立判定模型的所述模型参数，直至所述投诉成立判定模型参数达到预设要求。
本申请实施例，通过投诉成立判定模型，可以判断当前的用户投诉是否成立，并且可以将特征评分数据集合设置在投诉成立判定模型中，同时对当前的用户投诉信息中的投诉特征进行特征评分。不需要分别针对不同的投诉类型建立专项模型，实现了用户投诉的智能定性审理，提高了数据处理的效率、准确性，以及投诉定性的适用性。
在上述实施例的基础上，本申请一个实施例中，所述装置还可以包括：
归类分析模块，可以用于根据用户投诉特征对应的特征评分结果对用户投诉进行下探分析，确定出投诉特征中重要程度较大的，即对确定投诉类型影响较大的投诉特征作为影响特征，即该影响特征对将当前的用户投诉确定为最终的投诉类型的贡献最大。
图6是本申请一个实施例中确定用户投诉类型的系统结构示意图，如图6所示，在上述实施例的基础上，本申请实施例中的确定用户投诉类型的系统还可以包括：用户投诉信息获取装置、投诉审理装置。
用户投诉信息获取装置，用于获取用户投诉信息，如：投诉用户的信息、被投诉商户的信息、被投诉交易的信息、投诉的具体内容等。用户投诉信息获取装置将获取到的用户投诉信息发送至确定用户投诉类型的装置中的投诉特征获取模块，投诉特征获取模块可以根据用户投诉信息获取用户投诉特征。同时，确定用户投诉类型的装置中可以设置有特征库，特征库中可以存储用户投诉特征以及对应的特征类型，将投诉特征获取模块将获取到的用户投诉特征与特征库进行匹配，确定出获取到的用户投诉特征的特征类型。将获取到的用户投诉特征代入到投诉成立判定模型中，确定出投诉的成立判定结果和当前的用户投诉的特征评分结果。根据获得的特征评分结果以及投诉成立判定结果，确定出当前投诉的目标投诉类型。此外，确定用户投诉类型的系统还可以包括投诉审理装置，可以根据投诉成立判断结果以及投诉类型确定结果，进行相应的处理。如：若当前的用户投诉属于赌博投诉类型，则可以将当前的用户交易上报国家有关部门进行处理。
本申请实施例，可解释性强，除了可以得到最终的目标投诉类型判断结果外，还可进一步下探归类原因，从投诉特征的特征评分结果，可以获得不同用户投诉特征的重要性，为后续用户投诉类型确定的原因分析提供了准确的数据基础。
本申请一个实施例中，还可以提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时，实现上述实施例中视频数据的处理方法，例如可以实现如下方法：
根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；
从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；
根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
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。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
本说明书实施例提供的上述确定用户投诉类型的方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。本说明书提供的一种确定用户投诉类型的系统的一个实施例中，图7是本申请提供的又一种确定用户投诉类型的系统实施例的模块结构示意图，如图7所示，本申请实施例提供的确定用户投诉类型的系统可以包括处理器71以及用于存储处理器可执行指令的存储器72，
处理器71和存储器72通过总线73完成相互间的通信；
所述处理器71用于调用所述存储器72中的程序指令，以执行上述各地震数据处理方法实施例所提供的方法，例如包括：根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。
本申请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，对于硬件+程序类实施例而言，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。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
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、车载人机交互设备、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。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。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。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(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、石墨烯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。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
