具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
本说明书一个或多个实施例提供的服务资源的分配方法可以应用于如图1所示的场景中。图1中,客服系统可以接收用户的服务请求,该服务请求可以是由用户通过热线应用(application,APP)、在线APP或者即时通讯软件(如,微信)等发送的。该服务请求可以包括用户的账户和/或用户身份等信息。之后,可以为用户分配相应的服务资源。此处的服务资源可以包括但不限于热线人工座席、在线人工座席、热线语音播报、短信发送、手机通知以及在线客服机器人等。需要说明的是,上述多种服务资源对用户的服务请求均可以有对应的解决方案。
具体地,图1中的客服系统可以包括:解决能力预估模块102以及流向决策模块104。解决能力预估模块102用于根据请求服务的用户的用户特征(如,用户身份、历史轨迹以及业务诉求等),来预估多个服务资源解决问题的能力。其输出可以为多个服务资源对当前用户问题的解决能力值。在一种实现方式中,解决能力预估模块102具体可以是通过解决能力预估模型(后续进行说明)来预估多个服务资源的解决能力值。流向决策模块104用于根据多个服务资源的资源类型以及解决能力值,选择目标服务资源。
此外,上述客服系统还可以包括现场评估模块106。现场评估模块106用于对指定服务资源的准入情况进行评估。其输出可以为某个特定服务资源是否准入的结果信息。可以理解的是,当客服系统还包括现场评估模块106时,流向决策模块104可以根据多个服务资源的资源类型、解决能力值以及准入情况,从多个服务资源中选取目标服务资源。
应理解,图中的内容仅为了示例性的目的,并且本说明书决不被限制于图中明确示出和这里描述的特殊示例性实施例。
在描述本说明书一个或多个实施例提供的服务资源的分配方法之前,可以先训练解决能力预估模型。该解决能力预估模型的训练方法可以如下所述。
图2为本说明书提供的解决能力预估模型的训练方法流程图。图2中,该方法可以包括如下步骤:
步骤202,收集历史请求用户的请求行为数据。
在一种实现方式中,上述请求行为数据的收集过程可以为:当客服系统接收到用户的服务请求时,记录该用户的请求行为数据。该请求行为数据可以包括但不限于请求时间、请求账户和/或用户身份、业务问题、请求时长以及服务资源。其中,业务问题可以是指用户所求助的问题。在上述用户的服务请求行为发生之后,客服系统可以检测在预设时间段内(如,24小时)是否再次接收到该用户的针对同一业务问题的服务请求。如果没有接收到,则认为该业务问题已被解决,可以将上述请求行为数据作为训练解决能力预估模型的正样本。如果接收到,可以将上述请求行为数据作为训练解决能力预估模型的负样本。
可以理解的是,重复执行上述收集过程多次就可以收集到多条请求行为数据,且该多条请求行为数据具有对应的样本标签:正样本或者负样本。
步骤204,根据请求行为数据,确定历史请求用户的样本特征。
在一种实现方式中,上述确定的样本特征可以如表1所示。
表1
表1中包括了四种类型的样本特征:用户身份、业务诉求、历史轨迹以及服务资源。对于用户身份类的样本特征,可以是先根据历史请求用户的请求账户和/或用户身份,从客服系统的后台数据库中获取用户的画像;之后从用户的画像中提取。其中,社交影响因子可以是基于用户的关系网络采用网页排名(pagerank)方法计算得到的。对于业务诉求类的样本特征,可以是在对历史请求用户的业务问题所包含的词语进行分析后确定的。其中,业务分类可以包括但不限于花呗、借呗以及余额宝等。归一化的业务问题也可以理解为是某一业务分类下的具体问题。如,在业务分类为:花呗时,该归一化的业务问题可以为:花呗如何开通。再如,在业务分类为:余额宝时,该归一化的业务问题可以为:余额宝无法转出等。对于历史轨迹类的样本特征,可以是在对历史请求用户的请求行为数据按照请求时间进行统计分析后确定的。如,可以根据每次服务请求的请求时间,来统计24小时求助次数。对该24小时求助次数,可以对每次求助时长进行累加,以确定24小时求助总时长。对于服务资源类的样本特征,则可以直接从历史请求用户的请求行为数据中获取。
应理解,表1中的样本特征仅为了示例性的目的,并且本说明书决不被限制于表中明确示出和这里描述的特殊示例性实施例。
可以理解的是,对收集到的多条请求行为数据(也可以称为样本数据),可以确定与每条请求行为数据对应的样本特征。
步骤206,将样本特征输入梯度提升决策树(Gradient Boosting Decision Tree,GBDT)中,以得到组合样本特征。