本说明书一个或多个实施例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本说明书一个或多个实施例，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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例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，均应包含在权利要求范围之内。
Claims (22)
1.一种确定用户投诉类型的方法，其特征在于，包括：
根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；
从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；
根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
2.如权利要求1所述的方法，其特征在于，所述用户投诉信息中包括：投诉用户的标识信息、被投诉对象的标识信息、被投诉交易的标识信息、投诉陈述信息。
3.如权利要求2所述的方法，其特征在于，所述根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，包括：
根据所述投诉用户的标识信息获取所述投诉用户的历史行为数据，根据所述投诉用户的历史行为数据，获取所述投诉用户的投诉用户特征；
根据所述被投诉对象的标识信息获取所述被投诉对象的历史行为数据，根据所述被投诉对象的历史行为数据获取所述被投诉对象的被投诉对象特征；
根据所述被投诉交易的标识信息和所述投诉陈述信息，获取所述被投诉交易的交易特征。
4.如权利要求3所述的方法，其特征在于，所述根据获取到的用户投诉信息，获取用户投诉特征，包括：
将所述投诉用户特征、所述被投诉对象特征、所述交易特征分别与特征库进行匹配，获取所述投诉用户特征对应的投诉类型、所述被投诉对象特征对应的投诉类型、所述交易特征对应的投诉类型。
5.如权利要求1所述的方法，其特征在于，所述特征评分数据集合被设置为按照下述方式建立：
对所述投诉特征值进行特征区间划分；
利用多个所述历史用户投诉数据，分别统计各特征区间内的正样本数量、负样本数量，其中，所述特征区间内的正样本数量表示所述投诉特征值在所述特征区间内且用户投诉成立的样本数量，所述特征区间内的负样本数量表示所述投诉特征值在所述特征区间内且用户投诉不成立的样本数量；
根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，将所述特征区间以及所述特征区间对应的特征值评分结果作为所述特征评分数据集合。
6.如权利要求5所述的方法，其特征在于，所述根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，包括：
根据所述正样本数量和所述负样本数量，采用证据权重评分法，计算所述各特征区间对应的特征评分结果。
7.如权利要求5所述的方法，其特征在于，从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，包括：
将所述投诉特征与所述特征评分数据集合进行匹配，获取与所述投诉特征的投诉特征值匹配的特征区间；
将所述投诉特征值匹配的特征区间对应的特征评分结果作为所述投诉特征对应的特征评分结果。
8.如权利要求1所述的方法，其特征在于，所述根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型，包括：采用下述至少一种方式确定所述用户投诉信息对应的投诉类型：
根据所述投诉特征对应的特征评分结果，获取所述投诉特征评分结果在前预设名次内的投诉特征，统计所述投诉特征评分结果在前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为所述用户投诉信息对应的投诉类型；
或者，根据所述投诉特征对应的特征评分结果，将所述投诉特征评分结果排名第一的投诉特征对应的投诉类型作为所述用户投诉信息对应的投诉类型。
9.如权利要求1-8任一项所述的方法，其特征在于，所述方法还包括：
根据所述投诉特征，利用投诉成立判定模型判断所述用户投诉信息对应的用户投诉是否成立，其中，所述投诉成立判定模型根据多个所述历史用户投诉数据中投诉特征与投诉是否成立之间的对应关系训练得到。
10.如权利要求9所述的方法，其特征在于，所述投诉成立判定模型被设置为按照下述方式建立：
获取多个历史用户投诉数据，所述历史用户投诉数据包括：投诉特征和投诉是否成立的判断结果；
建立所述投诉成立判定模型，其中，所述投诉成立判定模型中包括多个模型参数；
将所述历史用户投诉数据中的投诉特征作为所述投诉成立判定模型的输入数据，将对应的所述投诉是否成立的判断结果作为所述投诉成立判定模型的输出数据，调整所述投诉成立判定模型的所述模型参数，直至所述投诉成立判定模型达到预设要求。
11.一种确定用户投诉类型的装置，其特征在于，包括：
投诉特征获取模块，用于根据获取到的用户投诉信息，获取所述用户投诉信息对应的至少一个投诉特征，所述投诉特征包括：投诉特征值以及投诉类型；
特征评分模块，用于从特征评分数据集合中分别获取所述至少一个投诉特征对应的特征评分结果，其中，所述特征评分数据集合中包括利用多个历史用户投诉数据统计得到的投诉特征与特征评分结果之间的对应关系；