此处的GBDT可以是预先训练好的。其具体可以是通过上述样本特征来进行训练的。此处,根据样本数据对GBDT进行训练为传统常规技术,在此不复赘述。
需要说明的是,上述训练好的GBDT可以由多棵决策树串联组成。具体地,针对每条样本数据,将对应的样本特征输入到GBDT之后,在GBDT的每棵决策树中会唯一地确定一个叶子节点,将在每棵决策树中所确定的叶子节点的id输出,就可以得到该样本数据的组合样本特征。
可以理解的是,将各条样本数据输入到上述训练好的GBDT中,就可以得到对应的多个组合样本特征。
步骤208,根据组合样本特征对逻辑回归(logistic regression,LR)模型进行训练,以得到解决能力预估模型。
此处,可以是根据各条请求行为数据对应的多个组合样本特征,对LR模型进行训练。需要说明的是,本说明书在训练解决能力预估模型时,先通过GBDT对样本特征进行了组合。之后,根据组合后的样本特征,对LR模型进行训练。由此,可以大大提高模型的训练效率,进而可以提高预估效率。
在训练得到解决能力预估模型之后,可以执行如下的服务资源的分配方法。
图3为本说明书一个实施例提供的服务资源的分配方法流程图。所述方法的执行主体可以为具有处理能力的设备:服务器或者系统或者装置,如,可以为图1中的客服系统。如图3所示,所述方法具体可以包括:
步骤302,接收用户的服务请求。
如,可以是由客服系统通过热线APP、在线APP或者即时通讯软件(如,微信)等接收用户的服务请求。该服务请求可以包括用户的账户和/或用户身份等。
步骤304,根据服务请求,获取用户的服务请求数据。
此处的服务请求数据可以包括用户的画像、历史请求服务的行为轨迹以及业务问题等。历史请求服务的行为轨迹可以是指在过去指定时间段内(如,24小时),该用户每次请求服务的时间以及时长等。对于用户的画像和历史请求服务的行为轨迹,可以是根据该用户的账户和/或用户身份,从客服系统的后台数据库中获取的。对于业务问题,可以从服务请求中获取,也可以通过与该用户进行多轮会话来获取。
步骤306,根据服务请求数据,确定用户的用户特征。
此处的用户特征可以分别归属于如下三个类别:用户身份、业务诉求以及历史轨迹,该三类的用户特征可以如表1所示。对于用户身份类的用户特征,可以是从用户的画像中提取的。对于业务诉求类的用户特征,可以是在对业务问题所包含的词语进行分析后确定的。对于历史轨迹类的用户特征,可以是在对用户历史请求服务的行为轨迹进行统计分析后确定的。如,可以根据每次请求服务的时间,来统计24小时求助次数。对该24小时求助次数,可以对每次求助时长进行累加,以确定24小时求助总时长。
步骤308,将用户特征以及多个服务资源输入解决能力预估模型,以预测各个服务资源的解决能力值。
此处的解决能力值可以为0-1之间的实数。
步骤310,根据各个服务资源的资源类型以及解决能力值,从多个服务资源中选取目标服务资源。
如,可以是由流向决策模块104根据各个服务资源的资源类型以及解决能力值,从多个服务资源中选取目标服务资源。
此处的资源类型可以包括有限型资源和无限型资源。对于无限型资源,例如可以为:热线语音播报、短信发送、手机通知以及在线客服机器人等。对于有限型资源,其可以是指整体数量受到限制,但同一时间可以灵活分配的服务资源。例如可以为:热线人工座席或者在线人工座席等。通常,对于有限型资源,当客服系统流入过多的话务(即服务请求数)时,可能会造成等待或者堵塞等。
在一种实现方式中,上述选取过程具体可以为:获取解决能力值最高的待选服务资源。判断待选服务资源的资源类型是否为无限型资源。如果是,则将待选服务资源选取为目标服务资源。如果否,则获取待选服务资源的准入情况。根据资源类型、准入情况以及解决能力值,从多个服务资源中选取目标服务资源。
在一个例子中,上述获取待选服务资源的准入情况的步骤可以为:获取在指定时间段内待选服务资源的接通率。此处的接通率可以是根据在指定时间段内(如,10分钟)待选服务资源的应答话务量与流入话务量的比值确定的。如,接通率=应答话务量/流入话务量。
当然,在实际应用中,也可以通过其它方式计算接通率,如,将应答话务量和/或流入话务量乘以相应的权值等,本说明书对此不作限定。
上述接通率也可以称为短时接通率。该接通率或者短时接通率对累计接通率与排队量的影响可以如图4所示。图4中,服务资源的短时接通率控制在92%。具体地,当短时接通率控制在92%时,可以实现对整体接通率进行平滑和稳定。在客服系统的行业经验来说,控制短时接通率在92%能获得较好的资源利用率和用户体验。在本说明书中,通过计算短时接通率来控制整体接通率平滑和稳定。