投诉类型确定模块，用于根据所述投诉特征对应的特征评分结果，确定所述用户投诉信息对应的投诉类型。
12.如权利要求11所述的装置，其特征在于，所述投诉特征获取模块获取到的所述用户投诉信息中包括：投诉用户的标识信息、被投诉对象的标识信息、被投诉交易的标识信息、投诉陈述信息。
13.如权利要求12所述的装置，其特征在于，所述投诉特征获取模块具体用于：
根据所述投诉用户的标识信息获取所述投诉用户的历史行为数据，根据所述投诉用户的历史行为数据，获取所述投诉用户的投诉用户特征；
根据所述被投诉对象的标识信息获取所述被投诉对象的历史行为数据，根据所述被投诉对象的历史行为数据获取所述被投诉对象的被投诉对象特征；
根据所述被投诉交易的标识信息和所述投诉陈述信息，获取所述被投诉交易的交易特征。
14.如权利要求13所述的装置，其特征在于，所述投诉特征获取模块具体用于：
将所述投诉用户特征、所述被投诉对象特征、所述交易特征分别与特征库进行匹配，获取所述投诉用户特征对应的投诉类型、所述被投诉对象特征对应的投诉类型、所述交易特征对应的投诉类型。
15.如权利要求11所述的装置，其特征在于，所述特征评分模块按照下述方式建立所述特征评分数据集合：
对所述投诉特征值进行特征区间划分；
利用多个所述历史用户投诉数据，分别统计各特征区间内的正样本数量、负样本数量，其中，所述特征区间内的正样本数量表示所述投诉特征值在所述特征区间内且用户投诉成立的样本数量，所述特征区间内的负样本数量表示所述投诉特征值在所述特征区间内且用户投诉不成立的样本数量；
根据所述正样本数量、所述负样本数量分别计算各特征区间对应的特征评分结果，将所述特征区间以及所述特征区间对应的特征值评分结果作为所述特征评分数据集合。
16.如权利要求15所述的装置，其特征在于，所述特征评分模块具体用于：
根据所述正样本数量和所述负样本数量，采用证据权重评分法，计算所述各特征区间对应的特征评分结果。
17.如权利要求15所述的装置，其特征在于，所述特征评分模块具体用于：
将所述投诉特征与所述特征评分数据集合进行匹配，获取所述投诉特征的投诉特征值匹配的特征区间；
将所述投诉特征值匹配的特征区间对应的特征评分结果作为所述投诉特征对应的特征评分结果。
18.如权利要求11所述的装置，其特征在于，所述投诉类型确定模块具体用于采用下述至少一种方式确定所述用户投诉信息对应的投诉类型：
根据所述投诉特征对应的特征评分结果，获取所述投诉特征评分结果在前预设名次内的投诉特征，统计所述投诉特征评分结果在前预设名次内的投诉特征对应的投诉类型，将投诉类型数量最多的作为所述用户投诉信息对应的投诉类型；
或者，根据所述投诉特征对应的特征评分结果，将所述投诉特征评分结果排名第一的投诉特征对应的投诉类型作为所述用户投诉信息对应的投诉类型。
19.如权利要求11-18任一项所述的装置，其特征在于，所述装置还包括投诉成立判定模块，用于：
根据所述投诉特征，利用投诉成立判定模型判断所述用户投诉信息对应的用户投诉是否成立，其中，所述投诉成立判定模型根据多个所述历史用户投诉数据中投诉特征与投诉是否成立之间的对应关系训练得到。
20.如权利要求19所述的装置，其特征在于，所述投诉成立判定模块被设置为按照下述方式建立所述投诉成立判定模型：
获取多个历史用户投诉数据，所述历史用户投诉数据包括：投诉特征和投诉是否成立的判断结果；
建立所述投诉成立判定模型，其中，所述投诉成立判定模型中包括多个模型参数；
将所述历史用户投诉数据中的投诉特征作为所述投诉成立判定模型的输入数据，将对应的所述投诉是否成立的判断结果作为所述投诉成立判定模型的输出数据，调整所述投诉成立判定模型的所述模型参数，直至所述投诉成立判定模型达到预设要求。
21.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时，实现权利要求1-10任一项所述的方法。
22.一种确定用户投诉类型的系统，其特征在于，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-10任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810555520.7A CN108921569B (zh) | 2018-06-01 | 2018-06-01 | 一种确定用户投诉类型的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810555520.7A CN108921569B (zh) | 2018-06-01 | 2018-06-01 | 一种确定用户投诉类型的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108921569A true CN108921569A (zh) | 2018-11-30 |
| CN108921569B CN108921569B (zh) | 2022-04-08 |
Family
ID=64410097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810555520.7A Active CN108921569B (zh) | 2018-06-01 | 2018-06-01 | 一种确定用户投诉类型的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921569B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816399A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技（深圳）有限公司 | 投诉件的管理方法、装置、计算机设备和存储介质 |