综上,在本说明书所提供的一个或多个实施例中,可以是根据服务资源的接通率来确定准入情况,并没有简单通过检测服务资源是否都在繁忙来确定准入情况。由于用户对服务资源可以结束一定程度的等待,所以上述通过接通率来确定准入情况的方式可以提高服务资源的利用率,从而可以有效节约服务资源成本。
上述根据资源类型、准入情况以及解决能力值,从多个服务资源中选取目标服务资源的过程具体可以为:判断待选服务资源的准入情况是否为准入。如,可以判断待选服务资源的接通率是否高于92%。如果不高于,则获取解决能力值次高的待选服务资源,并执行资源类型判断的步骤或者资源类型判断的步骤以及准入情况判断的步骤;直至多个服务资源判断完成或者选取到目标服务资源。如果高于,则从多个服务资源中选取解决能力值最高且资源类型为无限型资源的待比对服务资源。计算待选服务资源与待比对服务资源之间的解决能力值的差值。如果差值超过第一阈值(θ),则将待选服务资源选取为目标服务资源;如果差值未超过第一阈值(θ),则执行准入情况为不准入的步骤。
需要说明的是,上述第一阈值(θ)可以是根据有限型资源与无线型资源之间的解决能力值的差值分布情况以及多个服务资源的话务承接量来确定的。通过设定该第一阈值,既可以提高资源利用率,又可以降低服务成本。在实际应用中,也可以将θ再乘以一个大于1的因子,以获得更大的资源利用率。
步骤312,为用户分配目标服务资源。
需要说明的是,本说明书所提供的服务资源的分配方案,可以是适用于用户请求服务资源,但还未进入对应的服务资源的等待队列排队等待的场景。可以理解的是,在选取目标服务资源之后,可以通过导流的方式将用户引导至所选取的目标服务资源。
举例来说,如果选取的目标服务资源为在线客服机器人,则可以直接启动在线客服机器人同用户进行交流。如果选取的目标服务资源为短信发送,则可以通过用户请求服务的APP或者即时通讯软件通知用户解答已经发送到手机等。
综上,本说明书上述实施例提供的服务资源的分配方法,可以结合用户的用户身份、历史轨迹以及业务问题为用户选取目标服务资源,从而实现服务资源的合理分配,进而可以提升用户体验。此处,资源的合理分配可以是指针对用户的业务问题,客服系统在分配对应的服务资源之后,有效的解决了用户的业务问题。此外,本说明书还可以结合服务资源的准入情况来选取目标服务资源,从而既可以提高资源利用率,又可以降低服务成本。
图5为本说明书另一个实施例提供的服务资源的分配方法流程图。如图5所示,该方法可以包括:
步骤502,接收用户的服务请求。
步骤504,根据服务请求,获取用户的服务请求数据。
步骤506,根据服务请求数据,确定用户的用户特征。
步骤508,将用户特征以及多个服务资源输入解决能力预估模型,以预测各个服务资源的解决能力值。
步骤510,按照解决能力值从高到低的顺序,对各个服务资源进行排序。
步骤512,将首个服务资源选取为待选服务资源。
步骤514,判断该待选服务资源的资源类型是否为无限型资源;如果是,则执行步骤516;否则执行步骤518。
步骤516,将待选服务资源选取为目标服务资源。
步骤518,获取待选服务资源的准入情况。
步骤520,判断待选服务资源的准入情况是否为准入;如果否,则执行步骤522;如果是,则执行步骤524。
步骤522,获取解决能力值次高的待选服务资源,并跳转至步骤514。
步骤524,选取解决能力值最高且资源类型为无限型资源的待比对服务资源。
步骤526,计算待选服务资源与待比对服务资源之间的解决能力值的差值。
步骤528,判断差值是否超过第一阈值;如果是,则执行步骤530;否则跳转至步骤522。
步骤530,将待选服务资源选取为目标服务资源。
以下将通过一个例子来说明下本说明书一个或多个实施例所提供的服务资源的分配方法可以达到的效果。假设客服系统的服务资源包括:若干热线人工坐席以及一个在线客服机器人。若用户的业务问题为:转账失败,并且在线客服机器人已经准备了关于本日“转账故障与恢复计划”的答案时,可以把用户引向与在线客服机器人交互来解决其问题。若另一个用户的业务问题为:合适自己的理财方案,则可以把用户引导向通过热线人工坐席来解决其问题。由此可以看出,通过本说明的方法可以挑选出更需要优质资源服务的用户,并为其分配优质服务资源,从而有效地避免了“挤兑”现象,提升了用户体验。
与上述服务资源的分配方法对应地,本说明书一个实施例还提供的一种服务资源的分配装置,如图6所示,该装置可以包括:
接收单元602,用于接收用户的服务请求。
获取单元604,用于根据接收单元602接收的服务请求,获取用户的服务请求数据。
确定单元606,用于根据获取单元604获取的服务请求数据,确定用户的用户特征。
其中,用户特征可以包括以下一种或多种:用户身份、用户诉求以及历史轨迹。
输入单元608,用于将确定单元606确定的用户特征以及多个服务资源输入解决能力预估模型,以预测各个服务资源的解决能力值。
选取单元610,用于根据各个服务资源的资源类型以及解决能力值,从多个服务资源中选取目标服务资源。
分配单元612,用于为用户分配选取单元610选取的目标服务资源。
选取单元610具体可以用于:
获取解决能力值最高的待选服务资源。
判断待选服务资源的资源类型是否为无限型资源。
如果是,则将待选服务资源选取为目标服务资源。
如果否,则获取待选服务资源的准入情况。根据资源类型、准入情况以及解决能力值,从多个服务资源中选取目标服务资源。
选取单元610还具体可以用于:
判断待选服务资源的准入情况是否为准入。
如果为不准入,则获取解决能力值次高的待选服务资源,并执行资源类型判断的步骤或者资源类型判断的步骤以及准入情况判断的步骤。直至多个服务资源判断完成或者选取到目标服务资源。
如果为准入,则从多个服务资源中选取解决能力值最高且资源类型为无限型资源的待比对服务资源。计算待选服务资源与待比对服务资源之间的解决能力值的差值。如果差值超过第一阈值,则将待选服务资源选取为目标服务资源。如果差值未超过第一阈值,则执行准入情况为不准入的步骤。
其中,第一阈值可以是根据有限型资源与无线型资源之间的解决能力值的差值分布情况以及多个服务资源的话务承接量确定的。
可选地,选取单元610还具体可以用于:
获取在指定时间段内待选服务资源的接通率。接通率是根据在指定时间段内待选服务资源的应答话务量与流入话务量的比值确定的。
若接通率高于第二阈值,则准入情况为准入;否则,准入情况为不准入。本说明书上述实施例装置的各功能模块的功能,可以通过上述方法实施例的各步骤来实现,因此,本说明书一个实施例提供的装置的具体工作过程,在此不复赘述。
本说明书一个实施例提供的服务资源的分配装置,接收单元602接收用户的服务请求。获取单元604根据服务请求,获取用户的服务请求数据。确定单元606根据服务请求数据,确定用户的用户特征。输入单元608将用户特征以及多个服务资源输入解决能力预估模型,以预测各个服务资源的解决能力值。选取单元610根据各个服务资源的资源类型以及解决能力值,从多个服务资源中选取目标服务资源。分配单元612为用户分配目标服务资源。由此,可以实现服务资源的合理分配。
本说明书一个实施例提供的服务资源的分配装置可以为图1中客服系统的一个模块或者单元。
与上述服务资源的分配方法对应地,本说明书实施例还提供了一种服务器,如图7所示,该服务器可以包括:
接收器702,用于接收用户的服务请求。
至少一个处理器704,用于根据服务请求,获取用户的服务请求数据。根据服务请求数据确定用户特征。将用户特征以及多个服务资源输入解决能力预估模型,以预测各个服务资源的解决能力值。根据各个服务资源的资源类型以及解决能力值,从多个服务资源中选取目标服务资源。为用户分配目标服务资源。
本说明书一个实施例提供的服务器,可以实现服务资源的合理分配。
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,对于服务器实施例而言,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。
结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于服务器中。当然,处理器和存储介质也可以作为分立组件存在于服务器中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
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。
以上所述的具体实施方式,对本说明书的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本说明书的具体实施方式而已,并不用于限定本说明书的保护范围,凡在本说明书的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书的保护范围之内。