| CN110390535A (zh) * | 2019-06-25 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
| CN110489569A (zh) * | 2019-08-26 | 2019-11-22 | 上海秒针网络科技有限公司 | 一种基于知识图谱的事件处理方法及装置 |
| CN111177352A (zh) * | 2019-12-25 | 2020-05-19 | 北京百度网讯科技有限公司 | 投诉信息的处理方法、装置、电子设备及可读存储介质 |
| CN111831286A (zh) * | 2019-04-12 | 2020-10-27 | 中国移动通信集团河南有限公司 | 一种用户投诉处理方法和设备 |
| CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
| CN112215620A (zh) * | 2019-07-10 | 2021-01-12 | 顺丰科技有限公司 | 识别商家的方法、装置、电子设备及存储介质 |
| CN112422534A (zh) * | 2020-11-06 | 2021-02-26 | 上海优扬新媒信息技术有限公司 | 电子证书的信用评估方法以及设备 |
| CN112529584A (zh) * | 2020-12-08 | 2021-03-19 | 支付宝(杭州)信息技术有限公司 | 交易纠纷数据处理方法、装置、设备及存储介质 |
| CN112561535A (zh) * | 2020-12-08 | 2021-03-26 | 支付宝(杭州)信息技术有限公司 | 交易纠纷数据处理方法、装置、设备及存储介质 |
| CN115496503A (zh) * | 2021-11-18 | 2022-12-20 | 邹双 | 一种基于电子信息的通讯系统 |
Citations (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 |
| CN106529960A (zh) * | 2016-11-07 | 2017-03-22 | 中国银联股份有限公司 | 电子交易中的欺诈交易检测方法 |
| CN107093085A (zh) * | 2016-08-19 | 2017-08-25 | 北京小度信息科技有限公司 | 异常用户识别方法及装置 |
-
2018
- 2018-06-01 CN CN201810555520.7A patent/CN108921569B/zh active Active
Patent Citations (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 |
| CN107093085A (zh) * | 2016-08-19 | 2017-08-25 | 北京小度信息科技有限公司 | 异常用户识别方法及装置 |
| CN106529960A (zh) * | 2016-11-07 | 2017-03-22 | 中国银联股份有限公司 | 电子交易中的欺诈交易检测方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816399A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技（深圳）有限公司 | 投诉件的管理方法、装置、计算机设备和存储介质 |
| CN111831286A (zh) * | 2019-04-12 | 2020-10-27 | 中国移动通信集团河南有限公司 | 一种用户投诉处理方法和设备 |
| CN111831286B (zh) * | 2019-04-12 | 2023-11-14 | 中国移动通信集团河南有限公司 | 一种用户投诉处理方法和设备 |
| CN112101692B (zh) * | 2019-06-18 | 2023-11-24 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
| CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
| CN110390535A (zh) * | 2019-06-25 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
| CN110390535B (zh) * | 2019-06-25 | 2023-10-10 | 阿里巴巴集团控股有限公司 | 客诉对象确定方法、装置、电子设备及可读存储介质 |
| CN112215620A (zh) * | 2019-07-10 | 2021-01-12 | 顺丰科技有限公司 | 识别商家的方法、装置、电子设备及存储介质 |
| CN110489569B (zh) * | 2019-08-26 | 2022-04-26 | 上海明胜品智人工智能科技有限公司 | 一种基于知识图谱的事件处理方法及装置 |
| CN110489569A (zh) * | 2019-08-26 | 2019-11-22 | 上海秒针网络科技有限公司 | 一种基于知识图谱的事件处理方法及装置 |
| CN111177352B (zh) * | 2019-12-25 | 2023-06-27 | 北京百度网讯科技有限公司 | 投诉信息的处理方法、装置、电子设备及可读存储介质 |
| CN111177352A (zh) * | 2019-12-25 | 2020-05-19 | 北京百度网讯科技有限公司 | 投诉信息的处理方法、装置、电子设备及可读存储介质 |
| CN112422534B (zh) * | 2020-11-06 | 2023-09-22 | 度小满科技(北京)有限公司 | 电子证书的信用评估方法以及设备 |
| CN112422534A (zh) * | 2020-11-06 | 2021-02-26 | 上海优扬新媒信息技术有限公司 | 电子证书的信用评估方法以及设备 |
| CN112561535A (zh) * | 2020-12-08 | 2021-03-26 | 支付宝(杭州)信息技术有限公司 | 交易纠纷数据处理方法、装置、设备及存储介质 |
| CN112529584A (zh) * | 2020-12-08 | 2021-03-19 | 支付宝(杭州)信息技术有限公司 | 交易纠纷数据处理方法、装置、设备及存储介质 |
| CN115496503A (zh) * | 2021-11-18 | 2022-12-20 | 邹双 | 一种基于电子信息的通讯系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108921569B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921569A (zh) | 一种确定用户投诉类型的方法及装置 | |
| CN108734479A (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
| CN109064175A (zh) | 一种账户盗用风险防控方法及装置 | |
| CN104915735B (zh) | 企业运营分析预警系统的预警分析方法 | |
| US20200090268A1 (en) | Method and apparatus for determining level of risk of user, and computer device | |
| CN108492104A (zh) | 一种资源转移监测方法及装置 | |
| CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
| CN109118265A (zh) | 商圈确定方法、装置和服务器 | |
| CN110060090A (zh) | 推荐商品组合的方法、装置、电子设备及可读存储介质 | |
| CN108416616A (zh) | 投诉举报类别的排序方法和装置 | |
| CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
| CN107679686A (zh) | 一种业务执行方法及装置 | |
| CN110706096A (zh) | 基于捞回用户管理授信额度的方法、装置和电子设备 | |
| CN110033153A (zh) | 一种对信息推荐进行资源奖励方法、装置及设备 | |
| CN110659985A (zh) | 一种捞回误拒潜在用户的方法、装置和电子设备 | |
| KR102041840B1 (ko) | 전자 입찰을 위한 투찰율 예측 분석시스템 및 그 방법 | |
| CN108830443A (zh) | 一种合同审阅方法及装置 | |
| CN109614414A (zh) | 一种用户信息的确定方法及装置 | |
| CN110414980A (zh) | 一种风险防控数据处理方法及装置 | |
| CN109063736A (zh) | 数据分类方法、装置、电子设备及计算机可读存储介质 | |
| CN112966189A (zh) | 一种基金产品推荐系统 | |
| CN110135684A (zh) | 一种能力测评方法、能力测评装置及终端设备 | |
| CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
| CN108182448A (zh) | 一种标注策略的选择方法及相关装置 | |
| CN110458571A (zh) | 一种信息泄露的风险识别方法、装置及设备 |
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: 20200930 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200930 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: Greater Cayman, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |